Hal: 218-226
IMPLEMENTASI DATA MINING DENGAN METODE AlGORITMA C4.5
UNTUK MENENTUKAN TINGKAT KELAYAKAN SEPEDA MOTOR
BEKAS YANG AKAN DIJUAL (STUDI KASUS UD.NISA MOTOR)
Muhammad Fadli1
Prodi Teknik Informatika STMIK Budi Darma, Medan, Indonesia Jl. Sisingamangaraja No. 338, Medan, Indonesia
Abstrak
Dalam menentukan kelayakan sepeda motor bekas perusahaan cenderung bingung untuk menentukan atribut apa saja yang paling menetukan kelayakan sepeda motor bekas, karena ada beberapa atribut yang menentukan tingkat kelayakan sepeda motor bekas.Dalam penelitian ini, peneliti mencoba untuk menganalisis poin utama dari masalah yang ada dan tekad oleh temuan memperkuat kasus ini bahwa data dan hasil keputusan menggunakan data mining dengan metode algoritma C4.5. Pohon keputusan dapat menemukan hubungan tersembunyi antara sejumlah variabel input dengan sebuah variabel target dari data penjualan motor bekas. Penelitian ini menghasilkan pohon keputusan dari kasus yang diangkat menunjukkan bahwa ada beberapa atribut yang mempengaruhi dalam penentuan kelayakan motor bekas. Akan ditampilkan daftar nilai gain dari tiap atribut. Posisi atribut yang memiliki nilai gain paling tinggi yang ditampilkan menunjukkan penentuan atribut mana menjadi penentuan kelayakan.
Kata Kunci : Data Mining, Algoritma C4.5, Kelayakan
I. PENDAHULUAN
Data mining merupakan disiplin ilmu yang dapat membantu para pembuat keputusan dalam menetapkan keputusan. Secara garis besar metode data mining dapat dipandang dari dua pendekatan, yaitu pendekatan deskriptif dan pendekatan prediktif. Data Mining memiliki beberapa metode yang salah satunya ialah metode klasifikasi merupakan teknik Data Mining yang memetakan data ke kelompok yang telah ditetapkan. Klasifikasi merupakan metode yang termasuk kepada pendekatan deskriptif. Terdapat beberapa algoritma data mining yang menggunakan metode Classification ini, seperti C4.5, CMAR, Naïve Bayes, K Nearest Neighbours dan CART. Penggunaan metode klasifikasi dapat memanfaatkan beberapa algoritma di antaranya Algoritma C4.5. Teknik C4.5 adalah salah satu keluarga pohon keputusan yang dapat menghasilkan baik pohon keputusan dan aturan-set, dan membangun pohon untuk tujuan meningkatkan akurasi prediksi [1]. Pohon keputusan yang dihasilkan oleh C4.5 dapat digunakan untuk klasifikasi, dan untuk alasan ini, C4.5 sering disebut sebagai Penjodoh Statistik.
UD. Nisa Motor merupakan usaha dagang yang bergerak dibidang jual beli sepeda motor bekas dengan berbagai merk. UD. Nisa Motor tidak hanya melayani pembelian kendaraan secara tunai (cash) tetapi melayani penjualan kendaraan secara kredit. Membeli motor bekas dikarenakan kemampuan daya beli masyarakat yang lemah telah memunculkan bisnis baru yaitu jual beli motor bekas. Didukung oleh buruknya transportasi publik menyebabkan masyarakat memutuskan untuk menggunakan transportasi yang merakyat ini. Tapi sebagai barang bekas konsumen sangat teliti dalam membeli, karena sepeda motor bekas tidak sesempurna seperti sepeda motor baru.
Pada pengadaan barang UD. Nisa Motor sering mendapatkan sepeda motor bekas yang tidak layak dijual. Kelayakan tersebut dapat di lihat dari beberapa faktor yaitu mesin, body, cat, aki dan lain-lain. Jika pihak toko
salah dalam memprediksi kelayakan sepeda motor bekas, maka akan mengakibatkan kerugian pada perusahaan, karena pemilik usaha harus tau berapa modal yang harus dikeluarkan untuk memperbaiki sepeda motor tersebut agar tidak terjadinya kerugian. Maka dibutuhkan proses yang dapat membantu UD. Nisa Motor dalam menentukan kelayakan sepeda motor bekas yang akan dijual.
Algoritma C4.5 sudah pernah di terapkan mengekstrak pengetahuan prediksi, seperti penelitian oleh (Shary Armonitha Lusinia, S.Kom, M.Kom) dengan judul “Algoritma C4.5 Dalam Menganalisa Kelayakan Kredit” [1], dan peneitian oleh (Muhammad Husni Rifqo, Taufik Arzi) dengan judul ”Implementasi Algoritma C4.5 Untuk Menentukan Calon Debitur Dengan Mengukur Tingkat Risiko Kredit” [2]. Penelitian sebelumnya algoritma C4.5 dalam memprediksi sudah terbukti sangat akurat, Dalam Penelitian terdahulu menjadi salah satu acuan penulis dalam melakukan penelitian sehingga penulis dapat memperkaya teori yang digunakan dalam mengkaji penelitian yang dilakukan.
II. TEORITIS A. Data Mining
Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. Teknik-teknik, metode-metode, atau algoritma dalam data mining sangat bervariasi. Pemilihan metode atau algoritma yang tepat sangat bergantung pada tujuan dan proses Knowledge Discovery in Database (KDD) secara keseluruhan [2].
Dari definisi-definisi yang telah disampaikan, hal yang penting yang terkait data mining menurut :
1. Data mining merupakan suatu proses otomatis terhadap data yang sudah ada
2. Data yang akan diproses merupakan data yang sangat besar.
Hal: 218-226 3. Tujuan data mining adalah mendapatkan hubungan
atau pola yang mungkin memberikan indikasi yang bermanfaat.
B. Algoritma C4.5
Algoritma C4.5 merupakan algoritma yang sangat populer yang digunakan oleh banyak peneliti di dunia, hal ini dijelaskan oleh Xindong Wu dan Vipin Kumar dalam bukunya yang berjudul The Top Ten Algorithms in Data Mining. Algoritma C4.5 merupakan pengembangan dari algoritma ID3 yang di ciptakan oleh J. Rose Quinlan [2]. Secara umum algoritma C4.5 untuk membangun pohon keputusan adalah sebagai berikut: a. Pilih atribut sebagai akar.
b. Buat cabang untuk tiap-tiap nilai. c. Bagi kasus dalam cabang
d. ulangi proses untuk setiap 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 gain digunakan persamaan 1.
Gain(S,A)=Entropy(S)-∑ |𝑆ᵢ| |𝑆| ∗ 𝑛 𝑖=𝑙 Entropy(Si) Keterangan : S = himpunan kasus A = atribut
n = jumlah partisi atribut A |Si| = jumlah kasus pada partisi ke-i |S| = jumlah kasus dalam S
Sementara itu, perhitungan nilai entropy dapat dilihat pada persamaan 2.
Entropy(S)=∑𝑛𝑖=𝑙−pi*log₂ pi Keterangan :
S = himpunan kasus A = fitur
n = jumlah partisi S
pi = proporsi dari Si terhadap S C. Kelayakan
Kelayakan artinya penelitian dilakukan secara mendalam untuk menentukan apakah usaha atau bidang yang akan dijalankan akan memberikan manfaat yang lebih besar dibandingkan dengan biaya yang dikeluarkan. Pengertian layak dalam penilaian ini adalah kemungkinan bahwa gagasan usaha/proyek yang akan dilaksanakan memberikan manfaat (benefit), baik dalam arti financial benefit maupun social benefit [6].
III. ANALISA A. Analisa Masalah
Untuk proses menganalisa kelayakan sepeda motor bekas yang ada pada UD. Nisa Motor adalah dengan cara mengetahui apa saja kriteria-kriteria yang dilihat dalam membeli sepeda motor bekas. Melihat pembelian sepeda motor bekas tersebut lalu penulis menarik kesimpulan ada beberapa kriteria yang dilihat ketika membeli sepeda motor bekas. Dan penulis menarik beberapa kesimpulan mengenai kriteria kelayakan motor bekas yaitu berupa kondisi sepeda motor bekas, dan harga yang menyebabkan konsumen kurang berminat untuk membeli sepeda motor bekas.
Setelah melakukan analisa masalah, selanjutnya menentukan variable input data. Pada algoritma C4.5 akan dilakukan perancangan decision tree, dengan memilih atribut pada field- field data sebagai akar, membuat cabang untuk masing-masing nilai. Membagi kasus dalam cabang, dan mengulangi proses untuk masing-masing cabang sampai semua kasus pada cabang memiliki kelas yang sama. Berdasarkan variabel-variabel yang sudah dipilih dari 20 data sampel, format data menjadi seperti tabel 1. sebagai berikut:
Table 1. Sampel data yang digunakan N o Jenis Moto r M esi n Ra ng ka Bo di Ca t Ak i Aks esor is Ha rg a Kep utus an 1 HON DA BEA T CW H al us Mu lus Le cet Ku sa m So ak Sem i mod if M ah al Tida k laya k 2 HON DA SPA CY H al us Mu lus Le cet Ba ret No rm al Ori Se da ng Laya k jual 3 HON DA MEG A PRO K as ar Mu lus M ulu s Ga nti cat So ak Ori M ah al Tida k laya k 4 HON DA KHA RIS MA X K as ar Ker opo s Le cet Ku sa m So ak Ori Se da ng Tida k laya k 5 HON DA SUP RA FIT X H al us Mu lus M ulu s Ku sa m No rm al Ori Se da ng Laya k jual 6 HON DA SCO OPY K as ar Ker opo s M ulu s Ba ret So ak Ori M ah al Tida k laya k 7 YAM AHA JUPI TER Z CW K as ar Ker opo s Le cet Ga nti cat So ak Sem i mod if M ura h Tida k laya k 8 YAM AHA SCO RPIO Z H al us Mu lus M ulu s Ku sa m So ak Sem i mod if M ah al Tida k laya k 9 HON DA VAR IO TEC HNO 125 ESP H al us Mu lus M ulu s Ku sa m No rm al Ori Se da ng Laya k jual 1 0 YAM AHA JUPI TER MX H al us Ker opo s Pe ny ok Ku sa m No rm al Ori M ura h Tida k laya k 1 1 HON DA SPA CY H al us Ker opo s M ulu s Ba ret No rm al Sem i mod if M ah al Laya k jual
Hal: 218-226 N o Jenis Moto r M esi n Ra ng ka Bo di Ca t Ak i Aks esor is Ha rg a Kep utus an PGM -FI 1 2 HON DA VAR IO TEC HNO 110 H al us Mu lus Le cet Ga nti cat So ak Ori Se da ng Tida k laya k 1 3 YAM AHA VIXI ON H al us Ker opo s Le cet Ga nti cat No rm al Sem i mod if Se da ng Tida k laya k 1 4 HON DA BEA T CW K as ar Mu lus Pe ny ok Ku sa m So ak Sem i mod if M ura h Tida k laya k 1 5 SUZ UKI SAT RIA F 150 K as ar Mu lus M ulu s Ba ret No rm al Ori Se da ng Laya k jual 1 6 MIO SOU L GT YM JET FI H al us Mu lus M ulu s Ku sa m No rm al Ori Se da ng Laya k jual 1 7 HON DA SUP RA X 125 CW H al us Ker opo s Le cet Ku sa m No rm al Ori M ah al Tida k laya k 1 8 HON DA SUP RA X 125 PGM FI H al us Mu lus Le cet Ba ret No rm al Ori ma hal Laya k jual 1 9 YAM AHA RX KIN G K as ar Mu lus M ulu s Ba ret So ak Ori M ah al Tida k laya k 2 0 HON DA CBR 150 R H al us Mu lus M ulu s Ba ret No rm al Sem i mod if Se da ng Laya k jual
Untuk melihat atribut sebagai akar, didasarkan pada nilai Gain tertinggi dari atribut-atribut yang ada. Untuk menghitung Gain digunakan rumus (1), sedangkan untuk menghitung nilai Entropy dapat dilihat pada rumus (2). Dengan menggunakan dua persamaan tersebut maka akan didapat nilai Entropy pada Gain yang digunakan sebagai akar dalam membuat pohon keputusan. Menghitung jumlah kasus, jumlah untuk keputusan “Layak Jual”, jumlah kasus untuk keputusan “Tidak layak”, dan kasus yang dibagi berdasarkan atribut Mesin, Rangka, Cat, Bodi, Aki dan Aksesoris, dan harga. Setelah itu, lakukan perhitungan Gain untuk setiap atribut.
1. Nilai Entropy
a. Entropy Total = Entropy (S) = ∑𝑛 −
𝑖=𝑙 pi*log₂ pi
Entropy Total = ((-8/20 * log 2 (8/20) + (-12/20 * log 2 (12/20)) = 0,97088
b. Entropy Mesin
Nilai atribut “Kasar” = (1/7 * log 2 (1/7) + (-6/7 * log 2 ((-6/7)) = 0,59151
Nilai atribut “Halus” = ((-1/13 * log 2 (1/13) + (-6/13 * log 2 (6/13)) = 0,79941
c. Entropy Rangka
Nilai atribut “ Mulus” = ((-7/13 * log 2 (7/13) + (-6/13 * log 2 (6/13)) = 0,99560
Nilai atribut “ Keropos” = ((-6/7 * log 2 (6/7) + (-1/7 * log 2 (1/7)) = 0,59159
d. Entropy Bodi
Nilai atribut “Lecet” = (2/8 * log 2 (2/8) + (-6/8 * log 2 ((-6/8)) = 0,81117
Nilai atribut “Mulus” = ((-6/10 * log 2 (6/10) + (-4/10 * log 2 (4/10)) = 0,97086
Nilai atribut “Penyok” = (0/2 * log 2 (0/2) + (-2/2 * log 2 ((-2/2)) = 0
e. Entropy Cat
Nilai atribut “Kusam” = (3/9 * log 2 (3/9) + (-6/9 * log 2 ((-6/9)) = 0,66073
Nilai atribut “Baret” = (6/7 * log 2 (6/7) + (-2/7 * log 2 ((-2/7)) = 0,65360
Nilai atribut “ Ganti cat” = ((-0/4 * log 2 (0/4) + (-4/4 * log 2 (4/4)) = 0
f. Entropy Aki
Nilai atribut “Normal” = ((-8/11 * log 2 (8/11) + (-3/11 * log 2 (3/11)) = 0,66220
Nilai atribut “Soak” = (0/9 * log 2 (0/9) + (-9/9 * log 2 ((-9/9)) = 0
g. Entropy Aksesoris
Nilai atribut “Ori” = (6/13 * log 2 (6/13) + (-7/13 * log 2 ((-7/13)) =0 ,99569
Nilai atribut “Semi modif” = ((-2/7 * log 2 (2/7) + (-5/7 *log 2 (5/7)) = 0,86307
h. Entropy Harga
Nilai atribut “Mahal”= (2/8 * log 2 (2/8) + (-6/8 * log 2 ((-6/8)) = 0,811175
Nilai atribut ” Sedang” = (6/9 * log2 (6/9) + (-3/9 * log 2 ((-3/9)) = 0,770127
Nilai atribut “Murah” = (0/3 * log 2 (0/3) + (-3/3 * log 2 ((-3/3)) = 0
2. Nilai Gain
Berikut ini adalah nilai Gain dari setiap kriteria. Nilai Gain Mesin
= 0,97088 – ((-7/20) * 0,59151)) + ((13/20) * 0,79941)) = 0,24423
Nilai Gain Rangka
= 0,97088 – ((-13/20) * 0,99560)) + ((7/20) * 0,59159 )) = 0,11668
Nilai Gain Bodi
= 0,97088 – ((-8/20) * 0,81117)) + ((10/20) * 0,97086)) + ((2/20) * 0))) = 0,16098
Nilai Gain Cat
= 0,97088 – ((-9/20) * 0,66073)) + ((7/20) * 0,65360)) + ((4/20) * 0))) = 0,44479
Nilai Gain Aki
= 0,97088 – ((-11/20) * 0,66220)) + ((9/20) * 0)) = 0,60667
Nilai Gain Aksesoris
= 0,97088 – ((13/20) * 0,99569)) + ((7/20) * 0,86307)) = 0,02160
Hal: 218-226 =0,97088 – ((8/20) * 0,811175)) + ((9/20) *
0,770127)) + ((3/20) * 0)) = 0,299853
Setelah di dapatkan nilai Entropy dan Gain dari sampel data yang dimiliki, berikut ini adalah rekapitulasi perhitungan nilai Entropy dan Gainnya.
Tabel 2. Rekapitulasi Hasil
N od e Keter angan Ju mla h kas us (S) Sum( Laya k jual) Sum( Tidak layak ) Entr opy Gai n 1 Tota l 20 8 12 0,9 708 8 Mesi n 0,2 442 3 Kasar 7 1 6 0,5 915 1 Halus 13 1 6 0,7 994 1 Ran gka 0,1 166 8 Mulu s 13 7 6 0,9 956 0 Kero pos 7 6 1 0,5 915 9 Bodi 0,1 609 8 Lecet 8 2 6 0,8 111 7 Mulu s 10 6 4 0,9 708 6 Peny ok 2 0 2 0 Cat 0,4 447 9 Kusa m 9 3 6 0,6 607 3 Baret 7 6 2 0,6 536 0 Ganti cat 4 0 4 0 Aki 0,6 066 7 Norm al 11 8 3 0,6 622 0 Soak 9 0 9 0 Akse soris 0,0 216 0 Ori 13 6 7 0,9 956 9 Semi modif 7 2 5 0,8 630 7 Harg a 0,2 998 5 Maha l 8 2 6 0,8 111 7 Sedan g 9 6 3 0,7 701 2 Mura h 3 0 3 0
Tabel di atas menunjukkan bahwasanya kriteria Aki memiliki nilai Gain yang paling tinggi. Untuk fase selanjutnya adalah pembentukan Tree (pohon keputusannya). Berikut ini adalah Tree dari nilai Entropy dan Gainnya:
Gambar 1. Node 1
Pohon keputusan di atas belum terlihat keputusan yang dominan. Maka harus mencari kembali nilai Entropy dan Gain dari setiap atribut (kriteria) Aki = Normal.
1. Nilai Entropy
Tabel 3. Sampel Data Yang Di Uji Ulang (Kriteria Aki) Kriteria Atribut Jumlah
kasus Layak jual Tidak layak Aki Normal 11 8 3
Hitung nilai Entropy dari atribut Aki = Normal yang memiliki jumlah kasus “11” seperti terlihat pada Tabel di bawah ini.
Tabel 4. Atribut Aki
N o Jenis Moto r M esi n Ran gka Bo di
Cat Aki Aks esori s Har ga Kepu tusan 2 HON DA SPA CY Ha lus Mul us Lec et Ba ret Nor mal Ori Sed ang Laya k jual 5 HON DA SUP RA FIT X Ha lus Mul us Mu lus Ku sa m Nor mal Ori Sed ang Laya k jual 9 HON DA VAR IO Ha lus Mul us Mu lus Ku sa m Nor mal Ori Sed ang Laya k jual Tidak layak 1 Aki 1.1 ????
Hal: 218-226 N o Jenis Moto r M esi n Ran gka Bo di
Cat Aki Aks esori s Har ga Kepu tusan TEC HNO 125 ESP 1 0 YA MA HA JUPI TER MX Ha lus Ker opo s Pen yok Ku sa m Nor mal Ori Mu rah Tida k layak 1 1 HON DA SPA CY PGM FI Ha lus Ker opo s Mu lus Ba ret Nor mal Sem i mod if Ma hal Laya k jual 1 3 YA MA HA VIXI ON Ha lus Ker opo s Lec et Ga nti cat Nor mal Sem i mod if Sed ang Tida k layak 1 5 SUZ UKI SAT RIA F 150 Ka sar Mul us Mu lus Ba ret Nor mal Ori Sed ang Laya k jual 1 6 MIO SOU L GT YM JET FI Ha lus Mul us Mu lus Ku sa m Nor mal Ori Sed ang Laya k jual 1 7 HON DA SUP RA X 125 CW Ha lus Ker opo s Lec et Ku sa m Nor mal Ori Ma hal Tida k layak 1 8 HON DA SUP RA X 125 PGM FI Ha lus Mul us Lec et Ba ret Nor mal Ori Ma hal Laya k jual 2 0 HON DA CBR 150 R Ha lus Mul us Mu lus Ba ret Nor mal Sem i mod if Sed ang Laya k jual
Selanjutnya menghitung nilainya, berikut ini adalah rekapitulasi nilai entropy dan gainnya.
1. Nilai Entropy Aki= Normal
a. Entropy Aki= Normal = (8/11 * log 2 (8/11) + (-3/11 * log 2 ((-3/11)) = 0,84530
b. Entropy Mesin
Nilai atribut “Kasar” = ((-1/1 * log 2 (1/1) + (-0/1 * log 2 (0/1)) = 0
Nilai atribut “Halus” = (7/10 * log 2 (7/10) + (-3/10 * log 2 ((-3/10)) = 0,51445
c. Entropy Rangka
Nilai atribut “ Mulus” = (7/7 * log 2 (7/7) + (-0/7 * log 2 ((-0/7)) = 0
Nilai atribut “ Keropos” = (1/4 * log 2 (1/4) + (-3/4 * log 2 ((-3/4)) = 0,81117
d. Entropy Bodi
Nilai atribut “Lecet” = ((-2/4 * log 2 (2/4) + (-2/4 * log 2 (2/2)) = 1
Nilai atribut “Mulus” = ((-6/6 * log 2 (6/6) + (-0/6 * log 2 (0/6)) = 0
Nilai atribut “Penyok” = (0/1 * log 2 (0/1) + (-1/1 * log 2 ((-1/1)) = 0
e. Enropy Cat
Nilai atribut “Kusam” = (3/5 * log 2 (3/5) + (-2/5 * log 2 ((-2/5)) = 0,97082
Nilai atribut “Baret” = ((-5/5 * log 2 (5/5) + (-0/5 * log 2 (0/5)) = 0
Nilai atribut “ Ganti cat” = ((-0/1 * log 2 (0/1) + (-1/0 * log 2 (1/0)) = 0
f. Entropy Aksesoris
Nilai atribut “Ori” = ((-6/8 * log 2 (6/8) + (-2/8 * log 2 (2/8)) = 0,81112
Nilai atribut “Semi modif” = ((-2/3 * log 2 (2/3) + (-1/3 *log 2 (1/3)) = 0,91821
g. Entropy Harga
Nilai atribut “Mahal” = ((-2/3 * log 2 (2/3) + (-1/3 * log 2 (1/3)) = 0,91842
Nilai atribut “Sedang” = (6/7 * log 2 (6/7) + (-1/7 * log 2 ((-1/7)) = 0,59159
Nilai atribut “Murah” = (0/1 * log 2 (0/1)) + (-1/1 * log 2 ((-1/1)) = 0
2. Nilai Gain
Berikut ini adalah nilai Gain dari setiap kriteria. Nilai Gain Mesin = 0,84530 – ((-1/11) * 0)) + ((10/11) * 0,51445)) = 0,37762
Nilai Gain Rangka = 0,84530 – ((-7/11) * 0)) + ((4/11) * 0,81117)) = 0,55033
Nilai Gain Bodi = 0,84530 – ((-4/11) * 1)) + ((6/11) * 0)) + ((1/11) * 0))) = 0,48167
Nilai Gain Cat = 0,84530 – ((-5/11) * 0,97082)) + ((5/11) * 0)) + ((1/11) * 0))) = 0,4040
Nilai Gain Aksesoris = 0,84530 – ((8/11) * 0,81112)) + ((3/11) * 0,91821)) = 0,00498
Nilai Gain Harga =0,84530 – ((3/11) * 0,91842)) + ((7/11) * 0,59159)) + ((1/11) * 0)) = 0,37212
Setelah menghitung jumlah kasus, berikut ini adalah rekapitulasi perhitungan nilai Entropy dan
Gainnya.
Tabel 5. Atribut Aki
No de Keteran gan Juml ah Kasu s (S) Sum (Lay ak jual) Sum (Tid ak laya k) Entro py Gain 1.1 Aki = Norma l 11 8 3 0,845 30 Mesin 0,377 62 Kasar 1 1 0 0 Halus 10 7 3 0,514 45 Rangk a 0,550 33 Mulus 7 7 0 0 Keropos 4 1 3 0,811 17 Bodi 0,481 67 Lecet 4 2 2 1 Mulus 6 6 0 0 Penyok 1 0 1 0 Cat 0,404 02 Kusam 5 3 2 0,970 82 Baret 5 5 0 0 Ganti cat 1 0 1 0 Akseso ris 0,004 98
Hal: 218-226 Ori 8 6 2 0,811 12 Semi Modif 3 2 1 0,918 21 Harga 0,372 12 Mahal 3 2 1 0,918 42 Sedang 7 6 1 0,591 59 Murah 1 0 1 0
Berdasarkan tabel di atas terlihat bahwasanya Atribut = Rangka memiliki nilai Gain tertinggi yaitu sebesar 0,55033. Maka untuk Root selanjutnya pada pohon keputusannya dapat terlihat pada gambar pohon (tree) berikut ini:
Gambar 2. Node 1.1
Kemudian melakukan perhitungan nilai entropy dan gain kembali. Setelah di dapatkan nilai Entropy dan
Gain dari sampel data yang dimiliki, berikut ini adalah
rekapitulasi perhitungan nilai Entropy dan Gainnya. Tabel 6. Hitung Nilai Entropy Rangka = Keropos
No de Keteran gan Juml ah Kasu s (S) Sum (Lay ak Jual) Sum (Tid ak laya k) Entro py Gain 1.1. 1 Aki = Norma l Dan Rangk a = Kerop os 4 1 3 0,811 17 Mesin 0 Kasar 0 0 0 0 Halus 4 1 3 0,811 17 Bodi 0,811 17 Lecet 2 0 2 0 Mulus 1 1 0 0 Penyok 1 0 1 0 Cat 0,811 17 Kusam 2 0 2 0 Baret 1 1 0 0 Ganti cat 1 0 1 0 Akseso ris 0.311 17 Ori 2 0 2 0 Semi modif 2 1 1 1 Harga 0,311 17 Mahal 2 1 1 1 Sedang 1 0 1 0 Murah 1 0 1 0
Berdasarkan tabel di atas terlihat bahwasanya kriteria Bodi dan Cat memiliki nilai Gain tertinggi dan nilai yang sama, maka untuk Root selanjutnya harus memilih salah satu dari kriteria tersebut, dan penulis memilih kriteria bodi. Pada kriteria bodi terdapat 3 atribut, yaitu lecet, mulus, penyok. Ketiga atribut tersebut juga memiliki nilai yang sama yaitu 0. Maka pembentukan akar terhenti sampai kriteria bodi. Pada pohon keputusannya dapat terlihat pada gambar pohon (tree) berikut ini:
Gambar 3. Pohon Keputusan Akhir
Maka basis pengetahuan atau rule yang terbentuk yaitu:
1. Jika Aki Soak maka hasilnya adalah Tidak layak. 2. Jika Aki Normal dan Rangka Mulus maka hasilnya
adalah Layak dijual.
3. Jika Aki Normal dan Rangka Keropos dan Bodi Penyok maka hasilnya adalah Tidak layak.
4. Jika Aki Normal dan Rangka Keropos dan Bodi Lecet maka hasilnya Tidak layak.
5. Jika Aki Normal dan Rangka Keropos dan Bodi Mulus maka hasilnya Layak dijual.
Berdasarkan hasil pohon keputusan diatas yang menjadi kriteria kelayakan sepeda motor bekas adalah kriteria aki, rangka, dan bodi. sedangkan Mesin, Cat, Aksesoris dan Harga tidak menentukan kelayakan sepeda motor bekas
IV. IMPLEMENTASI
Untuk implementasi sistem ini ada beberapa spesifikasi perangkat lunak dan perangkat keras yang dibutuhkan.
Spesifikasi perangkat keras (Hardware) yang digunakan untuk implementasi pembuatan dan menjalankan program, Adapun perangkat keras yang digunakan sebagai berikut:
1.laptop HP 1000 Notebook PC 1 Aki 1.1 Ran gka 1.1.1 ???? Tidak layak Layak jual 1 Aki Tidak layak 1.1 Rangk a 1.1.1 Bodi Layak jual
Hal: 218-226 2.Harddisk 100 GB, RAM 2.00 GB
3.Processor AMD E1-1200 APU Radeon (tm) HD Graphics (2 CPUs), 1.4 GHz.
Dalam pembuatan program ini diperlukan beberapa perngkat lunak (Software) yaitu :
1.Sistem operasi : Windows 7 ultimate 32- bit 2.Pengujian : WEKA 3.6.9
3.Basis data : Microsoft Office Excel 2007
Sebelum pengujian, data terlebih dahulu diolah menjadi format *.arff agar bisa di implementasikan menggunakan WEKA. .arff adalah format yang digunakan dalam WEKA. Data yang sudah dibuat menggunakan database Microsoft excel terlebih terlebih dahulu diubah ke format *.csv. Berikut langkah-langkah mendapatkan format *.csv.
1. Buka file Microsoft excel yang akan diolah lalu klik Save As.
Gambar 4. Tampilan pembuatan format csv 2. Simpan ke dalam format *.csv (command delimited).
Gambar 5.Tampilan pembuatan format csv 3. Selanjutnya buka aplikasi WEKA dan Klik Eksplorer.
Gambar 6. Tampilan WEKA untuk ubah format csv ke arff
4. Klik open file dan buka file *.csv yang sudah disimpan.
Gambar 7. Tampilan WEKA untuk ubah format csv ke arff
5. Jika file sudah masuk lalu klik save untuk menyimpan file ke format .*arff.
Gambar 8. Tampilan WEKA untuk ubah format csv ke arff
6. Dibawah ini merupakan tampilan format arff. Buka dengan notepad ++.
Gambar 9.Tampilan format arff
Pada tahap pengujian menggunakan software
WEKA untuk melihat hasil dari perhitungan menggunakan algoritma C4.5. Berikut adalah langkah-langkah pengujian menggunakan WEKA.
1. Pada menu utama pilih Eksplorer.
Eksplore digunakan untuk menggali lebih jauh data dengan aplikasi WEKA.
Hal: 218-226 2. Selanjutnya klik Open file untuk membuka document
yang telah disimpan.
Gambar 11. Tampilan pengujian
3. Pilih folder data sepeda motor yang sudah diolah lalu klik Open.
Gambar 12. Tampilan Pengujian 4. Klik Classify
Classify digunakan untuk proses klasifikasi atau prediksi.
Gambar 13. Tampilan Pengujian 5. Lalu klik Choose
Choose digunakan untuk memilih bentuk pohon keputusan.
Gambar 14. Tampilan Pengujian 6. Pilih folder trees lalu klik J48
J48 atau sama dengan algoritma C4.5.
Gambar 14. Tampilan Pengujian
7. Kemudian kik Start untuk memulai klasifikasi, lalu klik kanan pada result list.
Gambar 15. Tampilan pengujian
8. Lalu pilih Visualize tree untuk melihat bentuk pohon keputusan.
Gambar 16. Tampilan pengujian
9. Finish atau tampilan pohon keputusan hasil dari pengujian.
Gambar 17. Tampilan Hasil Pengujian Penjelasan:
1. Jika Aki Soak maka sepeda motor Tidak layak dijual. 2. Jika Aki Normal dan Rangka Mulus maka sepeda
motor Layak dijual.
3. Jika Aki Normal, Rangka Keropos dan Bodi Penyok maka sepeda motor Tidak layak dijual.
4. Jika Aki Normal, Rangka Keropos dan Bodi Lecet maka sepeda motor Tidak layak dijual.
5. Jika Aki Normal, Rangka Keropos dan Bodi Mulus maka sepeda motor Layak dijual.
6. Jika aki normal, rangka keropos, bodi lecet, dan ganti cat maka sepeda motor tidak layak dijual.
7. Jika aki normal, rangka keropos, bodi lecet, dan cat baret maka sepeda motor layak dijual.
8. Jika aki normal, rangka keropos, bodi lecet, dan cat mulus maka sepeda motor layak dijual.
Terlihat bahwa kriteria aki mempunyai information gain tertinggi, kriteria rangka menjadi node cabang aki, kriteria bodi menjadi node cabang rangka, dan kriteria cat menjadi node cabang kriteria bodi, maka sesuai dengan perhitungan manualnya.
Hal: 218-226 V. KESIMPULAN
Dari hasil penelitian yang penulis lakukan pada UD. Nisa Motor, maka penulis mengambil kesimpulan penentuan kelayakan sepeda motor bekas menggunakan metode data mining khususnya algoritma C4.5 akan bermanfaat sekali dalam pembelian sepeda motor bekas pada UD. Nisa Motor. Maka dapat disimpulkan bahwa: 1. Yang menjadi faktor tertinggi yang menentukan
tingkat kelayakan motor bekas adalah kriteria Aki, faktor kedua yaitu pada kriteria Rangka, faktor ketiga yaitu pada kriteria Bodi, dan faktor keempat yaitu pada kriteria Cat.
2. Kriteria Mesin, Aksesoris, dan Harga tidak mempengaruhi penentuan kelayakan sepeda motor bekas.
3. Pengujian yang telah dilakukan dapat disimpulkan bahwa data mining classification dengan menggunakan metode pohon keputusan algoritma C4.5 untuk membentuk pohon keputusan kelayakan sepeda motor bekas dapat diterapkan menggunakan weka dan mendapatkan hasil yang maksimal.
REFERENCES
[1] M.Kom, Lusinia S.Kom and Shary Armonitha, "Algoritma C4.5 Dalam Menganalisa Kelayakan Kredit(Studi Kasus Di Koperasi Pegawai Republik Indonesia (KP-RI) Lengayang Pesisir Selatan, Painan, Sumatera Barat)," Jurnal KomTekInfo Fakultas Ilmu
Komputer, vol. 1, p. 2, Desember 2014.
[2] Muhammad Husni Rifqo and Taufik Arzi, "Implementasi Algoritma C4.5 Untuk Menentukan Calon Debitur Dengan Mengukur Tingkat Risiko Kredit Pada BANK BRI Cabang Curup," Jurnal Pseudocode, vol. III, September 2016. [3] Kennedi Tampubolon, Hoga Saragih, and Bobby Reza,
"Implementasi Data Mining Algoritma Apriori pada Persediaan Alat-Alat Kesehatan," Informasi dan Teknologi Ilmiah (INTI), vol. I, Oktober 2013.
[4] Yuli Mardi, "Data Mining : Klasifikasi Menggunakan Algoritma C4.5," Jurnal Edik Informatika, vol. 2, 2016.
[5] David Hartanto Kamagi and Seng Hansun, "Implementasi Data Mining dengan Algoritma C4.5 Untuk Memprediksi Tingkat Kelulusan Mahasiswa," ULTIMATICS, vol. VI, Juni 2014. [6] Nurma Jayanti, Sulistyo Puspitodjati, and Tety Elida, "Teknik
Klasifikasi Pohon Keputusan Untuk Memprediksi Kebangkrutan BANK Berdasarkan Rasio Keuangan BANK," Proceeding,
Seminar Ilmiah Nasional Komputer dan Sistem Intelijen (KOMMIT 2008), Agustus 2008.
[7] Billy Firman Manope, Paulus Kindangen, and Hendra Tawas, "Analisa Kelayakan Usaha Komoditas Biji Dan Fuli Pala Melalui Penilaian Aspek Finansial Pada Pedagang Pengumpul “Kios Chandra” Di Pulau Siau," Jurnal EMBA, vol. 2, no. 4, pp. 320-330, Desember 2014.
[8] Dwiky Andika. (2016) Pengertian flowcart. [Online]. https://www.it-jurnal.com/pengertian-flowchart/
[9] Slamet Pujiono, Armansyah Amborawati, and M Suyanto, "Analisis Kepuasan Publik Menggunakan WEKA Dalam Mewujudkan Good Governance Di Kota Yokyakarta," Jurnal
Dasi, vol. 14, Juni 2013.
[10] Meita Restiana and Sukadi , "Sistem Informasi Penggajian Karyawan Pada Commenditaire Vennontschap (CV) RGL,"
Journal Speed – Sentra Penelitian Engineering dan Edukasi, vol.
6, 2014.
[11] Adi Kusrianto, Memanfaatkan Formula da Fungsi Microsoft
Office Excel 2007.: PT Elex Media Komputindo, 2007.
[12] D. P. Utomo and B. Purba, "Penerapan Datamining pada Data Gempa Bumi Terhadap Potensi Tsunami di Indonesia," Prosiding Seminar Nasional Riset Information Science (SENARIS), vol. 1, pp. 846-853, 2019.
