BAHASAN IMPLEMENTASI ALGORITMA DECISION TREE UNTUK
KLASIFIKASI PRODUK LARIS OLEH PENELITI ASMAUL HUSNAH
NASRULLAH
Defitra Hidayatullah1, M Rafi Juliansyah2, Marsellus Fransiskus Tue Karang3, Mujibbur
Rohman4, Usup Suparma5
1,2,3,4,5
Manajemen Sistem Informasi , Universitas Gunadarma, DKI Jakarta, Indonesia
1. SUMBER DATA
Sumber data yang digunakan dalam penelitian berasal
dari penjualan dan stok barang yang diperoleh dari UD.
Cipta Karya Gorontalo. Pemilihan data primer yang
diperoleh langsung dari sumbernya menambah keandalan
dan keotentikan data. Sebanyak 450 data telah terkumpul,
yang mencakup periode tahun 2015-2018. Potongan jurnal
tersebut juga memberikan gambaran mengenai
atribut-atribut yang terdapat dalam data, seperti nomor
transaksi, tanggal transaksi, jenis barang, nama barang,
merk, harga, jumlah keluar, dan stok barang.
Penggunaan data primer yang bersumber langsung
dari UD. Cipta Karya Gorontalo memberikan keuntungan
dalam hal keakuratan dan relevansi data. Dengan
memfokuskan pada penjualan dan stok barang, penelitian
ini terlihat berfokus pada aspek bisnis dan logistik dari
UD. Cipta Karya Gorontalo. Secara keseluruhan, potongan
jurnal memberikan gambaran yang solid tentang sumber
data yang digunakan, menetapkan dasar yang jelas untuk
penelitian. Namun, pembaca mungkin akan mendapat
manfaat lebih lanjut jika ada informasi tambahan tentang
proses pengumpulan dan validasi data.
2. PRA PENGEOLAHAN DATA
Pada bagian ini, penulis membahas tentang tahap pra
pengolahan data yang merupakan tahap awal dalam proses
analisis data. Pra pengolahan data mencakup beberapa
tahap seperti pembuangan duplikasi data, pemeriksaan
data yang inkonsisten, dan perbaikan kesalahan pada data.
Selain itu, penulis juga menyoroti pentingnya enrichment,
yaitu proses memperkaya data yang sudah ada dengan data
lain yang relevan. Proses ini bertujuan untuk
meningkatkan kualitas dan keberagaman data sebelum
dilakukan analisis lebih lanjut. Namun untuk proses
enrichment tersebut tidak dijelaskan lebih lanjut oleh
penulis.
Teknik pra pengolahan data dilakukan dalam beberapa
tahap. Pertama, terdapat teknik data validation yang
dilakukan untuk mengidentifikasi dan menghapus data
yang aneh (outlier/noise), tidak konsisten, dan tidak
lengkap (missing value). Contoh aplikasinya dalam
penelitian ini adalah pada dataset stok dan penjualan
barang, di mana penulis mencoba mengidentifikasi data
yang tidak konsisten atau tidak lengkap yang dapat
mengganggu hasil analisis. Kedua, terdapat proses data
cleaning yang melibatkan penghapusan duplikasi data,
pemeriksaan konsistensi, dan perbaikan kesalahan pada
data. Penulis juga menyebutkan bahwa dari 450 data yang
dikumpulkan, akan dilakukan analisis untuk mendeteksi
data yang tidak konsisten atau tidak relevan sehingga tidak
mengganggu pola aturan dari algoritma yang akan
dibentuk.
Secara keseluruhan, bagian ini memberikan informasi
yang jelas tentang pentingnya tahap pra pengolahan data
dalam rangka mendapatkan data yang berkualitas sebelum
melibatkan data tersebut dalam analisis lebih lanjut. Selain
itu, penjelasan teknik-teknik yang digunakan, seperti data
validation dan data cleaning, memberikan gambaran
bagaimana penelitian ini berusaha menjaga integritas dan
validitas data yang digunakan.
3. PREDIKSI
Pada bagian ini, penulis membahas tentang bagaimana
proses penentuan nilai entropy dan proses pemilihan
atribut yang digunakan dalam penelitian ini. Atribut yang
digunakan oleh penelitian ini diantaranya: Jenis Barang,
Merek Barang, Harga barang dan Label atau kelas yang
akan diuji yaitu untuk mengelompokan apakah barang itu
laris atau tidak.
Pada penelitian ini untuk mengetahui nilai entropy
menggunakan dua persamaan seperti dibawah ini:
𝐸𝑛𝑡𝑟𝑜𝑝𝑦 (𝑆) = ∑ 𝑝𝑖. log2pi (1)
Keterangan: S = himpunan kasus n = jumlah partisi pi =
proporsi Si terhadap S
𝐺𝑎𝑖𝑛 (𝑆,𝐴) = 𝐸𝑛𝑡𝑟𝑜𝑝𝑦 (𝑆) − ∑ |𝑆𝑖| |𝑆| + 𝑒𝑛𝑡𝑟𝑜𝑝𝑦(𝑆𝑖) (2)
Keterangan: S = himpunan kasus A = atribut n = jumlah
partisi atribut A |Si| = jumlah kasus pada partisi ke – i |S| =
jumlah kasus dalam s
Sebelum menghitung nilai entropy maka kita lihat
tabel untuk setiap atribut untuk pengujian pada penelitian
ini:
 No Data Jenis Merek Harga Kelas
Barang

1 Keramik Vienza 385500 Laris

2 Keramik Vienza 538500 Laris

3 Keramik Vienza 538500 Laris

Entropy Harga:

5 Plastik Sunlife 18300 Laris

6 Plastik Fori 12500 Laris

7 Kaca Vienza 520000 Laris

8 Kaca Sunlife 179000 Tidak

Laris

Selanjutnya akan diperoleh nilai gain untuk setiap

9 Keramik Sunlife 178000 Laris atribut:

10 Keramik Vienza 44500 Laris

dst

Pada Tabel diatas maka nilai entropy dapat di hitung Dari data perhitungan tadi maka didapatkan nilai gain
untuk setiap atribut yang digunakan pada penelitian ini tertinggi pada atribut jenis barang dengan nilai 0.4417
Entropy Jenis Barang: dengan seperti itu jenis barang akan dibuat akar (root) dari
pohon keputusan pada penelitian ini.

4. MODEL PREDIKSI
Penulis menggunakan tools rapidminer untuk
validasi hasil perhitungan manual. Berikut model prediksi
yang dilakukan menggunakan tools rapidminer

Entropy Merek:

Gambar 1. Model klasifikasi menggunakan algoritma
Decision Tree C4.5
A. Merupakan dataset primer. Data yang terkumpul
sebanyak 450 data, dimana data tersebut merupakan
data stok dan penjualan UD Cipta Karya Gorontalo
yang diambil dari tahun 2015 – 2018
B. Preposes. Dilakukan data validation dan cleaning
proses. Memecah data menjadi 2 yaitu data training
dan data test.
C. Decision Tree. Berikut parameter yang digunakan
Gambar 2. Parameter yang digunakan
D. Penerapan Model. Menerapkan data training ke
Decision Tree
E. Hasil. Berikut ini hasilnya menunjukkan nilai akurasi
yang sama dengan nilai akurasi yang dihasilkan dari
perhitungan manual diatas yaitu sebesar 0.90 atau
90%.
Gambar 3. Hasil perhitungan
5. ANALISA
Gambar 4. Pohon Keputusan hasil Algoritma Decision
Tree C4.5
Hasil penelitian yang diperoleh dari penelitian ini
adalah pohon keputusan yang dapat digunakan untuk
klasifikasi produk laris. Pohon keputusan tersebut
menunjukkan bahwa atribut yang mempunyai pengaruh
utama dalam penentuan produk laris adalah atribut jenis
barang, kemudian merk dan terakhir harga.
Gambar 5. Rule hasil algoritma Decision Tree C4.5
Dari pohon keputusan tersebut juga didapatkan rule
atau aturan-aturan yang dapat digunakan untuk klasifikasi
produk laris berdasarkan atribut jenis barang, merk, dan
harga. Rule ini dapat digunakan sebagai bahan
pertimbangan perusahaan dagang dalam menentukan
pasokan produk berdasarkan jenis, merk, dan harga barang
yang akan diperdagangkan.
Selain itu, hasil penelitian juga menunjukkan bahwa
akurasi dari model klasifikasi yang dibuat dengan
algoritma C4.5 adalah sebesar 90% dan nilai AUC 0,709.
Nilai ini termasuk dalam kategori fair classification atau
klasifikasi yang cukup.
6. KESIMPULAN Machine (SVM), atau Neural Networks untuk melihat
apakah ada peningkatan dalam performa klasifikasi.
Kesimpulan penelitian ini cukup jelas dan langsung
to-the-point. Peneliti berhasil membuat model klasifikasi
8.4 Evaluasi Menggunakan Metrik Lain
produk laris dengan menggunakan algoritma Decision
Penelitian ini menggunakan metode cross validation
Tree C4.5 dan mencapai akurasi yang cukup baik.
(confusion matrix) dan area under curve (AUC) untuk
Namun, kesimpulan ini bisa lebih kuat jika peneliti
mengevaluasi hasil klasifikasi. Mungkin akan berguna
memberikan lebih banyak konteks atau penjelasan tentang
untuk melihat metrik evaluasi lain seperti precision, recall,
bagaimana hasil ini dapat digunakan atau diterapkan dalam
atau F1-score.
praktiknya.

7. SARAN
Saran yang diberikan oleh peneliti cukup relevan dan
menunjukkan pemahaman yang baik tentang batasan
penelitian ini.
Peneliti menyarankan teknik pra pengolahan data dan
transformasi data yang lebih baik serta penggunaan
Particle Swam Optimization (PSO) atau Genetic
Algorithm (GA) untuk mengoptimasi model klasifikasi.
Saran ini menunjukkan bahwa peneliti memahami
bahwa selalu ada ruang untuk peningkatan dan optimasi
dalam penelitian ilmiah.

8. PENILAIAN KESELURUHAN
Secara keseluruhan, penelitian ini tampaknya telah
dilakukan dengan baik, dengan mempertimbangkan
beberapa faktor penting dalam pembuatan model
klasifikasi, seperti pemilihan algoritma, evaluasi model,
dan interpretasi hasil.
Namun, penelitian ini bisa ditingkatkan dengan
memberikan lebih banyak detail tentang bagaimana model
klasifikasi diterapkan pada data dan bagaimana nilai-nilai
evaluasi dihitung.
Selain itu, penelitian ini juga bisa ditingkatkan dengan
memberikan lebih banyak konteks atau penjelasan dalam
kesimpulan tentang bagaimana hasil ini dapat digunakan
atau diterapkan dalam praktik.
Beberapa aspek yang mungkin dapat ditingkatkan atau
dipertimbangkan untuk penelitian selanjutnya,
diantaranya:
8.1 Pengumpulan Data
Penelitian ini menggunakan 450 data dari UD. Cipta
Karya Gorontalo. Mungkin akan lebih baik jika penelitian
ini menggunakan data yang lebih besar.

8.2 Penggunaan Fitur Lain

Penelitian ini menggunakan empat atribut yaitu jenis
barang, merk, harga, dan kelas barang (laris atau tidak
laris) sebagai variabel klasifikasi. Mungkin ada fitur lain
yang juga berpengaruh terhadap kelas barang yang bisa
ditambahkan ke dalam model.

8.3 Penggunaan Algoritma Lain

Meskipun Decision Tree C4.5 adalah algoritma yang baik,
mungkin akan menarik untuk mencoba algoritma
klasifikasi lain seperti Random Forest, Support Vector