PENERAPAN METODE K-MEANS UNTUK REKOMENDASI JENIS PRODUK BARANG PERKAKAS BAGI PELANGGAN (STUDI KASUS PT. SINGA MAS MANDIRI)

AGUSTIANINGSIH, PUTRI (2024) PENERAPAN METODE K-MEANS UNTUK REKOMENDASI JENIS PRODUK BARANG PERKAKAS BAGI PELANGGAN (STUDI KASUS PT. SINGA MAS MANDIRI). S1 thesis, Universitas Mercu Buana Jakarta.

Preview	Text (HAL COVER) 01 COVER.pdf Download (448kB) | Preview
Preview	Text (ABSTRAK) 02 ABSTRAK.pdf Download (35kB) | Preview
	Text (BAB I) 03 BAB 1.pdf Restricted to Registered users only Download (94kB)
	Text (BAB II) 04 BAB 2.pdf Restricted to Registered users only Download (201kB)
	Text (BAB III) 05 BAB 3.pdf Restricted to Registered users only Download (64kB)
	Text (BAB IV) 06 BAB 4.pdf Restricted to Registered users only Download (377kB)
	Text (BAB V) 07 BAB 5.pdf Restricted to Registered users only Download (29kB)
	Text (DAFTAR PUSTAKA) 08 DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (41kB)
	Text (LAMPIRAN) 09 LAMPIRAN.pdf Restricted to Registered users only Download (2MB)

Abstract

This research discusses the application of the K-Means method in data mining to recommend Pekakas products to customers, with a case study at PT. Singa Mas Mandiri. The aim of this research is to understand and predict the sales volume of tool products using the K-Means method, with the benefit of helping companies in procuring inventory, planning production, and providing information on the products most purchased by consumers. The K-Means method was chosen because of its potential in analyzing Perkakas' promotional strategies. This study also covers the concepts of Knowledge Database Discovery (KDD), Davies Bouldin Index (DBI), and RapidMiner. The results of preprocessing, modeling, evaluation and research were carried out to provide a comprehensive understanding of sales patterns and potential improvements to sales strategies for equipment products at PT. Singa Mas Mandiri. Therefore, it can be concluded that the optimal K for cluster formation is found in the sixth experiment, namely the value K = 3. This value was chosen because K = 3 produces the smallest DBI value, namely 0 0.328. Where the members of cluster 0 have 1,389 data, cluster 1 has 1 data and cluster 2 has 39 data, so the total is 1,429 data. Keywords: K-Means, Clustering, Data Mining, Product Recommendations Penelitian ini membahas penerapan metode K-Means dalam data mining untuk merekomendasikan produk Pekakas kepada pelanggan, dengan studi kasus pada PT. Singa Mas Mandiri. Tujuan dari penelitian ini adalah untuk memahami dan memprediksi volume penjualan produk perkakas menggunakan metode K-Means, dengan manfaat membantu perusahaan dalam pengadaan persediaan, perencanaan produksi, dan menyediakan informasi produk yang paling banyak dibeli oleh konsumen. Metode K Means dipilih karena potensinya dalam menganalisis strategi promosi Perkakas. Studi ini juga mencakup konsep Penemuan Basis Data Pengetahuan (KDD), Davies Bouldin Indeks (DBI), dan RapidMiner. Hasil dari praproses, pemodelan, evaluasi dan penelitian dilakukan untuk memberikan pemahaman yang komprehensif tentang pola penjualan dan potensi perbaikan strategi penjualan produk alat pada PT . Singa Mas Mandiri. Oleh karena itu, dapat disimpulkan bahwa K optimal untuk pembentukan klaster terdapat pada percobaan keenam, yaitu nilai K = 3. Nilai ini dipilih karena K =3 menghasilkan nilai DBI terkecil yaitu 0 0.328. Dimana anggota klaster 0 berjumlah 1.389 data , klaster 1 berjumlah 1 data dan klaster 2 berjumlah 39 data sehingga totalnya adalah 1.429 data. Kata Kunci: K-Means, Clustering, Data Mining, Rekomendasi Produk

Actions (login required)

View Item