Publisher

HOSTJOURNALSHOSTJOURNALS

Journal Bulletin of Computer Science ResearchBulletin of Computer Science Research Abstract

Analisis data penjualan memainkan peran penting dalam mendukung pengambilan keputusan bisnis, terutama untuk mengoptimalkan manajemen stok dan meningkatkan efisiensi operasional. Permasalahan utama yang dihadapi oleh Vapestore XYZ di Karawang adalah kesulitan dalam memprediksi jumlah penjualan produk secara akurat, sehingga sering terjadi ketidakseimbangan antara persediaan dan permintaan pasar. Hal ini dapat menyebabkan kerugian akibat kelebihan stok maupun kekurangan barang. Saat ini, estimasi kebutuhan stok masih mengandalkan intuisi dan pengalaman pribadi, tanpa dukungan analisis data yang objektif. Penelitian ini bertujuan untuk membangun model prediksi penjualan dengan mengombinasikan metode K-Means untuk klasterisasi produk dan Regresi Linear untuk prediksi kuantitas penjualan. Data penjualan diambil langsung dari aplikasi POS toko, kemudian melalui tahapan pembersihan, pelabelan, dan klasterisasi menjadi tiga kelompok, yaitu “Kurang Laku, “Laku, dan “Sangat Laku. Prediksi penjualan dilakukan menggunakan Regresi Linear dengan memanfaatkan hasil klasterisasi dan variabel waktu sebagai input. Evaluasi performa model dilakukan menggunakan metrik error, yaitu Mean Absolute Error (MAE), Mean Squared Error (MSE), dan Root Mean Squared Error (RMSE). Berdasarkan hasil pengujian, model Regresi Linear yang dikembangkan memperoleh MAE sebesar 3,20, MSE sebesar 52,34, dan RMSE sebesar 7,23. Nilai-nilai error ini menunjukkan bahwa model mampu memberikan estimasi penjualan yang cukup mendekati data aktual, sehingga dapat diandalkan dalam perencanaan stok. Visualisasi hasil prediksi dalam bentuk tabel dan heatmap memudahkan identifikasi tren penjualan dan perbandingan performa antar produk. Temuan penelitian ini membuktikan bahwa kombinasi metode K-Means dan Regresi Linear efektif digunakan untuk mendukung pengambilan keputusan stok dan strategi pemasaran pada toko ritel vape. Pengembangan lebih lanjut disarankan dengan memperkaya dataset dan mengeksplorasi metode prediksi lain guna meningkatkan performa model.

Conclusion

Evaluasi performa model Regresi Linear dilakukan menggunakan metrik error, yaitu Mean Absolute Error (MAE), Mean Squared Error (MSE), dan Root Mean Squared Error (RMSE).Berdasarkan hasil pengujian, model regresi yang dikembangkan memperoleh MAE sebesar 3,20, MSE sebesar 52,34, dan RMSE sebesar 7,23.Nilai-nilai error tersebut menunjukkan rata-rata dan sebaran kesalahan prediksi model terhadap data aktual penjualan.Semakin kecil nilai MAE, MSE, dan RMSE, maka semakin baik performa model dalam memprediksi kuantitas penjualan.Berdasarkan seluruh rangkaian penelitian yang telah dilakukan, penerapan kombinasi metode K-Means untuk klasterisasi produk dan Regresi Linear untuk prediksi penjualan terbukti mampu memberikan gambaran segmentasi produk serta estimasi jumlah penjualan yang dapat diandalkan pada Vapestore XYZ.Proses analisis data historis, klasterisasi, dan prediksi yang dilakukan secara sistematis telah membantu mengidentifikasi produk-produk dengan performa penjualan berbeda dan memberikan dasar yang lebih kuat dalam pengambilan keputusan stok serta strategi pemasaran.Dengan demikian, model yang dikembangkan dalam penelitian ini dapat dijadikan referensi bagi pelaku usaha ritel vape dalam mengoptimalkan pengelolaan persediaan dan meningkatkan efisiensi operasional toko.

Future Research

Untuk meningkatkan akurasi model prediksi penjualan, disarankan untuk memperkaya dataset dengan data penjualan yang lebih beragam dan mencakup periode waktu yang lebih panjang. Selain itu, dapat dieksplorasi metode prediksi lain seperti algoritma machine learning yang lebih kompleks, seperti Random Forest atau Gradient Boosting, untuk meningkatkan performa model. Pengembangan lebih lanjut juga dapat dilakukan dengan mengintegrasikan variabel-variabel tambahan, seperti harga, promosi, atau faktor musiman, dalam model prediksi untuk meningkatkan akurasi dan kemampuan model dalam menangkap dinamika pasar yang lebih kompleks. Dengan demikian, model prediksi penjualan dapat menjadi lebih andal dan akurat dalam mendukung pengambilan keputusan stok dan strategi pemasaran pada toko ritel vape.

References

1. Comparison of Rating-based and Inset Lexicon-based Labeling in Sentiment Analysis using SVM (Case Study:... sistemasi.ftik.unisi.ac.id/index.php/stmsi/article/view/4795Comparison of Rating based and Inset Lexicon based Labeling in Sentiment Analysis using SVM Case Study sistemasi ftik unisi ac index php stmsi article view 4795
2. Segmentasi Pelanggan dengan Algoritma Clustering Berdasarkan Atribut Recency, Frequency dan Monetary... doi.org/10.57152/malcom.v5i1.1491Segmentasi Pelanggan dengan Algoritma Clustering Berdasarkan Atribut Recency Frequency dan Monetary doi 10 57152 malcom v5i1 1491
3. Klasterisasi Data Jamaah Umrah pada Tanurmutmainah Tour Menggunakan Algoritma K-Means | Jurnal KomtekInfo.... jkomtekinfo.org/ojs/index.php/komtekinfo/article/view/332Klasterisasi Data Jamaah Umrah pada Tanurmutmainah Tour Menggunakan Algoritma K Means Jurnal KomtekInfo jkomtekinfo ojs index php komtekinfo article view 332
4. Penerapan Support Vector Machine Untuk Analisis Sentimen Pada Layanan Ojek Online | Jurnal Desain Dan... journal.aptikomkepri.org/index.php/JDDAT/article/view/59Penerapan Support Vector Machine Untuk Analisis Sentimen Pada Layanan Ojek Online Jurnal Desain Dan journal aptikomkepri index php JDDAT article view 59

Metadata

File size	615.48 KB
Pages	10
DMCA	Report