Implementasi Algoritma Decision Tree Cart Untuk Merekomendasikan Ukuran Baju

(1)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 1, Februari 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i1.3838 Hal 138−147 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom

Implementasi Algoritma Decision Tree Cart Untuk Merekomendasikan Ukuran Baju

Frida Alifia Oktavirahani, Retno Maharesi^*

Fakultas Ilmu Komputer dan Teknologi Informasi, Sistem Informasi, Universitas Gunadarma, Depok, Indonesia Email: ¹[email protected], ^2,*[email protected]

Email Penulis Korespondensi: [email protected] Submitted 16-02-2022; Accepted 25-02-2022; Published 25-02-2022

Abstrak

Perkembangan teknologi yang maju dengan pesat sekarang ini mendorong munculnya proses jual beli yang dapat dilakukan secara daring. Banyaknya kemudahan yang dirasakan dalam proses tersebut membuat masyarakat banyak yang beralih dari melakukan jual beli secara konvensional ke jual beli secara daring. Pakaian merupakan salah satu kebutuhan primer manusia yang tak luput dalam penjualan secara daring. Namun kendala yang dialami adalah pada saat pemilihan ukuran, karena saat membeli secara daring pembeli tidak dapat mencoba baju sehingga membuat keraguan dalam memilih ukuran baju yang sesuai dengan ukuran tubuh pembeli. Oleh karena itu, penelitian ini mengembangkan aplikasi berbasis telepon genggam pintar yang digunakan untuk merekomendasikan ukuran baju. Salah satu tahapan yang dilalui untuk mendapatkan hasil yaitu, dilakukan proses pelatihan data terhadap dataset yang digunakan.

Selanjutnya dibutuhkan variabel-variabel penentu yang memengaruhi ukuran baju seseorang, yaitu jenis kelamin, berat badan, tinggi badan, dan bentuk tubuh untuk dapat melakukan prediksi dengan menggunakan dataset yang sudah dilatih sebelumnya. Hasil dari penelitian adalah aplikasi berbasis telepon genggam pintar yang berguna untuk merekomendasikan ukuran pakaian. Hasil pengujian dengan menggunakan Confusion Matrix untuk 21 data uji yang diambil acak dari 207 data latih, menunjukkan tingkat akurasi sebesar 67%.

Kata Kunci: Rekomendasi; Ukuran; Baju; Aplikasi; Mobile; Decision Tree; CART Abstract

The development of technology that is advancing rapidly today encourages the emergence of buying and selling processes that can be done online. The many conveniences that are felt in the process have made many people switch from buying and selling conventionally to buying and selling online. Clothing is one of the primary human needs that do not escape online sales. However, the obstacle experienced was when choosing the size, because when buying online the buyer could not try on the clothes, thus creating doubts in choosing the size of the clothes that matched the buyer's body size. Therefore, this study develops a smartphone-based application that is used to recommend clothing sizes. The stage that is passed to get the results, namely, the data training process will be carried out on the dataset used. Furthermore, it takes determinant variables that affect the size of a person's clothes, namely gender, weight, height, and body shape to be able to make predictions using previously trained datasets. The result of this study is a smartphone-based application that is useful for recommending clothing sizes. The test results using the Confusion Matrix for 21 test data taken randomly from 207 training data, showed an accuracy rate of 67%.

Keywords: Recommendation; Sizes; Clothing; Application; Mobile; Decision Tree; CART

1. PENDAHULUAN

Pakaian merupakan salah satu dari kebutuhan primer manusia. Fungsi utama pakaian adalah untuk menutupi bagian tubuh manusia dan melindungi manusia dari panas dan dingin. Namun seiring dengan perkembangan zaman, fungsi pakaian berubah yaitu sebagai perhiasan, status sosial, fashion, simbol budaya, simbol agama, baju profesi, maupun status gender.

Pada pertengahan abad ke-19, pakaian siap jadi mulai banyak tersedia seiring dengan meningkatnya populasi manusia, khususnya daerah perkotaan. Semakin bertumbuhnya aktivitas perdagangan ikut mendorong dalam perkembangan mesin jahit dan alat bantu industri lainnya, namun perkembangan industri pakaian sendiri bergantung pada faktor yang lebih penting yaitu, standar ukuran pakaian. Lalu di awal tahun 1800-an mulai dibuat standar ukuran pakaian, yang mana sebelumnya pakaian dibuat oleh penjahit dengan menyesuaikan ukuran masing-masing orang, kemudian para pengrajin menyadari bahwa rentang ukuran tubuh manusia tidak berbeda jauh. Oleh karena itu diciptakannya ukuran standar pakaian.

Dalam mengukur ukuran dilakukan tiga bagian pengukuran [1], antara lain, yang pertama pengukuran secara horizontal yang meliputi lingkar leher, lebar bahu, lingkar dada, titik tengah dada, dan lingkar bawah dada (tulang rusuk), lingkar pinggul atas, dan lingkar pinggul bawah. Kedua yaitu pengukuran secara vertikal yang meliputi panjang leher hingga pinggang bagian belakang, panjang bahu hingga pinggang bagian depan, panjang dada hingga bahu, panjang dada hingga pinggang, dan panjang kedua pinggul hingga pinggang. Ketiga yaitu pengukuran lengan yang meliputi panjang lengan bawah dan lengan atas, panjang lengan depan, lingkar pergelangan tangan, dan lingkar biseps.

Perkembangan teknologi yang maju dengan pesat sekarang ini mendorong munculnya proses jual beli yang dapat dilakukan secara daring. Banyaknya kemudahan yang dirasakan dalam proses tersebut membuat masyarakat banyak yang beralih dari melakukan jual beli secara konvensional ke jual beli secara daring. Menurut data hasil Survei E-Commerce 2020 yang dilakukan oleh Badan Pusat Statistik Republik Indonesia terhadap 17.063 sampel usaha di seluruh provinsi di Indonesia, pada tahun 2019, penjualan fashion menempati urutan kedua pada jenis barang/jasa yang banyak terjual, dengan proporsi 23,95 persen [2]. Sedangkan menurut data yang dipublikasi oleh Statista yang dilansir oleh Datareportal, pada tahun 2020 jumlah total yang dibelanjakan konsumen untuk kategori Fashion & Beauty di Indonesia mencapai 9,81 miliar dollar Amerika Serikat, hal ini meningkat 50,7% dari tahun 2019 [3].

(2)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 1, Februari 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i1.3838 Hal 138−147 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom Memilih ukuran pakaian merupakan salah satu kendala yang dihadapi saat melakukan pembelanjaan pakaian khususnya saat membeli pakaian secara daring, karena berbeda dengan proses pembelian pakaian secara langsung biasanya pembeli dapat mencoba beberapa ukuran pakaian untuk mengetahui mana yang paling cocok dengan ukuran serta bentuk tubuh calon pembeli. Lain hal dalam proses pembelian pakaian secara daring, pembeli dapat saja mengalami kendala dalam memilih ukuran baju, karena pembeli akan merasa bingung dalam memilih ukuran baju yang sesuai dengan ukuran tubuhnya, karena saat melakukan pembelian baju secara daring pembeli tidak bisa melihat bahkan mencoba baju secara langsung sebelum memutuskan untuk membeli baju tersebut, oleh karena itu calon pembeli harus memilih dengan benar ukuran pakaian yang akan dibeli.

Masalah pemilihan ukuran pakaian ini adalah sumber masalah utama yang akan dibahas pada penelitian ini.

Penulis mencoba meneliti bagaimana cara menentukan ukuran pakaian secara sistematis, serta parameter apa saja pada tubuh manusia yang dapat menentukan ukuran pakaian yang dapat dengan nyaman digunakan.

Pembelajaran mesin dengan menggunakan Pohon Keputusan banyak dilakukan penerapannya pada penelitian terdahulu, seperti klasifikasi diagnosa penyakit jantung yang dilakukan oleh Akbar Hidayatullah Harahap, dkk [4], klasifikasi pendapatan masyarakat yang dilakukan oleh Apriani Candra Wijaya [5], klasifikasi penderita kanker paayudara yang dilakukan oleh Jody Alwin Irawadi dan Siti Sunandiari [6], klasifikasi penerima bantuan pangan non tunai yang dilakukan oleh Rizal Amegia Saputra, dkk [7]. Penelitian terdahulu mengenai decision tree dilakukan oleh Yan-yan SONG dan Ying LU [8] dengan melakukan komparasi beberapa metode decision tree yang antara lain CART, C4.5, CHAID, dan QUEST, untuk melakukan proses klasifikasi dan prediksi data set menjadikan acuan pada penelitian ini dalam penggunaan metode CART pada proses prediksi.

Rezky Rizaldi [9] melakukan penelitian dengan menggunakan metode jarak euclidean untuk proses rekomendasi ukuran pakaian dan Alexander Gunawan, dkk [10] melakukan penelitian dengan menggunakan metode body measurement dan fuzzy logic untuk klasifikasi ukuran pakaian, namun penerapan keduanya menggunakan sensor kinetik yang tidak dapat digunakan dari jarak jauh. Irma Amelia Dewi melakukan penelitian dengan menggunakan metode deep learning Pre-Trained dan arsitektur MobileNet dengan segmentasi citra untuk menentukan bentuk tubuh [11]. Kevin Kurniawan, Sutrisno, dan Pujianto Yugopuspito melakukan penelitian dengan menggunakan sensor ultrasonik untuk mengukur ukuran baju [12]. Berdasarkan uraian di atas, penelitian ini akan menggunakan metode Pohon Keputusan dengan mengimplementasikan algoritma CART untuk merekomendasikan ukuran pakaian.

2. METODOLOGI PENELITIAN

Metode penelitian yang diterapkan dalam penelitian ini menggunakan model air terjun. Model air terjun merupakan proses pengembangan perangkat lunak yang sistematis dan sekuensial (berurutan) [13]. Tahapan pada metode air terjun ini meliputi:

1. Analisa Kebutuhan

Pada tahap ini dilakukan analisis kebutuhan dengan mengumpulkan data-data yang diperlukan untuk sistem yang akan dibuat. Pengumpulan data yang dilakukan adalah dengan memberikan kuesioner kepada responden. Setelah itu, menganalisis proses yang akan dilakukan untuk menghasilkan output yang diinginkan. Pada tahap ini dilakukan pula analisa scatter plot untuk mengetahui variabel apa saja yang memengaruhi ukuran tubuh manusia.

2. Perancangan

Pada tahap ini dilakukan perancangan arsitektur perangkat lunak yang akan dikembangkan sesuai dengan analisis yang telah dilakukan sebelumnya. Rancangan yang dibuat yaitu rancangan use case diagram yang memuat aktivitas yang dapat dilakukan pada sistem, rancangan collaboration diagram yang memuat gambaran pesan yang dibawa oleh masing-masing objek, serta rancangan class diagram yang memuat gambaran umum sistem yang akan dibuat.

3. Implementasi

Pada tahap ini dilakukan proses pelatihan model yang mencakup pengambilan data, pra-pemrosesan, dan pelatihan data. Pada tahap ini juga dilakukan proses rekomendasi yang akan menghasilkan hasil prediksi ukuran berdasarkan pada data masukkan pada pohon keputusan yang dibuat. Pada tahap implementasi dilakukan pula proses pembuatan aplikasi yang semula berupa rancangan kemudian diimplementasikan dalam bentuk pengkodean dalam bahasa pemrograman seluler dengan menggunakan kerangka kerja Flutter.

4. Pengujian

Pada tahap ini dilakukan pengujian terhadap aplikasi yang telah dibuat untuk mengetahui kinerja aplikasi apakah sudah seseuai dengan output yang diinginkan.

Gambar 1. Tahapan Penelitian

(3)

3. HASIL DAN PEMBAHASAN

Data yang digunakan dalam penelitian ini didapatkan dengan cara kuisioner yang diberikan kepada laki-laki dan perempuan dengan kisaran umur 18-60 tahun, metode penyebaran kuesioner dilakukan secara digital dengan cara memberikan alamat URL kuesioner kepada 207 responden. Dari 207 data responden tersebut dilakukan analisis dengan menggunakan plot terpencar untuk mengetahui variabel apa saja yang memengaruhi label ukuran baju manusia. Diagram plot terpencar dapat dilihat pada gambar 2.

Sumber: Hasil Keluaran Autogenerate Matplotlib Gambar 2. Analisis Scatter Plot

Pada Gambar 2 dapat dilihat bahwa variabel berat dan tinggi merupakan variabel-variabel yang paling memengaruhi ukuran baju manusia. Hal ini sesuai dengan cara melakukan pengukuran untuk menentukan ukuran baju, dimana pengukuran secara horizontal berhubungan dengan berat badan dan pengukuran secara vertikal berhubungan dengan tinggi.

Namun tidak hanya itu, bentuk tubuh seseorang juga memengaruhi ukuran baju yang dikenakan. Industri pakaian umumnya hanya mengacu pada satu bentuk tubuh, yaitu ‘jam pasir’ dimana masa ini, dengan berbagai faktor seperti makanan hingga aktifitas fisik membuat manusia memiliki bentuk tubuh yang berbeda yang mana menghasilkan komplain dari pelanggan terhadap pelaku usaha industri pakaian, karena ukuran pakaian tidak sesuai dengan bentuk tubuh mereka [14]. Berdasarkan pernyataan Gribbin tersebut, maka pada penelitian ini digunakan variabel jenis kelamin, berat, tinggi, dan bentuk tubuh. Walau pada analisis scatter plot di Gambar 2, jenis kelamin tidak terlalu berkorelasi dengan ukuran baju secara langsung, namun jenis kelamin berpengaruh pada bentuk tubuh seseorang, yang sudah jelas bahwa bentuk tubuh pria dan wanita berbeda sehingga akan menunjang variabel bentuk tubuh.

3.1 Perancangan

Pada tahap ini dilakukan perancangan suatu sistem yang baik. Pada rancangan sistem memuat antara lain, langkah-langkah operasi dalam proses pengolahan data dan prosedur untuk mendukung operasi sistem. Class diagram berguna untuk menunjukkan hubungan antar kelas dari sistem yang akan dikembangkan, seperti pada Gambar 3. Pada sistem ini terdapat tiga kelas, yaitu DecisionTree, “Dataset”, dan “Recommender”.

a. Dataset, memiliki atribut id, berat, tinggi yang masing-masing bertipe data integer, atribut jkel yang bertipe JenisKelamin yang merupakan enumerasi dengan pilihan Pria atau Wanita, atribut bentuk yang bertipe BentukTubuh yang merupakan enumerasi dengan pilihan Bulat, Apel, Pir, Kotak, Trapesium atau Jam Pasir, atribut size_baju yang merupakan enumerasi dengan pilihan XS, S, M, L, XL, XXL, atau XXXL. Kelas Dataset memiliki metode get_data yang digunakan untuk mengambil data dari basis data. Kelas “Dataset” memiliki hubungan agregasi dengan Kelas DecisionTree.

b. DecisionTree, memiliki atribut le_jkel dan le_bentuk yang masing-masing bertipe LabelEncoder, atribut df dengan tipe DataFrame, atribut classifier yang bertipe DecisionTreeClassifier, serta atribut X dan Y yang bertipe DataFrame.

Kelas DecisionTree ini memiliki metode get_data untuk mengambil data dari kelas “Dataset”, metode “preprocess”

yang digunakan untuk pra-pemrosesan data sebelum data tersebut dilatih, dan metode train untuk melatih data. Kelas DecisonTree memiliki hubungan agregasi dengan kelas “Dataset” dan hubungan komposisi dengan kelas

“Recommender”.

c. Recommender, memiliki atribut berat dan tinggi dengan tipe integer, atribut jkel yang bertipe JenisKelamin yang merupakan enumerasi dengan pilihan Pria atau wanita, atribut bentuk yang bertipe BentukTubuh yang merupakan

(4)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 1, Februari 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i1.3838 Hal 138−147 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom enumerasi dengan pilihan Bulat, Apel, Pir, Kotak, Trapesium atau Jam Pasir. Kelas “Recommender” memiliki metode recommend yang berguna untuk memproses hasil rekomendasi dari data testing. Kelas “Recommender”

memiliki hubungan komposisi dengan kelas DecisionTree.

Gambar 3. Class Diagram

Sebelum tahap implementasi diterapkan, dilakukan proses preprocessing. Preprocessing adalah tahap sebelum pemrosesan khususnya pada kasus data mining, yang berguna untuk menghilangkan hambatan-hambatan pada tahap pemrosesan data. Salah satu metode preprocessing yang digunakan adalah Label Encoding. Label Encoding mengacu pada pengubahan label menjadi bentuk numerik sehingga menjadi bentuk yang dapat dibaca oleh mesin. Proses Label Encoding dilakukan dengan membaca seluruh baris data di kolom yang dipilih. Lalu selanjutnya keseluruhan data tersebut dilakukan proses unique/distinct selection. Unique/distinct selection adalah proses pengambilan data yang menghasilkan nilai yang unik/berbeda dari keseluruhan baris dataset sehingga sebaran label didapatkan secara otomatis. Setelah keseluruhan nilai unik dari kolom label didapatkan, nilai-nilai tersebut dipetakan ke dalam sebuah data map yang berisi kode numerik yang disematkan ke-setiap label yang didapatkan. Contoh data map dapat dilihat pada Tabel 1.

Tabel 1. Tabel Data Map

Ukuran Pakaian Kode Numerik

XS 4

S 2

M 1

L 0

XL 3

XXL 5

XXXL 6

Jenis Kelamin Kode Numerik

Laki-Laki 0

Perempuan 1

Bentuk Tubuh Kode Numerik

Hourglass / Trapezoid 0

Apple 1

Pear 2

Rounded 3

Rectangle 4

Pada proses prunning ini dilakukan menggunakan algoritme REP dengan mengiterasi sejumlah nilai depth yang optimal untuk model Decision Tree. Hasil iterasi REP dapat dilihat pada Tabel 2.

Tabel 2. Hasil Iterasi REP Depth Akurasi

1 0.5238095238095238 2 0.19047619047619047 3 0.5714285714285714 4 0.38095238095238093 5 0.7619047619047619 6 0.42857142857142855 7 0.7142857142857143 8 0.38095238095238093 9 0.38095238095238093

(5)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 1, Februari 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i1.3838 Hal 138−147 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom Pada Tabel 2 dapat disimpulkan bahwa nilai depth yang menghasilkan nilai akurasi tertinggi adalah 5 dengan akurasi 0.762, sehingga pada penelitian ini digunakan nilai depth = 5.

3.2 Implementasi 3.2.1 Proses Pelatihan

Pada proses pelatihan dataset yang sudah dilakukan pra-proses dimasukan ke dalam lingkungan pembelajaran mesin dengan bahasa Python. Data yang sebelumnya disimpan dalam format csv dimasukkan ke dalam sistem dan diubah menjadi format data DataFrame dengan Pustaka Panda. DataFrame dapat dilihat pada Tabel 3.

Tabel 3. DataFrame Data Latih

No Berat Tinggi Jenis Kelamin Bentuk Tubuh Ukuran Pakaian

1 78 167 0 3 3

2 69 176 0 1 3

3 70 171 0 3 3

4 70 167 0 2 3

5 70 170 0 4 3

6 70 160 0 0 3

7 75 171 0 2 3

8 74 175 0 2 3

9 60 173 0 1 3

10 65 174 0 4 3

11 64 170 0 4 3

12 50 176 0 0 3

13 70 168 0 0 3

.. .. … … … …

207 57 174 0 0 3

Proses pelatihan model adalah proses yang mencakup pengambilan data, pra-pemrosesan, dan pelatihan adapun tahapnya sebagai berikut:

a. Pengambilan Data

Ambil data latih dengan format DataFrame yang pada proses sebelumnya sudah disiapkan.

b. Pra-pemrosesan

Pra-pemrosesan adalah tahap sebelum pemrosesan khususnya pada kasus penambangan data, yang berguna untuk menghilangkan hambatan-hambatan pada tahap pemrosesan data. Salah satu metode pra-pemrosesan yang digunakan adalah Pengkodean Label.

Pengkodean Label mengacu pada pengubahan label menjadi bentuk numerik sehingga menjadi bentuk yang dapat dibaca oleh mesin. Algoritme pembelajaran mesin kemudian dapat memutuskan dengan cara yang lebih baik bagaimana label tersebut harus diproses. Ini adalah tahap pra-pemrosesan yang penting untuk kumpulan data terstruktur.

Proses Pengkodean Label dilakukan dengan membaca seluruh baris data di kolom yang dipilih. Lalu selanjutnya keseluruhan data tersebut dilakukan proses pilihan unik/berbeda. Pilihan unik/berbeda adalah proses pengambilan data yang menghasilkan nilai yang unik/berbeda dari keseluruhan baris dataset sehingga sebaran label didapatkan secara otomatis.

c. Seleksi Fitur & Ambang Batas

Dari dataset sebelumnya lakukan proses seleksi fitur dan Ambang Batas dengan melakukan proses iterasi pada setiap fitur yang tersedia pada subset. Pada tiap iterasi fitur tersebut, subset diurutkan dari yang terkecil berdasarkan nilai pada fitur teriterasi atau 𝐹_𝑖. Bagi dataset menjadi dua buah subset satu persatu dengan menggunakan iterasi sehingga menghasilkan dua buah subset yaitu kiri dan kanan. Proses pembagian dilakukan dengan memindahkan satu persatu data pada subset kanan yang awalnya berisi semua dataset ke subset kiri yang awalnya merupakan subset kosong.

Pada tiap iterasi pembagian subset kanan ke kiri dilakukan perhitungan Indeks Gini pada subset kanan dan kiri lalu hitung rata-rata terbeban dari kedua Indeks Gini tersebut dan simpan menjadi Ginibaru. Perhitungan pada tiap iterasi dapat dilihat pada persamaan berikut [15].

𝐺𝑖𝑛𝑖𝑏𝑎𝑟𝑢 =(𝑚_{𝑘𝑖𝑟𝑖}∗ 𝐺_{𝑘𝑖𝑟𝑖}) + (𝑚_{𝑘𝑎𝑛𝑎𝑛}∗ 𝐺_{𝑘𝑎𝑛𝑎𝑛}) 𝑚

(1)

di mana,

𝑚_{𝑘𝑖𝑟𝑖} = Jumlah elemen subset kiri 𝑚_{𝑘𝑎𝑛𝑎𝑛} = Jumlah elemen subset kanan 𝐺𝑘𝑖𝑟𝑖 = nilai Indeks Gini subset kiri 𝐺_{𝑘𝑎𝑛𝑎𝑛}= nilai Indeks Gini subset kanan

(6)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 1, Februari 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i1.3838 Hal 138−147 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom m = Jumlah subset kiri + kanan

Selanjutnya fitur dengan nilai Ginibaru terkecil merupakan fitur yang akan dijadikan simpul pada subset tersebut dengan ambang batas merupakan nilai dari fitur pada iterasi yang memiliki Ginibaru terkecil.

d. Setelah mendapatkan fitur dan ambang batas terbaik maka gunakan fitur & ambang batas tersebut untuk membagi dataset menjadi subset atau membuat simpul.

e. Ulangi proses tersebut kesemua subset yang dihasilkan sampai subset tersebut mendapati kondisi murni, yaitu kondisi dimana semua nilai pada label di subset memiliki nilai yang sama atau jumlah kedalaman pohon keputusan sudah mencapai nilai maksimum yang digunakan pada penilitian ini yaitu 5.

f. Selanjutnya sistem akan memodelkan pohon keputusan seperti pada Gambar 4 sampai Gambar 8 dan menyimpan model hasil pelatihan untuk digunakan pada proses testing dan rekomendasi

Gambar 4. Pohon Keputusan

Gambar 5. Pohon Keputusan Node 1

(7)

3.2.2 Proses Rekomendasi

Proses rekomendasi adalah proses memasukan data input kedalam model pembelajaran mesin yang pada penelitian ini menggunakan metode Pohon Keputusan dengan algoritma CART. Model yang sebelumnya sudah dihasilkan dari proses pelatihan akan dipanggil ke dalam lingkungan sistem, lalu menjalankan proses keputusan dengan menggunakan pohon keputusan yang sudah dibuat sebelumnya dan disimpan didalam model.

Namun sebelum memasukan data input kedalam model pembelajaran mesin, data input tersebut harus ditransformasikan dahulu sehingga memiliki format yang sesuai. Adapun jenis transformasi tersebut adalah Pengkodean Label, sehingga data pada atribut jenis kelamin dan bentuk tubuh harus diubah terlebih dahulu kedalam bentuk numerik menggunakan peta data yang sebelumnya sudah dibuat pada proses Pengkodean Label di tahapan Pra-pemrosesan.

Proses rekomendasi akan menghasilkan hasil prediksi ukuran pakaian berdasarkan data masukkan yang dimasukkan kedalam pohon keputusan yang sudah dibuat, contoh keluaran dari proses rekomendasi akan menghasilkan format json sebagai berikut : {“prediksi” : “L”}.

3.3 Hasil Pengembangan Aplikasi

Pada tahap ini dijelaskan mengenai hasil pengembangan aplikasi dengan menggunakan kerangka kerja flutter dari metode yang telah dilakukan sebelumnya serta hasil pengujian akurasinya.

3.3.1 Tampilan Masukkan Pengguna

Pada tampilan masukkan, pengguna akan diminta untuk memilih jenis kelamin, selanjutnya memasukkan tinggi badan, selanjutnya memasukkan berat badan, kemudia memilih bentuk tubuh. Tampilan antarmuka masukkan pengguna dapat dilihat pada Gambar 9.

(8)

Gambar 9. Tampilan Masukkan Pengguna 3.3.2 Tampilan Hasil

Pada halaman hasil rekomendasi ini, akan ditampilkan ukuran baju yang direkomendasikan berdasarkan perhitungan input yang telah dimasukkan ke pohon keputusan. Pada halaman ini terdapat pula tombol “mulai lagi” untuk mulai ulang proses prediksi ukuran baju dan terdapat ikon berbentuk silang yang akan mengarahkan pengguna kembali ke halaman beranda.

dapat dilihat pada Gambar 10.

Gambar 10. Tampilan Hasil 3.4 Pengujian

Pada tahap pengujian dilakukan evaluasi terhadap sistem yang sudah diimplementasikan, apakah sudah sesuai dengan tujuan pada tahap perancangan serta apakah sistem sudah berjalan dengan baik tanpa kendala. Pada uji coba akurasi ini diambil 21 data dari dataset untuk dilakukan pengujian prediksi ukuran baju menggunakan aplikasi yang sudah dibuat.

Selanjutnya hasil prediksi dari aplikasi dibandingkan dengan hasil sebenarnya dari 21 dataset yang diambil. Hasilnya dapat dilihat pada tabel 4.

Tabel 4. Hasil Pengujian Akurasi No Jenis Kelamin Tinggi Badan

(cm)

Berat Badan (kg)

Bentuk Tubuh

Ukuran Asli

Ukuran Rekomendasi

1 Pria 170 50 Pear M M

2 Wanita 160 75 Rounded XL XL

3 Wanita 157 65 Rectangle M M

4 Wanita 161 50 Rectangle XS M

5 Pria 177 82 Rectangle XXL XL

6 Wanita 150 43 Pear M M

7 Wanita 158 61 Rectangle L L

8 Pria 176 80 Rectangle XL XL

9 Pria 178 110 Rounded XXXL XL

10 Wanita 155 50 Hourglass M M

11 Wanita 165 78 Rounded XXL XL

12 Pria 173 60 Apple L L

(9)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 1, Februari 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i1.3838 Hal 138−147 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom No Jenis Kelamin Tinggi Badan

(cm)

Berat Badan (kg)

Bentuk Tubuh

Ukuran Asli

Ukuran Rekomendasi

13 Wanita 156 80 Apple XXXL XL

14 Pria 172 77 Rectangle XL XL

15 Wanita 145 70 Rounded XL XL

16 Pria 160 55 Pear S S

17 Wanita 157 38 Rectangle XS M

18 Wanita 165 45 Pear M M

19 Pria 163 45 Apple S M

20 Wanita 167 68 Hourglass L L

21 Pria 167 67 Rounded L L

Jumlah Data 21 21

Jumlah Prediksi Benar 14

Jumlah Prediksi Salah 7

Dari hasil pengujian pada tabel 4 digunakan Confusion Matrix untuk menghitung akurasi klasifikasi. Confusion Matrix dilakukan dengan membuat tabel seperti pada Tabel 5.

Tabel 5. Confusion Matrix n = 21 Prediksi

XS

Prediksi S

Prediksi M

Prediksi L

Prediksi XL

Prediksi XXL

Prediksi XXXL

Data XS 0 0 2 0 0 0 0

Data S 0 1 1 0 0 0 0

Data M 0 0 4 0 0 0 0

Data L 0 0 0 4 0 0 0

Data XL 0 0 0 0 4 0 0

Data XXL 0 0 0 0 2 0 0

Data XXXL 0 0 0 0 2 0 0

Dari tabel 6 dapat dilakukan perhitungan akurasi dan presisi, yaitu sebagai berikut [16].

a. Perhitungan akurasi

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑇𝑃

𝑇𝑃 + 𝐹𝑃 + 𝑇𝑁 + 𝐹𝑁 × 100% =14

21× 100% = 67%

b. Perhitungan presisi Presisi kelas XS

𝑃(𝑋𝑆) = 𝑇𝑃

(𝑇𝑃 + 𝐹𝑃)= 0 0 + 0= 0 Presisi kelas S

𝑃(𝑆) = 𝑇𝑃

(𝑇𝑃 + 𝐹𝑃)= 1 1 + 0= 1 Presisi kelas M

𝑃(𝑀) = 𝑇𝑃

(𝑇𝑃 + 𝐹𝑃)= 4

4 + 3= 0,57 Presisi kelas L

𝑃(𝐿) = 𝑇𝑃

(𝑇𝑃 + 𝐹𝑃)= 4 4 + 0= 1 Presisi kelas XL

𝑃(𝑋𝐿) = 𝑇𝑃

(𝑇𝑃 + 𝐹𝑃)= 4

4 + 4= 0,5 Presisi kelas XXL

𝑃(𝑋𝑋𝐿) = 𝑇𝑃

(𝑇𝑃 + 𝐹𝑃)= 0 0 + 0= 0 Presisi kelas XXXL

𝑃(𝑋𝑆) = 𝑇𝑃

(𝑇𝑃 + 𝐹𝑃)= 0 0 + 0= 0

4. KESIMPULAN

Setelah melakukan analisis, perancangan, implementasi, dan uji coba terhadap sistem rekomendasi ukuran baju dengan menggunakan algoritme CART, hasil uji coba akurasi dilakukan dengan menggunakan 21 data uji yang diambil acak dari 207 data latih, menunjukkan tingkat akurasi sebesar 67%. Apabila dirinci lebih jauh menggunakan confusion matriks

(10)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 1, Februari 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i1.3838 Hal 138−147 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom didapat masing-masing nilai presisi tiap kelas. Nilai presisi terbesar dimiliki kelas S dan L dengan nilai presisi 1, selanjutnya diikuti kelas M dengan nilai presisi 0,57, dan kelas XL dengan nilai presisi 0,5. Sedangkan kelas XS, XXL, dan XXXL memiliki nilai presisi 0 yang berarti aplikasi ini akan presisi apabila digunakan untuk memprediksi ukuran baju S dan L, cukup presisi untuk memprediksi ukuran baju M dan XL dan tidak presisi untuk memprediksi ukuran baju XS, XXL, dan XXXL. Hal ini dikarenakan tidak meratanya persebaran data latih, dimana kelas XS, XXL, dan XXXL memiliki data yang sangat sedikit sehingga memengaruhi tingkat akurasi untuk prediksi ukuran baju dengan parameter ukuran-ukuran tersebut.

REFERENCES

[1] S. P. Ashdown. “Creation of ready-made clothing: the development and future of sizing systems,” in Designing Apparel for Consumers. Elsevier, 2014, pp. 17-34.

[2] L. Kusumatrisna, N. A. Rozama, A. Syakilah, V. C. Wulandari, R. Untari, and T. Sutarsih. Statistik E-Commerce 2020. Jakarta:

BPS, 2020. [Online]. Available: https://www.bps.go.id/publication/2020/12/24/2548417ddc6dab8247553124/statistik-e- commerce-2020.html. Accessed: April 19, 2021.

[3] S. Kemp. “Digital 2021: Indonesia.” Data Reportal. https://datareportal.com/reports/digital-2021-indonesia (accesesed April 19, 2021).

[4] A.H. Harahap, I. M. B. A. Malik, M. I. N. Imam, M. T. S. Bilhaq, A. A. Nur, and S. L. D. Agustini. “Klasifikasi Diagnosa Penyakit Jantung Menggunakan Algoritma Random Forest,” Teknik Informatika UIN Sunan Gunung Djati Bandung, vol. 3, pp. 1-51, 2021.

[5] A. C. Wijaya, N. A. Hasibuan, and P. Ramadhani. “Implementasi Algoritma C5.0 Dalam Klasifikasi Pendapatan Masyarakat (Studi Kasus: Kelurahan Mesjid Kecamatan Medan Kota),” INTI Informasi dan Teknologi Ilmiah, vol. 13, pp. 192-168, 2018.

[6] J. A. Irawadi and S. Sunendiari. “Analisis Pohon Keputusan pada Klasifikasi Penderita Kanker Payudara,” Jurnal Riset Statistika, vol. 1, pp. 19-27, 2021.

[7] R. A. Saputra, S. Wasiyanti, and D. Pribadi. “Information Gain Pada Algoritma C4.5 Untuk Klasifikasi Penerimaan Bantuan Pangan Non Tunai (BPNT),” IJUBI Indonesian Journal of Business Intelligence, vol. 4, no. 1, pp.25, 2021

[8] Y. Y. Song and Y. Lu. “Decision Tree Methods: Applications For Classification And Prediction,” Shanghai Archives of Psychiatry, vol. 27, no. 2, pp.130-135, 2015.

[9] R. Rizaldi, A. Kurniawati, and C. V. Angkoso. “Implementasi Metode Euclidean Distance Untuk Rekomendasi Ukuran Pakaian Pada Aplikasi Ruang Ganti Virtual,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 5, no. 2, pp. 129, 2018.

[10] A. A. S. Gunawan, E. Erwin, and W. Budiharto. “Pengembangan Sistem Klasifikasi Ukuran Pakaian Menggunakan Metode Body Measurement dan Fuzzy Logic Berbasis Sensor Kinect,” Computatio: Journal of Computer Science and Information Systems, vol. 1, no.1, pp. 1-14, 2017.

[11] I. A. Dewi. “Deteksi Manusia menggunakan Pre-Trained MobileNet untuk Segmentasi Citra Menentukan Bentuk Tubuh,”

MIND Journal, vol. 1, no. 2, pp.65-79, 2019.

[12] K. Kurniawan, Sutrisno, P. Yugopuspito. “Aplikasi untuk Mengukur Baju dengan Sensor Ultrasonik,” Jurnal Mnemonic, vol.

2, no. 1, pp. 41-46, 2019.

[13] R. S. Pressman. “Rekayasa Perangkat Lunak – Buku Satu. Pendekatan Praktisi,” in Software Engineering : A Practitioner’s Approach, Seventh Edition. 2012.

[14] E. A. Gribbin. “Body shape and its influence on apparel size and consumer choices,” in Designing Apparel for Consumers.

Elsevier, 2014, pp. 3-16.

[15] Deepankar. “Decision Tree with CART Algorithm.” Medium.com. https://medium.com/geekculture/decision-trees-with-cart- algorithm-7e179acee8ff (accesed August 5, 2021).

[16] A. Sharma. “Confusion Matrix in Machine Learning.” Geeksforgeeks.org. https://www.geeksforgeeks.org/confusion-matrix- machine-learning/ (accesed August 5, 2021).