Rekomendasi Restock Barang di Toko Pojok UMKM Menggunakan Algoritma K-Means Clustering
DOI:
https://doi.org/10.37802/joti.v5i2.554Keywords:
Barang, Davies Bouldin Index, K-Means, Rekomendasi, RestokAbstract
Toko Pojok ialah toko yang menjual beraneka produk seperti makanan ringan dan minuman. Toko Pojok UMKM dalam pembukuan selama ini masih dilakukan secara manual dengan buku besar baik dalam pencatatan produk masuk maupun penjualan. Pembukuan dilakukan belum tersistem mengakibatkan data menumpuk, sehingga pemilik kesulitan dalam melihat stok yang terjual sehingga pengadaan barang ke supplier ada keterlambatan. Berdasarkan permasalahan tersebut penelitian ini dilakukan untuk merekomendasikan restock produk menggunakan algoritma K-Means dimana pengadaan barang dalam jumlah banyak, sedang dan sedikit. Penelitian ini menggunakan algoritma k-means clustering dengan 3 cluster. Di mana nilai k=3 merupakan nilai cluster terbaik dalam penelitian ini dengan performa dari cluster berdasarkan hasil Davies Bouldin Index sebesar 0.436, di mana cluster 1 ada 9 produk jumlah banyak dan masuk pengadaan barang, cluster 2 ada 19 produk jumlah sedang dan masuk pengadaan barang serta cluster 0 ada 110 produk jumlah sedikit masuk pengadaan barang.
Downloads
References
G. L. Pritalia, “Penerapan Algoritma C4.5 untuk Penentuan Ketersediaan Barang E-commerce,” Indones. J. Inf. Syst., Vol. 1, No. 1, pp. 47–56, 2018.
S. Arifin and R. Helilintaar, “Sistem Pendukung Keputusan Penentuan Restock Barang Dengan Metode Naive Bayes,” in Prosiding SEMNAS INOTEK, 2022, Vol. 6 No.2, pp. 259–264.
G. Triyandana, L. A. Putri, and Y. Umaidah, “Penerapan Data Mining Pengelompokan Menu Makanan dan Minuman Berdasarkan Tingkat Penjualan Menggunakan Metode K-Means,” JAIC, Vol. 6, No. 1, pp. 40–46, 2022.
R. Gustrianda and D. I. Mulyana, “Penerapan Data Mining Dalam Pemilihan Produk Unggulan dengan Metode Algoritma K-Means Dan K-Medoids,” J. Media Inform. Budidarma, Vol. 6, No. 1, pp. 27–34, 2022.
H. G. Costa, M. H. T. da Silva, G. N. Santos, A. Bonamigo, and R. D. Callado, “Clustering Brazilian Public Emergency Healthcare Units,” IFAC-PapersOnLine, Vol. 55, No. 10, pp. 566–571, 2022.
H. Asri, “Big Data and IoT for real-time miscarriage prediction A clustering comparative study,” Procedia Comput. Sci., Vol. 191, pp. 200–206, 2021.
R. Budiman and Rudianto, “Penerapan Data Mining Untuk Menentukan Lokasi Promosi Penerimaan Mahasiswa Baru Pada Universitas Banten Jaya (Metode K-Means Clustering),” ProTekInfo(Pengembangan Ris. dan Obs. Tek. Inform., Vol. 6, No. 1, pp. 6–14, 2019.
Muljono, D. P. Artanti, A. Syukur, A. Prihandono, and D. R. I. M. Setiadi, “Analisa Sentimen Untuk Penilaian Pelayanan Situs Belanja Online Menggunakan Algoritma Naïve Bayes,” in Konferensi Nasional Sistem Informasi, 2018, pp. 165–170.
A. Nowak-Brzezinska and C. Horyn, “Outliers in rules - The comparision of LOF, COF and KMEANS algorithms.,” Procedia Comput. Sci., Vol. 176, pp. 1420–1429, 2020.
W. N. Rohmawati, S. Defiyanti, and M. Jajuli, “Implementasi Algoritma K-Means Dalam Pengklasteran Mahasiswa Pelamar Beasiswa,” J. Ilm. Teknol. Inf. Terap., Vol. 1, No. 2, pp. 62–68, 2015.
A. Pandey and A. K. Malviya, “Enhancing test case reduction by k-means algorithm and elbow method,” Int. J. Comput. Sci. Eng., Vol. 6, No. 6, pp. 299–303, 2018.
E. Schubert, “Stop using the elbow criterion for k-means and how to choose the number of clusters instead,” ACM SIGKDD Explor. Newsl., Vol. 25, No. 1, pp. 36–42, 2023.
E. Umargono, J. E. Suseno, and V. G. S. K., “K-Means Clustering Optimization using the Elbow Method and Early Centroid Determination Based-on Mean and Median,” Vol. 474, no. Isstec 2019, pp. 234–240, 2020.
R. Nainggolan, R. Perangin-Angin, E. Simarmata, and A. F. Tarigan, “Improved the Performance of the K-Means Cluster Using the Sum of Squared Error (SSE) optimized by using the Elbow Method,” J. Phys. Conf. Ser., Vol. 1361, No. 1, 2019.
D. A. I. C. Dewi and D. A. K. Pramita, “Analisis Perbandingan Metode Elbow dan Silhouette pada Algoritma Clustering K-Medoids dalam Pengelompokan Produksi Kerajinan Bali,” Matrix J. Manaj. Teknol. dan Inform., Vol. 9, No. 3, pp. 102–109, 2019.
S. Ramadhani, D. Azzahra, and Z. Tomi, “Comparison of K-Means and K-Medoids Algorithms in Text Mining based on Davies Bouldin Index Testing for Classification of Student’s Thesis,” Digit. Zo. J. Teknol. Inf. dan Komun., Vol. 13, No. 1, pp. 24–33, 2022.
G. U. Kiran and D. Vasumathi, “Disease detection using enhanced K-means clustering and davies-bould in index in big data-safe engineering application,” J. Green Eng., Vol. 10, No. 12, pp. 13089–13106, 2020.
Y. Sopyan, A. D. Lesmana, and C. Juliane, “Analisis Algoritma K-Means dan Davies Bouldin Index dalam Mencari Cluster Terbaik Kasus Perceraian di Kabupaten Kuningan,” Build. Informatics, Technol. Sci., Vol. 4, No. 3, pp. 1464–1470, 2022.
A. A. Vergani and E. Binaghi, “A soft davies-bouldin separation measure,” IEEE Int. Conf. Fuzzy Syst., July-February, 2018.
F. Ros, R. Riad, and S. Guillaume, “PDBI: A partitioning Davies-Bouldin index for clustering evaluation,” Neurocomputing, Vol. 528, pp. 178–199, 2023.
Y. A. Wijaya, D. A. Kurniady, E. Setyanto, W. S. Tarihoran, D. Rusmana, and R. Rahim, “Davies Bouldin Index Algorithm for Optimizing Clustering Case Studies Mapping School Facilities,” TEM J., Vol. 10, No. 3, pp. 1099–1103, 2021.
Arientawati, Y. Jumaryadi, and A. Wibowo, “Analisis Pengelompokan Gangguan TIK Pada Sistem Pencatatan Layanan Menggunakan Algoritma K-Means dan Metode Elbow,” Techno.Com, Vol. 22, No. 2, pp. 348–357, 2023.
