Claim Missing Document
Check
Articles

Found 3 Documents
Search

PENERAPAN DATA MINING MENGGUNAKAN METODE K-MEANS CLUSTERING PADA PENJUALAN HANDPHONE DAN ELEKTRONIK (STUDI KASUS : CV REY GASENDRA) Setyani, Tria; Setiawansyah, Setiawansyah; Octaviansyah, A. Ferico; Andika, Rio
TELEFORTECH : Journal of Telematics and Information Technology Vol 5, No 1 (2024): TELEFORTECH VOL 5, NO 1 (JULI 2024)
Publisher : Fakultas Teknik dan Ilmu Komputer, Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/tft.v5i1.4586

Abstract

Abstrak CV Rey Gasendra merupakan salah satu toko handphone dan elektronik yang bergerak dalam penjualan berbagai macam merk handphone, mesin cuci, kulkas, tv, kipas angin dan barang elektronik lainnya. Pengelompokan data penjualan pada CV Rey Gasendra masih dilakukan dengan cara manual di excel. Cara pengelompokkan tersebut membutuhkan waktu dan memungkinkan data hilang. Dalam melakukan pengelompokan data diperlukan histori data penjualan, apabila data penjualan besar maka di perlukan teknik data mining, salah satu teknik data mining yaitu dengan menggunakan metode K-means Clustering. Clustering merupakan salah satu metode data mining yang bersifat unsupervised dan K-Means adalah salah satu metode clustering non-hirarki yang berusaha membagi data yang ada ke dalam bentuk satu atau lebih kelompok. Metode K-Means clustering dapat diterapkan untuk mengelompokan suatu data penjualan berdasarkan jenis barang, tipe pelanggan, atau jumlah barang. Data yang digunakan adalah data penjualan pada bulan Desember-Februari sebanyak 2027 data. Hasil pengujian dilakukan dengan menggunakan aplikasi RapidMiner dimana hasilnya terdapat 2 cluster yaitu cluster 0 berjumlah 102 data traksaksi dan cluster 1 berjumlah 1925 data transaksi.
Pengaruh Artificial Intelligence Dalam Mendorong Inovasi Dan Efisiensi Technopreneurship Setyani, Tria; Sari, Kevinda; Sulistiyo, Raka; Pratiwi, Adelia; Suryono, Ryan Randy
Jurnal Ilmiah Informatika dan Ilmu Komputer (JIMA-ILKOM) Vol. 4 No. 1 (2025): Volume 4 Nomor 1 March 2025
Publisher : PT. SNN MEDIA TECH PRESS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/jima-ilkom.v4i1.54

Abstract

Kecerdasan Buatan (AI) telah menjadi kekuatan utama dalam mendorong inovasi dan efisiensi di berbagai sektor industri, termasuk dalam bidang technopreneurship. Penelitian ini bertujuan untuk menganalisis pengaruh AI terhadap inovasi dan efisiensi dalam technopreneurship dengan pendekatan kualitatif deskriptif. Metode pengumpulan data melibatkan studi pustaka, wawancara mendalam dengan pelaku usaha berbasis teknologi, serta observasi terhadap implementasi AI di beberapa startup. Hasil penelitian menunjukkan bahwa AI memiliki peran signifikan dalam meningkatkan inovasi produk dan layanan melalui analisis data, prediksi tren pasar, dan otomatisasi proses bisnis. AI juga meningkatkan efisiensi operasional dengan mengoptimalkan penggunaan sumber daya dan mengurangi ketergantungan pada prosedur manual. Namun, penerapan AI dalam technopreneurship menghadapi beberapa tantangan, seperti keterbatasan keterampilan teknis, biaya investasi yang tinggi, serta isu etika dan keamanan data. Penelitian ini menyarankan perlunya perencanaan strategis dalam implementasi AI untuk memastikan keberhasilan dan manfaat maksimal bagi technopreneur. Temuan ini diharapkan dapat memberikan wawasan bagi pelaku bisnis teknologi dalam mengoptimalkan penggunaan AI guna meningkatkan daya saing dan keberlanjutan bisnis mereka.
Perbandingan Kinerja Algoritma K-Means Dan Dbscan Dalam Segmentasi Nasabah Berdasarkan Data Pemasaran Bank Indriani, Yulia; setyani, Tria; Sulistiani, Heni
Management of Information System Journal Vol 3 No 3: Juli 2025
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/mis.v3i3.2119

Abstract

Customer segmentation is one of the important approaches in the banking industry to improve the effectiveness of marketing strategies and risk management. This study aims to compare the performance of two commonly used clustering algorithms, namely K-Means and DBSCAN, in segmenting customers based on bank marketing data. The data used comes from the bank marketing dataset available on Kaggle, including attributes such as age, type of employment, marital status, education level, savings balance, and previous campaign history. The analysis process includes data pre-processing, feature extraction, data standardization, and implementation of the clustering algorithm. Evaluation of the results using the Silhouette Score metric shows that the K-Means algorithm produces a higher Silhouette Score value and a lower Davies-Bouldin Index (DBI) than DBSCAN indicating that K-Means is able to produce more solid (compact) clusters and has clearer boundaries between data groups. However, DBSCAN shows advantages in the ability to detect noise and group data with irregular shapes. Thus, the selection of the best algorithm is highly dependent on the characteristics of the data and the purpose of the segmentation. For bank marketing data with a relatively uniform distribution, K-Means is a more optimal choice.