Jurnal Integrasi Article History

vol. 4, no. 1, 2012, 53-58 Received 13 February 2012

ISSN: 2085-3858 (print version) Accepted 16 March 2012

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

1 Pendahuluan produk. Informasi geometri dan pemesinan yang

Dalam lingkungan bisnis manufaktur job order, order terdapat pada data historis rancangan produk
response dilakukan dengan menyampaikan manufaktur mengandung informasi yang berharga
penawaran harga dan waktu produksi kepada yang dapat membantu proses estimasi biaya produksi
konsumen setelah konsumen menyampaikan pesanan. manufaktur. Karena itu dalam penelitian ini
Estimasi biaya produksi dibuat berdasarkan gambar membahas ekstraksi informasi dari data historis
rancangan produk manufaktur yang dimodelkan rancangan produk manufaktur yang selanjutnya
dalam bentuk file Computer Aided Design (CAD). digunakan sebagai dasar estimasi biaya produksi
Proses estimasi biaya yang didasarkan pada rancangan manufaktur melalui teknik clustering dan predictive
produk membutuhkan waktu dan sumber daya yang data mining.
besar, sehingga order response menjadi lama. Karena
itu diperlukan metode estimasi biaya lain sehingga 2 Estimasi Biaya pada Manufaktur
order response dapat dipercepat.
Menurut Chisholm (1990), manufaktur adalah
Seiring perkembangan teknologi di bidang serangkaian aktifitas dan operasi yang melibatkan
pengelolaan data dan data mining, data historis dapat kegiatan perancangan, pemilihan material,
digunakan untuk mendukung kegiatan pengambilan perencanaan produksi, proses produksi dan
keputusan. Data Mining adalah sebuah tahapan dalam penjaminan kualitas produk. Biaya, secara umum
Knowledge Discovery in Database (KDD) yang dapat didefinisikan sebagai sumber daya ekonomi
diawali dengan kegiatan data cleaning dan data yang diperlukan untuk menyelesaikan aktifitas
selection (tahap penyiapan data) untuk menghasilkan pekerjaan dan biasanya dinyatakan dalam satuan mata
pattern dan rule. Selanjutnya pattern dan rule akan uang.
dievaluasi oleh manajemen organisasi untuk
digunakan sebagai salah satu pendukung pengambilan TABEL 1 PENERAPAN METODE PERKIRAAN BIAYA DALAM DAUR
keputusan. HIDUP PRODUK (LONG, 2000)
Tahap Analitis Analogi Parametrik
Rancangan produk manufaktur berisi informasi Konsepsi ▲ ▲
tentang fitur geometri dan fitur pemesinan, dimana Pengembangan ▲ ▲ ▲
kedua informasi tersebut berkorelasi dengan proses Produksi ▲ ▲
produksi yang diperlukan untuk membentuk sebuah Operasi ▲ ▲
Purna Jual ▲ ▲ ▲
53 | Jurnal Integrasi | 2012 Vol. 4(1) 53-58 | ISSN: 2085-3858
Dalam manufaktur, perkiraan biaya adalah prosedur
untuk memperkirakan biaya manufaktur dari sebuah
produk sebelum seluruh tahapan dalam siklus
pengembangan produk dilakukan. Long (2000)
mengelompokkan siklus pengembangan produk
menjadi 5 (lima) tahap, yaitu: konsepsi,
pengembangan, produksi, operasi dan purna jual
seperti pada Tabel 1. Pada awal daur hidup produk,
informasi yang tersedia sangat terbatas dan akan
semakin lengkap seiring pertambahan tahapan daur
hidup produk tersebut. Berdasarkan ketersediaan
informasi, metode perkiraan biaya yang sesuai untuk
tahap konsepsi adalah metode analogi dan parametrik.
Kegiatan order response merupakan salah satu
kegiatan dalam tahap konsepsi, dimana informasi detil
produk belum tersedia. Metode perkiraan biaya
produksi yang sesuai dalam tahap ini adalah metode
analogi dan parametrik seperti pada Tabel 1.
Gambar 1 Paradok Estimasi Biaya (Bode, 1998)
Besaran biaya dalam manufaktur yang diperlukan
untuk menyelesaikan sebuah produk dapat
diperkirakan lebih akurat pada saat informasi detil
produk sudah tersedia. Dalam tahap perancangan
produk, 70% informasi detil produk sudah tersedia
sehingga diharapkan perkiraan biaya yang dilakukan
pada tahap ini lebih akurat. Namun demikian, pada
tahap perancangan produk, informasi tentang detil
informasi produk belum tersedia, sehingga sulit untuk
membuat perkiraan biaya pada tahap ini. Fenomena
ini disebut sebagai cost estimation paradox seperti
pada Gambar 1.
Menurut Weustink (2000), perkiraan biaya yang
dilakukan berdasarkan pada rancangan produk
ditentukan oleh cost driver yang saling terkait, terdiri
dari geometri, material, proses produksi dan
perencanaan produksi. Pada tahap perancangan, cost
driver yang sangat berpengaruh pada perkiraan biaya
adalah geometri dan material.
Secara umum mennurut Camargo (2003) terdapat 3
metode dalam penentuan cost estimation pada industri
manufaktur:
1. Metode analitis, yaitu perkiraan biaya
berdasarkan data perancangan. Rancangan
produk dirinci menjadi bill of material dan
proses-proses yang dibutuhkan untuk
menyelesaikan produk tersebut. Metode ini
1 | Jurnal Integrasi | 2012 Vol. 4(1) 53-58 | ISSN: 2085-3858
sesuai untuk diterapkan pada tahap produksi
pengembangan sebuah produk baru.
Kelemahan dari metode ini adalah a) hanya
dapat diterapkan jika data rancangan dan
proses produksi sudah diketahui b)
membutuhkan data dan sumber daya yang
besar.
2. Metode analogi, yaitu perkiraan biaya
berdasarkan kemiripan produk terhadap
produk sejenis yang pernah diproduksi.
Aspek kemiripan yang dibandingkan dalam
metode ini di antaranya adalah kemiripan
fungsi, kemiripan fitur dan kemiripan
morfologi fisik. Metode ini menuntut
kepakaran dan pengalaman dalam melakukan
penentuan tingkat kemiripan antar produk.
3. Metode parametrik, yaitu metode dengan
perkiraan biaya dengan pemodelan matematis
dari sejumlah Cost Estimation Relationships
(CER), aturan dasar (ground rules),
asumsi-asumsi, variabel dan konstanta untuk
mendeskripsikan dan mendefinisikan kondisi
tertentu. Metode ini dapat dilakukan dengan
cepat, namun menuntut pemutakhiran model
matematis sesuai perkembangan variasi
produk. Metode ini sangat berguna terutama
pada tahap awal perancangan produk dimana
informasi detil belum tersedia. CER
merupakan ekspresi matematis yang
memberikan biaya produksi sebagai fungsi
dari satu atau lebih variabel cost driver.
Kelebihan penggunaan CER adalah:
memungkinkan estimasi yang cepat tanpa
perlu informasi detil dan CER dilakukan
berdasarkan ongkos produksi historis yang
nyata.
3 Algoritma K-Means dan MLR
Algoritma k-means merupakan salah satu teknik
clustering dengan partitioning method, dimana
inisialisasi titik pusat cluster secara random sangat
mempengaruhi hasil proses clustering. Menurut
Deelers (2007), perbaikan proses inisialisasi awal titik
pusat cluster dapat dilakukan dengan cara melakukan
partisi data berdasar pada atribut yang mempunyai
variansi tertinggi.
Sedangkan Multiple Linear Regression (MLR)
merupakan salah satu teknik dalam predictive data
mining. Menurut Fayyad (1996), tujuan akhir dari data
mining adalah untuk membuat prediksi terhadap data
baru berdasarkan data historis, karena itu predictive
data mining banyak diterapkan dalam berbagai
aktivitas bisnis. Predictive data mining prediksi
sebuah label data baru berdasarkan aturan yang telah
dibangkitkan dari data historis.
M
4
e
 t yaitu: function yang
menghitung jumlah
o minimum. Selanjutnya,
1. Kemiripan kesalahan absolut tiap
d teknik multiple linear
sebagai data dan selanjutnya
e regression (MLR)
predikat, digunakan untuk dibagi dengan jumlah
menyatakan menentukan rumus data.
Penelitian ini berencana apakah dua
melakukan data mining estimasi biaya produksi
buah objek A untuk setiap kelompok 5
untuk data historis dan B
rancangan produk produk yang
mempunyai mempunyai kemiripan
manufaktur. Rancangan kemiripan atau D
produk manufaktur fitur geometri dan fitur a
tidak pemesinan.
biasanya disimpan t
dalam bentuk gambar. 2. Kemiripan Untuk akurasi prediksi, a
Karena itu dalam sebagai tingkat ukuran yang digunakan
penelitian ini perlu relasi, adalah Minimun S
melakukan proses menyatakan Average Percentage of e
ekstraksi gambar bahwa objek A Error (MAPE). MAPE
menjadi informasi lebih mirip t
adalah rata-rata
berbentuk teks agar kepada objek persentase absolut dari Data yang digunakan
pemrosesan data dapat B penyimpangan hasil adalah 44 buah file
dilakukan lebih lanjut. dibandingkan estimasi, yang didapat solidwork (*.sldprt)
Proses ekstraksi dan objek C dengan yang merupakan data
pengolahan data dalam rancangan produk
penelitian ini dilakukan 3. Kemiripan
sebagai manufaktur di sebuah
oleh perangkat lunak industri kecil PT X
yang secara khusus ukuran,
menyatakan pada periode bulan
dikembangkan untuk Januari-Mei 2007.
mendukung penelitian tingkat
kuantitatif Jumlah dataset yang
ini. digunakan sangat
kemiripan dari
Terkait teknik data dua buah sedikit untuk kepeluan
mining yang objek A dan B data mining,
digunakan, maka perlu dikarenakan tingkat
dilakukan kegiatan Layer (2003) ketersediaan file
menyatakan bahwa rancangan dalam
penyiapan data, yang
tidak ada cara untuk bentuk solidwork yang
dalam hal ini terdiri
mengukur kemiripan terbatas. Contoh file
dari: 1) Data
secara umum, karena yang akan diekstrak
cleaning, terdiri dari
kemiripan selalu terkait disajikan pada Gambar
kegiatan untuk
dengan tujuan spesifik 2.
menghilangkan noise
dan mengelola yang ingin dicapai.
missing value. 2) Data Dalam penelitian ini,
integration and clustering dengan
transformation, yaitu teknik k-means
integrasi dari beberapa digunakan sebagai
sumber data berupa pengolahan awal
database, file atau data terhadap data historis
cube. rancangan produk
Sedangkan untuk dengan pertimbangan
teknik data mining kemudahan perhitungan
yang digunakan, dan kemudahan
digunakan kombinasi visualisasi untuk
antara clustering dan keperluan interpretasi.
classification. K-means membagi
Gambar 2 Contoh File
Clustering ini koleksi dari n vector xj, Gambar Rancangan
digunakan untuk j=1,..,n menjadi c Produk Manufaktur
mengelompokkan kelompok G, i=1,..,c
produk yang mirip. dan menentukan pusat
Kemiripan dapat cluster dalam setiap
diformalisasikan kelompok dengan
menjadi tiga bagian, berdasarkan cost
2 | Jurnal Integrasi | 2012 Vol. 4(1) 53-58 | ISSN: 2085-3858
 an a i
M t n
a a g
n
u Kegiatan penyiapan Clustering dimulai
f data yang digunakan dengan kegiatan
dalam penelitian ini inisialisasi titik pusat
a
terdiri dari 2, yaitu cluster sesuai
k pemilihan atribut dan langkah pertama
t penanganan nilai algoritma K-Means.
u kosong. Seleksi atribut Pada algoritma K-
G
a r digunakan untuk Means, titik pusat
m melakukan pemilihan cluster
b Proses ekstraksi ini atribut yang akan
a akan mengenali jenis
r digunakan untuk data
objek komponen mining. Proses ini
3 gambar pada setiap mempergunakan data
sumbu gambar {x+, x-, masukan pengguna
F y+, y-, z+, z-}.
i berdasarkan skema
t Informasi yang data hasil ekstraksi
u diekstrak dari gambar seperti disajikan pada
r rancangan manufaktur Gambar 5.
berisi informasi terkait
P
e fitur pemesinan. Fitur Sedangkan penanganan
m adalah sekumpulan nilai kosong digunakan
e bentuk permukaan untuk mengisi nilai
s produk manufaktur kosong yang mungkin
i
n yang mempunyai arti didapatkan sehingga
a bentuk rekayasa khusus data menjadi lengkap.
n seperti pada Gambar 3. Nilai kosong diisi
Knoblach (1998) dengan nilai mean dari
meneliti tentang sebuah atribut tempat
6
perkiraan biaya dimana data kosong
Ekstraks berada.
produksi berbasis pada
i
biaya pembuatan fitur
Gambar untuk mass production.
Rancang
Geometri berisi tentang
Panjang, Lebar, Tinggi
dan Volume Produk.
sedangkan Fitur
Pemesinan menyimpan
informasi mengenai
jumlah Hole, Face,
Pocket, Boss, Surface
dan Side.

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