PENERAPAN DATA MINING PADA MENU MAKANAN DAN MINUMAN KELOMPOK BERDASARKAN TINGKAT PENJUALAN MENGGUNAKAN K-MEANS

M. Padli, Amru Yasir, Buyung Solihin Hasugian

Abstract


Penelitian ini bertujuan untuk mengkaji penerapan data mining pada menu makanan dan minuman kelompok penyedia makanan dan minuman dengan menggunakan algoritma K-Means. Data penjualan harian, harga, dan preferensi pelanggan dikumpulkan untuk menganalisis pola konsumsi dan mengelompokkan menu berdasarkan tingkat penjualan. Algoritma K-Means berhasil membentuk kelompok-kelompok menu dengan karakteristik penjualan yang serupa. Analisis pola konsumsi pelanggan memberikan wawasan mendalam tentang preferensi pelanggan. Hasil penelitian ini menunjukkan potensi manfaat, termasuk optimasi penjualan, pengembangan menu yang lebih efektif, dan peningkatan kepuasan pelanggan. Kesimpulan penelitian memberikan dasar bagi kelompok penyedia makanan dan minuman dalam meningkatkan strategi penjualan mereka.

Kata Kunci: Data Mining,K-Means,Menu Makanan dan Minuman,Tingkat Penjualan,Analisis Pola Konsumsi Pelanggan


Keywords


Data Mining,K-Means, Menu Makanan dan Minuman,Tingkat Penjualan, Analisis Pola Konsumsi Pelanggan

Full Text:

PDF

References


Han, J., & Kamber, M. (2006). Data Mining: Concepts and Techniques. Morgan Kaufmann.

Tan, P.-N., Steinbach, M., & Kumar, V. (2005). Introduction to Data Mining. Addison-Wesley.

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer.

Jain, A. K., Murty, M. N., & Flynn, P. J. (1999). Data Clustering: A Review. ACM Computing Surveys (CSUR), 31(3), 264–323.

Wu, X., Kumar, V., Quinlan, J. R., Ghosh, J., Yang, Q., Motoda, H., ... & Steinbach, M. (2008). Top 10 Algorithms in Data Mining. Knowledge and Information Systems, 14(1), 1–37.

Tan, P.-N., Kumar, V., & Srivastava, J. (2004). Selecting the Right Interestingness Measure for Association Patterns. In Proceedings of the Eighth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 32–41).

Gupta, R., & Jain, D. (2013). Mining Patterns in Temporal Databases. Wiley.

(Nasyuha, Asyahri Hadi ; Jama, Jalius ; Abdullah, Rijal ; Syahra, Yohanni ; Azhar, Zulfi ; Hutagalung, Juniar ; Hasugian, Buyung Solihin, 2020) Frequent pattern growth algorithm for maximizing display items (hal. 390-396).




DOI: https://doi.org/10.46576/device.v4i2.4063

Article Metrics

Abstract view : 185 times
PDF – 396 times

Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 M. Padli, Amru Yasir, Buyung Solihin Hasugian

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

DEVICE : JOURNAL OF INFORMATION SYSTEM, COMPUTER SCIENCE AND INFORMATION TECHNOLOGY
Terindeks pada:

   

Member Of :


DEVICE : JOURNAL OF INFORMATION SYSTEM, COMPUTER SCIENCE AND INFORMATION TECHNOLOGY

Published by :
FAKULTAS TEKNIK DAN ILMU KOMPUTER
PROGRAM STUDI SISTEM INFORMASI
UNIVERSITAS DHARMAWANGSA

Alamat : Jl. K. L. Yos Sudarso No. 224 Medan
Kontak : Tel. 061 6635682 - 6613783  Fax. 061 6615190
E-mail  : admin_device@dharmawangsa.ac.id

 Creative Commons License

Device : Journal Of Information System, Computer Science And Information Technology by Universitas Dharmawangsa is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Based on a work at http://jurnal.dharmawangsa.ac.id/index.php/device