Perbandingan Algoritma K-Means & K-Medoids Untuk Clustering Pada Transaksi Penjualan Minimarket

Dalam berbelanja pembeli sering mengalami kesulitan dalam mencari kebutuhan sehari-hari. Salah satu penyebabnya adalah proses penataan produk di minimarket masih mengatur produk secara sembarangan dan tidak sesuai dengan pola belanja konsumen. Sebaliknya, pembeli umumnya cenderung membeli produk dalam bentuk paket kebutuhan sehari-hari, namun paket ini umumnya belum ada di minimarket. Mengidentifikasi pola hubungan dalam data transaksi minimarket dapat membantu mengatasi masalah penataan produk dan penyusunan paket produk. Dengan menggunakan metode pengelompokan, objek dikelompokkan dalam kategori yang memiliki banyak kesamaan antara satu sama lain. Metode ini memungkinkan proses pengelompokan dilakukan. Beberapa metode yang ada dalam clustering diantaranya metode K-Means dan K-medoids. Penelitian ini bertujuan untuk mengklasifikasikan data barang di minimarket tersebut yang bisa dijadikan acuan untuk perencanaan produk yang lebih terorganisir dengan baik. Pengelompokan data terbagi kedalam tiga kategori yaitu lambat, sedang dan cepat. Hasil yang diperoleh menunjukkan bahwa kedua algoritma tersebut menghasilkan indeks Davies-Bouldin Index yang berbeda, dengan algoritma K-Medoids memperoleh nilai lebih rendah yaitu sebesar 0,50387 sedangkan K-Means mendapatkan nilai sebesar 0,50391 yang dimana hasil clustering K-Medoids memiliki kualitas yang lebih unggul dibandingkan dengan K-Means. Dengan hasil pengelompokan data barang tersebut, minimarket dapat melakukan penyeimbangan stok barang untuk mencegah kelebihan atau kekurangan persediaan barang tersebut.

Kata Kunci: K-Means, K-Medoids, Minimarket, Davies-Bouldin Index