Implementasi Algoritme K-Means++ Untuk Clustering Penjualan Bahan Bangunan

Authors

  • Mohammad Ferdiansyah Universitas Muhammadiyah Gresik
  • Umi Chotijah Universitas Muhammadiyah Gresik

DOI:

https://doi.org/10.55606/juitik.v4i1.767

Keywords:

K-Means Clustering Algorithm, Davies-Bouldin Index (DBI), Silhouette Coefficient, Clustering, Data Mining, UD Sumber Bangunan.

Abstract

Utilization of the K-Means++ Clustering algorithm in the sales of building materials clustering system at UD Sumber Bangunan. Currently, the store does not use computers to run its system, resulting in transaction data being used merely as archives without being optimally utilized for marketing strategies and business decision-making. This research aims to examine whether the use of the K-Means++ Clustering algorithm can provide advantages in forming better and more efficient clusters for building material sales data. Evaluation is conducted by comparing K-Means++ with K-Means using the evaluation metrics DBI (Davies-Bouldin Index) and Silhouette Coefficient. The evaluation results show that K-Means++ outperforms using K-Means alone. The DBI values are lower for K-Means++, and the Silhouette Coefficient is higher for K-Means++, indicating that K-Means++ produces better-defined clustering. The utilization of the K-Means++ Clustering algorithm provides benefits in business decision-making at UD Sumber Bangunan, assisting in reducing stockpiles and enhancing customer satisfaction. Additionally, the clustering system built using the Waterfall method also contributes positively to achieving the set objectives..

 

References

Annisa, K., Ginting, B. S., & Syari, M. A. (2022). Penerapan Data Mining Pengelompokan Data Pengguna Air Bersih Berdasarkan Keluhannya Menggunakan Metode Clustering Pada PDAM Langkat. Jurnal Ilmu Komputer Dan Informatika Volume, 6(1), 113–129.

Annur, H. (2019). Penerapan Data Mining Menentukan Strategi Penjualan Variasi Mobil Menggunakan Metode K-Means Clustering (Studi Kasus Toko Luxor Variasi Gorontalo). Jurnal Informatika Upgris, 5(1). https://doi.org/10.26877/jiu.v5i1.3091

Ardiansyah, A. H., Nugroho, W., Alfiyah, N. H., Handoko, R. A., & Bakhtiar, M. A. (2020). Penerapan Data Mining Menggunakan Metode Clustering untuk Menentukan Status Provinsi di Indonesia 2020. Seminar Nasional Inovasi Teknologi, 4(3), 329–333.

Budiman, R., & Rudianto. (2019). Penerapan Data Mining Untuk Menentukan Lokasi Promosi Penerimaan Mahasiswa Baru Pada Universitas Banten Jaya (Metode K-Means Clustering). ProTekInfo(Pengembangan Riset Dan Observasi Teknik Informatika), 6(1), 6. https://doi.org/10.30656/protekinfo.v6i1.1691

Gustrianda, R., & Mulyana, D. I. (2022). Penerapan Data Mining Dalam Pemilihan Produk Unggulan dengan Metode Algoritma K-Means Dan K-Medoids. Jurnal Media Informatika Budidarma, 6(1), 27. https://doi.org/10.30865/mib.v6i1.3294

Irawan, Y. (2019). PENERAPAN DATA MINING UNTUK EVALUASI DATA PENJUALAN MENGGUNAKAN METODE CLUSTERING DAN ALGORITMA HIRARKI DIVISIVE. Jurnal Teknologi Informasi Universitas Lambung Mangkurat (JTIULM), 4(1), 13–20. https://doi.org/10.20527/jtiulm.v4i1.34

Magdalena, L., & Fahrudin, R. (2020). Penerapan Data Mining Untuk Koperasi Se-Jawa Barat Menggunakan Metode Clustering pada Kementerian Koperasi dan UKM. Jurnal Digit, 9(2), 190. https://doi.org/10.51920/jd.v9i2.120

Nasir, J. (2021a). PENERAPAN DATA MINING CLUSTERING DALAM MENGELOMPOKAN BUKU DENGAN METODE K-MEANS. Simetris: Jurnal Teknik Mesin, Elektro Dan Ilmu Komputer, 11(2), 690–703. https://doi.org/10.24176/simet.v11i2.5482

Normah, Nurajizah, S., & Salbinda, A. (2021). Penerapan Data Mining Metode K-Means Clustering Untuk Analisa Penjualan Pada Toko Fashion Hijab Banten. Jurnal Teknik Komputer AMIK BSI, 7(2), 174–180. https://doi.org/10.31294/jtk.v4i2

Novianto, R., & Goeirmanto, L. (2019). Penerapan Data Mining menggunakan Algoritma K-Means Clustering untuk Menganalisa Bisnis Perusahaan Asuransi. JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), 6(1), 85–95. https://doi.org/10.35957/jatisi.v6i1.150

Ordila, R., Wahyuni, R., Irawan, Y., & Yulia Sari, M. (2020). PENERAPAN DATA MINING UNTUK PENGELOMPOKAN DATA REKAM MEDIS PASIEN BERDASARKAN JENIS PENYAKIT DENGAN ALGORITMA CLUSTERING (Studi Kasus : Poli Klinik PT.Inecda). Jurnal Ilmu Komputer, 9(2), 148–153. https://doi.org/10.33060/jik/2020/vol9.iss2.181

Pribadi, W. W., Yunus, A., & Sartika Wiguna, A. (2022). PERBANDINGAN METODE K-MEANS EUCLIDEAN DISTANCE DAN MANHATTAN DISTANCE PADA PENENTUAN ZONASI COVID-19 DI KABUPATEN MALANG. In Jurnal Mahasiswa Teknik Informatika) (Vol. 6, Issue 2).

Ramadanti, E., & Muslih, M. (2022). Penerapan Data Mining Algoritma K-Means Clustering Pada Populasi Ayam Petelur Di Indonesia. Rabit : Jurnal Teknologi Dan Sistem Informasi Univrab, 7(1), 1–7. https://doi.org/10.36341/rabit.v7i1.2155

Sri Fastaf, C. A., & Yamasari, Y. (2022a). Analisa Pemetaan Kriminalitas Kabupaten Bangkalan Menggunakan Metode K-Means dan K-Means++. Journal of Informatics and Computer Science (JINACS), 3(04), 534–546. https://doi.org/10.26740/jinacs.v3n04.p534-546

Tamba, S. P., Kesuma, F. T., & Feryanto. (2019). PENERAPAN DATA MINING UNTUK MENENTUKAN PENJUALAN SPAREPART TOYOTA DENGAN METODE K-MEANS CLUSTERING. Jurnal Sistem Informasi Dan Ilmu Komputer Prima(JUSIKOM PRIMA), 2(2), 67–72. https://doi.org/10.34012/jusikom.v2i2.376

Triyandana, G., Putri, L. A., & Umaidah, Y. (2022). Penerapan Data Mining Pengelompokan Menu Makanan dan Minuman Berdasarkan Tingkat Penjualan Menggunakan Metode K-Means. Journal of Applied Informatics and Computing, 6(1), 40–46. https://doi.org/10.30871/jaic.v6i1.3824

Wahyuni, W. A., & Saepudin, S. (2021). Penerapan Data Mining Clustering Untuk Mengelompokkan Berbagai Jenis Merk Mesin Cuci. Seminar Nasional Sistem …, 306–313.

Downloads

Published

2024-01-15

How to Cite

Mohammad Ferdiansyah, & Umi Chotijah. (2024). Implementasi Algoritme K-Means++ Untuk Clustering Penjualan Bahan Bangunan. Jurnal Ilmiah Teknik Informatika Dan Komunikasi, 4(1), 181–193. https://doi.org/10.55606/juitik.v4i1.767

Similar Articles

<< < 2 3 4 5 6 7 8 > >> 

You may also start an advanced similarity search for this article.