Prediksi Penjualan Sparepart Mobil Terlaris Menggunakan Metode K-Nearest Neighbor
Sahara Abdy1, Erika Roberta Br Gultom2, Sri Ramadhany1,*, Afifudin2
1FProdi Manajemen Informatika, STMIK Logika, Medan, Indonesia
2Prodi Sistem Informasi, STMIK Logika, Medan, Indonesia
Email: 1saharaabdy77@gmail.com, 2erikaroberta204@gmail.com, 3,*sriramadhany82@gmail.com, 4,afifudin.logika@gmail.com Email Penulis Korespondensi : sriramadhany82@gmail.com
Submitted 29-11-2022; Accepted 20-12-2022; Published 30-12-2022 Abstrak
PT. GAYA MAKMUR MULIA MEDAN merupakan salah satu perusahaan yang bergerak menjual suku cadang maupun sparepart di sumatera utara. Seiring perkembangan teknologi, maka semakin meningkatnya persaingan bisnis terutama mengenai penjualan sparepart. Hal ini juga mempengaruhi persaingan antar merk barang dengan kualitas yang dihasilkan.
Produk yang ditawarkan bermacam merk, merk mempengaruhi masyarakat untuk membeli produk tersebut. Dilihat dari banyaknya permintaan konsumen akan produk sparepart berdasarkan penjualan selama 2 tahun terakhir maka dibutuhkan prediksi untuk penjualan produk sparepart terlaris, guna untuk mempermudah perusahaan dalam penyediaan stok. Untuk mengetahui penjualan produk sparepart terlaris digunakan teknik data mining dan algoritma K-Nearest Neighbor sehingga menghasilkan prediksi penjualan terlaris pada divisi Mitsubishi dengan akurasi 80,00% dan akurasi Isuzu 66,67%
sehingga didapat target perolehan guna meningkatkan nilai akurasi terhadap klasifikasi penjualan produk terlaris.
Kata Kunci: Merk; Sparepart; Terlaris; Data Mining; K-Nearest Neighbor Abstract
PT. GAYA MAKMUR MULIA MEDAN is a company engaged in selling spare parts and spare parts in North Sumatra.
Along with the development of technology, the increasing business competition, especially regarding the sale of spare parts. This also affects the competition between brands of goods with the quality they produce. Products offered by various brands, brands influence people to buy these products. Judging from the large number of consumer requests for spare parts products based on sales over the last 2 years, predictions are needed for sales of the best-selling spare parts products, in order to make it easier for companies to provide stock. To find out the sales of best-selling spare part product, data mining techniques and K-Nearest neighbor algorithm are used to produce predictions of the best-selling sales in the Mitsubishhi division with an accuracy of 80,00% and Isuzu accuracy of 66,67% so that acquisition targets are obtained to increase the accuracy value for the classification of best-selling product sales.
Keywords: Merk; Sparepart; Best Sellling; Data Mining; K-Nearest Neighbor
1. PENDAHULUAN
Setiap perusahaan manufaktur selalu memerlukan catatan persediaan dan penjualan barang, hal ini berguna untuk memenuhi keinginan dan kepuasan pelanggan[1]. Kualitas layanan penting bagi kalangan bisnis untuk memastikan keberlangsungan roda bisnis perusahaan dan untuk mempertahankan daya saingnya. Banyak keuntungan yang didapat jika dalam kualitas layanan terhadap konsumen itu baik. Ini sangat terkait terhadap kepuasan pelanggan, loyalitas, pembelian berulang, dan keuntungan jangka panjang melalui promosi mulut ke mulut yang positif. [2]
Bagi perusahaan memenuhi keinginan dan kepuasan pelanggan merupakan suatu peluang untuk menguasai pasar termasuk perusahaan yang bergerak dibidang penyediaan alat transportasi seperti mobil. Untuk proses produksi mobil yang berkualitas diperlukan suku cadang mobil yang tepat. Pembelian dan persediaan suku cadang harus sesuai dengan proses produksi yang dilakukan. Untuk mengatasi masalah ini maka perusahaan membutuhkan suatu solusi yang dapat menyediakan informasi yang tepat agar persediaan sparepart untuk produksi dan penjualan mobil sesuai kebutuhan pelanggan. Data mining dapat digunakan sebagai metode untuk mendapatkan pengetahuan terkait suku cadang yang berkaitan dalam produksi mobil dimasa yang akan datang [3]. Predivtive modelling merupakan salah satu metode pengolahan data dalam data mining. Tujuan metode ini adalah untuk memprediksi suatu nilai yang memiliki ciri-ciri tertentu. [4]Data mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran computer (machine learning) untuk menganalisis dan mengekstrasi pengetahuan (knowledge) secara otomatis.[5]
Terdapat banyak teknik data mining yang bisa digunakan untuk prediksi antara lain algoritma C4,5, algoritma Naïve Bayes, algoritma K-Nearest Neighbor dan lain-lain. Algoritma K Nearest Neighbor adalah suatu metode dalam data mining yang menggunakan algoritma supervised. Supervised learning bertujuan untuk menemukan pola baru dalam data dengan menghubungkan pola data yang sudah ada dengan data yang baru. Sedangkan pada unsupervised learning, data belum memiliki pola apapun dan tujuan unsupervised learning untuk menemukan pola dalam sebuah data. [6] Tujuan dari algoritma k-Nearest Neghbor adalah untuk mengklasifikasi objek baru berdasarkan atribut dan training samples.Dimana hasil dari sampel uji yang barudiklasifikasikan berdasarkan mayoritasdari katagori pada k-NN.
Algoritma k-NN menggunakan klasifikasi ketetanggaan sebagai nilai prediksi sampel uji yang baru. [5]
Penelitian dengan menggunakan algoritma k-Nearest Netghbor telah dilakukan oleh Mustakim untuk memprediksi peringkat prestasi mahasiswa fakultas sains dan teknologi prodi Sistem Informasi Universitas Islam Negeri Sutan Syarfi Kasim angkatan 2014/2015sebagai data testing dengan jumlah 50 data, serta berdasarkan dari data angkatan 2012/2013 sebagai data training dengan jumlah 165 data yang menghasilkan pengujian akurasi sebesar 82%. [7]
Berdasarkan latar belakang tersebut diatas maka penulis melakukan penelitian untuk memprediksi penjualan sparepart mobil yang paling banyak terjual pada PT. Gaya Makmur Mulia Medan dengan menggunakan metode data mining algoritma K Nearest Neighbor.
2. METODOLOGI PENELITIAN
2.1 Desain Penelitian
Desain penelitian adalah merupakan tahapan dalam menyusun karya ilmiah untuk memperoleh bukti-bukti yang empiris dalam menjawab pertanyaan terhadap penelitian yang dilaksanakan. [8]Adapun desain penelitian yang penulis lakukan dalam penelitian ini adalah sebagai berikut :
a. Melakukan analisis prediksi penjualan Sparepart Isuzu pada PT. Gaya Makmur Mulia Medan dan menentukan data- data barang sparepart yang akan di prediksi.
b. Membuat penerapan data mining menggunakanRapid miner dengan metode Algoritma K-Nearest Neighbor pada PT.
Gaya Makmur Mulia Medan.
c. Memprediksi Penjualan terlaris dengan menggunakan tahapan KDD (Knowledge Discovery in Database) dan data selection berdasarkan penjualan 2 tahun terakhir dari tahun 2019-2020 yang berasal dari PT. Gaya Makmur Mulia Medan.
d. Melakukan pengujian terhadap sampel data yang telah di seleksi setelah melewati tahapan pengujian.
2.2 Data Mining
Data mining merupakan Suatu proses penemuan informasi baru dengan cara mencari pola-pola atau aturan tertentu dari sejumlah data yang sangat besar merupakan pengertian data mining secara sederhana. [9]Berdasarkan pengertian data mining yang telah dijelaskan di atas, maka data mining merupakan pengetahuan yang tersembunyi di dalam database yang di proses untuk menemukan pola dan teknik statistik matematika, kecerdasanbuatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi pengetahuan dari database. [10]
Gambar 1. Akar Ilmu Data Mining 2.2 Algoritma K Nearest Neighbour.
Algoritma K-Nearest Neighbor (K-NN) adalah suatu metode yang menggunakan algoritma supervised. K-NN termasuk kelompok instancebased learning.Algoritma ini juga merupakan salah satu teknik lazy learning.K-NN dilakukan dengan mencari kelompok k objek dalam data training yang paling dekat (mirip) dengan objek pada data baru atau data testing.
[7]Algoritma K-Nearest Neighbor merupakan metode klasifikasi yang mengelompokan data baru berdasarkan jarak data baru itu kebeberapa data/tetangga (neighbord) terdekat. Teknik K-Nearest Neighbor dengan melakukan langkah-langkah yaitu, mulai input: Data training, label data traning, k, data testing :[11]
a. Untuk semua data testing, hitungjaraknya ke setiap data training b. Tentukan k data training yang jaraknya paling dekat dengan data c. Testing
d. Periksa label dari k data ini
e. Tentukan label yang frekuensinya paling banyak
f. Masukan data testing ke kelas dengan frekuensi paling banyak g. Berhenti
Tujuan dari algoritma ini adalah untuk mengklasifikasikan objek baru berdasarkan atribut dan contoh pelatihan.
[12]. Algoritma k-NN menggunakan klasifikasi ketetanggaan sebagai nilai prediksi dari sampel ujiyang baru. Jarak yang digunakan adalah jarak Euclidean Distance. Euclidean Distance Euclidean Distance mengukur kedekatan antara dua buah objek yang digambarkan sebagai pengukuran garis lurus atau secara langsung. Jarak Euclidean adalah jarak yang paling umum digunakan pada data numerik. Euclidean distance didefinisikan sebagai berikut :[13]
𝑑(𝑥𝑖, 𝑥𝑗) = √∑𝑛𝑟=1(𝑎𝑟(𝑥𝑖) − 𝑎𝑟(𝑥𝑗))2) (1) Keterangan :
d(xi,xj ) : Jarak Euclidean(Eucledean Distance).
(xi) : record ke- i (xj) : record ke- j (ar) : data ke-r i,j :1,2,3,…n
Data training adalah kumpulan data hasil penjualan sparepart. [14]Adapun data training untuk penelitian ini adalah sesuai dengan tabel 1.
Tabel 1. Tabel Data Training Sparepart Merk Isuzu
No. Nama barang Bulan
Kategori 01 02 03 04 05 06 07 08 09 10 11 12
1 Paking Deksel 1 0 2 2 1 3 2 1 0 4 2 1 Kurang Laris
2 Paking Set 3 3 9 2 1 4 1 1 2 2 4 2 Kurang Laris
3 Kain Klos 5 4 5 6 8 7 7 3 2 3 5 9 Laris
4 Matahari 8 4 6 8 2 2 4 3 6 6 5 5 Laris
5 Saringan Hawa 9 3 3 4 8 9 2 3 7 1 1 1 Kurang Laris
6 Saringan Solar 9 3 3 2 4 1 0 1 3 4 5 7 Kurang Laris
7 Saringan Oli 9 0 0 1 5 4 2 0 1 2 3 5 Kurang Laris
8 Kabel Km 6 5 6 4 2 1 1 1 0 2 3 5 Kurang Laris
9 Kabel Rem Tangan 9 2 2 4 1 3 5 6 4 1 4 3 Kurang Laris
10 Kabel Posneling 7 7 8 9 4 2 1 1 4 2 2 0 Kurang Laris
11 Bangku Mesin 8 7 1 5 2 3 8 4 1 4 7 2 Kurang Laris
12 Sunvisor 1 2 1 1 1 2 2 0 1 3 4 2 Kurang Laris
13 Plat Tangga 2 1 0 0 2 3 5 1 5 7 0 0 Kurang Laris
14 Bosper 8 5 3 7 2 2 3 1 1 2 3 2 Kurang Laris
15 Baut As 9 8 4 3 2 0 1 2 3 1 0 1 Kurang Laris
16 Lampu Sen 2 1 0 0 2 1 1 3 3 1 1 0 Kurang Laris
Tabel 2. Tabel Data Training Sparepart Merk Mitsubishi
No. Nama barang Bulan
Kategori 01 02 03 04 05 06 07 08 09 10 11 12
1 Paking Deksel 2 2 2 3 4 1 2 2 4 1 3 2 Kurang Laris
2 Paking Set 1 1 1 1 0 0 1 2 3 4 1 2 Kurang Laris
3 Kain Klos 4 2 4 2 2 9 8 8 9 7 7 9 Laris
4 Matahari 4 4 3 1 1 7 6 4 4 1 1 2 Kurang Laris
5 Saringan Hawa 9 7 6 5 3 2 1 2 4 2 2 7 Kurang Laris
6 Saringan Solar 9 2 1 3 3 4 5 7 8 1 1 2 Kurang Laris
7 Saringan Oli 9 3 3 4 1 1 0 0 2 5 4 7 Kurang Laris
8 Kabel Km 2 3 4 5 1 2 3 4 2 2 1 1 Kurang Laris
9 Kabel Rem Tangan 1 4 4 7 7 5 4 3 2 1 4 6 Kurang Laris
10 Kabel Posneling 6 2 2 0 7 4 3 2 1 5 2 2 Kurang Laris
11 Bangku Mesin 4 9 4 4 3 2 2 7 5 5 2 1 Kurang Laris
12 Sunvisor 1 1 1 0 0 0 1 2 1 1 3 0 Kurang Laris
13 Plat Tangga 2 2 1 0 0 1 1 1 0 2 1 1 Kurang Laris
14 Bosper 9 8 9 2 2 4 3 5 7 6 8 3 Laris
15 Baut As 8 9 9 5 4 4 3 2 2 1 4 2 Laris
16 Lampu Sen 1 1 1 0 0 2 3 2 2 1 1 1 Kurang Laris
3. HASIL DAN PEMBAHASAN
Berdasarkan Tabel 1dan Tabel 2 tahapan data mining menggunakan metode Algoritma K-Nearest Neighbor pada penelitian ini nilai k yang digunakan adalah 3. Menghitung jarak antar data teratribut dan data testing pada tahap transformationpada sparepart merk Isuzu dan Mitsubishi menggunakan perhitungan Euclidean Distance sebagai berikut:
Tabel 3. Nilai Hasil Jarak
Record Merk
Isuzu Mitsubishi d1 15.03329637 17.34935157 d2 13.52774925 18.24828759
d3 0 0
d4 11.53256259 13.30413469 d5 12.80624847 17.94435844
d6 12.24744871 13.89244398 d7 12.28820572 17.02938636 d8 11.87434208 16.70329308 d9 12.76714533 14.93318452 d10 14.28285685 16.27882059 d11 12.12435565 15.77973383 d12 14.66287829 19.74841765 d13 16.34013463 19.72308292 d14 12.16552506 13.64779433 d15 16.03121954 18.22086715 d16 17. 02938636 17.94435844
Dari perincian penjualan sparepart Mitsubishi tersebut maka dalam menentukan kelompok data hasil dari nilai k tetangga terdekat berdasarkan label mayoritas sehingga nilai k = 3 yang diambil dari 3 jarak tekecil yaitu d3,d4, dan d14. Berdasarkan perhitungan Algoritma K-Nearest Neighbor menggunakan rumus perhitungan jarak Euclidean dapat disimpulkan bahwa dari kedua kriteria pejualan terlaris pada PT.GMM berdasarkan mayoritas hasil dari nilai k=3 yaitu :
Tabel 4. Tabel Prediksi
Record Isuzu Record Mitsubishi
d16 17.02938636 d12 19.74841765
d13 16.34013463 d13 19.72308292
d15 16.03121954 d2 18.24828759
3.1 RapidMiner
Rapid Miner merupakan sebuah tools yang digunakan untuk pengolahan data mining.[15] RapidMiner digunakan untuk melakukan pengujian terhadap data yang telah didapatkan dari hasil penjualan sparepart dari tahun 2019 dan 2020. [16]
3.1.1 ImplementasiRapidMiner
Berikut adalah rangkaian proses yang di gunakan dalam melakukan pengujian dan implementasi sistem yaitu : [17]
a. Jalankan aplikasi RapidMiner studio 9.10.008 jika sudah di jalankan maka akan muncul tampilan seperti gambar 4.10 kemudian klik import data untuk mengimport data yang akan kita analisis menggunakan aplikasi RapidMiner 9.10.008.
Gambar 1. Tamplan Awal Aplikasi RapidMiner b. Lalu pilih data dengan file excel yang akan diuji.
c. Tahapan selanjutnya adalah memproses data melalui operators kemudian double klik read excel, lalu klik read excel (Data Training), kemudian input configuration wizard lalu pilih data yang akan di uji, setelah itu tentukan label lalu double klik set role dan atur atribut, setelah itu hubungkan dengan k-NN. Disini kita akan menguji data menggunakan apply model untuk membuat sebuah model, kemudian double klik performance classification karena algoritma k-NN menggunakan klasifikasi sebagai data latih.
Gambar 2. Hasil proses classification
d. Adapun hasil accuracy dari performance vector sebesar 80,00% untuk proses yang dilaksanakan pada model proses classification.
Gambar 3. Tampilan hasil proses accuracy
e. Setelah Melakukan klasifikasi, tahap selanjutnya yang dilakukan adalah teknik drag and drop operator read excel kemudian lakukan import pada tabel Microsoft excel lalu proses data agar dapat membaca atribut dari data training dalam format excel, kemudian ganti antribut dan label pada data tersebut.
Gambar 4. Importing data training
f. Selanjutnya drag and drop operator k-NN dengan memasukkan nilai k=3, kemudian hubungkan operator dengan apply model setelah itu ulangi lagi dengan memasukkan read excel dan kemudian import data pada tabel testing, proses selanjutnya yaitu hubungkan model pada result.
Gambar 5. Susunan Algoritma k-NN
g. Tahap ini adalah tahap terakhir dari proses data mining rapidminer setelah semua operator terhubung kemudian klik icon play tombol, maka akan muncul sebuah tab result yang isinya sebuah prediksi dari seluruh data yang di uji memenuhi nilai k=3. Hasil yang didapatkan dari prediksi penjualan sparepart terlaris pada PT. GMM, seperti gambar dibawah ini:
Gambar 6. Proses Decision Tree
h. Pengujian dilakukan pada setiap proses akhir yang terdapat pada aplikasi, dengan kondisi berhasil dan gagal. Hasil pengujian bebentuk Decision Tree ( Pohon Keputusan ).
Gambar 7. Hasil Decision Tree
Dari kedua hasil visualisasi pada masing – masing divisi dapat disimpulkan bahwa penjualan sparepart setiap bulannya tidak menentu sesui dengan grafik penjualan dari bulan januari sampai desember. Grafik tersebut menunjukkan naik dan turunnya penjualan dari bulan ke bulan. Pada sistem ini penjualan Mitsubishi terjadi peningkatan perbulannya dibandingkan dengan penjualan Isuzu yang penjualannya naik turun perbulannya.
Hasil pengujian terakhir menggunakan Decision Tree (Pohon Keputusan ) untuk memvisualisasikan hasil dari setiap pilihan dalam cara terorganisir. Dari model decision tree akan terbentuk classification rules di antara 16 model yang terbentuk terdapat iterasi yang hanya memiliki model decision tree yang terlaris yaitu kain klos, dan yang kurang laris yaitu saringan solar. Selanjutnya model yang memiliki akurasi tertinggi dan mencakup keseluruhan terdapat pada bulan November yang totalnya 3.500%.
4. KESIMPULAN
Penelitian ini dilakukan pemodelan menggunakan Algoritma K-Nearest Neighbor dengan menggunakan data yang diolah berdasarkan tahapan Knowledge Discovery in Database (KDD). Berdasarkan hasil perhitungan data mining dengan menggunakan teknik klasifikasi dan algoritma K-NN maka dapat ditarik kesimpulan prediksi penjualan sparepart pada PT. Gaya Makmur Mulia dilakukan dengan menerapkan data mining dan menggunakan software rapidminer dan mengolah data secara manual dengan menggunakan algoritma K-NN yang dihitung berdasarkan jarak Euclidean. Dari pengolahan data tersebut didapatkan hasil prediksi penjualan sparepart terlaris dengan accuracy 80.00%. Kriteria-kriteria yang digunakan dalam perbandingan prediksi penjualan sparepart terlaris pada PT. Gaya Makmur Mulia yaitu Isuzu dan Mitsubishi. Proses penerapan data mining diolah dengan membuat data teks menjadi lebih terstruktur melalui Pre- processing, data yang diambil dari tahun 2019 sampai tahun 2020.
REFERENCES
[1] M. Aries, H. Rarindo, Y. A. Winoko, and S. Adiwidodo, “ANALISIS PENJUALAN SPARE PART MOBIL DENGAN METODE ABC (KONSEP 80-20) PADA GUDANG SUKU CADANG DI BENGKEL PT. ASTRA INTERNASIONAL Tbk.
AUTO2000 PASURUAN,” J. Ilm. Teknol. FST Undana, vol. 14, no. 2, 2020.
[2] M. Reza Noviansyah, T. Rismawan, D. Marisa Midyanti, J. Sistem Komputer, and F. H. MIPA Universitas Tanjungpura Jl Hadari Nawawi, “Penerapan Data Mining Menggunakan Metode K-Nearest Neighbor Untuk Klasifikasi Indeks Cuaca Kebakaran Berdasarkan Data Aws (Automatic Weather Station) (Studi Kasus: Kabupaten Kubu Raya),” J. Coding, Sist. Komput. Untan, vol. 06, no. 2, pp. 48–56, 2018.
[3] A. A. Firdaus, N. Iksan, D. N. Sadiah, L. Sagita, and D. Setiawan, “Penerapan Algoritma Apriori untuk Prediksi Kebutuhan Suku Cadang Mobil,” J. Sist. dan Teknol. Inf., vol. 9, no. 1, p. 13, 2021, doi: 10.26418/justin.v9i1.41151.
[4] S. H. David Hartanto Kamagi, “Implementasi Data Mining dengan Algoritma C4.5 untuk Memprediksi Tingkat Kelulusan Mahasiswa,” Ultim. Vol. VI, No. 1 | Juni 2014, vol. VI, no. 1, pp. 254–260, 2014, doi: 10.1109/EPEPEMC.2016.7752007.
[5] L. Setiyani, M. Wahidin, D. Awaludin, and S. Purwani, “Analisis Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Metode Data Mining Naïve Bayes : Systematic Review,” Fakt. Exacta, vol. 13, no. 1, p. 35, 2020, doi:
10.30998/faktorexacta.v13i1.5548.
[6] W. C. Zheng and X. X. Wu, “Investigations of the spin Hamiltonian parameters for the trigonal Co 2+ center in ZnS0.001Se0.999 mixed crystal,” Opt. Mater. (Amst)., vol. 28, no. 4, pp. 370–373, 2006, doi: 10.1016/j.optmat.2004.12.020.
[7] Mustakim and G. Oktaviani F, “Algoritma K-Nearest Neighbor Classification Sebagai Sistem Prediksi Predikat Prestasi Mahasiswa,” vol. 13, no. 2, pp. 195–202, 2016.
[8] P. Simanjuntak and E. Elisa, “Data Mining Untuk Menentukan Pemilihan Celular Card Di Kota Batam,” J. Inf. Syst. Dev., vol.
4, no. 2, pp. 1–5, 2019, [Online]. Available:
https://ejournal.medan.uph.edu/index.php/isd/article/view/283%0Ahttps://ejournal.medan.uph.edu/index.php/isd/article/downlo ad/283/143
[9] I. P. Ninditama, I. P. Ninditama, W. Cholil, M. Akbar, and D. Antoni, “Klasifikasi Keluarga Sejahtera Study Kasus : Kecamatan
Kota Palembang,” J. TEKNO KOMPAK, vol. 15, no. 2, pp. 37–49, 2020, [Online]. Available:
https://ejurnal.teknokrat.ac.id/index.php/teknokompak/article/view/1156
[10] D. P. Utomo and M. Mesran, “Analisis Komparasi Metode Klasifikasi Data Mining dan Reduksi Atribut Pada Data Set Penyakit Jantung,” J. Media Inform. Budidarma, vol. 4, no. 2, p. 437, 2020, doi: 10.30865/mib.v4i2.2080.
[11] A. Rohman, “MODEL ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKKELULUSAN MAHASISWA,”
2012.
[12] H. Said, N. H. Matondang, and H. N. Irmanda, “Sistem Prediksi Kualitas Air Yang Dapat Dikonsumsi Dengan Menerapkan Algoritma K-Nearest Neighbor,” no. April, pp. 158–168, 2022.
[13] N. Tangerang, “ALGORITMA K-NEAREST NEIGHBOR DENGAN MENGGUNAKAN METODE EUCLIDEAN DISTANCE UNTUK MEMPREDIKSI KELULUSAN UJIAN NASIONAL BERBASIS DESKTOP PADA SMA,” vol. 1, no.
1, pp. 123–129, 2018.
[14] S. Maesaroh and Kusrini, “Sistem Prediksi Produktifitas Pertanian Padi Menggunakan Data Mining,” J. Energi, vol. 7, no. 2, pp.
25–30, 2017, [Online]. Available: eprints.dinus.ac.id/16925/1/jurnal_16115.pdf
[15] M. Y. Putra and D. I. Putri, “Pemanfaatan Algoritma Naïve Bayes dan K-Nearest Neighbor Untuk Klasifikasi Jurusan Siswa Kelas XI,” J. Tekno Kompak, vol. 16, no. 2, pp. 176–187, 2022.
[16] S. Marpaung, S. -, and I. -, “Penerapan Metode Naïve Bayes Dalam Memprediksi Prestasi Siswa Di SMA Negeri 1 Panombeian Panei,” J. Sist. Inf. dan Ilmu Komput. Prima(JUSIKOM PRIMA), vol. 4, no. 2, pp. 8–13, 2021, doi:
10.34012/jurnalsisteminformasidanilmukomputer.v4i2.1522.
[17] K. S. M. I. P.-A. Sri Wahyunu, “Implementasi Rapid Miner dalam menganalisa Data Mahasiswa Drop Out,” vol. 10, pp. 421–
437, 2017.
