PENERAPAN DATA MINING UNTUK KLASIFIKASI TOKO PECAH

BELAH UD. JURAGAN BS DENGAN MENGGUNAKAN METODE

ALGORITMA C4.5

LAPORAN PRAKTEK KERJA LAPANGAN

TEKNIK INFORMATIKA STRATA 1

OLEH :

ELMO RIZANDA : 19101152630053

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER

UNIVERSITAS PUTRA INDONESIA “YPTK”

PADANG

2022

i
 LEMBAR PENGESAHAN PENGUJI

ELMO RIZANDA : 19101152630125

PROGRAM STUDI TEKNIK INFORMATIKA

Praktek Kerja Lapangan ini telah dinyatakan LULUS oleh

Penguji Materi Program Studi Strata 1 Ilmu Komputer

Program Studi Teknik Informatika

Universitas Putra Indonesia “YPTK” Padang

Padang, Desember 2022

Mengetahui, Disetujui Oleh

Ketua Program Studi, Dosen Pembimbing

(Eka Praja Wiyata Mandala M.Kom) (Eka Praja Wiyata Mandala M.Kom)

NIDN : 1014088502 NIDN : 1014088502

ii
 ABSTRACT

Data mining is a series of processes to identify processes to explore additional

value in the form of information that has not been known manually from a
database. The information generated is obtained by extracting and recognizing
important or interesting patterns from the data contained in a database. Data
mining is mainly used to search for knowledge contained in a very large database
which is often called the Knowladge Discovery Databases (DSS). It can overcome
missing values, continue data pruning. C4.5 Algorithm is one of the algorithms
used to form decision trees based on training data. This algorithm is a very strong
and well-known prediction method, a number of developments made by the C4.5
algorithm can overcome missing values, continue data and pruning.

Keyword: Data Mining, C4.5 Algorithm

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.

Kata Kunci : Data Mining, Algoritma C4.5

iv
 KATA PENGANTAR

Assalamu’alaikum Warahmatullahi Wabarokatuh.

Dengan memanjatkan puji serta syukur kehadirat Allah SWT yang telah

memberikan rahmat serta karuunia-Nya, dan yang telah memberikan pengajaran

kepada manusia dengan perantara kalam-Nya. Sehingga saya dapat menyelesaikan

laporan kegiatan kerja praktek yang berjudul “Penerapan data mining untuk

Klasifikasi penjualan pada Toko Pecah Belah Jurang BS dengan

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.

Pada kesempatan ini, kami sebagai penulis ingin mengutarakan rasa

terimakasi kepada pihak yang telah mendukung dan banyak membantu dalam

menyelesaikan laporan kegiatan kerja prakek ini , untuk itu kami mengucapkan

terima kasih kepada :

1. Ibu Dr. Hj. Zerni Melmusi, SE, MM, Ak. CA, selaku Ketua Yayasan

Perguruan Tinggi Komputer Padang.

2. Bapak Prof. Dr. H. Sarjon Defit, S.Kom, Msc, selaku Rektor Universitas

Putra Indonesia YPTK Padang

3. Bapak Dr. Yuhandri, S.Kom, M.Kom, selaku Dekan Fakultas Ilmu

Komputer Universitas Putra Indonesia YPTK Padang

4. Bapak Eka Praja Wiyata Mandala S.Kom, M.Kom selaku Ketua Program

Studi Teknik Informatika Universitas Pua Indonesia YPTK Padang

v
 5. Terimakasih Kepada Toko Pecah Belah Jurang BS telah membantu

kami dengan memberikan informasi dan data-data yang kami

butuhkan dan di gunakan dalam menyelesaikan laporan PKL ini.

Penulis sadar bahwa laporan ini tentu jauh dari kata sempurna, namun dengan

segala kerendahan hati penulis sangat mengharapkan kritikan serta saran yang

bersifat membangun dari para pembaca laporan ini.

Akhir kata kami sebagai penulis berharap, semoga laporan ini dapat

bermanfaat, khususnya bagi penulis sendiri dan umumnya bagi para pembaca

yang membutuhkan. Aamiin ya Robbal’alamin.

Padang, 27 Oktober 2022

Penulis

vi
 DAFTAR ISI

HALAMAN JUDUL.........................................................................................i

HALAMAN PENGESAHAN PENGUJI .......................................................ii

ABSTRACT.......................................................................................................iii

ABSTRAK.........................................................................................................iv

KATA PENGANTAR.......................................................................................v

DAFTAR ISI......................................................................................................vii

DAFTAR TABEL..............................................................................................x

DAFTAR GAMBAR.........................................................................................xi

DAFTAR LAMPIRAN.....................................................................................xiii

BAB I PENDAHULUAN................................................................................1

1.1 Latar Belakang Masalah................................................................................1

1.2 Perumusan Masalah......................................................................................2

1.3 Hipotesa .......................................................................................................2

1.4 Batasan Masalah............................................................................................3

1.5 Tujuan Penelitian .........................................................................................3

1.6 Manfaat Penelitian .......................................................................................3

1.7 Gambaran Umum Perusahaan ......................................................................4

BAB II LANDASAN TEORI..........................................................................5

2.1 Konsep dasar Data Mining ...........................................................................5

2.1.1 Karakteristik Data Mining .............................................................5

2.1.2 Tahap-tahap Data Mining .............................................................6

vii
2.2 Algoritma C4.5..............................................................................................8

2.2.1 Penjelasan Algoritma C4.5 ............................................................8

2.2.2 Langkah menggunakan Algoritma C4.5........................................9

2.2.3 Kelebihan dan Kekurangan Algoritma C4.5..................................10

BAB III METODOLOGI PENELITIAN......................................................12

3.1 Kerangka Penelitian......................................................................................12

3.2 Tahapan Penelitian .......................................................................................13

3.2.1 Penelitian Pendahuluan ................................................................13

3.2.2 Pengumpulan Data .......................................................................13

3.2.3 Analisa ...........................................................................................15

3.2.4 Perancangan ..................................................................................15

3.2.5 Implementasi .................................................................................16

3.2.5 6Pengujian .....................................................................................16

BAB IV ANALISA DAN PERANCANGAN.................................................17

4.1 Analisa .........................................................................................................17

4.1.1 Analisa Data ..................................................................................17

4.1.2 Analisa Proses ...............................................................................20

BAB V IMPLEMENTASI DAN PENGUJIAN ...........................................34

5.1 Implementasi................................................................................................34

5.1.1 Langkah-Langkah Instalasi ....................................................34

5.2 Pengujian ....................................................................................................38

5.2.1 Input Data ..............................................................................38

5.2.2 Hasil Open File ......................................................................38

5.2.3 Variabel Aktif ........................................................................39

viii
 5.2.4 Verifikasi Tree........................................................................39

BAB VI PENUTUP `........................................................................................41

6.1 Kesimpulan ................................................................................................41

6.2 Saran ............................................................................................................41

DAFTAR PUSTAKA .......................................................................................43

ix
 DAFTAR TABEL

Tabel 3.1 Jadwal Penelitian.............................................................................14

Tabel 4.1 Data Penjualan.................................................................................17

Tabel 4.2 Tabel Daerah.....................................................................................19

Tabel 4.3 Tabel Kualitas...................................................................................19

Tabel 4.4 Tabel Kategori..................................................................................19

Tabel 4.5 Tabel Keputusan...............................................................................19

Tabel 4.6 Tabel Perhitungan node 1.................................................................20

Tabel 4.7 Tabel Perhitungan node 1.1..............................................................22

Tabel 4.8 Tabel Perhitungan node 1.2..............................................................24

Tabel 4.9 Tabel Perhitungan node 1.3..............................................................26

Tabel 4.10 Tabel Perhitungan node 1.1.1.........................................................27

Tabel 4.11 Tabel Perhitungan node 1.1.2.........................................................28

Tabel 4.12 Tabel Perhitungan node 1.1.3.........................................................29

Tabel 4.13 Tabel Perhitungan node 1.3.1.........................................................31

x
 DAFTAR GAMBAR

Gambar 3.1 : kerangka penelitian.....................................................................12

Gambar 4.1 Rumus Pencarian entropy pada BAB 4........................................20

Gambar 4.2 Pohon Keputusan node 1 pada BAB 4..........................................22

Gambar 4.3 Pohon Keputusan node 1.1 pada BAB 4.......................................24

Gambar 4.4 Pohon Keputusan node 1.2 pada BAB 4.......................................25

Gambar 4.5 Pohon Keputusan node 1.3 pada BAB 4.......................................27

Gambar 4.6 Pohon Keputusan node 1.1.1,1.1.2,1.1.3 pada BAB 4..................30

Gambar 4.7 Pohon Keputusan node 1.3.1 pada BAB 4....................................32

Gambar 5.1 instalasi aplikasi weka 1 pada BAB 5...........................................34

Gambar 5.2 instalasi aplikasi weka 2 pada BAB 5...........................................35

Gambar 5.3 instalasi aplikasi weka 3 pada BAB 5...........................................35

Gambar 5.4 instalasi aplikasi weka 4 pada BAB 5...........................................36

Gambar 5.5 instalasi aplikasi weka 5 pada BAB 5...........................................36

Gambar 5.6 instalasi aplikasi weka 6 pada BAB 5..........................................37

Gambar 5.8 tampilan utama aplikasi weka pada BAB 5.................................38

Gambar 5.9 proses Open file.CSV pada aplikasi Weka pada BAB 5..............38

Gambar 5.10 hasil open file .csv BAB 5..........................................................39

Gambar 5.11 variabel aktif pada BAB 5..........................................................39

Gambar 5.12 verifikasi tree pada BAB 5..........................................................40

xi
 DAFTAR LAMPIRAN

Lampiran 1 KRS Penulis..................................................................................44

Lampiran 2 Bukti Judul ACC...........................................................................47

Lampiran 3 Biodata Penulis..............................................................................48

xii
 BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

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

contoh bisnis adalah berjualan.

Di era sekarang hampir semua toko menggunakan sistem komputerisasi dalam

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

pasar dan meramalkan penjualan pada waktu yang akan datang.

Prediksi jumlah penjualan merupakan faktor penting yang menentukan

lancarannya penjualam. Prediksi ini sangat berguna untuk menentukan berapa banyak

barang yang akan dipesan pada bulan selanjutnya. Permasalahan yang umum dihadapi

oleh toko adalah bagaimana memprediksi penjualan barang di masa mendatang

berdasarkan data penjualan sebelumnya. Prediksi tersebut sangat berpengaruh untuk

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

kecermatan dan ketelitian.

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

pecah belah UD.Juragan BS

1.2 Perumusan Masalah

Berdasarkan uraian yang telah dipaparkan pada latar belakang masalah maka

diperoleh rumusan masalah sebagai berikut :

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.

1.4 Batasan Masalah

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

produk mana yang banyak diminati konsumen.

b. Dalam melakukan penelitian ini hal yang paling dipentingkan adalah teknik data

mining.

c. Metode yang digunakan dalam proses penelitian yaitu Algoritma C4.5.

1.5 Tujuan Penelitian

Dalam melaksanakan penelitian ini tujuan yang ingin dicapai, adapun diantaranya

adalah :

1. Memperkenalkan data mining sebagai salah satu cara dalam menentukan produk

terlaris pada suatu Toko.

2. Membantu isntansi untuk dapat mengetahui produk terlaris dan persediaan yang

akan distok untuk akan datang.

1.6 Manfaat Penelitian

Manfaat dari penelitian ini yaitu :

1. Menambah wawasan dan pengetahuan tentang algoritma C4.5 untuk prediksi

tingkat penjualan barang.

2. Dapat digunakan untuk mengetahui tingkat penjualan barang pada masa

mendatang

3. Sistem yang dibangun dapat membantu memberikan keputusan dalam suatu

masalah dengan menghemat waktu

15
 4. Dapat menerapkan secara langsung teori yang didapat selama perkulihan dan

mendalaminya dilapangan

1.7 Gambaran Umum Object Penelitian

Toko pecah belah UD.Juragan BS berdiri sejak tahun 2017 , yang dimana toko

tersebut beralamat Jl.Kp.kalawi No.Kel Lubuk Lintah,Kec.Kuranji, Kota Padang,

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

system, data warehousing, statistik, machine learning, information retrieval, dan

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

yang dibutuhkan dalam jumlah besar (Witten, 2005).

2.1.1 Karekteristik Data Mining

Karakteristik data mining sebagai berikut (Davies, 2004) :

1. Data mining berhubungan dengan penemuan sesuatu yang tersembunyi dan pola

data tertentu yang tidak diketahui sebelumnya.

2. Data mining biasa menggunakan data yang sangat besar. Biasanya data yang besar

digunakan untuk membuat hasil lebih dipercaya.

3. Data mining berguna untuk membuat keputusan yang kritis, terutama dalam

strategi

2.1.2 Tahap-tahap pada Data Mining

17
 Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi beberapa tahap

yang diilustrasikan di Gambar 2.1 Tahap-tahap tersebut bersifat interaktif, pemakai

terlibat langsung atau dengan perantaraan knowledge base

Gambar 2.1 Tahap – tahap Data Mining

Tahap-tahap data mining ada 6 yaitu :

1. Pembersihan data (data cleaning)

Pembersihan data merupakan proses menghilangkan noise dan data yang tidak

konsisten atau data tidak relevan. Pada umumnya data yang diperoleh, baik dari

database suatu perusahaan maupun hasil eksperimen, memiliki isian-isian 9 yang

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.

2. Integrasi data (data integration)

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

file teks. Integrasi data dilakukan pada atribut-aribut yang mengidentifikasikan

entitas-entitas yang unik seperti atribut nama, jenis produk, nomor pelanggan dan

lainnya. Integrasi data perlu dilakukan secara cermat karena kesalahan pada

integrasi data bisa menghasilkan hasil yang menyimpang dan bahkan

menyesatkan pengambilan aksi nantinya. Sebagai contoh bila integrasi data

berdasarkan jenis produk ternyata menggabungkan produk dari kategori yang

berbeda maka akan didapatkan korelasi antar produk yang sebenarnya tidak ada.

3. Seleksi Data (Data Selection)

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

dengan id pelanggan saja.

4. Transformasi data (Data Transformation)

Data diubah atau digabung ke dalam format yang sesuai untuk diproses dalam

data mining. Beberapa metode data mining membutuhkan format data yang

khusus sebelum bisa diaplikasikan. Sebagai contoh beberapa metode standar

seperti analisis asosiasi dan clustering hanya bisa menerima input data

kategorikal. Karenanya data berupa angka numerik yang berlanjut perlu

dibagibagi menjadi beberapa interval. Proses ini sering disebut transformasi data.

5. Evaluasi pola (pattern evaluation)

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.

6. Presentasi pengetahuan (knowledge presentation)

Merupakan visualisasi dan penyajian pengetahuan mengenai metode yang

digunakan untuk memperoleh pengetahuan yang diperoleh pengguna. Tahap

terakhir dari proses data mining adalah bagaimana memformulasikan keputusan

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,

visualisasi juga bisa membantu mengkomunikasikan hasil data mining.

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

klasifikasi adalah penggolongan, pengelompokan. Dalam kaitannya di dunia

perpustakaan klasifikasi diartikan sebagai kegiatan pengelompokan bahan pustaka

berdasarkan ciri-ciri yang sama , misalnya pengarang, fisik, isi dan sebagainya.

20
 Menurut Bafadal (2009:51) klasifikasi adalah suatu proses memilih dan

mengelompokan buku-buku perpustakaan atau bahan pustaka lainnya atas

dasar tertentu serta diletakannya secara bersama-sama disuatu tempat.

Mnurut istilah klasifikasi adalah proses membagi objek atau konsep

secara logika kedalam klas-klas hirarki,subklas,dan sub-subklas berdasarkan

kesamaan yang mereka miliki secara umum dan yang membedakannya.

Klasifikasi secara umum juga diartikan sebagai kegiatan penataan pengetahuan

secara universal kedalam beberapa susunan sistematis.2

Dari pernyataan diatas, maka klasifikasi adalah pengelompokan suatu

benda-benda berdasarkan ciri-ciri yang sama. Sedangkan klasifikasi

perpustakaan adalah pengelompokan bahan pustaka pada tempat yang sesuai

ddidalam sistem klasifikasi.

1. Sistem Klasifikasi

Pada dasarnya di perpustakaan dikenal ada 2 jenis sistem klasifikasi

yaitu:

a. Klasifikasi Fundamental (Fundamental Classification)

Menurut Sulistyo Basuki Klasifikasi Fundamental yaitu klasifikasi

bahan pustaka berdasarkan subjek/isi buku, sebab pada dasarnya

pemakai perpustakaan lebih banyak mencari informasitentang subjek

tertentu.

Pengelompokan bahan pustaka berdasarkan sistem ini mempunyai

beberapa keuntungan, diantaranya:

1) Bahan pustaka yang subjeknya sama atau hampir sama letaknya

berdekatan

21
2) Dapat digunakan sebagai bahan petimbangan dalam menilai koleksi

yang dimiliki dengan melihat subjek mana yang lemah dan mana

yang kuat

3) Memudahkan pemakai dalam menelusur informasi menurut

subjeknya.

4) Memudahkan pembuatan bibliografi menurut pokok masalah

5) Untuk membantu penyiangan atau weeding koleksi

22
 Klasifikasi fundamental banyak digunakan perpustakaan besar

maupun kecil. Dalam sistem tersebut buku dikelompokan berdasarkan

subjek, sehingga memudahkan pemakai dalam menelusur informasi.

b. Klasifikasi Artifisial (Artifisial Classification) yaitu klasifikasi bahan

pustaka berdasarkan ciri-ciri yang ada pada bahan pemustaka,

misalnya bedasarkan warna, ukuran dsb.3

2. Fungsi klasifikasi

Ada beberapa fungsi klasifikasi perpustakaan antara lain sebagai

berikut:

a. Mengetahui keseluruhan bidang ilmu pengetahuan bahan

pustaka yang dimiliki perpustakaan.

b. Mengetahui keseimbangan bidang ilmu pengetahuan dalam

jajaran koleksi.

c. Mengetahui cakupan bidang ilmu pengetahuan koleksi

perpustakaan

d. Menjadi penuntun berfikir sistematis

e. Membantu pengelompokan bidang subjek dalam menyusun

bibliografi.4

3. Tujuan Klasifikasi

Dalam sistem pengaturan bahan pustaka pada rak,

klasifikasi perpustakaan bertujuan:

a. Dapat menentukan lokasi bahan perpustakaan didalam

jajaran koleksi perpustakaan sehingga memudahkan temu

kembali informasi.
1
 b. Mengumpulkan semua bahan perpustakaan yang memiliki

subjek yang sama dalam satu jajaran koleksi.

c. Memudahkan penelusuran atau menemukan kembali

dokumen/bahan perpustakaan yang dimiliki perpustakaan

dengan tidak memandang besar kecilnya koleksi.

2.3 Algoritma C4.4

2.2.1 Penjelasan Algoritma C4.5

Algoritma C4.5 merupakan pengembangan algoritma ID3 yang digunakan

untuk membentuk pohon keputusan. Pohon keputusan merupakan cara

memprediksi atau mengklarifikasi yang sangat kuat karena pohon keputusan dapat

membagi kumpulan data yang besar menajdi himpunan-himpunan record yang

lebih kecil dengan menerapkan serangkaian aturan keputusan. Algoritma C4.5

dapat mengolah data numerik (kontinyu) dan diskret dan mampu menangani

atribut yang hilang, serta menghasilkan aturan-aturan yang mudah

diinterpretasikan. Algoritma C4.5 akan mengubah data menjadi pohon keputusan

dan aturan-aturan keputusan . Penentuan akar pohon keputusan ditentukan dari

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

Gambar 2.1 rumus pencarian Entropy

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

Gambar 2.1 rumus pencarian Gain

2.2.2 Langkah menggunakan Algoritma C4.5

Terdapat empat langkah dalam proses pembuatan pohon keputusan pada

algoritma C4.5, yaitu :

a. Memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari

atribut-atribut yang ada.

b. Membuat cabang untuk masing-masing nilai , artinya membuat cabang

sesuai dengan jumlah variabel gaiin tertinggi.

c. Membagi setiap kasus dalam cabang, berdasarkan perhitungan nilai gain

tertinggi dan perhitungan dilakukan setelah perhitungan nilai tertinggi

awal dan kemudian dilakukan proses perhitungan gain tertinggi kembali

tanpa menyertakan nilai variabel gain awal.

d. Mengulangi proses dalam setiap cabang sehingga semua kasus dalam

cabang memiliki kelas yang sama, mengulangi semua proses perhitungan

gain tertinggi untuk masing-masing cabang kasus sampai tidak bisa lagi

dilakukan proses perhitungan.

2.2.3 kelebihan dan Kekurangan Algoritma C4.5

3
 Kelebihan Algoritma C4.5 yaitu :

1. Daerah pengambilan keputusan yang sebelumnya kompleks dan sangatglobal, dapat

diubah menjadi simple dan spesifik

2. Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena

ketikamenggunakan metode pohon keputusan maka contoh diuji

hanyaberdasarkan kriteria atau kelas-kelas tertentu.

3.  Fleksibel untuk memilih fitur dari internal node yang berbeda, fitur

yangterpilih akan membedakan suatu kriteria dibandingkan kriteria yang

laindalam node yang sama.

4. Metode pohon keputusan dapat menghindari munculnya permasalahanini

dengan menggunakan kriteria yang jumlahnya lebih sedikit pada setiapnode internal

tanpa banyak mengurangi kualitas keputusan yangdihasilkan.

Kekurangan Algoritma C4.5 yaitu :

1. Terjadi overlap terutama ketika kelas-kelas dan kriteria yang digunakan

jumlahnya sangat banyak. Hal tersebut juga dapat menyebabkan

meningkatnya waktu dalam pengambilan keputusan dan jumlah memori

yang diperlukan.

2. Pengakumulasian jumlah eror dari setiap dalam sebuah pohon keputusan

yang besar.

3. Kesulitan dala mendesain pohon keputusan yang optimal

4. Hasil kualitas keputusan yang didapatkan dari metode keputusan sangat

tergantung pada bagaimana pohon tersebut didesain.

2.3 Penjualan

4
1. Pengertian Penjualan

Penjualan merupakan salah satu kegiatan yang dilakukan

perusahaan untuk mempertahankan bisnisnya untuk berkembang

dan untuk mendapatkan laba atau keuntungan yang diinginkan.

Penjualan juga berarti proses kegiatan menjual, yaitu dari

kegiatan penetapan harga jual sampai produk didistribusikan ke

tangan konsumen(pembeli).Kegiatan penjualan merupakan

kegiatan pelengkap atau suplemen dari pembelian, untuk

memungkinkan terjadinya transaksi. Jadi kegiatan pembelian dan

penjualan merupakan satu kesatuan untuk dapat terlaksananya

transfer hak atau transaksi. Oleh karena itu, kegiatan penjualan

seperti halnya kegiatan penjualan seperti halnya kegiatan

pembelian, terdiri dari serangkaian kegiatan yang meliputi

penciptaan permintaan, menemukan si pembeli, nogosiasi harga,

dan syarat-syarat pembayaran.dalam hal ini, penjualan ini, seperti

penjual harus menentukan kebijaksanaan dan prosedur yang akan

diikuti memungkinkan dilaksankannya rencana penjualan yang

ditetapkan.

2. Tujuan Penjualan

Kemampuan perusahaan dalam menjual produknya

menentukan keberhasilan dalam mencari keuntungan, apabila

perusahaan tidak mampu menjual maka perusahaan akan

mengalami kerugian.

Adapun tujuan umum penjualan dalam perusahaan yaitu :

5
 a. Tujuan yang dirancang untuk meningkatkan volume

penjualan total atau meningkatkan penjualan produk-

produk yang lebih menguntungkan.

b. Tujuan yang dirancang untuk mempertahankan posisi

penjualan yang efektif melalui kunjungan penjualan

regular dalam rangka menyediakan informasi

mengenai produk baru.

c. Menunjang pertumbuhan perusahaan

Tujuan tersebut dapat tercapai apabila penjualan dapat

dilaksanakan sebagaimana yang telah direncanakan

sebelumnya.Penjualan tidak selalu berjalan mulus, keuntungan dan

kerugian yang diperoleh perusahaan banyak dipengaruhi oleh

lingkungan pemasaran.Lingkungan ini sangat berpengaruh

terhadap perkembangan perusahaan.

3. Pengertian Produktivitas

Produktivitas merupakan ukuran detail atau terinci

mengenai efisiensi dan perubahannya dari waktu ke waktu.

Produktivitas merupakan perbandingan anatara seluruh produk

barang dan jasa yang diproduksi pada waktu tertentu dibagi

dengan banyaknya jam kerja yang dibutuhkan

untuk mengahasilkan output tersebut. Dengan kata lain,

produktivitas merupakan ukuran efisiensi dari para pekerja.

Produktivitas juga berkaitan dengan kuantitas dan kualitas

6
 barang yang akan diproduksi. Jika sumber yang digunakan dengan

cara yang semakin efisien, maka kuantitas output akan menjadi

besar. Tetapi kuantitas output yang semakin besar jika diimbangi

dengan kualitas output-nya, biasanya konsumen akan menolak

produk barang dan jasa jenis tersebut.

Menurut basu Swasth dan ibnu sukotjo produktivitas adalah

keluaran barang dan jasa per unit tenaga kerja.Untuk meningkatkan

produktivitas, orang tidak cukup hanya dengan bekerja keras, tetapi

juga memerlukan peralatan dan metode kerja lebih baik.Disamping

itu juga diperlukan peningkatan investasi, riset dan penembangan,

dan teknik- teknik manajemen yang maju.

Secara umum produktivitas mengandung pengertian perbandingan

antara hasil yang dicapai (output) dengan keseluruhan sumber daya

yang digunakan (input). Konsep produktivitas tersebut,dapat

membimbing manajemen dalam mengukur peningkatan

produktivitas dan keberhasilan sistem produksi. Peningkatan

produktivitas adalah sangat mendukung pencapaian tujuan bisnis,

yaitu menghasilkan tingkat profitabilitas dan produktivitas yang

tinggi.

4. Faktor Yang Mempengaruhi Produktivitas Penjualan

Adapun faktor-faktor yang mempengaruhi penjualan

menurut Swastha dan Irawan adalah sebagai berikut:7

a. Kondisi dan kemampuan penjual

Disini penjual harus dapat meyakinkan kepada

7
 pembelinya agar dapat berhasil mencapai sasaran penjualan

yang diharapkan.Untuk maksud tersebut penjual harus

memahami beberapa masalah penting yang sangat berkaitan

dengan jenis dan karakteristik barang yang ditawarkan harga

produk dan syarat penjualan.

b. Kondisi Pasar

Adapun faktor-faktor kondisi pasar, kelompok pembeli,

daya belinya, frekuensi pembeliannya , keinginan dan

kebutuhannya.

c. Modal

Untuk memperkenalkan barang kepada pembelinya

maka penjual memerlukan sarana serta usaha seperti: alat

transportasi, tempat peragaan baik didalam perusahaan maupun

diluar perusahaan, usaha promosi, dan sebagainya. Dan semua

ini hanya dapat dilakukan oleh penjual apabila memiliki

sejumlah modal yang diperlukan untuk melaksanakan maksud

tersebut.

d. Kondisi Organisasi perusahaan

Biasanya didalam perusahaan besar masalah penjualan

ditangani oleh bagian penjualan yang dipegang orang-orang

tertentu/ahli dibidang penjualan. Lain halnya perusahaan kecil,

masalah penjualan ditangani oleh orang yang juga melakukan

fungsi- fungsi lain.

e. Faktor lain

8
 Faktor-faktor lain, seperti periklanan, peragaan,

kampanye pemberian hadiah, sering mempengaruhi penjualan.

BAB III

METODOLOGI PENELITIAN

3.1. Kerangka Penelitian

Kerangka penelitian adalah suatu konsep penelitian yang saling

berhubungan yang menggambarkan satu variabel dengan variabel lainnya

terkoneksi secara detai dan sistematis. Tujuan dari dibuatnya kerangka penelitian

ini agar penelitian lebih mudah dipahami dan penyusunannya dalam laporan bisa

secara berurutan. Kerangka penelitian dapat dilihat pada gambar 3.1.

Pendahuluan

Pengambilan data

Analisa

Pegolahan Data

Implementasi

Pengujian 9
 Gambar 3.1 Kerangka Penelitian

3.2. Tahap Penelitian

3.2.1. Penelitian Pendahuluan

Penelitian Pendahuluan adalah tahapan awal dalam melakukan penelitian.

Diawali dengan dilakukannya pengindentifikasian masalah , dimana pada proses

ini melakukan identifikasi masalah yang terdapat pada objek. Objek yang akan

dilakukan pengidentifikasian pada penelitian ini adalah Toko pecah belah UD

Juragan BS. Dimana pada pecah belah UD Juragan BS ini menjual berbagai

macam produk yang berbeda-beda jenisnya, sehingga sangat perlu untuk

mengetahui prediksi atau peramalan penjualanan barang di masa mendatang.

Sehingga penulis menggunakan Algoritma C4.5 pada penelitian ini yang akan

menganalisa penjualanan produk-produk yang terdapat pada pecah belah UD

Juragan BS.

Dengan digunakannya Algoritma C4.5 ini diharapkan nantinya dapat

digunakan sebagai gambaran bagi toko Pecah Belah Jurang BS dalam mengelola

data penjualanan produk., serta dapat memprediksi penjualanan dihari atau bulan

selanjutnya. Sehingga Produk yang banyak terjual dapat dilebihkan stock—nya

dan yang kurnag diminati dapat dikurangi stock-nya pada bulan selanjutnya.

3.2.2. Pengumpulan Data

a. Waktu Penelitian

Kegiatan Praktik Kerja Lapangan ini dilakukan setelah disetujuinya

judul penelitian yang akan diangkat dari Program Studi. Kegiatan ini

10
 dimulai pada November 2022. Pada awal Praktik keja Lapangan

dilakukan pengumpulan data yang akan diolah nantinya, setelah itu

akan dilanjutkan dengan analisa, implementasi dan pengujian. Jadwal

dapat dilihat pada Tabel dibawah.

Tabel 3.1 Jadwal Penelitian

No Kegiatan Bulan Ke-

1 2

1 Penelitian

Pendahuluan

2 Pengumpulan

Data

3 Analisa

4 Pengolahan Data

5 Implementasi

6 Pengujian

b. Tempat Penelitian

Kegiatan Praktik Kerja Lapangan ini dilakukan di Toko pecah

belah UD Juragan BS yang berlokasi di Jl.kp. Kalawi No.Kel, Lubuk

Lintah ,Kec. Kuranji, Kota Padang

c. Metode Penelitian

Metode penelitian ini adalah langkah yang dilakukan dalam

rangka untuk mengumpulkan informasi atau data. Dalam

11
 pengumpulan data, penulis menggunakan metode penelitian Studi

Literatur.

Metode penelitian Studi Literatur adalah serangkaian

kegiatan yang berkenaan dengan metode pengumpulan data pustaka,

membaca dan mencatat, serta mengolah bahan penelitian (Zed,

2008 : 3). Jadi, berdasarkan definisinya, pengolahan data dilakukan

berdasarkan sumber jurnal, dan internet yang berfungsi untuk

mendapatkan informasi-informasi mengenai pengolahan data

nantinya.

3.2.3. Analisa dan Perancangan

Dalam melakukan analisa terhadap data yang telah dikumpulkan,

ada beberapa tahapan yang dilalui, yaitu:

a. Analisa Data

Berdasarkan data yang didapatkan, permasalahan yang dihadapi

oleh toko Pecah Belah Jurang BS adalah sulitnya memprediksi atau

meramalkan penjualanan barang di masa mendatang berdasarkan

data sebelumnya, hal ini dikarenakan banyaknya jenis produk yang

ada di toko tiara. Sehingga perencanaan yang dilakukan oleh toko

Pecah Belah Jurang BS untuk penjualanan di masa mendatang

(contoh : Bulan depan) kurang efektif. Dengan menggunakan

Algoritma C4.5 ini dapat diperoleh hasil mengenai peramalan

penjualanan dan pola pembelian pelanggan.

b. Analisis Proses

12
 Berdasakan Analisis data yang telah dijabarkan, maka digunakan

Data Mining dengan menggunakan Algoritma C4.5 dalam

perhitungannya.

Tahapan perancangan dilakukan guna untuk mengetahui apa saja

yang diperlukan dalam melakukan kegiatan Praktik Kerja Lapangan serta

untuk pengolahan data nantinya. Adapun perangkat yang digunakan yaitu :

a. Perangkat Keras (Hardware)

1. Laptop merek Asus

2. Processor IntelCeleron N4000

3. Ram 4GB

4. Hardisk 1TB

b. Perangkat Lunak (Software)

a. Microsoft Word 2010

Software ini digunakan untuk penyusunan laporan

Praktik Kerja Lapangan

b. Microsoft Excel 2010

Software ini digunakan untuk pengolahan data.

c. Perangkat lunak pendukung lainnya.

3.2.5 Implementasi dan Pengujian

Implementasi adalah tahap penerapan yang dilaksanakan dan diterapkan

sesuai dengan rancangan yang sudah dibuat. Implementasi bertujuan untuk

melaksanakan rencana yang telah dibuat secara baik dan cermat untuk mengukur

keberhasilan dari rancangan yang telah dibuat sebelumnya. Implementasi

13
 dilakukan menggunakan Aplikasi Software WEKA dan menggunakan metode

Algrotima C4.5

Pengujian terhadap penelitian dilakukan untuk memastikan apakah

pencarian yang dilakukan sebelumnya sudah sesuai dengan hasil yang diinginkan

atau belum. Untuk menguji hasil kebenaran, penulis menggunakan Aplikasi

Software WEKA

BAB IV

ANALISA DAN PERANCANGAN

4.1 Analisa Data

Data yang diperoleh dari Toko pecah belah UD Juragan BS yaitu sebanyak

60 data yang akan diolah dengan menggunakan metode Algoritma C4.5.

Tabel 4.1 Data Penjualan

PRODUK KATEGORI KUALITAS KEPUTUSAN HARGA TERJUAL

Karpet Alat ruang tamu Terbaik Terlaris Mahal 8

Periuk Alat dapur Standar Kurang Laris Murah 16

Piring Alat dapur Baik Terlaris Mahal 5

Kompor Alat dapur Tebaik Kurang Laris Sanggat Mahal 18

Karpet Alat ruang tamu Terbaik Terlaris Mahal 8

Karpet Alat ruang tamu Terbaik Terlaris Mahal 5

Piring Alat dapur Baik Terlaris Murah 10

Gayung Alat kamar mandi Standar Kurang Laris Mahal 10

Tikar Alat ruang tamu Baik Terlaris Mahal 14

14
 Rak Piring Alat dapur Standar Kurang Laris Mahal 5

Dandang Alat dapur Baik Terlaris Murah 17

Toples alat dapur Standar Terlaris Murah 6

Miyako Alat dapur Terbaik Terlaris Mahal 15

Kursi Alat ruang tamu Terbaik Terlaris Murah 12

Rak Piring Alat dapur Standar Kurang Laris Mahal 6

Tempat sabun Alat kamar mandi Baik Kurang Laris Murah 7

Dandang Alat dapur Baik Terlaris Mahal 13

Kuali Alat dapur Baik Kurang Laris Mahal 6

Baskom Alat kamar mandi Standar Kurang Laris Murah 20

Gelas Alat dapur Baik Terlaris Murah 16

Piring Alat dapur Baik Terlaris Muruh 13

Sendok Alat dapur Standar Terlaris

Kompor Alat dapur Terbaik Kurang Laris Mahal 16

Mangkok Alat dapur Baik Terlaris Murah 19

Miyako Alat dapur Terbaik Terlaris Mahal 6

Tikar Alat ruang tamu Baik Terlaris Murah 19

Periuk Alat dapur Standar Kurang Laris Murah 6

Pasta gigi Alat kamar mandi Standar Kurang Laris Mahal 4

Timbangan Alat dapur Baik Terlaris Murah 5

Yongma Alat dapur Terbaik Terlaris Mahal 6

Lemari Plastik Alat ruang tamu Terbaik Terlaris Murah 7

Gayung Alat kamar mandi Standar Kurang Laris Mahal 22

Karpet Alat ruang tamu Terbaik Terlaris mahal 7

15
 Sendok Alat dapur Standar Terlaris Mahal 11

Rantang Alat dapur Baik Kurang Laris Mahal 8

Timbangan Alat dapur Standar Terlaris Mahal 5

Baskom Alat kamar mandi Standar Terlaris Mahal 13

Rak Kamar Mandi Alat kamar mandi Baik Kurang Laris Murah 11

Blender Alat dapur Terbaik Terlaris Sangat Mahal 6

Tempat Cincau Alat dapur Baik Kurang Laris Murah 10

Karpet Alat ruang tamu Terbaik Terlaris Mahal 10

Karpet Alat ruang tamu Terbaik Terlaris Mahal 13

Baskom Alat kamar mandi Standar Kurang Laris Murah 6

Karpet Alat ruang tamu Terbaik Terlaris Mahal 6

Kuali Alat dapur Baik Kurang Laris Murah 5

Termos Alat dapur Standar Terlaris Mahal 6

Dandang Alat dapur Baik Terlaris Murah 6

Teko Alat dapur Standar Kurang Laris Murah 2

Kompor Alat dapur Terbaik Kurang Laris Sangat Mahal 8

Piring Alat dapur Baik Terlaris Murah 9

Karpet Alat ruang tamu Terbaik Terlaris Mahal 11

Gundar Alat kamar mandi Standar Kurang Laris Mahal 5

Meja Alat ruang tamu Baik Kurang Laris Murah 6

Gayung Alat kamar mandi Standar Kurang Laris Murah 12

Gelas Alat dapur Baik Terlaris Murah 15

Karpet Alat ruang tamu Terbaik Terlaris Mahal 5

Gelas Alat ruang tamu Baik Terlaris Murah 17

16
 Piring Alat ruang tamu Baik Terlaris Murah 19

Tempat gula/garam Alat dapur Standar Terlaris Murah 11

Toples Alat dapur Baik Terlaris Murah 5

Karpet Alat ruang tamu Terbaik Terlaris Mahal 5

Nampan Alat dapur Standar Kurang Laris Mahal 6

Kuali Alat dapur Baik Kurang Laris Mahal 16

Rantang Alat dapur Standar Kurang Laris Murah 19

Periuk Alat dapur Standar Kurang Laris Murah 12

Pasta Pro Alat kamar mandi Baik Kurang Laris Mahal 21

Gayung Alat kamar mandi Standar Kurang Laris Murah 34

Rak Piring Alat dapur Standar Kurang Laris Mahal 6

Karpet Alat ruang tamu Terbaik Terlaris Mahal 2

Piring Alat dapur Baik Terlaris Murah 18

Timbangan Alat dapur Terbaik Terlaris Mahal 6

Piring Alat dapur Baik Terlaris Murah 22

Gelas Alat dapur Baik Terlaris Murah 19

Sendok Alat dapur Standar Terlaris Murah 17

Mangkok Alat dapur Baik Terlaris Murah 20

Gelas Alat dapur Baik Terlaris Murah 23

Kursi Alat ruang tamu Terbaik Terlaris Mahal 19

Sapu Nagata Alat ruang tamu Standar Kurang Laris Mahal 6

Pel Nagata Alat ruang tamu Standar Kurang Laris Mahal 9

Gayung Alat kamar mandi Standar Kurang Laris Murah 10

Dandang Alat dapur Baik Terlaris Mahal 18

Kompor Alat dapur Terbaik Kurang Laris Sanggat 6

17
 Mahal

Karpet Alat ruang tamu Terbaik Terlaris Mahal 6

Dari format data yang diperoleh maka akan dilakukan klasifikasi data

algoritma C4.5 untuk membuat pohon keputusan. Pada data yang diperoleh lalu

diklarifikasi menjadi 5 bagian,yaitu berdasarkan wilayah penjualan,merk

kendaraan, jenis kendaraan,tahun buat kendaraan, plat dasar kenda raan. Untuk

memilih atribut sebagai akar, didasarkan pada nilai Gain tertinggi dari atribut

yang ada.

Tabel 4.2 Tabel Harga Tabel 4.4 Tabel

nama Daerah Jumlah Kategori Jumlah

Sanggat Mahal 12 Alat dapur 49

Mahal 15 Alat kamar mandi 13

Standar 18 Alat ruang tamu 21

Murah 38

Tabel 4.3 Tabel Kualitas Tabel 4.5 Tabel Keputusan

Kualitas Jumlah Keputusan Jumlah

Terbaik 24 Terlaris 50

Baik 31 Kurang laris 33

Standar 28

18
 4.1.2 Analisa Proses

Tahapan algoritma C4.5 untuk membangun pohon keputusan adalah

sebagai berikut :

1. Pilih atribut sebagai akar

2. Buat cabang untuk tiap-tiap nilai

3. Bagi kasus dalam cabang

4. Ulangi proses untuk setiap cabang sampai semua kasus pada

cabangmemiliki kelas yang sama.

Untuk menentukan akar pohon keputusan yaitu didapatkan dari nilai gain

tertinggi dari atribut-atribut yang ada, dibutuhkan nilai entropy untuk menentukan

nilai Gain tertinggi.menghitung nilai entropy menggunakan rumus pada gambar

4.1 dibawah ini :

status penjualan nilai

jumlah
Node   Terlaris kurang
kasus Entropy gain
(S1) laris(S2)

  Total 83 50 33 0.969523583  

1 Harga           0.012848657

    Sanggat Mahal 38 24 14 0.949452015  

    Mahal 15 7 8 0.996791632  

    Standar 18 11 7 0.964078765  

    Murah 12 8 4 0.918295834  

Kategor
            0.203969561
i

    Alat dapur 48 30 18 0.954434003  

19
 Alat kamar
    13 1 12 0.391243564  
mandi

    Alat ruang tamu 22 19 3 0.574635698  

  Kualitas           0.165774438

    Terbaik 24 20 4 0.650022422  

    Baik 31 22 9 0.869137581  

    Standar 28 8 20 0.863120569  

Gambar 4.1 Rumus pencarian Entropy

Tabel 4.6 Perhitungan node 1

Proses pencarian nilai entropy dan nilai gain :

Entropy total ( −50

83
× log
83 ) ( 83
50
2 +
−33
× log
83 )
33
2 = 0.969523583

Entropy (Harga,Sangat Mahal) ( −24

38
× log
24
38 ) +(
2
−14
38
× log
38 )
14
= 0.949452015
2

Entropy (Harga, Mahal) ( −715 × log 157 )+( −815 × log 158 )= 0.996791632
2 2

Entropy (Harga, Standar ) ( −11

18
× log
18 )
11 −7
+(
2
18
× log
18 )
7
2 = 0.964078765

Entropy (Harga,Murah) ( −812 × log 128 )+( −412 × log 124 )

2 2 = 0.918295834

20
Entropy (Kategori ,Alat dapur) ( −38
48
× log
38
48 )2+(
−18
48
×log
48 )
18
= 2

0.954434003

Entropy (Kategori ,Alat kamar mandi) ( −113 × log 131 )+(−12

2
13
× log
13 )
12
=
2

0.391243564

Entropy (Kategori ,Alat ruang tamu) ( −19

22
× log
19
222) +(
−3
22
× log
22 )
3
= 2

0.574635698

Entropy( Kualitas, Terbaik) ( −20

24
× log
20
24 ) +(
2
−4
24
×log
24 )
4
2 = 0.650022422

Entropy(Kualitas, Baik) ( −22

31
× log
22
2
31 ) +(
−9
31
× log
31 )
9
2 = 0.869137581

Entropy(Kualitas, Standar) ( −828 × log 288 )+( −20

2
28
× log
28 )
20
2 = 0.863120569

Setelah mendapatkan nilai entropy selanjutnya melakukan perhitungan

untuk mencari gain pada masing-masing atribut :

Gain (total ,Harga) = 0.969523583 - ( 3883 × 0.949452015)+( 1583 × 0.996791632) +

( 1883 × 0.964078765) +( 1283 × 0.918295834 ) = 0.012848657
Gain (total , kategori) = 0.969523583 –

( 4883 ×0.954434003 )+( 1383 × 0.391243564 )+( 2283 ×0.863120569 )= 0.203969561

Gain (total , kualitas) = 0.969523583 –

( 2483 ×0.650022422)+( 3183 × 0.869137581)+( 2883 ×0.863120569 )= 0.165774438

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

Alat kamar Alat ruang

mandi tamu

Gambar 4.2 pohon keputusan node 1

pada atribut kategori belum terdapat keputusan maka dilakukan perhitungan node

untuk kategori alat dapur, alat kamar mandi dan alat ruang tamu seperti dibawah

ini

Tabel 4.7 Perhitungan node 1.1

status penjualan nilai

jumla
kurang
Node   h Terlaris
laris(S2 Entropy gain
kasus (S1)
)

  Total Kategori (Alat 48 30 18 0.95443400  

22
 dapur) 3

0.05424745
1.1 Harga          
5

Sangat Mahal 0.91829583

    21 14 7  
4

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

Proses pencarian nilai entropy dan nilai gain :

Entropy total = ( −30

48
× log
30
2
48 ) +(
−18
48
×log
2
48 )
18
= 0.954434003

23
Entropy (Harga , sangat Mahal ) = ( −14
21
×log
14
21 ) +(
2
−7
21
× log
21 )
7
= 2

0.918295834

Entropy (Harga, Mahal) = ( −47 × log 47 )+(−37 × log 37 ) = 0.985228136

2 2

Entropy (Harga, Standar) = ( −10

13
× log
10
13 ) +(
2
−3
13
× log
13 )
3
=¿ 0.779349837
2

Entroppy (Harga ,Murah) = ( −37 × log 37 )+( −47 × log 74 ) = 0.985228136

2 2

Entroppy (kualitas, Terbaik) = ( −59 × log 59 )+( −49 × log 49 )=¿ 0.99107606
2 2

Entropy (kualitas, Baik)=( −18

23
× log
23 ) ( 23
18
+
2
−5
× log
23 )
5
=0.755375413
2

Entropy (kualitas, Standar) =( −716 × log 167 )+( −916 × log 169 )=¿ 0.988699408
2 2

Setelah mendapatkan niloai entropy selanjutnya melakukan perhitungan

Gain seperti dibawah ini :

Gain (total , Harga) = 0.954434003− ( 2148 ×0.918295834 )+

( 487 ×0.985228136 )+( 1348 ×0.779349837 )+( 487 × 0.985228136 )=0.054247455
Gain (total, kualitas) = 0.954434003 –

( 489 ×0.99107606 )+( 2348 ×0.755375413 )+( 1648 × 0.988699408)=0.077090054

24
 Dari hasil perncarian diketahui atribut dengan gain tertinggi adalah

kualitas yaitu 0.077090054 dengan demikian kualitas menjadi akar , adapun

pohon keputusan yang terbentuk dari pencarian node 1.1 adalah seperti gambar 2.

Kategori

Alat dapur 1.1

Alat ruang tamu 1.3

Alat kamar
mandi 1.2

Kualitas ?

?
Terbaik
Standar
Baik

Gambar 4.3 pohon keputusan node1.1

selanjutnya pencarian untuk akar kategori dari jumlah atribut yang tersisa pada

node 1.1, dan dilakukan penarian dibawah ini.

25
 Tabel 4.8 Perhitungan node 1.2

jumla status penjualan nilai

Node   h Terlaris kurang

Entropy gain
kasus (S1) laris(S2)

Total Kategori (Alat kamar

  13 1 12 0.391243564  
mandi)

1.2 Harga           0.391243564

    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  

Proses pencarian nilai entropy dan nilai gain :

Entropy total = ( −113 × log 131 )+(−12

2
13
× log
13 )
12
2 = 0.391243564

Entropy (harga, Sangat Mahal) = ( −05 × log 05 )+( −55 ×log 55 )=¿ 0
2 2

Entropy (harga, Mahal ) = ( −03 × log 03 )+( −33 ×log 33 )=¿ 0

2 2

Entropy (harga,Standar) = ( −04 × log 04 )+( −44 × log 44 )=¿ 0

2 2

26
Entropy (harga , Murah) = ( −11 × log 11 )+( −01 × log 01 )=¿ 0
2 2

Entropy (kualitas, Terbaik) ( −00 × log 00 )+( −00 × log 00 )=0

2 2

Entropy (kualitas, Baik) ( −03 × log 03 )+( −33 ×log 33 )=¿ 0

2 2

Entropy (kualitas , Standar) ( −110 × log 101 )+(−910 × log 109 )=0.468995594
2 2

Selanjutnya mencari nilai gain dengan menggunakan hasil dari pencarian

nilai entropy atribut diatas :

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

yaitu -0.391243564 dengan demikian daerah menjadi akar , adapun pohon

keputusan yang terbentuk dari pencarian node 1.2 adalah seperti gambar 4.4.

Kategori

Alat dapur 1.1

Alat ruang tamu 1.3

Alat kamar
mandi 1.2

Kualitas ?

Harga
Terbaik
Standar
Baik Murah

Sangat Mahal Mahal

Standar
27
 Gambar 4.4 pohon keputusan hasil

perhitungan node1.2

selanjutnya pencarian untuk akar kategori dari jumlah atribut yang tersisa pada

node 1.3 dan dilakukan pencarian dibawah ini.

Tabel 4.9 Perhitungan node 1.3

status penjualan nilai

jumlah
Node   Terlaris kurang
kasus Entropy gain
(S1) laris(S2)

Total Kategori (Alat 0.57463569

  22 19 3  
ruang tamu) 8

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  

Proses pencarian nilai entropy dan nilai gain :

Entropy total = ( −19

22
× log
22 ) ( 19
19
2 +
−3
× log
19 )
3
=0.574635698
2

Entropy (harga ,Sangat Mahal ) = ( −10

12
× log
10
12 ) +(
−2
122× log
12 )
2
= 2

0.650022422

Entropy (harga ,Mahal) = ( −45 × log 45 )+(−15 × log 51 ) = 0.721928095

2 2

Entropy (harga,Standar) = ( −11 × log 11 )+( −01 × log 01 ) = 0

2 2

Entropy (harga, Mahal) = ( −44 × log 44 )+(−04 × log 04 ) = 0

2 2

Entropy (kualitas, Terbaik ) = ( −15

15
× log
15
15 )
2 +(
−0
15
× log
15 )
0
= 0 2

Entropy (kualitas, baik ) = ( −45 × log 45 )+(−15 × log 51 ) = 0.721928095

2 2

Entropy (kualitas, standar) ( −02 × log 02 )+( −22 × log 22 )

2 2 = 0

Mencari gain dengan menggunakan hasil pencarian nilai entropy seperti dibawah

ini:

Gain (total , harga) = 0.574635698 -

( 1222 × 0.650022422)+( 52 × 0.721928095 )+( 221 ×0)+( 224 ×0) = 0.056003446

29
 Gain (total , Kualitas ) = 0.574635698 - ( 1522 × 0)+( 225 ×0.721928095 )+( 222 × 0)=
0.410561131

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

1.3 adalah seperti gambar 4.5

Alat dapur 1.1 Kategori

Alat ruang tamu 1.3

Alat kamar Standar

Kualitas
Kualitas mandi 1.2

Terbaik Baik
Terbaik
Standar Daerah
Baik

Sangat Mahal Murah

Mahal

Standar

Gambar 4.5 pohon keputusan hasil

perhitungan node 1.3.

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,

node 1.1.2 dan node 1.1.3.

Tabel 4.10 Perhitungan node 1.1.1

jumla status penjualan nilai

Node   h Terlaris kurang

Entropy gain
kasus (S1) laris(S2)

Total Kualitas
  9 5 4 0.99107606  
(Terbaik)

1.1.1 Harga           0.156656615

    Sangat Mahal 6 4 2 0.918295834  

    Mahal 2 1 1 1  

    Standar 0 0 0 0  

    Murah 1 0 1 0  

Proses pencarian nilai entropy dan nilai gain :

Entropy total ( −59 × log 59 )+( −49 × log 49 )=0.99107606

2 2

Entropy (harga,Sangat Mahal) ( −46 × log 46 )+(−26 × log 26 )=0.918295834

2 2

Entropy (harga, Mahal ) ( −12 × log 12 )+( −12 ×log 12 )=1

2 2

Entropy (harga, Standar) ( −00 × log 00 )+( −00 × log 00 )=0

2 2

Entropy (harga, Murah ) ( −01 × log 01 )+( −11 × log 11 )=0

2 2

31
 Selanjutnya melakukan pencarian gain dari pencarian nilai entropy

Gain (total , harga) = 0.99107606 - ( 69 × 0.918295834 )+( 29 ×1)+( 09 × 0) +( 19 × 0)

= 0.156656615

Tabel 4.11 Perhitungan node 1.1.2

status penjualan nilai

jumlah
Node   Terlaris kurang
kasus Entropy gain
(S1) laris(S2)

  Total Kualitas (Baik) 23 18 5 0.755375413  

1.1.2 Harga           0.131834526

    Sangat Mahal 7 6 1 0.591672779  

    Mahal 3 1 2 0.918295834  

    Standar 10 9 1 0.468995594  

    Murah 3 2 1 0.918295834  

Proses pencarian nilai entropy dan nilai gain :

Entropy total ( −18

23
× log2
18
23 )+(
−5
23
× log
23 )
5
=0.755375413
2

Entropy (harga,sangat Mahal) ( −67 ×log 67 )+( −17 × log 17 )=0.591672779

2 2

Entropy (harga, Mahal) ( −13 × log 13 )+( −23 × log 23 )=0.918295834

2 2

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

Selanjutnya melakukan pencarian gain dari pencarian nilai entropy

Gain (total , harga) = 0.755375413 -

( 237 × 0.591672779)+( 233 ×0.918295834 )+( 1023 × 0.468995594 )

+ ( 233 ×0.918295834 ) = 0.13183452

Tabel 4.12 Perhitungan node 1.1.3

status penjualan nilai

jumlah
Node   Terlaris kurang
kasus Entropy gain
(S1) laris(S2)

Total Kualitas
  16 7 9 0.988699408  
(Standar)

1.1.3 Harga           0.019338471

    Sangat Mahal 8 4 4 1  

    Mahal 2 1 1 1  

    Standar 3 1 2 0.918295834  

    Murah 3 1 2 0.918295834  

Proses pencarian nilai entropy dan nilai gain :

Entropy total ( −716 × log 79 )+( −916 × log 169 )=0.988699408

2 2

33
 Entropy (harga, Sangat Mahal) ( −48 × log 48 )+(−48 × log 48 )=1
2 2

Entropy (harga, Mahal) ( −12 × log 12 )+( −12 ×log 12 )=1

2 2

Entropy (Harga,Standar) ( −13 × log 13 )+( −23 × log 23 )=0.918295834

2 2

Entropy (daerah, Murah) ( −13 × log 13 )+( −23 × log 23 )=0.918295834

2 2

Selanjutnya melakukan pencarian gain dari pencarian nilai entropy

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

dilihat pada gambar 5 dibawah ini.

Alat dapur 1.1

Kategori
Alat ruang tamu 1.3

Alat kamar Standar

Kualitas
Kualitas mandi 1.2
Standar

Terbaik Terbaik Baik

Baik TL Daerah
TL

Sangat Mahal
34
Murah
 Mahal
KL
Standar

Gambar 4.6 pohon keputusan hasil

perhitungan node 1.1.1, 1.1.2 dan 1.1.3

dari hasil pohon keputusan pada gambar 4.6 terlihat atribut kualitas buat belum

memiliki keputusan maka dilakukan pencarian pada cabang atribut tahun buat

dengan node 1.3.1.

35
 Tabel 4.13 Perhitungan node 1.1.1.1

jumla status penjualan nilai

Node   h Terlaris kurang

Entropy gain
kasus (S1) laris(S2)

0.72192809
  Total Kualitas (Baik) 5 4 1  
5

1.3 Daerah           0.721928095

    Sangat Mahal 3 3 0 0  

    Mahal 1 0 1 0  

    Standar 1 1 0 0  

    Murah 0 0 0 0  

Entropy total ( −45 × log 45 )+(−15 × log 169 )=0.721928095

2 2

Entropy (harga, Sangat Mahal) ( −33 × log 33 )+( −03 × log 03 )=0
2 2

Entropy (harga, Mahal ) ( −01 × log 01 )+( −11 × log 11 )=0

2 2

36
 Entropy (harga, Standar) ( −11 × log 11 )+( −01 × log 01 )=0
2 2

Entropy (harga, Murah) ( −00 × log 00 )+( −00 × log 00 )=0

2 2

Selanjutnya melakukan pencarian gain dari pencarian nilai entropy

Gain (total , harga) = 0.721928095 - ( 35 × 0)+( 15 × 0)+( 15 × 0) +( 50 ×0) =

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

Gambar 4.7 pohon keputusan hasil

perhitungan node 1.3.1

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

prediksi berdasarkan pada pohon keputusan tersebut yaitu :

• IF Kategori= Alat dapur AND Kualitas= Terbaik THEN Terlaris

• IF Kategori= Alat dapur AND Kualitas= Baik THEN Kurang laris

• IF Kategori= Alat dapur AND Kualitas= Standar THEN Terlaris

• 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 = Standar THEN Terlaris

• IF Kategori= Alat kamar mandi AND Harga = Murah THEN Kurang laris

• IF Kategori= Alat ruang tamu AND Kualitas= Terbaik THEN Terlaris

• IF Kategori= Alat ruang tamu AND Kualitas= Baik THEN Terlaris

• IF Kategori= Alat ruang tamu AND Kualitas= Standar THEN Kurang laris

BAB V

38
 IMPLEMENTASI DAN PENGUJIAN

5.1 Implementasi

Pengujian terhadap analisa sangat penting dilakukan untuk menentukan

dan memastikan apakah hasil dari analisa secara manual yang dilakukan sesuai

dengan keputusan yang diharapkan. Untuk menguji kebenaran dari hasil

pengolahan data yang dilakukan secara manual, maka dapat digunakan salah satu

software aplikasi WEKA 3.8.4

5.1.1 Langkah-langkah Instalasi

1. open master WEKA dengan klik double pada master weka setelah itu

klik next

Gambar 5.1 instalasi aplikasi weka 1

2. Klik tombol “I Agree” Untuk melanjutkan proses penginstallan

39
 Gambar 5.2 instalasi aplikasi weka 2

3.klik tombol “next” untuk melanjutkan instal

Gambar 5.3 instalasi aplikasi weka 3

4. Lanjutkan dengan pilih folder directory, Jika sudah Klik “Next >”

40
 Gambar 5.4 instalasi aplikasi weka 4

5. Tetukan nama dari software untuk Program file, beri nama weka sesuai

aplikasi agar mudah dalam pencarian . Klik “Install”

Gambar 5.5 instalasi aplikasi weka 5

6. Tunggu Proses Instalasi Selesai.

41
 Gambar 5.6 instalasi aplikasi weka 6

7. Klik finish proses instalisasi selesai aplikasi sudah bisa digunakan

Gambar 5.7 instalasi aplikasi selesai

8.Instalasi Selesai dan Siap digunakanKlik Finish Software akan langsung 

running atau dijalankan. 

42
 Gambar 5.8 tampilan utama aplikasi weka

5.2 Pengujian

5.2.1 Input Data

Gambar 5.9 proses Open file .csv pada aplikasi Weka

5.2.2 Hasil Open File

43
 Gambar 5.10 hasil open file .csv

5.2.3 Variabel Aktif

Gambar 5.11 variabel aktif

5.2.4 Verifikasi Tree

44
Gambar 5.12 verifikasi tree

45
 BAB VI

PENUTUP

6.1 Kesimpulan

Berdasarkan hasil penelitian, maka dapat diambil beberapa kesimpulan

sebagai berikut :

1. Algoritma C4.5 dapat digunakan untuk sebagai salah satu metode

untuk melakukan prediksi terhadap penjualan pecah belah di toko

Pecah Belah Jurang BS dengan melakukan pengolahan data yang

didapat dari toko dan melakukan pencarian gain dari 4 atribut yang

diperoleh yaitu Pembeli , Kategori , Kualitas , dan Keputusan.

2. Pohon Keputusan dari Algoritma C4.5 dapat membantu memberikan

gambaran informasi tentang prediksi penjualan dari jenis-jenis

furniture yang ada pada toko Pecah Belah Jurang BS

3. Pengujian Menggunakan Software Aplikasi WEKA juga sangat efektif

dan lebih fleksibel karena menghasilkan pohon keputusan yang cukup

sama dengan pencarian yang dilakukan secara manual. Oleh karena itu,

penggunaan software WEKA sangat membantu dalam pengujian yang

dilakukan. Dan dengan menggunakan aplikasi WEKA kecepatan

dalam membikin pohon keputusan.

6.2 Saran

Berdasarkan penelitian yang telah dilakukan, ada beberapa saran yang

ingin penulis sampaikan yaitu :

46
1. Penulis mengharapkan adanya penerapan Metode Data Mining

Algoritma C4.5 dalam pencarian prediksi penjualan lainnya dari toko

Pecah Belah Jurang BS

2. Penulis mengharapkan penerapan metode lainnya lalu membandingkan

dengan metode yang dipakai dalam penelitian ini.

3. Pengujian menggunakan Aplikasi WEKA lebih efisien dan cukup

fleksibel, karena itu jika tidak memiliki waktu yang cukup, penulis

menyarankan agar menggunakan aplikasi WEKA agar lebih

menghemat waktu.

4. Penulis juga mengharapkan agar menggunakan aplikasi lain selain

WEKA lalu membandingkan hasil kedua aplikasi tersebut untuk hasil

yang lebih meyakinkan.

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

Apa itu Data Mining : Definisi, Fungsi, Metode dan Penerapannya |

IDCloudHost. (n.d.). Retrieved May 27, 2021, from

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., &

Kunci, K. (2020). Penerapan Data Mining dengan Menggunakan Provinsi di

Indonesia Pendahuluan. 19, 27–38.

Anonim. (2018). 第 1 会場 第 2 日 午後の部 : 地盤改良(その 2)(第 3 回土質工

学研究発表会一般報告). -, 16(10), 32–34.

Ansori. (2015). Pembahasan Klasifikasi. Paper Knowledge . Toward a Media

History of Documents, 3(April), 49–58.

Eska, J. (2016). Penerapan Data Mining Untuk Prekdiksi Penjualan Wallpaper

48
 Menggunakan Algoritma C4.5 STMIK Royal Ksiaran. JURTEKSI (Jurnal

Teknologi Dan Sistem Informasi), 2, 9–13.

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.

(2020). Penerapan Data Mining dengan Menggunakan Provinsi di Indonesia

Pendahuluan. 19, 27–38.

Anonim. (2018). 第 1 会場 第 2 日 午後の部 : 地盤改良(その 2)(第 3 回土質工

学研究発表会一般報告). -, 16(10), 32–34.

LAMPIRAN

1. Lampiran KRS Penulis

49
2. Lampran JUDUL yang di ACC

50
3. Lampiran Biodata Penulis
51
Nama : Elmo rizanda

Tempat/Tanggal Lahir : Belilas, 1 JUNI 1999

Alamat : Belilas

Agama : Islam

Hobi : Bermain Game, Voli,Basket

Jumlah Saudara : 3 (Anak Ke-2)

No Telepon : 082283830015

Pendidikan : 1. SDN 004 Belilas

2. SMPN 2 Seberida

3. SMAN 1 Seberida

4. Universitas Putra Indonesia “YPTK”

Padang

52