Text
Klasterisasi Data Peminat Sepeda Motor Di Bandung Menggunakan Algotirma K-Means (Studi Kasus Dealer Motor Cabang Bandung Barat)
Seiring dengan perkembangan penggunaan sepeda motor sebagai alat transportasi, permintaan konsumen terhadap sepeda motor semakin meningkat. Namun belum adanya pengolahan data penjualan sepeda motor tersebut sehingga masih menggunakan analisis sederhana untuk penjualan sepeda motor. Maka dari itu dibutuhkan pengelolaan data yang tepat untuk memaksimalkan data penjualan sepeda motor di dealer cabang Bandung Barat yang lebih efektif Penelitian dilakukan dengan tujuan mengetahui hasil performance dari algoritma K-Means, banyaknya chuster yang dihasilkan dari data penjualan sepeda motor dan mengetahui hasil clustering setelah dibandingkan dengan algoritma K-Medords dan mengetahui hasil diantara kedua algoritma tersebut. Metode yang digunakan pengelompokan data penjualan sepeda motor yaitu menggunakan algoritma K- Means, K-Medoids dan untuk menentukan cluster terbaik menggunakan Elbow Method. Hasil penelitian menunjukan bahwa pengujian kedua algoritma tersebut pada data penjualan sepeda motor, Pengujian dan pembuatan aplikasi ini menggunakan bahasa pemrograman Python dan Streamin. Tahap penentuan jumlah chuster terbaik untuk kedua algoritma ditentukan menggunakan metode Elbow Method untuk algoritma K-Means nilai terbaik ditemukan k-2 dengan nilai Davies Bouldin Index 0.566, cluster pertama memiliki 5.493 data dan cluster kedua memiliki 5.654 data. Sedangkan algoritma K-Medords, hasil yang terbaik juga pada k-2 dengan nilai DBI 0.712, cluster pertama memiliki 5.780 data dan cluster kedua memiliki 5.367 data. Dapat disimpulkan dari hasil penelitian bahwa algoritma K-Means lebih baik daripada algoritma K-Medords.
Kata kunci: Algoritma K-Means. Algoritma K-Medords, Elbow Method Clustering. Sepeda Motor
TI 230041 | TI 423 REJ k | My Library | Available |
No other version available