Penerapan Algoritma K-Means Clustering Pada Penjualan Voucer Internet Study Kasus Konter Abc
Kata Kunci:
Klastering, K-Means, Voucher InternetAbstrak
Kemajuan teknologi yang pesat akan membawa perubahan pada aspek kehidupan manusia yang salah satunya adalah cara berkomunikasi. Dengan ditemukannya telepon seluler, maka memudahkan manusia untuk melakukan komunikasi jarak jauh salah satunya whatsapp. Jika seseorang ingin menggunakan whatsapp, maka diperlukan akses internet sehingga penjualan voucer internet semakin bertambah banyak. Data mining adalah proses pengilahan data agar mendapatkan suatu informasi baru, clustering dipilih karena bertujuan untuk membuat cluster dari data yang ada. Penelitian ini bertujuan melakukan clustering voucer internet sehingga pemilik konter bisa membuat stok voucer dengan lebih tepat. Hasil penelitian ini menghasilkan nilai tertinggi cluster C1 35.000 sedangkan nilai terendah C2 43.000 dengan jumlah data 99 data dengan persentase 95.19% sedangkan cluster C2 berjumlah 5 data dengan persentase 4.81%. kesimpulannya adalah bahwa nominal voucer yang paling banyak dibeli dibawah 40.000. oleh karena itu pemilik konter bisa menyimpan stok lebih banyak untuk nominal dibawah 40.000
Referensi
N. Huda, “Analisis Kinerja Website Pt
Pln (Persero) Menggunakan Metode
Pieces,” Sistemasi, vol. 8, no. 1, pp. 78–
, 2019, doi: DOI:
https://doi.org/10.32520/stmsi.v8i1.
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/commedu.v3i1.3719.
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.
, no. 1, pp. 32–39, 2020, doi:
51401/jinteks.v2i1.556.
A. Syafnur, “Analisis Dengan Metode
Klasifikasi Menggunakan Decission Tree
Untuk Memprediksi Penentuan Resiko
kredit Bank,” Jurteksi, vol. 4, no. 1, pp.
–106, 2017, doi:
33330/jurteksi.v4i1.30.
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,
, doi: 10.29207/resti.v2i3.492.
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,
, doi: 10.29207/resti.v5i1.2813.
T. Syahputra, J. Halim, and E. P. Sintho,
“Penerapan Data Mining Dalam
Menentukan Pilihan Jurusan Bidang Studi
SMA Menggunakan Metode,” Penerapan
Data Min. dalam Menentukan Pilihan
Jur. di Bid. Stud. SMA menggunakan
Metod. Clust. Dengan Tek. Single Link.
JURTEKSI, vol. IV, no. 2, pp. 1–4, 2018.
G. A. Marcoulides, Discovering
Knowledge in Data: an Introduction to
Data Mining, vol. 100, no. 472. 2005. doi:
1198/jasa.2005.s61.
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–
, 2021, doi:
33557/journalisi.v3i1.78.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2023 Mohammad Sabar Jamil, Nugraha Yudhasyah, Hilman Mutaqin, Moh. Milki I. M.
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
