Universitas Pelita Bangsa

81

Transcript of Universitas Pelita Bangsa

Page 1: Universitas Pelita Bangsa
Page 2: Universitas Pelita Bangsa
Page 3: Universitas Pelita Bangsa
Page 4: Universitas Pelita Bangsa
Page 5: Universitas Pelita Bangsa

SURAT PERNYATAAN PUBLIKASI KARYA ILMIAH

Yang bertanda tangan di bawah ini :

Nama : Irwansyah

NIM : 311410587

Program Pendidikan : Strata Satu

Program Studi : Teknik Informatika

Dengan ini memberikan izin kepada pihak Sekolah Tinggi Teknologi Pelita Bangsa Hak Bebas

Royalti Non-Eklusif atas karya ilmiah penulis yang berjudul “ Prediksi Penjualan Produk

Dengan Menggunakan Metode Data Mining Dengan Algoritma C 4.5”.

Pihak STT Pelita Bangsa berhak menyimpan, mengelola dan mendistribusikan atau

mempublikasikan di internet atau media lain untuk kepentingan akademis tanpa perlu meminta

izin daari saya selama tetap mencantumkan nama saya sebagai penulis atau pencipta karya

ilmiah.

Saya bersedia menanggung secara pribadi, tanpa melibatkan pihak STT PELITA BANGSA,

segala bentuk tuntutan hukum yang timbul atas pelanggaran hak cipta dalam karya ilmiiah saya

ini.

Demikian pernyataan ini saya buat dengan sebenarnya.

Cikarang, 14 Nonvember 2018

Yang menyatakan

Irwansyah

Page 6: Universitas Pelita Bangsa

ABSTRAK

CV. DHARMA BHAKTI, merupakan perusahan yang bergerak dalam bidang jasa

distributor dan suplayers drum logam dan plastik untuk komoditi perusahan penghasil bahan

bakar minyak yang beralamat di Jl. Raya Warung Satu Kecamatan Sukatani, Kabupaten

Bekasi. Perusahaan ini didirikan pada tahun 2000 dibawah pimpinan Bapak Andry

Hermawan. CV. DHARMA BHAKTI didirikan karena perusahaan bahan bakar minyak

sangat banyak membutuhkan drum dan tempat wadah yang lain nya. Oleh karena itu

produksi pembuatan drum didirikan. Hal ini kemudian menyebabkan pembentukan badan

usaha dari CV. DHARMA BHAKTI. Sejak saat itu, CV. DHARMA BHAKTI bertekad

untuk terus mengembangkan produk mereka agar menjadi perusahaan yang bisa berkembang

baik dan maju di industri Indonesia.

Pengembangan produk telah menciptakan hasil yaitu drum logam 200 liter dan drum

plastik 150 liter untuk jalur distribusi Pertamina dan perusahaan lain nya. Produk drum yang

di hasilkan berguana untuk ukm atau industri lain. Produk dari perusahaan ini digunakan

untuk kimia industry, tempat air dan bahan bakar (pertalite,solar,pertamak dan oli). Produk

ini sangat tebal dan kuat sekali sehingga bisa digunakan dalam jangka waktu lama.

Kata Kunci : Data Mining, Algoritma C 4.5, RapidMiner, Prediksi.

Page 7: Universitas Pelita Bangsa

ABSTRACT

CV. DHARMA BHAKTI, is a company engaged in the services of metal

drum and plastic suplayers and distributors for the commodity of oil-producing

companies located at Jl. Raya Warung Satu, Sukatani District, Bekasi Regency. The

company was founded in 2000 under the leadership of Mr. Andry Hermawan. CV.

DHARMA BHAKTI was founded because oil companies needed very much drums

and other containers. Therefore the production of drum making was established. This

then led to the formation of a business entity from CV. DHARMA BHAKTI. Since

then, CV. DHARMA BHAKTI is determined to continue to develop their products

agar menjadi perusahaan yang bisa berkembang baik dan maju di industri Indonesia.

The product development has created a result of a 200-liter metal drum and a

150-liter plastic drum for Pertamina's distribution lines and other companies. Drum

products that are produced are widely used for SMEs or other industries. Products from

this company are used for industrial chemistry, places for water and fuel (pertalite,

diesel, pertamak and oil). This product is very thick and very strong so that it can be

used for a long time.

Keywords: Data Mining, C 4.5 Algorithm, RapidMiner, Prediction.

Page 8: Universitas Pelita Bangsa

KATA PENGANTAR

Puji syukur penulis panjatkan ke hadiran Allah SWT. yang telah melimpahkan

segala rahmat dan hidayah-Nya, sehingga tersusunlah Skripsi yang berjudul

“PREDIKSI PENJUALAN PRODUK CV. DHARMA BHAKTI MENGGUNAKAN

METODE DATA MINING DENGAN ALGORITMA C 4.5”.

Skripsi tersusun dalam rangka melengkapi salah satu persyaratan dalam rangka

menempuh ujian akhir untuk memperoleh gelar Sarjana Komputer (S.Kom.) pada

Program Studi Teknik Informatika di Sekolah Tinggi Teknologi Pelita Bangsa.

Penulis sungguh sangat menyadari, bahwa penulisan Skripsi ini tidak akan

terwujud tanpa adanya dukungan dan bantuan dari berbagai pihak. Sudah selayaknya,

dalam kesempatan ini penulis menghaturkan penghargaan dan ucapan terima kasih

yang sebesar-besarnya kepada:

a. Bapak Dr. Ir. Suprianto, M.P selaku Ketua STT Pelita Bangsa

b. Bapak Muhammad Fatchan, S.Kom, M.Kom selaku Ketua Program Studi Teknik

Informatika STT Pelita Bangsa.

c. Bapak Yoga, S.Kom, M.Kom selaku Pembimbing Utama yang telah banyak

memberikan arahan dan bimbingan kepada penulis dalam penyusunan Skripsi ini.

d. Seluruh Dosen STT Pelita Bangsa yang telah membekali penulis dengan wawasan

dan ilmu di bidang teknik informatika.

Page 9: Universitas Pelita Bangsa

e. Seluruh staf STT Pelita Bangsa yang telah memberikan pelayanan terbaiknya

kepada penulis selama perjalanan studi jenjang Strata 1.

f. Rekan-rekan mahasiswa STT Pelita Bangsa, khususnya angkatan 2014, yang telah

banyak memberikan inspirasi dan semangat kepada penulis untuk dapat

menyelesaikan studi jenjang Strata 1.

g. Ibu dan Ayah tercinta yang senantiasa mendo’akan dan memberikan semangat

dalam perjalanan studi Strata 1 maupun dalam kehidupan penulis.

h. Tiara Zukriah tercinta yang senantiasa mendo’akan dan memberikan semangat

dalam perjalanan studi Strata 1 maupun dalam kehidupan penulis.

Akhir kata, penulis mohon maaf atas kekeliruan dan kesalahan yang terdapat

dalam Skripsi ini dan berharap semoga Skripsi ini dapat memberikan manfaat bagi

khasanah pengetahuan Teknologi Informasi di lingkungan STT Pelita Bangsa

khususnya dan Indonesia pada umumnya.

Bekasi, November 2018

Irwansyah

Page 10: Universitas Pelita Bangsa

DAFTAR ISI

COVER

LEMBAR PENGESAHAN……………………………………………………….....i

LEMBAR PERSETUJUAN........…………………………………………....……...ii

SURAT PERNYATAAN KEASLIAN……………………………………………..iii

SURAT PERNYATAAN PUBLIKASI KARYA ILMIAH……………………....iv

ABSTRAK…………………………………………………………………………....v

ABSTRACT………………………………………………………………….………i

KATA PENGANTAR …………………………………………………………...vii

DAFTAR ISI …………………………………………………………………….viii

DAFTAR GAMBAR ................................................................................................. ix

DAFTAR TABEL ..................................................................................................... .x

BAB I PENDAHULUAN .......................................................................................... 1

1.1 Latar Belakang Masalah ............................................................................. 1

1.2 Identifikasi Masalah ................................................................................... 2

1.3 Rumusan Masalah ...................................................................................... 2

1.4 Batasan Masalah ........................................................................................ 3

1.5 Tujuan Penelitian ....................................................................................... 3

Page 11: Universitas Pelita Bangsa

1.6 Manfaat ...................................................................................................... 3

1.7 Sistematika Penulisan…………………………………………………….4

BAB II LANDASAN TEORI ................................................................................... 6

2.1 Definisi Prediksi ......................................................................................... 6

2.2 Penjualan .................................................................................................. 7

2.2.1 Definisi Penjualan ...................................................................... 7

2.2.2 Telemarketing ............................................................................ 8

2.3 Data Mining .............................................................................................. .9

2.3.1 Definisi Data Mining…………………………………………..9

2.3.2 Tahapan DataMining…………………………………………10

2.3.3 Klasifikasi……………………………………………………...12

2.3.4 Prediksi………...……………………………………………...12

2.3.5 AplikasiRapidMiner…………………………………………...13

2.4 AlgoritmaC4.514

2.4.1 DefinisiAlgoritma C 4.514

2.5 Split Validation …………………………………………………….…..16

2.6 Confusion Matrix……………………………………………………………....16

2.7 Penelitian Terdahulu………………………………………………………18

BAB III METEDOLOGI PENELITIAN ………………………………………...21

3.1 Objek Penelitian…………………………………………………………21

Page 12: Universitas Pelita Bangsa

3.1.1 Sejarah Perusahaan………………………………………….21

3.1.2 Visi Dan Misi………………………………………………..22

3.1.3 Struktur Organisasi Dan Fungs……………………………...23

3.1.4 KerangkaPemikiran…………………………………………24

3.2 Tahapan Penelitian……………………………………………………..25

3.3 Pengumpulan Data…………………………………………………….26

3.4 Pra Proses Data (Pre-Processing Data)………………………………...27

3.4.1 Tahapan-tahapan Pra Proses Data……………………………27

3.5 Transformation…………………………………………………………29

3.6 Pemodelan……………………………………………………………...30

3.7 Split Validation ……………………………………………...…………35

BAB IV HASIL DAN PEMBAHASAN ………………………………………….36

4.1 Hasil…………………………………………………………………...36

4.1.1 Jumlah Kasus Data Keseluruhan……………………….36

4.1.2 Hasil Process Validation……………………………………42

4.1.3 Akurasi Prediksi………………………………………...48

4.1.4 Akurasi Precision Dan Recall…………………………..51

4.2 Analisa Hasil Pengujian…………………………………………….51

5.1 Kesimpulan…………………………………………………………53

Page 13: Universitas Pelita Bangsa

5.2 Saran………………………………………………………………...54

DAFTAR PUSTAKA

LAMPIRAN-LAMPIRAN

Page 14: Universitas Pelita Bangsa

DAFTAR GAMBAR

Gambar 2.1 Tahapan Data Mining…………………... .............................................11

Gambar 3.1 Struktur Organisasi……………………………………………….…...23

Gambar 3.2 Tahapan Penelitian ……………………………………………….…..25

Gambar 3.3 Gambar Barang Jadi CV. DHARMA BHAKTI...................................26

Gambar 3.4 Dataset Yang Sudah Dicleaning...........................................................29

Gambar 4.1 Tampilan Awal RapidaMiner…………………………………………35

Gambar 4.2 Tampilan Menu Utama Sebelum Proses...............................................36

Gambar 4.3 Tampilan Menu Utama New Proses………….....................................36

Gambar 4.4 Tampilan Process Read Excel…………………….………………………37

Gambar 4.5 Data Import Wizard…………………………………………..………37

Gambar 4.6 Data Training………………………………………………………....38

Gambar 4.7 Hasil keputusan sebagai label………………………….…………......38

Gambar 4.8 Tampilan Process Data Training..........................................................39

Gambar 4.9 Tampilan Process Validation…………………………………………......39

Gambar 4.10 Tampilan Sub Process Validation……………………………….......40

Gambar 4.11 Hasil pengukuran Data Accuracy Training………………………....41

Page 15: Universitas Pelita Bangsa

Gambar 4.12 Hasil pengukuran Data Precision…………………….……….…42

Gambar 4.13 Hasil pengukuran Recall Data………………………………..….42

Gambar 4.14 Kurva ROC AUC (optimistic)…………………...…………...….43

Gambar 4.15 Performace Vector……………………………………...…..........45

Gambar 4.16 Decision Tree atau Pohon Keputusan………………………........45

Gambar 4.17 Proses Training dan Testing…………………………………......47

Gambar 4.18 Hasil Akurasi data Testing……………………………………....48

Gambar 4.19 Hasil Prediksi RapidMiner…………............................................49

Page 16: Universitas Pelita Bangsa

DAFTAR TABEL

Tabel 2.1 Confusion Matrix…………………………………………………………17

Tabel 3.1 Kerangka Pemikiran……………………………………………………...24

Tabel 3.2 Seleksi Atribut Yang Digunakan ...............................................................27

Tabel 3.3 Hasil Transformasi ………………………………………………………30

Tabel 3.4 Data Training ………………………………………………….…………32

Tabel 3.5 Data Testing…………………..………………………………….…………33

Tabel 4.1 Rule Decision Tree…………………………………………………….....46

Page 17: Universitas Pelita Bangsa

BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Pada saat ini perkembangan informasi telah berkembang dengan sangat pesat,

oleh karena itu sudah banyak pula perusahaan-perusahaan atau instansi-instansi yang

menggunakan sistem informasi untuk meningkatkan usahanya.

Cara untuk memudahkan suatu perusahaan ialah dengan cara membuat analisa

ataun prediksi penjualan dengan Sitem Informasi. Merupakan sesuatu yang

menunjukan hasil pengolahan data organisasi dan berguna kepada orang yang

menerimanya. Sedangkan Analiasa dan Prediksi dapat didefinisikan Suatu cara tertentu

untuk memudahkan organisasi bisnis dengan cara yang menguntungkan.

Dan syarat untuk membuat Analisa atau Prediksi dengan sistem informasi yaitu

adanya kecepatan dan keakuratan untuk memperoleh informasi yang dibutuhkan.

Komputer adalah suatu alat yang dapat menyimpan data, mengolah data, dan

memberikan informasi yang diinginkan secara tepat dan akurat yang berguna bagi

perusahaan untuk kemajuan usahanya.

Pada CV. DHARMA BAKTI , Prediksi penjualan produk secara sistematis

belum bisa digunakan. Hal ini dapat dikatakan kurang efektif dan efisien, dikarenakan

sulit untuk memprediksi dan menghitung banyaknya jenis barang yang ada, banyaknya

jumlah barang, maupun besarnya jumlah penjualan barang. Banyaknya jumlah barang

Page 18: Universitas Pelita Bangsa

yang dijual dan tingkat keramaian pembeli dapat mengakibatkan CV. DHARMA

BAKTI mengalami kesulitan untuk mengelola dan menghitung prediksi penjualan

secara cepat dan efisien. Dalam melaksanakan penelitian ini, mahasiswa/si diharapkan

mampu untuk lebih jeli dalam melihat kesempatan agar dapat bersaing langsung di

dunia kerja. Dengan berbekal ilmu yang didapatkan di bangku kuliah baik teori maupun

praktek diharapkan dapat membantu mahasiswa dalam melaksanakan tugas kerja

secara real dan profesional serta dapat mempermudah proses produksi perusahaan

dengan membuat sistem atau analisa yang mampu dibuat oleh mahasiswa.

1.2 Identifikasi Masalah

Berdasarkan latar belakang masalah diatas dapat diidentifikasikan bahwa masalah

yang muncul yaitu Belum bisa memprediksi penjualan produk barang membuat

sulitnya perusahaan untuk meningkatkan produktivitas pengenalan dan penjualan

produk. Maka dari itu perusahaan juga dituntut harus bisa membuat atau

mengembangkan sebuah sistem informasi yang nanti nya akan bermanfaat untuk

meningkatkan produk yang di buat oleh perusahaan tersebut.

1.3 Rumusan Masalah

Dilihat dari latar belakang tersebut di atas dapat kita ambil suatu permasalahan

yaitu:

Page 19: Universitas Pelita Bangsa

1. Bagaimana untuk bisa memprediksi penjualan produk barang pada CV.

DHARMA BHAKTI dengan menggunakan metode data mining dengan

algoritma C4.5?

1.4 Batasan Masalah

Dalam penulisan laporan penelitian ini penulis membatasi masalah hanya

meliputi tugas-tugas yang diberikan oleh pembimbing skripsi di perusahaan CV.

DHARMA BAKTI yaitu “Prediksi penjualan produk dengan menggunakan metode

data mining dengan algoritma C 4.5 ”.

1.5 Tujuan Penelitian

Adapun Tujuan penelitian ini adalah :

1. Untuk memprediksi penjualan produk CV. DHARMA BHAKTI dengan

menggunakan metode data mining algoritma C 4.5.

2. Untuk memudahkan prediksi penjualan produk CV. DHARMA BHAKTI

secara baik dan aktual.

1.6 Manfaat

Manfaat yang di peroleh dari penellitian ini adalah :

1. Untuk Akademik

Penelitian ini dapat memberikan informasi bagi peneliti atau calon peneliti lain

untuk menerapkannya kedalam sistem yang lebih luas dan lebih kompleks atau

Page 20: Universitas Pelita Bangsa

sebagai bahan acuan yang dapat dikembangkan bagi kemungkinan

pengembang konsep dan materi lebih lanjut serta dapat melengkapi referensi

pustaka akademik.

2. Untuk Perusahaan

Mempermudah pihak perusahaan dalam mengmbil keputusan untuk bisa

memprediksi penjualan barang secara akurat dan juga bisa merencanakan

produksi untuk bulan atau bahkan tahun yang akan datang sesuai order dari

perusahaan lain.

3. Untuk Penulis

Penulis dapat mengaplikasikan ilmu dan keterampilan yang diperoleh selama

diperkuliahan, dan untuk memenuhi salah satu syarat kelulusan Stara Satu (S1)

Program Studi Teknik Informatika Sekolah Tinggi Teknologi (STT) Pelita

Bangsa Bekasi.

1.7 Sistematika Penulisan

Sistematika penulisan yang digunakan dalam laporan ini adalah sebagai berikut

:

BAB I PENDAHULUAN

Page 21: Universitas Pelita Bangsa

Merupakan bab pendahuluan yang akan menguraikan mengenai umum, maksud

dan tujuan , metode pengumpulan data, ruang lingkup, disertai sistematika penulisan.

BAB II LANDASAN TEORI

Merupakan bab yang berisikan definisi dari judul, penelitian terdahulu, contoh

contoh dan teori yang mendukung objek penelitian.

BAB III METEDOLOGI PENELITIAN

Merupakan tinjauan lembaga secara umum, tinjauan lembaga yang di dalamnya

mencakup penyajian profil, sejarah lembaga, struktur organisasi dan fungsi, prosedur

sistem akutansi berjalan, diagram alir data ( DAD ) sistem akutansi berjalan, spesifikasi

berjalan diantaranya spesifikasi bentuk dokumen masukan, spesifikasi bentuk

dokumen keluaran.

BAB IV HASIL DAN PEMBAHASAN

Pada bab terakhir ini disajikan kesimpulan dan saran saran yang penulis angkat

berdasarkan pembahasan pada bab – bab sebelumnya.

Page 22: Universitas Pelita Bangsa

BAB II

LANDASAN TEORI

2.1 Definisi Prediksi

Prediksi adalah proses peramalan kejadian yang akan datang berdasarkan

parameter tertentu untuk mengurangi ketidakpastian dalam suatu kondisi serta

membat suatu tolak ukur untuk memperkirakan kejadian yang akan datang berdasarkan

pola yang telah terjadi di masa lampau (Khoirunnisa, 2016).

Peramalan merupakan bagian awal dari suatu proses pengembalian suatu

keputusan. Sebelum melakukan peramalan harus diketahui terlebih dahulu apa

sebenarnya persoalan dalam pengambilan keputusan. Peramalan adalah pemikiran

terhadap besaran, misalnya permintaan terhadap satu atau beberapa produk pada

periode yang akan datang. Pada hakikatnya peramalan hanya merupakan suatu

perkiraan (guess), tetapi dengan menggunakan teknik-teknik tertentu, maka peramalan

menjadi lebih sekedar perkiraan. Peramalan dapat dikatakan perkiraan yang ilmiah

(educated guess). Setiap pengambilan keputusan yang menyangkut keadaan dimasa

yang akan datang, maka pasti ada peramalan yang melandasi pengambilan keputusan

tersebut. Forecasting atau peramalan adalah suatu usaha untuk meramalkan keadaan

di masa mendatang melalui pengujian keadaan di masa lalu. Dalam kehidupan sosial

segala sesuatu itu tidak pasti, sukar untuk diperkirakan secara tepat. Forecast yang

dibuat selalu diupayakan agar dapat meminimumkan pengaruh ketidakpastian ini

Page 23: Universitas Pelita Bangsa

terhadap perusahaan. Dengan kata lain forecasting bertujuan mendapatkan forecast

yang bisa meminimumkan kesalahan meramal (forecast error) yang biasanya diukur

dengan Mean Squared Error (MSE), Mean Absolute Error (MAE) dan ssebagainya

(Weneda, 2015).

Menurut Nasution dalam (Purwanto, 2012), Peramalan adalah proses untuk

memperkirakan berapa kebutuhan dimasa yang akan datang yang meliputi kebutuhan

dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka

memenuhi permintaan barang ataupun jasa.

Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam

prediksi nilai dari hasil akan ada di masa mendatang. Beberapa metode dan teknik yang

digunakan dalam klasifikasi dan estimasi dapat pula digunakan (untuk keadaan yang

tepat) untuk prediksi (Gunadi, 2012).

2.2 Penjualan

2.2.1 Definisi Penjualan

Penjualan adalah interaksi antara individu saling bertemu muka yang ditujukan

untuk menciptakan, memperbaiki, menguasai atau mempertahankan hubungan

pertukaran sehingga menguntungkan bagi pihak lain. Penjualan dapat diartikan juga

sebagai usaha yang dilakukan manusia untuk menyampaikan barang bagi mereka yang

memerlukan dengan imbalan uang menurut harga yang telah ditentukan atas

persetujuan bersama (Weneda, 2015).

Page 24: Universitas Pelita Bangsa

Penjualan merupakan salah satu indikator paling penting dalam sebuah

perusahaan, bila tingkat penjualan yang dihasilkan oleh perusahaan tersebut besar,

maka laba yang dihasilkan perusahaan itu pun akan besar pula sehingga perusahaan

dapat bertahan dalam persaingan bisnis dan bisa mengembangkan usahanya. Prediksi

penjualan sales forecasting adalah salah satu cara yang efektif untuk dapat

meningkatkan laba perusahaan. Data dan informasi penjualan sangat penting bagi

perusahaan untuk merencanakan penjualan yang akan datang, misalnya: data

pelanggan, jumlah kendaraan, harga mobil, suku cadang, jenis kendaraan dan yang

tidak kalah pentingnya adalah kebijakan pemerintah dalam memberikan pajak

kendaraan serta subsidi bahan bakar kendaraan (Purwanto, 2012).

Menurut Ronny dalam (Purwanto, 2012). Pengertian penjualan ialah penjualan

ialah proses sosial manaherial dimana individu dan kelompok mendapatkan apa yang

mereka butuhkan dan inginkan, menciptakan, menawarkan dan mempertukarkan

produk yang bernilai dengan pihak lain.

2.2.2 Telemarketing

Telemarketing berasal dari kata Tele dan Marketing. Tele artinya jauh,

marketing artinya aktifitas pemasaran secara garis besarnya Marketing merupakan

sebuah kegiatan sosial dan sebuah pengaturan yang dilakukan oleh individu ataupun

kelompok yang bertujuan untuk mendapatkan apa yang mereka inginkan dengan jalan

membuat sebuah produk dan menukarkannya dengan besaran nominal tertentu kepada

pihak lainnya (Kotler & Keller, 2009). agar kegiatan marketing bisa berjalan dengan

Page 25: Universitas Pelita Bangsa

baik, maka dibutuhkan strategi marketing yang baik pula. Strategi marketing

merupakan sekumpulan rancangan dan juga rencana yang sengaja dibuat oleh

perusahaan demi tercapainya kegiatan marketing yang efektif dan efisien sehingga

perusahaan dapat lebih mudah mencapai tujuannya. Dalam dunia marketing dikenal

beberapa strategi marketing, seperti salah satunya adalah strategi marketing 4P yaitu

Place, Product, Price, dan Promotion (Waringin, 2008).

2.3 Data Mining

2.3.1 Definisi Data Mining

Data mining, sering juga disebut sebagai knowledge discovery in database

(KDD) adalah kegiatan yang meliputi pengumpulan, pemakaian data, historis untuk

menemukan keteraturan, pola atau hubungan dalam set data berukuran besar .

knowledge discovery in database (KDD) pada intinya adalah proses menemukan

pengetahuan yang bermanfaat dari kumpulan data. A. Berstein dkk. juga

mendefinisikan knowledge discovery in database (KDD) sebagai hasil proses

penjelajahan yang melibatkan penerapan berbagai Prosedur algoritma untuk

memanipulasi data, membangun model dari data, dan memanipulasi model .

Menurut Turban dalam bukunya yang berjudul ”Decision Support Systems and

Intelligent Systems”, data mining adalah suatu istilah yang digunakan untuk

menguraikan penemuan pengetahuan di dalam basis data. Data mining adalah proses

yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine

Page 26: Universitas Pelita Bangsa

learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan

pengetahuan yang terkait dari berbagai basis data besar (Elisa , 2018 ).

Menurut Witten dan Frank dalam (Mujab, 2013), Data Mining (DM) adalah

teknologi BI yang menggunakan model data driven untuk mengekstrak pengetahuan

yang berguna (misalnya pola) dari data yang kompleks dan luas (Witten dan Frank,

2005).

Metodologi ini mendefinisikan urutan prosesnya menjadi enam fase, yang

memungkinkan pelaksanaan pembangunan model DM untuk digunakan dalam

lingkungan yang nyata, membantu untuk mendukung keputusan bisnis. Beberapa

metode pada Data Mining yang terkait dalam penelitian strategi pemasaran langsung

antara lain NB (Naïve Bayes) dan Decision Trees (Mujab, 2013).

2.3.2 Tahapan Data Mining

Data mining sebenarnya merupakan salah satu bagian proses Knowledge

Discovery in Database (KDD) yang bertugas untuk mengekstrak pola atau model dari

data dengan menggunakan suatu algoritma yang spesifik (Sembiring, 2016 ). Adapun

proses KDD sebagai berikut :

1. Data Selection : pemilihan data dari sekumpulan data operasional perlu dilakukan

sebelum tahap penggalian informasi dalam KDD dimulai.

2. Preprocessing : sebelum proses data mining dapat dilaksanakan, perlu dilakukan

proses cleaning dengan tujuan untuk membuang duplikasi data, memeriksa data

yang inkonsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak

Page 27: Universitas Pelita Bangsa

(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. Transformation : yaitu proses coding pada data yang telah dipilih, sehingga data

tersebut sesuai untuk proses data mining. Proses coding dalam KDD merupakan

proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan

dicari dalam database.

4. Data mining : proses mencari pola atau informasi menarik dalam data terpilih

dengan menggunakan teknik atau metode tertentu.

5. Interpretation / Evaluation : pola informasi yang dihasilkan dari proses data

mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang

berkepentingan. Tahap ini mencakup pemeriksaan apakah pola atau informasi

yang ditemukan bertentangan dengan fakta atau hipotesa yang ada sebelumnya

atau tidak.

Data mining juga dapat diartikan sebagai pengekstrakan informasi baru yang diambil

dari bongkahan data besar yang membantu dalam pengambilan keputusan. Tahapan-

tahapan pada data mining dapat digambarkan seperti gambar

Page 28: Universitas Pelita Bangsa

Gambar 2.1 Tahapan Data Mining

Sumber : (Sembiring, 2016).

2.3.3 Klasifikasi

Menurut Tan dalam (Elisa, 2018) klasifikasi adalah proses untuk menyatakan

suatu objek ke salah satu kategori yang sudah didefinisikan sebelumnya. Klasifikasi

juga bisa didefinisikan sebagai proses pembelajaran fungsi target (model klasifikasi)

yg memetakan setiap sekumpulan atribut x (input) ke salah satu klas y yang

didefinisikan sebelumnya.

Lebih lanjut, input didefinisikan sebagai sekumpulan record (training set), dan

setiap record terdiri atas sekumpulan atribut, salah satu atribut adalah klas. Adapun

model klasifikasi digunakan untuk antara lain :

Page 29: Universitas Pelita Bangsa

a. Pemodelan Deskriptif sebagai perangkat penggambaran untuk membedakan

objek-objek dari klas berbeda.

b. Pemodelan Prediktif digunakan untuk memprediksi label klas untuk record yang

tidak diketahui atau tidak dikenal.

2.3.4 Prediksi

Prediksi adalah proses peramalan kejadian yang akan datang berdasarkan

parameter tertentu untuk mengurangi ketidakpastian dalam suatu kondisi serta

membat suatu tolak ukur untuk memperkirakan kejadian yang akan datang berdasarkan

pola yang telah terjadi di masa lampau (Khoirunisa, 2016).

Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam

prediksi nilai dari hasil akan ada di masa mendatang. Beberapa metode dan teknik yang

digunakan dalam klasifikasi dan estimasi dapat pula digunakan (untuk keadaan yang

tepat) untuk prediksi. peramalan kejadian yang akan datang berdasarkan parameter

tertentu untuk mengurangi ketidakpastian dalam suatu kondisi serta membat suatu

tolak ukur untuk memperkirakan kejadian (Gunadi, 2012)

2.3.5 Aplkasi RapidMiner

RapidMiner sebelumnya dikenal sebagai YALE ( Yet Another Learning

Environment), dikembangkan mulai tahun 2001. RapidMiner dan plugin yang

sekarang menyediakan lebih dari 400 belajar dan preproceesing operator dan

kombinasi yang tak terhitung jumlahnya. Oleh karena itu , RapidMiner adalah

Page 30: Universitas Pelita Bangsa

pelengkap pengetahuan penemuan Suite yang dapat digunakan untuk semua tugas data

mining. Diantara fitur baru adalah ruang kerja untuk proyek yang berbeda dengan

meningkatkan visualisasi dari kritreria kinerja seperti kurva ROC rata rata atau plot 3D

dari matriks. RapidMiner adalah aplikasi data mining yang tidak perlu dipertanyakan

lagi dan berbasis sistem open-source dunia yang terkemuka dan ternama. Tersedia

sebagai aplikasi yang berdiri sendiri untuk analisis data dan sebagai mesin data mining

untuk integrasi kedalam produk sendiri. Ribuan pengguna aplikasi RapidMiner di lebih

dari 40 negara memberikan pengguna mereka keunggulan yang kompetitif

(SENTIKA, 2018).

RapidMiner merupakan perangkat lunak yang bersifat terbuka ( open source ).

RapidMiner adalah sebuah solusi untuk melakukan analisis terhadap data mining, text

mining dan analisis prediksi. RapidMiner menggunakan berbagai teknik deskriptif dan

prediksi dalam memberikan wawasan kepada pengguna sehingga dapat membuat

keputusan yang paling baik. RapidMiner memiliki kurang lebih 500 operator data

mining, termasuk operator untuk input, output, data preprocessing dan visualisasi.

RapidMiner merupakan software yang berdiri sendiri untuk analisis data dan sebagai

mesin data mining yang dapat diintegrasikan pada produknya sendiri. RapidMiner

ditulis dengan menggunakan Bahasa java sehingga dapat bekerja di semua sistem

operasi (Zack, 2015).

Page 31: Universitas Pelita Bangsa

2.4 Algoritma C 4.5

2.4.1 Definisi Algoritma C 4.5

Algoritma C4.5 yaitu sebuah algoritma yang digunakan untuk membangun

decision tree (pengambilan keputusan). Algoritma C.45 adalah salah satu algoritma

induksi pohon keputusan yaitu ID3 (Iterative Dichotomiser 3). ID3 dikembangkan oleh

J. Ross Quinlan. Dalam prosedur algoritma ID3, input berupa sampel training, label

training dan atribut. Algoritma C4.5 merupakan pengembangan dari ID3. Beberapa

pengembangan yang dilakukan pada C4.5 adalah sebagai antara lain bisa mengatasi

missing value, bisa mengatasi continu data, dan pruning (Elisa, 2018).

Sebuah objek yang diklasifikasikan dalam pohon harus dites nilai Entropy nya.

Entropy adalah ukuran dari teori informasi yang dapat mengetahui karakteristik dari

impuryt dan homogenity dari kumpulan data. Dari nilai Entropy tersebut kemudian

dihitung nilai information gain (IG) masing-masing atribut. Entropy (S) merupakan

jumlah bit yang diperkirakan dibutuhkan untuk dapat mengekstrak suatu kelas (+ atau

-) dari sejumlah data acak pada ruang sampel. Entropy dapat dikatakan sebagai

kebutuhan bit untuk menyatakan suatu kelas. Semakin kecil nilai Entropy maka akan

semakin Entropy digunakan dalam mengekstrak suatu kelas. Entropy digunakan untuk

mengukur ketidakaslian .

Page 32: Universitas Pelita Bangsa

Untuk memilih atribut akar, didasarkan pada nilai gain tertinggi dari atribut-

atribut yang ada. Untuk menghitung gain digunakan rumus seperti yang tertera dalam

persamaan berikut.

Di mana :

S : himpunan kasus

A : atribut

N : jumlah partisi atribut A

|Si| : jumlah kasus pada partisi ke-i

|S| : jumlah kasus dalam S

Sementara itu, perhitungan nilai entropi dapat dilihat pada persamaan 2 berikut.

Di mana :

S : himpunan kasus

A : fitur

Page 33: Universitas Pelita Bangsa

N : jumlah partisi S pi :

proporsi dari Si terhadap S

Secara umum algoritma C4.5 untuk membangun pohon keputusan adalah sebagai

berikut :

a. Pilih atribut sebagai akar.

b. Buat cabang untuk tiap-tiap nilai.

c. Bagi kasus dalam cabang.

d. Ulangi proses untuk setiap cabang sampai semua kasus pada cabang memiliki

kelas yang sama.

2.5 Split Validation

Split Validation merupakan teknik validasi yang membagi data menjadi dua

bagian secara acak, sebagian data training dan sebagian data testing. Data yang sudah

disiapkan untuk klasifikasi dibagi menjadi dua untuk data training dan data testing

menggunakan teknik sampling random sistematik (Systematic Random Sampling).

Cara penggunaan teknik sampling random sistematik ini perandoman atau pengundian

hanya dilakukan satu kali, yakni ketika menentukan unsur pertama dari sampling yang

akan diambil. Penentuan unsur sampling selanjutnya ditempuh dengan cara

memanfaatkan interval sampel (Elisa, 2018).

Page 34: Universitas Pelita Bangsa

2.6 Confusion Matrix

Confusion Matrix adalah tools yang digunakan untuk mengevaluasi model

klasifikasi yang digunakan untuk memperkirakan objek yang benar dan yang salah.

Hasil prediksi akan dibandingkan dengan kelas asli dari data tersebut. Confusin Matrix

mengevaluasi kinerja mdel berdasarkan pada kemampuan akurasi prediktif suatu

model. Akurasi prediktif merupakan parameter yang mengukur ketepatan aturan

klasifikasi yang dihasilkan dalam mengklasifikasikan test set berdasarkan atribut yang

ada ke dalam kelasnya (Khoirunisa, 2016)

Tabel 2.1 Confusion Matrix

Classification

Predicted class

Class = Yes Class = No

Class = Yes True Positives

(TP)

False

Negatives

(FN)

Class = No False Positives

(FP)

True

Negatives

(TN)

True Positives adalah jumlah data yang diklasifikasikan Yes dan diprediksi Yes

dengan benar. False Positives adalah jumlah data yang diklasifikasikan No dan

diprediksi Yes. False Negatives adalah jumlah data yang diklasifikasikan Yes dan

Page 35: Universitas Pelita Bangsa

diprediksi No. True Negatives adalah jumlah data yang diklasifikasikan No dan

diprediksi No dengan benar.

2.7 Penelitian Terdahulu

Beberapa penelitian mengenai prediksi penjualan produk ataupun yang

mendekati penelitian tersebut adalah sebagai berikut :

1. Prediksi Penjualan Barang Pada Alfamart Rembang Menggunakan Expotensial

Smothing (Weneda, 2014). Prediksi jumlah penjualan merupakan faktor

penting yang menentukan kelancaran usaha suatu perusahaan diantaranya yaitu

Alfamart Rembang. Permasalahan yang umum dihadapi oleh Alfamart

Rembang adalah bagaimana memprediksi atau meramalkan penjualan barang

di masa mendatang berdasarkan data penjualan sebelumnya. Selama ini

Alfamart Rembang secara tidak langsung selalu memprediksi penjualan yang

akan datang. Akan tetapi prediksi ini selalu kurang tepat karena hanya melihat

perkiraan berdasarkan penjualan yang telah terjadi. Pencatatan dan prediksi di

Alfamart Rembang masih dilakukan secara manual dengan menambahkan 10

% dari target penjualan pada bulan sebelumnya. Metode prediksi yang

digunakan dalam penelitian ini adalah metode exponential smoothing dengan

nilai α = 0.5, α = 0.7 dan α = 0.9. Penelitian ini menghasilkan implementasi

metode exponential smoothing dapat diterapkan pada sistem prediksi penjualan

barang pada Alfamart Rembang dengan melakukan prediksi penjualan per

bulan (1 bulan) dan hasil yang mendekati dengan penjualan barang pada

Page 36: Universitas Pelita Bangsa

Alfamart Rembang dengan nilai α = 0.9 dengan total nilai MSE yaitu

1.202.405.414.267.760.

2. Prediksi Penjualan di Perusahaan Ritel dengan Metode Peramalan Hirarki

Berdasarkan Model Variasi Kalender (Khoirunisa, 2016). Data penjualan

perusahaan ritel Amigo Group mengindikasikan setiap tahun cenderung terjadi

peningkatan di semua toko khususnya produk pakaian saat menjelang Idul Fitri.

Idul Fitri terjadi mengikuti kalender hijriyah, inilah yang memunculkan adanya

indikasi kasus efek variasi kalender. Tujuan dari penelitian ini yaitu

meramalkan penjualan produk di tujuh toko dengan metode peramalan time

series hirarki. Peramalan time series hirarki dilakukan dengan tiga pendekatan

yaitu bottom-up, top-down proporsi histori, dan top-down proporsi peramalan.

Nilai MAPE Simetri out-sample setiap pendekatan peramalan hirarki

dibandingkan untuk mendapatkan model terbaik. Hasil dari penelitian

menunjukkan bahwa level 0 hem panjang dewasa pria, celana panjang jeans

dewasa pria, dan jaket dewasa pria model terbaik yaitu bottom-up. Level 0

produk rok dewasa wanita dan celana panjang wanita model terbaik yaitu top-

down. Level 1 hem panjang dewasa pria model terbaik yaitu top down proporsi

histori dengan rata-rata proporsi dari rata-rata data asli tahun 2002-2011.

Produk celana panjang jeans dewasa pria, rok dewasa wanita dan celana

panjang wanita model terbaik yaitu top down proporsi histori dengan proporsi

, sedangkan ntuk level 1 produk jaket dewasa pria model terbaik yaitu bottom-

up.

Page 37: Universitas Pelita Bangsa

3. Prediksi Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty

Factor (Purwanto, 2016). Prediksi penjualan adalah salah satu cara untuk

meningkatkan laba perusahaan, peramalan diperlukan untuk menyetarakan

antara perbedaan waktu yang sekarang dan yang akan datang terhadap

kebutuhan, Jaringan Syaraf Tiruan (JST) dapat mengaplikasikan dengan baik

metode peramalan. Pendekatan peramalan kuantitatif dengan metode times

series akan menentukan nilai data masukan dari sekumpulan data serial atau

berkala dari transaksi pada suatu jangka waktu tertentu. Data dibagi menjadi

data pelatihan, pengujian dan validasi. Proses peramalan menggunakan metode

certainty factor (CFf) sebagai nilai pembanding pada bobot koreksi yang telah

di latih dalam jaringan backpropagation untuk prediksi yang optimal. Simulasi

program peramalan penjualan mobil honda tahun 2015 dengan variabel input

data penjualan daerah 30,000 unit, penjualalan dealer 25.000, penjualan tunai

25.000, CF = 0.5 dan kredit 19.000 menghasilkan ramalan penjualan sebanyak

29579 unit dengan target error 4,205 %.

Page 38: Universitas Pelita Bangsa

BAB III

METODOLOGI PENELITIAN

Metodologi penelitian adalah pembahasan mengenai proses-proses yang ada

pada kerangka kerja penelitian dalam mengklasifikasikan barang jadi menggunakan

algoritma C4.5 sehingga dapat diketahui hasil klasifikasi dengan baik.

3.1 Objek Penelitian

3.1.1 Sejarah Perusahaan

CV. DHARMA BHAKTI, merupakan perusahan yang bergerak dalam

bidang jasa distributor dan suplayers drum logam dan plastik untuk komoditi

perusahan penghasil bahan bakar minyak yang beralamat di Jl. Raya Warung Satu

Kecamatan Sukatani, Kabupaten Bekasi. Perusahaan ini didirikan pada tahun 2000

dibawah pimpinan Bapak Andry Hermawan. CV. DHARMA BHAKTI didirikan

karena perusahaan bahan bakar minyak sangat banyak membutuhkan drum dan

tempat wadah yang lain nya. Oleh karena itu produksi pembuatan drum didirikan.

Hal ini kemudian menyebabkan pembentukan badan usaha dari CV. DHARMA

BHAKTI. Sejak saat itu, CV. DHARMA BHAKTI bertekad untuk terus

mengembangkan produk mereka.

Page 39: Universitas Pelita Bangsa

Pengembangan produk telah menciptakan hasil yaitu drum logam 200 liter

dan drum plastik 150 liter untuk jalur distribusi Pertamina dan perusahaan lain nya.

Produk drum yang di hasilkan berguana untuk ukm atau industri lain. Produk

dari perusahaan ini digunakan untuk kimia industry, tempat air dan bahan bakar

(pertalite,solar,pertamak dan oli). Produk ini sangat tebal dan kuat sekali sehingga

bisa digunakan dalam jangka waktu lama.

3.1.2 Visi dan Misi

Visi CV. DHARMA BHAKTI

Dengan kemampuan sumber daya yang dimiliki menjadikan CV. DHARMA

BHAKTI sebagai perusahaan yang terkemuka dalam industri logam terkemuka.

Misi CV. DHARMA BAHAKTI

1. Menghasilkan produk yang berkualitas melalui teknologi yang mutakhir dan

rekayasa yang mengutamakan faktor keamanan dan keselamatan baik pada saat

produksi maupun terpasang di lapangan.

2. Menghasilkan produk yang berkualitas melalui pembinaan dan pemberdayaan

kemampuan sumber daya manusia yang sehat dan sumber daya alat yang

memadai serta kondisi lingkungan kerja yang dinamis atas dasar keselamatan

dan kesehata kerja karyawan.

Page 40: Universitas Pelita Bangsa

3. Menghasilkan produk yang berkualitas melalui peningkatan keunggulan

kompetitif yang disertai dengan inovasi berkelanjutan sesuai dengan kebutuhan

pasar.

3.1.3 Struktur Organisasi

Organisasi merupakan alat atau wadah yang digunakan oleh perusahaan guna

merealisir tujuan yang telah digariskan. Tujuan utama dalam pembentukan struktur

organisasi adalah untuk mengkoordinasikan semua kegiatan, baik secara fisik

maupun non fisik yang diarahkan pada pencapaian tujuan.

Anggota prod 1

- Riza Ariawan - Dita Dwi Prasetyo

Anggoa prod 2

- Inu Anjar - Ari kustiawan - Aji Santoso

Direktur

Andry. H

HHermawan

Wakil Direktur

Opan

Temmy

Purchasing

Dhani

ssSasSaputra

Foreman

Rustam

Amirudin

Leader Prod 1

Salim

Janu Priatmojo

Leader Prod 2

Rahmat

Adm & Gudang

Rahman

Finance

Lisa Ani

Page 41: Universitas Pelita Bangsa

3.1.4 Kerangka Pemikiran

Berikut gambaran keseluruhan penelitian dalam bentuk diagram kerangka

pemikiran yang berguna sebagai pedoman atau acuhan penelitian ini sehingga dapat

dilakukan secara konsisten.

Tabel 3.1 Kerangka pemikiran

Masalah

Menerapkan algoritma C4.5 dalam mengklasifikasikan barang jadi di CV.

DHARMA BHHAKTI

Eksperimen / Analisa

Tool Data Metode

RapidMiner Data barang jadi di CV.

DHARMA BHAKTI

Algoritma C4.5

Pengujian dan Validasi Hasil

Data barang jadi diuji menggunakan RapitMiner untuk mendapatkan tingkat

akurasi

Hasil

Page 42: Universitas Pelita Bangsa

Rekomendasi hasil klasifikasi dan prediksi barang jadi di CV. DHARMA

BHAKTI

3.2 Tahapan Penelitian

Penelitian merupakan rangkaian kegiatan ilmiah. Langkah awal yang harus

dilakukan sebelum memulai penelitian adalah studi literatur untuk menentukan data

mining guna mengolah data dan penentuan alternatif solusi. Kemudian dilakukan

pencarian dan pengumpulan data berkaitan dengan masalah yang akan diteliti. Secara

umum proses-proses tahapan yang dilakukan dalam pelaksanaan penelitian ini adalah

:

Gambar 3.2. Tahapan Penelitian

1. Studi literatur dilakukan dengan membaca dan memahami teori dari buku atau

jurnal yang relevan bertujuan untuk mendapatkan teori-teori tentang

permasalahan yang telah dirumuskan. Teori ini dapat dijadikan pedoman untuk

mendapatkan solusi.

Studi Literatur

Pengumpulan Data

Pra Proses Data

Proses Data Mining

Page 43: Universitas Pelita Bangsa

2. Pengumpulan data mentah didapat dari data barang jadi yang ada pada PT.

Dantosan Precon Perkasa. Tahapan ini menerangkan tentang darimana sumber

data dalam penelitian ini didapatkan dan menemukan informasi yang bisa

digunakan untuk penelitian.

3. Pra proses data mining, meliputi data cleaning pembersihan data yang di

dalamnya terdapat atribut kosong maupun tidak lengkap, data integration atau

pengubahan data menjadi format yang sesuai untuk digunakan dalam proses

data mining, dan task relevan data sejalan dengan data integration yang

memilih atribut yang relevan dengan rumusan masalah.

4. Proses data mining. Data yang telah didapatkan kemudian diolah dengan proses

data mining dimana pengolahan ini menggunakan algoritma C4.5 hasil

pengujian akan di validasi dan kemudian di evaluasi. Penjelasan mengenai hal

ini akan di paparkan pada BAB IV.

3.3 Pengumpulan Data

Data yang diperlukan dalam penelitian ini diperoleh dari CV. DHARMA

BHAKTI berupa data barang jadi pada bulan desember tahun 2017 sebanyak 100

data. Selain berisi data barang, didalamnya juga terdapat beberapa atribut data yang

menunjang atau mempengaruhi proses data mining klasifikasi dan prediksi

menggunakan algoritma C4.5. Berikut adalah data barang jadi pada CV. DHARMA

BHAKTI.

Page 44: Universitas Pelita Bangsa

Gambar 3.3. Data Barang Jadi CV. DHARMA BHAKTI.

3.4 Pra Proses Data (Pre-Processing Data)

Data mentah yang telah diperoleh tidak serta merta dapat langsung diolah.

Agar dapat diolah menggunakan metode klasifikasi C4.5 diperlukan pra proses data

guna memperoleh atribut dan tipe data yang cocok dan berguna untuk diolah dalam

proses data mining.

3.4.1 Tahapan-tahapan Pra Proses Data

a. Task Relevan Data

Task Relevan Data adalah melakukan seleksi data yang memiliki atribut

yang relevan. Dengan melakukan seleksi data akan membantu tahapan proses

data mining dalam menemukan pola yang berguna. Oleh karena itu tidak

Page 45: Universitas Pelita Bangsa

semua atribut dapat digunakan, hanya atribut yang dianggap peneliti berguna

dan sebarannya tidak terlalu acak.

Dibawah ini adalah tabel atribut yang akan digunakan dan tidak digunakan.

Tabel 3.2 Seleksi Atribut yang Digunakan

No. Nama Atribut Keterangan

1. Area Produksi Digunakan

2. Tgl Produksi Tidak Digunakan

3. No Produksi Tidak Digunakan

4. Tgl LPH Tidak Digunakan

5. No LPH Tidak Digunakan

6. Kod Barang Tidak Digunakan

7. Kode Panel Tidak Digunakan

8. Ukuran Tidak Digunakan

9. Tonase Tidak Digunakan

10. Qty Produksi Tidak Digunakan

11. Tgl BASTPr Tidak Digunakan

12. Kondisi barang baik Digunakan

13. Kondisi barang repair Tidak Digunakan

14. Kondisi barang gagal Tidak Digunakan

Page 46: Universitas Pelita Bangsa

15. Umur Barang Digunakan

16. Status Barang Digunakan

17. Agregat Digunakan

18. Hasil Digunakan

b. Pembersihan Data (Data Cleaning)

Pada proses ini akan dilakukan pembersihan data untuk membuang data yang

missing value yaitu data yang tidak konsisten dan juga memperbaiki data yang rusak.

Proses pembersihan data dilakukan untuk memastikan bahwa data yang telah dipilih

layak untuk dilakukan proses permodelan. Pemilihan atribut / variable tersebut

dengan mempertimbangkan tujuan penulisan, sehingga akan diperoleh beberapa

atribut / variabel yang akan digunakan untuk menjadi masukan atau

variabel input.

Dari data 100 record dengan 18 atribut hanya diambil 6 atribut saja, yaitu

Area produksi, Kondisi barang baik, Umur barang, Status barang, Agregat dan hasil.

Pemilihan data seleksi yang nantinya akan digunakan dalam proses data mining

menggunakan tool yaitu dengan tool Ms.Excel.

Page 47: Universitas Pelita Bangsa

Gambar 3.4. Dataset Yang Sudah Dicleaning

3.5 Transformation

Setelah data sudah dipilih maka akan dilakukan tahapan untuk melakukan

transformasi terhadap atribut, transformasi akan dilakukan untuk memodifikasi

sumber data ke format berbeda yang dapat diterima oleh proses data mining pada

tahap selanjutnya. Transformasi nilai-nilai dari atribut juga perlu dilakukan karena

jangkauan nilai terlalu lebar, sehingga dapat mengakibatkan proses pengenalan pola

Page 48: Universitas Pelita Bangsa

data dan pembentukan pohon keputusan menjadi lama. Berikut adalah hasil dari

trasnformasi atribut :

Tabel 3.3 Hasil Transformasi

NO ATRIBUT NILAI

1 Area Produksi WetCast

DryCast

2 Kondisi Barang Baik Tinggi

Sedang

Rendah

3.6 Pemodelan

Metode yang akan digunakan dalam penelitian ini adalah Algoritma C4.5.

Berikut ini tahapan proses pemodelan dalam penelitian ini:

1. Choosing the appropriate Data Mining taks

Pada tahap ini memilih jenis data mining yang digunakan untuk mengolah data

barang jadi berdasarkan departemen maka dipilih jenis data mining yang akan

digunakan adalah klasifikasi.

Page 49: Universitas Pelita Bangsa

2. Choosing the Data Mining Algorithm

Setelah pemilihan jenis data mining yang akan digunakan yaitu klasifikasi, maka

selanjutnya menentukan algoritma klasifikasi yang akan digunakan. Pada penelitian

ini algoritma yang dipilih adalah Algoritma C4.5.

3. Employing the Data Mining Algorithm

Tahapan ini dilakukan untuk pengolahan data dengan algoritma yang telah dipilih

yaitu dengan menggunakan Algoritma C4.5.

4. Evaluation

Dalam tahap ini dilakukan evaluasi dan menafsirkan pola yang didapatkan dari hasil

algoritma yang dipakai untuk mengetahui aturan, kehandalan, dan lainlain. Evaluasi

dilakukan dengan menerapkan pola yang didapat dari proses sebelumya terhadap

data testing yang disediakan. Evaluasi dilakukan dengan confusion matrix dan kurva

ROC.

Page 50: Universitas Pelita Bangsa

Tabel 3.4 Data Training

No AREA

PRODUKSI

KONDISI

BARANG YANG

BAIK

UMUR BARANG STATUS

BARANG AGREGAT HASIL

1 DryCast Tinggi Diatas 7 hari Urgent Halus Layak Kirim

2 DryCast Tinggi Diatas 7 hari Urgent Halus Belum Layak Kirim

3 DryCast Tinggi Diatas 7 hari Urgent Halus Layak Kirim

4 WetCast Tinggi Diatas 7 hari Urgent Halus Belum Layak Kirim

5 DryCast Sedang 28 hari Normal Kasar Belum Layak Kirim

6 DryCast Sedang 28 hari Normal Halus Layak Kirim

7 DryCast Tinggi 28 hari Normal Kasar Belum Layak Kirim

8 DryCast Tinggi Diatas 7 hari Urgent Halus Layak Kirim

9 DryCast Tinggi Diatas 7 hari Urgent Halus Layak Kirim

10 DryCast Rendah Dibawah 7 hari Urgent Halus Belum Layak Kirim

… ………………….. ………………….. ………………….. ………………….. ………………….. …………………..

… ………………….. ………………….. ………………….. ………………….. ………………….. …………………..

… ………………….. ………………….. ………………….. ………………….. ………………….. …………………..

… ………………….. ………………….. ………………….. ………………….. ………………….. …………………..

… ………………….. ………………….. ………………….. ………………….. ………………….. …………………..

… ………………….. ………………….. ………………….. ………………….. ………………….. …………………..

… ………………….. ………………….. ………………….. ………………….. ………………….. …………………..

79 WetCast Sedang 28 hari Urgent Kasar Belum Layak Kirim

80 DryCast Tinggi Diatas 7 hari Urgent Halus Layak Kirim

Page 51: Universitas Pelita Bangsa

Tabel 3.5 Data Testing

No AREA

PRODUKSI

KONDISI

BARANG YANG

BAIK

UMUR BARANG STATUS

BARANG AGREGAT HASIL

1 DryCast Tinggi Diatas 7 hari Urgent Halus Layak Kirim

2 DryCast Tinggi Diatas 7 hari Urgent Halus Belum Layak Kirim

3 DryCast Tinggi Diatas 7 hari Urgent Halus Layak Kirim

4 WetCast Tinggi Diatas 7 hari Urgent Halus Belum Layak Kirim

5 DryCast Sedang 28 hari Normal Kasar Belum Layak Kirim

6 DryCast Sedang 28 hari Normal Halus Layak Kirim

7 DryCast Tinggi 28 hari Normal Kasar Belum Layak Kirim

8 DryCast Tinggi Diatas 7 hari Urgent Halus Layak Kirim

9 DryCast Tinggi Diatas 7 hari Urgent Halus Layak Kirim

10 DryCast Rendah Dibawah 7 hari Urgent Halus Belum Layak Kirim

… ………………….. ………………….. ………………….. ………………….. ………………….. …………………..

… ………………….. ………………….. ………………….. ………………….. ………………….. …………………..

… ………………….. ………………….. ………………….. ………………….. ………………….. …………………..

… ………………….. ………………….. ………………….. ………………….. ………………….. …………………..

… ………………….. ………………….. ………………….. ………………….. ………………….. …………………..

… ………………….. ………………….. ………………….. ………………….. ………………….. …………………..

… ………………….. ………………….. ………………….. ………………….. ………………….. …………………..

79 WetCast Sedang 28 hari Urgent Kasar Belum Layak Kirim

80 DryCast Tinggi Diatas 7 hari Urgent Halus Layak Kirim

Page 52: Universitas Pelita Bangsa

3.6.1 PENYELESAIAIN DENGAN RUMUS AL GORITMA C.45

Dimana log2 pi bisa diartikan sbb:

Entrophy (total) = (-(7/14)*(ln(7/14)/ln(2))+ (-(5/14)*(ln(5/14)/ln(2))

= 0,979869

Entrophy ( kondisi barang ) = (-(5/8)*(ln(5/8)/ln(2))+ (-(3/8)*(ln(3/8)/ln(2))

= 0,979869

Dst

Kunci pencarian entrophy

- Jika diantara kolom “Ya” atau “Tidak” ada yang bernilai 0 (nol) maka

entrophy-nya di pastikan juga bernilai 0 (nol)

- Jika kolom “Ya” dan “Tidak” mempunyai nilai yang sama maka

entrophy-nya di pastikan juga bernilai 1 (satu)

Page 53: Universitas Pelita Bangsa

Gain (kondisi barang ) = 0,979869 – ( ( (8/12) * 0,979869 ) + ( (4/12) * 1 ) )

= 0,010246

Gain (Hasil ) = 0,979869 – ( ( (8/12) * 0,811278 ) + ( (3/12) * 0, 918296 ) +

( (1/12) * 0 ) )

= 0,209443

3.7 Split Validation

Split Validation merupakan teknik validasi yang membagi data menjadi dua

bagian secara acak, sebagian data training dan sebagian data testing. Data yang sudah

disiapkan untuk klasifikasi dibagi menjadi dua untuk data training dan data testing

menggunakan teknik sampling random sistematik (Systematic Random Sampling).

Cara penggunaan teknik sampling random sistematik ini perandoman atau

pengundian hanya dilakukan satu kali, yakni ketika menentukan unsur pertama dari

sampling yang akan diambil. Penentuan unsur sampling selanjutnya ditempuh

dengan cara memanfaatkan interval sampel.

Interval sampel atau juga disebut sampling rasio diperoleh dengan cara

membagi ukuran populasi dengan ukuran sampel yang dikehendaki (N/n). Hasil

perhitungan untuk mengambil data testing adalah sebagai berikut :

Jumlah populasi (N) = 100

Jumlah data testing = 20% x 100 = 20

Page 54: Universitas Pelita Bangsa

Jumlah sampel (n) = 20

Pembagian data menjadi data training dan data testing pada penelitian ini

menggunakan split ratio 80% untuk data training dan 20 % untuk data testing.

Page 55: Universitas Pelita Bangsa

BAB IV

HASIL DAN PEMBAHASAN

4.1 Hasil

4.1.1 Jumlah Kasus Data Keseluruhan, Data Training dan Data Testing

Data keseluruhan yang digunakan pada penelitian ini sejumlah 100 kasus,

kemudian dilakukan pembagian data menjadi data training sebanyak 80 kasus dan data

testing sebanyak 20 kasus. Metode yang digunakan adalah klasifikasi dengan

algoritma C4.5. Berikut penerapan algoritma C4.5 memakai tool RapidMiner.

Page 56: Universitas Pelita Bangsa

1. Langkah awal pada yaitu membuka aplikasi RapidMiner akan muncul loading

tampilan awal seperti berikut :

Gambar 4.1 Tampilan awal RapidMiner

Setelah loading selesai akan muncul tampilan menu utama sebelum proses.

Page 57: Universitas Pelita Bangsa

Gambar 4.2 Tampilan Menu Utama Sebelum Proses

Setelah muncul tampilan menu utama, tekan New Process untuk memulai proses

pengolahan data.

Page 58: Universitas Pelita Bangsa

Gambar 4.3 Tampilan Utama New Process

Setelah muncul tampilan process selanjutnya pada menu operator cari Read Excel dan

pilih hingga muncul kotak Read Excel pada process.

Gambar 4.4 Tampilan Process Read Excel

Kemudian klik Import Configuration Wizard untuk mengambil data barang jadi

dengan format data excel yang terdapat pada komputer.

Page 59: Universitas Pelita Bangsa

Gambar 4.5 Data Import Wizard

2. Mengolah data training

Menyiapkan data training dari data barang jadi. Pada data import wizard pilih

dataset pada komputer lalu klik data training kemudian next.

Page 60: Universitas Pelita Bangsa

Gambar 4.6 Data Training

Kemudian klik next.

Page 61: Universitas Pelita Bangsa

Gambar 4.7 Hasil keputusan sebagai label

Pilih hasil keputusan sebagai Polinominal dan label, sedangkan yang lainnya sebagai

Polinominal dan Atribut. Setelah itu klik Finish.

Gambar 4.8 Tampilan Process Data Training

Klik di process, lalu klik Menu Edit pilih Insert Building Block kemudian pilih Nominal

Cross Validation lalu klik OK.

Page 62: Universitas Pelita Bangsa

Gambar 4.9 Tampilan Process Validation

Setelah muncul Validation pada Process, geser Validation ke kanan lalu sambungkan

kabel Input ke Read Excel satu kabel, Read Excel ke Validation satu kabel dan

Validation ke res empat kabel. Kemudian klik Run.

Sebelum klik Run perlu diketahui didalam Validation tedapat sub proses yang tediri

dari beberapa operator yang nantinya akan menampilkan hasil akurasi dan hasil

klasifikasi data dari data training yang sebelumnya sudah kita import, pada kolom

parameter terdapat number of folds yang artinya validation akan membagi dataset

menjadi 1-10 data akan digunakan menjadi testing dan 9-10 lainnya akan digunakan

menjadi training.

Page 63: Universitas Pelita Bangsa

Gambar 4.10 Tampilan Sub Process Validation

Pada sub proses training terdapat Decision Tree yaitu salah satu metode Clasification

yang nantinya dapat diketahui atribut yang paling berpengaruh dalam pembuatan

decision tree dan pada sub proses testing terdapat Apply Model dan Performance

proses ini nantinya dapat mengetahui akurasi data yang diperoleh.

4.1.2 Hasil Process Validation

Beberapa data hasil pengukuran Confusion Matrix:

Page 64: Universitas Pelita Bangsa

Gambar 4.11 Hasil pengukuran Data Accuracy Training

Hasil pengukuran data accuracy yang diperoleh dari data training mencapai 81.25%

dengan +/-11.52% (mikro: 81.25%). Dari data tersebut diketahui prediksi layak Kirim

dengan true layak Kirim mencapai 47 barang dan true Belum Layak Kirim sebanyak

9 barang, dengan pencapaian class precision 88.68%. Sedangkan untuk prediksi

Belum Layak Kirim dengan true layak Kirim sebanyak 6 barang dan untuk true Belum

Layak Kirim mencapai 18 barang dengan pencapaian class precision 66.67%. Untuk

class recall dengan true layak Kirim mencapai 83.93% sedangkan untuk class recall

dengan true Belum Layak Kirim mencapai 75.00%.

Page 65: Universitas Pelita Bangsa

Gambar 4.12 Hasil Pengukuran Data Precision

Hasil pengukuran data precision yang diperoleh dari data training mencapai

64.17% dengan +/-21.10% (mikro: 66.67%) dengan positive class “Belum Layak

Kirim”. Dari data tersebut diketahui prediksi Layak Kirim dengan true Layak Kirim

mencapai 47 barang dan true Belum Layak Kirim sebanyak 9 Barang, dengan

pencapaian class precision 88.68%. Sedangkan untuk prediksi Belum Layak Kirim

dengan true Layak Kirim sebanyak 6 barang dan untuk true Belum Layak Kirim

mencapai 18 barang dengan pencapaian class precision 66.67%. Untuk class recall

dengan true Layak Kirim mencapai 83.93% sedangkan untuk class recall dengan true

Belum layak Kirim mencapai 75.00%.

Page 66: Universitas Pelita Bangsa

Gambar 4.13 Hasil pengukuran Recall Data

Hasil pengukuran recall data yang diperoleh dari data training mencapai 71.67%

dengan +/-23.63% (mikro: 75.00%) dengan positive class “Belum Layak kirim”.

Dari data tersebut diketahui prediksi layak kirim dengan true layak kirim mencapai 47

barang dan true belum layak sebanyak 9 barang, dengan pencapaian class precision

88.68%. Sedangkan untuk prediksi belum layak kirim dengan true layak kirim

sebanyak 6 barang dan untuk true belum layak kirim mencapai 18 barang dengan

pencapaian class precision 66.67%. Untuk class recall dengan true layak kirim

mencapai 83.93% sedangkan untuk class recall dengan true belum layak kirim

mencapai 75.00%.

Page 67: Universitas Pelita Bangsa

Gambar 4.14 Kurva ROC AUC (optimistic)

Hasil perhitungan divisualisaikan dengan kurva ROC (Receiver Operating

Characteristic) atau AUC (Area Under Curve) optimistic. ROC memiliki tingkat

diagnose yaitu :

1. Akurasi bernilai 0.90 – 1.00 = excellent classification

2. Akurasi bernilai 0.80 – 0.90 = good classification

3. Akurasi bernilai 0.70 – 0.80 = fair classification

4. Akurasi bernilai 0.60 – 0.70 = poor classification

5. Akurasi bernilai 0.50 – 0.60 = failure

Page 68: Universitas Pelita Bangsa

Nilai dari kurva ROC (Receiver Operating Characteristic) diketahui dari AUC (Area

Under Curve) optimistic dengan hasil sebesar 0.913 dengan +/-0.087 (mikro:

0.913) serta dengan positive class “Belum Layak kirim”, itu berarti hasil klasifikasi

penelitian ini masuk kedalam tingkat diagnose excellent classification.

Untuk mengetahui Performace Vector yang diperoleh adalah sebagai

berikut :

Gambar 4.15 Performace Vector

Pembentukan pola-pola dengan perhitungan, maka diperoleh decision tree untuk

mengklasifikasi barang jadi sebagai berikut :

Page 69: Universitas Pelita Bangsa

Gambar 4.16 Decision Tree atau Pohon Keputusan

Berdasarkan decision tree maka diperoleh rule untuk klasifikasi barang jadi sebagai

berikut :

Tabel 4.1 Rule Decision Tree

Rule Keterangan Rule

R1 Jika agregat “kasar” maka “belum layak kirim”

R2 Jika agregat “halus” dan umur barang “28 hari” maka “layak kirim”

R3 Jika agregat “halus” dan umur barang “diatas 7 hari” maka “layak

Kirim”

Page 70: Universitas Pelita Bangsa

R4 Jika agregat “halus” dan umur barang “dibawah 7 hari” dan area

produksi “drycast” dan kondisi barang baik “rendah” maka “belum

layak kirim”

R5 Jika agregat “halus” dan umur barang “dibawah 7 hari” dan area

produksi “drycast” dan kondisi barang baik “sedang” maka “layak

kirim”

R6 Jika agregat “halus” dan umur barang “dibawah 7 hari” dan area

produksi “drycast” dan kondisi barang baik “tinggi” maka “Belum

layak kirim”

R7 Jika agregat “halus” dan umur barang “dibawah 7 hari” dan area

produksi “wetcast” dan kondisi barang baik “sedang” maka “belum

layak kirim”

R8 Jika agregat “halus” dan umur barang “dibawah 7 hari” dan area

produksi “wetcast” dan kondisi barang baik “tinggi” maka “layak

kirim”

4.1.3 Akurasi Prediksi

Proses klasifikasi dengan RapidMiner menggunakan metode algoritma

decision tree C4.5 pada data barang jadi ini untuk membandingkan data testing dengan

data training yang sudah diketahui rule-rulenya sebelumnya. Berikut langkahnya:

Page 71: Universitas Pelita Bangsa

Pada tampilan process masukan operator Read Excel masukan masingmasing

data training dan data testing, selanjutnya masukan operator Decision Tree, Apply

Model, dan Performance dan sambungkan kabel seperti gambar dibawah ini.

Gambar 4.17 Proses Training dan Testing

Dengan mengetahui jumlah data yang diklasifikasikan secara benar maka dapat

diketahui akurasi hasil prediksi yaitu 70.00% dari hasil data testing.

Page 72: Universitas Pelita Bangsa

Gambar 4.18 Hasil Akurasi data Testing

Hasil pengukuran data accuracy yang diperoleh dari data testing mencapai 70.00%.

Dari data tersebut diketahui prediksi layak kirim dengan true layak kirim mencapai 11

barang dan true belum layak kirim sebanyak 3 barang, dengan pencapaian class

precision 78.57%. Sedangkan untuk prediksi belum layak kirim dengan true layak

kirim sebanyak 3 barang dan untuk true belum layak kirim mencapai 3 barang dengan

pencapaian class precision 50.00%. Untuk class recall dengan true layak kirim

mencapai 78.57% sedangkan untuk class recall dengan true belum layak kirim

mencapai 50.00%.

Hasil analisa data testing dengan data training pada RapidMiner dapat dilihat pada

gambar di bawah ini.

Page 73: Universitas Pelita Bangsa

Gambar 4.19 Hasil Prediksi RapidMiner

Hasil penerapan data testing terhadap data training sebagai berikut :

Jumlah data testing : 20

Page 74: Universitas Pelita Bangsa

Jumlah data yang diprediksi benar : 14

Jumlah data yang diprediksi salah : 6

4.1.4 Akurasi Precision Dan Recall

Dari hasil pengujian dapat diketahui nilai precision, recall, dan accuracy untuk

setiap percobaan. Perhitungan rata-rata dari semua percobaan menghasilkan nilai

precision, recall, dan accuracy masing-masing 67%, 44%, dan 60% . Nilai precision

tertinggi dari semua percobaan yaitu 83%, sedangkan nilai precision terendah dari

semua percobaan yaitu 56%. Untuk Nilai recall tertinggi dari semua percobaan yaitu

50%, sedangkan nilai recall terendah dari semua percobaan yaitu 20%. Nilai accuracy

tertinggi dari semua percobaan yaitu 70%, sedangkan nilai accuracy terendah dari

semua percobaan yaitu 55%. Perbandingan nilai precision, recall, dan accuracy untuk

setiap percobaan dapat divisualisasikan dalam bentuk grafik seperti pada Gambar 11.

Dari grafik tersebut dapat dilihat bahwa besar kecilnya jumlah data latih tidak selalu

berbanding lurus dengan nilai precision, recall, dan accuracy dari data uji.

4.2 Analisa Hasil Pengujian

Untuk analisa hasil pengujian dapat di simpulkan Hasil pengukuran

data accuracy yang diperoleh dari data testing mencapai 70.00%. Dari data tersebut

diketahui prediksi layak kirim dengan true layak kirim mencapai 11 barang dan true

belum layak kirim sebanyak 3 barang, dengan pencapaian class precision 78.57%.

Sedangkan untuk prediksi belum layak kirim dengan true layak kirim sebanyak 3

Page 75: Universitas Pelita Bangsa

barang dan untuk true belum layak kirim mencapai 3 barang dengan pencapaian class

precision 50.00%. Untuk class recall dengan true layak kirim mencapai 78.57%

sedangkan untuk class recall dengan true belum layak kirim mencapai 50.00%. Dari

hasil pengujian dapat diketahui nilai precision, recall, dan accuracy untuk setiap

percobaan. Perhitungan rata-rata dari semua percobaan menghasilkan nilai precision,

recall, dan accuracy masing-masing 67%, 44%, dan 60% . Nilai precision tertinggi

dari semua percobaan yaitu 83%, sedangkan nilai precision terendah dari semua

percobaan yaitu 56%. Untuk Nilai recall tertinggi dari semua percobaan yaitu 50%,

sedangkan nilai recall terendah dari semua percobaan yaitu 20%. Nilai accuracy

tertinggi dari semua percobaan yaitu 70%, sedangkan nilai accuracy terendah dari

semua percobaan yaitu 55%. Perbandingan nilai precision, recall, dan accuracy untuk

setiap percobaan dapat divisualisasikan dalam bentuk grafik seperti pada Gambar 11.

Dari grafik tersebut dapat dilihat bahwa besar kecilnya jumlah data latih tidak selalu

berbanding lurus dengan nilai precision, recall, dan accuracy dari data uji. Dan hasil

dari semua data yang diuji menggunakan rapidminer dapat disimpulkan bahawa hasil

nya hampir di atas 50% prediksi barang jadi CV. DHARMA BHAKTI untuk layak

kirim ke customer.

Page 76: Universitas Pelita Bangsa

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil penelitian yang penulis lakukan pada CV. DHARMA

BHAKTI, maka penulis dapat menarik kesimpulan bahwa memprediksi penjualan

data barang jadi dapat menentukan pengiriman barang dengan menggunakan metode

Data Mining khususnya Algoritma C4.5.

1. Dari metode Decision Tree Algoritma C4.5 diketahui bahwa atribut agregat adalah

atribut yang paling berpengaruh pada hasil klasifikasi dalam menentukan

pengiriman.

2. Dari hasil perhitungan data training data barang jadi dengan algoritma C4.5

menghasilkan akurasi sebanyak 81.25% dan juga diperoleh pohon keputusan yang

memiliki rule-rule didalamnya sehingga dapat dengan mudah mengambil

keputusan dengan melihat rule yang sudah ada.

3. Berdasarkan Decision Tree Algoritma C4.5 diperoleh rule untuk

mengklasifikasikan data barang jadi untuk menentukan pengiriman barang dengan

dua kategori yaitu (LAYAK KIRIM) jika agregat halus, umur barang 28 hari,

produksi drycast dan kondisi barang baik sedang. Sedangkan (BELUM LAYAK

Page 77: Universitas Pelita Bangsa

KIRIM) jika agregat halus, umur barang dibawah 7 hari, area produksi drycast dan

kondisi barang baik rendah.

5.2 Saran

Berdasarkan hasil penelitian dan pembahasan serta kesimpulan, maka berikut

adalah beberapa saran untuk pengembangan skripsi ini.

1. Dalam menggunakan algoritma C4.5 untuk melakukan klasifikasi, harus dilakukan

pemilihan variabel yang tepat agar hasil dari pohon keputusan lebih akurat.

2. Sebagai pendukung dan panutan dalam pengambilan keputusan pengiriman barang

ke customer di CV. DHARMA BHAKTI.

3. Selanjutnya penulis menyarankan agar dapat membandingkan metode

pangambilan keputusan dengan metode Data Mining dengan metode lainnya.

Page 78: Universitas Pelita Bangsa

DAFTAR PUSTAKA

Khoirunisa. (2016). Analisis Dan Implementasi Perbandingan Algoritma C 4.5 Dengan

Naïve Bayes Untuk Prediksi Penawaran Produk. e-Proceeding of Engineering : Vol.3, No.3

December 2016 | Page 78.

Winata. (2017). Analisis Dan Prediksi Penjualan Produk Terlaris Distro “Root Shoes”

Dengan Aplikasi Android. E comers html : Vol.4, No.27

Danar. (2016). Implementasi Metode Last Square Untuk Prediksi Penjualan Tahu

Pong. Jurnal Ilmiah NERO Vol. 2, No.2

Wahyuni. (2017). Implrmntasi Rapidminer Dalam Menganalisa Data Mahasiswa Drop

Out Vol. 10 No2 Desember 2017 ISSN : 1979-5408

Mujab. (2012). Pencarian Model Terbaik Antar Algoritma C4.5 Dan C4.5 Berbasis

Particle Swarm Optimation Untuk Prediksi Prmosi Deposito. DATA MINING : Vol.76,

No.04.

Fitriana. (2015). Penerapan Data Mining dalam Memprediksi Pembelian cat.

Konferensi Nasional Sistem & Informatika 2015.

Gunadi. (2012). Penerapan Metode Data Mining Market Basket Analisis Terhadap

Data Penjualan Prouk Buku Dengan Menggunakan Algotima Apriori Dan Frequent

Pattrent Growth (FP-GROWTH) : Studi Kasus Percetakan PT. GRAMEDIA. Jurnal

TELEMATIKA MKOM Vol.4 No.1.

Page 79: Universitas Pelita Bangsa

Sembiring. (2016). Penerapan Metode Decission Treall Algoritma C45 Untuk

Memprediksi Hasil Belajar Mahasiswa Berdasarkan Riwayat Akademik. Jurteksi,

Volume 3 Nomor 1 Halaman 1 – 65 ISSN 2407-1811.

Purwanto. (2016). Peramalan Penjualan Mobil

Menggunakan jaringan Syaraf Tiruan dan Certainty Facto

Jurnal EECCIS Vol. 6,

Elisa. (2017). Prediksi Keberhasilan Telemarketing Bank Untuk Mencari Algoritma

Dengan Peforma Terbaik. Jurnal VOL. 2. NO. 2 E-ISSN: 2527-4864.

Weneda. (2014). PREDIKSI PENJUALAN BARANG PADA ALFAMART

REMBANG MENGGUNAKAN EXPONENTIAL SMOOTHING. Extion Smothing

Jurnal EECCIS Vol. 50,No. 3

SENTIKA. (2018). Seminar Nasional Teknologi Informasi Dan

Komunikasi.Yogyakarta : Rahman.

Page 80: Universitas Pelita Bangsa

DAFTAR RIWAYAT HIDUP

1. Biodata Mahasiswa

Nama : : Irwansyah

Tempat Tanggl Lahir : Bekasi, 16 September 1995

Agama : Islam

Tinggi Badan : 178 cm

Berat Badan : 75 Kg

Alamat : Kp. Jagawana RT.004/RW.004 Desa

Sukarukun Kecamatan Sukatani Bekasi

17637

Agama : Islam

Handphone : 0895604165005

: 081381063885

Email : [email protected]

2. Riwayat Pendidikan Formal Dan Non Formal

1. SD Negeri Sukarukun 01 Tahun 2001 – 2006

2. SMP Negeri 5 Cikarang Utara Tahun 2007- 2010

3. SMK Negeri 1 Tambelang Tahun 2010 – 2013

3. Riwayat Pekerjaan / Organisasi

1. PT. SUPERNOVA FP CIKARANG Masa Kerja 02 Januari 2017 s/d

Sekarang Sebagai ADM PODUKSI.

Page 81: Universitas Pelita Bangsa