P-ISSN: 2723-8202 Volume 7, No 3, Desember 2022, Page: 250-255

E-ISSN: 2503-1171

KLASIFIKASI HASIL PENJUALAN MINUMAN RINGAN PADA

KOPERASI BERDASARKAN JENIS BARANG MENGGUNAKAN
ALGORITMA K-MEANS CLUSTERING

Awaljan1), Tukino2), Elfina Novalia3) Sandi Ahmad4)

1,2,3,4)
Jurusan Sistem Informasi, Fakultas Ilmu Komputer, Universitas Buana Perjuangan Karawang
e-mail: si19.awaljan@mhs.ubpkarawang.ac.id

Abstract
[Classification of Sales of Soft Drinks in Cooperatives Based on Types of Goods Using the K-Means
Clustering Algorithm] The joint cooperative store is one of the efforts given by the joint cooperative
management to increase cooperative income by calculating profits every year and distributing them to
cooperative members in the form of money, commonly known as SHU or the remaining results of operations.
However, there are still shortcomings in the implementation of cooperative sales management, one of which is
the sale of soft drinks. There are still errors in determining the high and low volume of beverage sales. This
research will help cooperative managers to categorize beverage sales data so that customer demand for soft
drinks can be fulfilled properly. The data collected from January 2020 to September 2022 is the sale of 11,945
drinks from 15 soft drinks at the Koperasi Bersama store. This research aims to group the sales recapitulation
results into a cluster using a data mining approach using the K-Means clustering algorithm. Grouping sales
data according to its characteristics. The results of this study indicate that 1 soft drink is included in cluster 0
which is classified as high sales volume, while 14 soft drinks are included in cluster 1 which is classified as low
sales volume.

Keywords: Beverage Sales Data; Clustering; Data Mining; Item Type; K-Means.

Abstrak
Toko koperasi bersama merupakan salah satu upaya yang diberikan oleh pengurus koperasi bersama untuk
meningkatkan pendapatan koperasi dengan cara menghitung keuntungan setiap tahun dan membagikannya
kepada anggota koperasi dalam bentuk uang, yang biasa dikenal dengan SHU atau sisa hasil usaha. Namun
demikian, masih terdapat kekurangan dalam pelaksanaan manajemen penjualan koperasi, salah satunya adalah
penjualan minuman ringan. Masih ada kesalahan dalam menentukan tinggi rendahnya volume penjualan
minuman. Penelitian ini akan membantu pengelola koperasi untuk mengelompokkan data penjualan minuman
dan permintaan pelanggan akan minuman ringan dapat terpenuhi dengan baik. Data yang dikumpulkan dari
Januari 2020 hingga September 2022 adalah penjualan 11.945 minuman dari 15 minuman ringan di toko
Koperasi Bersama. Penelitian ini bertujuan untuk mengelompokkan hasil rekapitulasi penjualan ke dalam sebuah
cluster melakukan nya dengan pendekatan data mining dengan menggunakan algoritma K-Means clustering.
Pengelompokan data penjualan menyesuaikan dengan karakteristik nya. Hasil penelitian ini menunjukkan bahwa
1 minuman ringan termasuk dalam cluster 0 yang tergolong volume penjualan tinggi, sedangkan 14 minuman
ringan termasuk dalam cluster 1 yang tergolong volume penjualan rendah.

Kata Kunci: Clustering; Data Penjualan Minuman; Data Mining; K-Means; Item Type.

1. Pendahuluan
Teknologi informasi dapat memudahkan setiap orang mendapatkan informasi terbaru dan kecepatan layanan
yang semakin tinggi di setiap bidang dengan pemanfaatan internet membuat penyebaran informasi semakin luas

Jurnal TIKA Fakultas Ilmu Komputer Universitas Almuslim, Vol. 7, No. 3 250
 Awaljan – Klasifikasi Hasil Penjualan Minuman Ringan Pada Koperasi Berdasarkan Jenis Barang
Menggunakan Algoritma K-Means Clustering

ke seluruh dunia.(Tukino, Faqih Pratama Muthi, and Aditia Agustian 2021) hal ini juga berpengaruh penuh
terhadap digitalisasi industri perdagangan.
Menurut Kosanke (2019) dalam dunia bisnis yang selalu bergerak dinamis seperti sekarang ini pengelola
bisnis dituntut harus selalu mencari cara untuk melakukan promosi produk dan juga pengembangan bisnis agar
tetap bisa bersaing di pasar. Dengan memanfaatkan media sosial dan platform digital lainnya sebagai penyebaran
informasi yang akurat dan cepat juga dapat mengelola data hasil operasional bisnis, pengelola dapat mencapai
hal yang dibutuhkan tersebut seperti meningkatkan nilai jual produk, menambahkan jenis layanan produk baru
dan meminimalisir biaya operasi perusahaan, efektivitas pemasaran dan tentunya menambah keuntungan
(Endang Swastuti 2020).
Koperasi Bersama merupakan jenis usaha yang bergerak dalam penjualan makanan dan minuman ringan
salah satu jenis produk yang dijual adalah minuman ringan dengan berbagai merk yang berbeda-beda, dalam
pengadaan dan perhitungan produk yang terjual masih manual, membuat pengelola usaha ini sering keliru dan
terjadi penumpukan jenis barang yang berlebih sehingga terjadi nya perkiraan antara jumlah pengadaan produk
yang akan dijual dengan jumlah barang yang sudah terjual.
Koperasi Bersama melakukan strategi bisnis untuk memenuhi kebutuhan pelanggan. Untuk melakukan itu
Koperasi Bersama mengelola data penjualan yang sudah ada dan dianalisis sehingga mengetahui tingkat
keinginan pelanggan di setiap sasaran penjualan produk pada faktor ketertarikan nya. Berdasarkan pengelolaan
data tersebut di didapatkan informasi untuk mengetahui pola konsumsi pelanggan terhadap produk yang terjual.
Melihat berbagai permasalahan ada, penulis mengusulkan teknik pengelompokan data dengan algoritma k-
means untuk memproses data menjadi partisi-partisi pada kumpulan set objek data, Manek, Faisal, and Priyatna
(2018) pada laporan hasil penjualan pada tahun 2020 sampai 2022. Hal ini memudahkan pengelola bisnis dalam
pengadaan stok dan dapat memenuhi kebutuhan pelanggan dengan mendapat informasi akurat juga pengambilan
keputusan dengan cepat terhadap produk minuman ringan yang terjual dengan kriteria Penjualan tinggi, dan
penjualan rendah.

2. Metode
A. Data Mining
Menurut Lia Hananto et al. (2021) proses data mining suatu tindakan memeriksa informasi yang terdapat
pada data besar untuk menemukan hubungan, pola, dan tren yang bermakna. Data mining adalah kegiatan
mengumpulkan, menggunakan, dan menambang kumpulan data yang besar untuk menemukan informasi baru
dengan pola dan hubungan. (Erlangga, Solikhun, and Irawan 2019)
Data mining merupakan rangkaian tindakan untuk memperoleh hasil dari kumpulan data dalam bentuk informasi
terbaru yang tidak diketahui. Suriani (2020) Data mining dapat didefinisikan sebagai analisis otomatis dari data
besar atau kompleks untuk mengetahui alur dan pola yang tersembunyi dari banyak data, untuk keperluan
klasifikasi, estimasi, prediksi, aturan asosiasi, grup, deskripsi, dan visualisasi. Singkatnya, data mining dapat
digambarkan sebagai runtutan penyaringan atau penggalian informasi dari sejumlah data besar. (Adani et al.
2019).
B. Clustering
Clustering suatu proses pengelompokan data untuk dijadikan berdasarkan klasifikasi kelompok, di mana
kemiripan data dalam satu kelompok lebih besar dari kemiripan data pada kelompok lainnya. (Madyatmadja et
al. 2021) Potensi pengelompokan terletak pada kemampuannya untuk mengungkapkan struktur data, yang pada
gilirannya dapat digunakan dalam berbagai aplikasi seperti klasifikasi, pemrosesan gambar dan pengenalan
pola.Pemilihan kesesuaian data terdiri dari beberapa tahap, antara lain tahap pemahaman data merupakan tahap
pendefinisian tujuan dan ruang lingkup penelitian, dimana tujuan dari penelitian adalah untuk mendapatkan
model atau sampel. (Pribadi et al. 2020).
C. K-Means
Menurut Yasa, Rusjayanthi, and Binti Mohd Luthfi (2022) K-means merupakan suatu metode membagi data
ke dalam klaster atau grup, kemudian ciri yang sama pada data di gabungkan menjadi satu klaster. lalu data
dengan karakteristik berbeda disatukan ke dalam grup yang berbeda. Biasanya dengan tujuan untuk
meminimalkan variasi dalam klaster dan memaksimalkan variabilitas antar klaster. (Manek et al. 2018)
Berikut perhitungan algoritma K-Means. (Yoyon arie et al. 2022)
a) Pusat awal klaster ditentukan dengan memilih nilai k secara acak.

Jurnal TIKA Fakultas Ilmu Komputer Universitas Almuslim, Vol. 7 No. 3 251
 Awaljan – Klasifikasi Hasil Penjualan Minuman Ringan Pada Koperasi Berdasarkan Jenis Barang
Menggunakan Algoritma K-Means Clustering

b) Nilai k membagi setiap item data menjadi k bagian dan Euclidean distance digunakan untuk
menentukan pusat cluster.
𝑑𝑒𝑢𝑐𝑙𝑖𝑑𝑒𝑎𝑛 = √∑𝑖=1 (𝒳𝔦 + 𝒴𝔦 ) 2............................................................................................. (1)
c) Centroid dari setiap cluster dihitung sebagai rata-rata dari cluster yang diterima.
d) Pilih langkah 2 dan 3 jika subkelompok diubah. Jika tidak ada perubahan yang dibuat pada klaster,
prosesnya dibatalkan.

3. Hasil dan Pembahasan

A. Analisis Data
1. Merapitulasi data
Dapat dilihat hasil penjualan minuman ringan di masa pandemik dari tahun 2020 sampai 2022 sejak 32 bulan
terakhir, terdapat beberapa jenis minuman ringan mengalami peningkatan ada yang mengalami penerunan.
Tabel 1. Rekapitulasi Penjualan Produk Koperasi
Bulan Bulan Bulan Bulan Bulan Bulan Bulan Bulan
NO Nama minuman …
ke 1 ke 2 ke 3 ke 4 ke 5 ke 6 ke 7 ke 32
1 Cimory 102 6 7 8 12 30 20 …. 10
2 Coca cola original 3 8 4 9 5 13 6 …. 8
3 Fanta strawberry 2 5 2 6 8 10 1 …. 9
4 Jus buah 9 6 3 1 5 3 11 …. 2
5 Larutan 8 1 10 50 20 23 19 …. 1
6 Le minerale 11 8 5 15 3 19 20 …. 10
7 Pocari sweat 11 6 10 7 20 5 6 …. 5
8 Sari asem 17 20 25 13 3 4 8 …. 3
9 Sari kacang ijo 37 4 22 12 8 21 43 …. 12
10 Sprite lemon lime 1 5 4 6 3 14 11 …. 9
11 Susu beruang 24 12 56 23 40 19 18 …. 20
12 Teh tarik p.budi 19 20 35 12 15 62 20 …. 7
13 Teh kotak melati 234 8 28 5 41 88 105 …. 9
14 Teh kotak rasa 47 4 20 6 1 44 26 …. 1
15 Susu ultra milk 40 1 14 10 5 33 34 …. 50

R1 = 102/6/7/8/12/30/20/15/105/97/122/93/25/122/9/81/33/49/59/13/
16/83/124/140/96/124/50/12/23/25/60/10/32 = 55,34375
R2 = 3/8/4/9/5/13/6/12/4/12/8/9/2/1/3/10/1/2/5/4/5/12/7/11/1/1/5/1/7/
5/2/8/32 = 5,8125
R3 = 2/5/2/6/8/10/1/7/7/5/5/4/1/3/1/2/2/6/5/5/9/12/17/9/5/1/1/3/11/
10/5/932 = 5,59375
R15 = 40/1/14/10/5/33/34/1/31/47/41/30/48/51/62/58/65/57/45/7/48/
49/38/66/37/42/2/24/43/44/62/50/32 = 37,03125
2. Menentukan nilai jumlah cluster.
Hasil penjualan minuman ringan dijadikan 2 klaster (k-2). Klaster dibentuk yaitu tinggi dan rendah. Tentukan
titik pusat awal (centroid) secara acak. Berikut ini adalah titik pusat (centroid) yang telah dipilih.

Tabel 2. Pusat Cluster Awal

Coca cola original 3 8 4 9 5 13 6 …. 8
Jus buah 9 6 3 1 5 3 11 …. 2

3. Setiap variabel dihitung jarak nya dari setiap contoh data dengan setiap titik pusat dengan rumus:
𝐷(𝑋2 , 𝑋1 ) = || 𝑋2 − 𝑋1 ||2 = √∑𝑃𝐽=1 |𝑋2 − 𝑋𝐼𝐽 |2 ...................................................................................... (2)

Jurnal TIKA Fakultas Ilmu Komputer Universitas Almuslim, Vol. 7 No. 3 252
 Awaljan – Klasifikasi Hasil Penjualan Minuman Ringan Pada Koperasi Berdasarkan Jenis Barang
Menggunakan Algoritma K-Means Clustering

Tabel 3. Kedekatan
C1 C2 Kedekatan Kelompok data
296,1241 333,35 296,1240944 Cluster 1
102,8345 578,3133 102,8345313 Cluster 1
101,6348 578,5553 101,6348028 Cluster 1
99,99547 522,5603 99,99547327 Cluster 1
139,4992 505,3081 139,4991676 Cluster 1
94,6529 513,6684 94,65290063 Cluster 1
190,045 562,0838 190,0449807 Cluster 1
79,60249 540,6378 79,60248874 Cluster 1
135,783 433,2185 135,7829803 Cluster 1
103,0419 579,5889 103,0418999 Cluster 1
134,9399 528,8603 134,9399384 Cluster 1
120,8878 507,8319 120,8878154 Cluster 1
808,2976 333,35 333,3500412 Cluster 2
109,1623 474,1469 109,1622754 Cluster 1
122,5747 455,0442 122,5746965 Cluster 1
4. Iterasi terakhir
Melakukan perhitungan Iterasi ke-1 sampai iterasi ke-6, dan perhitungan manual selesai seperti pada tabel 4.
B. Hasil Akhir Perhitungan Manual
Dari iterasi ke 1 sampai 6 terdapat hasil yang sama dari sebelumnya maka dari itu perhitungan manual
berhenti dan hasil nya sebagai berikut:
Tabel 4. Iterasi Ke 6 (enam)
No Nama minuman C1 C2 Kedekatan Kelompok
1 Cimory 853,5526 298,4337 298,4337 Cluster 2
2 Coca cola original 875,4702 127,7484 127,7484 Cluster 2
3 Fanta strawberry 875,4296 124,2317 124,2317 Cluster 2
4 Jus buah 859,5859 139,2365 139,2365 Cluster 2
5 Larutan 811,7395 171,8777 171,8777 Cluster 2
6 Le minerale 851,9002 106,642 106,642 Cluster 2
7 Pocari sweat 850,5404 236,6911 236,6911 Cluster 2
8 Sari asem 864,1499 110,0731 110,0731 Cluster 2
9 Sari kacang ijo 823,5903 161,1963 161,1963 Cluster 2
10 Sprite lemon lime 845,5596 126,4469 126,4469 Cluster 2
11 Susu beruang 853,9649 168,6279 168,6279 Cluster 2
12 Teh tarik p.budi 837,4676 135,1056 135,1056 Cluster 2
13 Teh kotak melati 1081,892 759,3539 759,3539 Cluster 1
14 Teh kotak rasa 820,114 139,6335 139,6335 Cluster 2
15 Susu ultra milk 828,6519 152,712 152,712 Cluster 2

Table 4 Pengelompokan anggota klaster

Kelompok Anggota Kelompok (Cluster) Jumlah Anggota
C1 13 1
C2 1,2,3,4,5,6,7,8,9,10,11,12,14,15 14

C. Tampilan Rapid Miner

Gambar 1 menunjukkan hasil cluster model menggunakan tools rapidminer mendapatkan 2 cluster, cluster
0 menunjukkan cluster tertinggi dibanding cluster 1 yang memiliki cluster rendah dari 15 item barang yang
diolah.

Jurnal TIKA Fakultas Ilmu Komputer Universitas Almuslim, Vol. 7 No. 3 253
 Awaljan – Klasifikasi Hasil Penjualan Minuman Ringan Pada Koperasi Berdasarkan Jenis Barang
Menggunakan Algoritma K-Means Clustering

Gambar 1. Nilai Cluster Model

Gambar 2 menunjukkan grafik rekapitulasi setiap bulan nya dan jumlah barang yang terjual, terdapat 1 grafik
berwarna biru yang cenderung naik pada bulan ke 10,11 dan bulan ke 25,29 di tahun berikutnya. Kemudian pada
grafik berwarna merah dari bulan 1 sampai bulan terakhir cenderung konsisten datar atau mendapatkan hasil
penjualan yang rendah.

Gambar 2. Grafik Rekapitulasi

Pada visualisasi scatter/bubble pada gambar 3 menunjukkan 2 cluster yang diperoleh dari 15 data, bahwa
produk teh kotak melati lebih banyak diminati dibandingkan dengan produk lainnya yang terlihat pada node
berwarna hijau di kolom cluster 0 dan 14 jenis minuman lain nya berada pada node berwarna biru di kolom
cluster 1.

Gambar 3. Hasil Pengelompokan

4. Kesimpulan
Perhitungan manual dan pengolahan menggunakan tools RapidMiner memperoleh hasil klasifikasi yang
sama, Penelitian ini berdasar dari data yang diambil dari tahun 2020 sampai 2022 selama 32 bulan terakhir
menghasilkan 1 item barang masuk ke dalam klaster tertinggi yang artinya paling banyak diminati yaitu Teh
Kotak Melati, produk ini pernah terjual 225 pcs di bulan februari tahun 2020 dan mengalami kenaikan lagi pada

Jurnal TIKA Fakultas Ilmu Komputer Universitas Almuslim, Vol. 7 No. 3 254
 Awaljan – Klasifikasi Hasil Penjualan Minuman Ringan Pada Koperasi Berdasarkan Jenis Barang
Menggunakan Algoritma K-Means Clustering

bulan november di tahun yang sama dengan jumlah item 375. Pada tahun 2021 penjualan minuman ringan
cenderung melemah dan kembali mengalami peningkatan pada tahun 2022 dengan jumlah item yang terjual
tertinggi pada teh kotak melati pada bulan januari 2022 sebanyak 300 item dan bulan mei sebanyak 325 item.
Setelah dilakukan analisa dari hasil data yang diolah di ketahui bahwa produk Teh Kotak Melati selain
mempunyai rasa asli Olahan Teh yang cocok di lidah masyarakat indonesia, pemasok produk ini juga selalu
mengirimkan barang dengan tepat waktu dengan jumlah yang banyak, membuat produk teh kotak melati selalu
tersedia di lemari pendingin pada koperasi Bersama. Produk lainnya ada 14 jenis minuman ringan masuk ke
dalam klaster rendah yang memiliki pengertian penjualan cenderung stagnan di setiap bulan nya.

Daftar Pustaka
Adani, Nurin Fadhilah, Ahmad Fitri Boy, S. Kom, M. Kom, Rendy Syahputra, S. Kom, and M. Kom. 2019.
“Implementasi Data Mining Untuk Pengelompokan Data Penjualan Berdasarkan Pola Pembelian
Menggunakan Algoritma K-Means Clustering Pada Toko Syihan.” (x):1–11.
Endang Swastuti. 2020. “Manajemen Inovasi Strategis Dan Adopsi Digital Marketing Upaya Membangun
Keunggulan Bersaing Dan Kinerja Bisnis.” Jurnal Ilmiah Ekonomi Global Vol. 15(No 1 Juni 2020):127–
43.
Erlangga, Nanda, Solikhun Solikhun, and Irawan Irawan. 2019. “Penerapan Data Mining Dalam
Mengelompokan Produksi Jagung Menurut Provinsi Menggunakan Algoritma K-Means.” KOMIK
(Konferensi Nasional Teknologi Informasi Dan Komputer) 3(1):702–9. doi: 10.30865/komik.v3i1.1681.
Informatika, Jurnal, Yoyon Arie, Budi Suprio, Mohamad Farid, Sekolah Tinggi, Ilmu Komputer, Pgri
Banyuwangi, Jend A. Yani, and Banyuwangi Kode Pos. 2022. “TENTANG PENTINGNYA
KEAMANAN INFORMASI DATA PRIBADI BERDASARKAN CLUSTERISASI K-MEANS.”
14(1):17–23.

Kosanke, Robert M. 2019. “済無No Title No Title No Title.”

Lia Hananto, April, Priati Assiroj, Bayu Priyatna, Nurhayati, Ahmad Fauzi, Aviv Yuniar Rahman, and Shofa
Shofiah Hilabi. 2021. “Analysis of Drug Data Mining with Clustering Technique Using K-Means
Algorithm.” Journal of Physics: Conference Series 1908(1). doi: 10.1088/1742-6596/1908/1/012024.
Madyatmadja, Evaristus Didik, Lusi Kusumawati, Syahlaa Perdina Jamil, Wahyu Kusumawardhana, Sistem
Informasi, and Universitas Bina Nusantara. 2021. “Infotech: Journal of Technology Information.” Raden
Ario Damar 7(1):55–62.
Manek, Florida Ivonia, Sutan Faisal, and Bayu Priyatna. 2018. “Penerapan K-Means Clustering Untuk
Mengelompokkan Pelanggan Berdasarkan Data Penjualan Ayam.” Techno Xplore : Jurnal Ilmu Komputer
Dan Teknologi Informasi 3(2):88–93. doi: 10.36805/technoxplore.v3i2.820.
Pribadi, Teguh, Rahmad Irsyada, Hastie Audytra, and Doni Abdul Fatah. 2020. “9006-24189-2-Pb.” 9(1):20–
28.
Suriani, Lilis. 2020. “Pengelompokan Data Kriminal Pada Poldasu Menentukan Pola Daerah Rawan Tindak
Kriminal Menggunakan Data Mining Algoritma K-Means Clustering.” Jurnal Sistem Komputer Dan
Informatika (JSON) 1(2):151. doi: 10.30865/json.v1i2.1955.
Tukino, Faqih Pratama Muthi, and Aditia Agustian. 2021. “Analisis Penerapan Tata Kelola Teknologi Informasi
Menggunakan Cobit 4.1 Pada Peminjaman Buku Perpustakaan ‘Studi Kasus Perpustakaan Kabupaten
Karawang.’” Buana Ilmu 5(2):158–75. doi: 10.36805/bi.v5i2.1812.
Yasa, I. Putu Kerta, Ni Kadek Dwi Rusjayanthi, and Wan Siti Maisarah Binti Mohd Luthfi. 2022. “Classification
of Stroke Using K-Means and Deep Learning Methods.” Lontar Komputer : Jurnal Ilmiah Teknologi
Informasi 13(1):23. doi: 10.24843/lkjiti.2022.v13.i01.p03.

Jurnal TIKA Fakultas Ilmu Komputer Universitas Almuslim, Vol. 7 No. 3 255