bab ii tinjauan pustaka 2.1 dasar teori 2.1.1 data mining
TRANSCRIPT
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 :
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.