Kombinasi Algoritma Support Vector Machine (SVM) Dan Analisis Multi- Attribute ABC Pada Klasifikasi Inventori Indirect Material Di Perusahaan Otomotif

Kombinasi Algoritma Support Vector Machine (SVM) Dan Analisis MultiAttribute ABC Pada Klasifikasi Inventori Indirect Material Di Perusahaan Otomotif Jeffri Ivander , Isti Surjandari Departemen Teknik Industri, Fakultas Teknik, Universitas Indonesia, Depok, 16424 [email protected]

Abstrak Klasifikasi indirect material pada industri otomotif tempat penelitian ini dilakukan belum dapat dilakukan dengan baik sehingga diharapan dengan menggunakan metode multi-attribute ABC dan support vector machine performa klasifikasi indirect material dapat ditingkatkan. Multi-attribute ABC digunakan untuk melakukan klasifikasi berdasarkan kriteria klasifikasi dengan bobot yang dihitung dengan analytic hierarchy process , dan support vector machine digunakan untuk menemukan pola hubungan antara kriteria dengan hasil klasifikasi dan melakukan penilaian performa klasifikasi . Hasil akhir dari penelitian ini menunjukkan bahwa kriteria harga dan kritikalitas merupakan kriteria paling berpengaruh terhadap hasil klasifikasi dan terjadi peningkatan performa klasifikasi setelah memanfaatkan metode ini . Kata kunci: Support vector machine, multi-attribute abc, analytic hierarchy process, indirect material. Combination of Support Vector Machine (SVM) and Multi attribute ABC Analysis on Indirect Material Inventory Classification in Otomotive Industry Abstract Indirect material classification on the automotive industry where the research was done is not being done properly so it is expected that by using multi-attribute ABC and support vector machine the classification performance could be enhanced. Multi-attribute ABC is used to classify the item based on the criterion and weight that is calculated using analytic hierarchy process , and support vector machine is used to find hidden pattern about the criterion and classification result and assess classification performance. The end results of this research show that price and criticallity are the most influental criterion for the classification results and there is classification performance enhancement after using these methods. Key Words: Support vector machine, multi-attribute abc, analytic hierarchy process, indirect material Pendahuluan Monitoring dan pengontrolan penggunaan material saat ini telah menjadi faktor yang penting dalam menunjang

perkembangan performa perusahaan dan sustainabilitas dari

perusahaan manufaktur (Stavropoulos et.al.,2013). Melalui hal tersebut dapat disimpulkan bahwa pengontrolan penggunaan material dalam proses manufaktur dapat menjadi salah satu

1 Kombinasi algoritma..., Jeffri Ivander, FT UI, 2014

strategi turunan yang penting dalam menunjang keberhasilan program Cost Reduction Innovation (CRI) yang diimplementasikan perusahaan tempat penelitian ini dilakukan. Pengontrolan material tersebut tidak dapat dilakukan dengan detail untuk semua item material dikarenakan adanya limitasi dari segi waktu, biaya, dan kapasitas dalam menghadapi kompleksitas kerja (Vencheh & Mohamadghasemi, 2010). Dampak negatif akan sangat dirasakan perusahaan jika terjadi stockout pada material high priority akibat pengontrolan yang tidak ketat (low order) ataupun melakukan pengontrolan ketat (high order) pada material low priority yang akan berdampak pada tambahan biaya pengontrolan yang tidak dibutuhkan. Dalam menghadapi permasalahan ini, klasifikasi material dapat menjadi solusi pengambilan keputusan yang penting dalam berbisnis (Ching-Wu, Gin-Shuh, & Chien-Tseng, 2008). Hal ini berlaku pada perusahaan manufaktur tempat penelitian ini dilakukan. Dengan mempertimbangkan batasan-batasan sumber daya yang dapat digunakan dalam proses pengontrolan, disadari bahwa klasifikasi material dengan baik dan benar berdasarkan kelas prioritas kepentingan sangat dibutuhkan.

Pada perusahaan tempat

penelitian ini dilakukan, klasifikasi indirect material dilakukan hanya berdasarkan besar harga material setiap unit. Jenis klasifikasi ini berdasarkan studi literatur dapat dikatakan sebagai klasifikasi ABC tradisional yang menggunakan satu attribute. Berdasarkan studi literatur yang dilakukan diketahui bahwa dalam melakukan klasifikasi seringkali terdapat kriteria-kriteria lain yang sangat penting untuk dipertimbangkan sehingga klasifikasi dengan satu attribute tidak lagi mencukupi (Kartal & Cebi, 2013). Sehingga disadari bahwa pada perusahaan manufaktur otomotif yang memberikan perhatian besar terhadap tingkat efisiensi dan efektifitas produksi dibutuhkan proses klasifikasi yang dapat mengakomodasi beberapa attribute secara bersamaan. Dalam menentukan tingkat kepentingan dari suatu material dapat beberapa hal seperti biaya penyimpanan, peran material terhadap kelancaran proses produksi, harga material, kemudahan pengadaan dari material, dan internsitas penggunaan material. Perubahan keadaan perekonomian dan lingkungan dunia mendorong perubahan karakteristik dari material baik dari segi harga, kuantitas penggunaan, kemudahan dalam pengadaan, dan dari kriteria. Hal ini dirasakan oleh perusahaan manufaktur otomotif tempat penelitian ini dilakukan namun proses klasifikasi yag dilakukan belum dapat mengakomodasi perubahaan ini. Berdasarkan fakta yang diperoleh disadari bahwa dibutuhkan juga proses klasifikasi yang mampu mengakomodasi perubahan nilai setiap kriteria dari material. Kebutuhan terhadap proses attribute dan

klasifikasi yang mampu

mempertimbangkan banyak

mengakomodasi perubahan attribute dengan efektif dan efisien membuat

kombinasi antara analisa multi-attribute ABC dengan

support vector machine digunakan


dalam penelitian ini. Dalam hal ini metode analisa multi-attribute ABC digunakan untuk menjawab kebutuhan akan model pengklasifikasian dengan mengakomodasi berbagai macam kriteria kualitatif sedangkan support vector machine digunakan untuk menjawab kebutuhan akan model pengklasifikasian mampu mengakomodasi perubahan kriteria klasifikasi dengan efektif dan efisien pada database yang besar. Improvement ini perlu dilakukan mengingat bahwa terdapat peluang yang besar bagi industri otomotif Indonesia untuk dapat lebih memperluas pasar dan meningkatkan performa perusahaan guna memperoleh posisi yang lebih baik dalam dunia persaingan industri otomotif saat ini. Hal ini diindikasikan melalui hasil survei dan studi yang dilakukan oleh Badan Pusat Statistik yang menunjukkan bahwa terdapat peningkatan penggunaan produk otomotif disetiap tahunnya. Pada hasil survey ini menunjukkan

pada akhir tahun 2007 jumlah

kendaraan pribadi roda empat sebanyak 6.877.229 unit dan meningkat menjadi 10.432.259 unit pada akhir tahun 2012. Metode ABC merupakan salah satu teknik klasifikasi yang paling umum digunakan dan mampu mengakomodasi kriteria kualitatif dalam jumlah besar (Vencheh & Mohamadghasemi, 2010). Metode ini membagi sekumpulan item indirect material menjadi tiga kelas yaitu kelas A (tingkat kepentingan tinggi), B (tingkat kepentingan sedang), dan C (tingkat kepentingan rendah). Pengklasifikasian ini dilakukan berdasarkan berbagai kriteria kuantitatif dan kualitatif yang dirasa penting menurut stakeholder dan penyusun strategi inventori. Setelah melakukan peninjauan ulang terhadap tingkat nilai/score masing-masing kriteria, hasil peninjauan ini dijadikan sebagai dasar klasifikasi material yang digunakan untuk melakukan klasifikasi setiap indirect material. Support vector machine adalah salah satu metode dalam data mining yang dapat melakukan pembacaan pola (pattern recognition) terhadap data yang dianalisa dengan membentuk model

matematika. Model matematika yang diperoleh dari hasil klasifikasi

multi-criteria ABC ini dapat dimanfaatkan untuk melakukan pengklasifikasian ulang dengan cepat jika terjadi perubahan score kriteria pada material tertentu dan jika material baru. Support Vector Machine juga dapat diaplikasikan untuk mengukur performa dari klasifikasi yang telah dilakukan (Kartal & Cebi, 2013). Jika dibandingkan dengan metode lain seperti Artificial Neural Network, metode ini proses pengolahan data yang jauh lebih feasible untuk diterapkan oleh praktisi di perusahaan. Hal ini dikarenakan proses pengolahan data dari metode ini jauh lebih simpel dan efisien jika dibandingkan dengan metode lain seperti Artificial Neural Network (ANN) walaupun metode ANN memiliki akurasi yang lebih baik.


Setelah terbentuk klasifikasi baru maka dapat dilakukan perbandingan antara pengklasifikasian lama dan baru untuk melihat besar peningkatan kualitas pengklasifikasian. Diharapkan dengan memanfaatkan metode ABC yang dikolaborasikan dengan support vector machine ini pengklasifikasian dapat dilakukan dengan lebih baik, akurat, dan konsisten pada database yang memiliki jumlah data yang sangat besar. Berdasarkan latar belakang diatas, maka rumusan masalah pada penelitian ini adalah dibutuhkannya model klasifikasi material yang akurat, konsisten, dan dapat diaplikasikan dengan lebih efisien pada database yang besar.Tujuan dari penelitian ini untuk mendapatkan model klasifikasi material yang lebih akurat dan konsisten dan mengetahui karakteristik dari masing-masing kriteria klasifikasi terhadap golongan kelas prioritas dari indirect material. Model klasifikasi dibentuk dengan memanfaatkan kombinasi antara metode aplikasi multikriteria ABC dengan data mining support vector machine. Tinjauan Teoritis Data Mining Data mining merupakan proses penemuan pola dan informasi tersembunyi dari data yang ada melalui proses analisis dan eksplorasi, baik secara otomatis maupun semiotomatis, dalam suatu database, data warehouse, atau media penyimpanan informasi lainnya (Berry & Linoff, 1997; Han & Kamber, 2006 , 2013). Menurut Hand et al. (2001), data mining adalah suatu metode analisis data observasi yang besar untuk menemukan suatu hubungan, pola, dan tren tersembunyi dengan cara mengubah data observasi yang besar tersebut menjadi bentuk baru yang lebih mudah dibaca dan dipahami. Sedangkan menurut Fu Xiao & Cheng Fan (2014) data mining adalah teknik yang sangat kuat dengan potensi besat untuk menemukan suatu pengetahuan tersembunyi pada data set yang besar. Data mining dapat dikatakan sebagai kombinasi beberapa bidang ilmu seperti , statistik, machine learning, dan database. Machine Learning merupakan algoritma data mining yang digunakan untuk menemukan pola tersembunyi dari hubungan antara elemenelemen data

dari kelompok data yang besar. Melalui penemuan pengetahuan pola ini

dihasilkan suatu peningkatan keuntungan dalam bentuk tertentu (diagnosa, profit, deteksi, dan sebagainya). Data mining memiliki beberapa kelebihan dibandingkan dengan pendekatan statistik lain. Dibandingkan dengan pendekatan statistik lain, data mining dapat memberikan hasil analisa pola tersembunyi data dengan lebih lengkap, efektif, dan efisien dikarenakan pemanfaatannya yang bisa dalam bentuk automasi maupun semi-automasi. Peran data mining 4 Kombinasi algoritma..., Jeffri Ivander, FT UI, 2014

menjadi semakin penting seiring dengan peningkatan

teknologi sistem informasi dan

database ( Hsien-Liao et.al., 2012).

Support Vector Machine Support Vector Machine (SVM) adalah metode pada machine learning dengan menggunakan teori statistik Vladimir Vapnik (Kartal & Cebi, 2013). Model klasifikasi Support Vector Machine menggunakan input yang dapat berasal dari kelas yang berbeda, untuk membentuk model yang dapat memprediksi kelas atau golongan dari suatu objek yang akan diteliti atau dipelajari. Metode ini secara matematis menentukan bidang hyperplane yang memisahkan kelas-kelas di dalam suatu database secara optimal. Bidang ini secara akan terbentuk dengan jarak maksimum dari titik terdekat pada data set yang digunakan. Model SVM merepresentasikan hasil dari training dalam melakukan pemetaan kategorikategori yang terpisah didalam suatu data set . Dalam menemukan bidang hyperplane ini dibutuhkan optimalisasi kuadratik dengan menggunakan pengali Lagrange. Bidang pemisah tersusun dengan menghubungkan titik-titik yang diperoleh dari optimalisasi. Titik-titik ini disebut sebagai Support Vector. Dalam metode ini vector menjadi elemen yang penting untuk meakukan pelatihan algoritma klasifikasi dan menemukan bidang hyperplane yang optimal dalam memisahkan dataset menjadi beberapa kelas. Algoritma SVM memanfaatkan fungsi kernel untuk mengurangi kompleksitas permasalahan dalam memetakannya dalam ruang dengan dimensi tinggi (lebih dari dua dimensi) (Kartal & Cebi, 2013). Terdapat berbagai fungsi kernel yang dapat digunakan oleh SVM seperti radial basic function, sigmoid function, dan fungsi polinomial.Berikut ini adalah salah satu fungsi kernel yang dapa membuat klasifikasi input lebih mudah : (

( )

)

( )

(1)

Dengan xi adalah variabel pada contoh ke i dan yi mendefinisikan output dari contoh ke i sebagai nilai biner. Untuk menemukan bidang hyperplane optimal, dapat dibentuk suatu model optimasi kuadratik sebagai berikut: (∑

)

∑

∑

( )

( )

∑

(2) (3)

Untuk setiap support vector sejumlah n, fungsi keputusan

( ) yang digunakan adalah

sebagai berikut: ( )

(∑

(

)


)

(4)

Dalam melakukan fungsi klasifikasi model support vector machine (SVM) menggunakan prinsip optimasi untuk membentuk pola klasifikasi dengan tingkat kesalahan minimal. Berikut ini adalah rincian dari model matematika algoritma ini: ‖ ‖

∑

(5)

Constraint yang digunakan dalam algoritma SVM ini adalah sebagai berikut: (

( )

)

(6) (7)

C adalah konstanta kapasitas yang ditemukan sehati-hati mungkin untuk menghindari over fitting pada pembacaan informasi pada data.W adalah vektor dari koefisien.b adalah konstanta.

adalah parameter yang digunakan untuk mengatasi data input yang bersifat non

separable. Xi adalah independen variabel yang digunakan dan kategori.

adalah label dari kelas

adalah fungsi kernel yang digunakan untuk mentransformasi data input menjadi

feature space , dan

adalah label dari kelas kategori. Fungsi kernel terdiri dari beberapa

jenis dari linear, polynomial, hingga sigmoid (Nisbet, R., Elder, J., Miner, G. (2009). Namun jenis fungsi kernel yang umunya digunakan adalah Radial Basis Function (RBF). Model matematika dari radial basis function adalah sebagai berikut: (

|

| )

(8)

Berikut adalah beberapa unggulan dari SVM yang membuat metode ini digunakan dalam penelitian ini : 1. SVM memiliki fleksibilitas dalam melakukan klasifikasi. Fleksibilitas ini diperoleh dengan menggunakan fungsi kernal. 2. Dikarenakan fungsi kernel dapat mengakomodasi transformasi non-linear, asumsi terkait bentuk fungsional dari transformasi. 3. Jika dapat menemukan besar parameter yang tepat, dalam hal ini capacity, SVM bersifat robust meskipun sampel untuk training memiliki eror. 4. Keunggulan SVM dibandingkan dengan Neural Networks adalah SVM mampu membentuk solusi yang unik dan masih robust.

Multi-Criteria ABC Klasifikasi multi-criteria ABC adalah metode yang digunakan untuk mengklasifikasi objek (item inventori) menjadi tiga kelas prioritas dengan berdasarkan tingkat kepentingan total ataupun besar value dari setiap objek. Tingkat kepentingan total ini diperoleh dengan 6 Kombinasi algoritma..., Jeffri Ivander, FT UI, 2014

mempertimbangkan lebih dari satu kriteria baik yang bersifat finansial, ataupun non-finansial. Berikut adalah tiga kelas yang akan dihasilkan dari penggunaan metode klasifikasi ini: 1. Kelas A Kelas ini merupakan kelompok untuk item yang memiliki nilai kepentingan 15-20% tertinggi atau 15-20% tertinggi dengan memberikan sumbangan 75-80% dari nilai finansial total dari seluruh item inventori. 2. Kelas B Kelas ini merupakan kelompok untuk item yang memiliki nilai kepentingan menengah yaitu 30-40% tertinggi setelah kelas A atau 30-40% yang memberikan sumbangan kurang kira-kira 15% untuk nilai finansial total dari seluruh inventori. 3. Kelas C Kelas ini merupakan kelompok untuk yang item yang memiliki nilai kepentingan dibawah golong B atau 40-50% item yang memberikan sumbangan antara 10-15% untuk nilai finansial total dari seluruh inventori. Klasifikasi multi-criteria ABC ini adalah pengembangan lebih lanjut dari metode ABC tradisional yang hanya mempertimbangkan satu kriteria saja yaitu harga atau biaya dari item inventori. Pada klasifikasi multi-criteria ABC kriteria terkait dengan hal-hal non finansial juga dipertimbangkan seperti: •

Lead Time Kriteria ini mendefinisikan waktu yang dibutuhkan untuk melakukan pengadaan pada item.

•

Criticality Kriteria ini mendefinisikan dampak kerugian (line stop dan defect) yang diberikan disaat terjad shortage pada item.

•

Repairability Kriteria ini mendefinisikan tingkat kerugian akibat kerusakan dari item.

•

Storage Cost Kriteria ini mendefinisikan biaya dan sumber daya yang dibutuhkan untuk melakukan penyimpanan terhadap item .

•

Scarcity Kriteria ini mendefinsikan tingkat kelangkaan atau kesulitan dalam melakukan pengadaan dari item.


•

Order size Kriteria ini mendefinisikan jumlah pemesanan item dari pemasok persatuan periode waktu.

•

Usage quantity

Kriteria ini mendefinisikan tingkat penggunaan item dalam proses produksi persatuan periode waktu Metode Penelitian Tahapan Penelitian Dalam penelitian peramalan permintaan barang ini, terdapat beberapa aktivitas yang dilakukan, yaitu : a. Mendefinisikan Masalah Konsistensi dan keakuratan dari pengklasifikasian material berdasarkan tingkat kepentingannya

sangat menentukan keberhasilan dari strategi

cost control yang

dilakukan perusahaan untuk menyikapi persaingan industri otomotif yang semakin ketat.

Dengan

menggunakan

kebutuhan

perusahaan

untuk

secara

tepat

mengimplementasikan cost control dalam strategi Cost Reduction Innovation (CRI) ini, dapat disimpulkan bahwa dibutuhkan model pengklasifikasian yang akurat dan konsisten agar material dapat digolongkan pada kelas yang seharusnya. b. Mencari Data Dalam penelitian ini dibutuhkan data berupa data primer yang diperoleh dari kuisioner scoring yang ditujukan pada pihak expert yang berkompetensi dalam melakukan penilaian material berdasarkan karakteristik yang dibutuhkan. Scoring ini dilakukan terhadap bobot dari setiap kriteria dan nilai tiap kriteria dari masing-masing material yang digunakan sebagai data training. c. Menyiapkan Data Untuk Membuat Model Klasifikasi Setelah data terkumpul, maka data dicek terlebih dahulu. Pengecekan dilakukan terhadap missing value yang terjadi dan ketidaknormalan data. d. Mengolah data Pada tahap ini data yang telah disiapkan diolah dengan menggunakan kombinasi antara metode klasifikasi multi-kriteria ABC dan

data mining support vector

machine. e. Menganalisis Hasil Pengolahan Data Pada tahap ini, model yang dibentuk akan diuji performa klasifikasinya dan jika sudah baik performa klasifikasinya maka akan dibandingkan tingkat konsistensi klasifikasi 8 Kombinasi algoritma..., Jeffri Ivander, FT UI, 2014

atau

kualitas

pengklasifikasian

dari

pengklasifikasian

yang

baru

dengan

pengklasifikasian yang lama. f. Penarikan Kesimpulan Setelah dilakukan analisa terhadap model yang telah dihasilkan, selanjutnya dilakukan penarikan kesimpulan. Kesimpulan yang diberikan akan mengenai tingkat keberhasilan dan manfaat yang diperoleh dari aplikasi kombinasi metode klasifikasi multi-kriteria ABC dan data minings support vector machine. Objek Penelitian Penelitian ini fokus kepada indirect material pada departemen produksi welding PT. Toyota Motor Manufacturing Indonesia , di Kota Karawang sebagai objek penelitian. Analisa ini dilakukan terhadap tingkat akurasi dan konsistensi yang dihasilkan dari kombinasi metode ini. Analisa juga dilakukan terhadap pola hubungan antara kriteria klasifikasi dengan hasil klasifikasi. Jumlah indirect material yang diteliti adalah sebanyak 288 item. Metode Pengambilan Data Untuk mencapai tujuan penelitian yaitu mendapat kan model klasifikasi yang lebih akurat,efisien, dan efektif diperlukan data terkait dengan data penilaian bobot kriteria dan data terkait nilai setiap kriteria pada setiap item inventori. Kedua data primer ini diperoleh dengan menggunakan kuisioner yang pengisiannya dilakukan oleh

4 orang expert

diperusahaan terkait. Pihak yang dipilih sebagai expert adalah pihak yang memiliki pengalaman terkait pada divisi material & cost control di perusahaan terkait . Pengumpulan data ini dilakukan dalam waktu 1 bulan untuk kedua data tersebut. Data penilaian bobot kriteria ini dilakukan dengan memberikan kuisioner yang berisikan matriks pairwise comparison kepada 4 expert. Sebelum mengisi kuisioner terkait dengan penilaian bobot kriteria seperti yang terlihat pada Tabel 3.2, terlebih dahulu 4 expert membaca tabel keterangan kriteria seperti yang dapat dilihat pada Tabel 3.1. Tabel 1. Tabel Keterangan Kriteria Kriteria Inventori

Criticallity (A)

Definisi Mendefinisikan kepentingan item terhadap proses produksi. Makin tinggi score maka item makin menentukan efisiensi dan keberlanjutan dari proses produksi.


Tabel 2. Tabel Keterangan Kriteria (Lanjutan) Kriteria Inventori

Definisi

Storage (C)

Mendefinisikan volume gudang yang digunakan dan holding cost yang di tanggung untuk menampung satu unit dari inventori terkait. Semakin tinggi skor maka semakin tinggi holding cost yang ditanggung

Demand (D)

Mendefinisikan jumlah penggunaan untuk item terkait dalam satu tahun. Semakin tinggi skor nya maka semakin tinggi tingkat penggunaannya

Price (E)

Mendefinisikan harga dari setiap unit item terkait. Semakin tinggi skor maka semakin tinggi harga dari item terkait

Tabel 3. Comparison Kriteria Klasifikasi Criticallity (A)

Kriteria Criticallity (A)

Supply (B)

Storage (C)

Demand (D)

Price (E)

1

3

3

3

0,25

Supply (B)

0,333333333

1

2

2

0,2

Storage (C)

0,333333333

0,5

1

0,33333333

0,1111111

Demand (D)

0,333333333

0,5

3

1

0,3333333

4

5

9

3

1

Price (E)

Setelah data mengenai bobot kriteria diperoleh , pengumpulan data terkait dengan penilaian nilai kriteria segera dilakukan. Prosedur mengenai pengisian kuisioner ini sama dengan pengisian sebelumnya yaitu dilakukan oleh 4 orang expert. Penilaian skor dari masing-masing kriteria ini dilakukan dengan menggunakan skala likert dari 1 sampai 5. Berikut ini adalah tabel keterangan dari skala likert pada kuisioner yang diberikan. Tabel 4. Keterangan Likert Scale Skala Pengisian score 1 Sangat Rendah 2 Rendah 3 Sedang 4 Tinggi 5 Sangat Tinggi


Hasil Penelitian Hasil yang diperoleh dari penelitian ini adalah informasi terkait bobot dari masing-masing kriteria klasifikasi, hasil klasifikasi baru, performa klasifikasi baru, informasi mengenai pola hubungan interaksi antara besar nilai setiap kriteria terhadap hasil klasifikasi.

Hasil Penghitungan Bobot dan Klasifikasi Multi-Criteria ABC Hasil penghitungan ini diperoleh dengan menggunakan software expert choice. Penghitungan bobot ini dilakukan dengan menggunakan metode Analytic Hierarchy Process.

Gambar 1. Output Pairwise Comparison Matrix pada Expert Choice Sementara dari gambar 1 dapat dilihat bahwa harga dari material menjadi faktor penentu yang paling dominan diantara kriteria-kriteria yang lainnya. Hal ini menunjukkan bahwa perusahaan ini memiliki perhatian yang sangat besar terhadap beban finansial dari kegiatan proses produksi . Hal ini juga mengindikasikan bahwa perusahaan ini memiliki perhatian yang besar terhadap performa supplier nya karena price menjadi indikator kemampuan supplier dalam menekan biaya produksi dan distribusi untuk perusahaan ini. Selain kriteria price, hal lain yang menjadi indikator bahwa perusahaan ini memiliki perhatian yang besar terhadap performa supplier adalah posisi kriteria supply yang menempati posisi tiga besar. Dari hasil pengolahan data pada gambar 1 dapat diketahui juga bahwa perusahaan ini adalah perusahaan yang menaruh perhatian besar terhadap efisiensi dan efektifitas dari proses produksinya.


Gambar 2. Perubahan anggota kelompok indirect material kelas A Melalui gambar 2 dapat dilihat bahwa dengan jumlah anggota yang sama, terjadi perbedaan anggota sebesar 70% untuk kelompok material kelas A atau prioritas pertama. Selain itu Item yang memiliki nilai prioritas tinggi dan termasuk golongan prioritas pertama merupakan item berupa alat-alat safety dan indirect material berupa bahan bakar minyak dan gas. Hasil Penghitungan Performa Klasifikasi Analisa ini dilakukan dengan tujuan untuk mengetahui manfaat yang diperoleh dari penelitan ini dengan menggunakan parameter yang lebih terukur. Beberapa parameter yang digunakan dalam melakukan penilaian performa ini adalah class accuracy, jumlah kesalahan klasifikasi yang terjadi, dan pola yang terbentuk antara kelas material dengan nilai kepentingan total. Parameter-parameter ini dapat dilihat pada gambaran hasil pengolahan data yang ditampilkan pada bab ini.


Gambar 3. Perbandingan performa klasifikasi lama dan baru Dari gambar 3 kita melihat terjadi nya peningkatan akurasi baik pada set data yang digunakan untuk pembelajaran pola ataupun pengujian pola. Peningkatan akurasi yang terjadi secara total adalah sebesar 14,7 % dengan menggunakan akurasi pada data set pengujian pola. Akurasi dari klasifikasi meningkat dari 83,9% menjadi 98,6%.

Penggunaan data set

pengujian pola dalam melihat peningkatan akurasi ini dilakukan karena data set pengujian dapat menggambarkan hasil performa pola yang diperoleh untuk masing-masing metode klasifikasi. Akurasi

ini

meningkat

dikarenakan pada

metode klasifikasi

baru dapat

mendefinisikan kriteria-kriteria lain yang tidak terdefinisi pada metode klasifikasi sebelumnya. Selain akurasi yang meningkat, hal lain yang dapat diketahui adalah terjadinya peningkatan konsistensi dalam akurasi klasifikasi. Konsistensi ini didefinisikan sebagai derajat kesamaan antara akurasi yang dihasilkan pada data training dan data testing dari


keseluruhan data. Sehingga inkonsistensi didefinisikan sebagai perbedaan antara akurasi pada dataset training dan dataset testing. Jika dilakukan analisa pada hasil pengolahan data di gambar 3 dapat diketahui bahwa terjadi penurunan inkonsistensi sebesar 8,274 % dengan inkonsistensi dari klasifikasi lama sebesar 9,2% dan inkonsisensi pada klasifikasi baru sebesar 0,926%,

Gambar 4. Perbandingan confusion matrix lama dan baru Peningkatan performa klasifikasi ini dengan lebih detail dapat dilihat pada confusion matrix yang dihasilkan dalam pengolahan data. Melalui matrik pada gambar 4 ini dapat dilihat bahwa jumlah kesalahan klasifikasi pada data testing menurun. Selain itu dapat dilihat juga bahwa kesalahan klasifikasi secara dominan terjadi pada klasifikasi material kelas satu atau prioritas A. Sebab terjadinya kesalahan yang dominan pada material kelas 1 atau prioritas A dengan lebih detail dapat dilihat pada analisa pola yang terbentuk antara kelas material dengan nilai kepentingan total


Gambar 5. Perbandingan pola Nilai Kepentingan vs class confidence Dari gambar 5 kita dapat mengetahui bahwa tidak terdapat pola yang jelas dalam hubungan antara nilai kepentingan dari suatu item inventori . Hal ini menandakan dalam melakukan klasifikasi, metode klasifikasi lama tidak menggunakan dan memiliki pola atau logika yang konsisten dan rasional. Hal ini berbanding terbalik dengan metode klasifikasi baru yang memiliki pola hubungan antara tingkat kepercayaan golongan kelas dengan nilai kepentingan item inventori yang konsisten dan rasional. Dari gambar 5 dapat dilihat bahwa untuk memiliki tingkat kepercayaan sebagai material prioritas A atau kelas 1 yang mendekati 100% suatu item inventori harus memiliki nilai kepentingan total lebih dari 3,5. Dari hasil pengolahan data tersebut dapat dilihat juga bahwa kesalahan dari klasifikasi material kelas 1 atau prioritas A ini rawan terjadi pada item dengan nilai kepentingan antara 3,25 hingga 3,5.

Hasil Pembelajaran Hidden Pattern dan Tingkat Kesalahan pada Klasifikasi Baru Melalui hasil ini dapat dilakukan analisa pada pola yang terbentuk secara lebih detail antara besar setiap kriteria dengan tingkat kepercayaan masing-masing kelas. Analisa ini dilakukan pada data set klasifikasi baru dengan tiga kelas yang terdiri dari kelas 1 (kelompok material prioritas A) , kelompok B (kelompok material prioritas B yang siap untuk sewaktuwaktu naik menjadi prioritas A), dan kelompok C (kelompok material dengan prioritas paling bawah). Hal ini dianggap penting karena dapat memberikan peringatan kepada perusahaan terhadap perubahan tingkat kepentingan material lebih dini. Selain itu analisa juga dilakukan terhadap tabel classification summary dan confusion matrix untuk mengetahui persebaran tingkat kesalahan klasifikasi pada masing-masing kelas. 15 Kombinasi algoritma..., Jeffri Ivander, FT UI, 2014

Tabel 5. Hasil Analisa Pola Hubungan Kriteria Dengan Hasil Klasifikasi Confidence Level Kriteria

1 (A)

2 (B)

3 (C)

Criticallity

+

0

x

Supply

x

0

-

Storage

x

0

-

Demand

+

0

x

Price

+

0

-

Pada hasil penelitian di atas “+” memilki arti trend positif, “-“ memiliki arti trend negatif, “0” memiliki arti pola tidak memiliki trend, dan “x” memiliki arti tidak memiliki pola. Dari hasil penelitian di atas dapat dilihat bahwa Criticallity, Demand, dan Price memiliki hubungan dengan tingkat kepercayaan kelas A. Selain itu dapat dilihat juga bahwa harga Indirect material memberikan determinasi yang paling tinggi terhadap besar presentase kepercayaan keberadaan item pada suatu kelompok prioritas.

Gambar 6. Analisa Nilai Kepentingan VS Class Confidence Dari hasil penelitian di atas dapat dilihat bahwa dapat dilihat bahwa semakin besar nilai kepentingan total maka tingkat kepercayaan bahwa dia ada pada kelas 1 atau prioritas A semakin besar. Selain itu dapat dilihat juga bahwa tingkat kepercayaan suatu item inventori ada pada kelas 2 atau prioritas B ada pada nilai maksimum (0,68%) untuk interval nilai kepentingan total 2,5 sampai 3,25. Sedangkan pola kelas 3 menunjukkan bahwa nilai kepentingan total memiliki hubungan yang berbanding terbalik dengan dengan tingkat 16 Kombinasi algoritma..., Jeffri Ivander, FT UI, 2014

kepercayaan kelas 3 atau prioritas C. Dari gambaran hasil pengolahan data tersebut terlihat bahwa semakin besar nilai kepentingan total maka akan semakin kecil tingkat kepercayaan item inventori tersebut ada pada kelas 3. Gambar 6. menunjukkan bagaimana ketiga pola ini saling berinteraksi satu sama lain. Dari hasil tersebut dapat dilihat bahwa pola tingkat kepercayaan kelas 2 atau prioritas B merupakan pola yang paling sering beririsan dengan pola lain seperti pola kelas 1 atau prioritas A dan kelas 2 atau prioritas B. Hal ini mengindikasikan bahwa klasifikasi untuk material kelas 2 atau prioritas B memiliki risiko kesalahan klasifikasi yang paling besar diantara kelas lainnya.

Kesimpulan Melalui hasil pengolahan data dan berbagai proses yang telah dilakukan pada penelitian ini terdapat beberapa hal yang dapat disimpulkan dan informasinya dapat digunakan oleh perusahaan ini sebagai informasi tambahan yang berguna dalam berbisnis. Melalui analisa terhadap hasil pengolahan data pada pengolahan data Analytic Hierarchy Process (AHP) dapat dilihat bahwa pada perusahaan otomotif ini aspek harga material menjadi aspek yang paling dipertimbangkan secara dominan (bobot sebesar 50%) dalam memberikan penilaian prioritas pada item indirect material. Selain kriteria harga terdapat kriteria lain yang memberikan pengaruh cukup besar yaitu dengan bobot sebesar 21,7%. Melalui hasil yang diperoleh ini dapat disimpulkan bahwa selain aspek biaya , perusahaan otomotif tempat penelitian ini dilakukan juga memberikan perhatian dan ekspektasi yang sangat besar terkait dengan tingkat efisiensi dan efektifitas dari lini produksi. Setelah dilakukan klasifikasi untuk setiap item inventori dengan menggunakan metode multi-attribute ABC dapat dilihat bahwa terjadi perubahan yang signifikan terhadap anggota kelompok item prioritas pertama. Item yang memiliki nilai prioritas tinggi dan termasuk golongan prioritas pertama merupakan item berupa alat-alat safety dan indirect material berupa bahan bakar minyak dan gas. Dari hasil tersebut dapat disimpulkan bahwa jenis dan jumlah kriteria yang dipertimbangkan dalam melakukan klasifikasi memberikan pengaruh yang signifikan terhadap hasil klasifikasi akhir. Melalui

analisa hasil dari klasfikasi dan pembacaan hidden pattern dengan

menggunakan support vector machine dapat diketahui bahwa terjadi peningkatan terhadap akurasi dan konsistensi klasifikasi dengan menggunakan kombinasi penggunaan AHP, Multiattribute ABC, dan support vector machine. Peningkatan terhadap akurasi yang terjadi sebesar 17 Kombinasi algoritma..., Jeffri Ivander, FT UI, 2014

14,7 % , sedangkan peningkatan konsistensi klasifikasi sebesar penurunan inkonsistensi sebesar 8,274 %. Melalui hasil tersebut dapat disimpulkan bahwa kombinasi ketiga metode ini dapat memberikan hasil yang lebih baik dan dapat digunakan sebagai model klasifikasi yang lebih konsisten dan akurat. Melalui analisa terhadap hasil pengolahan data berupa hidden pattern yang terbaca pada masing-masing kriteria yang diperoleh dapat diketahui bahwa aspek harga material memberikan determinasi yang paling tinggi terhadap besar presentase kepercayaan keberadaan item pada suatu kelompok prioritas. Selain itu jika dibandingkan dengan item yang memiliki rentang nilai lain, item dengan nilai kepentingan antara 2,8 hingga 3,5 paling sulit di prediksi. Hal ini sesuai dengan karakterisik kelompok item pada rentang ini yang sangat heterogen. Rentang ini heterogen karena anggotanya terdiri dari item yang memiliki potensi untuk naik kekelas pertama dan item yang memiliki potensi untuk turun ke kelas ketiga. Melalui hasil pengolahan data ini dapat disimpulkan bahwa harga dan tingkat kritikalitas dari suatu item adalah dua kriteria yang paling memberikan pengaruh terhadap tingkat kepercayaan suatu item

inventori adalah material prioritas A. Selain itu dapat

disimpulkan juga bahwa terdapat sekitar 30% item yang harus juga dikontrol perubahannya karena memiliki potensi untuk menjadi item prioritas A.

Saran Penelitian lebih lanjut dapat dilakukan dengan menggunakan data kuantitatif seperti lead time , holding cost , dan biaya dampak kehabisan indirect material terhadap kelancaran proses produksi. Hal ini dilakukan sebagai upaya upaya meningkatkan objektifitas

dari

klasifikasi dan mengurangi subjektifitas dari penilaan kriteria yang ada pada metode di penelitian ini. Penelitian lainnya juga dapat dilakukan pada departemen produksi lain seperti departemen produksi assembly dan painting. Hal ini perlu dilakukan karena setiap departemen produksi memiliki pertimbangan kepentingan yang berbeda untuk setiap kriteria klasifikasi.

Daftar Referensi Berry, M., & Linoff, G. (1997). Data mining techniques for marketing, sales and customer support. New York: John Wiley and Sons. Ching-Wu, C., Gin-Shuh, L., & Chien-Tseng, L. (2008). Controlling inventory by combining ABC analysis and fuzzy classification. Computers & Industrial Engineering 55, 841– 851 .


Chu Hui, Pei., Hsiao Yuan, Pei., & Hsien Liao, Shu. (2012). Data mining techniques and applications – A decade review from 2000 to 2011. Expert Systems with Applications 39, 11303–11311. Hadi-Vencheh, A., & Mohamadghasemi, A. (2010). A fuzzy AHP-DEA approach for multiple criteria ABC inventory classification. Expert Systems with Applications 38, 3346–3352. Han, J., & Kamber, M. (2006). Data mining: concepts and techniques (2nd ed.). California: Morgan Kaufmann Publishers. Kartal, H., & Cebi, F. (2013). Support Vector Machines for Multi-Attribute ABC. International Journal of Machine Learning and Computing, Vol. 3. Köksal , G., Batmaz, I., Murat, T. (2011). A review of data mining applications for quality improvement in manufacturing industry. Expert Systems with Applications 38, 13448– 13467. L. Auria, R.A. Mmoro, August 2008, Support Vector Machines (SVM) as a Technique for Solvency Analysis, Discussion Paper, DIW Berlin Nisbet, R., Elder, J., Miner, G. (2009). Handbook of statistical analysis and data mining applications. Canada: Elsevier. Stavropoulosa, P., & et.al. (2013). Monitoring and control of manufacturing processes: A review. Procedia CIRP 8 , 421 – 425. Subramaniana, N., & Ramanathan, R. (2012). A review of applications of Analytic Hierarchy Process in operations management. Int. J. Production Economics 138, 215–241. Wijaya, H., et al. (2013). Twitter Sentiment Analysis and Insight for Indonesian Mobile Operators. Proceeding of Information Systems International Conference (ISICOO)


Kombinasi Algoritma Support Vector Machine (SVM) Dan Analisis Multi- Attribute ABC Pada Klasifikasi Inventori Indirect Material Di Perusahaan Otomotif

Recommend Documents