Prediksi Penjualan Barang Menggunakan Metode K-Means Dan Regresi Linear

Analisis data penjualan memainkan peran penting dalam mendukung pengambilan keputusan bisnis, terutama untuk mengoptimalkan manajemen stok dan meningkatkan efisiensi operasional. permasalahan utama yang dihadapi oleh Vapestore XYZ di Karawang adalah kesulitan dalam memprediksi jumlah penjualan produk secara akurat, sehingga sering terjadi ketidakseimbangan antara persediaan dan permintaan pasar. Hal ini dapat menyebabkan kerugian akibat kelebihan stok maupun kekurangan barang. Saat ini, estimasi kebutuhan stok masih mengandalkan intuisi dan pengalaman pribadi, tanpa dukungan analisis data yang objektif. Penelitian ini bertujuan untuk membangun model prediksi penjualan dengan mengombinasikan metode K-Means untuk klasterisasi produk dan Regresi Linear untuk prediksi kuantitas penjualan. Data penjualan diambil langsung dari aplikasi POS toko, kemudian melalui tahapan pembersihan, pelabelan, dan klasterisasi menjadi tiga kelompok, yaitu “Kurang Laku”, “Laku”, dan “Sangat Laku”. Prediksi penjualan dilakukan menggunakan Regresi Linear dengan memanfaatkan hasil klasterisasi dan variabel waktu sebagai input. Evaluasi performa model dilakukan menggunakan metrik error, yaitu Mean Absolute Error (MAE), Mean Squared Error (MSE), dan Root Mean Squared Error (RMSE). Berdasarkan hasil pengujian, model Regresi Linear yang dikembangkan memperoleh MAE sebesar 3,20, MSE sebesar 52,34, dan RMSE sebesar 7,23. Nilai-nilai error ini menunjukkan bahwa model mampu memberikan estimasi penjualan yang cukup mendekati data aktual, sehingga dapat diandalkan dalam perencanaan stok. Visualisasi hasil prediksi dalam bentuk tabel dan heatmap memudahkan identifikasi tren penjualan dan perbandingan performa antar produk. Temuan penelitian ini membuktikan bahwa kombinasi metode K-Means dan Regresi Linear efektif digunakan untuk mendukung pengambilan keputusan stok dan strategi pemasaran pada toko ritel vape. Pengembangan lebih lanjut disarankan dengan memperkaya dataset dan mengeksplorasi metode prediksi lain guna meningkatkan performa model.

Kata Kunci: Prediksi penjualan; K-Means; Regresi linear; Data mining; Evaluasi model