Journal homepage: jurnal.pelitabangsa.ac.id
1 Penerapan Algoritma K-Means Clustering Data Penjualan Jaringan Tv
Kabel Dan Internet Pada Pt Link Net
Dewi Astuti1, Suherman2,Prasetyo Harisandi3
Program Studi Teknik Informatika, Universitas Pelita Bangsa Korespondensi email: [email protected]
Abstrak Informasi Artikel
PT. Link Net adalah sebuah perusahaan yang bergerak di bidang Teknologi Informasi yang pusatnya berlokasi di Tangerang, Indonesia. Perusahaan ini memberikan layanan jaringan Internet dengan kecepatan tinggi tak-terbatas yang menawarkan beberapa paket jaringan Tv kabel dan Internet. Dalam setiap wilayah tentu memiliki penjualan yang berbeda - beda setiap hari maupun bulan yang
jumlahnya banyak, apabila
diakumulasikan datanya sulit untuk dianalisa. Tujuan dari penelitian ini untuk mengkontrol dan mengelompokan paket penjualan jaringan TV kabel dan internet menjadi 3 cluster. Dimana cluster yang memiliki akurasi terendah akan diadakan promo paket jaringan TV kabel dan internet untuk meningkatkan penjualan di cluster tersebut. Metode yang digunakan dalam penelitian ini yaitu Algoritma K- Means Clustering. Atribut yang digunakan adalah paket penjualan tv kabel dan internet selama bulan januari – mei 2021.
Cluster yang terbentuk setelah dilakukan proses K-Means Clustering yaitu Cluster_0 jumlah anggota 127 dengan presentase 85,23% dikategorikan Sangat Laku, Cluster_1 jumlah anggota 19 dengan presentase 12,75% dikategorikan Laku, dan Cluster_2 jumlah angota 3 dengan presentase 2,01% dikategorikan Kurang Laku, dari proses clustering diatas dapat diperoleh validasi DBI (Davies Bouldin Index) dengan nilai -0,483 angka tersebut memiliki hasil yang cukup baik karena mendekati angka 0.
Diterima:
Direvisi:
Dipublikasikan:
Kata kunci : Data Mining, Algoritma K- Means, Clustering, Penjualan Paket
2 I. Pendahuluan
Perkembangan teknologi, informasi, dan komunikasi sekarang ini yang semakin tinggi, khususnya di era globalisasi saat ini menjadi satu peluang yang besar bagi para provider penyedia layanan TV kabel dan jaringa internet untuk dapat memberikan pelayanan terbaik kepada pelanggannya, yaitu dengan menghadirkannya berbagai macam informasi digital melalui media TV kabel dan jaringan internet dengan tujuan agar memenuhi kebutuhan rutinitas bagi para konsumen baik itu untuk kebutuhan sekolah, kuliah, pekerjaan dan lain sebagainya [1]. TV kabel dan Internet saat ini bukan suatu hal yang asing lagi untuk kalangan masyarakat di Indonesia terutama pada kalangan masyarakat kota Jabodetabek.
Pengguna TV kabel dan internet di Jabodetabek sudah terhitung banyak sekali dan hampir semua menggunakannya karena ketersediaan data dan informasi yang baru dan tidak terbatas menjadi salah satu simulator masyarakat dalam mencari, menggali serta membaca berbagai pengetahuaan yang disediakan. Layanan TV kabel di Indonesia sendiri sesunguhnya sudah ada sejak tahun 1994. perusahaan yang pertama kali saat itu menyediakan TV kabel ini adalah Kabel Vision, yang kemudian berganti nama menjadi First Media. Seiring perkembangan zaman, layanan TV kabel ini semakin berkembang sangat cepat seiring dengan kemajuan teknologi.
First Media menawarkan beberapa paket jaringan Tv kabel dan Internet Seperti Family, Elite, Dlite dll, setiap harinya produk itu ditawarkan dan dijual kepada masyarakat melalui peran para sales yang terbagi dalam 4 wilayah kantor cabang yaitu Fatmawati, Cideng, Karawaci, dan Bekasi. Dalam setiap
wilayah tentu memiliki penjualan yang berbeda - beda setiap hari maupun bulan yang jumlahnya banyak, apabila diakumulasikan datanya sulit untuk dianalisa sehingga diperlukan sistem yang bisa mengkontrol dan mengelompokan paket penjualan jaringan TV kabel dan internet menjadi 3 cluster. Dimana cluster yang memiliki akurasi terendah akan diadakan promo paket jaringan TV kabel dan internet untuk meningkatkan penjualan di cluster tersebut.
Dalam penentuan cluster data penjualan jaringa tv kabel dan internet ini adalah dengan penerapan data mining. Data mining adalah kegiatan menemukan pola yang menarik dari data dalam jumlah besar, data dapat disimpan dalam database, data warehouse, atau penyimpanan informasi lainnya. Teknik data mining [17]. Teknik Data Mining dapat mengolah data yang berlimpah menjadi informasi yang penting biasanya disebut knowledge discovery database (KDD). Knowledge Discovery and Data Mining (KDD) adalah proses yang dibantu oleh komputer untuk menggali dan menganalisis sejumlah besar himpunan data dan mengekstrak informasi dan pengetahuan yang berguna [18]. Adapun metode yang digunakannya adalah clustering dengan Algoritma K-Means.
Clustering adalah metode yang digunakan untuk membagi rangkaian data menjadi beberapa group berdasarkan kesamaan-kesamaan yang telah ditentukan sebelumnya [13]. K- Means merupakan salah satu metode pengelompokan data nonhierarki (sekatan) yang berusaha mempartisi data yang ada ke dalam bentuk dua atau lebih kelompok [11]. Tujuan algoritma ini adalah untuk membagi data menjadi beberapa kelompok.
3 Dalam penelitian melakukan
pengelompokan data penjualan dengan tujuan untuk mengkontrol dan mengelompokan paket penjualan jaringan TV kabel dan internet menjadi 3 cluster. Dimana cluster yang memiliki akurasi terendah akan diadakan promo paket jaringan TV kabel dan internet untuk meningkatkan penjualan di cluster tersebut.
II. Metodologi penelitian
Dalam penelitian ini metode pengumpulan data yang digunakan adalah:
a. Sumber data utama Sumber data utama didapatkan dari penjualan paket jaringan internet dan tv kabel bulan januari – mei 2021.
b. Studi pustaka dilakukan dengan cara mempelajari dan mencari referensi pada jurnal maupun literature lain yang berhubungan dengan penelitian
yang dilakukan yaitu
pengelompokkan siswa
menggunakan algoritma K-Means.
Berikut sample data penjualan jaringan tv kabel dan internet sebanyak 149 data yang disajikan pada Tabel 1.
Table 1. Contoh Dataset
III.Hasil dan Pembahasan 1. Pembahasan Hasil Pengujian Pada tahap pengujian ini dilakukan eksperiman menggunakan algoritma k- means, untuk mengetahui hasil dari cluster data yang akan dikelompokan dan hasil akurasi dari Algoritma K- Means. Untuk dapat melakukan pengelompokan data kedalam beberapa cluster maka diperlukan beberapa langkah yaitu :
1. Menentukan jumlah cluster, k = 3 2. Insiasi centroid untuk setiap
kelompok, adapun centroid yang dipilih secara random.
Tabel 2 centroid Awal
3. Hitung jarak data dengan Centroid Eucliden Distance dengan rumus sebagai berikut :
(𝑿𝒊, 𝒖𝒋) = √∑(𝑿𝒊, 𝒖𝒋)𝟐
Perhitungan jarak pertama dan data pertama dengan pusat cluster pertama adalah :
D(1,2) =
√((0 − 2,4)2+ ((0 − 1,8)2+ ((0 − 88,2)2+ ((0 − 13,8)2+ ((0 − 0,6)2+ ((0 − 0,3)2+ ((0 − 1,8)2+ ((0 − 0,3)2+ ((0 − 106,5)2
= √5,76 + 3,42 + 7779,24 + 190,44 + 0,36 + 0,09 + 3,42 + 0,09 + 11342,25
= √19325,07
= 139,01334 D(1,2) =
√((0 − 2)2+ ((0 − 1,5)2+ ((0 − 73,5)2+ ((0 − 11,5)2+ ((0 − 0,5)2+ ((0 − 0,25)2+ ((0 − 1,5)2+ ((0 − 0,25)2+ ((0 − 88,75)2
= √4 + 2,25 + 5402,25 + 132,35 + 0,25 + 0,0625 + 2,25 + 0,0625 + 7876,5625
= √13420,0375
No Wilayah Tanggal Dlite Elite Family Family Plus Maxima School Supreme Ultimate Grand Total 1 Cideng 01 Januari 2021
2 Cideng 02 Januari 2021 3 1 60 11 75 3 Cideng 03 Januari 2021 3 30 5 38 4 Cideng 04 Januari 2021 2 2 54 10 68 5 Cideng 05 Januari 2021 3 1 74 12 90 6 Cideng 06 Januari 2021 1 74 11 86 7 Cideng 07 Januari 2021 1 2 71 20 94 8 Cideng 08 Januari 2021 5 95 13 1 114 9 Cideng 09 Januari 2021 6 101 9 116 10 Cideng 10 Januari 2021 6 1 109 18 134 11 Cideng 11 Januari 2021 5 1 143 16 1 166 12 Cideng 12 Januari 2021 3 2 76 15 2 1 99 13 Cideng 13 Januari 2021 4 2 92 16 114 14 Cideng 14 Januari 2021 3 3 110 15 2 133 15 Cideng 15 Januari 2021 5 1 98 17 3 124 . . . . . . . . . . . . . . . . . . . . . . . . .
145 Cideng 27 Mei 2021 3 2 77 12 1 95 146 Cideng 28 Mei 2021 4 1 77 3 85 147 Cideng 29 Mei 2021 3 2 94 6 1 106 148 Cideng 30 Mei 2021 4 100 14 118 149 Cideng 31 Mei 2021 5 6 216 29 256
Cluster Random Dlite Elite Family Family Plus Maxima School Supreme Ultimate Grand Total
0 30,00% 2,4 1,8 88,2 13,8 0,6 0,3 1,8 0,3 106,5
1 25,00% 2 1,5 73,5 11,5 0,5 0,25 1,5 0,25 88,75
2 40,00% 3,2 2,4 117,6 18,4 0,8 0,4 2,4 0,4 142
4
= 115,84445
D(1,2) =
√
((0 − 3,2)2+ ((0 − 2,4)2+ ((0 − 117,6)2+ ((0 − 18,4)2+ ((0 − 0,8)2+
((0 − 0,4)2+ ((0 − 2,4)2+ ((0 − 0,4)2+ ((0 − 142)2
= √10,24 + 5,76 + 13829,76 + 338,56 + 0,64 + 0,16 + 5,76 + 0,16 + 20164
= √34355.04
= 185, 35113
Dan seterusnya untuk data ke-2 sampai data ke-149 dengan menggunakan cluster awal, setelah dilakukan perhitungan maka di dapat hasil yang disajikan pada Tabel 3.
Tabel 3 Hasil Literasi ke 1
4. Kelompokan data berdasarkan clusternya
Mengelompokan data sesuai cluster dengan data yang memiliki jarak terpendek atau terkecil. Seperti
contoh tabel 3 dapat dilihat bahwa jarak data ke centroid 0 lebih kecil daripada centroid 1 dan 2. Contoh pengelompokan data jarak terdekat bisa dilihat pada tabel 4 dibawah ini:
Tabel 4 Pengelompokan Cluster Litersi Ke 1
5. Proses kembali lagi ke langkah 2 yaitu dengan menggunakan centroid baru dari literasi pertama yang dihitung dari nilai rata-rata tiap kelompok cluster. Untuk centroid baru didapatkan dari jumlah seluruh data sebuah atribut pada satu centroid dibagi dengan jumlah data dan berlaku untuk seterusnya untuk semua atribut centroid. Sebagai contoh untuk atribut paket pada centroid pertama :
=𝐽𝑢𝑚𝑙𝑎ℎ 𝑠𝑒𝑙𝑢𝑟𝑢ℎ 𝑝𝑎𝑘𝑒𝑡 (𝐷𝑙𝑖𝑡𝑒)𝑝𝑎𝑑𝑎 𝑐𝑙𝑢𝑠𝑡𝑒𝑟 𝑝𝑒𝑟𝑡𝑎𝑚𝑎 (𝐶0)
𝑏𝑎𝑛𝑦𝑎𝑘 𝑑𝑎𝑡𝑎 𝑝𝑎𝑑𝑎 𝑐𝑙𝑢𝑠𝑡𝑒𝑟 𝑝𝑒𝑟𝑡𝑎𝑚𝑎 (𝐶0)
=161 54
= 2,981481
Tabel 5 centroid baru literasi ke 2
C0 C1 C2
139,01334 115,84445 185,35113 115,84445 42,427703 19,37621 88,714373 19,37621 90,356571 67,200725 136,68153 67,200725 51,675042 28,56462 97,978773 28,56462 21,952449 2,4366986 68,224922 2,4366986 25,272713 3,7332961 71,477549 3,7332961 22,278016 10,485108 67,006268 10,485108 10,691585 33,375702 36,549145 10,691585 17,236879 39,06325 32,561327 17,236879 34,984425 58,042549 12,435433 12,435433 80,973514 104,05738 35,143136 35,143136 14,481367 11,288822 59,958652 11,288822 9,0504144 31,732279 38,113515 9,0504144 34,370191 57,50163 12,322337 12,322337 20,540448 43,415867 26,770133 20,540448 12,414105 34,934761 35,245425 12,414105 27,271047 49,934332 21,564786 21,564786 52,012595 75,08953 7,7356318 7,7356318 16,944321 39,483383 31,052214 16,944321 13,420507 15,856781 57,080995 13,420507 . . . . . . . . . . . . . . . .
JARAK KE CENTROID
TERDEKAT
C0 C1 C2
139,01334 115,84445 185,35113 115,84445 1 42,427703 19,37621 88,714373 19,37621 1 90,356571 67,200725 136,68153 67,200725 1 51,675042 28,56462 97,978773 28,56462 1 21,952449 2,4366986 68,224922 2,4366986 1 25,272713 3,7332961 71,477549 3,7332961 1 22,278016 10,485108 67,006268 10,485108 1 10,691585 33,375702 36,549145 10,691585 0 17,236879 39,06325 32,561327 17,236879 0 34,984425 58,042549 12,435433 12,435433 2 80,973514 104,05738 35,143136 35,143136 2 14,481367 11,288822 59,958652 11,288822 1 9,0504144 31,732279 38,113515 9,0504144 0 34,370191 57,50163 12,322337 12,322337 2 20,540448 43,415867 26,770133 20,540448 0 12,414105 34,934761 35,245425 12,414105 0 27,271047 49,934332 21,564786 21,564786 2 52,012595 75,08953 7,7356318 7,7356318 2 16,944321 39,483383 31,052214 16,944321 0 13,420507 15,856781 57,080995 13,420507 0 . . . . . . . . . . . . . . . . . . . .
JARAK KE CENTROID
TERDEKAT CLUSTER
Cluster Angota-it-1 Dlite Elite Family Family Plus Maxima School Supreme Ultimate Grand Total 0 54 2,98148148 1,59259259 93,462963 12,9259259 0,07407407 0,07407407 0,96296296 0,01851852 112,092593 1 54 1,94444444 0,72222222 58,962963 8,46296296 0,05555556 0,03703704 0,42592593 0 70,6111111 2 41 3,80487805 2,07317073 124,219512 17,3902439 0,17073171 0,02439024 0,85365854 0 148,536585
5 Tabel 6 Centroid Baru Literasi Ke 2
Tabel 7 Centroid Baru Literasi Terkahir
Tabel 8 Literasi Terakhir
2. Pengujian Menggunakan Rapidminer
Pada Implementasi Dan Pengujian ini, kita akan menggunakan sebuah software RapidMiner Studio Versi 9.10. Dengan pengujian data menggunakan software ini kita akan membandingkan bagaimana hasil pengolahan data secara manual dengan hasil pengolahan data menggunakan sebuah software. Berikut adalah tampilan pengujian dengan Rapidminer
Gambar 1 pengujian rapidminer
Setelah dilakukan input data maka akan diconecctikan dengan operator k-means lalu di proses, berikut hasil dari data proses tersebut yang disajikan pada Gambar 2.
Gambar 2 Text View Cluster Model
Dari hasil perhitungan manual dan pengujian dengan menggunakan software rapidminer maka diperolah hasil kelompok yang terdiri 3 Cluster yang jumlah anggotanya sama dengan hasil perhitungan manual.
Dengan performace vektornya adalah:
Performance Vector:
Avg. within centroid distance: -873.316 Avg. within centroid distance_cluster_0:
-734.713
Avg. within centroid distance_cluster_1:
-1385.557
Avg. within centroid distance_cluster_2:
-3494.667
Davies Bouldin: -0.483
Berdasarkan hasil performance vector diatas untuk mengukur tingkat keaktifan cluster menggunakan Operator Cluster Distance Performance mengambil model cluster centroid dan mengatur cluster sebagai input dan mengukur tingkat keaktifan berdasarkan centroid cluster. Adapun jarak yang terdekat dengan Avg. within centroid distance merupakan nilai yang sangat aktif dan
Cluster Angota-it-1 Dlite Elite Family Family Plus Maxima School Supreme Ultimate Grand Total 0 54 2,98148148 1,59259259 93,462963 12,9259259 0,07407407 0,07407407 0,96296296 0,01851852 112,092593 1 54 1,94444444 0,72222222 58,962963 8,46296296 0,05555556 0,03703704 0,42592593 0 70,6111111 2 41 3,80487805 2,07317073 124,219512 17,3902439 0,17073171 0,02439024 0,85365854 0 148,536585
Cluster Angota-it-9 Dlite Elite Family Family Plus Maxima School Supreme Ultimate Grand Total 0 9 4,44444444 3 171,444444 22,3333333 0,33333333 0 1,44444444 0 203 1 17 0,82352941 0,23529412 26,6470588 4,11764706 0 0 0,05882353 0 31,8823529 2 123 2,99186992 1,45528455 92,097561 12,9837398 0,08943089 0,05691057 0,7804878 0,00813008 110,463415
Date Dlite Elite Family Family Plus Maxima School Supreme Ultimate Grand Total 1 2 3
01/01/2021 0 0 0 0 0 0 0 0 0 147,901232 44,7078997 380,334064 44,7078997 1
02/01/2021 3 1 60 11 0 0 0 0 75 51,3381197 52,0428954 283,735793 51,3381197 0
03/01/2021 3 0 30 5 0 0 0 0 38 99,2354809 4,62080641 331,681574 4,62080641 1
04/01/2021 2 2 54 10 0 0 0 0 68 60,6003252 42,7878055 292,999431 42,7878055 1
05/01/2021 3 1 74 12 0 0 0 0 90 30,8064935 72,4692783 263,221073 30,8064935 0
06/01/2021 1 0 74 11 0 0 0 0 86 34,0458245 69,3030115 266,379429 34,0458245 0
07/01/2021 1 2 71 20 0 0 0 0 94 30,995101 75,038632 261,703394 30,995101 0
08/01/2021 5 0 95 13 0 0 1 0 114 2,72305693 104,355784 231,364071 2,72305693 0
09/01/2021 6 0 101 9 0 0 0 0 116 9,04896619 109,568937 226,371376 9,04896619 0
10/01/2021 6 1 109 18 0 0 0 0 134 26,174762 129,076277 206,763956 26,174762 0
11/01/2021 5 1 143 16 0 0 1 0 166 71,9684786 175,07115 160,688104 71,9684786 0
12/01/2021 3 2 76 15 2 0 1 0 99 23,2867863 81,1433345 254,911749 23,2867863 0
13/01/2021 4 2 92 16 0 0 0 0 114 4,01474334 102,734375 233,065084 4,01474334 0
14/01/2021 3 3 110 15 0 0 2 0 133 25,4725841 128,615779 207,057158 25,4725841 0
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
24/05/2021 1 1 93 14 0 0 0 0 109 4,9078421 99,278042 236,396559 4,9078421 0
25/05/2021 3 1 86 16 0 0 0 0 106 11,340306 92,7734197 243,036348 11,340306 0
26/05/2021 2 2 72 10 0 0 0 0 86 35,283575 67,9470109 267,702571 35,283575 0
27/05/2021 3 2 77 12 0 0 1 0 95 25,0925046 78,2340979 257,472329 25,0925046 0
28/05/2021 4 1 77 3 0 0 0 0 85 34,5691252 70,3832103 265,944856 34,5691252 0
29/05/2021 3 2 94 6 0 1 0 0 106 10,1831375 97,3003178 238,759293 10,1831375 0
30/05/2021 0 4 100 14 0 0 0 0 118 8,54177464 110,685323 225,028887 8,54177464 0
31/05/2021 5 6 216 29 0 0 0 0 256 188,414419 291,600215 44,1285999 44,1285999 2
.. JARAK KE CENTROID
TERDEKAT CLUSTER
6 itu terdapat pada cluster_0, serta yang
jarak yang terjauh dengan Avg. within centroid distance bernilai kurang aktif dan itu terdapat pada cluster_2. Dan untuk cluster_1 bernilai aktif.
IV.Kesimpulan
Dari hasil penelitian yang telah dilakukan oleh peneliti, maka dapat diperoleh kesimpulan bahwa metode Clustering dengan Algoritma K-Means dapat mengelompokkan data penjualan paket jaringan TV kabel dan internet menjadi 3 cluster. Dengan adanya pengelompokan seperti itu sehingga membantu pihak marketing PT. Link Net dalam melakukan promosi penjulan terhadap paket yang kurang laku.
Berdasarkan hasil pengujian dari cara manual dan cara software menggunakan RapidMiner v9.10 mendapatkan hasil yang sama dan tepat Yaitu Cluster _0 (Paling laku) dengan jumlah anggota 127 dengan presentase 85,23%, Cluster_1 (Laku) dengan jumlah anggota 19 dengan presentase 12,75%, Cluster_2 (Kurang Laku) dengan jumlah anggota 3 dengan presentase 2,01%. Hasil perhitungan menggunakan algorithm k-means DBI (Davies Bouldin Index) pada penelitian kali ini menunjukan nilai -0.483.
Daftar Pustaka
[1] R. A. Aditama, “Analisis Tingkat Kualitas Pelayanan Jasa Tv Kabel Dan Internet Pada Pt. Malang Multimedia Mandiri,” Stud. Soc.
Sci., vol. 1, no. 1, p. 34, 2019, doi:
10.35801/tsss.2019.1.1.25017.
[2] A. Syam, “Analisis Komunikasi Jaringan Tv Kabel Dengan Parameter Kualitas Siaran,” J.
Elektron. Telekomun. Comput., vol. 14, no. 2, pp. 1–10, 2019,
[Online]. Available:
https://ojs.unm.ac.id/JETC/articl e/view/11646.
[3] M. R. L. Iin Parlina, Agus Perdana Windarto, Anjar Wanto,
“Memanfaatkan Algoritma K- Means Dalam Menentukan Pegawai Yang Layak Mengikuti
Asessment Center,”
Memanfaatkan Algoritm. K- Means Dalam Menentukan Pegawai Yang Layak Mengikuti Asessment Cent. Untuk Clust.
Progr. Sdp, vol. 3, no. 1, pp. 87–
93, 2018.
[4] E. Muningsih and S. Kiswati,
“Penerapan Metode K-Means Untuk Clustering Produk Online Shop Dalam Penentuan Stok Barang,” J. Bianglala Inform., vol. 3, no. 1, pp. 10–17, 2015.
[5] B. M. Metisen and H. L. Sari,
“Analisis Clustering Menggunakan Metode K-Means Dalam Pengelompokkan Penjualan Produk Pada Swalayan Fadhila,” J. Media Infotama, vol.
11, no. 2, pp. 110–118, 2015.
[6] N. Erlangga, S. Solikhun, and I.
Irawan, “Penerapan Data Mining Dalam Mengelompokan Produksi Jagung Menurut Provinsi Menggunakan Algoritma K- Means,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 3, no. 1, pp. 702–709, 2019, doi: 10.30865/komik.v3i1.1681.
[7] M. Jeffri Ternando Jabat,
“Penerapan Data Mining Pada Penjualan Produk,” J. Teknol. Inf.
dan Komput., vol. 3, no. 2, pp.
164–174, 2017.
[8] mohamad jajuli nurul rohmawati, sofi defiyanti,
“Implementasi Algoritma K- Means Dalam Pengklasteran
7 Mahasiswa Pelamar Beasiswa,”
Jitter 2015, vol. I, no. 2, pp. 62–
68, 2015.
[9] M. R. D. Jodi, “Algoritma dan Struktur Data,” 2020, doi:
10.31219/osf.io/xmbhc.
[10] A. B. Wahyu, “Sistem
Pengelompokan Dan
Rekomendasi Pengadaan Barang Dengan Menggunakan Metode K-Means,” vol. 02, no. 07, pp. 6–
8, 2018.
[11] H. Annur, “Penerapan Data Mining Menentukan Strategi Penjualan Variasi Mobil Menggunakan Metode K-Means Clustering,” J. Inform. Upgris, vol. 5, no. 1, 2019, doi:
10.26877/jiu.v5i1.3091.
[12] I. B. Asep Muhidin, “Pemetaan Penduduk Calon Penerima Bantuan Renovasirumah Desa Pesangkalan Menggunakan Algoritma Clustering K-Means,”
vol. 9, pp. 75–82, 2019.
[13] M. Mardalius, “Pemanfaatan Rapid Miner Studio 8.2 Untuk Pengelompokan Data Penjualan Aksesoris Menggunakan Algoritma K-Means,” Jurteksi, vol. 4, no. 2, pp. 123–132, 2018, doi: 10.33330/jurteksi.v4i2.36.
[14] Y. D. Darmi and A. Setiawan,
“Penerapan Metode Clustering K-Means Dalam Pengelompokan Penjualan Produk,” J. Media Infotama, vol. 12, no. 2, pp. 148–
157, 2017, doi:
10.37676/jmi.v12i2.418.
[15] Y. I. Kurniawan, “Perbandingan Algoritma Naive Bayes dan C.45 dalam Klasifikasi Data Mining,”
J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 4, p. 455, 2018, doi:
10.25126/jtiik.201854803.
[16] M. Sadikin, R. Rosnelly, R.
Roslina, and ..., “Penerapan Data Mining Pada Penerimaan Dosen Tetap Menggunakan Metode Naive Bayes Classifier dan C4.
5,” J. Media …, vol. 4, pp. 1100–
1109, 2020, doi:
10.30865/mib.v4i4.2434.
[17] N. S. Odi Nurdiawan, “Penerapan Data Mining Pada Penjualan Barang Menggunakan Metode Metode Naive Bayes Classifier Untuk Optimasi Strategi Pemasaran,” no. April, pp. 1–15, 2014.
[18] K. Fatmawati and A. P. Windarto,
“Data Mining: Penerapan Rapidminer Dengan K-Means Cluster Pada Daerah Terjangkit Demam Berdarah Dengue (Dbd) Berdasarkan Provinsi,” Comput.
Eng. Sci. Syst. J., vol. 3, no. 2, p.
173, 2018, doi:
10.24114/cess.v3i2.9661.
[19] S. Lestari, Akmaludin, and M.
Badrul, “Implementasi Klasifikasi Naive Bayes Untuk Prediksi Kelayakan Pemberian Pinjaman Pada Koperasi Anugerah Bintang Cemerlang,”
Prosisko, vol. 7, no. 1, pp. 8–16, 2020, [Online]. Available:
https://core.ac.uk/download/pdf/
327232759.pdf.
[20] R. J. Hablum et al., “Clustering Hasil Tangkap Ikan Di Pelabuhan Perikanan Nusantara ( Ppn ) Ternate Menggunakan Algoritma K-Means,” vol. 02, no. 1, 2019.
[21] R. T. Vulandari, “Data Mining:
Teori dan Aplikasi Rapidminer,”
2017
