Penerapan Data Mining Pada Penjualan Produk Digital Konter Leppangeng Cell Menggunakan Metode K-Means Clustering

(1)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 3, Juni 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i3.4351

Hal 754−760 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom

Penerapan Data Mining Pada Penjualan Produk Digital Konter Leppangeng Cell Menggunakan Metode K-Means Clustering

Nur Astuti¹, Joy Nashar Utamajaya², Aditya Pratama³

Program Studi Sistem Informasi, STMIK Borneo Internasional, Balikpapan, Indonesia.

Email: ¹nur_astuti.18@stmik-borneo.ac.id, ²joy.nashar@stmik-borneo.ac.id, ³Adityapratama0912@gmail.com Email Penulis Korespondensi: nur_astuti.18@stmik-borneo.ac.id

Submitted 22-06-2022; Accepted 30-06-2022; Published 30-06-2022 Abstrak

Konter Leppangeng Cell merupakan sebuah konter yang menjual produk digital berupa Pulsa, Paket Data, Token Listrik PLN, Pembayaran Listrik, Pembayaran BPJS, Pembayaran PDAM. Pembayaran Spidy atau Indihome, Pembayaran Telephone Rumah, Pembayaran Pasca Bayar, Penjualan Voucher Game, Pembayaran TV Kabel, Pembayaran Angsuran Kredit, Pembayaran Tiket Kereta, Pembayaran PGN/Gas, Pembayaran Shope dan Jasa Transfer tunai dan Top Up. Namun dari penjualan konter tersebut tentunya tidak semuanya laku, ada juga produk tidak laku.Data Penjualan, pembelian dan pengeluaran tak terduga di Konter Leppangeng Cell tidak terstruktur dengan baik, sehingga data tersebut hanya berfungsi sebagai arsiptoko dan tidak dapat digunakan untuk mengembangkan strategi pemasaran. Oleh karena itu, perlu diterapkan data mining dengan menggunakan K-Means di Konter Leppangeng Cell. Metode K-Means dapat diterapkan pada Konter Leppangeng Cell untuk mengetahui penjualan produk digital yang laris dan tidak laris.Penerapan metode K-Means pada Konter Leppangeng Cell ini yaitu dengan mengelompokkan data stok produk digital. Kemudian pilih 3 grub acak sebagai centroid awal. Setelah data tiap kelompok tidak berubah, maka didapatkan hasil pengolahan data berupa 114 produk yang laku 5 kurang laku, dan 14 tidak laku. Kemudian, Penerapan metode K-Means pada Rapidminer dilakukan dengan memasukkan stok produk awal, stok terjual dan stok akhir yang akan diubah dan membentuk K-Means. Setelah itu, Rapidminer akan memproduksi produk mana yang perminatnya tinggi dan rendah.

Kata Kunci : Data Mining; K-Means; Leppangeng Cell; dan Rapidminer Abstract

The Leppangeng Cell counter is a counter that sells digital products in the form of Credit, Data Packages, PLN Electricity Tokens, Electricity Payments, BPJS Payments, PDAM Payments. Spidy or Indihome Payments, Home Phone Payments, Postpaid Payments, Game Voucher Sales, Cable TV Payments, Credit Installment Payments, Train Ticket Payments, PGN/Gas Payments, Shope Payments and Cash Transfer Services and Top Up. However, from the counter sales, of course, not all of them sell well, there are also products that don't sell. Sales data, purchases and unexpected expenses at the Leppangeng Cell Counter are not well structured, so the data only serves as a store archive and cannot be used to develop marketing strategies. Therefore, it is necessary to apply data mining using K- Means at the Leppangeng Cell Counter. The K-Means method can be applied to the Leppangeng Cell Counter to determine sales of digital products that are selling well and not selling well. The application of the K-Means method at the Leppangeng Cell Counter is by grouping digital product stock data. Then select 3 random grub as initial centroid. After the data for each group does not change, the results of data processing are obtained in the form of 114 products that sell, 5 underperforming, and 14 not sold. Then, the application of the K-Means method to Rapidminer is carried out by entering the initial product stock, the sold stock and the final stock to be changed and form K-Means. After that, Rapidminer will produce which products have high and low demand.

Keywords : Data Mining; K-Means; Leppangeng Cell; And Rapidminer

1. PENDAHULUAN

Dalam dunia bisnis yang kompetitif saat ini, masyarakat dituntut selalu mengembangkan usahanya agardapat bertahan dalam persaingan terutama dalam persaingan penjualan,yang menuntut para pengusaha untuk menemukan pola-pola yang dapat meningkatkan penjualan dan pemasaran didalam perusahaan, salah satunya adalah pemanfaatan penjualan[1].

Konter Leppangeng Cell merupakan sebuah konter yang menjual produk digital berupa Pulsa, Paket Data, Token Listrik PLN, Pembayaran Listrik, Pembayaran BPJS, Pembayaran PDAM. Pembayaran Spidy atau Indihome, Pembayaran Telephone Rumah, Pembayaran Pasca Bayar, Penjualan Voucher Game, Pembayaran TV Kabel, Pembayaran Angsuran Kredit, Pembayaran Tiket Kereta, Pembayaran PGN/Gas, Pembayaran Shope dan Jasa Transfer tunai dan Top Up.Namundari penjualan konter tersebut tentunya tidak semuanya laku, ada juga produk tidak laku.Data Penjualan, pembelian dan pengeluaran tak terduga di Konter Leppangeng Cell tidak terstruktur dengan baik, sehingga data tersebut hanya berfungsi sebagai arsiptokodantidakdapatdigunakanuntukmengembangkanstrategipemasaran.Oleh karena itu, perlu diterapkan data mining dengan menggunakan K-Means di Konter Leppangeng Cell.Metode K-Means dapat diterapkan pada Konter Leppangeng Cell untuk mengetahui penjualan produk digital yang laris dan tidak laris.

Metode yang digunakan untuk mengolah dataset tersebut adalah Metode k-Means untuk pengklasifikasian (clustering). Clustering adalah proses mengklasifikasikan data menjadi sejumlah kelompok (cluster) dari data yang berukuran besar ke dalam beberapa kelompok, dimana data dalam satu kelompok mempunyai karakteristik yang sama satu sama lainnya dan mempunyai karakteristik yang berbeda dengan data yang ada di dalam kelompok yang lain[2].

Kelebihan metode K-Means Clustering ini sangat sederhana diimplementasikan dan paling banyak digunakan dalam pengklasteran. Dari hasil pengklusteran penjualan produk digital konter Leppangeng Cell maka akan diperoleh perhitungan pengelompokkan penjualan yang laris dan tidak laris.

Salah satu penelitian yang dilakukan oleh Normah¹, Siti Nurajizah², Arinda Salbinda³ dengan judul penelitian

“Penerapan Data Mining Metode K-Means Clustering Untuk Analisa Penjualan Pada Toko Fashion Hijab

(2)

Hal 754−760 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom Banten”.Berdasarkan hasil penelitiannya didapati hasil berupa Metode K-means dapat diterapkan pada toko Helai untuk menentukan penjualan baju mana yang sangat laris, laris dan kurang laris. Penerapan metode K-Means pada toko Helai, yaitu dengan cara mengelompokan data stok baju. Kemudian memilih 3 cluster secara acak sebagai centroid awal[3].

Setelah data pada setiap cluster tidak berubah-ubah, maka dapat diketahui hasil akhirnya yaitu yang sangat laris ada 11 artikel, yang laris ada 55 artikel dan 34 artikel untuk yang kurang laris, Metode Data Mining menggunakan K-Means sangat membantu dan mempermudah toko Helai untuk mengembangkan strategi persediaan stok baju , dan Menerapkan metode K-means pada Rapidminer dilakukan dengan memasukkan data stok produk yaitu stok awal, stok terjual dan stok akhir yang akan menjadi Database pada Ms.Excel, data tersebut kemudian dikoneksikan ke dalam Tools Rapidminer, dan akan diolah dan dibentuk K-means. Setelah ituRapidminer akan menghasilkan produk mana yang sangat laris, laris, dan kurang laris[4]. Selanjutnya penelitian dilakukan oleh M.Hasyim Siregar,S.Kom.,M.Kom dengan judul penelitian

“Klasterisasi Penjualan Alat-Alat Bangunan Menggunakan Metode K-Means (Studi Kasus di Toko Adi Bangunan).

Adapun hasil yang didapatkan adalah penerapan metode clustering dapat menentukan pembelian stok barang yang diperlukan dengan cepat, dari penelitian yang dilakukan diketahui kelompok barang yang laris sebanyak 10 item sehingga prioritas pembelian stok barang diarahkan pada 10 item tersebut[5]. Penelitian ini bertujuan untuk mengelompokkan produk digital yang paling laku, laku dan kurang laku dipasaran, sehingga hasil penelitian akan menjadi bahan acuan dalam penyetokan ketersediaan produk digital.

2. METODOLOGI PENELITIAN

2.1 Tahapan Penelitian

Tahapan-tahapan yang dilakukan untuk mendapatkan cluster penjualan produk digital paling laku, laku, dan kurang laku maka diperlukan sebuah proses untuk mengolah data tersebut menjadi sebuah hasil prediksi penjualan paling laku seperti pada gambar 1.

Gambar 1.Tahapan Penelitian a. Identifikasi Masalah

Pada tahapan ini dilakukan identifikasi hal apa saja yang menjadi permasalahan dalam penelitian ini sehingga diperlukan data mining menggunakan algoritma k-means menggunakan metode clustering dalam penentuan Penjualan Produk digital paling laku[6]. Adapun permasalahan dalam penelitian ini yaitu tidak tersedianya data produk digital yang akurat sehingga stok produk digital berlebihan karena kurangnya ketelitian dan terdapat kerumitan dalam pengolahan data dalam menentukan produk digital paling laku untuk dijadikan bahan acuan untuk menyetok produk digital yang paling laku.

b. Studi Literatur

Pada tahapan in Studi Literatur dilakukan dengan membaca dan memahami landasan-landasan teori yang diperoleh dari beberapa sumber seperti buku, jurnal ilmiah dan juga referensi lainnya tentang permasalahan yang telah dirumuskan, teori ini dapat dijadikan pedoman untuk mendapatkan solusi[7].

c. Pengumpulan Data

pengumpulan data mentah dilakukan dengan cara Penulis melakukan observasi langsung ke Konter Leppangeng Cell yang berlokasi di Jalan Pariwisata, Desa Sidorejo RT.4 Penajam Paser Utara.Penulis memperoleh data dan meneliti kebenaran informasi pada data ini dengan melakukan Tanya jawab langsung dengan pemilik Konter Leppangeng Cell, Ibu Darni.

d. Pra Proses Data

(3)

Hal 754−760 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom Pada tahap pra proses data mining meliputi data cleaning atau pembersihan data yang didalamnya terdapat atribut kosong maupun tidak lengkap, data integration atau pengubahan data menjadi format yang sesuai untuk digunakan dalam proses data mining[8]. Pada pra proses data ini dilakukan konversi satuan penjualan produk gital untuk memberikan data numerik untuk melakukan perhitungan k-means.

e. Proses Data Mining

Data yang telah didapatkan kemudian akan diolah dengan proses data mining dimana pengolahan ini menggunakan algoritma K-Means Clusteringdengan software Rapidminer studio. Hasil proses ini adalah data yang dikelompokkan berdasarkan kemiripan karakteristik setiap data sehingga ditemukan pola dan informasi yang tersembunyi dari data- data tersebut[9].

f. Evalusi Hasil

Pada tahapan ini akan dijelaskan hasil pengolahan data yang telah dilakukan.

2.2 Instrumen Penelitian

Instrumen penelitian merupakan sebuah alat untuk mengumpulkan data atau mengukur objek dari sebuah variabel penelitian. Untuk mendapatkan data yang benar dan sesuai dengan keadaan yang sebenarnya, maka dibutuhkan suatu instrument yang valid dan konsisten dalam memberikan data hasil penelitian (reliable)[10]. Pada penelitian ini akan digunakan beberapa instrument penelitian, antara lain sebagai berikut :

1. Perangkat Lunak (Software)

Perangkat lunak yang akan digunakan dalam penelitian ini adalah software rapidminer 9.10 digunakan untuk mengkluster dataset berupa data penjualan produk digital konter Leppangeng Cell.

2. Penelitian ini menggunakan dataset produk digital konter Leppangeng Cell tahun 2022 dimulai bulan Maret, April, dan Mei sebanyak 133 data yang telah melalui proses cleaning dan.

3. HASIL DAN PEMBAHASAN

Implementasi penelitian ini menggunakan perhitungan Algoritma K-Means yang dilakukan dengan menggunakan tools Rapid Miner Studio. Rapid Miner sebagai tools yang mampu memudahkan usernya dalam melakukan perhitungan menggunakan operator. Operator berfungsi untuk memodifikasi data dan selanjutnya dihubungkan dengan node-node operator[11]. Sedangkan tugas user menghubungkan node-node tersebut untuk melihat hasil dari tampilan grafik perhitungan. Rapid Miner pada gambar 1 digunakan untuk melakukan proses ekstraksi data menggunakan metode yang ada pada data mining[12].

Dari proses penelitian yang dilakukan didapatkan hasil dari 133 dataset daftar penjualan produk digital Konter Leppangeng pada bulan Maret, April, dan Mei tahun 2022. Dari hasil pengolahan data terdapat pengolahan data berupa 114 produk yang laku 5 kurang laku, dan 14 tidak laku.

3.1 Pengolahan Data dengan metode K-Means

Langkah – langkah dalam mengcluster menggunakan metode K-Means adalah sebagai berikut : a. Tentukan nilai k nya sebagai jumlah klaster yang akan dibentuk.

b. Tentukan titik pusat awal dari setiap kluster.

c. Hitunglah jarak setiap data input masing – masing centroid menggunakan rumus jarak Euclidean (Euclidean Distance) sampai ditemukan jarak yang terdekat dari setiap data dengan centroid.

Berikut adalah persamaan Euclidian Distance

𝑫(x,y) = √(𝑿𝟏− 𝒀𝟏)^𝟐+ (𝑿𝟐 - 𝒀𝟐)^𝟐 (1) Keterangan;

D = Jarak x = Data Y = Centroid

d. Mengklasifikasi data berdasarkan kedekatan dengan centroid.

e. Hitunglah kembali pusat cluster dengan anggota cluster yang sekarang. Pusat cluster ialah nilai rata – rata dari semua data objek dalam cluster tertentu.

f. Hitunglah lagi setiap objek memakai pusat kluster yang baru. Jika pusat cluster tidak berubah lagi maka proses klustering seleai. Atau, kembali ke langkah nomor 3 sampai pusat kluster tidak berubah lagi.

Berikut ini langkah penyelesaian metode K-means clustering : a. Insisialisasi pusat cluster awal

Tabel 1. Centroid Awal

Keterangan SA ST SAK

C1 20 25 20

C2 57 73 70

C3 12 14 17

(4)

Hal 754−760 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom Tabel 1 adalah Menetukan Pusat Awal Cluster secara acak diambil dari data Tabel 1. Data yang dipilih untuk cluster awal adalah produk digital ke-3, 13, 56. Jarak centroid data ke – 1 pada cluster 1 (C1) yaitu :

b. Menggunakan persamaan Euclidian Distance

√(SA1 – C11)2 + (ST2 – C22)2 + (SAK3 − C33)2 = … cluster 1

√(1851 − 201)2 + (1682 – 252)2 + (1873 – 203)2

√26.730 + 20.449 + 27.889 = 48.495 Cluster 2

√(1851 − 571)2 + (1682 – 732)2 + (1873 – 783)2

√16.384 + 20.449 + 27.889 = 48.466 Cluster 3

√(1861 − 121)2 + (1682 – 122)2 + (1873 – 173)2

√29.929 + 24. 336 + 28.900 = 53.409

3.2 Dataset

Dataset yang digunakan pada penelitian ini merupakan data seluruh penjualan produk digital konter Leppangeng yang telah terdata oleh pihak konter yang nantinya akan direkomendasikan untuk mendapatkan hasil pengolahan data berupa produk laku, kurang laku, dan tidak laku. Selanjutnya dilakukan sebuah proses inisiasi kedalam bentuk numeric agar data dapat diolah dengan mudah[13]. Data Penjualan Produk Digital yang akan digunakan untuk perhitungan sebanyak 133 data dan 3 variabel penjualan yang telah didapatkan dari pihak konter tahun 2022, seperti ditampilkan pada tabel 1 berikut ini :

Tabel 2. Dataset Produk Digital

No Produk Digital Satuan Penjualan (Pcs)

Maret April Mei

1 Pulsa Telkomsel 185 168 187

2 Pulsa Indosat/Im3 125 145 140

3 Pulsa Axis 57 73 70

4 Pulsa Three 34 54 45

5 Pulsa Xl 24 21 25

6 Paket Data Telkomsel 89 92 90

7 Paket Data Indosat/Im3 73 88 85

8 Paket Data Axis 41 45 40

9 Paket Data Three 22 23 30

10 Paket Data Xl 15 10 15

11 Paket Telepon Telkomsel 36 20 32

12 Paket Telepon Indosat/Im3 10 17 18

13 Paket Telepon Axis 12 14 17

14 Paket Telepon Three 16 17 17

15 Paket Telepon Xl 22 12 15

16 Paket Sms Telkomsel 13 10 15

17 Paket Sms Indosat/Im3 12 10 10

18 Paket Sms Axis 10 10 10

19 …. … … …

133 Paket Sms Xl 13 12 10

3.3 Hasil Klasterisasi dengan Software Rapidminer a. Cluster Model

Tampilan hasil seperti gambar 1 berupa hasil pengujian dataset yang berjumlah 133 data penjualan produk digital konter Leppageng menggunakan software rapidminer9.10.sehingga berbentuk 3 cluster. Pada cluster 0 (cluster pertama) terdapat 114 data, cluster 1 (cluster kedua) terdapat 5 data dan cluster 2 (cluster ketiga) terdapat 14 data.

(5)

Gambar 2. Cluster Model b. Folder View Cluster 0

Pada Gambar 2 dibawah ini merupakan gambar Folder view produk penjualan dengan status produk penjualan paling laku dimana pada clutser 0 (Cluster pertama) terdapat 114 Nama Produk Digital yang masuk kategori paling laku adapun nama produk digital tersebut adalah Pulsa XL, Pulsa Data Three, Paket Data Telkomsel, Paket Telfon Indosat/M3, Paket telfon Axis, Pembayaran Tagihan Listrik, Transfer Tunai ke bank BRI, Top Up Linkaja, Voucher inject AXIS, Voucher inject Three, Top up DANA, Transfer Tunai ke Bank Mestika Dharma, Transfer Tunai ke Bank Mnc Internasional, Transfer Tunai ke Bank Mayora, Dll.

Gambar 2. Cluster 0 (Pertama) c. Folder View Cluster 1

Pada Gambar 3 dibawah ini merupakan gambar Folder view produk penjualan dengan status produk penjualan kurang laku dimana pada clutser 1 (Cluster Kedua) terdapat 5 Nama Produk Digital yang masuk kategori kurang laku adapun nama produk digital tersebut adalah Pulsa Telkomsel, Pulsa Indosat/M3, Voucher Inject Telkomsel, Voucher Inject Indosat/M3, dan TOPUP Dana.

Gambar 3. Cluster 1 (Kedua) d. Folder View Cluster 2

Pada Gambar 4 dibawah ini merupakan gambar Folder view produk penjualan dengan status produk penjualan kurang laku dimana pada clutser 2 (Cluster Ketiga) terdapat 14 Nama Produk Digital yang masuk kategori Tidak Laku adapun nama produk digital tersebut adalah Pulsa Axis, Pulsa Three, Paket Data Telkomsel, Paket Data Indosat/M3, Paket Data Axis, voucher iject axis, voucher inject three, voucher inject xl, token 20, token 50, token 100, pembayaran tagihan listrik, topup linkaja, transfer tunai kebri.

(6)

Gambar 4. Folder View Cluster 2 e. Plot

Pada gambar 5 dibawah ini merupakan gambar plor satuan penjualan produk digital konter Leppangeng selama 3 bulan terakhir tahun 2022. Dimana penjualan mengalami stabil dalam stauan penjualan.

Gambar 5. Plot f. Data From Process

Pada gambar 6 dibawah ini merupakan gambar Data From Process satuan penjualan produk digital konter Leppangeng selama 3 bulan terakhir tahun 2022

Gambar 6. Data From Process

(7)

4. KESIMPULAN

Sehingga dari hasil penelitian dapat disimpulkan bahwa Metode K-Means dapat diterapkan pada Konter Leppangeng Cell untuk menentukan penjualan produk digital mana yang sangat laris, laris dan kurang laris. Penerapan metode k-Means pada Konter Leppangeng Cell dengan cara mengelompokkan produk penjualan. Kemudian memilih 3 cluster secara acak sebagai centroid awal. setelah data pada setiap cluster tidak berubah-ubah, maka dapat diketahui hasil akhirnya yaitu pengolahan data berupa 114 produk yang laku 5 kurang laku, dan 14 tidak laku.Menerapkan metode K-means pada Rapidminer dilakukan dengan memasukkan data penjualan bulan maret, april, mei tahun 2022 menjadi Database pada Ms.Excel ,data tersebut kemudian dikoneksikan kedalam Tools Rapidminer ,dana kan diolah dan dibentuk K- means.Setelah itu Rapidminer akan menghasilkan produk mana yang sangat laris ,laris,dan kurang laris.

REFERENCES

[1] E. Fammaldo and L. Hakim, “Penerapan Algoritma K-Means Clustering Untuk Pengelompokan Tingkat Kesejahteraan Keluarga Untuk Program Kartu Indonesia Pintar,” J. Ilm. Teknol. Infomasi Terap., vol. 5, no. 1, pp. 23–31, 2019, doi:

10.33197/jitter.vol5.iss1.2018.249.

[2] J. Jendral and A. Yani, “PENERAPAN DATA MINING PADA PENJUALAN MENGGUNAKAN METODE CLUSTERING STUDY KASUS PT . INDOMARCO,” pp. 1–11.

[3] H. N. Turnip and H. Fahmi, “Penerapan Data Mining Pada Penjualan Kartu Paket Internet Yang Banyak Diminati Konsumen Dengan Metode K-Means,” vol. 4, no. 2, pp. 36–41, 2021.

[4] 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.

[5] V. No, S. P. Tamba, and F. T. Kesuma, “PENERAPAN DATA MINING UNTUK MENENTUKAN PENJUALAN SPAREPART TOYOTA DENGAN METODE K-MEANS CLUSTERING,” vol. 2, no. 2, 2019.

[6] A. E. Wicaksono, “Implementasi Data Mining Dalam Pengelompokan Peserta Didik Di Sekolah Untuk Memprediksi Calon Penerima Beasiswa Dengan Menggunakan Algoritma K-Means,” J. Teknol. Rekayasa, vol. 21, no. 3, pp. 206–216, 2016, [Online]. Available: http://www.sman16bekasi.sch.id.

[7] J. Informatika, S. A. Rahmah, J. Antares, and U. Dharmawangsa, “Beasiswa Yayasan Menggunakan K-Means,” vol. 13, no. 2, pp. 25–30, 2021.

[8] M. K.- Means, D. Ayu, and K. Debby, “Clustering Perekonomian Masyarakat Mataram Dengan.”

[9] J. N. Utamajaya, “Sistem Pendukung Keputusan Penerima Beasiswa Program Indonesia Pintar Menggunakan Metode Algoritma K-Means Clustering,” vol. 99, no. 99, pp. 1–10, 2021, doi: 10.30865/jurikom.v9i1.9999.

[10] H. Mahulae, “Pengelompokan Potensi Produksi Buah-Buahan di Provinsi Sumatera Utara dengan Menerapkan K-Clustering (Studi Kasus : Dinas Tanaman Pangan dan Holtikultura),” JURIKOM (Jurnal Ris. Komputer), vol. 7, no. 2, p. 312, 2020, doi:

10.30865/jurikom.v7i2.2122.

[11] N. A. Manihuruk, M. Zarlis, E. Irawan, and H. S. Tambunan, “Penerapan Data Mining Dalam Mengelompokkan Calon Penerima Beasiswa Dengan Menggunakan Algoritma K-Means,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 4, no. 1, pp.

29–34, 2020, doi: 10.30865/komik.v4i1.2575.

[12] D. J. Lubis and M. B. Tamam, “Penerapan K-Means Untuk Pengelompokkan Beasiswa Santri di Pondok Pesantren Miftahul Huda Bogor,” Teknois J. Ilm. Teknol. Inf. dan Sains, vol. 12, no. 1, pp. 7–20, 2022, doi: 10.36350/jbs.v12i1.125.

[13] L. G. Rady Putra and A. Anggrawan, “Pengelompokan Penerima Bantuan Sosial Masyarakat dengan Metode K-Means,”

MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 21, no. 1, pp. 205–214, 2021, doi:

10.30812/matrik.v21i1.1554.