Model Perhitungan Estimasi Keuntungan Penjualan Susu Kemasan dengan Menggunakan Gabungan Metode Fuzzy C-Means dan Sugeno Orde-Satu

Rima Tri Wulan Sari, Didi Suhaedi, Erwin Harahap

Abstract


Dunia bisnis adalah dunia yang selalu dinamis dan penuh persaingan. Para pebisnis harus memikirkan cara-cara untuk survive. Salah satu aktivitas bisnis yang dimaksud adalah penjualan produk di swalayan. Kebutuhan-kebutuhan bisnis swalayan dapat dipenuhi dengan menjalankan strategi pemasaran, salah satunya adalah ketersediaan barang yang dibutuhkan. Clustering keuntungan penjualan dapat dijadikan sebagai salah satu landasan pengambilan kebijakan dalam masalah persediaan barang dan peningkatan penjualan. Implementasi clustering yang dilakukan dengan Fuzzy C-Means menggunakan data penjualan susu kemasan di suatu swalayan pada bulan Desember 2015. Cluster yang dibentuk pada data tersebut adalah sebanyak empat clusterCluster-cluster data penjualan tersebut dijadikan landasan untuk menentukan estimasi keuntungan penjualan melalui fuzzy inference system sugeno orde-satu. Estimasi keuntungan penjualan yang diperoleh (Rp. 134.015.186,64) lebih tinggi  dari keuntungan yang sebenarnya (Rp. 128.282.814,00), dengan  error perhitungan estimasi sebesar 4,47 %. Hal ini menunjukan bahwa model perhitungan estimasi keuntungan dianggap relatif baik. Berdasarkan model perhitungan estimasi diperoleh bahwa cluster 1 adalah cluster yang memiliki estimasi keuntungan penjualan tertinggi, sehingga ketersediaan produk susu yang diprioritaskan adalah produk susu pada cluster1.

 

The business world is the world which always dynamic and full of competition. Entrepreneurs mustthink many ways to survive. One of the intended business activities is product sales in supermarkets. Supermarkets business requirements can be fulfilled by running the marketing strategy, one of them is availability product requirement. Clustering sales profit are part of being one of base for making a policy in inventories problems and sales increase. Clustering implementation is conducted by Fuzzy C-Means method to the data of milk packaging sales in one of supermarket in December 2015. The clustersthat formed based on thedata are four clusters. The clusters become a foundationtodetermine the sales profit estimation that conducted by fuzzy inference system one-order sugeno. The estimation of the sales profits that are obtained (IDR 134,015,186.64)is higher than theactual profits (IDR 128,282,814.00), where the error calculation ofestimation is at 4.47%. This shows that the calculation of estimation model are considered to be relatively well. Based on calculation of estimation, obtained that cluster 1 is the highest sales profit estimation.Therefore,the availability of milk product which beprioritized arethe milk productsin cluster 1.


Keywords


Cluster, Fuzzy C-Means, Profits, Sugeno.

References


Anonim. Regresi dan Korelasi. Depok : http://elearning.gunadarma.ac.id/docmodul/pengantar_statistika/bab8-regresi_dan_korelasi.pdf (Diakses 26 Juni 2016)

Hammouda, K. 2003. A Comparative Study of Data Clustering Techniques. Canada: University of Waterloo.

Klir, G. J., & Yuan, B. 1995. Fuzzy Sets and Fuzzy Logic, Theory and Application. Prentice Hall International, Inc.

Kusrini dan Luthfi, E.T. 2009. Algoritma Data Mining. Yogyakarta: ANDI

Kusumadewi, S. d. 2010. Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Yogyakarta: Graha Ilmu.

Nisfiannoor, Muhammad. 2009. Pendekatan Statistika Modern untuk Ilmu Sosial. Salemba: Humanika.

Prasetyo, E. 2012. Data Mining Konsep dan Aplikasi menggunakan MATLAB. Yogyakarta: ANDI.

RuiXu and Donald, C. 2009. Clustering. John Wiley & Sons, Inc.

Sudjana. 2003. Teknik Analisis Regresi dan Korelasi. Bandung: Tarsito.

Supardi. Modul Pemrograman Komputer. Yogyakarta : http://staff.uny.ac.id/sites/default/files/pendidikan/Supardi,%20M.Si/pemrograman%20MATLAB.pdf (Diakses 30 Mei 2016)

Tan, Pang Ning; Michael, Steinbach; Vipin., and Kumar. 2005. Introduction to Data Mining, 1st ed. Boston, USA: Addison-Wesley Longman Publishing Co.




DOI: http://dx.doi.org/10.29313/.v0i0.4591

Flag Counter