Implementasi Algoritma K-Means untuk Segmentasi Produk Farmasi dengan Uji Validitas Cluster

Abstract

Pengelolaan persediaan menjadi tantangan bagi distributor farmasi yang menangani ribuan jenis produk dengan pola penjualan beragam, karena berisiko menimbulkan stockout pada produk bervolume tinggi maupun biaya penyimpanan berlebih pada produk bervolume rendah. Penelitian ini menerapkan algoritma KMeans untuk mengelompokkan produk farmasi berdasarkan volume penjualan, nilai transaksi, dan frekuensi pembelian. Mengingat distribusi data yang tidak seimbang akibat sebagian produk dengan volume ekstrem, dilakukan transformasi logaritmik (log1p) dan normalisasi Min-Max sebelum klasterisasi. Jumlah klaster optimal ditentukan melalui evaluasi Silhouette score, dengan tiga klaster dipilih untuk menghasilkan segmen yang mudah dipahami secara bisnis, yaitu FastMoving, Medium-Moving, dan Slow-Moving. Sistem segmentasi ini diimplementasikan dalam dashboard berbasis website menggunakan Streamlit agar dapat digunakan distributor tanpa perlu memahami proses pemrograman di baliknya. Hasil pengujian menunjukkan nilai Silhouette score sebesar 0,4330 (kategori lemah) dan Davies-bouldin index sebesar 0,7978 (kategori baik), yang menunjukkan struktur klaster tetap dapat diandalkan sebagai dasar pengambilan keputusan segmentasi produk. Dengan demikian, kombinasi transformasi logaritmik, normalisasi Min-Max, dan algoritma K-Means efektif digunakan sebagai solusi pendukung keputusan dalam segmentasi produk farmasi.