ANALISIS DATA PENJUALAN PRODUK PAKAIAN MENGGUNAKAN K-MEANS DENGAN CLUSTER DISTANCE PERFORMANCE
Abstract
Seiring dengan perkembangan zaman di era modern dimana teknologi informasi(TI) semakin berkembang pesat. Setiap perusahaan dalam bidang perdagangan juga memiliki keinginan untuk mengembangkan usahanya dengan maksimal agar tidak tenggelam dalam persaingan bisnis yang berjalan sangat ketat. Permasalahan pada penelitian ini belum diketahui informasi yang diperoleh dari data transaksi penjualan. Oleh karena itu, perlu dilakukan beberapa strategi untuk meningkatkan penjualan. Tujuan penelitian ini untuk mengetahui pengaruh measure type agar mendapatkan nilai K optimal berdasarkan Davies Bouldin Index. Dalam penelitian ini menggunakan algoritma K-Means dan metode analisa data yang digunakan yaitu Cross Industry Standard Process for Data Mining (CRISP-DM). Adapun data yang digunakan dalam penelitian ini sebanyak 172 record. Hasil dari penelitian ini adalah melakukan perbandingan nilai DBI dengan measure type yang digunakan. Karena nilai K=4 merupakan nilai terkecil dibandingkan K lainnya, maka dapat disimpulkan bahwa K=4 dengan nilai DBI sebesar 0,156 dengan menggunakan measure type jenis Bregman Divergences merupakan hasil cluster terbaik. Dari hasil penelitian yang dilakukan oleh Peneliti, toko LanShop dapat mengetahui stok produk pakaian yang laris dan kurang laris sehingga dapat mengatur jenis produk mana yang harus ditingkatkan dan dikurangi guna mengoptimalkan persediaan jenis produk pakaian.
Kata kunci ; Penjualan, K-Means, CRISP-DM, Cluster Distance Performance, Davies Bouldin Index
Full Text:
PDFReferences
Al-Fahmi, Barron Mahardhika, Endra Rahmawati, and Tri Sagirani. 2023. “Penerapan K-Means Clustering Pada Pariwisata Kabupaten Bojonegoro Untuk Mendukung Keputusan Strategi Pemasaran.” Jurnal Nasional Teknologi Dan Sistem Informasi 9(2):141–49. doi: 10.25077/teknosi.v9i2.2023.141-149.
Amin, Fadli, Dini Sri Anggraeni, and Qurrotul Aini. 2022. “Penerapan Metode K-Means Dalam Penjualan Produk Souq.Com.” Applied Information System and Management (AISM) 5(1):7–14. doi: 10.15408/aism.v5i1.22534.
Anam, Khaerul, Dadang Sudrajat, and Dian Ade Kurnia. 2022. “Analisis Segmentasi Pelanggan Menggunakan Metode K-Means Clustering.” Jurnal ICT : Information Communication & Technology 21(2):273–78.
Andi Cuhwanto, Yahya Novi, and Dewi Agushinta R. 2021. “Implementasi Data Mining Pemilihan Pelanggan Potensial Menggunakan Algoritma K-Means.” Petir 15(1):48–56. doi: 10.33322/petir.v15i1.1358.
Dharma Putra, Yogiswara, Made Sudarma, and Ida Bagus Alit Swamardika. 2021. “Clustering History Data Penjualan Menggunakan Algoritma K-Means.” Majalah Ilmiah Teknologi Elektro 20(2):195. doi: 10.24843/mite.2021.v20i02.p03.
Firdaus, A., Sopandi, A., Herdiansah, A., & Fauziyah, S. (2023). Pengembangan Sistem Informasi Data Balance Planning Berbasis Web Studi Kasus PT. Panarub Industry. JIKA (Jurnal Informatika), 7(3), 329–335. https://doi.org/10.31000/jika.v7i3.8604
Indriyani, Fintri, and Eni Irfiani. 2019. “Clustering Data Penjualan Pada Toko Perlengkapan Outdoor Menggunakan Metode K-Means.” JUITA : Jurnal Informatika 7(2):109. doi: 10.30595/juita.v7i2.5529.
Irawan, Yuda. 2019. “Implementation of Data Mining for Determining Majors Using K-Means Algorithm in Students of Sma Negeri 1 Pangkalan Kerinci.” Journal of Applied Engineering and Technological Science 1(1):17–29. doi: 10.37385/jaets.v1i1.18.
Mangku Negara, Iis Setyawan, Purwono Purwono, and Imam Ahmad Ashari. 2021. “Analisa Cluster Data Transaksi Penjualan Minimarket Selama Pandemi Covid-19 Dengan Algoritma K-Means.” JOINTECS (Journal of Information Technology and Computer Science) 6(3):153. doi: 10.31328/jointecs.v6i3.2693.
Muhima, Rani Rotul, Muchamad Kurniawan, Septiyawan Rosetya Wardhana, Anton Yudhana, Sunardi, and Mitra Adhimukti. 2023. “An Improved Clustering Based on K-Means for Hotspots Data.” Indonesian Journal of Electrical Engineering and Computer Science 31(2):1107–17. doi: 10.11591/ijeecs.v31.i2.pp1109-1117.
Nurdiyansyah, Firman, and Ismail Akbar. 2021. “Implementasi Algoritma K-Means Untuk Menentukan Persediaan Barang Pada Poultry Shop.” Jurnal Teknologi Dan Manajemen Informatika 7(2):86–94. doi: 10.26905/jtmi.v7i2.6377.
Prakoso, Bakhtiyar Hadi, Ervina Rachmawati, Demiawan Rachmatta Putro Mudiono, Veronika Vestine, and Gandu Eko Julianto Suyoso. 2023. “Klasterisasi Puskesmas Dengan K-Means Berdasarkan Data Kualitas Kesehatan Keluarga Dan Gizi Masyarakat.” Jurnal Buana Informatika 14(01):60–68. doi: 10.24002/jbi.v14i01.7105.
Putri Trisnawati, and Ade Irma Purnamasari. 2023. “Penerapan Pengelompokkan Produktivitas Hasil Pertanian Menggunakan Algoritma K-Means Pendahuluan Potensi Sektor Pertanian Yang Tak Kalah Besarnya Dengan Setor Migas . Apalagi Sumber Daya Migas Yang Bersifat Tidak Bisa Diperbarui Dan Pasti Akan Habis , Hal.” 6(2):249–57
Purnama, Chandra, Wina Witanti, and Puspita Nurul Sabrina. 2022. “Klasterisasi Penjualan Pakaian Untuk Meningkatkan Strategi Penjualan Barang Menggunakan K-Means.” Journal of Information Technology 4(1):35–38. doi: 10.47292/joint.v4i1.79.
Sya’bana, N. A., Herdiansah, A., Faridi, F., & Pujangkoro, T. (2023). Sistem Pendukung Keputusan Pemilihan Makanan Kucing Menggunakan Metode Analitical Hierarchy Process. JIKA (Jurnal Informatika), 7(4), 472–478. https://doi.org/10.31000/jika.v7i4.9600
Triyandana, Genta, Lala Aprianti Putri, and Yuyun Umaidah. 2022. “Penerapan Data Mining Pengelompokan Menu Makanan Dan Minuman Berdasarkan Tingkat Penjualan Menggunakan Metode K-Means.” Journal of Applied Informatics and Computing 6(1):40–46. doi: 10.30871/jaic.v6i1.3824.
Wahyudi, Tri, and Titi Silfia. 2022. “Implementation of Data Mining Using K-Means Clustering Method To Determine Sales Strategy in S&R Baby Store.” Journal of Applied Engineering and Technological Science 4(1):93–103. doi: 10.37385/jaets.v4i1.913
DOI: http://dx.doi.org/10.31000/jika.v8i1.10383
Article Metrics
Abstract - 454 PDF - 375Refbacks
- There are currently no refbacks.
![Creative Commons License](http://i.creativecommons.org/l/by-sa/4.0/88x31.png)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
CURRENT INDEXING
![]() |
![]() |
![]() |
|
![]() |
![]() |
||
![]() |
![]() |