Pengelompokan produk pada data transaksi penjualan menggunakan metode K-Means Clustering berdasarkan analisis Recency, Frequency, Monetary (RFM)

INDONESIA:

Dalam bisnis online maupun offline seringkali ditemukan kendala pada proses pengelolaan stok produk. Diantaranya yaitu persediaan produk dengan permintaan pelanggan yang tidak seimbang, ada masa dimana permintaan pelanggan tinggi namun persediaan stok terbatas, begitu pula sebaliknya, ada masa dimana stok yang tersedia melebihi permintaan pelanggan sehingga menyebabkan penumpukan stok yang tidak sesuai dengan jumlah produk yang terdistribusi. Oleh karena itu, diperlukannya strategi yang tepat untuk mengetahui permintaan dan kebutuhan customer terhadap suatu produk. Dengan melakukan pengelompokan produk, dapat membantu pemilik bisnis untuk mengetahui produk yang banyak diminati customer sehingga dapat meminimalisir kekurangan maupun kelebihan stok, serta pemenuhan permintaan customer dapat dilakukan tepat waktu. Penilitan ini menggunakan model analisis recency, frequency, monetary (RFM) dalam menganalisa data transaksi penjualan untuk mendapatkan nilai indeks dari masing – masing produk. Hasil analisis RFM digunakan sebagai parameter dalam melakukan proses pengelompokan. Proses pengelompokan dilakukan menggunakan metode K-Means clustering. Untuk mengetahui hasil clustering terbaik, proses clustering dilakukan sebanyak 5 kali dengan jumluah cluster 2, 3, 4, 5, dan 6. Masing – masing hasil clustering di evaluasi menggunakan metode silhouette coefficient untuk mengetahui kualitas clustering yang dihasilkan. Dari penelitian ini di dapatkan hasil clustering dengan nilai silhouette tertinggi terdapat pada clustering keempat dengan jumlah 5 cluster, bernilai 0,3600. Untuk mengetahui karakter produk yang ada dalam masing – masing cluster, dilakukan perhitungan rata – rata nilai recency, frequency, monetary pada masing – maing cluster. Berdasarkan hasil analisis, diketahui bahwa urutan pkelompok produk yang terbaik hinga yang paling buruk adalah C3, C1, C4, C5, dan C2.

ENGLISH:

In both of online and offline businesses, are often found obstacles in the product stock management process. Such of them as unbalanced product supplies with customer demand, sometimes the customer demand is higer than the stock supplies (limited), and vice versa. However, sometime exceeding stock with the customer demand is also the big obstacle of it. It makes stock accumulation which is not appropriate with the number of products distributed. Therefore, we need the right strategy to find out customer demand and necessity for the product. Grouping products can help business owners find out which products are high demand by customers. Thus, they can minimize shortages or excess stocks, and fulfill customer necessity real time, on time. This study uses a recency, frequency, monetary (RFM) analysis model in analyzing sales transaction data to get the index value of each product. The results of the RFM analysis are used as parameters in the grouping process. The clustering process is carried out by the K-Means clustering method. To find out the best clustering results, the clustering process is carried out 5 times with the number of clusters 2, 3, 4, 5, and 6. Each clustering result is evaluated using the silhouette coefficient method to determine the quality of the resulting clustering. Hence, the results of clustering with the highest silhouette value are found in the fourth clustering with a total of 5 clusters, with velue 0.3600. To find out the character of product in each cluster, recency, frequency, monetary in each main cluster is calculated using the calculation of average value. Based on the results of the analysis is known that the order of product groups from the best to the worst is C3, C1, C4, C5, dan C2.

ARABIC:

في الأعمال التجارية على الانترنت وغير متصل غالبا ما توجد عقبات في عملية إدارة مخزون المنتجات. لذلك ، الحاجة إلى الاستراتيجية الصحيحة لمعرفة طلب العميل واحتياجاته للمنتج. من خلال تجميع المنتجات ، يمكن أن يساعد أصحاب الأعمال على معرفة المنتجات التي يطلبها العملاء كثيرا من أجل تقليل النقص والمخزون الزائد ، ويمكن تحقيق طلب العملاء في الوقت المحدد. تستخدم هذه الدراسة نموذج تحليل RFM في تحليل بيانات معاملات المبيعات للحصول على قيمة الفهرس لكل منتج. يتم استخدام نتائج تحليل RFM كمعلمات في عملية التجميع. يتم تنفيذ عملية التجميع باستخدام أسلوب التجميع K-Means. لمعرفة أفضل نتائج التجميع، يتم تنفيذ عملية التجميع 5 مرات مع نتائج الكتلة 2 و 3 و 4 و 5 و 6. يتم تقييم كل نتيجة تجميع باستخدام طريقة silhouette coefficient لتحديد جودة التجميع المنتج. من هذه الدراسة، تم العثور على نتائج التجميع مع أعلى قيمة silhouette في التجمع الرابع مع عدد من 5 مجموعات، بقيمة 0.3600. لمعرفة طابع المنتجات في كل مجموعة، يتم حساب متوسط ال recency، والتردد، والقيم النقدية في كل مجموعة. استنادا إلى نتائج التحليل، من المعروف أن أفضل تسلسلات مجموعات المنتجات هي C3 و C1 و C4 و C5 و C2.