Penerapan Algoritma K-Means Untuk Penentuan Wilayah Penjualan Potensial Pada Perusahaan Jasa Cleaning Service
Abstract
Promosi merupakan hal penting bagi perusahaan dalam mendorong penjualan serta membantu konsumen mengenal dan mengingat merek perusahaan. Apabila tanpa promosi yang tepat, suatu bisnis tidak mungkin dikenal konsumen sehingga dapat merugikan pertumbuhan dan penjualan merek. Hal tersebut sama dengan kondisi terjadi di perusahaan cleaning service yang berlokasi di Jawa Timur dimana perusahaan memiliki permasalahan pada saat menerima pelanggan di beberapa tempat yang berbeda di Jawa Timur perusahaan yakni tidak mempunyai informasi tentang area potensial untuk melakukan promosi penawaran jasanya sehingga hal tersebut berdampak bagi perusahaan yaitu tidak dapat merancang promosi yang tepat sasaran dan perusahaan bisa melewatkan peluang bisnis yang berharga. Tujuan dari penelitian ini adalah untuk melakukan pengolahan data penjualan perusahaan dari tahun 2021 sampai dengan tahun 2023 dengan data mining menggunakan pendekatan clustering k-means mengelompokkan 3 cluster yakni Cluster 0 (C0) wilayah kurang berpotensi, Cluster 1 (C1) cukup berpotensi, Cluster 2 (C2) sangat berpotensi. Berdasarkan hasil dari pengolahan data didapatkan Cluster 0 berjumlah 4 wilayah kurang berpotensi yakni wilayah Mojokerto, Jombang, Pasuruan, Malang. Cluster 1 berjumlah 3 wilayah cukup berpotensi yakni wilayah Madura, Gresik, Lamongan. Pada cluster 2 berjumlah 2 wilayah sangat berpotensiyakni wilayah Sidoarjo, dan Surabaya.
Downloads
References
D. Septianawati and Yamtana, “Penerapan Peregangan Untuk Menurunkan Keluhan Nyeri Otot Rangka (MSDs) Pada Petugas Kebersihan dI RSUD dr. Tjitrowardojo,” Politeknik Kesehatan Jogjakarta, 2019. [Online]. Available: https://medium.com/@arifwicaksanaa/pengertian-use-case-a7e576e1b6bf
Ardianto, “Peran Cleaning Service Terhadap Kebersihan Fakultas Dakwah Dan Komunikasi UIN Alauddin Makassar,” Islam Negeri Alauddin Makasar, 2019. [Online]. Available: http://www.scopus.com/inward/record.url?eid=2-s2.0-84865607390&partnerID=tZOtx3y1%0Ahttp://books.google.com/books?hl=en&lr=&id=2LIMMD9FVXkC&oi=fnd&pg=PR5&dq=Principles+of+Digital+Image+Processing+fundamental+techniques&ots=HjrHeuS_
Nugroho Arif Sudibyo, Ardymulya Iswardani, Kartika Sari, and Siti Suprihatiningsih, “Penerapan Data Mining Pada Jumlah Penduduk Miskin Di Indonesia,” J. Lebesgue J. Ilm. Pendidik. Mat. Mat. dan Stat., vol. 1, no. 3, pp. 199–207, 2020, doi: 10.46306/lb.v1i3.42.
H. Prastiwi, Jeny Pricilia, and Errissya Rasywir, “Implementasi Data Mining Untuk Menentuksn Persediaan Stok Barang Di Mini Market Menggunakan Metode K-Means Clustering,” J. Inform. Dan Rekayasa Komputer(JAKAKOM), vol. 2, no. 1, pp. 141–148, 2022, doi: 10.33998/jakakom.2022.2.1.34.
H. Sibarani, Solikhun, W. Saputra, I. Gunawan, and Z. M. Nasution, “Penerapan Metode K-Means Untuk Pengelompokkan Kabupaten/Kota Di Provinsi Sumatera Utara Berdasarkan Indikator Indeks Pembangunan Manusia,” JATI (Jurnal Mhs. Tek. Inform., vol. 6, no. 1, pp. 154–161, 2022, doi: 10.36040/jati.v6i1.4590.
Y. Lase and E. Panggabean, “Implementasi Metode K-Means Clustering Dalam Sistem Pemilihan Jurusan Di SMK Swasta Harapan Baru,” J. Teknol. dan Ilmu Komput. Prima, vol. 2, no. 2, p. 43, 2019, doi: 10.34012/jutikomp.v2i2.723.
F. Nasari and C. J. M. Sianturi, “Penerapan Algoritma K-Means Clustering Untuk Pengelompokkan Penyebaran Diare Di Kabupaten Langkat,” CogITo Smart J., vol. 2, no. 2, pp. 108–119, 2016, doi: 10.31154/cogito.v2i2.19.108-119.
R. R. Putra and C. Wadisman, “Implementasi Data Mining Pemilihan Pelanggan Potensial Menggunakan Algoritma K-Means Implementation of Data Mining for Potential Customer Selection Using K-Means Algorithm,” J. Inf. Technol. Comput. Sci., vol. 1, no. 1, pp. 72–77, 2018.
Zulrahmadi, S. Defit, and Y. Yunus, “Pemetaan Wilayah Potensial Terhadap Penjualan Sepeda Motor Honda Menggunakan K-Means Clustering,” J. Inform. Ekon. Bisnis, vol. 2, no. 2018, pp. 53–59, 2020, doi: 10.37034/infeb.v2i2.41.
K. Fatmawati and A. P. Windarto, “Data Mining: Penerapan Rapidminer Dengan K-Means Cluster Pada Daerah Terjangkit Demam Berdarah Dengue (Dbd) Berdasarkan Provinsi,” Comput. Eng. Sci. Syst. J., vol. 3, no. 2, p. 173, 2018, doi: 10.24114/cess.v3i2.9661.
L. Maulida, “Penerapan Datamining Dalam Mengelompokkan Kunjungan Wisatawan Ke Objek Wisata Unggulan Di Prov. Dki Jakarta Dengan K-Means,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 2, no. 3, p. 167, 2018, doi: 10.14421/jiska.2018.23-06.
D. Triyansyah and D. Fitrianah, “Analisis Data Mining Menggunakan Algoritma K-Means Clustering Untuk Menentukan Strategi Marketing,” J. Telekomun. dan Komput., vol. 8, no. 3, p. 163, 2018, doi: 10.22441/incomtech.v8i3.4174.
W. D. Budimulia and F. Ridho, “Penerapan Komputasi Paralel Pada Aplikasi Data Cleaning Multiple Data Edit,” Semin. Nas. Off. Stat., vol. 2019, no. 1, pp. 7–14, 2020, doi: 10.34123/semnasoffstat.v2019i1.120.
I. K. Juni Arta, G. Indrawan, and G. R. Dantes, “Data Mining Rekomendasi Calon Mahasiswa Berprestasi Di Stmik Denpasar Menggunakan Metode Technique for Others Reference By Similarity To Ideal Solution,” JST (Jurnal Sains dan Teknol., vol. 5, no. 2, pp. 11–21, 2017, doi: 10.23887/jstundiksha.v5i2.8549.
B. Harahap, “Penerapan Algoritma K-Means Untuk Menentukan Bahan Bangunan Laris (Studi Kasus Pada UD. Toko Bangunan YD Indarung),” Reg. Dev. Ind. Heal. Sci. Technol. Art Life, pp. 394–403, 2019, [Online]. Available: https://ptki.ac.id/jurnal/index.php/readystar/article/view/82
