PERANCANGAN APLIKASI DATA MINING UNTUK MEMPREDIKSI PENJUALAN MENGGUNAKAN METODE DECISION TREE PADA APOTIK THS PEMATANGSIANTAR

Transkripsi

1 PERANCANGAN APLIKASI DATA MINING UNTUK MEMPREDIKSI PENJUALAN 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 mining yang berfungsi untuk memprediksi penjualan dan membantu mengoptimalkan pengolahan data sehingga memudahkan pengambilan keputusan dan meningkatkan pelayanan terhadap pelanggan. Data mining adalah proses analisis data menggunakan perangkat lunak untuk menemukan pola dan aturan dalam kumpulan data. Data mining dapat menganalisa data dalam jumlah besar menjadi informasi dalam bentuk pola yang memiliki makna bagi pendukung keputusan. Salah satu teknik data mining adalah proses klasifikasi yaitu mencari model atau fungsi yang menggambarkan atau membedakan konsep atau kelas data, agar bisa memprediksi label kelas dari objek yang tidak diketahui. Preancangan perangkat lunak ini mengggunakan metode decision tree klasifikasi algoritma C4.5. Analisis persentase nilai kebenaran dan hasil klasifikasi pohon dibuat dengan pemrograman PHP dan MySQL. Hasil penelitian menunjukkan bahwa pohon yang dihasilkan dari perangkat lunak yang dibuat dengan metode decision tree dengan algoritma C4.5 memiliki persentase 66,67% antara pohon kebenaran sampai 100%. Persentase besar pohon kebenaran sangat dipengaruhi oleh data pelatihan yang digunakan untuk membangun model pohon.. Keywords: Data Mining, Algorithms C4.5, PHP and My SQL PENDAHULUAN Dunia teknologi informasi saat ini sedang berkembang dengan cepat. Perkembangan ini menyebabkan kebutuhan masyarakat akan data dan informasi semakin meningkat. Untuk mengolah data tersebut dibutuhkan sebuah sistem terkomputerisasi dengan menggunakan database. 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, terkadang sulit untuk memenuhi barang yang diminta konsumennya. Hal ini diakibatkan oleh menumpuknya stok 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 untuk memprediksi penjualan obat-obatan pada Apotik THS dengan menggunakan metode decision tree. Aplikasi data mining ini dapat dijadikan sebagai penujang keputusan untuk menyajikan data secara cepat, serta mampu memberikan informasi mengenai obat yang laris terjual dan yang dibutuhkan pelangan. Dengan adanya aplikasi data mining ini diharapkan Apotik THS nantinya akan lebih mengetahui barang yang diminati konsumen, sehingga dapat menyediakan stok barang yang diminati oleh konsumennya. DASAR TEORI Rekayasa Perangkat Lunak Rekayasa perangkat lunak (software engineering) merupakan pembangunan dengan menggunakan prinsip atau konsep rekayasa dengan tujuan menghasilkan perangkat lunak yang 51

2 bernilai ekonomi yang dipercaya dan bekerja secara efisien menggunakan mesin [7]. Perangkat lunak banyak dibuat pada akhirnya sering tidak digunakan karena tidak memenuhi kebutuhan pelanggan atau bahkan karena masalah non-teknis seperti keengganan pemakai perangkat lunak (user) untuk mengubah cara kerja dari manual ke otomatis, atau ketidakmampuan user menggunakan komputer. Oleh karena itu, rekayasa perangkat lunak dibutuhkan agar perangkat lunak yang dibuat tidak hanya menjadi Perangkat lunak yang tidak terpakai. Pekerjaan yang terkait dengan rekayasa perangkat dapat dikategorikan menjadi tiga buah kategori umum tanpa melihat area dari aplikasi, ukuran proyek perangkat lunak yang dibuat. Setiap fase dialamatkan pada satu atau lebih pertanyaan yang diajukan sebelumnya. Fase pendefinisian fokus pada "what" yang artinya harus mencari tahu atau mengidentifikasi informasi apa yang harus diproses, seperti apa fungsi dan performansi yang diinginkan, apa kriteria validasi yang dibutuhkan untuk mendefinisikan sistem. Fase pengembangan yang fokus pada "how" yang artinya selama tahap pengembangan perangkat lunak seorang perekayasa perangkat lunak harus berussaha mendefinisikan bagaimana data distrukturkan dan bagaimana fungsi-fungsi yang dibutuhkan diimple- mentasikan, bagaimana karakter antar muka tampilan, bagaimana design ditranslasikan ke bahasa pemrograman, dan bagaimana pengujian akan dijalankan. Fase pendukung (support phase) fokus pada perubahan yang terasosiasi pada perbaikan kesalahan (error), adaptasi yang dibutuhkan pada lingkungan perangkat lunak yang terlibat, dan perbaikan 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 Waterfall Model Software Development Life Cicle (SDLC) air terjun (waterfall) sering juga disebut model sekuensial linear (sequential linear) atau alur hidup klasik[5]. model air terjun menyediakan pendekatan 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. UML menawarkan sebuah standar untuk merancang model sebuah sistem. Dengan menggunakan UML dapat dibuat model untuk semua jenis aplikasi piranti lunak, dimana aplikasi tersebut dapat berjalan pada piranti keras, sistem operasi dan jaringan apapun, serta ditulis dalam bahasa pemrograman apapun [10]. UML menyediakan 9 jenis diagram yang dapat dikelompokkan berdasarkan sifatnya statis atau dinamis, antara lain : 1. Diagram Kelas Diagram kelas bersifat statis. Diagram ini memperlihatkan himpunan kelas-kelas, antarmukaantarmuka, kolaborasi-kolaborasi serta relasi. 2. Diagram Objek Diagram objek bersifat statis. Diagram ini memperlihatkan objek-objek serta relasi antar objek. Diagram objek memperlihatkan instansiasi statis dari segala sesuatu yang dijumpai pada diagram kelas. 52

3 3. Use case Diagram Diagram ini bersifat statis. Diagram ini memperlihatkan himpunan use case dan aktor-aktor (suatu jenis khusus dari kelas). Diagram ini terutama sangat penting untuk mengorganisasi dan memodelkan 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 Diagram Diagram ini bersifat dinamis. Diagram kolaborasi adalah diagram interaksi yang menekankan organisasi struktural dari objek objek yang menerima serta mengirim pesan (message). 6. Statechart Diagram Diagram ini bersifat dinamis. Diagram ini memperlihatkan state state pada sistem, memuat state, transisi, event, serta aktifitas. Diagram ini terutama penting untuk memperlihatkan sifat dinamis dari antarmuka, kelas, kolaborasi dan terutama penting pada pemodelan sistem sistem yang reaktif. 7. Activity Diagram Diagram ini bersifat dinamis. Diagram ini adalah tipe khusus dari diagram state yang memperlihatkan aliran dari suatu aktifitas ke aktifitas lainnya dari suatu sistem. Diagram ini terutama penting dalam pemodelan fungsi fungsi dalam suatu sistem dan memberi tekanan pada aliran kendali antar objek. 8. Component Diagram Diagram ini bersifat statis. Diagram ini memperlihatkan organisasi serta kebergantungan pada komponen-komponen yang telah ada sebelumnya. Diagram ini berhubungan dengan diagram kelas dimana komponen secara tipikal dipetakan ke dalam satu atau lebih kelas- kelas, antarmuka-antarmuka serta kolaborasi kolaborasi. 9. Deployment Diagram Diagram ini bersifat statis. Diagram ini memperlihatkan konfigurasi saat aplikasi dijalankan (saat run time). Dengan ini memuat simpul-simpul (node) beserta komponen-komponen yang ada di dalamnya. Deployment diagram berhubungan erat dengan diagram kompoen dimana deployment diagram memuat satu atau lebih komponen komponen. Diagram ini sangat berguna saat aplikasi berlaku 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 mining Data mining adalah proses yang mengunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar [1]. Ketika kita dihadapkan kepada sejumlah data dari suatu objek atau kejadian, kita perlu mengolahnya untuk mendapatkan manfaat dari data itu. Kita perlu mengenali polanya sehingga kita akan menemukan kecenderungan dari data tersebut. Misalkan data itu tentang produk obatobatan, mungkin kita bisa mengelompokkan berdasarkan type atau bentuk obat tersebut. Setelah proses pengelompokan ini mungkin kita akan dapat memprediksi berdasar kategori dari bentuk obat dan produk dengan nilai tertentu. Kemudian kita dapat melakukan analisa lebih jauh, mengenai pola data obat-obatan tersebut. Misalnya kecenderungan jika sebuah rumah sakit atau pun apotik lebih sering menginginkan berbentuk pil maka pasokan obat-obatan yang berbentuk pil akan diperbanyaknya dibulan berikutnya. 53

4 Kemudian kita dapat juga melakukan prediksi atas apa yang akan terjadi pada jangka waktu kedepannya berdasar data masa sebelumnya berkaitan dengan data jumlah penjualan tersebut Jadi pengenalan pola adalah suatu disiplin ilmu yang mempelajari bagaimana kita mengelompokkan obyek ke berbagai kelas dan bagaimana dari data bisa kita temukan kecenderungannya. Yang pertama mengacu pada kasus klasifikasi dan yang kedua mengacu pada regresi. Data mining juga mengacu pada langkah- langkah menentukan variable atau fitur yang penting untuk dipakai dalam klasifikasi dan regresi. Data mining memegang peranan penting dalam 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 kesehatan sebelumnya dan pola makanannya. 3. Memprediksi permintaan semen dalam beberapa tahun mendatang berdasarkan data permintaan semen di tahun-tahunsebelumnya. 4. Memprediksi apakah akan terjadi tornado berdasarkan informasi dari sebuah radartentang kondidsi angin dan kondisi atmosfir yang lain. 5. Identifikasi apakah sudah terjadi penipuan terhadap kartu kredit dengan melihat catatan transaksi yang tersimpan dalam database perusahaan kartu kredit. Classification Suatu teknik dengan melihat pada kelakuan dan atribut dari kelompok yang telah didefinisikan.teknik ini dapat memberikan klasifikasi pada data baru dengan memanipulasi data yang ada yang telah diklasifikasi dan dengan menggunakan hasilnya untuk memberikan sejumlah aturan. Aturan-aturan tersebut digunakan pada data-data baru untuk diklasifikasi. Dalam klasifikasi, keluaran dari dari setiap data adalah bilangan bulat atau disktrit. Dalam contoh pengambilan keputusan untuk main bola atau tidak maka keuaran tersebut bias diubah ke bilangan bulat 1 atau -1. Dengan melihat keluaran yang berupa bilangan bulat kita bias menerapkan metod klasifikasi [9]. Dalam klasifiksi, terdapat target variable kategori. Sebagai contoh penggolongan pendapatan 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 bukan 2. Memperkirakan apakah suatu pengajuan hipotek oleh nasabah merupakan suatu kredit yang baik atau buruk 3. Mendiagnosis penyakit seorang pasien untuk mendapatkan kategori penyakit. Decision Tree Dalam decision tree tidak menggunakan vector jarak untuk mengklasifikasikan obyek. Seringkali data observasi mempunyai atribut-atribut yang bernilai nominal, misalkan obyeknya adalah sekumpulan buah-buahan yang bisa dibedakan berdasarkan atribut bentuk, warna, ukuran dan rasa. Bentuk, warna, ukuran dan rasa adalah besaran nominal, yaitu bersifat kategoris dan tiap nilai tidak bisa dijumlahkan atau dikurangkan. Dengan nilai-nilai atribut ini, kemudian dibuat decision tree untuk menentukan suatu obyek termasuk jenis buah apa jika nilai tiap-tiap atribut diberikan [9]. 54

5 Gambar 1. Decision tree Ada beberapa macam algoritma decision tree diantaranya CART dan C4.5. Beberapa isu utama dalam decision tree yang menjadi perhatian yaitu seberapa detail dalam mengembangkan decision tree, bagaimana mengatasi atribut yang bernilai continues, memilih ukuran yang cocok untuk penentuan atribut, menangani data training yang mempunyai data yang atributnya tidak mempunyai nilai, memperbaiki efisiensi perhitungan [1]. Algoritma C.45 Algoritma C4.5 diperkenalkan oleh J. Ross Quinlan yang merupakan pengem-bangan dari algoritma ID3, algoritma tersebut digunakan untuk membentuk pohon keputusan [4]. Pohon keputusan dianggap sebagai salah satu pendekatan yang paling populer. Dalam klasifikasi pohon keputusan terdiri dari sebuah node yang membentuk akar. Node akar tidak memiliki input. Node lain 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 salah satu class. Pohon keputusan dibuat dengan membagi nilai-nilai atribut menjadi cabang untuk setiap kemungkinan. Cara kerja pohon keputusan yaitu dengan melakukan penelusuran dari akar hingga ke cabang sampai class suatu objek ditemukan. Instance diklasifikasikan dengan mengarahkan dari akar pohon sampai ke daun sesuai dengan hasil tes melalui node internal[4]. Pada dasarnya konsep dari algoritma C4.5 adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan (rule). C4.5 adalah algoritma yang cocok untuk masalah klasifikasi dan data mining. C4.5 memetakan nilai atribut menjadi class yang dapat diterapkan untuk klasifikasi baru [13]. Pohon keputusan merupakan metode klasifikasi dan metode prediksi yang sangat kuat dan terkenal. Metode pohon keputusan mengubah fakta yang sangat besar menjadi pohon keputusan yang sangat dapat dengan mudah dipahami dengan bahasa alami. Dan mereka juga dapat diekspresikan dalam bentuk bahasa basis data seperti structured query language untuk mencari record pada kategori tertentu [4]. Menurut Berry & Linoff, sebuah pohon keputusan adalah struktur yang dapat digunakan untuk membagi kumpulan data yang sangat besar menjadi himnpunan-himpunan record yang lebih kecil dengan menerapkan serangkaian pembagian, anggota himpunan hasil menjadi mirip satu dengan lain [4]. 55

6 Sebuah model pohon keputusan terdiri dari sekumpulan aturan untuk membagi sejumlah populasi yang heterogen menjadi lebih kecil, lebih homogennya dengna memperhaikan pada model variable tujuannya. Sebuah pohon keputusan mungkin dibangun dengan seksama secara manual atau dapat tumbuh secara otomatis dengan menerapakan salah satu atau beberapa algoritma pohon keputusan untuk memodelkan himpunan data yang belum terklarifikasi Variabel tujuan biasanya di kelompokkan dengan pasti dan model pohon keputusan lebih mengarah pada perhitungan probabilitas dari tiap-tiap record terhadap kategori-kategori tersebut atau untuk mengklasifikasikan record dengan mengelompokkan dalam satu kelas. Pohon keputusan juga dapat digunakan untuk mengestimasi nilai dari variabel continue meskipun ada beberapa teknik yang lebih sesuai untuk kasus ini. Banyak algoritma yang dapat dipakai dalam pembentukan pohon keputusan, antara lain ID3, CART, dan C4.5. Algoritma C4.5 merupakan pengembangan dari ID3 [4]. Data dalam pohon keputusan biasanya dinyatakan dalam bentuk tabel dengan atribut dan record. Atribut biasanya dinyatakan dengan suatu parameter yang dibuat sebagai kriteria dalam pembentukan pohon. Misalkan untuk menentukan main tenis, kriteria yang diperhatikan adalah cuaca, angin, dan temperatur. Salah satu atribut merupakan atribut yang menyatakan data solusi per item data yang disebut target atribut. Atribut memiliki nilai-nilai yang dinamakan dengan instance. 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 akar 2. Buat cabang untuk masing-masing nilai 3. Bagi kasus dalam cabang 4. 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-atribut yang ada. Untuk menghitung Entropy digunakan rumus seperti tertera dalam persamaan berikut: Entropy (S) _(i=1)^n -pi*log2 pi.(1) Keterangan : S : himpunan kasus A : fitur n : jumlah partisi S pi : 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 kasus A : atribut n : jumlah partisi atribut A Si : jumlah kasus pada partisi ke-i S : jumlah kasus dalam S 56

7 PHP Dan MySQL PHP adalah bahasa server-side scripting yang menyatu dengan HTML untuk membuat halaman web yang dinamis. Maksud dari server-side scripting adalah sintaks dan perintah-perintah yang diberikan akan sepenuhnya akan dijalankan diserver tetapi disertakan pada dokumen HTML. Pembuatan web ini merupakan kombinasi antara php sendiri sebagai bahasa pemrograman dan HTML sebagai pembangun halaman web [11]. MySQL adalah Relational Database Management System (RDBMS) yang didistribusikan secara gratis dibawah lisensi GPL (General Public License) [11]. MySQL merupakan software sistem manajemen database (Database Management System DBMS) yang sangat popular di kalangan pemrograman web, terutama di lingkungan Linux dengan menggunakan skrip dan ped. Fungsi MySQL dapat dikatakan sebagai interpreter query, karena setiap kita menggunakan query SQL kita harus meletakkannya di dalam fungsi ini. Dengan kata lain, SQL tidak dapat dijadikan tanpa adanya fungsi MySQL. Pada MySQL sebuah database mengandung beberapa tabel, tabel terdiri dari sejumlah baris dan kolom. Penjualan Dalam kehidupan sehari-hari, istilah penjualan sering dianggap sama dengan istilah pemasaran. Misalnya seorang wiraniaga atau menejer penjualan membicarakan pemasaran, tetapi sebenarnya masalah yang dibicarakan adalah penjualan. Kedua istilah tersebut mempunyai ruang lingkup yang berbeda. Pemasaran meliputi kegiatan yang luas, sedangkan penjualan hanyalah merupakan satu kegiatan saja di dalam pemasaran. Pemasaran adalah sistem keseluruhan dari kegiatan usaha yang ditujukan untuk merancanakan, menentukan harga, mempromosikan dan mendistribusikan barang, jasa, dan ide kepada pasar sasaran agar dapat mencapai tujuan organsasi [12]. Menjual adalah ilmu dan seni mempengaruhi pribadi yang dilakukan oleh penjual untuk mengajak orang lain agar bersedia membeli barang/jasa yang ditawarkan. Jadi adanya penjualan dapat tercipta sesuatu proses pertukaran barang dan/atau jasa antara penjual dengan pembeli. Di dalam perekonomian kita (ekonomi uang), seseorang yang menjual seseuatu akan mendapatkan imbalan berupa uang. Dengan alat tukar berupa uang, orang akan lebih mudah memenuhi segala keinginanya; dan penjualan menjadi lebih muda dilakukan. Jarak yang jauh tidak menjadi masalah bagi penjual. METODE PENELITIAN Metode yang digunakan dalam penelitian ini adalah metode studi kasus. Penelitian ini dilakukan pada apotik THS Pematangsiantar. Data yang dihimpun berkenaan dengan data penjualan 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 yang berfungsi untuk memprediksi penjualan dan membantu mengoptimalkan pengolahan data sehingga memudahkan pengambilan keputusan dan meningkatkan pelayanan terhadap pelanggan. HASIL Pada tahapan ini, peneliti melakukan implementasi aplikasi yang sedang dibangun kepada sebuah sistem. Tujuan implementasi ini adalah untuk mengetahui sejauh mana aplikasi pada sistem 57

8 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, Harddisk 500 GB, Flashdisk 4 GB. 2. Perangkat Lunak (Software) yaitu: Sistem Operasi Windows 8.1, Microsoft Office 2013, Xampp, UML, Adobe Dreamweaver CS 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 utama atau login ini user harus melakukan login untuk dapat mengakses halaman berikutnya. Tampilan halaman login seperti pada Gambar 2. Gambar 2. Tampilan Halaman 2. Halaman Data Halaman data merupakan kumpulan data penjualan pada bulan-bulan yang ditentukan. Halaman ini digunakan untuk mengambil data untuk dapat melakukan proses mining, seperti yang terlihat pada gambar 3. Gambar 3. Halaman Data 4. Halaman Upload Data Excel Halaman upload data excel berfungsi untuk mengimport data excel perusahaan tersebut. user dapat menproses data excel perusahaan pada bulan-bulan berikutnya, seperti yang terlihat pada gambar 4. 58

9 Gambar 4. Halaman Upload Data Excel 5. Halaman Input Data Penjualan Baru Halaman input data penjualan baru berfungsi apabila user ingin menambahkan beberapa data secara manual dari perusahaan tersebut. User harus mengisikan data-datanya pada form halaman tersebut, seperti yang terlihat pada gambar 5. Gambar 5. Halaman Input Data Penjualan 6. Halaman Proses Mining Halaman proses mining berfungsi untuk mencari gain ratio max,entrophy,informasi gain,split info, dan gain ratio. 7. Halaman Perhitungan Mining Halaman 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 C4.5 Halaman 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 59

10 pohon keputusan C4.5 tersebut. Seperti yang terlihat pada gambar di bawah ini. Gambar 7. Halaman Pohon Keputusan 9. Halaman Print Pohon Keputusan C4.5 Halaman 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 C KESIMPULAN Dari 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 distribusi penjualan obat dalam satu bulan sebagai acuan untuk bulan berikutnya. 3. Aplikasi Data Mining ini dapat menyajikan data secara cepat dan memberikan informasi bagi perusahaan dengan proses perhitungan sesuai gain yang tertinggi dipilih sebagai root pada hasil 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 yang dibutuhkan pelangan,dengan melakukan proses perhitungan sesuai gain yang tertinggi dipilih sebagai root pada hasil pohon keputusan yang dibuat dan pada akhirnya 60

11 DAFTAR REFERENSI [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] Efraim Turban, Jay E. Aronson, Ting Peng Liang, Decision Support System and Intelligent Systems Edisi 7 Jilid 1, Andi Yogyakarta. Haviluddin Memahami Penggunaan UML (Unified Modelling Language). Samarinda. Kusnawi Pengantar Solusi Data mining.yogyakarta Kusrini dan Emha Taufiq Luthfi Algoritma Data Mining. Penerbit Andi Offset, Yogyakarta. Mulyanto, Aunur R Rekayasa Perangkat Lunak Jilid I. Departemen Pendidikan Nasional, Jakarta. Munawar Pemodelan Visual dengan UML. Graha Ilmu, Yogyakarta. Pressman, Roger S Software Engineering. McGraw-Hill. New York. Rosa, Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objek, Bandung, Informatika Bandung, (2013). Santosa, Budi Data Mining : Teknik Pemanfaatan Data untuk keperluan Bisnis. Graha Ilmu. Yogyakarta. Sulistyorini, Prastuti. Pemodelan Visual dengan Menggunakan UML dan Rational Rose. Jurnal Teknologi Informasi DINAMIK. 2009; XIV (1): Syaifuddin. Rancang Bangun Sistem Informasi Geografis Layanan Kesehatan Di Kecamatan Lamongan Dengan PHP MySQL Jurnal Teknika Vol. 5 No.2 : Swastha, B Azas-azas Marketing. Penerbit Liberty. Yogyakarta Wu, X., & Kumar, V. (2009). The Top Ten Algorithms in Data Mining. New York: CRC Press. 61