Implementasi Model HDBSCAN dan XGBoost untuk Segmentasi Pelanggan dan Prediksi Produk Terlaris pada Data Transaksi Retail PT. XYZ
Keywords:
Data Mining, HDBSCAN, Prediksi Penjualan, Retail, XGBoostAbstract
Transformasi digital dalam industri retail menghasilkan volume data transaksi yang sangat besar. Data ini berpotensi memberikan wawasan strategis bagi perusahaan, khususnya dalam memahami perilaku pelanggan dan mengelola stok produk. Namun, banyak perusahaan menghadapi kendala dalam mengolah data secara efisien, terutama dalam segmentasi pelanggan dan prediksi penjualan produk. Penelitian ini menawarkan solusi berupa sistem analitik berbasis data mining yang menggabungkan algoritma HDBSCAN untuk segmentasi pelanggan dan XGBoost untuk prediksi produk terlaris. Dataset transaksi pelanggan dan produk dari PT. XYZ digunakan sebagai objek studi. Proses analisis meliputi prapemrosesan data, pemodelan, dan visualisasi hasil menggunakan framework Flask dan pustaka Plotly. Hasil penelitian menunjukkan bahwa sistem ini mampu mengidentifikasi pola pembelian pelanggan secara efektif serta memprediksi produk dengan penjualan tertinggi secara akurat. Sistem ini diharapkan dapat mendukung pengambilan keputusan bisnis secara berbasis data.
References
[1] D. Ashari, M. S. Ladaina, And T. Hartini, “Peran Big Data Dalam Pengambilan Keputusan Strategis Perusahaan,” Pp. 401–422.
[2] J. M. Polgan Et Al., “Evolusi Sistem Informasi Akuntansi Dalam Era Digital : Tinjauan Literatur Tentang Tren ,” Vol. 14, Pp. 77–85, 2025.
[3] A. A. Zahra, A. K. Putri, And Z. N. Cahyani, “Business Plan Sebagai Cermin Kognisi Dan Perilaku Wirausaha : Pendekatan Psikologis Dalam Perencanaan Bisnis,” Vol. 02, No. June, Pp. 773–782, 2025.
[4] S. Jurnal, “Jurnal Sistem Informasi Dan Teknologi ( S I N T E K ),” Vol. V, No. 01, Pp. 90–99.
[5] U. Stikubank And S. W. Pratama, “Segmentasi Pelanggan Berdasarkan Analisis Rfm ( Recency ,” 2018.
[6] M. Syam Al Ghifari, M. Martanto, And U. Hayati, “Pengelompokan Transaksi Penjualan Aksesoris Hp Dan Pulsa Dengan Metode K-Means Untuk Meningkatkan Strategi Pemasaran Di Toko Bagus Celluler,” Jati (Jurnal Mhs. Tek. Inform., Vol. 8, No. 3, Pp. 2838–2849, 2024, Doi: 10.36040/Jati.V8i3.9559.
[7] F. A. Maresti, W. I. Rahayu, M. B. B. C. Lustin, T. H. Pakpahan, And K. Bandung, “Implementasi K- Means Untuk Melakukan,” Vol. 9, No. 1, Pp. 20–32, 2025.
[8] F. A. Setiawan, “Pola Pembelian Produk Parfum Menggunakan Algoritma Apriori Berdasarkan Data Mining Rule Asosiasi,” Vol. 4, No. 3, Pp. 51–63, 2024.
[9] A. U. Haspriyanti And P. W. Prasetyaningrum, “Penerapan Data Mining Untuk Prediksi Layanan Produk Indihome Menggunakan Metode K-Nearst Neighbor Arwa,” Inf. Syst. Artif. Intell., vol. 20, no. 2, pp. 100–107, 2021.
Downloads
Published
How to Cite
Issue
Section
License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
