PENERAPAN DATA MINING UNTUK PREDIKSI PENJUALAN ES KRIM “AICE”

MENGGUNAKAN ALGORITMA C4.5

WEVI STEVANIE SARA (672016172)

ABSTRAK
Aice adalah perusahaan lisensi dari Singapura dan memiliki tim yang berpengalaman selama 20
tahun di industri es krim. Es krim merupakan produk pangan beku yang dibuat dari produk susu
seperti krim, digabungkan dengan perasa dan pemanis dengan bermacam jenis, warna dan rasa.
Es krim biasa dikonsumsi sebagai makanan selingan (dessert) dan dikelompokkan dalam
makanan camilan (snack). Pada masa kini es krim aice sangangatlah popular dan memiliki banyak
penggemar dari berbagai lapisan elemen masyarakat. Es krim aice memiliki banyak bentuk model
penyajian yang unik serta warna dan pilihan rasa yang sangat bervariatif, sehingga dapat menarik
minat pelanggan untuk mencoba dan juga biasa di jadikan salah satu objek foto oleh penggemar
es krim masa kini. Diproduksi oleh industri es krim modern komersial tentunya memiliki
tantangan untuk lebih meningkatakan kualitas produk yang otomotis dapat meningkatkan
pendapatan perusahaan. Untuk itu, perusahaan diharapkan memiliki inisiatif untuk menciptakan
penampilan es krim yang menarik dan tentunya dengan tawaran harga murah, sehingga
konsumen penasaran untuk mencoba setiap produk terbaru yang dikeluarkan. Oleh karena itu
perusahaan harus lebih cermat dalam menciptakan es krim mana yang akan banyak peminatnya,
sehingga perlu perekomendasian jenis penampilan maupun varian rasa es krim menggunakan
metode Klasifikasi yang dilakukan menggunakan data mining algoritma C4.5. Data yang
diperlukan yaitu data varian rasa, warna, jenis penampilan , ukuran, dan harga. Algoritma C4.5
adalah algoritma klasifikasi data bertipe pohon keputusan. Pohon keputusan Algoritma C4.5
dibangun dengan beberapa tahap yang meliputi pemilihan atribut sebagai akar, membuat cabang
untuk tiap-tiap nilai dan membagi kasus dalam cabang. Tahapan-tahapan ini akan diulangi untuk
setiap cabang sampai semua kasus pada cabang memiliki kelas yang sama. Dari penyelesaian
pohon keputusan maka akan didapatkan beberapa rule.

Kata kunci : Data Mining, es krim, Algoritma C4.5


1. PENDAHULUAN
1.1 Latar Belakang Masalah
Saat ini, es krim merupakan makanan
selingan (dessert) untuk menyegarkan
dahaga. Banyak model yang sangat unik dan
pilihan rasa yang sangat bermacam-macam
mulai menjadikan es krim sebagai makan
penutup atau sekedar cemilan favorit. Aice
adalah sebuah merek es krim yang popular
saat ini.
kita dapat melihat saat ini banyak sekali
merek-merek es krim maupun yang tak
bermerek di jual di pasaran. Dari harga yang
murah maupun mahal sekalipun tetap saja
es krim merupakan salah satu pilihan yang
tepat untuk cemilan kekinian saat ini. Ice
krim aice pernah mendapatkan penghargaan
10 makanan paling viral 2016 di Indonesia
dan memenangkan "Excellent Brand Award
2017" dengan nilai tertinggi dari Industri es
krim. Hal ini membungktikan seberapa
populernya merek es krim. Dapat dilihat dari
banyak varian rasa yang di tawarka mulai
dari rasa coklat hingga rasa buah-buahan
sekalipun apa lagi di bandrol dengan harga
yang sangat murah.
Dalam kehidupan sehari-hari, dengan sadar
maupun tidak sadar manusia saat ini sudah
terpengaruh oleh berbagai rasa dan bentuk
es krim yang ada disekitarnya, misalnya saja
es krim rasa coklat dan vanila yang dapat
membuat seseorang merasa aman untuk
membeli es krim yang itu-itu saja. Banyak
faktor yang dapat menjadi pengaruh jika
berbicara mengenai pemilihan sebuah rasa
dan model es krim, konsumen dihadapkan
pada berbagai macam pilihan dengan variasi
yang berbeda-beda. Selain itu untuk
menghitung biaya yang dibutuhkan,
diperlukan perhitungan harga yang pas. Hal
tersebut mengakibatkan konsumen
seringkali mengalami kesulitan dalam
memilih es krim. Perkembangan teknologi
komputer yang selalu berkembang dalam
usaha memenuhi kebutuhan manusia di
bidang komunikasi, informasi dan
pengolahan data. Sebagai contoh penjualan
es krim yang berkembang dan tumbuh
sangat cepat. Dengan semakin
meningkatnya konsumen yang menyukai es
krim, maka semakin banyak pula
permasalahan yang timbul di dalam
memberikan pelayanannya kepada
pelanggan. Sistem persediaan es krim harus
disiapkan dengan maksimal agar penjual
dapat memenuhi keinginan konsumen.
Untuk mempermudah penjual memilih es
krim mana yang banyak diminati konsumen
agar disediakan stok untuk es krim tersebut,
maka perlu diprediksi untuk penjualan es
krim terbanyak dengan metode klasifikasi
menggunakan metode data mining
algoritma c4.5.
1.2 Rumusan Masalah
Berdasarkan pada latar belakang masalah,
maka dapat ditemukan masalah yang akan
diselesaikan yaitu merancang suatu sistem
yang dapat membantu penjual dalam
mengambil keputusan untuk memprediksi
produk es krim merk Aice mana yang banyak
diminati konsumen.
1.3 Batasan Masalah
Adapun batasan-batasan masalah dalam
penelitian ini adalah :
1. Penelitian ini hanya sebagai alat bantu
bagi pihak penjual dalam menentukan
produk mana yang banyak diminati oleh
konsumen.
2. Metode yang digunakan dalam
perancangan sistem ini adalah Algorima
C4.5.
3. Output dari penelitian ini adalah urutan
prioritas es krim yang cocok untuk distok
agar laku di pasaran.
2. LANDASAN TEORI
2.1 Data Mining
Data mining pada dasarnya dapat
didefinisikan sebagai pendekatan yang
terdiri dari penggalian informasi kuantitatif
dari suatu set data. Dalam atom probe
tomography (APT), informasi ini dapat
mencakup morfologi, ukuran objek, fraksi
volume, komposisi, kepadatan jumlah, posisi
antarmuka, dan tingkat segregregasi.
Seseorang dengan cepat memahami dari
daftar yang tidak lengkap ini bahwa alat
algoritma tunggal mungkin tidak dapat
menjawab semua pertanyaan yang mungkin
dimiliki pengguna tentang kumpulan data.
Menjadi tersirat bahwa, tergantung pada
fitur minat, kategori alat akan relevan.
Pilihan alat yang relevan karenanya
merupakan langkah pertama dari
pemrosesan data. Langkah kedua berkaitan
dengan definisi parameter pemrosesan yang
cerdas. Memang, sebagian besar alat
algoritmik membutuhkan sejumlah
parameter bebas, pilihan yang sering
memiliki pengaruh kritis pada jumlah yang
diukur. Menentukan parameter pemrosesan
tetap sebagai konsekuensi yang sama
pentingnya dengan definisi kondisi
eksperimental. Setelah (atau sebelum) suatu
hasil disediakan oleh pemrosesan data,
orang masih memiliki penentu apakah fitur
artefak atau intrinsik instrumen dapat
mengurangi tingkat kepercayaan pada hasil
ini[1].
Data mining adalah proses yang
mempekerjakan satu atau lebih teknik
pembelajaran computer (machine learning)
untuk menganalisis dan mengekstrasi
pengetahuan (knowledge) secara otomatis.
Definisi lain diantaranya adalah
pembelajaran berbasis induksi (induction-
basedlearning) adalah proses pembentukan
definisi-definisi konsep umum yang
dilakukan dengan cara mengobservasi
contoh-contoh spesifik dari konsepkonsep
yang akan dipelajari. Knowledge Discovery in
Databases (KDD) adalah penerapan metode
saintifik pada data mining. Dalam konteks ini
data mining merupakan satu langkah dari
proses KDD .
Beberapa teknik dan sifat data mining
adalah sebagai berikut: [2]
a. Classification [Predictive]
b. Clustering [Descriptive]
c. AssociationRule Discovery [Descriptive]
d. Regression [Predictive]
e. DeviationDetection [Predictive]
2.2 Algoritma C4.5
Algoritma C4.5 merupakan algortima yang
digunakan untuk membentuk pohon keputusan.
Pohon keputusan merupakan metodeklasifikasi
dan prediksi yang sangat kuat dan terkenal.
Metode pohon keputusa mengubah fakta yang
sangat besar menjadi pohon keputusanyang
merepresentasikan aturan. Aturan dapat dengan
mudah dipahamidengan bahasa alami. Dan
mereka juga dapat diekspresikan dalam
bentukbahasa basis data seperti Structured
Query Language untuk mencari record pada
kategori tertentu[3]. Cara algoritma C4.5
untuk membangun pohon keputusan yaitu:
a. Pilih atribut yang akan digunakan sebagai
akar
b. Buatlah sebuah cabang untuk setiap nilai
c. Bagilah kasus dalam sebuah cabang
d. Ulangi proses untuk setiap cabang sampai
semua kasus pada cabang memiliki kelas
yang sama.
Ada beberapa tahap dalam membuat
sebuah pohon keputusan dengan algoritma
C4.5.
1. Menyiapkan data training. Data ini diambil
dari data yang sudah pernah ada
sebelumnya dan sudah dikelompokan
kedalam kelas tertentu.
2. Setalah itu tentukan akar dari pohon. Pilih
akar dari atribut, cara adalah dengan
menghitung nilai gain dari semua atribut,
yang menjadi akar pertama adalah nilai gain
yang paling. Sebelum menentukan nilai gain,
terlebih dahulu hitung nilai entropy.
Untuk menentukan nilai entropy gunakan
rumus :
Keterangan :
• S adalah himpunan (dataset) kasus
• k adalah banyaknya partisi S
• pj adalah probabilitas yang di dapat dari
Sum(Ya) dibagi Total Kasus.
3. Setelah itu tentukan nilai gain
menggunakan rumus:
Keterangan :
S = Himpunan Kasus
A = Atribut
n = Jumlah Partisi Atribut A
| Si | = Jumlah Kasus pada partisi ke-i
| S | = Jumlah Kasus dalam S
4. Setelah itu ulangilah langkah ke-2 sampai
semua record terpartisi secara sempurna.
5. Proses partisi pohon keputusan akan
berhenti saat :
a. Semua record dalam simpul N mendapat
kelas yang sama.
b. Tidak ada atribut di dalam record yang
dipartisi lagi.
c. Tidak ada record di dalam cabang yang
kosong.
2.3 Decision Tree
Pohon (tree) adalah sebuah struktur data
yang terdiri dari simpul (node) dan rusuk
(edge). Simpul pada sebuah pohon
dibedakan menjadi tiga, yaitu simpul akar
(root node), simpul percabangan/ internal
(branch/ internal node) dan simpul daun
(leaf node), [4]. Pohon keputusan
merupakan representasi sederhana dari
teknik klasifikasi untuk sejumlah kelas
berhingga, dimana simpul internal maupun
simpul akar ditandai dengan nama atribut,
rusuk-rusuknya diberi label nilai atribut yang
mungkin dan simpul daun ditandai dengan
kelas-kelas yang berbeda [4].
3. PEMBAHASAN
3.1 Perhitungan Manual
Tabel.1 Data es krim

Pada tabel di atas terdapat 30 penilaian dari
6 penilaian yang menentukan minat
konsumen terhadap es krim
Tabel.2 Nilai Gain dan Nilai Entropy
Tabel di atas dapat diketahui bahwa Gain
tertinggi adalah jumlah motif yaitu sebesar
0,06375901. Dengan demikian, nilai harga
dapat menjadi node akar. Ada dua nilai
atribut dari nilai harga, yaitu murah dan
mahal, sehingga perlu dilakukan
perhitungan lagi.
Gambar 1 Decision Tree
Pada gambar di atas dapat diambil
keputusan bahwa jika harga murah maka
minat konsumen banyak. Jika harga mahal
maka minat konsumen sedikit.
3.2 Rapid Miner
Setelah dilakukan dengan perhitungan
menggunakan excel, selanjutnya dilakukan
perhitungan menggunakan aplikasi rapid
miner. Setelah diproses , maka di dapatkan
decision tree dibawah ini.
4. KESIMPULAN DAN SARAN
4.1 Kesimpulan
Berdasarkan hasil penelitian yang dilakukan,
maka penulis dapat menarik kesimpulan
bahwa penjualan es krim dengan
menggunakan metode Data Mining
khususnya Algoritma C4.5 akan bermanfaat
sekali dalam proses pengambilan keputusan
dalam penjualan es krim.
1. Yang menjadi faktor tertinggi yang
mempengaruhi penjualan adalah faktor
jumlah harga es krim.
2. Faktor Ukuran, Varian rasa, Rasa dan
Penampilan tidak mempengaruhi pembelian
karena es krim dengan, ukuran yang kecil,
varian rasa yang banyak, penampilan dan
rasa yang tidak enak ternyata masih diminati
oleh pelanggan.
4.2 Saran
 Adapun saran-saran yang disampaikan
berdasarkan hasil pengamatan dan analisa
selama melakukan penelitian adalah:
1. Penelitian selanjutnya sebaiknya
menggunakan data yang lebih banyak agar
menghasilkan rules yang lebih akurat.
2. Penelitian selanjutnya sebaiknya
menggunakan atribut yang lebih banyak agar
menghasilkan data yang lebih akurat.

DAFTAR PUSTAKA
[1] W. Lefebvre-Ulrikson, G. Da Costa, L.
Rigutti, and I. Blum, Data Mining.
Elsevier Inc., 2016.
[2] S. Pokharel, “Data Mining With Big
Data : A Survey,” pp. 7–9, 2015.
[3] B. Zahedi, B. Nahid-Mobarakeh, S.
Pierfederici, and L. E. Norum, “A
robust active stabilization technique
for dc microgrids with tightly
controlled loads,” Proc. - 2016 IEEE
Int. Power Electron. Motion Control
Conf. PEMC 2016, vol. VI, no. 1, pp.
254–260, 2016.
[4] Hermawati. F. Astuti. (2013). Data
Mining. Yogyakarta: Andi Offset.