Klasterisasi Pengendalian Persediaan Aki Menggunakan Metode K-Means

Authors

  • Ricsa Andrean Program Studi Sistem Informasi, Fakultas Ilmu Komputer, Universitas Narotama Surabaya
  • Septian Fendy Program Studi Sistem Informasi, Fakultas Ilmu Komputer, Universitas Narotama Surabaya
  • Aryo Nugroho Program Studi Sistem Informasi, Fakultas Ilmu Komputer, Universitas Narotama Surabaya

DOI:

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

Keywords:

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

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.

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.

Downloads

Published

2019-07-12

Issue

Vol. 4 No. 1 (2019)

Section

Articles

License

Pernyataan Hak Cipta dan Lisensi

Hak Cipta :

Penulis yang mempublikasikan naskahnya pada Jurnal ini menyetujui ketentuan berikut:

Hak cipta pada setiap artikel adalah milik penulis.

  1. Penulis mengakui bahwa JOINTECS (JOURNAL OF INFORMATION TECHNOLOGY AND COMPUTER SCIENCE) berhak sebagai yang mempublikasikan pertama kali dengan lisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0).
  2. Penulis dapat memasukan tulisan secara terpisah, mengatur distribusi non-ekskulif  dari naskah yang telah terbit di jurnal ini kedalam versi yang lain (misal: dikirim ke respository institusi penulis, publikasi kedalam buku, dll), dengan mengakui bahwa naskah telah terbit pertama kali pada JOINTECS (JOURNAL OF INFORMATION TECHNOLOGY AND COMPUTER SCIENCE);

Lisensi :

JOINTECS diterbitkan berdasarkan ketentuan Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0). Lisensi ini mengizinkan setiap orang untuk menyalin dan menyebarluaskan kembali materi ini dalam bentuk atau format apapun, menggubah, mengubah, dan membuat turunan dari materi ini untuk kepentingan apapun, termasuk kepentingan komersial, selama mereka mencantumkan kredit kepada Penulis atas ciptaan asli.

This work is Under licensed

Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)