Professional Documents
Culture Documents
G.231.15.0034 15 File Komplit 20200302092504
G.231.15.0034 15 File Komplit 20200302092504
TUGAS AKHIR
DISUSUN OLEH :
i
SALES TRANSACTION DATA CLUSTERING USING K-MEANS
CLUSTERING ALGORITHM IN AN NUR SHOP
FINAL TASK
COMPILED BY :
ii
Scanned with CamScanner
KATA PENGANTAR
Puji syukur kehadirat Tuhan Yang Maha Esa, karena atas rahmat dan
karuniaNya, laporan tugas akhir dengan judul “ Pengelompokan Data Transaksi
Penjualan Menggunakan Algoritma Clustering K-Means Pada Toko An Nur “, dapat
diselesaikan.
Penyusunan Tugas Akhir ini merupakan salah satu syarat untuk
menyelesaikan program studi Strata 1 (S1) pada pada Fakultas Teknologi Informasi
dan Komunikasi Universitas Semarang. Selain untuk menuntaskan program studi
yang ditempuh, tugas akhir ini banyak memberikan manfaat kepada penulis baik dari
segi akademik maupun pengalaman yang tidak dapat penulis dapatkan saat berada di
bangku kuliah.
Dalam penyusunan Tugas Akhir ini penulis mendapatkan bantuan berupa
dorongan, nasehat, semangat, petunjuk, nasehat, dan bimbingan dari berbagai pihak,
oleh sebab itu penulis ingin mengungkapkan rasa terima kasih kepada :
1. Bapak Andy Kridasusila, SE, MM selaku Rektor Universitas Semarang.
2. Bapak Susanto, S.Kom., M.Kom selaku Dekan Fakultas Teknologi Informasi
dan Komunikasi Universitas Semarang.
3. Bapak April Firman Daru, S.Kom, M.Kom selaku Ketua Program Studi
Teknik Informatika.
4. Bapak Saifur Rohman Cholil, S.Kom., M.Kom selaku Dosen Pembimbing
yang telah memberikan bimbingan dan dukungan.
5. Almarhum kedua orang tua dan keluarga yang selelalu memberikan
dukungan, doa, semangat, dan selalu mengingatkan agar tetap optimis.
6. Rekan-rekan seperjuangan program studi S1 Teknik Informatika angkatan
2015 terimakasih atas bantuan, dukungan, kerja sama dan saling
mengingatkan tugas.
7. Semua pihak-pihak yang telah membantu dan menasehati penulis sehingga
Tugas Akhir ini terselesaikan.
viii
Semoga Tugas Akhir ini dapat dipahami bagi siapapun yang membacanya,
mampu memberikan manfaat banyak bagi penulis secara pribadi dan untuk pembaca
ada umumnya. Mohon maaf apabila banyak kesalahan dalam penulisan Laporan tugas
akhir ini Penulis menyadari bahwa masih banyak kekurangan dalam Laporan Tugas
Akhir ini, oleh karena itu segala kritikan dan saran yang membangun akan penulis
terima dengan baik.
ix
DAFTAR ISI
x
2.2 Profil Perusahaan ......................................................................................8
2.3 Gambar Lokasi dan Tempat .....................................................................9
2.4 Visi dan Misi Toko An Nur ....................................................................10
2.4.1 Visi ..........................................................................................10
2.4.2 Misi .........................................................................................10
2.5 Struktur Organisasi Toko An Nur ..........................................................11
2.6 Uraian Tugas ..........................................................................................11
BAB III LANDASAN TEORI .............................................................................12
3.1 Tinjauan Studi Penelitian Sebelumnya ...................................................12
3.2 Pengertian Sistem ...................................................................................18
3.2.1 Karakteristik Sistem ................................................................18
3.3 Pengertian Data Mining ..........................................................................19
3.3.1 Arsitektur Data Mining ..................................................................21
3.3.2 Peran Utama Data Mining .............................................................21
3.4 Clustering ...............................................................................................22
3.5 Algoritma K-Means ................................................................................23
3.5.1 Kelemahan Metode K-Means ........................................................23
3.5.2 Proses Algoritma K-Means............................................................23
3.6 Analisa Sistem ........................................................................................24
3.7 Perancangan Sistem ................................................................................25
3.7.1 Unified Modelling Language (UML).............................................25
3.8 Aplikasi Pendukung................................................................................30
3.8.1 Rapid Miner ...................................................................................30
3.8.2 PHP ...............................................................................................31
3.8.3 XAMPP ..........................................................................................31
3.8.4 Sublime Text ..................................................................................31
3.9 Pengujian Sistem ....................................................................................32
3.9.1 White-box Testing ..........................................................................32
3.9.2 Black-box Testing ..........................................................................32
xi
3.10 Kerangka Pemikiran .............................................................................33
BAB IV PERENCANAAN DAN ANALISA PERANCANGAN SISTEM .....34
4.1 Perancangan Sistem ................................................................................34
4.2 Analisa Sistem ........................................................................................34
4.2.1 Analisa Masalah ...........................................................................34
4.2.2 Pemecahan Masalah .....................................................................34
4.3 Analisa Kebutuhan..................................................................................34
4.3.1 Analisa Kebutuhan Perangkat Keras ............................................34
4.3.2 Analisa Kebutuhan Perangkat Lunak ...........................................35
4.3.3 Analisa Kebutuhan Fungsional .....................................................35
4.4 Implementasi Metode K-Means ..............................................................36
4.5 Perancangan Sistem ................................................................................46
4.5.1 Use Case Diagram ........................................................................46
4.5.2 Skenario Use Case ........................................................................47
4.5.3 Activity Diagram ...........................................................................51
4.5.4 Sequence Diagram ........................................................................58
4.5.5 Class Diagram ..............................................................................62
4.5.6 Perancangan Database .................................................................62
4.5.7 Perancangan Interfaces .................................................................63
BAB V IMPLEMENTASI SISTEM ...................................................................68
5.1 Implementasi Database ..........................................................................68
5.2 Hasil Implementasi .................................................................................69
5.2.1 Halaman Login .............................................................................69
5.2.2 Halaman Dashboard .....................................................................69
5.2.3 Halaman Data Produk...................................................................70
5.2.4 Halaman Data Klastering..............................................................71
5.2.5 Halaman Input Data Produk .........................................................71
5.2.6 Halaman Input Data Klastering ....................................................72
5.2.7 Halaman Alur Program .................................................................73
xii
5.3 Pengujian Blackbox ................................................................................74
5.4 Hasil Pengujian .......................................................................................74
BAB VI PENUTUP ..............................................................................................96
6.1 Kesimpulan .............................................................................................96
6.2 Saran ....... ...............................................................................................96
DAFTAR PUSTAKA
LAMPIRAN
xiii
DAFTAR GAMBAR
xiii
Gambar 4.20 Tampilan home sistem ......................................................................64
Gambar 4.21 Tampilan data produk sistem ...........................................................65
Gambar 4.22 Tampilan data klastering ..................................................................65
Gambar 4.23 Tampilan input data produk .............................................................66
Gambar 4.24 Tampilan input data klaster ..............................................................67
Gambar 4.25 Tampilan alur sistem ........................................................................67
Gambar 5.1 Database user .....................................................................................68
Gambar 5.2 Database nilai ....................................................................................68
Gambar 5.3 Database klaster .................................................................................68
Gambar 5.4 Database Produk ................................................................................69
Gambar 5.5 Tampilan Awal Login ........................................................................69
Gambar 5.6 Tampilan dashboard sistem ...............................................................70
Gambar 5.7 Tampilan halaman data produk ..........................................................70
Gambar 5.8 Tampilan data klaster .........................................................................71
Gambar 5.9 Tampilan input data produk ...............................................................72
Gambar 5.10 Tampilan input data klaster ..............................................................73
Gambar 5.11 Tampilan alur jalannya program ......................................................73
Gambar 5.12 Hasil penghitungan dari sistem iterasi 1 ..........................................79
Gambar 5.13 Hasil penghitungan dari sistem iterasi 2 ..........................................82
Gambar 5.14 Hasil penghitungan dari sistem iterasi 3 ..........................................85
Gambar 5.15 Hasil penghitungan dari sistem iterasi 4 ..........................................88
Gambar 5.16 Hasil penghitungan dari sistem iterasi 5 ..........................................91
Gambar 5.17 Hasil penghitungan dari sistem iterasi 6 ..........................................94
xiv
DAFTAR TABEL
xv
Tabel 5.2 pengujian login.......................................................................................75
Tabel 5.3 Pengujian edit data transaksi ..................................................................75
Tabel 5.4 Pengujian input data transaksi................................................................75
Tabel 5.5 Pengujian hapus data transaksi ..............................................................76
Tabel 5.6 Pengujian Klastering dengan algoritma K-Means .................................76
Tabel 5.7 Pengujian logout ....................................................................................76
Tabel 5.8 Hasil penghitungan manual iterasi 1 ......................................................77
Tabel 5.9 Hasil penghitungan manual iterasi 2 ......................................................80
Tabel 5.10 Hasil penghitungan manual iterasi 3 ....................................................83
Tabel 5.11 Hasil penghitungan manual iterasi 4 ....................................................86
Tabel 5.12 Hasil penghitungan manual iterasi 5 ....................................................89
Tabel 5.13 Hasil penghitungan manual iterasi 6 ....................................................92
xvi
1 BAB I
PENDAHULUAN
1
2
pesanan dari pabrik yang tidak menentu karena pesanan yang diproduksi pabrik
harus antri sesuai urutan pesanan sehingga membuat stok barang sering kosong,
dengan masih manualnya pencatatan transaksi dan manualnya proses
managemen penyetokan barang melalui pengecekan manual data transaksi yang
terjual membuat kurang efisien dan akurat dalam penyetokan barang sehingga
dalam pengalaman yang sudah terjadi, terjadi kekosongan barang karena stok
yang tidak tersedia, tidak hanya permasalahan dalam stok barang yang kurang
atau mengalami kekosongan barang, dalam pengalaman yang sudah berjalan
penentuan penyediaan yang masih dilakukan secara manual dari menganalisis
secara manual transaksi penjualan yang masih manual, membuat stok barang
terlalu banyak sehingga membuat keuangan tidak berjalan dengan lancar karena
barang yang ter-stok terlalu banyak, dengan teknologi informasi yang semakin
maju ini, banyak teknik-teknik pengolahan data yang terlahir untuk
menyelesaikan masalah-masalah yang dihadapi. Salah satu teknik pengolahan
data yang sering dipakai yaitu teknik data mining.
Data mining adalah analisa terhadap suatu data untuk menentukan
hubungan yang jelas serta menyimpulkan yang belum diketahui sebelumnya
dengan cara terkini dan berguna bagi pemilik data tersebut (Metisen & Sari,
2015). Teknik data mining dibagi menjadi beberapa kelompok sesuai tugas
yang dilakuakan yaitu deskripsi, estimasi, prediksi, klasifikasi, klastering dan
asosiasi. Melihat dari permasalahan-permasalahan yang sudah dipaparkan
sebelumnya, penulis mengusulkan teknik data mining untuk menyelesaikan
masalah yang ada dengan mengolah data historis transaksi penjualan yang
sudah ada. Dalam permasalahan yang ada penulis menggunakan metode K-
Means, dengan menklaster atau mengelompokkan barang-barang yang terjual
menjadi 3 bagian yaitu sangat laku, laku dan kurang laku, dengan pembagian
seperti ini diharapkan memudahkan toko An Nur dalam menyusun strategi
dalam managemen penyetokan barang dengan pengelompokan barang yang
terjual dengan kriteria sangat laku, maka menyetok barang dalam jumlah
3
banyak, dengan kriteria laku, maka menyetok barang dengan jumlah sedang
dan kriteria kurang laku, maka menyetok barang dengan jumlah sedikit.
1.2 Perumusan Masalah
Dari hal-hal yang telah dituliskan dalam latar belakang masalah diatas,
maka dapat dirumuskan suatu rumusan masalah yaitu: “Bagaimana menerapkan
teknik data mining klastering sehingga dapat membantu toko An Nur dalam
menentukan strategi penentuan stok barang menggunakan algoritma K-
Means?”.
1.3 Batasan Masalah
Dalam penelitian ini, masalah dibatasi pada :
a. Penelitian fokus kepada penentuan stok barang jenis terpal.
b. Objek penelitian toko An Nur.
c. Analisis menggunakan algoritma K-Means.
d. Data historis transaksi penjualan yang diambil sebagai data testing yaitu
dari bulan Agustus – September 2018.
1.4 Tujuan Tugas Akhir
Tujuan dari tugas akhir ini adalah untuk membuat sistem klaster
pengelompokan transaksi barang menggunakan algoritma K-means pada toko
An Nur dalam menentukan strategi penentuan stok barang. Sistem ini
diharapkan mampu membantu dalam penyediaan stok barang dengan cara
klastering laporan, dengan menerapkan teknik data mining clustering dengan
algoritma K-Means dengan mengelompokkan barang-barang yang terjual
menjadi 3 kriteria yaitu: sangat laku, laku, dan kurang laku, serta dapat
menyelesaikan masalah toko An Nur dalam menentukan strategi penentuan
stok barang.
b. Wawancara (Interview)
Penulis melakukan wawancara kepada karyawan mas Amik
dan pemilik toko An Nur Mas Nur Huda tentang sistem yang akan
digunakan.
c. Studi Pustaka
Studi pustaka dilakukan dengan cara mengumpulkan data
dengan cara mempelajari teori dan buku yang berhubungan dengan
objek tugas akhir sebagai dasar dalam penelitian.
1.6.3 Metode Pengembangan Sistem
Metode pengembangan sistem yang digunakan adalah metode
prototype, yang ditunjukkan pada Gambar 1.1.
8
9
b. Foto keadaan dalam Toko An Nur yang ditunjukkan pada Gambar 2.2.
2. Menjaga barang.
BAB III
LANDASAN TEORI
12
13
penjualan alat tato yang tidak terpakai atau belum termanfaatkan, sehingga
peneliti merancang aplikasi dengan menerapkan algortima K-Means
dengan memanfaatkan data historis penjualan alat yang ada dengan
mengelompokkan data menjadi laris dan tidak laris, sehingga dapat
memudahkan studio tersebut dalam menentukan strategi penjualan toko
online yang berfokus pada produk yang paling baru (Bahar, Pramono, &
Sagala, 2016).
4. Elly Muningsih, Sri Kiswati, dalam penelitian ini menjelaskan tentang
bagaimana mengklaster produk onlineshop dengan menerapkan metode K-
Means dalam menentukan stok barang dengan objek penelitian pada toko
online ragam Jogja. Dalam penelitian ini di toko tersebut memiliki
masalah yaitu banyak produk dan jenis membuat manajemen stok barang
menjadi tidak akurat, sering terjadi kekurangan atau kelebihan produk
tertentu, serta kesulitan dalam penentuan stok barang minimum tiap
barang yang harus dipenuhi berdasarkan permintaan konsumen dengan
permasalahan yang ada, sehingga peneliti merancang aplikasi dengan
menerapkan algoritma K-Means dengan mengelompokkan produk terjual
menjadi paling laku, laku dan kurang laku. Dengan mengelompokkan
produk sehingga toko online ragam Jogja dapat mendapatkan informasi
penentuan stok barang lebih cepat, akurat dalam menentukan stok barang
(Muningsih & Kiswati, 2015).
14
3. - Apriadi 2016 Penentuan Menumpuknya historis K-Means Dengan merancang aplikasi yang
Bahar Strategi data penjualanan yang menerapkan algoritma K-Means
- Bambang Penjualan Alat- tidak termanfaatkan. dapat mengelompokkan data
Pramono alat Tatto Di penjualan menjadi beberapa
16
c. Klasifikasi
Klasifikasi merupakan algoritma yang menggunakan data
dengan label/class/target berupa nilai nominal (kategorikal).
Sebagai contoh apabila class/label/target adalah pendapatan,
maka target/label/class dapat dibagi menjai 3 kategori yaitu
pendapatan besar, pendapatan sedang, pendapatan rendah.
Algoritma yang sering digunakan dalam klasifikasi antara lain:
Naïve Bayes, K-Nearest Neighbor, C4.5, dan lain-lain.
d. Klastering
Teknik pengklasteran yaitu pengelompokan kasus data, dan
hasil observasi ke dalam suatu class yang mirip. Klaster yaitu
pengelompokan data yang mirip antara satu dengan yang
lainnya, dan perbedaan jika dibandingkan dengan data dari
klaster lainnya. Algoritma klastering ini tidak mempunyai
target/label/class. Algoritma yang sering digunakan dalam
klastering yaitu K-Means, Fuzzy C-Means, K-Medoids, dan lain-
lain.
e. Asosiasi
Teknik asosiasi atau sering disebut market basket analisis
merupakan sebuah algortima yang menemukan atribut yang
muncul secara bersamaan. Algoritma asosiasi akan mencari
aturan yang menghitung hubungan diantara dua atau lebih
atribut. Algoritma yang banyak diterapkan dalam asosiasi yaitu
Apriori, FP-Growth, dan lain-lain.
3.4 Clustering
Clustering merupakan suatu kelompok entitas yang memiliki
persamaan dan memiliki perbedaan entitas dari kelompok lain. Cara kerja
teknik klaster yaitu dengan mengelompokkan objek-objek data (entitas,
kejadian, pola, unit, hasil observasi) atau melakukan pemisahan/
segmentasi/ pemecahan data kedalam sejumlah klaster tertentu. Teknik
23
𝑝
𝐷(𝑋₂ − 𝑋₁) = ||𝑋₂ − 𝑋₁||² = √∑𝑖=1|𝑥₂ − 𝑥₁|2 [3.1]
Tabel 0.2 Simbol Use Case Diagram (Muslihudin & Oktafianto, 2016).
Simbol Nama Keterangan
Use Case Menjelaskan kegiatan yang
dilakukan actor untuk
mencapai suatu tujuan
tertentu.
b. Sequence Diagram
Diagram interkasi dan sequence (urutan) bersifat dinamis.
Dinamis urutan adalah diagram interaksi yang menekankan pada
pengiriman pesan dalam suatu waktu tertentu.
c. Activity Diagram
Diagram aktivitas bersifat dinamis, diagram aktivitas
adalah tipe khusus dari diagram status yang memperlihatkan
aliran dari suatu aktivitas ke aktivitas lainnya dalam suatu
sistem. Diagram ini terutama penting dalam suatu sistem serta
pemodelan fungsi-fungsi suatu sistem dan memberi tekanan
pada aliran kendali antar objek, didalam aktiviti diagram
terdapat juga beberapa simbol. Berikut ini adalah simbol-simbol
yang ada pada diagram aktivitas, yaitu :
d. Class Diagram
Class Diagram menggambarkan struktur sistem dari segi
pendefinisian kelas-kelas yang akan dibuat untuk membangun
sistem. Kelas memiliki apa yang disebut atribut dan metode atau
operasi. Class memiliki tiga area pokok :
- Name
- Atribut
- Methods
Atribut dan Methods dapat memiliki salah satu sifat sebagai
berikut :
30
Masalah
Bagaimana menerapkan teknik data mining clustering sehingga dapat
membantu toko An Nur dalam menentukan strategi penentuan stok barang
menggunakan algoritma K-Means?
Tujuan
Dengan menerapkan teknik data mining clustering dengan algoritma K-means
dengan mengelompokkan barang-barang yang terjual menjadi 3 kriteria yaitu :
sangat laku, laku, dan kurang laku, dapat menyelesaikan masalah toko An Nur
dalam menentukan strategi penentuan stok barang.
Eksperimen
Hasil
Mempermudah, Mempercepat, dan meningkatkan ke akuratan dalam
menentukan strategi penentuan stok barang.
34
35
1. Processor Dual-Core.
2. RAM 1 Gb.
3. Harddisk 250 Gb.
4. Display 10”.
5. Mouse.
6. Keyboard.
4.3.2 Analisa Kebutuhan Perangkat Lunak
Agar sistem yang akan dibangun untuk toko An Nur dapat
dijalankan maka perangkat keras membutuhkan minimal perangkat
lunak diantaranya :
1. Sistem Operasi : Windows 7.
2. Aplikasi Browser.
3. Aplikasi yang terdapat Appache dan MySql : Aplikasi
Xampp.
4.3.3 Analisa Kebutuhan Fungsional
Pada analisis kebutuhan fungsional ini akan menampilkan
tabel kebutuhan fungsional pada sistem. Kebutuhan fungsional yaitu
kebutuhan fungsi yang harus ada pada sistem. Kebutuhan fungsional
yang dibutuhkan sebagai berikut :
Tabel 0.1 Kebutuhan Fungsional Sistem
Id Fungsional Deskripsi Kebutuhan
Mn-01 User harus login untuk menggunakan sistem.
Mn-02 Sistem dapat menginput data produk.
Mn-03 Sistem dapat mengedit data produk.
Mn-04 Sistem dapat manghapus data produk.
Mn-05 Sistem dapat menginput data klastering.
Mn-06 Sistem dapat manghaspus data klastering.
Mn-07 Sistem dapat mengklaster data transaksi
dengan algoritma K-Means.
Mn-08 User dapat logout setelah selesai menggunakan
36
sistem.
1. Tentukan jumlah klaster dalam penelitian ini, terdiri dari 3 klaster karena
hasil penelitian ini diharapkan mendapatkan 3 kelompok kriteria.
2. Memilih centroid secara acak pada perhitungan ini, dipilih centroid
sebagai berikut :
Centroid
Centroid 1 43 75 1,74
Centroid 2 38 43 1,13
Centroid 3 8 9 1,13
3. Hitung jarak terdekat data terhadap centroid, disini data akan dihitung
jarak terdekat terhadap centroid, setiap data akan dihitung jarak terdekat
dengan setiap centroid yang sudah ditentukan pada tahap sebelumnya
dengan menggunakan rumus Euclidean.
Hitung jarak terdekat data terhadap setiap centroid.
𝐷(𝑥₂ − 𝑋₁) = √(𝑋₂𝑎 − 𝑋₁𝑎)2 + (𝑋₂𝑏 − 𝑋₁𝑏)² + (𝑋₂𝑐 − 𝑋₁𝑐)² [4.1]
38
CLUSTER 1
Jumlah Jumlah Rata-rata
No. Nama Barang
Transaksi Terjual penjualan
1 Terpal 2 x 3 a5 China 43 75 1,74
Mean 43 75 1,74
CLUTETR 2
3 Terpal 3 x 4 a5 China 38 43 1,13
17 Terpal 2 x 3 a5 Korea 22 33 1,50
Mean 30,00 38,00 1,32
CLUSTER 3
2 Terpal 3 x 3 a5 China 23 24 1,04
4 Terpal 3 x 5 a5 China 14 18 1,29
5 Terpal 3 x 6 a5 China 8 9 1,13
6 Terpal 3 x 7 a5 China 5 6 1,20
7 Terpal 4 x 4 a5 China 5 5 1,00
8 Terpal 4 x 5 a5 China 19 22 1,16
9 Terpal 4 x 6 a5 China 18 20 1,11
10 Terpal 4 x 7 a5 China 5 5 1,00
11 Terpal 5 x 6 a5 China 6 7 1,17
12 Terpal 5 x 7 a5 China 5 7 1,40
13 Terpal 6 x 8 a5 China 12 18 1,50
14 Terpal 6 x 10 a5 China 0 0 0,00
15 Terpal 6 x 11 a5 China 0 0 0,00
16 Terpal 6 x 12 a5 China 0 0 0,00
18 Terpal 3 x 3 a5 Korea 7 13 1,86
19 Terpal 3 x 4 a5 Korea 24 25 1,04
20 Terpal 3 x 5 a5 Korea 13 13 1,00
*** *** *** *** ***
48 Terpal 5 x 6 a12 Salur 3 3 1,00
49 Terpal 5 x 7 a12 Salur 1 1 1,00
50 Terpal 6 x 8 a12 Salur 0 0 0,00
Mean 6,04 7,23 1,11
8. Logout
Tabel 0.17 Skenario use case logout sistem.
8. Activity logout
Untuk menggambarkan bagaimana alur proses user
logout terhadap sistem. Pada aktifitas ini user akan melakukan
proses logout dari sistem. User memilih menu logout pada
sistem. Sistem memproses fungsi logout. Sistem akan
menampilkan halaman login, bisa dilihat pada Gambar 4.9.
2. Database nilai
3. Database klaster
68
69
4. Database produk
1. Pengujian login
Tabel 0.2 pengujian login.
Yang diharapkan Pengamatan Kesimpulan
Data masukan
Username: admin Menampilkan Berhasil masuk Berhasil
Password : admin masuk sistem ke sistem ke
pada bagian home bagian tampilan
(halaman utama). utama (home).
6. Pengujian logout
Tabel 0.7 Pengujian logout.
Yang di harapkan Pengamatan Kesimpulan
Data masukan
Klik button log Keluar dari Keluar dari admin Berhasil
out. session admin. area dan kembali
ke menu login.
Jumlah Jarak
No. Nama Barang Jumlah Terjual Rata-rata penjualan Cluster 1 Cluster 2 Cluster 3
Transaksi Terdekat
Jumlah Jarak
No. Nama Barang Jumlah Terjual Rata-rata penjualan Cluster 1 Cluster 2 Cluster 3
Transaksi Terdekat
Jumlah Jarak
No. Nama Barang Jumlah Terjual Rata-rata penjualan Cluster 1 Cluster 2 Cluster 3
Transaksi Terdekat
Jumlah Jarak
No. Nama Barang Jumlah Terjual Rata-rata penjualan Cluster 1 Cluster 2 Cluster 3
Transaksi Terdekat
Jumlah Jarak
No. Nama Barang Jumlah Terjual Rata-rata penjualan Cluster 1 Cluster 2 Cluster 3
Transaksi Terdekat
Jumlah Jarak
No. Nama Barang Jumlah Terjual Rata-rata penjualan Cluster 1 Cluster 2 Cluster 3
Transaksi Terdekat
6.2 Saran
Untuk meningkatkan kinerja dari sistem yang telah dibuat ini agar
menjadi lebih baik lagi, adapun saran agar pembaca yang ingin
mengembangkan sistem ini agar menjadi lebih baik lagi sebagai berikut :
1. Untuk mendapatkan hasil yang lebih variatif penelitian ini bisa di
implementasikan pada perusahaan/ toko lain sehingga dapat membatu
pemilik perussahaan/ toko dalam mengembangkan bisnisnya.
2. Jika penerapan algoritma k-means ini dapat membantu dalam menyusun
strategi dalam menentukan stok barang, diharapkan metode ini lebih
dikombinasi lagi dengan algoritma lain agar mendapatkan hasil yang
lebih baik lagi dan proses penghitungan lebih cepat.
3. Dari hasil aplikasi ini belum sangat lengkap dan masih sederhana,
diharapkan ada yang mengembangkan sistem ini menjadi lebih baik lagi.
Sehingga aplikasi yang digunakan lebih bermanfaat.
96
DAFTAR PUSTAKA
Bahar, A., Pramono, B., & Sagala, L. H. (2016). Penentuan Strategi Penjualan
Alat-alat Tattoo di Studio Sonyxtattoo Menggunakan Metode K-Means
Clustering. semanTIK, vol. 2, pp. 75-86.
Fadli, A. (2011). Konsep Data Mining. Pohon Keputusan, vol. 1, pp. 1-9.
Faridl, M. (2015). Fitur Dahsyat Sublime Text. Lug Stikom, pp. 1-12.
Suprayogi. (2013). Data Mining Clustering. J. Chem. Inf. Model., vol. 53, pp.
1689-1699.
Surmayanti, Marfalino, H., & Rahmi, A. (2015). Penerapan Analysis Clustering
Pada Penjualan Komputer Dengan Perancanganan Aplikasi Data Mining
Menggunakan Algoritma K-Means ( Study Kasus Toko Tri Buana
Komputer Kota Solok ). pp. 50-59.
Tampubolon, K., Saragih, H., & Reza, B. (2013). Implementasi Data Mining
Algoritma Apriori Pada Sistem Persediaan Alat-Alat Kesehatan. Inf dan
Teknol Ilm, pp. 93-106.