Penerapan Data Mining Untuk Prediksi Penjualan Roti Terlaris Menggunakan Metode K-Nearest Neighbor
-
Arifin Munthe
*
Universitas Al Washliya Labuhanbatu,
Indonesia
- Kusmanto Universitas Al Washliyah Labuhanbatu, Indonesia
- Basyarul Ulya Universitas Al Washliyah Labuhanbatu, Indonesia
Abstract
Penelitian ini dilakukan untuk memprediksi penjualan roti terlaris menggunakan metode K-Nearest Neighbor (KNN) pada Pabrik Roti SAMAWA Rantauprapat. Dengan memanfaatkan teknik data mining, penelitian ini bertujuan memberikan informasi yang akurat bagi pengambilan keputusan penjualan. Data mining merupakan proses untuk menemukan pola tersembunyi dalam data, sedangkan metode KNN adalah algoritma klasifikasi yang bekerja berdasarkan kedekatan jarak antar data. Model klasifikasi ini efektif untuk menganalisis data numerik dan memetakan data baru berdasarkan data historis. Penelitian ini menggunakan pendekatan kuantitatif dengan tahapan pengumpulan data, preprocessing, pembagian data training dan testing, serta evaluasi model menggunakan aplikasi Orange. Data yang digunakan sebanyak 150 data penjualan, dan analisis dilakukan dengan menggunakan algoritma KNN untuk proses klasifikasi. Hasil klasifikasi menunjukkan bahwa dari 100 data testing, sebanyak 59 diklasifikasikan sebagai "laris" dan 41 sebagai "tidak laris". Evaluasi model menghasilkan nilai akurasi sebesar 85% dan AUC sebesar 0,948, yang menunjukkan performa model cukup tinggi. Berdasarkan hasil tersebut, dapat disimpulkan bahwa metode KNN efektif digunakan dalam memprediksi penjualan roti terlaris. Model ini diharapkan dapat membantu pihak pabrik dalam mengelola stok dan strategi pemasaran dengan lebih baik.
References
Aritonang, M. (2021). Penerapan Algoritma ID3 dalam Prediksi Kebutuhan Pupuk. 2(4), 247–253.
Bahtiar, R. (2023). Implementasi Data Mining Untuk Prediksi Penjualan Kusen Terlaris Menggunakan Metode K-Nearest Neighbor. Jurnal Informatika MULTI, 1(3), 203–214. Retrieved from https://jurnal.publikasitecno.id/index.php/jim203
Cahyanti, D., Rahmayani, A., & Ainy, S. (2020). Analisis performa metode Knn pada Dataset pasien pengidap Kanker Payudara. 1(2), 39–43.
Di, K. N., Pratama, K. P. P., Dua, C., Studi, P., Akuntansi, K., & Cirebon, S. I. (2021). JURNAL DATA SCIENCE & INFORMATIKA ( JDSI ) Klasifikasi Pemberian Sanksi Pajak Dengan Metode. 1(2), 41–45.
Fatma, N., & Harahap, S. Z. (2024). Analysis of Public Interest in Automatic Motorcycles Using KNN and Neural Network Methods. 8(2), 1178–1187.
Forest, R., & Bayes, N. (2021). Perbandingan Akurasi , Recall , dan Presisi Klasifikasi pada Algoritma. 5(April), 640–651. https://doi.org/10.30865/mib.v5i2.2937
Gatto, P. A., Maulana Awangga, R., & Andarsyah, R. (2023). Diagnosis Penyakit Demam Berdarah Menggunakan Naïve Bayes. JATI (Jurnal Mahasiswa Teknik Informatika), 7(3), 1676–1681. https://doi.org/10.36040/jati.v7i3.6891
Mar’i, F., Husenti, N., Brilian, R. R., & Gumilang, A. (2023). Pelatihan Pemahaman Implementasi Teori Euclidean Distance dalam Metode K-Nearest Neighbour (K-NN) untuk Komputasi Cerdas bagi Siswa SMA. IJCOSIN: Indonesian Journal of Community Service and Innovation, 3(2), 42–48. https://doi.org/10.20895/ijcosin.v3i2.1124
Maruli Tua Silaen. (2023). Klasifikasi Karakteristik Kepribadian Siswa Berdasarkan the Big Five Personality Dengan Menggunakan Metode K- Nearest Neighbor (Knn). Jurnal Informatika Dan Rekayasa Elektronik, 6(1), 121–129. https://doi.org/10.36595/jire.v6i1.860
Mulyanto, A., Susanti, E., Rossi, F., Wajiran, W., & Borman, R. I. (2021). Penerapan Convolutional Neural Network (CNN) pada Pengenalan Aksara Lampung Berbasis Optical Character Recognition (OCR). Jurnal Edukasi Dan Penelitian Informatika (JEPIN), 7(1), 52. https://doi.org/10.26418/jp.v7i1.44133
Pangestu, R. A., & Noris, S. (2023). Analisa Data Mining Prediksi Lelang Suku Cadang Dengan Metode K-NearestNeighbor (Studi Kasus PT. Parmud Jaya Perkasa). Jurnal Informatika Multi, 1(4), 285–295.
Puspita, R., & Widodo, A. (2021). Perbandingan Metode KNN, Decision Tree, dan Naïve Bayes Terhadap Analisis Sentimen Pengguna Layanan BPJS. Jurnal Informatika Universitas Pamulang, 5(4), 646. https://doi.org/10.32493/informatika.v5i4.7622
Retnoningsih, E., & Pramudita, R. (2020). Mengenal Machine Learning Dengan Teknik Supervised Dan Unsupervised Learning Menggunakan Python. Bina Insani Ict Journal, 7(2), 156. https://doi.org/10.51211/biict.v7i2.1422
Ridwan, A. (2020). Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus. Jurnal SISKOM-KB (Sistem Komputer Dan Kecerdasan Buatan), 4(1), 15–21. https://doi.org/10.47970/siskom-kb.v4i1.169
Setiawan, A., Rabi, A., & Gumilang, Y. S. A. (2024). Pengolahan Citra untuk Sortir Buah Stroberi Berdasarkan Kematangan Menggunakan Algoritma K-Nearst Neighbors (KNN). Blend Sains Jurnal Teknik, 2(4), 322–328. https://doi.org/10.56211/blendsains.v2i4.551
Widya Utami, N., & Artana, M. (2022). Text Mining Dalam Analisis Sentimen Pembelajaran Daring Di Masa Pandemi Covid 19 Menggunakan Algoritma K-Nearest Neighbor. Jurnal Informatika Teknologi Dan Sains, 4(2), 140–148. https://doi.org/10.51401/jinteks.v4i2.2034
Yudianto, M. R. A., Kusrini, K., & Al Fatta, H. (2020). Analisis Pengaruh Tingkat Akurasi Klasifikasi Citra Wayang dengan Algoritma Convolitional Neural Network. Jurnal Teknologi Informasi, 4(2), 182–191. https://doi.org/10.36294/jurti.v4i2.1319
Copyright (c) 2025 Arifin Munthe, Kusmanto, Basyarul Ulya
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under Creative Commons Attribution 4.0 International License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (Refer to The Effect of Open Access).
.png)
.png)
