IMPLEMENTASI DATA MINING DENGAN ALGORITMA K-MEANS CLUSTERING DALAM PENGELOMPOKAN STOK BARANG DI TOKO RASMITA TEKNIK

Pengendalian persediaan menjadi salah satu aspek penting dalam menjaga kelancaran operasional dan memenuhi permintaan konsumen. Ketidakseimbangan antara ketersediaan stok dan tingkat penjualan dapat menyebabkan kekurangan barang, penumpukan persediaan, meningkatnya biaya penyimpanan, serta hilangnya peluang penjualan. Permasalahan tersebut juga terjadi di Toko Rasmita Teknik karena proses perencanaan dan pengelompokan persediaan belum dilakukan secara terstruktur. Penelitian ini mengimplementasikan data mining dengan algoritma K-Means Clustering untuk mengelompokkan stok barang berdasarkan tingkat pergerakan dan permintaannya. Data yang digunakan merupakan data transaksi penjualan periode Mei 2024 sampai Mei 2025 dengan lima atribut, yaitu jumlah barang masuk, jumlah barang keluar, jumlah stok, stok standar (stok default), dan umur barang. Proses pengelompokan dilakukan dengan menentukan tiga pusat cluster, menghitung jarak setiap data terhadap centroid menggunakan metode Euclidean Distance, mengalokasikan data ke centroid terdekat, serta memperbarui nilai centroid secara berulang hingga mencapai konvergensi. Sistem yang dibangun menyediakan fasilitas pengelolaan data barang, impor data melalui berkas Excel, proses clustering secara otomatis dan manual, visualisasi distribusi cluster, serta laporan hasil pengelompokan. Hasil implementasi menunjukkan bahwa sistem mampu mengelompokkan persediaan barang ke dalam tiga kategori, yaitu Laku, Cukup Laku, dan Kurang Laku. Kualitas hasil pengelompokan dievaluasi menggunakan Davies-Bouldin Index (DBI), dengan nilai yang lebih kecil menunjukkan cluster yang semakin baik. Hasil pengelompokan tersebut dapat membantu Toko Rasmita Teknik dalam memantau pergerakan barang, mengevaluasi persediaan, dan menentukan strategi penyediaan stok secara lebih tepat.