Cyber Tech Vol.
No.
September 202x, pp.
P-ISSN : x-x E-ISSN : x-x Data Mining Pengelompokan Data Pada PT.
Gatra Kasindo Jaya Menggunakan Algoritma K-Maens Bagas Anjas Wara #1.
Yohanni Syahra.
Si.
Kom.
#2.
Milfa Yetri.
Kom.
Kom#3 #1 Program Studi Sistem Informasi.
STMIK Triguna Dharma #2,3 Program Studi Sistem Informasi.
STMIK Triguna Dharma Article Info Article history:
Received x xxth, 2020 Revised x xxth, 2020 Accepted x xxth, 2020 Keyword:
Data Mining K - Maens Trend Penjualan ABSTRAK Daya tarik yang ditawarkan oleh PT.
Gatra Kasindo Jaya pada umumnya berkaitan dengan kualitas layanan.
Di mana kualitas layanan yang dimaksud dijabarkan pada tangibles, reliability, responssiveness, assurance, dan emphaty yang dalam penerapannya berbeda antara satu perusahan dengan perusahaan lainnya.
Dalam tren penjualan dibutuhkan analisis tren penjualan jasa pada PT.
Gatra Kasindo Jaya.
Berdasarkan hal tersebut pengelompokan tren penjualan dapat diterapkan menggunakan konsep keilmuan Data Mining.
Penerapan Data Mining telah banyak digunakan dalam pengelolahan data untuk menghasilkan pengetahuan, salah satunya pada yang mengunakan Data Mining untuk mempredeksi pencapaian yang target penjualan pada tren penjualan.
Algoritma yang akan digunakan untuk pengelolaan Data Mining pada kasus mengestimasi target penjualan di PT Gatra Kasindo Jaya Cab Medan menggunakan metode K - Maens Penerapan metode regresi linear berganda telah digunakan dalam berbagai kasus mengestimasi data seperti pada digunakannya regresi linear berganda untuk mengetahui pencapaian penjualan berdasarkan tren penjualan.
Selain itu dalam untuk mengetahui target penjualan di wilayah Indoenisa.
Sehingga Metode Regeresi Linear Berganda sangat sesuai dan dapat mengestimasi target penjualan jasa di PT.
Gatra Kasindo Jaya .
Kata Kunci: Trend Pengelompokan.
Data Mining.
K - Maens Copyright A 201x STMIK Triguna Dharma.
All rights reserved.
Nama : Bagas Anjas Wara Kator : STMIK Triguna Dharma Program Studi : Sistem Informasi Email : anjasbagas01@gmail.
%1.
PENDAHULUAN
Journal homepage: http:ojs.
P-ISSN : x-x E-ISSN : x-x PT.
Gatra Kasindo Jaya merupakan perusahaan minuman di kota medan, yang harus mempertimbangkan kepuasan bagi pelanggan, maka peneliti ingin mengetahui hal apa yang harus dilakukan oleh perusahaan dan hal apa saja yang di harapkan oleh pelanggan, sehingga PT.
Gatra Kasindo Jaya dapat meningkatkan kinerjanya sebaik Daya tarik yang ditawarkan oleh PT.
Gatra Kasindo Jaya pada umumnya berkaitan dengan kualitas Di mana kualitas layanan yang dimaksud dijabarkan pada tangibles, reliability, responssiveness, assurance, dan emphaty yang dalam penerapannya berbeda antara satu perusahan dengan perusahaan lainnya.
Dalam tren penjualan jasa Gatra Kasindo Jaya dibutuhkan analisis tren penjualan jasa pada PT.
Gatra Kasindo Jaya .
Hal tersebut tentu akan sangat membangun dan membantu bagi pihak perusahaan PT.
Gatra Kasindo Jaya dalam mengestimasi pencapaiaan target penjualan.
Berdasarkan hal tersebut pengelompokan tren penjualan dapat diterapkan menggunakan konsep keilmuan Data Mining.
Penerapan Data Mining telah banyak digunakan dalam pengelolahan data untuk menghasilkan pengetahuan, salah satunya pada yang mengunakan Data Mining untuk mempredeksi pencapaian yang target penjualan pada tren penjualan.
Selanjutnya algoritma yang akan digunakan untuk pengelolaan Data Mining pada kasus mengestimasi target penjualan jasa di PT Gatra Kasindo Jaya Cab Medan menggunakan metode K - Maens .
Model K-Maens merupakan perluasan dari model K-Maens sederhana.
Dengan memperluas model KMaens dua atau tiga cluster, maka model K-Maens dengan cluster terikat Y dan k variable bebas X1,X2,X3,A,Xk.
Penerapan metode regresi linear berganda telah digunakan dalam berbagai kasus mengestimasi data seperti pada .
digunakannya K-Maens berganda untuk mengetahui pencapaian penjualan berdasarkan tren penjualan.
Selain itu dalam .
untuk mengetahui target penjualan di wilayah Indoenisa.
Sehingga Metode K-Maens sangat sesuai dan dapat mengestimasi target penjualan jasa di PT.
Gatra Kasindo Jaya .
%1.
Kajian Pustaka %1.
%2.
Data Mining Data Mining adalah sebuah proses menganalisa data untuk mengetahui suatau pola dari kelompok data yang tersembunyi.
yang bertujuan untuk menemukan, menggali pengetahuan dari data atau informasi yang kita Data Mining berisi pencarian pola yang diinginkan pada database untuk membantu pengambil keputusan di waktu yang akan datang.
Data Mining merupakan suatu istilah yang digunakan untuk mendapatkan pengetahuan yang tersembunyi dari kumpulan data yang berukuran sangat besar.
yang tujuan utama Data Mining adalah untuk menemukan, menggali, atau menambang pengetahuan dari data atau informasi yang kita miliki.
Data mining adalah proses menganalisa data dari perspektif yang berbeda dan menyimpulkannya menjadi informasi-informasi penting yang dapat dipakai untuk meningkatkan keuntungan, memperkecil biaya pengeluaran, atau bahkan keduanya.
Secara teknis, data mining dapat disebut sebagai proses untuk menemukan korelasi atau pola dari ratusan atau ribuan field dari sebuah relasional database yang besar.
%1.
%2.
K - Maens Metode K - Maens merupakan teknik analisis yang mencoba menjelaskan hubungan antara dua perubah atau lebih khususnya antara peubah- peubah yang mengandung sebab akibat yang disebut regresi linier.
K Maens Juga merupakan sebuah analisis yang memiliki variabel yang bebas dan lebih dari satu.
Analisis K - Maens telah lama dikembangkan untuk mempelajari pola dan mengukur hubungan statistik antara dua atau lebih perubah .
Teknik analisis yang mencoba menjelaskan hubungan antara dua peubah atau lebih khususnya antara peubah- peubah yang mengandung sebab dan akibat disebut analisis regresi linier.
Dalam analisis regresi liniear berganda terdapat beberapa uji asumsi klasik, yaitu uji heteroskedastisitas, ujitersebut bertujuan untuk menguji apakah dalam sebuah model regresi terjadi ketidaksamaan varians residual darisuatu pengamatan ke pengamatan yang lain tetap.
Kemudian Uji Normalitas, yang bertujuan untuk mengujiapakah dalam suatu model regresi, variabel terikat dan variabel bebas atau keduanya mempunyai distribusi normal.
Teknik K - Maens digunakan untuk mengetahui ada tidaknya pengaruh signifikan dua atau lebih variabel bebas (X1.
X2.
X3, .
terhadap variabel terikat atau tidak bebas (Y).
Model K - Maens untuk populasi dapat ditunjukkan sebagai berikut :
Y=0 1X1 2X2 .
nXn e Model K - Maens untuk populasi diatas dapat ditaksir dengan model K - Maens untuk sampel, yaitu :
Y =b0 b1X1 b2X2 .
bnXn Y = nilai penduga bagi variabel Y SAINTIKOM Vol.
No.
Maret 2020 : 01-07 P-ISSN : x-x E-ISSN : x-x b0=dugaan bagi parameter konstanta b1, b2, .
bk = dugaan bagi parameter konstanta 1, 2, .
n X = Variabel bebas.
%1.
Metodologi Penelitian %1.
%2.
Algoritma Sistem Algoritma sistem merupakan penjelasan langkah-langkah penyelesaian masalah dalam perancangan Data mining dalam memprediksikan jumlah kebutuhan target trend penjualan ke malaysia beradasarkan variabel dengan menggunakan metode Regresi Linear Bergandan.
Hal ini dilakukan untuk meningkat kinerja pada PT.
Gatra Kasindo Jaya .
Tahap ini dilakukan penerapan algoritma k-means dengan rumus :
Penetapan jumlah cluster (K) yaitu 3 cluster.
Setelah menetapkan jumlah cluster, tentukan titik pusat awal cluster .
Berikut ini titik centroid yang telah dipilih :
Tabel 3.
1 Tabel Titik Pusat Awal Cluster Paket %1.
%1.
Centroid Kombinas Eksklusif Menghitung jarak antara variabel dari setiap sampel data dengan centroid nya.
Jarak antara bulan Januari dengan titik m1 %1.
Jarak antara bulan Februari dengan titik m1 = 1.
%1.
Jarak antara bulan Maret dengan titik m1 %1.
Ekonomi = 7.
Jarak antara bulan Januari dengan titik m2 = 11.
%1.
Jarak antara bulan Februari dengan titik m2 SAINTIKOM Vol.
No.
Maret 2020 : 01-07 P-ISSN : x-x E-ISSN : x-x = 13.
%1.
Jarak antara bulan Maret dengan titik m2 = 10.
%1.
Jarak antara bulan Januari dengan titik m3 = 11.
%1.
Jarak antara bulan Februari dengan titik m3 = 12.
%1.
Jarak antara bulan Maret dengan titik m3 %1.
= 11.
Mencari jarak terdekat setiap cluster Tabel 3.
2 Tabel Hasil Perhitungan Iterasi Ke 1 Jarak ke Jarak ke Jarak ke Jarak Inisial titik m1 titik m2 titik m3 Januari Februari Keterangan Cluster 1 Cluster 1 Maret Cluster 1 April Cluster 1 Mei Juni Cluster 3 Cluster 2 Juli Cluster 2 Agustus Cluster 2 September Cluster 2 Oktober Cluster 2 November Desember Cluster 3 Cluster 2 Setelah mengetahui jarak terdekat setiap cluster.
Urutkan sesuai clusternya masing-masing.
Tabel 3.
3 Tabel Data Yang Telah Diurutkan Sesuai Cluster SAINTIKOM Vol.
No.
Maret 2020 : 01-07 P-ISSN : x-x E-ISSN : x-x Inisial Jarak Keterangan Januari Cluster 1 Februari Cluster 1 Maret Cluster 1 April Cluster 1 Mei Cluster 2 Juni Juli Cluster 2 Cluster 2 Agustus Cluster 2 September Cluster 2 Oktober November Desember Cluster 2 Cluster 2 Cluster 3 %1.
Hitung nilai WCV (Within Cluster Variatio.
dengan cara memangkatkan jarak terdekat cluster dan menjumlahkan setiap nilai WCV.
WCV =
WCV = 301
%1.
Hitung nilai BCV (Between Cluster Variatio.
dengan cara menjumlahkan hasil dari jarak diantara setiap %1.
1,m.
= 11.
%1.
1,m.
= 11.
%1.
2,m.
= 3.
Nilai BCV = d.
1,m.
1,m.
2,m.
= 11.
= 26.
%1.
Menghitung nilai besar rasio dengan membandingkan nilai BCV dan WCV
BCV/WCV
= 26.
54 / 301
= 0.
Kemudian langkah berikutnya pada iterasi ke 2 adalah :
%1.
Menghitung kembali pusat-pusat baru dari kelompok .
yang baru terbentuk.
%1.
Titik Pusat Awal Cluster 1 .
yaitu : 23.
25, 21, 21.
%1.
Titik pusat awal cluster 2 .
= rata-rata .
= .
33, 16.
08, .
%1.
Titik pusat awal cluster 3 .
= rata-rata .
SAINTIKOM Vol.
No.
Maret 2020 : 01-07 %1.
P-ISSN : x-x E-ISSN : x-x = .
, 19.
25, 14.
Menghitung kembali jarak antara variabel dari setiap sampel data dengan centroid nya.
%1.
Jarak antara bulan Januari dengan titik m1 = 2.
%1.
Jarak antara bulan Februari dengan titik m1 = 3.
%1.
Jarak antara bulan Maret dengan titik m1 = 4.
%1.
Jarak antara bulan Januari dengan titik m2 = 9.
%1.
Jarak antara bulan Februari dengan titik m2 = 10.
%1.
Jarak antara bulan Maret dengan titik m2 = 8.
%1.
Jarak antara bulan Januari dengan titik m3 = 9.
%1.
Jarak antara bulan Februari dengan titik m3 = 10.
%1.
Jarak antara bulan Maret dengan titik m3 = 11.
Tabel 3.
4 Tabel Hasil Perhitungan Iterasi Ke 2 Jarak ke Jarak ke Jarak ke Jarak titik m1 titik m2 titik m3 Inisial Januari Cluster 1 Februari Cluster 1 Maret Cluster 1 April Cluster 1 SAINTIKOM Vol.
No.
Maret 2020 : 01-07 Keterangan A P-ISSN : x-x E-ISSN : x-x Tabel 3.
4 Tabel Hasil Perhitungan Iterasi Ke 2 (Lanjuta.
Jarak ke Jarak ke Jarak ke Jarak titik m1 titik m2 titik m3 Inisial Keterangan Mei Cluster 2 Juni Cluster 2 Juli Cluster 2 Agustus Cluster 2 September Cluster 2 Oktober Cluster 2 November Cluster 2 Desember Cluster 3 %1.
Hitung kembali nilai WCV (Within Cluster Variatio.
dengan cara memangkatkan jarak terdekat cluster dan menjumlahkan setiap nilai WCV.
WCV =
WCV = 160.
%1.
Hitung kembali nilai BCV (Between Cluster Variatio.
dengan cara menjumlahkan hasil dari jarak diantara setiap centroid.
%1.
1,m.
= = 8.
%1.
1,m.
= = 9.
%1.
2,m.
= = 4.
= 8.
= 22.
%1.
Menghitung nilai besar rasio dengan membandingkan nilai BCV dan WCV.
BCV/WCV
= 22.
83/160.
= 0.
Pada iterasi ke 3 langkah-langkah yang harus dilakukan adalah sebagai berikut:
%1.
Menghitung kembali pusat-pusat baru dari kelompok .
yang baru terbentuk.
%1.
Titik Pusat Awal Cluster 1 .
yaitu : 23.
25, 21, 21.
%1.
Titik pusat awal cluster 2 .
= rata-rata .
= .
33, 16.
08, .
%1.
Titik pusat awal cluster 3 .
= rata-rata .
= .
, 19.
25, 14.
%1.
Menghitung kembali jarak antara variabel dari setiap sampel data dengan centroid nya.
%1.
Jarak antara bulan Januari dengan titik m1 Nilai BCV = 2.
%1.
Jarak antara bulan Februari dengan titik m1 = 3.
SAINTIKOM Vol.
No.
Maret 2020 : 01-07 %1.
Jarak antara bulan Maret dengan titik m1 P-ISSN : x-x E-ISSN : x-x = 4.
%1.
Jarak antara bulan Januari dengan titik m2 = 9.
%1.
Jarak antara bulan Februari dengan titik m2 = 10.
%1.
Jarak antara bulan Maret dengan titik m2 = 8.
%1.
Jarak antara bulan Januari dengan titik m3 = 9.
%1.
Jarak antara bulan Februari dengan titik m3 = 10.
%1.
Jarak antara bulan Maret dengan titik m3 = 11.
Tabel 3.
5 Tabel Hasil Perhitungan Iterasi Ke 3 Jarak Jarak ke Jarak ke Jarak ke titik titik m2 titik m3 Inisial Januari Cluster 1 Februari Cluster 1 Maret Cluster 1 April Mei Cluster 1 Cluster 2 Juni Cluster 2 Juli Cluster 2 Agustus Cluster 2 September Oktober Cluster 2 November Tabel 3.
5 Tabel Hasil Perhitungan Iterasi Ke 3 (Lanjuta.
SAINTIKOM Vol.
No.
Maret 2020 : 01-07 Keterangan Cluster 2 Cluster 2 P-ISSN : x-x E-ISSN : x-x Inisial Jarak ke titik Jarak ke titik m2 Jarak ke titik m3 Jarak Keterangan Desember Cluster 3 %1.
Hitung kembali nilai WCV (Within Cluster Variatio.
dengan cara memangkatkan jarak terdekat cluster dan menjumlahkan setiap nilai WCV.
WCV =
WCV = 160.
%1.
Hitung kembali nilai BCV (Between Cluster Variatio.
dengan cara menjumlahkan hasil dari jarak diantara setiap centroid.
%1.
1,m.
= 8.
%1.
1,m.
= 9.
%1.
2,m.
= 4.
Nilai BCV = 8.
= 22.
%1.
Menghitung kembali nilai rasio dengan membandingkan nilai BCV dan WCV.
BCV/WCV
= 22.
83/160.
= 0.
Dikarenakan nilai rasio BCV dan WCV pada iterasi kedua dan ketiga sama, maka perhitungan dihentikan pada iterasi ke 3 dengan nilai rasio 0.
Pada tahap ini dapat diketahui hasil klasterisasi menggunakan algoritma K-Means Clustering untuk segmentasi pemetaan pasar.
Mengetahui potensial Penjualan Deli Serdang 2019 minuman lasegar.
Membantu perusahaan dalam mengetahui pasar-pasar yang perlu dilakukan promosi sehingga dapat meningkatkan persedian Penjualan Deli Serdang 2019 dan perusahaan.
Tabel 3.
10 Pengelompokkan Hasil Cluster
Cluster
Bulan Periode Penjualan Cluster 1
1,2,3
Cluster 2
3,4,5,6,7,8,9,10,11
Cluster 3 %1.
Pengujian dan implementasi Implementasi sistem merupakan kegiatan akhir dari proses penerapan sistem baru dimana proses yang baru ini akan dioperasikan secara menyeluruh.
Sebelum sistem benar-benar bias digunakan dengan baik, sistem harus melalui tahap pengujian terlebih dahulu untuk menjamin tidak ada kendala yang muncul pada saat sistem digunakan.
Implementasi yang dilakukan terdapat beberapa tahap prosedur untuk menyelesaikan analisa yaitu aplikasi yang disetujui, melakukan penginstalan, pengujian data, dan mulai menggunakan sistem yang diperbaiki atau system Berikut merupakan implementasi dari system.
Tampilan Form Login Berikut ini merupakan tampilan dari form login :
SAINTIKOM Vol.
No.
Maret 2020 : 01-07 P-ISSN : x-x E-ISSN : x-x Gambar 5.
1 Tampilan Form Login Adapun form login berfungsi untuk melakukan proses validasi username dan password pengguna ketika sebelum masuk ke dalam tampilan form menu utama.
Tampilan Form Menu Utama Berikut ini merupakan tampilan form menu utama setelah pengguna berhasil login.
Adapun tampilan dari form menu utama yaitu :
Gambar 5.
2 Tampilan Form Menu Utama Tampilan Form Data Tren Penjualan Form Data Tren Penjualan adalah Form pengolahan data tren penjualan pada jasa PT.
GATRA KASINDO
JAYA dalam penginputan data, ubah data dan penghapusan data tren penjualan.
Adapun Form data tren penjualan adalah sebagai berikut:
Gambar 5.
3 Tampilan Form Data centroit Tampilan Form Proses K-Maens Form Proses Regresi adalah form data yang digunakan untuk memprediksi trend penjualan pada jasa PT.
GATRA
KASINDO JAYA Tampilan form proses K-Maens dapat dilihat sebagai berikut :
SAINTIKOM Vol.
No.
Maret 2020 : 01-07 P-ISSN : x-x E-ISSN : x-x Gambar 5.
4 Tampilan Form Proses Regresi 3 Pengujian Setelah melakukan proses implementasi, proses selanjutnya adalah melakukan pengujian terhadap sistem yang telah di bangun.
Pengujian ini untuk melihat bahwa hasil perancangan dan perhitungan yang ada di bab i sesuai dengan hasil yang ditampilkan pada sistem.
Keluaran yang dihasilkan oleh sistem akan disesuaikan dengan hasil %1.
Kesimpulan dan Saran Berdasarkan hasil analisa dari permasalahan yang terjadi dengan kasus yang di bahas tentang mengetahui prediksi baju dengan menerapkan metode Regresi terhadap sistem yang dirancang dan dibangun maka dapat ditarik kesimpulan sebagai berikut :
%1.
Untuk menganalisa masalah dalam memprediksi tren penjualan dengan mengambil data tren penjualan untuk melakukan pengujian dalam data mining dengan menggunakan metode regresi.
%1.
Berdasarkan hasil analisa perancangan sistem ini, yang dimulai pertama kali dalam program ini adalah rancangan database rancangan program seperti tampilan form login tampilan menu utama tampilan input data tren penjualan lalu tampilan form proses metode regresi dan yang terakhir adalah hasil dari data.
%1.
Berdasarkan hasil analisa dalam mengimplementasikan sistem ini diisi kedalam sebuah komputer baik digunakan oler user dengan cara login kemudian memasukan data-data yang kemudian akan memproses hasil dari data tersebut dan menerima hasil laporannya.
Dari hasil penelitian ini, dapat disampaikan beberapa saran sebagai berikut:
%1.
Agar lebih efektif aplikasi itu bisa dikembangkan lagi sehingga bisa mengolah data yang sifatnya lebih lagi hingga ribuan sehingga bisa menghasilkan hasil yang lebih optimal dan akurat.
%1.
Di harapkan aplikasi ini bisa di pakai untuk perusahaan lain yang produknya sejenis atau menggunakan produk yang sama sehingga bisa lebih berkembang lebih besar lagi untuk masyarakat luas.
%1.
Apabila PT.
GATRA KASINDO JAYA
nanti berkembang maka sistem ini diharapkan pengembangannya bisa multi user kemudian bisa diakses dari berbagai tempat atau cabang dari perusahaan tersebut sehingga data lebih terpusat dan hasilnya bisa lebih optimal.
REFERENSI
Yuliasari and F.
Rahmawati, "HUBUNGAN POLYHIDRAMNION DAN PRESENTASI JANIN
DENGAN KEJADIAN KETUBAN PECAH DINI DI RS PURI BETIK HATI PROVINSI L AMPUNG
TAHUN 2016," 2017.
Puji Sari Ramadhan and M.
Usti Fatimah S.
Pane.
Judul : Mengenal Metode Sistem Pakar.
Cetakan Pertama ed.
Fungy.
Ed.
, 2018.
Budi Riyanto and O.
Suria, "Sistem Pakar Diagnosa Penyakit Pencernaan Mengunakan Metode Teorema Bayes 7".
Effendi.
Triawan and S.
Musirawas Lubuklinggau, "SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT TANAMAN KOPI BERBASIS WEB," 2019.
Zulfian Azmi.
ST.
Kom.
dan Verdi Yasin.
Kom .
Pengantar Sistem Pakar dan Metode (Introduction of Expert System and Method.
Jakarta: Mitra Wacana Media, 2019, pp.
Chairun Na s, "SISTEM PAKAR DIAGNOSA PENYAKIT TIROID MENGGUNAKAN METOD E DEMPSTERSHAFE R," JURNALTEKNOLOGIDANOPENSOURCE, vol.
VOL.
2No.
1, 2019.
SAINTIKOM Vol.
No.
Maret 2020 : 01-07 P-ISSN : x-x E-ISSN : x-x .
Sari Br Sembiring and M.
Dayan Sinaga, "Penerapan Metode Dempster Shafer Untuk Mendiagnosa Penyakit Dari Akibat Bakteri Treponema Pallidum Application Of Dempster Shafer Method For Diagnosing Diseases Due To Treponema Pallidum Bacteria," 180.
CSRID Journal, vol.
9, no.
3, 2017.
Metode.
Shafer.
Mendiagnosa.
Dari.
Bakteri.
Mikha.
UCAPAN TERIMA KASIH