Bab II Tinjauan Pustaka II.1 Pengolahan Data dan Knowledge

Bab II
Tinjauan Pustaka
Bab ini menjelaskan tinjauan pustakan yang dipergunakan dalam pelaksanaan
analisis dan perancangan perangkat lunak pendukung keputusan estimasi biaya
pada IKM manufaktur.
II.1 Pengolahan Data dan Knowledge Discovery in Database
(KDD)
Pengolahan data dapat dikategorikan menjadi dua, yaitu: On Line Transaction
Processing (OLTP) dan On Line Analytical Processing (OLAP). OLTP
merupakan pengolahan data operasional, karena itu data yang dipergunakan
adalah data pada masa kini. Pada masa datang, data yang dihasilkan pada masa
kini akan memasuki masa kadaluwarsa dan disimpan terpisah dari data
operasional dan disebut sebagai data warehouse (gudang data).
Menurut Han (2001), data warehouse adalah sebuah database yang dipergunakan
untuk keperluan pendukung keputusan dan dikelola secara terpisah dari database
operasional. Data warehouse mempunyai sifat:
1. subject oriented, karena diorganisasi berdasarkan subjek, seperti data
pelanggan, data produk, dsb
2. terintegrasi, karena dibangun dari beberapa sumber data yang beragam
seperti database relasional, file, dan bentuk data lain sehingga memerlukan
teknik data cleaning dan data integration untuk memastikan konsistensi
penamaan, pengukuran atribut, dsb.
3. time-variant, horizon data jauh lebih lama daripada data operasional,
misalnya data-data dalam kurun waktu 5-10 tahun.
4. non volatile, karena tidak terjadi perubahan data.
Karena data warehouse dapat terdiri dari beberapa bentuk sumber data, maka data
warehouse dimodelkan dalam bentuk data multidimensi yang dilihat sebagai data
cube. Data cube terdiri dari:
1. data dimensi, yaitu perspektif pengguna terhadap data
2. data fakta, yaitu nilai data
Gambar II-1Siklus Knowledge Discovery
Data warehouse seringkali mengandung informasi yang dapat dipergunakan
sebagai pendukung keputusan dalam siklus Knowledge Discovery in Database
(KDD). KDD adalah istilah umum yang dipakai untuk seluruh metode yang
bertujuan untuk mengetahui hubungan diantara data yang diobservasi. KDD
terdiri dari banyak tahapan yang dimulai dari identifikasi tujuan bisnis sampai
dengan penerapan aturan pada permasalahan bisnis. Secara umum, tahapan KDD
disajikan dalam Gambar II-1. Salah satu langkah dalam KDD adalah Data
Mining, yaitu ekstrasi pengetahuan dari data dalam jumlah besar (Han, 2001).
Weiss (1998) membagi data mining menjadi dua kategori, yaitu: (a) prediction
(classification, regression dan time series) dan (b) knowledge discovery
(clustering, association rule, summarization, text mining dan visualization).
Menurut Betts (2003) penerapan data mining saat ini sedang dan akan
berkembang secara luas. Penerapan data mining sangat beragam seperti contoh
dalam Tabel II-1.
Tabel II-1 Contoh Penerapan Data Mining
Aplikasi
Data Masukan
Business Intelligence
Data Keluaran
Riwayat pembelian konsumen,
Produk-produk yang sering dibeli
informasi kartu kredit
oleh konsumen secara bersamaan
Rating film box office, rating
Rekomendasi film untuk ditonton
novel terlaris
atau buku untuk dibaca
Network Intrusion
Data TCPDump atau log
Kejadian anomali dalam setiap
Detection
jaringan komputer
node jaringan komputer
Web Search
Query oleh pengguna web
Ranking halaman web
Diagnosis Medis
Riwayat penyakit pasien, data
Diagonis status kesehatan pasien
Collaborative Filtering
demografi
Perkiraan Cuaca
Data barometer, curah hujan,
Prediksi status cuaca pada sebuah
pergerakan angin dan awan, data
daerah
geografis
Beberapa framework penerapan data mining telah dikembangkan berdasarkan
proses bisnis industri dan bisnis. Framework tersebut dikembangkan karena
kegiatan data mining semakin kompleks dengan melibatkan banyak data,
kepakaran yang bervariasi ataupun lingkungan bisnis yang beragam. Karena itu,
frameworks data mining diharapkan dapat dijadikan sebagai panduan untuk proses
koleksi data, analisis, diseminasi hasil data mining dan pengembangan dari
penerapan data mining tersebut. Beberapa framework yang berkembang saat ini
adalah:
1. CRISP (Cross Industrial Standard Process for Data Mining). Framework
ini diusulkan oleh konsorsium Uni Eropa. Secara umum CRISP terdiri dari
tahapan pemahaman pada proses bisnis dan data, persiapan data,
pemodelan, evaluasi dan penerapan.
2. DMAIC
(Define-Measure-Analyze-Improve-Control).
berdasarkan
pada
metodologi
Six-Sigma
yang
Framework
ditujukan
ini
untuk
mengeliminasi cacat, pemborosan, berorientasi pada pengendalian kualitas
dalam kegiatan manufaktur, industri jasa, manajemen dan aktivitas
lainnya.
3. SEMMA
(Sample-Explore-Modify-Model-Assess).
dikembangkan
oleh
SAS
(Statistical
Analysis
Framework
Sistem)
ini
Institute.
Framework ini mempunyai tahapan yang mirip dengan Six-Sigma.
II.2 Pengolahan Awal Data (Data Preprocessing)
Sub bab ini membahas tentang kebutuhan data preprocessing dalam siklus KDD
beserta teknik-teknik yang biasanya dipergunakan.
Data mentah tidak selalu mempunyai format yang sesuai untuk keperluan analisis.
Data harus diolah terlebih dahulu dan diubah ke dalam bentuk yang
memungkinkan untuk proses data mining. Penyiapan data sangat penting karena
setiap teknik data mining berperilaku berbeda terhadap proses penyiapan data dan
teknik transformasi yang berbeda. Menurut Han (2001), penyiapan data dapat
dikategorikan sebagai berikut:
1. Data cleaning, terdiri dari kegiatan untuk menghilangkan noise dan
mengelola missing value. Data cleaning terdiri dari kegiatan sebagai
berikut:
a. Penanganan terhadap nilai kosong. Dalam penyiapan data, masalah
sering muncul pada saat ditemukan sebuah nilai kosong. Nilai
kosong dalam sebuah variabel adalah data yang sebenarnya ada,
namun tidak tercantum dalam data set dikarenakan kesalahan
pengisian data. Beberapa teknik data mining akan mengabaikan
atau memberikan nilai secara otomatis terhadap nilai kosong,
namun hal ini mengakibatkan pelaku data mining tidak dapat
mengendalikan keseluruhan proses data mining. Terdapat beberapa
cara untuk menangani nilai kosong, diantaranya dengan cara
mengisi nilai rata-rata data pada nilai kosong dengan Persamaan
II-1.
n
µ=
∑x
i =1
i
Persamaan II-1
n
Dimana µ adalah nilai rata-rata dan xi adalah data dalam
sebuah atribut.
b. Penanganan noise, yaitu random error dari variabel yang dihitung.
Dapat dilakukan dengan median filtering. Metode ini dipergunakan
pada time-series data set untuk menghilangkan outliers dan data
yang tidak baik. Metode ini termasuk non linear filtering yang
ditujukan untuk tetap mempertahankan fitur data. Dalam sebuah
data serial, teknik ini mengambil nilai dari data tengah dalam
selang data tertentu.
2. Data integration and transformation, yaitu integrasi dari beberapa sumber
data berupa database, file atau data cube. Dalam kegiatan ini juga
dilakukan transformasi data mentah menjadi data yang siap untuk dimining. Kegiatan yang termasuk dalam penyiapan data ini terdiri dari:
a. Data Integration, terdiri dari kegiatan penanganan terhadap
permasalahan yang muncul pada saat identifikasi entitas. Karena
data terdiri dari berbagai sumber data, maka redundansi di antara
data harus dihindari. Untuk itu dipergunakan teknik seperti analisis
korelasi di antara data.
b. Data Transformation, yaitu pengubahan bentuk data agar siap
untuk diolah, meliputi smoothing, normalisasi, generalisasi,
konstruksi atribut dan agregasi data. Normalisasi/standardisasi
dipergunakan untuk mengubah nilai data dalam sebuah data set
sehingga data set mempunyai nilai tengah nol dan variansi 1.
Normalisasi dilakukan dengan mengurangi setiap data dalam
sebuah atribut dengan nilai rata-rata atribut dan membaginya
dengan standar deviasi atribut tersebut dengan mempergunakan
Persamaan II-2.
SC i =
xi − µ
σ
Persamaan II-2
Dimana SCi merupakan column scaling untuk sebuah atribut.
3. Data reduction, yaitu pengurangan representasi data, dapat berupa
agregasi data, pengurangan dimensi dan kompresi data. Pada saat data set
memiliki lebih dari jumlah variabel yang dapat dipergunakan untuk
membangun model, diperlukan seleksi terhadap kandidat variabel untuk
dipergunakan untuk keperluan data mining.
4. Data discretization, yaitu pengurangan jumlah nilai pada atribut kontigu,
misalnya dengan penggunaan interval.
II.3 Clustering dengan Metode K-Means
Sub bab ini menjelaskan tentang teknik pengelompokan data dengan K-means
yang dipergunakan dalam proses perancangan sistem pendukung keputusan
estimasi biaya produksi di IKM manufaktur.
Clustering adalah pembagian data menjadi kelompok objek yang mirip, yang
disebut cluster. Sebuah cluster terdiri dari objek-objek yang mirip dan berbeda
terhadap objek dari cluster lain. Dari perspektif machine learning, cluster
merepresentasikan pola yang tersembunyi di dalam data, sehingga pencarian
cluster merupakan proses unsupervised learning. Menurut Berkhin (2002), teknik
clustering dapat diklasifikasikan menjadi hierarchical method (agglomerative dan
disisive), partitioning method (probabilistic method, k-medoids method, k-means
method, desity-based method), grid method, dan teknik lainnya.
Hierarchical clustering membagi cluster secara hirarki, sehingga setiap node
cluster dapat mempunyai anak ataupun sibling cluster. Berdasarkan proses
pembentukan cluster, hierarchical clustering dapat dibagi menjadi agglomerative
(bottom-up) dan disisive (top-down). Agglomerative method
dimulai dengan
membuat satu buah cluster untuk setiap objek data dan secara rekursif melebur
dua atau lebih cluster tersebut menjadi cluster yang sesuai. Sebaliknya, disisive
method dimulai dari membuat satu buah cluster yang berisi seluruh objek data
dan kemudian secara rekursif membagi cluster tersebut menjadi sejumlah cluster
yang sesuai. Proses rekursif pada agglomerative dan disisive method berlanjut
sampai terpenuhinya stopping criteria, yang biasanya merupakan jumlah k cluster
yang diinginkan. Contoh teknik dalam hierarchical clustering adalah: CURE,
Chameleon dan COBWEB
Partitioning method membagi data menjadi k cluster, dan kemudian melakukan
proses iterative penempatan objek data kepada masing-masing cluster. Relokasi
objek data di antara masing-masing cluster menghasilkan cluster yang dinamis.
Objek data yang sudah dialokasikan pada sebuah cluster dapat direlokasi kepada
cluster lain sehingga optimal. Contoh teknik partitioning method adalah kmedoids method, k-means method.
Menurut Murtini (2002), clustering adalah proses pembagian atau pengelompokan
dari sekumpulan data yang tidak berlabel menjadi sejumlah kelompok data
(cluster) dimana pola yang mirip akan dikelompokkan ke dalam cluster yang
sama. Setiap data dapat direpresentasikan oleh sebuah vektor yang mempunyai
banyak parameter atau atribut. Dasar dari teknik clustering adalah penghitungan
kemiripan atau jarak diantara data-data tersebut. Untuk pola dengan data
kualitatif, penghitungan jarak dilakukan dengan matching-type. Sedangkan pada
pola dengan data kuantitatif, dipergunakan penghitungan distance-type. Jarak
Euclidian atau Mahalanhois biasanya dipergunakan untuk menghitung jarak di
antara data-data dalam teknik clustering.
Dalam tesis ini, teknik k-means dipergunakan sebagai pengolahan awal terhadap
data historis rancangan produk dengan pertimbangan kemudahan perhitungan dan
kemudahan visualisasi untuk keperluan interpretasi. K-means membagi koleksi
dari n vector xj, j=1,..,n menjadi c kelompok G, i=1,..,c dan menentukan pusat
cluster dalam setiap kelompok dengan berdasarkan cost function yang minimum.
Jika jarak Euclidian dipergunakan untuk mengukur ketidaksamaan dari sebuah
vektor xk dalam kelompok j terhadap pusat cluster adalah ci, maka cost function
didefinisikan seperti dalam Persamaan II-3.
c
c 
J = ∑ J i = ∑  ∑ x k − ci
i =1
i =1  k , xk ∈Gi
dimana
∑x
k , xk ∈Gi
k
− ci
2
2




Persamaan II-3
adalah cost function dalam kelompok i.
Karena itu nilai Ji bergantung pada properti geometri dari Gi dan lokasi dari ci.
Kelompok cluster didefinisikan oleh matrik keanggotaan U yang bernilai biner
dan berukuran c x n, dimana Uij bernilai 1 jika data j pada point xj merupakan
anggota dari kelompok i dan bernilai 0 untuk kondisi sebaliknya. Pada saat titik
pusat cluster ci sudah tetap, nilai minimum Uij pada Persamaan II-3 dapat
diturunkan seperti pada Persamaan II-4.
1, jika x − c
j
i
U ij = 
0, lainnya
2
2
≤ x j −c k , k ≠ i
Persamaan II-4
Pada Persamaan II-4, xj dimiliki oleh kelompok i jika ci adalah titik pusat cluster
terdekat di antara titik pusat cluster lainnya.
Persamaan II-4 menyatakan bahwa xj dimiliki oleh cluster i jika ci merupakan titik
pusat cluster terdekat diantara titik pusat cluster lainnya. Karena sebuah data
hanya dapat berada pada satu buah cluster, maka keanggotaan matrik U
c
mempunyai properti
∑U
i =1
ij
= 1, ∀ j = 1,.., n dan
c
n
∑∑U
i =1 j =1
ij
= n . Jika Uij tetap, maka
nilai optimal titik pusat ci yang meminimasi Persamaan II-3 adalah nilai rata-rata
dari seluruh vektor dalam kelompok i disajikan dalam Persamaan II-5.
ci =
1
Gi
∑x
k , xk ∈Gi
k
Persamaan II-5
n
dimana |Gi| adalah ukuran dari Gi atau Gi = ∑ U ij
j =1
Pada data xi, i=1,..,n algoritma k-means menentukan titik pusat cluster ci dan
matrik keanggotaan U secara iteratif dengan langkah-langkah sebagai berikut:
1. inisialisasi titik pusat cluster ci, i=1,..,c. Biasanya dilakukan secara
random dengan memilih titik c di antara data
2. tentukan matrik keanggotaan U dengan Persamaan II-4
3. hitung cost function dengan Persamaan II-3. Perhitungan dihentikan pada
saat cost function bernilai lebih rendah dibandingkan nilai toleransi
4. ubah nilai titik tengah cluster dengan Persamaan II-5 dan ulangi langkah 2
Berdasarkan algoritma k-means, inisialisasi titik pusat cluster secara random
sangat mempengaruhi hasil proses clustering. Menurut Deelers (2007), perbaikan
proses inisialisasi awal titik pusat cluster dapat dilakukan dengan cara melakukan
partisi data berdasar pada atribut yang mempunyai variansi tertinggi. Algoritma
penentuan titik awal cluster yang dipergunakan oleh Deelers (2007) adalah
sebagai berikut:
1. proses dimulai dengan menentukan sel c, yaitu sel yang memuat seluruh
data
2. nilai setiap atribut data dari sel c diurutkan mulai dari yang terkecil dan
disajikan dalam bentuk link list untuk setiap atribut
3. hitung variansi dari setiap atribut dari sel c, kemudian tentukan sebuah
atribut yang memiliki variansi terbesar sebagai sumbu partisi
4. hitung kuadrat dari jarak Euclidian di antara data yang terurut pada sumbu
dengan
variansi
terbesar D j = d (c j , c j +1 ) 2 ,
i
dsumi = ∑ D j .
j =1
5. hitung jarak titik pusat sel c:
setelah
itu
hitung
n
centroidDist =
∑ dsum
i =1
n
i
, dimana dsumi adalah jumlah dari jarak diantara
data yang berurutan
6. Bagi sel c menjadi 2 partisi. Batas partisi adalah bidang datar yang
berpotongan dengan sumbu dan melalui sebuah titik m dimana nilai dsumi
adalah sama atau mendekati nilai centroidDist.
7. Hitung error dari masing-masing partisi, tentukan partisi dengan
maksimum error.
8. lakukan langkah 3 sampai dengan 7 secara berulang sampai didapatkan k
partisi sesuai dengan jumlah k dalam partisi k-means yang diinginkan
Dengan penggunaan k-means dengan modifikasi pada penentuan titik awal
cluster, diharapkan dapat diperoleh kelompok-kelompok produk dengan fitur
geometri dan fitur pemesinan yang mirip dengan tingkat kesalahan clustering
yang cukup baik.
II.4 Prediction dengan MLR
Sub bab ini menjelaskan tentang satu teknik prediksi, yaitu teknik multiple linear
regression yang dipergunakan dalam proses perancangan sistem pendukung
keputusan biaya produksi pada IKM manufaktur.
Menurut Fayyad (1996), tujuan akhir dari data mining adalah untuk membuat
prediksi terhadap data baru berdasarkan data historis, karena itu predictive data
mining banyak diterapkan dalam berbagai aktivitas bisnis. Tahapan predictive
data mining dijelaskan pada Gambar II-2, yaitu dimulai dari tahap persiapan data,
pelaksanaan predictive data mining dan penerapan pada permasalahan nyata.
Terdapat beberapa teknik prediksi, di antaranya adalah regresi, neural network,
decision tree, dsb. Regresi adalah relasi di antara nilai x yang dipilih dan nilai
observasi y di mana nilai y dapat diprediksi berdasarkan nilai x. Regresi linier
merupakan metode prediktif yang didasarkan pada hubungan di antara variabel
masukan dan keluaran. Sebuah regresi linier mempergunakan persamaan dinamik
dalam sebuah garis dimana y = mx + c (dimana m merupakan kemiringan, c
merupakan konstanta pada sumbu y, dan x merupakan variabel yang dipergunakan
untuk menghitung y). Dalam kasus model regresi linier, terdapat kemungkinan
terjadinya error sehingga rumus dapat ditulis sebagai y=g(x) + e, di mana g(x)
adalah mx +c dan e adalah error. Error menggambarkan selisih antara nilai
prediksi dan nilai aktual.
Gambar II-2 Tahapan Prediction
Kasus yang diselesaikan dengan regresi linier seringkali didasarkan pada nilai x
dan y yang sudah diketahui, dan ditujukan untuk mengetahui hubungan antara x
dan y. Terminologi linier diartikan bahwa koefisien dari variabel independen
adalah linier. Terdapat pendapat yang menyatakan bahwa model polinomial
bukan merupakan kasus linieritas, namun dalam statistik hanya variabel dependen
(parameter) yang dipergunakan dalam mengklasifikasikan linieritas dalam sebuah
model. Jika sebuah parameter adalah tidak linier, maka model menjadi tidak
linier.
Dalam tesis ini dipergunakan teknik MLR untuk menentukan rumus estimasi
biaya produksi untuk setiap kelompok produk yang mempunyai kemiripan fitur
geometri dan fitur pemesinan. Dalam MLR terdapat variable dependen Y dan
sejumlah variable independen x1, x2, . . . , xp. Tujuan dari MLR adalah untuk
memperkirakan nilai dari variable dependen dengan mempergunakan fungsi linier
dari variable independen. Model dari MLR disajikan dalam Persamaan II-6.
Y = β0 + β1x1 + β2x2 + · · · + βpxp + ε,
Persamaan II-6
Pada Persamaan II-6, ε adalah “noise”, yang terdistribusi secara normal dengan
nilai rata-rata sama dengan nol dan standard deviasi σ yang nilainya tidak
diketahui. Nilai koefisien β0, β1, β2, . . . , βp juga tidak diketahui sehingga MLR
dipergunakan untuk menghitung nilai-nilai yang tidak diketahui tersebut dari data
yang tersedia.
Data hasil observasi terdiri dari n baris yang bernilai yi, xi1, xi2, . . . , xip; i = 1, 2, . .
. , n. Nilai estimasi koefisien β dihitung sehingga meminimasi Residual Sum of
Sqaure, yaitu jumlah kuadrat dari selisih antara nilai prediksi dengan data yang
dirumuskan seperti Persamaan II-7.
n
(
RSS = ∑ ε i = ∑ y i − β 0 − β1 xi 2 − ... − β p xi p
2
)
2
Persamaan II-7
i =1
Nilai minimum dari RSS diperoleh dengan cara membuat derivasi RSS terhadap
setiap koefisien β seperti pada Persamaan II-8.
∂RSS ∂RSS ∂RSS
∂RSS
,
,
,.......,
β0
β1
β2
Persamaan II-8
βp
Derivasi RSS seperti pada Persamaan II-8 akan menghasilkan sejumlah p+1
persamaan dengan jumlah variabel yang tidak diketahui. Dengan mempergunakan
seluruh p+1 persamaan, maka dapat diketahui p+1 variabel yang tidak diketahui,
yaitu β0, β1, β2, . . . , βp. Jika β0, β1, β2, . . . , βp diketahui, maka Persamaan II-6
dapat diselesaikan dan menghasilkan koefisien regresi.
Pada saat variabel dependen berjumlah banyak, penyelesaian MLR membutuhkan
waktu yang cukup lama. Karena itu penulisan dengan notasi matrik dilakukan
agar penyelesaian MLR dapat dilakukan lebih cepat. Persamaan II-6 dapat
dituliskan dalam notasi matrik seperti Persamaan II-9.
Y = βx + ε
Persamaan II-9
1 x1,1 x1, 2 L x1,k 
 Y1 
 β1 
ε1 


 
 
 
1 x 2,1 x 2, 2 L x 2,k 
 Y2 
 β2 
ε 2 
dimana Y =   , β =   , ε =   dan x = 
M
M
M 
M M
M
M
M


 
 
 
Y 
β 
β 
1 x 1 x

L
x
n,
n, 2
n ,k 
 3
 3
 3

Koefisien regresi β dapat dihitung dengan Persamaan II-10.
β = (x T x ) x T y
−1
dimana xT adalah matriks transpose dari x dan
Persamaan II-10
-1
menyatakan inversi
sebuah matrik.
Dalam prediksi, kemampuan sebuah model prediksi seperti pada Persamaan II-6
diukur berdasarkan deviasi hasil prediksi terhadap nilai aktual. Terdapat banyak
teknik yang dapat dipergunakan untuk menggambarkan kemampuan sebuah
model prediksi di antaranya adalah: Mean Absolute Error (MAE), Mean Square
Error (MSE), Root Mean Square Error (RMSE), Mean Absolute Percentage
Error (MAPE), koefisien efisiensi dan teknik-teknik lainnya.
MAPE dapat didefinisikan sebagai rata-rata persentase kesalahan absolut dari
sebuah nilai prediksi terhadap nilai aktual. Nilai absolut dipergunakan dalam
MAPE karena metode ini menganggap besaran kesalahan lebih berpengaruh
dibandingkan arah kesalahan itu sendiri. MAPE dapat ditentukan dengan
mempergunakan Persamaan II-11.
MAPE =
100 n At − Ft
∑
n t =1 At
Persamaan II-11
Berdasarkan nilai MAPE, dapat ditentukan akurasi sebuah model prediksi.
Akurasi sebuah model prediksi akan semakin meningkat jika deviasi terhadap
nilai aktual semakin kecil, karena itu akurasi prediksi didefinisikan seperti
Persamaan II-12.
Akurasi = 1 − MAPE
Persamaan II-12
II.5 Cost Estimation dalam Industri Manufaktur
Sub bab ini menjelaskan tentang biaya produksi manufaktur dan metode estimasi
biaya produksi yang dipergunakan pada IKM manufaktur. Kendala penerapan,
kelebihan dan kekurangan masing-masing metode estimasi biaya produksi juga
dibahas dalam sub bab ini.
Manufaktur adalah serangkaian aktifitas dan operasi yang melibatkan kegiatan
perancangan, pemilihan material, perencanaan produksi, proses produksi dan
penjaminan kualitas produk (Chisholm, 1990 dalam Brinke, 2002). Biaya, secara
umum dapat didefinisikan sebagai sumber daya ekonomi yang diperlukan untuk
menyelesaikan aktifitas pekerjaan dan biasanya dinyatakan dalam satuan mata
uang.
Dalam manufaktur, perkiraan biaya adalah prosedur untuk memperkirakan biaya
manufaktur dari sebuah produk sebelum seluruh tahapan dalam siklus
pengembangan produk dilakukan. Long (2000) mengelompokkan siklus
pengembangan produk menjadi 5 (lima) tahap, yaitu: konsepsi, pengembangan,
produksi, operasi dan purna jual seperti pada Tabel II-2. Pada awal daur hidup
produk, informasi yang tersedia sangat terbatas dan akan semakin lengkap seiring
pertambahan tahapan daur hidup produk tersebut. Berdasarkan ketersediaan
informasi, metode perkiraan biaya yang sesuai untuk tahap konsepsi adalah
metode analogi dan parametrik.
Tabel II-2 Penerapan Metode Perkiraan Biaya dalam Daur Hidup Produk (Long, 2000)
Tahap
Konsepsi
Pengembangan
Produksi
Operasi
Purna Jual
Analitis
▲
▲
▲
▲
Analogi
▲
▲
▲
Parametrik
▲
▲
▲
▲
▲
Kegiatan order response merupakan salah satu kegiatan dalam tahap konsepsi,
dimana informasi detil produk belum tersedia. Metode perkiraan biaya produksi
yang sesuai dalam tahap ini adalah metode analogi dan parametrik seperti pada
Tabel II-2 Penerapan Metode Perkiraan Biaya dalam Daur Hidup Produk (Long,
2000)Tabel II-2.
Gambar II-3 Cost estimation paradox (Bode, 1998)
Besaran biaya dalam manufaktur yang diperlukan untuk menyelesaikan sebuah
produk dapat diperkirakan lebih akurat pada saat informasi detil produk sudah
tersedia. Dalam tahap perancangan produk, 70% informasi detil produk sudah
tersedia sehingga diharapkan perkiraan biaya yang dilakukan pada tahap ini lebih
akurat. Namun demikian, pada tahap perancangan produk, informasi tentang detil
informasi produk belum tersedia, sehingga sulit untuk membuat perkiraan biaya
pada tahap ini. Fenomena ini disebut sebagai cost estimation paradox seperti
pada Gambar II-3.
Menurut Weustink (2000) dalam Brinke 2002, perkiraan biaya yang dilakukan
berdasarkan pada rancangan produk ditentukan oleh cost driver yang saling
terkait, terdiri dari geometri, material, proses produksi dan perencanaan produksi.
Pada tahap perancangan, cost driver yang sangat berpengaruh pada perkiraan
biaya adalah geometri dan material.
Secara umum terdapat 3 metode dalam penentuan cost estimation pada industri
manufaktur (Camargo, 2003):
1. Metode analitis, yaitu perkiraan biaya berdasarkan data perancangan.
Rancangan produk dirinci menjadi bill of material dan proses-proses yang
dibutuhkan untuk menyelesaikan produk tersebut. Metode ini sesuai untuk
diterapkan pada tahap produksi pengembangan sebuah produk baru.
Kelemahan dari metode ini adalah a) hanya dapat diterapkan jika data
rancangan dan proses produksi sudah diketahui b) membutuhkan data dan
sumber daya yang besar.
2. Metode analogi, yaitu perkiraan biaya berdasarkan kemiripan produk
terhadap produk sejenis yang pernah diproduksi. Aspek kemiripan yang
dibandingkan dalam metode ini di antaranya adalah kemiripan fungsi,
kemiripan fitur dan kemiripan morfologi fisik. Metode ini menuntut
kepakaran dan pengalaman dalam melakukan penentuan tingkat kemiripan
antar produk.
3. Metode parametrik, yaitu metode dengan perkiraan biaya dengan
pemodelan matematis dari sejumlah Cost Estimation Relationships (CER),
aturan dasar (ground rules), asumsi-asumsi, variabel dan konstanta untuk
mendeskripsikan dan mendefinisikan kondisi tertentu. Metode ini dapat
dilakukan dengan cepat, namun menuntut pemutakhiran model matematis
sesuai perkembangan variasi produk. Metode ini sangat berguna terutama
pada tahap awal perancangan produk dimana informasi detil belum
tersedia. CER merupakan ekspresi matematis yang memberikan biaya
produksi sebagai fungsi dari satu atau lebih variabel cost driver. Kelebihan
penggunaan CER adalah: memungkinkan estimasi yang cepat tanpa perlu
informasi detil dan CER dilakukan berdasarkan ongkos produksi historis
yang nyata.
Dengan perkembangan teknologi pengelompokan data, metode analogi dapat
dilakukan dengan mempergunakan teknik K-Means sehingga ketergantungan
terhadap pakar dapat dikurangi. Teknik K-Means mengelompokkan data
kuantitatif produk ke dalam kelompok produk yang mempunyai kemiripan tinggi
dan berbeda terhadap kelompok produk yang lain.