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


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


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


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.


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


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.


55


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


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


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


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


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


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


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


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

PENERAPAN TEKNIK ARTIFICIAL INTELLIGENT ROUGH SET

Recommend Documents