Penerapan Metode Naïve Bayes Untuk Prediksi Stok Barang Bangunan Di Toko Bangunan Bersaudara

Novia Rahmah; Ayu Ahadi Ningrum; Kamarudin Kamarudin

doi:10.55338/jumin.v6i3.6239

Authors

Novia Rahmah Universitas Muhammadiyah Banjarmasin
Ayu Ahadi Ningrum Universitas Muhammadiyah Banjarmasin
Kamarudin Kamarudin Universitas Muhammadiyah Banjarmasin

DOI:

https://doi.org/10.55338/jumin.v6i3.6239

Keywords:

Naïve Bayes, Prediksi Stok, Toko Bangunan, Data Mining, CRISP-DM

Abstract

Manajemen stok barang merupakan aspek penting dalam menjaga kelancaran operasional toko bangunan. Toko Bangunan Bersaudara menghadapi kendala dalam memperkirakan kebutuhan stok secara akurat, sehingga sering terjadi kelebihan atau kekurangan persediaan. Penelitian ini menerapkan metode Naïve Bayes untuk memprediksi tingkat kelarisan barang berdasarkan data penjualan dari Juli 2023 hingga Juni 2024. Proses penelitian mengikuti tahapan CRISP-DM yang mencakup pengumpulan data, pembersihan, pemodelan, dan evaluasi. Dataset terdiri dari lebih dari 1.200 transaksi yang mencakup 100 jenis barang. Hasil pengujian menunjukkan bahwa model Naïve Bayes menghasilkan akurasi sebesar 63%. Sistem yang dikembangkan memberikan rekomendasi restok berdasarkan variabel frekuensi penjualan dan margin keuntungan. Barang seperti Seng Suji, Kasibut, dan Seng Pumera direkomendasikan sebagai prioritas pengadaan. Temuan ini menunjukkan bahwa pendekatan berbasis data dapat membantu UMKM dalam pengambilan keputusan yang lebih efektif dalam manajemen persediaan.

Downloads

Download data is not yet available.

References

R. Dwiputra and L. S. Barus, “Peran Usaha Mikro, Kecil dan Menengah (UMKM) dalam Pemulihan Ekonomi Masyarakat Pasca Pandemi Covid-19 di Kawasan Kampung Tangguh Pluit-Penjaringan,” J. Pembang. Wil. dan Kota, vol. 18, no. 1, pp. 26–34, 2022, doi: 10.14710/pwk.v18i1.35033.

Kamar Dagang dan Industri Indonesia. (2023). UMKM Indonesia. Diakses dari: https://kadin.id/data-dan-statistik/umkm-indonesia/

C. Umu, “Analisis Pengelolaan Persediaan Barang Dagang Dengan Metode Economic Order Quantity (EOQ) Pada Toko Dhyfaka Collection,” p. 6, 2021.

S. P. Dewi, N. Nurwati, and E. Rahayu, “Penerapan Data Mining Untuk Prediksi Penjualan Produk Terlaris Menggunakan Metode K-Nearest Neighbor,” Build. Informatics, Technol. Sci., vol. 3, no. 4, pp. 639–648, 2022, doi: 10.47065/bits.v3i4.1408.

J. Informatika, D. Rekayasa, K. Jakakom, and A. A. Wijaya, “Klasifikasi Data Mining Dalam Menentukan Produk Vapor-Juice Terlaris Menggunakan Naïve Bayes Jurnal Informatika Dan Rekayasa Komputer ( JAKAKOM ),” vol. 4, no. September, pp. 1225–1235, 2024, doi: 10.33998/jakakom.v4i2.

N. W. Wardani, P. G. S. C. Nugraha, and G. S. Mahendra, “Implementasi Naïve Bayes Pada Data Mining Untuk Mengklasifikasikan Penjualan Barang Terlaris Pada Perusahaan Ritel,” JST (Jurnal Sains dan Teknol., vol. 12, no. 3, pp. 656–668, 2024, doi: 10.23887/jstundiksha.v12i3.38605.

U. Arfan and N. Paraga, “Perbandingan Algoritma K-Means, Naïve Bayes dan Decision Tree Dalam Memprediksi Penjualan Bahan Bakar Minyak,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 4, pp. 1379–1389, 2024, doi: 10.57152/malcom.v4i4.1566.

F. Harahap, W. Fahrozi, R. Adawiyah, E. T. Siregar, and A. Y. N. Harahap, “Implementasi Data Mining dalam Memprediksi Produk AC Terlaris untuk Meningkatkan Penjualan Menggunakan Metode Naive Bayes,” J. Unitek, vol. 16, no. 1, pp. 41–51, 2023, doi: 10.52072/unitek.v16i1.541.

R. A. C. Walangare and B. Sujatmiko, “Penerapan Algoritma Naive Bayes Dalam Sistem Pendukung Keputusan Pemilihan Peminatan Konsentrasi Berdasarkan Nilai Akademik Berbasis Web Pada Program Studi S1 Pendidikan Teknologi Informasi,” IT-Edu J. Inf. Technol. Educ., vol. 7, no. 3, pp. 74–83, 2022, doi: 10.26740/it-edu.v7i3.50086.

A. R. Cahyono, A. Iskandar, and A. Rifqi, “ANALISIS DATA INVENTARIS PADA PT. GLOBAL SAMUDERA KREASI UNTUK OPTIMALISASI PENGELOLAAN DAN PREDIKSI KUALITAS BARANG MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE DAN NAÏVE BAYES,” vol. 9, no. 3, pp. 3863–3871, 2025.

D. Astuti, “Penentuan Strategi Promosi Usaha Mikro Kecil Dan Menengah (UMKM) Menggunakan Metode CRISP-DM dengan Algoritma K-Means Clustering,” J. Informatics, Inf. Syst. Softw. Eng. Appl., vol. 1, no. 2, pp. 60–72, 2019, doi: 10.20895/inista.v1i2.71.

IBM Analytics. (2020). CRISP-DM Process Model. Retrieved from https://www.ibm.com/blogs/analytics/crisp-dm-data-mining/

N. Alfiah, “Klasifikasi Penerima Bantuan Sosial Program Keluarga Harapan Menggunakan Metode Naive Bayes,” Respati, vol. 16, no. 1, p. 32, 2021, doi: 10.35842/jtir.v16i1.386.