1 PREDIKSI KAPASITAS PRODUKSI, KONSUMSI PHOSPHATE ROCK DAN ASAM SULFAT UNTUK PEMILIHAN SUPPLIER DENGAN METODA DATA MINING oleh : EKO JUNIANTO 9107201611 DOSEN PEMBIMBING : Ir. BUDI SANTOSA MSc. Ph.D
1
PREDIKSI KAPASITAS PRODUKSI, KONSUMSI PHOSPHATE ROCK DAN ASAM SULFAT UNTUK
PEMILIHAN SUPPLIER DENGAN METODA DATA MINING
oleh :EKO JUNIANTO
9107201611
DOSEN PEMBIMBING : Ir. BUDI SANTOSA MSc. Ph.D
2
Latar Belakang Permasalahan TUNTUTAN PROFIT SEBESAR BESARNYA OPTIMALISASI PROSES BISNIS,
SANGAT DIPENGARUHI PEMILIHAN BAHAN BAKU DENGAN SPESIFIKASIBERVARIASI (BECKER, 1989)
TARGET PERUSAHAAN SESUAI BAHAN BAKU YANG DIPILIH (LIU, JIAFU DANSONG, 2006) DAN PERLU PERENCANAAN DAN PENGENDALIAN BAHAN BAKU(RIANE DKK, 2001)
PERMINTAAN PUPUK BERBASIS PHOSPHATE SEBAGAI MATERIAL PENTINGDALAM PRODUKSI PERTANIAN (NOTHOLT, 1991) , MAKA KETERSEDIAAN,KUALITAS ASAM PHOSPHATE SEBAGAI POINT PENTING PENENTUANTARGET PRODUKSI.
METODE PEMILIHAN PHOSPHATE ROCK PEMBUATAN ASAM PHOSPHATEMENJADI POINT SERIUS KERENA VARIASI SPESIFIKASI TAMBANG DUNIA ,DENGAN METODE DATA MINING AKAN MEMBANTU UNTUK PREDIKSIPRODUK YANG DIHASILKAN (TSENG DKK, 2006)
PENELITIAN MENGGUNAKAN DATA MINING DENGAN MENGKLASIFIKASISPESIFIKASI POSPHATE ROCK, PRODUKSI ASAM PHOSPHATE, KONSUMSIPHOSPHATE ROCK DAN ASAM SULFAT DAPAT DIGUNAKAN UNTUKMEMPREDIKSI SUPPLIER PHOSPHAT E ROCK PADA P ROSES PRODUKSIASAM PHOSPHATE
Situasi Global, Perusahaan :
3
PERMASALAHAN : BAGAIMANA CARA MENENTUKAN SUPPLIER
PHOSPHATE ROCK TERBAIK DILIHAT DARI PRODUK ASAM PHOSPHATE, KONSUMSI PHOSPHATE ROCK DAN ASAM SULFAT PADA PROSES PRODUKSI ASAM PHOSPHATE ?
DENGAN MODEL KLASIFIKASI APA YANG SESUAI DENGAN TEKNIK DATA MINING YANG DIPILIH ?
4
Tujuan Penelitian MENDAPATKAN MODEL PREDIKSI YANG AKURAT
UNTUK KAPASITAS PRODUK ASAM PHOSPHATE,KONSUMSI PHOSPHATE ROCK DAN ASAM SULFAT.
MENERAPKAN MODEL UNTUK MENGKLASIFIKASIPHOSPHATE ROCK SESUAI DENGAN KARAKTERISTIKYANG TERKANDUNG DALAM PHOSPHATE ROCKSUPPLIER
IDENTIFIKASI FAKTOR-FAKTOR YANG BERPENGARUHDALAM PEMILIHAN SUPPLIER PHOSPHATE ROCK
5
DENGAN MODEL YANG DIDAPATKAN AKANDENGAN MUDAH DITENTUKAN SUPPLIERPHOSPHATE ROCK UNTUK PROSES PRODUKSIASAM PHOSPHATE YANG TERBAIK
DAPAT MEMBERIKAN INFORMASI KEPADAPENGAMBIL KEPUTUSAN SERTA MEMPERKENAL-KAN ALAT BANTU PENGAMBILAN KEPUTUSANYANG RASIONAL DALAM PEMILIHAN SUPPLIERPHOSPHATE ROCK
Manfaat Penelitian
6
BATASAN DAN ASUMSI1. PENELITIAN DILAKSANAKAN DI PABRIK ASAM PHOSPHATE
PT PETROKIMIA GRESIK.2. JENIS PROSES PABRIK ASAM PHOSPHATE ADALAH HEMI-
DI HYDRATE PROCESS.3. DATA YANG DIPERLUKAN DIAMBILKAN DARI DATA PROSES
PABRIK ASAM PHOSPHATE PT PETROKIMIA GRESIK.4. DATA PEMAKAIAN BAHAN PHOSPHATE ROCK, PRODUKSI DAN
KONSUMSI PHOSPHATE ROCK DAN ASAM SUFAT DITENTUKANBERDASARKAN PENGGUNAAN SELAMA 6 TAHUN SEJAKTAHUN 2004.
5. PHOSPHATE ROCK YANG DITELITI ADALAH PERSEDIAANINCOMING MATERIAL (BUKAN PERSEDIAAN BARANGSETENGAH JADI & BARANG JADI/PRODUK).
6. PLANT RELIABILITY PABRIK ASAM PHOSPHATEPT PETROKIMIA GRESIK PADA KONDISI BAIK.
7
Variasi bahan baku phosphate rock mempengaruhi pemilihan teknologi proses pembuatan asam phosphate (Becker, 1989)
Menurut Haksever dan Moussourakis (2005) jumlah dan kapan order bahan baku agar produk didapatkan optimal karena variasi kualitas dan variasi harga phosphate rock yang dipasok
TINJAUAN PUSTAKA DAN KAJIAN TEORITIS
9
PENDEKATAN METODA DATA MINING
o TEKNIK DATA MINING SANGAT MEMBANTU MENEMUKAN SOLUSI YANGBAIK PADA DUNIA BISNIS DI ERA GLOBALISASI TERUTAMA DALAMPENGAMBILAN KEPUTUSAN MANAJEMEN (ÇOBAN A., DKK., 2006),(TZUNG DKK., 2009)
o METODA DATA MINING ATAU JUGA SERING DISEBUT KNOWLEDGEDISCOVERY IN DATABASE (KDD) ADALAH SUATU KEGIATAN MELIPUTIPENGUMPULAN DATA, PEMAKAIAN DATA HISTORIS UNTUKMENEMUKAN KETERATURAN, POLA ATAU HUBUNGAN SET DATABERUKURAN BESAR. DAN INI TELAH DILAKUKAN OLEH PENELITISEBELUMNYA, MISALNYA OLEH MASTROGIANIS DKK. (2009), GERARDODAN LEE (2009), LEE DKK, LI DAN SUN (2009), CHEN DKK.(2009), YANGDKK. (2008), SHINHA DAN ZHAO, (2008), SERTA TSENG DKK. (2006) DANLAINNYA.
o SANTOSA (2007), PETRY DAN ZHAO (2009), DAT A MINING ERAT KAITANNYA DENGAN MACHINE LEARNING ATAU KECERDASAN BUATAN YANG BERHUBUNGAN DENGAN TEKNIK-TEKNIK YANG BISA DIPROGRAMKAN DAN BELAJAR DARI DATA MASA LALU
10
SUPERVISED
TEKNIK DATA MINING
UNSUPERVISED
KONSEP/PENDEKATAN DATA MINING
CIRI-CIRI VARIABEL DATA 1. TANPA DATA TRAINING2. TANPA DATA LABEL (OUTPUT)
CIRI-CIRI VARIABEL DATA 1. ADA DATA TRAINING2. ADA DATA TESTING3. ADA DATA LABEL (OUTPUT)
11
PARTISIONING
PENGELOMPOKAN OBJEK DALAM
JUMLAH K KLASTER
KLASTERINGUNSUPERVISED
• K – MEANS KLASTER
HIRARKITIDAK PERLU JUMLAH KLASTER DIAWAL. SETIAP TITIK MENJADI KLASTER LALU DIGABUNG DENGAN TITIK LAIN TERDEKAT UNTUK MEMBENTUK KLASTER YANG LEBIH BESAR
FUZZY CLUSTER MEANS
(FCM)
KONSEP DATA MINING
12
BACK PROPAGASI
SUPERVISED
KONSEP DATA MINING
LOGISTIK
LINIER
MULTIVARIATEREGRESI
KLASIFIKASINON LINIER
LINIER
NEURAL NETWORK
RECURRENT NET WORK
LEARNING VECTOR QUANTIZATION
ANALISIS DISKRIMINAN LINIER
(LDA)
DUA KELAS
MULTI KELAS
KLASIFIKASI
TEOREMA BAYES NAIVE BAYES
DECISION TREE
C 4.5
INDUCER DECISION TREES (ID3)
CLASSIFIER AND REGRESSION TREE( CART)
METODE KERNEL
SVM MULTI KELAS
SUPPORT VECTOR MACHINE (SVM)
PENGENALAN POLA DIDASARKAN KUANTIFIKASI TRADE OFF ANTARA BERBAGAI KEPUTUSAN KLASIFIKASI
ASUMSI PENYEDERHANAAN BAHWA NILAI ATRIBUT SECARA KONDISIONAL SALING BEBAS JIKA DIBERIKAN NILAI OUTPUT
MENGKLASIFIKASIKAN OBYEK DENGAN URUTAN PERTANYA-AN UNTUK MENENTUKAN KELOMPONYA, SEHINGGA ADA SIMPUL –AKAR DAN JAWABAN DIKEMUKAKAN PADA CABANG-CABANG.
MENGGUNAKAN KRITERIA INFORMATION GAIN UNTUK MEMILIH ATRIBUT PADA PEMISAHAN OBYEK
SETIAP SIMPUL DIPECAH MENJADI 2 CABANG, SEBAGAI UKURAN IMPURITY DIGUNAKAN INDEKS GINI
13
14
5. BAYES CLASSIFIER
YOUN , JEONG., (2009), MITCHEL, (1997)
MENYATAKAN SECARA TEORITIS SEBUAH OPTIMAL CLASSIFIER BAYES ADALAH MEMINIMALKAN ERRORRATE EXISTS DAN MAPPING OF EQUIVALENT
METODA DATA MINING
15
METODA DATA MINING
mapping of equivalent adalah :
Dimana P(y = -1 I X=x) adalah kondisional probability hasil klas adalah
negatif diberikan sebuah atribut vektor khusus.
16
METODA DATA MINING
Kaidah probaility ini equivalent untuk :
Dimana P(X = x I y = -1) adalah kondisional probability hasil klas adalah
negatif diberikan sebuah atribut vektor khusus, dan P(y=-1) adalah
probability utama hasil klas adalah negatif.
17
METODA DATA MINING
KLASIFIER NAIVE BAYES
Salah satu penerapan bayes theorem dalam klasifikasi adalah Naïve Bayes Classifier.
∏∈= vj)P (ai P (vj) argmax V V vjnb
dimana Vnb adalah output klasifikasi naïve bayes dengan nilai atribut a1, a2, a3, ……. an
Estimasi P (ai | vj), menggunakan m estimasi :
Dimana n = jumlah datatraining untuk v = vj
m n mp n c
++
= vj)P (ai
nc = jumlah data training untuk v = vj dan a = aj
p = pior estimate untuk P (ai | vj)
18
METODA DATA MINING
DECISION TREE
Salah satu alat/tool dan mudah diimplementasikan untuk klasifikasi adalahdecision tree, ini sangat cocok untuk kasus dimana nilai atribut dan outputnyaberupa nilai diskrit. (Santosa, 2007)
Aplikasi Metode Decision Tree :1. Classification and regression Trees (CART)2. Inducer of Decision Trees (ID3)
Decisison tree bisa dilakukan dengan 2 cara yakni1. Top-down tree construction Pada start, semua contoh training adalah akar Contoh-contoh pemisah diulang dengan memilih 1 atribut setiap waktu
2. Bootom up tree pruning Hilangkan substrees atau ranting dengan cara bottom-up untuk
memperbaiki akurasi pada kasus baru
19
METODA DATA MINING
DECISION TREE
Pemilihan pemisahan atribut1. setiap node, menggunakan fungsi goodness
Atribut yang ada dievaluasi dalam basis pemisahankelas dari contoh training
2. Tipikal fungsi goodness ada 3 yakni informationgain A (ID3/C. 45), information gain ratio dan giniindex.
3. Informasi diukur dalam bits, sebuah probabilitydistribusi, info dibutuhkan untuk mempredik padasebuah event adalah distribusinya entropy
20
METODA DATA MINING
DECISION TREEKomputasi information gain = information sebelum split – informasi setelah split.
Entropy (p1,p2,p3 ..........pn) = -p1 log p1 – p2 log p2 ............. pn log pn
)(y entropy yy nilai A cy) - entropy ( Gain (y,A) c
c∑ ∈=
) rq
r , rq
qr) x ( (q r) r)(p,qropy (p,q,,q,r): ententropy (p++
+++
Dimana nilai A adalah semua nilai mungkin dari atribut A dan Yc adalah subset dari y dimana A mempunyai nilai c.
Yaitu untuk menghitung gain ratio, dimana s adalah s1 ………. sc dan c adalah sub set yang dihasilkan dari pecahan s dengan menggunakan atribut A yang mempunyai sebanyak c nilai.
ss log2
ss - n)Informatio (Split A)(S, Info Intricic ii∑=
21
METODA DATA MINING
DECISION TREE
A)(s, info cinsitiansi
AS Gain A)(S, ratio Gam ),(=
Indek Gini, jika kelas objek dinyatakan dengan k, k-1,2,3, ........c adalah jumlah kelas untuk variable/output dependen y, maka untuk cabang A dihitung seperti dibawah ini :
∑=
−=c
kk P 1 (A)IG
1
2
22
MEMBANDINGKAN MODEL
1. Tidak ada model terbaik untuk semua kasus data mining untukmemprediksi atau klasifikasi yang harus dipilih, karena biasanya untuk satu kasus diterapkan beberapa teknik atau parameter yang berbeda
2. Cara membandingkan model - Membandingkan nilai error yang dihasilkan - Model yang mempunyai hasil nilai error terkecil itulah model yang dipilih(Santosa, 2007).
3. Menurut Sivakumasi S., (2009), atribut ranking method digunakan untuk mengevaluasi C4.5 (Decision tree) dan naive bayes
23
METODOLOGI PENELITIAN MULAI
TAHAP I : PENGUMPULAN DATA
TAHAP II : IDENTIFIKASI PARAMETER DATA
TAHAP III : PENGOLAHAN DATA
MODEL DECISION TREE
MODEL NAIVE BAYES
AKURASI NAIVE BAYES
AKURASI DECISION TREE
PEMILIHAN MODEL
A
DIBANDINGKAN
25
TAHAP I : PENGUMPULAN DATA
SUMBER DATA : UNIT ASAM PHOSPHATE PT PETROKIMIA GRESIK SUBJECT DATA : ANALISA PHOSPHATE ROCK, PRODUK ASAM
PHOSPHATE, KONSUMSI PHOSPHATE ROCK DANASAM SULFAT
WAKTU : JANUARI 2005 - DESEMBER 2009
TAHAP II : IDENTIFIKASI PARAMETER DATA
1. Kelompok/variabel input atau variable x, yakni variabel independent/prediktor - Supplier/asal negara phosphate rock- Kualitas phosphate rock : P2O5, CaO, SiO2, CO2, Fe2O3, Al2O3, F, K2O,MgO, Na2O3, SO3, Cl2, Moisture, Organic Carbon
26
TAHAP II : IDENTIFIKASI PARAMETER DATA
2. Kelompok/variabel output atau variabel y, yakni variabel dependent/responsterdiri atas 3 label yakni- Produksi asam phosphate :
Produksi <610 t/jam, label rendahProduksi 610 – 630 t/jam, label sedangProduksi >630 t/jam, label tinggi
- Konsumsi phosphate rockKonsumsi phospahte rock (ton/ton produk) > 3,4, label rendahKonsumsi phospahte rock (ton/ton produk) 3,21-3,4 , label sedangKonsumsi phospahte rock (ton/ton produk) < 3,21, label tinggi
- Konsumsi asam sulfatKonsumsi asam sulfat (ton/ton produk) > 3,0, label rendahKonsumsi asam sulfat (ton/ton produk) 2,9 -3,0, label sedangKonsumsi asam sulfat (ton/ton produk) <2,9 , label tinggi
27
TAHAP III : PENGOLAHAN DATA
MODEL NAIVE BAYES
dimana x adalah variabel indpenden kualitas phosphate rock : P2O5, CaO, SiO2, CO2, Fe2O3, Al2O3, F, K2O, MgO, Na2O3, SO3, Cl2, Moisture, Organic Carbon adalah variabel dependen prediksi output produksi asam phosphate y1, konsumsi phophate rock y2 dan konsumsi asam sulfat y3.
Dengan memasukan varabel x akan diperoleh y1, y2 dan y3 yang merupakannilai probabilitas dengan kesimpulan rendah, sedang atau tinggi.
28
TAHAP III : PENGOLAHAN DATA
MODEL DECISION TREE
KAP. PRODUKSI
P.R. MAROKOP.R. MESIR P.R. YORDAN
- TINGGI- SEDANG- RENDAH
- TINGGI- SEDANG- RENDAH
- TINGGI- SEDANG- RENDAH
29
KONSUMSI PH. ROCK
P.R. MAROKOP.R. MESIR P.R. YORDAN
- TINGGI- SEDANG- RENDAH
- TINGGI- SEDANG- RENDAH
- TINGGI- SEDANG- RENDAH
DENGAN CARA YANG SAMA DIBUAT KONSUMSI ASAM SULFAT
TAHAP III : PENGOLAHAN DATA
MODEL DECISION TREE
30
TAHAP III : PENGOLAHAN DATA
MODEL DECISION TREE
Masukan variable x dari kualitas phospahate rock kedalam rumus-rumus dibawahini untuk mendapatkan probabilitas variabel y (y1, y2dan y3),
Entropy (p1, p1, p1 .............pn) = -p1log p1 – p2log p2 .................................. pnlog pn
dimana nilai A adalah semua nilai mungkin dari atribut A dan yc adalah subsetdari y dan A mempunyai nilai c.
31
TAHAP III : PENGOLAHAN DATA
MODEL DECISION TREE
log2log2log2
Gain Ratio :
dimana s adalah s1........sc dan c adalah sub set yang dihasilkan dari pemecahan sdengan menggunakan atribut A yang mempunyai sebanyak c nilai.
Indek ini, jika kelas obyek dinyatakan dengan k, k-1,2,3,......c adalah jumlahkelas untuk variable/output dependen y, maka gini untuk cabang A dihitungseperti dibawah ini :
ss log2
ss - n)Informatio (Split A)(S, Info Intricic ii∑=
A)(s, info cinsitiansi
AS Gain A)(S, ratio Gam ),(=
∑=
−=c
kk P 1 (A)IG
1
2
Jumlah prediksi benarAkurasi = -------------------------- , atau
Jumlah total Prediksi
Jumlah prediksi salahError rate = -------------------------
Jumlah total prediksi
32
TAHAP IV : PEMILIHAN MODEL KLASIFIKASI
Untuk membandingkan model naive bayes dan decision tree dengan melihat Error terkecil atau melalui kriteria dibawah ini :
33
TAHAP V : ANALISIS DAN KESIMPULAN
• MENGUJI MODEL , APAKAH MODEL KLASIFIKASI PADA METODEDATA MINING DENGAN YANG DIKEMBANGKAN SUDAH BISAMENJAWAB PERMASALAHAN DALAM TOPIK PENELITIAN
• MELAKUKAN ANALISIS KE SELURUH PROSES PENELITIAN SERTAMENYUSUN KESIMPULAN SARAN ,SERTA UNTUK MENJADIPERSPEKTIF PENELITIAN DIKEMUDIAN HARI..
34
PENGOLAHAN DATA
1. MODEL NAÏVE BAYESMENENTUKAN ERROR RATE/TINGKAT AKURASI
MULAI
BACA DATA FILE EXCELL .xls Data analisa phosphate rock th. 2004-2009
Y1(Prod. As. Phosphate)Y2 (Kons. Phosp.Rock)Y3 (Kons. Asam Phosp.)KLASIFIKASI OUT PUT (Y)
RendahSedang Tinggi
HITUNG PROBABILITAS OUTPUT (Y) P(Y) = Y/JUMLAH DATA
HITUNG PROBABILITAS Xn YUNTUK SETIAP KONDISI OUTPUT
DATA X 100 DESKRIT, DIKLASIFIKASI MENJADI 10 RANGE
UNTUK MEMUDAHAKAN PERHITUNGAN DENGAN MATLAB
Y1(Prod. As. Phosphate)Y2 (Kons. Phosp.Rock)Y3 (Kons. Asam Phosp.)
RendahSedang Tinggi
A
KLASIFIKASI INPUT (X)
Menentukan level output Y
DATA X 100
A
HITUNG PROBABILITAS Xn YjUNTUK SETIAP KONDISI JENIS X DAN Y
MATRIX PROB. (3 X 137) UNTUK OUTPUT Y1 Y2 DAN Y3
ESTIMASI OUTPUT Y1,Y2 DAN Y3P(Yj) . P (Xi │Yj)
∏∏
∏
MATRIX PROB. (3 X 137) TIAP UNSUR X DARI PHOSP. ROCK
MENGKOMPARASI ESTIMASI OUTPUT Y MEMBANDINGKAN MASING OUTPUT Y1, Y2 DAN Y3
MEMBANDINGKAN ESTIMASI OUPUTDENGAN O UTPUT DATA ASLI
MEMBANDINGKAN ESTIMASI OUPUT DENGAN O UTPUT DATA ASLI, ERROR RATE DAPAT DIKETAHUI
SELESAI
2. DECISION TREE (CART)
MULAI
LABELISASI OUTPUT (Y) PADA DATA .xlY1(Prod. As. Phosphate)Y2 (Kons. Phosp.Rock)Y3 (Kons. Asam Phosp.)
1 = Rendah2 = Sedang 3 = Tinggi
LABEL
BACA DATA FILE EXCELL .xls
IMPLEMENTASI ALGORITMACART DALAM MATLAB
Data analisa phosphate rock th. 2004-2009
Set Training input (x) dan output (Y)Set Testing input (P) dan output (T)Set data diambil keseluruhan (137 data)
OUTPUT
Metode Klasifikasi Metode Regresi
MEMBUAT DEC. TREE BERDASAR PREDIKTOR X DAN RESPON Y (TREEFIT)DAN MMBUAT TAMPILAN DECISION TREE.TEST HASIL DEC. TREE BERDASAR PREDIKTOR X (TREEVAL)SELANJUTNYA DIBANDINGKAN UNTUK MENGETAHUI ERROR RATENYA.
SELESAI
2. DECISION TREE
MEMBANDINGKAN MODEL
MODEL NAÏVE BAYESMODEL DECISION TREE METODE KLASIFIKASI
M0DEL DECISION TREE METODE REGRESI
MODEL DENGAN ERROR RATE TERRENDAH
Respons/ OutputError rate
Naïve Bayes(%)
Error rateDecision Tree
Klasifikasi(%)
Error rateDecision Tree Regresi(%)
Produk Asam Phosphate (Y1) 11,68 7,30 20,44
Konsumsi Phosphate Rock (Y2) 28,71 12,41 40,88
Konsumsi Asam Sulfat (Y3) 19,46 16,06 57,66
Tabel 4-1 Perbandingan Model
PEMILIHAN MODEL
ANALISA
DARI TABEL 4-1, ERROR RATE MODEL NAÏVE BAYES DAN DECISION TREE (CART) BERBEDA HASILNYA, DALAM PENELITIAN INI DECISION TREE (METODE KLASIFIKASI) LEBIH BAIK UNTUK MEMPREDIKSI OUTPUT
1. Decision tree cara pengelompokan objek lebih mudah dan disetiap atributditanyakan disimpul dan jawaban dari atribut dinyatakan dalam cabang sampai akhir ditemukankat katagori dari suatu objek disimpul terakhir
2. Naïve Bayes didasarkan pada asumsi penyederhanaan bahwa nilai atribut secara kondisional adalah saling bebas jika diberikan nilai input atau diberikan nilai output, probabilitas mengamati secara bersamaan adalah produk dari probabilitas dari individu
ANALISA ERROR RATE OUTPUT MODEL NAÏVE BAYES DAN DECISION TREE(ERROR RATE TIDAK BISA 0%)
1. OUTPUT Y1, PRODUKSI ASAM PHOSPHATE
PRODUK ASAM PHOSPHATE = DENSITAS AS. PHOSPHATE X FLOW RATE
- ERROR BISA TERJADI KARENA KESALAHAN ANALISA, FLOW MMETER PRODUK ASAM PHOSPHATE ERROR
2. OUTPUT Y2, KONSUMSI PHOSPHATE ROCK (ton Ph. Rock/ton Produk)
- KESALAHAN PENGUKURAN PRODUK ASAM PHOSPHATE- KALIBRASI WEIGHER PHOSPHATE ROCK YANG HARUS DIKOREKSI DENGAN PENGUKURAN FISIK PHOSPHATE ROCK DI STORAGE
3. OUTPUT Y1, KONSUMSI ASAM SULFAT (ton As. Sulfat/ton Produk)
- KESALAHAN PENGUKURAN PRODUK ASAM PHOSPHATE- ERROR BISA TERJADI KARENA KESALAHAN ANALISA AS. SULFAT, FLOW MMETER ERROR
ANALISA ERROR RATE OUTPUT MODEL DECISION TREE METODE REGRESIDAN KLASIFIKASI
Respons/ Output Metode Klasifikasi (%)
Metode Regresi (%)
Produk AsamPhosphate (Y1)
7 14
Konsumsi PhosphateRock (Y2)
9 18
Konsumsi Asam Sulfat(Y3)
7 15
Level Pruning Decision Tree
LEVEL PRUNING DECISION TREE METODE KLASIFIKASI LEBIH BAIK DARIMETODE REGRESI, MAKA DECISION TREE METODE KLASIFIKASI BISA DIGUNAKAN UNTUK PREDIKSI KASUS INI
TESTING PREDIKSI DECISION TREE METODE KLASIFIKASI :
MASUKAN NILAI PREDIKTOR
MULAI
PILIH SALAH SATU INPUT X/PREDIKTORDARI DATA EXCEL, MISAL PADA BARIS 11
MASUKAN BARIS 11 PADA TESTING UNTUK INPUT DAN OUTPUT
X=dat(1:137,2:16);
Y1=dat(1:137,20);
Y2=dat(1:137,21);
Y3=dat(1:137,22);
P=dat(11 :11,2:16);
T1=dat(11:11,20);
T2=dat(11:11,21);
T3=dat(11:11,22);
JALANKAN PROGRAM MATLAB
BANDINGKAN DATA OUTPUT AWAL DAN OUTPUT HASIL PREDIKSI
Respons/ Output Label/Prediksi Label/DataExcell/ awal
Produk AsamPhosphate(Y1)
3 (tinggi) 3 (tinggi)
KonsumsiPhosphateRock (Y2)
2 (sedang) 2 (sedang)
Konsumsi AsamSulfat (Y3)
3 (tinggi) 3 (tinggi)SELESAI
KESIMPULAN
MODEL NAÏVE BAYESMODEL DECISION TREE (CART)
METODE CLASIFICATION
METODE REGRESSION
METODE CLASIFICATION
ERROR RATE DIBANDINGKAN
MODEL DECISION TREE (CART)
1.CART dapat melakukan eksplorasi data untuk penyusunan metode klasifikasiyang melibatkan banyak predictor maupun respon dengan ukuran besar dankompleks. Eksplorasi data ini dapat dilakukan dengan lebih mudah untuk melihathubungan antara respon kontinu dengan prediktornya
5. Dengan mencoba menjalankan “coba_decision_tree”untuk testingprediksi terbukti hasilnya bisa dipakai untuk memprediksi.
4. Diperlukan data analisa phosphate rock dari supplier : P2O5, CaO, SiO2,CO2, Fe2O3, Al2O3, F, K2O, MgO, Na2O3, SO3, Cl2, Moisture, OrganicCarbon sebagai input untuk mempermudah manajemen perusahaanmemilih supplier phosphate rock berdasar prediksi yang diperoleh
3.Bila dibandingkan antara Model Naïve Bayes, Decision Tree metode regresi maupun decision tree metode klasifikasi berdasar error rate, maka yang paling tepat untuk bisa menjawab supplier phosphate rock di unit asam phosphate yang dipilh adalah model decision tree metode klasifikasi
2.Decision Tree metode klasifikasi pada metode data mining yang dikembangkan bisa menjawab permasalahan pemilihan supplier phosphate rock unit asam phosphate yang menjadi permasalahan dalam topik penelitian.
KESIMPULAN
SARANPada penelitian ini terdapat saran saran yang bisa memberikan
manfaat bagi pihak perusahaan PT Petrokimia Gresik atau pihak lain yangberkepentingan terhadap penelitian ini, seperti dibawah ini :
1. Dari analisis perlu dikembangkan lebih lanjut penelitian penelitian terhadap hal hal yang mempengaruhi error rate untuk prediksi respons/output memprediksi kapasitas produksi asam phosphate, konsumsi phosphate rock dan konsumsi asam sulfat dengan memperbaiki kesalahan-kesalahan analisa maupun sistem kalibrasi alat ukur seperti weigher phosphate rock dan fow meter produk asam phosphate maupun asam sulfat
2. Penelitian ini bukanlah merupakan hasil akhir, melainkan awal daripenelitian penelitian selanjutnya mengenai metode data mining dalammanajemen industry seperti minimilisai cost, sehingga proses pemilihansupplier phosphate rock bisa lebih muda dilakukan.