PROPOSAL TUGAS AKHIR

MENENTUKAN STOK BARANG PADA TOKO ONLINE

MENGGUNAKAN METODE FUZZY K-MEANS

DISUSUN OLEH:
NAMA : Muhammad Ali Khofi
NIM : 1410651198

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH JEMBER
2017
 KATA PENGANTAR

Puji syukur kehadirat Allah SWT karena dengan ridho dan rahmat-Nya, penulis
dapat menyelesaikan proposal tugas akhir yang berjudul Menentukan Stok Barang pada
Toko Online Menggunakan Metode Fuzzy K-Means. Banyak kesulitan dan hambatan
yang penulis temui dalam penyusunan laporan ini. Namun berkat bantuan dan bimbingan
dari berbagai pihak penulis dapat penyelesaikannya.

Dalam penyusunan proposal ini tidak terlepas dari dukungan berbagai pihak yang
memungkinkan makalah ini terselesaikan. Maka pada kesempatan kali ini penulis
mengucapkan banyak terima kasih kepada seluruh pihak yang telah memberikan
bimbingan, dukungan dan saran.

Dan semua pihak yang membantu dalam proses penyusunan proposal yang tidak
dapat disebutkan satu persatu, Harapan penulis, semoga proposal ini dapat bermanfaat
bagi semua pihak yang membaca. Akhir kata, penulis ucapkan terima kasih.

ii
 DAFTAR ISI

KATA PENGANTAR.................................................................................................... ii

DAFTARI ISI................................................................................................................ iii

BAB I : PENDAHULUAN............................................................................................ 4

1.1 Latar belakang................................................................................................... 4

1.2 Perumusan masalah........................................................................................... 5

1.3 Batasan masalah................................................................................................ 5

1.4 Tujuan penelitian............................................................................................... 5

1.5 Manfaat penelitian............................................................................................. 5

BAB II : DASAR TEORI.............................................................................................. 6

2.1 Penjualan online................................................................................................ 6

2.2 Data mining....................................................................................................... 6

2.3 Clustering.......................................................................................................... 7

2.4 K-Means clustering............................................................................................ 8

BAB III : METODE PENELITIAN............................................................................ 9

3.1 Penerapan metode k-means pada penjualan....................................................... 9

3.2 Kesimpulan........................................................................................................ 14

iii
 BAB I
PENDAHULUAN

1.1 Latar belakang

Teknologi internet saat ini berkembang sangat pesat terutama dalam
dunia bisnis, hal ini dapat dilihat dengan munculnya electronic commerce (e-
commerce) (Ustadiyanto,2001). E-Commerce memberikan manfaat bagi
perusahaan sehingga akan menjadi keunggulan kompetitif bagi
perusahaan yang mengaplikasikannya. (Rudy, Wahyudiarti, Megaputri, &
Wihardini, 2008). Lembaga atau perusahaan yang mengaplikasikan E-
Commerce dalam kegiatan penjualan atau perdaganganya biasa dikenal
dengan nama Online Retail.
Jumlah permintaan dari konsumen yang fluktuatif mengakibatkan stok
yang harus disiapkan sebuah Online retail menjadi tidak stabil. Selain itu produk
yang beragam dan banyak jenisnya menjadikan manajemen stok yang dilakukan
menjadi tidak akurat. Kadang karena tidak ingin terjadi kekurangan stok barang
atau produk tertentu pada saat permintaan konsumen dalam jumlah besar, maka
perusahaan mengambil langkah yaitu melakukan pemesanan barang produk
tertentu lebih besar daripada sebelumnya. Hal ini dapat mengatasi kekurangan
persediaan stok produk tertentu dan online retail juga tidak perlu melakukan
pemesanan berulang-ulang ke pengrajin, tetapi mengakibatkan biaya simpan
yang tinggi dan tidak ekonomis. Selain itu manajemen stok yang tidak akurat
juga mengakibatkan sering terjadi kekurangan atau kelebihan produk tertentu
yang akhirnya akan mengecewakan konsumen.
Permasalahan yang terjadi pada online retail tersebut disebabkan
karena mengalami kesulitan dalam menentukan stok minimum tiap barang yang
harus dipenuhi berdasarkan minat konsumen. Untuk dapat mengatasi
permasalahan yang terjadi, maka online retail membutuhkan suatu metode dan
sistem perencanaan stok barang yang lebih baik sehingga dapat menentukan
produk mana yang harus di stok banyak, sedang atau bahkan sedikit agar tidak
lagi mengalami kekurangan atau bahkan kelebihan dalam pemenuhan stok
produk tertentu.
Penentuan jumlah stok produk yang kurang akurat karena harus
berdasarkan pengetahuan dari jumlah data transaksi penjualan yang
besar (Setiawan, 2011). Karena hal itu untuk mendapatkan pengetahuan

4
 tersebut maka diperlukan suatu proses pengolahan data historis transaksi besar
diperlukan suatu teknik data mining. Teknik data mining yang akan digunakan
pada penelitian ini adalah metode K-Means. Penelitian diharapkan dapat
menghasilkan suatu informasi yang dapat mengcluster atau mengelompokan
produk yang harus memiliki jumlah stok banyak karena paling diminati
konsumen.

1.2 Perumusan Masalah

Berdasarkan latar belakang diatas maka permasalahan yang dapat diambil
adalah bagaimana cara menggunakan konsep data mining dengan menggunakan
metode clustering dalam penentuan stock barang pada online retail.

1.3 Batasan Masalah

Adapun ruang lingkup batasan masalah yang dibahas adalah:
a. Metode Clustering yang digunakan adalah metode K-Means.
b. Dataset yang digunakan adalah dataset penjualan selama satu tahun yaitu
mulai bulan desember tahun 2010 sampai desember 2011 dengan total data
sekitar 56.000 data transaksi, dan diambil 30 data training produk Assorted.

1.4 Tujuan Penelitian

Tujuan dari penelitian ini adalah:
a. Membantu memberikan informasi dari data penjualan.
b. Memberikan solusi dalam menentukan stock barang pada online retail.

1.5 Manfaat Penelitian

Adapun manfaa penelitian ini adalah sebagai berikut:
a. Membantu dalam mempercepat proses pengambilan keputusan barang mana
yang sebaiknya ditambahkan stoknya.
b. Dengan adanya metode data mining perusahaan akan mampu meningkatkan
penjualan

5
 BAB II
DASAR TEORI

2.1 Penjualan Online

Penjualan online / perdagangan elektronik (bahasa inggris: electronic
commerce atau e-commerce) adalah penyebaran, pembelian, penjualan,
pemasaran barang dan jasa melalui system elektronik seperti internet, televisi,
www atau jaringan computer lainnya. E-commerce dapat melibatkan transfer
dana elektronik, pertukaran data elektronik, system manajemen inventori
otomatis, dan system pengumpulan data otomatis.
Industri teknologi informasi melihat kegiatan e-commerce ini sebagai
aplikasi dan penerapan dari e-bisnis (e-businnes) yang berkaitan dengan transaksi
komersial, seperti transfer dana secara elektronik, SCM (supply chain
management), pemrosesan transaksi online, pertukaran data elektronik (electronic
data interchange / EDI), dll.
E-commerce merupakan bagian dari e-business, dimana cakupan e-
business lebih luas, tidak hanya sekedar perniagaan tetapi mencakup juga
pengkolaborasian mitra bisnis, pelayanan nasabah dll. Selain teknologi jaringan
www, e-commerce juga memerlukan teknologi basis data (database), surat
elektronik (email) dan pengiriman barang serta pembayaran untuk melakukan
transaksi.

2.2 Data mining

Data mining adalah suatu istilah yang digunakan untuk menemukan
pengetahuan yang tersembunyi di dalam database. Data mining merupakan proses
semi otomatik yang menggunakan teknik statistik, matematika, kecerdasan
buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi
informasi pengetahuan potensial dan berguna yang bermanfaat yang tersimpan di
dalam database besar. (Turban et al, 2005 ). Menurut Gartner Group data mining
adalah suatu proses menemukan hubungan yang berarti, pola, dan kecenderungan
dengan memeriksa dalam sekumpulan besar data yang tersimpan dalam
penyimpanan dengan menggunakan teknik pengenalan pola seperti teknik
statistik dan matematika (Larose, 2006).

6
 Selain definisi di atas beberapa definisi juga diberikan seperti, data
mining adalah serangkaian proses untuk menggali nilai tambah dari suatu
kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara
manual. (Pramudiono, 2006). Data mining adalah analisis otomatis dari data
yang berjumlah besar atau kompleks dengan tujuan untuk menemukan pola atau
kecenderungan yang penting yang biasanya tidak disadari keberadaannya.
(Pramudiono, 2006). Data mining merupakan analisis dari peninjauan
kumpulan data untuk menemukan hubungan yang tidak diduga dan meringkas
data dengan cara yang berbeda dengan sebelumnya, yang dapat dipahami dan
bermanfaat bagi pemilik data. (Larose, 2006). Data mining merupakan bidang
dari beberapa keilmuan yang menyatukan teknik dari pembelajaran mesin,
pengenalan pola, statistik, database, dan visualisasi untuk penanganan
permasalahan pengambilan informasi dari database yang besar. (Larose, 2006).

2.3 Clustering
Pada dasarnya clustering merupakan suatu metode untuk mencari dan
mengelompokkan data yang memiliki kemiripan karakteriktik (similarity) antara
satu data dengan data yang lain. Clustering merupakan salah satu metode data
mining yang bersifat tanpa arahan (unsupervised), maksudnya metode ini
diterapkan tanpa adanya latihan (taining) dan tanpa ada guru (teacher) serta tidak
memerlukan target output. Dalam data mining ada dua jenis metode clustering
yang digunakan dalam pengelompokan data, yaitu hierarchical clustering dan
non-hierarchical clustering (Santosa, 2007).
Hierarchical clustering adalah suatu metode pengelompokan data yang
dimulai dengan mengelompokkan dua atau lebih objek yang memiliki kesamaan
paling dekat. Kemudian proses diteruskan ke objek lain yang memiliki kedekatan
kedua. Demikian seterusnya sehingga cluster akan membentuk semacam pohon
dimana ada hierarki (tingkatan) yang jelas antar objek, dari yang paling mirip
sampai yang paling tidak mirip. Secara logika semua objek pada akhirnya hanya
akan membentuk sebuah cluster. Dendogram biasanya digunakan untuk
membantu memperjelas proses hierarki tersebut (Santoso, 2010).
Berbeda dengan metode hierarchical clustering, metode non-hierarchical
clustering justru dimulai dengan menentukan terlebih dahulu jumlah cluster yang
diinginkan (dua cluster, tiga cluster, atau lain sebagainya). Setelah jumlah cluster

7
 diketahui, baru proses cluster dilakukan tanpa mengikuti proses hierarki. Metode
ini biasa disebut dengan K-Means Clustering (Santoso, 2010).

2.4 K-Means Clustering

K-means clustering merupakan salah satu metode data clustering non-
hirarki yang mengelompokan data dalam bentuk satu atau lebih
cluster/kelompok. Data-data yang memiliki karakteristik yang sama
dikelompokan dalam satu cluster/kelompok dan data yang memiliki karakteristik
yang berbeda dikelompokan dengan cluster/kelompok yang lain sehingga data
yang berada dalam satu cluster/kelompok memiliki tingkat variasi yang kecil
(Agusta, 2007). Menurut Santosa (2007), langkah-langkah melakukan clustering
dengan metode K-Means adalah sebagai berikut:

a. Pilih jumlah cluster k.

b. Inisialisasi k pusat cluster ini bisa dilakukan dengan berbagai cara. Namun
yang paling sering dilakukan adalah dengan cara random. Pusat-pusat cluster
diberiduberi nilai awal dengan angka-angka random.
c. Alokasikan semua data/ objek ke cluster terdekat. Kedekatan dua objek
ditentukan berdasarkan jarak kedua objek tersebut. Demikian juga kedekatan
suatu data ke cluster tertentu ditentukan jarak antara data dengan pusat cluster.
Dalam tahap ini perlu dihitung jarak tiap data ke tiap pusat cluster. Jarak
paling antara satu data dengan satu cluster tertentu akan menentukan suatu
data masuk dalam cluster mana. Untuk menghiutng jarak semua data ke setiap
tiitk pusat cluster dapat menggunakan teori jarak Euclidean yang dirumuskan
sebagai berikut:

x = x1, x2, . . . , xn, dan y = y1, y2, . . . , yn merupakan banyaknya n

atribut(kolom) antara 2 record.
d. Hitung kembali pusat cluster dengan keanggotaan cluster yang sekarang. Pusat
cluster adalah rata-rata dari semua data/ objek dalam cluster tertentu. Jika
dikehendaki bisa juga menggunakan median dari cluster tersebut. Jadi rata-
rata (mean) bukan satu-satunya ukuran yang bisa dipakai.

8
e. Tugaskan lagi setiap objek memakai pusat cluster yang baru. Jika pusat cluster
tidak berubah lagi maka proses clustering selesai. Atau, kembali ke langkah
nomor 3 sampai pusat cluster tidak berubah lagi .

9
 BAB III
METODE PENELITIAN

3.1 Penerapan Metode Clustering K-Means untuk menentukan stock barang

pada Online Retail.
Pada bagian ini akan dijelaskan mengenai penggunaan algoritma k-
means dalam membentuk clustering (kelompok). Hal ini bertujuan untuk
membuktikan bahwa algoritma k-means mampu memberikan informasi yang
dibutuhkan.
Sample data sebanyak 30 record dari data set online retail. Dalam hal ini
untuk menentukan stock produk pada online retail. Berikut ini adalah data
penjualan Assorted selama satu tahun:

Tabel 2.1 Penjualan Assorted

NO PRODUCT PRICE SALES

1 ASSORTED COLOUR BIRD ORNAMENT 1.69 3638
2 ASSORTED BOTTLE TOP MAGNETS 0.42 3062
3 ASSORTED COLOUR MINI CASES 0.95 1762
4 ASSORTED COLOUR LIZARD SC HOOK 0.42 999
5 ASSORTED EASTER GIFT TAGS 0.85 1159
6 ASSORTED TUTTI FRUTTI KEYRING BALL 1.66 1153
7 ASSORTED TUTTI FRUTTI MIRROR 1.25 538
8 ASSORTED TUTTI FRUTTI NOTEBOOK 4.21 249
9 ASSORTED TUTTI FRUTTI SMALL PURSE 2.51 736
10 ASSORTED CREEPY CRAWLIES 0.85 2621
11 ASSORTED COLOUR T-LIGHT HOLDER 0.99 3621
12 ASSORTED CAKES FRIDGE MAGNETS 0.65 55
13 ASSORTED CIRCULAR MOBILE 1.66 696
14 ASSORTED COLOURS SILK FAN 0.75 2308
15 ASSORTED INCENSE PACK 1.16 403
16 ASSORTED FLOWER COLOUR "LEIS" 0.65 1031
17 ASSORTED COLOUR METAL CAT 1.25 115
18 ASSORTED COLOUR SC CUP HOOK 1.19 202
19 ASSORTED COLOURED CIRCLE MOBILE 0.42 65
20 ASSORTED EASTER DEC. BELLS 1.25 548
21 ASSORTED FARMYARD ANI. IN BUCKET 1.63 90
22 ASSORTED LAQUERED INC. HOLDERS 0.42 2545
23 ASSORTED MINI MADRAS NOTEBOOK 2.51 976
24 ASSORTED MONKEY SC CUP HOOK 0.42 652
25 ASSORTED SANSKRIT MINI NOTEBOOK 1.25 109
26 ASSORTED TUTTI FR FOB NOTEBOOK 0.85 662
27 ASSORTED TUTTI FRUTTI BRACELET 0.65 2526
28 ASSORTED TUTTI FRUTTI HEART BOX 1.25 190
29 ASSORTED TUTTI FRUTTI LARGE PURSE 2.1 117
30 ASSORTED TUTTI FRUTTI PEN 0.85 2354

10
11
 Untuk membuat cluster pada table di atas, maka terlebih dahulu
ditentukan adalah sebagai berikut:

1. Menentukan jumlah cluster, dimana jumlah cluster (kelompok) adalah 3.

2. Inisialisasi k pusat klaster (centroid) secara random/ acak.

CENTROID AWAL

Centroid ( C ) 1 2 3
Price 0,5 1 2
Sales 200 1000 2000

3. Tempatkan setiap data atau objek ke klaster terdekat. Kedekatan dua objek
ditentukan berdasar jarak. Jarak yang dipakai pada algoritma k-Means adalah:
Euclidean distance (d).

x = x1, x2, . . . , xn, dan y = y1, y2, . . . , yn merupakan

banyaknya n atribut(kolom) antara 2 record.

Tabel 2.2 Hasil C1, C2, C3

12
No PRICE SALES C1 (PKG) C2 (PKG) C3 (PKG)
1
1.69 3638 3,538.00 2,638.00 1,638.00
2
0.42 3062 2,962.00 2,062.00 1,062.00
3
0.95 1762 1,662.00 762.00 238.00
4
0.42 999 899.00 1.16 1,001.00
5
0.85 1159 1,059.00 159.00 841.00
6
1.66 1153 1,053.00 153.00 847.00
7
1.25 538 438.00 462.00 1,462.00
8
4.21 249 149.02 751.01 1,751.00
9
2.51 736 636.00 264.00 1,264.00
10
0.85 2621 2,521.00 1,621.00 621.00
11
0.99 3621 3,521.00 2,621.00 1,621.00
12
0.65 55 45.02 945.00 1,945.00
13
14
1.66 696 596.00 304.00 1,304.00 4.
0.75 2308 2,208.00 1,308.00 308.00
15
1.16 403 303.00 597.00 1,597.00
16
0.65 1031 931.00 31.00 969.00 Dari
17
1.25 115 15.02 885.00 1,885.00
18
1.19 202 102.00 798.00 1,798.00
hasil
19
0.42 65 35.04 935.00 1,935.00
20
1.25 548 448.00 452.00 1,452.00
21
1.63 90 10.01 910.00 1,910.00
22
0.42 2545 2,445.00 1,545.00 545.00
23
2.51 976 876.00 24.05 1,024.00
24
0.42 652 552.00 348.00 1,348.00
25
1.25 109 9.03 891.00 1,891.00
26
0.85 662 562.00 338.00 1,338.00
27
0.65 2526 2,426.00 1,526.00 526.00
28
1.25 190 90.00 810.00 1,810.00
29
2.1 117 17.00 883.00 1,883.00
30
0.85 2354 2,254.00 1,354.00 354.00
36.71 35182

Klasterisasi akan diambil klaster Tinggi yang akan mendapatkan prioritas

Penambahan stock barang, maka diambil C Terbesar.

13
 Tabel 2.3 Hasil Klasterisasi

No C2
PRICE SALES C1 (PKG) C3 (PKG) C1 C2 C3
(PKG)
1 ok
1.69 3638 3,538.00 2,638.00 1,638.00
2 ok
0.42 3062 2,962.00 2,062.00 1,062.00
3 ok
0.95 1762 1,662.00 762.00 238.00
4 ok
0.42 999 899.00 1.16 1,001.00
5 ok
0.85 1159 1,059.00 159.00 841.00
6 ok
1.66 1153 1,053.00 153.00 847.00
7 ok
1.25 538 438.00 462.00 1,462.00
8 ok
4.21 249 149.02 751.01 1,751.00
9 ok
2.51 736 636.00 264.00 1,264.00
10 ok
0.85 2621 2,521.00 1,621.00 621.00
11 ok
0.99 3621 3,521.00 2,621.00 1,621.00
12 ok
0.65 55 45.02 945.00 1,945.00
13 ok
1.66 696 596.00 304.00 1,304.00
14 ok
0.75 2308 2,208.00 1,308.00 308.00
15 ok
1.16 403 303.00 597.00 1,597.00
16 ok
0.65 1031 931.00 31.00 969.00
17 ok
1.25 115 15.02 885.00 1,885.00
18 ok
1.19 202 102.00 798.00 1,798.00
19 ok
0.42 65 35.04 935.00 1,935.00
20 ok
1.25 548 448.00 452.00 1,452.00
21 ok
1.63 90 10.01 910.00 1,910.00
22 ok
0.42 2545 2,445.00 1,545.00 545.00
23 ok
2.51 976 876.00 24.05 1,024.00
24 ok
0.42 652 552.00 348.00 1,348.00
25 ok
1.25 109 9.03 891.00 1,891.00
26 ok
0.85 662 562.00 338.00 1,338.00
27 ok
0.65 2526 2,426.00 1,526.00 526.00
28 ok
1.25 190 90.00 810.00 1,810.00
29 ok
2.1 117 17.00 883.00 1,883.00
30 ok
0.85 2354 2,254.00 1,354.00 354.00
36.71 35182 12 9 9

14
5. Setelah mendapatkan hasil dari perhitungan iterasi pertama. Hitung kembali
titik pusat (centroid) pada masing-masing cluster dengan menggunakan
perhitungan rata-rata yaitu total nilai dari data pada cluster n dimensi ke-k
dibagi jumlah data dari cluster n dimensi ke-k. maka akan mendapat centroid
baru.

CENTROID BARU

Centroid (
C) 1 2 3
Harga 1.47 1.28 0.84
223.4 896.0 2,715.2
Jumlah
2 0 2

6. Lalu, ulangi perhitungan untuk menentukan nilai cluster pada tiap data untuk
menghasilkan nilai pada Iterasi ke 2 sampai pada Iterasi ke n dengan posisi
data pada cluster tertentu tidak berubah.

Table 2.4 perhitungan iterasi ke 2

15
 N
PRICE SALES C1 (PKG) C2 (PKG) C3 (PKG) C1 C2 C3
o
1 1.69 3638 3,414.58 2,742.00 922.78 ok
2 0.42 3062 2,838.58 2,166.00 346.78 ok
3 0.95 1762 1,538.58 866.00 953.22 ok
4 0.42 999 775.58 103.00 1,716.22 ok
5 0.85 1159 935.58 263.00 1,556.22 ok
6 1.66 1153 929.58 257.00 1,562.22 ok
7 1.25 538 314.58 358.00 2,177.22 ok
8 4.21 249 25.73 647.01 2,466.22 ok
9 2.51 736 512.58 160.00 1,979.22 ok
1 ok
0.85 2621 2,397.58 1,725.00 94.22
0
1 ok
0.99 3621 3,397.58 2,725.00 905.78
1
1 ok
0.65 55 168.42 841.00 2,660.22
2
1 ok
1.66 696 472.58 200.00 2,019.22
3
1 ok
0.75 2308 2,084.58 1,412.00 407.22
4
1 ok
1.16 403 179.58 493.00 2,312.22
5
1 ok
0.65 1031 807.58 135.00 1,684.22
6
1 ok
1.25 115 108.42 781.00 2,600.22
7
1 ok
1.19 202 21.42 694.00 2,513.22
8
1 ok
0.42 65 158.42 831.00 2,650.22
9
2 ok
1.25 548 324.58 348.00 2,167.22
0
2 ok
1.63 90 133.42 806.00 2,625.22
1
2 ok
0.42 2545 2,321.58 1,649.00 170.22
2
2 ok
2.51 976 752.58 80.01 1,739.22
3
2 ok
0.42 652 428.58 244.00 2,063.22
4
2 ok
1.25 109 114.42 787.00 2,606.22
5
2 ok
0.85 662 438.58 234.00 2,053.22
6
2 ok
0.65 2526 2,302.58 1,630.00 189.22
7
2 ok
1.25 190 33.42 706.00 2,525.22
8
2 ok
2.1 117 106.42 779.00 2,598.22
9
3 ok
0.85 2354 2,130.58 1,458.00 361.22
0
N 12 10 8
36.71 35182
o

Hasil yang penulis peroleh ada pada perhitungan pada Iterasi ke 3.

Tabel lengkap perhitungan Iterasi ke 3 adalah sebagai berikut:

16
 Tabel 2.5 Perhitungan Iterasi ke 3

N PRICE SALES C1 (PKG) C2 (PKG) C3 (PKG) C1 C2 C3

o
1 1.69 3638 3,414.58 2,655.40 803.63 ok
2 0.42 3062 2,838.58 2,079.40 227.63 ok
3 0.95 1762 1,538.58 779.40 1,072.38 ok
4 0.42 999 775.58 16.42 1,835.38 ok
5 0.85 1159 935.58 176.40 1,675.38 ok
6 1.66 1153 929.58 170.40 1,681.38 ok
7 1.25 538 314.58 444.60 2,296.38 ok
8 4.21 249 25.73 733.61 2,585.38 ok
9 2.51 736 512.58 246.60 2,098.38 ok
1 0.85 2621 2,397.58 1,638.40 213.38 ok
0
1 0.99 3621 3,397.58 2,638.40 786.63 ok
1
1 0.65 55 168.42 927.60 2,779.38 ok
2
1 1.66 696 472.58 286.60 2,138.38 ok
3
1 0.75 2308 2,084.58 1,325.40 526.38 ok
4
1 1.16 403 179.58 579.60 2,431.38 ok
5
1 0.65 1031 807.58 48.40 1,803.38 ok
6
1 1.25 115 108.42 867.60 2,719.38 ok
7
1 1.19 202 21.42 780.60 2,632.38 ok
8
1 0.42 65 158.42 917.60 2,769.38 ok
9
2 1.25 548 324.58 434.60 2,286.38 ok
0
2 1.63 90 133.42 892.60 2,744.38 ok
1
2 0.42 2545 2,321.58 1,562.40 289.38 ok
2
2 2.51 976 752.58 6.72 1,858.38 ok
3
2 0.42 652 428.58 330.60 2,182.38 ok
4
2 1.25 109 114.42 873.60 2,725.38 ok
5
2 0.85 662 438.58 320.60 2,172.38 ok
6
2 0.65 2526 2,302.58 1,543.40 308.38 ok
7
2 1.25 190 33.42 792.60 2,644.38 ok
8
2 2.1 117 106.42 865.60 2,717.38 ok
9
3 0.85 2354 2,130.58 1,371.40 480.38 ok
0
36.71 35182 12 10 8

17
3.2 Kesimpulan
Pada proses Iterasi terakhir dapat disimpulkan bahwa:
1. produk dibawah ini:
NO PRODUCT
1 ASSORTED COLOUR BIRD ORNAMENT
2 ASSORTED BOTTLE TOP MAGNETS
3 ASSORTED COLOUR MINI CASES
4 ASSORTED CREEPY CRAWLIES
5 ASSORTED COLOUR T-LIGHT HOLDER
6 ASSORTED COLOURS SILK FAN
7 ASSORTED LAQUERED INCENSE HOLDERS
8 ASSORTED TUTTI FRUTTI BRACELET
9 ASSORTED TUTTI FRUTTI PEN

Merupakan produk yang paling banyak diminati konsumen sehingga

perusahaan harus menjaga/menambah stock barang sehingga pasokan barang
yang akan didistribusikan kepada konsumen tidak mengalami keterlambatan.

2. Untuk produk lain yang kurang diminati konsumen perusahaan dapat

melakukan beberapa tindakan seperti diskon, promosi yang lebih gencar
ataupun mengurangi stock barang agar tidak menumpuk.

18