Implementasi Metode K-Means Clustering dalam Pengelompokan Produk Terlaris untuk Optimalisasi Stok pada Toko Ridho

Febby Ayu; Fitriana Destiawati; Harmi Ibnu Dja’far

doi:10.30998/m856sn13

Authors

Febby Ayu Indraprasta Pgri University Author
Fitriana Destiawati Indraprasta Pgri University Author
Harmi Ibnu Dja’far Indraprasta Pgri University Author

DOI:

https://doi.org/10.30998/m856sn13

Keywords:

Machine Learning, Phyton, Optimalisasi Stok, K-Means Clustering

Abstract

Toko Ridho merupakan salah satu toko ritel yang menjual beraneka macam produk. Salah satu aspek krusial dalam manajemen ritel adalah pengelolaan stok barang. Seiring berkembangnya usaha, pemilik toko mengalami kendala dalam pengelolaan stok barang. Sehingga sering terjadi penumpukan stok barang. Tujuan penelitian ini adalah dengan dibuatnya sistem berbasis web menggunakan metode K-Means Clustering untuk membantu pemilik Toko Ridho dalam mengambil keputusan terkait identifikasi produk terlaris dan optimalisasi stok. Dengan adanya sistem ini, diharapkan dapat meminimalkan risiko kerusakan barang, kehabisan stok, dan penumpukan barang yang tidak laku. Sistem dikembangkan menggunakan bahasa pemrograman Python, serta basis data MySQL. Penelitian ini memanfaatkan data penjualan dan stok produk untuk dilakukan proses clustering. Hasil penelitian menunjukkan bahwa metode K-Means Clustering dapat mengelompokkan produk menjadi tiga kategori utama, yaitu produk terlaris, produk laris, dan produk tidak laris, yang dapat digunakan sebagai dasar pengambilan keputusan dalam pengelolaan stok.

Downloads

Download data is not yet available.

References

[1] M. Efendi, K. Azhar, Ferdiansyah, and N. Nur, “Sistem Manajemen Stok Barang pada Toko Sembako Ibuk Isum berbasis Cloud,” Digit. Bus. Insights J., vol. 1, no. 2, pp. 195–203, 2025.

[2] A. Subhan, A. Faqih, and B. Irawan, “Clustering Item Fast Moving Dan Slow Moving Pada Produk Unilever Menggunakan Algoritma K-Prototype ( Studi Kasus : Yogya Purwakarta ),” JATI (Jurnal Mhs. Tek. Inform., vol. 6, no. 2, pp. 629–634, 2022.

[3] A. Nugraha et al., “Penerapan Data Mining Metode K-Means Clustering Untuk,” JATI (Jurnal Mhs. Tek. Inform., vol. 6, no. 2, pp. 849–855, 2022.

[4] A. Erdiansyah and M. Devega, “Pengelompokan Barang Menggunakan Metode K-Means Clustering Dan K-Medoids Berdasarkan Hasil Penjualan Pada Kamajaya Seraya,” Prosiding-Seminar Nas. Teknol. Inf. Ilmu Komput., vol. Vol 2.No.1, pp. 35–41, 2023.

[5] B. A. Setiawan and Sulastri, “Perbandingan Clustering Optimalisasi Stok Barang Menggunakan Algoritma K – Means Dan Algortima K – Medoids ( Studi Kasus : Klinik Ben Waras ),” Proceeding SENDIU, pp. 978–979, 2021.

[6] A. Waruwu, M. Yetri, and F. Setiawan, “Implementasi Data Mining Dalam Mengelompokkan Data penduduk Kurang Mampu Menggunakan Metode K-Means Clustering,” J. Sist. Inf. TGD, vol. 2 Nomor 6, no. November, pp. 945–955, 2023.

[7] F. Amelia, I. Iskandar, S. K. Gusti, and E. Haerani, “Clustering Keluarga Miskin Desa Bina Baru dengan Metode K-Medoids,” KREA-TIF J. Tek. Inform., vol. 11 No 1, no. Mei, pp. 1–13, 2023, doi: 10.32832/krea-tif.v11i1.14104.

[8] T. Ikhsan, E. Haerani, F. Wulandari, and F. Syafria, “Clustering Data Penduduk Menggunakan Algoritma K-Means,” TIN Terap. Inform. Nusant., vol. 5 No 12, no. May, pp. 679–687, 2025, doi: 10.47065/tin.v5i12.7328.

[9] S. I. Wahyudi and A. Wibowo, “Implementasi Metode K-Means Clustering Untuk Pengelompokan Data Stok Produk Toko Online Perdagangan Kaos,” Semin. Nas. Mhs. Fak. Teknol. Inf., no. September, pp. 470–478, 2022.

[10] F. Pangestu, N. Yasin, R. C. Hasugian, and Yunita, “Penerapan Algoritma K- Means Untuk Mengklasifikasi Data Obat,” J. SISFOKOM (Sistem Inf. dan Komputer), vol. 12, no. Nomor 0, pp. 53–62, 2023.