Algorima K-Means dalam Clustering Produk Skincare untuk Menentukan Strategi Pemasaran
DOI:
https://doi.org/10.33795/jip.v10i3.5167Keywords:
Clustering, Data Mining, K-meansAbstract
Penelitian ini fokus pada pengembangan strategi pemasaran dalam industri kosmetik yang semakin kompetitif. Menggunakan pendekatan data mining dengan algoritma K-Means, penelitian ini bertujuan untuk mengidentifikasi produk-produk terlaris, sedang, dan rendah dalam penjualan. Metode ini memungkinkan pengelompokan produk berdasarkan pola penjualan, memfasilitasi pengambilan keputusan yang efektif dalam meningkatkan laba perusahaan. Dengan menganalisis data penjualan dan mengklasifikasikan produk ke dalam kluster yang sesuai, strategi pemasaran yang lebih cermat dapat dirancang. Hasil yang didapatkan dari perhitungan cluster dari 693 data penjualan skincare yaitu: 392 data termasuk penjualan rendah dan tergolong cluster 1, 13 data termasuk penjualan sedang dan tergolong cluster 2,288 data termasuk penjualan terlaris dan tergolong cluster 3. Hasil penelitian ini dapat memberikan wawasan berharga bagi perusahaan kosmetik dalam mengoptimalkan strategi pemasaran guna mencapai target penjualan dan mengurangi penumpukan stok. Dengan menerapkan Algoritma K-Means pada data penjualan produk kosmetik, perusahaan dapat mengidentifikasi produk yang memiliki kinerja penjualan tinggi, sedang, dan rendah. Langkah ini memungkinkan pengelompokan produk berdasarkan pola penjualan, memudahkan penentuan strategi pemasaran yang sesuai. Berdasarkan hasil cluster yang didapatkan maka ditentukan strategi pemasaran untuk tindak lanjut semua produk mulai dari produk terlaris, fokus pemasaran dapat diperkuat untuk mempertahankan dan meningkatkan penjualan. Untuk produk penjualan sedang, strategi dapat diarahkan untuk meningkatkan popularitas dan meningkatkan penjualan. Sedangkan untuk produk penjualan rendah, perlu dilakukan analisis lebih lanjut untuk mengidentifikasi penyebab rendahnya penjualan dan mengambil tindakan korektif, seperti penyempurnaan produk atau strategi pemasaran yang lebih efektif.
Downloads
References
Abdul Salam, & Abdiyanti, S. (2022). Analisis Pengaruh Celebrity Endorser, Brand Image Dan Brand Trust Terhadap Keputusan Pembelian (Studi Kasus Pada Konsumen Wanita Produk Skin Care Merek Ms Glow Di Kecamatan Sumbawa). Accounting and Management Journal, 6(1), 60–68. https://doi.org/10.33086/amj.v6i1.2204
Andini, F., Zilfitri, D., Filki, Y., & Ridho, M. (2022). Algoritma K-Means Clustering dalam Optimalisasi Komposisi Pakan Ternak Ayam Petelur. Jurnal Sistim Informasi Dan Teknologi, 5, 44–48. https://doi.org/10.37034/jsisfotek.v5i2.168
Adisty,Naomi.(2021)Tumbuh Pesat, Pemakaian Produk Kecantikan di Indonesia Kian Meningkat - GoodStats. (n.d.). Retrieved March 31, 2023, from https://goodstats.id/article/menilik meningkatnya-konsumsi-produk-kecantikan-di-indonesia-LcQedSampat, M.P., Bovik, A.C., Aggarwal, J.K. & Castleman, K.R. (2004): Supervised Parametric
Baihaqi, W. M., Indartono, K., & Banat, S. (2019). Penerapan Teknik Clustering Sebagai Strategi Pemasaran pada Penjualan Buku Di Tokopedia dan Shopee. Paradigma - Jurnal Komputer Dan Informatika, 21(2), 243–248. https://doi.org/10.31294/p.v21i2.6149
Handoko, S., Fauziah, F., & Handayani, E. T. E. (2020). Implementasi Data Mining Untuk Menentukan Tingkat Penjualan Paket Data Telkomsel Menggunakan Metode K-Means Clustering. Jurnal Ilmiah Teknologi Dan Rekayasa, 25(1), 76–88. https://doi.org/10.35760/tr.2020.v25i1.2677
Kuncoro, M. (2005). Mudrajad Kuncoro, Strategi Bagaimana Meraih Keunggulan Kompetitif, Erlangga, Jakarta, 2005, hlm. 86. 1 11. 11–46. http://eprints.stainkudus.ac.id/192/5/5. BAB II.pdf Sampat, M.P., Bovik, A.C., Aggarwal, J.K. & Castleman, K.R. (2004): Supervised Parametri
Mulyadi, I. P. (2022). Jurnal Informatika Ekonomi Bisnis Klasterisasi Menggunakan Metode Algoritma K-means dalam Meningkatkan Penjualan Tupperware. 4, 5–9Sampat, M.P., Bovik, A.C., Aggarwal, J.K. & Castleman, K.R. (2004): Supervised Parametric
Monalisa, S., Nurainun, T., Hartati, M., Sistem, J., Universitas, I., Negeri, I., Syarif, S., Teknik, J., Universitas, I., Negeri, I., Syarif, S., & Korespondensi, P. (2021)
Nugraha, A., Nurdiawan, O., Dwilestari, G., Studi, P., Informatika, T., Cirebon, K., & Olahraga, T. (2022). PENERAPAN DATA MINING METODE K-MEANS CLUSTERING UNTUK. 6(2), 849–855
.Normah, Rifai, B., Vambudi, S., & Maulana, R. (2022). Analisa Sentimen Perkembangan Vtuber Dengan Metode Support Vector Machine Berbasis SMOTE. Jurnal Teknik Komputer AMIK BSI, 8(2), 174–180. https://doi.org/10.31294/jtk.v4i2
Nugraha, A., Nurdiawan, O., Dwilestari, G., Studi, P., Informatika, T., Cirebon, K., & Olahraga, T. (2022). PENERAPAN DATA MINING METODE K-MEANS CLUSTERING UNTUK. 6(2), 849–855.
PENERAPAN ALGORITMA K-MEANS DAN METODE MARKETING MIX IMPEMENTATION OF K-MEANS ALGORTHM DAN MARKETING MIX ON STUDENTS SEGMENTATION DAN MARKETING STRATEGY. 8(1), 61–68.
Rismayadi, A., Fatonah, N., & Junianto, E.(2021). Cv, D. I., & Konstruksi, I. (2021). ALGORITMA K-MEANS CLUSTERING UNTUK MENENTUKAN STRATEGI PEMASARAN. 3(1), 30–36.
Salam, A., & Abdiyanti, S. (2022). ANALISIS PENGARUH CELEBRITY ENDORSER, BRAND IMAGE DAN BRAND TRUST TERHADAP KEPUTUSAN PEMBELIAN (STUDI KASUS PADA KONSUMEN WANITA PRODUK SKIN CARE MEREK MS GLOW DI KECAMATAN SUMBAWA). Accounting and Management Journal, 6(1), 60–68. https://doi.org/10.33086/AMJ.V6I1.2204
Sihananto, A. N., Puspita Sari, A., Khariono, H., Akhmad Fernanda, R., & Cakra Mudra Wijaya, D. (2022). Implementasi Metode K-Means Untuk Pengelompokan Kasus Covid-19 Tingkat Provinsi Di Indonesia. Jurnal Informatika Dan Sistem Informasi, 3(1), 76–85. https://doi.org/10.33005/jifosi.v3i1.472
Supriyanti, W., & Puspitasari, N. (2018). Implementasi Teknik Seleksi Fitur Forward Selection Pada Algoritma Klasifikasi Data Mining untuk Prediksi Masa Studi Mahasiswa Politeknik Indonusa Surakarta. Jurnal INFORMA Politeknik Indonesia Surakarta, 4(2), 49–54.
Triyansyah, D., & Fitrianah, D. (2018). Analisis Data Mining Menggunakan Algoritma K-Means Clustering Untuk Menentukan Strategi Marketing. Jurnal Telekomunikasi Dan Komputer, 8(3), 163. https://doi.org/10.22441/incomtech.v8i3.4174
