Perbandingan Algoritma Klastering dalam Pengelompokan Produk Penjualan (Studi Kasus CV. Media Karya Komputindo)

Comparison of Clustering Algorithm in Classification of Sales Products (Case Study CV. Media Karya Komputindo)

Penelitian ini membandingkan empat algoritma clustering (K-means, K-modes, Birch, dan Agglomerative) untuk mengelompokkan data penjualan dari CV. Media Karya Komputindo. Untuk pemilihan jumlah klaster yang paling optimum menggunakan elbow dan divalidasi dengan Silhouette Coefficient. statistik deskriptif digunakan untuk menilai interpretabilitas dari hasil algoritma tersebut. Efisiensi komputasi juga dipertimbangkan, mengingat sumber daya yang terbatas dan potensi penambahan data. Metodologi CRISP-DM digunakan menyusun analisis. Hasil penelitian menunjukkan bahwa semua algoritma menggunakan sumber daya yang sedikit dan mudah digunakan dengan PyCaret. Algoritma yang paling optimal untuk kumpulan data ini adalah K-Means, hasil clustering menunjukkan bahwa ada 4 kategori cluster, dimana cluster 1 berisi permintaan rendah dengan harga tinggi, cluster 2 permintaan rendah dengan harga rendah, cluster 3 permintaan tinggi dengan harga rendah, dan cluster 4 adalah permintaan cukup dengan harga rendah.

This study compares four clustering algorithms (K-means, K-medoids, and Agglomerative) for clustering CV. Media Karya Komputindo’s product sales data. Most optimum cluster size are selected using elbow method and then verified with Silhouette Coefficient as validation index. The result is then analyzed using statistics descriptive with WordCloud, and descriptive statistics are used to assess the algorithm results interpretability. Computational efficiency are also considered, given limited resources and potential data growth. The CRISP-DM methodology structures the analysis. Results show all tested algorithms are not resource-intensive and are easy to deploy with PyCaret. The most optimum algorithm for this data set is found to be K-Means, the clustering result shows that there are 4 clusters categories, where cluster 1 contains low demand and high price, cluster 2 is low demand and low price, cluster 3 is high demand and low price, and cluster 4 is in moderate demand and price is low.