Abstract:Abstract: Motorcycle sales are one of the key indicators of growth in Indonesia’s automotive industry. CV. Honda Karya Utama, as an authorized Honda motorcycle dealer, faces challenges due to unstable monthly sales fluctuations.…
ctuations. This uncertainty complicates stock planning, marketing strategy formulation, and may lead to potential losses caused by overstocking or understocking. To address these issues, this study aims to analyze the relationship between time and sales volume and to develop a predictive model that can assist management in making more effective business decisions.
The research was conducted using a quantitative method and a machine learning approach by applying a linear regression algorithm, implemented through the Python programming language and a MySQL database. The dataset used consists of monthly sales data over one year, analyzed to predict future sales trends. The results show that the linear regression algorithm can predict sales trends with a good level of accuracy, achieving evaluation values of MAPE 1.72%, MSE 1.76%, and RMSE 0.57. The developed model assists management in formulating marketing strategies, optimizing inventory planning, and minimizing financial risks. Therefore, linear regression can serve as an effective analytical tool to support strategic business decision-making at CV. Honda Karya Utama.
Keywords: motorcycle sales; linear regression; prediction; sales analysis
Abstrak: Penjualan sepeda motor merupakan salah satu indikator penting dalam pertumbuhan industri otomotif di Indonesia. CV. Honda Karya Utama sebagai dealer resmi sepeda motor Honda menghadapi tantangan berupa fluktuasi penjualan yang tidak stabil setiap bulannya. Ketidakpastian ini menyebabkan kesulitan dalam perencanaan stok, penentuan strategi pemasaran, serta berpotensi menimbulkan kerugian akibat kelebihan atau kekurangan persediaan. Untuk mengatasi permasalahan tersebut, penelitian ini bertujuan untuk menganalisis hubungan antara waktu dan jumlah penjualan serta membangun model prediksi yang dapat membantu manajemen dalam pengambilan keputusan bisnis yang lebih efektif. Penelitian dilakukan dengan metode kuantitatif dan pendekatan machine learning menggunakan algoritma regresi linier, dengan implementasi berbasis bahasa pemrograman Python dan basis data MySQL. Data yang digunakan berupa data penjualan bulanan selama satu tahun, yang kemudian dianalisis untuk memprediksi tren penjualan pada periode berikutnya. Hasil penelitian menunjukkan bahwa regresi linier mampu memprediksi tren penjualan dengan tingkat akurasi yang baik, dengan nilai evaluasi MAPE sebesar 1,72%, MSE 1,76%, dan RMSE 0,57. Model ini membantu manajemen dalam menyusun strategi pemasaran, mengoptimalkan perencanaan stok, serta meminimalkan risiko kerugian. Dengan demikian, regresi linier dapat menjadi alat bantu yang efektif dalam mendukung keputusan bisnis di CV. Honda Karya Utama.
Kata kunci: penjualan sepeda motor; regresi linier; prediksi; analisis penjualan
Abstract:Abstract: This study aims to analyze the influence of gender on user responses to social media strategies on the Instagram platform by utilizing data science techniques. The methodology includes collecting user interaction…
on data based on gender, statistical analysis, and applying machine learning algorithms to identify response patterns. The results reveal significant differences in how male and female users respond to social media content and campaigns, affecting marketing strategy effectiveness. Data science analysis showed that the K-Means Clustering method segmented users into three groups based on interaction patterns, with female users showing the highest engagement rate (18%) compared to male users (12%). The Decision Tree model identified gender as the most dominant predictor of engagement (40%), followed by user growth (25%) and content type (20%). The Random Forest model validated that gender-targeted strategies increased marketing effectiveness by up to 22%. Multivariate regression revealed a positive effect of female user proportion (+0.45) and a negative effect of male user proportion (−0.12) on engagement. In conclusion, a deeper understanding of gender-based response differences can assist companies in designing more targeted social media strategies and enhancing engagement.
Keywords: gender; social media response; instagram; data science; marketing strategy
Abstrak: Penelitian ini bertujuan untuk menganalisis bagaimana pengaruh gender memengaruhi respons pengguna terhadap strategi media sosial di platform Instagram dengan memanfaatkan teknik data sains. Metode yang digunakan meliputi pengumpulan data interaksi pengguna berdasarkan gender, analisis statistik, dan penerapan algoritma machine learning untuk mengidentifikasi pola respons. Hasil penelitian menunjukkan adanya perbedaan signifikan dalam cara pengguna laki-laki dan perempuan merespons konten dan kampanye media sosial, yang berdampak pada efektivitas strategi pemasaran. Analisis data sains menunjukkan bahwa metode K-Means Clustering berhasil mengelompokkan pengguna ke dalam tiga segmen berdasarkan pola interaksi, dengan segmen perempuan menunjukkan tingkat engagement tertinggi (18%) dibandingkan laki-laki (12%). Model Decision Tree mengidentifikasi gender sebagai faktor paling dominan terhadap engagement dengan kontribusi sebesar 40%, disusul oleh pertumbuhan pengguna (25%) dan jenis konten (20%). Random Forest memvalidasi bahwa strategi yang disesuaikan berdasarkan gender meningkatkan efektivitas pemasaran hingga 22%. Regresi multivariat menunjukkan bahwa proporsi pengguna perempuan berkontribusi positif sebesar 0,45 poin terhadap engagement, sedangkan pengguna laki-laki berkontribusi negatif sebesar -0,12. Kesimpulannya, pemahaman mendalam tentang perbedaan respons berdasarkan gender dapat membantu perusahaan dalam merancang strategi media sosial yang lebih tepat sasaran dan meningkatkan engagement.
Kata kunci: gender; respons media sosial; instagram; data sains; strategi pemasaran
Abstract:Abstract: In this study, an analysis of the use of the Naive Bayes algorithm for sentiment analysis of reviews from Shopee app users on the Google Play Store was conducted, with classification divided into three categories:…
es: positive, negative, and neutral. To improve data quality, a preprocessing process was carried out with stages of cleaning, case folding, normalization, stop word removal, stemming, and tokenizing. Next, the text is formatted using the TF-IDF method to facilitate classification. For this data, the Naive Bayes model is used, which has an accuracy rate of 87% in detecting sentiment. Positive and negative categories can be easily identified compared to neutral sentiments due to the smaller amount of neutral data. Overall, the Naive Bayes algorithm successfully analyzed user sentiments well. The research can be developed with other algorithm methods, such as SVM, K-NN, or Decision Tree, in order to compare the performance of various algorithms.
Keywords: sentiment analysis; naive bayes; user reviews; e-commerce; shopee
Abstrak: Dalam penelitian ini dilakukan analisis penggunaan algoritma Naive Bayes untuk analisis sentimen review dari pengguna aplikasi Shopee di Google Play Store, klasifikasi dibagai menjadi 3 kategori yaitu positif, negatif, dan netral. Untuk meningkatkan kualitas data, dilakukam proses preprocessing dengan tahap cleanimg, case folding, normalisasi, stopword removal, stemming, dan tekonezing. Selanjutnya, teks diformat menggunakan metode TF-IDF untuk memudahkan klasifikasi. Untuk data ini, model Naive Bayes digunakan, yang memiliki tingkat akurasi 87% dalam mendeteksi sentimen. Kategori positif dan negatif dapat dengan mudah diidentifikasi dibadingkan sentiemen netral karena jumlah data netral yang lebih sedikit. Secara keseluruhan, algoritma Naive Bayes berhasil menganalisis perasaan pengguna dengan baik. Penelitian dapat dikembangkan dengan algoritma metode lain, seperti SVM, K-NN, atau Decision Tree, guna membandingkan kinerja berbagai algoritma.
Kata kunci: analisis sentiment; naive bayes; ulasan pengguna; e-commerce; shopee
Abstract:Prediksi persediaan obat di Apotik Rumah Sakit Pekanbaru Medical Center dilakukan dengan cara memperkirakan berdasarkan stok. Apabila terjadinya kekurangan persediaan saat adanya permintaan maka itu akan menjadi kendala,…
sehingga mempengaruhi penjualan obat. Untuk itu dibutuhkan perhitungan persediaan obat dengan menerapkan data mining. Metode yang digunakan adalah decision tree, dengan data set yang diolah menjadi informasi yang terstruktur dengan pola terbaik. Dalam melakukan prediksi persediaan di apotik RS.PMC menggunakan algoritma c45 didapatkan hasil nilai gain ratio tertinggi iyalah atribut stok awal dengan nilai 0,229865388 dan akurasi delapan puluh dua koma tiga puluh emapat persen (82,34%). Berdasarkan penggunan algoritma c4.5 pada penelitian ini dapat disimpulkan sangat efektif.
Abstract:Tujuan penelitian ini adalah untuk mengetahui cara menganalisis sentimen dari ulasan pengguna pada game Roblox dan untuk mengetahui hasil perbandingan performa klasifikasi dengan menggunakan metode Support Vector Machine…
Dan Naive Bayes dalam menganalisis sentimen ulasan pengguna pada game Roblox. Data yang digunakan pada penelitian ini berjumlah sebanyak 10000 record data ulasan yang di ambil pada tanggal 15 Juni 2024. Hasil yang di peroleh dalam menganalisis sentimen data ulasan pada aplikasi Roblox cenderung mendapatkan sentimen positif dengan persentase 65,06% sedangkan untuk sentimen negatif dengan persentase 34,94%. Support Vector Machine merupakan algoritma terbaik dalam menganalisis sentimen data ulasan pada aplikasi Roblox dengan tingkat akurasi yang paling tinggi pada perbandingan data 90:10 yaitu 90 %, untuk precision, recall, dan f1-score yang dihasilkan pada sentimen positif yaitu 88%, 85%, dan 86%, sedangkan pada sentimen negatif adalah 91%, 93%, dan 92%. Algoritma Naïve Bayes mendapatkan tingkat akurasi yang paling tinggi pada perbandingan data 90:10 yaitu 72,4%, untuk precision, recall, dan f1-score yang dihasilkan pada sentimen positif yaitu 88%, 34%, dan 49%, sedangkan pada sentimen negatif adalah 70%, 97%, dan 81%.
Abstract:Abstract: PT. Padasa Enam Utama, a palm oil plantation company, currently assesses the quality of Fresh Fruit Bunches (FFB) based solely on physical aspects. They use Microsoft Excel without a specialized application system,…
tem, which can lead to subjective assessments and the risk of fraud. This research aims to develop a predictive system for the quality of Fresh Fruit Bunches. Data collection was conducted using quantitative methods through direct observation and interviews with relevant parties. The study shows that the use of the K-Nearest Neighbor method provides the best accuracy with a more efficient calculation process. With this system, the company’s performance in making decisions regarding FFB quality is expected to improve. The system helps reduce human errors in quality assessments and offers visualizations that make it easier for users to understand the classification of production quality. Although the results are reliable, there is still room for further development, such as improving accuracy through more advanced data preprocessing techniques or using more complex machine learning models.
Keywords: Data Mining; K-Nearest Neighbor algorithm; Fresh Fruit Bunches (FFB); Python; Streamlit.
Abstrak: PT. Padasa Enam Utama, sebuah perusahaan perkebunan kelapa sawit, saat ini menilai kualitas produksi Tandan Buah Segar (TBS) berdasarkan aspek fisik saja. Mereka menggunakan Microsoft Excel tanpa sistem aplikasi khusus, yang dapat menyebabkan penilaian tidak objektif dan risiko kecurangan. Penelitian ini bertujuan untuk mengembangkan sistem prediksi mutu kualitas Tandan Buah Segar. Dalam pengumpulan data, digunakan metode kuantitatif melalui observasi langsung dan wawancara dengan pihak terkait. Penelitian menunjukkan bahwa penggunaan metode K-Nearest Neighbor memberikan akurasi terbaik dengan proses perhitungan yang lebih efisien. Dengan adanya sistem ini, diharapkan kinerja perusahaan dalam membuat keputusan terkait mutu produksi TBS dapat meningkat. Sistem ini membantu mengurangi kesalahan manusia dalam penilaian mutu TBS dan memberikan visualisasi yang memudahkan pengguna memahami klasifikasi mutu produksi. Meskipun telah memberikan hasil yang dapat diandalkan, masih ada ruang untuk pengembangan lebih lanjut, seperti peningkatan akurasi melalui teknik preprocessing data yang lebih canggih atau penggunaan model-machine learning yang lebih kompleks.
Kata kunci: Data Mining; Algoritma K-Nearest Neighbor; Tandan Buah Segar (TBS); Python; Streamlit
Abstract:Kualitas hidup keluarga mencerminkan kesejahteraan masyarakat, yang diukur melalui berbagai aspek kehidupan seperti pendidikan, pekerjaan, penghasilan, kepemilikan, kondisi tempat tinggal, serta akses ke air bersih dan listrik.…
istrik. Untuk menentukan tingkat kesejahteraan di masyarakat, tiga kriteria dari semua variabel tersebut digunakan untuk membedakan apakah mereka berada pada cluster tinggi, menengah, atau rendah. Pondok Bungur, sebuah desa di Kabupaten Asahan dengan 10 dusun, kebanyakan penduduknya memiliki pendapatan rendah, tidak memiliki barang kebutuhan sekunder, menggunakan air bukan dari PDAM, dan memiliki akses daya listrik rendah. Karena belum ada klasifikasi yang jelas mengenai kesejahteraan, bantuan sosial sering kali tidak tepat sasaran. Sebagai solusi, teknik data mining dengan algoritma k-means diterapkan untuk mengklasifikasikan tingkat kesejahteraan di desa tersebut. Penelitian ini menemukan bahwa 2 dusun berada pada tingkat kesejahteraan tinggi (20%), 3 dusun pada tingkat menengah (30%), dan 5 dusun pada tingkat rendah (50%). Dusun 2 dan 5 merupakan yang paling sejahtera, sementara Dusun 1, 4, dan 9 memiliki tingkat kesejahteraan menengah. Sisa 50% dusun yang masih berada pada tingkat rendah perlu diprioritaskan dalam pemberian bantuan.
Abstract:Abstrak: A pharmacy is a health service facility to help improve the health of the community, a pharmacy is also a place for professional pharmacists to practice their work. To determine the amount of stock inventory, Jaka…
ka Wijaya Pharmacy requires a clusterization of sales stock data. The method that can be used is the K-Means algorithm. This algorithm is based on a simple idea. K-Means is a distance-based clustering method that divides data into a number of clusters and this algorithm only works on numeric attributes. The data processed in this research is a sample taken from the Jaka Wijaya Pharmacy data in 2022. The Jaka Wijaya Pharmacy dataset consists of the attributes No, Drug Item, Type, Packaging, Initial Stock, Cost Price, Unit Conversion, Selling Price, Number of Transactions, Ending Stock, Shelf, Warehouse-Office Codes. With the K-Means Clustering method, it is possible to group drug sales data with stock that is not selling well as cluster 0, stock that is selling well as cluster 1, and stock that is selling very well as cluster 2. The sample data to be tested consists of 170 data from the Jaka Wijaya Pharmacy. Where the cluster results show that there are several results, namely cluster 0 totaling 102, cluster 1 totaling 34, and cluster 2 totaling 34 decisions, where the decisions include very in demand, in demand, not in demand.
Keywords: Data Mining; Jaka Wijaya Pharmacy; K-means Cluster
Abstrak: Apotek merupakan sarana pelayanan kesehatan untuk membantu meningkatkan kesehatan bagi masyarakat, apotek juga sebagai tempat praktik tenaga profesi apoteker dalam melakukan pekerjaan. Untuk menentukan jumlah persediaan stok, Apotek Jaka Wijaya membutuhkan suatu clusterisasi data stok penjualan. Metode yang dapat digunakan yaitu algoritma K-Means. Algoritma ini didasarkan pada ide sederhana. K-Means adalah metode Clustering berbasis jarak yang membagi data ke dalam sejumlah cluster dan algoritma ini hanya bekerja pada atribut numeric. Data yang diolah dalam penelitian ini merupakan sampel yang diambil dari data Apotek Jaka Wijaya pada tahun 2022. Dataset Apotek Jaka Wijaya terdiri dari atribut No, Item Obat, Jenis, Kemasan, Stok Awal, Harga Pokok, Konversi Satuan, Harga Jual, Jumlah Transaksi, Stok Akhir, Rak, Kode Gudang-Kantor. Dengan metode K-Means Clustering maka dapat mengelompokkan data penjualan obat dengan stok kurang laris sebagai cluster 0, stok laris sebagai cluster 1, dan stok sangat laris sebagai cluster 2. Data sampel yang akan diuji terdiri dari 170 data dari Apotek Jaka Wijaya. Yang dimana hasil cluster menunjukkan terdapat beberapa hasil yaitu cluster 0 berjumlah 102, cluster 1 berjumlah 34, dan cluster 2 berjumlah 34 keputusan yang dimana keputusan itu meliputi sangat laris, laris, kurang laris.
Kata kunci: Apotek Jaka Wijaya; Data Mining; K-means Cluster
Abstract:Abstract: The government has made many efforts to eradicate poverty in society by implementing programs such as pro-poor, basic food assistance and cash assistance which are useful for achieving the standards of a prosperous…
rous society. The results of data processing are useful in future decision making. Considering the large amount of public data, finding out poor people is not an easy thing for the government to do, as is the case in North Sumatra. This research uses the K-Means Clustering (Multidimensional) method, making it easier to see patterns and structures in data that are difficult to see in the original representation. The application of the K-Means Clustering (Multidimensional) algorithm produces 3 clusters with a silhouette_score value of 33, namely cluster 0 with a high level of population poverty of 1, cluster 1 with a moderate level of population poverty of 4 and cluster 2 with a low level of population poverty as many as 28.
Keywords: Resident; Poor; Data Mining; K-Means
Abstrak: Banyak upaya yang dilakukan pemerintah untuk menghapus kemiskinan pada masyarakat dengan cara melakukan program seperti pro-poor, bantuan sembako maupun bantuan uang tunai yang berguna untuk mencapai standar masyarakat sejahtera. Hasil pengolahan data tersebut berguna dalam pengambilan keputusan kedepannya. Mengingat banyaknya data masyarakat, maka untuk mengetahui masyarakat miskin bukanlah hal mudah yang dilakukan oleh pemerintah, sama halnya di Sumatera Utara. Penelitian ini menggunakan metode K-Means Clustering (Multidimensi) memudahkan untuk melihat pola dan struktur dalam data yang sulit dilihat dalam representasi aslinya. Penerapan algoritma K-Means Clustering (Multidimensi) menghasilkan 3 cluster, yaitu dengan cluster 0 dengan tingat kemiskinan penduduk yang tinggi sebanyak 1, cluster 1 dengan tingat kemiskinan penduduk yang sedang sebanyak 4 dan cluster 2 dengan tingkat kemiskinan penduduk yang rendah sebanyak 28.
Kata kunci: Penduduk; Miskin; Multidimensi; Data Mining; K-Means
Abstract:Pendidikan memainkan peran krusial dalam pengembangan individu dan masyarakat. Peningkatan mutu pendidikan menjadi fokus utama pembangunan di Indonesia, dengan peran guru sebagai faktor penting dalam mencapai tujuan tersebut.…
ebut. SMP Negeri 3 Kualuh Hulu, sebagai salah satu lembaga pendidikan, menghadapi tantangan dalam pengelompokan siswa baru ke dalam kelas unggulan. Penelitian ini menggunakan metode Data Mining, khususnya K-Means Clustering, untuk membantu dalam seleksi dan pengelompokan siswa berdasarkan nilai rapor mereka. Metode K-Means Clustering digunakan untuk mengklasifikasikan siswa ke dalam tiga kelompok: tinggi, sedang, dan rendah. Penelitian ini menggambarkan proses pengolahan data menggunakan Python untuk memperoleh hasil klasterisasi. Hasilnya menunjukkan bahwa 25 siswa memiliki nilai tinggi, 45 siswa memiliki nilai sedang, dan 41 siswa memiliki nilai rendah. Dengan informasi ini, sekolah dapat dengan cepat dan efisien menentukan siswa yang layak masuk kelas unggulan, memungkinkan peningkatan kualitas pembelajaran dan persiapan siswa untuk pendidikan lanjutan.