Penerapan Data Mining Metode K-Means Clustering untuk Analisis Pola Gaya pada Fashion dalam Mengidentifikasi Preferensi Konsumen

Abstract

Penelitian ini bertujuan untuk menerapkan metode data mining menggunakan algoritma K-Means Clustering dalam menganalisis pola gaya pada produk fashion guna mengidentifikasi preferensi konsumen. Data yang digunakan merupakan data sekunder berupa dataset Fashion Product Images (Small) yang diperoleh dari Kaggle, dengan jumlah awal lebih dari 44.000 data produk fashion. Setelah melalui tahap pra-pemrosesan data yang meliputi pembersihan data, penghapusan nilai kosong dan data duplikat, transformasi data kategorikal menggunakan label encoding, serta normalisasi data, diperoleh sebanyak 7.091 data yang siap dianalisis. Atribut yang digunakan dalam proses clustering meliputi gender, masterCategory, subCategory, articleType, baseColour, season, usage, dan year. Penentuan jumlah klaster optimal dilakukan menggunakan metode Elbow dengan analisis nilai Within-Cluster Sum of Squares (WCSS), yang menunjukkan bahwa jumlah klaster terbaik adalah empat klaster. Hasil penerapan algoritma K-Means Clustering menghasilkan pengelompokan produk fashion ke dalam empat klaster dengan karakteristik pola gaya yang berbeda, yaitu gaya kasual sehari-hari, gaya formal dan semi-formal, gaya kasual modern dengan variasi warna, serta gaya sportswear dan aktivitas santai. Setiap klaster merepresentasikan kecenderungan preferensi konsumen terhadap jenis produk fashion tertentu. Hasil penelitian ini menunjukkan bahwa algoritma K-Means Clustering efektif digunakan untuk mengidentifikasi pola gaya dan preferensi konsumen pada produk fashion digital, sehingga dapat dimanfaatkan sebagai dasar dalam pengembangan strategi pemasaran, segmentasi produk, dan pengambilan keputusan pada industri fashion digital.