Penerapan Metode K-Means Clustering Untuk Menentukan Prioritas Persediaan Barang
Abstract
Tani Mandiri is a trading company operating in the agricultural sector that provides various types of fertilizers and agricultural equipment. The main problem faced by the company is suboptimal inventory management, which can potentially lead to inventory shortages or excess stock, thereby affecting the effectiveness of business operations. This study aims to determine inventory priorities at the Tani Mandiri Store by applying data mining techniques. The method used is K-means clustering, with attributes including item name and inventory quantity based on data from 2022 to 2025. The research stages follow the Knowledge Discovery in Databases (KDD) process, which includes data selection, data cleaning, data transformation, and clustering. The optimal number of clusters was determined using the Elbow method. The results indicate that the best solution consists of three clusters: low, medium, and high priority. Out of a total of 220 types of items, 139 were classified as low priority, 22 as medium priority, and 59 as high priority.
Keywords: Data Mining; Inventory; K-Means Clustering
Abstrak
Tani Mandiri adalah usaha dagang yang bergerak pada sektor pertanian dengan menyediakan beragam jenis pupuk serta perlengkapan pertanian. Permasalahan utama yang dihadapi perusahaan ini adalah pengelolaan persediaan yang belum dilakukan secara optimal, sehingga berpotensi menimbulkan kondisi kekurangan maupun kelebihan persediaan barang yang berdampak pada efektivitas operasional usaha. Penelitian ini bertujuan untuk mengelompokkan prioritas persediaan barang pada Toko Tani Mandiri melalui penerapan teknik data mining. Metode yang digunakan yaitu k-means clustering dengan atribut berupa nama barang dan jumlah persediaan berdasarkan data periode 2022 sampai 2025. Tahapan penelitian mengikuti proses KDD yang meliputi seleksi data, pembersihan data, transformasi data, serta proses pengelompokan. Penentuan jumlah cluster optimal dilakukan menggunakan metode elbow. Hasil penelitian menunjukkan terdapat tiga cluster terbaik, yaitu kategori prioritas rendah, sedang, dan tinggi. Dari total 220 jenis barang, diperoleh 139 barang prioritas rendah, 22 barang prioritas sedang, dan 59 barang prioritas tinggi.
Keywords
References
M. G. Saparudin dan S. Sholihin, “Penggunaan Data Mining untuk Analisis Pola Pembelian Pelanggan Menggunakan Metode Association Rule Algoritma Apriori (Studi Kasus di Toko Waspada),” J. Teknol. Sist. Inf. dan Apl., vol. 6, no. 1, pp. 27–33, 2023, doi: 10.32493/jtsi.v6i1.26927.
A. Azis dan Sutisna, “Penerapan Data Mining untuk Menentukan Ketersediaan Stok Barang Berdasarkan Permintaan Konsumen di PT Indonesia Thai Summit Plastech Menggunakan K-Means Clustering,” vol. 5, no. 3, pp. 3099–3106, 2024.
H. Prastiwi, Jeny Pricilia, dan Errissya Rasywir, “Implementasi Data Mining Untuk Menentuksn Persediaan Stok Barang Di Mini Market Menggunakan Metode K-Means Clustering,” J. Inform. Dan Rekayasa Komputer(JAKAKOM), vol. 2, no. 1, pp. 141–148, 2022.
R. K. Serli, B. Wijonarko, dan M. S. Nurhayati, “Analisis Persediaan Barang Menggunakan Clustering K-Means Pada PT. Brothersindo Saudara Sejati,” J. Tek., vol. 17, no. 2, pp. 569–580, 2023.
J. M. Sitinjak, K. Sari, dan M. Yetri, “Penerapan Data Mining Dalam Penjualan Sparepart Motor Dengan Menggunakan Metode K-Means Clustering,” vol. 3, no. November, pp. 862–871, 2024.
F. Zafira, B. Irawan, dan A. Bahtiar, “Penerapan Data Mining Untuk Estimasi Stok Barang Dengan Metode K-Means Clustering,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, pp. 156–161, 2024, doi: 10.36040/jati.v8i1.8319.
F. Nurdiyansyah dan I. Akbar, “Implementasi Algoritma K-Means untuk Menentukan Persediaan Barang pada Poultry Shop,” J. Teknol. dan Manaj. Inform., vol. 7, no. 2, pp. 86–94, 2021, doi: 10.26905/jtmi.v7i2.6377.
N. Hidayati, H. Widi Nugroho, dan Nurjoko, “Penerapan Data Mining Untuk Menghasilkan Pola Pembelian Roti Menggunakan Algoritma Apriori,” Semin. Nas. Has. Penelit. dan Pengabdi. Masy., pp. 246–254, 2021.
D. Ramdhan, G. Dwilestari, R. D. Dana, A. Ajiz, dan K. Kaslani, “Clustering Data Persediaan Barang Dengan Menggunakan Metode K-Means,” MEANS (Media Inf. Anal. dan Sist., vol. 7, no. 1, pp. 1–9, 2022, doi: 10.54367/means.v7i1.1826.
Muhammad Raqib Syahkur, D. Hartama, dan S. Solikhun, “Evaluasi Jumlah Cluster pada Algoritma K-Means++ Menggunakan Silhouette dan Elbow dengan Validasi Nilai DBI dalam Mengelompokkan Gizi Balita,” JST (Jurnal Sains dan Teknol., vol. 13, no. 3, pp. 487–496, 2024, doi: 10.23887/jstundiksha.v13i3.86419.
F.R. Ani, R. Kurniawan, & T. Suprapti, "Penerapan Algoritma K-Means Clustering Untuk Perencanaan Persediaan Stok Sepatu Di Toko Diomclothing. JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 6, pp. 3699-3707, 2023.
A. A. Ningtiyas, N. B. Nugroho, dan M. Syaifuddin, “Penerapan Data Mining Untuk Menentukan Persediaan Barang Pada PT. Deli Food Menggunakan Metode K-Means,” vol. 4, no. 7, pp. 1-12, 2021, [Daring]. Tersedia pada: https://ojs.trigunadharma.ac.id/
D. A. Ramadhanty, R. Syafitri, E. Raswir, dan D. Meisak, “Implementasi Data Mining Untuk Menentukan Persediaan Stok Obat Di Apotek K-24 Menggunakan Metode K-Means Clustering,” J. Inform. dan Rekayasa Komput., vol. 1, no. 2, pp. 155–160, 2022.
T. B. Pamungkas, S. Maesaroh, dan P. Ardiansyah, “Implementasi Data Mining Pada Stok Penggunaan Barang Di Gmf Aeroasia Menggunakan Algoritma K-Means Clustering,” J. Ilm. Sains dan Teknol., vol. 7, no. 2, pp. 112–123, 2023, doi: 10.47080/saintek.v7i2.2697.
Y. Prihastomo dan W. Winanti, “Tren Perkembangan Graphical User Interface Melalui Permohonan Desain Industri Di Indonesia,” J. Commun. Educ., vol. 18, no. 1, pp. 93–100, 2024, doi: 10.58217/joce-ip.v18i1.390.
How To Cite This :
Refbacks
- There are currently no refbacks.
