Strategi Pengelompokan Stok Produk Toko Pertanian untuk Optimalisasi Manajemen Persediaan Menggunakan Metode K-Means Clustering
Abstract
Penelitian ini mengusulkan strategi pengelompokan stok produk pada toko pertanian menggunakan metode K-Means Clustering untuk mengoptimalkan manajemen inventori. Data historis transaksi penjualan dari 30 produk periode satu bulan digunakan untuk menganalisis pola permintaan dan tingkat kebutuhan. Hasil penelitian menunjukkan bahwa metode ini efektif mengelompokkan produk ke dalam kategori laku dan tidak laku, serta mengidentifikasi tujuh produk yang memerlukan pemesanan ulang stok. Produk yang perlu diadakan stok ulang adalah: Benih Padi IR64, Mulsa Plastik Hitam, Obat Anti Gulma, Ember Penyiraman, Alat Pengukur pH, Kapur Pertanian, dan Sprayer Elektrik. Pendekatan berbasis data membantu mengurangi biaya penyimpanan, serta mereduksi risiko hilangnya keuntungan akibat kelebihan stok dan penurunan penjualan pada produk dengan permintaan tinggi. Hal ini membuktikan keefektifan metode ini dalam pengelolaan inventori produk toko agribisnis. Selain itu, temuan penelitian ini memberikan kontribusi dalam ilmu manajemen stok produk dan bisa dikembangkan lebih banyak dalam mendukung strategi berbasis data yang adaptif pada perubahan permintaan pasar.
References
[2] A. N. Putri, M. Hariadi, and A. D. Wibawa, ‘Smart Agriculture Using Supply Chain Management Based On Hyperledger Blockchain’, IOP Conf. Ser. Earth Environ. Sci., vol. 466, no. 1, p. 012007, Mar. 2020, doi: 10.1088/1755-1315/466/1/012007.
[3] S. Banerjee and R. M. Punekar, ‘A sustainability-oriented design approach for agricultural machinery and its associated service ecosystem development’, J. Clean. Prod., vol. 264, p. 121642, Aug. 2020, doi: 10.1016/j.jclepro.2020.121642.
[4] Z. N. Mishina, ‘Support for the life cycle of agricultural machinery’, Selskohozjajstvennaja Teh. Obsluzhivanie Remont Agric. Mach. Serv. Repair, no. 6, pp. 76–82, Jun. 2020, doi: 10.33920/sel-10-2006-11.
[5] M. H. S. and S. Sukarman, ‘Manfaat Inovasi Teknologi Sumberdaya Lahan Pertanian Dalam Mendukung Pembangunan Pertanian’, J. Sumberd. Lahan, vol. 14, no. 2, p. 115, Dec. 2020, doi: 10.21082/jsdl.v14n2.2020.115-132.
[6] E. Soesilowati, N. K. T. Martuti, E. Sumastuti, and A. B. Setiawan, ‘REVITALISASI KELEMBAGAAN PETANI SEBAGAI WAHANA ALIH TEKNOLOGI DAN INKUBATOR BISNIS PENDUKUNG AGRO TECHNO-PARK PORWOSARI, SEMARANG’, J. Graha Pengabdi., vol. 2, no. 4, p. 335, Dec. 2020, doi: 10.17977/um078v2i42020p335-346.
[7] S. Shukaili, Z. Jamaluddin, and N. Zulkifli, ‘The Impact of Strategic Inventory Management on Logistics Organization’s Performance’, Int. J. Bus. Technol. Manag., vol. 5, pp. 288–298, Jan. 2023, doi: 10.55057/ijbtm.2023.5.3.24.
[8] O. D. Sudarmojo, Purwanto, and M. A. Soeleman, ‘Comparison of Clustering Methods for Health Clinic Stock Goods’, in 2022 International Seminar on Application for Technology of Information and Communication (iSemantic), Semarang, Indonesia: IEEE, Sep. 2022, pp. 469–473. doi: 10.1109/iSemantic55962.2022.9920416.
[9] R. Hardianto, H. Ramadhan, E. Putra Pane, and Y. Yunefri, ‘K-Means Clustering in Determining the Category of Stock Items In Angkasa Mart’, Knowbase Int. J. Knowl. Database, vol. 2, no. 1, p. 30, Jun. 2022, doi: 10.30983/ijokid.v2i1.5411.
[10] B. Kandemir, ‘A Methodology for Clustering Items with Seasonal and Non-seasonal Demand Patterns for Inventory Management’, J. Adv. Res. Nat. Appl. Sci., vol. 8, no. 4, pp. 753–761, Dec. 2022, doi: 10.28979/jarnas.1112146.
[11] O. Prianus, ‘Inventory Grouping to Support IT Business Management with the K-Means Algorithm’, J. Comput. Scine Inf. Technol., pp. 66–73, Jul. 2022, doi: 10.35134/jcsitech.v8i3.39.
[12] S. Evdokimova, T. Novikova, and A. Novikov, ‘Using clustering methods to analyze sales of auto parts at a truck service station’, Model. Syst. Process., vol. 16, no. 4, pp. 23–32, Dec. 2023, doi: 10.12737/2219-0767-2023-16-4-23-32.
