ANALISA SISTEM PENUNJANG KEPUTUSAN DISTRIBUSI
PENJUALAN BAHAN POKOK DENGAN MENGGUNAKAN
METODE ROUGH SET PADA CV SAMA SENANG
Helmi KurniawanJurusan Teknik Informatika, STMIK Potensi Utama
Jl. K.L. Yos Sudarso Km. 6.5 No.3-A, Tanjung Mulia, Medan, Indonesia Email : helmikurniawan77@gmail.com
Abstrak
CV Sama Senang adalah sebuah usaha dagang yang bergerak pada penjualan kebutuhan bahan pokok baik dikota medan dan diluar kota Medan. Dengan banyaknya permintaan kebutuhan bahan pokok didalam dan diluar kota CV Sama Senang memiliki kesulitan dalam pendistribusian penjualan kebutuhan bahan pokok untuk memenuhi kebutuhan pasar. Sulitnya memprediksi kebutuhan pasar, serta persaingan bisnis yang semakin ketat, merupakan kendala yang dihadapi CV Sama Senang sehingga manajemen harus dapat mengambil keputusan yang tepat dan cepat guna memberikan pelayanan yang baik serta kepuasan kepada konsumen maupun menjaga konsistensi permintaan kebutuhan bahan pokok di pasar. Keputusan yang diambil harus mempertimbangkan dengan baik berdasarkan data-data yang dimiliki, terutama yang berkaitan erat dengan sistem distribusi. Dalam mengatasi masalah tersebut, salah satu solusi yang dapat digunakan adalah data mining mengenai kriteria - kriteria tertentu di dalam pendistribusian penjualan kebutuhan bahan pokok. Dengan semakin besarnya jumlah data dan kebutuhan akan analisis data yang akurat maka dibutuhkan metode analisis data yang tepat. Adapun metode yang digunakan dalam pengambilan keputusan adalah Metode Rough Set. Metode Rough Set menawarkan dua bentuk representasi data yaitu Information Systems (IS) dan Decision Systems (DS). Adapun perangkat lunak (Software) yang menerapkan Metode Rough Set ini adalah Rosetta. Hasil penelitian yang diperoleh berupa informasi perkiraan permintaan kebutuhan bahan pokok pada periode yang akan datang dan menjadi informasi keputusan manajemen dalam pendistribusian penjualan kebutuhan bahan pokok.
Kata Kunci : Sistem Penunjang Keputusan, Data Mining, Metode Rough Set Pendahuluan
Masalah distribusi seringkali masih menjadi kendala terbesar terutama bagi perusahaan yang memproduksi secara massal. Semakin luas wilayah pemasaran, semakin banyak pula kendala yang dihadapi sehingga perlu pembagian wilayah pemasaran pada setiap era dengan penempatan distributor.
CV Sama Senang, sebagai salah satu perusahaan distribusi yang bergerak dalam distribusi penjualan kebutuhan bahan pokok yang sedang berkembang, juga memerlukan satu sistem distribusi yang baik untuk menjaga ketersediaan produknya di pasar, disamping juga untuk dapat memenuhi dan mengembangkan pasar yang telah ada. Untuk itu peramalan distribusi yang baik dengan menggunakan data-data yang telah ada di masa lalu untuk memprediksi kebutuhan distribusi dimasa yang akan datang sangat diperlukan oleh perusahaan ini.
Sistem distribusi produk pada CV Sama Senang dihadapkan pada beberapa masalah yang berhubungan dengan besar produk yang harus didistribusikan pada wilayah-wilayah. Pada umumnya, kemacetan dalam mendistribusikan
Produk-produk dan jasa-jasa akan banyak menimbulkan kesulitaan baik dipihak konsumen maupun produsen. Kesulitan yang akan terjadi di pihak produsen meliputi terganggunya penerimaan penjualan sehingga target penjualan yang telah di tentukan tidak dapat terpenuhi. Hal ini akan menyebabkan arus pendapatan yang dibutuhkan oleh perusahaan untuk melangsungkan kontinuitasnya tidak dapat diharapkan. Sedangkan kesulitan yang akan timbul di pihak konsumen akan menyebabkan tendensi harga yang meningkat. Tendensi harga yang meningkat terjadi akibat berkurangnya Produk yang ditawarkan di pasar. Oleh karena itu sangatlah tepat apabila perusahaan memahami kebijaksanaan distribusi terutama yang menyangkut pemilihan saluran distribusi dan penentuan distribusi fisik.
Dalam menganalisa hal tersebut di atas, salah satu solusi yang dapat digunakan adalah data mining mengenai kriteria - kriteria tertentu di dalam pendistribusian produk. . Data mining tersebut akan menjadi tolak ukur ataupun acuan untuk mengambil keputusan. Pengolahan data mining dapat dilakukan dengan beberapa teknik
diantaranya adalah Metode Rough Set, Fuzzy, Algoritma Apriori dan lain - lain.
Metode Rough Set salah satu dari metode di atas yang memungkinkan untuk mengambil keputusan dalam pendistribusian penjualan kebutuhan bahan pokok karena di dalam metode ini ada rumusan atau tahapan-tahapan pemecahan masalah dan adanya sebuah Result (keputusan) dari kombinasi yang mungkin terjadi dari kriteria-kriteria diatas. Dari Result (keputusan) yang berasal dari hasil olahan data mining tersebut, dapat di jadikan sebagai acuan pengambilan keputusan. Berdasarkan permasalah tersebut penulis melakukan penelitian yang berkaitan dengan sistem pengambilan keputusan untuk distribusi penjualan kebutuhan pokok dengan menggunakan metode Rough Set.
Metode Penelitian
Tahapan dalam metode penelitian ini dapat dimodelkan pada diagram alir berikut ini:
Gambar 1. Diagram Alir Distribusi dengan Metode Rought set
Tinjauan Pustaka
Data Mining (DM)
Kemajuan Data Mining merupakan salah satu teknik yang dapat digunakan karena telah menggabungkan teknik klasik dengan algoritma yang canggih seperti teknik Artificial Intelligence untuk memproses data dalam skala besar . Data mining adalah proses pengolahan informasi dari sebuah database yang besar, meliputi proses ekstraksi, pengenalan, komprehensif, dan penyajian informasi sehingga dapat digunakan dalam pengambilan keputusan bisnis yang krusial”.[1][3][6]
Teori Rough Set
Teori ini memberikan pendekatan matematika baru untuk permasalahan dengan tingkat ketidakpastian yang tinggi. Teori ini menjadi dasar penting untuk kecerdasan buatan, pembelajaran mesin, perolehan informasi, analisis keputusan, data mining, sistem pakar, hingga pengenalan pola. Kelebihan teori ini adalah tidak diperlukannya preliminary dan juga informasi tambahan mengenai data dalam melakukan analisis suatu data. Tujuan dari analisis Rough Set adalah untuk mendapatkan perkiraan rule yang
singkat dari suatu tabel. Hasil dari analis Rough Set dapat digunakan dalam proses data mining dan knowledge discovery. Teknik ini digunakan untuk menangani masalah uncertainly, missing data, uncompleted, inconsistency data, imprecision, dan vagueness (tidak pasti, data hilang, tidak lengkap, tidak selaras, ketidaktepatan, ketidakjelasan).[2][3][4][5] Perancangan
Berdasarkan hasil pengamatan langsung pada CV Sama Senang, sistem yang sedang berjalan pada saat ini masih dilakukan manual, yaitu pencatatan pada buku untuk pemesanan dari
suppliers dan penjualan kebutuhan bahan Pokok
dari konsumen, proses pendistribusian juga dilakukan atas kerjasama dan kepercayaan antara ke dua belah pihak. Oleh karena itu sangatlah tepat apabila perusahaan memahami kebijaksanaan distribusi terutama yang menyangkut pemilihan saluran distribusi dan penentuan distribusi fisik.
Rancangan Umum Dalam Pendistribusian Arsitektur dari sistem pendukung keputusan dalam analisis data Pendistribusian CV. Sama Senang terdiri dari rancangan umum dan komponen-komponennya. Dalam bagian ini, diasumsikan database berisi dari data yang tidak lengkap (incomplete data) untuk mendapatkan keputusan (decision) yang tepat dan akurat, data yang tidak lengkap diproses untuk mendapatkan data lengkap dengan menggunakan metode data
cleaning, seperti teknik remove incomplete data.
Selanjutnya data lengkap tersebut ditransformasikan dengan menggunakan metode data transformation. Dari hasil data transformasi dilakukan proses pencarian knowledge / rules dengan cara generating rules sehingga menghasilkan keputusan (decision) yang lebih singkat dan mudah dipahami. rancangan umumnya dapat dilihat pada gambar 1.
Gambar 2. Rancangan Umum Pendistribusian Produk dengan Metode Rough set
Use Case Diagram
Use Case system pengambil keputusan
dapat dilihat dalam gambar 2.
user
Gambar 3. Use Case Sistem Pengambil Keputusan
Dari Use Case di atas terlihat user dalam pembentukan sistem pendukung keputusannya, dan hasil laporan yang diperoleh dari analisa sistem tersebut
Gambar 4. Use Case Diagram Proses Pengambil Keputusan Analisa Metode Yang Digunakan
Information System
Dalam Rough Set, sebuah set data direpresentasikan sebagai sebuah tabel, dimana baris dalam tabel merepresentasikan objek dan kolom-kolom merepresentasikan atribut dari objek-objek tersebut. Tabel tersebut disebut dengan information system yang dapat digambarkan sebagai:
S = (U,A)…… ………..[1]
Dimana U adalah set terhingga yang tidak kosong dari objek yang disebut dengan universe dan A set terhingga tidak m kosong dari atribut dimana:
a : U Va)……….. [2]
Untuk tiap a € A. SetVa disebut value set dari a.
information system dalam penelitian ini dapat
ditunjukkan dalam tabel 1.
Tabel 1. Laporan Distribusi Barang per Kota
Pada Tabel tersebut yang merupakan U adalah {nama Barang} yang merupakan produk yang akan didistribusikan kebeberapa wilayah Sedangkan A adalah {Medan, Langkat, Brastagi, Tebing Tinggi} yang merupakan faktor atau kriteria yang menentukan tinggi rendahnya pendistribusian produk tersebut Dalam Penggunaan Information System, terdapat
outcome dari klasifikasi yang telah diketahui yang
disebut dengan atribut keputusan. Information
system tersebut disebut dengan Decision System. Decision System dapat digambarkan pada tabel 2
berikut:
Tabel 2. Laporan Distribusi Barang per Kota
Pada tabel 2. tersebut, atribut A mengalami perluasan atribut, yaitu Keterangan (Ket) yang merupakan atribut keputusan dari Decision
System.
Keterangan : 200 – 400 : Turun 401– 600 : Naik
Indescernibility Relation
Dalam decision system, sebuah objek dapat memiliki nilai yang sama untuk sebuah atribut kondisionalnya. Contohnya Beras, Telur memiliki nilai atribut distribusi pada kota Langkat yang sama, yaitu “80”. Hubungan tersebut disebut dengan indiscernible (tidak dapat dipisah).
Misalkan S = (U,A) adalah Information
System, dan B A. Maka Sebuah indiscrenibility
relation objek-objek menurut atribut B yang dilambangkan dengan INDs (B), dapat
didefenisikan sebagai: INDs (B) ={( x,x’) ∈ U
2
| ∀ a ∈ B a (x) = a (x’)}.
[3]
disebut sebagai B- Indescernibility relation, INDs (B) merupakan Equivalent Relation. Jika ( x,x’) ∈ INDs (B) maka objek x dan x’ adalah objek yang tidak dapat dibedakan (indiscernible) satu sama lain oleh atribut B. kelas-kelas yang
equivalent dengan B- Indescernibility relation
dinotasikan dengan [x]B dan disebut dengan
equivalent class.
Berdasarkan tabel 2 maka didapatkan
indiscernibility Relation sebagai berikut:
IND A (Medan)
={{178},{80},{120},{140},{300},{70},{134}} IND B (Langkat) ={{B1,B5}{B2},{B3},{B4,B6},{B7}} ={{80,80},{60},{90},{60,60},{160}} IND C () ={{B1},{B2},{B3},{B4},{B5},{B6},{B7}} ={{240},{106},{80},{100},{70},{156},{100}} IND D (Berastagi) ={{B1},{B2},{B3},{B4},{B5},{B6},{B7}} ={{60},{76},{160},{130},{100},{110},{70} IND ABCD ={{B1},{B2},{B3},{B4},{B5},{B6},{B7}}
Pengolahan Data Dengan Teknik Data
Transformation
Data telah didapat akan disederhanakan dengan menggunakan teknik data transformasi berdasarkan Algoritma Fungsi Interval .Sesuai dengan Algoritma Fungsi Interval, maka untuk masing-masing variabel ditentukan nilai terbesar, nilai terkecil dan range nilai, jumlah kelas dan nilai intervalnya. Dari hasil yang diperoleh tersebut maka dilakukan proses Data Transformasi untuk data lengkap, seperti berikut: 1. Untuk Kota Medan
a. Nilai terbesar (Xmax)= 300
b. Nilai terkecil (Xmin) = 70
c. Range Nilai (Xrange )= 300 - 70 = 230
d. Jumlah Kelas (k) = 1+ 3.3 log (7)
= 1+ (0.52) = 1.52
e. Nilai Interval (Int) = 230/1.52 = 152 Transfomasi Data [Xmin +Int] :
Range antara 70 – 222 ditransformasikan menjadi angka = 1
Range antara 224 – 374 ditransformasikan menjadi angka = 2
2. Untuk Kota Langkat :
a. Nilai terbesar (Xmax)= 160
b. Nilai terkecil(Xmin) = 60
c. Range Nilai (Xrange )= 160– 60 =100
d. Jumlah Kelas (k) = 1+ 3.3 log (7)
= 1+ (0.52) = 1.52
e. Nilai Interval (Int) = 100/1.52 = 64 Transfomasi Data [Xmin +Int] :
Range antara 30 – 94 ditransformasikan menjadi angka = 1
Range antara 96 – 160 ditransformasikan menjadi angka = 2
3. Untuk Kota Berastagi : a. Nilai terbesar (Xmax)= 240
b. Nilai terkecil (Xmin) = 70
c. Range Nilai (Xrange )= 240 – 70 = 170
d. Jumlah Kelas(k) = 1+ 3.3 log (7)
= 1+ (0.52) = 1.52
Nilai Interval (Int) = 170/1.52 = 112 Transfomasi Data [Xmin +Int] :
Range antara 70 – 182 ditransformasikan menjadi angka = 1
Range antara 184– 256 ditransformasikan menjadi angka = 2
4. Untuk Nilai Tebing Tinggi : a. Nilai terbesar (Xmax)= 160
b. Nilai terkecil (Xmin) =60
c. Range Nilai (Xrange )= 160 – 60 = 100
d. Jumlah Kelas(k) = 1+ 3.3 log (7)
= 1+ (0.52) = 1.52
Nilai Interval (Int) = 100/1.52 =64 Transfomasi Data [Xmin +Int] :
Range antara 60 – 124 ditransformasikan menjadi angka = 1
Range antara 126– 190 ditransformasikan menjadi angka = 2
Berdasarkan pengolahan data transformasi diatas, maka didapat hasil data transformasinya seperti pada tabel 3.
Tabel 3. Data Dengan Teknik Data
Transformation
Generating Rules
Berdasarkan data hasil transformasi yang telah didapatkan, maka data-data tersebut akan diolah sehingga menghasilkan suatu rules /
knowledge yang dapat dipahami untuk pengambilan suatu keputusan. Dari data transformasi yang didapat pada tabel 4.3 maka dapat dilakukan proses pencarian knowledge seperti langkah-langkah ini :
1. Discernibility Matrix
Dalam Discernibility Matrix maka variabel-variabel kondisi yang terdiri dari Medan, Binjai, Siantar, Kisaran
Dan Variabel keputusan terdiri dari : Naik = 1
Turun= 2
Kemudian masing-masing nama dikelompokkan dalam bentuk Equivalence Class disederhanakan namanya menjadi EC1, EC2, EC3, EC4, EC5, EC6 dan EC7, sehingga hasilnya dapat dilihat seperti pada tabel 4.
Tabel 4. Data Transformation Yang Disederhanakan
Dari hasil data transformasi yang telah disederhanakan pada tabel 5 kemudian dibandingkan data-data yang terdapat dalam masing-masing Equivalence Class. Dalam proses perbandingan ini, yang diperhatikan hanya variabel-variabel kondisinya saja, tanpa memperhatikan variabel keputusan, dan yang dibandingkan adalah antara data-data pada variabel kondisi yang sama. Dari proses perbandingan ini dihasilkan tabel Discernibility
Matrix seperti tabel 5.
Tabel 5. Discernibility Matrix
2. Discernibility Matrix Modulo D
Dari hasil pengolahan data dengan cara
Discernibility Matrix sesuai tabel.6, maka
selanjutnya data diolah dengan cara Discernibility
Matrix Modulo D, dalam pengolahan dengan cara
ini variabel kondisi dan keputusannya harus dibandingkan. Sehingga jika variabel keputusan juga dibandingkan maka hasilnya menjadi seperti pada tabel 6.
Tabel 6. Discernibility Matrix Module D EC 1 EC2 EC 3 E C 4 EC 5 EC6 EC 7 EC1 - BC D - - BC - EC2 BC - - D A - - EC3 D - - - AD - D EC4 - D - - - D - EC5 - A AD - - A - EC6 BC - - D A - - EC7 - - D - - - -
Keterangan : Jika nilai decision Atribut sama = kosong decision Atribut berbeda = terisi
3. Reduction
Reduct adalah himpunan dari atribut yang dapat
menghasilkan klasifikasi sama seperti jika semua atribut digunakan. Sedangkan atribut yang bukan
reduct adalah atribut yang tidak berguna dalam
proses klasifikasi.
Pada proses Reduct ini dilakukan proses penyeleksian variabel minimal dari sekumpulan variabel kondisi dengan cara Prime Implicant fungsi Boolean, dengan cara berikut ini :
EC1 = (BvC)^(D)^(BvC) EC2 = (BvC)^(D)^(A) EC3 = (D)^(A)^(D)^(D) EC4 = (D)^(D) EC5 = (A)^(AvD)^(A) EC6 = (BvC)^(D)^(A) EC7 = (D) Tabel 7. Reduct
Dari hasil reduct yang diperoleh maka didapatkan suatu rules / knowledge. Seperti contoh di atas,
rules yang didapatnya adalah :
Rules :
D1 E1, B1,C1E2, D1A2 E2, D2,A1 E2
D2 E2, A2,D1 E1, B1,C1 E2, D1,A1 E2
D1 E1
EC1 : If D =1 Then E=1
If TebingTinggi = 60 Then Keputusan = Naik EC2 : If B =1, C=1 Then E=2, D=1, A=1 Then E=2 If Langkat = 130 & Berastagi = 106 Then Keputusan = Turun
If TebingTinggi = 76 & Medan = 80 Then Keputusan = Turun
EC3 : If D=2, A=1 Then E= 2
If TebingTinggi =160 & Medan =120 Then Keputusan = Turun
EC4 : If D=2 Then E = 2 :
If TebingTinggi = 130 Then Keputusan = Turun
EC5 : If A=2 , D=1 Then E=1
If Medan= 150, TebingTinggi =100 Then Keputusan=Naik
EC6 : If B =1, C=1 Then E=2, D=1, A=1 Then E=2 :
If Lankat =60 & Berastagi = 156 Then Keputusan =Turun
If TebingTinggi= 110 & Medan =70 Then Keputusan = Turun
EC7 : If D=1 Then E=1
If TebingTinggi = 70 Then Keputusan = Naik Pengujian Metode Rough Set
Untuk menguji kebenaran dari hasil pengolahan data yang dikerjakan secara manual tersebut dapat digunakan salah satu software aplikasi Rough Set, yaitu Rosetta. Hasil pengujian dapat terlihat pada gambar
Gambar 5. Hasil Proses Generating Rules Dari hasil data lengkap, Reduct, dan
Rules yang didapat, terbukti hasilnya sesuai
dengan hasil perhitungan secara manual 4. Kesimpulan
Atas analisis dan pembahasan yang dilakukan pada sistem pendukung keputusan, maka dapat diambil kesimpulan sebagai berikut: 1. Sistem pengambilan keputusan dengan metode
rough set dapat membantu distribusi Penjualan kebutuhan bahan Pokok pada CV. Sama Senang untuk memenuhi kebutuhan pasar.
2. Penggunaan metode rough set sangat membantu dalam memperkirakan kebutuhan produk yang harus dipenuhi oleh perusahaan dalam periode yang akan datang.
3. Penggunaan aplikasi Data Mining Seperti
Rosetta dapat membantu dalam pengambilan
keputusan untuk pengalokasian produk pada setiap lokasi.
DAFTAR PUSTAKA
[1] D,Suryadi, (2001) Pengantar Data Mining, Andi, Yogyakarta
[2] K. Thangavel and Q. Shen (2006), “Application of Clustering for Feature Selection Based on Rough Set Theory Approach”, AIML Journal, 19-27
[3] Li, T, Ruan, D Geert, W, Song, W, & Xu,Y. (2007). A rough set based characteristic relation approach for dynamic attribute generalization in data mining, Knowledge Based System 20 (2007) 485-494
[4] Marcin, Kierczak. (2009). Rosetta a rough set toolkit for analysis of data. http://www.lcb.uu.se/tools/rosetta/. April 21 2012
[5] Suraj, Z. (2004). An Introduction to Rough Set Theory and It’s Applications. ICENCO’2004, December 27-30, 2004, [6] Susanto. (2010). Pengantar Data Mining.
Informatika. Jakarta
[7] Therling K. (2006).“ An Introduction to DataMining: Discovering hidden value in your data warehouse”, www.thearling.com, diakses tanggal 21 Mei 2013.
