Jurnal Infortech Volume 7 No.
2 Desember 2025
E-ISSN: 2715-8160
Analisis Segmentasi Wilayah Penjualan menggunakan Algoritma K-Means Clustering Erdin Gari1.
Retno Sari2 Universitas Nusa Mandiri / Informatika e-mail: erdingari599@gmail.
com, 2retno.
rnr@nusamandiri.
Diterima 09-10-2025 Direvisi 11-11-2025 Disetujui 22-12-2025 Abstrak - Persaingan bisnis pada era saat ini merupakan tantangan besar pada suatu perusahaan dalam meningkatkan jumlah penjualan suatu produk, sehingga perusahaan dituntut merancang strategi penjualan yang efektif dan tepat sasaran.
Salah satu tantangan yang dihadapi oleh PT Masada Abadi.
Tangerang, adalah bagaimana menentukan wilayah penjualan kabel listrik yang optimal guna meningkatkan daya saing dan volume penjualan di Tengah persaingan yang cukup kompetetif pada saat ini.
Permasalahan yang dihadapi PT Masada Abadi.
Tangerang, terdapat pada analisa pola pembelian pelanggan berdasarkan wilayah yang tidak optimal sehingga menghambat efektivitas strategi pemasaran dan distribusi produk.
Mengatasi permalasahan tersebut, penelitian ini menerapkan algoritma K-Means clustering sebagai solusi dalam mengoptimalkan wilayah penjualan kabel listrik berdasarkan data.
Pemilihan algoritma K-Means clustering bertujuan agar pola penjualan di kelompokkan berdasarkan jumlah penjualan dan total penjualan pada setiap jenis kabel di semua wilayah penjualan sehingga menghasilkan visualisasi klaster yang dapat diinterpretasikan.
Hasil pengujian dari penerapan algoritma K-Means clustering diperoleh 3 cluster wilayah penjualan dengan wilayah penjualan paling rendah terdapat 3 wilayah yaitu Tanggerang.
Surabaya dan Jakarta Selatan, wilayah penjualan sedang terdapat 4 wilayah yaitu Jakarta pusat.
Bandung.
Jakarta Timur dan Jogjakarta, dan wilayah penjualan paling tinggi terdapat 3 wilayah yaitu Kalimantan.
Jakarta Barat dan Bekasi.
Kata Kunci: K-means.
Clustering.
Penjualan Kabel Listrik.
Abstract - Business competition in the current era is a big challenge for a company in increasing the number of sales of a product, so that the company is required to design an effective and targeted sales strategy.
One of the challenges faced by PT Masada Abadi.
Tangerang, is how to determine the optimal sales area for electrical cables to increase competitiveness and sales volume in the midst of quite competitive competition at this time.
The problem faced by PT Masada Abadi.
Tangerang, lies in the analysis of customer purchasing patterns based on non-optimal regions, thus hampering the effectiveness of product marketing and distribution strategies.
overcome this problem, this study applies the K-Means clustering algorithm as a solution in optimizing the sales area for electrical cables based on data.
The selection of the K-Means clustering algorithm aims to group sales patterns based on the number of sales and total sales for each type of cable in all sales areas so as to produce interpretable cluster visualization.
The test results from the K-Means clustering algorithm yielded three clusters of sales regions.
The three regions with the lowest sales were Tangerang.
Surabaya, and South Jakarta.
the four regions with the medium sales were Central Jakarta.
Bandung.
East Jakarta, and Yogyakarta.
and the three regions with the highest sales were Kalimantan.
West Jakarta, and Bekasi.
Keywords: K-means.
Clustering.
Electrical Cable Sales PENDAHULUAN Pemanfaatan data saat ini merupakan kebutuhan yang tidak dapat dihindari untuk mendukung pengambilan keputusan.
Data yang dimiliki dianalisi untuk mendapatkan informasi yang Perusahaan harus mampu memahami penjualannya, karena dua hal ini merupakan hal yang http://ejournal.
id/ejurnal/index.
php/infortech Pengetahuan mengenai wilayah penjualan, sangat diperlukan perusahaan dalam mententukan keputusan, karena setiap wilayah memiliki karakteristik yang berbeda sehingga teknik dalam pemasarannyapun berbeda.
Untuk mengetahui tantangan apa saja yang dihadapi dalam pemasaran produk di wilayah-wilayah diperlukan analisis data.
Pendekatan yang dapat dilakukan untuk melakukan analisis data dengan menggunakan data mining.
PT Benteng Masada Abadi memiliki tantangan sendiri dalam mengelola distribusi serta Jurnal Infortech.
Volume 7 No.
2 Desember 2025
E-ISSN 2715-8160
pemasaran produknya.
PT Benteng Masada Abadi belum melakukan analisis segmentasi wilayah sehingga belum ada pengelompokan wilayah.
Data penjualan yang ada belum dimanfaatkan dengan maksimal sehingga pengambilan keputusan seperti penentuan prioritas pemasaran dan distribusi menjadi kurang optimal.
Analisis segmentasi dinilai dapat memberikan solusi kepada perusahaan untuk meningkatkan efisiensi strategi pemasaran (Perdana et al.
, 2.
Segmentasi memungkinkan perusahaan mendapatkan manfaat karena dapat memasarkan produk berdasarkan kebutuhan pelanggan individu(Rohman & Wibowo, 2.
Menganalisis segmentasi pasar menjadi sangat penting untuk memahami siapa yang akan menjadi pangsa pasar dan mengetahui segmentasi(Annisa & Rusvinasari, 2.
Data mining merupakan salah satu solusi dalam segmentasi(Ahsina et al.
, 2.
Metode clustering digunakan untuk menemukan struktur klaster dalam suatu data yang dicirikan oleh kesamaan terbesar dalam klaster yang sama dan perbendaan terbesar anatara klaster yang berbeda (Sinaga & Yang, 2.
Metode clustering dainggap sangat penting karena mengkategorikan kumpulan data yang besar ke dalam kelompok-kelompok yang mudah dipahami dan bermakna, mengungkap pola dan struktur tersembunyi(Miraftabzadeh et al.
, 2.
Metode clustering yang banyak digunakan yaitu meode k-means, karena metode yang populer untuk mengelompokan karena kesederhanaan, implementasinya (Miraftabzadeh et al.
, 2.
, serta populer untuk identifikasi kesamaan antar objek berdasarkan vektor jarak yang cocok untuk kumpulan data kecil (Abdullah et al.
, 2.
dan dinilai mudah dimengerti dan efektif dalam mengelompokan data (Syaharani et al.
, 2.
Telah dilakukan penelitian sebelumnya yaitu telah dianalisis proses penerimaan mahasiswa baru belum dioptimalkan.
Tidak ada pengelompokan calon mahasiswa berdasarkan karakteristik tertentu yang dapat dijadikan dasar pengambilan keputusan strategis dalam pemilihan program studi.
Penelitian ini bertujuan untuk melakukan pengelompokan data mahasiswa baru dengan menerapkan pendekatan KMeans Clustering dan bantuan aplikasi RapidMiner, serta mencari jumlah kluster (K) optimal berdasarkan evaluasi Davies Bouldin Index.
Hasil penelitian menunjukan bahwa penerapan algoritma K-Means menghasilkan 2 kluster optimal dengan nilai Davies Bouldin Index = -0.
Penerapan metode K-Means Clustering pada penelitian ini akan memberikan dampak positif terhadap peningkatan dan efesiensi di masa mendatang(Ilmiyah & Bahtiar, 2.
Kampus STMIK Primakara membutuhkan strategi pemasaran yang baik dalam melakukan promosi untuk mendapatkan target mahasiswa agar http://ejournal.
id/ejurnal/index.
php/infortech lebih efektif dan efisien.
Pendekatan yang belum digunakan adalah pola pendaftaran mahasiswa berdasarkan wilayah, program studi dan gelombang.
Penelitian ini menerapkan metode K-Means Clustering yang bertujuan mengelompokan data mahasiswa baru dengan menerapkan clustering guna mengetahui wilayah asal, program studi pilihan dan Waktu pendaftaran paling diminati, sehingga hasil pengelompokan dapat dijadikan dasar untuk mengatur strategi proses promosi yang lebih efektif dan tepat sasaran.
Hasil penelitian yang telah dilakukan menghasilkan 3 cluster yaitu cluster 0 sebanyak 906 mahasiswa, cluster 1 sebanyak 28 mahasiswa dan cluster 2 sebanyak 77 mahasiswa.
Berdasarkan hasil pengelompokan ini, disimpulkan bahwa mahasiswa terbanyak berasal dari Denpasar Timur dan Gianyar dengan program studi sistem informasi dan teknik informatika serta mendaftar di gelombang pertama, mahasiswa paling sedikit berasal dari Kupang dan Larantuka dengan program studi sistem informasi dan teknik informatika serta mendaftar di gelombang pertama dan mahasiswa dengan jumlah rata-rata berasal dari Bekasi dengan program studi sistem informasi dan teknik informatika serta mendaftar di gelombang pertama (Tensao et al.
, 2.
Penelitian ini bertujuan untuk mengetahui segmentasi wilayah penjualan agar mendapatkan solusi yang tepat untuk mengatasi wilayah penjualan yang rendah dan memaksimalkan penjualan pada wilayah penjualan tertinggi.
METODE PENELITIAN
Tahapan penelitian dapat dilihat pada gambar Sumber: .
asil Penelitian, 2.
Gambar 1 Tahapan Penelitian Jurnal Infortech.
Volume 7 No.
2 Desember 2025
E-ISSN 2715-8160
Berdasarkan gambar tahapan penelitian, berikut adalah uraian mengenai tahapan penelitian dari setiap proses yang dilakukan :
Identifikasi masalah Identifikasi masalah dilakukan melalui analisis terhadap kondisi perusahaan, di mana ditemukan ketidaksesuaian antara potensi data transaksi wilayah penjualan yang dimiliki dengan pemanfaatannya saat ini.
Identifikasi masalah dilakukan dengan mengetahui PT Benteng Masada Abadi memiliki data transaksi penjualan yang tersebar di berbagai pengelompokan atau segmentasi wilayah berdasarkan potensi penjualan dan lokasi Akibatnya, strategi pemasaran belum optimal karena tidak diperolehnya data yang akurat.
Kebutuhan pengelompokan wilayah menggunakan metode analisis seperti K-Means Clustering untuk membantu kesamaan pola transaksi dan lokasi, sehingga perusahaan dapat fokus pada wilayah dengan potensi penjualan tertinggi.
Studi Pustaka Tahapan yang dimana peneliti melakukan pencarian berbagai literatur atau sumbersumber informasi yang berkaitan dengan topik Sumber-sumber dapat berupa buku, artikel jurnal, disertasi, tesis, laporan penelitian, dan sumber-sumber terpercaya lainnya yang terkait dengan topik penelitian.
Menentukan dan menyusun instrumen Pada tahapan ini, instrumen penelitian ditentukan berdasarkan wilayah penjualan, jumlah transaksi, volume penjualan, tipe kabel listrik, merek kabel listrik dan tipe konsumen berdasarkan data yang ada pada PT Benteng Masada Abadi dan data tersebut diperoleh peneliti dengan melakukan pengambilan data laporan penjualan langsung di PT Benteng Masada Abadi.
Pengumpulan data Data dikumpulkan berdasarkan kebutuhan pada instrumen penelitian yang telah ditentukan sebelumnya dimana data yang dikumpulkan adalah data primer atau data yang diperoleh langsung dari PT Benteng Masada Abadi.
Teknik pengumpulan data yang digunakan penulis merupakan purposive sampling dimana data tersebut dikumpulkan dalam periode Januari 2024 hingga Desember Proses pengumpulan dilakukan secara sistematis sehingga hasil analisis dapat mencerminkan kondisi secara akurat dalam periode waktu tersebut.
Data Primer Data primer adalah data yang diperoleh peneliti dari sumbernya aslinya secara http://ejournal.
id/ejurnal/index.
php/infortech langsung berdasarkan hasil wawancara, observasi, survey atau eksperimen.
Teknik pengumpulan data yang digunakan penulis merupakan purposive sampling dimana data tersebut dikumpulkan dalam periode januari 2024 hingga desember 2024.
Proses pengumpulan dilakukan secara sistematis sehingga hasil analisis dapat mencerminkan kondisi secara akurat dalam periode waktu Penerapan Metode Metode K-Means clustering di terapkan secara manual oleh peneliti dan kemudian dilakukan pengujian menggunakan aplikasi RapidMiner versi 10.
Tahapan manual dan menggunakkan RapidMiner dilakukan penulis perhitungan manual dengan hasil pengujian sehingga dapat diperoleh kesimpulan yang dapat dibuktikan terkait hasil yang diperoleh memiliki hasil yang sama atau memiliki Hasil pembahasan Hasil pembahasan merupakan analisa peneliti berdasarkan penerapan metode dan pengujian Pada tahapan ini penulis menguraikan seluruh tahapan dari proses perhitungan dan pengujian hingga memperoleh sebuah Kesimpulan Kesimpulan merupakan tahap akhir yang diambil peneliti dari hasil penelitian dimana pada tahapan ini penulis memberikan poin penting dari hasil penelitian yang dilakukan sehingga dapat diketahui secara ringkas terkait hasil penelitian.
HASIL DAN PEMBAHASAN
Sample Data Sampel data yang digunakan adalah data penjualan kabel listrik dari bulan Januari sampai dengan Desember 2024 dengan total jenis kabel adalah 11 dan total wilayah penjualan adalah 10.
Sampel data dapat dilihat pada tabel 1 Sampel Data Normalisasi Sampel Data Sebelum menerapkan metode K-Means sampel data dilakukan normalisasi dengan menggunakan decimal scaling method yang mana data dibagi 000 atau .
, sehingga nilai yang 000 menjadi 10.
Normalisasi ini bertujuan agar data menjadi sederhana dan mudah dipahami serta sederhana.
Hasil normalisasi dapat dilihat pada tabel 2 sampel data hasil normalisasi Penerapan Algoritma K-Means .
Menentukan jumlah cluster Jumlah cluster yang digunakan sebanyak 3 Jurnal Infortech.
Volume 7 No.
2 Desember 2025
E-ISSN 2715-8160
= tinggi = sedang = rendah Keterangan :
Cluster dibagi 3 dilakukan untuk menentukan dan melakukan perbandingan setiap wilayah tingkat penjualan rendah, sedang dan tinggi.
Pembagian cluster ditentukan berdasarkan total penjualan dari setiap wilayah penjualan dimana total penjualan pada setiap wilayah bergantung pada jumlah kebutuhan yang diminta dan total transaksi pada setiap wilayah penjualan.
Dalam menentukan berapa banyak cluster yang digunakan dengan menggunakan metode Elbow, yang dapat dilihat pada tabel berikut:
Tabel 3 Hasil nilai perhitungan dengan metode Elbow pada Setiap Cluster
Jumlah Cluster
Nilai Inersia
873,33
884,6666667
31,77777778
11033,98378
xi : data kriteria uj : centroid pada cluster ke-j Perhitungan iterasi 1 dapat dilihat pada tabel dibawah ini :
Tabel 4 Iterasi 1
Data
CLUSTER
W10
Sumber: (Hasil Penelitian, 2.
Langkah selanjutnya adalah melakukan pembaharuan nilai centroid, berikut rumus yang digunakan untuk memperbaharui nilai ycyc.
= Oc ycuyc ycuycyc ycyunycyc Keterangan :
: centroid baru pada iterasi ke .
: banyak data pada cluster sj.
Diketahui :
C1 = (W1,W6,W.
C2 = (W2,W3,W4,W7,W.
C3 = (W5,W.
Maka :
C1 = (W1 W6 W.
C1,K1
= .
/ 3
= 12
C2 = (W2 W3 W4 W7 W.
/ 5
C2,K1
= .
24 26 20 .
/ 5
= 24
= (W5,W.
/ 2
C3,K1
= .
/ 2
= 34
Berikut nilai hasil perhitung centroid baru dapat dilihat pada tabel dibawah ini :
Tabel 5 Nilai centroid baru Tabel 3 Centroid awal MIN .
Inisialisasi centroid secara acak Cetroid awal :
Dari hasil grafik dapat dilihat titil elbow berada pada K=3, menunjukan bahwa jumlah cluster optimal Gambar 1 Grafik Elbow untuk menentukan jumlah cluster optimal Sumber : (Hasil Penelitian, 2.
Menghitung jarak Jarak dihitung menggunakan rumus jarak Euclidean (Euclidean Distanc.
Berikut adalah persamaan Euclidian Distance :
i, u.
: Ooyu .
cuycn Oe ycy.
2 http://ejournal.
id/ejurnal/index.
php/infortech Perhitungan iterasi 2 dapat dilihat pada tabel dibawah ini :
Jurnal Infortech.
Volume 7 No.
2 Desember 2025
E-ISSN 2715-8160
Tabel 6 Iterasi 2
Dat
CLUST
KETERAN
GAN
TETAP
BERUBAH
TETAP
TETAP
TETAP
TETAP
TETAP
TETAP
TETAP
TETAP
Centroid tabel yang dihasilkan merupakan barisbaris tabel yang menujukan nilai rata-rata atribut pada setiap cluster 0, cluster 1 dan cluster 2.
Gambar centroid tabel dapat dlihat pada gambar Centroid plot yang dihasilkan Centroid plot merupakan visualisasi dari setiap atribut jenis kabel yang telah dilakukan pengujian pada data uji, sehingga pada centroid plot dapat menganalisa perbedaan setiap cluster.
Sumber: (Hasil Penelitian, 2.
Pembaharuan centroid iterasi 2 Tabel 7 Nilai centroid baru Sumber: (Hasil Penelitian, 2.
Iterasi 3 Perhitungan iterasi 3 dapat dilihat pada tabel dibawah Tabel 8 Iterasi 3 Data Sumber: (Hasil Penelitian, 2.
Gambar 3 Centroid plot yang dihasilkan Potensi Hasil Berdasarkan kedua tahapan yang dilakukan menggunakan RapidMiner diperoleh perbandingan hasil sebagai berikut :
MIN
CLUSTE
KETERAN
GAN
TETAP
TETAP
TETAP
Perbandingan Hasil
TETAP
TETAP
TETAP
TETAP
TETAP
TETAP
W10
TETAP
Sumber: (Hasil Penelitian, 2.
Pada iterasi 3 tidak terjadi perubahan dan proses perhitungan jarak selesai.
Pengujian Pada Aplikasi Rapidminer Setelah dilakukan perhitungan manual dengan metode K-Means, kemudian dilakukan dengan menggunakan aplikasi Rapid Miner.
Centroid tabel yang dihasilkan http://ejournal.
id/ejurnal/index.
php/infortech Manual Cluster 1 Rapidminer Cluster 2 Cluster 3 Sumber: (Hasil Penelitian, 2.
Gambar 4 Grafik perbandingan hasil Penerapan K-means dan perbandingan hasil yang diperoleh dari gambar diatas dapat diperoleh potensi hasil sebagai berikut:
Hasil penerapan metode K-Means clustering RapidMiner memiliki hasil output yang sama yaitu cluster 1 sebanyak 3 , cluster 2 sebanyak 4 dan cluster 3 sebanyak 3.
Jurnal Infortech.
Volume 7 No.
2 Desember 2025
E-ISSN 2715-8160
Cluster C1 sebanyak 3 cluster yaitu cluster rendah merupakan presentasi penjualan paling rendah, cluster sedang merupakan rata-rata penjualan dan cluster tinggi merupakan presentasi penjualan tertinggi kabel listrik.
Untuk penjualan tertinggi yaitu W2 (Kalimanta.
W5 (Jakarta Bara.
W9 (Bekas.
Untuk penjualan kabel dengan penjualan sedang yaitu cluster C2 sebanyak 4 cluster yaitu W3 (Jakarta Pusa.
W4 (Bandun.
W7(Jakarta Timur ).
W8 (Jogjakart.
, yang merupakan cluster terendah atau wilayah penjualan kabel sedikit yaitu cluster C3 sebanyak 3 cluster yaitu.
diperoleh W1 (Tanggeran.
W6 (Surabay.
W10 (Jakarta Selata.
Pada centroid plot view hasil pengujian RapidMiner diperoleh bahwa kabel penjualan terendah adalah kabel jenis aCS dan kabel penjualan tertinggi adalah NYY.
KESIMPULAN
Pengelompokan pada segmentasi wilayah penjualan dan total penjualan untuk setiap jenis kabel sehingga hasil pengelompokan memperoleh data wilayah dan data total penjualan pada setiap jenis kabel serta total penjualan kabel secara keseluruhan.
Pada penerapan menggunakan algoritma K-Means clustering data penjualan dilakukan normalisasi terlebih dahulu kemudian dibagi menjadi 3 cluster yaitu rendah, sedang dan tinggi.
Hasil pengujian dari penerapan algoritma K-Means clustering diperoleh 3 cluster dimana wilayah penjualan dengan penjualan paling rendah C3 terdapat 3 wilayah yaitu Tanggerang.
Surabaya dan Jakarta Selatan, wilayah penjualan sedang C2 terdapat 4 wilayah yaitu Jakarta Pusat.
Bandung.
Jakarta Timur dan Jogjakarta, dan wilayah penjualan paling tinggi C1 terdapat 3 wilayah yaitu Kalimantan.
Jakarta Barat dan Bekasi.
REFERENSI