JURNAL CYBER TECH STMIK TRIGUNA DHARMA
P-ISSN : 2988-2508 .
E-ISSN : 2987-9604
Volume 5.
Nomor 1.
Edisi Januari 2022 https://ojs.
id/index.
php/jct/index Implementasi Data Mining Dalam Memprediksi Penjualan Menu Makanan dan Minuman Menggunakan Metode Algoritma K-Nearest Neighbors (K-NN) Dina Arfaidah1 .
Marsono2 .
Deski Helsa Pane 3
1,2,3
Sistem Informasi.
STM IK Triguna Dharma Email: 1dinaarfaidah@gmail.
com, 2marsonotgdsi@gmail.
com, 3deskihelsa@gmail.
Email Penulis Korespondensi: dinaarfaidah@gmail.
AbstrakOe Cafe Cuek merupakan cafe yang berlokasi di Kota Binjai.
Cafe ini yang biasanya menjual makanan, minuman dan snaks sederhana dengan fasilitas yang menunjang tempat tersebut.
p ermasalahan yang terjadi di cafe tersebut adalah pihak cafe sering kesulitan dalam melakukan penyediaan bahan baku serta penyimpanan yang efektif agar bahan baku yang ada tetap terjaga keawetannya dan terjaga kualitas dari rasa dan pelayanannya.
Selama ini penyediaan bahan baku dilakukan menggunakan perkiraan pemilik, tanpa adanya perhitungan yang pasti atau acuan dalam menentukan kuantitas bahan baku yang harus dipesan.
H al ini memungkinkan terjadinya kehabisan stok bahan baku ketika penjualan meningkat dan terjadinya kelebihan stok bahan baku ketika penjualan menurun.
Untuk mengatasi masalah tersebut dibutuhkan sebuah sistem yang mampu mengolah data mining dalam melakukan prediksi terhadap penjualan makanan dan minuman di cafe.
Dimana diketahui Prediksi merupakan proses memperkirakan suatu keadaan yang terjadi atau akan dilakukan dimasa depan melalui pengujian keadaan masa lalu.
Algoritma yang digunakan pada masalah prediksi ini adalah M etode K-Nearest Neighbor (K-NN).
Hasil penelitian merupakan terciptanya sebuah aplikasi Data M ining dengan Penerapan M etode M etode K-Nearest Neighbor (K-NN) dalam memprediksi penjualan makanan dan minuman di cafe cuek sehingga permasalahan mengenai bahan baku dapat diselesaikan dengan mudah untuk kedepannya.
Kata Kunci: Bahan Baku M akanan dan M inuman.
Cafe Cuek.
Data M ining.
M etode K-Nearest Neighbor (K-NN).
AbstractOe Cafe Cuek is a cafe located in Binjai City.
This cafe usually sells food, drinks and simple snacks with facilities that support the place.
The problem that occurs in this cafe is that the cafe often has difficulty in providing raw materials and effective storage so that the existing raw materials maintain their durability and maintain the quality of taste and service.
So far, the supply of raw materials has been carried out using the owner's estimates, without any definite calculations or references in determining the quantity of raw materials that must be ordered.
This allows raw material stock to run out when sales increase and raw material excess stock to occur when sales decrease.
To overcome this problem, a system is needed that is capable of processing data mining to make predictions about food and drink sales in cafes.
Where it is known that Prediction is the process of estimating a situation that will occur or will occur in the future through testing past conditions.
The algorithm used in this prediction problem is the K-Nearest Neighbor (K-NN) Method.
The result of the research is the creation of a Data Mining application using the K-Nearest Neighbor (KNN) method in predicting food and drink sales in casual cafes so that problems regarding raw materials can be resolved easily in the Keywords: Cafe Cuek.
Data Mining.
Food and Beverage Raw Materials.
K-Nearest Neighbor (K-NN) Method.
PENDAHULUAN
Seiring perkembangan jaman bisnis makanan dan minuman semakin berdampak pada ekonomi yang semakin Pertumbuhan ekonomi sendiri dipengaruhi dari beberapa bisnis makanan dan minuman yang mengalami peningkatan salah satunya yaitu, cafe.
Cafe merupakan usaha perorangan yang bergerak dibidang restorant atau cafe.
jaman modern saat ini banyak masyarakat yang lebih memilih untuk membuka usaha dibidang kuliner.
Bisnis kuliner jaman sekarang sudah semakin inovatif setiap harinya, semakin banyak usaha da n ide fresh yang terus bermunculan.
Bidang ini sangat diminati oleh kalangan generasi milenial karena memiliki potensi yang sangat tinggi di era industry.
Sektor ini sangat memanfaatkan teknologi untuk menunjang perkembangan bisnis.
Perkembangan cafe di ko ta binjai saat ini berkembang dengan sangat pesat.
Hal ini dibuktikan dengan menjamurnya banyak cafe baru yang mempunyai konsep luar biasa dan juga unik.
Cafe Cuek merupakan cafe yang berlokasi di Kota Binjai.
Cafe ini yang biasanya menjual makanan, minuman dan snaks sederhana dengan fasilitas yang menunjang tempat tersebut.
Cafe cuek ini didirikan baru beberapa tahun dan cafe ini menawarkan pengalaman yang tidak biasa kepada pengunjung seperti tempat yang nyaman dan tempat -tempat foto yang unik.
Berdasarkan informasi yang diterima melalui interview, penjualan di cafe tidak menentu sehingga menyebabkan pemilik bisnis tersebut kesulitan dalam melakukan penyed iaan bahan baku serta penyimpanan yang efektif agar bahan baku yang ada tetap terjaga keawetannya dan terjaga kualitas dari rasa dan pelayanannya.
Selama ini penyediaan bahan baku dilakukan menggunakan perkiraan pemilik, tanpa adanya perhitungan yang pasti atau acuan Dina Arfaidah, 2022.
Hal 1
JURNAL CYBER TECH STMIK TRIGUNA DHARMA
P-ISSN : 2988-2508 .
E-ISSN : 2987-9604
Volume 5.
Nomor 1.
Edisi Januari 2022 https://ojs.
id/index.
php/jct/index dalam menentukan kuantitas bahan baku yang harus dipesan.
Hal ini memungkinkan terjadinya kehabisan stok bahan baku ketika penjualan meningkat dan terjadinya kelebihan stok bahan baku ketika penjualan menurun.
Pemilik memprediksi secara manual dalam menentukan jumlah kebutuhan bahan baku yang harus dibelanjakan pada periode selanjutnya sehingga tingkat keakuratan yang dihasilkan kurang akurat, hal tersebut membuat banyak bahan baku yang terbuang karena melampaui batas kadaluarsa dan mungkin keku rangan bahan baku sebelum jadwal belanja yang membuat menu bahan baku yang habis menjadi kosong.
Teori tersebut memberikan pengertian bahwa untuk mengatasi permasalahan tersebut dapat memanfaatkan metode peramalan untuk menentukan prediksi penjualan menu makanan dan minuman untuk menentukan kebutuhan bahan baku dari hasil prediksi penjualan pada periode selajutnya.
Hal ini terjadi disebabkan karena kesulitan untuk menentukan stok penjualan kedepannya berdasarkan stok yang ada.
Keakuratan dalam memprediksi dan menentukan persedian stok bahan baku merupakan hal yang penting, karena dengan persediaan dan pengambilan keputusan yang sesuai dengan kebutuhan, tentunya akan memaksimalkan profil usaha .
Dengan permasalahan yang terjadi dapat ditentukan dengan menggunakan metode prediksi tertentu.
Prediksi merupakan proses memperkirakan suatu keadaan yang terjadi atau akan dilakukan dimasa depan melalui pengujian keadaan masa lalu.
Prediksi biasanya digunakan untuk menentukan informasi dari sejumlah data yang besar sehingga diperlukan data mining.
Data mining merupakan proses untuk mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentuAu .
Proses yang dilakukan untuk menggali nilai tambahan dari suatu kumpulan data yang terdapat pada cafe cuek berupa pengetahuan yang selama ini tidak diketahui secara manual.
Dalam menerapkan ilmu data mining .
, maka digunakanlah metode algoritma K-Nearest Neighbor (K-NN) agar mampu memprediksi penjualan menu makanan dan minuman.
Metode K-Nearest Neighbor (K-NN) merupakan suatu metode yang melakukan klasifikasi terhadap data baru dan mengelompokan data tersebut dengan data lama berdasarkan jarak paling dekat dengan data baru tersebut.
yang melakukan pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama.
Untuk mendapat peramalan penjualan yang akurat harus memiliki banyak data penjua lan setiap bulannyaAu.
Perbedaan penelitian ini dengan sebelumnya adalah sistem yang akan berfokus pada prediksi penjualan dan hanya memakai satu parameter yaitu alpha.
Prediksi akan terjadi apabila penjualan pada batas yang sudah ditentukan .
Jika kondisi terpenuhi maka, sistem nantinya akan memprediksi berupa informasi bahwa setiap bahan harus di stok sesuai dengan yang telah diprediksi dengan data-data pada cafe.
Dengan adanya sistem prediksi, diharapkan dapat membantu prediksi penentuan stok penjualan untuk di masa yang akan datang .
METODOLOG I PENELITIAN
Tahapan Penelitian Sebuah proses atau cara ilmiah dalam mendapatkan data yang akan digunakan untuk menyelesaikan masalah dengan mengadakan penelitian langsung kelapangan untuk mengumpulkan data merupakan metode penelitian yang Adapun tahapan yang dilakukan dalam penelitian guna untuk menyelesaikan permasalahan yang telah dijelaskan pada tahapan sebelumnya termasuk pada bagian latar belakang permasalahan, mencakup pada:
Teknik Pengumpulan Data Teknik pengumpulan data berupa suatu pernyataan tentang sifat, keadaan, kegiatan tertentu dan sejenisnya.
Pengumpulan data dalam penelitian ini dilakukan di Cafe Cuek yang berkaitan dengan penjualan menu makanan dan minuman menggunakan 2 cara berikut merupakan uraian yang digunakan :
Wawancara Pengumpulan data dengan melakukan tanya jawab langsung dengan narasumber dari objek yang diteliti untuk memperoleh yang diinginkan.
Wawancara dilakukan guna mendapatkan alur kerja pada objek yang diteliti yang akan digunakan dalam menentukan fitur-fitur yang akan dibangun.
Pada tahapan wawancara dilakukan dengan cara mewawancarai pemilik Cafe Cuek.
Berikut ini adalah data penjualan yang diperoleh dari Cafe Cuek.
Ayam Cuek Kremes TOTAL
PENJUALAN
Ayam Pop Cabe Ijo
Bebek Cabe Ijo
Nila Pop Cabe Ijo
Belut Cabe Ijo
NAMA MENU
Dina Arfaidah, 2022.
Hal 2
JURNAL CYBER TECH STMIK TRIGUNA DHARMA
P-ISSN : 2988-2508 .
E-ISSN : 2987-9604
Volume 5.
Nomor 1.
Edisi Januari 2022 https://ojs.
id/index.
php/jct/index Ayam Geprek Cabe Ijo Ayam Penyet Cabe Ijo Ayam Pecak Nasi Goreng Ayam Nasi Goreng Kampung Nasi Goreng Biasa Tumis Kangkung Indomie Joss Capcai Nila Bakar Ayam Bakar Bakso Biasa Mie Ayam Bakso The Sereh Wedang Jahe Jeruk Nipis Blackcurrent Kopi Susu Mineral Water Robusta Espresso Kopi Hitam Espresso Machianto Choco Latte Tea Tarik Observasi Metode pengumpulan data ini digunakan untuk mendapatkan data yang berkaitan dengan peninjauan langsung ke Cafe Cuek maupun terhadap konsumen dan melakukan survey mengenai produk yang sering dipesan dan terjual di cafe tersebut.
Studi Kepustakaan (Library Researc.
Studi Kepustakaan merupakan salah satu elemen yang mendukung sebagai landasan teoritis peneliti untuk mengkaji masalah yang dibahas.
Dalam hal ini, peneliti menggunakan beberapa sumber kepustakaan diantaranya: Buku.
Jurnal Nasional dan Sumber-sumber lainnya yang berkaitan dengan Bidang ilmu Data Mining dan metode K-Nearest Neighbor.
Data Mining Data Mining adalah suatu proses penambangan atau penemuan informasi baru yang dilakukan dengan cara mencari sebuah pola atau aturan tertentu dari sejumlah data yang menumpuk dan dikatakan data besar.
Data Mining juga dapat diartukan sebagai serangkaian suatu proses dalam mencari atau menggali nilai tambah suatu data yang berupa pengetahuan yang selama ini tidak diketahui secara manual yang pengetahuannya dapat bermanfaat.
Data Mining bukan merupakan suatu bidang yang dapat dikatakan baru .
Data Mining adalah sebuah pengembagan dan pencabangan dari ilmu Statistik .
Oleh sebab itu data mining dan ilmu statistik sangat memiliki keterkaitan satu sama lain Salah satu hal yang menjadi kesulitan dalam mengartikan Data Mining adalah kenyataan bahwa Data Mining mewarisi sangat banyak bidang, aspek dan teknik dari bidang-bidang ilmu lainnya yang sudah mapan terlebih dahulu .
Tahapan proses dalam cara kerja data mining yang merupakan suatu pengolahan dalam tahapan yang ada pada tahap Knowledge Discovery in Databases (KDD) .
, seperti yang terlihat pada gambar dapat diuraikan sebagai berikut Dina Arfaidah, 2022.
Hal 3
JURNAL CYBER TECH STMIK TRIGUNA DHARMA
P-ISSN : 2988-2508 .
E-ISSN : 2987-9604
Volume 5.
Nomor 1.
Edisi Januari 2022 https://ojs.
id/index.
php/jct/index Paham terhadap sumber aplikasi dalam mengetahui, mencari dan menggali pengetahuan awal sesuai dengan yang diharapkan dan menjadi sasaran pengguna.
Merancang target data-set yang di butuhkan dalam proses data mining yang meliputi pemilihan sebuah data yang diperlukan dan tetap fokus pada isi Aeisi sebuah data.
Pembersihan dan transformasi data meliputi penghapusan bagiang Aebagian yang dianggap tidak perlu.
Penggunaan algoritma data mining yang bertujuan mendapatkan hasil berupa evaluasi dan informasi Interpretasi, evaluasi dan visualisasi pola untuk melihat apakah ada sesuatu yang baru dan menarik, serta apa yang menjadi hasil dari peneralan sebuah algiritma.
Himpunan data .
ata-se.
adalah sebuah kompilasi dari objek dan atributnya.
Atribut merupakan sifat atau ciri khas dari suatu record data.
Atribut dapat dibedakan kedalam jenis-jenis yang sangat berbeda bergantung kepada tipe asal sumbernya, yaitu bergantung pada tipe data nilai yang diterima.
Categorical Attribute atau bisa disebut juga dengan Atribut katagorikal merupakan salah satu jenis atribut yang sumber dayanya merupakan suatu himpunan simbol yang memiliki batas atau simbol berhingga .
K-Nearest Neightbor Algoritma K-Nearest Neighbor adalah algoritma supervised learning dimana hasil dari instance yang baru diklasifikasikan berdasarkan mayoritas dari kategori k-tetangga terdekat.
Tujuan dari algoritma ini adalah untuk mengklasifikasikan obyek baru berdasarkan atribut dan sample-sample dari training data.
Algoritma K-Nearest Neighbor menggunakan Neighborhood Classification sebagai nilai prediksi dari nilai instance yang baru.
Metode KNearest Neighbor (K-NN) merupakan suatu metode yang melakukan klasifikasi terhadap data baru dan mengelo mpokan data tersebut dengan data lama berdasarkan jarak paling dekat dengan data baru tersebut.
metode yang melakukan pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama.
Untuk mendapat peramalan penjualan yang akurat harus memiliki banyak data penjualan setiap bulannya .
Tujuan algoritma KNN adalah mengklasifikasikan obyek baru berdasarkan atribut dan training sample.
Clasifier tidak menggunakan model apapun untuk dicocokkan dan han ya berdasarkan pada memori.
Diberikan titik query, akan ditemukan sejumlah k obyek atau .
itik trainin.
yang paling dekat dengan titik query.
Klasifikasi menggunakan voting terbanyak diantara klasifikasi dari k obyek.
Algoritma KNN menggunakan klasifikasi ketetanggaan sebagai nilai prediksi dari query instance yang baru.
Algoritma metode KNN sangatlah sederhana, bekerja berdasarkan jarak terpendek dari query instance ke training sample untuk menentukan KNN-nya.
Nilai k yang terbaik untuk algoritma ini tergantung pada data.
Secara umum, nilai k yang tinggi akan mengurangi efek noise pada klsifikasi, tetapi membuat batasan antara setiap klasifikasi menjadi semakin kabur.
Nilai k yang bagus dapat dipilih dengan optimasi parameter, misalnya dengan menggunakan c ross-validation.
Kasus khusus dimana klasifikasi diprekdisikan berdasarkan training data yang paling dekat .
engan kata lain, k=.
disebut algoritma Nearest Neighbor .
Setelah mendefinisikan kreteria,maka tahapan pada metode KNN sebagai berikut :
Euclidean Distance ( Perhitungan jarak yang telah didapatkan kemudian di urutkan dari yang paling dekat jaraknya sampai paling jau.
yco ycc .
c, y.
= Oc.
i Oe yi )2 A A A A A A A .
ycn=1 Manhattan Distance (Rumus ini mencari jarak hanya dengan menjumlahkan semua selisih dan jarak ri dan yi.
yco ycc .
c , y.
= Oc .
cycn Oe ycyc.
A A A A A A A A .
ycn =1 Minkowsky Distance (Rumus ini diambil dari konsep aljabar dengan objek yang berupa vektor berdimensi .
yco ycc .
c, y.
= (Oc .
cycn Oe ycyc.
1AEyc A A A A A A A [ 2.
ycu=1 Chebychev Distance (Rumus mencari jarak yang terbesar antara x_i dan y_.
ycu ycc .
c, y.
= ycoycaycu .
cycn Oe ycyc.
A A A A A A A A .
ycn= 1 Dina Arfaidah, 2022.
Hal 4
JURNAL CYBER TECH STMIK TRIGUNA DHARMA
P-ISSN : 2988-2508 .
E-ISSN : 2987-9604
Volume 5.
Nomor 1.
Edisi Januari 2022 https://ojs.
id/index.
php/jct/index HASIL DAN PEMBAHASAN Penerapan Metode FP-Growth Algoritma K-Nearest Neighbor adalah algoritma supervised learning dimana hasil dari instance yang baru diklasifikasikan berdasarkan mayoritas dari kategori k-tetangga terdekat.
Tujuan dari algoritma ini adalah untuk mengklasifikasikan obyek baru berdasarkan atribut dan sample-sample dari training data.
Algoritma K-Nearest Neighbor menggunakan Neighborhood Classification sebagai nilai prediksi dari nilai instance yang baru.
Berikut ini adalah kerangka kerja dalam menjalankan dan menyelesaikan permasalahan dengan menggunakan metode K-Nearest Neighbor.
Gambar 1 Alur Kerja metode KNN Identifikasi data dilakukan setelah data terkumpul dan sesuai dengan kebutuhan sistem.
Oleh sebab itu, untuk menghasilkan kesimpulan berdasarkan aturan .
pada analisis data diperlukan data transaksi yang telah dilakukan.
Analisis data tersebut dilakukan berdasarkan teknik aturan klasifikasi menggunakan algoritma K-Nearest Neighbor dengan beberapa iterasi atau langkah-langkah.
Pada tahap ini akan dibentuk data menu training yang ada pada Cafe Cuek yang telah diberikan kode agar lebih mudah untuk memahami menyelesaikannya kedalam metode K-Nearest Neighbor.
Namun sebelum itu akan dideskripsikan terlebih dahulu data variabel yang digunakan, guna untuk mempermudah dalam menganalisa data training, berikut ini adalah data variabel yang digunakan.
Tabel 2 Variabel Keterangan Nama Variabel Harga Keunikan Tampilan Penyajian Bentuk penyajian menu makanan secara estetik Total Penjualan Total menu yang terjual / dipesan pelanggan dalam 1 Harga menu makanan per porsi Keunikan dari menu makanan yang jarang ditemui di cafy lain, .
enu andalan caf.
Bobot Target Kemudian berikut ini akan dideskripsikan pula data pelatihan .
yang akan digunakan dalam penelitian ini.
Tabel 3 Data Training Kode Nama menu Harga Keunikan Ayam cuek kremes Rp35,000 Unik Ayam pop cabe ijo Rp22,000 Unik Bebek cabe ijo Rp30,000 Biasa Tampilan Sangat Bagus Sangat Bagus Sangat Bagus Total Dina Arfaidah, 2022.
Hal 5
JURNAL CYBER TECH STMIK TRIGUNA DHARMA
P-ISSN : 2988-2508 .
E-ISSN : 2987-9604
Volume 5.
Nomor 1.
Edisi Januari 2022 https://ojs.
id/index.
php/jct/index Nila pop cabe ijo
Rp22,000 Unik
Belut cabe ijo
Rp25,000 Unik
Ayam geprek cabe ijo
Rp25,000 Biasa Ayam penyet cabe ijo
Rp25,000 Biasa Ayam pecak
Rp25,000 Biasa Nasi goreng ayam
Rp25,000 Biasa Rp25,000 Sangat Bagus Bagus Bagus Sangat Bagus Sangat Bagus Sangat Bagus Biasa Bagus Rp17,000 Biasa Bagus Sangat Bagus Bagus Sangat Bagus Bagus A11
Nasi goreng
Kampong
Nasi goreng biasa A12
Tumis kangkung
Rp15,000 Biasa A13
Indomie joss
Rp13,000 Unik
A14
Capcai Rp15,000 Biasa A15
Nila bakar
Rp17,000 Biasa A16
Ayam bakar
Rp16,000 Biasa A17
Bakso biasa Rp15,000 Biasa A18
Mie ayam bakso
Rp18,000 Biasa A19
The sereh
Rp10,000 Biasa A20
Wedang jahe
Rp10,000 Biasa A21
Jeruk nipis Rp10,000 Biasa A22
Blackcurrent Rp10,000 Biasa A23
Kopi susu
Rp13,000 Biasa A24
Mineral water
Rp8,000 Biasa A25
Robusta
Rp10,000 Biasa A26
Espresso
Rp18,000 Biasa A27
Kopi hitam
Rp15,000 Biasa Bagus Kurang Bagus Sangat Bagus Kurang Bagus Bagus Kurang Bagus Kurang Bagus Kurang Bagus Sangat Bagus Bagus Kurang Bagus Buruk
A28
Espresso machiato
Rp15,000 Biasa Buruk
A29
Choco latte Rp15,000 Biasa Buruk
A30
The Tarik
Rp10,000 Biasa Buruk
A10
Dikarenakan masih ada beberapa variabel yang berbentuk numerik, maka berikut ini adalah ketentuan konversi dari variabel keunikan dan tampilan penyajian.
Dina Arfaidah, 2022.
Hal 6
JURNAL CYBER TECH STMIK TRIGUNA DHARMA
P-ISSN : 2988-2508 .
E-ISSN : 2987-9604
Volume 5.
Nomor 1.
Edisi Januari 2022 https://ojs.
id/index.
php/jct/index Tabel 4 Ketentuan Variabel Keunikan Nilai Keunikan Konversi
Unik
Biasa Tabel 5 Ketentuan Variabel Tampilan Penyajian Nilai Tampilan Penyajian Konversi
Sangat Bagus Bagus Kurang Bagus Buruk
Tabel 6 Hasil Konversi
Ayam Cuek Kremes Tampilan Ayam Pop Cabe Ijo
Bebek Cabe Ijo
Nila Pop Cabe Ijo
Belut Cabe Ijo
Ayam Geprek Cabe Ijo
Ayam Penyet Cabe Ijo
Ayam Pecak
A11
Nasi Goreng Ayam
Nasi Goreng
Kampung
Nasi Goreng Biasa A12
Tumis Kangkung
A13
Indomie Joss
A14
Capcai A15
Nila Bakar
A16
Ayam Bakar
A17
Bakso Biasa A18
Mie Ayam Bakso
A19
The Sereh
A20
Wedang Jahe
A21
Jeruk Nipis A22
Blackcurrent A23
Kopi Susu
A24
Mineral Water
A25
Robusta
A26
Espresso
A27
Kopi Hitam
Kode
A10
Nama menu Harga Keunikan Total Dina Arfaidah, 2022.
Hal 7
JURNAL CYBER TECH STMIK TRIGUNA DHARMA
P-ISSN : 2988-2508 .
E-ISSN : 2987-9604
Volume 5.
Nomor 1.
Edisi Januari 2022 https://ojs.
id/index.
php/jct/index A28
Espresso Machinto
A29
Choco Latte A30 The Tarik Nilai Kedekatan Setelah data training dibentuk, maka tahap selanjutnya adalah menghitung nilai kedekatan objek baru dengan seluruh data training.
Berikut ini adalah data menu baru yang ingin diprediksi nilai penjualannya.
Tabel 7 Data Baru Kode Nama menu Harga Keunikan Tampilan A31 Steak Ayam Rp16,000 Total Belum Diketahui Untuk mencari total penjualan yang belum diketahui, maka data baru tersebut akan dihitung nilai kedekatannya dari 30 data training yang ada.
- Kedekatan Dengan Menu Ayam Cuek Kremes Kode Nama menu Harga Keunikan Tampilan A31 Steak Ayam Ayam Cuek Kremes Jarak Total Belum Diketahui Hitung :
Similarity (T,S)= OcOo.
cycn Oe ycyc.
2 = Oo.
2 = Oo366 =19.
Jadi Similarity (Ayam Cuek Kreme.
= 19.
- Kedekatan Dengan Menu Ayam Pop Cabe Ijo Kode Nama menu Harga Keunikan Tampilan A31 Steak Ayam Ayam Pop Cabe Ijo Jarak Total Belum Diketahui Hitung :
Similarity (T,S)= OcOo.
cycn Oe ycyc.
2 = Oo.
2 = Oo41 =6.
Jadi Similarity (Ayam Pop Cabe Ij.
= 6.
- Kedekatan Dengan Menu Bebek Cabe Ijo Kode Nama menu Harga Keunikan Tampilan A31 Steak Ayam Total Belum Diketahui Dina Arfaidah, 2022.
Hal 8
JURNAL CYBER TECH STMIK TRIGUNA DHARMA
P-ISSN : 2988-2508 .
E-ISSN : 2987-9604
Volume 5.
Nomor 1.
Edisi Januari 2022 https://ojs.
id/index.
php/jct/index Bebek Cabe Ijo Jarak Hitung :
Similarity (T,S)= OcOo.
cycn Oe ycyc.
2 = Oo.
2 = Oo200 =14.
Jadi Similarity (Menu Bebek Cabe Ij.
= 14.
- Kedekatan Dengan Menu Nila Pop Cabe Ijo Kode Nama menu Harga Keunikan Tampilan penyajian Total penjualan A31 Steak Ayam Belum Diketahui Nila Pop Cabe Ijo Jarak Hitung :
Similarity (T,S)= OcOo.
cycn Oe ycyc.
2 = Oo.
2 = Oo41 =6.
Jadi Similarity (Nila Pop Cabe Ij.
= 6.
- Kedekatan Dengan Menu Belut Cabe Ijo Kode Nama menu Harga Keunikan Tampilan A31 Steak Ayam Belut Cabe Ijo Jarak Total Belum Diketahui Hitung :
Similarity (T,S)= OcOo.
cycn Oe ycyc.
2 = Oo.
2 = Oo83 =9.
Jadi Similarity ( Belut Cabe Ij.
= 9.
- Kedekatan dengan menu Ayam Geprek Cabe Ijo Kode Nama menu Harga Keunikan Tampilan A31 Steak Ayam Ayam Geprek Cabe Ijo Jarak Total Belum Diketahui Hitung :
Similarity (T,S)= OcOo.
cycn Oe ycyc.
= Oo.
Dina Arfaidah, 2022.
Hal 9
JURNAL CYBER TECH STMIK TRIGUNA DHARMA
P-ISSN : 2988-2508 .
E-ISSN : 2987-9604
Volume 5.
Nomor 1.
Edisi Januari 2022 https://ojs.
id/index.
php/jct/index = Oo82 =9.
Jadi Similarity (Ayam Geprek Cabe Ij.
= 9.
Perangkingan berdasarkan Similarity Berikut ini adalah hasil dari perangkingan dengan jarak yang terdekat dari menu baru yang ingin diprediksi.
KODE
Tabel 3.
36 Hasil similarity dengan Steak Ayam
NAMA MENU
Similarity A16
Ayam Bakar
A17
Bakso Biasa A11
Nasi Goreng Biasa A15
Nila BAkar
A27
Kopi Hitam
A28
Espresso Machinto
A29
Choco Latte A26
Espresso
A12
Tumis Kangkung
A14
Capcai A18
Mie Ayam Bakso
A23
Kopi Susu
A13
Indomie Joss
A19
Teh Sereh
A21
Jeruk Nipis A22
Blackcurrent A20
Wedang Jahe
A25
Ronusta
A30
Teh Tarik
Ayam Pop Cabe Ijo
Nila Pop Cabe Ijo
A24
Mineral Water
Ayam Geprek Cabe Ijo
A10
Nasi Goreng Kampung Belut Cabe Ijo Ayam Penyet Cabe Ijo Ayam Pecak Nasi Goreng Ayam Bebek Cabe Ijo Ayam Cuek Kremes Dari hasil diatas yang memiliki kedekatan dengan menu steak ayam adalah Ayam bakar dan Bakso biasa dengan nilai total penjualan masing-masing adalah 33 dan 15.
Maka kesimpulan yang dapat diambil adalah prediksi dari total penjualan steak ayam berkisar diatara 15 sampai 33 pcs yang terjual perbulannya.
Dina Arfaidah, 2022.
Hal 10
JURNAL CYBER TECH STMIK TRIGUNA DHARMA
P-ISSN : 2988-2508 .
E-ISSN : 2987-9604
Volume 5.
Nomor 1.
Edisi Januari 2022 https://ojs.
id/index.
php/jct/index Implementasi Sistem Form Proses KNN adalah Form yang digunakan untuk mengolah Data Menu Makanan dengan menggunakan metode KNN dalam mencari hasil prediksi penjualan Menu Makanan dan Minuman Cafe Cuek.
Berikut adalah tampilan form Proses KNN:
Gambar 2 Form Proses KNN Form Laporan adalah form yang digunakan untuk menampilkan hasil dari algoritma KNN yang mengolah tentang prediksi penjualan Menu Makanan dan Minuman Cafy Cuek.
Berikut ini adalah tampilan dari form Laporan:
Gambar 3 Laporan KESIMPULAN Berdasarkan analisa pada permasalahan yang terjadi dalam kasus yang diangkat dalam memprediksi menu makanan di Cafe Cuek, dalam merancang dan membangun sistem prediksi penjualan makanan dan minuman dengan metode Algoritma K-Nearest Neighbor (K-NN) menggunakan aplikasi berbasis Desktop, dibutuhkan beberapa pendukung antara lain, sistem harus dikonsep kedalam sebuah pemodelan menggunakan UML, yaitu Use Case Diagram.
Activity dan Diagram Class Diagram.
Kemudian membangun model tersebut dengan menggunakan Visual Studio, kemudian untuk mengetahui cara menerapkan Algoritma K-Nearest Neighbor (K-NN) sebagai solusi pemecahan masalah dalam prediksi penjualan menu makanan dan minuman dibutuhkan data pelatihan yaitu data makanan dan minuman yang sebelumnya diketahui nilai penjualannya serta data uji dari beberapa menu yang belum diketuahui nilai penjualannya.
Dalam menguji sistem yang telah dirancang untuk membantu pihak cafy dalam mengatur prediksi penjualan, dapat dilakukan dengan cara mencocokkan hasil prediksi denga n kejadian nyata dari penjualan tersebut, selanjutnya membandingkan hasil aplikasi dengan kondisi sebenarnya.
UCAPAN TERIMAKASIH
Terima kasih kepada dosen pembimbing Marsono.
Kom.
Kom dan Deski Helsa Pane.
Kom.
Kom dan pihak-pihak yang mendukung penyelesaian jurnal penelitian ini.
REFERENCES