Prediksi Penjualan Motor Menggunakan Metode Naïve Bayes Classifier Untuk Optimasi Penyediaan Stok Pada PT.Catur Putra Jaya Bekasi.

• Esima Wensi Sitorus

---

ABSTRAK

Dalam integrasi bisnis penjualan terdiri dari aspek-aspek mulai dari bagian pemilihan supplier, persediaan barang, pemasaran produk, prospek pasar atau pelanggan, dan pelaporan hasil penjualan. Melalui data penjualan yang sudah tersedia akan dilakukan analisis untuk mengetahui tingkat kecenderungan pelanggan pada daya jumlah beli produk dan pola ketertarikan masyarakat terhadap berbagai produk dari perusahaan. Untuk mengetahui jumlah ketertarikan tersebut dibutuhkan sebuah metode klasifikasi untuk memprediksi penyediaan stok. Klasifikasi ialah suatu teknik menemukan pola mampu memisahkan kelas data satu dengan yang lain untuk menentukan objek dengan kategori tertentu dengan melihat kelakuan dan atribut dari kelompok yang didefinisikan. Naïve Bayes adalah metode klasifikasi yang memiliki beberapa kelebihan yaitu cepat dalam perhitungan, algoritma sederhana dan akurasi tinggi. Naïve Bayes Classifier lebih tepat diterapkan pada data yang besar dan dapat menangani data yang tidak lengkap. Dari hasil penelitian Naive Bayes Clasification menghasilkan nilai akurasi sebesar  65.49%. Untuk class precision prediksi YA adalah 61.76%, sedangkan untuk  class precision prediksi Tidak memperoleh hasil sebesar 100.00% dan recall yang diperoleh dari true Ya sebesar 100,00%. sedangkan recall untuk true Tidak sebesar 22,00%.

KATA KUNCI

Penjualan,Naive Bayes

---

DAFTAR PUSTAKA

[1]      Dedi, E. T. B. Waluyo, and L. Septiananingrum, “Sistem Informasi Pengendalian Persediaan Stok Lensa Berbasis Web pada Optik Trio Jaya Cabang Tangerang,” vol. 9, no. 2, 2019.

[2]      O. Nurdiawan and N. Salim, “PENERAPAN DATA MINING PADA PENJUALAN BARANG MENGGUNAKAN METODEMETODE NAIVE BAYES CLASSIFIER UNTUK OPTIMASI STRATEGI PEMASARAN,” no. April, pp. 84–95, 2018.

[3]      I. Romli and A. T. Zy, “Penentuan Jadwal Overtime Dengan Klasifikasi Data Karyawan Menggunakan Algoritma C4.5,” Sains Komput. Inform., vol. 4, no. September, pp. 694–702, 2020.

[4]      S. Pramana, B. Yuniarto, I. Santoso, and R. Nooraeni, Data mining dengan R. 2018.

[5]      Suyanto, Data mining untuk klasifikasi dan klasterisasi data. 2019.

[6]      R. T. Vulandari, Data mining dan aplikasi rapid miner. 2017.

[7]      A. P.Natsuwarna, “Seminar Pendekatan Data Mining Memprediksi Profil Sosial Masyarakat Menggunakan Aplikasi RapidMiner,” pp. 38–44, 2019.

[8]      S. J. Tamba and E. Bu, “IMPLEMENTASI ALGORITMA APRIORI PADA SISTEM PERSEDIAAN BUAH-BUAHAN ( STUDI KASUS?: LOTTE MART WHOLESALE MEDAN ),” vol. 8, pp. 277–282, 2019.

[9]      S. A. Azis and A. Sutoni, “Analisis Persediaan dalam Proyek Renovasi Gedung Menggunakan Metode Material Requirements Planning dengan Teknik Lot For Lot,” no. 2007, pp. 2–3, 2019.

[10]    D. Nofriansyah and G. W. Nurcahyo, Algoritma data mining dan pengujian. 2015.

[11]    Mulaab, Data mining konsep dan aplikasi. 2017.

[12]    R. Nofitri and N. Irawati, “ANALISIS DATA HASIL KEUNTUNGAN MENGGUNAKAN SOFTWARE RAPIDMINER,” vol. V, no. 2, pp. 199–204, 2019.

[13]    F. Hendajani, “Penerapan Data Mining Untuk Prediksi Tingkat Kecelakaan Kerja Menggunakan Rapid Miner,” vol. 3, 2019.

[14]    D. Ardiansyah and W. Walim, “Algoritma c4.5 untuk klasifikasi calon peserta lomba cerdas cermat siswa smp dengan menggunakan aplikasi rapid miner,” vol. 1, no. 2, pp. 5–12, 2018.