Segmentasi Spasio-Temporal Performa Penjualan Produk Sepatu Menggunakan Algoritma K-Means: Spatio-temporal Segmentation of Footwear Sales Performance Using the K-Means Algorithm

Shindy Yuliyatini; Eva Yulyanti; Gandung Triyono

doi:10.57152/malcom.v6i2.2609

Authors

Shindy Yuliyatini Universitas Budi Luhur http://orcid.org/0009-0004-5689-5277
Eva Yulyanti Universitas Budi Luhur
Gandung Triyono Universitas Budi Luhur https://orcid.org/0009-0002-8279-167X

DOI:

https://doi.org/10.57152/malcom.v6i2.2609

Keywords:

K-Means Clustering, Penjualan Sepatu, Segmentasi Spatio-Temporal, Silhouette Score, Stabilitas Cluster

Abstract

Ketimpangan performa penjualan antarwilayah umumnya dianalisis melalui agregasi tahunan yang berpotensi menyembunyikan dinamika pasar. Penelitian ini bertujuan mengusulkan model segmentasi performa penjualan sepatu berbasis spatio-temporal menggunakan algoritma K-Means dengan unit analisis State × Quarter. Dataset diperoleh dari platform Kaggle (Adidas US Sales Dataset) periode 2020-2021 dan diagregasi dari 400 transaksi menjadi 181 observasi menggunakan variabel total sales, units sold, operating profit, dan operating margin. Metode meliputi preprocessing menggunakan IQR dan winsorizing, normalisasi Min-Max, serta clustering K-Means. Evaluasi dilakukan menggunakan Silhouette Score, Davies-Bouldin Index (DBI), Calinski-Harabasz Index (CHI), dan uji stabilitas Adjusted Rand Index (ARI) sebagai metode validasi tambahan untuk mengukur konsistensi hasil clustering. Hasil menunjukkan tiga cluster dengan distribusi 55,8% (rendah), 32,0% (menengah), dan 12,2% (tinggi). Nilai Silhouette Score sebesar 0,4263 menunjukkan pemisahan cluster moderat, sedangkan ARI sebesar 1,000 menunjukkan stabilitas sangat tinggi. Analisis spasio-temporal menunjukkan 52% state mengalami perubahan cluster antarkuartal. Temuan ini menunjukkan adanya dinamika performa wilayah yang tidak terdeteksi dalam agregasi tahunan. Kontribusi ilmiah penelitian ini adalah penerapan segmentasi spatio-temporal berbasis K-Means dengan evaluasi kualitas dan stabilitas cluster untuk mengidentifikasi dinamika performa distribusi wilayah secara lebih akurat.

Downloads

Download data is not yet available.

References

D. Abid, R. W. Adikusuma, A. M. AL Fikri, and R. K. Hapsari, “Penerapan Metode K-Means Clustering Untuk Analisa Penjualan Komoditas Toko Tani Indonesia,” KERNEL J. Ris. Inov. Bid. Inform. dan Pendidik. Inform., vol. 3, no. 2, pp. 25–30, 2023, doi: 10.31284/j.kernel.2022.v3i2.4076.

N. Afiasari, N. Suarna, and N. Rahaningsi, “Implementasi Data Mining Transaksi Penjualan Menggunakan Algoritma Clustering dengan Metode K-Means,” J. SAINTEKOM, vol. 13, no. 1, pp. 100–110, 2023, doi: 10.33020/saintekom.v13i1.402.

R. I. Manarung, E. Widodo, and A. M. Rifai, “Sales Data Clustering Using the K-Means Algorithm to Determine Retail Product Needs,” vol. 5, no. April, pp. 226–234, 2025.

B. I. Nugroho, A. Rafhina, P. S. Ananda, and G. Gunawan, “Customer segmentation in sales transaction data using K-Means Clustering algorithm,” J. Intell. Decis. Support Syst., vol. 7, no. 2, pp. 130–136, 2024, doi: 10.35335/idss.v7i2.236.

A. S. Harish and C. Malathy, “Customer Segment Prediction on Retail Transactional Data Using K-Means and Markov Model,” 2023, doi: 10.32604/iasc.2023.032030.

M. M. Ridzki, I. Hadijah, M. Mukidin, A. Azzahra, and A. Nurjanah, “K-Means Algorithm Method for Clustering Best-Selling Product Data at XYZ Grocery Stores,” Int. J. Soc. Serv. Res., vol. 3, no. 12, pp. 3354–3367, 2023, doi: 10.46799/ijssr.v3i12.652.

E. F. L. Awalina and W. I. Rahayu, “Optimalisasi Strategi Pemasaran dengan Segmentasi Pelanggan Menggunakan Penerapan K-Means Clustering pada Transaksi Online Retail,” J. Teknol. dan Inf., vol. 13, no. 2, pp. 122–137, 2023, doi: 10.34010/jati.v13i2.10090.

Y. Putri, D. Aldo, and W. Ilham, “Retail Marketing Strategy Optimization: Customer Segmentation with Artificial Intelligence Integration and K-Means Clustering,” Sinkron, vol. 8, no. 4, pp. 2155–2163, 2024, doi: 10.33395/sinkron.v8i4.14000.

E. Omol, D. Onyangor, L. Mburu, and P. Abuonji, “Application Of K-Means Clustering For Customer Segmentation In Grocery Stores In Kenya,” Int. J. Sci. Technol. Manag., vol. 5, no. 1, pp. 192–200, 2024, doi: 10.46729/ijstm.v5i1.1024.

J. M. John, O. Shobayo, and B. Ogunleye, “An Exploration of Clustering Algorithms for Customer Segmentation in the UK Retail Market,” Analytics, vol. 2, no. 4, pp. 809–823, 2023, doi: 10.3390/analytics2040042.

P. Anitha and M. M. Patil, “RFM model for customer purchase behavior using K-Means algorithm,” J. King Saud Univ. - Comput. Inf. Sci., vol. 34, no. 5, pp. 1785–1792, 2022, doi: 10.1016/j.jksuci.2019.12.011.

B. K. Kristanto, S. Widyayuningtias, P. Listio, M. Amien, and P. I. Baskoro, “Visit Recommendation Model?: Recursive K-Means Clustering Analysis of Retail Sales Data,” vol. 8, no. 1, pp. 221–225, 2024.

R. Angeline, “Perancangan Segmentasi Pasar Sepatu Lokal Pillary Footwear Menggunakan K-Means Clustering,” vol. 12, no. 1, pp. 734–739, 2025.

S. Sinaga, R. Ananda, H. Q. Karima, and A. M. Tazuddin, “Marketing Analysis of Shoe Products Using Principal Coordinates Analysis and K-Means Clustering Based on the Marketing Mix at Bintang Sepatu Purwokerto MSME,” vol. 6, no. 3, pp. 1405–1418, 2025.

D. Zekri, “Spatiotemporal Clustering of Parking Lots at the City Level for Efficiently Sharing Occupancy Forecasting Models,” pp. 1–25, 2023.

X. He, “A Spatio-temporal Feature Trajectory Clustering Algorithm Based on Deep Learning,” 2022.

O. Dorabiala, D. V. Dabke, J. Webster, J. N. Kutz, and A. Aravkin, “Spatiotemporal k -means,” pp. 1–18, 2024.

Y. T. Tesfaldet, M. G. Elmubarak, and N. Al Hosani, “Extraction of Urban Quality of Life Indicators Using Remote Sensing and Machine Learning?: The Case of Al Ain City , United Arab Emirates ( UAE ),” 2022.

H. Mulyani, R. A. Setiawan, and H. Fathi, “Optimization of K Value in Clustering Using Silhouette Score (Case Study: Mall Customers Data),” J. Inf. Technol. Its Util., vol. 6, no. 2, pp. 45–50, 2023, doi: 10.56873/jitu.6.2.5243.

I. F. Ashari, E. D. Nugroho, R. Baraku, I. N. Yanda, and R. Liwardana, “Analysis of Elbow , Silhouette , Davies-Bouldin , Calinski-Harabasz , and Rand-Index Evaluation on K-Means Algorithm for Classifying Flood- Affected Areas in Jakarta,” vol. 7, no. 1, pp. 95–103, 2023.