19 didukung dengan ketergantungan antar elemen sehingga kerjasama terjalin baik Said dan Ilham
2005. Aliran informasi dalam manajemen rantai pasok terbagi ke dalam tiga bagian, yaitu: 1 Aliran
produk dan jasa flow of products and service; 2 Aliran uang flow of money; dan 3 Aliran dokumen flow of document. Keseimbangan aliran ketiga informasi ini membuat rantai pasok
berjalan dengan baik dan dapat memenuhi tujuan Indrajit dan Djokopranoto 2002. Salah satu kegunaan dari adanya aliran informasi adalah untuk menentukan jumlah persediaan pada waktu
tertentu untuk memenuhi permintaan konsumen. Manajemen persediaan menjawab pertanyaan berapa banyak persediaan yang perlu dicadangkan untuk mengatasi fluktuasi permintaan pelanggan dan
pengiriman pemasok. Ruang lingkup manajemen rantai pasok sangat luas, sehingga terbagi ke dalam 3 bagian besar,
yaitu: 1 Supply Chain Upstream, mengatur manajemen pengadaan dari pemasok raw materials sampai ke manufaktur; 2 Manufacturing, aliran informasi di dalam industri. Mengatur semua
aktivitas produksi dari bahan baku sampai produk jadi; 3 Supply Chain Downstream, mengatur manajemen distribusi dan transportasi, mulai dari produk keluar dari manufaktur sampai pengguna
akhir, bagian ini mencakup manajemen pergudangan yang juga mengatur persediaan di dalam gudang Waters, 2003.
Salah satu sistem yang dipakai dalam perencanaan distribusi adalah konsep Distribution Requirements Planning DRP, sistem ini mendorong persediaan dari pabrik ke gudang. Keputusan
penambahan kembali persediaan dilakukan di pabrik. Keuntungan dari sistem ini adalah tercapainya skala ekonomis pada manajemen gudang utama. DRP menentukan kebutuhan dari setiap gudang yang
tersusun dalam struktur distribusi perusahaan, sehingga didapatkan total produk yang harus tersedia pada periode waktu tertentu di gudang utama. Penyusunan DRP harus dilengkapi dengan pembuatan
Bill of Distribution BOD, sebuah metode untuk menggambarkan struktur distribusi perusahaan. Disusun secara hirarkis, sehingga permintaan dari struktur terendah akan dipertimbangkan dalam
struktur di atasnya Waters 2003. Perencanaan transportasi berhubungan langsung dengan perencanaan distribusi. Penelitian ini
mencoba untuk menerapkan pola pengiriman satu truk menuju banyak tujuan dengan menggunakan metode Minimum Spanning Tree MST. MST adalah sebuah pohon yang dapat didefinisikan dengan
sebuah graf. Graf berarah dan graf tidak berarah adalah subgraf yang setiap node atau simpulnya terkoneksi satu sama lain. Sebuah graf, dapat memberikan pohon rentang yang berbeda. Pada setiap
ruas edge, akan diberikan bobot untuk menentukan nilai edge tersebut dibanding dengan yang lain. Setiap bobot edge dibandingkan dengan bobot edge yang lain untuk menentukan arah simpul
berikutnya. Pemilihan simpul ini didasarkan pada jenis algoritma yang akan digunakan Pettie dan Ramachandran 2001. Algoritma yang digunakan dalam penilitian ini adalah Prims Algorithm, salah
satu algoritma dalam MST dengan mengambil satu titik terlebih dahulu sebagai titik awal keberangkatan. Prims cocok digunakan dalam perencanaan transportasi karena pasti titik awalnya
adalah gudang pusat, dan kemudian menuju ke setiap gudang regional Anonim, 2011.
1I.2 DATA MINING
Data dan informasi memiliki nilai dan pengertian yang berbeda. Data dikatakan sebagai bahan mentah dari informasi, sedangkan informasi adalah data yang sudah dikelola sedemikian rupa
sehingga memiliki nilai tambah untuk mengambil keputusan. Sumber daya pada sebuah perusahaan terdiri dari lima, yaitu: material, manusia, mesin fasilitas dan energi, uang, dan data atau informasi.
Berbeda dengan empat sumber daya lainnya, data atau informasi sifatnya invisible. Tumpukan- tumpukan data yang dihasilkan oleh perusahaan saat beraktivitas dan bertransaksi lebih tidak terlihat
20 lagi, bahkan sering dianggap tidak ada nilainya. Pada bagian inilah penggalian data menjalankan
perannya, membuat data yang sebelumnya dianggap tidak bernilai menjadi sangat berharga Sulianta dan Juju 2010.
Penggalian data atau data mining DM adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual.
Sehingga dengan DM dapat mengungkapkan pola-pola tersembunyi dari sebuah data. Alasan utama untuk menggunakan DM adalah membantu dalam analisis koleksi pengamatan perilaku. DM
merupakan pengambilan informasi yang tersembunyi, dimana informasi tersebur sebelumnya tidak dikenal dan berpotensi bermanfaat. Proses ini meliputi sejumlah pendekatan teknis yang berbeda
anseperti clustering, data summarization, learning classification rules dan sebagainya Han dan Kamber 2001.
Salah satu tuntutan dari DM adalah penerapan pada data berskala besar yang memerlukan metodologi sistematis, tidak hanya ketika melakukan analisa saja tetapi juga ketika mempersiapkan
data dan juga melakukan interpretasi dari hasilnya sehingga dapat menjadi aksi ataupun keputusan yang bermanfaat. DM dipahami sebagai suatu proses yang memiliki tahapan-tahapan tertentu dan juga
ada umpan balik dari setiap tahapan ke tahapan sebelumnya. Pada umumnya proses DM berjalan interaktif karena tidak jarang hasil DM pada awalnya tidak sesuai dengan harapan analisnya sehingga
perlu dilakukan desain ulang proses. Berikut tahapan dalam DM: 1. Pembersihan data untuk membuang data yang tidak konsisten dan noise
2. Integrasi data penggabungan dari beberapa sumber 3. Transformasi data data diubah menjadi bentuk yang sesuai untuk digali
4. Aplikasi teknik Penggalian data 5. Evaluasi pada pola yang ditemukan untuk menemukan yang menarik atau bernilai
6. Presentasi pengetahuan dengan teknik visualisasi
Tar get Dat
a Ba
sis Dat a
Ba sis Dat
a
Ba s
is D a
ta Pembersihan dan Pengintegrasian Data
Data yang sudah
ditransformasi Transformasi dan Seleksi Data
Penggalian Data Pola
Pengetahuan Evaluasi dan Interpretasi
Sumber: Han dan Kamber 2001 Gambar 1. Tahapan Pengolahan Data untuk Penggalian data
21 Beberapa teknik DM yang dapat digunakan untuk penentuan target pasar menurut Kusnawi
2007 adalah: a Klasifikasi
Suatu teknik dengan melihat pada kelakuan dan atribut dari kelompok yang telah didefinisikan. Teknik ini memberikan klasifikasi pada data baru dengan memanipulasi data
yang ada dan telah diklasifikasi dan dengan menggunakan hasilnya untuk memberikan sejumlah aturan. Decision tree adalah salah satu teknik klasifikasi yang paling mudah untuk
diinterpretasikan, yaitu struktur flowchart yang menyerupai pohon tree, dimana setiap simpul internal menandakan suatu tes pada atribut, setiap cabang merepresentasikan kelas
atau distribusi kelas. Alur pada decision tree ditelusuri dari simpul akar ke simpul daun yang memegang prediksi. Algoritma decision tree yang paling terkenal adalah C4.5, tetapi untuk
penanganan data besar biasanya digunakan neural network, genetic algorithm, fuzzy, case- based reasoning dan k-nearest reasoning.
b Asosiasi Digunakan untuk mengenali kelakuan dari kejadian-kejadian khusus atau proses
dimana hubungan asosiasi muncul pada setiap kejadian. Contoh dari aturan asosiatif adalah dari analisa pembelian di pasar swalayan, dapat diketahui seberapa besar kemungkinan
seorang pembeli membeli susu dan roti pada waktu yang bersamaan yang kemudian akan mempengaruhi desain tataletak pasar swalayan.
c Penggerombolan Berbeda dengan asosiasi dan klasifikasi dimana kelas data telah ditentukan
sebelumnya, penggerombolan melakukan pengelompokan data tanpa berdasarkan kelas data tertentu. Bahkan penggerombolan dapat dipakai untuk memberikan label pada kelas data
yang belum diketahui. Prinsip penggerombolan adalah memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan antar kelas..
Teknik penggalian data yang digunakan dalam penelitian ini adalah teknik klasifikasi, digunakan untuk mendapatkan pola perencanaan transportasi dalam perusahaan. Data diambil dari
setiap transaksi pengiriman produk ke masing-masing distributor. Data pengiriman ini mencakup tempat tujuan, jumlah produk yang dikirim, kendaraan yang digunakan, kapasitas kendaraan, jarak
tempuh, dan biaya angkut. Total biaya angkut akan menjadi fungsi tujuan goal dan faktor lainnya sebagai atribut. Permasalahan ini akan diselesaikan dengan menggunakan algoritma decision tree,
Konsep algoritma decision tree adalah mengubah data menjadi pohon keputusan decision tree dan aturan-aturan keputusan rules. Data yang dapat diolah menggunakan algoritma ini adalah
yang bersifat biner atau diskret. Data dinyatakan dalam bentuk tabel dengan atribut dan record. Atribut menyatakan suatu parameter yang dibuat sebagai kriterian dalam pembentukan tree. Salah
satu atribut merupakan atribut yang menyatakan data solusi per item data yang disebut dengan target atribut. Data tersebut akan mengalami tiga tahapan sebelum dinyatakan sebagai decision tree Rokach
dan Maimon, 2008. Pertama data akan diubah menjadi bentuk tree, lalu setelah tree terbentuk diubah menjadi aturan-aturan rules, kemudian terakhir akan disederhanakan.
Penggunaan algoritma decision tree memiliki beberapa keunggulan dibanding teknik lainnya, yaitu: Berguna dalam mengeksplorasi data, sehingga data yang tersembunyi dapat diolah dan
dikembangkan lagi; Dapat menjabarkan dengan lebih sederhana proses pengambilan keputusan yang kompleks sehingga pengambilan keputusan akan lebih menginterpretasikan solusi dari permasalahan;
Dapat dijadikan tool pengambilan keputusan terakhir; dan Mengubah keputusan yang kompleks menjadi lebih sederhana, spesifik, dan mudah Sulianta dan Juju, 2010.
22
II.3 SISTEM INFORMASI
