Implementasi Algoritma K-Nearest Neighbor Dengan Model Manhattan Distance Untuk Memprediksi Penjualan Textile

Sari Ramadhani Siregar

doi:10.30865/jurikom.v11i2.8446

Authors

Sari Ramadhani Siregar Universitas Budi Darma, Medan

DOI:

https://doi.org/10.30865/jurikom.v11i2.8446

Keywords:

Prediksi Penjualan, Data Mining, Classification, K-Nearest Neighbor, Manhattan Distance

Abstract

Memprediksi penjualan di masa depan memiliki peran yang sangat penting dalam membantu perusahaan menentukan jumlah permintaan serta potensi pasar yang dapat dijangkau. Proses ini memungkinkan perusahaan untuk mengantisipasi perubahan tren pasar dan merencanakan strategi bisnis yang lebih efektif. Dengan prediksi yang akurat, perusahaan dapat mengelola stok barang dengan lebih baik guna menghindari kekurangan atau kelebihan persediaan, yang dapat berdampak pada efisiensi operasional dan kepuasan pelanggan. Centra Moda Textile Medan adalah perusahaan yang bergerak di bidang perdagangan tekstil dan telah menerapkan sistem penjualan online untuk meningkatkan efektivitas bisnisnya. Namun, tingginya permintaan sering kali menyebabkan kehabisan stok barang tertentu, sehingga pelanggan harus menunggu lama untuk mendapatkan produk yang mereka butuhkan. Kondisi ini dapat berdampak negatif terhadap loyalitas pelanggan serta keuntungan perusahaan. Oleh karena itu, diperlukan sistem prediksi yang mampu mengidentifikasi pola penjualan dengan tingkat akurasi yang tinggi. Dalam penelitian ini, algoritma K-Nearest Neighbor (K-NN) dengan model Manhattan Distance digunakan untuk mengklasifikasikan data penjualan serta menentukan produk yang paling diminati pelanggan. Hasil penelitian menunjukkan bahwa metode ini memiliki tingkat keberhasilan sebesar 70% dengan toleransi error 10% serta rata-rata akurasi prediksi mencapai 85,91%. Dengan penerapan sistem prediksi ini, diharapkan perusahaan dapat lebih efektif dalam merencanakan ketersediaan stok barang, meningkatkan efisiensi operasional, dan memenuhi permintaan pasar secara lebih optimal, sehingga dapat mendukung pertumbuhan bisnis perusahaan di masa mendatang.

References

K. Latifah, “Kombinasi Algorithma K-NN dan Manhattan Distance untuk Menentukan Pemenang Lelang,” J. Inform. Upgris, vol. 1, no. 1 Juni, 2015.

R. Hutami and E. Z. Astuti, “Implementasi Metode K-Nearest Neighbor Untuk Prediksi Penjualan Furniture Pada CV. Octo Agung Jepara,” Univ. Dian Nuswantoro Semarang, vol. 3, no. 2, pp. 40–51, 2016.

A. Setiawan, “Perbandingan Penggunaan Jarak Manhattan, Jarak Euclid, dan Jarak Minkowski dalam Klasifikasi Menggunakan Metode KNN pada Data Iris,” J. Sains dan Edukasi Sains, vol. 5, no. 1, pp. 28–37, 2022.

X. Gao and G. Li, “A KNN model based on manhattan distance to identify the SNARE proteins,” Ieee Access, vol. 8, pp. 112922–112931, 2020.

D. T. Dehkordy and A. Rasoolzadegan, “DroidTKM: Detection of trojan families using the KNN classifier based on manhattan distance metric,” in 2020 10th International Conference on Computer and Knowledge Engineering (ICCKE), 2020, pp. 136–141.

A. M. Almaisah, “Analisis sentimen masyarakat terhadap acara Televisi Indonesia pada media sosial twitter menggunakan pendekatan algoritma k-nearest neighbor (k-nn) dan lexicon based.” Fakultas Sains dan Teknologi UIN Syarif Hidayatullah Jakarta, 2022.

M. A. Senubekti and L. A. P. Dewi, “Prinsip Klasifikasi Dan Data Mining Dengan Algoritma C4. 5,” NUANSA Inform., vol. 16, no. 2, pp. 87–93, 2022.

A. Swasono, “Analisis Faktor-Faktor Penentu Penerimaan Data Kredit Pada Nasabah Koperasi KSPPS BMT Lampung Tengah Menggunakan Gradient Descent,” J. Ilmu Data, vol. 2, no. 10, 2022.

M. Y. Matdoan, “Penerapan Metode K-Nearest Neighbor untuk Mengklasifikasi Penyebaran Kasus Demam Berdarah Dengue (DBD) di Kabupaten Maluku Tenggara,” Sq. J. Math. Math. Educ., vol. 4, no. 2, pp. 75–82, 2022.

S. Sukisno, “PEMANFAATAN VECTOR SPACE MODEL,” 2021.

N. Nosiel, S. Sriyanto, and F. Maylani, “Perbandingan Teknik Data Mining Untuk Prediksi Penjualan Pada UMKM Gerabah,” in Prosiding Seminar Nasional Darmajaya, 2021, vol. 1, pp. 72–86.

D. Handoko, H. S. Tambunan, and J. T. Hardinata, “Analisis Penjualan Produk Paket Kuota Internet Dengan Metode K-Nearest Neighbor,” Jurasik (Jurnal Ris. Sist. Inf. dan Tek. Inform., vol. 6, no. 1, pp. 111–119, 2021.

L. Suryadi, N. E. Pratiwi, F. Ardhy, and P. Riswanto, “Penerapan Data Mining Prediksi Penjualan Mebel Terlaris Menggunakan Metode K-Nearest Neighbor (K-Nn)(Studi Kasus: Toko Zerita Meubel),” JUSIM (Jurnal Sist. Inf. Musirawas), vol. 7, no. 2, pp. 174–184, 2022.

M. S. Pangestu and M. A. Fitriani, “Perbandingan Perhitungan Jarak Euclidean Distance, Manhattan Distance, dan Cosine Similarity dalam Pengelompokan Data Bibit Padi Menggunakan Algoritma K-Means,” Sainteks, vol. 19, no. 2, pp. 141–155, 2022.

K. F. Margolang, M. M. Siregar, S. Riyadi, and Z. Situmorang, “Analisa Distance Metric Algoritma K-Nearest Neighbor Pada Klasifikasi Kredit Macet,” J. Inf. Syst. Res., vol. 3, no. 2, pp. 118–124, 2022.

A. Saleh, A. F. K. Sibero, and I. H. G. Manurung, “Pengenalan Tanaman Herbal Menggunakan Algoritma Learning Vector Quantization Dan Manhattan Distance,” J. Teknol. Kesehat. DAN ILMU Sos., vol. 3, no. 2, pp. 271–276, 2021.

A. A. WPR, F. Rozi, and F. Sukmana, “Prediksi penjualan produk unilever menggunakan metode k-nearest neighbor,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 6, no. 1, pp. 155–160, 2021.

S. P. Dewi, N. Nurwati, and E. Rahayu, “Penerapan Data Mining Untuk Prediksi Penjualan Produk Terlaris Menggunakan Metode K-Nearest Neighbor,” Build. Informatics, Technol. Sci., vol. 3, no. 4, pp. 639–648, 2022.

A. Yame Arisma, “Analisis Respon dan Perilaku Masyarakat Indonesia terhadap Sustainable Fashion.” Universitas Islam Indonesia, 2021.