PROPOSAL SKRIPSI

PENERAPAN ALGORITMA K-MEANS

DALAM PENJUALAN SUKU CADANG MOTOR
DEALER YAMAHA WAJA MOTOR

Oleh :

I Made Dedo Karmanata

NIM. 2015354063

PROGRAM STUDI SARJANA TERAPAN

TEKNOLOGI REKAYASA PERANGKAT LUNAK
JURUSAN TEKNIK ELEKTRO
POLITEKNIK NEGERI BALI
2023
 LEMBAR PENGESAHAN PROPOSAL SKRIPSI

PENERAPAN ALGORITMA K-MEANS

DALAM PENJUALAN SUKU CADANG MOTOR
DEALER YAMAHA WAJA MOTOR

Oleh :

I Made Dedo Karmanata

NIM. 2015354063

Proposal Skripsi ini Diajukan untuk

Dilanjutkan sebagai Skripsi
di
Program Studi Sarjana Terapan
Teknologi Rekayasa Perangkat Lunak
Jurusan Teknik Elektro - Politeknik Negeri Bali

Bukit Jimbaran,……………2023
Disetujui Oleh :

Tim Penguji : Dosen Pembimbing :

1. ......................................... 1. .........................................
NIP. NIP.

2. ......................................... 2. .........................................
NIP. NIP.
1. Judul Proposal :
PENERAPAN ALGORITMA K-MEANS DALAM PENJUALAN SUKU
CADANG MOTOR DEALER YAMAHA WAJA MOTOR

2. Latar Belakang
Industri suku cadang sepeda motor memiliki peran yang sangat penting dalam menjaga
kinerja optimal serta keberlanjutan penggunaan sepeda motor. Pada upaya untuk
memastikan kehandalan dan efisiensi sepeda motor, perawatan dan penggantian suku
cadang menjadi bagian integral dalam siklus pemeliharaan. Namun, dalam industri yang
begitu dinamis dan kompetitif ini, pemahaman yang mendalam tentang pola penjualan
suku cadang sepeda motor sangat penting bagi para pemangku kepentingan untuk
mengambil keputusan yang tepat. Ketika menghadapi peningkatan permintaan
pembelian suku cadang, perusahaan dapat mengambil langkah-langkah untuk
menambah persediaan suku cadang agar dapat memenuhi kebutuhan pelanggan.
Penyediaan beragam jenis suku cadang yang lengkap dapat memenuhi kebutuhan
pelanggan secara optimal. Selain itu, pengelolaan data penjualan suku cadang yang
paling banyak dibeli oleh pelanggan di salah satu perusahaan juga penting. Data
pengelolaan tersebut dapat digunakan sebagai referensi dalam mengambil keputusan
untuk meningkatkan penjualan, dan selalu berpotensi sebagai sumber pendukung
keputusan yang valid [1]. Pengelolaan data yang tepat dapat menjadi pola bagi
perusahaan dalam mengembangkan serta meningkatkan penjualan dan pemasaran
barang di perusahaan tersebut yang akan menjadikan persaingan antara satu perusahaan
dengan perusahaan lainnya di era pesatnya perkembangan bisnis penjualan suku cadang
motor [2].

Dealer Yamaha Waja Motor merupakan dealer yang melayani pembelian motor, suku
cadang, service motor dan pelayanan lainnya, produk suku cadang yang disediakan
hanya khusus di jual untuk pelanggan pengguna motor bermerk Yamaha dan juga
disediakan bagi member Waja Motor. Dealer Yamaha Waja Motor menawarkan
berbagai jenis motor produk terbaru mulai dari motor bebek Yamaha, motor matic
dengan besar mesin berbagai jenis dari 120cc sampai dengan 250cc dengan pembelian
dapat dengan traksaksi tunai maupun lewat kredit dengan harga terjangkau, selain itu
dalam pembelian motor di Dealer Yamaha Waja Motor pelanggan juga akan

Proposal–PS Sarjana Terapan TRPL-Teknik Elektro-Poiteknik Negeri Bali

1
mendapatkan diskon, potongan harga, serta bonus-bonus lainnya setiap kali melakukan
pembelian. Selain menawarkan pembelian motor dan sparepart Yamaha Waja Motor
juga menyediakan fasilitas bengkel service motor resmi milik Yamaha untuk
memudahkan pelanggan Yamaha Waja Motor dalam perawatan dan pemeliharaan
motor mereka setiap saatnya di kondisi ketika mengalami problem pada motor yang
mereka gunakan khususya motor buatan Yamaha. Dealer Yamaha Waja Motor tersebar
di beberapa kabupaten yang ada di Bali, yaitu terdapat di kabupaten Gianyar,
Klungkung, Badung, Tabanan, dan kota-kota besar lainnya. Setiap cabang Yamaha
Waja Motor menyediakan pelayanan yang sama dan terhubung satu sama lain dengan
cabang lainnya di setiap kabupaten di Bali. Waktu operasional Dealer Yamaha Waja
Motor mulai dari jam 8 pagi sampai jam 5 sore. Informasi lengkap yang disediakan
dapat diakses melalui website dan aplikasi resmi Yamaha Waja Motor bagi semua
pelanggan yang ingin melakukan pembelian motor, sparepart dan juga melakukan
service resmi motor Yamaha.

Data persediaan suku cadang tentunya sangat banyak mengakibatkan dalam

menentukan ketersediaan suku cadang kembali mungkin akan mengalami kesulitan,
maka diperlukan adanya sistem yang dapat mendukung mengambil keputusan secara
akurat dan cepat. Dalam penelitian ini analisis yang nantinya dipakai untuk mengatasi
hal tersebut adalah dengan memakai penerapan Claustering dengan menggunakan
Algoritma K-Means. Untuk mengetahui jenis suku cadang yang mana terjual paling
laris, sedang dan kurang laris dan harus memperbanyak stock serta jenis suku cadang
yang mana yang kurang diminati atau terjual paling sedikit agar mengurangi stocknya,
maka dari itu perlu yang namanya metode pengelompokkan data berdasakan hasil
penjualan yang paling terlaris suku cadang tersebut di setiap tahunnya[3]. Data hasil
penjualan yang didapat dengan jumlah besar tersebut memerlukan sebuah teknik
pengolahan bernama Data Mining. Teknik ini merupakan inti dari sebuah proses
algoritma untuk mengeksplor data, membangun sebuah model, dan menemukan pola
yang tidak diketahui. Data mining adalah salah satu penyelesaian masalah dengan
melakukan analisis data yang ada pada database yang tersimpan otomatis di dalam
komputer secara elektronik serta pencariannya dapat juga dilakukan secara otomatis
dilakukan seperti pada komputer [4]. Teknik Data mining yang dimaksud yaitu metode
K-Means. Metode ini merupakan metode pengelompokkan data hasil observasi, atau

Proposal–PS Sarjana Terapan TRPL-Teknik Elektro-Poiteknik Negeri Bali

2
kasus yang berdasarkan kemiripan objek penelitian. Dari penelitian penelitian lainnya
penggunaan Data mining dengan algoritma K-Means clustering terlihat berbeda yang
dapat dilihat dari atribut-atribut yang digunakan, namun pada umunya algoritma K-
means claustering masih tetap sama yaitu dipakai dalam pengelompokkan sebuah data
menjadi beberapa cluster, hanya saja data yang digunakan berbeda sesuai dengan
penelitian yang dicari dan dari data hasil pencarian data secara langsung[5].

Namun, walaupun data mining dan algoritma K-Means telah digunakan dalam berbagai
bidang, penerapannya khusus untuk analisis penjualan suku cadang sepeda motor masih
terbatas. Oleh karena itu, penelitian ini diusulkan untuk mengisi kesenjangan
pengetahuan ini dengan menerapkan algoritma K-Means pada data penjualan suku
cadang sepeda motor. Diharapkan bahwa hasil penelitian ini akan memberikan wawasan
yang berharga kepada pemangku kepentingan industri suku cadang sepeda motor,
membantu mereka dalam pengambilan keputusan yang lebih baik, dan meningkatkan
efisiensi serta keberhasilan bisnis [6].

3. Perumusan Masalah
Berdasakan latar belakang permasalahan yang diangkat, maka didapatkan rumusan
permasalahan sebagai berikut.
1) Bagaimana menerapkan algoritma K-Means dalam mengelompokkan suku
cadang berdasarkan hasil penjualan dan jumlah stock yang dimiliki?

2) Bagaimana memanfaatkan data penjualan suku cadang sepeda motor untuk

mengidentifikasi jumlah stock yang perlu disediakan?

4. Batasan Masalah
Ada beberapa batasan yang diimplementasikan di dalam penelitian ini, yang
tujuannya adalah untuk membatasi fokus penelitian sehingga dapat menghasilkan
luaran yang sesuai dengan tujuan penelitian. Adapun batasan-batasan yang
digunakan dalam penelitian ini adalah sebagai berikut.
1) Penelitian ini akan berfokus pada penerapan algoritma K-Means sebagai
metode utama untuk menganalisis data penjualan. Algoritma K-Means akan
digunakan untuk mengelompokkan suku cadang berdasarkan pola penjualan
yang sering terjadi, dan analisis akan dilakukan terhadap kelompok-kelompok
tersebut.

Proposal–PS Sarjana Terapan TRPL-Teknik Elektro-Poiteknik Negeri Bali

3
 2) Penelitian ini tidak akan melibatkan implementasi hasil analisis secara
langsung ke dalam sistem manajemen penjualan. Namun, penelitian ini akan
memberikan rekomendasi dan saran untuk mendukung pengambilan keputusan
terkait penjualan suku cadang sepeda motor.

3) Fokus utama dari penelitian ini adalah pada analisis data penjualan suku
cadang sepeda motor, dan tidak akan mempertimbangkan faktor-faktor
eksternal seperti situasi ekonomi atau perubahan kebijakan industri.

5. Tujuan
Adapun tujuan penelitian ini adalah:
1) Menerapkan algoritma K-Means dalam mengelompokkan suku cadang
berdasarkan hasil penjualan dan jumlah stock yang dimiliki.

2) Memanfaatkan data penjualan suku cadang sepeda motor untuk

mengidentifikasi jumlah stock yang perlu disediakan.

6. Tinjauan Pustaka

6.1. Penelitian Yang Pernah Dilakukan

Setelah melakukan pencarian informasi dan melakukan telaah terhadap beberapa
penelitian, ada beberapa penelitian yang memiliki keterkaitan dengan penelitian yang
dilakukan yakni sebagai berikut.

Penelitian yang dilakukan oleh S. Parsaoran Tamba dan F. Toknady Kesuma mengenai
“Penerapan Data Mining untuk Menentukan Penjualan Sparepart Toyota dengan
Metode K-Means Clustering”[2]. Terdapat permasalahan yang terjadi pada sebuah
perusahaan penjual sparepart Toyota dalam peninjauan produk-produk yang mana saja
yang dibutuhkan oleh pelanggan serta permasalahan mengenai penyimpanan data-data
masih dilakukan kurang efektif, maka dari permasalahan tersebut membuat penelitian
ini memiliki tujuan untuk mengetahui kelompok barang yang mana penjualanya paling
laris, laris, dan tidak laris untuk mengantisipasi terjadinya penumpukan barang di
gudang. Metode penelitian yang dipakai yaitu metode K-means Claustering untuk
melakukan pengelompokkan data berdasarkan kategori yang akan mengasilkan cluster
yang stabil. Adapun hasil penelitian ini yakni data yang digunakan sebanyak 50 data
yang akan mengasilkan output 3 cluster data yaitu data penjualan paling laris, data
penjualan yang laris dan data penjualan tidak laris untuk digunakan dalam

Proposal–PS Sarjana Terapan TRPL-Teknik Elektro-Poiteknik Negeri Bali

4
pengelompokkan data penjualan terdiri dari 2 variable yakni variable stok awal dan
variable terjual. Penelitian ini memiliki kekurangan yakni tidak dijelaskan mengenai
kekurangan-kekurangan dalam penelitian serta masih kurangnya jumlah data yang
dipakai dalam melakukan cluster, serta kelebihan dalam penelitian ini yakni penerapan
metode cluster berjalan dengan baik dengan hasil yang stabil dan tidak ada yang
berubah dan berpindah antar cluster.

Penelitian yang dilakukan oleh I. I. Mohamad, I. A. Salihi, dan K. C. Pelangi, mengenai

“Penerapan Metode K-Means untuk Clustering Penjualan Suku Cadang Kendaraan
(Studi Kasus: CV. Gotama Viar Gorontalo)”[3]. Pada penelitian ini yang menjadi Pokok
permasalahan yang dibahas di bagian latar belakang penelitian ini yakni terjadi
kebingungan di perusahaan dalam menentukan jenis suku cadang yang perlu
diperbanyak jumlah stoknya supaya tidak terjadi kehabisan stok serta jenis suku cadang
apa yang perlu dikurangi jumlah persediaannya supaya tidak terjadi penumpukan
barang di gudang. Terdapat tujuan penelitian ini dilakukan yaitu untuk pengelompokkan
jenis suku cadang kendaraan apa yang paling laris dan kurang laris. Adapun metode
yang dipakai dalam penelitian ini yakni dengan metode kualitatif yang melakukan
pencarian data secara observasi dan wawancara yang dianalisis menjadi
pengelompokkan data berdasarkan kategori, serta membuat pemodelan penerapan
metode K-Means yang akan diimplementasikan nantinya berdasarkan data yang
diperoleh. Adapun hasil dari penelitian ini yakni penggunaan metode K-Means terdapat
2 cluster yang dihasilkan dari jumlah data penjualan selama tahun 2022 yang
dikelompokkan pada cluster pertama yaitu 373 jenis barang dikategorikan C1(barang
yang laris), dan cluster kedua yaitu 7 jenis barang dikategorikan C2(barang kurang
laris). Hasil yang didapat tersebut dapat menentukan jumlah barang apa yang perlu
diperbanyak jumlahnya dan barang apa saja yang perlu dikurangi jumlah stoknya untuk
mengurangi penumpukkan stok yang berlebihan dan perusahaan tidak lagi kebingungan
dalam menentukan jumlah perrsediaan barang di gudang. Kekurangan penelitian ini
yakni tidak dijelaskan mengenai kekurangan-kekurangan dalam penelitian serta
penjelasan pada metode penelitian kurang detail dan lengkap mengenai metode yang
dipakai dalam penelitian tersebut, selain itu jumlah cluster yang dihasilkan hanya 2
cluster dari 380 jenis barang terdapat pada data sampel. Selain itu, juga terdapat
kelebihan penelitian ini yakni penggunaan jumlah sampel data yang dipakai dalam

Proposal–PS Sarjana Terapan TRPL-Teknik Elektro-Poiteknik Negeri Bali

5
cluster beragam yang diambil tiap bulannya di tahun 2022 dan implementasi metode
yang dipakai sangat jelas yang dapat ditampilkan langsung pada bagian implementasi
sistem menggunakan pemograman PHP dan menggunakan database MySQL.

Penelitian yang dilakukan oleh Anggarwati, D., Nurdiawan, O., Ali, I., & Kurnia, D. A.
(2021), mengenai “Penerapan Algoritma K-Means dalam Prediksi Penjualan
Karoseri”[7]. Sebuah perusahaan bernama PT.Senang Jaya Abadi mengalami kesulitan
dalam menentukan strategi penjualan karoseri pada awal tahun dengan penjualan yang
menurun di bulan Januari sampai dengan Mei, sementara itu penjualan di bulan Juni
sampai Desember penjualan melonjak drastis, maka dari itu perusahaan mengalami
kerepotan saat memenuhi permintaan pelanggan, serta perusahaan mengalami banyak
kerugian dari sisi pendapatan dan modal yang sudah dikeluarkan, hal tersebut
menjadikan sebuah permasalahan yang diangkat dalam penelitian ini dengan tujuan
membantu perusahaan dalam menentukan jumlah stok atau persediaan yang banyak
disenangi oleh pelanggan. Adapun metode yang digunakan dalam penelitian ini yakni
metode Knowledge Discovery and Database yang merupakan proses mendapatkan
informasi pada sebuah data tersembunyi diubah menjadi sebuah bentuk-bentuk atau
pola sesuai karakteristik dari data tersebut. Adapun hasil dari penelitian ini yakni
sebanyak 203 sampel data yang dikelompokkan menjadi 2 cluster, yaitu cluster 0 yang
menghasilkan 93 data penjualan karoseri yang kurang diminati pelanggan dan cluster 1
menghasilkan 110 data penjualan karoseri yang sangat diminati pelanggan. Kekurangan
penelitian ini yakni konsep penerapan algoritma K-Means tidak dijelaskan mulai dari
penentuan variable dan cara perhitungan cluster yang dilakukan serta tidak dijelaskan
mengenai kelemahan atau kekurangan yang terdapat dalam penelitian ini. Hasil dari
penelitian yang ditampilkan dengan jelas sesuai dengan cluster yang ditentukan
sebelumnya, penerapan metode Knowledge Discovery and Database dalam penelitian
ini dijelaskan secara detai dan rinci disertakan gambar yang dipakai bukti dalam
implementasi metode yang digunakan mejadikan kelebihan yang terdapat pada
penelitian ini.

Penelitian yang dilakukan oleh R. Budiansyah Hasibuan dan R. Mahyuni, mengenai

“Penerapan Data Mining Clustering dengan Menggunakan Algoritma K-Means pada
Data Nasabah Kredit Bermasalah PT. BPR Milala”[8]. Permasalahan kredit serta
keperluan sebuah sistem yang dapat mempercepat dalam melakukan pengelompokkan

Proposal–PS Sarjana Terapan TRPL-Teknik Elektro-Poiteknik Negeri Bali

6
dan memepersingkat waktu pada kredit yang bermasalah merupakan permasalahan yang
pada PT.BPR Milala kemudian diangkat pada penelitian ini. Terjadinya permasalahan
tersebut, maka penelitian ini memiliki tujuan untuk meningkatkan kinerja pada
perusahaan dalam melakukan perbaikan kredit yang bermasalah dan pengelompokkan
data kredit yang bermasalah supaya menjadi lebih efektif dan efesien. Adapun metode
yang dipakai pada penelitian ini yakni menggunakan teknik pengumpulan data yang
dibahas dalam pembahasan dan metode K-Means dipakai dalam pengelompokkan
cluster data yang didapat dari hasil pengumpulan data guna melakukan normalisasi data
nasabah supaya dapat melakukan proses pengambilan keputusan secara cepat dan
akurat. Kekurangan yang terdapat pada penelitian ini yakni tidak dijelaskan mengenai
kekurangan-kekurangan dalam penelitian serta masih kurangnya jumlah data yang
dipakai dalam melakukan cluster, dan dalam proses pengumpulan data yang dilakukan
tidak dijelaskan dalam metodelogi penelitian yang dibahas, pada penelitian ini data
sampel yang dipakai langsung ditampilkan dalam bentuk data yang sudah dinormalisasi
dan tidak menjelaskan mengenai proses normalisasi data mentah yang didapat dari hasil
pengumpulan data. Setelah itu, kelebihan dari penelitian ini yaitu penerapan metode
clustering yang dipakai dijelaskan dengan detail dan mudah dipahami mulai dari
penentuan nilai centroid serta setiap perhitungan iterasi setiap tabel dijabarkan secara
rinci dan hasil yang didapat pada proses akhir pengelompokkan ditampilkan dengan
jelas yang akan digunakan dalam pengambilan keputusan secara cepat dan akurat.

Penelitian yang dilakukan oleh P. Kurniady, P. S. Ramadhan, and M. Yetri, mengenai

“Penerapan Data Mining untuk Pengelompokan Paket Barang Yang Di Kirim pada J &
T Idi Aceh dengan Menggunakan K- Means Clustering”[9]. Munculnya pertanyaan
bagaimana meningkatkan jumlah pengiriman paket barang serta bagaimana melakukan
pengolahan data pengiriman barang dan transaksi penjualan secara cepat dan akurat
dalam peningkatan pelayanan aktivitas pengiriman logistik di J&T Idi Aceh menjadi
permasalahan yang dihadapi pada penelitian ini. Pertanyaan yang muncul tersebut akan
memunculkan sebuah tujuan yakni melakukan pengelompokkan data paket barang
untuk mengasilkan cluster dengan jumlah yang sudah ditetapkan dengan implementasi
metode K-Means dalam peningkatan layanan pengiriman barang di perusahaan J&T Idi
Aceh. Adapun metode yang dipakai yakni dengan metode kualitatif yang melakukan
pencarian data secara observasi dan wawancara yang dianalisis menjadi

Proposal–PS Sarjana Terapan TRPL-Teknik Elektro-Poiteknik Negeri Bali

7
pengelompokkan data berdasarkan variable yang ditentukan, dari hasil pencarian data
tersebut didapatkan data yang menjadi sampel atau bahan yang akan diuji dalam
penelitian ini. Hasil yang didapat dari penelitian ini yakni hasil cluster dari data sampel
yang didapat pada tahapan pencarian data yang akan di cluster berdasarkan kategori
yang ditetapkan dengan hasil keluaran berupa laporan cluster data analisa penjualan
paket barang di PT J&T Idi Aceh yang dijadikan pengambilan keputusan dan
peningkatan layanan pengiriman barang. Kekurangan juga tedapat pada penelitian ini
yakni tidak menjelaskan mengenai perusahaan J&T yang digunakan sebagai sumber
pencarian data yang akan digunakan dalam penelitian ini dan juga merupakan bagian
dari tujuan penelitian ini dilakukan. Tidak lepas dari kekurangan penelitian ini juga
memiliki kelebihan yakni membahas lengkap mengenai kelebihan dan kekurangan
sistem yang akan dibuat serta menyertakan penjelasan metode penelitian yang dipakai
yang dijelaskan secara rinci dan pada penelitian ini menyertakan dan menampilkan
pemodelan dan diagram perancangan sistem dengan lengkap sesuai masalah dan tujuan
dari penelitian yang dilakukan.

Penelitian yang dilakukan oleh Sartika, J. Jumadi, dan U. Dehasen, mengenai

“Implementasi Data Mining untuk Pengelompokkan Wilayah Pelanggaran Lalu Lintas
Menggunakan Metode K-Means pada Polres Bengkulu”[10]. Persoalan terhadap
banyaknya jumlah pelanggaran lalu lintas yang dilakukan pengguna jalan setiap harinya
mengakibatkan penumpukan data laporan pelanggaran yang terjadi di polres Kota
Bengkulu menjadi permasalahan yang diangkat dalam penelitian ini. Selanjutnya, maka
akan memunculkan sebuah tujuan dari penelitian yang dilakukan yakni untuk
mengelompokkan data pelanggaran setiap wilayah di Kota Bengkulu dengan
pengelompokkan data wilayah berdasarkan jumlah pelanggaran yang dijadikan 3
kelompok yaitu pelanggran sedikit, pelanggaran sedang dan pelanggran terbanyak.
Adapun sebuah metode yang dipakai dalam penelitian ini yakni SDLC atau
Development Life Cycle yang dipakai dalam pengembangan sistem yang akan dibuat
dalam penelitian ini, metode ini berfungsi sebagai penggambaran langkah-langkah
pembuatan sistem yang dijelaskan secara garis besar dibagi menjadi 3 kegiatan.
Penelitian ini mengasilkan pengelompokkan wilayah di kota Bengkulu berdasarkan
pelanggaran yang terjadi yang dikelompokkan menajdi 3 cluster yakni cluster pertama
yaitu pelanggaran terbanyak, cluster kedua yaitu pelanggaran sedang dan cluster ketiga

Proposal–PS Sarjana Terapan TRPL-Teknik Elektro-Poiteknik Negeri Bali

8
yaitu pelanggaran sedikit untuk melakukan analisis operasi penegakan hukum dan
menciptakan masyarakat yang patuh dan sadar akan hukum. Adapun kekurangan pada
penelitian ini yakni penjelasan mengenai penerapan metode K-Means tidak dijabarkan
pada penelitian ini, hanya lebih detail mejelaskan mengenai pembuatan dari sistem yang
akan dibuat dan penjelasan konsep-konsep metode yang dipakai kurang dijelaskan
dalam penelitian ini. Setelah itu, kelebihan penelitian ini yakni penjelasan mengenai
metode perancangan sistem dijelaskan cukup detail mengenai tahapan apa yang akan
dilakukan sistem nantinya sesuai permasalahn dan tujuan yang diangkat oleh penelitian
ini.

6.2. Teori Penunjang Yang Digunakan Dalam Penelitian

6.2.1. Clustering
Clustering merupakan pengelompokkan data rekam/record, data hasil pengamatan, atau
membuat bentuk dan memperhatikan objek yang terdapat kemiripan. Algoritma cluster
melakukan pembagian pada keseluruhan data menjadi kelompok yang mempunyai
kesamaan dengan nilai maksimal jika pada data record yang memiliki kemiripan dalam
satu kelompok, dan memiliki nilai minimal jika data record memiliki kemiripan dengan
kelompok lainnya [11]. Clustering memisahkan beberapa kelompok data dengan ciri
masing-masing dari data tersebut, dimana bisa berupa data orang, data peristiwa atau
lainnya yang akan disebarkan ke dalam kelompok dengan tingkatan-tingkatan yang
dimiliki dan terhubung satu sama lain atar cluster[12].

6.2.2. Algoritma K-Means

Algoritma K-Means adalah algoritma clustering yang umum digunakan dalam
pengelompokkan sebuah data dengan kesamaan karakteristiknya. Data hasil
pengelompokkan tersebut dinamakan cluster. Kelebihan algoritma ini yakni mudah
dalam implementasi dan cluster yang dihasilkan relative kompleks serta mampu
memisahkan fitur atau bagian ruang yang dimiliki dengan baik[13]. K-Means
merupakan metode yang membagi data mejadi beberapa cluster dan algoritma yang
berkerja pada atribut yang bertipe numeric. Algoritma ini termasuk juga partitioning
clustering yang dapat memisahkan sebuah data ke- k menjadi bagian yang terpisah[14].

Berikut ini adalah formula lengkap untuk algoritma K-Means[24]:

1) Inisialisasi Pusat Cluster (Centroid)

Proposal–PS Sarjana Terapan TRPL-Teknik Elektro-Poiteknik Negeri Bali

9
 Langkah pertama adalah memilih titik acak sebagai pusat awal dari setiap
cluster.

2) Alokasi Data ke Cluster Terdekat

Selanjutnya, setiap data akan dialokasikan ke cluster yang memiliki pusat
terdekat dengan menggunakan rumus jarak. Jarak Euklides sering digunakan
dalam hal ini. Rumus Jarak Euklides antara data ke-i (xi) dan pusat cluster ke-j
(vj) dalam dimensi n adalah:

(1)

Keterangan:
xi = Data ke-i dalam dataset.
yi = Pusat cluster ke-j.
nj = Jumlah data pada cluster ke-j.
d(xi,vj) = Jarak antara data xi dan pusat cluster (vj).

3) Perbarui Pusat Cluster

Setelah itu, pusat cluster diperbarui dengan menghitung rata-rata dari semua
data yang ada dalam cluster tersebut. Rumus untuk menghitung pusat cluster ke-
j (vj) dalam dimensi n adalah:

(2)

Keterangan:
xi = Data ke-i dalam dataset.
yi = Pusat cluster ke-j.
Nj = Jumlah data pada cluster ke-j.
∑ = Menunjukkan operasi penjumlahan.
∑xi = Penjumlahan semua data di cluster ke-j.

Proposal–PS Sarjana Terapan TRPL-Teknik Elektro-Poiteknik Negeri Bali

10
 vj = Pusat cluster ke-j setelah diperbarui.

4) Iterasi
Langkah 2 dan 3 diulang secara berulang hingga tidak ada perubahan dalam
alokasi data ke cluster atau telah mencapai batas iterasi maksimum yang
ditentukan.

5) Evaluasi Konvergensi
Dilakukan evaluasi untuk memeriksa apakah pusat cluster telah mencapai
konvergensi, yaitu tidak ada perubahan posisi pusat cluster yang signifikan. Jika
telah mencapai konvergensi, proses berakhir.

6) Hasil
Setelah iterasi selesai dan konvergensi tercapai, algoritma K-Means
menghasilkan kelompok cluster yang stabil berdasarkan pusat cluster terakhir
yang diperoleh.

7) Penentuan Jumlah Cluster K

Penting untuk memilih jumlah cluster k sebelum menjalankan algoritma. Hal ini
dapat dilakukan dengan berbagai metode, seperti elbow method atau metode
validasi eksternal.

6.2.3. Data Mining

Data mining adalah proses yang dilakukan pada database dengan kapasitas besar
menggunakan teknologi kecerdasan buatan, teknologi machine learning dan teknik-
teknik matematika dan statistika[15]. Tujuan data mining yakni melakukan penemuan
pola-pola yang tersembunyi atau wawasan baru yang sulit terdeteksi secara langsung
yang dilakukan dengan cara analisis langsung oleh manusia[16]. Data mining
merupakan inti dari sebuah proses algoritma untuk mengeksplor data, membangun
sebuah model, dan menemukan pola yang tidak diketahui. Data mining merupakan
salah satu penyelesaian masalah dengan melakukan analisis data yang ada pada
database yang tersimpan otomatis.

6.2.4. Sparepart Motor

Proposal–PS Sarjana Terapan TRPL-Teknik Elektro-Poiteknik Negeri Bali

11
Sparepart atau dalam bahasa Indonesia diartikan sebagai suku cadang yang dapat
disimpulkan suku cadang tersebut sebagai komponen yang terdapat pada motor[17].
Sparepart motor dapat dikategorikan menjadi dua jenis yaitu :
1) Sparepart baru yakni bagian atau komponen yang masih dalam kondisi baru dan
belum pernah dipakai terkecuali ketika melakukan pengujian atau pengecekan
pada barang tersebut.
2) Sparepart bekas atau lama yakni bagian atau komponen yang sudah pernah
digunakan dalam kurun waktu tertentu dengan nmemperhatikan kondisi barang
tersebut apakah masih layak atau tidak untuk digunakan kembali dengan
kemungkinan mengalami resiko kerugian dan kerusakan pada sparepart
tersebut[18].

6.2.5. Dealer Motor

Dealer motor merupakan perusahaan yang beroperasi dalam pemasaran dan penjualan
produk kendaraan motor. Fungsi dari dealer motor yakni sebagai penyedia atau tempat
pembelian motor yang dilakukan oleh konsumen dengan kondisi baru maupun bekas
yang tersedia berbagai jenis merk kendaraan bermotor[19]. Selain mejual sepeda motor,
fungsi dealer juga melayani pembelian sparepart motor dan juga dapat melayani
konsumen dalam melakukan perbaikan atau service kendaraan secara rutin dengan
jaminan resmi dari perusahaan tersebut. Dealer juga memiliki peran penting sebagai
perantara antara produsen motor dengan konsumen. Keberadaan dealer motor
memeberikan kemudahan bagi konsumen dalam memenuhi kebutuhan hidup mereka
khususnya dalam memenuhi kebutuhan transportasi sepeda motor[20].

6.2.6. Penjualan
Penjualan merupakan kegiatan atau proses yang melibatkan tindakan penjualan barang
atau produk serta jasa kepada pelanggan atau konsumen supaya mendapatkan
keuntungan[21]. Penjualan biasanya dilakukan secara langsung atau bertatap muka
secara langsung, namun perkembangan jaman saat ini mengakibatkan proses penjualan
dapat dilakukan secara online atau menggunakan media sosial sebagai perantara antara
produsen dengan konsumen. Pada proses penjualan yang menjadi fokus utama yakni
kepuasan konsumen dan mampu berkomunikasi secara baik dengan konsumen ketika
melakukan penawaran atau negosiasi dalam proses jual beli suatu barang[22].

Proposal–PS Sarjana Terapan TRPL-Teknik Elektro-Poiteknik Negeri Bali

12
7. Metodologi
Berikut metodologi yang digunakan dalam penelitian ini yaitu:

1) Lokasi Penelitian
Penelitian dilakukan di Dealer Yamaha Waja Motor yang berada di kawasan
Blahbatuh, Gianyar yang merupakan pusat setral perusahaan Waja Motor yang
melayani pembelian sepeda motor dan sparepart resmi milik perusahaan
Yamaha.

2) Pengambilan Sampel Data

Tahapan pengambilan data dilakukan dengan cara observasi dan wawancara
langsung dengan pihak Waja Motor guna mendapatkan data yang akurat dan
tepat mengenai sparepart motor.

3) Analisis
Pada proses analisis akan mengidentifikasi masalah mengenai penentuan
penyediaan sparepart di Dealer Yamaha Waja Motor dan melakukan peninjauan
terhadap apa kriteria dan kebutuhan yang diperlukan dalam penelitian yang
dilakukan. Analisis ini juga merujuk pada penerapan metode K-Means
Clustering yang digunakan dalam penelitian dengan membahas konsep dan
bagaimana penerapanya terhadap data sampel yang dimiliki.

4) Implementasi
Pada proses implementasi akan menerapkan langkah-langkah yang nantinya
akan dilakukan untuk mengimplementasikan metode K-Means Clustering dalam
melakukan pengelompokkan atau cluster terhadap penjualan suku
cadang/sparepart motor di Dealer Yamaha Waja Motor sesuai dengan analisis
serta rancangan yang sudah ditentukan sebelumnya.

5) Pengujian
Proses pengujian dalam penerapan algoritma K-Means Clustering adalah
langkah-langkah yang dilakukan untuk mengevaluasi kinerja dan fungsi
algoritma secara menyeluruh sebelum diluncurkan kepada pengguna akhir.

Proposal–PS Sarjana Terapan TRPL-Teknik Elektro-Poiteknik Negeri Bali

13
 Proses ini bertujuan untuk mengidentifikasi keakuratan, kesalahan, atau masalah
lainnya yang mungkin terjadi dalam penerapan algoritma K-Means Clustering,
serta memastikan bahwa algoritma K-Means Clustering bekerja sesuai dengan
fungsi dan tujuan yang telah ditetapkan.

Dasar pengetahuan dalam melakukan penelitian adalah sebagai berikut.

1) Rekayasa Perangkat Lunak (RPL)

RPL adalah bidang pengetahuan yang berfokus pada pengembangan,
penggunaan, dan pemeliharaan perangkat lunak dengan menerapkan
prinsip rekayasa untuk menciptakan perangkat lunak yang efisien dan
efektif bagi pengguna.

2) Pemrograman Web I dan II

Pemrograman Web merupakan bidang pengetahuan yang mencakup
bahasa pemrograman markah yang digunakan untuk membuat halaman
web yang dapat diakses melalui web browser dan menampilkan berbagai
informasi.

3) Basis Data
Basis data membahas tentang pengelolaan data untuk memudahkan
akses, pemahaman, dan menghindari duplikasi data, sehingga data dapat
digunakan dengan mudah.

4) Interaksi Manusia dan Komputer

Merupakan bidang yang berfokus pada desain, evaluasi, dan
implementasi sistem interaktif agar mudah digunakan oleh manusia.

5) Data Mining
Data mining merupakan inti dari sebuah proses algoritma untuk
mengeksplor data, membangun sebuah model, dan menemukan pola
yang tidak diketahui. Data mining merupakan salah satu penyelesaian
masalah dengan melakukan analisis data yang ada pada database yang
tersimpan otomatis melalui penerapan metode yang disediakan salah
satunya metode pengelompokkan atau sering disebut Clustering.

7.1. Rancangan Sistem (Software)/Pengukuran/Pengambilan Data

Proposal–PS Sarjana Terapan TRPL-Teknik Elektro-Poiteknik Negeri Bali

14
7.1.1. Sumber Data
Adapun sumber data yang digunakan dalam penelitian ini yaitu, sebagai berikut:

1) Sumber Data Primer

Data primer merupakan data yang dapat berupa laporan analisa, data ini
memiliki tingkat akurasi tinggi karena didapatkan secara langsung dari
narasumber melalui wawancara dan observasi pada lokasi penelitian.
Data hasil dari wawancara ini hanya digunakan untuk memahami bisnis
proses yang terjadi di perusahaan Dealer Yamaha Waja Motor.

2) Sumber Data Sekunder

Data sekunder adalah data yang bersumber dari data yang telah ada,
sehingga peneliti mendapatkan data tambahan selain data dari objek yang
diteliti. Data tersebut dapat berupa buku, jurnal, majalah, data statistik,
dan laporan. Penggunaan data sekunder yang dimaksud pada penelitian
ini yakni berupa data penjualan dan persediaan sparepart di setiap
cabang Yamaha Waja Motor.

7.1.2. Rancangan Penelitian

Adapun alur penelitian yang dilakukan berupa tampilan flowchart yang dapat
dilihat pada gambar 7.1 berikut:

Proposal–PS Sarjana Terapan TRPL-Teknik Elektro-Poiteknik Negeri Bali

15
 Gambar 7.1 Alur Penelitian

Rancangan penelitian meliputi langkah-langkah atau proses dari tahap awal

sampai akhir penelitian yang dilakukan. Langkah yang dilakukan yakni
sebagai berikut.

1) Mengidentifikasi masalah yang akan di angkat dalam penelitian.

Masalah tersebut dapat dikatakan berupa penyataan yang menanyakan
suatu hal atau variable yang terdapat dalam suatu kejadian.
Ringkasnya identifikasi masalah merupakan cara atau upaya yang
dilakukan untuk menjelaskan masalah yang dihadapi dalam penelitian.

2) Selanjutnya, setelah masalah di identifikasi maka akan dilakukan studi

literatur. Langkah ini merupakan kegiatan pencarian referensi atau
landasan teori dan pengumpulan data-data pustaka sesuai dengan
masalah serta topik yang diangkat dalam penelitian ini.

3) Melakukan pengumpulan data yang dilakukan dengan wawancara dan

observasi langsung ke tempat atau lokasi penelitian yang dilakukan
supaya mendapatkan data yang tepat dan akurat.

Proposal–PS Sarjana Terapan TRPL-Teknik Elektro-Poiteknik Negeri Bali

16
 4) Setelah itu, data yang sudah terkumpul berupa data mentah akan
diolah atau di analisis menjadi data yang siap digunakan dalam
implementasi metode yang dipakai dalam penelitian ini. Analisis data
yang dilakukan umumnya yakni melakukan normalisasi data dengan
tujuan untuk menilai persebaran data pada sebuah kelompok data serta
melihat apakah data yang didapat sudah bedistribusi secara normal
atau tidak.

5) Implementasi metode yang digunakan yakni metode K-Means

Clustering dengan memakai pengembangan sistem Prototype. Proses
implementasi meliputi semua aspek yang sudah dirancang sebelumnya
yang akan disatukan menjadi sebuah sistem yang utuh.

6) Langkah terakhir, yakni membuat kesimpulan dari hasil akhir yang

didapat dari penelitian yang dilakukan. Pada tahapan ini menjelaskan
mengenai hasil atau output yang di dapat ketika sistem sudah
dijalankan. Penjelasan tersebut juga akan terkait dengan munculnya
saran-saran yang ditujukan ke penelitian ini mengenai hasil akhir yang
didapatkan.

7.1.3. Kebutuhan Perangkat Lunak

Penerapan Data mining dalam penjualan suku cadang motor dengan metode K-
Means direncanakan akan dibangun berbasis website sehingga membutuhkan
beberapa piranti bantuan yang dapat dilihat pada tabel 7.1 berikut:

No Perangkat Lunak Keterangan

1 Sistem Operasi Microsoft Windows 10

Proposal–PS Sarjana Terapan TRPL-Teknik Elektro-Poiteknik Negeri Bali

17
 Software Visual Code dan
2 Text Editor
Sublime
3 Aplikasi Web Server XAMPP Versi 3.3.0
4 Bahasa Pemrograman Python
5 Basis Data MySQL
6 Web Browser Google Chrome dan Edge
Tabel 7.1 Kebutuhan Perangkat Lunak.

7.1.4. Kebutuhan Perangkat Keras

Adapun kebutuhan perangkat keras digunakan dalam penelitian ini yang dapat
dilihat pada tabel 7.2 berikut:

No Perangkat Keras Keterangan

1 Processor AMD Ryzen 7 4700U with
Radeon Graphics 2.00 GHz
2 RAM 8 GigaByte
3 VGA AMD Radeon™ R3 Graphics
4 Penyimpanan 512 GigaByte PCIe SSD
5 Display 14 inch
Tabel 7.2 Kebutuhan Perangkat Keras.

7.1.5. Pendekatan Penelitian

Pendekatan yang digunakan dalam penelitian ini yakni pendekatan kuantitatif
yang merupakan pendekatan penelitian dengan melakukan pengumpulan data
yang bisa diukur secara angka atau numeric dan kegunaannya sebagai
pengidentifikasi pola, hubungan dan generasi pada sebuah populasi. Penelitian
menggunakan pendekatan kuantitatif menerapkan metode statistika atau
statistik dalam menganalisis data serta pengambilan kesimpulan berdasarkan
bukti pengalaman melakukan percobaan atau empiris.

7.1.6. Rancangan Sistem

Pada penelitian yang dilakukan akan menggunakan metode pengembangan
sistem Prototype. Metode ini adalah langkah awal dalam merancang suatu
model dari sistem, yang berfungsi sebagai contoh atau standar ukuran untuk
objek yang akan dikembangkan di masa depan. Metode prototyping

Proposal–PS Sarjana Terapan TRPL-Teknik Elektro-Poiteknik Negeri Bali

18
memungkinkan pengembang dan pelanggan untuk berinteraksi secara langsung
selama proses pengembangan dan menentukan hasil yang paling optimal.
Penggunaan prototype membantu memahami dan mengobservasi bagaimana
produk atau aplikasi berfungsi, fungsionalitasnya, dan interaksi pengguna
dengan sistem tersebut. Ada tahapan yang akan dilakukan dalam metode
prototype sesuai model yang akan diimplementasikan sebagai berikut[25].

1) Identifikasi Kebutuhan dan Analisa Sistem.

Tahapan yang paling awal dilakukan yakni melakukan pengumpulan
kebutuhan dari sistem dan analisa sistem. Pada tahapan ini melakukan
identififikasi secara garis besar sesuai dengan sistem yang dibuat.
Pengembangan sistem pada penelitian ini membutuhkan informasi dari
Dealer Yamaha Waja Motor terkait data penjualan dan stok suku
cadang yang tersedia di perusahaan tersebut.

2) Membuat Model Perancangan

Tahapan ini merupakan tahapan pemodelan rancangan yang dilakukan
secara cepat dengan tujuan akan digunakan sebagai acuan dalam
melakukan pembuatan prototype.

3) Membentuk Prototype
Pada tahapan ini, akan dilakukan pembuatan atau pembentukan
prototype sesuai rancangan model yang telah ditentukan atau dilakukan
sebelumnya.

4) Melakukan Evaluasi Prototype

Tahapan ini digunakan untuk melakukan evaluasi terhadap prototype
yang diselaraskan dengan kebutuhan sistem. Pada tahapan ini jika
prototype belum sesuai terhadap kebutuhan akan menuju ke tahapan
selanjutnya yakni tahapan perubahan prototype.

5) Melakukan Perubahan Prototype

Perubahan prototype yang dimaksud yakni melakukan penyempurnaan
prototype yang dibuat supaya sesuai dengan kebutuhan. Tahapan ini
juga dapat dikatakan sebagai perbaikan dari tahapan sebelumnya
terhadap prototype yang kurang sesuai dengan kebutuhan.

Proposal–PS Sarjana Terapan TRPL-Teknik Elektro-Poiteknik Negeri Bali

19
 6) Melakukan Pengunaan Sistem
Tahapan terakhir yang dilakukan yakni penggunaan sistem. Pada
tahapan ini sistem yang sudah lolos tahapan evaluasi atau sudah
dikatakan memenuhi kebutuhan, maka siap untuk dipergunakan.
Adapun model tahapan yang dilakukan dapat dilihat pada gambar 7.2 berikut:

Gambar 7.2 Tahapan Pengembangan Prototype.

Adapun alur penerapan metode K-Means Clustering yang digunakan dalam

penelitian ini yang dapat dilihat pada gambar 7.3 berikut:

Proposal–PS Sarjana Terapan TRPL-Teknik Elektro-Poiteknik Negeri Bali

20
 Gambar 7.3 Flowchart algoritma K-Means Clustering

Setiap langkah yang dipakai dalam metode K-Means Clustering yang

ditunjukkan pada gambar diatas sebagai berikut.

1) Menentukan jumlah cluster yang digunakan dalam melakukan

pembagian data.

2) Tentukan centroid awal dan tentukan jumlah centroid berdasarkan

banyaknya cluster yang dibuat.

3) Melakukan perhitungan jarak setiap data masukan atau inputan terhadap

cluster pusat sampai mencapai jarak paling dekat terhadap centroid.
Penghitungan jarak dapat dilakukan dengan persamaan:

(3)

Proposal–PS Sarjana Terapan TRPL-Teknik Elektro-Poiteknik Negeri Bali

21
 Dimana:

xi = Data ke-i dalam dataset.

µi = Pusat cluster ke-j.
d(xi,µj) = Jarak antara data xi dan pusat cluster (µj).

4) Melakukan pengelompokkan setiap data kepada jarak pada titik pusat

centroid yang terdekat.

5) Melakukan perubahan terhadap nilai centroid yang didapat dari rata-rata

cluster menggunakan persamaan:

(4)

Dimana:
nk = Jumlah data pada cluster.

di = Jumlah nilai jarak yang terinput pada cluster.

Ck = Nilai perubahan centroid.

∑ = Menunjukkan operasi penjumlahan.
∑di = Penjumlahan semua nilai jarak.

6) Jika pada anggota setiap cluster tidak mengalami perubahan, interasi

dianggap selesai dan rata-rata nilai pusat cluster akan dipakai menjadi
parameter saat menentukan pembagian data.

7) Jika terjadi perubahan maka iterasi dilakukan kembali menggunakan

langkah 2 sampai dengan langkah ke 5[23].

7.1.7. Instrumen Penelitian

Instrumen penelitian dapat dikatakan sebagai alat ukur, atau metode yang
digunakan para peneliti dalam melakukan pengumpulan data dalam sebuah
penelitian. Terdapat berbagai macam jenis yang dapat dikatakan sebagai
intrumen penelitian, seperti wawancara, lembar observasi, kuesioner, serta
skala penilaian yang dijadikan penghimpunan informasi yang tepat sesuai
tujuan yang ditetapkan. Instrumen penelitian yang digunakan yakni wawancara

Proposal–PS Sarjana Terapan TRPL-Teknik Elektro-Poiteknik Negeri Bali

22
 dan lembar observasi dalam melakukan pengumpulan data sampel dengan
tujuan memperoleh data yang tepat dan akurat.

7.1.8. Teknik Analisis Data

Penelitian ini menggunakan teknik anlisis data yakni analisis statistik. Teknik
ini sangat sesuai dengan data-data yang bertipe numeric atau angka, serta dapat
menentukan pola, hubungan yang terdapat pada data yang dapat menjawab
pertanyaan dari penelitian. Pemilihan analisis data yang tepat dapat membantu
dalam pengambilan kesimpulan nantinya secara tepat dan akurat. Alasan
lainnya memilih metode ini karena sesuai dengan jenis data yang dipakai dalam
penelitian ini serta tujuan dan pertanyaan-pertanyaan penelitian yang diajukan.

8. Jadwal Kegiatan
Adapun jadwal kegiatan yang dilakukan pada penelitian ini yang dapat dilihat pada
tabel 8.1 berikut:

Tabel 8.1 Jadwal kegiatan penelitian yang dilakukan.

DAFTAR PUSTAKA

Proposal–PS Sarjana Terapan TRPL-Teknik Elektro-Poiteknik Negeri Bali

23
[1] S. Marliska Hutabarat, A. Sindar, and S. Pelita Nusantara Jl Iskandar Muda No,
“Data Mining Penjualan Suku Cadang Sepeda Motor Menggunakan Algoritma
K-Means,” J. Nas. Komputasi dan Teknol. Inf., vol. 2, no. 2, 2019.

[2] S. Parsaoran Tamba and F. Toknady Kesuma, “PENERAPAN DATA MINING

UNTUK MENENTUKAN PENJUALAN SPAREPART TOYOTA DENGAN
METODE K-MEANS CLUSTERING,” J. Sist. Inf. Ilmu Komput. Prima
(JUSIKOM PRIMA, vol. 2, no. 2, 2019.

[3] I. I. Mohamad, I. A. Salihi, and K. C. Pelangi, “Penerapan Metode K-Means

untuk Clustering Penjualan Suku Cadang Kendaraan (Studi Kasus: CV. Gotama
Viar Gorontalo),” Copyr. @BALOK, vol. 2, no. 1, 2023.

[4] D. Penentuan, S. Barang, E. Muningsih, and D. S. Kiswati, “Penerapan Metode

K-Means Untuk Clustering Produk Online Shop,” J. Bianglala Inform., vol. 3,
2015.

[5] F. Dermawan and G. Pria Utama, “Penerapan K-Means Clustering Untuk

Menentukan Peminatan Barang Pada Jayyid Shop,” 2022. [Online]. Available:
http://senafti.budiluhur.ac.id/index.php/senafti.

[6] F. Amin, D. S. Anggraeni, and Q. Aini, “Penerapan Metode K-Means dalam

Penjualan Produk Souq.Com,” Appl. Inf. Syst. Manag., vol. 5, no. 1, pp. 7–14,
2022, doi: 10.15408/aism.v5i1.22534.

[7] D. Anggarwati, O. Nurdiawan, I. Ali, and D. A. Kurnia, “Penerapan Algoritma

K-Means Dalam Prediksi Penjualan Karoseri,” J. Data Sci. Inform., vol. 1, no. 2,
pp. 58–62, 2021.

[8] R. Budiansyah Hasibuan and R. Mahyuni, “Penerapan Data Mining Clustering

Dengan Menggunakan Algoritma K-Means Pada Data Nasabah Kredit
Bermasalah PT. BPR Milala STMIK Triguna Dharma ** Program Studi Sistem
Informasi, STMIK Triguna Dharma *** Program Studi Sistem Informasi,
STMIK Triguna Dharma,” J. CyberTech, vol. 1, no. 10, pp. 1–10, 2018, [Online].
Available: https://ojs.trigunadharma.ac.id/

[9] P. Kurniady, P. S. Ramadhan, and M. Yetri, “Penerapan Data Mining Untuk

Proposal–PS Sarjana Terapan TRPL-Teknik Elektro-Poiteknik Negeri Bali

24
 Pengelompokan Paket Barang Yang Akan Di Kirim Pada J & T Idi Aceh Dengan
Menggunakan K- Means Clustering,” J. Cyber Tech, no. x, 2021, [Online].
Available:
https://ojs.trigunadharma.ac.id/index.php/jct/article/view/3119%0Ahttps://
ojs.trigunadharma.ac.id/index.php/jct/article/download/3119/1456

[10] D. Sartika, J. Jumadi, and U. Dehasen, “IMPLEMENTASI DATA MINING

UNTUK PENGELOMPOKKAN WILAYAH PELANGGARAN LALU
LINTAS MENGGUNAKAN METODE K-MEANS PADA POLRES
BENGKULU,” vol. 4307, no. June, pp. 345–349, 2023.

[11] J. Nasir, “Penerapan Data Mining Clustering Dalam Mengelompokan Buku

Dengan Metode K-Means,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput.,
vol. 11, no. 2, pp. 690–703, 2021, doi: 10.24176/simet.v11i2.5482.

[12] M. R. Alhapizi, M. Nasir, and I. Effendy, “Penerapan Data Mining Menggunakan

Algoritma K-Means Clustering Untuk Menentukan Strategi Promosi Mahasiswa
Baru Universitas Bina Darma Palembang,” J. Softw. Eng. Ampera, vol. 1, no. 1,
pp. 1–14, 2020, doi: 10.51519/journalsea.v1i1.10.

[13] C. S. D. B. Sembiring, L. Hanum, and S. P. Tamba, “Penerapan Data Mining

Menggunakan Algoritma K-Means Untuk Menentukan Judul Skripsi Dan Jurnal
Penelitian (Studi Kasus Ftik Unpri),” J. Sist. Inf. dan Ilmu Komput.
Prima(JUSIKOM PRIMA), vol. 5, no. 2, pp. 80–85, 2022, doi:
10.34012/jurnalsisteminformasidanilmukomputer.v5i2.2393.

[14] Y. D. Darmi and A. Setiawan, “Penerapan Metode Clustering K-Means Dalam

Pengelompokan Penjualan Produk,” J. Media Infotama, vol. 12, no. 2, pp. 148–
157, 2017, doi: 10.37676/jmi.v12i2.418.

[15] Y. Mardi, “Data Mining : Klasifikasi Menggunakan Algoritma C4.5,” Edik

Inform., vol. 2, no. 2, pp. 213–219, 2017, doi: 10.22202/ei.2016.v2i2.1465.
[16] H. Rofiq, K. C. Pelangi, and Y. Lasena, “Penerapan Data Mining Untuk
Menentukan Potensi Hujan Harian Dengan Menggunakan Algoritma Naive
Bayes,” J. Manaj. Inform. dan Sist. Inf., vol. 3, no. 1, pp. 8–15, 2020,
[Online].Available:http://mahasiswa.dinus.ac.id/docs/skripsi/jurnal/19417.pdf

Proposal–PS Sarjana Terapan TRPL-Teknik Elektro-Poiteknik Negeri Bali

25
[17] A. Sudianto, H. Ahmadi, and A. Alimuddin, “Rancang Bangun Sistem Informasi
Penjualan Sparepart Motor Pada Bengkel Vinensi Motor Berbasis Web Sebagai
Guna Meningkatkan Penjualan dan Promosi Produk,” Infotek J. Inform. dan
Teknol., vol. 3, no. 2, pp. 115–122, 2020, doi: 10.29408/jit.v3i2.2289.

[18] S. Suprawiro, “Analisis dan Perancangan Sistem Informasi Inventory,” J.

SISFOKOM, vol. 06, no. September, pp. 121–129, 2017.
[19] Z. Abidin, A. K. Amartya, and A. Nurdin, “PENERAPAN ALGORITMA
APRIORI PADA PENJUALAN SUKU CADANG KENDARAAN RODA DUA
(Studi Kasus: Toko Prima Motor Sidomulyo),” J. Teknoinfo, vol. 16, no. 2, p.
225, 2022, doi: 10.33365/jti.v16i2.1459.

[20] D. Marsudi, A. Mufti, and M. Lestari, “Perancangan Sistem Aplikasi Penjualan

Sparepart pada Toko Kim Jaya Motor,” J. Ris. dan Apl. Mhs. Inform., vol. 1, no.
03, pp. 376–383, 2020, doi: 10.30998/jrami.v1i03.382.

[21] D. Pasha and M. Susanti, “Perancangan Sistem Informasi Akuntansi Penjualan

Rumah Pada PT Graha Sentramulya,” J. Eng. Inf. Technol. Community Serv., vol.
1, no. 1, pp. 10–15, 2022, doi: 10.33365/jeit-cs.v1i1.128.

[22] T. Iqbal and Alfina, “Perancangan Sistem Informasi Penjualan Sepeda Motor
pada PT. XYZ,” J. Innov. Comput. Sci., vol. 1, no. 1, pp. 22–29, 2022, doi:
10.56347/jics.v1i1.26.

[23] Chusyairi, Ahmad & Noor Saputra, Pelsri. (2019). Pengelompokan Data
Puskesmas Banyuwangi Dalam Pemberian Imunisasi Menggunakan Metode K-
Means Clustering.Telematika.12.139148.10.35671/telematika.v12i2.848.

[24] G. Gustientiedina, M. H. Adiya, and Y. Desnelita, “Penerapan Algoritma K-

Means Untuk Clustering Data Obat-Obatan,” J. Nas. Teknol. dan Sist. Inf., vol. 5,
no. 1, pp. 17–24, 2019, doi: 10.25077/teknosi.v5i1.2019.17-24.

[25] N. Renaningtias and D. Apriliani, “Penerapan Metode Prototype Pada

Pengembangan Sistem Informasi Tugas Akhir Mahasiswa,” Rekursif J. Inform.,
vol. 9, no. 1, 2021, doi: 10.33369/rekursif.v9i1.15772.

Proposal–PS Sarjana Terapan TRPL-Teknik Elektro-Poiteknik Negeri Bali

26