Analisis Segmentasi Anggaran Pemasaran dan Penjualan Produk di Industri Retail Menggunakan K-Means Clustering Berbasis R Shiny
DOI:
https://doi.org/10.30599/9a8f3305Abstract
Penelitian ini bertujuan untuk menganalisis pola hubungan antara anggaran pemasaran dan penjualan produk di industri retail melalui segmentasi data menggunakan metode K-Means Clustering, baik secara manual menggunakan Excel maupun otomatis melalui aplikasi R Shiny. Topik ini diangkat karena pentingnya efektivitas alokasi anggaran pemasaran dalam meningkatkan kinerja penjualan di tengah persaingan sektor retail yang semakin ketat. Data yang digunakan sebanyak 68.619 titik data yang kemudian diolah untuk menentukan jumlah klaster dan centroid secara acak. Hasil penelitian menunjukkan terbentuknya tiga klaster dengan distribusi yang signifikan, di mana klaster ketiga memiliki jumlah data terbanyak dan rata-rata harga tertinggi setelah proses scaling. Evaluasi hasil clustering melalui nilai Within Cluster Sum of Squares (WCSS) dan rasio Between_SS/Total_SS sebesar 55,7% mengindikasikan kualitas segmentasi yang cukup baik. Hasil dari perhitungan manual dan otomatis menunjukkan kesamaan yang signifikan, sehingga dapat disimpulkan bahwa metode K-Means efektif dan efisien dalam mengelola data berskala besar serta konsisten dalam mendukung analisis segmentasi anggaran pemasaran terhadap penjualan produk.
References
[1] Kementerian Koordinator Bidang Perekonomian Republik Indonesia. (2021, November 11). Peran penting kontribusi perdagangan ritel dalam mendukung pertumbuhan ekonomi nasional. https://ekon.go.id/publikasi/detail/3442/peran-penting-kontribusi-perdagangan-ritel-dalam-mendukung-pertumbuhan-ekonomi-nasional
[2] Sutrismi, S., & Anggraeni, N. (2023). Pengaruh Biaya Pemasaran terhadap Penjualan (Studi Kasus pada PT. Suling Mas Tritunggal Abadi Tulungagung). JAT: Journal Of Accounting and Tax, 2(1), 23–31. https://doi.org/10.36563/jat.v2i1.785
[3] Saputra, R., Karenina, A., Parinduri, Z. A., Dellyco, A. V., & Qois, A. F. (2025). Penggunaan Metode K-Means Clustering Untuk Segmentasi Pasar Konsumen. JRIIN: Jurnal Riset Informatika dan Inovasi, 2(10), 1895–1901. https://jurnalmahasiswa.com/index.php/jriin/article/view/2216
[4] Prasetiyo, D., Lestari, W., & Atima, V. (2024). Penerapan clustering dengan K-means untuk pemilihan menu favorit di Tetra Coffeeshop. JATISI (Jurnal Teknik Informatika dan Sistem Informasi), 11(3). https://doi.org/10.35957/jatisi.v11i3.8347
[5] Muhaimin, M. A., Niswatin, R. K., Wulanningrum, R., & Muttaqien, H. (2024). Penerapan metode Rank Order Centroid (ROC) dan Simple Additive Weighting (SAW) dalam sebuah sistem pendukung keputusan pemilihan cafe terbaik. Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi), 8(2), 739–748.
[6] Algoritma Data Science School. (2022, Maret 29). Mengenal R-Shiny, Aplikasi Web Interaktif Modern. Algoritma. https://algorit.ma/blog/r-shiny-adalah-2022/
[7] Eko, Y., Rema, Y. O. L., Ullu, H. H., & Baso, B. (2023). Implementasi metode K-Means Clustering untuk menentukan kondisi gizi balita (Studi kasus: Puskesmas Mamsena). Jurnal TEKNO KOMPAK, 19(1), 163–177.
[8] Wahyudi, M., Masitha, M., Saragih, R., & Solikhun. (2020). Data mining: Penerapan algoritma K-Means clustering dan K-Medoids clustering. Kita Menulis.
[9] Beeley, C., & Sukhdeve, S. (2013). Web Application Development with R Using Shiny. Packt Publishing.
