Penerapan Algoritma K-Medoids Clusetering Untuk Rekomendasi Menu dan Strategi Stok Bahan Baku
DOI:
https://doi.org/10.35316/jimi.v9i1.30-38Keywords:
Clusterization,, Coffe Shop, K-Medoids, Sales DataAbstract
Kedai kopi yang merupakan sebuah tempat yang menyediakan minuman kopi maupun minuman panas lainnya. Banyak pelanggan terutama anak muda yang berkunjung ke kedai kopi untuk menikmati makanan dan minuman sambil bersantai. Seiring pertumbuhan kedai kopi yang semakin meningkat dikarenakan tempat yang modern serta harga makanan dan minumannya yang terjangkau. Dalam berkompetisi service kedai kopi kepada pelanggan, banyak kedai kopi yang mengembangkan varian/ jenis minimum dan makanan yang dijual di kedai kopi. Banyaknya varian makanan dan minuman membuat pelanggan memerlukan waktu yang agak lama dalam memilih menu, dan juga membuat kesulitan bagian pembelian pada saat menyediakan stok bahan baku. Sehingga pada penelitian ini bertujuan untuk mengelompokkan menu yang ada di kedai kopi menjadi 2 cluster, yaitu cluster menu yang laku dan cluster menu cukup laku. Dalam penelitian ini dilakukan proses klasterisasi terhadap data penjualan menu kedai kopi dengan mengimplementasikan algoritma k-medoids. Dan dapat mengetahui setiap anggota dari cluster 1 dan setiap anggota dari cluster 2. Dari pengujian yang telah dilakukan, dapat membantu para pelanggan dan pengusaha kedai kopi untuk mendukung strategi pembelian. Dengan melihat menu cluster 1, dapat dijadikan sebagai informasi rekomendasi menu sehingga konsumen lebih mudah dalam memilih menu minuman dan makanan di kesai kopi. Selain itu juga dapat dijadikan sebagai dasar untuk melakukan pembelian bahan baku makanan dan minuman.
Downloads
References
[1] W. Widyawati, W. L. Y. Saptomo, and Y. R. W. Utami, “Penerapan Agglomerative Hierarchical Clustering Untuk Segmentasi Pelanggan,” J. Ilm. SINUS, vol. 18, no. 1, p. 75, 2020, doi: 10.30646/sinus.v18i1.448.
[2] W. M. Baihaqi, K. Indartono, and S. Banat, “Penerapan Teknik Clustering Sebagai Strategi Pemasaran pada Penjualan Buku Di Tokopedia dan Shopee,” Paradig. - J. Komput. dan Inform., vol. 21, no. 2, pp. 243–248, 2019, doi: 10.31294/p.v21i2.6149.
[3] S. Sindi, W. R. O. Ningse, I. A. Sihombing, F. I. R.H.Zer, and D. Hartama, “Analisis Algoritma K-Medoids Clustering Dalam Pengelompokan Penyebaran Covid-19 Di Indonesia,” J. Teknol. Inf., vol. 4, no. 1, pp. 166–173, 2020, doi: 10.36294/jurti.v4i1.1296.
[4] B. Wira, A. E. Budianto, and A. S. Wiguna, “Implementasi Metode K-Medoids Clustering Untuk Mengetahui Pola Pemilihan Program Studi Mahasiwa Baru Tahun 2018 Di Universitas Kanjuruhan Malang,” RAINSTEK J. Terap. Sains Teknol., vol. 1, no. 3, pp. 53–68, 2019, doi: 10.21067/jtst.v1i3.3046.
[5] A. A. D. Sulistyawati and M. Sadikin, “Penerapan Algoritma K-Medoids Untuk Menentukan Segmentasi Pelanggan,” Sistemasi, vol. 10, no. 3, p. 516, 2021, doi: 10.32520/stmsi.v10i3.1332.
[6] D. Marlina, N. Lina, A. Fernando, and A. Ramadhan, “Implementasi Algoritma K-Medoids dan K-Means untuk Pengelompokkan Wilayah Sebaran Cacat pada Anak,” J. CoreIT J. Has. Penelit. Ilmu Komput. dan Teknol. Inf., vol. 4, no. 2, p. 64, 2018, doi: 10.24014/coreit.v4i2.4498.
[7] N. Pulungan, S. Suhada, and D. Suhendro, “Penerapan Algoritma K-Medoids Untuk Mengelompokkan Penduduk 15 Tahun Keatas Menurut Lapangan Pekerjaan Utama,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 3, no. 1, 2019, doi: 10.30865/komik.v3i1.1609.
[8] R. K. Hapsari, E. Purwanti, W. Widyanto, R. Gunawan, F. Nurlaily, and A. H. Salim, “Optimization Based Random Forest Algorithm Modification for Detecting Monkeypox Disease,” in 2023 Sixth International Conference on Vocational Education and Electrical Engineering (ICVEE), IEEE, 2023, pp. 340–346. doi: 10.1109/icvee59738.2023.10348223.
[9] I. Khan, A. Capozzoli, S. P. Corgnati, and T. Cerquitelli, “Fault detection analysis of building energy consumption using data mining techniques,” Energy Procedia, vol. 42, no. April 2014, pp. 557–566, 2013, doi: 10.1016/j.egypro.2013.11.057.
[10] C. Fan, M. Chen, X. Wang, J. Wang, and B. Huang, “A Review on Data Preprocessing Techniques Toward Efficient and Reliable Knowledge Discovery From Building Operational Data,” Front. Energy Res., vol. 9, no. March, pp. 1–17, 2021, doi: 10.3389/fenrg.2021.652801.
[11] R. K. Hapsari, A. H. Salim, B. D. Meilani, T. Indriyani, and A. Rachman, “Comparison of the Normalization Method of Data in Classifying Brain Tumors with the k-NN Algorithm,” in The 2nd International Conference on Neural Networks and Machine Learning, Atlantis Press International BV, 2023, pp. 21–29. doi: 10.2991/978-94-6463-174-6_3.
[12] D. D. C. Nugraha, Z. Naimah, M. Fahmi, and N. Setiani, “Klasterisasi Judul Buku dengan Menggunakan Metode K-Means,” Semin. Nas. Apl. Teknol. Inf. Yogyakarta, vol. 21, no. 1, pp. 1907–5022, 2014.
[13] B. Riyanto, “Penerapan Algoritma K-Medoids Clustering Untuk Pengelompokkan Penyebaran Diare Di Kota Medan (Studi Kasus: Kantor Dinas Kesehatan Kota Medan),” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 3, no. 1, pp. 562–568, 2019, doi: 10.30865/komik.v3i1.1659.
[14] S. Akter, F. Reza, and M. Ahmed, “Convergence of Blockchain, k-medoids and homomorphic encryption for privacy preserving biomedical data classification,” Internet Things Cyber-Physical Syst., vol. 2, no. March, pp. 99–110, 2022, doi: 10.1016/j.iotcps.2022.05.006.
Downloads
Published
Versions
- 14-06-2024 (4)
- 14-05-2025 (3)
- 14-06-2024 (2)
- 14-06-2024 (1)
How to Cite
Issue
Section
License
Copyright (c) 2024 Jurnal Ilmiah Informatika
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
