Pemanfaatan Data Mining untuk Customer Intelligence Dalam Segmentasi Penjualan Video Game Menggunakan Algoritma K-Means
DOI:
https://doi.org/10.64803/jodsie.v1i2.37Kata Kunci:
Data Mining, Customer Intelligence, K-Means, ClusteringAbstrak
Penelitian ini bertujuan untuk menerapkan teknik data mining dalam mendukung customer intelligence melalui segmentasi penjualan video game menggunakan algoritma K-Means. Dataset yang digunakan mencakup data penjualan video game dari berbagai wilayah, yaitu Amerika Utara, Eropa, Jepang, dan wilayah lainnya, yang dianalisis menggunakan pendekatan CRISP-DM yang meliputi tahapan business understanding, data understanding, data preparation, modeling, dan evaluation. Proses data preparation dilakukan dengan menghapus missing value dan data duplikat untuk meningkatkan kualitas data, kemudian dilakukan pemodelan menggunakan algoritma K-Means dengan penentuan jumlah cluster optimal menggunakan metode Elbow. Hasil penelitian menunjukkan bahwa data dapat dikelompokkan menjadi tiga cluster utama yang merepresentasikan tingkat penjualan rendah, menengah, dan tinggi, dimana sebagian besar data berada pada cluster dengan penjualan rendah, sementara hanya sebagian kecil yang berada pada cluster dengan penjualan tinggi, bahkan ditemukan satu data dengan penjualan yang sangat tinggi yang membentuk cluster tersendiri. Temuan ini menunjukkan bahwa distribusi penjualan video game bersifat tidak merata dan cenderung didominasi oleh sedikit produk yang sangat sukses, sehingga hasil analisis ini dapat memberikan insight yang berguna bagi perusahaan dalam merancang strategi bisnis yang lebih efektif berbasis customer intelligence.
Referensi
[1] B. Barczak and K. Kwiatkowska, “Artificial Intelligence and the Development of Business Models in the Gaming Industry - Case Study,” SSRN, pp. 01–23, 2024.
[2] A. C. R. Hash, D. I. C. Baskoro, I. P. G. Weda, M. Fakih, M. Fauzan, and M. Fansyuri, “Data Mining Menggunakan Algoritma K-Means Untuk Menentukan Game Terpopuler Pada Platform Steam Dengan RapidMiner,” Journal of Information Technology and Informatics Engineering, vol. 1, no. 1, pp. 51–56, 2025.
[3] M. A. Bimo and H. Maupa, “Analisis Pemasaran Digital Terhadap Penjualan Video Game Online Pada Perusahaan Toko Game di Jakarta Barat,” Jurnal Manajemen Bisnis dan Kewirausahaan, vol. 8, no. 5, pp. 1174–1186, 2024.
[4] N. N. F. Adzani, W. Witanti, and F. R. Umbara, “Klasifikasi Tingkat Penjualan Video Game Dengan Menggunakan Metode K – Nearest Neighbors,” INFOTECH journal, vol. 9, no. 2, pp. 618–625, 2023, doi: 10.31949/infotech.v9i2.7371.
[5] D. Ruswanti, D. Susilo, and Riani, “Implementasi CRISP-DM pada Data Mining untuk Melakukan Prediksi Pendapatan dengan Algoritma C.45,” Go Infotech: Jurnal Ilmiah STMIK AUB, vol. 30, no. 1, pp. 111–121, 2024, doi: 10.36309/goi.v30i1.266.
[6] A. Adhariani, T. Harmini, and A. Musthafa, “Implementasi Algoritma K-Means Untuk Clustering Kasus Kriminal Di Wilayah Kota Depok,” Prosiding Seminar Nasional Sains dan Teknologi Seri III, vol. 2, no. 1, pp. 408–415, 2025.
[7] E. Ramadhan and A. Voutama, “Visualisasi Prediksi Penjualan Game Di Dunia Menggunakan Power BI,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 13, no. 2, pp. 887–894, 2025, doi: 10.23960/jitet.v13i2.6353.
[8] F. D. Agustiar, B. N. Sari, and I. Maulana, “Penerapan Data Mining Untuk Pengelompokan Produk Penjualan Menggunakan Algoritma K-Means (Studi Kasus : Toko Agung Makmur Jaya),” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 9, no. 1, pp. 59–67, 2025.
[9] Erlinda, H. Nopriandi, and D. J. Putra, “Penerapan Data Mining Metode K-Means Clustering Untuk Analisa Penjualan Pada Toko Nusa Indah,” Startup: Journal of Digital Business, vol. 2, no. 1, pp. 1–10, 2025, doi: 10.32485/kopertip.v4i2.118.
[10] T. Wahyudi, N. Sa’adah, and D. Puspitasari, “Penerapan Metode K-Means Pada Data Penjualan Untuk Mendapatkan Produk Terlaris di PT. Titian Nusantara Boga,” Jurnal Sains dan Teknologi, vol. 5, no. 1, pp. 228–236, 2023, doi: 10.36040/jati.v7i2.6562.
[11] N. A. Maori and Evanita, “Metode Elbow dalam Optimasi Jumlah Cluster pada K-Means Clustering,” Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer, vol. 14, no. 2, pp. 277–288, 2023, doi: 10.24176/simet.v14i2.9630.
[12] P. K. Ritonga and M. S. Hasibuan, “Analisis Perbandingan Silhouette dengan Elbow pada Algoritma K-Means dan DBSCAN,” Metik Jurnal, vol. 9, no. 1, p. 2025, 2025, doi: 10.47002/metik.v9i1.1027.
[13] H. Alexander, Y. Umaidah, and M. Jajuli, “Implementasi Clustering Untuk Menentukan Efektivitas Nilai Siswa Sesudah Pandemi Covid-19 Menggunakan Algoritma K-Means,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 3, pp. 1493–1500, 2023, doi: 10.36040/jati.v7i3.7174.
[14] M. Sholeh and K. Aeni, “Perbandingan Evaluasi Metode Davies Bouldin, Elbow dan Silhouette pada Model Clustering dengan Menggunakan Algoritma K-Means,” STRING (Satuan Tulisan Riset dan Inovasi Teknologi), vol. 8, no. 1, pp. 56–65, 2023, doi: 10.30998/string.v8i1.16388.
[15] D. Handayani, A. Noeman, Rasim, A. Hidayat, and H. Lubis, “Implementasi Algoritma K-Means Untuk Pengelompokan Produk Terlaris Pada Pangkalan Sudiawati Bekasi,” Jurnal Manajemen Informatika Jayakarta, vol. 6, pp. 160–171, 2026.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Muhammad Erlangga, Krisna Arya Vashesa, Aditya Ibanez Saputra (Author)
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
