Perbandingan Analisis Cluster Algoritma K-Means Dan AHC Dalam Perencanaan Persediaan Barang Pada Perusahaan Manufaktur
Abstract
Inventory control is very important for PT. Multi Lestari (goods production/sales company), so as not to incur maintenance costs for goods that are produced in excess, or cause losses if customer requests cannot be met. This study tested the K-Means algorithm and the Agglomerative Hierarchical Clustering (AHC) algorithm in classifying past sales data based on sales parameters. Inventory prediction for future sales is done by interpreting the results of the cluster formed by the clustering algorithm used. The cluster center that is formed based on the average number of sold parameters is used as a reference to determine the amount of inventory for each type of item that is included in the group members of a particular cluster. The test results show that both the K-Means algorithm and the AHC algorithm can classify the goods sold based on the similarity of the average number sold. However, both produce different amounts, so further studies are needed on which algorithm produces more accurate inventory predictions, based on real sales results that have been made in the past.
Keywords: Data Mining; Grouping; Cluster Center; Inventory Prediction
Abstrak. Pengendalian persediaan barang menjadi sangat penting bagi PT. Multi Lestari (perusahaan produksi/penjualan barang), agar tidak menimbulkan biaya pemeliharaan bagi barang yang diproduksi secara berlebihan, atau menimbulkan kerugian jika permintaan pelanggan tidak dapat dipenuhi. Penelitian ini menguji algoritma K-Means dan algoritma Aglomerative Hierarchical Clustering (AHC) dalam mengelompokkan data penjualan barang masa lalu berdasarkan parameter-parameter penjualan. Prediksi persediaan untuk penjualan masa mendatang dilakukan dengan menginterpretasikan hasil cluster yang terbentuk oleh algoritma clustering yang digunakan. Pusat cluster yang terbentuk berdasarkan parameter rerata jumlah terjual digunakan sebagai acuan untuk menentukan jumlah persediaan barang bagi setiap jenis barang yang termasuk dalam anggota kelompok sebuah cluster tertentu. Hasil uji menunjukkan algoritma K-Means maupun algoritma AHC keduany dapat mengelompokkan barang yang terjual berdasarkan kemiripan rerata jumlah terjual. Namun keduanya menghasilkan jumlah yang berbeda, sehingga perlu kajian lebih lanjut mengenai algoritma mana yang menghasilkan prediksi persediaan yang lebih akurat, dengan berpatokan pada Hasil penjualan riil yang telah dilakukan pada masa lalu.
Kata kunci: Data Mining; Pengelompokan; Pusat Klaster; Prediksi Persediaan
References
A.R. Khorida, “Analisis Perencanaan Dan Pengendalian Persediaan Barang Jadi Pada PT. Pardic Jaya Chemicals”. Balance Vocation Accounting Journal, vol. 1, no. 1, pp. 1-14, 2017.
E. Khikmawati, M. Anggraini, and K. Anwar, “Analisis Perencanaan Biaya Persediaan Produk Semen Melalui Pendekatan Perencanaan Kebutuhan Bahan Baku (Material Requirement Planning)”. Jurnal Rekayasa, Teknologi, dan Sains, vol. 1, no. 1, pp. 28-35, 2017
H. Chrisna, “Analisis manajemen persediaan dalam memaksimalkan pengendalian internal persediaan pada pabrik sepatu ferradini Medan”. Jurnal Akuntansi Bisnis dan Publik, vol. 8, no. 2, pp. 82-92, 2018.
E. Prasetyo, Data Mining, Yogyakarta: Penerbit ANDI, 2014.
S. Butsianto and N.T. Mayangwulan, “Penerapan Data Mining Untuk Prediksi Penjualan Mobil Menggunakan Metode K-Means Clustering”. J. Nas. Komputasi dan Teknol. Inf, vol. 3, no. 3, pp. 187-201, 2020.
D. Anggarwati, O. Nurdiawan, I. Ali, and D.A. Kurnia, “Penerapan Algoritma K-Means Dalam Prediksi Penjualan Karoseri”. Jurnal Data Science & Informatika, vol. 1, no. 2, pp. 58-62, 2021.
D. Swanjaya, “Integrasi Metode Agglomerative Hierarchical Clustering dan Backpropagation Pada Model Peramalan Penjualan”. In Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi), vol. 5, no. 3, pp. 132-141, 2021.
M. W. Goni, D. Gustian, and F. Sembiring, “Implementasi K-Means Dalam Pengelompokan Penyebaran COVID-19 di Jawa Barat”. Progresif: Jurnal Ilmiah Komputer, vol. 17, no. 2, pp. 107-118, 2021.
M.F.I. Al-RizkiI. Widaningrum, and G.A. Buntoro, “Prediksi Penyebaran Penyakit TBC dengan Metode K-Means Clustering Menggunakan Aplikasi Rapidminer”. JTERA (Jurnal Teknol. Rekayasa), vol. 5, no. 1, pp. 1-10, 2020.
A. Jananto, “Penerapan Algoritma K-Means Clustering Untuk Perencanaan Kebutuhan Obat di Klinik Citra Medika”. Progresif: Jurnal Ilmiah Komputer, vol. 18, no. 1, pp. 69-76, 2022.
R. Helilintar and I.N. Farida, “Penerapan Algoritma K-Means Clustering Untuk Prediksi Prestasi Nilai Akademik Mahasiwa”. Jurnal sains dan Informatika, vol. 4, no. 2, pp. 80-87, 2018.
H. Priyatman, F. Sajid, and D. Haldivany, “Klasterisasi Menggunakan Algoritma K-Means Clustering untuk Memprediksi Waktu Kelulusan Mahasiswa”. JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 5, no. 1, pp. 62-66, 2019.
W. Purba, W. Siawin, M.N. Nababan, N.P. Dharshinni, and S. Aisyah, “Implementasi Data Mining Untuk Pengelompokkan Dan Prediksi Karyawan Yang Berpotensi Phk Dengan Algoritma K-Means Clustering”. Jurnal Sistem Informasi Dan Ilmu Komputer Prima (Jusikom Prima), vol. 2, no. 2, pp. 85-90, 2019.
R.M. Sari and V. Tasril, “Prediksi Jumlah APBD Kota Payakumbuh dengan metode K-Means”. Jurnal Ipteks Terapan, vol. 14, no. 1, pp. 45-50, 2020.
S.A. Rachmawati, L. Syafirullah, and M.N. Faiz, “Perancangan Sistem Pengendalian Persediaan Barang Menggunakan Metode EOQ dan ROP Berbasis Web”. In Prosiding Seminar Nasional Terapan Riset Inovatif (SENTRINOV). Bol. 6, no. 1, pp. 778-786), 2020.
N. L. W. S. R. Ginantra and I. B. G. & Anandita, “Penerapan Metode Single Exponential Smoothing Dalam Peramalan Penjualan Barang”. J-SAKTI (Jurnal Sains Komputer dan Informatika), vol. 3, no. 2, pp. 433-441, 2019.
A. Virrayyani and S. Sutikno, “Prediksi Penjualan Barang Menggunakan Metode Adaptive Neuro-Fuzzy Inference System (ANFIS)”. Khazanah Informatika: Jurnal Ilmu Komputer dan Informatika, vol. 2, no. 2, pp. 57-63, 2016.
F. Rozi and F. Sukmana, “Prediksi Penjualan Produk Unilever Menggunakan Metode K-Nearest Neighbor”. JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 6, no. 1, pp. 155-160, 2021.
I. Budiman, T. Prahasto, and Y. Christyono, “Data Clustering Menggunakan Metodologi CRISP-DM Untuk Pengenalan Pola Proporsi Pelaksanaan Tridharma,” J. Sist. Inf. Bisnis, vol. 1, no. 3, pp. 15–16, 2014
E. Prasetyo, Data Mining: Konsep dan Aplikasi Menggunakan MATLAB, Yogyakarta: Penerbit ANDI, 2012.
How To Cite This :
Refbacks
- There are currently no refbacks.
