Penerapan Metode K-Means Clustering dalam Pengelompokan Produk Kayu sebagai Sistem Pendukung Keputusan Produksi dan Penjualan (Studi kasus: CV Sutan Piko Mandiri)

Seli; Clara Nababan; Andri Wijaya

doi:10.47134/jtsi.v3i1.5215

Authors

Seli Universitas Katolik Musi Charitas Palembang
Clara A. Nababan Universitas Katolik Musi Charitas Palembang
Andri Wijaya Universitas Katolik Musi Charitas Palembang

DOI:

https://doi.org/10.47134/jtsi.v3i1.5215

Keywords:

K-Means Clustering, Sum of Squared Error (SSE), Elbow Method

Abstract

Pengelolaan persediaan merupakan salah satu aspek krusial dalam industri pengolahan kayu karena berpengaruh langsung terhadap kelancaran produksi, efisiensi biaya, dan kemampuan perusahaan dalam memenuhi permintaan pasar. Ketidaktepatan dalam menentukan jumlah stok sering menimbulkan permasalahan berupa kelebihan atau kekurangan persediaan, yang pada akhirnya dapat berdampak pada kerugian operasional. Oleh karena itu, diperlukan pendekatan berbasis data untuk mendukung pengambilan keputusan yang lebih akurat. Penelitian ini bertujuan untuk menerapkan metode K-Means Clustering dalam mengelompokkan produk kayu pada CV Sutan Piko Mandiri berdasarkan pola penjualan sebagai dasar pendukung keputusan produksi dan pengelolaan persediaan. Data yang digunakan terdiri dari 1.000 transaksi penjualan tahun 2025 dengan atribut harga per unit, volume unit, dan jumlah terjual. Tahapan penelitian meliputi pengumpulan data, preprocessing untuk menangani data hilang dan pemilihan atribut, normalisasi data, serta penentuan jumlah cluster optimal menggunakan elbow method melalui analisis nilai Sum of Squared Error (SSE). Hasil analisis menunjukkan bahwa nilai K optimal adalah 4, sehingga produk kayu dapat dikelompokkan ke dalam empat cluster dengan karakteristik penjualan yang berbeda. Analisis hasil clustering menunjukkan bahwa jenis kayu Mahoni, Kamper, dan Durian termasuk dalam kategori penjualan tinggi sehingga direkomendasikan sebagai prioritas produksi dan perlu dijaga ketersediaan stoknya. Kayu Balam berada pada kategori penjualan menengah, sedangkan kayu Jati tergolong dalam kategori penjualan rendah sehingga memerlukan pengendalian produksi yang lebih ketat untuk menghindari penumpukan stok. Temuan ini membuktikan bahwa penerapan metode K-Means Clustering mampu memberikan wawasan yang bermanfaat bagi perusahaan dalam menyusun strategi produksi dan pengelolaan persediaan secara lebih efektif, efisien, dan berbasis data.

Author Biography

Clara A. Nababan, Universitas Katolik Musi Charitas Palembang

Abstract: Inventory management in the wood industry requires an appropriate strategy to ensure stock levels meet market demand. This study applies the K- Means Clustering method to group wood products at CV Sutan Piko Mandiri based on sales patterns. The data consists of 1,000 transactions in 2025 with attributes of price per unit, unit volume, and quantity sold. The research stages include data collection, preprocessing, normalization, and determining the number of clusters using the elbow method through Sum of Squared Error (SSE) analysis. The results show that the optimal K value is 4, so that products are divided into four sales groups with different characteristics. Cluster analysis shows that Mahogany, Camphor, and Durian wood types are included in the high-selling category and are recommended as production priorities and their stock availability is maintained. Balam wood is in the medium category, while Teak wood shows low sales and requires stricter production control. These findings indicate that the K-Means method can help companies make decisions related to production strategies and inventory management more effectively and based on data. Abstrak: Pengelolaan persediaan pada industri kayu memerlukan strategi yang tepat agar jumlah stok sesuai dengan kebutuhan pasar. Penelitian ini menerapkan metode K-Means Clustering untuk mengelompokkan produk kayu pada CV Sutan Piko Mandiri berdasarkan pola penjualan. Data terdiri dari 1000 transaksi tahun 2025 dengan atribut harga per unit, volume unit, dan jumlah terjual. Tahapan penelitian meliputi pengumpulan data, preprocessing, normalisasi, serta penentuan jumlah cluster menggunakan elbow method melalui analisis nilai Sum of Squared Error (SSE). Hasil menunjukkan bahwa nilai K optimal adalah 4, sehingga produk terbagi ke dalam empat kelompok penjualan dengan karakteristik berbeda. Analisis cluster memperlihatkan bahwa jenis kayu Mahoni, Kamper, dan Durian termasuk kategori penjualan tinggi dan direkomendasikan sebagai prioritas produksi serta dijaga ketersediaan stoknya. Kayu Balam berada pada kategori menengah, sedangkan kayu Jati menunjukkan penjualan rendah sehingga memerlukan pengendalian produksi yang lebih ketat. Temuan ini menunjukkan bahwa metode K-Means dapat membantu perusahaan dalam pengambilan keputusan terkait strategi produksi dan pengelolaan persediaan secara lebih efektif dan berbasis data.

References

Arora, P., & Dhiman, G. (2021). Clustering techniques in data mining: A survey. Materials Today: Proceedings, 47, 4371–4376.

Arora, P., & Malik, S. (2023). Machine learning applications in inventory optimization. International Journal of Production Research, 61(4), 1205–1218.

Gupta, S., & Singh, R. (2022). Inventory management challenges in manufacturing industries. Journal of Supply Chain Systems, 11(2), 45–55.

Han, J., Pei, J., & Kamber, M. (2022). Data mining: Concepts and techniques (4th ed.). Morgan Kaufmann.

Heizer, J., Render, B., & Munson, C. (2022). Operations management (14th ed.). Pearson Education.

Hidayat, T., & Firmansyah, R. (2023). Analisis penjualan berbasis data mining untuk pengendalian persediaan. Jurnal Sistem Informasi Bisnis, 13(2), 87–96.

Hossain, M., & Rahman, S. (2022). Inventory classification using data mining techniques. Expert Systems with Applications, 190, 116178.

Khedr, A. M. (2024). Machine learning applications for inventory and demand forecasting: A review. International Journal of Production Economics, 259, 108845.

Kumar, A., & Rani, S. (2023). K-Means clustering for product segmentation in retail sectors. International Journal of Data Analytics, 9(1), 55–66.

Lee, J., & Kim, H. (2023). Sales data clustering for inventory planning. Applied Sciences, 13(4), 2105.

Mirzaei, M., & Rahmani, K. (2023). Applications of clustering in supply chain analytics. Journal of Industrial Engineering and Management, 16(3), 215–229.

Muasaroh, Y. I., & Fatah, Z. (2024). Implementasi RapidMiner dalam optimasi pembentukan kelas unggulan menggunakan K-Means clustering. Jurnal Advance Research Informatika, 3(1), 66–72.

Novia, C. P. E. A., & Rahayu, W. I. (2021). Perbandingan algoritma K-Means dan Naïve Bayes untuk prediksi prioritas pembayaran. Kreatif Industri Nusantara, 2(1), 12–20.

Pratama, A. R., & Suryani, D. (2022). Data-driven inventory decision support system using clustering techniques. Journal of Decision Support Systems, 5(1), 21–30.

Rahman, A., & Putra, D. (2021). Inventory segmentation using clustering approach. Journal of Industrial Engineering Research, 10(3), 145–154.

Ramanathan, R. (2021). Inventory management and demand forecasting. Operations and Logistics Review, 5(2), 88–102.

Safira, I., Salkiawati, R., & Priatna, W. (2022). Penerapan algoritma K-Means untuk mengetahui pola persediaan barang. Jurnal Informatika dan Keamanan Informasi, 3(1), 99–110.

Safitri, R., & Nugroho, Y. (2023). Product clustering for inventory control using K-Means algorithm. Journal of Information Systems Engineering, 8(2), 134–142.

Sari, M. P., & Kurniawan, A. (2024). Implementation of K-Means clustering for sales pattern analysis. International Journal of Advanced Computer Science and Applications, 15(1), 402–410.

Sitorus, B. R., & Hulu, Y. (2025). Optimization of raw material inventory using clustering methods. International Journal of Supply Chain Management, 14(1), 33–41.

Tan, P.-N., Steinbach, M., & Kumar, V. (2022). Introduction to data mining (2nd ed.). Pearson.

Turban, E., Sharda, R., Delen, D., & King, D. (2021). Decision support and business intelligence systems (12th ed.). Pearson.

Wibowo, A., & Setiawan, H. (2022). Penerapan data mining dalam sistem pendukung keputusan persediaan. Jurnal RESTI, 6(4), 612–620.

Winarti, D., Revita, E., & Yandani, E. S. (2021). Penerapan data mining untuk analisis pola menggunakan algoritma K-Means. Jurnal SIMTIKA, 4(3), 8–22.