Seminar Nasional Sains & Teknologi Informasi (SENSASI) ISBN: 978-602-52720-2-8 SENSASI 2019 Juli 2019 Hal: 495 – 498 Muhammad Dahria | http://prosiding.seminar-id.com/index.php/sensasi/issue/archive Page | 495 Implementasi K-Means Untuk Pengelompokan Produk Terbaik PT. Koko Pelli Muhammad Dahria, Rudi Gunawan, Zulkifli Lubis Program Studi Informasi, STMIK Triguna Dharma, Medan, Indonesia Email: 1 m_dahria@trigunadharma.ac.id, 2 rudi_gunawan8899@yahoo.com, 3 zlubis0968@gmail.com Abstrak PT. Koko Pelli adalah sebuah perusahaan yang bergerak dibidang retail. Dimana pada prosesnya masih memiliki kendala yang belum mampu menentukan produk terbaik untuk promosi kedepannya. Akibat dari hal tersebut sering terjadi kekurangan stok produk yang digemari konsumen. Untuk mengatasi masalah tersebut diperlukan sebuat sistem yang mampu menentukan produk terbaik yang tidak berpatokan pada satu produk saja melainkan kelompok produk terbaik. Pengelompokan produk terbaik akan dihitung menggunakan metode K-Means yang mampu menghitung secara tepat dan konsisten. Aplikasi yang dibangun dapat mengelompokan produk terbaik dengan cepat yang akan membantu mengatasi masalah yang ada pada PT. Koko Pelli. Kata Kunci: Retail, pengelompokan produk, k-means, clustering, promosi produk 1. PENDAHULUAN PT. Koko Pelli adalah sebuah perusahaan yang bergerak dibidang retail. Dalam menjalankan usaha ini, setiap transaksi penjualan sudah menggunakan sistem komputer. Data-data penjualan tersebut selalu dicatat dan tersimpan dalam sebuah basis data (database). Pendokumentasian setiap transaksi ini sangat berguna untuk keperluan menganalisa penjualan. Dalam proses promosi yang terjadi masih memiliki kendala, dimana dalam penentuannya produk terbaik hanya dapat diperoleh melalui data penjualan. Namun pada kenyataannya produk terbaik bukan hanya dinilai melalui penjualan tetapi juga kualitas dan harga. promosi produk biasanya berpatokan pada satu jenis produk yang berakibat banyak produk lain yang ketinggalan atau tidak dikenal oleh konsumen. Pengelompokan produk terbaik adalah solusi terbaik untuk mengatasi masalah yang terjadi pada PT. Koko Pelli. Pengelompokan produk terbaik ini diharapkan dapat meningkatkan penjualan yang secara otomatis meningkatkan keuntungan. Maka dari itu diperlukan suatu algoritma atau metode dalam menentukan produk terbaik, sehingga tujuan yang diharapkan tersebut dapat tercapai. Ketersediaan data yang cukup banyak, kebutuhan akan informasi (pengetahuan) sebagai pendukung pengambilan keputusan untuk membuat solusi bisnis serta dukungan infrastruktur dibidang teknologi informasi merupakan lahirnya suatu teknologi Data Mining. Data mining yang dimaksud untuk memberikan solusi nyata dalam mengambilan keputusan. Salah satu metode untuk tujuan diatas adalah menggunakan teknik pengelompokan data dengan metode K-Means. K-Means merupakan salah satu algoritma clustering. Dimana algoritma K-Means sangat terkenal karena kemudahan dan kemampuannya untuk mengklarifikasi data besar dan outlier dengan sangat cepat. Data penjualan yang sudah ada akan diolah dan dianalisa untuk mengetahui tingkat kecenderungan konsumen (pelanggan) dalam membeli produk terbaik yang mereka suka. Dari pengolahan data tersebut diperoleh suatu pengetahuan yang dapat digunakan sebagai pendukung keputusan dalam membuat pengelompokan produk terbaik. 2. METODOLOGI PENELITIAN Data mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar. Data mining juga disebut sebagai serangkaian proses untuk menggali nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu kumpulan data.[1] [4] [9] Istilah Data Mining dan Knowledge Discovery In Database(KDD) sering kali digunakan secara bergantian untuk menjelaskan proses penggalian informasi tersembunyi dalam suatu basis data yang besar. Sebenarnya kedua istilah tersebut memiliki konsep yang berbeda akan tetapi akan berkaitan satu sama lain. Knowledge Discovery In Database (KDD) adalah kegiatan yang meliputi pengumpulan pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar [2] [3] [5] K-Means merupakan salah satu algoritma clustering. Metode pengelompokan data nonhierarki (sekatan) yang berusaha mempartisi data yang ada kedalam bentuk dua atau lebih kelompok. Metode ini mempartisi data ke dalam kelompok sehingga data yang berkarakteristik berbeda dikelompokan ke dalam kelompok yang lain K-Means termasuk dalam partitioning clustering yaitu setiap data harus masuk dalam cluster tertentu dan memungkinkan bagi setiap data yang termasuk dalam cluster tertentu pada suatu tahapan proses, pada tahapan berikutnya berpindah ke cluster yang lain. Algoritma K-Means sangat terkenal karena kemudahan dan kemampuannya untuk mengklasifikasikan data besar dan outlier dengan sangat cepat. Berikut adalah langkah-langkah algoritma K-Means:[7] [8] 1. Tentukan k sebagai jumlah cluster yang dibentuk. 2. Tentukan pusat (centroid) cluster awal. Dalam menentukan buah pusat cluster awal dilakukan pembangkitan bilangan random yang mempresentasikan urutan data input.