Prediksi kecenderungan konsumen dalam memilih jenis kendaraan poda empat berdasarkan spesifikasi kendaraan mengunakan decision tree dengan metode gini

PREDIKSI KECENDERUNGAN KONSUMEN

DALAM MEMILIH JENIS KENDARAAN (RODA EMPAT)

RERDASARKAN SPESIFIKASI KENDARAAN

MENGGUNAKAN

Decision Tree

DENGAN METODE

Gini

Mahbllblll Wathoni

PROGRAM STUD! MATEMATIKA

JURUSAN MIPA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM

ｎｅｇｉｾｒｉ

SYARIF IDDAYATULLAH

JAKARTA

PREDIKSI KECENDERUNGAN KONSUMEN

DALAM MEMILIH JENIS KENDARAAN (RODA EMPAT)

BERDASARKAN SPESIFIKASI KEN]JIARAAN

MENGGUNAKAN

Decision Tree

DENGAN METODE

Gini

Oleh:

rvwmuBuL W ATHONI

102094026456

"["l

lJ ｉｾ

Skripsi

Stbagai Salah Salu Syaral untuK Memptrolch Gdar Smjana Sains

Fakultasｓｾｩｮｳ dan Teknologi

Uniwrsitas Islam Neotri SvarifHidavatullah Jakarta_{b '" . '"}

PROGRAM STUDI

MATEMATIKAJURUSAN MIPA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI

SYARIF HlDAYA1ULLAH

JAKA.RTA

Perumpamaan petunjuk dan ilmu

akan ditulis Allah untuk membawanya laksana air hujan

yang sangat lebat menyirami bumi,

diantara tanah (bumi) itu terdapat tanah

yang layak menerima air,

kemudian menumbuhkan pepohonan

dan rerumputan yang banyak.

Ada pula ada tanah yang keras,

sehingga dapat rr.enampung air,

sehingga t'mah semacam ini memberi manfaat kepada manusia.

(H.R. Bukhari dan Muslim dari Abi Musa) Al Fathul Kabir, Jilid

PREDIKSI KECENDERUNGAN KONSUMEN

DALAM MEMILIH JENIS KENDARAAN (RODA EMPAT)

BERDASARKAN SPESIFIKASI KENDARAAN

MENGGUNAKAN

Decision Tree

DENGAN METODE

Gini

Skripsi

Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains

Pada Fakultas Sains dan Teknologi

Universitas Islam Negeri SyarifHidayatuIlah Jakmia

Oleh: Mabbllblll Watboni

102094026467

Menyetujui,

Pembimbin I

TaufikEdySufan 0,M.SeTech NIP. 150377 447

Mengetahui, Kelua Jurusan MIPA

Dr. Agus Salim, M.Si NIP. 150294451

Pembimbing II

/2ft

Dr. Agns Salim, M.Si

PROGRAM STUm MATEMATIKA

JURUSAN MIPA FAKULTAS SAINS DAN TEKNOLOGI

UIN SYARIF HIDAYATULLAH JAKARTA

Dengan ini menyatakan bahwa skripsi yang ditulis oleh : Nama

NIM

Program Studi Judul Skripsi

Mahbubul Wathoni 102094026467 Matematika

Prediksi Kecenderungan Konsumen Dalam Memilih Jcnis Kcndaraan (Roda Empai) Bcrdasarkan

Spesifikasi Kendaraan Menggunakan Decision Tree

Dengan MetodeGini.

Dapat diterima sebagai syarat kelulusan untuk memperoleh gelar Sarjana Sains pada Program Studi Matematika Jurusan MIPA, Fakultas Sains dan Teknologi UIN Syarif Hidayatu!lah JakaJta.

Jakarta, 19 Novcmber 2006 Menyetujui,

Dosen Pembimbing

Mcngctahui,

Pembimbing 2

ｾＨ［Ｚｚ

Dr.Agus Salim,M.Si

NIP.. 150294451

Dekan FakultasS,' s dan Teknologi Ketua Jurusan MIPA

PENGESAHAN UJIAN

Skripsi yang berjudul "Prediksi Kecenderungan Konsumen Dalam Memilih Jenis Kendaraan (Roda Empat) Berdasarkan Spes[jikasi Kendaraan Menggunakan Decision Tree Dengan Metode Gini.". Telah dinji dan dinyatakan lulus dalam sidang munaqosyah Fakultas Sains dan Teknologi, Universitas Islam Negeri Syarif Hidayatullah JakaIia, pada had Jum'at 17 November 2006, Skripsi ini telah diterima scbagai salah satu syarat untuk mempcrolch gclar sarjana strata satu (S I) pada Program Studi Matematika Jurusan MIPA,

Jakarta, 19 November 2006

Tim Pcnguji,

Penguji 1

Suherman, M.Si

Pcnguji 2

l'fur Inayah, S.Pd, M.Si

NIP. ISO 326 911

Mcngctahui,

DekaIlｆＺｬｫｵｬｬｴ｡ＢｾＱｩＧｮｳ dan Teknologi

PERNYATAAN

DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENAR-BENAR HASIL KARYA SENDIRI YANG BELUM PERNAH DIAJUKAN SEBAGAI SKRIPSI ATAU KARYA ILMIAH PADA PERGURUAN TINGGI ATAU LEMBAGA MANAPUN.

Jakarta, 19 November 2006

ｾｾｾ

ABSTRACT

The world of business has always been full of competitions. The executors think relentlessly of the way to get survived. Fortunately. in the modem business world, there is valuable data warehouse that could be utilized to generate new knowledge to help the executives in arranging their business strategies. The knowledge generator. which is data mining technology. would be introduced to the readers. This paper presents the business problems to be solved and th,e foundations of data mining: the usage, how data mining works. the tasks, and the popular methods (decision tree. classification.).

The result shows tendency of a consumer to buy heir favorite vehicle in the reality is not influenced by purchasing level of the costomer, but from its this finding Support the hypothesis that Indonesian people do prefer brand than of her factors.

ABSTR-\K

MAHBUBUL WATHONI, Prediksi Kecenderungan Konsumen Oalam Memilih Jenis Kendaraan (Roda Empat) Berdasarkan Spesifikasi Kendaraan Menggunakan

Decision Tree Ocngan Mctodc Gini. (Oi bawah bimbingan TAUFIK EDY

SUTANTO, M.ScTech. dan Dr. AGUS SALIM, M.SL).

Oalam dunia bisnis yang penuh persaingan membuat para pelakunya harus selalu mcmikirkan stratcgi-stratcgi tcrobosan yang dapat mcnjamin kclangsungan bisnis mereka. Salah satu aset utama yang dimiliki oleh perusahaan masa kini adalah data bisnis dalam jumlah yang banyak. Hal ini melahirkan kebutuhan akan adanya teknologi yang dapat memanfaatkannya untuk membangkitkan "pengetahuan-pengetahuan" baru, yang dapat membantu dalam pengaturan strategi bisnis. Teknologi data mining hadir sebagai solusi. Skripsi ini akan mengulas pcrmasalahan bisn;s yang ada dan dasar-dasar desicion tree melalui bahasan kegunaan, cara kerja dan metodologi-metodologi populer pada teknologi ini (pohon keputusan, klasifikasi, regresi), Desicion tree yang digunakan adalah

Classification and Regression Trees.

Dari pengolahan Dat.a PT. OTO MULTIARTA yang merupaksn dat"! dari tahun 2004 sampai 2005 dinyatakan bahwa, kencenderungan seorang konsum.;n ulltuk mcmbcli kcndaraan yang diinginkan tcmyata bukanJah dipcngaruhi olch tingkat pembelian seorang konsumen (harga). Hal ini mcmpertegas dugaan pandangan di masyarakr ptang sifat konsumen di Indonesia.

KATA PENGANTAR

Puja dan puji serta syukur saya panjatkan kehadirat Allah SWT. Atas segala karuniyanya hingga penulis dapat menyelesaikan skripsi ini. Shalawat serta salam keeintaan hanya tereurahkan kepada junjungan Nabi besar Muhammad SA W. Semoga kita semua mendltpatkan syafaatnya baik didunia maupun diakherat kelak. Amin.

Atas izin Allah SWT disertai denga'l usaha yang maksimal penulis dapat menyclesaikan skrips! ini. Meskipun demik!an, !)cnulis s"dar bahwa rlalam mengerjakan skripsi ini p<:nulis banyak dibantu oJeh berbagai pih&k. O!eh karena itl! pada kesempatan ini ;Jenulis ingin mengneapkan terima kasih yang sebGsar-besamya kepada :

I. Bapak Dr. Syopiansyah Jaya Putrlt, M.sis. Dekan Fakultas Sains dan Teknologi.

2. Bapak AgllS Salim. M.Si. Ketua Jurusan MIPA sekaligas dosen pembimbing II dan penasehat akademik penulis. Terima kasih alas nasehat d:m bimbingan selama saya kuliah di Fukultas Sains dan Teknologi Jurusan MIPA Program Studi Matematika.

3. Bapak Taufik Edy Sutanto, M.SeTeeh. Dosen pembimbing I. Penulis mengueapkan terima kasih alas bimbingan yang telah bapak berikan. 4. Ibu Nur Inayah, S.Pd, M.Si. Ketua Prodi Matematika yang telah

5. Seluruh dosen Jurusan MIPA Program Studi Matematika yang sudah mengajarkan ilmu-ilmu yang bermanfaat bagi penulis selama penulis kuliah.

6. Seluruh staf akademik dan Lab Pusat Lab Terpadu Fakukltas Sains dan Teknologi diantaranya Pak Agus Budiono, Pak Aminn, Pak Ade Candra, Pak Edi. Pak Yusuf, Pak Hari Satria, Pak Gunadi, Bu Opah, Mba Fitroh dan semuanya yang tidak dapat penulis ｳｾ｢ｵｴｫ｡ｮ satu-persatu, yang dengan sabar melayani masalah administrasi mahasiswa ｊｵｾｵｳ｡ｮ MIPA Program Studi Matematika khususnya penulis sendiri.

7. Ibu dan Bapak serta Kakak-kakaku yang tercinta juga seluwh kc!uarga besarku yang selalu membcrikan do'a dan scmangat yang tiada hCl1tinya. 8. Teman-te;nan mahasiswa Matematika angkatan 2002 khususnya Andi Nur

Rahman, Hata Maulana, Bambang Ruswandi, M. Farid Fr, Sopirizal, Munaqin. Maya Destia, Haryani Chotijah, Indri, Maya, Cie-eie, Bulan Oktrima dan teman-temanku lainnya yang tidas dapat penulis sebutkan satu persatu.

9. Teman-teman mahasiswa Matemati:,a angkatan 2003, 2004 dan 2005 yang senantiasa memberikan dorongan moril kepada penulis.

Penulis menyadari bahwa masih banyak kelemahan dan kekurangan yang terdapat dalam skripsi ini, yang masih harus diperbaiki. Akhir kata penulis berharap semoga skripsi iili dapat bemlanfaat bagi kita semua.

DAFTARISI

Halaman

HALAMAN JUDUL.. .

KATA PENGANTAR .

DAFTAR lSI .

DAFTAR TABEL .

DAFTAR DIAGRAM .

DAFTAR LAMPlRAN

BAB l. PENDAJ-lULUAN .

1.1. Latar Belakang .

1.2. Perumusan Masalah ..

1.3. Tujuan Penelitian .

1.4. Manfac.t Penclitian ..

1.5. Pembatasan Masalah .

BAB II. KONSEP DAN DEFINISI ..

2.1. Deffinisi Data Mining ..

2.2. Teknik Data Mining ..

2.3. Tahapan Data Mining ..

2.3.1. Association Rule Mining .

ii

iv vii

viii

IX

3

3

3

4

5

5 7 9

2.3.2. Klasifikasi 2.3.2. Regresi 2.3.4 Clustering

10

13 14

2.4. Decision tree '" \5

2.5. Classification and Regression Trees (CART) .. 17

BAB 111. METODOLOGI PENELlTIAN 19

3.1. Pengolahan Data ., 29

3.1.1. Proses Screening Data.... 19

3.2. Data yang diperlukan '" 25

3.3. Pengolahan Data.... 26

3.3.1. Pendeiinisian Masalah 26

3.3.2. Mengerti dan memperkirakan kualitas data. 27 3.3.3. Pengeksplorasian data ,... 27

3.3.4. Pemilihan teknik pennodelan 27

3.3.5. Persiapan data untuk permodelan 28

3.3.6. Evaluasi model... 28 3.4. Proses pengolahan data untuk mengetahui pola yang tersembunyi. 28

BAB IV. ANALISA DAR! SCREENING DATA BASE 30

4.1. Proses Pembentukan Model Untuk Mengetahui Pola Yang

Tersembunyi ,... 30

4.2. Proses pengolahan data 32

4.2.1. Proses model system bahan bakar/fule system... 33

4.2.3. Model kathasil(harga yang dipilih olehkOllsumcn) 43

4.2.4. Modeljkendaraan Genis kendaraan) /... 48

BAB V KESIMPULAN . 53

5.1. Kesimpulan 53

5.2. Saran... 54

DAFTAR PUSTAKA 57

DAFTAR TABEL

'label 3.1. Tgbel32. Tabe: 3.3. 'label 3.4. Tabei4.1. T"beI4.2. 'label 4.3. T?beI4.4.

Halaman

... 21

. 22

. 23

. 24

... 37

. 42

.. 46

DAFTAR DIAGRAM

[image:16.595.85.479.184.553.2]

Halaman

Gambar 2.1. 16

Gambar3.1 , 27

Gambar 4.1. 35

Gambar 4.2. 36

Cambar 4.3. 41

Gambar 4.4 _... 44

Gambar 4.5. 45

GamlJar4.6. 49

DAFTAR LAMPIRAN

Halaman

Lampiran I Perubahan ni!ai kategorik harga kendaraan... 58

Lempirc:n 2 Daio. PT. OTO l\1CLTIARTHA 63

BABI

PENDAHULUAN

1.1. Latar Belakang Masalah

memprediksi pelanggan mana yang paling besar kemungkinal1nya untuk mcmbcli scbuah kendaraan roda cmpat dengan karakteristik kcndaraan tertentu.

Pengertian Data Mining digunakan untuk mendefinisikan suatu proses pencari'ln otomatis terhadap infonnasi yang menarik dan berguna dalam suatu basis data yang dititik beratkan pada pencmuan pola yang sulit atau bahkan tidak mungkin dilakukan dengan mekanismequery database standar[2]. Classification Data Mining adalah salah satu tipe Data Mining yang bertujuan untuk menemukan pola k!asifikasi variabel-variabel yang memprediksi suatu variabel target. Pendekatan ini dapat digunakan untuk memprediksi respon konsumen terhadap pengadaan kendaraan roda empat di Perusahaan OTO MT JLTIART!-IA.

A!goritma CART telah I&ma digunakan untuk tujuan raemoentuk suatu

Decision Tree dalam rangka penemuan pola klasifikasi variabel [3]. Learning

sample digunakan untuk membentuk model tree dengan menggunakan algorilmd

oemisah tertentll yang akan memis&hkan learning sample menjadi dua subgmp

(node) ,ceara rekursifatau bertingkat hingga ;neneapai terminal node (leaf).

Mdihat tun,utan dan kebutuhan sumber daya manusia Sallt ini, Perkembangan Data Mining yang ｳ｡ｮｾ｡ｴ pesat tidak terlepas dari perkembangan teknologi

infonnasi yang memungkinkan data dalam jllmlah besar dapat terakumlilasi. Sebagai eontoh, PT. OTO MULTIARTHA yang menyimpan data pada setiap penjualan kendaraannya. Database penjualan tersebut adalah sebuah penjualan yang berskala besar, Tetapi pertumbuhan yang pesat dari akllmlilasi data itu telah meneiptakan kondisi yang sering diistilallkan sebagai "rich of data but poor of

aplikasi yang berguna, tidak jarang kumpulan data itu dibiarkan begitu saja Ｓ｣ｾｫ｡ｮＭ｡ｫ｡ｮ sebuah kuburan data.

1.2. Perumusan Masalab

Pennasalahan yang akan dikaji dalam penelitian ini adalah :

I. Penearian infonnasi sebanyak mungkin dari data.base PT. OTO. MLTLTlARTHA.

2. Penentuan variabel-variabel prediktor yang sangat berpengaruh dan dapat mempengaruhi variabel target tertentu.

1.3. Tujuan Penelitian

Tujuan pengola;lan database dengan menggunakan pendekatan data mining adalah:

1. Mer.getahui infonnasi-informasi penting yang terkandung dalam kumpulan data di PT. OTO 'I1ULTIARTHA guna mendukung ｫ･｢ｩｪｾｫ｡ｮ yang akan diambil perusahaan atau konsumcn.

2. Mengetah:.:i predik'tor-prediktor terpenting ya,lg berpengaruh terhadap suatu variabel target guna mendefinisikan program kerja perusahaan.

1.4. Manfaat Penelitian

baik bagi produsen maupun konsumcn pada umumnya. Dan Icbih khusus lagi digunakan pada?T.eTC' MULTIARTHA.

1.5. Pembatasan Masalah

BABII

DEFINISI DAN KONSEP

2.1. DefinisiDllla Mining

Data Mining (OM) adalah proses yang menggunakan berbagai perangkat

(tools) anal isis data untuk menemukan pola dan hubungan dalam data yang ';1Ungkin dapat cigunakan untuk membuat prediksi yang valid.

Seringkali､｡ｰｾＡ ditemukan peagertian OM adalah salah satu bidang yang berkembang pesat karena besamya kebutuhan akan nilai tam bah dari database skala besar yang malin banyak terakumulasi sejalan dengan pertumbuhan teknologi infcrmasi [7J.

Oefinisi Uffium dari OM itu sendiri menurut Mohammad Sugeng Haryoro [7] adalah serangkaian proses untuk menggali nilai tam bah berupa pengetahuan ＩＧｾｮｧ sela.na ini tidak diketahui seeara manual dari suatu kumpu!an data. ｏｾｬ｡ｭ review ini, penulis meneoba merangkum perkembangan terakhir dari teknik-teknik OM beserta implikasinya di dunia bisnis. Pengertian miningsendiri berarti usaha untuk mendapatl:an sedikit barang berharga dari sejumlah besar material dasar.

Oleh karena itu OM sebenamya memiliki akar yang panjang dari bidang ilmu seperti kecerdasan buatan (artificial intelligent) [5J, machine learning,

Langkah pcrtama dan paling scdcrhana dalam c1ata mining yaitu menggambarkan data dan menyimpulkan atribut statistik (scperti rata-ra;3 dan standar deviasi), mereview seeara visual menggunakan diagram dan grafik, serta mencari relasi berarti yang potensial antar variabel (misalnya nilai yang sering muncul bersamaan) [10]. Mengumpulkan, meng-eksplor, dan memilih data yang tepat adalah sangat penting.

Menurut [10], pada dasarnya ada empat langkah utama c1alam melakukan data

mining:

I. Mendeskripsikan data, yakni menyimpulkan atribut statistik (seperti rata-rata clan standard deviasi), mereview secara visual menggllnakan grafik dan diagram, serta mencari h!.!bungan-hllbllngan potensial antar variabel (seperti misalnya, nilai-nilai yang seringkali keluar bersamaan).

2. Membangun model perkiraan (predictive model) berdasarkan pada pola-pola yang ditemukan pada langkah sebelumnya.

3. Menguji model di luar sampel asH. Sebllah model yang baik tidak harus sama persis dengan kenyataan sebenarnya (seperti peta bllkanlah rf'presentasi sempurna dari jalan yang sebenamya), akan tetapi bisa meqjadi panduan yang berguna untuk mengerti bisnis kita.

Tapi bisakah kita benar-benar bergantung pada perkiraan kita tersebut? Kita perlu membuk1ikan model perkiraan kita tersebut ke sample pelanggan yang lain dan melihat hasil yang kita dapalkan.

Untuk melakukan hal tersebut diatas maka setidaknya dibutuhkan suatu program yang dapat menampilkan (kalau tidak mendeteksi) pola dan keteraturan dalam data sehingga pola-pola yang kual atau sangat jelas terlihat dapat digunakan untuk melakukan prediksi[ I0].

2.2. TeknikDataMining

Dengan definisi Data mining (OM) yang luas, acla banyak jenis teknik ｡ｮｾＮｉｩｳ､ yang dapat digolongkan dalam OM. Beberapa teknik yang sering digunakan clalam literatur Data mining (OM) ant'lra lain: Clustering. Cia>sification. Association Rule Mining. Neural NetlVork. Genetic Algorithm dan lain-lain.

Dalam hal ini pcnulis menyajikan pengertian konfigurasi penyimpanan data yang memudahkan pemakai untuk melakukan OM yang umum disebut dengan data warehouse [4].

Data warehouse adalah kumpulan terpadu data perusahaan, yang dapat diakses oleh business managers. administrators. service providers & researchers

l. Pelllbersihan data (Screening data). untuk membuang data yang tidak jelas, dengan demikian data tersebut dapat dikonfirmasi kepada pemberi data

(diem)

2. lntegrasi data(penggabungan data dari beberapa sumber)

3. ｔｲ｡ｮｾｦｯｲｬＱｬ｡ｳｩ data (data diubah menjadi bentuk yang sesuai, untuk digunakan dalam metode DM yang dipilih)

4. Aplikasi teknik DM berdasarkan metodenya

5. Evaluasi pola yang ditemukan (untuk menemukan intormasi yang menarik/bemilai)

6. Prtse:ltasi pengetahua:1 (den;;an teknik visualisasi).

2.3. TahapaoData Mining

Tahapan Data Mining digunakan untuk mendefinisikan suatu proses pencarian informasi yang menadk dan berguna dalum suatu dala yang dililik beratkan pada penemuan pola yang sulit atau bahkan tidak mungkin dilakukan dengan mekanismequerystandar. Pada sistem data base dapat digunakan :

2.3.1. Association Rule Mining

Association rule mining adalah teknik mining untuk menemukan aturan assosialif anlar;; sualu kombinasi i!em f6j. (omoh dari aluran assosiatif dad analisa ｰｾｩｬｾ｢･ｬｩ｡ｮ di SUall< per:lsahaan penjualan mobil adalah dapat diketahui berapa b"sar kemung;"inan (possibility) dan sesecrallg membeli mobil bersamaan dengan asuransinya.

Dengan pellgetailUan oari hai yang ､ｩｾｴ｡＾ l"rsebul. pemilik perusahaan penjualan mobil dapat mengatur pengambilan asuransi atau P.1erancang kampanye r:emasaran dengan ｦｦｩ･［ｮｾｫ｡ｩ potongan harga untuk sualu mobil tertentu. Penting tidaknya Sl'atu aturan assosiatif dapat diketahui dengan dua parameter support

yaitu persentase dari sualu data.

confidence minimum. Makalah ini membahas perbandingan kinerja dari dua perangkat lunak data mining untuk menemukan pola asosiasi dari suatu basis data. Perangkat lunak yang pertama didasarkan pada metode yang berbasis pada gmf asosiasi, sedang perangkat lunak yang kedua didasarkan pada penempan metode dimensi fraktal, untuk keterangan lebih lanjut tentang hal ini dapat dibaca di [15].

Untuk memperoieh satu set pola asosiasi, pengguna dari kedua perangkat lunak harus mcnspesifikasikan item-item pada masing-masing perangkat lunak. Pada perangkat lunak yang didasarkan pada graf asosiasi, kualitas pola asosiasi yang dieari hanya didasarkan pada p2rameter minimum support dan minimum confidence.Confidence (kepercp.yaMI) dari slietu aturan asosiasi adalah suatu nilai persentase yang menunjukkan bagail1lana atur"n terjadi ｡ｮｴｾｲ semua kelompok, dan nilai kepercayaan menandai adanya aturan nilai yang lebih tinggi [11].

Meski dari sumber yang sama [11] hasil kaj ian perbandingan terhaclap kinerja dari kcdua perangi<at iunak secara umum dapat disimpulkan bahwa metode dimensi fraktal daflat menghasilkan jum!ah aS0siasi yang jauh lebib banyak dibandingkan metode yang didasarkan pt;da graf asosiasi. Selain itu, waktu komputasi yang diperlukan oleh me/ode Jimensi fi'aklal jauh Iebih kecil dibandingkan dengan me/ode graf asosiasi untuk spesifikasi pola asosiasi yang sama.

2.3.2. Klasifikasi

dipasangkan pada sebuah kelas label tertentu. klasifikasi mcmbentuk sebuah model yang nantinya digunakan untuk melakukan prediksi kelas label pada data baru yang belum pernah ada sebelumnya. Misalnya pada aplikasi email spam filtering, data email dipasangkan pada class label "spam" dan "bukan spam". Kemudian dibentuk sebuah model yang dapat menentukan sebuah email baru. Jadi. dataclassificationmemiliki dua tahap yaitu:

pembentukan model, dan penggunaan model lersebul untuk prediksi kelas label data baru. Model yang dihasilkan biasa disebutclaSSifier. Terdapat banyak sekali leknik dan pendekalan yang digunakan dalam data classification, sebUI saja

decision tree, bayesian classifier, rule-cased classifier, neural lIetwork, support

vector machine (SVMj, associative classification, nearest neighbor, f!.<!netic

algoritl,m, fuzzy logic, dan lain-lain, Dari beberapa istilah ini, kita tahu ballWa

banyak algoritma data classification berasal dari bidang machine learning,

pal/em recognition, danstatisticdengan luj<Jan untuk dapal memperkirakan kelas

dar: suatu objck yang labelnya tidak diketahui. Model itu ｳｾｮ､ｩｲｩ bisa bcmpa aluran 'jika-maka", yang berupa decision tree, formula maU,matis atau neural network.

Umumnya salu variabel bersifal sebagai suatu fungsi dari variabel lainnya. Hal inl mengakibatkan nilai dari variabel targel dapat ditentukan dari nilai yang diberikan oleh variabel lainnya yang disebut dengan variabel predihor. Y

merupakan variabel target danX adalah variabel prediktor denganjumlah variabel sebanyakp variabel yang dinotasikan denganXI, ., " Xp • Dalam model prediksi,

adalah hasil prediksi model dan

e

menunjukkan parameter model. Menurut [14] j:ka ;. Ｆｾ｡ｬ｡ｨ variabel kategorik maka pemetaan dari X ke Y disebut dengan klasifikasi. Variabel kategorik merupakan variabel yang nilai-nilainya hanya bersifat mengkelas-kelaskan objek yang saling terpisah. Berdasarkan skala pengukurannya, variabel kategorik dapat diklasifikasikan menjadi variabel berskala nominal dan variabel berskala ordinal (16].

J. Skala Nominal

Angka-angka yang disajikan pada skala nominal hanya sebagai nama penggolongan. Angka tersebut tidak mengukur besaran telapi hanya sebagai lambang. Disini, angka I tidak lebih besar dad pada 0 ｢･ｾｩｴｬｬ pula 0 tidak lebih keeil daripada L Misalkan pemberian kode J pada merek mobil BMW dan 0 pada

merek mobil AUDI tidak berarti bahwa BMW mempunyai nilai satu dan AUDI mempunyai nilai HOI. Angka-angka tersebut ha'lyalah kode untuk membedakan antara BMW dan AUDI, dengan demikian kitajuga bisa menllkar AUDr menjadi

o

dan BMW menjadi I tanpa merubah maknanya.

2. Skala Ordinal

tingkatan penjualan , kendaraan murah dibcri angka I, scdang diberi angka 2, mahal diberi angka 3. ､ｾｮ San;;3t mahal diberi angka 4. Penjualan yang berkualitas didapatkan dari penjualan murah, tetapi kualitas p,:njualan dari mahal tidak berarti dua kaJi lebih berkuaJitas dari pada penjualan murah.

2.3.3. Regresi

Perbedaan mendasar antara klasifikasi dengan regresi terletak pada jenis variabel targetnya. Menurut [16] jika variabel targetnya merupakan variabel kategorik maka disebut ､･ｮｧ｡ｾ klasifikasi namun jika variabel targetnya bempa variabel numerik maka disebut regresi yaitu pemetaan dari X, ..., Xo ke Ydengan

persamaan Y=f(X" ....

xp:e).

ｐ･ｾｳ｡ｭ｡Ｂｮ regresi dapat tcruiri dari satu variabel prediktor dan satu ｶ｡ｾｩ｡ｴ･ｬ tar;;et atau beberapa variabel prediktor dengan satu variabel target, persamaan yang penama disebut persamaan regresi sc:derhana. Contohnya adalah hubungan antara keillarga dengan anggota keJuarga, dalam contoh ｴ･ｲｳ･｢ｾｬｴ yang menjadi varia bel target adalah angguta keluarga dan variabel predik'tomya adalah keluarga.

f'ersamaan kedua disebut regresi berganda contohnya adalah hubungan antara variabel prediktor tingkat pendidikan. pendapatan dan jumlah anak terhadap variabel terikat pengeluaran konsumsi keluarga.

hubungan kcdua variabel tcrsebut dapat dituliskan dalam bentuk pcrsamaan berikut:

I'

Y=ao+"'aX_{L J J}

j"'l

...( I)

Dimana

e

=

{ao, ...• a_p} adalah parameter dari model persamaan regres!.

Jika

.i

= I maka persamaan I disebut dengan persamaan regresi linear sederhana.

Jika

.i

>1 maka persamaan 1 disebut dengan persamaan regresi linear berganda.

2.3.4. Cluslering

Berbeda dengan associalion I1lle miningdan classificalion dimana kelas data telah ditentukan sebelumnya, cluslering(pengelompokan) banyak digunakan unruk memisahkan dan melakukan pengelompokan data tanpa herdasarkan kelas data pacta suatu variabel target tertentu. cluslering dapat juga dipakai untuk memberikan label pada kelas data yang belum diketahui. Oleh karena itu

cluslerfngsering digolongkan sebagai metode unsupen-ised learning. Prinsip dari

cluslering adalah memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan antarkelas/clu3leryang terbentuk[J4].

mcnggabungkan clusler kecil mcnjadi clusler Icbih bcsar clan top-down yang mcmccah chisler besar menjadi clusler yang lebih keci!. Kelemahan ［ｮ･ｾｯ､･ ini adalah bila salah salu penggabungan/pemecahan dilakukan pada lempal yang salah, lidak dapat diperolehclusteryang optimal [13].

2.4. Decision tree

Decision tree melakukan partisi terhadap learning sample yaitu kumpulan data terdahulu sebelum dikelaskan unluk semlla observasi menjadi bagian yang lebih kecil [12]. Setiap partisi hanya didasarkan pada variabe! lunggal yang dipilih dari learning sample.AlgoritmaClass!{Jcalion And Regression Tree(CART) akan mencari variabel dan semua nilai yang mungkin bertujuan untuk menjadi pemisah terbaik. Proses pemisahan tersebut dilakukan pada setiap hasil pembagian data atau node padatreenya.

Decision Iree adalah cara merepresentasikan kumpulan aturan yang mengacu ke suatu nilai atau kelas[12]. Misalnya kita bisa mengklasifikasikan

SU8(U proposal pinjaman uang memiliki resiko baik atau buruk dengan menelusuri

Income>

$

40,000

N/

Ｇｾｳ

High Debat

ｙ･ｳＯｾｾｯ

Job>

5 Years

ｙ･ｾｎｏ

Good Risk

Bad Risk

Bad Risk

Good Risk

GambaI' 2.1 Decision tree sederhana untuk menentukan resiko pengaman oieh

cusfomer

Komponen pertama adalah simpul top decision, atau simpul rOOI, yang ｭ･ｮ･ｮｴｵｾ｡ｮ test yang akan dijalankan. Simpul rOOT dalam cantoh ini adalah

"income> $40.000". Hasi! dari tes ini menyebabkan tree terpecah menjadi dua cabang, clengan tiap cabang mepresentasikan satu dari jawaban yang mungkin. Dalam kasus in!, jawabannya adalah "ya" dan "tidak", sehingga kita mendapatkan dua cahang.

Bergantung pada algoritma yang digunakan. Tiap simpul bisa memiliki dua atau lebih cabang. Misalnya, CARf akan meng-generate hanya dua cabang pada tiap simpul. Treeseperti inl disebut binmy tree.Ketika lebih dad dua cabang diperbolehkan maka disebut sebagaimllltiway tree.

ini, scorang manager, yang bcrtanggungja\\ab untuk memutuskan apakah scorang konsumen dapat membeli sebuah kendaraan dengan prediksi memiliki resiko kredit yang baik atau buruk.

Model decision tree umum digunakan dalam data mining untuk menelaah data dan menginduksi tree dan aturan yang akan digunakan untuk membuat prediksi. Sejumlah algoritma yang berbeda bisa digunakan untuk membanguntree di antaranya adalah CHAID(Chi squared Automatic Interactin Detection), CART

(Classification and Regression Trees), Questdan CS.O.

Decision tree ｢･ｾｫ･ｭ｢｡ｮｧ melalui pemecahan iteratif dari data ke dalam grup-gi'UP diskrit, yang tujuannya adalah untuk memaksimalkan 'Jarak" antara grup padaｴｩｾｰ pemecahan.

Contoh yang kim gunakan pada penelitian ini sederhana. Tree ini mudah untuk dimclIgcrti dan d;jnielpretasikan. Akan tetapi, tree bisa menjadi sangat kompleks. Sebagai contoh kompleksi!us suatu tree yang diturunkan dari database d'cngan ｲ｡ｴｵｾ｡ｮ atrib:.Jt dan ｶ｡ｾｩ｡｢･Ａ respon dcngan lusinan kelas input. Tree

sej)crti ini akan sangat sulit untuk dimengerti, meskipun tiap path dari tree

lJiasanya dapat dimengerti. Dalam hat ini decision tree bisa rnenjelaskan prediksinya, yang merupakan keuntungan penting. Akan tetapi, kejelasan ini bisa jadi menyesatkan.

2.5 ClassificationandRegression Trees (CARl)

Clas.I'lication And Regression Tree (CART) adalah metodologi klasitikasi yang menggunakan data terdahulu untuk membangun decision tree. Kemudian

Dalam membangun decision free, Classification And Regressio/l Tree

(CART) menggunakan learning sample yaitu kumpulan dat, terdahulu sebelum dikelaskan untuk semua observasL

CART merupakan alat decisio/l tree yang baik untuk data mining, pemodelan prediksi dan pengolahan datI. CART seeara otomatis mencari pola-pola dan hubungan yang pe:1ting yairu membuka struktur yang tersembunyi meskipun datI yang digunakan memiliki kompleksitas tinggi. Metodologi CART dike;)a] sebagai parrisi binary rekursif Binary karena proses pemode!an melibatkan pe;nba8ia'1 kumpulan datI mer:jadi dua subgroup (atau /lode).

BABIH

METODOLOGI PENELITIAN

3.1. Pengolaban Data

3.1.1. ProsesScreening Data

Screening data adalah sebuah proses yang dilakukan untuk mengetahui

terdapat nilai yang hilang (missing value), kesalahan ketik, Wilier, penentuan

variabel yang akan digunakan, dan sebagainya. Terkadang dalal11 melakukan proses

screening data, transfarmasi data dilakukan c:ntuk merubah data bemilai numerik,

menjadi kategorik.

Pada pembentukan model, learnjag sample yang digunakan ahn dipisah

menjadi menjadi ciua subgmp (node) secara rekm-sif atau bertingkat hingga mencapai

lerminal node (lcu/) dCllgan rl'enggiJuakan algcritma pemisah tcrtentu[7]. Dalam

peneliti8.n ini algoritma p.emisah yang akan diballas adalah aturan pemisahGini (Gini

splitTing rule)yang digunakan dalamclasstfication tree.

Pertumbuhan Iree dari learning sample akan menghasilkan level suatu tree

yang paling besar atau disebut dengan tinggi tree. Dibandingkan dengan model tree

yang lainnya tree tersebut memiliki jumlah terminal node yang paling banyak. Tree

paling besar seperti ini disebut dengan maksimumtree.

Database saat ini baleh jadi berkembang menjadi sangat besar secara cepat ke

informasi-informasi tersel11bunyi yang sangat penting atau menjadi penting pada saat

dibutuhkan. Hal ini sulitnya l11enel11ukan sebuah jarum dalam tUl11pukan jerami?

Dalal11 hal ini dapat kita katakan bahwa semua data belum berarti infonnasi.

Pengolahan sebuah data terlebih dahulu haruslah melalui proses screening

data agar dapat diketahui variabel-variabel mana saja yang memiliki missing value.

[17

J

Penggunaan SPSS untuk melakukan screening dab agar data tersebut dapat di

olah kedalam program CART (Classification dan Regression Trees).

Penggunaan SPSSuntuk melakukan screening data agar data tersebut dapat cii

lakukan dalam mcngolah kc dalam program CART (Classification dun Regression

Trees). Dari data tersebut akan diketahui variabel-variabel apa saja yang berpengaruh

terhadap data yang ada, antara lain (tabel 3.2, 3.3, dan 3.4)

[image:38.595.62.485.119.522.2]

Tabel 3.1. Contoh data yang akan di screening dengan mengglmakan sofwere SPSS

rnrkmobi!

I

bbakar

I

sid

I

bpinll jkendara Ｑｾｬｯｫｲｮ･Ｓ lOIS;

I

ｰ｡ｮｾ lebarlting! berat ljmesinl rriltsubl ₉8S turbo tv,,/(1 h.lchba f','.o'd flont 959 11')_{, , ).<-}",":1 G53 50 29J5 _01"1(:

rrul';utll

go,

Eld four s&ljan f'Nd front 963 17:24 654 52 2365 otic

rnitsubl ₉85 std fout' S!?;d8n f,Yd front 9E.3 172,4 G54 52 2405 ohc

r(ll!subl (las turbo four sedan f'Nd front 96.3 1724 65.4 52 2403 DilL:

t"flitsubl gas std four sedan fyd ftont 9E3 172.4 G54 52 2403 ohc

nl5san gas std t1.I>l(1 sedan ｦｾＧｅ ...d flem! ＹｾＱＮＵ 165.3 636 55 188'3 ohc

t"llss.;n dl8B81 std tv·)!) sl?:dan f·yd front 945 166.3 GO:' 0.... L. 55 ;'017 uhe:

n15Sf:!1l gas 5td tlNO sedan f'Nd front ｓＮｾ .5 1G53 l33.o 55 1916 ohc:

nlSSCin gas std four ｳｾ､｡ｮ f·/o.'d front 94.5 155,3 133.8 b'=' 1938 ohc:

ｮｬｾＬｓＸｮ gas e,td fOUl \I"'lagon f'Afd front 945 171J2 63.a 54 2024 ohc

nissan _9as std tv.JD s8dan fvvd front 945 1&5.3 6-) ':--'... 55 195·1 c.hc

fH:·San gas e,td tlJVO halo:hba f'Nd front 94.5 165.6 r-'r,J').O Ｕｾｩ 2028 ahc:

nl·::·Sdtl gd'; s,:d f,)lIl" s8dan fNd front 945 1£,5.3 133 :3 5f, 197·1 ,:,h(;

Data yang akan digunakan untuk discreening dengan menggunabn sonvere

SPSS [16], memiliki 24 variabel diantaranya adalah Madein (pembuatan kendaraan).

MrYJDobil (merek mobil), Bbakar (Bahan baker), Eksmcsin (pcnggunaan mcs;n).

Bpintu (banyaknya nintu), Jkendara (jenis kendaraan), K.rit (kriteria mesin),

ｌｯｫｮｬ･ｾｩｮ (likasi mesin), Jmes;;] (jenis mesial, Cylinder (banyaknya cylinder).

Sbbfsyst (sistem bahan bakar full system), ｬＧｾ｡ｴｨ｡ｳｩｬ (kategorik nilai harga), l'e;ljuala

(kategorik dari laku), Laku (normalisasi penjualan), Umesin (ukuran mesin), Symbol

(symbol), Torsi (jarak/torsi rada), Panjang (panjang body kendaraan), Lebar (lebar

body KenJaraan), Tinggi (tinggi body kendarqan), Berat (berat kendaraan), Rasio

(rasio kompresi mesin), Hp (tenaga kudalbhp), Harga (harga jual kendaraan). Dalam

proses screening akan dilakukan uji frekwensi, untuk mengetahui nilai yang hilang

(missing Valuc).Hasil dari proscs scrccning data tcrscbut dapat dilihat pada tabcl3.2,

[image:39.595.79.478.93.648.2]

Tabel 3.2. Hasil Screening Peng

naga kuda Harga

BHP

204 204

2 0

104,22 256,36

98,00 171,00

68 1234

39,810 246,587

1584,851 60805,118

2&0

I

2285

48 91

-21053 5229!.-.

Te

Negara merek Tinggi Berat Rasio

N Pembuatan mobil Kendaraan Kompresi

Valid 204 204 204 204 204

Missing 0 0 u 0 0

Mean 53,749 2555,60 10,15

Median 54,100 2414,00 9,00

Mode 50,8 2385 9

Std. Deviation 2,4249 521,%1 3,961

Range 5,8801 272443,098 15,848

Minimum II 12.0 2578 16

Maximum 60,3 1488 7

Sum 13447.0 521343 2074

Keterangan:

Dari Tabel 3.2. diketahui missir

maka data tersebut haruslah dik

[image:40.595.57.490.111.561.2]

Tabel 3.3. Produksi Pembuatan kendaraan berdasarkan negara pell1produksi

komulatif

Negara

Frekwensi Persen

Valid I1ersen

Persen

Valid amerika

25 12.5

12.5

12,3

mggns

5 2.5

2,5

14,7

jepang

93

45,6

45,6

60,3

Jennan

36 17.6

17,6

779

,

korea

21 10.3

10.3

88.2

perancIs

13 6.4

6,4

94,6

swedia

11

5,4

5,4

100,00

Total

204 100,0

100,0

Pada tabel 3.3 diketahui bahwa : dianlara banyaknya produksi kel1daraan roda empat

[image:41.595.63.507.113.524.2]

Tabel 3.4. Banyaknya konsumen memilih kendaraan berdasarkan merek

.,'-

Komulatif

Merek

Frekuensi

Persen

Valid Persen

Persen

Valid

audi

7 3,4

3,4

3,4

bmw

8 3,9

3,9

7,4

chevrolete

3 1,5

1,5

8,8

daihatsu

5 2,5

2,5

11,3

honda

13 6,4

6,4

17,6

hyundai

14 6,9

6,9

₁

24,5

lSUZU

17

8,3

_8,3

32,8

jaguar

3

1,5

1,5

34,3

kia

7 3,4

3,4

37,7

I

land rover

"

LO

_1,0

38,7

mazda

4

2,0

2,0

40,7

mersedez

｢ｾ

9 4,4

4,4

45,1

mitsubishi

13 6,4

6,4

51,5

nissan

18 8,8

8,8

60,3

opel

4 2.0

2.0

62.3

peugot

11

5,4

5,4

67,6

reilault

')

1,0

1,0

68,6

suzuki

9

4,4 4,4

73,0

toyota

32 15,7

15,7

₁

88,7

volkswagen

12 5,9

5,9

ｾ

volvo

11

5,4

5,4

100,0

total

204 100,0

100,0

Dari TabeJ 3.4. dapat diketahui banyaknya penjualan didominasi oleh kendaraan

3.2. Data yangdipcrlukan

Penelitian ini menggunakan data sekllnder yang diperoleh dari PT. OTO

MULTIARTHA, data yang diambil pada tahun 2004 tersebut memiliki 22 variabel,

204 record.

Dalam pengolahan data, metode gini digllnakan untuk lI1engolah dan mencari

informasi dengan indeks gini yang didefinisikan sebagai gini ( t )=

L:

Pi(I - Pi) ,

dimana p, adalah frekuensi relatif (ditentukan dengan membagi juml<:h kelas

pengamatan dengall total j umlah pellgamatan) dari kelas i pada node t, dan node t

ｭ･ｮｕｬｾｵｫｫ｡ｮ parent node amuchild node yang memisahkan data. Indeks gini adalah

penguKur impurity untuk node maksimum yang diberikan ketika semua pengamatan

didistribusikan ke semua kelas. Secara umum, aturan pemisahan gini berusaha untuk

mencari kategOli homogenitas yang paling besar dalam data dan mengiso!asikannya

dari sisa data. Sub barisan node kemudian dipisahkan dengan cam yang sarna sampai

tidak mnngkin nntuk dibagi [8].

Menurut [9] Indeksginiuntuk nilai variabel target binary yaitu

i

(t

)

=

2.

P

(lit).

p

(211)

Dimana:

t adalah node pohon.

P

V

It)

adalah probaiIitas dari kelas ke-j pada nodet.

i(s,1)

=

i(t)- PI .i(tl)- P,.i(l,)

dimana PI' P,merupakan pecahan kasus dalam leaf kiri (kanan),

3.3. Pengolahan Data

Dalam melakukan proses data mining ada beberapa tahap yaitu :

3.3.1. Pcndctinisian masalah

Pendefinisian masalah sangatlah penting karena kita dapat melakukan

penggalian data untuk mencari informasi yang penting dan dapat mengetahui

suatu pC!TIlasalahannya contoh :

1. 'v1en.:ntukan bauyaknya prediktor yang dapat mempengaruhi target.

2. Memilih kelas mana saja yang dapat mempengaruhi dari informasi tersebut.

3. Menentukan metvde yang digunak:m dalanl pengo!a.'1:m data, metode yang

digunakan dalam penelitian ini adalah metodegilli.

4. !'lasil yang diperoleh dari pengolahan data berupa Classification Tree, dan

dapat ciijelaskan menurut kelas-kelasnya,contoh dari Classification Tree

[image:44.595.66.486.78.546.2]

Gambar 3.1. Contoh Tree Classification

3.3.2. Mengerti dan memperkirakan kualitas data

Data yang didapat harus dimengerti dan dipahami terlebih dahulu agar dapat

melakukan langkah selanjutnya serta memperkirakan kualitas data yang

dlperoleh agar hasil infoITllasi yang akan didapatkan menjadi baik

3.3.3. ｆ･ｮｧ･ｾｾｳｰｬｯｲ｡ｳｩ｡ｮ daw

Pencarian kemungkinan terdapatnya hubungan-hubungan yang saling

berpengaruh antar variabe!. Variabel yang secara teod saling berhubungan

dapat digunakan untuk memperoJeh infoffi1asi sebanyak-banyal!.nya dari data

yang digunakan.

3.3.4. Pemilihan teknik pemodelan

Teknik data mining yang akan digunakan adalah tc!mik berdasarkan decission

3.3.5. Persiapan data dan pembentukan model

Persiapan data yang dilakukan meliputi pembersihan data (membuang data

yang tidak konsisten), deskripsi masing-masing varia be!, integrasi data

(penggabungan data dari berbagai swnber), transformasi data (clata diubah

menjacli bentuk yang sesuai untuk di analisa). Moclel dapat dibangun setelah

dilakukan persiapan data yang akan digunakan, maka langkah selanjutnya

adalah membangun sebuah model untuk mengetahui tingkat ketepatannya

3.3.6. Evaluasi model

Model yang kurang infonnutif harus die.,/aluasi kembali agar didapatkan

model ycng lebih infoffilatif dan mortel-model yang telah dihasilkan dapat

､ｩｫｯｭ｢ｩｮ｡ｾｩｫ｡ｴｬ sehingga mendapatkan informasi yang kbi h baik lagi.

3.4. Proses pengolahan data untuk meilgetahui palayangtersembunyi

Stlatu perusahaan dapat menerapkan aplikasi yang menjanjikan

kCWlggulan kompetitif melalui pengelolaan pelangilan yang lebih baik.

Penerapan teknologi infonnasi (TI) di sebuah perusahaan penjualan kendaraan

telah menjadi kebutuhan mutlak penerapannya, tidak hanya untuk komunikasi

dan transaksi, melaillkanjuga untuk pemasaran. Dalam menentukan informasi

pelanggan untuk tingkat layanan yang pantas diberikan, serta menawarkan

produk yang sesuai.

Kita telah mengetahui bahwa data mentah (raw data) biasanya tidak

dianalisa. Kita perlu mengekstrak pola dad data mentah tersebut dengan

teknik data mining. Banyak instansi / perusahaan di dunia telah menggunakan

data mining untuk mencari dan menarik kesimpulan dari data yang mereka

miliki. Berikut beberapa contoh aplikasi data mining:

•

Perusahaan pemasaran menggunakan data sejarah respon pembelian

terhadap suatu tawaran produk yang dapat membangun model untuk

memperkirakan pelanggan potensial yang akan eli raih dengan metode

ｰｾｮ｡ｷ｡ｲ｡ｮ tertentu [18].

•

• Agen pemerintah menyaring elatil transaksi keuangan untuk mendctcksi

money launctering elan vnye!undupan obat terlarang (18].

Dalam tahapan ､ｩ｡ｧｮｯｳｩｾＬ para fisikawan membangun

expert system

berdasar1.:an b"nyalz pcrcJbaan yang tcbh dilakukan [! 8].

Sebuah data digunakan sebagai pencarian dari pengolahE!ll dengan

menggunaka.!1 programCART Dalam sebmIt data, akan dikelahui banyaknya

variansi konsumen lliltuk memiiih sebuah kenelaraan foda empat. Set;ap

konsumen memiliki selcra yang berbeela-beda diantaranya, didapatkan sebuah

pengklasifikasian, dimana variabel target akan dipengaruhi oleh beberapa

variable prediktor. Dalam algoritma diutas tersebut kita akan mengetahui

prediktor-prediktor mana yang sangat mempengaruhi variable target. Dalam

pengolahan data akan di dapatkan hasil dar! sebuah variable target, dimana

variable targetnya aelalah merek kendaraan dimana konsumen biasanya

BABIV

ANALISA DARI SCREENING DATA BASE

4.1. Proses Pembentukan Model Untuk Mengetahui Po12, Yang Tersembunyi

Data yang akan diguanakan adalah data dari PT. OTO Multiaratha yang

diambil atau di kalkulasikan dari penjualan pada tahun 2004 sanlpai dengan 2005.

Data tersebut mempunyai 24 variabel dimana banyaknya reeord/kasus ada sebanyak

204 kasus.

Data yang akan diolah memiliki 24 vari:::bel Jiantaranya 14 variabel kategorik

(string) dan 10variabel numerik. Keterang.'n lengkap tentang ','ariabel y11fig ada dapat

dilihat pada Tabel lampiran 3.

Di dalam variabel harga Yi\ag bcmilai fiUiGErik akan dirubah menjadi

kategorik agar lebih mudah untuk melakukan uji sebuah model. Dalamｭ･ｮｧｧｕｬｾ｡ｫ｡ｮ

metode CART nilai y:wg numerik Jirubaf] menjaJi kategorik agar dapat

dik1asifil:asikan dengan baik, dan Japat memberkian suatu informasi yang dapat

memberikan kepuasan kepada konsumen. Dalanl menentukan perubahan numerik

menjadi kategorik, kami menggunakan metode Quartit, dirnana dalam merubah

vari'.lbel harga tersebut dibutuhkan metode Quartil agar nilai numerik dapat dirubah

menjadi nilai kategorik. Jumlah record dari harga akan dibagi menjadi empat yaitu

QI, Q2, dan Q3. Dengan WI kami kategorikan sebagai interval harga murah, W2

record dari variabel harga terdiri dari 204 nilai numerik, akan diubah menjadi 4 nilai

kategorik interval.

Da!am melakukan screening data diketahui banyaknya record dari harga tersebut

adalah 204 data. Unluk menentukan QI, Q2, dan Q3 akan kila gunakan rumus :

[I]

[I]

[I

I

ｾｮＭｆ

-·n-F

ｾｮＭｆＮ

4 ' 4 2 4 .,

Q,

=

ｾ

+

c

.r,

,

Q,

=

L,

+

c

j,

,

Q

3

=

L3

+

C

.f,

ｾ

Keterangan :

: 1.2,3

Li :tepi bawah kelas !martil bawah

Qi

n : ukuran data (jumlah frekwensi)

f, : trekwemi pada interval kclas kuarti! bawah

Qi

fi : frekwensi kumulatif sebt'lum kdas kuartil bawah Qi

Nilai dari

Q

tersebut akan di gunakan untuk menentukan batasan WI, W2, W3, dan

W4. yang mcnghasilkan:

WI

=

91 sampai dengan 138 juta

=

Mmah

W2= 140 san1pai dengan 170 juta = Sedang

W3

=

172 sampm dengan 275 juta

=

Mahal

Dalam proses perubahan nilai harga dari nUl11erik l11enjadi kategorik ini akan

mel11permudah dalal11 proses pengolahan data l11enggunakan Program CART,

terutama dalam pembentuk.:n mode!

Classijica/wn /ree-nya.

4.2. Proses Pengolahan Data

Dalam menentukan suatu variabel target, peneliti biasanya menean-ean

variabel mana saja yang baik dan dapat dial11bil infonnasi yang sebanyak banyaknya

untuk dapat diketahui variabel target tersebut dipengaruhi oleh variabel variabel lain

(prediktor) mau tidak . Variabe! target dapat dipengaruhi oleh variabel prediktor dan

dapat menentukan infonnasi apa saja yang dihasilkan dari modd tersebut.

Pada 24 variabel dari tabel lan:piran 3 tersebut, banyak variabel yang kurang

tepat unmk dijadikan variabe! target, karena variabe! o:argd banyak yang tidak

berhubungan seeara teuri dengan variabel predlktomya. maka hanya almn diambil

bebe,aprr v::aiabel saJa untuk Jijadikan sebagai target yang dapat diambil

informasinya.

Diantara 24 variabel target tersebut yang haik untuk diambil infonnasinya

adalah variabel

Sis/em Bahan Bakor/Fuel Sis/em, laku(banyaknya yang /erjual),

Ka/hasi(harga yang dipilih aleh konsumen), Jkendaraan(jenis kendaraan)

karena

untuk mengurangi hubungan antara variabel target dan prediktor.

Dalam proses pengolahan data terdapat empat target diantaranya model dari

oleh konsumen), Jkendaraan (jenis kendaraan yang banyak di beli oleh konsumen)

akan dilakukan proses pembuatan model, agar didapat infonnasi yang sesuai,

4.2.1. Proses Pemodelan Sistem Bahan Bakar/Fuel System

Dalam model yang pertama, dapat kita jadikan Sistem Bahan Bakar/Fuel

System menjadi variabel target dan prediktomya yang mempengaruhi variabel target

adalah Panjang, Lebar, Ukuran mesin, Torsi, Tinggi, Rasio, Hp (house power), Berat

jcnis kcndaraan tcrscbut.

Dalam pengolahan Model yang pertama, akan kita gunakan metode Gini.

Dalam meclentubn model, dapat diketahui setiap System Bahan BakarlFuel System

kendaraan mcmpunyai prediksi bennacam-macam, diantaranya :

• disel,

• ecGS (ECCS, Multi-Point Fuel Injection),

" en

(Electronic fuel inje..:tioin),

• msi (Multipoint Sequeutial Injection),

• feem (Fully Electronic Engine Management),

• hpcrdit (High Pressure Common Rail Direct Injectioll Turbo Diesel) ,

• icimulti, ifis (Electronic Fuel Injection System),

• micpro (Electronically (Microprocessor) Controlled Direct Diesel Injection),

• mpfi (Multi Port fuel Injection),

.. pgmfi (Programmed Fuel Injection),

.. Mi (Mechanical Injection),

Dari tree di bawah ini akan di(-00

._._---_._

...._._.

__

...

-

ＭＭ｟Ｎ｟ｾ Terminal" Node 29 W=5.000 -N(;j';:e""'5---LEBAR W=23000 N=23 Node 6 :INGGI W= 14.000 N= 14 Terminai", T8rrdnal

Node 1 Node 2 W=8000 W=6.000

ＺｊｉｊｬＺｉｬｾ

_*

Terminal Node 3 W=9.000

-_._

__

.

Nod< Node 20

UMESI BERAT

W=10 W=65.000

N=' N=65

. _ - - - - -

. _

-N Node 24

TOI RASIO

W' W=31.000

ｾ N=ＳＮＱｾ ｾｾ

Terll1lnai'-Noel-e

25 !---_.- Node':!]

Node4 JMESIN 3CRAT

W=2.000N=13.000 W= 18.000

N=13 N=18

-I_.-

"t1Ode26-

"NOde28-l'erminal

TORSI TORSI Node 27 iO W= 12.000 W= 17.000 W= 1.000

J

N=12

-!!..=.E-

ｾ

Terminal Terminal Terminal Terminal

ｉｾｯ､･ 23 Node 24 Node 25 Node 26 W=4.000 W=8.000W=15.000W=2.000

F

TIfIIIII

. . .

Terminal Nvde28 W= 10000

'1IIF

Dalanl node 1 dapat dilihat m( kecii

Dalam oktimaml tree, terbentt'eda-beda

Hal tersebut dipengaruhi oleh Gambar 4.1. yang akan mempengaruhi gains chart dari

nilai rata rata 10 % data, maka akan diketahui 100 % dari kelasnya

Gaim: Chart

I tOO

"

20

Gains Lift Cum Lift

sohc: learn

[image:53.595.66.491.141.520.2]

Tot<i! cases:6 Percen( of :>arnple: 2.94

Gambar 4.2. Gaint Cart Sistem bahan bakar dengan kelas SOHC

ｆｾ､｡ gambar 4.2. dapat ditabel data digolongkan dalam kelompok jenis kendarlian

wenggunakan sistemｰｾｭ｢｡ｫ｡ｲ｡ｮ SOHC berada pada Node ke-l,

G::mbar dan diagram gains chart mell1perlihatkan bahw2. model tree yang

dihasilkan l11el11iliki persentase kUl11ulatif kelas target lebih besar dari pada persentase

kumulatif dari populasinya sehingga model tree inidapat dikatakan suatu model yang

IIIIIIIIII

llIIlIIli

IIIIIIII

1Il1I11

IIIII]

IIIIl

III]

II

Hal tersebut dipengaruhi oleh variabel yang mempengaruhi target dibawah ini (Tabel

4.1.) :

Tabe! 4.1. Val"iabcl Importance dad Sistcm Bahan Balmr

TORSI

100,00

1111111111]111111]1111

Ui'vlESIN

89,28

IIII]]IIII]I]II;]III;I

EERAT

82,76

111]1]1111]1]]]1111111

LEBAR

80.8 ]

]1]1111111111111111111

TINGGI

1

75,28

1111111]111]11111111111

RASia

73,00

IIII111l]IIIIIIIIIIIII

ｐａｎｾａｎｇ

ＱｾＹＬ

19

1:IIIIIIIIIIIIIIIIIII]1

HP

64,79

1111111!!11111111111]1

Vanabel prediktor yang memp"ngaruhi variabe! target

'.'ariabel yang sangat mempengaruh dari variabel target adalah torsi, dimana dalam

target sistem bahan bal,:3r, torsi sangatlah berpengaruh dalam menentukan tipe bahan

｢｡ｬｾ｡ｲ yar.g layak digun2.kal1. dU!:lm sebuM! kel1.daraan.

Pada variabel sistem bahan bakar, variabel yang sangat mempengaruh dari

variabel target tersebut adalah torsi, dimuna dalam taiget sistem bahan bakar, torsi

sangatlah berpengaruh dalam menentukan tipe bahan bakar yang akan digunakan

dalam sebuah kendaraan. Dari jenis mesin SOHC cenclerung digunakan untuk

kendaraan-kendaraan yang bersilinder keell untuk mengirit pasokan bahan bakar yang

Penentuan node tersebut akan menghasilkan number of cases dari sistem

bahan bakar Sohc adalah 8, sedangkan presentage of datanya :lama engan 3.9% dan

castnya adalah 1.0000

/*Rules for terminal node 1*/

if

(

RASIO <= 22.85 &&

PANJANG <= 175.65&&

UMESIN <= 91.5 &8.-LEBAR <=04.1 &&

TINGGI <= 51.4

)

{

terminalNode = -I:

class= sohc: probClass J= 0: probCJass2= 0, ｄｲｯ｢ｃｬ｡ｾｳＳ = 0; probC!ass4= 0; probClass5= 0; proLClasSI)= 0; p,obClass7 = 0, probClass8 = 0; probCJass9= 0.375: probClass 10= 0; probCJass J J= 0; probClass12= 0; probClass13= 0.625; probClass14= 0;

}

Alur dari algoritma yang digunakan untuk mendapatkan informasi dari jenis mesin

SOHC yaitu:

Jika sebuah kendaraan memiJiki rasio kurang dari 22.85 em dan panjang kurang dari

175.65 em dan ukuran mesin kurang dari 91.5 em dan lebar kurang dari 64.1 em

dengan tinggi kurang dari 51.4 em maka jenis kendaraan tersebut eenderung beJjenis

SOIle.

Sebuah mobil dikatakan efisien apabila mempunyai tenaga mesin yang baik

dan mel71iJiki sistem pembakaran yang tidak boros. maka jenis sistem bahan bakar

SOHC akan lebih banyak didomiamsi oieh kendaraan keeil dengan yang memiliki ee

(kapasitas ｭ･ｾｩｮＩ dihawah ;500 saja. Maka akan dapat diketahui banyaknya

kendaraan yang menggunakan Eystem bahan bakar SOHC adalah kendaraan yang

memiliki ee (kdpasitas IT'.;;sia) keciJ atau digunakan untuk k;;ndaraan yang memiJiki

body ramping (sedang) dengan meJihat dari segi kapasita5nya. Banyaknya jenis

kenda,aaD yaDg mendominasi sistem bahan bakar SOHC adalah jenis minibus dan

sedan.

4.2.2. Model Laku (banyaknya yang terjual)

Dalam pengolahan data dari model Laku (banyaknya yang terjual), dapat kita

jadikan bahwa Laku (banyaknya kendaraan yang teJjual pada tahun 2004) menjadi

power), Kathasil (harga yang banyak diambil oleh konsumen), Sbbfsyst ( sistem

bahan bakar), Jkendaraan (Jerus kendaraan), dan merek mobil kendaraan.

Dalam proses pemilihan variable akan dicari informasi yang menyatakan

bahwa banyaknya kendaraan yang ada saat

ini

bukanya dipengaruhi oleh harga, tetapi

banyaknya kendaraan yang digunakan oleh konsumen dilihat dari segi merek.

Dalam menggunakan program CART jenis tree yang akan digunakan dalam

menentukan model data tersebut adalah Regresi dimana nilai dari ｶ｡ｉｾ｡｢･ｬ target

tersebut adalah bemilai numerik. Daiam pengolahan model laku, kami akan

menggunakan metode Gini .

Dalam menentukan model regresi, dapat dikelu)1Ui setiap variabel target dari

Laku memiliki nilai diantaranya mean dan median, tetapi yang akan kami tentukan

Dari tree di bawah ini akan didapatkan informasi bahwa : ｎｾ､･ 14 MRWDBllf PJJg"16S.SO W=16.ooii 11= 16 thde 10 r-.P.fMDBll$ ａ［ｾＢ 144.370 '011=6400{) N=&4 ｆｾＢＧ［Ｇｾｬ kg·llEj"8% ｗＢｾＩＮｯｯ｛Ｌ N' 48

=-,J=---,__

L..., __,--'

._.1_,

TellTlInal iIIMni.1Jl IIlemo.'\3l

l1od\'13" Node14 ,1thj;;15 i

W,,-4illl(l It/=l1!lfj{l ;i\f:(=HOD'

,_....｟ｾ __; :_' m_C'

ｲＮＺＺｈＢｾＧ ＵｾＭＭＱ｟

, '.. '

.J_

H? Te'1Ti<'.at Tem.icl<!' i -1•.,,11".1

Alg" BS-W: I"'de 4 !! Ilrm. 5 : _ Uode 6 I tbd,; 7 hadeS

ｗＡｾ［ＵＱｾＧ

!

ｗＢＺｾｾＮ｟Ｇ ｲＮｗ｟ﾷＧ｟ＱＶｾｊ ＺｗＢｬｾ｟ Ａｾｾ｟ｾ｟ｩ w=lID)

ｉｖｒｦＱｾｂｉｃｊ

ｩａ＼ｾ］ 1l::.fJ!)D

,ｾｾＢ 'lAJ)j)

:, \4<',fA

ｾＧ＾､ｾＲ ,

1<8»,109:1.$

f'¥G=lOi.f';W

'61'lro.lM)

N·l00

\;:;;-

Ｎｾ UW,,3

He H

" k'Q'ＱＱｾＷＩＴ

£00 W=!-4itX>

Ii=54

ｉｨＭｾＴ

ｉｾ

1-;;;;;;;

ＱｉＮｾｦＱＮＱＰｂＡＴ Hi

I"'

ktg: 1017Sg

ｲＬｱｾｭｬ !ａｊｾＺ ＱＳＧｊＦｧｾ

11'1=3<).000 .... '161«

IW=44.ooo

tlon 1<=16 1l=44

ＧＭｾ

ｾＵＱ

I

IWd" 7 ｾＭＮ［［［［ＭＧ

._L

__ ...J__r

I

_H

HP

I

He HI Twra T5mU,.1

,m,

Atg=I%'.i'w

I

I

PorO=1l717S 1AtO "Ｑｗ｟ＱＴｾ Uxi"ｾ ｉｗＺｊｾ 10

I'"

'or"2flJ))

I

W: 1&.000 ｾＡＴＮｄ｣ｻ［ "i'2.lA); iN'1301\1 , IN·

H"2)

i

No 18 1<=14 - - -

,

Ｍｾ

jTim

: Um

ＧＱＺＺｾＴＤ

GanJbar 4.3. Tree model .!...aku

Dari tree tersebut akan didapatkan terminal node sebanyak 14, akan dilihat infonnasi

apa saja yang akan diketahui di dalam node tersebut.

Dari tree tFrsebut, optimum tree terminal node sebanyak 14 buah, dan dapat

Hal tersebut dipengaruhi oleh variabel yang mempengaruhi target dibawah ini (Tabel

[image:59.595.57.479.164.658.2]

4.2.) :

Tabel 4.2. Variabcllmporianec Lalm

-MRKMOBIL$

100,00

1111]11111]111111111]11111111

HP

74,74

IIIIIIIIIIIIIIIIIIIIIIIII]

SBBFSYST$

47,49

IIJIJIIIIlIIIII

KATHASIU

9,91

II!

JK.ENDA.

..R.A$

3,70

T!

Oad Tabcl diatas variabel Importance yang sangat mempengamhi adalah merck mobil dan hp (house powel')

Dari tabel diatas, yang paling mempengaruhi variabe! target adalah merek

mobil, in; memperkuat dugaan di mastarakat bahwa orang indonesia cenderung

membeli kcndaraan bcrdasarkanｳｾ｢ｵ｡ｨ :r.crck bu.'<:an dari scgi harga atau yang

Jai:1-lain.

/*Ru!es for terminal nude 14*/

if

( (

MRKMOI3IL$

=

audi

II

MRKMOBIL$

==

peugot

) )

{

terminalNode

=

-14; mean= 161

Dalam penjualan kendaraan ternyata audi atau peugot, mempengaruhi rata-rata

per1iualan di tahun 2004.

Berdasarkan dua merek kendaraan tersebut yairu audi atau peugot, banyaknya

kendaraan yang diminati oleh konsumen rata-rata pada tahun 2004 adalah merek

kendaraan audi atau peugot, tetapi bukanlah rata-rata konsumen membeli merek

kendaraan tersebut. Akan dapat informasi yang berharga dari model laku, bahwa

kecendrungan konsumen untuk memilih kendaraan audi atau peugot yang rata-rata

mempcngaruhi pcnjualan di tahun 2004 sangatlah mcnguntungkan bagi produscn

kendaraan tersebut. tetapi bukanlah kendaraan terbanyak yang di gunakan oleh

konsumcn pada tahun 2004, hanya saja merek kendaraan tersebut yang

mcmpcngarulli pcnjualan rata rata pada tahun 2004.

4.2.3. Model Kathasil (Harga yang dipilih uleh konsuillcn)

Dalarn pengolahan model ketiga dari data tersebut, dapat kita jadikan Kathasil

Gumlah atau harga yang terjual) menjadi variabel target, karena dapat diketahui

banyaknya kendaraan yang teIjual dengan hcrga yang murah, sedang, mahal, dan

sangat mahal. Prediktornya yang mempengaruhi variabel target adalah Bbakar

(bahan bakar), rnrkmobil(merek mobil) sbbfsyst (sistem bahan bakar),

bpintu(banyaknya Pintu), JkcndaraanGensi kendaraan), Hp (house power) kendaraan

tipe tree Klasifikasi. Dalam pengolahan Model Kathasil (Harga yang dipilih oleh

konsumen) kita mengunakan metode Gini.

DaJam menentukan kelas untuk data yang ban;, Kathasil dan penjualan

kendaraan mempunyai prediksi bennacam macam dari murah, sedang, mahal, dan

sangat mahal. Dari tree di bawah ini akan didapatkan informasi bahwa :

- I " " "H'¥M06U

,;Y·20HW

ｌｾＧｾ

i riooe2 .,----.--'=:=

ＱＬｾＢｱｋｍＰｦｦｩＮＤ

ｉ

ＧｗｾＱＷＨｈ＾ｏｏ

N· IlD

;.p'%d():

I

w.17.lJiXji

11_17

ＭｩｾＭＧＭｔｾ

!o::oe3 ｴｾＴ

-" ..ｾｾＮｲＩＩｊ ｩｗｾ｜ＳｉＩｙｊ

[image:61.595.76.477.207.542.2]

Uii!IIIIIIllIJ!",.'1iW .'

Gambar 4.4. Tree model Kathasil

ＧｔｾＭＺ

Ncde12 i

［ｷｾ UffJ

!

Tcm.nrn N:;>je13

W·34.ooo

II

Pada gambar tree diatas dapat dilihat bahwa node ke-13 memiliki model yang

menyatakan model penjualan kendaraan untuk menengah ke atas.

Da!am menentukan optimum tree, dapat terbentuk jumlah terminal node

ciri yang berbeda-beda. Tem1inal node 13 dapat menyatakan bahwa node tersebut

dapat diklasifikasikan sebagai variabel sangat mahal.

Pada gambar dibawah, a1:an didapatkan informasi bahwa :

Gains Chart

Gains C!'latt

No Cas_0 %of % Cum%" Cum % Cases Cum Lift

'"

Node Tgt Tgt % Pop In ｉｾ Pop

aEM..

i.nI.JI• •

,:tP-.UijU'iiWfii

1.1.1• •1.1.111

5 2 100.000 3.922 11.765 2.941 09S0 2 4.000 4.oaO

13 31 91176 6078472.549 19.60B 16667 34 3700 3.647

8 11 84.615 21.56,94.118 25.980 6373 13 3623 3.385

1 2 6861 3922 38.039 42.15716176 33 2.326 0.242

2 1 3.571 1961 100.000 55.B82 '3.725 28 1.789 0143

10 0 0000 0000 100.000 77.941 22059 45 1.283 0000

4 0 0.000 0.000100.00084.314 6373 13 1.186 0.000

Tgt.(:3$$:sangmahal

Gai:>$ Lift CumLift

sengmahal: Learn

[image:62.595.57.478.161.516.2]

TｯｬｾＱ cases:51

Gambar 4.5. Gains Chart dari sangat mahal

Percent of sample: 25,00

Tree optimal yang mempengaruhi gains chart dari nilai 25 % pengetahmn

pada populasi maka kita dapat mengetahui harnpir seluruh informasi kelas dari

variabel target tersebut. Dari Gambar 4.5. dinyatakan bahwa dengan setiap note yang

akan mendekati nilai 100 akan diartikan sebagai jumlah dari peminat penjualan

kendaraan yang sangat mahal tersebut sangat tinggi, lain pula apabila note itu

semakin mendekati garis horizontal maka makna yang akan didapatkan adalahjumlah

dari peminat penjualan kendaraan yang sangat mahal yang diminati oleh konsumen

biasa saja atau tidak sarna sekali mengalami perubahan dalam penjualan dari merek

Hal tersebut dipengaruhi oleh variabel yang mempengaruhi target dibawah ini

(TabeI4.3.) :

Tabcl 4.3. Varia bel ImportanceKathasi!

MRKMOBIL$

100,00

1111111111111111111

SBBFSYST$

50,22

111111111111111111

HP

42,68

IIIIIIIIIIIIIII

JKENDARA$

35,54

IIIIIIllIll

BBAKAR$

1,39

BPINTU$

0,00

Daftar variabel yang mempengaruhi variabel target

V8riabel yang sfulgat bcrpengaruh adalah merck mobil, dimana pada target kathasil

dapat diketahui bahwa merck menenentuan harga dari mobil, karena pada suatu

pembelian kendaraan, biasanya seorang konsumen cendrung membeli kendaraan

bcrdasarkan lIlcrck.

Pada Kathasil (harga penjualan) kendaraan roda empat biasanya produsen

menentukan harga yang akan di beli oleh konsumen. Sebuah kendaraan dilihat dari

sistem bahan bakamya dan Hp (house power) karena dari dna variabel tersebntlah

sebuah kendaraan dapat dijual dengan beberapa tipe harga.

/*Rules for terminal node 13

*/

if (

(

MRKMOBIL$

=

jaguar

II

MRKMOBIL$ == land rover

Ii

MRKMOBIL$

=

mercedes-benz

II

MRKMOBIL$= volkswagon

)

)

{

terminalNode= -13:

class = sangmahal; probClassl = 0.0882353; probClass2= 0;

probClass3 = 0.91 1765;

probClass4= 0; }

Dari model ini sm;gat veriabel karena tidak berIawanan dengan kenyataan

bahwa, rnei·ek kendaraan BMW, JAGUAR, LAND ROVER, MERCEDEZ BANZ,

"tau YOLKSW.,\GON adalah merek bn:iaraan dengan harga yang sangat mahal dan

jcn" kenduraan terscbut banyak diminati oleh kalangan atas.

Alur clari mls yang digunakan untuk mendapatkan informasi

dan

data penjualan kendaraan yaitu :

Bahwa biasanya scbuab mobil yang dijual kcp"saran dcngan katcgori

penjualan yang sangat mahal akan ditentukan oleh merek kendaraan seperti BMW,

JAGUAR, LAND ROVER., MERCEDEZ BANZ, atau YOLKSWAGON. Maka akan

diketabui banyaknya kendaraan yang dijua! kepasaran dengan harga yang sangat

mahal dengan menggunakan system bahan bakar yang lebih bagus dan memiliki HP

4.2.4. Model Jkendaraan (j"nis kendaraan)

Dalam pengolahan model jkendaraan (jenis kendaraan) dapat diketahui

bahwa jenis kendaraan banyak mempengaruhi pendualan dari data tersebut, dapat kita

jadikanjkendaraan (jenis kendaraan) sebagai variabel target dan predik'tomya yang

mempengaruhi variabel target adalah Madein (buatan dari negara), Mrkmobil (merek

mobil), Bbakar (bahan bakar), Eksmesin (menggunakan ke:cepatan standar atau

turbo), Bpintu (banydcnya pintu), Ktit (kritcria mcsin), Kokl'1esin (lokasi mcsin),

Jmesin Genis mesin). Cylinder ( ba;1yaknya cylinder) sbbftyst (sistem bahan bakar),

Katha5il (Penjaalan), Umesin (ukuran mesin), Torsi (jarak antara mesin dengan

rada) Panjang(p::'Dang mobil),Lebar (khar mobil), Tinggi(tinggi kendaraan), Berat

(berat kepdaraa;1), Rasia (pcrbandingan bhdaraan), Hp (house power), Penjualan

kendaraan tersebut.

Dalam jenis tree yang aka.'1 digunakan dalarn mcnggunakan data tersebut

adalah trce rjpe KlasifIkasi, Daiam pengolahan Jkendaraan (ienis kendaraan) akan

Pada gambar dibawah, akan didapatkan informasi bahwa

Nooe 1

ｓ｛ｊｄｦｓｙＤｾＤ

W·2l)4.(J."(,

IhX>l

GambaI' 4.6. Tree model jen's kendaraan

Dalam Tree, dapat terbentuk jumlah term;l.a; node sebanyak ; 4 buah, Pada Gambar

4.6. ciapat dinyatakan bahwa setiap kelas memiliki ciri yang berbeda-beda. Suatu

me1'ek l:endara£i.f1 dapat diketahui Lefbed::t jikaｫ･ｮ､Ｎ｡ｲｾＢＱ tersebut､ｩ｢ｵ｡ｾ ､･ｮｧｾｮ jenis

)'ang berbe<1a. Pada tenninal node 5 menyatakan bahwa node tersebut

Pada gambar dibawah, akan didapatkan informasi bahwa :

Gains Chart

Gains Chart

100

/" 100

".

No Care

,

Node%01 Tgt% Cum%: Cum"Tgt. Pop Pop% Cases

'"

Cumlift PopLift

80 I 80 _{ｬｉＢｮｪｬｬｭＡｬｩｩＧｾﾷｩｾｴＮｉｃＺＡｬｪｬＮｉｍＺ｀ｩ}

iWMmmt

I

ｾ 60

I

60 5 2 66667 6.452 12.903 2.451 1.471 3 5.265 4.387

u 40

I

6 2 66.667 6.452 19.355 3.922 1.471 3 4.935 4.387

,.

40

2 15 62.500 413.387 67.742 15.686 11,765 24 4.319 4.113

20, 20 _{8 3 30000 9677 77.419 20.5R8 4.902 10 3.760 1.974}

+

0' 0 14 3 23077 9.677 87.097 26.961 6.373 13 323D 15'19

0 2D 40

"

SO 100

3 4 8000 12.903 100.000 51.471 24.510 50 1.943 0.526

1.Population

4 D 0000 0000 100.00086.765 35.294 72 1.153 OJ)OO

.

｟ＮｾＭＭｾＭｾＮ｟ｾＭＭ -｟ＮｾＭ ＮＭｾＭＭＭＧＭ

suv; Learn Tgl Oa$"s:: suv

Total cases; 31 Pelcent ofsample:1520

[image:67.595.57.480.114.517.2]

Gains Lift CUfnLift

Gambar 4.7. Gains chart dad Sport Utility Vehicle (SUV)

Dalam glan chart Gambar 4,7. dapat dilihat bahwa jenis kendaraan Sport Utility

Vehicle (SUV) adalah tipe kendaraan yang cukup banyak di ambil oleh konsumen,

karena 20 % dari jumlah populasi d3patｭｾｷ｡ｫｩｬｩ 90 % jumlah dan kelasnya.

Dapat dilihat bahwa setiap peminat kendaraan Sport Utility Vehicle (SUV)

tersebut cukup banyak peminatnya. Jenis kendaraan SUV tersebut banyak digunakan

oleh