INVENTORI ANALITIK: PENENTUAN JUMLAH KATEGORISASI RAW MATERIAL PALING OPTIMAL DENGAN MENGGABUNGKAN METODE WEIGHTED K-MEANS DAN FUZZY C MEANS (ALGORITMA PEMBELAJARAN TANPA PENGAWASAN) PADA DATA MULTIDIMENSI KUALITAS BATUBARA

Yoga P. Adiwiguna; Mohamad N. Saleh; Hadi Syuhara; Hario Purbaseno; Almira D. Kusuma

doi:10.36986/impj.v4i1.53

INVENTORI ANALITIK: PENENTUAN JUMLAH KATEGORISASI RAW MATERIAL PALING OPTIMAL DENGAN MENGGABUNGKAN METODE WEIGHTED K-MEANS DAN FUZZY C MEANS (ALGORITMA PEMBELAJARAN TANPA PENGAWASAN) PADA DATA MULTIDIMENSI KUALITAS BATUBARA

Yoga P. Adiwiguna, Mohamad N. Saleh, Hadi Syuhara, Hario Purbaseno, Almira D. Kusuma

Abstract

Memahami pentingnya peran analitik dalam pengelolaan inventori akan membantu perusahaan meningkatkan wawasan pada aktivitas inventatisirnya yang dapat menjelaskan kekuatan dan kelemahan paling krusial. Pendekatan ini memungkinkan bisnis untuk meningkatkan kendali produktivitas, efisiensi, dan profitabilitas terhadap setiap aktivitas pengelolaan inventory. Mengelola raw material sebagai salah satu aset inventori melibatkan beberapa aspek berwujud seperti (biaya modal, biaya penyimpanan tetap dan tidak tetap), dengan demikian usaha-usaha seperti penentuan berapa jumlah kategorisasi raw material yang harus dibentuk akan mempengaruhi fungsi operasional dan keuangan. Algoritma pengelompokan seperti K-Means dan Fuzzy C Means merupakan teknik yang digemari dalam analisis data statistik dan banyak digunakan dalam bidang pembelajaran mesin dan pengenalan pola. Memanfaatkan teknik ini untuk kategorisasi kualitas batubara sebelum diblending di Run of Mine sebagai raw material akan memberikan perspektif baru pembagian interval nilai kualitas batubara. Peran algoritma ini utamanya adalah membagi populasi data menjadi beberapa kelompok, sehingga data yang memiliki karakteristik yang sama akan disegmentasikan pada kelompok yang sama sedangkan data yang berada di luar karakteristik tersebut akan disegmentasikan pada kelompok data lainnya. Parameter ujinya berupa total variabilitas terkecil (WCSS), kohesi terbesar (Silhouette Coefficient), dan koefisien partisi terbesar. Menggabungkan kedua algoritma ini dan indeks validasinya akan memberikan rekomendasi jumlah kategorisasi kualitas batubara paling efisien dengan pertimbangan parameter paling optimal di setiap tumpukan. Sehingga pada tahap operasional dengan kuantitas yang sama, kategori tumpukan yang baru akan membantu menghemat ruang inventori dan tetap mampu memberikan performa variasi yang tidak jauh berbeda.

Keywords

K-Means, Fuzzy C Means, Pembelajaran Tanpa Pengawasan, Kualitas Batubara, Inventori Analitik

Full Text:

PDF

References

Chitra, K. (2017): A Comparative Study of Various Clustering Algorithms in Data Mining, International Journal of Computer Science and Mobile Computing, 6, 109 – 115.

Feature Engineering, data diperoleh melalui situs internet: https://scikitlearn.org/stable/modules/generated/sklearn.preprocessing.MinMaxScaler.html. Diakses pada tanggal 9 Agustus 2021

Feature Weighted Fuzzy C Means Classifier, data diperoleh melalui situs internet: https://github.com/Csinclair0/feature_learning/blob/master/Notebooks/FeatureWeightedFuzzyX.ipynb. Diakses pada tanggal 9 Agustus 2021

Fuzzy Clustering, data diperoleh melalui situs internet: https://en.wikipedia.org/wiki/Fuzzy_clustering#Fuzzy_c-means_clustering. Diakses pada tanggal 9 Agustus 2021

Fuzzy Logic Algorithm, data diperoleh melalui situs internet: https://pythonhosted.org/scikitfuzzy/auto_examples/plot_cmeans.html. Diakses pada tanggal 9 Agustus 2021.

International Organization for Standardization. (2009). Solid mineral fuels – Determination of gross calorific value by bomb calorimetric method and calculation of net calorific value (ISO Standard No. 1928:2009).

Harrington, P. (2012): Grouping Unlabeled Items, Machine Learning in Action, Manning Publications, Shelter Island, New York, 208 – 209.

Ivanov, D. (2019): Role, Functions, and Types of Inventory, Global Supply Chain and Operations Management, Springer Nature Switzerland, Cham, Switzerland, 363 – 365.

K-Means Clustering, data diperoleh melalui situs internet: https://en.wikipedia.org/wiki/Kmeans_clustering. Diakses pada tanggal 9 Agustus 2021

K-Means Clustering in Python, data diperoleh melalui situs internet: https://realpython.com/kmeansclustering-python/. Diakses pada tanggal 9 Agustus 2021.

King, R.S. (2014): Fuzzy Neighborhood, Cluster Analysis and Data Mining an Introduction, Mercury Learning and Information, Dulles, Virginia, United States of America, 119.

Knee Locator, data diperoleh melalui situs internet: https://kneed.readthedocs.io/en/stable/parameters.html. Diakses pada tanggal 9 Agustus 2021

Principal Component Analysis in Python, data diperoleh melalui situs internet: https://365datascience.com/tutorials/python-tutorials/pca-k-means/. Diakses pada tanggal 9 Agustus 2021

Speight, J.G. (2015): Thermal properties, Handbook of Coal Analysis, John Wiley & Sons Inc, Hoboken, NJ, USA, 198 – 225.

Stadtler, H. (2005): Inventory Analysis, Supply Chain Management and Advanced Planning, Springer Berlin, Heidelberg, New York, 56 – 57.

Thakur, A. (2020): Decomposition Techniques, Approaching Almost Any Machine Learning Problem [Kindle Version], Diambil dari situs internet https://www.amazon.com/

Weighted Location Clustering, data diperoleh melalui situs internet: https://github.com/JosephMagiya/WeightedLocationClustering/blob/master/Weighted%20Location%20Clustering.ipynb. Diakses pada tanggal 9 Agustus 2021.

Xu, D. (2015): A Comprehensive Survey of Clustering Algorithms, Springer-Verlag Berlin Heidelberg, 165 – 193.

DOI: https://doi.org/10.36986/impj.v4i1.53