Dynamic Time Warping Pada Metode K-Means Untuk Pengelompokan Data Trend Penjualan Produk

Abstract

Pasar swalayan menghasilkan transaksi penjualan dengan pelanggan dengan laju pertumbuhan data tinggi. Data transaksi sejumlah barang memiliki pola berbeda, ada yang tinggi dan ada yang rendah. Perbedaan ini mengakibatkan pola penjualan antar satu produk dengan produk lainnya berbeda. Pola ini juga mengakibatkan pengelolaan stok dan promosi juga berbeda. Maka, untuk memudahkan pengelolaan barang, perlu dilakukan pengelompokan trend penjualan otomatis menggunakan K-Means. Namun, metode perhitungan jarak (dissimilarity) standar tidak tepat digunakan pada data periodik. Penelitian ini bereksperimen mengelompokkan data periodic trend penjualan produk menggunakan metode K-Means dan DTW (Dynamic Time Warping) untuk perhitungan jarak. DTW melakukan perhitungan jarak dengan memperhatikan data histori periode sebelum dan setelah data yang sedang dihitung. Pelibatan data disekitarnya akan membentuk jarak sesuai dengan pola data periodik. Hasil pengelompokan data tahun 2021, Cluster 1 dengan 417 data memiliki pola naik dari awal tahun kemudian menurun, selanjutnya perlahan naik kembali di pertengahan hingga akhir tahun. Cluster 2 dengan 2403 data memiliki pola stabil di awal tahun, ketika di pertengahan tahun mulai naik, kemudian di akhir tahun turun namun kembali naik. Cluster 3 dengan 289 data memiliki pola menurun saat awal tahun, namun terlihat stabil hingga akhir tahun. Hasil ekeperimen pengelompokan trend penjualan menggunakan metode K-Means dengan jarak DTW menunjukkan hasil yang baik dan memiliki pola data dalam kelompok yang sesuai karakteristik alami. Hal ini didukung oleh validitas Davies-Bouldin index -1.215 dimana nilai yang semakin kecil mendekati nol menunjukkan kualitas cluster yang dicapai baik.

Keywords

• trend
• pengelompokan
• penjualan
• k-means
• dynamic time warping