Pengklasifikasian Tingkat Penjualan Sparepart Mobil di Putra Motor Menggunakan Algoritma K-Means Clustering
Keywords:
Penjualan, K-Means Clustering, Sparepart, Data Mining, Industri OtomotifAbstract
K-Means adalah salah satu metode pengelompokan data non-hierarki (partisi) yang bertujuan untuk membagi data ke dalam dua atau lebih kelompok berdasarkan kesamaan tertentu . Dalam penelitian ini, analisis data mining dilakukan menggunakan metode K-Means. Metode ini memungkinkan data yang telah diperoleh dikelompokkan ke dalam beberapa cluster berdasarkan kesamaan atau kemiripan antar data. Data dengan karakteristik yang serupa akan dikelompokkan dalam cluster yang sama, sementara data dengan karakteristik berbeda akan masuk ke cluster lain. Data dengan karakteristik yang serupa akan dikelompokkan dalam cluster yang sama, sementara data dengan karakteristik berbeda akan masuk ke cluster lain Pembuatan model clustering dilakukan dengan menggunakan K-Means Clustring untuk mengelompokkan tingkat penjualan sparepart mobil pada Putra Motor berdasarkan jumlah total dan total penjualan dari bulan januari sampai bulan juni 2024. Algoritma ini diterapkan melalui software Jupyter Notebook, menggunakan data yang telah diambil dari Putra Motor. Proses dimulai dengan menjalankan Jupyter Notebook, kemudian membuat file baru dengan format ipnyb dan mengaktifkan fungsi-fungsi yang terdapat didalam python. Hasil analisis menunjukkan bahwa terdapat 62 data dalam kategori penjualan sedang, 31 dalam rendah, dan 17 dalam tinggi. Temuan ini memberikan wawasan penting bagi Putra Motor untuk meningkatkan strategi pemasaran dan manajemen persediaan. Dengan sistem yang lebih efisien, perusahaan dapat mengurangi modal yang terjebak dalam persediaan dan meningkatkan profitabilitas. Penelitian ini juga menekankan pentingnya penerapan teknologi dalam analisis data untuk pengambilan keputusan yang lebih baik di sektor otomotif
References
[1] N. Ananda and R. Amalia Aras, “Seminar Nasional Sains dan Teknologi Informasi (SENSASI) Clustering Pengeluaran Tahunan Berbagai Macam Produk Menggunakan Metode K-Means,” Agustus, pp. 143–147, 2021.
[2] A. R. Sinaga and G. D. Pranata, “SisInfo Clustering Data Penjualan Produk pada Toko Yudha dengan Algoritma K-Means Kata Kunci: Data Mining, Naive Bayes, Prestasi. SisInfo,” vol. 3, no. 02, pp. 135–139, 2021.
[3] Y. Anggraeni and P. Handayani, “Penerapan Metode K-Means Untuk Menentukan Penjualan Tiket Renang Pada Splash Swimming Pool & Gym,” J. Inform. dan Teknol. Inf., vol. 2, no. 1, pp. 173–181, 2023, doi: 10.56854/jt.v2i1.167.
[4] J. M. Sitinjak, K. Sari, and M. Yetri, “Penerapan Data Mining Dalam Penjualan Sparepart Motor Dengan Menggunakan Metode K-Means Clustering,” vol. 3, no. November, pp. 862–871, 2024.
[5] B. Supriyadi, “Perancangan Program Penjualan Sparepart Mobil,” IMTechno J. Ind. Manag. Technol., vol. 1, no. 1, pp. 9–18, 2020, [Online]. Available: http://jurnal.bsi.ac.id/index.php/imtechno
[6] S. Abdy, E. R. Br Gultom, S. Ramadhany, and A. Afifudin, “Prediksi Penjualan Sparepart Mobil Terlaris Menggunakan Metode K-Nearest Neighbor,” JURIKOM (Jurnal Ris. Komputer), vol. 9, no. 6, p. 2003, 2022, doi: 10.30865/jurikom.v9i6.5189.
[7] S. Usman, “Predictive Sparepart Maintenance Menggunakan Algoritma Machine Learning Extreme Gradient Boosting Regressor,” J. Syst. Comput. Eng., vol. 5, no. 2, pp. 249–258, 2024, doi: 10.61628/jsce.v5i2.1418.
[8] A. O. Br Ginting, “Penerapan Data Mining Korelasi Penjualan Spare Part Mobil Menggunakan Metode Algoritma Apriori (Studi Kasus: CV. Citra Kencana Mobil),” J. Inf. Technol., vol. 1, no. 2, pp. 70–77, 2021, doi: 10.32938/jitu.v1i2.1472.
[9] A. Julianto and S. Andayani, “Penerapan Data Mining Untuk Klasifikasi Produk Terlaris Menggunakan Algoritma Naive Bayes Pada Bengkel Motor,” JuSiTik J. Sist. dan Teknol. Inf. Komun., vol. 7, no. 2, pp. 50–58, 2024, doi: 10.32524/jusitik.v7i2.1148.
[10] F. F. T. Kesuma and S. P. Tamba, “Penerapan Data Mining Untuk Menentukan Penjualan Sparepart Toyota Dengan Metode K-Means Clustering,” J. Sist. Inf. dan Ilmu Komput. Prima (JUSIKOM PRIMA), vol. 2, no. 2, pp. 67–72, 2020, doi: 10.34012/jusikom.v2i2.376.
[11] A. Torence, M. Ramadhan, and E. F. Ginting, “Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Dalam Pengelompokkan Data Penerima Vaksinasi Covid-19,” J. Sist. Inf. Triguna Dharma (JURSI TGD), vol. 2, no. 3, p. 482, 2023, doi: 10.53513/jursi.v2i3.6829.
[12] S. Nurani, Y. Syahra, and A. Calam, “Penerapan Data Mining Dalam Clustering Pencapaian Target Penjualan Menggunakan Algoritma K-Means,” J. Sist. Inf. Triguna Dharma (JURSI TGD), vol. 2, no. 3, p. 355, 2023, doi: 10.53513/jursi.v2i3.6552.
[13] F. Indriyani and E. Irfiani, “Clustering Data Penjualan pada Toko Perlengkapan Outdoor Menggunakan Metode K-Means,” JUITA J. Inform., vol. 7, no. 2, p. 109, 2021, doi: 10.30595/juita.v7i2.5529.
[14] N. Ghina et al., “Implementasi Algoritma K-Means Clustering Untuk Mengetahui Minat Pembeli di Agen Buah Melon Yudi,” J. Inform. dan Rekayasa Komputer (JAKAKOM), vol. 2, no. 2, pp. 254–262, 2022, doi: 10.33998/jakakom.2022.2.2.116.
[15] C. Alvian, F. Taufik, and A. Alhafiz, “Penerapan Data Mining Untuk Evaluasi Data Penjualan Sparepart Motor Menggunakan Metode K-Means Pada Bengkel Usaha Baru,” vol. 3, pp. 472–482, 2024.
[16] P. Metode, K. Penjualan, and P. S. Com, “Penerapan Metode K-Means dalam Penjualan Produk Souq.Com,” vol. 5, no. September 2021, 2022.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Siti Nurhalimah, Sri Wahyuni, Wiwin Handoko (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
