Penerapan Data Mining Untuk Prediksi Penjualan Produk Ma-kanan Hewan Menggunakan Metode K-Nearest Neighbor
Abstract
ABSTRAK
Penerapan Data Mining Untuk Prediksi Penjualan Produk Ma-kanan Hewan Menggunakan Metode K-Nearest Neighbor. Menjual barang merupakan hal utama yang dilakukan bisnis untuk menghasilkan uang, dan setiap penjualan menciptakan informasi yang dapat digunakan di kemudian hari. Akan tetapi, banyak informasi penjualan yang sering kali tidak digunakan sebagaimana mestinya, terutama untuk membuat pilihan. Salah satu penggunaan informasi ini adalah untuk menebak jenis makanan hewani mana yang laku banyak atau sedikit. Penelitian ini menggunakan suatu cara pencarian informasi dalam data, yang disebut data mining, dengan suatu metode yang disebut K-Nearest Neighbor (KNN) untuk menebak hal-hal mengenai data penjualan. KNN dipilih karena metode ini baik dalam menangani banyak data dan cukup kuat terhadap masalah dalam data (noise). Penelitian ini dilakukan dengan menggunakan 208 record penjualan yang dibagi menjadi 80% untuk pelatihan sistem dan 20% untuk pengujiannya. Hasil penelitian menunjukkan bahwa metode KNN dapat mengurutkan jenis produk dengan akurasi 80,4% dengan menggunakan metode yang disebut Euclidean Distance. Hasil penelitian juga menunjukkan bahwa produk yang paling laku adalah Whiskas 80gr Junior Tuna dengan estimasi penjualan sebanyak 6963 unit. Sementara itu, produk yang diprediksi paling sedikit laku adalah Whiskas Adult 1.2 kg dengan estimasi penjualan sebanyak 8 unit.
Kata kunci: K-Nearest Neighbor; Euclidean Distance; Prediksi Penjualan; Pakan Hewan.
ABSTRACT
Application of Data Mining for Predicting Sales of Pet Food Products Using the K-Nearest Neighbor Method Sales are essential for businesses to make money, and each sale creates useful information. But much of this sales information is not used well, especially for making important choices. One good use is to guess which animal foods will sell a lot or a little. This research uses a data mining method with the K-Nearest Neighbor (KNN) algorithm to guess sales based on past sales data. The KNN method is used because it works well with big sets of data and deals well with data that is not clear. This study used 208 sales records, divided into 80% for learning and 20% for testing. The results show that KNN can sort product types with 80.4% accuracy, using the Euclidean Distance method. Also, the model guessed that the best-selling product would be Whiskas 80gr Junior Tuna, with about 6963 units sold, and the worst-selling product was Whiskas Adult 1.2 kg, with only 8 units expected to sell.
Keywords: K-Nearest Neighbor; Euclidean Distance; Sales Prediction; Animal Feed.
