ANALISIS DATA TRANSAKSI PENJUALAN BARANG MENGGUNAKAN TEKNIK K-MEANS CLUSTERING

PT. Swiss Padma Jaya Cirebon menghadapi tantangan dalam memahami pola pembelian pelanggan yang semakin kompleks, terutama dengan pertumbuhan volume data transaksi yang besar dan beragam. Hal ini menyulitkan perusahaan untuk menyusun strategi pemasaran yang efektif serta mengoptimalkan manajemen stok dan alokasi sumber daya. Dalam konteks ini, analisis data menjadi sangat penting untuk memberikan wawasan yang mendalam mengenai perilaku pelanggan dan tren penjualan produk. Penelitian ini bertujuan untuk meningkatkan model clustering pada data transaksi penjualan di PT. Swiss Padma Jaya Cirebon menggunakan algoritma K-Means. Dataset yang digunakan terdiri dari berbagai atribut penting, termasuk Cust. Code, Customer Name, Shipment, Salesman, Product Code, Product Name, Sales Order No, Sales Order Date, Qty SO, Brutto SO, DPP SO, Invoice No, BRAND, dan CATEGORY2. Melalui clustering ini, diharapkan dapat diidentifikasi pola pembelian pelanggan serta produk yang sering terjual, sehingga perusahaan dapat menyusun strategi pemasaran yang lebih efektif dan efisien. Metode yang digunakan dalam penelitian ini meliputi beberapa tahapan, yaitu pengumpulan data transaksi penjualan, pembersihan data (data cleaning) untuk memastikan kualitas data, dan penerapan algoritma K-Means untuk mengelompokkan data berdasarkan pola pembelian dan kategori produk. Evaluasi model dilakukan dengan menggunakan indeks evaluasi seperti Davies-Bouldin Index untuk memastikan kualitas cluster yang terbentuk. Proses pengujian melibatkan berbagai inisialisasi dan variasi jumlah cluster untuk mendapatkan hasil optimal. Hasil penelitian menunjukkan algoritma K-Means berhasil membentuk sepuluh klaster dengan distribusi item yang beragam. Klaster terbesar mencakup 4.884 item, sementara beberapa klaster lainnya berisi lebih sedikit data. Evaluasi model menghasilkan nilai DBI sebesar 0,011, menunjukkan klaster yang sangat baik, dengan pemisahan antar-klaster yang optimal dan kesamaan dalam klaster. Penambahan atribut seperti frekuensi transaksi dan lokasi penjualan diidentifikasi dapat meningkatkan akurasi model. Hasil clustering ini mengungkap pola transaksi, seperti produk musiman dan pelanggan yang rutin membeli merek tertentu, yang dapat mendukung strategi pemasaran yang lebih terfokus dan efisien. Penelitian ini membuktikan bahwa algoritma K-Means adalah alat yang efektif untuk analisis data transaksi penjualan di perusahaan