PERENCANAAN STOK POMPA MENGGUNAKAN K-MEANS CLUSTERING

Authors

  • Carlos Gerardi Universitas Bunda Mulia
  • Evasaria Magdalena Sipayung Universitas Bunda Mulia

DOI:

https://doi.org/10.31849/mjmn0288

Keywords:

K-Means Clustering, Elbow Method, Cluster, Stock Planning

Abstract

Dalam dunia bisnis modern, teknologi AI menjadi sangat penting. Namun, banyak perusahaan masih belum mengelola data menjadi informasi yang dapat digunakan untuk pendukung pengambilan keputusan. Penelitian ini bertujuan merancang sistem perencanaan stok menggunakan K-Means Clustering pada toko Bintang Teknik Pompa. Tujuan penelitian ini adalah menerapkan algoritma K-Means pada data barang untuk perencanaan stok berdasarkan tingkat penjualan. Dengan menentukan jumlah cluster optimal dan mengevaluasi akurasi klasterisasi. Metode yang digunakan adalah K-Means Clustering, algoritma pembelajaran mesin yang mengelompokkan data ke dalam beberapa cluster berdasarkan kemiripan karakterisiknya. Algoritma ini menentukan titik pusat (centroid) awal, mengalokasikan setiap data point ke centroid terdekat, dan berulang hingga konvergensi. Metode elbow digunakan untuk menentukan jumlah cluster optimal sebelum pengelompokan. Hasil penelitian menunjukkan algoritma K-Means efektif mengelompokkan data barang berdasarkan tingkat penjualan. Terdapat 3 cluster yang mewakili tingkat penjualan tinggi, sedang dan rendah, yang kemudian dibandingkan dengan data stok terkini. Barang dengan penjualan tinggi tetapi stok rendah memerlukan restock segera. Jumlah cluster optimal memberikan hasil klasterisasi yang baik untuk mendukung keputusan perencanaan stok.

Author Biography

  • Carlos Gerardi, Universitas Bunda Mulia

    informatika

References

[1] C. Ahirru, Perancangan Aplikasi WEB Point Of Sales dengan penerapan Algoritma K-Means Clustering sebagai Fitur Analisa data. 2022. [Online]. Available: https://lib.mercubuana.ac.id/

[2] N. Sari, “Perencanaan Dan Pengendalian Persediaan Barang Dalam Upaya Meningkatkan Efektivitas Gudang,” J. Bisnis, Logistik dan Supply Chain, vol. 2, no. 2, pp. 85–91, 2022, doi: 10.55122/blogchain.v2i2.542.

[3] S. Faradillah, D. Irmansyah, B. A. Lokatara, M. I. Saputra, and A. Wulansari, “Analisis Perkembangan Artificial Intelligence Dalam Bidang Bisnis : Systematic Literature Review,” Djtechno J. Teknol. Inf., vol. 4, no. 2, pp. 298–309, 2023, doi: 10.46576/djtechno.v4i2.3404.

[4] M. M. Purba and C. Rahmat, “PERANCANGAN SISTEM INFORMASI STOK BARANG BERBASIS WEB DI PT MAHESA CIPTA,” J. Sist. Inf. Univ. SURYADARMA, vol. 9, no. 2, 2014, doi: 10.35968/jsi.v9i2.923.

[5] Eufrasia Paskasius, Evasaria Magdalena Sipayung, Penerapan Metode Clustering Pada Penjualan Makanan Dan Minuman Dalam Menentukan Strategi Marketing, Jurnal Nasional Teknologi dan Sistem Informasi, VOL. 11 NO. 1 (2025), https://doi.org/10.25077/TEKNOSI.v11i01.2025.48-56

[6] S. Ependi and M. Akbar, “Implementasi Data Mining pada Penjualan Produk dengan Menggunakan Algoritma Apriori,” in Bina Darma Conference on Computer Science, 2021, vol. 3, no. 1, pp. 220–225, doi: 10.33364/algoritma/v.20-1.1259.

[7] S. Ependi and M. Akbar, “Implementasi Data Mining Pada Penjualan Produk dengan Algoritma Apriori,” Bina Darma Conf. Comput. Sci., vol. 3, no. 1, pp. 220–225, 2021.

[8] H. Al Rasyid, B. F. K. Soebari, and D. S. Y. Kartika, “IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING UNTUK PENGELOMPOKAN PENJUALAN PRODUK PADA ONLINE SHOP TOKO GIZI,” Pros. Semin. Nas. Teknol. dan Sist. Inf., vol. 2, no. 1, pp. 242–248, 2022, doi: 10.33005/sitasi.v2i1.304.

[9] F. A. Fithri and S. Wardhana, “Cluster Analysis of Sales Transaction Data Using K-Means Clustering At Toko Usaha Mandiri,” J. PILAR Nusa Mandiri, vol. 17, no. 2, pp. 113–118, 2021, [Online]. Available: www.mercubuana.ac.id

[10] J. A. Ginting, “Data Mining Untuk Analisa Pengajuan Kredit Dengan Menggunakan Metode Logistik Regresi,” J. Algoritm. Log. dan Komputasi, vol. 2, no. 2, pp. 164–169, 2019, doi: 10.30813/j-alu.v2i2.1845.

[11] Sagaino, T. M. S. Mulyana, I. G. N. Suryantara, J. A. Ginting, and F. Adikara, “Pemetaan Kejadian Bencana Alam Di Jawa Barat Menggunakan Algoritma KMeans,” vol. 5, pp. 471–478, 2022.

[12] N. A. Maori and E. Evanita, “Metode Elbow dalam Optimasi Jumlah Cluster pada K-Means Clustering,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 14, no. 2, pp. 277–288, 2023, doi: 10.24176/simet.v14i2.9630.

[13] F. H. Awad and M. M. Hamad, “Improved k-Means Clustering Algorithm for Big Data Based on Distributed SmartphoneNeural Engine Processor,” Electron., vol. 11, no. 6, 2022, doi: 10.3390/electronics11060883.

[14] D. B. Rarasati, P. Studi, T. Informatika, and U. B. Mulia, “A Grouping of Song-Lyric Themes Using K- Means Clustering,” vol. 03, no. 02, pp. 38–41, 2020.

[15] R. A. Malik and W. Firmansyah, “Pengukuran Tingkat Kepuasan Mahasiswa Terhadap Bahan Ajar Mata Kuliah PTI Menggunakan Algorithma K-Means Clustering,” J. Janitra Inform. dan Sist. Inf., vol. 3, no. 2, pp. 49–55, 2023, doi: 10.25008/janitra.v3i2.174.

[16] T. M. S. Mulyana, “Implementasi Algoritma K-Nearest Neighbor Untuk Rekomendasi Smartphone,” Petir, vol. 16, no. 1, pp. 29–38, 2023, doi: 10.33322/petir.v16i1.1707.

[17] B. Liu, T. Zhang, Y. Li, Z. Liu, and Z. Zhang, “Kernel probabilistic k-means clustering,” Sensors, vol. 21, no. 5, pp. 1–16, 2021, doi: 10.3390/s21051892.

Downloads

Published

2026-01-23

Issue

Vol. 8 No. 1 (2026): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2026

Section

Articles

License

Copyright (c) 2026 ZONAsi: Jurnal Sistem Informasi

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

CC BY-SA 4.0


Attribution-ShareAlike 4.0

You are free to:

  1. Share — copy and redistribute the material in any medium or format for any purpose, even commercially.
  2. Adapt — remix, transform, and build upon the material for any purpose, even commercially.
  3. The licensor cannot revoke these freedoms as long as you follow the license terms.

Under the following terms:

  1. Attribution — You must give appropriate credit , provide a link to the license, and indicate if changes were made . You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
  2. ShareAlike — If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
  3. No additional restrictions — You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.

Notices:

You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation .

No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.

How to Cite

[1]
“PERENCANAAN STOK POMPA MENGGUNAKAN K-MEANS CLUSTERING”, zn, vol. 8, no. 1, pp. 205–214, Jan. 2026, doi: 10.31849/mjmn0288.