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.
Dalam kehidupan sehari-hari, dengan sadar Berdasarkan pada latar belakang masalah,
maupun tidak sadar manusia saat ini sudah maka dapat ditemukan masalah yang akan
terpengaruh oleh berbagai rasa dan bentuk diselesaikan yaitu merancang suatu sistem
es krim yang ada disekitarnya, misalnya saja yang dapat membantu penjual dalam
es krim rasa coklat dan vanila yang dapat mengambil keputusan untuk memprediksi
membuat seseorang merasa aman untuk produk es krim merk Aice mana yang banyak
membeli es krim yang itu-itu saja. Banyak diminati konsumen.
faktor yang dapat menjadi pengaruh jika
berbicara mengenai pemilihan sebuah rasa
dan model es krim, konsumen dihadapkan 1.3 Batasan Masalah
pada berbagai macam pilihan dengan variasi
Adapun batasan-batasan masalah dalam eksperimental. Setelah (atau sebelum) suatu
penelitian ini adalah : hasil disediakan oleh pemrosesan data,
1. Penelitian ini hanya sebagai alat bantu orang masih memiliki penentu apakah fitur
bagi pihak penjual dalam menentukan artefak atau intrinsik instrumen dapat
produk mana yang banyak diminati oleh mengurangi tingkat kepercayaan pada hasil
konsumen. ini[1].
2. Metode yang digunakan dalam
perancangan sistem ini adalah Algorima Data mining adalah proses yang
C4.5. mempekerjakan satu atau lebih teknik
3. Output dari penelitian ini adalah urutan pembelajaran computer (machine learning)
prioritas es krim yang cocok untuk distok untuk menganalisis dan mengekstrasi
agar laku di pasaran. pengetahuan (knowledge) secara otomatis.
2. LANDASAN TEORI
Definisi lain diantaranya adalah
2.1 Data Mining pembelajaran berbasis induksi (induction-
basedlearning) adalah proses pembentukan
Data mining pada dasarnya dapat definisi-definisi konsep umum yang
didefinisikan sebagai pendekatan yang dilakukan dengan cara mengobservasi
terdiri dari penggalian informasi kuantitatif contoh-contoh spesifik dari konsepkonsep
dari suatu set data. Dalam atom probe yang akan dipelajari. Knowledge Discovery in
tomography (APT), informasi ini dapat Databases (KDD) adalah penerapan metode
mencakup morfologi, ukuran objek, fraksi saintifik pada data mining. Dalam konteks ini
volume, komposisi, kepadatan jumlah, posisi data mining merupakan satu langkah dari
antarmuka, dan tingkat segregregasi. proses KDD .
Seseorang dengan cepat memahami dari
daftar yang tidak lengkap ini bahwa alat Beberapa teknik dan sifat data mining
algoritma tunggal mungkin tidak dapat adalah sebagai berikut: [2]
menjawab semua pertanyaan yang mungkin a. Classification [Predictive]
dimiliki pengguna tentang kumpulan data. b. Clustering [Descriptive]
c. AssociationRule Discovery [Descriptive]
Menjadi tersirat bahwa, tergantung pada
d. Regression [Predictive]
fitur minat, kategori alat akan relevan.
e. DeviationDetection [Predictive]
Pilihan alat yang relevan karenanya
merupakan langkah pertama dari 2.2 Algoritma C4.5
pemrosesan data. Langkah kedua berkaitan
dengan definisi parameter pemrosesan yang Algoritma C4.5 merupakan algortima yang
digunakan untuk membentuk pohon keputusan.
cerdas. Memang, sebagian besar alat Pohon keputusan merupakan metodeklasifikasi
algoritmik membutuhkan sejumlah dan prediksi yang sangat kuat dan terkenal.
parameter bebas, pilihan yang sering Metode pohon keputusa mengubah fakta yang
memiliki pengaruh kritis pada jumlah yang sangat besar menjadi pohon keputusanyang
diukur. Menentukan parameter pemrosesan merepresentasikan aturan. Aturan dapat dengan
mudah dipahamidengan bahasa alami. Dan
tetap sebagai konsekuensi yang sama
mereka juga dapat diekspresikan dalam
pentingnya dengan definisi kondisi bentukbahasa basis data seperti Structured
Query Language untuk mencari record pada Keterangan :
kategori tertentu[3]. Cara algoritma C4.5 S = Himpunan Kasus
untuk membangun pohon keputusan yaitu: A = Atribut
a. Pilih atribut yang akan digunakan sebagai n = Jumlah Partisi Atribut A
akar | Si | = Jumlah Kasus pada partisi ke-i
b. Buatlah sebuah cabang untuk setiap nilai | S | = Jumlah Kasus dalam S
c. Bagilah kasus dalam sebuah cabang
d. Ulangi proses untuk setiap cabang sampai 4. Setelah itu ulangilah langkah ke-2 sampai
semua kasus pada cabang memiliki kelas semua record terpartisi secara sempurna.
yang sama. 5. Proses partisi pohon keputusan akan
Ada beberapa tahap dalam membuat berhenti saat :
sebuah pohon keputusan dengan algoritma a. Semua record dalam simpul N mendapat
C4.5. kelas yang sama.
1. Menyiapkan data training. Data ini diambil b. Tidak ada atribut di dalam record yang
dari data yang sudah pernah ada dipartisi lagi.
sebelumnya dan sudah dikelompokan c. Tidak ada record di dalam cabang yang
kedalam kelas tertentu. kosong.
2. Setalah itu tentukan akar dari pohon. Pilih 2.3 Decision Tree
akar dari atribut, cara adalah dengan Pohon (tree) adalah sebuah struktur data
menghitung nilai gain dari semua atribut, yang terdiri dari simpul (node) dan rusuk
yang menjadi akar pertama adalah nilai gain (edge). Simpul pada sebuah pohon
yang paling. Sebelum menentukan nilai gain, dibedakan menjadi tiga, yaitu simpul akar
terlebih dahulu hitung nilai entropy. (root node), simpul percabangan/ internal
(branch/ internal node) dan simpul daun
Untuk menentukan nilai entropy gunakan (leaf node), [4]. Pohon keputusan
rumus : 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
Keterangan :
mungkin dan simpul daun ditandai dengan
• S adalah himpunan (dataset) kasus kelas-kelas yang berbeda [4].
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.