Analysis of Consumer Preferences for Used Cars Using K-Means Clustering as a Basis for Building Business Actions

Analysis of Consumer Preferences for Used Cars Using K-Means Clustering as a Basis for Building Business Actions

Authors

• Feri Sulianta Universitas Widyatama https://orcid.org/0000-0002-5635-7856
• Endang Amalia
• Ahmad Arif

DOI: https://doi.org/10.33022/ijcs.v13i4.4147

 

Abstract

Transportation is a crucial aspect of modern mobility, enabling the movement of goods and individuals. Private vehicles, such as motorcycles and cars, are the dominant choice for many due to their convenience and practicality. However, with numerous car options, consumers often struggle to select used cars that match their needs and preferences. In this research, data mining is employed to cluster used cars based on consumer preferences for price, rating, and performance using the K-Means Clustering algorithm. The data consists of used car information from various sources. The K-Means algorithm groups the cars into clusters based on price, rating, and performance criteria. The results reveal three consumer groups with different preferences in these areas. This information provides valuable insights for consumers to make informed decisions and offers guidance to the automotive industry for designing more effective business actions.

 Keywords: Data mining, Used Cars, K-Means Clustering, Consumer Preferences, Business Actions

Download link klik di sini 

 

Read More

Revealing Consumer Preferences in the Fashion Industry Using K-Means Clustering

 International Journal of Engineering Continuity

Revealing Consumer Preferences in the Fashion Industry Using K-Means Clustering 

Abstract: The fashion industry, driven by rapidly shifting e-commerce trends and consumer preferences, demands precise data analysis to optimize marketing strategies and enhance customer satisfaction. This study utilizes data mining techniques, specifically K-Means Clustering and the Elbow Method, to reveal consumer preferences within a dataset of 1,000 fashion product sales records, which include attributes such as product ID, name, brand, category, price, rating, color, and size. By grouping data into distinct clusters based on price and rating preferences, the analysis uncovers four key consumer segments. The optimal number of clusters is confirmed using the WCSS (Within-Cluster Sum of Square) method. These insights offer valuable guidance for refining marketing strategies in the fashion industry. Future research should consider additional variables and employ advanced tools for deeper analysis.

Keywords:Consumer Preferences, Data Mining, Elbow Method,Fashion Products, K-Means.

 Revealing Consumer Preferences in the Fashion Industry Using K-Means Clustering

Feri Sulianta, Khaerani Ulfah, Endang Amalia

34-53

 

DOI : 10.58291/ijec.v3i2.280

Download: PDF 

 

 

 

Read More

Konsumen Sebagai Co-Creation untuk Menentukan Strategi Bisnis Menggunakan Algoritma Apriori pada Industri Retail Skala Internasional

Konsumen Sebagai Co-Creation untuk Menentukan Strategi Bisnis Menggunakan Algoritma Apriori pada Industri Retail Skala Internasional.

Feri Sulianta - Industri retail skala internasional menjual banyak variasi produk yang didapat dari berbagai vendor, transaksi penjualan yang terjadi membentuk gudang data yang tersimpan pada basis data Sistem Enterprise Resource Planning. Ketersediaan data historis hasil transaksi yang terdokumentasi dapat manfaaatkan lebih lanjut untuk ditambang dengan menganalisa keranjang belanja konsumen. dengan mencari korelasi antara produk-produk dalam kumpulan transaksi penjualan yang sudah terjadi dalam kurun waktu tertentu. Algoritma apriori digunakan untuk membangun aturan asosiasi yang berfokus pada memetakan perilaku konsumen retail sebagai co-creation manajemen startegi perusahaan dan dapat menghasilkan hubungan dan aturan yang akan mengungkapkan pola preferensi pelanggan terhadap berbagai jenis produk, yang sebelumnya tersembunyi dan sulit diukur. Aturan asosiasi yang dihasilkan melalui serangkaian proses teknik data mining diujikan lebih lanjut untuk mengukur keberhasilkan aturan asosiasi menggunakan data transaksional pada periode berikutnya. Hasil pengujian aturan asosiasi dengan nilai minimum confidence 70% digunakan sebagai dasar membangun strategi bisnis diantaranya: memperkuat penjualan paket, strategi penempatan produk, segmentasi pasar berdasarkan preferensi warna,
mengelola stok dan ketersediaan produk.
Kata kunci: Algoritma Apriori, Data Mining, Perilaku Konsumen, Market Basket Analysis, Strategi Bisnis 

Klik di sini untuk mengakses dokumen  layar penuh

 

Read More

Clustering Biaya Kesehatan Menggunakan Algoritma K-Means

 Clustering Biaya Kesehatan Menggunakan Algoritma K-Means

Abstract---Asuransi kesehatan merupakan asuransi dimana pihak penanggung menjamin segala kemungkinan yang terjadi pada diri tertanggung terkait dengan masalah kesehatanya sesuai dengan perjanjian yang telah di sepakati.

Suatu perusahaan yang bergerak dibidamg jasa asuransi jiwa perlu melakukan analisis calon nasabah asuransi. Agen asuransi perlu menganalisi calon nasabah. Tujuan dari analisis ini adalah untuk menyelidiki berbagai faktor yang berhubungan dengan kesehatan dan keterkaitannya untuk memprediksi biaya pengobatan individu yang ditagihkan oleh asuransi kesehatan secara akurat. Faktor-faktor ini mencakup aspek-aspek seperti usia, dan indeks massa tubuh (BMI).

Salah satu metode analisis ini dengan menggunakan metode clustering dengan algoritma k-means. Clustering adalah teknik dalam analisis data yang digunakan untuk mengelompokkan objek atau data ke dalam kelompok-kelompok yang memiliki kesamaan karakteristik tertentu. Tujuan utama dari clustering adalah untuk mencari pola atau struktur dalam data tanpa adanya label atau pengawasan sebelumnya. Dalam clustering, objek dalam kelompok yang sama akan memiliki kesamaan yang tinggi, sedangkan objek antar kelompok akan memiliki perbedaan yang signifikan.

 Kata Kunci Asuransi, Kesehatan, Clustering, Data mining

Untuk tampilan maksimal klik disini

Read More

Analisis prediksi profit proyek pekerjaan plafon gypsum menggunakan klasifikasi decision tree

Analisis prediksi profit proyek pekerjaan plafon gypsum menggunakan klasifikasi decision tree

Feri Sulianta—  Perusahaan yang bergerak dalam bidang konstruksi yang salah satu layanannya yakni jasa pemasangan plafon gypsum, membutuhkan strategi kelola perencanaan anggaran atau Rincian Anggaran Biaya (RAB) untuk mendukung kelancaran pengerjaan proyek. Pada proses berjalannya proyek pekerjaan plafon, perencanaan anggaran digunakan sebagai sumber informasi utama dalam menghitung keuntungan perusahaan. Rincian Anggaran Biaya suatu proyek pekerjaan plafon gypsum meliputi biaya tenaga kerja, tenaga ahli, material, operasional proyek, biaya peralatan kerja dan biaya mobilisasi. Perencanaan yang tidak tepat dapat mempengaruhi cash flow sebuah perusahaan sehingga berkaitan erat terhadap keberlangsungan pelaksanaan proyek pekerjaan plafon. Diperlukan suatu teknik prediksi untuk  menentukan keuntungan perusahaan berdasarkan penggunaan RAB suatu proyek agar perusahaan tersebut dapat menjaga cash flow yang mereka miliki sehingga tidak mempengaruhi pelaksanaan proyek. Tujuan untuk mencari faktor mana yang lebih menentukan untuk menghasilkan keuntungan dalam suatu proyek pekerjaan plafon. Penelitian ini menyajikan implementasi data mining dengan metode klasifikasi khususnya decision tree dapat menyelesaikan permasalaan tersebut dan menghasilkan sebuah knowledge discovery dalam membantu perusahaan mendapatkan keuntungan di masa depan. Kesimpulan, teknik klasifikasi dapat membantu perusahaan untuk lebih memperhatikan atribut tertentu dalam pelaksanaan sebuah proyek pekerjaan plafon dan membantu perusahaan atau pemangku kebijakan dalam menentukan sebuah keputusan di masa depan.  

 Kata kunci: Data Mining; Klasifikasi; Decision Tree; Prediksi; Rincian Anggaran Biaya; Profit.

 Abstract in english - A company engaged in the construction sector, one of whose services is the installation of gypsum ceiling services, requires a strategy for managing budget planning or Detailed Budgeting (RAB) to support the smooth running of the project. In the process of running a ceiling work project, budget planning is used as the main source of information in calculating company profits. Details of the Budget The cost of a gypsum ceiling work project includes labor costs, experts, materials, project operations, work equipment costs and mobilization costs. Inappropriate planning can affect a company's cash flow so that it is closely related to the continuity of the implementation of ceiling work projects. A prediction technique is needed to determine company profits based on the use of a project's RAB so that these companies can maintain their cash flow so that it does not affect project implementation. The aim is to find out which factors are more decisive for generating profits in a ceiling work project. This study presents the implementation of data mining with classification methods, especially decision trees that can solve these problems and generate knowledge discovery to help companies gain future profits. The results of classification techniques can help companies pay more attention to certain attributes in implementing a ceiling work project and help companies or policy makers in determining a decision in the future.  

Keywords: Data mining; Klasifikasi; Decision tree; Prediction; Real Estimate of Cost; Profit 

Sumber paper klik di sini

Read More