Penerapan K-Medoids untuk Mengelompokkan Produk pada Toko Online Aldaf Store Depok

Nabila Khatami

Abstract


Penelitian ini bertujuan mengelompokkan produk di Aldaf Store berdasarkan harga, jumlah penjualan dan kategori menggunakan algoritma K-Medoids. Algoritma ini dipilih karena efektif dan tahan terhadap outlier. Data dinormalisasi agar skala seimbang sebelum proses clustering. Tahapan dimulai dari penentuan jumlah cluster optimal, perhitungan jarak Euclidean, hingga pengelompokan produk berdasarkan kedekatan ke medoid. Hasil clustering mengidentifikasi beberapa pola, seperti produk dengan penjualan tinggi dan harga sedang, serta produk dengan penjualan rendah dan harga tinggi. Evaluasi dengan Silhouette Score menghasilkan rata-rata 0.683, menunjukkan kualitas cluster yang cukup baik. Untuk memudahkan analisis, hasil ditampilkan melalui sistem web interaktif dalam bentuk grafik dan tabel. Penelitian ini diharapkan dapat mendukung manajemen Aldaf Store dalam pengambilan keputusan strategis, terutama terkait promosi, pengelolaan stok dan penentuan produk unggulan.

Keywords


K-Medoids, Clustering, Penjualan Pakaian

References


Andini, A. D., & Arifin, T. (2020). Implementasi Algoritma K-Medoids Untuk Klasterisasi Data Penyakit Pasien di Rsud Kota Bandung. Jurnal Responsif, 2(2), 128–138. http://ejurnal.ars.ac.id/index.php/jti

Anggraini, D., Ayu Natalia Hutabarat, R., De Luisa Sitorus, S., Niarina Nabilah, W., Andri Hutapea, T., William Iskandar Ps, J. V, Baru, K., Percut Sei Tuan, K., Deli Serdang, K., & Utara, S. (2025). PT. Media Akademik Publisher Visualisasi Supremum dan Infimum Menggunakan Pemrograman Python. JMA), 3(4), 3031–5220. https://doi.org/10.62281

Aprilla Donny Aji Baskoro Lia Ambarwati I Wayan Simri Wicaksana Editor, D. C., & Sanjaya, R. (2013). Identitas Belajar Data Mining dengan RapidMiner Hak Cipta © pada Penulis Hak Guna mengikuti Open Content model Desain sampul: Dennis Aprilla C.

Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From Data Mining to Knowledge Discovery in Databases) (© AAAI) (Vol. 17). www.ffly.com/

Fitriyani, Fitriani, R., & Rosmawanti, N. (2017). Penerapan Algoritma Euclidean Distance Untuk Pemilihan Paket Internet Berdasarkan Wilayah.

Flomina, K., Rosman, E., Nasution, M. I., Febrina, Y. K., Hasibuan, R. S., & Padang, P. N. (2025). Penerapan Data Mining untuk Pemetaan Kinerja Akademik Mahasiswa dengan Metode K-Means. In Journal of Science and Social Research: Vol. VIII (Issue 2). http://jurnal.goretanpena.com/index.php/JSSR

Kamalia, A. Z., & Nawangsih, I. (2025). Identifikasi Pola Tingkat Kesenjangan Ketuntasan Pendidikan Di Indonesia Dengan Menggunakan Metode K-Medoids Clustering. Jurnal Teknologi Informasi Dan Ilmu Komputer, 12(2), 321–330. https://doi.org/10.25126/jtiik.2025129219

Kaufman, Leonard, Rousseeuw, & Peter J. (2005). Finding Groups in Data: An Introduction to Cluster Analysis.

Madhulatha, T. S. (2011). Comparison between K-Means and K-Medoids Clustering Algorithms. International Journal of Advanced Computing (IJAC).

Narasati, R., Lestari, R., Herdiana, R., Hamonangan, R., & Anawar, S. (2024). Penerapan Algoritma K-Medoid Pada Penjualan Kerudung E-Commerce Shopee: Fifau Hijab. In Jurnal Mahasiswa Teknik Informatika (Vol. 8, Issue 2).

Rousseeuw, P. J. (1987). Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. In Journal of Computational and Applied Mathematics (Vol. 20).

Silitonga, P. D. P., & Morina, I. S. (2017). Klusterisasi Pola Penyebaran Penyakit Pasien Berdasarkan Usia Pasien Dengan Menggunakan K-Means Clustering (Issue 2).

Triayudi, A., Pinastawa, I. W. R., Pratama, J. D., Ningsih, S., Ilham, Wibowo, A., Judijanto, L., Sabililrasyad, I., Matondang, N., Hasnita, Desnelita, Y., & Gustientedina. (2024). Clustering. Pertama, 1–8.




DOI: https://doi.org/10.30998/semnasristek.v10i1.8871

Refbacks

  • There are currently no refbacks.


Prosiding SEMNAS RISTEK indexed by: