Analisis Klasterisasi Penjualan Global Berdasarkan Kategori Produk dan Negara Tujuan Menggunakan Metode K-Means
Keywords:
Data Mining, K-Means Clustering, PCA, Penjualan Global, Segmentasi PasarAbstract
Penelitian ini bertujuan untuk melakukan analisis klasterisasi terhadap data penjualan global guna memetakan karakteristik wilayah negara tujuan dan preferensi kategori produk secara bersamaan. Metodologi yang digunakan Adalah Knowledge Discovery in Database (KDD) yang mengimplementasikan algoritma K-Means Clustering. Dataset yang dinalisis mencakup 2.000 transaksi ritel dari 10 negara tujuan dan 8 kategori produk. Pada tahap pra=pemrosesan, penggunaan StandardScaler dan Pricipal Component Analysis (PCA) berhasil mereduksi dimensi dengan menangkap 55,6% varians data sekaligus mengingkatkan kualitas klasterisasi secara substansial. Berdasarkan pengujian metode Elbow, didapatkan jumlah klister optimal sebanyak tiga (K=3). Evaluasi hasil klasterisasi menunjukkan pemisahan yang sangat baik dengan Silhouette Score sebesar 0,5412 dan Davies-Bouldin Index 0,5309. Hasil analisis mengidentifikasi tiga profil pasar utama: Klaster 1 (Pasar Mixed & Balanced) yang responsive terhadap diversifikasi produk, Klaster 2 (Pasar Beauty & Lifestyle) dengan dominasi produk kecantikan dan olahraga, serta Klaster 3 (Pasar Books & Education) yang berorientasi pada buku dan kebutuhan harian. Selain itu, penelitian ini juga menghasilkan aplikasi web interaktif berbasis Streamlit Bernama GlobeCluster. Secara praktis, hasil riset ini memberikan rekomendasi strategis berbasis data bagi pemangku kebijakan bisnis internasional untuk mengoptimalkan alokasi inventaris logistik.
References
[1] . Lonjakan volume transaksi digital ini menghasilkan banyak data penjualan ritel yang menyimpan potensi informasi berharga tentang dinamika pasar dunia
[2] . Namun, banyaknya data transaksi ini sering kali menciptakan fenomena data melimpah, informasi kurang karena kegagalan dalam mengoptimalkan basis data akibat analisis yang terbatas
[3] . Dalam konteks pasar global, kompleksitas perilaku komsumen terlihat jelas dalam dataset operasional yang mencatat riwayat 2000 transaksi ritel lintas batas negara secara global
[4] . Ekosistem transaksional ini mencakup segmentasi geografisnke berbagai negara tujuan utama seperti Australia, Brasil, Kanada, Jerman, Prancis, India, Jepang, Meksiko, dan Amerika Serikat. Selain itu, pangkalan data ini mencakup berbagai jenis komoditas yang meliputi kategori produk Kecantikan, Buku, Pakaian, Elektronik, Barang Kebutuhan, Perabotan Rumah & Dapur, Olahraga, dan Mainan. Untuk mengatasi hambatan dalam mengekstrak informasi dari tumpukan data yang sangat besar dan bervariasi, penerapan metodologi data mining yang berbasis kecerdasan buatan menjadi solusi yang penting
[5] . Penelitian ini untuk memahami karakteristik pasar secara menyeluruh dapa dilakukan dengan baik melalui pendekatan segmentasi konsumen menggunakan model pembelajaran mesin (machine learning)
[6] . Salah satu algoritma pembelajaran tanpa pengawasan (unsupervised learning) yang terbukti paling andal dan efisien dalam mengidentifikasi pola perilaku pembelian adalah algoritma K-Means clustering
[7] . Dalam praktiknya, proses ekstraksi pengetahuan ini diterapkan dalam kerangka kerja yang terorganisir dan sistematis seperti metodologi KDD maupun CRIPS-DM. Dengan pendekatan terorganisir ini variabel transaksional yang bersifat multimedia bisa disederhanakan tanpa menghilangkan inti informasi penting yang terdapat di dalamnya
[8] . Oleh sebab itu, penelitian ini bertujuan untuk mengimplementasikan metode data science dengan memanfaatkan teknik klasterisasi untuk menguraikan kompleksitas pola penjualan komersial. Beberapa penelitian terdahulu telah membuktikan keandalan algoritma K-Means dalam menaganalis data transaksi penjualan. Penelitian yang dilakukan oleh
[9] menunjukkan bahwa K-Means sangat efektif untuk mengelompokkan data transaksi penjualan guna menyusun strategi pemasaran yang lebih terfokus dan efisien. Keandalan metode ini juga dibuktikan oleh
[10] dalam industri kuliner, di mana klasterisasi pola penjualan terbukti memberikan wawasan strategis untuk manajemen stok dan efisiensi operasional. Dalam lingkup perdangan internasional, penelitian
[11] Sukses mengintergrasikan metode K-Means untuk mengklasterisasi produk berdasarkan negara tujuan ekspor, yang menghasilkan segmentasi pasar objektf untuk penentuan skala prioritas alokasi inventaris. Berdasarkan kajian literatur tersebut, penelitian ini akan mengadaptasi metode K-Means untuk memecahkan masalah segmentasi pasar bersakal gloa yang memadukan variabel kategori produk dan negara tujuan secara bersamaan. Tujuan utama dari penelitian ini adalah untuk melakukan analisis klasterisasi yang mendalam terhadap data penjualan global dengan tujuan memetakan karakteristik wilayah negara tujuan dan preferensi komoditas produk secara bersamaan menggunakan metode K-Means. Melalui pengelompokan berdasarkan dataset historis ini, diharapkan bisa terungkap pola hubungan tersembunyi yang menghubungkan volume transaksi wilayah tertentu dengan kategori produk spesifik secara akurat. Secara praktis, hasil dari riset ini ditargetkan dapat memberikan rekomendasi keputusan yang berbasis data kepada pemangku kebijakan bisnis internasoinal dalam rangka mengoptimalkan alokasi inventaris barang digudang kawasan serta meningkatkan efisiensi biaya logistik. Metodologi Penelitian Penelitian ini dilaksanakan dengan menerapkan kerangka kerja Knowledge Discovery in Database (KDD). KDD merupakan pendekatan metodologis yang terstruktur untuk mengidentifikasi dan mengekstraksi pola yang valid, baru, dan bermanfaat dari sekumpulan data berskala besar
[12] .Tahapan KDD dalam penelitian ini diadaptasi ke dalam tiga fase utama, yaitu pra-pemrosesan data, data mining, dan evaluasi
[13] . Pra-Pemrosesan Data Data mentah transaksi e-commerce sering kali mengandung noise atau nilai anomali yang dapat mengurangi akurasi pemodelan. Oleh karena itu, tahap pra-pemrosesan dilakukan untuk membersihkan data dan menyeleksi atribut yang relevan. Data kemudian ditransformasikan dari format awalnya menjadi matriks numerik kontinu. Transformasi ini bertujuan agar mesin dan algoritma dapat menghitung jarak matematis antar data secara optimal tanpa adanya ambiguitas
[14] . Data Mining Data mining merupakan proses inti dalam kerangka kerja KDD yang bertujuan mengekstraksi pola dan pengetahuan dari data yang telah melalui tahap pra-pemrosesan. Pada penelitian ini, data mining diimplementasikan melalui dua tahapan utama, yaitu penentuan jumlah klaster optimal dan pelaksanaan algoritma K-Means Clustering. Penentuan Jumlah Klaster Optimal Sebelum proses algoritma K-Means dijalankan, jumlah klaster yang paling optimal (K) harus ditentukan terlebih dahulu. Pendekatan yang digunakan dalam penelitian ini adalah Metode Elbow. Metode ini mengevaluasi kualitas klasterisasi dengan menghitung nilai Sum of Squared Errors (SSE) pada berbagai pengujian nilai K
[15] . Titik optimal yang dipilih sebagai jumlah klaster adalah ketika grafik penurunan nilai SSE mulai membentuk sudut patahan yang melandai secara signifikan, menyerupai bentuk siku. Pengujian dilakukan pada ruang PCA 2D dengan rentang K = 1 hingga 9, yang kemudian dikonfirmasi dengan metrik Silhouette Score sebagai validasi tambahan. Algoritma K-Means Clustering K-Means adalah salah satu algoritma unsupervised learning berjenis partisional yang membagi data ke dalam sejumlah kelompok berdasarkan tingkat kemiripan karakteristiknya
[16] . Proses komputasi pada algoritma K-Means dijalankan pada data yang telah direduksi dimensinya (X_pca) melalui langkah-langkah sistematis berikut: Inisialisasi: Penentuan nilai K dan inisialisasi titik pusat klaster (centroid) secara acak pada ruang dimensi PCA (2D). Perhitungan Jarak: Perhitungan jarak kedekatan antara setiap titik data terhadap titik centroid menggunakan formula Euclidean Distance pada ruang PCA: Alokasi Klaster: Pengalokasian setiap data ke dalam klaster yang memiliki nilai jarak Euclidean paling minimum. Pembaruan Centroid: Pembaruan letak centroid dengan cara menghitung nilai rata-rata (mean) dari seluruh titik data yang tergabung dalam klaster yang sama. Konvergensi: Pengulangan iterasi perhitungan jarak dan pembaruan letak centroid hingga kondisi konvergen tercapai, yang ditandai dengan tidak adanya data yang berpindah kelompok atau total pergeseran centroid mendekati nol. Untuk interpretasi hasil bisnis, centroid pada ruang PCA diinverse-transform kembali ke ruang fitur asli melalui inverse PCA dan inverse StandardScaler, sehingga nilai centroid dapat dibaca dalam satuan USD asli. Evaluasi Tahap akhir dari proses Knowledge Discovery in Database (KDD) adalah melakukan evaluasi dan validasi terhadap pola atau model yang telah terbentuk. Pada penelitian ini, kualitas dari algoritma K-Means diukur menggunakan dua metrik evaluasi standar, yaitu: Silhouette Score: Metrik ini digunakan untuk mengukur seberapa baik sebuah objek ditempatkan di dalam klasternya sendiri (kohesi) dibandingkan dengan klaster lain (separasi). Nilai Silhouette Score berada pada rentang -1 hingga 1. Nilai yang positif dan mendekati 1 menunjukkan bahwa objek telah terklasterisasi dengan tepat dan memiliki jarak yang jauh dari klaster tetangganya. Davies-Bouldin Index (DBI): Metrik ini mengevaluasi kualitas klaster dengan menghitung rasio antara penyebaran data di dalam klaster dengan jarak antarpusat klaster (centroid). Semakin kecil nilai DBI (mendekati angka 0), maka model klasterisasi dianggap semakin baik karena mengindikasikan bahwa klaster-klaster yang terbentuk sangat padat dan terpisah dengan jelas antara satu sama lain. Hasil dan Pembahasan Pra-Pemrosesan Data Dataset yang digunakan dalam penelitian ini adalah Global Retail E-Commerce Dataset yang bersumber dari platform Kaggle https://www.kaggle.com/datasets/smayanj/e-commerce-transactions-dataset. Dataset ini diunggah oleh AJ pada tahun 2025 dan terdiri dari 2.000 transaksi ritel lintas 10 negara (Australia, Brazil, Canada, France, Germany, India, Japan, Mexico, UK, USA) dan 8 kategori produk (Beauty, Books, Clothing, Electronics, Grocery, Home & Kitchen, Sports, Toys). Data mentah diagregasi menjadi matriks 10×8 yang merepresentasikan total penjualan (USD) per negara per kategori. Karena rentang nilai antarkategori berbeda, dilakukan standardisasi menggunakan StandardScaler (Z-score) agar distribusi data setara dan memenuhi prasyarat PCA. Reduksi dimensi dengan 2 komponen PCA menangkap 55,5% varians data (PC1: 35,0%, PC2: 20,5%), yang cukup merepresentasikan pola dominan penjualan global. Tabel 1. Nilai Proyeksi Data pada Ruang PCA (2D) Proyeksi PCA menunjukkan Australia dan Canada memiliki nilai PC1 positif tinggi, sementara Brazil dan Germany memiliki nilai negatif signifikan, mengindikasikan perbedaan pola konsumsi yang kontras antarwilayah. Data Mining Data mining merupakan proses inti dalam kerangka kerja KDD yang bertujuan mengekstraksi pola dan pengetahuan dari data yang telah melalui tahap pra-pemrosesan. Pada penelitian ini, data mining diimplementasikan melalui tiga tahapan utama, yaitu penentuan jumlah klaster optimal, pelaksanaan algoritma K-Means Clustering, serta perancangan dan implementasi sistem aplikasi GlobeCluster. Penentuan Jumlah Klaster Optimal Sebelum menjalankan algoritma K-Means, ditentukan terlebih dahulu jumlah klaster optimal (K) menggunakan Metode Elbow. Metode ini menghitung nilai Sum of Squared Errors (SSE) untuk berbagai nilai K dan mengidentifikasi titik "siku" di mana penurunan SSE mulai melandai secara signifikan. Tabel 2. Nilai SSE untuk Berbagai Jumlah Klaster (K) Berdasarkan Tabel 2, penurunan SSE paling signifikan terjadi dari K=1 ke K=2 (22.1918) dan dari K=2 ke K=3 (14.5523). Setelah K=3, penurunan SSE mulai melandai (2.7186 untuk K=3 ke K=4). Oleh karena itu, K=3 dipilih sebagai jumlah klaster optimal karena menyeimbangkan kompleksitas model dan kualitas klasterisasi. Grafik Silhouette Score pada ruang PCA 2D juga menunjukkan nilai tertinggi pada K=3 (0.5412), yang mengkonfirmasi pemilihan K=3 sebagai optimal. Algoritma K-Means Clustering dan Hasil Klasterisasi Berdasarkan nilai K optimal yang telah ditentukan, algoritma K-Means dijalankan pada data yang telah direduksi dimensinya (X_pca) dengan langkah-langkah sistematis sebagai berikut: (a) inisialisasi tiga titik centroid secara acak pada ruang PCA 2D; (b) perhitungan jarak Euclidean antara setiap titik data terhadap centroid; (c) alokasi data ke klaster dengan jarak minimum; (d) pembaruan posisi centroid dengan nilai rata-rata anggota klaster; dan (e) iterasi berulang hingga kondisi konvergensi tercapai. Algoritma K-Means pada data X_pca mencapai konvergensi dalam 3 iterasi dengan rincian pada Tabel 3. Tabel 3. Ringkasan Proses Iterasi K-Means Hasil akhir penugasan klaster per negara disajikan pada Tabel 4. Tabel 4. Hasil Akhir Penugasan Klaster per Negara Untuk interpretasi hasil bisnis, centroid pada ruang PCA di-inverse-transform kembali ke ruang fitur asli melalui inverse PCA dan inverse StandardScaler, sehingga nilai centroid dapat dibaca dalam satuan USD asli. Nilai centroid final yang merepresentasikan karakteristik rata-rata penjualan tiap klaster disajikan pada Tabel 5. Tabel 5. Nilai Centroid Final (Skala Asli / USD) Tabel 6. Metrik Evaluasi K-Means Clustering Berdasarkan hasil pada Tabel 6, nilai Silhouette Score sebesar 0,5412 menunjukkan bahwa kualitas klaster yang terbentuk sudah baik karena berada di atas 0,5. Hal ini berarti data pada umumnya jauh lebih dekat dengan titik centroid klasternya sendiri jika dibandingkan dengan klaster lainnya. Sementara itu, nilai Davies-Bouldin Index sebesar 0,5309 yang rendah (berada di bawah 1) mengindikasikan bahwa klaster-klaster yang terbentuk terpisah dengan sangat baik dan memiliki tingkat kepadatan data yang tinggi. Hasil evaluasi ini juga menunjukkan peningkatan performa yang sangat signifikan jika dibandingkan dengan metode sebelumnya tanpa penerapan StandardScaler dan PCA. Pada metode sebelumnya, nilai Silhouette Score hanya mencapai 0,1034 dan Davies-Bouldin Index berada di angka 1,4407. Peningkatan metrik validasi yang drastis ini membuktikan bahwa kombinasi penggunaan StandardScaler dan Principal Component Analysis (PCA) pada tahap pra-pemrosesan data berhasil meningkatkan kualitas klasterisasi secara substansial. Berdasarkan hasil klasterisasi dan evaluasi metrik tersebut, diidentifikasi tiga profil pasar utama: K1 — Pasar Mixed & Balanced (France, India, Mexico, USA): responsif terhadap diversifikasi produk dengan distribusi penjualan yang relatif merata. K2 — Pasar Beauty & Lifestyle (Brazil, Germany, Japan, UK): dominasi produk kecantikan, olahraga, dan mainan. K3 — Pasar Books & Education (Australia, Canada): berorientasi pada buku dan kebutuhan harian (grocery). Desain dan Implementasi Sistem Sebelum proses klasterisasi, dirancang desain sistem yang menggambarkan alur kerja dan interaksi pengguna. Desain sistem terdiri dari flowchart yang merepresentasikan alur proses klasterisasi dari awal hingga akhir, dimulai dari pengunggahan dataset, pemrosesan K-Means, visualisasi hasil, hingga ekspor data. Berdasarkan desain tersebut, dikembangkan aplikasi web interaktif GlobeCluster berbasis Streamlit dengan antarmuka intuitif agar pengguna dapat melakukan analisis K-Means tanpa keahlian pemrograman. Gambar 1. Flowchart Sistem Klasterisasi Sistem terdiri dari tiga halaman utama yang diakses melalui sidebar navigasi: Halaman Beranda & Data Halaman ini merupakan titik masuk pengguna untuk mengunggah dataset (Excel/CSV) dengan validasi otomatis kolom wajib (Country, Product_Category, Purchase_Amount). Setelah berhasil diunggah, sistem menampilkan ringkasan statistik (Total Transaksi, Jumlah Negara, Kategori Produk, Total Penjualan) dalam format kartu metrik dan tiga tab eksplorasi: Preview Data, Statistik, serta Distribusi. Gambar 2. Tampilan Halaman Beranda & Data GlobeCluster Halaman Analisis K-Means Halaman inti sistem yang mengimplementasikan tahapan KDD secara visual melalui lima bagian: (1) Pra-Pemrosesan Data — matriks agregasi 10×8, standardisasi StandardScaler (Z-score), dan heatmap; (2) Reduksi Dimensi PCA — proyeksi data ke ruang 2D dengan informasi varians; (3) Penentuan K Optimal — grafik Elbow dan Silhouette Score pada ruang PCA dengan slider interaktif; (4) Jalankan K-Means — eksekusi algoritma pada data X_pca; serta (5) Hasil Klasterisasi — empat kartu metrik (Silhouette 0,5412; DBI 0,5309; K=3; 10 negara), tabel penugasan klaster, dan empat tab visualisasi (Tabel, Heatmap, Perbandingan, Distribusi). Bagian bawah menyajikan interpretasi tiga profil pasar: K1 Mixed & Balanced (France, India, Mexico, USA), K2 Beauty & Lifestyle (Brazil, Germany, Japan, UK), dan K3 Books & Education (Australia, Canada). Gambar 3. Tampilan Halaman Analisis K-Means GlobeCluster Halaman Hasil & Export Halaman repositori dokumentasi dengan ringkasan metrik, tabel lengkap penugasan klaster, centroid final, ringkasan anggota berbasis card, serta tiga opsi ekspor: CSV data, CSV centroid, dan Excel multi-sheet. Gambar 4. Tampilan Halaman Hasil & Export GlobeCluster Evaluasi Untuk mengukur kualitas klaster yang terbentuk dari proses pemodelan, penelitian ini menggunakan dua metrik evaluasi standar, yaitu Silhouette Score dan Davies-Bouldin Index. Hasil pengukuran dan interpretasi lengkap telah disajikan pada Tabel 6 di subbab B.2. Sebagai ringkasan, model menghasilkan nilai Silhouette Score sebesar 0,5412 dan Davies-Bouldin Index sebesar 0,5309, yang menunjukkan pemisahan klaster yang sangat baik. Perbandingan dengan metode tanpa pra-pemrosesan (Silhouette Score 0,1034; DBI 1,4407) membuktikan bahwa penerapan StandardScaler dan PCA berhasil meningkatkan kualitas klasterisasi secara signifikan. Validasi tambahan melalui aplikasi GlobeCluster menunjukkan bahwa hasil klasterisasi konsisten antara komputasi backend dan visualisasi frontend, dengan konvergensi algoritma tercapai dalam 3 iterasi sebagaimana tercatat pada Tabel 3. Kesimpulan Penelitian ini mengimplementasikan K-Means clustering dengan StandardScaler dan PCA untuk menganalisis pola penjualan global dari 2.000 transaksi e-commerce lintas 10 negara dan 8 kategori produk. StandardScaler memenuhi prasyarat PCA yang mereduksi dimensi menjadi 2 komponen dengan menangkap 55,5% varians data (PC1: 35,0%, PC2: 20,5%). Metode Elbow pada ruang PCA menghasilkan K=3 optimal, yang dikonfirmasi Silhouette Score 0,5412 dan Davies-Bouldin Index 0,5309 — peningkatan signifikan dibandingkan metode tanpa PCA (0,1034 dan 1,4407). Hasil analisis mengidentifikasi tiga profil pasar: K1 Pasar Mixed & Balanced (France, India, Mexico, USA); K2 Pasar Beauty & Lifestyle (Brazil, Germany, Japan, UK) dengan dominasi Beauty, Sports, dan Toys; serta K3 Pasar Books & Education (Australia, Canada) yang berorientasi pada kebutuhan edukasional. Penelitian ini juga menghasilkan aplikasi web interaktif GlobeCluster berbasis Streamlit untuk visualisasi dan ekspor hasil analisis. Secara praktis, K1 direkomendasikan strategi diversifikasi produk, K2 memprioritaskan alokasi inventaris pada kategori Beauty, Sports, dan Toys, serta K3 fokus pada Books dan Grocery dengan bundling produk edukasi. Keterbatasan terletak pada ukuran dataset yang relatif kecil (10 negara), sehingga penelitian selanjutnya dapat memperluas cakupan dataset, menambahkan dimensi temporal, membandingkan algoritma clustering lainnya, dan mengeksplorasi jumlah komponen PCA yang lebih optimal. Referensi
[17] I. Q. A, L. Anggraini, and G. D. Asmara, “Analysis of the Development of E-Commerce Transactions in the 6 Highest Transaction Countries in Southeast Asia,” vol. 8, no. 2, 2025, doi: 10.18196/jerss.v8i2.22033.
[18] 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.
[19] M. Almaripat, A. Faqih, and A. R. Rinaldy, “Sales Data Classterization Analysis Using K-Means Method for Marketing Strategy Development,” vol. 4, no. 2, 2025.
[20] Y. Qu, “Research on Purchasing Behavior Pattern of E-commerce Platform Consumers Based on Big Data Analysis,” vol. 0, pp. 187–191, 2025, doi: 10.54254/2754-1169/177/2025.22481.
[21] Y. Putri, D. Aldo, W. Ilham, U. T. Padang, and C. I. Cendekia, “Retail Marketing Strategy Optimization : Customer Segmentation with Artificial Intelligence Integration and K-Means Clustering,” vol. 8, no. 4, pp. 2155–2163, 2024.
[22] H. Priscianus Mikael Kia Mado, “Implementasi Algoritma Clustering K-Means untuk,” vol. 6, no. 3, pp. 1680–1686, 2025.
[23] H. Safitri, S. Putri, L. Geni, F. Merry, and M. Wati, “Penerapan K-Means Clustering untuk Segmentasi Konsumen E-Commerce Berdasarkan Pola Pembelian,” vol. 7, pp. 89–99, 2025.
[24] M. Evelin, “Implementation of Customer Segmentation Model using K-Means and DBSCAN for Fashion Industry Product Transaction,” vol. 9, no. November, pp. 2559–2568, 2025.
[25] M. Fajar Maulana Adji and G. Dwilestari, “Analisis Data Transaksi Penjualan Barang Menggunakan Teknik K-Means Clustering,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 1, pp. 619–625, 2024, doi: 10.36040/jati.v9i1.12433.
[26] D. Rusvinasari and L. H. Annisa, “Klasterisasi Pola Penjualan Menu Makanan pada Rumah Makan menggunakan Metode K-Means Clustering,” J. Inform. J. Pengemb. IT, vol. 10, no. 2, pp. 398–409, 2025, doi: 10.30591/jpit.v10i2.8511.
[27] R. A. Nabila et al., “Implementasi Teknik RFM dan K-Means untuk Klasterisasi Produk Berdasarkan Negara Tujuan,” vol. 02, no. 01, pp. 14–24, 2026.
[28] R. A. Pramudya and V. B. Adiguna, “K-Means Clustering Analysis For Identifying Product Purchase Patterns Based On Country On E-Commerce Platforms,” RIGGS J. Artif. Intell. Digit. Bus., vol. 4, no. 4, pp. 83–88, 2025, doi: 10.31004/riggs.v4i4.3296.
[29] A. R. F. Falih, R. Kurniawan, Y. Arie Wijaya, and S. Anwar, “Algoritma K-Mean Untuk Optimalisasi Model Clustering Data Penjualan Toko Online Di Tiktok Shop Dalam Strategi Pemasaran,” J. Sist. Inf. Kaputama, vol. 9, no. 1, pp. 1–11, 2025, doi: 10.59697/jsik.v9i1.929.
[30] 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.
[31] R. G. Praditya, G. Sembodo, and J. Heikal, “Market segmentation analysis to find out products and services that suit customer needs using the python KMEANS clustering method (Case study: Superindo Tambun Area, Bekasi),” J. Tek. Ind. Terintegrasi, vol. 7, no. 4, pp. 2072–2081, 2024, doi: 10.31004/jutin.v7i4.35889.
