Penerapan Data Mining Metode Clustering Pada CV. Secom Infotech Menggunakan Algoritma K-Means

Juliawan, Dicky; Amir, Faisal; Desi, Efani

doi:10.30645/senaris.v1i0.12

Cited by 3 publications

(2 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Pada penelitian ini, digunakan penerapan clustering dengan menggunakan algoritma K-means. K-means merupakan algoritma pengelompokan inratif yang melakukan partisi set data ke dalam sejumlah K cluster yang sudah ditetapkan diawal [4].…”

Section: Pendahuluanunclassified

Penerapan Metode K-Means Clustering dalam Pengelompokan Data Penjualan Barang Pada PT. Swasti Tunggal Mandiri

Febriyanti

Bancin²,

Amanda³

2022

J-Com

View full text Add to dashboard Cite

The increasingly fierce business competition in this era of globalization requires companies to rearrange business strategies and tactics in order to always survive in business competition. To achieve this, there are several things that can be done, namely by improving product quality, adding product types, and reducing company operational costs by using company data analysis. Data mining is a statistical process that identifies and categorizes data. PT. Swasti is a company engaged in contracting and supplying the engineering needs of palm oil mills. The purpose of this research is to help classify sales data in order to maximize stock management. In this study, the application of clustering using the k-means algorithm was used. The results of the data modeling will group the stock of goods into a number of clusters. The grouping will produce in information about the sale of goods where there are three groups, namely sales that are not selling well, selling well, and selling very well. Keywords: k-means; data mining; clustering; sales stock. Abstrak: Persaingan bisnis yang semakin ketat di era globalisasi ini menuntut perusahaan untuk menyusun kembali strategi dan taktik bisnis agar selalu bertahan dalam persaingan bisnis. Untuk mencapai hal tersebut, ada beberapa hal yang bisa dilakukan yaitu dengan meningkatkan kualitas produk, penambahan jenis produk, dan pengurangan biaya operasional perusahaan dengan cara menggunakan analisis data perusahaan. Data mining merupakan proses statistik yang mengidentifikasi dan mengelompokkan suatu data. PT. Swasti adalah perusahaan yang bergerak di bidang kontraktor dan supplier untuk kebutuhan teknik dari pabrik kelapa sawit. Tujuan diadakan penelitian ini untuk membantu mengelompokkan data penjualan agar dapat memaksimalkan manajemen stock. Pada penelitian ini, digunakan penerapan clustering dengan menggunakan algoritma k-means. Hasil dari pemodelan data tersebut akan mengelompokkan stock barang kedalam sejumlah cluster. Pengelompokkan tersebut akan menghasilkan informasi tentang penjualan barang dimana terdapat tiga cluster yaitu penjualan kurang laris, cukup laris, dan sangat laris. Kata kunci: k-means; data mining; clustering; stok penjualan.

show abstract

Section: Pendahuluanunclassified

Penerapan Metode K-Means Clustering dalam Pengelompokan Data Penjualan Barang Pada PT. Swasti Tunggal Mandiri

Febriyanti

Bancin²,

Amanda³

2022

J-Com

View full text Add to dashboard Cite

show abstract

“…Dalam non-hierarchical pengelompokan objek dimasukan ke dalam K cluster, dapat dilakukan dengan menentukan pusat klaster awal lalu dilakukan realokasi objek berdasarkan kriteria tertentu sampai dicapai pengelompokan yang optimum. [3] 2.4. RFM (Recency, Frequency, Monetary) Analisa RFM adalah proses menganalisis perilaku pelanggan.…”

Section: Clusteringunclassified

Segmentasi Pelanggan Menggunakan Algoritma K-Means Berdasarkan Model Recency Frequency Monetary

Pramudiansyah¹

2021

JIKOM

View full text Add to dashboard Cite

Pelanggan merupakan sumber keuntungan bagi perusahaan seperti halnya pada bisnis di bidang ritel Pelanggan merupakan aset bagi perusahaan. Saat ini, perusahaan berlomba-lomba dalam memenangkan hati para pelanggan. Karena masing-masing pelanggan tidak hanya memiliki kebutuhan, preferensi harapan dan perilaku yang berbeda-beda namun juga profil pendapatan dan biaya yang berbeda maka sebuah perusahaan perlu memetakan tingkat loyalitas pelanggannya. Namun tidak adanya pengolahan data pelanggan yang telah dimiliki menjadikan perusahaan tidak mengetahui valuable dari pelanggan yang ada. Penetapan rencana strategi pemasaran seharusnya dapat dilakukan salah satunya dengan memanfaatkan valuable customer yang dimiliki. Pemanfaatan valuable customer dilakukan dengan menggunakan data mining, penerapan model Recency Frequency Monetary pada tahapan data preparation dapat membantu untuk melihat valuable dari masing-masing pelanggan. hasil pengujian menggunakan Elbow Method didapatkan titik siku terbaik yaitu sebanyak 4 klaster dan setelah dilakukan perhitungan menggunakan algoritma k-means maka dihasilkan sebanyak 38,4% atau berjumalah 557 pelanggan masuk kedalam kelompok kategori Platinum, 12,6% atau berjumlah 184 pelanggan kategori Gold, 22,7% atau berjumlah 330 pelanggan kategori Silver, dan 26.% atau berjumlah 378 pelanggan kategori Bronze.

show abstract

Comparison of Result Clustering Study Case Posyandu With The Scalable K Means ++ Clustering Method

Hayati

Hani’ah²,

Kusumaning³

2020

Senatik

View full text Add to dashboard Cite

Application in this research to grouping data at unsupervised method, in this study comparing the results grouping with the K mean clustering method, K Means ++ clustering method and the Scalable K Means ++ clustering method. Based on the test results by analyzing the iteration error value, the results of the analysis show that the K Means ++ clustering and Scalable K Means ++ clustering method will produce less error values when compared to the K Means Clustering method. The data used as the basis of analysis in this study is based on data from Posyandu Rajawali Singosari in Malang. The initial initialization value of the centroid can be determined or randomly and is very influential for the data grouping process. Calculation analysis program used scilab programming and the error results with the graph of the minimum value. Result in test data, error value test data 1 get Scalable K Means ++ clustering error minimum 0,07, test data 2 get error value minimum K Means ++ Clustering 0,15, test data 3 get error value minimum 0,005 at metode Scalable K Means Clustering, test data 4 get error value minimum 0,15 at K Means ++ Clustering.

show abstract

Penerapan Data Mining Metode Clustering Pada CV. Secom Infotech Menggunakan Algoritma K-Means

Cited by 3 publications

References 0 publications

Penerapan Metode K-Means Clustering dalam Pengelompokan Data Penjualan Barang Pada PT. Swasti Tunggal Mandiri

Penerapan Metode K-Means Clustering dalam Pengelompokan Data Penjualan Barang Pada PT. Swasti Tunggal Mandiri

Segmentasi Pelanggan Menggunakan Algoritma K-Means Berdasarkan Model Recency Frequency Monetary

Comparison of Result Clustering Study Case Posyandu With The Scalable K Means ++ Clustering Method

Contact Info

Product

Resources

About