Klasterisasi Data Penjualan Toko Perak J-Maskus Mengguanakan Algoritma HDBSCAN
Main Article Content
Di era digital, analisis data penjualan menjadi kunci pengambilan keputusan bisnis. Toko Perak J-Maskus menghadapi tantangan dalam mengelola stok akibat ketidakseimbangan persediaan dan permintaan. Penelitian ini mengelompokkan produk berdasarkan pola penjualan menggunakan algoritma HDBSCAN, yang dipilih karena kemampuannya mengidentifikasi cluster dengan kepadatan bervariasi dan mendeteksi outlier. Dataset terdiri dari 5.765 transaksi (2022–2024) dengan atribut produk dan jumlah terjual. Hasil eksperimen menunjukkan parameter optimal min_samples=5 dan min_cluster_size=5 dengan silhouette score 0.6507 (struktur menengah), menghasilkan 206 cluster. Visualisasi t-SNE mengonfirmasi distribusi cluster yang terpisah jelas. Temuan ini dapat digunakan untuk strategi manajemen stok, seperti identifikasi produk laris dan pengurangan overstock.
Keywords:
Data mining, HDBSCAN, klasterisasi, optimasi stok, silhouette score
[1] R. Sulistiyowati, S. Legis, and D. Y. Krisna, “Strategi Penjualan Dengan Mengetahui Pola Pembelian Pelanggan Terhadap Data Penjualan Menggunakan Algoritma Apriori,” J. Inform. Komputasi, vol. 17, no. 1, pp. 12–27, 2023.
[2] F. Nasari and S. Darma, “Seminar Nasional Teknologi Informasi dan Multimedia 2015 Penerapan K-Means Clustering Pada Data Penerimaan Mahasiswa Baru (Studi Kasus?: Universitas Potensi Utama),” pp. 6–8, 2015.
[3] G. Stewart and M. Al-Khassaweneh, “An Implementation of the HDBSCAN* Clustering Algorithm,” Appl. Sci., vol. 12, no. 5, pp. 1–21, 2022, doi: 10.3390/app12052405.
[4] N. A. Wahyuni, M. N. Hayati, and A. Rizki, “Metode Hierarchical Density-Based Spatial Clustering of Application with Noise ( HDBSCAN ) pada Wilayah Desa / Kelurahan Tertinggal di Kabupaten Kutai Kartanegara ( Studi Kasus?: Data Hasil Pendataan Potensi Desa ( PODES ) Tahun 2018 ) Hierarchical Densit,” Eksponensial, vol. 12, no. 1, pp. 47–52, 2021, [Online]. Available: http://jurnal.fmipa.unmul.ac.id/index.php/exponensial/article/view/758%0Ahttp://jurnal.fmipa.unmul.ac.id/index.php/exponensial/article/download/758/314
[5] J. Liu, S. Sun, and C. Chen, “Big data Analysis of Regional Meteorological Observation Based?: on Hierarchical Density Clustering Algorithm HDBSCAN,” Proc. - 2021 2nd Int. Semin. Artif. Intell. Netw. Inf. Technol. AINIT 2021, pp. 111–116, 2021, doi: 10.1109/AINIT54228.2021.00032.
[6] N. Fitrianto, “perbandingan Algoritma Hdbscan dan Agglomerative Hierarchical Clustering Dalam Klasterisasi pada Data yang Mengandung,” vol. 08, no. 02, pp. 122–135, 2024.
[7] “Intisari Clustering Hierarchical Density-Based Spatial Clustering Of Applications With Noise ( Hdbscan ) untuk Data Spasial ( Studi Kasus?: Pemetaan Kawasan Wisata Terpadu Di Kabupaten Gunungkidul , Daerah Istimewa Yogyakarta ) Oleh Luthfi Syafi Abdillah ,” 2024.
[8] F. D. Handayani and Isnaini Rosyida, “Clustering Review Pengguna Aplikasi Zenius pada Layanan Google Play Store Menggunakan Metode DBSCAN dan HDBSCAN,” Emerg. Stat. Data Sci. J., vol. 1, no. 2, pp. 178–191, 2023, doi: 10.20885/esds.vol1.iss.2.art19.
[9] U. Bani Saleh FTID, U. Bani Saleh, M. Nur, S. Irwan, and R. Pranata, “Klasterisasi Penjualan Produk Fantech Menggunakan Metode K-Means Pada Toko Giben Advance Premium,” J. TRIDI Teknol. Inform. Komput., vol. 1, no. 1, pp. 76–90, 2023.
[10] F. Zahra, M. A. Ridla, and N. Azise, “Implementasi Data Mining Menggunakan Algoritma Apriori Dalam Menentukan Persediaan Barang (Studi Kasus?: Toko Sinar Harahap),” JUSTIFY J. Sist. Inf. Ibrahimy, vol. 3, no. 1, pp. 55–65, 2024, doi: 10.35316/justify.v3i1.5335.
[11] Dodi Nofri Yoliad, “Data mining Dalam Analisis Tingkat Penjualan Barang ElektronikMenggunakan Algoritma K-means,” Insearch (Information Syst. Res. J., vol. 3, no. 1, 2023.
[12] E. T. Naldy and A. Andri, “Penerapan Data Mining Untuk Analisis Daftar Pembelian Konsumen Dengan Menggunakan Algoritma Apriori Pada Transaksi Penjualan Toko Bangunan MDN,” J. Nas. Ilmu Komput., vol. 2, no. 2, pp. 89–101, 2021, doi: 10.47747/jurnalnik.v2i2.525.
[13] M. R. Muttaqin and M. Defriani, “Algoritma K-Means untuk Pengelompokan Topik Skripsi Mahasiswa,” Ilk. J. Ilm., vol. 12, no. 2, pp. 121–129, 2020, doi: 10.33096/ilkom.v12i2.542.121-129.
[14] B. N. Sari and A. Primajaya, “Penerapan Clustering Dbscan Untuk Pertanian Padi Di Kabupaten Karawang,” J. Inform. dan Komput., vol. 4, no. 1, pp. 28–34, 2019, [Online]. Available: www.mapcoordinates.net/en.
[15] I. W. Rahayu, I. Atastina, and A. Herdiani, “Analisis Dan Implementasi Algoritma Agglomerative Hierarchical Untuk Deteksi Komunitas Pada Media Sosial Facebook,” e-Proceeding Eng., vol. 5, no. 1, pp. 1460–1468, 2018.
[16] D. Safitri, T. Wuryandari, and R. Rahmawati, “Metode Dbscan Untuk Pengelompokan Kabupaten/Kota Di Provinsi Jawa Tengah Berdasarkan Produksi Padi Sawah Dan Padi Ladang,” Statistika, vol. 5, no. 1, pp. 8–13, 2017.
[17] B. Lewis, I. Smith, M. Fowler, and J. Licato, “The robot mafia: A test environment for deceptive robots,” 28th Mod. Artif. Intell. Cogn. Sci. Conf. MAICS 2017, pp. 189–190, 2017, doi: 10.1145/1235.
[18] C. K. S, J. T, J. B. R, and J. foumiya Z, “Customer Segmentation Using UMAP and HDBSCAN,” no. 7, 2023, [Online]. Available: https://zenodo.org/record/7934909
[19] A. Atira and B. Nurina Sari, “Penerapan Silhouette Coefficient, Elbow Method dan Gap Statistics untuk Penentuan Cluster Optimum dalam Pengelompokkan Provinsi di Indonesia Berdasarkan Indeks Kebahagiaan,” J. Ilm. Wahana Pendidik., vol. 9, no. 17, pp. 76–86, 2023, [Online]. Available: https://doi.org/10.5281/zenodo.8282638
[2] F. Nasari and S. Darma, “Seminar Nasional Teknologi Informasi dan Multimedia 2015 Penerapan K-Means Clustering Pada Data Penerimaan Mahasiswa Baru (Studi Kasus?: Universitas Potensi Utama),” pp. 6–8, 2015.
[3] G. Stewart and M. Al-Khassaweneh, “An Implementation of the HDBSCAN* Clustering Algorithm,” Appl. Sci., vol. 12, no. 5, pp. 1–21, 2022, doi: 10.3390/app12052405.
[4] N. A. Wahyuni, M. N. Hayati, and A. Rizki, “Metode Hierarchical Density-Based Spatial Clustering of Application with Noise ( HDBSCAN ) pada Wilayah Desa / Kelurahan Tertinggal di Kabupaten Kutai Kartanegara ( Studi Kasus?: Data Hasil Pendataan Potensi Desa ( PODES ) Tahun 2018 ) Hierarchical Densit,” Eksponensial, vol. 12, no. 1, pp. 47–52, 2021, [Online]. Available: http://jurnal.fmipa.unmul.ac.id/index.php/exponensial/article/view/758%0Ahttp://jurnal.fmipa.unmul.ac.id/index.php/exponensial/article/download/758/314
[5] J. Liu, S. Sun, and C. Chen, “Big data Analysis of Regional Meteorological Observation Based?: on Hierarchical Density Clustering Algorithm HDBSCAN,” Proc. - 2021 2nd Int. Semin. Artif. Intell. Netw. Inf. Technol. AINIT 2021, pp. 111–116, 2021, doi: 10.1109/AINIT54228.2021.00032.
[6] N. Fitrianto, “perbandingan Algoritma Hdbscan dan Agglomerative Hierarchical Clustering Dalam Klasterisasi pada Data yang Mengandung,” vol. 08, no. 02, pp. 122–135, 2024.
[7] “Intisari Clustering Hierarchical Density-Based Spatial Clustering Of Applications With Noise ( Hdbscan ) untuk Data Spasial ( Studi Kasus?: Pemetaan Kawasan Wisata Terpadu Di Kabupaten Gunungkidul , Daerah Istimewa Yogyakarta ) Oleh Luthfi Syafi Abdillah ,” 2024.
[8] F. D. Handayani and Isnaini Rosyida, “Clustering Review Pengguna Aplikasi Zenius pada Layanan Google Play Store Menggunakan Metode DBSCAN dan HDBSCAN,” Emerg. Stat. Data Sci. J., vol. 1, no. 2, pp. 178–191, 2023, doi: 10.20885/esds.vol1.iss.2.art19.
[9] U. Bani Saleh FTID, U. Bani Saleh, M. Nur, S. Irwan, and R. Pranata, “Klasterisasi Penjualan Produk Fantech Menggunakan Metode K-Means Pada Toko Giben Advance Premium,” J. TRIDI Teknol. Inform. Komput., vol. 1, no. 1, pp. 76–90, 2023.
[10] F. Zahra, M. A. Ridla, and N. Azise, “Implementasi Data Mining Menggunakan Algoritma Apriori Dalam Menentukan Persediaan Barang (Studi Kasus?: Toko Sinar Harahap),” JUSTIFY J. Sist. Inf. Ibrahimy, vol. 3, no. 1, pp. 55–65, 2024, doi: 10.35316/justify.v3i1.5335.
[11] Dodi Nofri Yoliad, “Data mining Dalam Analisis Tingkat Penjualan Barang ElektronikMenggunakan Algoritma K-means,” Insearch (Information Syst. Res. J., vol. 3, no. 1, 2023.
[12] E. T. Naldy and A. Andri, “Penerapan Data Mining Untuk Analisis Daftar Pembelian Konsumen Dengan Menggunakan Algoritma Apriori Pada Transaksi Penjualan Toko Bangunan MDN,” J. Nas. Ilmu Komput., vol. 2, no. 2, pp. 89–101, 2021, doi: 10.47747/jurnalnik.v2i2.525.
[13] M. R. Muttaqin and M. Defriani, “Algoritma K-Means untuk Pengelompokan Topik Skripsi Mahasiswa,” Ilk. J. Ilm., vol. 12, no. 2, pp. 121–129, 2020, doi: 10.33096/ilkom.v12i2.542.121-129.
[14] B. N. Sari and A. Primajaya, “Penerapan Clustering Dbscan Untuk Pertanian Padi Di Kabupaten Karawang,” J. Inform. dan Komput., vol. 4, no. 1, pp. 28–34, 2019, [Online]. Available: www.mapcoordinates.net/en.
[15] I. W. Rahayu, I. Atastina, and A. Herdiani, “Analisis Dan Implementasi Algoritma Agglomerative Hierarchical Untuk Deteksi Komunitas Pada Media Sosial Facebook,” e-Proceeding Eng., vol. 5, no. 1, pp. 1460–1468, 2018.
[16] D. Safitri, T. Wuryandari, and R. Rahmawati, “Metode Dbscan Untuk Pengelompokan Kabupaten/Kota Di Provinsi Jawa Tengah Berdasarkan Produksi Padi Sawah Dan Padi Ladang,” Statistika, vol. 5, no. 1, pp. 8–13, 2017.
[17] B. Lewis, I. Smith, M. Fowler, and J. Licato, “The robot mafia: A test environment for deceptive robots,” 28th Mod. Artif. Intell. Cogn. Sci. Conf. MAICS 2017, pp. 189–190, 2017, doi: 10.1145/1235.
[18] C. K. S, J. T, J. B. R, and J. foumiya Z, “Customer Segmentation Using UMAP and HDBSCAN,” no. 7, 2023, [Online]. Available: https://zenodo.org/record/7934909
[19] A. Atira and B. Nurina Sari, “Penerapan Silhouette Coefficient, Elbow Method dan Gap Statistics untuk Penentuan Cluster Optimum dalam Pengelompokkan Provinsi di Indonesia Berdasarkan Indeks Kebahagiaan,” J. Ilm. Wahana Pendidik., vol. 9, no. 17, pp. 76–86, 2023, [Online]. Available: https://doi.org/10.5281/zenodo.8282638
