Data Mining untuk Estimasi Biaya Produksi pada Industri Kecil dengan
Sistem Produksi Job order
Uuf Brajawidagda
Jurusan Teknik Informatika
Politeknik Negeri Batam
Parkway, Batam Centre, Batam 29461, Indonesia
E-mail: uuf@polibatam.ac.id
Abstrak
Sistem produksi job order yang sering digunakan oleh industri kecil adalah sistem produksi berbasis pesanan
yang dicirikan dengan variasi produk banyak, skala produksi berukuran kecil dan daur hidup produk yang
pendek. Pesanan yang datang dari konsumen harus ditanggapi dengan segera dalam bentuk penawaran harga dan
waktu produksi. Proses penawaran harga menuntut kecepatan proses estimasi biaya produksi sehingga respon
kepada konsumen dapat dilakukan lebih cepat. Dengan metode K-Means dan Multiple Linear Regression (MLR)
secara bersama-sama, estimasi biaya dengan metode analogi dapat dilakukan sehingga dapat mempercepat proses
estimasi biaya. Metode K-Means digunakan untuk melakukan pengelompokan produk sedangkan metode MLR
digunakan untuk membangkitkan model estimasi biaya untuk setiap kelompok. Akurasi model diukur dengan
mempergunakan Mean Absolute Percentage Error (MAPE) dan digunakan untuk menentukan kemampuan model
estimasi biaya yang dibangkitkan.
Kata Kunci: Job Order, Estimasi Biaya, K-Means, Multiple Linear
Regression
7 Gambar 5 Pemilihan
Fitur Produk untuk
Clustering
P
Gambar 4 Hasil
Ekstraksi Fitur
e
Produk Manufaktur n 8
y
Secara rinci, informasi i C
yang diekstrak dalam l
a
penelitian ini terdiri dari u
OrderID, ProductName, p
a s
Fitur Geometri dan
Fitur Pemesinan seperti n t
disajikan pada Gambar e
4. Informasi Fitur D r
3 | Jurnal Integrasi | 2012 Vol. 4(1) 53-58 | ISSN: 2085-3858
dalam sejumlah selanjutnya menghitung
awal ditentukan dengan
kelompok data yang digunakan koefisien nilai
cara memilih sejumlah
disebut cluster. Proses sebagai data regresi.
data secara acak.
ini dilakukan dengan masukan pada
Dengan proses ini, Dengan dua proses
cara menghitung jarak proses
diharapkan proses tersebut, maka aturan
Euclidian data terhadap penghitungan
pengelompokan produk estimasi pada masing-
centroid. Jarak terkecil koefisien
dapat dilakukan secara masing cluster
terhadap titik pusat regresi.
lebih baik diperoleh seperti
cluster dijadikan
dibandingkan dengan 2. Membuat disajikan pada Gambar
sebagai dasar
penggunaan algoritma koefisien 7.
pengalokasian data ke
K-Means biasa. Proses regresi
dalam cluster. Setelah aturan estimasi
ini dilakukan dengan dilakukan
menentukan jumlah untuk terbentuk, dilakukan
cluster seperti disajikan 9 pengujian
pada Gambar 6 dan Pembuatan dengan menggunakan
selanjutnya hasil dari T
Aturan data historis. Pengujian A
proses ini adalah Estimasi dan dilakukan dengan B
E
sejumlah centroid P membandingkan antara L
sesuai dengan jumlah
e nilai estimasi dengan 2
cluster. biaya produksi historis.
n
g Dari 44 data yang diuji, H
menghasilkan nilai A
u S
j MAPE yang bervariasi I
dengan kecenderungan L
i
semakin banyak jumlah
a cluster, maka nilai P
n MAPE lebih kecil.
E
N
Artinya, semakin G
Pembuatan aturan banyak jumlah cluster, U
estimasi dilakukan maka akurasi estimasi J
dengan menggunakan semakin baik. Namun
I
algoritma MLR. Proses A
demikian, ketika jumlah N
pembuatan algoritma cluster semakin banyak,
dilakukan dengan akurasi tidak linear
Jumlah Jumlah MAPE
melakukan langkah- Data Cluster
turun terus tetapi 44 2 34.5%
langkah berikut: cenderung stabil pada
44 3 32.5%
1. Membuat kisaran 34% seperti
disajikan pada Tabel 2. 44 4 32.1%
G matrik
a persamaan 44 5 31.5%
m
b
linier untuk 44 10 32.0%
a membuat dua
44 20 36.0%
r buah matrik,
yaitu matrik 44 30 33.5%
6
yang berisi 44 40 34.0%
P variabel
r dependen dan
o matrik biaya.
s
e Matrik
s variabel
dependen
C diperoleh dari
l
u proses
s clustering,
t sedangkan Gamb
e matrik biaya ar 7
r Atura
i diperoleh dari n
n data pesanan. Estim
g Matrik asi
variabel setiap
Selanjutnya dilakukan Cluste
dependen r
pengelompokan data| ke
4 | Jurnal Integrasi 2012 Vol. 4(1) 53-58 | ISSN: 2085-3858
dan Side. Namun
Gamba 10 Estimasi demikian, ekstraksi Terhadap hasil
r8
Estimas
Harga belum dapat estimasi, dengan nilai
i Terhadap merepresentasikan MAPE berkisar
terhada Produk proses pemesinan 24%, akurasi
p
Ba karena informasi tidak estimasi
Produk
ru dilakukan secara lebih dipastikan
Baru
rinci. Informasi seperti tidak baik.
Terdapat dua langkah volume massa yang
yang dilakukan dalam dihasilkan dari sebuah 1
menghitung estimasi fitur tentu akan sangat 2
harga baru ini. Pertama berpengaruh terhadap
adalah menentukan proses pemesinan yang K
keanggotaan sebuah diperlukan. Data fitur
data baru terhadap e
pemesinan yang lebih
kelompok data yang rinci diduga akan s
dihasilkan dari aturan menghasilkan proses i
estimasi. Jarak pengelompokan produk m
Euclidian terkecil antara dan prediksi yang lebih p
data baru dengan titik baik. u
pusat masing-masing l
cluster dijadikan Pada teknik penyiapan
a
sebagai acuan. data, sebenarnya
terdapat banyak pilihan n
Setelah keanggotaan yang digunakan. Dalam
Estimasi biaya selalu
dalam sebuah cluster penelitian ini hanya
menjadi pekerjaan
ditentukan, maka dapat disediakan pilihan
penting dalam system
estimasi biaya produk terbatas kepada
produksi job order.
berdasarkan koefisien pengguna. Terkait
Penelitian ini telah
regresi dapat dilakukan dengan teknik data
berhasil membuktikan
dengan cara mengalikan mining yang
bahwa sebuah teknik
parameter prediksi digunakan, deskripsi
estimasi berdasarkan
dengan masing-masing kelompok produk dapat
data historis dapat
koefisien regresi akan ditambahkan sehingga
dilakukan. File
menghasilkan prediksi memudahkan pengguna
rancangan produk masa
biaya seperti disajikan untuk memahami
lalu dapat dijadikan
pada Gambar 8. batasan kuantitatif dari
sebagai basis estimasi.
sebuah kelompok
Namun demikian,
produk. Selain itu,
1 identifikasi fitur
teknik data mining lain
1 geometri sebagai dasar
untuk keperluan
estimasi biaya
prediksi produk baru
P pemesinan masih
dapat diterapkan
e merupakan tantangan.
sehingga dapat
m Berbagai penelitian
memberikan
telah dilakukan pada
b pertimbangan yang
bidang ini dan terus
a lebih baik bagi
berkembang. Pada
h pengguna perangkat
akhirnya, penelitian
a lunak dalam
ini dapat dijadikan
menentukan harga
s untuk
prediksi.
a
penelitian lanjutan pada r
n
area estimasi biaya, e
Ekstraksi data fitur manufacturing feature n
pemesinan sudah identification ataupun s
mampu mengekstraksi data mining. i
informasi umum produk
seperti: panjang, lebar [1] Betts, M.,
R “The Almanac: Hot
dan tinggi material serta
jumlah Hole, Face,
e Tech”,
Pocket, Boss, Surface f ComputerWorld
5 | Jurnal Integrasi | 2012 Vol. 4(1) 53-58 | ISSN: 2085-3858 e
52, 2003 Centers Derived 1998
from Data [13] Layer, Alexander,
[2] Berkhin, P., Partitioning along “Case-Based Cost
“Survey of the Data Axis with Estimation, A
Clustering Data the Highest Building Block for
Mining Variance”, Product Cost
Techniques”, Proceedings of Management and
Accrue Software, World Academy of Design-For-X”,
1045 Forest Knoll Science, University of
Dr., San Jose, 2002 Engineering And Twnete, 2003
Technology Volume [14] Long J., “Parametric
[3] Bode, J., ‘Decision 26
support with neural Cost Estimating in The
ISSN 1307-6884, New
networks in the
2007 Millenium”, Price
management of
research and [8] Fayyad, Usama, Sistem, 2000
development: M., “Data-Mining
concepts and [15] Weiss, Sholom M.
and Knowledge
application to cost et al., “Predictive
Discovery: Making
estimation’, Data-Mining: A
Sense Out of Data”,
Information & Practical Guide”,
Microsoft Research
Management 34, San Francisco,
IEEE Expert, 11:5.
pp. 33-40, 1998 Morgan Kaufmann,
(1996), pp. 20-25,
1998
1996
[4] Brinke, E.T.,
“Costing Support [16] Weustink, I.F.,
[9] Giudici, P.,
and Cost Brinke, E.T.,
“Applied Data-
Controlling in Streppel, A.H.,
Mining: Statistical
Manufacturing: A Kals, H.J.J., ‘A
Methods for
Cost Estimation generic framework
Business and
Tool Applied in for cost estimation
Industry”, West
The Sheet Metal and cost control in
Sussex, England:
Domain”, product design’,
John Wiley and
PrintPartners Journal of Materials
Sons, 2003.
Ipskamp, Enschede, Processing
The Netherlands, [10] Godswill, C Technology 103,
2002 Nsofor, “A pp. 141-148,
Comparative 2000
[5] Camargo M., A.M Analysis of
Jolly Dessodt, J.M Predictive Data
Castelain, Mining
“Application of Techniques”, Tesis,
Parametric Cost University of
Estimation in the Tennessee, 2006
Textile Supply
Chain”, Journal of [11] Han Jiawei and
Textile Apparel, Micheline Kamber,
Volume 3, Issue 1, “Data Mining
2003 Concept and
Techniques”,
[6] Chisholm, A.W.J , Morgan Kaufmann,
‘Nomenclature and 2001
Definitions for
Manufacturing [12] Knoblach, Jurgen,
Systems’, Annals “Cost Estimation
of the CIRP for Large Scale
39/2, pp. 735-742, Production of Sheet
1990. Metal Parts Using
Artificial Neural
[7] Deelers, S., Networks”,
“Enhancing K- Production
Means Algorithm Engineering
with Initial Cluster Journal, Vol. V/2,
6 | Jurnal Integrasi | 2012 Vol. 4(1) 53-58 | ISSN: 2085-3858