BAB II
LANDASAN TEORI
2.1. Perencanaan Produksi
Pengertian perencanaan produksi, menurut Martin K.Starr (1997) adalah sebagai berikut production planning is an old venerable term used by engineers,
economists, intrepreneurs and managers to describer physical work both in homes and in factories to produce a material product[1].
Perencanaan produksi ini merupakan alat komunikasi antara manajemen teras (top management) dan manufaktur. Di samping itu juga, perencanaan produksi merupakan pegangan untuk merancang jadwal induk produksi. Beberapa fungsi lain dari perecanaan produksi adalah,
1. menjamin rencana penjualan dan rencana produksi konsisten terhadap rencana strategis perusahan;
2. sebagai alat ukur performance dari proses perencanaan produksi; 3. menjamin kemampuan produksi konsisten terhadap rencana produksi;
4. memonitor hasil produksi aktual terhadap rencana produksi dan membuat penyesuaian;
5. mengatur persediaan produk jadi untuk mencapai target produksi dan renana strategis;
6. mengarahkan penyusunan dan pelaksanaan Jadwal Induk Produksi. Adapun tujuan dari perecanaan produksi adalah,
1. sebagai langkah awal untuk menentukan aktivitas produksi yaitu sebagai referensi perencanaan lebih rinci dari rencana produksi agregat menjadi item dalam jadwal induk produksi;
2. Sebagai masukan rencana sumber daya sehingga perencanaan sumber daya dapat dikembangkan untuk mendukung perencanaan produksi; 3. Meredam (stabilisasi) produksi dan tenaga kerja terhadap fluktuasi
permintaan.
Aktivitas-aktivitas dalam perencanaan produksi meliputi perencanaan proses, jadwal induk produksi, perencanaan kebutuhan material, perencanaan kapasitas,dan pengendalian aktivitas produksi. Dalam penjabaran lebih lanjut,
maka perencanaan produksi diuraikan menjadi proses apa saja yang harus dikerjakan, siapa pelaksananya, kapan, dimana dan perkiraan ongkos yang ditimbulkan.
2.1.1. Tujuan Perencanaan Produksi
Adapun tujuan perencanaan produksi adalah sebagai berikut,
A. menetapkan kebutuhan produksi dan tingkat persediaan pada saat tertentu; B. memonitor tingkat persediaan, membandingkannya dengan rencana
persediaan dan melakukan revisi rencana produksi pada saat yang ditentukan; C. membuat jadwal produksi, penugasan serta pembebanan mesin dan tenaga
kerja yang terperinci;
D. stabilisasi produk dan tenaga kerja terhadap fluktuasi permintaan (demand).
2.1.2. Karekteristik perencanaan produksi[2]
Menurut Agus Ahyari (1992) pengendalian produksi bila ditinjau secara terperinci maka akan dapat dilihat ciri-ciri masing-masing, antara lain sebagai berikut,
A. pengendalian proses produksi; B. pengendalian bahan baku; C. pengendalian tenaga kerja; D. pengendalian kualitas;
E. pengendalian pemeliharaan peralatan.
2.2. Data Mining
2.2.1. Definisi Data Mining
Menurut Han dan Kamber (2011) menjelaskan bahwa “Data Mining merupakan pemilihan atau “menggali” pengetahuan dari jumlah data yang banyak” Berbeda dengan Segall, Guha & Nonis (2008) menjelaskan “Data Mining disebut penemuan pengetahuan atau menemukan pola yang tersembunyi dalam data. Data mining adalah proses menganalisis data dari perspektif yang berbeda dan meringkas menjadi informasi yang berguna”. Bisa disimpulkan Data
mining adalah Proses menganalisis data yang banyak dan membuat suatu pola untuk menjadi informasi yang berguna.
Secara sederhana data mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar (Davies, 2004)[3]. Data mining juga disebut sebagai serangkaian proses untuk menggali nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu kumpulan data (Pramudiono, 2007)[4]. Data mining, sering juga disebut sebagai knowledge discovery in database (KDD). KDD adalah kegiatan yang meliputi pengumpulan, pemakaian data, historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar (Santoso, 2007)[5].
Data mining adalah kegiatan menemukan pola yang menarik dari data dalam jumlah besar, data dapat disimpan dalam database, data warehouse, atau penyimpanan informasi lainnya. Data mining berkaitan dengan bidang ilmu–ilmu lain, seperti database sistem, data warehousing, statistik, machine learning,
information retrieval, dan komputasi tingkat tinggi. Selain itu, data mining
didukung oleh ilmu lain seperti neural network, pengenalan pola, spatial data
analysis, image database, signal processing (Han, 2006)[3]. Data mining
didefinisikan sebagai proses menemukan pola-pola dalam data. Proses ini otomatis atau seringnya semiotomatis. Pola yang ditemukan harus penuh arti dan pola tersebut memberikan keuntungan, biasanya keuntungan secara ekonomi. Data yang dibutuhkan dalam jumlah besar (Witten, 2005)[6].
Berdasarkan beberapa pengertian tersebut dapat ditarik kesimpulan bahwa data mining adalah suatu teknik menggali informasi berharga yang terpendam atau tersembunyi pada suatu koleksi data (database) yang sangat besar sehingga ditemukan suatu pola yang menarik yang sebelumnya tidak diketahui. Kata mining sendiri berarti usaha untuk mendapatkan sedikit barang berharga dari sejumlah besar material dasar. Karena itu data mining sebenarnya memiliki akar yang panjang dari bidang ilmu seperti kecerdasan buatan (artificial intelligent),
machine learning, statistik dan database. Beberapa metode yang sering
disebut-sebut dalam literatur data mining antara lain clustering, classification, association dan lain-lain (Pramudiono, 2007)[4].
2.2.2. Karakteristik Data Mining Adapun karakteristik data mining adalah,
A. data mining berhubungan dengan penemuan sesuatu yang tersembunyi dan pola data tertentu yang tidak diketahui sebelumnya;
B. data mining biasa menggunakan data yang sangat besar. Biasanya data yang besar digunakan untuk membuat hasil lebih dipercaya;
C. data mining berguna untuk membuat keputusan yang kritis, terutama dalam strategi (Davies, 2004)[3].
2.2.3. Tahap-Tahap Data Mining[7]
Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi beberapa tahap yang diilustrasikan di Gambar 2.1. Tahap-tahap tersebut bersifat interaktif, pemakai terlibat langsung atau dengan perantaraan knowledge base.
Gambar 2.1 Tahapan-Tahapan Data Mining
Data mining sebagai tahapan dalam menemukan pengetahuan (Jiawei Han,2006) yaitu,
1. pembersihan data (data cleaning);
pembersihan data merupakan proses menghilangkan noise dan data yang tidak konsisten atau data tidak relevan. Pada umumnya data yang
diperoleh, baik dari database suatu perusahaan maupun hasil eksperimen, memiliki isian-isian yang tidak sempurna seperti data yang hilang, data yang tidak valid atau juga hanya sekedar salah ketik. Selain itu, ada juga atribut-atribut data yang tidak relevan dengan hipotesa data mining yang dimiliki. Data-data yang tidak relevan itu juga lebih baik dibuang. Pembersihan data juga akan mempengaruhi performasi dari teknik data mining karena data yang ditangani akan berkurang jumlah dan kompleksitasnya;
2. integrasi data (data integration);
integrasi data merupakan penggabungan data dari berbagai database ke dalam satu database baru. Tidak jarang data yang diperlukan untuk data mining tidak hanya berasal dari satu database tetapi juga berasal dari beberapa database atau file teks. Integrasi data dilakukan pada atribut-aribut yang mengidentifikasikan entitas-entitas yang unik seperti atribut nama, jenis produk, nomor pelanggan dan lainnya. Integrasi data perlu dilakukan secara cermat karena kesalahan pada integrasi data bisa menghasilkan hasil yang menyimpang dan bahkan menyesatkan pengambilan aksi nantinya. Sebagai contoh bila integrasi data berdasarkan jenis produk ternyata menggabungkan produk dari kategori yang berbeda maka akan didapatkan korelasi antar produk yang sebenarnya tidak ada. 3. seleksi data (data selection);
data yang ada pada database sering kali tidak semuanya dipakai, oleh karena itu hanya data yang sesuai untuk dianalisis yang akan diambil dari
database. Sebagai contoh, sebuah kasus yang meneliti faktor
kecenderungan orang membeli dalam kasus market basket analysis, tidak perlu mengambil nama pelanggan, cukup dengan id pelanggan saja;
4. transformasi data (data transformation);
data diubah atau digabung ke dalam format yang sesuai untuk diproses dalam data mining. Beberapa metode data mining membutuhkan format data yang khusus sebelum bisa diaplikasikan. Sebagai contoh beberapa metode standar seperti analisis asosiasi dan clustering hanya bisa menerima input data kategorikal. Karenanya data berupa angka numerik
yang berlanjut perlu dibagi-bagi menjadi beberapa interval. Proses ini sering disebut transformasi data;
5. proses mining;
merupakan suatu proses utama saat metode diterapkan untuk menemukan pengetahuan berharga dan tersembunyi dari data;
6. evaluasi pola (pattern evaluation);
untuk mengidentifikasi pola-pola menarik kedalam knowledge based yang ditemukan. Dalam tahap ini hasil dari teknik data mining berupa pola-pola yang khas maupun model prediksi dievaluasi untuk menilai apakah hipotesa yang ada memang tercapai. Bila ternyata hasil yang diperoleh tidak sesuai hipotesa ada beberapa alternatif yang dapat diambil seperti menjadikannya umpan balik untuk memperbaiki proses data mining, mencoba metode data mining lain yang lebih sesuai, atau menerima hasil ini sebagai suatu hasil yang di luar dugaan yang mungkin bermanfaat; 7. presentasi pengetahuan (knowledge presentation);
merupakan visualisasi dan penyajian pengetahuan mengenai metode yang digunakan untuk memperoleh pengetahuan yang diperoleh pengguna. Tahap terakhir dari proses data mining adalah bagaimana memformulasikan keputusan atau aksi dari hasil analisis yang didapat. Ada kalanya hal ini harus melibatkan orang-orang yang tidak memahami data mining. Karenanya presentasi hasil data mining dalam bentuk pengetahuan yang bisa dipahami semua orang adalah satu tahapan yang diperlukan dalam proses data mining. Dalam presentasi ini, visualisasi juga bisa membantu mengkomunikasikan hasil data mining.
2.2.4. Fungsi Data Mining
Banyak fungsi data mining yang dapat digunakan. Dalam kasus tertentu fungsi data mining dapat digabungkan untuk menjawab masalah yang dihadapi (Maclennan, Tang, & Crivat, 2009, 6). Berikut adalah fungsi data mining secara umum,
1. classification;
fungsi dari Classification adalah untuk mengklasifikasikan suatu target class ke dalam kategori yang dipilih;
Gambar 2.2 Classification - Decision Tree 2. clustering;
fungsi dari clustering adalah untuk mencari pengelompokan atribut ke dalam segmentasi-segmentasi berdasarkan similaritas;
Gambar 2.3 Clustering 3. association;
fungsi dari association adalah untuk mencari keterkaitan antara atribut atau item set, berdasarkan jumlah item yang muncul dan rule association yang ada;
4. regression;
fungsi dari regression hampir mirip dengan klasifikasi. Fungsi dari regression adalah bertujuan untuk mencari prediksi dari suatu pola yang ada;
5. forecasting;
fungsi dari forecasting adalah untuk peramalan waktu yang akan datang berdasarkan trend yang telah terjadi di waktu sebelumnya;
Gambar 2.5 Time Series 6. sequence analysis;
fungsi dari sequence analysis adalah untuk mencari pola urutan dari rangkaian kejadian;
Gambar 2.6 Web Navigation Sequence 7. deviation analysis;
fungsi dari devation analysis adalah untuk mencari kejadian langka yang sangat berbeda dari keadaan normal (kejadian abnormal).
2.3. Software Aplikasi
Menurut Dhanta (2009:32), aplikasi adalah software yang dibuat oleh suatu perusahaan komputer untuk mengerjakan tugas-tugas tertentu, misalnya Microsoft Word, Microsoft Excel. Sedangkan menurut (Pressman, 2010, 9) software aplikasi
adalah aplikasi yang berdiri sendiri untuk memecahkan masalah bisnis yang spesifik. Dalam hal aplikasi pemrosesan bisnis konvensional, software aplikasi digunakan untuk mengontrol fungsi bisnis dalam waktu nyata.
2.4. Algoritma C.45
Sebuah pohon keputusan adalah sebuah struktur yang dapat digunakan untuk membagi kumpulan data yang besar menjadi himpunan-himpunan record yang lebih kecil dengan menerapkan serangkaian aturan keputusan [3]. Secara umum algoritma C4.5 untuk membangun pohon keputusan adalah sebagai berikut [4],
1. pilih atribut sebagai root;
2. buat cabang untuk masing-masing nilai; 3. bagi kasus dalam cabang;
4. ulangi proses untuk masing-masing cabang sampai semua kasus pada cabang memiliki kelas yang sama.
Untuk memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari atributatribut yang ada. Untuk menghitung gain digunakan persamaan (7) [10]:
Pencarian Entropy dan Gain menggunakan rumus, untuk menghitung gaindigunakan rumus sebagai berikut :
n i Si Entropy S Entropy A S Gain 1 ) ( * ) ( ) , ( Keterangan : S : himpunan kasus; A : Atribut;n : jumlah partisi atribut;
|Si| : jumlah kasus pada partisi ke –i; |S| : jumlah kasus dalam S.
Rumus dasar dari entropy tersebut adalah sebagai berikut,
n i pi pi S Entropy 1 2 log * ) ( ; Keterangan : S : Himpunan kasus; A : Fitur;n : Jumlah partisi S;
pi : Proporsi dari Si terhadap S.
2.5. Visual Studio 2005
Definisi Visual Basic 2005 menurut Winpec Solution dalam bukunya yang berjudul Sistem Informasi Manufaktur dengan VB 2005 dan SQL Server 2005 adalah visual basic merupakan salah satu bahasa pemograman visual yang sudah dikenal umum dalam pembuatan program aplikasi[11].
2.6. SQL Server
Menurut Ketut Darmayuda dalam bukunya yang berjudul Pemrograman Aplikasi Database dengan Microsoft Visual Basic .NET 2008, mendefinisikan bahwa microsoft sql server adalah produk lanjutan dari microsoft sql server 2000, yang merupakan perangkat lunak Relational Database Management System (RDBMS) yang andal dan power full[12].
2.7. Pengujian Perangkat Lunak[13]
Pengujian perangkat lunak adalah elemen kritis dari jaminan kualitas perangkat lunak dan mempresentasikan kajian pokok dari spesifikasi, desain, dan pengkodean. Sejumlah aturan yang berfungsi sebagai sasaran pengujian pada perangkat lunak adalah (Sukamto, 2011),
1. pengujian adalah proses eksekusi suatu program dengan maksud menemukan kesalahan;
2. test case yang baik adalah test case yang memiliki probabilitas tinggi untuk menemukan kesalahan yang belum pernah ditemukan sebelumnya;
3. pengujian yang sukses adalah pengujian yang mengungkap semua kesalahan yang belum pernah ditemukan sebelumnya.
Karakteristik umum dari pengujian perangkat lunak adalah sebagai berikut (Sukamto, 2011),
1. pengujian dimulai pada level modul dan bekerja keluar kearah integrasi pada sistem berbasiskan komputer;
2. teknik pengujian yang berbeda sesuai dengan poin-poin yang berbeda pada waktunya;
3. pengujian diadakan oleh software developer dan untuk proyek yang besar oleh group testing yang independent;
4. testing dan Debugging adalah aktivitas yang berbeda tetapi debugging harus diakomodasikan pada setiap strategi testing.
Metode pengujian perangkat lunak ada 3 jenis, yaitu (Sukamto, 2011), 1. white box/glass box - pengujian operasi;
2. black box - untuk menguji sistem;
3. use case - untuk membuat input dalam perancangan black box dan pengujian
2.8. Kerangka Berfikir
Masalah
Bagaimana memanfaatkan data-data stock previous WIP, planning dan output yang ada pada PT. LG Innotek
Indonesia untuk memprediksi perkiraan rencana produksi pada Department. TEST
Pendekatan Metode
Metode Klasifikasi menggunakan algoritma C45
Analisis
Study Literature, Observasi, dan Wawancara
Testing dan Implementasi
Melakukan uji coba sistem dan mengevaluasi sistem
Perancanagan
Menggunakan OS Windows 7, Visual Studio 2005 dan SQL Server 2008r2
Pengkodean
Membuat Aplikasi Data Mining menggunakan Algoritma C45
Hasil
Aplikasi Data Mining untuk menghasilkan perkiraan perencanaan
produksi menggunakan Teknik Klasifikasi dengan C45
