10

BAB II

TINJAUAN PUSTAKA

2.1 Dasar Teori

2.1.1 Data Mining

Data mining adalah bidang dari beberapa bidang ilmu yang menyatukan

teknik dari machine learning, pengenalan pola, statistic, basis data, dan visualisasi

untuk penanganan permasalahan pengambilan informasi dari data dalam jumlah

besar. Data Mining merupakan proses mengekstraksi dan mengidentifikasi suatu

informasi, menemukan hubungan, menghasilkan pattern atau pola dengan data

dari basis data yang besar. (Oktaria, 2019: 26).

Secara umum, Data Mining dilakukan untuk memahami lebih jauh

perilaku data yang sedang diamati dan untuk memperkirakan atau memprediksi

kondisi yang akan terjadi dimasa yang akan datang. (Oktaria, 2019: 26).

2.1.1.1 Pengelompokan Data Mining

Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang

dapat dilakukan, yaitu :

1. Description (Deskripsi)

terkadang peneliti dan analisis seacara sederhana ingin mencoba mencari cara

untuk menggambarkan pola dan kecenderungan yang terdapat dalam data.

2. Estimation (Estimasi)

Estimasi hampir sama dengan klasifikasi, kecuali variable target. Estimasi

lebih kearah numeric dari pada kearah kategori.

11

3. Prediction (Prediksi)

Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam

prediksi nilai dari hasil akan ada dimasa mendatang.

4. Classification (Klasifikasi)

Dalam klasifikasi terdapat target variable kategori, sebagai contoh

penggolangan pendapatan dapat dipisahkan dalam tiga kategori, yaitu

pendapatan tinggi, pendapatan sedang, dan pendapatan rendah.

5. Clustering (Pengklusteran)

Clustering merupakan pengelompokan record, pengamatan atau

memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan.

Cluster adalah kumpulan record yang memiliki kemiripan satu dengan yang

lainnya dan memiliki ketidak miripan dengan record–record dalam cluster.

6. Association (Asosiasi)

Tugas associatin dalam data mining adalah menemukan atribut yang muncul

dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang

biasa. (Ardiansyah & Walim, 2018: 7)

2.1.1.2 Tahapan Data Mining

Data mining sebenarnya merupakan salah satu bagian proses Knowledge

Discovery in Database (KDD) yang bertugas untuk mengekstrak pola atau model

dari data dengan menggunakan suatu algoritma yang spesifik. Proses KDD secara

garis besar dapat dijelaskan sebagai berikut :

1. Data Selection

Pemilihan data dari sekumpulan data operasional perlu dilakukan sebelum

tahap penggalian informasi dalam KDD dimulai. Data hasil seleksi yang akan

12

digunakan untuk proses data mining disimpan dalam suatu berkas terpisah dari

basis data operasional.

2. Pre-processing/Cleaning

Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses

cleaning yang menjadi fokus Knowledge Discovery in Database (KDD)

dengan tujuan untuk membuang duplikasi data, memeriksa data yang

inkonsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak.

Juga dilakukan proses enrichment, yaitu proses “memperkaya” data yang sudah

ada dengan data atau informasi lain yang relavan dan diperlakukan untuk

KDD, seperti data atau informasi eksternal.

3. Transformation

Yaitu proses coding pada data yang telah dipilih, sehingga data tersebut sesuai

untuk proses data mining. Proses coding dalam Knowledge Discovery in

Database (KDD) merupakan proses kreatif dan sangat tergantung pada jenis

atau pola informasi yang akan dicari didalam database.

4. Data Mining

Data mining adalah proses mencari pola atau informasi menarik dalam data

terpilih dengan menggunakan teknik atau metode tertentu.

5. Interpretation/Evaluation

Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan

dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap

ini mencakup pemeriksaan apakah pola atau informasi yang ditemukan

bertentangan dengan fakta atau hipotesa yang ada sebelumnya atau tidak

(Sugara, Widyatmoko, Prakoso & Saputro, 2018: 3).

13

Adapun tahapan-tahapan pada data mining dapat digambarkan seperti gambar 2.1

berikut :

Gambar 2.1 Tahapan-tahapan Data Mining

2.1.2 Algoritma C4.5

Algoritma C4.5 merupakan salah satu algoritma yang telah secara luas

digunakan, khususnya di area machine learning yang memiliki beberapa

perbaikan dari algoritma sebelumnya yaitu ID3. Algoritma C4.5 dan ID3 model

yang tak terpisahkan, karena membangun sebuah pohon keputusan. Dibutuhkan

Algoritma C4.5 diakhir tahun 1980an, J. Ross Quinlan seorang peneliti dibidang

mesin pembelajaran mengembangkan sebuah model pohon keputusan dalam

algoritma C4.5. (Ardiansyah & Walim, 2018: 7)

Ide dasar dari algoritma ini adalah pembuatan pohon keputusan

berdasarkan pemilihan atribut yang memiliki prioritas tertinggi atau dapat disebut

memiliki nilai gain tertinggi berdasarkan nilai entropy atribut tersebut sebagai

proses atribut klasifikasi. Kemudian secara rekursif cabang-cabang pohon

diperluas sehingga seluruh pohon terbentuk. Entropy adalah jumlah data yang

tidak relavan terhadap informasi dari suatu kumpulan data. Gain adalah informasi

14

yang didapatkan dari perubahan entropy pada suatu kumpulan data, baik melalui

observasi atau bisa juga disimpulkan dengan cara melakukan partisipasi terhadap

suatu set data.

Terdapat empat langkah proses pembuatan pohon keputusan pada algotima

C4.5, yaitu :

1. Memilih atribut sebagai akar.

2. Membuat cabang masing-masing nilai.

3. Membuat setiap kasus dalam cabang.

4. Mengulangi proses dalam setiap cabang sehingga semua kasus dalam cabang

memiliki kelas yang sama. (Sugara, Widyatmoko, Prakoso & Saputro, 2018: 4)

Decission Tree atau Algoritma C4.5 merupakan salah satu metode

klasifikasi yang menggunakan representasi struktur pohon (tree) dimana setiap

node mempersentasikan nilai dari atribut-atribut, dan daun mempersentasikan

nilai dari atribut dan daun mempersentasikan kelas. Node yang paling atas dari

decission tree disebut sebagai root. (Eko, 2014).

Pada decission tree terdapat 3 jenis node, yaitu :

1. Root Node merupakan node paling atas, pada node ini tidak ada input dan

bisa tidak mempunyai output atau mempunyai output lebih dari satu.

2. Internal Node merupakan node percabangan, pada node ini hanya terdapat

satu input dan mempunyai output minimal dua.

3. Leaf Node atau terminal node merupakan node akhir, pada node ini hanya

terdapat satu input dan tidak mempunyai output. (Sembiring, Sibuea & Sapta,

2018: 75).

15

Gambar 2.2 Node pada Decission Tree

Decision tree tergantung pada aturan if-then, tetapi tidak membutuhkan

parameter dan metrik. Struktur sederhana dan dapat ditafsirkan memungkinkan

decision tree untuk memecahkan masalah atribut multi-tye. Decision tree juga

dapat mengolah nila-niLai yang hilang atau data noise. Adapun langkah-langkah

metode decision tree dengan algoritma C4.5 dalam membangun sebuah pohon

keputusan adalah sebagai berikut :

1. Membentuk decission sistem yang terdiri dari atribut kondisi dan atribut

keputusan.

2. Hitung jumlah data kolom, jumlah data berdasarkan anggota atribut hasil

dengan syarat tertentu. Untuk proses pertama syaratnya masih kosong.

3. Pilih atribut yang akan dijadikan sebagai Node.

4. Membuat cabang untuk nilai setiap anggota dari Node.

5. Periksa apakah nilai entropy dari anggota Node ada yang bernilai nol. Jika

ada, maka lakukan penentuan daun. Jika seluruh nilai entropy anggota Node

adalah nol, maka proses selanjutnya diberhentikan.

16

6. Jika ada anggota Node yang memiliki nilai entropy lebih besar dari nol, maka

dilakukan perulangan kembali dari lagi awal perhitungan sampai hasilnya

semua anggota dari Node bernilai nol.

Node adalah atribut yang mempunyai nilai gain tertinggi dari atribut-

atribut yang ada. Untuk menghitung nilai gain suatu atribut digunakan rumus

seperti yang tertera dalam persamaan berikut :

Menurut (Rahman, 2017) Rumus Gain yaitu:

Gain (S,A) = Entropy(S) ∑|𝑆𝑖|

|𝑆|

𝑛𝑖=1 * Entropy (Si) .......................................(1)

Keterangan :

S = Himpunan Kasus

A = Fitur

n = Jumlah partisi S

| Si | = Proporsi dari S1 terhadap S

| S | = Jumlah kasus dalam S

Sementara itu, untuk menghitung nilai Entropy dapat dilihat pada

persamaan berikut ini :

Entropy = ∑ −𝑝𝑖. 𝑙𝑜𝑔2. 𝑝𝑖𝑛𝑖=1 ........................................................................(2)

Keterangan :

S = Himpunan kasus

n = jumlah partisi S

17

pi = Proporsi Si terhadap S

(Sembiring, Sibuea & Sapta, 2018: 76)

2.1.3 Pengertian Telur Ayam

Telur ayam merupakan salah satu bahan makanan hewani yang

dikonsumsi selain daging, ikan dan susu. Secara umum telur ayam merupakan

pangan hasil ternak yang paling sering dikonsumsi oleh masyarakat. Telur ayam

mengandung gizi yang tinggi, ketersediaan yang berkelanjutan, dan harga yang

relatif lebih dibandingkan dengan telur lainnya sehingga menjadikan telur ayam

sangat diminati oleh para konsumen. Namun, telur mudah mengalami kerusakan

dan penurunan kualitas akibat masuknya bakteri kedalam telur.

2.1.4 Alat Bantu Analisis dan Perancangan Sistem

Dalam perancangan sistem informasi, dibutuhkan beberapa alat bantu

perancangan agar analisa dan hasil dapat tercapai. Alat bantu yang dimkasud

disini akan membantu merancang setiap proses pembentukan sistem.

2.1.4.1 Analisis Sistem Informasi

Aliran system informasi berguna mengetahui permasalahan yang ada pada

suatu sistem. Dari analisis sistem informasi dapat diketahui apakah system

informasi masih layak dipakai atau tidak, manual atau berkomputerisasi. Jika

sistem informasi sudah tidak layak maka perlu adanya perubahan dalam

pengolahan data sehingga menghasilkan informasi cepat dan akurat serta

keputusan yang lebih baik.

18

Table 2.1 Simbol Analisis Sistem Informasi

No Simbol Keterangan

1 Dokumen, Input atau Output yang bisa

dibaca seperti hasil print.

2 Manual, kegiatan yang dilakukan secara

manual.

3 Diguanakan sebagai tempat penyimpanan

data berupa arsip.

4 Proses kegiatan yang dilakukan dengan

menggunakan pengoperasian computer.

5 Digunakan untuk media penyimpanan dari

proses entry data.

6

Arus dan proses. Menunjukan arah proses

7 Digunakan untuk proses penyimpanan

menggunakan dengan keyboard.

Sumber : Sukrianto (2017)

2.1.4.2 UML (Unified Modelling Language)

Unified Modelling Language (UML) adalah keluarga notasi grafis yang

didukung oleh meta-model tunggal, yang membantu pendekskripsian dan desain

19

sistem perangkat lunak, khususnya sistem yang dibangun menggunakan

pemrograman berorientasi objek (Isa & Hartawan, 2017).

2.1.4.3 Diagram UML (Unified Modelling Language)

Pada umumnya hanya digunakan empat buah diagram saja dalam sebuah

UML, yaitu Use Case Diagram, Class Diagram, Sequence, dan Activity Diagram.

1. Use Case Diagram

Use Case Diagram merupakan pemodelan untuk dilakukan (behaviour)

sistem informasi yang akan dibuat. Use Case digunakan untuk menggambarkan

sistem dari sudut pandang pengguna sistem tersebut (Use). Dan mengetahui

fungsi apa saja yang ada didalam sistem informasi dan siapa saja yang berhak

menggunakan fungsi-fungsi tersebut. Simbol-simbol yang digunakan dalam Use

Case Diagram yaitu :

Tabel 2.2 Simbol Use Case Diagram

Simbol Keterangan

Use Case Use Case menunjukan proses yang terjadi pada

sistem.

Actori Actor menunjukan User yang akan

menggunakan sistem.

Ekstensi Undirectional Assocation menunjukan

hubungan antara actor dengan use case atau

antar use case.

Asosiasi Interaksi Use Case tambahan kesebuah Use

Case yang ditambahkan dapat berdiri sendiri.

Sumber : Ade Hendini (2016)

20

2. Class Diagram

Class Diagram merupakan hubungan antar kelas dan penjelasan detail

tiap-tiap kelas didalam model desain dari suatu sistem, juga memperlihatkan

aturan-aturan dan tanggung jawab entitas yang menentukan perilaku sistem. Class

Diagram menggambarkan struktur sistem dari segi pendefenisian kelas-kelas yang

akan dibuat untuk membangun sistem. Class Diagram juga menunjukan atribut-

atribut dan operasi-operasi dari sebuah kelas dan Constrain yang berhubungan

dengan objek yang dikoneksikan. Atribut merupakan variabel-variabel yang

dimiliki oleh suatu kelas, sedangkan operasi adalah fungsi-fungsi yang dimiliki

oleh suatu kelas. Class Diagram secara khas meliputi: Kelas (Class), Relasi

Assosiation, Generalitation dan Aggregation, Atribut (Attributes), Operasi

(Operation/Method) dan Visibility, tingkat akses objek eksternal kepada suatu

operasi atau atribut. Hubungan antar kelas mempunyai keterangan yang disebut

dengan Multiplicity atau Cardinality.

Tabel 2.3 Simbol Class Diagram

Simbol Keterangan

Class menunjukan class-class yang dibangun

berdasarkan proses-proses sebelumnya diagram

Sequence)

Unidirectional Association menunjukan

hubungan antara class pada diagram class.

Relasi antar kelas dengan makna umum, asosiasi

biasanya juga dengan Multiplicity.

Sumber : Ade Hendini (2016)

21

3. Sequence Diagram

Sequence Diagram menggambarkan kelakuan objek pada Use Case

dengan mendeskripsikan waktu hidup objek dan pesan yang dikirimkan dan

diterima antar objek. Simbol-simbol yang digunakan dalam Sequence Diagram

yaitu :

Tabel 2.4 Simbol Sequence Diagram

Simbol Keterangan

Objek menunjukan objek yang terdapat di

diagram Sequence.

Waktu aktif yaitu objek dalam keadaan aktif dan

berinteraksi.

Message digambarkan dengan anak panah

horizontal.

Sumber : Ade Hendini (2016)

4. Activity Diagram

Activity Diagram menggambarkan work flow (aliran kerja) atau aktivitas

dari sebuah sistem atau proses bisnis. Yang perlu diperhatikan disini adalah

bahwa diagram aktivitas menggambarkan aktivitas sistem bukan apa yang

dilakukan actor, jadi aktivitas dapat dilakukan oleh sistem. Simbol-simbol yang

digunakan dalam Activity Diagram sebagai berikut :

Tabel 2.5 Simbol Activity Diagram

Sombol Keterangan

Kondisi awal menunjukan awal dari suatu

diagram aktivitas.

22

Kondisi akhir menunjukan akhir dari suatu

diagram aktivitas.

Kondisi transisi menunjukan kondisi transisi

antar aktivitas.

Swimlane menunjukan actor dari diagram

aktivitas yang dibuat.

Aktivitas yang dilakukan system, aktivitas

biasanya diawali dengan kata kerja.

Decision menunjukan pilihan untuk

pengambilan keputusan (True Or False).

Asosiasi penggabungan dimana lebih dari satu

aktivitas digabungkan menjadi satu.

Sumber : Ade Hendini (2016)

2.1.5 Perangkat Lunak Yang Digunakan

2.1.5.1 Visual Basic .Net

Microsoft Visual Basic . Net adalah sebuah alat untuk mengembangkan

dan membangun aplikasi yang bergerak diatas sistem .Net Framework, dengan

menggunakan bahasa basic. Dengan menggunakan alat ini, para programmer

dapat membangun aplikasi Windows Froms, aplikasi web berbasis ASP .Net, dan

Swimlane

Aktivitas

Penggabungan/join

23

juga aplikasi command-line. Alat ini dapat diperoleh secara terpisah dari beberapa

produk lainnya (seperti Microsoft Visual C++, Visual C#, atau Visual J#), atau

juga dapat diperoleh secara terpadu dalam Microsoft Visual Studio .Net. Bahasa

Visual Basic .Net sendiri menganut paradigma bahasa pemrograman berorientasi

objek yang dapat dilihat sebagai evolusi dari Microsoft Visual Basic versi

sebelumnya yang diimplementasikan diatas Framework peluncurannya

mengundang kontroversi, mengingat banyak sekali perubahan yang dilakukan

oleh Microsoft, dan persi baru ini tidak kompatibel dengan versi terdahulu (Fery

Updi, 2017).

Beberapa keuntungan ketika menggunakan .Net diantaranya seperti :

1. Multi Language, Arsitektur .Net bersifat terbuka.

2. No DLL Hell, merupakan blok atau modul-modul objek dari sebuah aplikasi.

3. Strong Typing dan Type Safety, menyediakan strong typing, dimana setiap

variabel wajib didefenisikan scope dan tipe datanya.

4. Cross Platfrom Possibility, menyimpan dan mengirim data dalam bentuk

XML yang merupakan format data universal diinternet.

5. Code Once, More Aplication, interface pemrograman bersifat konsisten,

dengan objek model yang sama pada setiap bahasa yang digunakan.

Tampilan Visual Studio 2010

Apabila berhasil instalisasinya, maka akan muncul tampilan Visual Studio

2010 seperti dibawah ini :

24

Gambar 2.3 Simbol Visual Basic 2010

Gambar 2.4 Tampilan Utama Visual Basic 2010

25

2.1.5.2 Microsft Access

Microsoft Access adalah pengolah database yang populer dan banyak

digunakan para operator komputer untuk menyelesaikan berbagai bentuk

database.

Gambar 2.5 Simbol Ms.Access

2.2 Tinjauan Penelitian

Ada beberapa referensi yang diambil penulis sebagai bahan pertimbangan

atau bahan untuk membantu peneliti dalam proses penyusunan skripsi, referensi

atau tinjauan tersebut diambil dari beberapa penulisan yang dilakukan sebelumnya

oleh peneliti lain yang membahas permasalahan hamper sama, antara lain :

1. Analisis Penawaran Dan Permintaan Telur Ayam Ras Di Sumatera Utara

(Sitompul, Lubis & Hutajulu, 2014). Penelitian ini dilakukan untuk

menganalisis faktor-faktor yang mempengaruhi penawaran telur ayam ras di

Sumatera Utara. Dan menganalisis bagaimana keseimbangan harga

penawaran dan permintaan telur ayam ras di Sumatera Utara.

26

2. Analisa Klasifikasi Kualitas Mahasiswa Lulusan Berdasarkan Jalur

Penerimaan Menggunakan Algoritma C4.5 (Oktaria, 2019). Peneliti ini

menyimpulkan bahwa Data Mining merupakan proses mengekstraksi dan

mengidentifikasi suatu informasi, menemukan hubungan, menghasilkan

pattern atau pola dengan data dari basis data yang besar. Dan dilakukan untuk

memahami lebih jauh perilaku data yang sedang diamati dan untuk

memperkirakan atau memprediksi kondisi yang akan terjadi dimasa yang

akan datang. Untuk menganalisa klasifikasi kualitas lulusan mahasiswa

berdasarkan jalur penerimaan, peneliti melakukan proses Data Mining dengan

Metode Algoritma C4.5 dimulai dari pembentukan decision sistem sebagai

data awal yang memiliki nilai atribut dan peneiliti akan menghitung nilai

Gain yang tertinggi. Selanjutnya menentukan keputusan dari hasil proses

Decission Tree.

3. Algoritma C4.5 Untuk Klasifikasi Calon Peserta Lomba Cerdas Cermat

Siswa SMP Dengan Menggunakan Aplikasi Rapid Miner (Ardiansyah &

Walim, 2018). Penelitian ini dilakukan untuk melakukan klasifikasi terhadap

calon peserta lomba cerdas cermat dengan cara membuat pohon keputusan

berdasarkan data-data yang sudah ada dan melakukan klasifikasi terhadap

calon peserta lomba cerdas cermat siswa SMP. Berdasarkan hasil klasifikasi

proses seleksi dari 33 data siswa yang menunjukan tingkat akurasi sebesar

81,81% dengan menerapkan metode Algoritma C4.5.

4. Penerapan Algoritma C4.5 Untuk Deteksi Dini Gangguan Autisme Pada

Anak (Sugara, Widyatmoko, prakoso & Saputro, 2018). Penelitian ini

dilakukan untuk mendeteksi dini gangguan autism pada anak dengan cara

27

membuat pohon keputusan berdasarkan data-data yang sudah ada. Kemudian

menghitung nilai entropy dari masing-masing atribut. Menghitung nilai gain

dan menentukan hasil proses decission tree dengan menggunakan logika if-

then yang dimulai dari akar tertinggi hingga akar terendah. Bedasarkan hasil

dari penelitian yang sudah dilakukan bahwa deteksi dini gangguan autism

pada anak dengan aplikasi ripedminer dapat diperoleh hasil nilai akurasi

sebesar 72% dengan menggunakan algoritma C4.5.

5. Analisa Kinerja Algoritma C4.5 Dalam Memprediksi Hasil Belajar

(Sembiring, Sibuea & Sapta, 2018). Penelitian ini dilakukan untuk mampu

menghasilkan rule guna untuk meprediksi pencapaian hasil belajar

mahasiswa berdasarkan riwayat akademik. Penelitian ini akan

menginformasikan kepada mahasiswa untuk antisipasi dini dalam mengituki

perkuliahan akan mendapatkan hasil belajar yang maksimal. Proses data

mining dengan metode decission tree algoritma C4.5 dimulai dari

pembentukan decission sistem sebagai data awal yang memiliki nilai atribut

kondisi dan keputusan. Kemudian menghitung nilai entropy dari masing-

masing atribut. Mengihitung nilai gain yang tertinggi yang selanjutnya akan

digunakan menjadi node. Selanjutmya menentukan keputusan dari hasil

proses decission tree dengan menggunakan logika if-then dimulai dari akar

tertinggi hingga akar terendah.

2.3 Kerangka Pemikiran

Kerangka pemikiran adalah penjelasan sementara terhadap sesuatu yang menjadi

objek permasalahan. Kerangka pemikiran ini disusun berdasarkan pada tinjauan

pustaka dan hasil penelitian yang relafan dan terkait.

28

Kerangka Pemikiran dari penelitian ini sebagai berikut :

Gambar 2.6 Kerangka Pemikiran

2.4 Tinjauan Umum Prusahaan

2.4.1 Sejarah CV(Commanditaire Vennootschap).Bintang Ternak

CV(Commanditaire Vennootschap).Bintang Ternak, suatu perusahaan

yang beroperasi berdasarkan hukum Negara Republik Indonesia dan

berkedudukan di Hessa Air Genting. Perusahaan ini merupakan yang bergerak

dalam bidang peternakan unggas yang sudah berdiri pada tahun 1980an.

CV(Commanditaire Vennootschap).Bintang Ternak dikelolah oleh perorangan

yang bernama Apan Harianto. Usaha yang dijalani oleh perorangan ini terintegrasi

dimulai dari proses penjualan utama yaitu telur ayam Australia, dan ayam

pedaging yaitu jenis ayam Australia. CV(Commanditaire Vennootschap).Bintang

Ternak juga membentuk suatu kerjasama/mitra dengan pedagang/distributor yang

tujuannya untuk menyongsong pertumbuhan dan perekonomian masyarakat.

Penentuan kualitas telur ayam Australia berkualitas masih

dilakukan secara manual

Diperlukan sistem untuk menentukan kualitas telur ayam

Australia terbaik

Mempermudah karyawan Cv(Commanditaire Vennootschap). Bintang

Ternak dalam menentukan kualitas telur ayam Australia terbaik

29

2.4.2 Visi Dan Misi CV(Commanditaire Vennootschap).Bintang Ternak

2.4.2.1 Visi CV(Commanditaire Vennootschap).Bintang Ternak

Menjadi perusahaan yang lebih produktif, kompetitif dan bertanggung

jawab dalam penyediaan produk peternakan ayam yang berkualitas tinggi dan

lebih professional bagi konsumen.

2.4.2.2 Misi CV(Commanditaire Vennootschap).Bintang Ternak

Memberikan pelayanan terbaik yang berkualitas dan secara professional

kepada konsumen sehingga dapat meningkatkan citra dimata klien atau

konsumen.

2.4.3 Struktur Organisasi CV(Commanditaire Vennootschap).Bintang Ternak

Organisasi dalam suatu perusahaan sangat penting untuk kelangsungan

usaha dan harus ada untuk menentukan suatu tugas dan tanggung jawab dalam

suatu perusahaan. Perusahaan CV(Commanditaire Vennootschap).Bintang Ternak

merupakan perusahaan pribadi maka struktur organisasi perusahaan ini sangat

sederhana.

30

Gambar 2.7 Struktur Organisasi CV. Bintang Ternak

2.4.4 Uraian Tugas Dan Wewenang

Berikut ini uraian dan tanggung jawab dari masing-masing jabatan pada

CV(Commanditaire Vennootschap).Bintang Ternak :

1. Tugas Dan Wewenang Pemilik/Manajer

Manajer memberikan intruksi pada sekertaris dan mandor gudang dan juga

menerima laporan atas perkembangan perusahaan.

31

2. Tugas Dan Wewenang Sekertaris

Sekertaris mengelola setiap administrasi perusahaan dan mengawasi

kepala gudang pakan dan kepala gudang telur.

3. Tugas Dan Wewenang Mandor Gudang

Mandor Gudang bertanggung jawab atas pencatatan penyortiran telur dan

mengawasi kegiatan pekerja gudang.

4. Tugas Dan Wewenang Mandor Kandang

Mandor Kandang bertanggung jawab atas pencatatan penyortiran telur dari

pekerja kandang dan mengawasi kegiatan pekerja kandang.

5. Tugas Dan Wewenang Kepala Gudang Pakan

Kepala gudang pakan bertanggung jawab atas semua kegiatan digudang

pakan, seperti memeriksa dan menimbang bahan baku yang datang dari supleye

dan sampai proses pencampuran bahan baku. Kepala gudang pakan juga

bertanggung jawab mengawasi kegiatan pekerja digudang pakan.

6. Tugas Dan Wewenang Kepala Gudang Telur

Kepala gudang telur bertanggung jawab atas semua kegiatan digudang

telur, seperti pengumpulan telur, menimbang telur, dan kegiatan lainnya. Kepala

gudang telur juga bertanggung jawab mengatasi kegiatan pekerja.

7. Tugas Dan Wewenang Pegawai Di Gudang Pakan

Pegawai di gudang pakan melakukan semua kegiatan digudang makan

mulai dari menangani bahan baku yang datang sampai proses pencampuran bahan

baku.

32

8. Tugas Dan Wewenang Pegawai Di Gudang Telur

Pegawai di gudang telur melakukan semua kegiatan yang digudang telur

seperti pengumpulan telur, penimbangan telur, dan kegiatan lainnya.

9. Tugas Dan Wewenang Tukang Kandang

Tukang kandang mempuyai tanggung jawab untuk memperbaiki setiap

kandang yang rusak.

10. Tugas Dan Wewenang Sopir

Sopir bertanggung jawab atas semua pengiriman dan pengambilan telur

maupun barang-barang lainnya.

11. Tugas Dan Wewenang Pekerja Kandang

Pekerja kandang bertanggung jawab atas pemberian pakan dan minum

ayam serta kebersihan kandang.

2.5 Hipotesis

Hipotesis adalah dugaan sementara terhadap rumusan masalah penelitian

yang harus diuji lagi kebenarannya. Adapun hipotesis dalam penelitian ini yaitu

dengan adanya metode C4.5 dapat membantu dalam penentuan kualitas telur

ayam Australia terbaik dengan melakukan penyelesaian data sehingga

memperoleh informasi terbaru.

Berdasarkan kerangka pemikiran diatas, maka hipotesis atas tindakan yang

digunakan dalam penelitian ini adalah :

1. Hipotesis deskriptif

Hipotesis deskriptif merupakan hipotesis yang menggambarkan sebuah

kelompok atau variabel tanpa menghubungkan dengan variabel lain.

33

2. Hipotesis asosiatif

Hipotesis asosiatif merupakan jenis hipotesis yang menjelaskan hubungan

antar variabel.

3. Hipotesis komparatif

Hipotesis komparatif merupakan hipotesis yang menyatakan perbandingan

antara sampel atau variabel yang satu dengan variabel lain.

Dengan adanya data mining dalam menentukan kualitas telur ayam

Australia terbaik akan lebih memudahkan para karyawan untuk menentukan

kualitas telur ayam Australia terbaik. Perusahaan akan lebih mudah dan cepat

dalam menentukan kualitas telur ayam Australia terbaik sehingga dapat diperoleh

telur ayam australia dengan kualitas yang diinginkan.