PREDIKSI PEMBELIAN STOK BARANG MENGGUNAKAN ALGORITMA NAIVE BAYES (STUDI KASUS: CV. KURNIA JAYA)
Abstract
CV. Kurnia Jaya adalah sebuah toko aksesoris mobil yang menjual berbagai macam aksesoris mobil di Kabupaten Bogor. Sejak pandemi Covid-19 terjadi dua tahun lalu, pemilik toko CV. Kurnia Jaya mengalami kesulitan dalam mengelola stok barang karena beberapa barang tidak perputarannya sulit sementara yang lainnya terlalu cepat. Oleh karena itu, penelitian ini bertujuan untuk memprediksi pembelian stok barang menggunakan algoritma Naive Bayes untuk membantu pemilik toko dalam mengatur pembelian stok barang. Penelitian ini dilakukan dengan menggunakan data penjualan harian selama satu tahun terakhir. Data ini dibagi menjadi data training dan data testing. Algoritma Naive Bayes diimplementasikan pada data training dan kemudian digunakan untuk memprediksi pembelian stok barang pada data testing. Hasil prediksi dievaluasi menggunakan metode cross validation dengan k-fold = 10. Hasil penelitian menunjukkan bahwa algoritma Naive Bayes dapat memprediksi pembelian stok barang dengan baik dan membuat alur stok barang lebih teratur. Dengan demikian, pemilik toko dapat mengarahkan pembuatan program sederhana untuk sistem prediksi ini. Penelitian ini dapat menjadi acuan bagi pemilik toko dalam memutuskan jumlah pembelian stok barang yang tepat.
References
Adekunle, O. M., & Adeyemo, A. J. (2017). A predictive model for stock control using Naïve Bayes algorithm. International Journal of Innovative Research in Computer and Communication Engineering, 5(8), 28-34.
Asif, M., Hafiz, M. A., & Rahman, M. (2021). Prediction of inventory demand using machine learning algorithms. SN Computer Science, 2(2), 1-18.
Choi, J., & Lee, K. (2020). Predicting demand for fashion products using machine learning algorithms. Sustainability, 12(16), 6472.
Djahir, Yulia dan Dewi Pratita. (2014). Bahan Ajar Sistem Informasi Manajemen. Yogyakarta: Deepublish.
Gorunescu, Florin. (2011). Data Mining: Concepts, Models and Techniques. Springer Science & Business Media.
Hery. (2016). Design The Business Plan for Start-Up Entrepeneur: Mendesain Model Bisnis yang Kompetitif dan Menyusun Rencana Strategis yang Solid. Jakarta: Grasindo.
Martono, Nanang. (2010). METODE PENELITIAN KUANTITATIF: Analisis Isi dan Analisis Data Sekunder – Ed. Revisi 2. Jakarta: Rajawali Pers.
Nendrabertus. (2015, April 24). Eksplorasi Data Mining Menggunakan RapidMiner. Diperoleh dari http://www.softovator.com/eksplorasi-data-miningmenggunakan-rapidminer/
Nofriansyah, Dicky. (2015). Konsep Data Mining Vs Sistem Pendukung Keputusan. Yogyakarta: Deepublish.
Prajapati, D., & Dave, M. (2021). Machine learning for inventory management: A systematic literature review. Procedia Computer Science, 176, 918-925.
Santoso, Edy. (2018). Pengaruh Era Globalisasi Terhadap Hukum Bisnis Di Indonesia. Jakarta: Prenada Media.
Sopian, M. I., Zakaria, Z., & Osman, I. H. (2021). A machine learning approach to inventory demand forecasting: Case study of a manufacturing company. Applied Sciences, 11(7), 3129.
Syam, S. S., & Shafira, M. F. (2019). Predicting stock purchases using artificial neural network for efficient inventory management: A case study in Indonesia. Journal of Physics: Conference Series, 1165(1), 012050.
Turban, E., Aronson, J., & Liang, T. (2005). Decision Support Systems and Intelligent Systems. Yogyakarta: Andi Offset.
Usman, N. (2002). Konteks Implementasi Berbasis Kurikulum. Bandung: CV. Sinar Baru.
Zafarani, R., & Shariatmadari, S. (2018). An inventory control model using a novel fuzzy inference system for predicting stock demands. Applied Soft Computing, 62, 840-856.
Zari, N., & ElBakry, S. (2021). Predictive analytics for inventory management in manufacturing industry using machine learning algorithms. Journal of Manufacturing Systems, 61, 442-454.
