Clustering Data Persediaan Barang Dengan Menggunakan Metode K-Means

Abstract

UD. Anugerah Sukses Mandiri merupakan perusahaan yang bergerak dibidang distribusi food dan non food. Transaksi barang yang berjalan terus meningkat, sehingga perusahaan mengalami permasalahan dalam menentukan jumlah persediaan barang, dikarenakan jumlah permintaan barang yang dibutuhkan selalu berubah setiap waktu. Persediaan barang merupakan suatu aktivitas lancar yang meliputi barang-barang milik perusahaan dengan maksud dijual kembali pada suatu periode usaha normal. Data mining merupakan proses yang menggunakan teknik statistik, matematika, kecerdasan buatan dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang terkait dari berbagai warehouse. Tujuan penelitian ini dengan memanfaatkan data mining yaitu untuk melakukan pengelompokan barang dan meningkatkan akurasi klasterisasi data persediaan barang dengan menggunakan metode K-Means Clustering. Dengan metode K-Means ini dapat mempartisi data ke dalam kelompok sehingga data berkarakteristik sama akan dimasukan ke dalam satu kelompok yang sama dan data yang berkarakteristik berbeda dikelompokan kedalam kelompok yang lain, karena metode ini menggunakan centroid (rata-rata) sebagai model dari cluster. Hasil penelitian yang didapat berupa pengelompokan data menjadi 2 kluster yaitu data dengan kluster terendah/sedikit dan kluster tertinggi/terbanyak. Sehingga mendapatkan kesimpulan bahwa clustering persediaan barang dengan menggunakan metode K-Means ini cukup baik dari sisi nilai average within distance dan kompleksitas waktu.
 Keyword : Data Mining, K-Means Clustering, Persediaan barang

Data Mining Clustering Menggunakan Algoritma K-Means Pada Data Kunjungan Wisatawan Di Kabupaten Karawang

“…Pada tahap ini hasil ditampilkan dengan cara yang mudah dipahami, dapat ditampilkan berupa tabel maupun gambar [19]. Tahap terakhir yaitu evaluasi dengan menampilkan hasil dari clustering data jumlah kunjungan wisatawan di Kabupaten Karawang…”

“…K-Means merupakan algoritma pengelompokkan dengan kategori unsupervised yang cukup populer, karena memiliki beberapa keunggulan seperti efisien, cepat, dan ringkas dalam prosesnya [18]. Algoritma ini menghitung jarak antara objek data dengan pusat cluster, dan objek data yang dekat dengan pusat cluster dibagi ke dalam kategori yang sama [19]. K-Means juga telah digunakan pada berbagai aplikasi karena kesederhanaan dan konvergensinya yang cukup cepat sehingga membuat algoritma ini menjadi salah satu metode partisi yang paling efektif [20].…”

Implementation of the K-Means Algorithm in Sales Clustering at a Company using the KDD Methodology

“…Penerapan metodologi KDD dalam penelitian ini memberikan kerangka kerja yang sistematis untuk memperoleh pengetahuan baru dari data penjualan [12]. Proses KDD melibatkan langkahlangkah seperti pemilihan data, preproses data, transformasi data, mining data, dan interpretasi hasil [13]. Dalam konteks klasterisasi penjualan, metode ini membantu perusahaan dalam memahami pola penjualan yang ada, mengidentifikasi tren dan peluang, serta mengoptimalkan strategi penjualan Usability Evaluation of the Investment and Integrated Service Agency Website Using Heuristic Evaluation [14].…”

Optimalisasi Stok Barang Melalui Algoritma K-Means Clustering Analisis Untuk Manajemen Persediaan Dalam Konteks Bisnis Modern

“…Beberapa penelitian sebelumnya telah menyelidiki clustering data persedian stock barang menggunakan metode K-Means. sebagai contohnya, studi yang dilakukan [1] (Ramdhan et al, n.d.), Persediaan barang, sebagai aset penting dalam siklus bisnis, memerlukan pengelolaan yang cermat. Data mining, dengan teknik statistik, matematika, kecerdasan buatan, dan machine learning, menawarkan solusi untuk mengekstraksi dan mengidentifikasi informasi yang relevan dari data persediaan.…”