Implementasi Data Mining dalam Clustering Menu Favorit Pada Cafe Anetos.Coffeebrunch Menggunakan Algoritme K-Means
Abstract
Cafe Anetos.Coffeebrunch is a cafe business engaged in the culinary field. With the growth of the food and beverage business, there will be competition in the business at each café, so that Café Anetos.Coffeebrunch will be able to compete by using sales transaction data at Cafe Anetos.Coffebrunch to be able to plan and create/determine sales strategies. By using data mining to define a sales strategy in order to be able to identify which products need to be improved and actually want to provide decision-making problem solving. The procedure here uses a clustering procedure using the k-means algorithm. With this, using the Rstudio tools, we obtained 3 clusters, namely for cluster 1 with the highest score found in Anetos Ice Milk Coffee with a total of 277 purchases. Cluster 2 has the highest score for Yakult Lychee Tea Ice with a total of 127 purchases. In cluster 3 which has the highest value is Lychee Tea Ice with a total of 427 purchases. This result will in fact be able to increase sales and stock management at Café Anetos. Coffee breakfast.
Keywords: Café Business; Classification; K-Means Clustering; Sales Strategy
Abstrak
Cafe Anetos.Coffebrunch merupakan usaha cafe yang bergerak dibidang kuliner. Dengan pertumbuhan bisnis food and beverage hendak terdapatnya persaingan dalam bisnis di tiap café, hingga dari itu Café Anetos.Coffebrunch wajib sanggup bersaing dengan menggunakan data transaksi penjualan pada Cafe Anetos.Coffebrunch buat dapat memplanning serta membuat/ memastikan strategi penjualan. Dengan memakai data mining buat memastikan strategi penjualan supaya bisa mengenali produk mana yang wajib ditingkatkan serta nyatanya hendak membagikan pemecahan soal pengambilan keputusan. Tata cara disini memakai tata cara clustering dengan menggenakan algoritme K-means. Dengan ini memakai tools Rstudio memperoleh hasil 3 kluster ialah Buat kluster 1 dengan nilai paling tinggi terdapat pada Kopi Susu Anetos Ice dengan total 277 pembelian. Klaster 2 nilai paling tinggi terdapat pada Yakult Lychee Tea Ice dengan total 127 pembelian. Pada kluster 3 yang mempunyai nilai paling tinggi merupakan Lychee Tea Ice dengan total 427 pembelian. Hasil ini nyatanya hendak bisa tingkatkan penjualan serta manajemen stok di Café Anetos. Coffebrunch.
Kata kunci: Usaha Café; Pengelompokan; K-Means Klastering; Strategi Penjualan
References
S. D. Prasetiani dan N. Rochmawati, “Penerapan Data Mining Untuk Clustering Menu Favorit Menggunakan Algoritme K-Means (Studi Kasus Kedai Expo),” J. Informatics Comput. Sci., vol. 3, no. 03, hal. 278–286, 2022, doi: 10.26740/jinacs.v3n03.p278-286.
G. Triyandana, L. A. Putri, dan Y. Umaidah, “Penerapan Data Mining Pengelompokan Menu Makanan dan Minuman Berdasarkan Tingkat Penjualan Menggunakan Metode K-Means,” J. Appl. Informatics Comput., vol. 6, no. 1, hal. 40–46, 2022, doi: 10.30871/jaic.v6i1.3824.
. F., F. T. Kesuma, dan S. P. Tamba, “Penerapan Data Mining Untuk Menentukan Penjualan Sparepart Toyota Dengan Metode K-Means Clustering,” J. Sist. Inf. dan Ilmu Komput. Prima(JUSIKOM PRIMA), vol. 2, no. 2, hal. 67–72, 2020, doi: 10.34012/jusikom.v2i2.376.
Mohammad Arsyad Fathurrohman, “Penentuan Strategi Pengelolaan Coffee Shop Di Metode Association Rules Dan Clustering ( Studi Kasus Pada Mahasiswa Yogyakarta ),” Progr. Stud. Tek. Ind. Fak. Teknol. Ind. Univ. Islam Indones. Yogyakarta, 2022.
I. Nuryani dan D. Darwis, “Analisis Clustering pada Pengguna Brand HP Menggunakan Metode K-Means,” Pros. Semin. Nas. Ilmu Komput., vol. 1, no. 1, hal. 190–211, 2021.
I. Sumadikarta dan L. Andrayani, “Implementasi Data Mining Untuk Clustering Makanan Dan Minuman Favorit Dengan Menggunakan Algoritme K-Means,” J. Ilm. Fak. Tek. LIMIT’S, vol. 15, no. 1, hal. 40–49, 2019.
B. M. Metisen dan H. L. Sari, “Analisis clustering menggunakan metode K-Means dalam pengelompokkan penjualan produk pada Swalayan Fadhila,” J. Media Infotama, vol. 11, no. 2, hal. 110–118, 2015.
S. Yıldırım, “No 主観的健康感を中心とした在宅高齢者における 健康関連指標に関する共分散構造分析Title,” vol. 1, no. 21, hal. 1–9, 2018.
Sutrisno, Afriyudi, dan Widiyanto, “Penerapan Data Mining Pada Penjualan Menggunakan Metode Clustering Study Kasus Pt . Indomarco,” Penerapan Data Min. Pada Penjualan Menggunakan Metod. Clust., vol. Vol.x No.x, no. Data Mining, hal. 1–11, 2013, [Daring]. Tersedia pada: http://eprints.binadarma.ac.id/78/1/PENERAPAN DATA MINING PADA PENJUALAN MENGGUNAKAN METODE CLUSTERING STUDY KASUS PT. INDOMARCO PALEMBANG.pdf.
S. Handoko, F. Fauziah, dan E. T. E. Handayani, “Implementasi Data Mining Untuk Menentukan Tingkat Penjualan Paket Data Telkomsel Menggunakan Metode K-Means Clustering,” J. Ilm. Teknol. dan Rekayasa, vol. 25, no. 1, hal. 76–88, 2020, doi: 10.35760/tr.2020.v25i1.2677.
F. Binsar dan T. Mauritsius, “Mining of Social Media on Covid-19 Big Data Infodemic in Indonesia,” J. Comput. Sci., vol. 16, no. 11, hal. 1598–1609, 2020, doi: 10.3844/JCSSP.2020.1598.1609.
G. S. Mahendra dan P. G. S. C. Nugraha, “Komparasi Metode AHP-SAW dan AHP-WP Pada SPK Penentuan E-Commerce Terbaik di Indonesia,” J. Sist. dan Teknol. Inf., vol. 8, no. 4, hal. 346, 2020, doi: 10.26418/justin.v8i4.42611.
M. F. Rifai, H. Jatnika, dan B. Valentino, “Penerapan Algoritme Naïve Bayes Pada Sistem Prediksi Tingkat Kelulusan Peserta Sertifikasi Microsoft Office Specialist (MOS),” Petir, vol. 12, no. 2, hal. 131–144, 2019, doi: 10.33322/petir.v12i2.471.
M. Iqbal, “Klasterisasi Data Jamaah Umroh Pada Auliya Tour & Travel Menggunakan Metode K-Means Clustering,” JURTEKSI (Jurnal Teknol. dan Sist. Informasi), vol. 5, no. 2, hal. 97–104, 2019, doi: 10.33330/jurteksi.v5i2.352.
M. Robani dan A. Widodo, “Algoritme K-Means Clustering Untuk Pengelompokan Ayat Al Quran Pada Terjemahan Bahasa Indonesia,” J. Sist. Inf. Bisnis, vol. 6, no. 2, hal. 164, 2016, doi: 10.21456/vol6iss2pp164-176.
How To Cite This :
Refbacks
- There are currently no refbacks.
