Klasifikasi Data Mining id. docx
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 biayabiaya 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)
Persediaan merupakan bagian utama dalam perusahaan khususnya perusahaan
dagang dan seringkali merupakan perkiraan yang nilainya cukup besar dan
melibatkan modal kerja yang besar. Tanpa adanya persediaan barang dagangan,
perusahaan akan menghadapi resiko dimana pada suatu waktu tidak dapat
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 barangbarang 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.
Terdapat beberapa penelitian terdahulu yang serupa dimana meneliti dengan
menggunakan klasifikasi data mining metode decision tree dan naive bayes.
Penelitian pertama yaitu dari Wawan Yunanto, Mochamad Hariadi, dan Mauridhi
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 ratarata 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.
Penelitian kedua yaitu datang dari mahasiswa Universitas Islam Indonesia
Ahmad Fathan Hidayatullah, Alan Dwi Prasetyo, dan Dantik Puspita Sari dengan
penelitiannya yang berjudul “Analisis Kualitas Data dan Klasifikasi Data Pasien
Kanker” perbedaan dengan penelitian kami adalah penerapan dari penggunaan
decision tree dan native bayes dimana pada penelitian ini diterapkan untuk kualitas
data dan klasifikasi data pasien kanker. Hasil dari penelitian ini yaitu telah
menyelesaikan masalah missing value data pasien kanker dengan replace missing
value. Replace missing value mengganti nilai yang hilang pada suatu atribut dengan
nilai rata-rata suatu atribut. Untuk menentukan kemiripan data pasien, digunakan
metode Levenshtein string metric. Metode Levenshtein string metric melakukan
pengecekan setiap karakter string pada setiap atribut data pasien. Berdasarkan dua
metode yang diuji coba, disimpulkan bahwa Decision Tree menghasilkan performa
yang sedikit lebih baik dari Naive Bayes dalam menentukan klasifikasi. Metode
Decision tree menghasilkan akurasi sebesar 99.9988 % sedangkan metode Naive
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.
2. Untuk mengetahui perbandingan hasil prediksi menggunakan algoritma
Decision Tree dan Naïve Bayes.
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:
1.
Pembangunan model, dalam tahapan ini dibuat sebuah model untuk
menyelesaikan masalah klasifikasi class atau attribut dalam data, model ini
dibangun berdasarkan training set-sebuah contoh data dari permasalahan yang
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 topdown 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)
Untuk melakukan pemisahan obyek (split) dilakukan tes terhadap atribut dengan
mengukur tingkat ketidakmurnian pada sebuah simpul (node). Pada algoritma C.45
menggunakan rasio perolehan (gain ratio). Sebelum menghitung rasio perolehan,
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 variabelvariabel yang melekat padanya. Selain itu, naive bayes dapat juga menganalisa
variabel-variabel yang paling mempengaruhinya dalam bentuk peluang. (Olson
Delen, 2008)
Keuntungan metode Naive Bayes :
1. Menangani kuantitatif dan data diskrit
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
Terdapat beberapa penelitian terdahulu yang serupa dimana meneliti dengan
menggunakan klasifikasi data mining metode decision tree dan naive bayes.
Penelitian pertama yaitu dari Wawan Yunanto, Mochamad Hariadi, dan Mauridhi
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 ratarata 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.
Penelitian kedua yaitu datang dari mahasiswa Universitas Islam Indonesia
Ahmad Fathan Hidayatullah, Alan Dwi Prasetyo, dan Dantik Puspita Sari dengan
penelitiannya yang berjudul “Analisis Kualitas Data dan Klasifikasi Data Pasien
Kanker” perbedaan dengan penelitian kami adalah penerapan dari penggunaan
decision tree dan native bayes dimana pada penelitian ini diterapkan untuk kualitas
data dan klasifikasi data pasien kanker. Hasil dari penelitian ini yaitu telah
menyelesaikan masalah missing value data pasien kanker dengan replace missing
value. Replace missing value mengganti nilai yang hilang pada suatu atribut dengan
nilai rata-rata suatu atribut. Untuk menentukan kemiripan data pasien, digunakan
metode Levenshtein string metric. Metode Levenshtein string metric melakukan
pengecekan setiap karakter string pada setiap atribut data pasien. Berdasarkan dua
metode yang diuji coba, disimpulkan bahwa Decision Tree menghasilkan performa
yang sedikit lebih baik dari Naive Bayes dalam menentukan klasifikasi. Metode
Decision tree menghasilkan akurasi sebesar 99.9988 % sedangkan metode Naive
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.
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
Pada penelitian ini jenis data yang digunakan ada dua macam yaitu data primer dan
data sekunder. Dimana dalam data primer didapatkan dari data yang telah diberikan
oleh asisten pembimbing. Serta pada data sekunder yaitu data yang didapatkan
secara tidak langsung dari objek penelitian melainkan mencari data dari sumber lain
yang dapat mendukung penelitian ini dan juga digunakan sebagai referensi.
3.4 Alur Penelitian
Mulai
Transformasi data
Menentukan
training set & test
set
Pengolahan data
dengan decision tree
& naive bayes
Output rule
Analisis Hasil
Selesai
Gambar 3.1 Diagram Alur Penelitian
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.
5. Terakhir melakukan analisis terhadap hasil akhir yang didapatkan dari kedua
perhitungan yaitu secara manual dan otomatis sehingga dapat ditarik sebuah
kesimpulan dan rekomendasi yang sesuai.
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
bahan
baku
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Persediaan Kuantitas
awal
1236
2127
1246
2075
2377
2131
2563
1747
2588
2915
2300
2764
1918
1368
1835
1382
1293
2040
1773
2006
pesan
8629
11618
11074
9472
11791
9779
10005
8779
11045
8251
10540
11328
11530
8457
11676
8369
10271
9729
11838
8219
Leadtim
Frekuensi
Safety
Peningkatan
e
pemesanan
stock
total Inventory
1289
1949
1715
2860
1631
2564
2920
2462
2521
1926
1387
1734
2183
1343
1003
1227
1877
1011
2333
2890
cost
Tidak
Ya
Tidak
Tidak
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Ya
Tidak
Tidak
Ya
5
8
15
15
9
5
7
12
11
13
13
11
12
7
8
13
8
13
12
14
16
14
7
20
7
10
16
12
16
10
12
10
4
22
10
18
17
16
10
22
Kode
bahan
baku
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
Persediaan Kuantitas
awal
2116
1721
2973
1058
1516
2704
1779
2480
1554
2770
2413
2425
1445
1637
2890
1904
2570
1874
2683
2150
1862
1568
1313
1501
2501
1924
2734
2140
2234
1227
1581
1476
1538
1749
2931
pesan
11710
11234
10616
11772
11780
11883
9364
9788
9076
8328
8597
9035
11755
9750
10646
9276
10782
10207
8471
9351
10083
8514
10641
11225
9770
8817
11411
11770
11314
9187
8699
9056
11970
10668
8607
Leadtim
Frekuensi
Safety
Peningkatan
e
pemesanan
stock
total Inventory
1124
1946
2522
2088
2779
2658
2192
2939
2915
2814
1325
1776
2897
1802
1633
1522
1957
2622
1628
1540
1864
1533
1983
2343
1214
1752
1803
2180
2352
1406
2146
1382
1066
2602
2453
cost
Ya
Tidak
Ya
Tidak
Ya
Tidak
Tidak
Tidak
Tidak
Ya
Ya
Ya
Ya
Ya
Tidak
Ya
Ya
Ya
Tidak
Ya
Tidak
Ya
Tidak
Tidak
Tidak
Tidak
Ya
Tidak
Tidak
Tidak
Ya
Ya
Tidak
Ya
Tidak
13
8
14
15
15
8
8
12
7
9
6
8
10
5
6
5
12
7
9
12
10
5
13
15
8
15
15
15
13
11
15
9
6
12
7
6
5
20
13
20
5
6
16
5
16
11
9
16
9
13
11
20
16
5
10
15
17
7
14
16
15
16
16
11
15
17
6
16
5
6
Kode
bahan
baku
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
Persediaan Kuantitas
awal
2795
1151
1214
2594
1734
2922
2128
2564
1194
1633
1231
2370
1157
2600
2998
2734
2812
1009
2569
2000
2143
2928
2582
1886
1221
2526
1803
2331
2753
2808
2591
1308
2850
1564
1866
pesan
8424
11756
11013
8689
8315
10255
10547
9632
8366
11040
9073
10325
8010
9552
11122
10176
9893
10187
11076
9709
10482
11804
8116
11891
10254
9721
9476
8323
9840
8673
9968
8165
11852
11080
11683
Leadtim
Frekuensi
Safety
Peningkatan
e
pemesanan
stock
total Inventory
1557
2165
2562
2702
1824
2716
1641
2506
2952
1145
2409
2662
2001
1928
2787
2491
2645
2484
1790
1370
1944
1706
1757
1102
1297
1735
2188
1901
1816
2556
2188
1455
2044
2383
2331
cost
Tidak
Ya
Tidak
Tidak
Tidak
Tidak
Ya
Ya
Ya
Tidak
Tidak
Ya
Tidak
Tidak
Ya
Tidak
Ya
Ya
Ya
Tidak
Tidak
Ya
Tidak
Tidak
Ya
Ya
Tidak
Tidak
Tidak
Ya
Tidak
Ya
Ya
Ya
Ya
10
15
9
12
8
11
8
15
12
6
14
13
5
14
6
15
13
11
6
10
5
8
13
13
5
10
14
14
14
13
10
15
13
5
8
22
4
8
9
11
12
4
6
20
16
10
14
15
6
12
13
13
7
13
16
16
15
5
9
15
15
13
7
13
20
16
7
9
20
8
Kode
Persediaan Kuantitas
bahan
awal
baku
91
92
93
94
95
96
97
98
99
100
1064
2467
1370
1775
1864
2816
1737
1087
2477
2772
pesan
9530
10703
10462
8105
8956
11630
11569
9278
9790
11168
Leadtim
Frekuensi
Safety
Peningkatan
e
pemesanan
stock
total Inventory
2699
1794
2924
2905
1910
2219
2379
2421
2150
2393
cost
Tidak
Tidak
Ya
Tidak
Tidak
Ya
Tidak
Tidak
Ya
Ya
7
6
10
12
5
5
7
12
12
12
12
17
10
7
16
16
12
16
11
22
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
Sedang
Banyak
Sedikit
Sedang
Banyak
Cepat
Sedang
Lama
Jarang
Kadang-kadang
Sering
Sedikit
Sedang
< 1500
1500 - 2500
> 2500
10500
12
< 10
10 - 15
> 15
< 1500
1500 - 2500
Kuantitas Pesan
Leadtime
Frekuensi Pemesanan
Safety stock
Banyak
> 2500
Dari aturan yang telah diberikan maka didapatkan transformasi data seperti pada
tabel berikut
Tabel 4. 3 Data Transformasi
Kode
bahan
baku
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
Persediaan Kuantitas
awal
Sedikit
Sedang
Sedikit
Sedang
Sedang
Sedang
Banyak
Sedang
Banyak
Banyak
Sedang
Banyak
Sedang
Sedikit
Sedang
Sedikit
Sedikit
Sedang
Sedang
Sedang
Sedang
Sedang
Banyak
Sedikit
Sedang
Banyak
Sedang
Sedang
Sedang
pesan
Sedikit
Banyak
Banyak
Sedang
Banyak
Sedang
Sedang
Sedikit
Banyak
Sedikit
Banyak
Banyak
Banyak
Sedikit
Banyak
Sedikit
Sedang
Sedang
Banyak
Sedikit
Banyak
Banyak
Banyak
Banyak
Banyak
Banyak
Sedang
Sedang
Sedang
Leadtim
Frekuensi
Safety
Peningkatan
e
pemesanan
stock
total Inventory
Sedikit
Sedang
Sedang
Banyak
Sedang
Banyak
Banyak
Sedang
Banyak
Sedang
Sedikit
Sedang
Sedang
Sedikit
Sedikit
Sedikit
Sedang
Sedikit
Sedang
Banyak
Sedikit
Sedang
Banyak
Sedang
Banyak
Banyak
Sedang
Banyak
Banyak
cost
Tidak
Ya
Tidak
Tidak
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Ya
Tidak
Tidak
Ya
Ya
Tidak
Ya
Tidak
Ya
Tidak
Tidak
Tidak
Tidak
Cepat
Sedang
Lama
Lama
Sedang
Cepat
Cepat
Sedang
Sedang
Lama
Lama
Sedang
Sedang
Cepat
Sedang
Lama
Sedang
Lama
Sedang
Lama
Lama
Sedang
Lama
Lama
Lama
Sedang
Sedang
Sedang
Cepat
Sering
Kadang-kadang
Jarang
Sering
Jarang
Kadang-kadang
Sering
Kadang-kadang
Sering
Kadang-kadang
Kadang-kadang
Kadang-kadang
Jarang
Sering
Kadang-kadang
Sering
Sering
Sering
Kadang-kadang
Sering
Jarang
Jarang
Sering
Kadang-kadang
Sering
Jarang
Jarang
Sering
Jarang
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
Banyak
Sedang
Sedang
Sedikit
Sedang
Banyak
Sedang
Banyak
Sedang
Banyak
Sedang
Sedang
Sedang
Sedikit
Sedang
Banyak
Sedang
Banyak
Sedang
Sedang
Sedikit
Sedang
Sedikit
Sedang
Sedang
Banyak
Banyak
Sedikit
Sedikit
Banyak
Sedang
Banyak
Sedang
Banyak
Sedikit
Sedang
Sedikit
Sedang
Sedikit
Sedikit
Sedang
Banyak
Sedang
Banyak
Sedang
Banyak
Sedang
Sedikit
Sedang
Sedang
Sedikit
Banyak
Banyak
Sedang
Sedikit
Banyak
Banyak
Banyak
Sedang
Sedikit
Sedang
Banyak
Banyak
Sedikit
Sedikit
Banyak
Banyak
Sedikit
Sedikit
Sedang
Banyak
Sedang
Sedikit
Banyak
Sedang
Sedang
Sedang
Cepat
Sedang
Sedang
Cepat
Cepat
Cepat
Sedang
Cepat
Sedang
Sedang
Sedang
Cepat
Lama
Lama
Sedang
Lama
Lama
Lama
Lama
Sedang
Lama
Sedang
Cepat
Sedang
Cepat
Sedang
Lama
Sedang
Sedang
Sedang
Sedang
Sedang
Lama
Sedang
Cepat
Lama
Lama
Sering
Kadang-kadang
Jarang
Sering
Jarang
Kadang-kadang
Kadang-kadang
Sering
Sering
Jarang
Kadang-kadang
Kadang-kadang
Sering
Jarang
Kadang-kadang
Sering
Kadang-kadang
Sering
Sering
Kadang-kadang
Kadang-kadang
Sering
Jarang
Sering
Jarang
Jarang
Sering
Jarang
Jarang
Jarang
Kadang-kadang
Kadang-kadang
Jarang
Jarang
Sering
Sering
Kadang-kadang
Kadang-kadang
Banyak
Sedikit
Sedang
Banyak
Sedang
Sedang
Sedang
Sedang
Banyak
Sedang
Sedang
Sedang
Sedang
Sedang
Sedang
Sedikit
Sedang
Sedang
Sedang
Sedang
Sedikit
Sedang
Sedikit
Sedikit
Banyak
Sedang
Sedang
Sedang
Banyak
Banyak
Sedang
Banyak
Sedang
Banyak
Banyak
Sedikit
Sedang
Banyak
Ya
Ya
Ya
Ya
Ya
Tidak
Ya
Ya
Ya
Tidak
Ya
Tidak
Ya
Tidak
Tidak
Tidak
Tidak
Ya
Tidak
Tidak
Tidak
Ya
Ya
Tidak
Ya
Tidak
Tidak
Ya
Tidak
Tidak
Tidak
Tidak
Ya
Ya
Ya
Tidak
Tidak
Ya
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
Sedikit
Banyak
Banyak
Banyak
Banyak
Sedikit
Banyak
Sedang
Sedang
Banyak
Banyak
Sedang
Sedikit
Banyak
Sedang
Sedang
Banyak
Banyak
Banyak
Sedikit
Banyak
Sedang
Sedang
Sedikit
Sedang
Sedikit
Sedang
Sedang
Banyak
Sedang
Sedikit
Sedang
Banyak
Sedikit
Sedang
Banyak
Sedang
Sedang
Sedang
Banyak
Sedang
Sedang
Banyak
Sedikit
Banyak
Sedang
Sedang
Sedang
Sedikit
Sedang
Sedikit
Sedang
Sedikit
Banyak
Banyak
Banyak
Sedang
Banyak
Sedang
Sedikit
Sedikit
Banyak
Banyak
Sedang
Sedang
Banyak
Cepat
Lama
Cepat
Lama
Lama
Sedang
Cepat
Sedang
Cepat
Sedang
Lama
Lama
Cepat
Sedang
Lama
Lama
Lama
Lama
Sedang
Lama
Lama
Cepat
Sedang
Cepat
Cepat
Sedang
Sedang
Cepat
Cepat
Cepat
Sedang
Sedang
Sedang
4.2 If-Then Rule dari Hasil Klasifikasi
4.2.1 Decision tree
4.2.1.1 Microsoft Excel
Kadang-kadang
Jarang
Kadang-kadang
Kadang-kadang
Kadang-kadang
Jarang
Kadang-kadang
Sering
Sering
Kadang-kadang
Jarang
Jarang
Kadang-kadang
Kadang-kadang
Kadang-kadang
Jarang
Kadang-kadang
Sering
Sering
Jarang
Jarang
Sering
Jarang
Kadang-kadang
Sering
Kadang-kadang
Jarang
Sering
Sering
Kadang-kadang
Sering
Kadang-kadang
Sering
Sedang
Sedang
Banyak
Sedang
Banyak
Sedang
Sedang
Sedikit
Sedang
Sedang
Sedang
Sedikit
Sedikit
Sedang
Sedang
Sedang
Sedang
Banyak
Sedang
Sedikit
Sedang
Sedang
Sedang
Banyak
Sedang
Banyak
Banyak
Sedang
Sedang
Sedang
Sedang
Sedang
Sedang
Tidak
Tidak
Ya
Tidak
Ya
Ya
Ya
Tidak
Tidak
Ya
Tidak
Tidak
Ya
Ya
Tidak
Tidak
Tidak
Ya
Tidak
Ya
Ya
Ya
Ya
Tidak
Tidak
Ya
Tidak
Tidak
Ya
Tidak
Tidak
Ya
Ya
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 Root Node
Tabel 4. 4 Perhitungan Atribut Persediaan Awal untuk Roor Node
Persedia
an awal
Record
Status
Sedikit
Sedang
Banyak
Jumlah
Nilai
dalam
Q
Entropy
Instance
Tidak
Iya
Tidak
Iya
Tidak
Iya
Total
5
4
16
13
6
6
50
9
29
12
Informa
si
Informati
on gain
Q
0.9910
1
Q
76
0.9922
0.99390
0.9953784
0.0014700
2
Q
67
8341
39
98
1
3
Tabel 4. 5 Perhitungan Atribut Kuantitas Pesan untuk Root Node
Kuantitas
pesan
Sedikit
Sedang
Banyak
Record
Status
Jumlah
dalam
Q
Nilai
Informati
Informasi
on gain
0.93113
0.9953784
0.0642461
2338
39
01
Entropy
Instance
Tidak
Iya
Tidak
Iya
Tidak
Iya
3
8
9
7
15
8
11
16
23
Q
0.8453
1
Q
51
0.9886
2
Q
99
0.93211
3
2
Total
50
Tabel 4. 6 Perhitungan Atribut Leadtime untuk Root Node
Record
Leadtime
Status
Jumlah
dalam
Q
Nilai
Informatio
Informasi
n gain
0.969816
0.9953784
0.02556202
41
39
9
Entropy
Instance
Tidak
Iya
Tidak
Iya
Tidak
Iya
Cepat
Sedang
Lama
4
7
13
9
10
7
50
Total
11
22
17
Q
0.945
1
Q
66
0.976
2
Q
021
0.977
3
418
Tabel 4. 7 Perhitungan Atribut Frekuensi Pesan untuk Root Node
Record
Frekuensi
Status
pemesanan
Jumlah
dalam
Q
Nilai
Informati
Informasi
on gain
0.9398743
0.9953784
0.055504
69
39
07
Entropy
Instance
Tidak
Iya
Tidak
Iya
Tidak
Iya
Jarang
Kadangkadang
Sering
9
3
10
8
8
12
50
Total
12
18
20
Q
0.811
1
Q
278
0.991
2
Q
076
0.970
3
951
Tabel 4. 8 Perhitungan Atribut Safety stock untuk Root Node
Safety
stock
Sedikit
Sedang
Record
Status
Jumlah
dalam
Q
Nilai
Informati
Informasi
on gain
0.9882603
0.9953784
0.0071181
29
39
1
Entropy
Instance
Tidak
Iya
Tidak
Iya
6
4
15
12
10
27
Q
0.970
1
Q
951
0.991
2
076
Tidak
Iya
Banyak
6
7
50
Total
13
Q
0.995
3
727
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 Internal Node 1
Record
Persediaan
Status
awal
Jumlah
dalam
Q
Instance
Tidak
Iya
Tidak
Iya
Tidak
Iya
Sedikit
Sedang
Banyak
1
1
6
6
2
0
16
Total
Q
2
1
Q
12
2
Q
2
3
Entr
Nilai
Information
opy
Informasi
gain
1
1
0.875
0.98869940
0.11369940
8
8
0
Tabel 4. 10 Perhitungan Atribut Leadtime untuk Internal Node 1
Record
Leadtime
Status
Jumlah
dalam
Q
Nilai
Informatio
Informasi
n gain
0.8215779
0.9886994
0.16712146
39
08
9
Entropy
Instance
Cepat
Sedang
Lama
Total
Tidak
Iya
Tidak
Iya
Tidak
Iya
2
4
5
3
2
0
16
6
8
2
Q 0.918
1
296
Q 0.954
2
Q
3
434
0
Tabel 4. 11 Perhitungan Atribut Frekuensi Pemesanan untuk Internal Node 1
Frekuensi
pemesanan
Jarang
Kadangkadang
Sering
Record
Status
Jumlah
dalam
Q
Entropy
Instance
Tidak
Iya
Tidak
Iya
Tidak
Iya
Total
2
2
2
3
5
2
16
4
Q1
1
5
Q2
0.970951
7
Q3
0.863121
0.93103731
Nilai
Information
Informasi
gain
0.988699408
0.05766209
9
Tabel 4. 12 Perhitungan Atribut Safety stock untuk Internal Node 1
Record
Safety stock
Status
Jumlah
dalam
Q
Entropy
Instance
Sedikit
Sedang
Banyak
Total
Tidak
Iya
Tidak
Iya
Tidak
Iya
3
0
2
5
4
2
16
3
Q1
0
7
Q2
0.863121
6
Q3
0.918296
0.721976187
Nilai
Information
Informasi
gain
0.988699408
0.266723222
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.
Perhitungan Internal Node 2
Tabel 4. 13 Perhitungan Atribut Persediaan Awal untuk Internal Node 2
Persedia
Status
Jumlah
Record
Q
Entropy
an awal
dalam
Sedikit
Tidak
Iya
0
0
Instance
0
Q
0
Sedang
Tidak
Iya
3
2
5
1
Q
0.970
Tidak
Iya
1
0
1
2
Q
951
0
Banyak
Total
Nilai
Informati
Inform
on gain
0.8091
asi
0.9182958
0.1091703
25495
34
39
3
6
Tabel 4. 14 Perhitungan Atribut Leadtime untuk Internal Node 2
Leadtime
Status
Jumlah
Record
Q
Entropy
dalam
Instance
4
Cepat
Tidak
Iya
2
2
Sedang
Tidak
Iya
1
0
1
1
Q 0
Lama
Tidak
Iya
1
0
1
2
Q 0
Total
Q 1 0.66666666
Nilai
Information
Informasi
gain
0.91829583
0.25162916
4
7
7
3
6
Tabel 4. 15 Perhitungan Atribut Frekuensi Pemesanan untuk Internal Node 2
Frekuensi
pemesanan
Jarang
Kadangkadang
Sering
Total
Record
Status
Jumlah
dalam
Q
Entropy
Instance
Tidak
Iya
Tidak
Iya
Tidak
Iya
1
0
0
1
3
1
6
1
Q1
0
1
Q2
0
4
Q3
0.811278
Nilai
Information
Informasi
gain
0.540852083 0.918295834
0.377443751
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 Internal Node 3
Persediaan
awal
Record
Status
Jumlah
dalam
Q
Entropy
Instance
Sedikit
Sedang
Banyak
Tidak
Iya
Tidak
Iya
Tidak
Iya
Total
0
0
2
1
1
0
4
0
Q1
0
3
Q2
0.918296
1
Q3
0
Nilai
Information
Informasi
gain
0.688721876 0.811278124
0.122556249
Tabel 4. 17 Perhitungan Atribut Leadtime untuk Internal Node 3
Leadtime
Cepat
Sedang
Lama
Total
Status
Jumlah
Tidak
Iya
Tidak
Iya
Tidak
Iya
1
1
1
0
1
0
4
Record
dalam
Instance
Q
2
Q1
1
1
Q2
0
1
Q3
0
Entropy
Nilai
Informasi
Information
gain
0.5
0.811278124
0.311278124
Dari hasil perhitungan internal node 3 diatas diketahui bahwa atribut leadtime
mempunyai nilai information gain yang paling besar yaitu dengan nilai sebesar
0.311278124 sehingga leadtime menjadi internal node ketiga dari pohon keputusan
yang terbentuk.
Perhitungan Leaf Node
Tabel 4. 18 Perhitungan Atribut Persediaan Awal untuk Internal Node 3
Persediaan
awal
Sedikit
Sedang
Banyak
Total
Record
Status
Jumlah
dalam
Q
Entropy
Instance
Tidak
Iya
Tidak
Iya
Tidak
Iya
0
0
0
1
1
0
2
0
Q1
0
1
Q2
0
1
Q3
0
Nilai
Information
Informasi
gain
1
1
0
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.
4. 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.
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.
9. R9= if((kuantitas
pesan="Sedang")*(safety
stock="Banyak")*(frekuensi
pemesanan="Sering")*(Leadtime="Cepat")*(Persediaanawal="Sedikit"),"Tidak"
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.
Pohon Keputusan
Kuantitas
Kuantitas
pesan
pesan
Sikit
Sikit
(Iya)
(Iya)
Sedang
Sedang
Banyak
Banyak
(Tidak)
(Tidak)
Safety
stock sikit
Safety stock
sikit
(Tidak)
(Tidak)
Safety stock
stock sedang
Safety
sedang
(Iya)
(Iya)
Safety
Safety stock
stock
banyak
banyak
Frekuensi
Frekuensi
pemesanan jarang
pemesanan
jarang
(Tidak)
(Tidak)
Frekuensi
Frekuensi
pemesanan KadangKadangpemesanan
kadang
kadang
(Iya)
(Iya)
Frekuensi
Frekuensi
pemesanan
pemesanan
sering
sering
Lead
Lead time
time
cepat
cepat
Lead time
sedang
Lead
time sedang
(Tidak)
(Tidak)
Persediaan
Persediaan awal
awal
sedang
sedang
(Iya)
(Iya)
Persediaan
Persediaan awal
awal
banyak
banyak
(Tidak)
(Tidak)
Persediaan awal
Persediaan
awal
seikit
seikit
(Tidak)
(Tidak)
Lead
Lead time
time lama
lama
(Tidak)
(Tidak)
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
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 kadangkadang 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
Persedi Kuantitas
Leadtime
Safety
Peningka
pemesanan
stock
tan total
bahan
aan
baku
awal
Inventor
Sedang
Sedikit
Sedang
y cost
Ya
Ya
Tidak
51
52
53
pesan
Frekuensi
Sedikit
Sedang
Banyak
Lama
Sedang
Cepat
Sering
Jarang
Sering
Sedang
Sedikit
Sedikit
Keputusan
Iya
Tidak
Tidak
Kode
Persedi Kuantitas
Leadtime
Safety
Peningka
pemesanan
stock
tan total
Keputusan
bahan
aan
baku
awal
Inventor
54
55
56
57
58
59
60
Sedang
Banyak
Banyak
Sedikit
Sedikit
Banyak
Sedang
Banyak
Sedikit
Sedikit
Banyak
Banyak
Sedikit
Sedikit
Sedang
Cepat
Sedang
Lama
Sedang
Sedang
Sedang
Jarang
Jarang
Sering
Jarang
Jarang
Jarang
Kadang-
Banyak
Sedang
Sedang
Sedang
Banyak
Banyak
Sedang
y cost
Ya
Tidak
Tidak
Ya
Tidak
Tidak
Tidak
Tidak
Iya
Iya
Tidak
Tidak
Iya
Iya
61
Banyak
Sedang
Sedang
kadang
Kadang-
Banyak
Tidak
Iya
Sedang
Lama
Sedang
Cepat
Lama
kadang
Jarang
Jarang
Sering
Sering
Kadang-
Sedang
Banyak
Banyak
Sedikit
Sedang
Ya
Ya
Ya
Tidak
Tidak
Tidak
Tidak
Iya
Tidak
Iya
Lama
kadang
Kadang-
Banyak
Ya
Iya
Sedang
Tidak
Iya
62
63
64
65
66
67
Sedang
Banyak
Sedikit
Sedang
Sedikit
Sedang
pesan
Frekuensi
Banyak
Sedang
Sedikit
Banyak
Sedang
Sedang
68
Sedikit
Sedikit
Cepat
kadang
Kadang-
69
70
Banyak
Banyak
Sedang
Banyak
Lama
Cepat
kadang
Jarang
Kadang-
Sedang
Banyak
Tidak
Ya
Iya
Tidak
Lama
kadang
Kadang-
Sedang
Tidak
Iya
Banyak
Ya
Iya
71
Banyak
Sedang
72
Banyak
Sedang
Lama
kadang
Kadang-
73
74
Sedikit
Banyak
Sedang
Banyak
Sedang
Cepat
kadang
Jarang
Kadang-
Sedang
Sedang
Ya
Ya
Iya
Tidak
Sedang
Cepat
kadang
Sering
Sering
Sedikit
Sedang
Tidak
Tidak
Tidak
Iya
75
76
Sedang
Sedang
Sedang
Sedang
Kode
Persedi Kuantitas
Leadtime
Safety
Peningka
pemesanan
stock
tan total
Keputusan
bahan
aan
baku
awal
Inventor
77
Banyak
Banyak
Sedang
Kadang-
Sedang
y cost
Ya
Tidak
78
79
80
Banyak
Sedang
Sedikit
Sedikit
Banyak
Sedang
Lama
Lama
Cepat
kadang
Jarang
Jarang
Kadang-
Sedang
Sedikit
Sedikit
Tidak
Tidak
Ya
Iya
Tidak
Tidak
81
Banyak
Sedang
Sedang
kadang
Kadang-
Sedang
Ya
Iya
Lama
kadang
Kadang-
Sedang
Tidak
Iya
Sedang
Sedang
Tidak
Tidak
Iya
Iya
82
Sedang
pesan
Frekuensi
Sedang
83
84
Sedang
Banyak
Sedikit
Sedang
Lama
Lama
kadang
Jarang
Kadang-
85
86
87
88
89
90
91
Banyak
Banyak
Sedikit
Banyak
Sedang
Sedang
Sedikit
Sedikit
Sedang
Sedikit
Banyak
Banyak
Banyak
Sedang
Lama
Sedang
Lama
Lama
Cepat
Sedang
Cepat
kadang
Sering
Sering
Jarang
Jarang
Sering
Jarang
Kadang-
Banyak
Sedang
Sedikit
Sedang
Sedang
Sedang
Banyak
Ya
Tidak
Ya
Ya
Ya
Ya
Tidak
Iya
Iya
Iya
Tidak
Tidak
Tidak
Iya
Sedang
Banyak
Tidak
Ya
Tidak
Iya
92
93
Sedang
Sedikit
Banyak
Sedang
Cepat
Sedang
kadang
Sering
Kadang-
94
95
96
97
Sedang
Sedang
Banyak
Sedang
Sedikit
Sedikit
Banyak
Banyak
Sedang
Cepat
Cepat
Cepat
kadang
Jarang
Sering
Sering
Kadang-
Banyak
Sedang
Sedang
Sedang
Tidak
Tidak
Ya
Tidak
Iya
Iya
Tidak
Tidak
98
99
Sedikit
Sedang
Sedang
Sedang
Sedang
Sedang
kadang
Sering
Kadang-
Sedang
Sedang
Tidak
Ya
Iya
Iya
100
Banyak
Banyak
Sedang
kadang
Sering
Sedang
Ya
Tidak
Tabel 4. 20 Perhitungan Akurasi dan Eror
Eror
0.66
66%
Akuras
0.34
34%
i
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
Dari hasil pengolahan data training-set menggunakan Rapid Miner maka
didapatkan pohon keputusan dan akurasi prediksi seperti pada output output
berikut
Gambar 4. 2 Pengolahan Data Decision tree Menggunakan Rapid Miner
Gambar 4. 3 Output Decision tree Pada Rapid Miner
Pada output diatas diketahui hasil struktur dari decision tree yang didapat cukup berbeda dengan hasil yang didapat lewat
perhitungan manual. Pada output menggunakan Rapid Miner ini struktur decision tree terlihat lebih kompleks dan lebih rumit
jika dibandingkan dengan hasil yang didapat dari rule perhitungan manual. Namun dikarenakan akurasi yang didapat
menggunakan Rapid Miner berbeda sedikit atau hampir sama dengan akurasi yang didapat dari perhitungan manual maka
kami memutuskan untuk tetap mencantumkan output decision tree ini.
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
Berdasarkan hasil pengolahan data menggunakan bantuan software Rapid Miner
untuk perhitungan algoritma Naïve Bayes didapatkan hasil rule dan tingkat
akurasi seperti pada output berikut
Gambar 4. 5 Pengolahan Data Menggunakan Algoritma Naïve Bayes
Gambar 4. 6 Output Import Data
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
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
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
Pada output di atas diketahui nilai akurasi algorima Naïve Bayes dengan
menggunakan Software Rapid Miner pada data test-set sebesar 42%. Pada
output diatas diketahui prediksi “Ya” akan terjadi peningkatan inventory cost
dan benar ada 8 data. Sedangkan prediksi “Ya” akan terjadi peningkatan
inventory cost dan ternyata salah ada 13 data. Pada prediksi berikutnya untuk
“Tidak” pada
peningkatan inventory cost dan ternyata salah ada 16 data.
Sedangkan pada prediksi “Tidak” pada peningkatan inventory cost dan ternyata
benar ada 13 data.
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 sa
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 biayabiaya 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)
Persediaan merupakan bagian utama dalam perusahaan khususnya perusahaan
dagang dan seringkali merupakan perkiraan yang nilainya cukup besar dan
melibatkan modal kerja yang besar. Tanpa adanya persediaan barang dagangan,
perusahaan akan menghadapi resiko dimana pada suatu waktu tidak dapat
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 barangbarang 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.
Terdapat beberapa penelitian terdahulu yang serupa dimana meneliti dengan
menggunakan klasifikasi data mining metode decision tree dan naive bayes.
Penelitian pertama yaitu dari Wawan Yunanto, Mochamad Hariadi, dan Mauridhi
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 ratarata 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.
Penelitian kedua yaitu datang dari mahasiswa Universitas Islam Indonesia
Ahmad Fathan Hidayatullah, Alan Dwi Prasetyo, dan Dantik Puspita Sari dengan
penelitiannya yang berjudul “Analisis Kualitas Data dan Klasifikasi Data Pasien
Kanker” perbedaan dengan penelitian kami adalah penerapan dari penggunaan
decision tree dan native bayes dimana pada penelitian ini diterapkan untuk kualitas
data dan klasifikasi data pasien kanker. Hasil dari penelitian ini yaitu telah
menyelesaikan masalah missing value data pasien kanker dengan replace missing
value. Replace missing value mengganti nilai yang hilang pada suatu atribut dengan
nilai rata-rata suatu atribut. Untuk menentukan kemiripan data pasien, digunakan
metode Levenshtein string metric. Metode Levenshtein string metric melakukan
pengecekan setiap karakter string pada setiap atribut data pasien. Berdasarkan dua
metode yang diuji coba, disimpulkan bahwa Decision Tree menghasilkan performa
yang sedikit lebih baik dari Naive Bayes dalam menentukan klasifikasi. Metode
Decision tree menghasilkan akurasi sebesar 99.9988 % sedangkan metode Naive
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.
2. Untuk mengetahui perbandingan hasil prediksi menggunakan algoritma
Decision Tree dan Naïve Bayes.
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:
1.
Pembangunan model, dalam tahapan ini dibuat sebuah model untuk
menyelesaikan masalah klasifikasi class atau attribut dalam data, model ini
dibangun berdasarkan training set-sebuah contoh data dari permasalahan yang
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 topdown 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)
Untuk melakukan pemisahan obyek (split) dilakukan tes terhadap atribut dengan
mengukur tingkat ketidakmurnian pada sebuah simpul (node). Pada algoritma C.45
menggunakan rasio perolehan (gain ratio). Sebelum menghitung rasio perolehan,
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 variabelvariabel yang melekat padanya. Selain itu, naive bayes dapat juga menganalisa
variabel-variabel yang paling mempengaruhinya dalam bentuk peluang. (Olson
Delen, 2008)
Keuntungan metode Naive Bayes :
1. Menangani kuantitatif dan data diskrit
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
Terdapat beberapa penelitian terdahulu yang serupa dimana meneliti dengan
menggunakan klasifikasi data mining metode decision tree dan naive bayes.
Penelitian pertama yaitu dari Wawan Yunanto, Mochamad Hariadi, dan Mauridhi
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 ratarata 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.
Penelitian kedua yaitu datang dari mahasiswa Universitas Islam Indonesia
Ahmad Fathan Hidayatullah, Alan Dwi Prasetyo, dan Dantik Puspita Sari dengan
penelitiannya yang berjudul “Analisis Kualitas Data dan Klasifikasi Data Pasien
Kanker” perbedaan dengan penelitian kami adalah penerapan dari penggunaan
decision tree dan native bayes dimana pada penelitian ini diterapkan untuk kualitas
data dan klasifikasi data pasien kanker. Hasil dari penelitian ini yaitu telah
menyelesaikan masalah missing value data pasien kanker dengan replace missing
value. Replace missing value mengganti nilai yang hilang pada suatu atribut dengan
nilai rata-rata suatu atribut. Untuk menentukan kemiripan data pasien, digunakan
metode Levenshtein string metric. Metode Levenshtein string metric melakukan
pengecekan setiap karakter string pada setiap atribut data pasien. Berdasarkan dua
metode yang diuji coba, disimpulkan bahwa Decision Tree menghasilkan performa
yang sedikit lebih baik dari Naive Bayes dalam menentukan klasifikasi. Metode
Decision tree menghasilkan akurasi sebesar 99.9988 % sedangkan metode Naive
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.
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
Pada penelitian ini jenis data yang digunakan ada dua macam yaitu data primer dan
data sekunder. Dimana dalam data primer didapatkan dari data yang telah diberikan
oleh asisten pembimbing. Serta pada data sekunder yaitu data yang didapatkan
secara tidak langsung dari objek penelitian melainkan mencari data dari sumber lain
yang dapat mendukung penelitian ini dan juga digunakan sebagai referensi.
3.4 Alur Penelitian
Mulai
Transformasi data
Menentukan
training set & test
set
Pengolahan data
dengan decision tree
& naive bayes
Output rule
Analisis Hasil
Selesai
Gambar 3.1 Diagram Alur Penelitian
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.
5. Terakhir melakukan analisis terhadap hasil akhir yang didapatkan dari kedua
perhitungan yaitu secara manual dan otomatis sehingga dapat ditarik sebuah
kesimpulan dan rekomendasi yang sesuai.
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
bahan
baku
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Persediaan Kuantitas
awal
1236
2127
1246
2075
2377
2131
2563
1747
2588
2915
2300
2764
1918
1368
1835
1382
1293
2040
1773
2006
pesan
8629
11618
11074
9472
11791
9779
10005
8779
11045
8251
10540
11328
11530
8457
11676
8369
10271
9729
11838
8219
Leadtim
Frekuensi
Safety
Peningkatan
e
pemesanan
stock
total Inventory
1289
1949
1715
2860
1631
2564
2920
2462
2521
1926
1387
1734
2183
1343
1003
1227
1877
1011
2333
2890
cost
Tidak
Ya
Tidak
Tidak
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Ya
Tidak
Tidak
Ya
5
8
15
15
9
5
7
12
11
13
13
11
12
7
8
13
8
13
12
14
16
14
7
20
7
10
16
12
16
10
12
10
4
22
10
18
17
16
10
22
Kode
bahan
baku
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
Persediaan Kuantitas
awal
2116
1721
2973
1058
1516
2704
1779
2480
1554
2770
2413
2425
1445
1637
2890
1904
2570
1874
2683
2150
1862
1568
1313
1501
2501
1924
2734
2140
2234
1227
1581
1476
1538
1749
2931
pesan
11710
11234
10616
11772
11780
11883
9364
9788
9076
8328
8597
9035
11755
9750
10646
9276
10782
10207
8471
9351
10083
8514
10641
11225
9770
8817
11411
11770
11314
9187
8699
9056
11970
10668
8607
Leadtim
Frekuensi
Safety
Peningkatan
e
pemesanan
stock
total Inventory
1124
1946
2522
2088
2779
2658
2192
2939
2915
2814
1325
1776
2897
1802
1633
1522
1957
2622
1628
1540
1864
1533
1983
2343
1214
1752
1803
2180
2352
1406
2146
1382
1066
2602
2453
cost
Ya
Tidak
Ya
Tidak
Ya
Tidak
Tidak
Tidak
Tidak
Ya
Ya
Ya
Ya
Ya
Tidak
Ya
Ya
Ya
Tidak
Ya
Tidak
Ya
Tidak
Tidak
Tidak
Tidak
Ya
Tidak
Tidak
Tidak
Ya
Ya
Tidak
Ya
Tidak
13
8
14
15
15
8
8
12
7
9
6
8
10
5
6
5
12
7
9
12
10
5
13
15
8
15
15
15
13
11
15
9
6
12
7
6
5
20
13
20
5
6
16
5
16
11
9
16
9
13
11
20
16
5
10
15
17
7
14
16
15
16
16
11
15
17
6
16
5
6
Kode
bahan
baku
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
Persediaan Kuantitas
awal
2795
1151
1214
2594
1734
2922
2128
2564
1194
1633
1231
2370
1157
2600
2998
2734
2812
1009
2569
2000
2143
2928
2582
1886
1221
2526
1803
2331
2753
2808
2591
1308
2850
1564
1866
pesan
8424
11756
11013
8689
8315
10255
10547
9632
8366
11040
9073
10325
8010
9552
11122
10176
9893
10187
11076
9709
10482
11804
8116
11891
10254
9721
9476
8323
9840
8673
9968
8165
11852
11080
11683
Leadtim
Frekuensi
Safety
Peningkatan
e
pemesanan
stock
total Inventory
1557
2165
2562
2702
1824
2716
1641
2506
2952
1145
2409
2662
2001
1928
2787
2491
2645
2484
1790
1370
1944
1706
1757
1102
1297
1735
2188
1901
1816
2556
2188
1455
2044
2383
2331
cost
Tidak
Ya
Tidak
Tidak
Tidak
Tidak
Ya
Ya
Ya
Tidak
Tidak
Ya
Tidak
Tidak
Ya
Tidak
Ya
Ya
Ya
Tidak
Tidak
Ya
Tidak
Tidak
Ya
Ya
Tidak
Tidak
Tidak
Ya
Tidak
Ya
Ya
Ya
Ya
10
15
9
12
8
11
8
15
12
6
14
13
5
14
6
15
13
11
6
10
5
8
13
13
5
10
14
14
14
13
10
15
13
5
8
22
4
8
9
11
12
4
6
20
16
10
14
15
6
12
13
13
7
13
16
16
15
5
9
15
15
13
7
13
20
16
7
9
20
8
Kode
Persediaan Kuantitas
bahan
awal
baku
91
92
93
94
95
96
97
98
99
100
1064
2467
1370
1775
1864
2816
1737
1087
2477
2772
pesan
9530
10703
10462
8105
8956
11630
11569
9278
9790
11168
Leadtim
Frekuensi
Safety
Peningkatan
e
pemesanan
stock
total Inventory
2699
1794
2924
2905
1910
2219
2379
2421
2150
2393
cost
Tidak
Tidak
Ya
Tidak
Tidak
Ya
Tidak
Tidak
Ya
Ya
7
6
10
12
5
5
7
12
12
12
12
17
10
7
16
16
12
16
11
22
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
Sedang
Banyak
Sedikit
Sedang
Banyak
Cepat
Sedang
Lama
Jarang
Kadang-kadang
Sering
Sedikit
Sedang
< 1500
1500 - 2500
> 2500
10500
12
< 10
10 - 15
> 15
< 1500
1500 - 2500
Kuantitas Pesan
Leadtime
Frekuensi Pemesanan
Safety stock
Banyak
> 2500
Dari aturan yang telah diberikan maka didapatkan transformasi data seperti pada
tabel berikut
Tabel 4. 3 Data Transformasi
Kode
bahan
baku
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
Persediaan Kuantitas
awal
Sedikit
Sedang
Sedikit
Sedang
Sedang
Sedang
Banyak
Sedang
Banyak
Banyak
Sedang
Banyak
Sedang
Sedikit
Sedang
Sedikit
Sedikit
Sedang
Sedang
Sedang
Sedang
Sedang
Banyak
Sedikit
Sedang
Banyak
Sedang
Sedang
Sedang
pesan
Sedikit
Banyak
Banyak
Sedang
Banyak
Sedang
Sedang
Sedikit
Banyak
Sedikit
Banyak
Banyak
Banyak
Sedikit
Banyak
Sedikit
Sedang
Sedang
Banyak
Sedikit
Banyak
Banyak
Banyak
Banyak
Banyak
Banyak
Sedang
Sedang
Sedang
Leadtim
Frekuensi
Safety
Peningkatan
e
pemesanan
stock
total Inventory
Sedikit
Sedang
Sedang
Banyak
Sedang
Banyak
Banyak
Sedang
Banyak
Sedang
Sedikit
Sedang
Sedang
Sedikit
Sedikit
Sedikit
Sedang
Sedikit
Sedang
Banyak
Sedikit
Sedang
Banyak
Sedang
Banyak
Banyak
Sedang
Banyak
Banyak
cost
Tidak
Ya
Tidak
Tidak
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Ya
Tidak
Tidak
Ya
Ya
Tidak
Ya
Tidak
Ya
Tidak
Tidak
Tidak
Tidak
Cepat
Sedang
Lama
Lama
Sedang
Cepat
Cepat
Sedang
Sedang
Lama
Lama
Sedang
Sedang
Cepat
Sedang
Lama
Sedang
Lama
Sedang
Lama
Lama
Sedang
Lama
Lama
Lama
Sedang
Sedang
Sedang
Cepat
Sering
Kadang-kadang
Jarang
Sering
Jarang
Kadang-kadang
Sering
Kadang-kadang
Sering
Kadang-kadang
Kadang-kadang
Kadang-kadang
Jarang
Sering
Kadang-kadang
Sering
Sering
Sering
Kadang-kadang
Sering
Jarang
Jarang
Sering
Kadang-kadang
Sering
Jarang
Jarang
Sering
Jarang
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
Banyak
Sedang
Sedang
Sedikit
Sedang
Banyak
Sedang
Banyak
Sedang
Banyak
Sedang
Sedang
Sedang
Sedikit
Sedang
Banyak
Sedang
Banyak
Sedang
Sedang
Sedikit
Sedang
Sedikit
Sedang
Sedang
Banyak
Banyak
Sedikit
Sedikit
Banyak
Sedang
Banyak
Sedang
Banyak
Sedikit
Sedang
Sedikit
Sedang
Sedikit
Sedikit
Sedang
Banyak
Sedang
Banyak
Sedang
Banyak
Sedang
Sedikit
Sedang
Sedang
Sedikit
Banyak
Banyak
Sedang
Sedikit
Banyak
Banyak
Banyak
Sedang
Sedikit
Sedang
Banyak
Banyak
Sedikit
Sedikit
Banyak
Banyak
Sedikit
Sedikit
Sedang
Banyak
Sedang
Sedikit
Banyak
Sedang
Sedang
Sedang
Cepat
Sedang
Sedang
Cepat
Cepat
Cepat
Sedang
Cepat
Sedang
Sedang
Sedang
Cepat
Lama
Lama
Sedang
Lama
Lama
Lama
Lama
Sedang
Lama
Sedang
Cepat
Sedang
Cepat
Sedang
Lama
Sedang
Sedang
Sedang
Sedang
Sedang
Lama
Sedang
Cepat
Lama
Lama
Sering
Kadang-kadang
Jarang
Sering
Jarang
Kadang-kadang
Kadang-kadang
Sering
Sering
Jarang
Kadang-kadang
Kadang-kadang
Sering
Jarang
Kadang-kadang
Sering
Kadang-kadang
Sering
Sering
Kadang-kadang
Kadang-kadang
Sering
Jarang
Sering
Jarang
Jarang
Sering
Jarang
Jarang
Jarang
Kadang-kadang
Kadang-kadang
Jarang
Jarang
Sering
Sering
Kadang-kadang
Kadang-kadang
Banyak
Sedikit
Sedang
Banyak
Sedang
Sedang
Sedang
Sedang
Banyak
Sedang
Sedang
Sedang
Sedang
Sedang
Sedang
Sedikit
Sedang
Sedang
Sedang
Sedang
Sedikit
Sedang
Sedikit
Sedikit
Banyak
Sedang
Sedang
Sedang
Banyak
Banyak
Sedang
Banyak
Sedang
Banyak
Banyak
Sedikit
Sedang
Banyak
Ya
Ya
Ya
Ya
Ya
Tidak
Ya
Ya
Ya
Tidak
Ya
Tidak
Ya
Tidak
Tidak
Tidak
Tidak
Ya
Tidak
Tidak
Tidak
Ya
Ya
Tidak
Ya
Tidak
Tidak
Ya
Tidak
Tidak
Tidak
Tidak
Ya
Ya
Ya
Tidak
Tidak
Ya
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
Sedikit
Banyak
Banyak
Banyak
Banyak
Sedikit
Banyak
Sedang
Sedang
Banyak
Banyak
Sedang
Sedikit
Banyak
Sedang
Sedang
Banyak
Banyak
Banyak
Sedikit
Banyak
Sedang
Sedang
Sedikit
Sedang
Sedikit
Sedang
Sedang
Banyak
Sedang
Sedikit
Sedang
Banyak
Sedikit
Sedang
Banyak
Sedang
Sedang
Sedang
Banyak
Sedang
Sedang
Banyak
Sedikit
Banyak
Sedang
Sedang
Sedang
Sedikit
Sedang
Sedikit
Sedang
Sedikit
Banyak
Banyak
Banyak
Sedang
Banyak
Sedang
Sedikit
Sedikit
Banyak
Banyak
Sedang
Sedang
Banyak
Cepat
Lama
Cepat
Lama
Lama
Sedang
Cepat
Sedang
Cepat
Sedang
Lama
Lama
Cepat
Sedang
Lama
Lama
Lama
Lama
Sedang
Lama
Lama
Cepat
Sedang
Cepat
Cepat
Sedang
Sedang
Cepat
Cepat
Cepat
Sedang
Sedang
Sedang
4.2 If-Then Rule dari Hasil Klasifikasi
4.2.1 Decision tree
4.2.1.1 Microsoft Excel
Kadang-kadang
Jarang
Kadang-kadang
Kadang-kadang
Kadang-kadang
Jarang
Kadang-kadang
Sering
Sering
Kadang-kadang
Jarang
Jarang
Kadang-kadang
Kadang-kadang
Kadang-kadang
Jarang
Kadang-kadang
Sering
Sering
Jarang
Jarang
Sering
Jarang
Kadang-kadang
Sering
Kadang-kadang
Jarang
Sering
Sering
Kadang-kadang
Sering
Kadang-kadang
Sering
Sedang
Sedang
Banyak
Sedang
Banyak
Sedang
Sedang
Sedikit
Sedang
Sedang
Sedang
Sedikit
Sedikit
Sedang
Sedang
Sedang
Sedang
Banyak
Sedang
Sedikit
Sedang
Sedang
Sedang
Banyak
Sedang
Banyak
Banyak
Sedang
Sedang
Sedang
Sedang
Sedang
Sedang
Tidak
Tidak
Ya
Tidak
Ya
Ya
Ya
Tidak
Tidak
Ya
Tidak
Tidak
Ya
Ya
Tidak
Tidak
Tidak
Ya
Tidak
Ya
Ya
Ya
Ya
Tidak
Tidak
Ya
Tidak
Tidak
Ya
Tidak
Tidak
Ya
Ya
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 Root Node
Tabel 4. 4 Perhitungan Atribut Persediaan Awal untuk Roor Node
Persedia
an awal
Record
Status
Sedikit
Sedang
Banyak
Jumlah
Nilai
dalam
Q
Entropy
Instance
Tidak
Iya
Tidak
Iya
Tidak
Iya
Total
5
4
16
13
6
6
50
9
29
12
Informa
si
Informati
on gain
Q
0.9910
1
Q
76
0.9922
0.99390
0.9953784
0.0014700
2
Q
67
8341
39
98
1
3
Tabel 4. 5 Perhitungan Atribut Kuantitas Pesan untuk Root Node
Kuantitas
pesan
Sedikit
Sedang
Banyak
Record
Status
Jumlah
dalam
Q
Nilai
Informati
Informasi
on gain
0.93113
0.9953784
0.0642461
2338
39
01
Entropy
Instance
Tidak
Iya
Tidak
Iya
Tidak
Iya
3
8
9
7
15
8
11
16
23
Q
0.8453
1
Q
51
0.9886
2
Q
99
0.93211
3
2
Total
50
Tabel 4. 6 Perhitungan Atribut Leadtime untuk Root Node
Record
Leadtime
Status
Jumlah
dalam
Q
Nilai
Informatio
Informasi
n gain
0.969816
0.9953784
0.02556202
41
39
9
Entropy
Instance
Tidak
Iya
Tidak
Iya
Tidak
Iya
Cepat
Sedang
Lama
4
7
13
9
10
7
50
Total
11
22
17
Q
0.945
1
Q
66
0.976
2
Q
021
0.977
3
418
Tabel 4. 7 Perhitungan Atribut Frekuensi Pesan untuk Root Node
Record
Frekuensi
Status
pemesanan
Jumlah
dalam
Q
Nilai
Informati
Informasi
on gain
0.9398743
0.9953784
0.055504
69
39
07
Entropy
Instance
Tidak
Iya
Tidak
Iya
Tidak
Iya
Jarang
Kadangkadang
Sering
9
3
10
8
8
12
50
Total
12
18
20
Q
0.811
1
Q
278
0.991
2
Q
076
0.970
3
951
Tabel 4. 8 Perhitungan Atribut Safety stock untuk Root Node
Safety
stock
Sedikit
Sedang
Record
Status
Jumlah
dalam
Q
Nilai
Informati
Informasi
on gain
0.9882603
0.9953784
0.0071181
29
39
1
Entropy
Instance
Tidak
Iya
Tidak
Iya
6
4
15
12
10
27
Q
0.970
1
Q
951
0.991
2
076
Tidak
Iya
Banyak
6
7
50
Total
13
Q
0.995
3
727
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 Internal Node 1
Record
Persediaan
Status
awal
Jumlah
dalam
Q
Instance
Tidak
Iya
Tidak
Iya
Tidak
Iya
Sedikit
Sedang
Banyak
1
1
6
6
2
0
16
Total
Q
2
1
Q
12
2
Q
2
3
Entr
Nilai
Information
opy
Informasi
gain
1
1
0.875
0.98869940
0.11369940
8
8
0
Tabel 4. 10 Perhitungan Atribut Leadtime untuk Internal Node 1
Record
Leadtime
Status
Jumlah
dalam
Q
Nilai
Informatio
Informasi
n gain
0.8215779
0.9886994
0.16712146
39
08
9
Entropy
Instance
Cepat
Sedang
Lama
Total
Tidak
Iya
Tidak
Iya
Tidak
Iya
2
4
5
3
2
0
16
6
8
2
Q 0.918
1
296
Q 0.954
2
Q
3
434
0
Tabel 4. 11 Perhitungan Atribut Frekuensi Pemesanan untuk Internal Node 1
Frekuensi
pemesanan
Jarang
Kadangkadang
Sering
Record
Status
Jumlah
dalam
Q
Entropy
Instance
Tidak
Iya
Tidak
Iya
Tidak
Iya
Total
2
2
2
3
5
2
16
4
Q1
1
5
Q2
0.970951
7
Q3
0.863121
0.93103731
Nilai
Information
Informasi
gain
0.988699408
0.05766209
9
Tabel 4. 12 Perhitungan Atribut Safety stock untuk Internal Node 1
Record
Safety stock
Status
Jumlah
dalam
Q
Entropy
Instance
Sedikit
Sedang
Banyak
Total
Tidak
Iya
Tidak
Iya
Tidak
Iya
3
0
2
5
4
2
16
3
Q1
0
7
Q2
0.863121
6
Q3
0.918296
0.721976187
Nilai
Information
Informasi
gain
0.988699408
0.266723222
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.
Perhitungan Internal Node 2
Tabel 4. 13 Perhitungan Atribut Persediaan Awal untuk Internal Node 2
Persedia
Status
Jumlah
Record
Q
Entropy
an awal
dalam
Sedikit
Tidak
Iya
0
0
Instance
0
Q
0
Sedang
Tidak
Iya
3
2
5
1
Q
0.970
Tidak
Iya
1
0
1
2
Q
951
0
Banyak
Total
Nilai
Informati
Inform
on gain
0.8091
asi
0.9182958
0.1091703
25495
34
39
3
6
Tabel 4. 14 Perhitungan Atribut Leadtime untuk Internal Node 2
Leadtime
Status
Jumlah
Record
Q
Entropy
dalam
Instance
4
Cepat
Tidak
Iya
2
2
Sedang
Tidak
Iya
1
0
1
1
Q 0
Lama
Tidak
Iya
1
0
1
2
Q 0
Total
Q 1 0.66666666
Nilai
Information
Informasi
gain
0.91829583
0.25162916
4
7
7
3
6
Tabel 4. 15 Perhitungan Atribut Frekuensi Pemesanan untuk Internal Node 2
Frekuensi
pemesanan
Jarang
Kadangkadang
Sering
Total
Record
Status
Jumlah
dalam
Q
Entropy
Instance
Tidak
Iya
Tidak
Iya
Tidak
Iya
1
0
0
1
3
1
6
1
Q1
0
1
Q2
0
4
Q3
0.811278
Nilai
Information
Informasi
gain
0.540852083 0.918295834
0.377443751
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 Internal Node 3
Persediaan
awal
Record
Status
Jumlah
dalam
Q
Entropy
Instance
Sedikit
Sedang
Banyak
Tidak
Iya
Tidak
Iya
Tidak
Iya
Total
0
0
2
1
1
0
4
0
Q1
0
3
Q2
0.918296
1
Q3
0
Nilai
Information
Informasi
gain
0.688721876 0.811278124
0.122556249
Tabel 4. 17 Perhitungan Atribut Leadtime untuk Internal Node 3
Leadtime
Cepat
Sedang
Lama
Total
Status
Jumlah
Tidak
Iya
Tidak
Iya
Tidak
Iya
1
1
1
0
1
0
4
Record
dalam
Instance
Q
2
Q1
1
1
Q2
0
1
Q3
0
Entropy
Nilai
Informasi
Information
gain
0.5
0.811278124
0.311278124
Dari hasil perhitungan internal node 3 diatas diketahui bahwa atribut leadtime
mempunyai nilai information gain yang paling besar yaitu dengan nilai sebesar
0.311278124 sehingga leadtime menjadi internal node ketiga dari pohon keputusan
yang terbentuk.
Perhitungan Leaf Node
Tabel 4. 18 Perhitungan Atribut Persediaan Awal untuk Internal Node 3
Persediaan
awal
Sedikit
Sedang
Banyak
Total
Record
Status
Jumlah
dalam
Q
Entropy
Instance
Tidak
Iya
Tidak
Iya
Tidak
Iya
0
0
0
1
1
0
2
0
Q1
0
1
Q2
0
1
Q3
0
Nilai
Information
Informasi
gain
1
1
0
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.
4. 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.
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.
9. R9= if((kuantitas
pesan="Sedang")*(safety
stock="Banyak")*(frekuensi
pemesanan="Sering")*(Leadtime="Cepat")*(Persediaanawal="Sedikit"),"Tidak"
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.
Pohon Keputusan
Kuantitas
Kuantitas
pesan
pesan
Sikit
Sikit
(Iya)
(Iya)
Sedang
Sedang
Banyak
Banyak
(Tidak)
(Tidak)
Safety
stock sikit
Safety stock
sikit
(Tidak)
(Tidak)
Safety stock
stock sedang
Safety
sedang
(Iya)
(Iya)
Safety
Safety stock
stock
banyak
banyak
Frekuensi
Frekuensi
pemesanan jarang
pemesanan
jarang
(Tidak)
(Tidak)
Frekuensi
Frekuensi
pemesanan KadangKadangpemesanan
kadang
kadang
(Iya)
(Iya)
Frekuensi
Frekuensi
pemesanan
pemesanan
sering
sering
Lead
Lead time
time
cepat
cepat
Lead time
sedang
Lead
time sedang
(Tidak)
(Tidak)
Persediaan
Persediaan awal
awal
sedang
sedang
(Iya)
(Iya)
Persediaan
Persediaan awal
awal
banyak
banyak
(Tidak)
(Tidak)
Persediaan awal
Persediaan
awal
seikit
seikit
(Tidak)
(Tidak)
Lead
Lead time
time lama
lama
(Tidak)
(Tidak)
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
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 kadangkadang 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
Persedi Kuantitas
Leadtime
Safety
Peningka
pemesanan
stock
tan total
bahan
aan
baku
awal
Inventor
Sedang
Sedikit
Sedang
y cost
Ya
Ya
Tidak
51
52
53
pesan
Frekuensi
Sedikit
Sedang
Banyak
Lama
Sedang
Cepat
Sering
Jarang
Sering
Sedang
Sedikit
Sedikit
Keputusan
Iya
Tidak
Tidak
Kode
Persedi Kuantitas
Leadtime
Safety
Peningka
pemesanan
stock
tan total
Keputusan
bahan
aan
baku
awal
Inventor
54
55
56
57
58
59
60
Sedang
Banyak
Banyak
Sedikit
Sedikit
Banyak
Sedang
Banyak
Sedikit
Sedikit
Banyak
Banyak
Sedikit
Sedikit
Sedang
Cepat
Sedang
Lama
Sedang
Sedang
Sedang
Jarang
Jarang
Sering
Jarang
Jarang
Jarang
Kadang-
Banyak
Sedang
Sedang
Sedang
Banyak
Banyak
Sedang
y cost
Ya
Tidak
Tidak
Ya
Tidak
Tidak
Tidak
Tidak
Iya
Iya
Tidak
Tidak
Iya
Iya
61
Banyak
Sedang
Sedang
kadang
Kadang-
Banyak
Tidak
Iya
Sedang
Lama
Sedang
Cepat
Lama
kadang
Jarang
Jarang
Sering
Sering
Kadang-
Sedang
Banyak
Banyak
Sedikit
Sedang
Ya
Ya
Ya
Tidak
Tidak
Tidak
Tidak
Iya
Tidak
Iya
Lama
kadang
Kadang-
Banyak
Ya
Iya
Sedang
Tidak
Iya
62
63
64
65
66
67
Sedang
Banyak
Sedikit
Sedang
Sedikit
Sedang
pesan
Frekuensi
Banyak
Sedang
Sedikit
Banyak
Sedang
Sedang
68
Sedikit
Sedikit
Cepat
kadang
Kadang-
69
70
Banyak
Banyak
Sedang
Banyak
Lama
Cepat
kadang
Jarang
Kadang-
Sedang
Banyak
Tidak
Ya
Iya
Tidak
Lama
kadang
Kadang-
Sedang
Tidak
Iya
Banyak
Ya
Iya
71
Banyak
Sedang
72
Banyak
Sedang
Lama
kadang
Kadang-
73
74
Sedikit
Banyak
Sedang
Banyak
Sedang
Cepat
kadang
Jarang
Kadang-
Sedang
Sedang
Ya
Ya
Iya
Tidak
Sedang
Cepat
kadang
Sering
Sering
Sedikit
Sedang
Tidak
Tidak
Tidak
Iya
75
76
Sedang
Sedang
Sedang
Sedang
Kode
Persedi Kuantitas
Leadtime
Safety
Peningka
pemesanan
stock
tan total
Keputusan
bahan
aan
baku
awal
Inventor
77
Banyak
Banyak
Sedang
Kadang-
Sedang
y cost
Ya
Tidak
78
79
80
Banyak
Sedang
Sedikit
Sedikit
Banyak
Sedang
Lama
Lama
Cepat
kadang
Jarang
Jarang
Kadang-
Sedang
Sedikit
Sedikit
Tidak
Tidak
Ya
Iya
Tidak
Tidak
81
Banyak
Sedang
Sedang
kadang
Kadang-
Sedang
Ya
Iya
Lama
kadang
Kadang-
Sedang
Tidak
Iya
Sedang
Sedang
Tidak
Tidak
Iya
Iya
82
Sedang
pesan
Frekuensi
Sedang
83
84
Sedang
Banyak
Sedikit
Sedang
Lama
Lama
kadang
Jarang
Kadang-
85
86
87
88
89
90
91
Banyak
Banyak
Sedikit
Banyak
Sedang
Sedang
Sedikit
Sedikit
Sedang
Sedikit
Banyak
Banyak
Banyak
Sedang
Lama
Sedang
Lama
Lama
Cepat
Sedang
Cepat
kadang
Sering
Sering
Jarang
Jarang
Sering
Jarang
Kadang-
Banyak
Sedang
Sedikit
Sedang
Sedang
Sedang
Banyak
Ya
Tidak
Ya
Ya
Ya
Ya
Tidak
Iya
Iya
Iya
Tidak
Tidak
Tidak
Iya
Sedang
Banyak
Tidak
Ya
Tidak
Iya
92
93
Sedang
Sedikit
Banyak
Sedang
Cepat
Sedang
kadang
Sering
Kadang-
94
95
96
97
Sedang
Sedang
Banyak
Sedang
Sedikit
Sedikit
Banyak
Banyak
Sedang
Cepat
Cepat
Cepat
kadang
Jarang
Sering
Sering
Kadang-
Banyak
Sedang
Sedang
Sedang
Tidak
Tidak
Ya
Tidak
Iya
Iya
Tidak
Tidak
98
99
Sedikit
Sedang
Sedang
Sedang
Sedang
Sedang
kadang
Sering
Kadang-
Sedang
Sedang
Tidak
Ya
Iya
Iya
100
Banyak
Banyak
Sedang
kadang
Sering
Sedang
Ya
Tidak
Tabel 4. 20 Perhitungan Akurasi dan Eror
Eror
0.66
66%
Akuras
0.34
34%
i
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
Dari hasil pengolahan data training-set menggunakan Rapid Miner maka
didapatkan pohon keputusan dan akurasi prediksi seperti pada output output
berikut
Gambar 4. 2 Pengolahan Data Decision tree Menggunakan Rapid Miner
Gambar 4. 3 Output Decision tree Pada Rapid Miner
Pada output diatas diketahui hasil struktur dari decision tree yang didapat cukup berbeda dengan hasil yang didapat lewat
perhitungan manual. Pada output menggunakan Rapid Miner ini struktur decision tree terlihat lebih kompleks dan lebih rumit
jika dibandingkan dengan hasil yang didapat dari rule perhitungan manual. Namun dikarenakan akurasi yang didapat
menggunakan Rapid Miner berbeda sedikit atau hampir sama dengan akurasi yang didapat dari perhitungan manual maka
kami memutuskan untuk tetap mencantumkan output decision tree ini.
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
Berdasarkan hasil pengolahan data menggunakan bantuan software Rapid Miner
untuk perhitungan algoritma Naïve Bayes didapatkan hasil rule dan tingkat
akurasi seperti pada output berikut
Gambar 4. 5 Pengolahan Data Menggunakan Algoritma Naïve Bayes
Gambar 4. 6 Output Import Data
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
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
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
Pada output di atas diketahui nilai akurasi algorima Naïve Bayes dengan
menggunakan Software Rapid Miner pada data test-set sebesar 42%. Pada
output diatas diketahui prediksi “Ya” akan terjadi peningkatan inventory cost
dan benar ada 8 data. Sedangkan prediksi “Ya” akan terjadi peningkatan
inventory cost dan ternyata salah ada 13 data. Pada prediksi berikutnya untuk
“Tidak” pada
peningkatan inventory cost dan ternyata salah ada 16 data.
Sedangkan pada prediksi “Tidak” pada peningkatan inventory cost dan ternyata
benar ada 13 data.
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 sa