PENERAPAN DATA MINING UNTUK SEGMENTASI MENU KOPI BERDASARKAN KARAKTERISTIK PEMINAT MENGGUNAKAN ALGORITMA K-MEANS

Penulis

  • Rizki Habibah Universitas Labuhanbatu
  • Hikmah Aldinar Siregar Universitas Labuhanbatu
  • Ade Lestari Hasibuan Universitas Labuhanbatu
  • Yolanda Listia Universitas Labuhanbatu
  • Aldi Rahmansyah Universitas Labuhanbatu
  • M. Idris Sagala Universitas Labuhanbatu
https://doi.org/10.47561/jtik.v19i1.360
This Abstract has been read 43 times

Abstrak


6Program Studi Teknologi Informasi, Fakultas Sains dan Teknologi, Universitas Labuhanbatu

e-mail: rizkihabibah151@gmail.com1*, ramansyahaldi35@gmail.com2, yolaalistia@gmail.com3, hikmahaldinar13@gmail.com4, adelestari.id@gmail.com5, IdrisSagala.id@gmail.com6

 

ABSTRAK

Pertumbuhan variasi menu kopi menuntut pelaku usaha memahami karakteristik peminat secara lebih terstruktur, sementara data terkait menu dan preferensi konsumen sering belum dimanfaatkan secara optimal dalam proses pengambilan keputusan. Penelitian ini bertujuan melakukan segmentasi menu kopi berdasarkan karakteristik peminat dengan pendekatan data mining. Metode yang digunakan adalah clustering menggunakan algoritma K-means yang diimplementasikan melalui perangkat lunak Orange Data Mining dengan atribut utama berupa harga dan kategori peminat. Proses analisis meliputi tahap prapemrosesan data, penentuan jumlah cluster, serta evaluasi kualitas cluster menggunakan silhouette coefficient. Hasil penelitian menunjukkan bahwa algoritma K-means mampu mengelompokkan menu kopi ke dalam tiga cluster dengan karakteristik harga dan tingkat minat konsumen yang berbeda. Evaluasi menghasilkan nilai silhouette coefficient sebesar 0,725 yang menunjukkan struktur cluster yang kuat dengan pemisahan yang jelas antar kelompok. Visualisasi hasil klasterisasi memperlihatkan tiga segmen utama, yaitu cluster ekonomis dengan harga rendah dan minat tinggi, cluster menengah dengan harga sedang dan minat yang bervariasi, serta cluster premium dengan harga tinggi dan minat konsumen yang tetap kuat. Segmentasi tersebut memberikan gambaran pola preferensi konsumen yang lebih terstruktur sehingga dapat digunakan sebagai dasar dalam perencanaan produk dan penetapan strategi harga pada usaha kopi.



Keywords: data mining, segmentasi, menu kopi, k-means, clustering

CITATIONS

Unduhan

Data unduhan belum tersedia.

Biografi Penulis

Rizki Habibah, Universitas Labuhanbatu

Program Studi Teknologi Informasi, Fakultas Sains dan Teknologi, Universitas Labuhanbatu

Hikmah Aldinar Siregar, Universitas Labuhanbatu

Program Studi Teknologi Informasi, Fakultas Sains dan Teknologi, Universitas Labuhanbatu

Ade Lestari Hasibuan, Universitas Labuhanbatu

Program Studi Teknologi Informasi, Fakultas Sains dan Teknologi, Universitas Labuhanbatu

Yolanda Listia, Universitas Labuhanbatu

Program Studi Teknologi Informasi, Fakultas Sains dan Teknologi, Universitas Labuhanbatu

Aldi Rahmansyah, Universitas Labuhanbatu

Program Studi Teknologi Informasi, Fakultas Sains dan Teknologi, Universitas Labuhanbatu

M. Idris Sagala, Universitas Labuhanbatu

6Program Studi Teknologi Informasi, Fakultas Sains dan Teknologi, Universitas Labuhanbatu

Referensi

L. Abednego, C. E. Nugraheni, and A. Salsabina, “Customer Segmentation: Transformation from Data to Marketing Strategy,” Conf. Ser., vol. 4, no. 1, pp. 139–152, Dec. 2023, doi: 10.34306/conferenceseries.v4i1.645.

K. Affandi, H. O. J. Pramono, S. V. Handjaja, R. Febrianto, K. P. Choiss, and H. Widjojo, “THE FACTORS INFLUENCING CONTEMPORARY COFFEE CONSUMPTION IN THE PANDEMIC ERA,” J. Manaj., vol. 19, no. 1, pp. 1–17, Jul. 2022, doi: 10.25170/jm.v19i1.2951.

E. W. Agustin, K. Uthami, A. I. Ulfa, L. Efrizoni, and R. Rahmaddeni, “Optimization of Customer Segmentation in the Retail Industry Using the K-Medoid Algorithm,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 5, no. 3, pp. 766–775, Jun. 2025, doi: 10.57152/malcom.v5i3.1977.

O. Akande, E. O. Asani, and B. Dautare, “Customer Segmentation Through RFM Analysis and K-Means Clustering: Leveraging Data-Driven Insights for Effective Marketing Strategy,” Ceddi J. Inf. Syst. Technol., vol. 3, no. 1, pp. 14–25, Apr. 2024, doi: 10.56134/jst.v3i1.81.

F. Arifianto, J. Hasudungan, A. Muzaky, and H. T. Y. Achsan, “Segmentasi Pelanggan Berdasarkan Recency, Frequency, dan Monetary dengan K-Means Clustering: Studi Kasus Toko Pakaian Almost Famous,” J. Teknol. Inform. dan Komput., vol. 10, no. 1, pp. 122–135, Mar. 2024, doi: 10.37012/jtik.v10i1.2096.

F. Arifianto, J. Hasudungan, A. Muzaky, and H. T. Y. Achsan, “Segmentasi Pelanggan Berdasarkan Recency, Frequency, dan Monetary dengan K-Means Clustering: Studi Kasus Toko Pakaian Almost Famous,” J. Teknol. Inform. dan Komput., vol. 10, no. 1, pp. 122–135, 2024, doi: 10.37012/jtik.v10i1.2096.

D. A. Awaliyah, Budi Prasetiyo, R. Muzayanah, and A. D. Lestari, “Optimizing Customer Segmentation in Online Retail Transactions through the Implementation of the K-Means Clustering Algorithm,” Sci. J. Informatics, vol. 11, no. 2, pp. 539–548, Jun. 2024, doi: 10.15294/sji.v11i2.6137.

R. Y. Daulay, R. A. Passalaras, and J. Heikal, “Customer Segmentation Using K-Means Clustering with SPSS Program in a Case Study of Consumer Interest in Current Coffee Shop,” Budg. J. Business, Manag. Account., vol. 5, no. 2, pp. 721–740, Apr. 2024, doi: 10.31539/budgeting.v5i2.9288.

S. F. Djun, I. G. A. Gunadi, and S. Sariyasa, “Analisis Segmentasi Pelanggan pada Bisnis dengan Menggunakan Metode K-Means Clustering pada Model Data RFM,” JTIM J. Teknol. Inf. dan Multimed., vol. 5, no. 4, pp. 354–364, Feb. 2024, doi: 10.35746/jtim.v5i4.434.

C. Hafidz Ardana et al., “Segmentasi Pelanggan Penjualan Online Menggunakan Metode K-means Clustering,” 2024.

N. Hanum, C. Prianto, W. I. Rahayu, and H. D. Kishendrian, “SINTECH Journal | 137 Penerapan Metode Clustering Dalam Segmentasi Pelanggan Perusahaan Logistik”, [Online]. Available: https://doi.org/10.31598

A. M. Husein, F. K. Waruwu, Y. M. T. Batu Bara, M. Donpril, and M. Harahap, “Clustering Algorithm For Determining Marketing Targets Based Customer Purchase Patterns And Behaviors,” SinkrOn, vol. 6, no. 1, pp. 137–143, Oct. 2021, doi: 10.33395/sinkron.v6i1.11191.

I. Iqbal, N. Hidayat, D. P. Gevano, and A. P. R. Ilahi, “Segmentasi Pelanggan Menggunakan K-Means Clustering Berdasarkan Data Kepribadian dan Pola Konsumsi,” J. Tek. Inform., vol. 6, no. 5, pp. 3914–3924, Oct. 2025, doi: 10.52436/1.jutif.2025.6.5.5140.

Y. Liu, “Customer Segmentation in User Behavior Analysis: A Comparative Study of Clustering Algorithms,” 2023.

A. G. Ramadhan, “How to cite: Ade Guntur Ramadhan (2023) Data Mining Untuk Segmentasi Pelanggan dengan Algoritma K-Means: Studi Kasus pada Data Pelanggan di Toko Retail DATA MINING UNTUK SEGMENTASI PELANGGAN DENGAN ALGORITMA K-MEANS: STUDI KASUS PADA DATA PELANGGAN DI TOKO RETAIL,” vol. 8, no. 10, 2023, doi: 10.36418/syntax-literate.v6i6.

E. R. Sitorus and I. Nugraha, “Customer Segmentation Analysis with RFM Model (Recency, Frequency, Monetary) and K-Means Clustering: Case Study of Bottled Water Sales at PT XYZ,” vol. X, no. 2, 2025.

T. Soni Madhulatha, “AN OVERVIEW ON CLUSTERING METHODS,” vol. 2, no. 4, pp. 719–725, 2012, [Online]. Available: www.iosrjen.org

K. Tabianan, S. Velu, and V. Ravi, “K-Means Clustering Approach for Intelligent Customer Segmentation Using Customer Purchase Behavior Data,” Sustain., vol. 14, no. 12, Jun. 2022, doi: 10.3390/su14127243.

##submission.downloads##

Diterbitkan

2026-03-19

Cara Mengutip

[1]
R. Habibah, H. A. Siregar, A. L. Hasibuan, Y. Listia, A. Rahmansyah, dan M. I. Sagala, “PENERAPAN DATA MINING UNTUK SEGMENTASI MENU KOPI BERDASARKAN KARAKTERISTIK PEMINAT MENGGUNAKAN ALGORITMA K-MEANS”, JTIK, vol. 19, no. 1, hlm. 11-20, Mar 2026.

Terbitan

Vol 19 No 1 (2026): April

Bagian

Articles

Lisensi

Hak Cipta (c) 2026 Rizki Habibah, Hikmah Aldinar Siregar, Ade Lestari Hasibuan, Yolanda Listia, Aldi Rahmansyah, M. Idris Sagala

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.