HASIL DAN PEMBAHASAN
4.2 Implementasi Sistem
4.2.1 Pengujian Sistem
A. Pengujian Menggunakan Parameter Produk Makanan Ringan
Dari hasil pengujian dengan menggunakan parameter Produk Makanan Ringan, maka didapat gambaran sebagai berikut.
Gambar 4.1 Tampilan Proses K-Means Parameter Produk Makanan Ringan
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa berdasarkan produk makanan ringan ada penginputan 3 cluster yaitu cluster C1, cluster C2, dan cluster C3 yang didalamnya berisi merk produk makanan ringan. Setelah penginputan cluster tahapan selanjutnya adalah menentukan nilai centroid secara random, yaitu didapatkan nilai centroid C1 = 6, nilai centroid C2 = 5, dan nilai centroid C3 = 0. Sehingga nanti akan dilakukan penghitungan dari masing-masing merk produk makanan ringan dengan nilai centroid yang didapatkan menggunakan rumus jarak euclidean distance (jarak kedekatan antar data). Hasil dari penghitungan jarak dengan menggunakan rumus euclidean distance ini akan berpengaruh pada penempatan setiap merk produk makanan ringan ke cluster tertentu, yang nantinya akan dapat dilihat hasilnya di interface hasil pengujian jenis produk makanan ringan.
50
Gambar 4.2 Tampilan Hasil Pengujian Parameter Produk Makanan Ringan
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa penghitungan dengan menggunakan jarak euclidean distance dari merk produk makanan ringan dengan centroid telah didapatkan nilai masing-masing cluster, seperti tampilan gambaran diatas dan dari masing-masing nilai cluster C1, C2, dan C3 akan di tentukan jarak paling terkecil atau minimum untuk mengelompokkan merk produk makanan ringan, sehingga dapat diketahui pada cluster ke berapa penempatan merk produknya. Hasil dari pengelompokkan cluster merk produk dapat dilihat di interface sorting kelompok berdasarkan jenis produk makanan ringan.
51
Gambar 4.3 Tampilan Hasil Sorting Kelompok Parameter Produk Makanan Ringan
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa hasil pengelompokkan merk produk berdasarkan jenis produk makanan ringan yaitu sebagai berikut :
1. Dalam cluster C1 terdapat jumlah merk produk makanan ringan sebanyak 6 item yaitu Salt Cheese, Hello Krupuk, Hello Stick Tahu, Butter Keju, Butter Coconut dan Yupi Gumi.
2. Dalam cluster C2 terdapat jumlah merk produk makanan ringan sebanyak 5 item yaitu oreo, gery salut, Nissin wafer, Fenesia wafer, dan Beng-beng.
3. Dalam cluster C3 terdapat jumlah merk produk makanan ringan sebanyak 1 item yaitu Malkis Abon.
B. Pengujian Menggunakan Parameter Produk Minuman
Dari hasil pengujian dengan menggunakan parameter Produk Minuman, maka didapat gambaran sebagai berikut.
52
Gambar 4.4 Tampilan Proses K-Means Parameter Produk Minuman
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa berdasarkan produk minuman ada penginputan 3 cluster yaitu cluster C1, cluster C2, dan cluster C3 yang didalamnya berisi merk produk minuman. Setelah penginputan cluster tahapan selanjutnya adalah menentukan nilai centroid secara random, yaitu didapatkan nilai centroid C1 = 8, nilai centroid C2 = 3, dan nilai centroid C3 = 2. Sehingga nanti akan dilakukan penghitungan dari masing-masing merk produk minuman dengan nilai centroid yang didapatkan menggunakan rumus jarak euclidean distance (jarak kedekatan antar data). Hasil dari penghitungan jarak dengan menggunakan rumus euclidean distance ini akan berpengaruh pada penempatan setiap merk produk minuman ke cluster tertentu, yang nantinya akan dapat dilihat hasilnya di interface hasil pengujian jenis produk minuman
53
Gambar 4.5 Tampilan Hasil Pengujian Parameter Produk Minuman
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa penghitungan dengan menggunakan jarak euclidean distance dari merk produk minuman dengan centroid telah didapatkan nilai masing-masing cluster, seperti tampilan gambaran diatas dan dari masing-masing nilai cluster C1, C2, dan C3 akan di tentukan jarak paling terkecil atau minimum untuk mengelompokkan merk produk minuman, sehingga dapat diketahui pada cluster ke berapa penempatan merk produknya. Hasil dari pengelompokkan cluster merk produk dapat dilihat di interface sorting kelompok berdasarkan jenis produk minuman.
54
Gambar 4.6 Tampilan Hasil Sorting Kelompok Parameter Produk Minuman
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa hasil pengelompokkan merk produk berdasarkan jenis produk minuman yaitu sebagai berikut :
1. Dalam cluster C1 terdapat jumlah merk produk minuman sebanyak 5 item yaitu Aqua Botol, Pocari Sweat 900 ml, Pocari Sweat 500 ml, Sprite, dan Frestea.
2. Dalam cluster C2 terdapat jumlah merk produk minuman sebanyak 2 item yaitu Susu Milo dan Zee Susu Bag.
3. Dalam cluster C3 terdapat jumlah merk produk minuman sebanyak 1 item yaitu Energen.
C. Pengujian Menggunakan Parameter Produk Buah-buahan
Dari hasil pengujian dengan menggunakan parameter Produk Buah-buahan, maka didapat gambaran sebagai berikut.
55
Gambar 4.7 Tampilan Proses K-Means Parameter Produk Buah-buahan
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa berdasarkan produk buah-buahan ada penginputan 3 cluster yaitu cluster C1, cluster C2, dan cluster C3 yang didalamnya berisi merk produk buah-buahan. Setelah penginputan cluster tahapan selanjutnya adalah menentukan nilai centroid secara random, yaitu didapatkan nilai centroid C1 = 0, nilai centroid C2 = 16, dan nilai centroid C3 = 29. Sehingga nanti akan dilakukan penghitungan dari masing-masing merk produk buah-buahan dengan nilai centroid yang didapatkan menggunakan rumus jarak euclidean distance (jarak kedekatan antar data). Hasil dari penghitungan jarak dengan menggunakan rumus euclidean distance ini akan berpengaruh pada penempatan setiap merk produk buah-buahan ke cluster tertentu, yang nantinya akan dapat dilihat hasilnya di interface hasil pengujian jenis produk buah-buahan.
56
Gambar 4.8 Tampilan Hasil Pengujian Parameter Produk Buah-buahan
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa penghitungan dengan menggunakan jarak euclidean distance dari merk produk buah-buahan dengan centroid telah didapatkan nilai masing-masing cluster, seperti tampilan gambaran diatas dan dari masing-masing nilai cluster C1, C2, dan C3 akan di tentukan jarak paling terkecil atau minimum untuk mengelompokkan merk produk buah-buahan, sehingga dapat diketahui pada cluster ke berapa penempatan merk produknya. Hasil dari pengelompokkan cluster merk produk dapat dilihat di interface sorting kelompok berdasarkan jenis produk buah-buahan.
57
Gambar 4.9 Tampilan Hasil Sorting Kelompok Parameter Produk Buah-buahan
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa hasil pengelompokkan merk produk berdasarkan jenis produk buah-buahan yaitu sebagai berikut :
1. Dalam cluster C1 terdapat jumlah merk produk buah-buahan sebanyak 1 item yaitu Melon.
2. Dalam cluster C2 terdapat jumlah merk produk buah-buahan sebanyak 2 item yaitu Apel dan Kelengkeng.
3. Dalam cluster C3 terdapat jumlah merk produk buah-buahan sebanyak 1 item yaitu Belimbing.
D. Pengujian Menggunakan Parameter Produk Perawatan
Dari hasil pengujian dengan menggunakan parameter Produk Perawatan, maka didapat gambaran sebagai berikut.
58
Gambar 4.10 Tampilan Proses K-Means Parameter Produk Perawatan
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa berdasarkan produk perawatan ada penginputan 3 cluster yaitu cluster C1, cluster C2, dan cluster C3 yang didalamnya berisi merk produk perawatan. Setelah penginputan cluster tahapan selanjutnya adalah menentukan nilai centroid secara random, yaitu didapatkan nilai centroid C1 = 1, nilai centroid C2 = 3, dan nilai centroid C3 = 2. Sehingga nanti akan dilakukan penghitungan dari masing-masing merk produk perawatan dengan nilai centroid yang didapatkan menggunakan rumus jarak euclidean distance (jarak kedekatan antar data). Hasil dari penghitungan jarak dengan menggunakan rumus euclidean distance ini akan berpengaruh pada penempatan setiap merk produk perawatan ke cluster tertentu, yang nantinya akan dapat dilihat hasilnya di interface hasil pengujian jenis produk perawatan.
59
Gambar 4.11 Tampilan Hasil Pengujian Parameter Produk Perawatan
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa penghitungan dengan menggunakan jarak euclidean distance dari merk produk perawatan dengan centroid telah didapatkan nilai masing-masing cluster, seperti tampilan gambaran diatas dan dari masing-masing nilai cluster C1, C2, dan C3 akan di tentukan jarak paling terkecil atau minimum untuk mengelompokkan merk produk perawatan, sehingga dapat diketahui penempatan pada cluster ke berapa merk produknya. Hasil dari pengelompokkan cluster merk produk dapat dilihat di interface sorting kelompok berdasarkan jenis produk perawatan.
60
Gambar 4.12 Tampilan Hasil Sorting Kelompok Parameter Produk Perawatan
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa hasil pengelompokkan merk produk berdasarkan jenis produk perawatan yaitu sebagai berikut :
1. Dalam cluster C1 terdapat jumlah merk produk perawatan sebanyak 1 item yaitu Master Kids.
2. Dalam cluster C2 terdapat jumlah merk produk perawatan sebanyak 3 item yaitu Pepsodent, Lux, dan Lifebuoy.
3. Dalam cluster C3 terdapat jumlah merk produk perawatan sebanyak 1 item yaitu Handbody Marina.
E. Pengujian Menggunakan Parameter Produk Bahan Dapur
Dari hasil pengujian dengan menggunakan parameter Produk Bahan Dapur, maka didapat gambaran sebagai berikut.
61
Gambar 4.13 Tampilan Proses K-Means Parameter Produk Bahan Dapur
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa berdasarkan produk bahan dapur ada penginputan 3 cluster yaitu cluster C1, cluster C2, dan cluster C3 yang didalamnya berisi merk produk bahan dapur. Setelah penginputan cluster tahapan selanjutnya adalah menentukan nilai centroid secara random, yaitu didapatkan nilai centroid C1 = 11, nilai centroid C2 = 3, dan nilai centroid C3 = 20. Sehingga nanti akan dilakukan penghitungan dari masing-masing merk produk bahan dapur dengan nilai centroid yang didapatkan menggunakan rumus jarak euclidean distance (jarak kedekatan antar data). Hasil dari penghitungan jarak dengan menggunakan rumus euclidean distance ini akan berpengaruh pada penempatan setiap merk produk bahan dapur ke cluster tertentu, yang nantinya akan dapat dilihat hasilnya di interface hasil pengujian jenis produk bahan dapur.
62
Gambar 4.14 Tampilan Hasil Pengujian Parameter Produk Bahan Dapur
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa penghitungan dengan menggunakan jarak euclidean distance dari merk produk bahan dapur dengan centroid telah didapatkan nilai masing-masing cluster, seperti tampilan gambaran diatas dan dari masing-masing nilai cluster C1, C2, dan C3 akan di tentukan jarak paling terkecil atau minimum untuk mengelompokkan merk produk bahan dapur, sehingga dapat diketahui pada cluster ke berapa penempatan merk produknya. Hasil dari pengelompokkan cluster merk produk dapat dilihat di interface sorting kelompok berdasarkan jenis bahan dapur.
63
Gambar 4.15 Tampilan Hasil Sorting Kelompok Parameter Produk Bahan Dapur
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa hasil pengelompokkan merk produk berdasarkan jenis produk bahan dapur yaitu sebagai berikut :
1. Dalam cluster C1 terdapat jumlah merk produk bahan dapur sebanyak 3 item yaitu Gula, Royco Bumbu Tempe, dan Royco Bumbu Ayam.
2. Dalam cluster C2 terdapat jumlah merk produk bahan dapur sebanyak 2 item yaitu ABC Saos dan ABC Sambal.
3. Dalam cluster C3 terdapat jumlah merk produk bahan dapur sebanyak 1 item yaitu Indomie Goreng.
F. Pengujian Menggunakan Parameter Produk Bahan Makanan
Dari hasil pengujian dengan menggunakan parameter Produk Bahan Makanan, maka didapat gambaran sebagai berikut.
64
Gambar 4.16 Tampilan Proses K-Means Paramater Produk Bahan Makanan
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa berdasarkan produk bahan makanan ada penginputan 3 cluster yaitu cluster C1, cluster C2, dan cluster C3 yang didalamnya berisi merk produk bahan makanan. Setelah penginputan cluster tahapan selanjutnya adalah menentukan nilai centroid secara random, yaitu didapatkan nilai centroid C1 = 1, nilai centroid C2 = 5, dan nilai centroid C3 = 8. Sehingga nanti akan dilakukan penghitungan dari masing-masing merk produk bahan dapur dengan nilai centroid yang didapatkan menggunakan rumus jarak euclidean distance (jarak kedekatan antar data). Hasil dari penghitungan jarak dengan menggunakan rumus euclidean distance ini akan berpengaruh pada penempatan setiap merk produk bahan makanan ke cluster tertentu, yang nantinya akan dapat dilihat hasilnya di interface hasil pengujian jenis produk bahan makanan.
65
Gambar 4.17 Tampilan Hasil Pengujian Parameter Produk Bahan Makanan
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa penghitungan dengan menggunakan jarak euclidean distance dari merk produk bahan makanan dengan centroid telah didapatkan nilai masing-masing cluster, seperti tampilan gambaran diatas dan dari masing-masing nilai cluster C1, C2, dan C3 akan di tentukan jarak paling terkecil atau minimum untuk mengelompokkan merk produk bahan makanan, sehingga dapat diketahui pada cluster ke berapa penempatan merk produknya. Hasil dari pengelompokkan cluster merk produk dapat dilihat di interface sorting kelompok berdasarkan jenis bahan makanan.
66
Gambar 4.18 Tampilan Hasil Sorting Kelompok Parameter Produk Bahan Makanan
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa hasil pengelompokkan merk produk berdasarkan jenis produk bahan makanan yaitu sebagai berikut :
1. Dalam cluster C1 terdapat jumlah merk produk bahan makanan sebanyak 1 item yaitu Cham Seafood.
2. Dalam cluster C2 terdapat jumlah merk produk bahan makanan sebanyak 1 item yaitu Nugget.
3. Dalam cluster C3 terdapat jumlah merk produk bahan makanan sebanyak 1 item yaitu Sarden.
G. Pengujian Menggunakan Parameter Produk Perlengkapan
Dari hasil pengujian dengan menggunakan parameter Produk Perlengkapan, maka didapat gambaran sebagai berikut.
67
Gambar 4.19 Tampilan Proses K-Means Parameter Produk Perlengkapan
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa berdasarkan produk bahan perlengkapan ada penginputan 3 cluster yaitu cluster C1, cluster C2, dan cluster C3 yang didalamnya berisi merk produk bahan perlengkapan. Setelah penginputan cluster tahapan selanjutnya adalah menentukan nilai centroid secara random, yaitu didapatkan nilai centroid C1 = 4, nilai centroid C2 = 3, dan nilai centroid C3 = 2. Sehingga nanti akan dilakukan penghitungan dari masing-masing merk produk bahan perlengkapan dengan nilai centroid yang didapatkan menggunakan rumus jarak euclidean distance (jarak kedekatan antar data).
Hasil dari penghitungan jarak dengan menggunakan rumus euclidean distance ini akan berpengaruh pada penempatan setiap merk produk bahan perlengkapan ke cluster tertentu, yang nantinya akan dapat dilihat hasilnya di interface hasil pengujian jenis produk bahan perlengkapan.
68
Gambar 4.20 Tampilan Hasil Pengujian Parameter Produk Perlengkapan
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa penghitungan dengan menggunakan jarak euclidean distance dari merk produk bahan perlengkapan dengan centroid telah didapatkan nilai masing cluster, seperti tampilan gambaran diatas dan dari masing-masing nilai cluster C1, C2, dan C3 akan di tentukan jarak paling terkecil atau minimum untuk mengelompokkan merk produk bahan perlengkapan, sehingga dapat diketahui pada cluster ke berapa penempatan merk produknya. Hasil dari pengelompokkan cluster merk produk dapat dilihat di interface sorting kelompok berdasarkan jenis bahan perlengkapan.
69
Gambar 4.21 Tampilan Hasil Sorting Kelompok Parameter Produk Perlengkapan
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa hasil pengelompokkan merk produk berdasarkan jenis produk bahan perlengkapan yaitu sebagai berikut :
1. Dalam cluster C1 terdapat jumlah merk produk perlengkapan sebanyak 3 item yaitu Laurier Maxi, Hers Protex, dan Tissue.
2. Dalam cluster C2 terdapat jumlah merk produk perlengkapan sebanyak 2 item yaitu Molto dan Softener.
3. Dalam cluster C3 terdapat jumlah merk produk perlengkapan sebanyak 1 item yaitu Kayu Putih.
H. Pengujian Menggunakan Parameter Produk Obat-obatan
Dari hasil pengujian dengan menggunakan parameter Produk Obat-obatan, maka didapat gambaran sebagai berikut.
70
Gambar 4.22 Tampilan Proses K-Means Parameter Produk Obat-obatan
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa berdasarkan produk obat-obatan ada penginputan 3 cluster yaitu cluster C1, cluster C2, dan cluster C3 yang didalamnya berisi merk produk obat-obatan. Setelah penginputan cluster tahapan selanjutnya adalah menentukan nilai centroid secara random, yaitu didapatkan nilai centroid C1 = 4, nilai centroid C2 = 23, dan nilai centroid C3 = 16. Sehingga nanti akan dilakukan penghitungan dari masing-masing merk produk obat-obatan dengan nilai centroid yang didapatkan menggunakan rumus jarak euclidean distance (jarak kedekatan antar data). Hasil dari penghitungan jarak dengan menggunakan rumus euclidean distance ini akan berpengaruh pada penempatan setiap merk produk obat-obatan ke cluster tertentu, yang nantinya akan dapat dilihat hasilnya di interface hasil pengujian jenis produk obat-obatan.
71
Gambar 4.23 Tampilan Hasil Pengujian Parameter Produk Obat-obatan
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa penghitungan dengan menggunakan jarak euclidean distance dari merk produk obat-obatan dengan centroid telah didapatkan nilai masing-masing cluster, seperti tampilan gambaran diatas dan dari masing-masing nilai cluster C1, C2, dan C3 akan di tentukan jarak paling terkecil atau minimum untuk mengelompokkan merk produk obat-obatan, sehingga dapat diketahui pada cluster ke berapa penempatan merk produknya. Hasil dari pengelompokkan cluster merk produk dapat dilihat di interface sorting kelompok berdasarkan jenis obat-obatan.
72
Gambar 4.24 Tampilan Hasil Sorting Kelompok Parameter Produk Obat-obatan
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa hasil pengelompokkan merk produk berdasarkan jenis produk obat-obatan yaitu sebagai berikut :
1. Dalam cluster C1 terdapat jumlah merk produk perlengkapan sebanyak 1 item yaitu Antimo Cair.
2. Dalam cluster C2 terdapat jumlah merk produk perlengkapan sebanyak 1 item yaitu Panadol.
3. Dalam cluster C3 terdapat jumlah merk produk perlengkapan sebanyak 1 item yaitu Bodrex.
I. Pengujian Menggunakan Parameter Produk Rokok
Dari hasil pengujian dengan menggunakan parameter Produk Rokok, maka didapat gambaran sebagai berikut.
73
Gambar 4.25 Tampilan Proses K-Means Parameter Produk Rokok
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa berdasarkan produk rokok ada penginputan 3 cluster yaitu cluster C1, cluster C2, dan cluster C3 yang didalamnya berisi merk produk rokok. Setelah penginputan cluster tahapan selanjutnya adalah menentukan nilai centroid secara random, yaitu didapatkan nilai centroid C1 = 3, nilai centroid C2 = 17, dan nilai centroid C3 = 5. Sehingga nanti akan dilakukan penghitungan dari masing-masing merk produk rokok dengan nilai centroid yang didapatkan menggunakan rumus jarak euclidean distance (jarak kedekatan antar data). Hasil dari penghitungan jarak dengan menggunakan rumus euclidean distance ini akan berpengaruh pada penempatan setiap merk produk rokok cluster tertentu, yang nantinya akan dapat dilihat hasilnya di interface hasil pengujian jenis produk rokok.
74
Gambar 4.26 Tampilan Hasil Pengujian Parameter Produk Rokok
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa penghitungan dengan menggunakan jarak euclidean distance dari merk produk rokok dengan centroid telah didapatkan nilai masing-masing cluster, seperti tampilan gambaran diatas dan dari masing-masing nilai cluster C1, C2, dan C3 akan di tentukan jarak paling terkecil atau minimum untuk mengelompokkan merk produk rokok, sehingga dapat diketahui pada cluster ke berapa penempatan merk produknya. Hasil dari pengelompokkan cluster merk produk dapat dilihat di interface sorting kelompok berdasarkan jenis rokok.
75
Gambar 4.27 Tampilan Hasil Sorting Kelompok Parameter Produk Rokok
Keterangan :
Dari hasil gambaran diatas dapat diketahui bahwa hasil pengelompokkan merk produk berdasarkan jenis produk rokok yaitu sebagai berikut :
1. Dalam cluster C1 terdapat jumlah merk produk rokok sebanyak 1 item yaitu Wismilak.
2. Dalam cluster C2 terdapat jumlah merk produk rokok sebanyak 1 item yaitu Djarum.
3. Dalam cluster C3 terdapat jumlah merk produk rokok sebanyak 1 item yaitu Promild