Prediksi Kinerja Pencapaian Hasil Usaha Menggunakan Decission Tree

Journal of Science and Social Research ISSN 2615 – 4307 (Print)
August 2019, II (2): 74 – 81 ISSN 2615 – 3262 (Online)

Available online at http://jurnal.goretanpena.com/index.php/JSSR
PREDIKSI KINERJA PENCAPAIAN HASIL USAHA MENGGUNAKAN

DECISSION TREE
Muhammad Ardiansyah Sembiring

Sekolah Tinggi Manajemen Informatika Dan Komputer Royal Kisaran
Jl. Prof. M. Yamin 173 Kisaran, Sumatera Utara 21222
Email : adinmantap88@gmail.com
Abstract: This research will greatly assist the company management in predicting whether or not
the target profit is achieved. The target of this research object is the collection of profit / loss
statement data, especially the achievement of target profit data on the CV. Budi Jaya, which is a
snack distributor that comes from products from PT. Mayora Indah Tbk. Based on the data
collected, the first step taken is to form a Decission System table consisting of condition attributes
and decision attributes. The table will then be processed in accordance with the stages of the data
mining process. Through the process that has been done using Decission Tree Algorithm C.45.
Based on the process that has been carried out, 6 rules are produced with the highest root node, the
Cost variable. The six rules found will be the foundation for the distributor company management
in predicting the achievement of profit targets.
Keywords: Prediction; Profit; Algorithm C.45.
Abstrak: Penelitian ini akan sangat membantu pengelola perusahaan dalam memprediksi tercapai
atau tidaknya target profit. Target objek penelitian ini yaitu kumpulan data laporan laba/rugi
terutama data pencapain target profit pada CV. Budi Jaya yang merupakan distibutor makanan
ringan yang berasal dari produk dari PT. Mayora Indah Tbk. Berdasarkan data yang terkumpul,
langkah pertama yang dilakukan adalah membentuk tabel Decission System yang terdiri dari
atribut kondisi dan atribut keputusan. Tabel tersebut kemudian akan diproses sesuai dengan
tahapan proses data mining. Melalui proses yang telah dilakukan menggunakan Decission Tree
Algoritma C.45. Berdasarkan proses yang telah dilakukan maka dihasilkan 6 buah aturan/rule
dengan node akar tertinggi yaitu variabel Biaya. Keenam aturan yang ditemukan tersebut akan
menjadi landasan bagi pengelola perusahaan distributor dalam memprediksi ketercapaian target
profit.
Kata Kunci : Prediksi; Profit; Algoritma C.45.
PENDAHULUAN biasanya menentukan nilai pencapaian

Perkembangan teknologi informasi target yang harus dicapai pihak
menjadi perhatian tersendiri bagi masyarakat manajemen seperti target profit untuk
dan suatu hal yang kini menjadi kebutuhan mengukur dan memacu kinerja
yang sangat penting bagi masyarakat dunia. karyawannya. Tingginya tingkat
menjanjikan bagi para pasar teknologi persaingan di dalam dunia usaha tersebut,
informasi. Perkembangan teknologi dan menjadikan setiap perusahaan harus
informasi yang semakin pesat ternyata meningkatkan kinerja dan terus
membawa perubahan dalam segala bidang mengevaluasi diri secara tepat agar dapat
termasuk kepada perkembangan dunia bertahan bahkan memenangkan
industri. persaingan.
Perusahaan distributor merupakan Proses evaluasi yang dilakukan
perusahaan dagang yang berorientasi pada seharusnya dilakukan secara objektif.
profit/keuntungan. Para pengusaha Salah satu cara objektif yang dapat
menggambarkan kondisi perusahan dan menyusun laporan laba/rugi yang

kemudian dilakukan evaluasi tersebut berasal dari data keuangan perusahaan.
yaitu melalui hasil perhitungan Pada penerapannya didunia industri,
laba/rugi yang di dalamnya terdapat nilai penelitian dengan metode Klasifikasi
laba bersih yang disebut dengan profit. Algoritma C.45 telah banyak digunakan
Hasil perhitungan laba/rugi akan dianalisa salah satunya yang dilakukan oleh Fitria
berdasarkan variabel yang menyusunnya Harahap(2015) dengan judul “Penerapan
dalam satu periode. Satu periode biasanya Data Mining dalam Memprediksi
dihitung pada akhir setiap bulan pada tahun Pembelian Cat”. Pada penelitian tersebut
masehi. metode data mining yang digunakan
Penelitian ini dilakukan pada untuk pencarian solusi yaitu klasifikasi
sebuah perusahaan distributor swasta algoritma C4.5 untuk memudahkan
yaitu CV. Budi Jaya yang bergerak dalam pengambilan keputusan dalam
pada penjualan makanan ringan. Pada proses pembelian cat di Departement
perusahaan ini, peneliti menemukan penjualan Home Smart Medan.
masalah dalam menganalisa Berdasarkan latar belakang masalah
ketercapaian target profit pada laporan di atas, tujuan penelitian ini yaitu:.
laba/rugi yaitu variabel yang dijadikan 1. Mengimplementasikan metode
bahan evaluasi tidak utuh karena hanya klasifikasi algoritma C.45 dalam
fokus kepada omset penjualan. menganalisa hasil perhitungan
Perusahaan tersebut menganggap bahwa laba/rugi .
target keuntungan perusahaan akan 2. Menemukan rule atau aturan data
tercapai hanya jika omset penjualan mining metode rough set sesuai
besar. Hal ini menyebabkan evaluasi dengan variabel- variabelnya.
terhadap variabel lain terabaikan. 3. Menguji Decision System dari proses
Akibatnya, penyebab-penyebab tercapai ekstraksi menggunakan Tools
atau tidak tercapainya target profit tidak Rapidminer 5 untuk mendapatkan
diketahui secara utuh. Hal tersebut di pengetahuan baru.
atas dapat menyebabkan keuntungan
menjadi tidak maksimal bahkan dapat Data Mining
menyebabkan kerugian bagi perusahaan Data mining dapat diartikan sebagai
yang berujung kepada kebangkrutan. pengekstrakan informasi baru yang
Berangkat dari permasalahan di diambil dari bongkahan data besar
atas maka peneliti tertarik untuk yang membantu dalam pengambilan
melakukan proses data mining pada data keputusan (Prasetyo,2012). Di dalam
laporan laba/rugi perusahan guna jurnal internasional dijelaskan bahwa
mendapatkan informasi yang dapat data mining adalah ekstraksi informasi
digunakan untuk memprediksi prediktif tersembunyi dari database
kertercapaian target profit. Metode yang besar, yang merupakan teknologi yang
peneliti gunakan adalah metode kuat dengan potensi besar untuk
Klasifikasi dengan Algoritma C.45 yang membantu organisasi fokus pada
merupakan cabang dalam data mining. informasi yang paling penting dalam
Melalui metode Klasifikasi Algoritma gudang data mereka (Thakare, 2010).
C.45 dengan aplikasi yang digunakan di Data mining juga disebut Knowledge
dalam pengolahan data penulis akan Discovery in Database (KDD), adalah
membandingkan setiap variabel yang bidang menemukan Informasi dan
berpotensi berguna dari data dalam
jumlah besar. Data mining telah b. Metode Klasifikasi

diterapkan dalam sejumlah besar bidang, Klasifikasi adalah proses
termasuk penjualan ritel, bioinformatika, untuk menemukan model atau
dan kontra terorisme. Dalam beberapa fungsi yang menjelaskan atau
tahun terakhir, telah terjadi peningkatan membedakan konsep atau kelas data,
minat dalam penggunaan data mining dengan tujuan untuk dapat
untuk menyelidiki pertanyaan ilmiah memperkirakan kelas dari suatu objek
dalam penelitian pendidikan (Ryan, yang labelnya tidak diketahui. Model itu
2009). sendiri bisa berupa aturan “jika-maka”,
berupa decission tree, formula matematis
Dengan definisi data mining yang atau neural network. Decision tree
luas, ada banyak jenis teknik analisa adalah salah satu metode Klasifikasi
yang dapat digolongkan dalam data yang paling populer karena mudah untuk
mining. Banyak praktisi data mining diinterpretasi oleh manusia. Proses
menyetujui tentang suatu area aplikasi klasifikasi biasanya dibagi menjadi dua
tertentu. Berbagai teknik data mining fase: learning dan test. Pada fase
dapat digunakan untuk setiap tipe learning, sebagian data yang telah
fungsi. Teknik–teknik ini terdiri atas diketahui kelas datanya diumpankan
algoritma spesifik yang dapat digunakan untuk membentuk model perkiraan.
untuk setiap fungsi. Memahami Kemudian pada fase test model yang
bagaimana teknik-teknik ini bekerja sudah terbentuk diuji dengan sebagian
dapat membantu dalam memilih data lainnya untuk mengetahui akurasi
teknik yang sesuai untuk dari model tersebut. Bila akurasinya
memecahkan suatu problema. mencukupi model ini dapat dipakai
Beberapa teknik data mining antara lain untuk memprediksi kelas data yang
: belum diketahui.
a. Association Rule Mining c. Clustering
Association rule mining adalah Berbeda dengan association rule
teknik mining untuk menemukan mining dan classification dimana kelas
aturan assosiatif antara suatu kombinasi data telah ditentukan sebelumnya,
item. Contoh dari aturan assosiatif dari clustering melakukan pengelompokan
analisa pembelian di suatu pasar data tanpa berdasarkan kelas data
swalayan adalah bisa diketahui berapa tertentu. Bahkan clustering dapat
besar kemungkinan seorang pelanggan dipakai untuk memberikan label pada
membeli roti bersamaan dengan susu. kelas data yang belum diketahui itu.
Dengan pengetahuan tersebut pemilik Karena itu clustering sering
pasar swalayan dapat mengatur digolongkan sebagai metode
penempatan barangnya atau merancang unsupervised learning. Prinsip dari
kampanye pemasaran dengan memakai clustering adalah memaksimalkan
kupon diskon untuk kombinasi barang kesamaan antar anggota satu kelas
tertentu. Penting tidaknya suatu aturan dan meminimumkan kesamaan antar
assosiatif dapat diketahui dengan dua kelas/cluster Banyak algoritma
parameter, support yaitu persentase clustering memerlukan fungsi jarak
kombinasi item tersebut dalam untuk mengukur kemiripan antar data,
database dan confidence yaitu kuatnya diperlukan juga metode untuk
hubungan antar item dalam aturan normalisasi bermacam atribut yang
assosiatif. dimiliki data. Beberapa kategori
algoritma clustering yang banyak relevan dan diperlukan untuk KDD,

dikenal adalah metode partisi dimana seperti data atau informasi eksternal.
pemakai harus menentukan jumlah k 3. Transformation : yaitu proses coding
partisi yang diinginkan lalu setiap pada data yang telah dipilih, sehingga
data diuji untuk dimasukkan pada data tersebut sesuai untuk proses data
salah satu partisi, metode lain yang mining. Proses coding dalam KDD
telah lama dikenal adalah metode merupakan proses kreatif dan sangat
hierarki yang terbagi dua lagi: tergantung pada jenis atau pola
bottom-up yang menggabungkan informasi yang akan dicari dalam
cluster kecil menjadi cluster lebih database.
besar dan top-down yang memecah 4. Data mining : proses mencari pola atau
cluster besar menjadi cluster yang lebih informasi menarik dalam data terpilih
kecil. Kelemahan metode ini adalah bila dengan menggunakan teknik atau
salah satu penggabungan/pemecahan metode tertentu.
dilakukan pada tempat yang salah, tidak 5. Interpretation / Evaluation : pola
dapat didapatkan cluster yang optimal. informasi yang dihasilkan dari proses
Pendekatan yang banyak diambil adalah data mining perlu ditampilkan dalam
menggabungkan metode hierarki bentuk yang mudah dimengerti oleh
dengan metode clustering lainnya. pihak yang berkepentingan. Tahap ini
merupakan bagian dari proses KDD
Definisi Knowledge Discovery in yang disebut dengan interpretation.
Database Tahap ini mencakup pemeriksaan
Data mining sebenarnya merupakan apakah pola atau informasi yang
salah satu bagian proses Knowledge ditemukan bertentangan dengan fakta
Discovery in Database (KDD) yang atau hipotesa yang ada sebelumnya
bertugas untuk mengekstrak pola atau atau tidak.
model dari data dengan menggunakan
suatu algoritma yang spesifik Algoritma C.45
(Ginanjar, 2012). Adapun tahapan Metode klasifikasi merupakan
Knowledge Discovery in Database salah teknik yang terdapat dalam data
(KDD) sebagai berikut : mining. Metode ini menggunakan
1. Data Selection : pemilihan data dari pohon keputusan dalam mengubah
sekumpulan data operasional perlu fakta yang sangat besar menjadi pohon
dilakukan sebelum tahap penggalian keputusan yang merepresentasikan
informasi dalam KDD dimulai. aturan. Pohon keputusan juga berguna
2. Preprocessing : sebelum proses data untuk mengeksplorasi data,
mining dapat dilaksanakan, perlu menemukan hubungan tersembunyi
dilakukan proses cleaning dengan antara sejumlah calon variabel input
tujuan untuk membuang duplikasi dengan sebuah variabel target. Data
data, memeriksa data yang inkonsisten, dalam pohon keputusan biasanya
dan memperbaiki kesalahan pada dinyatakan dalam bentuk tabel
data, seperti kesalahan cetak dengan atribut dan record. Atribut
(tipografi). Juga dilakukan proses menyatakan suatu parameter yang
enrichment, yaitu proses disebut sebagai kriteria dalam
“memperkaya” data yang sudah ada pembentukan pohon. Misalkan untuk
dengan data atau informasi lain yang menentukan main tenis, kriteria yang
diperhatikan adalah cuaca, angin, dan

suhu. Salah satu atribut merupakan
atribut yang menyatakan data solusi
per item data yang disebut atribut Keterangan:
hasil. Banyak algoritma yang dapat A = Atribut
dipakai dalam pembentukan pohon S = Himpunan Kasus
keputusan, antara lain ID3, C4.5, n = jumlah partisi atribut A
CART (Budanis, 2011). Si = Proporsi Si terhadap S
Algoritma C4.5 merupakan S = jumlah kasus dalam S
pengembangan dari algoritma ID3. Sementara itu, untuk menghitung nilai
Algoritma C4.5 dan ID3 diciptakan Entropy dapat dilihat pada persamaan
oleh seorang peneliti dibidang berikut :
kecerdasan buatan bernama j. Rose
Quinlan pada akhir tahun 1970-
an. Algoritma C4.5 membuat pohon
keputusan dari atas ke bawah, dimana Keterangan :
atribut atas merupakan akar, dan yang S= Himpunan kasus
paling bawah dinamakan daun. n= jumlah partisi S
Pi= proporsi Si terhadap S
Secara umum, algoritma C4.5
untuk membangun sebuah pohon Hasil Usaha
keputusan adalah sebagai berikut: Menurut Pernyataan Standar
1. Hitung jumlah data, jumlah data Akuntansi Keuangan No. 25 (IAI, 2007),
berdasarkan anggota atribut hasil laporan laba rugi merupakan laporan
dengan syarat tertentu. Untuk proses utama untuk melaporkan kinerja dari
pertama syaratnya masih kosong. suatu perusahaan selama suatu perioda
2. Pilih atribut sebagai Node. tertentu. Informasi tentang kinerja
3. Buat cabang untuk tiap-tiap anggota perusahaan, terutama tentang
dari Node. profitabilitas, dibutuhkan untuk
4. Periksa apakah nilai entropy dari mengambil keputusan tentang sumber
anggota Node ada yang bernilai nol. ekonomi yang akan dikelola oleh suatu
Jika ada, tentukan daun yang perusahaan di masa depan (Meythi,
terbentuk. Jika seluruh nilai entropy 2012). Dari definisi di atas dapat
anggota Node adalah nol, maka proses disimpulkan bahwa laba/rugi merupakan
pun berhenti. laporan menyajikan hasil usaha berupa
5. Jika ada anggota Node yang data keuntungan maupun kerugian
memiliki nilai entropy lebih besar dari perusahaan yang dikeluarkan sebagai
nol, ulangi lagi proses dari awal akibat dari pencapaian tujuan dalam suatu
dengan Node sebagai syarat sampai periode tertentu.
semua anggota dari Node bernilai nol. Sedangkan menurut Nofitri (2014)
Node adalah atribut yang mempunyai laporan laba rugi bermanfaat bagi
nilai gain tertinggi dari atribut-aribut perusahaan untuk mengambil keputusan
yang ada. Untuk menghitung nilai dalam perencanaan target keuntungan dan
gain suatu atribut digunakan rumus pengendalian beban biaya dalam rangka
seperti yang tertera dalam persamaan pencapaian tujuan dasar perusahaan yaitu
berikut : mendapatkan keuntungan seoptimal
mungkin. Manajemen perusahaan pada
umumnya menggunakan laporan laba rugi menganalisa hasil laporan laba/rugi

sebagai alat untuk mengukur kinerja yang memenuhi pencapaian target atau
efisiensi perusahaan dan keberhasilan tidak sehingga dapat digunakan
manajemen dalam menetapkan strategi sebagai acuan perusahaan dalam
bisnis. Laporan laba rugi yang disajikan mengambil keputusan yang tepat untuk
secara wajar pada setiap periode masa depan.
akuntansi, terdapat beberapa variabel 2. Menganalisis Masalah
yang menjadi elemen utama dalam Analisis masalah pada penelitian ini
pembuatan laporan laba rugi. Pembuatan dilakukan dengan dua metode yaitu
laporan laba rugi yang harus diperhatikan metode deskriptif dan metode
cara pengukuran, pengakuan dan prinsip komperatif.
penanding (matching principle). Prinsip 3. Menentukan Tujuan
penanding (matching principle) yang Pada tahap penentuan tujuan penelitian
tepat atas pendapatan dan biaya juga ini berfungsi untuk memperjelas
diterapkan dengan baik dalam menunjang kerangka tentang apa saja yang
kewajaran penyajian laporan laba rugi menjadi tujuan dari penelitian.
periodik perusahaan. Dalam prinsip Bahasan sebelumnya telah
penandingan (matching principle), menjelaskan tujuan penelitian yaitu
pendapatan yang diperoleh dalam suatu untuk mengetahui pencapaian target
periode harus ditandingkan dengan beban dari hasil laporan laba/rugi
yang terjadi dalam periode yang sama. perusahaan dengan metode klasifikasi
decission tree algoritma C.45.
METODE PENELITIAN 4. Mempelajari Literatur
Dalam melakukan penelitian ilmiah Sumber literature yang digunakan
agar penelitian berjalan dengan lancer dan sebagai bahan referensi dalam
sistematis, harus mengikuti metode yang penelitian ini adalah dari jurnal-jurnal
telah ditetapkan. Metodologi penelitian ilmiah, proceeding ilmiah, modul
ini akan menjelaskan tentang kerangka pembelajaran dan buku tentang
kerja (frame work) yang digunakan di mengenai metode klasifikasi dan
dalam penelitian. Pembahasan dimulai data mining. Literatur-literatur ini
dari mengidentifikasi permasalahan akan menjadi landasan untuk
sampai melakukan pengujian terhadap melakukan penelitian.
analisa laba/rugi dengan tools yang 5. Mengumpulkan Data
digunakan untuk dapat menentukan Metode pengumpulan data dilakukan
pencapaian target profit. Kerangka kerja dengan cara melakukan pengamatan
yang akan dilakukan dalam rangka langsung ke perusahaan CV Budi Jaya.
penyelesaian masalah ini adalah sebagai Kemudian melakukan pengambilan
berikut : sampel database keuangan yang akan
1. Mengidentifikasi Masalah diolah pada penelitian ini.
Masalah yang diidentifikasi dalam 6. Menganalisis Data
penelitian ini adalah kesulitan
Tabel 1. Sampel Data
untuk mendapatkan New Knowladge

Pada tahap ini data yang telah berupa rule dalam bentuk kondisi If-Then.
dikumpulkan akan dianalisis. Analisis
yang dilakukan adalah mencari
kecenderungan-kecenderungan pada
data (database) yang sesuai untuk Tabel 1 di atas menerangkan
diterapkan dengan metode klasifikasi bahwa yang menjadi attribute kondisi
algoritma C.45 dengan tujuan untuk yakni pembelian, omset, biaya dan stok
mendapatkan pengetahuan barang. Sedangkan yang menjadi attribute
(knowledge) yang baru berupa keputusan adalah variabel profit.
informasi pencapaian target dari Selanjutnya dilakukan tahapan algoritma
variabel- variabel yang menyusun C.45 untuk mendapatkan node akar
laporan laba/rugi. melalui gain tertinggi yang tampak pada
7. Mengimplementasikan Sistem tabel iterasi-1 berikut ini:
Tahap berikutnya yang akan dilakukan
di dalam penelitian adalah melakukan Tabel 2 Penentuan Gain Tertinggi
implementasi dari sistem yang telah Node 1
dirancang. Pada tahapan ini, rancangan
sistem yang telah ada akan
diimplementasikan dengan metode
klasifikasi algoritma C.45. Dimulai
dengan menyiapkan data dalam
bentuk Decision System / Information
System, menentukan node akar dengan
cara menghitung nilai entropy dan
menghitung nilai gain, menentukan
cabang pada tiap-tiap node akar.
HASIL DAN PEMBAHASAN

Berikut ini adalah sampel data yang Dari tabel 2 di atas yang menjadi
berupa tabel yang kemudian akan node akar tertinggi yaitu Biaya. Proses
ekstraksi melalui aplikasi Rapidminer 5
perhitungan di atas harus terus 5.Jika Biaya = Efisien Dan Stok_Barang

dilanjutkan/diulang hingga iterasi = Sedikit Dan Omset = Sedang Maka
terakhir. Dari proses iterasi yang Profit = Tidak Tercapai {Tidak
dilakukan maka didapatkan pohon Tercapai=5, Tercapai=0}.
keputusan sebagai berikut : 6.Jika Biaya = Tinggi Dan Omset =
Tinggi Maka Profit = Tercapai {Tidak
Tercapai=0, Tercapai=2}.
Berdasarkan hasil penarikan
kesimpulan di atas, keenam rule/aturan
yang didapat akan menjadi landasan bagi
pengelola perusahaan dalam melakukan
prediksi ketercapaian target profit.
Sehingga evaluasi atas kinerja peruhahaan
dapat dilakukan guna menghindari tidak
tercapainya profit atau mempertahankan
profit.
SIMPULAN
Melalui proses yang telah dilakukan
menggunakan Decission Tree Algoritma
Gambar 1. Pohon Keputusan Yang C.45 dengan aplikasi Rapidminer 5,
Dihasilkan dihasilkan 6 buah aturan/rule. Aturan-
Berdasarkan pohon keputusan di aturan yang ditemukan ini dapat
atas terdapat 6 kondisi yang dimanfaatkan menjadi landasan bagi
mempengaruhi attribute profit dengan pengelola perusahaan distributor dalam
attribute kondisi yang menjadi node akar memprediksi ketercapaian target profit.
tertinggi adalah biaya. Kemudian melalui Sehingga pengelola yang selama ini
pohon keputusan tersebut tampak hanya terfokus kepada target omset saja,
attribute pembelian tidak menjadi dapat melihat secara utuh variabel yang
attribute yang mempengaruhi profit. mempengaruhi tercapainya target profit.
Selanjutnya setelah proses ini dilakukan Selanjutnya, rule yang ditemukan tidak
penarikan informasi yang akan menjadi hanya yang menggambarkan ketercapaian
pengetahuan baru berdasarkan pohon target profit, aturan tersebut juga
keputusan di atas yaitu sebagai berikut : menggambarkan suatu kondisi tidak
1.Jika Biaya = Tinggi Dan Omset = tercapainya target profit. Sehingga
Rendah Maka Profit = Tidak Tercapai pengelola perusahan dapat mengantisipasi
{Tidak Tercapai=9, Tercapai=0}. dengan mengambil langkah - langkah
2.Jika Biaya = Tinggi Dan Omset = bisnis yang tepat untuk menghidari
Sedang Maka Profit = Tidak Tercapai kondisi tidak tercapainya target profit.
{Tidak Tercapai=9, Tercapai=3}.
3.Jika Biaya = Efisien Dan Stok_Barang
= Sedikit Dan Omset = Tinggi Maka DAFTAR PUSTAKA
Profit = Tercapai {Tidak Tercapai=0,
Tercapai=1}. Astuti Fajar. 2009. Data Mining. Ed.I.
4. Jika Biaya = Efisien Dan Stok_Barang Yogyakarta : Andi.
= Penuh Maka Profit = Tercapai {Tidak Dewi dan Yuwono. 2014. Penerapan
Tercapai=0, Tercapai=28}. Data Mining Untuk Analisa Pola
Perilaku Nasabah Dalam Ryan S.J.D. Bakers. 2008. Data

Pengkreditan Menggunakan Metode Mining for Education. USA:
C.45 Studi Kasus Pada KSU Insan Carniege Mellon University
Kamil Demak.Jurnal Ilmiah Pittsburgh
Teknologi dan Informasi ASIA 2014. Subekti Mujiasih. 2011. Pemanfaatan
Vol.8 No 2. 10-16. Data Mining untuk Prakiraan Cuaca.
Fitria Harahap. 2015. Penerapan Data Volume 12. 189 – 195.
Mining dalam Memprediksi Thakare, V. M dan Deshpande, S.P.
Pembelian cat. Konferensi Nasional 2010. Data Mining System And
Sistem & Informatika 2015. Bali: Aplications: A Review. IJDPS. Volume
STMIK STIKOM.
Gunadi Goldie.dkk. 2012. Penerapan
Metode Data Mining Market Basket
Analysis Terhadap Data Penjualan
Produk Buku Dengan
Menggunakan Algoritma Apriori dan
Frequent Pattern Growth (FP-
Growth) Studi Kasus Percetakan PT.
Gramedia. Jurnal Telematika..
Volume 4. 118 – 132.
Kartika Dewi. 2013. Implementasi Data
Mining Pada Penjualan Produk
Elektronik Dengan Algoritma Apriori
(Studi Kasus: Kredit plus). Pelita
Informatika Budi Dharma Volume
IV. No 3. 26-27.
Meythi dan Selvy Hartono. 2012.
Pengaruh Informasi Laba dan Arus
Kas Terhadap Harga Saham. Jurnal
Akuntansi. 57– 59.
Muhammad Ardiansyah. 2014.
Implementasi Metode Rough Set
untuk menganalisa Laba/Rugi
Perusahaan Distributor Studi
Kasus : PT. Usaha Kita PS
Payakumbuh. Volume 2 Edisi I.
Ginanjar Mabrur. 2012. Penerapan Data
Mining untuk Memprediksi Kriteria
Nasabah Kredit. Jurnal
Komputa.Volume 1. 53 – 57.
Rodriguez, A.P.R dan Riverola, F.F.
2013. Applying Rough Set for the
Identification of Significant Variables
in Photovoltaic Energy Production
with Isolated System. Jurnal
Teknologi. ISSN:0127-9696. 9 – 16.

Prediksi Kinerja Pencapaian Hasil Usaha Menggunakan Decission Tree

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Prediksi Kinerja Pencapaian Hasil Usaha Menggunakan Decission Tree

Diunggah oleh

Hak Cipta:

Format Tersedia

Journal of Science and Social Research ISSN 2615 – 4307 (Print)

August 2019, II (2): 74 – 81 ISSN 2615 – 3262 (Online)

PREDIKSI KINERJA PENCAPAIAN HASIL USAHA MENGGUNAKAN

Muhammad Ardiansyah Sembiring

PENDAHULUAN biasanya menentukan nilai pencapaian

menggambarkan kondisi perusahan dan menyusun laporan laba/rugi yang

jumlah besar. Data mining telah b. Metode Klasifikasi

algoritma clustering yang banyak relevan dan diperlukan untuk KDD,

diperhatikan adalah cuaca, angin, dan

umumnya menggunakan laporan laba rugi menganalisa hasil laporan laba/rugi

Tabel 1. Sampel Data

untuk mendapatkan New Knowladge

HASIL DAN PEMBAHASAN

perhitungan di atas harus terus 5.Jika Biaya = Efisien Dan Stok_Barang

Perilaku Nasabah Dalam Ryan S.J.D. Bakers. 2008. Data

Anda mungkin juga menyukai