Pengaturan persediaan barang (Inventory Control) sangat penting untuk sektor retail. Dalam retail perputaran antara modal barang dan modal uang harus terus berjalan tanpa ada hambatan jika perusahaan ingin tetap berjalan. Perputaran modal barang dan modal uang dapat terganggu apabila pengaturan persediaan barang tidak dijalankan dengan benar. Inventory Control adalah kebijakan pengadaan setiap barang, dan kebijakan jumlah pengadaan barang. Setiap barang memiliki karakter masing-masing, ada yang bergerak cepat (Fast Moving), ada yang bergerak lambat (Slow Moving) dan ada yang tidak bergerak sama sekali (Non Moving). Oleh karena itu, perlakukan dari ketiga karakter barang tersebut harus berbeda. Karakteristik barang dapat dicari melalui data penjualan, data pembelian, dan data stok barang dengan menerapkan salah satu teknik data mining yaitu, clustering. Clustering dapat dilakukan dengan algoritma K-means. Pada algoritma K-means penentuan nilai awal centroid dilakukan secara random sehingga hasil dari cluster tidak konsisten. Untuk menangani hal tersebut digunakanlah 2 metode untuk menentukan nilai awal centroid yaitu metode DIMK dan K-means++. Dari kedua metode tesebut, dicari metode mana yang lebih baik jika dilihat dari nilai sum squarred of error (SSE) yang dihasilkan. Setelah metode penentuan titik awal terbaik ditentukan dan hasil clusternya menjadi konsisten, kebijakan terhadap barang dapat dilakukan. Di dalam penelitian ini telah terbukti bahwa metode DIMK lebih baik dari K-means++ dimana nilai SSE dengan DIMK lebih kecil dari K-means++. Artinya dengan nilai SSE lebih kecil centroid yang dihasilkan mempunyai jarak yang lebih dekat terhadap anggota-anggotanya, dan juga dengan mengganti metode random dengan metode DIMK hasil cluster menjadi lebih konsisten. Kata Kunci: Inventory Control, K-means, Centroid Initialization, FSN analysis.

Inventory Control is very important for retail store. In retail, the turnonver between goods and money must be managed without any obstacles in order to keep the bussiness running. The turnover between goods and money can be disrupted if the inventory control is not managed well. Inventory control determines what goods are ordered and how many goods are ordered. Each goods has its own characteristic depending on the way they move.They are fast moving, slow moving, and non moving goods. Therefore, the treatment for those three characteristics of goods must be different. The characteristic of the goods can be determined through sales data, purchases data, and inventory stock data by applying one of the data mining techniques that is, clustering. Clustering can be done with K-Means algorithm. K-Means algorithm selects the centroid of clusters randomly so that the result of clustering are inconsistent.There are two methods to handle this issue: the DIMK and K-Means++. The best method between DIMK and K-means is determined from the value of SSE (Sum of Squarre Error). After determining the best method and the result of clustering is consistent, the treatment for each characteristic can be determined. In this research, the DIMK’s method was better than K-means++ because the DIMK method was resulting smaller value of SSE than K-means++. The smaller SSE value means that the selected centroids have the closest distance from their members, and changing the method of selecting centorid from random to DIMK method is resulting the consistency of clustering result. Keywords: Inventory Control, K-means, Centroid Initialization, FSN analysis.

http://digilib.polban.ac.id/gdl.php?mod=browse&op=read&id=jbptppolban-gdl-mochgalihp-6560