Journal of Informatics.
Electrical and Electronics Engineering ISSN 2807-9507 (Media Onlin.
Vol 2.
No 4.
June 2023 | Hal 138Oe145 https://djournals.
com/jie DOI 10.
47065/jie.
Penerapan Data Mining Menggunakan Algoritma K-Means Untuk Analisa Penjualan Parfume Restu Riadi.
Mesran Fakultas Ilmu Komputer dan Teknologi Informasi.
Prodi Teknik Informatika.
Universitas Budi Darma.
Medan.
Indonesia Email: 1,*riadirestu783@gmail.
com, 2mesran.
mkom@gmail.
AbstrakOeToko IM Parfume Rantauprapat adalah sebuah toko yang menawarkan berbagai jenis aroma parfum dengan merek IM.
Meskipun menyediakan berbagai pilihan, tidak semua jenis parfum terjual dengan cepat, ada yang laris dan ada juga yang kurang Data penjualan, pembelian, dan pengeluaran pada toko tersebut tidak teratur, sehingga data tersebut hanya berfungsi sebagai arsip tanpa dapat dimanfaatkan untuk pengembangan strategi pemasaran.
Seharusnya data yang telah terkumpul dapat digunakan sebagai sistem pengambilan keputusan untuk mengatasi permasalahan bisnis.
Untuk mencapai hal ini, penulis merancang sebuah aplikasi data mining dalam penelitian ini dengan harapan dapat memberikan hasil yang efektif dan maksimal dalam menganalisis penjualan parfum di toko IM Parfume Rantauprapat.
Penerapan Data Mining dengan Algoritma K-Means terbukti memberikan analisis terbaik dan menjadi solusi dalam mengembangkan bisnis parfum.
Melalui pemodelan clustering dengan algoritma K-Means dan dengan membagi jumlah cluster menjadi 3, rapidminer berhasil membentuk tiga cluster, dimana cluster 1 terdiri dari 9 produk, cluster 2 memiliki 3 produk, dan cluster 3 memiliki 13 produk dari total 25 item produk yang diamati.
Kata Kunci: Toko IM Parfume.
Penjualan.
Data Mining.
Algoritma.
K-Means AbstractOeIM Perfume Rantauprapat store is a shop that offers various types of perfume scents under the IM brand.
Even though it provides a wide range of choices, not all types of perfume sell quickly, some are in demand and some are less desirable.
Data on sales, purchases and expenses at the store is irregular, so that the data only functions as an archive without being used for developing marketing strategies.
The data that has been collected should be used as a decision-making system to solve business problems.
achieve this, the authors designed a data mining application in this study with the hope of providing maximum and effective results in analyzing perfume sales at the IM Parfume Rantauprapat store.
The application of Data Mining with the K-Means Algorithm is proven to provide the best analysis and be a solution in developing the perfume business.
Through clustering modeling with the K-Means algorithm and by dividing the number of clusters into 3, rapidminer succeeded in forming three clusters, where cluster 1 consisted of 9 products, cluster 2 had 3 products, and cluster 3 had 13 products out of a total of 25 product items observed.
Keywords: IM Parfume Store.
Sales.
Data Mining.
Algorithm.
K-Means PENDAHULUAN Perkembangan bisnis parfume yang semakin maju dan banyaknya peminat parfume, hal ini menjadikan persaingan dalam dunia bisnis menjadi semakin ketat.
Untuk tetap eksis dalam persaingan ini, para pengusaha dituntut untuk mengembangkan strategi bisnis yang dapat meningkatkan penjualan dan pemasaran.
Salah satu pendekatan yang dapat digunakan adalah memanfaatkan data penjualan untuk mencari pola dan informasi yang berguna dalam mengoptimalkan kinerja perusahaan.
Hal ini tidak dimanfaatkan oleh salah satu toko parfume yang peneliti temukan yaitu Toko IM Parfume Rantauprapat.
Toko IM Parfume Rantauprapat adalah sebuah tempat penjualan berbagai jenis parfum dengan merek IM.
Meskipun menyediakan beragam aroma, tidak semua produknya laku di pasaran, ada yang terjual dengan sangat baik dan ada pula yang kurang diminati.
Sayangnya, pengelolaan data penjualan, pembelian, dan pengeluaran di toko tersebut tidak teratur, sehingga data tersebut hanya berfungsi sebagai arsip tanpa memberikan manfaat untuk pengembangan strategi Sebenarnya, data yang ada dapat digunakan sebagai alat pengambilan keputusan untuk mengatasi berbagai tantangan bisnis serta mendukung pengembangan teknologi melalui teknik data mining, yaitu proses ekstraksi informasi penting dari data yang ada.
Data mining adalah suatu proses yang melibatkan penggunaan teknik pengenalan pola, metode statistik, dan matematika untuk menyelidiki dan menganalisis sejumlah besar data yang tersimpan dalam suatu repositori.
Tujuan dari data mining adalah untuk mengidentifikasi korelasi, pola, dan tren baru yang memiliki makna atau arti penting.
Ae.
Pemanfaatan data mining memndukung setiap pebisnis membuat keputusan dengan cepat dan akurat.
Melihat tren pembelian konsumen untuk menentukan pola penjualan, dianalisis dan diproses dengan benar dapat membantu menentukan produk mana yang paling laris, paling laris atau paling lambat, dan melakukan manajemen persediaan dapat digunakan sebagai masukan bagi bisnis saat merumuskan strategi pemasarannya.
Anda dapat menggunakan hasil output data mining untuk membantu Anda membuat keputusan di masa mendatang.
K-means clustering merupakan sebuah teknik clustering data yang tidak bersifat hirarkis, yang bertujuan untuk mengelompokkan data ke dalam satu atau lebih kelompok .
Data yang memiliki karakteristik serupa akan dikelompokkan menjadi satu cluster, sedangkan data dengan karakteristik yang berbeda akan ditempatkan dalam cluster Hasilnya, data dalam satu cluster akan memiliki kesamaan yang tinggi dan perubahan yang minimal.
Algoritma K-means digunakan untuk mengidentifikasi minat pelanggan terhadap produk yang dijual, sehingga perusahaan membutuhkan sistem yang dapat membantu pengambilan keputusan secara cepat dan akurat.
Untuk mengatasi permasalahan tersebut, analisis dilakukan dengan menerapkan clustering menggunakan algoritma K-Means.
Dengan memanfaatkan sistem data mining dalam pengelompokan jenis aroma parfum, diharapkan dapat memberikan solusi terbaik bagi Toko IM Parfume Rantauprapat.
JIe, 138 Journal of Informatics.
Electrical and Electronics Engineering ISSN 2807-9507 (Media Onlin.
Vol 2.
No 4.
June 2023 | Hal 138Oe145 https://djournals.
com/jie DOI 10.
47065/jie.
Beberapa penelitian sebelumnya telah dilakukan untuk menerapkan data mining dengan menggunakan algoritma K-Means Clustering dalam berbagai bidang bisnis.
Sebagai contoh, penelitian oleh Rendy dan Leonnard pada tahun 2019 membahas penerapan metode K-Means dalam perusahaan asuransi, dimana hasilnya menunjukkan bahwa algoritma KMeans dapat membantu dalam menilai kualitas agen asuransi.
Penelitian lain oleh Muhammad dan Prihandoko pada tahun 2017, menggunakan data mining untuk menganalisis data bencana milik BNPB dengan algoritma K-Means dan linear regression.
Hasil penelitian ini menyarankan bahwa informasi tentang jumlah kejadian bencana alam sangat penting dalam upaya penanggulangan bencana, dan teknik data mining dapat digunakan untuk mengelompokkan dan memprediksi data bencana di masa depan.
Selanjutnya, penelitian oleh Gustientiedina dkk pada tahun 2018 fokus pada penerapan algoritma K-Means untuk mengelompokkan data obat-obatan di RSUD Pekanbaru.
Hasilnya menunjukkan bahwa pengelompokkan ini dapat menjadi referensi penting dalam pengambilan keputusan terkait perencanaan dan pengendalian pasokan medis di rumah sakit tersebut.
Penelitian lain oleh Randi Rian Putra dan Cendra Wadisman pada tahun 2018 berkaitan dengan implementasi data mining untuk pemilihan pelanggan potensial dengan algoritma KMeans.
Penelitian ini menggunakan observasi dan wawancara dengan pemilik perusahaan yang bersangkutan untuk menganalisis data yang diperlukan dalam proses penentuan pelanggan potensial.
Selain itu.
Fitri Yunita melakukan penelitian pada tahun 2019 mengenai penerapan data mining dengan algoritma K-Means Clustering dalam penerimaan mahasiswa baru di Universitas Islam Indragiri.
Penelitian ini menggunakan atribut seperti asal sekolah, program studi, dan nilai UAN untuk mengelompokkan data mahasiswa baru menjadi tiga cluster berdasarkan karakteristik mereka.
Adanya sistem data mining dalam pengelompokan jenis aroma parfume, dengan harapan dapat memberikan solusi terbaik bagi pihak Toko IM Parfume Rantauprapat .
Berdasarkan pembahasan diatas dan melihat keputusan serta metode yang digunakan, maka penulis mengangkat permasalahan ini kedalam skripsi dengan judul AuPenerapan Data Mining Menggunakan Algoritma K-Means Untuk Analisa Penjualan Parfume (Study Kasus : Toko IM Parfume Rantauprapa.
Ay.
METODE PENELITIAN
1 Data Mining Data mining adalah suatu metode pengolahan data yang bertujuan untuk menemukan pola-pola tersembunyi dalam data.
Hasil dari pengolahan data dengan metode data mining ini dapat digunakan untuk pengambilan keputusan di masa Istilah data mining juga sering disebut sebagai knowledge discovery atau pengenalan pola.
Ae.
Konsep data mining dapat dipandang sebagai node-node yang masih memerlukan pemahaman yang mendalam, mengacu pada data mentah yang sedang dihadapi.
2 Penjualan Penjualan merupakan bagian dari kegiatan pemasaran yang bertujuan untuk melakukan pertukaran produk dari produsen kepada konsumen.
Meskipun saat ini istilah penjualan sering dianggap memiliki arti yang sama dengan pemasaran, namun pemasaran tetap memiliki cakupan yang lebih luas daripada penjualan.
Kegiatan penjualan merupakan salah satu aspek dari proses pemasaran yang bertujuan untuk mengadakan pertukaran produk dari produsen kepada konsumen.
Pemasaran, di sisi lain, mencakup lebih dari sekadar penjualan karena prosesnya dimulai sebelum barang diproduksi dan dijual.
Pemasaran berperan sejak tahap perencanaan dan pengembangan produk hingga ke tahap meyakinkan konsumen untuk menggunakan produk tersebut.
3 Algoritma K-Means K-Means adalah sebuah metode pengelompokan berbasis clustering.
Teknik ini bekerja dengan melakukan pengelompokan secara bertahap.
Algoritma K-Means merupakan suatu algoritma clustering yang bersifat iteratif.
Prosesnya dimulai dengan menentukan secara acak atau teracak nilai K, yang mewakili jumlah cluster yang akan Selanjutnya, algoritma ini secara acak menetapkan nilai awal untuk setiap pusat cluster, yang sering disebut sebagai centroid, mean, atau "mean".
Metode ini bertujuan untuk membagi data menjadi beberapa kelompok atau cluster.
Berikut adalah langkah-langkah untuk melakukan pengelompokan menggunakan algoritma K-Means.
Pilih jumlah cluster k.
Inisialisasi pusat k cluster dapat dilakukan dengan berbagai cara.
Tetapi sebagian besar waktu ini terjadi secara acak.
Pusat cluster secara acak diberi nilai awal.
Memetakan semua data/objek ke cluster berikut: Kedekatan dua benda ditentukan berdasarkan jarak antara kedua benda tersebut.
Untuk menghitung jarak dari semua data ke pusat setiap cluster, kita dapat menggunakan teori jarak Euclidean, yang dirumuskan sebagai berikut:
yccycnyc = Oo.
cu1ycn Oe ycu1yc ) .
cu2ycn Oe ycu2yc ) .
cuycoycn Oe ycuycoyc ) .
Hitung kembali pusat cluster dengan keanggotaan cluster yang sekarang.
Pusat cluster adalah rata-rata dari semua data/objek dalam cluster tertentu.
Jika dikehendaki bisa juga menggunakan median dari cluster tersebut.
Jadi ratarata .
bukan satu-satunya ukuran yang bisa dipakai.
ycIyco = ycA .
cu1yco ycu2yco U ycuycuyco ) .
yco JIe, 139 Journal of Informatics.
Electrical and Electronics Engineering ISSN 2807-9507 (Media Onlin.
Vol 2.
No 4.
June 2023 | Hal 138Oe145 https://djournals.
com/jie DOI 10.
47065/jie.
Tugaskan lagi tiap objek memakai pusat cluster yang baru.
Jika pusat cluster tidak berubah lagi maka proses clustering Atau, kembali ke langkah nomor 3.
4 Tahapan Penelitian Berikut ini tahapan pelaksanaan kegiatan penelitian dalam bentuk flowchart sederhana yaitu seperti gambar di bawah ini:
Gambar 1.
Flowchart Tahapan Penelitian Berikut ini tahapan pelaksanaan kegiatan penelitian dalam pada penelitian ini yaitu:
Mengidentifikasi Masalah Tahapan ini adalah cara penulis untuk memperkirakan dan menjabarkan permasalahan yang terjadi dalam menganalisa penjualan parfume di Toko IM Parfume Rantauprapat.
Mengumpulkan Data Pada tahap ini penulis melakukan pengumpulan data apa saja yang dibutuhkan dalam penelitian dan membangun sistem, yaitu dengan cara melakukan observasi dan wawancara.
Studi Literatur Tahapan ini merupakan dimana penulis melakukan pemahaman objek yang diteliti atau membaca beberapa sumber yang bisa dijadikan sebagai panduan referensi seperti buku, e-book, jurnal dan sumber lainnya.
Analisa dan Penerapan Algoritma K-Means.
Tahapan Analisa ini digunakan untuk mengetahui apa yang menjadi sumber masalah dalam menganalisa penjualan parfume, sehingga analisa yang dihasilkan nantinya dapat mengatasi permasalahan yang ada.
Kemudian penulis melakukan penerapan algoritma K-Means.
Penerapan algoritma ditujukan untuk menghitung nilai-nilai dari setiap jenis aroma parfume yang ada.
Perancangan Pada tahapan ini Penulis memberikan gambaran mengenai sebuah sistem untuk analisa penjualan parfume yang akan Tahapan perancangan sistem ini merupakan data yang telah dianalisis dengan tujuan agar mudah dan dimengerti oleh pemakai .
Dimana data akan diproses ke dalam perangkat lunak sistem .
ource cod.
untuk mengetahui apakah sistem dapat berjalan sesuai kebutuhan.
Implementasi Tahap ini merupakan tahap pengimplementasian dari hasil proses analisa dan perancangan sistem, yang mana data akan diproses kedalam perangkat lunak sistem, untuk mengetahui apakah sistem berjalan dengan lancar dan berjalan sesuai yang di inginkan.
Untuk penerapan data mining dalam analisa penjualan parfume membutuhkan perangkat pendukung yaitu berupa software dan hardware.
Setelah selesai membuat perancangan system.
Langkah selanjutnya adalah melakukan pengujian.
Pengujian dilakukan untuk mengetahui apakah sistem berjalan dengan baik atau tidak dan harus melakukan perbaikan sistem.
Dokumentasi Tahapan ini merupakan tahapan akhir hasil evaluasi seluruh tahapan kegiatan penelitian yang dilakukan dan dibuat dalam bentuk laporan.
Tujuan dari dibuatnya dokumentasi untuk memberikan masukan dalam pengembangan sistem terhadap analisa penjualan parfume kedepannya.
JIe, 140 Journal of Informatics.
Electrical and Electronics Engineering ISSN 2807-9507 (Media Onlin.
Vol 2.
No 4.
June 2023 | Hal 138Oe145 https://djournals.
com/jie DOI 10.
47065/jie.
HASIL DAN PEMBAHASAN
Pada tahap ini akan dibahas proses analisa penjualan parfume di Toko IM Parfume Rantauprapat, untuk melakukan analisa penjualan parfume di Toko IM Parfume Rantauprapat dengan menerapkan Algoritma K-Means menggunakan sampel data untuk menyelesaikan masalah ini.
Berikut ini sample data yang peneliti dapatkan dari Toko IM Parfum Rantauprapat.
Tabel 1.
Daftar Nama-nama Aroma Parfume Nama Aroma Parfume Taylor Swift Bacarat Britney Fantasi Coffe Jlo Platinum Justin Bieber Lovely Maherzain Silver Rafi Ahmad 212 Man 212 VIP Man 2n Up Men Ac scandal Agnes monica Algner Blue Alphald Amor Anasui Dolly 212 VIP Man D26 Imperative D26 Man Diamor Dilan Dior Sauvage Stok Awal Stok Terjual Stok Akhir 1 Proses Penerapan Algoritma K-Means Untuk dapat menganalisis data penjualan parfum menjadi beberapa cluster, lakukan langkah-langkah berikut.
Tentukan berapa banyak cluster yang Anda butuhkan.
Untuk penelitian ini, kami mengelompokkan data yang ada menjadi tiga cluster.
Tentukan titik awal untuk setiap cluster.
Dalam penelitian ini, titik tengah pertama ditentukan dengan mengambil semua data berdasarkan jumlah persediaan awal, persediaan terjual, dan persediaan akhir.
Tabel 2.
Centroid Awal Keterangan Stock Awal Stock Terjual Stock Akhir Tahap berikutnya adalah menghitung jarak pusat cluster terhadap data penjualan parfume.
Data yang diambil sebagai cluster awal adalah data ke 4, 10 dan 18 sehingga didapatkan data centeroid awal yaitu:
Jarak data penjualan ke-1 ke pusat cluster yaitu:
= Oo(.
Oe .
^2 .
Oe .
^2 .
Oe .
^2 ) = 42,426 d.
= Oo(.
Oe .
^2 .
Oe .
^2 .
Oe .
^2 ) = 6,164 d.
= Oo(.
Oe .
^2 .
Oe .
^2 .
Oe .
^2 ) = 18,708 Dari hasil perhitungan diperoleh jarak data penjualan ke-1 dengan pusat cluster pertama (C.
426 dengan pusat cluster kedua (C.
164 dan pusat cluster ketiga (C.
Oleh karena itu jarak terpendek dengan pusat cluster adalah 6.
Jarak data penjualan ke-2 ke pusat cluster:
= Oo(.
Oe .
^2 .
Oe .
^2 .
Oe .
^2 ) = 18,708 d.
= Oo(.
Oe .
^2 .
Oe .
^2 .
Oe .
^2 ) = 20,928 d.
= Oo(.
Oe .
^2 .
Oe .
^2 .
Oe .
^2 ) = 42,426 JIe, 141 Journal of Informatics.
Electrical and Electronics Engineering ISSN 2807-9507 (Media Onlin.
Vol 2.
No 4.
June 2023 | Hal 138Oe145 https://djournals.
com/jie DOI 10.
47065/jie.
Dari hasil perhitungan di atas diperoleh bahwa jarak data penjualan ke-10 dengan pusat cluster pertama (C.
adalah 18,708 dengan pusat cluster kedua (C.
adalah 20,928 dan pusat cluster ketiga (C.
adalah 42,426.
Oleh karena itu jarak terpendek dengan pusat cluster adalah 18,708.
Jarak data-data penjualan ke-3 ke pusat cluster yaitu:
= Oo(.
Oe .
^2 .
Oe .
^2 .
Oe .
^2 ) = 57,879 d.
= Oo(.
Oe .
^2 An.
Oe .
A^2 An.
Oe .
A^2 ) = 22,090 d.
= Oo(.
Oe .
^2 An.
Oe .
A^2 An.
Oe .
A^2 ) = 18,708 Dari perhitungan di atas dapat diketahui bahwa jarak antara data penjualan ke-10 dengan pusat cluster pertama (C.
879 dengan pusat cluster kedua (C.
09072 dan pusat cluster ketiga (C.
Dengan demikian, jarak terpendek ke pusat cluster adalah 18.
Demikian pula, data penjualan lainnya dihitung dengan cara yang sama.
Dalam penelitian ini menghitung menggunakan Microsoft Excel.
Hasil perhitungan dan penentuan jarak terpendek dapat dilihat pada tabel 3 di bawah ini.
Tabel 3.
Data Cluster 1 Iterasi 1
Nama Aroma Parfume Taylor Swift
Bacarat
Britney Fantasi
Coffe Jlo Platinum
Justin Bieber
Lovely 212 VIP Man
D26 Imperative D26 Man
Diamor Dilan Dior Sauvage Jarak Cluster
SA ST Sak
45 30 15
60 50 10
40 15 25
75 60 15
60 45 15
45 33 12
50 38 12
36 24 12
30 17 13
30 20 10
50 35 15
6,164
18,708
57,879
21,213
7,071
7,071
53,160
50,990
50,990
62,273
60,415
2,828
42,426
20,928
22,090
36,851
15,748
40,472
33,436
17,378
19,442
19,442
25,922
24,859
35,355
18,708
42,426
18,708
60,415
39,370
19,949
26,981
7,483
12,247
12,247
4,242
25,495
Jarak Terpendek 6,164 18,708 18,708 15,748 7,071 7,071 7,483 12,247 12,247 4,242 2,828 Setelah semua data dihitung dan jarak terpendek telah ditentukan, langkah berikutnya adalah mengelompokkan data ke dalam masing-masing cluster.
Jarak terpendek diberi nilai numerik bukan nol 1.
Pengelompokan data untuk perhitungan di atas ditunjukkan pada tabel berikut.
Tabel 4.
Kelompok Data ke-1 Setelah mendapatkan anggota dari setiap klaster, langkah selanjutnya adalah menghitung pusat klaster baru dengan membagi jumlah total penjualan dalam klaster yang sama dengan total klaster, seperti terlihat pada Tabel 4.
Tabel 5.
Pusat Cluster Baru Pusat Cluster Stock Awal 0,138579903 0,219557517 0,61734272 Stock Terjual 0,055186687 0,219557517 0,262234076 Stock Akhir 0,129918659 0,516874987 0,61734272 Perhitungan untuk mencari centroid baru dilakukan dengan menggunakan rumus yang sama pada rumus iterasi 1.
Iterasi dengan cara yang sama dilakukan sampai tidak ada perubahan data cluster seperti pada Tabel 4.
Pada penelitian JIe, 142 Journal of Informatics.
Electrical and Electronics Engineering ISSN 2807-9507 (Media Onlin.
Vol 2.
No 4.
June 2023 | Hal 138Oe145 https://djournals.
com/jie DOI 10.
47065/jie.
ini dilakukan pengulangan sebanyak 2 kali.
Pada iterasi ke-2 didapatkan cluster yang tidak berubah dari iterasi pertama dimana nilai C1 = 9.
C2 = 3 dan C3 = 13 sama dengan nilai iterasi ke-2.
Hasilnya seperti terlihat pada tabel di bawah ini.
Tabel 6.
Data Cluster 1 terasi ke 2
Nama Aroma Parfume Taylor Swift
Bacarat
Britney Fantasi
Coffe Jlo Platinum
Justin Bieber
Lovely 212 VIP Man
D26 Imperative D26 Man
Diamor Dilan Dior Sauvage Jarak Cluster
SA ST Sak
45 30 15
60 50 10
40 15 25
75 60 15
60 45 15
45 33 12
50 38 12
36 24 12
30 17 13
30 20 10
50 35 15
18,050
28,795
28,736
46,005
24,938
7,052
16,652
26,670
28,474
28,474
34,026
33,291
11,205
5,2326
23,201
19,442
35,437
18,461
18,501
13,338
9,1766
12,064
12,064
16,844
15,495
15,192
22,022
43,139
17,738
64,335
43,151
21,872
28,938
8,427
10,724
10,724
1,2688
2,6476
29,051
Jarak Terpendek 5,232 23,201 17,738 35,437 18,461 7,052 13,338 8,427 10,724 10,724 1,268 2,647 11,205 Data tersebut kemudian dikelompokkan ke dalam cluster masing-masing dan jarak terpendek diberi angka bukan Pengelompokan data untuk perhitungan data di atas ditunjukkan pada tabel berikut.
Tabel 7.
Kelompok Data ke-2 2 Pengujian Tahap ini dimulai dengan analisis sistem dan perancangan sistem yang akan dilakukan.
Langkah selanjutnya adalah menyiapkan sistem dengan tujuan menghasilkan analisis penjualan yang sesuai berdasarkan hasil perhitungan yang telah dilakukan dengan menggunakan aplikasi quickminer.
Pemodelan clustering dengan algoritma k-means dengan jumlah cluster sebanyak 3, maka dengan menggunakan rapidminer cluster yang terbentuk juga sebanyak 3, dengan cluster 1 sebanyak 9 produk, cluster 2 sebanyak 3 produk dan cluster 3 sebanyak 13 produk dari jumlah sampel data produk 25 Gambar 2.
Hasil Cluster K-Means Clustering dengan algoritma kmeans dilakukan secara manual pada data transaksi penjualan parfum di toko IM Parfume Rantauprapat yang dilakukan 2 iterasi dari 3 cluster yaitu C1 dan C2.
C3 menjadi produk terlaris.
C2 menjadi produk terlaris dan C3 menjadi produk terlaris, produk yang kurang laku, kelompok ini terlihat pada nilai centroid iterasi JIe, 143 Journal of Informatics.
Electrical and Electronics Engineering ISSN 2807-9507 (Media Onlin.
Vol 2.
No 4.
June 2023 | Hal 138Oe145 https://djournals.
com/jie DOI 10.
47065/jie.
ke-1 dan ke-2, dimana nilai centroid didapat dari harga nilai rata-rata penjualan untuk cluster mulai gudang 1, stok terjual dan stok akhir di bawah nilai centroid gugus 2.
Tabel 8.
Nilai Centroid ke 2 Keterangan Stock Awal 44,18 Stock Terjual Stock Akhir 11,75 11,72 Proses clustering untuk sampel data sebanyak 25 produk yang dianalisis dengan algoritma K-means memperoleh hasil C1 sebanyak 9 item C2 sebanyak 3 item dan C3 sebanyak 13 item yang diuraikan sebagai berikut:
Cluster C1 sebanyak 9 dengan nomor produk: 1, 6, 7, 10, 12, 14, 15, 19, 25 Cluster C2 sebanyak 3 produk dengan nomor produk: 2, 4, 5 Cluster C2 sebanyak 3 produk dengan nomor produk: 3, 8, 9, 11, 13, 16-18, 20-24 Clustering yang dilakukan dengan implementasi quickminer didapatkan hasil seperti pada gambar di atas dengan jumlah cluster 3 yaitu cluster 1, cluster 2 dan cluster 3 dan disebutkan juga cluster 1 memiliki 9 item, cluster 2 memiliki 3 item dan cluster 3 memiliki 13 item.
Nilai centroid yang dihasilkan menggunakan quickminer sama dengan yang diperoleh dengan tangan.
Hal ini meningkatkan akurasi dalam mengklasifikasikan best seller, best seller dan bukan best seller di toko IM Parfume Rantauprapat.
Dengan mengagregasi produk best seller, best seller dan non best seller di toko IM Parfume Rantauprapat dalam penjualan parfum dengan berbagai macam aroma diharapkan dapat mengurangi kesulitan yang dihadapi terutama kehabisan stok.
Produk terlaris atau terlaris dan mengumpulkan produk yang tidak laku.
Jumlah produk di klaster 1 dan klaster 2 dapat bertambah, sedangkan untuk produk di klaster 3, jumlah persediaan dapat berkurang.
Selain itu, manajemen toko IM Parfume Rantauprapat juga perlu menerapkan berbagai strategi untuk meningkatkan penjualan karena produk yang kurang laku, lebih dari produk yang paling laris, sehingga harus ada strategi khusus untuk mengatasi masalah tersebut.
menjual segala macam produk di cluster 3.
KESIMPULAN
Berdasarkan hasil penelitian dan pembahasan, maka diperoleh beberapa kesimpulan yaitu data mining menggunakan algoritma K-means Clustering yang diimplementasikan dalam penjualan parfum, dapat digunakan oleh IM Parfume Stores sebagai metode untuk menentukan arah kebijakan pemasarannya.
Hasil analisis penjualan parfum yang diperoleh dari sistem ini menunjukkan bahwa data paling banyak diminta oleh konsumen dan disambut baik oleh remaja maupun Dari hasil klasterisasi diperoleh tiga klaster, klaster huruf pertama (C.
merupakan kelompok parfum terlaris, klaster kedua (C.
merupakan kelompok parfum terlaris dan klaster kedua huruf tiga (C.
adalah kelompok wewangian yang tidak terjual.
Hasil klaster yang diperoleh pada algoritma K-Means menunjukkan bahwa kelompok C0 produk terlaris meliputi 9 produk, kelompok C1 produk terlaris meliputi 3 produk, dan kelompok C2 mencakup 13 produk.
Produk tidak laris manis.
REFERENCES