TEKNIK KLASIFIKASI PENYUSUTAN VOLUME PUPUK TERHADAP PENYIMPANAN DI GUDANG MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : GUDANG PERSEDIAAN PUPUK PT. PUSRI KOTA SOLOK) Rayendra AMIK Kosgoro Solok Email :
[email protected]
Abstrak Data mining adalah proses eksplorasi dan analisa terhadap data yang berjumlah besar untuk menentukan pola atau aturan yang berarti. Algoritma C4.5 adalah algoritma klasifikasi data bertipe pohon keputusan. Pohon keputusan algoritma C4.5 dibangun dengan beberapa tahap yang meliputi pemilihan atribut sebagai akar, membuat cabang untuk tiaptiap nilai dan membagi kasus dalam cabang memiliki kelas yang sama. Dari penyelesaian pohon keputusan maka akan didapatkan beberapa rule suatu kasus. Dalam hal ini penulis akan menerapakan algoritma C4.5 dalam penyusutan volume pupuk di gudang penyimpanan. Penerapan algoritma C4.5 ini dapat membantu pencarian keputusan dalam menentukan klasifikasi penyusutan volume pupuk di gudang penyimpanan. Kata kunci : Algoritma C4.5, Data Mining, Klasifikasi, Rapidminer
Abstract Data mining, as we use the term, is the exploration and analysis of large quantities of data in order to discover meaningful patterns and rules. The algorithm is a classification algorithm C4.5 decision tree data type. C4.5 decision tree algorithm is built with several stages that include the selection of an atribut as root, create a branch for each value and devide the cases in the branch. Chase-resistant will be repeated for each branch until all cases the branches have the same class. From the completion of the decision tree it will get some rule of a case. In this case I would apply the C4.5 algorithm in the application of C4.5 Algorithm to Classify Manure Volume Shrinkage In Storage. With the method of C4.5 algorithm will be able to help with the search of decision in determining to classify manure volume shrinkage in storage. Keywords : Algoritma C4.5. Classification, Data Mining, Rapidminer
I.
Pendahuluan Gudang adalah tempat untuk menyimpan barang, baik bahan baku yang akan
dilakukan proses manufakturing maupun barang jadi yang siap untuk dipasarkan (Purnomo, 2004). Menurut Hadiguna dan Setiawan (2008), salah satu macam gudang menurut karakteristik material yang disimpan adalah gudang penyimpanan produk jadi. Dalam penyimpanan produk jadi, produk tersebut tidak mengalami penambahan nilai tambah. Produk jadi yang disimpan diharapkan mempunyai kualitas sesuai dengan awal ketika produk tersebut selesai diproduksi dan diterima bagian gudang. Terjadi penurunan kualitas atau perubahan bentuk dari produk yang disimpan di gudang merupakan kerugian bagi perusahaan atau pelanggan. PT. Pusri bertanggung jawab dalam melaksanakan distribusi dan pemasaran pupuk bersubsidi kepada petani sebagai bentuk pelaksanaan Public Service Obligation (PSO) untuk mendukung program pangan nasional dengan memprioritaskan produksi dan pendistribusian pupuk bagi petani di seluruh wilayah Indonesia. Untuk menjaga ketersediaan Pupuk, perusahaan telah memiliki Gudang Persediaan Pupuk (GPP) di masingmasing Kabupaten/Kota di seluruh Indonesia, sebanyak 108 Unit, belum termasuk gudang sewa. Salah satu permasalahan yang sering terjadi di GPP adalah terjadinya penyusutan volume penyimpanan yang tidak diketahui oleh pihak manajemen. Dalam penyusutan volume pupuk ini, penulis ingin menerapkan algoritma C4.5 untuk membantu dalam pengambilan keputusan manajemen. Dari semua data yang ada akan diklasifikasikan dan diprediksi, dari hasil klasifikasi akan mempresentasikan aturan sehingga dapat dengan mudah dipahami dengan bahasa alami. Dalam penelitian ini penyusutan volume pupuk akan dianalisis menggunakan pendekatan data mining dengan algoritma jenis pohon keputusan (decision tree) yaitu algoritma C4.5 dikarenakan jenis ini secara umum lebih cepat, mudah diinterpretasikan dan dipahami pengguna walaupun pengguna tersebut tidak mempunyai pengetahuan dalam bidang Artificial Inteligence, matematika, statistika atau machine learning. Algoritma C4.5 adalah salah satu algoritma yang digunakan untuk melakukan klasifikasi data dengan membentuk pohon keputusan (Xindong, at al, 2007). Berdasarkan beberapa penelitian menunjukkan bahwa performansi C4.5 lebih konsisten dibandingkan beberapa algoritma klasifikasi jenis pohon keputusan lainnya (Santosa, 2007).
Algoritma C4.5 merupakan kelompok algoritma decision tree. Algoritma ini mempunyai input berupa training samples dan samples. Training samples berupa data contoh yang akan digunakan untuk membangun sebuah tree yang telah diuji kebenarannya. Sedangkan samples merupakan field-field data yang nantinya akan kita gunakan sebagai parameter dalam melakukan klasifikasi data (Sunjana, 2010). Secara umum, pohon keputusan (decision tree) adalah suatu gambaran permodelan dari suatu persoalan yang terdiri dari serangkaian keputusan yang mengarah kepada solusi yang dihasilkan. Peranan pohon keputusan sebagai alat bantu dalam mengambil keputusan telah dikembangkan oleh manusia sejak perkembangan teori pohon yang dilandaskan pada teori graf. Seiring dengan perkembangannya, pohon keputusan kini telah banyak dimanfaatkan oleh manusia dalam berbagai macam sistem pengambilan keputusan (Dennis et al, 2013).
II. Metode Penelitian Dalam metoe penelitian ada urutan kerangka kerja yang harus diikuti, urutan kerangka kerja ini merupakan gambaran dari langkah–langkah yang harus dilalui agar penelitian ini bisa berjalan dengan baik. Kerangka kerja yang harus diikuti bisa dilihat pada gambar di bawah ini :
Identifikasi Masalah
Analisis Masalah
Mempelajari Literatur
Mengumpulkan Data
Mengubah Data Menjadi Model Tree
Mengubah Model Tree Menjadi Rule
Pengujian dengan Rapid Miner 5.3
Pengambilan Keputusan
III. Hasil dan Pembahasan A. Analisa Data Untuk melakukan proses analisa dan klasifikasi, sampel data yang digunakan adalah data penyusutan volume pupuk di Gudang Persediaan Pupuk (GPP) PT. Pusri Kota Solok. Dari data-data yang telah diperoleh maka ditentukan satu variabel yang menjadi variabel keputusan yaitu status keputusan ada penyusutan dan tidak ada penyusutan, sedangkan yang menjadi variabel penentu dalam pembentukan pohon keputusan adalah Tempat Penyimpanan, Waktu Penyimpanan dan Susunan Penyimpanan, serta Gancu. Beberapa atribut yang diperlukan dalam menentukan kebijakan untuk penyusutan volume pupuk pada gudang penyimpan dapat dilihat pada tabel 1 : Tabel 1 Atribut Penyusutan Volume Pupuk No 1 2 3 4
Nama Data Tempat Penyimpanan Waktu Penyimpanan Susunan Penyimpanan Gancu
Atribut String Integer String String
Kategori Lembab, Panas, Kering 1, 2, 3 Biasa, Prosedur Pakai Gancu, Tidak Gancu
Atribut-atribut di atas dapat dijelaskan sebagai berikut: 1.
Tempat Penyimpanan
Yang termasuk ke dalam tempat penyimpanan adalah :
2.
a.
Lokasi Lembab
b.
Lokasi Panas
c.
Lokasi Kering
Waktu Penyimpanan Atribut waktu penyimpanan dikategorikan sebagai berikut: a.
1 : lama penyimpanan pupuk pada gudang hari berkisar antara 1 hari sampai 6 hari.
b.
2 : lama penyimpanan pupuk pada gudang hanya berkisar 1 minggu sampai 3 minggu.
c. 3.
3 : lama penyimpanan pupuk pada gudang hanya berkisar 1 bulan sampai 11 bulan.
Susunan Pupuk Atribut susunan pupuk dikategorikan sebagai berikut: a.
Susunan Biasa : Penyusunan pupuk pada gudang penyimpanan di buat sejajar.
b.
Susunan Prosedur : penyusunan pupuk pada gudang penyimpanan dibuat teratur dengan deretan yang searah.
4.
Gancu atau Alat Bantu Atribut Gancu yang dapat dikategorikan sebagai berikut : a.
Pakai Gancu : waktu pemindahan pupuk dari mobil ke gudang atau dari gudang ke mobil, pupuk dalam karung
kena Gancu
sehingga sering terjadi bocor atau
tumpah. b.
Tidak Gancu : pimindahan pupuk yang dilakukan dari mobil ke gudang penyimpanan atau dari gudang ke atas mobil kembali, karung/goni pupuk aman atau tidak terjadi kebocoran atau pupuk yang tumpah. Analisa kebutuhan data berikutnya yaitu bentuk output yang akan dihasilkan dapat
dilihat pada tabel 2. Tabel 2 Hasil Akhir Kelayakan Penyusutan Volume Pupuk No 1 2
Keputusan Ada Tidak
Hasil dari kegiatan filtering tersebut dapat dilihat pada tabel 3. Tabel 3 Contoh Data Dari Hasil Filtering Tempat Penyimpanan Lokasi Lembab Lokasi Lembab Lokasi Kering Lokasi Panas
Waktu Penyimpanan Minggu Minggu Minggu Bulan
Susunan Pupuk
Pakai Gancu
Penyusutan
Susunan Biasa Susunan Biasa Susunan Biasa Susunan Biasa
Pakai Gancu Tidak Gancu Pakai Gancu Pakai Gancu
Ada Tidak Ada Tidak
Lokasi Panas Lokasi Panas Lokasi Kering Lokasi Lembab Lokasi lembab Lokasi Panas Lokasi Lembab Lokasi Kering Lokasi Kering Lokasi Panas
Hari Hari Hari Bulan Hari Bulan Bulan Bulan Minggu Bulan
Susunan Prosedur Susunan Prosedur Susunan Prosedur Susunan Biasa Susunan Prosedur Susunan Prosedur Susunan Prosedur Susunan Biasa Susunan Prosedur Susunan Biasa
Pakai Gancu Tidak Gancu Tidak Gancu Pakai Gancu Pakai Gancu Pakai Gancu Tidak Gancu Tidak Gancu Pakai Gancu Tidak Gancu
Ada Tidak Ada Tidak Ada Ada Ada Ada Ada Tidak
Setelah data ada di dalam filtering di atas, kemudian dilakukan pemrosesan dengan mengelompokan data-data seperti berikut ini : 1.
Mengelompokan nilai Tempat Penyimpanan, seperti pada tabel 4. Tabel 4 Klasifikasi Nilai Tempat Penyimpanan Tempat Penyimpanan Lokasi Lembab Lokasi Kering Lokasi Panas
2.
Klasifikasi LL LK LP
Mengelompokan nilai waktu penyimpanan, seperti pada tabel 5. Tabel 5 Klasifikasi Nilai Waktu Penyimpanan Waktu Penyimpanan 1 2 3
3.
Nilai Baru Hari Minggu Bulan
Mengelompokan nilai susunan pupuk, seperti pada tabel 6. Tabel 6 Klasifikasi Nilai Susunan Pupuk Susunan Pupuk
Nilai Baru SB SP
Susunan Biasa Susunan Prosedur
4.
Mengelompokan nilai pakai gancu, pengelompokan nilai pakai gancu ini berdasarkan gancu yang digunakan sehingga nilai tersebut dapat dikelompokan seperti pada tabel 7. Tabel 7 Klasifikasi Nilai Pakai Gancu Mengunakan Gancu Pakai Gancu Tidak Gancu
Nilai Baru PG TG
Format data akhir setetah dilakukan pra proses tampak pada tabel 8 : Table 8 Format Data Akhir Penyusutan Pupuk No 1 2 3 4 5 6 7 8
Tempat Penyimpanan LL LL LK LP LP LP LK LL
Waktu Penyimpanan Minggu Minggu Minggu Bulan Hari Hari Hari Minggu
Susunan Pupuk SB SB SB SB SP SP SP SB
Pakai Gancu PG TG PG PG PG TG TG PG
Penyusutan Tidak Tidak Ada Ada Ada Ada Ada Tidak
9 10 11 12 13 14
LL LP LL LK LK LP
Hari Bulan Bulan Bulan Minggu Bulan
SP SP SP SB SP SB
PG PG TG TG PG TG
Ada Ada Ada Ada Ada Tidak
B. Pohon Keputusan Langkah-langkah pembentukan pohon keputusan (decision tree) dalam algoritma C4.5 adalah sebagai berikut : 1.
Pilih atribut sebagai akar.
2.
Buat cabang untuk tiap-tiap nilai.
3.
Bagi kasus dalam cabang.
4.
Ulangi proses untuk tiap cabang sampai semua kasus pada cabang memilik kelas yang sama. Dalam kasus yang tertera pada tabel 8 di atas akan dibuat pohon keputusan untuk
menentukan klasifikasi status penyusutan volume pupuk (ada atau tidak) dengan melihat nilai Tempat Penyimpanan, Waktu Penyimpanan dan Susunan Penyimpanan serta mengunakan Gancu. Untuk memilih atribut sebagai akar, didasarkan pada gain tertiggi dari atribut-atribut yang ada. Langkah-langkah pembuatan pohon keputusan (decision tree) dalam algoritma C4.5 untuk menentukan penyusutan volume pupuk adalah: 1.
Menghitung jumlah kasus untuk keputusan ada dan jumlah kasus untuk keputusan tidak ada serta entropy dari semua kasus berdasarkan atribut tempat penyimpanan, waktu penyimpanan dan susunan penyimpanan
2.
Setelah nilai entropy didapatkan kemudian dilakukan perhitungan nilai gain untuk masing-masing atribut. Setelah nilai entropy dan nilai gain di hitung, kemudian hasil dari perhitungan tersebut dimasukan ke dalam tabel 9 : Tabel 9 Perhitungan Node 1 Jumlah kasus (S) 14
Tidak (S1) 4
Ada (S2) 10
0,86312056
LK LP LL
4 5 5
0 1 3
4 4 2
0,00000000 0,72192809 0,97095059
Hari
4
0
4
0,00000000
Node 1
Total Tempat Penyimpanan
Entropy
Gain
0,2585210
Waktu Penyimpanan
0,20619876
Minggu Bulan
4 6
2 2
2 4
1,00000000 0,91829583
SB SP
7 7
4 0
3 7
0,98522813 0,00000000
PG TG
8 6
2 4
6 2
0,81127812 0,91829583
Susunan Penyimpanan
0,37050650
Gancu
0,00597771
Dari hasil tersebut dapat digambar pohon keputusan sementara tampak pada gambar 4. 1 Susunan
SB
SP
1.1 ?
Ada
Gambar 4 Pohon Keputusan Hasil Perhitungan Node 1 Berdasarkan hasil keputusan sementara yang terbentuk pada gambar 4, maka Susunan Penyimpanan rule yang terbentuk adalah If Susunan Penyimpanan = SP then Status Penyusutan ada. 3.
Selanjutnya adalah menyelesaikan untuk menghitung Node 1.2 sebagai akar, sama dengan cara yang di atas dengan nilai entropy dari atribut yang tersisa yaitu Tempat Penyimpanan dan Waktu Penyimpanan sehingga dihitung entropy kemudian menghitung gain untuk tiap-tiap atribut Setelah nilai entropy dan nilai gain dihitung, kemudian hasil dari peritungan tersebut dimasukan ke dalam tabel 10. Tabel 10 Perhitungan Node 1.1 Jumlah kasus (S) 7
Tidak (S1) 4
Ada (S2) 3
0,9852281
LK LP LL
2 2 3
0 1 3
2 1 0
0,0000000 1,0000000 0,0000000
Hari Minggu Bulan
0 3 4
0 2 2
0 1 2
0,0000000 0,9182958 1,0000000
Node 1.1
Susunan Penyimpanan SB Tempat Penyimpanan
Entropy
0,699513
Waktu Penyimpanan
Gancu
Gain
0,020224
0,020244
PG TG
4 3
2 2
2 1
1,0000000 0,9182958
Berdasarkan hasil perhitungan node 1.1 pada tabel 10 di atas, dapat digambarkan pohon keputusan sementara tampak seperti gambar 5. 1 Susunan
SB
SP
1.1 Tempat
LK
Ada
LP
LL
1.1.2 ?
Ada
Tidak
Gambar 5 Pohon Keputusan Hasil Pehitungan Node 1.1 Berdasarkan gambar yang terbentuk pada gambar 4.2 di atas maka aturan Tempat Penyimpanan rule yang terbentuk adalah If Susunan Penyimpanan = SP then status Penyusutan “Ada”, If Susunan Penyimpanan = SB and Tempat Penyimpanan = LK then status Penyusutan = “Ada”, If Susunan Penyimpanan = SB and Tempat Penyimpanan = LL then status penyusutan = “Tidak”. 4.
Selanjutnya adalah menyelesaikan untuk menghitung Node 1.1.2 sebagai akar sama dengan di atas dengan menghitung nilai entropy dari atribut yang tersisa yaitu Tempat Penyimpanan. Setelah dihitung entropy, kemudian menghitung gain untuk tiap-tiap atribut. Setelah nilai entropy dan nilai gain dihitung, kemudian hasil dari peritungan tersebut dimasukan ke dalam tabel 11. Tabel 11 Perhitungan Note 1.1.2 Jumlah Kasus (S)
Tidak (S1)
Ada (S2)
Entropy
2
1
1
1
Hari Minggu Bulan
0 0 2
0 0 2
1 0 1
0 0 1
PG
1
0
1
Node
1.1.2
Susunan-SB Dan Tempat Penyimpanan LP Waktu Penyimpanan Gancu
Gain
0,0000000
1,0000000
TG
1
1
0
Dari hasil perhitungan node 1.1.2 pada tabel 11, terdapat tiga nilai atribut dari Gancu yaitu nilai atribut PG = “Ada”, dan nilai atribut
TG = “Tidak”,
sudah
diklasifikasikan penyusutan yang dapat dilihat pada gambar 6. 1 Susunan
SB
SP
1.1 Tempat
LK
Ada
Ada
LL
LP
1.1.2 Gancu
Tidak
PG
Ada
TG
Tidak
Gambar 6 Pohon Keputusan Hasil Perhitungan Node 1.1.2 Berdasarkan pohon keputusan terakhir yang terbentuk pada gambar 6 di atas, maka aturan status rule yang terbentuk adalah sebagai berikut: 1.
If Nilai Susunan Penyimpanan = SP then status Penyusutan = Ada.
2.
If Nilai Susunan Penyimpanan = SB and Nilai Tempat Penyimpanan = LK then status Penyusutan = Ada.
3.
If Nilai Susunan Penyimpanan = SB and Nilai Tempat Penyimpanan = LL then status Penyusutan = Tidak.
4.
If Nilai Susunan Penyimpanan = SB and Nilai Tempat Penyimpanan = LP and Nilai Gancu =PG then status Penyusutan = Ada.
5.
If Nilai Susunan Penyimpanan = SB and Nilai Tempat Penyimpanan = LP and Nilai Gancu = TG then status Penyusutan = Tidak. Berdasarkan gambar 6, dengan 14 data yang dimasukan, dapat dijelaskan bahwa
penilaian penyusutan volume pupuk pada gudang penyimpanan berdasarkan klasifikasi dengan algoritma C4.5, nilai output
penyusutan volume pupuk yang diperoleh secara
manual sama besarnya dengan nilai output yang ditargetkan, sebagai berikut: a.
Susunan Penyimpanan = SB dan Tempat = Kering, penyusutan (Tidak = 0, Ada = 2).
b.
Susunan Penyimpanan = SB dan Tempat = lembab, penyusutan (Tidak = 3, Ada = 0).
c.
Susunan Penyimpanan = SB dan Tempat = Panas, kemudiaan Gancu = PG penyusutan (tidak = 0, ada = 1)
d.
Susunan Penyimpanan = SB dan Tempat = Panas, kemudiaan Gancu = TG penyusutan (tidak = 1, ada = 0)
e.
Susunan Penyimpanan = SP, penyusutan ( tidak = 0, ada =7).
Atau Susunan = SB |
Tempat = Kering
: ada ( tidak =0, ada = 2)
|
Tempat = Lembab : tidak ( tidak =3, ada = 0)
|
Tempat = Panas
|
|
Gancu = PG : ada ( tidak =0, ada = 1)
|
|
Gancu = TG : ada ( tidak =1, ada = 0)
Susunan = SP : ada ( tidak = 0, ada = 7) Jadi dari 14 data yang dimasukan tidak terjadi penyusutan 4 dan ada penyususutan 10.
C. Pengujian dengan RapidMiner 5.3. Gambar 7 merupakan tampilan data yang disimpan dalam Microsoft Excel. Data tersebut yang akan diproses kedalam Rapidminer untuk membentuk pohon keputusan.
Gambar 7 Data dalam Microsoft Excel Hasil klasifikasi dengan software Rapidminer dapat dilihat pada gambar 8.
Gambar 8 Hasil Pohon Keputusan Di mana rule yang dihasilkan setelah dilakukan proses dengan Rapidminer pada gambar 8 adalah sebagai berikut: 1.
If Nilai Susunan Penyimpanan = SP then status Penyusutan = Ada.
2.
If Nilai Susunan Penyimpanan = SB and Nilai Tempat Penyimpanan = LK then status Penyusutan = Ada.
3.
If Nilai Susunan Penyimpanan = SB and Nilai Tempat Penyimpanan = LL then status Penyusutan = Tidak.
4.
If Nilai Susunan Penyimpanan = SB and Nilai Tempat Penyimpanan = LP and Nilai Gancu = PG then status Penyusutan = Ada.
5.
If Nilai Susunan Penyimpanan = SB and Nilai Tempat Penyimpanan = LP and Nilai Gancu = TG then status Penyusutan = Tidak. Berdasarkan gambar 8, diperoleh hasil sebagai berikut:
1.
Untuk penyusutan volume pupuk pada gudang penyimpanan dengan nilai tidak ada penyusutan. a.
Susunan Penyimpanan SB dan tempat penyimpanan LL. Susunan
SB
Tempat
LL
Tidak
Gambar 9 Pohon Keputusan kelayakan Tempat Penyimpanan
Untuk klasifikasi penyusutan pada gambar 9 ini tidak perlu lagi mencek penyusutan yang ada, karena penyusutan tersebut akan dinyatakan tidak jika susunan penyimpanan = SB dan tempat penyimpanan LL. Dengan kata lain apapun jenis penyusutannya. Jika kedua syarat tersebut sudah terpenuhi maka akan dinyatakan tidak ada penyusutan. b.
Susunan Penyimpanan = SB, tempat penyimpanan = LP, jenis alat bantu gancu = TG. Susunan
SB
Tempat
LL
Gancu
TG
Tidak
Gambar 10 Pohon Keputusan kelayakan Alat Gancu Untuk penyusutan klasifikasi pada gambar 10, dilihat dari alat bantunya, jika jenis alat bantu atau gancu = TG, maka akan dinyatakan tidak ada penyusutan, sedangkan jenis alat bantu PG tetap dinyatakan ada penyusutan. 2.
Untuk penyusutan yang tidak ada berdasarkan pohon keputusan dengan algoritma C4.5 tenyata terdapat 3 kondisi penyusutan yang bisa dijelaskan pada gambar 11. a.
Untuk adanya penyusutan, susunan penyimpanan = SP. Susunan
SP
Ada
Gambar 11 Pohon Keputusan Ada Penyusutan Dengan SP
Root pertama yang dibuat dari pohon keputusan yaitu susunan penyimpanan, apabila susunan penyimpanan = SP maka penyusutan dinyatakan ada. b.
Untuk penyusutan, jika susunan = SB dan tempat penyimpanan = LK. Susunan
SB
Tempat
LK
Ada
Gambar 12 Pohon Keputusan Ada Penyusutan dengan LK Dalam klasifikasi penyusutan jenis pada gambar 12, penyusutan ada
karena
memiliki susunan = tetap tempat penyimpanan = LK. c.
Untuk ada penyusutan, jika susunan penyimpanan = SB, tempat penyimpanan = LP, alat bantun gancu = PG Susunan
SB
Tempat
LK
Gancu
PG
Ada
Gambar 12 Pohon Keputusan Penyususutan Ada dengan PG Sama halnya dengan klasifikasi susunan SB dan tempat penyimpanan LP, dan alat bantu gancu PG. Hal ini menyebabkan penyusutan volume pupuk ada. Penyusutan dengan
klasifikasi ada berikutnya adalah penyusutan yang susunan penyimpanan SB, tempat penyimpanan LP, mengunakan alat bantu gancu PG yang menyebabkan ada penyusutan. Berdasarkan gambar 12, dengan 14 data yang dimasukan, dapat dijelaskan bahwa penilaian penyusutan volume pupuk di gudang berdasarkan klasifikasi dengan algoritma C4.5, nilai output penyusutan volume pupuk yang diperoleh secara manual sama besarnya dengan nilai output yang ditargetkan. Melihat hasil pengujian yang sudah dilakukan yaitu pengujian secara menual dan pengujian dengan software Rapidminer, maka dapat disimpulkan bahwa hasil pegujian yang dilakukan sangat baik karena rule yang dihasilkan hampir sama. Secara umum rule yang dihasilkan dapat dilihat bahwa penyimpanan pupuk yang baik, bila susunan penyimpanan = SB dan tempat penyimpanan = LL maka tidak terjadi penyusutan. Serta bila susunan penyimpanan = SB dan tempat penyimpanan = LP, Gancu = TG maka tidak terjadi penyusutan. Dari hasil pengolahan dengan Performance Vector atau binominal Classification Performance didapatkan nilai Performance Vector level AUC sebesar 0,969 yang menurut Surjeet (2012) tergolong Excellent Classification.
IV. Simpulan Dari uraian yang sudah dibahas sebelumnya dapat ditarik simpulan : 1. Algoritma C4.5 dengan metode pohon keputusan dapat memberikan informasi eksekutif dan
sistem
digunakan
untuk
mengambarkan
proses
yang
terkait
dengan
pengklasifikasian penyusutan volume pupuk pada Gudang Persediaan Pupuk (GPP) PT. Pusri Kota Solok 2. Algoritma C4.5 diangap sebagai algoritma yang sangat membantu dalam melakukan klasifikasi data karena karakteristik data yang diklasifikasikan dapat diperoleh dengan jelas, baik dalam bentuk struktur pohon keputusan (decision tree) maupun aturan atau rule-if-then, sehingga memudahkan pengguna dalam melakukan penggalian informasi terhadap data yang bersangkutan. 3. Hasil perhitungan Algoritma C4.5 mengunakan Rapidminer dalam pengolahan data penyusutan volume pupuk sama dengan perhitungan manual.
V. Daftar Kepustakaan
Dennis, et al. (2013). Belajar Data Mining dengan Rapid Miner. Jakarta; UI Press. Hadiguna, Rika Ampuh & Setiawan, Heri. (2008). Tata Letak Pabrik. Yogyakarta: Andi Publisher. Santosa, B. (2007). Data Mining : Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta; Graha Ilmu. Sunjana. (2010). Form Data Mining to Knowledge Discovery in Databases. Yogyakarta: Andi Publisher. Surjeet. (2012). Data Mining A Prediction for Performance Improvement of Engineeing Students using Classification. World of computer Science and Information Technology Jurnal (WCSIT),Vol. 2 No.2. 51-56. Xindong. (2008). Top 10 Algoritma In Data Mining. Knowledge Information System, Vol. 10, No. 7.
