PERANCANGAN APLIKASI DATA MINING UNTUK MEMPREDIKSI

Jurnal Murni Sadar

51Vol. 7 No. 1 April 2017

PERANCANGAN APLIKASI DATA MINING UNTUK MEMPREDIKSIPENJUALAN MENGGUNAKAN METODE DECISION TREE PADA APOTIK

THS PEMATANGSIANTAR

Victor Marudut Mulia Siregar(Politeknik Bisnis Indonesia)

Abstrak

Penelitian ini bertujuan untuk merancang dan membangun sebuah aplikasi data miningyang berfungsi untuk memprediksi penjualan dan membantu mengoptimalkan pengolahan datasehingga memudahkan pengambilan keputusan dan meningkatkan pelayanan terhadap pelanggan.Data mining adalah proses analisis data menggunakan perangkat lunak untuk menemukan poladan aturan dalam kumpulan data. Data mining dapat menganalisa data dalam jumlah besarmenjadi informasi dalam bentuk pola yang memiliki makna bagi pendukung keputusan. Salah satuteknik data mining adalah proses klasifikasi yaitu mencari model atau fungsi yangmenggambarkan atau membedakan konsep atau kelas data, agar bisa memprediksi label kelasdari objek yang tidak diketahui. Preancangan perangkat lunak ini mengggunakan metode decisiontree klasifikasi algoritma C4.5. Analisis persentase nilai kebenaran dan hasil klasifikasi pohondibuat dengan pemrograman PHP dan MySQL. Hasil penelitian menunjukkan bahwa pohon yangdihasilkan dari perangkat lunak yang dibuat dengan metode decision tree dengan algoritma C4.5memiliki persentase 66,67% antara pohon kebenaran sampai 100%. Persentase besar pohonkebenaran sangat dipengaruhi oleh data pelatihan yang digunakan untuk membangun modelpohon.

.Keywords: Data Mining, Algorithms C4.5, PHP and My SQL

PENDAHULUANDunia teknologi informasi saat ini sedang berkembang dengan cepat. Perkembangan ini

menyebabkan kebutuhan masyarakat akan data dan informasi semakin meningkat. Untukmengolah data tersebut dibutuhkan sebuah sistem terkomputerisasi dengan menggunakandatabase. Data yang dulunya hanyalah sesuatu data yang tertumpuk dan tidak diolah lebih lanjut,saat ini telah diolah sehingga mendapatkan suatu informasi baru.

Apotik THS Pematangsiantar dalam penyajian stok barang terhadap konsumennya, terkadangsulit untuk memenuhi barang yang diminta konsumennya. Hal ini diakibatkan oleh menumpuknyastok obat sejenis di gudang, sementara untuk jenis obat yang lain sama sekali tidak ada persediaan.

Untuk mengatasi kendala-kendala tersebut, maka dibuat aplikasi data mining untukmemprediksi penjualan obat-obatan pada Apotik THS dengan menggunakan metode decision tree.Aplikasi data mining ini dapat dijadikan sebagai penujang keputusan untuk menyajikan data secaracepat, serta mampu memberikan informasi mengenai obat yang laris terjual dan yang dibutuhkanpelangan.

Dengan adanya aplikasi data mining ini diharapkan Apotik THS nantinya akan lebihmengetahui barang yang diminati konsumen, sehingga dapat menyediakan stok barang yangdiminati oleh konsumennya.

DASAR TEORIRekayasa Perangkat Lunak

Rekayasa perangkat lunak (software engineering) merupakan pembangunan denganmenggunakan prinsip atau konsep rekayasa dengan tujuan menghasilkan perangkat lunak yang

Jurnal Murni Sadar


bernilai ekonomi yang dipercaya dan bekerja secara efisien menggunakan mesin [7]. Perangkatlunak banyak dibuat pada akhirnya sering tidak digunakan karena tidak memenuhi kebutuhanpelanggan atau bahkan karena masalah non-teknis seperti keengganan pemakai perangkat lunak(user) untuk mengubah cara kerja dari manual ke otomatis, atau ketidakmampuan usermenggunakan komputer. Oleh karena itu, rekayasa perangkat lunak dibutuhkan agar perangkatlunak yang dibuat tidak hanya menjadi Perangkat lunak yang tidak terpakai.

Pekerjaan yang terkait dengan rekayasa perangkat dapat dikategorikan menjadi tiga buahkategori umum tanpa melihat area dari aplikasi, ukuran proyek perangkat lunak yang dibuat. Setiapfase dialamatkan pada satu atau lebih pertanyaan yang diajukan sebelumnya.

Fase pendefinisian fokus pada "what" yang artinya harus mencari tahu ataumengidentifikasi informasi apa yang harus diproses, seperti apa fungsi dan performansi yangdiinginkan, apa kriteria validasi yang dibutuhkan untuk mendefinisikan sistem.

Fase pengembangan yang fokus pada "how" yang artinya selama tahap pengembanganperangkat lunak seorang perekayasa perangkat lunak harus berussaha mendefinisikan bagaimanadata distrukturkan dan bagaimana fungsi-fungsi yang dibutuhkan diimple- mentasikan, bagaimanakarakter antar muka tampilan, bagaimana design ditranslasikan ke bahasa pemrograman, danbagaimana pengujian akan dijalankan.

Fase pendukung (support phase) fokus pada perubahan yang terasosiasi pada perbaikankesalahan (error), adaptasi yang dibutuhkan pada lingkungan perangkat lunak yang terlibat, danperbaikan yang terjadi akibat perubahan kebutuhan pelanggan.

Fase pendukung terdiri dari empat tipe perubahan antara lain [8]:a. Koreksi (correction)b. Adaptasi (adaptation)c. Perbaikan (enhancement)d. Pencegahan (prevention)

Model WaterfallModel Software Development Life Cicle (SDLC) air terjun (waterfall) sering juga disebut

model sekuensial linear (sequential linear) atau alur hidup klasik[5]. model air terjun menyediakanpendekatan alur hidup perangkat lunak secara sekuensial atau berturut-turut dimulai dari analisis,desain, pengkodean, pengujian, dan tahap pendukung.

UML (Unified Modelling Language)Unified Modelling Language (UML) adalah sebuah “bahasa” yang telah menjadi standar

dalam industri untuk visualisasi, merancang dan mendokumentasikan sistem piranti lunak. UMLmenawarkan sebuah standar untuk merancang model sebuah sistem. Dengan menggunakan UMLdapat dibuat model untuk semua jenis aplikasi piranti lunak, dimana aplikasi tersebut dapatberjalan pada piranti keras, sistem operasi dan jaringan apapun, serta ditulis dalam bahasapemrograman apapun [10].

UML menyediakan 9 jenis diagram yang dapat dikelompokkan berdasarkan sifatnya statisatau dinamis, antara lain :1. Diagram KelasDiagram kelas bersifat statis. Diagram ini memperlihatkan himpunan kelas-kelas, antarmuka-antarmuka, kolaborasi-kolaborasi serta relasi.2. Diagram ObjekDiagram objek bersifat statis. Diagram ini memperlihatkan objek-objek serta relasi antar objek.Diagram objek memperlihatkan instansiasi statis dari segala sesuatu yang dijumpai pada diagramkelas.

Jurnal Murni Sadar


3. Use case DiagramDiagram ini bersifat statis. Diagram ini memperlihatkan himpunan use case dan aktor-aktor (suatujenis khusus dari kelas). Diagram ini terutama sangat penting untuk mengorganisasi danmemodelkan perilaku dari suatu sistem yang dibutuhkan serta diharapkan pengguna.4. Sequence Diagram (Diagram urutan)Diagram ini bersifat dinamis. Diagram sequence merupakan diagram interaksi yang menekankan

pada pengiriman pesan (message) dalam suatu waktu tertentu.5. Collaboration DiagramDiagram ini bersifat dinamis. Diagram kolaborasi adalah diagram interaksi yang menekankanorganisasi struktural dari objek–objek yang menerima serta mengirim pesan (message).6. Statechart DiagramDiagram ini bersifat dinamis. Diagram ini memperlihatkan state – state pada sistem, memuatstate, transisi, event, serta aktifitas. Diagram ini terutama penting untuk memperlihatkan sifatdinamis dari antarmuka, kelas, kolaborasi dan terutama penting pada pemodelan sistem – sistemyang reaktif.7. Activity DiagramDiagram ini bersifat dinamis. Diagram ini adalah tipe khusus dari diagram state yangmemperlihatkan aliran dari suatu aktifitas ke aktifitas lainnya dari suatu sistem. Diagram initerutama penting dalam pemodelan fungsi – fungsi dalam suatu sistem dan memberi tekananpada aliran kendali antar objek.8. Component DiagramDiagram ini bersifat statis. Diagram ini memperlihatkan organisasi serta kebergantungan padakomponen-komponen yang telah ada sebelumnya. Diagram ini berhubungan dengan diagramkelas dimana komponen secara tipikal dipetakan ke dalam satu atau lebih kelas- kelas,antarmuka-antarmuka serta kolaborasi – kolaborasi.9. Deployment DiagramDiagram ini bersifat statis. Diagram ini memperlihatkan konfigurasi saat aplikasi dijalankan (saatrun time). Dengan ini memuat simpul-simpul (node) beserta komponen-komponen yang ada didalamnya. Deployment diagram berhubungan erat dengan diagram kompoen dimana deploymentdiagram memuat satu atau lebih komponen – komponen. Diagram ini sangat berguna saat aplikasiberlaku sebagai aplikasi yang dijalankan pada banyak mesin (distributed computing).

Ke 9 diagram ini tidak mutlak harus digunakan dalam pengembangan perangkat lunak,semua dibuat sesuai dengan kebutuhan [10].

Data miningData mining adalah proses yang mengunakan teknik statistik, matematika, kecerdasan

buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yangbermanfaat dan pengetahuan yang terkait dari berbagai database besar [1].

Ketika kita dihadapkan kepada sejumlah data dari suatu objek atau kejadian, kita perlumengolahnya untuk mendapatkan manfaat dari data itu. Kita perlu mengenali polanya sehinggakita akan menemukan kecenderungan dari data tersebut. Misalkan data itu tentang produk obat-obatan, mungkin kita bisa mengelompokkan berdasarkan type atau bentuk obat tersebut. Setelahproses pengelompokan ini mungkin kita akan dapat memprediksi berdasar kategori dari bentukobat dan produk dengan nilai tertentu. Kemudian kita dapat melakukan analisa lebih jauh,mengenai pola data obat-obatan tersebut. Misalnya kecenderungan jika sebuah rumah sakit ataupun apotik lebih sering menginginkan berbentuk pil maka pasokan obat-obatan yang berbentuk pilakan diperbanyaknya dibulan berikutnya.

Jurnal Murni Sadar


Kemudian kita dapat juga melakukan prediksi atas apa yang akan terjadi pada jangkawaktu kedepannya berdasar data masa sebelumnya berkaitan dengan data jumlah penjualantersebut Jadi pengenalan pola adalah suatu disiplin ilmu yang mempelajari bagaimana kitamengelompokkan obyek ke berbagai kelas dan bagaimana dari data bisa kita temukankecenderungannya. Yang pertama mengacu pada kasus klasifikasi dan yang kedua mengacu padaregresi. Data mining juga mengacu pada langkah- langkah menentukan variable atau fitur yangpenting untuk dipakai dalam klasifikasi dan regresi. Data mining memegang peranan pentingdalam bidang industry, keuangan, cuaca, ilmu dan teknologi.Berikut ini adalah beberapa contoh yang memperlihatkan masalah-masalah dalam data mining [9]:1. Memprediksi harga suatu saham dalam beberapa bulan kedepan berdasarkan performansi

perusahaan dan data-data ekonomi.2. Memprediksi apakah seorang pasien yang

diopname akan mendapat serangan jantung berikutnya berdasarkan catatan kesehatansebelumnya dan pola makanannya.

3. Memprediksi permintaan semen dalam beberapa tahun mendatang berdasarkan data permintaansemen di tahun-tahunsebelumnya.

4. Memprediksi apakah akan terjadi tornado berdasarkan informasi dari sebuah radartentangkondidsi angin dan kondisi atmosfir yang lain.

5. Identifikasi apakah sudah terjadi penipuan terhadap kartu kredit dengan melihat catatan transaksiyang tersimpan dalam database perusahaan kartu kredit.

ClassificationSuatu teknik dengan melihat pada kelakuan dan atribut dari kelompok yang telah

didefinisikan.Teknik ini dapat memberikan klasifikasi pada data baru dengan memanipulasi datayang ada yang telah diklasifikasi dan dengan menggunakan hasilnya untuk memberikan sejumlahaturan. Aturan-aturan tersebut digunakan pada data-data baru untuk diklasifikasi.

Dalam klasifikasi, keluaran dari dari setiap data adalah bilangan bulat atau disktrit. Dalamcontoh pengambilan keputusan untuk main bola atau tidak maka keuaran tersebut bias diubah kebilangan bulat 1 atau -1. Dengan melihat keluaran yang berupa bilangan bulat kita bias menerapkanmetod klasifikasi [9].

Dalam klasifiksi, terdapat target variable kategori. Sebagai contoh penggolonganpendapatan dapat dipisahkan dalam 3 kategori, yaitu pendapatan tinggi, rendah dan sedang.

Contoh lain klasifikasi dalam bisnis dan penelitian adalah [4] :1. Menentukan apakah suatu transaksi kartu kredit merupakan transaksi yang curang atau bukan2. Memperkirakan apakah suatu pengajuan hipotek oleh nasabah merupakan suatu kredit yang

baik atau buruk3. Mendiagnosis penyakit seorang pasien untuk mendapatkan kategori penyakit.

Decision TreeDalam decision tree tidak menggunakan vector jarak untuk mengklasifikasikan obyek.

Seringkali data observasi mempunyai atribut-atribut yang bernilai nominal, misalkan obyeknyaadalah sekumpulan buah-buahan yang bisa dibedakan berdasarkan atribut bentuk, warna, ukurandan rasa. Bentuk, warna, ukuran dan rasa adalah besaran nominal, yaitu bersifat kategoris dan tiapnilai tidak bisa dijumlahkan atau dikurangkan. Dengan nilai-nilai atribut ini, kemudian dibuatdecision tree untuk menentukan suatu obyek termasuk jenis buah apa jika nilai tiap-tiap atributdiberikan [9].

Jurnal Murni Sadar


Gambar 1. Decision tree

Ada beberapa macam algoritma decision tree diantaranya CART dan C4.5. Beberapa isuutama dalam decision tree yang menjadi perhatian yaitu seberapa detail dalam mengembangkandecision tree, bagaimana mengatasi atribut yang bernilai continues, memilih ukuran yang cocokuntuk penentuan atribut, menangani data training yang mempunyai data yang atributnya tidakmempunyai nilai, memperbaiki efisiensi perhitungan [1].

Algoritma C.45Algoritma C4.5 diperkenalkan oleh J. Ross Quinlan yang merupakan pengem-bangan dari

algoritma ID3, algoritma tersebut digunakan untuk membentuk pohon keputusan [4]. Pohonkeputusan dianggap sebagai salah satu pendekatan yang paling populer. Dalam klasifikasi pohonkeputusan terdiri dari sebuah node yang membentuk akar. Node akar tidak memiliki input. Nodelain yang bukan sebagai akar tetapi memiliki tepat satu input disebut node internal atau test node,sedangkan node lainnya dinamakan daun. Daun mewakili nilai target yang paling tepat dari salahsatu class.

Pohon keputusan dibuat dengan membagi nilai-nilai atribut menjadi cabang untuk setiapkemungkinan. Cara kerja pohon keputusan yaitu dengan melakukan penelusuran dari akar hinggake cabang sampai class suatu objek ditemukan. Instance diklasifikasikan dengan mengarahkan dariakar pohon sampai ke daun sesuai dengan hasil tes melalui node internal[4].

Pada dasarnya konsep dari algoritma C4.5 adalah mengubah data menjadi pohonkeputusan dan aturan-aturan keputusan (rule). C4.5 adalah algoritma yang cocok untuk masalahklasifikasi dan data mining. C4.5 memetakan nilai atribut menjadi class yang dapat diterapkanuntuk klasifikasi baru [13].

Pohon keputusan merupakan metode klasifikasi dan metode prediksi yang sangat kuat danterkenal. Metode pohon keputusan mengubah fakta yang sangat besar menjadi pohon keputusanyang sangat dapat dengan mudah dipahami dengan bahasa alami. Dan mereka juga dapatdiekspresikan dalam bentuk bahasa basis data seperti structured query language untuk mencarirecord pada kategori tertentu [4].

Menurut Berry & Linoff, sebuah pohon keputusan adalah struktur yang dapat digunakanuntuk membagi kumpulan data yang sangat besar menjadi himnpunan-himpunan record yang lebihkecil dengan menerapkan serangkaian pembagian, anggota himpunan hasil menjadi mirip satudengan lain [4].

Jurnal Murni Sadar


Sebuah model pohon keputusan terdiri dari sekumpulan aturan untuk membagi sejumlahpopulasi yang heterogen menjadi lebih kecil, lebih homogennya dengna memperhaikan padamodel variable tujuannya.

Sebuah pohon keputusan mungkin dibangun dengan seksama secara manual atau dapattumbuh secara otomatis dengan menerapakan salah satu atau beberapa algoritma pohon keputusanuntuk memodelkan himpunan data yang belum terklarifikasi

Variabel tujuan biasanya di kelompokkan dengan pasti dan model pohon keputusan lebihmengarah pada perhitungan probabilitas dari tiap-tiap record terhadap kategori-kategori tersebutatau untuk mengklasifikasikan record dengan mengelompokkan dalam satu kelas.

Pohon keputusan juga dapat digunakan untuk mengestimasi nilai dari variabel continuemeskipun ada beberapa teknik yang lebih sesuai untuk kasus ini.

Banyak algoritma yang dapat dipakai dalam pembentukan pohon keputusan, antara lainID3, CART, dan C4.5. Algoritma C4.5 merupakan pengembangan dari ID3 [4].

Data dalam pohon keputusan biasanya dinyatakan dalam bentuk tabel dengan atribut danrecord. Atribut biasanya dinyatakan dengan suatu parameter yang dibuat sebagai kriteria dalampembentukan pohon. Misalkan untuk menentukan main tenis, kriteria yang diperhatikan adalahcuaca, angin, dan temperatur. Salah satu atribut merupakan atribut yang menyatakan data solusiper item data yang disebut target atribut. Atribut memiliki nilai-nilai yang dinamakan denganinstance. Misalkan atribut cuaca mempunyai instance berupa cerah berawan, dan hujan [4].

Proses pada pohon keputusan adalah mengubah bentuk data (tabel) menjadi model pohon,mengubah model pohon menjadi rule.

Secara umum algoritma C4.5 untuk membangun pohon keputusan adalah sebagai berikut:1. Pilih atribut sebagai akar2. Buat cabang untuk masing-masing nilai3. Bagi kasus dalam cabang4. Ulangi proses untuk masing-masing cabang sampai semua kasus pada cabang memiliki kelas

yang sama.

Untuk memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari atribut-atributyang ada. Untuk menghitung Entropy digunakan rumus seperti tertera dalam persamaan berikut:

Entropy (S)∑_(i=1)^n▒〖-pi*log2 pi〗….(1)Keterangan :S : himpunan kasusA : fiturn : jumlah partisi Spi : proporsi dari Si terhadap S

Sementara itu, perhitungan nilai Gain dapat dilihat pada persamaan sebagai berikut:Gain(S, A) = Entropy(S)-∑_(i=1)^n▒(│Si│)/(│S│)*Entropy(Si)..(2)

Keterangan :S : himpunan kasusA : atributn : jumlah partisi atribut A|Si| : jumlah kasus pada partisi ke-i|S| : jumlah kasus dalam S

Jurnal Murni Sadar


PHP Dan MySQLPHP adalah bahasa server-side scripting yang menyatu dengan HTML untuk membuat

halaman web yang dinamis. Maksud dari server-side scripting adalah sintaks dan perintah-perintahyang diberikan akan sepenuhnya akan dijalankan diserver tetapi disertakan pada dokumen HTML.Pembuatan web ini merupakan kombinasi antara php sendiri sebagai bahasa pemrograman danHTML sebagai pembangun halaman web [11].

MySQL adalah Relational Database Management System (RDBMS) yangdidistribusikan secara gratis dibawah lisensi GPL (General Public License) [11]. MySQLmerupakan software sistem manajemen database (Database Management System – DBMS) yangsangat popular di kalangan pemrograman web, terutama di lingkungan Linux denganmenggunakan skrip dan ped.

Fungsi MySQL dapat dikatakan sebagai interpreter query, karena setiap kita menggunakanquery SQL kita harus meletakkannya di dalam fungsi ini. Dengan kata lain, SQL tidak dapatdijadikan tanpa adanya fungsi MySQL. Pada MySQL sebuah database mengandung beberapatabel, tabel terdiri dari sejumlah baris dan kolom.

PenjualanDalam kehidupan sehari-hari, istilah penjualan sering dianggap sama dengan istilah

pemasaran. Misalnya seorang wiraniaga atau menejer penjualan membicarakan pemasaran, tetapisebenarnya masalah yang dibicarakan adalah penjualan. Kedua istilah tersebut mempunyai ruanglingkup yang berbeda. Pemasaran meliputi kegiatan yang luas, sedangkan penjualan hanyalahmerupakan satu kegiatan saja di dalam pemasaran.

Pemasaran adalah sistem keseluruhan dari kegiatan usaha yang ditujukan untukmerancanakan, menentukan harga, mempromosikan dan mendistribusikan barang, jasa, dan idekepada pasar sasaran agar dapat mencapai tujuan organsasi [12].

Menjual adalah ilmu dan seni mempengaruhi pribadi yang dilakukan oleh penjual untukmengajak orang lain agar bersedia membeli barang/jasa yang ditawarkan.

Jadi adanya penjualan dapat tercipta sesuatu proses pertukaran barang dan/atau jasa antarapenjual dengan pembeli. Di dalam perekonomian kita (ekonomi uang), seseorang yang menjualseseuatu akan mendapatkan imbalan berupa uang. Dengan alat tukar berupa uang, orang akan lebihmudah memenuhi segala keinginanya; dan penjualan menjadi lebih muda dilakukan. Jarak yangjauh tidak menjadi masalah bagi penjual.

METODE PENELITIANMetode yang digunakan dalam penelitian ini adalah metode studi kasus. Penelitian ini

dilakukan pada apotik THS Pematangsiantar. Data yang dihimpun berkenaan dengan datapenjualan obat dari waktu ke waktu pada objek penelitian. Penelitian dilakukan secara intensif,terperinci dan mendalam terhadap penjualan obat pada apotik THS.

Tujuan penelitian ini ialah merancang dan membangun sebuah aplikasi data mining yangberfungsi untuk memprediksi penjualan dan membantu mengoptimalkan pengolahan data sehinggamemudahkan pengambilan keputusan dan meningkatkan pelayanan terhadap pelanggan.

HASILPada tahapan ini, peneliti melakukan implementasi aplikasi yang sedang dibangun kepada

sebuah sistem. Tujuan implementasi ini adalah untuk mengetahui sejauh mana aplikasi pada sistem

Jurnal Murni Sadar


dapat digunakan dan apa saja keterbatasan-keterbatasan yang ada pada aplikasi tersebut.Pada tahap implementasi ini sistem minimum yang digunakan oleh peneliti adalah sebagai

berikut:1. Perangkat Keras (Hardware) yaitu :

Laptop Lenovo Ideapad 100, Processor Intel(R) Core(TM) i3-5500, RAM 4GB, Harddisk500 GB, Flashdisk 4 GB.

2. Perangkat Lunak (Software) yaitu:Sistem Operasi Windows 8.1, Microsoft Office 2013, Xampp, UML, Adobe DreamweaverCS 5.

Berikut ini hasil dari program aplikasi Data Mining Apotik THS diantaranya:1. Tampilan Halaman Login

Tampilan login merupakan tampilan awal pada halaman menu. Pada tampilan menu utamaatau login ini user harus melakukan login untuk dapat mengakses halaman berikutnya. Tampilanhalaman login seperti pada Gambar 2.

Gambar 2. Tampilan Halaman

2. Halaman DataHalaman data merupakan kumpulan data penjualan pada bulan-bulan yang ditentukan.

Halaman ini digunakan untuk mengambil data untuk dapat melakukan proses mining, seperti yangterlihat pada gambar 3.

Gambar 3. Halaman Data

4. Halaman Upload Data ExcelHalaman upload data excel berfungsi untuk mengimport data excel perusahaan tersebut. user

dapat menproses data excel perusahaan pada bulan-bulan berikutnya, seperti yang terlihat padagambar 4.

Jurnal Murni Sadar


Gambar 4. Halaman Upload Data Excel

5. Halaman Input Data Penjualan BaruHalaman input data penjualan baru berfungsi apabila user ingin menambahkan beberapa data

secara manual dari perusahaan tersebut. User harus mengisikan data-datanya pada form halamantersebut, seperti yang terlihat pada gambar 5.

Gambar 5. Halaman Input Data Penjualan

6. Halaman Proses MiningHalaman proses mining berfungsi untuk mencari gain ratio max,entrophy,informasi gain,split

info, dan gain ratio.

7. Halaman Perhitungan MiningHalaman perhitungan mining ini adalah hasil dari proses dari mining, mencari gain ratio max,

entrophy, informasi gain, split info, dan gain ratio, seperti yang terlihat pada gambar 6.

Gambar 6. Halaman Perhitungan Mining

8. Halaman Pohong Keputusan C4.5Halaman pohon keputusan C4.5 merupakan informasi terhadap perusahaan untuk menentukan

barang – barang yang laris dan barang yang tidak laris, dihalaman ini juga terdapat keterangan dari

Jurnal Murni Sadar


pohon keputusan C4.5 tersebut. Seperti yang terlihat pada gambar di bawah ini.

Gambar 7. Halaman Pohon Keputusan

9. Halaman Print Pohon Keputusan C4.5Halaman print pohon keputusan C4.5 hasil dari pohon keputusan yang dapat dicetak, seperti

yang terlihat pada gambar di bawah ini.

Gambar 8. Halaman Print Pohon Keputusan C4.5

4. KESIMPULANDari perancangan dan pembuatan Aplikasi Data Mining ini, dapat ditarik kesimpulan

bahwa :1. Aplikasi data mining yang dirancang efektif untuk mengembangkan perusahaan dan dapat

membantu untuk meningkatkan pelayanan kepada pelanggan.2. Aplikasi Data Mining ini memudahkan perusahaan dalam pengolahan data dan pengembangan

sistem informasi di perusahaan, sehingga dapat digunakan untuk memprediksi distribusipenjualan obat dalam satu bulan sebagai acuan untuk bulan berikutnya.

3. Aplikasi Data Mining ini dapat menyajikan data secara cepat dan memberikan informasi bagiperusahaan dengan proses perhitungan sesuai gain yang tertinggi dipilih sebagai root padahasil pohon keputusan yang dibuat dan pada akhirnya manager bisa mengambil keputusan.

4. Aplikasi Data Mining ini dapat memberikan informasi obat-obatan yang laris terjual dan yangdibutuhkan pelangan,dengan melakukan proses perhitungan sesuai gain yang tertinggi dipilihsebagai root pada hasil pohon keputusan yang dibuat dan pada akhirnya

Jurnal Murni Sadar


DAFTAR REFERENSI

[1] Efraim Turban, Jay E. Aronson, Ting Peng Liang, 2005. Decision Support System andIntelligent Systems Edisi 7 Jilid 1, Andi Yogyakarta.

[2] Haviluddin. 2011. Memahami Penggunaan UML (Unified Modelling Language).Samarinda.

[3] Kusnawi. 2007. Pengantar Solusi Data mining.Yogyakarta[4] Kusrini dan Emha Taufiq Luthfi. 2009. Algoritma Data Mining. Penerbit Andi Offset,

Yogyakarta.[5] Mulyanto, Aunur R. 2009. Rekayasa Perangkat Lunak Jilid I. Departemen Pendidikan

Nasional, Jakarta.[6] Munawar. 2005. Pemodelan Visual dengan UML. Graha Ilmu, Yogyakarta.[7] Pressman, Roger S. 2001. Software Engineering. McGraw-Hill. New York.[8] Rosa, “Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objek”, Bandung,

Informatika Bandung, (2013).[9] Santosa, Budi. 2007. Data Mining : Teknik Pemanfaatan Data untuk keperluan Bisnis. Graha

Ilmu. Yogyakarta.[10] Sulistyorini, Prastuti. Pemodelan Visual dengan Menggunakan UML dan Rational Rose.

Jurnal Teknologi Informasi DINAMIK. 2009; XIV (1): 23 – 29.[11] Syaifuddin. Rancang Bangun Sistem Informasi Geografis Layanan Kesehatan Di

Kecamatan Lamongan Dengan PHP MySQL. 2013. Jurnal Teknika Vol. 5 No.2 : 479-484.[12] Swastha, B. 2009. Azas-azas Marketing. Penerbit Liberty. Yogyakarta[13] Wu, X., & Kumar, V. (2009). The Top Ten Algorithms in Data Mining. New York: CRC

Press.

Documents

PERANCANGAN APLIKASI DATA MINING UNTUK MEMPREDIKSI