Implementasi Metode CRISP DM dan Algoritma Decision Tree Untuk Strategi Produksi Kerajinan Tangan pada UMKM A
Haekal Asyraf, Machmudin Eka Prasetya*
Departemen Akuntansi, Fakultas Ekonomi dan Bisnis, Universitas Indonesia, Jakarta, Indonesia Email: 1[email protected], 2,*[email protected]
Email Penulis Korespondensi: [email protected]
Abstrak−Pada industri 4.0, pemanfaatan teknologi informasi dan analisis data menjadi sangat penting dalam membantu pengambilan keputusan bisnis. penggunaan data mining dan algoritma decision tree dalam melakukan analisa data dapat membantu untuk mengklasifikasikan produk yang paling sesuai dengan preferensi pelanggan untuk produk kerajinan tangan usaha Mikro, Kecil, Menengah (UMKM). Dalam penelitian ini kami menggunakan metodologi Cross Industry Standard Process for Data Mining untuk menganalisa data dalam mengklasifikasikan jenis produk kerajinan yang dihasilkan oleh UMKM A untuk menentukan strategi produksi yang sesuai dengan permintaan pasar pasca pandemi Covid-19. Covid-19 mempengaruhi UMKM A sebagai produsen kerajinan tangan untuk menghentikan sementara produksinya karena permintaan yang menurun dan hanya memproduksi barang apabila ada pesanan khusus. Perubahan perilaku konsumen akibat pandemi Covid-19 membuat UMKM A harus menentukan strategi produksi yang tepat agar produknya terjual dan bisa memutar modalnya kembali. Kami berhasil membangun model yang cukup efektif dengan CRISP-DM dan algoritma Decision Tree yang memiliki tingkat akurasi 74,2%. Model ini menemukan sebanyak 21 jenis produk yang masih laku terjual pada masa pandemi sehingga bermanfaat bagi UMKM A untuk pengambilan keputusan produksi berdasarkan kondisi pasar saat pandemi covid-19.
Kata Kunci: CRISP DM; Decision Tree; Produk Kerajinan Tangan; UMKM
Abstract−In industry 4.0, the utilization of information technology and data analysis is very important in helping business decision making. The use of data mining and the Decision Tree algorithm in analyzing data can help to classify products that best suit customer preferences for Micro, Small and Medium Enterprises (MSMEs) handicraft products. In this research we use the Cross Industry Standard Process for Data Mining methodology to analyze data in classifying the types of craft products produced by MSME A to determine production strategy that suits market demand after the Covid-19 pandemic. Covid-19 influenced MSME A as a handicraft producer to temporarily stop production due to decreased demand and produce a special order only. Changes in consumer behavior due to the Covid-19 pandemic mean that MSME A must determine the right production strategy so that products are sold and can reuse the capital. We succeeded in building a fairly effective model with CRISP-DM and the Decision Tree algorithm which has an accuracy rate of 74.2%. This model found as many as 21 types of products that were still selling well during the pandemic, making it useful for MSME A for making production decisions based on market conditions during the Covid-19 pandemic.
Keywords: CRISP DM; Decision Tree; Handicrafts; MSMEs
1. PENDAHULUAN
Dalam dunia bisnis saat ini, penting bagi Perusahaan dan Usaha Mikro Kecil dan Menengah(UMKM) untuk mengamati tren pasar dan memahami preferensi pelanggan[1]. Menghadapi tantangan di era industri 4.0 dan pandemi Covid-19, Perusahaan dan UMKM perlu menggunakan pendekatan analisis data dalam mengambil keputusan yang tepat untuk mengoptimalkan strategi pemasaran dan produksi [2]. Terutama akibat dari pandemi Covid-19 banyak UMKM yang terpengaruh dampak perubahan perilaku konsumen [3]. Akibatnya banyak UMKM yang memutuskan perubahan strategi dengan mengurangi bahkan menghentikan produksinya karena menurunnya permintaan pasar [4]. Setelah pandemi dinyatakan selesai oleh pemerintah, UMKM tentunya melakukan perubahan strategi kembali untuk keberlangsungan usahanya. UMKM A merupakan salah satu UMKM yang bertahan dengan perubahan strategi produksi yang hanya memproduksi pesanan saja pada saat pandemi. Meskipun sudah melakukan pencatatan pada proses bisnis nya, UMKM belum menggunakan teknologi informasi dan analisis data untuk menentukan strategi bisnisnya dan mendapatkan hasil yang optimal. Salah satu pendekatan yang efektif dalam membantu UMKM A menentukan strategi produksinya adalah metode Cross Industry Standard Process for Data Mining (CRISP-Data Mining), yang telah terbukti bermanfaat di berbagai industri seperti pariwisata, pendidikan, perbankan, dan e-commerce [5]–[8]. Singgalen menunjukan bahwa metode CRISP-DM dan Decision Tree dapat digunakan untuk mengoptimalkan pemasaran layanan akomodasi hotel, homestay, dan resort [9].
Singgalen dalam penelitiannya yang lain juga melakukan analisis menggunakan CRISP-DM dan Decision Tree dan berhasil menemukan lima kata populer dalam data ulasan pengunjung Danau Toba menekanan pentingnya pelayanan prima (SDM berkualitas) dan infrastruktur pendukung (sarana dan prasarana pariwisata) [5]. Metode CRISP-Data Mining dan Decision Tree juga dapat dimanfaatkan sebagai metode klasifikasi untuk menentukan jenis produk kerajinan tangan yang paling sesuai berdasarkan preferensi pelanggan di masa pandemi COVID-19 pada UMKM A. Pandemi COVID-19 yang terjadi pada tahun sebelumnya telah menyebabkan tertundanya bahkan terhentinya produksi barang-barang kerajinan tangan[10]. Dengan mengimplementasi metode ini, diharapkan UMKM A yang menjadi obyek penelitian ini bisa lebih tepat sasaran dalam memproduksi dan memasarkan produk, sehingga dapat meningkatkan penjualan dan profitabilitas pasca pandemi. Selain itu, perencanaan dan pengendalian persediaan juga menjadi tantangan bagi UMKM dalam menghadapi kondisi pasar yang tidak
menentu di masa pandemi. sejauh ini banyak penelitian yang menunjukkan penggunaan metode klasifikasi seperti Naive Bayes, Decision Tree, dan Gradient Boosting untuk mengatasi masalah ini[11], [12]. Melalui penggunaan framework CRISP-DM dan algoritma pohon keputusan, penelitian ini bertujuan membantu para UMKM tersebut dalam memahami data yang dimilikinya untuk menentukan strategi produksi yang tepat berdasarkan analisis data penjualan dan preferensi konsumen[3], [7], [13]. Penggunaan algoritma decision tree pada pemodelan data mining ini dapat membantu usaha mikro, kecil, dan menengah di sektor kerajinan tangan dalam menentukan jenis produk yang diklasifikasikan sebagai laku terjual sehingga dapat memaksimalkan penjualan pada jenis produk tersebut dengan menggunakan data produk yang terjual sehingga UMKM dapat mengoptimalkan produksi untuk kondisi pasca pandemi Covid-19.
Analisis data adalah proses membaca, mengolah, dan mentransformasikan data yang ada menjadi wawasan atau pengetahuan yang berguna bagi suatu organisasi atau perusahaan[14]. Dalam proses ini, data yang diperoleh dari berbagai sumber dapat diolah dan diubah menjadi informasi atau wawasan yang berguna untuk mengambil keputusan (strategis) atau mengidentifikasi pola atau tren untuk membantu organisasi dan perusahaan meningkatkan efisiensi operasional dan kepuasan pelanggan[15].
Data mining sebagai salah satu metode dalam analisis data berperan penting dalam mengungkap informasi yang tersembunyi dan tidak terdeteksi di dalam data[16], [17]. Metode ini membantu dalam mengidentifikasi pola, hubungan, dan tren yang dapat digunakan untuk membuat keputusan bisnis yang lebih efektif. Misalnya, data mining telah digunakan dalam berbagai penelitian untuk memperkirakan hasil di berbagai bidang, mulai dari penjualan di toko serba ada hingga durasi studi siswa[18], [19]
Penerapan digitalisasi dan metode analitik dalam pemasaran kerajinan tangan dapat meningkatkan efisiensi dan efektivitas upaya pemasaran, serta mengoptimalkan pengambilan keputusan strategis. Berdasarkan beberapa sumber yang telah dijelaskan sebelumnya, dapat disimpulkan bahwa analisis data dengan metode penelitian CRISP dan machine learning terbukti efektif membantu UMKM mengoptimalkan produksi dan pemasaran produknya[6], [12]. Metode ini memungkinkan UMKM mengidentifikasi pola dari data penjualannya dan mengambil keputusan yang lebih cerdas dalam mengembangkan strategi pemasaran dan produksi[9], [20]. Cara ini juga memungkinkan UMKM memahami preferensi pelanggan dan lebih cepat merespon perubahan tren pasar pada industri kerajinan tangan.
Metode CRISP-DM merupakan framework yang banyak digunakan untuk menganalisis data dalam proses data mining. Kerangka kerja ini terdiri dari enam tahapan yaitu pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan implementasi[21], [22]. Metode CRISP-DM adalah pendekatan sistematis dan holistik dalam penambangan data. Metodologi ini dapat membantu usaha mikro, kecil, dan menengah secara efektif mengatur dan menganalisis data sekaligus menghasilkan wawasan berharga untuk membuat keputusan bisnis yang akurat dan strategis karena merupakan metodologi yang dapat diterapkan pada banyak industri[23].
Seperti pada penelitian terdahulu yang dilakukan oleh Ansori et al., penerapan CRISP-DM dalam memproses data UMKM mampu menghasilkan wawasan tentang pertumbuhan usaha menggunakan algortima K-Means Clustering [6]. Namun alat bantu perangkat lunak yang digunakan pada penelitiannya menggunakan RapidMiner dan unit analisis penelitian adalah multi-unit atau banyak obyek.
Metode CRISP-Data Mining dan algoritma pohon keputusan telah banyak digunakan dalam berbagai penelitian untuk mengklasifikasikan dan mengkategorikan data[7], [24]–[26]. Metode ini dapat berguna untuk mengidentifikasi pola pada data penjualan UMKM kerajinan tangan. Metode decision tree bekerja dengan menggambarkan aturan keputusan dalam bentuk pohon, dimana setiap node mewakili suatu keputusan berdasarkan kondisi dan atribut tertentu. Cara ini akan membantu UMKM memahami faktor-faktor yang mempengaruhi penjualan produk kerajinan tangannya, seperti jenis produk, harga, warna, dan faktor terkait lainnya. Pada penelitian ini akan menggunakan metode CRISP-DM dan algoritma pohon keputusan untuk menganalisis data jenis produk kerajinan tangan
2. METODOLOGI PENELITIAN
Seperti terlihat pada Gambar 1, Metodologi CRISP-Data Mining terdiri dari enam tahap: pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi dan penerapan.
Gambar 1. Siklus CRISP-Data Mining
Dalam penelitian ini, kami akan menggunakan metodologi penelitian Cross-Industry Standard Process for Data Mining(CRISP-Data Mining) dengan bantuan algoritma Decision Tree untuk pemodelan data. Metode penelitian menggunakan CRISP-Data Mining merupakan gabungan antara metode kualitatif dan kuantitatif untuk mendeskripsikan data dari subjek penelitian kemudian memberikan arahan rekomendasi(preskriptif). Sebagai metode penelitian, siklus proses CRISP-Data Mining dapat dijelaskan pada tiap tahapnya seperti berikut ini:
a. Pemahaman Bisnis
Tahap ini berfokus pada pemahaman menyeluruh tentang tujuan bisnis yang ingin dicapai melalui proses penambangan data. Pemahaman bisnis yang mendalam sangat penting untuk mengarahkan seluruh proses penambangan data sehingga hasilnya dapat relevan dan bermanfaat bagi organisasi[17], [27], [28]. Salah satu cara untuk mendapatkan pemahaman bisnis yang tepat sesuai dengan tujuan penelitian, dapat dilakukan pembuatan pemetaan konsep [15]. Pembuatan pemetaan konsep dilakukan berdasarkan data, informasi, dan proses bisnis yang didapatkan dengan melakukan wawancara serta konfirmasi dari pihak-pihak yang terkait pada bisnis yang diteliti.
b. Pemahaman Data
Lalu pada tahap pemahaman data, analis melakukan eksplorasi awal terhadap data yang tersedia untuk proses penambangan data [29]. Dengan memahami data secara mendalam pada tahap awal, analis dapat memastikan bahwa data yang digunakan untuk proses selanjutnya telah terverifikasi dan sesuai dengan tujuan bisnis, sehingga hasil penambangan data menjadi lebih akurat dan dapat diandalkan [17] Untuk dapat memahami data dan melakukan eksplorasi awal, analis khususnya yang memiliki latar belakang ilmu teknologi informasi biasanya akan membuat struktur basis data yang mempermudah proses pada tahapan ini. Struktur dari basis data tersebut dapat digambarkan melalui diagram hubungan entitas [15]. Pembuatan diagram hubungan entitas ini dilakukan berdasarkan data hasil pemetaan konsep serta wawancara kepada pihak yang menjadi obyek penelitian untuk mengklarifikasi kembali ketepatan data dan informasi.
c. Persiapan Data
Selanjutnya pada tahap persiapan data, data yang telah dipahami pada tahap sebelumnya disiapkan untuk digunakan dalam proses penambangan data.Data akan diinput ke dalam bentuk digital, kemudian data yang terkumpul akan dibersihkan dan diolah agar siap digunakan dalam proses pemodelan dengan algoritma pohon keputusan [30]. Dengan tahap persiapan data yang teliti dan cermat, analis dapat memastikan data yang digunakan untuk proses penambangan data telah siap digunakan dan dapat menghasilkan hasil analisa yang akurat dan bermakna bagi kepentingan bisnis [17]. Hasil dari tahap persiapan data ini dapat berbentuk laporan yang disajikan pada lembar digital(spreadsheet) dalam penelitian ini analis menggunakan Microsoft Excel [15].
d. Pemodelan
Setelah itu tahap pemodelan, berdasarkan data yang telah dipersiapkan sebelumnya, analis melakukan penerapan teknik penambangan data yang sesuai untuk mengembangkan model deskriptif dan prediktif. Tahap pemodelan ini merupakan inti dari proses penambangan data, di mana wawasan dan pengetahuan berharga ditemukan dari data, yang kemudian akan membantu dalam pengambilan keputusan yang lebih cerdas dan strategis bagi Perusahaan [17]. Terdapat beberapa alat bantu perangkat lunak untuk penambangan data, analisa data, dan visualisasi data seperti SPSS, dan Dataminer, serta yang terbaru seperti Tableau, Power Query, Power BI, dan KNIME. Penggunaan alat bantu perangkat lunak ini dapat dikombinasikan sesuai dengan kebutuhan dari penelitiaan dan kemudahan dalam penggunaan [31]Pada penelitian ini alat bantu penambangan data dan visualisasi yang digunakan adalah KNIME. Pada perangkat lunak yang digunakan sudah terdapat alat bantu proses algoritma yang dipilih yaitu node decision tree learner.
e. Evaluasi
Kemudian tahap evaluasi, model dan hasil penambangan data dievaluasi secara mendalam untuk mengukur kualitas dan relevansinya terhadap tujuan bisnis yang telah ditetapkan sebelumnya. Tahap evaluasi memastikan bahwa hasil penambangan data yang dihasilkan adalah bermanfaat, dapat diandalkan, dan sesuai dengan kebutuhan bisnis, sehingga memastikan kesuksesan implementasi dan pengambilan keputusan yang berbasis data yang lebih baik [17]. Hasil model dan penambangan data serta analisa data bisnis dapat disajikan dalam bentuk laporan dengan wawasan yang didapatkan. Tahap evaluasi melihat secara lebih luas model mana yang paling sesuai dengan bisnis dan apa yang harus dilakukan selanjutnya baik bagi bisnis maupun proyek penelitian ini [29].
f. Penyebaran
Pada tahap ini, hasil dari model dan analisis penambangan data diterapkan dalam lingkungan bisnis yang sebenarnya. Analis berkolaborasi dengan tim bisnis untuk memastikan bahwa model atau wawasan diterapkan dengan efektif dan terintegrasi dengan proses operasional perusahaan [17] Pengambilan keputusan setelah tahap penyebaran ini dapat dilakukan oleh pemilik bisnis berdasarkan dari hasil analisa dalam menentukan jenis barang yang diproduksi agar barang dapat terus terjual dengan menggunakan model teknik penambangan data yang telah dievaluasi pada tahap sebelumnya. Namun sebagai siklus hidup, hasil dari penyebaran model atau wawasan ini dapat digunakan kembali untuk perencanaan mengembangkan bisnis dalam jangka panjang dan tujuan penambangan data di masa depan [23]
Algoritma decision tree yang digunakan pada metode penelitian ini merupakan salah satu model algoritma klasifikasi yang banyak digunakan dalam penambangan data untuk memprediksi kelas atau label dari suatu obyek
berdasarkan atribut atau fitur yang ada. Model ini mewakili struktur berbentuk pohon dengan simpul atau node sebagai representasi dari keputusan atau kondisi, dan cabang-cabangnya sebagai hasil dari keputusan tersebut.
Gorunescu menjelaskan, "Decision Tree adalah teknik supervised learning yang memprediksi nilai variabel target berdasarkan beberapa variabel pemasukan."[32]. Pada setiap simpul, model decision tree memilih atribut tertentu dari data dan membagi dataset menjadi subset-subset yang lebih kecil berdasarkan nilai atribut tersebut. Proses ini berlanjut hingga mencapai simpul daun atau leaf node, di mana prediksi atau kelas target dari model diberikan.
3. HASIL DAN PEMBAHASAN
Hasil penelitian ini disajikan dalam 6 fase metodologi penelitian CRISP-Data Mining. Untuk setiap tahapan, hasilnya tergantung pada wawancara, pengumpulan sumber data, dan konfirmasi data manual yang dicatat oleh objek penelitian.
3.1 Pemahaman Bisnis
UMKM A merupakan usaha yang menghasilkan produk kerajinan tangan dengan mengolah bahan bakunya.
Setelah melakukan proses produksi, UMKM A menjual hasil kerajinannya secara langsung dan ke luar jaringan melalui showroom atau galeri, serta mengikuti pameran atau bazaar yang diselenggarakan oleh berbagai event organizer khususnya pameran kerajinan tangan.
Proses kerajinan tangan yang dilakukan oleh UMKM A dimulai dari pemilik usaha yang melakukan pemesanan produksi kepada kepala asisten produksi atau langsung kepada manajer lokasi produksi untuk memesan produk kerajinan kategori tertentu. Kemudian kepala asisten produksi/manajer lokasi produksi memeriksa persediaan bahan baku yang dimilikinya. Apabila bahan baku yang dibutuhkan pengrajin untuk memproduksi kerajinannya tidak tersedia, kepala asisten produksi/manajer lokasi produksi meminta bahan baku kepada pemilik usaha atau melakukan pemesanan langsung ke pemasok dengan persetujuan pemilik usaha. Kemudian setelah pemesanan dilakukan, pemilik usaha atau manajer lokasi produksi melakukan pembelian bahan baku. Setelah dibeli, bahan baku dikirim dengan koordinasi oleh kepala asisten produksi kepada pengelola lokasi produksi.
Pencatatan bahan baku yang diterima dilakukan oleh manajer lokasi produksi. Setelah semua bahan baku yang diterima mencukupi untuk membuat kerajinan yang dipesan, maka para pengrajin melakukan proses pengolahan bahan baku tersebut menjadi produk kerajinan. Hasil kerajinan tangan yang telah diolah oleh pengrajin kemudian dicatat dan dikirim oleh manajer lokasi produksi kepada pemilik usaha di showroom/pusat galeri yang berada di kota Padang. Pada akhirnya proses produksi selesai setelah barang diterima oleh pemilik usaha yang diwakili oleh kepala asisten produksi untuk dicatat dan diserahkan ke bagian penjualan dan administrasi. Proses produksi kerajinan tangan oleh UMKM A dapat digambarkan dalam bentuk pemetaan konsep seperti pada Gambar 2.
Gambar 2. Pemetaan konsep proses bisnis produksi pada UMKM A
Kemudian setelah produk kerajinan diserahkan ke bagian penjualan dan administrasi, produk tersebut ditempatkan di showroom/galeri untuk siap dijual kepada pelanggan. Sejak adanya pandemi Covid-19, proses penjualan mulai menggunakan teknologi untuk menginformasikan kepada pelanggan melalui upload video dan gambar produk yang tersedia. Meski proses penjualannya menggunakan teknologi, namun masih banyak pelanggan yang memilih datang langsung untuk melihat produk kerajinan tersebut karena kualitas warna yang ditangkap dalam video atau gambar dapat berubah-ubah tergantung perangkat yang digunakan pelanggan.
Oleh karena itu, pemilik usaha memutuskan untuk melanjutkan proses penjualan langsung melalui showroom/galeri dan pameran produk kerajinan tangan yang diadakan di berbagai lokasi di Jakarta. Dalam proses penjualan produk kerajinan tangan ini, pemilik usaha juga ikut andil dalam proses penjualannya dengan dibantu
oleh dua orang anak pemilik usaha dengan menghubungi pelanggan yang sudah menjadi pelanggan tetap.
Pelanggan juga dapat melakukan pemesanan khusus untuk jenis produk kerajinan tertentu yang disukainya, apabila stok produk jenis tersebut tidak ada. Pada proses bisnis penjualan, pelanggan mendatangi showroom/galeri, pameran produk kerajinan tangan, atau menghubungi langsung pemilik usaha atau staff penjualan untuk membeli produk yang diinginkan. Apabila produk yang diinginkan tersedia, maka staff penjualan melakukan pencatatan data penjualan pada buku faktur penjualan. Pemetaan konsep proses bisnis penjualan produk kerajinan pada UMKM A dapat digambarkan seperti pada Gambar 3.
Gambar 3. Pemetaan konsep proses bisnis penjualan UMKM A 3.2 Pemahaman Data
Pada tahap pemahaman data dapat dihasilkan dua jenis data yang dapat digunakan untuk melakukan analisis data dan penggalian data dalam penelitian ini. Data yang dicatat secara konsisten adalah data persediaan produk jadi dan data penjualan. Terdapat 3 pengelompokan data hasil dari pemahaman proses bisnis dengan menggunakan pemetaan konsep yang ada. Data pelanggan(Customers) terdiri dari nama pelanggan dan kontak pelanggan. Data ini terhubung langsung dengan data penjualan yang terdiri dari variabel tanggal penjualan, nama/jenis produk, kategori produk,warna, harga jual, jumlah, dan lokasi. Sementara itu data persediaan memiliki variabel status, estimasi harga dasar produksi, harga jual, tanggal produksi, warna, nama/jenis produk, kategori produk, jumlah, dan lokasi. Hasil analisis peneliti terhadap pemahaman data yang dimiliki UMKM A juga dapat digambarkan dalam bentuk Entity Relationship Diagram (ERD) seperti pada Gambar 4
Gambar 4. ERD Proses Bisnis pada UMKM A.
Berdasarkan hasil wawancara dengan pemilik usaha, secara kategori terdapat 4 kategori produk kerajinan yang dihasilkan UMKM A yaitu Tenun Songket, Bordir Karancang, Sulaman Tangan, dan Batik. Dari keempat kategori produk kerajinan tersebut, pemilik usaha menciptakan jenis produk tertentu dengan menggabungkan dua hingga 3 kategori produk kerajinan yang dihasilkan oleh UMKM A. Misalnya Batik dibuat dengan Bordir Karancang dan Sulaman Tangan atau salah satunya sebagai nilai tambah. Selain itu ada pula Tenun Songket yang dikreasikan dengan motif bunga sulaman tangan sehingga menjadi salah satu jenis produk baru di kategori Tenun Songket. Pada Kategori Produk Bordir Karancang, Karancang juga dibuat dengan Sulaman Tangan untuk memberikan nilai tambah. Total terdapat 59 jenis produk dari seluruh kategori produk yang dihasilkan oleh UMKM A. Pada kategori produk Batik Bordir hanya ada satu jenis produk yang masih diproduksi yaitu Batik Bordir Karancang Sutra seperti pada tabel 1.
Tabel 1. Kategori produk kerajinan tangan batik No. Nama/JenisProduk Kategori Produk
1 Batik Bordir Karancang Sutera Batik Bordir
Sedangkan pada kategori produk Bordir Karancang terdapat 18 jenis produk yang dihasilkan oleh UMKM A yang dapat dilihat pada tabel 2 sebagai berikut:
Tabel 2. Kategori produk kerajinan tangan Bordir Karancang
No Nama/JenisProduk Kategori Produk
1 Bordir Karancang Bahan Baju Gamis stelan Bordir Karancang 2 Bordir Karancang Bahan Baju Kebaya Bordir Karancang 3 Bordir Karancang Bahan Baju Kebaya Bordir Karancang 4 Bordir Karancang Bahan Baju Kebaya stelan Bordir Karancang 5 Bordir Karancang Bahan Baju Kebaya Sutra Bordir Karancang 6 Bordir Karancang Bahan Baju Kebaya Sutra stelan Bordir Karancang 7 Bordir Karancang Bahan Baju Kurung Satin atasan Bordir Karancang 8 Bordir Karancang Bahan Baju Kurung Satin stelan Bordir Karancang 9 Bordir Karancang Bahan Baju Kurung stelan Bordir Karancang 10 Bordir Karancang Bahan Baju Kurung Sutra stelan Bordir Karancang 11 Bordir Karancang Bahan Baju Sutera Itali stelan Bordir Karancang 12 Bordir Karancang Bahan Rok Sutra Bordir Karancang 13 Bordir Karancang Baju Kebaya Bordir Karancang 14 Bordir Karancang Dress Halter Bordir Karancang 15 Bordir Karancang Mukena Sutra stelan Bordir Karancang 16 Bordir Karancang Selendang Full Bordir Karancang 17 Bordir Karancang Selendang simple Bordir Karancang 18 Bordir Karancang Selendang Sulam Kepala Peniti Bordir Karancang
Lalu untuk kategori produk Sulaman Tangan, UMKM A saat ini masih memproduksi 20 jenis produk seperti dijelaskan pada tabel 3 dibawah ini:
Tabel 3. Kategori produk kerajinan tangan Sulaman Tangan
No. Nama/JenisProduk Kategori Produk
1 Sulaman Tangan Bahan Baju Kebaya stelan Sulaman Tangan
2 Sulaman Tangan Bahan Baju Koko Pria Sulaman Tangan
3 Sulaman Tangan Baju Koko Pria Sulaman Tangan
4 Sulaman Tangan Baju Koko Pria stelan Sulaman Tangan
5 Sulaman Tangan Benang Emas Bahan Baju Kurung Basiba Sulaman Tangan 6 Sulaman Tangan Benang Emas Bahan Baju Kurung Basiba Sutra Sulaman Tangan 7 Sulaman Tangan Benang Emas Kepala Peniti Bahan Baju Kurung Semi Sutra Sulaman Tangan 8 Sulaman Tangan Benang Emas Kepala Peniti Bahan Baju Kurung Sutra Sulaman Tangan
9 Sulaman Tangan Benang Emas Selendang Sulaman Tangan
10 Sulaman Tangan Benang Emas Selendang simpel Sulaman Tangan
11 Sulaman Tangan Selendang Bajaik Sulaman Tangan
12 Sulaman Tangan Selendang Bajaik Sutra Sulaman Tangan
13 Sulaman Tangan Selendang Bayang Sulaman Tangan
14 Sulaman Tangan Selendang Jilbab Sulaman Tangan
15 Sulaman Tangan Selendang Kepala Peniti Sulaman Tangan
16 Sulaman Tangan Selendang Kepala Peniti Sulaman Tangan
17 Sulaman Tangan Selendang Kepala Peniti Sutra Sulaman Tangan
18 Sulaman Tangan Selendang Suji Cair Sulaman Tangan
19 Sulaman Tangan Selendang Suji Cair Sutra Sulaman Tangan
20 Sulaman Tangan Selendang Terawang Sulaman Tangan
Kemudian pada kategori produk Tenun Songket juga terdapat 20 jenis produk yang masih diproduksi oleh UMKM A yang dijelaskan pada tabel 4 berikut ini:
Tabel 4. Kategori produk kerajinan tangan Tenun Songket
No Nama/JenisProduk Kategori Produk
1 Tenun Songket Bacatua Motif Bunga stelan Tenun Songket 2 Tenun Songket Bacatua Motif Bunga Sutra stelan Tenun Songket 3 Tenun Songket Bacatua Semi Sutra stelan Tenun Songket
No Nama/JenisProduk Kategori Produk
4 Tenun Songket Bacatua stelan Tenun Songket
5 Tenun Songket Bacatua Sutra stelan Tenun Songket 6 Tenun Songket Bahan Baju Pria Atasan Tenun Songket 7 Tenun Songket Bahan Baju Pria Atasan Semi Sutra Tenun Songket 8 Tenun Songket Bahan Baju Pria Atasan Sutra Tenun Songket 9 Tenun Songket Pandai Sikek Benang 1 stelan Tenun Songket 10 Tenun Songket Pandai Sikek Motif Penuh stelan Tenun Songket 11 Tenun Songket Pandai Sikek Semi Sutra Motif Penuh stelan Tenun Songket 12 Tenun Songket Pandai Sikek Semi Sutra stelan Tenun Songket 13 Tenun Songket Pandai Sikek stelan Tenun Songket 14 Tenun Songket Pandai Sikek Sutra Benang 1 stelan Tenun Songket 15 Tenun Songket Pandai Sikek Sutra Benang 2 stelan Tenun Songket 16 Tenun Songket Pandai Sikek Sutra Motif Penuh stelan Tenun Songket
17 Tenun Songket Saluak Tenun Songket
18 Tenun Songket Sesamping Sutra Motif Bunga Tenun Songket 19 Tenun Songket Sesamping Sutra Motif Penuh Tenun Songket 20 Tenun Songket Silungkang Semi Sutra Tenun Songket 3.3 Persiapan Data
Setelah diperoleh data-data yang ada pada buku catatan produksi tertulis dan buku faktur penjualan, kemudian diubah menjadi data digital dengan cara memasukkan data tersebut ke dalam file Microsoft Excel. Data Penjualan yang dapat dipersiapkan dari buku faktur penjualan manual menjadi data digital terdiri dari 9 variabel/kolom data yaitu Tanggal penjualan, nomor faktur, nama pelanggan, kontak pelanggan, nama/jenis produk, kategori produk, warna, harga jual, dan lokasi. Variabel/kolom data nama pelanggan dan kontak pelanggan tidak dilakukan perekaman kedalam bentuk digital karena merupakan data pribadi yang rahasia sehingga tidak ditampilkan pada penelitian ini. Contoh hasil pemasukan data persediaan produk dapat dilihat pada tabel 5 dibawah ini:
Tabel 5. Contoh Data Penjualan No Tanggal
Penjualan
Nomor
Faktur Nama/ Jenis Produk Kategori
Produk Warna Harga Jual Lokasi 1 19 Mei 2020 754 Bordir Karancang
Selendang Full
Bordir
Karancang Hitam Rp12.500.000,00 Jakarta 2 19 Mei 2020 754 Bordir Karancang
Selendang Full
Bordir Karancang
Abu-
Abu Rp12.500.000,00 Jakarta 3 19 Mei 2020 754 Bordir Karancang
Selendang Full
Bordir
Karancang Putih Rp12.500.000,00 Jakarta 4 28 Mei 2020 751 Sulaman Tangan Baju
Koko Pria stelan
Sulaman
Tangan Biru Rp7.500.000,00 Jakarta 5 28 Mei 2020 751 Sulaman Tangan Baju
Koko Pria stelan
Sulaman Tangan
Biru
Toska Rp7.500.000,00 Jakarta 6 28 Mei 2020 751 Sulaman Tangan Baju
Koko Pria stelan
Sulaman
Tangan Hijau Rp7.500.000,00 Jakarta 7 28 Mei 2020 751
Bordir Karancang Bahan Baju Gamis
stelan
Bordir
Karancang Hijau Rp15.000.000,00 Jakarta 8 28 Mei 2020 751
Bordir Karancang Bahan Baju Gamis
stelan
Bordir
Karancang Putih Rp15.000.000,00 Jakarta 9 28 Mei 2020 751
Bordir Karancang Bahan Baju Gamis
stelan
Bordir
Karancang Putih Rp12.500.000,00 Jakarta 10 29 Mei 2020 752
Tenun Songket Pandai Sikek Sutra Benang 1
stelan
Tenun Songket
Dusty
Pink Rp25.000.000,00 Jakarta 11 29 Mei 2020 752
Tenun Songket Bacatua Motif Bunga
stelan
Tenun Songket
Dusty
Pink Rp20.000.000,00 Jakarta 12 29 Mei 2020 752
Tenun Songket Bacatua Motif Bunga
stelan
Tenun
Songket Peach Rp20.000.000,00 Jakarta
No Tanggal Penjualan
Nomor
Faktur Nama/ Jenis Produk Kategori
Produk Warna Harga Jual Lokasi 13 29 Mei 2020 753
Tenun Songket Bacatua Motif Bunga
stelan
Tenun
Songket Peach Rp25.000.000,00 Jakarta 14 29 Mei 2020 753
Tenun Songket Bacatua Motif Bunga
stelan
Tenun
Songket Peach Rp25.000.000,00 Jakarta 15 27 Juli 2020 757 Bordir Karancang
Selendang Full
Bordir
Karancang Hijau Rp17.500.000,00 Jakarta 16 27 Juli 2020 758 Bordir Karancang
Selendang Full
Bordir
Karancang Merah Rp17.500.000,00 Jakarta 17 27 Juli 2020 759
Bordir Karancang Bahan Baju Kurung
Sutra stelan
Bordir
Karancang Merah Rp15.000.000,00 Jakarta 18 02 Agustus
2020 761
Bordir Karancang Bahan Baju Kebaya
stelan
Bordir
Karancang Hijau Rp2.000.000,00 Jakarta 19 02 Agustus
2020 761
Tenun Songket Bahan Baju Pria Atasan Semi
Sutra
Tenun
Songket Hijau Rp1.000.000,00 Jakarta 20
24 September
2020
766 Sulaman Tangan Selendang Suji Cair
Sulaman Tangan
Biru
Dongker Rp7.500.000,00 Jakarta Sedangkan data persediaan produk pada proses entri data berasal dari kumpulan data produksi yang dimiliki oleh pengelola lokasi produksi akibat tidak lengkapnya data rekapitulasi produksi yang dimiliki oleh kepala asisten produksi. Pada data persediaan ini dapat dipersiapkan dalam bentuk digital, variabel/kolom data tanggal produksi, nama/jenis produk, kategori produk, warna, estimasi harga dasar produksi, Lokasi, dan status produk saat ini.
Adapun contoh hasil rekapitulasi data persediaan produk dapat dilihat pada tabel 6 sebagai berikut:
Tabel 6. Contoh data persediaan No Tanggal
Produksi Nama/ JenisProduk Kategori
Produk Warna Estimasi Harga
Dasar Produksi Lokasi Status Produk 1 11 Januari
2020
Sulaman Tangan Baju Koko Pria stelan
Sulaman
Tangan Hitam Rp6.000.000,00 Jakarta Tersedia 2 14 Januari
2020
Sulaman Tangan Benang Emas Bahan Baju Kurung Basiba
Sulaman
Tangan Putih Rp3.600.000,00 Jakarta Tersedia 3 15 Januari
2020
Tenun Songket Bacatua Motif Bunga
stelan
Tenun
Songket Terakota Rp12.000.000,0
0 Jakarta Tersedia 4 16 Januari
2020
Sulaman Tangan Baju Koko Pria stelan
Sulaman
Tangan Emas Rp6.000.000,00 Jakarta Tersedia 5 16 Januari
2020
Tenun Songket Bacatua Semi Sutra
stelan
Tenun Songket
Merah
Fanta Rp2.800.000,00 Padang Tersedia 6 16 Januari
2020
Tenun Songket Sesamping Sutra
Motif Penuh
Tenun Songket
Coklat
Tua Rp7.500.000,00 Jakarta Tersedia 7 18 Januari
2020
Tenun Songket Bahan Baju Pria Atasan
Tenun Songket
Hijau
Lemon Rp1.600.000,00 Padang Tersedia 8 24 Januari
2020
Bordir Karancang Selendang Full
Bordir Karancan
g
Hijau Telur Asin
Rp10.500.000,0
0 Jakarta Tersedia 9 24 Januari
2020
Tenun Songket Pandai Sikek stelan
Tenun
Songket Orange Rp4.000.000,00 Jakarta Tersedia 10 26 Januari
2020
Tenun Songket Bahan Baju Pria Atasan
Sutra
Tenun Songket
Dusty
Pink Rp4.000.000,00 Padang Tersedia
Data pelanggan pada data penjualan tidak dimasukkan karena merupakan data rahasia, sehingga diputuskan untuk tidak memasukkan data pelanggan sebagai variabel independen dalam pemodelan data.
3.4 Pemodelan
Pemodelan data yang dipilih adalah pohon keputusan dengan data persediaan produk yang sebelumnya dikonsolidasikan dengan data penjualan. Kemudian diolah menggunakan peralatan aplikasi KNIME. Decision Tree Learner di KNIME dapat menghasilkan model algoritma yang dapat membantu dalam menentukan keputusan. Berikut hasil pemodelan data yang dilakukan menggunakan alur kerja KNIME pada gambar 5:
Gambar 5. Proses pemodelan algoritma decision tree menggunakan aplikasi perangkat lunak KNIME.
untuk setiap pilihan jenis produk. Hasil pelatihan model algoritma pohon keputusan ini dapat dilihat pada gambar 6 dibawah ini:
Gambar 6. Decision tree hasil proses model algoritma.
Terlihat pada pohon keputusan hasil proses model algoritma, root node merupakan salah satu variabel target. Pada simpul keputusan terdapat masing-masing jenis produk sebagai pilihan yang dapat dipilih. Kemudian pada setiap node keputusan terdapat kelas 'Tersedia' atau 'Terjual' yang merupakan hasil klasifikasi pohon keputusan berdasarkan data variabel pendapatan. Produk yang termasuk dalam kelas 'Available' dapat dikatakan masih dalam stok dan tidak perlu diproduksi ulang. Namun jika jenis produk tersebut termasuk dalam golongan 'Terjual', maka pemilik usaha dapat memproduksi jenis produk tersebut. Untuk jenis produk tertentu yang mempunyai harga jual berbeda, terdapat kriteria harga jenis produk tersebut yang dapat mempengaruhi keputusan.
Pada penelitian ini juga dilakukan penghitungan tingkat akurasi model yang dihasilkan ketika memprediksi pada node Decision Tree Predictor dengan menggunakan node Scorer. Kami menemukan bahwa akurasi model yang dibangun dari data yang tersedia adalah 74,2% seperti yang terlihat pada gambar 7.
Gambar 7. Akurasi hasil model
3.5 Evaluasi
Berdasarkan hasil model pohon keputusan pada masa pandemi Covid-19, UMKM A dapat direkomendasikan untuk memproduksi kembali sebanyak 21 jenis produk kerajinan tangannya. Terdapat 10 Jenis produk pada kategori Tenun Songket dan 6 jenis produk pada kategori sulaman tangan yang masih laku terjual dan dapat diproduksi kembali. Sementara itu, ada 3 dari 5 dari jenis produk yang sebaiknya diproduksi dengan harga jual tertentu pada kategori Bordir Karancang. Detail dari jenis produk yang menjadi laporan evaluasi hasil model decision tree ini dapat dilihat pada tabel 7 berikut:
Tabel 7. Laporan evaluasi hasil model decision tree.
No Nama/Jenis Produk Kategori Produk Harga Jual
Bisa diproduksi
kembali 1 Tenun Songket Bacatua Motif Bunga Sutra
stelan Tenun Songket Ya
2 Tenun Songket Bacatua stelan Tenun Songket Ya
3 Tenun Songket Bahan Baju Pria Atasan Semi
Sutra Tenun Songket Ya
4 Tenun Songket Bahan Baju Pria Atasan Sutra Tenun Songket Ya
5 Tenun Songket Pandai Sikek Motif Penuh
stelan Tenun Songket Ya
6 Tenun Songket Pandai Sikek Semi Sutra Motif
Penuh stelan Tenun Songket Ya
7 Tenun Songket Pandai Sikek Semi Sutra stelan Tenun Songket Ya
8 Tenun Songket Pandai Sikek stelan Tenun Songket Ya
9 Tenun Songket Pandai Sikek Sutra Benang 1
stelan Tenun Songket Ya
10 Tenun Songket Pandai Sikek Sutra Benang 2
stelan Tenun Songket Ya
11 Bordir Karancang Bahan Baju Kebaya stelan Bordir Karancang Rp.4.000.000,- Ya 12 Bordir Karancang Bahan Baju Kebaya Bordir Karancang Rp.4.500.000,- Ya 13 Bordir Karancang Selendang Full Bordir Karancang Rp.16.500.000,- Ya 14 Bordir Karancang Bahan Baju Kurung stelan Bordir Karancang Ya 15 Bordir Karancang Bahan Baju Kebaya Sutra
stelan Bordir Karancang Ya
16 Sulaman Tangan Bahan Baju Baju Koko Pria Sulaman Tangan Ya
17 Sulaman Tangan Selendang Bayang Sulaman Tangan Ya
18 Sulaman Tangan Baju Koko Pria Sulaman Tangan Ya
19 Sulaman Tangan Benang Emas Kepala Peniti
Bahan Baju Kurung Sutra Sulaman Tangan Ya
20 Sulaman Tangan Benang Emas Bahan Baju
Kurung Basiba Sutra Sulaman Tangan Ya
21 Sulaman Tangan Selendang Bajaik Sulaman Tangan Ya
Setelah melakukan evaluasi bersama dengan pemilik usaha, maka keputusan jenis produk yang akan diproduksi kembali diserahkan kepada pemilik usaha. Sebab, proses penelitian ini hanya melakukan analisis deskriptif untuk menggambarkan kondisi data yang dimiliki.
3.6 Penyebaran
Setelah evaluasi dan persetujuan, laporan didistribusikan dan dihasilkan untuk memantau data produksi barang dan data penjualan. Penyusunan laporan pendistribusian ini akan diberikan dalam bentuk file KNIME (.knwf) dan diletakkan pada laptop PC anak pemilik usaha yang akan mengupdate data data persediaan produk dan data penjualan sehingga dapat dilakukan pengolahan data. pemodelan untuk mengetahui produk mana yang laris manis, laris, dan dapat diproduksi kembali di kemudian hari.
4. KESIMPULAN
Pada penelitian ini telah dilakukan klasifikasi data persediaan produk menggunakan metode algoritma pohon keputusan dengan metodologi penelitian teknik data mining CRISP-DM. Metode algoritma yang dirancang dengan menggunakan algoritma pohon keputusan ini dapat mempelajari pola dari sekumpulan dataset yang dimiliki oleh UMKM A. Dataset tersebut terdiri dari 8 atribut yaitu Tanggal Produksi, Nama/Jenis Produk, Kategori Produk, Harga Jual, Warna, Jumlah dan lokasi. Dari 59 dataset Tipe Produk, hanya 21 tipe produk yang dapat
diklasifikasikan sebagai tipe produk yang masih laris manis dan masih diminati pelanggan di masa pandemi Covid- 19. berdasarkan hasil laporan proses CRISP-DM dan pengklasifikasian jenis produk kerajinan dengan menggunakan algoritma pohon keputusan, pemilik usaha juga bisa terbantu dalam mengambil keputusan jenis produk apa yang bisa diproduksi kembali pasca pandemi Covid-19 di tahun 2023 sebagai strategi produksi. Model decision tree yang dibangun dalam perangkat lunak KNIME dapat digunakan kembali dengan data terkini di masa mendatang. Setelah dilakukan penerapan maka UMKM A dapat memperbaharui sumber datanya. Karena keterbatasan penelitian ini, data penjualan dan data produksi hanya berasal dari tahun 2020 sampai dengan tahun 2022. Model tersebut dapat digunakan untuk memprediksi produk mana yang akan dijual dari data persediaan produk sebagai sumbernya.
REFERENCES
[1] B. Marr, “How To Understand Your Customers And Their Needs With The Right Data,” Forbes. Accessed: Nov. 15, 2023. [Online]. Available: https://www.forbes.com/sites/bernardmarr/2022/02/03/how-to-understand-your-customers- and-their-needs-with-the-right-data/?sh=4a2d9bed2f68
[2] A. Phillips, “How the creative manufacturing and handmade sector can craft a post-COVID-19 future,” World Economic Forum. Accessed: Nov. 15, 2023. [Online]. Available: https://www.weforum.org/agenda/2021/06/creative- manufacturing-handmade-sector-growth/
[3] C. P. A. Rabbi, “Pandemi Covid-19 Memicu Empat Perubahan Besar Perilaku Konsumen ,” katadata. Accessed: Oct.
14, 2023. [Online]. Available: https://katadata.co.id/happyfajrian/brand/605a31cf8e81f/pandemi-covid-19-memicu- empat-perubahan-besar-perilaku-konsumen
[4] Y. Pusparisa, “Perbedaan Strategi Bertahan UMKM Saat Diterpa Krisis,” Databoks Katadata. Accessed: Oct. 16, 2023.
[Online]. Available: https://databoks.katadata.co.id/datapublish/2020/09/26/perbedaan-strategi-bertahan-umkm-saat- diterpa-krisis
[5] Y. A. Singgalen, “Penerapan Metode CRISP-DM dalam Klasifikasi Data Ulasan Pengunjung Destinasi Danau Toba Menggunakan Algoritma Naïve Bayes Classifier (NBC) dan Decision Tree (DT),” 2023, doi: 10.30865/mib.v7i3.6461.
[6] Y. Ansori and C. Wulandari, “CRISP-DM Method On Indonesian Micro Industries (UMKM) Using K-Means Clustering Algorithm,” MATICS: Jurnal Ilmu Komputer dan Teknologi Informasi (Journal of Computer Science and Information Technology), vol. 14, no. 2, pp. 35–40, Oct. 2022, doi: 10.18860/mat.v14i2.13760.
[7] G. Gunawan, “DATA MINING USING CRISP-DM PROCESS FRAMEWORK ON OFFICIAL STATISTICS: A CASE STUDY OF EAST JAVA PROVINCE,” Jurnal Ekonomi dan Pembangunan, vol. 29, no. 2, pp. 183–198, Dec.
2021, doi: 10.14203/jep.29.2.2021.183-198.
[8] V. Plotnikova, M. Dumas, and F. Milani, “Adapting the CRISP-DM data mining process: A case study in the financial services domain,” in International Conference on Research Challenges in Information Science, 2021, pp. 55–71.
[9] Y. A. Singgalen, “Penerapan Metode CRISP-DM untuk Optimalisasi Strategi Pemasaran STP (Segmenting, Targeting, Positioning) Layanan Akomodasi Hotel, Homestay, dan Resort,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 7, pp. 1980–1993, 2023, doi: 10.30865/mib.v7i4.6896.
[10] A. Winarni, “Dampak Pandemi Covid-19, Aktivitas Produksi Menurun,” Kumparan. Accessed: Nov. 15, 2023. [Online].
Available: https://kumparan.com/ayu-winarni/dampak-pandemi-covid-19-aktivitas-produksi-menurun- 1urqmt7yGGC/full
[11] H. Dhika, H. Veris, J. Raya Tengah No, K. Gedong, P. Rebo, and J. Timur, “PENERAPAN ALGORITMA DECISION TREE DALAM PENJUALAN HANDPHONE,” 2021.
[12] N. L. W. S. Telagawathi, N. M. Suci, and K. K. Heryanda, “STRATEGI TRANSFORMASI DIGITAL UMKM KERAJINAN TANGAN PADA MASA PANDEMI COVID-19 DI KABUPATEN GIANYAR, BALI,” Jurnal Ilmu Sosial dan Humaniora, vol. 11, no. 2, pp. 204–212, Aug. 2022, doi: 10.23887/jish.v11i2.39734.
[13] Y. Christian and K. O. Y. R. Qi, “Penerapan K-Means pada Segmentasi Pasar untuk Riset Pemasaran pada Startup Early Stage dengan Menggunakan CRISP-DM,” JURIKOM (Jurnal Riset Komputer), vol. 9, no. 4, p. 966, Aug. 2022, doi:
10.30865/jurikom.v9i4.4486.
[14] M. Lewrick, P. Link, and L. Leifer, The DESIGN THINKING PLAYBOOK mindful digital transformation of teams, products, services, ... businesses and ecosystems, 1st ed. JOHN WILEY & Sons, 2018.
[15] T. Frisendal, Design Thinking Business Analysis. Berlin, Heidelberg: Springer Berlin Heidelberg, 2012. doi:
10.1007/978-3-642-32844-2.
[16] C. Stedman, “DEFINITION data mining,” techtarget network. Accessed: Oct. 27, 2023. [Online]. Available:
https://www.techtarget.com/searchbusinessanalytics/definition/data-mining
[17] M. North, Data mining for the masses, vol. 615684378. Global Text Project Athens, 2012.
[18] I. Sutoyo, “Implementasi Algoritma Decision Tree Untuk Klasifikasi Data Peserta Didik,” Jurnal Pilar Nusa Mandiri, vol. 14, no. 2, pp. 217–224, 2018.
[19] M. Afdhal and V. Ariandi, “MEMPREDIKSI PENJUALAN PADA TOKO HANIFAH METODE C.45,” Jurnal Teknologi Dan Sistem Informasi Bisnis-JTEKSIS, vol. 4, no. 2, p. 248, 2022, doi: 10.47233/jteksis.v4i2.460.
[20] R. Wahyudi, “Aplikasi Pendukung Penetapan Harga Produk Untuk Usaha Mikro, Kecil, dan Menengah (UMKM) Berbasis Web Responsive,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 3, no. 2, p. 105, Apr. 2019, doi:
10.30865/mib.v3i2.1107.
[21] N. HOTZ, “What is CRISP DM?,” Data Science Process Alliance. Accessed: Oct. 27, 2023. [Online]. Available:
https://www.datascience-pm.com/crisp-dm-2/
[22] R. Wirth and J. Hipp, “CRISP-DM: Towards a standard process model for data mining,” in Proceedings of the 4th international conference on the practical applications of knowledge discovery and data mining, 2000, pp. 29–39.
[23] IBM Corporation, “IBM SPSS Modeler CRISP-DM Guide Product Information,” IBM Corporation. IBM Corporation, 2016.
[24] E. Damayanti and S. Kuswayati, “ANALISIS DAN IMPLEMENTASI FRAMEWORK CRISP-DM (CROSS INDUSTRY STANDARD PROCESS FOR DATA MINING) UNTUK CLUSTERING PERGURUAN TINGGI SWASTA,” Jurnal STT Bandung, 2006, Accessed: Dec. 14, 2023. [Online]. Available:
https://ejournal.sttbandung.ac.id/assets/file/SRI%20ERINA%20DAMAYANTI.pdf
[25] N. Ratama, “Analisa Dan Perbandingan Sistem Aplikasi Diagnosa Penyakit Asma Dengan Algoritma Certainty Factor Dan Algoritma Decision Tree Berbasis Android,” Jurnal Informatika: Jurnal Pengembangan IT, vol. 3, no. 2, pp. 177–
183, May 2018, doi: 10.30591/jpit.v3i2.848.
[26] M. A. Hasanah, S. Soim, and A. S. Handayani, “Implementasi CRISP-DM Model Menggunakan Metode Decision Tree dengan Algoritma CART untuk Prediksi Curah Hujan Berpotensi Banjir,” 2021. [Online]. Available:
http://jurnal.polibatam.ac.id/index.php/JAIC
[27] E. D. Zamani, A. Griva, and K. Conboy, “Using Business Analytics for SME Business Model Transformation under Pandemic Time Pressure,” Information Systems Frontiers, vol. 24, no. 4, pp. 1145–1166, Aug. 2022, doi:
10.1007/s10796-022-10255-8.
[28] Efraim. Turban, D. DELEN, and R. SHARDA, Business intelligence and analytics : systems for decision support, 3rd ed. Pearson, 2019.
[29] N. Hotz, “What is CRISP DM?,” Data Science Process Alliance. Accessed: Nov. 14, 2023. [Online]. Available:
https://www.datascience-pm.com/crisp-dm-2/
[30] N. H. Purnomo, B. Pamungkas, and C. Juliane, “Penerapan Algoritma C4.5 Untuk Klasifikasi Tren Pelanggaran Kendaraan Angkutan Barang dengan Metode CRISP-DM,” JURNAL MEDIA INFORMATIKA BUDIDARMA, 2023, doi: 10.30865/mib.v7i1.5247.
[31] V. J. Richardson, R. A. Teeter, and K. L. Terrell, “Data Analytics for Accounting,” 2022.
[32] F. Gorunescu, Data Mining : Concepts, Models and Techniques. Springer, 2011.
