Co-Value: Jurnal Ekonomi, Koperasi & Kewirausahaan

Volume x, Nomor x September 20xx

p-ISSN: 2086-3306 e-ISSN: 2809-8862

IMPLEMENTASI SISTEM INFORMASI FORESCASTING STOCK

PLAN MENGGUNAKAN LEAST SQUARE METHOD DAN NAIVE

BAYES ALGORITHM PADA PT. X

Muhammad Rashief, Jarot S. Suroso

1,2

Master Management Information System Binus University, Jakarta, Indonesia

Email : muhammad.rashief@binus.ac.id

Abstrak

Spesialis dalam solusi sistem keamanan dan distribusi, PT. X menghadapi masalah penting

dalam manajemen stok. Selama tiga tahun terakhir, perusahaan ini mengandalkan sistem

konvensional, menyebabkan penumpukan Slow Moving, Dormant, dan Dead Stock yang

mengkhawatirkan. Tahun 2022 menyaksikan lonjakan Dead Stock sebesar 865,11%,

menunjukkan urgensi untuk mengatasi tantangan yang ditimbulkan oleh strategi

perencanaan stok yang ada. Penelitian ini menyoroti perlunya menyelidiki proses bisnis

tradisional yang mendasari yang berkontribusi pada penundaan proyek dan eskalasi Dead

Stock. Mengakui peran penting sistem informasi, penelitian ini mengeksplorasi potensi

penerapan pendekatan inovatif untuk manajemen inventaris, dengan menggunakan Metode

Least Square (LSM) dan Algoritma Naive Bayes. Tujuan dari penelitian ini adalah untuk

memproyeksikan tingkat stok di PT. X dengan akurasi yang lebih tinggi, memudahkan

pengambilan keputusan berbasis informasi, dan memberikan ilustrasi komprehensif tentang

peningkatan potensial dalam manajemen inventaris. Melalui penerapan yang bijaksana dari

LSM dan Algoritma Naive Bayes, PT. X berpotensi untuk mengoptimalkan strategi

perencanaan stoknya. Studi ini juga bertujuan untuk memberikan wawasan berharga

tentang bagaimana penerapan sistem informasi dapat efektif mengatasi masalah

meningkatnya Dead Stock. Selain itu, penelitian ini mengantisipasi bahwa integrasi ini

akan berkontribusi pada peningkatan holistik dalam efisiensi manajemen stok secara

keseluruhan.

Kata kunci: Sistem informasi, rencana stok, manajemen stok, LSM, Algoritma Naive

Bayes.

Abstract

Specialist in security and distribution system solutions, PT. X faces pressing stock

management issues. Over the past three years, the company has relied on conventional

systems, leading to worrisome accumulations of Slow Moving, Dormant, and Dead Stock.

The year 2022 witnessed a staggering 865.11% surge in Dead Stock, underscoring the

imperative to address challenges posed by existing stock planning strategies. This study

highlights the necessity to investigate the underlying traditional business processes

contributing to project delays and Dead Stock escalation. Acknowledging the pivotal role

of information systems, this research explores the potential of implementing innovative

approaches to inventory management, employing the Least Square Method (LSM) and

Naive Bayes Algorithm. The aim of this study is to project the stock levels at PT. X with

higher accuracy, facilitating information-based decision-making and providing a

comprehensive illustration of potential improvements in inventory management. Through

the judicious application of LSM and Naive Bayes Algorithm, PT. X has the potential to

optimize its stock planning strategies. This study also aims to offer valuable insights into

how information system implementation can effectively address the issue of rising Dead

Implementasi Sistem Informasi Forescasting Stock Plan

menggunakan Least Square Method dan Naive Bayes

Algorithm Pada Pt. X

e-ISSN: 2809-8862

p-ISSN: 2086-3306

Muhammad Rashief, Jarot S. Suroso

Stock. Furthermore, the research anticipates that this integration will contribute to a

holistic improvement in overall stock management efficiency.

Keywords: Information System, Stock Plan, Stock Management, LSM, Naive Bayes

Algorithm.

PENDAHULUAN

Sebuah analisis sistem informasi yang terdokumentasi dengan baik dapat menjadi

pandangan baru dalam pengambilan keputusan dan memfasilitasi proses bisnis yang

potential memberikan efisien dalam perusahaan. Hal ini relevan dalam konteks perusahaan

PT. X, sebuah entitas yang beroperasi dalam sektor solusi dan distribusi di ranah sistem

keamanan. Saat ini perusahaan masih mengandalkan skema konvensional dalam

menentukan perencanaan stok (inventory) yang dalam tiga tahun terakhir menghasilkan

jumlah stok lambat terjual (slow moving), stok tidak bergerak (dormant), bahkan stok mati

(dead stock) yang tinggi.

Menurut data yang tercatat pada tahun 2022, terjadi peningkatan sebesar 865,11%

pada stok mati (dead stock) dalam periode waktu tersebut. Fenomena ini menggambarkan

tantangan yang dihadapi perusahaan dalam manajemen stoknya, menandakan pentingnya

adopsi solusi yang lebih canggih dan berorientasi pada teknologi untuk mengatasi masalah

ini.

Diketahui peningkatan yang sangat signifikan terjadi pada Q2 pada tahun 2022. Jika

digambarkan pada tabel persentase penurunan tiap bulannya pada tahun 2022 maka dapat

dilihat pada gambar tabel dibawah ini:

Tabel 1.1. Data Stock Per-Bulan Tahun 2022(Data Stock Perbulan PT. X)

Vol. 14, No. 4, September, 2023

https://journal.ikopin.ac.id

Jika melihat Tabel 1.1 tidak ada penunjukan persentase secara signifikan pada

penurunan dead stock. Adapun proses bisnis yang terjadi secara conventional dapat

digambarkan pada gambar dibawah ini:

Gambar 1.2. Proses Bisnis (Sumber: Proses bisnis PT. X)

Pada proses bisnis yang ada, issue yang diangkat pada penelitian ini dimana jika melihat

gambar garis berwarna merah yaitu pada divisi warehouse, admin dan purchasing

merupakan divisi yang bersinggungan langsung dengan issue yang terjadi saat

kebutuhan/permintaan tidak dapat dipenuhi karena readiness dari stock yang ada tidak

dapat terpenuhi dan terjadinya indent yang menyebabkan timeline dari project yang akan

dilakukan mengalami kemunduran dan stock yang tersedia tidak terjadi perputaran dalam

proses bisnis yang ada yang menyebabkan peningkatan dead stock pada status stock yang

ada. Hal ini berakibat terhambatnya cashflow dan mengganggu flow stock pada perusahaan

PT. X. Sistem informasi dapat membantu merampingkan pengelolaan stock plan, dimana

lebih mudah untuk melacak transaksi, menghasilkan laporan dan memastikan kepatuhan

terhadap peraturan. Hal ini dapat menyebabkan peningkatan akurasi dan efisiensi dalam

pengelolaan stock plan, dapat memberi manajer stock plan akses real-time ke data, analitik

dan informasi lainnya, yang dapat membantu menginformasikan pengambilan keputusan

yang lebih baik seputar manajemen stock dan kunci lain dari manajemen stock

plan(Oubrahim et al., 2023). Dengan didasari akan hal tersebut maka penulis akan

melakukan penelitian dengan penerapan sistem informasi dengan forecasting stock plan

yang dimana akan dilakukan 2 metode penelitian yaitu Least Square Method (LSM) yang

dimana LSM melibatkan pencarian garis paling fit yang meminimalkan jumlah kuadrat dari

perbedaan antara nilai prediksi dan nilai sebenarnya dari variabel dependen(Kaban, 2013)

dan Naive Bayes Algorithm yang dimana Algoritma Naive Bayes adalah algoritma

klasifikasi yang menggunakan teorema Bayes untuk memprediksi probabilitas class atau

label tertentu untuk instance data tertentu(Ernawati, 2018) pada perusahaan PT. X.

Perumusan Masalah

Berdasarkan latar belakang penelitian yang menjadi masalah utama dalam penelitian ini

adalah :

1. Bagaimana penerapan stock plan pada PT. X?

2. Apakah banyaknya variasi tipe item pada stock yang menjadi salah satu alasan

peningkatan dead stock ditiap tahunnya?

3. Apakah cara conventional efektif dilakukan saat melakukan forecasting stock plan?

Implementasi Sistem Informasi Forescasting Stock Plan

menggunakan Least Square Method dan Naive Bayes

Algorithm Pada Pt. X

e-ISSN: 2809-8862

p-ISSN: 2086-3306

Muhammad Rashief, Jarot S. Suroso

4. Bagaimana penerapan forecasting stock plan dengan metode Least Square Method

(LSM) dan Naive bayes Algorithm?

5. Bagaimana penggunaan sistem informasi terhadap penurunan Dead Stock pada stock

perusahaan?

Tujuan dan Manfaat Penelitian

1. Mengetahui tingkat efektifitas dalam penerapan stock plan PT. X.

2. Memperkecil varian item pada stock plan PT X.

3. Meningkatkan ketersediaan stock pada demand yang ada.

4. Mengetahui hasil prediksi dari penerapan Least Square Method (LSM) dan Naive Bayes

Algorithm.

5. Penurunan persentase dead stock perusahaan dalam penerapan forecasting stock plan.

Manfaat Penelitian

1. Untuk memberikan impact cashflow yang baik pada perusahaan.

2. Untuk menurunkan resiko penumpukan stock pada warehouse yang tidak memiliki

kapasitas terlalu besar dengan tetap dapat fullfill demand yang ada.

Ruang Lingkup Penelitian

1. Terkait forercasting

2. Penelitian hanya dilakukan pada divisi Warehouse dan Admin.

3. Data yang digunakan hanya 1 Tahun belakang dikarenakan pertimbangan item dengan

tipe yang sudah EOL (End of Life).

4. Variant product akan diklasifikasi berdasarkan type dan model yang beredar saat ini dan

tiap model hanya akan menggunakan 10 type pada product/stock yang akan diteliti.

5. Penelitian yang dilakukan hanya pada Dead stock.

6. Penelitian hanya menggunakan 2 metode yaitu Least Square Method (LSM) dan Naive

Bayes Algorithm.

METODE PENELITIAN

Objek Penilitian

Objek penelitian merupakan hal yang menjadi perhatian dalam suatu penelitian.

Objek penelitian ini menjadi sasaran dalam penelitian untuk mendapat jawaban maupun

solusi dari permasalahan. Objek adalah tempat penulis melakukan penelitian.

Identifikasi Masalah

Dalam penelitian ini akan dilakukan identifikasi mendalam sesuai dengan penjelasan

pada bab sebelumnya, sesuai kondisi dimana PT. X memiliki angka dead stock sangat

tinggi di 3 (tiga) tahun belakang ini. Tidak adanya stock plan yang mumpuni untuk

menanggulangi besarnya impor barang dan minimnya kapasitas warehouse yang ada di

perusahaan, sehingga mengakibatkan terjadinya penumpukan barang di warehouse dan

menyebabkan ruangan lainnya menjadi alternatif penyimpanan barang untuk sementara

waktu. Bisa dipastikan hal tersebut akan mengganggu mobilitas pemilik ruangan, maka

dari itu dibutuhkan penanganan segera, agar kondisi serupa tidak terulang kembali.

Penelitian Terdahulu

Penelitian terdahulu akan membantu penulis dalam penyusunan penelitian,

memperkuat teori dan menambah preferensi dalam melanjutkan penelitian. Pada penelitian

sebelumnya menggunakan C.45 Algorithm, sedangkan pada penelitian ini menggunakan

Naive bayes Algorithm. Hal tersebut dikarenakan justifikasi pada penelitian Yogiek Indra

Kurniawan (2018) bahwa dari hasil penelitian Naive bayes Algorithm lebih banyak

memiliki keunggulan dari C.45 Algorithm, berdasarkan 4 (empat) tahapan percobaan.

Harapannya penelitian kali ini dapat menyempurnakan hasil penilitian sebelumnya serta

Vol. 14, No. 4, September, 2023

https://journal.ikopin.ac.id

dapat mengatasi permasalahan yang belum terjawab dengan solusi yang lebih baik atas

persoalan tersebut.

Literature Review

Digunakan untuk menjadi dasar atau acuan dalam penerapan penelitian ataupun

justifikasi guna melanjutkan penelitian tersebut. Dimana karya sebelumnya memberikan

pencerahan dalam penentuan metode dan kerangka perpikir yang pada akhirnya akan

memberikan suatu product sebagai jawaban permasalahan yang dihadapi, tertuang lengkap

dalam hasil penilitian ini.

Pengumpulan Data

Pengumpulan data dilakukan dengan kegiatan yang dilakukan yaitu penarikan data

pada database perusahaan, berkaitan dengan stock pada tahun sebelumnya yang dimana

sudah diklasifikasikan pada tabel berikut:

Gambar 3.3. Variable dari hasil pengumpulan data PT. X

Dimana data collective akan dikumpulkan perminggunya dalam satu tahun penuh

untuk meningkatkan akurasi dalam pengumpulan data.

HASIL DAN PEMBAHASAN

Pengumpulan Data

Dalam proses pengumpulan data, stok perusahaan telah di-generate selama 11 bulan

pada tahun 2022-2023. Setiap bulan, data dihasilkan dan tersusun dalam 11 file excel

terpisah, mewakili masing-masing bulan mulai dari bulan April 2022 hingga Februari 2023.

Implementasi Sistem Informasi Forescasting Stock Plan

menggunakan Least Square Method dan Naive Bayes

Algorithm Pada Pt. X

e-ISSN: 2809-8862

p-ISSN: 2086-3306

Muhammad Rashief, Jarot S. Suroso

Proses ini memberikan pandangan rinci tentang perubahan stok yang terjadi selama setiap

bulan sepanjang tahun tersebut.

Dengan data yang telah berhasil diperoleh, analisis data mentah dari tabel stok

menunjukkan beberapa parameter yang mendetail, memberikan wawasan yang penting

dalam struktur stok perusahaan. Parameter-parameter ini adalah sebagai berikut:

• BK (Booking): Merupakan stok yang sudah dipesan oleh pelanggan tetapi belum

diserahkan.

• DM (Dead Moving): Menandakan barang yang memiliki pergerakan penjualan yang

sangat lambat atau bahkan tidak pernah terjual dalam periode tertentu.

• DR (Dormant): Mengacu pada barang yang memiliki sedikit atau tidak ada aktivitas atau

pergerakan dalam stok selama jangka waktu tertentu.

• SM (Slow Moving): Dimana barang yang diidentifikasi sebagai barang yang tidak

bergerak dalam jangka waktu 3 bulan berturut-turut.

• PJ (Pinjaman): Serupa dengan PJ, namun ini mengacu pada stok yang dipinjam di kota

Surabaya.

• SV (Services): Merujuk pada barang-barang yang sedang dalam proses servis atau

perbaikan.

• UM (New Coming/Fast Moving): Menandakan stok baru yang masuk atau barang dengan

pergerakan cepat.

• QTY (Total quantity): Jumlah total barang dalam stok.

• Available (Ketersediaan): Menunjukkan jumlah barang yang tersedia untuk dijual atau

dipindahkan.

Data ini disusun dan diperoleh dengan menjalankan proses pengumpulan data setiap

bulan. Data-data ini dikumpulkan dan diperbarui secara teratur pada akhir setiap bulan dari

warehouse atau inventori perusahaan. Penting untuk dicatat bahwa data-data ini

memberikan gambaran yang jelas mengenai kondisi stok yang ada, memungkinkan

perusahaan untuk mengamati tren, mengidentifikasi area-area dengan masalah potensial,

dan mengoptimalkan strategi manajemen stok untuk mengurangi dead stock serta

meningkatkan efisiensi pengelolaan stok secara keseluruhan.

Variable Selection

Dalam bagian sub bab Variable Selection yang merupakan bagian penting dari

analisis, pemilihan variabel merupakan tahap kunci dalam pengembangan model atau

analisis. Variabel-variabel yang dipilih secara cermat diamana akan memengaruhi hasil

dari prediksi atau analisis yang dilakukan. Untuk variabel-variabel yang akan digunakan,

yaitu DM, DR, SM, UM, dan QTY, berikut adalah pendekatannya:

Tabel Error! No text of specified style in document..1. Data Variable Selection

Dead Moving

Dormant

Slow Moving

New Coming/Fast Moving

QTY

Quantity

Preprocessing Data

Pada tahap preprocessing data, langkah-langkahnya melibatkan pemilihan barang

berdasarkan angka dormant dan dead stock 10 teratas dari tabel yang Anda sediakan.

Selanjutnya data akan dipecah menjadi 10 file excel yang kemudian akan dikonversi

menjadi format CSV. Nantinya format CSV ini akan diimpor ke dalam aplikasi prototype

yang sedang dikembangkan. Di samping itu, akan digunakan sebuah template tabel yang

mencakup data dari bulan Januari hingga Desember untuk setiap file CSV.

Vol. 14, No. 4, September, 2023

https://journal.ikopin.ac.id

Penjelasan Proses Preprocessing Data:

a. Pemilihan Barang Berdasarkan Angka Dormant dan Dead Stock Tertinggi:

Tabel data yang disediakan akan dievaluasi untuk mengidentifikasi 10 barang

dengan angka dormant dan dead stock teratas.

b. Pembagian Data ke dalam File Excel:

Setiap barang yang termasuk dalam 10 teratas akan dikelompokkan ke dalam file

excel terpisah. Setiap file excel akan mewakili data yang terperinci untuk masing-masing

barang.

c. Konversi File Excel menjadi Format CSV:

Setelah pemisahan, setiap file excel akan diubah menjadi format CSV. Proses

konversi ini akan mempertahankan struktur dan informasi yang relevan, termasuk data dari

bulan Januari hingga Desember.

d. Template Tabel untuk Setiap File CSV:

Setiap file CSV yang disiapkan akan mengadopsi template tabel yang merangkum

data dari bulan Januari hingga Desember. Template ini akan menyediakan kerangka data

yang konsisten untuk setiap barang dalam setiap file CSV.

e. Import Data ke dalam Aplikasi Prototype:

Setelah format CSV disiapkan, data akan diimpor ke dalam aplikasi prototype yang

sedang dikembangkan. Ini memungkinkan pengujian untuk memastikan data telah diimpor

dengan benar, menyesuaikan format yang dibutuhkan oleh aplikasi.

Proses ini memastikan bahwa data yang dipilih, dipisahkan dan diatur dalam format

yang sesuai agar bisa diimpor ke dalam aplikasi prototype secara efisien. Dengan adopsi

template tabel yang mencakup data dari bulan Januari hingga Desember, setiap file CSV

akan memiliki informasi yang lengkap tentang perubahan stok barang selama periode

tersebut. Hal ini memungkinkan aplikasi prototype untuk bekerja dengan data yang tepat

dan terperinci.

Berikut terlampir 10 data setelah preprocessing:

Tabel Error! No text of specified style in document..2. Data Excel Setelah

Preprocessing

description dead_moving dormant slow_moving new_coming available_qty month

X QWE-TFW625S-IO (3.6mm) (TE) (SE) 0 0 3 256 259 Apr-22

X QWE-TFW625S-IO (3.6mm) (TE) (SE) 0 0 1 254 255 May-22

X QWE-TFW625S-IO (3.6mm) (TE) (SE) 0 0 1 254 255

Jun-22

X QWE-TFW625S-IO (3.6mm) (TE) (SE) 0 0 1 224 225 Jul-22

X QWE-TFW625S-IO (3.6mm) (TE) (SE) 0 0 1 224 225 Aug-22

X QWE-TFW625S-IO (3.6mm) (TE) (SE) 1 200 1 0 202 Sep-22

X QWE-TFW625S-IO (3.6mm) (TE) (SE) 1 181 9 0 191 Oct-22

X QWE-TFW625S-IO (3.6mm) (TE) (SE) 1 181 9 0 191 Nov-22

X QWE-TFW625S-IO (3.6mm) (TE) (SE) 181 0 9 0 190 Dec-22

X QWE-TFW625S-IO (3.6mm) (TE) (SE) 181 0 9 0 190 Jan-23

X QWE-TFW625S-IO (3.6mm) (TE) (SE) 141 0 9 0 150 Feb-23

Tabel Error! No text of specified style in document..3. Data Excel Setelah

Preprocessing

description dead_moving dormant slow_moving new_coming available_qty month

X QWE-TFW2231S-S-S2 (3.6mm) (SE) 0 0 0 27 27 Apr-22

X QWE-TFW2231S-S-S2 (3.6mm) (SE) 0 0 0 21 21 May-22

X QWE-TFW2231S-S-S2 (3.6mm) (SE) 0 0 0 21 21 Jun-22

X QWE-TFW2231S-S-S2 (3.6mm) (SE) 0 0 0 171 171 Jul-22

X QWE-TFW2231S-S-S2 (3.6mm) (SE) 0 0 0 171 171 Aug-22

X QWE-TFW2231S-S-S2 (3.6mm) (SE) 0 0 0 150 150 Sep-22

X QWE-TFW2231S-S-S2 (3.6mm) (SE) 0 0 0 150 150 Oct-22

X QWE-TFW2231S-S-S2 (3.6mm) (SE) 0 0 1 150 151 Nov-22

X QWE-TFW2231S-S-S2 (3.6mm) (SE) 0 170 0 0 170 Dec-22

X QWE-TFW2231S-S-S2 (3.6mm) (SE) 0 170 0 0 170 Jan-23

X QWE-TFW2231S-S-S2 (3.6mm) (SE) 0 170 0 0 170 Feb-23

Implementasi Sistem Informasi Forescasting Stock Plan

menggunakan Least Square Method dan Naive Bayes

Algorithm Pada Pt. X

e-ISSN: 2809-8862

p-ISSN: 2086-3306

Muhammad Rashief, Jarot S. Suroso

Tabel Error! No text of specified style in document..4. Data Excel Setelah

Preprocessing

description dead_moving dormant slow_moving new_coming available_qty month

X QWE-TDW2231TP-AS-S2 2MP (2.8mm) (SE) 0 0 0 150 150 Apr-22

X QWE-TDW2231TP-AS-S2 2MP (2.8mm) (SE) 0 0 0 150 150 May-22

X QWE-TDW2231TP-AS-S2 2MP (2.8mm) (SE) 0 0 0 150 150 Jun-22

X QWE-TDW2231TP-AS-S2 2MP (2.8mm) (SE) 0 0 0 150 150 Jul-22

X QWE-TDW2231TP-AS-S2 2MP (2.8mm) (SE) 0 0 0 150 150 Aug-22

X QWE-TDW2231TP-AS-S2 2MP (2.8mm) (SE) 0 150 0 0 150 Sep-22

X QWE-TDW2231TP-AS-S2 2MP (2.8mm) (SE) 0 149 1 0 150 Oct-22

X QWE-TDW2231TP-AS-S2 2MP (2.8mm) (SE) 0 149 1 0 150 Nov-22

X QWE-TDW2231TP-AS-S2 2MP (2.8mm) (SE) 58 0 2 0 60 Dec-22

X QWE-TDW2231TP-AS-S2 2MP (2.8mm) (SE) 57 0 2 0 59 Jan-23

X QWE-TDW2231TP-AS-S2 2MP (2.8mm) (SE) 57 0 2 0 59 Feb-23

Tabel Error! No text of specified style in document..5. Data Excel Setelah

Preprocessing

description dead_moving dormant slow_moving new_coming available_qty month

X QWE-TDBW5241EP-ZE (2.7-13.5mm) (TE) (SE) 0 0 3 113 116 Apr-22

X QWE-TDBW5241EP-ZE (2.7-13.5mm) (TE) (SE) 0 0 4 112 116 May-22

X QWE-TDBW5241EP-ZE (2.7-13.5mm) (TE) (SE) 0 0 4 112 116 Jun-22

X QWE-TDBW5241EP-ZE (2.7-13.5mm) (TE) (SE) 0 0 4 88 92 Jul-22

X QWE-TDBW5241EP-ZE (2.7-13.5mm) (TE) (SE) 0 0 2 83 85 Aug-22

X QWE-TDBW5241EP-ZE (2.7-13.5mm) (TE) (SE) 1 81 2 1 85 Sep-22

X QWE-TDBW5241EP-ZE (2.7-13.5mm) (TE) (SE) 1 81 2 1 85 Oct-22

X QWE-TDBW5241EP-ZE (2.7-13.5mm) (TE) (SE) 1 73 2 1 77 Nov-22

X QWE-TDBW5241EP-ZE (2.7-13.5mm) (TE) (SE) 2 67 3 0 72 Dec-22

X QWE-TDBW5241EP-ZE (2.7-13.5mm) (TE) (SE) 67 3 3 0 73 Jan-23

X QWE-TDBW5241EP-ZE (2.7-13.5mm) (TE) (SE) 67 3 3 0 73 Feb-23

Tabel Error! No text of specified style in document..6. Data Excel Setelah

Preprocessing

description dead_moving dormant slow_moving new_coming available_qty month

X QWE-TFW4231EP-Z-S4 (2.7-13.5mm) (TE) (SE) 0 0 0 60 60 Apr-22

X QWE-TFW4231EP-Z-S4 (2.7-13.5mm) (TE) (SE) 0 0 0 60 60 May-22

X QWE-TFW4231EP-Z-S4 (2.7-13.5mm) (TE) (SE) 0 0 0 60 60 Jun-22

X QWE-TFW4231EP-Z-S4 (2.7-13.5mm) (TE) (SE) 0 0 0 60 60 Jul-22

X QWE-TFW4231EP-Z-S4 (2.7-13.5mm) (TE) (SE) 0 0 0 60 60 Aug-22

X QWE-TFW4231EP-Z-S4 (2.7-13.5mm) (TE) (SE) 0 60 0 0 60 Sep-22

X QWE-TFW4231EP-Z-S4 (2.7-13.5mm) (TE) (SE) 0 54 0 0 54 Oct-22

X QWE-TFW4231EP-Z-S4 (2.7-13.5mm) (TE) (SE) 0 54 0 0 54 Nov-22

X QWE-TFW4231EP-Z-S4 (2.7-13.5mm) (TE) (SE) 0 50 0 0 50 Dec-22

X QWE-TFW4231EP-Z-S4 (2.7-13.5mm) (TE) (SE) 50 0 0 0 50 Jan-23

X QWE-TFW4231EP-Z-S4 (2.7-13.5mm) (TE) (SE) 44 0 0 0 44 Feb-23

Tabel Error! No text of specified style in document..7. Data Excel Setelah

Preprocessing

desc ription dead_moving dormant slow_moving new_coming available_qty month

X QWE-TDBW5541RP-ASE (2.8mm) (TE) (SE) 0 0 1 43 44 Apr-22

X QWE-TDBW5541RP-ASE (2.8mm) (TE) (SE) 0 0 1 45 46 May-22

X QWE-TDBW5541RP-ASE (2.8mm) (TE) (SE) 0 0 1 45 46 Jun-22

X QWE-TDBW5541RP-ASE (2.8mm) (TE) (SE) 0 0 1 44 45 Jul-22

X QWE-TDBW5541RP-ASE (2.8mm) (TE) (SE) 0 0 1 43 44 Aug-22

X QWE-TDBW5541RP-ASE (2.8mm) (TE) (SE) 10 33 1 0 44 Sep-22

X QWE-TDBW5541RP-ASE (2.8mm) (TE) (SE) 10 33 1 0 44 Oct-22

X QWE-TDBW5541RP-ASE (2.8mm) (TE) (SE) 10 33 1 0 44 Nov-22

X QWE-TDBW5541RP-ASE (2.8mm) (TE) (SE) 1 33 0 1 35 Dec-22

X QWE-TDBW5541RP-ASE (2.8mm) (TE) (SE) 33 0 0 1 34 Jan-23

X QWE-TDBW5541RP-ASE (2.8mm) (TE) (SE) 34 0 0 0 34 Feb-23

Vol. 14, No. 4, September, 2023

https://journal.ikopin.ac.id

Tabel Error! No text of specified style in document..8. Data Excel Setelah

Preprocessing

description dead_moving dormant slow_moving new_coming available_qty month

X QWE-TDBW4231EP-AS-S4 (2.8mm) (TE) (SE) 0 0 0 125 125 Apr-22

X QWE-TDBW4231EP-AS-S4 (2.8mm) (TE) (SE) 0 0 0 125 125 May-22

X QWE-TDBW4231EP-AS-S4 (2.8mm) (TE) (SE) 0 0 0 66 66 Jun-22

X QWE-TDBW4231EP-AS-S4 (2.8mm) (TE) (SE) 0 0 0 66 66 Jul-22

X QWE-TDBW4231EP-AS-S4 (2.8mm) (TE) (SE) 0 0 0 65 65 Aug-22

X QWE-TDBW4231EP-AS-S4 (2.8mm) (TE) (SE) 0 36 0 0 36 Sep-22

X QWE-TDBW4231EP-AS-S4 (2.8mm) (TE) (SE) 0 7 0 0 7 Oct-22

X QWE-TDBW4231EP-AS-S4 (2.8mm) (TE) (SE) 0 0 0 0 0 Nov-22

X QWE-TDBW4231EP-AS-S4 (2.8mm) (TE) (SE) 0 1 0 0 1 Dec-22

X QWE-TDBW4231EP-AS-S4 (2.8mm) (TE) (SE) 0 1 0 0 1 Jan-23

X QWE-TDBW4231EP-AS-S4 (2.8mm) (TE) (SE) 0 0 0 0 0 Feb-23

Tabel Error! No text of specified style in document..9. Data Excel Setelah

Preprocessing

description dead_moving dormant slow_moving new_coming available_ qty month

X PFT3970 (SE) 0 0 0 93 93 Apr-22

X PFT3970 (SE) 0 0 0 93 93 May-22

X PFT3970 (SE) 0 0 1 79 80 Jun-22

X PFT3970 (SE) 0 0 0 80 80 Jul-22

X PFT3970 (SE) 0 80 0 0 80 Aug-22

X PFT3970 (SE) 0 80 0 0 80 Sep-22

X PFT3970 (SE) 0 79 0 0 79 Oct-22

X PFT3970 (SE) 79 0 0 0 79 Nov-22

X PFT3970 (SE) 79 0 0 0 79 Dec-22

X PFT3970 (SE) 67 0 0 0 67 Jan-23

X PFT3970 (SE) 67 0 0 0 67 Feb-23

Tabel Error! No text of specified style in document..10. Data Excel Setelah

Preprocessing

description dead_moving dormant slow_moving new _coming available_qty month

X QWE-TFW5541EP-ZE (2.7-13.5mm) (TE) (SE) 0 0 0 81 81 Apr-22

X QWE-TFW5541EP-ZE (2.7-13.5mm) (TE) (SE) 0 0 0 81 81 May-22

X QWE-TFW5541EP-ZE (2.7-13.5mm) (TE) (SE) 0 0 4 75 79 Jun-22

X QWE-TFW5541EP-ZE (2.7-13.5mm) (TE) (SE) 0 0 4 67 71 Jul-22

X QWE-TFW5541EP-ZE (2.7-13.5mm) (TE) (SE) 0 69 2 0 71 Aug-22

X QWE-TFW5541EP-ZE (2.7-13.5mm) (TE) (SE) 0 59 4 0 63 Sep-22

X QWE-TFW5541EP-ZE (2.7-13.5mm) (TE) (SE) 0 45 13 0 58 Oct-22

X QWE-TFW5541EP-ZE (2.7-13.5mm) (TE) (SE) 15 0 12 0 27 Nov-22

X QWE-TFW5541EP-ZE (2.7-13.5mm) (TE) (SE) 12 0 12 1 25 Dec-22

X QWE-TFW5541EP-ZE (2.7-13.5mm) (TE) (SE) 12 1 3 0 16 Jan-23

X QWE-TFW5541EP-ZE (2.7-13.5mm) (TE) (SE) 12 1 3 0 16 Feb-23

Tabel Error! No text of specified style in document..11. Data Excel Setelah

Preprocessing

Implementasi Sistem Informasi Forescasting Stock Plan

menggunakan Least Square Method dan Naive Bayes

Algorithm Pada Pt. X

e-ISSN: 2809-8862

p-ISSN: 2086-3306

Muhammad Rashief, Jarot S. Suroso

description dead_moving dormant slow_moving new_coming available_qty month

X PFA101 (SE) 63 0 0 0 63 Apr-22

X PFA101 (SE) 63 0 0 0 63 May-22

X PFA101 (SE) 63 0 0 0 63 Jun-22

X PFA101 (SE) 63 0 0 0 63 Jul-22

X PFA101 (SE) 63 0 0 0 63 Aug-22

X PFA101 (SE) 63 0 0 0 63 Sep-22

X PFA101 (SE) 63 0 0 0 63 Oct-22

X PFA101 (SE) 63 0 0 0 63 Nov-22

X PFA101 (SE) 63 0 0 0 63 Dec-22

X PFA101 (SE) 63 0 0 0 63 Jan-23

X PFA101 (SE) 63 0 0 0 63 Feb-23

Implementasi Least Square Methods

Pada Implementasi Least Square Methods menggunakan formula jika menghitung

koefisien kemiringan (m) dan intercept (c) berdasarkan rumus yang diberikan. Maka akan

ditunjukkan pada Langkah dibawah ini.

 Langkah 1: Menghitung rata-rata 'time_variable' (X) dan 'available_qty'(Y):

=nΣX

=nΣY (1)

 Langkah 2: Menghitung Σ(XY), Σ(X

Σ(X)

Σ(XY)=Σ(X)∗Σ(Y)

Σ(X

)=Σ(X)

(2)

 Langkah 3: Menghitung koefisien kemiringan (m) menggunakan rumus:

m= Σ (XY)−Σ(X)∗Σ(Y)

Σ(X

)−Σ(X)

(3)

 Langkah 4: Menghitung intercept (c) menggunakan rumus:

c=Y

−m∗X

(4)

Dengan persamaan ini dapat memprediksi 'available_qty' (Y) untuk nilai 'time

variable' (X) yang lain, termasuk untuk bulan ke-13. Dalam kasus ini, nilai 'time variable'

(X) untuk bulan ke-13 adalah 6. Time Variable Berdasarkan periode April 2022 - Februari

2023 atau n = 11, sehingga jumlah data tidak dapat dibagi dua, maka aturan metode LS

adalah jarak antara dua waktu adalah satu; jika > 0 maka diberikan negatif; dan < 0 maka

diberikan positif(2018 2nd East Indonesia Conference on Computer and Information

Technology (EIConCIT), 2018). Nilai variabel waktu telah terlihat pada table dibawah ini:

Tabel Error! No text of specified style in document..12. Data Hasil Prediksi Bulan ke-

Desciption/Nama Produk

X QWE-TFW625S-IO (3.6mm) (TE) (SE)

151,9818182

X QWE-TFW2231S-S-S2 (3.6mm) (SE)

217,2909091

X QWE-TDW2231TP-AS-S2 2MP (2.8mm) (SE)

65,87272727

X QWE-TDBW5241EP-ZE (2.7-13.5mm) (TE) (SE)

60,05454545

X QWE-TFW4231EP-Z-S4 (2.7-13.5mm) (TE) (SE)

46,47272727

X QWE-TDBW5541RP-ASE (2.8mm) (TE) (SE)

34,56363636

X QWE-TDBW4231EP-AS-S4 (2.8mm) (TE) (SE)

-42,27272727

Vol. 14, No. 4, September, 2023

https://journal.ikopin.ac.id

X PFT3970 (SE)

-35,94545455

X QWE-TFW5541EP-ZE (2.7-13.5mm) (TE) (SE)

7,2

X PFA101 (SE)

Hasil prediksi variabel available_qty pada 11 bulan sebelumnya telah diestimasi

menggunakan persamaan regresi linear yang memperhitungkan hubungan antara variable

X (time_variable) dengan Y (available_qty). Persamaan regresi ini diwakili oleh Y = a +

bX. Dalam konteks ini, variabel Y mewakili jumlah persediaan produk yang tersedia,

sementara variabel X mengacu pada interval waktu sebelumnya. Nilai-nilai prediksi

variabel Y diperoleh dari hasil penggabungan nilai-nilai variabel X ke dalam persamaan

regresi yang telah dibangun sebelumnya.

Jika menghitung nilai MAD dan MAPE maka performance accuracy akan

diberikan pada table dibawah ini:

Tabel Error! No text of specified style in document..34. Data Preprocessing Naive

bayes (1)

MAD MAPE

27,33 11.08

Performance Accuracy

Dimana semakin keci nilai MAD yang memperolah 27,33 dari n=6 dan MAPE yang

memperoleh 11,06 dari n=6 akan memberikan performansi lebih baik.

Implementasi Naive Bayes Algorithm

Pada Naive Bayes data akan di ubah menjadi data yang dapat digunakan unutk

penerapan Naive Bayes pada data yang sudah dikumpulkan. Ada beberapa class yang akan

dibagi dari variable avaibility_qty dengan sebagai berikut:

 Avaibility_qty >= 250 : Too Many

 Avaibility_qty >= 100 : Many

 Avaibility_qty >= 50 : Average

 Avaibility_qty < 50 : Standart

Pada table dibawah ini akan digunakan untuk implementasi Naive bayes yang dapat

dilihat dibawah ini:

Tabel Error! No text of specified style in document..13. Data Preprocessing Naive

bayes (1)

Implementasi Sistem Informasi Forescasting Stock Plan

menggunakan Least Square Method dan Naive Bayes

Algorithm Pada Pt. X

e-ISSN: 2809-8862

p-ISSN: 2086-3306

Muhammad Rashief, Jarot S. Suroso

description dead_moving dormant slow_movi ng new_coming available_qty avail(C)

X QWE-TFW625S-IO (3.6mm) (TE) (SE) 0 0 3 256 259 Too Many

X QWE-TFW625S-IO (3.6mm) (TE) (SE) 0 0 1 254 255 Too Many

X QWE-TFW2231S-S-S2 (3.6mm) (SE) 0 0 0 27 27 Standard

X QWE-TFW2231S-S-S2 (3.6mm) (SE) 0 0 0 21 21 Standard

X QWE-TFW4231EP-Z-S4 (2.7-13.5mm) (TE) (SE)

44 0 0 0 44 Standard

X QWE-TDBW5541RP-ASE (2.8mm) (TE) (SE) 0 0 1 43 44 Standard

X QWE-TDBW5541RP-ASE (2.8mm) (TE) (SE) 0 0 1 45 46 Standard

X QWE-TDBW5541RP-ASE (2.8mm) (TE) (SE) 0 0 1 44 45 Standard

X QWE-TDBW5541RP-ASE (2.8mm) (TE) (SE) 0 0 1 43 44 Standard

X QWE-TDBW5541RP-ASE (2.8mm) (TE) (SE) 10 33 1 0 44 Standard

X QWE-TDBW5541RP-ASE (2.8mm) (TE) (SE) 1 33 0 1 35 Standard

X QWE-TDBW5541RP-ASE (2.8mm) (TE) (SE) 33 0 0 1 34 Standard

X QWE-TDBW5541RP-ASE (2.8mm) (TE) (SE) 34 0 0 0 34 Standard

X QWE-TDBW4231EP-AS-S4 (2.8mm) (TE) (SE) 0 36 0 0 36 Standard

X QWE-TDBW4231EP-AS-S4 (2.8mm) (TE) (SE) 0 7 0 0 7 Standard

X QWE-TDBW4231EP-AS-S4 (2.8mm) (TE) (SE) 0 0 0 0 0 Standard

X QWE-TDBW4231EP-AS-S4 (2.8mm) (TE) (SE) 0 1 0 0 1 Standard

X QWE-TDBW4231EP-AS-S4 (2.8mm) (TE) (SE) 0 0 0 0 0 Standard

X QWE-TFW5541EP-ZE (2.7-13.5mm) (TE) (SE) 15 0 12 0 27 Standard

X QWE-TFW5541EP-ZE (2.7-13.5mm) (TE) (SE) 12 0 12 1 25 Standard

X QWE-TFW5541EP-ZE (2.7-13.5mm) (TE) (SE) 12 1 3 0 16 Standard

X QWE-TFW625S-IO (3.6mm) (TE) (SE) 0 0 1 224 225 Many

X QWE-TFW625S-IO (3.6mm) (TE) (SE) 1 200 1 0 202 Many

X QWE-TFW625S-IO (3.6mm) (TE) (SE) 1 181 9 0 191 Many

X QWE-TFW625S-IO (3.6mm) (TE) (SE) 181 0 9 0 190 Many

X QWE-TFW625S-IO (3.6mm) (TE) (SE) 141 0 9 0 150 Many

Tabel Error! No text of specified style in document..14. Data Preprocessing Naive

bayes (2)

X QWE-TFW2231S-S-S2 (3.6mm) (SE) 0 0 0 171 171 Many

X QWE-TFW2231S-S-S2 (3.6mm) (SE) 0 0 0 150 150 Many

X QWE-TFW2231S-S-S2 (3.6mm) (SE) 0 0 1 150 151 Many

X QWE-TFW2231S-S-S2 (3.6mm) (SE) 0 170 0 0 170 Many

X QWE-TDW2231TP-AS-S2 2MP (2.8mm) (SE) 0 0 0 150 150 Many

X QWE-TDW2231TP-AS-S2 2MP (2.8mm) (SE) 0 150 0 0 150 Many

X QWE-TDW2231TP-AS-S2 2MP (2.8mm) (SE) 0 149 1 0 150 Many

X QWE-TDBW5241EP-ZE (2.7-13.5mm) (TE) (SE)

0 0 3 113 116 Many

X QWE-TDBW5241EP-ZE (2.7-13.5mm) (TE) (SE)

0 0 4 112 116 Many

X QWE-TDBW5241EP-ZE (2.7-13.5mm) (TE) (SE)

0 0 4 112 116 Many

X QWE-TDBW4231EP-AS-S4 (2.8mm) (TE) (SE) 0 0 0 125 125 Many

X QWE-TDW2231TP-AS-S2 2MP (2.8mm) (SE) 58 0 2 0 60 Average

X QWE-TDW2231TP-AS-S2 2MP (2.8mm) (SE) 57 0 2 0 59 Average

X QWE-TDBW5241EP-ZE (2.7-13.5mm) (TE) (SE)

0 0 4 88 92 Average

X QWE-TDBW5241EP-ZE (2.7-13.5mm) (TE) (SE)

0 0 2 83 85 Average

X QWE-TDBW5241EP-ZE (2.7-13.5mm) (TE) (SE)

1 81 2 1 85 Average

X QWE-TDBW5241EP-ZE (2.7-13.5mm) (TE) (SE)

1 81 2 1 85 Average

X QWE-TDBW5241EP-ZE (2.7-13.5mm) (TE) (SE)

1 73 2 1 77 Average

X QWE-TDBW5241EP-ZE (2.7-13.5mm) (TE) (SE)

2 67 3 0 72 Average

X QWE-TDBW5241EP-ZE (2.7-13.5mm) (TE) (SE)

67 3 3 0 73 Average

X QWE-TDBW5241EP-ZE (2.7-13.5mm) (TE) (SE)

67 3 3 0 73 Average

X QWE-TFW4231EP-Z-S4 (2.7-13.5mm) (TE) (SE)

0 0 0 60 60 Average

X QWE-TFW4231EP-Z-S4 (2.7-13.5mm) (TE) (SE)

0 0 0 60 60 Average

X QWE-TFW4231EP-Z-S4 (2.7-13.5mm) (TE) (SE)

0 0 0 60 60 Average

X QWE-TFW4231EP-Z-S4 (2.7-13.5mm) (TE) (SE)

0 0 0 60 60 Average

X QWE-TFW4231EP-Z-S4 (2.7-13.5mm) (TE) (SE)

0 0 0 60 60 Average

X QWE-TFW4231EP-Z-S4 (2.7-13.5mm) (TE) (SE)

0 60 0 0 60 Average

X QWE-TFW4231EP-Z-S4 (2.7-13.5mm) (TE) (SE)

0 54 0 0 54 Average

Tabel Error! No text of specified style in document..15. Data Preprocessing

Naive bayes (3)

Vol. 14, No. 4, September, 2023

https://journal.ikopin.ac.id

X QWE-TFW4231EP-Z-S4 (2.7-13.5mm) (TE) (SE)

0 54 0 0 54 Average

X QWE-TFW4231EP-Z-S4 (2.7-13.5mm) (TE) (SE)

0 50 0 0 50 Average

X QWE-TFW4231EP-Z-S4 (2.7-13.5mm) (TE) (SE)

50 0 0 0 50 Average

X QWE-TDBW4231EP-AS-S4 (2.8mm) (TE) (SE) 0 0 0 66 66 Average

X QWE-TDBW4231EP-AS-S4 (2.8mm) (TE) (SE) 0 0 0 65 65 Average

X PFT3970 (SE) 0 0 0 93 93 Average

X PFT3970 (SE) 0 0 1 79 80 Average

X PFT3970 (SE) 0 0 0 80 80 Average

X PFT3970 (SE) 0 80 0 0 80 Average

X PFT3970 (SE) 0 79 0 0 79 Average

X PFT3970 (SE) 79 0 0 0 79 Average

X PFT3970 (SE) 67 0 0 0 67 Average

X QWE-TFW5541EP-ZE (2.7-13.5mm) (TE) (SE) 0 0 0 81 81 Average

X QWE-TFW5541EP-ZE (2.7-13.5mm) (TE) (SE) 0 0 4 75 79 Average

X QWE-TFW5541EP-ZE (2.7-13.5mm) (TE) (SE) 0 0 4 67 71 Average

X QWE-TFW5541EP-ZE (2.7-13.5mm) (TE) (SE) 0 69 2 0 71 Average

X QWE-TFW5541EP-ZE (2.7-13.5mm) (TE) (SE) 0 59 4 0 63 Average

X QWE-TFW5541EP-ZE (2.7-13.5mm) (TE) (SE) 0 45 13 0 58 Average

X PFA101 (SE) 63 0 0 0 63 Average

Pada Naive bayes, terdapat beberapa tahapan yang dilakukan di antara lain:

 Langkah 1 dimana menghitung Class Probabilities

o P(C=toomany): Too Many

o P(C=many): Many

o P(C=avg)): Average

o P(C=standart): Standart

Dimana menghasilkan probabilitas yang dapat dilihat pada table dibawah ini:

Tabel Error! No text of specified style in document..16. Hasil Class Probabilities

P(C=toomany) P(C=many) P(C=avg) P (C=standart)

Total 3 29 53 25

P(Cx) 0,027272727 0,263636364 0,481818 0,227272727

Dalam konteks analisis menggunakan metode Naive Bayes, hasil yang disajikan

dalam bentuk probabilitas bersyarat (conditional probability) menunjukkan prediksi

peluang atau probabilitas kelas (C) tertentu ketika diberikan variabel prediktor (X) yang

diamati. Hasil tersebut menggambarkan probabilitas dari setiap kelas (toomany, many, avg,

standart) berdasarkan variabel prediktor (X) yang diamati atau dianalisis. Memperlihatkan

bahwa angka yang disajikan adalah angka probabilitas.

Implementasi Sistem Informasi Forescasting Stock Plan

menggunakan Least Square Method dan Naive Bayes

Algorithm Pada Pt. X

e-ISSN: 2809-8862

p-ISSN: 2086-3306

Muhammad Rashief, Jarot S. Suroso

1. P(C=toomany|X) = 0: Probabilitas dari kelas "toomany" ketika diberikan variabel

prediktor (X) adalah nol. Dalam konteks ini, model Naive Bayes menetapkan

probabilitas nol untuk kelas "toomany" berdasarkan variabel prediktor yang diamati.

2. P(C=many|X) = 45805,06819: Probabilitas dari kelas "many" ketika diberikan variabel

prediktor (X) adalah sekitar 45805,06819. Ini menunjukkan bahwa model memberikan

probabilitas yang tinggi atau prediksi yang kuat untuk kelas "many" berdasarkan nilai

variabel prediktor yang diamati.

3. P(C=avg|X) = 5597,114934: Probabilitas dari kelas "avg" ketika diberikan variabel

prediktor (X) adalah sekitar 5597,114934. Ini menunjukkan bahwa model memberikan

probabilitas yang lebih rendah atau prediksi yang lebih rendah untuk kelas "avg"

berdasarkan nilai variabel prediktor yang diamati.

4. P(C=standart|X) = 223,030407: Probabilitas dari kelas "standart" ketika diberikan

variabel prediktor (X) adalah sekitar 223,030407. Ini menunjukkan bahwa model

memberikan probabilitas yang rendah atau prediksi yang rendah untuk kelas "standart"

berdasarkan nilai variabel prediktor yang diamati.

Pada hasil yang ada dimana nilai tertinggi adalah P(C=many|X) dimana jika merujuk

pada table 4.22(1)-(2) dimana yang mendapat predikat many itu adalah:

o X QWE-TFW625S-IO (3.6mm) (TE) (SE)

o X QWE-TFW2231S-S-S2 (3.6mm) (SE)

o X QWE-TDW2231TP-AS-S2 2MP (2.8mm) (SE)

o X QWE-TDBW5241EP-ZE (2.7-13.5mm) (TE) (SE)

KESIMPULAN

Peningkatan Signifikan pada Kategori Dormant dan Slow Moving: Sistem

menunjukkan peningkatan yang berarti dalam mengelola kategori dormant dan slow

moving, yang dapat berdampak positif pada efisiensi dan pengelolaan persediaan.

Kecenderungan Menurun pada Kategori Dead Moving: Terdapat kecenderungan menurun

dalam kategori dead moving, menandakan adanya perbaikan atau peningkatan dalam

manajemen persediaan yang dapat mengurangi dead stock. Adapun variasi produk yang

dilakukan memerlukan penelitian lanjutan unutk menambah variative produk yang ada.

Variative produk yang ada belum dapat menunjukkan efektifitas dari sedikitnya variative

yang dibutuhkan, dikarenakan peningkatan kebutuhan yang belum menentu dengan

spesifik produk tertentu. Dampak Perubahan Mungkin Tidak Signifikan dalam Jangka

Pendek: Meskipun teramati perubahan positif, dampaknya mungkin tidak begitu signifikan

selama implementasi sistem hanya berlangsung selama 6 bulan. Perlu waktu lebih lama

untuk melihat efek penuh dari perubahan tersebut. Adapaun variative produk yang ada

belum dapat menunjukkan efektifitas dari sedikitnya variative yang dibutuhkan. Prediksi

Nilai Negatif Mungkin Memerlukan Evaluasi Lebih Lanjut: Adanya prediksi nilai negatif,

seperti pada X QWE-TDBW4231EP-AS-S4, memerlukan evaluasi lebih lanjut terhadap

Vol. 14, No. 4, September, 2023

https://journal.ikopin.ac.id

model prediksi dan kemungkinan penyebabnya untuk memastikan keakuratannya.

Kesimpulan Keseluruhan dari Perbandingan Data di 2 Tahun yang Berbeda: Kesimpulan

dari perbandingan data antara dua tahun menunjukkan bahwa sementara terdapat

peningkatan pada kategori dormant dan slow moving, dampaknya pada kategori dead

moving mungkin belum signifikan dalam waktu yang terbatas.

DAFTAR PUSTAKA

2018 2nd East Indonesia Conference on Computer and Information Technology

(EIConCIT). (2018). IEEE.

Alimardani, M., Jolai, F., & Rafiei, H. (2013). Bi-product inventory planning in a three-

echelon supply chain with backordering, Poisson demand, and limited warehouse

space. http://www.jiei-tsb.com/content///

Ch Kalita, B., Kalita, B., & Professor, A. (n.d.). Comprehensive Analysis on Effectiveness

of Inventory Management Practices on the Performance of Wholesale Drug Dealers.

In Journal of Positive School Psychology (Vol. 2022, Issue 6).

https://journalppw.com

Emioma, C. C., & Edeki, S. O. (2021). Stock price prediction using machine learning on

least-squares linear regression basis. Journal of Physics: Conference Series, 1734(1).

https://doi.org/10.1088/1742-6596/1734/1/012058

Ernawati, S. (2018). Implementation of The Naïve Bayes Algorithm with Feature Selection

using Genetic Algorithm for Sentiment Review Analysis of Fashion Online

Companies.

Kaban, A. (2013). A new look at compressed ordinary least squares. Proceedings - IEEE

13th International Conference on Data Mining Workshops, ICDMW 2013, 482–488.

https://doi.org/10.1109/ICDMW.2013.152

Kurniawan, Y. I. (2018). Perbandingan Algoritma Naive Bayes dan C.45 dalam Klasifikasi

Data Mining. Jurnal Teknologi Informasi Dan Ilmu Komputer, 5(4), 455.

https://doi.org/10.25126/jtiik.201854803

Li, R., Chiu, A., & Seva, R. (2022). A Process-Based Dead Stock Management Framework

for Retail Chain Store Systems. 2, 122–128. https://doi.org/10.31098/bmss.v2i1.524

Muhammad Fakhri Husein; Amin Wibowo. (2006). Sistem informasi manajemen.

Munyaka, J. B., & Yadavalli, V. S. S. (2022). INVENTORY MANAGEMENT

CONCEPTS AND IMPLEMENTATIONS: A SYSTEMATIC REVIEW. South

African Journal of Industrial Engineering, 33(2), 15–36. https://doi.org/10.7166/33-

2-2527

Oubrahim, I., Sefiani, N., & Happonen, A. (2023). The Influence of Digital Transformation

and Supply Chain Integration on Overall Sustainable Supply Chain Performance: An

Empirical Analysis from Manufacturing Companies in Morocco. Energies, 16(2).

https://doi.org/10.3390/en16021004

Puspita, C. B. (2018). Decision Support System for Stock Prediction and Supplier Selection

Using Least Square and C4.5 Algorithm (Candra Beda Puspita, Ed.).

Snyder, R. (n.d.). Production, Manufacturing and Logistics Forecasting sales of slow and

fast moving inventories. www.elsevier.com/locate/dsw

Sutabri Tata. (2016). Sistem Informasi Manajemen.

Chopra, S., & Meindl, P. (2016). Supply Chain Management: Strategy, Planning, and

Operation. Pearson.

Armstrong, J. S. (2001). Principles of Forecasting: A Handbook for Researchers and

Practitioners. Springer.

Implementasi Sistem Informasi Forescasting Stock Plan

menggunakan Least Square Method dan Naive Bayes

Algorithm Pada Pt. X

e-ISSN: 2809-8862

p-ISSN: 2086-3306

Muhammad Rashief, Jarot S. Suroso

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0

International License