Implementasi Algoritma K-Means dalam Pengelompokkan Tingkat Transaksi Produk PPOB Nusantara
DOI:
https://doi.org/10.33795/jip.v10i3.4917Keywords:
clustering, k-means clustering, data mining, data transaksiAbstract
PPOB Nusantara merupakan penyedia aplikasi berbasis layanan pembayaran online dengan lebih dari 800 produk. Dengan produk dan transaksi yang sudah relatif banyak sulit memperoleh informasi berupa jumlah transaksi setiap kategori produk yang akan digunakan untuk menjaga stabilitias ataupun promosi produk. Di PPOB Nusantara proses penggalian data menjadi informasi sebelumnya masih dilakukan manual menggunakan software pengolah angka, sehingga rentan kesalahan dan membutuhkan waktu dan proses yang cukup lama. Dalam penelitian ini dilakukan perancangan sistem klasterisasi berbasis website untuk mengelompokkan produk berdasarkan tingkat transaksi menggunakan algoritma K-Means. Klaster yang ditentukan adalah 5 (Very Low, Low, Medium, High, Very High) dengan data yang digunakan adalah data transaksi periode bulan September 2023 dengan total 91.923 record. Atribut yang digunakan adalah kategori dan jumlah transaksi. Hasil pengujian sistem klasterisasi didapatkan 26 kategori dengan 15 kategori dan 157 produk masuk ke dalam klaster Very Low, 5 kategori dan 23 produk di klaster Low, 3 kategori dan 5 produk di klaster Medium, 2 kategori dan 2 produk di klaster High, dan 1 kategori dan 1 produk di klaster Very High. Dari hasil klasterisasi selanjutnya akan dilakukan analisis lebih lanjut oleh tim marketing untuk dilakukan strategi promosi berdasarkan kelompok klaster.
Downloads
References
Aryuni, M., Didik Madyatmadja, E., & Miranda, E. (2018). PENERAPAN K-MEANS DAN K-MEDOIDS CLUSTERING PADA DATA INTERNET BANKING DI BANK XYZ APPLICATION OF K-MEANS AND K-MEDOIDS CLUSTERING ON INTERNET BANKING DATA IN XYZ BANK.
Astuti, D., Rahmat Iskandar, A., & Febrianti, A. (2019). Penentuan Strategi Promosi Usaha Mikro Kecil Dan Menengah (UMKM) Menggunakan Metode CRISP-DM dengan Algoritma K-Means Clustering. 1(2), 60–072. https://doi.org/10.20895/INISTA.V1I2
Danuri, & Maisaroh, S. (2019). Metode Penelitian Pendidikan.
Gutama, D. H. (2019). PERANCANGAN SISTEM PELELANGAN BERITA BERBASIS WEBSITE. Indonesian Journal of Business Intelligence (IJUBI), 2(1), 32. https://doi.org/10.21927/ijubi.v2i1.1023
Handoko, S., Fauziah, F., & Handayani, E. T. E. (2020). IMPLEMENTASI DATA MINING UNTUK MENENTUKAN TINGKAT PENJUALAN PAKET DATA TELKOMSEL MENGGUNAKAN METODE K-MEANS CLUSTERING. Jurnal Ilmiah Teknologi Dan Rekayasa, 25(1), 76–88. https://doi.org/10.35760/tr.2020.v25i1.2677
Hossain, M. Z., Akhtar, M. N., Ahmad, R. B., & Rahman, M. (2019). A dynamic K-means clustering for data mining. Indonesian Journal of Electrical Engineering and Computer Science, 13(2), 521–526. https://doi.org/10.11591/ijeecs.v13.i2.pp521-526
Ihsani, I., Pramuntadi, A., Gutama, D. H., & Wijaya, D. P. (2022). IMPLEMENTASI ALGORITMA GENETIKA DALAM PENENTUAN RUTE OPTIMAL UNTUK KURIR KANTOR POS BERBASIS WEB (STUDI KASUS: KANTOR POS WATES). Indonesian Journal of Business Intelligence (IJUBI), 5(2), 76. https://doi.org/10.21927/ijubi.v5i2.2662
Indarwati, T., Irawati, T., & Rimawati, E. (2019). PENGGUNAAN METODE LINEAR REGRESSION UNTUK PREDIKSI PENJUALAN SMARTPHONE. Jurnal Teknologi Informasi Dan Komunikasi (TIKomSiN), 6(2). https://doi.org/10.30646/tikomsin.v6i2.369
Indriyani, F., & Irfiani, E. (2019). Clustering Data Penjualan pada Toko Perlengkapan Outdoor Menggunakan Metode K-Means (Vol. 7, Issue 2).
Kamila, I., Khairunnisa, U., & Mustakim. (2019). Perbandingan Algoritma K-Meansdan K-Medoidsuntuk Pengelompokan Data Transaksi Bongkar Muat di Provinsi Riau. Jurnal Ilmiah Rekayasa Dan Manajemen Sistem Informasi, 5(1), 119–125.
Kurniawan, H., Apriliah, W., Kurniawan, I., & Firmansyah, D. (2020). Penerapan Metode Waterfall Dalam Perancangan Sistem Informasi Penggajian Pada SMK Bina Karya Karawang. Jurnal Interkom: Jurnal Publikasi Ilmiah Bidang Teknologi Informasi Dan Komunikasi, 14(4), 13–23. https://doi.org/10.35969/interkom.v14i4.58
Ningrum, F. C., Suherman, D., Aryanti, S., Prasetya, H. A., & Saifudin, A. (2019). Pengujian Black Box pada Aplikasi Sistem Seleksi Sales Terbaik Menggunakan Teknik Equivalence Partitions. 4(4). http://openjournal.unpam.ac.id/index.php/informatika
Pradana, M. G., Saputro, P. H., & Wijaya, D. P. (2022). KOMPARASI METODE SUPPORT VECTOR MACHINE DAN NAÏVE BAYES DALAM KLASIFIKASI PELUANG PENYAKIT SERANGAN JANTUNG. Indonesian Journal of Business Intelligence (IJUBI), 5(2), 87. https://doi.org/10.21927/ijubi.v5i2.2659
Premasundari, M., & Yamini, C. (2019). A VIOLENT CRIME ANALYSIS USING FUZZY C-MEANS CLUSTERING APPROACH. ICTACT JOURNAL ON SOFT COMPUTING, 3. https://doi.org/10.21917/ijsc.2019.0270
Purwatiningsih, A., Lestari, A. W., & Kamaluddin. (2021). ANALISIS PENGARUH KUALITAS PELAYANAN SISTEM PAYMENT POINT ONLINE BANK (PPOB) TERHADAP KEPUASAN PELANGGAN (STUDI PADA PT. PLN PERSERO AREA PELAYANAN PELANGGAN DAN JARINGAN DI PROBOLINGGO). 11, 140–150.
Ulfa, R. (2021). VARIABEL PENELITIAN DALAM PENELITIAN PENDIDIKAN. Jurnal Pendidikan Dan Keislaman, 342–351.
Yulyantari, L. M., & ADH, I. P. W. (2018). Manajemen Model pada SItem Pendukung Keputusan. Penerbit Andi.
