Metode K-Nearest Neighbors Untuk Prediksi Penjualan Suku Cadang (Sparepart) Motor Honda

Abstract

Persediaan barang dalam penjualan menjadi penentu dalam mendapatkan keuntungan secara maksimal pada suatu perusahaan. Namun keuntungan perusahaan dapat termakan oleh pembelian produk yang tidak profit sehingga keuntungan menjadi tidak maksimal. Dengan memprediksikan suatu produk tersebut apakah laris atau tidak laris akan meminimalkan kesalahan dalam pembelian produk untuk stok. Dengan metode K-Nearest Neighbors merupakan suatu metode yang menggunakan algoritma supervised dimana hasil dari query instance yang baru diprediksikan berdasarkan mayoritas dari label class pada K-Nearest Neighbors. Algoritma K-Nearest Neighbors merupakan sebuah metode untuk melakukan prediksi terhadap obyek baru berdasarkan k tetangga terdekatnya. Sehingga dengan aplikasi data mining metode K-Nearest Neighbors memudahkan perusahaan dalam melakukan prediksi penjualan suatu produk apakah termasuk kategori laris atau tidak laris dan dapat memaksimalkan nilai omzet penjualan sparepart. Selain itu banyaknya data penjualan yang diinputkan akan mempengaruhi ketepatan dalam menentukan hasil prediksi. Sehingga diperlukanya data penjualan yang lebih banyak untuk meningkatkan keakuratan penentuan prediksi laris dan tidak laris pada penjualan suku cadang (sparepart) motor. Dilihat dari banyaknya permintaan konsumen yang tidak menentu ternyata terdapat beberapa produk terlaris dan tidak terlaris, sehingga berdasarkan data 8 bulan terakhir maka dibutuhkan sebuah prediksi penjualan produk terlaris, agar mempermudah pihak usaha penjualan sparepart motor dalam perencanaan penyedia stok. Berdasarkan hasil pengujian nilai K dari 1, 3, 5, dan 7 menghasilkan nilai k=3 sebagai nilai tengah k yang mempunyai akurasi tertinggi selama proses pengujian. Hal ini dibuktikan dari nilai error yang kecil sebesar 0,465 % dan nilai error tertinggi adalah sebesar 1,414 %. Rata-rata nilai K yang menghasilkan error terkecil adalah nilai k=3. Hasil pengujian lainya juga menunjukkan bahwa Tingkat akurasi proses prediksi menggunakan metode K-Nearest Neighbors dipengaruhi oleh jumlah data latih yang menjadi masukan sistem.