Implementasi Data Mining Dengan Algoritma Nearest Neighbor Untuk Penentuan Kelayakan Area Pemasaran Baru Produk Baygon Pada PT. SRB Cabang Kabanjahe

(1)

Implementasi Data Mining Dengan Algoritma Nearest Neighbor Untuk Penentuan Kelayakan Area Pemasaran Baru Produk Baygon

Pada PT. SRB Cabang Kabanjahe

Wanda Kurnia

Program Studi Teknik Informatika, STMIK Budi Darma, Medan, Indonesia Jalan Sisingamangaraja No. 338 Medan, Indonesia

Abstrak

Area Pemasaran adalah daerah atau lingkungan yang dijadikan sebagai tempat suatu kegiatan perusahaan untuk mengendalikan arus barang dan jasa kepada konsumen dengan perencanaan yang tepat dengan cara menciptakan dan mempertukarkan produk dengan nilai yang sepadan. Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (Machine Learning) untuk menganalisa atau mengekstrasi pengetahuan (Knoweldge) secara otomatis. Nearest Neighbor adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dan kasus lama yaitu berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada.

Kata Kunci: Area Pemasaran, Data Mining, Nearest Neighbor.

Abstract

Marketing Area is a region or environment that serves as a place of an enterprise activity to control the flow of goods and services to consumers with appropriate planning by creating and exchanging products with equivalent value. Data Mining is a process that employs one or more computer learning techniques to analyze or extract knowledge (Knoweldge) automatically.

Nearest Neighbor is an approach to finding cases by calculating the proximity between a new case and an old case that is based on matching the weight of a number of features.

Keywords: Marketing Area, Data Mining, Nearest Neighbor.

1. PENDAHULUAN

Berdasarkan banyaknya produk anti nyamuk di daerah kabupaten karo, terdapat beberapa permasalahan yang timbul. Salah satunya adalah penentuan area pemasaran. Berdasarkan data penjualan pada PT. Sumber Rezeki Bersama Cabang Kabanjahe atau biasa disebut PT. SRB Cabang Kabanjahe, Dapat disimpulkan bahwa area pemasaran yang tepat dapat mempengaruhi angka penjualan perbulannya. Area pemasaran yang kurang tepat, dapat mengurangi kinerja Salesman dalam penjualan produk bahkan kerugian waktu dan biaya. Pada area pemasaran yang kurang tepat, untuk mendapatkan hasil yang dapat dikatakan rendah, Salesman harus menempuh jarak yang tidak dekat dan biaya perjalanan yang tidak murah. Oleh karena itu diperlukan penentuan area pemasaran yang tepat dalam kegiatan pemasaran produk.

PT. SRB Cabang Kabanjahe memiliki faktor penentu untuk menentukan area pemasaran yang tepat untuk mengembangkan penjualan produknya, yaitu: jarak tempuh, akses jalan, wilayah teritorial, jumlah toko / pelanggan, dan jumlah penduduk. Faktor tersebut dapat memberikan keputusan terhadap tepat atau tidaknya suatu daerah baru dijadikan sebagai area pemasaran. Keputusan tersebut dapat dicari dengan Data Mining dengan memanfaatkan data historical. Berdasarkan data dan keputusan dari masalah tersebut, maka algoritma yang tepat digunakan dalam Data Mining adalah algoritma Nearest Neighbor.

Dengan menggunakan algoritma Nearest Neighbor, dapat diketahui nilai Decision atau nilai keputusan berdasarkan data historical yang tersimpan. Nilai Decision itulah yang akan menjadi keputusan bagi PT. SRB Cabang Kabanjahe untuk menentukan produktif atau tidaknya suatu area baru untuk dijadikan sebagai area pemasaran. Selain itu, dapat ditentukan pula jenis produk apa yang akan mendominasi di daerah tersebut.

Berdasarkan penelitian sebelumnya dalam jurnal Devi Sugianti yang berjudul “Algoritma Nearest Neighbor Untuk Menentukan Area Pemasaran Produk Batik Di Kota Pekalongan”, dapat disimpulkan bahwa dengan menggunakan kasus lama atau data pemasaran yang sudah pernah terjadi, algoritma Nearest Neighbor dapat diterapkan untuk menentukan area pemasaran baru dan menghasilkan suatu Output yang memiliki nilai kedekatan yang cukup besar.

2. LANDASAN TEORI

2.1 Data Mining

Data mining adalah proses untuk mencari nilai tambah dari suatu kumpulan data berupa pengetahuan dan informasi yang bermanfaat yang selama ini tidak diketahui secara manual. Menurut Daryl Pregibon, Data Mining adalah campuran dari statistik, kecerdasan buatan, dan riset basis data [2].

Istilah data mining memiliki beberapa padanan, seperti knowledge discovery ataupun pattern recognition. Kedua istilah tersebut sebenarnya sebenarnya memiliki ketepatannya masing-masing. Istilah

(2)

knowledge discovery atau penemuan pengetahuan tepat digunakan karena tujuan utama dari data mining memang untuk mendapatkan pengetahuan yang masih tersembunyi di dalam bongkahan data.

2.2 Area Pemasaran

Pemasaran adalah proses, cara, perbuatan memasarkan suatu barang dagangan, perihal menyebarluaskan ke tengah-tengah masyarakat. Terdapat 2 defenisi berbeda tentang Pemasaran [5] yaitu:

1. Pemasaran adalah pelaksanaan kegiatan perusahaan yang mengarahkan atau mengendalikan arus barang dan jasa dari produsen kepada konsumen atau pemakai.

2. Pemasaran adalah penyediaan barang dan jasa yang tepat kepada orang yang tepat pada waktu yang tepat, harga yang tepat dengan komunikasi dan promosi yang tepat.

Area Pemasaran adalah daerah atau lingkungan yang dijadikan sebagai tempat suatu kegiatan perusahaan untuk mengendalikan arus barang dan jasa kepada konsumen dengan perencanaan yang tepat dengan cara menciptakan dan mempertukarkan produk dengan nilai yang sepadan.

2.3 Algoritma Nearest Neighbor

K-Nearest Neighbor (KNN) termasuk kelompok instance-based learning. Algoritma ini juga merupakan salah satu teknik lazy learning. KNN dilakukan dengan mencari kelompok k objek dalam data training yang paling dekat (mirip) dengan objek pada data baru atau data testing. Algoritma K-Nearest Neighbor adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Nearest Neighbor adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dan kasus lama yaitu berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada.[3]

Untuk mendefinisikan jarak antara kasus baru (p) dan kasus yang ada dalam penyimpanan (q) maka digunakan rumus sebagai berikut [4]:

Similarity

(p,q)

=

∑ ^𝑛 _𝑖=1 𝑓(𝑝𝑖,𝑞𝑖) 𝑋 𝑤𝑖

𝑤𝑖

...(1) Keterangan:

p = Kasus Baru

q = Kasus yang ada dalam penyimpanan n = jumlah atribut dalam tiap kasus

i = Attribut individu antara 1 sampai dengan n

f = fungsi similarity attribut i antara kasus p dan kasus q w = Bobot yang diberikan pada attribut ke i.

3. ANALISA DAN PEMBAHASAN

Pada karya ilmiah ini, studi riset dilakukan di PT. SRB Cabang Kabanjahe dengan menganalisa data penjualan yang terjadi pada area pemasaran di seluruh wilayah kerja PT. SRB Cabang Kabanjahe. Data yang diolah adalah data dari 3 tahun terakhir, agar nilai keputusan yang diambil akan jadi lebih efisien. Dengan mengetahui data penjualan dari 3 tahun terakhir, maka dapat diketahui bahwa suatu area pemasaran dapat dikatakan layak atau tidak dijadikan sebagai area pemasaran. Tujuannya adalah untuk dijadikan sebagai acuan untuk menentukan area pemasaran yang lebih layak dan lebih terarah.

Berikut adalah rangkuman dari data penjualan produk Baygon pada PT. SRB Cabang Kabanjahe pada tahun 2015, 2016, dan 2017.

Tabel 1. Data Area Pemasaran Produk Baygon pada PT. SRB Cabang Kabanjahe Nama Area Jumlah

Penduduk

Jarak Tempuh

Akses

Jalan Wilayah Teritorial Jumlah Toko / Pelanggan

Barus Jahe 22904 20 Km Sedang Perkampungan 35

Berastagi 44091 10 Km Baik Perkotaan 1245

Kabanjahe 65635 0 Km Baik Perkotaan 3130

Kuta Buluh 10972 47 Km Buruk Perkampungan 25

Kutacane 25023 135 Km Sedang Semi Perkotaan 100

Lau Baleng 18359 75 Km Buruk Perkampungan 48

Mardingding 17684 28 Km Sedang Perkampungan 72

(3)

Pancur Batu 88723 57 Km Baik Semi Perkotaan 35

Perbulan 21633 82 Km Sedang Perkampungan 86

Sibolangit 20756 36 Km Baik Semi Perkotaan 200

Sidikalang 50050 75 Km Baik Perkotaan 1377

Sumbul 40606 54 Km Baik Semi Perkotaan 241

Tiga Binanga 20626 38 Km Sedang Perkampungan 193

Tiga Nderket 13659 30 Km Buruk Perkampungan 144

Tiga Lingga 21912 83 Km Buruk Perkampungan 264

Tiga Panah 30388 6 Km Sedang Perkampungan 120

Pengklasifikasian pembobotan ini dilakukan untuk mempermudah perhitungan dalam proses di sistem penentuan area pemasaran baru, yaitu sebagai berikut :

Tabel 2. Pembobotan Variabel

No. Variabel Bobot

1 Jumlah Penduduk 0,8

2 Jarak Tempuh 0,7

3 Akses Jalan 0,6

4 Wilayah Teritorial 0,5

5 Jumlah Toko/Pelanggan 0,4

Dalam pembobotan variabel ini dilihat dari pengaruh yang paling tinggi hingga yang paling rendah dalam penentuan area pemasaran baru pada PT. SRB Cabang Kabanjahe.

1. Kedekatan nilai Variabel Jumlah Penduduk

Tabel 3. Kedekatan Nilai Variabel Jumlah Penduduk

Nilai 1 Nilai 2 Kedekatan

Jumlah Penduduk >= 50000 Jumlah Penduduk >= 50000 1

Jumlah Penduduk >= 50000 Jumlah Penduduk < 50000 dan Jumlah Penduduk >= 40000

0,75 Jumlah Penduduk >= 50000 Jumlah Penduduk < 40000 dan Jumlah

Penduduk >= 20000

0,5

Jumlah Penduduk >= 50000 Jumlah Penduduk < 20000 0,25

Jumlah Penduduk < 50000 dan Jumlah Penduduk >= 40000

Jumlah Penduduk >= 50000 0,75

1 Jumlah Penduduk < 50000 dan Jumlah

Penduduk >= 40000

0,75 Jumlah Penduduk < 50000 dan Jumlah

Penduduk >= 40000

Jumlah Penduduk < 20000 0,5

Jumlah Penduduk >= 50000 0,5

0,75 Jumlah Penduduk < 40000 dan Jumlah

Penduduk >= 20000

1 Jumlah Penduduk < 40000 dan Jumlah

Penduduk >= 20000

Jumlah Penduduk < 20000 0,75

Jumlah Penduduk < 20000 Jumlah Penduduk >= 50000 0,25

Jumlah Penduduk < 20000 Jumlah Penduduk < 50000 dan Jumlah Penduduk >= 40000

0,5 Jumlah Penduduk < 20000 Jumlah Penduduk < 40000 dan Jumlah

Penduduk >= 20000

0,75

Jumlah Penduduk < 20000 Jumlah Penduduk < 20000 1

(4)

2. Kedekatan Nilai Variabel Jarak Tempuh

Tabel 4. Kedekatan Nilai Variabel Jarak Tempuh

Jarak Tempuh < 30 Km Jarak Tempuh < 30 Km 1

Jarak Tempuh < 30 Km Jarak Tempuh >= 30 Km dan Jarak Tempuh <60 Km

0,75 Jarak Tempuh < 30 Km Jarak Tempuh >= 60 Km dan Jarak

Tempuh <100 Km

0,5

Jarak Tempuh < 30 Km Jarak Tempuh >100 Km 0,25

Jarak Tempuh >= 30 Km dan Jarak Tempuh <60 Km

Jarak Tempuh < 30 Km 0,75

1 Jarak Tempuh >= 30 Km dan Jarak

Tempuh <60 Km

0,75 Jarak Tempuh >= 30 Km dan Jarak

Tempuh <60 Km

Jarak Tempuh >100 Km 0,5

Jarak Tempuh < 30 Km 0,5

0,75 Jarak Tempuh >= 60 Km dan Jarak

Tempuh <100 Km

1 Jarak Tempuh >= 60 Km dan Jarak

Tempuh <100 Km

Jarak Tempuh >100 Km 0,75

Jarak Tempuh >100 Km Jarak Tempuh < 30 Km 0,25

Jarak Tempuh >100 Km Jarak Tempuh >= 30 Km dan Jarak Tempuh <60 Km

0,5 Jarak Tempuh >100 Km Jarak Tempuh >= 60 Km dan Jarak

Tempuh <100 Km

0,75

Jarak Tempuh >100 Km Jarak Tempuh >100 Km 1

3. Kedekatan Nilai Variabel Akses Jalan

Tabel 5. Kedekatan Nilai Variabel Akses Jalan Nilai 1 Nilai 2 Kedekatan

Baik Baik 1

Baik Sedang 0,5

Baik Buruk 0,25

Sedang Baik 0,5

Sedang Sedang 1

Sedang Buruk 0,5

Buruk Baik 0,25

Buruk Sedang 0,5

Buruk Buruk 1

4. Kedekatan Nilai Variabel Wilayah Teritorial

Tabel 6. Kedekatan Nilai Variabel Wilayah Teritorial

Perkotaan Perkotaan 1

Perkotaan Semi Perkotaan 0,75

Perkotaan Perkampungan 0,25

Semi Perkotaan Perkotaan 0,75

Semi Perkotaan Semi Perkotaan 1

Semi Perkotaan Perkampungan 0,5

Perkampungan Perkotaan 0,25

Perkampungan Semi Perkotaan 0,5

Perkampungan Perkampungan 1

(5)

Tabel 7.Kedekatan Nilai Variabel Jumlah Toko/Pelanggan

Jumlah Toko/Pelanggan >= 1000 Jumlah Toko/Pelanggan >= 1000 1 Jumlah Toko/Pelanggan >= 1000 Jumlah Toko/Pelanggan < 1000 dan Jumlah

Toko/Pelanggan >= 300

0,5 Jumlah Toko/Pelanggan >= 1000 Jumlah Toko/Pelanggan < 300 dan Jumlah

0,25 Jumlah Toko/Pelanggan >= 1000 Jumlah Toko/Pelanggan < 100 0,1 Jumlah Toko/Pelanggan < 1000 dan Jumlah

Toko/Pelanggan >= 300 Jumlah Toko/Pelanggan >= 1000 0,5 Jumlah Toko/Pelanggan < 1000 dan Jumlah

Jumlah Toko/Pelanggan < 1000 dan Jumlah Toko/Pelanggan >= 300

1 Jumlah Toko/Pelanggan < 1000 dan Jumlah

0,5 Jumlah Toko/Pelanggan < 1000 dan Jumlah

Toko/Pelanggan >= 300 Jumlah Toko/Pelanggan < 100 0,25 Jumlah Toko/Pelanggan < 300 dan Jumlah

Jumlah Toko/Pelanggan >= 1000 0,25 Jumlah Toko/Pelanggan < 300 dan Jumlah

0,5 Jumlah Toko/Pelanggan < 300 dan Jumlah

1 Jumlah Toko/Pelanggan < 300 dan Jumlah

Toko/Pelanggan >= 100 Jumlah Toko/Pelanggan < 100 0,5 Jumlah Toko/Pelanggan < 100 Jumlah Toko/Pelanggan >= 1000 0,1 Jumlah Toko/Pelanggan < 100 Jumlah Toko/Pelanggan < 1000 dan Jumlah

0,25 Jumlah Toko/Pelanggan < 100 Jumlah Toko/Pelanggan < 300 dan Jumlah

0,5 6. Penghitungan Nilai Kedekatan Kasus Baru

Berdasarkan data area pemasaran produk Baygon pada PT. SRB Cabang Kabanjahe, dan ditambah variabel status penjualan diatas, maka dapat diperoleh tabel baru berdasarkan data dari kasus yang sudah ada sebelumnya, yaitu sebagai berikut :

Tabel 8. Kasus yang sudah ada sebelumnya No Nama Area Jumlah

Penduduk

Akses Jalan

Wilayah Teritorial

Jumlah Toko /

Pelanggan Status

1 Barus Jahe 22904 20 Km Sedang Perkampungan 35 Buruk

2 Berastagi 44091 10 Km Baik Perkotaan 1245 Baik

3 Kabanjahe 65635 0 Km Baik Perkotaan 3130 Baik

4 Kuta Buluh 10972 47 Km Buruk Perkampungan 25 Buruk

5 Kutacane 25023 135 Km Sedang Semi Perkotaan 100 Sedan

g

6 Lau Baleng 18359 75 Km Buruk Perkampungan 48 Buruk

7 Mardingdin

g 17684 28 Km Sedang

Perkampungan 72 Buruk

8 Merek

18712 35 Km Baik Semi Perkotaan 157

Sedan g

9 Pancur Batu 88723 57 Km Baik Semi Perkotaan 35 Baik

10 Perbulan 21633 82 Km Sedang Perkampungan 86 Buruk

11 Sibolangit 20756 36 Km Baik Semi Perkotaan 200 Buruk

12 Sidikalang 50050 75 Km Baik Perkotaan 1377 Baik

13 Sumbul 40606 54 Km Baik Semi Perkotaan 241 Buruk

14 Tiga

Binanga 20626 38 Km Sedang

Perkampungan 193

Sedan g

(6)

15 Tiga

Nderket 13659 30 Km Buruk Perkampungan 144 Buruk

16 Tiga Lingga 21912 83 Km Buruk Perkampungan 264 Baik

17 Tiga Panah 30388 6 Km Sedang Perkampungan 120 Buruk

Contoh Kasus :

Terdapat sebuah area baru yang akan dijadikan sebagai area pemasaran produk Baygon pada PT. SRB Cabang Kabanjahe dengan ketentuan sebagai berikut :

Tabel 9.Kasus Baru Nama Area Jumlah

Penduduk

Akses Jalan

Jumlah Toko / Pelanggan

Subulussalam 67316 135 Km Sedang Perkotaan 1226

Untuk memprediksi status penjualan yang cocok dengan keadaan area pemasaran yang telah ada, maka hitunglah kedekatan kasus baru dengan kedekatan kasus yang telah ada.

1. Kedekatan kasus baru dengan kasus No. 1 Diketahui :

A : Kedekatan Atribut Jumlah Penduduk : 0,5

B : Bobot Atribut Jumlah Penduduk : 0,8

C : Kedekatan Atribut Jarak Tempuh : 0,25

D : Bobot Atribut Jarak Tempuh : 0,7

E : Kedekatan Atribut Akses Jalan : 1

F : Bobot Atribut Akses Jalan : 0,6

G : Kedekatan Atribut Wilayah Teritorial : 0,25

H : Bobot Atribut Wilayah Teritorial : 0,5

I : Kedekatan Atribut Jumlah Toko/Pelanggan : 0,1

J : Bobot Atribut Jumlah Toko/Pelanggan : 0,4

Menghitung jarak kedekatan : Jarak = (𝐴𝑥𝐵)+(𝐶𝑥𝐷)+(𝐸𝑥𝐹)+(𝐺𝑥𝐻)+(𝐼𝑥𝐽)

𝐵+𝐷+𝐹+𝐻+𝐽

Jarak = (0,5𝑥0,8)+(0,25𝑥0,7)+(1𝑥0,6)+(0,25𝑥0,5)+(0,1𝑥0,4) 0,8+0,7+0,6+0,5+0,4

Jarak = 0,4+0,175+0,6+0,125+0,04 0,8+0,7+0,6+0,5+0,4

Jarak = ^1,34

3

Jarak = 0,446.

Berdasarkan dari pernyataan pada penghitungan nilai kedekatan pada kasus baru diatas, maka diketahui nilai kedekatan kasus baru dengan kasus yang sudah ada sebelumnya. Berikut adalah jarak kedekatan kasus baru dengan kasus yang sudah ada sebelumnya.

Tabel 10. Jarak Kedekatan Kasus Baru dengan Kasus Yang Sudah Ada

No. Kasus Baru Kasus Lama Jarak Kedekatan

1

Subulussalam

Barus Jahe 0,446

2 Berastagi 0,658

3 Kabanjahe 0,725

4 Kuta Buluh 0,338

(7)

6 Lau Baleng 0,396

7 Mardingding 0,38

8 Merek 0,441

9 Pancur Batu 0,621

10 Perbulan 0,563

11 Sibolangit 0,508

12 Sidikalang 0,841

13 Sumbul 0,575

14 Tiga Binanga 0,525

15

Subulussalam

Tiga Nderket 0,358

16 Tiga Lingga 0,483

17 Tiga Panah 0,466

Untuk area pemasaran baru dengan kriteria seperti variabel Subulussalam pada contoh kasus diatas, maka jarak yang paling dekat adalah Sidikalang dengan nilai kedekatan 0,841 atau sama dengan 84,1 %. Jadi, kemungkinan status kelayakan penjualan pada area pemasaran baru tersebut adalah Baik. Berikut adalah tabel hasil output dari variabel baru :

Tabel 11. Hasil Output Nama Area Jumlah

Penduduk

Akses Jalan

Jumlah Toko / Pelanggan

Status

Subulussalam 67316 135 Km Sedang Perkotaan 1226 Baik

4. IMPLEMENTASI

Pada Aplikasi pengujian Algoritma Nearest Neighbor ini, pengguna dapat melakukan proses untuk menghitung nilai kedekatan antara kasus baru dengan kasus yang lama dengan cara memilih kreteria yang sudah disediakan pada tampilan input. Berikut adalah tampilan awal Program

Gambar 1. Tampilan Awal Program

Untuk menampilkan hasil pengujian dalam berbandingan variabel baru dengan database, dilakukan dengan cara mengisi input dalam tampilan input yang tersedia. Setelah itu klik tombol Hasil Perbandingan dan muncul perbandingan di setiap variabel. Berikut adalah tampilan Program ketika mencari hasil perbandingan. Untuk menampilkan hasil akhir dalam program pengujian Algoritma Nearest Neighbor ini dilakukan dengan cara mencari hasil perbandingan seperti contoh diatas, kemudian mengklik tombol Hasil Akhir. Maka tampilan hasilnya adalah sebagai berikut

(8)

Gambar 2. Tampilan Hasil Program

Dalam contoh ini dilakukan sebagai pengujian Algoritma Nearest Neighbor untuk penentuan kelayakan area pemasaran baru Produk Baygon pada PT. SRB Cabang Kabanjahe. Dengan demikian dapat dikatakan bahwa variabel Sidikalang memiliki perbandingan tertinggi dengan variabel Subulussalam, yaitu 0,842 atau 84,2%. Oleh karena itu, hasil akhir yang didapatkan adalah sama dengan hasil akhir pada variabel Sidikalang, yaitu: Baik.

5. KESIMPULAN

Berdasarkan hasil penelitian yang telah dilakukan, maka dapat maka dapat diambil kesimpulan diantaranya:

1. Data yang digunakan adalah data penjualan dan area pemasaran produk Baygon pada PT. SRB Cabang Kabanjahe pada tahun 2015, 2016, dan 2017.

2. Data tersebut diolah Menggunakan Algoritma Nearest Neighbor yang terdapat dalam Data Mining dan menghasilkan nilai Output yang cukup tinggi, yaitu 0,842 atau 84,2%.

3. Dari analisa tersebut, dapat diimplementasian pada aplikasi pengujian Algoritma Nearest Neighbor untuk penentuan kelayakan area pemasaran baru berbasis microsoft Visual Basic 2008.

REFERENCES

[1] Kennedy Tampubolon, Hoga Saragih, and Bobby Reza, "Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan Alat- Alat Kesehatan," Informasi dan Teknologi Ilmiah, vol. I, 2013.

[2] Eko Prasetyo, Data Mining mengolah data menjadi informasi menggunakan Matlab. Yogyakarta: Penerbit Andi, 2014.

[3] Ricky Imanuel Ndaumanu, Kusrini , and M. Rudyanto Arief, "Analisis Prediksi Tingkat Pengunduran Diri Mahasiswa dengan Metode K-Nearest Neighbor," Jatisi, vol. 1, September 2014.

[4] Henny Leidiyana, "Penerapan Algoritma K-Nearest Neighbor Untuk Penentuan Resiko Kredit Kepemilikan Kendaraan Bermotor,"

Jurnal Penelitian Ilmu Komputer, System Embedded & Logic, vol. I, 2013.

[5] Philip Kotler, Manajemen Pemasaran analisis, perencanaan dan pengendalian, 5th ed. Jakarta: Penerbit Erlangga, 1987.

[6] Normalina Napitupulu and Nikous Soter Sihombing, Struktur Data dan Algoritma. Medan: USU Press, 2010.

[7] Suryasari , Astrid Callista, and Juwita Sari, "Rancangan Apliksai Customer Service pada Pt. Lancar Makmur Bersama," Jurnal Sistem Informasi (JSI), vol. 4, Oktober 2012.

[8] Jubilee Enterprise, Bermain-main dengan Fungsi dan Formula Excel 2007, 2010, 2013. Jakarta: Elex Media Komputindo, 2014.

Implementasi Data Mining Dengan Algoritma Nearest Neighbor Untuk Penentuan Kelayakan Area Pemasaran Baru Produk Baygon Pada PT. SRB Cabang Kabanjahe