Analisis Preferensi Pilihan Rasa Kopi Menggunakan Teknik Data Mining Pada Survey Konsumen Menggunakan Algoritma K-means Clustering
DOI:
https://doi.org/10.53513/jursi.v5i2.11856Keywords:
Kopi, Preferensi Rasa, Data Mining, K-means Clustering, Survei KonsumenAbstract
Kopi merupakan salah satu minuman yang banyak digemari oleh masyarakat dari berbagai kalangan. Setiap individu memiliki preferensi rasa kopi yang berbeda, seperti rasa manis, pahit, atau asam. Untuk memahami pola preferensi konsumen terhadap rasa kopi, dibutuhkan metode analisis yang mampu mengelompokkan data secara efektif. Penelitian ini menggunakan teknik data mining dengan algoritma K-Means Clustering untuk menganalisis hasil survei konsumen mengenai rasa kopi. Data dikumpulkan melalui kuesioner yang menilai atribut rasa berdasarkan skala tertentu, kemudian diproses menggunakan algoritma K-Means untuk membentuk beberapa kelompok preferensi. Hasil dari proses klastering menunjukkan bahwa konsumen terbagi ke dalam beberapa klaster dengan kecenderungan rasa tertentu. Temuan ini dapat digunakan oleh pelaku usaha kopi untuk merancang produk yang lebih sesuai dengan selera konsumen di setiap klaster. Penelitian ini membuktikan bahwa teknik K-Means Clustering efektif dalam mengidentifikasi pola preferensi rasa kopi dari data survei konsumen.
References
A. Nurul and R. Nurmalina, “SIKAP DAN PREFERENSI KONSUMEN TERHADAP,” vol. 12, no. 1, pp. 120–130, 2024.
A. Info, “Peramalan Produksi , Volume Ekspor dan Nilai Ekspor Kopi Indonesia Abstrak,” vol. 5, no. 2, pp. 178–185, 2025.
M. Syahril, K. Erwansyah, and M. Yetri, “Penerapan Data Mining Untuk Menentukan Pola Penjualan Peralatan Sekolah Pada Brand Wigglo Dengan Menggunakan Algoritma Apriori,” vol. 3, no. 1, pp. 118–136, 2020.
J. Penerapan, T. Informasi, and E. Saputri, “IT-EXPLORE Teknik dan aplikasi data mining di Indonesia : tinjauan literatur satu dekade ( 2015-2024 ),” vol. 04, pp. 138–149, 2025, doi: 10.24246/itexplore.v4i2.2025.pp138-149.
A. Zaelani, M. Fikriansyah, M. Syahdan, and I. A. Hakim, “Peran Keamanan Basis Data Relasional dalam Menjamin Kualitas Data untuk Proses Data Mining : Studi Kasus Klasifikasi Aktivitas Akses Berisiko,” vol. 4, no. 2, pp. 5286–5292, 2025.
A. A. Baskara, N. M. Piranti, and M. F. Romdendine, “FRAMEWORK DATA MINING : SEBUAH SURVEI,” vol. 9, no. 3, pp. 4886–4895, 2025.
M. T. Informasi, U. Pembangunan, and P. Budi, “Implementasi Data Mining Untuk Clustering Produktivitas Bawang Merah Menggunakan Metode K-Means,” vol. 07, no. 02, pp. 109–121, 2025.
S. Gantina and A. H. Nasyuha, “Implementasi Data Mining Dalam Pengelompokan Data Transaksi Penjualan Kosmetik di WN Kosmetik Dengan Menggunakan Metode K-Means Clustering,” no. x, pp. 1–11, 2020.
M. A. Aldi et al., “IMPLEMENTASI K-MEANS CLUSTER ING DALAM PENGELOMPOKAN DATA KUNJUNGAN,” vol. 2, no. 1, pp. 13–19, 2025.
D. K. Clustering, S. Informasi, F. T. Informasi, and U. T. Digital, “2 * 1,2,” vol. 5, no. 1, pp. 435–448, 2025.
R. Syahri, T. Informatika, and S. Selatan, “ALGORITMA K-MEANS CLUSTERING : SEBUAH STUDI LITERATUR K-MEANS CLUSTERING ALGORITHM : A LITERATUR STUDY,” vol. x, no. x, pp. 1–7, 2023, doi: 10.12345/juri.
A. Sulistiyawati and E. Supriyanto, “Implementasi Algoritma K-means Clustring dalam Penetuan Siswa Kelas Unggulan,” vol. 15, no. 2, pp. 25–36, 2020.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Jurnal Sistem Informasi Triguna Dharma (JURSI TGD)
This work is licensed under a Creative Commons Attribution 4.0 International License.
