• Tidak ada hasil yang ditemukan

Klasifikasi Data Mining id. docx

N/A
N/A
Protected

Academic year: 2018

Membagikan "Klasifikasi Data Mining id. docx"

Copied!
54
0
0

Teks penuh

(1)

BAB I

PENDAHULUAN

1.1 Deskripsi Permasalahan

Setiap perusahaan, apakah perusahaan itu perusahaan perdagangan ataupun perusahaan pabrik serta perusahaan jasa selalu mengadakan persediaan. Tanpa adanya persediaan, para pengusaha akan dihadapkan pada resiko bahwa perusahaannya pada suatu waktu tidak dapat memenuhi keinginan pelanggan yang memerlukan atau meminta barang/jasa. Persediaan diadakan apabila keuntungan yang diharapkan dari persediaan tersebut hendaknya lebih besar daripada biaya-biaya yang ditimbulkannya. Sebelum dijelaskan tentang pengertian persediaan, perlu dijelaskan juga bahwa istilah persediaan sama dengan istilah inventory. Persediaan merupakan bagian utama dari modal kerja, sebab dilihat dari jumlahnya biasanya persediaan inilah unsur kerja yang paling besar. Hal ini dapat dipahami karena persediaan merupakan faktor penting dalam menentukan kelancaran operasi perusahaan. Tanpa ada persediaan yang memadai kemungkinan perusahaan tidak bisa mendapatkan keuntungan yang diinginkan sebab proses produksi terganggu. Jadi persediaan merupakan sejumlah barang yang disediakan untuk memenuhi permintaan dari pelanggan. Dalam perusahaan perdagangan pada dasarnya hanya ada satu golongan inventory (persediaan), yang mempunyai sifat perputaran yang sama yaitu yang disebut “Merchandise Inventory” (persediaan barang dagangan). Persediaan ini merupakan persediaan barang yang selalu dalam perputaran, yang selalu dibeli dan dijual, yang tidak mengalami proses lebih lanjut didalam perusahaan tersebut yang mengakibatkan perubahan bentuk dari barang yang bersangkutan. (www.transformasi.net)

(2)

memenuhi keinginan dari para pelanggannya. Tentu saja kenyataan ini dapat berakibat buruk bagi perusahaan, karena secara tidak langsung perusahaan menjadi kehilangan kesempatan untuk memperoleh keuntungan yang seharusnya didapatkan. Dalam hal ini yang meliputi barang-barang milik perusahaan dengan maksud untuk dijual dalam suatu periode waktu tertentu atau persediaan barang-barang yang masih dalam pengerjaan atau proses produksi, ataupun persediaan bahan baku yang menunggu penggunaannya dalam suatu proses produksi Oleh karena itu persediaan sebaiknya dapat dikelola dengan baik. (www.pengusahamuslim.com)

Salah satu yang cukup penting berkaitan dengan persediaan adalah masalah biaya yang berkaitan dengan persediaan. Hal ini penting untuk diperhatikan karena akan berpengaruh lansung kepada nilai persediaan dan harga jual ke konsumen nantinya. Bukan tidak mungkin karena salah dalam mengelolah akan berakibat harga jual akan meningkat. Untuk itu perlu diketahui dulu biaya-biaya yang berkaitan dengan persediaan. Sedangkan biaya-biaya yang berkaitan dengan persediaan dapat dikelompokkan kedalam klasifikasi biaya antara lain pengelolaan sediaan, kekurangan sediaan, dan pemesanan dan penerimaan sediaan. Dari ketiga klasifikasi ini akan mengakibatkan tiga jenis baya sediaan, yaitu biaya pengelolaan (pemeliharaan), biaya pesan, dan total biaya sediaan. (Kasmir, 2010) Dalam penelitian ini ada 5 faktor yang mempengaruhi dalam peningkatan total inventory cost PT. ART yaitu persediaan awal, kuantitas pesan, leadtime, frekuensi, pemesanan, dan safety stock. Dengan pendekatan data mining yaitu menggunakan metode decision tree dan naive bayes akan dibuatkan model prediksi dimana model tersebut berfungsi sebagai prediksi dari status inventory cost. Decision tree digunakan untuk membagi kumpulan data yang besar menjadi himpunan-himpunan data yang lebih kecil dan naive bayes sendiri digunakan untuk menentukan probabilitas terjadinya peristiwa dimasa depan berdasarkan data yang telah ada sebelumnya.

(3)

Hery Purnomo yang memiliki judul “Pemetaan Kecelakaan Lalu Lintas Berbasis Klasifikasi Naive Bayes dengan Parameter Infrastruktur Jalan” perbedaan antara penelitian kami dengan penelitian ini yaitu pada penelitian ini hanya menggunakan naive bayes saja dan diterapkan untuk memetakan kecelakaan lalu lintas. Tujuan dari penelitian tersebut yaitu untuk memetakan kecelakaan lalu lintas yang terjadi dengan parameter infrastruktur di jalan itu sendir sedangkan hasil dari penelitian tersebut yaitu prediksi dengan Naive Bayes menunjukan bahwa tingkat akurasi rata-rata berkisar antara 29.3653% sampai dengan 78.0415%, ini menunjukan bahwa tidak semua infrastruktur jalan bisa digunakan sebagai parameter sebuah kecelakaan terjadi karena masih ada hasil prediksi yang berada di bawah 50%. Namun ini bukan merupakan hasil final yang langsung diimplementasikan. Prediksi kecelakaan lalu lintas ini masih merupakan penelitian yang sedang berjalan dan belum sepenuhnya selesai. Selain infrastruktur jalan, masih ada hal lain yang menjadi target, antara lain dari sisi kendaraan yang mengalami kecelakaan, manusia yang mengemudikan kendaraan tersebut, dan cuaca dimana kecelakaan itu terjadi. Penelitian lebih lanjut sangat diperlukan untuk melihat seberapa besar korelasi antara target-target tersebut dengan kecelakaan lalu lintas.

(4)

Bayes menghasilkan akurasi 99.9799 %. Berdasarkan uji coba yang telah dilakukan, diperoleh bahwa Decision Tree J48 memberikan hasil akurasi sedikit lebih baik dari Naive Bayes dengan selisih akurasi 0,0189%. Namun demikian, secara umum metode Decision Tree dan Naive Bayes sama-sama memiliki akurasi yang baik dalam melakukan klasifikasi kemiripan data pasien.

1.2 Rumusan Masalah

Rumusan masalah pada penelitian ini adalah:

1. Bagaimanakah hasil rule yang terbentuk dari analisis klasifikasi pada peningkatan total inventory cost menggunakan algoritma Decision Tree dan Naïve Bayes?

2. Bagaimana perbandingan hasil prediksi menggunakan algoritma Decision Tree dan Naïve Bayes?

1.3 Tujuan Penelitian

Tujuan penelitian pada penelitian ini adalah:

1. Untuk mengetahui hasil rule yang terbentuk dari analisis klasifikasi pada peningkatan total inventory cost menggunakan algoritma Decision Tree dan Naïve Bayes.

(5)

BAB II

TINJAUAN PUSTAKA

2.1 Kajian Deduktif 2.1.1 Klasifikasi

Klasifikasi menurut Bertalya (2009) adalah suatu proses untuk menyatakan suatu objek ke salah satu kategori yang sudah didefinisikan sebelumnya. Proses pembelajaran fungsi target (model klasifikasi) yang memetakan setiap sekumpulan atribut x (input) ke salah satu klas y yang didefinisikan sebelumnya. Inputnya adalah sekumpulan record (training set) dari setiap record tersebut terdiri atas sekumpulan atribut, salah satu atribut adalah klas. Mencari model utk atribut klas sebagai fungsi dari nilai-nilai untuk atribut yang lain. Model klasifikasi digunakan untuk:

1. Pemodelan deskriptif sebagai perangkat penggambaran untuk membedakan objek-objek dari klas berbeda.

2. Pemodelan prediktif digunakan untuk memprediksi label klas untuk record yang tidak diketahui atau tidak dikenal.

Klasifikasi dalam data mining bekerja pada data historis atau data sejarah. Data historis disebut data latihan atau training data. Histori data digunakan sebagai cara mendapatkan pengetahuan dan disebut data pengalaman. Secara sederhana ada 3 proses pemecahan masalah klasifikasi diantaranya:

1. Data historis atau data pengalaman

2. Data historis akan diproses menggunakan algoritma klasifikasi

3. Klassifikasi menghasilkan pengetahuan yang dipresentasikan dalam bentuk diagram pohon keputusan”decission tree”.

Tahapan dari klasifikasi dalam data mining terdiri dari:

(6)

dihadapi, training set ini sudah mempunyai informasi yang lengkap baik attribut maupun classnya.

2. Penerapan model, pada tahapan ini model yang sudah dibangun sebelumnya digunakan untuk menentukan attribut / class dari sebuah data baru yang attribut / class-nya belum diketahui sebelumnya.

3. Evaluasi, pada tahapan ini hasil dari penerapan model pada tahapan sebelumnya dievaluasi menggunakan parameter terukur untuk menentukan apakah model tersebut dapat diterima.

2.1.2 Decision Tree

Decision Tree adalah sebuah struktur pohon, dimana setiap node pohon merepresentasikan atribut yang telah diuji, setiap cabang merupakan suatu pembagian hasil uji, dan node daun (leaf) merepresentasikan kelompok kelas tertentu. Level node teratas dari sebuah Decision Tree adalah node akar (root) yang biasanya berupa atribut yang paling memiliki pengaruh terbesar pada suatu kelas tertentu. Pada umumnya Decision Tree melakukan strategi pencarian secara top-down untuk solusinya. Pada proses mengklasifikasi data yang tidak diketahui, nilai atribut akan diuji dengan cara melacak jalur dari node akar (root) sampai node akhir (daun) dan kemudian akan diprediksi kelas yang dimiliki oleh suatu data baru tertentu. Secara singkat bahwa Decision Tree merupakan salah satu metode klasifikasi pada Text Mining. Klasifikasi adalah proses menemukan kumpulan pola atau fungsi-fungsi yang mendeskripsikan dan memisahkan kelas data satu dengan lainnya, untuk dapat digunakan untuk memprediksi data yang belum memiliki kelas data tertentu (Jianwei Han, 2001).

Jika suatu set data mempunyai beberapa pengamatan dengan missing value yaitu record dengan beberapa nilai variabel tidak ada, Jika jumlah pengamatan terbatas maka atribut dengan missing value dapat diganti dengan nilai rata-rata dari variabel yang bersangkutan. (Santosa, 2007)

(7)

perlu menghitung dulu nilai informasi dalam satuan bits dari suatu kumpulan objek. Cara menghitungnya dilakukan dengan menggunakan konsep entropy.

Gambar 2.1 Rumus Entropy

Kemudian menghitung perolehan informasi dari output data atau variabel dependent y yang dikelompokkan berdasarkan atribut A, dinotasikan dengan gain (y,A). Perolehan informasi, gain (y,A), dari atribut A relative terhadap output data y adalah:

Gambar 2.2 Rumus Information Gain

nilai (A) adalah semua nilai yang mungkin dari atribut A, dan yc adalah subset dari y dimana A mempunyai nilai c. Term pertama dalam persamaan diatas adalah entropy total y dan term kedua adalah entropy sesudah dilakukan pemisahan data berdasarkan atribut A.

2.1.3 Naïve Bayes

Teorema Bayes dikemukakan oleh seorang pendeta presbyterian Inggris pada tahun 1763 yang bernama Thomas Bayes. Teorema Bayes digunakan untuk menghitung probabilitas terjadinya suatu peristiwa berdasarkan pengaruh yang didapat dari hasil observasi. Algoritma bayes mempelajari kejadian-kejadian dari rekaman database dengan cara memperhitungkan korelasi antara variabel yang dianalisa dengan variabel-variabel lainnya. Hasilnya adalah kita dapat memprediksi sesuatu, misalnya apakah seseorang berasal dari golongan tertentu berdasarkan variabel-variabel yang melekat padanya. Selain itu, naive bayes dapat juga menganalisa variabel-variabel yang paling mempengaruhinya dalam bentuk peluang. (Olson Delen, 2008)

(8)

2. Kokoh untuk titik noise yang diisolasi, misalkan titik yang dirata – ratakan ketika mengestimasi peluang bersyarat data.

3. Hanya memerlukan sejumlah kecil data pelatihan untuk mengestimasi parameter (rata-rata dan variansi dari variabel) yang dibutuhkan untuk klasifikasi.

4. Menangani nilai yang hilang dengan mengabaikan instansi selama perhitungan estimasi peluang.

5. Cepat dan efisiensi ruang.

6. Kokoh terhadap atribut yang tidak relevan. Kekurangan Naive Bayesian :

1. Tidak berlaku jika probabilitas kondisionalnya adalah nol, apabila nol maka probabilitas prediksi akan bernilai nol juga.

2. Mengasumsikan variabel bebas.

2.2 Kajian Induktif

(9)

mengemudikan kendaraan tersebut, dan cuaca dimana kecelakaan itu terjadi. Penelitian lebih lanjut sangat diperlukan untuk melihat seberapa besar korelasi antara target-target tersebut dengan kecelakaan lalu lintas.

(10)

BAB III

METODE PENELITIAN

3.1 Objek Penelitian

Pada penelitian ini tempat yang dijadikan objek penelitian yaitu sebuah perusahaan yang bernama PT. ART

3.2 Metode Pengumpulan Data

Metode pengumpulan data yang digunakan dalam penelitian ini adalah penelitian observasi kemudian hasil dari data yang telah didapatkan asisten pembimbing memberikannya kepada praktikan.

3.3 Jenis Data

(11)

3.4 Alur Penelitian

Gambar 3.1 Diagram Alur Penelitian Mulai

Transformasi data

Menentukan

training set & test set

Pengolahan data dengan decision tree

& naive bayes

Output rule

Analisis Hasil

(12)

Penjelasan dari diagram alir diatas adalah sebagai berikut:

1. Memulai penelitian dengan melakukan transformasi data sehingga akan didapatkan data yang sudah dikurangi tingkat komplektisitasnya yang kemudian akan memudahkan proses pengolahan karena ukuran data yang diproses sudah menjadi lebih kecil.

2. Melakukan pemilihan training set dan test set yaitu dari 100 data yang ada 1-50 dijadikan sebagai training set sedangkan sisanya 51-100 dijadikan sebagai test set.

3. Setelah itu dilanjutkan untuk pengolahan data dimana yang pertama melakukan pengolahan algoritma decision tree secara manual dengan menggunakan software Ms. Excel dan kemudian secara otomatis untuk decision tree dan naive bayes dengan bantuan software Rapid Miner.

4. Hasil dari pengolahan data yang sudah dilakukan akan ditentukan rule yang terbentuk untuk memberikan suatu keputusan dari kedua algoritma.

(13)

BAB IV

HASIL DAN PEMBAHASAN

4.1 Prepocessing Data 4.1.1 Data Historis

Berdasarkan studi kasus yang diberikan menyangkut prediksi status Inventory cost pada PT. ART apakah terjadi peningkatan atau tidak berdasarkan 5 faktor utama seperti persediaan awal, kuantitas pesan, leadtime, frekuensi pemesanan dan safety stock diketahui data hsitoris seperti pada tabel berikut

Tabel 4. 1 Data Historis

Kode

1 1236 8629 5 16 1289 Tidak

2 2127 11618 8 14 1949 Ya

3 1246 11074 15 7 1715 Tidak

4 2075 9472 15 20 2860 Tidak

5 2377 11791 9 7 1631 Tidak

6 2131 9779 5 10 2564 Ya

7 2563 10005 7 16 2920 Tidak

8 1747 8779 12 12 2462 Ya

9 2588 11045 11 16 2521 Tidak

10 2915 8251 13 10 1926 Ya

11 2300 10540 13 12 1387 Tidak

12 2764 11328 11 10 1734 Ya

13 1918 11530 12 4 2183 Tidak

14 1368 8457 7 22 1343 Ya

15 1835 11676 8 10 1003 Tidak

16 1382 8369 13 18 1227 Ya

17 1293 10271 8 17 1877 Ya

18 2040 9729 13 16 1011 Tidak

19 1773 11838 12 10 2333 Tidak

(14)

Kode

22 1721 11234 8 5 1946 Tidak

23 2973 10616 14 20 2522 Ya

24 1058 11772 15 13 2088 Tidak

25 1516 11780 15 20 2779 Ya

26 2704 11883 8 5 2658 Tidak

27 1779 9364 8 6 2192 Tidak

28 2480 9788 12 16 2939 Tidak

29 1554 9076 7 5 2915 Tidak

30 2770 8328 9 16 2814 Ya

31 2413 8597 6 11 1325 Ya

32 2425 9035 8 9 1776 Ya

33 1445 11755 10 16 2897 Ya

34 1637 9750 5 9 1802 Ya

35 2890 10646 6 13 1633 Tidak

36 1904 9276 5 11 1522 Ya

37 2570 10782 12 20 1957 Ya

38 1874 10207 7 16 2622 Ya

39 2683 8471 9 5 1628 Tidak

40 2150 9351 12 10 1540 Ya

41 1862 10083 10 15 1864 Tidak

42 1568 8514 5 17 1533 Ya

43 1313 10641 13 7 1983 Tidak

44 1501 11225 15 14 2343 Tidak

45 2501 9770 8 16 1214 Tidak

46 1924 8817 15 15 1752 Tidak

47 2734 11411 15 16 1803 Ya

48 2140 11770 15 16 2180 Tidak

49 2234 11314 13 11 2352 Tidak

50 1227 9187 11 15 1406 Tidak

51 1581 8699 15 17 2146 Ya

52 1476 9056 9 6 1382 Ya

53 1538 11970 6 16 1066 Tidak

54 1749 10668 12 5 2602 Ya

(15)

Kode

56 2795 8424 10 22 1557 Tidak

57 1151 11756 15 4 2165 Ya

58 1214 11013 9 8 2562 Tidak

59 2594 8689 12 9 2702 Tidak

60 1734 8315 8 11 1824 Tidak

61 2922 10255 11 12 2716 Tidak

62 2128 10547 8 4 1641 Ya

63 2564 9632 15 6 2506 Ya

64 1194 8366 12 20 2952 Ya

65 1633 11040 6 16 1145 Tidak

66 1231 9073 14 10 2409 Tidak

67 2370 10325 13 14 2662 Ya

68 1157 8010 5 15 2001 Tidak

69 2600 9552 14 6 1928 Tidak

70 2998 11122 6 12 2787 Ya

71 2734 10176 15 13 2491 Tidak

72 2812 9893 13 13 2645 Ya

73 1009 10187 11 7 2484 Ya

74 2569 11076 6 13 1790 Ya

75 2000 9709 10 16 1370 Tidak

76 2143 10482 5 16 1944 Tidak

77 2928 11804 8 15 1706 Ya

78 2582 8116 13 5 1757 Tidak

79 1886 11891 13 9 1102 Tidak

80 1221 10254 5 15 1297 Ya

81 2526 9721 10 15 1735 Ya

82 1803 9476 14 13 2188 Tidak

83 2331 8323 14 7 1901 Tidak

84 2753 9840 14 13 1816 Tidak

85 2808 8673 13 20 2556 Ya

86 2591 9968 10 16 2188 Tidak

87 1308 8165 15 7 1455 Ya

88 2850 11852 13 9 2044 Ya

89 1564 11080 5 20 2383 Ya

(16)

Kode

91 1064 9530 7 12 2699 Tidak

92 2467 10703 6 17 1794 Tidak

93 1370 10462 10 10 2924 Ya

94 1775 8105 12 7 2905 Tidak

95 1864 8956 5 16 1910 Tidak

96 2816 11630 5 16 2219 Ya

97 1737 11569 7 12 2379 Tidak

98 1087 9278 12 16 2421 Tidak

99 2477 9790 12 11 2150 Ya

100 2772 11168 12 22 2393 Ya

4.1.2 Transformasi Data

Untuk memproses data menjadi training set maka diperlukan transformasi data berdasarkan aturan transformasi yang diberikan pada studi kasus seperti pada tabel berikut

Tabel 4. 2 Aturan Trasnformasi

Aturan Transformasi Kategori Range Persediaan Awal Sedikit < 1500

Sedang 1500 - 2500

Frekuensi Pemesanan Jarang < 10 Kadang-kadang 10 - 15

Sering > 15

Safety stock Sedikit < 1500

(17)

Banyak > 2500

Dari aturan yang telah diberikan maka didapatkan transformasi data seperti pada tabel berikut

Tabel 4. 3 Data Transformasi

Kode

1 Sedikit Sedikit Cepat Sering Sedikit Tidak

2 Sedang Banyak Sedang Kadang-kadang Sedang Ya

3 Sedikit Banyak Lama Jarang Sedang Tidak

4 Sedang Sedang Lama Sering Banyak Tidak

5 Sedang Banyak Sedang Jarang Sedang Tidak

6 Sedang Sedang Cepat Kadang-kadang Banyak Ya

7 Banyak Sedang Cepat Sering Banyak Tidak

8 Sedang Sedikit Sedang Kadang-kadang Sedang Ya

9 Banyak Banyak Sedang Sering Banyak Tidak

10 Banyak Sedikit Lama Kadang-kadang Sedang Ya

11 Sedang Banyak Lama Kadang-kadang Sedikit Tidak

12 Banyak Banyak Sedang Kadang-kadang Sedang Ya

13 Sedang Banyak Sedang Jarang Sedang Tidak

14 Sedikit Sedikit Cepat Sering Sedikit Ya

15 Sedang Banyak Sedang Kadang-kadang Sedikit Tidak

16 Sedikit Sedikit Lama Sering Sedikit Ya

17 Sedikit Sedang Sedang Sering Sedang Ya

18 Sedang Sedang Lama Sering Sedikit Tidak

19 Sedang Banyak Sedang Kadang-kadang Sedang Tidak

20 Sedang Sedikit Lama Sering Banyak Ya

21 Sedang Banyak Lama Jarang Sedikit Ya

22 Sedang Banyak Sedang Jarang Sedang Tidak

23 Banyak Banyak Lama Sering Banyak Ya

24 Sedikit Banyak Lama Kadang-kadang Sedang Tidak

25 Sedang Banyak Lama Sering Banyak Ya

26 Banyak Banyak Sedang Jarang Banyak Tidak

27 Sedang Sedang Sedang Jarang Sedang Tidak

28 Sedang Sedang Sedang Sering Banyak Tidak

(18)

30 Banyak Sedikit Sedang Sering Banyak Ya

31 Sedang Sedikit Cepat Kadang-kadang Sedikit Ya

32 Sedang Sedang Sedang Jarang Sedang Ya

33 Sedikit Banyak Sedang Sering Banyak Ya

34 Sedang Sedang Cepat Jarang Sedang Ya

35 Banyak Banyak Cepat Kadang-kadang Sedang Tidak

36 Sedang Sedang Cepat Kadang-kadang Sedang Ya

37 Banyak Banyak Sedang Sering Sedang Ya

38 Sedang Sedang Cepat Sering Banyak Ya

39 Banyak Sedikit Sedang Jarang Sedang Tidak

40 Sedang Sedang Sedang Kadang-kadang Sedang Ya

41 Sedang Sedang Sedang Kadang-kadang Sedang Tidak

42 Sedang Sedikit Cepat Sering Sedang Ya

43 Sedikit Banyak Lama Jarang Sedang Tidak

44 Sedang Banyak Lama Kadang-kadang Sedang Tidak

45 Banyak Sedang Sedang Sering Sedikit Tidak

46 Sedang Sedikit Lama Kadang-kadang Sedang Tidak

47 Banyak Banyak Lama Sering Sedang Ya

48 Sedang Banyak Lama Sering Sedang Tidak

49 Sedang Banyak Lama Kadang-kadang Sedang Tidak

50 Sedikit Sedang Sedang Kadang-kadang Sedikit Tidak

51 Sedang Sedikit Lama Sering Sedang Ya

52 Sedikit Sedang Sedang Jarang Sedikit Ya

53 Sedang Banyak Cepat Sering Sedikit Tidak

54 Sedang Banyak Sedang Jarang Banyak Ya

55 Banyak Sedikit Cepat Jarang Sedang Tidak

56 Banyak Sedikit Sedang Sering Sedang Tidak

57 Sedikit Banyak Lama Jarang Sedang Ya

58 Sedikit Banyak Sedang Jarang Banyak Tidak

59 Banyak Sedikit Sedang Jarang Banyak Tidak

60 Sedang Sedikit Sedang Kadang-kadang Sedang Tidak

61 Banyak Sedang Sedang Kadang-kadang Banyak Tidak

62 Sedang Banyak Sedang Jarang Sedang Ya

63 Banyak Sedang Lama Jarang Banyak Ya

64 Sedikit Sedikit Sedang Sering Banyak Ya

65 Sedang Banyak Cepat Sering Sedikit Tidak

66 Sedikit Sedang Lama Kadang-kadang Sedang Tidak

(19)

68 Sedikit Sedikit Cepat Kadang-kadang Sedang Tidak

69 Banyak Sedang Lama Jarang Sedang Tidak

70 Banyak Banyak Cepat Kadang-kadang Banyak Ya

71 Banyak Sedang Lama Kadang-kadang Sedang Tidak

72 Banyak Sedang Lama Kadang-kadang Banyak Ya

73 Sedikit Sedang Sedang Jarang Sedang Ya

74 Banyak Banyak Cepat Kadang-kadang Sedang Ya

75 Sedang Sedang Sedang Sering Sedikit Tidak

76 Sedang Sedang Cepat Sering Sedang Tidak

77 Banyak Banyak Sedang Kadang-kadang Sedang Ya

78 Banyak Sedikit Lama Jarang Sedang Tidak

79 Sedang Banyak Lama Jarang Sedikit Tidak

80 Sedikit Sedang Cepat Kadang-kadang Sedikit Ya

81 Banyak Sedang Sedang Kadang-kadang Sedang Ya

82 Sedang Sedang Lama Kadang-kadang Sedang Tidak

83 Sedang Sedikit Lama Jarang Sedang Tidak

84 Banyak Sedang Lama Kadang-kadang Sedang Tidak

85 Banyak Sedikit Lama Sering Banyak Ya

86 Banyak Sedang Sedang Sering Sedang Tidak

87 Sedikit Sedikit Lama Jarang Sedikit Ya

88 Banyak Banyak Lama Jarang Sedang Ya

89 Sedang Banyak Cepat Sering Sedang Ya

90 Sedang Banyak Sedang Jarang Sedang Ya

91 Sedikit Sedang Cepat Kadang-kadang Banyak Tidak

92 Sedang Banyak Cepat Sering Sedang Tidak

93 Sedikit Sedang Sedang Kadang-kadang Banyak Ya

94 Sedang Sedikit Sedang Jarang Banyak Tidak

95 Sedang Sedikit Cepat Sering Sedang Tidak

96 Banyak Banyak Cepat Sering Sedang Ya

97 Sedang Banyak Cepat Kadang-kadang Sedang Tidak

98 Sedikit Sedang Sedang Sering Sedang Tidak

99 Sedang Sedang Sedang Kadang-kadang Sedang Ya

100 Banyak Banyak Sedang Sering Sedang Ya

4.2 If-Then Rule dari Hasil Klasifikasi 4.2.1 Decision tree

(20)

Dari hasil pengolahan data training-set menggunakan Microsoft Excel maka didapatkan hasil perhitungan information gain, rule, pohon keputusan, dan akurasi prediksi seperti pada output output berikut

Perhitungan RootNode

Tabel 4. 4 Perhitungan Atribut Persediaan Awal untuk Roor Node

Persedia

Sedikit Tidak 5 9 Q

1

Sedang Tidak 16 29 Q

2

0.9922 67

Iya 13

Banyak Tidak 6 12 Q

3 1

Iya 6

Total 50

Tabel 4. 5 Perhitungan Atribut Kuantitas Pesan untuk Root Node

Kuantitas

Sedikit Tidak 3 11 Q

1

Sedang Tidak 9 16 Q

2

0.9886 99

Iya 7

Banyak Tidak 15 23 Q

3

0.93211 2

(21)

Total 50

Tabel 4. 6 Perhitungan Atribut Leadtime untuk Root Node

Leadtime Status Jumlah

Sedang Tidak 13 22 Q

2

Tabel 4. 7 Perhitungan Atribut Frekuensi Pesan untuk Root Node

Frekuensi

Jarang Tidak 9 12 Q

1

Sering Tidak 8 20 Q

3

0.970 951

Iya 12

Total 50

Tabel 4. 8 Perhitungan Atribut Safety stock untuk Root Node

Safety

Sedikit Tidak 6 10 Q

1

Sedang Tidak 15 27 Q

2

0.991 076

(22)

Banyak Tidak 6 13 Q

Dari hasil perhitungan root node diatas diketahui bahwa atribut kuantitas pesan mempunyai nilai information gain yang paling besar dengan nilai sebesar 0.064246101 sehingga atribut kuantitas pesan menjadi root node dari pohon keputusan yang terbentuk.

Perhitungan Internal Node 1

Tabel 4. 9 Perhitungan Atribut Persediaan Awal untuk InternalNode 1

Persediaan

Sedikit Tidak 1 2 Q

1 1

Sedang Tidak 6 12 Q

2 1

Tabel 4. 10 Perhitungan Atribut Leadtime untuk InternalNode 1

(23)

Tabel 4. 11 Perhitungan Atribut Frekuensi Pemesanan untuk InternalNode 1

Sering Tidak 5 7 Q3 0.863121

Iya 2

Total 16

Tabel 4. 12 Perhitungan Atribut Safety stock untuk InternalNode 1

Safety stock Status Jumlah

Sedang Tidak 2 7 Q2 0.863121

Iya 5

Banyak Tidak 4 6 Q3 0.918296

Iya 2

Total 16

Dari hasil perhitungan internal node 1 diatas diketahui bahwa atribut safety stock mempunyai nilai information gain yang paling besar yaitu dengan nilai sebesar 0.266723222 sehingga safety stock menjadi internal node pertama dari pohon keputusan yang terbentuk.

(24)

Tabel 4. 13 Perhitungan Atribut Persediaan Awal untuk InternalNode 2

Sedikit Tidak 0 0 Q

1

Tabel 4. 14 Perhitungan Atribut Leadtime untuk InternalNode 2

Leadtime Status Jumlah Record

Tabel 4. 15 Perhitungan Atribut Frekuensi Pemesanan untuk InternalNode 2

Frekuensi

Sering Tidak 3 4 Q3 0.811278

Iya 1

(25)

Dari hasil perhitungan internal node 2 diatas diketahui bahwa atribut frekuensi pemesanan mempunyai nilai information gain yang paling besar yaitu dengan nilai sebesar 0.377443751sehingga frekuensi pemesanan menjadi internal node kedua dari pohon keputusan yang terbentuk.

Perhitungan Internal Node 3

Tabel 4. 16 Perhitungan Atribut Persediaan Awal untuk InternalNode 3

Persediaan

Sedang Tidak 2 3 Q2 0.918296

Iya 1

Banyak Tidak 1 1 Q3 0

Iya 0

Total 4

Tabel 4. 17 Perhitungan Atribut Leadtime untuk InternalNode 3

Leadtime Status Jumlah

Record dalam Instance

Q Entropy InformasiNilai Informationgain

(26)

Perhitungan Leaf Node

Tabel 4. 18 Perhitungan Atribut Persediaan Awal untuk InternalNode 3

Persediaan

Setelah tahap perhitungan untuk menentukan root node, internal node, dan leaf node selesai dilakukan maka akan didapatkan rule rule yang nantinya akan menjadi panduan kita dalam membuat pohon keputusan dari data yang diolah. Hasil rule yang didapat adalah sebagai berikut

Hasil Rule yang Terbentuk

1. R1= if(kuantitas pesan="Sedikit","Iya"

Dari rule ini diketahui bahwa jika kuantitas pesan sedikit maka status inventory cost akan meningkat.

2. R2= if(kuantitas pesan="Banyak","Tidak"

Dari rule ini diketahui bahwa jika kuantitas pesan banyak maka status inventory cost tidak meningkat.

3. 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.

(27)

Dari rule ini diketahui bahwa jika kuantitas pesan sedang dan safety stock sedang maka status inventory cost akan meningkat.

5. 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.

6. 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.

7. 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.

8. 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.

(28)

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.

10. 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.

11. R11= if((kuantitas pesan="Sedang")*(safety stock="Banyak")*(frekuensi pemesanan="Sering")*(Leadtime="Cepat")*(Persediaanawal="Banyak"),"Tidak" 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.

(29)

Gambar 4. 1 Pohon Keputusan yang Terbentuk

Pada gambar diatas kita dapat mengetahui susunan pohon keputusan yang terbentuk berdasarkan hasil rule yang didapat. Pada pohon keputusan, atribut yang menjadi root nodenya adalah kuantitas pesan, sedangkan yang menjadi internal nodenya yaitu safety stock, frekuensi pemesanan dan leadtime. Penjelasan pengambilan keputusan yang dapat dijelaskan dari pohon keputusan tersebut adalah sebagai berikut

1. Jika kuantitas pesan sedikit maka status inventory cost akan meningkat. 2. Jika kuantitas pesan banyak maka status inventory cost tidak meningkat.

3. Jika kuantitas pesan sedang dan safety stock sedikit maka status inventory cost tidak meningkat

4. Jika kuantitas pesan sedang dan safety stock sedang maka status inventory cost akan meningkat

(Tidak) Safety stock sedang (Iya) Safety stock sedang

(Iya) Safety stock banyak Safety stock

(30)

5. Jika kuantitas pesan sedang, safety stock banyak, dan frekuensi pemesanan jarang maka status inventory cost tidak meningkat

6. Jika kuantitas pesan sedang, safety stock banyak, dan frekuensi pemesanan kadang-kadang maka status inventory cost akan meningkat

7. Jika kuantitas pesan sedang, safety stock banyak, frekuensi pemesanan sering, dan leadtime sedang maka status inventory cost tidak meningkat

8. Jika kuantitas pesan sedang, safety stock banyak, frekuensi pemesanan sering, dan leadtime lama maka status inventory cost tidak meningkat

9. Jika kuantitas pesan sedang, safety stock banyak, frekuensi pemesanan sering, leadtime cepat dan persediaan awal sedikit maka status inventory cost tidak meningkat 10. Jika kuantitas pesan sedang, safety stock banyak, frekuensi pemesanan sering, leadtime cepat dan persediaan awal sedang maka status inventory cost akan meningkat 11. Jika kuantitas pesan sedang, safety stock banyak, frekuensi pemesanan sering, leadtime cepat dan persediaan awal banyak maka status inventory cost tidak meningkat

Perhitungan Akurasi

Tabel 4. 19 Perhitungan Akurasi Algoritma Decision tree Menggunakan Microsoft Excel

Kode

51 Sedang Sedikit Lama Sering Sedang Ya Iya

52 Sedikit Sedang Sedang Jarang Sedikit Ya Tidak

(31)

Kode

54 Sedang Banyak Sedang Jarang Banyak Ya Tidak

55 Banyak Sedikit Cepat Jarang Sedang Tidak Iya

56 Banyak Sedikit Sedang Sering Sedang Tidak Iya

57 Sedikit Banyak Lama Jarang Sedang Ya Tidak

58 Sedikit Banyak Sedang Jarang Banyak Tidak Tidak

59 Banyak Sedikit Sedang Jarang Banyak Tidak Iya

60 Sedang Sedikit Sedang

Kadang-kadang

Sedang Tidak Iya

61 Banyak Sedang Sedang

Kadang-kadang

Banyak Tidak Iya

62 Sedang Banyak Sedang Jarang Sedang Ya Tidak

63 Banyak Sedang Lama Jarang Banyak Ya Tidak

64 Sedikit Sedikit Sedang Sering Banyak Ya Iya

65 Sedang Banyak Cepat Sering Sedikit Tidak Tidak

66 Sedikit Sedang Lama

Kadang-kadang

Sedang Tidak Iya

67 Sedang Sedang Lama

Kadang-kadang

Banyak Ya Iya

68 Sedikit Sedikit Cepat

Kadang-kadang

Sedang Tidak Iya

69 Banyak Sedang Lama Jarang Sedang Tidak Iya

70 Banyak Banyak Cepat

Kadang-kadang

Banyak Ya Tidak

71 Banyak Sedang Lama

Kadang-kadang

Sedang Tidak Iya

72 Banyak Sedang Lama

Kadang-kadang

Banyak Ya Iya

73 Sedikit Sedang Sedang Jarang Sedang Ya Iya

74 Banyak Banyak Cepat

Kadang-kadang

Sedang Ya Tidak

75 Sedang Sedang Sedang Sering Sedikit Tidak Tidak

(32)

Kode

77 Banyak Banyak Sedang

Kadang-kadang

Sedang Ya Tidak

78 Banyak Sedikit Lama Jarang Sedang Tidak Iya

79 Sedang Banyak Lama Jarang Sedikit Tidak Tidak

80 Sedikit Sedang Cepat

Kadang-kadang

Sedikit Ya Tidak

81 Banyak Sedang Sedang

Kadang-kadang

Sedang Ya Iya

82 Sedang Sedang Lama

Kadang-kadang

Sedang Tidak Iya

83 Sedang Sedikit Lama Jarang Sedang Tidak Iya

84 Banyak Sedang Lama

Kadang-kadang

Sedang Tidak Iya

85 Banyak Sedikit Lama Sering Banyak Ya Iya

86 Banyak Sedang Sedang Sering Sedang Tidak Iya

87 Sedikit Sedikit Lama Jarang Sedikit Ya Iya

88 Banyak Banyak Lama Jarang Sedang Ya Tidak

89 Sedang Banyak Cepat Sering Sedang Ya Tidak

90 Sedang Banyak Sedang Jarang Sedang Ya Tidak

91 Sedikit Sedang Cepat

Kadang-kadang

Banyak Tidak Iya

92 Sedang Banyak Cepat Sering Sedang Tidak Tidak

93 Sedikit Sedang Sedang

Kadang-kadang

Banyak Ya Iya

94 Sedang Sedikit Sedang Jarang Banyak Tidak Iya

95 Sedang Sedikit Cepat Sering Sedang Tidak Iya

96 Banyak Banyak Cepat Sering Sedang Ya Tidak

97 Sedang Banyak Cepat

Kadang-kadang

Sedang Tidak Tidak

98 Sedikit Sedang Sedang Sering Sedang Tidak Iya

99 Sedang Sedang Sedang

Kadang-kadang

Sedang Ya Iya

(33)

Tabel 4. 20 Perhitungan Akurasi dan Eror

Eror 0.66 66%

Akuras i

0.34 34%

Berdasarkan hasil perhitungan akurasi menggunakan data test-set dari dari transformasi yang terbentuk sebelumnya, didapatkan nilai akurasi sebesar 34% dan nilai eror sebesar 66% sehingga nilai akurasi < nilai eror yang berarti data yang digunakan untuk memprediksi training-set tidak akurat dan tidak dapat digunakan untuk meprediksi ada atau tidaknya peningkatan yang terjadi pada inventory cost PT. ART.

4.2.1.2 Rapid Miner

(34)
(35)

Gambar 4. 3 OutputDecision tree Pada Rapid Miner

(36)

Gambar 4. 4 Output Akurasi Algoritma Tree decision dengan Rapid Miner

Pada output di atas diketahui nilai akurasi 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%. Pada output diatas diketahui prediksi “Ya” akan terjadi peningkatan inventory cost dan benar ada 11 data. Sedangkan prediksi “Ya” akan terjadi peningkatan inventory cost dan ternyata salah ada 17 data. Pada prediksi berikutnya untuk “Tidak” pada peningkatan inventory cost dan ternyata salah ada 13 data. Sedangkan pada prediksi “Tidak” pada peningkatan inventory cost dan ternyata benar ada 9 data.

4.2.2 Naïve Bayes

(37)

Gambar 4. 5 Pengolahan Data Menggunakan Algoritma Naïve Bayes

(38)

Berdasarkan hasil output diatas dapat diketahui bahwa:

1. Atribut Presediaan awal dengan parameter “Sedikit” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.185 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.174

2. Atribut Presediaan awal dengan parameter “Sedang” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.592 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.564

3. Atribut Presediaan awal dengan parameter “Banyak” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.592 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.564

4. Atribut Kuantitas pesan dengan parameter “Sedikit” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.112 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.347

5. Atribut Kuantitas pesan dengan parameter “Banyak” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.555 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.347

6. Atribut Kuantitas pesan dengan parameter “Sedang” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.333 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.304

7. Atribut Leadtime dengan parameter “Cepat” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.148 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.304

8. Atribut Leadtime dengan parameter “Sedang” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.481 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.391

9. Atribut Leadtime dengan parameter “Lama” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.370 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.304

(39)

11. 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

12. Atribut Frekuensi pemesanan dengan parameter “Jarang” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.333 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.131

13. Atribut Safety stock dengan parameter “Sedikit” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.222 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.174

14. Atribut Safety stock dengan parameter “Sedang” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.555 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.521

15. Atribut Safety stock dengan parameter “Banyak” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.222 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.304

Gambar 4. 7 Output Akurasi Algoritma Naïve Bayes dengan Rapid Miner

(40)

4.3 Analisa If-Then Rule

Dari hasil pengolahan data yang dilakukan baik secara manual (Microsoft Excel) ataupun menggunakan bantuan Software Rapid Miner untuk algoritma Tree decision dan Naïve Bayes didapatkan perbedaan hasil dari kedua cara yang digunakan khususnya pada tree decision saat menggunakan Microsoft Excel dan saat menggunakan Software Rapid Miner. Untuk pengolahan data perhitungan algoritma tree decision menggunakan Microsoft Excel didapatkan hasil rule sebagai berikut

1. Jika kuantitas pesan sedikit maka status inventory cost akan meningkat.

Pada hal ini berarti jika kuantitas pesan PT. ART sedikit maka otomatis frekuensi pemesanan untuk barangnya akan meningkat sehingga akan meningkatkan biaya setiap kali menyimpan barang (dalam jumlah sedikit). Berbeda jika PT . ART melakukan pemesanan barang dengan kuantittas besar, maka otomatis frekuensi pesannya akan rendah dan hanya sesekali saja menyimpan barang tetapi dalam jumlah yang besar. Hal yang perlu diingat adalah bahwa biaya pesan merupakan salah satu jenis biaya operasional tetap yang tidak dipengaruhi oleh volume, jadi banyak atau tidaknya barang yang disimpan tidak berpengaruh terhadap biaya yang dikeluarkan. Akan tetapi jika kita menyimpan barang dalam jumlah sedikit tetapi sering malah akan meningkatkan biaya simpan karena biaya simpan dihitung setiap kali kita menyimpan barang.

2. Jika kuantitas pesan banyak maka status inventory cost tidak meningkat.

(41)

3. Jika kuantitas pesan sedang dan safety stock sedikit maka status inventory cost tidak meningkat

Pada hal ini jika PT. ART melakukan pemesanan barang dalam jumlah sedang dan safety stock barang pada gudang sedikit maka tidak akan menambah atau meningkatkan biaya inventory cost perusahaan. Jumlah safety stock yang sedikit dinilai sangat wajar dimiliki oleh suatu perusahaan sebagai batas aman jumlah barang yang dimiliki menyangkut adanya waktu menunggu terhadap pesanan yang dilakukan apalagi kuantitas pesan yang diminta perusahaan dalam jumlah yang tidak banyak tetapi tidak sedikit juga.

4. Jika kuantitas pesan sedang dan safety stock sedang maka status inventory cost akan meningkat

Dalam hal ini jika PT. ART melakukan pemesanan barang dalam jumlah sedang dan mempunyai safety stock sedang juga, maka biaya inventory cost perusahaan akan meningkat atau bertambah. Hal ini dikarenakan jumlah barang safety stock yang cukup ditambah lagi pesanan barang yang datang dalam jumlah yang cukup pula kemungkinan akan memerlukan ruang lagi untuk penyimpanan ataupun akan meningkatkan biaya perawatan barang yang disimpan dikarenakan jumlah barang yang bertambah banyak dari semula sehingga biaya perawatan yang diperlukan juga meningkat melihat pertambahan barang.

5. Jika kuantitas pesan sedang, safety stock banyak, dan frekuensi pemesanan jarang maka status inventory cost tidak meningkat

(42)

6. Jika kuantitas pesan sedang, safety stock banyak, dan frekuensi pemesanan kadang-kadang maka status inventory cost akan meningkat

Pada keputusan ini jika PT. ART melakukan pemesanan barang dalam jumlah sedang, mempunyai safety stock barang yang banyak, dan melakukan pemesanan barang kadang-kadang maka akan meningkatkan biaya inventory cost. Jumlah barang yang dipesan dalam jumlah cukup dan persediaan safety stock yang banyak saja sudah akan meningkatkan biaya inventory cost apalagi jika perusahaan melakukan pemesanan barang dalam durasi yang cukup seperti kadang kadang maka otomatis akan menambah biaya inventory cost perusahaan.

7. Jika kuantitas pesan sedang, safety stock banyak, frekuensi pemesanan sering, dan leadtime sedang maka status inventory cost tidak meningkat

Dalam keputusan ini berarti jika perusahaan melakukan pemesanan barang dalam jumlah sedang, sudah mempunyai safety stock banyak di gudang, rentan pemesanan yang sering dan mempunyai waktu leadtime yang sedang maka tidak akan meningkatkan biaya inventory cost pada perusahaan. Meskipun perusahaan melakukan pemesanan dalam jumlah sedang, sudah mempunyai persedian barang yang banyak, frekuensi pemesanan yang sering, tetapi tidak menambah biaya biaya inventory cost hal ini dikarenakan waktu leadtime yang dimiliki perusahaan cukup cepat sehingga perusahaan tidak perlu menyimpan barang dan bisa langsung menjualnya.

8. Jika kuantitas pesan sedang, safety stock banyak, frekuensi pemesanan sering, dan leadtime lama maka status inventory cost tidak meningkat

(43)

perusahaan sehingga meskipun perusahaan memiliki waktu leadtime yang lama tetap tidak menambah biaya inventory cost.

9. Jika kuantitas pesan sedang, safety stock banyak, frekuensi pemesanan sering, leadtime cepat dan persediaan awal sedikit maka status inventory cost akan meningkat

Dalam keputusan ini berarti jika perusahaan melakukan pemesanan barang dalam jumlah sedang, sudah mempunyai safety stock banyak di gudang, rentan pemesanan yang sering, mempunyai waktu leadtime yang lama, serta mempunyai persediaan awal yang sedikit maka tidak akan meningkatkan biaya inventory cost pada perusahaan. Hal tersebut dikarenakan persediaan awal yang dimiliki oleh perusahaan hanya sedikit dan kemungkinan tidak menambah ruang pada gudang penyimpanan sehingga tidak akan menambah biaya simpan atau inventory cost.

10. Jika kuantitas pesan sedang, safety stock banyak, frekuensi pemesanan sering, leadtime cepat dan persediaan awal sedang maka status inventory cost akan meningkat

Dalam keputusan ini berarti jika perusahaan melakukan pemesanan barang dalam jumlah sedang, sudah mempunyai safety stock banyak di gudang, rentan pemesanan yang sering, mempunyai waktu leadtime yang lama, serta mempunyai persediaan awal yang sedang atau cukup maka akan meningkatkan biaya inventory cost pada perusahaan. Hal tersebut dikarenakan persediaan awal yang yang dimiliki oleh perusahaan sebetulnya sudah cukup dan safety stock yang dimiliki juga sudah memadai, jika perusahaan melakukan pemesanan lagi untuk barang maka kemungkinan besar akan menambah biaya inventory costnya.

11. Jika kuantitas pesan sedang, safety stock banyak, frekuensi pemesanan sering, leadtime cepat dan persediaan awal banyak maka status inventory cost akan meningkat

(44)

pemesanan yang sering, mempunyai waktu leadtime yang lama, serta mempunyai persediaan awal yang sedang atau cukup maka akan meningkatkan biaya inventory cost pada perusahaan. Hal tersebut dikarenakan persediaan awal yang yang dimiliki oleh perusahaan lebih dari cukup dan safety stock yang dimiliki juga sudah memadai, jika perusahaan melakukan pemesanan lagi untuk barang maka kemungkinan besar akan menambah biaya inventory costnya sama seperti pada rule yang terbentuk sebelumnya.

Dari hasil perhitungan algoritma Naïve Bayes menggunakan rapid miner didapatkan hasil sebagai berikut

1. Atribut Presediaan awal dengan parameter “Sedikit” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.185 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.174

Hal ini berarti bahwa peluang munculnya keputusan “tidak” untuk atribut persediaan awal yang sedikit sebesar 0.185 sedangkan kemungkinan munculnya keputusan “ya” pada pesediaan awal yang sedikit sebesar 0.174 sehingga dari besarnya kemungkinan ini maka keputusan “tidak” yang kemungkinan besar akan muncul atau menjadi keputusan nantinya.

2. Atribut Presediaan awal dengan parameter “Sedang” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.592 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.564

Hal ini berarti bahwa peluang munculnya keputusan “tidak” untuk atribut persediaan awal yang sedang sebesar 0.592 sedangkan kemungkinan munculnya keputusan “ya” pada pesediaan awal yang sedang sebesar 0.564 sehingga dari besarnya kemungkinan ini maka keputusan “tidak” yang kemungkinan besar akan muncul atau menjadi keputusan nantinya.

(45)

Hal ini berarti bahwa peluang munculnya keputusan “tidak” untuk atribut persediaan awal yang banyak sebesar 0.222 sedangkan kemungkinan munculnya keputusan “ya” pada pesediaan awal yang banyak sebesar 0.261 sehingga dari besarnya kemungkinan ini maka keputusan “ya” yang kemungkinan besar akan muncul atau menjadi keputusan nantinya.

4. Atribut Kuantitas pesan dengan parameter “Sedikit” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.112 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.347

Hal ini berarti bahwa peluang munculnya keputusan “tidak” untuk atribut kuantitas pesan yang sedikit sebesar 0.112 sedangkan kemungkinan munculnya keputusan “ya” pada kuantitas pesan yang sedikit sebesar 0.347 sehingga dari besarnya kemungkinan ini maka keputusan “ya” yang kemungkinan besar akan muncul atau menjadi keputusan nantinya.

5. Atribut Kuantitas pesan dengan parameter “Banyak” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.555 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.347

Hal ini berarti bahwa peluang munculnya keputusan “tidak” untuk atribut kuantitas pesan yang banyak sebesar 0.555 sedangkan kemungkinan munculnya keputusan “ya” pada kuantitas pesan yang banyak sebesar 0.347 sehingga dari besarnya kemungkinan ini maka keputusan “tidak” yang kemungkinan besar akan muncul atau menjadi keputusan nantinya.

6. Atribut Kuantitas pesan dengan parameter “Sedang” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.333 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.304

(46)

besarnya kemungkinan ini maka keputusan “tidak” yang kemungkinan besar akan muncul atau menjadi keputusan nantinya.

7. Atribut Leadtime dengan parameter “Cepat” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.148 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.304

Hal ini berarti bahwa peluang munculnya keputusan “tidak” untuk atribut leadtime yang cepat sebesar 0.148 sedangkan kemungkinan munculnya keputusan “ya” pada leadtime yang cepat sebesar 0.304 sehingga dari besarnya kemungkinan ini maka keputusan “ya” yang kemungkinan besar akan muncul atau menjadi keputusan nantinya.

8. Atribut Leadtime dengan parameter “Sedang” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.481 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.391

Hal ini berarti bahwa peluang munculnya keputusan “tidak” untuk atribut leadtime yang sedang sebesar 0.481 sedangkan kemungkinan munculnya keputusan “ya” pada leadtime yang sedang sebesar 0.391 sehingga dari besarnya kemungkinan ini maka keputusan “tidak” yang kemungkinan besar akan muncul atau menjadi keputusan nantinya.

9. Atribut Leadtime dengan parameter “Lama” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.370 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.304

(47)

10. Atribut Frekuensi pemesanan dengan parameter “Sering” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.296 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.521

Hal ini berarti bahwa peluang munculnya keputusan “tidak” untuk atribut frekuensi pemesanan yang sering sebesar 0.296 sedangkan kemungkinan munculnya keputusan “ya” pada frekuensi pemesanan yang sering sebesar 0.521 sehingga dari besarnya kemungkinan ini maka keputusan “ya” yang kemungkinan besar akan muncul atau menjadi keputusan nantinya.

11. 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

Hal ini berarti bahwa peluang munculnya keputusan “tidak” untuk atribut frekuensi pemesanan kadang-kadang sebesar 0.370 sedangkan kemungkinan munculnya keputusan “ya” pada frekuensi pemesanan kadang-kadang sebesar 0.347 sehingga dari besarnya kemungkinan ini maka keputusan “tidak” yang kemungkinan besar akan muncul atau menjadi keputusan nantinya.

12. Atribut Frekuensi pemesanan dengan parameter “Jarang” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.333 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.131

Hal ini berarti bahwa peluang munculnya keputusan “tidak” untuk atribut frekuensi pemesanan jarang sebesar 0.333 sedangkan kemungkinan munculnya keputusan “ya” pada frekuensi pemesanan jarang sebesar 0.131 sehingga dari besarnya kemungkinan ini maka keputusan “tidak” yang kemungkinan besar akan muncul atau menjadi keputusan nantinya.

(48)

Hal ini berarti bahwa peluang munculnya keputusan “tidak” untuk atribut safety stock sedikit sebesar 0.222 sedangkan kemungkinan munculnya keputusan “ya” pada safety stock yang sedikit sebesar 0.174 sehingga dari besarnya kemungkinan ini maka keputusan “tidak” yang kemungkinan besar akan muncul atau menjadi keputusan nantinya.

14. Atribut Safety stock dengan parameter “Sedang” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.555 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.521

Hal ini berarti bahwa peluang munculnya keputusan “tidak” untuk atribut safety stock sedang sebesar 0.555 sedangkan kemungkinan munculnya keputusan “ya” pada safety stock yang sedangt sebesar 0.521 sehingga dari besarnya kemungkinan ini maka keputusan “tidak” yang kemungkinan besar akan muncul atau menjadi keputusan nantinya.

15. Atribut Safety stock dengan parameter “Banyak” akan muncul keputusan “Tidak” dengan probablitias sebesar 0.222 sedangkan untuk keputusan “Ya” memiliki nilai probabilitas 0.304

(49)

BAB V

KESIMPULAN DAN REKOMENDASI

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.

(50)

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"

(51)

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

(52)

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

(53)

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.

(54)

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

Gambar

Gambar 3.1  Diagram Alur Penelitian
Tabel 4. 1 Data Historis
Tabel 4. 2 Aturan Trasnformasi
Tabel 4. 3 Data Transformasi
+7

Referensi

Dokumen terkait

(2) Mengacu pada ha siklus I kelas VIII A SMP Sukasada telah terjadi peningka belajar siswa pada siklus penerapan layanan konseling dengan teknik penguatan

Hasil penelitian menunjukkan: (1) tindakan kekerasan di TK terjadi dalam berbagai bentuk mulai dari fisik, verbal, hingga relasional; (2) program konseling kognitif perilaku

Untuk pelaksanaan pekerjaan pembangunan GOR sebagaimana dimaksud dalam Pasal 3 Peraturan Daerah ini, dilaksanakan oleh penyedia barang/jasa sesuai dengan peraturan

Untuk mengidentifikasi yang jelas tentang kondisi persaingan pada industri makanan,kemampuan dan kelemahan serta ancaman dan peluang yang dihadapi, sehingga perusahaan

Adapun tujuan dari penelitian ini adalah membangun sebuah sistem informasi pengembangan sumber daya pada level view yang memiliki tampilan menarik yang

Patton (1998) juga mengemukakan bahwa orang yang memiliki kecerdasan emosi akan mampu menghadapi tantangan dan menjadikan seorang manusia yang penuh tanggung

Sedikit cuplikan tentang Azyumadi, menggambarkan bahwa Azyumardi adalah sosok alumni PTAI yang sangat peduli terhadap permasalahan sosial budaya, bahkan sering

4.17 Distribusi Frekuensi Siswa Senang Dengan Perkataan-Perkataan Yang Baik Seperti “Hebat!”, “Luar Biasa!”, “Bagus Sekali!”, “Kamu Pintar!” Ketika Siswa