Classification of Sales of Best-Selling Products in Ira Store Using Naive Bayes Algorithm and K-Nearest Neighbor Algorithm

Yuma Akbar; Kiki Setiawan; Muhammad Joko Umbaran Kharis Bahrudin; Intan Purwasih

doi:10.62951/ijeemcs.v1i4.13

Authors

Yuma Akbar Sekolah Tinggi Ilmu Komputer Cipta Karya Informatika (STIKOMCKI) Jakarta
Kiki Setiawan Sekolah Tinggi Ilmu Komputer Cipta Karya Informatika (STIKOMCKI) Jakarta
Muhammad Joko Umbaran Kharis Bahrudin Sekolah Tinggi Ilmu Komputer Cipta Karya Informatika (STIKOMCKI) Jakarta
Intan Purwasih Sekolah Tinggi Ilmu Komputer Cipta Karya Informatika (STIKOMCKI) Jakarta

DOI:

https://doi.org/10.62951/ijeemcs.v1i4.13

Keywords:

Best-Selling Products, Data Mining, K-Nearest Neighbors, Naive Bayes, Sales Classification

Abstract

In today's world of retail and technology, competition is fiercely competitive. With the development of retail businesses increasing in number and mushrooming in a region, consumer needs are increasing, and retail business players are competing to develop their businesses by utilizing existing technology. Daily sales transaction data continues to increase, causing a lot of storage. Toko Ira has more than 228 sales transaction data records from 2023 to 2024 that have not been used. Data requires a lot of storage space. Additionally, the data has not been used in an effective way. Based on this problem, this research aims to use data mining to classify sales transaction data to determine which items are selling best. This research is a case study with a qualitative approach. This research was conducted with the Naive Bayes method and Rapidminer was used. The results of the sales transaction data classification research are the division of products into best-selling and non-selling categories. The results of this research show that the K-Nearest Neighbors (KNN) algorithm with a 50:50 data division is more effective in predicting and classifying sales of best-selling and non-selling products in IRA stores. The results show that the Naive Bayes algorithm has an accuracy of 89.91%, while the K-Nearest Neighbors (KNN) algorithm has an accuracy of 60.09%.

References

R. Fitriana, Data Mining dan Aplikasinya: Contoh Kasus di Industri Manufaktur dan Jasa. Wawasan Ilmu, 2022.

I. G. M. D. I. N. S. W. W. G. A. Pradnyana, Data Mining: Menemukan Pengetahuan dalam Data. Depok, 2020.

N. W. Wardani, P. G. S. C. Nugraha, and G. S. Mahendra, “Implementasi Naïve Bayes Pada Data Mining Untuk Mengklasifikasikan Penjualan Barang Terlaris Pada Perusahaan Ritel,” J. Sains dan Teknol., vol. 12, no. 3, 2024, doi: 10.23887/jstundiksha.v12i3.38605.

N. Pransiska and A. Mirza, “Penerapan Data Mining Prediksi Penjualan Barang Elektronik Terlaris Menggunakan Algoritma Naïve Bayes (Studi Kasus: Planet Cash and Credit Cabang Muara Enim),” in Bina Darma Conference on Computer Science, 2023.

N. N. F. Adzani, W. Witanti, and F. R. Umbara, “Klasifikasi Tingkat Penjualan Video Game Dengan Menggunakan Metode K-Nearest Neighbors,” INFOTECH J., vol. 9, no. 2, pp. 618–625, 2023, doi: 10.31949/infotech.v9i2.7371.

N. M. A. Novitadewi, P. Sugiartawan, and Y. P. Fittryani, “Klasifikasi Data Penjualan Dengan Metode K-Nearest Neighbor Pada PT. Terang Abadi Raya,” J. Sist. Inf. dan Komput. Terap. Indones., vol. 5, no. 1, pp. 11–20, 2022, doi: 10.33173/jsikti.173.

N. Musfita, N. Fitriyani, and Z. W. Baskara, “Klasifikasi Penjualan Provider Pulsa di Kecamatan Masbagik Lombok Timur Menggunakan Metode Naïve Bayes,” ESTIMASI J. Stat. Its Appl., vol. 4, no. 2, pp. 261–272, 2023, doi: 10.20956/ejsa.v4i2.27890.

I. R. Pratama, Maimunah, and E. R. Arumi, “Sistem Klasifikasi Penjualan Produk Alat Listrik Terlaris Untuk Optimasi Pengadaan Stok Menggunakan Naïve Bayes,” J. Media Inform. Budidarma, vol. 6, no. 4, p. 2135, 2022, doi: 10.30865/mib.v6i4.4418.

U. Darwan and others, “Menentukan Menu Makanan Favorit di Outlet Barbar Sampit Menggunakan Algoritma Naive Bayes,” 2022.

K. Mukhlisin, “Penerapan Algoritma Naïve Bayes Pada Produk Brownies Tape Dalam Menentukan Tingkat Penjualan Laris Dan Kurang Laris,” KOPERTIP J. Ilm. Manaj. Inform. dan Komput., vol. 5, no. 2, pp. 51–56, 2021, doi: 10.32485/kopertip.v5i2.168.

I. Nawangsih and A. Setyaningsih, “Penerapan Algoritma Naive Bayes Untuk Menentukan Klasifikasi Produk Terlaris Pada Penjualan Pulsa,” SIGMA J. Teknol. Pelita Bangsa, pp. 195–207, 2020.

E. Widodo and P. Saadah, “Klasifikasi Data Penjualan Alat Tulis Kantor (ATK) Terlaris Untuk Optimasi Strategi Pemasaran di Toko Citramedia Menggunakan Metode Naive Bayes,” SIGMA J. Teknol. Pelita Bangsa, 2022.

R. W. Abdullah, D. Hartanti, H. Permatasari, A. W. Septyanto, and Y. A. Bagaskara, “Penerapan Data Mining untuk Memprediksi Jumlah Produk Terlaris Menggunakan Algoritma Naive Bayes Studi Kasus (Toko Prapti),” J. Ilm. Inform. Glob., vol. 13, no. 1, 2022, doi: 10.36982/jiig.v13i1.2060.

M. N. Arhami, Data Mining Algoritma dan Implementasi. Yogyakarta, 2022.

Rahmaniar, “Analisis Klasifikasi Model Pemilihan Lokasi Perumahan Dalam Meningkatkan Strategi Manajemen Penjualan Menggunakan Model K-Nearest Neighbor,” J. Sist. Inf., pp. 108–120, 2023.

M. A. Muslim and others, Data Mining Algoritma C4.5 Disertai Contoh Kasus dan Penerapannya dengan Program Komputer. Semarang, 2022.

F. Rizki, A. Faisol, and F. S. Wahyuni, “Penerapan Metode Naïve Bayes Untuk Memprediksi Penjualan Pada UD. Hikmah Pasuruan Berbasis Web,” 2020.

R. Rindiyani, A. Primadewi, Maimunah, and A. H. Purwantini, “Klasifikasi Penjualan Berdasarkan Platform Pada UMKM Omah Branded Menggunakan Random Forest,” JURIKOM (Jurnal Ris. Komputer), vol. 9, no. 5, p. 1520, 2022, doi: 10.30865/jurikom.v9i5.4949.