Penerapan K-Nearest Neighbor Untuk Memprediksi Penjualan Produk Parfum Baru
Keywords:
K-Nearest Neighbor, Penjualan Parfum, Algoritma, PrediksiAbstract
Penjualan produk parfum baru sering kali menjadi tantangan dalam dunia ritel, terutama karena banyaknya faktor yang dapat memengaruhi keberhasilan produk di pasar, seperti harga, preferensi pelanggan, dan jumlah pembeli. Penelitian ini bertujuan untuk memprediksi penjualan produk parfum baru dengan menerapkan algoritma k-Nearest Neighbor (k-NN), yang merupakan salah satu metode pembelajaran mesin berbasis instance. Algoritma ini bekerja dengan mengklasifikasikan data baru berdasarkan jarak dari data sebelumnya yang sudah terklasifikasi. Dalam penelitian ini, dataset penjualan parfum yang mencakup atribut harga, jumlah pembeli, dan status penjualan digunakan untuk melatih model. Implementasi algoritma dilakukan dengan menggunakan berbagai nilai k, yaitu k=2, k=3, dan k=4, untuk menentukan jumlah tetangga terdekat yang digunakan dalam proses prediksi. Hasil penelitian menunjukkan bahwa k-NN mampu memberikan prediksi yang akurat terhadap status penjualan produk parfum baru, dengan hasil terbaik diperoleh pada nilai k=3, di mana prediksi status penjualan "Laris" berhasil dihasilkan untuk produk baru yang diuji. Evaluasi kinerja algoritma juga menunjukkan bahwa pemilihan tetangga terdekat berdasarkan jarak Euclidean dan normalisasi data memainkan peran penting dalam meningkatkan akurasi prediksi. Dengan demikian, metode k-NN dapat menjadi solusi yang efektif bagi perusahaan dalam menganalisis data penjualan dan membantu pengambilan keputusan strategis terkait peluncuran produk parfum baru.
References
Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques. Morgan Kaufmann.
Tan, P.-N., Steinbach, M., & Kumar, V. (2006). Introduction to Data Mining. Pearson Education.
Larose, D. T. (2005). Discovering Knowledge in Data: An Introduction to Data Mining. Wiley-Interscience.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer.
Quinlan, J. R. (1996). Improved Use of Continuous Attributes in C4.5. Journal of Artificial Intelligence Research.
Suyanto. (2017). Data Mining Untuk Klasifikasi Dan Klaterisasi Data . Informatika.
STIMK Royal, Ksiaran. 2016. Penerapan Data Mining Untuk Prediksi Penjualan Walpaper Menggunakan Algoritma C4.5. Vol. 2, No. 2
Bode, A. (2017). K-Nearest Neighbor Dengan Feature Selection Menggunakan Backward Elimintion Untuk Prediksi Harga Komoditi Kopi Arabika.
Maulana, A., & Fajrin, A. A. (2018). Penerapan Data Mining Untuk Analisis Pola Pembelian Konsumen Dengan Algoritma Fp-Growth Pada Data Penjualan Spare Part Motor. Jurnal Ilmiah.
