Syntax
Idea: p�ISSN: 2684-6853 e-ISSN: 2684-883X�
Vol. 4, No. 12, Desember 2022
ANALISIS PREDIKSI PROFIT PROYEK PEKERJAAN
PLAFON GYPSUM MENGGUNAKAN KLASIFIKASI DECISION TREE
Kautsar Baihaqi Supriyadi, Feri Sulianta
Departemen Informatika,
Universitas Widyatama, Indonesia
Email: [email protected],
[email protected]
Abstrak
Perusahaan yang bergerak
dalam bidang konstruksi yang salah satu layanannya yakni jasa pemasangan plafon gypsum, membutuhkan
strategi kelola perencanaan
anggaran atau Rincian Anggaran Biaya (RAB) untuk mendukung kelancaran pengerjaan proyek. Pada proses berjalannya proyek pekerjaan plafon, perencanaan anggaran digunakan sebagai sumber informasi utama dalam menghitung
keuntungan perusahaan. Rincian Anggaran Biaya suatu proyek
pekerjaan plafon gypsum meliputi biaya tenaga kerja, tenaga
ahli, material, operasional
proyek, biaya peralatan kerja dan biaya mobilisasi. Perencanaan yang tidak tepat dapat mempengaruhi
cash flow sebuah perusahaan
sehingga berkaitan erat terhadap keberlangsungan
pelaksanaan proyek pekerjaan plafon. Diperlukan suatu teknik prediksi untuk menentukan keuntungan perusahaan berdasarkan penggunaan RAB suatu proyek agar perusahaan tersebut dapat menjaga cash flow yang mereka miliki sehingga
tidak mempengaruhi pelaksanaan proyek. Tujuan untuk mencari
faktor mana yang lebih menentukan untuk menghasilkan keuntungan dalam suatu proyek
pekerjaan plafon. Penelitian ini menyajikan implementasi data mining
dengan metode klasifikasi khususnya decision
tree dapat menyelesaikan permasalaan tersebut dan menghasilkan sebuah knowledge
discovery dalam membantu perusahaan mendapatkan keuntungan di masa depan. Kesimpulan,
teknik klasifikasi dapat membantu perusahaan untuk lebih memperhatikan atribut tertentu dalam pelaksanaan sebuah proyek pekerjaan
plafon dan membantu perusahaan atau pemangku kebijakan dalam menentukan sebuah keputusan di masa depan.
Kata kunci:
Data Mining; Klasifikasi;
Decision Tree; Prediksi; Rincian
Anggaran Biaya; Profit.
Abstract
A company
engaged in the construction sector, one of whose services is the installation
of gypsum ceiling services, requires a strategy for managing budget planning or
Detailed Budgeting (RAB) to support the smooth running of the project. In the
process of running a ceiling work project, budget planning is used as the main
source of information in calculating company profits. Details of the Budget The
cost of a gypsum ceiling work project includes labor costs, experts, materials,
project operations, work equipment costs and mobilization costs. Inappropriate
planning can affect a company's cash flow so that it is closely related to the
continuity of the implementation of ceiling work projects. A prediction technique
is needed to determine company profits based on the use of a project's RAB so
that these companies can maintain their cash flow so that it does not affect
project implementation. The aim is to find out which factors are more decisive
for generating profits in a ceiling work project. This study presents the
implementation of data mining with classification methods, especially decision
trees that can solve these problems and generate knowledge discovery to help
companies gain future profits. The results of classification techniques can
help companies pay more attention to certain attributes in implementing a
ceiling work project and help companies or policy makers in determining a
decision in the future.
Keywords: Data mining;
Klasifikasi; Decision tree; Prediction; Real Estimate
of Cost; Profit
Pendahuluan
Teknologi dan
informasi mempunyai dampak yang sangat luas untuk berbagai bidang. Salah
satunya yaitu bidang konstruksi (Abdillah et al., 2020). Dalam
menjalankan kegiatan konstruksi, faktor utama yang menentukan keberhasilan
suatu proyek adalah perencanaan anggaran (Rawis, Tjakra, & Arsjad, 2016). Dalam
menentukan perencanaan anggaran, teknologi dan informasi dapat memberikan
sebuah prediksi berapa banyak anggaran yang diperlukan dan meminimalisir
tingkat kerugian
(Purnaya & SE, 2016).
Dalam proyek
pekerjaan plafon, perencanaan anggaran digunakan sebagai sumber informasi utama
dalam menghitung keuntungan perusahaan. Perencanaan anggaran atau biasa disebut
Rincian Anggaran Biaya (RAB), biasanya meliputi tenaga kerja, material,
operasional proyek dan operasional perusahaan. Perencanaan yang tidak tepat
dapat mempengaruhi cash flow sebuah perusahaan sehingga merupakan faktor utama
dalam menentukan hasil suatu proyek pekerjaan plafon (Abma, Nugraheni, & Metalindra, 2020).
Berdasarkan
permasalahan tersebut diperlukan adanya suatu teknik prediksi untuk menentukan
kentungan perusahaan berdasarkan penggunaan RAB suatu proyek. Teknik prediksi
yang akan digunakan yaitu teknik klasifikasi data mining. Klasifikasi merupakan
sebuah teknik data mining yang bertujuan untuk membuat sebuah model prediksi
dengan memberikan label/kelas (Maharani, 2015). Dalam
hal ini keuntungan perusahaan akan diberikan label yaitu �profit� atau
�defisit�.
Dalam beberapa
penelitian terdahulu analisis prediksi dengan menggunakan klasifikasi decision
tree sudah diimplementasikan dalam berbagai bidang. Dalam penelitian (Wang & Gao, 2021);(Songze & Yan, 2005)
teknik ini digunakan dalam bidang pendidikan untuk mengetahui korelasi
antara kurikulum pendidikan terhadap prestasi siswa dan pemilihan karir setelah
siswa tersebut lulus. Sedangkan dalam penelitian (Liu, Hu, Yan, & Zhang, 2013)
metode ini digunakan untuk mendapatkan knowledge discovery terhadap performa
karyawan yang sudah lulus dengan karyawan yang masih menempuh bidang
pendidikan.
Dalam penelitian
ini digunakan juga metode klasifikasi decision tree, yang diuji menggunakan
data dalam bidang konstruksi khususnya pekerjaan plafon dengan memprediksi
keuntungan dan kerugian proyek tersebut berdasarkan beberapa faktor dan
bertujuan untuk mencari faktor mana yang lebih menentukan untuk menghasilkan
keuntungan dalam suatu proyek pekerjaan plafon.
Knowledge
Discovery in Database (KDD)
Knowledge
Discovery in Database (KDD) merupakan sistem yang digunakan untuk menemukan
informasi dari database yang tersedia (Utami, 2019).
Database berisi tabel-tabel yang mempunyai hubungan satu sama lain. Informasi
tersebut ditransformasikan menjadi sebuah basis pengetahuan untuk dijadikan
sebagai pertimbangan dalam pengambilan keputusan (Suyanto, 2017).
Knowledge
Discovery in Database (KDD) dan data mining dikolaborasikan pada kondisi
tertentu guna menjabarkan operasi penambangan informasi potensial yang belum
ditemukan dalam sebuah database yang cukup besar (Faradillah, 2013). Dua
hal tersebut secara konsep bisa disebut berbeda akan tetapi mempunya kolerasi
satu sama lain, bahkan salah satu tahapan dari prosedur KDD adalah data mining (Harahap, 2015).
Berikut adalah tahapan dalam proses KDD:
1. Data
Selection
2. Pre-processing
/ Cleaning
3. Transformation
4. Data
mining
5. Evaluation
Data mining
Data mining
adalah proses analisis terhadap knowledge discovery in database yang disingkat
KDD. Pengetahuan bisa berupa pola (pattern) data atau relasi antar data yang
valid (tidak diketahui sebelumnya) (Fayyad, Piatetsky-Shapiro, & Smyth, 1996);(Suyanto, 2017).
Data mining
adalah gabungan berbagai ilmu komputer yang merupakan irisan dari artificial
intelligence, machine learning, statistics, dan database systems (Geng & Hamilton, 2006);(Clifton, Niehaus, Charlton, & Colopy, 2015). Data
mining memliki dua fungsi yaitu deskriptif dan prediktif. Deskriptif artinya
data mining digunakan untuk menemukan pola atau pattern yang menjelaskan
karakteristik data. Terdapat 3 teknik data mining yang termasuk kedalam
kategori deskriptif yaitu:
1. Klasterisasi
(clustering)
2. Aturan
asosiasi (association rule)
3. Sequential
Pattern
Fungsi prediktif
yaitu data mining digunakan dalam membentuk sebuah model pengetahuan yang akan
digunakan untuk melakukan prediksi. Yang termasuk kedalam kategori ini yaitu:
1. Klasifikasi
(classification)
2. Regresi
(regression
3. Deteksi
anomaly (anomaly detection)
Klasifikasi
Klasifikasi
adalah satu diantara teknik prediktif data mining. Klasifikasi dapat
didefiniskan sebagai proses untuk menyatakan suatu objek data sebagai salah
satu kategori yang telah didefinisikan sebelumnya (Zaki, Sayed, & Mori, 2013).
Terdapat 4 teknik klasifikasi, diantaranya adalah:
1. Na�ve
Bayes
2. Decision
Tree
3. ANN
4. SVM
Decision Tree
Decision tree
disebut juga atau diartikan sebagai pohon keputusan. Metode decision tree
mengubah informasi/fakta yang sangat besar menjadi sebuah pohon keputusan yang
merpresentasikan aturan dan dapat diekspresikan dalam bentuk bahasa basis data
seperti Structure Query Language (Anggraeni, Saputra, & Noranita, 2014).
Pohon keputusan digunakan untuk mengeksplorasi data, menemukan hubungan tersembunyi
antara sejumlah calon variabel input dengan variabel target (Achmad, Slamat, & Itats, 2012). Teknik
klasifikasi yang menggunakan decision tree, biasanya berkaitan dengan Entropy
dan Information Gain. Entropy merupakan sebuah parameter yang digunakan dalam
mengukur keberagaman dalam suatu himpunan data (Pal & Pal, 1991). Secara
matematis Entropy dirumuskan sebagai berikut:
����������� �����������������������
Keterangan:
c :
jumlah kelas
pi: perbandingan antara jumlah sampel di
kelas i dengan jumlah sampel pada
������������� himpunan data
Information Gain
adalah parameter efektivitas sebuah atribut dalam mengklasifikasikan data (Suyanto, 2017). Secara
matematis dapat ditulis sebagai berikut:
Keterangan:
S :
himpunan kasus
A: atribut
n :
jumlah partisi atribut A
|Si|: jumlah sampel untuk nilai i
|S|: jumlah seluruh sampel data
Profit/Keuntungan
Secara sederhana
profit dapat diartikan sebagai selisih positif antara pendapatan dengan
pengeluaran. Lebih sederhananya lagi profit yaitu pendapatan lebih besar dari
pengeluaran (Barker, 2010).� Profit merupakan meningkatnya nilai modal
akibat adanya transaksi keluar masuknya uang yang memberikan pengaruh pada perusahaan
dalam jangka waktu tertentu (Elisa, 2018).
Metode Penelitian
A. Desain Penelitian
Merupakan sebuah gambaran yang menyajikan setiap proses yang dilakukan dalam melaksanakan penelitian.
Gambar 1
Desain Penelitian
Berikut adalah tahapan-tahapan
penelitian yang dilakukan sesuai dengan gambar
diatas:
1. Identifikasi Masalah, proses pengidentifikasian permasalahan
yang timbul sehingga diperlkukan adanya penelitian.
2. Studi Literatur, proses pencarian informasi dari berbagai sumber
yang berhubungan erat dengan permasalahan dalam penelitian.
3. Pengumpulan Data, pemilahan data yang dapat dikeluarkan oleh perusahaan, dikumpulkan menjadi satu sehingga
menjadi RAW
data yang akan diuji.
4. Data Preprocessing, proses sebelum data diolah menggunakan teknik klasifikasi.
5. Klasifikasi Data mining,
proses pengklasifikasian dataset.
6. Analisis Hasil
B. Populasi dan Sampel
1. Populasi
Populasi pada penelitian ini adalah data history laporan
proyek yang sudah selesai yang berisi persentasi penggunaan rincian anggaran biaya (RAB) terhadap nilai kontrak sebuah
proyek di PT. Mitrakarya Teguhsetia pada periode
2018-2021.
2. Sampel
Sampel yang digunakan adalah 35 data sampel dari populasi data history laporan proyek yang sudah selesai di PT. Mitrakarya Teguhsetia periode 2018-2021.
C. Variabel Penelitian
Variabel merupakan sebuah objek yang mempengaruhi hasil penelitian. Dalam memprediksi profit
terdapat beberapa variabel yang mempunyai korelasi terhadap profit itu sendiri, yaitu:
1. Nilai kontrak merupakan nilai pekerjaan yang dikerjakan sesuai dengan perjanjian atau Surat Perintah Kerja (SPK)
2. Waktu merupakan lama pelaksanaan proyek dari awal
hingga proyek selesai.
3. Rincian Anggaran Biaya Tenaga Ahli (Upah) adalah biaya yang berupa pembayaran untuk upah tenaga
ahli sebagai imbal jasa melakukan
pengawasan terhadap pemasangan pekerjaan plafon dan partisi.
4. Rincian Anggaran Biaya Tenaga Kerja (Upah) adalah upah
tenaga kerja sebagai imbal jasa
dari jasa pemasangan pekerjaan plafon dan partisi.
5. Rincian Anggaran Biaya Material adalah biaya yang berupa pembayaran untuk bahan material yang akan digunakan dalam mengerjakan sebuah proyek.
6. Rincian Anggaran Biaya Operasional Proyek adalah pengeluaran
perusahaan dalam menjalankan sebuah proyek.
7. Rincian Anggaran Biaya Peralatan adalah biaya yang berupa pengeluaran uang untuk perlatan yang digunakan pada saat proyek berjalan.
8. Rincian Anggaran Biaya Mobilisasi adalah biaya yang berupa pengeluaran uang untuk transportasi.
Hasil dan Pembahasan
A. Dataset
Penelitian ini menggunakan data rekap proyek pekerjaan plafon periode 2018-2021 sebagai dataset.
Tabel 1.
Dataset
|
PERSENTASE
PERBANDINGAN PENGELUARAN/PENDAPATAN TERHADAP NILAI KONTRAK KESELURUHAN |
||||||||||
|
No |
Nama Proyek |
Nilai Kontrak |
Waktu |
Tenaga Ahli |
Tenaga Kerja |
Material |
Operasion |
Peralatan |
Mobilisasi |
Profit |
|
I |
PG001 |
11.252.922 |
25 |
15% |
26% |
38% |
8% |
10% |
10% |
-7% |
|
2 |
PG002 |
84.556.239 |
23 |
13% |
19% |
36% |
9% |
14% |
11% |
-2% |
|
3 |
PG003 |
46.245.223 |
46 |
22% |
33% |
38% |
6% |
7% |
7% |
-13% |
|
4 |
PG004 |
48,648,173 |
35 |
13% |
21% |
31% |
1% |
7% |
7% |
20% |
|
5 |
PG005 |
1.679.625. |
314 |
6% |
36% |
41% |
10% |
8% |
2% |
-3% |
|
6 |
PG006 |
711,870,04 |
272 |
22% |
32% |
39% |
8% |
12% |
10% |
-23% |
|
7 |
PG007 |
1.182.452. |
542 |
21% |
9% |
32% |
6% |
8% |
8% |
16% |
|
8 |
PG008 |
518.922.74 |
225 |
21% |
24% |
41% |
1% |
8% |
11% |
-6% |
|
9 |
PG009 |
87,029,042 |
32 |
3% |
9% |
18% |
12% |
9% |
15% |
34% |
|
10 |
PG010 |
382,969,75 |
256 |
11% |
12% |
32% |
9% |
12% |
8% |
16% |
|
11 |
PG011 |
526.235.94 |
432 |
22% |
32% |
37% |
7% |
8% |
9% |
-15% |
|
12 |
PG012 |
113,380,88 |
45 |
12% |
22% |
33% |
6% |
8% |
11% |
8% |
|
13 |
PG013 |
4,867,785, |
926 |
25% |
35% |
36% |
6% |
9% |
8% |
-19% |
|
14 |
PG014 |
862,948,68 |
72 |
11% |
8% |
41% |
9% |
8% |
13% |
10% |
|
15 |
PG015 |
27,035,250 |
12 |
1% |
7% |
34% |
5% |
5% |
10% |
38% |
|
16 |
PG016 |
2.762.341. |
330 |
21% |
31% |
18% |
2% |
8% |
12% |
8% |
|
17 |
PG017 |
414,329,58 |
142 |
8% |
22% |
15% |
3% |
13% |
15% |
24% |
|
18 |
PG018 |
2,558,848, |
316 |
23% |
33% |
38% |
10% |
8% |
8% |
-20% |
|
19 |
PG019 |
357,042,79 |
92 |
3% |
10% |
36% |
2% |
8% |
12% |
29% |
|
20 |
PG020 |
327,187,80 |
314 |
24% |
22% |
15% |
3% |
9% |
12% |
15% |
|
21 |
PG021 |
274,514,69 |
122 |
7% |
13% |
37% |
2% |
8% |
14% |
19% |
|
22 |
PG022 |
160,000,00 |
138 |
11% |
21% |
37% |
1% |
8% |
11% |
11% |
|
23 |
PG023 |
1,284,057, |
183 |
16% |
36% |
36% |
6% |
9% |
13% |
-16% |
|
24 |
PG024 |
35,615,365 |
57 |
1% |
16% |
20% |
6% |
9% |
10% |
38% |
|
25 |
PG025 |
56,458,475 |
91 |
2% |
18% |
32% |
6% |
7% |
7% |
28% |
|
26 |
PG026 |
171.828.25 |
32 |
1% |
18% |
28% |
1% |
2% |
10% |
40% |
|
27 |
PG027 |
95,884,402 |
52 |
12% |
34% |
41% |
8% |
10% |
11% |
-16% |
|
28 |
PG028 |
364,887,72 |
87 |
9% |
27% |
38% |
2% |
13% |
12% |
-1% |
|
29 |
PG029 |
101,819,99 |
72 |
21% |
33% |
27% |
12% |
8% |
1% |
-2% |
|
30 |
PG030 |
324.132.23 |
37 |
1% |
18% |
33% |
2% |
10% |
2% |
34% |
|
31 |
PG031 |
2.039.208. |
186 |
8% |
20% |
36% |
1% |
12% |
11% |
12% |
|
32 |
PG032 |
85,217,033 |
31 |
1% |
20% |
36% |
1% |
8% |
8% |
26% |
|
33 |
PG033 |
11.517.512 |
20 |
11% |
22% |
21% |
7% |
11% |
9% |
19% |
|
34 |
PG034 |
13.010.300 |
14 |
1% |
25% |
10% |
6% |
10% |
8% |
10% |
|
35 |
PG035 |
64.269.200 |
148 |
6% |
25% |
38% |
4% |
2% |
8% |
17% |
B. Dat24a Preprocessing
Berdasarkan kebutuhan dilakukan data
transformation terhadap dataset yang ada pada sub-bab sebelumnya. Tipe data numerik akan ditransformasikan menjadi tipe data kategorical. Untuk variabel �nilai kontrak� akan ditransformasi
menjadi 3 label dengan aturan sebagai berikut:
1. Nilai kontrak < 250.000.000 maka dilabeli Low
2. 250.000.000
≤ nilai kontrak
≤ 500.000.000 dilabeli Medium
3. Nilai kontrak > 500.000.000 dilabeli
High
Selanjutnya untuk variabel �waktu� akan dikategorikan
menjadi 2 label yaitu �Long� dan �Short�. Long untuk jangka pengerjaan
proyek >180 hari, sedangkan short untuk proyek yang pengerjaannya <180 hari. (Faradillah, 2013)
Untuk 6 variabel lainnya yaitu Tenaga Ahli, Tenaga
Kerja, Material, Operasional
Proyek, Peralatan dan Mobilisasi akan dikategorikan menjadi 3 label yaitu Underspend
(pengeluaran dibawah budget RAB), Budget (pengeluaran sesuai
dengan budget
RAB) dan Overspend (pengeluaran diatas budget RAB). Aturan
yang ditetapkan untuk ke-6 variabel tersebut berbeda-beda tergantung dengan persentase masing masing variable terhadap RAB dengan rincian sebagai berikut:
Tabel 2
Transformasi Tenaga Ahli
|
RAB (X) |
|
|
Underspend |
≤ 10% |
|
Budget |
20% ≥ X > 10% |
|
Overspend |
> 20% |
Tabel 3
Tranformasi Tenaga Kerja
|
RAB (X) |
|
|
Underspend |
≤ 20% |
|
Budget |
30% ≥ X > 20% |
|
Overspend |
> 30% |
Tabel 4
Transformasi Material
|
RAB (X) |
|
|
Underspend |
≤ 30% |
|
Budget |
35% ≥ X > 30% |
|
Overspend |
> 35% |
Tabel 5
Transformasi Operasional Proyek
|
RAB (X) |
|
|
Underspend |
≤ 5% |
|
Budget |
8% ≥ X > 5% |
|
Overspend |
> 8% |
Tabel 6
Transformasi Peralatan
|
RAB (X) |
|
|
Underspend |
≤ 7% |
|
Budget |
10% ≥ X > 7% |
|
Overspend |
> 10% |
Tabel 7
Transformasi Mobilisasi
|
RAB (X) |
|
|
Underspend |
≤ 7% |
|
Budget |
10% ≥ X > 7% |
|
Overspend |
> 10% |
Sedangkan untuk profit/keuntungan akan dikategorikan menjadi 2 kelas
yaitu Profit bila keuntungan didapat ≥10% dan Defisit bila keuntungan
yang didapat <10% atau bahkan negatif. Hasil akhir dari rangkaian
proses Data Preprocessing adalah sebagai berikut:
��������������
Tabel 8
Format Dataset setelah
Preprocessing
�����������
C. Klasifikasi
Dari Data
Preprocessing yang terlah dihasilkan,
selanjutnya dilakukan
proses klasifikasi dengan menggunakan metode Decision tree.
Dari tabel tersebut akan ditentukan atribut/variabel mana yang menjadi akar atau
node, berdasarkan nilai
Information Gain tertinggi yang dimiliki
oleh masing-masing atribut. Dalam
menentukan nilai
Information Gain diperlukan nilai
Entropy masing-masing atribut terlebih
dahulu. Nilai Entropy dapat
dihitung dengan menggunakan rumus(1). Selanjutnya menghitung Information Gain dengan
rumus(2).
Perhitungan lengkap untuk
nilai Entropy
dan Information Gain masing-masing atribut yang digunakan disajikan dalam bentuk tabel sebagai
berikut:
Tabel 9
Perhitungan Node
1
|
Atribut |
Nilai |
Jumlah Kasus |
Profit |
Defisit |
Entropy |
Gain |
|
|
1 |
Total |
|
35 |
22 |
13 |
0,952 |
|
|
|
Nilai Kontrak |
|
|
|
|
|
0,074 |
|
|
|
Low |
13 |
10 |
3 |
0,779 |
|
|
|
|
Medium |
10 |
7 |
3 |
0,881 |
|
|
|
|
High |
12 |
5 |
7 |
0,980 |
|
|
|
Waktu |
|
|
|
|
|
0,071 |
|
|
|
Short |
23 |
17 |
6 |
0,828 |
|
|
|
|
Long |
12 |
5 |
7 |
0,980 |
|
|
|
Tenaga Ahli |
|
|
|
|
|
0,166 |
|
|
|
Underspend |
14 |
12 |
2 |
0,592 |
|
|
|
|
Budget |
11 |
7 |
4 |
0,946 |
|
|
|
|
Overspend |
10 |
3 |
7 |
0,881 |
|
|
|
Tenaga Kerja |
|
|
|
|
|
0,404 |
|
|
|
Underspend |
14 |
13 |
1 |
0,371 |
|
|
|
|
Budget |
11 |
8 |
3 |
0,845 |
|
|
|
|
Overspend |
10 |
1 |
9 |
0,469 |
|
|
|
Material |
|
|
|
|
|
0,279 |
|
|
|
Underspend |
7 |
6 |
1 |
0,592 |
|
|
|
|
Budget |
8 |
8 |
0 |
0 |
|
|
|
|
Overspend |
20 |
8 |
12 |
0,971 |
|
|
|
Operasional Proyek |
|
|
|
|
|
0,142 |
|
|
|
Underspend |
15 |
13 |
2 |
0,567 |
|
|
|
|
Budget |
13 |
6 |
7 |
0,996 |
|
|
|
|
Overspend |
7 |
3 |
4 |
0,985 |
|
|
|
Peralatan |
|
|
|
|
|
0,112 |
|
|
|
Underspend |
5 |
5 |
0 |
0 |
|
|
|
|
Budget |
24 |
13 |
11 |
0,994 |
|
|
|
|
Overspend |
6 |
4 |
2 |
0,918 |
|
|
|
Mobilisasi |
|
|
|
|
|
0,007 |
|
|
|
Underspend |
4 |
2 |
2 |
1 |
|
|
|
|
Budget |
15 |
10 |
5 |
0,918 |
|
|
|
|
Overspend |
16 |
10 |
6 |
0,954 |
|
Dari perhitungan tabel diketahui bahwa tenaga kerja merupakan
nilai dengan gain terbesar yaitu 0,404 maka Tenaga Kerja dijadikan sebuah akar/node. Dari nilai yang terdapat dalam tabel perhitungan tersebut kita dapat
menyimpulkan ketika sebuah proyek pekerjaan
plafon biaya tenaga kerja nya
underspend dapat dipastikan
proyek tersebut akan mendapatkan profit. Sedangkan ketika tenaga kerja overspend proyek tersebut sudah dipastikan akan defisit. Ketika tenaga kerja yang dikeluarkan sesuai budget masih belum dapat
dilihat hasil keuntungan proyeknya. Maka dari itu
pohon keputusan yang terbentuk juga belum terisi secara penuh.
�������������� �����������
Gambar 2
Pohon Keputusan Node 1
Oleh karena itu kita perlu melakukan perhitungan
kembali. Perhitungan ini disebut node 1.1. Akan tetapi perhitungan node 1.1
tidak dilakukan terhadap semua data seperti node 1. Perhitungan dilakukan
terhadap data yang telah difilter dengan ketentuan nilai atribut Tenaga Kerja
adalah �Budget� dan dihasilkan data sebagai berikut:
Tabel 10
Perhitungan Node
1.1
|
Atribut |
Nilai |
Jumlah Kasus |
Profit |
Defisit |
Entropy |
Gain |
|
|
1.1 |
Total (Tenaga Kerja
[Budget]) |
|
11 |
8 |
3 |
0,845 |
|
|
|
Nilai Kontrak |
|
|
|
|
|
0,196 |
|
|
|
Low |
6 |
5 |
1 |
0,650 |
|
|
|
|
Medium |
4 |
3 |
1 |
0,811 |
|
|
|
|
High |
1 |
0 |
1 |
0 |
|
|
|
Waktu |
|
|
|
|
|
0,220 |
|
|
|
Short |
9 |
7 |
2 |
0,764 |
|
|
|
|
Long |
2 |
1 |
1 |
0 |
|
|
|
Tenaga Ahli |
|
|
|
|
|
0,040 |
|
|
|
Underspend |
4 |
3 |
1 |
0,811 |
|
|
|
|
Budget |
5 |
4 |
1 |
0,722 |
|
|
|
|
Overspend |
2 |
1 |
1 |
1 |
|
|
|
Material |
|
|
|
|
|
0,300 |
|
|
|
Underspend |
3 |
3 |
0 |
0 |
|
|
|
|
Budget |
2 |
2 |
0 |
0 |
|
|
|
|
Overspend |
6 |
3 |
3 |
1 |
|
|
|
Operasional Proyek |
|
|
|
|
|
0,296 |
|
|
|
Underspend |
7 |
5 |
2 |
0,863 |
|
|
|
|
Budget |
3 |
3 |
0 |
0 |
|
|
|
|
Overspend |
1 |
0 |
1 |
0 |
|
|
|
Peralatan |
|
|
|
|
|
0,045 |
|
|
|
Underspend |
1 |
1 |
0 |
0 |
|
|
|
|
Budget |
7 |
5 |
2 |
0,863 |
|
|
|
|
Overspend |
1 |
0 |
1 |
0 |
|
|
|
Mobilisasi |
|
|
|
|
|
0,218 |
|
|
|
Underspend |
0 |
0 |
0 |
0 |
|
|
|
|
Budget |
4 |
4 |
0 |
0 |
|
|
|
|
Overspend |
7 |
4 |
3 |
0,985 |
|
Berdasarkan perhitungan tersebut,
didapatkan hasil bahwa Material merupakan akar untuk node 1.1 (Information Gain
tertinggi). Maka pohon keputusannya adalah:
�������������������������� ��
Gambar 3
Pohon Keputusan Node 1.1
Dalam Node 1.1 ketika Material Overspend
belum dapat diketahui keuntungan yang didapat oleh perusahaan apakah profit atau defisit
sehingga perlu dilakukan kembali perhitungan selanjutnya terhadap data node
1.1 dengan nilai atribut Material adalah �Overspend� dan akan
disebut dengan Node 1.2.
Tabel 11
Perhitungan Node 1.2
|
Atribut |
Nilai |
Jumlah Kasus |
Profit |
Defisit |
Entropy |
Gain |
|
|
1.2 |
Total (Material [Overspend]) |
|
6 |
3 |
3 |
1 |
|
|
|
Nilai Kontrak |
|
|
|
|
|
0,208 |
|
|
|
Low |
3 |
2 |
1 |
0,918 |
|
|
|
|
Medium |
2 |
1 |
1 |
1 |
|
|
|
|
High |
1 |
0 |
1 |
0 |
|
|
|
Waktu |
|
|
|
|
|
0,191 |
|
|
|
Short |
5 |
3 |
2 |
0,971 |
|
|
|
|
Long |
1 |
0 |
1 |
0 |
|
|
|
Tenaga Ahli |
|
|
|
|
|
0,208 |
|
|
|
Underspend |
3 |
2 |
1 |
0,918 |
|
|
|
|
Budget |
2 |
1 |
1 |
1 |
|
|
|
|
Overspend |
1 |
0 |
1 |
0 |
|
|
|
Operasional Proyek |
|
|
|
|
|
0,333 |
|
|
|
Underspend |
4 |
2 |
2 |
1 |
|
|
|
|
Budget |
1 |
0 |
0 |
0 |
|
|
|
|
Overspend |
1 |
0 |
1 |
0 |
|
|
|
Peralatan |
|
|
|
|
|
0,333 |
|
|
|
Underspend |
1 |
1 |
0 |
0 |
|
|
|
|
Budget |
4 |
2 |
2 |
1 |
|
|
|
|
Overspend |
1 |
0 |
1 |
0 |
|
|
|
Mobilisasi |
|
|
|
|
|
0,459 |
|
|
|
Underspend |
0 |
0 |
0 |
0 |
|
|
|
|
Budget |
2 |
2 |
0 |
0 |
|
|
|
|
Overspend |
4 |
1 |
3 |
0,811 |
|
�����������������������������������
Dalam node 1.2 atribut dengan nilai Information
Gain tertinggi adalah Mobilisasi, dengan hasil pohon keputusan
sebagai berikut.
����������������������������
Gambar 4
Pohon Keputusan Node
1.2
Perhitungan dihentikan
sampai dengan node 1.2 karena
pohon keputusan sudah terbentuk dan semua akarnya sudah
terisi.
D. Analisis dan Hasil
Pohon keputusan
tersebut menghasilkan aturan/rule berdasarkan knowledge
discovery yang didapat sebagai
berikut:
1. Jika biaya
�Tenaga Kerja� overspend
maka proyek pekerjaan plafon akan mengalami kerugian (defisit).
2. Jika biaya
�Tenaga Kerja� underspend
maka proyek akan mengalami keuntungan (profit).
3. Jika biaya
�Tenaga Kerja� budget
dan biaya �Material� underspend atau budget maka proyek
pekerjaan plafon akan mengalami keuntungan (profit).
4. Jika biaya
�Tenaga Kerja� budget
dan biaya �material� overspend, biaya �Mobilisasi�
menjadi penentu. Jika budget perusahaan
mengalami profit
sedangkan jika overspend perusahaan
mengalami defisit.
Berdasarkan knowledge discovery yang dihasilkan, terdapat beberapa rules
yang sama dengan yang dialami oleh perusahaan, yaitu:
1.
Biaya �Tenaga Kerja� dan
�Material� yang sering melebih
anggaran merupakan penyebab faktor utama perusahaan mengalami kerugian dalam sebuah proyek.
2.
Dalam beberapa proyek, ketika perusahaan mampu menekan biaya
�Tenaga Kerja� dan �Material�, proyek
tersebut selalu mendapatkan keuntungan.
Kesimpulan
Metode klasifikasi
Decision tree dapat digunakan
dalam memprediksi profit proyek pekerjaan plafon di PT. Mitrakarya Teguhsetia dengan atribut yang terpenting yaitu RAB Tenaga Kerja. Hal tersebut sesuai dengan keaadaan dalam perusahaan dimana dalam setiap
proyek yang berjalan, dimana jika RAB Tenaga Kerja selalu memegang
peranan penting dalam setiap proyeknya.
Pohon keputusan
yang dihasilkan oleh teknik
klasifikasi dapat membantu perusahaan untuk lebih memperhatikan
atribut tertentu dalam pelaksanaan sebuah proyek pekerjaan
plafon dan membantu perusahaan atau pemangku kebijakan dalam menentukan sebuah keputusan di masa depan.
Bibliografi
Abdillah, Leon A., Alwi, Moh Hatta, Simarmata, Janner,
Bisyri, Muhammad, Nasrullah, Nasrullah, Asmeati, Asmeati, Gusty, Sri, Sakir,
Sakir, Affandy, Nur Azizah, & Bachtiar, Erniati. (2020). Aplikasi
Teknologi Informasi: Konsep dan Penerapan. Yayasan Kita Menulis.Google Scholar
Abma, Vendie, Nugraheni, Fitri, & Metalindra,
Metalindra. (2020). Cash Flow Proyek Dengan Sumber Modal Bank Syariah Pada Pembangunan
Dan Rehabilitasi Gedung Pelayanan Kesehatan Pemerintah Kabupaten Gunung Kidul. Construction
and Material Journal, 2(2), 77�90. Google Scholar
Achmad, Budanis Dwi Meilani, Slamat, Fauzi, &
ITATS, Fakultas Teknologi Informasi. (2012). Klasifikasi data karyawan untuk
menentukan jadwal kerja menggunakan metode decision tree. Jurnal Iptek, 16(1).
Google Scholar
Anggraeni, Hapsari Dita, Saputra, Ragil, &
Noranita, Beta. (2014). Aplikasi Data Mining Analisis Data Transaksi Penjualan
Obat Menggunakan Algoritma Apriori (Studi Kasus di Apotek Setya Sehat
Semarang). Journal of Informatics and Technology, 2(2), 24�30.
Google Scholar
Barker, Richard. (2010). On the definitions of income,
expenses and profit in IFRS. Accounting in Europe, 7(2), 147�158.
Google Scholar
Clifton, David A., Niehaus, K. E., Charlton, Peter,
& Colopy, G. W. (2015). Health informatics via machine learning for the
clinical management of patients. Yearbook of Medical Informatics, 24(01),
38�43. Google Scholar
Elisa, Erlin. (2018). Prediksi Profit Pada Perusahaan
Dengan Klasifikasi Algoritma C4. 5. Kumpulan Jurnal Ilmu Komputer (Klik),
5(02), 179�189. Google Scholar
Faradillah, Sarah. (2013). Implementasi Data Mining
Untuk Pengenalan Karakteristik Transaksi Customer Dengan Menggunakan Algoritma
C4. 5. Pelita Informatika Budi Darma, 5(3), 1�5. Google Scholar
Fayyad, Usama, Piatetsky-Shapiro, Gregory, &
Smyth, Padhraic. (1996). From data mining to knowledge discovery in databases. AI
Magazine, 17(3), 37. Google Scholar
Geng, Liqiang, & Hamilton, Howard J. (2006).
Interestingness measures for data mining: A survey. ACM Computing Surveys
(CSUR), 38(3), 9-es. Google Scholar
Harahap, Fitriana. (2015). Penerapan Data Mining dalam
Memprediksi Pembelian cat. Proceedings Konferensi Nasional Sistem Dan
Informatika (KNS&I). Google Scholar
Liu, Yue, Hu, Lingjie, Yan, Fei, & Zhang, Bofeng.
(2013). Information gain with weight based decision tree for the employment
forecasting of undergraduates. 2013 IEEE International Conference on Green
Computing and Communications and IEEE Internet of Things and IEEE Cyber,
Physical and Social Computing, 2210�2213. IEEE. Google Scholar
Maharani, Warih. (2015). Klasifikasi Data Menggunakan
JST Backpropagation Momentum dengan Adaptive Learning Rate. Seminar Nasional
Informatika (SEMNASIF), 1(4). Google Scholar
Pal, Nikhil R., & Pal, Sankar K. (1991). Entropy:
A new definition and its applications. IEEE Transactions on Systems, Man,
and Cybernetics, 21(5), 1260�1270. Google Scholar
Purnaya, I. Gusti Ketut, & SE, S. H. (2016). Manajemen
Sumber Daya Manusia. Penerbit Andi. Google Scholar
Rawis, Thresia Deisy, Tjakra, Jermias, & Arsjad,
Tisano Tj. (2016). Perencanaan biaya Keselamatan dan Kesehatan Kerja (K3) pada
proyek konstruksi bangunan (studi kasus: sekolah st. ursula kotamobagu). Jurnal
Sipil Statik, 4(4). Google Scholar
Songze, Lei, & Yan, Hao. (2005). Data mining in
employment based on decision tree [J]. Journal of Xi�an Institute of
Technology, 25(5), 429�432. Google Scholar
Suyanto, Dr. (2017). Data Mining untuk klasifikasi dan
klasterisasi data. Bandung: Informatika Bandung. Google Scholar
Utami, Nur Rina. (2019). Knowledge discovery in
database metode generalized vector space model pada sistem temu kembali
informasi terjemahan Kitab Mizanul Hikmah Berbahasa Indonesia. Fakultas
Sains dan Teknologi Universitas Islam Negeri Syarif Hidayatullah. Google Scholar
Wang, Huan Bin, & Gao, Yang Jun. (2021). Research
on C4. 5 algorithm improvement strategy based on MapReduce. Procedia
Computer Science, 183, 160�165. Google Scholar
Zaki, Mohamed H., Sayed, Tarek, & Mori, Greg.
(2013). Classifying road users in urban scenes using movement patterns. Journal
of Computing in Civil Engineering, 27(4), 395�406. Google Scholar
|
Kautsar Baihaqi Supriyadi, Feri Sulianta (2022) |
|
First
publication right: |
|
This
article is licensed under: |