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. Dalam 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. Dalam 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 mendapatkan diskon, potongan harga,
serta bonus-bonus lainnya setiap kali melakukan pembelian. Selain menawarkan

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

1
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 sepanjang tahun 2023[3]. Data hasil penjualan yang didapat
dengan jumlah besar tersebut memerlukan sebuah teknik pengolahan bernama Data
Mining. Data mining 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 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

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

2
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.
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.

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

3
 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 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]. Permasalahan yang dialami pada penelitian ini adalah
dalam melakukan peninjauan produk-produk yang mana saja yang dibutuhkan oleh
pelanggan serta dalam penyimpanan data-data masih dilakukan kurang efektif. Penelitian
ini bertujuan untuk mengetahui kelompok barang yang mana penjualanya paling laris,
laris, dan tidak laris untuk mengantisipasi terjadinya penumpukan barang di gudang.
Adapun metode penelitian yang dipakai yaitu metode K-means Claustering untuk
melakukan pengelompokkan data berdasarkan kategori yang akan mengasilkan klaster
yang stabil. Adapun hasil penelitian ini yakni data yang digunakan sebanyak 50 data yang
akan mengasilkan output 3 klaster data yaitu data penjualan paling laris, data penjualan
yang laris dan data penjualan tidak laris untuk digunakan dalam pengelompokkan data
penjualan terdiri dari 2 variabel 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 klaster.
Kelebihan dalam penelitian ini yakni penerapan metode klaster berjalan dengan baik
dengan hasil yang stabil dan tidak ada yang berubah dan berpindah antar klaster.

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

4
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]. Permasalahan yang dialami dalam penelitian
ini yaitu terjadi kebingungan di perusahaan dalam menentukan jenis suku cadang yang
perlu diperbanyak jumlah stoknya supaya tidak terjadi kehabisan stok dan suku cadang
apa yang perlu dikurangi jumlah stoknya supaya tidak terjadi penumpukan barang di
gudang. Tujuan penelitian ini 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 klaster yang dihasilkan dari jumlah data penjualan selama
tahun 2022 yang dikelompokkan pada klaster pertama yaitu 373 jenis barang
dikategorikan C1(barang yang laris), dan klaster 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 klaster yang dihasilkan hanya 2
klaster dari 380 jenis barang terdapat pada data sampel. Kelebihan penelitian ini yakni
penggunaan jumlah sampel data yang dipakai dalam klaster 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]. Permasalahan yang dialami pada penelitian ini yakni perusahaan
PT.Senang Jaya Abadi kesulitan dalam menentukan strategi penjualan karoseri pada awal
tahun dengan penjualan yang menurun di bulan Januari sampai dengan Mei, sementara

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

5
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.
Tujuan dari penelitian ini yakni 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 klaster,
yaitu klaster 0 yang menghasilkan 93 data penjualan karoseri yang kurang diminati
pelanggan dan klaster 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. Kelebihan penelitian ini yakni hasil dari penelitian ditampilkan dengan
jelas sesuai dengan klaster 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.

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 yang dialami pada
penelitian ini yakni pada PT.BPR Milala mengalami permasalahan kredit serta
memerlukan sistem yang dapat mempercepat melakukan pengelompokkan dan
memepersingkat waktu pada kredit yang bermasalah. Tujuan penelitian ini yakni 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 klaster data yang didapat dari hasil pengumpulan data guna
melakukan normalisasi data nasabah supaya dapat melakukan proses pengambilan
keputusan secara cepat dan akurat. Adapun kekurangan yang terdapat pada penelitian ini
yakni tidak dijelaskan mengenai kekurangan-kekurangan dalam penelitian serta masih

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

6
kurangnya jumlah data yang dipakai dalam melakukan klaster, 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. Adapun 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 Akan Di Kirim Pada
J & T Idi Aceh Dengan Menggunakan K- Means Clustering”[9]. Permasalahan yang
dihadapi pada penelitian ini yakni 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. Tujuan dari penelitian ini yakni melakukan pengelompokkan
data paket barang untuk mengasilkan klaster 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
pengelompokkan data berdasarkan variable yang ditentukan, dari hasil pencarian data
tersebut didapatkan data yang menjadi sampel atau bahan yang akan diuji dalam
penelitian ini. Adapun hasil yang didapat dari penelitian ini yakni hasil klaster dari data
sampel yang didapat pada tahapan pencarian data yang akan di klaster berdasarkan
kategori yang ditetapkan dengan hasil keluaran berupa laporan klaster data analisa
penjualan paket barang di PT J&T Idi Aceh yang dijadikan pengambilan keputusan dan
peningkatan layanan pengiriman barang. Adapun kekurangan 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. Kelebihan dari penelitian ini yakni membahas lengkap mengenai
kelebihan dan kekurangan sistem yang akan dibuat serta menyertakan penjelasan metode

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

7
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]. Permasalahan yang terdapat
pada penelitian ini yakni banyaknya jumlah pelanggaran lalu lintas yang dilakukan
pengguna jalan setiap harinya mengakibatkan penumpukan data laporan pelanggaran
yang terjadi di polres kota Bengkulu. Tujuan penelitian ini 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 metode yang dipakai 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. Adapun
hasil penelitian ini yakni pengelompokkan wilayah di kota Bengkulu berdasarkan
pelanggaran yang terjadi yang dikelompokkan menajdi 3 klaster yakni klaster pertama
yaitu pelanggaran terbanyak, klaster kedua yaitu pelanggaran sedang dan klaster ketiga
yaitu pelanggaran sedikit untuk melakukan analisis operasi penegakan hukum dan
menciptakan masyarakat yang patuh dan sadar akan hukum. Kekurangan 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.
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

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

8
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/klaster. Kelebihan algoritma ini yakni
mudah dalam implementasi dan klaster 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 Klaster (Centroid)

Langkah pertama adalah memilih k titik acak sebagai pusat awal dari setiap
klaster.

2) Alokasi Data ke Klaster Terdekat

Selanjutnya, setiap data akan dialokasikan ke klaster 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 klaster ke-j
(vj) dalam dimensi n adalah:
Data akan ditempatkan pada klaster dengan pusat terdekat.

3) Perbarui Pusat Klaster

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

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

9
 di mana Nj adalah jumlah data dalam klaster ke-j.

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

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

6) Hasil
Setelah iterasi selesai dan konvergensi tercapai, algoritma k-means menghasilkan
kelompok klaster yang stabil berdasarkan pusat klaster terakhir yang diperoleh.

7) Penentuan Jumlah Klaster K

Penting untuk memilih jumlah klaster 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.

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

10
6.2.4. Sparepart Motor
Dalam bahasa Indonesia sparepart 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 social 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

11
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. 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.

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

12
 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.

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

13
7.1. Rancangan Sistem (Software)/Pengukuran/Pengambilan Data
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.

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 sekunder dapat berupa buku, jurnal,
majalah, data statistik, dan laporan.

7.1.2. Rancangan Penelitian

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

Mengidentifikasi Masalah

Studi LIteratur

Pengumpulan Data

Analisis Data

Implementasi

Kesimpulan dan Saran

SELESAI

Gambar 7.1 Alur Penelitian

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

14
 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.

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.

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

15
 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 :

Tabel 7.1 Kebutuhan Perangkat Lunak.

No Perangkat Lunak Keterangan

1 Sistem Operasi Microsoft Windows 10
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

7.1.4. Kebutuhan Perangkat Keras

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

Tabel 7.2 Kebutuhan Perangkat Keras.

No Perangkat Keras Keterangan

1 Prosesor 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

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

16
 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. Prototype 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 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.

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.

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

17
 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.

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:

Pengumpulan kebutuhan
dan Analisis Sistem

Pemodelan Perancangan
Dengan Cepat
Perubahan Prototype

Pembentukan Prototype

Evaluasi Prototytpe

Pengunaan Sistem

Gambar 7.2 Tahapan Pengembangan Prototype.

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

18
 Adapun alur penerapan metode K-Means Clustering yang digunakan dalam
penelitian ini yang dapat dilihat pada gambar 7.3 berikut :

MULAI

Data
Processing

Tentukan
Jumlah Cluster

Ya Tidak
Pusat Cluster
Hasil Cluster
Berbeda?

Tentukan Titik Pusat

Cluster

SELESAI

Hitung Jarak Data

Terhadap Pusat Cluster

Pengelompokan Data
Sesuai Minimum Jarak
Ke Pusat Cluster

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:

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

19
 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:

Dimana:
nk = Jumlah data pada cluster
di = Jumlah nilai jarak yang terinput pada masing-masing
cluster

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 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 numerik 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

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

20
 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.

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

21
 DAFTAR PUSTAKA

[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/

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

22
[9] P. Kurniady, P. S. Ramadhan, and M. Yetri, “Penerapan Data Mining Untuk
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.trig
unadharma.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

23
[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.

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

24