Post on 24-Feb-2021
MANAJEMEN TEKNOLOGI INFORMASI
ANALISIS JURNAL IMPLEMENTASI KNOWLEDGE IN DATABASES (KDD)
DALAM PENENTUAN STRATEGI PENJUALAN DAN PEMASARAN PRODUK
DISTRO
Oleh :
RIZQY ZURRIYATI
09031181621006
PROGRAM STUDI SISTEM INFORMASI
FAKULTAS ILMU KOMPUTER
UNIVERSITAS SRIWIJAYA
2018
Knowledge Discovery in Databases (KDD)
Menurut Han dan Kamber (2011) menjelaskan bahwa “Data Mining merupakan
pemilihan atau “menggali” pengetahuan dari jumlah dat a yang banyak ” Berbeda denga n
Segall, Guha & Nonis (2008) menjelaskan “Data Mining disebut penemuan pengetahuan
atau menemukan pola yang tersembunyi dalam data. Data mining adalah proses
menganalisis data dari perspektif yang berbeda dan meringkas menjadi informasi yang
berguna”. Bisa disimpulkan Data II-10 mining adalah Proses menganalisis data yang banyak
dan membuat suatu pola untuk menjadi informasi yang berguna. Secara sederhana data
mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan
tertentu dari sejumlah data yang sangat besar (Davies, 2004) [3]. Data mining juga disebut
sebagai serangkaian proses untuk menggali nilai tambah berupa pengetahuan yang selama ini
tidak diketahui secara manual dari suatu kumpulan data (Pramudiono, 2007) [4]. Data
mining, sering juga disebut sebagaiknowledge discovery in database (KDD). KDD adalah
kegiatan yang meliputi pengumpulan, pemakaian data, historis untuk menemukan
keteraturan, pola atau hubungan dalam set data berukuran besar (Santoso, 2007)[5]. Data
mining adalah kegiatan menemukan pola yang menarik dari data dalam jumlah besar, data
dapat disimpan dalam database , data warehouse , atau penyimpanan informasi lainnya.
Data mining berkaitan dengan bidang ilmu – ilmu lain, seperti databasesistem, data
warehousing, statistik, machine learning, information retrieval, dan komputasi tingkat tinggi.
Selain itu, data mining didukung oleh ilmu lain seperti
neural network, pengenalan pola, spatial data analysis, image database, signal processing
(Han, 2006)[3]. Data mining didefinisikan sebagai proses menemukan pola -pola dalam data.
Proses ini otomatis atau seringnya semiotomatis. Pola yang ditemukan harus penuh arti dan
pola tersebut memberikan keuntungan, biasanya keuntungan secara ekonomi. Data yang
dibutuhkan dalam jumlah besar (Witten, 2005)[6]. Berdasarkan beberapa pengertian tersebut
dapat ditarik kesimpulan bahwa data mining adalah suatu teknik menggali informasi berharga
yang terpendam atau tersembunyi pada suatu koleksi data (database) yang sangat besar
sehingga ditemukan suatu pola yang menarik yang sebelumnya tidak diketahui. Kata mining
sendiri berarti usaha untuk mendapatkan sedikit barang berharga dari sejumlah besar material
dasar. Karena itu data mining sebenarnya memiliki akar yang panjang dari bidang ilmu
seperti kecerdasan buatan (artificial intelligent), machine learning, statistik dan database.
Karakteristik Data Mining
Adapun karakteristik datamining adalah :
data mining berhubungan dengan penemuan sesuatu yang tersembunyi dan pola data
tertentu yang tidak diketahui sebelumnya
data mining biasa menggunakan data yang sangat besar. Biasanya data yang besar
digunakan untuk membuat hasil lebih dipercaya;
data mining berguna untuk membuat keputusan yang kritis, terutama dalam strategi
(Davies, 2004)[3].
Pada proses Knowledge Discovery Database (KDD) di atas terdapat beberapa tahapan
yaitu sebagai berikut:
1. Seleksi Data (Data Selection)
Selection (seleksi/pemilihan) data merupakan sekumpulan data operasional perlu
dilakukan sebelum tahap penggalian informasi dalam Knowledge Discovery Database (KDD)
dimulai. Data seleksi yang akan digunakan untuk proses Data Mining , disimpan dalam suatu
berkas, terpisah dari basis data operasional.
2. Pemilihan Data (Preprocessing / Cleaning)
Proses Preprocessing mencakup antara lain membuang duplikasi data, memeriksa data
yang inkonsisten dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi).
Juga dilakukan proses enrichment, yaitu proses “memperkaya” data yang sudah ada dengan
data atau informasi lain yang relevan dan diperlukan untuk KDD, seperti data atau informasi
eksternal.
3. Transformasi (Transformation)
Pada fase ini yang dilakukan adalah mentransformasi bentuk data yang belum
memiliki entitas yang jelas ke dalam bentuk data yang valid atau siap untuk dilakukan proses
Data Mining.
4. Data Mining
Pada fase ini yang dilakukan adalah menerapkan algoritma atau metode pencarian
pengetahuan. Ini adalah langkah penting di mana teknik kecerdasan diterapkan untuk
mengekstrak pola informasi yang berpotensi berguna dari data yang dipilih.
5. Interpretasi/Evaluasi (Interpratation/Evaluation)
Pada fase terakhir ini yang dilakukan adalah proses pembentukan keluaran yang
bersumber pada proses Data Mining Pola informasi (Nofriansyah, 2014).
Fungsi-fungsi yang umum diterapkan dalam data mining (Haskett, 2000):
Assosiation, adalah proses untuk menemukan aturan assosiatif antara suatu
kombinasi item dalam suatu waktu.
Secuence, hampir sama dengan association bedanya seccuence diterapkan lebih dari
satu periode.
Clastering, adalah proses pengelompokan sejumlah data/obyek ke dalam kelompok-
kelompok data (klaster) sehingga setiap klaster akan berisi data yang saling mirip.
Classification, adalah proses penemuan model atau fungsi yang
menjelaskan atau membedakan konsep atau kelas data, dengan tujuan
untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui.
ANALISIS JURNAL IMPLEMENTASI KNOWLEDGE IN DATABASES (KDD)
DALAM PENENTUAN STRATEGI PENJUALAN DAN PEMASARAN PRODUK
DISTRO
1. Implementasi Data Warehouse dan Data Mining Untuk Penentuan Rencana
Strategis Penjualan Batik (Studi Kasus Batik Mahkota Laweyan)
Salah satu perusahaan retail besar yang ada di Kota Solo adalah Batik Mahkota
Laweyan yang sudah menyebar di berbagai daerah di Indonesia. Perusahaan ini telah
memiliki data-data yang terakumulasi dan menumpuk tanpa adanya tindak lanjut terhadap
data tersebut. Hal ini juga tidak didukung dengan pembuatan laporan akhir yang dilakukan
dengan baik. Pelaporan akhir yang dibutuhkan oleh top manajemen adalah pelaporan yang
dapat memberikan informasi secara komprehensif, sehingga berdasarkan laporan tersebut
pimpinan dapat menentukan kebijakan yang optimal dalam menentukan kapasitas produksi
sehingga mencapai efisiensi dalam hal biaya dan efektif. Kemajuan teknologi informasi telah
menyebabkan banyak orang dapat memperoleh data dengan mudah bahkan cenderung
berlebihan. Data tersebut semakin lama semakin banya dan terakumulasi, akibatnya
pemanfaatan teknologi yang dapat memanfaatkannya untuk membangkitkan pengetahuan-
pengetahuan baru, yang dapat membantu dalam pengaturan strategi bisnis. Prediksi minat
konsumen sangat penting bagi suatu perusahaan, dimana dengan adanya prediksi tersebut
suatu perusahaan dapat mengambil sebuah keputusan atau strategi yang benar dan tepat bagi
konsumennya. Teknologi data warehouse dan data mining hadir sebagai solusi. Penelitian ini
termasuk jenis research and development karena akan meneliti dan mengembangkan sebuah
data warehouse untuk menghasilkan informasi produksi, tren batik di suatu wilayah tertentu
untuk mendukung rencana strategis pemasaran produk di masa yang akan datang.
Selama kurun waktu 3 tahun (2010-2012) telah tercatat data transaksi penjualan yang
dilakukan oleh Batik Mahkota Laweyan sebanyak 1201 kali transaksi, yang tersimpan di
aplikasi Microsoft Excel. Selanjutnya data transaksi tersebut akan digunakan sebagai sumber
data bagi data warehouse, sehingga akan dilakukan proses ekstraksi, transformasi dan load
terhadap data tersebut. Proses ekstraksi dilakukan agar data transaksi sesuai dengan format
data warehouse. Proses ekstraksi menghasilkan tabel-tabel dimensi (dimensi Produk, dimensi
Wilayah, dimensi Waktu dan dimensi Pelanggan) dan tabel-tabel sub dimensi (dimensi
Kategori, dimensi Sub_Kategori, dimensi Pola dan dimensi Jenis Kelamin). Semua
monitoring terhadap datadata penjualan produk Batik Mahkota Laweyan dilakukan
menggunakan cube browser, sehingga masing-masing dimensi dapat dimasukkan atau
dikeluarkan dari tabel untuk melihat data sesuai dengan kebutuhan analisis dengan cara drag
and drop. Informasi yang ditampilkan oleh setiap dimensi dapat dilihat secara lebih rinci
dengan proses drill down atau roll up sesuai dengan aturan hirarki field setiap dimensi.
2. Penerapan Data Mining dengan Memanfaatkan Metode Association Rule untuk
Promosi Produk.
Distro Nasional adalah distro yang menjual produk T-Shirt dengan tema desain
nasional. T-Shirt yang diproduksi terdiri dari berbagai tema kategori seperti Tema Pahlawan,
Tema Daerah, Tema Suku, Tema Budaya, Tema Politik dan lain-lain. Promosi merupakan
salah satu hal yang sangat utama dan penting yang tidak bisa dipisahkan oleh Distro Nasional
dalam membangun sebuah bisnis karena berhasil atau tidaknya sebuah usaha ditentukan oleh
seberapa efektif dan seberapa baik promosi yang dilakukan perusahaan tersebut. Distro
Nasional telah mempromosikan produk mereka dengan cara online yaitu dengan
memanfaatkan media sosial Facebook dan situs-situs yang menyediakan iklan. Namun
demikian, cara di atas dinilai belum begitu efektif karena ketika
mempromosikan/menawarkan produk belum memperhitungkan seberapa besar kemungkinan
pelanggan tertarik kepada produk tersebut. Dengan mengetahui jenis produk yang sering
dibeli maka dapat dibuat sebagai sebuah dasar keputusan untuk menentukan produk apa saja
yang cocok untuk dipromosikan kepada pelanggan tersebut. Dalam hal ini Data mining
merupakan teknologi yang sangat berguna untuk membantu perusahaan menemukan
informasi yang sangat penting dari database mereka yang selama ini hanya digunakan
sebagai arsip perusahaan saja, Dengan perangkat bantuan business intelligence tools, data
transaksi yang sebelumnya tidak terpakai, dapat digunakan sebagai acuan penetapan strategi
penjualan. Dalam hal ini data mining menjadi konsep yang berperan sangat penting untuk
mengekstrak data transaksi menjadi sebuah pengetahuan (knowledge) yang didapatkan dari
association rules, Penerapan association rule dengan menggunakan algoritma FP-Growth
dapat membantu penentuan rekomendasi promosi produk dengan tepat, Strategi pemasaran
produk dapat dilakukan dengan melakukan promosi pada cluster kelima yang memiliki
kombinasi jumlah barang dibeli yang paling tinggi, Analisa yang dilakukan terhadap tingkat
kekuatan aturan-aturan asosiasi menunjukkan bahwa aturan-aturan asosiasi yang dihasilkan
oleh algoritma Apriori memiliki tingkat kekuatan yang lebih tinggi dibandingkan dengan
yang dihasilkan oleh algoritma FP-Growth, Algoritma Apriori adalah algoritma paling
terkenal untuk menemukan pola frekuensi tinggi. Pola frekuensi tinggi adalah pola-pola item
di dalam suatu database yang memiliki frekuensi atau support di atas ambang batas tertentu.
Walaupun akhir-akhir ini dikembangkan banyak algoritma yang lebih efisien dari Apriori
seperti FP-growth, LCM dsb, tetapi Apriori tetap menjadi algoritma yang paling banyak
diimplementasikan dalam produk komersial untuk data mining karena dianggap algoritma.
Algoritma Apriori dibagi menjadi beberapa tahap yang disebut iterasi atau pass. Tiap iterasi
menghasilkan pola frekuensi tinggi dengan panjang yang sama dimulai dari pass pertama
yang menghasilkan pola frekuensi tinggi dengan panjang satu. Di iterasi pertama ini, support
dari setiap item dihitung dengan men-scan database. Setelah support dari setiap item didapat,
item yang memiliki support diatas minimum support dipilih sebagai pola frekuensi tinggi
dengan panjang 1 atau sering disingkat 1-itemset. Singkatan k-itemset berarti satu set yang
terdiri dari k item. Algoritma Apriori dapat membantu mengembangkan strategi pemasaran
dengan memberikan saran kepada konsumen. Dengan diketahuinya produk yang paling
banyak terjual, bisa membantu membuatkan aturan asosiasi. Aturan asosiasi ini diperoleh
berdasarkan pemilihan itemset pada setiap transaksi. Dengan demikian hasil yang diperoleh
dapat digunakan untuk membantu pengambil keputusan. Implementasi ini juga bisa
membantu untuk mengadakan stok produk yang banyak disukai oleh pembeli dan menambah
persedian produk. Pengetahuan baru yang dapat diperoleh berdasarkan hasil perhitungan
algoritma apriori.
Metode analisis association rule akan dilakukan seperti Gambar di atas. Penjelasan dari
setiap tahapan metode adalah sebagai berikut:
Extraction adalah proses pengambilan data dari sumber data untuk melanjutkan
proses pengolahan data ketingkat selanjutnya ataupun untuk menyimpan data hasil
ekstrak tersebut.
Preprocessing data adalah hal yang harus dilakukan dalam proses data mining, karena
tidak semua data atau atribut data dalam data digunakan dalam proses data mining.
Proses ini dilakukan agar data yang akan digunakan sesuai kebutuhan.
Data siap mining adalah sampel data yang siap untuk dianalisis dalam hal ini adalah
data yang telah melalui proses preprocessing data.
Algoritma yang digunakan dalam penelitian ini adalah Algoritma Apriori. Algoritma
ini menggunakan pengetahuan mengenai frequent itemset.
Rule adalah proses setelah frequent itemset dari analisis tersebut diperoleh, langkah
selanjutnya adalah mencari confidence dari frequent itemset tersebut.
Preprocessing Data sebagai berikut:
Integration adalah suatu langkah untuk menggabungkan data dari beberapa sumber.
Data integration hanya dilakukan jika data berasal dari tempat yang berbeda-beda.
Selection adalah proses pemilihan atribut data yang akan digunakan sehingga data
tersebut dapat kita olah sesuai dengan kebutuhan proses data mining.
Cleaning adalah proses menghilangkan noise dan menghilangkan data yang tidak
relevan atau inkonsisten disebut pembersihan data. Dalam hal ini, transaksi yang
memiliki jumlah item kurang dari dua (item tunggal) akan dihilangkan.
Menemukan Frequent Itemset
Pada tahap ini akan menggunakan Algoritma Apriori untuk menentukan frequent
itemset. Misalkan minimum support yang ditentukan adalah 40% .\
Menentukan Rule
Setelah frequent itemset dari analisis tersebut diperoleh, langkah selanjutnya adalah
mencari confidence dari frequent itemset tersebut.
Berdasarkan hasil yang didapat dalam penelitian ini serta disesuaiakan dengan tujuan
penelitian maka dapat disimpulkan bahwa metode data mining association rule dengan
menggunakan algoritma Apriori dapat digunakan sebagai cara untuk menghitung persentase
ketertarikan (confidence) pelanggan terhadap produk yang ditawarkan. Dengan demikian
dapat juga dikatakan bahwa metode association rule dapat membantu bagian marketing
Distro Nasional untuk menentukan produk. yang akan ditawarkan/dipromosikan dengan
menghitung nilai confidence terlebih dahulu. Pengembangan penelitian ini kedepannya
adalah performansi dalam menentukan frequent itemset dapat dikembangkan lagi dengan
membandingkan algoritma Apriori dengan algoritma lain agar dapat diketahui algoritma
mana yang lebih efisien dalam menentukan frequent itemset. Selain itu, aplikasi lebih
dikembangkan agar aplikasi dapat menentukan kepada pelanggan siapa saja suatu produk
dapat ditawarkan/dipromosikan melalui e-mail pelanggan yang sudah terekam dalam
database.
3. Algoritma Nearest Neighbor untuk Menentukan Area Pemasaran Produk Batik Di
Kota Pekalongan.
Pekalongan dijuluki sebagai kota Bati. Produk batik menduduki peringkat pertama
dalam produk unggulan di Kota ini. Corak dan warna yang khas telah menjadikan kerajinan
batik ini semakin dikenal. Industri ini memberikan sumbangan yang besar terhadap kemajuan
perekon0mian dengan mayoritas Home Industri. Namun, tidak semua konsumen di area
pemasaran menanggapi dengan baik produk yang ada, karena tidak sesuai dengan daya beli
dan selera masyarakat di sekitar daerah pemasaran. Dengan adanya data mining sPt
menguraikan penemuan yang digunakan untuk mencari solusi untuk kasus yang baru dari
sejumlah kasus lama dengan menggunakan variable untuk mengetahui area pemasaran
seperti, harga,motif,warna model dan jenis. Algoritma Nearest Neighbour adalah pendekatan
untuk mencari kasus dengan menghitung antara kasus baru dengan kasus lama, yaitu dengan
berdasarkan kpd pencocokan bobot dari jumlah fitur yang ada, contoh : jika diinginkan
mencari solusi terhadap seorang pasien baru dengan menggunakan solusi dari pasien
terdahulu dan untuk mencari kasus pasien lain mana yang akan digunakan, maka akan
dihitung kedekatan kasus pasien baru dengan semua pasien lama. Kasus pasien lama dengan
kedekatan terbesarlah yang akan diambil solusinya untuk digunakan pada kasus pasien baru
(Kusrini,Emha Taufiq Lutfhi 2009).
Langkah – langkah penelitian dilakukan dengan perumusan masalah, penentuan
teknik yang akan di gunakan, pemerosesan data, transformasi data, analisa hasil dan
penarikan kesimpulan. Pemerosesan data dilakukan karena data yang didapatkan masih
dalam keadaan berantakan dan harus diolah seebelum memasuki proses data selanjutnya.
Setelah itu data di tranformasi atau diolah lalu kemudian masuk ke tahapan analisis data. Dari
data training kemudikan akan dibuat prediksi klarifikasi untuk kemungkinan – kemungkinan
yang akan terjadiatau akan datang bagi data testing jeinis yang sama. Pada penelitian ini
menggunakan populasi dan sampel dari pengrajin batik tulis dengan jumlah 10 unit usaha
yang mana pengambilan data nya dilakukan secara acak. Setelah di dapat hasil penelitian
maka dapat disimpulkan bahwa algoritma nearest neighbor dapat membantu permasalahan
yang terjadi pada pengusha batik dalam membantu untuk menentukan area pemasaran dan
dapat memberikan hasil analisa pemasaran. Dengan menggunakan kasus yang sama atau data
pemasaran yang sudah pernah ada untuk mengetahui area pemasara untuk produk baru yang
telah di produksi.
4. Implementasi Data Mininh untuk Menentukan Kombinasi Media Promosi Barang
Berdasarkan Perilaku Pembelian Pelanggan Menggunakan Algoritma Apriori
Promosi dan pemasaran sebuah produk memegang peran penting untuk memperluas
jaringan penjualan yang berdampak pada perolehan keuangan usaha (laba dan rugi). Ada 2
pendekatan pemasaran yang dapat digunakan baik secara offline maupun online. Jenis
kedua pemasaran ini memiliki keuntungan dan kelebihan masing-masing. Misalnya
penjualan offline dapat ditujukan secara garis besar untuk pelanggan yang jarang bahkan
tidak dekat dengan teknologi dan pelanggan yang langsung ingin melihat barang secara
tatap muka. Sedangkan penjualan online lebih dekat dengan pelanggan yang mengerti
teknologi baik dari cara pemakaian sistem penjualan maupun teknik pembayaran
elektronik. Penjualan online juga sering digunakan oleh pelanggan yang berasal dari
tempat yang jauh atau yang ingin melihat produk (melalui foto) kapan saja, dimana saja,
dan dalam waktu yang tidak terburu-buru. Selain itu kebanyakan pelanggan online
menggunakan jasa pengiriman barang yang secara tidak langsung membuat pelanggan dan
penjual tidak bertemu secara langsung.
Untuk melakukan penjualan offline dan online, dibutuhkan sebuah teknik yang
mampu menarik minat, perhatian, dan pengetahuan pengguna terhadap lokasi dan
informasi produk yang dijual. Pengunaan teknik tersebut harus tepat sasaran agar tidak
menjadi hal yang sia-sia terutama untuk pengeluaran biaya promosi barang. Untuk
mengatasi hal tersebut maka diperlukan target pasar yang sesuai dengan barang yang
dijual agar lokasi pemasaran tepat pada sasaran. Setelah menentukan target, maka langkah
selanjutnya adalah menganalisis media promosi dan penjualan mana yang paling cocok
untuk target tersebut. Analisis media ini dapat saja dilakukan melalui pengamatan
langsung dilapangan. Akan tetapi, hal ini akan semakin sulit jika target pelanggan
berukuran besar. Salah satu teknik yang dapat dilakukan dalam data mining adalah
Asosiasi. Asosiasi adalah sebuah cara yang dapat dilakukan untuk mencari hubungan antar
data atau fitur dalam data [1]. Contoh Algoritma yang dapat digunakan adalah Apriori.
Konsep Algoritma Apriori adalah mencari hubungan antar item set yang memiliki
frekuensi tertinggi dalam set [2]. Frekuensi tertinggi dalam sebuah item set mencerminkan
adanya dominasi dan kekuatan hubungan antar item. Dari hal ini maka dapat diketahui
kombinasi yang cocok sehingga dari hasil kombinasi tersebut pengguna hanya fokus pada
item itu saja. Tentu kekuatan tersebut harus dapat diukur. Pengukuran apakah sebuah
kombinasi memiliki hubungan yang kuat dapat dilihat dari nilai support dan confidence-
nya. Implementasi Algoritma Apriori telah banyak digunakan oleh peneliti lain karena
teknik ini dinilai cukup handal untuk menemukan sebuah kombinasi item yang sesuai
dengan permasalahan yang dihadapi. Contohnya peneliti [3] melakukan penelitian untuk
mengetahui kombinasi produk-produk apa yang memiliki nilai kedekatan yang kuat
dimana informasi ini diketahui dari catatan transaksi setiap pelanggan. Dari kedekatan
tersebut maka penjual mengubah cara peletakan produk-produk tersebut. Lain halnya
dengan peneliti [4], kombinasi yang diharapkan dari penelitiannya adalah mengetahui
loyalitas pengguna terhadap merek yang digunakannya, dimana informasi ini diperoleh
dari pola kecelakan lalu lintas. Peneliti [5] melakukan proses mining berdasarkan item
merek celana dalam yang memiliki asosiasi terkuat. Sehingga dari penelitiannya
didapatkan informasi merek yang paling banyak diminati.
Metodlogi yang digunakan akan digambarkan pada gambar berikut :
Berdasarkan metodologi usulan yang telah digambarkan di atas, maka eksperimen dimulai
dari transformasi data menjadi bentuk atau format yang sesuai dengan Algoritma Apriori.
Penelitian ini merupakan implementasi pengolahan data mining dengan kategori
Asosiasi dimana algoritma yang digunakan adalah Apriori. Berdasarkan permasalahan
yang dijelaskan sebelumnya maka penelitian ini bertujuan untuk mengetahui media
promosi dan pemasaran apa yang paling cocok untuk pelanggan dengan kategori
mahasiswa. Dari hasil penelitian diketahui bahwa hanya 2 kombinasi item set saja yang
cocok untuk jenis pemasaran ini, dimana media yang memiliki asosiasi yang sangat kuat
adalah web lain, web resmi, dan Instagram. Kekuatan hubungan antar item dapat dipercaya
dan dijadikan acuan karna ketepatan kombinasi item set yang dihasilkan valid karena
semua nilai lift rasio-nya >1. Nilai asosiasi akhir tertinggi secara berurutan yaitu : 80%
jika memasang iklan di web lain maka memasang iklan di web resmi; 67,36% jika
memasang iklan di web resmi maka memasang iklan di web lain; serta 65,31% jika
memasang iklan di web lain maka memasang iklan di Instagram. Dari ketiga asosiasi ini
media yang lebih dominan adalah penggunaan web lain. Sehingga penyebaran promosi
dapat dilakukan lebih banyak pada media ini.
5. Implementasi Data Mining Sebagai Informasi Strategis Penjualan Batik
Penelitian ini termasuk jenis research and development karena akan meneliti dan
mengembangkan sistem informasi dengan cara memonitor produksi, tren batik di
suatu wilayahmuntuk menghasilkan rencana strategis pemasaran produk di masa yang
akan datang. Variabel untuk klasifikasi ini terdiri dari 2 jenis, yaitu:
a) Variabel dependen (Y)
Menurut Nugroho (2015), variabel Y adalah variabel yang akan dicari nilainya
berdasarkan perhitungan-perhitungan menggunakan variabel lainnya. Variabel
Y dalam proses klasifikasi ini adalah Nama kategori batik.
b) Variabel independen (X)
Variabel X merupakan variabel yang nilainya sebagai data perhitungan-
perhitungan untuk menentukan nilai variabel Y. Proses data mining ini,
variabel X yang digunakan terdiri dari:
1) Nama pola batik, sebagai X1
2) Jenis kelamin pelanggan, sebagai X2
3) Propinsi distribusi penjualan, sebagai X3
Tahapan analisis dilakukan untuk menentukan klasifikasi nama kategori batik
berdasarkan nama nama pola, jenis kelamin pelanggan dan propinsi distribusi
penjualannya. Klasifikasi nama kategori batik dilakukan dengan metode
Decision Tree menggunakan algoritma hunt. Adapun klasifikasi nama kategori
batik dilakukan dengan metode Decision Tree menggunakan algoritma hunt
serta penentuan atributnya menggunakan information gain berdasarkan nilai
entropi. Penentuan simpul akar maupun simpul-simpul internal dalam pohon
keputusan ditentukan berdasarkan nilai information gain. Atribut yang
memiliki nilai information gain terbesar untuk setiap anak cabang, maka
atribut tersebut ditentukan sebagai atribut yang menempati suatu simpul akar
atau simpul internal. Proses pencarian simpul-simpul dilakukan hingga
membentuk simpul daun untuk semua cabang dalam pohon keputusan. Jika
suatu cabang sudah membentuk simpul.
Penelitian ini menggunakan semua data dari data warehouse Batik
Mahkota Laweyan yaitu sebanyak 1201 data penjualan batik sebagai data
pelatihan untuk proses klasifikasi. Kelas data yang digunakan untuk data
mining bersifat binominal atau polynominal sesuai aturan yang telah dibuat
berdasarkan nilai datanya. Rencana Strategis Batik Mahkota Laweyan
Berdasarkan interpretasi hasil penelitian, berikut beberapa kriteria batik yang
bias diterapkan sebagai sebuah kebijakan strategis bagi Batik Mahkota
Laweyan :
1. Kriteria Nama Pola CAP
2. Kriteria Nama Pola Print
3. Kriteria Nama Pola Tulis
4. Kriteris Nama Pola Lainnya
Berdasarkan hasil penelitian yang dilakukan maka dapat disimpulkan bahwa:
1. Proses data mining dengan menggunakan metode decision tree telah berhasil
dilakukan untuk menggali informasi strategis bagi Batik Mahkota Laweyan.
Hasil proses ini menunjukkan bahwa atribut yang memiliki pengaruh paling
tinggi untuk menentukan klasifikasi nama kategori batik adalah nama pola
(X1). Hal ini ditunjukkan dengan variable X1 yang menempati sebagai simpul
akar (root node) dalam diagram pohon keputusan.
2. Propinsi (X3) sebagai variabel wilayah pemasaran menempati sebagai faktor
kedua yang mempengaruhi kategori batik. Hal ini dapat dilihat dalam diagram
pohon keputusan bahwa variabel propinsi terletak dalam simpul cabang di
bawah nama pola (X1).
3. Perusahaan Batik Mahkota Laweyan perlu memperhatikan nama pola dan
wilayah pemasaran untuk membuat produk batik dengan nama kategori
tertentu.