Seminar Nasional Informatika dan Aplikasinya (SNIA) 2021 ISSN: 2686-6595 Cimahi, 31 Agustus 2021 E-7 Klasifikasi Penjualan Jus Dengan Menggunakan Algoritma K-Nearest Neighbor (K-NN) Untuk Penerapan Konsep Up-Selling Studi Kasus pada PT. Rafid Kintan Gemilang Ismi Anisa Sopiyanti, Tacbir Hendro Pudjiantoro, Irma Santikarama Jurusan Informatika, Fakultas Sains dan Informatika Universitas Jenderal Achmad Yani Jl. Terusan Sudirman, Cimahi ismianisas@gmail.com Abstrak— Data mining merupakan suatu proses mengolah data untuk mengekstrasksi data guna mendapatkan pola tertentu atau informasi lebih berarti dari sejumlah data besar yang ada didalam database. Salah satu bagian dari data mining adalah klasifikasi untuk mengelompokan objek menjadi kelas tertentu menggunakan Algoritma K-Nearest Neighbor (K-NN) yang melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat. Penelitian ini akan membahas persoalan proses klasifikasi data penjualan jus menggunakan algoritma k-nearest neighbor untuk penerapan konsep up-selling. Pada proses penjualan jus menghasilkan data besar namun analisis pemanfaatan data penjualan jus yang ada di perusahaan belum sampai pada bentuk pengetahuan terhadap pengelompokan produk potensial paling laku, laku, dan kurang laku untuk dimunculkan secara langsung dan cepat berdasarkan data sebelumnya yang sudah ada sebagai acuan pembuatan rekomendasi produk dalam meningkatkan penjualan. Dengan menggunakan Algoritma K-Nearest Neighbor (K-NN) dan menerapkan konsep up-selling, akan menghasilkan tools yang dapat mengklasifikasi produk paling laku, laku dan kurang laku hingga mendapatkan kombinasi produk untuk rekomendasi perusahaan terhadap pengambilan keputusan. Kata kunci— Data Mining; Klasifikasi; Algoritma K-NN; Up- Selling I. PENDAHULUAN Penggunaan data mining telah banyak digunakan oleh beberapa perusahaan dalam pengolahan data untuk menghasilkan suatu informasi yang bermanfaat, salah satunya dibidang makanan dan minuman. Data mining adalah proses analisa terhadap data untuk menemukan hubungan yang jelas serta menyimpulkan yang belum diketahui sebelumnya yang dipahami dan berguna bagi pemilik data tersebut. Data mining memiliki beberapa bagian yang diantaranya associan rule, prediction [1], classification, clustering [2] dan regression. Secara garis besar data mining dapat dikelompokan menjadi 2 yaitu descriptive mining dan predictive [3]. Descriptive mining adalah suatu proses untuk menemukan karakteristik penting dari data dalam suatu database, sedangkan predictive mining adalah proses untuk menemukan pola data dengan menggunakan beberapa variable lain dimasa depan [4]. Salah satu algoritma yang digunakan dalam klasifikasi adalah algoritma K-Nearest Neighbor (K-NN) [5]. Klasifikasi merupakan salah satu teknik data mining yang termasuk kedalam predictive, klasifikasi bertujuan untuk mengelompokan objek menjadi kelas tertentu berdasarkan nilai atribut yang berkaitan dengan objek yang diamati tersebut [6]. Algoritma K-Nearest Neighbor adalah klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. K-Nearest Neighbor akan mencari k buah data learning yang jaraknya paling dekat dengan data query dalam ruang n-dimensi. Jarak antara data query dengan data learning dihitung dengan cara mengukur jarak antara titik yang merepresentasikan data query dengan semua titik yang merepresentasikan data learning dengan rumus Euclidean Distance [5]. Keuntungan menerapkan algoritma K-Nearest Neighbor adalah proses pelatihan berjalan lebih cepat dan lebih fleksibel karena didasarkan pada kedekatan jarak data latih yang ada [7]. Beberapa penelitian terdahulu telah banyak menggunakan algoritma K-Nearest Neighbor salah satunya adalah digunakan untuk klasifikasi perbandingan tingkat akurasi bahan baku minuman wine dengan tingkat akurasi sebesar 68,75% dan sebesar 72,97% [8], menentukan tingkat kematangan susu kefir dengan hasil pengujian nilai akurasi yang dihasilkan yaitu 80% dengan nilai k=5 untuk proses sorting [9], dan untuk penjualan terdapat klasifikasi standar kualitas makanan berdasarkan grade terbaik untuk dipasarkan ke pelanggan dengan nilai k yang digunakan adalah 1 (nearest), 3 dan 5 yang dipilih berdasarkan uji coba setelah tahap training [10]. Klasifikasi penjualan dilakukan dari data penjualan yang terdapat pada database perusahaan. Proses klasifikasi menghasilkan kelas – kelas tertentu, dari data uji dengan jarak terdekat yang nantinya hasil tersebut akan dijadikan penerapan dalam konsep Up-Selling [11]. Up-Selling adalah strategi bagi perusahaan untuk meningkatkan keuntungan dengan menentukan persepsi, pengetahuan dan kebijakan. Pelaksanaan teknik up-selling seharusnya tidak diketahui oleh pelanggan karena memungkinkan mengurangi rasa nyaman dari pelanggan tersebut [12]. Penelitian sebelumnya yang menggunakan strategi up-selling salah satuanya adalah