SKRIPSI
PENERAPAN ALGORITMA C4.5 DALAM MEMPREDIKSI
DATA PENJUALAN BISNIS GERAI BUSANA MUSLIM
Diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana Teknik Informatika
Disusun oleh:
Nama : Rina indriyani NIM : 311510306
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS PELITA BANGSA
KABUPATEN BEKASI
SKRIPSI
PENERAPAN ALGORITMA C4.5 DALAM MEMPREDIKSI
DATA PENJUALAN BISNIS GERAI BUSANA MUSLIM
Diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana Teknik Informatika
Disusun oleh:
Nama : Rina indriyani NIM : 311510306
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS PELITA BANGSA
KABUPATEN BEKASI
UCAPAN TERIMAKASIH
Dengan memanjatkan puji syukur kehadirat Allah SWT. Tuhan Yang Maha Pengasih dan Penyayang yang telah melimpahkan segala rahmat, hidayah dan inayah-Nya kepada penulis sehingga laporan tugas akhir dengan judul “PENERAPAN ALGORITMA C4.5 DALAM MEMPREDIKSI DATA PENJUALAN BISNIS GERAI BUSANA MUSLIM” dapat penulis selesaikan sesuai dengan rencana karena dukungan dari berbagai pihak yang tidak ternilai besarnya. Oleh karena itu penulis menyampaikan terima kasih kepada:
1. Bapak Hamzah M.Mardi Putra, S.K.M,. MM Sebagai Rektor Universitas Pelita Bangsa.
2. Ibu Putri Anggun Sari S.Pt., M.Si Sebagai Dekan Fakultas Teknik Universitas Pelita Bangsa.
3. Bapak Aswan S. Sunge, SE., M.Kom, selaku ketua Program Studi Teknik Informatika S-1
4. Bapak Ahmad Turmudizy,S.Kom., M.Kom, selaku Dosen Pembimbing I dan Bapak Rosi’in M.Pd, selaku Dosen Pembimbing II yang telah memberikan bimbingan dan masukan kepada penulis.
5. Orang tua, Kerabat dan Keluarga yang telah memberi motivasi dan dukungan sehingga kami dapat menyelesaikan studi di Universitas Pelita Bangsa.
6. Seluruh sahabat dan rekan-rekan yang telah banyak membantu serta dukungan sehingga kami dapat menyelesaikan studi di Universitas Pelita Bangsa.
Semoga Tuhan yang Maha Esa memberikan balasan yang lebih besar kepada beliau-beliau, dan pada akhirnya penulis berharap bahwa penulisan laporan tugas akhir ini dapat bermanfaat dan berguna sebagaimana fungsinya.
Bekasi, 20 Oktober 2019 Penulis
ABSTRAK
Prediksi data penjualan adalah proses pengelompokan data penjualan minat pada masyarakat sehingga data minat masyarakat akan lebih fokus dan terarah. Tujuan penelitian ini adalah penulis mencoba menerapkan teknik data mining metode decision tree Algoritma C4.5 pada bisnis gerai busana muslim dan di harapkan dapat memberikan informasi berupa prediksi penjualan gerai busana muslim yang paling digemari pelanggan dan kurang digemari pelanggan (laris dan kurang laris). Metodologi yang digunakan dalam memprediksi penjualan gerai busana muslim menggunakan Algoritma C4.5, Prosesnya menggunakan lima langkah dalam KDD (Knowledge Discovery in Databases), yang mencakup beberapa aktivitas yaitu seleksi, praproses, transformasi, data mining, interprestasi dan evaluasi. Selain melakukan perhitungan secara manual, kasus penelitian ini juga diujikan menggunakan aplikasi RapidMiner dan sistem web agar lebih mudah melihat hasil prediksi. Dari hasil penelitian menggunakan Algoritma C4.5 dihasilkan nilai entropy tertinggi yaitu merek pada atribut-atribut Gerai Busana Muslim pada perhitungan manual dan menggunakan aplikasi RapidMiner, sehingga penggunaan Algoritma C4.5 sangat efektif dalam memprediksi produk terlaris pada Gerai Busana Muslim dengan tingkat Akurasi 80%, sehingga pemilik gerai hanya perlu membeli produk yang laris sesuai hasil output yang dihasilkan oleh sistem.
ABSTRACT
The sales data prediction is the process of interest sales data grouping in society, so that the data of the society interest will be more focused and guided. The aim of this research is to provide information in the form of prediction of Muslim Fashion Outlet sales that the most favored and less favored by the customers (bestseller and less bestseller). The method to predict the Muslim Fashion Outlet sales used Decision Three Algorithm C4.5, and there are five steps in KDD (Knowledge Discovery in Databases) which included several activities, those are: selections, pre-process, transformation, data mining, interpretation and evaluation. In addition to do calculation manually, the case of this research is also axamined by RapidMiner application. The result of this research by using Algorithm C4.5 showed that the highest entropy poin is on brand Muslim Fashion Outlet in manual calculation and used RapidMiner application and web systems to make it easier to see prediction results. It means that the using of Algorithm C4.5 is very effective to predict the bestseller product on Muslim Fashion Outlet with the level accuracy 80%, so that the owner of Muslim Fashion Outlet is only need to buy the bestseller product according to the output produced by the system.
DAFTAR ISI
HALAMAN PERSETUJUAN ... Error! Bookmark not defined.
HALAMAN PENGESAHAN ... ii
PERNYATAAN KEASLIAN SKRIPSI ... iii
PERNYATAAN PERSETUJUAN PUBLIKASI ... iv
UCAPAN TERIMAKASIH ... v
ABSTRAK ... vii
ABSTRACT ... viii
DAFTAR ISI ... viii
DAFTAR TABEL ... xiii
DAFTAR GAMBAR ... xiii
DAFTAR LAMPIRAN ... xvv BAB I PENDAHULUAN ... i 1.1 Latar Belakang ... 1 1.2 Identifikasi Masalah ... 2 1.3 Batasan Masalah ... 2 1.4 Rumusan Masalah ... 3 1.5 Tujuan Penelitian ... 3 1.6 Manfaat Penelitian ... 3
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI ... 5
2.1 Penelitian Terdahulu ... 5
2.1.1 Kajian Jurnal Pertama ... 5
2.1.2 Kajian Jurnal Kedua... 6
2.1.3 Kajian Jurnal Ketiga ... 6
2.2 Definisi Judul ... 7
2.2.1 Pengertian Penerapan ... 7
2.2.3 Prediksi ... 9
2.2.4 Pengertian Data ... 10
2.2.5 Pengertian Penjualan... 10
2.3 Data Mining ... 12
2.3.1 Pengertian Data Mining ... 12
2.3.2 Tugas-tugas Data Mining ... 14
2.3.3 Manfaat Data Mining ... 15
2.3.4 Jenis atau Teknik Data Mining ... 15
2.4 Klasifikasi ... 16
2.5 Decision Tree ... 17
2.6 Pemrograman WEB ... 18
2.6.1 Pengertian WEB ... 18
2.6.2 HyperText Markup Language (HTML) ... 18
2.6.3 PHP Dan MySQL ... 18
2.6.4 CSS (Cascading Style Sheet) ... 18
2.7 Knowledge Discovery In Database (KDD) ... 19
2.8 UML(Unified Modeling Language ... 20
2.9 Enterprise Architect ... 21
2.10 Rapid Miner ... 22
2.11 Database ... 23
2.11.1 Pengertian Database ... 23
2.11.2 Database Management System (DBMS) ... 24
2.12 XAMPP ... 25
2.13 Kerangka Pemikiran ... 26
BAB III METODE PENELITIAN... 27
3.1 Objek Penelitian ... 27
3.2 Jenis Data ... 27
3.2.1 Sumber Data Primer... 27
3.3 Metodologi Penilitian ... 27
3.3.1 Tahapan Metodologi Penelitian ... 28
3.4 Analisis Data Knowledge Discovery in Database (KDD) ... 30
3.5 Tahapan Penelitian ... 35
3.6 Kebutuhan Software dan Hardware ... 35
BAB IV HASIL DAN PEMBAHASAN ... 37
4.1 Hasil Penelitian ... 37
4.1.1 Root Node ... 37
4.1.2 Rapid Miner ... 50
4.1.3 Pemodelan Sistem ... 55
4.1.4 User Interface Prediksi ... 65
4.2 Pembahasan Hasil Pengujian ... 68
BAB V PENUTUP ... 69
5.1 Kesimpulan ... 69
5.2 Saran ... 69
DAFTAR TABEL
Tabel 3. 1 Atribut Yang Digunakan ... 31
Tabel 2. 2 Klasifikasi Berdasarkan Jenis Produk ... 31
Tabel 2. 3 Klasifikasi Berdasarkan Jumlah Terjual... 31
Tabel 2. 4 Klasifikasi Berdasarkan Jenis Pakaian ... 32
Tabel 2. 5 Klasifikasi Berasarkan Jenis Aksesoris ... 32
Tabel 2. 6 Klasifikasi Berdasarkan Merek ... 33
Tabel 3. 1 Klasifikasi Berdasarkan Harga ... 33
Tabel 4. 1 Rule Prediksi Produk Laris ... 49
DAFTAR GAMBAR
Gambar 2. 1 Pseudocode Algoritma C4.5 ... 9
Gambar 2. 2 Tahapan Proses Data Mining ... 14
Gambar 2. 3 Tampilan Utama Enterprise Architect ... 22
Gambar 2. 4 Tampilan Utama Rapid Miner ... 23
Gambar 2. 5 Tampilan Utama XAMPP... 25
Gambar 2. 6 Kerangka Pemikiran ... 26
Gambar 3. 1 Tahapan Metodolodi penelitian ... 28
Gambar 3. 2 Statistik Data Tidak Lengkap ... 30
Gambar 3. 3 Tahapan Penelitian... 35
Gambar 4. 1 Perhitungan Algoritma C4.5 Node 1 ... 45
Gambar 4. 2 Perhitungan Algoritma C4.5 Node 1.1 ... 45
Gambar 4. 3 Perhitungan Algoritma C4.5 Node 1.2 ... 46
Gambar 4. 4 Perhitungan Algoritma C4.5 Node 1.3 ... 46
Gambar 4. 5 Perhitungan Algoritma C4.5 Node 1.4 ... 46
Gambar 4. 6 Perhitungan Algoritma C4.5 Node 1.5 ... 47
Gambar 4. 7 Perhitungan Algoritma C4.5 Node 1.6 ... 47
Gambar 4. 8 Perhitungan Algoritma C4.5 Node 1.7 ... 48
Gambar 4. 9 Perhitungan Algoritma C4.5 Node 1.8 ... 48
Gambar 4. 10 Pohon Keputusan ... 49
Gambar 4. 11 Halaman Utama RapidMiner 9.0 ... 51
Gambar 4. 12 Halaman Select the cells to import data ... 51
Gambar 4. 13 kotak dialog import data ... 52
Gambar 4. 14 Process Read excel ... 52
Gambar 4. 15 Process Validation ... 53
Gambar 4. 16 Tabel Hasil Akurasi Data Testing... 53
Gambar 4. 18 Tabel Hasil Precision Data Testing ... 54
Gambar 4. 19 Tree View RapidMiner ... 54
Gambar 4. 20 Rule Tree ... 55
Gambar 4. 21 Use Case Diagram Prediksi Produk Terlaris ... 55
Gambar 4. 22 Activity Diagram Login ... 57
Gambar 4. 23 Activity Daigram Dataset ... 57
Gambar 4. 24 Activity Diagram Input Data ... 58
Gambar 4. 25 Activity Diagram Prediksi ... 58
Gambar 4. 26 Activity Diagram Tentang Saya ... 59
Gambar 4. 27 Activity Daigram Logoutt ... 59
Gambar 4. 28 Sequence Diagram Login ... 60
Gambar 4. 29 Sequence Diagram Dataset (Edit) ... 60
Gambar 4. 30 Sequence Diagram Dataset (Delete) ... 61
Gambar 4. 31 Sequence Diagram Input Data ... 61
Gambar 4. 32 Sequence Diagram Prediksi ... 62
Gambar 4. 33 Sequence Diagram Tentang Saya ... 62
Gambar 4. 34 Sequence Diagram Logout ... 62
Gambar 4. 35 Class Diagram Prediksi Produk Terlaris ... 64
Gambar 4. 36 Database Prediksi Produk Terlaris ... 64
Gambar 4. 37 User Interface Halaman Login ... 65
Gambar 4. 38 User Interface Halaman Menu Utama ... 66
Gambar 4. 39 User Interface Menu Dataset ... 66
Gambar 4. 40 User Interface Menu Input Data ... 67
Gambar 4. 41 User Interface Menu Prediksi ... 67
DAFTAR LAMPIRAN
Lampiran 1 Dataset ... 72 Lampiran 2 Data Testing ... 87 Lampiran 3 Training ... Error! Bookmark not defined. Lampiran 4 Source Coude ... 111
BAB I
PENDAHULUAN
1.1 Latar Belakang
Busana merupakan kebutuhan primer bagi manusia. Ini artinya busana merupakan kebutuhan pokok manusia. Seiring dengan perkembangan Ilmu Pengetahuan dan Teknologi, sehingga bermunculan beragam bisnis yang menawarkan berbagai jenis busana. Hal ini dapat kita lihat dari banyaknya gerai penjual busana/pakaian, kegiatan dan aktifitas seseorang semakin banyak, sehingga dibutuhkan berbagai jenis busana yang dapat dipakai sesuai dengan kegiatan tersebut. Maka dari itu, ketika seseorang ingin memenuhi kebutuhan berbusana, ia tidak hanya bertindak pada fungsi dan tujuan utama dari busana itu sendiri.
Lebih dari itu, pemenuhan kebutuhan akan busana melibatkan pertimbangan-pertimbangan lain yang dianggap penting dan perlu penyesuaian, seperti kesempatan, usia, jenis kelamin serta trend mode yang sedang berkembang pada masanya. Hal ini memberikan peluang dan kesempatan bagi para designer serta produsen busana untuk lebih kreatif dalam berkarya. Kemajuan teknologi dan informasi pada saat ini melahirkan inovasi-inovasi cerdas dalam berbisnis, yang dapat kita sebut kecerdasan bisnis atau business intelligence. Salah satu yang dapat kita manfaatkan adalah teknologi Data Mining dalam menggali informasi yang bermanfaat dari gudang data perusahaan penjualan.
Pengambil keputusan berusaha untuk memanfaatkan gudang data yang sudah dimiliki untuk menggali informasi yang berguna membantu mengambil kesimpulan, hal ini menjadikan munculnya cabang ilmu baru untuk mengatasi masalah penggalian informasi atau pola yang penting atau menarik dari data dalam jumlah yang besar, yang disebut dengan Data Mining. Penggunaan teknik data mining diharapkan dapat memberikan pengetahuan-pengetahuan baru yang sebelumnya belum diketahui. Tujuan dari data mining adalah untuk memudahkan perusahaan dalam meningkatkan pemasaran, penjualan, dan pelayanan pelanggan melalui pemahaman yang lebih baik terhadap pelanggan.
Decision tree adalah struktur flowchart yang mempunyai tree (pohon), dimana setiap simpul internal menandakan suatu tes atribut, setiap cabang merepresentasikan hasil tes, dan simpul daun merepresentasikan kelas atau distribusi kelas[1].
Tujuan penelitian ini adalah penulis mencoba menerapkan data mining menggunakan Algoritma C4.5 pada bisnis gerai busana muslim dan diharapkan dapat memberikan informasi berupa prediksi penjualan pada Gerai Busana Muslim yang paling digemari pelanggan dan kurang digemari (laris dan kurang laris). Sehingga kedepannya pemilik bisnis ini dapat melakukan analisa mengikuti trend dan kegemaran pelanggannya.
1.2 Identifikasi Masalah
Dari latar belakang diatas terdapat beberapa masalah yang timbul dan dapat di identifikasikan sebagai berikut :
1. Belum diketahui tingkat minat busana yang paling diminati pelanggan pada Gerai Busana Muslim.
2. Belum adanya alat bantu untuk mengklasifikasikan data penjualan bisnis Gerai Busana Muslim.
3. Perlunya tingkat akurasi perhitungan Algoritma C4.5 untuk memprediksi data penjualan Gerai Busana Muslim.
1.3 Batasan Masalah
Adapun batasan-batasan masalah dalam penelitian ini adalah :
1. Penelitian ini hanya sebagai alat bantu bagi pihak penjual dalam menentukan produk mana yang banyak diminati oleh pelanggan.
2. Algoritma yang digunakan dalam perancangan sistem ini adalah Algoritma C4.5.
3. Output dari penelitian ini adalah urutan prioritas merek busana yang cocok untuk distok agar laku di pasaran.
1.4 Rumusan Masalah
Berdasarkan pada latar belakang masalah, maka dapat dirumuskan masalah sebagai berikut :
1. Bagaimana merancang suatu sistem yang dapat membantu penjual dalam mengambil keputusan untuk memprediksi produk merek busana mana yang banyak diminati pelanggan ?
1.5 Tujuan Penelitian
Berdasarkan rumusan masalah diatas maka tujuan pada penelitian ini adalah sebagai berikut :
1. Mengetahui akurasi algoritma C4.5 untuk memprediksi tingkat minat pelanggan pada Gerai Busana Muslim.
2. Menerapka algoritma C4.5 pada tingkat minat pelanggan pada Gerai Busana Muslim.
1.6 Manfaat Penelitian 1.6.1 Untuk Akademik
Penelitian dapat memberikan informasi bagi peneliti atau calon peneliti lain untuk menerapkannya kedalam sistem yang lebih luas dan lebih kompleks atau sebagai bahan acuan yang dapat dikembangkan bagi kemungkinan pengembang konsep dan materi lebih lanjut serta dapat melengkapi referensi pustaka akademik.
1.6.2 Untuk Perusahaan
Untuk mendapatkan pendukung keputusan bagi Gerai Busana Muslim untuk memperbaiki pelayanannya dalam mempetahankan pelanggan
1.6.3 Untuk Pemilik
Penulis dapat mengaplikasikan ilmu dan ketrampilan yang diperoleh diperkuliahan. Teknik Informatika dan untuk memenuhi salah satu syarat kelulusan Strata Satu (S1) Teknik Informatika Universitas Pelita Bangsa, serta menambah wawasan pengetahuan dan pengalaman mengenai dunia bisnis khususnya dalam penjualan busana yang paling diminati oleh pelanggan.
BAB II
TINJAUAN PUSTAKA DAN LANDASAN TEORI
2.1 Penelitian Terdahulu
Dalam penulisan skripsi ini peneliti menggali informasi dari peneliti-peneliti sebelumnya sebagai bahan perbandingan, baik menggali kekurangan atau kelebihan yang sudah ada. Selain itu, peneliti juga menggali informasi dari buku-buku maupun skripsi dalam rangka mendapatkan suatu informasi yang ada sebelumnya tentang teori yang berkaitan dengan judul yang digunakan untuk memperoleh landasan teori ilmiah.
2.1.1 Kajian Jurnal Pertama
Victor Marudut Mulia Siregar (2017) dengan judul Perancangan Aplikasi Data Mining Untuk Memprediksi Penjualan Menggunakan Metode Decision Tree Pada Apotik Ths Pematang Siantar. Penelitian ini bertujuan untuk merancang dan membangun sebuah aplikasi data mining yng berfungsi untuk memprediksi penjualan dan membantu mengoptimalkan pengolahan data sehingga memudahkan pengambilan keputusan dan meningkatkan pelayanan terhadap pelanggan. Data mining adalah proses analisis data menggunakan perangkat lunak menemukan pola dan aturan dalam kumpulan data.
Data mining dapat menganalisa data dalam jumlah besar menjadi informasi dalam bentuk pola yang memiliki makna bagi pendukung keputusan. Salah satu teknik data mining adalah proses klasifikasi yaitu mencari model atau fungsi yang menggambarkan atau membedakan konsep atau kelas data, agar bisa memprediksi label kelas dari objek yang tidak diketahui. Perancangan perangkat lunak ini menggunakan metode decision tree klasifikasi algoritma C4.5. Analisis presentase nilai kebenaran dan hasil klasifikasi pohon dibuat dengan pemrograman PHP dan MySQL. Hasil penelitian menunjukan bahwa pohon yang dihasilkan dari perangkat lunak yang dibuat dengan metode decision tree dengan algoritma C4.5 memiliki presentasi 66,67% antara pohon kebenaran sampai 100%. Presentasi besar pohon
kebenaran sangat dipengaruhi oleh data pelatihan yang digunakan untuk membangun model pohon[2].
2.1.2 Kajian Jurnal Kedua
Imam Mustofa Kamal, Tachbir Hendro P, Ridwan Ilyas (2017) dengan judul Prediksi Penjualan Buku Menggunakan Data Mining di PT.NIAGA SWADAYA. Buku merupakan kumpulan kertas berisi tulisan atau gambar yang dapat memberikan informasi atau pengetahuan bagi pembacanya. PT. Niaga Swadaya merupakan perusahaan yang berkonsentrasi memperoduksi dan memperbanyak sebuah literatur dan informasi yang dikemas dalam sebuah buku.
Permasalahan yang sering dihadapi oleh PT. Niaga Swadaya dalam mendistribusikan buku diantaranya permintaan konsumen terhadap buku yang tidak menentu menyebabkan toko penjual buku tidak ingin melakukan pemesanan buku kepada pihak penerbit, hal tersebut berdampak kepada pihak penerbit yang tidak dapat mendistribusikan buku sesuai rencana yang telah ditentukan sebelumnya.
Dengan melihat berdasarkan data penjualan sebelumnya akan menghasilkan kemiripan data antara data penjualan di masa lalu dan di masa depan, hal tersebut dapat digunakan untuk memprediksi penjualan. Penjualan buku perlu diprediksi dengan akurat, karena hasil prediksi yang akurat sangat penting bagi perusahaan untuk asumsi yang digunakan dalam kegiatan perencanaan dan untuk pengembangan sistem kontrol keuangan jangka pendek[3].
2.1.3 Kajian Jurnal Ketiga
Purwadi (2018) dengan judul Implementasi Data Mining untuk Memprediksi Pola Pembelian Sepeda Motor pada Showroom CV. VIVA MAS MOTORS dengan Metode Algoritma C4.5. Semakin kompetitif perusahaan dalam memproduksi sepeda motor membuat showroom sepeda motor membutuhkan analisa perubahan prediksi, yaitu kecenderungan tingkah laku pelanggan dalam memilih sepeda motor.
Berdasarkan fakta tersebut ditemukan suatu permasalahan bagaimana memprediksi pola pembelian terhadap sepeda motor. Aplikasi data mining yang dibuat dapat memprediksi pola pembelian dengan metode Algoritma C4.5 dengan
field merk, tahun, dan harga pada tabel sepeda motor dihitung dengan gain, field dengan nilai terbesar menjadi root dari tree. Hasil tree dapat menggambarkan kecenderungan prediksi pola pembelian. Diharapkan dari rule yang di tentukan dapat memberikan informasi kepada manager dalam melakukan analisa untuk menentukan stock dan sasaran pangsa pasar[4].
2.2 Definisi Judul
2.2.1 Pengertian Penerapan
Implementasi/Penerapan adalah perluasan aktivitas yang saling menyesuaikan”. Pengertian implementasi sebagai ativitas yang saling menyesuaikan. Setelah sistem informasi yang baru dirancang, sistem tersebut harus diimplemantasikan sebagai sistem kerja, dan dipelihara agar dapat berjalan dengan baik[5].
2.2.2 Algoritma C4.5
Algoritma C4.5 merupakan algoritma yang digunakan untuk melakukan proses klasifikasi data dengan teknik pohon keputusan. Algoritma C4.5 merupakan ekstensi dari algoritma ID3 dan menggunakan prinsip decision tree yang mirip. Algoritma ini sudah sangat terkenal dan disukai karena memiliki banyak kelebihan. Kelebihan ini misalnya dapat mengolah data numerik dan diskret, dapat menangani nilai atribut yang hilang, menghasilkan aturan-aturan yang mudah diinterpretasikan. Dan performanya merupakan salah satu yang tercepat dibandingkan dengan algoritma lain[6].
Ide dasar dari algoritma ini adalah pembuatan pohon keputusan berdasarkan pemilihan atribut yang memiliki prioritas tertinggi atau dapat disebut memiliki nilai gain tertinggi berdsarkan nilai entropy atribut tersebut sebagai poros atribut klasifikasi. Kemudian secara rekursif cabang-cabang pohon diperluas sehingga seluruh pohon terbentuk. Menurut kamus IGI Global (Internasional Publisher of Progressive Academic), entropy adalah jumlah data yang tidak relevan terhadap informasi dari suatu kumpulan data. Gain adalah informasi yang didapatkan dari perubahan entropy pada suatu kumpulan data, baik melalui observasi atau bisa juga disimpulkan dengan cara melakukan partisipasi terhadap suatu set data.
Berdasarkan apa yang ditulis oleh jefri, terhadap empat langkah dalam proses pembuatan pohon keputusan pada algoritma C4.5, yaitu :
1. Memilih atribut sebagai akar
2. Membuat cabang untuk masing-masing nilai 3. Membagi setiap kasus dalam cabang
4. Mengulangi proses dalam setiapcabang sehingga semua kasus dalam cabang memiliki kelas yang sama.
Menurut jiandi data yang dimilki harus disusun menjadi sebuah tabel berdasarkan kasus dan jumlah responden sebelum dilakukan perhitungan untuk mencari nilai entropy dan gain.
Entropy(S) = ∑𝑛𝑖 = 1 − 𝑝𝑖 ∗ 𝐿𝑜𝑔2 𝑝𝑖 (1)
Rumus 1 merupakan rumus yang digunakan dalam perhitungan entropy yang digunakan untuk menentukan sberapa informatif atribut tersebut. Berikut keterangannya :
S : Himpunan kasus n : Jumlah partisi s
pi : jumlah kasus pada partisi ke –i
Gain(S,A) = Entropy(S) - ∑ 𝑠𝑖 𝑠 𝑛
𝑖=1 *Entropy (Si) (2)
Rumus 2 merupakan rumus yang digunakan dalam perhitungan gain setelah melakukan perhitungan entropy. Berikut keterangannya :
s : himpunan kasus
n : jumlah partisi atribut A
│si│ : jumlah kasus pada partisi ke –i │s│ : jumlah kasus dalam S
dengan mengetahui rumus-rumus diatas, data yang telah diperoleh dapat dimasukkan dan di proses dengan algoritma C4.5 untuk proses pembuatan decision tree .
Gambar 2.1 Pseudocode Algoritma C4.5
Sumber : Fandy Ferdian, Seng Hansun (2017:3).
Gambar 2.1 merupakan psudecode dari algoritma C4.5 yang berfungsi untuk pembentukan pohon keputusan. Perhitungan dimulai dari menghitung banyaknya jumlah atribut dan menentukan atribut mana yang akan digunakan sebagai akar dari pohon keputusan. Selanjutnya akan dilakukan perhitungan entropy dan gain untuk menentukan leaf dari pohon keputusan tersebut. Setelah semua perhitungan selesai dilakukan, pohon keputusan dapat dibentuk berdasarkan nilai gain yang telah dihitung sebelumnya. Atribut dengan nilai gain tertinggi akan terletak pada prioritas yang lebih tinggi dan memiliki kedudukan yang lebih tinggi juga pada pohon keputusan[7].
2.2.3 Prediksi
Prediksi adalah sama dengan ramalan atau perkiraan. Menurut Kamus Besar Bahasa Indonesia, prediksi adalah hasil dari kegiatan memprediksi atau meramal atau memperkirakan. Prediksi bisa berdasarkan metode ilmiah ataupun subjektif belaka. Kesimpulannya pengertian prediksi secara istilah akan sangat tergantung pada konteks atau permasalahannya. Berbeda dengan pengertian prediksi secara bahasa yang berarti lamaran atau perkiraan yang sudah menjadi pengertian yang baku[8].
1. Mengetahui kondisi masa mendatang.
2. Perencanaan produksi, pemasaran, keuangan, dan lain-lain. 3. Keperluan investasi pada sebuah perusahaan.
2.2.4 Pengertian Data
Data adalah hasil observasi langsung terhadap suatu kejadian, yang merupakan perlambangan yang mewakili objek atau konsep dalam dunia nyata. Hal ini dilengkapi dengan nilai tertentu. Menurut Ralson dan Reilly (Chamidi, 2004: 314), data didefinisikan sebagai fakta atau apa yang dikatakan sebagai hasil observasi terhadap fenomena di alam. Sebagai hasil observasi langsung terhadap kejadian atau fakta dari fenomena di alam nyata, data bisa berupa tulisan atau gambar yang dilengkapi dengan nilai tertentu. Contohnya, daftar hadir siswa semester 1 Ilmu Perpustakaan dan kearsipan adalah data. Daftar tersebut masih merupakan bentuk mentah karena belum memberikan informasi apa-apa.
Sebagian orang awam sering memiliki pengertian yang agak rancu terhadap data dan informasi. Sering terjadi pengertian data digunakan untuk menyebut informasi. Demikian pula sebaliknya[9].
2.2.5 Pengertian Penjualan
Penjualan adalah suatu usaha yang terpadu untuk mengembangkan rencana-rencana strategis yang diarahkan pada usaha pemasaran kebutuhan dan keinginan pembeli, guna mendapatkan penjualan yang menghasilkan laba. Penjualan merupakan sumber hidup suatu perusahaan, karena dari penjualan dapat diperoleh laba serta suatu usaha memikat konsumen yang diusahakan untuk mengetahui daya tarik mereka sehingga dapat mengetahui hasil produk yang dihasilkan. Penjualan adalah suatu transfer hak atas benda-benda. Dari penjelasan tersebut dalam memindahkan atau menstransfer barang dan jasa diperlukan orang-orang yang bekerja dibidang penjualan seperti pelaksanaan dagang, agen, wakil pelayanan dan wakil pemasaran.
“Bagaimana menciptakan hubungan jangka panjang dengan pelanggan melalui produk atau jasa perusahaan. Dalam hal ini, selling berrti sebuah taktik yang dapat mengintegrasikan perusahaan, pelanggan, dan relasi antara keduanya”
“Selling adalah suatu kegiatan yang ditujukan untuk mencari pembeli, mempengaruhi dan memberi petunjuk agar pembeli dapat menyesuaikan kebutuhannya dengan produk yang ditawarkan serta mengadakan perjanjian mengenai harga menguntungkan bagi kedua belah pihak”.
Faktor-faktor Yang Mempengaruhi Kegiatan Penjualan Dalam praktek kegiatan penjualan itu dipengaruhi oleh beberapa faktor sebagai berikut[10]:
a. Kondisi dan Kemampuan Penjual
Transaksi jual-beli atau pemindahan hak milik secara komersial atas barang dan jasa itu pada prinsipnya melibatkan dua pihak, yaitu penjual sebagai pihak pertama dan pembeli sebagai pihak kedua. Disini penjual harus dapat menyakitkan kepada pemeblinya agar dapat berhasil mencapai sasaran penjualan yang diharapkan. Untuk maksud tersebut penjual harus memahami beberapa masalah penting yang sangat bekaitan, yakni :
1) Jenis dan karakteristik barang yang ditawarkan. 2) Harga produk.
3) Syarat penjualan seperti: pembayaran, pelayanan sesudah penjualan, garansi dan sebagainya.
b. Kondisi Pasar
Pasar, sebagai kelompok pembeli atau pihak yang menjadi sasaran dalam penjualan, dapat pula mempengaruhi kegiatan penjualannya. Adapun faktor-fator kondisi pasar yang perlu di perhatikan adalah:
1) Jenis pasarnya.
2) kelompok pembeli atau segmen pasarnya. 3) Daya belinya.
4) Frekuensi pembelian. 5) Keinginan dan kebutuhan. c. Modal
Akan sulit bagi penjualan barangnya apabila barang yang dijual tersebut belum dikenal penjual harus memperkenalkan dulu membawa barangnya ketempat pembeli. Untuk melaksanakan maksud tersebut diperlukan adanya sarana serta usaha, seperti alat transport, tempat peragaan baik didalam perusahaan maupun
di luar perusahaan, usaha promosi, dan sebagainya. Semua ini hanya dapat dilakukan apabila penjualan memiliki sejumlah modal yang diperlukan untuk itu. Seperti usaha promosi membutuhkan data penjualan dimana data penjualan bertugas untuk menjalin hubungan dengan pelanggan serta menimbulkan perasaan senang dalam diri pelanggan, karena dengan itu peluang untuk mencapai keberhasilan dalam menjual akan semakin meningkat.
d. Kondisi Organisasi Perusahaan
Pada perusahaan besar, biasanya masalah penjualan ini ditangani oleh bagian tersendiri (bagian penjualan) yang dipegang orang-orang tertentu/ahli di bidang penjualan.
e. Faktor Lain.
Faktor-faktor lain, seperti: periklanan, peragaan, kampanye, pemberian hadiah, sering mempengaruhi penjualan. Namun untuk melaksanakannya, diperlukan sejumlah dana yang tidak sedikit. Bagi perusahaan yang bermodal kuat, kegiatan ini secara rutin dapat dilakukan. Sedangkan bagi perusahaan kecil yang mempunyai modal relatif kecil, kegiatan ini lebih jarang dilakukan. Ada pengusaha yang berpegangan pada suatu prinsip bahwa “paling penting membuat barang yang baik”. Bilamana prinsip tersebut dilaksanaka, maka diharapkan pembeli akan kembali membeli lagi barang yang sama. Namun, sebelum pembelian dilakukan, sering pembeli harus dirangsang daya tariknya, misalnya dengan memberikan bungkus yang menarik atau dengan cara promosi lainnya.
2.3 Data Mining
2.3.1 Pengertian Data Mining
Data Mining sebagai proses untuk menemukan kolerasi atau pola dari ratusan atau ribuan field dari sebuah relasional basis data yang besar. Data Mining adalah serangkaian proses untuk menggali nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari suatu basis data. Informasi yang dihasilkan diperoleh dengan cara mengekstraksi dan mengenali pola yang penting atau menarik dari data yang terdapat pada basis data. Data Mining terutama
digunakan untuk mencari pengetahuan yang terdapat dalam basis data yang besar sehingga sering disebut Knowledge Discovery Databases (KDD). Hal penting yang terkait di dalam Data Mining adalah[6] :
1. Data Mining merupakan suatu proses otomatis terhadap data yang sudah ada. 2. Data yang akan diproses berupa data yang sangat besar
3. Tujuan Data Mining adalah mendapatkan hubungan atau pola yang mungkin memberikan indikasi yang bermanfaat. Kemampuan Data Mining dalam mencari informasi bisnis yang berharga dari basis data yang sangat besar, dapat di analogikan dengan penambangan logam mulia dari lahan sumbernya, teknologi ini dipakai untuk :
a) Prediksi dan sifat-sifat bisnis. Data Mining secara otomatis melakukan proses pencarian informasi untuk memprediksi basis data dalam jumlah besar. b) Penemuan pola-pola yang tidak diketahui sebelumnya. Data Mining
“menyapu” basis data, kemudian mengidentifikasi pola-pola yang sebelumnya tersembunyi dalam satu sapuan.
Tahapan proses Data Mining[6]:
1. Data Cleaning, tahap pembersihan data yang tidak konsisten.
2. Data Integration, langkah menggabungkan data dari beberapa sumber.
3. Data Selection, data yang tidak dikembalikan lagi ke database setelah proses data cleaning.
4. Data Transformation, data berubah atau bersatu menjadi bentuk yang tepat untuk menambang dengan ringkasan performa atau operasi regrasi.
5. Data Mining, merupakan proses yang digunakan untuk mengolah suatu data dengan menggunakan metode.
6. Evaluation and presentation, pengidentifikasian pola berdasarkan tindakan yang digunakan.
Gambar 2.2 Tahapan Proses Data Mining
Sumber : Azwanti (2018)
2.3.2 Tugas-tugas Data Mining
Tugas-tugas yang biasa dilakukan oleh data mining antara lainganti ke jurnal ini [11] :
1. Klastering
Mengelompokkan obyek ke dalam beberapa kelompok berdasarkan kemiripan antar obyek, dimana dalam satu klaster harus bersisi obyek yang saling mirip dan antar klaster obyek salin tidak mirip. Klastering ini tidak memerlukan data pelatihan yang sudah diberi label.
2. Klasifikasi
Klasifikasi data merupakan suatu proses yang menemukan properti-properti yang sama pada sebuah himpunan obyek di dalam sebuah basis data dan mengklasifikasikannnya ke dalam kelas-kelas yang berbeda menurut model klasifikasi yang ditetapkan. Tujuan dari klasifikasi adalah untuk menemukan model dari training set yang membedakan atribut ke dalam kategori atau kelas yang sesuai, model tersebut kemudian digunakan untuk mengklasifikasikan atribut yang kelasnya belum diketahui sebelumnya. Beberapa metode klasifikasi umum digunakan dalam data mining adalah : pengklasifikasi pohon keputusan, pengklasifikasi bayesian, pengklasifikasi k-nearest neighbour,
penalaran berbasis kasus, algoritma genetika dan teknik logika fuzzy.(azwanti, 2018:34).
3. Regresi
Regresi pada dasarnya mirip dengan klasifikasi, yakni memerlukan data pelatihan yang sudah diberi label. Bedanya, output klasifikasi adalah nilai diskrit, sedangkan output dari regresi adalah nilai kontinyu. Regresi ini mencari model hubungan antara atribut dependent, dimana atribut depedent nya juga berupa nilai kontinyu.
4. Asosiasi
Melakukan asosiasi antar obyek dalam suatu data set, biasanya data franksaksional. Asiosi dilakukan dengan menghitung berapa kali dalam suatu set data suatu transaksi yang mengandung dua item atau lebih yang berhubungan. Sering ada yang menyebut Market Basket.
2.3.3 Manfaat Data Mining
Data mining juga bisa dimanfaatkan untuk menyelesaikan masalah dalam kebutuhan dibidang bisnis, misalnya :
1. Mengetahui hilangnya pelanggan dikarenakan adanya pesaing.
2. Mengetahui item suatu produk yang memiliki keamanan karakteristik. 3. Mengidentifikasi produk-produk yang sudah terjual dengan produk lainnya. 4. Untuk memprediksi dari tingkat penjualan.
5. Menilai tingkat resiko dalam menentukan jumlah produksi pada suatu item. 6. Memprediksi perilaku bisnis dimasa depan.
2.3.4 Jenis Atau Teknik Data Mining
Teknik yang digunakan dalam data mining erat kaitanya dengan “penemuan” (discovery) dan “pembelajaran” (Learning) yang berbagi dalam tiga metode utama pembelajaran yaitu [12]:
1. Supervised Learning
Adalah teknik yang paling banyak digunakan. Teknik ini sama dengan “programing by example”. Teknik ini melibatkan fase pelatihan dimana data
pelatihan historis yang karakter-karakternya dipetakan ke hasil-hasil yang telah diketahui diolah dalam algoritma data mining. Proses ini melatih algoritma untuk mengenali variabel-variabel dan nilai-nilai kunci yang nantinya akan digunakan sebagai dasar dalam perkiraan-perkiraan ketika diberikan data baru. 2. Unsupervised Learning
Teknik pembelajaran ini tidak melibatkan fase pelatihan seperti yang terdapat pada supervised learning. Teknik ini bergantung pada penggunaan algoritma yang mendeteksi semua pola, seperti association dan sequences, yang muncul dari kriteria penting yang spesifik dalam data masukan. Pendekatan ini mengarah pada pembuatan banyak aturan (rules) yang mengkarakterisasikan penemuan association, cluster, dan segments. Aturan-aturan ini kemudian dianalisis untuk menemukan hal-hal penting.
3. Reinforcement Learning
Teknik pembelajaran ini jarang digunakan dibandingkan dengan dua teknik lainya, namun memiliki peranan-peranan yang terus dioptimalkan dari waktu ke waktu memiliki control adaptif. Teknik ini sangat menyerupai kehidupan nyata yaitu seperti “on – job training”, dimana seorang pekerja diberikan sekumpulan tugas yang membutuhkan keputusan – keputusan yang telah dibuatnya sehubungan dengan hasil performace pekerja tersebut. Reinformace learning sangat tepat digunakan untuk menyelesaikan masalah-masalah yang sulit bergantung pada waktu.
2.4 Klasifikasi
Suatu teknik dengan melihat pada kelakuan dan atribut dari kelompok yang telah didefinisikan teknik ini dapat memberikan klasifikasi pada data baru dengan memanipulasi data yang ada yang telah diklasifikasi dan dengan menggunakan hasilnya untuk diklasifikasi.
Dalam klasifikasi, keluaran dari setiap data adalah bilangan bulat atau diskrit. Dalam contoh pengambilan keputusan untuk main bola atau tidak maka keluaran tersebut bisa diubah ke bilangan bulat 1 atau -1 dengan melihat keluaran yang berupa bilangan bulat kita bisa menerapkan method klasifikasi.
2.5 Decision Tree
Decision Tree merupakan metode klasifikasi yang paling sering diguanakan. Dalam pengerjaannya tidak memerlukan waktu yang lama dan hasilnyapun mudah untuk dipahami dan banyak penelitian dalam kasus ini sering menggunakan Decision Tree untuk mendapatkan hasil yang maksimal. Secara umum Algoritma C4.5 untuk membangun pohon keputusan adalah sebagai berikut[13]:
1. Pilih atribut sebagai akar
2. Buat cabang untuk masing-masing nilai 3. Bagi kasus dalam cabang
4. Ulangi proses untuk masing-masing cabang sampai semua kasus pada cabang memiliki kelas yang sama.
Tiga jenis Node pada Decision Tree :
a. Root Node, merupakan Node paling atas, pada Node ini tidak ada masukan dan bisa tidak mempunyai luaran lebih dari satu.
b. Internal Node, merupakan Node percabangan, pada Node ini hanya terdapat satu masukan dan mempunyai luaran minimal 2.
c. Leaf Node atau terminal Node, merupakan Node terakhir, pada Node ini hanya terdapat satu masukan dan tidak mempunyai luaran.
Dalam induksi Decision Tree adalah bagaimana menyatakan syarat pengujian pada Node. Ada 3 kelompok penting syarat pengujian Node:
1. Fitur biner
Memiliki 2 nilai berbeda disebut dengan fitur biner. Syarat pengujian ketika fitur ini menjadi Node (akar maupun internal) hanya punya dua pilihan cabang. 2. Fitur bertipe kategorikal
Fitur yang nilainya bertipe ketegorikal (nominal atau ordinal) bisa mempunyai beberapa nilai berbeda.
3. Fitur bertipe numeric
Fitur bertipe numerik, syarat pengujian dalam Node (akar maupun internal) dinyatakan dengan perbandingan pengujian (A<v) atau (A≥v) dengan hasil
biner, atau untuk multi dengan hasil berupa jangkauan nilai bentuk vi ≤ A <v i+1, untuk i=1,2,....,k.
2.6 Pemrograman WEB 2.6.1 Pengertian WEB
Website atau situs dapat diartikan sebagai kumpulan halaman yang menampilkan informasi data teks, data gambar, data animasi, suara, video dan gabungan dari semuanya baik yang berupa statis maupun dinamis yang membentuk satu rangkaian bangunan yang saling terkait dimana masing-masing dihubungkan dengan jaringan-jaringan halaman atau hyperlink[14].
2.6.2 HyperText Markup Language (HTML)
Menurut Anhar (2010) HTML (Hyper Text Markup Language) adalah sekumpulan simbol-simbol tau tag-tag yang dituliskan dengan sebuah file yang digunakan untuk menampilkan halaman pada web browser. Tag-tag HTML selalu diawali dengan <x> dan diakhiri dengan </x> dimana x tag HTML itu seperti b, i, u, dan lain-lain[14].
2.6.3 PHP Dan MySQL
PHP merupakan script yang terintegrasi dengan HTML dan berada pada server (server side HTML, embedded scripting). PHP adalah script yang digunakan untuk membuat halaman website yang dinamis. Dinamis berarti halaman itu diminta oleh client. Mekanisme ini menyebabkan infromasi yang diterima client selalu yang terbaru atau up to date. Semua script PHP dieksekusi pada server dimana script tersebut dijalankan.
MySQL adalah salah satu databases management system (DBMS) dari sekian banyak DBMS seperti Oracle, MS SQL, Postagre SQL, dan lainnya. MySQL berfungsi untuk mengolah database menggunakan bahasa SQL. MySQL bersifat open source sehingga kita bisa menggunakan secara gratis. Pemrograman PHP juga sangat mendukung atau mensupport dengan database MySQL[14].
CSS merupakan bahasa pemrograman web yang digunakan untuk mengatur style-style yang ada di tagtag HTML.
PHP (Hypertext Preprocessor) adalah PHP mengijinkan pengembang untuk menempelkan kode didalam HTML dengan menggunakan bahasa yang sama seperti perl dan UNIX shells” [15].
2.7 Knowledge Discovery In Database (KDD)
Knowledge Discovery In Databases (KDD) adalah proses non trivial untuk mencari dan mengidentifikasi pola (pattern) dalam data. Knowledge Discovery In Database (KDD) merupakan kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dalam data berukuran besar serta hubungan dengan teknik integrasi dan penemuan ilmiah, interprestasi dan visualisasi dai pola-pola sejumlah kumpulan data[16].
Secara umum tahapan-tahapan proses Knowledge Discovery in Databases terdiri dari :
1. Data Cleaning
Proses menghilangkan noise dari data yang tidak konsisten. 2. Data Integration
Penggabungan Data dari berbagai database ke dalam satu database baru. 3. Data Selection
Proses pemilihan data yang relevan yang didapat dari database. 4. Data Transformation
Data diubah ke dalam format yang sesuai untuk diproses dalam Data Mining. 5. Data Mining
Suatu metode yang diterapkan untuk menemukan pengetahuan berharga yang tersembunyi dari data.
6. Pattern Evaluation
Mengidentifikasi pola-pola menarik untuk dipresentasikan ke dalam knowledge based.
Visualisasi dan penyajian pengetahuan mengenai teknik yang digunakan untuk memperoleh pengetahuan yang diperoleh oleh user.
2.8 UML (Unified Modeling Language)
Unified Modeling Language (UML) adalah bahasa pemrograman standar yang dipergunakan untuk mendokumentasikan, menspesifikasikan dan membangun dan membangun perangkat lunak. UML merupakan metodologi dalam mengembangkan sistem berorienvtasi objek dan juga merupakan alat untuk mendukung pengembangan sistem.
Unified Modeling Language (UML) adalah sebuah bahasa yang berdasarkan grafik atau gambar untuk memvisualisasi, menspesifikasikan, membangun, dan pendokumentasian dari sebuah sistem pengembangan software berbasis OO (Object-Oriented). UML sendiri juga memberikan standar penulisan kelas-kelas dalam bahasa program yang spesifik, skema database, dan komponen-komponen yang diperlukan dalam sistem software (http://www.omg.org). Diagram Unified Modelling Language (UML) antara lain sebagai berikut[17]:
1. Use Case Diagram
Use Case menggambarkan external view dari sistem yang akan kita buat modelnya (Prabowo Pudjo Widodo, 2011) model use case dapat dijabarkan dalam diagram. (Pooley, 2003:15). Use case harus mampu menggambarkan urutan aktor yang menghasilkan nilai terukur (Prabowo Pudjo Widodo, 2011).
2. Class Diagram
Kelas sebagai suatu set objek yang memiliki tiga area pokok yaitu: 1. Nama, kelas harus mempunyai sebuah nama.
2. Atribut, adalah kelengkapan yang melekat pada kelas. Nilai dari suatu kelas hanya bisa diproses sebatas atribut yang dimilki.
3. Operasi, adalah proses yang dapat dilakukan oleh sebuah kelas, baik pada kelas itu sendiri ataupun kepada kelas lainnya.
3. Activity Diagram
Diagram Activity menunjukkan aktivitas sistem dalam bentuk keumpulan aksi-aksi, bagaimana masing-masing aksi tersebut dimulai, keputusan yang
mungkin terjadi hingga berakhirnya aksi. Activity diagram juga dapat menggambarkan proses lebih dari satu aksi dalam waktu bersamaan. “Diagram activty adalah aktifitas-aktifitas, objek, state, transisi state dan event. Dengan kata lain kegiatan diagram alur kerja menggambarkan perilaku sistem untuk aktivitas.” (Haviluddin, 2011)
4. Sequence Diagram
“secara mudahnya sequence diagram adalah gambaran tahap demi tahap, termasuk kronologi (urutan) perubahan secara logis yang seharusnya dilakukan untuk menghasilkan sesuatu dengan use case diagram.“ (Haviluddin, 2011).
2.9 Enterprise Architecture
Arsitektur enterprise merupakan pengorganiasasian secara logic untuk proses bisnis utama dan kemampuan teknologi Informasi (TI) yang mencerminkan kebutuhan integrasi dan standarisasi model operasi Arsitektur. Enterprise adalah deskripsi dari misi stakholder yang di dalamnya termasuk informasi, fungsionalitas atau kegunaan, lokasi organisasi dan parameter kinerja. Arsitektur enterprise menggambarkan rencana untuk mengembangkan sebuah sistem atau sekumpulan sistem.
Arsitektur enterprise merupakan suatu metode yang digunakan untuk membangun sebuah arsitektur perusahaan, Menurut Steven H Spewak. Arsitektur enterprise adalah metode pendekatan perencanaan kualitas data yang berorientasi pada kebutuhan bisnis serta bagaimana cara implementasi dari Arsitektur tersebut dilakukan sedemikian rupa dalam usaha untuk mendukung perputaran roda bisinis dan pencapaian sistem informasi dan organisasi. Defenisi dari Arsitektur Enterprise/Enterprise Arschitecture antara lain sebagai berikut [18]:
1. Arsitektur Enterprise adalah refresentasi deskriftif (model) yang relevan untuk mrnggambarkan sebuah enterprise dan apa yang harus diasilkan untuk memenuhi kebutuhan manajemen.
2. Arsitektur Enterprise adalah sebuah pendefinisian sistem bisnis dengan lingkungan bisnis yang seharusnya dan dapat juga berupa rancangan untuk
mengelola dan mengoperasikan setiap komponen bisnis misalnya, kebijakan, operasional, infrastruktur, informasi.
3. Arsitektur Enterprise adalah sebuah mekanisme untuk memastikan sumber daya teknologi informasi suatu organisasi dapat sejalan dengan strategi dari organisasi tersebut.
Dari definisi-definisi tersebut maka enterprise architecture dapat dijadikan acuan atau pedoman pada saat akan mendapat dijadikan acuan atau pedoman pada saat akan mengembangkan sistem informasi dan komunikasi dapat dijadikan acuan atau pedoman pada saat akan mengembangkan sistem informasi dan komunikasi dapat dijadikan acuan atau pedoman pada saat akan mengembangkan sistem informasi dan komunikasi dapat dijadikan acuan atau pedoman pada saat akan mengembangkan sistem informasi dan komunikasi dapat dijadikan acuan atau pedoman pada saat akan mengembangkan sistem informasi dan komunikasi dapat dijadikan acuan atau pedoman pada saat akan mengembangkan sistem informasi dan komunikasi gembangkan sistem informasi dan komunikasi karena enterprise architecture merupakan suatu cetak biru.
Gambar 2.3 Tampilan Utama Enterprise Architect
2.10 Rapid Miner
Rapid Miner merupakan perangkat lunak yang dibuat oleh Dr. Markus Hofmann dari Institute of Technologi Blanchardstown dan Ralf Klinkenberg dari
rapid-i.com dengan tampilan GUI (Graphical User Interface) sehingga memudahkan pengguna dalam mengguanakan perangkat lunak ini.
Perangkat lunak ini bersifat open source dan dibuat dengan menggunakan program java dibawah lisensi GNU Public Licence dan Rapid Miner dapat dijalankan di sistem operasi manapun. Dengan menggunakan Rapid Miner, tidak dibutuhkan kemampuan koding khusus, karena semua fasilitas sudah disediakan.
Rapid Miner dikhususkan untuk penggunaan data mining. Model yang disediakan juga cukup banyak dan lengkap, seperti Model Bayesian, Modelling, Tree Induction, Neural Network dan lain-lain. Banyak metode yang disediakan oleh Rapid Miner mulai dari klasifikasi, klustering, asosiasi dan lain-lain. Jika tidak ada model atau model algoritma yang tidak ada dalam Weka, pengguna boleh menambahkan moduln lain, karena weka bersifat open source, jadi sapapun dapat ikut mengembangkan perangkat lunak ini.
Gambar 2.4 Tampilan Utama Rapid Miner
2.11 Database
2.11.1 Pengertian Database
Database atau basis data adalah koleksi data yang bisa mencari secara menyeluruh dan secara sistematis memelihara informasi (Janner, 2007:2). sedangkan menurut Abdul kadir, “basis data (database) adalah pengorganisasi sekumpulan data yang saling terkait sehingga memudahkan aktivitas untuk
memperoleh informasi. Basis data dimaksudkan untuk mengatasi problem pada sistem yang memakai pendekatan berbasis berkas.” Untuk mengelola database diperlukan perangkat lunak yang disebut Database Management System. DBMS adalah paket program (software) yang dibuat agar memudahkan dan
mengefisienkan input, edit dan hapus serta pengambilan informasi terhadap database (Robi Yanto, 2016). Salah satu contoh DBMS adalah MySql yang digunakan pada penelitian ini[17].
2.11.2 Database Management System (DBMS)
Sistem manajemen database atau database management system (DBMS) adalah merupakan suatu software yang memungkinkan seorang user dapat mendefinisikan, membuat, dan memelihara serta menyediakan akses terkontrol terhada p data. Database sendiri adalah sekumpulan data yang berhubungan dengan secara logika dan memiliki beberapa arti yang saling berpautan. Keuntungan dari Database Management System adalah [19]:
1. Pengulangan Data Berkurang
Pengulangan data atau repetisi berarti bahwa kolom data yang sama (misal: alamat seseorang) muncul berkali-kali dalam file yang berbeda dan terkadang dalam format yang berbeda. Dalam sistem pemrosesan yang lama, file-file yang berbeda akan mengulang data yang sama sehingga memboroskan ruang penyimpanan.
2. Intregritas Data Meningkat
Integritas tidak akurat, dalam DBMS, berkurangnya pengulangan berarti meningkatkan kesempatan integritas data, karena semua perubahan hanya dilakukan satu tempat.
3. Kemanan Data Meningkat.
Meskipun berbagai departemen bisa berbagi pakai data, Namun akses ke informasi bisa dibatasi hanya untuk pengguna tertentu. Hanya dengan menggunakan password maka informasi finansial, medis, dan nilai mahasiswa dalam database sebuah universitas tersedia hanya bagi merek yang memiliki hak untuk mengetahuinya.
DBMS menawarkan prosedur standar untuk menambahkan, mengedit dan menghapus rekaman, juga untuk memvalidasi pemeriksaan untuk memastikan bahwa data yang tepat sudah dimasukkan dengan benar dan lengkap ke dalam masing-masing jenis kolom.
2.12 XAMPP
XAMPP adalah perangkat lunak bebas, yang mendukung banyak sistem operasi, merupakan komilasi dari beberapa program. Fungsinya adalah sebagai server yang berdiri sendiri (localhost), yang terdiri atas program Apache HTTP server, MySQL, database, dan penerjemah bahasayang ditulis dengan bahasa pemrograman PHP dan Perl. Nama XAMPP merupakan singkatan dari X (empat sistem operasi apapun), Apache, MySQL, PHP dan Perl. Program ini tersedia dalam GNU (General Public License) dan bebas, merupakan web server yang mudah digunakan yang dapat melayani tampilan halaman web resminya[20].
Terdapat beberapa folder penbting yang perlu diketahui, untuk lebih memahami setiap fungsinya, terdapat beberapa penjelasan sebagai berikut :
1. Apache adalah folder utama dari Apache Web Server
2. Htdocs adalah folder utama untuk menyimpan data-data latihan web, baik PHP maupun HTML biasa. Pada folder ini dapat membuat subfolder sendiri untuk mengelompokkan file latihannya. Semua folder dan file program di htdocs bisa diakses dengan mengetikkan alamat http://localhost/ di browser.
2.13 Kerangka Pemikiran
Kerangka pemikiran merupakan alur pikir penulis yang dijadikan sebagai skema pemikiran atau dasar-dasar pemikiran untuk memperkuat indikator yang melatar belakangi penelitian ini. Dalam kerangka pemikiran ini penulis mencoba menjelaskan masalah pokok penelitian.
Gambar 2.6 Kerangka Pemikiran
BAB III
METODE PENELITIAN
3.1 Objek Penelitian
Dalam penyusunan laporan penelitian ini penulis melakukan penelitian dengan mengambil objek penelitian pada Gerai Busana Muslim yang betempat di Desa Ciantra Rt.010/Rw.005 No.121 Kecamatan Cikarang Selatan Kabupaten Bekasi, sebagai Produsen, Reseller dan Dopshipper online shop.
3.2 Jenis Data
Dalam pembuatan penelitian ini metode pengumpulan data yang digunakan penulis adalah metode pengumpulan dengan cara menggabungkan data dari sumber data primer dan sumber data sekunder yang menunjang pada tujuan penelitian.
3.2.1 Sumber Data Primer
Dalam penulisan penelitian ini, penulis mengumpulkan data sebagai bahan dari pembuatan laporan dengan menggunakan metode deskriptif, yaitu teknik pengumpulan data yang digunakan adalah :
a. Wawancara (Interview) b. Studi Pustaka
c. Observasi
3.2.2 Sumber Data Sekunder
Dalam pengumpulan data sekunder penulis menggunakan cara dokumentasi yaitu mengumpulkan bahan-bahan yang tertulis berupa data/laporan yang diperoleh selama melakukan kegiatan penelitian. Selain itu penulis juga melihat referensi dari penulisan penelitian sebelumnya yang berkaitan dengan judul.
3.3 Metodologi Penelitian
3.3.1. Analisis Data Knowledge Discovery in Database (KDD)
Metodologi yang digunakan oleh penulis dalam mengklasifikasi penjualan Gerai busana muslim menggunakan Algoritma C4.5, Prosesnya menggunakan lima langkah dalam KDD (Knowledge Discovery in Database), yang mencakup
beberapa aktivitas yaitu seleksi, praproses, transformasi, data mining, interprestasi dan evaluasi.
3.3.2. Tahapan Knowledge Discovery in Database (KDD)
Gambar 3.1 Tahapan Metodolodi penelitian 1. Pengumpulan Data
Pengumpulan data adalah mengumpulkan data-data yang akan digunakan dalam proses algoritma klasifikasi C4.5
2. Seleksi Data
Seleksi data adalah data yang akan digunakan dalam proses algoritma klasifikasi C4.5. Tujuan dari seleksi data adalah menciptakan himpunan data target, pemilihan himpunan data, atau memfokuskan pada subset variabel atau sampel data, dimana penemuan (discovery) akan dilakukan.
3. Transformasi Data
Transformasi data adalah proses mentransformasi atau mengubah data ke dalam bentuk yang sesuai, agar dapat di proses dengan perhitungan algoritma C4.5
4. Perhitungan Entropy dan Information Gain
Perhitungan semua atribut/variabel, entropy menggunakan rumus 1 dan information gain menggunakan rumus 2 untuk mengetahui information gain tertinggi yang akan di jadikan simpul akar pada pembuatan pohon keputusan.
5. Pohon Keputusan (Decision Tree)
Pohon keputusan adalah hasil dari proses perhitungan entropy dan information gain, setelah perhitungan berulang-ulang sampai semua atribut pohon memiliki kelas dan tidak bisa lagi dilakukan proses perhitungan.
6. Aturan-aturan/Rule Model
Aturan-aturan/Rule model adalah uraian penjelasan yang merepresentasikan sebuah pohon keputusan.
7. Validasi dan Pengujian
Validasi dan pengujian adalah pengujian yang dilakukan untuk mengetahui semua fungsi bekerja dengan baik atau tidak. Validasi dilakukan dengan Ten-fold Cros Validation. Ten-fold Cross Validation adalah validasi yang dilakukan dengan cara membagi suatu set data menjadi sepuluh segmen yang berukuran sama besar dengan cara melakukan pengacakan data, validasi dan pengujian dilakukan untuk mengetahui tingkat akurasi, presisi, dan recall dari hasil prediksi klasifikasi. Akurasi adalah presentasi dari catatan yang diklasifikasi dengan benar dalam pengujian dataset, persisi adalah presentasi data yang diklasifikasikan sebagai model baik yang sebenarnya juga baik. Recall adalah pengukuran tingkat pengenalan positif sebenarnya.
8. Analisis Hasil Pengujian
Analisa yang dilakukan untuk memastikan bahwa hasil pengujian benar-benar sesuai dengan pembahasan. Analisa dilakukan dengan melakukan perhitungan kembali hasil validasi dan pengujian (akurasi, presisi, dan recall) secara manual, apakah perhitungan yang dilakukan akan menghasilkan nilai yang sama atau tidak, dibantu dengan Confusion Matrix. Confusion Matrix adalah model
yang akan membentuk matrix yang terdiri true positif atau tupel positif dan true negatif atau tupel negatif. Confusion matrix berisi informasi aktual (actual) dan prediksi (predicted) pada sistem klasifikasi. Confusion Matrix dapat memvisualisasi kinerja algoritma klasifikasi.
3.3.3. Langkah Analisis Data Knowledge Discovery in Database (KDD)
Dalam pengumpulan data terdapat sebanyak 589 data memiliki 5 attribut. Setelah data di dapatkan maka ada beberapa tahapan preparation data. Preparation data merupakan tahapan untuk mendapatkan data yang berkualitas dan mempermudah proses perhitungan data mining, maka dapat dilakukan beberapa teknik sebagai berikut :
1. Data Cleaning
Pada tahap ini dilakukan proses pembersihan data untuk memastikan data yang telah dipilih layak atau tidak dalam proses pemodelan data mining. Dalam penelitian ini dilakukan pembersihan data dengan cara menghilangkan data yang tidak lengkap (missing value).
Gambar 3.2 Statistik Data Tidak Lengkap 2. Data Selection
Berikut adalah tabel 3.1 yang merupakan tabel attribut yang akan digunakan dalam proses perhitungan Algoritma C4.5.
Tabel 3.1 Atribut Yang Digunakan No Atribut Tipe
1 Merek Text
2 Nama Produk Text
3 Jenis Produk Text
4 Harga Currency
5 Terjual Numeric
3. Data Transformation
Setelah data sudah dipilih maka dilakukan tahapan untuk melakukan transformasi terhadap attribut, transformasi akan dilakukan untuk memodifikasi sumber data ke format yang berbeda yang dapat diterima oleh proses data mining pada tahap selanjutnya. Transformasi nilai-nilai dari atribut juga perlu dilakukan sehingga dapat mengakibatkan proses pengenalan pola data dan pembentukan keputusan menjadi lama. Dengan Data penjualan diklasifikasikan menjadi 6 bagian, yaitu pembagian berdasarkan jenis produk, jumlah terjual, jenis pakaian, aksesoris, Merek dan harga.
Tabel 3.2 Klasifikasi Berdasarkan Jenis Produk
Jenis Produk Status Penjualan Laris (31 - dst) Kurang Laris (0 - 30) Pakaian 24 27 Aksesoris 33 34
Tabel 3.3 Klasifikasi Berdasarkan Jumlah Terjual
Rentang Jumlah Status Penjualan Laris (31 - dst) Kurang Laris (0 - 30) <30 1 59 >30 55 0
Tabel 3.4 Klasifikasi Berdasarkan Jenis Pakaian Nama Produk Status Penjualan Laris (31 - dst) Kurang Laris (0 – 30) Gamis Basic 0 4 Gamis Umbrella 1 5
Gamis Run Dress 2 0
Gamis Princess set 6 0
Gamis Marwah set 2 1
Gamis Madina set 2 3
Gamis Adiba set 0 3
Rey hijab 2 6
Hijab Ruffle 1 0
Hijab Serut 0 5
Kamila Hijab 8 0
Tabel 3.5 Klasifikasi Berdasarkan Jenis Aksesoris
Jenis Aksesoris Status Penjualan Laris (31 - dst) Kurang Laris (0 - 30)
Kaos kaki polos 1 2
Kaos kaki motif 5 3
Kaos kaki Printing 10 0
Cadar Tali 0 7
Cadar Bandana 5 5
Cadar Butterfly 0 11
Cadar Caty eye 5 6
Tabel 3.6 Klasifikasi Berdasarkan Merek Merek Status Penjualan Laris (31 - dst) Kurang Laris (0 - 30) Queen Nada 19 14 Kazami Store 18 4 Cover Me 0 3 Reri Queen 20 40
Tabel 3.7 Klasifikasi Berdasarkan Harga
Harga Status Penjualan Laris (31 - dst) Kurang Laris (0 - 30) HR 44 49 HT 13 12 4. Mining Process
Pada tahap ini peneliti menentukan teknik data mining yang digunakan untuk mengolah data yang sudah disiapkan sebelumnya. Dan yang sudah disiapkan untuk klasifikasi dibagi menjadi dua data, untuk data training (80%) dan untuk data testing (20%). Pembagian data training dan data testing menggunakan teknik sampling random sistematik.
Cara penggunaan teknik ini yaitu dengan cara perandoman atau pengundian hanya dilakukan satu kali, yakni ketika menentukan unsur pertama dari sampling yang akan diambil. Penentuan unsur sampling selanjutnya ditempuh dengan cara memanfaatkan interval sampel. Interval sampel adalah angka yang menunjukan jarak antara nomor-nomor urut yang terdapat dalam kerangka sampling yang akan dijadikan patokan dalam menentukan atau memilih unsur-unsur sampling kedua dan seterusnya hingga unsur ke –n.
Interval sampel biasanya dilambangkan dengan huruf “k”. Interval sampel atau juga disebut sampling rasio diperoleh dengan cara membagi ukuran populasi
dengan ukuran sampel yang dikehendaki (N/m). Contoh perhitungan untuk mengambil data testing adalah sebagai berikut :
Jumlah data keseluruhan (N) = 589
Jumlah data testing = 20% × 589 = 117,8 -> 118 Jumlah sampel (n) = 118
Internal Sampling (k) = N/n =589/118 = 4,9 -> 5
Dari hasil diatas diperoleh data testing sebanyak 118 maka sisanya dijadikan data training sebanyak 589-118 = 471 setelah semua data siap dan sudah sesuai dengan tahapan pengolahan sebelumnya, data yang sudah melalui proses pengolahan kemudian akan dilakukan perhitungan dengan menggunakan tools rapidminer. Dua langkah yang dilakukan pada tahap ini ialah :
1. Perhitungan Algoritma C4.5 secara manual
Data yang akan digunakan dalam perhitungan secara manual yaitu 118 sampel data testing yang diambil 20% dari dataset penjualan Gerai Busana Muslim secara acak oleh peneliti.
2. Pengujian Algoritma C4.5 menggunakan Rapidminer
Pengujian dengan menggunakan rapidminer bertujuan untuk memudahlan dan membandingkan dalam pemrosesan data secara manual.
5. Pattern Evaluation
Melakukan pengujian terhadap model-model yang bertujuan untuk mendapatkan model yang paling akurat. Pada tahap evaluasi, akan diketahui apakah hasil dari tahap pemodelan dapat menjawab tujuan yang telah ditetapkan pada tahap pertama. Untuk itu akan dilakukan pola pada decision tree yang telah terbentuk, sehingga diharapkan mendapatkan informasi atau pola yang berguna sebagai prediksi produk terlaris untuk mengelola modal usaha pada Gerai Busana Muslim.
6. Knowledge presentation
Visualisasi dan penyajian pengetahuan berdasarkan hasil yang telah didapat pada tahap sebelumnya utnuk memperoleh pengetahuan yang telah di peroleh.
3.3.4. Metode Pengembangan Perangkat Lunak
Pada penelitian ini metode pengembangan perangkat lunak untuk penelitian ini adalah SDLC waterfall, adapaun penjelasan dari metode ini adalah sebagai berikut :
Sumber : Sukamto dan shalahuddin (2013:29) 1. Analisis
Dalam tahap ini penulis mulai menganalisa apa saja kebutuhan dari system, mulai dari kebutuhan fungsional system maupun kebutuhan non fungsional dari sistem.
2. Desain
tahap desain merupakan tahapan lanjut dari tahap analisis dimana dalam tahap ini disajikan desain desain dari aplikasi seperti desain antar muk, dan desain database yang akan diterapkan ke dalam system penelitian ini.
3. Pengkodean
Pada tahap ini penulis menerapkan desain database serta desain antar muka kedalam bahasa pemrograman, dimana bahasa pemrograman yang dipakai adalah menggunakan PHP untuk website.
4. Pengujian
Tahap uji merupakan tahap akhir dalam metode waterfall dimana dalam tahap pengujian ini digunakan teknik pengujian blackbox testing.
3.4. Tahapan Penelitian
Berikut adalah tahapan-tahapan dalam penyusunan penelitian yang berjudul “Penerapan Algoritma C4.5 Dalam Memprediksi Data Penjualan Bisnis Gerai Busana Muslim” yang disajikan dalam bentuk bagan atau Flowchart :
Gambar 3.3 Tahapan Penelitian
3.6 Kebutuhan Software dan Hardware
1. Kebutuhan software yang diperlukan adalah sebagai berikut : a. Sistem operasi windows 8 versi 64 bit
b. Rapidminer 9.0 c. Microsoft Office 2013 d. Notepade c++
e. Enterprise Architect
2. Kebutuhan hardware yang diperlukan dalam penelitian ini adalah sebagai berikut :
a. Laptop intel dual core b. RAM 2 GB
BAB IV
HASIL DAN PEMBAHASAN
4.1 Hasil Penelitian
Metode penelitian yang penulis lakukan menghasilkan informasi dan data yang digunakan sebagai acuan penulis sebagai dasar penelitian. Dan penjualan Gerai Busana Muslim merupakan hasil pembukuan dari produk yang sudah terjual selama 6 bulan terakhir. Data penjualan ini nantinya akan diklasifikasi yang bertujuan untuk mempermudah proses perhitungan dengan Algoritma C4.5. Dan dari perhitungan tersebut akan menghasilkan aturan pohon keputusan yang akan dipergunakan untuk memprediksi laris dan tidak larisnya sebuah produk pada Gerai Busana Muslim. Penelitian ini mengguanakan semua data dari data penjualan Gerai Busana Muslim yaitu sebanyak 589 data sebagai data training untuk proses klasifikasi, dan 20% dari data training untuk dijadikan data testing.
Tujuan dari klasifikasi adalah untuk menemukan model dari training set yang membedakan atribut ke dalam kategori atau kelas yang sesuai, model tersebut kemudian digunakan untuk mengklasifikasikan atribut yang kelasnya belum diketahui sebelumnya. Hasil dari dataset penjualan yang telah didapat, diolah dan dilakukan klasifikasi guna untuk melakukan perhitungan.
4.1.1 Root Node
Root node adalah akar pada pohon keputusan, langkah pertama yaitu menghitung jumlah keseluruhan kasus pada atribut dan menghitung nilai entropy total. Berikut hasil perhitungan tersebut :
Total jumlah kasus (S) : 118 Jumlah kasus Laris (S1) : 57 Jumlah kasus Kurang Laris (S2) : 61 Entropy Total = ( − 𝑠1 𝑠 x 𝑙𝑜𝑔2 𝑠1 𝑠) + ( − 𝑠2 𝑠 x 𝑙𝑜𝑔2 𝑠2 𝑠) = (− 57 118x 𝑙𝑜𝑔2 57 118) + (− 61 118x 𝑙𝑜𝑔2 61 118) = 0,999170944
