23 dimana
dan n = 12. Demo lengkap mengenai perhitungan nilai eror sebagai pembanding metode pemulusan eksponensial dengan metode lainnya dapat
dilihat pada Lampiran 4. Dan berikut adalah tabel berisi perbandingan nilai MSE dari metode-metode peramalan lainnya.
Tabel 4. Perbandingan Nilai MSE antar Metode Peramalan
Metode Peramalan Nilai
MSE
Perataan Bergerak MA 3x3 2866.99
Pemulusan Eksponensial 1388.79
Metode Winter’s
2114.21
4.2 Pengendalian Persediaan dengan Teknik
Associative Rules Mining
Data Mining penggalian data didefiniskan sebagai sebuah proses untuk menemukan hubungan, pola, dan tren baru yang bermakna dengan menyaring data yang sangat besar yang
tersimpan dalam database, menggunakan teknik pengenalan pola seperti teknik stastistik dan matematika. Ponniah, 2001. Hubungan yang dicari dalam data mining dapat berupa hubungan
antara dua atau lebih dalam satu dimensi, misalnya dalam transaksi penggudangan material bahan baku, kita dapat melihat keterkaitan penggunaan suatu material bahan baku dengan material
bahan baku lainnya.
Penggalian kaidah asosiasi mempunyai peranan penting dalam proses pengambilan keputusan. Tahapan besar dari proses data mining adalah mengidentifikasikan frequent item set
dan membentuk kaidah asosiasi dari itemset tersebut. Kaidah asosiasi digunakan untuk menggambarkan hubungan antar item pada tabel data transaksional ataupun data relasional. Tapi
semakin berkembangnya teknologi komputer dalam dunia industri, semakin pesat pula perkembangan ukuran data yang dihasilkan.
Analisa asosiasi dikenal juga sebagai salah satu teknik penggalian data yang menjadi dasar dari berbagai teknik penggalian data lainnya. Metodologi dasar analisis asosiasi terbagi menjadi
dua tahap, yaitu: 1. Analisa Frequent Item Set
Tahap mencari kombinasi item set yang memenuhi syarat minimum dari nilai support dalam basis data. Nilai support sebuah item diperoleh dengan rumus berikut:
2. Pembentukan Associative Rules Setelah semua frequent item set ditemukan, kemudian dicari associative rules atau
aturan assosiatifnya yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif AB. Nilai confidence dari aturan AB diperoleh dari rumus
sebagai berikut:
24
Analisa dan Pengolahan Data
Dalam proses analisis data untuk menentukan associative rules, yang perlu dilakukan pertama kali adalah melakukan perhitungan frequent item set. Perhitungan ini dilakukan
untuk mendapatkan rules yang nantinya akan digunakan untuk membantu perhitungan nilai- nilai yang dibutuhkan yaiu nilai support dan nilai confidence. Dengan kata lain, pada tahap
ini akan dilakukan penentuan item set yang nantinya akan ditransformasikan menjadi nilai dari item set itu sendiri. Ini berlaku pada semua himpunan yang mungkin terjadi pada tahap
analisis frequent item set.
Data awal yang digunakan adalah data transaksi pengambilan material dari gudang simpan oleh user, dalam hal ini bagian produksi, yang dilakukan selama 300 hari kerja
periode. Data transaksi pengambilan material secara lengkap dapat dilihat pada Lampiran 5. Untuk menentukan nilai frequent item set, sebelumnya harus ditentukan bilangan item set
terlebih dahulu yang selanjutnya digunakan sebagai parameter perhitungan penentuan frequent item set. Pada penelitian ini ditetapkan nilai bilangan parameter item set adalah 85.
Penentuan nilai bilangan parameter item set sebesar 85 cukup baik diterapkan dalam perhitungan frequent item set karena cukup baik menjadi ambang batas jumlah kemunculan
material bahan baku dalam satu transaksi. Kombinasi awal material k = 2 secara lengkap dapat dilihat pada Lampiran 6. Hasil dari analisis frequent item set dengan bilangan item set
85 memunculkan sebanyak 14 item set yang telah sesuai dengan literatur karena menghasilkan jumlah item set dibawah jumlah penggolongan awal material bahan baku yang
berjumlah 20. Dari 14 item set yang dihasilkan kemudian dijadikan rules yang berasal dari proses K-item set = 2 dua anggota himpunan set. Rules disajikan dalam bentuk tabel
sebagai berikut.
Tabel 5. Hasil Analisis Frequent Item Set K-Item Set = 2 K-Item Set = 2
If Antecedent thenConsequent
If Use B then Use D If Use B then Use H
If Use B then Use M If Use B then Use S
If Use B then Use T If Use D then Use E
If Use D then Use M If Use D then Use P
If Use E then Use M If Use H then Use M
If Use M then Use S If Use O then Use Q
If Use O then Use S If Use Q then Use T
25 Setelah menghitung dan menentukan frequent item set atau rules, selanjutnya ada
melakukan perhitungan nilai-nilai associative rules mining. Ini adalah tahap akhir dari proses analisis data pada penelitian ini. Setelah mendapatkan rules yang signifikan, selanjutnya
dilakukan perhitungan kebenarannya melalui nilai-nilai associative rules mining yaitu nilai support dan nilai confidence. Perhitungan nilai support bertujuan untuk mengetahui ukuran
dominasi suatu item set dalam keseluruhan transaksi penggudangan. Sedangkan perhitungan nilai confidence bertujuan untuk menghitung ukuran hubungan antara dua item secara
kondisional. Yang menjadi acuan untuk menetapkan rules terbaik dari rules yang ada adalah melalui nilai yang dihasilkan dari perkalian nilai support dengan nilai confidence. Berikut
adalah hasil perhitungan nilai support, nilai confidenc, dan nilai hasil perkalian keduanya.
Seperti yang telah dibahas sebelumnya bahwa nilai utama yang dijadikan patokan dalam penyusunan rules dari suatu frequent item set adalah nilai support dan nilai confidence.
Setelah mendapatkan dua nilai tersebut barulah ditentukan nilai hasil perkalian kedua nilai tersebut. Nilai ini yang akhirnya yang menjadi patokan hubungan yang disajikan dalam
bentuk nilai asosiasi antar dua item material bahan baku.
Tabel 6. Hasil Perhitungan Nilai Support, Confidence, dan Perkalian Keduanya
If Antecedent thenConsequent Support
Confidence Support x Confidence
If Use B then Use D 0.287
0.534 0.15
If Use B then Use H 0.283
0.528 0.15
If Use B then Use M 0.293
0.547 0.16
If Use B then Use S 0.297
0.553 0.16
If Use B then Use T 0.283
0.528 0.15
If Use D then Use E 0.287
0.541 0.16
If Use D then Use M 0.317
0.598 0.19
If Use D then Use P 0.287
0.541 0.16
If Use E then Use M 0.283
0.556 0.16
If Use H then Use M 0.300
0.596 0.18
If Use N then Use S 0.290
0.531 0.15
If Use O then Use Q 0.310
0.612 0.19
If Use O then Use S 0.307
0.605 0.19
If Use Q then Use T 0.283
0.535 0.15
Dari tabel di atas dapat dilihat bahwa DM, OQ, dan OS memiliki nilai korelasi tertinggi dibanding item set yang lain. Hal ini juga dapat diterjemahkan bahwa ketika user
menggunakan material bahan baku D, maka user juga akan menggunakan material M secara bersamaan. Kedua bahan material tersebut ditemukan paling sering digunakan berdasarkan
data transaksi keluarnya material bahan baku untuk digunakan oleh bagian produksi. Begitupun berlaku terhadap material bahan baku O terhadap material Q dan material O
terhadap material bahan baku S. Dikarenakan penggunaan kedua material bahan baku tersebut dilakukan secara bersamaan atau hampir bersamaan, maka selanjutnya diharapkan
memberikan manfaat seperti: 1. Warehouse manager dapat lebih memperhatikan pengeluaran material bahan baku dari
gudang jika salah satu dari material digunakan oleh user. Sering ditemukan di lapangan
26 terjadi loses pada jumlah material yang tersimpan dan ini sering terjadi dikarenakan
terlalu banyaknya material yang disimpan serta pengeluaran material bahan baku atau penggunaan oleh material yang tidak terhitung oleh warehouse manager. Tidak hanya
berlaku untuk penggunaan material oleh user, hal ini juga berlaku pada saat melakukan pengadaan terhadap material-material tersebut. Pengadaan material secara bersamaan
akan mempersingkat lead time material lainnya, sehingga mengurangi waktu menunggu yang terbuang pada saat pengadaan material tertentu.
2. Penggunaan teknik ini juga berimbas terhadap tata letak penyimpanan material bahan baku di dalam gudang. Material-material bahan baku yang memiliki nilai asosiasi
tertinggi dapat diletakkan berdekatan untuk mempermudah warehouse manager melakukan cek dan penyesuaian pada material-material bahan baku tersebut.
3. Jika dibandingkan dengan penggunaan teknik Data Mining lainnya, yaitu klasifikasi dan penggerombolan, teknik asosiasi memiliki jumlah himpunan material paling sedikit.
Hasil penggalian data dengan teknik asosiasi hanya melihat nilai kedekatan atau nilai asosiasi antar dua hingga tiga material. Hal tersebut tentunya akan mengefisiensikan
biaya pengadaan material, dari biaya pembelian hingga biaya distribusi. Berbeda dengan kedua teknik lainnya, yang justru akan mengakibatkan pembengkakkan biaya seiring
dengan banyaknya jumlah material yang menjadi satu himpunan teknik klasifikasi atau penggerombolan.
Setelah melakukan analisis terhadap data yang ada dan melakukan perhitungan dengan metode pemulusan eksponensial berganda dan perhitungan dengan teknik Associative Rules
Mining, didapatkan hasil yang sesuai dengan yang sudah diharapkan. Namun hasil tersebut masih membutuhkan penyempurnaan kedepannya guna mendapatkan hasil yang lebih baik lagi. Tidak
dapat dipungkiri secara sadar maupun tidak, masih mungkin ditemukan kekurangan pada penerapan teknik-teknik ini, masalah yang paling mencolok adalah mengenai data. Hal ini
dikarenakan bahasan penelitian ini yang terkait erat dengan bahan baku. Sangat jarang pihak industri atau perusahaan dapat mengeluarkan data rinci mengenai bahan baku produksi mereka
karena dianggap sebagai bagian yang sangat rahasia. Namun tidak menutup kemungkinan ada perusahaan yang dapat memberikan data tersebut. Masalah lain yang muncul adalah mengenai
data yang harus update setiap harinya. Maka dari itu dibutuhkan suatu sistem aplikasi komputer yang mampu mengerjakan semua tahapan teknik penelitian secara menyeluruh. Aplikasi tersebut
diharapkan nantinya mampu membantu warehouse manager melakukan pekerjaannya dengan mudah, sesuai prosedur, dan terperinci.
27
V. KESIMPULAN DAN SARAN
5.1 Kesimpulan