Klasterisasi Data Transaksi Konsumen Terhadap Pemilihan Menu Makanan Menggunakan Algoritma K-Means  (Studi Kasus: Solaria Pamulang)

Timor Setiorini; Atang Susila

doi:10.69693/ijmst.v4i3.12627

Authors

Timor Setiorini Universitas Pamulang
Atang Susila Universitas Pamulang

DOI:

https://doi.org/10.69693/ijmst.v4i3.12627

Keywords:

K-Means Clustering, Data Mining, Klasterisasi, Data Transaksi Konsumen, Menu Makanan, Solaria Pamulang

Abstract

Perkembangan industri kuliner yang semakin kompetitif menuntut pelaku usaha untuk memahami perilaku konsumen secara lebih mendalam agar mampu menyusun strategi pemasaran dan pengembangan produk yang tepat sasaran. Salah satu sumber informasi yang dapat dimanfaatkan adalah data transaksi konsumen yang menyimpan pola pembelian dan preferensi menu makanan. Penelitian ini bertujuan menerapkan algoritma K-Means Clustering untuk mengelompokkan data transaksi konsumen berdasarkan karakteristik pemilihan menu makanan di Solaria Cabang Pamulang sehingga diperoleh segmentasi konsumen yang dapat digunakan sebagai dasar pengambilan keputusan bisnis. Data yang digunakan merupakan data transaksi konsumen yang meliputi total transaksi, jumlah item yang dibeli, frekuensi kunjungan, rata-rata nilai belanja, menu favorit, serta waktu dominan pembelian. Tahapan penelitian meliputi pengumpulan data, proses preprocessing, penentuan jumlah klaster, proses klasterisasi menggunakan algoritma K-Means, serta evaluasi kualitas klaster menggunakan Silhouette Coefficient. Hasil penelitian menunjukkan bahwa data transaksi berhasil dikelompokkan menjadi tiga klaster yang merepresentasikan kategori menu dengan tingkat minat tinggi, sedang, dan rendah. Segmentasi tersebut mampu memberikan gambaran karakteristik perilaku konsumen berdasarkan intensitas pembelian dan preferensi menu sehingga memudahkan pihak manajemen dalam menyusun strategi promosi, pengelolaan stok, serta pengembangan variasi menu yang lebih sesuai dengan kebutuhan pelanggan. Dengan demikian, penerapan algoritma K-Means terbukti efektif sebagai metode analisis data transaksi untuk mendukung pengambilan keputusan berbasis data pada industri restoran

References

Anitha, P., & Patil, M. M. (2022). RFM model for customer purchase behavior using K-Means algorithm. Journal of King Saud University – Computer and Information Sciences, 34(5), 1785–1792. https://doi.org/10.1016/j.jksuci.2019.12.011

Barrera, F., Segura, M., & Maroto, C. (2024). Multiple criteria decision support system for customer segmentation using a sorting outranking method. Expert Systems with Applications, 238, 122310. https://doi.org/10.1016/j.eswa.2023.122310

Griva, A., Zampou, E., Stavrou, V., Papakiriakopoulos, D., & Doukidis, G. (2024). A two-stage business analytics approach to perform behavioural and geographic customer segmentation using e-commerce delivery data. Journal of Decision Systems, 33(1), 1–29. https://doi.org/10.1080/12460125.2022.2151071

Kasem, M. S. E., Hamada, M., & Taj-Eddin, I. (2024). Customer profiling, segmentation, and sales prediction using AI in direct marketing. Neural Computing and Applications, 36(9), 4995–5005. https://doi.org/10.1007/s00521-023-09339-6

Li, Y., Chu, X., Tian, D., Feng, J., & Mu, W. (2021). Customer segmentation using K-Means clustering and the adaptive particle swarm optimization algorithm. Applied Soft Computing, 113, 107924. https://doi.org/10.1016/j.asoc.2021.107924

Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53–65. https://doi.org/10.1016/0377-0427(87)90125-7

Shi, C., Wei, B., Wei, S., Wang, W., Liu, H., & Liu, J. (2021). A quantitative discriminant method of elbow point for the optimal number of clusters in clustering algorithm. EURASIP Journal on Wireless Communications and Networking, 2021(1), 31. https://doi.org/10.1186/s13638-021-01910-w

Yulisasih, B. N., Herman, H., Sunardi, S., & Yuliansyah, H. (2024). Evaluation of K-Means clustering using Silhouette Score method on customer segmentation. ILKOM Jurnal Ilmiah, 16(3), 330–342. https://doi.org/10.33096/ilkom.v16i3.2325.330-342

Putra, A. M., Rahmaddeni, R., Saputra, C., Hidayatullah, R., & Irsandi, S. (2025). Penerapan algoritma K-Means clustering dalam menganalisis tren konsumen e-commerce. DEVICE: Journal of Information System, Computer Science and Information Technology, 6(2).

A Framework for Customer Segmentation to Improve Marketing Strategies Using Machine Learning. (2025). Procedia Computer Science, 260, 616–625. https://doi.org/10.1016/j.procs.2025.03.240