Bilah Samping Artikel

Telah diserahkan
Nov 28, 2022
Diterima
Mar 9, 2023
Diterbitkan
May 30, 2023
Download
PDF
Statistic
Read Counter : 291 Download : 228

Isi Artikel Utama

Abstrak

Konter XYZ merupakan salah satu konter yang berada di Tasikmalaya dengan salah satu produk yang dijualnya adalah saldo transportasi online seperti Maxim, Gojek, dan Grab. Dengan semakin bertambahnya jumlah pengemudi online maka semakin banyak transaksi yang berlangsung sehingga data yang dibuat juga semakin banyak. Akan tetapi data tersebut tidak diolah sehingga semakin menumpuk dan tidak memberikan pengetahuan baru bagi pemilik konter. Tujuan penelitian ini adalah membuat klasterisasi penjualan saldo transportasi online agar menjadi masukan khususnya strategi promosi konter XYZ. Metode yang digunakan adalah clustering dengan algoritma K-Means agar menghasilkan cluster berdasarkan dengan nominal harga pembelian. Dataset yang digunakan dalam penelitian ini berjumlah 4.867 data tetapi setelah di cleansing menjadi 2.642 data. Dataset diperoleh dari penjualan konter XYZ pada bulan Oktober tahun 2022. Penelitian ini menghasilkan jumlah cluster sebanyak 2 buah dengan cluster C1 yaitu nominal rendah sebanyak 2.499 data dengan persentase 94,59%, sedangkan jumlah cluster C2 nominal tinggi sebanyak 143 data dengan persentase 5,41. Hasil dari penelitian ini menunjukkan bahwa algoritma k-means dapat digunakan untuk clustering penjualan saldo transportasi online di konter XYZ, serta penjualan saldo transportasi online cukup baik karena jumlah data cluster nominal rendah lebih banyak daripada cluster nominal tinggi.

Kata Kunci

Clustering K-Means Transportasi Online Clustering K-Means Transportasi Online

Rincian Artikel

Cara Mengutip
[1]
H. Mutaqin, “Penerapan Algoritma K-Means Pada Penjualan Saldo Transportasi Online Studi Kasus Konter XYZ”, Jurnal Algoritma, vol. 20, no. 1, hlm. 57–64, Mei 2023.
Unduh Sitasi
Endnote/Zotero/Mendeley (RIS)

References

  1. N. Huda, “Analisis Kinerja Website PT PLN (Persero) Menggunakan Metode Pieces,” Sistemasi, vol. 8, no. 1, pp. 78–89, 2019, doi: DOI: https://doi.org/10.32520/stmsi.v8i1.
  2. P. Fakhriyah, “Pengaruh Layanan Transportasi Online (Gojek) Terhadap Perluasan Lapangan Kerja Bagi Masyarakat Di Kota Cimahi,” Comm-Edu (Community Educ. Journal), vol. 3, no. 1, p. 34, 2020, doi: 10.22460/comm-edu.v3i1.3719.
  3. K. Setiyorini and G. Hendrastomo, “Persaingan Antara Ojek Online Dengan Ojek Konvensional Di Stasiun Lempuyangan, Daerah Istimewa Yogyakarta,” J. Sosiol. Pendidik. Humanis, vol. 3, no. 1, p. 29, 2019, doi: 10.17977/um021v3i1p29-35.
  4. A. Nasir and Suhendi, “Penerapan Pengelolaan Transaksi Keuangan Menggunakan Modul Accounting And Finance Odoo 10 Studi Kasus Yayasan Sdit Bahrul Fikri,” J. Inform. Terpadu, vol. 4, no. 1, p. 2, 2018, doi: https://doi.org/10.54914/jit.v4i1.120.
  5. Nawassyarif, M. Julkarnain, and K. Rizki Ananda, “Sistem Informasi Pengolahan Data Ternak Unit Pelaksana Teknis Produksi Dan Kesehatan Hewan Berbasis Web,” J. Inform. Teknol. dan Sains, vol. 2, no. 1, pp. 32–39, 2020, doi: 10.51401/jinteks.v2i1.556.
  6. A. Syafnur, “Analisis Dengan Metode Klasifikasi Menggunakan Decission Tree Untuk Memprediksi Penentuan Resiko kredit Bank,” Jurteksi, vol. 4, no. 1, pp. 101–106, 2017, doi: 10.33330/jurteksi.v4i1.30.
  7. E. Haryatmi and S. Pramita Hervianti, “Penerapan Algoritma Support Vector Machine Untuk Model Prediksi Kelulusan Mahasiswa Tepat Waktu,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 2, pp. 386–392, Apr. 2021, doi: 10.29207/resti.v5i2.3007.
  8. Yoga Religia, Agung Nugroho, and Wahyu Hadikristanto, “Klasifikasi Analisis Perbandingan Algoritma Optimasi pada Random Forest untuk Klasifikasi Data Bank Marketing,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 1, pp. 187–192, 2021, doi: 10.29207/resti.v5i1.2813.
  9. T. Syahputra, J. Halim, and E. P. Sintho, “Penerapan Data Mining Dalam Menentukan Pilihan Jurusan Bidang Studi SMA Menggunakan Metode,” Jurteksi, vol. 4, no. 2, pp. 1–4, 2018, doi: https://doi.org/10.33330/jurteksi.v4i2.61.
  10. C. Anggarwal, Data Mining, vol. 14, no. 3. New York: Springer, 2015.
  11. R. Ananda, M. Zidny Naf’an, A. B. Arifa, and A. Burhanuddin, “Sistem Rekomendasi Pemilihan Peminatan Menggunakan Density Canopy K-Means,” RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 4, no. 1, pp. 172–179, 2020, doi: https://doi.org/10.29207/resti.v4i1.1531.
  12. D. T. Larose and C. D. Larose, Discovering Knowledge in Data: an Introduction to Data Mining, vol. 100, no. 472. New Jersey: John Wiley & Sons, 2005.
  13. N. Agustina and P. Prihandoko, “Perbandingan Algoritma K-Means dengan Fuzzy C-Means Untuk Clustering Tingkat Kedisiplinan Kinerja Karyawan,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 2, no. 3, pp. 621–626, 2018, doi: 10.29207/resti.v2i3.492.
  14. A. Punhani, N. Faujdar, K. K. Mishra, and M. Subramanian, “Binning-based Silhouette Approach to Find the Optimal Cluster using K-Means,” IEEE Access, vol. 10, no. October, pp. 115025–115032, 2022, doi: 10.1109/ACCESS.2022.3215568.
  15. R. A. raffaidy Wiguna and A. I. Rifai, “Analisis Text Clustering Masyarakat Di Twitter Mengenai Omnibus Law Menggunakan Orange Data Mining,” J. Inf. Syst. Informatics, vol. 3, no. 1, pp. 1–12, 2021, doi: 10.33557/journalisi.v3i1.78.
  16. F. Nurdiyansyah, S. Arifin, and F. Marisa, “Penerapan Clustering Algorithm Untuk Mendukung Promosi Server Pulsa Reload,” J I M P - J. Inform. Merdeka Pasuruan, vol. 3, no. 2, pp. 73–78, 2018, doi: 10.37438/jimp.v3i2.174.
  17. T. Siburian, M. Safii, and I. Parlina, “Penerapan Algoritma K-Means Clustering untuk Pengelompokan Harga Eceran Beras di Pasar Tradisional Berdasarkan Wilayah Kota,” Pros. Semin. Nas. Ris. Inf. Sci., vol. 1, no. 100, pp. 927–936, 2019, doi: 10.30645/senaris.v1i0.101.
  18. A. Novita and H. B. Seta, “Pemetaan Pasar Tradisional Berdasarkan Harga Pangan Komoditas Menggunakan Algoritma K-Means,” Senamika, vol. 2, no. 2, pp. 320–326, 2021.
  19. C. F. Palembang and S. P. Palembang, “Pengelompokkan Tingkat Harga Cabai Rawit Berdasarkan Provinsi di Indonesia Menggunakan Algoritma K-Means Clustering,” Variance, vol. 3, no. 2, pp. 48–60, 2021, doi: /10.30598/variancevol3iss2.
  20. M. Mardalius, “Pemanfaatan Rapid Miner Studio 8.2 Untuk Pengelompokan Data Penjualan Aksesoris Menggunakan Algoritma K-Means,” Jurteksi, vol. 4, no. 2, pp. 123–132, 2018, doi: 10.33330/jurteksi.v4i2.36.