Burhanudin Junardi Karim Dr. Lintang Yuniar Banowosari, S.Kom., M.Sc

Transkripsi

1 Implementasi Data Mining Pada Penjualan Produk Alat Medis di PT. Murti Indah Sentosa Menggunakan Metode Klasifikasi Burhanudin Junardi Karim Dr. Lintang Yuniar Banowosari, S.Kom., M.Sc

2 Latar Belakang Masalah Jumlah Rumah Sakit Umum, Rumah Sakit Khusus, dan Puskesmas di Indonesia Pada Tahun RS. Umum RS. Khusus Puskemas Sumber:

3 Latar Belakang Masalah Jumlah Keseluruhan Pada Tahun ± 1 Tahun Jumlahnya Meningkat 2,4 % Sumber:

4 Latar Belakang Masalah Grafik Penjualan Alat Medis PT. Murti Indah Sentosa ± 3 Tahun Terakhir Jumlah Penjualan Meningkat 30 % Sumber : PT. Murti Indah Sentosa

5 Rumusan Masalah Bagaimana untuk merancang suatu proses Data Mining yang berfungsi untuk melakukan analisis data pada penjualan produk dengan menggunakan metode klasifikasi dan mengimplementasikan Algoritma C4.5 untuk mengidentifikasikan objek yang dimiliki.

6 Batasan Masalah Data yang di analisis merupakan data penjualan produk alat medis selama 3 tahun terakhir yaitu pada tahun 2013 sampai dengan tahun Metode yang digunakan dalam perancangan sistem ini adalah Algoritma C4.5. Hasil dari analisis adalah terbentuknya pohon keputusan pada penjualan produk peralatan medis di PT. Murti Indah Sentosa.

7 Tujuan Penelitian Mengimplementasikan metode aturan Klasifikasi menggunakan Algoritma C 4.5 pada data transaksi penjualan di PT. Murti Indah Sentosa Menentukan klasifikasi produk berdasarkan data transaksi penjualan Memberikan informasi yang berarti dari data yang diolah Menentukan produk paling dibutuhkan oleh konsumen (praktisi medis)

8 Metode Pengembangan Perencanaan Analisis Perancangan Implementasi

9 Alur Algoritma C.4.5 Merupakan Pilih Apa Variabel salah itu satu sebagai algoritma akar (node) modern Algoritma untuk melakukan C.4.5 data mining. Algoritma??? ini biasa digunakan Buat cabang untuk untuk melakukan tiap tiap nilai klasifikasi / segmentasi atau prediksi. Algoritma C4.5 merupakan Bagi pengembangkan kasus dari cabang dari pohon keputusan atau decision tree. Proses diulang sampai kasus memiliki nilai yang sama

10 Gambaran Umum Proses Sistem Mulai Login Admin Proses Uji Data Tercetak Hasil dan Laporan Atur Variabel Proses Perhitungan Algoritma C.45 Selesai Masukan Data Penjualan Proses Klasifikasi Data

11 Use Case Diagram Mengatur Variabel Login <<include>> <<include>> <<include>> Input Data Penjualan Menguji Data Admin <<include>> <<include>> Melihat Keputusan Cetak Laporan Keputusan

12 Activity Diagram

13 HIPO (Hierarchy Input Proses Output ) Data Penjualan Input Data Penjualan Edit Data Penjualan Hapus Data Penjualan

14 Rancangan Tampilan Login Rancangan Tampilan

15 Rancangan Tampilan Menu Utama Rancangan Tampilan

16 Rancangan Tampilan Setting Atribut Rancangan Tampilan

17 Rancangan Tampilan Input Data Rancangan Tampilan

18 Rancangan Tampilan Data Kasus Rancangan Tampilan

19 Rancangan Tampilan Pohon Keputusan Rancangan Tampilan

20 Rancangan Tampilan Aturan Rancangan Tampilan

21 Rancangan Tampilan Testing Rancangan Tampilan

22 Rancangan Tampilan Uji Data Rancangan Tampilan

23 Rancangan Tampilan Hasil Uji Data Rancangan Tampilan

24 Rancangan Tampilan Laporan Rancangan Tampilan

25 Rancangan Tampilan Account Rancangan Tampilan

26 Perhitungan Algoritma C 4.5 Keterangan : S : himpunan kasus A : fitur n : jumlah partisi S Pi : proporsi dari si terhadapa S Keterangan : S : himpunan kasus A : atribut N : jumlah partisi atribut A Si : jumlah kasus partisi ke-i S : jumlah kasus dalam S

27 Perhitungan Node 1 Node Nama Sangat Kurang Nilai Jumlah Kasus Variabel Dibutuhkan Dibutuhkan Entropy 1 Total Nilai Jumlah Transaksi R C S T Nilai Volume Penjualan Gain R C S T Nilai Harga Produk MR S MH Nilai Fitur Produk Lengkap Kurang

28 Perhitungan Node 1.4 Node Nama Variabel Nilai Jumlah Kasus Sangat Dibutuhkan Kurang Dibutuhkan Entropy Gain 1.4 Fitur Produk - Kurang Nilai Jumlah Transaksi R C S T Nilai Harga Produk MR S MH Nilai Volume Penjualan R C S T

29 Perhitungan Node Node Nama Variabel Nilai Jumlah Kasus Sangat Dibutuhkan Kurang Dibutuhkan Entropy Gain Jumlah Transaksi - Sedang Nilai Harga Produk Nilai Volume Penjualan MR S MH R C T

30 Hasil Pohon Keputusan Node 1 Node 1.4 Node 1.4.4

31 Pengujian Terhadap Pengguna

32 Pengujian Terhadap Pengguna (II) Interval = Jarak Sebaran Kelas Interval = Skor tertinggi Skor terendah Kelas Interval Distribusi Frekuensi Jawaban Responden No. Kategori Skor (s) Frekuensi (f) % Total Skor (s x f) 1 Sangat Tidak Setuju Tidak Setuju Netral Setuju Sangat Setuju Jumlah

33 Pengujian Terhadap Pengguna (III) Dari distribusi frekuensi hasil penelitian tersebut dapat dihitung pula: Jumlah Skor = nilai skor x jumlah pertanyaan x jumlah responden Jumlah skor tertinggi = 5 x 9 x 20 = 900 Jumlah skor terendah = 1 x 9 x 20 = 180 Jumlah skor hasil pengumpulan data = 744 Interval = Kelas Interval Jawaban Responden Kelas Interval ( ) 5 = = 144 Klasifikasi Sangat Rendah Rendah Netral Tinggi Sangat Tinggi

34 Kesimpulan Aplikasi klasifikasi data penjualan produk di PT. Murti Indah Sentosa dengan menggunakan algoritma C.45 telah berhasil dibuat dan semua fungsi dapat berjalan dengan baik. Dengan menggunakan aplikasi ini, pengguna dimudahkan dalam mengklasifikasikan produk sehingga dalam proses manajemen stok dapat dilakukan secara akurat dan memberikan keputusan yang berarti.

35 Saran Tampilan aplikasi yang dibuat lebih menarik dan dikembangkan lebih lanjut sesuai kebutuhan pengguna kedepannya. Data dan laporan hasil data mining bisa lebih detail sehingga dapat dengan mudah dimengerti oleh pemberi keputusan di perusahaan.

36

37 Rencana Pengujian Item Uji Detail Pengujian Jenis Uji Perhitungan Algoritma C4.5 Perhitungan secara manual maupun melalui program Black Box Login Verifikasi user id dan password Black Box Tambah data Black Box Pengolahan Data Produk Ubah data Black Box Hapus data Black Box Setting Variabel Pilih variabel dari data input produk Black Box Pilih variabel tujuan Black Box Data Kasus Variabel aktif yang muncul Black Box Pembentukan Pohon Keputusan Proses pembentukan pohon keputusan Black Box Testing Pengujian hasil pohon keputusan Black Box Pembentukan aturan Uji data Pembentukan daftar aturan hasil pohon keputusan Penyimpanan daftar aturan dalam format excel Pengujian data penjualan produk dengan mencocokan nilai variabel dengan aturan yang sudah dibuat Simpan tabel data produk Black Box Black Box Black Box Data hasil pengujian Cetak laporan alternatif keputusan Black Box

38 Pengujian Login Kasus dan Hasil Uji Data Masukan Yang Diharapkan Pengamatan Kesimpulan Masukan user id dan password user Tercantum pada edit box user dan dapat login Dapat mengisi edit box user, dapat login. Sesuia yang diharapkan Diterima Klik tombol login Data username dicari di tabel user Tombol login dapat berfungsi. Sesuai yang diharapkan Diterima Klik tombol Cancel Muncul tampilan awal, dan form login tertutup Tombol Cancel dapat berfungsi. Sesuai yang diharapkan Diterima

39 Pengujian Input Produk Kasus dan Hasil Uji Data Masukan Yang Diharapkan Pengamatan Kesimpulan Masukan data penjualan produk Diterima Klik Tombol Simpan, Klik Tombol Ubah Klik tombol hapus Data penjualan produk berhasil diinputkan, kemudian dapat diubah apabila ada kesalahan data, dan menghapus data penjualan produk Data yang di inputkan Disimpan dalam tabel data penjualan Data penjualan produk yang di ubah disimpan kembali ke tabel data penjualan Menghapus data penjualan produk Dapat menginputkan data penjualan produk dan dapat mengubah data ataupun menghapus data Tombol simpan berfungsi sesuai yang diharapkan Tombol ubah sesuai yang diharapkan Tombol hapus sesuai yang diharapkan Diterima Diterima Diterima

40 Pengujian Setting Variable Kasus dan Hasil Uji Data Masukan Yang Diharapkan Pengamatan Kesimpulan Masukan data variabel dari penjualan produk mengatur nama_variabel, is_aktif, is_hasil, Memasukan nilai variabel dan klasifikasi apabila data diklasifikasikan Dapat menambah dan menyimpan variabel yang dimasukan, dapat mengatur variabel dengan check box, serta memilih variabel tujuan Dapat menambah dan menyipanvariabel dan mengatur variabel dan variabel tujuan sesuai diharapkan Diterima Klik tombol ubah Mengubah data variabel atau nilai variabel dan menyimpan ke tabe variabel dan S_variabel Tombol ubah berfungsi sesuai dengan yang diharapkan Klik tombol hapus Menghapus data variabel Tombol hapus berfungsi dengan yang diharapkan Klik tombol simpan Menyimpan pengaturan variabel nama_variabel, is_aktif, is_hasil ke tabel S_variabel Tombol simpan berfungsi sesuai dengan diharapkan Diterima Diterima Diterima

41 Pengujian Data Kasus Kasus dan Hasil Uji Data Masukan Yang Diharapkan Pengamatan Kesimpulan Masukan Daftar variabel yang aktif dari tabel S_variabel Semua Variabel yang aktif ditampilkan dalam tabel kasus. Dapat menampilkan data yang aktif dan sesuai yang diharapkan Diterima

42 Pengujian Pohon Keputusan Kasus dan Hasil Uji Data Masukan Yang Diharapkan Pengamatan Kesimpulan Memproses data kasus menjadi pohon keputusan, sesuai variabel yang dipakai. Data kasus yang sesuai dengan variabel yang aktif diproses untuk diklasifikasikan sehingga menghasilkan output dalam bentuk pohon keputusan. Dapat menampilkan informasi klasifikasi pohon keputusan, sesuai yang diharapkan Diterima

43 Pengujian Testing (Uji Coba) Kasus dan Hasil Uji Data Masukan Yang Diharapkan Pengamatan Kesimpulan Masukan variabel, nilai variabel, data tree. Nilai dari variabel yang ditest akan diproses sesuai dengan aturan klasifikasi sehinngga menghasilkan Diterima atau Tidak Diterima Dapat menampilkan informasi hasil pengujian berupa keputusan sesuai diharapkan Diterima

44 Pengujian Aturan Data Masukan Data masukan berasal dari proses pohon keputusan yang disimpan di tabel tree Kasus dan Hasil Uji Yang Diharapkan Pengamatan Kesimpulan Menampilkan pola daftar aturan mengenai klasifikasi penjualan produk yang sangat dibutuhkan dan kurang dibutuhkan Dapat menampilkan informasi pola aturan klasifikasi, sesuai yang diharapkan Diterima

45 Pengujian Uji Data Data Masukan Memasukan data variabel dan nilai variabel dari data penjualan Kasus dan Hasil Uji Yang Diharapkan Pengamatan Kesimpulan Nilai variabel dan variabel dicocokan dengan aturan yang sudah dibuat. Sehingga menghasilkan klasifikasi keputusan Sangat dibutuhkan, Kurang Dibutuhkan dan disimpan untuk dicetak laporan. Dapat menampilkan informasi hasil pengujian berupa keputusan dan data dapat disimpan, sesuai yang diharapkan Diterima

46 Pengujian Data Hasil Data Masukan Data masukan berasal dari data penjualan yang sudah di uji data dengan aturan yang sudah dibuat Kasus dan Hasil Uji Yang Diharapkan Pengamatan Kesimpulan Dapat menampilkan data penjualan produk yang sudah diuji, dan mencetak laporan. Dapat menampilkan informasi hasil pengujian data dan mencetak laporan,sesuai yang diharapkan Diterima

47 Pengujian Ubah Password Kasus dan Hasil Uji Data Masukan Yang Diharapkan Pengamatan Kesimpulan Data masukan merupakan password lama admin. Dapat melakukan proses perubahan password. Dapat melakukan pengecekan terhadap password lama dan memperbaharui password admin. Diterima