Klasterisasi Pengendalian Persediaan Aki Menggunakan Metode K-Means

Ricsa Andrean, Septian Fendy, Aryo Nugroho

Abstract

Proses pengendalian persediaan merupakan bagian penting bagi perusahaan untuk melakukan penyediaan barang. Pengendalian persediaan dilakukan untuk memenuhi jumlah barang yang dibutuhkan pada saat pemasaran dilakukan, namun perusahaan memiliki permasalahan dalam menentukan jumlah persediaan barang dikarenakan jumlah barang yang dibutuhkan pada saat pemasaran berubah setiap waktu. Penelitian ini melakukan data mining guna membantu perusahaan agar dapat mengukur jumlah persediaan barang sebelum dipasarkan dengan melakukan penggalian data menggunakan salah satu metode data mining yaitu pengelompokan data. Pada penelitian ini melakukan mengelompokkan data laporan distribusi dan laporan penjualan pada perusahaan aki, data tersebut di kelompokkan menjadi 3 kelompok dengan menggunakan salah satu algoritma pengelompokan data yaitu K-Means, dari hasil pengelompokan digunakan untuk mengetahui kelompok produk yang diminati, sedang dan kurang diminati kemudian kelompok tersebut digunakan sebagai acuan persediaan banyak, sedang dan sedikit. Data yang digunakan merupakan data laporan distribusi dan laporan penjualan periode Januari – Desember 2018 dengan total sebanyak 125 produk. Setelah data tersebut diolah menggunakan algoritma K-Means, menunjukkan bahwa kelompok 1 dengan nilai objek data rendah merupakan kelompok produk yang kurang diminati, kelompok 2 dengan nilai objek data sedang merupakan kelompok produk diminati dalam kategori sedang, sedangkan kelompok 3 dengan nilai objek data tinggi merupakan kelompok produk yang banyak diminati.

Keywords

Pengendalian; Persediaan; Data mining; Klasterisasi; K-Means; Produk diminati;

Article Metrics

Abstract view : 137 times
PDF view : 124 times

Full Text:

PDF

References

A. Nugroho, M. N. Al-Azam, A. G. Sooai, and K. Fujisawa, “Benefits Of Enrichment International Publication Programme For Transforming Knowledge and Wisdom Between Researcher,” presented at the ASAIHL Conference, Soka University, Hachioji, Tokyo, Japan, 2018, vol. 4, pp. 155–159.

D. A. Efrilianda and and R. R. Isnanto, “Inventory control systems with safety stock and reorder point approach,” in 2018 International Conference on Information and Communications Technology (ICOIACT), 2018, pp. 844–847.

M. E. Widiana, K. Hadayati, and A. Nugroho, “Model Enhancement for Batik Artisan Empowerment through Customer Relationship Management Approach based on Information Technology,” IJAME, 2018.

P. Ignaciuk, “Discrete-Time Control of Production-Inventory Systems With Deteriorating Stock and Unreliable Supplies,” IEEE Trans. Syst. Man Cybern. Syst., vol. 45, no. 2, pp. 338–348, Feb. 2015.

T. Y. Lin, H. H. C. Chuang, and F. Yu, “Tracking Supply Chain Process Variability with Unsupervised Cluster Traversal,” in 2018 IEEE 16th Intl Conf on Dependable, Autonomic and Secure Computing, 16th Intl Conf on Pervasive Intelligence and Computing, 4th Intl Conf on Big Data Intelligence and Computing and Cyber Science and Technology Congress(DASC/PiCom/DataCom/CyberSciTech), 2018, pp. 966–973.

B. Fang and L. Sun, “Research on inventory collaborative supply for multi-industrial chains based on cloud services platform,” in 2017 3rd IEEE International Conference on Computer and Communications (ICCC), 2017, pp. 993–999.

J. Qi, Y. Yu, L. Wang, and J. Liu, “K*-Means: An Effective and Efficient K-Means Clustering Algorithm,” in 2016 IEEE International Conferences on Big Data and Cloud Computing (BDCloud), Social Computing and Networking (SocialCom), Sustainable Computing and Communications (SustainCom) (BDCloud-SocialCom-SustainCom), 2016, pp. 242–249.

M. Danubianu, “Step By Step Data Preprocessing for Data Mining. A Case Study,” p. 9, 2015.

J. Yang and J. Wang, “Tag clustering algorithm LMMSK: Improved K-means algorithm based on latent semantic analysis,” J. Syst. Eng. Electron., vol. 28, no. 2, pp. 374–384, Apr. 2017.

S. Kapil, M. Chawla, and M. D. Ansari, “On K-means data clustering algorithm with genetic algorithm,” in 2016 Fourth International Conference on Parallel, Distributed and Grid Computing (PDGC), 2016, pp. 202–206.

DOI: https://doi.org/10.31328/jointecs.v4i1.998

Refbacks

  • There are currently no refbacks.