Clustering Data Stok Penjualan Sparepart Mobil Toyota Bengkel Multi Topindo Menggunakan K-Means

https://doi.org/10.35912/jisted.v2i2.3308
Published: Jul 29, 2024

Abstract:

Purpose: Sales of car spare parts at the Multi Topindo Tanjungpinang Workshop play a vital role in maintaining customer satisfaction in after-sales services. Accurate data analysis is required to increase marketing effectiveness, inventory management, and customer satisfaction. One relevant approach is the application of the K-Means Clustering algorithm, which effectively groups car spare part stock data based on the initial stock and final stock. Using this method, workshops can segment stock inventory based on customer preferences by observing what spare parts are sold frequently by comparing them with the initial stock. This segmentation provides the basis for developing a more efficient sales process and precise stock management.

Methodology/approach: The research was carried out at the Multi Topindo Tanjungpinang Workshop with system development developed based on the Rapid Application Development (RAD) methodology, which consists of four stages: identifying goals and information needs, working with users to design the system, building the system, introducing a new system, and carrying out classification. spare parts sales stock data by using the k-means method.

Results/findings: The results of segmentation obtained through K-Means Clustering will help in identifying spare part groups based on the clusters that are built. In addition, this algorithm plays a role in managing inventory stock, minimizing the risk of excess or shortage of inventory, and increasing overall operational efficiency.

Limitations: The system was developed based on the K-Means Algorithm with Python programming language and Django web framework as a sample of data using a car spare parts sales inventory.

Contribution: This research contributes to the Multi-Topindo Tanjungpinang workshop, which can take more appropriate steps to meet customer demand, optimize inventory, and ultimately increase customer satisfaction.

Keywords:
1. Clustering
2. Sales Stock
3. Sparepart
4. Data Mining
5. K-Means
Authors:
1 . Yusril Haris
2 . John Friadi
3 . Aurora Elsa Shafira Frederick
4 . Dwi Nurul Huda
5 . Mochammad Rizki Romdoni
View PDF
How to Cite
Haris, Y. ., Friadi, J. ., Frederick, A. E. S. ., Huda, D. N. ., & Romdoni, M. R. (2024). Clustering Data Stok Penjualan Sparepart Mobil Toyota Bengkel Multi Topindo Menggunakan K-Means . Jurnal Ilmu Siber Dan Teknologi Digital, 2(2), 109–121. https://doi.org/10.35912/jisted.v2i2.3308
Download Citation
  1. Endnote/Zotero/Mendeley (RIS)
  2. BibTeX

Downloads

Download data is not yet available.
Issue & Section
Vol. 2 No. 2 (2024): Mei
Articles
References

    Alkhairi, P., & Windarto, A. P. (2019). Penerapan K-Means Cluster Pada Daerah Potensi Pertanian Karet Produktif di Sumatera Utara.

    Apriadi, H., Amalia, F., & Priyambadha, B. (2019). Pengembangan Aplikasi Kakas Bantu Untuk Menghitung Estimasi Nilai Modifiability Dari Class Diagram. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 3(11).

    Aulia, S. (2021). Klasterisasi Pola Penjualan Pestisida Menggunakan Metode K-Means Clustering (Studi Kasus Di Toko Juanda Tani Kecamatan Hutabayu Raja). Djtechno: Jurnal Teknologi Informasi, 1(1), 1–5. https://doi.org/10.46576/djtechno.v1i1.964

    Dewi, N. L. P. P., Purnama, I. N., & Utami, N. W. (2022). Penerapan Data Mining Untuk Clustering Penilaian Kinerja Dosen Menggunakan Algoritma K-Means (Studi Kasus: STMIK Primakara). Jurnal Ilmiah Teknologi Informasi Asia, 16(2), 105. https://doi.org/10.32815/jitika.v16i2.761

    Dinata, R. K., Hasdyna, N., & Azizah, N. (2020). Analisis K-Means Clustering pada Data Sepeda Motor. 5(1).

    Friadi, J., Yani, D. P., Zaid, M., & Sikumbang, A. (2023). Perancangan Pemodelan Unified Modeling Language Sistem Antrian Online Kunjungan Pasien Rawat Jalan Pada Puskesmas. Jurnal Ilmu Siber dan Teknologi Digital, 1(2), 125-133.

    Husnul, A. H., Nurhatisyah, N., & Friadi, J. (2022). Sistem Informasi Pariwisata Pantai Glory Melur Berbasis Web. Jurnal Ilmu Siber dan Teknologi Digital, 1(1), 53-64.

    Pratama, F. A., Narasati, R., & Amalia, D. R. (2019). Pengaruh Kata Cashback Terhadap Peningkatan Penjualan Menggunakan Data Mining. 3(2).

    Pratama, F. D., Zufria, I., & Triase, T. (2022). Implementasi Data Mining Menggunakan Algoritma Naïve Bayes Untuk Klasifikasi Penerima Program Indonesia Pintar. Rabit?: Jurnal Teknologi dan Sistem Informasi Univrab, 7(1), 77–84. https://doi.org/10.36341/rabit.v7i1.2217

    Richia Putri, M., Gibran Satya Nugraha, & Ramaditia Dwiyansaputra. (2023). Pengelompokan Provinsi di Indonesia Berdasarkan Indikator Pendidikan Menggunakan Metode K-Means Clustering: Grouping Provinces in Indonesia Based on Education Indicators Using the K-Means Clustering Method. Journal of Computer Science and Informatics Engineering (J-Cosine), 7(1). https://doi.org/10.29303/jcosine.v7i1.509

    Siahaan, M. (2022). Data Mining Strategi Pembangunan Infrastruktur Menggunakan Algoritma K-Means. Jurnal Sisfokom (Sistem Informasi dan Komputer), 11(3), 316–324. https://doi.org/10.32736/sisfokom.v11i3.1453

    Supoyo, A., & Prasetyaningrum, P. T. (2022). Analisis Data Mining Untuk Memprediksi Lama Perawatan Pasien Covid-19 Di DIY. Bianglala Informatika, 10(1), 21–29. https://doi.org/10.31294/bi.v10i1.11890

    Suroto, S., & Friadi, J. (2023). Manajemen Risiko Teknologi Informasi Pada Aplikasi CMS di PT. Sarana Citranusa Kabil-Batam Menggunakan ISO31000: 2018. Jurnal Ilmu Siber dan Teknologi Digital, 1(2), 135-148.

    Utomo, Y. B., Kurniasari, I., & Yanuartanti, I. (2023). Penerapan Knowledge Discovery In Database Untuk Analisa Tingkat Kecelakaan Lalu Lintas. JTIK (Jurnal Teknik Informatika Kaputama), 7(1), 171–180. https://doi.org/10.59697/jtik.v7i1.61

    Wahyuni, W. (2017). Rekayasa Ulang (Reengineering) Sistem Informasi Manajemen Pertanahan Nasional dengan Pendekatan Unified Modelling Language (UML). BHUMI: Jurnal Agraria dan Pertanahan, 3(1), 111. https://doi.org/10.31292/jb.v3i1.94

  1. Alkhairi, P., & Windarto, A. P. (2019). Penerapan K-Means Cluster Pada Daerah Potensi Pertanian Karet Produktif di Sumatera Utara.
  2. Apriadi, H., Amalia, F., & Priyambadha, B. (2019). Pengembangan Aplikasi Kakas Bantu Untuk Menghitung Estimasi Nilai Modifiability Dari Class Diagram. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 3(11).
  3. Aulia, S. (2021). Klasterisasi Pola Penjualan Pestisida Menggunakan Metode K-Means Clustering (Studi Kasus Di Toko Juanda Tani Kecamatan Hutabayu Raja). Djtechno: Jurnal Teknologi Informasi, 1(1), 1–5. https://doi.org/10.46576/djtechno.v1i1.964
  4. Dewi, N. L. P. P., Purnama, I. N., & Utami, N. W. (2022). Penerapan Data Mining Untuk Clustering Penilaian Kinerja Dosen Menggunakan Algoritma K-Means (Studi Kasus: STMIK Primakara). Jurnal Ilmiah Teknologi Informasi Asia, 16(2), 105. https://doi.org/10.32815/jitika.v16i2.761
  5. Dinata, R. K., Hasdyna, N., & Azizah, N. (2020). Analisis K-Means Clustering pada Data Sepeda Motor. 5(1).
  6. Friadi, J., Yani, D. P., Zaid, M., & Sikumbang, A. (2023). Perancangan Pemodelan Unified Modeling Language Sistem Antrian Online Kunjungan Pasien Rawat Jalan Pada Puskesmas. Jurnal Ilmu Siber dan Teknologi Digital, 1(2), 125-133.
  7. Husnul, A. H., Nurhatisyah, N., & Friadi, J. (2022). Sistem Informasi Pariwisata Pantai Glory Melur Berbasis Web. Jurnal Ilmu Siber dan Teknologi Digital, 1(1), 53-64.
  8. Pratama, F. A., Narasati, R., & Amalia, D. R. (2019). Pengaruh Kata Cashback Terhadap Peningkatan Penjualan Menggunakan Data Mining. 3(2).
  9. Pratama, F. D., Zufria, I., & Triase, T. (2022). Implementasi Data Mining Menggunakan Algoritma Naïve Bayes Untuk Klasifikasi Penerima Program Indonesia Pintar. Rabit?: Jurnal Teknologi dan Sistem Informasi Univrab, 7(1), 77–84. https://doi.org/10.36341/rabit.v7i1.2217
  10. Richia Putri, M., Gibran Satya Nugraha, & Ramaditia Dwiyansaputra. (2023). Pengelompokan Provinsi di Indonesia Berdasarkan Indikator Pendidikan Menggunakan Metode K-Means Clustering: Grouping Provinces in Indonesia Based on Education Indicators Using the K-Means Clustering Method. Journal of Computer Science and Informatics Engineering (J-Cosine), 7(1). https://doi.org/10.29303/jcosine.v7i1.509
  11. Siahaan, M. (2022). Data Mining Strategi Pembangunan Infrastruktur Menggunakan Algoritma K-Means. Jurnal Sisfokom (Sistem Informasi dan Komputer), 11(3), 316–324. https://doi.org/10.32736/sisfokom.v11i3.1453
  12. Supoyo, A., & Prasetyaningrum, P. T. (2022). Analisis Data Mining Untuk Memprediksi Lama Perawatan Pasien Covid-19 Di DIY. Bianglala Informatika, 10(1), 21–29. https://doi.org/10.31294/bi.v10i1.11890
  13. Suroto, S., & Friadi, J. (2023). Manajemen Risiko Teknologi Informasi Pada Aplikasi CMS di PT. Sarana Citranusa Kabil-Batam Menggunakan ISO31000: 2018. Jurnal Ilmu Siber dan Teknologi Digital, 1(2), 135-148.
  14. Utomo, Y. B., Kurniasari, I., & Yanuartanti, I. (2023). Penerapan Knowledge Discovery In Database Untuk Analisa Tingkat Kecelakaan Lalu Lintas. JTIK (Jurnal Teknik Informatika Kaputama), 7(1), 171–180. https://doi.org/10.59697/jtik.v7i1.61
  15. Wahyuni, W. (2017). Rekayasa Ulang (Reengineering) Sistem Informasi Manajemen Pertanahan Nasional dengan Pendekatan Unified Modelling Language (UML). BHUMI: Jurnal Agraria dan Pertanahan, 3(1), 111. https://doi.org/10.31292/jb.v3i1.94