Implementasi Algoritma K-Means++ Untuk Clustering Penjualan Bahan Bangunan (“Studi Kasus UD Sumber Bangunanâ€)
Total View This Week0
Total View This Week0
Institusion
Universitas Muhammadiyah Gresik
Author
Ferdiansyah, Mohammad
Subject
Informatics Engineering
Datestamp
2024-02-15 02:57:01
Abstract :
Pemanfaatan Algoritme K-Means++ Clustering dalam sistem clustering penjualan bahan bangunan pada UD Sumber Bangunan. Saat ini, toko tersebut belum menggunakan komputer untuk menjalankan sistemnya, sehingga data-data transaksi hanya berfungsi sebagai arsip tanpa dimanfaatkan secara optimal untuk strategi pemasaran dan pengambilan keputusan bisnis. Penelitian ini bertujuan untuk menguji apakah penggunaan algoritme K-Means++ Clustering dapat memberikan keuntungan dalam pembentukan cluster yang lebih baik dan efisien untuk data penjualan bahan bangunan. Evaluasi dilakukan dengan membandingkan K-Means++ dengan K-Means menggunakan metrik evaluasi DBI (Davies-Bouldin Index) dan Silhouette Coefficient. Hasil evaluasi menunjukkan bahwa K-Means++ memberikan hasil yang lebih baik dibandingkan hanya menggunakan K-Means. Nilai DBI lebih rendah untuk K-Means++ dan Silhouette Coefficient lebih tinggi untuk K-Means++, yang menandakan bahwa K-Means++ menghasilkan clustering yang lebih baik dan lebih terdefinisi. Penggunaan Algoritme K-Means++ Clustering memberikan manfaat dalam pengambilan keputusan bisnis di UD Sumber Bangunan, sehingga membantu mengurangi penumpukan stok dan meningkatkan kepuasan konsumen. Sistem clustering yang dibangun dengan metode Waterfall juga memberikan kontribusi positif dalam mencapai tujuan yang telah ditetapkan.
Pemanfaatan Algoritme K-Means++ Clustering dalam sistem clustering penjualan bahan bangunan pada UD Sumber Bangunan. Saat ini, toko tersebut belum menggunakan komputer untuk menjalankan sistemnya, sehingga data-data transaksi hanya berfungsi sebagai arsip tanpa dimanfaatkan secara optimal untuk strategi pemasaran dan pengambilan keputusan bisnis. Penelitian ini bertujuan untuk menguji apakah penggunaan algoritme K-Means++ Clustering dapat memberikan keuntungan dalam pembentukan cluster yang lebih baik dan efisien untuk data penjualan bahan bangunan. Evaluasi dilakukan dengan membandingkan K-Means++ dengan K-Means menggunakan metrik evaluasi DBI (Davies-Bouldin Index) dan Silhouette Coefficient. Hasil evaluasi menunjukkan bahwa K-Means++ memberikan hasil yang lebih baik dibandingkan hanya menggunakan K-Means. Nilai DBI lebih rendah untuk K-Means++ dan Silhouette Coefficient lebih tinggi untuk K-Means++, yang menandakan bahwa K-Means++ menghasilkan clustering yang lebih baik dan lebih terdefinisi. Penggunaan Algoritme K-Means++ Clustering memberikan manfaat dalam pengambilan keputusan bisnis di UD Sumber Bangunan, sehingga membantu mengurangi penumpukan stok dan meningkatkan kepuasan konsumen. Sistem clustering yang dibangun dengan metode Waterfall juga memberikan kontribusi positif dalam mencapai tujuan yang telah ditetapkan.
File :
2024_TA_INF_LEMBAR PERNYATAAN KEASLIAN SKRIPSI.pdf
2024_TA_INF_LEMBAR PENGESAHAN.pdf
2024_TA_INF_190602054_DAFTAR PUSTAKA.pdf
2024_TA_INF_190602054_LAMPIRAN.pdf
2024_TA_INF_LEMBAR PERSETUJUAN.pdf
halaman peryataan persetujuan publikasi tugas akhir.pdf
2024_TA_INF_190602054_HALAMAN JUDUL.pdf
2024_TA_INF_190602054_BAB 1.pdf
2024_TA_INF_190602054_BAB 2.pdf
2024_TA_INF_190602054_BAB 3.pdf
2024_TA_INF_190602054_BAB 4.pdf
2024_TA_INF_190602054_BAB 5.pdf
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
