Strategi Promosi untuk Meningkatkan Penjualan Kedai Kopi Desimal Menggunakan Algoritma K-Medoids Clustering
Anggi Octa Fadilah, Baenil Huda, Agustia Hananto, Tukino*
Fakultas Ilmu Komputer, Sistem Informasi, Universitas Buana Perjuangan Karawang, Karawang, Indonesia Email: 1[email protected], 2[email protected], 3[email protected],
Email Penulis Korespondensi: [email protected] Submitted 20-01-2023; Accepted 20-02-2023; Published 27-02-2023
Abstrak
Kedai kopi Desimal merupakan kedai kopi yang terletak dikota karawang dan merupakan kedai kopi yang sudah ramai oleh banyak pelanggan, kedai kopi Desimal sudah berdiri sejak tahun 2020 hingga saat ini. Kedai kopi Desimal menawarkan 35 item menu yang beragam, dan penjualannya dapat berfluktuasi, terkadang mengalami peningkatan dan terkadang mengalami penurunan pada kualitas item menu yang dijual. Pada permasalah ini data penjualan pada kedai kopi Desimal tidak digunakan untuk meningkatkan kualitas penjualan, data penjualan itu hanya dijadikan arsip bagi kedai kopi, jika data dianalisis dengan baik, maka akan bermanfaat untuk menentukan item menu mana yang laku terjual dan tidak laku juga. Dengan menganalisis data penjualan, maka akan dapat ditentukan menu mana yang perlu diperbaiki dalam hal penjualan. Informasi ini kemudian dapat digunakan oleh pihak kedai kopi sebagai acuan dalam menyusun strategi promosi yang bertujuan untuk meningkatkan produk menu tersebut dalam penjualan. Untuk mengetahui berapa banyak menu yang terjual pada kedai kopi Desimal dilakukan penelitian dalam bentuk clustering. Penelitian ini dilakukan dengan menganlisis data penjualan dalam bentuk exel, metode K-Medoids digunakan untuk membuat kluster berdasarkan data penjualan produk yang telah diperoleh dari Kedai Kopi Desimal. Dari hasil clustering tersebut terdapat 3 cluster yang diklaterisasi sebagai tinggi, sedang, dan rendah, dan akurasi ditentukan menggunakan alat RapidMiner. Dari 35 item yang dianalisis, klaster pertama berisi 18 item yang dinilai paling tinggi, klaster kedua berisi 12 item yang tergolong sedang, dan klaster ketiga berisi 5 item yang tergolong terendah. Dari hasil tersebut terdapat 5 item pada penjualan yang tergolong rendah maka dari itu strategi promosi diperlukan untuk meningkatkan produk menu tersebut.
Kata Kunci: Data Mining; K-Medoid; Rapidminer; Clustering; Kedai Kopi Abstract
The Decimal coffee shop is a coffee shop located in the city of Karawang and is a coffee shop that is already busy with many customers, the Decimal coffee shop has been established since 2020 until now. Decimal coffee shop offers 35 diverse menu items, and sales can fluctuate, sometimes increasing and sometimes decreasing in the quality of the menu items sold. In this problem, sales data at Decimal coffee shops is not used to improve sales quality, the sales data is only used as an archive for the coffee shop, if the data is analyzed properly, it will be useful to determine which menu items are selling well and which are not selling well. By analyzing sales data, it will be possible to determine which menu needs to be improved in terms of sales. This information can then be used by the coffee shop as a reference in developing a promotional strategy aimed at increasing sales of the menu product. To find out how many menus are sold at Decimal coffee shops, a clustering study was carried out. This research was conducted by analyzing sales data in excel form, the K-Medoids method was used to create clusters based on product sales data that had been obtained from the Decimal Coffee Shop.
From the clustering results, there are 3 clusters which are classified as high, medium, and low, and the accuracy is determined using the RapidMiner tool. Of the 35 items analyzed, the first cluster contains 18 items which are rated the highest, the second cluster contains 12 items which are classified as moderate, and the third cluster contains 5 items which are classified as the lowest. From these results there are 5 items on sales that are classified as low, therefore a promotional strategy is needed to increase the menu product.
Keywords: Data Mining; K-Medoid; Rapidminer; Clustering; Coffee Shop
1. PENDAHULUAN
Kedai kopi Desimal merupakan sebuah kedai kopi yang berdiri pada tahun 2020 hingga saat ini, terletak di kota karawang yang letak strategis nya mudah dijangkau oleh banyak orang. Pada dasarnya kedai kopi merupakan tempat yang sering dikunjungi oleh masyarakat, karena saat ini kedai kopi sering digunakan untuk berbagai kegiatan seperti sekedar berkumpul bersama, menikmati makanan dan minuman, serta bertukar pikiran dalam pekerjaan[1]. Kedai kopi Desimal memiliki 35 item menu yang berbeda, sebagian besar menu tersebut tidak selalu mengalami peningkatan namun terdapat juga penurunan dalam penjualan. Dalam data-data penjualan tersebut belum terlihat peningkatan dan penurunan terhadap item menu yang terjual karena data penjualan pada kedai kopi Desimal tidak digunakan untuk melihat peningkatan dan penurunan pada setiap item menu yang terjual, maka dari itu data pembelian item tersebut hanya dijadikan arsip bagi kedai kopi Desimal dan tidak dimanfaatkan untuk pengembangan strategi promosi[2].
Keputusan tentang cara berpromosi harus didasarkan pada data yang ada, data tersebut dapat menjadi aspek penting dalam menentukan pola penjualan dengan mengamati perilaku pembelian konsumen. Jika data dianalisis secara efektif, maka dapat terungkap produk mana yang paling populer dan mana yang tidak laku, dengan begitu memungkinkan perbaikan item menu yang kurang baik untuk meningkatkan strategi promosi[3]. Dengan demikian, data tersebut perlu diolah untuk mendapatkan hasil yang sesuai dengan mengkategorikan menjadi tiga kelompok dengan penjualan tinggi, sedang, dan rendah[4]. Ini akan memberikan wawasan tentang menu mana yang paling sedikit terjual, dan informasi ini kemudian dapat dimanfaatkan oleh kedai kopi Desimal dalam membuat strategi penjualan[5].
Data penjualan yang digunakan berbentuk file excel dan dipisahkan berdasarkan bulan yang berbeda mulai dari awal tahun 2022 hingga akhir tahun tersebut[6]. Dengan kemampuan pemrosesan data yang efisien dan tepat, teknologi informasi memungkinkan data tersebut dimanfaatkan sebagai sumber informasi yang berharga setelah diproses[7]. Data mining digunakan untuk mengekstrak informasi dari kumpulan data besar, dan pengelompokan diterapkan ketika data tidak memiliki kelompok yang telah ditentukan sebelumnya[8][9]. Clustering bertujuan untuk mengungkap struktur yang tidak diketahui dalam data dan mengkategorikannya ke dalam kelompok yang relevan[10]. Pemanfaatan algoritma K- Medoids dengan metode Euclidean Distance efisien dalam menangani dataset yang berbasis numerik dan teks, menentukan jarak terdekat antara medoid dan titik data lainnya selama pemrosesan data[11]. Selanjutnya, alat Rapidminer dapat digunakan, menyederhanakan dan meningkatkan keakuratan ekstraksi dan pemrosesan data[12].
Sebelumnya ada penelitian yang sejenis berkaitan tentang metode K-Medoids clustering. penelitian yang dilakukan oleh Didik Maulana dan Siti Sundari tentang Penerapan Algortimat K-Medoids Dalam Klasterisasi Penyebaran Tempat Ibadah Di Sumatera Utara, Dari hasil penelitian tersebut menghasilkan 5 cluster [13]. Sulastry Silitonga dan kawan-kawan, Pengelompokan Nilai Akademik untuk Menentukan Kenaikan Kelas Menggunakan Algoritma K- medoids, Metode ini mengelompokkan siswa berdasarkan prestasi akademiknya dan hasilnya menjadi 3 klaster - klaster 1 terdiri dari 18 item, klaster 2 terdiri dari 44 item, dan klaster 3 terdiri dari 30 item[8]. Abizar Ar Rifa’I dan kawan- kawan Penerapan Algoritma K-Medoids Dalam Klasterisasi Penjualan Laptop, mengelompokkan data penjualan laptop menggunakan metode data mining algoritma k-medoids clustering. Peneliti melakukan perhitungan pada 1000 sampel data dan menemukan bahwa data tersebut dapat dibagi menjadi 3 kelompok[10]. Fajar Ageng Bramasta dan Risa Helilintar, Penerapan Data Mining Untuk Menentukan Strategi Penjualan Toko Sepatu, Cluster yang terbentuk dikategorikan menjadi 3 kategori, yaitu terpopuler, rata-rata, dan terendah[14]. Domi Sepri dan Yuka Firmazid, Pengelompokan Penyebaran Covid-19 di Kota Padang Menggunakan Algoritma K-Medoids, hasil penelitian menggunakan 5 cluster dengan menggunakan algoritma K-Medoids dan alat Rapidminer Studio 9.9.002[15].
Dibandingkan dengan penelitian sebelumnya, penelitian ini menggunakan algoritma clustering K-Medoids yang sama untuk pengelompokan. Namun, fokus penelitiannya berbeda karena bertujuan untuk mengkategorikan item menu di kedai kopi Desimal menjadi tiga kelompok berdasarkan tingkat penjualannya, tinggi, sedang, atau rendah[16]. Hasil dari penelitian ini akan memberikan informasi yang berharga bagi kedai kopi tersebut agar dapat meningkatkan strategi promosinya dan meningkatkan penjualan produk menu yang kurang laku[17].
Pada kedai kopi Desimal terdapat beberapa menu seperti V60, Kopi Susu, Jap Style dan masih banyak menu lainnya. Permasalahan yang terdapat pada data yang diambil dari kedai kopi Desimal yaitu belum dilakukan pengelompokan data yang mengakibatkan kuranngnya informasi mengenai berapa produk menu yang terjual mulai dari penjualan tertinggi hingga penjualan rendah[4]. Maka dari itu untuk meningkatkan penjualan produk menu pada kedai kopi Desimal diperlukan strategi promosi[3], untuk itu proses clustering dilakukan pada penelitian ini untuk mengetahui produk mana saja yang dapat dijadikan sampel untuk meningkatkan produk menu[13]. Data di dapat dari transaksi penjualan menghasilkan sejumlah besar data yang akan digunakan untuk clustering produk pada kedai kopi desimal, dan dengan menggunakan tools Rapidminer sebagai alat untuk mendapat hasil yang akurat dengan cara mengolah data yang didapat menggunakan metode K-Medoids clustering[18]. Dengan demikian, hasil clustering dapat memberikan wawasan untuk meningkatkan kualitas penjualan dengan mempertimbangkan taktik promosi yang bertujuan untuk mendukung kedai kopi Desimal[15].
2. METODOLOGI PENELITIAN
Proses penelitian ini meliputi observasi dan pengumpulan data, yang kemudian diinput ke dalam Microsoft Excel untuk diproses menggunakan algoritma K-Medoids[6]. Hasilnya kemudian diterapkan ke Rapid Miner untuk memastikan keakuratannya[2]. Langkah-langkah penelitian dapat divisualisasikan dalam gambar berikut.
Gambar 1. Diagram Alur Tahapan Penelitian
Keterangan : a. Studi Literatur
Pada tahapan ini langkah untuk mengumpulkan informasi terkait metode atau masalah yang terjadi yaitu dengan pengumpulan informasi yang diperoleh dari artikel jurnal penelitian sebelumnya yang berkaitan dengan Data Mining, Alogaritma K-Medoids dan bahan lainnya untuk mendukunng tujuan penelitian.
b. Rumusan Masalah
Tujuan utama dari penelitian ini adalah untuk mengidentifikasi item menu yang tidak baik dalam penjualan dan mencari cara untuk memperbaikinya. Dengan demikian, penelitian ini akan mengumpulkan wawasan baru yang akan membantu dalam pengolahan data dan strategi promosi yang efektif untuk kedai kopi Desimal.
c. Pengumpulan Data
Pada proses ini pengumpulan dataset di dapat dari aplikasi kasir Moka, data tersebut akan diolah dalam bentuk exel yang akan dijadikan sampel pada penelitian ini.
d. Identifikasi Cluster
Tahapan ini adalah memilih cluster secara acak dari dataset yang sudah dikumpulkan.
e. Pengolahan Data
Pengolahan data dilakukan untuk proses penyelesaian masalah yang menggunakan Algoritma K-Medoids untuk clusterisasi dan penggunaan tools Rapidminer untuk membantu ke akuratan hasil.
f. Hasil
Pada tahap terakhir dari penyelesaian masalah adalah mendapatkan hasil keputusan dari penelitian.
2.1 Data Mining
Data mining adalah proses yang digunakan untuk mengidentifikasi pola dan hubungan yang tersimpan dalam basis data yang besar. Ini adalah metode yang digunakan untuk mengumpulkan, menganalisis, dan menerjemahkan informasi yang tersimpan di dalam basis data ke dalam pengetahuan yang dapat digunakan oleh para praktisi. Data mining mengkombinasikan teknik matematika, statistik, dan informasi untuk menemukan pola dan hubungan dalam data yang dapat menjadi informasi yang berguna[19]. Data mining dapat digunakan di berbagai bidang, termasuk bisnis, keuangan, kesehatan, dan penelitian ilmiah. Ini dapat membantu organisasi untuk lebih memahami data mereka dan membuat keputusan yang lebih tepat tentang cara menggunakannya secara efektif[20].
2.2 Algoritma K-Medoids
K-medoids merupakan sebuah algoritma clustering yang mirip dengan k-means, tetapi menggunakan medoid sebagai representasi dari setiap cluster bukan mean (rata-rata). Medoid adalah objek dalam cluster yang paling dekat ke rata-rata semua objek dalam cluster tersebut. Algoritma ini berfokus pada memberikan jarak terpendek antara data yang terkait dalam setiap cluster. Algoritma ini dapat menentukan titik medoid untuk setiap cluster dan menghitung jarak antara data dalam setiap cluster tersebut. Setelah semua titik telah diatur, algoritma k-medoids akan mencari jarak terpendek antara titik medoid dan titik lain dalam setiap cluster[12][13]. Jika jarak terpendek lebih panjang daripada jarak lain, algoritma akan mencari alternatif lain untuk mengurangi jarak. Untuk menghitung jarak antara titik pusat awal dengan medoid – medoid tersebut adalah menggunakan rumus Euclidian Distance[18]. Langkah-langkah dasar dari algoritma k-medoids adalah sebagai berikut:
a. Tentukan jumlah cluster yang diinginkan, yang disebut k.
b. Tentukan k medoid awal secara acak dari data.
c. Masukan setiap objek ke cluster yang dipimpin oleh medoid terdekat.
d. Hitung medoid baru untuk setiap cluster dengan mencari objek yang paling dekat ke rata-rata semua objek dalam cluster tersebut. Alokasikan setiap objek ke cluster terdekat menggunakan rumus perhitungan jarak Euclidian Distance sebagai berikut:
𝑑(𝑥, 𝑦) = ‖𝑥 − 𝑦‖ = √∑𝑛𝑖=1(𝑥𝑖 − 𝑦𝑖)2 (1)
e. Jika medoid baru berbeda dari medoid sebelumnya, masukan ulang setiap objek ke cluster yang dipimpin oleh medoid terdekat.
f. Ulangi langkah 4 dan 5 sampai tidak ada perubahan lagi pada medoid.
3. HASIL DAN PEMBAHASAN
Pada penelitian ini, data yang digunakan berasal dari penjualan kedai kopi desimal yang terdiri dari 35 produk menu dimana data tersebut akan diolah menggunakan metode k-medoids dengan bantuan tools Rapidminer. Maka dari itu proses pengolahan data dalam penelitian ini akan dijelaskan sebagai berikut:
3.1 Pengolahan Data Awal a. Rekapitulasi Data
Pada pengolahan data awal datset yang di dapat dalam bentuk exel akan diolah nantinya menggunakan Algortima K-Medoids clustering. Berikut merupakan tabel dataset yang di dapat dari kedai kopi Desimal.
Table 1. Dataset Penjual Desimal
No Product_Menu B1 B2 B3 B4 B5 B6 B7 B8 B9 B10 B11 B12 B13
1 Americano 41 60 45 43 38 35 31 33 37 48 29 33 28
2 Chiken Katsu 18 17 10 14 25 17 21 14 18 17 13 11 12
3 Coffe Latte 35 38 41 31 35 39 37 36 31 39 28 25 37
4 VietnamDrip 38 37 36 31 39 31 35 17 41 30 37 21 37
5 Jap Style 37 36 47 33 44 36 37 24 26 25 31 31 33
6 V60 15 23 11 17 26 25 10 9 16 13 15 18 22
7 Redevelvet 22 20 20 15 20 18 18 9 14 13 18 17 9
8 GreenTea 33 26 36 40 39 39 36 40 34 36 36 26 29
9 Taro 40 45 55 44 49 61 35 33 33 39 33 30 42
10 Lecy Tea 89 82 97 76 98 78 79 69 60 78 61 64 79
… … … … … … … … … … … … … … …
30 Croffle Strawbery Almond
161 142 147 158 135 146 100 119 112 129 116 135 90
31 Sakura Kissed 37 37 41 36 42 17 29 43 30 42 35 28 25
32 Banana Smothie 42 42 46 41 39 22 40 33 40 30 32 43 23
33 Lemonade Rise 55 55 35 55 49 46 48 35 50 30 40 47 59
34 Hottie Caffein 168 157 156 151 165 154 127 148 135 129 123 164 146 35 Kopi Susu Desimal 124 124 145 143 137 154 123 135 132 149 148 128 120
Pada tabel 1 merupakan data awal penjualan yang terdapat pada kedai kopi Desimal. Terdapat 35 item menu yang akan diolah menggunakan Algoritma K-Medoids. Selanjutnya proses menentukan nilai cluster terdapat pada tabel 2 sebagai titi pusat awal yang digunakan.
b. Menentukan Nilai Cluster
Teknik clustering menggunakan algoritma K-Medoids, data diolah serta dimodifikasi agar sesuai dengan kebutuhan penelitian sehingga model yang dihasilkan dapat mengelompokkan data secara efektif. Data dipilih untuk membentuk kelas C1, C2, dan C3, atau menjalankan fungsi suatu algoritma sesuai dengan tujuan penelitian untuk menilai keakuratan atau kinerja data. Dari hasil dataset tersebut dijadikan 3 cluster, pemilihan cluster dilakukan secara acak untuk menentukan kategori medoids yang tinggi, sedang dan rendah sebagai perhitungan pada iterasi pertama, nilai pusat cluster (centroid) yang telah di pilih adalah seperti pada tabel 2 berikut:
Table 2. Nilai Pusat Cluster
Titik Pusat Awal B1 B2 B3 B4 B5 B6 … B13
Tiramisu 14 17 19 9 18 18 … 15
Havanas Orange 37 47 50 42 36 34 … 39
Havanas Strawbery 46 45 50 71 68 58 … 54
Setelah memilih centroid secara acak akan dihitung jarak antara setiap pusat cluster dengan variabel menggunakan rumus perhitungan Euclidian Distance. Seperti pada contoh berikut:
C1(1,1) = √(14-41)2+(17-60)2+(19-45)2+(9-43)2+(18-38)2+(18-35)2+(15-31)2+(12-33)2+(17-37)2+(21-48)2+(15- 29)2+(13-33)2+ (15-28)2 = 87,69264507
C2(1,2) = √(37-41)2+(47-60)2+(50-45)2+(42-43)2+(36-38)2+(34-35)2+(34-33)2+(26-37)2+(31-48)2+(32-29)2+(23- 33)2+(39-28)2+(39-28)^2 = 27,51363298
C3(1,3) = √(46-41)2+(45-60)2+(50-45)2+(71-43)2+(68-38)2+(58-35)2+(31-31)2+(33-33)2+(40-37)2+(39-48)2+(35- 33)2+(54-28)2+ = 59,56509045
Setelah menghitung jarak maka tabel 3 berikut menunjukan hasil perhitungan Euclidian Distance : Table 3. Perhitungan Iterasi 1
NO C1 C2 C3 kedekatan clsuter
1 87,69264507 27,51363298 59,56509045 27,51363298 2 2 15,68438714 69,33253205 120,7559522 15,68438714 1 3 70,40596566 21,30727575 62,4899992 21,30727575 2 4 66,88049043 30,06659276 66,65583245 30,06659276 2 5 69,84983894 19,18332609 59,85816569 19,18332609 2 6 21,23676058 66,19667665 115,5465274 21,23676058 2 7 16,30950643 65,12296062 119,3063284 16,30950643 1 8 71,54718723 36,68787266 61,50609726 36,68787266 2
9 97,74456507 35 38,34057903 35 2
10 227,3301564 145,8149512 116,0818677 116,0818677 3
… … … … … …
30 419,4818232 303,5457132 306,5958252 303,5457132 3 31 72,18725649 36,68787266 71,60307256 36,68787266 3 32 80,9197133 27,22131518 65,80273551 27,22131518 2 33 117,2476013 46,38965402 41,84495191 41,84495191 3 34 480,2166178 374,8186228 366,862372 366,862372 3 35 434,0264969 332,7491548 322,4577492 322,4577492 3
Total Cost 17403,24659 4464,859281
Setalah mendapatkan hasil jarak kedekatan dari setiap objek pada iterasi pertama yang terdapat pada tabel 3 menunjukan, cluster 1 pada iterasi pertama menghasilkan 12 item menu, cluster 2 menghasilkan 16 item menu dan cluster 3 menghasilkan 7 item menu. Setelah itu hitung kembali setiap cluster menggunakan perhitungan yang sama dengan menentukan nilai centroid (non medoid) seperti pada tabel 4 untuk menentukan jarak tiap objek pada iterasi kedua, ikuti langkah yang sama seperti sebelumnya.
Table 4. Pusat Cluster Baru
Titik Pusat Awal B1 B2 B3 B4 B5 B6 ... B13 Kopi Susu Desimal 124 124 145 143 137 154 … 120
Lemonade Rise 55 55 35 55 49 46 … 59
Betsu No Katsu 20 15 14 24 21 22 … 12
Centroid baru ini dihitung menggunakan rumus seperti pada perhitungan iterasi 1, berikut adalah hasil perhitungan dari iterasi ke 2:
Table 5. Hasil Iterasi 2
NO C1 C2 C3 kedekatan cluster
1 353,1161282 52,64028875 85,53361912 52,64028875 2 2 433,4824103 114,5993019 18,22086716 18,22086716 3 3 365,6528408 56,76266379 68,43244844 56,76266379 2 4 372,6821702 57,07889277 64,64518544 57,07889277 2 5 369,5754321 57,39337941 65,13831438 57,39337941 2 6 429,9604633 109,6083938 28,3019434 28,3019434 3 7 431,5981928 113,1768528 16,73320053 16,73320053 3 8 365,2396474 59,31273051 67,50555533 59,31273051 2 9 341,398594 47,33920151 95,18403227 47,33920151 2 10 216,6610256 123,4746938 223,2644172 123,4746938 2
… … … … … …
30 74,4848978 311,8332888 415,7126411 74,4848978 1 31 368,9769641 66,67833231 67,96322535 66,67833231 2 32 361,509336 53,61902647 75,55130707 53,61902647 2
33 327,4599212 0 114,2497265 0 2
34 84,76437931 369,2329888 477,0178194 84,76437931 1
35 0 327,4599212 430,8978997 0 1
Total Cost 21550,25477 1798,813017
Pada tabel 5 merupaka hasil perhitungan pada iterasi ke 2, perhitungan berhenti pada iterasi ke 2 karena tidak ada data yang berpindah cluster. Jika pada iterasi 1 hingga iterasi 2 masih terdapat perubahan maka hitung ulang sampai mendapat hasil pada iterasi seseuai. Selanjutnya proses pengolahan data dilakukan menggunakan tools Rapidminer untuk mendapatkan hasil yang baik dan akurat.
3.2 Proses Pengolahan Rapidminer
Penggunaan rapidminer dengan menggunakan metode k-medoids dilakukan untuk membentuk kelompok cluster yang akurat. Dalam penelitian ini, metode klasterisasi dengan algoritma K-Medoids digunakan untuk membentuk kelompok cluster yang akurat. Pengujian dilakukan menggunakan tools Rapid Miner. Berikut merupakan proses pemgolahan dataset untuk mencari nilai cluster dari data tertinggi, menengah dan rendah.
Gambar 2. Proses Clustering Rapidminer
Gambar 2 menjelaskan proses awal memasukan data exel ke dalam Rapidminer, dengan memasukan 3 nilai karena penelitian ini mengelompokan 3 cluster. Setelah itu lakukan running pada proses untuk mendapatkan hasil clustering Algoritma K-Medoids yang diterapkan pada Rapidminer. Hasil clustering dapat dilihat pada gambar berikut pada gambar dibawah ini.
Gambar 3. Hasil Clustering pada Rapidminer
Pada bagian ini, data berhasil diproses seperti pada hasil gambar di atas. Setelah proses clustering selesai, gambar berikut menampilkan visualisasi anggota grup di dalam cluster.
Gambar 4. Visualisasi Cluster menggunakan scatter/bubble
Dalam visualisasi cluster yang ditunjukkan pada Gambar 4, terdapat 35 produk yang direpresentasikan menggunakan scatter/bubble plot. cluster diberi nama Cluster_0, Cluster_1, dan Cluster_2 pada Rapidminer. Produk di Cluster_0, yang direpresentasikan sebagai grup cluster tinggi, termasuk Kopi Susu Desimal. Produk di Cluster_1, direpresentasikan sebagai grup cluster sedang, termasuk Lemonade Rise. Produk di Cluster_2, direpresentasikan sebagai grup cluster rendah, termasuk Betsu No Kastu. Cluster ini dan produk anggotanya menunjukkan kesamaan dengan hasil perhitungan manual, meskipun nilai cluster awal tidak ditentukan dengan cara yang sama seperti pada proses perhitungan manual saat menggunakan alat Rapidminer. Namun, hasil yang diperoleh dengan menggunakan Rapidminer tidak jauh berbeda dengan model cluster manual. Setelah melakukan proses pemasukan dataset dari 35 menu Desimal maka didapatkan hasil nilai cluster model pada gambar berikut :
Gambar 5. Hasil cluster Rapidminer
Seperti terlihat pada Gambar 5 analisis kluster dari 35 dataset menghasilkan tiga kluster, ditetapkan sebagai C_0, C_1, dan C_2, masing-masing berisi 12, 18, dan 5 item. Setelah perhitungan manual dan penggunaan tools RapidMiner hasil akhir adalah mengkonfirmasi pengelompokan yang akurat.
Table 6. Hasil Kedekatan Perhitungan Manual
Cluster Anggota Cluster Jumlah Anggota
C1 15,16,17,18,19,24,25,27,28,30,34,35 12
C2 1,3,4,5,8,9,10,11,13,14,20,21,22,26,29,31,32,33 18
C3 2,5,7,12,23 5
Setelah melakukan perhitungan yang melibatkan 35 item data dengan menggunakan Algoritma K-Medoids dan penggunaan tools Rapidminer tabel diatas menunjukan hasil clustering dengan anggota cluster dan jumlah anggota.
Anggota cluster yang tertera pada tabel 6 terdapat 5 item menu yang paling sedikit terjual yaitu Chiken Katsu, Jap Style, Red Velvet, Tiramisu dan Betsu No Katsu. Pada hasil tersbut beberapa menu perlu dilakukan strategi promosi untuk meiningkatkan kualitas pada produk menu agar penjualan pada item menu tersebut tidak tertinggal.
4. KESIMPULAN
Dari penggunaan algoritma k-medoids dengan tools RapidMiner untuk melakukan clustering menu di dapati hasil bahwa kedai kopi Desimal memerlukan strategi penjualan pada produk menu yang rendah agar produk menu tersebut dapat dikembangkan kembali. Penggunaan algoritma ini mampu mengidentifikasi dan mengklasifikasikan menu yang paling banyak terjual hingga mampu mengidentifikasi menu yang mungkin tidak terlalu sering dijual, namun masih populer.
Hasil tersebut dapat membantu kedai kopi Desimal dalam meningkatkan penjualan dan meningkatkan kepuasan pelanggan. Dari hasil clustering menggunakan algoritma k-medoids adalah bahwa 18 item produk pada cluster 0, 12 item produk pada cluster 1 dan 5 item produk pada cluster 2. Pada pengujian dengan Rapidminer dengan menampilkan 3 clustering juga menunjukkan bahwa tingkat kebenaran clustering yang sama.
REFERENCES
[1] P. Sianturi and R. Mahyuni, “Analisis Data Mining Menggunakan Algoritma K-Means Dalam Mengklasterkan Menu Makan Potensial Di Cafe Minum Kopi STMIK Triguna Dharma ** Program Studi Sistem Informasi, STMIK Triguna Dharma
***Program Studi Manajemen Informatika, STMIK Triguna Dharma,” J. CyberTech, vol. 3, no. 8, pp. 1412–1419, 2020, [Online]. Available: https://ojs.trigunadharma.ac.id/
[2] Normah, B. Rifai, S. Vambudi, and R. Maulana, “Analisa Sentimen Perkembangan Vtuber Dengan Metode Support Vector Machine Berbasis SMOTE,” J. Tek. Komput. AMIK BSI, vol. 8, no. 2, pp. 174–180, 2022, doi: 10.31294/jtk.v4i2.
[3] S. N. Adila and N. Aziz, “Pengaruh Strategi Promosi Terhadap Keputusan Pembelian Yang Dimediasi Oleh Minat Beli Pada Konsumen Restoran Kfc Cabang Khatib Sulaiman Padang,” OSF Prepr., pp. 1–16, 2019.
[4] A. A. Rifa’i, M. Fatchan, and Nanang Tedi Kurniadi, “Penerapan Algoritma K-Means Dalam Klasterisasi Penjualan Laptop,” J.
SIGMA, vol. 1, no. 1, pp. 147–158, 2022, [Online]. Available:
https://jurnal.pelitabangsa.ac.id/index.php/sigma/article/view/1440
[5] W. A. Triyanto, “ALGORITMA K-MEDOIDS UNTUK PENENTUAN STRATEGI PEMASARAN PRODUK,” J. SIMETRIS, vol. 6, 2015.
[6] S. F. Mulaki, N. Setiyawati, and A. F. Wijaya, “Analisis Data Mahasiswa Menggunakan Algoritma K-Means Clustering sebagai Dasar Pelaksana Promosi,” JBASE - J. Bus. Audit Inf. Syst., vol. 1, no. 2, pp. 30–39, 2018, doi: 10.30813/.v1i2.1259.
[7] Agneresa, A. L. Hananto, S. S. Hilabi, A. Hananto, and Tukino, “Strategi Promosi Penerapan Data Mining Mahasiswa Baru Dengan Metode K-Means Clustering Agneresaa,” vol. 02, no. 02, pp. 25–34, 2022.
[8] S. Silitonga, E. Irawan, S. Saifullah, M. R. Lubis, and I. Parlina, “Pengelompokan Nilai Akademik untuk Menentukan Kenaikan Kelas Menggunakan Algoritma K-Medoids,” Pros. Semin. Nas. Ris. Inf. Sci., vol. 1, no. September, p. 740, 2019, doi:
10.30645/senaris.v1i0.80.
[9] A. Lia Hananto et al., “Analysis of Drug Data Mining with Clustering Technique Using K-Means Algorithm,” J. Phys. Conf.
Ser., vol. 1908, no. 1, 2021, doi: 10.1088/1742-6596/1908/1/012024.
[10] N. Zulfa, R. I. Auliya, and A. Zaenal, “Analisis Data Mining Untuk Clustering Kasus Covid-19 Di Provinsi Lampung Dengan Algoritma K-Means,” J. Teknol. dan Sist. Inf., vol. 2, no. 2, p. 100, 2021, [Online]. Available:
http://jim.teknokrat.ac.id/index.php/JTSI
[11] R. K. Purba and E. Bu’ulolo, “Implementasi Algoritma K-Medoids dalam Pengelompokan Mahasiswa yang Layak Mendapat Bantuan Uang Kuliah Tunggal,” INSOLOGI J. Sains dan Teknol., vol. 1, no. 2, pp. 79–86, 2022, doi: 10.55123/insologi.v1i2.195.
[12] S. Nuraini, I. Gunawan, and W. Saputra, “Utilization of K-Medoids Algorithm for Klustering of Oil Palm Sprouts,” JOMLAI J.
Mach. Learn. Artif. Intell., vol. 1, no. 1, pp. 11–22, 2022, doi: 10.55123/jomlai.v1i1.160.
[13] T. Ibadah, D. Sumatera, D. Maulana, and S. Sundari, “Penerapan Algoritma K-Medoids Dalam Klasterisasi Penyebaran,” no. 1, pp. 51–59, 2022.
[14] F. A. Bramasta and R. Helilintar, “Penerapan Data Mining Untuk Menentukan Strategi Penjualan Toko Sepatu,” Pros. SEMNAS
INOTEK …, pp. 236–241, 2021, [Online]. Available:
https://proceeding.unpkediri.ac.id/index.php/inotek/article/view/1135%0Ahttps://proceeding.unpkediri.ac.id/index.php/inotek/a rticle/download/1135/736
[15] D. Sepri, Y. Fimazid, S. Bangek Koto Tangah, and W. Sumatera, “Pengelompokan Penyebaran Covid-19 di Kota Padang Menggunakan Algoritma K-Medoids,” Inf. Syst. search J., vol. 1, no. 2, pp. 2775–4669, 2021.
[16] S. Sindi, W. R. O. Ningse, I. A. Sihombing, F. I. R.H.Zer, and D. Hartama, “Analisis Algoritma K-Medoids Clustering Dalam Pengelompokan Penyebaran Covid-19 Di Indonesia,” J. Teknol. Inf., vol. 4, no. 1, pp. 166–173, 2020, doi:
10.36294/jurti.v4i1.1296.
[17] A. A. D. Sulistyawati and M. Sadikin, “Penerapan Algoritma K-Medoids Untuk Menentukan Segmentasi Pelanggan,” Sistemasi, vol. 10, no. 3, p. 516, 2021, doi: 10.32520/stmsi.v10i3.1332.
[18] P. A. Kusuma and A. U. Firmansyah, “Deteksi Penyebaran Penyakit Tuberkulosis dengan Algoritma K-Means Clustering Menggunakan Rapid Miner Abstrak Penyebaran Penyakit TBC di Riau Menggunakan Rapid Miner ”. Dimana menurutnya mining memakai Metode Algoritma K-Means Clustering terbukti efektif u,” vol. 8, no. 2, pp. 41–54, 2022.
[19] D. Jollyta, W. Ramdhan, and M. Zarlis, Konsep Data Mining Dan Penerapan. Deepublish, 2020.
[20] E. Buulolo, Data Mining Untuk Perguruan Tinggi. Deepublish, 2020.
