PENERAPAN ALGORITMA C4.5 UNTUK MENENTUKAN DATA STOK DAN TARGET PERMINTAAN MATERIAL YANG PALING DIBUTUHKAN GUDANG LOGISTIK PADA PT PLN (Persero) AREA KEBON JERUK

Latar Belakang

Perusahaan Listrik Negara (PLN) merupakan Perusahaan milik Negara yang seluruh kegiatannya dituntut lebih efektif dan efisien. Efisiensi kerja dapat mendukung tingkat pelayanan mutu, sehingga dalam pengolahan datanya dapat membantu mengatasi permasalahan yang ada mengenai pengontrolan stok material gudang dan permintaan pemasangan listrik baru dapat dengan cepat, sigap dan memberikan informasi dengan stok material yang memadai, serta kondisi material yang memiliki keadaan baik serta cukup. Permintaan pemasangan listrik baru dan penanganan gangguan pada pemakaian dan sarana prasarana dari aliran listrik akan dapat terpenuhi tanpa adanya delay yang disebabkan tidak adanya stok material yang sesuai dengan permintaan kebutuhan materialnya. Seiring dengan berkembangnya tekhnologi informasi dan komunikasi, persaingan bisnis maupun juga pada persaingan bisnis dalam dunia industri yang
semakin ketat. Jumlah perusahaan semakin banyak dan terus melakukan usaha dan strategi dalam mempertahankan bisnisnya tidak lepas dari peran perusahaan dalam mempertahankan bisnisnya. Kesuksesan perusahaan dalam mempertahankan bisnisnya tidak lepas dari peran perusahaan tersebut dalam mengelola dan tentu saja dapat menjaga kelangsungan bisnisnya dalam dunia industri saat ini. Inventory tersebut bisa mengelola stok barang atau material di gudang yang nantinya akan ada banyak permintaan material yang dibutuhkan.

Dari hasil pengolahan data mentah dengan tahapan-tahapan sebelumnya, maka diperoleh data set dengan atribut yang digunakan dalam penentuan klasifikasi persediaan material gudang adalah Nama Material, Valution type, Kategori Material, fisik material dan target permintaan. Atribut tersebut juga digunakan perusahaan untuk menentukan barang/material gudang yang paling sering dipakai. Data yang sudah didapat telah di analisis bahwa data tersebut memilik 5 jenis material yang berjumlah “BANYAK” (mendapatkan permintaan pengadaan Material/barang) dan 9 jenis material yang berjumlah “SEDIKIT” (tidak mendapatkan permintaan pengadaan material/barang). Dibawah ini merupakan Data stok material/barang gudang yang berjumlah 14 jenis material.

NoNama BarangSatuanKategori MaterialValuation TypeJumlah BarangFisik MaterialStok Out/ target permintaan
1TRF DIS;;20kV/400V;3P;400 kVA;DYN5;ODUMDUNORMAL0TIDAK ADABANYAK
2CUB;N ISO;LBS MOTORIZE;24KV;630A; 16KASETMDUNORMAL0TIDAK ADABANYAK
3LVSB;DIST;3P;400V;630 A;4LINE;ODSETMDUNORMAL  4ADASEDIKIT
4CT;20kV;K;30-60/5- 5A;0.2;10VA;IDBHNON MDUNORMAL  3ADASEDIKIT
5MTR;kWH E- PR;;1P;230V;5- 60A;1;;2WBHMDUNORMAL  367ADABANYAK
6CABLE PWR;NA2XSEYBY;3X24 0mm2;20kV;UGMMDUNORMAL  1,724ADABANYAK
7JOINT;1kV;CU-CU;16- 16mm2;;1P;PRHSBHMDUBURSA  765ADASEDIKIT
8MCB;220/250V;1P;6A;5 0Hz;BHMDUNORMAL  5ADASEDIKIT
9MCB;220/250V;1P;50A; 50Hz;BHMDUHAPUS  1,549ADASEDIKIT
10BOX;APPMCCB80A+STR IP;ST1.5;1205X420X250SETMDUNORMAL  1ADASEDIKIT
11UNIV ACC;KUNCI GEMBOK MASTERBHNON MDUNORMAL  90ADASEDIKIT
12CABLE PWR ACC;STAINLEES STEEL STRIP SSSMNON MDUNORMAL  1,522ADASEDIKIT
13MTR ACC;MODEM GSM 12V DC DIGITALBHNON MDUNORMAL0TIDAK ADASEDIKIT
14POLE;STEEL;220V;CIRCL ;9m;200daN;;BTGMDUNORMAL  11ADABANYAK
  • Perhitungan Metode Decision Tree dan Algoritma C4.5

Perhitungan Metode Decision Tree dan Algoritma C4.5 Dari data tabel data sampel stok material/barang, maka dilakukan perhitungan menggunakan metode decision tree dan Algoritma C4.5, agar di dapat penentuan target permintaan

material gudang yang paling sering diminta dan dibutuhkan oleh user, berdasarkan data tabel tarikan output sistem ERP/SAP logistik dengan membuat tabel percabangan. Langkah-langkah dalam metode algoritma C4.5 yang perlu dilakukan antara lain :

  1. Pilih atribut sebagai akar
  • Buat cabang untuk masing-masing nilai
  • Bagi kasus dalam cabang
  • Ulangi proses untuk masing-masing cabang sampai semua kasus pada cabang memiliki kelas yang sama.

Adapun calon percabangan yang mungkin terjadi dari tabel pertama Tabel 4.2 Calon Percabangan

Kategori BarangValution TypeFisik Barang
MDUNORMALADA
NON MDUBURSATIDAK ADA
 HAPUS 

Berikut membuat tabel untuk menghitung frekwensi yang muncul dari setiap hasil produk berikut dengan proporsinya serta entropy-nya H(t).

Tabel 4.3 Frekuensi

Target PermintaanFrekuensiPiLog2 Pi-Pi.log2Pi
BANYAK50.357142857−1.4854268280.530509581
SEDIKIT90.642857143-0.6374299200.409776377

Dalam penelitian ini eksperimen dan pengujian dilakukan dengan langkah- langkah sebagai berikut:

a. Entropy dan Information Gain, Tahap pertama yang dilakukan adalah menghitung nilai entropy dimana nilainya harus dihitung tiap atribut berdasarkan tiap kasus seluruh atribut dapat dilihat pada tabel IV.6 hasil dari perhitungan nilai gain dan entropy pada data stok material dari masing masing atribut ditunjukan pada tabel dibawah ini:

Tabel 4.4 Perhitungan Nilai Entropy dan Gain

CabangJml Kasus (S)Sedikit (S1)Banyak (S2)Entropy (Si)GAIN
Kategori BarangMDU105511.408571034
NON MDU4400
Valution TypeNormal12750.0726599140.097796679
Bursa1100
Hapus1100
Fisik BarangAda11822.9188632449−0.635519722
Tidak Ada3122.169925004

Penghitungan Entropy Kelayakan

𝑛

𝐸𝑛𝑡𝑟𝑜𝑝𝑦 (𝑆) = ∑−𝑝𝑖 ∗ log2 𝑝𝑖

𝑖=1

dengan :

S : Himpunan Kasus n : Jumlah partisi S

pi : Proporsi dari Si terhadap S

dimana, perhitungan Node 1 (Root) dari entropy H(t) nya, adalah sebagai berikut :

Entropy (Total) = (− 5/14 𝑥 log2( 5/14))+ (− 9/14 𝑥 log2(9/14))

Entropy (Total) = -(-1.485426828)+-(-0.637429920)

Entropy (S) = 2.122856748

Berikut adalah hasil perhitungan Entropy dan Gain untuk tiap tiap node :

Nilai atribut kategori material :

Tabel 4.5 Entropy kategori material node 1.1

CabangJml Kasus (S)Sedikit (S1)Banyak (S2)Entropy (Si)GAIN
Kategori BarangMDU105511.408571034
NON MDU4400
Valution TypeNormal12750.0726599140.097796679
Bursa1100
Hapus1100
Fisik BarangAda11822.9188632449−0.635519722
Tidak Ada3122.169925004

Maka hasil perhitungan entropy pada atribut kategori material: Jumlah kasus MDU = 10

Jumlah kasus MDU , Banyak = 5 Jumlah kasus MDU, Sedikit =5

Smdu [5,5] = (− 5/10 𝑥 log2( 5/10))+ (− 5/10 𝑥 log2(5/10)) Entropy total= 0,5+0,5

Entropy total= 1

Tabel 4.6 Entropy kategori material node 1.2

CabangJml Kasus (S)Sedikit (S1)Banyak (S2)Entropy (Si)GAIN
Kategori BarangMDU105511.408571034
NON MDU4400
Valution TypeNormal12750.0726599140.097796679
Bursa1100
Hapus1100
Fisik BarangAda11822.9188632449−0.635519722
Tidak Ada3122.169925004

Maka hasil perhitungan entropy pada atribut material

Jumlah kasus NONMDU = 4

Jumlah kasus NONMDU , Banyak = 4 Jumlah kasus NONMDU, Sedikit =0

Snon mdu [4,0] = (− 4/4 𝑥 log2( 4/4))+ (− 0/4 𝑥 log2(0/4)) Entropy total = 0+0

Entropy total = 0

  Nilai atribut Valuation Type:

Tabel 4.7 Entropy Valuation Type node 2.1

CabangJml Kasus (S)Sedikit (S1)Banyak (S2)Entropy (Si)GAIN
Kategori BarangMDU105511.408571034
NON MDU4400
Valution TypeNormal12750.0726599140.097796679
Bursa1100
Hapus1100
Fisik BarangAda11822.9188632449−0.635519722
Tidak Ada3122.169925004

Maka hasil perhitungan entropy pada atribut Valuation Type :

Jumlah kasus NORMAL = 12

Jumlah kasus NORMAL , Banyak = 5 Jumlah kasus NORMAL, Sedikit =7

Snormal [5,7] = (− 5/12 𝑥 log2( 5/12))+ (− 7/12 𝑥 log2(7/12))

Entropy (total)= -(0.416666666x−1.263034408)+ -(-0.583333333x−0.777607579) Entropy (total)= 0.526264335+-0.453604421

Entropy (total)= 0.072659914

Tabel 4.8 Entropy Valuation Type node 2.2

CabangJml Kasus (S)Sedikit (S1)Banyak (S2)Entropy (Si)GAIN
Kategori BarangMDU105511.408571034
NON MDU4400
Valution TypeNormal12750.0726599140.097796679
Bursa1100
Hapus1100
Fisik BarangAda11822.9188632449−0.635519722
Tidak Ada3122.169925004

Maka hasil perhitungan entropy pada atribut Valuation Type :

Jumlah kasus BURSA = 1

Jumlah kasus BURSA , Banyak = 1

Jumlah kasus BURSA, Sedikit =0

Sbursa [1,0] = (− 1/1 𝑥 log2( 1/1))+ (− 0/1 𝑥 log2(0/1)) Entropy (total)= 0+0

Entropy (total)= 0

Tabel 4.9 Entropy Valuation Type node 2.3

CabangJml Kasus (S)Sedikit (S1)Banyak (S2)Entropy (Si)GAIN
Kategori BarangMDU105511.408571034
NON MDU4400
Valution TypeNormal12750.0726599140.097796679
Bursa1100
Hapus1100
Fisik BarangAda11822.9188632449−0.635519722
Tidak Ada3122.169925004

Maka hasil perhitungan entropy pada atribut Valuation Type :

Jumlah kasus HAPUS= 1

Jumlah kasus HAPUS , Banyak = 1 Jumlah kasus HAPUS, Sedikit =0

Shapus [1,0] = (− 1/1 𝑥 log2( 1/1))+ (− 0/1 𝑥 log2(0/1)) Entropy (total)= 0+0

Entropy (total)= 0

Nilai atribut Fisik Material:

Tabel 4.10 Entropy Fisik Material node 3.1

CabangJml Kasus (S)Sedikit (S1)Banyak (S2)Entropy (Si)GAIN
Kategori BarangMDU105511.408571034
NON MDU4400
Valution TypeNormal12750.0726599140.097796679
Bursa1100
Hapus1100
Fisik BarangAda11822.9188632449−0.635519722
Tidak Ada3122.169925004

Maka hasil perhitungan entropy pada atribut Fisik Material :

Jumlah kasus ADA= 11

Jumlah kasus ADA , Banyak = 8 Jumlah kasus ADA, Sedikit =2

Sada [8,2] = (− 8/11 𝑥 log2( 8/11))+ (− 2/11 𝑥 log2(2/11))

Entropy(total)= -(-0.459431619) + -(2.459431625)

Entropy (total) = 2.9188632449

Nilai atribut Fisik Material:

Tabel 4.11 Entropy Fisik Material node 3.2

CabangJml Kasus (S)Sedikit (S1)Banyak (S2)Entropy (Si)GAIN
Kategori BarangMDU105511.408571034
NON MDU4400
Valution TypeNormal12750.0726599140.097796679
Bursa1100
Hapus1100
Fisik BarangAda11822.9188632449−0.635519722
Tidak Ada3122.169925004

Maka hasil perhitungan entropy pada atribut Fisik Material :

Jumlah kasus TIDAK ADA= 3

Jumlah kasus TIDAK ADA , Banyak = 1 Jumlah kasus TIDAK ADA, Sedikit =2

Stidak ada [1,2] = (− 1/3 𝑥 log2( 1/3))+ (− 2/3 𝑥 log2(2/3)) Entropy(total)= -(−1.584962502)+ -(−0.584962502)

Entropy(total)=2.169925004

Setelah nilai entropy total sudah diketahui, maka langkah selanjutnya adalah mencari nilai gain. Untuk mendapatkan gain tiap atribut, maka langkah selanjutnya dilakukan perhitungan, dengan langkah-langkah sebagai berikut :

Rumus penghitungan informasi Gain

Berfungsi untuk memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari atribut-atribut yang ada.

𝑛

(𝑆, 𝐴) = 𝐸𝑛𝑡𝑟𝑜𝑝𝑦 (𝑆) −∑ | S𝑖 |               𝐸𝑛𝑡𝑟𝑜𝑝𝑦 (S𝑖)

𝑖=1

| 𝑆

dengan :

S : Himpunan kasus A : Atribut

n : Jumlah partisi atribut A

|Si| : Jumlah kasus pada partisi ke i

|S| : Jumlah kasus dalam S

Penghitungan informasi Gain kategori material/barang

CabangJml Kasus (S)Sedikit (S1)Banyak (S2)
Kategori BarangMDU1055
NON MDU440
KATEGORI BARANG
MDU
NON MDU
SEDIKIT
BANYAK

S MDU [5,5] = (− 5/10 𝑥 log2( 5/10))+ (− 5/10 𝑥 log2(5/10))= 0,5+0,5 = 1 S NonMDU [4,0] = (− 4/4 𝑥 log2( 4/4))+ (− 0/4 𝑥 log2(0/4))= 0+0 = 0

Gain (S, Kategori Material ) = Entropy S – (10/14) S MDU – (4/14) SNonMDU

= 2.122856748 – (10/14) x 1 – (4/14) x 0

= 2.122856748 – 0.714285714 – 0

= 1.408571034

Penghitungan informasi Gain Valution type

Snormal [7,4] = (− 7/12 𝑥 log2( 7/12))+ (− 4/12 𝑥 log2(4/12))

= -(-0.777607579) + -(-1.584962502) = 2.362570081

Sbursa [1,0] = (− 1/1 𝑥 log2( 1/1))+ (− 0/1 𝑥 log2(0/1))= 0+0= 0 Shapus [1,0] = (− 1/1 𝑥 log2( 1/1))+ (− 0/1 𝑥 log2(0/1))= 0+0= 0

Gain (S, Valution type) = Entropy S – (12/14) Snormal– (1/14) Sbursa-(1/14) Shapus = 2.122856748 – (12/14) x 2.362570081 – (1/14) x 0 – (1/14) x 0

= 2.122856748 –2.025060069 – 0 – 0

= 0.097796679

Penghitungan informasi Gain Fisik Material/Barang

Sada [8,2] = (− 8/11 𝑥 log2( 8/11))+ (− 2/11 𝑥 log2(2/11))

= -(-0.459431619) + -(2.459431625) = 2.9188632449

Stidak ada [1,2] = (− 1/3 𝑥 log2( 1/3))+ (− 2/3 𝑥 log2(2/3))

= -(−1.584962502)+ -(−0.584962502) =2.169925004

Gain (S, Fisik Material) = Entropy S – (11/14) SAda– (3/14) STidak ada

= 2.122856748 – (11/14) x 2.9188632449 – (3/14) x 2.169925004

= 2.122856748 – 2.293392550 – 0.464983920

= −0.635519722

Tabel 4.12 Entropy dan Information Gain

CabangJml Kasus (S)Sedikit (S1)Banyak (S2)Entropy (Si)GAIN
KategoriMDU105511.408571034
BarangNON MDU4400 
Valution TypeNormal12750.0726599140.097796679
Bursa1100
Hapus1100
Fisik BarangAda11822.9188632449−0.635519722
Tidak Ada3122.169925004

Berdasarkan hasil perhitungan Entropy dan information gain manual, tampak bahwa atribut kategori material/barang yang bisa dijadikan acuan dalam menyediakan prediksi terbaik dengan nilai gain tertinggi yaitu 1.408571034 sebagai target atribut kelas permintaan dari masing-masing user. Sebagai langkah berikutnya akan menjelaskan bahwa kriteria kategori material menjadi prioritas utama dalam menentukan hasil keputusan.

Hasil Implementasi Sistem

Atribut-atribut yang digunakan dalam penelitian ini adalah kategori material/barang, valuation type dan fisik material/barang, yang digunakan untuk menentukan pengklasifikasian kelas target permintan yang banyak, dan kelas target permintaan yang sedikit.

  • Implementasi decision tree dan C4.5 pada RapidMiner 7.2

RapidMiner 7.2 merupakan software tool Open Source untuk data mining. RapidMiner 7.2 menyediakan prosedur data mining dan machine learning termasuk: ETL (extraction, transformation, loading), data preprocessing, visualisasi, modelling dan evaluasi. Data stok material/barang yang diperoleh dari Bidang Konstruksi subbidang Logistik yang sudah dimiliki dan telah dianalisis

kemudian diolah menggunakan aplikasi RapidMiner 7.2 untuk mengetahui klasifikasi target permintaan material yang paling sering diminta oleh user pada bidang teknik pada PT PLN (Persero) Area Kebon Jeruk menggunakan Decision Tree. Menjalankan RapidMiner 7.2 pertama kali, jalankan RapidMiner 7.

KESIMPULAN

Adapun kesimpulan yang didapatkan dari proses perhitungan menggunakan metode algoritma C4.5 pada klasifikasi data barang yaitu :

1. Mampu mengklasifikasikan data dengan baik

2. Mampu menghasilkan perhitungan decision tree dengan metode C4.5 secara lengkap

3. Mampu menghasilkan perhitungan akurasi tertinggi

4. Mampu melakukan perhitungan data tunggal

Berdasarkan seluruh hasil tahapan perhitungan yang telah dilakukan pada Penerapan Klasifikasi Algoritma C4.5 dengan pengolahan datanya menggunakan metode Decision Tree untuk menentukan data stok material/barang dari target permintaan material gudang yang paling sering diminta dan dibutuhkan oleh user, juga dapat disimpulkan sebagai berikut:

 1. Permasalahan dalam menentukan data stok material/barang dapat diselesaikan menggunakan teknik data mining, yaitu dengan Algoritma C4.5 dan mendapatkan tingkat akurasi yang dihasilkan oleh sistem dengan metode decision tree pada aplikasi RapidMiner adalah 100%.

2. Dengan adanya penerapan data mining algoritma C4.5 diharapkan mampu memberikan solusi dalam menentukan permintaan barang yang paling dibutuhkan dengan permintaan yang banyak dari masing-masing user pada PT PLN (Persero) Area Kebon Jeruk.

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout /  Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout /  Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout /  Ubah )

Connecting to %s