Pengelompokan Persediaan Fast Moving Untuk Barang ImporMenggunakan K-Means Di PT Indo Bumi Lestari
Keywords:
Fast Moving, Algoritma K-Means, ClusteringAbstract
Produk fast moving adalah kategori dalam perdagangan dengan tingkat perputaran tinggi dalam waktu tertentu. Dalam pengelolaan inventori, penting menjaga keseimbangan untuk mencegah kerugian akibat overstock atau stok out. Overstockmeningkatkan biaya penyimpanan, risiko kerusakan, dan barang yang tidak laku di pasaran, sementara stok out menyebabkanbarang tidak tersedia saat permintaan tinggi, sehingga penjualan hilang. Untuk mengatasi masalah ini, perusahaan perlu melakukan clustering atau pengelompokan barang agar stok sesuai dengan kebutuhan pasar. PT Indo Bumi Lestari, distributor produk Korea yang bekerja sama dengan YOGYA Group di YOGYA Riau Junction, menghadapi masalahpengelolaan stok. Tanpa metode clustering yang efisien, produk sering terbuang karena kedaluwarsa, sementara barang dengan permintaan tinggi justru kosong terlalu lama. Algoritma K-Means Clustering cocok diterapkan karena sederhana dan efektif untuk mengelompokkan data penjualan berdasarkan pola tertentu. Dengan pengelompokan menggunakan algoritma ini,perusahaan dapat menentukan produk mana yang harus selalu tersedia dan mana yang cukup sebagai pelengkap. Solusi ini membantu meningkatkan keuntungan sekaligus mengurangi kerugian dengan pengelolaan inventori yang lebih terstruktur dan efisien.
References
[1] P. W. Nofiani, C. Mursid, and M. C. Mursid, “PENTINGNYA PERILAKU ORGANISASI DAN STRATEGI PEMASARAN DALAM MENGHADAPI PERSAINGAN BISNIS DI ERA DIGITAL,” Jurnal Logistik Bisnis, vol. 11, no. 02, 2021, [Online]. Available: https://ejurnal.poltekpos.ac.id/index.php/logistik/index
[2] Ika Anikah, Agus Surip, Nela Puji Rahayu, Muhammad Harun Al- Musa, and Edi Tohidi, “Pengelompokan Data Barang Dengan Menggunakan Metode K-Means Untuk Menentukan Stok Persediaan Barang,” KOPERTIP : Jurnal Ilmiah Manajemen Informatika dan Komputer, vol. 4, no. 2,
pp. 58–64, Jun. 2022, doi: 10.32485/kopertip.v4i2.120.
[3] D. Putri Adilah Asih, B. Irawan, and A. Bahtiar, “PENGELOMPOKAN DATA TRANSAKSI DALAM MENENTUKAN STRATEGI PENJUALAN MENGGUNAKAN ALGORITMA K-
MEANS,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 8, no. 1, pp. 141–147, Feb. 2024, doi: 10.36040/jati.v8i1.8321.
[4] N. Syahfitri, E. Budianita, A. Nazir, and I. Afrianty, “KLIK: Kajian Ilmiah Informatika dan Komputer Pengelompokan Produk Berdasarkan Data Persediaan Barang Menggunakan Metode Elbow dan K- Medoid,” Media Online, vol. 4, no. 3, pp. 1668–1675, 2023, doi: 10.30865/klik.v4i3.1525.
[5] Sekar Setyaningtyas, B. Indarmawan Nugroho, and Z. Arif, “TINJAUAN PUSTAKA SISTEMATIS: PENERAPAN DATA MINING TEKNIK CLUSTERING ALGORITMA K-MEANS,” Jurnal Teknoif
Teknik Informatika Institut Teknologi Padang, vol. 10, no. 2, pp. 52–61, Oct. 2022, doi: 10.21063/jtif.2022.v10.2.52-61.
[6] N. F. Adani, A. F. Boy, S. Kom, M. Kom, and R. Syahputra, “Implementasi Data Mining Untuk Pengelompokan Data Penjualan Berdasarkan Pola Pembelian Menggunakan Algoritma K-Means Clustering Pada Toko Syihan STMIK Triguna Dharma ** Program Studi Sistem Informasi, STMIK Triguna Dharma *** Program Studi Sistem Informasi, STMIK Triguna Dharma,” Jurnal CyberTech, vol. x. No.x, [Online]. Available: https://ojs.trigunadharma.ac.id
[7] A. A. Rismayadi, N. N. Fatonah, and E. Junianto, “ALGORITMA K-MEANS CLUSTERING UNTUK MENENTUKAN STRATEGI PEMASARAN DI CV. INTEGREET KONSTRUKSI,”
JURNAL RESPONSIF, vol. 3, no. 1, pp. 30–36, 2021, [Online]. Available: http://ejurnal.ars.ac.id/index.php/jti
[8] G. Gustientiedina, M. H. Adiya, and Y. Desnelita, “Penerapan Algoritma K-Means Untuk Clustering Data Obat-Obatan,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 5, no. 1, pp. 17–24, Apr. 2019, doi: 10.25077/TEKNOSI.v5i1.2019.17-24.
[9] A. Sulistiyawati and E. Supriyanto, “Implementasi Algoritma K-means Clustring dalam Penetuan Siswa Kelas Unggulan,” Jurnal Tekno Kompak, vol. 15, no. 2, p. 25, Aug. 2021, doi: 10.33365/jtk.v15i2.1162.
[10]B. Rizki, N. Hidayat, and R. Sanjaya, “Penerapan Text Mining Dengan Algoritma Random Forest Menganalisis Sentimen Ulasan SATUSEHAT Mobile,” vol. 5, no. 2, 2024.
[11]F. Nasari, C. Jhony, and M. Sianturi, “Penerapan Algoritma K-Means Clustering… 108 Penerapan Algoritma K-Means Clustering Untuk Pengelompokkan Penyebaran Diare Di Kabupaten Langkat.”
[12]R. Supardi and I. Kanedi, “IMPLEMENTASI METODE ALGORITMA K-MEANS CLUSTERING PADA TOKO EIDELWEIS,” Jurnal Teknologi Informasi, vol. 4, no. 2, 2020.
[13]J. Hutagalung, Y. Hendro Syahputra, Z. Pertiwi Tanjung, S. Triguna Dharma, and J. I. Pintu Air, “Pemetaan Siswa Kelas Unggulan Menggunakan Algoritma K-Means Clustering,” Hal AH Nasution, vol. 9, no. 1, 2022, [Online]. Available: http://jurnal.mdp.ac.id
[14]D. Amelia, T. N. Padilah, and A. Jamaludin, “Optimasi Algoritma K-Means Menggunakan Metode Elbow dalam Pengelompokan Penyakit Demam Berdarah Dengue (DBD) di Jawa Barat,” Jurnal Ilmiah Wahana Pendidikan, vol. 8, no. 11, pp. 207–215, 2022, doi: 10.5281/zenodo.6831380.
Downloads
Published
Issue
Section
License
Seluruh artikel yang diterbitkan dalam eProsiding Teknik Informatika (PROTEKTIF) dilisensikan di bawah ketentuan Prodi. Dengan lisensi ini, penulis tetap memegang hak cipta atas karyanya, sementara pihak lain diizinkan untuk menyalin, mendistribusikan, menampilkan, dan membuat karya turunan dari artikel yang diterbitkan, baik untuk keperluan komersial maupun non-komersial, selama memberikan pengakuan yang layak kepada penulis asli dan eProsiding Teknik Informatika (PROTEKTIF) sebagai sumber publikasi.
Setiap karya turunan wajib disebarluaskan menggunakan lisensi yang sama. Lisensi ini mendukung prinsip akses terbuka (open access) untuk mendorong diseminasi ilmu pengetahuan secara bebas dan bertanggung jawab.
