penerapan teknik artificial intelligent rough set

Jurnal KomTekInfo Fakultas Ilmu Komputer, Volume 1, No. 1, Juni 2014
ISSN : 2356-0010
PENERAPAN TEKNIK ARTIFICIAL INTELLIGENT ROUGH
SET UNTUK MENDUKUNG KEPUTUSAN PADA PROSES
PEMERIKSAAN KONDISI PENJUALAN BARANG PADA
TOKO SILUNGKANG ART CENTRE PADANG
Ilmawati, S.Kom, M.Kom, Fakultas Ilmu Komputer
Universitas Putra Indonesia YPTK Padang
e-mail : [email protected]
Abstrak – Penelitian dilakukan di Toko Silungkang Art Centre Padang dengan menitik beratkan
kepada pengolahan data stock barang dengan menggunakan Teknik Artificial Intelligent Rough Set
yang bertujuan untuk mendukung pihak manajemen dalam mengambil keputusan. Data dikumpulkan
melalui observasi dan interview yang dilaksanakan di Toko Silungkang Art Centre Padang. Data yang
telah dikumpulkan kemudian dianalisis dan dipelajari serta dirumuskan sehingga menghasilkan
perancangan sistem pengambilan keputusan yang diharapkan dapat dipakai oleh pihak manajemen
dalam membantu proses pengambilan keputusan. Sistem pengambilan keputusan tersebut dibantu
dengan teknik Artificial Intelligent Rough Set. Dari hasil penelitian ini ditemukan bahwa teknik
Artificial Intelligent Rough Set merupakan suatu teknik yang dapat diandalkan untuk mengambil
keputusan karena dapat menganalisis data dalam skala besar serta dapat membantu dalam
pengambilan keputusan yang tepat waktu.
Kata Kunci : artificial intelligent, stok, keputusan
1.
PENDAHULUAN
Seiring dengan kemajuan komunikasi
dan informasi yang semakin meningkat,
banyak orang yang mengumpulkan informasi
sebanyak mungkin melalui berbagai media
yang dimilikinya. Tetapi tidak semua orang
mampu mengelola informasi tersebut dengan
baik agar dapat dimanfaatkan pada waktu
yang tepat secara efisien dan efektif. Karena
memiliki banyak informasi saja tidak cukup
apabila tidak bisa mengelolanya menjadi
alternatif
terbaik
untuk
pengambilan
keputusan. Perkembangan teknologi informasi
memungkinkan pengambilan keputusan dapat
dilakukan dengan cepat dan cermat.
Dewasa ini pengguna komputer telah
berkembang baik berupa pengelolahan data
atau penyajian informasi bagi pihak
manajemen yang mampu menyediakan
beberapa
pilihan
untuk
pendukung
pengambilan keputusan yang dilakukan oleh
pihak manajemen. Perkembangan teknologi
informasi barawal dari Pengolahan Data
Elektronik (PDE) ke Sistem Informasi
Manajemen (SIM) dan berlanjut ke Sistem
Pendukung Keputusan (SPK), di mana PDE
dititik beratkan pada data, penyimpanan,
pengolahan dan aliran dalam informasi serta
upaya peningkatan efisiensi pemrosesan.
SIM difokuskan pada penyajian
informasi bagi para manajer menengah,
sedangkan SPK berfokus pada pengambilan
keputusan yang ditujukan pada manager
Penerapan teknik Artificial . . .
puncak dan eksekutif pengambil keputusan
serta
bertumpu
pada
fleksibilitas,
adaptabilitas, dan respon yang cepat yang
dapat dikendalikan oleh pengguna.
Hal ini seperti pengambilan keputusan
dalam pemeriksaan kondisi stock barang pada
Toko Silungkang Art centre Padang, dimana
dalam pengambilan keputusannya belum
menggunakan teknologi informasi secara
optimal, sehingga belum mampu memilih
suatu alternatif yang tepat. Pengolahan data
proses pemeriksaan kondisi stock barang
pada Toko Silungkang Art Centre Padang saat
ini masih dilakukan secara manual dan tidak
menggunakan suatu teknik dari sistem
pendukung keputusan. Sehingga keputusan
yang tepat sulit dicapai, sebagai contoh barang
yang seharusnya masih bisa dijual tetapi
karena tidak adanya laporan berkala yang
menggunakan suatu teknik dari sistem
pendukung keputusan dari hasil pengolahan
stock barang tersebut, maka stock barang
tersebut seharusnya masih bisa dijual lagi
tetapi dibiarkan begitu saja. Keputusan ini
tentu bukan merupakan keputusan yang tepat,
karena menimbulkan kerugian. Kalau terjadi
untuk sebagian kecil barang-barang mungkin
hal ini tidak terlalu masalah, tetapi karena
stock barang pada Toko Silungkang Art
Centre Padang sudah dalam jumlah yang
besar, maka resiko terjadinya hal yang serupa
untuk sebagian besar barang-barang sangatlah
mungkin terjadi.
51
Jurnal KomTekInfo Fakultas Ilmu Komputer, Volume 1, No. 1, Juni 2014
Untuk manghasikan suatu keputusan
yang tepat tentu dibutuhkan suatu Sistem
Pendukung Keputusan yang baik terutama
dalam proses pengolahan datanya, sehingga
dari hasil pengolahan data tersebut dapat
dihasilkan suatu keputusan yang dapat
diorganisasikan dan disajikan dengan cepat
dan tepat sesuai dengan kebutuhan.
Salah satu teknik yang digunakan untuk
sistem pendukung keputusan ini adalah
dengan menggunakan teknik Artificial
Intelligent (AI) Rough Set yang mana teknik
ini adalah merupakan teknik yang efisien
untuk Knowledge Discovery in Database
(KDD) proses dan data mining. Dengan teknik
Artificial Intelligent (AI) Rough Set ini,
nantinya
akan
didapat
suatu
hasil
knowledge/pattern yang dapat digunakan
dalam mengambil suatu keputusan, yaitu
dengan melakukan tahapan-tahapan dalam
KDD yang terdiri dari data selection, data
cleaning, data transformation, data mining,
dan evaluation.
Data selection bertujuan untuk
menyeleksi data-data yang akan diproses,
yang mana data-data yang akan diambil untuk
diproses tidak keseluruhan dari data-data yang
ada di dalam database. Data cleaning berguna
untuk menangani sejumlah data yang besar
dalam suatu database. Di mana dengan teknik
ini data-data dalam suatu database yang
bersifat uncertainty (tidak pasti) seperti
incomplete (tidak lengkap) dan inconsistent
(tidak konsisten) dapat dijadikan complete
(lengkap) dan consistent (konsisten). Sehingga
proses ini dapat memberikan suatu
keuntungan yang besar untuk menghasilkan
suatu data yang konsisten dan data yang
lengkap pada suatu database.
Data transformasian bertujuan untuk
merubah suatu bentuk data mentah yang telah
lengkap dalam suatu database kedalam suatu
bentuk data yang singkat dan mudah untuk
dipahami. Dari teknik ini nantinya akan
dihasilkan suatu knowledge yang dapat di
inginkan dalam pengambilan keputusan. Dan
juga akan didapat hasil pengolahan data yang
mempunyai tingkat keakuratan yang tinggi,
sehingga keputusan yang tepat dan cepat
tersebut dapat dicapai. Sedangkan data mining
adalah proses pencarian knowledge/pattern
dengan menggunakan salah satu teknik
Artificial Intelligent yang ada, contohnya
seperti Rough Set.
Berdasarkan hal di atas, maka dari segi
kriteria efisiensi dan efektifitas kerja masih
terdapat kekurangan dan kelemahan yang
dapat memperlambat proses pengambilan
keputusan. Kekurangan dan kelemahan dapat
Penerapan teknik Artificial . . .
ISSN : 2356-0010
dirumuskan menjadi masalah-masalah sebagai
berikut:
1. Bagaimana pengolahan data stock
barang pada Toko Silungkang Art
Centre Padang
dapat dikelola
sehingga proses pengambilan
keputusan menjadi lebih optimal ?
2. Bagaimana
teknik
Artificial
Intelligent Rough Set dapat
membantu proses pengambilan
keputusan untuk kondisi stock
barang pada Toko Silungkang Art
Centre Padang ?
2. KONSEP TEORI
Teknologi Pengambilan Keputusan
Untuk
membantu
terbentuknya
proses pengambilan keputusan yang telah
disediakan terdapat beberapa teknologi (Tool)
pendukung keputusan. Teknologi pendukung
keputusan yang umum adalah:
1. Decision Support System (DSS)
2. Group Support System (GSS)
3. Enterprise (Executive) Informasi
System
4. Supply Chain Management
(SCM)
5. Knowledge Manajement (KM)
6. Expert System (ES)
7. Artifical Neural Network (ANN)
8. Hybrid
Intrlligent
Support
System
9. Intelligent Decision Support
systerm (DSS) and Agent
Teknologi yang akan digunakan
tergantung pada sifat atau ciri-ciri (Nature)
dari bebarapa masalah dan konfiguarasi
pendukung keputusan yang spesifik, dalam
sebuah permasalahan yang terstrukktur dan
prosedur untuk mendapatkan solusi yang
terbaik. Tujuan atau sasaran utamanya adalah
meminimal biaya dan memaksimalkan
keuntungan.
Dalam sebuah permasalahan yang
tidak terstruktur, intuisi menjadi basis dari
pembuatan keputusan, sehingga permasalahan
yang tidak terstruktur termasuk perencanaan
pelayanan yang baru, hiring (penyewaan
seorang executive), pemilihan sekumpulan
research and development (R&D) proyek
untuk tahun mendatang hanya bagian masalah
yang tidak terstruktur dapat didukung oleh
kemajuan teknologi penunjang keputusan
seperti Intelligent Decision Support System
(IDSS), Experat System dan Knowledge
Management System (KMS).
Permasalahan semi terstruktur berada
antara masalah yang terstruktur dengan
52
Jurnal KomTekInfo Fakultas Ilmu Komputer, Volume 1, No. 1, Juni 2014
masalah yang tidak terstruktur, yang terdiri
dari beberapa elemen terstruktur dengan
elemen yang tidak terstruktur. Pemecahan
masalah semi terstruktur meliputi kombinasi
dari prosedur solusi yang standar dan
keputusan manusia.
Keen
dan
Morton
(1978)
memberikan contoh dari semi terstruktur
yaitu: perjanjian perdagangan, diman DSS
dapat meningkatkan kualitas informasi dimana
keputusan tidak hanya satu solusi tapi ada
beberapa alternatif solusi. Kemampuan ini
memungkinkan manajer memahami sifat dari
masalah menjadi lebih baik sehingga dapat
membuat keputusan yang lebih cepat dan
akurat.
Teknik Artificial Intellegence Rough Set
Teknik Artificial Intelligence Rough
Set adalah sebuah teknik matematika yang
dikembangkan oleh Pawlack pada tahun 1980.
Teknik ini digunakan untuk menangani
masalah
Uncertainty.
(Missing
data,
Incompleted Data dan Inconsistency Data
Imprecision dan Vagueness) dalam aplikasi
Artifical Intellgence (AI).
Raugh Set merupakan teknik yang
efisien untuk Knowledge Discovery dalam
Database (KDD) proses dan Data Mining.
Secara umum, teori Rough Set telah
digunakan dalam banyak aplikasi seperti
medicine, pharmacology, business, banking,
egineering design, image processing dan
decision analysis. Rough Set marupakan
teknik yang efisien untuk KDD proses dan
Data Mining.
Dalam
sebuah
pengambilan
keputusan, teknik Aritificial Intelligent (AI)
Rough Set adalah salah satu teknik yang tepat
untuk digunakan, yang mana dengan teknik
Aritificial Intelligent Rough Set ini, nantinya
akan didapat suatu hasil knowledge/pattern
yang akan digunakan dalam mengambil suatu
keputusan,yaitu dengan melakukan tahapantahapan dalam KDD yang terdiri dari data
selection, data cleaning , data transformation,
data mining, dan evaluation.
3.
METODE PENELITIAN
ISSN : 2356-0010
Uraian Kerangka Kerja
Berdasarkan kerangka kerja pada
gambar 3.1 maka masing-masing langkahnya
dapat diuraikan seperti berikut ini :
1. Defenisi Ruang Lingkup Masalah
Ruang lingkup masalah yang akan diteliti
harus ditentukan terlebih dahulu, karena
tanpa
mampu
menentukan
serta
mendefinisian batasan masalah yang akan
diteliti, maka tidak akan pernah didapat
suatu solusi yang terbaik dari masalah
tersebut. Jadi langkah pertama ini adalah
langkah awal yang terpenting dalam
penulisan ini.
2. Analisis Masalah
Langkah analisis masalah adalah langkah
untuk dapat memahami masalah yang
telah ditentukan ruang lingkup atau
batasannya. Dengan menganalisa masalah
yang telah ditentukan tersebut, maka
diharapkan masalah dapat dipahami
dengan baik.
3. Menentukan Tujuan
Berdasarkan pemahaman dari masalah,
maka ditentukan tujuan yang akan dicapai
dari penulisan ini. Pada tujuan ini
ditentukan target yang dicapai, terutama
yang dapat mengatasi masalah-masalah
yang ada.
4. Mempelajari literatur
Untuk mencapai tujuan maka dipelajari
beberapa
literatur-literatur
yang
diperkirakan dapat digunakan. Kemudian
literatur-literatur yang dipelajari tersebut
diseleksi untuk dapat ditentukan literaturliteratur mana yang akan digunakan
dalam penelitian
5. Mengumpulkan data
Dalam pengumpulan data dilakukan
observasi yaitu pengamatan secara
langsung ditempat penelitian sehingga
permasalahan yang ada dapat diketahui
secara jelas. Kemudian dilakukan
interview
yang
bertujuan
untuk
mendapatkan informasi atau data yang
dibutuhkan. Selain itu juga dilakukan
studi kepustakaan yaitu dengan membaca
buku-buku yang menunjang dalam
melakukan penganalisasian terhadap data
dan informasi yang didapat
6. Analisis teknik pengolahan data dengan
Rought Set
Bagian ini bertujuan untuk menganalisis
dan memahami teknik yang akan
digunakan dalam pengolahan data yang
telah diperoleh dari tempat penelitian,
terutama pada proses, yang mana terdapat
beberapa teknik yang digunakan untuk
Gambar 1 Kerangka Kerja Penelitian
Penerapan teknik Artificial . . .
53
Jurnal KomTekInfo Fakultas Ilmu Komputer, Volume 1, No. 1, Juni 2014
7.
8.
pengolahan data dengan cara Rough Set
ini yaitu :
a. Analisis Proses Data Cleaning
Dalam penulisan ini proses data
cleaning digunakan untuk menangani
data yang tidak lengkap. Proses data
cleaning ini juga mencakup antara
lain membuang duplikasi data,
memeriksa data yang tidak konsisten
dan memperbaiki kesalahan pada
data,
seperti
kesalahan
cetak
(tipografi)
b. Analisis Proses Data transformation
Setelah dilakukan proses data
cleaning maka dilakukan proses
transformasi data yang bertujuan
untuk mentransformasikan sehingga
data tersebut menjadi lebih sederhana
dan dapat dengan mudah dipahami.
c. Generating Rules
Generating rules bertujuan untuk
mencari suatu rules/knowledge yang
terkandung dalam sebuah kumpulan
data
yang
sebelumnya
telah
disederhanakan dengan cara data
transformasi.
Perancangan algoritma data cleaning dan
data transformation
Setelah diproses data cleaning dan proses
transformasi data dipahami, sehingga
dari alogaritmanya akan jelas tahapantahapan yang dilakukan untuk melakukan
proses
data
cleaning
dan
data
transformation tersebut. Kemudian data
yang telah selesai ditansformasikan akan
diproses dengan teknik generating rules.
Pengolahan data dengan algoritma
rancangan
Data-data yang telah dikumpulkan
sebelumnya dapat diolah berdasarkan
algoritma yang telah dirancang. Dengan
menggunakan
data-data,
maka
algoritmanya akan lebih mudah untuk
dipahami, dan akan lebih nampak proses
data cleaning, data trasnformation dan
generating rules pada algortima tersebut.
setelah pengolahan data selesai, maka
dilakukan :
a. Menguji kebenaran pengolahan data
secara manual dengan menggunakan
software rosetta .
b. Membuat suatu perbandingan antara
sistem yang lama dengan sistem yang
baru dari segi kinerjanya, terutama
dari
aspek
kecepatan
waktu
pengolahan datanya dan dari kualitas
keputusan yang dihasilkan.
Penerapan teknik Artificial . . .
4.
ISSN : 2356-0010
ANALISA DAN HASIL
Analisa Sistem Yang Sedang Berjalan
Analisa system adalah penguraian dari
suatu system informasi yang utuh kedalam
bagian komponen-komponennya dengan
maksud untuk mengidentifikasikan dan
mengevaluasi
permasalahan-permasalahan,
hambatan-hambatan
yang
terjadi
dan
kebutuhan-kebutuhan
yang
diharapkan
sehingga dapat diusulkan perbaikan.
Analisa sistem yang sedang berjalan
dapat diartikan sebagai suatu kegiatan untuk
memperoleh gambaran mengenai keadaan
sistem yang sedang berjalan. Pada Toko
Silungkang Art Centre Padang analisis
sistemnya adalah pada penganalisisan kondisi
data stock barang-barang yang salah satu
tujuannya
adalah
untuk
menentukan
kelayakan dari barang-barang tersebut.
Sebagai contoh manajer mangambil keputusan
akhir untuk menilai kelayakan suatu barang,
adalah berdasarkan laporan tertulis yang
diberikan oleh bagian barang. Penilaian yang
dilakukan berdasarkan laporan tertulis ini
memperhatikan aspek-aspek lainnya, seperti
persentase tingkat kerusakan barang, lama
barang di stock, kondisi barang dan lainlainnya. Pada laporan tersebut hanya terdapat
satu variabel penilaian, yaitu dinilai dari
kondisi barang saja, apakah barangnya masih
layak jual atau tidak layak jual. Contohnya
bentuk laporan yang ada pada saat ini adalah
seperti diperlihatkan pada tabel 4.1.
Dari bentuk laporan di atas keputusan yang
tepat dan cepat sulit didapatkan, karena tidak
lengkapnya bentuk laporan yang diberikan,
dan tidak ada variabel-variabel yang
mendukung dalam pengambilan suatu
54
Jurnal KomTekInfo Fakultas Ilmu Komputer, Volume 1, No. 1, Juni 2014
keputusan. Seperti contohnya pada kolom
keterangan, barang hanya dinyatakan rusak
saja, tanpa dirinci secara jelas berapa persen
tingkat kerusakannya, sehingga keputusan
apakah barang tersebut rusak tidak layak jual
atau rusak layak jual sulit ditentukan.
Untuk Toko Silungkang Art Centre
Padang bentuk laporan stock barang terdiri
dari banyak group, penulis mencoba
merancang suatu sistem pembuatan keputusan
dengan mengambil salah satu contoh data
yang akan diolah, yaitu berdasarkan data-data
stock barang group baju koko. Dalam
pengolahan datanya nanti terlihat jelas adanya
variasi pengambilan keputusan , dan
keputusan tersebut lebih akurat dari pada
keputusan yang diambil dari cara yang
sebelumnya
Rancangan Umum Sistem Pengambilan
Keputusan
Pada bab ini dijelaskan arsitektur dari
sistem pendukung keputusan dalam analisa
data kelayakan kondisi stock barang Toko
Silungkang Art Centre Padang yang terdiri
dari rancangan umum dan komponenkomponennya. Untuk lebih jelasnya dapat
dilihat pada gambar 4.1.
ISSN : 2356-0010
Gambar
4.1
memperlihatkan
rancangan umum dari sistem pendukung
keputusan dalam penentuan data kelayakan
kondisi stock barang hanya terdiri dari tiga
bagian utama yaitu : Database, model dan
dialog
Dalam bagian ini, diasumsikan
database berisi dari data yang tidak lengkap
(incomplete data) untuk mendapatkan
keputusan (decision) yang tetap dan akurat,
data yang tidak lengkap diproses untuk
mendapatkan
data
lengkap
dengan
menggunakan metode data cleaning, seperti
teknik mean subsitusi. Selanjutnya data
lengkap tersebut ditransformasikan dengan
menggunakan metode data transformation.
Dari hasil data transformasi dilakukan proses
pencarian knowledge/rules dengan cara
generation rules sehingga menghasilkan
keputusan (decision) yang lebih singkat dan
mudah dipahami.
Data Flow Diagram
Untuk memberikan pemahaman
secara jelas terhadap sistem yang akan
dirancang, maka dapat digunakan Data Flow
Diagram. Dalam Data Flow Diagram ini akan
terlihat dengan jelas aliran data yang terjadi
pada proses pembentukan sistem pendukung
keputusannya, sehingga diharapkan orang
yang tidak memahami komputerpun akan
dapat mengerti tentang rancangan sistem
pendukung keputusan.
Context Diagram
Context Diagram, adalah merupakan
langkah pertama dalam pembuatan Data Flow
Diagram, yang mana dalam Context Diagram
digambarkan
secara
umum
proses
pembentukan sistemnya. Untuk lebih jelasnya
dapat dilihat pada gambar 4.2.
Dari context diagram di atas terlihat
peranan bagian barang dalam pembentukan
sistem pembentukan keputusannya, dan
adanya entiti manager yang berfungsi untuk
menerima hasil laporan dari bagian barang.
Penerapan teknik Artificial . . .
55
Jurnal KomTekInfo Fakultas Ilmu Komputer, Volume 1, No. 1, Juni 2014
Data Flow Diagram Level 0
Pada Data Flow Diagram level 0 ini
diuraikan secara rinci proses-proses yang
dilalui untuk mendapatkan suatu keputusan,
seperti yang dapat dilihat pada gambar 4.3.
Dari gambar Data Flow Diagram
level 0 diatas terlihat dengan jelas prosesproses yang terjadi, yaitu :
1. Bagian barang mengentrikan hasil
pemeriksaan kondisi stock barang Toko
Silungkang Art Centre Padang, dan
datanya disimpan dalam sebuah database
2.
Data tidak lengkap tersebut kemudian
dibaca dari dalam database melalui
software aplikasi Rough Set. Kemudian
sebelum rules ditampilkan, data tersebut
terlebih dahulu diproses dengan teknik
data cleaning, sehingga menghasilkan
data yang lengkap.
3. Setelah didapat data yang lengkap, maka
dilakukan proses data transformasi untuk
menyederhanakan
data
tersebut,
sehingga lebih mudah dalam melakukan
pengolahan datanya.
4. Hasil data transformasi diproses secara
generating rules, sehingga dapat
menghasilkan suatu rules/knowledge
yang berguna untuk pengambilan suatu
keputusan.
5. Rules/knowledge yang telah didapat
digunakan oleh bagian barang untuk
membuat suatu keputusan, sehingga
dapat membuat laporan untuk diberikan
kepada Manager.
Pengolahan Data Dengan Teknik Data
Cleaning
Pada bagian ini maka akan diolah
data-data yang telah diperoleh dengan
menggunakan Teknik Mean Substitusi seperti
Penerapan teknik Artificial . . .
ISSN : 2356-0010
yang telah dijelaskan pada BAB II. Dalam
teknik ini data yang tidak lengkap diisi dengan
nilai rata-rata dari sampel data yang diperoleh.
Berdasarkan data-data yang diperoleh
maka didapat suatu data yang tidak lengkap,
seperti dapat dilihat pada tabel 4.2.
Dari tabel 4.2 dapat dilihat bahwa
terdapat data tidak lengkap. untuk melengkapi
tabel tersebut digunakan teknik mean
subsitusi, maka didapat hasil nilai rata-rata
sebagai berikut :
1.
Untuk tingkat kerusakan
=810/19 = 43
2.
Untuk kelayakan
=1115/19 = 59
3.
Untuk lama distock
= 64/19 = 4
Dari tabel 4.3 dapat dilihat sistem
pendukung keputusan menentukan kondisi
stock barang pada Toko Silungkang Art
Centre Padang terdiri dari beberapa atribut
yaitu nama barang, tingkah kerusakan,
kelayakan dan lama barang distock yang range
nilainya ditentukan sebagai berikut :
1. Tingkat kerusakan
a. < 20 % dikategorikan „Rendah”
b. 20 % - 59 % dikategorikan
„Sedang”
c. > 59 % dikategorikan „Tinggi”
2. Kelayakan
a. > 59 dikategorikan “:Layak”
b. 20-59 dikategorikan “Cukup
Layak”
c. < 20 dikategorikan “Tidak
layak”
3. Lama Barang Distock
a. >2 tahun dengan range nilai > =
2
b. <= 2 tahun dengan range nilai <
2
56
Jurnal KomTekInfo Fakultas Ilmu Komputer, Volume 1, No. 1, Juni 2014
Untuk
masing-masing
variabel
tingkat kerusakan, kelayakan, dan lama barang
di stock diasumsikan bersifat individual dan
tidak ada saling ketergantungan antara satu
komponen dengan komponen yang lainnya.
Berdasarkan nilai rata-rata dan range
nilai di atas, maka data tidak lengkap pada
tabel 4.2 dapat dilengkapi seperti tabel 4.3
Pengolahan Data Dengan Teknik Data
Transformation
Data lengkap yang telah didapat dari
teknik mean subsitusi disederhanakan dengan
menggunakan teknik data transformasi
berdasarkan Algoritma Fungsi Interval yang
telah dijelaskan pada Bab II.
Sesuai dengan Algoritma Fungsi
Interval yang telah dijelaskan pada Bab II
tersebut, maka untuk masing-masing variabel
tingkat kerusakan, variabel kelayakan, dan
variabel lama barang di stock akan ditentukan
nilai terbesar, nilai terkecil, range nilai, jumlah
kelas dan nilai intervalnya. Dari hasil yang
diperoleh tersebut maka dilakukan proses data
transformation untuk data lengkap kelompok
1 yang terdapat pada tabel seperti berikut ini
1. Untuk atribut tingkat kerusakan
Penerapan teknik Artificial . . .
a.
b.
c.
d.
Nilai Terbesar
Nilai terkecil
Range Nilai
10 = 75
Jumlah kelas
3,3 (log n )
ISSN : 2356-0010
=
=
=
85
10
85-
=
1+
1 +
3,3 (log 20)
= 1 +
3,3 (1,30) = 5
e. Nilai interval
= 75/5=
15
f. Transformasi data :
1) 10 s/d 25 =1
Range nilai 10 sampai dengan nilai 25
ditransformasikan menjadi angka 1
2) > 25 s/d < = 35 = 2
Range nilai lebih besar atau sama dengan
25 sampai dengan lebih kecil atau sama
dengan 35 ditransformasikan menjadi
angka 2
3) > 35 s/d < = 50 = 3
Range nilai lebih besar dari 35 sampai
dengan lebih kecil atau sama dengan 50
ditransformasikan menjadi angka 3
4) > 50 s/d < = 65 = 4
Range nilai lebih besar dari 50 sampai
dengan lebih kecil atau sama dengan 65
ditransformasikan menjadi angka 4
5) > 65 s/d < = 80 = 5
Range nilai lebih besar dari 65 sampai
dengan lebih kecil atau sama dengan 80
ditransformasikan menjadi angka 5
6) > 80 s/d < = 95 = 6
Range nilai lebih besar dari 80 sampai
dengan lebih kecil atau sama dengan 95
ditransformasikan menjadi angka 6
2. Untuk atribut kelayakan
a. Nilai terbesar =
85
b. Nilai terkecil =
20
c. Range nilai =
8520 = 65
d. Jumlah kelas =
1 +
3,3 ( log n )
1 +
3.3 (log 20)
=
1
+3.3 (1,30) = 5
e. Nilai interval =
65/5 = 13
f. Transformasi
=
1) 20 s/d 33
=
1
Range nilai dari 20 sampai dengan lebih
kecil
atau
sama
dengan
33
ditransformasikan menjadi angka 1
2) > 33 s/d < = 46 = 2
Range nilai lebih besar dari 33 sampai
dengan lebih kecil atau sama dengan 46
ditransformasikan menjadi angka 2
3) > 46 s/d < = 59 =
3
57
Jurnal KomTekInfo Fakultas Ilmu Komputer, Volume 1, No. 1, Juni 2014
4)
5)
3.
a.
b.
c.
d.
e.
f.
1)
2)
3)
Range nilai lebih besar dari 46 sampai
dengan lebih kecil atau sama dengan 59
ditransformasikan menjadi angka 3
> 59 s/d < = 72 =
4
Range nilai lebih besar dari 59 sampai
dengan lebih kecil atau sama dengan 72
ditransformasikan menjadi angka 4
> 72 s/d < = 85 =
5
Range nilai lebih besar dari 72 sampai
dengan lebih kecil atau sama dengan 85
ditransformasikan menjadi angka 5
Untuk atribut lama barang distock
Nilai terbesar =6
Nilia terkecil =1
Range nilai =6 - 1 = 5
Jumlah kelas =1 + 3.3 (log n)
=1 + 3.3 (1,30) = 5
Nilai interval =5/5 = 1
Transformasi data :
1 s/d 2 = 1
Range nilai 1 sampai dengan nilai 2
ditransformasikan dengan angka 1
>2 s/d 3 = 2
Range nilai yang lebih besar dari 2
ditransformasikan menjadi angka 2
> 3 s/d 4 = 3
Range nilai yang lebih besar dari 3
ditransformasikan menjadi angka 3
ISSN : 2356-0010
Dari hasil data transformasi yang
telah disederhanakan
pada tabel 4.5,
kemudian dibandingkan data-data yang
terdapat dalam masing-masing equvalence
Class nya. 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. Contohnya data untuk variabel A,
dibandingkan data pada baris kesatu (EC1)
dengan data pada baris keduanya (EC2) dari
proses
perbandingan
dihasilkan
tabel
Discernibility Matrix seperti pada tabel 4.6.
4) > 4 = 4
Range nilai yang lebih besar dari 3
ditransformasikan menjadi angka 3
Berdasarkan
pengolahan
data
lengkap,
maka
didapat
hasil
data
transformasinya seperti tabel 4.4.
a.
Discernibility Matrix Modulo D
Dari hasil pengolahan data dengan
cara Discernibility Matrix sesuai tabel 4.6 ,
maka selanjutnya data diolah dengan cara
Discernibility Matrix Modulo D, dimana
dalam pengolahan data dengan cara ini
variabel kondisi dan keputusannya harus
dibandingkan. Pada tabel 4.6 sudah nampak
hasil pengolahan data dari perbandingan
Penerapan teknik Artificial . . .
58
Jurnal KomTekInfo Fakultas Ilmu Komputer, Volume 1, No. 1, Juni 2014
antara variabel kondisi, sehingga
variabel keputusan dibandingkan
hasilnya menjadi seperti tabel 4.7.
kalau
maka
ISSN : 2356-0010
berikut:
b.
Reduct
Pada proses Reduct ini dilakukan
proses penyeleksian variabel minimal dari
sekumpulan
variabel
kondisi
dengan
menggunakan cara Prime Implicant fungsi
Booleen, dengan cara berikut ini :
Dari hasil perhitungan Prime
Implicant diatas, maka didapat reduct {a,b,c},
Berdasarkan reduct yang telah dihasilkan,
maka didapat rules sebagai
Penerapan teknik Artificial . . .
Setelah dilakukan analisis terhadap sistem
maka dilakukan pengujian terhadap program
yang dibuat, dengan tujuan untuk mengetahui
apakah sasaran yang diinginkan telah dapat
dicapai sesuai dengan yang telah dinyatakan
sebelumnya pada BAB I yaitu, setelah
dilakukan perancangan sistem pendukung
keputusan terhadap stock barang pada Toko
Silungkang Art Centre
Padang ternyata
sistem yang dihasilkan dapat membantu
proses pengambilan keputusan lebih optimal.
Informasi yang dihasilkan sebelumnya tidak
jelas yang selama ini hanya menampilkan
kondisi barang rusak atau tidak rusak saja,
tanpa dirinci tingkat kerusakan, dan tidak jelas
keputusan yang akan diambil, seperti dapat
kita lihat pada table 4.1 BAB IV.
Dengan merancang sistem keputusan
ini maka bentuk laporan yang dihasilkan
menjadi lebih lengkap dan menghasilkan suatu
59
Jurnal KomTekInfo Fakultas Ilmu Komputer, Volume 1, No. 1, Juni 2014
rule/knowledge
untuk
pengambilan
keputusan, dengan melakukan proses :
a. Untuk melengkapi data, dirancang
suatu sistem yang menggunakan
algoritma dari data cleaning,
sehingga didapatkan suatu data
lengkap .
b. Agar informasi yang dihasilkan
dapat mudah dipahami oleh pihakpihak yang berkepentingan, sistem
juga dirancang menggunakan data
transformasi, dimana data yang
telah lengkap ditransformasikan
dengan menggunakan algoritma
dari data transformasion, sehingga
menghasilkan informasi .
c. Informasi
yang
telah
ditransformasikan
menjadi
sederhana, diolah lagi secara
generating
rules,
sehingga
menghasilkan
suatu
rules/knowledge
yang
dapat
digunakan dalam pengambilan
keputusan. Dari hasil pengolahan
data transformasi maka didapat
rules/knowledge.
Untuk menguji kebenaran dari hasil
pengolahan data yang dikerjakan secara
manual pada BAB IV tersebut kita dapat
menggunakan salah satu software aplikasi
rough set yaitu rosetta. Hasil pengujian
dengan rosetta :
1. Data tidak lengkap terlebih dahulu
dibuat pada Software Microsoft
Excel seperti gambar 5.1.
ISSN : 2356-0010
Gambar 5.2. Data Tidak Lengkap Pada
Software Rosetta
3.
Data yang tidak lengkap tersebut
dilengkapi dengan cara mencari
nilai rata-rata untuk masing-masing
variabelnya dengan cara seperti
gambar 5.3.
Gambar 5.3. Proses Melengkapi Data
4.
Dari proses 3 diatas maka
menghasilkan data lengkap seperti
gambar 5.4.
Gambar 5.1. Data Tidak Lengkap Pada
Microsoft Excel
2. Data yang tidak lengkap tersebut
dibuka pada Software Rosetta seperti
gambar 5.2.
Penerapan teknik Artificial . . .
Gambar 5.4. Hasil Data Lengkap
60
Jurnal KomTekInfo Fakultas Ilmu Komputer, Volume 1, No. 1, Juni 2014
5.
ISSN : 2356-0010
Setelah data lengkap dihasilkan
maka dilakukan proses seperti
gambar 5.5 untuk menentukan
reduct.
Gambar 5.7. Proses Generating Rules
Gambar 5.5. Proses Untuk Menentukan
Reduct
6.
8. Hasil dari Generating Rules
mendapatkan rules seperti gambar 5.8.
Dari proses 5 dihasilkan reduct
seperti gambar 5.6.
Gambar 5.8. Rules
Gambar 5.6. Reduct
7.
Setelah didapat reduct, maka
dilakukan Generating Rules seperti
gambar 5.7 :
5.2 Perbandingan Sistem Yang Lama
Dengan Sistem Yang Baru
Setelah
melakukan
perbandingan
ternyata sistem yang dirancang dapat
menghasilkan keputusan yang singkat
sehingga dapat memberikan keputusan pada
pihak-pihak yang berada di Toko Silungkang
Art Centre Padang. Hal ini karena Knowledge
yang dihasilkan dapat membantu bagian
barang untuk membuat keputusan sehingga
dapat membuat dan memberikan laporan yang
bermanfaat untuk manager.
Dibandingkan
sengan
sistem
yang
sebelumnya, maka sistem yang baru ini
mempunyai kelebihan :
Penerapan teknik Artificial . . .
61
Jurnal KomTekInfo Fakultas Ilmu Komputer, Volume 1, No. 1, Juni 2014
a.
b.
Untuk pencarian informasi
Pada sistem yang lama pencarian
informasi memakan waktu yang
lama, karena bentuk laporan yang
disajikan oleh bagian barang tidak
memuat data yang lengkap, dan
tidak merinci secara jelas kondisi
stock barang yang ada, sehingga
sering kali terjadi laporan yang
sudah dibuat bagian barang tidak
diperlukan oleh manager, karena
manager harus mencek ulang
kondisi stock barang, terutama
yang dinyatakan rusak, yang mana
dalam pelaporan tersebut tidak
dinyatakan berapa % tingkat
kerusakannya. Dengan sistem yang
baru ini pencarian informasi tidak
memakan waktu yang lama, karena
pada laporan yang disajikan sudah
diberikan suatu bentuk keputusan
yang harus diambil oleh manager,
dan juga diberikan suatu rules yang
dapat
memperkuat
keputusan
tersebut.
Pengolahan data
Dengan dirancang suatu teknik
pengolahan data yang dapat diolah
secara
komputerisasi
maka
pengolahan
datanya
dapat
dilakukan
dengan
cepat,
dibandingkan dengan pengolahan
data yang tidak menggunakan
suatu teknik tertentu, walaupun
pengolahan
datanya
sudah
memakai komputer. Apalagi kalau
pengolahan data dalam penentuan
kelayakannya dilakukan secara
manual dan bahkan mungkin tidak
menggunakan
suatu
teknik
tertentu, seperti yang dikerjakan
selama ini.
5.KESIMPULAN
Berdasarkan penelitian yang penulis
lakukan pada Toko Silungkang Art Centre
Padang, maka penulis dapat menarik
kesimpulan
bahwa
sistem
pendukung
Penerapan teknik Artificial . . .
ISSN : 2356-0010
keputusan yang didukung dengan suatu teknik
Artificial Intelligent Rough Set dan akan
bermanfaat sekali dalam pengambilan
keputusan.
Atas analisis dan pembahasan yang
penulis lakukan pada system pendukung
keputusan maka penulis dapat mengambil
kesimpulan sebagai berikut :
1. Dengan adanya sistem pendukung
keputusan
dalam
proses
pemeriksaan kondisi stock barang
Toko Silungkang Art Centre
Padang, maka proses proses
pengambilan
keputusan
akan
menjadi lebih optimal.
2. Kesalahan
dalam
proses
pengambilan keputusan dapat
diminimalkan.
3. Informasi yang dibutuhkan oleh
semua pihak yang berada pada
Toko Silungkang Art Centre
Padang dapat tersedia dengan cepat
sehingga
dapat
memberikan
kepuasan kepada pihak-pihak
tertentu
6.
DAFTAR PUSTAKA
Kadarisah
Suryadi,
DR
dan
Ali
Ramdhanil,MT
(2002),”Sistem
Pendukung Keputusan”, PT.Remaja
Rosdakarya, Bandung.
Yanyi,Y.,T.C Chaim.,(2000),”Rule Discovery
Based On Rough Set Theory”,ISIF.
Sarjon, D.,And Mohd, N., (2002) “Mining
Association Rule Using Rough Set
And
Association
Rules
Method”,Proceding of ICAIET 2002,
Page 435-440, Kota Kinabalu,
Sabah, June 17-18.
Ham Jiawei (2005),”Data Mining Concept and
Tecniques”,
Presentation,
http://www.cs.sfu.ca/~han/dmbook.
Thearling and Kurt (2005),” An Introduction
To Data Mining”, Whitepaper,
http://www.Shore.net/~kht/dmwhite.
htm.
62