Implementasi Data Mining Dalam Mengkategorikan Produk Terlaris dan Kurang Laris Pada Toko Retail OPQ Menggunakan Metode Naive Bayes

Oktarina, Theresia
Ketut Agus Wiikananda
Wijaya, Andri

Journal Of Informatics And Busisnes
Vol. 3 No. 4 (2026): Januari - Maret

Pesatnya volume data transaksi menuntut efisiensi dalam pengelolaan stok dan rencana pemasaran di industri ritel. Riset ini mengevaluasi penggunaan algoritma Naive Bayes untuk memisahkan produk di Toko OPQ menjadi kategori "Unggulan" dan "Reguler". Dengan bantuan RapidMiner Studio, dataset diproses melalui fase pembersihan, standarisasi Z-score, serta pengujian dengan rasio data 70:30. Temuan eksperimen menunjukkan akurasi model mencapai 99%. Meski demikian, ditemukan kendala pada nilai presisi kelas "Unggulan" yang hanya sebesar 16,67% akibat adanya ketimpangan distribusi jumlah sampel. Studi ini menyimpulkan bahwa metode ini efektif untuk memetakan tren, namun memerlukan optimasi pada keseimbangan dataset