Pengelompokan Barang Menggunakan Metode K-Means Clustering Dan K-Medoids Berdasarkan Hasil Penjualan Pada Kamajaya Seraya
Keywords:
Data Mining, Algoritma K-Means, Algoritma K-Medoids, Phyton. Machine LearningAbstract
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.
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.
