IMPLEMENTASI K-MEANS UNTUK PENENTUAN KEPUTUSAN PENJUALAN JUS (STUDI KASUS CAFÉ JUS XYZ)

IMPLEMENTATION OF K-MEANS FOR JUICE SALES DECISION-MAKING (CASE STUDY: XYZ JUICE CAFÉ)

Abstract

Usaha penjualan jus buah oleh Café Jus XYZ (nama usaha disamarkan) di Pontianak, Kalimantan Barat menghadapi persaingan yang ketat akibat banyaknya usaha serupa. Kondisi ini menuntut pemilik melakukan pengambilan keputusan berbasis data untuk menentukan prioritas promosi dan pengelolaan stok bahan baku. Penelitian ini memanfaatkan algoritma K-Means untuk mengelompokkan performa menu berdasarkan data transaksi penjualan yang diambil dari sistem kasir periode Juli–September 2025 sebanyak 1.250 transaksi. Data transaksi berbentuk daftar item per transaksi, sehingga dilakukan proses pemisahan item dan agregasi untuk memperoleh jumlah transaksi yang memuat tiap menu. Dari 13 menu yang tersedia, terdapat 10 menu yang tercatat terjual pada periode pengamatan dan digunakan dalam analisis. Hasil K-Means dengan k=3 menghasilkan tiga kategori, yaitu Penjualan Tinggi, Penjualan Sedang, dan Penjualan Rendah. Menu Mango menjadi satu-satunya menu pada kategori Penjualan Tinggi. Enam menu (Avocado, Green Tea, Melon, Melon Lychee, Red Guava, dan Watermelon) masuk kategori Penjualan Sedang, sedangkan tiga menu (Apple, Cookies n Cream, dan Orange) masuk kategori Penjualan Rendah. Selain menghasilkan klaster, kualitas klaster dievaluasi menggunakan metrik internal (WCSS, Silhouette, Davies-Bouldin, dan Calinski-Harabasz) untuk mendukung pemilihan jumlah klaster. Hasil klaster menjadi dasar rekomendasi promosi dan evaluasi menu bagi Café Jus XYZ.

The fruit juice sales business of Café Jus XYZ (business name anonymized) in Pontianak, West Kalimantan, faces intense competition due to the large number of similar businesses. This condition requires data-driven decisions to prioritize promotions and manage raw-material inventory. This study applies the K-Means algorithm to group menu performance using sales transaction data collected from the point-of-sale system during July–September 2025 (1,250 transactions). Each transaction contains a list of purchased items; therefore, the data are split into individual items and aggregated to obtain the number of transactions containing each menu. Although the café offers 13 menu variants, only 10 menus were sold during the observation period and were included in the analysis. The K-Means result with k=3 produces three categories: High, Medium, and Low Sales. Mango is the only menu item in the High Sales category. Six menu items (Avocado, Green Tea, Melon, Melon Lychee, Red Guava, and Watermelon) belong to the Medium Sales category, while three items (Apple, Cookies n Cream, and Orange) fall into the Low Sales category. In addition to clustering, cluster quality is evaluated using internal metrics (WCSS, Silhouette, Davies-Bouldin, and Calinski-Harabasz) to support the choice of the number of clusters. The clustering output is then used to derive recommendations for promotion and menu evaluation.