Analisis Data Penjualan Pasca COVID-19 Menggunakan Algoritma K-Means

Yustia Hapsari; Muhammad Fikri Hidayattullah; M Shidiq Erdi W; Dega Surono Wibowo; M Nishom

doi:10.30591/jpit.v7i2.3810

Analisis Data Penjualan Pasca COVID-19 Menggunakan Algoritma K-Means

Yustia Hapsari, Muhammad Fikri Hidayattullah, M Shidiq Erdi W, Dega Surono Wibowo, M Nishom

Abstract

Pandemi Covid-19 memberikan dampak buruk ke berbagai sektor. Tak terkecuali sektor ekonomi. Bahkan negara-negara maju sekali pun ikut terkena dampak yang sangat serius di sektor ekonomi dari adanya pandemi ini. Para pelaku usaha dalam berbagai lini melakukan transformasi yang massif untuk bangkit dari keterpurukan tersebut. Salah satu langkah strategis yang dilakukan adalah dengan mengubah sistem marketing dan transaksi penjualan dari yang sebelumnya offline ke online. Penelitian ini akan melakukan analisis penjualan pasca Covid-19 dengan menggunakan dataset dari Narasio Data. Produk yang akan dianalisis berupa penjualan produk sport dan apparel. Hasil analisis akan menampilkan produk apa saja yang paling cepat terjual, pengaruh rating produk dan pemberian diskon dengan tingkat penjualan, serta keterkatian antara banyaknya variasi brand dengan tingkat penjualan. Proses analisis menggunakan pendekatan segemntasi produk. Algoritma yang digunakan untuk melakukan segmentasi adalah K-Means. Algoritma tersebut sangat handal untuk kasus clustering produk.

Keywords

Covid-19, analisis penjualan, K-Means, clustering

Full Text:

References

S. Hanoatubun, “Dampak Covid – 19 terhadap Perekonomian Indonesia,” J. Educ. Psycology Couns., vol. 2, no. 2, 2020.

F. R. Yamali and R. N. Putri, “Dampak Covid-19 Terhadap Ekonomi Indonesia,” Ekon. J. Econ. Bus., vol. 4, no. 2, p. 384, 2020.

D. Junaedi and F. Salistia, “Dampak Pandemi COVID-19 Terhadap Pertumbuhan Ekonomi Negara-Negara Terdampak,” Simposium Nasional Keuangan Negara. pp. 995–1115, 2020.

F. Nidaul Khasanah et al., “Pemanfaatan Media Sosial dan Ecommerce Sebagai Media Pemasaran Dalam Mendukung Peluang Usaha Mandiri Pada Masa Pandemi Covid 19,” J. Sains Teknol. dalam Pemberdaya. Masy., vol. 1, no. 1, pp. 51–62, 2020.

E. Maria, S. Suharyadi, and R. K. Hudiono, “Implementasi pemasaran digital berbasis website sebagai strategi kenormalan baru Dusun Srumbung Gunung pasca Covid-19,” Riau J. Empower., vol. 4, no. 1, pp. 1–10, 2021.

A. E. Permana, A. M. Reyhan, H. Rafli, and N. A. Rakhmawati, “Analisa Transaksi Belanja Online Pada Masa Pandemi Covid-19,” J. Teknoinfo, vol. 15, no. 1, p. 32, 2021.

I. Atmaja, Hanung Eka; Novitaningtyas, “Analisis Aspek Pemasaran UMKM di Masa Resesi Global Dampak dari Pandemi Covid-19,” J. Ilm. Poli Bisnis, vol. 13, no. 1, pp. 60–69, 2021.

N. I. Purnama and L. P. Putri, “Analisis Penggunaan E-Commerce Di Masa Pandemi,” Semin. Nas. Teknol. Edukasi Sos. dan Hum., vol. 1, no. 1, pp. 556–561, 2021.

K. P. Sinaga and M. S. Yang, “Unsupervised K-means clustering algorithm,” IEEE Access, vol. 8, pp. 80716–80727, 2020.

E. Liberty, R. Sriharsha, and M. Sviridenko, “An algorithm for online k-means clustering,” Proc. Work. Algorithm Eng. Exp., vol. 2016-January, pp. 81–89, 2016.

P. Lemenkova, “Python libraries matplotlib, seaborn and pandas for visualization geospatial datasets generated by QGIS,” Analele Stiint. ale Univ. “Alexandru Ioan Cuza” din Iasi - Ser. Geogr., vol. 1, no. 1, pp. 13–32, 2020.

C. Yuan and H. Yang, “Research on K-Value Selection Method of K-Means Clustering Algorithm,” J Multidiscip. Sci. J., vol. 2, no. 2, pp. 226–235, 2019.

A. Winarta and W. J. Kurniawan, “Optimasi Cluster K-Means menggunakan Metode Elbow pada Data Pengguna Narkoba Dengan Pemrograman Python,” J. Tek. Inform. Kaputama, vol. 5, no. 1, pp. 113–119, 2021.

F. Wang, H. H. Franco-Penya, J. D. Kelleher, J. Pugh, and R. Ross, “An analysis of the application of simplified silhouette to the evaluation of k-means clustering validity,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 10358 LNAI, pp. 291–305, 2017.

D. Hallac, S. Vare, S. Boyd, and J. Leskovec, “Toeplitz inverse covariance-based clustering of multivariate time series data,” Proc. ACM SIGKDD Int. Conf. Knowl. Discov. Data Min., vol. Part F129685, pp. 215–223, 2017.

DOI: https://doi.org/10.30591/jpit.v7i2.3810