Data Mining

49
 PREDIKSI PERSEDIAAN BAHAN BAKU MEBEL MENGGUNAKAN METODE BAYES PADA TOKO SIDO MAKMUR SKRIPSI Diajukan Sebagai Salah Satu Syarat Untuk Menyelesaikan Jenjang Strata Satu pada STMIK BANJARBARU OLEH : IMAM HUDORI 3101 0702 0717 PROGRAM STUDI TEKNIK INFORMATIKA SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER BANJARBARU (STMIK BANJARBARU) BANJARMASIN 2011

Transcript of Data Mining

Page 1: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 1/49

 

PREDIKSI PERSEDIAAN BAHAN BAKU MEBEL

MENGGUNAKAN METODE BAYES

PADA TOKO SIDO MAKMUR

SKRIPSI

Diajukan Sebagai Salah Satu Syarat Untuk Menyelesaikan

Jenjang Strata Satu pada STMIK BANJARBARU

OLEH :

IMAM HUDORI3101 0702 0717

PROGRAM STUDI TEKNIK INFORMATIKA

SEKOLAH TINGGI MANAJEMEN INFORMATIKA

DAN KOMPUTER BANJARBARU

(STMIK BANJARBARU)

BANJARMASIN

2011

Page 2: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 2/49

 

ii

PROGRAM STUDI TEKNIK INFORMATIKA

SEKOLAH TINGGI MANAJEMEN INFORMATIKA & KOMPUTER

BANJARBARU

(STMIK BANJARBARU)

PERSETUJUAN SKRIPSI

Nama : IMAM HUDORI

NIM : 3101 0702 0717

Program Studi : TEKNIK INFORMATIKA

Judul Skripsi :PREDIKSI PERSEDIAAN BAHAN BAKU MEBEL

MENGGUNAKAN METODE  BAYES PADA TOKO SIDO

MAKMUR

Telah disetujui untuk disidangkan pada Sidang Skripsi Program Studi Teknik 

Informatika Sekolah Tinggi Manajemen Informatika & Komputer Banjarbaru

(STMIK BANJARBARU).

Banjarmasin,23 April 2011

Pembimbing Utama

Dra. Hj. Ruliah S, M.Kom

Mengetahui :

Ketua Jurusan

Teknik Informatika

Ir. Yulia Yudihartanti, M.Kom

Page 3: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 3/49

 

iii

ABSTRAK

Prediksi Persediaan Bahan Baku Mebel Menggunakan Metode Bayes

 pada Toko Sido Makmur; di bawah bimbingan Dra. Hj. Ruliah S, M.Kom

 Imam Hudori

3101 0702 0717

Mebel atau furnitur adalah kata benda massa yang mencakup semua barang

seperti kursi, meja, dan lemari. Dalam kata lain, mebel atau  furnitur adalah semua

benda yang ada di rumah dan digunakan oleh penghuninya untuk duduk, berbaring,

ataupun memuati benda kecil seperti pakaian atau cangkir. Mebel terbuat dari kayu,

papan, kulit, sekrup, dll.

Perkembangan yang begitu cepat dengan tingkat persaingan yang semakin

berat mengarahkan setiap Industri harus memandang ke depan dalam menentukan

langkahnya dan bagaimana usaha dan cara untuk mencapainya. Oleh sebab itu,

Strategi penjualan merupakan hal yang sangat penting dalam bisnis untuk dapat

meningkatkan nilai penjualan. Salah satunya ialah dibutuhkan suatu ketersediaan

bahan baku yang cukup untuk bisa men-supplay banyaknya minat konsumen yang

ingin membeli produk tersebut.

Mencermati kondisi yang terjadi pada industri mebel Sido Makmur selama

ini, masih terdapat masalah dalam penyetokan bahan baku yang berupa kayu.

Diantaranya adalah masih sering terjadi kehabisan bahan baku sebelum waktu yang

sudah ditentukan yaitu selama satu tahun. Hal ini memunculkan kemungkinan

pembeli barang (konsumen) kecewa bahkan beralih ke mebel lainnya, dikarenakan

ketersediaan bahan baku yang inginkan sudah habis. Melihat situasi yang kerap

terjadi tersebut, dibutuhkannya suatu penafsiran dalam pembelian stok bahan baku

dalam jangka waktu yang sudah ditentukan.

Metode  Bayes dapat diartikan sebagai teknik yang digunakan untuk melakukan analisis dalam pengambilan keputusan terbaik dari sejumlah alternatif 

untuk penilaian langsung dan seragam. Metode  Bayes merupakan hal dasar yang

sangat perlu dipelajari terutama dalam lingkup yang berkaitan dengan Penafsiran

selain itu juga Metode  Bayes merupakan komponen dasar yang digunakan dalam

implementasi pembuatan perangkat lunak yang terdapat dalam sistem operasi.

Dalam penelitian ini akan menguji keakuratan dari Metode  Bayes dalam

penyetokan bahan baku mebel, adapun cara pengujian nya adalah dengan

membandingkan antara tingkat keakuratan antara proses perhitungan manual dengan

proses perhitungan menggunakan metode Bayes.

Page 4: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 4/49

 

iv

ABSTRACT

Furniture Raw Materials Inventory Prediction Using Bayesian Methods

in Stores Sido Makmur; under the guidance of  Dra. Hj. Ruliah S, M. Kom

Imam Hudori

3101 0702 0717

Furniture or furniture is a mass noun which includes all the items like chairs,

tables, and cabinets. In other words, the furniture or the furniture is all things in the

house and used by the occupants to sit, lie down, or loading up small objects such as

clothes or cups. Furniture made of wood, boards, leather, screws, etc.

The development is so fast with a severe level of competition is increasingly

directing every industry must look forward in determining the pace and how the

business and how to achieve it. Therefore, the sales strategy is very important in

business to increase sales value. One is a need for a sufficient availability of raw

materials to be able to supplay much interest consumers who want to buy the

product.

Observing conditions that occur in the furniture industry Sido Makmur far,

there are still problems in stocking raw materials in the form of wood. Among them

is still often run out of raw material before the time specified is for one year. This

raises the possibility of a buyer of goods (consumer) disappointed even switch to

other furniture, in because of the availability of raw materials like finished. Looking

at the situation that often happens, the requiring of an interpretation in the purchase

of raw material stocks within a specified time.

Bayes methods can be defined as techniques used to perform the analysis in

decision-making the best of several alternatives to direct and uniform assessment.

Bayes method is a very basic need to be studied primarily in the scope related to

interpretation but it also Bayes methods are the basic components used in themanufacture of software implementations contained in the operating system.

In this study will test the accuracy of Bayesian methods in stocking furniture

raw materials, as for his way of testing is to compare the degree of accuracy between

the manual calculations with the calculations using Bayes methods..

Page 5: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 5/49

 

v

KATA PENGANTAR

Puji dan syukur ke hadirat Allah SWT atas segala rahmat dan karunia-Nya

serta shalawat dan salam kepada nabi Muhammad SAW, sehingga penulis dapat

menyelesaikan tugas akhir dengan judul “Prediksi Persediaan Bahan Baku Mebel

Menggunakan Metode Bayes pada Toko Sido Makmur”.

Pada kesempatan ini penulis banyak mendapatkan bantuan dan dorongan dari

berbagai pihak, untuk itulah penulis ingin mengucapkan terima kasih dan

penghargaan yang sebesar-besarnya khususnya kepada :

1. Orang Tua dan keluarga dari penulis yang telah memberikan dorongan

semangat dan pengertiannya serta doa yang selalu menyertai dalam

menyelesaikan laporan ini.

2. Ibu. Dra. Hj. Ruliah S, M.Kom selaku dosen pembimbing yang memberikan

perhatian serta saran-saran yang sangat membantu penulis.

3. Anak-anak jurusan Tekniki Informatika Angkatan 2007 yang benar-benar

menjadi sahabat terbaik bagi penulis.

Penulis sadar bahwa dalam penulisan laporan ini masih terdapat banyak 

kekurangan, sekalipun telah diupayakan semaksimal mungkin, mengingat

keterbatasan ilmu yang dimiliki penulis. Oleh karena itu, penulis sangat

mengharapkan segala bentuk saran dan kritik yang bersifat konstruktif dari semua

pihak demi penyempurnaan laporan ini. Akhir kata penulis berharap semoga karya

tulis ini bisa memberikan manfaat dan dapat diterima bagi semua kalangan yang

membacanya. Terima Kasih.

Penulis

Page 6: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 6/49

 

vi

DAFTAR ISI

SKRIPSI...................................................................................................................1

PERSETUJUAN SKRIPSI ...................................................................................... ii

ABSTRAK ............................................................................................................. iii

ABSTRACT........................................................................................................... iv

KATA PENGANTAR ..............................................................................................v

DAFTAR ISI .......................................................................................................... vi

DAFTAR TABEL .................................................................................................. ix

DAFTAR GAMBAR................................................................................................x

BAB I PENDAHULUAN .........................................................................................1

1.1. Latar Belakang ...........................................................................................1

1.2. Permasalahan Penelitian .............................................................................2

1.2.1. Identifikasi Masalah ................................................................................2

1.2.2. Ruang Lingkup Masalah..........................................................................2

1.2.3. Rumusan Masalah ...................................................................................2

1.3. Tujuan dan Manfaat Penelitian................................. ............ .......................3

BAB II LANDASAN TEORI DAN KERANGKA PEMIKIRAN .............................4

2.1. Tinjauan Pustaka ........................................................................................4

2.2. Landasan Teori ...........................................................................................5

2.2.1. Pengertian Mebel ....................................................................................5

2.2.2. Metode Bayes..........................................................................................5

Page 7: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 7/49

 

vii

2.3. Kerangka Pemikiran ...................................................................................8

BAB III METODE PENELITIAN............................................................................9

3.1. Analisa Kebutuhan .....................................................................................9

3.1.1. Metode Pengumpulan Sampel ..........................................................9

3.1.2. Metode Pengumpulan Data ............................................................12

3.2. Perancangan Penelitian .............................................................................13

3.2.1. Diagram Konteks ..................................................................................13

3.2.2. Use Case Diagram.................................................................................14

3.2.3. Sequence Diagram ................................................................................14

3.2.4. Activity Diagram...................................................................................15

3.3. Teknik Analisis.........................................................................................16

3.3.1. Perhitungan bahan baku mebel secara manual .......................................16

3.3.2. Perhitungan bahan baku mebel menggunakan Metode Bayes.................20

BAB IV HASIL DAN PEMBAHASAN .................................................................33

4.1. Hasil .........................................................................................................33

4.1.1. Perhitungan Manual ..............................................................................33

4.1.2. Perhitungan Metode Bayes ....................................................................33

4.2. Pembahasan..............................................................................................35

4.3. Implikasi Penelitian ..................................................................................36

BAB V KESIMPULAN DAN SARAN ..................................................................37

5.1. Kesimpulan ..............................................................................................37

Page 8: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 8/49

 

viii

5.2. Saran ........................................................................................................37

DAFTAR PUSTAKA .............................................................................................38

DAFTAR RIWAYAT HIDUP................................................................................39

Page 9: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 9/49

 

ix

DAFTAR TABEL

Tabel 2. 1 Matrik Keputusan.....................................................................................6

Tabel 2. 2. Pay Off Matrix ........................................................................................7

Tabel 3. 1. Contoh Data Transaksi ..........................................................................10

Tabel 3. 2. Contoh Data Stok selama satu tahun......................................................12

Tabel 3. 3. Contoh Data Sisa Stok Selama satu tahun..............................................12

Tabel 3. 4. Transaksi Penjualan...............................................................................16

Tabel 3. 5. Matrik keputusan...................................................................................18

Tabel 3. 6. Transaksi Penjualan...............................................................................21

Tabel 3. 7. Matrik Keputusan..................................................................................28

Tabel 3. 8. Tingkat Kepentingan .............................................................................28

Tabel 3. 9. Bobot Kriteria .......................................................................................29

Tabel 3. 10. Matrik Keputusan................................................................................29

Tabel 3. 11. Matrik Hasil Metode Bayes .................................................................30

Tabel 4. 1. Bahan baku hasil perhitungan manual....................................................33

Tabel 4. 2. Bahan baku dari perhitungan metode Bayes...........................................33

Tabel 4. 3. Sisa stok dari perhitungan manual ........... ............................... ............ ...34

Tabel 4. 4. Sisa stok dari perhitungan Metode Bayes ...............................................34

Tabel 4. 5. Perbandingan Selisih Sisa stok ......................................... .....................34

Tabel 4. 6. Hasil Perbandingan Selisih Sisa stok ................................ ........... ..........35

Tabel 4. 7. Hasil Akurasi Perbandingan Manual dengan Metode Bayes...................35

Page 10: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 10/49

 

x

DAFTAR GAMBAR

Gambar 3. 2 Diagram Konteks................................................................................13

Gambar 3. 3 Use Case Diagram ..............................................................................14

Gambar 3. 4 Sequence Diagram Bayes....................................................................14

Gambar 3. 5 Activity Diagram ................................................................................15

Gambar 4. 1 Hasil Perbandingan Perhitungan Manual dengan Metode Bayes .........36

Page 11: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 11/49

 

1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Mebel secara umum adalah benda pakai yang dapat dipindahkan, berguna

bagi kegiatan hidup manusia mulai dari duduk, tidur, bekerja dan makan, bermain

dan sebagainya yang memberi kenyamanan dan keindahan bagi pemakainya. Mebel

merupakan salah satu produk kayu olahan yang pertumbuhannya amat pesat dalam

beberapa dekade terakhir ini. Toko Sido Makmur merupakan salah satu industri

mebel yang berada di kota pasuruan. Toko Sido Makmur didirikan pada tanggal 12

Mei 2004 dan memproduksi berbagai produk mebel seperti Kursi, Meja, Ranjang,

Lemari, Jendela, Rak, Pintu dan Kusen.

Perkembangan yang begitu cepat dengan tingkat persaingan yang semakin

berat mengarahkan setiap Industri harus memandang ke depan dalam menentukan

langkahnya dan bagaimana usaha dan cara untuk mencapainya. Oleh sebab itu,

Strategi penjualan merupakan hal yang sangat penting dalam bisnis untuk dapat

meningkatkan nilai penjualan. Salah satunya ialah dibutuhkan suatu ketersediaan

bahan baku yang cukup untuk bisa men-supplay banyaknya minat konsumen yang

ingin membeli produk tersebut.

Mencermati kondisi yang terjadi pada industri mebel Sido Makmur selama

ini, masih terdapat masalah dalam penyetokan bahan baku yang berupa kayu.

Diantaranya adalah masih sering terjadi kehabisan bahan baku sebelum waktu yang

sudah ditentukan yaitu selama satu tahun. Hal ini memunculkan kemungkinan

pembeli barang (konsumen) kecewa bahkan beralih ke mebel lainnya, di karenakan

ketersediaan bahan baku yang inginkan sudah habis. Melihat situasi yang kerap

Page 12: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 12/49

 

2

terjadi tersebut, dibutuhkannya suatu penafsiran dalam pembelian stok bahan baku

dalam jangka waktu yang sudah ditentukan. Berdasarkan beberapa keadaan diatas,

penulis tertarik untuk mengangkat kasus ” Prediksi Persediaan Bahan Baku Mebel

Menggunakan Metode Bayes Pada Toko Sido Makmur”.

1.2. Permasalahan Penelitian

1.2.1. Identifikasi Masalah

Berdasarkan Latar belakang uraian di atas, maka identifikasi permasalahan

yang dapat diangkat adalah sering terjadinya kehabisan stok pada jenis bahan baku

tertentu sebelum waktu yang sudah ditentukan.

1.2.2. Ruang Lingkup Masalah

Penelitian dilaksanakan pada PT. Sido Makmur dan akan membahas

mengenai Prediksi Persediaan Bahan Baku Mebel dengan proses perbandingan

Menggunakan perhitungan manual dengan perhitungan melalui Metode Bayes.

1.2.3. Rumusan Masalah

Sesuai dengan identifikasi masalah di atas maka dapat dirumuskan

permasalahannya adalah bagaimana membandingkan perhitungan manual dengan

Metode Bayes pada persediaan bahan baku mebel pada toko sido makmur sehingga

bisa dijadikan acuan untuk pembelian bahan baku pada waktu yang akan datang.

Page 13: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 13/49

 

3

1.3. Tujuan dan Manfaat Penelitian

1.3.1. Tujuan Penelitian

Sesuai dengan latar belakang di atas, maka penelitian ini memiliki tujuan

adalah untuk memperoleh bahan baku harapan yang bisa dijadikan acuan untuk 

Persediaan bahan baku pada mebel sido makmur.

1.3.1. Manfaat Penelitian

Adapun manfaat yang ingin dicapai dari penelitian ini adalah diharapkan

dengan proses perbandingan perhitungan manual dengan Prediksi  Bayes dapat

membantu pihak Industri dalam proses men-Supply Penyetokan bahan baku.

Page 14: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 14/49

 

4

BAB II

LANDASAN TEORI DAN KERANGKA PEMIKIRAN

2.1. Tinjauan Pustaka

 Bayes merupakan algoritma yang memanfaatkan teori probabilitas, yaitu

memprediksi probabilitas di masa depan berdasarkan pengalaman di masa

sebelumnya. Proses yang terdapat pada algoritma ini ada dua tahap, yaitu proses

pelatihan (learning) dan proses klasifikasi. Proses pelatihan akan menghasilkan

model probabilistik yang digunakan didalam proses klasifikasi untuk menentukan

nilai . Pada saat proses klasifikasi, pendekatan  Bayes akan menghasilkan label

kategori yang paling tinggi probabilitasnya (Vmap). Sebagai contoh SISTEM

PENDUKUNG KEPUTUSAN UNTUK KOREKSI SOAL ESAI DALAM SITUS E-

LEARNING MENGGUNAKAN ALGORITMA NAIVE BAYES CLASSIFIER

(Nuzul, 2010).

Menurut (Nuzul, 2010) bagaimana membangun sistem pendukung keputusan

yang mempunyai kemampuan dalam mempermudah mengoreksi soal esai dalam

situs e-learning dan bagaimana menerapkan algoritma Naive Bayes Classifier dalam

mengoreksi teks hasil jawaban soal esai dalam situs e-learning. Pada algoritma Nave

 Bayes Classifier  teks hasil jawaban soal esai di masa sebelumnya akan menjadi

masukkan untuk proses pelatihan yang akan menghasilkan model-model

probabilistik.

Model-model probabilistik yang telah dihasilkan pada proses pelatihan akan

menjadi masukkan untuk proses klasifikasi. Pada proses klasifikasi akan dihasilkan

label kategori yang paling tinggi probabilitasnya (Vmap ) untuk menentukan kategori

dari teks jawaban tersebut. Setelah kategori dari setiap teks jawaban tersebut

Page 15: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 15/49

 

5

diketahui maka dapat dilakukan proses penilaian dari teks jawaban tersebut

berdasarkan kategori yang dihasilkan pada saat proses klasifikasi. Berdasarkan

penelitian dan uji coba yang dilakukan dari jawaban soal esai, menunjukkan bahwa

algoritma  Naive Bayes Classifier  dapat digunakan untuk mengklasifikasikan teks

 jawaban soal esai yang berupa data teks yang tidak terstruktur dengan tingkat akurasi

yang cukup tinggi.

2.2. Landasan Teori

2.2.1. Pengertian Mebel

Mebel atau furnitur adalah kata benda massa yang mencakup semua barang

seperti kursi, meja, dan lemari. Dalam kata lain, mebel atau  furnitur adalah semua

benda yang ada di rumah dan digunakan oleh penghuninya untuk duduk, berbaring,

ataupun memuati benda kecil seperti pakaian atau cangkir. Mebel terbuat dari kayu,

papan, kulit, sekrup, dll (Wikipedia, 2011).

2.2.2. Metode Bayes

Metode  Bayes adalah bagian dari Sistem Penunjang Keputusan Berbasis

Indek Kerja.  Bayes Merupakan teknik yang digunakan untuk melakukan analisis

dalam pengambilan keputusan terbaik dari sejumlah alternatif untuk penilaian

langsung dan seragam (Luhur, 2009). Formula yang digunakan dalam teknik  Bayes

adalah sebagai berikut :

Page 16: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 16/49

 

Keterangan:

Total Nilai I = total ni

Nilai ij = nilai d

Krit  j = tingkat

i = 1,2,3,

 j = 1,2,3,

Matrik keputus

ALT.

K1

ALT1 V11

ALT2 V21

ALT3

: :

ALTm Vm1

BOBOT B1

Sumber : Mater

Informasi Budi

Gambar 2. 1 Formula  Bayes

lai akhir dari alternatif ke-i

ri alternatif ke-i pada kriteria ke-j

kepentingan (bobot) kriteria ke-j

n; n = jumlah alternatif 

m; m = jumlah kriteria

an dalam penentuan metode  Bayes

Tabel 2. 1 Matrik KeputusanKRITERIA NILAI RAN

K2 ….. Kn ALT. KEP. ALT

V12 ….. V1n Nk 1

V22 ….. V2n Nk 2

:

Vm2 ….. Vmn Nk m

B2 ….. Bn

i Kuliah Sistem Penunjang Keputusan Fakul

uhur, Jakarta Selatan

6

 

GKING

. KEP.

as Teknologi

Page 17: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 17/49

 

Model Perhitun

Kriteria  Bayes

a. Pengambilan

sekelompok 

b. Nilai kinerja

menggunaka

q q1

a

a1 X

a2 X

. .

. .

. .

am .

Sumber : Materi

Informasi Budi Luhur, J

Dimana :

= status

persyarat

a = dapat b

x = nilai pe

gan  Bayes :

keputusan merupakan suatu pemilihan

aksi yang mungkin (A).

 

dari setiap aksi a dan status situasi digamb

n pay off matrix

Tabel 2. 2. Pay Off Matrixq2 . . .

X . . .

X . . .

. . . .

. . . .

. . . .

. . . .

Kuliah Sistem Penunjang Keputusan Fakult

akarta Selatan

situasi yang dapat berupa kondisi, kriteria

an pemilihan.

erupa aksi, strategi atau pilihan

nampakan dari setiap aksi dan status situasi

7

aksi a dari

arkan dengan

qn

as Teknologi

seleksi atau

Page 18: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 18/49

 

8

2.3. Kerangka Pemikiran

Gambar 2. 2. Kerangka Pemikiran Penelitian

Masalah

sering terjadinya kehabisan stok pada jenis bahan baku tertentu sebelum

waktu yang sudah ditentukan

HasilMenghasilkan suatu sistem informasi perbandingan antara perhitungan

manual dengan metode Bayes untuk dijadikan dasar pertimbangan

dalam persediaan bahan baku toko Sido Makmur

Ruang Lingkup & Rumusan Masalah

Pendekatan :Metode Bayes

Pengembangan :

Analisi dan

Perancangan UML

Pengujian :Uji Komparasi cara manual dengan

metode Bayes

Page 19: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 19/49

 

9

BAB III

METODE PENELITIAN

3.1. Analisa Kebutuhan

Secara umum, sistem ini bertugas menghitung nilai masing-masing alternatif 

dalam memprediksi penyetokan bahan baku mebel selama satu tahun, sehingga

memperoleh hasil yang berupa data bahan baku harapan untuk di jadikan acuan

penyediaan stok bahan baku. Pada sistem ini user akan menginput data-data transaksi

penjualan berdasarkan kriteria produk yang berupa (Dipan, kursi, meja, ranjang,

lemari, jendela, Rak, pintu) dan pilihan Alternatif yang berupa bahan baku kayu yaitu

(Jati, Nangka, Mahuni, Sengon, dan Sono). Sistem ini akan menghasilkan suatu nilai

keputusan yang nantinya akan dibuat sebagai acuan dalam pembelian bahan baku.

3.1.1. Metode Pengumpulan Sampel

Kebutuhan sistem desain database dalam penerapan Metode  Bayes yang

digunakan dalam pembuatan sistem ini dapat dilihat pada rancangan tabel-tabel di

bawah ini :

Page 20: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 20/49

 

10

a. Data transaksi penjulan mebel pada toko sido makmur selama satu

tahun.

Tabel 3. 1. Contoh Data Transaksi

no nama konsumen

nama

produk

 jenis

kayu

 jumlah

beli tanggal

1 Sutrisnan Dipan Nangka 1 3/10/2009

2 Sudriono Lawang Jati 2 7/10/2009

3 Mariono Dipan Mahuni 1 8/10/2009

4 SDN Wonosunyo 2 Kursi Jati 8 17/10/2009

5 SDN Wonosunyo 2 Meja Jati 4 27/10/2009

6 Sudirman Lemari sono 1 29/10/2009

7 Marjuan Kusen Mahuni 2 1/11/2009

8 Sumardi (mojokerto) Lemari Mahuni 8 6/11/20099 Kosem (jeruk purut) Jendela Jati 6 14/11/2009

10 Darsono Lawang Jati 2 19/11/2009

11 TPQ Nurul Hidayah Rak sengon 12 30/11/2009

12 Ladi Dipan sono 1 4/12/2010

13 Suep Lawang Sengon 2 14/12/2010

14 Driono Jendela Nangka 4 14/12/2010

15 Sutikno Kursi Nangka 6 19/12/2010

16 Pak. Ma'at Lemari sono 1 22/12/2010

17 Suroso Dipan sono 1 26/12/2010

18 Herman Kusen Sengon 4Jendela Nangka 4

Lawang Nangka 2 2/01/2010

19 Agus Budiman Dipan Mahuni 2 4/01/2010

20 Bpk. Budi Meja Nangka 2 7/01/2010

21 Sukis (sumberingin) Lawang Jati 2 16/01/2010

22 Samsul huda Meja Sengon 2 21/01/2010

23

Bpk. Mariono

(pandaan) Dipan sono 1 29/01/2010

24 Karnadi Meja Nangka 1 4/02/2010

25 Masjid Nurul Hidayah Lawang Nangka 2 12/02/2010

26 Toleb (badut) Lemari Jati 1 12/02/201027 Lasminto Lemari Jati 1 14/02/2010

28 Dian Purwanto Meja Nangka 4 19/02/2010

29 Damang (panjunan) Lemari sono 2 30/02/2010

30 Hari Setyono (wangi) Lawang Jati 1 8/03/2010

31 Langgar Wetan Rak Sengon 8 12/03/2010

32 Langgar Wetan lawang Nangka 2 27/03/2010

Page 21: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 21/49

 

11

no nama konsumen

nama

produk

Jenis

kayu

 jumlah

beli tanggal

33 SDN Wonosunyo 2 Rak Sengon 6 30/03/2010

34 Samsul Hadi Lemari sono 1 30/03/2010

35 Masjid Nurul Hidayah Rak Nangka 2 4/04/2010

36 Sudarso Lemari Jati 1 9/04/2010

37 Darmoko adi Rak Sengon 5 16/04/2010

38 Ibu Tayem Rak Nangka 1 28/04/2010

39 bpk. Gito (siman) Dipan Jati 8 1/05/2010

40 TPQ Nurul Hidayah Kursi Mahuni 1 7/05/2010

41 Warung sedia ayu Meja Mahuni 1 14/05/2010

42 Warsono Lemari sono 1 18/05/2010

43 Joko (kunjoro wesi) Lemari Jati 1 18/05/2010

44 Sumarsono (nggupit) Lemari Jati 1 25/05/2010

45 Taryo (wonosunyo) Meja Jati 4 25/05/2010

46 Munasir Kursi sono 8 28/05/201048 Yasan (Siman) Lemari sono 1 3/16/2010

49 Solikin (Kuti) Lawang Nangka 2 7/06/2010

50 Didik Purwanto Kursi sono 5 15/06/2010

51 Sugiono (diyeng) Lawang Jati 1 15/06/2010

52 Warimen (Sekantong) Lawang Jati 2 15/06/2010

53 Sukadi (Badut) Meja Sengon 1 24/06/2010

54 Matsari (wonosunyo) Lawang Nangka 2 29/06/2010

55 Darsono (kejapanan) Rak Sengon 1 29/06/2010

56 Solikin (Terong Dowo) Dipan sono 1 11/07/2010

57 Adi Susianto Rak Mahuni 1 27/07/2010

58 Junaidi Jendela Nangka 4 27/07/2010

59 Sulaiman (wonosunyo) Lemari sono 1 29/07/2010

60 karnoto (belahan) Lemari sono 1 1/08/2010

61 Santoso (randu pitu) Kursi Mahuni 6 5/08/2010

62 Yantoro Dipan sono 1 8/08/2010

63 Yono (ploso kuning) Lemari sono 1 8/08/2010

64 Sumarsono (prigen) Lemari Jati 1 16/08/2010

65 Mulianto (candi) Lemari sono 1 19/08/2010

66 Sibun (Siman) Lawang Nangka 2 27/09/2010

67 Roni setyawan Lawang Jati 1 27/09/2010

Sumber : Data Transaksi Penjualan Selama 1 tahun pada toko Sido Makmur

Page 22: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 22/49

 

12

b. Data stok bahan baku mebel pada toko sido makmur selama satu tahun

Tabel 3. 2. Contoh Data Stok selama satu tahun

no Nama Bahan Baku Jumlah Stok (m3)

1 Jati 6 m3

2 Sengon 6 m3

3 Mahuni 6 m3

4 Nangka 6 m3

5 Sono 6 m3

Sumber : Data Stok Bahan baku selama 1 tahun pada toko budi mulia

c. Data sisa stok bahan baku mebel pada toko sido makmur selama satu tahun

Tabel 3. 3. Contoh Data Sisa Stok Selama satu tahun

no Nama Bahan Baku Jumlah Stok (m3)

1 Jati 1,1 m3

2 Sengon 2 m3

3 Mahuni 1,8 m3

4 Nangka 1,2 m3

5 Sono 2,2 m3

Sumber : Data Sisa stok Bahan Baku pada toko sido makmur

3.1.2. Metode Pengumpulan Data

Metode pengumpulan data adalah metode yang digunakan dalam

pengumpulan data yang diperlukan dalam pengembangan laporan penelitian, adapun

teknik yang digunakan dalam pengumpulan data penelitian ini adalah :

1. Wawancara ( Interview)

Wawancara (Interview) adalah teknik pengumpulan data dengan cara

melakukan tanya jawab tentang masalah yang diamati dan dianggap belum

dimengerti untuk mendapatkan data pada toko Sido Makmur.

2. Metode observasi

Interview adalah teknik pengumpulan data dengan cara melakukan tanya

 jawab tentang masalah yang diamati dan dianggap belum dimengerti untuk 

Page 23: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 23/49

 

13

mendapatkan data. Interview akan dilakukan dalam ruang lingkup kerja pada

Toko Sido Makmur.

3.2. Perancangan Penelitian

3.2.1. Diagram Konteks

Diagram Konteks memberikan gambaran umum mengenai interaksi yang

terjadi antara sistem dan user. Context diagram dari sistem ini ditunjukan pada

gambar berikut ini :

Gambar 3. 1 Diagram Konteks

Pada diagram konteks digambarkan proses umum yang terjadi di dalam

sistem. Terdapat dua komponen utama yaitu user dan sistem Prediksi dengan Metode

 Bayes. User akan menginput data transaksi dan selanjutnya sistem akan memproses

data jumlah transaksi yang ada pada database. Setelah melakukan proses, sistem

akan menghasilkan output berupa Nilai Alternatif dan sekaligus mendapatkan

rangking untuk setiap nilai-nilai alternatif tersebut yang nantinya akan dijadikan

sebagai acuan untuk pembelian bahan baku.

Page 24: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 24/49

 

14

3.2.2. Use Case Diagram

Gambar 3. 2 Use Case Diagram

3.2.3. Sequence Diagram

Gambar 3. 3 Sequence Diagram  Bayes

Page 25: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 25/49

 

15

3.2.4. Activity Diagram

Gambar 3. 4 Activity Diagram

Page 26: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 26/49

 

16

3.3. Teknik Analisis

3.3.1. Perhitungan bahan baku mebel secara manual

Teknik analisis dalam proses pengelompokkan ini menggunakan perhitungan

manual. Dengan melihat dari inputan berupa data transaksi penjualan yang berupa

Nama Konsumen, Nama produk, Jenis Kayu, jumlah Beli dan Tanggal transaksi.

Tabel 3. 4. Transaksi Penjualan

no

Nama

konsumen

nama

produk

Jenis

kayu

 jumlah

beli tanggal

1 Sutrisnan Dipan Nangka 1 3/10/2009

2 Sudriono Lawang Jati 2 7/10/2009

3 Mariono Dipan Mahuni 1 8/10/2009

4 SDN Wonosunyo 2 Kursi Jati 8 17/10/20095 SDN Wonosunyo 2 Meja Jati 4 27/10/2009

6 Sudirman Lemari sono 1 29/10/2009

7 Marjuan Kusen Mahuni 2 1/11/2009

8 Sumardi (mojokerto) Lemari Mahuni 8 6/11/2009

9 Kosem (jeruk purut) Jendela Jati 6 14/11/2009

10 Darsono Lawang Jati 2 19/11/2009

11 TPQ Nurul Hidayah Rak sengon 12 30/11/2009

12 Ladi Dipan sono 1 4/12/2010

13 Suep Lawang Sengon 2 14/12/2010

14 Driono Jendela Nangka 4 14/12/2010

15 Sutikno Kursi Nangka 6 19/12/2010

16 Pak. Ma'at Lemari sono 1 22/12/2010

17 Suroso Dipan sono 1 26/12/2010

18 Herman Kusen Sengon 4

Jendela Nangka 4

Lawang Nangka 2 2/01/2010

19 Agus Budiman Dipan Mahuni 2 4/01/2010

20 Bpk. Budi Meja Nangka 2 7/01/2010

21 Sukis (sumberingin) Lawang Jati 2 16/01/2010

22 Samsul huda Meja Sengon 2 21/01/2010

23 Bpk. Mariono(pandaan) Dipan sono 1 29/01/2010

24 Karnadi Meja Nangka 1 4/02/2010

25 Masjid Nurul Hidayah Lawang Nangka 2 12/02/2010

26 Toleb (badut) Lemari Jati 1 12/02/2010

27 Lasminto Lemari Jati 1 14/02/2010

28 Dian Purwanto Meja Nangka 4 19/02/2010

Page 27: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 27/49

 

17

no nama konsumen

nama

produk

 jenis

kayu

 jumlah

beli tanggal

29 Damang (panjunan) Lemari sono 2 30/02/2010

30 Hari Setyono (wangi) Lawang Jati 1 8/03/2010

31 Langgar Wetan Rak Sengon 8 12/03/2010

32 Langgar Wetan lawang Nangka 2 27/03/2010

33 SDN Wonosunyo 2 Rak Sengon 6 30/03/2010

34 Samsul Hadi Lemari sono 1 30/03/2010

35 Masjid Nurul Hidayah Rak Nangka 2 4/04/2010

36 Sudarso Lemari Jati 1 9/04/2010

37 Darmoko adi Rak Sengon 5 16/04/2010

38 Ibu Tayem Rak Nangka 1 28/04/2010

40 TPQ Nurul Hidayah Kursi Mahuni 8 7/05/2010

41 Warung sedia ayu Meja Mahuni 1 14/05/2010

42 Warsono Lemari sono 1 18/05/2010

43 Joko (kunjoro wesi) Lemari Jati 1 18/05/201044 Sumarsono (nggupit) Lemari Jati 1 25/05/2010

45 Taryo (wonosunyo) Meja Jati 1 25/05/2010

46 Munasir Kursi sono 4 28/05/2010

48 Yasan (Siman) Lemari sono 1 3/16/2010

49 Solikin (Kuti) Lawang Nangka 2 7/06/2010

50 Didik Purwanto Kursi sono 5 15/06/2010

51 Sugiono (diyeng) Lawang Jati 1 15/06/2010

52 Warimen (Sekantong) Lawang Jati 2 15/06/2010

53 Sukadi (Badut) Meja Sengon 1 24/06/2010

54 Matsari (wonosunyo) Lawang Nangka 2 29/06/2010

55 Darsono (kejapanan) Rak Sengon 1 29/06/2010

56 Solikin (Terong Dowo) Dipan sono 1 11/07/2010

57 Adi Susianto Rak Mahuni 1 27/07/2010

58 Junaidi Jendela Nangka 4 27/07/2010

59 Sulaiman (wonosunyo) Lemari sono 1 29/07/2010

60 karnoto (belahan) Lemari sono 1 1/08/2010

61 Santoso (randu pitu) Kursi Mahuni 6 5/08/2010

62 yantoro Dipan sono 1 8/08/2010

63 Yono (ploso kuning) Lemari sono 1 8/08/2010

64 Sumarsono (prigen) Lemari Jati 1 16/08/2010

65 Mulianto (candi) Lemari sono 1 19/08/201066 Sibun (Siman) Lawang Nangka 2 27/09/2010

67 Roni setyawan Lawang Jati 1 27/09/2010

Sumber : DataTransaksi Penjualan toko Sido Makmur selama satu tahun

Page 28: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 28/49

 

18

Selanjutnya pada data transaksi penjualan akan dicari jumlah beli dengan cara

dikelompokkan berdasarkan Jenis bahan baku (Jati, Sengon, Mahuni, Nangka dan

Sono) dan produk (Kursi, Lemari, Meja, Pintu, Dipan, Rak dan Kusen) sehingga

mendapatkan hasil seperti pada tabel di bawah :

Tabel 3. 5. Matrik keputusan

alternativeKriteria

Kursi Meja Lemari Pintu Dipan Rak Jendela Kusen

Jati 8 5 6 11 0 0 6 0

Sengon 0 3 0 2 0 32 0 4

Mahuni 14 1 8 0 3 1 0 2

Nangka 6 7 0 12 1 3 12 0

Sono 9 0 11 0 5 0 0 0

Kemudian dicari nilai masing-masing alternatif berdasarkan hasil transaksi

dari semua kriteria hasil dari penyortiran :

Alternatif (Jati) : 8 + 5 + 6 + 11 + 0 + 0 + 6 + 0 = 36

Alternatif (Sengon) : 0 + 3 + 0 + 2 + 0 + 32 + 0 + 4 = 41

Alternatif (Mahuni) : 14+ 1 + 8 + 0 + 3 + 1 + 0 + 2 = 29

Alternatif (Nangka) : 6 + 7 + 0 + 12 + 1 + 3 + 12 + 0 = 41

Alternatif (Sono) : 9 + 0 + 11 + 0 + 5 + 0 + 0 + 0 = 25

Selanjutnya masing-masing nilai alternatif di bagi dengan jumlah keseluruhan

dari nilai alternatif guna untuk mendapatkan persentase dari setiap alternatif yang

nantinya dijadikan sebagai probabilitas untuk penyetokan bahan baku.

Jumlah Alternatif : 36 + 41 + 29 + 41 + 25 = 172

Menentukan presentase dari setiap alternatif :

Alternatif (Jati) = Nilai Alternatif (Jati) / jumlah Alternatif * 100

= 36 / 172 * 100

= 20,9 %

Page 29: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 29/49

 

19

Alternatif (Sengon) = Nilai Alternatif (Sengon) / jumlah Alternatif * 100

= 41 / 172 * 100

= 23,8 %

Alternatif (Mahuni) = Nilai Alternatif (Jati) / jumlah Alternatif * 100

= 29 / 172 * 100

= 16,9 %

Alternatif (Nangka) = Nilai Alternatif (Sengon) / jumlah Alternatif * 100

= 41 / 172 * 100

= 23,8 %

Alternatif (Sono) = Nilai Alternatif (Sengon) / jumlah Alternatif * 100

= 25 / 172 * 100

= 14,5 %

Selanjutnya menetukan pembelian stok bahan baku berdasarkan nilai

persentase dari masing-masing alternatif dan dikalikan dengan jumlah stok bahan

baku yang sudah ditentukan oleh pihak industri yaitu 30 m3

dalam jangkah waktu 1

tahun.

Alternatif (Jati) = PA (Jati) * 30

= 20,9 / 100 * 30

= 6,3 m3

Alternatif (Sengon) = PA (Sengon) * 30

= 23,8 / 100 * 30

= 7,2 m3

Page 30: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 30/49

 

20

Alternatif (Mahuni) = PA (Mahuni) * 30

= 16,9 / 100 * 30

= 5,1 m3

Alternatif (Nangka) = PA (Nangka) * 30

= 23,8 / 100 * 30

= 7,2 m3

Alternatif (Sono) = PA (Sono) * 30

= 14,5 / 100 * 30

= 4,4 m3

Dari proses perhitungan diatas mendapatkan hasil yaitu pada Alternatif (Jati)

memperoleh 6,3 m3

, Alternatif (Sengon) memperoleh 7,2 m3

, Alternatif (Mahuni)

memperoleh 5,1 m3

, Alternatif (Nangka) memperoleh 7,2 m3

, dan Alternatif (Sono)

memperoleh 4,4 m3.

3.3.2. Perhitungan bahan baku mebel menggunakan Metode Bayes

Teknik analisis dalam proses pengelompokkan ini menggunakan metode

 Bayes. Dengan melihat dari inputan berupa data transaksi penjualan yang berupa

Nama Konsumen, Nama produk, Jenis Kayu, jumlah Beli dan Tanggal transaksi.

Page 31: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 31/49

 

21

Tabel 3. 6. Transaksi Penjualan

no nama konsumen

nama

produk

Jenis

kayu

 jumlah

beli tanggal

1 Sutrisnan Dipan Nangka 1 19/10/2009

2 Sudriono Lawang Jati 2 30/10/2009

3 Mariono Dipan Mahuni 1 3/11/2009

4 SDN Wonosunyo 2 Kursi Jati 12 24/11/2009

5 SDN Wonosunyo 2 Meja Jati 6 24/11/2009

6 Sudirman Lemari sono 1 29/11/2009

7 Marjuan Kusen Mahuni 2

Jendela Sengon 4 2/12/2009

8

Sumardi

(mojokerto) Lemari Mahuni 8 6/12/2009

9 Kosem (jeruk purut) Jendela Jati 6 14/12/2009

10 Darsono Lawang Jati 2 19/12/2009

11 TPQ Nurul Hidayah Rak sengon 12 30/12/2009

12 Ladi Dipan sono 1 4/01/2010

13 Suep Lawang Sengon 2 14/01/2010

14 Driono Jendela Nangka 4 21/01/2010

15 Sutikno Kursi Nangka 6 28/01/2010

16 Pak. Ma'at Lemari sono 1 3/02/2010

17 Suroso Dipan sono 1 3/02/2010

18 Herman Kusen Sengon 4

Jendela Nangka 6

Lawang Nangka 2 16/02/2010

19 Agus Budiman Dipan Mahuni 2 4/03/2010

20 Bpk. Budi Meja Nangka 2 7/03/201021 Sukis (sumberingin) Lawang Jati 3 16/03/2010

22 Samsul huda Meja Sengon 2 21/03/2010

23

Bpk. Mariono

(pandaan) Dipan sono 1 29/03/2010

24 Karnadi Meja Nangka 1 4/04/2010

25

Masjid Nurul

Hidayah Lawang Nangka 5 20/04/2010

26 Toleb (badut) Lemari Jati 1 2/05/2010

27 Lasminto Lemari Jati 1 14/05/2010

28 Dian Purwanto Meja Nangka 4 19/05/2010

29 Damang (panjunan) Lemari sono 2 30/05/2010

30

Hari Setyono

(wangi) Lawang Jati 3 8/06/2010

31 Langgar Wetan Rak Sengon 3 16/06/2010

32 Langgar Wetan lawang Nangka 2 27/06/2010

33 SDN Wonosunyo 2 Rak Sengon 6 30/06/2010

34 Samsul Hadi Lemari sono 1 14/07/2010

Page 32: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 32/49

 

22

no nama konsumen

nama

produk

Jenis

kayu

 jumlah

beli tanggal

35

Masjid Nurul

Hidayah Rak Nangka 8 19/07/2010

36 Sudarso Lemari Jati 1 29/07/2010

37 Darmoko adi Rak Sengon 5 3/08/2010

38 Ibu Tayem Rak Nangka 1 3/08/2010

39 bpk. Gito (siman) Dipan Jati 4 17/08/2010

40 TPQ Nurul Hidayah Kursi Mahuni 8 30/08/2010

41 Warung sedia ayu Meja Mahuni 1 28/09/2010

42 Warsono Lemari sono 1 3/10/2010

43 Joko (kunjoro wesi) Lemari Jati 1 12/10/2010

44

Sumarsono

(nggupit) Lemari Jati 1 18/10/2010

45 Taryo (wonosunyo) Meja Jati 1 25/10/2010

46 Munasir Kursi sono 4 2/11/2010

47 Satuji Dipan Mahuni 5 16/11/2010

48 Yasan (Siman) Lemari sono 1 27/11/2010

49 Solikin (Kuti) Lawang Nangka 2 11/12/2010

50 Didik Purwanto Kursi sono 5 23/12/2010

51 Sugiono (diyeng) Lawang Jati 1 5/01/2011

52

Warimen

(Sekantong) Lawang Jati 2 17/01/2011

53 Sukadi (Badut) Meja Sengon 1 24/01/2011

54

Matsari

(wonosunyo) Lawang Nangka 2 1/02/2011

55 Darsono(kejapanan) Rak Sengon 1 4/02/2011

56

Solikin (Terong

Dowo) Dipan sono 1 15/02/2011

57 Adi Susianto Rak Mahuni 1 27/02/2011

58 Junaidi Jendela Nangka 4 6/03/2011

59

Sulaiman

(wonosunyo) Lemari sono 1 8/03/2011

60 karnoto (belahan) Lemari sono 1 14/03/2011

61 Santoso (randu pitu) Kursi Mahuni 6 24/03/2011

62 yantoro Dipan sono 1 29/03/2011

63 Yono (plosokuning) Lemari sono 1 29/03/2011

64 Sumarsono (prigen) Lemari Jati 1 2/04/2011

65 Mulianto (candi) Lemari sono 1 9/04/2011

66 Sibun (Siman) Lawang Nangka 2 9/04/2011

67 Roni setyawan Lawang Jati 1 17/04/2011

Sumber : Data Transaksi Penjualan Selama 1 tahun pada toko Sido Makmur

Page 33: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 33/49

 

23

Table di atas adalah data dari transaksi penjualan Toko Sido Makmur.

Selanjutnya pada data transaksi penjualan akan dicari jumlah beli dengan cara

penyortiran berdasarkan Jenis alternatif (Jati, Sengon, Mahuni, Nangka dan Sono)

dan Kriteria (Kursi, Lemari, Meja, Pintu, Dipan, Rak dan Kusen) sebagai berikut.

- Alternatif (Jati) dan Kriteria (Kursi)

4 SDN Wonosunyo 2 Kursi Jati 8 17/10/2009

- Alternatif (Jati) dan Kriteria (Meja)

5 SDN Wonosunyo 2 Meja Jati 4 27/10/2009

45 Taryo (wonosunyo) Meja Jati 1 25/05/2010

- Alternatif (Jati) dan Kriteria (Lemari)

26 Toleb (badut) Lemari Jati 1 12/2/2010

27 Lasminto Lemari Jati 1 14/02/2010

36 Sudarso Lemari Jati 1 9/4/2010

43 Joko (kunjoro wesi) Lemari Jati 1 18/05/2010

44 Sumarsono (nggupit) Lemari Jati 1 25/05/2010

64 Sumarsono (prigen) Lemari Jati 1 16/08/2010

- Alternatif (Jati) dan Kriteria (Pintu)

2 Sudriono Lawang Jati 2 7/10/2009

10 Darsono Lawang Jati 2 19/11/2009

21 Sukis (sumberingin) Lawang Jati 2 16/01/2010

30 Hari Setyono (wangi) Lawang Jati 1 8/3/2010

51 Sugiono (diyeng) Lawang Jati 1 15/06/2010

52

Warimen

(Sekantong) Lawang Jati 2 15/06/2010

67 Roni setyawan Lawang Jati 1 27/09/2010

- Alternatif (Jati) dan Kriteria (Dipan)

- Alternatif (Jati) dan Kriteria (Rak)

Page 34: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 34/49

 

24

- Alternatif (Jati) dan Kriteria (Jendela)

9 Kosem (jeruk purut) Jendela Jati 6 14/11/2009

- Alternatif (Jati) dan Kriteria (Kusen)

- Alternatif (Sengon) dan Kriteria (Kursi)

- Alternatif (Sengon) dan Kriteria (Meja)

22 Samsul huda Meja Sengon 2 21/01/2010

53 Sukadi (Badut) Meja Sengon 1 24/06/2010

- Alternatif (Sengon) dan Kriteria (Lemari)

- Alternatif (Sengon) dan Kriteria (Pintu)

13 Suep Lawang Sengon 2 14/12/2010

- Alternatif (Sengon) dan Kriteria (Dipan)

- Alternatif (Sengon) dan Kriteria (Rak)

11 TPQ Nurul Hidayah Rak sengon 12 30/11/2009

31 Langgar Wetan Rak Sengon 8 12/3/2010

33 SDN Wonosunyo 2 Rak Sengon 6 30/03/2010

37 Darmoko adi Rak Sengon 5 16/04/2010

55 Darsono (kejapanan) Rak Sengon 1 29/06/2010

- Alternatif (Sengon) dan Kriteria (Jendela)

- Alternatif (Sengon) dan Kriteria (Kusen)

18 Herman Kusen Sengon 4 2/1/2010

- Alternatif (Mahuni) dan Kriteria (Kursi)

Page 35: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 35/49

 

25

40 TPQ Nurul Hidayah Kursi Mahuni 8 7/5/2010

61 Santoso (randu pitu) Kursi Mahuni 6 14/05/2010

- Alternatif (Mahuni) dan Kriteria (Meja)

41 Warung sedia ayu Meja Mahuni 1 14/05/2010

- Alternatif (Mahuni) dan Kriteria (Lemari)

8 Sumardi (mojokerto) Lemari Mahuni 8 6/11/2009

- Alternatif (Mahuni) dan Kriteria (Pintu)

- Alternatif (Mahuni) dan Kriteria (Dipan)

3 Mariono Dipan Mahuni 1 8/10/2009

19 Agus Budiman Dipan Mahuni 2 1/11/2009

- Alternatif (Mahuni) dan Kriteria (Rak)

57 Adi Susianto Rak Mahuni 1 27/07/2010

- Alternatif (Mahuni) dan Kriteria (Jendela)

- Alternatif (Mahuni) dan Kriteria (Kusen)

7 Marjuan Kusen Mahuni 2 1/11/2009

- Alternatif (Nangka) dan Kriteria (Kursi)

15 Sutikno Kursi Nangka 6 19/12/2010

- Alternatif (Nangka) dan Kriteria (Meja)

20 Bpk. Budi Meja Nangka 2 7/1/2010

24 Karnadi Meja Nangka 1 4/2/201028 Dian Purwanto Meja Nangka 4 12/2/2010

- Alternatif (Nangka) dan Kriteria (Lemari)

Page 36: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 36/49

 

26

- Alternatif (Nangka) dan Kriteria (Pintu)

18 Herman Lawang Nangka 2 2/1/2010

25

Masjid Nurul

Hidayah Lawang Nangka 2 7/1/2010

32 Langgar Wetan lawang Nangka 2 4/2/201049 Solikin (Kuti) Lawang Nangka 2 12/2/2010

54 Matsari (wonosunyo) Lawang Nangka 2 19/02/2010

66 Sibun (Siman) Lawang Nangka 2 27/03/2010

- Alternatif (Nangka) dan Kriteria (Dipan)

1 Sutrisnan Dipan Nangka 1 3/10/2009

- Alternatif (Nangka) dan Kriteria (Rak)

35 Masjid Nurul Hidayah Rak Nangka 2 4/4/2010

38 Ibu Tayem Rak Nangka 1 28/04/2010

- Alternatif (Nangka) dan Kriteria (Jendela)

14 Driono Jendela Nangka 4 14/12/2010

18 Herman Jendela Nangka 6 19/12/2010

58 Junaidi Jendela Nangka 4 2/1/2010

- Alternatif (Nangka) dan Kriteria (Kusen)

- Alternatif (Sono) dan Kriteria (Kursi)

46 Munasir Kursi sono 4 28/05/2010

50 Didik Purwanto Kursi sono 5 3/16/2010

- Alternatif (Sono) dan Kriteria (Meja)

Page 37: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 37/49

 

27

- Alternatif (Sono) dan Kriteria (Lemari)

6 Sudirman Lemari sono 1 29/10/2009

16 Pak. Ma'at Lemari sono 1 4/12/2010

29 Damang (panjunan) Lemari sono 2 22/12/2010

34 Samsul Hadi Lemari sono 1 26/12/201042 Warsono Lemari sono 1 29/01/2010

48 Yasan (Siman) Lemari sono 1 30/02/2010

59

Sulaiman

(wonosunyo) Lemari sono 1 30/03/2010

60 karnoto (belahan) Lemari sono 1 18/05/2010

63 Yono (ploso kuning) Lemari sono 1 28/05/2010

65 Mulianto (candi) Lemari sono 1 3/16/2010

- Alternatif (Sono) dan Kriteria (Pintu)

- Alternatif (Sono) dan Kriteria (Dipan)

12 Ladi Dipan sono 1 4/12/2010

17 Suroso Dipan sono 1 22/12/2010

23

Bpk.Mariono

(pndaan) Dipan sono 1 26/12/2010

56

Solikin (Terong

Dowo) Dipan sono 1 29/01/2010

62 yantoro Dipan sono 1 30/02/2010

- Alternatif (Sono) dan Kriteria (Rak)

- Alternatif (Sono) dan Kriteria (Jendela)

- Alternatif (Sono) dan Kriteria (Kusen)

Page 38: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 38/49

 

28

Setelah proses penyortiran selesai, maka di dapatkan hasil data Transaksi

penjualan yang berupa jumlah beli konsumen bersarkan alternatif dan kriteria.

Tabel 3. 7. Matrik Keputusan

alternative KriteriaKursi Meja Lemari Pintu Dipan Rak Jendela Kusen

Jati 8 5 6 11 0 0 6 0

Sengon 0 3 0 2 0 32 0 4

Mahuni 14 1 8 0 3 1 0 2

Nangka 6 7 0 12 1 3 12 0

Sono 9 0 11 0 5 0 0 0

Setalah hasil penyortiran selesai, selanjutnya menentukan bobot dari setiap

kriteria (Kursi, Meja, Lemari, Pintu, Rak, Jendela, dan Kusen) berdasarkan

banyaknya kayu yang terpakai untuk membuat beberapa tingkat kepentingan kriteria

tersebut dalam satuan m3. Data dibawah ini adalah data mengenai tingkat

kepentingan yang sudah dibuat oleh pihak industri toko Sido Makmur.

Tabel 3. 8. Tingkat Kepentingan

Kriteria /m3

kursi 1/10

meja 1/10

lemari 1/5

pintu 1/7,5

dipan 1/7,5

rak 1/12,5

 jendela 1/12,5

kusen 1/7,5

 jumlah 0,96

Setelah tingkat kepentingan diketahui, selanjutnya menentukan bobot dari

masing-masing criteria yaitu dengan nilai tingkat kepentingan masing-masing

kriteria dibagi dengan jumlah kriteria kemudian dikalikan satu (jumlah ketetapan

dalam metode bayes).

Page 39: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 39/49

 

29

Tabel 3. 9. Bobot Kriteria

Kriteria /m3

Bobot

kursi 1/10 0,10

meja 1/10 0,10lemari 1/5 0,20

pintu 1/7,5 0,14

dipan 1/7,5 0,14

rak 1/12,5 0,08

 jendela 1/12,5 0,08

kusen 1/7,5 0,14

 jumlah 0,96 1,00

Setelah bobot sudah diketahui, selanjutnya bobot dimasukkan pada tabel matrik 

yang nantinya akan dibuat perhitungan aturan metode Bayes untuk menentukan nilai

dari setiap alternatif 

Tabel 3. 10. Matrik Keputusan

Alternatif Kriteria Niali Pering

katKursi Meja Lemari Pintu Dipan Rak Jendela Kusen Alternatif 

Jati 8 5 6 11 0 0 6 0

Sengon 0 3 0 2 0 32 0 4

Mahuni 14 1 8 0 3 1 0 2

Nangka 6 7 0 12 1 3 12 0Sono 9 0 11 0 5 0 0 0

bobot 0.1 0.1 0.21 0.14 0.14 0.08 0.08 0.14

Setelah tabel matrik sudah terbentuk, selanjutnya menentukan nilai masing-masing

Alternatif.

Nilai (Jati) = (8*0.1) + (5*0.1) + (6*0.21) + (11*0.14) + (0*0.14) + (0*0.08) +

(6*0.08) + (0*0.14) = 4,58

Nilai (Sengon) = (0*0.1) + (3*0.1) + (0*0.21) + (2*0.14) + (0*0.14) + (32*0.08) +

(0*0.08) + (4*0.14) = 3,7

Nilai (Mahuni) = (14*0.1) + (1*0.1) + (8*0.21) + (0*0.14) + (3*0.14) + (1*0.08) +

(0*0.08) + (2*0.14) = 3,96

Page 40: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 40/49

 

30

Nilai (Nangka) = (6*0.1) + (7*0.1) + (0*0.21) + (12*0.14) + (1*0.14) + (3*0.08) +

(12*0.08) + (0*0.14) = 4,32

Nilai (Sono) = (9*0.1) + (0*0.1) + (11*0.21) + (0*0.14) + (5*0.14) + (0*0.08) +

(0*0.08) + (0*0.14) = 3,91

Jadi nilai alternatif dari (Jati, Sengon, Mahuni, Nangka, dan Sono) adalah

(4,58, 3,7, 3,96, 4,32, dan 3,91) sehingga didapat alternatif yang terurut dari yang

terbaik adalah alternatif (Jati (4,58), Nangka (4,32), Mahuni (3,96), Sono (3,91),

Sengon(3,7) ).

Tabel 3. 11. Matrik Hasil Metode  Bayes

Alternatif Kriteria Niali Pering

katKursi Meja Lemari Pintu Dipan Rak Jendela Kusen Alternatif 

Jati 8 5 6 11 0 0 6 0 4,58 1

Sengon 0 3 0 2 0 32 0 4 3,7 5

Mahuni 14 1 8 0 3 1 0 2 3,96 3

Nangka 6 7 0 12 1 3 12 0 4,32 2

Sono 9 0 11 0 5 0 0 0 3,91 4

bobot 0.1 0.1 0.21 0.14 0.14 0.08 0.08 0.14

Selanjutnya masing-masing nilai alternatif di bagi dengan jumlah keseluruhan

dari nilai alternatif guna untuk mendapatkan persentase dari setiap alternatif yang

nantinya dijadikan sebagai probabilitas untuk penyetokan bahan baku.

Jumlah Alternatif : 4,58 + 3,7 + 3,96 + 4,32 + 3,91 = 20,47

Menentukan presentase dari setiap alternatif :

Alternatif (Jati) = Nilai Alternatif (Jati) / jumlah Alternatif * 100

= 4,58/ 20,47 * 100

= 22,4 %

Page 41: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 41/49

 

31

Alternatif (Sengon) = Nilai Alternatif (Sengon) / jumlah Alternatif * 100

= 3,7 / 20,47 * 100

= 18,1 %

Alternatif (Mahuni) = Nilai Alternatif (Jati) / jumlah Alternatif * 100

= 3,96 / 20,47 * 100

= 19,3 %

Alternatif (Nangka) = Nilai Alternatif (Sengon) / jumlah Alternatif * 100

= 4,32 / 20,47 * 100

= 21,1 %

Alternatif (Sono) = Nilai Alternatif (Sengon) / jumlah Alternatif * 100

= 3,91 / 20,47 * 100

= 19,1 %

Selanjutnya menetukan pembelian stok bahan baku berdasarkan nilai

persentase dari masing-masing alternatif dan dikalikan dengan jumlah stok bahan

baku yang sudah ditentukan oleh pihak industri yaitu 30 m3

dalam jangkah waktu 1

tahun.

Alternatif (Jati) = PA (Jati) * 30

= 22,4 / 100 * 30

= 6,7 m3

Alternatif (Sengon) = PA (Sengon) * 30

= 18,1 / 100 * 30

= 5,4 m3

Page 42: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 42/49

 

32

Alternatif (Mahuni) = PA (Mahuni) * 30

= 19,3 / 100 * 30

= 5,8 m3

Alternatif (Nangka) = PA (Nangka) * 30

= 21,1 / 100 * 30

= 6,3 m3

Alternatif (Sono) = PA (Sono) * 30

= 19,1 / 100 * 30

= 5,7 m3

Dari proses perhitungan diatas mendapatkan hasil yaitu pada Alternatif (Jati)

memperoleh 6,7 m3

, Alternatif (Sengon) memperoleh 5,4 m3

, Alternatif (Mahuni)

memperoleh 5,8 m3

, Alternatif (Nangka) memperoleh 6,3 m3

, dan Alternatif (Sono)

memperoleh 5,7 m3.

Page 43: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 43/49

 

33

BAB IV

HASIL DAN PEMBAHASAN

4.1. Hasil

4.1.1. Perhitungan Manual

Di bawah ini merupakan tabel hasil perhitungan manual dari proses transaksi

penjualan selama satu tahun.

Tabel 4. 1. Bahan baku hasil perhitungan manual

no Nama Bahan Baku Jumlah Stok (m3)

1 Jati 6,3 m3

2 Sengon 7,2 m3

3 Mahuni 5,1 m3

4 Nangka 7,2 m3

5 Sono 4,4 m3

4.1.2. Perhitungan Metode Bayes

Di bawah ini merupakan tabel hasil perhitungan dengan menggunakan

metode bayes dari proses transaksi penjualan selama satu tahun.

Tabel 4. 2. Bahan baku dari perhitungan metode Bayes

no Nama Bahan Baku Jumlah Stok (m3)

1 Jati 6,7 m3

2 Sengon 5,4 m3

3 Mahuni 5,8 m3

4 Nangka 6,3 m3

5 Sono 5,7 m3

Page 44: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 44/49

 

34

Menentukan sisa stok perhitungan manual dengan cara jumlah stok awal

dikurangi dengan jumlah stok hasil perhitungan manual

Tabel 4. 3. Sisa stok dari perhitungan manual

no JenisBahan Baku

JumlahStok awal

stok denganperhitungan manual

Sisa stok perhitungan

manual

1 Jati 6 m3

6,3 m3 -0,3

2 Sengon 6 m3

7,2 m3 -1,2

3 Mahuni 6 m3

5,1 m3 0,9

4 Nangka 6 m3

7,2 m3 -1,2

5 Sono 6 m3

4,4 m3 1,6

Menentukan sisa stok perhitungan Metode Bayes dengan cara jumlah stok awal

dikurangi dengan jumlah stok hasil perhitungan Metode Bayes.

Tabel 4. 4. Sisa stok dari perhitungan Metode Bayes

no Jenis Bahan

Baku

Jumlah

Stok awal

stok dengan

perhitungan Metode

Bayes

Sisa stok 

perhitungan

Metode Bayes

1 Jati 6 m3

6,7 m3 -0,7 m

3

2 Sengon 6 m3

5,4 m3 0,6 m

3

3 Mahuni 6 m3

5,8 m3 0,2 m

3

4 Nangka 6 m3

6,3 m3 -0,3 m

3

5 Sono 6 m3

5,7 m3 0,3 m

3

Perbandingan Selisih antara sisa stok perhitungan manual dengan sisa stok 

melalui perhitungan dari metode bayes dengan jumlah sisa stok transaksi selama satu

tahun sebagai pembanding.

Tabel 4. 5. Perbandingan Selisih Sisa stok

no Jenis BahanBaku

Sisa stok perhitunganManual

Pembanding Sisa stok PerhitunganMetode Bayes

1 Jati -0,3 m3

1,1 m3 -0,7 m

3

2 Sengon -1,2 m3

2 m3 0,6 m

3

3 Mahuni 0,9 m3 1,8 m3 0,2 m3

4 Nangka -1,2 m3

1,2 m3 -0,3 m

3

5 Sono 1,6 m3

2,2 m3 0,3 m

3

Page 45: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 45/49

 

35

Hasil nilai perbandingan selisih antara sisa stok perhitungan manual dengan

sisa stok melalui perhitungan dari metode bayes dengan jumlah sisa stok transaksi

selama satu tahun sebagai pembanding.

Tabel 4. 6. Hasil Perbandingan Selisih Sisa stok

no Jenis BahanBaku

Hasil PerbandinganManual

Hasil PerbandinganMetode Bayes

1 Jati 1,4 m3

1,8 m3

2 Sengon 3,2 m3

1,4 m3

3 Mahuni 0,9 m3

1,6 m3

4 Nangka 2,4 m3

1,5 m3

5 Sono 0,6 m3

1,9 m3

Ket : semakin kecil Hasil Nilai Pembanding maka tingkat keakuratan untuk 

pembelian stok semakin tinggi.

4.2. Pembahasan

Berdasarkan hasil yang sudah di dapat, maka didapatkan hasil perbandingan

tingkat akurasi dalam penyetokan bahan baku mebel.

Tabel 4. 7. Hasil Akurasi Perbandingan Manual dengan Metode BayesNo BahanBaku

Manual Bayes Hasil Akurasi

Manual Bayes

1 Jati 1,4 m3

1,8 m3 1

2 Sengon 3,2 m3

1,4 m3

1

3 Mahuni 0,9 m3

1,6 m3

1

4 Nangka 2,4 m3

1,5 m3

1

5 Sono 0,6 m3

1,9 m3

1

Dari tabel diatas mendapatkan hasil yaitu tingkat akurasi Perhitungan Secara

manual lebih tinggi di banding tingkat perhitungan melalui metode bayes dengan

perbandingan 3:2 atau dengan persentase 60% : 40% . berikut ini adalah hasil

perbandingan perhitungan manual dengan perhitungan melalui metode bayes dalam

bentuk grafik.

Page 46: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 46/49

 

Gambar 4. 1 Hasil P

4.3. Implikasi Penel

Proses stok bara

bahan baku yang bisa

pendukung untuk men

hasil yang lebih bagus.

60%

rbandingan Perhitungan Manual dengan M

itian

ng pada mebel bervariasi dan tergantung pad

berubah sewaktu – waktu. Maka dari itu ad

hitung prediksi persediaan bahan baku akan

 

40%

Manual

Bayes

36

tode Bayes

ketersediaan

anya fasilitas

memberikan

Page 47: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 47/49

 

37

BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan hasil penelitian dan pembahasan yang sudah di bahas pada bab

sebelumnya maka di dapat beberapa kesimpulan sebagai berikut :

1. Dari segi keakuratan Perhitungan Manual lebih tinggi dibandingkan

perhitungan melalui metode bayes.

2. Metode bayes kurang cocok untuk perhitungan mencari stok bahan baku

mebel.

5 .2 . Sa r a n

Untuk memaksimalkan persediaan bahan baku mebel, akan lebih baik jika

adanya fasilitas pendukung untuk menghitung prediksi persediaan bahan baku yang

akan memberikan hasil yang lebih bagus. Sedangkang untuk penafsiran yang lebih

baik sebaiknya menggunakan lebih dari satu metode .

Page 48: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 48/49

 

38

DAFTAR PUSTAKA

Luhur, F. T. (2009). E-Learnign Stmik Atma Luhur. Retrieved from

http://fti.budiluhur.ac.id/: http://elearning.atmaluhur.ac.id/materi-kuliah/SISTEM-

PENUNJANG-KEPUTUSAN/Pertemuan%2013.ppt

Nuzul, I. (2010). SISTEM PENDUKUNG KEPUTUSAN UNTUK KOREKSI

SOAL ESAI DALAM SITUS E-LEARNING MENGGUNAKAN ALGORITMA

NAIVE BAYES CLASSIFIER. Jurnal stikom .

Wikipedia. (2011, Februari 25). Retrieved Maret 23, 2011, from

http://id.wikipedia.org/wiki/Mebel

Page 49: Data Mining

5/16/2018 Data Mining - slidepdf.com

http://slidepdf.com/reader/full/data-mining-55ab56ebbb218 49/49

 

39

DAFTAR RIWAYAT HIDUP

a. Data Personal

NIM : 310107020717

Nama : Imam Hudori

Tempat / Tgl. Lahir : Pasuruan / 25 Desember 1989

Jenis Kelamin : Laki-Laki

Agama : Islam

Status Perkawinan : Lajang

Jenjang : Strata Satu (S1)

Program Studi : Teknik Informatika

Alamat Rumah : Jln. Dahlia Kebun Sayur, Gang, Melati 2, No. 42C,

RT.27, RW.8, Kel. Mawar.

Telp. : 085651121113

Email : [email protected]

ID Messenger : imam_khudori

Pekerjaan : Mahasiswa

b. Pendidikan Formal

Jenjang Nama Lembaga Jurusan Tahun Lulus

SD/MI SDN 2 Wonosunyo - 2001

SMP/MTs. SMPN 2 Gempol - 2004

SMA/MK/MA SMA M Walisongo IPA 2007

Demikianlah daftar riwayat hidup ini dibuat dengan sebenarnya.

Banjarmasin, 4 Mei 2011Mahasiswa Ybs.,

Imam Hudori