Implementasi Data Mining Untuk Menentukan Pelanggan Potensial Menggunakan Algoritma Pengklasteran K-Means Dan K-Nearest Neighbors
DOI:
https://doi.org/10.29407/mv4m8c75Abstract
Penelitian ini mengimplementasikan metode K-Means Clustering yang dikombinasikan dengan K-Nearest Neighbors (KNN) untuk mengelompokkan pelanggan berdasarkan total belanja, intensitas belanja, dan jumlah poin, dengan tujuan membantu strategi pemasaran dan meningkatkan loyalitas pelanggan. Sistem dibangun menggunakan Laravel dan MySQL, di mana hasil clustering disimpan sebagai riwayat yang dapat diakses kembali. Metode K-Means digunakan untuk membentuk klaster berdasarkan kemiripan data, sementara KNN digunakan untuk mengklasifikasikan pelanggan baru ke dalam klaster yang telah terbentuk. Hasil penelitian menunjukkan bahwa kombinasi kedua metode ini efektif dalam mengelompokkan pelanggan, serta memudahkan analisis pola belanja secara sistematis melalui aplikasi berbasis web.
Keywords:
Data Mining, K-Means Clustering, K-Nearest Neighbors, Laravel, Segmentasi Pelanggan##plugins.themes.default.displayStats.downloads##
References
[1] P. Alkhairi and A. P. Windarto, "Penerapan K-Means Cluster pada Daerah Potensi Pertanian Karet Produktif di Sumatera Utara," Seminar Nasional Teknologi Komputer & Sains, vol. 1, no. 1, pp. 762-767, 2019, doi: 10.29207/resti.v6i6.4199.
[2] M. Sulaiman, R. Yudistira, R. Narasati and R. Herdiana, "Penerapan Data Mining dengan Metode Clustering untuk menentukan Strategi Peningkatan Penjualan Berdasarkan Data Transaksi," Jurnal Informatika dan Rekayasa Perangkat Lunak, vol. 6, no. 1, pp. 307-314, 2024, doi: 10.36499/jinrpl.v6i1.10329.
[3] S. and D. Lestari, "Penerapan Data Mining Untuk Menentukan Segmentasi Pelanggan Dengan Menggunakan Algoritma K-Means dan Model RFM Pada E-Commerce," JURIKOM (Jurnal Riset Komputer), vol. 9, no. 4, pp. 866-871, 2022, doi: 10.30865/jurikom.v9i4.4525.
[4] B. Parlambang and F. , "Implementasi Algoritma K-Means Dalam Proses Penilaian Kuesioner Kepada Dosen Guna Mendukung Kepuasan Mahasiswa Terhadap Dosen," Jurnal Ilmiah Teknologi Dan Rekayasa, vol. 25, no. 2, pp. 161-173, 2020, doi: 10.35760/tr.2020.v25i2.2719.
[5] S. Hajar, A. A. Novany, A. P. Windarto, A. Wanto and E. Irawan, "Penerapan K-Means Clustering Pada Ekspor Minyak Kelapa Sawit Menurut Negara Tujuan," Seminar Nasional Teknologi Komputer & Sains (SAINTEKS), vol. 1, no. 1, p. 314–318, 2020, doi: 10.35970/jinita.v5i2.2051.
[6] R. S. A. Daulay, "Analisis Kritis dan Pengembangan Algoritma K-Nearest Neighbor (KNN): Sebuah Tinjauan Literatur," Jurnal Pendidikan Sains dan Komputer, vol. 4, no. 2, pp. 131-141, 2024, doi: 10.47709/jpsk.v4i02.5055.
[7] D. M. Atmaja and R. Mandala, "Analisa Judul Skripsi untuk Menentukan Peminatan Mahasiswa Menggunakan Vector Space Model dan Metode K-Nearest Neighbor," IT for Society, vol. 4, no. 2, pp. 1-6, 2020, doi: 10.33021/itfs.v4i2.1182.
[8] S. Rahmatullah, "Prediksi Tingkat Kelulusan Tepat Waktu Dengan Metode Naïve Bayes Dan K-Nearest Neighbor," Jurnal Informasi Dan Komputer, vol. 7, no. 1, pp. 7-16, 2019, doi: 10.35959/jik.v7i1.118.
[9] T. Widyanti, S. S. Hilabi, A. Hananto, T. and E. Novalia, "Implementasi K-Means dan K-Nearest Neighborspada Kategori Siswa Berprestasi," Jurnal Informasi Dan Teknologi, vol. 5, no. 1, p. 75–82, 2023, doi: 10.35889/jutisi.v13i1.1836.
[10] S. Rustam and H. Annur, "Akademik Data Mining (Adm) K-Means Dan KMeans K-Nn Untuk Mengelompokan Kelas Mata Kuliah Kosentrasi Mahasiswa Semester Akhir," ILKOM Jurnal Ilmiah, vol. 11, no. 3, p. 260–268, 2018, doi: 10.33096/ilkom.v11i3.487.260-268.
[11] W. Romadhona, B. I. Nugroho and A. A. Murtopo, "Implementasi Data Mining Pemilihan Pelanggan Potensial Menggunakan Algoritma K-MEANS," Komputek, vol. 6, no. 2, pp. 76-83, 2022, doi: 10.24269/jkt.v6i2.1328.
[12] Y. Anis, A. B. Mukti and A. N. Rosyid, "Penerapan Model Waterfall Dalam Pengembangan Sistem Informasi Aset Destinasi Wisata Berbasis Website," KLIK: Kajian Ilmiah Informatika dan Komputer, vol. 4, no. 2, pp. 1134-1142, 2023, doi: 10.30865/klik.v4i2.1287.
[13] T. Wahyudi, S. and H. Faqih, "Pengembangan Sistem Informasi Presensi Menggunakan Metode Waterfall," Indonesian Journal on Software Engineering (IJSE), vol. 7, no. 2, pp. 120-129, 2021, doi: 10.31294/ijse.v7i2.11091.
[14] S. Nuraeni, S. P. A. Syam, M. F. Wajdi, B. Firmansyah and M. Malkan, "Implementasi Metode K-NN Untuk Menentukan Jurusan Siswa di SMAN 02 Manokwari," Jurnal Teknologi Terapan, vol. 7, no. 1, pp. 89-95, 2023, doi: 10.33379/gtech.v7i1.1905.
[15] D. T. Worung, S. R. U. A. Sompie and A. Jacobus, "Implementasi K-Means dan K-NN pada Pengklasifikasian Citra Bunga," Jurnal Teknik Informatika, vol. 15, no. 3, pp. 217-222, 2020, doi: 10.35793/jti.v15i3.31965.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Teddy Setyadji, Risky Aswi Ramadhani, Lilia Sinta Wahyuniar
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
