Model Aturan Dalam Menentukan Compulsive Buying Behavior
Seseorang Dalam Berbelanja Menggunakan Algoritma C4.5
Desi Ayu Anjani
1, Dedy Hartama
2, Rafiqa Dewi
3, S Solikhun
4, S Saifullah
51,2,5
Sistem Informasi, STIKOM Tunas Bangsa, Pematangsiantar
3,4
AMIK Tunas Bangsa, Pematangsiantar
1
anjaniidesii@gmail.com,
2dedyhartama@amiktunasbangsa.ac.id,
3rafiqadewi@amiktunasbangsa.ac.id,
4solikhun@amiktunasbangsa.ac.id,
5saifullah@amiktunasbangsa.ac.id
Abstrak
Belanja merupakan suatu kegiatan dan tindakan membeli barang yang dilakukan setiap orang, namun dalam berperilaku membeli sebuah barang ada yang untuk memenuhi kebutuhan, untuk memenuhi keinginan, dan bahkan hanya untuk kepuasan dan kesenangan sesaat. Perilaku inilah disebut sebagai Compulsive Buying Behavior. Data mining merupakan sebuah proses analisa untuk mendapatkan informasi dari data yang berjumlah besar dan membantu dalam mengambil keputusan. Dengan menggunakan Algoritma C4.5 akan mengklasifikasi faktor dominan dari penyebab terjadinya Compulsive Buying Behavior. Sumber data penelitian ini diperoleh dengan cara memberikan kuesioner(angket) dan diisi oleh responden yang berbelanja di Ramayana Department Store. Data yang telah diolah dan mendapatkan hasil akhir diharapkan dapat memberikan informasi, sehingga dapat mencegah terjadinya Compulsive Buying Behavior seseorang agar finansialnya tetap stabil dan untuk kedepannya dapat diberikan penanganan yang tepat bagi orang yang memiliki perilaku compulsive buying ini.
Kata Kunci : Compulsive Buying Behavior, Data Mining, Algoritma C4.5
1. Pendahuluan
Belanja merupakan suatu kegiatan dan tindakan membeli barang yang dilakukan setiap orang, namun dalam berperilaku membeli sebuah barang ada yang untuk memenuhi kebutuhan, untuk memenuhi keinginan, dan bahkan hanya untuk kepuasan dan kesenangan sesaat. Perilaku inilah disebut sebagai Compulsive Buying Behavior. Compulsive Buying Behavior secara sederhana dipahami sebagai suatu perilaku suka berbelanja yang sudah berlebihan/kronis,dimana sesesorang itu melakukan pembelian secara terus menerus. Compulsive Buying Behavior juga merupakan salah satu perilaku kompulsif yang terdapat dalam ilmu psikologi yang memiliki arti suatu gangguan yang dapat terjadi pada siapa saja terutama pada remaja. Perilaku compulsive buying berhubungan dengan kepribadian dan sosial pelaku, dimana perilaku compulsive buying muncul karena adanya kepentingan sosial yang menunjukkan status dan identitas si pelaku di masyarakat.
Dari penelitian yang telah dilakukan berkaitan dengan compulsive buying behavior, namun untuk mengetahui faktor-faktor penyebab perilaku compulsive buying ini belum ada yang menggunakan teknik data mining, sehingga penulis tertarik untuk membuat penelitian ini dengan menerapkan teknik data mining yaitu menggunakan algoritma C4.5 dengan tujuan agar mendapatkan pohon kep utusan untuk menyelidiki faktor-faktor penyebab compulsive buying behavior berdasarkan karakteristik yang dimiliki. Data mining merupakan bagian integral dari penemuan Knowledge Discovery from Database (KDD), yang merupakan keseluruhan proses konversi data mentah menjadi informasi yang berguna, proses ini terdiri dari serangkaian langkah transformasi dari pemrosesan data hingga pasca pemrosesan dari hasil penambangan data[1][2].
Data yang digunakan dalam penelitian ini diperoleh dari kuesioner(angket) yang telah dibagikan dan diisi oleh responden yang melakukan pembelian/berbelanja di Ramayana Department Store Kota Pematangsiantar. Dengan menerapkan metode Data Mining Algoritma C4.5 untuk mencari faktor-faktor dominan penyebab compulsive buying behavior ini, diharapkan hasil dari penelitian ini dapat menambah pengetahuan dan wawasan kepada semua pembaca mengenai fenomena negatif yang dihasilkan dari perilaku compulsive buying seseorang dalam berbelanja agar dapat mencegah terjadinya krisis finansial.
2. Metodologi Penelitian
2.1. Data Mining
Data Mining adalah proses analisa yang mempekerjakan satu atau lebih teknik pembelajaran Komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge) secara otomatis dari basis data yang besar. Data Mining juga diartikan sebagai pembelajaran berbasis induksi dalam proses pembentukan informasi baru untuk membantu dalam pengambilan keputusan yang selama ini tidak diketahui secara manual [3][4][5]. Knowledge Discovery in Databases (KDD) adalah penerapan metode saintifik pada Data Mining. Dalam konteks ini Data Mining merupakan satu langkah dari proses KDD [6][7].
2.2. Algoritma C4.5
Algoritma C4.5 merupakan metode pohon keputusan yang digunakan untuk membuat bentuk aturan(rule). Algoritma C4.5 dapat menangani data numerik dan diskret. Algoritma C4.5 menggunakan rasio peroleh (gain ratio) [8]–[12]. Sebelum menghitung rasio perolehan, perlu dilakukan perhitungan nilai informasi dalam satuan bits dari suatu kumpulan objek yaitu dengan menggunakan konsep entrophy[13].
2.3. Decision Tree
Decision tree (Pohon keputusan) didefenisikan sebagai pohon tempat root node (titik awal) dan setiap internal node diberi label dengan sebuah pertanyaan atau tanda “(?)”. Ada yang berasal dari masing-masing node mewakili setiap jawaban yang mungkin menjadi pertanyaan asosiatif. Setiap leaf node (teminal node) mewakili prediksi solusi untuk masalah yang sedang dipertimbangkan[14].
2.4. RapidMiner
RapidMiner adalah sebuah solusi untuk melakukan analisis terhadap data
mining, text mining dan analisis prediksi karena rapidMiner merupakan perangkat
lunak yang bersifat terbuka (open source). RapidMiner memudahkan
penggunanya dalam melakukan perhitungan data yang sangat banyak dengan
menggunakan operator-operator. Operator ini berfungsi untuk memodifikasi data.
Data dihubungkan dengan node-node pada operator kemudian hanya tinggal
menghubungkannya ke node hasil untuk melihat hasilnya [15].
2.5. Teknik Pengumpulan Data
Pengumpulan data dapat dilakukan dalam berbagai aturan, berbagai sumber dan berbagai cara. Bila dilihat dari sumber data, maka pengumpulan data dapat menggunakan sumber data primer dan data sekunder. Sumber data primer adalah sumber data yang langsung memberikan data kepada pengumpul data dan data sumber data sekunder adalah sumber data yang tidak langsung memberikan data pada pengumpul data misalnya lewat orang lain atau lewat file dokumen. Selanjutnya jika dilihat dari segi cara atau teknik pengumpulan data dapat dilakukan dengan cara interview, kuesioner (angket),dan
observasi. Untuk memperoleh data dalam penelitian ini, penulis menggunakan teknik kuesioner (angket) yang disebarkan dan diisi oleh responden yang berbelanja di Ramayana Department Store Kota Pematangsiantar, dan jumlah kuesioner (angket) yang disebar ada sebanyak 200 sampel.
2.6. Teknik Pengolahan Data
Data yang digunakan pada penelitian ini adalah data primer, dimana data tersebut diperoleh dari hasil kuesioner (angket) yang telah disebar dan diisi oleh responden yang sedang berbelanja di Ramayana Department Store Kota Pematangsiantar. Sampel data yang digunakan adalah sebanyak 200 responden. Setelah data diperoleh, kemudian ditentukan kriteria-kriteria yang akan digunakan dalam penelitian ini. Adapun kriteria yang digunakan yaitu Perilaku dan Motif dalam Berbelanja, Tujuan Berbelanja, Pengaruh Lingkungan Sosial dan Teknologi, Produk yang Sering Dibeli. Kemudian data akan diuji menggunakan software RapidMiner 5.3.
3. Hasil dan Pembahasan
Berikut ini adalah proses perhitungan dengan menggunakan Algoritma C4.5 untuk memperoleh hasil dan model aturan pohon keputusan faktor dominan penyebab compulsive buying behavior seseorang dalam berbelanja.
Tabel 1. Hasil Rekapitulasi Kuesioner
Responden C1 C2 C3 C4 Keterangan
R1 Kurang Setuju Ragu-Ragu Ragu-Ragu Setuju Kebutuhan R2 Kurang Setuju Ragu-Ragu Ragu-Ragu Ragu-Ragu Kebutuhan R3 Kurang Setuju Kurang Setuju Ragu-Ragu Setuu Kebutuhan R4 Ragu-Ragu Ragu-Ragu Ragu-Ragu Ragu-Ragu Kebutuhan
R5 Setuju Setuju Ragu-Ragu Setuju Kebutuhan
R6 Kurang Setuju Kurang Setuju Ragu-Ragu Kurang Setuju Kebutuhan R7 Ragu-Ragu Setuju Setuju Sangat Setuju Kebutuhan R8 Kurang Setuju Kurang Setuju Ragu-Ragu Ragu-Ragu Kebutuhan
R9 Kurang Setuju Setuju Setuju Setuju Kebutuhan
R10 Kurang Setuju Kurang Setuju Ragu-Ragu Kurang Setuju Kebutuhan R11 Kurang Setuju Ragu-Ragu Sangat Setuju Sangat Setuju Kebutuhan R12 Setuju Setuju Sangat Setuju Ragu-Ragu Kebutuhan R13 Ragu-Ragu Ragu-Ragu Setuju Ragu-Ragu Kebutuhan R14 Tidak Setuju Kurang Setuju Tidak Setuju Ragu-Ragu Keinginan
Responden C1 C2 C3 C4 Keterangan
R15 Ragu-Ragu Setuju Setuju Setuju Kebutuhan
R16 Setuju Setuju Ragu-Ragu Setuju Kebutuhan
R17 Kurang Setuju Tidak Setuju Kurang Setuju Kurang Setuju Kebutuhan R18 Ragu-Ragu Kurang Setuju Ragu-Ragu Kurang S Keinginan
R19 Ragu-Ragu Setuju Setuju Ragu-Ragu Kebutuhan
R20 Kurang Setuju Ragu-Ragu Ragu-Ragu Ragu-Ragu Kebutuhan
... ... ... ... ... ...
R200 Setuju Setuju Setuju Setuju Keinginan
Keterangan :
C1 : Perilaku dan Motif Dalam Berbelanja C2 : Tujuan Berbelanja
C3 : Pengaruh Lingkungan Sosial dan Teknologi C4 : Produk Yang Sering Dibeli
3.1. Proses Perhitungan Algortima C4.5
a) Menghitung entrophy total. Dari data penelitian diketahui jumlah kasus ada 200 record, diketahui jumlah kelas label keinginan 48 record, dan jumlah kelas label kebutuhan 152 record. Berikut ini perhitungan nilai entrophy total.
b) Menghitung entrophy dan gain dari atribut Perilaku Dan Motif Dalam Berbelanja (C1).
d) Menghitung entrophy dan gain Pengaruh Lingkungan Sosial dan Teknologi (C3).
e) Menghitung entrophy dan gain Produk Yang Sering Dibeli (C4).
f) Hasil perhitungan entrophy dan gain dari keseluruhan atribut dapat dilihat pada tabel-tabel berikut ini.
Tabel 2. Perhitungan Node 1
Node Atribut Kelas S S1 S2 Entrophy Gain 1 Total 200 48 152 0,795040279 C1 0,165826939 Sangat Setuju 0 0 0 0 Setuju 82 36 46 0,989245297 Ragu-Ragu 50 6 44 0,529360865 Kurang Setuju 62 2 60 0,205592508
Tidak Setuju 6 4 2 0,918295834 C2 0,0565844 Sangat Setuju 6 4 2 0,918295834 Setuju 114 34 80 0,879135767 Ragu-Ragu 32 4 28 0,543564443 Kurang Setuju 42 4 38 0,453716339 Tidak Setuju 6 2 4 0,918295834 C3 0,072284023 Sangat Setuju 20 2 18 0,468995594 Setuju 92 34 58 0,95033767 Ragu-Ragu 60 6 54 0,468995594 Kurang Setuju 24 4 20 0,650022422 Tidak Setuju 4 2 2 1 C4 0,065188353 Sangat Setuju 4 0 4 0 Setuju 76 30 46 0,967788463 Ragu-Ragu 86 12 74 0,583019417 Kurang Setuju 32 6 26 0,69621226 Tidak Setuju 2 0 2 0
Keterangan : S = Jumlah Total; S1 = Keinginan; S2 = Kebutuhan
Dari hasil perhitungan node 1 pada tabel 2 diatas, maka dapat digambarkan pohon keputusan seperti pada gambar berikut ini.
C1 Kurang Setuju Ragu-Ragu Setuju Tidak Setuju 1.3 ? 1.2 ? 1.1 ? 1.4 ?
Gambar 1. Pohon Keputusan Node 1 Tabel 3. Hasil Perhitungan Node 1.1
Node Atribut Kelas S S1 S2 Entrophy Gain 1.1 C1-Setuju 82 36 46 0,989245297 C2 0,070763591 Sangat Setuju 2 2 0 0 Setuju 66 30 36 0,994030212 Ragu-Ragu 10 4 6 0,970950595 Kurang Setuju 4 0 4 0 Tidak Setuju 0 0 0 0 C3 0,123481774 Sangat Setuju 12 2 10 0,650022422 C3 Setuju 52 30 22 0,98285869 Ragu-Ragu 14 4 10 0,863120569 Kurang Setuju 4 0 4 0 Tidak Setuju 0 0 0 0 C4 0,085741899 Sangat Setuju 0 0 0 0 Setuju 48 26 22 0,994984828 Ragu-Ragu 28 10 18 0,940285959 Kurang Setuju 6 0 6 0 Tidak Setuju 0 0 0 0
Dari hasil perhitungan node 1.1 pada tabel 3 diatas, maka dapat digambarkan pohon keputusan seperti pada gambar berikut ini.
C1 Kurang Setuju Ragu-Ragu Setuju Tidak Setuju 1.3 ? 1.2 ? C3 1.4 ? Kurang Setuju Ragu-Ragu Sangat Setuju Setuju Kebutuhan 1.1.3 ? 1.1.1 ? 1.1.2 ?
Gambar 2. Pohon Keputusan Node 1.1 Tabel 4. Hasil Perhitungan Node 1.1.1
Node Atribut Kelas S S1 S2 Entrophy Gain
1.1.1 C1-Setuju 12 2 10 0,650022422
C3-Sangat Setuju
C2 0,989245297
Sangat Setuju 2 2 0 0
Node Atribut Kelas S S1 S2 Entrophy Gain
C2 Setuju 10 0 10 0 Ragu-Ragu 0 0 0 0 Kurang Setuju 0 0 0 0 Tidak Setuju 0 0 0 0 C4 0,910096212 Sangat Setuju 0 0 0 0 Setuju 8 2 6 0,811278125 Ragu-Ragu 4 0 4 0 Kurang Setuju 0 0 0 0 Tidak Setuju 0 0 0 0
Dari hasil perhitungan node 1.1.1 pada tabel 4 diatas, maka dapat digambarkan pohon keputusan seperti pada gambar berikut ini.
C1
Kurang
Setuju Ragu-Ragu Setuju
Tidak Setuju 1.3 ? 1.2 ? C3 1.4 ? Kurang Setuju Ragu-Ragu Sangat Setuju Setuju Kebutuhan 1.1.3 ? C2 1.1.2 ? Sangat Setuju Setuju Keinginan Kebutuhan
Selanjutnya adalah hasil perhitungan pada node akar C1-Setuju dan node cabang C3-Setuju yang ditunjukkan pada tabel berikut ini.
Tabel 5. Hasil Perhitungan Node 1.1.2
Node Atribut Kelas S S1 S2 Entrophy Gain 1.1.2 C1-Setuju 52 30 22 0,98285869 C3-Setuju C2 0,466353442 Sangat Setuju 0 0 0 0 Setuju 46 30 16 0,932111568 Ragu-Ragu 2 0 2 0 Kurang Setuju 4 0 4 0 Tidak Setuju 0 0 0 0 C4 0,43084673
Node Atribut Kelas S S1 S2 Entrophy Gain
C4 Sangat Setuju 0 0 0 0
Setuju 38 24 14 0,949452015 Ragu-Ragu 10 6 4 0,970950595
Kurang Setuju 4 0 4 0
Tidak Setuju 0 0 0 0
Dari hasil perhitungan node 1.1.2 pada tabel 5 diatas, maka dapat digambarkan pohon keputusan seperti pada gambar berikut ini.
C1
Kurang Setuju Ragu-Ragu Setuju Tidak Setuju
1.3 ? 1.2 ? C3 1.4 ?
Kurang Setuju Ragu-Ragu Sangat Setuju Setuju
Kebutuhan 1.1.3
? C2 C2
Sangat Setuju Setuju
Keinginan Kebutuhan
Kurang Setuju Ragu-Ragu Setuju
30 Keinginan 16 Kebutuhan Kebutuhan
Kebutuhan
Gambar 4. Pohon Keputusan Hasil Perhitungan Node 1.1.2
Selanjutnya adalah mencari hasil perhitungan pada node akar C1-Setuju dan node cabang C3-RaguRagu yang ditunjukkan pada tabel berikut ini.
Tabel 6. Hasil Perhitungan Node 1.1.3
Node Atribut Kelas S S1 S2 Entrophy Gain 1.1.3 C1-Setuju 14 4 10 0,863120569 C3-Ragu-Ragu C2 0,989245297 Sangat Setuju 0 0 0 0 Setuju 10 0 10 0 Ragu-Ragu 4 4 0 0
C2 Kurang Setuju 0 0 0 0 Tidak Setuju 0 0 0 0 C4 0,870836688 Sangat Setuju 0 0 0 0 Setuju 2 0 2 0 Ragu-Ragu 10 4 6 0,970950595 Kurang Setuju 2 0 2 0 Tidak Setuju 0 0 0 0
Dari hasil perhitungan node 1.1.3 pada tabel 6 diatas, maka dapat digambarkan pohon keputusan seperti pada gambar berikut ini.
C1
Kurang Setuju Ragu-Ragu Setuju Tidak Setuju
1.3 ? 1.2 ? C3 1.4 ?
Kurang Setuju Ragu-Ragu Sangat Setuju Setuju
Kebutuhan C2 C2 C2
Sangat Setuju Setuju
Keinginan Kebutuhan
Kurang Setuju Ragu-Ragu Setuju 30 Keinginan 16 Kebutuhan Kebutuhan Kebutuhan Ragu-Ragu Setuju Keinginan Kebutuhan
Gambar 5. Pohon Keputusan Hasil Perhitungan Node 1.1.3
Pada tabel 7 berikut ini adalah hasil perhitungan untuk node C1-RaguRagu.
Tabel 7. Hasil Perhitungan Node 1.2
Node Atribut Kelas S S1 S1 Entrophy Gain 1.2 C1-Ragu-Ragu 50 6 44 0,529360865 C2 0,198024109 Sangat Setuju 2 2 0 0 Setuju 28 4 24 0,591672779 Ragu-Ragu 12 0 12 0 Kurang Setuju 8 0 8 0 Tidak Setuju 0 0 0 0 C3 0,029751865 Sangat Setuju 2 0 2 0 Setuju 24 4 20 0,650022422 Ragu-Ragu 20 2 18 0,468995594 Kurang Setuju 4 0 4 0 Tidak Setuju 0 0 0 0 C4 0,089495133 Sangat Setuju 2 0 2 0 Setuju 12 4 8 0,918295834 Ragu-Ragu 34 2 32 0,322756959 Kurang Setuju 2 0 2 0 Tidak Setuju 0 0 0 0
Dari hasil perhitungan node 1.2 pada tabel 7 diatas, maka dapat digambarkan pohon keputusan seperti pada gambar berikut ini.
C1
Kurang Setuju
Ragu-Ragu Setuju Tidak
Setuju 1.3 ? C2 C3 1.4 ? Kurang Setuju Ragu-Ragu Sangat Setuju Setuju Kebutuhan C2 C2 C2 Sangat Setuju Setuju Keinginan Kebutuhan Kurang Setuju Ragu-Ragu Setuju 30 Keinginan 16 Kebutuhan Kebutuhan Kebutuhan Ragu-Ragu Setuju Keinginan Kebutuhan Sangat Setuju Setuju Ragu-Ragu Kurang Setuju 24 Kebutuhan 4 Keinginan Kebutuhan Kebutuhan Keinginan
Gambar
6. Pohon Keputusan Hasil Perhitungan Node 1.2Hasil dari perhitungan untuk node C1-Kurang Setuju ditunjukkan pada tabel 8 berikut ini. Tabel 8. Hasil Perhitungan Node 1.3
Node Atribut Kelas S S1 S2 Entrophy Gain
1.3 C1-Kurang Setuju 62 2 60 0,205592508 C2 0,116725169 Sangat Setuju 2 0 2 0 Setuju 20 0 20 0 Ragu-Ragu 10 0 10 0 Kurang Setuju 24 0 24 0 Tidak Setuju 6 2 4 0,918295834 C3 0,079781717 Sangat Setuju 6 0 6 0 Setuju 16 0 16 0 Ragu-Ragu 26 0 26 0 Kurang Setuju 12 2 10 0,650022422 Tidak Setuju 2 0 2 0 C4 0,05948525 Sangat Setuju 2 0 2 0 Setuju 16 0 16 0 Ragu-Ragu 24 0 24 0 Kurang Setuju 18 2 16 0,503258335 Tidak Setuju 2 0 2 0
Dari hasil perhitungan node 1.3 pada tabel 8 diatas, maka dapat digambarkan pohon keputusan seperti pada gambar berikut ini.
C1
Kurang Setuju
Ragu-Ragu Setuju Tidak
Setuju C2 C2 C3 1.4 ? Kurang Setuju Ragu-Ragu Sangat Setuju Setuju Kebutuhan C2 C2 C2 Sangat Setuju Setuju Keinginan Kebutuhan Kurang Setuju Ragu-Ragu Setuju 30 Keinginan 16 Kebutuhan Kebutuhan Kebutuhan Ragu-Ragu Setuju Keinginan Kebutuhan Sangat Setuju Setuju Ragu-Ragu Kurang Setuju 24 Kebutuhan 4 Keinginan Kebutuhan Kebutuhan Keinginan Kebutuhan Kebutuhan Kebutuhan Kebutuhan 1.3.1 ? Tidak Setuju Sangat Setuju Setuju Ragu-Ragt Kurang Setuju
Gambar 7. Pohon Keputusan Hasil Perhitungan Node 1.3
Selanjutnya melakukan perhitungan pada node akar dari atribut C1-Kurang Setuju dan node cabang C2-Tidak Setuju, ditunjukkan dalam tabel 4.8. berikut ini.
Tabel 9. Hasil Perhitungan Node 1.3.1
Node Atribut Kelas S S1 S2 Entrophy Gain 1.3.1 C1-Kurang Setuju C2-Tidak Setuju 6 2 4 0,918295834 C3 0,918295834 Sangat Setuju 0 0 0 0 Setuju 0 0 0 0 Ragu-Ragu 2 0 2 0 Kurang Setuju 2 2 0 0 Tidak Setuju 2 0 2 0 C4 0,141076379 Sangat Setuju 0 0 0 0 Setuju 0 0 0 0 Ragu-Ragu 0 0 0 0 Kurang Setuju 4 2 2 1 Tidak Setuju 2 0 2 0
Dari hasil perhitungan node 1.3.1 pada tabel 9 diatas, maka dapat digambarkan pohon keputusan seperti pada gambar berikut ini.
C1
Kurang Setuju
Ragu-Ragu Setuju Tidak
Setuju C2 C2 C3 1.4 ? Kurang Setuju Ragu-Ragu Sangat Setuju Setuju Kebutuhan C2 C2 C2 Sangat Setuju Setuju Keinginan Kebutuhan Kurang Setuju Ragu-Ragu Setuju 30 Keinginan 16 Kebutuhan Kebutuhan Kebutuhan Ragu-Ragu Setuju Keinginan Kebutuhan Sangat Setuju Setuju Ragu-Ragu Kurang Setuju 24 Kebutuhan 4 Keinginan Kebutuhan Kebutuhan Keinginan Kebutuhan Kebutuhan Kebutuhan Kebutuhan C3 Kebutuhan Keinginan Kebutuhan Tidak Setuju Ragu-Ragu Kurang Setuju Tidak Setuju Sangat Setuju Setuju Ragu-Ragt Kurang Setuju
Gambar 8. Pohon Keputusan Hasil Perhitungan Node 1.3.1
Berikut ini adalah hasil perhitungan dari node 1.4 C1-Tidak Setuju ditunjukkan pada tabel dibawah ini.
Tabel 10. Hasil Perhitungan Node 1.4
Node Atribut Kelas S S1 S2 Entrophy Gain 1.4 C1-Tidak Setuju 6 4 2 0,918295834 C2 0 Sangat Setuju 0 0 0 0 Setuju 0 0 0 0 Ragu-Ragu 0 0 0 0 Kurang Setuju 6 4 2 0,918295834 Tidak Setuju 0 0 0 0 C3 0,251629167 Sangat Setuju 0 0 0 0 Setuju 0 0 0 0 Ragu-Ragu 0 0 0 0 Kurang Setuju 4 2 2 1 Tidak Setuju 2 2 0 0 C4 0 Sangat Setuju 0 0 0 0 Setuju 0 0 0 0 Ragu-Ragu 0 0 0 0 Kurang Setuju 6 4 2 0,918295834 Tidak Setuju 0 0 0 0
C1
Kurang Setuju
Ragu-Ragu Setuju Tidak
Setuju C2 C2 C3 C3 Kurang Setuju Ragu-Ragu Sangat Setuju Setuju Kebutuhan C2 C2 C2 Sangat Setuju Setuju Keinginan Kebutuhan Kurang Setuju Ragu-Ragu Setuju 30 Keinginan 16 Kebutuhan Kebutuhan Kebutuhan Ragu-Ragu Setuju Keinginan Kebutuhan Sangat Setuju Setuju Ragu-Ragu Kurang Setuju 24 Kebutuhan 4 Keinginan Kebutuhan Kebutuhan Keinginan Kebutuhan Kebutuhan Kebutuhan Kebutuhan C3 Kebutuhan Keinginan Kebutuhan Tidak Setuju Ragu-Ragu Kurang Setuju Tidak Setuju Sangat Setuju Setuju Ragu-Ragt Kurang Setuju Sangat Setuju Kurang Setuju Keinginan 2 Kebutuhan 2 Keinginan
Gambar 9. Pohon Keputusan Hasil Perhitungan Node 1.4 3.2. Hasil Pengujian Menggunakan Software RapidMiner
Pada tahap akhir penerapan Algoritma C4.5
dilakukan penyesuaian hasil
perhitungan manual dengan melalui pengujian menggunakan software RapidMiner
5.3.
Gambar 10. Hasil Pohon Keputusan pada RapidMiner 5.3
Gambar diatas merupakan pohon keputusan (Decision Tree) dari hasil perhitungan dan pengujian data pada setiap atribut dengan Algoritma C4.5 pada software RapidMiner 5.3. Setelahnya didapatkan aturan (rule) yang dapat dilihat pada text view seperti pada gambar berikut ini.
Gambar 11. Rule Decision Tree Pada RapidMiner
Berdasarkan hasil dari pengolahan data menggunakan software RapidMiner didapatkan nilai akurasi testing data sebesar 88.50%, yang artinya untuk rule yang dihasilkan tingkat kebenarannya mendekati 100%. Dimana hasil akurasi tersebut diperoleh dengan pengaturan operator X-Validation dengan number validation = 10 dan sampling type = shuffled sampling. Berikut ini adalah gambar dari hasil akurasi yang diperoleh.
Gambar 12. Nilai Accuracy Performance
4. Kesimpulan
Berdasarkan dari penelitian yang telah dilakukan maka dapat disimpulkan bahwa, penerapan Data Mining dengan metode Algoritma C4.5 dapat diterapkan pada analisa faktor penyebab compulsive buying behavior seseorang dalam berbelanja. Dan telah diperoleh hasil yang sama/balance antara perhitungan manual dengan menggunakan software RapidMiner. Berdasarkan dari hasil yang sudah didapatkan, maka faktor dari kriteria/atribut yang paling dominan dalam keputusan seseorang dalam berbelanja adalah Perilaku dan Motif Seseorang Dalam Berbelanja (C1). Dimana dengan pemodelan Algoritma C4.5 pada software RapidMiner dihasilkan accuracy testing data sebesar 88,50%.
Ucapan Terimakasih
Terimakasih kepada Program Studi Sistem Informasi, STIKOM Tunas Bangsa Pematangsiantar atas dukungannya dalam terlaksananya penelitian ini, serta kepada Bapak Pembimbing Dr. Dedy Hartama, S.T., M.Kom dan Ibu Pembimbing Rafiqa Dewi, M.Kom
Referensi
[1] P. N. Tan, M. Steinbach, and V. Kumar, Introduction to Data Mining. London:
Pearson Education, 2006.
[2] A. Wanto et al., Data Mining : Algoritma dan Implementasi. Yayasan Kita
Menulis, 2020.
[3] E. P. Cynthia and E. Ismanto, “METODE DECISION TREE ALGORITMA C.45
DALAM MENGKLASIFIKASI DATA PENJUALAN BISNIS GERAI MAKANAN CEPAT SAJI,” vol. 3, no. 3, pp. 1–13, 2018.
[4] Sudirman, A. P. Windarto, and A. Wanto, “Data mining tools | rapidminer:
K-means method on clustering of rice crops by province as efforts to stabilize food crops in Indonesia,” IOP Conference Series: Materials Science and Engineering, vol. 420, no. 1, pp. 1–8, 2018.
[5] N. A. Febriyati, A. D. GS, and A. Wanto, “GRDP Growth Rate Clustering in
Surabaya City uses the K- Means Algorithm,” International Journal of Information System & Technology, vol. 3, no. 2, pp. 276–283, 2020.
[6] J. Eska, “PENERAPAN DATA MINING UNTUK PREDIKSI PENJUALAN
WALLPAPER MENGGUNAKAN ALGORITMA C4.5,” vol. 2, no. 2, pp. 9–13, 2016.
[7] M. A. Hanafiah, A. Wanto, and P. B. Indonesia, “Implementation of Data Mining
Algorithms for Grouping Poverty Lines by District/City in North Sumatra,” International Journal of Information System & Technology, vol. 3, no. 2, pp. 315– 322, 2020.
[8] I. S. Damanik, A. P. Windarto, A. Wanto, Poningsih, S. R. Andani, and W.
Saputra, “Decision Tree Optimization in C4.5 Algorithm Using Genetic Algorithm,” Journal of Physics: Conference Series, vol. 1255, no. 1, pp. 1–6, Aug. 2019.
[9] W. Katrina, H. J. Damanik, F. Parhusip, D. Hartama, A. P. Windarto, and A.
Wanto, “C.45 Classification Rules Model for Determining Students Level of Understanding of the Subject,” Journal of Physics: Conference Series, vol. 1255, no. 1, pp. 1–7, 2019.
[10] H. Siahaan, H. Mawengkang, S. Efendi, A. Wanto, and A. Perdana Windarto,
“Application of Classification Method C4.5 on Selection of Exemplary Teachers,” in Journal of Physics: Conference Series, 2019, vol. 1235, no. 1.
[11] I. Parlina et al., “Naive Bayes Algorithm Analysis to Determine the Percentage Level of visitors the Most Dominant Zoo Visit by Age Category,” Journal of
Physics: Conference Series, vol. 1255, no. 1, pp. 1–5, 2019.
[12] D. Hartama, A. Perdana Windarto, and A. Wanto, “The Application of Data
Mining in Determining Patterns of Interest of High School Graduates,” Journal of Physics: Conference Series, vol. 1339, no. 1, pp. 1–6, 2019.
[13] I. W. S. Wicaksana, L. Ambarwati, D. A. B. Baskoro, and D. A. C, Data Mining
Dengan RapidMiner. 2016.
[14] M. H. Dunham, Data Mining Introductory and Advanced Topics. 2016.
[15] B. R. C.T.I. et al., “Implemetasi k-means clustering pada rapidminer untuk analisis
daerah rawan kecelakaan,” Seminar Nasional Riset Kuantitatif Terapan 2017, no. April, pp. 58–60, 2017.
