Pengembangan Sistem Aplikasi Cerdas Memprediksi Penjualan Mebel Berbasis website
Abstract
Industri mebel di Indonesia merupakan usaha yang memiliki laju perkembangan sangat pesat. Konsumen memilih menggunakan mebel hasil dari industri karena mebel produksi industri memiliki inovasi disain yang indah. Mebel berperan juga sebagai sumber pemasukan keuangan negara di Indonesia terutama penjualan kepada konsumen negara lain. Karenan terjadi kompetisi yang begitu ketat antar industri mebel, keadaan ini berimplikasi produsen mebel berusaha secara ketat dalam menciptakan produksi yang bermutu dan memenuhi selera konsumen. Permasalahannya adalah produsen masih mengelola data atau mendapatkan informasi hasil produksi dalam system manual. Karenanya tujuan dari penelitian ini adalah membangun sistem aplikasi komputer cerdas website untuk memprediksi penjualan mebel. Perancangan dan pembuatan system ini menggunakan metodologi Waterfall. Metode yang digunakan untuk mengklasifikasi data penjualan barang mebel dengan metode K-Nearest Neightbor (KNN). KNN merupakan metode untuk mengektraksi data mining yang bisa berguna dalam prediksi penjualan. Hasil yang dicapai yaitu dihasilkannya system prediksi penjualan barang dan juga laporan prediksi penjualan barang dalam bentuk lembar kerja (Spreadsheet) sehingga membantu pimpinan perushaan dalam usahanya. Kesimpulan dari penelitian yang dilakukan menggunakan metode KNN cocok digunakan untuk mengklasifikasi data penjualan barang mebel. Hal ini tersebut dibuktikan dengan tingkat akurasi yang mencapai 90% pada proses pengujian menggunakan confussion matrik.
Downloads
References
[2] A. Q. Syarli, Rosmawati Tamin, “Perancangan Business Intelligence System pada Gudang Farmasi Dinas Kesehatan Kabupaten Mamasa,” JUTEKS (Jurnal Keteknikan dan Sains), vol. 1, no. 1, pp. 7–14, 2018.
[3] S. S.Badhiye, N. U. Sambhe, and P. N. Chatur, “KNN Technique for Analysis and Prediction of Temperature and Humidity Data,” International Journal of Computer Applications, vol. 61, no. 14, pp. 7–13, 2013, doi: 10.5120/9994-4847.
[4] K. Taunk, S. De, S. Verma, and A. Swetapadma, “A brief review of nearest neighbor algorithm for learning and classification,” in 2019 International Conference on Intelligent Computing and Control Systems, ICCS 2019, 2019, no. Iciccs, pp. 1255–1260.
[5] I. Verawati, “Analisis Hasil Studi Mahasiswa Melalui Penerapan Business Intelegence dengan Teknik Olap,” Jurnal Ilmiah DASI:Data Majajemen dan Teknologi Informasi, vol. 14, no. 4, pp. 63–68, 2016.
[6] Z. Zhang, “Introduction to machine learning: K-nearest neighbors,” Annals of Translational Medicine, vol. 4, no. 11, pp. 1–7, 2016, doi: 10.21037/atm.2016.03.37.
[7] N. Isa, N. S. M. Yusof, and M. A. Ramlan, “The implementation of data mining techniques for sales analysis using daily sales data,” International Journal of Advanced Trends in Computer Science and Engineering, vol. 8, no. 1.5 Special Issue, pp. 74–80, 2019.
[8] D. Prasad, S. Kumar Goyal, A. Sharma, A. Bindal, and V. Singh Kushwah, “System model for prediction analytics using nearest neighbors algorithm,” Journal of Computational and Theoretical Nanoscience, vol. 16, no. 10, pp. 4425–4430, 2019.
[9] D. Lestari, “Analisa dan Perancangan Aplikasi Sistem Pelayanan Klinik Gigi (Studi Kasus: Dental Echo Clinic),” JSAI (Journal Scientific and Applied Informatics), vol. 2, no. 1, pp. 127–134, 2019.
[10] J. Candra and M. Rajab, “Pengembangan Sistem Informasi Penjadwalan dan Manajemen Keuangan Kegiatan Seminar dan Sidang Skripsi / Tugas Akhir ( Studi Kasus Program Studi Sistem Informasi UNIKOM ),” Jurnal Teknik Informatika dan SIstem Informasi, vol. 3, no. 1, pp. 150–168, 2017.
[11] S. Mulyati, B. A. Sujatmoko, T. I. M. Wira, and R. Afif, “Normalisasi Database dan Migrasi Database untuk Memudahkan Manajemen Data,” SEBATIK, vol. 22, no. 2, pp. 124–129, 2018.
[12] M. D. R. Wahyudi and A. A. Qalban, “Implementasi Heterogenous Distributed Database System untuk Meningkatkan Kapasitas Oracle Xe 10G ( Express Edition ) Studi Kasus Sistem Informasi Akademik,” Journal Kaunia, vol. 9, no. 2, pp. 60–72, 2013.
[13] M. Jumarlis, “Aplikasi Pembelajaran Smart Hijaiyyah Berbasis Augmented Reality,” ILKOM Jurnal Ilmiah, vol. 10, no. 1, pp. 52–58, 2018.
[14] D. Pelawi, “Pembuatan Sistem Informasi dengan Analisis dan Perancangan Berorientasi Objek,” Journal Comtech: Computer, Matematics and Enggineering, vol. 4, no. 19, pp. 213–224, 2013.
[15] A. J. T, D. Yanosma, and K. Anggriani, “Implementasi Metode K-Nearest Neighbor (Knn) dan Simple Additive Weighting (Saw) dalam Pengambilan Keputusan Seleksi Penerimaan Anggota Paskibraka,” Jurnal Pseudocode, vol. 3, no. 2, pp. 98–112, 2016.
[16] M. F. Rahman, D. Alamsah, M. I. Darmawidjadja, and I. Nurma, “Klasifikasi untuk Diagnosa Diabetes Menggunakan Metode Bayesian Regularization Neural Network (RBNN),” Jurnal Informatika, vol. 11, no. 1, p. 36, 2017.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
.png)
