PERANCANGAN APLIKASI DATA MINING UNTUK MEMPREDIKSI
PENJUALAN MENGGUNAKAN METODE DECISION TREE PADA APOTIK
THS PEMATANGSIANTAR
Victor Marudut Mulia Siregar
(Politeknik Bisnis Indonesia)
Abstrak
Penelitian ini bertujuan untuk merancang dan membangun sebuah aplikasi data mining
yang 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 untuk 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. Preancangan perangkat lunak ini mengggunakan metode decision
tree klasifikasi algoritma C4.5. Analisis persentase nilai kebenaran dan hasil klasifikasi pohon
dibuat dengan pemrograman PHP dan MySQL. Hasil penelitian menunjukkan bahwa pohon yang
dihasilkan dari perangkat lunak yang dibuat dengan metode decision tree dengan algoritma C4.5
memiliki persentase 66,67% antara pohon kebenaran sampai 100%. Persentase besar pohon
kebenaran sangat dipengaruhi oleh data pelatihan yang digunakan untuk membangun model
pohon.
.
Keywords: Data Mining, Algorithms C4.5, PHP and My SQL
PENDAHULUAN
Dunia teknologi informasi saat ini sedang berkembang dengan cepat. Perkembangan ini
menyebabkan kebutuhan masyarakat akan data dan informasi semakin meningkat. Untuk
mengolah data tersebut dibutuhkan sebuah sistem terkomputerisasi dengan menggunakan
database. Data yang dulunya hanyalah sesuatu data yang tertumpuk dan tidak diolah lebih lanjut,
saat ini telah diolah sehingga mendapatkan suatu informasi baru.
Apotik THS Pematangsiantar dalam penyajian stok barang terhadap konsumennya, terkadang
sulit untuk memenuhi barang yang diminta konsumennya. Hal ini diakibatkan oleh menumpuknya
stok obat sejenis di gudang, sementara untuk jenis obat yang lain sama sekali tidak ada persediaan.
Untuk mengatasi kendala-kendala tersebut, maka dibuat aplikasi data mining untuk
memprediksi penjualan obat-obatan pada Apotik THS dengan menggunakan metode decision tree.
Aplikasi data mining ini dapat dijadikan sebagai penujang keputusan untuk menyajikan data secara
cepat, serta mampu memberikan informasi mengenai obat yang laris terjual dan yang dibutuhkan
pelangan.
Dengan adanya aplikasi data mining ini diharapkan Apotik THS nantinya akan lebih
mengetahui barang yang diminati konsumen, sehingga dapat menyediakan stok barang yang
diminati oleh konsumennya.
DASAR TEORI
Rekayasa Perangkat Lunak
bernilai ekonomi yang dipercaya dan bekerja secara efisien menggunakan mesin [7]. Perangkat
lunak banyak dibuat pada akhirnya sering tidak digunakan karena tidak memenuhi kebutuhan
pelanggan atau bahkan karena masalah non-teknis seperti keengganan pemakai perangkat lunak
(user) untuk mengubah cara kerja dari manual ke otomatis, atau ketidakmampuan user
menggunakan komputer. Oleh karena itu, rekayasa perangkat lunak dibutuhkan agar perangkat
lunak yang dibuat tidak hanya menjadi Perangkat lunak yang tidak terpakai.
Pekerjaan yang terkait dengan rekayasa perangkat dapat dikategorikan menjadi tiga buah
kategori umum tanpa melihat area dari aplikasi, ukuran proyek perangkat lunak yang dibuat. Setiap
fase dialamatkan pada satu atau lebih pertanyaan yang diajukan sebelumnya.
Fase pendefinisian fokus pada "what" yang artinya harus mencari tahu atau
mengidentifikasi informasi apa yang harus diproses, seperti apa fungsi dan performansi yang
diinginkan, apa kriteria validasi yang dibutuhkan untuk mendefinisikan sistem.
Fase pengembangan yang fokus pada "how" yang artinya selama tahap pengembangan
perangkat lunak seorang perekayasa perangkat lunak harus berussaha mendefinisikan bagaimana
data distrukturkan dan bagaimana fungsi-fungsi yang dibutuhkan diimple- mentasikan, bagaimana
karakter antar muka tampilan, bagaimana design ditranslasikan ke bahasa pemrograman, dan
bagaimana pengujian akan dijalankan.
Fase pendukung (support phase) fokus pada perubahan yang terasosiasi pada perbaikan
kesalahan (error), adaptasi yang dibutuhkan pada lingkungan perangkat lunak yang terlibat, dan
perbaikan yang terjadi akibat perubahan kebutuhan pelanggan.
Fase pendukung terdiri dari empat tipe perubahan antara lain [8]:
a.
Koreksi (correction)
b.
Adaptasi (adaptation)
c.
Perbaikan (enhancement)
d.
Pencegahan (prevention)
Model Waterfall
Model Software Development Life Cicle (SDLC) air terjun (waterfall) sering juga disebut
model sekuensial linear (sequential linear) atau alur hidup klasik[5]. model air terjun menyediakan
pendekatan alur hidup perangkat lunak secara sekuensial atau berturut-turut dimulai dari analisis,
desain, pengkodean, pengujian, dan tahap pendukung.
UML (Unified Modelling Language)
Unified Modelling Language
(UML) adalah sebuah “bahasa” yang telah menjadi standar
dalam industri untuk visualisasi, merancang dan mendokumentasikan sistem piranti lunak. UML
menawarkan sebuah standar untuk merancang model sebuah sistem. Dengan menggunakan UML
dapat dibuat model untuk semua jenis aplikasi piranti lunak, dimana aplikasi tersebut dapat
berjalan pada piranti keras, sistem operasi dan jaringan apapun, serta ditulis dalam bahasa
pemrograman apapun [10].
UML menyediakan 9 jenis diagram yang dapat dikelompokkan berdasarkan sifatnya statis
atau dinamis, antara lain :
1. Diagram Kelas
Diagram kelas bersifat statis. Diagram ini memperlihatkan himpunan kelas-kelas,
antarmuka-antarmuka, kolaborasi-kolaborasi serta relasi.
2. Diagram Objek
3.
Use case Diagram
Diagram ini bersifat statis. Diagram ini memperlihatkan himpunan use case dan aktor-aktor (suatu
jenis khusus dari kelas). Diagram ini terutama sangat penting untuk mengorganisasi dan
memodelkan perilaku dari suatu sistem yang dibutuhkan serta diharapkan pengguna.
4.
Sequence Diagram
(Diagram urutan)
Diagram ini bersifat dinamis. Diagram sequence merupakan diagram interaksi yang menekankan
pada pengiriman pesan (message) dalam suatu waktu tertentu.
5.
Collaboration Diagram
Diagram ini bersifat dinamis. Diagram kolaborasi adalah diagram interaksi yang menekankan
organisasi struktural dari objek–objek yang menerima serta mengirim pesan (message).
6.
Statechart Diagram
Diagram ini bersifat dinamis. Diagram ini memperlihatkan state
–
state pada sistem, memuat
state, transisi, event, serta aktifitas. Diagram ini terutama penting untuk memperlihatkan sifat
dinamis dari antarmuka, kelas, kolaborasi dan terutama penting pada pemodelan sistem
–
sistem
yang reaktif.
7.
Activity Diagram
Diagram ini bersifat dinamis. Diagram ini adalah tipe khusus dari diagram state yang
memperlihatkan aliran dari suatu aktifitas ke aktifitas lainnya dari suatu sistem. Diagram ini
terutama penting dalam pemodelan fungsi
–
fungsi dalam suatu sistem dan memberi tekanan
pada aliran kendali antar objek.
8.
Component Diagram
Diagram ini bersifat statis. Diagram ini memperlihatkan organisasi serta kebergantungan pada
komponen-komponen yang telah ada sebelumnya. Diagram ini berhubungan dengan diagram
kelas dimana komponen secara tipikal dipetakan ke dalam satu atau lebih kelas- kelas,
antarmuka-antarmuka serta kolaborasi
–
kolaborasi.
9.
Deployment Diagram
Diagram ini bersifat statis. Diagram ini memperlihatkan konfigurasi saat aplikasi dijalankan (saat
run time). Dengan ini memuat simpul-simpul (node) beserta komponen-komponen yang ada di
dalamnya. Deployment diagram berhubungan erat dengan diagram kompoen dimana deployment
diagram memuat satu atau lebih komponen
–
komponen. Diagram ini sangat berguna saat aplikasi
berlaku sebagai aplikasi yang dijalankan pada banyak mesin (
distributed computing
).
Ke 9 diagram ini tidak mutlak harus digunakan dalam pengembangan perangkat lunak,
semua dibuat sesuai dengan kebutuhan [10].
Data mining
Data mining adalah proses yang mengunakan teknik statistik, matematika, kecerdasan
buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang
bermanfaat dan pengetahuan yang terkait dari berbagai database besar [1].
Kemudian kita dapat juga melakukan prediksi atas apa yang akan terjadi pada jangka
waktu kedepannya berdasar data masa sebelumnya berkaitan dengan data jumlah penjualan
tersebut Jadi pengenalan pola adalah suatu disiplin ilmu yang mempelajari bagaimana kita
mengelompokkan obyek ke berbagai kelas dan bagaimana dari data bisa kita temukan
kecenderungannya. Yang pertama mengacu pada kasus klasifikasi dan yang kedua mengacu pada
regresi. Data mining juga mengacu pada langkah- langkah menentukan variable atau fitur yang
penting untuk dipakai dalam klasifikasi dan regresi. Data mining memegang peranan penting
dalam bidang industry, keuangan, cuaca, ilmu dan teknologi.
Berikut ini adalah beberapa contoh yang memperlihatkan masalah-masalah dalam data mining [9]:
1. Memprediksi harga suatu saham dalam beberapa bulan kedepan berdasarkan performansi
perusahaan dan data-data ekonomi.
2. Memprediksi apakah seorang pasien yang
diopname akan mendapat serangan jantung berikutnya berdasarkan catatan kesehatan
sebelumnya dan pola makanannya.
3. Memprediksi permintaan semen dalam beberapa tahun mendatang berdasarkan data permintaan
semen di tahun-tahunsebelumnya.
4. Memprediksi apakah akan terjadi tornado berdasarkan informasi dari sebuah radartentang
kondidsi angin dan kondisi atmosfir yang lain.
5. Identifikasi apakah sudah terjadi penipuan terhadap kartu kredit dengan melihat catatan transaksi
yang tersimpan dalam database perusahaan kartu kredit.
Classification
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 memberikan sejumlah
aturan. Aturan-aturan tersebut digunakan pada data-data baru untuk diklasifikasi.
Dalam klasifikasi, keluaran dari dari setiap data adalah bilangan bulat atau disktrit. Dalam
contoh pengambilan keputusan untuk main bola atau tidak maka keuaran tersebut bias diubah ke
bilangan bulat 1 atau -1. Dengan melihat keluaran yang berupa bilangan bulat kita bias menerapkan
metod klasifikasi [9].
Dalam klasifiksi, terdapat target variable kategori. Sebagai contoh penggolongan
pendapatan dapat dipisahkan dalam 3 kategori, yaitu pendapatan tinggi, rendah dan sedang.
Contoh lain klasifikasi dalam bisnis dan penelitian adalah [4] :
1. Menentukan apakah suatu transaksi kartu kredit merupakan transaksi yang curang atau bukan
2. Memperkirakan apakah suatu pengajuan hipotek oleh nasabah merupakan suatu kredit yang
baik atau buruk
3. Mendiagnosis penyakit seorang pasien untuk mendapatkan kategori penyakit.
Decision Tree
Gambar 1. Decision tree
Ada beberapa macam algoritma decision tree diantaranya CART dan C4.5. Beberapa isu
utama dalam decision tree yang menjadi perhatian yaitu seberapa detail dalam mengembangkan
decision tree, bagaimana mengatasi atribut yang bernilai continues, memilih ukuran yang cocok
untuk penentuan atribut, menangani data training yang mempunyai data yang atributnya tidak
mempunyai nilai, memperbaiki efisiensi perhitungan [1].
Algoritma C.45
Algoritma
C4.5
diperkenalkan oleh J. Ross Quinlan yang merupakan pengem-bangan dari
algoritma ID3, algoritma tersebut digunakan untuk membentuk pohon keputusan [4]. Pohon
keputusan dianggap sebagai salah satu pendekatan yang paling populer. Dalam klasifikasi pohon
keputusan terdiri dari sebuah
node
yang membentuk akar.
Node
akar tidak memiliki
input
.
Node
lain yang bukan sebagai akar tetapi memiliki tepat satu
input
disebut
node internal
atau
test node
,
sedangkan
node
lainnya dinamakan daun. Daun mewakili nilai target yang paling tepat dari salah
satu
class
.
Pohon keputusan dibuat dengan membagi nilai-nilai atribut menjadi cabang untuk setiap
kemungkinan. Cara kerja pohon keputusan yaitu dengan melakukan penelusuran dari akar hingga
ke cabang sampai
class
suatu objek ditemukan.
Instance
diklasifikasikan dengan mengarahkan dari
akar pohon sampai ke daun sesuai dengan hasil tes melalui
node internal
[4].
Pada dasarnya konsep dari algoritma
C4.5
adalah mengubah data menjadi pohon
keputusan dan aturan-aturan keputusan (
rule
).
C4.5
adalah algoritma yang cocok untuk masalah
klasifikasi dan
data mining
.
C4.5
memetakan nilai atribut menjadi
class
yang dapat diterapkan
untuk klasifikasi baru [13].
Pohon keputusan merupakan metode klasifikasi dan metode prediksi yang sangat kuat dan
terkenal. Metode pohon keputusan mengubah fakta yang sangat besar menjadi pohon keputusan
yang sangat dapat dengan mudah dipahami dengan bahasa alami. Dan mereka juga dapat
diekspresikan dalam bentuk bahasa basis data seperti structured query language untuk mencari
record pada kategori tertentu [4].
Sebuah model pohon keputusan terdiri dari sekumpulan aturan untuk membagi sejumlah
populasi yang heterogen menjadi lebih kecil, lebih homogennya dengna memperhaikan pada
model variable tujuannya.
Sebuah pohon keputusan mungkin dibangun dengan seksama secara manual atau dapat
tumbuh secara otomatis dengan menerapakan salah satu atau beberapa algoritma pohon keputusan
untuk memodelkan himpunan data yang belum terklarifikasi
Variabel tujuan biasanya di kelompokkan dengan pasti dan model pohon keputusan lebih
mengarah pada perhitungan probabilitas dari tiap-tiap record terhadap kategori-kategori tersebut
atau untuk mengklasifikasikan record dengan mengelompokkan dalam satu kelas.
Pohon keputusan juga dapat digunakan untuk mengestimasi nilai dari variabel continue
meskipun ada beberapa teknik yang lebih sesuai untuk kasus ini.
Banyak algoritma yang dapat dipakai dalam pembentukan pohon keputusan, antara lain
ID3, CART, dan C4.5. Algoritma C4.5 merupakan pengembangan dari ID3 [4].
Data dalam pohon keputusan biasanya dinyatakan dalam bentuk tabel dengan atribut dan
record. Atribut biasanya dinyatakan dengan suatu parameter yang dibuat sebagai kriteria dalam
pembentukan pohon. Misalkan untuk menentukan main tenis, kriteria yang diperhatikan adalah
cuaca, angin, dan temperatur. Salah satu atribut merupakan atribut yang menyatakan data solusi
per item data yang disebut target atribut. Atribut memiliki nilai-nilai yang dinamakan dengan
instance. Misalkan atribut cuaca mempunyai instance berupa cerah berawan, dan hujan [4].
Proses pada pohon keputusan adalah mengubah bentuk data (tabel) menjadi model pohon,
mengubah model pohon menjadi rule.
Secara umum algoritma C4.5 untuk membangun pohon keputusan adalah sebagai berikut:
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.
Untuk memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari atribut-atribut
yang ada. Untuk menghitung Entropy digunakan rumus seperti tertera dalam persamaan berikut:
Entropy (S)∑_(i=1)^n▒
〖
-pi*log2 pi
〗
….(1)
Keterangan :
S : himpunan kasus
A : fitur
n : jumlah partisi S
pi : proporsi dari Si terhadap S
Sementara itu, perhitungan nilai Gain dapat dilihat pada persamaan sebagai berikut:
Gain(S, A) = Entropy(S)-∑_(i=1)^n▒(│Si│)/(│S│)*Entropy(Si)..(2)
Keterangan :
S : himpunan kasus
A : atribut
n : jumlah partisi atribut A
PHP Dan MySQL
PHP adalah bahasa server-side scripting yang menyatu dengan HTML untuk membuat
halaman web yang dinamis. Maksud dari server-side scripting adalah sintaks dan perintah-perintah
yang diberikan akan sepenuhnya akan dijalankan diserver tetapi disertakan pada dokumen HTML.
Pembuatan web ini merupakan kombinasi antara php sendiri sebagai bahasa pemrograman dan
HTML sebagai pembangun halaman web [11].
MySQL adalah
Relational Database Management System
(RDBMS) yang
didistribusikan secara gratis dibawah lisensi GPL (
General Public License
) [11]. MySQL
merupakan software sistem manajemen database (Database Management System
–
DBMS) yang
sangat popular di kalangan pemrograman web, terutama di lingkungan Linux dengan
menggunakan skrip dan ped.
Fungsi MySQL dapat dikatakan sebagai interpreter query, karena setiap kita menggunakan
query SQL kita harus meletakkannya di dalam fungsi ini. Dengan kata lain, SQL tidak dapat
dijadikan tanpa adanya fungsi MySQL. Pada MySQL sebuah database mengandung beberapa
tabel, tabel terdiri dari sejumlah baris dan kolom.
Penjualan
Dalam kehidupan sehari-hari, istilah penjualan sering dianggap sama dengan istilah
pemasaran. Misalnya seorang wiraniaga atau menejer penjualan membicarakan pemasaran, tetapi
sebenarnya masalah yang dibicarakan adalah penjualan. Kedua istilah tersebut mempunyai ruang
lingkup yang berbeda. Pemasaran meliputi kegiatan yang luas, sedangkan penjualan hanyalah
merupakan satu kegiatan saja di dalam pemasaran.
Pemasaran adalah sistem keseluruhan dari kegiatan usaha yang ditujukan untuk
merancanakan, menentukan harga, mempromosikan dan mendistribusikan barang, jasa, dan ide
kepada pasar sasaran agar dapat mencapai tujuan organsasi [12].
Menjual adalah ilmu dan seni mempengaruhi pribadi yang dilakukan oleh penjual untuk
mengajak orang lain agar bersedia membeli barang/jasa yang ditawarkan.
Jadi adanya penjualan dapat tercipta sesuatu proses pertukaran barang dan/atau jasa antara
penjual dengan pembeli. Di dalam perekonomian kita (ekonomi uang), seseorang yang menjual
seseuatu akan mendapatkan imbalan berupa uang. Dengan alat tukar berupa uang, orang akan lebih
mudah memenuhi segala keinginanya; dan penjualan menjadi lebih muda dilakukan. Jarak yang
jauh tidak menjadi masalah bagi penjual.
METODE PENELITIAN
Metode yang digunakan dalam penelitian ini adalah metode studi kasus. Penelitian ini
dilakukan pada apotik THS Pematangsiantar. Data yang dihimpun berkenaan dengan data
penjualan obat dari waktu ke waktu pada objek penelitian. Penelitian dilakukan secara intensif,
terperinci dan mendalam terhadap penjualan obat pada apotik THS.
Tujuan penelitian ini ialah merancang dan membangun sebuah aplikasi data mining yang
berfungsi untuk memprediksi penjualan dan membantu mengoptimalkan pengolahan data sehingga
memudahkan pengambilan keputusan dan meningkatkan pelayanan terhadap pelanggan.
HASIL
dapat digunakan dan apa saja keterbatasan-keterbatasan yang ada pada aplikasi tersebut.
Pada tahap implementasi ini sistem minimum yang digunakan oleh peneliti adalah sebagai
berikut:
1. Perangkat Keras (Hardware) yaitu :
Laptop Lenovo Ideapad 100, Processor Intel(R) Core(TM) i3-5500, RAM 4GB, Harddisk
500 GB, Flashdisk 4 GB.
2. Perangkat Lunak (Software) yaitu:
Sistem Operasi Windows 8.1, Microsoft Office 2013, Xampp, UML, Adobe Dreamweaver
CS 5.
Berikut ini hasil dari program aplikasi Data Mining Apotik THS diantaranya:
1. Tampilan Halaman Login
Tampilan login merupakan tampilan awal pada halaman menu. Pada tampilan menu utama
atau login ini user harus melakukan login untuk dapat mengakses halaman berikutnya. Tampilan
halaman login seperti pada Gambar 2.
Gambar 2. Tampilan Halaman
2. Halaman Data
Halaman data merupakan kumpulan data penjualan pada bulan-bulan yang ditentukan.
Halaman ini digunakan untuk mengambil data untuk dapat melakukan proses mining, seperti yang
terlihat pada gambar 3.
Gambar 3. Halaman Data
4. Halaman Upload Data Excel
Gambar 4. Halaman Upload Data Excel
5. Halaman Input Data Penjualan Baru
Halaman input data penjualan baru berfungsi apabila user ingin menambahkan beberapa data
secara manual dari perusahaan tersebut. User harus mengisikan data-datanya pada form halaman
tersebut, seperti yang terlihat pada gambar 5.
Gambar 5. Halaman Input Data Penjualan
6. Halaman Proses Mining
Halaman proses mining berfungsi untuk mencari gain ratio max,entrophy,informasi gain,split
info, dan gain ratio.
7. Halaman Perhitungan Mining
Halaman perhitungan mining ini adalah hasil dari proses dari mining, mencari gain ratio max,
entrophy, informasi gain, split info, dan gain ratio, seperti yang terlihat pada gambar 6.
Gambar 6. Halaman Perhitungan Mining
8. Halaman Pohong Keputusan C4.5
pohon keputusan C4.5 tersebut. Seperti yang terlihat pada gambar di bawah ini.
Gambar 7. Halaman Pohon Keputusan
9. Halaman Print Pohon Keputusan C4.5
Halaman print pohon keputusan C4.5 hasil dari pohon keputusan yang dapat dicetak, seperti
yang terlihat pada gambar di bawah ini.
Gambar 8. Halaman Print Pohon Keputusan C4.5
4. KESIMPULAN
Dari perancangan dan pembuatan Aplikasi Data Mining ini, dapat ditarik kesimpulan
bahwa :
1. Aplikasi data mining yang dirancang efektif untuk mengembangkan perusahaan dan dapat
membantu untuk meningkatkan pelayanan kepada pelanggan.
2. Aplikasi Data Mining ini memudahkan perusahaan dalam pengolahan data dan pengembangan
sistem informasi di perusahaan, sehingga dapat digunakan untuk memprediksi distribusi
penjualan obat dalam satu bulan sebagai acuan untuk bulan berikutnya.
3. Aplikasi Data Mining ini dapat menyajikan data secara cepat dan memberikan informasi bagi
perusahaan dengan proses perhitungan sesuai gain yang tertinggi dipilih sebagai root pada
hasil pohon keputusan yang dibuat dan pada akhirnya manager bisa mengambil keputusan.
4. Aplikasi Data Mining ini dapat memberikan informasi obat-obatan yang laris terjual dan yang
DAFTAR REFERENSI
[1]
Efraim Turban, Jay E. Aronson, Ting Peng Liang, 2005. Decision Support System and
Intelligent Systems Edisi 7 Jilid 1, Andi Yogyakarta.
[2]
Haviluddin. 2011. Memahami Penggunaan UML (
Unified Modelling Language).
Samarinda.
[3]
Kusnawi. 2007. Pengantar Solusi Data mining.Yogyakarta
[4]
Kusrini dan Emha Taufiq Luthfi. 2009.
Algoritma Data Mining
. Penerbit Andi Offset,
Yogyakarta.
[5]
Mulyanto, Aunur R. 2009. Rekayasa Perangkat Lunak Jilid I. Departemen Pendidikan
Nasional, Jakarta.
[6]
Munawar. 2005. Pemodelan Visual dengan UML. Graha Ilmu, Yogyakarta.
[7]
Pressman, Roger S. 2001. Software Engineering. McGraw-Hill. New York.
[8]
Rosa, “Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objek”, Bandung,
Informatika Bandung, (2013).
[9]
Santosa, Budi. 2007. Data Mining :
Teknik Pemanfaatan Data untuk keperluan Bisnis
. Graha
Ilmu. Yogyakarta.
[10] Sulistyorini, Prastuti. Pemodelan Visual dengan Menggunakan UML dan Rational Rose.
Jurnal Teknologi Informasi DINAMIK. 2009; XIV (1): 23
–
29.
[11] Syaifuddin. Rancang Bangun Sistem Informasi Geografis Layanan Kesehatan Di
Kecamatan Lamongan Dengan PHP MySQL. 2013.
Jurnal Teknika
Vol. 5 No.2 : 479-484.
[12] Swastha, B. 2009.
Azas-azas Marketing
. Penerbit Liberty. Yogyakarta
