IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOR (KKN) UNTUK KLASIFIKASI STATUS PENJUALAN IKAN KONSUMSI PADA UD, SUMBER REJEKI | L2P UNIVERSITAS MUHAMMADIYAH PONOROGO
Beranda Tentang Kami Berita
  • E-Resources
    Indonesiana
    • Batavia Digital
    • Candi di Indonesia
    • Dokumentasi Perfilman Indonesia
    • Dokumentasi Sastra Indonesia
    • Kepustakaan Presiden RI
    • Keraton Nusantara
    • Pernaskahan Nusantara
    • Kepustakaan Tokoh Perfilman
    • Khasanah Pustaka Nusantara
    • Perpuspedia
    Pencarian
    • DOAJ
    • Google Scholar
    • JDIH
    • Bibliografi Nasional Indonesia
    • Katalog Induk Nasional
    • Bursa Efek Indonesia
    Alat
    • Mendeley
    • Zotero
    • Publish or Perish
    • Vos Viewer
    Sumber Belajar
    • Perpustakaan Digital
    • TED
    • Google Experiments
    • Sumber Belajar Kemdikbud
    • Ebook
  • Bantuan
    • Member Area
    • Beranda
    • Tentang Kami
    • Berita
    • Bantuan

    L2P UNIVERSITAS MUHAMMADIYAH PONOROGO

    Universitas Muhammadiyah Ponorogo


    Temukan setiap halaman yang menunggu untuk dibaca, setiap pengetahuan yang siap mengubah dunia.


    Pencarian Lanjutan
    Pencarian Spesifik

    IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOR (KKN) UNTUK KLASIFIKASI STATUS PENJUALAN IKAN KONSUMSI PADA UD, SUMBER REJEKI

    A'AN YULIANTO (18532907) - Nama Orang;

    Skripsi · 2025

    Indonesia sebagai negara maritim terbesar di dunia memiliki potensi besar dalam sektor perikanan yang berkontribusi signifikan terhadap perekonomian nasional. Salah satu pelaku usaha di sektor ini adalah UD Sumber Rejeki, yang bergerak di bidang penjualan ikan konsumsi di Pasar Stasiun Ponorogo. Usaha ini menghadapi tantangan dalam manajemen stok harian karena proses restok masih mengandalkan intuisi dan pembukuan manual, sehingga sering terjadi ketidaksesuaian antara ketersediaan dan permintaan pasar. Untuk mengatasi permasalahan tersebut, penelitian ini mengusulkan pemanfaatan algoritma K-Nearest Neighbor (KNN) dalam sistem prediksi penjualan ikan. KNN dipilih karena kesederhanaannya dalam menangani klasifikasi biner, yaitu menentukan apakah suatu jenis ikan tergolong "laku" atau "tidak laku". Sistem ini bekerja dengan memanfaatkan data historis berupa stok dan jumlah ikan terjual. Admin hanya perlu mengunggah data dalam format Excel, kemudian sistem secara otomatis memproses data dan menampilkan hasil klasifikasi dalam bentuk tabel yang dapat dicetak. Evaluasi sistem menggunakan confusion matrix menunjukkan performa yang sangat baik, dengan akurasi 94%, presisi 95,6%, recall 97,7%, dan Fl-score 0,966. Selain itu, pengujian fungsional menggunakan metode Black Box menunjukkan bahwa seluruh fitur sistem berjalan sesuai harapan tanpa error. Hasil penelitian ini membuktikan bahwa implementasi KNN mampu memberikan solusi prediktif yang efektif bagi pengambilan keputusan stok harian, mengurangi potensi pemborosan, serta meningkatkan efisiensi operasional dan layanan pelanggan di UD Sumber Rejeki.

    Penanda Bagikan
    Image of IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOR (KKN) UNTUK KLASIFIKASI STATUS PENJUALAN IKAN KONSUMSI PADA UD, SUMBER REJEKI

    About this edition
    Edisi: -
    ISBN/ISSN: -
    Page count: xix, 58 p, 30 cm.
    Published: 2025
    Format: text
    Penerbit: TEKNIK UNMUH PONOROGO
    Bahasa: Indonesia
    Tipe Isi: text
    Tipe Media: -
    Tipe Pembawa: -
    Ketersediaan
    #
    Prodi Teknik Informatika (Rak Koleksi Khusus) 71 YUL i FT-2025
    KK1225FT
    Tersedia namun tidak untuk dipinjamkan - No Loan
    Subjek
    Prediksi Penjualan
    Data Historis
    Iksn Konsumsi
    Kladifikasi Biner
    Versi lain/terkait

    Tidak tersedia versi lain

    Lampiran Berkas
    Tidak Ada Data
    Komentar

    Anda harus masuk sebelum memberikan komentar

    Di Antara Kata, Kita Bertumbuh.

    L2P UNIVERSITAS MUHAMMADIYAH PONOROGO
    Universitas Muhammadiyah Ponorogo

    • Informasi
    • Layanan
    • Pustakawan
    • Area Anggota

    Tentang Kami

    As a complete Library Management System, SLiMS (Senayan Library Management System) has many features that will help libraries and librarians to do their job easily and quickly. Follow this link to show some features provided by SLiMS.

    Statistik Pengunjung Web

    Hari ini : 245 1 Pekan Terakhir : 1542 1 Bulan Terakhir : 6365 1 Tahun : 76365

    Cari

    masukkan satu atau lebih kata kunci dari judul, pengarang, atau subjek

    Donasi untuk SLiMS Kontribusi untuk SLiMS?

    © L2P UNIVERSITAS MUHAMMADIYAH PONOROGO | Universitas Muhammadiyah Ponorogo