ANALISA SISTEM PENUNJANG KEPUTUSAN DISTRIBUSI PENJUALAN BAHAN POKOK DENGAN MENGGUNAKAN METODE ROUGH SET PADA CV SAMA SENANG

Seminar Nasional Informatika 2014

ANALISA SISTEM PENUNJANG KEPUTUSAN DISTRIBUSI
PENJUALAN BAHAN POKOK DENGAN MENGGUNAKAN
METODE ROUGH SET PADA CV SAMA SENANG
Helmi Kurniawan
Jurusan Teknik Informatika, STMIK Potensi Utama
Jl. K.L. Yos Sudarso Km. 6.5 No.3-A, Tanjung Mulia, Medan, Indonesia
Email : helmikurniawan77@gmail.com

Abstrak
CV Sama Senang adalah sebuah usaha dagang yang bergerak pada penjualan kebutuhan bahan pokok baik
dikota medan dan diluar kota Medan. Dengan banyaknya permintaan kebutuhan bahan pokok didalam dan
diluar kota CV Sama Senang memiliki kesulitan dalam pendistribusian penjualan kebutuhan bahan pokok
untuk memenuhi kebutuhan pasar. Sulitnya memprediksi kebutuhan pasar, serta persaingan bisnis yang
semakin ketat, merupakan kendala yang dihadapi CV Sama Senang sehingga manajemen harus dapat
mengambil keputusan yang tepat dan cepat guna memberikan pelayanan yang baik serta kepuasan kepada
konsumen maupun menjaga konsistensi permintaan kebutuhan bahan pokok di pasar. Keputusan yang
diambil harus mempertimbangkan dengan baik berdasarkan data-data yang dimiliki, terutama yang berkaitan
erat dengan sistem distribusi. Dalam mengatasi masalah tersebut, salah satu solusi yang dapat digunakan
adalah data mining mengenai kriteria - kriteria tertentu di dalam pendistribusian penjualan kebutuhan bahan

pokok. Dengan semakin besarnya jumlah data dan kebutuhan akan analisis data yang akurat maka
dibutuhkan metode analisis data yang tepat. Adapun metode yang digunakan dalam pengambilan keputusan
adalah Metode Rough Set. Metode Rough Set menawarkan dua bentuk representasi data yaitu Information
Systems (IS) dan Decision Systems (DS). Adapun perangkat lunak (Software) yang menerapkan Metode
Rough Set ini adalah Rosetta. Hasil penelitian yang diperoleh berupa informasi perkiraan permintaan
kebutuhan bahan pokok pada periode yang akan datang dan menjadi informasi keputusan manajemen dalam
pendistribusian penjualan kebutuhan bahan pokok.
Kata Kunci : Sistem Penunjang Keputusan, Data Mining, Metode Rough Set
Pendahuluan
Masalah distribusi seringkali masih
menjadi kendala terbesar terutama bagi
perusahaan yang memproduksi secara massal.
Semakin luas wilayah pemasaran, semakin
banyak pula kendala yang dihadapi sehingga
perlu pembagian wilayah pemasaran pada setiap
era dengan penempatan distributor.
CV Sama Senang, sebagai salah satu
perusahaan distribusi yang bergerak dalam
distribusi penjualan kebutuhan bahan pokok yang
sedang berkembang, juga memerlukan satu sistem

distribusi yang baik untuk menjaga ketersediaan
produknya di pasar, disamping juga untuk dapat
memenuhi dan mengembangkan pasar yang telah
ada. Untuk itu peramalan distribusi yang baik
dengan menggunakan data-data yang telah ada di
masa lalu untuk memprediksi kebutuhan distribusi
dimasa yang akan datang sangat diperlukan oleh
perusahaan ini.
Sistem distribusi produk pada CV Sama
Senang dihadapkan pada beberapa masalah yang
berhubungan dengan besar produk yang harus
didistribusikan pada wilayah-wilayah. Pada
umumnya, kemacetan dalam mendistribusikan

314

Produk-produk dan jasa-jasa akan banyak
menimbulkan kesulitaan baik dipihak konsumen
maupun produsen. Kesulitan yang akan terjadi di
pihak

produsen
meliputi
terganggunya
penerimaan penjualan sehingga target penjualan
yang telah di tentukan tidak dapat terpenuhi. Hal
ini akan menyebabkan arus pendapatan yang
dibutuhkan
oleh
perusahaan
untuk
melangsungkan kontinuitasnya tidak dapat
diharapkan. Sedangkan kesulitan yang akan
timbul di pihak konsumen akan menyebabkan
tendensi harga yang meningkat. Tendensi harga
yang meningkat terjadi akibat berkurangnya
Produk yang ditawarkan di pasar. Oleh karena itu
sangatlah tepat apabila perusahaan memahami
kebijaksanaan
distribusi
terutama

yang
menyangkut pemilihan saluran distribusi dan
penentuan distribusi fisik.
Dalam menganalisa hal tersebut di atas,
salah satu solusi yang dapat digunakan adalah
data mining mengenai kriteria - kriteria tertentu di
dalam pendistribusian produk. . Data mining
tersebut akan menjadi tolak ukur ataupun acuan
untuk mengambil keputusan. Pengolahan data
mining dapat dilakukan dengan beberapa teknik

Seminar Nasional Informatika 2014

diantaranya adalah Metode Rough Set, Fuzzy,
Algoritma Apriori dan lain - lain.
Metode Rough Set salah satu dari metode di
atas yang memungkinkan untuk mengambil
keputusan dalam pendistribusian penjualan
kebutuhan bahan pokok karena di dalam metode
ini ada rumusan atau tahapan-tahapan pemecahan

masalah dan adanya sebuah Result (keputusan)
dari kombinasi yang mungkin terjadi dari kriteriakriteria diatas. Dari Result (keputusan) yang
berasal dari hasil olahan data mining tersebut,
dapat di jadikan sebagai acuan pengambilan
keputusan. Berdasarkan permasalah tersebut
penulis melakukan penelitian yang berkaitan
dengan sistem pengambilan keputusan untuk
distribusi penjualan kebutuhan pokok dengan
menggunakan metode Rough Set.
Metode Penelitian
Tahapan dalam metode penelitian ini dapat
dimodelkan pada diagram alir berikut ini:

Gambar 1. Diagram Alir Distribusi dengan
Metode Rought set
Tinjauan Pustaka
Data Mining (DM)
Kemajuan Data Mining merupakan salah
satu teknik yang dapat digunakan karena telah
menggabungkan teknik klasik dengan algoritma

yang canggih seperti teknik Artificial Intelligence
untuk memproses data dalam skala besar . Data
mining adalah proses pengolahan informasi dari
sebuah database yang besar, meliputi proses
ekstraksi, pengenalan, komprehensif, dan
penyajian informasi sehingga dapat digunakan
dalam pengambilan keputusan bisnis yang
krusial”.[1][3][6]
Teori Rough Set
Teori
ini
memberikan
pendekatan
matematika baru untuk permasalahan dengan
tingkat ketidakpastian yang tinggi. Teori ini
menjadi dasar penting untuk kecerdasan buatan,
pembelajaran mesin, perolehan informasi, analisis
keputusan, data mining, sistem pakar, hingga
pengenalan pola. Kelebihan teori ini adalah tidak
diperlukannya preliminary dan juga informasi

tambahan mengenai data dalam melakukan
analisis suatu data. Tujuan dari analisis Rough Set
adalah untuk mendapatkan perkiraan rule yang

singkat dari suatu tabel. Hasil dari analis Rough
Set dapat digunakan dalam proses data mining
dan knowledge discovery. Teknik ini digunakan
untuk menangani masalah uncertainly, missing
data,
uncompleted,
inconsistency
data,
imprecision, dan vagueness (tidak pasti, data
hilang,
tidak
lengkap,
tidak
selaras,
ketidaktepatan, ketidakjelasan).[2][3][4][5]
Perancangan

Berdasarkan hasil pengamatan langsung
pada CV Sama Senang, sistem yang sedang
berjalan pada saat ini masih dilakukan manual,
yaitu pencatatan pada buku untuk pemesanan dari
suppliers dan penjualan kebutuhan bahan Pokok
dari konsumen, proses pendistribusian juga
dilakukan atas kerjasama dan kepercayaan antara
ke dua belah pihak. Oleh karena itu sangatlah
tepat
apabila
perusahaan
memahami
kebijaksanaan
distribusi
terutama
yang
menyangkut pemilihan saluran distribusi dan
penentuan distribusi fisik.
Rancangan Umum Dalam Pendistribusian
Arsitektur dari sistem pendukung keputusan

dalam analisis data Pendistribusian CV. Sama
Senang terdiri dari rancangan umum dan
komponen-komponennya. Dalam bagian ini,
diasumsikan database berisi dari data yang tidak
lengkap (incomplete data) untuk mendapatkan
keputusan (decision) yang tepat dan akurat, data
yang tidak lengkap diproses untuk mendapatkan
data lengkap dengan menggunakan metode data
cleaning, seperti teknik remove incomplete data.
Selanjutnya
data
lengkap
tersebut
ditransformasikan dengan menggunakan metode
data transformation. Dari hasil data transformasi
dilakukan proses pencarian knowledge / rules
dengan cara generating rules sehingga
menghasilkan keputusan (decision) yang lebih
singkat dan mudah dipahami. rancangan
umumnya dapat dilihat pada gambar 1.

Gambar 2. Rancangan Umum Pendistribusian
Produk dengan Metode Rough set

315

Seminar Nasional Informatika 2014

Use Case Diagram
Use Case system pengambil keputusan
dapat dilihat dalam gambar 2.

user
Gambar 3. Use Case Sistem Pengambil
Keputusan
Dari Use Case di atas terlihat user dalam
pembentukan sistem pendukung keputusannya,
dan hasil laporan yang diperoleh dari analisa
sistem tersebut

Gambar 4. Use Case Diagram Proses
Pengambil Keputusan
Analisa Metode Yang Digunakan
Information System
Dalam Rough Set, sebuah set data
direpresentasikan sebagai sebuah tabel, dimana
baris dalam tabel merepresentasikan objek dan
kolom-kolom merepresentasikan atribut dari
objek-objek tersebut. Tabel tersebut disebut
dengan information system yang dapat
digambarkan sebagai:
S = (U,A)…… ……………..[1]
Dimana U adalah set terhingga yang tidak
kosong dari objek yang disebut dengan universe
dan A set terhingga tidak m kosong dari atribut
dimana:
a : U  Va)……………….. [2]
Untuk tiap a € A. SetVa disebut value set dari a.
information system dalam penelitian ini dapat
ditunjukkan dalam tabel 1.
Tabel 1. Laporan Distribusi Barang per Kota

316

Pada Tabel tersebut yang merupakan U
adalah {nama Barang} yang merupakan produk
yang akan didistribusikan kebeberapa wilayah
Sedangkan A adalah {Medan, Langkat, Brastagi,
Tebing Tinggi} yang merupakan faktor atau
kriteria
yang menentukan tinggi rendahnya
pendistribusian
produk
tersebut
Dalam
Penggunaan Information System, terdapat
outcome dari klasifikasi yang telah diketahui yang
disebut dengan atribut keputusan. Information
system tersebut disebut dengan Decision System.
Decision System dapat digambarkan pada tabel 2
berikut:
Tabel 2. Laporan Distribusi Barang per Kota

Pada tabel 2. tersebut, atribut A mengalami
perluasan atribut, yaitu Keterangan (Ket) yang
merupakan atribut keputusan dari Decision
System.
Keterangan : 200 – 400 : Turun
401– 600 : Naik
Indescernibility Relation
Dalam decision system, sebuah objek
dapat memiliki nilai yang sama untuk sebuah
atribut kondisionalnya. Contohnya Beras, Telur
memiliki nilai atribut distribusi pada kota Langkat
yang sama, yaitu “80”.
Hubungan tersebut
disebut dengan indiscernible (tidak dapat
dipisah).
Misalkan S = (U,A) adalah Information
System, dan B A. Maka Sebuah indiscrenibility
relation objek-objek menurut atribut B yang
dilambangkan dengan INDs (B), dapat
didefenisikan sebagai:
INDs (B) ={( x,x’) ∈ U2 | ∀ a ∈ B a (x) = a (x’)}.
[3]
disebut sebagai B- Indescernibility relation,
INDs (B) merupakan Equivalent Relation. Jika (
x,x’) ∈ INDs (B) maka objek x dan x’ adalah
objek yang tidak dapat dibedakan (indiscernible)
satu sama lain oleh atribut B. kelas-kelas yang
equivalent dengan B- Indescernibility relation
dinotasikan dengan [x]B dan disebut dengan
equivalent class.
Berdasarkan
tabel
2
maka
didapatkan
indiscernibility Relation sebagai berikut:
IND A (Medan)
={{B1},{B2},{B3},{B4},{B5},{B6},{B7}}

Seminar Nasional Informatika 2014

={{178},{80},{120},{140},{300},{70},{134}}
IND B (Langkat)
={{B1,B5}{B2},{B3},{B4,B6},{B7}}
={{80,80},{60},{90},{60,60},{160}}
IND C ()
={{B1},{B2},{B3},{B4},{B5},{B6},{B7}}
={{240},{106},{80},{100},{70},{156},{100}}
IND D (Berastagi)
={{B1},{B2},{B3},{B4},{B5},{B6},{B7}}
={{60},{76},{160},{130},{100},{110},{70}
IND ABCD
={{B1},{B2},{B3},{B4},{B5},{B6},{B7}}

Pengolahan Data Dengan Teknik Data
Transformation
Data telah didapat akan disederhanakan
dengan menggunakan teknik data transformasi
berdasarkan Algoritma Fungsi Interval .Sesuai
dengan Algoritma Fungsi Interval, maka untuk
masing-masing variabel ditentukan nilai terbesar,
nilai terkecil dan range nilai, jumlah kelas dan
nilai intervalnya. Dari hasil yang diperoleh
tersebut
maka
dilakukan
proses
Data
Transformasi untuk data lengkap, seperti berikut:
1. Untuk Kota Medan
a. Nilai terbesar (Xmax)= 300
b. Nilai terkecil (Xmin) = 70
c. Range Nilai (Xrange )= 300 - 70 = 230
d. Jumlah Kelas (k) = 1+ 3.3 log (7)
= 1+ (0.52) = 1.52
e. Nilai Interval (Int) = 230/1.52 = 152
Transfomasi Data [Xmin +Int] :
Range antara 70 – 222 ditransformasikan
menjadi angka = 1
Range antara 224 – 374 ditransformasikan
menjadi angka = 2
2. Untuk Kota Langkat :
a. Nilai terbesar (Xmax)= 160
b. Nilai terkecil(Xmin) = 60
c. Range Nilai (Xrange )= 160– 60 =100
d. Jumlah Kelas (k) = 1+ 3.3 log (7)
= 1+ (0.52) = 1.52
e. Nilai Interval (Int) = 100/1.52 = 64
Transfomasi Data [Xmin +Int] :
Range antara 30 – 94 ditransformasikan
menjadi angka = 1
Range antara 96 – 160 ditransformasikan
menjadi angka = 2
3. Untuk Kota Berastagi :
a. Nilai terbesar (Xmax)= 240
b. Nilai terkecil (Xmin) = 70
c. Range Nilai (Xrange )= 240 – 70 = 170
d. Jumlah Kelas(k) = 1+ 3.3 log (7)
= 1+ (0.52) = 1.52
Nilai Interval (Int)
= 170/1.52 = 112
Transfomasi Data [Xmin +Int] :
Range antara 70 – 182 ditransformasikan
menjadi angka = 1

Range antara 184– 256 ditransformasikan
menjadi angka = 2
4. Untuk Nilai Tebing Tinggi :
a. Nilai terbesar (Xmax)= 160
b. Nilai terkecil (Xmin) =60
c. Range Nilai (Xrange )= 160 – 60 = 100
d. Jumlah Kelas(k) = 1+ 3.3 log (7)
= 1+ (0.52) = 1.52
Nilai Interval (Int)
= 100/1.52 =64
Transfomasi Data [Xmin +Int] :
Range antara 60 – 124 ditransformasikan
menjadi angka = 1
Range antara 126– 190 ditransformasikan
menjadi angka = 2
Berdasarkan pengolahan data transformasi diatas,
maka didapat hasil data transformasinya seperti
pada tabel 3.
Tabel 3. Data Dengan Teknik Data
Transformation

Generating Rules
Berdasarkan data hasil transformasi yang
telah didapatkan, maka data-data tersebut akan
diolah sehingga menghasilkan suatu rules /
knowledge yang dapat dipahami untuk
pengambilan suatu keputusan. Dari data
transformasi yang didapat pada tabel 4.3 maka
dapat dilakukan proses pencarian knowledge
seperti langkah-langkah ini :
1. Discernibility Matrix
Dalam Discernibility Matrix maka variabelvariabel kondisi yang terdiri dari Medan,
Binjai, Siantar, Kisaran
Dan Variabel keputusan terdiri dari :
Naik = 1
Turun= 2
Kemudian masing-masing nama dikelompokkan
dalam bentuk Equivalence Class disederhanakan
namanya menjadi EC1, EC2, EC3, EC4, EC5,
EC6 dan EC7, sehingga hasilnya dapat dilihat
seperti pada tabel 4.
Tabel 4. Data Transformation Yang
Disederhanakan

317

Seminar Nasional Informatika 2014

Dari hasil data transformasi yang telah
disederhanakan pada tabel 5 kemudian
dibandingkan data-data yang terdapat dalam
masing-masing Equivalence Class. Dalam proses
perbandingan ini, yang diperhatikan hanya
variabel-variabel
kondisinya
saja,
tanpa
memperhatikan variabel keputusan, dan yang
dibandingkan adalah antara data-data pada
variabel kondisi yang sama. Dari proses
perbandingan ini dihasilkan tabel Discernibility
Matrix seperti tabel 5.

EC4
EC5
EC6
EC7

= (D)^(D)
= (A)^(AvD)^(A)
= (BvC)^(D)^(A)
= (D)
Tabel 7. Reduct

Tabel 5. Discernibility Matrix

2. Discernibility Matrix Modulo D
Dari hasil pengolahan data dengan cara
Discernibility Matrix sesuai tabel.6, maka
selanjutnya data diolah dengan cara Discernibility
Matrix Modulo D, dalam pengolahan dengan cara
ini variabel kondisi dan keputusannya harus
dibandingkan. Sehingga jika variabel keputusan
juga dibandingkan maka hasilnya menjadi seperti
pada tabel 6.
Tabel 6. Discernibility Matrix Module D
E
EC
EC
EC
C
EC2
EC6
1
3
5
4
EC1
BC
D
BC
EC2 BC
D
A
EC3
D
AD
EC4
D
D
EC5
A
AD
A
EC6 BC
D
A
EC7
D
-

EC
7
D
-

Keterangan : Jika nilai decision Atribut sama =
kosong decision Atribut berbeda = terisi
3. Reduction
Reduct adalah himpunan dari atribut yang dapat
menghasilkan klasifikasi sama seperti jika semua
atribut digunakan. Sedangkan atribut yang bukan
reduct adalah atribut yang tidak berguna dalam
proses klasifikasi.
Pada proses Reduct ini dilakukan proses
penyeleksian variabel minimal dari sekumpulan
variabel kondisi dengan cara Prime Implicant
fungsi Boolean, dengan cara berikut ini :
EC1 = (BvC)^(D)^(BvC)
EC2 = (BvC)^(D)^(A)
EC3 = (D)^(A)^(D)^(D)

318

Dari hasil reduct yang diperoleh maka didapatkan
suatu rules / knowledge. Seperti contoh di atas,
rules yang didapatnya adalah :
Rules :
D1  E1, B1,C1E2, D1A2 E2, D2,A1  E2
D2 E2, A2,D1  E1, B1,C1  E2, D1,A1  E2
D1  E 1
EC1 : If D =1 Then E=1
If TebingTinggi = 60 Then Keputusan = Naik
EC2 : If B =1, C=1 Then E=2, D=1, A=1 Then
E=2 If Langkat = 130 & Berastagi = 106 Then
Keputusan = Turun
If TebingTinggi = 76 & Medan = 80 Then
Keputusan = Turun
EC3 : If D=2, A=1 Then E= 2
If TebingTinggi =160 & Medan =120 Then
Keputusan = Turun
EC4 : If D=2 Then E = 2 :
If TebingTinggi = 130 Then Keputusan =
Turun
EC5 : If A=2 , D=1 Then E=1
If Medan= 150, TebingTinggi =100 Then
Keputusan=Naik
EC6 : If B =1, C=1 Then E=2, D=1, A=1 Then
E=2 :
If Lankat =60 & Berastagi = 156 Then
Keputusan =Turun
If TebingTinggi= 110 & Medan =70 Then
Keputusan = Turun
EC7 : If D=1 Then E=1
If TebingTinggi = 70 Then Keputusan = Naik
Pengujian Metode Rough Set
Untuk menguji kebenaran dari hasil
pengolahan data yang dikerjakan secara manual
tersebut dapat digunakan salah satu software
aplikasi Rough Set, yaitu Rosetta. Hasil pengujian
dapat terlihat pada gambar

Seminar Nasional Informatika 2014

keputusan untuk pengalokasian produk pada
setiap lokasi.
DAFTAR PUSTAKA

Gambar 5. Hasil Proses Generating Rules
Dari hasil data lengkap, Reduct, dan
Rules yang didapat, terbukti hasilnya sesuai
dengan hasil perhitungan secara manual
4.

Kesimpulan
Atas analisis dan pembahasan yang
dilakukan pada sistem pendukung keputusan,
maka dapat diambil kesimpulan sebagai berikut:
1. Sistem pengambilan keputusan dengan metode
rough set dapat membantu distribusi
Penjualan kebutuhan bahan Pokok pada CV.
Sama Senang untuk memenuhi kebutuhan
pasar.
2. Penggunaan metode rough set sangat
membantu dalam memperkirakan kebutuhan
produk yang harus dipenuhi oleh perusahaan
dalam periode yang akan datang.
3. Penggunaan aplikasi Data Mining Seperti
Rosetta dapat membantu dalam pengambilan

[1] D,Suryadi, (2001) Pengantar Data Mining,
Andi, Yogyakarta
[2] K. Thangavel and Q. Shen (2006),
“Application of Clustering for Feature
Selection Based on Rough Set Theory
Approach”, AIML Journal, 19-27
[3] Li, T, Ruan, D Geert, W, Song, W, & Xu,Y.
(2007). A rough set based
characteristic
relation approach for dynamic attribute
generalization in
data
mining,
Knowledge Based System 20 (2007) 485494
[4] Marcin, Kierczak. (2009). Rosetta a rough
set toolkit for analysis of data.
http://www.lcb.uu.se/tools/rosetta/. April 21
2012
[5] Suraj, Z. (2004). An Introduction to Rough
Set Theory and It’s Applications.
ICENCO’2004, December 27-30, 2004,
[6] Susanto. (2010). Pengantar Data Mining.
Informatika. Jakarta
[7] Therling K. (2006).“ An Introduction to
DataMining: Discovering hidden value in
your data warehouse”, www.thearling.com,
diakses tanggal 21 Mei 2013.

319