Pemetaan Wilayah Potensial Terhadap Penjualan Sepeda Motor Honda Menggunakan K-Means Clustering
|
Keywords:
Data Mining, K-Means, Clustering, Sales, Motorbikes
AbstractIndragiri Hilir regency consists of land and water which are divided into 20 districts, 39 sub-districts and 197 villages. Looking at the geographical condition of Indragiri Hilir Regency, motorcycle sales companies need to know the areas that have potential for motorcycle sales. Grouping potential areas is important in increasing sales profit for the company. This study aims to help PT. Capella Dinamik Nusantara in making the decision to increase sales to be more significant, promotion and marketing techniques were more targeted towards Honda motorcycle sales in the mapped areas. The data used in this study are Honda motorcycle sales data from 2017 to 2019. Data processing in this study uses the K-Means Clustering method with 3 clusters, namely Cluster 0 (C0) Less Potential, Cluster 1 (C1) Enough Potential, Cluster 2 (C2) Has the potential to sell Honda motorcycles. The result of the grouping process with 2 iterations states that for Cluster 0 there are 5 regions, for Cluster 1 there are 3 regions, and for Cluster 2 there are 2 regions. Downloads
Download data is not yet available.
ReferencesPutra, R. R., & Wadisman, C. (2018). Implementasi Data Mining Pemilihan Pelanggan Potensial Menggunakan Algoritma K Means. INTECOMS: Journal of Information Technology and Computer Science, 1(1), 72–77. DOI: https://doi.org/10.31539/intecoms.v1i1.141 . Waworuntu, M. N. V., & Faisal Amin, M. (2018). Penerapan Metode K-Means untuk Pemetaan Calon Penerima Jamkesda. KLIK-Kumpulan Jurnal Ilmu Komputer, 5(2), 190. DOI: https://doi.org/10.20527/klik.v5i2.157 . Silalahi, M. (2018). Analisis Clustering Menggunakan Algoritma K-Means Terhadap Penjualan Produk Pada PT Batamas Niaga Jaya. Computer Based Information System Journal, 6(2). DOI: https://doi.org/10.33884/cbis.v6i2.709 . Rosmini, R., Fadlil, A., & Sunardi, S. (2018). Implementasi Metode K-Means Dalam Pemetaan Kelompok Mahasiswa Melalui Data Aktivitas Kuliah. It Journal Research And Development, 3(1), 22–31. DOI: https://doi.org/10.25299/itjrd.2018.vol3(1).1773 . Parlina, I., Windarto, A. P., Wanto, A., & Lubis, M. R. (2018). Memanfaatkan Algoritma K-Means Dalam Menentukan Pegawai Yang Layak Mengikuti Asessment Center Untuk Clustering Program Sdp. Computer Engineering, Science and System Journal, 3(1), 87. DOI: https://doi.org/10.24114/cess.v3i1.8192 . Fatmawati, K., & Windarto, A. P. (2018). Data Mining: Penerapan Rapidminer Dengan K-Means Cluster Pada Daerah Terjangkit Demam Berdarah Dengue (Dbd) Berdasarkan Provinsi. Computer Engineering, Science and System Journal, 3(2), 173. DOI: https://doi.org/10.24114/cess.v3i2.9661 . Nur, F., Zarlis, M., & Nasution, B. B. (2017). Penerapan Algoritma K-Means Pada Siswa Baru Sekolah Menengah Kejuruan Untuk Clustering Jurusan. InfoTekJar (Jurnal Nasional Informatika Dan Teknologi Jaringan), 1(2), 100–105. DOI: https://doi.org/10.30743/infotekjar.v1i2.70 . Febianto, N. I., & Palasara, N. (2019). Analisa Clustering K-Means Pada Data Informasi Kemiskinan Di Jawa Barat Tahun 2018. Jurnal Sisfokom (Sistem Informasi Dan Komputer), 8(2), 130. DOI: https://doi.org/10.32736/sisfokom.v8i2.653 . Aprianti, W., & Permadi, J. (2018). K-Means Clustering untuk Data Kecelakaan Lalu Lintas Jalan Raya di Kecamatan Pelaihari. Jurnal Teknologi Informasi Dan Ilmu Komputer, 5(5), 613. DOI: https://doi.org/10.25126/jtiik.2018551113 . Gustientiedina, G., Adiya, M. H., & Desnelita, Y. (2019). Penerapan Algoritma K-Means Untuk Clustering Data Obat-Obatan. Jurnal Nasional Teknologi Dan Sistem Informasi, 5(1), 17–24. DOI: https://doi.org/10.25077/teknosi.v5i1.2019.17-24 . Alfiandi, D., Ernawati, & Purwandari, E. P. (2018). Implementasi K-Means Clustering Dan Pemetaan Pemukiman Kumuh Di Kota Bengkulu Berbasis Web. Jurnal Rekursif, 6(2). Triyansyah, D., & Fitrianah, D. (2018). Analisis Data Mining Menggunakan Algoritma K-Means Clustering Untuk Menentukan Strategi Marketing. Jurnal Telekomunikasi Dan Komputer, 8(3), 163. DOI: https://doi.org/10.22441/incomtech.v8i3.4174 . Maulida, L. (2018). Penerapan Data Mining dalam Mengelompokkan Kunjungan Wisatawan ke Objek Wisata Unggulan di Prov. DKI Jakarta dengan K-Means. JISKA (Jurnal Informatika Sunan Kalijaga), 2(3), 167. DOI: https://doi.org/10.14421/jiska.2018.23-06 . Widodo, W., & Wahyuni, D. (2017). Implementasi Algoritma K-Means Clustering Untuk Mengetahui Bidang Skripsi Mahasiswa Multimedia Pendidikan Teknik Informatika Dan Komputer Universitas Negeri Jakarta. PINTER : Jurnal Pendidikan Teknik Informatika Dan Komputer, 1(2), 157–166. DOI: https://doi.org/10.21009/pinter.1.2.10 , Praja, B. S., Kusuma, P. D., & Setianingsih, C. (2019). Penerapan Metode K-Means Clustering Dalam Pengelompokan Data Penumpang Dan Kapal Angkutan Laut Di Indonesia. E-Proceeding of Engineering, 6(1), 1442. Efendi, R., Coastera, F. F., & Tanjung, F. (2019). Pengelompokan dan Pemetaan Derajat Kesehatan Kota Bengkulu dengan Metode K-means Clustering. Jurnal Rekursif, 7(1), 91–97. Lase, Y., & Panggabean, E. (2019). Implementasi Metode K-Means Clustering Dalam Sistem Pemilihan Jurusan Di SMK Swasta Harapan Baru. Jurnal Teknologi Dan Ilmu Komputer Prima (JUTIKOMP), 2(2), 43. DOI: https://doi.org/10.34012/jutikomp.v2i2.723 . Ali, A. (2019). Klasterisasi Data Rekam Medis Pasien Menggunakan Metode K-Means Clustering di Rumah Sakit Anwar Medika Balong Bendo Sidoarjo. MATRIK : Jurnal Manajemen, Teknik Informatika Dan Rekayasa Komputer, 19(1), 186–195. DOI: https://doi.org/10.30812/matrik.v19i1.529 . Kelebihan Algoritma k-means clustering [online] (diperbaharui 21 Januari 2017) https://id.wikipedia.org/wiki/K-means [Diakses 11 Mei 2020]. |
Published
2020-06-30
Section
Articles
How to Cite
Zulrahmadi. (2020). Pemetaan Wilayah Potensial Terhadap Penjualan Sepeda Motor Honda Menggunakan K-Means Clustering. Jurnal Informatika Ekonomi Bisnis, 2(2), 53-59. https://doi.org/10.37034/infeb.v2i2.41
 This work is licensed under a Creative Commons Attribution 4.0 International License. |
