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.