Studi Perbandingan Algoritma Klastering Dalam Pengelompokan Persediaan Produk (Studi Kasus : Subdirektorat Perencanaan Sarana Prasarana Dan Logistik PTN X)

Comparison Study of Clustering Algorithms in Product Inventory Grouping (Case Study : Subdirectory of Infrastructure And Logistic Planning of PTN X)

Clustering merupakan metode penganalisaan data yang bertujuan untuk membuat suatu kelompok atau cluster berdasarkan tingkat kemiripian karakter tiap objek. hasil dari Clustering merupakan satu kelas dalam tingkat kemiripan yang tinggi ataupun tingkat kemiripan yang rendah pada antar kelas. Didalam penelitian ini dilakukan studi perbandingan ketiga algoritma Clustering yaitu K-means Clustering, K-Medoids Clustering dan Agglomerative Hierarchical Clustering dalam pengelompokkan persediaan produk di Subdirektorat Perencanaan Sarana Prasarana dan Logistik pada PTN X yang bertujuan untuk membandingkan ketiga metode Clustering dalam mengkelompokkan data persediaan produk dengan optimal. Dari pengujian validitas nilai hasil uji validitas metode Silhoutte Coefficient yang optimal untuk membentuk cluster dari data persediaan produk ialah algoritma K-Means Clustering nilai index yang didapatkan sebesar 0,52 sesuai dengan nilai Silhoutte Coefficient diantara ketiga metode hanya K-Means yang nilai indexnya mendekati angka 1 yang dapat di interprestasikan bahwa nilai Silhoutte Coefficient untuk Algoritma K-means dalam kategori baik. Dari hasil uji yang telah dilakukan mendapati hasil bahwa algoritma Clustering yang terbaik ialah K-Means Clustering maka dari itu akan dilakukannya analisa lanjutan untuk mengevaluasi hasil pengelompokkan data menggunakan algoritma K-Means Clustering. Dari analisa lanjutan yang tlah dilakukan metode K-Means Clustering berhasil membentuk 2 cluster yaitu cluster produk dalam stok rendah dan produk dalam stok tinggi. 

Clustering is a method of analyzing data that aims to create a group or cluster based on the level similarity of character each object. Clustering is a class in a high level of similarity or a low level of similarity between classes. In this study, the third clustering algorithm comparison study was conducted, namely K-means Clustering, K-Medoids Clustering and Agglomerative Hierarchical Clustering in grouping product inventory in the Subdirectory of Infrastructure and Logistics Planning at PTN X which aims to compare the three Clustering methods in grouping product inventory data optimally. From the validity test the value of the validity test of the Optimal Silhoutte Coefficient method to form a cluster of product inventory data is the K-Means Clustering algorithm the index value obtained by 0.52 corresponds to the Silhoutte Coefficient value among the three K-Means only methods whose index value is close to the number 1 which can be interpreted that the Silhoutte Coefficient value for the K-means algorithm is in either category. From the results of the tests that have been conducted found that the best clustering algorithm is K-Means Clustering, therefore, it will be conducted a follow-up analysis to evaluate the results of data grouping using the K-Means Clustering algorithm. From the follow-up analysis conducted K-Means Clustering method successfully formed 2 clusters, namely clusters of products in low stock and products in high stock.