Prediksi Penjualan Sepeda Motor Menerapkan Metode K-Nearest Neighbor
DOI:
https://doi.org/10.35473/jamastika.v5i1.4701Abstract
Advances in information technology and the increasing public demand for motorized vehicles have driven the continued growth of motorcycle sales each year. This situation requires companies to have accurate sales prediction capabilities to optimally manage inventory and reduce potential losses. One method that can be utilized is K-Nearest Neighbor (K-NN), a method that operates based on distance measurements classification algorithm that works by comparing new data with historical data to determine specific categories.
The K-NN method has proven effective in various studies focusing on sales prediction, including motorcycles, spare parts, and other commercial products, with a high degree of accuracy. Some studies even report accuracy of up to 96.15% in motorcycle sales prediction, as well as optimal performance in predicting car and motorcycle spare part sales.
This study used 60 used motorcycle sales data sets from the OLX platform with a K value of 5 and Euclidean distance calculations. The dataset was split into 70% for training and 30% for testing. It is hope that the results of this research will provide benefits generate more accurate predictions regarding the sales categories of used motorcycles both popular and non-popular so that it can be used as a reference in dicision making regarding stock management and developing more effective sales strategies.
Keywords: K-Nearest Neighbor, Sales Prediction, Used Motorcycles, Data Mining, OLX
Kemajuan teknologi informasi serta meningkatnya kebutuhan masyarakat akan kendaraan bermotor telah mendorong pertumbuhan penjualan sepeda motor yang terus meningkat setiap tahun. Situasi ini membuat perusahaan perlu memiliki kemampuan prediksi penjualan yang akurat agar dapat mengatur persediaan secara optimal dan mengurangi potensi kerugian. Salah satu metode yang bisa diterapkan yaitu metode K-Nearest Neighbor (K-NN), yakni algoritma klasifikasi yang mengelompokkan data dengan mengukur kedekatan antara data yang baru masuk dibandingkan dengan data yang telah tersimpan sebelumnya, lalu penentuannya dilakukan berdasarkan kedekatan dengan data historis yang paling mirip.
Metode K-NN telah terbukti efektif dalam berbagai penelitian yang berfokus pada prediksi penjualan, baik penjualan sepeda motor, sparepart, maupun produk dagang lainnya, dengan tingkat akurasi yang tinggi. Beberapa studi bahkan melaporkan akurasi hingga 96,15% pada kasus prediksi penjualan motor, serta performa optimal dalam prediksi penjualan sparepart mobil dan motor.
Pada penelitian ini, digunakan 60 data penjualan motor bekas dari platform OLX dengan nilai K = 5 dan perhitungan jarak Euclidean. Dataset tersebut dipisahkan menjadi 70% data latihan dan 30% data uji coba. Penelitian ini diharapkan bisa memberikan hasil prediksi yang akurat terkait klasifikasi penjualan motor bekas, baik yang termasuk kategori laris maupun tidak laris, sehingga bisa dijadikan acuan dalam pengambilan keputusan mengenai pengelolaan persediaan maupun penyusunan strategi penjualan yang lebih optimal.
Kata Kunci: K-Nearest Neighbor, Prediksi Penjualan, Motor Bekas, Data Mining, OLX
References
Bahtiar, r. (2023). Implementasi data mining untuk prediksi penjualan kusen terlaris menggunakan metode k-nearest neighbor. 1(3), 203–214.
Erwanto, m., & aziat, m. R. (2024). Metode k-nearest neighbors untuk prediksi penjualan suku cadang ( sparepart ) motor honda. 17(2), 8–18.
Penjualan, m., motor, s., pada, t., daya, p. T., & mandiri, a. (2022). Jurnal comasie. 05.
Pratiwi, n. E., suryadi, l., pratiwi, n. E., ardhy, f., & riswanto, p. (2022). Jusim ( jurnal sistem informasi musirawas ) penerapan data mining prediksi penjualan mebel terlaris menggunakan metode k-nearest neighbor ( k-nn ) ( studi kasus : toko zerita meubel ) jusim ( jurnal sistem informasi musirawas ) lusi suryadi , ngajiyano , novia eka pratiwi , ferly. 7(2), 174–184.
Pulungan, m., & leman, d. (2024). Penerapan data mining dalam prediksi penjualan sparepart sepeda motor terlaris menggunakan metode k-nearest neighbor ( knn ) pada cv . Solid mitra cemerlang. 2(3), 2056–2069.
Studi, p., akuntansi, k., & cirebon, s. I. (2023). Penerapan metode k-nearest neighbor untuk prediksi. 7(1), 585–590.
Yolanda, i., & fahmi, h. (2021). Penerapan data mining untuk prediksi penjualan produk roti terlaris pada pt . Nippon indosari corpindo tbk menggunakan metode k-nearest neighbor. 3(3), 9–15.
Yusticia, s. J., & hasugian, p. S. (2025). Jurnal sistem informasi dan teknologi jaringan prediksi penjualan sparepart mobil dengan metode k-nearest neighbor pada ud . Psj motor. 1, 20–25.
Z. Fatah. (2025). Tik dan masyarakat (cetakan pe). Pt penamuda media.
Argina, A.M. (2020) ‘Penerapan Metode Klasifikasi K-Nearest Neigbor pada Dataset Penderita Penyakit Diabetes’, Indonesian Journal of Data and Science, 1(2), pp. 29–33. Available at: https://doi.org/10.33096/ijodas.v1i2.1 1.
Rangkuti, M.Y.R., Alfansyuri, M.V. and Gunawan, W. (2021) ‘Penerapan Algoritma K-Nearest Neighbor (Knn) Dalam Memprediksi Dan Menghitung Tingkat Akurasi Data Cuaca Di Indonesia’, Hexagon Jurnal Teknik dan Sains, 2(2), pp. 11–16. Available at: https://doi.org/10.36761/hexagon.v2i2.1082.
Sholeh, M., Andayati, D. and Rachmawati,R.Y. (2022) ‘Data Mining Model Klasifikasi Menggunakan Algoritma K-Nearest Neighbor Dengan Normalisasi Untuk Prediksi Penyakit Diabetes’, TeIKa, 12(02), pp.77–87. Available at:https://doi.org/10.36342/teika.v12i02. 2911.
