Perbandingan Algoritma Klastering dalam Pengelompokan Penjualan Produk Komputer

Abstract

Penelitian ini membandingkan tiga algoritma clustering (K-means, K-Medoids, dan Agglomerative) untuk mengelompokkan data penjualan dari CV. Media Karya Komputindo. Untuk pemilihan jumlah klaster yang paling optimum menggunakan elbow dan divalidasi dengan Silhouette Coefficient. Statistik deskriptif dan Word Cloud digunakan untuk mengevaluasi interpretabilitas dari hasil algoritma clustering yang paling optimum. Efisiensi komputasi juga dipertimbangkan, mengingat sumber daya yang terbatas. Hasil penelitian menunjukkan bahwa semua algoritma menggunakan sumber daya yang sedikit dan mudah digunakan dengan PyCaret. Dari hasil Silhouette Coefficeint, algoritma yang paling optimal untuk kumpulan data ini adalah K-Means, hasil clustering menunjukkan bahwa ada 4 kategori cluster, dimana cluster 1 berisi permintaan rendah dengan harga tinggi, cluster 2 permintaan rendah dengan harga rendah, cluster 3 permintaan tinggi dengan harga rendah, dan cluster 4 adalah permintaan cukup dengan harga rendah. Hasil clustering berhasil membentuk 4 cluster dalam segi harga maupun kuantitas penjualan.