“Rekayasa Teknologi Informasi untuk Teknologi Ramah Lingkungan dan Lingkungan yang Berkelanjutan”
Batu, Jawa Timur, Indonesia, 24 – 25 November 2017
ABSTRAK. Toko “AJ” merupakan toko yang menjual berbagai macam jenis obat-obatan, ada obat pertanian, obat peternakan,
dan obat tambak. Toko ini proses penjualannya sudah memakai sistem terkomputerisasi selama empat tahun terakhir. Akan
tetapi pemilik toko tidak pernah tahu bahwa data penjualan selama ini dapat digunakan untuk melakukan klasifikasi tingkat
penjualan obat, yang dapat dipakai untuk menentukan ketersediaan obat. Berdasarkan data penjualan tersebut, maka penelitian
ini membahas bagaimana algoritma Iterative Dichotomizer Three (ID3) dapat dimanfaatkan untuk proses klasifikasi penjualan
obat apa saja yang laku dan tidak laku. Kategori yang digunakan pada penelitian ini adalah harga, kwalitas dan animo, kelas
yang dipakai adalah laris dan tidak laris. Dataset yang digunakan selama tiga tahun sebanyak 1.200 data training, dan data
testing yang digunakan sebanyak 24. Akurasi yang didapat pada penelitian ini sebesar 91,6%.
Kata Kunci: klasifikasi, ID3, obat, fungisida, penjualan.
ABSTRACT. The "AJ" store is a store that sells a wide variety of medicines, there are agricultural medicines, livestock
medicines, and fish medicines. This store sales process has been using the computerized system for the last four years. However,
store owners never know that sales data so far can be used to classify medicines sales levels, which can be used to determine
medicines availability. Based on the sales data, this research discusses how Iterative Dichotomizer Three (ID3) algorithm can
be used for the classification process of sale of any medicines that sell and do not sell. The categories in this study used price,
quality and interest, the classes are in used demand and not in demand. Data set used for three years as many as 1,200 data
training, and data testing used as much as 24. Accuracy obtained in this study amounted to 91,6%.
Keywords: data mining, ID3, drug,fungisida, sales
PENDAHULUAN
Mengikuti perkembangan teknologi yang bayes dan KNN dalam menyaring spam pada sebuah
serba digital saat ini menuntut para penjual baik toko email. (Jyh-Jian-Sheu, 2008), penelitian yang
besar maupun skala kecil menggunakan sistem dilakukan oleh Gian dalam membandingkan kinerja
terkomputerisasi dalam transaksi penjualan. Selain algoritma Decission Tree dengan naïve bayes juga
dirasakan praktis, cepat dan efisien, ketepatan dalam memiliki hasil yang lebih baik dalam menentukan
pelaporan sangat diinginkan oleh pemilik toko. Bahkan ketepatan waktu kelulusan mahasiswa, (Gian, 2014).
mereka saling berlomba untuk dapat memasarkan dan Berdasarkan pengertiannya bahwa data
menjual produknya secara online. Dengan adanya mining merupakan sebuah penggalian informasi dari
kegiatan seperti inilah yang mengakibatkan semakin sebuah data yang cukup besar maka teknik ini sering
banyaknya data digital yang bisa dimanfaatkan untuk dimanfaatkan oleh para peneliti dalam memanfaatkan
segala macam informasi. Untuk itu peranan data sebuah data, misalnya pada data penjualan.
mining disini sangat diperlukan. Salah satunya pada Pemanfaatan data mining di indonesia juga sudah
toko obat “AJ” ini, toko ini menjual berbagai macam banyak dimanfaatkan dalam dunia penjualan misalkan
obat. Ada obat untuk pertanian, peternakan dan juga untuk segmentasi konsumen (Amborowati, 2014),
tambak. Ada sekitar ±400 jenis obat yang dijual. Memprediksi pembelian cat (Harahap, 2015), prediksi
Ketersediaan obat yang ada ditoko tidak menentu, perilaku pola pembelian terhadap waktu transaksi
karena jenis obat-obat ini juga kadang setiap musim ada (Susanto. Dkk, 2015), Analisis penjualan barang
jenis obat baru. Sehingga pemilik toko menjual obat (Nurdin dan Astika, 2015), untuk meramalkan
berdasarkan musiman. Setiap jenis obat tidak penjualan (Wdyatmoko. Dkk, 2012), dan masih banyak
semuanya dan tiap hari laku. Dengan latar belakang ini pula, data mining penerapannya mengasilkan banyak
maka seharusnya pemilik toko dapat memprediksi jenis manfaat, yaitu dapat melakukan prediksi, klasifikasi
obat mana yang harus banyak di stok dan yang biasa dan juga assosiasi.
saja. Predisksi ini tentunya dari data penjualan Dari penjelasan Berry, Michael J.A. dan
sebelumnya. Dengan adanya penelitian yang dilakukan Linoff, Gordon S., tentang pohon keputusan, maka
diharapkan dapat membantu penjual dalam dapat disimpulkan bahwa algoritma Iterative
optimalisasi penjualan obat dengan pemanfaataan Dichotomiser Three (ID3) merupakan sebuah model
teknik data mining dengan salah satu algoritmanya pohon keputusan terdiri dari sekumpulan aturan untuk
yaitu Iterative Dichotomiser Three (ID3).. membagi sejumlah populasi yang heterogen menjadi
Penggunaan teknik data mining disini lebih kecil, lebih homogen dengan memperhatikan
bermanfaat untuk penanganan proses klasifikasi secara pada variabel tujuannya. Untuk itu penelitian ini nanti
cepat dan ketepatan yang baik dengan data yang besar. akan mendapatkan beberapa aturan dalam
Begitu juga algoritma ID3 selain C4.5 memiliki hasil mendapatkan informasi yang diperlukan.
yang lebih baik dibandingkan dengan algoritma naïve
25
SENTRIN 2017 ISBN: 978-602-50782-0-0
Universitas Brawijaya
Pemanfaatan Algoritma ID3
METODOLOGI dalam penelitian ini sebanyak 1.200 data transaksi
Penelitian ini yang perlu dilakukan adalah selama tiga tahun terakhir. Sebagai contoh pembahasan
persiapan data, data penjualan pada toko obat “AJ” pada paper ini akan dibahas pada penjualan jenis
selama 3 tahun terakhir ini. Dari hasil analisis data produk fungisida. Terdapat 24 dataset pengujian barang
penjualan maka penelitian ini akan melakukan berjenis fungisida. Berikut tabel data barang berjenis
pengelompokkan data atau jenis obat. Pengelompokkan fungisida dan klasifikasi barang tersebu berdasarkan
data jenis obat ini bisa disebut dengan kategori, atribut yang sudah dibuat.
diantaranya ada herbisida, Insektisida, Ikan_ternak dan
Fungisida. Maka akan dilakukan pengkelasan dan Tabel 1. Sampel Data Barang Berjenis Fungisida
pengelompokan berdasarkan kategori. Sehingga dapat No
Nama
Harga Kualitas Animo Beli
digambarkan alur sistem seperti pada Gambar 1. Barang
1 Amistartop 105.000 SYGENTA 51 Ya
100
2 Amistartop 195.000 SYGENTA 101.5 Ya
• herbisida
Kategori • ya
250
• infektisida
• harga
• Tidak 3 Antracol 30.000 BAYER 30.5 Ya
• ikan_ternak 4 Akara 18.000 AGRICON 103.75 Ya
• kwalitas
• fungisida • amoni 5 Bioimun 55.000 DGW 0 Tidak
6 Blast 74.000 AGRICON 1.25 Ya
Produk klasifikasi 7 Cabrio 74.000 BASF 8.75 Ya
Delsene
8 Mx 18.000 DU PONT 135.75 Ya
9 Explorer 105.000 DGW 24.75 Tidak
Gambar 1. Gambaran Sistem Folicur
10 430 141.000 BAYER 23.25 Ya
Untuk dapat melakukan pengklasan maka 11 Folicur 60 37.000 BAYER 34.75 Ya
akan digunakan algoritma ID3 pertama yang dilakukan 12 Filia 250 99.000 SYGENTA 320.5 Ya
13 Filia 50 24.000 SYGENTA 336.25 Ya
adalah mencari nilai Entropy dengan rumus : PT 9.75
14 Jamur 95.000 JAMURLANG Tidak
𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) = −𝑝+ 𝑙𝑜𝑔2 𝑝+ − 𝑝− 𝑙𝑜𝑔2 𝑝− (1) Lang 250
Ml
Dari nilai ini selanjutnya dicari nilai Gain PT 2.25
tertinggi, rumus untuk mencari nilai informasi Gain Jamur
15 45.000 JAMURLANG Tidak
Lang 100
dengan menggunakan rumus : Ml
16 Nativo 16.500 BAYER 52 Ya
𝐺𝑎𝑖𝑛(𝑆, 𝐴) = 12,5 GR
|𝑆 |
𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) − ∑𝑣∈𝑛𝑖𝑙𝑎𝑖(𝐴) 𝑣 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆𝑣 ) (2) 17 Nordox 56 14.500 DGW 47 Tidak
𝑆 Wp
18 Nativo 50 57.000 BAYER 48.25 Ya
Dari Persamaan 1 dan Persamaan 2 akan Gr
didapatkan sebuah pohon keputusan dimana sampul 19 Opus 250
110.000 BASF 8.75 Tidak
yang akan didapatkan dari penelitian ini merupakan 20 21
Opus 100
38.000
Score 250
143.000
BASF
SYGENTA
10
170
Tidak
Ya
jenis kategori, sedangkan akar atau root adalah kelas 22 Score 80
49.000 SYGENTA 391.25 Ya
dari masing-masing kategori yang ditentukan: (1) 23 Saromyl
8.000 PETROSIDA 14 Tidak
Harga (mahal, normal, murah): Mahal = 100.000 – 24 Topsida
20.000 PETROSIDA 50.75 Tidak
200.000, Normal = 50.000 – 99.900, dan Murah = <
50.000; (2) Kualitas (Super, Medium, Standart): Super Tabel 2. Sampel Data Barang Berjenis Fungisida
= Sygenta Dan Bayer, Medium = Du Pont, Pt Berdasarkan Klasifikasi
Jamurlang, Agricon, Basf, dan Standart = No Nama Barang Harga Kualitas Animo Beli
1 Amistartop 100 Mahal Super Sedang Ya
Petrosida,Dgw; dan (3) Animo (Tinggi, Sedang, 2 Amistartop 250 Mahal Super Rendah Ya
Rendah): Tinggi = > 100, Sedang = > 50 – 99, dan 3 Antracol Murah Super Tinggi Ya
Rendah = < 50. Selanjutnya leaf atau daun merupakan 4 Akara Murah Medium Tinggi Ya
hasilnya berupa prediksi “ya” artinya laris dan layak 5 Bioimun Normal Standart Rendah Tidak
untuk dijual kembali, “tidak” artinya tidak laris tidak 67 Blast
Cabrio
Normal
Normal
Medium
Medium
Rendah
Rendah
Ya
Ya
perlu dilakukan stok lagi. Delsene Mx -
8 80 Wp Murah Medium Tinggi Ya
9 Explorer Mahal Standart Rendah Tidak
10 Folicur 430 Mahal Super Rendah Ya
11 Folicur 60 Murah Super Rendah Ya
12 Filia 250 Normal Super Tinggi Ya
13 Filia 50 Murah Super Tinggi Ya
HASIL DAN PEMBAHASAN Jamur Lang
(Obat Jamur)
Empat jenis produk yang diteliti pada 14 250 Normal Medium Rendah Tidak
penelitian ini pengujian pada sistem klasifikasi secara
berbeda tiap produk. Trainingset yang digunakan
26
SENTRIN 2017 ISBN: 978-602-50782-0-0
Universitas Brawijaya
Pemanfaatan Algoritma ID3
No Nama Barang Harga Kualitas Animo Beli untuk mengetahui simpul dibawah harga apakah
Jamur Lang
(Obat Jamur)
kualitas atau animo. perhitungan Entropy untuk
15 100 Murah Medium Rendah Tidak mencari root harga mahal maka, hasil root harga mahal
Nativo 12,5 dapat dilihat pada tree Gambar 2.
16 GR Murah Medium Rendah Ya
17 Nordox 56 Wp Murah Standart Rendah Tidak
18 Nativo 50 GR Normal Medium Rendah Ya
19 Opus 250 Mahal Medium Rendah Tidak
20 Opus 100 Murah Medium Rendah Tidak
21 Score 250 Mahal Super Tinggi Ya
22 Score 80 Murah Super Tinggi Ya
23 Saromyl Murah Standart Rendah Tidak
24 Topsida Murah Standart Sedang Tidak
27
SENTRIN 2017 ISBN: 978-602-50782-0-0
Universitas Brawijaya
Pemanfaatan Algoritma ID3
Tabel 6. Hasil Prediksi
No Nama Obat Nett 2014 2015 2016 Harga Kualitas Animo Beli Prediksi Kecocokan
1. Amistratop 100ml 55 51 48 Mahal Super Sedang Ya L Sesuai
2. Amistratop 250ml 0 72 50 Mahal Super Rendah Ya L Tidak Sesuai
3. Antracol 250gr 110 98 120 Murah Medium Tinggi Ya L Sesuai
4. Akara potong leher 0 205 210 Murah Medium Tinggi Ya L Sesuai
5. Bioimun 500ml 0 0 0 Normal Standart Rendah Tidak TL Sesuai
6. Blast 0 0 5 Normal Medium Rendah Ya TL Sesuai
7. Cabrio 100gr 0 2 33 Normal Medium Rendah Ya TL Sesuai
8. Delsene mx-80 wp 100gr 129 78 209 Murah Medium Tinggi Ya L Sesuai
9. Explorer 250ml 29 21 20 Mahal Standart Rendah Tidak TL Sesuai
10. Folicur 430sc 240ml 26 20 21 Mahal Super Rendah Ya TL Sesuai
11. Folicur 430sc 60ml 44 19 32 Murah Super Rendah Ya TL Sesuai
12. Filia 250ml 129 369 655 Normal Super Tinggi Ya L Sesuai
13. Filia 50ml 82 464 717 Murah Super Tinggi Ya L Sesuai
14. Jamur lang (obat jamur) 0 24 15 Normal Medium Rendah Tidak TL Sesuai
15. Jamur lang (obat jamur) 0 2 7 Murah Medium Rendah Tidak TL Sesuai
16. Nativo Sachet 60 52 29 Murah Medium Rendah Ya TL Sesuai
17. Nordox 56 wp 100gr 78 0 27 Murah Standart Rendah Tidak TL Sesuai
18. Nativo 50gr 11 83 21 Normal Medium Rendah Ya TL Sesuai
19. Opus 75 ec 250ml 2 16 15 Mahal Medium Rendah Tidak TL Sesuai
20. Opus 75 ec 100ml 0 15 25 Murah Medium Rendah Tidak TL Sesuai
21. Score 250ec 250ml 145 218 147 Mahal Super Tinggi Ya L Sesuai
22. Score 250ec 80ml 382 435 354 Murah Super Tinggi Ya L Sesuai
23. Saromyl 0 30 26 Murah Standart Rendah Tidak TL Sesuai
24. Topsida 100ml 0 93 110 Murah Standart Sedang Tidak L Tidak Sesuai
DAFTAR RUJUKAN
Amborowat. A, Winarko. E. 2014. Review
pemanfaatan teknik data mining dalam
segmentasi konsumen. KOMMIT 2014, Vol 8
hal (67-73).
Dita. H Anggraini, Saputra. R, Noranita. B. Aplikasi
Data Mining Analisis Data Transaksi
Penjualan Obat Menggunakan Algoritma
Apriori (Studi Kasus Apotek Setya Sehat
Semarang). Jurnal Masyarakat Informatika,
Vol 4, No 7, ha l(1-8).
Dwi. M Tika Ramuna, Firdaus. W Mahmudy.
2015.Optimasi Persediaan Barang Dalam
Poduksi Jilbab Menggunakan Agoritma
Genetika. Repository Jurnal Mahasiswa
PTIIK Universitas Brawijaya, vol. 5, no. 14,
Hal (1-10).
29
SENTRIN 2017 ISBN: 978-602-50782-0-0
Universitas Brawijaya