Perbandingan Algoritma K-Means dan DBSCAN dalam Pengelompokkan Data Penjualan Elektronik

<p><em>This study aims to compare the performance of the K-Means and DBSCAN algorithms in clustering electronic sales data at CV Rey Gasendra. Clustering methods are used to identify sales patterns based on the transaction intensity of each product. The K-Means algorithm was implemented by determining the optimal number of clusters using the Elbow Method and Silhouette Score evaluation. Meanwhile, DBSCAN was applied using a density-based approach, which does not require specifying the number of clusters in advance and relies on eps and minPts parameters. The results showed that K-Means produced more stable and interpretable clusters with a Silhouette Score of 0.961, whereas DBSCAN excelled in detecting outliers and handling irregular data distributions, despite generating a large amount of noise. Performance evaluation using metrics such as Silhouette Score, Davies-Bouldin Index (DBI), and Sum of Squared Errors (SSE) indicated that K-Means is more suitable for structured product segmentation, while DBSCAN is more effective for exploring unusual sales patterns. These findings can support data-driven business decisions, such as marketing strategies, inventory management, and product recommendations.</em></p><p><strong><em>Keywords: </em></strong><em>K-Means; DBSCAN; Clustering; Sales data; Product segmentation</em></p><p><em> </em></p><h1 align="center">Abstrak</h1><p>Penelitian ini bertujuan untuk membandingkan kinerja algoritma <em>K-Means</em> dan DBSCAN dalam pengelompokan data penjualan elektronik pada CV Rey Gasendra. Metode <em>clustering</em> digunakan untuk mengidentifikasi pola penjualan berdasarkan intensitas transaksi setiap produk. Algoritma K-Means diimplementasikan dengan penentuan jumlah klaster optimal menggunakan metode <em>Elbow</em> dan evaluasi <em>Silhouette Score</em>. Sementara itu, DBSCAN diimplementasikan dengan pendekatan berbasis kepadatan, tanpa memerlukan jumlah klaster awal, dan menggunakan parameter eps serta <em>minPts. </em> Hasil penelitian menunjukkan bahwa K-Means memberikan hasil <em>clustering</em> yang lebih stabil dan mudah diinterpretasikan dengan <em>Silhouette Score</em> mencapai 0,961, sedangkan DBSCAN unggul dalam mendeteksi <em>outlier</em> dan menangani data dengan distribusi tidak beraturan, meskipun menghasilkan banyak noise. Evaluasi performa berdasarkan metrik seperti <em>Silhouette Score</em>, <em>Davies-Bouldin Index </em>(DBI), dan <em>Sum of Squared Errors</em> (SSE) menunjukkan bahwa K-Means lebih cocok digunakan untuk segmentasi produk penjualan yang terstruktur, sedangkan DBSCAN lebih efektif untuk eksplorasi pola penjualan yang tidak lazim. Temuan ini dapat membantu pengambilan keputusan bisnis berbasis data, seperti strategi pemasaran, manajemen stok, dan rekomendasi produk.</p><p><strong>Kata kunci: </strong><em>K-Means; DBSCAN; Clustering; Data penjualan; Segmentasi produk</em></p>