PREDIKSI PENJUALAN LAPTOP MENGGUNAKAN METODE ALGORITMA C4.5
Marini Utami Putri, Joko Risanto, S.Kom., M.Kom.
Mahasiswa Program Studi S1 Sistem Informasi Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam Kampus Bina Widya Pekanbaru, 28293, Indonesia
ABSTRACT
Sales are activities that need attention within the enterprise, since the end of a production is the sale of goods. The availability of stock of goods depends on the results of sales, the higher the sales figures, the greater the profit obtained by the company. In order to maintain sales stability, several companies use data mining to help solve production problems. This study aims to process transaction data in the Computer Square store in order to predict future sales using the C4.5 algorithm method. The C4.5 algorithm is an algorithm that has the function of predicting an event in the future using previous data. Predictions are very profitable for companies to maintain stock stability to meet sales products that sell well and are not selling well in the market. Using decision trees, the C4.5 algorithm is able to predict research results with high accuracy.
This study presents 23 rules with the conclusion that 11 rules state that they are not in demand and 12 rules state that they are selling well. Data analysis using this algorithm has an accuracy rate of up to 79.16%.
Keywords : C4.5 Algorithm, Decision Tree, Prediction, Sales.
ABSTRAK
Penjualan adalah kegiatan yang perlu diperhatikan dalam perusahaan, karena ujung dari sebuah produksi adalah penjualan barang. Ketersediaan stok barang tergantung dari hasil penjualan, semakin tinggi angka penjualan, maka semakin besar pula untung yang diperoleh perusahaan. Untuk menjaga kestabilan penjualan beberapa perusahaan menggunakan data mining untuk membantu menyelesaikan permasalahan produksi.
Penelitian ini bertujuan untuk mengolah data transaksi di toko Computer Square agar dapat memprediksi penjualan di masa datang menggunakan metode algoritma C4.5.
Algoritma C4.5 adalah algoritma yang mempunyai fungsi memprediksi sebuah kejadian dimasa mendatang dengan menggunakan data sebelumnya. Prediksi sangat menguntungkan bagi perusahaan agar terjaga kestabilan stok untuk memenuhi produk penjualan yang laku dan kurang laku dipasaran. Dengan menggunakan pohon keputusan, algoritma C4.5 mampu memprediksi hasil penelitian dengan akurasi yang tinggi. Penelitian ini menghasikan 23 rule dengan kesimpulan 11 rule menyatakan tidak laris dan 12 rule menyatakan laris. Analisa data menggunakan algoritma ini memiliki tingkat akurasi sampai dengan 79,16.
Kata kunci : Algoritma C4.5, Penjualan, Pohon Keputusan, Prediksi.
PENDAHULUAN
Dalam organisasi bisnis, stok barang merupakan salah satu faktor penting yang harus diperhatikan oleh perusahaan. Jumlah barang masuk maupun keluar perlu diperhatikan, tujuannya untuk menjaga stok yang tersedia dalam gudang menjadi stabil.
Stok stabil yang dimaksud dalam gudang adalah barang tidak kelebihan stok maupun barang tidak kehabisan stok. Permasalahan yang dihadapi pada penjualan barang adalah setiap barang memiliki minat yang berbeda-beda. Barang dengan minat beli yang tinggi akan cepat habis dibandingkan dengan barang yang memiliki minat beli rendah.
Seperti halnya pada Toko Computer Square beralamat di Jalan Tuanku Tambusai, Labuh Baru Timur, Payung Sekaki, Kota Pekanbaru, Riau. Toko Computer Square merupakan toko yang bergerak dibidang penjualan laptop dan akseoris. Merk laptop yang dijual pun beragam seperti Acer, Asus, HP, dan Lenovo dengan berbagai spesifikasi. Saat ini dalam melakukan transaksi penjualan toko Computer Square sudah menggunakan komputer dan mencatat transaksi yang ada, namun data tersebut hanya berfungsi sebagai arsip toko saja dan belum digunakan sebagai data untuk memprediksi hasil penjualan barang yang akan datang yang diminati konsumen.
Prediksi sangat berpengaruh dalam menentukan laris atau tidak larisnya penjualan laptop dan juga sangat penting dalam pengambilan keputusan pemilik toko untuk menentukan jumlah barang yang harus disediakan. Penelitian ini bertujuan untuk membantu toko atau badan usaha dalam memperkirakan jumlah permintaan barang, dengan menerapkan metode algoritma C4.5. Pada penelitian ini, menulis melakukan pengujian metode yang sudah ada untuk diterapka pada kasus nyata yaitu prediksi penjualan laptop menggunakan metode algoritma C4.5 pada toko Computer Square.
STUDI PUSTAKA a. Penjualan
Penjualan adalah transaksi antara dua pihak yaitu penjual dengan pembeli.
Ketentuannya harus menguntungkan kedua belah pihak. Tingkat penjualan dapat dipengaruhi oleh kepuasan pembeli. Salah satunya, penjual menggunakan kegiatan promosi sehingga menarik minat pembeli untuk membeli barang dan jasa yang ditawarkan, misalnya berupa pemberian voucher atau discount disetiap transaksinya (Sandrawira Anggraini dan Sarjon Defit, 2018).
b. Prediksi
Prediksi adalah suatu proses memperkirakan secara sistematis tentang sesuatu yang paling mungkin terjadi di masa depan berdasarkan informasi masa lalu dan sekarang yang dimiliki, agar kesalahannya (selisih antara sesuatu yang terjadi dengan hasil perkiraan) dapat diperkecil. Prediksi tidak harus memberikan jawaban secara pasti kejadian yang akan terjadi, melainkan berusaha untuk mencari jawaban sedekat mungkin yang akan terjadi (Paskalis et al., 2019).
c. Algoritma C4.5
Algoritma C4.5 adalah algoritma populer dalam klasifikasi data mining.
Algoritma C4.5 merupakan pengembangan dari ID3, dalam ID3 kita gunakan criteria information gain untuk memilih atribut yang akan digunakan untuk pemisahan obyek.
Atribut yang mempunyai informasi gain paling tinggi dibandingkan dengan atribut yang data lain relatif terhadap set y dalam satu data, dipilih untuk melakukan pemecahan (Sucipto, 2015).
Ada beberapa tahap dalam membuat sebuah pohon keputusan dengan algoritma C4.5 (Kusrini & Lutfi, 2009), yaitu:
1. Menyiapkan data training. Data training biasanya diambil dari data histori yang pernah terjadi sebelumnya dan sudah dikelompokkan ke dalam kelas-kelas tertentu.
2. Menentukan akar dari pohon. Akar akan diambil dari atribut yang terpilih, dengan cara menghitung nilai Gain dari masing-masing atribut, nilai Gain yang paling tinggi yangakan menjadi akar pertama. Gain adalah ukuran efektivitas suatu variabel dalam mengklasifikasikan data. Sebelum menghitung nilai Gain dari atribut, hitung dahulu nilai entropy menggunakan persamaan 2.1 berikut ini:
𝐸𝑛𝑡𝑟𝑜𝑝𝑦 (𝑆) = ∑𝑛𝑖=1− 𝑃𝑖 ∗ 𝑙𝑜𝑔2 𝑝𝑖 ………..………(1) Keterangan:
S = Himpunan kasus
N = Jumlah partisi S
Pi = Proporsi dari Si terhadap S
3. Menghitung nilai Gain menggunakan rumus persamaan 2.2 berikut ini:
𝐺𝑎𝑖𝑛 (𝑆, 𝐴) = 𝐸𝑛𝑡𝑟𝑜𝑝ℎ𝑦 (𝑆) − ∑𝑛𝑖=1 |𝑆𝑖|
|𝑆| ∗ 𝐸𝑛𝑡𝑟𝑜𝑝ℎ𝑦 (𝑆1)………...(2) Keterangan :
S = Himpunan kasus
A = Atribut
n = Jumlah partisi atribut A
|Si| = Jumlah kasus pada partisi ke-i
|S| = Jumlah kasus dalam S
4. Ulangi langkah ke-2 hingga semua atribut terpartisi 5. Proses partisi pohon keputusan akan berhenti saat:
Semua tupel dalam node N mendapat kelas yang sama.
Tidak ada atribut didalam tupel yang dipartisi lagi.
Tidak ada tupel didalam cabang yang kosong (Kasus et al., 2015).
d. Pohon Keputusan (Decision Tree)
Decision tree merupakan salah satu metode klasifikasi yang menggunakan representasi struktur pohon (tree) di mana setiap node merepresentasikan atribut, cabangnya merepresentasikan nilai dari atribut, dan daun merepresentasikan kelas (Andriani, 2013).
METODE PENELITIAN a. Langkah-Langkah Penyelesaian
Dalam penelitian ini dibagi menjadi 2 tahapan yaitu tahapan penyelesaian dan tahapan perhitungan Algoritma C4.5. Langkah-langkah yang dilakukan dalam penyelesaian dapat dilihat pada gambar berikut:
Gambar 1. Tahapan Penyelesaian.
Ada beberapa tahapan dalam Perhitungan Algoritma C4.5 yang dapat dilihat pada gambar berikut:
Gambar 2. Tahapan-Tahapan Perhitungan Algoritma C4.5.
HASIL DAN PEMBAHASAN a. Pengumpulan Data
Pada tahap ini dilakukan kunjungan ke tempat penelitian yaitu Toko Computer Square untuk melakukan wawancara kepada pimpinan tempat usaha dan karyawan untuk meminta data jenis spesifikasi dan merek laptop yang dijual. Dari kunjungan ini didapatkan data berupa nota penjualan dari tahun 2018 - 2021 yang kemudian disusun pada Microsoft Excel.
b. Pengolahan Data
Adapun hasil analisa kebutuhan yang digunakan dalam perancangan sistem ini adalah:
1. Dalam perancangan sistem informasi ini dibutuhkan data-data transaksi seperti merek laptop, processor laptop, RAM laptop, media penyimpanan data laptop (storage), jumlah laptop yang laku dan harga barang yang menjadi atribut pada pengolahan data. Adapun data transaksi dapat dilihat pada Tabel 3.
Pengumpulan data Pengolahan data Perhitungan Algoritma C4.5 Implementasi Hasil Perhitungan
Evaluasi Hasil
Mempersiapkan data training
Menghitung akar dari pohon
Menghitung nilai gain
Ulangi langkah ke-2 dan ke-3 hingga semua atribut terpatisi
Tabel 3. Data Transaksi Penjualan Laptop.
No. Tanggal Pembelian
Merek Laptop Procesor RAM Storage Harga 1. 4 Januari
2018
Asus E203 MAH N4000 2GB 500GB 3.300.000 2. 6 Januari
2018
Acer A314-33- C0HM
N4000 4GB 256GB 5.999.000 3. 6 Januari
2018
Asus X441M N4000 4GB 1TB 4.300.000 4. 7 Januari
2018
Acer Aspire 5 A514-757S
I7 8GB 512GB 12.599.000 5. 8 Januari
2018
HP 240 G6 I3 4GB 1TB 6.333.000
6. 9 Januari 2018
Lenovo Ideapad Slim 3i
N4000 4GB 256GB 5.999.000 7. 10 Januari
2018
Acer Aspire A314- 33
N4000 4GB 1TB 4.450.000
…..
1068. 20 Desember 2021
Acer Aspire 5 A514-54G
I5 8GB 512GB 10.999.000
2. Dalam tahapan ini, harga barang akan ditransfromasikan terlebih dahulu untuk mempermudah perhitungan entropy dan gain.
Tabel 4. Klasifikasi Harga.
Harga Keterangan
Rp <5.000.000 Murah
Rp 5.000.000 10.000.000 Menengah Rp >10.000.000 Mahal
3. Pada tahap ini, langkah yang dilakukan yaitu mengubah atribut media penyimpanan data laptop (storage) yang awalnya berupa angka menjadi sebuah keterangan seperti pada tabel 5. Untuk lebih lengkapnya berikut tabel kriteria prediksi penjualan laptop pada tabel 5.
Tabel 5. Kriteria Prediksi Spesifikasi Penjualan Laptop.
No Atribut Kriteria
1. Merk Laptop 1. Acer
2. Asus 3. HP 4. Lenovo
2. Processor 1. N4000
2. i3 3. i5 4. i7
3. RAM 1. 2GB
2. 4GB 3. 8GB 4. 16GB
4. Storage 1. >499GB: Besar 2. <499GB: Kecil
Lanjutan Tabel 5.
No Atribut Kriteria
5. Harga 1. >10.000.000: Mahal
2. 5.000.000 – 10.000.000: Menengah 3. <5.000.000: Murah
c. Mempersiapkan data Training
Data sampel yang digunakan untuk perhitungan algoritma C4.5 adalah 291 data dan 24 data testing dari data laporan transaksi penjualan dari 2018 - 2021 yang berjumlah 1068 data. Dalam pengambilan data sampel menggunakan Rumus Slovin sebagai berikut:
Diketahui : N = 1068 e = 5% = 0,05 𝑛 = 𝑁
1 + 𝑁𝑒2𝑛 = 1068 1 + 1068 ∗ 0,052 𝑛 =1068
3,67 𝑛 = 𝟐𝟗𝟏
Dari hasil perhitungan tersebut maka didapatlah data training berjumlah 291 yang.
Data diambil dari dari data transaksi penjualan laptop selama 4 tahun terakhir yaitu dari 2018 – 2021.
d. Menghitung Akar Dari Pohon
Cara untuk menghitung root node adalah dengan menghitung masing-masing nilai gain disetiap atribut, kemudian dibandingkan dengan nilai gain tersebut dan nilai gain yang nilainya paling tinggi akan dijadikan sebagai root node atau atribut akar.
Tabel 6. Tabel Data Training.
Variabel Value Jumlah kasus L TL
Total 291 207 84
Merek Laptop
Acer 83 45 38
Asus 91 82 9
HP 47 29 18
Lenovo 70 51 19
Processor
N4000 90 57 33
I3 99 72 27
I5 56 40 16
I7 46 38 8
RAM
2GB 7 0 7
4GB 175 129 46
8GB 92 74 18
16GB 17 4 13
Storage
Kecil 66 43 23
Besar 225 164 61
Lanjutan Tabel 6.
Variabel Value Jumlah kasus L TL
Harga
Murah 38 28 10
Menengah 158 115 43
Mahal 95 64 31
Sebelum menghitung nilai gain, terlebih dahulu menghitung nilai entropy. Pertama yang harus dilakukan adalah menghitung nilai entropy total dengan menggunakan persamaan (1), dimana :
Diketahui : Jumlah kasus (s) = 291
Sampel kasus Penjualan Laris = 207 Sampel kasus Penjualan Tidak Laris = 84
𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) = ∑ −𝑃𝑖
𝑛
𝑖=1
∗ 𝑙𝑜𝑔2 𝑝𝑖
= ((-207/291) * 𝑙𝑜𝑔2 (207/291) + (-84/291) * 𝑙𝑜𝑔2 (84/291))
= ((-0,71134 * -0,49138) + (-0,28866 * -1,79255))
= 0,34954 + 0,51744
= 0,86698
Menghitung nilai entropy dari atribut merk laptop Acer (S1) Diketahui : Jumlah kasus (Acer) = 83
Sampel kasus Penjualan Laris = 45 Sampel kasus Penjualan Tidak Laris = 38
𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) = ∑ −𝑃𝑖
𝑛
𝑖=1
∗ 𝑙𝑜𝑔2 𝑝𝑖
= ((-45/83) * 𝑙𝑜𝑔2 (45/83) + (-38/83) *𝑙𝑜𝑔2 (38/83))
= 0,99846
Tabel 7. Hasil perhitungan Entropy.
Variabel Value Jumlah
kasus L TL Entropy
Total 291 207 84 0,86698
Merek Laptop
Acer 83 45 38 0,99486
Asus 91 82 9 0,46550
HP 47 29 18 0,96011
Lenovo 70 51 19 0,84350
Processor
N4000 90 57 33 0,94807
I3 99 72 27 0,84535
I5 56 40 16 0,86312
I7 46 38 8 0,66657
RAM
2GB 7 0 7 0
4GB 175 129 46 0,83102
8GB 92 74 18 0,71314
16GB 17 4 13 0,78712
Storage
Kecil 66 43 23 0,93270
Besar 225 164 61 0,84305
Lanjutan Tabel 7.
Variabel Value Jumlah
kasus L TL Entropy
Harga
Murah 38 28 10 0,83147
Menengah 158 115 43 0,84453
Mahal 95 64 31 0,91111
e. Menghitung Nilai Gain
Setelah mendapatkan nilai entropy dari atribut merk laptop maka langkah selanjutnya adalah menghitung nilai gain dari seluruh atribut, dimana:
Merek laptop
𝐺𝑎𝑖𝑛 (𝑆, 𝐴) = 𝐸𝑛𝑡𝑟𝑜𝑝ℎ𝑦 (𝑡𝑜𝑡𝑎𝑙) − ∑
𝑛
𝑖=1
|𝑆𝑖|
|𝑆| ∗ 𝐸𝑛𝑡𝑟𝑜𝑝ℎ𝑦 (𝑆1)
=(0,86698) – ((83/291 * 0,99486) + (91/291 * 0,4655) + (47/291 * 0,96011) + (70/291 * 0,8435))
= 0,07967
Processor laptop
=(0,86698) – ((90/291* 0,94807) + (99/291 * 0,84525) + (56/291 * 0,86312) + (46/291*0,66657))
= 0,01470
Tabel 8. Hasil perhitungan Entropy dan Gain.
Variabel Value Jumlah
kasus L TL Entropy Gain
Total 291 207 84 0,86698
Merk
Laptop 0,07967
Acer 83 45 38 0,99486
Asus 91 82 9 0,46550
HP 47 29 18 0,96011
Lenovo 70 51 19 0,84350
Processor 0,01470
N4000 90 57 33 0,94807
I3 99 72 27 0,84535
I5 56 40 16 0,86312
I7 46 38 8 0,66657
RAM 0,09577
2GB 7 0 7 0
4GB 175 129 46 0,83102
8GB 92 74 18 0,71314
16GB 17 4 13 0,78712
Storage 0,00359
Kecil 66 43 23 0,93270
Besar 225 164 61 0,84305
Harga 0,00241
Murah 38 28 10 0,83147
Menengah 158 115 43 0,84453
Mahal 95 64 31 0,91111
Dari Tabel 8 dapat dilihat bahwa atribut yang memiliki nilai gain tertinggi adalah RAM. Jadi yang akan menjadi root node adalah RAM. Seperti yang terlihat pada Gambar 3.
Gambar 4.1 Pohon Keputusan Rood Node.
Dari gambar pohon keputusan di atas dapat dilihat bahwa atribut RAM 2GB TL (Tidak Laris) karena nilai entropynya bernilai 0, sedangkan RAM yang memiliki kapasitas 4GB, 8GB dan 16GB masih dapat dicari nilai gainnya.
f. Ulangi Langkah Menghitung Nilai Entropy Dan Nilai Gain
Dengan cara yang sama, ulangi langkah menghitung entropy dan gain untuk menghitung atribut yang selanjutnya hingga semua atribut terpatisi.
g. Membuat Rule
Setelah seluruh cabang telah memiliki keputusan, maka langkah perhitungan Algoritma C4.5 telah selesai dan menghasilkan rule sebagai berikut:
Tabel 9. Hasil Prediksi.
No Rule
1. Jika RAM Laptop 2GB maka penjualan laptop = TIDAK LARIS
2. Jika RAM Laptop 4GB dan Merk Laptop Lenovo maka penjualan laptop = LARIS 3. JikaRAM Laptop 4GB dan Merk Laptop Acer dan Processor N4000 maka penjualan
laptop = TIDAK LARIS
4. Jika RAM Laptop 4GB dan Merk Laptop Acer dan Processor I3 dan Storage Besar maka penjualan laptop = LARIS
5. Jika RAM Laptop 4GB dan Merk Laptop Acer dan Processor I3 dan Harga Murah maka penjualan laptop = TIDAK LARIS
6. Jika RAM Laptop 4GB dan Merk Laptop Acer dan Processor I3 dan Harga Menengah maka penjualan laptop = LARIS
7. Jika RAM Laptop 4GB dan Merk Laptop Asus dan Processor N4000 maka penjualan laptop = TIDAK LARIS
8. Jika RAM Laptop 4GB dan Merk Laptop Asus dan Processor I3 dan Storage Kecil maka penjualan laptop = LARIS
9. Jika RAM Laptop 4GB dan Merk Laptop Asus dan Processor I3 dan Storage Besar dan Harga Menengah maka penjualan laptop = LARIS
10. Jika RAM Laptop 4GB dan Merk Laptop HP dan Processor I3 maka penjualan laptop
= LARIS
11. Jika RAM Laptop 4GB dan Merk Laptop HP dan Storage Besar maka penjualan laptop = LARIS
12. Jika RAM Laptop 4GB dan Merk Laptop HP dan Processor I3 Harga Menengah maka penjualan laptop = LARIS
13. Jika RAM Laptop 8GB dan Processor I3 maka penjualan laptop = TIDAK LARIS 14. Jika RAM Laptop 8GB dan Processor I7 maka penjualan laptop = LARIS 15. Jika RAM Laptop 8GB Dan Processor I5 Dan Merk Laptop Acer maka penjualan
laptop = TIDAK LARIS TL
1.2 1.3
1.4 4GB
2GB 16GB
8GB RAM
Lanjutan Tabel 9
16. Jika RAM Laptop 8GB dan Processor I5 dan Merk Laptop HP dan Harga Menengah maka penjualan laptop = LARIS
17. Jika RAM Laptop 8GB dan Processor I5 dan Merk Laptop HP dan Harga Mahal maka penjualan laptop = TIDAK LARIS
18. Jika RAM Laptop 8GB dan Processor I5 dan Merk Laptop Lenovo dan Storage Besar maka penjualan laptop = LARIS
19. Jika RAM Laptop 8GB dan Processor I5 dan Merk Laptop Lenovo dan Harga Mahal maka penjualan laptop = LARIS
20. Jika RAM Laptop 16GB dan Processor I5 maka penjualan laptop = TIDAK LARIS 21. Jika RAM Laptop 16GB AND Processor I7 dan Merk Laptop HP maka penjualan
laptop = TIDAK LARIS
22. Jika RAM Laptop 16GB dan Processor I7 dan Merk Laptop Lenovo dan Storage Besar maka penjualan laptop = TIDAK LARIS
23. Jika RAM Laptop 16GB dan Processor I7 dan Merk Laptop Lenovo dan Harga Mahal maka penjualan laptop = TIDAK LARIS
Berdasarkan data sampel yang digunakan diperoleh 11 rule yang menyatakan tidak laris dan 12 rule menyatakan laris.
h. Implementasi
Implementasi sistem dibangun dengan tahapan coding. Coding merupakan penerjemahan desain kedalam bahasa yang bisa dikenali oleh komputer. Dalam membuat program ini, penulis mengunakan bahasa pemrogaman Phyton menggunakan Anaconda Prompt serta menggunakan Text Editor Jupyter Notebook. Berikut ini adalah beberapa tampilan output sistem yang telah dibangun untuk memprediksi penjualan laptop menggunakan metode algoritma C4.5:
1) Halaman beranda
2) Input import data
3) Output rule yang dihasilkan
4) Output data testing
5) Akurasi
i. Evaluasi Hasil
Pada tahap ini, dilakukan perhitungan akurasi dari sistem dengan menggunakan confusion matrix. Data testing yang digunakan yaitu sebanyak 24 data.
Tabel 10. Hasil Perbandingan Prediksi dan Akurasi.
No MERK HARGA PROCESSOR RAM STORAGE KET Hasil
Prediksi
1. Acer Menengah N4000 4GB Kecil TL TL
2. Asus Murah N4000 4GB Besar L L
3. Lenovo Mahal I5 8GB Besar TL L
4. Acer Menengah N4000 4GB Kecil TL TL
5. HP Mahal I5 8GB Besar TL TL
6. Asus Menengah I3 4GB Besar L -
7. Lenovo Menengah N4000 4GB Kecil L L
8. Acer Murah N4000 4GB Besar TL TL
9. Acer Murah N4000 4GB Besar TL TL
10. Asus Menengah I3 4GB Kecil L L
11. Asus Menengah I3 4GB Kecil L L
12. Acer Mahal I7 8GB Besar L -
13. Acer Mahal I7 8GB Besar L -
14. Lenovo Mahal I5 16GB Besar TL TL
15. HP Mahal I7 16GB Besar TL TL
Lanjutan Tabel 10.
16. Asus Menengah N4000 4GB Kecil L L
17. Acer Menengah I3 4GB Besar L L
18. Acer Menengah I3 4GB Besar L L
19. Acer Menengah I3 4GB Besar L L
20. Lenovo Mahal I5 8GB Besar L L
21. Lenovo Mahal I3 8GB Besar TL TL
22. HP Menengah I5 8GB Besar L L
23. HP Menengah I5 8GB Besar L L
24 Lenovo Mahal I7 16GB Besar TL L
Untuk menentukan akurasi persentase jumlah record data yang diprediksi secara benar oleh algoritma dihitung dengan confusion matrix:
Diketahui:
Total Data = (TP+TN+FP+FN) TP = 11
TN = 8
FN = 2
FP = 3
Accuracy =((TP+TN) / Total Data) * 100%
=((TP+TN) / (TP+FP+FN+TN)) * 100%
=((11+8) / (11+3+2+8)) * 100%
=((19) / (24)) * 100%
=79.16%
Jadi, didapatlah hasil persentase akurasi sistem prediksi penjualan LAPTOP sebesar 79.16%
KESIMPULAN
Berdasarkan penelitian yang dilakukan oleh penulis dengan mengamati dan menganalisa sistem pengolahan data yang digunakan serta teori dan alat yang berkaitan dengan penelitian, maka dapat diambil kesimpulan sebagai berikut:
1. Prediksi penjualan laptop pada toko Computer Square dapat diselesaikan dengan metode algoritma C4.5 menggunakan 5 atribut berdasarkan 291 data dengan data sampel yang digunakan sebanyak 24 data.
2. Dari pengujian sistem prediksi mengunakan metode algoritma C4.5 memberikan informasi rule atau aturan yang nantinya akan digunakan sebagai acuan prediksi data selanjutnya. Berdasarkan data sampel yang digunakan diperoleh 11 rule yang menyatakan tidak laris dan 12 rule menyatakan laris. Namun dalam pemilihan variabel yang digunakan dalam memprediksi dapat mempengaruhi rule yang dihasilkan. Berikut hasil prediksi yang dihasilkan 79,16%.
SARAN
Berdasarkan kesimpulan diatas, maka penulis merekomendasikan beberapa hal berupa saran-saran sebagai berikut:
1. Sistem prediksi ini juga dapat dikembangkan dengan menggunakan metode lainnya seperti K-NN (K-Nearest Neighbor), Neural Network, dll. Sehingga dapat dibandingkan hasil prediksi laporan perkembangan pinjaman tabungan antara satu metode dengan metode yang lain.
2. Sistem prediksi penjualan laptop menggunakan algoritma C4.5 ini dapat dikembangkan lebih lanjut agar sistem yang sudah berjalan dapat diakses secara lebih baik dan menambah fitur agar lebih lengkap.
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada Bapak Joko Risanto, S.Kom., M.Kom.
yang telah membimbing, memotivasi serta membantu penelitian dan penulisan karya ilmiah ini.
DAFTAR PUSTAKA
Kasus, S., Dehasen, U., Haryati, S., Sudarsono, A., & Suryana, E. (2015). Implementasi Data Mining Untuk Meprediksi Masa Studi Mahasiswa Menggunakan Algoritma C4.5. Jurnal Media Infotama, 11(2), 130–138.
Paskalis, E., Orpa, K., & Ripanti, E. F. (2019). Model Prediksi Awal Masa Studi Mahasiswa Menggunakan Algoritma Decision Tree C4.5. Jurnal Sistem dan Teknologi Informasi, 7(4), 272–278.
Sandrawira Anggraini, Sarjon Defit, G. W. N. (2018). Analisis Data Mining Penjualan Ban Menggunakan Algoritma C4.5. Jurnal Ilmu Teknik Elektro Komputer dan Informatika (JITEKI), 4(2), 136–143.
Sucipto, A. (2015). Implementasi Data Mining Untuk Meprediksi Masa Studi Mahasiswa Menggunakan Algoritma C4.5. Jurnal DISPROTEK, 6(1), 75–87.
