Implementasi K-Means Clustering Untuk Mengelompokan Data Sparepart Alat Berat
DOI:
https://doi.org/10.71302/jbidai.v7i2.37Kata Kunci:
data mining, grouping, k-means clustering, sparepart, centroidAbstrak
Data mining merupakan proses penting dalam mengekstraksi informasi yang bernilai dari data yang ada, yang kemudian dapat digunakan oleh perusahaan untuk pengambilan keputusan yang cepat dan akurat. Salah satu metode yang sering digunakan dalam data mining adalah metode K-Means Clustering. Dalam penelitian ini, penulis menerapkan metode K-Means Clustering di bidang retail untuk mengatasi permasalahan yang dihadapi oleh PT. Patria Jaya Mandiri. Penulis merancang sebuah aplikasi yang dapat mengelompokkan sparepart alat berat berdasarkan data penjualan, dengan tujuan membantu perusahaan dalam mengetahui sparepart mana saja yang paling diminati oleh konsumen. Dengan adanya pengelompokan ini, diharapkan perusahaan dapat lebih mudah menentukan stok sparepart yang optimal, yang pada akhirnya akan berdampak positif pada pendapatan perusahaan. Hasil dari penelitian ini menunjukkan bahwa sparepart alat berat dapat dikelompokkan menjadi tiga kategori: Paling Laris, Laris, dan Tidak Laris. Klaster 1 (Paling Laris) terdiri dari 3 data, klaster 2 (Laris) terdiri dari 39 data, dan klaster 3 (Tidak Laris) terdiri dari 8 data. Hasil clustering ini dapat menjadi panduan bagi PT. Patria Jaya Mandiri dalam menentukan persediaan sparepart yang tepat di masa mendatang.
Referensi
[1] L. Yana Siregar, M. Irwan Padli Nasution Prodi Manajemen, and U. Negeri Islam Sumatera Utara, “Perkembangan Teknologi Informasi Terhadap Peningkatan Bisnis Online,” HIRARKI : Jurnal Ilmiah Manajemen dan Bisnis, vol. 2, no. 1, pp. 71–75, 2020, doi: 10.30606/hjimb.
[2] Z. Nabila, A. Rahman Isnain, and Z. Abidin, “Analisis Data Mining Untuk Clustering Kasus Covid-19 Di Provinsi Lampung Dengan Algoritma K-Means,” Jurnal Teknologi dan Sistem Informasi (JTSI), vol. 2, no. 2, p. 100, 2021, [Online]. Available: http://jim.teknokrat.ac.id/index.php/JTSI
[3] R. Kesuma Dinata, N. Hasdyna, and N. Azizah, “Analisis K-Means Clustering pada Data Sepeda Motor,” 2020.
[4] T. Hardiani, “Analisis Clustering Kasus Covid 19 di Indonesia Menggunakan Algoritma K-Means,” Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), vol. 11, no. 2, pp. 156–165, Aug. 2022, doi: 10.23887/janapati.v11i2.45376.
[5] P. Marpaung, I. Pebrian, and W. Putri, “Penerapan Data Mining Untuk Pengelompokan Kepadatan Penduduk Kabupaten Deli Serdang Menggunakan Algoritma K-Means,” Jurnal Ilmu Komputer dan Sistem Informasi (JIKOMSI), vol. 6, no. 2, pp. 64–70, 2023.
[6] E. Muningsih, I. Maryani, and V. R. Handayani, “Penerapan Metode K-Means dan Optimasi Jumlah Cluster dengan Index Davies Bouldin untuk Clustering Propinsi Berdasarkan Potensi Desa,” Jurnal Sains dan Manajemen, vol. 9, no. 1, 2021, [Online]. Available: www.bps.go.id
[7] I. Nuryani and D. Darwis, “Analisis Clustering Pada Pengguna Brand Hp Menggunakan Metode K-Means”, SNASIKOM, vol. 1, no. 1, pp. 190–211, Jul. 2021.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
