DATA MINING MENGGUNAKAN METODE HYBRID ALGORITMA APRIORI DAN ALGORITMA K-MEANS UNTUK IDENTIFIKASI POLA PENJUALAN DAN CLUSTERING BAHAN BANGUNAN PADA TOKO UD ANEKA SUMBER BANGUNAN

AULIYAH, RIZKI (2023) DATA MINING MENGGUNAKAN METODE HYBRID ALGORITMA APRIORI DAN ALGORITMA K-MEANS UNTUK IDENTIFIKASI POLA PENJUALAN DAN CLUSTERING BAHAN BANGUNAN PADA TOKO UD ANEKA SUMBER BANGUNAN. Sarjana thesis, Universitas Putra Indonesia YPTK.

	Text SKRIPSI_RIZKI AULIYAH_18101152630263_ABSTRAK.pdf Download (8kB)
	Text SKRIPSI_RIZKI AULIYAH_18101152630263_BAB I.pdf Download (378kB)
	Text SKRIPSI_RIZKI AULIYAH_18101152630263_DAFTAR PUSTAKA.pdf Download (394kB)
	Text SKRIPSI_RIZKI AULIYAH_18101152630263_FULL TEXT.pdf Restricted to Repository staff only Download (8MB)

Abstract

Data mining adalah proses ekstraksi informasi dari data besar yang tidak terstruktur dengan menggunakan teknik statistik dan machine learning. Dalam bidang penjualan barang, data mining dapat digunakan untuk menemukan pola dan tren penjualan yang membantu dalam pengambilan keputusan bisnis. Algoritma Apriori adalah salah satu algoritma data mining yang digunakan untuk menemukan asosiasi atau pola antar item dalam transaksi penjualan. Algoritma ini bekerja dengan menghitung frekuensi setiap item yang muncul bersama-sama dalam transaksi dan menggunakan aturan untuk menentukan apakah suatu pola merupakan asosiasi yang signifikan. Algoritma K-Means adalah algoritma clustering yang digunakan untuk membagi data menjadi beberapa kelompok yang berdekatan berdasarkan kemiripan data. Dalam konteks penjualan bahan bangunan, algoritma ini dapat digunakan untuk mengelompokkan produk berdasarkan karakteristik mereka, hal ini membantu dalam pengelolaan dan pengadaan stok barang, manajemen data, pengelolaan produk dan strategi pemasaran. Dengan menggabungkan algoritma Apriori dan K-Means, kita dapat menemukan pola penjualan barang dan mengelompokkan produk bahan bangunan secara efektif untuk membantu dalam pengambilan keputusan bisnis yang informatif dan tepat.

Actions (login required)

View Item