data mining ms. excel

1

Tugas 4 Kelas: C

Mata Kuliah:

Pengelolaan Hubungan Pelanggan (CRM)

Semester Ganjil 2012/2013

Management

Dikumpulkan Senin Tanggal 23 Desember 2013, Jam 09.30 (Softcopy)

Senin Tanggal 30 Desember 2013, Jam 09.30 (Hardcopy)

Nama NRP

Ali Mangsur 5212100023

Ayu Siti Munawaroh 5212100039

Astried Nadia Mayasari 5212100073

JURUSAN SISTEM INFORMASI

FAKULTAS TEKNOLOGI INFORMASI

INSTITUT TEKNOLOGI SEPULUH NOPEMBER

2013

Nama Tugas

DATA MINING

Komentar:

2

DAFTAR ISI

DAFTAR ISI ................................................................................................................Error! Bookmark not defined.

DAFTAR TABEL .............................................................................................................................................. 3

DAFTAR GAMBAR .......................................................................................................................................... 3

BAB 1: PENDAHULUAN ........................................................................................................................................... 7

Latar Belakang .................................................................................................................................................... 7

Tujuan ................................................................................................................................................................. 7

Batasan Masalah ................................................................................................................................................. 7

BAB 2: KAJIAN TEORI .............................................................................................................................................. 8

Data Mining ........................................................................................................................................................ 8

Classification Tree .......................................................................................................................................... 9

Implementasi ke CRM ....................................................................................................................................... 11

Penerapan Pada Excel ....................................................................................................................................... 11

BAB 3 : Implementasi data mining dalam microsoft excel ................................................................................... 12

Classification ..................................................................................................................................................... 12

Estimation ......................................................................................................................................................... 22

Prediction ......................................................................................................................................................... 25

Affinity Grouping .............................................................................................................................................. 32

Clustering .......................................................................................................................................................... 36

Description And Profiling .................................................................................................................................. 39

BAB 4: ANALISIS DAN PEMBAHASAN .................................................................................................................... 43

Classification .................................................................................................................................................... 43

estimation ......................................................................................................................................................... 45

prediction .......................................................................................................................................................... 46

Affinity group ................................................................................................................................................... 48

Clustering .......................................................................................................................................................... 50

Description and Profilling ................................................................................................................................. 53

BAB 5: PENUTUP ................................................................................................................................................... 57

Simpulan ........................................................................................................................................................... 57

3

DAFTAR PUSTAKA ................................................................................................................................................. 57

LAMPIRAN............................................................................................................................................................. 57

DAFTAR TABEL

Table 1 ..................................................................................................................................... 48

Table 2 ..................................................................................................................................... 50

Table 3 ..................................................................................................................................... 51

Table 4 ..................................................................................................................................... 51

Table 5 ..................................................................................................................................... 52

Table 6 ..................................................................................................................................... 52

Table 7 ..................................................................................................................................... 52

Table 8 ..................................................................................................................................... 53

Table 9 ..................................................................................................................................... 53

Table 10 ................................................................................................................................... 54

Table 11 ................................................................................................................................... 55

DAFTAR GAMBAR

Figure 1 . Menu Data Mining .................................................................................................. 12

Figure 2.Classify Data Mining ................................................................................................. 12

Figure 3. Start Data Mining ..................................................................................................... 13

Figure 4. Select Source Data .................................................................................................... 13

Figure 5. Classification ............................................................................................................ 14

Figure 6 . Split data .................................................................................................................. 14

Figure 7. Finish Classify .......................................................................................................... 15

Figure 8.Process ....................................................................................................................... 15

Figure 9 . Decision Tree........................................................................................................... 15

4

Figure 10.Mining Legend ........................................................................................................ 16

Figure 11.Decision Tree........................................................................................................... 16


Figure 13.Dependency Network .............................................................................................. 17

Figure 14.Classification ........................................................................................................... 17






Figure 20.Classification ........................................................................................................... 20






Figure 26.Menu Estimate ......................................................................................................... 22

Figure 27.Estimate Wizard ...................................................................................................... 23

Figure 28.Select source code ................................................................................................... 23

Figure 29.Estimation ................................................................................................................ 24

Figure 30.Finish estimate ......................................................................................................... 24

Figure 31.process ..................................................................................................................... 24



Figure 34.Menu Forecast ......................................................................................................... 26

Figure 35.Forecast Wizard ....................................................................................................... 26

Figure 36.Source Data ............................................................................................................. 27

5

Figure 37.Forecasting .............................................................................................................. 27

Figure 38.Finish Forecasting ................................................................................................... 28

Figure 39.Process Forecasting ................................................................................................. 28

Figure 40.Charts ....................................................................................................................... 29

Figure 41.Charts-2 ................................................................................................................... 29

Figure 42.Charts-3 ................................................................................................................... 30



Figure 45.Forecasting .............................................................................................................. 31

Figure 46.Charts ....................................................................................................................... 31

Figure 47.Model ....................................................................................................................... 32

Figure 48.Model ....................................................................................................................... 32

Figure 49.Data.......................................................................................................................... 33


Figure 51.Association .............................................................................................................. 34

Figure 52.Finish ....................................................................................................................... 34

Figure 53.Ruler ........................................................................................................................ 35

Figure 54.Associate Product .................................................................................................... 35

Figure 55.Data.......................................................................................................................... 36

Figure 56.Menu Cluster ........................................................................................................... 36


Figure 58.Cluster Diagram....................................................................................................... 38

Figure 59.Cluster Profile .......................................................................................................... 38

Figure 60 .................................................................................................................................. 39

Figure 61 .................................................................................................................................. 39

Figure 62 .................................................................................................................................. 41

Figure 63 .................................................................................................................................. 41

6

Figure 64 .................................................................................................................................. 42

Figure 65 .................................................................................................................................. 43

Figure 66 .................................................................................................................................. 43

Figure 67 .................................................................................................................................. 44

Figure 68 .................................................................................................................................. 44

Figure 69 .................................................................................................................................. 45

Figure 70 .................................................................................................................................. 45

Figure 71 .................................................................................................................................. 46

Figure 72 .................................................................................................................................. 46

Figure 73 .................................................................................................................................. 47

Figure 74 .................................................................................................................................. 47

Figure 75 .................................................................................................................................. 48

Figure 76 .................................................................................................................................. 50

Figure 77 .................................................................................................................................. 54

Figure 78 .................................................................................................................................. 55

7

BAB 1: PENDAHULUAN

LATAR BELAKANG

Pada suatu bisnis di perusahaan , mengelola hubungan dengan pelanggan yang sudah

lama lebih mudah dan menjadi hal yang lebih menguntungkan dibanding mendapatkan

pelanggan baru dan mendapatkan keuntungan dari pelanggan baru pasti lebih sulit, sehingga

dengan adanya hal tersebut Pengelolaan Hubungan Pelanggan (PHP) adalah ilmu yang

berguna dan dapat digunakan untuk mengelola hubungan pelanggan tersebut. Dengan ilmu

ini diharapkan profit yang didapatkan lebih maksimal dengan dana yang dikeluarkan oleh

perusahaan dapat di minimalisir

Pengelolaan Hubungan Pelanggan atau Customer Relationship Management (CRM)

terdiri dari beberapa dimensi, salah satunya adalah Analytical CRM. Analytical CRM

membahas analisis apa yang perusahaan lakukan sebelum mengeksekusi program CRM.

Analisis itu didapatkan dari data-data dalam jumlah besar yang telah dimiliki perusahaan

sebelumnya

Dalam mengelola data-data yang jumlahnya besar tersebut, dapat digunakan banyak

teknik yang digunakan untuk mempermudah pengelolaan data-data tersebut. Teknik-teknik

tersebut termasuk dalam ranah Data Mining, atau penggalian data untuk mendapatkan sebuah

informasi yang bermanfaat. Beberapa teknik dalam Data Mining yaitu Classification,

Estimation, Prediction , Affiling Grouping , Clustering , dan Description and Profilling. Pada

laporan ini kita akan memanfaatkan ke-6 teknik tersebut pada contoh data yang telah

diberikan , untuk memahami lebih dalam mengenai teknik-teknik tersebut dan bisa

menerapkan semua teknik dan diharapkan dapat memberikan manfaat bagi kami kedepannya

TUJUAN

Dapat menggunakan fitur-fitur atau tools yang ada pada Add-in Data Mining Microsoft Excel

Dapat mengimplementasikan berbagai macam tools tersebut dengan sample atau contoh data yang diberikan , sehingga dapat memahami maksud dari penggunaan

tools tersebut

Dapat memanfaatkan secara maksimal penggunaan tools Data Mining dalam pengelolaan data sehingga lebih cepat dalam mengelola suatu data

Memudahkan dalam menganalisis suatu data dengan berbagai macam tools

BATASAN MASALAH

Bagaimana memanfaatkan tools-tools yang ada pada Data Mining secara benar , efektif , dan efisien ?

Bagaimana memililh dan memanfaatkan data yang ada untuk keperluan Data Mining?

Bagaimana cara menerapakan tools tersebut untuk melakukan Data Mining pada sample data?

Bagaimana mempermudah proses analisis data dengan menggunakan tools yang ada pada Data Mining?

8

BAB 2: KAJIAN TEORI

DATA MINING

Dalam membuat sebuah keputusan bisnis, dibutuhkan sejumlah pengetahuan kondisi

pasar sehingga keputusan bisnis tersebut dapat menghasilkan perkembangan yang bermanfaat

dan menguntungkan bagi perusahaan. Pengetahuan ini dapat diperoleh dengan cara

melakukan analisis terhadap data data yang telah ada.

Pada awalnya data mining hadir dengan dilatarbelakangi dengan masalah

pembengkakan data yang dialami oleh organisasi. Dengan adanya data yang terus menerus

bertambah setiap harinya, lama kelamaan data tersebut akan menjadi bertumpuk dan tidak

menghasilkan sesuatu yang berguna. Oleh karena itu muncullah pemikiran agar data tersebut

berguna. Yaitu menambang emas(informasi) dengan sejumlah data yang banyak tersebut.

Menurut Han dan Kamber (Kember and Han, 2006), data mining dapat didefinisikan

sebagai proses mengekstrak atau menambang prngrtahuan yang dibutuhkan dari sejumlah

besar data. Pada prosesnya data mining akan mengekstrak informasi yang berharga dengan

cara menganalisis adanya pola pola ataupun hubungan keterkaitan tertentu dari data data yang ada.

Proses penemuan pengetahuan meliputi 7 langkah (Kember and Han, 2006) diantaranya

adalah :

1. Data cleaning (menghilangkan noise dan data yang tidak konsisten) 2. Data integration (menggabungkan data dari berbagai sumber data) 3. Data Selection (memilih data yang relevan dengan analiis) 4. Data Transformation (transformasi atau konsolidasi data ke dalam bentuk yang tepat

untuk mining)

5. Data mining (mengidentifikasi polamenarik dan merepresentasikan basis pengetahuan) 6. Patern evaluation (mengidentifikasi pola menarik dan merepresentasikan basis

pengetahuan)

7. Knowledge presentation (penggunaan teknik representasi visual untuk menyajikan yang telah diperoleh kepada user).

Langkah 1 sampai 4 merupakan bentuk dari data processing. Data processing ini

dibutuhkan untuk menghilangkan data yang tidak konsisten, memiliki noise, atau terdapat

bagian yang hilang. Melalui data processing kemudian data bisa melalui tahap data mining.

Pada dasarnya datamining digunakan untuk menyelesaikan tugas yang bersifat prediktif

dan deskriptif. Prediktif, sejumlah variabel akan digunakan untuk memprediksi nilai yang

belum diketahui dari variabel lainya sedangkan descriptif akan dilakukan

penginterpresentasian pola untuk mendeskripsikan data tersebut. Dari kedua jenis diatas

kemudian dibagi lagi menjadi beberapa jenis tugas, diantaranya adalah klasifikasi, estimasi,

prediksi, affinity grouping, clustering, dan description and profilling.

Dalam konteks CRM, data mining adalah Aplikasi dari analisis desktriptif dan

prediktif untuk membantu membantu proses pemasaran, penjualan, dan fungsi-fungsi

perusahaan. Meskipun data mining dapat dilaksanakan dalam database operasional, biasanya

9

data mining dipakai dalam data warehouse dimana dalam data warehouse, database-nya

cenderung lebih stabil.

Data mining berguna dalam menjawab permasalahan seputar Strategic CRM dan

Operational CRM. Seperti cara untuk membagi-bagi pelanggan, menentukan pelanggan yang

paling berharga, produk apa yang paling disukai pelanggan, berapa harga yang diminati

pelanggan, taktik penjualan apa yang berhasil diimplementasikan, dan lain-lain.

Tujuan dari data mining adalah untuk menemukan sebuah pola atau hubungan yang

didapatkan dari data perusahaan/data warehouse dalam jumlah besar. Dari Data Mining bisa

didapatkan demographic mengenai profil pelanggan, produk, atau jasa tertentu.

Dalam melakukan data mining dan mengelola data yang begitu besar tersebut

diperlukan alat bantu berupa Software, contohnya : SPSS, Weka, Matlab dan lain-lain.

Francis Buttle hal 114

CLASSIFICATION TREE

Ada banyak teknik-teknik yang digunakan dalam data mining, diantaranya adalah

Classification Tree.

Francis Buttle hal 169.

Classification Tree merupakan nama yang lebih spesifik dari Decision Tree (Pohon

pengambilan keputusan), disebut decision tree karena secara grafis merepresentasikan

struktur yang bercabang. Decision tree bekerja dengan menganalisa kumpulan data untuk

mencari variabel independen yang ketika akan digunakan untuk membagi-bagi populasi. Dari

situ akan dihasilkan noktah-noktah yang berbeda antara satu dan yang lainnya. Noktah-

noktah tersebut berisi variabel yang ingin kita prediksikan.

10

Meskipun disebut Decision Tree, namun sebetulnya yang ditunjukan adalah data

mengenai variabel tertentu. Keputusan tetap berada ditangan perusahaan. Decision tree hanya

memembantu pengambilan perusahaan karena menunjukan data-data y ang ada. Pada

aplikasinya hasil dari decision tree, dan classification tree bisa digunakan untuk software lain.

Namun tetap saja pemegang keputusan tetaplah pengguna.

Contohnya dari data pelanggan dibawah ini akan diubah menjadi Decision Tree.

Data diatas merupakan data pelanggan suatu perusahaan, kita ingin prediksi profil pelanggan.

Dari sini didapatkan bahwa pelanggan yang menikah dan memiliki penghasilan tinggi

akan memiliki credit risk yang paling tinggi.

Keputusan apa yang akan diambil perusahaan setelah melihat representasi data ini?

Bisa jadi banyak hal. Namun seperti yang bisa kita lihat, decision tree dan classification tree

membantu pengguna dalam pengambilan keputusan.

11

IMPLEMENTASI KE CRM

Di dalam CRM biasanya fokus kepada tiga area yaitu penjualan (sales), layanan

pelanggan (customer service), dan otomasi pemasaran (marketing automation). Penjualan

meliputi semua hal yang berhubungan dengan area penjualan, call center penjualan, dan e-

commerce. Layanan pelanggan meliputi seluruh area layanan termasuk layanan berbasis

Internet. Sedangkan pada area sales force automation(SFA) meliputi perangkat (tool) BI

(business intelligence), analisis data, dan aplikasi managemen lainnya.

Landasan untuk mencapai keberhasilan CRM adalah adanya informasi pelanggan dan

data transaksi pelanggan yang akurat. Untuk hasil yang maksimal diperlukan suatu analisis

data dari seluruh data transaksi yang ada. Seperti diketahui, basis data sendiri memiliki

volume yang sangat besar, yang kebanyakan berasal dari softwarebisnis seperti aplikasi.

Selain informasi pelanggan yang akurat, teknik pemasaran seperti cross-selling

mutlak diperlukan bagi perusahaan yang ingin berkompetisi di pasar. Cross-selling sudah

menjadi bagian yang tidak terpisahkan dari CRM, telah diakui sebagai teknik pemasaran

yang efektif dan telah terbukti meningkatkan revenue perusahaan seiring dengan

meningkatnya jumlah lines per orderdan meningkatnya customer loyalty and profitability

Data mining dalam CRM berperan sebagai membantu dalam pengambilan

keputusan(Decision Support System) suatu perusahaan. Penganalisa data agar menemukan

value lebih dari pelanggan, dan dapat menjadi bahan pertimbangan dalam pengambilan

langkah stratrgi perusahaan serta menjadi bahan evaluasi bagi perusahaan tersebut

(Tama, 2009)

PENERAPAN PADA EXCEL

Microsoft Excel merupakan aplikasi untuk mengolah data secara otomatis yang dapat

berupa perhitungan dasar, rumus, pemakaian fungsi-fungsi, pengolahan data dan tabel,

pembuatan grafik dan menajemen data.

Pemakaian rumus sendiri dapat berupa penambahan, pengurangan, perkalian dan lain

sebagainya. Sedangkan pemakaian fungsi-fungsi dapat berupa pemakaian rumus yang

bertujuan untuk menghitung dalam bentuk rumus matematika maupun non matematika.

Microsoft Excel dapat juga digunakan untuk menyelesaikan berbagai keperluan

administrasi, dari yang sederhana sampai dengan yang rumit. Pada pemakaian keperluan

yang sederhana tersebut misalkan untuk membuat perencanaan kebutuhan suatu perusahaan,

berupa perencanaan barang kebutuhan, jumlah maupun harganya.

(Excel, 2013)

Dengan bantuan SQL Server , microsoft excel dapat melakukan data mining yaitu dengan

penambahan Add in yang sesuai. Dengan adanya addin tersebut microsoft excel dapat

terkoneksi dengan data base di SQL Server dan menggunakan Service Analyze untuk process

Data Mining

12

BAB 3 : IMPLEMENTASI DATA MINING DALAM MICROSOFT EXCEL

CLASSIFICATION

Klasifikasi merupakan proses menemukan sebuah model atau fungsi yang

mendeskripsikan dan membedakan data ke dalam kelas-kelas atau konsep-konsep .

Klarifikasi melibatkan proses pemeriksaan karakteristik dan objek memasukkan objek ke

dalam salah satu kelas yang sudah didefinisikan sebelumnya , Klasifikasi dilakukan dengan

melakukan analisa pada data historikal yang tersimpan dalam database dan mengenerate

otomatis model yang dapat memprediksi perilaku di masa depan. Dengan melakuan

redefined class , model dapat memprediksi sebuah kelas atau membuat kelas pada rekord-

rekord data yang terklasifikasi . Klasifikasi terdiri dari memeriksa fitur dari objek yang baru

disajikan dan disisipkan ke salah satu set standar kelas. (Supervised Learning) , Contoh

proses klasifikasi yakni Mengklasifikasikan peminjam uang pada suatu bank apakah memiliki

resiko rendah, sedang atau tinggi

Pada Microsoft Excel kita dapat melakukan classification dengan memanfaatkan tools

pada data mining yang telah terinstall sebagai add in , yakni fungsi classify seperti gambar di

bawah ini :

Figure 1 . Menu Data Mining

Berikut langkah-langkah melakukan klasifikasi pada DMAddin_SampleData yang

diberikan untuk klasifikasi

1. Kami melakukan klasifikasi berdasarkan occupation , gender dan age a. Pertama-tama kita membuka sample data seperti gambar di bawah ini ,

kemudian , pilih classify pada menu data mining seperti tampak pada gambar :

Figure 2.Classify Data Mining

b. Setelah itu akan muncul kotak dialog seperti gambar di bawah ini untuk memulai menggunakan classify , kemudian pilih next untuk melanjutkan penggunaan classify :

13

Figure 3. Start Data Mining

c. Setelah itu kita diminta untuk memilih source data , seperti gambar di bawah ini , kemudian pilih next untuk melanjutkan ke langkah berikutnya :

Figure 4. Select Source Data

d. Setelah itu pilih akan melakukan klasifikasi terhadap data apa saja , di bawah ini kami memilih untuk melakukan klasifikasi terhadap occupation , age dan gender seperti

gambar di bawah ini , kemudian tekan next untuk melanjutkan pada tahap berikutnya :

14

Figure 5. Classification

e. Kemudian , muncul kotak dialog seperti gambar di bawah ini dan tekan next untuk melanjutkan ke tahap berikutnya

Figure 6 . Split data

f. Setelah itu , beri structure name , description , model name , model description , biasanya sudah otomatis terisi dan pilih option , sebaiknya memilih use temporary ,

setelah itu tekan finish

15

Figure 7. Finish Classify

g. Setelah menekan tombol finish , maka akan muncul classify untuk selanjutnya memunculkan hasil , seperti pada tahap ke-8

Figure 8.Process

h. Kemudian akan muncul hasil seperti gambar di bawah ini , pada gambar di bawah ini menunjukkan , pada tree Occupation , terbagi menjadi beberapa usia , background

yang dipilih merupakan All cases , sehingga keseluruhan occupation ditampilkan dan

digambarkan seperti gambar di bawah ini , untuk analisis mengenai gambar di bawah

ini akan dijelaskan pada Bab 4 . Analisa dan Pembahasan

Figure 9 . Decision Tree

16

Selain itu di bawah ini merupakan gambar hasil juga , yang terdapat pada sebelah

kanan gambar di atas, yang menunjukkan mining legend, dari total cases sebanyak

700 cases (merupakan jumlah keseluruhan occupation)

Figure 10.Mining Legend

i. Pada tahap ke-9 ini merupaka tahap dimana background kita ubah menjadi Clerical atau dalam Bahasa Indonesia berarti Pekerjaan Administrasi , dimana terlihat

bagaimana decision tree yang dihasilkan pada gambar di bawah ini , untuk lebih

jelasnya akan dijelaskan pada Bab 4. Analisa dan Pembahasan

Figure 11.Decision Tree

Pada gambar di bawah ini merupakan gambar di sebelah kanan gambar di atas ,

menunjukkan mining legend , dimana dikhususkan untuk background clerical

saja , dan terlihat total cases hanya sebanyak 116 cases


17

j. Pada tahap ke-10 ini akan menunjukkan langkah dalam memunculkan dependency / ketergantungan antara 1 atribut dan atribut lainnya , seperti pada kasus 1 , sehingga

didapatkan gambar seperti di bawah ini

Figure 13.Dependency Network

2 Kami melakukan klasifikasi berdasarkan income , car , occupation a. Tahap yang dilakukan pada klasifikasi ke-2 ini sama halnya dengan klasifikasi

pada tahap di atas (pada bagian 1.a-1.g) hanya saja perbedaannya terletak pada

tahap d , yaitu pemilihan klasifikasi , seperti gambar di bawah ini :

Figure 14.Classification

b. Kemudian tahap berikutnya sama hingga tahap 1.g , kemudian akan memunculkan hasil seperti gambar di bawah ini , terlihat bahwa trees

merupakan income ,dan pada gambar di bawah ini merupakan all cases , sama

halnya dengan kasus di atas , apabila kita mengganti dengan cases tertentu

hasilnya juga akan berubah :

18


Berikut merupakan mining legend yang dihasilkan , terlihat bahwa terdapat

700 cases, dan terlihat bagaimana probability dalam hitungan prosentase (%) ,

histogram


c. Kemudian pada tahap 2.c ini memperlihatkan perbedaan apabila yang dipilih merupakan case tertentu atau bukan All cases pada background tampak

gambar di bawah ini ketika yang dipilih merupakan background dengan

value >=127371

19




histogram


d. Pada tahap ke-4 ini akan menunjukkan langkah dalam memunculkan dependency network / ketergantungan antara 1 atribut dan atribut lainnya ,

seperti pada kasus 1 , sehingga didapatkan gambar seperti di bawah ini


20

3 Kami melakukan klasifikasi berdasarkan Marital status , children , Home Owner

a. Tahap yang dilakukan pada klasifikasi ke-3 ini sama halnya dengan klasifikasi pada tahap di atas (pada bagian 1.a-1.g) hanya saja perbedaannya terletak pada

tahap d , yaitu pemilihan klasifikasi , seperti gambar di bawah ini :

Figure 20.Classification

b. Kemudian tahap berikutnya sama hingga tahap 1.g , kemudian akan memunculkan hasil seperti gambar di bawah ini , terlihat bahwa trees

merupakan marital status ,dan pada gambar di bawah ini merupakan all cases ,

sama halnya dengan kasus di atas , apabila kita mengganti dengan cases

tertentu hasilnya juga akan berubah :




histogram

21


c. Kemudian pada tahap 3.c ini memperlihatkan perbedaan apabila yang dipilih merupakan case tertentu atau bukan All cases pada background tampak

gambar di bawah ini ketika yang dipilih merupakan background dengan value

Married




histogram


d. Pada tahap ke-4 ini akan menunjukkan langkah dalam memunculkan dependency network / ketergantungan antara 1 atribut dan atribut lainnya ,

seperti pada kasus 1 , sehingga didapatkan gambar seperti di bawah ini

22


ESTIMATION

Estimasi digunakan untuk memprediksi hasil keluaran berupa sebuah nilai

kontinu , estimasi juga sering digunakan untuk melakukan tugas klasifikasi , contoh

penggunaan data mining untuk tugas estimasi adalah memperkirakan minimum ,

maksimum , dan rata-rata temperatur harian , Estimasi berkaitan dengan nilai-nilai

yang berkalanjutan., Jika diberikan beberapa data input, estimasi akan memberikan

nilai-nilai seperti pendapatan, tinggi badan, atau saldo kartu kredit

Pada Microsoft Excel kita dapat melakukan estimasi dengan memanfaatkan tools pada

data mining yang telah terinstall sebagai add in , yakni fungsi estimate seperti gambar

di bawah ini :

Figure 26.Menu Estimate

Berikut langkah-langkah melakukan estimate pada DMAddin_SampleData yang

diberikan untuk estimate

1. Kami melakukan estimasi berdasarkan income dan occupation

a. Pertama-tama kita memilih estimate pada salah satu tools di data mining , kemudian akan muncul seperti gambar di bawah ini

23

Figure 27.Estimate Wizard

b. Setelah itu kita akan diminta untuk memilih source data yang akan digunakan , seperti gambar di bawah ini , kemudian pilih next untuk melanjutkan ke tahap

berikutnya :

Figure 28.Select source code

c. Kemudian akan muncul kotak dialog estimate , dimana disini kita diminta untuk memilih data-data apa saja yang akan digunakan untuk estimate, setelah

memilih tekan next :

24

Figure 29.Estimation

d. Setelah itu akan muncul kotak dialog finish seperti gambar berikut, jangan lupa untuk mencetang user temporary model , setelah itu klik finish

Figure 30.Finish estimate

e. Setelah menekan tombol finish , maka akan diproses seperti gambar di bawah ini :

Figure 31.process

f. Setelah itu akan muncul gambar seperti di bawah ini , yang menunjukkan hasil estimate sesuai dengan data apa saja yang sebelumnya telah kita pilih :

25


g. Pada tahap ini akan menunjukkan langkah dalam memunculkan dependency netwoek / ketergantungan antara 1 atribut dan atribut lainnya , seperti pada

kasus 1 , sehingga didapatkan gambar seperti di bawah ini


PREDICTION

Prediksi memiliki kemiripan dengan klasifikasi , namun data diklarifikasi berdasarkan

perilaku atau nilai yang diperkirakan pada masa mendatang , salah satu contoh dari tugas

prediksi adalah pengurangan jumlah pelanggan dalam masa mendatang dapat dikatakan

prediksi berupa memperkirakan hal yang belum terjadi, Kita bisa menunggu hingga hal itu

terjadi untuk membuktikan seberapa tepat prediksi kita

Pada Microsoft Excel kita dapat melakukan prediksi dengan memanfaatkan tools pada

data mining yang telah terinstall sebagai add in , yakni fungsi forecast seperti gambar di

bawah ini :

26

Figure 34.Menu Forecast

Berikut langkah-langkah melakukan prediksi pada DMAddin_SampleData yang

diberikan untuk prediksi :

1. Kami melakukan prediksi berdasarkan income , ages , car , dan ID

a. Pertama-tama kita memilih forecast pada salah satu tools di data mining , kemudian akan muncul seperti gambar di bawah ini

Figure 35.Forecast Wizard

b. Setelah itu kita akan diminta untuk memilih source data yang akan digunakan , seperti gambar di bawah ini , kemudian pilih next untuk melanjutkan ke tahap

berikutnya :

27

Figure 36.Source Data

c. Kemudian akan muncul kotak dialog forecasting , dimana disini kita diminta untuk memilih data-data apa saja yang akan digunakan untuk forecasting ,

setelah memilih tekan next , namun pada time stamp pilih no time stamp ,

seperti gambar di bawah ini :

Figure 37.Forecasting

d. Setelah itu akan muncul kotak dialog finish seperti gambar berikut, jangan lupa untuk mencetang user temporary model , setelah itu klik finish

28

Figure 38.Finish Forecasting

e. Setelah menekan tombol finish , maka akan diproses seperti gambar di bawah ini :

Figure 39.Process Forecasting

f. Setelah itu akan muncul grafik seperti gambar di bawah ini , yang menunjukkan hasil forecasting sesuai dengan data apa saja yang sebelumnya

telah kita pilih :

29

Figure 40.Charts

g. Kemudian pada grafik tersebut kita dapat memilih apa saja grafik yang akan ditampilkan berdasarkan data pada sisi kanan , pada gambar di bawah ini

menunjukkan grafik antara usia dan pendapatan (age and income) sehingga

hanya muncul 2 warna grafik , biru menunjukkan grafik usia , dan ungu

menunjukkan grafik pendapatan

Figure 41.Charts-2

h. Kemudian pada grafik di bawah ini menunjukkan grafik dengan data usia dan mobil , grafik berwarna biru menandai data Age , sedangkan data cars ditandai

dengan grafik berwarna merah

30

Figure 42.Charts-3

i. Kemudian untuk model ditunjukkan pada gambar di bawah ini , yang menggambarkan model forecasting dari data yang telah kita pilih


j. Kemudian di bawah ini menunjukkan model dengan cases cars , terlihat perbedaannya dengan trees cars


2. Kami melakukan prediksi berdasarkan income , children, dan age

31

a. Tahap yang dilakukan pada prediksi ke-2 ini sama halnya dengan prediksi pada tahap di atas (pada bagian 1.a-1.c) hanya saja perbedaannya terletak

pada tahap d , yaitu pemilihan prediksi, seperti gambar di bawah

Figure 45.Forecasting

b. Setelah itu pada beberapa tahap memiliki kesamaan , hingga menghasilkan grafik seperti gambar di bawah ini :

Figure 46.Charts

c. Setelah itu kita dapat melihat modelnya berdasarkan tree income seperti gambar di bawah ini :

32

Figure 47.Model

d. Selain itu kita dapat melihat modelnya berdasarkan tree children seperti gambar di bawah ini , terlihat perbedaannya dibandingkan dengan tree

income di atas

Figure 48.Model

AFFINITY GROUPING

Tugas Affinity Grouping adalah untuk menentukan hal-hal yang bisa

dikelompokkan bersama-sama. Hal ini juga dapat digunakan untuk

mengidentifikasi peluang cross-selling dan untuk merancang paket menarik atau

pengelompokan produk dan jasa.

Affinity Grouping berdasarkan tabel asosiasi

33

Figure 49.Data

Tahapan tahapan


34

Figure 51.Association

Figure 52.Finish

35

Figure 53.Ruler

Figure 54.Associate Product

36

Berdasarkan data diatas kemungkinan paling tinggi adalah saat consumen

membeli HL Road Tire, konsumen juga membeli produk lain yang berkaitan.

Dengan begitu perusahaan bisa melakukan penawaran lebih pada produk lain yang

dibeli bersamaan tersebut. Seperti Road-250, Road Tire Tube, Patch Kit, dl. Selain

itu perusahaan juga bisa melakukan cross-selling yang berpotensi tinggi. Seperti

ML Road Tire, Touring Tire, dan produk produk lain berdasarkan data di atas

CLUSTERING

Clustering merupakan proses untuk melakukan segmentasi atas sebuah populasi

yang heterogen menjadi sub kelompok atau cluster yang homogen , clustering membagi

objek data tanpa mengetahui jumlah label kelas

Clustering berdasarkan data dibawah

Figure 55.Data

Tahapan tahapan klustering

Figure 56.Menu Cluster

37


Kemudian menentukan data data yang menjadi dasar dari pembagian cluster, disini data yang dijadikan dasar clustering adalah gender, education, region dan age.

Clustering saya pilih automatis, jadi tidak saya tentukan akan jadi berapa cluster.

38

Figure 58.Cluster Diagram

Berikut profil setiap clusternya

Figure 59.Cluster Profile

Dapat mengetahui letak variabel yang

ada, terletak di cluster mana dan

diperhitungkan berapa persen dari total

populasi

39

Cluster 1 Cluster 2 Cluster 3

Cluster 4 Cluster 5 Chapter 6

Selain itu ita bisa melihat characteristik setiap cluster, contoh disini adalah charakteristik

cluster 1

Figure 60

Selain itu kita bisa membandingkan cluster 1 dengan yang lainya

Figure 61

DESCRIPTION AND PROFILING

40

Description and profiling adalah descripsi dari database yang telah ada sehingga akan

mudah dibaca oleh perusahaan. Berguna untuk meningkatan pemahaman produk, pelanggan,

dan penjualan.Disini kami membuat deskripsi dari data yang ada dengan bentuk chart dan

pengelompokan data.

Untuk pelanggan kami mencontohkan disini Profit chart berdasarkan klasifikasi Matrial

Status

41

Figure 62

Maka jadilah analisa profit berdasarkan matrial status , Pada produk dan penjualan kami

membuat yaitu barang yang paling sering dibeli, dan barang yang bersamaan dibeli. Sehingga

dapat dilakukan cross seling terhadap barang tersebut

Figure 63

42

Figure 64

Data ini memang sedikit mirip dengan Asociate yaitu sama sama bisa digunakan untuk menentukan cross-selling

43

BAB 4: ANALISIS DAN PEMBAHASAN

CLASSIFICATION

Analisis pada kasus 1 sesuai dengan pada Bab 3. Implementasi , pada gambar di bawah ini

menunjukkan , pada tree Occupation , terbagi menjadi beberapa usia , background yang

dipilih merupakan All cases , sehingga keseluruhan occupation ditampilkan dan

digambarkan seperti gambar di bawah ini , untuk analisis gambar di bawah ini menunjukkan

pemecahan pekerjaan berdasarkan usia , terbagi menjadi 3 yaitu usia diantara 32 dan 53

tahun , usia lebih dari sama dengan 53 tahun yang kemudian dibagi lagi menjadi 2 yakni

lebih dari sama dengan 65 tahun dan kurang dari 65 tahun , dan pekerja yang terakhir berusia

kurang dari 32 tahun

Figure 65

Selain itu di bawah ini merupakan gambar hasil juga , yang terdapat pada sebelah kanan

gambar di atas, yang menunjukkan mining legend, dari total cases sebanyak 700 cases

(merupakan jumlah keseluruhan occupation) , berikut data yang ada :

Figure 66

Dari tabel diatas dapat kita lihat pada kolom usia , dengan usia 37-46 tidak memiliki

pekerjaan , pada usia kurang dari 37 tahun terbagi ke dalam 2 pekerjaan skilled- manual dan

manual , dimana lebih banyak skilled-manual pada relative impact yang tergambar di atas ,

pada usia lebih dari sama dengan 65 tahun bekerja sebagai clerical dan management ,

kemudian di antara 46-55 tahun jenis pekerjaan professional , sehingga data tersebut sesuai

dengan decision tree yang digambarkan , sehingga dengan adanya klasifikasi ini dapat

memudahkan kita untuk mengetahui jenis pekerjaan apa yang paling sering digeluti pada

kurun usia tertentu

44

Analisis pada kasus 2 dengan menggunakan data berupa penghasilan (income), mobil dan

occupation , pada gambar di bawah ini merupakan decision tree yang dihasilkan dari tools

classify

Figure 67

Analisis yang dapat diambil dari decision tree di atas adalah , tree utama adalah income atau

pendapatan , dimana terbagi atas pekerjaan atau occupation yang ada , terdapat Occupation

manual , skilled-manual , management , professional , dan clerical , kemudian terlihat pada

occupation manual tidak terdapat yang memiliki mobil dan juga hal yang sama terlihat pada

occupation clerical, sedangkan pada occupation skilled-manial terbagi menjadi 2 jumlah

mobil , sama halnya pada occupation management , namun pada jumlah mobil masih dibagi

lagi pada jumlah mobil tidak sama dengan 4 , hal yang sama terdapat pada occupation

professional

Figure 68

Dari tabel di atas terlihat kesamaan dengan decision tree , dimana keselarasan antara

occupation , cars dan income , dimana kita lihat saja pada occupation clerical dan manual

45

memiliki income dengan jumlah yang sama , yakni

46

Figure 71

Terlihat pada decision tree yang memiliki tree utama income ini ,terbagi atas berbagai macam

jenis occupation , yang kemudian dibagi lagi menjadi beberapa occupation seperti gambar

diatas , Estimasi digunakan untuk memprediksi hasil keluaran berupa sebuah nilai kontinu ,

estimasi juga sering digunakan untuk melakukan tugas klasifikasi , sehingga hal tersebut

telah digambarkan dengan decision tree tersebut

PREDICTION

Analisis pada prediction ini juga merupakan pembahasan mengenai implementasi pada Bab 3

diatas m berikut merupakan analisa tiap kasus yang ada :

Kasus 1 , yakni dengan menggunakan data usia , mobil , ID , dan pendapatan ,sehingga

muncul grafik seperti gambar di bawah ini , yang menunjukkan hasil forecasting sesuai

dengan data apa saja yang sebelumnya telah kita pilih :

Figure 72

Kemudian pada grafik tersebut kita dapat memilih apa saja grafik yang akan ditampilkan

berdasarkan data pada sisi kanan , pada gambar di bawah ini menunjukkan grafik antara usia

dan pendapatan (age and income) sehingga hanya muncul 2 warna grafik , biru menunjukkan

grafik usia , dan ungu menunjukkan grafik pendapatan, terlihat bahwa grafik terlihat

fluktuatif, terlihat cepat turun dan naik , berdasarkan dengan sample data yang ada , yang

jelas ke-4 warna grafik tersebut berpengaruh satu sama lain , forecasting merupakan ilmu

47

peramalan bagaimana keadaan kedepannya , sehingga kita sudah dapat memiliki gambaran

kedepannya

Figure 73

Kemudian pada grafik di bawah ini menunjukkan grafik dengan data usia dan mobil , grafik

berwarna biru menandai data Age , sedangkan data cars ditandai dengan grafik berwarna

merah

Figure 74

Kemudian untuk model ditunjukkan pada gambar di bawah ini , yang menggambarkan model

forecasting dari data yang telah kita pilih

48

Figure 75

Dari model decision tree tersebut juga dapat kita lakukan analisis , dan sebagian besar

bergantung pada income , prediksi mirip dengan klasifikasi namun prediksi merupakan teknik

yang digunakan untuk mengetahui keadaan sesuatu di masa akan mendatanng , sehingga

tidak menimbulkan kerugian yang besar

AFFINITY GROUP

Affinity group digunakan untuk menentukan hal hal yang terjadi bersamaan. Affinity group merupakan pendekatan sederhana untuk menghasilkan aturan aturan dari data. Berdasarkan data yang sudah kita lakukan datamining berdasarkan Affiniting group diperoleh data

Table 1

Probability Importance Rule

100 % 1,51 Road-250, Road Tire Tube -> HL Road Tire

100 % 1,46 Road-250, Patch kit -> HL Road Tire

100 % 1,43 Road-350-W, Road Tire Tube -> ML Road Tire

100 % 1,43 Mountain-500, Mountain Tire Tube -> LL Mountain Tire

100 % 1,42 Road-750, Road Tire Tube -> LL Road Tire

100 % 1,41 Touring-1000, Touring Tire Tube -> Touring Tire

100 % 1,40 Road-550-W, Road Tire Tube -> ML Road Tire



100 % 1,31 Mountain-200, Mountain Tire Tube -> HL Mountain Tire

100 % 1,30 Mountain-400-W, Mountain Tire Tube -> ML Mountain Tire

100 % 1,24 Touring Tire, Sport-100 -> Touring Tire Tube

100 % 1,24 Road-750, Water Bottle -> Road Bottle Cage

100 % 1,20 Touring-1000, Water Bottle -> Road Bottle Cage

100 % 1,18 Touring Tire, Half-Finger Gloves -> Touring Tire Tube

100 % 1,17 Hydration Pack, Touring Tire -> Touring Tire Tube

100 % 1,17 Mountain-200, Water Bottle -> Mountain Bottle Cage

100 % 1,16 Touring Tire, Cycling Cap -> Touring Tire Tube

100 % 1,15 Touring Tire, Road Bottle Cage -> Touring Tire Tube

100 % 1,15 Touring Tire, Long-Sleeve Logo Jersey -> Touring Tire Tube

100 % 1,15 Touring Tire, Water Bottle -> Touring Tire Tube


49

100 % 1,14 Road-550-W, Water Bottle -> Road Bottle Cage

100 % 1,14 Road-250, Water Bottle -> Road Bottle Cage

100 % 1,12 Road-350-W, Water Bottle -> Road Bottle Cage


100 % 1,11 Touring Tire Tube, Water Bottle -> Road Bottle Cage

100 % 1,10 Fender Set - Mountain, Water Bottle -> Mountain Bottle Cage

100 % 1,10 Touring Tire, Water Bottle -> Road Bottle Cage

100 % 1,06 Mountain-500, Water Bottle -> Mountain Bottle Cage

100 % 1,05 Mountain Tire Tube, Water Bottle -> Mountain Bottle Cage

100 % 1,03 HL Mountain Tire, Water Bottle -> Mountain Bottle Cage

100 % 1,02 ML Road Tire, Sport-100 -> Road Tire Tube

100 % 1,00 LL Road Tire, Sport-100 -> Road Tire Tube

100 % 0,96 LL Road Tire, Half-Finger Gloves -> Road Tire Tube

100 % 0,95 LL Road Tire, Long-Sleeve Logo Jersey -> Road Tire Tube

100 % 0,95 Classic Vest, LL Road Tire -> Road Tire Tube

100 % 0,95 Classic Vest, HL Road Tire -> Road Tire Tube

100 % 0,85 ML Mountain Tire, Half-Finger Gloves -> Mountain Tire Tube

100 % 0,84 LL Mountain Tire, Long-Sleeve Logo Jersey -> Mountain Tire Tube

100 % 0,84 LL Mountain Tire, Fender Set - Mountain -> Mountain Tire Tube

100 % 0,75 Road Bottle Cage, Sport-100 -> Water Bottle

100 % 0,73 Road Bottle Cage, Cycling Cap -> Water Bottle

100 % 0,72 Short-Sleeve Classic Jersey, Road Bottle Cage -> Water Bottle

100 % 0,72 Half-Finger Gloves, Road Bottle Cage -> Water Bottle

100 % 0,71 Road Bottle Cage, Long-Sleeve Logo Jersey -> Water Bottle

100 % 0,71 Hydration Pack, Road Bottle Cage -> Water Bottle

100 % 0,70 Classic Vest, Mountain Bottle Cage -> Water Bottle

100 % 0,70 Classic Vest, Road Bottle Cage -> Water Bottle

100 % 0,70 Road Bottle Cage, Patch kit -> Water Bottle

99 % 0,90 ML Mountain Tire, Sport-100 -> Mountain Tire Tube

97 % 0,70 Bike Wash, Mountain Bottle Cage -> Water Bottle

95 % 1,26 Mountain-400-W, Patch kit -> ML Mountain Tire

95 % 0,68 Mountain Bottle Cage, Patch kit -> Water Bottle

95 % 0,83 ML Mountain Tire, Long-Sleeve Logo Jersey -> Mountain Tire Tube

95 % 1,21 Touring Tire, Patch kit -> Touring Tire Tube

95 % 0,69 Half-Finger Gloves, Mountain Bottle Cage -> Water Bottle

94 % 0,94 ML Road Tire, Cycling Cap -> Road Tire Tube

94 % 0,69 Road-350-W, Road Bottle Cage -> Water Bottle

94 % 1,12 Bike Wash, Touring Tire -> Touring Tire Tube

94 % 0,69 Short-Sleeve Classic Jersey, Mountain Bottle Cage -> Water Bottle

93 % 0,92 ML Road Tire, Short-Sleeve Classic Jersey -> Road Tire Tube

93 % 0,66 Racing Socks, Mountain Bottle Cage -> Water Bottle

93 % 0,97 HL Road Tire, Sport-100 -> Road Tire Tube

93 % 0,67 Touring Tire Tube, Road Bottle Cage -> Water Bottle

91 % 0,67 Touring-2000, Road Bottle Cage -> Water Bottle

91 % 0,99 Mountain-400-W, Water Bottle -> Mountain Bottle Cage

91 % 0,68 Touring-3000, Road Bottle Cage -> Water Bottle

50

91 % 0,69 Mountain Bottle Cage, Cycling Cap -> Water Bottle

91 % 1,28 Touring-2000, Patch kit -> Touring Tire

91 % 1,05 Hydration Pack, Road-750 -> Road Bottle Cage

91 % 0,91 HL Road Tire, Bike Wash -> Road Tire Tube

91 % 0,80 ML Mountain Tire, Mountain Bottle Cage -> Mountain Tire Tube

91 % 0,64 Hydration Pack, Road-750 -> Water Bottle

90 % 0,84 LL Mountain Tire, Sport-100 -> Mountain Tire Tube

Berdasarkan data diatas ketika konsumen membeli HL Road Tire mereka juga membeli Road

250, Road Tire Tube, dan Patch kit. Dengan begitu perusahaan melakukan penawaran

terhadap produk tersebut ketika customer lain membeli HL Road Tire. Bukan hanya HL Road

Tire yang bisa diberi penawaran tetapi juga produk lain yang memiliki probability tinggi

untuk diberi penawaran terhadap produk lai seperti ML Road Tire, LL Mountain Tire dan

produk lainya.

CLUSTERING

Clustering merupakan proses untuk melakukan segmentasi atas sebuah populasi yang

heterogen menjadi cluster yang homogen. Cluster dapat digunakan untuk menghasilkan label

label. Objek objek dikelompokan berdasarkan prinsip maksimalisasi kemiripan dalam satu kelas dan minimalisasi kemiripan antar kelas. Clusterisasi yang sudah kami lakukan

terhadap tabel Data Source, berdasarkan gender(jenis kelamin), education(pendidikan),

region(kota) dan age(umur). Hasilnya menjadi 5 cluster

Figure 76

Table 2

Variables States Population (All) Cluster 1 Cluster 2 Cluster 3 Cluster 6 Cluster 4 Cluster 5

Size 7000 1617 1391 1324 920 874 874

Age Mean 45 39,42 30,78 53,48 42,57 50,77 64,12

Age Deviation 12,02 4,4 3,08 4,53 5,04 8,49 7,65

Education Partial College 1878 0 % 43 % 21 % 39 % 66 % 4 %

Education Bachelors 1807 78 % 0 % 1 % 0 % 11 % 48 %

51

Education High School 1405 1 % 34 % 54 % 11 % 12 % 4 %

Education Graduate Degree 1156 21 % 0 % 0 % 47 % 9 % 35 %

Education Partial High School 754 1 % 23 % 24 % 3 % 3 % 8 %

Gender Male 3592 45 % 52 % 59 % 92 % 10 % 55 %

Gender Female 3408 55 % 49 % 41 % 8 % 90 % 46 %

Region North America 3827 49 % 47 % 59 % 66 % 47 % 67 %

Region Europe 2058 14 % 46 % 27 % 27 % 40 % 25 %

Region Pacific 1115 37 % 7 % 14 % 6 % 13 % 8 %

Dan berikut kharakteristik dari setiap cluster

Cluster 1

Table 3

Variables Values Probability

Education Bachelors 78 %

Age 38 - 45 60 %

Gender Female 55 %

Region North America 49 %

Gender Male 45 %

Region Pacific 37 %

Age 25 - 37 31 %

Education Graduate Degree 21 %

Region Europe 14 %

Age 46 - 53 9 %

Education High School 1 %

Education Partial High School 1 %

Cluster 2

Table 4


Age 25 - 37 95 %

Gender Male 52 %

Gender Female 48 %


Region Europe 46 %

Education Partial College 43 %



Region Pacific 7 %

Age 38 - 45 2 %

Cluster 3

52

Table 5



Gender Male 59 %


Age 54 - 81 51 %

Age 46 - 53 46 %

Gender Female 41 %

Region Europe 27 %



Region Pacific 14 %

Age 38 - 45 4 %


Cluster 4

Table 6


Gender Female 90 %



Region Europe 40 %

Age 54 - 81 38 %

Age 46 - 53 36 %

Age 38 - 45 21 %

Region Pacific 13 %



Gender Male 10 %


Age 25 - 37 5 %


Cluster 5

Table 7


Age 54 - 81 91 %


Gender Male 55 %


Gender Female 45 %


53

Region Europe 25 %


Region Pacific 8 %

Age 46 - 53 7 %



Age 38 - 45 1 %

Cluster 6

Table 8


Gender Male 92 %


Age 38 - 45 56 %



Age 46 - 53 28 %

Region Europe 27 %

Age 25 - 37 14 %


Gender Female 8 %

Region Pacific 6 %


Age 54 - 81 2 %

DESCRIPTION AND PROFILLING

Pelanggan

Profit Chart berdasarkan matrial status

1. Matrial Status = Single

Table 9

Fixed cost 5000

Population 50000

Individual cost 3

Revenue per individual 15

Model Name Classify Marital Status

Maximum profit Rp170.500,00

Probability threshold 17,61 %

54

Figure 77

2. Matrial Status = Maried

Table 10

Fixed cost 5000

Population 50000

Individual cost 3

Revenue per individual 15

Model Name Classify Marital Status

Maximum profit Rp270.475,00

Probability threshold 19,83 %

(Rp20,000.00)

Rp0.00

Rp20,000.00

Rp40,000.00

Rp60,000.00

Rp80,000.00

Rp100,000.00

Rp120,000.00

Rp140,000.00

Rp160,000.00

Rp180,000.00

0 % 10 % 20 % 30 % 40 % 50 % 60 % 70 % 80 % 90 % 100%

Pro

fit

Overall Population %

No Model

Classify Marital Status

55

Figure 78

Produk dan penjualan

Dengan mengetahui produk yang sering dibeli maka akan perusahaan dengan mudah dapat

mengetahui strategi yang tepat untuk kedepanya. Pada data penjualan ini akan ditampilkan

data produk yang sering dibeli beserta bundlenya.

Table 11

Bundle of items Number of sales Average Value Per Sale

Overall value of Bundle

Road Bikes, Helmets 805 1570,228025 1264033,56

Mountain Bikes, Tires and Tubes 569 2208,067434 1256390,37

Fenders, Mountain Bikes 539 2022,477421 1090115,33

Mountain Bikes, Bottles and Cages 563 1923,73222 1083061,24

Mountain Bikes, Helmets 537 1966,57311 1056049,76

Jerseys, Road Bikes 480 2183,375083 1048020,04

Touring Bikes, Helmets 536 1925,792761 1032224,92

Road Bikes, Tires and Tubes 486 1541,535514 749186,26

Road Bikes, Bottles and Cages 552 1157,4025 638886,18

Touring Bikes, Bottles and Cages 351 1819,513846 638649,36

Jerseys, Mountain Bikes 284 1769,032817 502405,32

Touring Bikes, Tires and Tubes 205 1964,783707 402780,66

Touring Bikes, Jerseys 182 2140,195275 389515,54

Caps, Touring Bikes 192 1845,028125 354245,4

Mountain Bikes, Bottles and Cages, 172 2014,376977 346472,84

(Rp50,000.00)

Rp0.00

Rp50,000.00

Rp100,000.00

Rp150,000.00

Rp200,000.00

Rp250,000.00

Rp300,000.00

0 % 10 % 20 % 30 % 40 % 50 % 60 % 70 % 80 % 90 % 100%

Pro

fit

Overall Population %

No Model

Classify Marital Status

56

Helmets

Caps, Road Bikes 218 1493,217339 325521,38

Caps, Mountain Bikes 193 1613,720933 311448,14

Gloves, Road Bikes 188 1579,83234 297008,48

Hydration Packs, Mountain Bikes 124 2197,621129 272505,02

Fenders, Mountain Bikes, Helmets 131 2015,929466 264086,76

Mountain Bikes, Helmets, Tires and Tubes 122 2010,395656 245268,27

Fenders, Jerseys, Mountain Bikes 102 2310,072745 235627,42 Fenders, Mountain Bikes, Bottles and Cages 114 2002,902982 228330,94

Gloves, Mountain Bikes 111 1770,763784 196554,78

Fenders, Mountain Bikes, Tires and Tubes 83 2335,897952 193879,53

Caps, Jerseys, Road Bikes 79 2193,428734 173280,87

Road Bikes, Helmets, Tires and Tubes 118 1459,651864 172238,92 Jerseys, Mountain Bikes, Bottles and Cages 71 2249,589718 159720,87

Cleaners, Mountain Bikes 86 1837,835349 158053,84

Road Bikes, Bottles and Cages, Helmets 130 1175,756462 152848,34

Caps, Mountain Bikes, Bottles and Cages 74 2014,618649 149081,78

Jerseys, Road Bikes, Helmets 82 1701,356585 139511,24

Touring Bikes, Bottles and Cages, Helmets 72 1897,03 136586,16

Vests, Mountain Bikes 67 2035,527313 136380,33

Jerseys, Bottles and Cages 382 340,7286911 130158,36

Gloves, Touring Bikes 72 1803,594167 129858,78

Gloves, Jerseys, Road Bikes 57 2206,946491 125795,95

Helmets, Tires and Tubes 1617 76,08829932 123034,78

Caps, Jerseys 357 327,9996078 117095,86

Jerseys, Road Bikes, Bottles and Cages 70 1658,607143 116102,5

Gloves, Road Bikes, Helmets 74 1537,473514 113773,04

Bike Racks, Mountain Bikes 51 2213,676275 112897,49

Socks, Touring Bikes 56 1926,164286 107865,2

Jerseys, Mountain Bikes, Helmets 49 2090,459796 102432,53

Touring Bikes, Helmets, Tires and Tubes 54 1894,451111 102300,36

Caps, Mountain Bikes, Helmets 49 2074,765918 101663,53

Fenders, Caps, Mountain Bikes 49 2069,715102 101416,04

Touring Bikes, Jerseys, Helmets 45 2202,848222 99128,17

Cleaners, Tires and Tubes 259 377,517027 97776,91

Caps, Jerseys, Mountain Bikes 51 1875,048431 95627,47

Touring Bikes, Jerseys, Bottles and Cages 46 2053,08 94441,68

Jerseys, Helmets 404 231,3314851 93457,92

Caps, Touring Bikes, Bottles and Cages 50 1858,2808 92914,04

Shorts, Mountain Bikes 107 839,48 89824,36

Caps, Touring Bikes, Helmets 43 2060,040233 88581,73

Gloves, Mountain Bikes, Helmets 45 1964,603333 88407,15

57

Dari data diatas dapat perusahaan ketahui perolehan value terbesar. Sehingga kedepanya

perusahaan dapat menentukan bagaimana strategi yang lebih tepat. Bisa berupa penjumlahan

stok, strategi cross seling berdasarkan bundle bundle diatas atau yang lainnya.

Maksud dengan description dan profilling adalah mendescripsikan sehingga data mudah

dibaca. Pembuatan profit chart, pengelompokan data merupakan salah sati pendeskripsian

suatu data agar nantinya mudah dibaca.

BAB 5: PENUTUP

SIMPULAN

Jadi , dengan menggunakan berbagai macam tools atau fitur-fitur yang ada pada data

mining , sangat membantu kita dalam pengelolaan data pelanggan , karena seperti yang telah

disinggung di atas bahwa lebih mudah mendapatkan keuntungan dari pelanggan lama

daripada pelanggan baru , sehingga Data Mining ini sangat cocok digunakan bagi perusahaan

yang ingin mempertahankan pelanggan mereka khususnya , berbagai macam fitur Data

Mining yaitu Classification, Estimation, Prediction , Affiling Grouping , Clustering , dan

Description and Profilling keseluruhannya dapat kita manfaatkan dan bisa kita terapkan

teknik tersebut , sehingga menghasilkan data berupa grafik , tabel dan lainnya , sehingga kita

dapat membantu perusahaan dengan memanfaatkan Data Mining yang ada

DAFTAR PUSTAKA

Luki Iswara Pengenalan Data Mining[Online] // Data Mining 27 April 2010-22 Desember 2013-http://mugi.or.id/blogs/luki/archive/2010/04/27/pengenalan-data-mining.aspx

Binus Tools Data Mining [Online] // Binus - 10 Januari 2010. - 17 Desember 2013. -

http://library.binus.ac.id/eColls/eThesisdoc/Bab2/TSA-2013-0031 % 20 BAB %202.pdf

Excel Microsoft Pengertian dan Fungsi Microsoft Excel [Online] // Blog Arikus. - 11 May

2013. - 22 Desember 2012. - http://arikus.web.id/2013/05/11/pengertian-dan-fungsi-

microsoft-excel/.

Kember and Han Data Mining: Concepts and Techniques, 2nd ed. [Buku]. - [s.l.] : Morgan

Kaufmann Publishers, 2006.

Tama Bayu Adhi IMPLEMENTASI TEKNIK DATA MINING DI DALAM KONSEP

[Jurnal]. - Bali : [s.n.], 2009.

LAMPIRAN

data mining ms. excel

Documents