PERENCANAAN PRODUKSI BERDASARKAN POLA PERMINTAAN KONSUMEN MENGGUNAKAN PENDEKATAN DATA MINING DENGAN METODE ALGORITMA K-MEANS CLUSTERING DAN METODE ALGORITMA FP-GROWTH (STUDI KASUS: TOKO XY) = PRODUCTION PLANNING BASED ON CONSUMER DEMAND PATTERN USING DATA MINING APPROACH WITH K-MEANS CLUSTERING ALGORITHM AND FP-GROWTH ALGORITHM METHOD (CASE STUDY: XY SHOP)

Industri makanan merupakan bisnis yang memiliki peluang kerja yang cukup banyak di Indonesia. Salah satu produk industri makanan adalah roti yang pada umumnya memiliki karakteristik yang mudah rusak dan memilki kedaluarsa yang relatif singkat (short live), oleh karena itu industri bakery berisiko besar mengalami kerugian apabila terjadi kelebihan persediaan. Berdasarkan hasil observasi diketahui bahwa kelebihan persediaan merupakan kerugian bagi perusahaan. Hal ini disebabkan pengelolaan data persediaan yang masih dilakukan secara manual dan data penjualan tidak dianalisa sehingga terdapat produk yang menumpuk karena tidak laku dan merupakan produk kosong.
Penelitian ini dilakukan agar dapat menghasilkan perencanaan produksi yang dapat mencapai titik yang optimal dengan penerapan metode Algortima K-Means dan Algortima FP-Growth. Data yang digunakan dalam penelitian ini adalah data penjualan historis selama periode 1 tahun dari Januari 2022 hingga Desember 2022. Adapun tahapan awal dalam Algoritma K-Means Clustering adalah dengan membentuk 2 cluster yaitu C1 sebagai data produk slow moving dan C2 sebagai fast moving. Pengelompokkan produk menggunakan Algortima K-Means memperoleh kelompok 1 sebagai produk slow moving yang memiliki 44 jenis item dan kelompok 2 sebagai produk fast moving yang memilki 15 jenis item. Dapat disimpulkan bahwa toko roti XY mengalami kerugian akibat banyaknya produk yang overstock. Berdasarkan hasil pengelompokkan data slow moving dan fast moving maka diperlukan tahapan untuk melakukan identifikasi pola pembelian konsumen dengan menggunakan aturan asosiasi FP-Growt untuk mengetahui hubungan antar item dalam suatu dataset dan seberapa besar potensi seseorang membeli roti secara bersamaan. Dari ketentuan minimum support 3% dan minimum confidence 30% maka diperoleh 13 rules yang termasuk dalam strong association rule.
Pola dari 13 rules menghasilkan tingkat asosiasi yang kuat, melalui informasi dari data tersebut maka khusus produk yang fast moving pemilik toko dapat meningkatkan perencanaan persediaan dengan menganalisis data permintaan dan tren pasar. Untuk produk yang slow moving pemilik toko dapat mengatur penempatan barang atau membuat produk bundling dengan produk yang best seller.

Keywords : Data mining, Clustering, Algoritma K-Means, Asosiasi, Algoritma FP-Growth