Kursus Skripsi Tesis Disertasi KNIME | Penggunaan KNIME untuk Mengoptimalkan Pengelolaan Inventori di Perusahaan Manufaktur dengan Model Prediktif

Silabus Penggunaan KNIME untuk Mengoptimalkan Pengelolaan Inventori di Perusahaan Manufaktur dengan Model Prediktif

Sesi 1: Pengenalan KNIME

• Materi:
  • Pengenalan antarmuka KNIME.
  • Instalasi dan pengaturan awal.
  • Dasar-dasar alur kerja (workflow) di KNIME.
• Praktik:
  • Membuat workflow sederhana.
  • Navigasi node dan fungsi dasar.

Sesi 2: Pengelolaan Data Inventori

• Materi:
  • Memahami struktur data inventori.
  • Tipe-tipe data yang umum digunakan.
• Praktik:
  • Import data inventori dari Excel/CSV ke KNIME.
  • Menggabungkan dan menyaring data.

Sesi 3: Pembersihan dan Transformasi Data

• Materi:
  • Teknik pembersihan data (handling missing values, outliers).
  • Transformasi data untuk analisis.
• Praktik:
  • Menggunakan node “Missing Value” dan “GroupBy”.
  • Menerapkan normalisasi data.

Sesi 4: Analisis Deskriptif Data Inventori

• Materi:
  • Analisis deskriptif untuk memahami distribusi data.
  • Metrik inventori: turnover rate, stockout rate, dll.
• Praktik:
  • Menggunakan node “Statistics” dan “Bar Chart”.
  • Visualisasi distribusi data inventori.

Sesi 5: Penggunaan Node Filter dan Split

• Materi:
  • Memfilter data berdasarkan kriteria tertentu.
  • Membagi data menjadi subset.
• Praktik:
  • Node “Row Filter”, “Column Filter”, dan “Partitioning”.
  • Pembagian data menjadi data latih dan uji.

Sesi 6: Model Prediksi Kebutuhan Inventori (Bagian 1)

• Materi:
  • Pengenalan model prediktif untuk kebutuhan inventori.
  • Algoritma regresi linear.
• Praktik:
  • Membuat model regresi linear dengan node “Linear Regression Learner”.
  • Evaluasi model menggunakan node “Scorer”.

Sesi 7: Model Prediksi Kebutuhan Inventori (Bagian 2)

• Materi:
  • Pengenalan algoritma regresi non-linear.
  • Penggunaan Decision Tree Regressor.
• Praktik:
  • Membuat model dengan Decision Tree.
  • Evaluasi model dengan “Regression Performance”.

Sesi 8: Model Prediksi Kebutuhan Inventori (Bagian 3)

• Materi:
  • Perbandingan beberapa model regresi.
  • Memilih model terbaik berdasarkan metrik evaluasi.
• Praktik:
  • Membandingkan kinerja Linear Regression, Decision Tree, dan Random Forest.
  • Menggunakan node “Compare ROCs”.

Sesi 9: Forecasting Kebutuhan Inventori (Bagian 1)

• Materi:
  • Pengenalan metode Time Series.
  • Penggunaan ARIMA untuk forecasting.
• Praktik:
  • Menggunakan node “Lag Column” dan “Auto ARIMA”.
  • Evaluasi hasil forecasting.

Sesi 10: Forecasting Kebutuhan Inventori (Bagian 2)

• Materi:
  • Penggunaan LSTM (Long Short-Term Memory) untuk prediksi time series.
  • Implementasi model LSTM di KNIME.
• Praktik:
  • Menggunakan node “Keras Network Learner” dan “Keras Network Executor”.
  • Evaluasi kinerja model LSTM.

Sesi 11: Optimasi Pengelolaan Inventori

• Materi:
  • Pengenalan optimasi stok.
  • Teknik Reorder Point dan Economic Order Quantity (EOQ).
• Praktik:
  • Implementasi EOQ dengan node “Math Formula”.
  • Menghitung Reorder Point berdasarkan prediksi permintaan.

Sesi 12: Segmentasi Produk untuk Manajemen Inventori

• Materi:
  • Analisis ABC untuk klasifikasi produk.
  • Pengenalan clustering dengan K-Means.
• Praktik:
  • Menggunakan node “K-Means”.
  • Analisis hasil segmentasi dengan node “Scatter Plot”.

Sesi 13: Pengelolaan Data Real-Time

• Materi:
  • Pengumpulan data inventori secara real-time.
  • Integrasi KNIME dengan API.
• Praktik:
  • Menggunakan node “GET Request” dan “JSON Reader”.
  • Membuat workflow untuk monitoring data inventori real-time.

Sesi 14: Pengelolaan Data Multi-Sumber

• Materi:
  • Integrasi data dari berbagai sumber (ERP, database, spreadsheet).
  • Transformasi dan penggabungan data multi-sumber.
• Praktik:
  • Menggunakan node “Database Connector” dan “Joiner”.
  • Membuat pipeline data untuk analisis inventori.

Sesi 15: Automasi Alur Kerja Inventori

• Materi:
  • Automasi alur kerja (workflow) dengan parameter global.
  • Menggunakan “Loop” untuk pemrosesan data batch.
• Praktik:
  • Menggunakan node “Variable Loop” dan “Flow Variables”.
  • Membuat workflow otomatis untuk pemrosesan data periodik.

Sesi 16: Pengelolaan Risiko Ketersediaan Stok

• Materi:
  • Analisis risiko ketersediaan stok dan stockout.
  • Metode simulasi Monte Carlo.
• Praktik:
  • Menggunakan node “Monte Carlo Simulation”.
  • Evaluasi risiko dengan node “Statistics”.

Sesi 17: Analisis Data Historis

• Materi:
  • Analisis data historis untuk identifikasi tren.
  • Metode analisis moving average dan smoothing.
• Praktik:
  • Menggunakan node “Moving Average” dan “Exponential Smoothing”.
  • Visualisasi tren dengan “Line Plot”.

Sesi 18: Visualisasi Data Inventori

• Materi:
  • Pengenalan node visualisasi di KNIME.
  • Dasar-dasar visualisasi efektif untuk data inventori.
• Praktik:
  • Membuat dashboard inventori dengan node “Tile View” dan “Table View”.
  • Menggabungkan visualisasi dengan “Quick Form”.

Sesi 19: Pembelajaran Mesin untuk Klasifikasi Stok

• Materi:
  • Pengenalan klasifikasi stok berdasarkan parameter kritis.
  • Algoritma Decision Tree dan Random Forest.
• Praktik:
  • Membuat model klasifikasi stok menggunakan node “Random Forest”.
  • Evaluasi hasil klasifikasi dengan node “Scorer”.

Sesi 20: Deteksi Anomali pada Pengelolaan Stok

• Materi:
  • Pengenalan metode deteksi anomali.
  • Implementasi deteksi anomali dengan Isolation Forest.
• Praktik:
  • Menggunakan node “Isolation Forest”.
  • Mengidentifikasi anomali stok dan visualisasi hasil.

Sesi 21: Prediksi Permintaan Produk Baru

• Materi:
  • Metode prediksi untuk produk baru.
  • Algoritma regresi multi-linear.
• Praktik:
  • Membuat model prediksi dengan node “Multi-linear Regression”.
  • Evaluasi prediksi untuk produk baru.

Sesi 22: Pengembangan Model Pengadaan Optimal

• Materi:
  • Metode optimasi pengadaan stok.
  • Algoritma pengambilan keputusan (Decision Making).
• Praktik:
  • Menggunakan node “Decision Tree Learner” untuk model pengadaan optimal.
  • Evaluasi hasil pengadaan.

Sesi 23: Model Manajemen Keamanan Stok

• Materi:
  • Strategi keamanan stok dan buffer stock.
  • Analisis sensitivitas stok.
• Praktik:
  • Menggunakan node “Sensitivity Analysis”.
  • Menerapkan buffer stock pada workflow.

Sesi 24: Integrasi KNIME dengan Sistem ERP

• Materi:
  • Pengenalan integrasi KNIME dengan ERP (SAP, Oracle).
  • Pengambilan data langsung dari ERP ke KNIME.
• Praktik:
  • Menggunakan node “Database Reader” dan “SQL Executor”.
  • Membuat workflow integrasi untuk data inventori.

Sesi 25: Pengelolaan Forecasting dan Stock Level

• Materi:
  • Integrasi model forecasting dengan pengelolaan stok.
  • Penyesuaian level stok berdasarkan prediksi.
• Praktik:
  • Menggunakan node “Rule Engine” untuk penyesuaian stok.
  • Visualisasi level stok dinamis.

Sesi 26: Penanganan Kekurangan dan Kelebihan Stok

• Materi:
  • Analisis kekurangan dan kelebihan stok.
  • Strategi redistribusi dan clearance.
• Praktik:
  • Menggunakan node “Rule-based Row Filter” untuk analisis stok.
  • Membuat workflow redistribusi stok.

Sesi 27: Evaluasi dan Optimalisasi Model Inventori

• Materi:
  • Evaluasi keseluruhan model pengelolaan inventori.
  • Teknik tuning parameter model.
• Praktik:
  • Menggunakan node “Parameter Optimization Loop”.
  • Meningkatkan kinerja model dengan tuning.

Sesi 28: Pengelolaan Data Visualisasi Dinamis

• Materi:
  • Membuat dashboard interaktif di KNIME.
  • Penggunaan widget dan filter interaktif.
• Praktik:
  • Membuat dashboard inventori dengan node “JavaScript View”.
  • Integrasi filter dan visualisasi dinamis.

Sesi 29: Implementasi Workflow Terintegrasi

• Materi:
  • Membangun workflow terintegrasi untuk pengelolaan inventori.
  • Validasi dan pengujian workflow secara menyeluruh.
• Praktik:
  • Membuat workflow terintegrasi dari data import hingga prediksi dan optimasi.
  • Pengujian dan debugging.

Sesi 30: Presentasi dan Dokumentasi Akhir

• Materi:
  • Penyusunan laporan dan dokumentasi workflow.
  • Presentasi hasil optimasi pengelolaan inventori.
• Praktik:
  • Membuat laporan dan dokumentasi akhir.
  • Presentasi hasil kepada stakeholder.

Silabus ini dirancang untuk memberikan pemahaman komprehensif tentang penggunaan KNIME dalam optimasi pengelolaan inventori di perusahaan manufaktur menggunakan model prediktif.