ANALISIS PERBANDINGAN PENGELOMPOKAN SUKU CADANG MOBIL DENGAN ALGORITMA K-MEANS MENGGUNAKAN APLIKASI RAPIDMINER DAN ORANGE

Dina Afionita, - (2023) ANALISIS PERBANDINGAN PENGELOMPOKAN SUKU CADANG MOBIL DENGAN ALGORITMA K-MEANS MENGGUNAKAN APLIKASI RAPIDMINER DAN ORANGE. S1 thesis, Universitas Pendidikan Indonesia.

	Text S_SISTEL_1902568_Title.pdf Download (907kB)
	Text S_SISTEL_1902568_Chapter1.pdf Download (516kB)
	Text S_SISTEL_1902568_Chapter2.pdf Restricted to Staf Perpustakaan Download (1MB) | Request a copy
	Text S_SISTEL_1902568_Chapter3.pdf Download (582kB)
	Text S_SISTEL_1902568_Chapter4.pdf Restricted to Staf Perpustakaan Download (1MB) | Request a copy
	Text S_SISTEL_1902568_Chapter5.pdf Download (505kB)
	Text S_SISTEL_1902568_Appendix.pdf Restricted to Staf Perpustakaan Download (1MB) | Request a copy

Abstract

Kepemilikan kendaraan bermotor di Indonesia terus mengalami peningkatan. Produsen kendaraan juga tidak ingin kalah dengan terus membuat inovasi baru dengan menawarkan berbagai jenis kendaraan baru dengan fitur yang baru juga untuk meningkatkan mutu kualitas produk mereka. Semakin banyaknya kendaraan diproduksi, maka semakin banyak pula kebutuhan suku cadang untuk menunjang pemeliharaan kendaraan tersebut. Hal ini dapat menjadi peluang besar bagi para pelaku wirausaha yang bergerak dalam bidang otomotif dengan cara menjual suku cadang kendaraan. Sehingga dibutuhkannya strategi untuk memenuhi stok barang pada gudang untuk memenuhi kebutuhan konsumen. Data mining merupakan cara yang cocok untuk membuat strategi tersebut dikarenakan data mining akan mengolah data berdasarkan data-data barang yang telah terjual sebelumnya sehingga didapatkannya strategi untuk mengisi stok barang pada gudang dengan baik dan benar. Penerapan data mining menggunakan algoritma k-means dengan menggunakan data historis penjualan toko terhitung dari tahun 2018-2021 akan dikelompokan menjadi 3 klaster yaitu berdasarkan tingkat penjualan yang tinggi, sedang, dan rendah. Pengolahan data dilakukan secara manual dan klasterisasi data dilakukan secara instan dengan bantuan aplikasi RapidMiner dan Orange. Hasil dari klasterisasi menggunakan 2 aplikasi yang berbeda, didapatkan hasil yang sama dengan hasil klasterisasi penjualan tertinggi ada 2 data, penjualan sedang ada 3 data, dan penjualan rendah ada 57 data. Hasil dari klasterisasi dapat dijadikan sebagai acuan dalam menentukan stok barang pada gudang untuk menjaga keseimbangan permintaan konsumen dengan cara memprioritaskan barang-barang yang berada pada klaster dengan tingkat penjualan tinggi dan sedang untuk mendapat perhatian khusus dan mengisi ulang stok barang secara berkala. ----- Ownership of motorized vehicles in Indonesia continues to increase. Vehicle manufacturers also do not want to lose by continuing to make new innovations by offering various types of new vehicles with new features to improve the quality of their products. The more vehicles produced, the more the need for spare parts to support the maintenance of these vehicles. This can be a great opportunity for entrepreneurs engaged in the automotive sector by selling vehicle parts. So a strategy is needed to fill the stock of goods in the warehouse to meet consumer needs. Data mining is a suitable way to make this strategy because data mining will process data based on data on goods that have been sold before so that a strategy is obtained to fill the stock of goods in the warehouse properly and correctly. The application of Data Mining using the K-Means Algorithm using historical data on store sales from 2018-2021 will be grouped into 3 clusters, namely based on high, medium and low sales levels. Data processing is done manually and data clustering is done instantly with the help of the RapidMiner and Orange applications. The results of clustering using 2 different applications, obtained the same results with the highest sales clustering results with 2 data, moderate sales with 3 data, and low sales with 57 data. The results of clustering can be used as a reference in determining the stock of goods in the warehouse to maintain a balance of consumer demand by prioritizing goods in clusters with high and middle sales levels to receive special attention and replenish stocks regularly.

Item Type:	Thesis (S1)
Additional Information:	Link Google Scholar Hafiyyan Putra Pratama : https://scholar.google.com/citations?hl=id&user=tQe1410AAAAJ Dewi Indriati Hadi Putri : https://scholar.google.com/citations?hl=id&user=c1yqv-UAAAAJ SINTA ID : Hafiyyan Putra Pratama : 6681148 Dewi Indriati Hadi Putri : 6720737
Uncontrolled Keywords:	Data Mining, Clustering, RapidMiner, Orange, K-Means.
Subjects:	L Education > L Education (General) T Technology > T Technology (General)
Divisions:	UPI Kampus Purwakarta > S1 Sistem Telekomunikasi
Depositing User:	Dina Afionita
Date Deposited:	30 Aug 2023 07:09
Last Modified:	30 Aug 2023 07:09
URI:	http://repository.upi.edu/id/eprint/100329

Actions (login required)

View Item