77 menampilkan format pdf untuk dicetak, dapat dilihat pada Gambar 4.35. 5) Pengolahan Data Hasil Langkah pengolahan Data Hasil adalah sebagai berikut : a) Pilih menu Data Hasil, maka akan tampil halaman data hasil seperti Gambar 4.36. b) Jika admin scroll kursor kebawah, sistem akan menampilkan Data Nilai Kriteria produk, dan terdapat Gambar 4.35 Halaman Cetak Produk Gambar 4.36 Halaman Pengolahan Data Hasil
78 pilihan untuk menampilkan proses perhitungan Algoritma K-Means Clustering seperti Gambar 4.37. c) Jika memilih tombol Tampil proses, maka sistem akan menampilkan halaman yang memuat perhitungan dan hasil dari clustering seperti Gambar 4.38. Gambar 4.37 Halaman Lanjutan Pengolahan Data Hasil Gambar 4. 38 Halaman Tampil Proses Perhitungan
79 d) Untuk mencetak data hasil clustering, admin harus memilih bulan penjualan dan tahun penjualan, kemudian admin pilih tombol Cari, lalu sistem akan menampilkan produk dibulan dan tahun yang dicari oleh admin. Admin lalu pilih tombol Cetak, lalu sistem akan menampilkan format pdf untuk dicetak, dapat dilihat pada Gambar 4.39. 4.6 Pengujian Pada sistem ini dilakukan pengujian dengan menggunakan metode black box. Black box testing merupakan pengujian perangkat lunak yang merupakan tes fungsionalitas dari aplikasi yang tidak mengacu pada struktur internal atau tidak membutuhkan pengetahuan khusus pada kode program aplikasi dan pengetahuan pengguna. Pengujian ini juga mempersamakan apakah metode K-Means Clustering pada sistem hasilnya akan sama dengan perhitungan manual. Gambar 4.39 Halaman Cetak Data Clustering
80 4.6.1 Pengujian Algoritma K-Means Clustering Pada algoritma K-means tahapan yang pertama dilakukan ialah menentukan jumlah cluster yang akan digunakan. Pada sistem pemasaran PT. Lestari Cahaya Anugerah ini akan menggunakan 3 cluster yaitu : 1. Cluster pertama (C1) = Produk Jarang Diminati 2. Cluster kedua (C2) = Produk Kurang Diminati 3. Cluster ketiga (C3) = Produk Tidak Diminati 4. Kriteria satu (CR1) = Kemasan Produk 5. Kriteria dua (CR2) = Jumlah Terjual 6. Kriteria tiga (CR3) = Promosi 7. Kriteria empat (CR4) = Hadiah 8. Kriteria lima (CR5) = Popularitas Produk Tabel 4.12 Centeroid Awal CENTEROID CR1 CR2 CR3 CR4 CR5 Cluster 1 (Produk Diminati) 3 220 3 2 3 Cluster 2 (Produk Jarang Diminati) 2 210 2 2 2 Cluster 3 (Produk Tidak Diminati) 1 200 1 1 1 Kemudian akan dihitung jarak dari setiap data ke setiap pusat cluster yang ada dengan rumus Euclidean distance. Sehingga ditemukan jarak terdekat dari setiap data terhadap centeroid.
81 Sebagai contoh dari perhitungan manual menggunakan Algoritma K-Means Clustering, maka diambilah contoh penjualan produk Ciki Gopek pada tahun 2022, yang akan dihitung menggunakan Algoritma K-Means Clustering. Tabel 4.13 Data Penjualan Ciki Gopek 2022 Nama Produk Bulan CR1 CR2 CR3 CR4 CR5 Ciki Gopek Januari 3 245 1 1 1 Ciki Gopek Februari 2 276 3 1 2 Ciki Gopek Maret 3 245 2 2 2 Ciki Gopek April 1 211 2 2 3 Ciki Gopek Mei 2 235 3 1 1 Ciki Gopek Juni 2 239 2 2 3 Ciki Gopek Juli 1 222 1 1 2 Ciki Gopek Agustus 1 245 1 2 1 Ciki Gopek September 3 242 2 1 3 Ciki Gopek Oktober 3 251 3 1 2 Ciki Gopek November 2 239 1 2 1 Ciki Gopek Desember 3 261 2 2 1 Perhitungan jarak data dengan centeroid menggunakan rumus Euclidean Distance : d(ai,bj)= √(i, bj) 2 ai = data kriteria bj = centeroid pada cluster ke-j
82 Jarak data Ciki Gopek Januari 2022 dengan centeroid 1, 2, 3: d(i, bj) = √(3 − 3) 2 + (245 − 220) 2 + (1 − 3) 2 + (1 − 2) 2 + (1 − 3) 2 = 25,119 d(i, bj) = √(3 − 2) 2 + (245 − 210) 2 + (1 − 2) 2 + (1 − 2) 2 + (1 − 2) 2 = 35,057 d(i, bj) = √(3 − 1) 2 + (245 − 200) 2 + (1 − 1) 2 + (1 − 1) 2 + (1 − 1) 2 = 45,044 Jarak data Ciki Gopek Februari 2022 dengan centeroid 1, 2, 3: d(i, bj) = √(2 − 3) 2 + (276 − 220) 2 + (3 − 3) 2 + (1 − 2) 2 + (2 − 3) 2 = 56,026 d(i, bj) = √(2 − 2) 2 + (276 − 210) 2 + (3 − 2) 2 + (1 − 2) 2 + (2 − 2) 2 = 66,015 d(i, bj) = √(2 − 1) 2 + (276 − 200) 2 + (3 − 1) 2 + (1 − 1) 2 + (2 − 1) 2 = 76,039 Jarak data Ciki Gopek Maret 2022 dengan centeroid 1, 2, 3: d(i, bj) = √(3 − 3) 2 + (245 − 220) 2 + (2 − 3) 2 + (2 − 2) 2 + (2 − 3) 2 = 25,039 d(i, bj) = √(3 − 2) 2 + (245 − 210) 2 + (2 − 2) 2 + (2 − 2) 2 + (2 − 2) 2 = 35,014 d(i, bj) = √(3 − 1) 2 + (245 − 200) 2 + (2 − 1) 2 + (2 − 1) 2 + (2 − 1) 2 = 45,077 Jarak data Ciki Gopek April 2022 dengan centeroid 1, 2, 3: d(i, bj) = √(1 − 3) 2 + (211 − 220) 2 + (2 − 3) 2 + (2 − 2) 2 + (3 − 3) 2 = 9,237 d(i, bj) = √(1 − 2) 2 + (211 − 210) 2 + (2 − 2) 2 + (2 − 2) 2 + (3 − 2) 2 = 1,732 d(i, bj) = √(1 − 1) 2 + (211 − 200) 2 + (2 − 1) 2 + (2 − 1) 2 + (3 − 1) 2 = 11,269
83 Jarak data Ciki Gopek Mei 2022 dengan centeroid 1, 2, 3: d(i, bj) = √(2 − 3) 2 + (235 − 220) 2 + (3 − 3) 2 + (1 − 2) 2 + (1 − 3) 2 = 15,198 d(i, bj) = √(2 − 2) 2 + (235 − 210) 2 + (3 − 2) 2 + (1 − 2) 2 + (1 − 2) 2 = 25,059 d(i, bj) = √(2 − 1) 2 + (235 − 200) 2 + (3 − 1) 2 + (1 − 1) 2 + (1 − 1) 2 = 35,071 Jarak data Ciki Gopek Juni 2022 dengan centeroid 1, 2, 3: d(i, bj) = √(2 − 3) 2 + (239 − 220) 2 + (2 − 3) 2 + (2 − 2) 2 + (3 − 3) 2 = 19,052 d(i, bj) = √(2 − 2) 2 + (239 − 210) 2 + (2 − 2) 2 + (2 − 2) 2 + (3 − 2) 2 = 29,017 d(i, bj) = √(2 − 1) 2 + (239 − 200) 2 + (2 − 1) 2 + (2 − 1) 2 + (3 − 1) 2 = 39,089 Jarak data Ciki Gopek Juli 2022 dengan centeroid 1, 2, 3: d(i, bj) = √(1 − 3) 2 + (222 − 220) 2 + (1 − 3) 2 + (1 − 2) 2 + (2 − 3) 2 = 15,329 d(i, bj) = √(1 − 2) 2 + (222 − 210) 2 + (1 − 2) 2 + (1 − 2) 2 + (2 − 2) 2 = 25,059 d(i, bj) = √(1 − 1) 2 + (222 − 200) 2 + (1 − 1) 2 + (1 − 1) 2 + (2 − 1) 2 = 35,014 Jarak data Ciki Gopek Agustus 2022 dengan centeroid 1, 2, 3: d(i, bj) = √(1 − 3) 2 + (245 − 220) 2 + (1 − 3) 2 + (2 − 2) 2 + (1 − 3) 2 = 25,238 d(i, bj) = √(1 − 2) 2 + (245 − 210) 2 + (1 − 2) 2 + (2 − 2) 2 + (1 − 2) 2 = 35,042 d(i, bj) = √(1 − 1) 2 + (245 − 200) 2 + (1 − 1) 2 + (2 − 1) 2 + (1 − 1) 2 = 45,011
84 Jarak data Ciki Gopek September 2022 dengan centeroid 1, 2, 3: d(i, bj) = √(3 − 3) 2 + (242 − 220) 2 + (2 − 3) 2 + (1 − 2) 2 + (3 − 3) 2 = 92,027 d(i, bj) = √(3 − 2) 2 + (242 − 210) 2 + (2 − 2) 2 + (1 − 2) 2 + (3 − 2) 2 = 58,025 d(i, bj) = √(3 − 1) 2 + (242 − 200) 2 + (2 − 1) 2 + (1 − 1) 2 + (3 − 1) 2 = 108,041 Jarak data Ciki Gopek Oktober 2022 dengan centeroid 1, 2, 3: d(i, bj) = √(3 − 3) 2 + (251 − 220) 2 + (3 − 3) 2 + (1 − 2) 2 + (2 − 3) 2 = 101,024 d(i, bj) = √(3 − 2) 2 + (251 − 210) 2 + (3 − 2) 2 + (1 − 2) 2 + (2 − 2) 2 = 49,030 d(i, bj) = √(3 − 1) 2 + (251 − 200) 2 + (3 − 1) 2 + (1 − 1) 2 + (2 − 1) 2 = 99,045 Jarak data Ciki Gopek November 2022 dengan centeroid 1, 2, 3: d(i, bj) = √(2 − 3) 2 + (239 − 220) 2 + (1 − 3) 2 + (2 − 2) 2 + (1 − 3) 2 = 89,056 d(i, bj) = √(2 − 2) 2 + (239 − 210) 2 + (1 − 2) 2 + (2 − 2) 2 + (1 − 2) 2 = 61,016 d(i, bj) = √(2 − 1) 2 + (239 − 200) 2 + (1 − 1) 2 + (2 − 1) 2 + (1 − 1) 2 = 111,009 Jarak data Ciki Gopek Desember 2022 dengan centeroid 1, 2, 3: d(i, bj) = √(3 − 3) 2 + (261 − 220) 2 + (2 − 3) 2 + (2 − 2) 2 + (1 − 3) 2 = 111,027 d(i, bj) = √(3 − 2) 2 + (261 − 210) 2 + (2 − 2) 2 + (2 − 2) 2 + (1 − 2) 2 = 39,025 d(i, bj) = √(3 − 1) 2 + (261 − 200) 2 + (2 − 1) 2 + (2 − 1) 2 + (1 − 1) 2 = 89,033
85 Hasil perhitungan jarak antara data penjualan Ciki Gopek tahun 2022 pada perhitungan ke-1 dapat dilihat pada Tabel 4.14 : Tabel 4.14 Hasil Perhitungan Jarak Data Dengan Centroid Awal Iterasi 1 Nama Produk Bulan C1 C2 C3 Cluster Ciki Gopek Januari 25,179 35,057 45,044 Cluster 1 Ciki Gopek Februari 56,026 66,015 76,039 Cluster 1 Ciki Gopek Maret 25,039 35,014 45,077 Cluster 1 Ciki Gopek April 9,273 1,732 11,269 Cluster 2 Ciki Gopek Mei 15,198 25,059 35,071 Cluster 1 Ciki Gopek Juni 19,052 29,017 39,089 Cluster 1 Ciki Gopek Juli 15,329 25,059 35,014 Cluster 1 Ciki Gopek Agustus 25,238 35,042 45,011 Cluster 1 Ciki Gopek September 22,045 32,046 42,107 Cluster 1 Ciki Gopek Oktober 31,032 41,036 51,088 Cluster 1 Ciki Gopek November 19,235 29,034 39,025 Cluster 1 Ciki Gopek Desember 41,060 51,019 61,049 Cluster 1 Setelah dilakukan perhitungan Iterasi ke-1 maka dilakukanlah perhitungan Iterasi ke-2 dengan menggunakan perhitungan centeroid baru Iterasi 2. Centeroid baru dapat dilihat pada Tabel 4.15 dan centeroid baru didapatkan dengan menggunakan rumus : bj(t + 1) = 1 ∑ ∈ ........................................ Dimana : bj(t + 1) : centroid baru pada iterasi ke (t+1) : banyak data pada cluster Sj.
86 Tabel 4. 15 Hasil Perhitungan Centeroid Baru Iterasi 2 CLUSTER 1 CLUSTER 2 Bulan ke- CR1 CR2 CR3 CR4 CR5 CR1 CR2 CR3 CR4 CR5 1 3 219 1 1 1 2 2 276 3 1 2 3 3 245 2 2 2 4 1 211 2 2 3 5 2 235 3 1 1 6 2 239 2 2 3 7 1 222 1 1 2 8 1 219 1 2 1 9 3 242 2 1 3 10 3 251 3 1 2 11 2 239 1 2 1 12 3 261 2 2 1 Jumlah 25 2713 21 16 19 1 211 2 2 3 Rata-rata 2,272 246,636 1,909 1,454 1,727 1 211 2 2 3 Dari data tersebut didapatkan pusat centroid baru yang menepati cluster C1, C2, C3, karena tidak ada produk yang menempati pada Centeroid 3, maka Centeroid 3 adalah 0. Data yang menempati masingmasing cluster akan dijumlahkan kemudian akan dihitung nilai rata-ratanya. Nilai inilah yang akan menjadi pusat cluster yang baru. Berikut ini adalah tabel pusat centroid baru yang dapat dilihat pada Tabel 4.16 : Tabel 4.16 Centeroid Baru Iterasi 2 CENTEROID CR1 CR2 CR3 CR4 CR5 Cluster 1 (Produk Diminati) 2,272 246,636 1,909 1,454 1,727 Cluster 2 (Produk Jarang Diminati) 1 211 2 2 3 Cluster 3 (Produk Tidak Diminati) 0 0 0 0 0
87 Berikut ini adalah perhitungan jarak data dengan centeroid baru pada Iterasi ke-2 : Jarak data Ciki Gopek Januari 2022 dengan centeroid baru 1, 2, 3: d(i, bj) = √(3 − 2,272) 2 + (245 − 246,636) 2 + (1 − 1,909) 2 + (1 − 1,454) 2 + (1 − 1,727) 2 = 2,183 d(i, bj) = √(3− 1) 2 +(245 − 211) 2 + (1 −2) 2 + (1 − 2) 2 + (1 − 3) 2 = 34,146 d(i, bj) = √(3− 0) 2 +(245 − 0) 2 + (1− 0) 2 + (1− 0) 2 +(1 − 0) 2 = 245,024 Jarak data Ciki Gopek Februari 2022 dengan centeroid baru 1, 2, 3: d(i, bj) = √(2 − 2,272) 2 + (276 − 217,75) 2 + (3 − 1,25) 2 + (1 − 1,5) 2 + (2 − 1,75) 2 = 29,389 d(i, bj) = √(2− 1) 2 +(276 − 248,5) 2 +(3 − 2,25) 2 + (1− 1,5) 2 + (2 − 1,875) 2 = 65,030 d(i, bj) = √(2− 0) 2 +(276 − 0) 2 + (3− 0) 2 + (1− 0) 2 +(2 − 0) 2 = 276,032 Jarak data Ciki Gopek Maret 2022 dengan centeroid baru 1, 2, 3: d(i, bj) = √(3 − 2,272) 2 + (245 − 217,75) 2 + (2 − 1,25) 2 + (2 − 1,5) 2 + (2 − 1,75) 2 = 1,893 d(i, bj) = √(3− 1) 2 +(245 − 248,5) 2 +(2 − 2,25) 2 + (2− 1,5) 2 + (2 − 1,875) 2 = 34,073 d(i, bj) = √(3− 0) 2 +(245 − 0) 2 + (2− 0) 2 + (2− 0) 2 +(2 − 0) 2 = 245,042 Jarak data Ciki Gopek April 2022 dengan centeroid baru 1, 2, 3: d(i, bj) = √(1 − 2,272) 2 + (211 − 217,75) 2 + (2 − 1,25) 2 + (2 − 1,5) 2 + (3 − 1,75) 2 = 35,686 d(i, bj) = √(1− 1) 2 +(211 − 248,5) 2 +(2 − 2,25) 2 + (2− 1,5) 2 + (3 − 1,875) 2 = 0 d(i, bj) = √(1− 0) 2 +(211 − 0) 2 + (2− 0) 2 + (2− 0) 2 +(3 − 0) 2 = 211,042
88 Jarak data Ciki Gopek Mei 2022 dengan centeroid baru 1, 2, 3: d(i, bj) = √(2 − 2,272) 2 + (235 − 217,75) 2 + (3 − 1,25) 2 + (1 − 1,5) 2 + (1 − 1,75) 2 = 11,721 d(i, bj) = √(2− 1) 2 +(235 − 248,5) 2 +(3 − 2,25) 2 + (1− 1,5) 2 + (1 − 1,875) 2 = 24,145 d(i, bj) = √(2− 0) 2 +(235 − 0) 2 + (3− 0) 2 + (1− 0) 2 +(1 − 0) 2 = 235,031 Jarak data Ciki Gopek Juni 2022 dengan centeroid baru 1, 2, 3: d(i, bj) = √(2 − 2,272) 2 + (239 − 217,75) 2 + (2 − 1,25) 2 + (2 − 1,5) 2 + (3 − 1,75) 2 = 7,766 d(i, bj) = √(2− 1) 2 +(239 − 248,5) 2 +(2 − 2,25) 2 + (2− 1,5) 2 + (3 − 1,875) 2 = 28,017 d(i, bj) = √(2− 0) 2 +(239 − 0) 2 + (2− 0) 2 + (2− 0) 2 +(3 − 0) 2 = 235,043 Jarak data Ciki Gopek Juli 2022 dengan centeroid baru 1, 2, 3: d(i, bj) = √(1 − 2,272) 2 + (222 − 217,75) 2 + (1 − 1,25) 2 + (1 − 1,5) 2 + (2 − 1,75) 2 = 11,752 d(i, bj) = √(1− 1) 2 +(222 − 248,5) 2 +(1 − 2,25) 2 + (1− 1,5) 2 + (2 − 1,875) 2 = 24,062 d(i, bj) = √(1− 0) 2 +(222 − 0) 2 + (1− 0) 2 + (1− 0) 2 +(2 − 0) 2 = 235,014 Jarak data Ciki Gopek Agustus 2022 dengan centeroid baru 1, 2, 3: d(i, bj) = √(1 − 2,272) 2 + (245 − 217,75) 2 + (1 − 1,25) 2 + (2 − 1,5) 2 + (1 − 1,75) 2 = 2,439 d(i, bj) = √(1− 1) 2 +(245 − 248,5) 2 +(1 − 2,25) 2 + (2− 1,5) 2 + (1 − 1,875) 2 = 34,073 d(i, bj) = √(1− 0) 2 +(245 − 0) 2 + (1− 0) 2 + (2− 0) 2 +(1 − 0) 2 = 245,014
89 Jarak data Ciki Gopek September 2022 dengan centeroid baru 1, 2, 3: d(i, bj) = √(3 − 2,272) 2 + (242 − 217,75) 2 + (2 − 1,25) 2 + (1 − 1,5) 2 + (3 − 1,75) 2 = 4,884 d(i, bj) = √(3− 1) 2 +(242 − 248,5) 2 +(2 − 2,25) 2 + (1− 1,5) 2 + (3 − 1,875) 2 = 31,080 d(i, bj) = √(3− 0) 2 +(242 − 0) 2 + (2− 0) 2 + (1− 0) 2 +(3 − 0) 2 = 242,047 Jarak data Ciki Gopek Oktober 2022 dengan centeroid baru 1, 2, 3: d(i, bj) = √(3 − 2,272) 2 + (251 − 217,75) 2 + (3 − 1,25) 2 + (1 − 1,5) 2 + (2 − 1,75) 2 = 4,587 d(i, bj) = √(3− 1) 2 +(251 − 248,5) 2 +(3 − 2,25) 2 + (1− 1,5) 2 + (2 − 1,875) 2 = 40,087 d(i, bj) = √(3− 0) 2 +(251 − 0) 2 + (3− 0) 2 + (1− 0) 2 +(2 − 0) 2 = 251,045 Jarak data Ciki Gopek November 2022 dengan centeroid baru 1, 2, 3: d(i, bj) = √(2 − 2,272) 2 + (239 − 217,75) 2 + (1 − 1,25) 2 + (2 − 1,5) 2 + (1 − 1,75) 2 = 7,748 d(i, bj) = √(2− 1) 2 +(239 − 248,5) 2 +(1 − 2,25) 2 + (2− 1,5) 2 + (1 − 1,875) 2 = 28,106 d(i, bj) = √(2− 0) 2 +(239 − 0) 2 + (1− 0) 2 + (2− 0) 2 +(1 − 0) 2 = 239,020 Jarak data Ciki Gopek Desember 2022 dengan centeroid baru 1, 2, 3: d(i, bj) = √(3 − 2,272) 2 + (261 − 217,75) 2 + (2 − 1,25) 2 + (2 − 1,5) 2 + (1 − 1,75) 2 = 14,411 d(i, bj) = √(3− 1) 2 +(261 − 248,5) 2 +(2 − 2,25) 2 + (2− 1,5) 2 + (1 − 1,875) 2 = 50,079 d(i, bj) = √(3− 0) 2 +(261 − 0) 2 + (2− 0) 2 + (2− 0) 2 +(1 − 0) 2 = 261,034
90 Hasil perhitungan jarak antara data penjualan Ciki Gopek tahun 2022 pada perhitungan ke-2 dapat dilihat pada Tabel 4.17 : Tabel 4.17 Hasil Perhitungan Jarak Data Dengan Centroid Awal Iterasi 2 Nama Produk Bulan C1 C2 C3 Cluster Ciki Gopek Januari 2,183 34,146 245,024 Cluster 1 Ciki Gopek Februari 29,389 65,030 276,032 Cluster 1 Ciki Gopek Maret 1,893 34,073 245,042 Cluster 1 Ciki Gopek April 35,686 0 211,042 Cluster 2 Ciki Gopek Mei 11,722 24,145 235,031 Cluster 1 Ciki Gopek Juni 7,766 28,017 239,043 Cluster 1 Ciki Gopek Juli 11,752 24,062 235,031 Cluster 1 Ciki Gopek Agustus 2,439 34,073 245,014 Cluster 1 Ciki Gopek September 4,884 31,080 242,047 Cluster 1 Ciki Gopek Oktober 4,587 40,087 251,045 Cluster 1 Ciki Gopek November 7,748 28,106 239,020 Cluster 1 Ciki Gopek Desember 14,410 50,079 261,034 Cluster 1 4.6.2 Rencana Pengujian Program Berikut ini adalah rencana pengujian program selengkapnya dapat dilihat pada Tabel 4.18 : Tabel 4.18 Renacana Pengujian Kelas Uji Nama Butir Uji Jenis Pengujian Login Verifikasi username dan password Black Box Data User Olah data tambah, ubah, hapus Black Box Data Produk Olah data tambah, ubah, hapus Black Box Data Kriteria Olah data penjualan, ubah, hapus Black Box Data Hasil Perhitungan Prediksi Penjualan Black Box Percetakan Laporan Penjualan Cetak Laporan Penjualan Black Box Percetakan Hasil Kmeans Clustering Cetak Hasil Prediksi Black Box
91 4.6.3 Pengujian Program Pengujian berdasarkan rencana pengujian program menghasilkan hasil pengujian sebagai berikut : 1. Berikut adalah pengujian Login, yang dapat dilihat pada Tabel 4.19 : Tabel 4.19 Pengujian Login Kasus dan Hasil Uji Data Masukkan 1. Login dengan username : admin 2. Password :admin 3. Menekan tombol login Yang Diharapkan Username ‘admin’ tercantum pada database, Password tercantum pada database, dan dapat masuk ke halaman Dashboard Pengamatan 1. Isi kolom username dengan data yang diberikan. 2. Isi kolom password dengan data yang diberikan. 3. Tekan tombol login, maka user dapat menuju ke halaman dashboard. Kesimpulan Diterima 2. Berikut adalah pengujian Data User, yang dapat dilihat pada Tabel 4.20 : Tabel 4.20 Pengujian Data User Kasus dan Hasil Uji Data Masukkan 1. Data user yang akan diolah 2. Menekan tombol create, edit, delete Yang Diharapkan Data yang akan diolah dapat dapat ditambah, diubah, dan dihapus Pengamatan 1. Kolom yang akan diolah diisi dengan benar 2. Data berhasil ditambah, diubah, dan dihapus Kesimpulan Diterima
92 3. Berikut adalah pengujian Data Kriteria, yang dapat dilihat pada Tabel 4.21 : Tabel 4.21 Pengujian Data Kriteria Kasus dan Hasil Uji Data Masukkan 1. Data Kriteria yang akan diolah 2. Menekan tombol edit Yang Diharapkan Data yang akan diolah dapat dapat diubah nama kriteria sesuai dengan 5 jenis kriteria yang telah disediakan Pengamatan 1. Kolom yang akan diolah diisi dengan benar 2. Data berhasil diubah Kesimpulan Diterima 4. Berikut adalah pengujian Data Produk, yang dapat dilihat pada Tabel 4.22 : Tabel 4.22 Pengolahan Data Produk Kasus dan Hasil Uji Data Masukkan 1. Data produk yang akan diolah 2. Menekan tombol create, edit, delete Yang Diharapkan Data yang akan diolah dapat dapat ditambah, diubah, dan dihapus. Saat data diubah atau ditambahkan, telah tersedia kolom yang harus di isi (nama produk, bulan, tahun, kemasan produk(C1),jumlah terjual(C2), promosi(C3), hadiah(C4),popularitas produk(C5) Pengamatan 1. Kolom yang akan diolah diisi dengan benar 2. Data berhasil ditambah, diubah, dan dihapus Kesimpulan Diterima
93 5. Berikut adalah pengujian Data Hasil, yang dapat dilihat pada Tabel 4.23 : Tabel 4.23 Pengolahan Data Hasil Kasus dan Hasil Uji Data Masukkan 1. Menekan tombol tampilkan proses Yang Diharapkan Data yang akan diproses dapat dihitung dan menampilkan hasil perhitungan beserta pengelompokkan cluster Pengamatan 1. Semua data dapat diproses 2. Menampilkan hasil perhitungan menggunakan K-Means Clustering beserta pengelompokkan clusternya Kesimpulan Diterima 6. Berikut adalah pengujian Cetak Produk, yang dapat dilihat pada Tabel 4.24 : Tabel 4.24 Pengolahan Cetak Produk Kasus dan Hasil Uji Data Masukkan 1. Data yang sudah diinput di data produk 2. Memilih bulan dan tahun yang akan dicetak 3. Menekan tombol cetak pdf Yang Diharapkan Data yang akan dicetak dapat tercetak Pengamatan 1. Data yang akan dicetak sudah sesuai dengan data peroduk 2. Menampilkan halaman laporan cetak produk Kesimpulan Diterima
94 7. Berikut adalah pengujian Cetak Hasil Clusrering yang dapat dilihat pada Tabel 4.25 : Tabel 4.25 Pengolahan Cetak Hasil Clustering Kasus dan Hasil Uji Data Masukkan 1. Data yang sudah diinput di data produk 2. Menekan tombol cetak pdf Yang Diharapkan Data yang akan dicetak dapat tercetak Pengamatan 1. Data yang akan dicetak sudah sesuai dengan data hasil 2. Menampilkan halaman laporan cetak hasil clustering Kesimpulan Diterima 4.6.4 Analisis Hasil Pengujian Berdasarkan hasil dari pengujian yang telah dilakukan, yaitu pengimplementasian metode Algoritma K-Means Clustering pada produk Ciki Gopek pada tahun 2022, dapat dilihat bahwa terjadinya pengelompokkan cluster, dimana pada Cluster 1 (Cluster Produk Jarang Diminati) di isi oleh bulan Januari, April, Juli, dan Agustus. Sedangkan pada Cluster 2 (Produk Diminati) di isi oleh bulan Februari, Maret, Mei, Juni, September, Oktober, November dan Desember. Sebagai contoh, pada Iterasi ke-1 Ciki Gopek pada bulan Januari mendapatkan hasil : C1 (69,086), C2 (81,024), C3 (131,015), Sedangkan pada Iterasi ke-2 Ciki Gopek pada bulan Januari mendapatkan hasil : C1 (2,165), C2 (29,157), C3 (219,027) yang dapat disimpulkan bahwa adalah hasil yang mendapatkan nilai terkecil adalah nilai yang terdekat dari pusat centeroid, yaitu Cluster 1 (Produk Jarang Diminati).
95 BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan hasil penelitian serta pembahasan yang berjudul “Algoritma K-Means Clustering Untuk Menentukan Strategi Pemasaran di PT. Lestari Cahaya Anugerah” pada bab sebelumnya dapat disimpulkan bahwa : 1. Algoritma K-Means Clustering adalah salah satu algoritma pengelompokan yang bekerja berdasarkan prinsip partitioned clustering. Prinsip kerja dari partitioned clustering yaitu mengelompokkan item secara acak karena dipengaruhi centroid. Adapun tujuan pengelompokkan data ini adalah untuk meminimalkan fungsi objektif yang diset dalam proses pengelompokkan, yang pada umumnya berusaha meminimalkan variasi di dalam suatu kelompok dan memaksimalkan variasi antarkelompok. 2. Pada implementasi Algoritma K-Means Clustering pada Sistem Strategi Pemasaran PT. LCA, melakukan perhitungan untuk mengelompokkan produk, yang diambil dari data penjualan di tahun 2022. Data ini digunakan untuk menghitung agar mengetahui produk yang berada di Produk Jarang Diminati,
96 Produk Diminati, ataupun Produk Tidak Diminati menggunakan Algoritma K-Means Clustering. 5.2 Saran Berdasarkan hasil penelitian serta pembahasan yang berjudul “Algoritma K-Means Clustering Untuk Menentukan Strategi Pemasaran di PT. Lestari Cahaya Anugerah” pada bab sebelumnya dapat diberikan saran sebagai berikut : 1. Pada penelitian ini, sistem yang dibuat masih berbasis localhost, diharapkan pada pengembangan selanjutnya sistem bisa diakses secara online, agar sistem dapat diakses melalui perangkat apapun dan dimanapun. Peneliti selanjutnya bisa membeli hosting agar sistem bisa berbasis website ataupun dirancang sebagai aplikasi Android yang kompabilitas oleh Smartphone. 2. Sistem yang dibuat saat ini juga belum memiliki pengamanan data, diharapkan pada pengembangan selanjutnya sistem memiliki keamanan data, sehingga dapat meminimalisir pencurian data pada sistem. Peneliti selanjutnya diharapkan bisa memasukkan kunci enkripsi pada sistem.
97 DAFTAR PUSTAKA [1] A. A. Rismayadi, N. N. Fatonah, and E. Junianto, “Algoritma K-Means Clustering Untuk Menentukan Strategi Pemasaran Di Cv. Integreet Konstruksi,” J. Responsif Ris. Sains dan Inform., vol. 3, no. 1, pp. 30–36, 2021, doi: 10.51977/jti.v3i1.393. [2] D. Astuti, “Penentuan Strategi Promosi Usaha Mikro Kecil Dan Menengah (UMKM) Menggunakan Metode CRISP-DM dengan Algoritma K-Means Clustering,” J. Informatics, Inf. Syst. Softw. Eng. Appl., vol. 1, no. 2, pp. 60– 72, 2019, doi: 10.20895/inista.v1i2.71. [3] 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. [4] S. Abadi et al., “Application model of k-means clustering: Insights into promotion strategy of vocational high school,” Int. J. Eng. Technol., vol. 7, no. 2.27 Special Issue 27, pp. 182–187, 2018, doi: 10.14419/ijet.v7i2.11491. [5] M. Pradana, “Maximizing Strategy Improvement in Mall Customer Segmentation using K-means Clustering,” J. Appl. Data Sci., vol. 2, no. 1, pp. 19–25, 2021, doi: 10.47738/jads.v2i1.18. [6] N. Salsabila, “Klasifikasi Barang Menggunakan Metode Clustering KMeans Dalam Penentuan Prediksi Stok Barang,” Cent. Libr. Maulana Malik Ibrahim State Islam. Univ. Malang, p. 89, 2018, [Online]. Available: http://etheses.uin-malang.ac.id/16985/1/14650031.pdf [7] M. R. Nugroho, I. E. Hendrawan, and P. P. Purwantoro, “Penerapan Algoritma K-Means Untuk Klasterisasi Data Obat Pada Rumah Sakit ASRI,” Nuansa Inform., vol. 16, no. 1, pp. 125–133, 2022, doi: 10.25134/nuansa.v16i1.5294. [8] N. Wakhidah, “Clustering Menggunakan K-Means Algorithm,” J. Transform., vol. 8, no. 1, p. 33, 2010, doi: 10.26623/transformatika.v8i1.45. [9] M. R. Noviansyah, I. Nuryasin, and D. R. Chandranegara, “Pengembangan Sistem Pengelompokan Sekolah Menggunakan Metode Algoritma K-Means (Studi Kasus Dinas Pendidikan Kabupaten Malang),” J. Repos., vol. 4, no. 2, pp. 103–112, 2022, doi: 10.22219/repositor.v4i2.1323. [10] A. Y. Ananta, “Seleksi Notifikasi Serangan Berbasis Ids Snort Menggunakan Metode K-Means,” SMARTICS J., vol. 3, no. 2, pp. 31–37, 2017, doi: 10.21067/smartics.v3i2.1954. [11] E. D. Pratomo, T. Irawati, and W. L. Y. Saptomo, “Metode K-Means Dalam Pemetaan Penyebaran Pamsimas,” J. Teknol. Inf. dan Komun., vol. 7, no. 2,
98 pp. 45–50, 2020, doi: 10.30646/tikomsin.v7i2.449. [12] “Astah Professional.” https://astah.net/products/astah-professional/ [13] “XAMPP.” https://www.apachefriends.org/ [14] “PHP”, [Online]. Available: https://www.phpmyadmin.net/ [15] “Visual Studio Code.” https://code.visualstudio.com/ [16] “MySQL”, [Online]. Available: https://www.mysql.com/ [17] “Balsamiq Wireframes”, [Online]. Available: https://balsamiq.com/wireframes/
99 LAMPIRAN KUMPULAN SURAT Gambar A- 1 Surat Pengajuan Observasi STIKOM
100 Gambar A- 2 Surat Balasan Observasi PT. LCA
101 Gambar A- 3 Surat Penilaian Observasi PT. LCA