Article Sidebar

Download
PDF 7-17
Statistic
Read Counter : 5 Download : 1

Downloads

Download data is not yet available.

Main Article Content

Abstract

Kafe Omah Kopi by NSN merupakan usaha kuliner yang menyediakan berbagai jenis minuman kopi dan makanan pelengkap. Permasalahan utama yang dihadapi adalah kesulitan dalam mengidentifikasi produk yang paling laris serta menentukan strategi penjualan yang tepat. Selama ini, proses analisis data penjualan masih dilakukan secara manual dan belum berbasis data historis. Untuk mengatasi permasalahan tersebut, penelitian ini mengembangkan sistem pendukung keputusan (SPK) berbasis k-Means clustering untuk mengelompokkan produk berdasarkan jumlah penjualan dan total pendapatan. Hasil pengelompokan diklasifikasikan menjadi dua kategori, yaitu “Penjualan Tinggi” dan “Penjualan Rendah”. Sistem ini dikembangkan menggunakan bahasa pemrograman Python di lingkungan Google Colab, dengan antarmuka berbasis kode yang disusun secara terstruktur. Evaluasi sistem dilakukan melalui metode black box testing, Elbow Method, dan Silhouette Coefficient untuk mengukur kualitas pengelompokan. Hasil evaluasi menunjukkan bahwa sistem mampu mengelompokkan produk dengan akurasi dan konsistensi yang tinggi, sehingga dapat membantu pemilik kafe dalam merancang strategi promosi dan pengelolaan stok secara lebih efisien dan berbasis data.

Keywords

sistem pendukung keputusan, k-Means clustering, penjualan, Google Colab, Omah Kopi.

Article Details

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

How to Cite
Juwari, A. D. (2025). Pengelompokan Produk Penjualan Menggunakan K-Means Sebagai Pendukung Strategi Bisnis Kafe Omah Kopi. Jurnal Profesi Insinyur Universitas Lampung, 6(2). https://doi.org/10.23960/jpi.v6n2.175
Download Citation
Endnote/Zotero/Mendeley (RIS)
BibTeX

References

  1. M. Darmansyah, T., Aidin, W., Hadi, F., Husnah, M. A. S., Novaliza, A., & Ayumi, “Peran Teknologi dalam Meningkatkan Efisiensi Manajemen Kinerja,” J. Penelit. Ilm. Multidisiplin., 2024.
  2. K. S. R. Sugiartama and N. L. P. S. P. Pradnyani, “ANALISIS KETERSEDIAAN STOK BARANG TERHADAP VOLUME PENJUALAN DI CANGGU SHOP,” Semin. Ilm. Nas. Teknol. Sains, dan Sos. Hum., vol. 5, no. 0 SE-Articles, Jan. 2023, [Online]. Available: https://jurnal.undhirabali.ac.id/index.php/sintesa/article/view/2268
  3. E. F. L. Awalina and W. I. Rahayu, “Optimalisasi Strategi Pemasaran dengan Segmentasi Pelanggan Menggunakan Penerapan K-Means Clustering pada Transaksi Online Retail,” J. Teknol. dan Inf., vol. 13, no. 2, pp. 122–137, 2023, doi: 10.34010/jati.v13i2.10090.
  4. Alya Hastin Nafisah et al, “MEMAHAMI PENGARUH BIG DATA DALAM BISNIS MODERN DENGAN PENGAMBILAN KEPUTUSAN BERBASIS DATA Alya Hastin Nafisah, Jesslyn Olyvviane, Rusdi Hidayat Nugroho, Indah Respati Kusumasari UPN ”Veteran” Jawa Timur,” vol. 5, no. 4, 2024.
  5. H. Syahputra, “Clustering Tingkat Penjualan Menu (Food and Beverage) Menggunakan Algoritma K-Means,” J. KomtekInfo, vol. 9, pp. 29–33, 2022, doi: 10.35134/komtekinfo.v9i1.274.
  6. G. Triyandana, L. A. Putri, and Y. Umaidah, “Penerapan Data Mining Pengelompokan Menu Makanan dan Minuman Berdasarkan Tingkat Triyandana, G., Putri, L. A., & Umaidah, Y. (2022). Penerapan Data Mining Pengelompokan Menu Makanan dan Minuman Berdasarkan Tingkat Penjualan Menggunakan Metode K-Means. Jou,” J. Appl. Informatics Comput., vol. 6, no. 1, pp. 40–46, 2022, doi: 10.30871/jaic.v6i1.3824.
  7. H. A. Siregar, A. Azlan, and N. Y. Lumban Gaol, “Penerapan Data Mining Pada Penjualan Rumah Makan Kasih Ibu Menggunakan Metode K-Means Clustering,” J. Sist. Inf. Triguna Dharma (JURSI TGD), vol. 2, no. 5, p. 750, 2023, doi: 10.53513/jursi.v2i5.8955.
  8. H. Santoso, I. Rochmad, and S. Budiyanto, “Implementasi Etika Profesi Pelaksanaan Pemetaan Cerdas Lokasi Industri Rumahan Berbasis WEB-SIG di Dinas P3ACSKB Provinsi Kepulauan Bangka Belitung,” J. Profesi Ins. Univ. Lampung, vol. 6, no. 1 SE-ARTIKEL, Jun. 2025, doi: 10.23960/jpi.v6n1.149.
  9. B. Erik Sibarani, S. Setiawan, T. Hadi, T. Williams, and T. Mkhize, “Penggunaan Data Analistik dalam Strategi Pemasaran untuk Mempertahankan Loyalitas Pelanggan,” vol. 3, no. 1, pp. 30–39, 2024, [Online]. Available: https://doi.org/10.33050/mentari.v3i1
  10. T. C. Saputra, S. M. Fadhilah, and S. U. Mangkuto, “Segmentation , targeting and positioning analysis using k- means clustering model : A case study of the laptop market in Indonesia,” vol. 12, no. 2, pp. 195–203, 2024.
  11. E. Turban, R. Sharda, and D. Delen, Decision Support and Business Intelligence Systems. Prentice Hall, 2011. [Online]. Available: https://books.google.co.id/books?id=TtE0QgAACAAJ
  12. “K Means Clustering,” 2005, doi: 10.1201/9781420034912.ch3.
  13. 2012 Madhulatha, “PROSIDING SEMINAR NASIONAL MULTI DISIPLIN ILMU & CALL FOR PAPERS UNISBANK (SENDI_U) Kajian Multi Disiplin Ilmu untuk Mewujudkan Poros Maritim dalam Pembangunan Ekonomi Berbasis Kesejahteraan Rakyat ANALISA PENENTUAN JUMLAH CLUSTER TERBAIK PADA METODE K-ME,” pp. 978–979, 2015, [Online]. Available: https://www.unisbank.ac.id/ojs/index.php/sendi_u/article/view/3333
  14. M. . Rani Rotul Muhima, S.Si. et al., Kupas Tuntas Algoritma Clustering Konsep, Perhitungan Manual dan Program. 2018.
  15. W. McKinney, Python for data analysis : data wrangling with Pandas, NumPy, and IPython, Second edi. O’Reilly Media, Inc. [Online]. Available: https://catalog.libraries.psu.edu/catalog/23192893
  16. “colab.google.” [Online]. Available: https://colab.google/?utm_source=chatgpt.com