Perbandingan Algoritma Clustering K-Means dan DBSCAN untuk Segmentasi Outlet Ritel Berdasarkan Pola Transaksi Penjualan

Abstract

Perkembangan sektor ritel yang pesat menghasilkan volume data transaksi yang besar dan berpotensi dimanfaatkan sebagai dasar pengambilan keputusan bisnis yang lebih efektif. Namun, pemanfaatan data tersebut masih belum optimal, khususnya dalam melakukan segmentasi outlet berdasarkan pola transaksi penjualan. Penelitian ini bertujuan untuk melakukan segmentasi outlet ritel di Kabupaten Kampar menggunakan algoritma K-Means dan DBSCAN, serta membandingkan kinerja kedua metode dalam mengelompokkan data transaksi. Data yang digunakan merupakan data transaksi penjualan yang telah melalui tahap pembersihan data, agregasi dari level transaksi ke level outlet, serta normalisasi untuk menyamakan skala antar variabel. Setiap outlet direpresentasikan berdasarkan total transaksi, total quantity, total penjualan, dan rata-rata transaksi, sehingga dapat dianalisis secara komprehensif. Hasil penelitian menunjukkan bahwa algoritma K-Means mampu menghasilkan tiga cluster utama, yaitu outlet kecil, menengah, dan besar, dengan kualitas clustering yang sangat baik yang ditunjukkan oleh nilai Silhouette Score sebesar 0,960. Sementara itu, algoritma DBSCAN hanya menghasilkan satu cluster utama dan sejumlah data yang teridentifikasi sebagai noise atau outlier, sehingga kurang optimal dalam membentuk segmentasi pada dataset yang cenderung homogen. Meskipun demikian, DBSCAN memiliki keunggulan dalam mendeteksi outlet dengan karakteristik ekstrem yang memiliki kontribusi signifikan terhadap penjualan. Berdasarkan hasil perbandingan, K-Means lebih efektif digunakan sebagai metode utama dalam segmentasi outlet, sedangkan DBSCAN berperan sebagai metode pendukung dalam identifikasi outlier. Hasil penelitian ini diharapkan dapat mendukung penyusunan strategi pemasaran, distribusi, dan pengelolaan outlet yang lebih tepat sasaran berbasis analisis data.