Application of the K-Means Method for Grouping Product Data Based on Sales Level

Ritel modern di Indonesia tumbuh pesat dengan keragaman produk yang makin kompleks, sehingga pengelolaan data penjualan menjadi penting bagi pengambilan keputusan manajerial. Penelitian ini bertujuan mengelompokkan produk di Indomaret Kotaraja berdasarkan perilaku penjualan untuk mendukung keputusan terkait persediaan, penataan rak, dan promosi. Metode yang digunakan adalah klastering K-Means dengan implementasi di RapidMiner. Dataset mencakup penjualan bulanan selama satu tahun untuk produk makanan dan minuman kemasan. Sebelum pemodelan, dilakukan preprocessing yang meliputi pembersihan data, validasi tipe, penghapusan duplikasi, penanganan nilai hilang, dan normalisasi fitur, dengan variabel penjualan Januari hingga Desember sebagai masukan numerik, sementara identitas produk disimpan untuk interpretasi. Jumlah klaster alternatif K = 2, 3, dan 4 dievaluasi menggunakan Davies Bouldin Index, koefisien Silhouette, dan tren SSE atau WCSS. Hasil menunjukkan K = 4 memberikan pemisahan dan kekompakan terbaik dibanding K = 2 dan K = 3. Model akhir membagi 99 produk ke dalam klaster beranggotakan 16, 27, 31, dan 25 item. Profil centroid mengungkap pola yang berbeda: satu klaster memiliki penjualan tinggi dan relatif stabil pada kuartal empat fast moving, satu klaster menunjukkan lonjakan kuat di akhir tahun sensitif promosi atau musiman, satu klaster rendah namun stabil slow moving, dan satu klaster lebih volatil sehingga memerlukan pengendalian ketat. Penelitian ini menyajikan alur kerja yang dapat diulang dan profil klaster yang mudah ditafsirkan untuk tindakan operasional, seperti memprioritaskan pengisian ulang untuk fast mover, promosi terarah bagi kelompok menengah atau musiman, serta pengetatan stok dan optimasi rak untuk kelompok lambat atau volatil, sehingga membantu penyederhanaan kompleksitas data penjualan dan peningkatan keputusan berbasis data.