Implementasi Metode Clustering Partitional Menentukan Item Slow Moving dan Fast Moving Pada Persediaan Barang (Studi Kasus PT. SAT)

Implementasi Metode Clustering Partitional Menentukan Item Slow Moving dan Fast Moving Pada Persediaan Barang

(Studi Kasus PT. SAT)

Herdianto Siahaan

Program Studi Teknik Informatika, STMIK Budi Darma, Medan, Indonesia Jalan Sisingamangaraja No. 338 Medan, Indonesia

Abstrak

Metode Clustering ini yang digunakan untuk mengelompokkan barang dalam dua jenis yaitu fast moving dan slow moving.

Dengan pengelompokkan barang ke dalam dua kelompok ini, maka penanganan barang sesuai jenisnya akan menciptakan perputaran barang yang efisien. Penelitian ini disusun untuk menberikan gambaran bagaimana suatu komputerisasi metode clustering menentukan kategori slow moving dan fast moving pada persediaan barang di Toko SAT NGUMBAN SURBAKTI yang dihasilkan. Pengumpulan data yang dilakukan adalah dengan cara terjun langsung ke lapangan dan konsultasi dengan karyawan dan dosen pembimbing, adapaun bahasa pemograman yang digunakan dalam menyelesaikan permasalahan yang ada dengan menggunakan bahasa Visual Basic 2008 dan database MySQL. Dari pembahasan, penulis dapat menarik kesimpulan bahwa komputer akan sangat membantu di dalam penyelesaian masalah yang dihadapi serta mendukung terciptanya proses kerja yang sangat cepat, tepat dan akurat.

Kata Kunci: Metode, Clustering Partitional,Slow Moving, Fast Moving, Persediaan.

Abstract

This Clustering method is used to group items in two types, namely fast moving and slow moving. By grouping goods into these two groups, the handling of goods according to their types will create efficient goods turnover. This research was compiled to provide an overview of how a computerized clustering method determines the category of slow moving and fast moving in the inventory at the SAT NGUMBAN SURBAKTI store produced. Data collection is done by going directly to the field and consulting with employees and supervisors, there is a programming language used to solve existing problems using Visual Basic 2008 language and MySQL database. From the discussion, the author can draw the conclusion that computers will be very helpful in solving problems faced and support the creation of work processes that are very fast, precise and accurate.

Keywords: Methods, Partial Clustering, Slow Moving, Fast Moving, Inventory

1. PENDAHULUAN

Alfamart merupakan toko retail yang bergerak dibidang penjualan kebutuhan sehari – hari. Perkembangan Alfamart dibilang sangat cepat, meskipun banyak saingan utama seperti Alfamidi, Alfa express, Indomaret dan Omi. Alfamart adalah milik PT. Sumber Alfaria Trijaya, Tbk group yang merupakan perusahaan waralaba swalayan yang menjual berbagai macam barang tersedia ini mulai dari snack hingga makanan pokok, perlengkapan rumah dan berbagai keperluan lainnya. Setiap gerai alfamart dikelola oleh Kepala toko dan beberapa personil yang membantunya maka seiring perkembangan tersebut setiap toko diperlukan penanganan persediaan yang efisien. Pengelolaan persediaan barang yang efisien akan meningkatkan penjualan dan keuntungan. Penanganan yang dimaksud yaitu pengelolaan barang yang perputarannya dapat dikendalikan sehingga tidak ada penumpukan barang expired yang sia-sia. Pengelolaan yang tidak tepat merupakan salah satu kendala yang akan mengakibatkan penumpukan barang expired yang kerugiannya dibebankan kepada personil toko. Pengelolaan barang yang berjalan di toko saat ini tidak beraturan karena barang yang datang ke toko tidak sesuai keadaaan barang di toko. Pada saat datang barang sebagian barang yang datang stoknya masih penuh sementara barang yang kosong dan penjualannya cepat tidak datang atau stoknya menjadi kosong, sehingga terjadi penumpukan barang dan ketidakseimbangan perputaran barang. Perputaran barang ada 2 jenis yaitu fast moving dan slow moving. Fast moving adalah barang yang dapat terjual secara cepat, dan biasanya merupakan kebutuhan sehari-hari. Slow moving adalah barang yang tidak di request atau dijual selama waktu hampir 90 hari sehingga menyebabkan perputaran lambat. Penerapan algoritma data mining sangat cocok untuk mengelola persediaan ini, berbagai metode dapat diterapkan salah satunya adalah metode Clustering. Metode Clustering merupakan pekerjaan pengelompokkan data (objek) yang didasarkan hanya pada informasi yang ditemukan dalam data yang menggambarkan objek tersebut dan hubungan di antaranya [1].

Tujuannya adalah agar objek-objek yang bergabung dalam sebuah kelompok merupakan objek-objek yang mirip (atau berhubungan) satu sama lain dan berbeda (atau tidak berhubungan) dengan objek dalam kelompok yang lain. Lebih besar kemiripannya (homogenitas) dalam kelompok dan lebih besar perbedaannya di antara kelompok yang lain. Metode yang di gunakan adalah metode pengelompokan sekatan (partitioning), tujuan pengelompokan ini yaitu membagi set data kedalam jumlah kelompok yang tidak tumpang tindih (overlap) antara satu kelompok dengan kelompok yang lain.

2. LANDASAN TEORI

2.1 Clustering

Analisa cluster yaitu menemukan kumpulan objek hingga objek-objek dalam satu kelompok sama (atau punya hubungan) dengan yang lain dan berbeda (atau tidak berhubungan) dengan objek-objek dalam kelompok lain [2].

Clustering adalah metode penganalisaan data, yang sering dimasukkan sebagai salah satu metode Data Mining, yang tujuannya adalah untuk mengelompokkan data dengan karakteristik yang sama ke suatu wilayah yang sama dan data dengan karakteristik yang berbeda ke wilayah yang lain. Ada beberapa pendekatan yang digunakan dalam mengembangkan metode clustering. Dua pendekatan utama adalah clustering dengan pendekatan partisi dan clustering dengan pendekatan hirarki. Clustering dengan pendekatan partisi atau sering disebut dengan partition- based clustering mengelompokkan data dengan memilah-milah data yang dianalisa ke dalam cluster-cluster yang ada. Clustering dengan pendekatan hirarki atau sering disebut dengan hierarchical clustering mengelompokkan data dengan membuat suatu hirarki berupa dendogram dimana data yang mirip akan ditempatkan pada hirarki yang berdekatan dan yang tidak pada hirarki yang berjauhan.

Ada beberapa karakteristik dari clustering masing-masing akan dijelaskan berikut ini : 1. Partitioning Clustering

a. Disebut juga exlusive lustering

b. Setiap data termasuk dalam cluster tertentu

c. Memungkinkan bagi setiap data yang termasuk cluster tertentu pada suatu tahapan proses, pada tahapan berikutnya berpindah ke cluster yang lain. Contoh: K-Means, residual analysis.

2. Hierarchical Clustering

a. Setiap data memungkinkan ke dalam cluster tertentu.

b. Suatu data yang masuk ke dalam cluster tertentu pada suatu tahapan proses, tidak dapat berpindah ke cluster lain. Contoh: single linkage, Centroid Linkage, Complete Linkage

3. Overlapping Clustering

a. Setiap data memungkinkan termasuk ke beberapa cluster

b. Data mempunyai nilai keanggotaan (membership) pada beberapa cluster. Contoh: Fuzzy C-Means, Gaussian Mixture

4. Hybrid merupakan kombinasi dari karatekristik partitioning, overlapping dan hierarchinal.

2.2 K-Means

K-Means merupakan salah satu algoritma clustering [1]. Tujuan algoritma ini yaitu untuk membagi dat menjadi beberapa kelompok. Algoritma ini menerima masukan berupa data tanpa label kelas. Hal ini berbeda dengam supervised learning yang menerima masukan berupa vektor (-x-1, y1), (-x-2,y2),...., (-x-i, yi), di mana xi merupakan data dari suatu data pelatihan dan yi merupakan label kelas untuk xi.

Pada algoritma pembelajaran ini, komputer mengelompokkan sendiri data-data yang menjadi masukannya tanpa mengetahui terlebih dahulu targer kelasnya. Pembelajran ini termasuk dalam unsurpervised learning.

Maslah yang diterima adalah data atau objek k buah kelompok (cluster) yang diinginkan. Algoritma ini akan mengelompokkan data atau objek ke dalam k bauah kelompok tersebut. Pada setiap cluster terdapat titik pusat (centroid) yang merepresenatsikan cluster tersebut.

Algoritma untuk melakukan K-Means clustering adalah sebagai berikut : 1. Pilih K buah titik centroid secara acak

2. Kelompokkan data sehingga terbentuk K buah cluster dengan titik centroid dari setiap cluster merupakan titik centroid yang telah dipilih sebelumnya.

3. Perbaharui nilai titik centroid

4. Ulangi langkah 2 dan 3 sampai nilai dari titik centroid tidak lagi berbuah.

Proses pengelompokkan data ke dalam suatu cluster dapat dilakukan dengan cara menghitung jarak terdekat dari suatu data ke sebuah titik centroid. Perhitungan jarak Minkowski dapat digunakan untuk menghitung jarak antar 2 buah data. Rumus untuk menghitung jarak tersebut adalah:

d(𝑥

_𝑖,

𝑥

_𝑗

) = ( 𝑥

_𝑖1

− 𝑥

_𝑗1

𝑔 + 𝑥

_𝑖2

—𝑥

_𝑗2

𝑔 + ... + 𝑥

_𝑖𝑝

— 𝑥

_𝑗𝑝

𝑔) 1 𝑔 ⁄

(1) Di mana :

g = 1, untuk menghitung jarak Manhattan g = 2, untuk menghitung jarak Eucliden g = x, untuk menghitung jarak Chebychev

xi = xj adalah dua buah data yang akan dihitung jaraknya p = dimensi dari sebuah data

2.3 Slow Moving Dan Fast Moving

Slow Moving merupakan barang-barang dengan aliran barang yang sangat lambat, sehingga biasanya barang- barang yang slow moving ini akan tersedia di gudang dalam jangka waktu yang lebih lama dibandingkan barang medium moving. Fast Moving merupakan barang-barang dengan aliran yang sangat cepat atau dengan kata lain barang fast moving ini akan berada di dalam gudang dalam waktu yang sangat singkat.

Aliran barang ini harus sangat diperhatikan dalam menjalankan manajemen persediaan. Dengan memperhatikan kecepatan aliaran barang tersebut diharapkan alinea barang yang ada di gudang menjadi lancar.

Untuk barang fast moving dijaga agar persediaan di gudang tidak kehabisan sehingga tidak mengecewakan konsumen, sedangkan untuk barang slow moving dijaga agar tidak terjadi penumpukan barang yang tidak perlu di gudang.

Model base adalah suatu model yang mereprentasikan permasalahan ke dalam format kuantitatif atau perhitungan secara matematik dasar simulasi atau pengambilan keputusan, temasuk di dalamnya tujuan dari permasalahan, komponen-komponen terkait, batasan-batasan yang ada, dan hal-hal yang terkait lainnya. Kriteria pengelompokkan sesuai dengan jenisnya adalah sebagai berikut :

1. Jumlah Barang terjual ≥ (0,4 * jumlah persediaan) masuk ke dalam kategori fast moving 2. Jumlah Barang Terjual ≤ (0,2 * jumlah persediaan) masuk ke dalam kategori slow moving.

3. ANALISA DAN PEMBAHASAN

Permasalahan yang akan dibahas dalam skripsi ini adalah membuat suatu sistem yang dapat menentukan kategori persediaan slow moving dan fast moving pada perusahaan berdasarkan data yang diambil dari SAT Ngumban Surbakti. Analisa adalah cara yang digunakan untuk menyelesaikan suatu masalah. Mengenal masalah merupakan langkah pertama yang di gunakan untuk mengenal sistem, karena masalah dapat diartikan sebagai pertanyaan yang harus di selesaikan. Dalam hal ini penulis menganalisa subyek masalah yaitu persediaan di toko SAT Ngumban Surbakti. Ada pun permasalahan persediaan Sat Ngumban Surbakti yaitu permintaan barang dari DC (Distribution Center) tidak sesuai dengan penjualan barang yang terjadi setiap harinya. Barang yang terjual banyak akan datang dengan jumlah yang sedikit ataupun sebaliknya, ini di karenakan tidak adanya sebuah sistem yang mengkaji pengelompokkan persediaan tersebut.

Analisa Penentuan Kategori Slow Moving dan Fast Moving Penulis menggunakan aturan asosiasi untuk analisa sistem sebagai bentuk umum dari aturan asosiasinya adalah:

1. Ambil nilai jarak tiap pusat cluster dengan data.

2. Cari nilai jarak terkecil.

3. Kelompokkan data dengan pusat cluster yang memiliki jarak terkecil.

Adapun langkah-langkahnya sebagai berikut:

1. Penentuan pusat cluster baru

Untuk mendapatkan pusat cluster baru bisa dihitung dari rata-rata nilai anggota cluster dan pusat cluster.

Tabel 1. Daftar Penjualan Barang Juni 2017

No Kode Barang Nama Barang Penjualan Stock

1 10274 Chitato Sp panggang 68gr 17 34

2 10896 Lay’s Rumput Laut 68gr 24 35

3 100667 Bimoli Pouch 2 L 31 55

4 100078 Sunco Pouch 2 L 24 27

5 100102 Fanta 24 35

6 100112 Dancow Coklat fortigrow 400gr 26 31

7 100212 Galan Kretek 16 5 14

8 100007 Aqua Botol 600ml 10 25

9 100349 Alfamart Air 600ml 7 13

10 100110 Sari Roti Coklat sandwich 11 27

11 234 Dji Sam soe 11 23

12 235768 Sampoerna Mild 12 11 19

13 235767 Sampoerna Mild 16 2 14

14 25672 Smax Ring regular 35gr 26 45

15 34789 Inaco i’m Coco 300ml 13 23

16 35762 HidroCoco Bits 235 ml 7 16

17 4578 Good mood Lemon 500ml 5 20

18 69560 Rinso 700gr 11 19

Pada tahap ini dilakukan proses utama yaitu pengelompokan data penjualan barang yang diakses dari database menggunakan metode clustering algoritma K-Means. Dari banyak data yang diperoleh, percobaan dilakukan dengan menggunakan parameter berikut:

Jumlah Cluster : 2 Jumlah Data :18 Jumlah Atribut : 2

2.

Proses Iterasi

a. Penentuan pusat awal cluster

Pusat awal cluster atau centroid didapatkan secara random, untuk penentuan awal cluster di asumsikan : Pusat Cluster 1: (37 ,24)

Pusat Cluster 2: (19,8) b. Perhitungan jarak pusat cluster

Untuk mengukur jarak antara data dengan pusat cluster digunakan Euclidian distance, kemudian akan didapatkan matrik jarak sebagai berikut:

Rumus euclidian distance :

d = |x-y|=√∑^𝑛_𝑖=1(𝑥_𝑖-𝑦_𝑖)²

Dari 10 data yang dijadikan sampel telah dipilih pusat awal cluster yaitu C1 (37 , 24), dan C2 (19 , 8). Lalu dilakukan penghitungan jarak dari sisa sampel data dengan pusat cluster yang dimisalkan dengan M(a,b), dimana a merupakan jumlah stok, dan b jumlah terjual yang diperkecil menjadi angka puluhan juta agar cara penghitungan lebih mudah.

1. M1 = (34,17) 2. M2 = (35,24) 3. M3 = (55,31) 4. M4 = (27, 24) 5. M5 = (36,24) 6. M6 = (31,26) 7. M7 = (14,5) 8. M8 = (25,10) 9. M9 = (13,7) 10. M10 = (27,11) 11. M11 = (23,11) 12. M12 = (19,11) 13. M13 = (14,2) 14. M14 = (45,26) 15. M15 = (23,13) 16. M16 = (16,7) 17. M17= (20,5) 18.M18 = (19,11)

Gambar 1. Hasil Diagram Clustering Hitung Eucliden distance dari semua data kesetiap titik pusat pertama:

Dengan cara yang sama hitung jarak titik ketitik pusat ke-2 dan kita akan mendapatkan

D1 1 =√(𝑀₁ᵪ − 𝐶₁ᵪ)² + (𝑀₁ᵧ − 𝐶₁ᵧ)²= √(34 − 19)²+ (17 − 8)² =√58 =7,61 D1 2 =√(𝑀₂ᵪ − 𝐶₁ᵪ)² + (𝑀₂ᵧ − 𝐶₁ᵧ)²= √(35 − 37)²+ (24 − 24)² =√4 =2

D1 3 =√(𝑀₃ᵪ − 𝐶₁ᵪ)² + (𝑀₃ᵧ − 𝐶₁ᵧ)²= √(55 − 37)²+ (31 − 24)² =√373 =19,31 D1 4 =√(𝑀₄ᵪ − 𝐶₁ᵪ)² + (𝑀₄ᵧ − 𝐶₁ᵧ)²= √(27 − 37)²+ (24 − 24)² =√100 =10 D1 5 =√(𝑀₅ᵪ − 𝐶₁ᵪ)² + (𝑀₅ᵧ − 𝐶₁ᵧ)²= √(36 − 37)²+ (24 − 24)² =√1 =1 Dari hasil penghitungan Eucliden distance, kita dapat membandingkan:

Antara C1 menerangkan barang yang slow moving sedangkan C2 menerangkan barang fast moving.

Tebel 3. Hasil iterasi

C1 C2

M1 7,61 17,49

M2 2 22,62

M3 19,31 42,72

M4 10 17,88

M5 1 23,34

M6 6,32 21,63

M7 29,83 5,83

M8 18,43 6,32

M9 29,41 6,08

M10 16,40 8,54

M11 19,10 5

M12 22,20 3

M13 31,82 7,81

M14 8,24 31,62

M15 17,80 6,40

M16 27,01 3,16

M17 25,49 3,16

M18 22,20 3

Tabel 4. Anggota C2 dan C1

Fast Moving (C2) Slow Moving (C1)

Nama Barang Nama Barang

M7 Galan Kretek 16 M1 Chitato Sp Panggang 68gr

M8 Aqua Botol 600ml M2 Lay’s Rumput Laut 68gr

M9 Alfamart Air 600ml M3 Bimoli Pouch 2 L

M10 Sari Roti Coklat Sandwich M4 Sunco Pouch 2 L

M11 Dji Samsoe M5 Fanta

M12 Sampoerna Mild 12 M6 Dancow Coklat Fortigrow 400gr

M13 Sampoerna Mild 16 M14 Smax Ring Regular 35gr

M15 Inaco I’m Coco 300ml M16 HidroCoco Bits 235ml M17 Good Mood Lemon 500ml M18 Rinso 700gr

4. IMPLEMENTASI

Aplikasi sistem pakar diagnosa penyakit tanaman kubis dengan metode ANFIS ini dibuat dengan menggunakan bahasa pemrograman Microsoft Visual Basic 2008 dan database Microsoft Office Access 2007. 1. Tampilan Menu Utama

1. Menu Utama

Menu Utama Ini merupakan tempat melakukan ataupun memilih proses apa saja yang akan dilakukan dalam sistem.

Gambar 2. Menu Utama

2. Form Laporan Toko

Laporan Toko merupakan tempat melakukan laporan toko yang dibutuhkan dalam sistem.

Gambar 3. Form Laporan Toko

3. Form Laporan Cluster

Form laporan cluster merupakan laporan untuk menampilkan hasil dan proses data yang di clustering.

Gambar 4. Form Laporan Cluster

5. KESIMPULAN

Berdasarkan hasil penelitian yang telah dilakukan pada Toko SAT Ngumban Surbakti dalam melakukan Implementasi Metode Clustering Partitional Menentukan Item Slow Moving dan Fast Moving Pada Persediaan Barang telah menggunakan kompeterisasi. Adapun kesimpulan yang penulis peroleh sebagai berikut :

1. Dengan adanya penelitian ini, penulis dapat mengetahui cara mengelolah persediaan barang slow moving dan fast moving.

2. Dengan menentukan Item Slow Moving dan Fast Moving pada persediaan barang maka dapat mengetahui perputaran persediaan barang.

3. Dengan adanya penelitian ini penulis telah merancang suatu Metode Clustering Partitional menggunakan pemograman Visual Basic Net 2008 dan untuk database menggunakan MySQL, sehingga dapat membantu pihak toko dalam menentukan persediaan barang.

REFERENCES

[1] Solichin Abdul Wahab, Analisis Kebijaksanaan: Dari Formulasi ke Implementasi Kebijaksanaa Negara, 2nd ed. Jakarta: Bumi Aksara, 2008.

[2] Nurdin Usman, Konteks Implementasi Berbasis Kurikulum. Jakarta: Grasindo, 2007.

[3] Nurdin Usman, Konteks Implementasi berbasis Kurikulum. Jakarta: Grasindo, 2007.

[4] P Tan, Introduction to Data Mining, et al ed. Boston, USA: Pearson Education, 2006.

[5] Kurweni Ukar, Seri Penuntun Praktis Microsoft Office Access 2007. Jakarta: PT.Elex Media Komputindo, 2007.

[6] Nelly Astuti Hasibuan, "Expert System With Genetics Probability", IJRISE, vol.3, pp.112-116, 2017.

[7] T Sutojo, Edy Mulyanto , and Dr.Vincent Suhartono, Kecerdasan Buatan. Semarang: Andi Yogyakarta, 2010.

[8] B.Herawan S.Kom,M.Kom Hayadi, Ed., Sistem Pakar. Yogyakarta: Depublis (CV BudiUtama), 2016.