Keterlambatan penerbitan invoice pada PT Sebastian Jaya Metal menyebabkan hambatan pada arus kas dan mengganggu efisiensi operasional perusahaan manufaktur, sehingga diperlukan analisis berbasis data untuk mengidentifikasi akar masalah dan memberikan solusi yang tepat. Penelitian ini bertujuan membandingkan efektivitas dua metode klasterisasi, yaitu K-Means dan DBSCAN, dalam memetakan pola keterlambatan invoice berdasarkan fitur transaksi yang relevan. Proses penelitian mengikuti tahapan Knowledge Discovery in Databases (KDD), mulai dari seleksi data, pra-pemrosesan untuk mengatasi duplikasi dan outlier, transformasi dengan label encoder untuk variabel kategori serta MinMax Scaler untuk variabel numerik, hingga modeling menggunakan kedua algoritma tersebut. Data yang dianalisis meliputi nama pelanggan, nama part, total transaksi, dan bulan transaksi dari sistem internal perusahaan periode bulan April – Agustus 2024. Keunikan penelitian ini terletak pada pendekatan perbandingan algoritma serta interpretasi hasil dengan mengembalikan fitur asli agar segmentasi yang dihasilkan mudah dipahami dan diterapkan secara bisnis. Hasil analisis menunjukkan bahwa metode K-Means lebih efektif dalam menghasilkan segmentasi pelanggan yang terstruktur dan mudah diinterpretasikan, dengan skor evaluasi Silhouette Score 0.583 dan Davies-Bouldin Index 0.523 yang lebih baik dibandingkan DBSCAN dengan Silhouette Score 0.31 dan Davies-Bouldin Index 1.20. Sebaliknya, DBSCAN unggul dalam mengidentifikasi kelompok anomali. Penelitian ini diharapkan dapat menjadi rujukan untuk pengembangan strategi penagihan dan pengelolaan pelanggan berbasis segmentasi data, serta menjadi dasar optimalisasi proses bisnis di sektor manufaktur.

S12052

INF 0079 2025

Bekasi

Tersedia