STUDI KELAYAKAN PEMBUKAAN CABANG BARU BISNIS USAHA MENGGUNAKAN MODEL PREDIKTIF

Seminar Nasional Ilmu Komputer (SNIK 2014)- Semarang, 11 Oktober 2014

STUDI KELAYAKAN PEMBUKAAN CABANG BARU BISNIS USAHA MENGGUNAKAN MODEL PREDIKTIF Warnia Nengsih Prodi Sistem Informasi, Jurusan Komputer Politeknik Caltex Riau Jl. Umbansari No1 Rumbai Pekanbaru Riau 28265 Email: [email protected] ABSTRAK Pembukaan cabang baru merupakan salah satu bagian perwujudan ekspansi sebuah bisnis usaha. Tentunya pemilik usaha harus mempersiapkan dan mempertimbangkan parameter-parameter yang berpengaruh terhadap kelayakan, sehingga tujuan pembukaan cabang baru sesuai dengan konsep awal yang sudah didefinisikan. Kurangnya persiapan dan pertimbangan yang baik menyebabkan pembukaan cabang baru menjadi sebuah bumerang bagi pemilik usaha. Untuk mengatasi hal tersebut perlu adanya analisa studi kelayakan pembukaan cabang baru sebuah bisnis. Penelitian ini menggunakan teknik decision tree kombinasi naive bayes classification. Teknik ini merupakan bagian dari teknik klasifikasi dengan permodelan prediktif yang membantu memberikan pengetahuan layak atau tidak layaknya pembukaan cabang baru . Sehingga dengan kombinasi dua teknik tersebut terdapat perbedaan hasil data aktual dengan pengolahan menggunakan naive bayes dan decision tree pada kriteria x3 ,x4,x13 dan x18 dengan nilai akurasi data sebesar 80% . Sementara hasil pengolahan naive bayes dan decision tree memberikan hasil rekomendasi yang sama untuk kriteria x1-x20 dengan nilai akurasi 100%. Keywords: Decision tree, naive bayes classification, kelayakan bisnis I.

PENDAHULUAN

1.1 Latar Belakang Konsep ekspansi usaha merupakan konsep investasi, dan itu berarti setiap investasi yang dilakukan seyogyanya bisa memberikan tingkat pengembalian yang lebih besar dan tentunya memberikan nilai –nilai yang bagus dari usaha bisnis yang sedang dikembangkan. Agar tidak terjadi efek-efek negatif yang akan menimbulkan kerugian dikemudian hari pada bisnis usaha, perlu adanya sebuah kajian yang dalam terhadap pembukaan cabang baru yang akan dibuka pada suatu wilayah atau lokasi. Pembukaan cabang baru pada sebuah wilayah atau lokasi tersebut harus memperhatikan kondisi internal dari bisnis usaha serta kondisi eksternal termasuk kondisi wilayah atau lokasi pembukaan cabang baru. Penelitian menggunakan teknik decision tree kombinasi naive bayes classification . Teknik ini merupakan bagian dari teknik klasifikasi dengan permodelan prediktif. Dalam penelitian ini membandingkan prediksi kelayakan yang dari masing- masing teknik sehingga diperoleh rekomendasi tingkat layak atau tidak layak untuk pembukaan cabang baru, serta variabel dominan yang berpengaruh pada kelayakan pembukaan cabang baru. Sehingga dapat dijadikan sebagai acuan dan pertimbangan bagi pemilik usaha bisnis dalam hal

1

Seminar Nasional Ilmu Komputer (SNIK 2014)- Semarang, 11 Oktober 2014

perencanaan dan perluasan usaha pembukaan cabang baru usaha bisnis. Selanjutnya data yang diperoleh akan diuji untuk mengukur akurasi hasil dari kedua teknik, dengan membandingkan data survey dari dua bisnis usaha yang dijadikan sebagai objek penelitian.

1.2 Tujuan Penelitian Mengetahui tingkat kelayakan pembukaan cabang baru

sebuah bisnis usaha pada suatu wilayah serta

mengetahui variabel –variabel yang paling berpengaruh dalam menentukan kelayakan pembukaan cabang baru pada suatu wilayah . Sehingga dengan mengetahui variabel- variabel yang dominan maka dapat dijadikan landasan dalam mengambil kebijakan –kebijakan yang berhubungan dengan pengembangan bisnis usaha. 1.3 Review Penelitian terdahulu “Analisa Kelayakan Pendirian Kantor Cabang Pembantu (Studi Kasus BRI Kab Sawahlunto)”. Mochamad Taufik, Institut Pertanian Bogor. Objek penelitian adalah BRI .Analisis Kelayakan teknis perbankan (commercial profitability) disajikan mengenai perkembangan dana, proyeksi dana , pangsa pasar di wilayah yang bersangkutan. Analisis pinjaman atau kredit disajikan mengenai proyeksi pinjaman di wilayah dan KCP yang bersangkutan. Analisis pendapatan menyangkut pendapatan yang berasal dari pinjaman dan pendapatan lainnya. II.

Metodologi Penelitian

Konsep dari sebuah kelayakan merupakan kajian yang mendalam untuk menentukan apakah sebuah kegiatan akan memberikan nilai lebih atau seberapa besar manfaat yang dihasilkan dari besarnya pengeluaran . Studi kelayakan bisnis adalah suatu kegiatan yang mempelajari secara mendalam tentang kegiatan atau usaha atau bisnis yang akan dijalankan, dalam rangka menentukan layak atau tidak usaha tersebut dijalankan (Kasmir dan Jakfar, 2003). 2.1 Teknik Decision Tree Pohon keputusan merupakan bagian dari teknik klasifikasi. Sebagai bagian dari konsep supervised maka untuk memprediksi prilaku sebuah data berdasarkan pembelajaran dari perilaku data yang lama. Selain melakukan prediksi, eksplorasi data decision tree juga melakukan kajian hubungan variabel berpengaruh dengan variabel yang terpengaruh. Proses dalam pohon keputusan yaitu mengubah bentuk data (tabel) menjadi model pohon (tree) kemudian mengubah model pohon tersebut menjadi aturan (rule) (J R Quinlan, 1993). Berikut formula umum dari decision tree : Entropy(S) = -p+log2p+-p-log2pEntropy S = ruang (data) sample yang digunakan untuk training. P+ = jumlah yang bersolusi positif (mendukung) pada data sample untuk kriteria tertentu. P- = jumlah yang bersolusi negatif (tidak mendukung) pada data sample untuk kriteria tertentu.

2

(1)

Seminar Nasional Ilmu Komputer (SNIK 2014)- Semarang, 11 Oktober 2014

Entropy(S)= jumlah bit yang diperkirakan dibutuhkan untuk dapat mengekstrak suatu kelas (+ atau -) dari sejumlah data acak pada ruang sample S. Dimana p1, p2, ...., pn masing-masing menyatakan proposi kelas 1, kelas 2, ..., kelas n dalam output. 2.2 Algoritma Naive Bayes Classification Naïve Bayes merupakan pengklasifikasian dengan memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya Setiap baris mempunyai label kelas ci Є {c1,c2,…,ck} sebagai nilai variabel kelas C. Rumus naive bayes:

(2) p(I=ij|C=ci ) : peluang interval i ke-j untuk kelas ci p(C=ci|I=ij) : peluang kelas ci pada interval i ke-j p(I=ij) : peluang sebuah interval ke-j pada semua interval yang terbentuk p(C=ci ) : peluang sebuah kelas ke-i untuk semua kelas yang ada di dataset III. PERANCANGAN SISTEM Berikut merupakan proses pengolahan data dengan menggunakan paramete yang berpengaruh. Data training survey penentuan studi kelayakan pembukaan cabang baru dengan 20 data training dan 6 variabel yang mempengaruhi kelayakan pembukaan cabang baru bisnis usaha, sebagai berikut : Statistik Permintaan (SP),Pangsa Bisnis (PB), Lokasi Usaha Baru(LU),Aspek Lingkungan (AL), Kesiapan Pengelolaan (KP) dan Aspek Financial (AF). D a ta , V a rib a e l yang sudah d ir u m u s k a n

P e n g o la h a n d a ta (N a i v e B ayes & d e c i s i o n tr e e )

H a s i l a n a l is a

P en g u jian d en g a n m enggunakan C r o s s V a li d a t io n

O u tp u t a k h r : L a y a k /t i d a k l a y a k p e m b u ka an ca ba n g b aru V a ri a b e l d o m i n a n t e r h a d a p k elay ak an p e m b u k a an cab an g b aru

3

Seminar Nasional Ilmu Komputer (SNIK 2014)- Semarang, 11 Oktober 2014

Gambar 1. Rancangan sistem secara umum

Gambar 1 menjelaskan tentang prosedur pengolahan data ,data mentah dan indikator variabel yang sudah dirumuskan dari hasil studi kasus selanjutnya dilakukan pengolahan data dengan menggunakan teknik decision tree dan naive bayes classfication. Hasil dari pengolahan data kemudian dilakukan pengujian dengan menggunakan cross validation. Output akhir berupa indikator layak atau tidak layak untuk pembukaan cabang baru serta variabel dominan terhadap kelayakan pembukaan cabang baru . Hasil analisa ini bisa dijadikan sebagai acuan bagi pemilik usaha bisnis untuk melakukan ekspansi usaha berikutnya. Metode kedua menggunakan decision tree yang merupakan bagian dari teknik classsification. Decision tree lebih kearah model prediktif sehingga hasil pengolahan metode pertama (naive bayes) akan dibandingkan dengan hasil pengolahan decisiomn tree . Gambar 2 menunjukkan blok Digram decision tree Start

Data survey &

Decision Tree Method

Output: Layak atau tidak layak pembukaan

Stop Gambar 2. Blok Diagram decision tree

IV.

PEMBAHASAN DAN HASIL

Terdapat 6 parameter

yang digunakan sebagai indikator penentuan layak atau tidak pembukaan cabang

berikutnya dari sebuah bisnis usaha dengan rincian x (6 paramater) diantaranya :Statistik permintaan pasar (SP), Pangsa Bisnis (PB),Lokasi Usaha Baru (LU),Aspek Lingkungan (AL), Kesiapan Pengelolaan (KP), Aspek Financial (AF) dan y (2) dengan keterangan layak (+ )atau tidak layak (-) pembukaan cabang bisnis usaha. Penelitian ini menggunakan naive bayesian method untuk menentukan variabel output pembukaan cabang baru. Tabel 1 Probabilitas dataset

4

Seminar Nasional Ilmu Komputer (SNIK 2014)- Semarang, 11 Oktober 2014

X

Dataset

Rendah Biasa Statistik permintaan pasar (SP) Tinggi

Lokal Pangsa Bisnis(PB) Nasional Sangat Strategis Lokasi Usaha Baru(LU)

Strategis Tidak Strategis Biasa

Aspek Lingkungan(AL)

Sepi Padat Sangat Siap

Kesiapan Pengelolaan(KP) Tidak Siap Sangat Bagus Aspek Financial(AF)

Bagus Tidak Bagus

Y

Probabilitas (Xn| Cn)

Layak

0.22

Tidak Layak

0.64

Layak

0.22

Tidak Layak

0.27

Layak

0.56

Tidak Layak

0.09

Tidak Layak Layak

0.44

Tidak Layak

0.55

Layak

0.56

Tidak Layak

0.45

Layak

0.44

Tidak Layak

0.27

Layak

0.33

Tidak Layak

0.36

Layak

0.11

Tidak Layak

0.36

Layak

0.44

Tidak Layak Layak

0.27 0.11

Tidak Layak

0.45

Layak

0.44

Tidak Layak

0.27

Layak

0.22

Tidak Layak

0.73

Layak

0.78

Tidak Layak

0.18

Layak

0.22

Tidak Layak

0.36

Layak

0.44

Tidak Layak

0.36

Layak

0.33

Tidak Layak

0.27

Tabel 1 menunjukkan nilai probabilitas dataset terhadap y

dengan nilai masing-masing tertera pada

tabel.Selanjutnya lakukan perbandingan nilai probabilitas untuk y1 dan y2 untuk melihat hasil rekomendasi kelayakan. Pada decision tree juga menggunakan 6 parameter yang sama , digunakan sebagai indikator penentuan layak atau tidak pembukaan cabang berikutnya. Data survey diolah terlebih dahulu dengan menentukan root

5

Seminar Nasional Ilmu Komputer (SNIK 2014)- Semarang, 11 Oktober 2014

parameter terhadap output layak atau tidak layak.Data tersebut diubah menjadi tree untuk diketahui rule yang terbentuk sehingga diperoleh tree jika node leafnya Pangsa Bisnis (PB) maka hasilnya : Kesiapan Pengelolaan (KP) Tidak siap

sangat siap

4(+)

1(-)

5(+)

2(-)

7(+)

3(-)

11(+)

6(-)

12(+)

8(-)

17(+)

9(+)

18(+)

10(-)

19(+)

13(+)

20(+)

14(-) 15(-) 16(-)

Pada tree tersebut diperoleh 11 kriteria menyatakan layak dan 9 kriteria menyatakan tidak layak untuk pembukaan cabang baru sebuah bisnis usaha. Hal ini terlihat seperti pada gambar 3 di bawah.

Gambar 3. Hasil pengolahan decision tree

Dari penelitian yang dilakukan diperoleh hasil studi kelayakan pembukaan cabang baru pada bisnis usaha dengan melihat pada tabel 2 terdapat perbandingan hasil data aktual , data rekomendasi dari pengolahan naive bayes dan rekomendasi hasil pengolahan dengan menggunakan decision tree. Tabel 2 Perbandingan data aktual, hasil naive bayes dan decision tree

6

Seminar Nasional Ilmu Komputer (SNIK 2014)- Semarang, 11 Oktober 2014

Data Aktual

Data Naive Bayes

Decision tree

X1

Tidak Layak

Tidak Layak

Tidak Layak

X2

Tidak Layak

Tidak Layak

Tidak Layak

X3

Layak

Tidak Layak

Tidak Layak

X4

Tidak Layak

Layak

Layak

X5

Layak

Layak

Layak

X6

Tidak Layak

Tidak Layak

Tidak Layak

X7

Layak

Layak

Layak

X8

Tidak Layak

Tidak Layak

Tidak Layak

X9

Layak

Layak

Layak

X10

Tidak Layak

Tidak Layak

Tidak Layak

X11

Layak

Layak

Layak

X12

Layak

Layak

Layak

X13

Tidak Layak

Layak

Layak

X14

Tidak Layak

Tidak Layak

Tidak Layak

X15

Tidak Layak

Tidak Layak

Tidak Layak

X16

Tidak Layak

Tidak Layak

Tidak Layak

X17

Layak

Layak

Layak

X18

Tidak Layak

Layak

Layak

X19

Layak

Layak

Layak

X20

Layak

Layak

Layak

Terdapat perbedaan hasil data aktual dengan pengolahan menggunakan naive bayes dan decision tree pada kriteria x3 ,x4,x13 dan x18 dengan nilai akurasi data sebesar 80% . Sementara hasil pengolahan naive bayes dan decision tree memberikan hasil rekomendasi yang sama untuk kriteria x1-x20 dengan nilai akurasi 100%. V.

KESIMPULAN

Berikut merupakan simpulan yang diperoleh dari penelitian yang ssudah dilakukan bahwa perlu adanya analisa studi kelayakan pembukaan cabang baru sebuah bisnis . Analisa kelayakan menggunakan naive bayes dan decision tree sehingga diperoleh terdapat perbedaan hasil data aktual dengan pengolahan menggunakan naive bayes dan decision tree pada kriteria x3 ,x4,x13 dan x18 dengan nilai akurasi data sebesar 80% . Sementara hasil pengolahan naive bayes dan decision tree memberikan hasil rekomendasi yang sama untuk kriteria x1-x20 dengan nilai akurasi 100%.

7

Seminar Nasional Ilmu Komputer (SNIK 2014)- Semarang, 11 Oktober 2014

DAFTAR PUSTAKA [1] Dadjim Sinaga, Studi Kelayakan Bisnis Dalam Ekonomi Global, Edisi Asli, Penerbit Mitra Wacana Media, Jakarta, 2008. [2]Husein Umar, Studi Kelayakan Bisnis, Edisi Kedua, Penerbit PT Gramedia Pustaka Utama, Jakarta, 2003. [3]Kasmir dan Jakfar, Studi Kelayakan Bisnis, Edisi Kedua, Penerbit Kencana Prenada

Media Group,

Jakarta, 2010. [4]Suad Husnan dan Suwarsono Muhammad, Studi Kelayakan Proyek, Edisi Keempat,

Penerbit UPP

AMP YKPN, Yogyakarta, 2005. [5]

Http://wartawarga.gunadarma.ac.id/2013/06/jurnal-studi-kelayakan-usaha-penganggaran-modal-pada-

pembukaan-cabang-baru-dealer-chanel-multi-wijoyo-motor/ [6] David W. Craven S., Strategic Marketing, Richard D. Irwin, Inc. Toppan Company Ltd. Tokyo Japan, 1993. [7] Suad Husnan dan Suwarsono, Studi Kelayakan Proyek: Konsep, Teknik, dan Penyusunan Laporan, UPP AMP YKPN, Yogyakarta, 1994. [8] Jurnal ilmiahILMIAH Volume II1 No.2, 2011 Amri. Studi Kelayakan Bisnis dalam Investasi Cabang Baru Toko Suwandi Elektronik Pangkal Pinang [9] Feri Sulianta, Dominikus Juju, Data Mining Meramalkan BisnisPerusahaan, Jakarta : Elex Media,2010. [10] Kusrini, Emha Taufiq Luthfi, Algoritma Data Mining,Yogyakarta : ANDI,2009. [11] Ian H. Witten, Frank Eibe, Mark A. Hall, Data mining: Practical Machine Learning Tools and Techniques 3rd Edition, Elsevier, 2011. [12] Daniel T. Larose, Discovering Knowledge in Data: an Introduction to Data Mining, John Wiley & Sons, 2005. [13]Florin Gorunescu, Data Mining: Concepts, Models and Techniques, Springer, 2011 . [14]Jiawei Han and Micheline Kamber, Data Mining: Concepts and Techniques Second Edition, Elsevier, 2006. [15]Oded Maimon and Lior Rokach, Data Mining and Knowledge Discovery Handbook Second Edition, Springer, 2010 [16] “Analisa Kelayakan Pendirian Kantor Cabang Pembantu (Studi Kasus BRI Kab Sawahlunto)”. Mochamad Taufik, Institut Pertanian Bogor. [17] Warren Liao and Evangelos Triantaphyllou (eds.), Recent Advances in Data Mining of Enterprise Data: Algorithms and Applications, World Scientific, 2007 .

8