Penerapan Metode C4.

5 Berbasis Particle Swarm

Optimization Untuk Memprediksi Penjualan Obat Pada

Apotek Bunda Azka

DESI LESTARI

171420047

Skripsi ini diajukan sebagai syarat memperoleh gelar Sarjana

Komputer

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER

UNIVERSITAS BINA DARMA

PALEMBANG

2021
 SURAT PERNYATAAN

Saya yang bertanda tangan dibawah ini :

Nama : Desi Lestari
NIM : 171420047
Dengan ini menyatakan bahwa :
1. Skripsi ini adalah asli dan belum pernah diajukan untuk
mendapatkan gelar Akademik Sarjanadi Universitas Bina Darma
atau di perguruan tinggilain;
2. Skripsi ini murni gagasan, rumusan penelitian saya sendiri
dengan arahan Pembimbing;
3. Di dalam skripsi ini tidak terdapat karya atau pendapat yang
telah ditulis atau dipublikasikan orang lain, kecuali secara
tertulis dengan jelas dikutip dengan mencamtumkan nama
pengarang dan memasukan ke dalam daftar rujukan;
4. Saya bersedia skripsi yang saya hasilkan dicek keasliannya
menggunakan plagiarism checker serta diunggah ke internet,
sehingga dapat diakses publik secaradaring;
5. Surat pernyataan ini saya tulis dengan sungguh-sungguh dan
apa bila terbukti melakukan penyimpangan atau
ketidakbenaran dalam pernyataan ini, maka saya bersedia
menerima sanksi sesuai dengan peraturan perundang-
undangan yangberlaku.
Demikian surat pernyataan ini saya buat agar dapat dipergunakan
sebagaimana mestinya.

Palembang, 2021

Yang membuat pernyataan

Desi Lestari
171420047

ii
 MOTTO DAN PERSEMBAHAN

Motto :

 Allahumma yassir walaa tu’assir (Ya Allah permudahkanlah dan

jangan Engkau persulit)
 Lakukan apa yang ingin kamu lakukan jangan dengarkan kata
orang lain kecuali perkataan orang tua mu.
 Berusaha, Tekun, dan Sabar adalah kunci Sukses.

Kupersembahkan Kepada :

 Allah SWT
 Diri saya sendiri terimakasih sudah mau dan mampu bertahan,
berjuang, berusaha, dan tidak menyerah dalam keadaan susah selama
ini.
 Kepada Mamak dan Bapak tersayang terimakasih sudah
mendoakan dan mendukung Adek dalam keadaan susah dan
senang selama adek mengerjakan skripsi ini.
 Kapada kak Ian, kak Don, kak un, ayuk Nova, ayuk Yen, Ayuk Inul
serta dua keponakanku ayuk Izza dan abang Thor terimakasih
selalu memberikan dukungan, canda dan tawa selama adek
mengerjakan skripsi.
 Untuk seseorang yang bernama M. Wahyu Santosa MH. A.Md.Kom
Yang selalu memberikan semangat saat pengerjaan skripsi ini
Terimakasih Moodbooster ku.
 Untuk Teman-teman seperjuang anku Terimakasih untuk saling
memberi semangat, motivasi, dan canda tawa selama ini. Akhirnya
kita bisa Wisudah ya dan untuk Mincek semangat ya semogah
tahun depan wisudah.
 Dosen Pembimbing bapak Muhammad Nasir. MM., M.Kom.
yang telah dengan sabar membimbing dan mendidik saya dalam
mengerjakan dan menyelesaikan Tugas Akhir ini dan Terimakasih
untuk seluruh dosen yang telah mendidik saya selama pendidikan
di Universitas BinaDarma.

iii
 ABSTRAK

Penerapan Algoritma C4.5 berbasis Particle Swarm Optimization untuk klasifikasi

tingkat penjualan Obat yang sering terjual pada Apotek Bunda Azka, merupakan
hal yang strategis untuk mengurangi masalah yang di alami oleh Apotek
tersebut.Mengklasifikasikan tingkat penjualan Obat-obatan yang terjual dengan
menggunakan metode C4.5 berbasis particle swarm optimization,Mengetahui
apakah metode C4.5 berbasis particle swarm optimization (PSO) dapat
mengoptimalkan penjualan obat dimasa yang akan datang.Metode Penelitian ini
menggunakan metode deskriptif yakni dengan cara melakukan penelitian studi
kasus dengan mempelajari aktivitas di lapangan, mengamati dan wawancara
kepada pihak yang terkait. pada langkah awal penelitian ini adalah penentuan
atrribut yanga akan diolah kedalam data mining dengan bantuan tools rapidminer,
penelitian ini penulis menggunakan model KDD sebagai standarisasi dalam
proses data mining.Sumber data pada penelitian ini adalah data yang berasal dari
Apotek Bunda Azka, tepatnya data penjualan obat di apotek. Data tersebut
nantinya akan diolah dengan algoritma c4.5 berbasis Particle Swarm Optimization
untuk dicari hasil akurasi dari prediksi data tersebut. Sampel data yang digunakan
adalah jumlah 65 record transaksi obat di Apotek Bunda Azka. Pada Hasil
pengujian di dapat akurasi Particle Swarm Optimization 78.10%, untuk class
recall penjualan obat sebesar 72.50% dan setelah menggunakan Particle Swarm
Optimization meningkat menjadi 78.33%, sedangkan precision memiliki akurasi
sebesar 77.92% dan setelah menggunakan Particle Swarm Optimization
meningkat menjadi 80.33%. Dari hasil pengujian dengan Particle Swarm
Optimization, ada peningkatan akurasi sebesar 7.15% dari penelitian Penerapan
Metode C4.5 Berbasis Particle Swarm Optimization Untuk Memprediksi
Penjualan Obat Pada Apotek Bunda Azka.

Kata kunci : Penjualan, Apotek Bunda Azka, Algoritma C4.5, PSO

iv
 ABSTRACT

The application of the C4.5 Algorithm based on Particle Swarm Optimization to

classify the level of sales of drugs that are often sold at the Bunda Azka
Pharmacy, is a strategic thing to reduce the problems experienced by the
pharmacy. Classify the level of sales of drugs sold using the C4.5 method. based
on particle swarm optimization, to find out whether the C4.5 method based on
particle swarm optimization (PSO) can optimize drug sales in the future. This
research method uses a descriptive method, namely by conducting case study
research by studying activities in the field, observing and interviewing
stakeholders. in the initial step of this research is the determination of the
attributes that will be processed into data mining with the help of rapidminer
tools, this study the author uses the KDD model as a standardization in the data
mining process. at the pharmacy. The data will later be processed using the c4.5
algorithm based on Particle Swarm Optimization to find the accuracy results of
the prediction of the data. The data sample used is the number of 65 drug
transaction records at the Bunda Azka Pharmacy. In the test results, the accuracy
of Particle Swarm Optimization was 78.10%, for class recall drug sales was
72.50% and after using Particle Swarm Optimization increased to 78.33%, while
precision had an accuracy of 77.92% and after using Particle Swarm Optimization
increased to 80.33%. From the results of testing with Particle Swarm
Optimization, there is an increase in accuracy of 7.15% from the research
application of the C4.5 Method Based on Particle Swarm Optimization to Predict
Drug Sales at Bunda Azka Pharmacy.

Keywords : Sales, Bunda Azka Pharmacy, C4.5 Algorithm, PSO

v
 KATA PENGANTAR

Puji syukur kehadirat Allah SWT karena berkat rahmat dan karunia-Nya
jualah, skripsi penelitian ini dapat diselesaikan guna memenuhi salah satu syarat
untuk diteruskan menjadi skripsi sebagai proses akhir dalam menyelesaikan
pendidikan dibangku kuliah.

Dalam penulisan skripsi ini, tentunya masih jauh dari sempurna. Hal ini
dikarenakan keterbatasnya pengetahuan yang dimiliki. Oleh karena itu dalam
rangka melengkapi kesempurnaan dari penulisan skripsi ini diharapkan adanya
saran dan kritik yang diberikan bersifat membangun.

Pada kesempatan yang baik ini, tak lupa penulis menghaturkan terima
kasih kepada semua pihak yang telah memberikan bimbingan, pengarahan,
nasehat dan pemikiran dalam penulisan skripsi ini, terutama kepada :

1. Dr. Sunda Ariana, M.Pd., M.M., selaku Rektor Universitas Bina Darma
Palembang.

2. Dedy Syamsuar, S.Kom, M.I.T., selaku Dekan Fakultas Ilmu Komputer.

3. Alex Wijaya, M.I.T., selaku Ketua Program Studi Teknik Informatika.

4. Muhammad Nasir. MM., M.Kom. selaku dosen pembimbing I terima kasih

atas bimbingan dan bantuannya sehingga penulis dapat menyelesaikan skripsi
penelitian ini.

5. Staf pengajar Universitas Bina Darma Palembang yang telah banyak

memberikan ilmu pengetahuan dan bimbingan selama penulis menuntut ilmu
di Universitas Bina Darma Palembang.

6. Keluargaku tercinta,tesayang.

Dalam penyusunan skripsi penelitian ini, penulis telah berusaha semaksimal

vi
mungkin supaya skripsi penelitian ini selesai dengan baik dan sempurna. Namun
penulis menyadari, sebagai manusia yang tidak luput dari kesalahan dan
kekhilafan maka skripsi penelitian ini pun terdapat kekeliruan dan kekurangan
kiranya mohon di maklumi. Mudah-mudahan keterbatasan penulis tidak
mengurangi arti dan makna penyusunan skripsi penelitian ini. Kritik dan saran
yang bersifat membangun sangat diharapkan untuk perbaikan dan kesempurnaan
skripsi penelitian ini dimasa yang akan datang. Namun demikian, penulis tetap
mengharapkan semoga skripsi penelitian ini dapat bermanfaat bagi kita semua.

Palembang, 2021

Penulis

Desi Lestari

vii
 DAFTAR ISI

COVER ................................................................................................................
HALAMAN PENGESAHAN ............................................................................. i
SURAT PERNYATAAN ................................................................................... ii
MOTTO DAN PERSEMBAHAN ................................................................. iii
ABSTRAK......................................................................................................... iv
KATA PENGANTAR ....................................................................................... vi
DAFTAR ISI ................................................................................................... viii
DAFTAR GAMBAR ......................................................................................... xi
DAFTAR TABLE ............................................................................................ xii
BAB 1 ................................................................................................................. 1
PENDAHULUAN .............................................................................................. 1
1.1 Latar Belakang .................................................................................... 1
1.2 Rumusan Masalah ............................................................................... 3
1.3 Batasan Masalah .................................................................................. 3
1.4 Tujuan dan maanfaat penelitian ......................................................... 4
1.4.1 Tujuan Penelitian ......................................................................... 4
1.4.2 Manfaat Penelitian........................................................................ 4
1.5 Metodelogi Penelitian .......................................................................... 5
1.5.1 Waktu dan Tempat ........................................................................... 5
1.5.2 Alat dan Bahan .................................................................................. 5
1.5.3 Data Penelitian .............................................................................. 6
1.5.4 Metode Penelitian ......................................................................... 6
1.5.5 Metode Pengumpulan Data .......................................................... 7
1.6 Sistematika Penulisan .......................................................................... 8
BAB II ................................................................................................................ 9
TINJAUAN PUSTAKA ..................................................................................... 9
2.1 Tinjauan Teori ..................................................................................... 9
2.1.1 Sejarah Apotek Bunda Azka ........................................................ 9

viii
 2.1.2 Visi Misi Apotek Bunda Azka ...................................................... 9
2.2 Data Mining ....................................................................................... 10
2.2.1 Proses Data Mining ................................................................. 11
2.2.2 Peranan Data Mining ................................................................. 13
2.3 Metode (PSO) Particle Swarm Optimazition.................................... 16
2.4 Algoritma C4.5 ................................................................................... 20
2.5 Rapidminer ......................................................................................... 22
2.6 Penelitian Sebelumya ......................................................................... 23
2.6.1 Penelitian Ari Puspita dkk (2019) .............................................. 23
2.6.2 Penelitian Syaeful Mujab (2016) ................................................ 23
BAB III ............................................................................................................. 25
ANALISIS DAN PERANCANGAN ................................................................ 25
4.1 Analisis Data ...................................................................................... 25
4.2 Desain Penelitian ................................................................................ 26
3.2.1 Data Cleaning.............................................................................. 26
3.2.3 Data Integration and Tranformation........................................... 27
3.2.4 Data Reduction ............................................................................ 28
4.3 Pemodelan .......................................................................................... 29
BAB IV ............................................................................................................. 33
HASIL DAN PEMBAHASAN......................................................................... 33
4.1 Pengumpulan Data ............................................................................ 33
4.2 Implementasi ...................................................................................... 34
4.2.1 Implementasi Ke Rapidminer .................................................... 35
4.2.2 Hasil Pohon Keputusan .............................................................. 39
4.2.3 Hasil Grafik ................................................................................ 41
4.3 Uji Performance ................................................................................. 42
4.3.1 Implementasi Performancee ....................................................... 42
4.3.2 Hasil Akurasi .............................................................................. 44
4.4 Particle Swarm Optimization .............................................................. 46
4.4.1 Implementasi Metode Particle Swarm Optimization .................. 46
4.4.2 Penerapan Model ........................................................................ 47
4.4.3 Hasil Akurasi PSO ...................................................................... 47

ix
 4.5 Pembahasan ....................................................................................... 48
BAB V............................................................................................................... 50
KESIMPULAN DAN SARAN......................................................................... 50
5.1 Kesimpulan ........................................................................................ 50
5.2 Saran .................................................................................................. 51
DAFTAR PUSTAKA ....................................................................................... 52
LAMPIRAN ..................................................................................................... 54

x
 DAFTAR GAMBAR

Gambar 1. 1 Tahapan Knowledge Discovery In Database (KDD)................. 13

Gambar 3. 1 Data Awal setelah Cleaning ....................................................... 27
Gambar 3. 2 Modeling ..................................................................................... 30
Gambar 3. 3 Dataset ........................................................................................ 31
Gambar 4. 1 Record Data ................................................................................. 34
Gambar 4. 2 Proses Memasukan Data ............................................................ 35
Gambar 4. 3 Pemilihan Data ........................................................................... 36
Gambar 4. 4 Proses Olah Atribut Data ........................................................... 37
Gambar 4. 5 Set Role ....................................................................................... 37
Gambar 4. 6 Operator Decision Tree .............................................................. 38
Gambar 4. 7 Cross Validation .......................................................................... 39
Gambar 4. 8 Hasil Pohon Keputusan .............................................................. 39
Gambar 4. 9 Hasil Grafik Scatter Pot ............................................................. 41
Gambar 4. 10 Grafik Pie.................................................................................. 42
Gambar 4. 11 Proses Memasukan Data .......................................................... 43
Gambar 4. 12 Pemilihan Operatot Data ......................................................... 44
Gambar 4. 13 Hasil Akurasi ............................................................................ 45
Gambar 4. 14 PlotView .................................................................................... 45
Gambar 4. 15 Implementasi Operators .......................................................... 46
Gambar 4. 16 Cross Validation dalam PSO ..................................................... 47
Gambar 4. 17 Hasil AkurasiCross Validation dalam PSO ............................. 48

xi
 DAFTAR TABLE

Table 3. 1 Sampel Data Setelah Transformasi ................................................ 28

Table 3. 2 Parameter Atribut Data ................................................................. 29
Table 4. 1 Tabel Hasil Pohon Keputusan ........................................................ 40
Table 4. 2 Hasil Perbandingan ........................................................................ 49

xii
 BAB 1

PENDAHULUAN

1.1 Latar Belakang

Penjualan adalah aktivitas atau bisnis dalam menjual produk atau jasa.

Aktivitas Penjualan adalah hal yang sangat penting bagi suatu perusahaan,

terutama untuk meraih keuntungan. Adapun pengertian penjualan secara umum

adalah kegiatan jual beli yang dijalankan oleh kedua belah pihak atau lebih

dengan alat pembayaran yang sah. Dalam dunia usaha itu penjualan merupakan

salah satu indikator paling penting dalam sebuah perusahaan, bila tingkat

penjualan yang dihasilkan oleh perusahaan tersebut besar, maka laba yang

dihasilkan perusahaan itu akan besar pula sehingga perusahaan dapat bertahan

dalam persaingan bisnis dan bisa mengembangkan usahanya.

Apotek Bunda Azka adalah apotek pertama di kecamatan Peninjauan

OKU, Apotek Bunda Azka bergerak di bidang Penjualan Obat-obatan. pembeli

langsung datang ke Apotek untuk memesan obat yang diperlukan dan melakukan

pemba yaran secara tunai. Permasalahan yang ada pada Apotek Bunda Azka ini

yaitu Apotek tersebut belum bisa mengelompokan Penjualan Obat-obatan yang

sering terjual dan permasalahan tersebut akan diklasifikasikan melalui barang-

barang yang sering terjual berdasarkan data dari tahun 2017-2019 setelah itu akan

diterapkan pada rincian Penjualan Obat di Apotek Bunda Azka. Tujuan

 2

penerapan Algoritma particle swarm Optimization (PSO) untuk

mengklasifikasikan obat yang sering terjual.

C4.5 Merupakan salah satu dari Desicion Tree menyerupai struktur

flowchart, yang masing-masing internal node-nya dinyatakan sebagai atribut

pengujian, setiap cabang mewakili output dari pengujian, dan setiap node daun

(terminal node) menentukan label class. Node paling atas dari sebuah pohon

adalah node akar. Salah satu metode klasifikasi yang menarik melibatkan

konstruksi pohon keputusan, koleksi node keputusan, terhubung oleh cabang-

cabang, memperpanjang bawah dari simpul akar sampai berakhir di node daun.

Dimulai di node root, yang oleh konvensi ditempatkan di bagian atas dari diagram

pohon keputusan, atribut diuji pada node keputusan, dengan setiap hasil yang

mungkin dihasilkan dalam suatu cabang. Setiap cabang kemudian mengarah baik

ke node lain keputusan atau ke node daun untuk mengakhiri (Muarif, 2009).

Algoritma Particle Swarm Optimization (PSO) diperkenalkan oleh Kennedy dan

Eberhart pada tahun 1995, proses algoritmanya diinspirasi oleh perilaku sosial

dari binatang, seperti sekumpulan burung dalam suatu swarm. Particle Swarm

Optimization (PSO) adalah salah satu dari teknik komputasi evolusioner, yang

mana populasi pada PSO didasarkan pada penelusuran algoritma dan diawali

dengan suatu populasi yang random yang disebut dengan particle. Berbeda

dengan teknik komputasi evolusionerlainnya, setiap particle di dalam PSO juga

berhubungan dengan suatu velocity. Particle-particle tersebut bergerak melalui

penelusuran ruang dengan velocity yang dinamis yang disesuaikan menurut

perilaku historisnya. Oleh karena itu, particle-particle mempunyai kecenderungan

 3

untuk bergerak ke area penelusuran yang lebih baik setelah melewati proses

penelusuran (Juhardi dkk, 2019).

Penerapan Algoritma C4.5 berbasis Particle Swarm Optimization untuk

klasifikasi tingkat penjualan Obat yang sering terjual pada Apotek Bunda Azka,

merupakan hal yang strategis untuk mengurangi masalah yang di alami oleh

Apotek tersebut.

Dari uraian di atas maka penulis mengangkat judul untuk Tugas Akhir

yaitu, ” Penerapan Metode dan C4.5 Berbasis Particle Swarm Optimization

Untuk Memprediksi Penjuakan Obat Pada Apotek Bunda Azka ”.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah diuraikan diatas, maka penulis

merumuskan masalah yaitu bagaimana menerapkan metode C4.5 berbasis particle

swarm optimization (PSO) untuk memprediksi penjualan obat pada apotek bunda

azka.

1.3 Batasan Masalah

Adapun batasan masalah pada latar belakang ini adalah sebagai berikut :

1. Proses yang dilakukan ini hanya sebatas penerapan metode C4.5

berbasis paitcle swarm optimization (PSO)

2. Penerapan data mining dengan metode C4.5 berbasis particle swarm

optimization (PSO) menggunakan tools rapidminer

3. data yang digunakan adalah data penjualan obat pada tahun 2017-2019
 4

1.4 Tujuan dan maanfaat penelitian

1.4.1 Tujuan Penelitian

Tujuan dari penelitian ini adalah sebagai berikut :

1. Mengklasifikasikan tingkat penjualan Obat-obatan yang terjual

dengan menggunakan metode C4.5 berbasis particle swarm

optimization.

2. Mengetahui apakah metode C4.5 berbasis particle swarm optimization

(PSO) dapat mengoptimalkan penjualan obat dimasa yang akan

datang.

1.4.2 Manfaat Penelitian

Adapun manfaat penelitian ini menggunakan metode C4.5 berbasis

Particle Swarm Optimization bagi penulis adalah sebagai berikut :

1. Sebagai sarana untuk menambah ilmu pengetahuan dalam

penerapan teori yang sudah didapat di bangku perkuliahan.

2. Peneliti dapat mengetahui ke efektifan dan efisiensi algoritma C4.5

berbasis Particle Swarm Otimization untuk pengelolaan data penjualan.

3. Sebagai salah satu referensi bagi peneliti lain yang ingin

membahas topik yang berkaitan dengan penelitian yang saya buat ini.
 5

Adapun manfaat penelitian bagi Apotek Bunda Azka sebagai

berikut :

1. Peneliti berharap Penelitian ini mampu membantu Apotek Bunda

Azka dalam mengambil suatu keputusan untuk pemasaran menggunakan

algoritma C4.5 berbasis PSO

2. Peneliti berharap penelitian ini mampu memberikan solusi bagi

Apotek Bunda Azka untuk menentukan strategi pemasaran sehingga bisa

meningkatkan pelayanan yang baik bagi konsumen.

1.5 Metodelogi Penelitian

1.5.1 Waktu dan Tempat

1. Waktu Penelitian

Penelitian ini dilakukan pada bulan Januari 2021 sampai dengan bulan

Februari 2021.

2. Tempat Penelitian

Apotek Bunda Azka ini berada di Jl. Pasar Minggu No.102 Peninjauan,

Kabupaten Oku.

1.5.2 Alat dan Bahan

Alat dan bahan untuk membuat penelitian ini sebagai berikut :

1. Perangkat Keras (Hardware)

a. Laptop Asus X441M

b. Ram 4GB

c. Processor Intel CELERON N4000

 6

d. Printer Canon MG2570S

e. Flashdisk 8GB dan 32GB

2. Perangkat Lunak (Software)

a. Windows 10 digunakan sebagai Operating System.

b. Microsoft Word 2010 digunakan untuk menulis laporan tugas

akhir ini.

c. Microsoft exel 2007

d. Rapidminner

e. Software pendukung yaitu web browser seperti Mozila Firefox

dan Crome.

1.5.3 Data Penelitian

Adapun sampel pada penelitian ini adalah data primer atau data

yang sudah diolah dari peneliti berdasarkan sumber data yaitu Apotek

Bunda Azka, data tersebut merupakan data penjualan obat pada apotek yang

kemudian di olah lagi oleh admin sebelum di proses pada tools rapidminer.

1.5.4 Metode Penelitian

Metode Penelitian ini menggunakan metode deskriptif yakni

dengan cara melakukanpenelitian studi kasus dengan mempelajari aktivitas

di lapangan, mengamati dan wawancara kepada pihak yang terkait. Metode

deskriptif adalah suatu metode penelitian yang ditunjukkan untuk membuat

 7

gambaran atau lukisan secara sistematis, aktual, dan akurat melalui data

sampel atau populasi sebagaimana adanya (Tanjung Dkk, 2016).

1.5.5 Metode Pengumpulan Data

Penelitian ini menggunakan Metode Pengumpulan Data sebagai

berikut :

1. Wawancara

Dalam metode ini penulis mengumpulkan data penelitian dengan

bertanya langsung kepada pihak Apotek Bunda Azka agar mendapatkan

informasi yang dibutuhkan.

2. Kepustakaan

Mengumpulkan data dengan cara mencari dan mempelajari data-

data dari buku-buku ataupun dari referensi lain yang berhubungan

dengan penulisan laporan penelitian proposal. Buku yang digunakan

penulis sebagai referensi, adapun metode yang digunakan penulis dalam

merancang dan mengembangkan dapat dilihat pada daftar pustaka.

3. Observasi

Metode ini dilakukan dengan cara mengamati langsung keadaan

dan kegiatan yang ada di Apotek Bunda Azka, guna mendapatkan

keterangan yang akurat.

 8

1.6 Sistematika Penulisan

Sistematika penulisan ini untuk memberikan gambaran dari isi skripsi

ini, maka sistematika penulisan skripsi ini akan dibagi menjadi 5 bab yang akan di

uraikan sebagi berikut :

BAB 1 PENDAHULUAN

Pada bab ini berisi Latar belakang, Rumusan masalah, tujuan

penelitian serta manfaat penelitian.

BAB II TINJAUAN PUSTAKA

Dalam tinjauan pustaka ini adalah suatu landadasan teori yang

membahas suatu permasalahan.

BAB III ANALISIS DATA MINING

Pada bab ini berisi data yang menguraikan tentang analisis

perancangan yang digunakan dalam penulisan skripsi ini.

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

Pada bab ini merupakan hasil dan pembahasan dari metoelogi yang

digunakan.

BAB V KESIMPULAN DAN SARAN

Dalam bagian bab ini menjelaskan kesimpulan dan saran dengan

singkat, tepat dan jelas mengenai penelitian yang dilakukan.

 BAB II

TINJAUAN PUSTAKA

2.1 Tinjauan Teori

2.1.1 Sejarah Apotek Bunda Azka

Apotek Bunda Azka adalah Apotek pertama yang ada di Kecamatan

Peninjauan Oku, Apotek ini didirikan oleh Bidan Anisa pada tahun 2013, awal

mulanya berdiri Apotek ini karena kebutuhan obat yang terbatas maka

didirikannya Apotek Bunda Azka untuk menunjang kebutuhan obat di Kecamatan

Peninjauan.

Apotek Bunda Azka merupakan suatu usaha yang bergerak dibidang

penjualan obat-obatan. Apotek Bunda Azka menyediakan obat-obatan yang

berkualitas, asli dan memberikan pelayanan yang memuaskan karena dilayani

langsung oleh tenaga ahli dibidang Farmasi. Cara penjualan di apotek ini memiliki

dua cara, yaitu menggunakan resep dokter dan tanpa resep dokter (Anisa, 2021).

2.1.2 Visi Misi Apotek Bunda Azka

Visi dan Misi Apotek Bunda Azka

 10

Visi :

Menjadikan Apotek yang selalu terpercaya, memuaskan dan

menjadi pilihan utama masyarakat.

Misi :

a. Memberikan pelayanan yang terbaik untuk konsumen

b. Menyediakan kesedian obat-obatan yang mempunyai izin

edar,bermutu dan aman

c. Menjalin hubungan yang baik dengan konsumen

2.2 Data Mining

Data mining adalah proses mencari pola atau informasi menarik

dalam data terpilih dengan menggunakan teknik atau metode tertentu.

Teknik-teknik, metode-metode, atau algoritma dalam data mining sangat

bervariasi. Pemilihan metode atau algoritma yang tepat sangat bergantung

pada tujuan dan proses Knowledge Discovery in Database (KDD) secara

keseluruhan (Mardi, 2017). Data Mining merupakan teknologi baru yang

sangat berguna untuk membantu menemukan informasi yang sangat penting dari

data mereka. data mining memperkenalkan tren dan sifat-sifat perilaku bisnis yang

sangat berguna untuk mendukung pengambilan keputusan penting. Analisis yang

diotomatisasi yang dilakukan oleh data mining melebihi yang dilakukan oleh

sistem pendukung keputusan tradisional yang sudah banyak digunakan. Data

Mining dapat menjawab pertanyaan-pertanyaan bisnis yang dengan cara

tradisional memerlukan banyak waktu untuk menjawabnya. Data Mining

 11

mengeksplorasi basis data untuk menemukan pola-pola yang tersembunyi,

mencari informasi pemrediksi yang mungkin saja terlupakan oleh para pelaku

bisnis karena terletak di luar ekspektasi mereka. Komponen data mining pada

proses KDD seringkali merupakan aplikasi iteratif yang berulang dari metodologi

data mining tertentu. Pada pembahasan di sini akan digunakan istilah pola dan

model. Pola dapat diartikan sebagai instansiasi dari model (Moertini, 2012).

2.2.1 Proses Data Mining

Knowledge Discovery In Database (KDD) merupakan metode untuk

memperoleh pengetahuan dari database yang ada. Dalam database terdapat tabel -

tabel yang saling berhubungan / berelasi. Hasil pengetahuan yang diperoleh dalam

proses tersebut dapat digunakan sebagai basis pengetahuan (knowledge base)

untuk keperluan pengambilan keputusan. Istilah Knowledge Discovery in

Database (KDD) dan data mining seringkali digunakan secara bergantian untuk

menjelaskan proses penggalian informasi tersembunyi dalam suatu basis data

yang besar. Sebenarnya kedua istilah tersebut memiliki konsep yang berbeda,

tetapi berkaitan satu sama lain, dan salah satu tahapan dalam keseluruhan proses

KDD adalah data mining (Windarto, 2018).

Proses KDD secara garis besar dapat dijelaskan sebagai berikut :

1. Data Selection

Pemilihan (seleksi) data dari sekumpulan data operasional perlu

dilakukan sebelum tahap penggalian informasi dalam Knowledge Discovery in

Database(KDD) dimulai. Data hasil seleksi yang akan digunakan untuk proses
 12

data mining, disimpan dalam suatu berkas terpisah dari basis data operasional.

2. Pre-processing / Cleaning

Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses

cleaning pada data yang menjadi fokus Knowledge Discovery in Database

(KDD). Proses cleaning mencakup antara lain membuang duplikasi data,

memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data,

seperti kesalahan cetak. Juga dilakukan proses enrichment, yaitu proses

“memperkaya” data yang sudah ada dengan data atau informasi lain yang

relevan dan diperlukan untuk Knowledge Discovery in Database (KDD), seperti

data atau informasi eksternal lainnya yang diperlukan.

3. Transformation

Coding adalah proses transformasi pada data yang telah dipilih, sehingga

data tersebut sesuai untuk proses data mining. Proses coding dalam Knowledge

Discovery in Database (KDD) merupakan proses kreatif dan sangat tergantung

pada jenis atau pola informasi yang akan dicari dalam basis data.

4. Data Mining

Data mining adalah proses mencari pola atau informasi menarik dalam

data terpilih dengan menggunakan teknik atau metode tertentu. Teknik-teknik,

metode-metode, atau algoritma dalam data mining sangat bervariasi. Pemilihan

metode atau algoritma yang tepat sangat bergantung pada tujuan dan proses

Knowledge Discovery in Database (KDD) secara keseluruhan.

5. Interpretation / Evaluation

Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan

dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini
 13

merupakan bagian dari proses Knowledge Diccovery in Database (KDD) yang

disebut interpretation n. Tahap ini mencakup pemeriksaan apakah pola atau

informasi yang ditemukan bertentangan dengan fakta atau hipotesis yang ada

sebelumnya.

Gambar 1. 1 Tahapan Knowledge Discovery In Database (KDD)

2.2.2 Peranan Data Mining

Menurut (Mardi, 2017), Data mining dibagi menjadi beberapa kelompok

berdasarkan tugas yang dapat dilakukan, yaitu:

1. Description (Deskripsi)

Terkadang peneliti dan analis secara sederhana ingin mencoba mencari cara

untuk menggambarkan pola dan kecenderungan yang terdapat dalam data.

Sebagai contoh, petugas pengumpulan suara mungkin tidak dapat menemukan

keterangan atau fakta bahwa siapa yang tidak cukup profesional akan sedikit
 14

didukung dalam pemilihan presiden. Deskripsi dari pola dan kecenderungan

sering memberikan kemungkinan penjelasan untuk suatu pola atau

kecenderungan.

2. Estimation (Estimasi)

a. Estimasi hampir sama dengan klasifikasi, kecuali variabel target

estimasi lebih ke arah numerik daripada ke arah kategori. Model

dibangun menggunakan record lengkap yang menyediakan nilai dari

variabel target sebagai nilai prediksi. Selanjutnya, pada peninjauan

berikutnya estimasi nilai dari variabel target d Prediksi harga beras

dalam tiga bulan yang akan datang.

b. Prediksi tingkat penganguran lima tahun akan datang.

c. Predisksi persentase kanaikan kecelakaan lalu lintas tahun depan jika

batas bawah kecepatan dinaikan.

Beberapa metode dan teknik yang digunakan dalam klasifikasi dan

estimasi dapat pula digunakan (untuk keadaan yang tepat) untuk prediksi.

3. Classification (Klasifikasi)

Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh,

penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu

pendapatan tinggi, pendapatan sedang, dan pendapatan rendah.Contoh lain

klasifikasi dalam bisnis dan penelitian adalah :

a. Menentukan apakah suatu transaksi kartu kredit merupakan transaksi

yang curang atau bukan.

b. Memperkirakan apakah suatu pengajuan hipotek oleh nasabah

merupakan suatu kredit yang baik atau buruk.

 15

c. Mendiagnosis penyakit seorang pasien untuk mendapatkan termasuk

penyakit apa.

4. Clustering (Pengklusteran)

Pengklusteran merupakan pengelompokan record, pengamatan, atau

memperhatikan dan membentuk kelas objek-objek yang memiliki kesamaan.

Kluster adalah kumpulan record yang memiliki kesamaan satu dengan yang

lainnya dan memiliki ketidak miripan dengan record-record dalam kluster

lain.

Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variabel target

dalam pengklusteran. Pengklusteran tidak mencoba untuk melakukan

klasifikasi, mengestimasi, atau memprediksi nilai dari variabel target. Akan

tetapi, algoritma pengklusteran mencoba untuk melakukan pembagian

terhadap keseluruhan data menjadi kelompok-kelompok yang memiliki

kemiripan (homogen), yang mana kemiripan record dalam satu kelompok akan

bernilai maksimal, sedangkan kemiripan dengan record dalam kelompok lain

akan bernilai minimal.Contoh pengklusteran dalam bisnis dan penelitian

adalah :

a. Mendapatkan kelompok-kelompok konsumen untuk target pemasaran

dari

dibuat berdasarkan nilai variabel prediksi. Sebagai contoh yaitu estimasi nilai

indeks penjualan obat nonbiotik dengan melihat nilai indeks penjualan obat

tersebut pada saat penjualan.

 16

5. Prediction (Prediksi)

Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam

prediksi nilai dari hasil akan ada dimasa mendatang.Contoh prediksi dalam

bisnis dan penelitian adalah :

suatu produk bagi perusahaan yang tidak memiliki dana pemasaran yang

besar.

a. Untuk tujuan audit akuntansi, yaitu melakukan pemisahan terhadap

perilaku finansial dalam baik dan mencurigakan

b. Melakukan pengklusteran terhadap ekspresi dari gen, untuk mendapatkan

kemiripan perilaku dari gen dalam jumlah besar

6. Association (Asosiasi)

Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul

dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang

belanja.Contoh asosiasi dalam bisnis dan penelitian adalah :

a. Meneliti jumlah pelanggan dari perusahaan telekomunikasi seluler yang

diharapkan untuk memberikan respons positif terhadap penawaran

upgrade layanan yang diberikan.

b. Menemukan barang dalam supermarket yang dibeli secara bersamaan

dan barang yang tidak pernah dibeli secara bersamaan.

2.3 Metode (PSO) Particle Swarm Optimazition

Algoritma Particle Swarm Optimization (PSO) diperkenalkan oleh

Kennedy dan Eberhart pada tahun 1995, proses algoritmanya diinspirasi oleh
 17

perilaku sosial dari binatang, seperti sekumpulan burung dalam suatu swarm.

Particle Swarm Optimization (PSO) adalah salahsatu dari teknik

komputasi evolusioner, yang mana populasi pada PSO didasarkan pada

penelusuran algoritma dan diawali dengan suatu populasi yang random yang

disebut dengan particle. Berbeda dengan teknik komputasi evolusionerlainnya,

setiap particle di dalam PSO juga berhubungan dengan suatu velocity. Particle-

particle tersebut bergerak melalui penelusuran ruang dengan velocity yang

dinamis yang disesuaikan menurut perilaku historisnya. Oleh karena itu, particle-

particle mempunyai kecenderungan untuk bergerak ke area penelusuran yang

lebih baik setelah melewati proses penelusuran.

Particle Swarm Optimization (PSO) mempunyai kesamaan dengan genetic

algorithm yang mana dimulai dengan suatu populasi yang random dalam bentuk

matriks. Namun PSO tidak memiliki operatorevolusi yaitu crossover dan mutasi

seperti yang ada pada genetic algorithm. Baris pada matriks disebut particle atau

dalam genetic algorithm sebagai kromosom yang terdiri dari nilai suatu variable.

Setiap particle berpindah dari posisinya semula keposisi yang lebih baik dengan

suatu velocity . Pada algoritma PSO vektor velocity diupdate untuk masing-

masing particle kemudian menjumlahkan vektor velocity tersebut ke posisi

particle. Update velocity dipengaruhi oleh kedua solusi yaitu global best yang

berhubungan dengan biaya yang paling rendah yang pernah diperoleh dari suatu

particle dan solusi local best yang berhubungan dengan biaya yang paling

rendah pada populasi awal. Jika solusi local best mempunyai suatu biaya yang

kurang dari biaya solusi global yang ada, maka solusi local best menggantikan

solusi global best. Kesederhanaan algoritma dan performansinya yang baik,

 18

menjadikan PSO telah menarik banyak perhatian di kalangan para peneliti dan

telah di aplikasikan dalam berbagai persoalan optimisasi sistem tenaga seperti

economic dispatch, design kontrol PID pada sistem AVR, kontrol tegangan dan

daya reaktif, unit commitment dan lain sebagainya. PSO telah populer menjadi

optimisasi global dengan sebagian besar permasalahan dapat diselesaikan dengan

baik di mana variabel-variabelnya adalah bilangan riil.

Algoritma PSO meniru perilaku sosial organisme ini. Perilaku sosial terdiri

dari tindakan individu dan pengaruh dari individu-individu lain dalam suatu

kelompok. Kata partikel menunjukkan, misalnya, seekor burung dalam kawanan

burung. Setiap individu atau partikel berperilaku secara terdistribusi dengan cara

menggunakan kecerdasannya (intelligence) sendiri dan juga dipengaruhi

perilaku kelompok kolektifnya. Dengan demikian, jika satu partikel atau seekor

burung menemukan jalan yang tepat atau pendek menuju ke sumber makanan,

sisa kelompok yang lain juga akan dapat segera mengikuti jalan tersebut

meskipun lokasi mereka jauh di kelompok tersebut.

Metode optimasi yang didasarkan pada swarm intelligence ini disebut

algoritma behaviorally inspired sebagai alternatif dari algoritma genetika, yang

sering disebut evolution-based procedures. Algoritma PSO ini awalnya

diusulkan oleh. Dalam konteks optimasi multivariabel, kawanan diasumsikan

mempunyai ukuran tertentu atau tetap dengan setiap partikel posisi awalnya

terletak di suatu lokasi yang acak dalam ruang multidimensi. Setiap partikel

diasumsikan memiliki dua karakteristik: posisi dan kecepatan. Setiap partikel

bergerak dalam ruang/space tertentu dan mengingat posisi terbaik yang pernah

dilalui atau ditemukan terhadap sumber makanan atau nilai fungsi objektif.
 19

Setiap partikel menyampaikan informasi atau posisi bagusnya kepada partikel

yang lain dan menyesuaikan posisi dan kecepatan masing-masing berdasarkan

informasi yang diterima mengenai posisi yang bagus.

Sebagai pembuktian, misalnya perilaku burung-burung dalam dalam

kawanan burung. Meskipun setiap burung mempunyai keterbatasan dalam hal

kecerdasan, biasanya ia akan mengikuti kebiasaan (rule) seperti berikut :

1. Seekor burung tidak berada terlalu dekat dengan burung yang lain

2. Burung tersebut akan mengarahkan terbangnya ke arah rata-rata keseluruhan

burung

3. Akan memposisikan diri dengan rata-rata posisi burung yang lain dengan

menjaga sehingga jarak antar burung dalam kawanan itu tidak terlalu jauh.

Dengan demikian perilaku kawanan burung akan didasarkan pada kombinasi

dari 3 faktor simpel berikut:

1. Kohesi - terbang bersama

2. Separasi - jangan terlalu dekat

3. Penyesuaian(alignment) - mengikuti arah bersama

Jadi PSO dikembangkan dengan berdasarkan pada model berikut:

1. Ketika seekor burung mendekati target atau makanan (atau bisa mnimum

atau maximum suatu fungsi tujuan) secara cepat mengirim informasi kepada

burung-burung yang lain dalam kawanan tertentu

2. Burung yang lain akan mengikuti arah menuju ke makanan tetapi tidak

secara langsung

3. Ada komponen yang tergantung pada pikiran setiap burung, yaitu

 20

memorinya tentang apa yang sudah dilewati pada waktu sebelumnya

(Juhardi dkk, 2019).

2.4 Algoritma C4.5

Algoritma C4.5 merupakan salah satu dari Desicion Tree menyerupai

struktur flowchart, yang masing-masing internal node-nya dinyatakan sebagai

atribut pengujian, setiap cabang mewakili output dari pengujian, dan setiap node

daun (terminal node) menentukan label class. Node paling atas dari sebuah

pohon adalah node akar. Salah satu metode klasifikasi yang menarik melibatkan

konstruksi pohon keputusan, koleksi node keputusan, terhubung oleh cabang-

cabang, memperpanjang bawah dari simpul akar sampai berakhir di node daun.

Dimulai di node root, yang oleh konvensi ditempatkan di bagian atas dari

diagram pohon keputusan, atribut diuji pada node keputusan, dengan setiap hasil

yang mungkin dihasilkan dalam suatu cabang. Setiap cabang kemudian

mengarah baik ke node lain keputusan atau ke node daun untuk mengakhiri

(Muarif, 2009).

Beberapa tahap dalam membuat sebuah pohon keputusan dengan

algoritma C4.5, yaitu:

1. Menyiapkan data training. Data training biasanya diambil dari data histori

yang pernah terjadi sebelumnya dan sudah dikelompokan ke dalam kelas

kelas tertentu.

2. Menentukan akar dari pohon. Akar akan diambil dari atribut yang

terpilih, dengan cara menghitung nilai gain dari masing-masing atribut,

nilai gain yang paling tinggi yang akan menjadi akar pertama. Sebelum
 21

menghitung gain dari atribut, hitung dahulu nilai entropy yaitu:

Keterangan:

S : himpunan kasus A : atribut

N : jumlah partisi S

Pi : proporsi dari Si terhadap S

1. Kemudian hitung nilai gain dengan metode informasi gain:

Ulangi langkah ke-2 hingga semua tupel terpartisi.

2. Proses partisi pohon keputusan akan berhenti saat:

a. Semua tupel dalam node N mendapat kelas yang sama.

b. Tidak ada atribut di dalam tupel yang dipartisi lagi.

c. Tidak ada tupel di dalam cabang yang kosong.

Langkah-langkah diatas digunakan untuk menangani atribut nominal.

Perhitungan dengan metode Entropy Based Discretization di gunakan untuk

menangani atribut yang bersifat kontinu. Metode ini menggunakan entropy

sebagai bagian dari proses pemisahan selang data selang kontinu.

 22

2.5 Rapidminer

RapidMiner adalah aplikasi data mining berbasis open-source yang

terkemuka dan ternama. Didalamnya terdapat aplikasi yang berdiri sendiri

untuk analisis data dan sebagai mesin data mining seperti untuk loading data,

transformasi data, pemodelan data, dan metode visualisasi data. RapidMiner

pertama kali dinamai Yet Another Learning Environment atau singkat

YALE. Pada tahun 2007 akhirnya diganti namanya menjadi RapidMiner.

Rapidminer merupakan perangkat lunak yang bersifat terbuka (open source).

Rapidminer adalah sebuah solusi untuk melakukan analisis terhadap data

mining, text mining dan analsis prediksi. Rapidminer menggunakan berbagai

teknik deskriptif dan prediksi dalam memberikan wawasan kepada pengguna

sehingga dapat membuat keputusan yang paling baik.

Rapidminer memiliki kurang lebih 500 operator data mining, termasuk

operator untuk input, output, data preprocessing dan visualisasi. Rapidminer

merupakan software yang berdiri sendiri untuk analisis data dan sebagai

mesin data mining yang dapat diintergrasikan pada produknya sendiri.

Rapidminer ditulis dengan menggunakan bahasa Java sehingga dapat bekerja

di semua sistem operasi. RapidMiner menyediakan GUI (Graphic User

Interface) untuk merancang sebuah pipeline analitis. GUI ini akan

menghasilkan file XML (Extensible Markup Language) yang mendefenisikan

proses analitis keingginan pengguna untuk diterpkan ke data. File ini

kemudian dibaca oleh RapidMiner untuk menjalankan analis secara otomatis

(Rika Nofitri, 2019).

 23

2.6 Penelitian Sebelumya

2.6.1 Penelitian Ari Puspita dkk (2019)

Dari hasil analisis optimasi model algoritma C4.5 berbasis PSO

memberikan nilai akurasi yang lebih tinggi yaitu 78.16%

membandingkan dengan model algoritma C4.5 yaitu 73.88%. Dari hasil

tersebut didapatkan selisih antara kedua model yaitu 4,28%. Sementara

untuk evalusai menggunakan ROC curve untuk kedua model yaitu, untuk

model algoritma C4.5 nilai AUC adalah 0.764 dengan tingkat diagnosa

Fair classification, dan untuk model algoritma C4.5 berbasis PSO nilai

AUC adalah 0.780 dengan tingkat diagnosa Fair classification. Dari

evaluasi ROC curve tersebut terlihat bahwa model algoritma C4.5

berbasis PSO lebih besar Sehingga dapat disimpulkan bahwa algoritma

C4.5 berbasis particle swarm optimization lebih akurat dalam

memprediksi minat beli prodak sepatu (Ari puspita dkk, 2019).

2.6.2 Penelitian Syaeful Mujab (2016)

Pada penelitian ini dilakukan pemodelan menggunakan algoritma

C4.5 dan C4.5 yang dikombinasi dengan PSO, data yang digunakan

adalah data nasabah bank yang mana pada tujuan ini untuk mengetahui

nasabah mana yang nantinya berpotensi melakukan deposito. Penelitian

ini difokuskan pada penerapan algoritma PSO sebagai pembobotan

atribut teknik klasifikasi data mining C4.5.Validasi model menggunakan

10fold cross-validation dan evaluasi model menggunakan confusion

 24

matrix dankurva ROC. Dari penelitian ini didapat algoritma C4.5 yang

dikombinasi dengan algoritma PSO mempunyai akurasi yang lebih baik

dibanding penggunaan algoritma C4.5 saja, yaitu 88.83% berbanding

89.26% akan tetapi untuk waktu eksekusi algoritma C4.5 yang

dikombinasi PSO memakan waktu lebih lama yaitu 6 menit 44 detik

untuk C4.5 dan menjadi 4 jam 48 menit 44 detik untuk C4.5 berbasis

PSO (Syaeful Mujab, 2016).

 BAB III

ANALISIS DAN PERANCANGAN

3.1 Analisis Data

Pada tahapan ini merupakan tahapan analisis data dari penelitian yang

berjudul Penerapan Metode C4.5 Berbasis Particle Swarm Optimization Untuk

Memprediksi Penjualan Obat Pada Apotek Bunda Azka, pada langkah awal

penelitian ini adalah penentuan atrribut yanga akan diolah kedalam data mining

dengan bantuan tools rapidminer, pada peneltian ini akan dilakukan penyusunan

attribut sebelum diolah kedalam proses minning dengan menggunakan

rapidminner. Pada ilmu statistik penentuan sampling yang baik yaitu sampel yang

mewakili populasinya. Untuk memperoleh sampel yang baik maka dibutuhkan

metode yang baik dalam penentuan sampel data. Sedangkan dalam sebuah model

pohon keputusan berisi aturan yang membagi sejumlah populasi yang homogen

menjadi lebih kecil yaitu hetrogen.

Dalam pengklasifikasian data sampel, parameter data diambil dari data

Obat mulai dari data obat sampai minat pembeli tersebut, dari keseluruhan data

atribut tersebut hanya beberapa data tertentu yang dapat diolah kedalam proses

selanjutnya yaitu data mining dengan bantuan tools rapidminer.

25
 26

3.2 Desain Penelitian

Dalam penelitian ini penulis menggunakan model KDD sebagai

standarisasi dalam proses data mining dengan langkah-langkah sebagai berikut

ini:

3.2.1 Data Cleaning

Data Cleaning, tahap pembersihan data merupakan tahap awal dari proses

KDD. Seluruh atribut yang ada pada dataset di atas selanjutnya akan diseleksi

untuk mendapatkan atribut-atribut yang berisi nilai yang relavan. Tidak redundant

dan tidak missing value, dimana syarat tersebut merupakan syarat awal yang harus

dikerjakan dalam data mining sehingga akan diperoleh dataset yang bersih untuk

digunakan pada tahap mining data. Data dikatakan missing value bila atribut-

atribut dalam dataset tidak berisi nilai atau kosong, sedangkan data dikatakan

redundant jika dalam satu dataset yang sama terdapat lebih dari satu record yang

berisi nilai yang sama.

Data yang berkualitas sangat mempengaruhi kualitas keputusan yang akan

diperoleh. Data yang tidak berkualitas adalah data yang nilai atributnya hilang,

error dan data yang tidak konsiten dalam pengisian atributnya. Untuk

mendapatkan data yang berkualitas dilakukan tahapan dalam data Cleaning

sebagai berikut:

1. Menghilangkan record yang tidak lengkap,

2. Menghilangkan data yang atribut ataupun label yang tidak di pakai.

3. Mengisi nilai-nilai yang missing atau tidak lengkap.

 27

Gambar 3. 1 Data Awal setelah Cleaning

3.2.2 Data Integration and Tranformation

Data Integration atau integrasi data merupakan proses menggabungkan

atau menyatukan dua atau lebih sebuah data dari berbagai sumber database yang

berbeda ke dalam sebuah penyimpanan seperti gudang data (data warehouse).

Teknik yang digunakan untuk menganalisis data kolerasi, atribut yang redundan

disebut integration, sedangkan transformation berguna untuk meningkatkan

akurasi dan efesiensi algoritma Algoritma C4.5 memiliki kelebihan memproses

data yang bernilai nominal, ortodinal maupun kontinyu. Sehingga nilai – nilai

setiap atribut yang terdapat pada dataset tidak perlu ditransformasikan.

 28

No NamaObat Harga Terjual Jenis Harga Jenis Obat

1 Alleron 3000 38 Murah Non-Antibiotik
2 Alopurinol 8000 72 Murah Non-Antibiotik
3 Ambroxol 7000 213 Murah Non-Antibiotik
4 Aminofilin 65000 67 Mahal Non-Antibiotik
5 Amlodipin 40000 211 Mahal Non-Antibiotik
6 Amoxilin 100000 370 Mahal Antibiotik
7 Ampicilin 40000 110 Mahal Antibiotik
8 Antidepresen 8000 58 Murah Non-Antibiotik
9 Asam mefemat 8000 66 Murah Antibiotik
10 Caviplex 4000 214 Murah Non-Antibiotik
11 Cefazolin 6000 58 Murah Antibiotik
12 Cetirizen 3000 126 Murah Antibiotik
13 Cisapride 8000 61 Murah Non-Antibiotik
14 Diazepam 9000 55 Murah Non-Antibiotik
15 Entecapir 4000 78 Murah Non-Antibiotik
16 Eritromisin 70000 112 Mahal Non-Antibiotik
17 Fenobarbital 10000 22 Normal Non-Antibiotik
18 Flamar 91000 81 Mahal Antibiotik
19 Folavit 8000 81 Murah Non-Antibiotik
20 Gentaviolet 10000 38 Normal Non-Antibiotik
21 Glimepiride 30000 28 Mahal Non-Antibiotik
22 Haloperidol 13000 124 Normal Non-Antibiotik
23 Ibuprofen 29000 33 Mahal Non-Antibiotik
24 Kloramfenikol 5000 110 Murah Antibiotik
25 Kuinidin 35000 62 Mahal Non-Antibiotik
…. ……………… ………… ………... ………….. ………………
Table 3. 1 Sampel Data Setelah Transformasi

3.2.3 Data Reduction

Dataset dapat direduksi dengan mengurangi jumlah atribut dan record

supaya menjadi lebih sedikit tetapi tetap bersifat informatif. Memperoleh

representasi dalam bentuk volume data yang telah berkurang jumlahnya namun

tetap mendapatkan hasil analisis yang sama. Deskretasi data merupakan bagian

dari reduksi data bagian penting untuk data numerik. Berikut adalah keseluruhan
 29

atribut sebelum dilakukan reduction data. Maka dapat di peroleh parameter data

tersebut antara lain sebagai berikut.

No Parameter Keterangan
1 NamaObat Atribut
2 Harga Atribut
3 Terjual Atribut
4 JenisHarga Atribut
5 JenisObat Atribut
6 Kategori Label
Table 3. 2 Parameter Atribut Data

Dari hasil pengolahan parameter data diatas maka terpilih lah 5atribut data,

serta 1 Label data yang akan di olah menggunakan proses Data Mining.

3.3 Pemodelan

Metode yang akan digunakan pada penelitian adalah Algoritma C4.5.

Dalam permodelan ini Algoritma C4.5 akan dicari performanya yaitu

Performance Vector (accuracy) dan confusion matrix. Data yang digunakan sudah

melalui proses cleaning data, untuk melakukan pengukuran dalam penelitian ini

menggunakan toolRapidminer.
 30

Preprosesing
Dataset
65 Data
65 Record
Data Cleaning

Modeling

Model Decesion tree C4.5

Particle Swarm
Optimization
Validation

 Apply Model
 Performance

Hasil

 Accuracy
 Confusion Matrix

Gambar 3. 2 Modeling
Keterangan:

1. Peneliti melakukan pengumpulan data dan mengelola data penjualan obat

tersebut, dengan melakukan proses selection, cleaning hingga transform

data.

2. Setelah data siap, peneliti menyiapkan tools rapidminner untuk mengelola

data penjualan obat untuk mendapatkan hasil akurasi prediksi.

3. Ujicoba pertama peneliti menggunakan algorimat decision tree C4.5

dengan sampel 65 record data penjualan obat.

 31

4. Ujicoba berikutnya peneliti memasukan particle swarm optimization untuk

meningkatkan akurasi penelitian.

5. Setelah didapat hasil accruray, recall, dan precision, maka didapat hasil

akhir dari peneltian.

6. Penutup kesimpulan dan saran.

Dalam pengujian data set pertama dilakukan adalah melakukan proses

preprosesing yaitu Data cleaning, dari 65 data setelah dilakukan data

cleaning.Berikut merupakan sampel record data yang akan diolah data mining

dengan bantuan tools rapidminer yang berjumlah 65 dataset dari data penjualan

obat pada apotek bunda azka:

Gambar 3. 3 Dataset

Dataset diatas sudah dibagi kedalam beberapa attribut data seperti nama

obat, harga obat, jenis obat, penjualan obat, jenis kategori harga obat serta label

yang dijadikan prediksi yaitu data kategori penjualan yang dibagi dua kategori
 32

yaitu, “Laku” dan “Tidak Laku”. Setelah itu proses selanjutnya adalah

pengelolahan data dengan bantuan tools rapidminner yang akan dibahas pada bab

selanjutnya.
 BAB IV

HASIL DAN PEMBAHASAN

4.1 Pengumpulan Data

Pada tahap ini merupakan tahap pengumpulan data dari peneltian yang

berjudul Penerapan Metode C4.5 Berbasis Particle Swarm Optimization

Untuk Memprediksi Penjualan Obat Pada Apotek Bunda Azka. Sumber data

pada penelitian ini adalah data yang berasal dari Apotek Bunda Azka, tepatnya

data penjualan obat di apotek. Data tersebut nantinya akan diolah dengan

algoritma C4.5 berbasis Particle Swarm Optimization untuk dicari hasil

akurasi dari prediksi data tersebut.

Algoritma C4.5 adalah algoritma yang sudah banyak dikenal dan

digunakan untuk klasifikasi data yang memiliki atribut-atribut numerik dan

kategorial. Sedangkan Particle Swarm Optimization merupakan Sebuah

metode optimasi yang berdasarkan pada swarm intelligence atau yang disebut

algoritma behaviorally inspired yang dapat digunakan sebagai alternatif dari

algoritma genetika. Dalam optimasi multivariable seperti PSO, Hasil dari

proses klasifikasi yang berupa aturan-aturan dapat digunakan untuk

memprediksi nilai atribut bertipe diskret dari record yang baru. Berikut hasil

pengumpulan data yang sudah memiliki record 65 Data penjualan pada apotek

bunda Azka.

33
 34

Gambar 4. 1 Record Data

Data asli yang didapat peneliti sebelumnya memiliki 5 attribut yaitu mulai

dari seperti nama obat, harga obat, jenis obat, penjualan obat, jenis kategori harga

obat serta label yang dijadikan prediksi yaitu data kategori penjualan yang dibagi

dua kategori yaitu, “Laku” dan “Tidak Laku”.

4.2 Implementasi

Pada tahap ini dilakukan pemodelan data, metode yang dipakai pada

penelitian ini adalah probabilitas (prediksi) dengan menggunakan algoritma C4.5.

Data yang telah dikumpulkan, diseleksi dan ditransformasi akan dikelola

menggunakan probabilitas. Metode ini dapat digunakan dalam memprediksi

peluang di masa depan berdasarkan pengalaman di masa sebelumnya sebagai

perbandingan. Data yang akan diujikan dibagi menjadi dua bagian yaitu training

dan testing kemudian dianalisis menggunakan software Rapidminer. Data record

penjurusan siswa pada Apotek Bunda Azka berjumlah 65 record data penjualan

obat.
 35

4.2.1 Implementasi Ke Rapidminer

Pada tahap ini merupakan tahap memasukan data yang akan diolah pada

tools rapidminner, data tersebut akan ditarik kedalam tools sebelum diolah ke

proses data mining pada penelitian Penerapan Metode C4.5 Berbasis Particle

Swarm Optimization Untuk Memprediksi Penjualan Obat Pada Apotek Bunda

Azka, seperti gambar berikut ini.

Gambar 4. 2 Proses Memasukan Data

Proses selanjutnya adalah memili data yang akan diolah ke proses data

mining, dalam hal ini data yang di pilih adalah data yang berformat.xcl, data ini

sudah melewati proses selection, cleaning sampai ke transformasi data.

 36

Gambar 4. 3 Pemilihan Data

Proses selanjutnya adalah penentuan atribut data, pada record data ini

terdapat 6 kolom data yang dimana akan dibagi menjadi 5 attribut data, dan 1

Label data yang merupakan nama obat, harga obat, jenis obat, penjualan obat,

jenis kategori harga obat serta label yang dijadikan prediksi yaitu data kategori

penjualan yang dibagi dua kategori yaitu, “Laku” dan “Tidak Laku” yang terdapat

pada Penerapan Metode C4.5 Berbasis Particle Swarm Optimization Untuk

Memprediksi Penjualan Obat Pada Apotek Bunda Azka.

 37

Gambar 4. 4 Proses Olah Atribut Data

Setelah melakukan olah data pada pemilihan attribut pada proses

selanjutnya akan memilih operator set role, yang dimana pada operator tersebut

kita akan menentukan atribut yang dijadikan targel label data untuk mengetahui

hasil dari pohon keputusan. Berikut adalah gambaran operator yang ditentukan.

Gambar 4. 5 Set Role

 38

Tahapan selanjutnya ialah memasukan operator cross validationuntuk di

proses mendapatkan K-Fold Validation pada Penerapan Metode C4.5 Berbasis

Particle Swarm Optimization Untuk Memprediksi Penjualan Obat Pada Apotek

Bunda Azka.

Gambar 4. 6 Operator Decision Tree

Setelah operator dipilih dan semua proses dijalankan maka proses

selanjutnya memasukan operator decision tree, apply model, serta performance

classification untuk di proses mendapatkan hasil performa accuracy, recall, dan

precision pada Penerapan Metode C4.5 Berbasis Particle Swarm Optimization

Untuk Memprediksi Penjualan Obat Pada Apotek Bunda Azka.

 39

Gambar 4. 7 Cross Validation

4.2.2 Hasil Pohon Keputusan

Berikut merupakan hasil dari pengolahan data dari decision tree, yang

menghasilkan pohon keputusan.

Gambar 4. 8 Hasil Pohon Keputusan

Gambar 4. 8 Hasil Pohon Keputusan

 40

Keterangan:

No Keterangan

1 Terjual > 71.500

| Harga > 9000: Laku {Tidak Laku=0, Laku=19}

2 Harga ≤ 9000

| | Terjual > 111

| | | Harga > 7500: Tidak Laku {Tidak Laku=2, Laku=0}

3 Harga ≤ 18000

| | Terjual > 213.650: Tidak Laku {Tidak Laku=1, Laku=1}

| | Terjual ≤ 213.650: Laku {Tidak Laku=1, Laku=16}

4 Harga ≤ 7500

| | | | Harga > 4500: Tidak Laku {Tidak Laku=1, Laku=1}

| | | | Harga ≤ 4500: Laku {Tidak Laku=0, Laku=3}

5 Terjual ≤ 111: Laku {Tidak Laku=0, Laku=5}

Terjual ≤ 71.500: Tidak Laku {Tidak Laku=25, Laku=9}

Table 4. 1 Tabel Hasil Pohon Keputusan

 41

4.2.3 Hasil Grafik

Berikut merupakan hasil grafik dari decision tree terhadap 65 record data

penjualan obat pada Penerapan Metode C4.5 Berbasis Particle Swarm

Optimization Untuk Memprediksi Penjualan Obat Pada Apotek Bunda Azka.

Gambar 4. 9 Hasil Grafik Scatter Pot

Gambar 4.9 Hasil Grafik Scatter Pot

Hasil grafik diatas merupakan penggambaran dari pola yang

menghubungankan antar attribut yang mengindikasikan label data yaitu antara

Laku dan Tidak Laku pada penelitian ini.

 42

Gambar 4. 10 Grafik Pie

Gambar 4.10 Grafik Pie

Pada gambar 4.10 diatas mengambarkan grafik pie yaitu pola pembagian

data atau distribusi dari nama-nama obat yang digunakan pada penelitian

Penerapan Metode C4.5 Berbasis Particle Swarm Optimization Untuk

Memprediksi Penjualan Obat Pada Apotek Bunda Azka.

4.3 Uji Performance

Pada tahap berikut ini akan mencari tahu hasil perfomance dan apply

model dengan menggunakan data testing dan data training untuk mencari tahu

hasil akurasi dari prediksi penentuan jurusan pada Penerapan Metode C4.5

Berbasis Particle Swarm Optimization Untuk Memprediksi Penjualan Obat Pada

Apotek Bunda Azka.

 43

4.3.1 Implementasi Performancee

Pada tahap ini merupakan tahap awal sebelum melakukan uji performa

yang sudah di proses sebelumnya kedalam tools rapidminer, data tersebut akan

ditarik kedalam tools sebelum diolah ke proses data mining pada Penerapan

Metode C4.5 Berbasis Particle Swarm Optimization Untuk Memprediksi

Penjualan Obat Pada Apotek Bunda Azka, seperti gambar berikut ini.

Gambar 4. 11 Proses Memasukan Data

Proses selanjutnya adalah memilih data yang akan diolah ke proses data

mining, dalam hal ini data yang di pilih adalah data yang berformatxcl, data ini

sudah melewati proses selection, cleaning sampai ke transformasi data. Ada dua

operator excel yang akan dimasukan yang pertama adalah data testing kedua

adalah data training, guna akan mencari tahu akurasi Penerapan Metode C4.5
 44

Berbasis Particle Swarm Optimization Untuk Memprediksi Penjualan Obat Pada

Apotek Bunda Azka.

Gambar 4. 12 Pemilihan Operatot Data

Proses berikutnya memasukan operator decision tree, apply model serta

performance pada proses operator cross validation. Setelah ini akan dilakuakn

proses running pada rapidminer yang akan menghasilkan hasil akurasi dari

penelitian yang sedang dijalankan.

4.3.2 Hasil Akurasi

Berikut merupakan hasil akurasi dari hasil prediksi terhadap Penerapan

Metode C4.5 Berbasis Particle Swarm Optimization Untuk Memprediksi

Penjualan Obat Pada Apotek Bunda Azka dengan menggunakan tools

Rapidminer.
 45

Gambar 4. 13 Hasil Akurasi

Pada hasil diatas terlihat hasil dari akurasi sebesar 70.95% dari 65 record

data penjualan pada Penerapan Metode C4.5 Berbasis Particle Swarm

Optimization Untuk Memprediksi Penjualan Obat Pada Apotek Bunda Azka.

Berikut juga hasil plot view pada Confusion Matrix.

Gambar 4. 14 PlotView
Gambar 4.14 PlotView
 46

Pada tampilan diatas merupakan gambar dari hasil confusion matrix yang

berbentuk grafik plot view berdasarkan pengolahan data dari tools rapidminer.

4.4 Particle Swarm Optimization

4.4.1 Implementasi Metode Particle Swarm Optimization

Pada tahap ini merupakan tahap memasukan data yang akan diolah pada

tools rapidminner, data tersebut akan ditarik kedalam tools sebelum diolah ke

proses data mining pada penelitian Penerapan Metode C4.5 Berbasis Particle

Swarm Optimization Untuk Memprediksi Penjualan Obat Pada Apotek Bunda

Azka, seperti gambar berikut ini.

Gambar 4. 15 Implementasi Operators

Pada tahap ini peneliti menggunakan operators Particle Swarm

Optimizationuntuk meningkatkan akurasi yang sudah di dapat sebelumnya pada

 47

Penerapan Metode C4.5 Berbasis Particle Swarm Optimization Untuk

Memprediksi Penjualan Obat Pada Apotek Bunda Azka.

4.4.2 Penerapan Model

Pada tahap ini peneliti akan memasukan model kedalam operator Particle

Swarm Optimizationuntuk meningkatkan akurasi di Penerapan Metode C4.5

Berbasis Particle Swarm Optimization Untuk Memprediksi Penjualan Obat Pada

Apotek Bunda Azka.

Gambar 4. 16 Cross Validation dalam PSO

4.4.3 Hasil Akurasi PSO

Berikut merupakan hasil akurasi dari hasil akurasi dengan menggunakan

PSO terhadap Penerapan Metode C4.5 Berbasis Particle Swarm Optimization

Untuk Memprediksi Penjualan Obat Pada Apotek Bunda Azka dengan

menggunakan tools Rapidminer.

 48

Gambar 4. 17 Hasil AkurasiCross Validation dalam PSO

4.5 Pembahasan

Berikut adalah hasil dari pengujian yang telah dilakukan pada RapidMiner

dan Algoritma C4.5 dengan Particle Swarm Optimization sebagai berikut:

1. Pada penelitian ini penulis menggunakan 65 sampel data penjualan obat

sebagai data pengujian dari recordexcel pada pengujian dengan

menggunakan software RapidMiner.

2. Atribut data yang digunakan mulai dari nama obat, harga obat, jenis obat,

jenis harga dan label data adalah kategori obat yang merupakan Laku dan

Tidak Laku.

3. Untuk mencari performance dari akurasi data digunakan operator cross

validation yang ada pada tools rapidminer.

4. Hasil pengujian di dapat akurasi sebesar 70.95% dan setelah menggunakan

Particle Swarm Optimization meningkat menjadi 78.10%, untuk class

recall penjualan obat sebesar 72.50% dan setelah menggunakan Particle

Swarm Optimization meningkat menjadi 78.33%, sedangkan precision

 49

memiliki akurasi sebesar 77.92% dan setelah menggunakan Particle

Swarm Optimization meningkat menjadi 80.33%.

5. Dari hasil pengujian dengan Particle Swarm Optimization, ada

peningkatan akurasi sebesar 7.15% dari penelitian Penerapan Metode C4.5

Berbasis Particle Swarm Optimization Untuk Memprediksi Penjualan

Obat Pada Apotek Bunda Azka.

Keterangan Accuracy Recall Precision

Uji Performa Sebelum PSO 70.95% 72.50% 77.92%
Uji Performa dengan PSO 78.10% 78.33%, 80.33%.
Table 4. 2 Hasil Perbandingan

Hasil perbandingan diatas menunjukan ada peningkatan dari hasil akurasi

ketika algoritma Decision Tree C4.5 digabungkan dengan Particle Swarm

Optimization, dari sebelumnya 70.95% menjadi 78.10%, ada peningkatan

akurasi sebesar 7.15% dari penelitian Penerapan Metode C4.5 Berbasis Particle

Swarm Optimization Untuk Memprediksi Penjualan Obat Pada Apotek Bunda

Azka.
 BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan
Pada akhir penelitian ini merupakan pembahasan dari kesimpulan dan

saran dari hasil peneltian yang berjudul Penerapan Metode C4.5 Berbasis Particle

Swarm Optimization Untuk Memprediksi Penjualan Obat Pada Apotek Bunda

Azka, setelah melewati hasil dan pembahasan pada bab sebelumnya maka

sampailah ditahap akhir penelitian ini, ada beberapa hal yang dapat dijadikan

kesimpulan pada penelitian ini, berikut kesimpulannya.

1. Data yang digunakan pada penelitian Penerapan Metode C4.5 Berbasis

Particle Swarm Optimization Untuk Memprediksi Penjualan Obat Pada

Apotek Bunda Azka merupakan data penjualan obat.

2. Sampel data yang digunakan adalah jumlah 65 record transaksi obat di

Apotek Bunda Azka.

3. Pada Hasil pengujian di dapat akurasi Particle Swarm Optimization

78.10%, untuk class recall penjualan obat sebesar 72.50% dan setelah

menggunakan Particle Swarm Optimization meningkat menjadi 78.33%,

sedangkan precision memiliki akurasi sebesar 77.92% dan setelah

menggunakan Particle Swarm Optimization meningkat menjadi 80.33%.

Dari hasil pengujian dengan Particle Swarm Optimization, ada

peningkatan akurasi sebesar 7.15% dari penelitian Penerapan Metode C4.5

50
 51

Berbasis Particle Swarm Optimization Untuk Memprediksi Penjualan

Obat Pada Apotek Bunda Azka

5.2 Saran

Berikut merupakan saran penelitian yang diusulkan peneliti untuk

pengembangan penelitian selanjutnya, adapun sarannya sebagai berikut:

1. Diharapkan pada penelitian selanjutnya menggunakan model atau

algoritma yang lain sebagai pembanding untuk mencari akurasi tertinggi.

2. Diharapkan pada penelitian selanjutnya menggunakan tools lain untuk

mencari tahu hasil yang berbeda.

3. Diharapkan penelitian selanjutnya lebih di rincikan dalam proses

pengolahan data seperti proses cleaning, selection, dan transformation

data, yang belum terlalu di tekankan pada penelitian ini

 DAFTAR PUSTAKA

Alhapizi, M. R.,Nasir, M., & Effendy, I. (2020). Penerapan Data Mining

Menggunakan Algoritma K-Means Clustering Untuk Menentukan Strategi
Promosi Mahasiswa Baru Universitas Bina Darma Palembang. Journal of
Software Engineering Ampera, 1(1), 1-14.
Anisa (2021) ‘Sejarah apotek bunda azka’, Bunder-Patuk-Desa.Id, (434), pp. 1–
37. Available at: Visi Misi - Website Bunder (bunder-patuk.desa.id).
Ari puspita dkk (2019) ‘Prediksi Peminatan Pelanggan dalam Penjualan Produk
Sepatu Menggunakan Metode Decision Tree Berbasis Particle Swarm
Optimization pada PT . Baskara Cipta Pratama’, V(1), pp. 10–17.
Juhardi dkk (2019) ‘Optimalisasi Penjualan Motor Menggunakan Algoritma
Particle Swarm Optimization ( PSO )’, Jurnal Media Infotama, 15(2), pp.
71–78.
Mardi, Y. (2017) ‘Data Mining : Klasifikasi Menggunakan Algoritma C4.5’, Edik
Informatika, 2(2), pp. 213–219. doi: 10.22202/ei.2016.v2i2.1465.
Moertini, V. (2012) ‘Data Mining Sebagai Solusi Bisnis’, Data Mining Sebagai
SolusiBisnis,7(1),pp.44–56.Availableat:
https://eric.ed.gov/?id=ED539082%0Ahttp://www.win.tue.nl/~mpechen/re
search/edu.html

Muarif, A. khoirul (2009) ‘Komparasi pemodelan data menggunakan c4.5 dan

c4.5 berbasis particle swarm optimization untuk memprediksi kelulusan
mahasiswa’.
Mubarokh, M. F., Nasir, M., & Komalasari, D. (2020). Jaringan Syaraf Tiruan
Untuk Memprediksi Penjualan Pakaian Menggunakan Algoritma
Backpropagation. Journal of Computer and Information Systems Ampera,
1(1), 29-43.
Rica Novitri, N. I. (2019) ‘INTEGRASI METODE NEIVE BAYES DAN
SOFTWARE RAPIDMINER DALAM ANALISIS HASIL USAHA
PERUSAHAAN DAGANG Rika Nofitri , Novica Irawati Sekolah Tinggi
Manajemen Infromatika dan Komputer Royal PENDAHULUAN
Keuntungan menjadi target utama di sebuah Setiap perusahaan’, VI(1), pp.
35–42.
Syaeful Mujab (2016) ‘PENCARIAN MODEL TERBAIK ANTARA
ALGORITMA C4.5 DAN C4.5 BERBASIS PARTICLE SWARM
OPTIMIZATION UNTUK PREDIKSI PROMOSI DEPOSITO’.
Tanjung Dkk (2016) ‘Pengaruh Penggunaan Metode Pembelajaran Bermain
Terhadap Hasil Belajar Matematika Siswa Materi Pokok Pecahan Di Kelas

52
 Iii SD Negeri 200407 Hutapadang’, Bina Gogik: Jurnal Ilmiah Pendidikan
GuruSekolahDasar,3(1),p.39.Availableat:
http://www.ejournal.stkipbbm.ac.id/index.php/pgsd/article/view/26.

Windarto, kiki fatmawati agus perdana (2018) ‘DATA MINING : PENERAPAN

RAPIDMINER DENGAN K-MEANS CLUSTER PADA DAERAH
TERJANGKIT DEMAM BERDARAH DENGUE (DBD )
BERDASARKAN PROVINSI’, 3(2), pp. 173–178.

53
LAMPIRAN

54
55