Prosiding Seminar Nasional Teknologi dan Rekayasa Informasi Tahun 2017

“Rekayasa Teknologi Informasi untuk Teknologi Ramah Lingkungan dan Lingkungan yang Berkelanjutan”
Batu, Jawa Timur, Indonesia, 24 – 25 November 2017

Pemanfaatan Algoritma ID3 untuk Klasifikasi Penjualan Obat

Siti Mujilahwati
Fakultas Teknik, Universitas Islam Lamongan
moedjee@gmail.com

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
serba digital saat ini menuntut para penjual baik toko
besar maupun skala kecil menggunakan sistem
terkomputerisasi dalam transaksi penjualan. Selain
dirasakan praktis, cepat dan efisien, ketepatan dalam
pelaporan sangat diinginkan oleh pemilik toko. Bahkan
mereka saling berlomba untuk dapat memasarkan dan
menjual produknya secara online. Dengan adanya
kegiatan seperti inilah yang mengakibatkan semakin
banyaknya data digital yang bisa dimanfaatkan untuk
segala macam informasi. Untuk itu peranan data
mining disini sangat diperlukan. Salah satunya pada
toko obat “AJ” ini, toko ini menjual berbagai macam
obat. Ada obat untuk pertanian, peternakan dan juga
tambak. Ada sekitar ±400 jenis obat yang dijual.
Ketersediaan obat yang ada ditoko tidak menentu,
karena jenis obat-obat ini juga kadang setiap musim ada
jenis obat baru. Sehingga pemilik toko menjual obat
berdasarkan musiman. Setiap jenis obat tidak
semuanya dan tiap hari laku. Dengan latar belakang ini
maka seharusnya pemilik toko dapat memprediksi jenis
obat mana yang harus banyak di stok dan yang biasa
saja. Predisksi ini tentunya dari data penjualan
sebelumnya. Dengan adanya penelitian yang dilakukan
diharapkan dapat membantu penjual dalam
optimalisasi penjualan obat dengan pemanfaataan
teknik data mining dengan salah satu algoritmanya
yaitu Iterative Dichotomiser Three (ID3)..
Penggunaan teknik data mining disini
bermanfaat untuk penanganan proses klasifikasi secara
cepat dan ketepatan yang baik dengan data yang besar.
Begitu juga algoritma ID3 selain C4.5 memiliki hasil
yang lebih baik dibandingkan dengan algoritma naïve
25
SENTRIN 2017
Universitas Brawijaya
bayes dan KNN dalam menyaring spam pada sebuah
email. (Jyh-Jian-Sheu, 2008), penelitian yang
dilakukan oleh Gian dalam membandingkan kinerja
algoritma Decission Tree dengan naïve bayes juga
memiliki hasil yang lebih baik dalam menentukan
ketepatan waktu kelulusan mahasiswa, (Gian, 2014).
Berdasarkan pengertiannya bahwa data
mining merupakan sebuah penggalian informasi dari
sebuah data yang cukup besar maka teknik ini sering
dimanfaatkan oleh para peneliti dalam memanfaatkan
sebuah data, misalnya pada data penjualan.
Pemanfaatan data mining di indonesia juga sudah
banyak dimanfaatkan dalam dunia penjualan misalkan
untuk segmentasi konsumen (Amborowati, 2014),
Memprediksi pembelian cat (Harahap, 2015), prediksi
perilaku pola pembelian terhadap waktu transaksi
(Susanto. Dkk, 2015), Analisis penjualan barang
(Nurdin dan Astika, 2015), untuk meramalkan
penjualan (Wdyatmoko. Dkk, 2012), dan masih banyak
pula, data mining penerapannya mengasilkan banyak
manfaat, yaitu dapat melakukan prediksi, klasifikasi
dan juga assosiasi.
Dari penjelasan Berry, Michael J.A. dan
Linoff, Gordon S., tentang pohon keputusan, maka
dapat disimpulkan bahwa algoritma Iterative
Dichotomiser Three (ID3) merupakan sebuah model
pohon keputusan terdiri dari sekumpulan aturan untuk
membagi sejumlah populasi yang heterogen menjadi
lebih kecil, lebih homogen dengan memperhatikan
pada variabel tujuannya. Untuk itu penelitian ini nanti
akan mendapatkan beberapa aturan dalam
mendapatkan informasi yang diperlukan.
ISBN: 978-602-50782-0-0
 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

Dalam pengimplementasian algoritma ID3

dengan dataset barang berjenis fungisida akan
dilakukan proses perhitungan Entropy dan
information Gain secara manual untuk menentukan
jumlah klasifikasi berdasarkan atribut yang telah
dibuat. Berikut jumlah data klasifikasi barang
berdasarkan atribut.

Tabel 3. Klasifikasi Harga Gambar 2. Root Harga Mahal

Atribut Ya Tidak Banyak data
Rule harga mahal telah diperoleh sebagai
Mahal 4 2 6
Normal 4 2 6 berikut : If Mahal And Super And Tinggi Then Laris;
Murah 7 5 12 If Mahal And Super And Sedang Then Laris; If Mahal
And Super And Rendah Then Tidak Laris; If Mahal
Tabel 4. Klasifikasi Kualitas And Medium And Tinggithen Laris; If Mahal And
Banyak Medium And Sedang Then Laris; If Mahal And
Atribut Ya Tidak Medium And Rendah Then Tidak Laris; If Mahal And
data
Super 9 0 9 Standart And Tinggi Then Laris; If Mahal And Standart
Medium 6 4 10 And Sedang Then Laris; If Mahal And Standart And
Standart 0 5 5 Rendah Then Tidak Laris. Setelah mendapatkan root
pertama maka selanjutnya adalah mencari leaf dari tree
Tabel 5. Klasifikasi Animo itu sendiri dengan menghitung kembali nilai Entropy
Atribut Ya Tidak Banyak data dan Gain. Dan hasil dari perhitungan menunjukkan
Tinggi 7 0 7 bawah Information Gain yang diperoleh Gain (S,
Sedang 1 1 2 kualitas) adalah yang terbesar. Sehingga kualitas
Rendah 5 8 13 adalah atribut yang merupakan the best classifier dan
harus diletakkan sebagai simpul / leaf dibawah simpul
‘Harga’ untuk harga ‘sedang’dan Information Gain (S,
Langkah selanjutnya menentukan Entropy dan animo) lebih kecil dibandingkan Information Gain
information Gain, umtuk menentukan klasifikasi yang (S,kualitas ) sehingga animo harus diletakkan sebagai
paling berpengaruh pada barang berjenis fungisida simpul dibawah simpul ‘kualitas’. Untuk tree
yang nantinya akan dijadikan root pada sebuah tree. berikutnya telah di gambarkan seperti pada Gambar 3.
Dari hasil perhitungan Entropy dan informasi Gain Dimana ada simpul kualitas pada atribut harga normal.
Entropy diketahui bahwa atribut dengan Gain tertinggi Dari Gambar 3 didapatkan Rule harga normal
adalah harga, yaitu sebesar 0,657. Dengan demikian, sebagai berikut : If Normal And Super And Tinggi
harga dapat menjadi node akar. Ada tiga nilai atribut Then Laris; If Normal And Super And Sedang Then
dari harga, yaitu mahal, normal dan murah, sehingga Tidak Laris; If Normal And Super And Rendah Then
perluh dilakukan perhitungan lagi untuk menentukan Tidak Laris; If Normal And Medium And Tinggi Then
simpul dibawah harga. Langkah selanjutnya adalah Laris; If Normal And Medium And Sedang Then Tidak
Laris; If Normal And Medium And Rendah Then Tidak
menetukan rule yang nantinya akan diimplementasikan
Laris; If Normal And Standart And Tinggi Then Laris;
ke sistem. Berdasarkan Gain Entropy harga memiliki
If Normal And Standart And Sedang Then Tidak Laris;
nilai Gain Entropy yang tinggi dibandingkan animo If Normal And Standart And Rendah Then Tidak Laris.
dan kualitas, maka harga akan menjadi node akar . Dari hasil perhitungan Entropy untuk mencari root
karena harga memiliki tiga nilai atribut, yaitu mahal, harga murah maka, hasil root harga murah dapat dilihat
normal dan murah yang memiliki nilai maka perlu pada Gambar 4.
dilakukan perhitungan dengan memanggil fungsi ID3

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

Laris[ If Murah And Medium And Rendah Then Tidak

Laris; If Murah And Standart And Tinggi Then Laris;
If Murah And Standart And Sedang Then Tidak Laris;
If Murah And Standart And Rendah Then Tidak Laris .
Dari hasil rule yang telah diperoleh dalam penelitian ini
akan diujikan dengan menggunakan 24 dataset dan dari
sekitar 1.200 dataset training. Dataset uji yang dipakai
ditampilkan seperti pada Tabel 6.
Berdsarkan hasil perhitungan Entropy dan
informasi Gain pada harga dengan tiga atribut yaitu
mahal, normal dan murah maka, diperoleh prediksi
barang berjenis fungisida seperti ditampilkan pada
Gambar 5. Dari hasil prediksi pada Gambar 5,
diperoleh ada dua jenis produk yang tidak memenuhi
rule dari yang telah diterapkan yaitu pada jenis
Gambar 3. Root Harga Normal Amistratop 250ml dan Saromyl yang sama-sama
diprediksi LARIS dalam penjualan padahal dalam rule
dikatakan bahwa untuk rule: If harga = MAHAL and
kwalitas = SUPER and Animo = RENDAH Then
TIDAK LARIS; dan If harga = MURAH and kwalitas
= STANDART and Animo = SEDANG then TIDAK
LARIS. Error dan akurasi dapat dihitung dengan
Persamaan (1).
banyak data yang tidak sesuai
Error = * 100% (1)
banyak data
2
* 100% = 0,84 %
24
banyak data yang sesuai
Akurasi data = * 100% (2)
banyak data
22
* 100% = 91,6 %
24

Sedangkan dari produk herbisida, Insektisida,

Gambar 4. Root Harga Murah dan ikan ternak dari jumlah jenis produk sebanyak 24
sampel telah dilakukan prediksi prediksi dan
Dari Gambar 4 didapatkan hasil Rule harga didapatkan hasil akurasi dan error ditampilkan seperti
murah sebagai berikut: If Murah And Super And Tinggi pada Tabel 7.
Then Laris; If Murah And Super And Sedang Then
Tidak Laris; If Murah And Super And Rendah Then Table 7. Hasil Perhitungan Entropy dan Error
No. Jenis Harga Kualitas Animo Keakur Error
Tidak Laris; If Murah And Medium And Tinggi Then atan
Laris; If Murah And Medium And Sedang Then Tidak
28
SENTRIN 2017 ISBN: 978-602-50782-0-0
Universitas Brawijaya

1 fungis 0.6578 0.2804 0.4186 87.5 12.5
ida
2 Herbi 0.6153 0.3975 0.3528 96.875 3.125
sida
3 Insekt 0.3383 0.6718 0.2582 96.273 3.726
isida
4 Ikan 0.6642 0.6699 0.5706 97.709 2.290
dan
ternak
SIMPULAN DAN SARAN
Perangkat lunak yang dihasilkan mampu
menerapkan proses data mining khususnya algoritma
ID3, untuk menklasifikasi data penjualan penjualan
obat berjenis: (1) Fungisida dengan atribut yang paling
berpengaruh yang pertama adalah harga sebesar 0,657
kemudian atribut yang berpengaruh kedua adalah
kualitas sebesar 0,280 dan yang terakhi adalah atribut
animo sebesar 0,418. Dengan akurasi data sebesar
91,6% dan error/kesalahan sebesar 12,5%; (2) Obat
berjenis herbisida dengan atribut yangpaling
berpengaruh yang pertama adalah harga sebesar 0,615
kemudian atribut yang berpengaruh kedua adalah
kualitas sebesar 0,397 dan yang terakhir adalah atribut
animo sebesar 0,353. Dengan akurasi data sebesar
96,8% dan error/kesalahan sebesar 3,12%; (3) Obat
berjenis insektisida dengan atribut yang paling
berpengaruh yang pertama adalah harga sebesar 0,338
kemudian atribut yang berpengaruh kedua adalah
kualitas sebesar 0,617 dan yang terakhir adalah atribut
animo sebesar 0,258. Dengan akurasi data sebesar
96,2% dan error/kesalahan sebesar 3,72%; (4) Obat
berjenis ikan dan ternak dengan atribut yang paling
berpengaruh yang pertama adalah harga sebesar 0,664
kemudian atribut yang berpengaruh kedua adalah
kualitas sebesar 0,669 dan yang terakhir adalah atribut
animo sebesar 0,570. Dengan akurasi data sebesar
97,7% dan error/kesalahan sebesar 2,29%.
Berdasarkan hasil penelitian dan analisis hasil
review penelitian lainnya bahwa akurasi yang diperoleh
memiliki tingkat akurasi yang tinggi dengan pengujian
tiga sampai lima atribut yang dipakai, untuk
pembuktian bahwa algoritma ID3 ini baik, dapat
ditambahkan lebih banyak atribut yang dipakai.
Pemanfaatan Algoritma ID3
Gian. Fiastantyo. 2014. Perbandingan Kinerja Metode
Klasifikasi Data Mining Menggunakan Naïve
Bayes Dan Algoritma C4.5 Untuk Prediksi
Ketepatan Waktu Kelulusan Mahasiswa.
Skripsi
Han. J, Kamber. M. Data Mining Concepts And
Techniques, Second Edition. University of
Illinois at Urbana-Champaign.
Nurdin, Astika. D., 2015. Penerapan Data Mining
Untuk Menganalisis Penjualan Barang
Dengan Menggunakan Metode Apriori Pada
Supermarket Sejahtera Lhokseumawe.
TECHSI, Vol. 6 No.1, Hal (133-155).
Sheu, Jyh-Jian. 2008. An Efficient Two-phase Spam
Filtering Methode Based on E-mails
categorization. International Journal of
Network Security, Vol. 8, No. 3, PP.334-343,
Taiwan
Susanto, dkk., 2015. Penerapan Data Mining
Classification Untuk Prediksi Perilaku Pola
Pembelian Terhadap Waktu Transaksi
Menggunakan Metode Naïve Bayes.
Konferensi Nasional Sistem & Informatika,
STMIK STIKOM. Hal (313-318).
Wdyatmoko. H, Setiawan. A Honggowibowo,
Cahyani. N Dewi Retnowati. 2012.
Implementasi Data Mining Untuk
Meramalkan Penjualan Di Minimarket Idola
Jl Pati-Tambakromo Km 2 Desa
Karangmulyo RT 08 RW 1 Dengan Metode
Time Serie. Teknik Informatika STTA
Yogyakarta.

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