Claim Missing Document
Check
Articles

Found 6 Documents
Search
Journal : Progresif: Jurnal Ilmiah Komputer

Penerapan Algoritma K-Means Clustering Untuk Perencanaan Kebutuhan Obat Di Klinik Citra Medika Lailil ‘ Izzah; Arief Jananto
Progresif: Jurnal Ilmiah Komputer Vol 18, No 1: Februari 2022
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (420.264 KB) | DOI: 10.35889/progresif.v18i1.769

Abstract

Abstrak. Perencanaan persediaan obat-obatan yang hanya dilakukan secara manual tanpa memperhitungkan pola kebiasaan komsumsi dalam periode waktu tertentu menyebabkan ketidakakuratan perencanaan persediaan, sehingga berdampak pada tidak terpenuhinya permintaan atau terjadinya kelebihan persediaan yang berpotensi menyebabkan kadaluarsa.  Artikel ini menguji penggunaan algoritma K-Means Clustering untuk mengelompokkan jenis obat berdasarkan parameter Harga, Kategori, Stok Awal, dan Total Pemakaian. 484 data sampel jenis obat pada Klinik Citra Medika diuji untuk menentukan 5 kelompok pemakaian obat (pemakaian Sangat Rendah, Rendah, Sedang, Tinggi, Sangat Tinggi). Masing-masing kelompok obat akan merepresentasikan prediksi jumlah order persediaan di masa mendatang berdasarkan parameter Total Pemakaian. Hasil uji faktual menunjukkan prediksi persediaan obat menggunakan algoritma K-Means Custering lebih mendekati relitas penggunaan dibandingkan dengan perencanaan yang dilakukan secara manual.Kata Kunci: Obat-obatan; Perencanaan Persediaan; Pemakaian; Algoritma K-Means ClusteringAbstract. Medicine inventory planning which is only done manually without taking into account the pattern of consumption habits in a certain period of time causes inaccuracies in inventory planning, so that it has an impact on non-fulfillment of demand or the occurrence of excess inventory which has the potential to cause expiration. This article examines the use of the K-Means Clustering algorithm to classify types of medicine based on the parameters of Price, Category, Initial Stock, and Total Usage. 484 sample data on types of medicine at the Citra Medika Clinic were tested to determine 5 groups of medicine use (very low, low, medium, high, very high use). Each medicine group will represent the predicted number of future supply orders based on the Total Usage parameter. The factual test results show that the prediction of drug supply using the K-Means Custering algorithm is closer to the reality of use compared to manual planning.Keywords: Medicines; Inventory Planning; Usage; K-Means Clustering Algorithm
Perbandingan Analisis Cluster Algoritma K-Means Dan AHC Dalam Perencanaan Persediaan Barang Pada Perusahaan Manufaktur ellang putro priambodo; Arief Jananto
Progresif: Jurnal Ilmiah Komputer Vol 18, No 2: Agustus 2022
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (407.046 KB) | DOI: 10.35889/progresif.v18i2.868

Abstract

Inventory control is very important for PT. Multi Lestari (goods production/sales company), so as not to incur maintenance costs for goods that are produced in excess, or cause losses if customer requests cannot be met. This study tested the K-Means algorithm and the Agglomerative Hierarchical Clustering (AHC) algorithm in classifying past sales data based on sales parameters. Inventory prediction for future sales is done by interpreting the results of the cluster formed by the clustering algorithm used. The cluster center that is formed based on the average number of sold parameters is used as a reference to determine the amount of inventory for each type of item that is included in the group members of a particular cluster. The test results show that both the K-Means algorithm and the AHC algorithm can classify the goods sold based on the similarity of the average number sold. However, both produce different amounts, so further studies are needed on which algorithm produces more accurate inventory predictions, based on real sales results that have been made in the past.Keywords: Data Mining; Grouping; Cluster Center; Inventory Prediction Abstrak. Pengendalian persediaan barang menjadi sangat penting bagi PT. Multi Lestari (perusahaan produksi/penjualan barang), agar tidak menimbulkan biaya pemeliharaan bagi barang yang diproduksi secara berlebihan, atau menimbulkan kerugian jika permintaan pelanggan tidak dapat dipenuhi. Penelitian ini menguji algoritma K-Means dan algoritma Aglomerative Hierarchical Clustering (AHC) dalam mengelompokkan data penjualan barang masa lalu berdasarkan parameter-parameter penjualan. Prediksi persediaan untuk penjualan masa mendatang dilakukan dengan menginterpretasikan hasil cluster yang terbentuk oleh algoritma clustering yang digunakan. Pusat cluster yang terbentuk berdasarkan parameter rerata jumlah terjual digunakan sebagai acuan untuk menentukan jumlah persediaan barang bagi setiap jenis barang yang termasuk dalam anggota kelompok sebuah cluster tertentu. Hasil uji menunjukkan algoritma K-Means maupun algoritma AHC keduany dapat mengelompokkan barang yang terjual berdasarkan kemiripan rerata jumlah terjual. Namun keduanya menghasilkan jumlah yang berbeda, sehingga perlu kajian lebih lanjut mengenai algoritma mana yang menghasilkan prediksi persediaan yang lebih akurat, dengan berpatokan pada Hasil penjualan riil yang telah dilakukan pada masa lalu.Kata kunci: Data Mining; Pengelompokan; Pusat Klaster; Prediksi Persediaan
Analisis Perbandingan Algoritma Apriori Dan FP-Growth Dalam Pembentukan Pola Asosiasi Keranjang Belanja Pelanggan Ifa Musdalifah; Arief Jananto
Progresif: Jurnal Ilmiah Komputer Vol 18, No 2: Agustus 2022
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (544.576 KB) | DOI: 10.35889/progresif.v18i2.878

Abstract

To increase product sales, sales companies need to think of various strategies in achieving them, one of which is utilizing sales transaction data to support sales strategies in a better direction. This article examines and compares the performance of the Apriori and FP-Growth algorithms in forming customer shopping cart association patterns, to be used as a reference for company management in planning sales strategies. The CRIPS-DM method is used in the data mining process, following 5 main phases, including: Business Understanding, Data Understanding, Data Preparation, Modeling Model, and evaluation model. A total of 749 samples of sales transaction data were tested to understand the association pattern generated by each method. Based on the test results with minimum support = 0.06 and confidence = 0.02, the Apriori algorithm produces 9 rules (association rules) with a total rule strength of 0.72 (0.08 average per rule), while the Fp-growth algorithm produces 14 rules with a total rule strength of 2.32 (average 0.17 per rule). Thus, the FP-Growth algorithm can be stated to perform better in generating association rules when compared to the Apriori algorithm.Keywords: Data mining; Association rules; Sales strategy Abstrak. Untuk meningkatkan penjualan produk, perusahaan penjualan perlu memikirkan berbagai strategi dalam pencapaiannya, salah satu diantaranya memanfaatkan data transaksi penjualan untuk mendukung strategi penjualan ke arah yang lebih baik. Artikel ini mengnguji dan membandingkan kinerja algoritma Apriori dan FP-Growth dalam pembentukan pola asosiasi keranjang belanja pelanggan, untuk dapat menjadi acuan manajemen perusahaan dalam merencanakan strategi penjualan. Metode CRIPS-DM digunakan dalam proses data mining, dengan mengikuti 5 fase utama, meliputi: Business Understanding, Data Understanding, Data Preparation, Modelling Model, dan avaluation model. Sejumlah 749 sampel data transaksi penjualan diuji untuk memahami pola asosiasi yang dihasilkan masing-masing metode. Berdasarkan hasil pengujian dengan minimum support=0,06 dan confidence=0,02, algoritma Apriori menghasilkan 9 rules (aturan asosiasi) dengan total kekuatan rules sebesar 0,72 (rerata 0,08 setiap rule), sedangkan algorima Fp-growth menghasilkan 14 rules dengan total kekuatan rule sebesar 2,32 (rerata 0,17 setiap rule). Dengan demikian, algoritma FP-Growth dapat dinyatakan berkinerja lebih baik dalam menghasilkan aturan asosiasi jika dibandingkan dengan algoritma Apriori.Kata Kunci: Data mining; Aturan asosiasi; Strategi penjualan
Penerapan Metode K-Means Untuk Memprediksi Pola Kedatangan Penduduk di Kota Jakarta Dhimas Hernandi; Arief Jananto
Progresif: Jurnal Ilmiah Komputer Vol 19, No 1: Februari 2023
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v19i1.982

Abstract

Population density in an area has the potential to provoke complex problems, the arrival of people from one area to another in large numbers also has the potential to cause unequal distribution of population on an island. The city of Jakarta in January to May 2021 recorded the arrival of a population of 52,309, the impact of this large number of arrivals will greatly affect the quality of life and the density of mobility in an area. This article examines the use of the K-Means Clustering algorithm to classify the number of arrivals to the city of Jakarta by urban villages. 267 urban villages in the city of Jakarta on population arrival data during January to May 2021 implemented in the K-Means algorithm to determine 3 groups of average number of arrivals (low, medium and high). Each group will represent the pattern of arrivals in each month based on the average arrival and the average in 5 months from January to May 2021. The test results found a increase in arrivals in March in all groups.Kata kunci: Population; Arrival; Urban Villages; K-Means Algorithm Abstrak Kepadatan penduduk dalam suatu daerah berpotensi menimbulkan masalah yang kompleks. Kedatangan penduduk dari satu daerah ke daerah yang lain dalam jumlah yang besar juga berpotensi terhadap timpangnya sebaran penduduk di suatu pulau. Kota Jakarta pada bulan Januari hingga Mei tahun 2021 tercatat kedatangan penduduk sebanyak 52.309, dampak dari kedatangan dalam jumlah besar ini akan sangat berpengaruh terhadap kualitas hidup dan padatnya mobilitas pada suatu daerah. Artikel ini menguji penggunaan algoritme K-Means Clustering untuk mengelompokkan jumlah kedatangan penduduk ke kota Jakarta berdasarkan kelurahan. 267 kelurahan di kota Jakarta pada data kedatangan penduduk selama Januari hingga Mei 2021 diimplementasikan pada algoritme K-Means untuk menentukan 3 kelompok rata-rata jumlah pendatang (rendah, menengah dan tinggi). Setiap kelompok akan merepresentasikan pola kedatangan di tiap bulannya berdasarkan rata-rata kedatangan dan rata-rata dalam 5 bulan dari Januari hingga Mei 2021. Hasil pengujian mendapati lonjakan kedatangan pada bulan Maret pada semua kelompok.Kata kunci: Sebaran penduduk; Kedatangan; Kelurahan; Algoritme K-Means Clustering
Implementasi Data Mining Menggunakan Algoritme Apriori Guna Menemukan Pola Pembelian Pelanggan Pada Klinik Kecantikan Achmad Naufal Luqmanul Khakim; Arief Jananto
Progresif: Jurnal Ilmiah Komputer Vol 19, No 1: Februari 2023
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v19i1.1015

Abstract

Companies should think to increase product sales about several strategies in achieving their goals, one of the strategies used is to utilize sales transaction data for suspect a good sales strategy. This article helps companies find customer purchasing patterns so that there is no vacancy in stock due to high sales intensity. The CRISP-DM method is used in the data mining process, which includes 6 main phases, namely: Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, Depployment. Using 4693 Sales transaction data record and will be tested to find customer purchasing patterns. Based on the test results with minimum support = 0.2 and confidence = 0.2, it produces a combination of 3 items with 3 rules. Thus, it can be found which goods have high sales intensity and the company can always prepare stocks of these products.Keyword: Data Mining; Apriori Algorithm; Customer Purchase Patterns; Sales StrategyAbstrakPerusahaan harus menemukan beberapa cara baru untuk membuat produk banyak terjual guna mencapai tujuannya, beberapa strategi yang digunakan yaitu dengan menggunakan data transaksi penjualan guna mendukung startegi penjualan. Penelitian ini membantu perusahaan dalam menemukan pola pembelian pelanggan agar tidak terjadi kekosongan persediaan barang karena intensitas penjualan yang tinggi. Metode CRISP-DM diimplementasikan pada proses data mining, yang meliputi 6 fase utama yaitu: Business Understanding, Data Understanding, Data Preparation, Modelling, Evaluasi, Penyebaran. Menggunakan 4693 Record data transaksi penjualan dan akan diuji untuk menemukan pola pembelian pelanggan. Hasil percobaan dengan minimum support=0,2 dan confidance=0,2 mendapatkan kombinasi 3 item sebanyak 3 rule. Dengan demikian dapat ditemukan barang mana yang intensitas penjualannya tinggi dan perusahaan dapat selalu menyiapkan stok barang produk tersebut.Kata kunci: Data Mining; Algoritme Apriori; Pola Pembelian Pelanggan; Strategi Penjualan  
Implementasi Data Mining dalam Clustering Menu Favorit Pada Cafe Anetos.Coffeebrunch Menggunakan Algoritme K-Means Widodo, Rizky Andaru; Jananto, Arief
Progresif: Jurnal Ilmiah Komputer Vol 19, No 2: Agustus 2023
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v19i2.1225

Abstract

Cafe Anetos.Coffeebrunch is a cafe business engaged in the culinary field. With the growth of the food and beverage business, there will be competition in the business at each café, so that Café Anetos.Coffeebrunch will be able to compete by using sales transaction data at Cafe Anetos.Coffebrunch to be able to plan and create/determine sales strategies. By using data mining to define a sales strategy in order to be able to identify which products need to be improved and actually want to provide decision-making problem solving. The procedure here uses a clustering procedure using the k-means algorithm. With this, using the Rstudio tools, we obtained 3 clusters, namely for cluster 1 with the highest score found in Anetos Ice Milk Coffee with a total of 277 purchases. Cluster 2 has the highest score for Yakult Lychee Tea Ice with a total of 127 purchases. In cluster 3 which has the highest value is Lychee Tea Ice with a total of 427 purchases. This result will in fact be able to increase sales and stock management at Café Anetos. Coffee breakfast.Keywords: Café Business; Classification; K-Means Clustering; Sales Strategy AbstrakCafe Anetos.Coffebrunch merupakan usaha cafe yang bergerak dibidang kuliner. Dengan pertumbuhan bisnis food and beverage hendak terdapatnya persaingan dalam bisnis di tiap café, hingga dari itu Café Anetos.Coffebrunch wajib sanggup bersaing dengan menggunakan data transaksi penjualan pada Cafe Anetos.Coffebrunch buat dapat memplanning serta membuat/ memastikan strategi penjualan. Dengan memakai data mining buat memastikan strategi penjualan supaya bisa mengenali produk mana yang wajib ditingkatkan serta nyatanya hendak membagikan pemecahan soal pengambilan keputusan. Tata cara disini memakai tata cara clustering dengan menggenakan algoritme K-means. Dengan ini memakai tools Rstudio memperoleh hasil 3 kluster ialah Buat kluster 1 dengan nilai paling tinggi terdapat pada Kopi Susu Anetos Ice dengan total 277 pembelian. Klaster 2 nilai paling tinggi terdapat pada Yakult Lychee Tea Ice dengan total 127 pembelian. Pada kluster 3 yang mempunyai nilai paling tinggi merupakan Lychee Tea Ice dengan total 427 pembelian. Hasil ini nyatanya hendak bisa tingkatkan penjualan serta manajemen stok di Café Anetos. Coffebrunch.Kata kunci: Usaha Café; Pengelompokan; K-Means Klastering; Strategi Penjualan