VOL.07, NO.01, Bulan Februari 2023 P-ISSN : 2549-211X
TRANSFORMASI STRATEGI PENJUALAN BATIK CIREBON DENGAN PENDEKATAN ANALISIS PENGELOMPOKAN K-MEANS
Mulyawan1, Agus Bahtiar2, Irfan Ali3,*
1 STMIK IKMI Cirebon, Sistem Informasi, STMIK IKMI, Cirebon, Indonesia
2 STMIK IKMI Cirebon, Sistem Informasi, STMIK IKMI, Cirebon Indonesi3
3 STMIK IKMI Cirebon, Rekayasa Perangkat Lunak, STMIK IKMI, Cirebon Indonesia Email: 1[email protected], 2[email protected], 3[email protected]
(Email Penulis Korespondensi : [email protected]) Submitted 10-01-2023; Accepted 30-01-2023; Published 27-02-2023
Abstract— The traditional art of Batik is a unique Indonesian art form that combines art and technology to create beautiful and unique fabrics. Indonesian Batik has unmatched designs and processes, and its various patterns contain meanings and philosophies from different customs and cultures in Indonesia. Batik from Cirebon has many batik motifs such as Mega Mendung, Singa Barong, and Paksinaga Liman. To optimize sales, data mining techniques are required to transform data into new information. The K-Means method is a suitable way to cluster sales data for batik products because it can process data without knowing the label class.
The aim of this research is to apply the K-Means algorithm in clustering sales data and to find the K-Optimal result using the Orange application. The research results show that there are six clusters that correspond to the batik sales data, and the optimal cluster result is found at k=6.
Keywords: Orange, Data Mining, K-Means, Batik
Abstrak— Batik adalah seni tradisional Indonesia yang mengombinasikan seni dan teknologi untuk menciptakan kain yang indah dan unik. Batik Indonesia memiliki desain dan proses yang tak tertandingi, dan ragam coraknya mengandung makna dan filosofi dari berbagai adat dan budaya di Indonesia. Batik Cirebon memiliki banyak motif batik seperti Mega Mendung, Singa Barong, dan Paksinaga Liman. Untuk mengoptimalkan penjualan, diperlukan teknik data mining untuk mengubah data menjadi informasi baru. Metode K-Means adalah cara yang tepat untuk mengelompokkan data penjualan produk batik karena dapat mengolah data tanpa mengetahui kelas label. Tujuan dari penelitian ini adalah untuk menerapkan algoritma K-Means dalam pengelompokan data penjualan dan menemukan hasil K- Optimum dengan menggunakan aplikasi Orange. Hasil dari penelitian menunjukkan bahwa terdapat enam kelompok yang sesuai dengan data penjualan batik dan hasil kluster yang optimal terdapat pada k=6.
Kata Kunci— Orange, Data Mining, K-Means, Batik.
I. PENDAHULUAN
Kain Batik masing-masing motif memiliki filosofi dan makna yang berbeda-beda. Salah satu took batik di Cirebon, yang menawarkan berbagai macam motif batik seperti Mega Mendung, Singa Barong, dan Paksinaga Liman. Untuk mengoptimalkan penjualan batik di toko tersebut, diperlukan teknik analisis data yang tepat. Salah satu metode yang dapat digunakan adalah K-Means Clustering, yang dapat mengelompokkan data penjualan batik tanpa memerlukan kelas label tertentu. Penelitian ini bertujuan untuk menerapkan
Orange dan widget Silhouette Plot-Orange, penelitian ini menunjukkan adanya enam kelompok yang optimal untuk data penjualan batik di toko Batik. Hasil ini dapat digunakan untuk mengoptimalkan strategi penjualan batik di toko tersebut.[1]
Oleh karena itu, diperlukan pemahaman yang lebih mendalam tentang pola batik untuk dapat mengenali motif-motif yang ada. Selain itu, batik juga memiliki nilai ekonomi yang tinggi bagi masyarakat Indonesia, terutama bagi produsen dan pedagang batik.
Dalam era digital seperti saat ini, penggunaan teknologi dan analisis data dapat membantu memperbaiki strategi pemasaran batik dan meningkatkan penjualan. Salah satu metode analisis data yang digunakan dalam penelitian ini adalah metode pengelompokan K- Means. Metode ini digunakan untuk mengelompokkan data penjualan batik dan menentukan kluster yang optimal untuk meningkatkan efektivitas strategi pemasaran. Tujuan penelitian ini adalah untuk memperbaiki strategi pemasaran batik dengan menerapkan metode K- Means pada data penjualan dan mencari hasil kluster yang optimal untuk meningkatkan penjualan. Hasil penelitian menunjukkan bahwa penerapan metode K-Means pada data penjualan batik dapat menghasilkan kluster yang optimal dan meningkatkan efektivitas strategi pemasaran.
Data mining memang bisa membantu toko Batik dalam mengelola data penjualan mereka. Dengan menggunakan algoritma tertentu, data mining dapat memproses data yang telah terkumpul untuk menghasilkan informasi yang berguna bagi toko tersebut. Misalnya, dengan menggunakan metode K-Means, data penjualan produk batik dapat dikelompokkan secara efektif tanpa harus mengetahui kelas label terlebih dahulu. Hasil dari pengelompokan data tersebut dapat membantu toko Batik untuk mengetahui pola penjualan dan mengetahui produk mana yang paling laris sehingga dapat meningkatkan keuntungan mereka.
Oleh karena itu, implementasi data mining pada toko Batik dapat membantu mereka dalam meningkatkan efisiensi dan produktivitas dalam pengelolaan data dan bisnis mereka. Dalam kasus Toko Batik Sinar, data mining dapat digunakan untuk menganalisis data penjualan batik, mengidentifikasi pola pembelian pelanggan, dan memprediksi permintaan produk di masa depan. Dengan informasi ini, toko Batik dapat mengambil keputusan bisnis yang lebih baik dan meningkatkan efisiensi operasional. Metode K-Means dapat digunakan untuk mengelompokkan data penjualan batik ke dalam kelompok yang serupa, sementara algoritma regresi dapat digunakan untuk memprediksi penjualan di masa depan.
Data mining dapat menjadi alat yang sangat bermanfaat bagi toko Batik untuk meningkatkan keuntungan dan mengoptimalkan bisnis mereka [2]. Toko Batik yang berlokasi di Jalan Plered Kabupaten Cirebon. Batik yang dijual memiliki bebagi macam motif, seperti motif batik Mega Mendung, Singa Barong dan Paksinaga Liman merupakan tiga motif yang memiliki tingkat kepopuleran tinggi di Cirebon. Dengan banyaknya penjualan di setiap produk, Toko Batik kesulitan dalam mengetahui total penjualan terbanyak dan produk
diperlukan adanya pengelompokan dalam data penjualan, manakah dari ketiga motif batik yang total penjualannya paling tinggi dari Bulan Juli 2022-Desember 2022 di Toko Batik. Data dalam penelitian ini adalah data pada bulan Juli 2022-Desember 2022.
Tabel 1 Data Penjualan Batik
NO TANGGAL
MOTIF MEGA MENDU NG
MOTIF SINGA BARON
G
MOTIF PAKSI NAGA LIMA
N
TOTAL PENJU
ALAN
1 01/07/2022 8 6 2 Rp3.200.
000
2 02/07/2022 10 3 5 Rp3.500.
000
3 03/07/2022 32 4 6 Rp7.300.
000
4 05/07/2022 5 5 2 Rp2.500.
000
5 06/07/2022 12 6 3 Rp4.050.
000
6 07/07/2022 6 2 3 Rp2.150.
000
7 08/07/2022 5 2 1 Rp1.500.
000
8 09/07/2022 6 3 2 Rp2.150.
000
9 10/07/2022 7 1 1 Rp1.550.
000
10 12/07/2022 5 6 2 Rp2.750.
000
11 13/07/2022 15 2 3 Rp3.500.
000
12 14/07/2022 20 5 4 Rp5.250.
000
13 15/07/2022 5 2 1 Rp1.500.
000
14 16/07/2022 3 1 0 Rp700.0
00
15 17/07/2022 10 1 1 Rp2.000.
000
16 19/07/2022 1 6 3 Rp2.400.
000
17 20/07/2022 6 3 2 Rp2.150.
000
18 21/07/2022 5 3 1 Rp1.750.
000
19 22/07/2022 2 0 3 Rp1.050.
000
20 23/07/2022 15 3 2 Rp3.500.
000
21 25/07/2022 30 15 0 Rp8.250.
000
22 26/07/2022 4 3 3 Rp2.100.
000
23 27/07/2022 10 10 10 Rp6.500.
000
… …. …. … …. …..
159 28/12/2022 4 4 3 Rp2.350.
000
160 30/12/2022 2 3 2 Rp1.550.
000 Dalam menangani pengelompokan data penjualan batik dengan total penjualan tertinggi menggunakan teknik Data Mining. Teknik Data Mining digunakan untuk mencari informasi yang penting atau pengetahuan dari data disebut knowledge discovery database (KDD).
Adapun metode yang digunakan dalam pengelompokan data ini adalah dengan metode Clustering. Menurut (Narwati, 2010)
Clustering adalah suatu Teknik untuk mengelompokkan objek yang mempunyai kemiripan pola hubungan dalam kumpulan data yang besar. Algoritma K-Means cukup akurat sesuai dengan ukuran objek, sehingga algoritma ini relatif lebih terukur dan efisien ketika menangani objek dalam jumlah besar. Selanjutnya, urutan objek tidak mempengaruhi algoritma K-Means [3]. Partial clustering adalah pembagian data menjadi kumpulan data (cluster) yang tidak tumpang tindih sehingga semua data hanya berada dalam satu cluster [4] Data Mining atau Penambangan data Penambangan data adalah proses yang menggunakan statistik, matematika, kecerdasan buatan, dan teknik pembelajaran mesin untuk mengekstraksi dan mengidentifikasi informasi yang berguna dan relevan dari basis data besar. Menurut Kusrin, data mining adalah istilah yang digunakan untuk menggambarkan pencarian informasi dalam basis data. Penambangan data adalah proses yang menggunakan teknik statistik matematika, kecerdasan buatan, dan pembelajaran mesin untuk secara interaktif mengidentifikasi informasi yang berguna dan relevan dari basis data besa [4].
Teknik, metode atau algoritma pada data mining amat beragam [5].
Penentuan metode atau algoritma yang benar amat bergantung pada tujuan dan proses KDD secara keseluruhan. Proses yang dilakukan pada data mining yaitu, Seleksi data dari data yang didapat ke data target, Tahap Pre-processing untuk menyempurnakan kualitas data, Transformasi, Data Mining beserta Tahap Interpretasi dan Evaluasi yang membentuk output bersifat pengetahuan baru yang diharapkan memberi kontribusi lebih baik [6].
II. METODOLOGI PENELITIAN
Algoritma K-Means merupakan satu fungsi untuk memaksimalkan pada metode data clustering non-hirarki yang mempartisikan data ke dalam cluster sehingga data yang memiliki karakteristik yang sama dimasukan kedalam cluster yang sama dan karakteristik yang berbeda dimasukkan kedalam cluster yang lain [7].
Tahapan K-means secara umum adalah : 1. Pilih jumlah cluster-k.
2. Inisialisasi k pusat cluster ini bisa dilakukan dengan berbagai cara. Namun yang paling sering dilakukan adalah dengan cara rendem. Pusat cluster diberi nilai awal dengan angka random [8].
3. Alokasikan semua data/objek ke cluster terdekat. Kedekatan dua objek ditentukan berdasarkan jarak kedua objek tersebut.
Menurut [9] menghitung jarak semua data ke setiap titik pusat cluster dapat menggunakan teori jarak Euclidean yang dirumuskan sebagai berikut:
𝑑(𝑥𝑖, 𝜇𝑗) = √Σ(𝑥𝑖 − 𝜇𝑗)2 Dimana :
xi : data kriteria
µj : centroid pada cluster ke-j
4. Memilah data dengan jarak terdekat antara data dengan centroid.
5. Menentukan nilai centroid yang baru dengan nilai rata-rata, dengan rumus berikut :
∁𝑘 = 1 𝑛𝑘 ∑ 𝑑𝑖
6. ulang sampai anggota cluster tidak berubah.
Kelebihan K-Means :
a. Mudah untuk diimplementasikan dan dijalankan.
b. Waktu yang dibutuhkan untuk pembelajaran ini sangat relatif cepat.
c. Umum untuk digunakan.
d. Sangat mudah untuk diadaptasi.
VOL.07, NO.01, Bulan Februari 2023 P-ISSN : 2549-211X a. Ketika jumlah data tidak terlalu banyak, maka mudah untuk
menentukan cluster awal.
b. Sebelum melakukan perhitungan harus menentukan jumlah cluster dan banyaknya K terlebih dahulu.
c. Tidak pernah mengetahui real cluster dengan menggunakan data yang sama, namun jika dimasukan dengan cara yang berbeda mungkin dapat memproduksi cluster yang berbeda jika jumlah datanya sedikit.
Tidak tahu konstribusi dari atribut dalam proses pengelompokan karena dianggap bahwa setiap atribut memiliki bobot yang sama.
Orange Data Mining adalah sebuah perangkat lunak sumber terbuka untuk analisis data yang terkenal karena kemampuannya dalam visualisasi data dan pemrograman visual. Perangkat lunak ini menyediakan banyak widget yang dapat digunakan oleh pengguna untuk memanipulasi data dan melakukan analisis data. [10]
Penjualan adalah kegiatan yang dilakukan oleh penjual untuk menjual barang atau jasa dengan tujuan memperoleh keuntungan dari transaksi tersebut. Penjualan merupakan bagian integral dari fungsi jual beli, yang bertujuan untuk melakukan pengalihan hak dan transaksi. Sebagai produk yang dihasilkan dan dijual oleh suatu perusahaan, penjualan menjadi salah satu langkah pemasaran yang sangat penting. Semakin tinggi penjualan yang dihasilkan, maka keuntungan yang didapat oleh perusahaan pun akan semakin maksimal.
Oleh karena itu, perusahaan perlu melakukan berbagai usaha agar konsumen tertarik dan loyal dalam berbelanja di unit usaha mereka.
[11].
Berdasarkan pengertian di atas dapat disimpulkan bahwa jual beli adalah suatu akad dua pihak antara penjual dan pembeli, dimana penjual menawarkan suatu barang dengan harapan pembeli dapat mempersembahkan sejumlah uang sebagai takaran. produk dengan harga jual yang telah disepakati [12].
Batik adalah seni gambar di atas kain yang berasal dari Indonesia dan merupakan produk budaya asli. Teknik batik melibatkan memberi warna pada permukaan kain yang tidak tertutup oleh lilin atau malam, dengan bantuan alat penoreh yang disebut canthing. Setelah proses pewarnaan, malam dihilangkan dengan proses nglorod sehingga hasil akhir terlihat indah dengan ragam hias yang beragam. Awalnya, batik hanya dikerjakan di dalam keraton dan digunakan untuk membuat pakaian raja, keluarga kerajaan, dan pejabat, namun seiring waktu, batik menjadi populer dan menyebar ke masyarakat luas. Kegiatan membatik biasanya dilakukan oleh perempuan sebagai pengisi waktu senggang. Pewarna alami seperti dari pohon mengkudu, tinggi, soga, dan nila juga digunakan untuk mewarnai batik. Batik memiliki keunikan dan ciri khas dari masing-masing daerah di Indonesia yang dihasilkan dari perbedaan kondisi lingkungan dan letak geografis [13].
Tahapan Penelitian
Tahapan perancangan mencangkup langkah-langkah perancangan dari awal sampai akhir. Tahap ini merupakan tahapan analisa dan perancangan model yang akan digunakan untuk clustering. Adapun detail pada tahapan ini adalah :
Gambar 1Tahapan Penelitian 1. Seleksi Data
Tahap awal dalam proses data mining adalah penentuan database yang akan digunakan untuk proses clustering. Data yang dipilih untuk proses ini adalah data penjualan barang pada Toko Batik selama periode Juli 2022 hingga Desember 2022. Pada tahap seleksi data, dilakukan pemilihan data yang sesuai dengan tujuan analisis, karena tidak semua data akan digunakan dalam proses clustering. Sehingga hanya data yang relevan yang akan diambil dari database.
2. Pre-processing
Tahap pre-processing data pada data mining adalah tahap pembersihan data dari data yang tidak diperlukan atau data yang tidak valid. Pada tahap ini, data yang mengandung outlier, inkonsisten, ganda, missing values atau tidak lengkap akan diperiksa dan dihapus jika perlu.
3. Data Transformasi
Tahap yang dijelaskan merupakan tahap Feature Transformation dalam proses Data Mining. Pada tahap ini, data yang telah melalui tahap Pre-processing akan diubah atau ditransformasikan ke dalam format yang sesuai untuk proses clustering menggunakan metode k-means. Salah satu transformasi data yang dilakukan adalah mengubah variabel data distribusi menjadi kode awal yang unik.
Transformasi data dapat dilakukan dengan berbagai cara, tergantung dari jenis data yang akan diproses dan tujuan dari analisis. Pada kasus ini, transformasi dilakukan untuk memudahkan proses clustering dengan metode k-means. Hal ini dikarenakan metode k-means hanya mampu memproses data numerik, sehingga data kategori atau data string perlu diubah menjadi format numerik yang sesuai. Dengan demikian, tahap Feature Transformation sangat penting untuk mempersiapkan data sebelum dilakukan proses clustering.
III. HASILDANPEMBAHASAAN
Dalam hasil penelitian ini akan membahas tahapan-tahapan penerapan pengelompokan data penjualan batik menggunakan metode K-Means, yang nantinya akan menggunakan aplikasi pendukung yaitu aplikasi orange.
1. Data Selection
Pada tahap seleksi, penulis melakukan pemilihan data yang dibutuhkan dan menyesuaikannya dengan kebutuhan penelitian. Data yang digunakan dalam penelitian ini terdiri dari 5 atribut dan terdapat 160 record. Proses seleksi data dilakukan untuk memastikan bahwa hanya data yang relevan dan berguna yang digunakan dalam analisis lebih lanjut. Dalam pemilihan data, penulis harus mempertimbangkan kualitas dan kuantitas data yang tersedia serta memastikan bahwa data tersebut dapat menjawab pertanyaan penelitian secara akurat dan valid.
Setelah data terpilih, selanjutnya dilakukan tahap pre-processing untuk membersihkan data dari nilai-nilai yang tidak valid atau tidak diperlukan.
2. Preprocesing
Tahapan preprocessing data dalam penelitian ini menggunakan widget preprocesing data dengan melakukan Normalize features pada tools orange kemudian pilih Normalize to interval [-1,1].
Seleksi Data Preprocesing Data Transformasi
Clustering K-Means
Interpretasi/
Evaluasi
Gambar 2 Widget Proses Preprocesing Data
Gambar 2 Widget preprocesing data digunakan untuk proses preprocesing data mining dalam tools orange. Widget ini melakukan Transformasi menghasilkan nilai -1 dan deviasi standar 1 untuk setiap atribut.
3. Transformasi
Pada langkah ini, data diubah menjadi format yang sesuai untuk proses penambangan data. Karena penelitian ini merupakan eksperimen teoritis dan menggunakan software orange, maka data yang telah melalui proses sebelumnya ditransformasikan agar sesuai dengan algoritma yang digunakan yaitu. algoritma K-Means. Dibawah ini adalah data terdiri dari 160 record yang sudah melalui proses transformasi data seperti yang terlihat dalam gambar data table hasil dari orange.
4. Data Mining
Pada tahap ini dilakukan pemilihan teknik Data Mining yang sesuai.
Kemudian data tersebut akan distandarisasi mengikuti proses tahapan Data Mining agar data tersebut layak dan dapat diolah menggunakan orange dengan metode algoritma K-Means.
Gambar 3 Model Proses Algoritma K-Means Menggunakan Orange
Model proses pada gambar 3 model proses algoritma K-Means menggunakan orange yang digunakan untuk melakukan klusterisasi terhadap data penjualan Batik berdasarkan motif dan jumlah total penjualan menggunakan metode algoritma K-Means.
Gambar 4 Hasil Distributions-Orange
Pada gambar 4 hasil visualisasi dari penerapan widget distributions menggunakan tools orange menghasilkan visualisasi distribusi penjualan batik berdasarkan motif batik Mega Mendung.
Gambar 5 Hasil Distributions-Orange
Pada gambar 5 hasil visualisasi dari penerapan widget distributions menggunakan tools orange menghasilkan visualisasi distribusi penjualan batik berdasarkan motif batik Singa Barong.
Gambar 6 Hasil Distributions-Orange
Pada gambar 6 hasil visualisasi dari penerapan widget distributions menggunakan tools orange menghasilkan visualisasi distribusi penjualan batik berdasarkan motif batik Paksinaga Liman.
VOL.07, NO.01, Bulan Februari 2023 P-ISSN : 2549-211X
Gambar 7 Widget preprocesing-Orange
Pada Gambar 7 merupakan widget preprocesing menggunakan tools orange untuk melakukan proses preprocesing terhadap data penjualan batik sebelum dilakukan proses kluster menggunakan algoritma K-Means.
Gambar 8 Hasil dari widget preprocesing-Orange Gambar 8 merupakan hasil dari widget Data Table-Orange Setelah dilakukan proses preprocesing data menggunakan widget
preprocesing terhadap data perjualan batik.
Gambar 9 Hasil dari widget feature statistics-Orange Gambar 9 merupakan hasil dari penerapan widget feature statistics terhadap data perjualan batik.
Gambar 10 Hasil dari widget select columns-Orange
Gambar 10 merupakan widget select columns yang digunakan untuk memfilter atribut yang akan di proses klustering menggunakan algoritma K-Means terhadap data perjualan batik.
Gambar 11 Hasil widget select columns
Pada gambar 11 tahapan yang digunakan untuk melakukan seleksi atribut Motif Mega Mendung, Motif Singa Barong dan Motif Paksinaga Liman yang akan dilakukan proses kluster menggunakan algoritma K-Means.
Gambar 12 Hasil dari widget Algoritma K-Means-Orange Gambar 12 merupakan widget Algoritma K-Means yang digunakan untuk proses klustering terhadap data perjualan batik.
Gambar 13 Hasil Widget Algoritma K-Means-Orange Berdasarkan gambar 13 merupakan penerapan Algoritma K-Means menggunakan tools orange terhadap data penjualan batik
berdasarkan total penjualan dengam melakukan pengelompokan menjadi 6 kluster.
Gambar 14 Hasil Silhouette Plot-Orange
Pada gambar 14 adalah hasil dari penerapan widget Silhouette Plot- Orange yang digunakan untuk mencari kluster yang optimal. Dari hasil uji untuk mencari k menggunakan orange dan dilihat dari hasil gambar 3.13 kluster yang optimalnya terdapat pada k=6.
Gambar 15 Hasil dari kluster k=6
Hasil dari penerapan Algoritma K-Means dapat dilihat pada gambar 15
Gambar 16 Hasil visualisasi Scatter Plot
Gambar 16 merupakan hasil dari penerapan widget Scatter Plot yang digunakan untuk memvisualisasikan hasil klsuter k=6 dari data penjualan batik berdasarkan motif Singa Barong menggunakan algoritma K-Means pada tools orange.
Gambar 17 Hasil visualisasi Scatter Plot
Gambar 17 merupakan hasil dari penerapan widget Scatter Plot yang digunakan untuk memvisualisasikan hasil klsuter k=6 dari data penjualan batik berdasarkan motif Mega Mendung menggunakan algoritma K-Means pada tools orange.
Gambar 18 Hasil visualisasi Scatter Plot
Gambar 18 merupakan hasil dari penerapan widget Scatter Plot yang digunakan untuk memvisualisasikan hasil klsuter k=6 dari data penjualan batik berdasarkan motif Paksinaga Liman menggunakan algoritma K-Means pada tools orange.
Gambar 19 Hasil Data Tabel Hasil kluster k=6 Gambar 19 merupakan hasil kluster dari penerapan Algoritma K- Means terhadap data penjualan batik berdasarkan motif dan total penjualan.
5. Evaluasi
Evaluasi dilakukan terhadap Algoritma K-Means++
melalui penghitungan akurasi menggunakan metode silhouette. Hasil percobaan yang dilakukan menggunakan widget Silhouette Plot-
VOL.07, NO.01, Bulan Februari 2023 P-ISSN : 2549-211X Orange seperti pada gambar 4.13 dan hasil klsuter k=6 menggunakan
scatter plot bahwa kluster 1 terdiri dari 8 transaksi penjualan batik dengan total penjualan batik terendah Rp. 3.500.000,- tertinggi Rp.
7.300.000,-, kluster 2 terdapat 29 transaksi penjualan batik dengan total penjualan batik terendah Rp. 1.750.000,- tertinggi Rp.
4.450.000,-, kluster 3 terdiri dari 16 transaksi penjualan batik dengan total penjualan batik terendah Rp. 1.700.000,- tertinggi Rp.
4.350.000,-, kluster 4 terdiri dari 93 transaksi penjualan batik dengan total terendah Rp. 850.000,- tertinggi Rp. 2.700.000,-, kluster 5 terdiri dari 13 transaksi penjualan batik dengan total penjualan terendah Rp.
3.550.000,- tertinggi Rp. 6.500,000,- dan untuk kluster 6 sebanyak 1 transaksi penjualan dengan total penjualan Rp. 8.250.000,-.
IV. KESIMPULAN
Dari penelitian yang telah dilakukan, maka dapat ditarik kesimpulan sebagai berikut :
1. Ini merupakan hasil dari proses clustering menggunakan algoritma K-Means pada data penjualan batik yang sudah melalui tahap pre- processing dan transformation. Hasil tersebut menunjukkan bahwa data penjualan batik dapat dikelompokkan menjadi 6 kluster yang berbeda berdasarkan nilai total penjualan. Setiap kluster memiliki rentang nilai total penjualan yang berbeda, serta jumlah transaksi penjualan batik yang berbeda pula. Hasil tersebut dapat digunakan untuk memberikan insight dan informasi bagi pemilik toko batik dalam mengoptimalkan strategi penjualan dan meningkatkan pendapatan toko.
2. Hasil pengujian menggunakan aplikasi Orange mendapatkan nilai kluster yang optimal yaitu k=6 menggunakan widget silhouette
V. REFERENCES
[1] R. Mawan, “Klasifikasi motif batik menggunakan Convolutional Neural Network,” Jnanaloka, pp. 45–50, 2020, doi: 10.36802/jnanaloka.2020.v1-no1-45-50.
[2] M. Bakri, “Penerapan Data Mining untuk Clustering Kualitas Batu Bara dalam Proses Pembakaran di PLTU Sebalang Menggunakan Metode K-Means,” J. Teknoinfo, vol. 11, no. 1, p.
6, 2017, doi: 10.33365/jti.v11i1.3.
[3] L. Maulida, “Penerapan Datamining Dalam Mengelompokkan Kunjungan Wisatawan Ke Objek Wisata Unggulan Di Prov. Dki Jakarta Dengan K-Means,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 2, no. 3, p. 167, 2018, doi:
10.14421/jiska.2018.23-06.
[4] R. P. Primanda, A. Alwi, and D. Mustikasari, “DATA MINING SELEKSI SISWA BERPRESTASI UNTUK MENENTUKAN KELAS UNGGULAN MENGGUNAKAN METODE K- MEANS CLUSTERING (Studi Kasus di MTS Darul Fikri ),”
Komputek, vol. 5, no. 1, p. 88, 2021, doi: 10.24269/jkt.v5i1.686.
[5] N. Erlangga, S. Solikhun, and I. Irawan, “Penerapan Data Mining Dalam Mengelompokan Produksi Jagung Menurut Provinsi Menggunakan Algoritma K-Means,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 3, no. 1, pp.
702–709, 2019, doi: 10.30865/komik.v3i1.1681.
[6] Narwati, “Pengelompokan Mahasiswa Menggunakan Algoritma K-Means,” J. Din. Inform., vol. 2, no. 2, pp. 1–7, 2010.
[7] J. Aranda, W. Astari, and G. Natasya, “Penerapan Metode K- Means Cluster Analysis Pada Sistem Pendukung Keputusan Pemilihan Konsentrasi Untuk,” J. Karya Ilm. Tek. Inform., vol.
1, no. 1, pp. 6–7, 2016.
[8] A. Aditya, I. Jovian, and B. N. Sari, “Implementasi K-Means Clustering Ujian Nasional Sekolah Menengah Pertama di Indonesia Tahun 2018 / 2019,” vol. 4, pp. 51–58, 2020, doi:
10.30865/mib.v4i1.1784.
[9] N. Rofiqo, A. P. Windarto, and D. Hartama, “Penerapan Clustering Pada Penduduk Yang Mempunyai Keluhan Kesehatan Dengan Datamining K-Means,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 2, no. 1, pp. 216–223, 2018, doi: 10.30865/komik.v2i1.929.
[10] A. P. Windarto, P. Studi, S. Informasi, and D. Mining,
“Penerapan Data Mining Pada Ekspor Buah-Buahan Menurut Negara Tujuan Menggunakan K-Means Clustering,” vol. 16, no.
4, pp. 348–357, 2017.
[11] M. S. Mustafa, M. R. Ramadhan, and A. P. Thenata,
“Implementasi Data Mining untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier,”
Creat. Inf. Technol. J., vol. 4, no. 2, p. 151, 2018, doi:
10.24076/citec.2017v4i2.106.
[12] P. N. Siswa, “KOMPARASI KINERJA ALGORITMA FUZZY C-MEANS DAN K-MEANS DALAM PENGELOMPOKAN
DATA SISWA BERDASARKAN PRESTASI
NILAIAKADEMIK SISWA,” vol. 1, no. 2012, 2016.
[13] N. Putu, E. Merliana, P. Studi, M. Teknik, F. T. Industri, and U.
A. Jaya, “ANALISA PENENTUAN JUMLAH CLUSTER TERBAIK PADA METODE K-MEANS,” pp. 978–979.
[14] A. T. Rahman and U. S. Maret, “Coal Trade Data Clusterung Using K-Means ( Case Study PT . Global Bangkit Utama ),” vol.
6, no. 1, pp. 24–31, 2017.
[15] A. Sentiya and H. Suroyo, “Analisis Text Clustering Akun Fanpage Shopee Indonesia Dengan Komentar Followers Menggunakan Tools Orange Data Mining,” Bina Darma Conf. …, pp. 1055–1067, 2019.
[16] D. P. F. Zebua, N. E. G. R. N. Mendrofa, C. V Bintang, and K.
Gunungsitoli, “DI CV . BINTANG KERAMIK GUNUNGSITOLI MARKETING STRATEGY ANALYSIS IN INCREASING PRODUCT SALES IN Jurnal EMBA Vol . 10 No . 4 Oktober 2022 , Hal . 1299-1307,” vol. 10, no. 4, pp. 1299–
1307, 2022.
[17] R. Gusrizaldi and E. Komalasari, “Analisis Faktor-Faktor Yang Mempengaruhi Tingkat Penjualan Di Indrako Swalayan Teluk Kuantan,” Valuta, vol. 2, no. 2, pp. 286–303, 2016.
[18] D. Redaksi, “Bagian Depan,” Briliant: Jurnal Riset dan Konseptual, vol. 2, no. 2. 2017, doi: 10.28926/briliant.v2i2.55.
