Sistem Pendukung Keputusan Berbasis Web Menggunakan K-Means untuk Klasifikasi Stok PT Sehati Bangunan Abadi
Keywords:
Sistem Pendukung Keputusan, Machine Learning, K-Means Clustering, Prediksi Stok, Klasifikasi Stok, Persediaan BarangAbstract
Pengelolaan persediaan barang merupakan salah satu aspek penting dalam operasional perusahaan karena berpengaruh terhadap kelancaran distribusi, efisiensi penyimpanan, dan pengambilan keputusan bisnis. PT Sehati Bangunan Abadi masih menghadapi kendala dalam menentukan klasifikasi pergerakan stok barang secara cepat dan akurat karena proses analisis dilakukan secara manual berdasarkan data historis transaksi. Penelitian ini bertujuan untuk mengembangkan Sistem Pendukung Keputusan (SPK) berbasis web yang memanfaatkan teknologi Machine Learning untuk melakukan prediksi dan klasifikasi stok barang sehingga dapat membantu perusahaan dalam mengelola persediaan secara lebih efektif. Metode yang digunakan dalam penelitian ini adalah algoritma K-Means Clustering untuk mengelompokkan barang ke dalam tiga kategori, yaitu Fast Moving, Slow Moving, dan Dead Stock, berdasarkan data historis penerimaan barang (Goods Receipt Note) dan penjualan selama tahun 2021. Tahapan Penelitian meliputi pengumpulan data, data preprocessing, rekayasa fitur (feature engineering), normalisasi data, proses klasterisasi menggunakan algoritma K-Means, serta implementasi model ke dalam aplikasi berbasis FastAPI sebagai layanan Machine Learning dan antarmuka berbasis Next.js sebagai dashboard analisis.
References
Han, J., Kamber, M., & Pei, J. (2022). Data Mining: Concepts and Techniques (4th ed.). Morgan Kaufmann.
Heizer, J., Render, B., & Munson, C. (2020). Operations Management: Sustainability and Supply Chain Management (13th ed.). Pearson.
Hidayat, A., & Saputra, R. (2023). Penerapan Algoritma K-Means untuk Pengelompokan Data Stok Barang pada Toko Retail Menggunakan Metode RFM. Jurnal Teknologi dan Sistem Informasi.
Kumar, R., Kaur, M., & Kumar, G. (2019). Inventory Management and its Impact on Profitability: A Study of Listed Manufacturing Firms. Journal of Inventory Control and Management.
Kumar, V., & Singh, P. (2021). K-Means Clustering for Effective Inventory Classification in Retail Industries. International Journal of Data Science and Analytics.
Lestari, D., & Wijaya, K. (2023). Rancang Bangun Dashboard Analitik Persediaan Barang Menggunakan Framework Next.js dan Tailwind CSS. Jurnal Informatika.
Prasetyo, E., et al. (2022). Inventory Classification using K-Means Clustering and Silhouette Coefficient Analysis for Supply Chain Optimization. International Journal of Data Science.
Putra, M. R. (2023). Integration of K-Means Clustering and Random Forest for Sales Forecasting in Small-Medium Enterprises. Journal of Applied Intelligent Systems.
Ramadhan, F. (2024). Performance Evaluation of FastAPI for Real-time Machine Learning Model Deployment in Web Applications. Journal of Software Engineering.
Turban, E., Sharda, R., & Delen, D. (2021). Decision Support and Business Intelligence Systems (11th ed.). Pearson
