ANALISIS PERSEDIAAN BARANG MENGGUNAKAN CLUSTERING K-MEANS PADA PT. THERMOS INDONESIA TRADING

ANALISIS PERSEDIAAN BARANG MENGGUNAKAN CLUSTERING K-MEANS PADA PT. THERMOS INDONESIA TRADING

• By Aldez Kenan Junior;
• Skripsi
• 799

PT. Thermos Indonesia Trading merupakan perusahaan yang bergerak dibidang trading barang dengan berbagai produk wadah yang inovatif. Produk ini banyak digemari oleh masyarakat Indonesia dan mudah untuk mendapatkannya. Untuk tetap menjaga pertumbuhan bisnisnya maka perusahaan harus tetap menjaga persediaan barangnya. Persediaan barang di PT. Thermos Indonesia Trading dalam pengelolaan data persediaan dan penjualan barang masih dilakukan secara manual. Dampaknya PT. Thermos Indonesia Trading mengalami permasalahan karena terjadinya penumpukan barang dan persediaan barang yang minim. Data mining merupakan penggalian data yang tersembunyi dari database. Metode K-Means Clustering merupakan salah satu metode Data Mining. Algoritma K-Means Clustering dapat digunakan untuk mengatasi masalah yang dialami oleh PT. Thermos Indonesia Trading. Data persediaan awal, persediaan akhir dan penjualan dapat diolah menjadi cluster produk yang sangat laris, laris dan kurang laris sehingga pengelolaan persediaan barang dapat dilakukan dengan baik. Dari data yang diolah tersebut, diperoleh 13 data produk sangat laris, 80 produk laris dan 94 produk kurang laris. Pengujian algoritma K-Means clustering juga dapat menggunakan aplikasi Weka, 15 data produk sangat laris, 80 produk laris dan 92 produk kurang laris. Hasil pengolahan ini dapat digunakan oleh perusahaan untuk strategi supaya barang yang kurang laris menjadi laris.

• Katakunci Data Mining, Algoritma K-Means, Pengelompokan, Persediaan
• URL http://
• Penerbit JIMEA : Jurnal Ilmiah MEA (Manajemen, Ekonomi, dan Akuntansi), Bandung Jawa Barat

REFERENSI

[1]    E. Muningsih and S. Kiswati, “Penerapan Metode K-Means untuk Clustering Produk Online Shop dalam Penentuan Stok Barang,” J. Bianglala Inform., vol. 3, no. 1, pp. 10–17, 2015.

[2]    B. M. Metisen and H. L. Sari, “Analisis clustering menggunakan metode K-Means dalam pengelompokkan penjualan produk pada Swalayan Fadhila,” J. Media Infotama, vol. 11, no. 2, pp. 110–118, 2015.

[3]    S. Susliansyah, H. Sumarno, H. Priyono, and N. Hikmah, “Pengelompokkan Data Pembelian Tinta Dengan Menggunakan Metode K-Means,” J-SAKTI (Jurnal Sains Komput. dan Inform., vol. 3, no. 2, p. 381, 2019, doi: 10.30645/j-sakti.v3i2.156.

[4]    . F., F. T. Kesuma, and S. P. Tamba, “Penerapan Data Mining Untuk Menentukan Penjualan Sparepart Toyota Dengan Metode K-Means Clustering,” J. Sist. Inf. dan Ilmu Komput. Prima(JUSIKOM PRIMA), vol. 2, no. 2, pp. 67–72, 2020, doi: 10.34012/jusikom.v2i2.376.

[5]    M. Mardalius, “Pemanfaatan Rapid Miner Studio 8.2 Untuk Pengelompokan Data Penjualan Aksesoris Menggunakan Algoritma K-Means,” Jurteksi, vol. 4, no. 2, pp. 123–132, 2018, doi: 10.33330/jurteksi.v4i2.36.

[6]    A. M. Siregar dan A. Puspabhuana, DATA MINING: Pengolahan Data Menjadi Informasi dengan RapidMiner. CV Kekata Group, 2017.

[7]    R. T. Vulandari, “DATA MINING Teori dan aplikasi Rapidminer,” Surakarta Penerbit Gava Media, 2017.

[8]    S. Adinugroho and Y. A. Sari, Implementasi Data Mining Menggunakan Weka. Universitas Brawijaya Press, 2018.

[9]    D. E. Putri, “Metode Non Hierarchy Algoritma K-Means Dalam Mengelompokkan Tingkat Kelarisan Barang ( Studi Kasus : Koperasi Keluarga Besar Semen Padang ),” vol. 1, no. Senatkom, pp. 36–41, 2015.

[10]  Y. Darmi and A. Setiawan, “Penerapan metode clustering k-means dalam pengelompokan penjualan produk,” J. Media Infotama Univ. Muhammadiyah Bengkulu, vol. 12, no. 2, pp. 148–157, 2016.