Pengelompokan Barang Menggunakan Metode K-Means Clustering Dan K-Medoids Berdasarkan Hasil Penjualan Pada Kamajaya Seraya
Abstract
Penelitian ini bertujuan untuk mengelompokkan barang menggunakan metode K-Means Clustering dan K-Medoids berdasarkan hasil penjualan pada Kamajaya Seraya. Pengelompokan barang yang efektif dapat membantu Kamajaya Seraya dalam mengidentifikasi pola penjualan, mengoptimalkan manajemen stok, serta merencanakan strategi pemasaran yang lebih efektif. Metode K-Means Clustering dan K-Medoids digunakan untuk membagi barang-barang yang dijual oleh Kamajaya Seraya menjadi beberapa kelompok berdasarkan kesamaan karakteristik. K-Means Clustering menggunakan pusat kluster rata-rata sebagai representasi kluster, sedangkan K-Medoids menggunakan medoid, yaitu sampel data aktual yang mewakili kluster tersebut. Data penjualan Kamajaya Seraya digunakan sebagai input dalam penelitian ini. Data ini mencakup informasi tentang barang-barang yang dijual dan jumlah penjualan yang terkait. Melalui analisis clustering, barang-barang tersebut akan dikelompokkan ke dalam kluster berdasarkan kesamaan pola penjualan. Dengan menggunakan metode K-Means Clustering dan K-Medoids, diharapkan penelitian ini dapat memberikan kontribusi dalam pengelompokan barang yang lebih efektif dan membantu Kamajaya Seraya dalam meningkatkan efisiensi operasional serta pengambilan keputusan yang lebih baik berdasarkan hasil penjualan.
Downloads
References
[2] S. Bumartaduri, S. K. Gusti, F. Syafria, E. Haerani, dan S. Ramadhani, "Penerapan Metode Clustering Dalam Pengelompokan Kasus Perceraian Pada Pengadilan Agama Di Kota Pekanbaru Menggunakan," vol. 10, no. 1, hal. 257–265, 2023.
[3] Darmawati, "Analisis Manajemen Pembelajaran Pendidikan Pancasila Dalam Meningkatkan Pemahaman Nilai-Nilai Pancasila Pada Mahasiswa Semester I Prodi Pendidikan Jasmani Unimerz Tahun 2022," vol. 2, no. 10, hal. 1–23, 2023.
[4] F. Dwi, R. Sari, dan S. P. Ediwijojo, "Clustering Analysis Using K-Medoids On Poverty Level Problems In Central Java By District / City," 2023, hal. 78–87.
[5] M. Azmi, A. A. Putra, D. Vionanda, & A. Salma, "Comparison Of The Performance Of The K-Means And K-Medoids Algorithms In Grouping Regencies/Cities In Sumatera Based On Poverty Indicators," Unp Journal Of Statistics And Data Science, vol. 1, no. 2, hal. 59–66, 2023.
[6] I. Muslim, K. Karo, S. Dewi, F. Ramadhani, & P. Harliana, "K-Means And K-Medoids Algorithm Comparison For Clustering Forest Fire Location In Indonesia," vol. 10, no. 1, hal. 86–94, 2023.
[7] F. Nasari, D. H. Tanjung, & F. Handayani, "Optimasi Metode K-Means Dan K-Medoids Berdasarkan Jumlah Cluster Dan Nilai Dbi Dalam Pengelompokkan Produksi Kelapa Sawit Di Provinsi Riau," vol. 7, no. 2.
[8] S. Y. Riska & L. Farokhah, "Perbandingan Hasil Evaluasi Algoritma K-Means Dan K-Medoid Berdasarkan Kunjungan Wisatawan Mancanegara Ke Indonesia," hal. 1–8, 2022.
[9] H. L. Siregar, M. Zarlis, & S. Efendi, "Cluster Analysis Using K-Means And K-Medoids Methods For Data Clustering Of Amil Zakat Institutions Donor," hal. 7, April, hal. 668–677, 2023.
[10] E. Tasia & M. Afdal, "Comparison Of K-Means And K-Medoid Algorithms For Clustering Of Flood-Prone Areas In Rokan Hilir District Perbandingan Algoritma K-Means Dan K-Medoids Untuk Clustering Daerah Rawan Banjir Di Kabupaten Rokan Hilir," vol. 3, no. 1, hal. 65–73, 2023.
