Perbaikan Kelompok Lama - PENGELOMPOKAN PEMASOK

BAB 5 PENGOLAHAN DATA

5.1 PENGELOMPOKAN PEMASOK

5.1.1 Perbaikan Kelompok Lama

BAB 5

PENGOLAHAN DATA

Pada bab 5 ini akan diuraikan proses pengolahan data dan perhitungan dalam penyelesaian masalah

5.1 Pengelompokan Pemasok

Pengelompokan pemasok ini bertujuan untuk menyederhanakan proses

selanjutnya yaitu penyusunan rute, sehingga penyelesaian routing problem akan

lebih sederhana.

5.1.1 Perbaikan Kelompok Lama

Pada proses ini akan digunakan algoritma K-Nearest Neighbor dengan data jarak antar pemasok. Data jarak antar pemasok ditunjukkan pada Lampiran 1 dan algoritma K-Nearest Neighbor (KNN) sudah dijelaskan pada Bab III, Subbab

3.2.1 pengelompokan supplier. Pengelompokan pemasok dengan algoritma

K-Nearest Neighbor ini dilakukan dengan bantuan perangkat lunak MatLab.

Kelompok pemasok sebelumnya sudah dilakukan PT X berdasarkan area dari masing-masing pemasok. Pengelompokkan ini tidak dilakukan dengan pertimbangan jarak secara secara detail. Sehingga dalam penyelesaian ini akan dilakukan pengelompokkan pemasok untuk beberapa pemasok yang tergolong baru dengan mengacu pada pengelompokan yang sudah dilakukan PT X. Dalam proses perhitungan selanjutnya hasil pengelompokan ini disebut kelompok perbaikan.

Dalam pengelompokan menggunakan metode klasifikasi KNN ini digunakan 23 data uji dan 57 data latih. 23 data uji tersebut adalah pemasok yang tergolong baru selama periode pengamatan. Selama ini 23 pemasok tersebut digolongkan kedalam kelompok pemasok yang areanya sama. Pada Gambar 5.1 berikut ini ditunjukkan klaster pemasok yang sudah ada dan digunakan oleh PT X dalam merencanakan rute setiap awal periode.

Gambar 5.1 Pemetaan Klaster Pemasok PT X (Data PT X)

Pada pengelompokkan dengan KNN ini akan diambil beberapa pemasok yang dikategorikan baru dan pemasok yang perlu dilakukan pengujian kembali kelompoknya dengan mempertimbangkan jaraknya terhadap beberapa tetangga terdekat (K). Proses pengelompokkan ini akan digunakan K=5 dengan jumlah kelompok yang sama yaitu Sembilan. Pemasok yang akan diuji sebanyak 23 pemasok yaitu JVC, SGT-TTEC, TBINA, SHIROKI, TAKATA-IN, FUTABA, PASI, DCCI, TRIA, MTAT, NIT, HOW, HLX, AOP, TRID, CHI, ADV, HER, TUFFINDO, SGT-TTEC, IR3, ADW/ADK dan ITG-2. Pemasok-pemasok

tersebut digunakan sebagai data testing dan 57 sisanya sebagai data training. Data

jarak untuk pengelompokkan ini terlampir pada Lampiran 3. Berikut ini adalah

perintahuntuk menjalankan algoritma KNN dalam program MatLab.

Pada Command window sebelumnya dimasukkan data input matriks jarak

dimana data pemasok testing pada baris (23) dan data pemasok training pada

kolom (57). Kemudian dibawahnya dimasukkan input label/kelompok dari

masing-masing data pemasok training.

Input

JARAK =[ data matriks jarak ]

LABEL = [ data lebel/kelompok data training]

function [hasil_testing]=KLMPK_SUPPLIER(K,JARAK,LABEL) [b k]=size(JARAK);

ASMO, ATL, DENSO AC, DSI cbt, GSEI, ICH, KYB, NHC, NTC, SEIWA, SGS, SII, TRI, SGT-TTEC,

TBINA 2

BANDO, GMU, IRC, AGP, IR3,

ITG, ISE

3 3MI, MES, DWA,

KFN, JVC

4 AOP, AMA, GSS,

IKP, TGS

5 MTM, ING, STEP, DLY, TSMU, AHI, AII, NIC, SJI,

ENK, SNH, SHIROKI, TAKATA-IN, AAA, PASI, DCCI, TRIA, MTAT, NIT,

HOW, FUTABA 6 KICI, KOITO, ASJ 7 PT X S, INK, DSI SUNTER, HLX 8 AOYAMA, CMWI, GSB, JTEKT, SGI, AOP,

TRID, ADV, HER, TUFFINDO, SGT-KATI,

CHI 9

IR3-2, ANGI, ATI, KBI, SIWS, TAIHO, ADW,

JL=[JARAK;LABEL]; hasil_testing=[];

for i=1:b

[a, idksort] = sort(JARAK(i,:));

[b, center] = hist(JL(25,idksort(1:K)),unique(LABEL)); [c, idkmax] = max(b); hasil_testing=[hasil_testing;idkmax]; end end keterangan

b = Ukuran baris matriks jarak k = Ukuran kolom matriks jarak JL = Matriks jarak dan label K = Jumlah tetangga

Perintah MatLab untuk KNN diatas untuk mendapatkan label kelompok

pada data testing berdasarkan jaraknya terhadap K=5 data training yang terdekat.

Baris kedua menunjukkan ukuran input matriks jarak dimana dalam kasus ini [b,k] = [23,57]. Baris ketiga berfungsi untuk menggabungkan label (nama

kelompok lama) pada matriks yaitu pada data training. Himpunan

penyelesaiannya disimpan dalam ‗hasil_testing‘. Baris kelima menggunakan fungsi ‗for‘ untuk memberikan perintah looping. Perintah looping-nya adalah

mengurutkan dari jarak terkecil ke terbesar pada setiap baris/data testing (baris 6),

lalu mengambil K=5 tetangga dengan jarak paling dekat dan mengecek masing-masing labelnya/kelompoknya (baris 7), kemudian mengambil label yang paling

banyak terisi oleh K=5 tetangga tersebut dan menempatkan pemasok testing

kedalamnya. Secara logika tiga langkah ini diulangi terus sampai semua pemasok

testing memiliki kelompok. Gambar 5.2 berikut ini adalah hasil dari

pengelompokan yang baru dengan mengacu pada hasil running KNN pada

Gambar 5.2 Pemetaan Klaster Pemasok Perbaikan (Hasil Pengolahan)

Dari hasil pengelompokkan baru yang ditunjukkan pada tabel 5.2 diatas terdapat beberapa perbedaan dengan kelompok yang sudah ada (klaster warna oranye). JVC yang awalnya di kelompok 3 (dominan bekasi) pindah ke kelompok 1 (dominan cibitung MM2100), dan CHI yang awalnya di kelompok 8 (dominan karawang timur) pindah ke kelompok 1. HLX pindah ke kelompok 5 (dominan cikarang) yang sebelumnya di kelompok 7 (Jakarta). SHIROKI, TAKATA-IN dan FUTABA pindah ke kelompok 9 (karawang barat) dimana sebelumnya pada kelompok 5. Tabel 5.1 berikut ini menunjukkan hasil perbaikan kelompok dengan perpindahan pemasoknya.

Tabel 5.1 Hasil Perpindahan Pemasok Perbaikan Klaster

Kelompok Dari Pemasok Area

1 _ASMO _{cibitung MM2100}

ATL cibitung MM2100 DENSO AC cibitung MM2100 DSI Cibitung cibitung MM2100 GSEI cibitung MM2100 ICH cibitung MM2100 KYB cibitung MM2100 NHC cibitung MM2100 NTC cibitung MM2100 SEIWA cibitung MM2100 1

ASMO, ATL, DENSO AC, DSI cbt, GSEI, ICH, KYB, NHC, NTC, SEIWA, SGS, SII, TRI, SGT-TTEC,

TBINA, JVC, CHI 2

BANDO, GMU, IRC, AGP, IR3,

ITG, ISE

3 3MI, MES, DWA,

KFN

4 AOP, AMA, GSS,

IKP, TGS

MTM, ING, STEP, DLY, TSMU, AHI, AII, NIC, SJI,

ENK, SNH, AAA, PASI, DCCI, TRIA, MTAT, NIT,

HOW, HLX 6 KICI, KOITO, ASJ 7 PT X S, INK, DSI SUNTER 8 AOYAMA, CMWI, GSB, JTEKT, SGI, AOP, TRID, ADV, HER, TUFFINDO,

SGT-KATI 9

IR3-2, ANGI, ATI, KBI, SIWS, TAIHO, ADW,

ITG-2, SHIROKI, TAKATA-IN, FUTABA

Tabel 5.1 Hasil Perpindahan Pemasok Perbaikan Klaster (Lanjutan)

Kelompok Dari Pemasok Area

1 _SGS _{cibitung MM2100} SII cibitung MM2100 TRI cibitung MM2100 SGT-TTEC cibitung MM2100 TBINA cibitung MM2100 3 JVC cibitung

8 CHI karawang timur

2 _BANDO _tangerang GMU tangerang IRC tangerang AGP tangerang IR3 tangerang ITG tangerang ISE tangerang 3 _3MI _bekasi MES bekasi KFN bekasi DWA bekasi 4 _AOP _bogor AMA bogor GSS bogor IKP bogor TGS bogor 5 _MTM _cikarang ING cikarang STEP cikarang DLY cikarang TSMU cikarang AHI cikarang AII cikarang NIC cikarang SJI cikarang ENK cikarang SNH cikarang AAA cikarang PASI cikarang DCCI cikarang TRIA cikarang MTAT cikarang NIT cikarang

Tabel 5.1 Hasil Perpindahan Pemasok Perbaikan Klaster (Lanjutan)

Kelompok Dari Pemasok Area

5 _HOW _cikarang 7 HLX cikarang 6 _KICI _cikampek KOITO cikampek ASJ cikampek 7 _{PT X S} _jakarta INK jakarta

DSI sunter jakarta

8 _AOYAMA _{karawang timur}

CMWI karawang timur GSB karawang timur JTEKT karawang timur SGI karawang timur AOP karawang timur TRID karawang timur ADV karawang timur HER karawang timur TUFFINDO karawang timur SGT-TTEC karawang timur

9 _{IR3 - 2} _{karawang barat}

ANGI karawang barat ATI karawang barat KBI karawang barat SIWS karawang barat TAIHO karawang barat ADW/ADK karawang barat ITG-2 karawang barat 5 SHIROKI cikarang 5 TAKATA-IN cikarang

5 FUTABA cikarang

Sumber : Hasil Analisa

Dari Tabel 5.1 diatas terlihat dengan jelas perubahan pada hasil

kelompok perbaikan dengan metode KNN. Kolom ‗Dari‘ menunjukkan asal

kelompok dari pemasok tersebut atau berada di kelompok mana pemasok tersebut pada klaster lama. Jika diamati perubahan yang terjadi berkisar pada area pemasok yang saling berdampingan.

Dalam dokumen Perencanaan pengiriman komponen pabrik otomotif untuk meningkatkan utilitas volume truk dan mengurangi biaya logistik - ITS Repository (Halaman 65-71)