<![CDATA[Data mining membantu bisnis membuat produksi yang menguntungkan dan penyesuaian operasional. Pengelolaan persediaan stok barang merupakan aspek krusial dalam manajemen bisnis ritel modern yang memerlukan pendekatan analitis untuk optimalisasi. Data Mining dengan metode K-Means Clustering mampu menganalisis dan mengelompokkan pola persediaan stok barang. Tahapan yang dilakukan pra-pemrosesan data, implementasi K-Means Clustering, dan evaluasi model menggunakan metrik Sum of Squared Errors (SSE) dan Silhouette Score. Hasil analisis menggunakan metode Elbow menunjukkan tiga cluster optimal dengan nilai SSE final 51.69, menandakan kohesi internal yang baik. Evaluasi menggunakan Silhouette Score menghasilkan nilai 0.498, mengindikasikan keseimbangan yang baik antara kohesi dan separasi cluster. Hasil clustering mengidentifikasi tiga pola distinct dalam persediaan stok: Cluster 0 mendominasi periode akhir tahun dengan rentang stok 780-840 unit, Cluster 1 terkonsentrasi pada awal tahun dengan rentang 840-920 unit, dan Cluster 2 sebagai cluster transisi pada pertengahan tahun dengan rentang 840- 880 unit. Visualisasi temporal menunjukkan pola seasonal yang jelas dalam pengelolaan persediaan sepanjang tahun. Implementasi K-Means Clustering berhasil menghasilkan pengelompokan yang bermakna dan dapat diinterpretasikan dalam konteks manajemen inventori.]]>
Copyrights © 2024
