44 Setelah data dalam Gambar 5.1 melalui tahap preprocessing data oleh
sistem akan menghasilkan 19 data seperti dalam Tabel 5.3:
Tabel 12
Tabel 5.3. Hasil preprocessing data
Nama Barang Kelompok
Harga Total
quantity GM EVO HELLO KITTY 4 WH
1 2.0
GM EVO HELLO KITTY 5 - SR PINK 1
4.0 GM EVO LOLA BUNNY BUGS BUNNY 1 WHRED
1 3.0
GM EVO ANGRY BIRD 3 - SR WHRED 1
2.0 GM EVO MICKEY MOUSE 10 - WH
1 1.0
GM EVO ROSSI - SR BK 1
1.0 GM NEW IMPREZZA GENT - 2V REDBK
2 2.0
GM NEW IMPREZZA GEN - 2V BL MET BK 2
1.0 GM NEW IMPREZZA GENT - 2V WHBK
2 1.0
NHK PREDATOR 2 VISOR SOLID - 2V WH 3
1.0 NHK PREDATOR 2 VISOR SOLID - 2V PP
3 1.0
NHK PREDATOR 2 VISOR SOLID - 2V R. RED 3
2.0 GM AIRBORNE SOLID - 2V GUN MET
3 1.0
GM AIRBORNE SOLID - 2V WH 3
1.0 GM SUPERCROSS NEUTRON - NV WHRED
4 1.0
GM SUPERCROSS NEUTRON - WHPP 4
1.0 NHK TERMINATOR SOLID 2V - RED F
4 2.0
GM SUPERCROSS NEUTRON - NV WHGREEN 4
1.0 GM SUPERCROSS NEUTRON - NV WHGOLD
4 1.0
5.1.1.2 Cluster dan Akurasi
Pengelompokan data yang mengelompokan data berdasarkan informasi yang ditentukan pada data disebut analisis klaster. Hal ini dilakukan agar obyek-
obyek di dalam suatu kelompok memiliki kemiripan satu sama lain sedangakan obyek-obyek yang berbeda berada dalam kelompok yang memiliki perbedaan.
Untuk mengetahui sejauh mana pengelompokan yang dilakukan adalah baik PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45 dilakukan uji akurasi dari setiap proses pembentukan kelompok dengan internal
evaluation. Dalam penelitian ini, pengelompokan menggunakan metode hierarchical
clustering divisive. Setelah data melalui tahap preprocessing selanjutnya data akan di proses menggunakan hierarchical clustering divisive. Dari data penjualan
sejumlah 933 record kemudian setelah melalui tahap preprocessing menjadi 159 record dengan tiga atribut yang diproses dengan menggunakan hierarchical
clustering divisive sehingga terbentuk kelompok-kelompok. Pada setiap proses pembentukan kelompok terebut diuji menggunakan sum of squares error SSE.
System yang dibentuk melakukan proses hierarchical clustering divisive, dengan menggunakan perhitungan euclidean distance sebahai metode untuk
menghitungjarak kedekatan atau kemiripan antar obyek. Hasil pengelompokan ditampilkan dalam tabel-tabel informasi cluster dan Jtree sebagai visualisasi
pembentukan kelompok. Seiring proses pembentukan cluster menggunakan metode divisive, SSE
akan dihitung. Berdasarkan Gambar grafik 5.2 dapat dilihat nilai SSE dari masing-masing pembentukan kelompok. Pembentukan kelompok yang memiliki
nilai SSE rendah dapat dikatakan bahwa pengelompokan tersebut similaritas yang tinggi.
46
Gam bar 12
Gambar 5.2. Grafik SSE pembentukan Cluster Dari hasil tujuh perbobaan pembentukan cluster menunjukkan bahwa SSE
terendah didapat pada percobaan ketujuh dengan nilai SSE 38092.636 yang menghasilkan 8 buah cluster.
5.1.2. Implementasi Antarmuka
