Data Mining untuk Meningkatkan Efisiensi dan Prediksi Produk Garmen Menggunakan Algoritma K-Nearest Neighbor di PT Mas Silueta
DOI:
https://doi.org/10.53863/kst.v6i01.1085Kata Kunci:
Optimization, Garment, K-Nearest NeighborAbstrak
Pakaian merupakan kebutuhan pokok manusia, terutama bagi wanita. PT MAS SILUETA berlokasi di Jln. Tugu Wijaya III, Randu Garut, Kec. Tugu, Kota Semarang dan memproduksi pakaian dan pakaian dalam wanita seperti Bra Cup, celana suport, dan baju, dengan banyaknya variasi pakaian ini, maka bisa di prediksi mana yang bayak diminat atau tidak agar proses produksi lebih produktif. dari banyaknya produk yang terjual maka akan di kelompokkan menjadi dua yaitu achieve atau produk yang diminati dan tidak achieve atau kurang di minati. Maka untuk mengetahui produksi garmen yang achive dibutuhkan proses perhitungan data untuk menyelesaikan masalah yang ditemukan dengan data mining. K-Nearest Neighbor (KNN) merupakan proses dalam data mining untuk prediksi agar data yang didapat akurat dan efisien. Dan dengan metode K-Nearest Neighbor dapat melakukan proses pengelompokan data lalu melakukan analisa terhadap kelompok data tersebut dan menghasilkan predikasi yang dapat di gunakan untuk menganalisa pada produk berdasarkan data dari penjualan pakaian dalam yang sangat banyak (big data) sehingga dapat sebuah informasi baru yang bermanfaat. Penelitian ini membahas tentang produksi garmen menggunakan 84 data uji. Dan menghasilkan akurasi sebanyak 87,50%.
Referensi
Alfani W.P.R., A., Rozi, F., & Sukmana, F. (2021). Prediksi Penjualan Produk Unilever Menggunakan Metode K-Nearest Neighbor. JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika), 6(1), 155–160. https://doi.org/10.29100/jipi.v6i1.1910
Farkhina Dwi Utari, Amril Mutoi Siregar, D. W. (2020). Implementasi Algoritme K-Nearest Neighboar ( KNN ) untuk Prediksi Hasil Produksi. Scientific Student Journal for Information, Technology and Science, 1(1), 21–25.
Kafil, M. (2019). Penerapan Metode K-Nearest Neighbors. Jurnal Mahasiswa Teknik Informatika (JATI), 3(2), 59–66.
Pohan, D. A., Dar, M. H., & Irmayanti. (2022). Penerapan Data Mining untuk Prediksi Penjualan Produk Sepatu Terlaris Menggunakan Metode Regresi Linier Sederhana. Jurnal Nasional Informatika Dan Teknologi Jaringan, 2, 2–6. https://doi.org/10.30743/infotekjar.v6i2.4795
Putri, A. A. (2021). Penerapan Data Mining Untuk Memprediksi Penjualan Buah Dan Sayur Menggunakan Metode K-Nearest Neighbor ( Studi Kasus?: PT . Central Brastagi Utama ). 1(6), 354–361.
Samosir, H., Amin, M., & Harahap, I. R. (2021). Penerapan Data Mining untuk Klasifikasi Produk Merk Bata Menggunakan Algoritma K-Means. JUTSI (Jurnal Teknologi Dan Sistem Informasi), 1(2), 161–166. https://doi.org/10.33330/jutsi.v2i1.1163
Siregar, J. A. S., & Handoko, K. (2021). Jurnal Comasie Jurnal Comasie. Jurnal Comasie, 6(2), 40–51. http://ejournal.upbatam.ac.id/index.php/comasiejournal%0AJurnal Comasie ISSN (Online) 2715-6265%0APERANCANGAN
Sukmana, R. N., Abdurrahman, & Wicaksono, Y. (2020). Implementasi K-Nearest Neighbor Untuk Menentukan Prediksi Penjualan (Studi Kasus?: PT Maksiplus Utama Indonesia). Jurnal Teknologi Informasi Dan Komunikasi Vol. 8 No. 2, Desember 2020, 8(2), 31–38.
Yolanda, I., & Fahmi, H. (2021). Penerapan Data Mining Untuk Prediksi Penjualan Produk Roti Terlaris Pada PT . Nippon Indosari Corpindo Tbk Menggunakan Metode K-Nearest Neighbor. 3(3), 9–15.
Yusuf, W., Witri, R., & Juliane, C. (2022). Model Prediksi Penjualan Jenis Produk Tekstil Menggunakan Algoritma K-Nearest Neighbor (KNN). IJCIT (Indonesian Journal on Computer and Information Technology), 7(1), 1–6. https://doi.org/10.31294/ijcit.v7i1.11973
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Taufik Hidayat

Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution-ShareAlike 4.0 International License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal