63
Progresif: Jurnal Ilmiah Komputer Jl.
Ahmad Yani.
33,5 - Kampus STMIK Banjarbaru Loktabat Ae Banjarbaru (Tlp.
, e-mail: puslit.
stmikbjb@gmail.
e-ISSN: 2685-0877 p-ISSN: 0216-3284 Implementasi Algoritma K-Means dalam Klasterisasi Penjualan Lauk Masakan Padang Dewi Eka Putri1*.
Dede Wira Trise Putra2.
Eka Praja Wiyata Mandala3 1,3Teknik Informatika.
Universitas Putra Indonesia YPTK.
Padang.
Indonesia 2Teknik Informatika.
Institut Teknologi Padang.
Padang.
Indonesia *e-mail Corresponding Author: dewieka@upiyptk.
Abstract Culinary development in Indonesia is very rapid, increasing competition among culinary Side dish sales at RM Takana Juo are problematic in stock management due to lack of understanding of sales patterns.
This research proposes the use of K-Means algorithm to cluster side dish sales based on parameters that focus on initial stock and number sold.
This research begins with the collection of side dish sales datasets, determination of the optimal number of clusters, and application of the K-Means algorithm to group side dishes into two clusters: side dish clusters with higher initial stock and sales and side dish clusters with relatively low initial stock and sales.
The results showed that the sales of 20 Padang cuisine side dishes at RM Takana Juo were successfully grouped into the two clusters.
The validation of the method's performance showed an average Silhouette Score value of 0.
57 which indicates that the K-Means algorithm successfully clustered the data quite well.
This research contributes specifically in planning the procurement of Padang cuisine side dishes in organizing daily stock to reduce waste.
Keywords: Clusterization.
K-Means.
Side Dish Sales.
Padang Cuisine.
Sales Pattern Abstrak Perkembangan kuliner di Indonesia sangat pesat sehingga meningkatkan persaingan antar pengusaha kuliner.
Penjualan lauk di RM Takana Juo bermasalah dalam pengelolaan stok karena kurangnya pemahaman pola penjualan.
Penelitian ini mengusulkan penggunaan algoritma K-Means untuk mengelompokkan penjualan lauk berdasarkan parameter yang fokus pada stok awal dan jumlah terjual.
Penelitian ini dimulai dengan pengumpulan dataset penjualan lauk, penentuan jumlah klaster optimal, dan penerapan algoritma K-Means untuk mengelompokkan lauk ke dalam dua klaster yaitu klaster lauk dengan stok awal dan penjualan yang lebih tinggi dan klaster lauk dengan stok awal dan penjualan yang relatif rendah.
Hasil penelitian menunjukkan bahwa penjualan 20 lauk masakan Padang di RM Takana Juo berhasil dikelompokkan ke dalam dua klaster tersebut.
Validasi kinerja metode menunjukkan nilai ratarata Silhouette Score sebesar 0.
57 yang mengindikasikan bahwa algoritma K-Means berhasil mengelompokkan data dengan cukup baik.
Penelitian ini berkontribusi spesifik dalam merencanakan pengadaan lauk masakan Padang dalam mengatur stok harian untuk mengurangi Kata kunci: Klasterisasi.
K-Means.
Penjualan Lauk.
Masakan Padang.
Pola Penjualan Pendahuluan Industri kuliner di Indonesia berkembang dengan sangat pesat.
Salah satu industri makanan yang masih mampu untuk bersaing dengan maraknya kuliner yang bermunculan saat ini adalah rumah makan padang.
Rumah makan padang dikenal dengan cita rasa yang khas dan mampu beradaptasi dengan selera masyarakat .
Setiap rumah makan padang dimanapun berada, pasti ingin memberikan pelayanan yang terbaik demi mendapatkan kepuasan pelanggan.
Rumah makan padang menyajikan masakan khas Indonesia khususnya dari Sumatera Barat, sehingga banyak perantau yang membuka usaha ini di tempatnya menetap .
Hampir di seluruh wilayah Indonesia, rumah makan padang bisa ditemukan dengan harga yang terjangkau oleh masyarakat sehingga rumah makan padang menjadi pilihan utama masyarakat untuk menghilangkan lapar .
Implementasi Algoritma K-Means dalam Klasterisasi a.
Dewi Eka Putri e-ISSN: 2685-0877 Rumah makan padang merupakan rumah makan dari salah satu suku di Indonesia yaitu suku Minangkabau.
Di rumah makan padang, pengunjung langsung dilayani dan disuguhkan berbagai lauk di meja makan saat mereka duduk, sehingga pengunjung dapat langsung mengambil lauk .
Karena semua lauk yang dihidangkan dapat dipilih sendiri oleh pengunjung, maka sering terjadi ketidakseimbangan lauk yang dijual di sebuah rumah makan padang.
Seringkali ada lauk yang habis lebih cepat dan ada lauk yang tida terjual.
Hal ini terjadi setiap hari, namun tidak dapat dipastikan lauk yang sama akan habis setiap hari.
Hal ini juga dialami salah satu rumah makan padang yang terletak di Kota Singkawang.
Kalimantan Barat dengan nama RM Takana Juo yang berdiri sejak tahun 1998 .
Penelitian ini dilakukan untuk dapat mengelompokkan penjualan lauk pada RM Takana Juo.
Pengelompokkan dilakukan dengan menggunakan data transaksi lauk yang dibeli oleh Data transaksi penjualan akan dilakukan penganalisaan untuk mengetahui kelompok penjualan lauk yang dijual pada rumah makan Takana Juo.
Pengelompokkan penjualan ini merupakan tujuan dari teknik clustering yang ada dalam data mining .
Clustering merupakan teknik yang bisa dipakai untuk menyelesaikan masalah pengelompokkan data .
Clustering akan mengelompokkan data ke dalam sejumlah grup sehingga anggota dalam masing-masing grup memiliki kesamaan yang esensial .
Clustering biasa digunakan untuk menyelesaikan masalah dalam data mining.
Data mining merupakan salah satu cara yang bisa diterapkan untuk memanfaatkan data agar menjadi informasi yang lebih berguna.
Data mining biasanya dipakai untuk mendapatkan pola yang tersembunyi dalam data yang besar dengan memanfaatkan teknik matematika dan statistika .
Data mining juga digunakan untuk menggali data yang tersembunyi dari dalam database .
Hasil dari data mining bisa dipakai untuk membantu pengambilan keputusan selanjutnya .
Algoritma yang bisa dipakai untuk pengelompokkan penjualan menggunakan pendekatan data mining dan teknik clustering adalah algoritma K-Means.
Algortima K-Means adalah metode non-hirarki untuk mengelompokkan sehingga dapat mempartisi data ke dalam kelompok .
Algoritma K-Means merupakan algoritma yang tidak memerlukan proses training sehingga algoritma ini termasuk ke dalam algoritma unsupervised learning .
Penelitian ini akan menguji teknik clustering dalam data mining dengan memakai algoritma K-Means untuk memperoleh kelompok penjualan lauk.
Penelitian ini dilakukan pada RM Takana Juo yang berada di Kota Singkawang yang menjual nasi dan lauk masakan padang.
Hasil penelitian ini akan menjadi masukan bagi pengelola rumah makan untuk mengambil keputusan dalam pengadaan lauk untuk hari berikutnya.
Tinjauan Pustaka Pada penelitian sebelumnya tentang pengelompokkan data penjualan pada tahun 2023 dilakukan oleh Siti Sahara Lubis dan Billy Hendrik.
Pada penelitian ini dijelaskan bahwa masalah utamanya adalah kekurangan dalam peninjauan produk sehingga bermasalah pada permintaan konsumen yang sering tidak terpenuhi.
Penelitian ini menggunakan pendekatan K-Means untuk melakukan pengelompokkan.
Dari penelitian ini diperoleh hasil bahwa terdapat 2 klaster untuk mengelompokkan 20 sampel dataset dari UD.
Martua sehingga diperoleh klaster 1 terdapat 10 produk laris dan klaster 2 terdapat 10 produk tidak laris.
Hasil penelitian ini memberikan kemudahan bagi UD.
Martua dalam mengelompokkan produk .
Penelitian lainnya tentang pengelompokkan data pembelian juga dilakukan pada tahun 2024 menjelaskan bahwa pengelompokkan dilakukan untuk memecahkan masalah pada PT.
Otomotif 1 yaitu kesulitan untuk memantau produk yang disukai oleh pelanggan.
Penelitian ini juga menggunakan algoritma K-Means dengan membagi menjadi 3 klaster dari 30 produk yang Hasil penelitian menunjukkan bahwa produk paling diminati berjumlah 5 buah, produk yang sedikit diminati berjumlah 19 buah dan produk yang kurang diminati berjumlah 6 buah.
Hasil ini dapat membantu PT.
Otomotif 1 dalam mengoptimalkan strategi pemasaran dan manajemen persedian produk .
Masih pada tahun 2024, penelitian lain yang mengelompokkan data penjualan juga dilakukan karena ada masalah dalam menentukan menu potensial yang diminati pelanggan untuk ditingkatkan dalam pengadaannya.
Penelitian ini juga menggunakan algortima K-Means untuk mengelompokkan minat pelanggan.
Penelitian ini menghasilkan 2 klaster optimal dan terbaik dengan metode validasi Silhoutte dan DBI.
Penelitian ini menggunakan dataset sebanyak 107 produk yang dibagi menjadi klaster paling banyak dibeli dan klaster sedikit pembeli .
Progresif: Vol.
No.
Februari 2025: 63-72 Progresif e-ISSN: 2685-0877 Masih pada tahun 2024, penelitian lainnya tentang analisis penjualan produk dilakukan karena terjadi permasalahan dalam menentukan penjualan snack dan minuman.
Penelitian ini menggunakan pendekatan Davies Bouldin Index untuk menentukan jumlah klaster yang optimal.
Hasilnya diperoleh terdapat 3 klaster yang optimal untuk membagi produk tersebut.
Kemudiaan dilanjutkan dengan proses algoritma K-Means untuk mengelompokkan snack dan minuman Hasil penelitian menunjukkan produk yang dijual di dominasi oleh klaster yang berisi produk minuman dan klaster yang berisi snack modern.
Sementara klaster yang berisi snack tradisional perlu perhatian khusus karena sedikit pembeli .
Penelitian lainnya masih di tahun 2024 dilakukan pada CV.
Equipment & Tools yang memiliki masalah tidak memadainya pengarsipan produk.
Penelitian ini juga menggunakan algortima K-Means untuk mengelompokkan 90 barang menjadi 3 klaster.
Hasil penelitian menunjukkan bahwa klaster paling diminati berjumlah 33 produk, klaster cukup diminati berjumlah 19 produk dan klaster kurang diminati berjumlah 38 produk .
Pada penelitian terdahulu digunakan metode K-Medoid atau Fuzzy C-Means untuk mengelompokkan penjualan pada produk e-commerce atau minimarket yang menggunakan parameter harga, promo dan perilaku pelanggan.
State of the art dari penelitian ini adalah penggunaan algoritma K-Means untuk melakukan klasterisasi penjualan lauk masakan padang sebagai domain unik yang fokus pada pengelompokkan penjualan dengan parameter stok awal pada pagi hari dan terjual sampai malam hari.
Validasi untuk mengukur efektivitas klasterisasi menggunakan Silhouette Score.
Kontribusi keilmuan dari penelitian ini adalah adanya wawasan baru dari sektor bisnis makanan tradisional berbasis data dan klasterisasi untuk kategori makanan spesifik.
Metodologi Metodologi yang digunakan dalam penelitian ini dapat dijelaskan dalam beberapa tahap .
Pengumpulan Dataset Penjualan Lauk Penelitian dimulai dengan mengumpulkan data terkait penjualan lauk yang mencakup parameter input seperti stok awal pagi dan jumlah terjual sampai malam.
Sementara untuk paramater output adalah kelompok klaster yang AuStok dan Penjualan TinggiAy dan AuStok dan Penjualan RendahAy.
Data diperoleh dari transaksi penjualan di RM.
Takana Juo sebanyak 20 jenis lauk yang dijual disana.
Penentuan Jumlah Klaster Setelah data terkumpul, langkah berikutnya adalah menentukan jumlah klaster .
yang sesuai dengan kebutuhan rumah makan.
Inisialisasi Centroid Secara Acak Centroid awal ditentukan secara acak yang akan merepresentasikan titik awal pusat dari masing-masing kelompok.
Penghitungan Jarak Data ke Centroid Menghitung jarak setiap data dalam dataset pada setiap centroid memakai Euclidean Distance untuk mendapatkan kedekatan data dengan centroid tertentu.
ya11 = Oo.
cA1ycu Oe ya1ycu )2 .
cA1yc Oe ya1yc )2 .
Pengelompokan Data ke Klaster Terdekat Data dikelompokkan ke klaster dengan jarak centroid terdekat dengan tujuan mengelompokkan data yang memiliki karakteristik serupa.
Hitung Centroid Baru Setelah dikelompokkan, maka hitung centroid baru yaitu rata-rata dari semua data yang berada dalam klaster tersebut.
Pengecekan Konvergensi Proses iterasi algoritma dilanjutkan hingga centroid tidak mengalami perubahan.
Jika centroid yang baru berbeda dengan centroid sebelumnya, proses kembali ke langkah penghitungan jarak data.
Jika centroid sudah tidak berubah, proses selesai.
Pengukuran Validasi Efektifitas Klastersiasi Mengevaluasi kualitas klasterisasi dengan mempertimbangkan seberapa baik data dalam klaster yang sama berkumpul dan seberapa jauh antar-klaster terpisah.
Hasil Akhir Implementasi Algoritma K-Means dalam Klasterisasi a.
Dewi Eka Putri e-ISSN: 2685-0877 Setelah algoritma selesai, setiap lauk sudah dikelompokkan ke dalam cluster yang Hasil ini bisa digunakan oleh pihak RM Takana Juo untuk memahami pola penjualan, mengelola stok dengan lebih efisien, atau mengidentifikasi lauk yang memiliki potensi penjualan tertinggi.
Hasil dan Pembahasan 1 Implementasi Algoritma Penelitian ini menggunakan dataset penjualan lauk masakan padang dari RM Takana Juo.
Dataset yang digunakan merupakan hasil survei penjualan lauk selama satu minggu dalam bulan Juni 2024, sehingga diperoleh rata-rata penjualan lauk dalam satu minggu.
Rata-rata penjualan lauk ini yang digunakan sebagai dataset untuk mendapatkan pengelompokkan Dataset yang diperoleh terdiri dari nama lauk, stok awal pagi .
dan terjual sampai malam .
Penelitian ini akan mengelompokkan lauk yang dijual pada RM.
Takana Juo sebanyak 20 lauk dapat dilihat pada Tabel 1.
Tabel 1.
Dataset lauk yang akan dilakukan klasterisasi Nama Lauk Stok awal pagi Terjual sampai malam .
Asam Pedas Daging Gulai Usus Asam Pedas Ikan Ikan Bakar Ayam Bakar Ikan Goreng Ayam Goreng Bumbu Ikan Gulai Ayam Gulai Palai Teri Ayam Kecap Rendang Ayam Dendeng Kering Rendang Daging Dendeng Basah Telur Dadar Gulai Tunjang Telur Bulat Cabe Gulai Telur Telur Asin Tabel 1 menampilkan dataset yang diperoleh dari RM.
Takana Juo yang terdiri dari 20 jenis lauk yang dijual beserta dengan stok awal pada saat pagi dan jumlah terjual sampai malam Dengan menggunakan dataset ini, penelitian ini akan membantu pihak RM Takana Juo untuk bisa mengetahui lauk yang memiliki frekuensi pembelian yang tinggi sehingga bisa mengoptimalkan pengadaan lauk, agar tidak terjadi penumpukkan lauk sisa setiap harinya karena tidak terjual.
Algoritma K-Means merupakan algoritma dalam teknik clustering yang memiliki tujuan untuk mengklaster data ke dalam k klaster berdasarkan kedekatan jarak.
Dari dataset yang sudah tampilkan pada Tabel 1, maka langkah yang digunakan dalam memproses dataset Anda dengan algoritma K-Means adalah:
Dataset yang sudah dikumpulkan terkait penjualan lauk pada Rumah Makan Takana Juo meliputi 3 atribut yaitu:
Nama Lauk .
ategori, akan diabaikan untuk clustering numeri.
Stok Awal Pagi .
Terjual Sampai Malam .
Proses Algoritma K-Means untuk mendapatkan klasterisasi penjualan lauk pada Rumah Makan Takana Juo yang meliputi:
Persiapan Data.
Progresif: Vol.
No.
Februari 2025: 63-72 Progresif e-ISSN: 2685-0877 Menghilangkan atribut yang tidak relevan yaitu Nama Lauk, kemudian melakukan normalisasi nilai numerik untuk mencegah atribut dengan skala besar mendominasi perhitungan jarak .
ari dataset yang digunakan, proses normalisasi tidak dilakukan Menentukan jumlah klaster .
Pada penelitian ini penentuan nilai k diperoleh dari keinginan pemilik Rumah Makan Takana Juo yang ingin mengelompokkan penjualan lauk menjadi 2 klaster yaitu klaster AuStok dan Penjualan TinggiAy dan klaster AuStok dan Penjualan RendahAy Menentukan 2 titik pusat klaster .
Nilai centroid bisa dibangkitkan secara acak, bisa diambil dari 2 titik dataset yang ada, bisa dibangkitkan dari nilai selain dari dataset.
Untuk penelitian ini akan digunakan nilai centroid selain dari dataset yang dibangkitkan secara acak yaitu C1 = .
, .
dan C2 = .
, .
Menghitung jarak masing-masing titik dataset dengan centroid Pada tahap ini digunakan rumus Eucledian Distances untuk mendapatkan jarak masing-masing data ke centroid.
Untuk jarak lauk AuAsam Pedas DagingAy ke C1 = .
, .
ya11 = Oo.
Oe .
Oe .
2 = Oo296 = 17.
Sementara untuk jarak lauk AuAsam Pedas DagingAy dan C2 = .
, .
ya21 = Oo.
Oe .
Oe .
2 = Oo61 = 7.
Perhitungan ini dilakukan sampai ke lauk terakhir yaitu AuTelur AsinAy, sehingga diperoleh jarak antara masing-masing lauk dengan masing-masing centroid dapat dilihat pada Tabel 2.
Tabel 2.
Jarak masing-masing lauk dengan masing-masing centroid Nama Lauk Jarak ke Jarak ke C1 = .
, .
C2 = .
, .
Asam Pedas Daging Gulai Usus Asam Pedas Ikan Ikan Bakar Ayam Bakar Ikan Goreng Ayam Goreng Bumbu Ikan Gulai Ayam Gulai Palai Teri Ayam Kecap Rendang Ayam Dendeng Kering Rendang Daging Dendeng Basah Telur Dadar Gulai Tunjang Telur Bulat Cabe Gulai Telur Telur Asin Dari Tabel 2 diatas dapat dilihat bahwa terdapat kelompok lauk yang dekat ke C 1 dan ada kelompok lauk yang lebih dekat ke C2.
Kelompok lauk yang dekat ke C1 .
adalah : Asam Pedas Ikan.
Ayam Bakar.
Ayam Goreng Bumbu.
Ayam Gulai.
Dendeng Kering.
Dendeng Basah.
Rendang Ayam dan Rendang Daging.
Sementara kelompok lauk yang dekat ke C2 .
adalah : Asam Pedas Daging.
Ayam Kecap.
Gulai Tunjang.
Gulai Telur.
Gulai Usus.
Ikan Bakar.
Ikan Goreng.
Ikan Gulai.
Palai Teri.
Telur Dadar.
Telur Bulat Cabe dan Telur Asin.
Implementasi Algoritma K-Means dalam Klasterisasi a.
Dewi Eka Putri e-ISSN: 2685-0877 Hitung centroid baru menggunakan data anggota dari setiap klaster.
Untuk menghitung nilai centroid 1 yang baru (C1bar.
dilakukan dengan menghitung rata-rata dari dataset yang masuk ke dalam klaster 1.
ya1ycaycaycyc = ( ) = .
Sementara untuk menghitung nilai centroid 2 yang baru (C2bar.
dilakukan dengan menghitung rata-rata dari dataset yang masuk ke dalam klaster 2.
ya2ycaycaycyc = ( ) = .
Karena centroid baru tidak sama dengan centroid lama, maka hitung kembali jarak setiap dataset ke C1baru dan C2baru.
Untuk jarak lauk AuAsam Pedas DagingAy ke C1 = .
ya11 = Oo.
Oe 37.
Oe 31.
2 = Oo268.
02 = 16.
Sementara untuk jarak lauk AuAsam Pedas DagingAy dan C2 = .
ya21 = Oo.
Oe 19.
Oe 15.
2 = Oo49.
76 = 7.
Perhitungan ini dilakukan sampai ke lauk terakhir yaitu AuTelur AsinAy, sehingga diperoleh jarak antara masing-masing lauk dengan masing-masing centroid baru dapat dilihat pada Tabel 3.
Tabel 3.
Jarak masing-masing lauk dengan masing-masing centroid baru Nama Lauk Jarak ke Jarak ke C1baru = .
C2baru = .
Asam Pedas Daging Gulai Usus Asam Pedas Ikan Ikan Bakar Ayam Bakar Ikan Goreng Ayam Goreng Bumbu Ikan Gulai Ayam Gulai Palai Teri Ayam Kecap Rendang Ayam Dendeng Kering Rendang Daging Dendeng Basah Telur Dadar Gulai Tunjang Telur Bulat Cabe Gulai Telur Telur Asin .
Dari Tabel 3 diatas dapat dilihat bahwa tidak terjadi perubahan anggota masing-masing Sehingga kelompok lauk yang dekat ke C1 .
adalah : Asam Pedas Ikan.
Ayam Bakar.
Ayam Goreng Bumbu.
Ayam Gulai.
Dendeng Kering.
Dendeng Basah.
Rendang Ayam dan Rendang Daging.
Sementara kelompok lauk yang dekat ke C 2 .
adalah : Asam Pedas Daging.
Ayam Kecap.
Gulai Tunjang.
Gulai Telur.
Gulai Usus.
Ikan Bakar.
Ikan Goreng.
Ikan Gulai.
Palai Teri.
Telur Dadar.
Telur Bulat Cabe dan Telur Asin.
Karena tidak ada perubahan anggota klaster, maka proses klasterisasi dihentikan.
Sehingga akan terbagi kelompok menjadi dua klaster dengan masing-masing anggota yang ditunjukkan pada Tabel 4.
Progresif: Vol.
No.
Februari 2025: 63-72 Progresif e-ISSN: 2685-0877 Tabel 4.
Anggota untuk masing-masing klaster Klaster Nama Lauk Asam Pedas Ikan Ayam Bakar Ayam Goreng Bumbu Stok dan Ayam Gulai Penjualan Rendang Ayam Tinggi Dendeng Kering Rendang Daging Dendeng Basah Asam Pedas Daging Gulai Usus Ikan Bakar Ikan Goreng Stok dan Ikan Gulai Penjualan Palai Teri Rendah Ayam Kecap Telur Dadar Gulai Tunjang Telur Bulat Cabe Gulai Telur Telur Asin Dari Tabel 4 diatas dapat divisualisasikan ke dalam bentuk scatter plot, sehingga dapat dilihat bentuk kelompok data dari masing-masing lauk yang dijual di RM Takana Juo.
Hasil scatter plot ditampilkan dalam Gambar 2.
Gambar 2.
Visualisasi klaster dalam bentuk scatter plot Dari Gambar 2 dapat dilihat bahwa data yang memiliki stok awal dan jumlah terjual rendah cenderung dikelompokkan bersama yaitu lauk dengan stok awal 15-25 dan terjual 10-20.
Klaster ini memiliki tingkat penjualan rendah karena stok yang tersedia di pagi hari juga sedikit.
Pihak RM Takana Juo perlu mempertimbangkan pengadaan lauk pada klaster ini untuk pengadaan berikutnya agar tidak terjadi pemborosan karena tidak terjual.
Sementara data dengan stok awal lebih besar (>.
dan penjualan lebih tinggi (>.
membentuk klaster terpisah.
Klaster ini menunjukkan tingkat permintaan yang tinggi dimana stok yang banyak pada pagi hari cenderung mendekati habis pada malam hari.
Pihak RM Takana Juo perlu meningkatkan jumlah stok lauk pada hari berikutnya untuk memenuhi permintaan pelanggan dan menghindari kehabisan stok.
Implementasi Algoritma K-Means dalam Klasterisasi a.
Dewi Eka Putri e-ISSN: 2685-0877 2 Pengukuran Validasi Efektifitas Kinerja Algoritma Untuk mengukur validasi kinerja algoritma K-Means digunakan Silhouette Score untuk mengevaluasi kualitas klasterisasi dengan mempertimbangkan data dalam klaster yang sama berkumpul dan seberapa jauh antar klaster terpisah.
Berdasarkan hasil perhitungan Silhouette Score yang sudah dilakukan, diperoleh hasil Silhouette Score dengan nilai 0.
Hasil ini menunjukkan bahwa data dalam setiap klaster cukup terkelompok dengan baik karena dekat dengan masing-masing titik pusat klasternya.
Jarak antar klaster cukup jauh sehingga tidak ada data yang bercampur dengan klaster lainnya.
Hal ini mengindikasikan bahwa data stok awal pagi dan terjual sampai malam menunjukkan adanya pengelompokkan yang cukup konsisten sehingga setiap klaster memiliki karakteristik yang dapat diindenfitikasi.
Hasil klasterisasi cukup baik untuk mendukung pengambilan keputusan bisnis untuk RM Takana Juo sehingga dapat menggunakan klaster ini untuk menentukan stok pada hari berikutnya.
Hasil ini dapat dilihat pada Silhouette Plot pada Gambar 3.
Gambar 3.
Visualisasi hasil Silhouette Score dalam bentuk Silhouette Plot Dari Gambar 3 dapat dilihat bahwa sebagian besar data pada klaster 1 memiliki Silhouette coefficient lebih baik dari klaster 2 yaitu lebih banyak mendekat 0.
7, sehingga klaster ini terdefinisi denagn baik.
Sementara, sebagian klaster 2 memiliki Silhouette coefficient yang cukup baik dan diatas rata-rata mendekati 0.
Namun ada sebagian kecil data dengan nilai 4 yang berarti berada di perbatas klaster.
Nilai Silhouette score sama dengan 0.
menunjukkan kualitas klasterisasi yang cukup baik karena kedua klaster memiliki distribusi Silhouette coefficient yang positif, sehingga menunjukkan bahwa pengelompokkan cukup jelas.
Dengan hasil klastersiasi yang cukup baik ini, pihak RM Takana Juo dapat menggunakan hasil klasterisasi untuk merencanakan stok dan trategi penjualan pada hari berikutnya.
3 Pembahasan Penelitian yang dilakukan ini menggunakan algoritma K-Means untuk melakukan klasterisasi penjualan berdasarkan stok awal pagi hari dan jumlah terjual samppai malam hari sebagai acuan dalam pengadaan lauk untuk hari berikutnya.
Pada penelitian sebelumnya, algoritma K-Means banyak digunakan untuk optimalisasi stok gudang untuk mengurangi pemborosan stok .
dan penentuan ketersediaan stok barang berdasarkan permintaan .
Pada penelitian ini memberikan kontribusi yang lebih spesifik terhadap usaha kecil dalam bidang kuliner yaitu merencanakan pengadaan lauk masakan Padang, sehingga memperluas penggunaan K-Means ke sektor yang lebih kecil karena dapat melakukan pengaturan stok harian untuk mengurangi pemborosan.
Pada penelitian sebelumnya, parameter yang sering digunakan untuk melakukan klasterisasi stok adalah jumlah permintaan bulanan atau mingguan .
, merk dan harga produk .
Pada penelitian ini parameter yang digunakan untuk klaasterisasi penjualan fokus pada Progresif: Vol.
No.
Februari 2025: 63-72 Progresif e-ISSN: 2685-0877 parameter stok harian yaitu stok awal pagi dan terjual sampai malam yang relevan pada bisnis dengan siklus stok yang pendek.
Hal ini memberikan kontribusi untuk penerapan algoritma KMeans pada data yang bersifat harian dan dinamis.
Penelitian sebelumnya melakukan validasi hasil klasterisasi dengan Silhouette Score yang menghasilkan nilai diatas 0.
5 dengan jumlah 3 klaster .
Penelitian ini relevan dengan penelitian sebelumnya yang juga menghasilkan nilai Silhouette Score sebesar 0.
57 dengan jumlah 2 klaster.
Hal ini menunjukkan bahwa validasi hasil klasterisasi cukup baik untuk mendukung pengambilan keputusan.
Simpulan Penelitian ini berhasil mengimplementasikan algoritma K-Means untuk melakukan pengelompokkan penjualan lauk pada RM Takana Juo.
Dari hasil dan pembahasan sebelumnya, algoritma K-Means mampu melakukan pengelompokkan data penjualan lauk ke dalam dua klaster berdasarkan stok awal dan jumlah penjualan.
Klaster pertama merupakan klaster lauk dengan stok awal dan penjualan yang lebih tinggi, sementara klaster kedua adalah klaster lauk dengan stok awal dan penjualan yang relatif rendah.
Dari hasil pengelompokkan yang sudah dilakukan, terbukti dapat membantu RM Takana Juo dalam memahami karakteristik pembeli.
Disamping itu.
RM Takana Juo juga dapat lebih efektif dalam menentukan jumlah stok awal sehingga dapat mengatasi masalah kelebihan atau kekurangan stok.
Penelitian ini memberikan kontribusi spesifik terhadap usaha kecil di bidang kuliner yaitu merencanakan pengadaan lauk masakan Padang sehingga dapat mengatur stok harian untuk mengurangi pemborosan.
Parameter yang digunakan untuk klaasterisasi fokus pada stok harian yaitu stok awal pagi dan terjual sampai malam.
Validasi kinerja metode sudah dilakukan untuk meningkatkan efektivitas algoritma K-Means yang digunakan.
Hasil validasi menunjukkan nilai rata-rata Silhouette Score sebesar 0.
57 yang menunjukkan bahwa algoritma K-Means berhasil mengelompokkan data dengan cukup baik.
Klaster yang dihasilkan memisahkan data menjadi kelompok yang berbeda yaitu AuStok dan Penjualan TinggiAy dan AuStok dan Penjualan RendahAy berdasarkan stok dan penjualan harian.
Penggunaan parameter stok awal pagi dan jumlah terjual hingga malam sangat relevan dalam penentuan stok harian sehingga membantu pihak RM Takana Juo dalam menentukan pola permintaan harian untuk pengambilan keputusan terkait perencanaan stok pada hari berikutnya.
Dari hasil validasi yang sudah dilakukan, mengindikasikan bahwa adanya potensi meningkatkan hasil akurasi dari algoritma K-Means dengan menyesuaikan jumlah klaster menggunakan teknik kombinasi algoritma atau menambah parameter yang relevan.
Penelitian ini masih butuh penelitian lanjutan yang lebih mendalam dan dapat memberikan manfaat yang lebih besar untuk pengelola rumah makan masakan Padang.
Daftar Referensi Andriyanty.
Aras.
Afuani, dan A.
Nurfallah.
AuStrategi Pengembangan Bisnis Rumah Makan Padang Di Sekitar Lingkar Kampus IBI Kosgoro 1957,Ay Mediastima, vol.
26, no.
1, hal.
18Ae39, 2020, doi: 10.
55122/mediastima.
Herdiansah.
Sugiyani, dan R.
Septarini.
AuPenerapan Pembelajaran E-Bisnis Siswa Pkbm Paja Mandiri Pada Pembuatan Prototipe Sistem Rumah Makan Masakan Padang Kutabumi,Ay JIKA (Jurnal Inform.
, vol.
4, no.
2, hal.
39, 2020, doi: 10.
31000/jika.
Manalu dan A.
Setiawan.
AuAnalisis Rantai Pasok Terhadap Penentuan Harga Jual Rumah Makan Padang Di Sukarami,Ay Pros.
Natl.
Semin.
Account.
UKMC, vol.
1, no.
279Ae285, 2022, [Darin.
Tersedia pada: https://journal.
id/index.
php/pnsoa/article/view/599.
Wardi.
Abror, dan O.
Trinanda.
AuService Excellent Rumah Makan Padang Dalam Perspektif Wisata Islami,Ay Int.
Community Serv.
Learn.
, vol.
3, no.
3, hal.
133Ae137, 2019, doi: 10.
23887/ijcsl.
Putri dan E.
Mandala.
AuImplementasi Algoritma FP-Growth Untuk Menemukan Pola Frekuensi Pembelian Lauk Pada Rumah Makan Takana Juo,Ay Media Inform.
Budidarma, vol.
5, no.
1, hal.
242Ae250, 2021, doi: 10.
30865/mib.
Al Rasyid.
Soebari, dan D.
Kartika.
AuImplementasi Algoritma K-Means Clustering Untuk Pengelompokan Penjualan Produk Pada Online Shop Toko Gizi,Ay Pros.
Semin.
Nas.
Teknol.
dan Sist.
Inf.
, vol.
2, no.
1, hal.
242Ae248, 2022, doi:
33005/sitasi.
Implementasi Algoritma K-Means dalam Klasterisasi a.
Dewi Eka Putri e-ISSN: 2685-0877 Ao Izzah dan A.
Jananto.
AuPenerapan Algoritma K-Means Clustering Untuk Perencanaan Kebutuhan Obat Di Klinik Citra Medika,Ay Progresif J.
Ilm.
Komput.
, vol.
18, no.
1, hal.
2022, doi: 10.
35889/progresif.
Holwati.
Widodo, dan W.
Hadikristanto.
AuPengelompokan Untuk Penjualan Obat Dengan Menggunakan Algoritma K-Means,Ay Bull.
Inf.
Technol.
, vol.
4, no.
2, hal.
408Ae413, 2023, doi: 10.
47065/bit.
Khakim dan A.
Jananto.
AuImplementasi Data Mining Menggunakan Algoritme Apriori Guna Menemukan Pola Pembelian Pelanggan Pada Klinik Kecantikan,Ay Progresif Ilm.
Komput.
, vol.
19, no.
1, hal.
359Ae366, 2023.
Wahyudi.
SaAoadah, dan D.
Puspitasari.
AuPenerapan Metode K-Means Pada Data Penjualan Untuk Mendapatkan Produk Terlaris Di PT.
Titian Nusantara Boga,Ay J.
Sains dan Teknol.
, vol.
5, no.
1, hal.
228Ae236, 2023, doi: 10.
55338/saintek.
Penerapan.
Riadi dan Mesran.
AuPenerapan Data Mining Menggunakan Algoritma K-Means Untuk Analisa Penjualan Parfume,Ay J.
Informatics.
Electr.
Electron.
Eng.
, vol.
2, no.
4, hal.
138Ae 145, 2023, doi: 10.
47065/jie.
Sari dan I.
Beti.
AuPenerapan Data Mining Dalam Pengelompokkan Buku Yang Dipinjam Menggunakan Algoritma K-Means,Ay KLIK Kaji.
Ilm.
Inform.
dan Komput.
, vol.
6, hal.
925Ae933, 2023, doi: 10.
30865/klik.
Azmi.
Hafsah.
Yuyun, dan H.
Hazriani.
AuPenerapan Metode K-Means Clustering Dalam Mengelompokkan Data Penjualan Obat pada Apotek M23,Ay Pros.
SISFOTEK, hal.
244Ae248, 2023, [Darin.
Tersedia pada: http://w.
id/index.
php/SISFOTEK/article/view/407http://w.
id/index.
p/SISFOTEK/article/download/407/339.
Lubis dan B.
Hendrik.
AuImplementasi Data Mining Untuk Mengelompokkan Data Penjualan Berdasarkan Pembelian Pada UD.
Martua Dengan Menggunakan Algoritma KMeans,Ay J.
Sist.
Inf.
dan Ilmu A, vol.
1, no.
3, hal.
36Ae41, 2023, [Darin.
Tersedia pada:
https://journal.
id/index.
php/jusiikwidyakarya/article/view/1531https://journal.
id/index.
php/jusiikwidyakarya/article/download/1531/1563.
Susilo.
Hilabi.
Priyatna, dan E.
Novalia.
AuImplementasi Data Mining dalam Pengelompokan Data Pembelian Menggunakan Algoritma K-Means Pada PT.
Otomotif 1,Ay Jutisi J.
Ilm.
Tek.
Inform.
dan Sist.
Inf.
, vol.
13, no.
1, 2024.
Mayori dan Y.
Tresnawati.
AuImplementasi Algoritma K-Means Clustering Pada Penjualan Makanan (Studi Kasus : Ayam Betutu Warung Wardan.
,Ay AGENTS J.
Artif.
Intell.
Data Sci.
, vol.
4, no.
1, hal.
1Ae12, 2024, doi: doi.
org/10.
24252/jagti.
Sholekha.
Irawan, dan A.
Bahtiar.
AuAnalisis Penjualan Produk Snack Dan Minuman Menggunakan Metode K-Means Pada Dataset Transaksi Penjualan,Ay JATI (Jurnal Mhs.
Tek.
Inform.
, vol.
8, no.
3, hal.
2533Ae2539, 2024, doi: doi.
org/10.
36040/jati.
Julia.
Priyatna.
Tukino, dan S.
Hilabi.
AuPenerapan Metode K-Means Clustering Untuk Menentukan Jumlah Penjualan Terlaris Pada CV.
Equipment & Tools,Ay Jutisi J.
Ilm.
Tek.
Inform.
dan Sist.
Inf.
, vol.
13, no.
1, hal.
428Ae438, 2024, doi:
35889/jutisi.
Samsudin.
Martanto, dan U.
Hayati.
AuOptimalisasi Stok Barang Melalui Algoritma KMeans Clustering Analisis Untuk Manajemen Persediaan Dalam Konteks Bisnis Modern,Ay JATI (Jurnal Mhs.
Tek.
Inform.
, vol.
8, no.
3, hal.
3572Ae3580, 2024, doi:
36040/jati.
Azis dan Sutisna.
AuPenerapan Data Mining untuk Menentukan Ketersediaan Stok Barang Berdasarkan Permintaan Konsumen di PT Indonesia Thai Summit Plastech Menggunakan K-Means Clustering,Ay J.
Indones.
Manaj.
Inform.
dan Komun.
, vol.
5, no.
3, hal.
3099Ae3106, 2024.
Nur.
Saiful.
Bahtiar, dan M.
Hidayat.
AuPenerapan Algoritma K-Means Clustering Dalam Mengelompokkan Smartphone Yang Rekomendasi Berdasarkan Spesifikasi,Ay Infotek J.
Inform.
dan Teknol.
, vol.
7, no.
2, hal.
478Ae488, 2024.
Arkana.
Hartoyo.
Hidayat.
Aura, dan D.
Aldo.
AuStrategi Pengelompokan Stok Produk Toko Pertanian untuk Optimalisasi Manajemen Persediaan Menggunakan Metode K-Means Clustering,Ay Conf.
Electr.
Eng.
Informatics.
Ind.
Technol.
Creat.
Media 2024, vol.
4, no.
1, hal.
1114Ae1123, 2024.
Progresif: Vol.
No.
Februari 2025: 63-72