Bab VI Kesimpulan dan Saran VI.1 Kesimpulan

Bab VI
Kesimpulan dan Saran
VI.1 Kesimpulan
Berdasarkan hasil pengujian dan evaluasi terhadap hasil pengujian yang disajikan
pada Bab V, dapat disimpulkan beberapa hal berikut:
1. Proses estimasi biaya produk pada IKM manufaktur dapat dilakukan
dengan mempergunakan metoda analogi berdasarkan data historis.
2. Metode k-means bersama-sama dengan MLR dapat diterapkan untuk
menghasilkan proses estimasi biaya dengan metoda analogi seperti pada
kesimpulan 1
3. Ekstraksi data fitur geometri dan pemesinan dari sebuah data rancangan
produk dapat dilakukan untuk menghasilkan deskripsi produk yang
bersifat kuantitatif.
4. Teknik data mining clustering dapat dipergunakan untuk melakukan
pengelompokan data produk sesuai dengan fitur produk sehingga
kelompok produk terdiri dari produk-produk yang mirip berdasarkan fitur
geometri dan pemesinan.
5. Teknik data mining prediction dapat dipergunakan untuk menghasilkan
aturan estimasi berdasarkan fitur produk yang telah dihasilkan pada proses
ekstraksi data.
6. Penentuan atribut yang dipergunakan dalam membangun aturan estimasi
sangat berpengaruh terhadap hasil prediksi terhadap sebuah data baru
7. Penentuan jumlah cluster sangat berpengaruh terhadap pembangkitan
aturan estimasi. Semakin banyak jumlah cluster, nilai MAPE semakin
kecil sehingga akurasi model semakin maningkat. Namun peningkatan
jumlah cluster juga memperbesar kemungkinan untuk menghasilkan
persamaan linier yang tidak terselesaikan karena jumlah anggota cluster
kurang
dari
jumlah
variabel
dependen
yang
dibutuhkan
untuk
menyelesaikan persamaan linier.
VI.2 Saran
Berdasarkan proses pengembangan dan hasil pengujian, beberapa saran diusulkan
untuk meningkatkan kinerja perangkat lunak dan untuk mengatasi kelemahan dan
kekurangan sistem pendukung keputusan estimasi biaya produksi dengan data
mining. Saran-saran tersebut adalah:
1. Ekstraksi data fitur pemesinan dapat dilakukan secara lebih rinci dengan
melibatkan atribut setiap fitur pemesinan, terutama volume massa yang
dihasilkan dari fitur pemesinan tersebut. Data fitur pemesinan yang lebih
rinci diduga akan menghasilkan proses pengelompokan produk dan
prediksi yang lebih baik.
2. Teknik penyiapan data dapat ditambahkan lebih banyak sehingga memberi
pilihan kepada pengguna yang lebih banyak dalam tahapan penyiapan
data.
3. Teknik data mining lain untuk keperluan pengelompokan dan prediksi
dapat ditambahkan untuk menghasilkan ragam pilihan estimasi yang lebih
banyak, sehingga dapat memberikan pertimbangan yang lebih banyak bagi
pengguna perangkat lunak dalam menentukan harga prediksi
4. Perlu ditambahkan fitur untuk memilih atribut yang akan dipergunakan
untuk membangun model estimasi biaya. Metode seperti Principal
Component Analysis (PCA) atau Correlation Coefficient Analysis (CCA)
dapat ditambahkan pada proses pengolahan awal data sehingga pengguna
dapat menentukan atribut yang akan dipergunakan untuk membuat model
secara lebih cepat.