PENERAPAN DATA MINING UNTUK KLASIFIKASI STOK BARANG PADA TOKO NIBRAS SYARI MENGGUNAKAN ALGORITMA NAÏVE BAYES

Muhamad Fajarrudin; Atiqah Meutia Hilda;

ABSTRAK

Penerapan Data mining untuk Klasifikasi Stok Barang pada Toko Nibras Syari Menggunakan Algoritma Naïve Bayes.

Muhamad Fajarrudin

Penelitian ini bertujuan untuk mengklasifikasikan stok barang pada Toko Nibras Syari dengan
menerapkan metode data mining menggunakan algoritma Naïve Bayes. Permasalahan utama yang
dihadapi adalah ketidaksesuaian stok antara data e-commerce dan gudang serta kesulitan dalam
memprediksi kebutuhan restok. Penelitian ini menggunakan data penjualan sebanyak 8.431
transaksi dari Februari 2023 hingga Desember 2024. Metode penelitian mengacu pada tahapan KDD
(Knowledge Discovery in Database), yang mencakup pemilihan data, praproses, transformasi,
penerapan algoritma, dan evaluasi model. Pro ses klasifikasi dilakukan untuk membagi produk ke
dalam kategori “Laris” dan “Tidak Laris”. Hasil evaluasi model menunjukkan akurasi, presisi, dan
recall sebesar 100%. Sistem ini dapat membantu toko dalam memperkirakan kebutuhan stok secara
lebih akurat dan efisien. Rekomendasi agar penelitian selanjutnya menggunakan rentang data yang
lebih luas serta mengeksplorasi algoritma lain sebagai pembanding guna mendapatkan hasil
klasifikasi yang lebih optimal dan adaptif terhadap kondisi pasar yang dinamis.

Kata kunci: data mining, klasifikasi, naïve bayes, rapidminer, stok barang

Application of Data Mining for Stock Classification at Nibras Syari Store Using the Naïve Bayes Algorithm

Muhamad Fajarrudin

This study aims to classify product stock at Nibras Syari Store by applying data mining methods
using the Naïve Bayes algorithm. The main problems faced are stock discrepancies between e-
commerce data and the warehouse, as well as difficulties in predicting restocking needs. The study
utilizes sales data consisting of 8,431 transactions from February 2023 to December 2024. The
research method refers to the KDD (Knowledge Discovery in Database) process, which includes
data selection, preprocessing, transformation, algorithm implementation, and model evaluation.
The classification process is carried out to divide products into "Fast-Selling" and "Slow-Selling"
categories. The evaluation results show an accuracy, precision, and recall of 100%. This system can
help the store more accurately and efficiently estimate stock needs. It is recommended that future
research use a broader data range and explore other algorithms for comparison in order to obtain
more optimal classification results and better adapt to dynamic market conditions.

Keywords: data mining, classification, naïve bayes, rapidminer, stock management