5.1 Kesimpulan
Berdasarkan hasil analisis dan pembahasan yang dilakukan didapatkan kesimpulan sebagai berikut
1. Berdasarkan hasil pengolahan data untuk algoritma tree decision dan naïve bayes menggunakan software Microsoft Excel dan Rapid Miner didapatkan hasil rule sebagai berikut untuk rule tree decision
a. R1= if(kuantitas pesan="Sedikit","Iya"
Dari rule ini diketahui bahwa jika kuantitas pesan sedikit maka status inventory cost akan meningkat.
b. R2= if(kuantitas pesan="Banyak","Tidak"
Dari rule ini diketahui bahwa jika kuantitas pesan banyak maka status inventory cost tidak meningkat.
c. R3= if((kuantitas pesan="Sedang")*(Safety stock="Sedikit"),"Tidak" Dari rule ini diketahui bahwa jika kuantitas pesan sedang dan safety stock sedikit maka status inventory cost tidak meningkat.
d. R4= if((kuantitas pesan="Sedang")*(Safety stock="Sedang"),"Iya" Dari rule ini diketahui bahwa jika kuantitas pesan sedang dan safety stock sedang maka status inventory cost akan meningkat.
e. R5= if((kuantitas pesan="Sedang")*(safety stock="Banyak")*(Frekuensi pemesanan="Jarang"),"Tidak"
Dari rule ini diketahui bahwa jika kuantitas pesan sedang, safety stock banyak, dan frekuensi pemesanan jarang maka status inventory cost tidak meningkat.
f. R6= if((kuantitas pesan="Sedang"*(Safety stock="Banyak")*(Frekuensi pemesanan="Kadang-kadang"),"Iya"
Dari rule ini diketahui bahwa jika kuantitas pesan sedang, safety stock banyak, dan frekuensi pemesanan kadang-kadang maka status inventory cost akan meningkat.
g. R7= if((kuantitas pesan="Sedang")*(safety stock="Banyak")*(frekuensi pemesanan="Sering")*(Lead time="Sedang"),"Tidak"
Dari rule ini diketahui bahwa jika kuantitas pesan sedang, safety stock banyak, frekuensi pemesanan sering, dan leadtime sedang maka status inventory cost tidak meningkat.
h. R8= if((kuantitas pesan="Sedang")(*safety stock="Banyak")*(frekuensi pemesanan="Sering")*(Lead time="Lama"),"Tidak"
Dari rule ini diketahui bahwa jika kuantitas pesan sedang, safety stock banyak, frekuensi pemesanan sering, dan leadtime lama maka status inventory cost tidak meningkat.
i. R9= if((kuantitas pesan="Sedang")*(safety stock="Banyak")*(frekuensi pemesanan="Sering")*(Leadtime="Cepat")*(Persediaanawal="Sedikit"),"Tid ak"
Dari rule ini diketahui bahwa jika kuantitas pesan sedang, safety stock banyak, frekuensi pemesanan sering, leadtime cepat dan persediaan awal sedikit maka status inventory cost tidak meningkat.
j. R10= if((kuantitas pesan="Sedang")*(safety stock="Banyak")*(frekuensi pemesanan="Sering")*(Lead time="Cepat")*(Persediaan awal="Sedang"),"Iya"
Dari rule ini diketahui bahwa jika kuantitas pesan sedang, safety stock banyak, frekuensi pemesanan sering, leadtime cepat dan persediaan awal sedang maka status inventory cost akan meningkat.
k. R11= if((kuantitas pesan="Sedang")*(safety stock="Banyak")*(frekuensi pemesanan="Sering")*(Leadtime="Cepat")*(Persediaanawal="Banyak"),"Tid ak"
Dari rule ini diketahui bahwa jika kuantitas pesan sedang, safety stock banyak, frekuensi pemesanan sering, leadtime cepat dan persediaan awal banyak maka status inventory cost tidak meningkat.
Pada algoritma Naïve Bayes didapatkan hasil rule sebagai berikut
a. Atribut Presediaan awal dengan parameter “Sedikit” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.185 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.174
b. Atribut Presediaan awal dengan parameter “Sedang” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.592 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.564
c. Atribut Presediaan awal dengan parameter “Banyak” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.592 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.564
d. Atribut Kuantitas pesan dengan parameter “Sedikit” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.112 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.347
e. Atribut Kuantitas pesan dengan parameter “Banyak” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.555 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.347
f. Atribut Kuantitas pesan dengan parameter “Sedang” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.333 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.304
g. Atribut Leadtime dengan parameter “Cepat” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.148 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.304
h. Atribut Leadtime dengan parameter “Sedang” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.481 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.391
i. Atribut Leadtime dengan parameter “Lama” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.370 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.304
j. Atribut Frekuensi pemesanan dengan parameter “Sering” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.296 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.521
k. Atribut Frekuensi pemesanan dengan parameter “Kadang-kadang” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.370 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.347
l. Atribut Frekuensi pemesanan dengan parameter “Jarang” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.333 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.131
m. Atribut Safety stock dengan parameter “Sedikit” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.222 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.174
n. Atribut Safety stock dengan parameter “Sedang” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.555 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.521
o. Atribut Safety stock dengan parameter “Banyak” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.222 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.304
2. Pada output perhitungan akurasi untuk algorima tree decision dengan menggunakan Software Rapid Miner pada data test-set sebesar 40%. Hasil akurasi ini sedikit berbeda dengan hasil akurasi algoritma tree decision menggunakan Microsoft Excel yang hanya sebesar 34%. Sedangkan nilai akurasi yang didapat dari algoritma Naïve Bayes dengan menggunakan Software Rapid Miner pada data test-set adalah sebesar 42%. Dari hasil ini kita dapat mengetahui bahwa penggunaan algoritma Nive Bayes lebih baik dikarenakan hasil akurasi yang dihasilkan lebih besar dibandingkan menggunakan algoritma tree decision baik secara manual (Microsoft Excel ataupun menggunakan Rapid Miner)
5.2 Rekomendasi
Dari hasil study dan penelitian yang kami lakukan terdapat beberapa hal yang menyebabkan hasil study kami ini dirasa kurang sempurna dan masih banyak mengandung kesalahan. Oleh karena itu ada beberapa hal yang ingin kami sampaikan diantaranya
1. Untuk penelitian selanjutnya, kami berharap peneliti mampu menggunakan software lebih baik lagi sehingga kesalahan atau eror yang terjadi pada software khususnya penggunaan Rapid Miner dapat diminimalisir agar output yang dihasilkan dari proses komputasi software tidak jauh berbeda dari hasil perhitungan secara manual yang dilakuan dikarenakan proses perhitungan komputasi seharusnya merupakan suatu bentuk representative dari hasil perhitungan manual.
2. Untuk pihak perusahaan sendiri, dalam upaya melakukan prediksi terkait ada atau tidaknya peningkatan biaya pada inventory cost, perusahaan dapat mencoba metode metode yang dapat digunakan sebagai alat prediksi seperti tree decision ataupun Naïve bayes menyangkut atribut yang berhubungan dengan peningkatan biaya inventory cost seperti persediaan awal, kuantitas pemesanan barang, frekuensi pembelian, jumlah safety stock dan lama atau tidaknya lead time.
REFERENSI
Bertalya. (2009). Konsep Data Mining. Jakarta: Universitas Gunadarma
Han, Jiawei, Micheline Kamber. 2001. Data mining Concepts and. Techniques. Morgan Kaufmann Publisher.
Kasmir (2010), Analisis Laporan Keuangan, PT Raja Grafindo, Jakarta
Olson, D. L., & Delen, D. (2008). Advanced Data Mining Techniques. Springer-Verlag Berlin Heidelberg.
Santosa, Budi. 2007. Data Mining : Teknik Pemanfaatan Data untuk keperluan Bisnis. Graha Ilmu. Yogyakarta.
www.pengusahamuslim.com diakses pada 1 Juli 2015 www.tranfosmasi.net diakses pada 1 Juli 2015
