Journal of Computer System and Informatics (JoSYC) ISSN 2714-8912 .
edia onlin.
ISSN 2714-7150 .
edia ceta.
Volume 5.
No.
May 2024.
Page 701-708 https://ejurnal.
seminar-id.
com/index.
php/josyc DOI 10.
47065/josyc.
Implementasi Data Mining Untuk Prediksi Stok Penjualan Keramik dengan Metode K-Means Ferdian Arya Dinata.
Alwis Nazir*.
Muhammad Fikry.
Iis Afrianty Fakultas Sains dan Teknologi.
Teknik Informatika.
Universitas Islam Negeri Sultan Syarif Kasim Riau.
Pekanbaru.
Indonesia Email: 111950115065@students.
uin-suska.
id, 2,*alwis.
nazir@uin-suska.
id, 3muhammad.
fikry@uin-suska.
afrianty@uin-suska.
Email Penulis Korespondensi: alwis.
nazir@uin-suska.
Submitted: 20/05/2024.
Accepted: 31/05/2024.
Published: 31/05/2024 AbstrakOeKeramik menjadi salah satu produk yang diminati pelanggan dari tahun ke tahun sehingga banyaknya perusahaan tertarik untuk melakukan penjualan kermik.
Namun penjualan keramik harus memenuhi dan mengimbangi kebutuhan pelanggan yang berubah-ubah serta ditemukannya permasalahan mengenai produk keramik dan pelanggan seperti kurangnya stok produk keramik yang mengakibatkan pelanggan tidak jadi melakukan pemesanan dan penjualan produk tidak memenuhi Pengelompokan keramik dibutuhkan untuk mengantisipasi resiko yang akan diterima perusahaan dengan pemenfaatan proses data mining menggunakan data dimasa lampau.
Pada penelitian ini menggunakan metode K-Means yang terdapat pada data mining.
Tujuan penelitian ini adalah dapat mengelompokan dan menentukan penjualan merek yang potensial untuk penambahan stok dimasa depan serta melakukan pengujian data menggunakan DBI (Davies Bouldin Inde.
yang dilakukan dengan menguji nilai jarak antar cluster melalui serangkaian eksperimen.
Penelitian ini menggunakan data 1 tahun terakhir dari Januari 2022 hingga Desember 2022 dengan total 156 data menggunakan 9 atribut yaitu merek, kode barang (FT,WT) dan ukuran .
x40, 25x25, 50x50, 25x40, 60x60, 20x.
Hasil penelitian menggunakan metode K-Means penjualan yang sangat laris adalah klaster 2, penjualan yang laris adalah klaster 1 dan yang tidak laris adalah klaster 0.
Merek yang sangat laris adalah HRM, yang laris adalah VALENSIA dan yang tidak laris adalah MCC.
Hasil uji menggunakan metode DBI dengan validitas 1.
013 menunjukkan bahwa cluster terbaik diperoleh pada k=3 dengan menggunakan metode elbow.
Diharapkan penelitian ini berkontibusi untuk perusahaan terkait sebagai pendukung pengambilan keputusan.
Kata Kunci: Clustering.
Data Mining.
K-Means.
Keramik.
Penjualan AbstractOeCeramics has become one goods that consumers show interest in every year, so many companies are interested in selling ceramics.
However, ceramic sales must meet and balance changing customer needs as well as problems found regarding ceramic products and customers, such as a lack of stock of ceramic products which results in customers not placing orders and product sales not meeting targets.
So it is necessary to group ceramics to anticipate the risks that the company will accept by utilizing the data mining process using past data.
This research uses the K-Means method found in data mining.
The objective of this research is to group determine sales of brands that have potential for additional stock in the future and to test the data using the DBI (Davies Bouldin Inde.
which is carried out by testing the distance values between clusters through a series of experiments.
This research uses data for the last 1 year from January 2022 to December 2022 with a total of 156 data using 9 attributes, namely brand, item code (FT.
WT) and size .
x40, 25x25, 50x50, 25x40, 60x60, 20x.
The results of the research using the K-Means method, the best-selling brand is cluster 2, the best-selling brand is cluster 1 and the best-selling brand is cluster 0.
The best-selling brand is HRM, the best-selling brand is VALENSIA and the best-selling brand is MCC.
Test results using the DBI method with a validity of 01.
013 show that the best cluster is obtained at k=3 using the elbow method.
It is hoped that this research will contribute to related companies as support for decision making.
Keywords: Clustering.
Data Mining.
K-Means.
Ceramics.
Sale
PENDAHULUAN
Penjualan merupakan suatu upaya untuk memenuhi dan mengimbangi kebutuhan pelanggan yang berubah-ubah .
Salah satu peluang usaha yang ada yaitu dibidang penjualan keramik .
Hal ini dikarenakan banyaknya pelanggan yang ingin melakukan pemesanan produk keramik pada toko tersebut .
Keramik adalah salah satu produk yang dibuat sebagai bahan dasarnya yaitu tanah liat dan berfungsi sebagai pelapis lantai, dinding serta menambah keindahan.
Kebutuhan keramik pada saat sekarang meningkatkan tinggi berdasarkan permintaan Penjualan keramik sering kali mengalami beberapa permasalahan terhadap produk dan pelanggan .
Salah satu perusahaan yang bergerak dibidang penjualan keramik yaitu CV.
XYZ yang selalu memperhatikan penjualan terkhusus keramik.
Persaingan perusahaan merupakan suatu hal yang umum dan perusahaan dituntut untuk selalu memperbaharui serta mengembangkan peluang bisnis yang ada .
Berdasarkan hasil wawancara dengan salah satu karyawan CV.
XYZ, beliau menjabarkan bahwa ditemukannya permasalahan mengenai produk keramik dan pelanggan seperti kurangnya stok produk keramik yang mengakibatkan pelanggan tidak jadi melakukan pemesanan dan penjualan produk tidak memenuhi target.
Urgensi penelitian ini mengangkat permasalahan yaitu perusahaan mengalami kerugian seperti kerugian penjualan, banyaknya pengeluaran biaya pada produk keramik yang kurang diminati serta target penjualan yang tidak tercapai.
Oleh karena itu perusahaan harus tepat dalam pengambilan keputusan terhadap strategi persediaan keramik yang diminati oleh Beberapa perusahaan menggunakan metode clustering dalam data mining untuk memprediksi stok penjualan keramik .
Data mining merupakan suatu kegiatan pengambilan untuk memperbaiki keputusan di Copyright A 2024 Author.
Page 701 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Journal of Computer System and Informatics (JoSYC) ISSN 2714-8912 .
edia onlin.
ISSN 2714-7150 .
edia ceta.
Volume 5.
No.
May 2024.
Page 701-708 https://ejurnal.
seminar-id.
com/index.
php/josyc DOI 10.
47065/josyc.
masa depan dengan pengumpulan dan pemakaian data historis dalam menemukan keteraturan pola .
Dalam literatur data mining beberapa teknik yang sering digunakan salah satunya yaitu clustering.
Metode clustering adalah metode untuk memecahkan masalah dalam suatu pengelompokan data menggunakan analisa data .
Salah satu metode clustering yaitu metode K-Means.
Suatu metode yang melakukan pengelompokan data dalam jumlah yang cukup besar dengan perhitungan waktu relative cepat dan efesien merupakan pengertian dari KMeans .
Metode ini banyak digunakan dalam pengelompokan pada bidang bisnis, kesehatan, pendidikan, dan bidang bisnis lainnya .
Berdasarkan research gap penelitian sebelumnya mengenai klasterisasi penjualan pakaian untuk meningkatkan strategi penjualan barang menggunakan K-Means yang bertujuan untuk membantu dalam meningkatkan strategi penjualan yang efektif dengan hasil penelitian memberikan rekomendasi berupa nama produk, jenis produk, banyaknya produk yang terjual, bulan produk yang terjual paling banyak dan warna berdasarkan data yang digunakan melalui proses klasterisasi .
Penelitian selanjutnya menggunakan K-Means untuk pemilihan keramik dan pelanggan potensial pada CV.
Jaya Tunggal Keramik dan dapat disimpulkan bahwa hasil pengujian 34 data keramik bulan November hingga Desember 2017 hanya 6 keramik yang mendekati perkiraan stok sedangkan 23 keramik tidak sesuai prediksi dan 5 keramik tidak dilakukannya stok barang kerena kurang laku dan pelanggan potensial adalah Laguna karena sering melakukan transaksi .
Penelitian selanjutnya yaitu pengklusteran penjualan bahan bangunan menggunakan algoritma K-Means dan hasil penelitian ini menggunakan 30 data sebanyak 5 iterasi serta didapatkan bahan bangunan yang laris dibeli konsumen yaitu: Batu Ultra Tipis.
Besi 4 Pas.
Cat Bravo 5kg.
Gembok 40 Risk.
Keni 3 inci.
Keramik Alberta Brown 40/40 .
Selanjutnya penelitian mengenai penerapan data mining untuk prediksi penjualan mobil menggunakan metode K-Means clustering dengan menggunakan data 5 tahun dari 900 data yaitu cluster 0 laris, cluster 1 kurang laris, dan cluster 2 sangat laris.
Membantu pihak perusahaan dengan penjualan mobil yang masuk cluster 1 dapat melakukan strategi untuk meningkatkan penjualan .
Selanjutnya penelitian dengan judul pendekatan K-Means clustering metode elbow pada motivasi pengunjung festival halal dengan mendapatkan kesimpulan bahwa berdasarkan metode elbow yang digunakan penelitian motivasional dibagi menjadi tiga cluster yang berbeda seperti edukasional, rekreasional dan transaksional .
Berdasarkan penelitian sebelumnya data yang diperoleh sesuai dan efektif jika menggunakan algoritma K-Means untuk memprediksi stok penjualan .
Pengelompokan produk keramik merupakan suatu teknik yang dapat digunakan untuk pengambilan keputusan oleh perusahaan.
Permasalahan yang telah dijabarkan, maka penelitian ini akan mengelompokan produk keramik berdasarkan pembelian data pelanggan dengan 9 atribut yaitu merek, kode barang (FT,WT) dan ukuran .
x40, 25x25, 50x50, 25x40, 60x60, 20x.
Penelitian ini mengimplementasikan metode K-Means untuk memperkirakan stok yang harus disediakan oleh perusahaan berdasarkan pemintaan pelanggan .
Dengan memanfaatkan metode elbow untuk menentukan jumlah cluster yang optimal dari suatu algoritma proses melihat siku pada sebuah grafik titik dimana penurunan nilai kriteria evaluasi menjadi lebih lambat.
Tujuan penelitian ini adalah dapat mengelompokan dan menentukan penjualan merek yang potensial untuk penambahan stok dimasa depan.
Data yang akan digunakan pada penelitian ini ialah data 1 tahun terakhir yaitu Januari 2022 hingga Desember 2022 dengan jumlah 156 data.
Menentukan dan mengeveluasi hasil penelitian ini menggunakan DBI (Davies Bouldin Inde.
DBI
merupakan suatu matrik cluster yang akan dianggap memiliki skema clustering yang optimal adalah yang memiliki DBI minimal .
METODOLOGI PENELITIAN
Penelitian ini akan mengikuti beberapa tahap, rangkaian proses dalam penelitian ini dapat dilihat sebagai mana pada gambar 1 berikut:
Gambar 1.
Tahapan Penelitian Pada gambar 1 diatas menjelaskan tentang beberapa tahapan yang akan dilakukan pada rangkaian proses penelitian ini.
Copyright A 2024 Author.
Page 702 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Journal of Computer System and Informatics (JoSYC) ISSN 2714-8912 .
edia onlin.
ISSN 2714-7150 .
edia ceta.
Volume 5.
No.
May 2024.
Page 701-708 https://ejurnal.
seminar-id.
com/index.
php/josyc DOI 10.
47065/josyc.
1 Perumusan Masalah Tahapan awal yang krusial dalam metodologi penelitian adalah menentukan permasalahan.
Penelitian ini bertujuan untuk mengenali dan mengidentifikasi masalah yang ada, serta mencari solusi yang diharapkan.
Menentukan masalah dengan akurat akan membantu peneliti merancang rencana penelitian yang sesuai dan mempermudah proses pengumpulan data serta analisis hasil penelitian.
2 Pengumpulan Data Pengumpulan data adalah proses untuk memperoleh informasi dari permasalahan yang terkait.
Data penelitian ini dikumpulkan dalam format excel yang diperoleh dari CV.
XYZ dengan total 156 data.
3 Analisis Data Tahapan ini merupakan tahapan dimana data yang dibutuhkan dalam penelitian dikumpulkan untuk dapat diolah Data diperoleh dari CV.
XYZ dari Januari 2022 hingga Desember 2022 dengan total 156 data.
Data yang digunakan yaitu merek, kode barang (FT.
WT) dan ukuran .
x40, 25x25, 50x50, 25x40, 60x60, 20x.
Selanjutnya data diolah yang akan menjadi sumber informasi yang dibutuhkan pada penelitian ini.
Data ini akan diolah lebih lanjut dan dijadikan informasi untuk pihak selanjutnya.
1 Data Selection Setelah proses pengumpulan data, langkah berikutnya yang diambil oleh peneliti adalah melakukan seleksi data.
Seleksi data merupakan proses pemilihan atribut tertentu dari dataset yang lebih besar.
Dalam penelitian ini peneliti memilih atribut merek, kode barang (FT.
WT) dan ukuran .
x40, 25x25, 50x50, 25x40, 60x60, 20x.
2 Data Preprocessing Dalam tahap ini, dilakukan transformasi data sesuai kebutuhan penulis.
Transformasi tersebut dalam dilihat pada tabel 1 berikut ini.
Tabel 1.
Data Transformasi
Kode barang Merek
ALBATROS
ANTARES
EXCELENTE
FORTUNER
GLD
HRM
MAJESTIC
MCC
MYLEANO
PICASSO
RAYMOND
TOTAL
VALENSIA
Tabel 1 diatas merupakan transformasi data yang telah dilakukan oleh penulis sesuai dengan kebutuhan berdasarkan data sebelumnya.
4 Perhitungan Metode K-Means Penelitian ini menggunakan metode K-Means.
Setelah melakukan pengumpulan data dan analisa data yang ada.
Adapun tahapan pada proses metode K-Means dibawah ini gambar 2.
Gambar 2.
Proses K-Means Copyright A 2024 Author.
Page 703 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Journal of Computer System and Informatics (JoSYC) ISSN 2714-8912 .
edia onlin.
ISSN 2714-7150 .
edia ceta.
Volume 5.
No.
May 2024.
Page 701-708 https://ejurnal.
seminar-id.
com/index.
php/josyc DOI 10.
47065/josyc.
Berikut rincian mengenai proses perhitungan metode K-Means yang dapat dilihat pada gambar 2:
Langkah awal dengan menentukan jumlah cluster .
terlebih dahulu dengan metode elbow dengan melihat grafik siku.
Menentukan titik nilai cluster .
secara random sebanyak cluster .
Menghitung jarak setiap data terhadap titik cluster data dengan rumus Euclidean distance dibawah ini.
oc ( .
Dimana d.
merupakan jarak data ke pusat cluster, simbol x adalah data asli, simbol y adalah data centroid dan i merupakan jumlah atribut atau parameter data.
Mengelompokkan data yang telah dihitung berdasarkan jarak terdekat .
antara data yang tersebut dengan pusat cluster atau data centroid dan menjadikan sebuah cluster baru.
Hitung ulang pusat cluster .
baru berdasarkan data yang mengikuti cluster masing-masing.
Nilai centroid baru diperoleh dengan menghitung rata-rata dari data setiap cluster.
Rumus sebagai berikut.
Oc Penjelasan rumus diatas yaitu C1 merupakan nilai centroid baru, x1 merupakan nilai data cluster ke-1, xn merupakan nilai data cluster ke-n dan Oc adalah jumlah data Didapatkan titik centroid baru, maka lakukan iterasi 2 atau ulangi langkah c sampai e hingga tidak ada data yang berpindah cluster.
5 Implementasi dan Hasil Tahapan yang dilakukan yaitu implementasi pengolahan data dengan Python sehingga menghasilkan model dari data tersebut.
6 Evaluasi Evaluasi ketepatan hasil pengelompokan data berdasarkan data yang telah diolah dengan metode K-Means dengan mengukur menggunakan DBI.
Metode DBI merupakan metode untuk mengevaluasi kualitas cluster dengan menghitung nilai baik suatu cluster data dengan cara menghitung rasio antara jarak cluster dengan cluster lainnya.
7 Kesimpulan Hasil yang telah didapatkan berdasarkan dari perhitungan metode K-Means tahapan akhir ini selesai.
HASIL DAN PEMBAHASAN
Pada penelitian ini, sumber data yang digunakan berasal dari CV.
XYZ.
Atribut yang digunakan pada penelitian ini merek, kode barang (FT.
WT) dan ukuran .
x40, 25x25, 50x50, 25x40, 60x60, 20x.
Data dapat dilihat pada tabel 2 berikut.
Tabel 2.
Dataset
Merek
--154
--10
Kode Barang ----3
40X40
--3
25X25
--0
Ukuran 50X5 25X4
----0
--0
--0
Tabel 2 merupakan sumber data yang digunakan pada penelitian ini.
Copyright A 2024 Author.
Page 704 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Journal of Computer System and Informatics (JoSYC) ISSN 2714-8912 .
edia onlin.
ISSN 2714-7150 .
edia ceta.
Volume 5.
No.
May 2024.
Page 701-708 https://ejurnal.
seminar-id.
com/index.
php/josyc DOI 10.
47065/josyc.
1 Pengolahan Data Data di atas akan diproses dengan menggunakan metode K-Means.
Berikut langkah-langkah dalam pengolahan data menggunakan metode K-Means.
Tentukan jumlah klaster .
berdasarkan metode elbow.
Pada kasus ini kluster optimal yang diambil adalah 3 Pilih nilai awal untuk titik klaster .
sejumlah klaster .
Nilai centroid dapat dipilih secara acak.
Berikut merupakan titik awal klaster yang terdapat dalam tabel 3.
Tabel 3.
Nilai klaster awal (Iterasi pertam.
Centroid
Merek
Kode Barang 40X40
25X25
Ukuran 50X50 25X40
60X60
20X40
Tabel 3 diatas merupakan titik awal klaster yang mana nilai centroid dipilih secara acak.
Menghitung jarak terdekat data terhadap setiap nilai centroid.
Perhitungan data pertama terhadap setiap nilai cluster 0 Oo( Oo( ) ( Perhitungan data ke pertama terhadap pusat cluster 1 Oo( Oo( ) ( Perhitungan data ke pertama terhadap pusat cluster 2 Oo( Oo( ) ( Dengan menggunakan rumus Euclidean Distance pada data pertama, ditemukan bahwa data tersebut memilki jarak terdekat dengan claster 0 berdasarkan nilai terkecil di antara perhitungan jarak antara claster 1.
Oleh karena itu, data pertama termasuk dalam kelompok claster 0.
Proses ini kemudian diulang hingga data 156 sehingga setiap data dapat menemukan hasil jarak yang terdekat dengan claster.
Jika sudah menghituung jarak data ke centorid, langkah berikutnya adalah mengelompokkan data berdasarkan nilai terdekat .
ang paling keci.
Berikut adalah hasil pengelompokannya pada tabel 4.
Tabel 4.
Hasil Pengelompokan Data
--155
101,5627885
40,0499
160,1811
64,7147
37,0540
--45,4092
58,3108
121,9057013
17,1464
187,3766
27,7488
40,1746
59,8915
--31,3049
48,1975
124,3020515
31,7804
173,8850
39,5979
35,9444
51,1957
--31,2409
56,7186
Jarak
Terdekat 101,5627885 17,1464 160,1811 27,7488 37,0540 --31,2409 48,1975 Cluster
--C2
Hasil pengelompokan data dapat dilihat pada tabel 4 berdasarkan nilai terdekat .
ang paling keci.
setelah menghitung jarak data ke centroid.
Melakukan pembaharuan nilai centroid baru pada iterasi selanjutnya dilakukan menghitung nilai rata-rata dari setiap atribut data yang terdapat dalam claster.
Berikut ini adalah hasil perhitungan nilai centroid yang Rata-rata data pada claster 0 CI(Mere.
= CI(FT) = = 7,2 CI.
= = 13,35 = 67,333 CI.
= = 21,416 Copyright A 2024 Author.
Page 705 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Journal of Computer System and Informatics (JoSYC) ISSN 2714-8912 .
edia onlin.
ISSN 2714-7150 .
edia ceta.
Volume 5.
No.
May 2024.
Page 701-708 https://ejurnal.
seminar-id.
com/index.
php/josyc DOI 10.
47065/josyc.
CI(WT) =
= 20,35
CI.
= = 0,4 CI.
= = 6,364 CI.
= = 12,86 CI(FT) = = 17,054 CI.
= = 1,878 CI(WT) = CI.
= = 0.
CI.
= = 0,459 CI.
= = 2,409 CI.
= = 36,666 CI.
= = 16 Rata-rata pada claster 1 CI(Mere.
= CI.
= = 2,645 CI.
= = 0,986 Rata-rata pada claster 2 CI(Mere.
= = 9,181 CI(FT) = = 15,954 CI.
= = 29,090 CI(WT) = = 34,909 CI.
= = 0,863 CI.
= = 5,818 CI.
= = 3,590 CI.
= = 9,181 Tabel 5.
Nilai claster awal (Iterasi kedu.
Centroid
Merek
6,364
9,181
Kode Barang 67,333 20,35 17,054 15,954 34,909 40X40
36,666
2,635
5,818
25X25
0,986
9,181
Ukuran 50X50 25X40
13,35 21,416
12,86
1,878
2,409 29,090
60X60
0,863
20X40
0,459
3,590
Tabel 5 merupakan nilai claster awal pada iterasi kedua.
Dilakukan perhitungan jarak kembali antara data dan nilai centorid baru.
Lakukan perulangan pada proses ini sehingga tidak ada data yang beralih ke claster lain atau iterasi terakhir memiliki data yang sama dengan iterasi sebelumnya 2 Implementasi dan Hasil Jika data telah diproses, langkah berikutnya adalah mengimplementasi data ke dalam python untuk menghasilkan model hasil.
Proses python menggunakan Google Colab sebagai media.
Berikut adalah hasil model dari implementasi data python menggunakan Google Colab yang terlihat pada gambar 3 dan 4 berikut.
Gambar 3.
Proses metode elbow Copyright A 2024 Author.
Page 706 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Journal of Computer System and Informatics (JoSYC) ISSN 2714-8912 .
edia onlin.
ISSN 2714-7150 .
edia ceta.
Volume 5.
No.
May 2024.
Page 701-708 https://ejurnal.
seminar-id.
com/index.
php/josyc DOI 10.
47065/josyc.
Hasil dari metode elbow yang diperoleh dari python menggunakan Google Colab menunjukan cluster atau k yang terbaik yaitu k = 3 dikarenakan melihat siku pada grafik titik dimana penurunan nilai kriteria evaluasi menjadi lebih lambat.
Menerapkan metode elbow untuk mencari jumlah cluster yang optimal dari penelitian ini dengan mencatat nilai SSE (Sum Of Square Erro.
yang berubah ketika nilai k ditambahkan satu per satu.
Keputusan jumlah cluster berdasarkan aturan elbow yang mana melihat siku pada grafik yang dihasilkan dan titik elbow.
Gambar 4.
Hasil Pengelompokkan Hasil pengelompokkan pada gambar 4 diatas menunjukkan pembagian 3 klaster sangat laris, laris dan tidak laris.
Pada kluster 2 di kategorikan sangat laris, kluster 1 laris dan kluster 0 tidak laris.
Berdasarkan penjualan merek-merek keramik tersebut yang menunjukkan bahwa keramik dengan merek HRM adalah yang sangat laris kluster 2, keramik dengan merek VALENSIA adalah laris kluster 1 dan merek MCC adalah tidak laris kluster 0 berdasarkan data dari Januari 2022 sampai Desember 2022.
3 Pengujian Data Pengujian data dilakukan untuk menentukan informasi terkait jumlah klaster yang optimal.
Dalam penelitian ini, metode DBI digunakan untuk pengujian data, yang dilakukan dengan menguji nilai jarak antar klaster melalui serangkaian eksperimen mulai dari 2 sampai 6 klaster diperoleh dari python menggunakan Google Colab.
Nilai DBI optimal adalah <0.
Hasil validitas dari penelitian ini adalah 1.
013 yang dapat dilihat pada tabel 6 berikut ini dengan beberapa kali percobaan didaptakan hasil optimal penelitian ini.
Tabel 6.
Evaluasi DBI Hasil Davies Bouldin Index Tabel 6 hasil validitas penelitian menggunakan evaluasi DBI.
KESIMPULAN
Setelah melakukan penelitian ditemukan kesimpulan bahwa metode clustering dengan metode K-Means dapat digunakan untuk mengelompokkan data penjualan keramik di Riau.
Terdapat 9 atribut merek, kode barang (FT.
WT) dan ukuran .
x40, 25x25, 50x50, 25x40, 60x60, 20x.
Hasil uji diperoleh dari python menggunakan Google Colab pada 156 data penjualan keramik di CV.
XYZ pada Januari hingga Desember tahun 2022 menghasilkan 3 claster dengan menggunakan metode elbow yaitu penjualan yang sangat laris adalah klaster 2, penjualan yang laris adalah klaster 1 dan yang tidak laris adalah klaster 0.
Merek yang sangat laris adalah HRM, yang laris adalah VALENSIA dan yang tidak laris adalah MCC.
Hasil uji menggunakan metode DBI dengan beberapa kali percobaan didapatkan nilai validitas optimal penelitian ini 1.
013 menunjukkan hasil pengujian penelitian menggunakan metode K-Means.
Penelitian selanjutnya diharapkan dapat menambahkan atribut dan cluster yang berbeda dan lebih bervariasi.
REFERENCES