BAB IV HASIL DAN PEMBAHASAN
4.1 Hasil Penelitian
4.1.1 Perhitungan Manual Decision Tree
Menentukan atribut sebagai akar dan menghitung nilai informasi Gain atribut. Untuk memilih atribut sebagai akar, didasarkan pada nilai Gain tertinggi dari atribut-atribut yang ada. Dibutuhkan nilai Entropy untuk menentukan Gain tertinggi. Nilai Entropy dari masing-masing atribut telah didapatkan dan Gain dari atribut juga sudah dihitung, selanjutnya hasil dari perhitungan tersebut dimasukkan ke dalam tabel. Hasil dari perhitungan ini akan dinamakan dengan Node 1.0. Berikut adalah gambar tabel perhitungan manual decision tree Node 1.0 untuk menentukan akar atau root berdasarkan informasi dari nilai gain yang paling tinggi dari atribut lainnya.
Gambar 4.1 Tabel Perhitungan node 1.0 Sumber : Data Primer,2018
Dari perhitungan node 1.0 didapati gain tertinggi yaitu pada atribut PRODUK maka yang menjadi root/akar adalah atribut PRODUK. Pada Atribut PRODUK dengan value Flashdisk, Micro SD, Perdana xl, dan Voucher Three masih belum diketahui, maka perlu melakukan perhitungan ulang pada atribut produk dengan value tersebut. Perhitungan node 1.1 mencari cabang root dari atribut produk dengan value Flashdisk. Adapun hasil dari perhitungn node 1.1 adalah sebagai berikut :
Gambar 4.2 Perhitungan Node 1.1 Sumber : Data Primer,2018
Dari perhitungan node 1.1 didapat gain terbesar yaitu pada atribut MEREK maka cabang root Flashdisk adalah atribut MEREK. Perhitungan node 1.2 adalah menghitung cabang root dari atribut MEREK dengan value Samsung. Adapun hasil dari perhitungn node 1.2 adalah sebagai berikut :
Gambar 4.3 Perhitungan Node 1.2 Sumber : Data Primer,2018
Dari perhitungan node 1.2 terdapat gain yang sama yaitu atribut JENIS PRODUK dengan value KSK dan HARGA dengan value HPR. Maka untuk akar cabang dari MEREK dengan value Samsung adalah JENIS PRODUK diikuti dengan HARGA. Perhitungan node 1.3 adalah menghitung cabang root dari atribut PRODUK dengan value Micro SD. Adapun hasil dari perhitungn node 1.3 adalah sebagai berikut :
Gambar 4.4 Perhitungan Node 1.3 Sumber : Data Primer,2018
Dari perhitungan node 1.3 didapat gain terbesar yaitu pada atribut MEREK dengan value Sandisk dan V-Gent. Perhitungan node 1.4 adalah menghitung cabang root dari atribut MEREK dengan value Sandisk. Adapun hasil dari perhitungn node 1.4 adalah sebagai berikut:
Gambar 4.5 Perhitungan Node 1.4 Sumber : Data Primer,2018
Dari perhitungan node 1.4 terdapat gain yang sama yaitu atriput JENIS PRODUK dengan value KSK dan HARGA dengan value HPR. Maka untuk akar cabang dari MEREK dengan value Sandisk adalah JENIS PRODUK diikuti dengan HARGA. Perhitungan node 1.5 adalah menghitung cabang root dari atribut PRODUK dengan value Perdana XL
Gambar 4.6 Perhitungan Node 1.5 Sumber : Data Primer,2018
Dari perhitungan node 1.5 terdapat gain yang sama yaitu atribut MEREK dengan value XL Axiata, JENIS PRODUK dengan value KK dan HARGA dengan value HPR. Maka akar cabang dari PRODUK dengan value Perdana XL adalah MEREK, JENIS PRODUK, dan HARGA. Perhitungan node 1.6 adalah menghitung cabang root dari atribut PRODUK dengan value Voucher Three. Adapun hasil dari perhitungn node 1.6 adalah sebagai berikut :
Gambar 4.7 Perhitungan Node 1.6 Sumber : Data Primer,2018
Dari perhitungan node 1.6 terdapat gain yang sama yaitu atribut MEREK dengan value Three, JENIS PRODUK dengan value KSK dan HARGA dengan value HPR. Maka akar cabang dari PRODUK dengan value Voucher Three adalah MEREK value Three, JENIS PRODUK value KSK, dan HARGA value HPR. Adapun pohon keputusan yang terbentuk dari perhitungan node 1.6 adalah sebagai berikut : Node 1.0 PRODUK LARIS Charger, Hard Case, Headseat, Perdana Simpati NORMAL Handphone KURANG LARIS Kabel data, Soft case, Tempered Glass, Voucher Indosat, Voucher Smartfren, Voucher Telkomsel, Micro SD Node 1.1 MEREK Node 1.5 MEREK Flashdisk Perdana XL Voucher Three Node 1.3 MEREK NORMAL LARIS Toshiba Sandisk Node 1.2 JENIS PRODUK NORMAL Node 1.2 HARGA KSK HPR SANGAT LARIS V-Gent Node 1.4 JENIS PRODUK Sandisk Node 1.4 HARGA KSK LARIS HPR Node 1.5 JENIS PRODUK Xl axiata Node 1.5 HARGA KK KURANG LARIS HPR Node 1.6 MEREK Node 1.6 JENIS PRODUK three Node 1.6 HARGA ksk LARIS HPR
Gambar 4.8 Pohon Keputusan Node 1.6 Sumber : Data Primer,2018
Rule hasil dari prediksi berdasarkan pada pohon keputusan terakhir yang terbentuk sesuai dengan perhitungan Entropy dan Gain. Melalui pohon keputusan tersebut diperoleh 18 aturan (rule) dalam memprediksi produk terlaris. Adapun aturan atau rule yang terbentuk dari perhitungan Node 1.6 adalah sebagai berikut : 1. Jika Produk = Charger maka LARIS
2. Jika Produk = Flashdisk dengan Merek = Toshiba maka NORMAL
3. Jika Produk = Flashdisk dengan Merek = Samsung BerJenis Produk = KSK dengan HARGA HPR maka NORMAL
5. Jika Produk = HandPhone maka NORMAL 6. Jika Produk = Hard Case maka LARIS 7. Jika Produk = HeadSeat maka LARIS
8. Jika Produk = Kabel Data maka KURANG LARIS
9. Jika Produk = Micro SD dengan Merek = V-Gent maka SANGAT LARIS 10. Jika Produk = Micro SD dengan Merek = Sandisk dengan Jenis Produk = KSK
dengan Harga = HPR maka LARIS 11. Produk = Perdana Simpati maka LARIS
12. Produk = Perdana XL dengan Merek = xl axiata dengan Jenis Produk = KK dengan Harga = HPR maka KURANG LARIS
13. Produk = Soft Case maka KURANG LARIS 14. Produk = Tempered Glass maka KURANG LARIS 15. Produk = Voucher Indosat maka KURANG LARIS 16. Produk = Voucher Smartfren maka KURANG LARIS 17. Produk = Voucher Telkomsel maka KURANG LARIS
18. Produk = Voucher Three dengan Merek = Three dengan Jenis Produk = KSK dengan Harga = HPR maka LARIS
Dari aturan rule tree yang didapat dari perhitungan manual didapat produk yang sangat laris yaitu produk Micro SD dengan merek V-Gent, label Sangat Laris sendiri mempunyai range 100,8 – 134, jadi penjualan produk Micro SD dalam kurun waktu 3 bulan terakhir terjual sebanyak 100,8 – 134 / psc.