PENERAPAN ALGORITMA K-MEANS CLUSTERING UNTUK ANALISIS INVENTORY ATK PADA BANK RAYA INDONESIA

Pengelolaan persediaan alat tulis kantor (ATK) pada Divisi Finance and Asset Management (FAM) Bank Raya Indonesia memerlukan analisis berbasis data untuk mengidentifikasi pola konsumsi divisi, pergerakan produk, dan prioritas kebutuhan ATK. Penelitian ini menerapkan algoritma K-Means Clustering dengan kerangka kerja CRISP-DM untuk menganalisis 4.271 data transaksi permintaan ATK periode 2017–2026 yang mencakup 27 jenis item ATK dari beberapa divisi internal. Tiga model segmentasi dibangun secara simultan dari satu dataset yang sama, yaitu Model 1 (segmentasi konsumsi divisi), Model 2 (segmentasi pergerakan produk), dan Model 3 (pemetaan prioritas hubungan divisi-item), yang dievaluasi menggunakan WCSS, Silhouette Score, dan Davies-Bouldin Index (DBI). Model 1 menghasilkan tiga cluster (K=3, Silhouette=0,6697, DBI=0,4776) terdiri dari 55 divisi konsumsi rendah, 27 sedang, dan 3 tinggi. Model 2 menghasilkan dua cluster (K=2, Silhouette=0,8718, DBI=0,0618) dengan Materai 10.000 sebagai satusatunya produk fast moving dari 27 produk. Model 3 menghasilkan dua cluster (K=2, Silhouette=0,8417, DBI=0,5477) dengan 20 pasangan divisi-item berprioritas tinggi dari 647 pasangan yang dianalisis. Hasil segmentasi diimplementasikan dalam dashboard analitik interaktif berbasis Streamlit yang dilengkapi fitur visualisasi, import dataset, dan export laporan dalam format Excel dan PDF. Pengujian melalui Alpha Testing dan User Acceptance Testing (UAT) menunjukkan seluruh fungsi sistem berjalan sesuai kebutuhan fungsional dengan nilai kepuasan UAT sebesar 85%, yang mengindikasikan sistem layak digunakan oleh Divisi FAM Bank Raya Indonesia.