Progresif: Jurnal Ilmiah Komputer Jl.
Ahmad Yani.
33,5 - Kampus STMIK Banjarbaru Loktabat Ae Banjarbaru (Tlp.
, e-mail: puslit.
stmikbjb@gmail.
e-ISSN: 2685-0877 p-ISSN: 0216-3284 Prediksi Persediaan Obat Menggunakan Algoritma Decision Tree (C4.
Pada Apotek Az-Zikra Bengkulu Feby Estivania Aziz1*.
Dedy Abdullah2 Teknik Informatika.
Universitas Muhammadiyah Bengkulu.
Bengkulu.
Indonesia *Email Corresponding Author: febbyestivaniaaziz@gmail.
Abstract Az-Zikra Pharmacy is currently facing difficulties in managing drug inventory in the warehouse.
Due to the frequent movement of drugs to branches without an organized system, this results in frequent stockouts in the warehouse.
Using the Decision Tree (C4.
algorithm, this study aims to predict drug inventory at Az-Zikra Pharmacy in Bengkulu.
Transaction data from the last three months was collected and analyzed using the C4.
5 algorithm.
The results show that this algorithm works well in categorizing data on drug stock and the most needed drug demand.
This system has a high accuracy rate of 0.
7190, which helps the pharmacy manage drug inventory more efficiently, reduce the risk of expired drugs, and ensure that the necessary drugs are always It is hoped that this system will improve the services provided by the pharmacy to customers by providing drugs in a timely and appropriate manner.
Keywords: C4.
5 algorithm.
Decision tree.
Drug inventory prediction.
Pharmacy Abstrak Apotek Az-Zikra saat ini sedang mengalami permasalahan untuk mengatur persediaan obatobatan di gudang.
Karena terlalu banyak obat yang sering keluar masuk ke cabang tanpa adanya sebuah sistem yang teratur, hal ini mengakibatkan sering kehabisan stok obat di gudang.
Dengan menggunakan algoritma Decision Tree (C4.
, penelitian ini bertujuan untuk memprediksi persediaan obat di Apotek Az-Zikra Bengkulu.
Data transaksi selama tiga bulan terakhir dikumpulkan dan dianalisis menggunakan algoritma C4.
Hasil penelitian menunjukkan bahwa algoritma ini bekerja dengan baik dalam mengkategorikan data tentang stok obat dan permintaan obat yang paling dibutuhkan.
Sistem ini memiliki tingkat akurasi yang tinggi yaitu 0.
7190 , yang membantu apotek mengelola persediaan obat lebih efisien, mengurangi risiko obat kadaluarsa, dan memastikan bahwa obat yang diperlukan selalu tersedia.
Diharapkan bahwa sistem ini akan meningkatkan layanan yang diberikan apotek kepada pelanggan dengan menyediakan obat secara tepat waktu dan sesuai kebutuhan.
Kata kunci: Algoritma C4.
Pohon keputusan.
Prediksi persediaan obat.
Apotek Pendahuluan Apotek adalah fasilitas kesehatan yang bertugas menyediakan, menyimpan, menjual dan mengirimkan obat-obatan.
Beberapa masalah yang sering terjadi di apotek berkaitan dengan stok Banyak obat yang dibutuhkan masyarakat sering kali tidak tersedia,sedangkan stok obat yang tidak terlalu dibutuhkan atau diminati banyak tersimpan digudang .
Obat yang tertimbun cukup lama digudang akan mengakibatan kadaluarsa pada obat, yang merugikan apotek.
Karena persediaan obat sering kali tidak terduga, diperlukan pendekatan manajement yang baik untuk persediaan obat yang terkait dengan layanan untuk diberikan kepada pasien dirumah sakit atau pun apotek.
Prediksi dapat membantu pemilik bisnis dalam berbagai hal.
Salah satunya adalah memperkirakan persediaan obat di apotek, yang bertujuan untuk memutuskan beberapa banyak persediaan obat yang harus disediakan oleh apotek dan prediksi juga dapat membantu penjualan dalam mempersiapkan penyediaan stok obat di apotek karena dapat memberikan hasil yang baik serta mengurangi kemungkinan kesalahan persediaan yang buruk .
Metode Decision Tree (Pohon Keputusa.
,merupakan model prediksi yang menggunakan struktur pohon atau struktur akar.
Konsep pohon keputusan adalah mengubah data menjadi pohon keputusan atau aturan keputusan .
Hal ini karena pohon keputusan adalah Prediksi Persediaan Obat Menggunakan a.
Feby Estivania Aziz Progresif e-ISSN: 2685-0877 metode klasifikasi yang relatif mudah dipahami oleh perancang sistem dan pengguna sistem.
Ide dasarnya adalah mengubah data menjadi pohon keputusan dan membuat aturan keputusan .
Pohon keputusan banyak digunakan karena dapat menyederhanakan proses pengambilan keputusan yang relatif kompleks dengan memecah permasalahan besar menjadi permasalahan yang lebih kecil.
Ini mengartikan keputusan berdasarkan penyelesaian masalah kecil, yang kemudian di interpretasikan dalam bentuk solusi untuk Prediksi persediaan dapat membantu memperkirakan jumlah obat yang harus disediakan dan mengurangi kesalahan persediaan.
C4.
5 adalah algoritma memecah masalah besar menjadi lebih kecil dan dapat dipahami dengan mudah.
Algoritma C4.
5 umum digunakan untuk mengklasifikasikan data yang berisi data numerik dan kategorikal.
Algoritma C4.
5 merupakan bagian dari kelompok algoritma pohon Algoritma ini mencakup masukan berupa data pelatihan.
Data pelatihan terdiri dari data lapangan dan data sampel yang digunakan untuk membangun pohon dan menentukan labelnya .
Menurut oleh Kusrini (Bastian et al.
, n.
), algoritma C4.
5 merupakan teknik pohon keputusan yang digunakan pada untuk mengubah fakta besar menjadi pohon keputusan dalam bentuk aturan dimana peraturan tersebut mudah untuk dipahami .
Tujuan penelitian ini adalah untuk mengklasifikasi data stok dan target permintaan obat yang paling dibutuhkan dalam gudang apotek, penelitian ini menggunakan Algoritma C4.
5 untuk menentukan data stok target permintaan obat yang paling dibutuhkan .
Penelitian ini dapat membantu pengguna dan penjaga gudang dalam memilih dan menyiapkan stok obat yang di Hasil penyelesaianya dapat disimpulkan dengan algoritma C4,5 berdasarkan tingkat akurasi yang dihasilkan oleh sistem pohon keputusan.
Penelitian ini menentukan data yang akan digunakan berdasarkan pola pada data transaksi sehari-hari, analisis data yang digunakan pada data merupakan transaksi tiga bulan terakhir.
Penelitian ini dilakukan untuk membantu lebih mudah dalam menentukan pola stok persediaan farmasi.
Hal ini akan memudahkan pelayanan pasien saat meresepkan obat dan memungkinkan deteksi terjadinya overstock menggunakan teknik data mining menggunakan algoritma C4.
5 Berkat algoritma yang digukanan maka data yang diperoleh dapat diolah sedemikian rupa menjadi informasi yang berguna dan dapat dibentuk pola untuk menentukan persediaan obat yang dibutuhkan.
Tinjauan Pustaka Tinjauan pustaka lama mencakup penelitian-penelitian yang relevan dengan penggunaan algoritma C4.
5 dalam berbagai bidang, termasuk contoh nya yaitu Penelitian ini menggunakan algoritma Decision Tree (C4.
untuk memprediksi kebutuhan persediaan obat berdasarkan data transaksi tiga bulan terakhir.
Parameter yang diproses dalam penelitian ini meliputi jenis obat, frekuensi pembelian,serta trend musiman.
Hasil penelitian mereka menunjukkan bahwa algoritma C4.
5 memiliki tingkat akurasi yang signifikan dalam memprediksi kekosongan stok obat, sehingga dapat membantu apotek dalam mengelola persediaan secara lebih efisien.
Penelitian .
mengenai prediksi persediaan bahan makanan di toko grosir, menggunakan pendekatan time series analysis dengan model ARIMA (AutoRegressive Integrated Moving Averag.
untuk memprediksi permintaan bahan makanan.
Parameter yang dianalisis mencakup data penjualan harian, fluktuasi harga, serta hari-hari libur.
Temuan mereka menunjukkan bahwa model (Arim.
dapat memberikan prediksi yang akurat dalam jangka pendek, namun memerlukan penyesuaian lebih lanjut untuk prediksi jangka panjang Penelitian .
yang berjudul AuAnalisis Persediaan Menggunakan Algoritma C4.
tudi kasus oleh CV Harapan Ray.
Penerapan algoritma C4.
5 dapat digunakan untuk memprediksi status persediaan pada CV Harapan Raya.
Dari hasil perhitungan nilai entropy dengan algoritma C4.
5, maka dapat diprediksi jumlah persediaan yang disediakan oleh CV Harapan Raya dan dapat diprediksi barang mana saja yang perlu ditambah atau dikurangi.
Sebuah penelitian studi oleh .
Memprediksi hasil belajar siswa.
Hasil penelitian ini mengimplementasikan metode algoritma pohon keputusan C4.
5 untuk memprediksi hasil belajar siswa berdasarkan latar belakang akademiknya.
Penelitian .
tentang klasifikasi data penjualan pada perusahaan restoran cepat saji.
Pada penelitian ini, hasil yang diperoleh dengan menggunakan metode decision tree .
ohon keputusa.
menghasilkan nilai entropi dan gain yang paling tinggi.
Yaitu .
,501.
untuk atribut menu berdasarkan perhitungan manual.
Prediksi Persediaan Obat Menggunakan a.
Feby Estivania Aziz e-ISSN: 2685-0877 Pembaharuan dalam penelitian ini adalah Menyediakan data konkret tentang tingkat akurasi yang dicapai, menunjukkan manfaat praktis algoritma C4.
5 dalam manajemen persediaan yang lebih spesifik pada manajemen persediaan obat di apotek, untuk menunjukkan praktis dan relevan sesuai dengan penelitian yang sedang dilakukan.
Sedangkan penelitian yang lampau berfokus pada aplikasi algoritma C4.
5 dalam berbagai bidang umumnya seperti persediaan barang, hasil belajar, dan penjualan makanan cepat saji, dan tanpa menyebutkan penggunaan algoritma C4.
5 juga tanpa rincian spesifik tentang akurasi atau efisiensi.
Metodologi 1 Tahap Penelitian Tahap penelitian adalah kerangka kerja penelitian yang dijelaskan dalam tahapantahapan penelitian, tahapan ini dilakukan untuk menyelesaikan masalah yang akan diteliti dan untuk mengumpulkan informasi tentang masalah yang diteliti Untuk menyelesaikan penelitian ini maka digambarkan tahapan-tahapan penelitian yang dilakukan seperti pada berikut yaitu.
Identifikasi Masalah Pengumpulan Data Analisa Data Penerapan Algoritma C4.
Kesimpulan Gambar 1.
Tahapan Penelitian 2 Algoritma C4.
Algoritme C4.
5 memungkinkan kita membuat pohon keputusan yang membantu untuk mengklasifikasikan item dalam kumpulan data Metode pohon keputusan memungkinkan Anda membuat model prediktif dengan membagi data Anda menjadi beberapa bagian yang lebih kecil berdasarkan beberapa variabel atau atribut .
Klasifikasi data berdasarkan jenis pohon Pohon keputusan pada algoritma C4.
5 terdiri dari beberapa tahapan antara lain memilih atribut sebagai root, membuat cabang berdasarkan nilai, dan membagi cabang menjadi kasus .
Perhitungan ini juga menggunakan data mining,data mining ini bertujuan untuk mencari informasi baru dan belum diketahui dari database .
Metode C4.
5 pada penelitian ini adalah untuk memberikan suatu standar pengelolaan obat pada saat melakukan proses pemesanan obat, yang dapat mengurangi obat kadaluwarsa kemudian dan mengurangi tidak tersedianya obat yang terkandung dalam obat tersebut dan mendapatkan keuntungan darinya sehingga dapat menambah jumlah jenis obat.
Menurut Sukma.
Halfis, dan Hermawan .
, algoritma C4.
5 merupakan algoritma yang digunakan untuk membuat pohon keputusan yang dikembangkan oleh Ross Qiunlan.
C4.
5 dihitung menggunakan rumus entropy dan keuntungan sebagai berikut:
Menghitung nilai entropy:
AA.
yaycuycycycuycyyc (S) = OcOe pA ycu log2 pi Keterangan:
S = jumlah sample data (Samplin.
n = jumlah partisi S pi= Proporsi S terhadap S Progresif: Vol.
No.
Agustus 2024: 784-792 Progresif e-ISSN: 2685-0877 Menghitung nilai Gain:
Gain(S.
A) = yaycuycycycuycyyc(S) Oe Oc |S.
O yaycuycycycuycyyc(S.
i=1 |S| AA.
Keterangan:
S = Jumlah kasus (Samplin.
A = Attribute n = Jumlah partisi S | Si | = Jumlah kasus pada partisi ke-i | S | = Jumlah kasus dalam S Struktur pohon keputusan:
Root node (Node aka.
adalah simpul yang tidak mempunyai masukan tetapi memiliki banyak keluaran.
Internal node Ia mempunyai satu masukan dan tiga atau lebih keluaran.
Leaf atau terminal node Ia memiliki satu masukan dan tidak ada keluaran.
3 Data Penelitian Pengumpulan dan penelitian data merupakan langkah penting dalam penelitian ini.
Data yang dikumpulkan merupakan data transaksi obat selama tiga bulan terakhir di Apotek AzZikra.
Data yang diambil mencakup atribut dalam gambar berikut :
Gambar 2.
Pengumpulan Data Gambar 2 diatas adalah salah satu faktur perkumpulan dataset yang ada di apotek selama 3 bulan terakhir dan untuk data yang di teliti yaitu ada di gambar 3.
Gambar 3.
Hasil Penelitian data mentah Prediksi Persediaan Obat Menggunakan a.
Feby Estivania Aziz e-ISSN: 2685-0877 Dataset ini berisi informasi tentang 400 jenis obat yang dijual di apotek,harga produk bervariasi dan mencerminkan perbedaan jenis produk dan jumlah setiap unitnya.
Informasi penjualan membantu pegawai mengidentifikasi produk mana yang laris manis dan mana yang Hal ini sangat penting untuk analisa lebih lanjut.
Penelitian ini bertujuan untuk memprediksi pengiriman farmasi berdasarkan data transaksi yang ada dengan menggunakan algoritma pohon keputusan atau sering disebut juga Algoritma Decision Tree (C4.
Analisis ini memungkinkan apotek mengoptimalkan manajemen untuk memastikan mereka memiliki produk yang paling mereka butuhkan, sehingga mengurangi risiko kehabisan stok dan tanggal kedaluwarsa.
Data ini menjadi dasar penghitungan nilai entropi dan gain setiap atribut dan digunakan untuk membentuk model pohon keputusan yang akurat.
4 Analisa Data Semua pohon keputusan memiliki nama kelas di setiap daunnya.
Root dan node internal berisi aturan yang digunakan untuk membedakan data dengan karakteristik berbeda.
Tabel 1.
Dataset Produk 1 Nama Barang Jenis Satuan Harga rhinos sr Box Rp.
Keping Rp.
Box Rp.
betadine 30ml Pcs Rp.
ceftriaxone inj qt Ampul Rp.
medsab cr 30gr Tube Rp.
b cr for oily skin Kotak Rp.
neurobion inj Box Rp.
diclofenac sodium 50 dx Box Rp.
omedom syr Botol Rp.
Keterangan Laku Laku Tidak Laku Laku Laku Laku Tidak Laku Laku Tidak Laku Laku Berdasarkan gambar tabel dataset di atas dengan menggunakan metode C4.
5, kategori produk dapat dikategorikan ke dalam kategori penjualan (L) atau non-penjualan (TL) berdasarkan jenis produk, unit, atau pun penjualan, yang ditentukan untuk memilih suatu atribut sebagai root digunakan nilai gain tertinggi sebesar dari atribut yang ada.
Dari data tabel diatas dikategorikan menjadi parameter atau atribut yaitu:
Satuan di kelompokkan menjadi enam Kategori yaitu Box.
Keping.
Pcs.
Ampul.
Tube.
Kotak.
Botol.
Barang dikelompokkan dalam 2 kategori (L) Laku dan (TL) Tidak Laku.
Langkah selanjutnya adalah menghitung node 1 (Tabel .
untuk mencari nilai entropi dan gain, kemudian mencari nilai entropi dan gain untuk setiap atribut seperti pada gambar.
Tabel 2.
Perhitungan Node 1 Jumlah Laku Navabion Rhinos sr Tidak Laku Entropy Gain Neurobion inj Asmef Betamol Ambroxol Histigo Amoxcillin 500 Antasida Progresif: Vol.
No.
Agustus 2024: 784-792
Progresif
Jumlah Laku
Deneuron
Tidak Laku
Entropy total
Gain
>400
e-ISSN: 2685-0877 Entropy Gain 0,0.
Jumlah Laku Tidak laku Entropy Gain Dalam analisis ini, komposisi sampel data dibagi menjadi dua kelompok utama: data latih dan data uji.
Data pelatihan digunakan untuk membentuk model pohon keputusan, dan 70% dari total sampel data dialokasikan untuk tujuan ini.
Data uji yang terdiri dari sisa 30% dari total sampel data digunakan untuk menguji keakuratan kinerja metode yang diterapkan, departemen ini memastikan keandalan model yang dibuat dan kemampuannya untuk memprediksi secara akurat data yang sebelumnya tidak terlihat, sehingga memberikan evaluasi objektif terhadap kinerja metode yang digunakan dalam penelitian ini dapat divalidasi dan diuji secara menyeluruh untuk memastikan keandalannya dalam memprediksi status penjualan obat.
Hasil dan Pembahasan 1 Data Penelitian Data pelatihan ini digunakan untuk membentuk model Pohon Keputusan.
Contohnya ada di (Tabel .
untuk dataset yang sudah dibersihkan atau dipilih berikut penjelasan mengenai sampel data penelitian yang telah melalui fase pembersihan.
dan penggunaannya dalam pembentukan Pohon Keputusan serta sebagai data uji.
Data pelatihan adalah bagian data yang digunakan untuk membentuk model pohon keputusan.
Setelah melalui tahap pembersihan, data ini tersedia untuk diproses lebih lanjut.
Data yang dibersihkan meliputi informasi seperti nama produk, jenis unit, harga, dan status penjualan .
erjual atau tidak terjua.
Contoh produk pada data latih adalah AuRhinos srAy dengan harga 63.
000 dan status terjual, serta AuBetamolAy dengan harga 500 dan status terjual.
Berikut adalah data yang djadikan untuk pembentukan pohon keputusan (Decision Tre.
Gambar 4.
Hasil data cleaning 2 Proses Pembentukkan Tree Teknik pengumpulan data yang digunakan dalam penelitian ini adalah pengumpulan data sekunder dan hasil dari tabel dibawah ini adalah total data dari keseluruh perhitungan entropy dan gain Berikut tahap-tahap Proses Pembentukan Pohon Keputusan (Decision Tre.
Pengumpulan Data Mengumpulkan data yang relevan untuk analisis.
Data yang mencakup atribut-atribut penting seperti nama barang, jenis satuan, harga, dan status keterjualannya .
aku atau tidak lak.
Pemilihan Atribut Utama Prediksi Persediaan Obat Menggunakan a.
Feby Estivania Aziz e-ISSN: 2685-0877 Identifikasi atribut utama yang akan digunakan untuk membentuk pohon keputusan.
Atribut utama bisa berupa harga, jenis satuan, dll.
Pembagian Data Bagi data yang dibersihkan menjadi dua set: data pelatihan dan data pengujian.
Misalnya pembagian bisa dilakukan dengan perbandingan 80:20.
Dalam hal ini 80 TA digunakan untuk melatih model dan 20 TA digunakan untuk menguji model.
Terjual Total Terjual >323 < 77 Keseluruhan Total Jumlah Tabel 3.
Hasil akhir perhitungan Tidak laku
EEntropy 0,6845 Gain
0,0402
Kolom ini menampilkan seluruh data yang dianalisa, yaitu tiga buah data.
Dan dari ketiga data tersebut dua diantaranya masuk dalam kategori AuTerjualAy dan satu lagi masuk dalam kategori AuTidak TerjualAy, kemudian dalam perhitungan tersebut disini penulis mendapatkan hasil beberapa persen dari data yang di analisa menjadi perhitungan seperti , akurasi sebesar : 0.
Dapat dilihat juga pada (Tabel .
untuk perhitungan recall dan presisinya.
Tabel 4.
Hasil Presisi Keterangan F1 score Presisi Recall Entropy Gain Pada table diatas memungkinkan hasil dari penelitian ini adalah (B).
Dan peneliti .
mengatakan bahwa Perhitungan algoritma C4.
5 Mula-mula data dari atribut persediaan yang Kemudian untuk mencari node pohon keputusan selanjutnya, perhitungan entropy dan gain yang dilakukan.
3 Pohon Keputusan Gambar 5.
Hasil Pohon Keputusan Progresif: Vol.
No.
Agustus 2024: 784-792 Progresif e-ISSN: 2685-0877 Penelitian ini relevan dan memperkuat penelitian-penelitian sebelumnya dengan menunjukkan algoritma C4.
5 Lebih efektif tidak hanya dalam bidang penyediaan dan distribusi tetapi juga dalam bidang kesehatan khususnya dalam pengelolaan stok obat di apotek.
Studi ini memberikan bukti nyata tentang keakuratan yang dicapai dan menunjukkan manfaat praktis algoritma C4.
5 dalam manajemen inventaris yang lebih spesifik.
Hasil yang diperoleh menunjukkan bahwa algoritma ini dapat mengurangi risiko obat kadaluarsa dan pada akhirnya meningkatkan pelayanan apotek kepada pelanggan dengan menjamin ketersediaan obat yang Oleh karena itu, penelitian ini memberikan kontribusi signifikan terhadap literatur yang ada dengan menunjukkan penerapan praktis dan efisiensi, algoritma C4.
5 dalam situasi yang lebih konkrit dan praktis.
Penelitian ini tidak hanya memperkuat temuan sebelumnya tetapi juga memperluas pemahaman kita tentang penerapan algoritma C4.
5 dalam berbagai konteks, termasuk manajemen persediaan pada obat di apotek.
Untuk memprediksi kelas data yang ada, pohon keputusan ini menggunakan beberapa atribut .
dari dataset yang diberikan.
Nilai-nilai yang ditunjukkan dalam kondisi setiap node berasal dari perhitungan gain dan entropy.
Perhitungan ini membantu dalam menentukan pemisahan .
dengan data terbaik pada setiap level dari pohon keputusan.
4 Pembahasan Penelitian ini berfokus pada penerapan algoritma C4.
5 untuk meningkatkan akurasi prediksi persediaan di Apotek Az-Zikra.
Algoritma ini dipilih karena kemampuannya yang telah terbukti dalam memproses data dengan struktur yang kompleks dan menghasilkan keputusan yang akurat berdasarkan data historis.
penelitian sebelumnya yang juga menggunakan algoritma C4.
5, seperti:
Penelitian ini memperkuat temuan dari penelitian sebelumnya yang dilakukan oleh .
, di mana algoritma C4.
5 digunakan untuk memprediksi permintaan barang di sektor retail.
Penelitian .
menemukan bahwa C4.
5 mampu memberikan akurasi yang baik dalam memprediksi permintaan berdasarkan data transaksi historis.
Penelitian kami mendukung hasil ini dengan menunjukkan bahwa algoritma yang sama juga efektif dalam memprediksi kebutuhan persediaan obat di sektor farmasi, sebuah konteks yang berbeda namun dengan tantangan prediksi yang sejenis.
Dengan demikian, penelitian ini tidak hanya mengkonfirmasi hasil-hasil yang telah dicapai oleh .
, tetapi juga memperluas cakupan aplikasi algoritma C4.
dengan membuktikan efektivitasnya di sektor farmasi.
Hal ini menunjukkan bahwa algoritma C4.
memiliki kemampuan yang kuat dan fleksibel untuk diterapkan dalam berbagai konteks prediksi persediaan, dari retail hingga manufaktur dan farmasi.
5 Kesimpulan Penelitian ini menggunakan algoritma Decision Tree (C4.
untuk memprediksi ketersediaan obat pada Apotek Az-Zikra di Bengkulu.
Hasil pengujian menunjukkan bahwa algoritma C4.
5 dapat mengklasifikasikan data persediaan obat dan permintaan obat yang paling dibutuhkan dengan akurasi tinggi sebesar 0,7190.
Keakuratan ini memungkinkan apotek mengelola inventaris obat dengan lebih efisien, mengurangi risiko obat kadaluarsa dan memastikan obat yang Anda butuhkan selalu tersedia.
Secara keseluruhan, penelitian ini membuktikan bahwa algoritma Decision Tree (C4.
merupakan alat yang efektif dan dapat diandalkan untuk memprediksi dan mengelola persediaan obat di apotek, sehingga dapat meningkatkan kualitas layanan yang diberikan kepada pelanggan.
Daftar Referensi Dewanti.
Setiyowati, and S.
Harjanto.
AuPrediksi Persediaan Obat Untuk Proses Penjualan Menggunakan Metode Decision Tree Pada Apotek,Ay J.
Teknol.
Inf.
dan Komun.
10, no.
1, pp.
21-33, 2022, doi: 10.
30646/tikomsin.
Pratiwi.
Fauzi.
Arum.
Lestari, and Y.
Cahyana.
AuKLIK: Kajian Ilmiah Informatika dan Komputer Prediksi Persediaan Obat Pada Apotek Menggunakan Algoritma Decision Tree,Ay Media Online, vol.
4, no.
4, pp.
2381Ae2388, 2024, doi:
30865/klik.
Aktavera and H.
Wijaya.
AuKlasifikasi Produk Menggunakan Algoritma Decision Tree,Ay J.
Teknol.
Inf.
Mura, vol.
15, no.
1, pp.
24Ae29, 2024, doi: 10.
32767/jti.
Ade Izyuddin and Setyawan Wibisono.
AuAplikasi Prediksi Penjualan AC Menggunakan Decision Tree Dengan Algoritma C4.
5,Ay J.
Manaj.
Inform.
Sist.
Inf.
, vol.
3, no.
2, pp.
146Ae Prediksi Persediaan Obat Menggunakan a.
Feby Estivania Aziz e-ISSN: 2685-0877 156, 2020.
Ramayu.
Susanto, and G.
Mahendra.
AuPenerapan Data Mining Dengan Algoritma C4.
5 Dalam Pemesanan Obat Guna Meningkatkan Keuntungan Apotek,Ay Pros.
Semin.
Nas.
Manajemen.
Desain Apl.
Bisnis Teknol.
, vol.
5, pp.
237Ae245, 2022, [Onlin.
Available: http://senada.
Lasarudin and W.
Hasyim.
AuAnalisis Kepuasan Masyarakat Terhadap Layanan Siaran Rri Gorontalo Menggunakan Algoritma C4.
5,Ay J.
Ilmu Komput.
, vol.
1, no.
2, pp.
483Ae490, 2021, doi: 10.
31314/juik.
Adha.
Yuhandri, and G.
Nurcahyo.
AuPrediksi Potensi Relawan Pendonor Darah Menjadi Pendonor Darah Tetap dengan Penerapan Metode Klasifikasi Decision Tree,Ay J.
Inf.
dan Teknol.
, vol.
3, pp.
233Ae238, 2021, doi: 10.
37034/jidt.
Warujayeng.
Awalina.
Helilintar, and A.
Setiawan.
AuPenerapan Algoritma C4 5 Untuk Prediksi Penjualan,Ay In Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknolog.
Vol.
No.
3, pp.
1117-1125, 2023.
Dwita Elisa Sinaga.
Agus Perdana Windarto, and Rizki Alfadillah Nasution.
AuAnalisis Data Mining Algoritma Decision Tree Pada Prediksi Persediaan Obat (Studi Kasus : Apotek Franch Farm.
,Ay KLIK Kaji.
Ilm.
Inform.
dan Komput.
, vol.
2, no.
4, pp.
123Ae131, 2022, doi:
30865/klik.
Ardiansyah Sembiring.
Fitri Larasati Sibuea.
Sapta.
Studi Sistem Informasi, and S.
Royal.
AuAnalisa Kinerja Algoritma C.
45 Dalam Memprediksi Hasil Belajar,Ay J.
Sci.
Soc.
Res.
73Ae79, [Onlin.
Available:
http://jurnal.
com/index.
php/JSSR Cynthia and E.
Ismanto.
AuMetode Decision Tree Algoritma C.
45 Dalam Mengklasifikasi Data Penjualan Bisnis Gerai Makanan Cepat Saji,Ay Jurasik (Jurnal Ris.
Sist.
Inf.
dan Tek.
Inform.
, vol.
3, 7, pp.
1-12, 2018, doi: 10.
30645/jurasik.
Sofyan and M.
Nilmada.
AuSistem Pakar Prediksi Harga Mobil Bekas Menggunakan Decision Tree Berbasis Web,Ay vol.
17, no.
April, pp.
42Ae59, 2023, [Onlin.
Available:
https://lzroto-pemasaran.
Dewi.
Mauladi, and Masruroh.
AuAnalisa Algoritma C4.
5 untuk Prediksi Penjualan Obat Pertanian di Toko Dewi Sri,Ay Semin.
Nas.
Inov.
Teknol.
, vol.
25, pp.
109Ae 114, 2020.
Faisal.
Dhika, and H.
Veris.
AuPenerapan Algoritma Decision Tree Dalam Penjualan Handphone,Ay JRKT (Jurnal Rekayasa Komputasi Ter.
, vol.
1, no.
04, pp.
239Ae246, 2021, doi: 10.
30998/jrkt.
Afdhal.
Ariandi, and R.
Rita.
AuMemprediksi Penjualan Pada Toko Hanifah Metode 45,Ay J.
Teknol.
Dan Sist.
Inf.
Bisnis, vol.
4, no.
2, pp.
248Ae255, 2022, doi:
47233/jteksis.
Yulia and A.
Putri.
AuPrediksi Kepuasan Mahasiswa terhadap Kinerja Dosen di Kota Batam menggunakan Algoritma C4.
5,Ay Pros.
Semin.
Nas.
Ilmu Sos.
A, no.
September, 235Ae240, 2019, [Onlin.
Available: https://ejournal.
id/index.
prosiding/article/view/1541http://ejournal.
id/index.
php/prosiding/article/d ownload/1541/934 Leonardi.
Emilda.
Katrin, & A.
Yulianto.
AuPrediksi Penjualan Produk Rokok Pada PT.
Indomarco Prismatama Menggunakan Algoritma C4.
5Ay.
Paradigma, vol.
23, no.
2, p.
v23i2, 2021 Alam.
Harbani.
Hidayat, & M.
Afton.
AuImplementasi Prediksi Ketersediaan barang Menggunakan Metode Algoritma C4.
Explore, vol.
14, no.
1, pp.
42-46, 2024.
Progresif: Vol.
No.
Agustus 2024: 784-792