Klasterisasi Produk Berdasarkan Data Penjualan Menggunakan Algoritma K-Means Dengan Penentuan Centroid Awal

Risaldi Istighfariansyah, Maftahatul Hakimah, Muchamad Kurniawan

Abstract

Kondisi pandemi pada awal Tahun 2020 membuat pada pemilik usaha terutama usaha kuliner memasang strategi untuk membuat produknya laku. Hal tersebut terjadi di salah satu Café di Surabaya dimana dalam kurun waktu satu tahun pada periode tahun 2020, tingkat penjualan suatu produk yang ditawarkan kurang maksimal. Salah satu strategi yang bisa diambil dan dibahas pada penelitian ini adalah memetakan produk penjualan mulai yang paling laku sampai dengan yang kurang laku. Pemetaan tersebut bisa dilakukan dengan pendekatan klasterisasi. Penelitian ini menerapkan metode yang sederhana dan efektif dalam klasterisasi yakni K-Means. K-means merupakan salah satu partition-based clustering yang bekerja dengan cara menentukan secara acak centroid dari tiap cluster kemudian tiap instance akan dikelompokkan ke dalam cluster dengan jarak terdekat. Namun Metode K-Means memiliki kekurangan yaitu penentuan centroid awal dengan acak. Sehingga, penelitian ini menerapkan K-Means Dengan Penentuan Centroid Awal. Berdasarkan hasil pengujian, K-Means Dengan Penentuan Centroid Awal bisa meningkatkan nilai Davies bouldin index (DBI) dari K-Means Standart sebesar 71,68% dan dapat menurunkan nilai Sum of Squared Error (SSE) dari K-Means Standart sebesar 35,73%.

Keywords

k-means, mean, varians, DBI, centroid awal

Full Text:

PDF

References

Q. Han and E. Al., “Vector partitioning quantization utilizing K-means clustering for physical layer secret key generation.,” Inf. Sci. (Ny)., vol. 512, pp. 137–160, 2020.

S. N. Gama, I. Cholissodin, and M. T. Furqon, “Clustering Portal Jurnal International untuk Rekomensari Publikasi Berdasarkan Kualitas Cluster Menggunakan Kernel K-Means,” Progr. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 5, no. 1, 2015.

E. Ongko, “Perbaikan Performance K-Means Melalui Perbaikan Penentuan Centroid,” J. Ilm. CORE IT, vol. 9, no. 2, 2020.

A. Aprilia, W. M. Rahmawati, and M. Hakimah, “Penentuan Kategori Status Gizi Balita Menggunakan Penggabungan Metode Klasterisasi Agglomerative Dan K-Means,” Semin. Nas. Sains dan Teknol. Terap. VII - Inst. Teknol. Adhi Tama Surabaya, pp. 595–600, 2019.

M. A. Lakshmi, G. V. Daniel, and D. S. Rao, “Initial centroids for k-means using nearest neighbors and feature means,” 2019.

S. Manochandar, M. Punniyamoorthy, and R. K. Jeyachitra, “Development of new seed with modified validity measures for k-means clustering,” Comput. Ind. Eng., vol. 141, 2020.

Y. Yu, S. A. Velastin, and F. Yin, “Automatic grading of apples based on multi-features and weighted K-means clustering algorithm,” Inf. Process. Agric., vol. 7, no. 4, pp. 556–565, 2020, doi: 10.1016/j.inpa.2019.11.003.

R. R. Muhima and E. Al., “An improved clustering based on K-means for hotspots data,” Indones. J. Electr. Eng. Comput. Sci., vol. 31, no. 2, pp. 1109–1117, 2023.

Y. Agusta, “K-means–penerapan, permasalahan dan metode terkait,” J. Sist. dan Inform., vol. 3, no. 1, pp. 47–60, 2007.

Refbacks

  • There are currently no refbacks.