Pengelompokan Data Penjualan Barang dengan metode
Algoritma Fuzzy C-means Clustering
Diajuakan Sebagai Syarat Untuk Menyelesaikan Pendidikan Program Strata-1 Pada
Jurusan Tenik Informatika
Oleh :
ADIKUASA MANGKUALAM NIM : 09021381520081
Jurusan Teknik Informatika
FAKULTAS ILMU KOMPUTER UNIVERSITAS SRIWIJAYA 2020
v
MOTTO DAN PERSEMBAHAN
“the best revenge is to improve yourself”
(Ali bin Abi Talib)
“Kejahatan akan menang.
bila orang benar tidak melakukan apa-apa”
(Jenderal Soedirman)
Saya persembahkan karya tulis ini kepada :
Allah SWT
Kedua orang tua saya dan
seluruh keluarga besar saya
Unggang dan Kajut dusun gunung
kuripan dan telme
Teman-teman seperjuangan
yang saya banggakan
Dosen Pembimbing Fakultas Ilmu Komputer Toko PD serasi Way Hitam
vi
ITEM SALES DATA CLUSTERING WITH FUZZY C-MEANS
CLUSTERING ALGORITHM METHOD
By :
Adikuasa Mangkualam
09021381520081
ABSTRACT
Clustering or grouping is one of the techniques in data mining, which performs the process of grouping data based on the level of similarity. The greater the level of data similarity, it will be placed in the same cluster. There are many clustering techniques, one of which is Fuzzy C-Means. Fuzzy C-Means (FCM) is a clustering technique in which the existence of each data point in a cluster is determined by the degree of membership. FCM is a supervised clustering technique, where the number of clusters to be formed has been determined at the beginning of the clustering process. When established, it is necessary to validate the number of clusters, one of which is the validation technique for the number of clusters using the Xie Beni Index (XBI) method, which uses the distance between clusters and the amount of data to determine the XB index value. used, then the number of clusters is more optimal. This research raises a case study of item sales data with the item number attributes Fresh, milk, grocery, Frozen, Detergent paper, Delicassen. The results of this study are the formation of a system capable of clustering data on sales of goods using the FCM technique. , after that validate the number of clusters used un To find out the value of XB. After several clustering processes were carried out with different number of groups, then the xb value of each cluster was compared and the smallest Xb value and the optimal number of groups were sought.
Keywords: Goods Sales Data, Min Max Normalization, Fuzzy C-Means Clustering, Xie Beni Index.
vii
PENGELOMPOKAN DATA PENJUALAN BARANG DENGAN
METODE ALGORITMA FUZZY C-MEANS CLUSTERING
Oleh:
Adikuasa Mangkualam
09021381520081
ABSTRAK
Clustering atau Pengelompokan adalah salah satu dari beberapa teknik yang digunakan dalam data mining, yaitu melakukan processing pengelompokan data berdasarkan tingkat kemiripannya. Semakin besar tingkat kemiripan data,maka akan ditempatkan di cluster (kelompok) yang sama.Terdapat banyak teknik clustering, salah satunya Fuzzy C-Means. Fuzzy C-Means Clustering(FCM) ialah teknik clustering yang dimana keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat keanggotaan.FCM merupakan teknik clustering yang terawasi,dimana jumlah cluster yang ingin dibentuk sudah ditentukan di awal proses clustering.Karena jumlah cluster yang dibentuk sudah ditentukan,maka diperlukan adanya validasi jumlah cluster tersebut,salah satunya teknik validasi jumlah cluster metode Xie Beni Index(XBI),dimana memanfaatkan jarak antar cluster dan jumlah data untuk menentukan nilai indeks XB.Semakin Kecil nilai indeks XB pada suatu jumlah cluster yang digunakan ,maka jumlah cluster tersebut semakin optimal.Penelitian ini mengangkat studi kasus data penjualan barang dengan atribut angka item Fresh, milk, grocery, Frozen,
Detergent paper, Delicassen hasil penelitian ini adalah terbentuknya sebuah system yang mampu melakukan clustering data penjualan barang menggunakan
teknik FCM,setelah itu melakukan validasi jumlah cluster yang digunakan untuk mengetahui nilai XB.Setelah dilakukan beberapa proses clustering dengna jumlah kelompok yang berbeda beda ,kemudian nilai xb dari tiap-tiap cluster dibandingkan dan dicari nilai Xb terkceil dan jumlah kelompok yang optimal. Kata Kunci: Data Penjualan Barang, Normalisasi Min Max,Fuzzy C-Means Clustering,Xie Beni Index.
viii
KATA PENGANTAR
Puji syukur kepada Allah SWT atas berkat dan limpahan rahmat-Nya yang telah memberikan kepada penulis sehingga dapat untuk menyelesaikan Skripsi ini dengan baik.Skripsi ini dibuat untuk memenuhi salah satu syarat guna menyelesaikan pendidikan program Strata-1 pada Fakultas Ilmu Komputer Program Studi Teknik Informatika di Universitas Sriwijaya.
Dalam menyelesaikan Skripsi ini banyak pihak yang telah memberikan bantuan dan dukungan baik secara langsung dan secara tidak langsung.saya sebagai Penulis ingin menyampaikan rasa terima kasih banyak kepada:
1. Kedua Orang tua saya,kajut unggang dusun gunung kuripan dan telme,keluarga besar wak zuryatini dan wak zamrud,keluarga besar wak oul dan wak andi,dan seluruh keluarga besar dari ayah dan ibu saya,yang telah memberikan dukungan baik berupa nasehat , saran dan maupun materil.
2. Bapak Jaidan Jauhari,M.T selaku Dekan Fakultas Ilmu Komputer Universitas Sriwijaya,bapak Rifkie Primartha,M.T selaku ketua Jurusan Teknik Informatika,dan Ibu Hardini Novianti,M.T selaku Sekretaris Jurusan Teknik Informatika.
3. Ibu Dian Palupi Rini, M.Kom,.Ph.D. sebagai Pembimbing Satu dan ibu Rizki Kurniati M.T. sebagai Pembimbing Dua serta bapak Kanda Januar M.T. selaku pembimbing akademik yang telah membimbing,
ix
mengarahkan,dan memberikan motivasi penulis dalam proses masa perkuliahan dan pengerjaan Skripsi.
4. Ibu Novi Yusliani,S.Kom.,M.T. selaku penguji saya yaitu Dosen Satu ,dan Bapak Danny Matthew Saputra,S.T.,M.Sc. sebagai penguji saya yaitu Dosen Dua yang telah memberikan masukan dan dorongan dalam proses pengerjaan Skripsi.
5. Seluruh Dosen di Program Studi saya yaitu Teknik Informatika Fakultas Ilmu Komputer Universitas Sriwijaya.
6. Mbak Wiwin serta Pak Toni Haikal dan seluruh Staf Tata Usaha yang telah membantu dalam kelancaran proses administrasi dan akademik selama masa perkuliahan saya.
7. Guru saya yang terdahulu SD,SMP,SMA dan pemerintah beserta masyarakat Belitung tempat Saya dibesarkan yang telash memberikan dukungan dan pembelajaran di masa saya sekolah.
8. Teman-Teman saya di IF khususnya di IFBIL 2015 yang saya banggakan dan saya cintai yang telah membantu dan berbagi sebuah cerita sedih,senang dll selama masa perkuliahan.
9. BPH HMIF dan Organisasi lainya yang telah memberikan waktu luang yang positif kepada penulis untuk berkembang menjadi lebih baik.
10. Semua Kalangan Pendukung perkuliahan saya yang tidak dapat saya sebut nama dan gelarnya, terima kasih banyak.
x
kekurangan disebabkan keterbatasan baik dalam pengetahuan dan pengalaman penulis,oleh karena itu kritik dan saran yang membangun sangat diharapkan untuk perkembangan penelitian selanjutnya.
Akhir kata semoga Skripsi ini dapat berguna dan bermamfaat bagi semuanya.
Palembang, July 2020
xi DAFTAR ISI
Halaman
LEMBAR PENGESAHAN SKRIPSI ... ii
TANDA LULUS UJIAN SKRIPSI ... iii
HALAMAN PERNYATAAN ... iv
MOTTO DAN PERSEMBAHAN ... v
ABSTRAC ... vi
ABSTRAK ... vii
KATA PENGANTAR ... viii
DAFTAR ISI ... ix
DAFTAR TABEL ... xvii
DAFTAR GAMBAR ... xix
DAFTAR LAMPIRAN ... xxi BAB I ... I-1 PENDAHULUAN ... I-1 1.1. Pendahuluan ... I-1 1.2. Latar Belakang ... I-1 1.3. Rumusan Masalah ... I-4 1.4. Tujuan Penelitian ... I-4 1.5. Manfaat Penelitian ... I-5 1.6. Batasan Masalah... I-5 1.7. Sistematika Penulisan ... I-6 1.8. Kesimpulan ... I-7
xii
BAB II ... II-1
LANDASAN TEORI ... II-1 2.1. Pendahuluan ... II-1 2.2.Landasan Teori ... II-1 2.2.1.Pengelompokkan(Clustering) ... II-1 2.2.2. Fuzzy Clustering ... II-2 2.2.3.Penjualan ... II-3 2.2.4.Fuzzy C-Means ... II-5 2.2.5. XBI(Xie and Beni Index) ... II-8 2.3.Penelitian bentuk lain yang Relevan ... II-9 2.4. Kesimpulan ... II-12 BAB III ... III-1 METODE PENELITIAN ... III-1 3.1.Pendahuluan ... III-1 3.2.Unit Penelitian ... III-1 3.3.Pengumpulan Data ... III-2 3.4.Tahapan pada Penelitian ... III-3 3.4.1. Membuat Kerangka Kerja ... III-7 3.4.2. Membuat Bentuk Pengujian ... III-8 3.4.3. Membuat Format bentuk Data ... III-9 3.4.4. Menyiapkan Alat yang Digunakan ... III-9
xiii
dalam Pelaksanaan Penelitian ... III-9 3.4.5. Membuat Pengujian Penelitian ... III-10 3.4.6. Melakukan Pengujian dan kemudian Membuat ... III-10 Kesimpulan dari Penelitian ... III-10 3.5.Metode Pengembangan Perangkat Lunak ... III-11 3.5.1.Rational Unified Process (RUP) ... III-11 3.5.2.Fase Insepsi ... III-12 3.5.3.Fase Elaborasi ... III-13 3.5.4.Fase Konstruksi ... III-13 3.5.5.Fase Transisi ... III-14 3.6.Manajemen Proyek Penelitian... III-15 BAB IV ... IV-1 PENGEMBANGAN PERANGKAT LUNAK ... IV-1 4.1 Pendahuluan ... IV-1 4.2 Rational Unified Process (RUP) ... IV-1 4.2.1 Fase Insepsi ... IV-1 4.2.1.1 Pemodelan Bisnis ... IV-2 4.2.1.2 Kebutuhan Sistem ... IV-3 4.2.1.2.1 Fitur Login ke dalam database ... IV-3 4.2.1.2.2 Fitur Kelola Data Penjualan ... IV-3 4.2.1.3 Analisis Desain ... IV-5 4.2.1.3 Analisis Kebutuhan perangkat lunak ... IV-5
xiv
4.2.1.3.2 Analisis Data ... IV-6 4.2.1.3.3 Analisis Pemprosesan Data ... IV-6 Menggunakan Fuzzy C-means ... IV-6 4.2.2 Fase Elaborasi ... IV-24
4.2.2.1 Pemodelan Bisnis ... IV-25 4.2.2.1.1 Perancangan Data ... IV-25 4.2.2.1.2 Perancangan Antarmuka ... IV-25 4.2.2.2 Kebutuhan Sistem ... IV-28 4.2.2.3 Diagram ... IV-28 4.2.2.3.1 Diagram Aktivitas ... IV-29 4.2.2.3.2 Diagram Sequence ... IV-36 4.2.3 Fase Konstruksi ... IV-41 4.2.3.1 Kebutuhan Sistem ... IV-41 4.2.3.2 Diagram Kelas ... IV-41 4.2.3.3 Implementasi ... IV-43 4.2.3.3.1 Implementasi Kelas ... IV-43 4.2.3.3.2 Implementasi Antarmuka ... IV-45 4.2.4 Fase Transisi ... IV-47 4.2.4.1 Pemodelan Bisnis ... IV-47 4.2.4.2 Kebutuhan Sistem ... IV-47
xv
4.2.4.3 Rencana Pengujian ... IV-48 4.2.4.3.1 Perencanaan Use Case ... IV-48 kelola Data Penjualan ... IV-48 4.2.4.3.2 Perencanaan ... IV-50
Use Case Angka dari Parameter ... IV-50
4.2.4.3.4 Perencanaan Use Case ... IV-51 Melihat Clustering ... IV-51 4.2.4.3.5 Perencanaan Pengujian Use Case ... IV-52 Pengelompokan Dataset ... IV-52 terhadap Fuzzy C-Means... IV-52 4.2.4.4.1 UseCase ... IV-53 Kelola Data Penjualan ... IV-53 4.2.4.4.3 Usecase ... IV-57 Masukkan Angka Parameter ... IV-57 4.2.4.4.4 Use Case ... IV- 59
Melihat Hasil Clustering ... IV-59 4.2.4.4.5 Use Case ... IV-60 Pengelompokkan Dataset Penjualan ... IV-60 Dari method FCM ... IV-60 4.3 Kesimpulan ... IV-61
xvi
BAB V ... V-1 HASIL DAN ANALISIS PENELITIAN ... V-1 5.1 Pendahuluan ... V-1 5.2 Hasil Percobaan Penelitian ... V-1 5.3 Hasil Pengujian Jumlah Cluster Optimal ... V-2 5.4 Hasil Pengujian ... V-5 5. Kesimpulan ... V-7 BAB VI ... VI-1 KESIMPULAN DAN SARAN ... VI-1 6.1 Pendahuluan ... VI-1 6.2 Kesimpulan ... VI-1 6.3 Saran ... VI-2
xvii
DAFTAR TABEL
Halaman Tabel III.1. Rancangan Data input ... III-9 Tabel III-2. Rancangan Tabel Hasil Pengujian ... III-10 Tabel III-3. Tabel Value Index setiap pusat Cluster ... III-10 Tabel III-4. Jadwal atau... III-15 Work Breakdown Structure (WBS) ... III-15 Tabel IV-1 Kebutuhan Fungsional PL ... IV-4 Tabel IV-2. Kebutuhan Non-Fungsional PL ... IV-4 Tabel IV-3. Data Sebelum Proses Normalisasi ... IV-3 Tabel IV-4 Data Normalisasi ... IV-7 Tabel IV-5 Membangkitkan nilai Matriks ... IV-9 Tabel IV-6 Cluster... IV-9 Tabel IV-7 Data sudah dinormalisasi ... IV-10 Tabel IV-8 Nilai pusat cluster ... IV-10 Tabel IV-9 Fungsi Objektif ... IV-11 Tabel IV-6. Pusat cluster pada iterasi ke-10 ... IV-13 Tabel IV-7. Hasil Clustering Fuzzy C-Means... IV-14 Tabel IV-8 pengujian berdasarkan Use Case ... IV-48 Kelola Data Penjualan ... IV-48 Tabel IV-9 rencana Pengujian untuk ... IV-50
xviii
Tabel IV-10 rencana pengujian untuk ... IV-51
use case melihat hasil Clustering ... IV-51
Tabel IV-11. Rencana Pengujian Use ... IV-51 Case Pengelompokkan Data dengan Fuzzy C-Means. ... IV-51 Tabel IV-12.Pengujian use case Input Nilai parameter ... IV-57 Tabel IV-13 Pengujian Use case Melihat Hasil Clustering ... IV-59 Tabel IV-14 Pengujian Use Case Pengelompokkan ... IV-60
Data Penjualan ... IV-60
Tabel V-1.Proses Perhitungan XBI ... V-3 Tabel V-2.Perhitungan Nilai Xie-Beni Index pada 2 cluster ... V-4 Tabel V-3.Hasil Perhitungan Nilai Rata-Rata XBI Tiap Cluster ... V-5
xix
DAFTAR GAMBAR
Halaman Gambar III-1. Diagram Tahapan Penelitian ... III-6 Gambar III-2. Kerangka Kerja Program ... III-7 Gambar IV-1. Diagram Use Case ... IV-15 Gambar IV-2 Rancangan antarmuka Kelola Data penjualan ... IV-26 Gambar IV-3 Rancangan antarmuka halaman ... IV-27 Gambar IV-4 untuk menambahkan Data Penjualan... IV-30 Gambar IV-5 untuk mengedit data Penjualan ... IV-31 Gambar IV-6 untuk menghapus data penjualan ... IV-32 Gambar IV-7 Diagram aktifitas Input nilai parameter ... IV-33 Gambar IV-8 Diagram aktifitas melihat hasil ... IV-34 Clustering dan nilai Index ... IV-34 Gambar IV-9 Diagram aktifitas Pengelompokkan ... IV-35 data dengan fuzzy c-means ... IV-35 Gambar IV-10 Sequence kelola data Penjualan ... IV-37 Gambar IV-11 Sequence untuk masukkan ... IV-38 angka parameter ... IV-38 Gambar IV-12 menggambarkan diagram sequence ... IV-39 untuk melihat hasil Clustering ... IV-39 Gambar IV-13 Diagram sequence untuk pengelompokkan ... IV-40 data dengan FCM ... IV-40 Gambar IV-14 Diagram Untuk menunjukkan hubungan antar kelas.. IV-41
xx
Gambar IV-15 halaman kelola data ... IV-45 Gambar IV-16. perhitunganFCM ... IV-46
xxi
DAFTAR LAMPIRAN
Halaman
L-1 Hasil Pengujian XBI ... 1
L-2 Data Barang Penjualan ... 2
L-3 Hasil dari Pengujian Fuzzy C-Means Clustering ... 4
1
BAB I
PENDAHULUAN
1.1. Pendahuluan
Pada bab pertama, membahas tentang bentuk penelitian, seperti latar belakang dari penelitian, rumusan dari masalah, tujuan penelitian dan manfaat dari penelitian ,hingga batasan atau ruang lingkup yang diteliti,Bentuk Sistematis penelitian serta kesimpulan.
Pendahuluan diawali dengan latar belakang penelitian tentang pentingnya pengelompokan data penjualan barang dengan metode Fuzzy C-Means Clustering untuk mendapatkan sebuah hasil dari pengelompokan yang tepat berdasarkan perhitungan dari metode yang digunakan tersebut, serta penjelasan penelitian yang berkaitan dengan Fuzzy C-Means Clustering.
1.2. Latar Belakang
Data Barang untuk proses perhitungan yang digunakan bergerak dalam bidang penjualan peralatan rumah tangga yang memiliki sistem seperti pada swalayan yaitu pembeli mengambil sendiri barang yang akan dibeli.Data penjualan penjualan tersebut selama ini tidak tersusun dengan baik, sehingga data tersebut hanya berfungsi sebagai arsip penyimpanan data dan tidak dapat dimanfaatkan untuk pengembangan strategi pemasaran.
2
Para produsen perlu menerapkan strategi untuk meningkatkan mutu produk dan melakukan inovasi layanan terbaik dalam menghasilkan produk yang kreatif untuk memenangkan persaingan dengan kompetitor (Kurniawaty, Djunaidy, & Kusumawardani, 2014). Dalam rangka menghadapi persaingan dalam pemasaran guna menghasilkan Benefit yang lebih di bidang bisnis tertentu, penambahan stok barang, dan melakukan peningkatan pada penjualan barang yang akan dijual.
Kondisi yang terjadi tersebut membuat konsumen memiliki peluang untuk melihat aspek pembeda antara minuman dalam kemasan satu dengan lainnya. Salah satu aspek pembeda adalah merek (brand). Perbedaan tersebut berupa manfaat yang dikaitkan dengan kinerja produk dari merek atau yang digambarkan dalam sebuah merek (Nugrahaini, Adiarni, & Najamuddin, 2014).
Konsumen dan pelaku bisnis sudah memahami bahwa merek itu sangat berguna untuk penunjang keberhasilan penjualan produk barang atau jasa. Permasalahannya adalah bagaimana cara memilih, membuat atau menetapkan merek suatu produk barang atau jasa yang tepat (Goyena, 2019).
Dilihat dari sebuah permasalahan yang ada di dalam perusahaan, maka diperlukan sebuah perencanaan yang baik dan tepat untuk dijadikan aturan atau prinsip bagi segmen perusahaan dalam menjalankan sebuah project yang dibuat oleh perusahaan (Wibowo, Arifin, & Sunarti, 2015).
3
Data-data yang telah tersedia dapat dijadikan sebagai sistem pengambilan keputusan untuk solusi bisnis serta dukungan infrastruktur di bidang teknologi yang penyebab munculnya suatu teknologi data mining.
Teknik data mining dapat digunakan untuk memprediksi berdasarkan data-data masa lalu dan sekaligus proses untuk menemukan pola yang berguna dan kecenderungan di dalam kumpulan data yang besar (Saifudin, 2018)
Data mining berguna untuk memberikan solusi kepada para pengambil keputusan dalam bisnis guna meningkatkan bisnis perusahaan. Dalam data mining terdapat banyak sekali algoritma atau metode yang dapat dan bisa digunakan salah satunya yaitu algoritma Fuzzy C-Means yang termasuk dalam aturan Pengelompokan dalam data mining. Algoritma Fuzzy C-Means yang bertujuan untuk menemukan Cluster terbesar dan terkecil pada sekumpulan data.
Klasterisasi atau clustering adalah proses pengelompokan himpunan data ke dalam beberapa grup atau klaster sedemikian hingga objek-objek dalam suatu klaster memiliki kemiripan yang tinggi,namun sangat berbeda(memiliki ketidakmiripan yang tinggi) dengan objek-objek di klaster-klaster lainnya (Rani, Puspita, & Nhita, 2018). Algoritma Fuzzy C-Means didefinisikan suatu proses untuk menemukan suatu aturan Cluster yang memenuhi syarat sehingga memiliki nilai cluster yang dapat dikemlompokan.
Berdasarkan penelitian yang telah dilakukan sebelumnya akan dibuat penelitian Clustering untuk pengelompokan Data Penjualan barang dengan metode Algoritma Fuzzy C-Means Clustering.
4
1.3. Rumusan Masalah
Identifikasi permasalahan dalam penelitian ini yaitu melakukan penerapan
data mining dengan penggunaan algoritma fuzzy c-means dalam sebuah bentuk
pengelompokan atau Clustering untuk melakukan pengelompokan data penjulan barang dengan metode Fuzzy C-Means Clustering berdasarkan Faktor perhitungan data yang digunakan nanti pada data penjualan barang-barang.
Maka rumusan masalah dalam pembuatan penelitian ini adalah sebagai berikut:
1. Bagaimana penggunaan penerapan metode Fuzzy C-means dalam bentuk pengelompokkan data penjualan barang yang digunakan? 2. Bagaimana Menentukan jumlah cluster optimum dari penggunaan
Metode yang digunakan dalam pengelompokan data penjualan barang?
1.4. Tujuan Penelitian
Berdasarkan penyesuaian dari Latar Belakang yang telah dibuat di atas, Penelitian yang dilakukan nanti akan memiliki tujuan:
1. Menerapkan penggunaan dari metode Algoritma fuzzy c-means dalam kasus pengelompokkan data penjualan barang yang digunakan.
2. Menghasilkan sebuah Output untuk mengetahui nilai terbaik dari data penjualan barang yang digunakan.
5
3. Memperoleh hasil nilai optimum dari penggunaan penerapan Data mining terhadap metode algoritma Fuzzy C-Means dalam pengelompokan data Penjualan barang yang digunakan.
1.5. Manfaat Penelitian
Bagi Penulis, penelitian ini berguna:
1. Output yang dibuat dapat membantu untuk mengetahui cluster yang terbaik dari data penjualan barang yang digunakan.
2. Dapat mengetahui nilai cluster yang diperoleh dari penerapan dan metode yang digunakan.
3. Hasil penelitian ini dapat menjadi pertimbangan bagi seorang data analysis perusahaan untuk menentukan penegelompokan yang sesuai pada data penjualan barnag yang digunakan.
1.6. Batasan Masalah
Batasan masalah dari penelitian yang telah dibuat ini yaitu :
1. Dataset nanti yang akan dipakai pada penelitian ini yaitu sebuah dataset penjualan barang dengan memiliki beberapa atribut angka yang dapat dikelompokan dengan tujuan yaitu pengelompokan data penjualan barang. 2. Di dalam Data tersebut yang telah di sesuaikan dengan metodenya meliputi
Atribut Fresh, Milk, Grocery, Frozen , Detergent dan Delicassen .
6
1.7. Sistematis Penulisan
BAB I. Pendahuluan
Membahas Background masalah, Bentuk Rumusan dari penelitian, Mamfaat dan Tujuan dari penelitian,Bentuk Batasan, Sistematis bentuk penelitian dan kesimpulan.
BAB II. Kajian Literatur
Dasar-dasar teori yang terkait serta digunakan dalam penelitian. Teori-teori ini dibahas adalah Teori-teori yang akan digunakan untuk analysis, perancangan, serta implementasi yang akan dilakukan dibab-bab selanjutnya.
BAB III. Metodologi Penelitian
Dibuat untuk menjadi acuan kerja dalam setiap tahapan yang akan dijelaskan secara lebih rinci.Hasilnya akan menjadi manajemen project yang akan menjadi pelaksaan penelitian.
1.8 Kesimpulan
Penelitian dengan Metode algoritma perhitungan manual akan dilakukan untuk menyelesaikan masalah pengelompokan data penjualan barang yang akan di beli pada data penjulan barang. Tujuannya adalah mengembangkan perangkat lunak yang dapat pengelompokan data penjulan barang.
3
DAFTAR PUSTAKA
Bowie, M. (2004). Fuzzy Clustering , Feature Selection , and Membership Function Optimization. Seminar Paper 2004, 1–13.
Dewiastria, & Suprayogi. (2017). Penerapan Algoritma Fuzzy C-Means Untuk
Clustering. 6, 169–178.
Goyena, R. (2019). 済無No Title No Title. Journal of Chemical Information and
Modeling, 53(9), 1689–1699.
https://doi.org/10.1017/CBO9781107415324.004
Kamber Han,j., M., With J Pei,. (2012). Ddata Minning Concepts with new
Techniq.
Haqiqi, B. N., & Kurniawan, R. (2015). Analisis Perbandingan Metode Fuzzy C-Means Dan Subtractive Fuzzy C-C-Means. Media Statistika, 8(2).
https://doi.org/10.14710/medstat.8.2.59-67
Hossen, J., Rahman, A., Sayeed, S., Samsuddin, K., & Rokhani, F. (2011). A modified hybrid fuzzy clustering algorithm for data partitions. Australian
Journal of Basic and Applied Sciences, 5(8), 674–681.
Kurniawaty, D., Djunaidy, A., & Kusumawardani, R. P. (2014). Rekomendasi Produk Berdasarkan Loyalitas Pelanggan Menggunakan Integrasi Metode AHP dan Teknik Penggalian Data: Studi Kasus CV. XYZ. Prosiding
Seminar Nasional Sistem Informasi Indonesia 2014, (September), 415–421.
Retrieved from
http://is.its.ac.id/pubs/oajis/index.php/home/detail/1424/REKOMENDASI-
PRODUK-BERDASARKAN-LOYALITASPELANGGAN- MENGGUNAKAN-INTEGRASI-METODE-AHP-DANTEKNIK-PENGGALIAN-DATA-STUDI-KASUS-CV-XYZ
Labatjo, R. H., Lumenta, A. S. M., & Sugiarso, B. A. (2015). Rancang Bangun
Sistem Pengolahan Data Barang Berbasis Web Pada TokoFitber. 4(6), 16–
24.
Muhardi, & Nisar. (2015). Penentuan Penerima Beasiswa Dengan Algoritma Fuzzy C-Means Di Universitas Megow Pak Tulang Bawang. Jurnal
Teknologi Informasi Magister, 1(02), 158–174.
Nugrahaini, R. L., Adiarni, N., & Najamuddin, M. (2014). ANALISIS PENGUATAN MEREK DALAM MEMBENTUK EKUITAS MEREK PADA MINUMAN SARI BUAH BB (Studi Kasus: Mahasiswa (end user) di Fakultas Sains dan Teknologi). Agribusiness Journal, 8(2), 189–201.
4
Primaningtyas, M. (2012). Jurnal sains pemasaran indonesia. Jurnal Sains
Pemasaran Indonesia, XI(3), 283–300.
Ramadhana, C., W, Y. D. L., & W, K. D. K. (2013). Data Mining dengan
Algoritma Fuzzy C-Means Clustering Dalam Kasus Penjualan di PT Sepatu Bata. 2013(November), 54–60.
Rani, S., Puspita, A., & Nhita, F. (2018). Implementasi Algoritma Fuzzy C-Means
untuk Mengkategorikan Tingkat Penjualan Produk pada Data Transaksi Swalayan. 5(3), 8206–8217.
Riandya, K. H. dan A. S. (2012). Rancang Bangun Sistem Informasi Penjualan Barang (Studi Kasus: U.D Cendana Depok Townsquare). Jurnal Sistem
Informasi, 4(1), 1–6. Retrieved from
https://www.bertelsmann-stiftung.de/fileadmin/files/BSt/Publikationen/GrauePublikationen/MT_Globa lization_Report_2018.pdf%0Ahttp://eprints.lse.ac.uk/43447/1/India_globalis ation%2C society and
inequalities%28lsero%29.pdf%0Ahttps://www.quora.com/What-is-the Saifudin, A. (2018). Metode Data Mining untuk Seleksi Calon Mahasiswa pada
Penerimaan. (February), 13. https://doi.org/10.24853/jurtek.10.1.25-36
Sudriyanto. (2017). Clustering Kesetiaan Pelanggan With Metoth RFM (Monetary,Frequency,Recency) dan FCM. Prosiding SNATIF Ke-4, 815– 822.
Wibowo, D. H., Arifin, Z., & Sunarti, . (2015). Analisis Strategi Pemasaran Untuk Meningkatkan Daya Saing UMKM (Studi pada Batik Diajeng Solo). Jurnal
Administrasi Bisnis, 29(1), 59–66. Retrieved from
http://administrasibisnis.studentjournal.ub.ac.id/index.php/jab/article/view/1 172
Yang, J., & Watada, J. (2012). Fuzzy Clustering Analysis of Data Mining :
Application To An Accident Mining System. 8(8), 5715–5724.
Yohanes. (2016). Analisis Perbandingan Algoritma Fuzzy C-Means dan K-Means. Annual Research Seminar 2016, 2(1), 151–155.
