PREDIKSI KECENDERUNGAN KONSUMEN DALAM MEMILIH

PREDIKSI KECENDERUNGAN KONSUMEN
DALAM MEMILIH JENIS KENDARAAN (RODA EMPAT)
RERDASARKAN SPESIFIKASI KENDARAAN
MENGGUNAKAN Decision Tree DENGAN METODE Gini
Mahbllblll Wathoni
PROGRAM STUD! MATEMA TIKA JURUSAN MIPA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGI~RI
SYARIF IDDAYATULLAH
JAKARTA
2006 M /1427 H
PREDIKSI KECENDERUNGAN KONSUMEN
DALAM MEMILIH JENIS KENDARAAN (RODA EMPAT)
BERDASARKAN SPESIFIKASI KEN]JIARAAN
MENGGUNAKAN Decision Tree DENGAN METODE Gini
Oleh:
rvwmuBuL WATHONI
102094026456
"["l
lJ
I~
Skripsi
Stbagai Salah Salu Syaral untuK Memptrolch Gdar
Smjana Sains
Fakultas
S~ins
dan Teknologi
Uniwrsitas Islam Neotri
SvarifHidavatullah
Jakarta
b
'"
.
'"
PROGRAM STUDI MATEMATIKAJURUSAN MIPA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI
SYARIF HlDAYA1ULLAH
JAKA.RTA
2006 M / 1427 H
Perumpamaan petunjuk dan ilmu
akan ditulis Allah untuk membawanya laksana air hujan
yang sangat lebat menyirami bumi,
diantara tanah (bumi) itu terdapat tanah
yang layak menerima air,
kemudian menumbuhkan pepohonan
dan rerumputan yang banyak.
Ada pula ada tanah yang keras,
sehingga dapat rr.enampung air,
sehingga t'mah semacam ini memberi manfaat kepada manusia.
(H.R. Bukhari dan Muslim dari Abi Musa) Al Fathul Kabir, Jilid
lH,h,133
PREDIKSI KECENDERUNGAN KONSUMEN
DALAM MEMILIH JENIS KENDARAAN (RODA EMPAT)
BERDASARKAN SPESIFIKASI KENDARAAN
MENGGUNAKAN Decision Tree DENGAN METODE Gini
Skripsi
Sebagai Salah Satu Syarat untuk Memperoleh Gelar
Sarjana Sains
Pada Fakultas Sains dan Teknologi
Universitas Islam Negeri SyarifHidayatuIlah Jakmia
Oleh:
Mabbllblll Watboni
102094026467
Menyetujui,
Pembimbing II
Pembimbin I
/2ft
Taufik Edy Sufan 0, M.SeTech
NIP. 150377 447
Dr. Agns Salim, M.Si
NIP. 150294451
Mengetahui,
Kelua Jurusan MIPA
Dr. Agus Salim, M.Si
NIP. 150294451
PROGRAM STUm MATEMATIKA
JURUSAN MIPA FAKULTAS SAINS DAN TEKNOLOGI
UIN SYARIF HIDAYATULLAH JAKARTA
Dengan ini menyatakan bahwa skripsi yang ditulis oleh :
Nama
Mahbubul Wathoni
NIM
102094026467
Program Studi
Matematika
Judul Skripsi
Prediksi Kecenderungan Konsumen Dalam Memilih
Jcnis Kcndaraan (Roda Empai) Bcrdasarkan
Spesifikasi Kendaraan Menggunakan Decision Tree
Dengan Metode Gini.
Dapat diterima sebagai syarat kelulusan untuk memperoleh gelar Sarjana Sains
pada Program Studi Matematika Jurusan MIPA, Fakultas Sains dan Teknologi
UIN Syarif Hidayatu!lah JakaJta.
Jakarta, 19 Novcmber 2006
Menyetujui,
Dosen Pembimbing
Pembimbing 2
~(;:Z
Dr. Agus Salim, M.Si
NIP.. 150294451
Mcngctahui,
Dekan FakultasS,' s dan Teknologi
Ketua Jurusan MIPA
~M"
NIP. 150294451
PENGESAHAN UJIAN
Skripsi yang berjudul "Prediksi Kecenderungan Konsumen Dalam Memilih
Jenis Kendaraan (Roda Empat) Berdasarkan Spes[jikasi Kendaraan Menggunakan
Decision Tree Dengan Metode Gini.". Telah dinji dan dinyatakan lulus dalam
sidang munaqosyah Fakultas Sains dan Teknologi, Universitas Islam Negeri Syarif
Hidayatullah JakaIia, pada had Jum'at 17 November 2006, Skripsi ini telah
diterima scbagai salah satu syarat untuk mempcrolch gclar sarjana strata satu (S I)
pada Program Studi Matematika Jurusan MIPA,
Jakarta, 19 November 2006
Tim Pcnguji,
Penguji 1
Pcnguji 2
Suherman, M.Si
l'fur Inayah, S.Pd, M.Si
NIP. ISO 326 911
Mcngctahui,
DekaIl F:lkullta"~1i'ns dan Teknologi
h Ja a Putra M.Sis
. NIP. 150 317 965
PERNYATAAN
DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENAR-BENAR
HASIL KARYA SENDIRI YANG BELUM PERNAH DIAJUKAN SEBAGAI
SKRIPSI ATAU KARYA ILMIAH PADA PERGURUAN TINGGI ATAU
LEMBAGA MANAPUN.
Jakarta, 19 November 2006
~~~
Mahbubul Wathoni
102094026467
ABSTRACT
The world of business has always been full of competitions. The executors think
relentlessly of the way to get survived. Fortunately. in the modem business world,
there is valuable data warehouse that could be utilized to generate new knowledge
to help the executives in arranging their business strategies. The knowledge
generator. which is data mining technology. would be introduced to the readers.
This paper presents the business problems to be solved and th,e foundations of data
mining: the usage, how data mining works. the tasks, and the popular methods
(decision tree. classification.).
The result shows tendency of a consumer to buy heir favorite vehicle in the reality
is not influenced by purchasing level of the costomer, but from its this finding
Support the hypothesis that Indonesian people do prefer brand than of her factors.
Keywords: Data Mining, Decision Tree, Algoritma CART, Product Marketing
ABSTR-\K
MAHBUBUL WATHONI, Prediksi Kecenderungan Konsumen Oalam Memilih
Jenis Kendaraan (Roda Empat) Berdasarkan Spesifikasi Kendaraan Menggunakan
Decision Tree Ocngan Mctodc Gini. (Oi bawah bimbingan TAUFIK EDY
SUTANTO, M.ScTech. dan Dr. AGUS SALIM, M.SL).
Oalam dunia bisnis yang penuh persaingan membuat para pelakunya harus selalu
mcmikirkan stratcgi-stratcgi tcrobosan yang dapat mcnjamin kclangsungan bisnis
mereka. Salah satu aset utama yang dimiliki oleh perusahaan masa kini adalah data
bisnis dalam jumlah yang banyak. Hal ini melahirkan kebutuhan akan adanya
teknologi yang dapat memanfaatkannya untuk membangkitkan "pengetahuanpengetahuan" baru, yang dapat membantu dalam pengaturan strategi bisnis.
Teknologi data mining
hadir sebagai solusi. Skripsi ini akan mengulas
pcrmasalahan bisn;s yang ada dan dasar-dasar desicion tree melalui bahasan
kegunaan, cara kerja dan metodologi-metodologi populer pada teknologi ini
(pohon keputusan, klasifikasi, regresi), Desicion tree yang digunakan adalah
Classification and Regression Trees.
Dari pengolahan Dat.a PT. OTO MULTIARTA yang merupaksn dat"! dari tahun
2004 sampai 2005 dinyatakan bahwa, kencenderungan seorang konsum.;n ulltuk
mcmbcli kcndaraan yang diinginkan tcmyata bukanJah dipcngaruhi olch tingkat
pembelian seorang konsumen (harga). Hal ini mcmpertegas dugaan pandangan di
masyarakr ptang sifat konsumen di Indonesia.
Kata Kunci : Data Mining, Decision Tree, Algoritma CART, Pemasaran Produk
KATA PENGANTAR
Puja dan puji serta syukur saya panjatkan kehadirat Allah SWT. Atas
segala karuniyanya hingga penulis dapat menyelesaikan skripsi ini. Shalawat serta
salam keeintaan hanya tereurahkan kepada junjungan Nabi besar Muhammad
SA W. Semoga kita semua mendltpatkan syafaatnya baik didunia maupun
diakherat kelak. Amin.
Atas izin Allah SWT disertai denga'l usaha yang maksimal penulis dapat
menyclesaikan skrips! ini. Meskipun demik!an, !)cnulis s"dar bahwa rlalam
mengerjakan skripsi ini p<:nulis banyak dibantu oJeh berbagai pih&k. O!eh karena
itl! pada kesempatan ini ;Jenulis ingin mengneapkan terima kasih yang sebGsarbesamya kepada :
I.
Bapak Dr. Syopiansyah Jaya Putrlt, M.sis. Dekan Fakultas Sains dan
Teknologi.
2.
Bapak AgllS Salim. M.Si. Ketua Jurusan MIPA sekaligas dosen
pembimbing II
dan penasehat akademik penulis. Terima kasih alas
nasehat d:m bimbingan selama saya kuliah di Fukultas Sains dan
Teknologi Jurusan MIPA Program Studi Matematika.
3.
Bapak Taufik Edy Sutanto, M.SeTeeh. Dosen pembimbing I. Penulis
mengueapkan terima kasih alas bimbingan yang telah bapak berikan.
4.
Ibu Nur Inayah, S.Pd, M.Si. Ketua Prodi Matematika yang telah
memberikan bimbingan den saran-saran daIam penyusunan skripsi penulis.
5.
Seluruh dosen Jurusan MIPA Program Studi Matematika yang sudah
mengajarkan ilmu-ilmu yang bermanfaat bagi penulis selama penulis
kuliah.
6.
Seluruh staf akademik dan Lab Pusat Lab Terpadu Fakukltas Sains dan
Teknologi diantaranya Pak Agus Budiono, Pak Aminn, Pak Ade Candra,
Pak Edi. Pak Yusuf, Pak Hari Satria, Pak Gunadi, Bu Opah, Mba Fitroh
dan semuanya yang tidak dapat penulis
s~butkan
satu-persatu, yang
dengan sabar melayani masalah administrasi mahasiswa
Ju~usan
MIPA
Program Studi Matematika khususnya penulis sendiri.
7.
Ibu dan Bapak serta Kakak-kakaku yang tercinta juga seluwh kc!uarga
besarku yang selalu membcrikan do'a dan scmangat yang tiada hCl1tinya.
8.
Teman-te;nan mahasiswa Matematika angkatan 2002 khususnya Andi Nur
Rahman, Hata Maulana, Bambang Ruswandi, M. Farid Fr,
Sopirizal,
Munaqin. Maya Destia, Haryani Chotijah, Indri, Maya, Cie-eie, Bulan
Oktrima dan teman-temanku lainnya yang tidas dapat penulis sebutkan
satu persatu.
9.
Teman-teman mahasiswa Matemati:,a angkatan 2003, 2004 dan 2005 yang
senantiasa memberikan dorongan moril kepada penulis.
Penulis menyadari bahwa masih banyak kelemahan dan kekurangan yang
terdapat dalam skripsi ini, yang masih harus diperbaiki. Akhir kata penulis
berharap semoga skripsi iili dapat bemlanfaat bagi kita semua.
Jakarta, 18 November 2006
Penulis
DAFTARISI
Halaman
HALAMAN JUDUL..
.
KATA PENGANTAR
.
ii
DAFTAR lSI
.
iv
DAFTAR TABEL
.
vii
DAFTAR DIAGRAM
.
viii
DAFTAR LAMPlRAN
BAB l. PENDAJ-lULUAN
1.1.
Latar Belakang
1.2.
Perumusan Masalah
1.3.
IX
.
.
..
3
Tujuan Penelitian
.
3
1.4.
Manfac.t Penclitian
..
3
1.5.
Pembatasan Masalah
.
4
BAB II. KONSEP DAN DEFINISI
..
5
2.1.
Deffinisi Data Mining
..
5
2.2.
Teknik Data Mining
..
7
2.3.
Tahapan Data Mining
..
9
2.3.1. Association Rule Mining
.
9
2.3.2. Klasifikasi
10
2.3.2. Regresi
13
2.3.4 Clustering
14
2.4.
Decision tree
2.5.
Classification and Regression Trees (CART) ..
'"
\5
17
BAB 111. METODOLOGI PENELlTIAN
3.1.
19
Pengolahan Data .,
29
3.1.1. Proses Screening Data....
19
3.2.
Data yang diperlukan
3.3.
Pengolahan Data....
26
3.3.1. Pendeiinisian Masalah
26
3.3.2. Mengerti dan memperkirakan kualitas data.
27
3.3.3. Pengeksplorasian data
3.4.
'"
25
,.................
27
3.3.4. Pemilihan teknik pennodelan
27
3.3.5. Persiapan data untuk permodelan
28
3.3.6. Evaluasi model......................
28
Proses pengolahan data untuk mengetahui pola yang tersembunyi. 28
BAB IV. ANALISA DAR! SCREENING DATA BASE
30
4.1. Proses Pembentukan Model Untuk Mengetahui Pola Yang
Tersembunyi
,.....................
4.2. Proses pengolahan data
32
4.2.1. Proses model system bahan bakar/fule system...............
4.2.2. Model laku (banyaknya yang terjual)
30
..
33
39
4.2.3. Model kathasil(harga yang dipilih oleh kOllsumcn)
43
4.2.4. Modeljkendaraan Genis kendaraan)
/...............
48
.
53
BAB V KESIMPULAN
5.1.
Kesimpulan
53
5.2.
Saran........................................................................
54
DAFTAR PUSTAKA
57
LAMPlRAN
59
DAFTAR TABEL
Halaman
'label 3.1.
........................................................................... 21
Tgbel32.
.
22
Tabe: 3.3.
.
23
'label 3.4.
.
24
Tabei4.1.
.......................................................................... 37
T"beI4.2.
.
42
'label 4.3.
..
46
T?beI4.4.
...................................................................... 50
DAFTAR DIAGRAM
Halaman
16
Gambar 2.1.
Gambar 3.1
,
27
Gambar 4.1.
35
Gambar 4.2.
36
Cambar 4.3.
41
Gambar 4.4
_.....................
44
Gambar 4.5.
45
GamlJar4.6.
49
GamlJar 4.7.
49
DAFTAR LAMPIRAN
Halaman
Lampiran I Perubahan ni!ai kategorik harga kendaraan..........................
58
Lempirc:n 2 Daio. PT. OTO l\1CLTIARTHA
63
Laml'iran 3 Pcngidisialan Variabel
67
BABI
PENDAHULUAN
1.1.
Latar Belakang Masalah
Teknologi komputasi dan media penyimpanan
tel~h
memungkinkan
manusia untuk mengcmpulkan dan menyimpan data dari berbagai sumber dengan
banyaknya data berskala besar. Pada bidang pemasaran produksi kendaraan roda
empat saat ini, persaingan di beberapa industri tidak terlepas dari pemanfaatan
kemajuan teknologi
infonn~si
d~Iam
pemasaran disebuah
perusahaan, salah satunya pemanf.'Ultan teknologi sistem
membantu kegiatan
penjualan
d~n
database[l]. Database perusahaan yang meliputi proses pen,iuulan dan pemasarar.,
pada saat ini belum dirasakan mar,faatnya seeara optimal oIeh pihak PT. OTO
MUlTIARTHA untuk daput digunakan dalam mengambil keputusan. Dengan
menggunakan teknik dalam Data Mining, peneIitian ini berusaha untuk membantu
pihak PT. OTO MULTIARTHA dalam menentukan strategi dan solusi keputusan
yang cocok dalam meningkatkan pelayanan dan mempertahankan pelanggan.
Pe'111asalahan lainnya yang dihadapi oleh pihak PT. OTO MULTIARTHA yaitu
bagaimana
mempertahankan
mengeluarkan
biaya tinggi
pelanggan
yang
telah
ada
dengan
tidak
Customer Relation Manager (CRM). Untuk
mengurangi biaya tinggi akibat menurunnya daya pembeJian konsumen, maka
dilakukan pemodelan dengan menggunakan Metode Gini untuk menganalisis dan
memprediksi pelanggan mana yang paling besar kemungkinal1nya untuk mcmbcli
scbuah kendaraan roda cmpat dengan karakteristik kcndaraan tertentu.
Pengertian Data Mining digunakan untuk mendefinisikan suatu proses
pencari'ln otomatis terhadap infonnasi yang menarik dan berguna dalam suatu
basis data yang dititik beratkan pada pencmuan pola yang sulit atau bahkan tidak
mungkin dilakukan dengan mekanisme query database standar [2]. Classification
Data Mining adalah salah satu tipe Data Mining yang bertujuan untuk menemukan
pola k!asifikasi variabel-variabel yang
memprediksi suatu variabel target.
Pendekatan ini dapat digunakan untuk memprediksi respon konsumen terhadap
pengadaan kendaraan roda empat di Perusahaan OTO MT JLTIART!-IA.
A!goritma CART telah I&ma digunakan untuk tujuan raemoentuk suatu
Decision Tree dalam rangka penemuan pola klasifikasi variabel [3]. Learning
sample digunakan untuk membentuk model tree dengan menggunakan algorilmd
oemisah tertentll yang akan memis&hkan learning sample menjadi dua subgmp
(node) ,ceara rekursif atau bertingkat hingga ;neneapai terminal node (leaf).
Mdihat tun,utan dan kebutuhan sumber daya manusia Sallt ini, Perkembangan
Data Mining
yang
san~at
pesat tidak terlepas dari perkembangan teknologi
infonnasi yang memungkinkan data dalam jllmlah besar dapat terakumlilasi.
Sebagai eontoh, PT. OTO MULTIARTHA yang menyimpan data pada setiap
penjualan kendaraannya. Database penjualan tersebut adalah sebuah penjualan
yang berskala besar, Tetapi pertumbuhan yang pesat dari akllmlilasi data itu telah
meneiptakan kondisi yang sering diistilallkan sebagai "rich of data but poor of
i'iformation [4]" karena data yang terkllmpul itu tidak dapat digllnakan untuk
aplikasi yang berguna, tidak jarang kumpulan data itu dibiarkan begitu saja
3c~kan-akan sebuah
1.2.
kuburan data.
Perumusan Masalab
Pennasalahan yang akan dikaji dalam penelitian ini adalah :
I.
Penearian
infonnasi
sebanyak
mungkin
dari
data.base
PT.
OTO.
MLTLTlARTHA.
2.
Penentuan variabel-variabel prediktor yang sangat berpengaruh dan dapat
mempengaruhi variabel target tertentu.
1.3.
Tujuan Penelitian
Tujuan pengola;lan database dengan menggunakan pendekatan data
mining adalah:
1. Mer.getahui infonnasi-informasi penting yang terkandung dalam kumpulan
data
di PT. OTO 'I1ULTIARTHA guna mendukung
kebij~kan
yang akan
diambil perusahaan atau konsumcn.
2. Mengetah:.:i predik'tor-prediktor terpenting ya,lg berpengaruh terhadap suatu
variabel target guna mendefinisikan program kerja perusahaan.
1.4.
Manfaat Penelitian
Manfaat pengolahan database dengan menggunakan pendekatan data
mining dapat digunakan untuk mengambil suatu kebijakan yang tepat berdasarkan
informasi-infonnasi penting yang didapatkan dari kumpulan data yang bennanfaat
baik bagi produsen maupun konsumcn pada umumnya. Dan Icbih khusus lagi
digunakan pada ?T. eTC' MULTIARTHA.
1.5.
Pembatasan Masalah
Tugas
akhir
ini
hanya
mcmbahas kasus
pada data
PT.
OTO
MULTIARTHA dengan menggunakan metode gini dan pohon kasifikasi pada
aplikasi CART (Classification and Regression Tree).
BABII
DEFINISI DAN KONSEP
2.1.
Definisi Dllla Mining
Data Mining (OM) adalah proses yang menggunakan berbagai perangkat
(tools) anal isis data untuk menemukan pola dan hubungan dalam data yang
';1Ungkin dapat cigunakan untuk membuat prediksi yang valid.
Seringkali
dap~!
ditemukan peagertian OM adalah salah satu bidang yang
berkembang pesat karena besamya kebutuhan akan nilai tam bah dari database
skala besar yang malin banyak terakumulasi sejalan dengan pertumbuhan
teknologi infcrmasi [7J.
Oefinisi Uffium dari OM itu sendiri menurut Mohammad Sugeng Haryoro
[7] adalah serangkaian proses untuk menggali nilai tambah berupa pengetahuan
)'~ng
sela.na ini tidak diketahui seeara manual dari suatu kumpu!an data.
O~lam
review ini, penulis meneoba merangkum perkembangan terakhir dari teknikteknik OM beserta implikasinya di dunia bisnis. Pengertian mining sendiri berarti
usaha untuk mendapatl:an sedikit barang berharga dari sejumlah besar material
dasar.
Oleh karena itu OM sebenamya memiliki akar yang panjang dari bidang
ilmu seperti kecerdasan buatan (artificial intelligent) [5J, machine learning,
statistik dan database.
Langkah pcrtama dan paling scdcrhana dalam c1ata mining yaitu
menggambarkan data dan menyimpulkan atribut statistik (scperti rata-ra;3 dan
standar deviasi), mereview seeara visual menggunakan diagram dan grafik, serta
mencari relasi berarti yang potensial antar variabel (misalnya nilai yang sering
muncul bersamaan) [10]. Mengumpulkan, meng-eksplor, dan memilih data yang
tepat adalah sangat penting.
Menurut [10], pada dasarnya ada empat langkah utama c1alam melakukan data
mining:
I. Mendeskripsikan data, yakni menyimpulkan atribut statistik (seperti rata-rata
clan standard deviasi), mereview secara visual menggllnakan grafik dan
diagram, serta mencari h!.!bungan-hllbllngan potensial antar variabel (seperti
misalnya, nilai-nilai yang seringkali keluar bersamaan).
2. Membangun model perkiraan (predictive model) berdasarkan pada pola-pola
yang ditemukan pada langkah sebelumnya.
3. Menguji model di luar sampel asH. Sebllah model yang baik tidak harus sama
persis dengan kenyataan sebenarnya (seperti peta bllkanlah rf'presentasi
sempurna dari jalan yang sebenamya), akan tetapi bisa meqjadi panduan yang
berguna untuk mengerti bisnis kita.
4. Memveriflkasi/menguji model. Misalnya, dari suatu database pelanggan yang
telah merespon tawaran yang pernah diiklankan kepada mereka, kita
membangun sebuah model perkiraan yang memiliki prospek akan mendapat
respon yang sama dari pelanggan dengan tipikal tersebut.
Tapi bisakah kita benar-benar bergantung pada perkiraan kita tersebut? Kita
perlu membuk1ikan model perkiraan kita tersebut ke sample pelanggan yang
lain dan melihat hasil yang kita dapalkan.
Untuk melakukan hal tersebut diatas maka setidaknya dibutuhkan suatu
program yang dapat menampilkan (kalau tidak mendeteksi) pola dan keteraturan
dalam data sehingga pola-pola yang kual atau sangat jelas terlihat dapat digunakan
untuk melakukan prediksi[ I0].
2.2.
Teknik Data Mining
Dengan definisi Data mining (OM) yang luas, acla banyak jenis teknik
an~.Iisd
yang dapat digolongkan dalam OM. Beberapa
digunakan
clalam
literatur Data mining (OM)
teknik
ant'lra
yang
lain:
sering
Clustering.
Cia>sification. Association Rule Mining. Neural NetlVork. Genetic Algorithm dan
lain-lain.
Dalam hal ini pcnulis menyajikan pengertian konfigurasi penyimpanan
data yang memudahkan pemakai untuk melakukan OM yang umum disebut
dengan data warehouse [4].
Data warehouse adalah kumpulan terpadu data perusahaan, yang dapat
diakses oleh business managers. administrators. service providers & researchers
yang berhak untuk menganalisis data tersebut. Karena OM adalah suatu ,angkaian
proses, maka OM dapat dibagi menjadi beberapa tahap yaitu
l. Pelllbersihan data (Screening data). untuk membuang data yang tidak jelas,
dengan demikian data tersebut dapat dikonfirmasi kepada pemberi data
(diem)
2. lntegrasi data (penggabungan data dari beberapa sumber)
3.
Tran~forl1lasi
data (data diubah menjadi bentuk yang sesuai, untuk digunakan
dalam metode DM yang dipilih)
4. Aplikasi teknik DM berdasarkan metodenya
5. Evaluasi
pola
yang
ditemukan
(untuk
menemukan
intormasi
yang
menarik/bemilai)
6. Prtse:ltasi pengetahua:1 (den;;an teknik visualisasi).
Tahap-lahap tersebut, bersifat interaktif dimana pemakai dapat terlibat
jangsUl~g.
Biasanya perusahaan-perllsahwn memakai datahase dalam operasi
sehari-hari s"p"rti pencatatan transaksi jual-beli, administrasi pengiriman barang,
inventori. penggajian dan sebagainya. yang lazim disebut dengan OLTP (online
IrcnsaCliun processing) [4]. Dei,gan makrn besamya kebutuhan akan analisa data
ur.tuK mempertahankan keunggulan dalam k0mpetisi, banyak perusahaan yang
juga membangun database tersendiri yaug khusus digunakan untuk menunjang
proses penga'l1bilan keputusan (decision making) atau lazim juga disebut dengan
OLAP (online analytical processing).
2.3.
Tahapao Data Mining
Tahapan Data Mining digunakan untuk mendefinisikan suatu proses
pencarian informasi yang menadk dan berguna dalum suatu dala yang dililik
beratkan pada penemuan pola yang sulit atau bahkan tidak mungkin dilakukan
dengan mekanisme query standar. Pada sistem data base dapat digunakan :
2.3.1. Association Rule Mining
Association rule mining adalah teknik mining untuk menemukan aturan
assosialif anlar;; sualu kombinasi i!em f6j. (omoh dari aluran assosiatif dad
analisa
p~il~belian
di SUall< per:lsahaan penjualan mobil adalah dapat diketahui
berapa b"sar kemung;"inan (possibility) dan sesecrallg membeli mobil bersamaan
dengan asuransinya.
Dengan pellgetailUan oari hai yang
di~ta>
l"rsebul. pemilik perusahaan
penjualan mobil dapat mengatur pengambilan asuransi atau P.1erancang kampanye
r:emasaran dengan
ffie;n~kai
potongan harga untuk sualu mobil tertentu. Penting
tidaknya Sl'atu aturan assosiatif dapat diketahui dengan dua parameter support
yaitu persentase dari sualu data.
Algoritma
yang
digunakan
untuk
memecahkan
masalah
dalam
menganalisa suatu pennasalahan adalah Apriori dengan paradigma generate and
test, yaitu pembuatan kandidat kombinasi item yang mungkin berdasar aturan
tertentu lalu diuji apakah item tersebut memenuhi syarat support minimum (7].
Kombinasi item yang memenuhi syarat tersebllt disebllt frequent itemset. yang
nantinya akan dipakai untuk membuat aluran-aturan yang memenuhi syaral
confidence minimum. Makalah ini membahas perbandingan kinerja dari dua
perangkat lunak data mining untuk menemukan pola asosiasi dari suatu basis data.
Perangkat lunak yang pertama didasarkan pada metode yang berbasis pada gmf
asosiasi, sedang perangkat lunak yang kedua didasarkan pada penempan metode
dimensi fraktal, untuk keterangan lebih lanjut tentang hal ini dapat dibaca di [15].
Untuk memperoieh satu set pola asosiasi, pengguna dari kedua perangkat
lunak harus mcnspesifikasikan item-item pada masing-masing perangkat lunak.
Pada perangkat lunak yang didasarkan pada graf asosiasi, kualitas pola asosiasi
yang dieari hanya didasarkan pada p2rameter minimum support dan minimum
confidence. Confidence (kepercp.yaMI) dari slietu aturan asosiasi adalah suatu nilai
persentase yang menunjukkan bagail1lana atur"n terjadi
ant~r
semua kelompok,
dan nilai kepercayaan menandai adanya aturan nilai yang lebih tinggi [11].
Meski dari sumber yang sama [11] hasil kaj ian perbandingan terhaclap
kinerja dari kcdua perangi<at iunak secara umum dapat disimpulkan bahwa
metode dimensi fraktal daflat menghasilkan jum!ah aS0siasi yang jauh lebib
banyak dibandingkan metode yang didasarkan pt;da graf asosiasi. Selain itu,
waktu komputasi yang diperlukan oleh me/ode Jimensi fi'aklal jauh Iebih kecil
dibandingkan dengan me/ode graf asosiasi untuk spesifikasi pola asosiasi yang
sama.
2.3.2. Klasifikasi
Klasifikasi &dalah proses untuk menemukan model atau fungsi yang
merlielaskan atau membedakan konsep atau kelas data. Pada data klasifikasi, data
dipasangkan pada sebuah kelas label tertentu. klasifikasi mcmbentuk sebuah
model yang nantinya digunakan untuk melakukan prediksi kelas label pada data
baru yang belum pernah ada sebelumnya. Misalnya pada aplikasi email spam
filtering, data email dipasangkan pada class label "spam" dan "bukan spam".
Kemudian dibentuk sebuah model yang dapat menentukan sebuah email baru.
Jadi. data classification memiliki dua tahap yaitu:
pembentukan model, dan penggunaan model lersebul untuk prediksi kelas label
data baru. Model yang dihasilkan biasa disebut claSSifier. Terdapat banyak sekali
leknik dan pendekalan yang digunakan dalam data classification, sebUI saja
decision tree, bayesian classifier, rule-cased classifier, neural lIetwork, support
vector machine (SVMj, associative classification, nearest neighbor, f!.<!netic
algoritl,m, fuzzy logic, dan lain-lain, Dari beberapa istilah ini, kita tahu ballWa
banyak algoritma data classification berasal dari bidang machine learning,
pal/em recognition, dan statistic dengan luj<Jan untuk dapal memperkirakan kelas
dar: suatu objck yang labelnya tidak diketahui. Model itu
s~ndiri
bisa bcmpa
aluran 'jika-maka", yang berupa decision tree, formula maU,matis atau neural
network.
Umumnya salu variabel bersifal sebagai suatu fungsi dari variabel lainnya.
Hal inl mengakibatkan nilai dari variabel targel dapat ditentukan dari nilai yang
diberikan oleh variabel lainnya yang disebut dengan variabel predihor. Y
merupakan variabel target dan X adalah variabel prediktor denganjumlah variabel
sebanyak p variabel yang dinotasikan dengan XI, ., " Xp • Dalam model prediksi,
persamaan dari model tersebut biasanya berbentuk Y = f(X1"",X p ;e) dengan Y
adalah hasil prediksi model dan
j:ka ;.
&~alah
e menunjukkan parameter model. Menurut [14]
variabel kategorik maka pemetaan dari X ke Y disebut dengan
klasifikasi. Variabel kategorik merupakan variabel yang nilai-nilainya hanya
bersifat mengkelas-kelaskan objek yang saling terpisah. Berdasarkan skala
pengukurannya, variabel kategorik dapat diklasifikasikan menjadi variabel
berskala nominal dan variabel berskala ordinal (16].
J. Skala Nominal
Angka-angka yang disajikan pada skala nominal hanya sebagai nama
penggolongan. Angka tersebut tidak mengukur besaran telapi hanya sebagai
lambang. Disini, angka I tidak lebih besar dad pada 0
be~itll
pula 0 tidak lebih
keeil daripada L Misalkan pemberian kode J pada merek mobil BMW dan 0 pada
merek mobil AUDI tidak berarti bahwa BMW mempunyai nilai satu dan AUDI
mempunyai nilai
HOI.
Angka-angka tersebut ha'lyalah kode untuk membedakan
antara BMW dan AUDI, dengan demikian kitajuga bisa menllkar AUDr menjadi
odan BMW menjadi I tanpa merubah maknanya.
2. Skala Ordinal
Seperti halnya pada skala nominal, angka-angka yang disajikan hanya
sebagai
nama
penggolongRn.
Perbedaan
dengan
skala
nominal
adalah
penggolongan pada skala ordinal telah membentuk suatu tataan. Pada skala ini ada
yang dianggap tingkat terendah dan tertinggi. Walaupun dernikian jamk antara
dua angka atau penggolongan yang berurutan tidak perlu sama. Misalkan pada
tingkatan penjualan , kendaraan murah dibcri angka I, scdang diberi angka 2,
mahal diberi angka 3.
d~n
San;;3t mahal diberi angka 4. Penjualan yang
berkualitas didapatkan dari penjualan murah, tetapi kualitas p,:njualan dari mahal
tidak berarti dua kaJi lebih berkuaJitas dari pada penjualan murah.
2.3.3. Regresi
Perbedaan mendasar antara klasifikasi dengan regresi terletak pada jenis
variabel targetnya. Menurut [16] jika variabel targetnya merupakan variabel
kategorik maka disebut
denga~
klasifikasi namun jika variabel targetnya bempa
variabel numerik maka disebut regresi yaitu pemetaan dari X, ....., X o ke Y dengan
persamaan Y=f(X" .... xp:e).
Pe~sama"n
va~iatel
regresi dapat tcruiri dari satu variabel prediktor dan satu
tar;;et atau beberapa variabel prediktor dengan satu variabel target,
persamaan yang penama disebut persamaan regresi sc:derhana. Contohnya adalah
hubungan antara keillarga dengan anggota keJuarga, dalam contoh
terseb~lt
yang
menjadi variabel target adalah angguta keluarga dan variabel predik'tomya adalah
keluarga.
f'ersamaan kedua disebut regresi berganda contohnya adalah hubungan
antara variabel prediktor tingkat pendidikan. pendapatan dan jumlah anak
terhadap variabel terikat pengeluaran konsumsi keluarga.
Regresi linear adalah persamaan regresi yang menggambarkan hubungan
antara satu variabel predik'tor (X) dan satu variabel target (Y), dimana hubungan
keduanya dapat digambarkan sebagai suatu garis lurus. Sehingga menurut [I]
hubungan kcdua variabel tcrsebut dapat dituliskan dalam bentuk pcrsamaan
berikut:
I'
...( I)
Y=ao+"'aX
L J J
j"'l
Dimana
e ={ao, ...• a
p
}
adalah parameter dari model persamaan regres!.
Jika .i = I maka persamaan I disebut dengan persamaan regresi linear sederhana.
Jika .i > 1 maka persamaan 1 disebut dengan persamaan regresi linear berganda.
2.3.4. Cluslering
Berbeda dengan associalion I1lle mining dan classificalion dimana kelas
data telah ditentukan sebelumnya, cluslering (pengelompokan) banyak digunakan
unruk memisahkan dan melakukan pengelompokan data tanpa herdasarkan kelas
data pacta suatu variabel target tertentu. cluslering dapat juga dipakai untuk
memberikan label pada kelas data yang belum diketahui. Oleh karena itu
cluslerfng sering digolongkan sebagai metode unsupen-ised learning. Prinsip dari
cluslering adalah memaksimalkan kesamaan antar anggota satu kelas dan
meminimumkan kesamaan antar kelas/clu3ler yang terbentuk[J4].
Banyak algoritma cll'slering memerlukan fungsi jarak untuk m0ngukur
kemiripan antar data, dan normalisasi bermacam atribut yang dimiliki data [13].
Beberapa algoritma clustering yang banyak dikenal adalah metode partisi dimana
pemakai harus menentukanjumlah k partisi yang di inginkan lalu setiap data dites
untuk dimasukkan pada salah satu partisi, metode lain yang telah lama dikenal
adalah
metodc
hierarki
yang
tcrbagi
mcnjadi
dua
bOl/om-up
yang
mcnggabungkan clusler kecil mcnjadi clusler Icbih bcsar clan top-down yang
mcmccah chisler besar menjadi clusler yang lebih keci!. Kelemahan
;ne~ode
ini
adalah bila salah salu penggabungan/pemecahan dilakukan pada lempal yang
salah, lidak dapat diperoleh cluster yang optimal [13].
2.4.
Decision tree
Decision tree melakukan partisi terhadap learning sample yaitu kumpulan
data terdahulu sebelum dikelaskan unluk semlla observasi menjadi bagian yang
lebih kecil [12]. Setiap partisi hanya didasarkan pada variabe! lunggal yang dipilih
dari learning sample. Algoritma Class!{Jcalion And Regression Tree (CART) akan
mencari variabel dan semua nilai yang mungkin bertujuan untuk menjadi pemisah
terbaik. Proses pemisahan tersebut dilakukan pada setiap hasil pembagian data
atau node pada treenya.
Decision Iree adalah cara merepresentasikan kumpulan aturan yang
mengacu ke suatu nilai atau kelas[12]. Misalnya kita bisa mengklasifikasikan
SU8(U
proposal pinjaman uang memiliki resiko baik atau buruk dengan menelusuri
model treenya. Gambar 2.1 memperlihatkan decision tree secierhaTla: decision
node, branches and lem'es.
Income> $ 40,000
N/
'~s
Job> 5 Years
High Debat
Ye~NO
Yes/~~o
Good Risk
Bad Risk
Bad Risk
Good Risk
GambaI' 2.1 Decision tree sederhana untuk menentukan resiko pengaman oieh
cusfomer
Komponen pertama adalah simpul top decision, atau simpul rOOI, yang
menentu~an
test yang akan dijalankan. Simpul rOOT dalam cantoh ini adalah
"income> $40.000". Hasi! dari tes ini menyebabkan tree terpecah menjadi dua
cabang, clengan tiap cabang mepresentasikan satu dari jawaban yang mungkin.
Dalam kasus in!, jawabannya adalah "ya" dan "tidak", sehingga kita mendapatkan
dua cahang.
Bergantung pada algoritma yang digunakan. Tiap simpul bisa memiliki
dua atau lebih cabang. Misalnya, CAR f akan meng-generate hanya dua cabang
pada tiap simpul. Tree seperti inl disebut binmy tree. Ketika lebih dad dua cabang
diperbolehkan maka disebut sebagai mllltiway tree.
Tiap cabang akan memiliki simpul node yang lain atau dasar tree. yang
disebut leaf Dengan mengikuti decision tree kita bisa memberikan nilai pada
suatu kasus dengan memutuskan cabang mana yang akan diambil, dimulai dari
simpul root dan bergerak ke bawah sampai leaf Dengan menggunakan metode
ini, scorang manager, yang bcrtanggungja\\ab untuk memutuskan apakah scorang
konsumen dapat membeli sebuah kendaraan dengan prediksi memiliki resiko
kredit yang baik atau buruk.
Model decision tree umum digunakan dalam data mining untuk menelaah
data dan menginduksi tree dan aturan yang akan digunakan untuk membuat
prediksi. Sejumlah algoritma yang berbeda bisa digunakan untuk membanguntree
di antaranya adalah CHAID (Chi squared Automatic Interactin Detection), CART
(Classification and Regression Trees), Quest dan CS.O.
Decision tree
be~kembang
melalui pemecahan iteratif dari data ke dalam
grup-gi'UP diskrit, yang tujuannya adalah untuk memaksimalkan 'Jarak" antara
grup pada ti~p pemecahan.
Contoh yang kim gunakan pada penelitian ini sederhana. Tree ini mudah
untuk dimclIgcrti dan d;jnielpretasikan. Akan tetapi, tree bisa menjadi sangat
kompleks. Sebagai contoh kompleksi!us suatu tree yang diturunkan dari database
d'cngan
ratu~an
atrib:.Jt dan
va~iabe!
respon dcngan lusinan kelas input. Tree
sej)crti ini akan sangat sulit untuk dimengerti, meskipun tiap path dari tree
lJiasanya dapat dimengerti. Dalam hat ini decision tree bisa rnenjelaskan
prediksinya, yang merupakan keuntungan penting. Akan tetapi, kejelasan ini bisa
jadi menyesatkan.
2.5 Classification and Regression Trees (CARl)
Clas.I'lication And Regression Tree (CART) adalah metodologi klasitikasi
yang menggunakan data terdahulu untuk membangun decision tree. Kemudian
decision tree tersebut digunakan untuk meng-kelaskan data banJ.
Dalam membangun decision free, Classification And Regressio/l Tree
(CART) menggunakan learning sample yaitu kumpulan dat, terdahulu sebelum
dikelaskan untuk semua observasL
CART merupakan alat decisio/l tree yang baik untuk data mining,
pemodelan prediksi dan pengolahan datI. CART seeara otomatis mencari polapola dan hubungan yang pe:1ting yairu membuka struktur yang tersembunyi
meskipun datI yang digunakan memiliki kompleksitas tinggi. Metodologi CART
dike;)a] sebagai parrisi binary rekursif Binary karena proses pemode!an
melibatkan pe;nba8ia'1 kumpulan datI mer:jadi dua subgroup (atau /lode).
Reku~sif
"arena "roses Giuiar:g untuk setiap penghasilan /lode. Basil model
biasanya dilampilkali sebagai diagram pohon. Diagram pohon ini membagi semua
data menjadi kumpulall dari beberapa subgroup atIu node sehingga perk iraan dari
jawaban mendct-ati nilai aktual dari jawaban da!am setlap node. Kemudian CART
mengatur semua variabel penting sehingga jumlah prediil.1ot' yang mendapatkan
:1:lai tidak nol re!atif ked!.
BABIH
METODOLOGI PENELITIAN
3.1.
Pengolaban Data
3.1.1. Proses Screening Data
Screening data adalah sebuah proses yang dilakukan untuk mengetahui
terdapat nilai yang hilang (missing value), kesalahan ketik, Wilier, penentuan
variabel yang akan digunakan, dan sebagainya. Terkadang dalal11 melakukan proses
screening data, transfarmasi data dilakukan c:ntuk merubah data bemilai numerik,
menjadi kategorik.
Pada pembentukan model, learnjag sample yang digunakan ahn dipisah
menjadi menjadi ciua subgmp (node) secara rekm-sif atau bertingkat hingga mencapai
lerminal node (lcu/) dCllgan rl'enggiJuakan algcritma pemisah tcrtentu[7]. Dalam
peneliti8.n ini algoritma p.emisah yang akan diballas adalah aturan pemisah Gini (Gini
splitTing rule) yang digunakan dalam classtfication tree.
Pertumbuhan Iree dari learning sample akan menghasilkan level suatu tree
yang paling besar atau disebut dengan tinggi tree. Dibandingkan dengan model tree
yang lainnya tree tersebut memiliki jumlah terminal node yang paling banyak. Tree
paling besar seperti ini disebut dengan maksimum tree.
Database saat ini baleh jadi berkembang menjadi sangat besar secara cepat ke
dalam ukuran gigaby1e. Di dalam tumpukan data tersebut mungkin terdapat
informasi-informasi tersel11bunyi yang sangat penting atau menjadi penting pada saat
dibutuhkan. Hal ini sulitnya l11enel11ukan sebuah jarum dalam tUl11pukan jerami?
Dalal11 hal ini dapat kita katakan bahwa semua data belum berarti infonnasi.
Pengolahan sebuah data terlebih dahulu haruslah melalui proses screening
data agar dapat diketahui variabel-variabel mana saja yang memiliki missing value.
[17 J Penggunaan SPSS untuk melakukan screening dab agar data tersebut dapat di
olah kedalam program CART (Classification dan Regression Trees).
Penggunaan SPSSuntuk melakukan screening data agar data tersebut dapat cii
lakukan dalam mcngolah kc dalam program CART (Classification dun Regression
Trees). Dari data tersebut akan diketahui variabel-variabel apa saja yang berpengaruh
terhadap data yang ada, antara lain (tabel 3.2, 3.3, dan 3.4)
I
Tabel 3.1. Contoh data yang akan di screening dengan mengglmakan sofwere SPSS
rnrkmobi!
I bbakar I
sid
Ibpinll jkendara 1~lokrne3lOIS; Ipan~ lebarlting!
turbo
tv,,/(1
h.lchba
f','.o'd
flont
959
11')
",":1
, , ) .<-
rrul';utll
rnitsubl
go,
Eld
S!?;d8n
f'Nd
f,Yd
front
front
963
9E.3
17:24
std
four
fout'
s&ljan
985
r(ll!subl
(las
turbo
four
sedan
f'Nd
fyd
front
ftont
96.3
9E3
1724
172.4
f~'E. .d
flem!
9~1.5
165.3
f·yd
front
945 166.3
front
S.~
front
rriltsubl
9
8S
t"flitsubl
gas
std
four
sedan
nl5san
gas
t1.I>l(1
t"llss.;n
dl8B81
std
std
tv·)!)
sedan
sl?:dan
n15Sf:!1l
gas
gas
5td
tlNO
sedan
std
four
s~dan
f'Nd
f·/o.'d
gas
9 as
e,td
fOUl
front
std
tv.JD
\I"'lagon
s8dan
f'Afd
nissan
fvvd
front
fH:·San
gas
e,td
tlJVO
halo:hba
gd';
s,:d
f,)lIl"
s8dan
f'Nd
fNd
front
front
nlSSCin
nl~,S8n
nl·::·Sdtl
.5
94.5
945
945
94.5
945
172,4
G53
654
G54
65.4
G54
636
50
52
52
52
52
55
55
l33.o 55
133.8 b'='
63.a 54
6-)-' .....
':- 55
GO:' 0
.... L.
1G53
155,3
171J2
1&5.3
5~i
165.6 r-'r,
J').O
5f,
1£,5.3 133 :3
berat ljmesinl
29J5 01"1(:
2365 otic
2405 ohc
2403 DilL:
2403 ohc
188'3
;'017
1916
1938
ohc
uhe:
ohc:
ohc:
2024 ohc
195·1 c.hc
2028 ahc:
197·1 ,:,h(;
Data yang akan digunakan untuk discreening dengan menggunabn sonvere
SPSS [16], memiliki 24 variabel diantaranya adalah Madein (pembuatan kendaraan).
MrYJDobil (merek mobil), Bbakar (Bahan baker), Eksmcsin (pcnggunaan mcs;n).
Bpintu (banyaknya nintu), Jkendara (jenis kendaraan), K.rit (kriteria mesin),
Loknle~in
(likasi mesin), Jmes;;] (jenis mesial, Cylinder (banyaknya cylinder).
Sbbfsyst (sistem bahan bakar full system),
l'~athasil
(kategorik nilai harga), l'e;ljuala
(kategorik dari laku), Laku (normalisasi penjualan), Umesin (ukuran mesin), Symbol
(symbol), Torsi (jarak/torsi rada), Panjang (panjang body kendaraan), Lebar (lebar
body KenJaraan), Tinggi (tinggi body kendarqan), Berat (berat kendaraan), Rasio
(rasio kompresi mesin), Hp (tenaga kudalbhp), Harga (harga jual kendaraan). Dalam
proses screening akan dilakukan uji frekwensi, untuk mengetahui nilai yang hilang
(missing Valuc).Hasil dari proscs scrccning data tcrscbut dapat dilihat pada tabcl3.2,
3.3~
dan 3.4.
Tabel 3.2. Hasil Screening Peng
Negara
merek
N
Pembuatan
mobil
Valid
204
204
Missing
0
0
Tinggi
Berat
Rasio
Tenaga kuda
Kendaraan
Kompresi
BHP
204
204
204
204
204
u
0
0
2
0
Mean
53,749
2555,60
10,15
104,22
256,36
Median
54,100
2414,00
9,00
98,00
171,00
Mode
50,8
2385
9
68
1234
Std. Deviation
2,4249
521,%1
3,961
39,810
246,587
15,848
1584,851
60805,118
5,8801 272443,098
Range
I
12.0
2578
16
2&0
Maximum
60,3
1488
7
48
Sum
13447.0
521343
2074
21053
Minimum
I
Keterangan:
Dari Tabel 3.2. diketahui missir
maka data tersebut haruslah dik
Sehingga akan didapatkan data
Harga
I
2285
91
-
5229!.-.
Tabel 3.3. Produksi Pembuatan kendaraan berdasarkan negara pell1produksi
Negara
Valid
Total
amerika
mggns
jepang
Jennan
korea
perancIs
swedia
Frekwensi
25
5
93
36
21
13
11
204
Persen
12.5
2.5
45,6
17.6
10.3
6.4
5,4
100,0
Valid I1ersen
12.5
2,5
45,6
17,6
10.3
6,4
5,4
100,0
komulatif
Persen
12,3
14,7
60,3
779
,
88.2
94,6
100,00
Pada tabel 3.3 diketahui bahwa : dianlara banyaknya produksi kel1daraan roda empat
saat ini, produksi penjualan kendaraan terbanyak adalah dari Negara Jepang karena
ll1ell1punyai trekuensi paling besar seban;'ak 93.
Tabel 3.4. Banyaknya konsumen memilih kendaraan berdasarkan merek
.,'-
Valid
Merek
audi
bmw
chevrolete
daihatsu
honda
hyundai
Frekuensi
lSUZU
jaguar
kia
land rover
mazda
mersedez b~
mitsubishi
nissan
opel
peugot
reilault
suzuki
toyota
volkswagen
volvo
I
total
Persen
3,4
3,9
1,5
2,5
6,4
6,9
7
8
3
5
13
14
17 8,3
3 1,5
7 3,4
"
LO
4 2,0
9
13
18
4
4,4
6,4
8,8
2.0
11 5,4
')
1,0
9 4,4
32 15,7
12 5,9
11 5,4
204 100,0
Komulatif
Valid Persen Persen
3,4
3,4
3,9
7,4
1,5
8,8
2,5
11,3
6,4
17,6
6,9
124 ,5
8,3
32,8
1,5
34,3
3,4
37,7
1,0
38,7
2,0
40,7
4,4
45,1
6,4
51,5
8,8
60,3
2.0
62.3
5,4
67,6
68,6
1,0
4,4
73,0
15,7
188 ,7
5,9
5,4
100,0
100,0
~
Dari TabeJ 3.4. dapat diketahui banyaknya penjualan didominasi oleh kendaraan
Toyota dengan persentase 15,7%.
3.2.
Data yang dipcrlukan
Penelitian ini menggunakan data sekllnder yang diperoleh dari PT. OTO
MULTIARTHA, data yang diambil pada tahun 2004 tersebut memiliki 22 variabel,
204 record.
Dalam pengolahan data, metode gini digllnakan untuk lI1engolah dan mencari
informasi dengan indeks gini yang didefinisikan sebagai gini ( t ) =
L: Pi (I - Pi ) ,
dimana p, adalah frekuensi relatif (ditentukan dengan membagi juml<:h kelas
pengamatan dengall total j umlah pellgamatan) dari kelas i pada node t, dan node t
menUl~ukkan
parent node amu child node yang memisahkan data. Indeks gini adalah
penguKur impurity untuk node maksimum yang diberikan ketika semua pengamatan
didistribusikan ke semua kelas. Secara umum, aturan pemisahan gini berusaha untuk
mencari kategOli homogenitas yang paling besar dalam data dan mengiso!asikannya
dari sisa data. Sub barisan node kemudian dipisahkan dengan cam yang sarna sampai
tidak mnngkin nntuk dibagi [8].
Menurut [9] Indeks gini untuk nilai variabel target binary yaitu
i (t ) =
2.P (lit). p (211)
Dimana:
t adalah node pohon.
P
V It) adalah probaiIitas dari kelas ke-j pada node t.
i = Indeks gini setelah memisahkan node t yaitu,
i(s,1)
= i(t) -
PI .i(tl) - P,.i(l,)
dimana PI' P, merupakan pecahan kasus dalam leaf kiri (kanan),
3.3.
Pengolahan Data
Dalam melakukan proses data mining ada beberapa tahap yaitu :
3.3.1. Pcndctinisian masalah
Pendefinisian masalah sangatlah penting karena kita dapat melakukan
penggalian data untuk mencari informasi yang penting dan dapat mengetahui
suatu pC!TIlasalahannya contoh :
1. 'v1en.:ntukan bauyaknya prediktor yang dapat mempengaruhi target.
2. Memilih kelas mana saja yang dapat mempengaruhi dari informasi tersebut.
3. Menentukan metvde yang digunak:m dalanl pengo!a.'1:m data, metode yang
digunakan dalam penelitian ini adalah metode gilli.
4. !'lasil yang diperoleh dari pengolahan data berupa Classification Tree, dan
dapat ciijelaskan menurut kelas-kelasnya,contoh dari Classification Tree
dapat dilihat pada Ganlbar 3.1.
Gambar 3.1. Contoh Tree Classification
3.3.2. Mengerti dan memperkirakan kualitas data
Data yang didapat harus dimengerti dan dipahami terlebih dahulu agar dapat
melakukan langkah selanjutnya serta memperkirakan kualitas data yang
dlperoleh agar hasil infoITllasi yang akan didapatkan menjadi baik
3.3.3.
Fenge~~splorasian
Pencarian
daw
kemungkinan
terdapatnya
hubungan-hubungan
yang
saling
berpengaruh antar variabe!. Variabel yang secara teod saling berhubungan
dapat digunakan untuk memperoJeh infoffi1asi sebanyak-banyal!.nya dari data
yang digunakan.
3.3.4. Pemilihan teknik pemodelan
Teknik data mining yang akan digunakan adalah tc!mik berdasarkan decission
tree.
3.3.5. Persiapan data dan pembentukan model
Persiapan data yang dilakukan meliputi pembersihan data (membuang data
yang tidak konsisten), deskripsi masing-masing varia be!, integrasi data
(penggabungan data dari berbagai swnber), transformasi data (clata diubah
menjacli bentuk yang sesuai untuk di analisa). Moclel dapat dibangun setelah
dilakukan persiapan data yang akan digunakan, maka langkah selanjutnya
adalah membangun sebuah model untuk mengetahui tingkat ketepatannya
3.3.6. Evaluasi model
Model yang kurang infonnutif harus die.,/aluasi kembali agar didapatkan
model ycng lebih infoffilatif dan mortel-model yang telah dihasilkan dapat
dikombina~ikatl
3.4.
sehingga mendapatkan informasi yang kbi h baik lagi.
Proses pengolahan data untuk meilgetahui pala yang tersembunyi
Stlatu perusahaan dapat menerapkan aplikasi yang menjanjikan
kCWlggulan kompetitif melalui pengelolaan pelangilan yang lebih baik.
Penerapan teknologi infonnasi (TI) di sebuah perusahaan penjualan kendaraan
telah menjadi kebutuhan mutlak penerapannya, tidak hanya untuk komunikasi
dan transaksi, melaillkanjuga untuk pemasaran. Dalam menentukan informasi
pelanggan untuk tingkat layanan yang pantas diberikan, serta menawarkan
produk yang sesuai.
Kita telah mengetahui bahwa data mentah (raw data) biasanya tidak
terlalu berguna karena ukurannya yang begitu besar sehingga sulit untuk
dianalisa. Kita perlu mengekstrak pola dad data mentah tersebut dengan
teknik data mining. Banyak instansi / perusahaan di dunia telah menggunakan
data mining untuk mencari dan menarik kesimpulan dari data yang mereka
miliki. Berikut beberapa contoh aplikasi data mining:
•
Perusahaan pemasaran menggunakan data sejarah respon pembelian
terhadap suatu tawaran produk yang dapat membangun model untuk
memperkirakan pelanggan potensial yang akan eli raih dengan metode
p~nawaran
•
tertentu [18].
Agen pemerintah menyaring elatil transaksi keuangan untuk mendctcksi
money launctering elan vnye!undupan obat terlarang (18].
•
Dalam tahapan
diagnosi~,
para fisikawan membangun expert system
berdasar1.:an b"nyalz pcrcJbaan yang tcbh dilakukan [! 8].
Sebuah data digunakan sebagai pencarian dari pengolahE!ll dengan
menggunaka.!1 program CART Dalam sebmIt data, akan dikelahui banyaknya
variansi konsumen lliltuk memiiih sebuah kenelaraan foda empat. Set;ap
konsumen memiliki selcra yang berbeela-beda diantaranya, didapatkan sebuah
pengklasifikasian, dimana variabel target akan dipengaruhi oleh beberapa
variable prediktor. Dalam algoritma diutas tersebut kita akan mengetahui
prediktor-prediktor mana yang sangat mempengaruhi variable target. Dalam
pengolahan data akan di dapatkan hasil dar! sebuah variable target, dimana
variable targetnya aelalah merek kendaraan dimana konsumen biasanya
membeli kendaraan berdasarkan merek kendaraan.
BABIV
ANALISA DARI SCREENING DATA BASE
4.1.
Proses Pembentukan Model Untuk Mengetahui Po12, Yang Tersembunyi
Data yang akan diguanakan adalah data dari PT. OTO Multiaratha yang
diambil atau di kalkulasikan dari penjualan pada tahun 2004 sanlpai dengan 2005.
Data tersebut mempunyai 24 variabel dimana banyaknya reeord/kasus ada sebanyak
204 kasus.
Data yang akan diolah memiliki 24 vari:::bel Jiantaranya 14 variabel kategorik
(string) dan 10 variabel numerik. Keterang.'n lengkap tentang ','ariabel y11fig ada dapat
dilihat pada Tabel lampiran 3.
Di dalam variabel harga Yi\ag bcmilai fiUiGErik
akan dirubah menjadi
kategorik agar lebih mudah untuk melakukan uji sebuah model. Dalam menggUl~akan
metode CART nilai y:wg numerik Jiruba f] menjaJi kategorik agar dapat
dik1asifil:asikan dengan baik, dan Japat memberkian suatu informasi yang dapat
memberikan kepuasan kepada konsumen. Dalanl menentukan perubahan numerik
menjadi kategorik, kami menggunakan metode Quartit, dirnana
dalam merubah
vari'.lbel harga tersebut dibutuhkan metode Quartil agar nilai numerik dapat dirubah
menjadi nilai kategorik. Jumlah record dari harga akan dibagi menjadi empat yaitu
QI, Q2, dan Q3. Dengan WI kami kategorikan sebagai interval harga murah, W2
sedang, W3 mahal dan W4 sangat mahal. Dalanl pengolaharl data tersebut, j umlah
record dari variabel harga terdiri dari 204 nilai numerik, akan diubah menjadi 4 nilai
kategorik interval.
Da!am melakukan screening data diketahui banyaknya record dari harga tersebut
adalah 204 data. Unluk menentukan QI, Q2, dan Q3 akan kila gunakan rumus :
[I]
Q, = ~ + c
4'
.r,
[I]
-·n-F
~n-F
, Q, = L, + c
4
j,
[I
~n-F.
2
, Q3 = L3 + C
4
.,
.f,
~I
Keterangan :
: 1.2,3
Li
: tepi bawah kelas !martil bawah Qi
n
: ukuran data (jumlah frekwensi)
f,
: trekwemi pada interval kclas kuarti! bawah Qi
fi
: frekwensi kumulatif sebt'lum kdas kuartil bawah Qi
Nilai dari Q tersebut akan di gunakan untuk menentukan batasan WI, W2, W3, dan
W4. yang mcnghasilkan:
WI = 91 sampai dengan 138 juta
= Mmah
W2 = 140 san1pai dengan 170 juta
=
W3 = 172 sampm dengan 275 juta
= Mahal
Sedang
W4 = 277 san1pai dengan 2376 juta = Sangat Mahal
Dalam proses perubahan nilai harga dari nUl11erik l11enjadi kategorik ini akan
mel11permudah dalal11 proses pengolahan data l11enggunakan Program CART,
terutama dalam pembentuk.:n mode! Classijica/wn /ree-nya.
4.2. Proses Pengolahan Data
Dalam menentukan suatu variabel target, peneliti biasanya menean-ean
variabel mana saja yang baik dan dapat dial11bil infonnasi yang sebanyak banyaknya
untuk dapat diketahui variabel target tersebut dipengaruhi oleh variabel variabel lain
(prediktor) mau tidak . Variabe! target dapat dipengaruhi oleh variabel prediktor dan
dapat menentukan infonnasi apa saja yang dihasilkan dari modd tersebut.
Pada 24 variabel dari tabel lan:piran 3 tersebut, banyak variabel yang kurang
tepat unmk dijadikan variabe! target, karena variabe! o:argd banyak yang tidak
berhubungan seeara teuri dengan variabel predlktomya. maka hanya almn diambil
bebe,aprr v::aiabel saJa untuk Jijadikan sebagai target yang dapat diambil
informasinya.
Diantara 24 variabel target tersebut yang haik untuk diambil infonnasinya
adalah variabel Sis/em Bahan Bakor/Fuel Sis/em, laku(banyaknya yang /erjual),
Ka/hasi(harga yang dipilih aleh konsumen), Jkendaraan(jenis kendaraan) karena
untuk mengurangi hubungan antara variabel target dan prediktor.
Dalam proses pengolahan data terdapat empat target diantaranya model dari
sis/em bahan bakar, Laku (banyaknya yang teIjual). Ka/hasil (Harga yang dipilih
oleh konsumen), Jkendaraan (jenis kendaraan yang banyak di beli oleh konsumen)
akan dilakukan proses pembuatan model, agar didapat infonnasi yang sesuai,
4.2.1. Proses Pemodelan Sistem Bahan Bakar/Fuel System
Dalam model yang pertama, dapat kita jadikan Sistem Bahan Bakar/Fuel
System menjadi variabel target dan prediktomya yang mempengaruhi variabel target
adalah Panjang, Lebar, Ukuran mesin, Torsi, Tinggi, Rasio, Hp (house power), Berat
jcnis kcndaraan tcrscbut.
Dalam pengolahan Model yang pertama, akan kita gunakan metode Gini.
Dalam meclentubn model, dapat diketahui setiap System Bahan BakarlFuel System
kendaraan mcmpunyai prediksi bennacam-macam, diantaranya :
•
disel,
•
ecGS (ECCS, Multi-Point Fuel Injection),
" en (Electronic fuel inje..:tioin),
•
msi (Multipoint Sequeutial Injection),
•
feem (Fully Electronic Engine Management),
•
hpcrdit (High Pressure Common Rail Direct Injectioll Turbo Diesel) ,
•
icimulti, ifis (Electronic Fuel Injection System),
•
micpro (Electronically (Microprocessor) Controlled Direct Diesel Injection),
•
mpfi (Multi Port fuel Injection),
•
mpi (Multi Point I11jection),
..
pgmfi (Programmed Fuel Injection),
..
Mi (Mechanical Injection),
..
vanos (Variable Camshaft Control).
Dari tree di bawah ini akan di(00
._._---_._.... _._.
Nod<
UMESI
W=10
-N(;j';:e""'5--LEBAR
W=23000
N=23
Node 6
Terminal
:INGGI
Node 3
W= 14.000
W=9.000
N= 14
Terminai", T8rrdnal
_*
Node 1 Node 2
W=8000 W=6.000
:JIJl:Il~
-_._ __
__
.....
-
--_._~
.
Node 20
BERAT
W=65.000
N='
._
-----
N=65
._---
Node 24
TOI
RASIO
W'
W=31.000
~
N= 3.1~
Terll1lnai'-Noel-e 25 !---_.Node4 JMESIN
W=2.000 N=13.000
N=13
-I_.-
J
"t1Ode26-
Node':!]
3CRAT
W= 18.000
N=18
"NOde28-l'erminal
TORSI
Node 27
W= 17.000
W= 1.000
-!!..=.E-
Dalanl node 1 dapat dilihat m( kecii
Dalam oktimaml tree, terbentt'eda-beda
dalam analisis dari Sistem Bal
~~
TORSI
W= 12.000
N=12
~
Terminal Terminal Terminal Terminal
I~ode 23
Node 24 Node 25 Node 26
W=4.000 W=8.000W=15.000W=2.000
F TIfIIIII
Terminal
Nvde28
W= 10000
'1IIF
N
iO
Terminal"
Node 29
W=5.000
...
Hal tersebut dipengaruhi oleh Gambar 4.1. yang akan mempengaruhi gains chart dari
nilai rata rata 10 % data, maka akan diketahui 100 % dari kelasnya
Gaim: Chart
I tOO
"
20
sohc: learn
Gains
Lift
Cum Lift
Tot<i! cases: 6
Percen( of :>arnple: 2.94
Gambar 4.2. Gaint Cart Sistem bahan bakar dengan kelas SOHC
F~da
gambar 4.2. dapat ditabel data digolongkan dalam kelompok jenis kendarlian
wenggunakan sistem p~mbakaran SOHC berada pada Node ke-l,
G::mbar dan diagram gains chart mell1perlihatkan bahw2. model tree yang
dihasilkan l11el11iliki persentase kUl11ulatif kelas target lebih besar dari pada persentase
kumulatif dari populasinya sehingga model tree ini dapat dikatakan suatu model yang
dapat merepresentasikan kelas SOlIC yang digunakan oleh konsumen.
Hal tersebut dipengaruhi oleh variabel yang mempengaruhi target dibawah ini (Tabel
4.1.) :
Tabe! 4.1. Val"iabcl Importance dad Sistcm Bahan Balmr
TORSI
Ui'vlESIN
EERAT
LEBAR
TINGGI
RASia
PAN~ANG
HP
100,00
89,28
82,76
80.8 ]
175 ,28
73,00
1~9, 19
64,79
1111111111]111111]1111 IIIIIIIIII
IIII]]IIII]I]II;]III;I llIIlIIli
111]1]1111]1]]]1111111 IIIIIIII
]1]1111111111111111111 1Il1I11
1111111]111]11111111111 IIIII]
IIII111l]IIIIIIIIIIIII IIIIl
1:IIIIIIIIIIIIIIIIIII]1 III]
1111111!!11111111111]1 II
Vanabel prediktor yang memp"ngaruhi variabe! target
'.'ariabel yang sangat mempengaruh dari variabel target adalah torsi, dimana dalam
target sistem bahan bal,:3r, torsi sangatlah berpengaruh dalam menentukan tipe bahan
bal~ar yar.g
layak digun2.kal1. dU!:lm sebuM! kel1.daraan.
Pada variabel sistem bahan bakar, variabel yang sangat mempengaruh dari
variabel target tersebut adalah torsi, dimuna dalam taiget sistem bahan bakar, torsi
sangatlah berpengaruh dalam menentukan tipe bahan bakar yang akan digunakan
dalam sebuah kendaraan. Dari jenis mesin SOHC cenclerung digunakan untuk
kendaraan-kendaraan yang bersilinder keell untuk mengirit pasokan bahan bakar yang
digunakan oleh kendaraan tersebut.
Penentuan node tersebut akan menghasilkan number of cases dari sistem
bahan bakar Sohc adalah 8, sedangkan presentage of datanya :lama engan 3.9% dan
castnya adalah 1.0000
/*Rules for terminal node 1*/
if
(
RASIO <= 22.85 &&
PANJANG <= 175.65 &&
UMESIN <= 91.5 &8.LEBAR <= 04.1 &&
TINGGI <= 51.4
)
{
terminalNode = -I:
class = sohc:
probClass J = 0:
probCJass2 = 0,
DrobCla~s3 = 0;
probC!ass4 = 0;
probClass5 = 0;
proLClasSI) = 0;
p,obClass7 = 0,
probClass8 = 0;
probCJass9 = 0.375:
probClass 10 = 0;
probCJass J J = 0;
probClass12 = 0;
probClass13 = 0.625;
probClass14 = 0;
}
Dari rules diatas dapat dilihat bahwa sistem bahan bskar sohc: sangat dipengarul1i oleh
rasia, panjang. umesin, lebar, dan tinggi
Alur dari algoritma yang digunakan untuk mendapatkan informasi dari jenis mesin
SOHC yaitu:
J ika sebuah kendaraan memiJiki rasio kurang dari 22.85 em dan panjang kurang dari
175.65 em dan ukuran mesin kurang dari 91.5 em dan lebar kurang dari 64.1 em
dengan tinggi kurang dari 51.4 em maka jenis kendaraan tersebut eenderung beJjenis
SOIle.
Sebuah mobil dikatakan efisien apabila mempunyai tenaga mesin yang baik
dan mel71iJiki sistem pembakaran yang tidak boros. maka jenis sistem bahan bakar
SOHC akan lebih banyak didomiamsi oieh kendaraan keeil dengan yang memiliki ee
(kapasitas
me~in)
dihawah ; 500 saja. Maka akan dapat diketahui banyaknya
kendaraan yang menggunakan Eystem bahan bakar SOHC adalah kendaraan yang
memiliki ee (kdpasitas IT'.;;sia) keciJ atau digunakan untuk k;;ndaraan yang memiJiki
body ramping (sedang) dengan meJihat dari segi kapasita5nya. Banyaknya jenis
kenda,aaD yaDg mendominasi sistem bahan bakar SOHC adalah jenis minibus dan
sedan.
4.2.2. Model Laku (banyaknya yang terjual)
Dalam pengolahan data dari model Laku (banyaknya yang terjual), dapat kita
jadikan bahwa Laku (banyaknya kendaraan yang teJjual pada tahun 2004) menjadi
variabel target. Variabel prediktornya yang mempengaruhi target adalah Hp (horse
power), Kathasil (harga yang banyak diambil oleh konsumen), Sbbfsyst ( sistem
bahan bakar), Jkendaraan (Jerus kendaraan), dan merek mobil kendaraan.
Dalam proses pemilihan variable akan dicari informasi yang menyatakan
bahwa banyaknya kendaraan yang ada saat ini bukanya dipengaruhi oleh harga, tetapi
banyaknya kendaraan yang digunakan oleh konsumen dilihat dari segi merek.
Dalam menggunakan program CART jenis tree yang akan digunakan dalam
menentukan model data tersebut adalah Regresi dimana nilai dari
vaI~abel
target
tersebut adalah bemilai numerik. Daiam pengolahan model laku, kami akan
menggunakan metode Gini .
Dalam menentukan model regresi, dapat dikelu)1Ui setiap variabel target dari
Laku memiliki nilai diantaranya mean dan median, tetapi yang akan kami tentukan
adalah nilai dari mean.
Dari tree di bawah ini akan didapatkan informasi bahwa :
IVRf1~BICJ
iA<~=
,
:,
~~"
1l::.fJ!)D
'lAJ)j)
\4<
~'>d~2
',fA
,
thde 10
1<8»,109:1.$
f'¥G=lOi.f';W
'61' lro.lM)
N·l00
r-.P.fMDBll$
A;~" 144.370
'011=6400{)
N=&4
.~
\;:;;-
F~"';'~l
UW,,3
j Tim
He
: Um"
k'Q' 11~7)4
'1::~4$£00
N' 48
11= 16
Ii= 54
tlon
1<=16
ktg: 1017Sg
'or" 2flJ))
H" 2)
II
i
r.::H"~'5~--1_
H?
Alg" BS-W:
W!~;51~'
Te'1Ti<'.at
!
IHe IWd" 7
IPorO=1l717S
W: 1&.000
I
No 18
~-.;;;;-'
HI
1AtO "
1W_14~
~!4.Dc{;
1<=14
, '.. ' .J_
-~
._L
T5mU,.1
IW:J~ 10
iN' 1301\1
"i'2.lA);
,_.... _~__; :_'
1l=44
r
__ .....J__
Twra
Uxi" ~
---
W=44.ooo
I
_
Atg= I%'.i'w
.... '161«
.
HP
AJ~: 13'J&g~
_
~51
II
TellTlInal i I IMni.1Jl
lemo.'\3l
l1od\'13"
Node14 ,1thj;;15 i
W,,-4illl(l It/= l1!lfj{l ; i\f:(= HOD'
I"'
!
~
'-~
llEj"8%
__L..., __,--' ._.1_,
1-;;;;;;;=-,J=---,
Hi
,
11'1=3<).000
I~
r,q~ml
Ih-~4
1I.~f1.10B!4
14
W"~).oo[,
kg·
W=!-4itX>
N~de
MRWDBllf
PJJg" 16S.SO
W=16.ooii
H
m_C'
I,m,
H
I'"
, IN·
,
Tem.icl<!' i - 1•. ,,11".1
!! Ilrm. 5 : _ Uode 6 I tbd,; 7
hade S
W":~~._' r.W_·'_16~J :W"l~_ !~~_~_i w= lID)
I"'de 4
GanJbar 4.3. Tree model .!...aku
Dari tree tersebut akan didapatkan terminal node sebanyak 14, akan dilihat infonnasi
apa saja yang akan diketahui di dalam node tersebut.
Dari tree tFrsebut, optimum tree terminal node sebanyak 14 buah, dan dapat
dinyatakan bahwa setiap kelas memiliki ciri yang berbeda-becla.
Hal tersebut dipengaruhi oleh variabel yang mempengaruhi target dibawah ini (Tabel
4.2.) :
Tabel 4.2. Variabcllmporianec Lalm
MRKMOBIL$
HP
SBBFSYST$
KATHASIU
JK.ENDA...R.A$
-
100,00
1111]11111]111111111]11111111
74,74
9,91
IIIIIIIIIIIIIIIIIIIIIIIII]
IIJIJIIIIlIIIII
II!
3,70
!
47,49
T
Oad Tabcl diatas variabel Importance yang sangat mempengamhi adalah
merck mobil dan hp (house powel')
Dari tabel diatas, yang paling mempengaruhi variabe! target adalah merek
mobil, in; memperkuat dugaan di mastarakat bahwa orang indonesia cenderung
membeli kcndaraan bcrdasarkan s~buah :r.crck bu.'<:an dari scgi harga atau yang Jai:1lain.
/*Ru!es for terminal nude 14*/
if
(
(
MRKMOI3IL$ = audi II
MRKMOBIL$ == peugot
)
)
{
terminalNode = -14;
mean = 161
)
Dalam penjualan kendaraan ternyata audi atau peugot, mempengaruhi rata-rata
per1iualan di tahun 2004.
Berdasarkan dua merek kendaraan tersebut yairu audi atau peugot, banyaknya
kendaraan yang diminati oleh konsumen rata-rata pada tahun 2004 adalah merek
kendaraan audi atau peugot, tetapi
bukanlah rata-rata konsumen membeli merek
kendaraan tersebut. Akan dapat informasi yang berharga dari model laku, bahwa
kecendrungan konsumen untuk memilih kendaraan audi atau peugot yang rata-rata
mempcngaruhi pcnjualan di tahun 2004 sangatlah mcnguntungkan bagi produscn
kendaraan tersebut. tetapi bukanlah kendaraan terbanyak yang di gunakan oleh
konsumcn pada tahun 2004,
hanya saja merek kendaraan tersebut yang
mcmpcngarulli pcnjualan rata rata pada tahun 2004.
4.2.3. Model Kathasil (Harga yang dipilih uleh konsuillcn)
Dalarn pengolahan model ketiga dari data tersebut, dapat kita jadikan Kathasil
Gumlah atau harga yang terjual) menjadi variabel target, karena dapat diketahui
banyaknya kendaraan yang teIjual dengan hcrga yang murah, sedang, mahal, dan
sangat mahal.
(bahan
bakar),
Prediktornya yang mempengaruhi variabel target adalah Bbakar
rnrkmobil(merek
mobil)
sbbfsyst
(sistem
bahan
bakar),
bpintu(banyaknya Pintu), JkcndaraanGensi kendaraan), Hp (house power) kendaraan
tersebut. Tipe tree yang akan digunakan dalam untuk mengolah data tersebut adalah
tipe tree Klasifikasi. Dalam pengolahan Model Kathasil (Harga yang dipilih oleh
konsumen) kita mengunakan metode Gini.
DaJam menentukan kelas untuk data yang ban;, Kathasil dan penjualan
kendaraan mempunyai prediksi bennacam macam dari murah, sedang, mahal, dan
sangat mahal. Dari tree di bawah ini akan didapatkan informasi bahwa :
H'¥M06U
-I"""
,;Y·20HW
L~'~
.,----.--'=:=
1,~"qKM0ffi.$
i
riooe 2
Tcm.nrn
N:;>je13
'W~17(H>OO
I
W·34.ooo
II
N· IlD
'T~-:
Ncde12 i
;w~ UffJ
!
;.p'%d():
I
w.17.lJiXj
i
11_17
-i~-'-T~
!o::oe3
-" .. ~~.r))J
t~4
iW~\3I)YJ
Uii!IIIIIIllIJ !",.'1iW
.'
Gambar 4.4. Tree model Kathasil
Pada gambar tree diatas dapat dilihat bahwa node ke-13 memiliki model
yang
menyatakan model penjualan kendaraan untuk menengah ke atas.
Da!am menentukan optimum tree, dapat terbentuk jumlah terminal node
sebanyak 13 buah. Pada gambar diatas, dapat dinyatakan bahwa setiap kelas memiliki
ciri yang berbeda-beda. Tem1inal node 13 dapat menyatakan bahwa node tersebut
dapat diklasifikasikan sebagai variabel sangat mahal.
Pada gambar dibawah, a1:an didapatkan informasi bahwa :
Gains Chart
Gains C!'latt
_0 Cas
No
%of
%
Cum%"
Cum
Node
Tgt
Tgt
%
%
Pop
Cases
Cum
Lift
In
I~
Pop
2
34
13
33
28
45
13
4.000
3700
3623
2.326
1.789
1.283
1.186
3.647
3.385
0.242
0143
0000
0.000
'" i.nI.JI• •,:tP-.UijU'iiWfii 1.1.1••1.1.111
aEM..
5
13
8
1
2
10
4
Tgt.
(:3$$:
Gai:>$
sangmahal
Lift
Cum Lift
2
31
11
2
1
0
0
100.000
91176
84.615
6861
3.922 11.765 2.941 09S0
6078472.549 19.60B 16667
21.56,94.118 25.980 6373
3922 38.039 42.15716176
3.571 1961 100.000 55.B82 '3.725
0000 0000 100.000 77.941 22059
0.000 0.000100.00084.314 6373
4.oaO
sengmahal: Learn
Tol~1 cases: 51
Percent of sample: 25,00
Gambar 4.5. Gains Chart dari sangat mahal
Tree optimal yang mempengaruhi gains chart dari nilai 25 % pengetahmn
pada populasi maka kita dapat mengetahui harnpir seluruh informasi
kelas dari
variabel target tersebut. Dari Gambar 4.5. dinyatakan bahwa dengan setiap note yang
akan mendekati nilai 100 akan diartikan sebagai jumlah dari peminat penjualan
kendaraan yang sangat mahal tersebut sangat tinggi, lain pula apabila note itu
semakin mendekati garis horizontal maka makna yang akan didapatkan adalahjumlah
dari peminat penjualan kendaraan yang sangat mahal yang diminati oleh konsumen
biasa saja atau tidak sarna sekali mengalami perubahan dalam penjualan dari merek
kendaraan tersebut.
Hal tersebut dipengaruhi oleh variabel yang mempengaruhi target dibawah ini
(TabeI4.3.) :
Tabcl 4.3. Varia bel Importance Kathasi!
MRKMOBIL$
SBBFSYST$
HP
JKENDARA$
BBAKAR$
BPINTU$
100,00
50,22
42,68
35,54
1,39
0,00
1111111111111111111
111111111111111111
IIIIIIIIIIIIIII
IIIIIIllIll
Daftar variabel yang mempengaruhi variabel target
V8riabel yang sfulgat bcrpengaruh adalah merck mobil, dimana pada target kathasil
dapat diketahui bahwa merck menenentuan harga dari mobil,
karena pada suatu
pembelian kendaraan, biasanya seorang konsumen cendrung membeli kendaraan
bcrdasarkan lIlcrck.
Pada Kathasil (harga penjualan) kendaraan roda empat biasanya produsen
menentukan harga yang akan di beli oleh konsumen. Sebuah kendaraan dilihat dari
sistem bahan bakamya dan Hp (house power) karena dari dna variabel tersebntlah
sebuah kendaraan dapat dijual dengan beberapa tipe harga.
/*Rules for terminal node 13 */
if
(
(
MRKMOBlL$ =
bmw II
MRKMOBIL$ = jaguar II
MRKMOBIL$ == land rover Ii
MRKMOBIL$ = mercedes-benz II
MRKMOBIL$ = volkswagon
)
)
{
terminalNode = -13:
class = sangmahal;
probClassl = 0.0882353;
probClass2 = 0;
probClass3 = 0.91 1765;
probClass4 = 0;
}
Dari model ini sm;gat veriabel karena tidak berIawanan dengan kenyataan
bahwa, rnei·ek kendaraan BMW, JAGUAR, LAND ROVER, MERCEDEZ BANZ,
"tau YOLKSW.,\GON adalah merek bn:iaraan dengan harga yang sangat mahal dan
jcn" kenduraan terscbut banyak diminati oleh kalangan atas.
Alur clari mls yang digunakan untuk mendapatkan informasi
dan
data
penjualan kendaraan yaitu :
Bahwa biasanya scbuab mobil yang dijual kcp"saran dcngan katcgori
penjualan yang sangat mahal akan ditentukan oleh merek kendaraan seperti BMW,
JAGUAR, LAND ROVER., MERCEDEZ BANZ, atau YOLKSWAGON. Maka akan
diketabui banyaknya kendaraan yang dijua! kepasaran dengan harga yang sangat
mahal dengan menggunakan system bahan bakar yang lebih bagus dan memiliki HP
yang besar. maka kendaraan tersebut jarang dijual dengan harga murah, dan sedang.
4.2.4.
Model Jkendaraan (j"nis kendaraan)
Dalam pengolahan model jkendaraan (jenis kendaraan) dapat diketahui
bahwa jenis kendaraan banyak mempengaruhi pendualan dari data tersebut, dapat kita
jadikan jkendaraan (jenis kendaraan) sebagai variabel target dan predik'tomya yang
mempengaruhi variabel target adalah Madein (buatan dari negara), Mrkmobil (merek
mobil), Bbakar (bahan bakar), Eksmesin (menggunakan ke:cepatan standar atau
turbo), Bpintu (banydcnya pintu), Ktit (kritcria mcsin), Kokl'1esin (lokasi mcsin),
Jmesin Genis mesin). Cylinder ( ba;1yaknya cylinder) sbbftyst (sistem bahan bakar),
Katha5il (Penjaalan),
Umesin (ukuran mesin), Torsi (jarak antara mesin dengan
rada) Panjang (p::'Dang mobil), Lebar (khar mobil), Tinggi (tinggi kendaraan), Berat
(berat kepdaraa;1), Rasia (pcrbandingan bhdaraan), Hp (house power), Penjualan
kendaraan tersebut.
Dalam jenis tree yang aka.'1 digunakan dalarn mcnggunakan data tersebut
adalah trce rjpe KlasifIkasi, Daiam pengolahan Jkendaraan (ienis kendaraan) akan
kita gunal~an mctodc Gini,
Pada gambar dibawah, akan didapatkan informasi bahwa
Nooe 1
S[JDfSY$~$
W·2l)4.(J."(,
IhX>l
GambaI' 4.6. Tree model jen's kendaraan
Dalam Tree, dapat terbentuk jumlah term;l.a; node sebanyak ; 4 buah, Pada Gambar
4.6. ciapat dinyatakan bahwa setiap kelas memiliki ciri yang berbeda-beda. Suatu
me1'ek l:endara£i.f1 dapat diketahui Lefbed::t jika kend.ar~"1 tersebut dibua~
)'ang
berbe<1a.
Pada
tenninal
node
deng~n
5 menyatakan bahwa node
mengklasifikasikan variable Sport Utility Vehicle (Suv).
jenis
tersebut
Pada gambar dibawah, akan didapatkan informasi bahwa :
Gains Chart
Gains Chart
100
I
80
~
100
/"
80
I
I
60
I
u
,.
40
40
6
2
0
2D
40
"
SO 100
1. Population
_.~--~-~._~--
Tgl Oa$"s:: suv
Gains
Lift
CUfn Lift
%01
%
Node
Tgt
Cum%: Cum"
Tgt.
Pop
%
Cases
Cum
Pop
'"
lift
lI"njllm!lii'~·i~t.IC:!ljl.IM:@i
5
+
0'
0
,
".
60
20
20,
No Care
2
2
15
3
3
4
8
14
3
4
D
-
66667 6.452 12.903
66.667 6.452 19.355
62.500
30000
23077
8000
0000
_.~-
.-~---'-
2.451
3.922
413.387 67.742 15.686
9677 77.419 20.5R8
9.677 87.097 26.961
12.903 100.000 51.471
0000 100.00086.765
1.471
1.471
11,765
4.902
6.373
24.510
35.294
3
3
24
10
13
50
72
Lift
Pop
iWMmmt
5.265 4.387
4.935 4.387
4.319 4.113
3.760 1.974
323D 15'19
1.943 0.526
1.153 OJ)OO
.
suv; Learn
Total cases; 31
Pelcent of sample: 1520
Gambar 4.7. Gains chart dad Sport Utility Vehicle (SUV)
Dalam glan chart Gambar 4,7. dapat dilihat bahwa jenis kendaraan Sport Utility
Vehicle (SUV) adalah tipe kendaraan yang cukup banyak di ambil oleh konsumen,
karena 20 % dari jumlah populasi d3pat m~wakili 90 % jumlah dan kelasnya.
Dapat dilihat bahwa setiap peminat kendaraan Sport Utility Vehicle (SUV)
tersebut cukup banyak peminatnya. Jenis kendaraan SUV tersebut banyak digunakan
oleh kalangan muda yang ingin kendaraannya berbody sport dan tampil beda dengan
jenis kendaraan lain.
Hal tersebut dipengaruhi oleh variabel yang l11el11pengaruhi target dibawah ini (Tabel
4.4.) :
T:.be! 4.4. Variabe! lr.lportanee Jkendaraan
IMRKMOBIL$
SBBFSYST$
LEBAR
TINGGI
TORSI
BERAT
KATHASIL$
UMESIN
PANJANG
JMESIN$
HP
I
IIOO,OO
77,.50
165,57
59,99
59.98
47,59
44,99
43,75
40,35
36,42
35,88
IIIII!I!IIIIIIIIIIIIIIIIIII!II!!!IIII!!
IllIIIIllIIIIIIIIllIIllIIIIllIIIII
IIIIIIIIIIIIIIIIlHIIIIIIIIIU
1
IIIIIIIIIIIIIIIIIIIIIIIIII!
I
•
IIIIIIIIIIIIIIIIIIIII!IIII
111111111111111111111111
111111111111111111111
I
IIIIIIII!IIIIIIIIII
I!IIII!I!IIIIIIII
IIIIIIIIII!IIII
IIIIIIIIIIIIII
Variabel-variabel prediktor yang mempengaruhi variabel Jkendllr-aan
D'lpat dilihat bahwa merck mobil mendol11;nasi iebih banyak dari kendan:ai1 yar,g
beIjenis SUV, dan sistem bahan bak.ar berpengal1lh terhadap jenis kendaraan tersebut.
Padajenis mobil dapat dilihat bahwa kendaraan roda empat cenderung dilihat
dari merek dan system bahan bakar dari pada spesifikasi yang lain. karena untuk jenis
kendaraan SUV, banyak memodifikasi dari segi body dan bahan bakar maka akan
didapatkan sebuah kendaraan yaIlg berbodi sport dengan bahan bakar yang tidak
boros.
Untuk setiap produsen yang ingin membuat jenis kendaraan SUV, berarti ada
kecenderungan merek-merek tertentu yang mempengaruhi uHtuk setiap pembuatan
mobil dengan tipe ter(e;ltu. Oleh karena itu informasi yang berguna untuk produsen
kecil dalam memprodllksi kendaraan adalah kecenderung produsen Ulltuk memilih
tipenya yang tidak sama dengan merek-merek temama.
1* Rules for terminai node 5*1
if
(
f
\
KATHASlL$ = mahalli
KATHASlLS = murah II
KATHASlLS == sedang
)&&
(
MRKMOPI:,S = daihatsu II
MRKMOBlL$ = hyundai II
MRKMOBlL$ = isuzu II
MR.Kl\10BlL$= mercedes-benz Ii
MRKMOBIU = !1ismr, II
MR.Kl\10BIL$ = suzuki II
MRKMOBlL:; = toyOt8 II
MRKMOBlL$ = volkswagen
)&&
(
SBBFSYST$ =
SBBFSYST$ =
SBBFSYST$ =
SBBFSYST$ =
SBBFSYSTS =
SBBFSYST$ =
SBBFSYSTS =
SBBFSYST$ =
SBBFSYST$ =
SBBFSYST$ =
SBBFSYST$ =
)&&
disel II
efi II
feem II
icimulti
ifis II
mpfi II
mpi II
msi II
pgmfi II
sohc II
yanos
II
PANJANG> 185.05
)
{
terminalNode = -5;
class = suv;
probClass I = 0;
probClass2 = 0;
probClass3 = 0.333333;
probClass4 = 0.666667;
probClass5 = 0;
}
Dari ruls diatas dapat diartikan bahwa banyaknya konsumer. memilih
kendaraan bertipe SLTV (Sport Utility Vehicle) dilihat dari merek, dan jenis sistem
bahan bakar.
Alur dari rules diatas adalah bahwa setiap kendaraan SUV, haruslah memiliki
panjang lebih besar dari 185.5. Sedangkan dengan mdihat dari segi pembuatan yang
diproduksi oleh produsen dengan jenis kendaraan SUV banyalmya mcrek mobil yang
mendominasi untuk jenis kendaraan SUV diantara!1ya adalah DA1HATSU,
HYUNDAI,
ISUZU,
VOLKSWAGON.
MERSEDES
BENZ,
SUZUKI,
TOYOTA,
atau
BABV
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Ditahun 2004, Audi dan Peugot adaJah merek rata-rata yang dibeli oleh
konsumen, hal ini merupakan informasi yang berguna t6rutama bagi para infestor.
lnfestor mempunyai
poten~i
yang cukup besar untuk pemsahaan yang tingkat
sa:lamnya berada ditengah-tengah agar dc.pat berkembang untuk mengenalkan merek
kendaraanya.
Tingkat kcyalidarl atau keabsahan dati model, bisa di Ehat dati model kathasil.
Bahwa mobil-mobil dengan tipe merek mobil seperj
BMW, JAGUAR, LAND
ROYER, MERCEDEZ BANZ, atau VOLKSWAGON memanglah termasuk tipe-tip6
harga yang sangat mahal.
Tingkat keyaEdan atau keabsahan dari model, bisa dilihat dan model kathasil.
Bahwa mobil-mobil dengan tipe merek mobil seperti
BMW, JAGUAR, LAND
ROYER, MERCEDEZ BANZ, atau YOLKSWAGON memanglah termasuk tipe-tipe
harga yang sangat mahal.
Produsen mobil dengan merek tertentu eenderung untuk membuat jenis
kendaraan tertentu juga. Hampir kebanyakan dati seluruh produsen mobil baik yan.g
harganya murah, sedang, mahal, dan sangat mahal atau deng,m sistem bahan bakar
apapun temyata, produsen eenderung membuat jenis kendaraan tertentu juga.
5.2 Saran
Pengolahan data PT.OTO MULTIARATHA dengan teknik data mining dapat
dilakukan dengan cara lain seperti: Mars, Svm, Hybrid model, dai1lain lain. Sehingga
dapat diperoleh lebih banyak informasi dan merupakan salah satu bentuk veritlkasi
dari model yang telah dikeJjakan
DAFTAR PUSTAKA
[I]
[2]
[3]
[4]
[51
[61
[7]
[8]
[9]
[10]
[II]
[12]
[! 3]
[14]
[15]
Arif Rifai Dwiyanto, http://www.bogor.netlidkf/idkf/aplikasi/data-mining1997.rlf28 Me; 2006, pk. 09.30 W1B
Mohammad Sugeng Haryono, Penggunaan Decesion Tree Pada Data Mining
Untuk Pemilihan Costumer Dalam Rangka Promosi Produk, Theses
JIPTlTS, 2006-05-22 11:44:47
Merlius Lusyanti, Regression analysis, Theses JIPTITS, 2006-05··22
11:44:47
Andl1yashin. Anton. Financial Applications of Classification and Regression
Trees. Master Thesis. CASE - Center of Applied Statistics and Economics.
Hbmboldt University, Berlin. 24 Maret 2005.
Introductio,l to Data Mining and Knowledge Discovery Third Edition, by
Two Crows Corroration
MarkllS Hegland, Data mining tcclmiqucs.Centre for Mathematics and its
Applications,School of Mathematical Sciences,Australian National
University.Canberra ACT 0200, Australia 1 April 2002
J. Han and M. Kamber. Data Mining. March 18.2004
Motarilmad Sugeng Haryono, Mining, Decision Tree, Algoritma CART,
Pemasaran Produk, 07-07- 200517:48:59
http://remo!es~nsing.montana.edu!pdfs/zambon _ et_al_2006.pdf, 28 Mei 2006,
p:~. 00.30 \VIB
http://w... ·v;.ise.bgu.ac.il;courses/kdd/slides/kdd04.pdt~ IMei 2006,
]'lk.Il.OOW1B
·http://de.wikipedia.org/wiki/QuartiL tanggal22 apIil2006jam 14.15
Confidence in an association rule
http://publib.boulder.ibm.com/infocenter/db2!uw/v8/index.jsp?topic=/com.ib
m.im.model.doc/c_defining_minimum_confidcnce.htrnltanggal 23-09-2006
Decision tree http://en.wikipedia.orgiwikilDecision_tree 23-05-2006
http://www.ee.ucr.edu!-barthlEE242/clustering_survey.pdf tanggal 14-032006 jam 18.00
DM Comer Data Mining & Knawledge Discovery - Reveal hidden knowledge
clasifikasi_ \VWW-.rholips_worldpress_com_tgl_29_06_06_times_9_41.htrn
JURNAL ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
VOLUME 1 NOMOR 2, Pcrbandingan KincJja Pcrangkat Lunak Dala Mining
Untuk PencaIian Pola Asosiasi Dengan Metode Gfaf Asosiasi Dan Metode
Dimensi Frakta, ArifDjunaidy, Fakultas Teknologi Inforrnasi, Institut
Teknologi Sepuluh Nopelllber. Rully Soelaiman, Fakultas Teknologi
Inforrnasi, Institllt Teknologi Seplllllh Nopember, NOVEMBER 200 I
[16]
[17]
[]8]
http://w>vwAwoman.gov/faq/diabetes.pdf28Mei2006.pk. 09.30 WIB
SPSS for Windows Release 1] .5, ponionsof this product cread LEAD
TOOLS] 99]-200]
CRM (Kini) Tak Sekedar Mengelola Pelanggan : eBivAsia April 2004.htm
2003 - 2004. http://www.eBiuAsia.com/April 2004.htrn. 13 april 2004 jam
12.00
Lampiran 1
Perubahan Nilai Numerik Menjadi Kategorik
Harga
No
,
i
1
2
3
4
5
6
7
8
9
10
1083
900
252 .
218
271
266
330
405
656
252
II 548
12 335
§J622
I
,
,
.-
,
I
14,515
15 493
j ')
2376
17 '915
18 141
19 158
20 148
21 157
22 148
23
24 123
25 120
26 117
27 123
28 114
29 256
30 144
31 140
32 146
33 154
34 161
35 120
36 130
37 225
1132
=I
Kategorik
s3ngmahal
__
sangmahal
mahal
mahal
mahal
mahal
sangmahal
sangmahal
sangmahal
mahal
sanQillahal
sangmahal
s8i1gmahal
sangmahal
sangmahal
sangmahal
sangmahal
sedang
sedang
scdang
sedang
scdang
murah
murah
murah
murah
murah
murah
mahal
sedang
sedang
sedang
--
----
---
-----
---
:=l
---
sedang
sedang
murah
murah
mahal
Ii
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
II
I'I
,
,
I
!
I
I
55
I
i
,I
!
-
56
57
5"
59
60
61
6"
63
146
232
246
226
214
161
243
138
235
338
333
450
142
160
112
133
144
159
160
183
167
144
,140
131
130
138
~167
l-_£~.lI88
,
,
,
I
I
I
,
I
,I
I
139
67 377
68 432
69 432
70 379
71 !750
72 710
73 916
74 1716
75 379
76 . 161
77 184
78 190
79 191
80 105
,,6
sedang
mahal
mahal
mahal
mahal
sedang
mahal
murah
mahal
sangmahal
sangmahal
samrrnahal
sedang
sedang
murah
murah
sedang
sedang
sedang
mahal
sedang
sedang
sedang
murah
fl1w'Rh
murah
sedang
mahal
manal
sangmahal
sangmahal
sangmahal
sangmahal
sangmahal
sangmahal
sangmahal
sangmahai
sangmahal
sedang
mahal
mahal
mahal
murah
=J,
_=i
--
~
---
--
-----
------
---
--
---
~
81
!
.~
118
82 " 169
83 125
84 135
85 161
86 146
87 ! 161
88 191
89 151
90 ; 194
91 129
92 123
93 177
94 170
95 158
96 150
97 153
98 ! 178
99 288
100 205
101 207
IO~
472
103 350
104 337
105 307
106 ,641
107 91
108 96
109 102
110 III
III 125
112 134
113 174
114 156
lIS 194
116 204
1:7 374
118 179
119 177
120 173
121 157
122 166
123 272
murah
scdang
mllrah
mllrah
sedang
sedang
sedang
mahal
sedang
mahal
mllrah
mllrah
mahal
sedang
sedang
sedang
sedang
mahal
sangmahal
mahal
mahal
sangmahal
sangmahal
sangmahal
sangmahal
sangmahal
mllrah
murah
murah
mutah
murah
murah
mahal
scdang
mahal
mahal
sangmahal
mahal
mahal
mahal
sedang
sedang
mahal
~
-----,
=1
-i
---J
--l
--
~
124 166
106
126 109
127 112
128 113
129 123
130 I 159
131 176
132 140
133 142
134 144
135 160
136 " 102
137 104
138 126
139 1126
140 212
141 I 163
142 187
143 129
144 137
145 140
146 154
147 157
148 172
249
114
151 123
152J 117
153 116
154 162
155 159
156 115
157 187
158 137
159 121
160 143
161 149
162 135
163 138
164 133
165 154
166 164
p<
-'
~~
!
!
tI
I
!
sedang
murah
murah
murah
murah
murah
sedang
mahal
sedang
sedang
sedang
sedang
murah
murah
murah
!
murah
mahal
sedang
mahal
murah
murah
sedang
sedang
sedang
mahal
mahal
murah
mural,
murah
murah
sedang
sedang
murah
mahal
murah
murah
sedang
sedang
murah
murah
murah
~"cdang
sedang
~
-1
--
----
---i
---I
-=1
=i
---§
-----
---
---
,
1_
I'
167
168
169
170
171
172
174
173
175
617
504
208
227
270
280
,230
30b
248
1268
248
230
230
208
831
292
224
.! 275
il g~1
178
~
.
I
I'
I
]80
18]
]82
183
184
185
186
]87
188
189
190
19]
192
]93
194
] 95
196
/97
198
]99
200
20]
202
203
204
338
351
390
376
,406
390
4]8
464
400
97
]21
] 14
15 ]
135
277
236
347
349
368
409
sangmahal
sangmahal
mahal
mahal
mahal
sangmahal
mahal
sangmahal
P.1ahal
mana}
mahal
mahal
mahal
mahal
sangmahaI
sangmaha1
mahal
mahal
sangmaha1
sangmahal
sangmaha1
sangmahal
sangmahal
sangmahal
san~ahal
sangmahal
sangmaha1
I murah
I murah
murah
sedang
murah
sangmaha1
mahal
sangmaha1
sangmaha1
sangmaha1
sangmahal
~
-----
----
---
--
--
~
--
----
--
Lampiran 3
Penginisialan Variabel
Tipe
Nama
No.
Tipe Data"
\'ariabcl
Pengukuran
I
1
Symbol
;-~umerik
Rasin
2
Madein
String
Nominal
Laku
String
Nominal
,
MrkmobiJ
String
Nomina!
I5
I!
Bbakar
String
rOminal
Eksmesin
String
hI
6
I7
I
I B;>intu
h
------!' -f'""'
"'"
9
. 10 -
Krit
I Lokmesin
HTorsi
I Nomina!
,
String
NO!11inal
String
Nominal
String
Nominal
I
~
~
I
I
~
~ lk.m:n,1
Numerik
Rasin
I
I
Panjang
Rasin
Lebar
Numeri!:
Rasio
14
Tinggi
Numerik
Ra<:;,jo
15
Berat
Numerik
Rasio
16
. Jrnesir.
String
Nominal
H
I
-String
Numerik
12
~
I
I
17
Cylinder
String
Nominal
18
Umesin
Numerik
Rasin
1
I
I,
Mpfi
IY
' 01
Rasia
,I Bp
r~~-l
23
1
1
24
I Nominal
, String
!
i
I-;Q
I~
I
Barga
I Kat~asil
I Per0ualan
I Numerik
IRaSiO
Numcrik
1~,aSiO
I
I, Numerik
I String
String
-Rasio
-
Nominal
~ominal
I
~