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
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
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.
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..
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
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
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
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
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
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
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
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.
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.
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
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 :
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
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
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
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 :
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
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
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
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.
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
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
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
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
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 %
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
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.
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
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
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)
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)
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)
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)
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)
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).
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
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 %
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
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.
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
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
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.
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
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 .
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
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