<![CDATA[K-Nearest Neighbor adalah metode yang digunakan untuk melakukan klasifikasi data yang jaraknya paling dekat atau yang disebut dengan teknik lazy learning. Prediksi penjualan yang akurat memungkinkan owner untuk merencanakan kebutuhan stok bahan baku secara lebih efisien, sehingga dapat mengurangi resiko kelebihan stok (yang dapat menyebabkan pemborosan) atau kekurangan stok (yang berpotensi menurunkan pendapatan). Pada penelitian ini akan mengimplementasikan algoritma KNN, K-Nearest Neighbor guna memperlihatkan sejauh mana metode KNN bisa menghasilkan prediksi yang akurat dalam konteks penjualan. Tahapan metode yang dilakukan pada penelitian ini dengan cara menentukan nilai K, menghitung kuadrat jarak euclid (query instance) masing-masing objek terhadap training data yang diberikan, kemudian mengurutkan objek-objek tersebut ke dalam kelompok yang mempunyai jarak euclid terkecil, menggunakan label class Y (klasifikasi nearest neighbor), dengan menggunakan kategori k-nearest neighbor yang paling mayoritas maka dapat diprediksikan nilai query instance yang telah dihitung. Penelitian ini menghasilkan model prediksi penjualan berbasis jupyter notebook dapat digunakan untuk memprediksi produk Salad Buah Kembar berdasarkan variasi. Dataset yang digunakan terdiri dari 112 data yang dibagi menjadi 89 data training dan 23 data testing. Dengan hasil akurasi sebesar 91% memberikan konstribusi terhadap peningkatan omset Salad Buah Kembar serta bisa memberikan pertimbangan gambaran penyediaan stok berdasarkan jumlah yang terjual]]>
Copyrights © 2025
