ANALISIS SPARE PART HARBOUR TAG PADA DIVISI WORKSHOP MENGGUNAKAN ALGORITMA KNN MIN-MAX SCALING
Oloan Sihombing1, Edwin Sitanggang2, Erik Luis3, Kevin Wilmar Winata4. Fakultas Teknologi dan Ilmu Komputer, Universitas Prima Indonesia
Email: [email protected]1, [email protected]2, [email protected]3, [email protected]4.
Abstract
This study aims to simplify and assist the workshop division in making decisions regarding the amount of stock that must be prepared in large quantities by PT. Multi Jaya Samudera which is a company engaged in shipping services. This study discusses the prediction of supply of ship spare parts which are very important for the workshop division. If spare parts are not available it can hamper the ship's operations which will result in delays in ship repairs and reduce work efficiency. The data used in this study is data for 2021 where the data to be tested is 225 data from the data tested can be used as a guide for planning spare parts inventory. The method used is K-Nearest Neighbor (KNN) which produces an accuracy of 93.33%. The results of the application of the KNN Min-Max scaling method can help and facilitate companies in supplying ship spare parts so that they do not hinder ship operations.
Keywords : Data mining, K-Nearest Neighbor, Spare parts, Min-Max scaling
1. PENDAHULUAN
Data Mining adalah suatu proses mengumpulkan informasi penting dari suatu data yang besar. Proses data mining seringkali menggunakan metode statistika, matematika hingga memanfaatkan teknologi artifical intelligence sehingga dapat digunakan untuk menentukan penjualan yang berada pada badan usaha. Pada data mining terdapat beberapa fungsi dalam menemukan informasi yang akan diolah menjadi suatu data yaitu, klasifikasi [1]–
[6], klasterisasi [7]–[10], asosiasi [11]–[16] dan regresi [17]–[23]. Salah satu metode yang terdapat pada data mining untuk memprediksi yaitu metode K-nearest neighbor, merupakan salah satu metode melakukan klasifikasi [4], [7], [24].
PT. Multi Jaya Samudera merupakan perusahaan yang bergerak dibidang jasa perkapalan. Workshop pada PT. Multi Jaya Samudera merupakan divisi yang bertugas dalam maintenance maupun perbaikan pada sebuah kapal-kapal yang mengalami kerusakan maupun pengecekan berkala. Mekanik yang
terdapat pada divisi tersebut bertugas untuk melakukan tugas mulai dari pengecekan spare part yang tersedia pada kapal sampai perbaikan pada kapal-kapal yang mengalami kerusakan.
Jika spare part yang dibutuhkan tidak tersedia untuk perbaikan, maka proses operasional yang dilakukan pada kapal tersebut akan mengalami kendala, sehingga kebutuhan spare part yang dibutuhkan sangat mempengaruhi dalam operasional kapal pada perusahaan.
Berdasarkan permasalahan tersebut, perusahaan memerlukan pengendalian pendataan dan persediaan, karena hal tersebut merupakan yang paling penting dilakukan untuk mengetahui ketersediaan sparepart yang ada. Penelitian ini bertujuan untuk mempermudah dan membantu divisi workshop dalam mengambil keputusan mengenai jumlah stok yang harus dipersiapkan dalam jumlah banyak.
Beberapa penelitian yang berhubungan dengan algoritma K-NN yaitu penelitian dari Desyanti, D., dan Wulandari tentang Implementasi Algoritma K-Nearest Neighbor dalam Memprediksi Stok Sepeda Motor [25],
penelitian dari Puspita Hidayanti, W tentang Penerapan Algoritma K-Nearest Neighbor Untuk Klasifikasi Efektivitas Penjualan Vape (Rokok Elektrik) pada “Lombok Vape On [26], penelitian dari Alfani P. R., A. W., Rozi, F., dan Sukmana, F tentang Prediksi Penjualan Produk Unilever Menggunakan Metode K-Nearest Neighbor [27]. Penelitian sebelumnya berbeda dengan penelitian yang dilakukan yaitu setiap data dikategorikan dalam setiap bulan dalam proses training data, dan penelitian ini mengkategorikan data data setiap bulan menjadi satu atribut. Penelitian ini juga menggunakan tools RapidMiner versi 10.0.0 dalam proses data training.
2. METODE PENELITIAN
Knowledge Discovery in Databases (KDD) adalah metode yang digunakan untuk menggali, menganalisis sejumlah besar data, dan memperoleh informasi serta pengetahuan yang berguna.
1. Data Selection
Menseleksi data mana yang akan digunakan dalam penelitian. Dalam prediksi tingkat penggunaan spare part dibutuhkan data kuantitas pemakaian produk. Data yang didapat adalah data dari bulan Januari
sampai Desember. Pada tahap pemilihan data maka diperoleh sebanyak 225, 25%
data secara acak akan digunakan sebagai data testing
2. Preprocessing / Cleaning
Proses membersihkan data, seperti menghapus data yang duplikat, memeriksa data yang tidak konsisten, dan memperbaiki kesalahan tipe data.
3. Transformation
Transformasi data adalah mengubah skala data kedalam bentuk lain sehingga data memiliki distribusi yang diharapkan. Pada tahap ini penggunaan sparepart setiap bulan akan dihitung keseluruhannya untuk mempermudah prediksi penjualannya oleh algoritma K-Nearest Neighbor.
4. Data Mining
Pemilihan teknik, metode, atau algoritma yang akan digunakan untuk memproses data.
Dalam penelitian ini algoritma yang digunakan adalah K-Nearest Neighbor.
5. Evaluation
Menerjemahkan pola-pola yang dihasilkan dari proses data mining. Informasi yang disajikan dari pola-pola perlu ditampilkan dalam bentuk yang mudah dimengerti.
Gambar 1. Metode Penelitian 3. HASIL DAN PEMBAHASAN
3.1 Algoritma KNN
Dari hasil transformasi data yang telah dilakukan. Berikut data yang ditampilkan pada tabel 1.
Tabel 1. Transformasi Data No Nama
Spare part
Total
Pembelian Kondisi
1 Circlip 22 Prioritas
Tinggi 2 Anticorros
ive Zinc 20 Prioritas
Tinggi
3 Valve
steam seal 20 Prioritas Tinggi 4
Lock metal washer
18 Prioritas Tinggi 5 Exhaust
valve 16 Prioritas
Tinggi 6 Adjust
screw 14 Prioritas
Tinggi 7 Ring
piston 13 Prioritas
Tinggi
8 Packing 12 Prioritas
Tinggi
9 Cotter 12 Prioritas Tinggi
10 Pushrod 12 Prioritas
Tinggi 11 Roctotoil 12 Prioritas
Tinggi 12 Shim
injector 12 Prioritas
Tinggi 13 Counter
weight 11 Prioritas
Sedang 14 Protection
Zinc 10 Prioritas
Sedang 15 Stop Ring 10 Prioritas
Sedang 16 Valve
Guide 10 Prioritas
Sedang
17 Piston 10 Prioritas
Sedang
18
Pilot lamp CIC (warna Merah)
10 Prioritas Sedang
19 Metal pin
piston 9 Prioritas
Sedang 20 Intake
valve 8 Prioritas
Sedang 21 Limit
Switch 3 Prioritas
Rendah 22 Limit
switch 3 Prioritas
Rendah
23 MCCB
Terasaki 3 Prioritas
Rendah
24 Oil jet 3 Prioritas
Rendah 25 Retainer
spring 3 Prioritas
Rendah
26 Seal bush 3 Prioritas
Rendah
27 Slinger 3 Prioritas
Rendah 28 Timer
omron 3 Prioritas
Rendah 29 Volt meter 3 Prioritas
Rendah
30 Head pece 2 Prioritas
Rendah Langkah selanjutnya adalah melakukan normalisasi terhadap data pada tabel 1 di atas dengan menggunakan metode normalisasi min max. Tujuan menggunakan normalisasi min max agar rentang data menjadi lebih kecil sehingga akurasi hasil training menjadi lebih tepat.
𝑥′ = 𝑥𝑖−𝑥𝑚𝑖𝑛
𝑥𝑚𝑎𝑥−𝑥𝑚𝑖𝑛 (1) Keterangan:
𝑥′= Nilai setelah normalisasi 𝑥𝑖 = Nilai
𝑥𝑚𝑖𝑛 = Nilai Minimum 𝑥𝑚𝑎𝑥= Nilai Maximum
Dari tabel 1 di atas, didapatkan informasi sebagai berikut:
1. Nilai min untuk kuantitas produk adalah sebanyak 2
2. Nilai max untuk kuantitas produk adalah sebanyak 22
Tabel 2. Tabel Data Normalisasi Min Max
No Nama Spare part Total
Pembelian Min Max Kuantitas Hasil
1 Circlip 22 22- 2/22 - 2 1
2 Anticorrosive Zinc 20 20- 2/22 - 2 0.9
3 Valve steam seal 20 20- 2/22 - 2 0.9
4 Lock metal washer 18 18- 2/22 - 2 0.8
5 Exhaust valve 16 16- 2/22 - 2 0.7
6 Adjust screw 14 14- 2/22 - 2 0.6
7 Ring piston 13 13- 2/22 - 2 0.55
8 Packing 12 12- 2/22 - 2 0.5
9 Cotter 12 12- 2/22 - 2 0.5
10 Pushrod 12 12- 2/22 - 2 0.5
11 Roctotoil 12 12- 2/22 - 2 0.5
12 Shim injector 12 12- 2/22 - 2 0.5
13 Counter weight 11 11- 2/22 - 2 0.45
14 Protection Zinc 10 10- 2/22 - 2 0.4
15 Stop Ring 10 10- 2/22 - 2 0.4
16 Valve Guide 10 10- 2/22 - 2 0.4
17 Piston 10 10- 2/22 - 2 0.4
18 Pilot lamp CIC (warna
Merah) 10 10- 2/22 - 2
0.4
19 Metal pin piston 9 9- 2/22 - 2 0.35
20 Intake valve 8 8- 2/22 - 2 0.3
21 Limit Switch 3 3- 2/22 - 2 0.05
22 Limit switch 3 3- 2/22 - 2 0.05
23 MCCB Terasaki 3 3- 2/22 - 2 0.05
24 Oil jet 3 3- 2/22 - 2 0.05
25 Retainer spring 3 3- 2/22 - 2 0.05
26 Seal bush 3 3- 2/22 - 2 0.05
27 Slinger 3 3- 2/22 - 2 0.05
28 Timer omron 3 3- 2/22 - 2 0.05
29 Volt meter 3 3- 2/22 - 2 0.05
30 Head pece 2 2- 2/22 - 2 0
Setelah normalisasi data, proses selanjutnya adalah melakukan perhitungan menggunakan algoritma K-Nearest Neighbor. Proses perhitungan menggunakan algoritma KNN adalah sebagai berikut:
1. Menentukan parameter K sebagai
banyaknya jumlah tetangga terdekat dengan objek baru. Pada penelitian ini nilai K yang digunakan adalah 3.
2. Menghitung jarak antar objek/data baru terhadap semua objek/data yang telah di training.
Tabel 3. Perhitungan Jarak Data Training Terhadap Data Uji
No. Nama Spare part Total Pembelian Hasil Jarak Eucledian
1 Circlip 22 1 0.7
2 Anticorrosive Zinc 20 0.9 0.6
3 Valve steam seal 20 0.9 0.6
4 Lock metal washer 18 0.8 0.5
5 Exhaust valve 16 0.7 0.4
6 Adjust screw 14 0.6 0.3
7 Ring piston 13 0.55 0.25
8 Packing 12 0.5 0.2
9 Cotter 12 0.5 0.2
10 Pushrod 12 0.5 0.2
11 Roctotoil 12 0.5 0.2
12 Shim injector 12 0.5 0.2
13 Counter weight 11 0.45 0.15
14 Protection Zinc 10 0.4 0.1
15 Stop Ring 10 0.4 0.1
16 Valve Guide 10 0.4 0.1
17 Piston 10 0.4 0.1
18 Pilot lamp CIC (warna
Merah) 10
0.4 0.1
19 Metal pin piston 9 0.35 0.05
20 Intake valve 8 0.3 0
21 Limit Switch 3 0.05 0.25
22 Limit switch 3 0.05 0.25
23 MCCB Terasaki 3 0.05 0.25
24 Oil jet 3 0.05 0.25
25 Retainer spring 3 0.05 0.25
26 Seal bush 3 0.05 0.25
27 Slinger 3 0.05 0.25
28 Timer omron 3 0.05 0.25
29 Volt meter 3 0.05 0.25
30 Head pece 2 0 0.3
Tabel 4. Data Uji No. Nama Spare Part Total
Pembelian Kondisi
1. Main Bearing Middle 8 ?
3. Urutkan hasil perhitungan tersebut. Tabel 3 di atas menunjukkan jarak setiap data latih ke data uji. Langkah selanjutnya adalah
mengurutkan setiap jarak pada data latih secara ascending. Hasil dari pengurutan dapat dilihat pada tabel 5 di bawah.
Tabel 5. Jarak Data Training ke Data Uji No. Nama Spare part Total
Pembelian Hasil Jarak
Euclidean Rank
1 Circlip 22 1 0.7 30
2 Anticorrosive Zinc 20 0.9 0.6 29
3 Valve steam seal 20 0.9 0.6 28
4 Lock metal washer 18 0.8 0.5 27
5 Exhaust valve 16 0.7 0.4 26
6 Adjust screw 14 0.6 0.3 25
7 Ring piston 13 0.55 0.25 23
8 Packing 12 0.5 0.2 9
9 Cotter 12 0.5 0.2 10
10 Pushrod 12 0.5 0.2 11
11 Roctotoil 12 0.5 0.2 12
12 Shim injector 12 0.5 0.2 13
13 Counter weight 11 0.45 0.15 8
14 Protection Zinc 10 0.4 0.1 3
15 Stop Ring 10 0.4 0.1 4
16 Valve Guide 10 0.4 0.1 5
17 Piston 10 0.4 0.1 6
18 Pilot lamp CIC (warna
Merah) 10
0.4 0.1 7
19 Metal pin piston 9 0.35 0.05 2
20 Intake valve 8 0.3 0 1
21 Limit Switch 3 0.05 0.25 14
22 Limit switch 3 0.05 0.25 15
23 MCCB Terasaki 3 0.05 0.25 16
24 Oil jet 3 0.05 0.25 17
25 Retainer spring 3 0.05 0.25 18
26 Seal bush 3 0.05 0.25 19
27 Slinger 3 0.05 0.25 20
28 Timer omron 3 0.05 0.25 21
29 Volt meter 3 0.05 0.25 22
30 Head pece 2 0 0.3 24
4. Tentukan tetangga terdekat berdasarkan jarak minimum ke K. Pada penelitian kali ini nilai parameter K yang digunakan adalah 3.
Maka dari itu didapatkan 3 kelas terdekat dengan data uji yaitu.
Tabel 6. Kelas Terdekat dengan Data Uji
No. Nama Spare Part Total
Pembelian Hasil Jarak
Euclidean Rank
1 Intake valve 8 0.3 0 1
2 Metal pin piston 9 0.35 0.05 2
3 Protection Zinc 10 0.4 0.1 3
5. Tentukan kategori dari tetangga terdekat dengan objek/data. Berdasarkan tabel 6
diatas diperoleh hasil sebagai berikut.
Tabel 7. Kategori Kelas Terdekat
No. Nama Spare Part Total Kondisi
Pembelian
1 Intake valve 8 Prioritas Sedang
2 Metal pin piston 9 Prioritas Sedang 3 Protection Zinc 10 Prioritas Sedang 6. Gunakan kategori mayoritas sebagai
klasifikasi objek/data baru. Berdasarkan tabel 7 di atas disimpulkan bahwa seluruh kelas adalah prioritas sedang. Sehingga diperoleh kategori mayoritas adalah prioritas sedang. Maka dari itu Main Bearing middle termasuk dalam kelas prioritas sedang.
3.2 Penerapan dengan aplikasi RapidMiner
Pada tahap pengujian menggunakan RapidMiner bertujuan untuk memudahkan proses perhitungan dengan jumlah data yang banyak. Proses perhitungan terbagi menjadi 6 proses seperti pada gambar 1 di bawah ini:
Gambar 2. Proses perhitungan RapidMiner Berikut adalah penjelasan mengenai proses perhitungan menggunakan RapidMiner:
1. Retrieve SparePart Data
Proses ini bertujuan untuk mendapatkan data yang sudah dipersiapkan dalam format csv (comma separated values).
2. Set Role
Proses mengganti role dari suatu atribut data, pada penelitian atribut Kondisi ditetapkan sebagai label.
3. Split Data
Membagi dataset kedalam dua bagian yaitu data training dan data test. Pembagian dalam penelitian kali ini dibagi menjadi 80%
untuk data training dan 20% untuk data test.
4. KNN
Menambahkan model KNN ke dalam proses. Kluster yang dipakai dalam penelitian ini sebanyak 3 kluster.
5. Apply Model
Pengujian terhadap model KNN yang sebelumnya sudah dilatih menggunakan data training sebanyak 80% dari dataset.
6. Performance
Proses ini bertujuan untuk mengevaluasi kerja dari model yang sudah dilatih sebelumnya.
Gambar 3. Akurasi hasil
Dari gambar 2 di atas dapat diketahui perhitungan pada Prioritas Rendah menghasilkan akurasi sebesar 94.12%, Prioritas Sedang menghasilkan akurasi sebesar 75%, dan Prioritas Tinggi menghasilkan akurasi sebesar 100%. Sehingga dapat disimpulkan bahwa perhitungan menggunakan algoritma KNN menghasilkan akurasi sebesar 93.33%.
4. KESIMPULAN
Berdasarkan rumusan masalah dan hasil pembahasan pada bab sebelumnya, dapat ditarik kesimpulan sebagai berikut:
1. Tingkat pembelian spare part tertinggi pada tahun 2021 adalah Circlip dengan pembelian sebanyak 22 buah. Sedangkan tingkat pembelian spare part terendah pada tahun 2021 adalah Radio SSB sebanyak 1 buah.
2. Metode K-Nearest Neighbor dapat digunakan untuk menentukan tingkat prioritas pembelian spare part. Hasil dari tingkat pengelompokan spare part terdapat 3 kondisi yaitu, Prioritas Tinggi, Prioritas Sedang dan Prioritas Rendah.
3. Hasil klasifikasi berdasarkan algoritma K- Nearest Neighbor menunjukkan bahwa algoritma K-Nearest Neighbor telah diimplementasikan dengan baik untuk permasalahan klasifikasi tingkat pembelian spare part pada divisi workshop di tahun 2021. Hasil dari klasifikasi K-Nearest Neighbor menunjukkan akurasi sebesar 93.33%.
5. REFERENCES
[1] Yuli Mardi, “Data Mining : Klasifikasi Menggunakan Algoritma C4 . 5 Data mining merupakan bagian dari tahapan proses Knowledge Discovery in Database ( KDD ) . Jurnal Edik Informatika,” J.
Edik Inform., vol. 2, no. 2, pp. 213–219, 2019.
[2] S. Badriah, M. Fajar Estu Nugroho, N.
Sanjaya, I. Rismawati, B. Nurina Sari, and C. Rozikin, “Klasifikasi Algoritma C4.5 dalam Menentukan Penerima Bantuan Covid-19,” J. Inform. Polinema, vol. 7, no. 3, 2021, doi:
10.33795/jip.v7i3.620.
[3] P. Bidang Komputer Sains dan Pendidikan Informatika, D. Akademi Perekam dan Informasi Kesehatan Iris Padang Jl Gajah Mada No, and S. Barat,
“Data Mining : Klasifikasi Menggunakan Algoritma C4.5,” J. Edik Inform., vol. 2, pp. 213–219, 2019.
[4] A. Deolika, K. Kusrini, and E. T. Luthfi,
“Analisis Pembobotan Kata Pada Klasifikasi Text Mining,” J. Teknol. Inf., vol. 3, no. 2, p. 179, 2019, doi:
10.36294/jurti.v3i2.1077.
[5] E. Ermawati, “Algoritma Klasifikasi C4.5 Berbasis Particle Swarm Optimization untuk Prediksi Penerima Bantuan Pangan Non Tunai,” Sist. J. Sist.
Inf., vol. 8, no. 3, 2019, doi:
10.32520/stmsi.v8i3.576.
[6] P. B. N. Setio, D. R. S. Saputro, and Bowo Winarno, “Klasifikasi dengan Pohon Keputusan Berbasis Algoritme C4.5,” in PRISMA (Prosiding Seminar
Nasional Matematika), 2020, vol. 3.
[7] R. Muliono and Z. Sembiring, “Data Mining Clustering Menggunakan Algoritma K-Means Untuk Klasterisasi Tingkat Tridarma Pengajaran Dosen,”
CESS (Journal Comput. Eng. Syst. Sci., vol. 4, no. 2, pp. 2502–714, 2019.
[8] J. Wandana, S. Defit, and S. Sumijan,
“Klasterisasi Data Rekam Medis Pasien Pengguna Layanan BPJS Kesehatan Menggunakan Metode K-Means,” J. Inf.
dan Teknol., vol. 2, pp. 4–9, 2020, doi:
10.37034/jidt.v2i4.73.
[9] A. Ali, “Klasterisasi Data Rekam Medis Pasien Menggunakan Metode K-Means Clustering di Rumah Sakit Anwar Medika Balong Bendo Sidoarjo,”
MATRIK J. Manajemen, Tek. Inform.
dan Rekayasa Komput., vol. 19, no. 1, pp. 186–195, 2019, doi:
10.30812/matrik.v19i1.529.
[10] A. Fauzan, A. Y. Badharudin, and F.
Wibowo, “Sistem Klasterisasi Menggunakan Metode K-Means dalam Menentukan Posisi Access Point Berdasarkan Posisi Pengguna Hotspot di Universitas Muhammadiyah Purwokerto ( Clustering System Using K-Means Method in Determining Access Point Position at Muhammadiyah Un,” Juita, vol. III, no. 1, pp. 25–29, 2014.
[11] D. Y. Hardiyanti, H. Novianti, and A.
Rifai, “Penerapan Algoritma Fp-Growth Pada Sistem Informasi Perpustakaan,”
CESSJournal Comput. Eng. Syst. Sci.
Januari, vol. 3, no. 1, pp. 75–77, 2018.
[12] F. A. Sianturi, “Penerapan Algoritma Apriori Untuk Penentuan Tingkat Pesanan,” Mantik Penusa, vol. 2, no. 1, pp. 50–57, 2018.
[13] I. Ismasari, M. Ramadhan, and W.
Hadikristanto, “Analisis Tingkat Pembelian Konsumen dengan Algoritma Apriori,” J. Ilm. Intech Inf. Technol. J.
UMUS, vol. 2, no. 02, 2020, doi:
10.46772/intech.v2i02.292.
[14] D. - and F. Sari, “Penerapan Algoritma
Apriori Terhadap Perawatan Tubuh di Kakiku,” SATIN - Sains dan Teknol. Inf., vol. 5, no. 1, pp. 51–59, 2019, doi:
10.33372/stn.v5i1.457.
[15] S. Nurajizah, “Analisa Transaksi Penjualan Obat menggunakan Algoritma Apriori,” INOVTEK Polbeng - Seri Inform., vol. 4, no. 1, p. 35, 2019, doi:
10.35314/isi.v4i1.938.
[16] N. Wandi, R. A. Hendrawan, and A.
Mukhlason, “Pengembangan Sistem Rekomendasi Penelusuran Buku dengan Penggalian Association Rule Menggunakan Algoritma Apriori,” J.
Tek. ITS, vol. 1, pp. 1–5, 2012.
[17] D. Novianty, N. D. Palasara, and M.
Qomaruddin, “Algoritma Regresi Linear pada Prediksi Permohonan Paten yang Terdaftar di Indonesia,” J. Sist. dan Teknol. Inf., vol. 9, no. 2, p. 81, 2021, doi: 10.26418/justin.v9i2.43664.
[18] D. A. Trianggana, “a Peramalan Jumlah Siswa-Siswi Melalui Pendekatan Metode Regresi Linear,” J. Media Infotama, vol.
16, no. 2, pp. 115–120, 2020, doi:
10.37676/jmi.v16i2.1149.
[19] I. Ali, T. Informatika, and S. I. Cirebon,
“Prediksi Jumlah Mahasiswa Baru Tahun 2023 Menggunakan Metode Regresi Linier Pada Universitas Swadaya Gunung Jati Cirebon,” 2023.
[20] E. D. S. Mulyani et al., “Estimasi Harga Jual Mobil Bekas Menggunakan Metode Regresi Linier Berganda ( Studi Kasus : Showroom Gulur Motor Tasikmalaya ),”
J. VOI (Voice Informatics), vol. 8, no. 1, pp. 77–85, 2019.
[21] D. S. O. Panggabean, E. Buulolo, and N.
Silalahi, “Penerapan Data Mining Untuk Memprediksi Pemesanan Bibit Pohon Dengan Regresi Linear Berganda,”
JURIKOM (Jurnal Ris. Komputer), vol.
7, no. 1, p. 56, Feb. 2020, doi:
10.30865/jurikom.v7i1.1947.
[22] E. P. Ariesanto Akhmad, “Data Mining Menggunakan Regresi Linear untuk Prediksi Harga Saham Perusahaan
Pelayaran,” J. Apl. Pelayaran dan Kepelabuhanan, vol. 10, no. 2, p. 120, 2020, doi: 10.30649/japk.v10i2.83.
[23] G. N. Ayuni and D. Fitrianah,
“Penerapan metode Regresi Linear untuk prediksi penjualan properti pada PT XYZ,” J. Telemat., vol. 14, no. 2, pp. 79–
86, 2019.
[24] R. P. Padang, “Implementasi Data Mining Algoritma C5 . 0 Dalam Memprediksi Penerimaan Cleaning Service ( Cs ) Pada Pt Iss Indonesia Medan,” Majalah Ilmiah INTI, vol. 6. pp.
304–309, 2019.
[25] D. Desyanti and D. Wulandari,
“Implementasi Algoritma K-Nearest Neighbour dalam Memprediksi Stok Sepeda Motor,” Build. Informatics, Technol. Sci., vol. 4, no. 3, Dec. 2022, doi: 10.47065/bits.v4i3.2579.
[26] Y. Yahya and W. Puspita Hidayanti,
“Penerapan Algoritma K-Nearest Neighbor Untuk Klasifikasi Efektivitas Penjualan Vape (Rokok Elektrik) pada
‘Lombok Vape On,’” Infotek J. Inform.
dan Teknol., vol. 3, no. 2, pp. 104–114, Aug. 2020, doi: 10.29408/jit.v3i2.2279.
[27] A. Alfani W.P.R., F. Rozi, and F.
Sukmana, “PREDIKSI PENJUALAN
PRODUK UNILEVER
MENGGUNAKAN METODE K-
NEAREST NEIGHBOR,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 6, no. 1, pp. 155–160, Jun. 2021, doi:
10.29100/jipi.v6i1.1910.