Dynamic Time Warping Pada Metode K-Means Untuk Pengelompokan Data Trend Penjualan Produk

Fairizal Aaron Wahyu Tanamas Satria Wijaya(1), Eko Prasetyo(2*), Rahmawati Febrifyaning Tias(3)
(1) Program Studi Teknik Informatika, Fakultas Teknik, Universitas Bhayangkara Surabaya
(2) Program Studi Teknik Informatika, Fakultas Teknik, Universitas Bhayangkara Surabaya
(3) Program Studi Teknik Informatika, Fakultas Teknik, Universitas Bhayangkara Surabaya
(*) Corresponding Author

https://doi.org/10.25077/TEKNOSI.v10i2.2024.100-109


Abstrak


Pasar swalayan menghasilkan transaksi penjualan dengan pelanggan dengan laju pertumbuhan data tinggi. Data transaksi sejumlah barang memiliki pola berbeda, ada yang tinggi dan ada yang rendah. Perbedaan ini mengakibatkan pola penjualan antar satu produk dengan produk lainnya berbeda. Pola ini juga mengakibatkan pengelolaan stok dan promosi juga berbeda. Maka, untuk memudahkan pengelolaan barang, perlu dilakukan pengelompokan trend penjualan otomatis menggunakan K-Means. Namun, metode perhitungan jarak (dissimilarity) standar tidak tepat digunakan pada data periodik. Penelitian ini bereksperimen mengelompokkan data periodic trend penjualan produk menggunakan metode K-Means dan DTW (Dynamic Time Warping) untuk perhitungan jarak. DTW melakukan perhitungan jarak dengan memperhatikan data histori periode sebelum dan setelah data yang sedang dihitung. Pelibatan data disekitarnya akan membentuk jarak sesuai dengan pola data periodik. Hasil pengelompokan data tahun 2021, Cluster 1 dengan 417 data memiliki pola naik dari awal tahun kemudian menurun, selanjutnya perlahan naik kembali di pertengahan hingga akhir tahun. Cluster 2 dengan 2403 data memiliki pola stabil di awal tahun, ketika di pertengahan tahun mulai naik, kemudian di akhir tahun turun namun kembali naik. Cluster 3 dengan 289 data memiliki pola menurun saat awal tahun, namun terlihat stabil hingga akhir tahun. Hasil ekeperimen pengelompokan trend penjualan menggunakan metode K-Means dengan jarak DTW menunjukkan hasil yang baik dan memiliki pola data dalam kelompok yang sesuai karakteristik alami. Hal ini didukung oleh validitas Davies-Bouldin index -1.215 dimana nilai yang semakin kecil mendekati nol menunjukkan kualitas cluster yang dicapai baik.

Kata Kunci


Trend; Pengelompokan; Penjualan; K-Means; Dynamic Time Warping


Teks Lengkap:

PDF


Referensi


[1] S. Hanifah, F. Akbar, and R. P. Santi, “Implementasi Business Intelligence dan Prediksi Menggunakan Regresi Linear pada Data Penjualan dan Breakage di PT XYZ,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 8, no. 3, pp. 144–152, Dec. 2022, doi: 10.25077/TEKNOSI.V8I3.2022.144-152.

[2] S. Kasus, B. M. Al-Fahmi, E. Rahmawati, and T. Sagirani, “Penerapan K-Means Clustering Pada Pariwisata Kabupaten Bojonegoro Untuk Mendukung Keputusan Strategi Pemasaran,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 9, no. 2, pp. 141–149, Aug. 2023, doi: 10.25077/TEKNOSI.V9I2.2023.141-149.

[3] R. E. van Ruitenbeek, G. M. Koole, and S. Bhulai, “A hierarchical agglomerative clustering for product sales forecasting,” Decision Analytics Journal, vol. 8, p. 100318, Sep. 2023, doi: 10.1016/J.DAJOUR.2023.100318.

[4] S. Lee, S. Ko, A. H. Roudsari, and W. Lee, “A deep learning model for predicting the number of stores and average sales in commercial district,” Data & Knowledge Engineering, vol. 150, p. 102277, Mar. 2024, doi: 10.1016/J.DATAK.2024.102277.

[5] G. Gustientiedina, M. H. Adiya, and Y. Desnelita, “Penerapan Algoritma K-Means Untuk Clustering Data Obat-Obatan,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 5, no. 1, pp. 17–24, 2019, doi: 10.25077/teknosi.v5i1.2019.17-24.

[6] W. Afifi, D. R. Nastiti, and Q. Aini, “Clustering K-Means Pada Data Ekspor (Studi Kasus: Pt. Gaikindo),” Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer, vol. 11, no. 1, pp. 45–50, 2020, doi: 10.24176/simet.v11i1.3568.

[7] A. Supriyatna, I. Carolina, S. Janti, and ..., “Clustering Koridor Transjakarta Berdasarkan Jumlah Penumpang Dengan Algoritma K-Means,” J-SAKTI (Jurnal Sains …, vol. 4, no. September, pp. 682–693, 2020.

[8] R. A. Indraputra and R. Fitriana, “K-Means Clustering Data COVID-19,” Jurnal Teknik Industri, vol. 10, no. 3, p. 3, 2020.

[9] A. Bahauddin, A. Fatmawati, and F. Permata Sari, “Analisis Clustering Provinsi Di Indonesia Berdasarkan Tingkat Kemiskinan Menggunakan Algoritma K-Means,” Jurnal Manajemen Informatika dan Sistem Informasi, vol. 4, no. 1, p. 1, 2021, doi: 10.36595/misi.v4i1.216.

[10] N. Purba, P. Poningsih, and H. S. Tambunan, “Penerapan Algoritma K-Means Clustering Pada Penyebaran Penyakit Infeksi Saluran Pernapasan Akut (ISPA) di Provinsi Riau,” Journal of Information System Research (JOSH), vol. 2, no. 3, pp. 220–226, 2021.

[11] D. G. Ramadhan, I. Prihatini, and F. Liantoni, “Analisis Clustering Pengelompokan Penjualan Paket Data Menggunakan Metode K-Means,” Ultimatics : Jurnal Teknik Informatika, vol. 13, no. 1, pp. 33–38, 2021, doi: 10.31937/ti.v13i1.1981.

[12] M. I. Rizki, T. A. Taqqiyuddin, and J. J. Cerelia, “K-Medoids Clustering dengan Jarak Dynamic Time Warping dalam Mengelompokkan Provinsi di Indonesia Berdasarkan Kasus Aktif Covid-19,” Prosiding Seminar Nasional Matematika, vol. 4, pp. 685–692, 2021.

[13] S. Putriana, E. Erna, and D. Andreswari, “Clustering Data Titik Gempa Dengan,” vol. 9, no. 1, 2021.

[14] M. B. Johra, “Soft Clustering Dengan Algoritma Fuzzy K-Means (Studi Kasus : Pengelompokan Desa Di Kota Tidore Kepulauan),” BAREKENG: Jurnal Ilmu Matematika dan Terapan, vol. 15, no. 2, pp. 385–392, 2021, doi: 10.30598/barekengvol15iss2pp385-392.

[15] P. S. Kumar, S. K. Laha, and L. A. Kumaraswamidhas, “Assessment of rolling element bearing degradation based on Dynamic Time Warping, kernel ridge regression and support vector regression,” Applied Acoustics, vol. 208, p. 109389, Jun. 2023, doi: 10.1016/J.APACOUST.2023.109389.

[16] M. Kloska, G. Grmanova, and V. Rozinajova, “Expert enhanced dynamic time warping based anomaly detection,” Expert Systems with Applications, vol. 225, p. 120030, Sep. 2023, doi: 10.1016/J.ESWA.2023.120030.

[17] H. Ding, Z. Yuan, J. Yin, X. Shi, and M. Shi, “Evaluating ecosystem stability based on the dynamic time warping algorithm: A case study in the Minjiang river Basin, China,” Ecological Indicators, vol. 154, p. 110501, Oct. 2023, doi: 10.1016/J.ECOLIND.2023.110501.

[18] Z. Liu, T. Bai, C. Peng, H. Bao, and J. Lu, “A method of scaling distortion assessment based on dynamic time warping,” Annals of Nuclear Energy, vol. 177, p. 109304, Nov. 2022, doi: 10.1016/J.ANUCENE.2022.109304.

[19] Y. Ida, E. Fujita, and T. Hirose, “Classification of volcano-seismic events using waveforms in the method of k-means clustering and dynamic time warping,” Journal of Volcanology and Geothermal Research, vol. 429, p. 107616, Sep. 2022, doi: 10.1016/J.JVOLGEORES.2022.107616.

[20] M. A. Zen et al., “Aplikasi Pengelompokan Data Runtun Waktu dengan Algoritma K-Medoids,” Inferensi, vol. 6, no. 2, pp. 117–123, Sep. 2023, doi: 10.12962/J27213862.V6I2.15864.

[21] H. Almiatus Soleha, W. Pura Nurmayanti, U. Hidayaturrohman, R. Haiban Hirzi, A. Septiani, and J. Statistika, “Penerapan Clustering Time Series pada Pengelompokan Provinsi di Indonesia (Studi Kasus : Nilai Ekspor Non Migas di Indonesia Tahun 2016-2020),” J Statistika: Jurnal Ilmiah Teori dan Aplikasi Statistika, vol. 15, no. 2, pp. 286–291, Dec. 2022, doi: 10.36456/JSTAT.VOL15.NO2.A5550.


Artikel Statistik

Abstrak telah dilihat : 0 kali
PDF telah dilihat : 0 kali

Refbacks

  • Saat ini tidak ada refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

 

Alamat Redaksi :
Departemen Sistem Informasi, Fakultas Teknologi Informasi
Universitas Andalas
Kampus Limau Manis, Padang 25163, Sumatera Barat

email: teknosi@fti.unand.ac.id

  Jumlah Pengunjung :

 

Creative Commons License
This work by JSI-Unand and licensed under a CC BY-SA 4.0 International License.