OPTIMALISASI PERSEDIAAN LIQUID VAPE BERDASARKAN DATA PENJUALAN MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING (STUDI KASUS DI VAPORATE STORE)

Melisa, Selfi (2025) OPTIMALISASI PERSEDIAAN LIQUID VAPE BERDASARKAN DATA PENJUALAN MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING (STUDI KASUS DI VAPORATE STORE). Masters thesis, Universitas Putra Indonesia YPTK.

Preview	Text TESISI_231321025_SELFI MELISA_ABSTRAK.pdf Download (136kB) | Preview
Preview	Text TESISI_231321025_SELFI MELISA_BAB I.pdf Download (155kB) | Preview
Preview	Text TESISI_231321025_SELFI MELISA_DAFTAR PUSTAKA.pdf Download (145kB) | Preview
	Text TESISI_231321025_SELFI MELISA_FULL TEXT.pdf Restricted to Repository staff only Download (3MB)

Abstract

Knowledge Discovery in Databases (KDD) adalah metode teknis yang berguna untuk mencari dan mengidentifikasi pola atau (pattern) dalam data, pola yang sudah ditemukan bersifat sah dan baru sehingga dapat bermanfaat dan dapat dimengerti. Data mining merupakan inti dari proses KDD. Salah satu teknik yang sering digunakan data mining dalam pengelompokkan data adalah K-Means Clustering. Penelitian ini bertujuan untuk mengoptimalkan pesediaan liquid vape berdasarkan data penjualan dengan menggunakan metode K-Means Clustering sebagai studi kasus pada Vaporate Store. Metode K-Means Clustering diterapkan untuk mengelompokkan produk menjadi tiga kategori yaitu produk yang kurang laris, laris, dan sangat laris. Data yang digunakan dalam penelitian ini merupakan data transaksi penjualan liquid vape dari bula Juni hingga November 2024, yang kemudian diolah menggunakan Microsoft Office Excel dan dilakukan pengujian menggunakan software RapidMiner Studio. Hasil dari penelitian ini menunjukkan bahwa dari 68 produk yang dianalisis dan diolah, sebanyak 51 produk tergolong kurang laris, 13 produk laris, dan 4 porduk sanga laris. Implementasi metode ini memberikan manfaat bagi toko dalam mengelola stok dengan lebih efisien, menghindari kelebihan maupun kekurangan stok, serta membantu dalam strategi pemasaran dan promosi. Hasil klasterisasi juga menunjukkan bahwa algoritma K- Means Clustering memiliki tingkat akurasi tinggi yaitu dengan nilai Davies-Bouldin Index sebesar 0.374%. Selain itu, hasil perhitungan manual menggunakan Microsoft Excel menunjukkan konsistensi dengan hasil yang diperoleh melalui RapidMiner Studio, menegaskan keandalan metode yang digunakan.

Actions (login required)

View Item