Kursus KNIME: Penggunaan KNIME untuk Mengoptimalkan Pengelolaan Inventori di Perusahaan Manufaktur dengan Model Prediktif
Dari nol sampai paham Penggunaan KNIME untuk Mengoptimalkan Pengelolaan Inventori di Perusahaan Manufaktur dengan Model Prediktif: mengubah data mentah jadi insight yang bisa dipakai ambil keputusan. Kelas live Zoom untuk analis data, mahasiswa riset, dan tim bisnis. Kursus KNIME ini tersedia juga sebagai training KNIME maupun pelatihan KNIME in-house untuk kebutuhan perusahaan.
Silabus
•Sesi 1 (1.5 jam): Pengenalan KNIME: sejarah, kegunaan, dan ruang lingkup industri
•Sesi 2 (1.5 jam): Instalasi & konfigurasi awal KNIME
•Sesi 3 (1.5 jam): Mengenal antarmuka (interface) dan navigasi dasar
•Sesi 4 (1.5 jam): Pengaturan preferensi & workspace yang efisien
•Sesi 5 (1.5 jam): Tools & menu utama: fungsi dan penggunaan dasar
•Sesi 6 (1.5 jam): Latihan dasar: membuat project pertama
•Sesi 7 (1.5 jam): Import & export file dasar di KNIME
•Sesi 8 (1.5 jam): Teknik dasar penyimpanan & manajemen file project
•Sesi 9 (1.5 jam): Studi kasus sederhana: aplikasi KNIME di dunia kerja
•Sesi 10 (1.5 jam): Review materi dasar & quiz pemahaman
Daftar Kursus Ini
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.
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”.
Pertanyaan yang Sering Diajukan
Apakah kursus KNIME ini cocok untuk pemula?▾
Materi disusun bertahap mulai dari konsep dasar, sehingga peserta tanpa pengalaman sebelumnya tetap bisa mengikuti dengan pendampingan instruktur.
Bagaimana metode belajarnya?▾
Kelas online live via Zoom dengan instruktur berpengalaman, praktik langsung, serta rekaman sesi yang bisa diputar ulang. Tersedia juga opsi in-house training untuk perusahaan.
Apakah ada project akhir yang bisa dijadikan portofolio?▾
Ya, setiap peserta menyelesaikan mini project end-to-end yang bisa langsung dijadikan portofolio atau bahan skripsi/tesis.
Apakah mendapat sertifikat setelah selesai?▾
Ya, peserta yang menyelesaikan program mendapatkan e-certificate resmi dari Cerdas Inovasi Digital.
Bagaimana cara mendaftar?▾
Klik tombol daftar pada halaman kursus ini atau hubungi admin kami untuk konsultasi jadwal dan paket yang sesuai kebutuhan Anda.
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.
Metode Belajar di Cerdas Inovasi Digital
Kelas online live via Zoom bersama instruktur berpengalaman, praktik langsung dengan studi kasus nyata, dan rekaman sesi yang bisa diputar ulang. Tersedia juga paket in-house training untuk kebutuhan perusahaan di seluruh Indonesia.
Hubungi kami untuk konsultasi jadwal dan paket yang paling sesuai dengan kebutuhan Anda.
Kenapa Ambil Kursus KNIME Ini
Kursus KNIME ini dirancang untuk yang ingin belajar langsung praktik lewat sesi live bersama instruktur berpengalaman.