SISTEM INFORMASI PREDIKSI PENJUALANPADA UMKM PRODUSEN
KAIN SASIRANGAN KHAS BANJARMASIN DENGAN METODE
K-NEAREST NEIGHBOR (KNN)
Proposal PenelitianuntukTesis-S2
Program Studi Magister SistemInformasi
Dita MaulidaSeptiana
30000318410017
MAGISTER SISTEM INFORMASI
SEKOLAH PASCASARJANA
UNIVERSITAS DIPONEGORO SEMARANG
2020
0
1.
Pendahuluan
1.1
LatarBelakang
Keberagaman adat dan budaya dengan sumber daya yang melimpah telah
membuat Negara Indonesia kaya akan hasil produk khas daerah. Salah satunya adalah
Kain Sasirangan dari Banjarmasin. Seperti halnya dengan kain tradisional lainnya di
Nusantara, Kain sasirangan khas Banjarmasin ini memiliki nilai magis dan pesan
yang disampaikan lewat warna, motif dan pola pada kain yang melambangkan
kepribadian dari budaya khas tanah banjar tersebut. Perkembangan motif dan gambar
yang semakin beragam telah dipengaruhi oleh minat yang tinggi dalam pangsa pasar
sehingga menuntut pelaku usaha mikro, kecil dan menengah (UMKM) berlomba
untuk terus berinovasi dalam segala hal termasuk pada bidang produksi dan penjualan
(Almas 2018).Rilis Badan Pusat Statistik (BPS) nilai produksi kain Sasirangan
Kalimantan Selatan mencapai Rp 11,934 miliar pada tahun 2016 (BPS, 2016).
UMKM
merupakansektor
yang
pentingbagiperkembanganbaikmikroekonomimaupunmakroekonomikarenasektorinim
empengaruhisektor
lain
(Jaidan,
2010).
UMKM
telahmenunjukkankemampuannyadalammeminimalisirdampakkrisismoneter
di
Indonesia. Oleh karenaitu, pemerintahmemberikanperhatiankhususkepada UMKM.
Tidakhanyapemerintah, stakeholders lain juga turutmendukung UMKM, misalnya.
lembagaswasta,
dan
masyarakatsipil(Santosa,
2017).Dalam
upayamemperkuatdayasaingdan meningkatkankualitasproduk maka UMKM harus
berusahamemahamikebutuhankonsumen
dan
menyadaripentingnyakebutuhantersebutdalammempertahankaneksistensimerktersebut
(Chiu and Shu 2017).
Tantangan utamauntukpelaku usahaUMKM kain sasiranganadalahbelum
adanya sistem informasi untuk memprediksi penjualan kain sasirangan di masa
depanyang akan membantu pelaku usaha UMKM dalam mempersiapkan persediaan
1
agar tidak terjadi kekosongan stok motif kain sasirangan yangdiinginkan oleh
customer. Di dalam data penjualan terdapat pola dan variabel penting yang dapat
dimodelkan ke dalam alghoritma untuk dilakukan prediksi penjualan dimasa
depan(Odegua 2020). Pada kegiatanprediksi penjualan dibutuhkan data penjualan
sebelumnya untuk dapat merepresentasikan kebutuhan stok dimasa depan (Alkhatib
dkk., 2013).
K-Nearest Neighbor (KNN)menjadialgoritmaklasifikasi dalam machine
learning yang mudah diimplementasikan tetapi menghasilkan rekaman k terdekat dari
kumpulan data pelatihan yang memiliki kemiripan tertinggi dengan data pengujian
(yaitu rekaman kueri).Masalah prediksi penjualan dapat diselesaikan dengan
klasifikasi
menggunakan
nilai
persamaan
Dokumenpengujiandiklasifikasikankedalamkelasmayoritas
pada
di
histori.
antara
k
tetanggaterdekat yang ditemukandenganmenghitungkesamaan(Tan, 2018).
Meskipun sederhana, KNN sering memberi hasil akurasi yang tinggi pada
banyak kasus dan metode KNN jugadigunakan karena sangat fleksibel dan dapat
bekerja
dengan
berbagai
keputusan(Dragomir
2010).Selanjutnya
untukmengevaluasiprediksi dan akurasikinerja dari algoritma KNN makadigunakan
metode confusion matrix untuk mendapatkan nilai sensitivity (recall), specificity,
precision dan accuracy. Sehingga nilai akurasi dari sistem informasi prediksi
penjualan dapat diketahui.
1.2
TujuanPenelitian
Berikutiniadalahtujuandaripenelitianiniadalah merancang sistem informasi
untuk memprediksi penjualan kain Sasirangan khas Banjarmasin dengan
metode KNN
2
1.3
ManfaatPenelitian
Berikutiniadalahmanfaatdaripenelitianiniadalahmembantu
pelaku
usaha
UMKM kain Sasirangan khas Banjarmasin untuk selalu dapat memenuhi
kebutuhan customer sehingga meminimalkan terjadinya kekosongan stok
barang.
2.
Tinjauan Pustaka dan Dasar Teori
2.1. Tinjauan Pustaka
Penelitian sebelumnya tentang kain Sasirangan telah dilakukanpenelitian
tersebut bertujuan untuk menguji pengaruh orientasi pasar terhadap pembelajaran
organisasi, inovasi, keunggulan bersaing, dan kinerja perusahaan di Kalimantan
Selatan. Desain penelitian tergolong desain penelitian kuantitatif untuk menguji
hubungan antar variabel. Hasil penelitian menunjukkan bahwa orientasi pasar
berpengaruh langsung signifikan terhadap pembelajaran organisasi, inovasi, dan
kinerja perusahaan, dan orientasi pasar berpengaruh tidak signifikan namun langsung
terhadap keunggulan bersaing(Zainul dkk., 2016).
Selanjutnya penelitian tentang prediksi dalam bidang ekonomi telah banyak
dilakukan salah satunya adalah menerapkan algoritma KNN dan pendekatan regresi
non-linier untuk memprediksi harga saham untuk sampel enam perusahaan besar
yang terdaftar di bursa saham Yordania untuk membantu investor, manajemen,
pengambil keputusan, dan pengguna dalam membuat keputusan yang benar dan
keputusan investasi yang diinformasikan. Berdasarkan hasil tersebut, algoritma
knnkuat dengan rasio error yang kecil dan hasilnya rasionalpada data harga saham
aktual dan hasil prediksi mendekati atau hampirsejajar dengan harga saham
aktual(Alkhatib dkk., 2013).
Penelitian berikutnya tentang Metode klasifikasi KNN telah digunakan secara
online dan real time untuk mengidentifikasi klien / pengunjung data aliran klik,
mencocokkannya dengan grup pengguna tertentu dan merekomendasikan pilihan
3
penjelajahan yang memenuhi kebutuhan pengguna tertentu pada waktu tertentu.
Untuk mencapai ini, file alamat Really Simple Syndication (RSS) pengguna web
diekstraksi, dibersihkan, diformat, dan dikelompokkan ke dalam sesi yang
menyenangkan dan data mart dikembangkan. Hasil kami menunjukkan bahwa
pengklasifikasi K-Nearest Neighbor transparan, konsisten, lugas, sederhana(Adeniyi
dkk., 2016).
Penelitian sebelumnya tentang metode klasifikasi KNN telah dipelajari untuk
peramalan ekonomi. Karena pengaruh kesulitan keuangan perusahaan terhadap
pemangku kepentingan, model prediksi kesulitan keuangan telah menjadi salah satu
area paling menarik dalam penelitian keuangan. Prediksi kesulitan keuangan
perusahaan di Iran yang telah meningkat, sebagian besar upaya telah memanfaatkan
metode statistik tradisional; dan hanya sedikit penelitian yang menggunakan metode
nonparametrik. Studi terbaru menunjukkan metode ini lebih mampu daripada metode
lain(Bafandeh dkk., 2013).
2.2. Dasar Teori
2.2.1. Sasirangan
Kain
Sasiranganmulanyadikenalsebagaikainpamintan.
Istilahpamintanadalahsingkatandariparmintaan
(permintaan),
maksudnyaadalahselembarkainputih yang diberiwarnatertentudengan motif tertentu
pula
ataspermintaanseseorang
yang
berobatkepadaseorangpengrajinkainpamintandenganmenggunakankainpamintanters
ebutmakadiharapkanpenyakitnyaakanmenjadisembuh(Normala 2019).
Kain khas Banjar yang sekarangmenjadikaincirikhasProvinsi Kalimantan
Selatan dikenaldenganistilah Kain Sasirangan (Seman, 2014). Sasiranganberasaldari
kata sirangyangdiambildaribahasa Banjar yang artinyarajutataudirajut. Kata
sirangditambahkanawalan
dan
4
akhiranmenjadiSasirangandengantujuanuntukmemudahkandalampengucapanataume
ngingatnya (Reny, 2014).
2.2.2. Data Mining
Penambangan
data
poladalamkumpulan
data
adalahteknologiuntukmenemukanstruktur
yang
besar.
Dari
dan
definisiini,
akansegeraterlihatbahwadisiplintersebutmemilikibanyaktumpangtindihdengandisipli
nilmuanalitik
data
pengenalanpola.
lainnya,
Namun,
terutamastatistik,
pembelajaranmesin,
meskiadabanyaktumpangtindih,
disiplininimemilikipenekanannyasendiri(Hand
dan
Adams,
dan
masing-masing
2015).Data
miningterdiridariaturanasosiasiuntukmendapatkanpola, prediksi, klasifikasi dan
pengelompokkan.Strukturteknikdata miningdapatdilihat pada gambar 2.1.
Gambar 2.1. Teknik data mining (Lashari dkk., 2017)
5
Sebelummelakukanprediksi
pada
data
miningmakaakandilakukanpreprocessing datadengantugas yang terdiridaripersiapan
dan transformasimenjadibentuk yang siapuntukdilakukanprediksi.Preprocessing
datasepertipembersihan data, integrasi, transformasi dan pengurangan. Ada
sejumlahalat
yang
digunakanuntukmelakukanpreprocessing
datatermasukpengambilansampel,
memilihdatasetrepresentatifdaripopulasibesar,
transformasi data mentahuntukmendapatkan input, menghilangkan noise dari data,
normalisasi
yang
dilakukanuntukmengatur
data
agar
lebihefisien
ektraksifituruntukmengeluarkanataumengurangi
dan
data
dalambeberapakontekstertentu(Tamilselvi dkk., 2015).
2.2.3. K-Nearest Neighbor (KNN)
Dalamjurnal yang berjudul “An Improved KNN Text Classification
Algorithm Based on K-Medoids and Rough Set“ algoritma KNN dapatmengurangi
overhead
persamaan
yang
samadengancaraalgoritma
yang
ditingkankandiperkenalkanuntukmengurangijumlah
data
latih.sehinggahasilsimulasimenunjukkanbahwaalgoritma
yang
diusulkandapatmeningkatkanefisiensiklasifikasi.
dapatmemperkirakanbatasatas
Algoritma
KNN
dan
bawah
yangdidefinisikanmenggunakanteorihimpunankasaruntukmengurangiruangpencaria
nsampelsehinggamendapatkanhasilklasifikasi yang baik(Tan, 2018).
Algoritma
pembelajaran
KNN
yang
melakukanklasifikasiterhadapobjekberdasarkan
jaraknya
paling
dekatdenganobjektersebutData
pembelajarandiproyeksikankeruangberdimensibanyak,
dimensimerepresentasikanfiturdari
bagianberdasarkanklasifikasi
data
data.
data
Ruang
pembelajaran.
dimana
masing-masing
inidibagimenjadibagianSebuahtitik
pada
ruanginiditandaikelas c jikakelas c merupakanklasifikasi yang paling banyakditemui
6
pada
k
buahtetanggaterdekattitktersebut.
Dekatataujauhnyatetanggabiasanyadihitungberdasarkanjarak
Euclidean.
Pada
fasepembelajaran, algoritmeinihanyamelakukanpenyimpananvektor-vektorfitur dan
klasifikasidari data pembelajaran.
Pada faseklasifikasi, fitur-fitur yang samadihitunguntuk data test (yang
klasifikasinyatidakdiketahui). Jarak darivektor yang baruiniterhadapseluruhvektor
data pembelajarandihitung, dan sejumlah k buah yang paling dekatdiambil. Titik
yang baruklasifikasinyadiprediksikantermasuk pada klasifikasiterbanyakdarititiktitiktersebut.Nilai
k
yang
terbaikuntukalgoritmeinitergantung
pada
data;
secaraumumnya, nilai k yang tinggiakanmengurangiefek noise pada klasifikasi,
tetapimembuatbatasanantarasetiapklasifikasimenjadilebihkabur.
Nilai
k
yang
bagusdapatdipilihdenganoptimasi parameter, misalnyadenganmenggunakan crossvalidation.
Kasuskhusus
di
mana
klasifikasidiprediksikanberdasarkan
data
pembelajaran yang paling dekat (dengan kata lain, k = 1) disebutalgoritme nearest
neighbor.Berikutpenjelasan dangambardari proses algoritmaK-Nearest Neighbor.
7
Gambar 2. 2Flowchart Algoritma KNN(Tan, 2018)
Pada proses algoritma KNN diatasdapatdijelaskansebagaiberikut :
1. Proses
pertamaadalahmasukkannilai
yaitujumlahtetanggaterdekatdengannilaiganjilkarenanilai
K
K
berfungsiuntuk mem-voting data.
2. Proses
keduaadalahmasukkannilaikriteria
yang
digunakanuntukmemberikanpenilaiandari data yang ingin diprediksi.
3. Preprocessingadalah proses dimanaseleksi data dimanahanya data
yang dibutuhkansaja yang akandiproses.
4. Hitungjarakadalah
proses
menghitungjarakberdasarkannilai
K,
disiniakandiketahuinilaiuntuk mem-voting.
8
5. Setelah
dilakukanhitungjarakmakadilakukanklasifikasiberdasarkannilainilaiterdekat.
Berikutadalahpersamaaneuclidean distanceyang digunakan olehalgoritmaKNearest Neighboruntuk mendapatkan nilai jarak dapat dilihat pada persamaan 2.1
𝐷 = √(𝑥1 − 𝑦1 ) + (𝑥 2 − 𝑦 2 )
Pada persamaan 2.1
diketahui
D
adalah jarak,
(2.1)
𝑥adalah sampel data
dan𝑦adalahdatauji. Selanjutnya setelah menghitungjaraksetiaptetangga maka hasilnya
akan diurutkan berdasarkanjarak darinilai terkecil hingga nilai terbesar dan proses
terakhir adalah melakukan klasifikasi dari hasil terhadap jarak terdekat.
2.2.4. Confusion matrix
Confusion matrixadalah mekanisme pengujianuntukmengevaluasiperformaprediksi
mengguanakan dua kelas positive dan negative yaitu True Positive (TP), False
Positive (FP), False Negative (FN) dan True Negative (TN).Diantaranya,
akurasiklasifikasimerupakan
parameter
utamauntukmenilaiefisiensisuatupengklasifikasi(Patro and Patra 2015). Berikut
rumus yang digunakan dalam melakukan evaluasi hasil prediksi yang dapat dilihat
pada persamaan 2.2(Nalavade and Mehsram 2014).
9
𝑎𝑐𝑐𝑢𝑟𝑎𝑐𝑦
=
𝑇𝑃 + 𝑇𝑁
𝑇𝑃 + 𝐹𝑃 + 𝐹𝑁 + 𝑇𝑁
(2.2)
𝑆𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡𝑦 =
𝑇𝑃
𝑃
(2.3)
𝑆𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑖𝑡𝑦 =
𝑇𝑁
𝑁
(2.4)
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 =
𝑇𝑃
𝑇𝑃 + 𝐹𝑃
(2.5)
Pada persamaan (2.2), (2.3), (2.4) dan (2.5) True positive (TP) adalahangkakoneksi
yang
tadidiklasifikasikandenganbenarsebagaiintrusi,
True
Negative
(TN)
adalahjumlahkoneksi salah diklasifikasikansebagaiintrusi, False positive (FP)
adalahjumlahkoneksiintrusi
yang
salah
diklasifikasikansebagai
normal,
FN
negatifpalsu) adalahjumlahkoneksi normal yang salah diklasifikasikansebagaiintrusi.
Nilaiakurasitersebut digambarkan dalam tabel mekanisme pengujianconfusion
matix. Tabel confusion matrix terdiri dari baris dan kolom yang memiliki nilai TP,
TN, FP dan FN seperti yang dapatdilihat pada tabel 2.1berikutini.
10
Tabel 2.1Confusion matix(Nalavade and Mehsram 2014)
Positif
Negatif
Normal
Attack
Normal
TP
FN
Attack
FP
TN
2.2.5. System Development Life Cycle (SDLC)
Software
Development
Live
merupakansikluspengembanganperangkatlunak
Cycle
yang
memilikitahapan
berurutandimulaidariperencanaanhinggapengujianperangkatlunak(Ragunath
2010).
(SDLC)
yang
dkk.,
Model
siklushidupperangkatlunakadalahkarakterisasideskriptifataupreskriptiftentangbagaima
naperangkatlunakdikembangkanModeldeskriptifdapatdigunakansebagaidasaruntukme
mahami
dan
meningkatkan
pengembanganperangkatlunakatauuntukmembangun
model
proses
preskriptif
yang
didasarkansecaraempiris(Larman dkk., 2003).
Waterfallmerupakan salah satu model SDLC tertua dan paling terkenal.Fitur
khususdari model iniadalahsetiapbagianakandiselesaikansecaraberurutan. Modelakan
memastikanadanyakelemahandaridesainsebelumnyauntukmelakukanpengembangans
uatuproduk(Alshamrani
dkk.,
2015).
Berikutinimetode
diagram
waterfalldapatditunjukan pada gambar 2.3.
11
Concept
Requirement
Design
Implement
Test
Operation
Gambar 2.3 Diagram model waterfall (Westfall 2010)
a. Tahapconceptmerupakangambarandarianalisiskebutuhanperangkatlunakberisikan
deskripsilengkap
dan
komprehensiftentangperilakuperangkatlunak
yang
akandikembangkan.
b. Tahaprequirement
merupakananalisiskebutuhan
melibatkanpersyaratanfungsional
ditentukandenganData
Flow
menggambarkanAliraninformasi
dan
yang
non-fungsional
yang
(DFD).
DFD
Diagram
yang
terjadi
pada
penggunadenganperangkatlunak.
c. Tahapdesignadalah
proses
perencanaan
pemecahanmasalahuntukmencarisolusiperangkatlunak.
Pengembang
perancangperangkatdigunakanuntukmenentukanrencanasolusi
meliputidesainalgoritma,
desainarsitekturperangkatlunak,
dan
dan
yang
skemakonseptual
12
database
dan
desain
diagram
logis,
desainkonsep,
desainantarmukapenggunagrafis, dan definisistruktur data.
d. Tahapimplementadalahrealisasipersyaratanbisnis dan spesifikasidesainmenjadi
program
yang
dapatdieksekusi,
database,
situs
web,
ataukomponenperangkatlunakmelaluipemrograman dan penyebaran.
e. Tahaptestadalah proses pengujian yang berfokus pada logika internal
perangkatlunak,
untukmemastikansemuakebutuhandarisistemdapatberjalandenganbaik
dan
dapatmengetahuijikaadakesalahan pada input, proses dan output di sistem.
(Geraci dkk., 1991).
f. Tahapoperationadalah
proses
memodifikasisolusiperangkatlunaksetelahpengiriman
dan
penyebaranuntukmemperbaiki
dan
output,
memperbaikikesalahan,
meningkatkankinerja dan kualitas(Stellman dkk., 2005).
Selanjutnya, DFD digunakanuntukmencapaiketepatan, keseimbangan diagram dan
konsistensiantara diagram. Simbol DFD terdiridariempatsimbolyaitu proses, aliran
data,
penyimpanan
data
dan
entitaseksternal(Ibrahim
dkk.,
2011).
Berikutsimbolelemen DFD dapatdilihat pada tabel 2.2
13
Tabel 2.2. Simbolelemen DFD (Dennis dkk., 2006)
Simbol
Nama Elemen
0
Proses
Name
Name
D1
Name
Name
Proses
Data Flow
Data Store
External Entity
14
Dalam diagram aliran data, tampilantingkattertinggidarisistemdikenalsebagai
diagram konteks. Level berikutnyadari diagram aliran data disebut diagram aliran
data level 0 yang mewakili proses utamasistem, aliran data, dan penyimpanan data
pada tingkat detail yang tinggi. Setiap proses dalam diagram aliran data level n-1
akandidekomposisimenjadi diagram aliran data level bawah yang merupakan diagram
aliran
data
level
n.
Diagram
alir
data
diilustrasikanpergerakan
data
antaraentitaseksternaldan proses dan penyimpanan data dalamsuatusistem(Dennis
dkk., 2006).
3. Metode Penelitian
3.1. Bahan dan Alat Penelitian
1. Bahan
Bahanpenelitian yang akandigunakandarihasilObservasilangsung kepada pelaku
usaha UMKM berupa data penjualan berdasarkan bulan dan data persediaan
kainsasiranganpada 30 UMKM Produsen Kain Sasirangan.
2. Alat
Penelitianinimembutuhkanalat-alatuntukmendukungberjalannyaperancangan
dan implementasi website, antara lain:
1. PerangkatKerasPersonal Computer (PC) / Laptop.
a. 32/64 bitArchitecture Processor.
b. 2GB Random Access Memory (RAM).
c. SistemOperasi Windows 7/8/10.
2. PerangkatLunak
a. Browser Internet (Google Chrome atauMozila Firefox).
b. XAMPP Control Panel v3.2.2
c. Ms. Word
15
d. SPSS
e. Rapidminer
f. PHP
3. Basis Data : SQL
3.2 ProsedurPenelitian
Prosedur penelitian yang digunakan mengadopsi model waterfall. Langkahlangkah sistematis dalam membuat sistem infotmasi prediksi penjualan
menggunakan algoritma KNN. Berikut urutan dari model waterfall yang di
gunakan pada penelitian ini :
1.
Observasi
Observasi dilakukan dengan cara mengamati pada 30 UMKM produsen kain
sasirangan secara langsung untuk mendapatkan data penjualan dan data
persediaan bulanan.
2.
Studi Pustaka
Setelah mendapatkan gambaran dari kondisi lapangan melalui observasi
selanjutnya dilakukan studi pustaka ilmu melalui publikasi jurnal yang relevan
terhadap penelitian.
3.
Analisis
Analisis dilakukan untuk mendapatkan gambaran pemecahan masalah dari hasil
observasi dan studi pustaka. Selanjutnya didapatkan Rumusan masalah, Tujuan
dan Manfaat.
16
4.
Perancangan
Perancangan
dilakukan
terhadap
Sistem
Informasi
Prediksi
Penjualan
menggunakan algoritma KNN untuk mendapatkan nilai prediksi dengan akurasi
tinggi.
5.
Implementasi
Berdasarkan pada perancangan yang telah dibuat selanjutnya dilakukan
implementasi dengan membangun Sistem Informasi Prediksi Penjualan dengan
bahasa pemrograman PHP dan basis data SQL.
6.
Pengujian
Pengujian dilakukan pada Sistem Informasi Prediksi Penjualan dengan
menggunakan metode evaluasi confusion matrix untuk mendapatkan nilai akurasi
dari Sistem Informasi Prediksi Penjualan.
3.3 KerangkaSistem Informasi
Kerangkaberpikiryaitusuatugambaran
menjelaskanmengenaialurlogikaberjalannyapenelitiansecara
yang
garis
besar.
Berikuttahap-tahap yang dilakukandalamkerangkaberpikirpenelitian, antara lain:
17
Input
Proses
Data Penjualan Kain
Sasirangan.
a.
b.
c.
d.
e.
f.
g.
h.
No. motif
Jenis motif
Jumlahpenjualanberda
sarkanbulan pada
tahun 2019
Jumlahpersediaanbaha
nbakukain sutra alam
Jumlahpersediaanbaha
nbakukain sutra super
Jumlahpersediaanbaha
nbakukain katun
Jumlahpersediaanbaha
nbakukainpolisima
Total pembelian
Preprocessing data
Output
1.
Metode KNN
a.
b.
c.
d.
e.
Nilai
Prediksi
penjualan
pada bulan
berikutnya
Menentukan parameter k
(jumlah tetangga paling
dekat).
Menghitung kuadrat jarak
eucliden objek terhadap data
training yang diberikan.
Mengurutkan hasildari nilai
tinggi ke rendah)
Mengumpulkan kategori dan
mengklasifikasi nearest
neighbor berdasarkan nilai k
terdekat
Dengan menggunakan
kategori nearest neighbor
yang paling mayoritas maka
dapat dipredisikan kategori
objek.
a.
b.
Metode
c.
evaluasiConfusion
Matrix
d.
Nilai
accuracy
Nilai
sensitivity
Nilai
specificity
Nilai
precision
18
3.4
JadwalPenelitian
Penulismelakukanpenelitianterhadap proses yang berhubunganbaiklangsungmaupuntidaklangsungdenganmasalah
yang diambil. Lokasi penelitiandilakukan di UMKM Kain Sasirangan
Tabel 3. 1JadwalPenelitian
Oktober
No
Januari
Desember
Februari
Kegiatan
1
1
November
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
Mengumpulkan
data
2
Analisis
Kebutuhan
3
Desain
4
Pembuatan Kode
Program
5
Pengujian
19
DAFTAR PUSTAKA
Adeniyi, D. A., Z. Wei, dan Y. Yongquan. 2016. “Automated Web Usage Data
Mining and Recommendation System Using K-Nearest Neighbor (KNN)
Classification Method.” Applied Computing and Informatics 12(1): 90–108.
http://dx.doi.org/10.1016/j.aci.2014.10.001 (November 26, 2020).
Alkhatib, Khalid, Hassan Najadat, Ismail Hmeidi, dan Mohammed K Ali Shatnawi.
2013. 3 International Journal of Business Stock Price Prediction Using KNearest Neighbor (KNN) Algorithm. www.ijbhtnet.com (November 26, 2020).
Almas, Zaidan. 2018. “Nilai-Nilai Dalam Motif Kain Sasirangan.” Pendidikan dan
Pembelajaran Ilmu Pengetahuan Sosial 7(2): 210–20.
Alshamrani, Adel, dan Abdullah Bahattab. 2015. “A Comparison Between Three
SDLC Models Waterfall Model, Spiral Model, and Incremental/Iterative
Model.” IJCSI International Journal of Computer Science Issues 12(1): 106–11.
Bafandeh, Sadegh, Imandoust And, dan Mohammad Bolandraftar. 2013. 3 Journal of
Engineering Research and Applications www.ijera.com Application of KNearest Neighbor (KNN) Approach for Predicting Economic Events:
Theoretical Background. www.ijera.com (November 26, 2020).
Chiu, Chaochang, dan Chia Houng Shu. 2017. “Monthly Car Sales Prediction Using
Internet Word-of-Mouth (EWOM).” In Proceedings - 2017 IEEE International
Conference on INnovations in Intelligent SysTems and Applications, INISTA
2017, Institute of Electrical and Electronics Engineers Inc., 345–48.
Dennis, Alan., Barbara Haley Wixom, dan Roberta M. Roth. 2006. Systems Analysis
Design. 3rd ed. J. Wiley.
Dragomir, Elia Georgiana. 2010. “Air Quality Index Prediction Using K-Nearest
Neighbor Technique.” Universităţii Petrol-Gaze din Ploieşti (1).
Geraci, Anne. 1991. IEEE Std 610 IEEE Standard Computer Dictionary. A
Compilation of IEEE Standard Computer Glossaries.
20
Hand, David J., dan Niall M. Adams. 2015. “Data Mining.” Wiley StatsRef: Statistics
Reference Online: 1–7.
Ibrahim, Rosziati, dan Siow Yen Yen. 2011. “A Formal Model for Data Flow
Diagram Rules.” ARPN Journal of System and Software
1(2).
http://www.scientific-journals.org (April 16, 2020).
Larman, Craig, dan Victor R. Basili. 2003. “Iterative and Incremental Development :
A Brief History.” Computer 36(6): 47–56.
Lashari, Saima Anwar, Rosziati Ibrahim, Norhalina Senan, dan N.S.A.M Taujuddin.
2017. “Application of Data Mining Techniques for Medical Data Classification:
A Review.
Nalavade, Kamini, dan B.B.Mehsram. 2014. “Evaluation of K-Means Clustering for
Effective Intrusion Detection and Prevention in Massive Network Traffic Data.”
International Journal of Computer Applications 96(7): 975–8887.
Normala. 2019. “Perhitungan Anggaran Bahan Baku Pada Nida Sasirangan
Banjarmasin.” Politeknik Negeri Banjarmasin.
Odegua, Rising. 2020. “Applied Machine Learning for Supermarket Sales
Prediction.” (March).
Patro, V.Mohan, dan Manas Ranjan Patra. 2015. “A Novel Approach to Compute
Confusion Matrix for Classification of N-Class Attributes with Feature
Selection.” Transactions on Machine Learning and Artificial Intelligence 3(2).
Ragunath, Pk. 2010. “Evolving A New Model (SDLC Model-2010) For Software
Development Life Cycle (SDLC).” International Journal of Computer Science
and Network Security 10(1): 112–19.
Stellman, Andrew, dan Jennifer Greene. 2005. Applied Software Project
Management. “O’Reilly Media, Inc.”
21
Tamilselvi, R, B Sivasakthi, and R Kavitha. 2015. “An Efficient Preprocessing And
Postprocessing Techniques In Data Mining.”.ijrcar. (April 10, 2020).
Westfall, Linda. 2010. The Certified Software Quality Engineer Handbook.
Milwaukee: Quality Press.
Zainul, Mohammad. 2016. “The Effect of Market Orientation toward Organizational
Learning, Innovation, Competitive Advantage, and Corporate Performance (A
Study at SME Sasirangan in South Kalimantan).” Online) Journal of
Administrative Sciences and Policy Studies 4(1): 2372–5117.
22
23