Ragam Jogja
merupakan salah satu online shop yang berdomisili di Jogja. Barang yang dijual
antara lain adalah Batik, tas-tas kerajinan khas Yogyakarta, sarung bantal
kursi khas Jogja, jilbab, dan lain-lain. Distribusi Ragam Jogja meliputi
seluruh wilayah Indonesia bahkan luar negeri. Pada saat ini, online shop Ragam
Jogja melakukan pemenuhan stok barang atau produk dan melakukan pencatatan
transaksi secara manual. Jumlah permintaan dari konsumen yang fluktuatif
mengakibatkan stok yang harus disiapkan Ragam Jogja menjadi tidak stabil.
Selain itu produk yang beragam dan banyak jenisnya menjadikan manajemen stok
yang dilakukan menjadi tidak akurat. Kadang karena tidak ingin terjadi
kekurangan stok barang atau produk tertentu pada saat permintaan konsumen dalam
jumlah besar, maka perusahaan mengambil langkah yaitu melakukan pemesanan
barang produk tertentu lebih besar daripada sebelumnya. Hal ini dapat mengatasi
kekurangan persediaan stok produk tertentu dan online shop juga tidak perlu
melakukan pemesanan berulang-ulang ke pengrajin, tetapi mengakibatkan biaya
simpan yang tinggi dan tidak ekonomis. Selain itu manajemen stok yang tidak
akurat juga mengakibatkan sering terjadi kekurangan atau kelebihan produk
tertentu yang akhirnya akan mengecewakan konsumen. Permasalahan yang terjadi
pada online shop tersebut disebabkan karena online shop mengalami kesulitan
dalam menentukan stok minimum tiap barang yang harus dipenuhi berdasarkan minat
konsumen. Untuk dapat mengatasi permasalahan yang terjadi, maka online shop
membutuhkan suatu metode dan sistem perencanaan stok barang yang lebih baik
sehingga dapat menentukan produk mana yang harus di stok banyak, sedang atau
bahkan sedikit agar online shop tidak lagi mengalami kekurangan atau bahkan
kelebihan dalam pemenuhan stok produk tertentu. Penentuan jumlah stok produk
yang kurang akurat karena harus berdasarkan pengetahuan dari jumlah data
transaksi penjualan yang besar (Setiawan, 2011). Karena hal itu untuk
mendapatkan pengetahuan tersebut maka diperlukan suatu proses pengolahan data
historis transaksi besar diperlukan suatu teknik data mining. Teknik data
mining yang akan digunakan pada penelitian ini adalah metode K-Means dan
software yang digunakan sebagai pendukung pengolahan data adalah Rapid Miner.
Tahapan
KDD yang digunakan yaitu:
1. Tahap Selection dan Addition.
Data historis diambil dari data transaksi penjualan
online shop RAGAM JOGJA dari bulan Januari 2011 – Mei 2012. Penelitian ini
memfokuskan pada produk kategori Batik yang akan dikelompokkan dengan kriteria
tertentuTahap
2. Preprocessing dan Data Cleansing.
Preprocessing data pada tahap ini adalah mengambil
148 data sampel dari data transaksi penjualan menggunakan software SPSS dengan
metode Simple Random Sampling.
3. Tahap Transformation.
Proses
transformasi data dengan cara merubah kode produk yang terjual sebagai atribut
lama dengan kode produk baru untuk memudahkan pemrosesan data sehingga
didapatkan kode baru untuk produk dan beberapa atribut lain yang tidak
digunakan dihilangkan. Atribut yang digunakan dalam penelitian adalah kode
produk, jumlah transaksi, volume penjualan dan rata-rata penjualan.
4. Clustering
Tipe Data Mining yang digunakan dalam penelitian ini
adalah clustering untuk pengelompokan produk untuk penentuan stok produk dengan
jumlah banyak untuk produk paling diminati, jumlah sedang untuk produk diminati
dan jumlah sedikit untuk produk kurang diminati.
5. Tahap Data Mining memilih algoritma data mining.
Metode yang digunakan dalam penelitian adalah metode
K-Means yang mengkluster produk menjadi tiga kelompok yaitu kelompok pertama
produk untuk stok banyak, kelompok kedua produk untuk stok sedang dan kelompok
ketiga produk untuk stok sedikit berdasarkan peminatan terhadap produk. Pada
Tahap Data Mining dalam penggunaan algoritma data mining. Pada tahap ini dilakukan
implementasi dari algoritma data mining yang telah ditentukan pada tahap
sebelumnya.
6. Tahap Evaluation.
Pada tahap ini dilakukan evaluasi terhadap sampel
data yang dihasilkan mengenai penentuan stok produk untuk jumlah banyak, sedang
atau sedikit. Dari hasil pengolahan data tersebut kemudian dihitung
perbandingan antara jumlah produk yang dianggap relevan dan tidak relevan
dengan jumlah stok produk yang banyak, sedang atau sedikit dengan menggunakan
metode Precision dan Recall. Untuk selanjutnya proses analisis data, akan
dihitung tingkat akurasi dengan menggunakan rumus F1, sehingga akan diketahui
jumlah akurasi dari sistem tersebut.
Alogoritma
Metode K-Means
Metode K-Means merupakan salah satu metode dalam
fungsi clustering atau pengelompokan. Clustering mengacu pada pengelompokkan
data, observasi atau kasus berdasar kemiripan objek yang diteliti. Sebuah
cluster adalah suatu kumpulan data yang mirip dengan lainnya atau
ketidakmiripan data pada kelompok lain (Larose, 2005). Clustering dijelaskan
oleh (Xu & Wunsch II, 2009) diartikan dengan membagi objek data (bentuk,
entitas, contoh, ketaatan, unit) ke dalam beberapa jumlah kelompok (grup,
bagian atau kategori). Sedangkan tujuan proses clustering dijelaskan oleh
Agusta (2007) yaitu untuk meminimalkan terjadinya objective function yang diset
dalam proses clustering, yang pada umumnya digunakan untuk meminimalisasikan
variasi dalam suatu cluster dan memaksimalkan variasi antar cluster.
Algoritma metode K-Means menurut
Agusta (2007) adalah sebagai berikut
:
1. Tentukan jumlah cluster
2. Alokasikan data sesuai dengan jumlah cluster yang
telah ditentukan
3. Hitung nilai centroid pada tiap-tiap cluster
4. Alokasikan masing-masing data ke centroid
terdekat
5. Kembali ke step 3, apabila masih terdapat
perpindahan data dari satu cluster ke cluster
lainnya, atau apabila perubahan pada nilai centroid masih di atas nilai
threshold yang ditentukan, atau apabila perubahan pada nilai objective function
masih di atas nilai threshold yang ditentukan.
Sumber :
http://ejournal.bsi.ac.id/ejurnal/index.php/Bianglala/article/view/570
Tidak ada komentar:
Posting Komentar