PENERAPAN DATA MINING UNTUK PREDIKSI PENJUALAN PRODUK ELEKTRONIK TERLARIS MENGGUNAKAN METODE DECESSION TREE
DOI:
https://doi.org/10.31849/pmagbq88Keywords:
Data Mining, Prediksi, Produk Elektronik, Decision TreeAbstract
Dalam dunia bisnis, khususnya dalam industri elektronik, prediksi penjualan menjadi faktor penting dalam menentukan strategi pemasaran dan manajemen stok. Data mining merupakan teknik yang dapat digunakan untuk menggali pola dan tren dari data historis penjualan guna menghasilkan prediksi yang lebih akurat. Penelitian ini bertujuan untuk menerapkan metode Decision Tree dalam memprediksi produk elektronik terlaris berdasarkan data transaksi penjualan. Metode Decision Tree dipilih karena kemampuannya dalam mengelompokkan data dan menghasilkan model yang mudah dipahami. Data yang digunakan dalam penelitian ini mencakup variabel seperti kategori produk, harga, jumlah penjualan, musim pembelian, dan faktor lainnya yang berkontribusi terhadap keputusan pembelian pelanggan. Proses analisis meliputi pengumpulan data, pembersihan data, eksplorasi pola, serta pembuatan dan evaluasi model Decision Tree. Hasil penelitian menunjukkan bahwa metode Decision Tree mampu mengidentifikasi faktor-faktor utama yang mempengaruhi penjualan produk elektronik dan memberikan prediksi yang cukup akurat. Model yang dihasilkan dapat membantu perusahaan dalam mengoptimalkan strategi pemasaran dan manajemen stok guna meningkatkan profitabilitas. Dengan penerapan data mining, khususnya metode Decision Tree, perusahaan dapat mengambil keputusan yang lebih berbasis data dan efektif dalam menghadapi persaingan pasar.
Kata Kunci: Data Mining, Prediksi, Produk Elektronik, Decision Tree
References
[1] S. P. Dewi and E. Rahayu, “Penerapan Data Mining Untuk Prediksi Penjualan Produk Terlaris Menggunakan Metode K-Nearest Neighbor,” vol. 3, no. 4, pp. 639–648, 2022, doi: 10.47065/bits.v3i4.1408.
[2] I. Iddrus and D. W. Sari, “Penerapan Data Mining Menggunakan Algoritma Decision Tree C4.5 Untuk Memprediksi Mahasiswa Drop Out Di Universitas Wiraraja,” J. Adv. Res. Inform., vol. 1, no. 02, pp. 1–7, 2023, doi: 10.24929/jars.v1i02.2684.
[3] Y. Musa and A. Bode, “Prediksi Penjualan Produk Elektronik Menggunakan Metode Least Square,” vol. 3, no. 2, pp. 2019–2021, 2019.
[4] Fairuzabadi Muhammad and Angga Aditya Permana " Sistem Pendukung Keputusa n : Konsep, Metode dan Implementasi".Desember 2023. Padang: GET PRESS INDONESIA.2023: 978-623-198-931-4.
[5] Kelen, Yoseph P.K, et al. "Decision support system for the selection of new prospective students using the simple additive weighted (SAW) method." AIP Conference Proceedings. Vol. 2798. No. 1. AIP Publishing, 2023
[6] F. P. Dewanti, S. Setiyowati, and S. Harjanto, “Prediksi Persediaan Obat Untuk Proses Penjualan Menggunakan Metode Decision Tree Pada Apotek,” J. Teknol. Inf. dan Komun., vol. 10, no. 1, 2022, doi: 10.30646/tikomsin.v10i1.604.
[7] F. Ilmu et al., “Jurnal ilmiah multidisiplin ilmu,” vol. 1, no. 2, pp. 99–105, 2024.
[8] A. E. Wicaksono, “Implementasi Data Mining Dalam Pengelompokan Data Peserta Didik Di Sekolah Untuk Memprediksi Calon Penerima Beasiswa Dengan Menggunakan Algoritma K- Means (Studi Kasus Sman 16 Bekasi),” J. Teknol. Rekayasa, vol. 21, no. 3, pp. 206–216, 2016, [Online]. Available: Jurnal Teknologi Rekayasa
[9] D. H. Depari, Y. Widiastiwi, and M. M. Santoni, “Perbandingan Model Decision Tree, Naive Bayes dan Random Forest untuk Prediksi Klasifikasi Penyakit Jantung,” Inform. J. Ilmu Komput., vol. 18, no. 3, p. 239, 2022, doi: 10.52958/iftk.v18i3.4694.
[10] M. R. Qisthiano, P. A. Prayesy, and I. Ruswita, “Penerapan Algoritma Decision Tree dalam Klasifikasi Data Prediksi Kelulusan Mahasiswa,” G-Tech J. Teknol. Terap., vol. 7, no. 1, pp. 21–28, 2023, doi: 10.33379/gtech.v7i1.1850.
[11] S. D. Manullang, E. Buulolo, and I. Lubis, “Implementasi Data Mining Dalam Memprediksi Jumlah Pinjaman Dengan Algoritma C4.5 Pada Kopdit CU Damai Sejahtera,” J. Sist. Komput. dan Inform., vol. 1, no. 3, p. 265, 2020, doi: 10.30865/json.v1i3.2153.
[12] M. Sholeh, E. K. Nurnawati, and U. Lestari, “Penerapan Data Mining dengan Metode Regresi Linear untuk Memprediksi Data Nilai Hasil Ujian Menggunakan RapidMiner,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 8, no. 1, pp. 10–21, 2023, doi: 10.14421/jiska.2023.8.1.10-21.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 ZONAsi: Jurnal Sistem Informasi
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
CC BY-SA 4.0
Attribution-ShareAlike 4.0
You are free to:
- Share — copy and redistribute the material in any medium or format for any purpose, even commercially.
- Adapt — remix, transform, and build upon the material for any purpose, even commercially.
- The licensor cannot revoke these freedoms as long as you follow the license terms.
Under the following terms:
- Attribution — You must give appropriate credit , provide a link to the license, and indicate if changes were made . You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
- ShareAlike — If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
- No additional restrictions — You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Notices:
You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation .
No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.
