Pemanfaatan Fitur Analisis Data Menggunakan K-Means Cluster Dalam Point of Sales (POS)

Supangat; Anis R. Amna

doi:10.34148/teknika.v8i2.157

Supangat Program Studi Teknik Informatika, Universitas 17 Agustus 1945 Surabaya
Anis R. Amna Program Studi Teknik Informatika, Universitas 17 Agustus 1945 Surabaya

DOI: https://doi.org/10.34148/teknika.v8i2.157

Keywords: Knowledge Management, K-Means Clustering, Rancang Bangun Sistem Informasi, Sistem Informasi Eksekutif, Use Case Driven Model

Abstract

Pemanfaatan big data untuk meningkatkan performa usaha banyak menjadi pembahasan penelitian akhir-akhir ini. Ketersediaan data yang mampu diakses secara cepat untuk mereproduksi informasi baru yang penting dalam pengambilan keputusan menjadi salah satu faktor kunci yang menentukan keberhasilan organisasi. K-Means cluster sebagai salah satu algoritma data mining dengan kemampuan pengelompokan data merupakan salah satu tools yang penting untuk melakukan hal ini. Penelitian ini akan membahas implementasi algoritma K-Means untuk menghasilkan informasi baru berupa klasifikasi kelompok produk berdasarkan data transaksi penjualan di masa lalu. Algoritma ini selanjutnya akan menjadi fitur pada Sistem Informasi Point of Sales (POS) yang dikembangkan. Dengan adanya fitur baru pada sistem informasi POS, diharapkan pemilik usaha dapat merencanakan jumlah dan waktu pembelian produk dengan lebih baik, mengurangi jumlah persediaan barang di gudang, dan memberikan keleluasaan bagi pemilik usaha untuk menganalisis permintaan dengan mudah.

Downloads

Download data is not yet available.

References

Paschek, D. & Draghici, A. (2018). Knowledge Management — The Foundation for a Successful Business Process Management. Procedia - Soc. Behav. Sci., Vol. 238, pp. 182—191.

Abubakar, A.M., Elrehail, H., Alatailat, M.A. & ElÃ§i, A. (2017). Knowledge Management, Decision-Making Style and Organizational Performance. J. Innov. Knowl., pp. 1—15.

Shaw, M.J., Subramaniam, C., Woo, G. & Welge, M.E. (2001). Knowledge Management and Data Mining for Marketing. Decis. Support Syst., Vol. 31, pp. 127—137.

Thomas, M.C., Zhu, W. & Romagnoli, J.A. (2017). Data Mining and Clustering in Chemical Process Databases for Monitoring and Knowledge Discovery. J. Process Control.

Tsai, H. (2013). Knowledge Management vs. Data Mining: Research Trend, Forecast and Citation Approach. Expert Syst. Appl., Vol. 40, No. 8, pp. 3160—3173

Cooper, P. (2016). Data, Information, Knowledge, and Wisdom. Anaesth. Intensive Care Med., pp. 1—2.

Turban, E., Aronson, J.E. & Liang, T.P. (2007). Decision Support Systems and Business Intelligence. Decis. Support Bus. Intell. Syst. 7/E, pp. 1—35.

Majhi, S.K. & Biswal, S. (2018). Optimal Cluster Analysis Using Hybrid K-Means and Ant Lion Optimizer. Karbala Int. J. Mod. Sci., Vol. 4, No. 4, pp. 347—360.

Ben, S., Naouali, S. & Chtourou, Z. (2018). A Fast and Effective Partitional Clustering Algorithm for Large Categorical Datasets Using a K-Means Based Approach. Comput. Electr. Eng., Vol. 68, April, pp. 463—483.

Koh, C.E. & Watson, H.J. (1998). Data Management in Executive Information Systems. Inf. Manag., Vol. 33, pp. 301—312.

Turban, E., Sharda, R. & Delen, D. (2011). Decision Support and Business Intelligence Systems. Pearson Education International.

Yoshikawa, H. (2012). Design Methodology for Research and Development Strategy. Japan: Center for Research and Development Strategy, Japan Science and Technology Agency.