Skripsi Harina Final

ANALISIS ALGORITMA C4.
5 UNTUK
MENENTUKAN TINGKAT PROFIT USAHA PADA PT
MEGACIPTA SEJATI
SKRIPSI
Oleh:
Harina
161510006
PROGRAM STUDI SISTEM INFORMASI

FAKULTAS TEKNIK DAN KOMPUTER
UNIVERSITAS PUTERA BATAM
2020
ANALISIS ALGORITMA C4.5 UNTUK
MEGACIPTA SEJATI
SKRIPSI
Untuk memenuhi salah satu syarat

guna memperoleh gelar Sarjana
Oleh:
Harina
161510006
PROGRAM STUDI SISTEM INFORMASI

FAKULTAS TEKNIK DAN KOMPUTER
UNIVERSITAS PUTERA BATAM
2020
SURAT PERNYATAAN ORISINALITAS
Yang bertanda tangan di bawah ini saya:

Nama : Harina
NPM/NIP : 161510006
Fakultas : Teknik dan Komputer
Program Studi : Sistem Informasi
Menyatakan bahwa “ Skripsi ” yang saya buat dengan judul:
Analisis Algoritma C4.5 Untuk Menentukan Tingkat Profit Usaha Pada PT Megacipta Sejati
Adalah hasil karya sendiri dan bukan “duplikasi” dari karya orang lain.
Sepengetahuan saya, didalam naskah Skripsi ini tidak terdapat karya
ilmiah atau pendapat yang pernah ditulis atau diterbitkan oleh orang lain, kecuali
yang secara tertulis dikutip didalam naskah ini dan disebutkan dalam sumber
kutipan dan daftar pustaka.
Apabila ternyata di dalam naskah Skripsi ini dapat dibuktikan
terdapat unsur-unsur PLAGIASI, saya bersedia naskah Skripsi ini
digugurkan dan gelar akademik yang saya peroleh dibatalkan, serta diproses
sesuai dengan peraturan perundang-undangan yang berlaku.

Demikian pernyataan ini saya buat dengan sebenarnya tanpa ada paksaan dari
siapapun.
Batam, 11 Juli 2020
Materai 6000
Harina
161510006
ANALISIS ALGORITMA C4.5 UNTUK
MEGACIPTA SEJATI
Oleh
Harina
161510006
SKRIPSI
Untuk memenuhi salah satu syarat

guna memperoleh gelar Sarjana
Telah disetujui oleh Pembimbing pada tanggal

seperti tertera di bawah ini
Batam, 11 Juli 2020
Rika Harman, S.Kom., M.SI.

Pembimbing
ABSTRAK
Perkembangan asrama di Batam dari tahun ke tahun menunjukkan peningkatan

yang signifikan. Banyak orang yang datang dari kota yang jauh dan banyak juga
orang yang meninggalkan kampung halaman untuk datang dan mencari kerja di
kota batam sehingga tidak memiliki tempat tinggal membuat banyak perusahaan
yang sedang mencari pekerja memberikan fasilitas tempat tinggal seperti asrama
untuk para pekerja. PT Megacipta Sejati merupakan perusahaan yang bergerak
dibidang sewa dormitory kepada perusahaan yang memberikan fasilitas tempat
tinggal seperti asrama untuk para pekerjanya. Selama ini perusahaan memiliki
sekumpulan data terkait percapaian kinerja perusahaan yang telah menghabiskan
banyak biaya namun data tersebut belum dapat dimanfaatkan dengan baik.
Melalui penerapan teknologi data mining, sekumpulan data yang belum
dimanfaatkan tersebut akan diproses dan menghasilkan new knowlage
(pengetahuan baru) yang menjadi sesuatu yang berharga dan berguna bagi
perusahaan terutama dalam peningkatan profit. Berdasarkan permasalahan
tersebut, saya sebagai peneliti tertarik untuk meneliti analisa algoritma c4.5 untuk
menentukan tingkat profit usaha pada PT Megacipta Sejati. Data Mining
merupakan penambangan atau penemuan informasi baru dengan mencari pola
atau aturan tertentu dari sejumlah data dalam jumlah besar yang diharapkan dapat
mengatasi kondisi tersebut. Data Mining sendiri memiliki beberapa teknik salah
satunya klasifikasi. Teknik klasifikasi terdiri beberapa metode, dan decision tree
adalah bagian dari metode klasifikasi. Kemudian metode decision tree memiliki
algoritma, algoritma C4.5 adalah salah satu dari algoritma yang memiliki decision
tree. Hasil dari penelitian ini akan menghasilkan rule-rule keputusan profit dan
kerugian perusahaan.
Kata Kunci: Algoritma C4.5, Data Mining, Pohon Keputusan, Profit.
v
ABSTRACT
The development of boarding houses in Batam from year to year shows a

significant increase. Many people come from distant cities and many people leave
their hometowns to come and look for work in Batam, so they do not have a place
to live. Many companies are looking for workers to provide housing facilities
such as dormitories for workers. PT Megacipta Sejati is a company engaged in
the rental of dormitory to companies that provide housing facilities such as
dormitories for their workers. During this time the company has a set of data
related to the achievement of company performance which has cost a lot but the
data cannot be utilized properly. Through the application of data mining
technology, a collection of untapped data will be processed and produce new
knowledge that becomes valuable and useful for companies, especially in
increasing profits. Based on these problems, I as a researcher are interested in
researching the c4.5 algorithm analysis to determine the level of business profit at
PT Megacipta Sejati. Data Mining is mining or finding new information by
looking for certain patterns or rules from a large amount of data that is expected
to overcome these conditions. Data Mining itself has several techniques, one of
which is classification. The classification technique consists of several methods,
and the decision tree is part of the classification method. Then the decision tree
method has an algorithm, C4.5 algorithm is one of the algorithms that has a
decision tree. The results of this study will produce rules for the company's profit
and loss decisions.
Keywords: Algorithm C4.5, Data Mining, Decision Tree, Profit.
vi
KATA PENGANTAR
Dengan mengucapkan puji dan syukur kepada Tuhan yang Maha Esa yang
telah melimpahkan segala rahmat dan karunianya, sehingga penulis dapat
menyelesaikan skripsi yang merupakan salah satu persyaratan untuk
menyelesaikan program studi strata satu (S1) pada Program Studi Sistem
Informasi Universitas Putera Batam.
Penulis menyadari bahwa skripsi ini masih jauh dari sempurna. Karena itu,
kritik dan saran akan senantiasa penulis terima dengan senang hati.
Dengan segala keterbatasan, penulis menyadari pula bahwa skripsi ini
takkan terwujud tanpa bantuan, bimbingan, dan dorongan dari berbagai pihak.
Untuk itu, dengan segala kerendahan hati, penulis menyampaikan ucapan terima
kasih kepada:
1. Ibu Dr. Nur Elfi Husda, S.Kom., M.SI, selaku Rektor Universitas Putera
Batam.
2. Bapak Welly Sugianto, S.T., M.M, selaku Dekan Fakultas Teknik Dan
Komputer Universitas Putera Batam.
3. Bapak Muhammad Rasyid Ridho, S.Kom., M.SI., selaku Ketua Program
Studi Sistem Informasi Universitas Putera Batam.
4. Bapak Rika Harman, S.Kom., M.SI., sebagai pembimbing skripsi yang
telah menyediakan waktu dalam memberikan bimbingan dan petunjuk
sampai selesainya skripsi ini.
5. Seluruh dosen dan staff Universitas Putera Batam.
6. Dan pihak-pihak yang telah memberikan dukungannya hingga tersusunnya
penelitian ini yang tidak dapat disebutkan oleh penulis satu persatu.
Semoga Tuhan YME membalas kebaikan dan selalu mencurahkan hidayah

serta taufik-Nya, Amin.
Batam, 11 Juli 2020
Penulis
vii
DAFTAR ISI
Halaman
HALAMAN SAMPUL
HALAMAN JUDUL
HALAMAN PERNYATAAN ORISINALITAS
HALAMAN PENGESAHAN
ABSTRAK...............................................................................................................v
ABSTRACT..............................................................................................................vi
KATA PENGANTAR...........................................................................................vii
DAFTAR ISI........................................................................................................ viii
DAFTAR GAMBAR...............................................................................................x
DAFTAR TABEL...................................................................................................xi
DAFTAR RUMUS................................................................................................xii
BAB I PENDAHULUAN
Pembatasan Masalah
TINJAUAN PUSTAKA
Teori Khusus
Profit
Waikato Environment for Knowlwdge Analysis (WEKA)
Hipotesis Penelitian
Penelitian Terdahulu
METODE PENELITIAN
Desain Penelitian
Objek Penelitian
Lokasi Penelitian
Jadwal Penelitian
Populasi dan Sampel
Populasi
Sampel
Variabel Penelitian
Teknik Pengumpulan Data
Model Penelitian
Hasil
Pembahasan
Melakukan Pra Proses Data Penelitian
Analisa Data
Pembersihan Data
Seleksi Data
Transformasi Data
Pohon Keputusan
viii
Keputusan Hasil Pengujian
Pengujian Menggunakan WEKA
LAMPIRAN
ix
DAFTAR GAMBAR
Halaman
Gambar 1.1 Data Penghuni 3
Gambar 2.1 Pengelompokan Teknik Klasifikasi 17
Gambar 2.2 Pohon Keputusan Identifikasi 19
Gambar 2.3 Tampilan Utama WEKA 25
Gambar 2.4 Kerangka Berpikir 28
Gambar 3.1 Desain Penelitian 31
Gambar 4.1 Pohon Keputusan Node 1 58
Gambar 4.4 Data Variabel Pada Aplikasi Microsoft Excel 76
Gambar 4.5 Data Variabel Pada Aplikasi Notepad 77
Gambar 4.6 Tampilan Awal Aplikasi WEKA 78
Gambar 4.7 Tampilan Pemilihan File Pengujian WEKA 79
Gambar 4.8 Tampilan Pemilihan Atribut Pengujian WEKA 80
Gambar 4.9 Tampilan Tab Menu Classify 80
Gambar 4.10 Tampilan Pemilihan Classifier 81
Gambar 4.11 Tampilan Pemilihan Classifer 82
Gambar 4.12 Tampilan Visualisasi Pohon 83
Gambar 4.13 Tampilan Hasil Pengujian WEKA 83
x
DAFTAR TABEL
Halaman
Tabel 3.1 Jadwal Penelitian 33
Tabel 4.1 Format Pra Proses Data Profit Usaha 41
Tabel 4.2 Biaya Tenaga Kerja 44
Tabel 4.3 Biaya Operasional 45
Tabel 4.4 Biaya Perlengkapan 45
Tabel 4.5 Biaya Perawatan 45
Tabel 4.6 Biaya Pajak 46
Tabel 4.7 Biaya Legalitas 46
Tabel 4.8 Format Data Akhir Profit Usaha 47
Tabel 4.9 Hasil Perhitungan Manual Node 1 56
xi
DAFTAR RUMUS
Halaman
Rumus 2.1 Perhitungan Gain 20
Rumus 2.2 Rumus Perhitungan Entropy 21
xii
BAB I
PENDAHULUAN
1.1 Latar Belakang
Perkembangan teknologi dan informasi ternyata membawa
perubahan dalam segala bidang termasuk kepada perkembangan dunia
bisnis. Tidak dapat dipungkiri lagi perkembangan teknologi yang pesat
saat ini banyak menarik perhatian masyarakat luas. Demikian pula pada
perkembangan komputer yang dinamis diiringi perkembangan zaman
dapat menghasilkan informasi yang cepat dan akurat dan tidak
memerlukan waktu yang lama dalam menggali informasi yang dibutuhkan,
termasuk pada perusahaan-perusahaan yang bergerak dalam jasa sewa
asrama atau dormitory dimana kegiatan usahanya yeng selalu
membutuhkan perhitungan yang signifikan terhadap informasi untuk
menjalankan sebuah perencanaan usaha yang mereka kelola setiap
tahunnya.
Perkembangan asrama di Batam dari tahun ke tahun menunjukan
peningkatan yang signifikan. Kota Batam sebagai kota industri terdapat
banyak kawasan industri, ini menjadi perhatian banyak orang yang berada
diluar kota batam untuk datang mencari pekerjaan dikota ini. Banyak
orang yang datang dari kota yang jauh dan banyak juga orang yang
meninggalkan kampung halaman untuk datang dan mencari kerja di kota
1
batam sehingga tidak memiliki tempat tinggal membuat banyak
perusahaan yang sedang mencari pekerja memberikan fasilitas
2
3
tempat tinggal seperti asrama untuk para pekerja. Definisi Asrama adalah
bangunan tempat tinggal bagi orang – orang yang bersifat homogen,
(Departemen Pendidikan dan Kebudayaan, 1993, 53), Sedangkan menurut
wikipedia.org (2009), asrama adalah suatu tempat penginapan yang
ditujukan untuk anggota suatu kelompok, umumnya murid – murid
sekolah. Asrama biasanya merupakan sebuah bangunan dengan kamar –
kamar yang dapat ditempati oleh beberapa penghuni di setiap kamarnya.
Para penghuni menginap di asrama untuk jangka waktu yang lebih lama
dari pada di hotel atau losmen. Alasan untuk memilih menghuni sebuah
asrama bisa berupa tempat tinggal asal yang terlalu jauh, maupun untuk
biayanya yang terbilang lebih murah dibandingkan bentuk penginapan
lain, misalnya apartemen.
Menurut The Enyclopedia Americana, asrama yang dikenal dengan
istilah Dormitory, adalah berasal dari kata Dormotorius (Latin), yang
berarti a sleeping place, dengan pengertian bahwa dormitory merupakan
keseluruhan bangunan dalam hubungannya dengan bangunan pendidikan,
yang terbagi atas kamar tidur dan meja belajar bagi penghuninya.
Dormitory dalam perusahaan atau organisasi lebih dikenal dengan sebutan
mess yaitu kamar yang dibangun untuk tempat tinggal karyawan dan
pegawai. Dormitory pada perusahaan atau organisasi biasanya kamar yang
memiliki tempat tidur yang banyak agar dapat menampung orang yang
banyak. Tarif sewa di tentukan oleh perusahaan atau organisasi yang
terkadang gratis atau sudah termasuk dalam paket tertentu. Namun

4
dormitory terkadang disediakan oleh perusahaan untuk karyawan dengan
jangka waktu yang cukup lama atau selama masih menjadi karyawan
perusahaan tersebut dengan sewa murah.
PT Megacipta Sejati merupakan perusahaan yang bergerak
dibidang sewa dormitory kepada perusahaan yang memberikan fasilitas
tempat tinggal seperti asrama untuk para pekerjanya sejak tahun 2012
yang beralamat di Jalan Hang Kesturi belakang Cammo Industrial Esate
Blok B, Batam, Kepulauan Riau. Dalam 1 bulan PT Megacipta Sejati
memiliki punghuni sekitar 300 penghuni sampai dengan 400 penghuni
yang tinggal di dormitory. Demikian grafik data penghuni perusahaan PT
Megacipta Sejati di Kota Batam, sebagai berikut:
DATA PENGHUNI 2020

DATA PENGHUNI 2020
450
400400 389
350 362
300
250
222
200
150
100
50
0
Januari Februari Maret April
Gambar 1.1 Data Penghuni
0)
5
Berdasarkan gambar dari grafik data penghuni yang tinggal di PT
Megacipta Sejati Tahun 2020, pada bulan Januari hingga Februari
mengalami penurunan yang tidak cukup besar yaitu sekitar 11 penghuni.
Kemudian pada bulan Maret ke April terjadi penurunan penghuni yang
cukup besar yaitu sekitar 140 penghuni namun dapat disimpulkan dalam
tahun 2020 sejak bulan Januari hingga bulan April PT Megacipta Sejati
rata-rata mengalami penurunan dalam penghuni setiap bulan pada tahun
2020.
Selama ini perusahaan memiliki sekumpulan data terkait
percapaian kinerja perusahaan yang telah menghabiskan banyak biaya
namun data tersebut belum dapat dimanfaatkan dengan baik. Melalui
penerapan teknologi data mining, sekumpulan data yang belum
dimanfaatkan tersebut akan diproses dan menghasilkan new knowlage
(pengetahuan baru) yang menjadi sesuatu yang berharga dan berguna bagi
perusahaan terutama dalam peningkatan profit.
Berdasarkan masalah diatas melalui penerapan teknologi data
mining dengan algoritma C4.5 maka sekumpulan data anggaran biaya
yang belum dimanfaatkan tersebut akan diproses dan menghasilkan new
knowladge yang menjadi sesuatu yang berharga dan berguna bagi
perusahaan terutama dalam peningkatan profit. Data Mining merupakan
penambangan atau penemuan informasi baru dengan mencari pola atau
aturan tertentu dari sejumlah data dalam jumlah besar yang diharapkan
dapat mengatasi kondisi tersebut. Data Mining sendiri memiliki beberapa

6
teknik salah satunya klasifikasi. Teknik klasifikasi terdiri beberapa
metode, dan decision tree adalah bagian dari metode klasifikasi. Kemudian
metode decision tree memiliki algoritma, algoritma C4.5 adalah salah satu
dari algoritma yang memiliki decision tree.
Pada penerapannya didunia usaha, teknik datamining dengan
algoritma C4.5 pada penelitian (Nofitri, 2017) yang meneliti tentang
analisa algoritma C4.5 dalam memprediksi pencapaian profit menyatakan
data mining merupakan proses analisa data untuk menemukan suatu pola
dari kumpulan data tersebut. Data mining mampu menganalisa data yang
besar menjadi informasi berupa pola yang mempunyai arti bagi pendukung
keputusan. Sedangkan, pada penelitian yang pernah dilakukan oleh (Elisa,
2018) yang meneliti tentang prediksi profit pada perusahaan dengan
klasifikasi algoritma C4.5 mengatakan bahwa algoritma C4.5 merupakan
sebuah algoritma yang digunakan untuk membangun decision tree
(pengambilan keputusan), menunjukkan bahwa faktor-faktor yang
menyebabkan pencapaian profit adalah biaya tenaga ahli, biaya tenaga
teknik, biaya tenaga pendukung, biaya operasional kantor, biaya peralatan,
biaya pelaporan dan dokumen, dan biaya mobilisasi. Dengan
menggunakan metode klasifikasi yaitu algoritma C4.5 nantinya diharapkan
dapat digunakan untuk membantu pengambilan keputusan dalam
menentukan tingkat profit usaha.
Berdasarkan uraian latar belakang diatas, maka saya sebagai peneliti
tertarik untuk meneliti melalui skripsi saya yang berjudul “ANALISIS

7
ALGORITMA C4.5 UNTUK MENENTUKAN TINGKAT PROFIT
USAHA PADA PT MEGACIPTA SEJATI”.
1.2 Identifikasi Masalah
Berdasarkan uraian latar belakang diatas, maka peneliti
mengidentifikasi beberapa masalah sebagai berikut:
1. Tidak adanya teknik atau cara yang digunakan oleh perusahan untuk
mengetahui kenaikan dan penurunan profit perusahaan dalam hal ini
dalam pemamfaatan dari data perusahaan yang sudah ada.
2. Tidak adanya acuan atau standar yang resmi yang dibuat oleh perusahaan
dalam menentukan tingkat profit pada perusahaan, sehingga menyulitkan
pihak manajemen perusahaan dalam menentukannya.
1.3 Pembatasan Masalah
Untuk lebih terarahnya pembahasan penelitian ini, maka peneliti
menentukan batasan masalah yang akan diteliti yaitu:
1. Penelitian ini dilakukan pada PT Megacipta Sejati dengan mengelola serta
menganalisa data profit usaha yang sedang berjalan.
2. Penelitian ini menggunakan metode Allgortima C.45 dengan software
WEKA 3.8.3. yang akan digunakan untuk mengidentifikasi dan
menentukan profit usaha.

8
3. Penelitian ini dilakukan pada PT Mega Cipta Sejati dengan mengelola
data transaksi sewa dormitory selama 3 bulan terakhir yaitu Maret,
April dan Juni.
4. Penelitian ini akan memamfaatkan pola yang dihasiilkan dari hasil
pengujian WEKA 3.8.3 dan pencarian manual dengan Microsoft Excel
berbentuk pohon keputusan yang akan dipakai sebagai bahan
pengambilan keputusan.
1.4 Perumusan Masalah
Berdasarkan identifikasi masalah tersebut, maka peneliti
merumuskan masalah sebagai berikut:
1. Bagaimanakah penerapan Data Mining khususnya teknik klasifikasi
menggunakan Algoritma C4.5 dalam menentukan tingkat profit usaha
pada PT Megacipta sejati?
2. Apakah teknik klarifikasi menggunakan Algoritma C4.5 dapat
menemukan pola dalam menentukan tingkat profit usaha?
3. Bagaimanakah cara mengimplementasikan teknik klarifikasi Algoritma
C4.5 sebagai alat untuk menemukan pola yang digunakan dalam
menentukan tingkat profit usaha?
4. Bagaimanakah tindakan kedepannya dengan adanya hasil yang
diperoleh dari proses penelitian yang dilakukan mengenai tingkat profit
usaha sehingga kedepannya minim kesalahan?

9
1.5 Tujuan Penelitian
Berdasarkan pada uraian masalah diatas, adapun tujuan dari
pelaksanaan penelitian ini adalah untuk:
1. Menerapkan Data Mining khususnya teknik klasifikasi menggunakan
algoritma C.45 dalam menentukan kenaikan dan penurunan profit usaha
pada PT Megacipta.
2. Pengujian Teknik Klasifikasi dan Algoritma C.45 dalam wujud
penerapan dari datamining yang digunakan dalam menentukan
kenaikan dan penurunan profit usaha pada PT Megacipta.
3. Pengujian Algorima C4.5 menggunakan software data Mining WEKA
dalam menentukan kenaikan dan penurunan profit usaha pada PT
Megacipta.
4. Menguji dan menganalisa penerapan Data Mining teknik klasifikasi
menggunakan algoritma C4.5 dalam menentukan kenaikan dan
penurunan profit usaha pada PT Megacipta.
1.6 Manfaat Penelitian
Penelitian ini diharapkan bermanfaat bagi pembaca. Manfaat dari
penelitian yang dilakukan adalah sebagai berikut:
1.6.1 Manfaat Teoritis
Manfaat teoritis yang diharapkan dapat diperoleh dari penelitian ini
adalah sebagai berikut:

10
1. Menguatkan teori tentang algoritma C4.5 dalam menentukan tingkat profit
usaha.
2. Sebagai referensi pada penelitian – penelitian selanjutnya yang berhubungan
dengan teknik datamining dengan metode algoritma C4.5.
1.6.2 Manfaat Praktis
Selain manfaat teoritis, manfaat praktis yang diharapkan dapat diperoleh
dari penelitian ini adalah sebagai berikut:
1. Bagi Mahasiswa
Dapat digunakan sebagai bahan referensi untuk penelitian selanjutnya
juga sebagai acuan informasi dan dapat menambah pengetahuan
mengenai datamining khususnya algortima C.45.
2. Bagi Peneliti
Mampu meningkatkan pemahaman dan dapat memberikan pengalaman
bagi peneliti sehingga penelitian ini dapat dijadikan bekal dalam
melakukan penelitian selanjutnya. Dan diharapkan juga menjeadi
referensi dari peneliti yang lain.
3. Bagi Perushaan
Diharapkan dapat memberi kontribusi positif kepada PT Megacipta
dalam hal menentukan profit usaha, yang selama ini sangat sulit untuk
ditentukan oleh pihak manajemen perusahaan.

BAB II
TINJAUAN PUSTAKA
2.1 Teori
Berikut adalah uraian tentang teori-teori yang digunakan didalam
penelitian ini, adapun teori yang dimaksud terdiri atas dua teori besar yaitu teori
umum dan teori khusus, adapun uraiannya adalah sebagai berikut:
2.1.1 Teori Umun
Berikut adalah uraian tentang teori umum yang digunakan pada
proposal penelitian ini, teori umum ini dimaksudkan untuk memperkuat isi
dari teori yang ada hal ini dimaksudkan supaya penelitian yang dilakukan
hasilnya lebih baik. Adapun isi dari teori umum tersebut dapat dijelaskan
sebagai berikut:
2.1.1.1 Knowledge Discovery in Database (KDD)
KDD (Knowledge Discovery in Database) adalah kegiatan yang dilakukan
secara teratur dan terorganisir yang ditujukan kepada kegiatan mengidentifikasi
pola-pola yang terdapat didalam tumpukkan data yang sangat besar dan kompleks,
yang mana pola tersebut mempunyai spesifikasi seperti bersifat sah, baru dan
dapat bermanfaat dan dapat dimengerti oleh orang-orang yang berkecimpung
dengan data tersebut Maimon & Rokach (2010). Menurut pendapat Ramamahon
(2013) Data Mining, juga dikenal sebagai Knowledge Discovery in Database
yang mengacu kepada proses penemuan data dengan jalan digali atau ditambang
dari tumpukkan
11
12
data dalam jumlah yang sangat besar sehingga dapt ditemukan pengetahuan dari
dalam data tersebut dalam jumlah yang sangat besar. Jadi berdasarkan dari kedua
pendapat di atas dapat disimpulkan bahwa KDD adalah proses pencarian
informasi atau pengetahuan dari kumpulan data yang sangat besar (database)
yang mungkin selama ini disia-disiakan atau tidak diperdulikan.
Menurut Feelders, Daniels, dan Holsheimer dalam Gunadi (2008) Data
Mining adalah proses pemisahan informasi dari kumpulan data yang sangat besar
melalui pemamfaatan algoritma dan teknik tertentu yang melibatkan bidang teknik
seperti statistik, matematika, mesin pembelajaran, dan sistem manajemen
database. Data Mining dapat digunakan untuk memisahkan informasi dan
pengetahuan penting yang tersembunyi dari dataset yang besar. Dengan adanya
Data Mining, maka akan dimungkinkan untuk mendapatkan harta berharga berupa
pengetahuan didalam kumpulan data. Kumpulan data ini biasanya oleh organisasi
oleh perusahaan sering diabaikan atau dianggap tidak berguna, padahal jika
dikelola dengan baik dan benar dapat menjadi data yang sangat penting bagi
keberlangsungan dari organisasai atau perusahaan tersebut.
Hampir senada dengan Gunadi, Benni (2014) mendefinisikan Data Mining
sebagai proses kegiatan dalam hal penemuan pola yang menarik dari data yang
berjumlah besar (menggudang), dimana data tersebut dapat disimpan dalam
database, data warehouse, atau penyimpanan informasi lainnya yang dipunyai
oleh organisasi atau perusahaan. Pada dasarnya pola yang didapat adalah pola
yang menarik, sangat berharga dan sangat penting dalam memberikan nilai
tambah atau keuntungan kepada pemilik data dalam hal ini adalah pemilik
13
perusahaan atau organisasi. Perdapat yang mirip diungkapkan juga oleh Geetha
dan Manimekalai (2013) bahwa Data mining adalah proses yang menggunakan
berbagai alat analis data untuk menemukan pola dan hubungan dalam data yang
dapat digunakan untuk membuat prediksi yang valid.
Dari berbagai pendapat di atas dapat disimpulkan bahwa data mining
adalah serangkaian proses dalam menemukan pengetahuan tersembunyi dan
berharga dari sekumpulan data yang dapat digunakan untuk membuat prediksi
yang valid pada berbagai bidang, baik sosial, ekonomi, pendidikan, budaya
bahkan sampai bidang pemerintahan. Menurut Feelders, Daniels, dan Holsheimer
dalam Gunadi (2008) Data Mining adalah proses ekstraksi informasi dari
kumpulan data melalui penggunaan algoritma dan teknik yang melibatkan bidang
teknik statistik, matematika, mesin pembelajaran, dan sistem manajemen
database. Data Mining dapat digunakan untuk mengekstrak informasi dan
pengetahuan penting yang tersembunyi dari dataset yang besar. Dengan adanya
Data Mining, maka akan dimungkinkan untuk mendapatkan harta berharga berupa
pengetahuan didalam kumpulan data.
Hampir senada dengan Gunadi, Benni (2014) mendefinisikan Data
Mining sebagai kegiatan menemukan pola yang menarik dari data yang
berjumlah besar, data dapat disimpan dalam database, data warehouse,
atau penyimpanan informasi lainnya. Pola yang ditemukan merupakan
pola yang menarik, berharga dan penting dalam memberikan keuntungan
kepada pemilik data. Perdapat yang mirip diungkapkan juga oleh Geetha
dan Manimekalai (2013) bahwa Data mining adalah proses yang

14
menggunakan berbagai alat analis data untuk menemukan pola dan
hubungan dalam data yang dapat digunakan untuk membuat prediksi yang
valid. Dari berbagai pendapat di atas dapat disimpulkan bahwa data
mining adalah serangkaian proses dalam menemukan pengetahuan
tersembunyi dan berharga dari sekumpulan data yang dapat digunakan
untuk membuat prediksi yang valid pada berbagai bidang, baik sosial,
ekonomi, pendidikan, budaya bahkan sampai bidang pemerintahan.
2.1.1.2 Data Mining
Data Mining adalah proses yang memperkerjakan satu atau lebih
tiknik pembelajaran computer (machine learning) untuk menganalisis dan
mengekstrasi pengetahuan (knowledge) secara otomatis. Definisi lain
diantaranya adalah pembelajaran berbasis induksi (induction-
basedlearning) adalah proses pembentukan definisi-definisi konsep umum
yang dilakukan dengancara mengobservasi contoh-contoh spesifik dari
konsep-konsep yang akan dipelajari. Knowledge Discovery in Database
(KDD) adalah penerapan metode saintifik pada data mining. Dalam
konteks ini data mining merupakan satu langkah dari proses KDD (Eska
J., 2016).
Selain beberapa penjelasan diatas, ada juga yang menjelaskan
bahwa “Data mining merupakan prosesekstraksi data menjadi informasi
yang sebelumnya belum tersampaikan, dengan teknik yang tepat proses
data mining akan memberikan hasil yang optimal (Abdillah G.,Putra F. A.
and Renaldi F., 2016)”. Data mining juga didefinisikan sebagai sebuah
15
proses untuk menemukan hubungan, pola dan tren baru yang bermakna
dengan menyaring data yang sangat besar, yang tersimpan dalam
penyimpanan, menggunakan teknik pengenalan pola seperti teknik
Statistik dan Matematika. Data mining bukanlah suatu bidang yang sama
sekalibaru. Salah satu kesulitan untuk mendefinisikan data mining adalah
kenyataan bahwa data mining mewarisi banyak aspek dan teknik dari
bidang-bidang ilmu yang sudah mapan terlebih dahulu. Berawal dari
beberapa disiplin ilmu, data mining bertujuan untuk memperbaiki teknik
tradisional sehingga bisa menangani:
1. Jumlah data yang sangat besar
2. Dimensi data yang tinggi
3. Data yang heterogen dan berbeda sifat
Sedangkan menurut para ahli, data mining merupakan sebuah
analisa dari observasi data dalam jumlah besar untuk menemukan
hubungan yang tidakdiketahui sebelumnya dan dua metode baru untuk
meringkas data agar mudah dipahami serta kegunaannya untuk pemilih
data (Kamagi D. H dan Seng Hansun,2014). Maka dapat disimpulkan
bahwa, Sementara menurut Turban, E. dkk 2005, data mining merupakan
sebuah proses yang menggunakan teknik statistik, matematika, kecerdasan
buatan, dan machine learning untuk mengekstrasi dan mengidentifikasi
informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai
database besar (Hendrian S, 2018). Secara garis besar datamining dapat
dikelompokkan menjadi 2 kategori utama,yaitu:

16
1. Descriptive mining, yaitu proses untuk menemukan karakteristik
penting dari data dalam suatu basis data. Teknik data mining yang
termasuk dalam descriptive mining adalah clustering, association, dan
sequential mining.
2. Predictive, yaitu proses untuk menemukan pola dari data dengan
menggunakan beberapa variabel lain di masa depan. Salah satu teknik
yang terdapat dalam predictive mining adalah klasifikasi (Andri,
Kunang Y. N. and Murniati S., 2013).Berdasarkan defenisi-defenisi
yang telah disampaikan, halpenting yang terkait dengan data mining
adalah:
a. Data mining merupakan suatu proses otomatis terhadap data
yang sudah ada.
b. Data yang akan diproses berupa data yang sangat besar.
c. Tujuan data mining adalah mendapatkan hubungan atau pola
yang mungkin memberikan indikasi yang bermanfaat.
2.1.1.3 Pengelompokan Data Mining
Pengelompokan Data Mining dibagi menjadi beberapa kelompok,
menurut Kusrini dan Luthfi (2009) dalam Jumanto (2014), yaitu:
1. Deskripsi
Deskripsi merupakan cara untuk menggambarkan pola dan
kecenderungan yang terdapat dalam data yang dimiliki.
2. Estimasi
17
Estimasi hampir sama dengan klasifikasi, kecuali variable target
estimasi lebih ke arah numerik daripada ke arah kategori. Model yang
dibangun menggunakan record lengkap yang menyediakan nilai
variable target sebagai nilai prediksi.
3. Prediksi
Prediksi menerka sebuah nilai yang belum diketahui dan juga
memperkirakan nilai untuk masa mendatang.
4. Klasifikasi
Dalam klasifikasi terdapat target variable kategori, misal
penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu
tinggi, sedang, dan rendah.
5. Pengklasteran
Merupakan pengelompokan record, pengamatan, atau memperhatikan
dan membentuk kelas objek-objek yang memiliki kemiripan.
6. Asosiasi
Asosiasi bertugas menemukan atribut yang muncul dalam satu waktu.
Dalam dunia bisnis lebih umum disebut analisis keranjang belanja.
2.1.1.4 Klasifikasi
Teknik klasifikasi adalah pendekatan sistematis untuk membangun
model klasifikasi dari kumpulan data masukan. Misalnya, teknik pohon
keputusan, Bayesian (Naive Bayesian dan Bayesian Belief Networks),
Jaringan Saraf Tiruan (Backpropagation), teknik yang berbasis konsep
dari penambangan aturan-aturan asosiasi, dan teknik lain (K-Nearest

18
Neighboor, algoritma genetik, teknik dengan pendekatan himpunan rough
dan fuzzy). Setiap teknik mengadopsi algoritma pembelajaran untuk
mengidentifikasi model yang paling sesuai dengan hubungan antara label
atribut set dan kelas input data (Patil, 2014). Setiap teknik juga memiliki
kelebihan dan kekurangannya sendiri. Data dengan profil tertentu mungkin
paling optimal jika diklasifikasi dengan teknik tertentu, atau dengan kata
lain, profil data tertentu dapat mendukung termanfaatkannya kelebihan
dari teknik ini.
Gambar 2.1 Pengelompokan Teknik Klasifikasi
Sumber: (Della, 2017)
Secara umum, proses klasifikasi dapat dilakukan dalam dua tahap,
yaitu proses belajar dari data pelatihan dan klasifikasi kasus baru. Pada
proses belajar, Algoritma klasifikasi mengolah data training untuk

19
menghasilkan sebuah model. Setelah model diuji dan dapat diterima, pada
tahap klasifikasi, model tersebut digunakan untuk memprediksi kelas dari
kasus baru untuk membantu proses pengambilan keputusan (Han, 2001)
dalam (Piko, 2011). Kelas yang dapat diperdiksi adalah kelas – kelas yang
sudah terdefinisi pada data pelatihan. Karena proses klasifikasi kasus baru
cukup sederhana, penelitian lebih banyak ditujukan untuk memperbaiki
teknik – teknik pada proses belajar.
2.1.1.5 Pohon Keputusan
Metode ini merupakan salah satu metode yang ada pada teknik
klasifikasi dalam Data Mining. Metode pohon keputusan mengubah fakta
yang sangat besar menjadi pohon keputusan yang mempresentasikan
aturan. Aturan dapat dengan mudah dipahami dengan bahasa alami. Dan
mereka juga dapat diekpresikan dalam bentuk bahasa basis data seperti
Strutuctured Query Language untuk mencari record pada kategori tertentu
(Utari, 2015).
Pohon keputusan menggunakan representasi struktur pohon (tree) dimana
setiap node merepresentasikan atribut, cabangnya merepresentasikan nilai dari
atribut dan daun merepresentasikan kelas. Node yang paling atas dari pohon
keputusan disebut sebagai root. Pohon keputusan merupakan metode klasifikasi
yang paling populer digunakan. Selain karena pembangunannya relatif cepat, hasil
dari model yang dibangun mudah untuk dipahami (Sijabat, 2015). Data dalam
pohon keputusan biasanya dinyatakan dalam bentuk tabel dengan atribut dan
record. Atribut menyatakan suatu parameter yang disebut sebagai kriteria dalam
20
pembentukan pohon. Manfaat utama dari penggunaan pohon keputusan adalah
kemampuannya untuk mem-break down proses pengambilan keputusan yang
kompleks menjadi lebih simpel sehingga pengambil keputusan akan lebih
menginterpretasikan solusi dari permasalahan (Hanik, 2011).
Contoh dari pohon keputusan dapat dilihat di Gambar 2.3 yang merupakan
identifikasi pembeli komputer, dari pohon keputusan tersebut diketahui bahwa
salah satu kelompok yang potensial membeli komputer adalah orang yang berusia
di bawah 30 tahun dan juga pelajar (Fatayat, 2013).
Gambar 2.2 Pohon Keputusan Identifikasi
Sumber: (Pramudiono, 2008)
Dengan pohon keputusan, dapat dengan mudah mengidentifikasi
dan melihat hubungan antara faktor-faktor yang mempengaruhi suatu
masalah dan dapat mencari penyelesaian terbaik dengan memperhitungkan
faktor-faktor tersebut. Pohon keputusan ini juga dapat menganalisa nilai

21
resiko dan nilai suatu informasi yang terdapat dalam suatu alternatif
pemecahan masalah. Peranan pohon keputusan sebagai alat bantu dalam
mengambil keputusan (decision supporttool) telah dikembangkan oleh
manusia sejak perkembangan teori pohon yang dilandaskan pada teori
Graf. Kegunaan pohon keputusan yang sangat banyak ini membuatnya
telah dimanfaatkan oleh manusia dalam berbagai macam sistem
pengambilan keputusan. Banyak algoritma yang dapat dipakai dalam
pembentukan pohon keputusan, antara lain ID3, C4.5, CART.
2.1.1.6 Algoritma C4.5
Algoritma C4.5 yaitu sebuah algoritma yang digunakan untuk
membangun decisiontree (pengambilan keputusan). AlgoritmaC.45 adalah
salah satu algoritma induksipohon keputusan yaitu ID3
(IterativeDichotomiser 3). ID3 dikembangkan oleh J.Ross Quinlan. Dalam
prosedur algoritmaID3, input berupa sampel training, labeltraining dan
atribut. Algoritma C4.5merupakan pengembangan dari ID3. Beberapa
pengembangan yang dilakukan pada C4.5adalah sebagai antara lain bisa
mengatasi missing value, bisa mengatasi continue data, dan pruning
(Fadillah, 2013). Menurut (Rahman, 2015), algoritma C4.5 adalah suatu
metode untuk membuat pohon keputusan berdasarkan data yang ada. Ide
dasar dari algoritma ini adalah pembuatan pohon keputusan
berdasarkan pemilihan atribut yang memiliki prioritas tertinggi atau dapat
disebut memiliki nilai gain tertinggi berdasarkan nilai entropy atribut

22
tersebut sebagai proses atribut klasifikasi. Untuk mencari gain tertinggi
menggunakan rumus berikut.
n
|Si|
Gain ( S , A )=Entropy ( S )−∑ ∗Entropy (Si)
i=1 |S|
Rumus 2.1 Perhitungan Gain
Dimana:
S : himpunan kasus
A : atribut
N : jumlah patisi atribut A
|Si| : jumlah kasus pada partisi ke-i
|S| : jumlah kasus dalam S
Sementara itu, perhitungan nilai entropy dapat dilihat pada persamaan 2
berikut.
n
Entropy ( S ) =∑ − pi∗log 2 pi
i=1
Rumus 2.2 Perhitungan Entropy
Dimana :
S: himpunan kasus
A : fitur
N : jumlah partisi S
23
Pi : proporsi dari Si terdapat S
Pengujian hasil perhitungan gain dan entropy ini dapat diuji melalui
software Waikato Environment for Knowledge Analysis (WEKA). Didalam
penelitian (Rifqo & Arzi, 2016), secara umum algoritma C4.5 untuk
membangun pohon keputusan adalah sebagai berikut:
1. Pilih atribut sebagai akar, merupakan atribut yang tidak memiliki
cabang masukan dan berpengaruh paling besar pada suatu kelas
tertentu.
2. Buat cabang untuk tiap-tiap nilai, adalah membuat struktur cabang dari
decision tree yang sudah berisi nilai-nilai.
3. Bagi kasus dalam cabang, adalah melakukan pembagian atau
pengelompokkan dari permasalahan yang terdapat pada struktur
cabang dari decision tree.
4. Ulangi proses untuk setiap cabang sampai kasus pada cabang memiliki
kelas yang sama, adalah melakukan proses pengulangan yang ada pada
tahapan pertama hingga ketiga sampai seluruh cabang pada struktur
decision tree memiliki kelas dan kategori yang sama.
2.1.2 Teori Khusus
Berikut adalah adalah teori khusus yang digunakan, dimana
penjelasannya dapat diuraikan yang antara lain adalah sebagai berikut:

24
2.1.2.1 Profit
Menurut (Elisa, 2018), profit atau disebut juga dengan laba
menurut Martono dan Harijito menjelaskan bahwa konsep laba
merupakan konsep yang menghubungkan Antara pendapatan atau
penghasilan yang diperoleh oleh perusahaan di satu pihak, dan biaya yang
harus ditanggung atau dikeluarkan oleh pihak lain. Untung atau laba
didefinisikan sebagai kenaikan modal saham dari transaksi yang bersifat
insidental dan bukan meruapakan kegiatan pokok perusahaan dan dari
transaksi lainnya yang mempengaruhi perusahaan dalam periode tertentu.
Sedangkan profit bersih atau laba bersih merupakan laba dari bisnis
perusahaan yang sedang berjalan setelah bunga dan pajak.
Menurut (Elisa, 2018), Sistem yang akan dirancang dan digunakan
dalam Prediksi Pencapaian Profit Pada Perusahaan. Data awal numeric
maupun nonnumeric akan dibagi perkelas untuk memudahkan analisa
berikutnya. Setelah semua data yang akan dimasukkan dibagi perkelas,
maka dilakukan proses klasifikasi dengan membuat pohon keputusan
sebagai output. Proses pengambilan keputusan untuk prediksi pencapaian
profit pada perusahaan adalah sebagai berikut:
A. Biaya Langsung Personil
1. Biaya Tenaga Ahli
2. Biaya Tenaga Teknik
3. Biaya Tenaga Pendukung

25
B. Biaya Langsung Non Personil
1. Biaya Operasional Kantor
2. Biaya Peralatan
3. Biaya Pelaporan & Dokumen
4. Biaya Mobilisasi
Variabel yang akan menjadi keputusan adalah BAIK dan TIDAK BAIK.
2.1.2.2 Waikato Environment for Knowlwdge Analysis (WEKA)
WEKA merupakan sebuah sistem data mining yang dikembangkan
oleh Universitas Waikato di Selandia Baru yang mengimplementasikan
algoritma data mining (Aksenova, 2004: 2). WEKA adalah sebuah koleksi
mesin pembelajaran algoritma untuk tugas-tugas data mining.
Algoritmanya dapat diterapkan secara langsung ke data set atau dipanggil
dari kode Java sendiri. WEKA berisi alat-alat untuk data pra-pengolahan
(pre-processing), klasifikasi, regresi, clustering, aturan asosiasi, dan
visualisasi. WEKA juga sesuai untuk mengembangkan skema
pembelajaran mesin baru (www.cs.waikato.ac.nz). WEKA menyediakan
inplementasi dari pembelajaran algoritma yang dapat dengan mudah untuk
diterapkan pada dataset. Implementasi tersebut juga mencakup bebagai
alat untuk mengubah dataset, pre-process dataset, memberikan skema
pembelajaraan, dan menganalisis klasifikasi yang dihasilkan dan
kinerjanya tanpa harus menuliskan kode program (Witten, 2011: 403)

26
Salah satu penggunaan WEKA adalah untuk menerapkan metode
pembelajaran untuk dataset dan menganalisis output untuk mempelajari
data secara lebih lanjut. Penggunaan lainnya adalah digunakan sebagai
model pembelajaran untuk memprediksi pada sebuah kasus baru.
Penerapan lainnya dilakukan pada beberapa pembelajaran yang berbeda
dan membandingkan kinerja dari mereka dan dipilih salah satu untuk
digunakan dalam memprediksi. Pada tampilan utama dapat anda pilih
metode pembelajaran yang diinginkan pada menu. Banyak metode yang
memiliki parameter yang selaras, yang dapat diakses melalui lembar
properti atau editor objek. Sebuah modul evaluasi umum digunakan untuk
mengukur kinerja semua pengklasifikasian (Witten, 2011: 404). Berikut
tampilan utama pada WEKA ditunjukkan pada gambar
Gambar 2.3 Tampilan Utama WEKA
Sumber: (Witten, 2011)

27
Seperti yang ditunjukkan pada Gambar 2.4 WEKA GUI Chooser
memiliki empat tombol utama, yaitu:
1. Explore
Explore merupakan sebuah pilihan bidang untuk menjelajahi data
dengan WEKA. Explore memiliki enam jenis tab didalamnya dengan
tugas sebagai berikut (Witten, 2011: 404-416)
a. Preprocess merupakan bidang pemilihan data set dan
modifikasinya dengan berbagai cara..
b. Classify pelatihan pembelajaran skema yang melaksanakan
klasifikas atau regresi dan evaluasinya.
c. Cluster merupakan pembelajaran cluster atau pengelompokan
untuk dataset.
d. Associate merupakan pembelajaran aturan asosiasi untuk data
dan evaluasinya.
e. Select attribute merupakan bidang pemilihan aspek yang paling
relevan dalam dataset.
f. Visualize merupakan bidang tampilan plot dari dua dimensi
yang berbeda dari data tersebut dan interaksinya
2. Experimenter
Experimenter merupakan sebuah pilihan bidang untuk melakukan
eksperimen dan melakukan uji statistik antara skema pembelajaran.
Experimenter memungkinkan pengguna untuk membuat percobaan
dalam skala besar., mulai dari percobaan dijalankan sampai percobaan

28
selesai hingga dilakukan analisis kinerja secara statistik terhadap apa
yang telah diperoleh.
3. Knowledge Flow
Knowledge Flow merupakan sebuah pilihan bidang yang mendukung
fungsi dasar yang sama seperti explore tetapi dengan antarmuka drag
dan drop. Salah satu keuntungannya adalah knowledge flow
mendukung adanya pembelajaran tambahan. Pada tampilan utama
knowledge flow ini pengguna dapat melihat tata letak sebuah kinerja
dari proses yang dilakukannya, pengguna dihubungkan kedalam
sebuah graf berarah yang memproses dan menganalisis data. Pada
bagian ini merupakan gambaran secara jelas bagaimana data berjalan
dalam sistem dimana tidak disediakan dalam explore.
4. Simple CLI
Simple CLI merupakan sebuah pilihan bidang yang memberikan
tampilan garis perintah sederhana yang memungkinkan adanya
perintah langsung eksekusi dari WEKA untuk sistem operasi yang tidak
memberikan tampilan garis perintahnya sendiri. Dibalik tampilan
interaktif explore, experimenter, knowledge flow pada WEKA terdapat
fungsi dasar yang dapat diakses secara langsung pada tampilan garis
perintah. Garis perintah terdapat pada simple CLI, pada tampilan utama
WEKA panel simple CLI terletak disebelah kanan bawah.
WEKA sebagai mesin pembelajaran yang memiliki tugas dalam
penggunaan sebuah metode, WEKA memiliki beberapa metode utama

29
dalam permasalahan data mining, yaitu regresi, klasifikasi, clustering,
association rule mining, dan pemilihan atribut. Pengenalan data
merupakan bagian yang tidak terpisahkan dari sebuah pekerjaan, dan
banyak fasilitas visualisasi data dan alat data preprocessing yang
disediakan. Semua algoritma dalam WEKA mengambil input dalam bentuk
tabel relasional tunggal dalam format Attribute Relation File Format
(ARFF), yang dapat dibaca dari sebuah file atau dihasilkan oleh
permintaan basis data (Singhal & Jena, 2013), (Witten, 2011:407-519).
2.2 Kerangka Berpikir
Pada sub bab ini akan diuraikan kerangka berfikir penelitian, yang
merupakan langkah-langkah yang akan dilakukan dalam penyelesaian
masalah dari penelitian yang ada, adapun kerangka berfikirnya adalah
sebagai berikut:
30
Gambar 2.4 Kerangka Berpikir
Sumber: (Hasil Penelitian, 2020)
2.3 Hipotesis Penelitian
Hipotesis atau dugaan sementara terhadap hasil penelitian yang
masih harus diuji kebenarannya. Hipotesis peneliti dalam penelitian ini
anatara lain adalah sebagai berikut:
1. Teknik datamining dengan algoritma C4.5 dapat menganalisis data
dari profit usaha.
2. Hasil penelitian dapat membantu menentukan tingkat profit usaha pada
PT Megacipta Sejati.
31
2.4 Penelitian Terdahulu
Berikut adalah beberapa penelitian terdahulu yang dijadikan sebagai acuan
dari penelitian yang dilakukan. Tujuan dari mencamtumkan penelitian terdahulu
adalah agar penelitian yang dilakukan mendapatkan hasil yang optimal dan valid.
Berikut adalah beberapa penelitian yabg dijadikan acuan.
1. Anu And Chauhan Harvinder (2013) penelitian yang berjudul
“Implementation Of Decision Tree Algoritma C4.5” yang menunjukkan
hasil yang lebih akurat dan pengimplementasian pohon keputusan
dengan metode algoritma C4.5 sangat mudah dan cepat. Algoritma ini
lebih cocok untuk data sets yang mengandung tidak terlalu banyak
data.
2. Jambur (2016) penelitian yang “Menganalisa jumlah pelanggan aktif
dengan menerapkan teknik datamining metode algoritma C4.5” yang
menunjukkan bahwa pelanggan dengan jumlah bayar tinggi, pembelian
pertahun sedang, diskon rendah maka merupakan pelanggan aktif.
Penelitian ini dapat membantu perusahaan dalam menyortir pelanggan yang
aktif dan tidak aktif.
3. Pujiono et al., (2013) penelitian tentang penggunaan WEKA untuk
menganalisis kepuasan publik dalam mewujudkan good governance di
kota Yogyakarta yang menunjukkan bahwa pelayanan yang diberikan Dinas
Perizinan selama ini cukup baik sehingga pelaksanaan good governance
dapat disimpulkan akan berjalan dengan baik.

32
4. Harman (2018) penelitian tentang “Memprediksi indikator website yang
baik dengan menerapkan teknik datamining metode algoritma C4.5” yang
menunjukkan bahwa yang paling mempengaruhi indikator website yang baik
adalah navigasi, selanjutnya adalah graphic design.
5. Mardin (2017) penelitian tentang “klasifikasi menggunakan algoritma
C4.5” yang menghasilkan bahwa dengan menggunakan metode klasifkasi
yaitu algoritma C4.5 dapat menghasilkan pohon keputusan yang dapat
memberikan informasi yang dibutuhkan.
6. Chen, Zhang, Li, & Shahabi, (2018) penelitian yang berjudul “Perfomance
evaluation of the GIS-based datamining techniques of best-first
decision tree, random forest, and naive bayes tree for landslide
suspecttibility modeling” yang menghasilkan bahwa random forest model
merupakan yang paling akurat prediksinya.
7. Elisa (2018) penelitian tentang “Memprediksi profit pada perusahaan dengan
menggunakan teknik datamining metode algoritma C4.5” yang
menghasilkan bahwa biaya mobilisasi dan biaya tenaga kerja
merupakan biaya yang paling banyak mempengaruhi profit perusahaan.
Penelitian ini dapat dijadikan referensi bagi perusahaan yang ingin
meningkatkan profitnya dengan cara saving cost.
8. Azwanti (2018) penelitian tentang “Memprediksi mahasiswa yang
mengulang mata kuliah menggunakan teknik datamining metode
algoritma C4.5 ini dilakukan di AMIK Labuhan Batu menyimpulkan
bahwa algoritma C4.5 merupakan algoritma yang sangat membantu

33
dalam mengklasifikasi data karena dapat memperoleh dengan jelas
karakteristik data yang diklasifikasi baik dalam bentuk pohon keputusan
maupun if-then.
BAB III
METODE PENELITIAN
3.1 Desain Penelitian
Desain Penelitian adalah memberikan prosedur untuk mendapatkan
informasi yang diperlukan untuk menyusun atau menyelesaikan masalah
dalam penelitian.
Gambar 3.1 Desain Penelitian
Sumber : (Hasil Penelitian, 2020
34
35
Berdasarkan Desain Penelitian pada gambar 3.1 maka masing –
masing langkahnya dapat diuraikan seperti berikut :
1. Mendeskripsikan Masalah, melakukan mendeskripsikan masalah yang
akan teliti perlu ditentukan terlebih dahulu yaitu menentukan dan
mendefinisikan batasan masalah yang akan diteliti, sehingga dapat
mengetahui kenaikan dan penurunan profit usaha.
2. Mempelajari Literatur, membantu peneliti dalam proses mencari
literatur serta sumber-sumber pustaka yang perlu digunakan dalam
penelitian.
3. Pengumpulan Data, proses dalam pengumpulan data yang diperlukan
untuk diproses dalam penelitian pengumpulan data,sehingga dapat
menentukan tingkat profit usaha pada PT Megacipta sejati.
4. Melakukan Analisa Teknik Pengolah Data Menggunakan algoritma
C4.5, peneliti pada tahap ini dilakukan pengolahan menggunakan
algoritma C4.5 untuk meghasilkan pohon keputusan dan menghasilkan
rule tingkat profit usaha PT Megacipta Sejati.
5. Mengimplementasikan Algoritma C4.5, dalam langkah ini, peneliti
mengimplementasikan algoritma C4.5 yang dilakukan menentukan
tingkat profit usaha berdasarkan data yang telah menganalisa.
6. Melakukan Hasil Pengujian, peneliti melakukan pengujian dan hasil
dari pengolahan dan implementasi dengan menggunakan Software
Data Mining open source WEKA.

36
3.2 Objek Penelitian
Pada sub bab ini penulis menjelaskan keterangan lokasi penelitian dan
penjelaskan jadwal penelitian sebagai beriut :
3.2.1 Lokasi Penelitian
Penelitian dilaksanakan di PT Megacipta Sejati adalah salah satu
perusahaan yang sewa dormitory yang ada di Kota Batam dengan alamat
Jalan Hang Kesturi belakang Cammo Industrial Esate Blok B, Batam,
Kepulauan Riau.
3.2.2 Jadwal Penelitian
Demikian penjelasan penulis mengenai rencana waktu yang akan
dilakukan
dalam melaksanakan kegiatan analisa mengenai kepuasan pelanggan, sebagai
berikut :
Tabel 3.1 Jadwal Penelitian
Bulan
No Maret April Mei Juni Juli
Kegiatan
. 2020 2020 2020 2020 2020
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
1. Penentuan
Judul
2. Bimbingan
3. Identifikasi
Masalah
4. Studi
37
Literatur
5. Pengumpula
n Data
6. Pengolahan
Data
7. Pengujian
Hasil
8. Penyusunan
Laporan
Sumber: Hasil Penelitian (2020)
3.3 Populasi dan Sampel
Penelitian menjelaskan tentang keterangan yang dimiliki oleh
populasi dan sampel yang akan dijadikan bahan dalam pelaksanaan
penelitian sebagai berikut:
3.3.1 Populasi
Dalam penelitian ini populasi yang diambil oleh penulis adalah
data transaksi sewa dormitory di PT Megacipta Sejati pada periode Maret
2020 sampai dengan Mei 2020.
3.3.2 Sampel
Berdasarkan populasi diatas maka sampel yang diambil dalam
penelitian ini menggunakan sebanyak 50 data sampel dari populasi data
transaksi sewa dormitory di PT Megacipta Sejati pada periode Maret 2020
sampai dengan Mei 2020.

38
3.4 Variabel Penelitian
Menurut (Sugiyono, 2001) variabel penelitian adalah suatu atribut
atau sifat dari nilai. Untuk menganalisis data dalam sebuah penelitian
memerlukan variabel variabel, data yang akan diolah adalah data profit
usaha yang sedang berjalan dengan variabel penilaian tingkat profit usaha
sebagai berikut:
1. Biaya Tenaga Kerja
Biaya yang dikeluarkan untuk membayar para pekerja dan pegawai yang
bekerja pada suatu perusahaan.
2. Biaya Operasional
Biaya yang berupa pengeluaran uang untuk melaksanakan kegiatan pokok,
yaitu berupa biaya penjualan dan administrasi untuk memperoleh
pendapatan,
3. Biaya Perlengkapan
Biaya yang berupa barang-barang yang dimiliki perusahaan yang bersifat
habis dipakai atau bisa dipakai berulang kali.
4. Biaya Administrasi
Biaya yang dikeluarkan untuk membayar semua biaya bank dan pajak
yang secara langsung berhubungan dengan kegiatan operasional.
5. Biaya Perawatan
Biaya yang dikeluarkan perusahaan untuk merawat aset serta sistem dalam
masa operasinya
39
6. Biaya Legalitas
Biaya yang dikeluarkan perusahaan untuk membayar biaya surat izin dan
dokumen yang secara langsung berhubungan dengan operasional.
Variabel yang akan menjadi keputusan adalah profit dan defisit.
3.5 Teknik Pengumpulan Data
Teknik pengumpulan data yang digunakan dalam penelitian ini
merupakan data informasi yang membutuhkan agar penulis dapat untuk
mencapai tujuan penelitian yaitu:
1. Teknik Studi Literatur
Dengan melakukan studi literatur ada buku-buku, jurnal, dan penelitian
telah dilakukan data yang didapat dari studi literatur ini akan
digunakan sebagai acuan untuk membuat penelitian .
2. Teknik Observasi
Teknik observasi dilakukan penelitian untuk mengetahui data – data
dormitory mulai dari bulan Januari 2020 sampai April 2020 dari PT
Megacipta Sejati.
3. Teknik Dokumentasi
Dalam teknik dokumentasi penulis mengumpulkan dokumen –
dokumen dari dormitory mulai dari bulan Januari 2020 – April 2020
dari PT Megacipta Sejati.
4. Teknik Wawancara
40
Teknik wawancara dilakukan penulis proses bertanya jawab kepada
pemilik PT Megacipta Sejati.
3.6 Model Penelitian
Model penelitian penulis menggunakan datamining dan algoritma
C4.5 dalam metode penelitian ini data yang akan di klasifikasi sesuai
dengan kategorinya, sebelum mendapatkan nilai gain dan entropy harus
menghitung klasifikasi terlebih dahulu sesuai dengan kategorinya supaya
bisa dapatkan hasil nilai gain dan entropy untuk membentuk suatu pohon
keputusan. Dalam proses pencarian nilai akan dilakukan berulang – ulang
kali sehingga bisa dapatkan node pada pohon keputusan sehingga tidak
memiliki turunan sampai didapatkan pola aturan – aturan dasar keputusan
yang dijadikan acuan dalam penelian menentukan tingkat profit usaha
pada PT Megacipta Sejati.

BAB IV
HASIL DAN PEMBAHASAN
4.1 Hasil
Pada sub bab ini akan dijelaskan mengenai hasil penelitian yang
dilakukan dimana dari pengujian yang telah dikerjakan maka didapat hasil
penelitian diantaranya adalah adalah sebagai berikut:
1. Untuk menentukan tingkat profit usaha pada PT. Megacipta Sejati
akan dipengaruhi oleh tiga faktor utama yaitu biaya operasional, biaya
perlengkapan, dan biaya perawatan.
2. Jika dilihat dari biaya operasional maka dari 50 data transaksi sewa
dormitory PT. Megacipta Sejati yang biaya operasionalnya melebihi
anggaran yang telah ditetapkan (pass) dalam hal ini diwakili oleh 19
data dari 50 data yang ada maka dapat dikategorikan perusahaan ini
akan mengalami kerugian (defisit) artinya jika biaya operasional pada
perusahaan tersebut melebihi anggaran yang telah ditetapkan (pass)
maka perusahaan tersebut akan mengalami kerugian (defisit).
3. Sedangkan 31 data lainnya masih perlu dilihat lagi biaya
perlengkapannya, jika biaya perlengkapannya melebihi anggaran yang
telah ditetapkan (pass) dalam hal ini diwakili oleh 6 data dari 32 data
yang ada maka dapat dikategorikan juga perushaan ini akan mengalami
kerugian (defisit). Artinya walaupun biaya operasional masih dibawah
anggaran/tidak
41
42
melebihi anggaran yang telah ditetapkan (budget) tetapi biaya
perlengkapannya melebihi anggaran yang telah ditetapkan (pass) maka
perusahaan akan mengalami kerugian (defisit).
4. Sedangkan 25 data lainnya masih perlu dilihat lagi biaya
perawatannya, jika biaya perawatannya melebihi anggaran yang telah
ditetapkan (pass) dalam hal ini diwakili oleh 2 data dari 25 data yang
ada maka dapat dikategorikan juga perushaan ini akan mengalami
kerugian (defisit). Artinya walaupun biaya operasional masih dibawah
anggaran/tidak melebihi anggaran yang telah ditetapkan (budget) dan
biaya perlengkapan masih dibawah anggaran/tidak melebihi anggaran
yang telah ditetapkan (budget) tetapi biaya perawatannya melebihi
anggaran yang telah ditetapkan (pass) maka perusahaan akan
mengalami kerugian (defisit).
5. Sedangkan 23 dari 25 data yang ada lainnya dapat dikategorikan
perusahaan ini akan mengalami keuntungan (profit), atau dapat
diartikan jika biaya operasional masih dibawah anggaran/tidak
melebihi anggaran yang telah ditetapkan (budget), biaya perlengkapan
masih dibawah anggaran/tidak melebihi anggaran yang telah
ditetapkan (budget), dan biaya perawatannya juga masih dibawah
anggaran/tidak melebihi anggaran yang telah ditetapkan (budget),
maka perusahaan akan mengalami keuntungan (profit)
6. Jadi kategori perusahaan tersebut akan mengalami kerugian (defisit)
adalah jika biaya operasionalnya masih dibawah/tidak melebihi

43
anggaran yang telah ditentukan (budget) ditambah lagi dengan biaya
perlengkapannya masih dibawah/tidak melebihi anggaran yang telah
ditentukan (budget) dan ditambah lagi dengan biaya perawatannya
masih dibawah/tidak melebihi anggaran yang telah ditentukan
(budget).
7. Sedangkan kategori perusahaan tersebut akan mengalami keuntungan
(profit) adalah jika biaya operasionalnya melebihi anggaran yang telah
ditentukan (pass) ditambah lagi dengan biaya perlengkapannya
melebihi anggaran yang telah ditentukan (pass) dan ditambah lagi
dengan biaya perawatannya melebihi anggaran yang telah ditentukan
(pass).
4.2 Pembahasan
Kegiatan awal dalam proses pengumpulan data untuk pembahasan hasil
penelitian ini adalah melakukan semacam pembelajaran kembali dari data yang
sudah ada dan seterusnya pembelajaran langsung kepada obyek penelitian dalam
hal ini adalah PT. Megacipta Sejati. Disini akan dilakukan wawancara terhadap
pegawai yang ada (pegawai aktif pada PT. Megacipta Sejati). Adapun tujuan dari
proses wawancara ini adalah sebagai dasar dalam penyusunan kembali data
penelitian baru artinya akan terjadi semacam proses pencocokan data dan akan
dilihat kembali apakah data yang ada ini masih sesuai antara fakta dengan data
yang ada dilapangan. Perlu diketahui juga proses ini harus dilakukan untuk
memastikan data yang ada harus valid dan juga harus dijamin kebenarannya
44
supaya keputusan yang dihasilkan benar-benar bisa dijamin keabsahannya.
Selanjutnya data tersebut akan diolah kembali menyesuaikan dengan data dari PT.
Megacipta Sejati yang berisikan tentang data profit usaha yang profit atau untung,
dan begitu juga sebaliknya. Adapun kirteria dari data yang akan diolah
mempunyai beberapa kriteria yang merupakan syarat dalam pengolahan Data
Mining dengan menggunakan teknik algoritma C.45. Dimulai dengan perhitungan
Entropy dan Gain untuk menentukan akar (root) dari pohon keputusan, sampai
terbentuknya pohon keputusan dan dapat memberikan keputusan dalam
menentukan tingkat profit usaha.
4.2.1 Melakukan Pra Proses Data Penelitian
Dari variabel-variabel yang sudah dipilih berdasarkan kebutuhan
penelitian maka dapat ditetapkan format untuk data-data yang sudah
terpilih dapat dilihat pada tabel 4.1 berikut.
Tabel 4.1 Format Pra Proses Data Profit Usaha
Biaya Biaya Biaya Biaya Biaya

Biaya Tingkat
No. Tenaga Operas Perlen Perawa Legalit
Pajak Profit
Kerja ional gkapan tan as
1 Pass Budget Pass Budget Budget Budget Defisit
2 Enough Budget Budget Budget Pass Budget Profit
3 Budget Budget Budget Budget Budget Budget Profit
5 Enough Pass Pass Pass Budget Pass Defisit
6 Pass Pass Pass Pass Pass Pass Defisit
7 Enough Budget Budget Budget Budget Budget Profit
8 Enough Budget Budget Pass Budget Budget Defisit
10 Pass Pass Budget Pass Pass Pass Defisit
45

13 Budget Budget Budget Budget Pass Budget Profit
14 Enough Budget Pass Pass Budget Budget Defisit
15 Enough Budget Budget Budget Budget Pass Profit
16 Budget Budget Pass Budget Budget Budget Defisit
19 Budget Pass Budget Budget Budget Budget Defisit
21 Pass Budget Budget Pass Budget Budget Defisit
25 Budget Pass Pass Budget Pass Budget Defisit
26 Budget Budget Pass Pass Budget Budget Defisit
27 Enough Pass Pass Budget Budget Pass Defisit
28 Pass Pass Pass Budget Pass Budget Defisit
30 Enough Pass Budget Budget Budget Budget Defisit
33 Enough Pass Pass Budget Budget Budget Defisit
36 Pass Budget Pass Budget Budget Budget Defisit
37 Enough Pass Pass Budget Pass Budget Defisit
45 Budget Pass Pass Budget Pass Budget Defisit
46 Enough Budget Pass Budget Budget Budget Defisit
Sumber: (Penulis, 2020)
46
4.2.2 Analisa Data
Agar pembahasan menjadi lebih jelas, penulis akan menguraikan
beberapa proses dalam menentukan tingkat profit usaha, sebagai berikut:
4.2.2.1 Pembersihan Data
Penulis melakukan pembersihan data dengan menghapus atau
menghilangkan indikator dari variabel yang tidak digunakan dalam
penelitian, dengan menghapus biaya administrasi dan umum.
4.2.2.2 Seleksi Data
Data yang dikumpulkan dari data transaksi sewa dormitory di PT
Megacipta Sejati pada periode Maret 2020 sampai dengan Mei 2020 yang
merupakan populasi penelitian. Lalu mengambil sampel secara acak sebanyak 50
data.
4.2.2.3 Transformasi Data
1. Atribut Biaya Tenaga Kerja
Attribut ini mengelompokkan biaya berdasarkan tingkat pengeluaran
yang dikeluarkan untuk membayar tenaga kerja, klarifikasi tingkat
pengeluaran tersebut dapat dikelompokkan seperti tabel 4.2 dibawah
ini:
Tabel 4.2 Biaya Tenaga Kerja
Biaya Tenaga Kerja Klasifikasi

Budget BG
Enough EU
Pass PS
2. Atribut Biaya Operasional

47
yang dikeluarkan untuk keperluan operasional, klarifikasi tingkat
ini:
Tabel 4.3 Biaya Operasional
Biaya Operasional Klasifikasi

Budget BG
Pass PS
3. Biaya Perlengkapan
yang dikeluarkan untuk membeli perlengkapan, klarifikasi tingkat
ini:
Tabel 4.4 Biaya Perlengkapan
Biaya Perlengkapan Klasifikasi

Budget BG
Pass PS
4. Biaya Perawatan
yang dikeluarkan untuk keperluan perawatan, klarifikasi tingkat
ini:
Tabel 4.5 Biaya Perawatan

48
Biaya Perawatan Klasifikasi

Budget BG
Pass PS
5. Biaya Pajak
yang dikeluarkan untuk membayar pajak, klarifikasi tingkat
ini:
Tabel 4.6 Biaya Pajak
Biaya Pajak Klasifikasi

Budget BG
Pass PS
6. Biaya Legalitas
yang dikeluarkan untuk keperluan legalitas, klarifikasi tingkat
ini:
Tabel 4.7 Biaya Legalitas
Biaya Legalitas Klasifikasi

Budget BG
Pass PS
Berdasarkan pengelompokkan data diatas dapat dilakukan
pengelompokkan terhadap data yang baru, data tersebut yang akan

49
dijadikan sebagai sumber pengolahan data untuk proses selanjutnya,
pengelompokkan ini sendiri bertujuan untuk memudahkan dalam proses
perhitungan kedalam proses berikutnya, untuk lebih jelasnya dapat
ditampilkan format data akhir setelah dilakukan pra-proses tampak seperti
tabel 4.8 yang antara lain adalah sebagai berikut ini:
Tabel 4.8 Format Data Akhir Profit Usaha
Biaya Biaya Biaya Biaya

Biaya Biaya Tingkat
No. Tenaga Opera Perleng Pera
Pajak Legalitas Profit
Kerja sional kapan watan
1 PS BG PS BG BG BG Defisit
2 EU BG BG BG PS BG Profit
3 BG BG BG BG BG BG Profit
5 EU PS PS PS BG PS Defisit
6 PS PS PS PS PS PS Defisit
7 EU BG BG BG BG BG Profit
8 EU BG BG PS BG BG Defisit
10 PS PS BG PS PS PS Defisit
13 BG BG BG BG PS BG Profit
14 EU BG PS PS BG BG Defisit
15 EU BG BG BG BG PS Profit
16 BG BG PS BG BG BG Defisit
19 BG PS BG BG BG BG Defisit
21 PS BG BG PS BG BG Defisit
50
25 BG PS PS BG PS BG Defisit
26 BG BG PS PS BG BG Defisit
27 EU PS PS BG BG PS Defisit
28 PS PS PS BG PS BG Defisit
30 EU PS BG BG BG BG Defisit
33 EU PS PS BG BG BG Defisit
36 PS BG PS BG BG BG Defisit
37 EU PS PS BG PS BG Defisit
45 BG PS PS BG PS BG Defisit
46 EU BG PS BG BG BG Defisit
Pada Format data akhir pada tabel didapat berdasarkan dari atribut yang
sudah dikelompokkan atau diklasifikasi, misalnya biaya tenaga kerja diklasifikasi
kan menjadi 3 (tiga) bagian yaitu "Budget" apabila biaya dibawah dari anggaran,
"enough" apabila biaya sesuai dengan anggaran, “Past" apabila biaya melewati
anggaran yang telah ditetapkan begitupun dengan atribut lainnya.

51
4.2.3 Pohon Keputusan
Dari format data akhir profit usaha diatas, maka dilakukan klasifikasi data
Algoritma C4.5 dengan membuat pohon keputusan untuk menentukan tingkat
profit usaha berdasarkan atribut yang ada yaitu biaya tenaga kerja, biaya
operasional, biaya perlengkapan, biaya perawatan, biaya pajak, dan biaya
legalitas. Untuk memilih atribut sebagai root node, didasarkan pada nilai gain
tertinggi dari seluruh atribut yang ada.
Pencarian gain dilakukan secara berulang untuk memperoleh
internal node dan leaf node hingga tidak bisa diturunkan lagi. Adapun
tahap awal dalam membangun sebuah pohon keputusan adalah melakukan
perhitungan secara manual. Dari data pada tabel variabel profit usaha akan
dicari entropy total dengan menggunakan rumus dan cara perhitungan
sebagai berikut.
−23 23 −27 27
Entropy ( total )= ( 50 ( )) (
∗log 2
50
+
50 ( ))
∗log 2
50
=0.9954
Data yang menyatakan profit adalah 23 kasus dan defisit adalah 27 kasus.
Dengan jumlah keseluruhan kasus adalah 50 data. Diperoleh entropy total 0,9954.
Lalu dilanjutkan mencari entropy dari masing-masing atribut sebagai berikut:
Atribut biaya tenaga kerja memiliki tiga klasifikasi yaitu budget (BG),
enough (EU) dan pass (PS) dan dari data format variabel profit usaha
diketahui nilai dari klasifikasi budget (BG) ada sebanyak 24 kasus
dengan keputusan profit terdapat 13 kasus sedangkan dengan
keputusan defisit terdapat 11 kasus. Setelah itu dari klasifikasi enough

52
(EU) ada sebanyak 14 kasus dengan keputusan profit terdapat 6 kasus
dan sedangkan dengan keputusan defisit terdapat 8 kasus. Kemudian
yang terakhir dari klasifikasi pass (PS) ada sebanyak 12 kasus dengan
keputusan profit terdapat 4 kasus dan sedangkan dengan keputusan
deficit terdapat 8 kasus. Demikian penjelasan masing-masing entropy
dari pernyataan tersebut.
−13 13 −11 11
Entropy ( BG )= ( 24 ( )) (
∗log 2
24
+
24 ( ))
∗log 2
24
=0.9950
−6 6 −8 8
Entropy ( EN )= ( 14 ( )) (
∗log 2
14
+
14 ( ))
∗log 2
14
=0.9852
−4 4 −8 8
Entropy ( PS ) = ( 12 ( )) (
∗log 2
12
+
12 ( ))
∗log 2
12
=1
2. Atribut Biaya Operasional
Atribut biaya operasional memiliki dua klasifikasi yaitu budget (BG)
dan pass (PS) dan dari data format variabel profit usaha diketahui nilai
dari klasifikasi budget (BG) ada sebanyak 31 kasus dengan keputusan
profit terdapat 23 kasus sedangkan dengan keputusan defisit terdapat 8
kasus. Setelah itu dari klasifikasi pass (PS) ada sebanyak 19 kasus
dengan keputusan profit terdapat 0 kasus dan sedangkan dengan
keputusan defisit terdapat 19 kasus. Demikian penjelasan masing-
masing entropy dari pernyataan tersebut.
−23 23 −8 8
Entropy ( BG )= ( 31 ( )) (
∗log 2
31
+
31 ( ))
∗log 2
31
=0.8238
−0 0 −19 19
Entropy ( PS ) = ( 19 ( )) (
∗log 2
19
+
19 ( ))
∗log 2
19
=0
53
3. Atribut Biaya Perlengkapan
Atribut biaya perlengkapan memiliki dua klasifikasi yaitu budget (BG)
profit terdapat 23 kasus sedangkan dengan keputusan defisit terdapat
10 kasus. Setelah itu dari klasifikasi pass (PS) ada sebanyak 17 kasus
−23 23 −10 10
Entropy ( BG )= ( 33 ( )) (
∗log 2
33
+
33 ( ))
∗log 2
33
=0.8850
−0 0 −17 17
(
Entropy ( PS ) =
17
∗log 2 ( )) (
17
+
17
∗log 2 ( ))
17
=0
4. Atribut Biaya Perawatan
Atribut biaya perawatan memiliki dua klasifikasi yaitu budget (BG)
−23 23 −15 15
Entropy ( BG )= ( 38 ( )) (
∗log 2
38
+
38 ( ))
∗log 2
38
=0.9678
54
−0 0 −12 12
Entropy ( PS ) =( 12
∗log 2 ( )) (
12
+
12
∗log 2
12 ( ))
=0
5. Atribut Biaya Pajak
Atribut biaya pajak memiliki dua klasifikasi yaitu budget (BG) dan
pass (PS) dan dari data format variabel profit usaha diketahui nilai dari
klasifikasi budget (BG) ada sebanyak 39 kasus dengan keputusan
−20 20 −19 19
Entropy ( BG )= ( 39
∗log 2( )) (
39
+
39
∗log 2 ( ))
39
=0.9995
−3 3 −8 8
(
Entropy ( PS ) =
11
∗log 2
11 ( )) (
+
11
∗log 2
11 ( ))
=0.8454
6. Atribut Biaya Legalitas
Atribut biaya legalitas memiliki dua klasifikasi yaitu budget (BG) dan
pass (PS) dan dari data format variabel profit usaha diketahui nilai dari
klasifikasi budget (BG) ada sebanyak 34 kasus dengan keputusan

55
−19 19 −15 15
Entropy ( BG )= ( 34 ( )) (
∗log 2
34
+
34
∗log 2( ))
34
=1
−4 4 −12 12
Entropy ( PS ) =( 16
∗log 2 ( )) (
16
+
16
∗log 2
16( ))
=0.8113
Selanjutnya penulis akan menjelaskan rumus dan perhitungan dari
nilai gain pada setiap atribut dari variabel profit usaha, sebagai berikut.
1. Gain total atribut biaya tenaga kerja
Perhitungan nilai gain total atribut biaya tenaga kerja dihitung dengan
mengurangi nilai entropy total sebesar 0,9954 dengan total data pada
atribut biaya tenaga kerja dengan klasifikasi budget (BG) adalah 24
kasus, klasifikasi enough (EU) adalah 14 kasus, dan klasifikasi pass
(PS) adalah 12 kasus kemudian dikalikan dengan nilai entropy masing-
masing klasifikasi dari atribut, dalam hal ini entropy dengan klasifikasi
budget (BG) adalah 0,9950, klasifikasi enough (EU) adalah 0,9852,
dan klasifikasi pass (PS) adalah 1 dengan perhitungan gain sebagai
berikut.
24 14 12
¿ 0,9954− (( 50
∗0,9950 +
50)(
∗0,9852 + )(
50 ))
∗1 =0,2419
2. Gain total atribut biaya operasional
Perhitungan nilai gain total atribut biaya operasional dihitung dengan
atribut biaya operasional dengan klasifikasi budget (BG) adalah 31
kasus dan klasifikasi pass (PS) adalah 19 kasus kemudian dikalikan
dengan nilai entropy masing-masing klasifikasi dari atribut, dalam hal

56
ini entropy dengan klasifikasi budget (BG) adalah 0,8238 dan
klasifikasi pass (PS) adalah 0 dengan perhitungan gain sebagai berikut.
31 19
¿ 0,9954− (( 50 )(
∗0,8238 +
50 ))
∗0 =0,4846
3. Gain total atribut biaya perlengkapan
Perhitungan nilai gain total atribut biaya perlengkapan dihitung dengan
atribut biaya perlengkapan dengan klasifikasi budget (BG) adalah 33
33 17
¿ 0,9954− (( 50 )(
∗0,8850 +
50 ))
∗0 =0,4113
4. Gain total atribut biaya perawatan
Perhitungan nilai gain total atribut biaya perawatan dihitung dengan
atribut biaya perawatan dengan klasifikasi budget (BG) adalah 38
¿ 0,9954− (( 3850 ∗0,9678 )+( 1250∗0))=0,2599

57
5. Gain total atribut biaya pajak
Perhitungan nilai gain total atribut biaya pajak dihitung dengan
atribut biaya pajak dengan klasifikasi budget (BG) adalah 39 kasus dan
klasifikasi pass (PS) adalah 11 kasus kemudian dikalikan dengan nilai
entropy masing-masing klasifikasi dari atribut, dalam hal ini entropy
dengan klasifikasi budget (BG) adalah 0,9995 dan klasifikasi pass (PS)
adalah 0,8454 dengan perhitungan gain sebagai berikut.
¿ 0,9954− (( 3950 ∗0,9995 )+( 1150 ∗0,8454 ))=0,0298

6. Gain total atribut biaya legalitas
Perhitungan nilai gain total atribut biaya legalitas dihitung dengan
atribut biaya legalitas dengan klasifikasi budget (BG) adalah 34 kasus
dan klasifikasi pass (PS) adalah 16 kasus kemudian dikalikan dengan
nilai entropy masing-masing klasifikasi dari atribut, dalam hal ini
entropy dengan klasifikasi budget (BG) adalah 1 dan klasifikasi pass
(PS) adalah 0,8113 dengan perhitungan gain sebagai berikut.
34 16
¿ 0,9954− (( ) (
50
∗1 +
50 ))
∗0,8113 =0,0626
Setelah penulis selesai menjelaskan nilai dari masing-masing
atribut yaitu nilai dari entropy dan nilai dari gain, penulis membuat
penjelasan hasil yang sudah didapatkan menggunakan tabel seperti berikut.

58
Tabel 4. 9 Hasil Perhitungan Manual Node 1
Entrop

Tingkat Profit Profit Defisit y Gain
TOTAL 50 23 27 0,9954

Biaya Tenaga
Kerja
Budget BG 24 13 11 0,9950
Enough EU 14 6 8 0,9852 0,2419
Pass PS 12 4 8 1
50
Biaya
Operasional
Budget BG 31 23 8 0,8238
0,4846
Pass PS 19 0 19 0
50
Biaya
Perlengkapan
Budget BG 33 23 10 0,8850
0,4113
Pass PS 17 0 17 0
50
Biaya
Perawatan
Budget BG 38 23 15 0,9678
0,2599
Pass PS 12 0 12 0
50
Biaya Pajak
Budget BG 39 20 19 0,9995
0,0298
Pass PS 11 3 8 0,8454
50
Biaya
Legalitas
Budget BG 34 19 15 1
0,0626
Pass PS 16 4 12 0,8113
50
59
Dari penjelasan penulis berdasarkan tabel diatas, dapat diketahui
bahwa atribut ketersediaan memiliki nilai dengan gain tertinggi, yaitu
0,4846 dengan demikian maka penulis membuat root node pada pohon
keputusan sementara dari atribut ketersediaan sebagai berikut
Gambar 4.1 Pohon Keputusan Node 1
Dari gambar diatas dapat diketahui bahwa root node mempunyai 2
dua cabang, dimana salah satu cabang yang berasal dari atribut biaya
operasional dengan klasifikasi pass (PS) tidak memiliki turunan karena
ditandai dengan nilai entropynya yang bernilai 0 sehingga menjadi leaf
node. Sedangkan klasifikasi budget (BG) dari atribut biaya operasional
masih memiliki turunan karena ditandai dengan nilai entropynya yang
bernilai 0,8238 sehingga memiliki turunan pada node kedua. Selanjutnya
dilakukan lagi perhitungan yang sama dengan cara perhitungan pada node
pertama yaitu dengan melakukan perhitungan nilai dari entropy dan nilai
dari gain dengan atribut yang tersisa atau atribut selain biaya operasional
60
yaitu atribut dari biaya tenaga kerja, biaya perlengkapan, biaya perawatan,
biaya pajak, dan biaya legalitas.
Berdasarkan data pada tabel variabel profit usaha akan dicari
entropy total dari atribut biaya operasional dengan klasifikasi budget (BG)
menggunakan rumus dan cara perhitungan sebagai berikut.
−23 23 −8 8
∗log 2
31
+
31 ( ))
∗log 2
31
=0.8238
Dari perhitungan diatas dapat dilihat kasus yang menyatakan profit
adalah 23 kasus dan defisit adalah 8 kasus dengan jumlah keseluruhan
kasus adalah 31 kasus dan kemudian diperoleh entropy total 0,8238. Lalu
dilanjutkan mencari entropy dari masing-masing atribut sebagai berikut:
diketahui atribut biaya operasional dengan klasifikasi budget (BG) dan
atribut biaya tenaga kerja dengan klasifikasi budget (BG) ada sebanyak
15 kasus dengan keputusan profit terdapat 13 kasus sedangkan dengan
keputusan defisit terdapat 2 kasus. Setelah itu dari klasifikasi enough
(EU) ada sebanyak 9 kasus dengan keputusan profit terdapat 6 kasus
dan sedangkan dengan keputusan defisit terdapat 3 kasus. Kemudian
yang terakhir dari klasifikasi pass (PS) ada sebanyak 7 kasus dengan
keputusan profit terdapat 4 kasus dan sedangkan dengan keputusan

61
deficit terdapat 3 kasus. Demikian penjelasan masing-masing entropy
dari pernyataan tersebut.
−13 13 −2 2
Entropy ( BG )= ( 15 ( )) (
∗log 2
15
+
15 ( ))
∗log 2
15
=0.5665
−6 6 −3 3
Entropy ( EN )= ( 9 ( )) (
∗log 2
9
+
9 ( ))
∗log 2
9
=0.9183
−4 4 −3 3
Entropy ( PS ) = ( 7
∗log 2( )) (
7
+
7
∗log 2( ))
7
=1
2. Atribut Biaya Perlengkapan
Atribut biaya perlengkapan memiliki dua klasifikasi yaitu budget (BG)
dan pass (PS) dan dari data format variabel profit usaha diketahui
atribut biaya operasional dengan klasifikasi budget (BG) dan atribut
biaya perlengkapan dengan klasifikasi budget (BG) ada sebanyak 25
kasus dengan keputusan profit terdapat 23 kasus sedangkan dengan
keputusan defisit terdapat 2 kasus. Setelah itu dari klasifikasi pass (PS)
ada sebanyak 6 kasus dengan keputusan profit terdapat 0 kasus dan
sedangkan dengan keputusan defisit terdapat 6 kasus. Demikian
penjelasan masing-masing entropy dari pernyataan tersebut.
−23 23 −2 2
Entropy ( BG )= ( 25 ( )) (
∗log 2
25
+
25 ( ))
∗log2
25
=0.4022
−0 0 −6 6
Entropy ( PS ) = ( 6
∗log 2( )) (
6
+
6
∗log 2( ))
6
=0
62
atribut biaya operasional dengan klasifikasi budget (BG) dan atribut
biaya perawatan dengan klasifikasi budget (BG) ada sebanyak 27
keputusan defisit terdapat 4 kasus. Setelah itu dari klasifikasi pass (PS)
ada sebanyak 4 kasus dengan keputusan profit terdapat 0 kasus dan
−23 23 −4 4
Entropy ( BG )=
( 27 ( )) (
∗log 2
27
+
27 ( ))
∗log 2
27
=0.6052
−0 0 −4 4
(
Entropy ( PS ) =
4
∗log 2
4( )) (
+
4
∗log 2
4( ))
=0
pass (PS) dan dari data format variabel profit usaha diketahui atribut
biaya operasional dengan klasifikasi budget (BG) dan atribut biaya
pajak dengan klasifikasi budget (BG) ada sebanyak 28 kasus dengan
keputusan profit terdapat 20 kasus sedangkan dengan keputusan defisit
terdapat 8 kasus. Setelah itu dari klasifikasi pass (PS) ada sebanyak 3
kasus dengan keputusan profit terdapat 3 kasus dan sedangkan dengan
−20 20 −8 8
Entropy ( BG )= ( 28 ( )) (
∗log 2
28
+
28 ( ))
∗log 2
28
=0.8631
63
−3 3 −0 0
Entropy ( PS ) = ( 3 ( )) (
∗log 2
3
+
3 ( ))
∗log 2
3
=0
biaya operasional dengan klasifikasi budget (BG) dan atribut biaya
legalitas dengan klasifikasi budget (BG) ada sebanyak 25 kasus dengan
keputusan profit terdapat 19 kasus sedangkan dengan keputusan defisit
terdapat 6 kasus. Setelah itu dari klasifikasi pass (PS) ada sebanyak 6
kasus dengan keputusan profit terdapat 4 kasus dan sedangkan dengan
−19 19 −6 6
Entropy ( BG )= ( 25 ( )) (
∗log 2
25
+
25
∗log 2( ))
25
=1
−4 4 −2 2
Entropy ( PS ) =( 6
∗log 2
6( )) (
+
6
∗log 2
6( ))
=0.9183

64
masing klasifikasi dari atribut, dalam hal ini entropy dengan klasifikasi
budget (BG) adalah 0,5665, klasifikasi enough (EU) adalah 0,9183,
dan klasifikasi pass (PS) adalah 1 dengan perhitungan gain sebagai
berikut.
15 9 7
¿ 0,8238− (( 31 )(
∗0,5665 +
31
∗0,9183 +)(
31 ))
∗1 =0,2831
2. Gain total atribut biaya perlengkapan
Perhitungan nilai gain total atribut biaya perlengkapan dihitung dengan
atribut biaya perlengkapan dengan klasifikasi budget (BG) adalah 25
25 6
¿ 0,8238− (( 31 )(
∗0,4022 +
31 ))
∗0 =0,4995

65
27 4
¿ 0,8238− (( 31 )(
∗0,6052 +
31 ))
∗0 =0,2967
atribut biaya pajak dengan klasifikasi budget (BG) adalah 28 kasus dan
klasifikasi pass (PS) adalah 3 kasus kemudian dikalikan dengan nilai
entropy masing-masing klasifikasi dari atribut, dalam hal ini entropy
dengan klasifikasi budget (BG) adalah 0,8631 dan klasifikasi pass (PS)
adalah 0 dengan perhitungan gain sebagai berikut.
¿ 0,8238− (( 2831 ∗0,8631)+( 313 ∗0))=0,0442

(PS) adalah 0,9183 dengan perhitungan gain sebagai berikut.
25 6
¿ 0,8238− (( ) (
31
∗1 +
31 ))
∗0.9183 =0,0049
66
Entrop

TOTAL 31 23 8 0,8238

Biaya Tenaga
Kerja
Budget BG 15 13 2 0,5665
Enough EU 9 6 3 0,9183 0,2831
Pass PS 7 4 3 1
31
Biaya
Perlengkapan
Budget BG 25 23 2 0,4022
0,4995
Pass PS 6 0 6 0
31
Biaya
Perawatan
Budget BG 27 23 4 0,6052
0,2967
Pass PS 4 0 4 0
31
Biaya Pajak
Budget BG 28 20 8 0,8631
0,0442
Pass PS 3 3 0 0
31
Biaya
Legalitas
Budget BG 25 19 6 1
0,0049
Pass PS 6 4 2 0,9183
31
67
keputusan sementara dari atribut perlengkapan sebagai berikut
Dari gambar diatas dapat diketahui bahwa root node mempunyai 2
dua cabang, dimana salah satu cabang yang berasal dari atribut biaya
perlengkapan dengan klasifikasi pass (PS) tidak memiliki turunan karena
ditandai dengan nilai entropynya yang bernilai 0 sehingga menjadi leaf
node. Sedangkan klasifikasi budget (BG) dari atribut biaya perlengkapan
masih memiliki turunan karena ditandai dengan nilai entropynya yang
bernilai 0,4022 sehingga memiliki turunan pada node ketiga. Selanjutnya

68
dilakukan lagi perhitungan yang sama dengan cara perhitungan pada node
pertama dan kedua yaitu dengan melakukan perhitungan nilai dari entropy
dan nilai dari gain dengan atribut yang tersisa atau atribut selain biaya
perlengkapan yaitu atribut dari biaya tenaga kerja, biaya perawatan, biaya
pajak, dan biaya legalitas.
Berdasarkan data pada tabel variabel profit usaha akan dicari
entropy total dari atribut biaya perlengkapan dengan klasifikasi budget
(BG) menggunakan rumus dan cara perhitungan sebagai berikut.
−23 23 −2 2
∗log 2
25
+
25 ( ))
∗log 2
25
=0.4022
Dari perhitungan diatas dapat dilihat kasus yang menyatakan profit
adalah 23 kasus dan defisit adalah 2 kasus dengan jumlah keseluruhan
kasus adalah 25 kasus dan kemudian diperoleh entropy total 0,4022. Lalu
dilanjutkan mencari entropy dari masing-masing atribut sebagai berikut:
diketahui atribut biaya perlengkapan dengan klasifikasi budget (BG)
dan atribut biaya tenaga kerja dengan klasifikasi budget (BG) ada
sebanyak 13 kasus dengan keputusan profit terdapat 13 kasus
sedangkan dengan keputusan defisit terdapat 0 kasus. Setelah itu dari
klasifikasi enough (EU) ada sebanyak 7 kasus dengan keputusan profit
terdapat 6 kasus dan sedangkan dengan keputusan defisit terdapat 1

69
kasus. Kemudian yang terakhir dari klasifikasi pass (PS) ada sebanyak
5 kasus dengan keputusan profit terdapat 4 kasus dan sedangkan
dengan keputusan deficit terdapat 1 kasus. Demikian penjelasan
masing-masing entropy dari pernyataan tersebut.
−13 13 −0 0
Entropy ( BG )= ( 13 ( )) (
∗log 2
13
+
13 ( ))
∗log 2
13
=0
−6 6 −1 1
Entropy ( EN )= ( 7 ( )) (
∗log 2
7
+
7 ( ))
∗log 2
7
=0.5917
−4 4 −1 1
Entropy ( PS ) =( 5
∗log 2 ( )) (
5
+
5
∗log 2 ( ))
5
=1
atribut biaya perlengkapan dengan klasifikasi budget (BG) dan atribut
biaya perawatan dengan klasifikasi budget (BG) ada sebanyak 23
keputusan defisit terdapat 0 kasus. Setelah itu dari klasifikasi pass
(PS) ada sebanyak 2 kasus dengan keputusan profit terdapat 0 kasus
dan sedangkan dengan keputusan defisit terdapat 2 kasus. Demikian
−23 23 −0 0
Entropy ( BG )= ( 23 ( )) (
∗log 2
23
+
23 ( ))
∗log 2
23
=0
−0 0 −2 2
Entropy ( PS ) =( 2
∗log 2 ( )) (
2
+
2
∗log 2 ( ))
2
=0

70
biaya perlengkapan dengan klasifikasi budget (BG) dan atribut biaya
pajak dengan klasifikasi budget (BG) ada sebanyak 22 kasus dengan
keputusan profit terdapat 20 kasus sedangkan dengan keputusan
defisit terdapat 2 kasus. Setelah itu dari klasifikasi pass (PS) ada
sebanyak 3 kasus dengan keputusan profit terdapat 3 kasus dan
−20 20 −2 2
Entropy ( BG )= ( 22 ( )) (
∗log 2
22
+
22 ( ))
∗log2
22
=0.4395
−3 3 −0 0
Entropy ( PS ) =( 3
∗log 2 ( )) (
3
+
3
∗log 2( ))
3
=0
biaya perlengkapan dengan klasifikasi budget (BG) dan atribut biaya
legalitas dengan klasifikasi budget (BG) ada sebanyak 20 kasus
dengan keputusan profit terdapat 19 kasus sedangkan dengan
keputusan defisit terdapat 1 kasus. Setelah itu dari klasifikasi pass
(PS) ada sebanyak 5 kasus dengan keputusan profit terdapat 4 kasus
dan sedangkan dengan keputusan defisit terdapat 1 kasus. Demikian

71
−19 19 −1 1
Entropy ( BG )= ( 20 ( )) (
∗log 2
20
+
20
∗log 2( ))
20
=1
−4 4 −1 1
Entropy ( PS ) = ( 5 ( )) (
∗log 2
5
+
5
∗log 2( ))
5
=1
masing klasifikasi dari atribut, dalam hal ini entropy dengan
klasifikasi budget (BG) adalah 0, klasifikasi enough (EU) adalah
0,5917, dan klasifikasi pass (PS) adalah 1 dengan perhitungan gain
sebagai berikut.
13 7 5
¿ 0,4022− (( 25 )(
∗0 +
25
∗0,5917 + )(
25 ))
∗1 =0,2365

72
ini entropy dengan klasifikasi budget (BG) adalah 0 dan klasifikasi
pass (PS) adalah 0 dengan perhitungan gain sebagai berikut.
23 2
¿ 0,4022− (( 25 )(
∗0 +
25 ))
∗0 =0,4022
atribut biaya pajak dengan klasifikasi budget (BG) adalah 22 kasus
entropy dengan klasifikasi budget (BG) adalah 0,4395 dan klasifikasi
pass (PS) adalah 0 dengan perhitungan gain sebagai berikut.
22 3
¿ 0,4022− (( 25 )(
∗0.4395 +
25 ))
∗0 =0,0154
(PS) adalah 1 dengan perhitungan gain sebagai berikut.
¿ 0,4022− (( 2025∗1)++( 255 ∗1))=0,0287

73
Entrop

TOTAL 25 23 2 0,4022

Biaya Tenaga
Kerja
Budget BG 13 13 0 0
Enough EU 7 6 1 0,5917 0,2365
Pass PS 5 4 1 1
25
Biaya
Perawatan
Budget BG 23 23 0 0
0,4022
Pass PS 2 0 2 0
25
Biaya Pajak
Budget BG 22 20 2 0,4395
0,0154
Pass PS 3 3 0 0
25
Biaya
Legalitas
Budget BG 20 19 1 0
0,0287
Pass PS 5 4 1 0,7219
25
keputusan sementara dari atribut perlengkapan sebagai berikut

74
4.2.4 Keputusan Hasil Pengujian
Berdasarkan pohon keputusan pada gambar 4.3 dapat disampulkan
aturan atau rule yang dihasilkan oleh pohon keputusan akhir yaitu:
1. Melalui gambar 4.3 dan rules yang dihasilkan dapat disimpulkan
bahwa yang menjadi faktor-faktor utama untuk menentukan tingkat
profit usaha pada PT Megacipta sejati adalah biaya operasional, biaya
perlengkapan, dan biaya perawatan.
2. Jika biaya operasional pass, maka perushaan defisit.
3. Jika biaya opersional budget dan biaya perlengkapan pass maka
perusahaan defisit.
75
4. Jika biaya opersional budget, biaya perlengkapan budget, dan biaya
perlengkapan pass maka perusahaan defisit.
5. Jika biaya opersional budget, biaya perlengkapan budget, dan biaya
perawatan budget, maka perusahaan profit.
4.2.5 Pengujian Menggunakan WEKA
Setelah perhitungan manual yang dilakukan untuk menghasilkan
pohon keputusan, sangat diperlukan untuk melakukan pengujian terhadap
kebenaran hasil perhitungan untuk memastikan apakah hasil analisa
tersebut benar atau tidak. Dalam penelitian ini peneliti mengujian
kebenaran hasil perhitungan dengan menggunakan software yaitu WEKA
versi 3.8.4 dengan langkah-langkah sebagai berikut:
1. Membuat sebuah data dengan menggunakan aplikasi microsft excel berisi
data seluruh variabel-variabel yang digunakan untuk menentukan tingkat
profit usaha dan simpan dengan nama file weka.csv seperti yang dapat
dilihat pada gambar 4.4 berikut.

76
Gambar 4.4 Data Variabel Pada Aplikasi Microsoft Excel
2. Kemudian membuka file weka.csv yang berisi data seluruh variabel-
variabel yang digunakan untuk menentukan tingkat profit usaha tersebut
dengan aplikasi notepad dan mengubah tanda titik koma (;) menjadi tanda
koma (,) agar dapat terbaca dengan aplikasi WEKA seperti yang dapat
dilihat pada gambar 4.5 berikut.
Gambar 4.5 Data Variabel Pada Aplikasi Notepad
3. Selanjutnya, aktifkan atau jalankan aplikasi WEKA dengan versi 3.8.4
tersebut dengan melakukan klik dua kali pada shortcut dari WEKA.
4. Setelah aplikasi WEKA terbuka, lakukan klik sebanyak satu kali pada
pilihan menu WEKA yaitu explorer seperti kotak dialog pada gambar 4.6
berikut.
77
Gambar 4.6 Tampilan Awal Aplikasi WEKA
5. Pada WEKA explorer pilih open file, cari tempat penyimpanan file
weka.csv, kemudian ganti tipe file nya menjadi csv, lalu klik open dibagian
bawah kanan kotak dialog seperti gambar 4.7 berikut.

78
Gambar 4.7 Tampilan Pemilihan File Pengujian WEKA
6. Kemudian pilih atribut yang digunakan dalam penelitian seperti pada
penjelasan gambar 4.8 berikut.

79
Gambar 4.8 Tampilan Pemilihan Atribut Pengujian WEKA
7. Kemudian berpindah ke Tab Classify lalu klik choose seperti yang terlihat
pada penjelasan gambar 4.9 berikut.
Gambar 4.9 Tampilan Tab Menu Classify
8. Kemudian pilih dan klik trees pada tab menu classify kemudian pilih dan
klik menu J48 seperti pada penjelasan gambar 4.10 berikut.

80
Gambar 4.10 Tampilan Pemilihan Classifier
9. Klik menu start lalu akan muncul output dibagian kanan yang merupakan
hasil pengujian WEKA. Informasi yang dimunculkan oleh classify output
adalah jumlah kasus dan keputusannya dan banyak cabang dari pohon
keputusan seperti penjelasan pada gambar 4.11 berikut.

81
Gambar 4.11 Tampilan Output Classifer
10. Langkah terakhir untuk melihat hasil pohon keputusan dilakukan dengan
cara klik kanan pada result list dan kemudian pilih dan klik visualize tree
seperti penjelasan gambar 4.12 berikut.

82
Gambar 4.12 Tampilan Visualisasi Pohon
11. Dan demikian tampilan akhir dari pohon keputusan menggunakan aplikasi
WEKA seperti pada gambar berikut.

83
Gambar 4.13 Tampilan Hasil Pengujian WEKA
Dari pohon keputusan menggunakan aplikasi Weka, maka penulis akan
menjelaskan mengenai aturan yang dihasilkan sebagai berikut.
1. IF Biaya Operasional = Pass, THEN Keputusan = Defisit
2. IF Biaya Opersional = Budget AND Biaya Perlengkapan = Pass,
THEN Keputusan = Defisit
3. IF Biaya Operasional = Budget AND Biaya Perlengkapan = Budget
AND Biaya Perawatan = Pass, THEN Keputusan = Defisit
4. IF Biaya Operasional = Budget AND Biaya Perlengkapan = Budget
AND Biaya Perawatan = Budget, THEN Keputusan = Profit

BAB V
SIMPULAN DAN SARAN
Berdasarkan penelitian yang dilakukan pada PT. Megacipta Sejati
tentang menentukan tingkat profit usaha dengan algoritma C4.5 serta
ditambah lagi dengan memperhitungkan beberapa atribut seperti biaya
tenaga kerja, biaya operasional, biaya perlengkapan, biaya perawatan,
biaya pajak, dan biaya legalitas. Maka dapat dirumuskan beberapa
kesimpulan dan saran yang antara lain adalah sebagai berikut.
5.1 Simpulan
Berdasarkan dengan hasil analisa mengenai tingkat profit usaha
setelah melakukan pembahasan, perhitungan dan pengujian baik
perhitungan secara manual menggunakan pohon keputusan yang telah
dilakukan pada bab-bab sebelumnya dengan menggunakan teknik
datamining dan metode klasifikasi yaitu algoritma C4.5 dan pengujian
menggunakan software WEKA 3.8.4 didalam penelitian ini dalam hal
menentukan tingkat profit usaha adalah sukses (berhasil) hal ini dapat
dibuktikan dengan terbentuknya beberapa jalur keputusan yang dapat
diambil yang antara lain adalah sebagai berikut:
1. Teknik datamining dengan klasifikasi menggunakan jenis algoritma C4.5
untuk menentukan tingkat profit usaha menggunakan data yang berasal
84
dari data transaksi sewa PT. Megacipta Sejati dapat menemukan rules atau
aturan
85
86
keputusan untuk digunakan sebagai acuan atau standar dalam menentukan
tingkat profit usaha. Rules yang dihasilkan adalah:
a. Jika biaya operasional melebihi anggaran yang telah ditetapkan
(pass), maka perusahaan akan mengalami kerugian (defisit).
b. Jika biaya opersional masih dibawah anggaran yang telah
ditetapkan (budget) dan biaya perlengkapan melebihi anggaran
yang telah ditetapkan (pass) maka perusahaan akan mengalami
kerugian (defisit).
c. Jika biaya opersional masih dibawah anggaran yang telah
ditetapkan (budget) dan biaya perlengkapan masih dibawah
anggaran yang telah ditetapkan (budget) tetapi biaya perlengkapan
melebihi anggaran yang telah ditetapkan (pass) maka perusahaan
akan mengalami kerugian (defisit).
d. Jika biaya opersional masih dibawah anggaran yang telah
ditetapkan (budget), biaya perlengkapan masih dibawah anggaran
yang telah ditetapkan (budget), dan biaya perlengkapan masih
dibawah anggaran yang telah ditetapkan (budget), maka
perusahaan akan mengalami keuntungan (profit).
2. Pohon keputusan yang dihasilkan oleh perhitungan algoritma C4.5
menunujukkan bahwa variabel yang memiliki gain tertinggi atau yang
merupakan faktor utama yang mempengaruhi tingkat profit usaha adalah
biaya operasional, biaya perlengkapan, dan biaya perawatan. Setelahnya,
pengujian menggunakan software WEKA 3.8.4 juga menghasilkan hasil

87
yang sama yaitu variabel yang menjadi faktor utama yang mempengaruhi
tingkat profit usaha adalah biaya operasional, biaya perlengkapan, dan
biaya perawatan.
5.2 Saran
Dikarenakan oleh keterbatasan peneliti dalam pengetahuan, waktu
ataupun pemikiran, peneliti sadar bahwa penelitian ini masih bisa
dikembangkan sehingga, peneliti memberikan beberapa saran yang dapat
digunakan untuk menentukan tingkat profit usaha dimasa yang akan
datang. Berikut adalah beberapa saran yang peneliti anggap perlu sebagai
berikut:
1. Untuk survei waktu penelitian dapat dilakukan dengan rentang
waktu yang cukup lama sehingga data yang dijadikan sebagai
obyek penelitian lebih banyak dan bervariasi dan hasil penelitian
yang diharapkan lebih baik dan baik lagi.
2. Dari segi jumlah data yang akan diolah berbanding lurus dengan
waktu survei artinya waktu survei lebih lama maka data yang
diambil akan lebih banyak sehingga hasil penelitian lebih
maksimal.
3. Jumlah atribut yang dipakai untuk menguji data hendaknya
ditambah sehingga hasil atau jalur keputusan yang dihasilkan lebih
variatif dan banyak manampilkan keputusan yang dapat diambil,
sehingga hasil akhir keputusan lebih baik

88
4. Penelitian ini menggunakan Data Mining dengan Teknik
klasifikasi menggunakan algoritma C.45, hendaknya diperkaya lagi
dengan Algortima-algoritma yang lain (masih dalam cakupan data
mining) seperti naïve bayes sehingga proses yang dilakukan lebih
kaya lagi dan menambah wawasan pembaca atau peneliti dimasa
yang akan datang. Hal ini jelas akan memperkaya ranah keilmuan
dibidang Data Mining.

DAFTAR PUSTAKA
Augusto, T., & Char, A. S. (2014). Performance improvement of datamining in
Weka through GPU acceleration, 32, 93–100.
Azwanti, N. (2018). Algoritma C4.5 untuk Memprediksi Mahasiswa yang
Mengulang Mata Kuliah (studi kasus di AMIK Labuhan Batu), 9(1), 11–
22.
Azwanti, N. (2018). Analisa Algoritma C4 . 5 untuk Memprediksi Penjualan
Motor Pada PT. Capella Dinamik Nusantara, 13(1), 33–38.
Chauhan, H., & Chauhan, A. (2013). Implementation of decision tree algorithm
c4. 5. International Journal of Scientific and Research Publications, 3(10),
4–6.
Chen, W., Zhang, S., Li, R., & Shahabi, H. (2018). Science of the Total
Environment Performance evaluation of the GIS-based datamining
techniques of best- fi rst decision tree , random forest , and naïve Bayes
tree for landslide susceptibility modeling. Science of the Total
Environment, 644, 1006–1018.
Elisa, E. (2017). Analisa dan Penerapan Algoritma C4 . 5 Dalam Datamining
Untuk Mengidentifikasi Faktor-Faktor Penyebab Kecelakaan Kerja
Kontruksi PT . Arupadhatu Adisesanti, 2(1), 36–41.
89
Elisa, E. (2018). Prediksi Profit Pada Perusahaan Dengan Klasifikasi Algoritma
C4.5, 05(02), 179–189.
90
91
Faradillah, S. (2013). Implementasi Data Mining Untuk Pengenalan Karakteristik
Transaksi Customer Dengan, 63–70.
Fitria Harahap. 2015. Penerapan Data Mining dalam Memprediksi Pembelian cat.
Konferensi Nasional Sistem & Informatika 2015. Bali: STMIK STIKOM.
Gamarra, C., Guerrero, J. M., & Montero, E. (2016). A knowledge discovery in
databases approach for industrial microgrid planning. Renewable and
Sustainable Energy Reviews, 60, 615–630.
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. Hal 118 – 132.
Harman, R. (2018). Penerapan Algoritma C4.5 untuk Memprediksi Indikator
Website yang Baik, 6, 9.
Haryati, S., Sudarsono, A., & Suryana, E. (2015). Implementasi Datamining
Untuk Memprediksi Masa Studi Mahasiswa menggunakan Algoritma C4 .
5, 11(2), 130–138.
Jamhur, A. I. (2016). Penerapan Datamining untuk Menganalisa Jumlah
Pelanggan Aktif dengan Menggunakan Algoritma C4.5, 23(2), 12–20.
Kamagi, D. H., & Hansun, S. (2014). Implementasi Datamining dengan
Algoritma C4 . 5 untuk Memprediksi Tingkat Kelulusan Mahasiswa,
VI(1), 15–20.
92
Khasanah, S. N. (2017). Penerapan algortima c4.5 untuk penentuan kelayakan
kredit, XIV(1), 9–14.
Lestari, S., & Suryadi, A. (2014). Model Klasifikasi Kinerja Dan Seleksi dosen
Berprestasi Dengan. Proseding Seminar Bisnis & Teknologi, 15–16.
Lorena, S., Zarman, W., & Hamidah, I. (2014). Analisis Dan Penerapan
Algoritma C4.5 Dalam Datamining Untuk Memprediksi Masa Studi
Mahasiswa Berdasarkan Data Nilai Akademik. Prosiding Seminar
Nasional Aplikasi Sains Dan Teknologi (SNAST), (November), 263–272.
Lusinia, Armonitha. 2014. Algoritma C4.5 Dalam Menganalisa Kelayakan Kredit
(Studi Kasus di Koperasi Pegawai Republik Indonesia Lengayang Pesisir
Selatan, Painan, Sumatera Barat). Jurnal KomTekInfo. Vol 1. No 2. Hal 6-
10.
Mardi, Y. (2017). Jurnal Edik Informatika Data Mining : Klasifikasi
MenggunakaN Algoritma C4 . 5 Datamining merupakan bagian dari
tahapan proses Knowledge Discovery in Database ( KDD ) . Jurnal Edik
Informatika.
Meythi dan Selvy Hartono. 2012. Pengaruh Informasi Laba dan Arus Kas
Terhadap Harga Saham. Jurnal Akuntansi. 57– 59.
Pambudi, R. H., Setiawan, B. D., & Indriati. (2018). Penerapan Algoritma C4 . 5
Untuk Memprediksi Nilai Kelulusan Siswa Sekolah Menengah
Berdasarkan Faktor Eksternal, 2(7), 2637–2643.

93
Rahman, M. A. (2015). Algoritma C45 untuk Menentukan Mahasiswa Penerima
Beasiswa (Studi Kasus : PPS IAIN Raden Intan Bandar Lampung), 01(02),
118–128.
Rifqo, muhammad husni, & Arzi, T. (2016). Implementasi Algoritma C4.5 Untuk
Menentukan Calon Debitur dengan Mengukur Tingkat Risiko Kredit Bank
BRI Cabang Curup, 8.
Rismayanti. (2016). Implementasi algoritma c4.5 untuk menentukan penerima
beasiswa di stt harapan medan, 12(2), 116–120.
Santoso, teguh budi. (2014). Analisa dan penerapan metode C4.5 untuk prediksi
loyalitas pelanggan, 10(1).
Song, Y., & Lu, Y. (2015). Decision tree methods : applications for classification
and prediction, 27(2), 130–135.
Subekti Mujiasih. 2011. Pemanfaatan Data Mining untuk Prakiraan Cuaca.
Volume 12. 189 – 195.
Sulastri, H., & Gufroni, A. irham. (2017). Penerapan Datamining Dalam
Pengelompokkan Penderita Thalassaemia, 02, 299–305.
Wira, D., & Putra, T. (2016). Algoritma c4.5 untuk menentukan tingkat kelayakan
motor bekas yang akan dijual, 4(1), 7.
Zaman, K. (2016). Penerapan Datamining Menggunakan Algoritma C4 . 5 Untuk
Menentukan Kelayakan Penerima Bantuan Rehabilitas Sosial Rumah

94
Tidak Layak Huni ( Studi Kasus di Pemerintahan Kabupaten Solok
Selatan), 3(2), 12–24.
Zulkifli, A. (2016). Metode C45 Untuk Mengklarifikasi Pelanggan Perusahaan
Telekomunikasi Seluler, 2(1), 65–76.

Skripsi Harina Final

Diunggah oleh

Informasi Dokumen

Deskripsi 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

Skripsi Harina Final

Diunggah oleh

Hak Cipta:

Format Tersedia

ANALISIS ALGORITMA C4.

PROGRAM STUDI SISTEM INFORMASI

Untuk memenuhi salah satu syarat

PROGRAM STUDI SISTEM INFORMASI

Yang bertanda tangan di bawah ini saya:

Program Studi : Sistem Informasi

Menyatakan bahwa “ Skripsi ” yang saya buat dengan judul:

terdapat unsur-unsur PLAGIASI, saya bersedia naskah Skripsi ini

sesuai dengan peraturan perundang-undangan yang berlaku.

Batam, 11 Juli 2020

Untuk memenuhi salah satu syarat

Telah disetujui oleh Pembimbing pada tanggal

Batam, 11 Juli 2020

Rika Harman, S.Kom., M.SI.

Perkembangan asrama di Batam dari tahun ke tahun menunjukkan peningkatan

Kata Kunci: Algoritma C4.5, Data Mining, Pohon Keputusan, Profit.

The development of boarding houses in Batam from year to year shows a

Keywords: Algorithm C4.5, Data Mining, Decision Tree, Profit.

Semoga Tuhan YME membalas kebaikan dan selalu mencurahkan hidayah

1.1 Latar Belakang

Perkembangan teknologi dan informasi ternyata membawa

perubahan dalam segala bidang termasuk kepada perkembangan dunia

bisnis. Tidak dapat dipungkiri lagi perkembangan teknologi yang pesat

perkembangan komputer yang dinamis diiringi perkembangan zaman

dapat menghasilkan informasi yang cepat dan akurat dan tidak

memerlukan waktu yang lama dalam menggali informasi yang dibutuhkan,

termasuk pada perusahaan-perusahaan yang bergerak dalam jasa sewa

asrama atau dormitory dimana kegiatan usahanya yeng selalu

membutuhkan perhitungan yang signifikan terhadap informasi untuk

menjalankan sebuah perencanaan usaha yang mereka kelola setiap

Perkembangan asrama di Batam dari tahun ke tahun menunjukan

peningkatan yang signifikan. Kota Batam sebagai kota industri terdapat

meninggalkan kampung halaman untuk datang dan mencari kerja di kota

perusahaan yang sedang mencari pekerja memberikan fasilitas

bangunan tempat tinggal bagi orang – orang yang bersifat homogen,

(Departemen Pendidikan dan Kebudayaan, 1993, 53), Sedangkan menurut

wikipedia.org (2009), asrama adalah suatu tempat penginapan yang

ditujukan untuk anggota suatu kelompok, umumnya murid – murid

sekolah. Asrama biasanya merupakan sebuah bangunan dengan kamar –

kamar yang dapat ditempati oleh beberapa penghuni di setiap kamarnya.

biayanya yang terbilang lebih murah dibandingkan bentuk penginapan

lain, misalnya apartemen.

Menurut The Enyclopedia Americana, asrama yang dikenal dengan

istilah Dormitory, adalah berasal dari kata Dormotorius (Latin), yang

berarti a sleeping place, dengan pengertian bahwa dormitory merupakan

keseluruhan bangunan dalam hubungannya dengan bangunan pendidikan,

Dormitory dalam perusahaan atau organisasi lebih dikenal dengan sebutan

pegawai. Dormitory pada perusahaan atau organisasi biasanya kamar yang

banyak. Tarif sewa di tentukan oleh perusahaan atau organisasi yang

terkadang gratis atau sudah termasuk dalam paket tertentu. Namun

dormitory terkadang disediakan oleh perusahaan untuk karyawan dengan

perusahaan tersebut dengan sewa murah.

PT Megacipta Sejati merupakan perusahaan yang bergerak

dibidang sewa dormitory kepada perusahaan yang memberikan fasilitas

yang beralamat di Jalan Hang Kesturi belakang Cammo Industrial Esate

Blok B, Batam, Kepulauan Riau. Dalam 1 bulan PT Megacipta Sejati

memiliki punghuni sekitar 300 penghuni sampai dengan 400 penghuni

yang tinggal di dormitory. Demikian grafik data penghuni perusahaan PT

Megacipta Sejati di Kota Batam, sebagai berikut:

DATA PENGHUNI 2020

Gambar 1.1 Data Penghuni

Berdasarkan gambar dari grafik data penghuni yang tinggal di PT

Megacipta Sejati Tahun 2020, pada bulan Januari hingga Februari