Upload
votu
View
219
Download
0
Embed Size (px)
Citation preview
Muhamad Edi Purnomo | 14.1.03.02.0191 Fakultas Teknik – Teknik Informatika
simki.unpkediri.ac.id || 0||
ARTIKEL
DATA MINING UNTUK OPTIMALISASI DISTRIBUSI PENJUALAN
INDOMIE GORENG MENGGUNAKAN METODE CLUSTERING
Oleh:
MUHAMAD EDI PURNOMO
14.1.03.02.0191
Dibimbing oleh :
1. Ratih Kumalasari N, S.ST., M.Kom
2. Julian Sahertian, S.Pd., M.T
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS NUSANTARA PGRI KEDIRI
2019
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Muhamad Edi Purnomo | 14.1.03.02.0191 Fakultas Teknik – Teknik Informatika
simki.unpkediri.ac.id || 1||
SURAT PERNYATAAN
ARTIKEL SKRIPSI TAHUN 2019
Yang bertanda tangan di bawah ini:
Nama Lengkap : Muhamad Edi Purnomo
NPM : 14.1.03.02.0191
Telepun/HP : 082334421416
Alamat Surel (Email) : [email protected]
Judul Artikel : Penerapan Data Mining Pada Penjualan Indomie Goreng
Di Kabupaten Kediri Untuk Optimalisasi Distribusi
Menggunakan Metode Clustering
Fakultas – Program Studi : Fakultas Teknik Program Studi Teknik Informatika
Nama Perguruan Tinggi : Universitas Nusantara PGRI Kediri
Alamat Perguruan Tinggi : Jl KH Achmad Dahlan 76 Kediri
Dengan ini menyatakan bahwa :
a. artikel yang saya tulis merupakan karya saya pribadi (bersama tim penulis) dan
bebas plagiarisme;
b. artikel telah diteliti dan disetujui untuk diterbitkan oleh Dosen Pembimbing I dan II.
Demikian surat pernyataan ini saya buat dengan sesungguhnya. Apabila di kemudian hari
ditemukan ketidaksesuaian data dengan pernyataan ini dan atau ada tuntutan dari pihak lain, saya
bersedia bertanggungjawab dan diproses sesuai dengan ketentuan yang berlaku.
Mengetahui Kediri, 7 Februari 2019
Pembimbing I
Ratih Kumalasari N, S.ST., M.Kom
NIDN : 0710018501
Pembimbing II
Julian Sahertian, S.Pd., M.T
NIDN : 0707079001
Penulis,
Muhamad Edi Purnomo
NPM : 14.1.03.02.0191
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Muhamad Edi Purnomo | 14.1.03.02.0191 Fakultas Teknik – Teknik Informatika
simki.unpkediri.ac.id || 2||
DATA MINING UNTUK OPTIMALISASI DISTRIBUSI PENJUALAN
INDOMIE GORENG MENGGUNAKAN METODE CLUSTERING
Muahamad Edi Purnomo
14.1.03.02.0191
Fakultas Teknik Program Studi Teknik Informatika
Email : [email protected]
Ratih Kumalasari N, S.ST., M.Kom danJulian Sahertian, S.Pd., M.T
UNIVERSITAS NUSANTARA PGRI KEDIRI
ABSTRAK
Penelitian ini dilatarbelakangi oleh pengaruh teknologi yang berkembang pesat di era globalisasi
sekarang. Hal itulah yang membawa pengaruh besar terhadap pelaku – pelaku usaha untuk selalu
menciptakan berbagai Teknik agar dapat terus survive. Dan dalam rangka menghadapi persaingin bisnis dan meningkatkan pendapatan perusahaan, managemen dituntut untuk dapat mengambil keputusan yang
tepat dalam menentukan strategi promosi yang baik kepada konsumen. Oleh karena itu, dengan
banyaknya data – data yang tidak diolah secara baik pada Kantor Indofood distrik Kediri. Juga dengan
kurangnya metode strategi promosi yang akan lebih baik apabila diterapkan dengan memanfaatkan data – data yang ada melalui pengaplikasian teknologi. Diharapkan dengan adanya sistem ini, maka
pelanggan akan lebih tertarik untuk membeli Indomie lebih banyak.
Permasalahan dalam penelitian ini adalah (1) Bagaimana pengelompokan data menggunakan algoritma k-means clustering ? (2) Bagaimana menentukan strategi promosi yang baik kepada pelanggan Indomie
di Kabupaten Kediri ? (3) Bagaimana cara menentukan distribusi yang baik kepada pelanggan Indomie
di Kabupaten Kediri ?. Tujuan dari penelitian ini adalah (1) Mengetahui kelompok data yang terdiri atas prioritas dan non prioritas. (2) Membantu menentukan strategi promosi yang baik melalui pemilihan
pelanggan prioritas. (3) Membantu memberikan pelayanan maksimal kepada pelanggan Indomie di
Kabupaten Kediri.
Penelitian ini menggunakan algoritma K-Means Clustering untuk pengelompokan data pelanggan prioritas dan data pelanggan non prioritas. Dengan data jarak, pesanan dan status sebagai acuan
perhitunganya.
Berdasarkan hasil dari pengujian aplikasi yang dilakukan oleh 10 user secara kuesioner yaitu dengan nilai total (1) Tampilan Program SB (Sangat Baik) : 50%, B (Baik) : 43%, C (Cukup) : 7%, K (Kurang)
: 0%, SK (Sangat Kurang) : 0%. (2) Kegunaan Sistem SB (Sangat Baik) : 60%, B (Baik) : 40%, C
(Cukup) : 0%, K (Kurang) : 0%, SK (Sangat Kurang : 0%. (3) Akurasi Sistem SB (Sangat Baik) : 30%,
B (Baik) : 40%, C (Cukup) : 30%, K (Kurang) : 0%, SK (Sangat Kurang) : 0%. Dari hasil kuesioner, dapat disimpulkan bahwa aplikasi sudah berjalan dengan baik.
KATA KUNCI : Data Mining, Optimalisasi, Clustering.
I. LATAR BELAKANG
Seiring dengan pertumbuhan
bisnis di era globalisasi dan kemajuan
teknologi informasi yang cepat
memberikan pengaruh yang besar
dalam bidang industri. Hal ini juga
membawa suatu perubahan besar
dalam tingkat persaingan antar
perusahaan, sehingga pelaku – pelaku
perusahaan tersebut harus selalu
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Muhamad Edi Purnomo | 14.1.03.02.0191 Fakultas Teknik – Teknik Informatika
simki.unpkediri.ac.id || 1||
menciptakan bebagai teknik untuk
terus survive.
Dalam rangka menghadapi
persaingan bisnis dan meningkatkan
pendapatan perusahaan, pimpinan
perusahaan maupun manajemen
dalam suatu perusahaan tersebut
dituntut untuk dapat mengambil
keputusan yang tepat dalam
menentukan strategi penjualan. untuk
dapat melakukan hal tersebut,
perusahaan membutuhkan sumber
informasi yang banyak untuk dapat di
analisis lebih lanjut.
Pihak eksekutif perusahaan
mengharapkan adanya teknologi yang
mampu menghasilkan suatu
informasi yang siap di gunakan untuk
membantu mereka dalam mengambil
suatu keputusan strategis dalam
perusahaan. Mereka ingin
mengetahui produk apa yang harus di
tingkatkan, seberapa besar hasil yang
di peroleh oleh perusahaan. Untuk
memenuhi kebutuhan – kebutuhan
pengusaha di atas, banyak cara yang
dapat di tempuh. Salah satunya adalah
dengan melakukan pemanfaatan data
perusahaan ( Data Mining ).
Ketersediaan data yang banyak
dan kebutuhan akan informasi atau
pengetahuan sebagai pendukung
pengambilan keputusan untuk
membuat solusi bisnis dan dukungan
infrastruktur di bidang teknik
informatika merupakan cikal – bakal
dari lahirnya teknologi data mining.
Penggunaan teknik data mining
diharapkan dapat
membantu mempercepat proses
pengambilan keputusan,
memungkinkan perusahaan untuk
mengelola informasi yang terkandung
di dalam data transaksi menjadi
sebuah pengetahuan ( knowledge )
yang baru. Lewat pengetahuan yang
di dapat, perusahaan dapat
meningkatkan dan pada akhirnya di
masa yang akan datang perusahaan
dapat lebih kompetitif.
Indofood merupakan salah satu
perusahaan besar yang bergerak di
bidang makanan, salah satu
produknya adalah Indomie.
Perusahaan sulit mendapatkan
informasi – informasi strategis seperti
tingkat penjualan per periode.
Ketersediaan data penjualan yang
besar di Indofood khusunya penjualan
Indomie terutama di Kabupaten
Kediri tidak di gunakan semaksimal
mungkin, sehingga data penjualan
tersebut tidak di manfaatkan secara
optimal dan belum adanya sistem
yang dapat membantu merancang
sebuah strategi bisnis dalam
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Muhamad Edi Purnomo | 14.1.03.02.0191 Fakultas Teknik – Teknik Informatika
simki.unpkediri.ac.id || 2||
meningkatkan penjualan. Karena
sebab itu, maka penulis berkeinginan
menuangkan kealam bentuk skripsi
dan memberi judul ”Penerapan Data
Mining Pada Penjualan Indomie
Goreng di Kabupaten Kediri Untuk
Optimalisasi Distribusi
Menggunakan Metode Clustering”.
II. METODE
Metode pengelompokan data
yang dilakukan berdasarkan
klasifikasi perhitungan data jarak,
jumlah pesanan dan status
menggunakan metode K-Means
clustering. Menurut artikel Windha
Mega Pradnya Dhuhita. 2015.
Clustering menggunakan metode K-
Means untuk menentukan status gizi
balita. Artikel skripsi halaman 4.
Menerangkan bahwa :
K-Means merupakan suatu
algoritma dalam data mining yang
bisa digunakan untuk melakukan
pengelompokan/clustering suatu
data. Ada banyak pendekatan untuk
membuat cluster, diantaranya
adalah membuat aturan yang
mendikte keanggotaan dalam group
yang sama berdasarkan tingkat
persamaan diantara anggota-
anggotanya. Pendekatan lainnya
adalah dengan membuat
sekumpulan fungsi yang mengukur
beberapa properti dari
pengelompokan tersebut sebagai
fungsi dari beberapa parameter dari
sebuah clustering. Metode K-Means
adalah metode yang termasuk dalam
algoritma clustering berbasis jarak
yang membagi data ke dalam
sejumlah cluster dan algoritma ini
hanya bekerja pada atribut numerik.
Pengelompokan data dengan
metode K-Means dilakukan dengan
algoritma :
1. Tentukan jumlah kelompok
2. Alokasikan data ke dalam
kelompok secara acak
3. Hitung pusat kelompok
(centroid/rata-rata) dari data
yang ada di masing-masing
kelompok. Lokasi centroid setiap
kelompok diambil dari rata-rata
(mean) semua nilai data pada
setiap fiturnya. Jika M
menyatakan jumlah data dalam
sebuah kelompok, i menyatakan
fitur ke-i dalam sebuah
kelompok, dan p menyatakan
dimensi data, maka persamaan
untuk menghitung centroid fitur
ke-i digunakan persamaan 1.
𝐶𝑖 =1
𝑀∑ 𝑋𝑗
𝑀
𝑗=1
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Muhamad Edi Purnomo | 14.1.03.02.0191 Fakultas Teknik – Teknik Informatika
simki.unpkediri.ac.id || 1||
persamaan 1 dilakukan sebanyak p
dimensi dari i=1 sampai dengan i=p.
4. Alokasikan masing-masing data
ke centroid/rata-rata terdekat.
Ada beberapa cara yang dapat
dilakukan untuk mengukur jarak
data ke pusat kelompok,
diantaranya adalah Euclidean.
Pengukuran jarak pada ruang
jarak (distance space) Euclidean
dapat dicari menggunakan
persamaan 2.
𝑑 = √(𝑥1 − 𝑥2)2 + (𝑦1 − 𝑦2)2
Pengalokasian kembali data ke
dalam masing-masing kelompok
dalam metode K-Means
didasarkan pada perbandingan
jarak antara data dengan centroid
setiap kelompok yang ada. Data
dialokasikan ulang secara tegas
ke kelompok yang mempunyai
cetroid dengan jarak terdekat dari
data tersebut. Pengalokasian data
ini menurut MacQueen (1967)
dapat ditentukan menggunakan
persamaan 3.
𝑎𝑖1 = {12
𝑑 = 𝑚𝑖𝑛{𝐷(𝑥𝑖,𝑐1)}
𝑙𝑎𝑖𝑛𝑦𝑎
ai1 adalah nilai keanggotaan titik
xi ke pusat kelompok c1, d adalah
jarak terpendek dari data xi ke K
kelompok setelah dibandingkan,
dan c1 adalah centroid (pusat
kelompok) ke-1. Fungsi objektif
yang digunakan untuk metode K-
Means ditentukan berdasarkan
jarak dan nilai keanggotaan data
dalam kelompok. Fungsi objektif
menurut MacQueen (1967) dapat
ditentukan menggunakan
persamaan 4.
𝐽 = ∑
𝑛
𝑖=1
∑ 𝑎𝑖𝑐 𝐷(𝑥𝑖, 𝑐1)2
𝑘
𝑖=1
n adalah jumlah data, k adalah
jumlah kelompok, ai1 adalah
nilai keanggotaan titik data xi ke
kelompok cl yang diikuti. a
mempunyai nilai 0 atau 1.
Apabila data merupakan anngota
suatu kelompok, nilai ai1 = 1.
Jika tidak, nilai ai1 = 0.
5. Kembali ke langkah 3, apabila
masih ada data yang berpindah
kelompok atau apabila ada
perubahan nilai centroid di atas
nilai ambang yang ditentukan,
atau apabila perubahan nilai pada
fungsi objektif yang digunakan
masih di atas nilai ambang yang
ditentukan.
III. HASIL DAN KESIMPULAN
3.1 Analisis Perancangan Sistem
Muhamad Edi Purnomo | 14.1.03.02.0191 Fakultas Teknik – Teknik Informatika
simki.unpkediri.ac.id || 6||
Sistem optimalisasi distribusi
pada penjualan indomie goreng
yang didapat dari perhitungan data
pelanggan meliputi data jarak, data
jumlah pesanan dan data status yang
masing – masing diinputkan
kedalam sistem untuk kemudian
dihitung menggunakan metode K-
Means clustering. Setelah proses
perhitungan maka akan didapatkan
hasil berupa tampilan mana saja
toko rekomendasi dan toko non
rekomendasi. Jika sudah didapatkan
hasil demikian maka pegawai akan
mengirimkan pesanan pada
pelanggan atau toko yang
rekomendasi terlebih dahulu.
1. Flowchart
Flow Chart algoritma merupakan
alur dari algoritma
yang akan di buat. Dimana alur
tersebut dapat menggambarkan
bagaimana proses keseluruhan
berjalanya perhitungan algoritma
sistem. Flow Chart penerapan
data mining untuk penjualan
Indomie dijelaskan pada diagram
dibawah.
Pada gambar diatas dijelaskan
bagaimana alur algoritma yang
dipakai, pertama mengakses akan
menentukan jumlah cluste, kedua
menentukan pusat cluster awal
secara acak, ketiga menentukan
jarak dari tiap data terhadap tiap
centroid, keempat kelompokan
data berdasarkan jarak terkecil
dan terakhir ketika objek sudah
tidak berpindah maka iterasi di
hentikan.
2. DFD Level 0
Menurut Ladjamudin (2013 : 64),
diagram level 0 adalah diagram
yang terdiri dari suatu proses dan
menggambarnkan ruang lingkup
suatu sistem.
Diagram diatas menggambarkan
dari pegawai bisa melakukan
login. Pegawai dapat
menginputkan data pelanggan
dan data pemesanan. Pegawai
akan mendapatkan hasil
perhitungan yang sudah
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Muhamad Edi Purnomo | 14.1.03.02.0191 Fakultas Teknik – Teknik Informatika
simki.unpkediri.ac.id || 7||
diinputkan data pemesanan
setiap harinya, dan setelah
barang dikirim pegawai akan bisa
melihat laporan penjualan setiap
minggunya. Sedangkan manager
bisa melakukan login. Setelah
login manager dapat langsung
melihat laporan setiap
minggunya.
3. DFD Level 1
Menurut artikel Yoppy, R.A .
(2015). Penerapan Data Mining
Pada Penjualan Hardisk untuk
optimalisasi Distribusi
Menggunakan Metode
Clustering. Artikel Skrips. Hlm.
7. Mengartikan DFD Level 1
adalah diagram yang
menguraikan proses apa yang ada
dalam diagram nol secara rinci.
Pada diagram diatas dijelaskan
tentang Data Flow Diagram.
Terdapat dua entitas yaitu
Pegawai dan Manajer. Dimana
Pegawai memiliki akses penuh
terhadap sistem. Pegawai
melakukan login, dilakukan
pencocokan login dengan tabel
user. Jika berhasil maka akan
diarahkan ke halaman input
data.pada halaman ini pegawai
menginputkan data meliputi
nama toko, alamat, kecamatan,
nama pemilik dan jarak dengan
kantor distributor.kemudian
input data tersebut diinputkan ke
tabel pelanggan. Apabila ada
pelanggan yang memesan, maka
tinggal menginputkan kode toko
dan jumlah penjualan saja,
karena datanya sudah tersimpan.
Kemudian data tersebut di hitung
dengan menggunakan
perhitungan clustering metode
K-Means Clustering setelah itu
akan mendapatkan hasil
pelanggan prioritas dan laporan
pengiriman akan dilaporkan
kepada manajer.
4. ERD
Menurut Sutanta (2011:91)
dalam bukunya yang berjudul
"Basis Data Dalam Tinjauan
Konseptual" menjelaskan bahwa
"Entity Relationship Diagram
(ERD) merupakan suatu model
data yang dikembangkan
berdasarkan objek."
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Muhamad Edi Purnomo | 14.1.03.02.0191 Fakultas Teknik – Teknik Informatika
simki.unpkediri.ac.id || 8||
Data input pelanggan semua
disimpan pada tabel pelanggan,
kemudian jika ada pelanggan
yang memesan, akan disimpan
pada tabel penjualan kemudaan
diolah menggunakan
perhitungan clustering metode
K-Means.
3.2 Implementasi dan Evaluasi hasil
Pegawai distributor
menginputkan data toko meliputi
jarak, jumlah pesanan dan status.
Kemudian dari ketiga data tersebut
diolah melalui perhitungan
menggunakan metode K-Means
clustering sehingga akan
mendapatkan hasil seperti gambar
dibawah.
Gambar tersebut menunjukan hasil
dari perhitungan dari data – data
yang diinputkan oleh pegawai
distributor. Dengan hasil atau
tampilan tersebut, maka pegawai
distributor akan terbantu untuk
mengirimkan kepada pelanggan
yang rekomendasi terlebih dahulu.
3.3 Simpulan
Dari hasil penelitian,
perancangan, pembuatan dan
pengujian Aplikasi Penerapan
Data Mining Pada Penjualan
Indomie Goreng Di Kabupaten
Kediri Untuk Optimalisasi
Distribusi Menggunakan
Metode Clustering didapatkan
kesimpulan sebagai berikut :
1. Implementasi Aplikasi
Penerapan Data Mining
Pada Penjualan Indomie
Goreng di Kabupaten Kediri
Untuk Optimalisasi
Distrubusi Menggunakan
Metode Clustering yang
dibangun sesuai dengan
perancangan yang telah di
buat.
2. Pengelompokan data
menggunakan algoritma K-
Means Clustering
menghasilkan data toko
prioritas dan non prioritas.
3. Berhasil menentukan
strategi promosi yang baik
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Muhamad Edi Purnomo | 14.1.03.02.0191 Fakultas Teknik – Teknik Informatika
simki.unpkediri.ac.id || 1||
dengan cara memilih
pelanggan prioritas.
IV. DAFTAR PUSTAKA
[1] Al Fatta, Hanif. 2007. Analisis dan
Perancangan Sistem Informasi.
Yogyakarta : Andi.
Jogiyanto. 2008. Metodologi
Penelitian Sistem Informasi.
Yogyakarta : CV Andi Offset.
Jogiyanto, H.M. 2005. Analisa dan
Desain Sistem Informasi: Pendekatan
Terstruktur Teori dan Praktik
Aplikasi Bisnis. Yogyakarta : ANDI.
[2] Community, eWolf. 2012. Indeks
Lengkap Syntax. , Yogyakarta :
eWolf Community,MediaKom.
[3] Dhuhita Winda M.P. 2015. Clustering
Menggunakan Metode K-Means
Untuk Menentukan Status Gizi
Balita. Jurnal Informatika, (Online)
15 (2) :160 – 174, Tersedia
:https://media.neliti.com/media/publi
cations/103765-ID-clustering-
menggunakan-metode-k-mean-
unt.pdf, diunduh 12 Desember 2018.
[4] Kusrini dan Luthfi, E. T., 2009,
Algoritma Data Mining. Yogyakarta :
Andi Offset.
[5] Larose , Daniel T, 2005, Discovering
Knowledge in Data: An Introduction
to Data Mining, John Willey & Sons.
Inc.
[6] Mustakini. 2009. Bab 2 Widuri KKP
(Online). Tersedia:
http://widuri.raharja.info/index.php/
BAB_II_WIDURI_KKP, di unduh 18
September 2018.
[7] Nasari, Fina. 2015. Penerapan K-
Means clustering pada data
penerimaan mahasiswa baru (studi
kasus : universitas potensi ulama).
SEMNASTEKNOMEDIA, 3(1) : 73
– 78.
[8] Purnomo, M.E. 2019. Penerapan Data
Mining Pada Penjualan Indomie
Goreng di Kabupaten Kediri Untuk
Optimalisasi Distribusi
Menggunakan Metode Clustering.
Skripsi. Fakultas Teknik, Teknik
Informatika, universitas Nusantara
PGRI Kediri.
[9] Rudianto, Arief M. 2011.
Pemrograman Web Dinamis
menggunakan PHP dan MySQL.
Yogyakarta : C.V ANDI OFFSET.
[10] Sukamto, R.A. dan Shalahuddin, M.
2013. Rekayasa Perangkat Lunak.
Bandung: Informatika.
[11] Sutrisno., Afriyudi & Widiyanto.
2013. Penerapan Data Mining Pada
Penjualan Menggunakan Metode
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Muhamad Edi Purnomo | 14.1.03.02.0191 Fakultas Teknik – Teknik Informatika
simki.unpkediri.ac.id || 1||
Clustering Study Kasus Pt.
Indomarco Palembang. Jurnal Ilmiah
Teknik Informatika Ilmu Komputer
Vol.x No.x,: 1-11.
[12] Tan. (Ed). 2006. Anvanced
Clustering Teori dan Aplikasi.
Deepublish.
[13] Turban, E., dkk. 2005. Decicion
Support Systems and Intelligent
Systems.Yogyakarta: Andi Offset.
[14] Winardi. 1999. Pengantar Tentang
Teori Sistem dan Analisis Sistem.
[15] Zahrotun, Lisna. 2015. Analisis
Pengelompokan Jumlah Penumpang
Bus Trans Jogja Menggunakan
Metode Clustering K-Means dan
Agglomerative Hierarchical
Clustering (Ahc). Jurnal Informatika.
9(1) : 1039 - 1047.