Professional Documents
Culture Documents
NASKAH PUBLIKASI
PROGRAM STUDI INFORMATIKA
FAKULTAS KOMUNIKASI DAN INFORMATIKA
Diajukan Oleh :
Deny Arga Felani
Yusuf Sulistyo Nugroho, S.T, M.Eng
PENDAHULUAN
perusahaan
besar
yang
perbandingan
dengan
data
metode
mengetahui
dituntut untuk
keputusan
menentukan
dapat
yang
strategi
mengambil
tepat
dalam
penjualan.
mining
untuk
yang
menentukan
terbaik
dalam
evaluasi
dalam
oleh perusahaan.
TINJAUAN PUSTAKA
1. Data Mining
mencari
pola
atau
informasi
bagi
(Sunjaya, 2010)
melakukan
pendukung
keputusan.
2. Algoritma C.4.5
data
membentuk
Sedang
diartikan
pohon
pohon
suatu
keputusan.
keputusan
cara
dapat
untuk
kecil
record
yang
dengan
menerapkan
aturan
keputusan.
serangkaian
salah
yang
berusaha
sehingga
data
yang
permodelan
dan
linear
sederhana.
Dalam
mining
masalah
diselesaikan,
yang
untuk
harus
mengetahui
perbandingan
beberapa
metode
dari
tersebut untuk
dalam
menangani
masalah
tersebut.
2. Analisis Kebutuhan
Analisis
kebutuhan
adalah
4. Regresi Linier
statistik
data
3. Algoritma K-Means
non
Penggunaan
independent
lebih
predictor
mendukung.
Adapun
tahap
yang
diperlukan
Variabel
Jumlah terjual
Kategori Produk
X1
Harga
X2
Bulan
X3
Tempat
X4
yang
dilakukan
Toserba
Lestari
Baru
ini
implementasi
untuk
data
menganalisa
Gambar 1. Rancangan
Decision Tree
Hasil
gambar
kemudian
5 ditunjukkan pada
Gambar 1.
2. Hasil
means
Implementasi
K-
ini
implementasi
untuk
data
menganalisa
menggunakan
aplikasi
Gambar 3.
implementasi
ini
untuk
data
menganalisa
proses
dengan
Regresi
Linear menggunakan
aplikasi
RapidMiner
ditunjukkan
pada gambar 5.
Kemudian dieksekusi untuk
melihat hasil dari scatter plot, hasil
dilihat pada gambar 6.
nilai
sebesar
menduduki
2,194
internal
bits
dan
berhak
node
pada
pohon
keputusan.
c. Menentukan Leaf node
Hasil Information Gain dari variabel harga
yang berupa harga3000 dan bulan Januari
a. Menentukan Root
Hasil Information Gain masing-masing
variabel pada tabel 2.
Tabel 2. Hasil root node
Variabel
Keterangan
Gain
X1
Kategori
0,560
X2
Harga
0,659
X3
Bulan
0,292
X4
Tempat
0,012
Keterangan
Gain
X1
Kategori
0,000
X4
Tempat
0,000
Information
Gain
sama-sama
b. Menentukan Centroid
Tabel 5. Data Centroid
Centroid
Variabel
Keterangan
Gain
X1
Kategori
0,639
X3
Bulan
2,194
1-60
5,4
6,2
52,4
X4
Tempat
0,058
61-120
6,2
59,2
9,4
121-180
21,2
22,8
76,8
181-240
33,6
36,8
75,6
9,6
nilai
241-302
47,6
37,8
77,6
6,2
Information
Gain
dari
tertinggi
Cluster
berupa
X1
X2
X3
X4
antar
data
dalam
melakukan
pengelompokan.
Accuracy
32,94%
45.90%
25,50%
K-Means
42,60%
40,31%
41,40%
Regresi
32,35%
49,18%
29,47%
n Tree
Linier
berpengaruh
terhadap
hasil
lain
dengan
nilai
precision
KESIMPULAN
Metode
memiliki
nilai
lebih
tinggi
DAFTAR PUSTAKA
Kusrini dan Luthfi, E.T, 2009, Algoritma Data Mining Andi Offset, Yogyakarta
Prasetyo,
Matlab.Yogyakarta: Andi
Santoso, Budi. 2007. Data Mining:Teknik Pemanfaatan data untuk keperluan
bisnis, Yogyakarta : Graha Ilmu.
Santoso, S. 2010. Statistik Multivariat. Jakarta : Elex Media Komputindo.
Sunjaya. 2010. Aplikasi Mining Data Mahasiswa dengan Metode
Klasifikasi
DecisionTree. Seminar Nasional Aplikasi Teknologi Informasi 2010.
Yogyakarta.
BIODATA PENULIS
Nama
NIM
: L200110149
Jenis Kelamin
: Laki-laki
Agama
: Islam
Pendidikan
: S1
Fakultas
: Informatika
Universitas
Alamat
Telp./Fax
Alamat Rumah
Nomor HP
: 085642188421
: argaseifer@gmail.com