Progresif: Jurnal Ilmiah Komputer Jl.
Ahmad Yani.
33,5 - Kampus STMIK Banjarbaru Loktabat Ae Banjarbaru (Tlp.
, e-mail: puslit.
stmikbjb@gmail.
e-ISSN: 2685-0877 p-ISSN: 0216-3284 Penerapan Data Mining Pada Penjualan Produk Menggunakan Metode K-Means Clustering Nova Mutiara1* Muhammad Husni Rifqo2 Teknik Informatika.
Universitas Muhammadiyah Bengkulu.
Bengkulu.
Indonesia *e-mail Corresponding Author: novamutiara0411@gmail.
Abstract The purpose of this study is to evaluate the extent to which product clustering results influence consumer satisfaction.
Excess inventory can lead to overcrowded and inefficient storage, especially since food, beverages, and other products have expiration dates.
Currently.
Toko Habib still manages inventory manually, which is time-inefficient and prone to errors.
To address this issue, data mining techniques are employed.
The technique used in this study is K-means clustering, one of the most popular algorithms due to its ease of implementation.
This analysis utilizes the K-means clustering algorithm to categorize data in order to identify fast-selling and slow-selling products, while also preventing product overstock in the warehouse.
Clustering is one of the functionalities of data mining, where the clustering algorithm groups a set of data into specific clusters.
After clustering, three clusters were selected as the initial centroids.
The final results showed that 14 items were highly popular, 42 items were popular, and 160 items were less popular.
With these results.
Toko Habib can implement policies to maintain the loyalty of potential customers and manage products effectively.
Keywords: Data Mining.
K-Means Algorithm.
Cluster Analysis.
Toko Habib Abstrak Penelitian ini bertujuan untuk mengevaluasi sejauh mana hasil pengelompokan produk mempengaruhi kepuasan kebutuhan konsumen.
Persediaan yang berlebih dapat menyebabkan gudang menjadi penuh sesak dan tidak efisien, terutama karena makanan, minuman, dan produk lainnya mempunyai tanggal kadaluwarsa.
Saat ini Toko Habib masih melakukan pengelolaan persediaan secara manual sehingga tidak efisien waktu dan rawan kesalahan.
Untuk mengatasi permasalahan tersebut digunakan adalah K-means clustering yang merupakan salah satu algoritma yang populer karena mudah diimplementasikan.
Analisis ini menggunakan algoritma clustering K-means yang dapat mengelompokkan data untuk mengetahui produk laris dan tidak laris, dan juga mencegah penumpukan produk di gudang.
Clustering merupakan salah satu fungsionalitas data mining, algoritma clustering merupakan algoritma pengelompokkan sejumlah data menjadi kelompokAekelompok data tertentu .
Setelah pengelompokan, dipilih tiga cluster sebagai centroid awal.
Hasil akhirnya menunjukkan 14 barang sangat laris, 42 barang laris, dan 160 barang kurang laris.
Dengan hasil ini.
Toko Habib dapat menerapkan kebijakan untuk mempertahankan loyalitas pelanggan potensial dan mengelola produk secara efektif.
Kata Kunci: Data Mining.
Algoritma K-Means.
Clustering.
Toko Habib Pendahuluan Penelitian ini penting karena berkaitan dengan mendukung efisiensi pasokan dan manajemen produksi di sektor industri.
Dengan meningkatkan akurasi perkiraan pasokan, penelitian ini akan membantu mengurangi biaya dan meningkatkan produktivitas, yang merupakan hal penting dalam persaingan global.
Selain itu, penelitian ini mengisi kesenjangan dalam literatur yang ada mengenai metode dan parameter prediksi tawaran dengan mengusulkan atau memodifikasi pendekatan yang ada untuk meningkatkan produk Dan dapat dilihat dari perkembangan Teknologi yang semakin pesat telah menghasilkan berbagai macam perangkat lunak yang sangat membantu pengguna komputer dalam menyelesaikan pekerjaan mereka.
Penerapan sistem informasi di berbagai aspek kehidupan saat ini telah mengubah cara pandang masyarakat terhadap peningkatan mutu Penerapan Data Mining Pada Penjualan Produk a.
Nova Mutiara e-ISSN: 2685-0877 pekerjaan mereka.
Saat ini, banyak data yang tidak diolah untuk menghasilkan informasi atau pengetahuan yang dapat mendukung pengambilan keputusan.
Banyak aplikasi yang digunakan untuk menciptakan sistem informasi yang cerdas, salah satunya adalah data mining, yang berperan penting dalam menghasilkan informasi berkualitas tinggi.
Banyak perusahaan saat ini menghadapi tantangan dalam memprediksi kebutuhan pasokan secara akurat, yang sering kali mengakibatkan sumber daya terbuang sia-sia, peningkatan biaya, dan ketidakmampuan merespons perubahan permintaan pasar secara Meskipun berbagai metode prediksi telah dikembangkan, namun masih banyak yang mempunyai keterbatasan oleh karena itu Algoritma K-Means efektif untuk beberapa jenis Penelitian ini menggunakan analisis data mining dengan metode clustering K-Means.
Teknik ini memungkinkan pengelompokan data ke dalam klaster berdasarkan kesamaan karakteristiknya, di mana data serupa ditempatkan dalam klaster yang sama, sementara data yang berbeda ditempatkan dalam klaster yang berbeda .
K-means merupakan salah satu Algoritma yang sangat populer digunakan karena efektivitas dan efisiensinya.
Hal ini disebabkan k-means sangat mudah dipahami dan dari segi waktu, proses komputasinya cukup cepat .
K-means clustering merupakan salah satu teknik analisis data atau data mining yang melakukan pemodelan tanpa supervisi tertentu yang suatu metode dan pengelompokan data dengan menggunakan sistem partisi.
Clustering merupakan salah satu bagian dari Teknik data mining yaitu sekumpulan objek yang mempunyai kesamaan diantara anggotanya dan memiliki ketidaksamaan dengan objek lain pada cluster lainnya, dengan kata lain cluster adalah sekumpulan objek yang digabung Bersama karna kesamaannya atau kedekatannya.
Salah satu Data merupakan kumpulan fakta atau informasi yang diorganisasikan ke dalam suatu bentuk yang dapat diolah atau dimanipulasi.
Data digunakan untuk berbagai tujuan seperti analisis penjualan, manajemen inventaris, pelacakan pelanggan, keuangan, dan pengambilan keputusan strategis, dan memainkan peran penting dalam bisnis.
Saat ini belum ada metode standar untuk toko habib ketersediaan produk hanya berdasarkan konfirmasi persediaan produk yang ada setelah produk habis, kami akan mengisi kembali stok di toko,cara yang digunakan pada toko ini kurang efektif karena suatu saat toko tersebut membutuhkan produk dalam jumlah besar dan tidak memiliki stok yang cukup akan mengecewakan pelanggan, oleh karena itu diperlukan suatu sistem untuk memantau persediaan produk yang paling laris atau paling sedikit terjual sehingga toko dapat menerapkan teknik data mining dengan teknologi clustering K-Means untuk memaksimalkan kepuasan pelanggan .
Tujuan dari penelitian ini adalah untuk mengembangkan dan menguji model peramalan pasokan yang lebih akurat dan adaptif yang dapat mengatasi tantangan peramalan permintaan pasokan dalam lingkungan yang dinamis.
Penelitian ini juga bertujuan untuk mengidentifikasi dan menganalisis parameter utama yang mempengaruhi keakuratan perkiraan dan memberikan rekomendasi praktis bagi perusahaan untuk menerapkan model perkiraan yang lebih efektif dan Data penjualan yang ada di toko Habib diolah atau dianalisis untuk mengetahui kisaran trend konsumen di setiap tujuan pemasaran produk ditinjau dari faktor minat.
Dengan mengolah data tersebut maka dapat ditentukan pola konsumsi produk Habib Shop secara umum.
Data mining melibatkan pengumpulan dan pemanfaatan data historis untuk mengidentifikasi polapola tertentu.
Pola atau hubungan dalam sejumlah data berukuran besar.
Hal ini mencakup analisis statistik dan teknik lain untuk mengidentifikasi pola yang dapat digunakan untuk meningkatkan proses pengambilan keputusan.
Data yang tersedia dapat digunakan sebagai sistem pengambilan keputusan solusi penjualan dan penunjang infrastruktur di bidang teknologi, hal inilah yang menjadi alasan munculnya teknologi data mining .
Tujuan dari penelitian ini adalah untuk membantu toko habib menentukan produk jual yang termasuk dalam kategori sangat laris, laris dan kurang laris.
Tinjauan Pustaka Penelitian terdahulu yang dilakukan oleh Gunawan dkk.
merupakan salah satu studi penting dalam penerapan data mining, khususnya metode K-Means clustering, untuk mendukung pengambilan keputusan dalam bidang pemasaran produk.
Studi ini menekankan bagaimana teknologi data mining dapat digunakan secara efektif untuk menggali wawasan dari data penjualan yang besar dan beragam, yang sering kali sulit dianalisis secara manual.
Dalam dunia bisnis yang semakin kompetitif, perusahaan perlu mengadopsi pendekatan yang lebih canggih untuk memahami perilaku pasar dan membuat keputusan yang tepat waktu dan akurat.
Di sinilah peran data mining menjadi sangat penting.
Data mining memungkinkan organisasi Progresif: Vol.
No.
Agustus 2024: 973-982 Progresif e-ISSN: 2685-0877 untuk mengidentifikasi pola tersembunyi dalam data yang besar dan tidak terstruktur, serta mengubahnya menjadi informasi yang berguna untuk pengambilan keputusan strategis.
Penelitian .
berfokus pada penerapan metode algoritma K-Means clustering, yang digunakan untuk mengelompokkan data menjadi beberapa cluster berdasarkan kemiripan Penelitian ini menggunakan dua alat untuk menerapkan algoritma tersebut:
Microsoft Excel 2010 dan sebuah aplikasi khusus untuk K-Means clustering yang dirancang dan dikembangkan oleh peneliti sendiri.
Peneliti selanjutnya disarankan untuk meningkatkan efisiensi aplikasi K-Means yang digunakan.
Ini bisa dilakukan dengan mengoptimalkan algoritma, memanfaatkan teknik komputasi paralel, atau menggunakan platform yang lebih kuat secara komputasional.
Alternatif lainnya, mereka bisa mempertimbangkan penggunaan bahasa pemrograman yang lebih efisien dibandingkan Excel.
Pada penelitian ini memfokuskan pengelompokan barang dagangan di sebuah perusahaan ritel menggunakan K-Means untuk mengoptimalkan manajemen stok.
Hasilnya menunjukkan pengurangan dalam overstock dan stockout, yang berkontribusi pada penghematan biaya penyimpanan.
Penggunaan algoritma K-Means untuk mengelompokkan persediaan barang merupakan pendekatan yang umum dilakukan untuk meningkatkan efisiensi manajemen inventaris.
K-Means digunakan untuk mengidentifikasi kelompok-kelompok produk berdasarkan karakteristik tertentu seperti tingkat permintaan, volume penjualan, dan frekuensi Keberhasilan bisnis jangka panjangtidak hanya bergantung pada penjualan jangka pendek tetapi juga pada kemampuan untuk secara konsisten memenuhi kebutuhan dan persyaratan pelanggan.
Hal ini memastikan bahwa pendapatan dari penjualan produk atau penyediaan layanan stabil dan berkelanjutan, yang pada akhirnya menguntungkan penjual dan pembeli.
Metodologi 1 Data dan Parameter Dalam penelitian ini peneliti menggunakan data mining dengan menggunakan algoritma K-means, data minat pelanggan terhadap toko habib dibagi menjadi tiga kelompok untuk mengelola persediaan barang, yaitu: (C.
Produk yang terjual sangat laris, (C.
produk yang terjual laris, (C.
produk yang tidak laris.
Tujuannya adalah agar objek-objek yang dikelompokkan menjadi ukuran kedekatan atau hubungannya satu sama lain, dibandingkan dengan kelompok lain.
Data mining digunakan juga untuk mengolah pemrosesan data ke dalam jumlah besar yang dibutuhkan database untuk menghasilkan informasi baru yang berguna untuk strategi bisnis.
Data yang digunakan pada toko habib yaitu data pada bulan January Ae February terdapat 216 produk.
Tabel 1.
Data barang Toko Habib Jumlah Terjual Beras Premium Beras Premium Beras Murah Minyak Rose Brand Box Minyak Kita Box Minyak Goreng Kelapa Box Minyak Grandco Box Minyak sovia Box Minyak Bimoli Box Gula Pasir Gula Merah Susu UHT Box Susu Kental Manis Box Susu Bubuk Frisian Flag Kaleng Box Hydro coco Nama Barang Akhir A Penerapan Data Mining Pada Penjualan Produk a.
Nova Mutiara e-ISSN: 2685-0877 2 Algoritma K-Means K-Means merupakan salah satu solusi untuk pengelompokan berulang dimana algoritma K-Means secara acak menentukan nilai cluster (K).
Nilai ini untuk sementara menjadi pusat pengelompokan dan biasa disebut center centroid atau mean.
Kemudian menghitung jarak seluruh data yang ada ke setiap centroid menggunakan rumus Euclidean hingga ditemukan jarak terdekat dari semua data berdasarkan kedekatannya dengan centroid .
Kmeans berusaha untuk mengelompokkan data yang berbeda ditempatkan dalam kelompok Metode ini memungkinkan analisis yang lebih terfokus terhadap setiap kelompok data berdasarkan kesamaan atau perbedaan karakteristik yang dimiliki berbeda ditempatkan dalam kelompok lain .
Algoritma K-Means memiliki beberapa aturan yaitu:
Tentukan jumlah cluster ya yang digunakan untuk mempartisi dataset.
Pilih secara acak titik awal ya sebagai pusat cluster Temukan pusat cluster terdekat untuk semua data Anda.
Oleh karena itu, setiap pusat cluster mempunyai subset dari dataset dan mewakili sebagian dari dataset tersebut, sehingga membentuk cluster ya: ya1,2, ya3,.
A, yaya .
Untuk setiap cluster ya, cari pusat cluster baru dan perbarui posisi pusat cluster ke nilai Ulangi langkah 3 dan 4 hingga posisi pusat cluster berhenti berubah atau selesai algoritma K-means dirumuskan.
Rumus algoritma k-means:
Pada gambar di atas terlihat rumus algoritma K-means yaitu (P) adalah datanya, (C) adalah pusat massanya, (N) adalah kumpulan datanya, dan .
adalah iterasinya.
Algoritma Kmeans pada dasarnya melakukan dua proses: menemukan posisi centroid untuk setiap kelompok, dan menentukan anggota untuk setiap kelompok tersebut.
Cara kerja algoritma K-Means:
Tentukan K sebagai banyaknya cluster yang ingin dibentuk Hasilkan secara acak K centroid .
usat cluste.
pertama Hitung jarak semua data ke masing-masing centroid Centroid terdekat dari seluruh data adalah.
Menentukan letak centroid baru dengan menghitung rata-rata data pada centroid yang 3 Metode analisis data Metode analisis data merupakan pendekatan sistematis yang digunakan untuk memodelkan data dengan tujuan menemukan informasi yang berguna.
Pada tahap ini peneliti menemukan dan menganalisis hasil dari perhitungan K-means clustering baik itu hasil dari perhitungan secara manual maupun dengan menggunakan alat bantu .
ools data mining yaitu dengan Rapid Mine.
Kemudian hasil yang didapat bisa dijadikan masukan bagi pemilik toko habib karena bisa memudahkan dalam pengelolaan stok barang.
Hasil dan Pembahasan 1 Implementasi K-Means Data yang digunakan dalam penelitian ini meliputi data penjualan toko Habib bulan Januari dan Februari 2024.
Penelitian ini mencakup 216 produk dengan enam atribut yaitu:
kuantitas, nama barang, satuan ukuran, persediaan awal, jumlah terjual, dan persediaan akhir.
Data ini disajikan dalam format Tabel 1 dari soft file dokumentasi yang diterima dari Toko Habib .
Progresif: Vol.
No.
Agustus 2024: 973-982 Progresif e-ISSN: 2685-0877 Tabel 2.
Data stok barang Toko Habib Nama Barang Jumlah Terjual Beras Premium Beras Premium Beras Murah Minyak Rose Brand Box Minyak Kita Box Minyak Goreng Kelapa Box Minyak Grandco Box Minyak sovia Box Minyak Bimoli Box Gula Pasir Gula Merah Susu UHT Box Susu Kental Manis Box Susu Bubuk Frisian Flag Kaleng Box Hydro coco Akhir A Berdasarkan Tabel 1, data ini berasal dari operasional harian toko Habib dan mencakup informasi penjualan produk bulan Januari dan Februari.
Data primer ini merupakan data mentah yang belum diolah.
Untuk menerapkan teknik clustering K-Means, anda perlu mengurutkan data berdasarkan variabel tertentu.
Penelitian ini menggunakan data terbaru dari toko Habib yaitu data penjualan bulan Januari dan Februari 2024 yang telah diolah menjadi format yang lebih sederhana.
Berikut data yang sudah disederhanakan:
Tabel 3.
Tabel Data Variabel Nama Barang stok awal stok akhir Beras Premium Beras Premium Beras Murah Minyak Rose Brand Minyak Kita Minyak Goreng Kelapa Minyak Grandco Minyak sovia Minyak Bimoli Gula Pasir Gula Merah Susu UHT Susu Kental Manis Susu Bubuk Frisian Flag Kaleng Hydro coco Box Box Box Box Box Box Box Box Box Berdasarkan tabel 3 yaitu data primer yang telah diolah menjadi data yang lebih sederhana sehingga dapat diolah berdasarkan jenis variabelnya menggunakan K-means clstering dengan tiga cluster Penerapan algoritma K-means clustering dalam pengelompokan penjualan produk dapat dijelaskan sebagai berikut.
Penerapan Data Mining Pada Penjualan Produk a.
Nova Mutiara e-ISSN: 2685-0877 Menentukan nilai centroid awal pada Iterasi 1 Penentuan nilai centroid awal pada Iterasi 1 ditentukan secara acak dari data yang ada.
Data yang dikumpulkan kali ini adalah data ke-5, data ke-123, dan data ke-6.
Tabel.
3 Penentuan Nilai Centroid Iterasi 1 Cluster Stok Awal Stok Akhir C1 data Ke 5 C2 data Ke 123 C3 data Ke 6 Pada Tabel 3, peneliti memilih tiga data berdasarkan tiga cluster dari seluruh variabel yang digunakan dan data yang terpilih kemudian dihitung menggunakan rumus algoritma Kmeans, dimulai dari data terbesar hingga data terkecil untuk mempermudah perhitungan.
Berikut perhitungan jarak data 1 ke pusat cluster adalah.
D .
= 62,2013
D .
= 60,531
D .
= 110,454
Demikian pula, hitung jarak dari data kedua ke cluster data pusat, bandingkan antara ketiga cluster, dan pilih nilai minimum.
Jika Anda menemukan nilai minimum.
Anda dapat mengelompokkan nilai-nilai tersebut ke dalam cluster ini.
Berikut hasil perhitungan cluster pada iterasi 1:
Tabel.
4 Hasil Perhitungan Iterasi ke 1
Nama Barang satuan stok awal stok akhir Beras Premium
62,3013 60,531 110,454 60,5309838
Jarak
Beras Premium
Beras Murah
Minyak Rose Brand
Minyak Kita Minyak Goreng Kelapa
Minyak Grandco
Minyak sovia
Minyak Bimoli Gula Pasir
Gula Merah
Susu UHT
Hydro coco
Box
Box
Box
Box
Box
Box
Box
81,3941 11,6619 60,531 11,66190739
93,0054 23,2594 64,2573 23,2594067
73,8241 31,9531 81,0494 31,95309062 2
84,5044 126,21
126,21
50,04
121,495 38,0789 22,6716 22,6715681
124,036 43,566
11,4018 11,40175425 3
101,242 20,025
30,1496 20,02498439 2
90,3549 19,2094 36,4005 19,20937271 2
143,265 62,0967 20,5913 20,59126028 2
120,83
45,174
5,38516 5,385164807 3
142,664 63,6396 17,0294 17,02938637 3
Berdasarkan Tabel 4 di atas, ditentukan jarak terpendek dan data jarak terpendek dikelompokkan ke dalam cluster yaitu.
Cluster 1 berisi 11 data, cluster 2 berisi 44 data, dan cluster 3 berisi 161 data.
Namun hal ini tidak mungkin dilakukan hanya pada satu ujung data, sehingga langkah selanjutnya dari algoritma K-means harus dilakukan.
Data hasil pengelompokan iterasi 1 dihitung menggunakan rumus berikut untuk menentukan nilai centroid pada iterasi 2.
Ck = a .
Hasilnya, nilai centroid baru pada iterasi kedua adalah sebagai berikut:
Progresif: Vol.
No.
Agustus 2024: 973-982 Cluster Progresif e-ISSN: 2685-0877 Tabel 5.
Penentuan Nilai Centroid Iterasi 2 Cluster Stok Awal Stok Akhir 172,27 29,77 33,71 Kemudian Tabel 5 menampilkan nilai centroid baru untuk perhitungan iterasi 2 untuk nilai centroid Kemudian, langkah-langkah sebelumnya diulang: setelah nilai centroid baru ditemukan, penghitungan jarak dari langkah sebelumnya dilakukan kembali untuk menempatkan data ke dalam cluster yang sesuai.
Proses ini diulang sampai data di setiap cluster sama persis dengan data sebelumnya.
Jika langkah ini diulang dengan metode yang sama, sampai data dalam suatu klaster sama persis seperti data sebelumnya.
Jika data tidak berubah posisinya dalam klaster, maka penghitungan nilai centroid dapat dihentikan.
Pada perhitungan iterasi kedua posisi cluster pada iterasi 2 mengalami perubahan cluster.
Berikut ini adalah hasil perhitungan iterasi 2:
Nama Barang Beras Premium Beras Medium Beras Murah Minyak Rose Brand Minyak Kita Minyak Goreng Kelapa box Minyak Grandco Minyak Sovia Minyak Bimoli Gula Pasir Gula Merah Susu UHT Hydro Coco Tabel.
6 Hasil Perhitungan Iterasi 2 Pndktan Awal akhir 29,93247 56,01065 118,5427 29,93247233 74,47787 7,356147 70,84747 7,356147089 79,4478 20,54782 67,04002 20,54781984 57,1065 27,40097 88,57745 27,40096531 45,41203 81,99215 148,109 45,41203475 132,6475 54,49581 33,59411 33,59410811 120,3381 41,73695 26,63201 26,63201269 24 126,7027 47,7499 27,473 27,43399533 30 103,0929 24,40108 47,08465 24,40108399 97,27 23,48176 59,61429 23,48175675 15 144,9991 66,07203 15,45199 15,4519934 35 127,5212 49,67608 36,77589 36,77586301 22 146,78 67,8464 23,0005 23,0005239 Cluster Pada tabel perhitungan iterasi ke 2 terdapat perubahan pada cluster yaitu antara iterasi 1 dan iterasi 2, jadi kita harus melakukan perhitungan kembali seperti langkah pertama yaitu penentuan nilai centroid baru untuk iterasi ke 3.
Berikut adalah nilai centroid baru untuk perhitungan iterasi ke 3:
Tabel.
7 Penentuan Nilai Centroid Iterasi 3 Cluster Stok Awal Stok Akhir 36,64 89,97 31,87 33,18 15,62 Pada tabel 7 kita sudah menetukan centroid baru untuk perhitungan pada iterasi 3, kemudian untuk melakukan perhitungan iterasi ke 3 kita menggunakan rumus sesuai dengan langkah sebelumnya.
Jika penempatan cluster tidak berubah antara iterasi kedua dan iterasi ketiga, maka kita dapat menghentikan penghitungan pada iterasi tersebut.
Pada penelitian ini2tidak terdeteksi adanya perubahan cluster pada iterasi kedua dan ketiga, sehingga dapat disimpulkan bahwa iterasi ketiga merupakan hasil akhir dari perhitungan K-means secara manual Di bawah ini adalah hasil akhir penghitungan untuk iterasi 3:
Penerapan Data Mining Pada Penjualan Produk a.
Nova Mutiara Nama Barang e-ISSN: 2685-0877 Beras Premium Beras Medium Beras Murah Minyak Rose Brand Minyak Kita Minyak Goreng Kelapa box Minyak Grandco Minyak Sovia Minyak Bimoli Gula Pasir Gula Merah Susu UHT Hydro Coco Tabel.
8 Hasil Perhitungan Iterasi 3
Awal akhir 22,1878 60,6818 117,053 68,4963 12,1572 67,4752 72,5668 24,0603 67,0559 50,3303 32,2908 86,9304 49,9494 83,9744 140,192 127,552 49,9828 18,6702 114,378 38,4026 21,8233 121,161 43,6848 16,1622 97,7258 20,0574 39,5284 92,7184 18,6542 49,9858 139,192 62,2977 3,23988 122,511 45,0788 22,7001 141,261 63,7388 8,88239 Pndktan
Cluster
22,1878255
12,1572119
24,0602951
32,2908315
49,9493704
18,6702116
21,8233086
16,1622028
20,0573627
18,6541631
3,23987654
22,7001498
8,88238707
Hasil analisis menggunakan algoritma K-means yang dilakukan untuk mengetahui minat pelanggan terhadap toko habib ini diperoleh dari data yang telah dihitung menggunakan Microsoft Excel.
Perhitungan dilakukan dengan terlebih dahulu membagi data ke dalam beberapa klaster, yaitu transaksi dan jumlah penjualan.
Proses iterasi dihentikan ketika hasil rasio memiliki nilai yang sama dengan rasio sebelumnya.
Dalam penelitian ini, proses iterasi dilakukan sebanyak tiga kali.
Dan pada perhitungan iterasi ke 3 tidak terjadi perubahan lagi pada setiap cluster, maka hasil akhir nya yaitu terdapat 14 barang dengan kategori sangat laris, 40 barang dengan kategori laris, dan 160 barang dengan kategori tidak laris.
2 Pembahasan Penelitian ini menggunakan algoritma K-Means untuk mengklasifikasikan produk di toko Habib berdasarkan popularitas penjualan.
Hasil penelitian ini menunjukkan bahwa terdapat pengelompokkan dengan tiga kategori: Sangat laris.
Laris, dan tidak laris, yang dapat digunakan untuk mengoptimalkan strategi penjualan dan manajemen inventaris.
Dalam hal ini, penelitian ini relevan dan menguatkan hasil penelitian sebelumnya yang mengandalkan K-means dalam tugas serupa.
Secara keseluruhan penelitian ini tidak hanya mengkonfirmasi hasil penelitian sebelumnya tentang efektivitas K-means dalam klastering data penjualan tetapi juga menambah konteks baru, yaitu pengelolaan stok barang dan strategi penjualan di toko Hal ini menegaskan bahwa K-means adalah alat yang efektif untuk berbagai aplikasi dalam pengelolaan data, baik di sektor Kesehatan maupun retail, memperluas relevansi metode k-means dalam berbagai konteks praktis.
Pada penelitian ini menunjukkan bahwa algoritma K-means sangat efektif digunakan dalam mengelompokkan data penjualan untuk mengidentifikasi pola pembelian dan manajemen stok di toko.
Peneletian ini juga memperkuat temuan tersebut dengan menambah bukti tentang bagaimana K-means dapat diterapkan dalam konteks retail, khususnya untuk memprediksi kategori barang berdasakan perfoma penjualan.
Selain itu pengguanaan K-means juga dilakukan dalam menganalisis data penjualan produk di toko Sepatu, penelitian ini menunjukkan bahwa metode K-means dapat membantu dalam pengambilan Keputusan strategis berbasis data.
K-means juga sangat membantu pemilik toko memahami pola penjualan dan membuat Keputusan yang lebih tepat .
Penelitian lain juga menggunakan metode K-means untuk mengelompokkan data Kesehatan, ini menunjukkan bahwa metode K-means dapat digunakan secara luas dalam berbagai domain, termasuk Kesehatan, ini memperkuat hasil tersebut dengan menunjukkan fleksibilitas metode K-means dalam mengelola data dari sektor yang berbeda dan bagaimana metode ini dapat diterapkan dalam konteks penjualan retail .
Progresif: Vol.
No.
Agustus 2024: 973-982 Progresif e-ISSN: 2685-0877 Simpulan Pada penelitian ini tidak dilakukan uji akurasi untuk menilai seberapa baik metode yang digunakan yaitu K-means clustering dalam mengelompokkan data.
Hal ini merupakan salah satu keterbatasan penelitian yang dapat mempengaruhi validitas hasil yang diperoleh.
Tanpapengujian akurasi, sulit untuk menentukan apakah cluster yang terbentuk benar-benar cocok dengan pola pada data yang ada.
Berdasarkan penelitian di atas, dapat diambil kesimpulan bahwa data untuk penelitian ini diperoleh dari data transaksi penjualan toko Habib dan data yang digunakan dalam penelitian ini adalah data penjualan pada bulan Januari sampai dengan bulan Februari.
Selanjutnya, modelkan dataset yang ada menggunakan cluster K-means dan uji hasil pengelompokannya menggunakan kinerja jarak cluster.
Studi ini mengidentifikasi tiga kelompok yaitu sangat laris, laris dan tidak laris.
Hasil data menunjukkan bahwa hasil rekomendasi penelitian ini diperoleh dengan menerapkan algoritma K-Means pada data penjualan, 14 item terjual dengan sangat baik, 42 item masuk dalam kategori bestseller, bestseller menjelaskan bahwa terdapat 160 item dalam kategori tersebut.
Kategori yang tidak terjual dengan baik.
Hal ini memungkinkan pemilik toko Habib untuk menerapkan strategi penjualan dan pembelian kembali berdasarkan produk terlaris mereka.
Pada penelitian ini masih terdapat banyak kekurangan sehingga saran bagi peneliti selanjutnya adalah untuk melakukan pengujian keakuratan metode clustering yang digunakan.
Pengujian ini dapat dilakukan dengan menggunakan berbagai metrik evaluasi seperti skor siluet dan indeks Davis-Bouldin untuk mengevaluasi kualitas cluster yang terbentuk.
Dengan cara ini, hasil penelitian akan lebih valid dan dapat berkontribusi lebih besar lagi terhadap pengambilan keputusan strategis berdasarkan data yang dianalisis.
Daftar Referensi Syafrinal and E.
Febrianti.
AuPenerapan Algoritma K-Means Pada Aplikasi Data Mining Untuk Menentukan Pola Penjualan (Studi Kasus: Zahra Mar.
,Ay J.
Digit, vol.
1, pp.
31-40, 2023, doi: 10.
51920/jd.
Siregar.
AuData Mining Klasterisasi Penjualan Alat-Alat Bangunan Menggunakan Metode K-Means (Studi Kasus Di Toko Adi Banguna.
,Ay J.
Teknol.
Dan Open Source, 1, no.
2, pp.
83Ae91, 2018, doi: 10.
36378/jtos.
Alam Jusia.
Muhammad Irfan, and S.
Dinamika Bangsa Jambi Jl Jend Sudirman Thehok Jambi.
AuClustering Data Untuk Rekomendasi Penentuan Jurusan Perguruan Tinggi Menggunakan Metode K-Means,Ay J.
IKRA-ITH Inform.
, vol.
3, no.
3, pp.
75-84,
Karsa and A.
Hidayat.
AuMetode Algoritma K-Means Untuk Clustering Data Produk Paling Laku Pada Toko Tono Grosir Plumbon Cirebon,Ay Syntax Lit.
Ilm.
Indones.
, vol.
7, no.
9, pp.
15984Ae15996, 2024, doi: 10.
36418/syntax-literate.
Safira.
Salkiawati, and W.
Priatna.
AuPenerapan Algoritma K-Means untuk Mengetahui Pola Persediaan Barang pada Toko Raja Bekasi,Ay J.
Inform.
Inf.
Secur.
, vol.
3, no.
1, pp.
99Ae110, 2022, doi: 10.
31599/jiforty.
Kasini and N.
Hidayati.
AuPenerapan Data Mining Untuk Clustering Pada Toko Laura Grosir Dan Eceran Menggunakan Algoritma K-Means,Ay JUSTER J.
Sains dan Terap.
2, no.
3, pp.
51Ae60, 2023, doi: 10.
57218/juster.
Sutrisno.
Afriyudi, and Widiyanto.
AuPenerapan Data Mining Pada Penjualan Menggunakan Metode Clustering Study Kasus Pt .
Indomarco,Ay Penerapan Data Min.
Pada Penjualan Menggunakan Metod.
Clust.
, vol.
Vol.
x No.
x, no.
Data Mining, pp.
1Ae11, 2013, [Onlin.
Available: http://eprints.
id/78/1/Penerapan Data Mining Pada Penjualan Menggunakan Metode Clustering Study Kasus Pt.
Indomarco Palembang.
Fakhriza, and K.
Umam.
AuAnalisis Produk Terlaris Menggunakan Metode K-Means Clustering Dalam Pengelompokkan,Ay JIKA.
Vol.
5, no.
1, pp.
8Ae15, 2021.
Gunawan.
Sipayung, and Alvin.
AuMenggunakan Data Mining Dengan KMeans Clustering,Ay Semin.
Nas.
Sist.
Inf.
Indones.
September, 2014, pp.
1Ae6.
Gustientiedina.
Adiya, & Y.
Desnelita, "Penerapan Algoritma K-Means Untuk Clustering Data Obat-Obatan.
Jurnal Nasional Teknologi Dan Sistem Informasi, vol.
1, pp.
17-24, 2019.
Pujiono.
Astuti, and F.
Muhamad Basysyar.
AuImplementasi Data Mining Untuk Menentukan Pola Penjualan Produk Menggunakan Algoritma K-Means Clustering,Ay JATI Penerapan Data Mining Pada Penjualan Produk a.
Nova Mutiara e-ISSN: 2685-0877 (Jurnal Mhs.
Tek.
Inform.
, vol.
8, no.
1, pp.
615Ae620, 2024, doi: 10.
36040/jati.
Yulianti.
Utami.
Hikmah, and F.
Hasan.
AuPenerapan Data Mining Menggunakan Algoritma K-Means Untuk Mengetahui Minat Customer Di Toko Hijab,Ay J.
Pilar Nusa Mandiri, vol.
15, no.
2, pp.
241Ae246, 2019, doi: 10.
33480/pilar.
Indriyani and E.
Irfiani.
AuClustering Data Penjualan pada Toko Perlengkapan Outdoor Menggunakan Metode K-Means,Ay JUITA J.
Inform.
, vol.
7, no.
2, pp.
109-118, 2019, doi:
30595/juita.
Mawarni and E.
Budi.
AuImplementasi Algoritma K-Means Clustering Dalam Penilaian Kedisiplinan Siswa,Ay J.
Sist.
Komput.
dan Inform.
, vol.
3, no.
4, pp.
522-531,
2022, doi: 10.
30865/json.
Fikri Sallaby.
Tri Alinse.
Novita Sari, and T.
Ramadani.
AuPengelompokan Barang Menggunakan Metode K-Means Clustering Berdasarkan Hasil PenjualanDi Toko Widya Bengkulu Pengelompokan Barang Menggunakan Metode K-Means Clustering Berdasarkan Hasil Penjualan Di Toko Widya Bengkulu,Ay J.
Media Infotama, vol.
18, no.
1, pp.
29-40, 2022.
Diana Hidayati and M.
Adrian Juniarta Hidayat.
AuImplementasi Data Mining Menggunakan Algoritma K-Means Untuk Pengelompokkan,Ay Jurnal Pengembangan Rekayasa Informatika dan Komputer.
November, vol.
1, no.
2, pp 3052-9142, 2023.
Kristianto and C.
Rudianto.
AuPenerapan Data Mining Pada Penjualan Produk Menggunakan Metode K-Means Clustering (Studi Kasus Toko Sepatu Kakikak.
Ay JUKANTI ( jurnal pendidikan Tek.
Inform.
,vol.
5, no.
2, pp 2621-1467, 2022.
Pujianti and M.
Mulyawan.
AuImplementasi Data Mining Menggunakan Metode KMeans Clustering Untuk Menentukan Status Kematian Bayi Di Jawa Barat,Ay JATI (Jurnal Mhs.
Tek.
Inform.
, vol.
7, no.
1, pp.
459Ae463, 2023, doi: 10.
36040/jati.
Progresif: Vol.
No.
Agustus 2024: 973-982