PENERAPAN DATA MINING UNTUK PREDIKSI

PENJUALAN PRODUK OTOMOTIF MENGGUNAKAN

METODE K-NEAREST NEIGHBOR
(Studi Kasus : Bengkel Bangkrut Mantap)

PROPOSAL PENELITIAN

Oleh
KEVIN SATRA MUHAMMAD IQBAL
NIM 17051214037

UNIVERSITAS NEGERI SURABAYA

FAKULTAS TEKNIK
JURUSAN TEKNIK INFORMATIKA
PRODI S1 SISTEM INFORMASI
2020
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Bengkel Bangkrut Mantap merupakan sebuah
bengkel yang bertempat di kota Paron, Jawa Timur.
Pelayanan yang disediakan yaitu bidang jasa dan produk
otomotif. Produk yang tersedia beraneka ragam dan
dengan kuantitas yang terbilang tidak sedikit. Jumlah
produk yang tersedia terkadang tidak sesuai dengan
kebutuhan konsumen. Ada produkyang tidak terjual
tetapi dengan stok menumpuk dan ada produk dengan
stok terbatas namun sangat dibutuhkan oleh consume.
Hal itu menjadi suatu kendala yang dialami oleh Bengkel
Bangkrut Mantao dalam menjalani aktivitas bisnisnya.
Dengan adanya studi kasus ini perlu adanya solusi
tentang perbaikan strategi bisnis yang inovatif. Solusi
yang tepat yaitu penerapan data mining prediksi
penjualan produk pada Bengkel Bangkrut Mantap.

1.2 Rumusan Masalah

1. Konsep persiapan pengadaan stok produk belum
berjalan maksimal
2. Transaksi tidak berjalan secara efektif dan efisien
karena tidak adanya penyesuaian antara produk
dengan kebutuhan konsumen

1.3 Batasan Masalah

1. Konsep penerapan penelitian ini dilaksanakan di
Bengkel Bangkrut Mantap
2. Strategi penerapan dapat berjalan secara dinamis
menyesuaikan dengan sistem pemasaran pada
Bengkel Bangkrut Mantap.
1.4 Tujuan
1. Menjadi suatu ajang persiapan dini dalam
menghadapi persaingan pasar bagi Bengkel Bangkrut
Mantap
2. Bengkel Bangkrut Mantap memiliki persiapan yang
lebih matang dalam melayani kebutuhan konsumen
3. Terjadinya transaksi efektif dan efisien di masa
mendatang
 BAB II
KAJIAN PUSTAKA

2.1 Kajian Teoritis

2.1.1 Penelitian
Penelitian adalah sebuah proses kegiatan
mencari kebenaran terhadap suatu fenomena
ataupun fakta yang terjadi dengan cara yang
terstruktur dan sistematis. Proses ini biasanya
dilakukan oleh ilmuan atau pakar yang
berhubungan dengan hal yang akan dicari
kebenarannya. Misal ada sebuah penelitian yang
akan menemukan fakta tentang unsur budaya
yang hilang di Indonesia. Maka yang melakukan
penelitian adalah pakar budaya atau orang yang
benar-benar paham tentang kebudayaan. Jadi,
secara sederhana, arti dari penelitian adalah
upaya untuk mengetahui sebuah fenomena
dengan rangkaian yang sistematis.

2.1.2 Transaksi
Transaksi adalah suatu kegiatan yang
diakukan seseorang yang menimbulkan
perubahan terhadap harta atau keuangan yang
dipunyai baik itu bertambah ataupun berkurang.
Misalnya menjual harta, membeli barang,
membayar hutang, serta membayar berbagai
macam biaya untuk memenuhi sebuah kebutuhan
hidup.
Dalam transaksi terdapat sebuah
administrasi transaksi. Adapun yang dimaksud
dengan administrasi disini ialah suatu kegiatan
untuk mencatat perubahan keuangan seseorang
atau oraganisasi yang dilakukan secara teliti serta
mengunakan suatu metode-metode tertentu.
 Administarsi transaksi ditujuakan agar
hasil pencatatan bisa di komunikasikan kepada
pihak lainnya. Adapun yang dimasut dengan
transaksi keuangan ialah suatu kegiatan ekonomi
yang dapat diukur dengan satuan uang tertentu,
yang bisa mengubah posisi keuangan
perusahaan tersebut.

2.1.3 Bengkel Bangkrut Mantap

Bengkel Bangkrut Mantap merupakan
sebuah bengkel yang bertempat di kota Paron,
Jawa Timur. Dalam Melayani konsumen Bengkel
Bangkrut Mantap tidak hanya melayani pada
bidang jasa, namun juga produk pada bisang
otomotif. Ragam produk yang dijual membuat
Bengkel Bangkrut Mantap perlu memutar otak
untuk menyiapkan skema yang baik agar terjalin
transaksi yang efektif dan efisien.

2.1.4 Data
Data adalah sekumpulan informasi atau
juga keterangan – keterangan dari suatu hal yang
diperoleh dengan melalui pengamatan atau juga
pencarian ke sumber – sumber tertentu. Data
yang diperoleh tersebut dapat menjadi sebuah
anggapan atau fakta disebabkan karena memang
belum diolah dengan lebih lanjut. Sebab itu
kemudian di olah melalui penelitian atau
percobaan maka suatu data tersebut dapat
menjadi bentuk yang lebih kompleks seperti
seuatu database, informasi atau juga bahkan
solusi untuk menyelesaikan masalah tertentu.
Fungsi data pada umumnya yaitu :
  Untuk membuat keputusan terbaik didalam
memecahkan sebuah masalah,
 Dapat dijadikan juga sebagai dasar suatu
perencanaan atau juga penelitian,
 Dijadikan sebagai acuan dalam tiap-tiap
implementasi suatu kegiatan atau aktivitas
dan terakhir
 Data ini juga dapat dijadikan sebagai bahan
evaluasi.

2.1.5 Data Mining

Data Mining adalah proses yang
menggunakan teknik statistik, matematika,
kecerdasan buatan, machine learning untuk
mengekstraksi dan mengidentifikasi informasi
yang bermanfaat dan pengetahuan yang terkait
dari berbagai database besar (Turban dkk. 2005).
Terdapat beberapa istilah lain yang memiliki
makna sama dengan data mining,
yaitu Knowledge discovery in databases (KDD),
ekstraksi pengetahuan (knowledge extraction),
Analisa data/pola (data/pattern analysis),
kecerdasan bisnis (business intelligence) dan data
archaeology dan data dredging (Larose, 2005).
Data mining mempunyai fungsi yang
penting untuk membantu mendapatkan
informasi yang berguna serta meningkatkan
pengetahuan bagi pengguna. Pada dasarnya,
data mining mempunyai empat fungsi dasar
yaitu:

1. Fungsi Prediksi (prediction). Proses untuk

menemukan pola dari data dengan
menggunakan beberapa variabel untuk
memprediksikan variabel lain yang tidak
diketahui jenis atau nilainya.
 2. Fungsi Deskripsi (description). Proses untuk
menemukan suatu karakteristik penting dari
data dalam suatu basis data.
3. Fungsi Klasifikasi (classification). Klasifikasi
merupakan suatu proses untuk menemukan
model atau fungsi untuk menggambarkan
class atau konsep dari suatu data. Proses yang
digunakan untuk mendeskripsikan data yang
penting serta dapat meramalkan
kecenderungan data pada masa depan.
4. Fungsi Asosiasi (association). Proses ini
digunakan untuk menemukan suatu
hubungan yang terdapat pada nilai atribut
dari sekumpulan data

2.1.6 K-Nearest Neighbor

K-Nearest Neighbor adalah suatu metode
yang menggunakan algoritma supervised
learning dimana hasil dari instance yang baru
diklasifikasikan berdasarkan mayoritas dari
kategori k-tetangga terdekat. Algoritma k-Nearest
Neighbor menggunakan Neighborhood
Classification sebagai nilai prediksi dari
nilai instance yang baru.
Prinsip kerja K-Nearest Neighbor (KNN)
adalah mencari jarak terdekat antara data yang
akan dievaluasi dengan k tetangga (neighbor)
terdekatnya dalam data pelatihan(training) .
Dengan k merupakan banyaknya tetangga
terdekat. Data training diproyeksikan ke ruang
berdimensi banyak, yang mana masing-masing
dimensi menjelaskan fitur dari data. Ruang ini
dibagi menjadi bagian-bagian berdasarkan
klasifikasi data training. Sebuah titik pada ruang
ini ditandai kelas k(titik hitam) , kelas k
merupakan klasifikasi yang paling banyak
 ditemui pada k buah tetangga terdekat titik
tersebut.
Dalam menentukan nilai atau kelas k ,
sebaiknya kita gunakan nilai ganjil, karena jika
tidak, ada kemungkinan kita tidak akan
mendapatkan jawaban. Penentuan nilai k
dipertimbangkan berdasarkan banyaknya data
yang ada dan ukuran dimensi yang dibentuk oleh
data. Semakin banyak data yang ada, angka k
yang dipilih sebaiknya semakin rendah. Namun,
semakin besar ukuran dimensi data, angka k
yang dipilih sebaiknya semakin tinggi.
Untuk mencari dekat atau jauhnya jarak antar
titik pada kelas k biasanya dihitung
menggunakan jarak Euclidean .
Jarak Euclidean adalah formula untuk mencari
jarak antara 2 titik dalam ruang dua dimensi.
Langkah kerja KNNyaitu sebagai berikut :

1. Tentukan parameter K = jumlah dari

persekitaran (nearest neighbors)
2. Hitung jarak antara data baru yang ditanyakan
dengan seluruh sampel data pelatihan
3. Urutkan seluruh jarak berdasarkan jarak
minimum dan tetapkan persekitaran sesuai
dengan nilai K.
4. Sesuaikan klasifikasi dari kategori Y dengan
persekitaran yang telah ditetapkan
5. Gunakan kelas dengan jumlah terbanyak
sebagai dasar menentukan klas dari data baru
yang ditanyakan.

2.1.7 Knowledge Discovery in Database (KDD)

Knowledge Discovery in Database (KDD)
merupakan proses penemuan pengetahuan
dalam database. Secara lengkap KDD
didefinisikan sebagai proses ekstraksi atau
identifikasi pola, pengetahuan dan informasi
potensial dari sekumpulan data yang besar.

Pengetahuan dan informasi yang

dihasilkan dari KDD bersifat sah, baru, mudah
dimengerti, dan bermanfaat. Langkah-langkah
dalam penerapan KDD yaitu sebagai berikut :
1. Data Cleaning and Integration
  Data cleaning (Pembersihan data)
bertujuan untuk menghilangkan noise
dan data yang tidak konsisten
 Data integration (Penggabungan data)
bertujuan untuk menggabungkan data-
daya yang berasal dari berbagai sumber.
2. Data Selection and transformation
 Data selection (Seleksi data) berfungsi
untuk mengambil data dari database
yang relevan dengan tugas analisis.
 Data transformation (Transformasi data)
berfungsi mentransformasikan dan
mengkonsolidasikan data ke dalam
bentuk yang sesuai untuk penambangan
dengan melakukan operasi ringkasan
atau agregasi.
3. Data Mining
Data mining (penambangan data)
merupakan proses penting di mana metode
cerdas diterapkan untuk mengekstrak pola
data.
4. Evaluation and presentation
 Pattern Evaluation (Evaluasi pola)
berfungsi untuk mengidentifikasi pola-
pola yang benar-benar menarik yang
mewakili pengetahuan berdasarkan
ukuran-ukuran yang menarik.
 Knowledge presentation (Presentasi
pengetahuan) digunakan untuk
memvisualisasikan dan
merepresentasikan pengetahuan yang
ditambang kepada pengguna.

2.1.8 Basis Data

kumpulan data yang disimpan secara
sistematis di dalam komputer yang dapat diolah
atau dimanipulasi menggunakan perangkat
lunak (software) program atau aplikasi untuk
menghasilkan informasi. Pendefinisian basis data
meliputi spesifikasi berupa tipe data, struktur
data dan juga batasan-batasan pada data yang
kemudian disimpan. Basis data merupakan
aspek yang sangat penting dalam sistem
informasi karena berfungsi sebagai gudang
penyimpanan data untuk diolah lebih lanjut.
Basis data menjadi penting karena dapat
mengorganisasi data, menghidari duplikasi data,
menghindari hubungan antar data yang tidak
jelas dan juga update yang rumit.
 BAB III
METODOLOGI PENELITIAN

3.1 Jenis Penelitian

Jenis penelitian ini adalah penelitian lapangan karena
berorientasi pada data empiric di lapangan berdasarkan
pendekatan kualitatif dan kuantitatif

3.2 Lokasi Penelitian

Lokasi penelitian ini ada bertempat di Bengkel
Bangkrut Mantap yang berada di kota Paron, Jawa
Timur.

3.3 Metode Pengumpulan Data

3.3.1 Studi Kepustakaan

Studi kepustakaan merupakan tahapan
awal penelitian dimulai yaitu dengan mencari
informasi terkait yang bersumber dari literature-
literatur, buku, dan internet. Tahapan ini mampu
memberikan ragam referensi yang bertujuan
untuk memperluas wawasan peneliti terhadap
objek terkait. Sehingga masalah demi masalah
dapat terpecahkan dengan maksimal sehingga
mampu menciptakan hasil peneitian yang
bermutu tinggi dan dapat dijamin
kredibilitasnya.

3.3.2 Observasi
Observasi merupakan teknik
pengumpulan data dengan mengamati secara
langsung pada sistem transaksi di Bengkel
Bagkrut Mantap. Keaslian data lapangan sangat
dibutuhkan untuk menunjang persiapan konsep
yang matang dengan penyesuaian pada kondisi
 lapangan yang ada pada Bengkel Bangkrut
Mantap.

3.3.3 Wawancara
Wawancara merupakan teknik
pengumpulan data dengan cara mengajukan
pertanyaan demi pertanyaan secara langsung
pada pemilik bengkel terkait. Hal ini ditujukan
untuk mendapatkan kumpulan data valid yang
nantinya dapat diolah menjadi suatu informasi
yang mampu membuahkan presiksi penjualan
pada Bengkel Bangkrut mantap.

3.4 Metode Pengolahan Data Mining

Adapun metode pengolahan data mining yang
digunakan pada penelitian ini yaitu Knowledge Discovery
in Database (KDD). Berikut adalah tahapan-tahapan yang
dilakukan :

3.4.1 Data Cleaning

Tahapan ini bertujuan untuk
menghilangkan noise dan data yang tidak
konsisten/ tidak dibutuhkan dalam penerapan
prediksi penjualan produk di Bengkel Bangkrut
Mantap. Terdapat kesimpulan yaitu data
transaksi dan data barang menjadi komponen
utama dalam penelitian ini

3.4.2 Integration
Tahapan ini bertujuan untuk
menggabungkan data dari berbagai sumber
dengan berdasarkan korelasi tiap unsur
pendukungnya antara data primer yang didapat
secara langsung dan data sekunder yang berasal
dari basis data dari Bengkel Bangkrut Mantap.
3.4.3 Data Selection
Data selection merupakan tahapan pemilihan
data yang dibutuhkan yang bersumber dari basis
data internal Bengkel Bangkrut Mantap. Data
penting tersebut diantaranya yaitu data transaksi
dan data barang, yang mana data tersebut
menyimpan kumpulan riwayat transaksi
pelanggan pada Bengkel Bangkrut Mantap pada
periode tahun 2019-2020 serta identitas barang
yang diperjualbelikan. Atribut data yang
ditemukan yaitu tanggal transaksi, nama produk,
dan jumlah. Penjabaran dari ketiga artribut
tersebut yaitu sebagai berikut :
1. Tanggal transaksi
Tanggal transaksi merupakan atribut yang
menggambarkan kondisi waktu pada
transaksi.
2. Nama produk
Nama produk merupakan atribut yang
menjelaskan tentang produk yang terlibat
dalam proses transaksi
3. Jumlah
Jumlah merupakan atribut yang
menjelasjkan tentang kuantitas atau
banyaknya produk yang terjual disetiap
satuan proses transaksi.

3.4.4 Transformation
Pada tahapan ini bentuk data mengalami
adaptasi sesuai dengan apa yang dibutuhkan.
Proses transformasi mampu menghasilkan
kualitas data yang siap untuk digunakan secara
matang pada tahapan data mining.
3.4.5 Data Mining
Tahap data mining merupakan proses
mencari pola atau informasi berdasarkan
komponen data yang telah mengalami
serangkaian proses sebelumnya. Tahap data
mining menerapkan suatu metode dengan tujuan
dapat mempermudah proses dalam
mendapatkan informasi prediksi penjualan
produk. Metode yang digunakan yaitu K-Nearest
Neighbor dengan menggunakan rumus eucliden
distance. Berikut adalah langkah-langkah dalam
penerapannya :

1. Menentukan parameter k (jumlah tetangga

paling dekat).
2. Menghitung kuadrat jarak eucliden objek
terhadap data training yang diberikan.

3. Mengurutkan hasil no 2
secara ascending (berurutan dari nilai tinggi
ke rendah)
4. Mengumpulkan kategori Y (Klasifikasi
nearest neighbor berdasarkan nilai k)
5. Dengan menggunakan kategori nearest
neighbor yang paling mayoritas maka dapat
dipredisikan kategori objek.

3.4.6 Evaluation
Hasil dari proses data mining
selanjutnya mengalami pengecekan ulang
dengan tujuan memastikan apakah informasi
yang didapat sudah sesuai dengan fakta dan siap
 untuk digunakan dalam prediksi penjualan
produk.

3.4.7 Presentation
Setelah melalui beragam tahapan hingga
pada akhirnya membuakan informasi yang
sudah tersaring kualitasnya, maka informasi siap
disajikan kepada penggunayang bersangkutan.
 DAFTAR PUSTAKA

Sastrawacana. 2019. Pengertian dan Macam-macam Metode

Penelitian.
www.kompasiana.com/maulanaaffandi0852/5c95ea050b531c6d7
3786e62/pengertian-dan-macam-macam-metode-penelitian.
Bitar. 2020. Pengertian Transaksi – Bisnis, Bukti, Manfaat, Jenis,
Pengelompokan, Contoh.
https://www.gurupendidikan.co.id/pengertian-transaksi.
Mughnifar Ilham. 2019. Pengertian Data – Contoh, Jenis-Jenis,
Metode Dan Fungsi data. https://materibelajar.co.id/pengertian-
data.

Muchlisin Riadi. 2017. Pengertian, Fungsi, Proses dan Tahapan Data

Mining. https://www.kajianpustaka.com/2017/09/data-
mining.html.

Rizky Desi Ramadhani. 2019. Memahami K-Nearest Neighbor

(KNN) Dengan R. https://medium.com/@16611129/memahami-
k-nearest-neighbor-knn-dengan-r-de5280439053.

Han, Jiawei, Micheline Kamber, Jian Pie. 2012 Data Mining:

Concepts and Techniques. San Francisco: Morgan Kaufmann
Publishers.

Hindro. 2020. Pengertian Database

. https://www.termasmedia.com/lainnya/software/69-
pengertian-database.html.

Riad Taufik Lazwardi. 2018. 4 Cara Menghitung Jarak dan

Algoritma KNN. https://belajarkalkulus.com/clustering-part-iii.