ANALISIS SEGMENTASI PENJUALAN POMPA AIR MENGGUNAKAN ALGORITMA K-MEANS SEGMENTATION ANALYSIS OF WATER PUMP SALES USING K-MEANS ALGORITHM
Abstract
ABSTRAK
Segmentasi penjualan merupakan hal yang penting dalam industri pompa air. Penelitian ini bertujuan untuk mengelompokkan produk pompa air berdasarkan karakteristik penjualan mereka menggunakan algoritma K-Means. Data penjualan yang digunakan mencakup informasi tentang nama produk, jumlah terjual, dan total pemasukan. Metode penelitian meliputi exploratory data analysis (EDA), preprocessing data (penanganan outlier dan transformasi data), penerapan algoritma K-Means, dan evaluasi cluster menggunakan metrik Inertia dan Silhouette Score. Hasil penelitian menunjukkan bahwa produk pompa air dapat dikelompokkan menjadi empat cluster berdasarkan karakteristik penjualan mereka. Cluster 0 memiliki jumlah penjualan dan pemasukan tinggi, cluster 1 memiliki jumlah penjualan dan pemasukan rendah, cluster 2 memiliki jumlah penjualan sedang hingga tinggi dengan pemasukan sedang, dan cluster 3 memiliki jumlah penjualan rendah namun pemasukan tinggi. Evaluasi Silhouette Score menunjukkan bahwa clustering yang dihasilkan cukup baik, meskipun tidak sempurna. Hasil segmentasi ini dapat memberikan wawasan berharga bagi perusahaan pompa air untuk mengembangkan strategi pemasaran yang lebih efektif dan tepat sasaran. Saran untuk penelitian selanjutnya adalah melakukan analisis lebih lanjut untuk mengidentifikasi faktor-faktor lain yang dapat menjelaskan variasi dalam setiap cluster dan mempertimbangkan penggunaan metode clustering lainnya.
Kata kunci : Clustering, K-Means, Pompa Air, Segmentasi Penjualan
ABSTRACT
Sales segmentation is important in the water pump industry. This research aims to group water pump products based on their sales characteristics using the K-Means algorithm. The sales data used includes information about product name, quantity sold, and total income. Research methods include exploratory data analysis (EDA), data preprocessing (outlier handling and data transformation), application of the K-Means algorithm, and cluster evaluation using Inertia and Silhouette Score metrics. The research results show that water pump products can be grouped into four clusters based on their sales characteristics. Cluster 0 has high sales and income, cluster 1 has low sales and income, cluster 2 has medium to high sales with medium income, and cluster 3 has low sales but high income. Silhouette Score evaluation shows that the resulting clustering is quite good, although not perfect. The results of this segmentation can provide valuable insight for water pump companies to develop more effective and targeted marketing strategies. Suggestions for further research are to carry out further analysis to identify other factors that can explain variations within each cluster and consider the use of other clustering methods.
Keywords: Clustering, K-Means, Sales Segmentation, Water Pump
References
DAFTAR PUSTAKA
F. Yoseph, N. H. Ahamed Hassain Malim, M. Heikkilä, A. Brezulianu, O. Geman, dan N. A. Paskhal Rostam, “The impact of big data market segmentation using data mining and clustering techniques,” Journal of Intelligent & Fuzzy Systems, vol. 38, no. 5, hlm. 6159–6173, 2020.
A. Priangani, “Memperkuat manajemen pemasaran dalam konteks persaingan global,” Jurnal kebangsaan, vol. 2, no. 4, hlm. 1–9, 2023.
R. P. Santoso, L. S. R. Ningsih, dan W. Irawati, “Implementation Of Segmenting Targeting And Positioning Strategies In Improving Marketing Performance,” BIMA: Journal of Business and Innovation Management, vol. 6, no. 2, hlm. 280–292, 2024.
R. Damaisari, H. Husnurrofiq, dan A. Abdurrahim, “Strategi Promosi Sales Force Add On Banjarmasin Dalam Meningkatkan Penjualan Produk Indihome Witel Kalimantan Selatan,” Socius: Jurnal Penelitian Ilmu-Ilmu Sosial, vol. 1, no. 6, 2024.
M. Schott, “K-Means Clustering Algorithm for Machine Learning ,” Capital One Tech on Medium.
I. Fajar Batubara dan F. Z. Lubis, “CLUSTERING DATA PELANGGAN PLN HELVETIA MENGGUNAKAN METODE K-MEANS CLUSTER,” Kohesi: Jurnal Multidisiplin Saintek, vol. 2, no. 1, hlm. 71–80, 2023, [Daring]. Tersedia pada: https://ejournal.warunayama.org/kohesi
E. Patimah, E. Ermatita, dan N. Chamidah, “Analisis Cluster Kepuasan Pengguna Terhadap Layanan Shopee Menggunakan Algoritma K-Means,” Informatik: Jurnal Ilmu Komputer, vol. 17, no. 3, hlm. 209–217, 2021.
K. Tabianan, S. Velu, dan V. Ravi, “K-means clustering approach for intelligent customer segmentation using customer purchase behavior data,” Sustainability, vol. 14, no. 12, hlm. 7243, 2022.
X. Xiahou dan Y. Harada, “B2C E-Commerce Customer Churn Prediction Based on K-Means and SVM,” Journal of Theoretical and Applied Electronic Commerce Research, vol. 17, no. 2, 2022, doi: 10.3390/jtaer17020024.
S. N. Ashma, W. Witanti, dan P. N. Sabrina, “Segmentasi Pelanggan Berdasarkan Keluhan Dengan Menggunakan K-Means Cluster Analysis Pada PT Infomedia Nusantara,” dalam Prosiding Seminar Nasional Sistem Informasi dan Teknologi(SISFOTEK), 2020, hlm. 276–280.
S. F. Djun, I. G. A. Gunadi, dan S. Sariyasa, “Analisis Segmentasi Pelanggan pada Bisnis dengan Menggunakan Metode K-Means Clustering pada Model Data RFM,” JTIM : Jurnal Teknologi Informasi dan Multimedia, vol. 5, no. 4, hlm. 354–364, Feb 2024, doi: 10.35746/jtim.v5i4.434.
M. Harahap, Y. Lubis, dan Z. Situmorang, “Analisis Pemasaran Bisnis dengan Data Science : Segmentasi Kepribadian Pelanggan berdasarkan Algoritma K-Means Clustering,” Data Sciences Indonesia (DSI), vol. 1, no. 2, hlm. 76–88, Jan 2022, doi: 10.47709/dsi.v1i2.1348.
K. R. Shahapure dan C. Nicholas, “Cluster quality analysis using silhouette score,” dalam 2020 IEEE 7th international conference on data science and advanced analytics (DSAA), 2020, hlm. 747–748.
Abstract views : 7
views : 0
Refbacks
- There are currently no refbacks.
Copyright (c) 2024 Jurnal Aplikasi Bisnis dan Komputer
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
