ALGORITMA C4.5
OLEH :
PADANG
2022
i
LEMBAR PENGESAHAN PENGUJI
(Eka Praja Wiyata Mandala M.Kom) (Eka Praja Wiyata Mandala M.Kom)
ii
ABSTRACT
iii
ABSTRAK
Data mining adalah serangkai proses untuk mengenali proses untuk menggali ilai
tambahan berupa informasi yang selama ini tidak diketahui secara manual dari
suatu basis data. Informasi yang dihasilkan diperoleh dengan cara mengektraksi
dan mengenali pola yang penting atau menarik dari data yang terdapat dari suatu
basis data. Data mining terutama digunakan untuk mencari pengetahuan yang
terdapat dalam basis data yang sangat besar yang sering disebut dengan
Knowladge Discovery Databases(DSS).bisa mengatasi missing value, continue
data pruning. Algoritma C4.5 merupakan salah satu algoritma yang digunakan
untuk membentuk decision tree berdasarkan training data.Algoritma ini
merupakan metode prediksi yang sangat kuat dan terkenal, beberapa
pengembangan yang dilakukan algoritma C4.5 bisa mengatasi missing value,
continue data dan pruning.
iv
KATA PENGANTAR
Dengan memanjatkan puji serta syukur kehadirat Allah SWT yang telah
laporan kegiatan kerja praktek yang berjudul “Penerapan data mining untuk
menggunakan algoritma C4.5” ini dengan baik. Shalawat serta salam kami
sanjungkan kepada nabi besar kita serta suri tauladan kita, yakni nabi Muhammad
SAW, keluarga serta sahabat beliau yang telah membawa kita pada masa yang
penuh kemuliaan.
terimakasi kepada pihak yang telah mendukung dan banyak membantu dalam
menyelesaikan laporan kegiatan kerja prakek ini , untuk itu kami mengucapkan
1. Ibu Dr. Hj. Zerni Melmusi, SE, MM, Ak. CA, selaku Ketua Yayasan
2. Bapak Prof. Dr. H. Sarjon Defit, S.Kom, Msc, selaku Rektor Universitas
4. Bapak Eka Praja Wiyata Mandala S.Kom, M.Kom selaku Ketua Program
v
5. Terimakasih Kepada Toko Pecah Belah Jurang BS telah membantu
Penulis sadar bahwa laporan ini tentu jauh dari kata sempurna, namun dengan
segala kerendahan hati penulis sangat mengharapkan kritikan serta saran yang
Akhir kata kami sebagai penulis berharap, semoga laporan ini dapat
bermanfaat, khususnya bagi penulis sendiri dan umumnya bagi para pembaca
Penulis
vi
DAFTAR ISI
HALAMAN JUDUL.........................................................................................i
ABSTRACT.......................................................................................................iii
ABSTRAK.........................................................................................................iv
KATA PENGANTAR.......................................................................................v
DAFTAR ISI......................................................................................................vii
DAFTAR TABEL..............................................................................................x
DAFTAR GAMBAR.........................................................................................xi
DAFTAR LAMPIRAN.....................................................................................xiii
BAB I PENDAHULUAN................................................................................1
vii
2.2 Algoritma C4.5..............................................................................................8
5.1 Implementasi................................................................................................34
viii
5.2.4 Verifikasi Tree........................................................................39
ix
DAFTAR TABEL
x
DAFTAR GAMBAR
Gambar 5.9 proses Open file.CSV pada aplikasi Weka pada BAB 5..............38
xi
DAFTAR LAMPIRAN
xii
BAB I
PENDAHULUAN
Banyak orang membicarakan tentang bisnis, keuntungan bisnis serta banyak nya
jenis bisnis yang beraneka ragam yang tentu memiliki satu tujuan yaitu mendapatkan
keuntungan secara finansial atau laba. Dengan begitu banyak jenis bisnis dan manfaat
yang bisa di ambil dari bisnis tentu seringkali kita merasa ingin segera terjun ke dunia
bisnis untuk mendapatkan keuntungan atau lebih spesifik yaitu penghasilan. Salah satu
penyimpanan data penjualan, sehingga banyak data transaksi akan dihasilkan. Data
transaksi yang ada dalam database penjualan barang menyimpan jumlah data transaksi
penjualan yang memiliki volume yang sangat besar sehingga menyebabkan jumlah data
terus menerus bertambah setiap hari. Dari penumpukkan data yang tejadi dapat digali
untuk menemukan pola-pola penjualan barang yang dapat digunakan untuk menganalisa
lancarannya penjualam. Prediksi ini sangat berguna untuk menentukan berapa banyak
barang yang akan dipesan pada bulan selanjutnya. Permasalahan yang umum dihadapi
menentukan target penjualan yang harus dicapai. Perencanaan yang efektif baik untuk
jangka panjang maupun jangka pendek bergantung pada peramalan permintaan untuk
13
produk yang akan dijual. Untuk menghasilkan prediksi yang tepat tentu saja dibutuhkan
Salah satu cara yang dapat digunakan dalam membaca pembeli tersebut adalah
menggunakan Data Mining, yaitu untuk membaca pola pembelian pelanggan dengan
cepat dan tepat. Kemudian metode yang akan digunakan adalah Algoritma C4.5, dimana
metode ini dapat membantu penjual untuk mendapatkan informasi yang memiliki potensi
kuat, cepat, dan akurat yang bisa digunakan untuk meningkatkan efektivitas seperti
penambahan stok barang yang cukup untuk dijual kedepannya. Berdasarka hal tersebut,
maka penulis ingin mengetahui bagaimana pola Pengelompokan B yang terjadi di Toko
Berdasarkan uraian yang telah dipaparkan pada latar belakang masalah maka
Bagaimana pola Pengelompokan Barang pada Toko Pecah Belah UD.Juragan BS.
1.3 Hipotesa
Adapun hipotesa yang dapat dari rumusan masalah yang telah dikemukakan
penulis yaitu dengan diterapkannya metode Algoritma C4.5 ini, dapat mempermudah
Toko dalam Pengelompokan Barang untuk perkiraan stok barang akan datang.
14
Untuk menghindari adanya penyimpangan maupun pelebaran pokok masalah
dalam penyusunan penelitian ini maka peneliti memberikan batasan masalah, yaitu:
a. Penelitian ini hanya sebagai alat bantu bagi pihak penjualan dalam menentukan
b. Dalam melakukan penelitian ini hal yang paling dipentingkan adalah teknik data
mining.
Dalam melaksanakan penelitian ini tujuan yang ingin dicapai, adapun diantaranya
adalah :
1. Memperkenalkan data mining sebagai salah satu cara dalam menentukan produk
2. Membantu isntansi untuk dapat mengetahui produk terlaris dan persediaan yang
mendatang
15
4. Dapat menerapkan secara langsung teori yang didapat selama perkulihan dan
mendalaminya dilapangan
Toko pecah belah UD.Juragan BS berdiri sejak tahun 2017 , yang dimana toko
Sumatera barat25153 dan sekarang Toko pecah belah UD.Juragan BS sudah berjalan 5
tahun siap bersaing dengan usaha usaha sejenisnya di area kecamatan Lubuk begalung .
Toko pecah belah UD.Juragan BS ini pada awalnya memiliki 3 karyawan dan seiring
berjalannya waktu pada saat ini Toko pecah belah UD.Juragan BS sendiri yang langsung
dikelola oleh Bapak Agus selaku yang punya toko . Toko pecah belah UD.Juragan BS
sendiri apabila barang yang di toko sudah mulai kurang maka yang punya toko akan order
barang barang ke tempat biasa toko mengorder barang setiap dua minggu sekali .Dalam
proses Toko pecah belah UD.Juragan BS mengambil keuntungan 10-20% dari harga
modal barang
BAB II
LANDASAN TEORI
16
2.1 Konsep dasar Data Mining
Data mining adalah kegiatan menemukan pola yang menarik dari data dalam
jumlah besar, data dapat disimpan dalam database, data warehouse, atau penyimpanan
informasi lainnya. Data mining berkaitan dengan bidang ilmu – ilmu lain, seperti database
komputasi tingkat tinggi. Selain itu, data mining didukung oleh ilmu lain seperti neural
network, pengenalan pola, spatial data analysis, image database, signal processing (Han,
2006). Data mining didefinisikan sebagai proses menemukan pola-pola dalam data.
Proses ini otomatis atau seringnya semiotomatis. Pola yang ditemukan harus penuh arti
dan pola tersebut memberikan keuntungan, biasanya keuntungan secara ekonomi. Data
1. Data mining berhubungan dengan penemuan sesuatu yang tersembunyi dan pola
2. Data mining biasa menggunakan data yang sangat besar. Biasanya data yang besar
3. Data mining berguna untuk membuat keputusan yang kritis, terutama dalam
strategi
17
Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi beberapa tahap
Pembersihan data merupakan proses menghilangkan noise dan data yang tidak
konsisten atau data tidak relevan. Pada umumnya data yang diperoleh, baik dari
tidak sempurna seperti data yang hilang, data yang tidak valid atau juga hanya
sekedar salah ketik. Selain itu, ada juga atribut-atribut data yang tidak relevan
dengan hipotesa data mining yang dimiliki. Data-data yang tidak relevan itu juga
lebih baik dibuang. Pembersihan data juga akan mempengaruhi performasi dari
teknik data mining karena data yang ditangani akan berkurang jumlah dan
kompleksitasnya.
18
Integrasi data merupakan penggabungan data dari berbagai database ke dalam
satu database baru. Tidak jarang data yang diperlukan untuk data mining tidak
hanya berasal dari satu database tetapi juga berasal dari beberapa database atau
entitas-entitas yang unik seperti atribut nama, jenis produk, nomor pelanggan dan
lainnya. Integrasi data perlu dilakukan secara cermat karena kesalahan pada
berbeda maka akan didapatkan korelasi antar produk yang sebenarnya tidak ada.
Data yang ada pada database sering kali tidak semuanya dipakai, oleh karena itu
hanya data yang sesuai untuk dianalisis yang akan diambil dari database. Sebagai
contoh, sebuah kasus yang meneliti faktor kecenderungan orang membeli dalam
kasus market basket analysis, tidak perlu mengambil nama pelanggan, cukup
Data diubah atau digabung ke dalam format yang sesuai untuk diproses dalam
data mining. Beberapa metode data mining membutuhkan format data yang
seperti analisis asosiasi dan clustering hanya bisa menerima input data
dibagibagi menjadi beberapa interval. Proses ini sering disebut transformasi data.
19
Untuk mengidentifikasi pola-pola menarik kedalam knowledge based yang
ditemukan. Dalam tahap ini hasil dari teknik data mining berupa pola-pola yang
khas maupun model prediksi dievaluasi untuk menilai apakah hipotesa yang ada
memang tercapai. Bila ternyata hasil yang diperoleh tidak sesuai hipotesa ada
beberapa alternatif yang dapat diambil seperti menjadikannya umpan balik untuk
memperbaiki proses data mining, mencoba metode data mining lain yang lebih
sesuai, atau menerima hasil ini sebagai suatu hasil yang di luar dugaan yang
mungkin bermanfaat.
atau aksi dari hasil analisis yang didapat. Ada kalanya hal ini harus melibatkan
orang-orang yang tidak memahami data mining. Karenanya presentasi hasil data
mining dalam bentuk pengetahuan yang bisa dipahami semua orang adalah satu
tahapan yang diperlukan dalam proses data mining. Dalam presentasi ini,
2.2 Klasifikasi
Klasifikasi berasal dari bahasa latin yaitu classis yang artinya pengelompokan
benda yang sama serta memisahkan benda yang tidak sama.Secara harfiah arti
berdasarkan ciri-ciri yang sama , misalnya pengarang, fisik, isi dan sebagainya.
20
Menurut Bafadal (2009:51) klasifikasi adalah suatu proses memilih dan
1. Sistem Klasifikasi
yaitu:
tertentu.
berdekatan
21
2) Dapat digunakan sebagai bahan petimbangan dalam menilai koleksi
yang dimiliki dengan melihat subjek mana yang lemah dan mana
yang kuat
subjeknya.
22
Klasifikasi fundamental banyak digunakan perpustakaan besar
2. Fungsi klasifikasi
jajaran koleksi.
3. Tujuan Klasifikasi
kembali informasi.
1
b. Mengumpulkan semua bahan perpustakaan yang memiliki
memprediksi atau mengklarifikasi yang sangat kuat karena pohon keputusan dapat
dapat mengolah data numerik (kontinyu) dan diskret dan mampu menangani
hasil evaluasi nilai entropy yang dinyatakan dengan rumus sebagai berikut ini
n
Entropy ( S ) =∑ (−Pi )∗log 2 ( Pi )
i=1
Keterangan
S : Himpunan Kasus
N : Jumlah partisi atribut S
Pi :Proporsi dari Si Terhadap S
2
n
|Si|
Gain ( S , A )=Entropy ( s )− ∑ ∗Entropy ( S i )
i=12 |S|
Keteragan
S : Himpuana Kasus
A : Atribut
n : Jumlah Partisi atribut A
|Si|: Jumlah Kahusu Pada partisi ke-i
|S| : jumlah Kasus dalam S
a. Memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari
gain tertinggi untuk masing-masing cabang kasus sampai tidak bisa lagi
3. Fleksibel untuk memilih fitur dari internal node yang berbeda, fitur
dengan menggunakan kriteria yang jumlahnya lebih sedikit pada setiapnode internal
yang diperlukan.
yang besar.
2.3 Penjualan
4
1. Pengertian Penjualan
ditetapkan.
2. Tujuan Penjualan
mengalami kerugian.
5
a. Tujuan yang dirancang untuk meningkatkan volume
3. Pengertian Produktivitas
6
barang yang akan diproduksi. Jika sumber yang digunakan dengan
tinggi.
7
pembelinya agar dapat berhasil mencapai sasaran penjualan
b. Kondisi Pasar
kebutuhannya.
c. Modal
tersebut.
e. Faktor lain
8
Faktor-faktor lain, seperti periklanan, peragaan,
BAB III
METODOLOGI PENELITIAN
terkoneksi secara detai dan sistematis. Tujuan dari dibuatnya kerangka penelitian
ini agar penelitian lebih mudah dipahami dan penyusunannya dalam laporan bisa
Pendahuluan
Pengambilan data
Analisa
Pegolahan Data
Implementasi
Pengujian 9
Gambar 3.1 Kerangka Penelitian
ini melakukan identifikasi masalah yang terdapat pada objek. Objek yang akan
Juragan BS. Dimana pada pecah belah UD Juragan BS ini menjual berbagai
Sehingga penulis menggunakan Algoritma C4.5 pada penelitian ini yang akan
Juragan BS.
digunakan sebagai gambaran bagi toko Pecah Belah Jurang BS dalam mengelola
data penjualanan produk., serta dapat memprediksi penjualanan dihari atau bulan
dan yang kurnag diminati dapat dikurangi stock-nya pada bulan selanjutnya.
a. Waktu Penelitian
judul penelitian yang akan diangkat dari Program Studi. Kegiatan ini
10
dimulai pada November 2022. Pada awal Praktik keja Lapangan
1 2
1 Penelitian
Pendahuluan
2 Pengumpulan
Data
3 Analisa
4 Pengolahan Data
5 Implementasi
6 Pengujian
b. Tempat Penelitian
c. Metode Penelitian
11
pengumpulan data, penulis menggunakan metode penelitian Studi
Literatur.
nantinya.
a. Analisa Data
b. Analisis Proses
12
Berdasakan Analisis data yang telah dijabarkan, maka digunakan
perhitungannya.
3. Ram 4GB
4. Hardisk 1TB
melaksanakan rencana yang telah dibuat secara baik dan cermat untuk mengukur
13
dilakukan menggunakan Aplikasi Software WEKA dan menggunakan metode
Algrotima C4.5
pencarian yang dilakukan sebelumnya sudah sesuai dengan hasil yang diinginkan
Software WEKA
BAB IV
Data yang diperoleh dari Toko pecah belah UD Juragan BS yaitu sebanyak
14
Rak Piring Alat dapur Standar Kurang Laris Mahal 5
Rak Kamar Mandi Alat kamar mandi Baik Kurang Laris Murah 11
16
Piring Alat ruang tamu Baik Terlaris Murah 19
17
Mahal
Dari format data yang diperoleh maka akan dilakukan klasifikasi data
algoritma C4.5 untuk membuat pohon keputusan. Pada data yang diperoleh lalu
kendaraan, jenis kendaraan,tahun buat kendaraan, plat dasar kenda raan. Untuk
memilih atribut sebagai akar, didasarkan pada nilai Gain tertinggi dari atribut
yang ada.
Murah 38
Terbaik 24 Terlaris 50
Standar 28
18
4.1.2 Analisa Proses
sebagai berikut :
Untuk menentukan akar pohon keputusan yaitu didapatkan dari nilai gain
tertinggi dari atribut-atribut yang ada, dibutuhkan nilai entropy untuk menentukan
Total 83 50 33 0.969523583
1 Harga 0.012848657
Mahal 15 7 8 0.996791632
Standar 18 11 7 0.964078765
Murah 12 8 4 0.918295834
Kategor
0.203969561
i
19
Alat kamar
13 1 12 0.391243564
mandi
Kualitas 0.165774438
Terbaik 24 20 4 0.650022422
Baik 31 22 9 0.869137581
Standar 28 8 20 0.863120569
Entropy (Harga, Mahal) ( −715 × log 157 )+( −815 × log 158 )= 0.996791632
2 2
20
Entropy (Kategori ,Alat dapur) ( −38
48
× log
38
48 )2+(
−18
48
×log
48 )
18
= 2
0.954434003
0.391243564
0.574635698
21
Dari hasil perncarian diketahui atribut dengan gain tertinggi adalah
kategori yaitu 0.203969561 dengan demikian jenis menjadi akar , adapun pohon
keputusan yang terbentuk dari pencarian node 1 adalah seperti gambar 4.2.
Kategori
Alat dapur
pada atribut kategori belum terdapat keputusan maka dilakukan perhitungan node
untuk kategori alat dapur, alat kamar mandi dan alat ruang tamu seperti dibawah
ini
22
dapur) 3
0.05424745
1.1 Harga
5
0.98522813
Mahal 7 3 4
6
0.77934983
Standar 13 10 3
7
0.98522813
Murah 7 3 4
6
0.07709005
Kualitas
4
Terbaik 9 5 4 0.99107606
0.75537541
Baik 23 18 5
3
0.98869940
Standar 16 7 9
8
23
Entropy (Harga , sangat Mahal ) = ( −14
21
×log
14
21 ) +(
2
−7
21
× log
21 )
7
= 2
0.918295834
Entroppy (kualitas, Terbaik) = ( −59 × log 59 )+( −49 × log 49 )=¿ 0.99107606
2 2
Entropy (kualitas, Standar) =( −716 × log 167 )+( −916 × log 169 )=¿ 0.988699408
2 2
24
Dari hasil perncarian diketahui atribut dengan gain tertinggi adalah
pohon keputusan yang terbentuk dari pencarian node 1.1 adalah seperti gambar 2.
Kategori
Alat kamar
mandi 1.2
Kualitas ?
?
Terbaik
Standar
Baik
selanjutnya pencarian untuk akar kategori dari jumlah atribut yang tersisa pada
25
Tabel 4.8 Perhitungan node 1.2
Sangat Mahal 5 0 5 0
Mahal 3 0 3 0
Standar 4 0 4 0
Murah 1 1 0 0
Kualitas 0.030477722
Terbaik 0 0 0 0
Baik 3 0 3 0
Standar 10 1 9 0.468995594
Entropy (harga, Sangat Mahal) = ( −05 × log 05 )+( −55 ×log 55 )=¿ 0
2 2
26
Entropy (harga , Murah) = ( −11 × log 11 )+( −01 × log 01 )=¿ 0
2 2
Entropy (kualitas , Standar) ( −110 × log 101 )+(−910 × log 109 )=0.468995594
2 2
Gain (total, Harga) = 0.391243564- ( 135 × 0)+( 133 × 0)+( 134 ×0)+( 131 ×0) =
0.391243564
Gain (total, kualitas ) = 0.391243564− ( 130 ×0)+( 133 × 0)+( 1013 × 0)=
0.030477722
Dari hasil perncarian diketahui atribut dengan gain tertinggi adalah Harga
keputusan yang terbentuk dari pencarian node 1.2 adalah seperti gambar 4.4.
Kategori
Alat kamar
mandi 1.2
Kualitas ?
Harga
Terbaik
Standar
Baik Murah
perhitungan node1.2
selanjutnya pencarian untuk akar kategori dari jumlah atribut yang tersisa pada
0.05600344
1.3 Harga
6
Sangat 0.65002242
12 10 2
Mahal 2
0.72192809
Mahal 5 4 1
5
Standar 1 1 0 0
Murah 4 4 0 0
0.41056113
Kualitas
1
Terbaik 15 15 0 0
28
0.72192809
Baik 5 4 1
5
Standar 2 0 2 0
0.650022422
Mencari gain dengan menggunakan hasil pencarian nilai entropy seperti dibawah
ini:
Pada node 1.3 telah dilakukan pencarian entropy dan gain, dari hasil
pencarian didapatkan nilai gain kualitas yaitu 0.410561131 nilai gain tertinggi
yang akan menjadi adapun pohon keputusan yang terbentuk dari pencarian node
Terbaik Baik
Terbaik
Standar Daerah
Baik
Mahal
Standar
30
dari gambar 4.5 hasil pohon keputusan terlihat atribut kualitas pada terbaik, baik,
dan kualitas belum ada keputusan maka dilakukan pencarian dengan node 1.1.1,
Total Kualitas
9 5 4 0.99107606
(Terbaik)
Mahal 2 1 1 1
Standar 0 0 0 0
Murah 1 0 1 0
31
Selanjutnya melakukan pencarian gain dari pencarian nilai entropy
Mahal 3 1 2 0.918295834
Standar 10 9 1 0.468995594
Murah 3 2 1 0.918295834
Entropy (harga, Standar) ( −910 ×log 109 )+( −110 × log 1 10 )=0.468995594
2 2
32
Entropy (harga,Murah) ( −23 × log 23 )+( −13 × log 13 )=0.918295834
2 2
Total Kualitas
16 7 9 0.988699408
(Standar)
Sangat Mahal 8 4 4 1
Mahal 2 1 1 1
Standar 3 1 2 0.918295834
Murah 3 1 2 0.918295834
33
Entropy (harga, Sangat Mahal) ( −48 × log 48 )+(−48 × log 48 )=1
2 2
Gain (total , harga) = 0.988699408 - ( 168 × 1)+( 162 ×1)+( 163 ×0.918295834 )
+ ( 163 ×0.918295834 ) = 0.019338471
Dari hasil penghitungan atribut node 1.1.1, node 1.1.2 dan node 1.1.3 dapat dilihat
gain tertinggi yaitu daerah maka dari itu hasil akhir dari pohon keputusan dpat
Sangat Mahal
34
Murah
Mahal
KL
Standar
dari hasil pohon keputusan pada gambar 4.6 terlihat atribut kualitas buat belum
memiliki keputusan maka dilakukan pencarian pada cabang atribut tahun buat
35
Tabel 4.13 Perhitungan node 1.1.1.1
0.72192809
Total Kualitas (Baik) 5 4 1
5
Sangat Mahal 3 3 0 0
Mahal 1 0 1 0
Standar 1 1 0 0
Murah 0 0 0 0
Entropy (harga, Sangat Mahal) ( −33 × log 33 )+( −03 × log 03 )=0
2 2
36
Entropy (harga, Standar) ( −11 × log 11 )+( −01 × log 01 )=0
2 2
0.721928095
Kategori
Alat ruang tamu 1.3
Alat dapur 1.1 Standar
Alat kamar
mandi 1.2 Kualitas KL
Kualitas Terbaik
Standar
baik
Terbaik
TL
Daerah
Baik TL TL
TL
Murah
Sangat Mahal
37
Mahal
KL Standar TL
KL
KL TL
Dari hasil pohon keputusan perhitungan node 1.3.1 tidak ada lagi yang akan
menjadi atribut akar, maka perhitungan dihentikan. Rule yang terbentuk hasil dari
• IF Kategori= Alat kamar mandi AND Harga= Sanggat Mahal THEN Kurang Terlaris
• IF Kategori= Alat kamar mandi AND Harga = Mahal THEN Kurang laris
• IF Kategori= Alat kamar mandi AND Harga = Murah THEN Kurang laris
• IF Kategori= Alat ruang tamu AND Kualitas= Standar THEN Kurang laris
BAB V
38
IMPLEMENTASI DAN PENGUJIAN
5.1 Implementasi
dan memastikan apakah hasil dari analisa secara manual yang dilakukan sesuai
pengolahan data yang dilakukan secara manual, maka dapat digunakan salah satu
1. open master WEKA dengan klik double pada master weka setelah itu
klik next
2. Klik tombol “I Agree” Untuk melanjutkan proses penginstallan
39
Gambar 5.2 instalasi aplikasi weka 2
4. Lanjutkan dengan pilih folder directory, Jika sudah Klik “Next >”
40
Gambar 5.4 instalasi aplikasi weka 4
6. Tunggu Proses Instalasi Selesai.
41
Gambar 5.6 instalasi aplikasi weka 6
8.Instalasi Selesai dan Siap digunakanKlik Finish Software akan langsung
running atau dijalankan.
42
Gambar 5.8 tampilan utama aplikasi weka
5.2 Pengujian
43
Gambar 5.10 hasil open file .csv
44
Gambar 5.12 verifikasi tree
45
BAB VI
PENUTUP
6.1 Kesimpulan
sebagai berikut :
didapat dari toko dan melakukan pencarian gain dari 4 atribut yang
sama dengan pencarian yang dilakukan secara manual. Oleh karena itu,
6.2 Saran
46
1. Penulis mengharapkan adanya penerapan Metode Data Mining
fleksibel, karena itu jika tidak memiliki waktu yang cukup, penulis
menghemat waktu.
47
DAFTAR PUSTAKA
Sukses Manajemen Penjualan - Google Books. (n.d.). Retrieved May 27, 2021,
from
https://www.google.co.id/books/edition/Sukses_Manajemen_Penjualan/
kgpscffu96sC?hl=id&gbpv=0
https://idcloudhost.com/apa-itu-data-mining-definisi-fungsi-metode-dan-
penerapannya/
Pengertian dan Sejarah Algoritma. (n.d.). Retrieved May 27, 2021, from
https://www.stebisigm.ac.id/berita223-Pengertian-dan-Sejarah-
Algoritma.html
(Eska, 2016)(Iriadi & Nuraeni, 2016)Algoritma, C., Carolina, A., Ade, K., &
48
Menggunakan Algoritma C4.5 STMIK Royal Ksiaran. JURTEKSI (Jurnal
Iriadi, N., & Nuraeni, N. (2016). Kajian Penerapan Metode Klasifikasi Data
Kelayakan Kredit Pada Bank. Jurnal Teknik Komputer AMIK BSI, II(1),
132–137.
(Algoritma et al., 2020)Algoritma, C., Carolina, A., Ade, K., & Kunci, K.
LAMPIRAN
49
2. Lampran JUDUL yang di ACC
50
3. Lampiran Biodata Penulis
51
Nama : Elmo rizanda
Alamat : Belilas
Agama : Islam
No Telepon : 082283830015
2. SMPN 2 Seberida
3. SMAN 1 Seberida
Padang
52