KLASIFIKASI PRODUK PENJUALAN BROWNIES MENGGUNAKAN DATA MINING METODE ALGORITMA C4.5

(1)

JURSIMA https://ejournal.stmikgici.ac.id/

Jurnal Sistem Informasi dan Manajemen STMIK GICI 239

KLASIFIKASI PRODUK PENJUALAN BROWNIES MENGGUNAKAN DATA MINING METODE ALGORITMA C4.5

Fathurrohman¹⁾, Iin²⁾, Dian Ade Kurnia³⁾, Ade Irma Purnamasari⁴⁾

1,2)Rekayasa Perangkat Lunak, Sekolah Tinggi Manajemen Informatika dan Komputer IKMI Cirebon, Kota Cirebon

3)Manajemen Informatika, Sekolah Tinggi Manajemen Informatika dan Komputer IKMI Cirebon, Kota Cirebon

4)Teknik Informatika, Sekolah Tinggi Manajemen Informatika dan Komputer IKMI Cirebon, Kota Cirebon

email: fathurrahman.ikmi@gmail.com¹⁾, isholihin87@gmail.com²⁾, dianade@gmail.com³⁾, irma2974@yahoo.com⁴⁾

Abstrak

Permasalahan pandemi covid 19 ini sangat memukul semua pihak penjualan diera pandemi ini harus jeli dengan perubahan, pengusaha maka wajib mengatur keuangan dengan baik guna tidak mengalami colaps atau bangkrut. solusi yang dilakukan oleh pengusaha mulai dari mengurangi jumlah produksi, mengurangi karyawan dan atau mempromosikan secara masif. Tujuan pada penelitian ini agar dapat menyusun kriteria, menerapkan pola data mining dengan menggunakan algoritma C.45, dan mengetahui nilai akurasi dalam mengklasifikasi penjualan produk Amanda.

Metode pendekatan menggunakan algoritma C.45 dan hasilnya yaitu hasil akurasi pada penelitian ini sebesar 89,67%. Prediksi Laris dengan Kurang Laris sebanyak 16 data adapun produk sebagai berikut: Bolu Ketan Vanila, Brownies Bakar, Brownies Banana Cheese, Brownies Cream Cheese, Brownies Sarikaya Pandan, Original Ganache Choco, Pisang Bolen Coklat dan Sweet Stick.

Prediksi Laris dan tidak Laris sebanyak 75 data adapun produk sebagai berikut Banana Chips Keju, Banana Chips Original, Bolu Ketan Vanila, Bolu Pandan, Brownies Bakar, Brownies Banana Cheese, Brownies Blueberry, Brownies Choco Marble, Brownies Cream Cheese, Brownies Green Tea, Brownies Kering, Brownies Original, Brownies Pastry, Brownies Pink Marble, Brownies Sarikaya Pandan, Brownies Strawberry, Brownies Tiramisu, Brownies Tiramisu Marble, Cheese Roll, Cheese Stick, Original Ganache Choco, Pisang Bolen Coklat, dan Pisang Bolen Keju.

Kata Kunci : Algoritma C.45, Prediksi, Brownies.

Abstract

The problem of the Covid 19 pandemic has hit all sales parties in the era of this pandemic, they must be observant with changes, entrepreneurs are obliged to manage their finances properly so as not to collapse or go bankrupt. solutions undertaken by entrepreneurs ranging from reducing the amount of production, reducing employees and / or promoting massively. The purpose of this study is to be able to formulate criteria, apply a datamining pattern using the C.45 algorithm, and find out the accuracy value in classifying Amanda product sales. The approach method uses the C.45 algorithm and the results are the results of the accuracy in this study of 89.67%. Prediction of best selling with less than 16 data as for the following products, Vanilla Sticky Rice Cake, Baked Brownies, Banana Cheese Brownies, Cream Cheese Brownies, Sarikaya Pandan Brownies, Original Ganache Choco, Banana Bolen Chocolate and Sweet Stick. Prediction Best selling with

(2)

true. Selling as much as 75 data for the following products: Banana Chips Cheese, Original Banana Chips, Vanilla Sticky Rice Cake, Pandan Cake, Grilled Brownies, Banana Cheese Brownies, Blueberry Brownies, Choco Marble Brownies, Cream Cheese Brownies, Green Tea Brownies, Brownies Dry, Original Brownies, Pastry Brownies, Pink Marble Brownies, Sarikaya Pandan Brownies, Strawberry Brownies, Tiramisu Brownies, Tiramisu Marble Brownies, Cheese Rolls, Cheese Sticks, Original Ganache Choco, Chocolate Bolen Bananas, and Cheese Bolen Bananas.

Keywords: C.45 Algorithm, Prediction, Brownies.

PENDAHULUAN

Dewasa ini dunia teknologi informasi di era globalisasi saat ini memang sangatlah cepat, hal tersebut.menuntut semua perusahaan yang ada untuk mampu saling bersaing satu sama lain. Keberadaan suatu operasional sistem tersebut sangatlah berguna, namun tidak semuanya mampu menghasilkan informasi berharga seperti yang diharapkan oleh perusahaan.

Persaingan dalam lingkup bisnis tersebut, memaksa para pelaku bisnis untuk memikirkan strategi dan juga terobosan yang dapat menjamin keberlangsungan dari bisnis yang dijalankannya.

Data Mining banyak menarik perhatian masyarakat karena mampu mengubah data yang luas dengan jumlah yang besar menjadi sebuah informasi atau pengetahuan yang bermanfaat. Informasi dari hasil data mining dapat di aplikasikan seperti analisa penjualan, deteksi penipuan, dan retensi pelanggan, untuk perencanaan produksi dan juga ilmu pengetahuan eksplorasi.[1]

Penelitian yang dilakukan oleh eka pandu cynthia, pada judul metode decision tree algoritma c.45 dalam mengklasifikasi data penjualan bisnis gerai makanan cepat saji dijurnal jurnal riset sistem informasi dan teknik informatika (jurasik) volume (3) juli 2018, pp 1-13 issn: 2527- 5771/eissn: 2549 7839 menjelaskan bahwa 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. Tujuan penelitian ini adalah penulis mencoba menerapkan teknik data mining metode decision tree algoritma c4.5 pada bisnis gerai makanan cepat saji dan diharapkan dapat memberikan informasi berupa klasifikasi penjualan menu makanan yang paling digemari pelanggan dan kurang digemari (laris dan kurang laris). Metodologi yang digunakan dalam mengklasifikasi penjualan menu makanan ini menggunakan tahapan algoritma c.45, 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. Dari hasil percobaan pencarian pohon hasil keputusan dari data penjualan gerai makanan cepat saji menggunakan algoritma c4.5 dihasilkan nilai entropy dan gain tertinggi yaitu 1,501991 pada atribut-atribut menu makanan pada perhitungan manual.

Sedangkan menggunakan aplikasi rapidminer diperoleh hasil pohon keputusan. Harga – jumlah terjual – menu

(3)

makanan (rice bento = kurang laris, dada = laris) dengan bobot (weight) masing- masing atribut : harga (0,738), jenis menu (0,067), jumlah terjual (0,156), status penjualan (0,040).[2]

Sedangkan penelitian yang dilakukan oleh ikong ifongki dengan judul penerapan data mining menggunakan algoritma c4.5 tehadap pengaruh penjualan kopi pada pt.

Jpw indonesia pada jurnal jurnal simika vol. 3 no.1 tahun 2020 menjelaskan bahwa data mining merupakan rangkaian proses untuk mengeksplorasi nilai tambah dari suatu kumpulan data yang berupa Pengetahuan yang belum diketahui secara manual. Penggunaan teknik data mining diharapkan Untuk memberikan ilmu - ilmu yang sebelumnya tersembunyi di data warehouse, sehingga Itu menjadi informasi yang berharga. Algoritma c4.5 merupakan algoritma klasifikasi pohon keputusan Yang banyak digunakan karena memiliki keunggulan utama dari algoritme lain. Keuntungannya Algoritma c4.5 dapat menghasilkan pohon keputusan yang mudah diinterpretasikan, memiliki ekstensi Tingkat akurasi yang dapat diterima, efisien dalam menangani atribut tipe diskrit dan kaleng Menangani atribut tipe diskrit dan numerik. Output dari algoritma c4.5 adalah sebuah keputusan Pohon seperti teknik klasifikasi lainnya, pohon keputusan adalah struktur yang dapat digunakan Membagi kumpulan data besar menjadi kumpulan catatan yang lebih kecil dengan menerapkan serangkaian aturan keputusan, dengan Setiap rangkaian anggota divisi dari himpunan yang dihasilkan menjadi serupa satu sama lain. Pada kasus ini Kajian yang dibahas adalah pengaruh penjualan kopi dengan mengolah 106 data dari 1087 kopi

Data penjualan di pt. Jpw indonesia.

Sampel data yang diambil akan dihitung secara manual menggunakan Perangkat lunak microsoft excel dan rapidminer.

Hasil perhitungan c4.5 Metode algoritma menunjukkan bahwa atribut kuantitas dan harga sangat mempengaruhi penjualan kopi Penjualan itu di pt. Jpw indonesia masih sering tidak stabil. [3]

Permasalahan pandemi covid 19 ini sangat memukul semua pihak penjualan diera pandemi ini harus jeli dengan perubahan, pengusaha maka wajib mengatur keuangan dengan baik guna tidak mengalami colaps atau bangkrut.

solusi yang dilakukan oleh pengusaha mulai dari mengurangi jumlah produksi, mengurangi karyawan dan atau mempromosikan secara masif.

Fokus penelitian ini menitik beratkan pada pengolahan data penjualan yang dapat diklasifikasi dengan datamining guna memperoleh informasi yang baik untuk diterapkan pada outlet amanda indramayu. Sehingga usaha ini dapat bertahan di tengah pandemi covid 19.

METODE PENELITIAN

Metode pengembangan data mining yang digunakan untuk menganalisis data dalam penerapan data mining ini menggunakan proses tahapan knowledge discovery in databases (KDD) yang terdiri dari Data, Data Cleaning, Data transformation, Data mining, Pattern evolution, knowledge [7][8][9]:

Gambar 1. Konsep KDD

(4)

a. Data

Data merupakan sekumpulan data operasional yang diperlu sebelum dilakukan sebelum tahap penggalian informasi dalam Knowledge Discovery in Database (KDD) dimulai.

b. Data Cleaning

Proses data cleaning merupakan proses Pembersihan data yang bertujuan untuk menghilangkan data yang tidak memiliki nilai (null), data yang salah input, data yang tidak relevan, duplikat data dan data yang tidak konsisten karena keberadaanya bisa mengurangi mutu atau akurasi dari hasil data mining nantinya.

Pembersihan data juga akan mempengaruhi performasi dari system data mining karena data yang akan ditangani akan berkurang jumlah dan kompleksitasnya.

c. Data Transformation

Data transformation dilakukan dengan memberikan inisialisasi terhadap data yang memiliki nilai nominal menjadi bernilai numerik.

d. Data Mining

Pada fase ini yang dilakukan adalah menerapkan algoritma atau metode pencarian pengetahuan. Ini adalah langkah penting di mana teknik kecerdasan diterapkan untuk mengekstrak pola informasi yang berpotensi berguna dari data yang dipilih.

e. Evaluasi

Pada tahap evaluasi, akan diketahui apakah hasil daripada tahap data mining dapat menjawab tujuan

yang telah ditetapkan. Untuk itu akan dilakukan profilisasi pada setiap cluster yang telah terbentuk, untuk diketahui karakteristik pada kelompok tersebut. Disamping itu untuk diketahui kesesuaian dengan jalur perminatan akan dilakukan analisis lebih lanjut untuk dihubungkan dengan atribut perminatan, Sehingga diharapkan mendapatkan informasi atau pola yang berguna sebagai acuan pemutakhiran data.

f. Knowladge

Tahap terakhir dari proses data mining adalah bagaimana memformulasikan keputusan atau aksi dari hasil analisis yang didapat

HASIL DAN PEMBAHASAN

Populasi yang digunakan adalah populasi pelanggan yang melakukan transaksi pada bulan September sd November 2020, sebanyak 3293 transaksi.

Kemudian sample yang digunakan adalah teknik sampling jenuh yang artinya seluruh populasi digunakan sebagai sample data.

1. Data

Data digunakan yang digunakan adalah data transaksi penjualan bulan September, Oktober dan November 2020 yang akan dijadikan dataset.

2. Preprocesing Data

Untuk mempermudah proses menganalisa data menggunakan algoritama C.45 maka perlu dilakukan proses Pembersihan data yang bertujuan untuk menghilangkan data yang tidak memiliki nilai (null), data yang

(5)

salah input, data yang tidak relevan, duplikat data dan data yang tidak konsisten.

Gambar 2. Data setelah preprocesing

3. Transformation

Data transformation dilakukan dengan memberikan inisialisasi terhadap data yang memiliki nilai nominal menjadi bernilai numerik.

Pada penelitian ini mengganti jenis type data menjadi integer bertujuan untuk memudahkan dalam pengklasifikasi. Data tersebut dapat dilihat pada gambar di bawah ini :

Gambar 3. Tipe Data

Berdasarkan gambar diatas menjelaskan bahwa teknik trasnformation bertujuan untuk

melakukan normalisasi. Pada gambar diatas merubah tipe data dengan cara mengganti tipe data menjadi binominal

4. Penerapan Algoritma C.45

Penerepaan pola data mining Algoritma C.45 dengan menggunakan rapidminer dengan beberapa tahapan sebagai berikut :

Gambar 4. Model Data Mining

Berdasarkan gambar diatas tentang desain algoritma C.45 menjelaskan bahwa urutan operator yang digunakan dalam penelitian ini ialah pertama data set yang sudah dilakukan preprocessing, kedua Operator Split Data digunakan memanipulasi data agar dapat digunakan lebih dari satu operator, ketiga operator decision tree yang akan digunakan sebagai algoritma, keempat operator apply model digunakan sebagai menyimpan hasil pola algoritma, dan kelima atau terakhir yaitu performance digunakan sebagai pengukuran hasil yang akan mendapatkan nilai akurasi.

Hasil Akurasi dari penerapan Algoritma C.45 Dapat dilihat Sebagai Berikut :

a. Data hasil menggunakan acuracy dilihat pada Gambar Berikut ini :

No Tanggal Bulan Tahun Kode Nama Produk Harga Jumlah Terjual 1 1 November 2020 A029 Banana Chips Original 18,000 0

2 1 November 2020 A030 Banana Chips Keju 18,000 0

3 1 November 2020 A031 Banana Chips Rempah 18,000 0

4 1 November 2020 A034 Kripz Pedas 18,000 0

5 1 November 2020 A035 Kripz Keju 18,000 0

6 1 November 2020 K016 Bolu Ketan Vanila 24,500 0

7 1 November 2020 A058 Brownies Pastry 26,000 2

8 1 November 2020 A057 Bolu Pandan 29,500 23

9 1 November 2020 A016 Bangket Duo 31,000 0

10 1 November 2020 A019 Bangket Mutiara 31,000 2

11 1 November 2020 A015 Brownies Kering 33,000 1

12 1 November 2020 A023 Sweet Stick 36,000 1

13 1 November 2020 A001 Brownies Original 36,000 194

14 1 November 2020 A046 Soes Kering 38,000 1

15 1 November 2020 A014 Brownies Bakar 40,000 6

16 1 November 2020 A022 Cheese Stick 41,000 0

17 1 November 2020 A055 Brownies Green Tea 42,000 2

18 1 November 2020 A056 Brownies Strawberry 42,000 2 19 1 November 2020 A059 Brownies Banana Cheese 42,000 7 20 1 November 2020 A003 Brownies Sarikaya Pandan 42,000 28

21 1 November 2020 A032 Beef Pastry 44,000 1

22 1 November 2020 A033 Chicken Pastry 44,000 2

23 1 November 2020 A054 Brownies Cappuccino Marble 44,000 3 24 1 November 2020 A007 Brownies Blueberry 44,000 14 25 1 November 2020 A009 Brownies Tiramisu Marble 44,000 15 26 1 November 2020 A006 Brownies Pink Marble 44,000 17 27 1 November 2020 A004 Brownies Choco Marble 44,000 20

28 1 November 2020 A028 Molen Nanas 45,000 0

29 1 November 2020 A027 Peanut Butter 45,000 2

(6)

Gambar 5. Hasil Akurasi

Berdasarkan gambar diatas menjelasakan bahwa nilai akurasi dapat dijelaskan sebagai berikut ini : 1. Hasil akurasi pada penelitian ini

sebesar 89,67%.

2. Prediksi Kurang Laris dengan true Kurang Laris sebanyak 220 data.

3. Prediksi Kurang Laris dengan true Laris sebanyak 18 data.

4. Prediksi Laris dengan Kurang Laris sebanyak 16 data.

5. Prediksi Laris dengan true Laris sebanyak 75 data.

b. Data hasil akurasi maka pohon keputusan dapat dilihat pada gambar berikut ini :

Gambar 6. Graph Keputusan

Berdasarkan gambar diatas Hasil Pohon Keputusan dapat ditarik alur sebaga berikut :

Jumlah Terjual > 3.500

| Jumlah Terjual > 14.500

| | Harga > 32750: Laris {Kurang Laris=9, Laris=429}

| | Harga ≤ 32750

| | | Jumlah Terjual > 25: Laris {Kurang Laris=0, Laris=49}

| | | Jumlah Terjual ≤ 25:

Kurang Laris {Kurang Laris=29, Laris=0}

| Jumlah Terjual ≤ 14.500

| | Harga > 48500: Laris {Kurang Laris=40, Laris=171}

| | Harga ≤ 48500

| | | Harga > 43000: Kurang Laris {Kurang Laris=198, Laris=128}

| | | Harga ≤ 43000: Laris {Kurang Laris=82, Laris=164}

Jumlah Terjual ≤ 3.500

| Jumlah Terjual > 2.500

| | Harga > 44500: Kurang Laris {Kurang Laris=72, Laris=0}

| | Harga ≤ 44500

| | | Harga > 34500: Kurang Laris {Kurang Laris=76, Laris=22}

| | | Harga ≤ 34500: Laris {Kurang Laris=15, Laris=24}

| Jumlah Terjual ≤ 2.500: Kurang Laris {Kurang Laris=1449, Laris=7}

c. Hasil Klasifikasi pada penerapan Algoritma C.45 dalam studi kasus penjualan maka dapat diklasifikasikan sebagai berikut :

Tabel 1. Hasil Klasifikasi No Prediksi Hasil

Prediksi 1 Kurang Laris Kurang Laris 2 Kurang Laris Kurang Laris 3 Kurang Laris Kurang Laris

4 Laris Laris

5 Kurang Laris Kurang Laris 6 Kurang Laris Kurang Laris

(7)

7 Kurang Laris Kurang Laris 8 Kurang Laris Laris

9 Laris Laris

10 Kurang Laris Kurang Laris

d. Interpretasi

Hasil akurasi pada penelitian ini sebesar 89,67% Prediksi Kurang Laris dengan true Kurang Laris sebanyak 220 data. Prediksi Kurang Laris dengan true Laris sebanyak 18 data.

Prediksi Laris dengan Kurang Laris sebanyak 16 data. Prediksi Laris dengan true Laris sebanyak 75 data.

SIMPULAN

Hasil penelitian dan pembahasan yang telah diuraikan pada bab-bab sebelumnya, maka dapat ditarik kesimpulan sebagai berikut :

1. Kriteria yang digunakan dalam penelitian ini yaitu tanggal, bulan, tahun kode, nama produk, harga dan jumlah terjual. Kemudian data penelitian yang digunakan menggunakan data penjualan Brownies di Cabang Indramayu dengan data penjualan bulan oktober, november dan desember 2020.

2. Penelitian ini menggunakan tools rapid miner versi 9.3 dengan Operator Retrive, Split Data, Decision tree, dan perforamance.

3. Hasil akurasi pada penelitian ini sebesar 89,67%. Prediksi Laris dengan Kurang Laris sebanyak 16 data adapun produk sebagai berikut Bolu Ketan Vanila, Brownies Bakar, Brownies Banana Cheese, Brownies Cream Cheese, Brownies Sarikaya Pandan, Original Ganache

Choco, Pisang Bolen Coklat dan Sweet Stick. Prediksi Laris dengan true Laris sebanyak 75 data adapun produk sebagai berikut Banana Chips Keju, Banana Chips Original, Bolu Ketan Vanila, Bolu Pandan, Brownies Bakar, Brownies Banana Cheese, Brownies Blueberry, Brownies Choco Marble, Brownies Cream Cheese, Brownies Green Tea, Brownies Kering, Brownies Original, Brownies Pastry, Brownies Pink Marble, Brownies Sarikaya Pandan, Brownies Strawberry, Brownies Tiramisu, Brownies Tiramisu Marble, Cheese Roll, Cheese Stick, Original Ganache Choco, Pisang Bolen Coklat, dan Pisang Bolen Keju.

DAFTAR PUSTAKA

[1] Fitriyani; Ellya Hemud, “Pemilihan paket Internet Android pada Operator Telepon GSM Menggunakan Metode Analytical Hierarchy Process (AHP),” J. Sist.

Inf., vol. 8, no. 1, pp. 871–946, 2016.

[2] E. P. Cynthia and E. Ismanto,

“Metode Decision Tree Algoritma C.45 Dalam Mengklasifikasi Data Penjualan Bisnis Gerai Makanan Cepat Saji,” Jurasik (Jurnal Ris.

Sist. Inf. dan Tek. Inform., vol. 3, no. July, p. 1, 2018, doi:

10.30645/jurasik.v3i0.60.

[3] I. Ifongki, “Penerapan Data Mining Menggunakan Algoritma C4.5 Tehadap Pengaruh Penjualan Kopi Pada Pt. Jpw Indonesia,” J. Sist. Inf.

dan Inform., vol. 3, no. 1, pp. 40–

(8)

54, 2020, doi:

10.47080/simika.v3i1.836.

[4] & P. Han, J, Kamber, M, ata Mining: Concept and Techniques, Third Edition. Waltham. Morgan Kaufmann Publishers, 2012.

[5] O. Nurdiawan, D. A. Kurnia, D.

Solihudin, T. Hartati, and T.

Suprapti, “Comparison of the K- Nearest Neighbor algorithm and the decision tree on moisture classification Comparison of the K- Nearest Neighbor algorithm and the decision tree on moisture classification,” 2021, doi:

10.1088/1757-

899X/1088/1/012031.

[6] O. D. I. Nurdiawan and A. Pratama,

“IMPLEMENTASI SISTEM

KEHADIRAN BERBASIS RADIO FREQUENCY

IDENTIFICATION,” vol. 2, no. 1, pp. 1–12, 2021.

[7] O. Nurdiawan, I. Ali, C. L. Rohmat, and A. R. Rinaldi, “InfoTekJar : Jurnal Nasional Informatika dan Sistem Kendali Sensor Tanah Sebagai Pemonitor Tingkat Kelembaban Media Tanam Padi,”

Nas. Inform. dan Teknol. Jar., vol.

1, pp. 0–4, 2020.

[8] A. Faqih and A. Setiawan,

“Ethnomathematics : Utilization of Crock , Ladle , and Chopping Board for Learning Material of Geometry at the Elementary School,” vol. 4, no. 1, pp. 46–55, 2021.

[9] O. Nurdiawan, F. A. Pratama, D. A.

Kurnia, Kaslani, and N.

Rahaningsih, “Optimization of Traveling Salesman Problem on Scheduling Tour Packages using

Genetic Algorithms,” J. Phys. Conf.

Ser., vol. 1477, no. 5, 2020, doi:

10.1088/1742-6596/1477/5/052037.