Penerapan Improved Apriori Pada Aplikasi Mining Di Perusahaan Kalvin Socks Production

1

I.1 Latar Belakang Masalah

Banyak penelitian dilakukan untuk mencari informasi, inovasi baru ataupun lainnya. Salah satunya penelitian di Kalvin Socks Production. Penelitian tersebut dilakukan untuk mencari dan menggali informasi lebih dari para pelanggannya melalui data transaksi penjulan. Dengan adanya data transaksi penjualan Kalvin Socks Production menggunakan teknologi data mining untuk mencari pola pembelian dari pelanggannya dan mencari item mana saja yang sering dipesan secara bersamaan oleh pelanggannya. Penelitian di Kalvin Socks Production dilakukan oleh Deasy Rusmawati dengan judul “Penerapan Data Mining Pada Penjualan Kaos Kaki Di Pabrik Kalvin Socks Production Menggunakan Metode Association” dan hasil dari penelitian tersebut menghasilkan suatu pola pembelian dari pelanggan Kalvin Socks Production, lalu dari pola tersebut didapatlah sebuah informasi mengenai jenis-jenis kaos kaki mana saja yang sering dipesan secara bersamaan oleh pelanggan Kalvin Socks Production, yang mana dari informasi tersebut digunakan oleh pihak perusahaan dalam mempertimbangkan jenis kaos kaki yang akan diproduksi bulan selanjutnya[1].

Aplikasi hasil dari penelitian tersebut sudah digunakan oleh pihak perusahaan sejak 4 bulan yang lalu. Namun aplikasi tersebut memiliki sebuah kekurangan. Hasil uji coba aplikasi pada data transaksi penjualan bulan Mei 2015 dengan total data transaksi sebanyak 176 data transaksi, 4 nilai minimum support, dan 40% nilai minimum confindence membutuhkan waktu sekitar 25 menit. Padahal pihak perusahaan sudah menggunakan spesifikasi komputer sesuai dengan standar kebutuhan. Itu terjadi karena algoritma apriori harus melakukan scan database setiap kali iterasinya. Selain itu lamanya waktu yang di butuhkan untuk pemrosesan tersebut tergantung dari nilai minimum support dan minimum confindence yang diinputkan. Semakin kecil nilai minimum support dan minimum

2

confidence maka semakin lama pula waktu yang dibutuhkan karena akan terdapat banyak kombinasi itemnya.

Association rule adalah teknik data mining untuk menemukan aturan asosiatif antara suatu kombinasi item. Terdapat banyak algoritma yang ada pada Association rule seperti algoritma apriori, fg growth, ct-pro, improved apriori dll. Algoritma apriori merupakan algoritma klasik yang sering digunakan. Kekurangan yang ada pada algoritma apriori adalah harus melakukan scanning berulang terhadap keseluruhan database tiap kali iterasi. Semakin banyak data transaksi yang akan diproses maka semakin lama juga waktu yang dibutuhkan. Salah satu cara untuk mengatasi masalah tersebut adalah dengan menggunakan improved apriori algorithm. Improved apriori mempresentasikan database ke dalam bentuk matrix untuk menggambarkan relasi dalam database. Kemudian matrix dihitung untuk mencari nilai support dari candidate frequent itemset yang memenuhi kriteria untuk menghasilkan frequent itemset tanpa melakukan scanning ulang terhadap databasedengan menggunakan operasi ”AND” terhadap baris matrix sesuai dengan item dalam candicate frequent itemset [2].

Dalam penelitian ini diharapkan dapat membangun aplikasi, sehingga dapat mengoptimalisasi waktu pemrosesan data pada saat proses analisis menggunakan improved apriori algorithm. Dengan begitu peneliti tertarik melakukan penelitian dengan judul “Penerapan Improved Apriori Pada Aplikasi Data Mining Di Perusahaan Kalvin Socks Production”.

I.2 Rumusan Masalah

Berdasarkan latar belakang yang telah diuraikan diatas, maka yang menjadi titik permasalahan adalah bagaimana cara mengoptimalisasi waktu pemrosesan data pada saat proses analisis menggunakan improved apriori algorithm.

I.3 Maksud Dan Tujuan

Maksud dari penelitian ini adalah membangun aplikasi data mining menggunakan algoritma improved apriori.

Sedangkan tujuan dari penelitian ini adalah :

1. Untuk mengetahui apakah algoritma improved apriori dapat meminimalkan masalah yang terjadi pada algoritma apriori.

2. Untuk membantu pihak perusahaan sehingga dapat mengoptimalisasi waktu pemrosesan data.

I.4 Batasan Masalah

Dalam penelitian ini, peneliti membatasi masalaah sebagai berikut :

1. Data yang akan dianalisis merupakan data transaksi penjualan produk kaos kaki di Kalvin Socks Production pada bulan Agusuts 2015. 2. Algoritma yang digunakan menggunakan algoritma improved apriori

untuk mencari jenis-jenis kaos kaki apa saja yang sering dibeli oleh konsumen.

3. Metode pembuatan program yang digunakan menggunakan Object Oriented programming (OOP).

4. Perangkat lunak database yang digunakan adalah MySql. 5. Aplikasi dibangun menggunakan bahasa pemograman C#.

I.5 Metodologi Penelitian

Metode penelitian yang diterapkan pada penelitian ini menggunakan metode penelitian deskriptif. Metode deskriptif adalah suatu metode dalam meneliti status sekelompok manusia, suatu objek, suatu kondisi, suatu sistem pemikiran, ataupun suatu kelas peristiwa pada masa sekarang [3].

4

1. Metode Pengumpulan Data

Metode yang digunakan dalam mengumpulkan data dalam penelitian ini adalah sebagai berikut :

a. Wawancara

Teknik pengumpulan data dengan cara berinteraksi atau berkomunikasi secara langsung kepada responden dengan cara mengajukan pertanyaan yang sesuai dengan topik yang diambil.

b. Studi Literatur

Teknik pengumpulan data dengan cara mengadakan studi penelaahan terhadap buku-buku, literatur-literatur, catatan-catatan, dan laporan-laporan yang ada hubungannya dengan masalahh yang akan dipecahkan.

2. Metode Pembangunan Perangkat Lunak

Metode yang digunakan dalam proses pembangunan perangkat lunak ini adalah dengan model waterfall. Model ini melakukan pendekatan pada perkembangan perangkat lunak secara sistematik dan sekuensial [4].

Tahap-tahap utama dari model ini memetakan kegiatan-kegiatan pembangunan dasar yaitu:

a. Analisys

Proses pengumpulan kebutuhan dilakukan secara intensif untuk mespesifikasikan kebutuhan perangkat lunak agar dapat dipahami perangkat lunak seperti apa yang dibutuhkan oleh user.

Adapun tahapan untuk menganalisis data yang digunakan dalam penelitian ini adalah dengan menggunakan CRISP-DM. Tahapan dari CRISP-DM sebagai berikut [5] :

1. Business understanding

Dalam proses bisnisnya Kalvin Socks Production memasarkan berbagai jenis kaos kakinya langsung kepada konsumen dan kepada agen retail. Untuk membuat strategi bisnis perusahaan, pihak Kalvin Socks Production harus menganalisa data penjualan. Tujuan dari menganalisa data penjualan yakni untuk mengetahui kecenderungan pemilihan jenis kaos kaki yang sering dibeli dengan cara mengetahui pola pemesanan dari konsumen agar jenis kaos kaki yang diproduksi tepat sasaran.

2. Data understanding

Pada tahap pemahaman data ini terlebih dahulu akan mengumpulkan semua data yang diperlukan dari hasil data-data transaksi pejualan di Kalvin Socks Production periode Agustus 2015.

3. Data preparation

Pada tahapan ini akan dilakukan proses pemilihan dan pengolahan data yang nantinya akan diperlukan dalam tahap pemodelan sehingga pemodelan yang dilakukan dapat memberikan hasil yang maksimal sesuai dengan target yang diinginkan.

4. Modeling

Dalam tahapan pemodelan ini akan menggunakan teknik metode data mining dengan metode association rule dengan cara menemukan aturan asosiatif atau pola kombinasi jenis kaos kaki berdasarkan hasil data transaksi, sehingga dapat diketahui jenis kaos kaki apa saja yang sering dibeli secara bersamaan oleh konsumen.

5. Evaluation

Pada tahap evaluasi ini akan dibandingkan hasil Imprroved Apriori dilakukan oleh sistem dengan perhitungan manual, dengan mengambil beberapa sampel acak. Evaluasi ini ditujukan untuk mengukur apakah pemodelan yang dilakukan sesuai dengan tujuan pengimplementasian data mining pada sistem ini.

6

6. Deployment

Setiap tahap evaluasi dimana menilai secara detail hasil dari pemodelan, maka akan dilakukan pengimplementasian dari keseluruhan model yang telah dirancang. Selain itu juga dilakukan penyesuaian dari model dengan sistem yang akan dibangun sehingga dapat menghasilkan suatu hasil yang sesuai dengan target pemahaman bisnis.

b. Design

Design perangkat lunak adalah proses multi langkah yang fokus pada design pembuatan program perangkat lunak termasuk struktur data, arsitektur perangkat lunak, repesentasi antarmuka dan prosedur pengodean.

c. Code

Design yang ditranslasikan ke dalam program perangkat lunak. Kasil dari tahap ini adalah program komputer sesuai dengan design yang telah dibuat pada tahap design.

d. Test

Pengujian fokus pada perangkat lunak secara dari segi lojik dan fungsional dan memastikan bahwa semua bagian sudah diuji.

e. Maintenance

Biasanya, ini merupakan fase siklus hidup yang paling lama. Sistem diinstall dan dipakai. Pemeliharaan mencakup koreksi dari berbagai error yang tidak ditemukan pada tahap-tahap terdahulu, perbaikan atas implementasi unit sistem dan pengembangan pelayanan sistem, sementara persyaratan-persyaratan baru ditambahkan.

Berikut merupakan gambaran model waterfall

Gambar I. 1 Model Waterfall [4]

I.6 Sistematika Penulisan

Sistematika penulisan laporan akhir ini disusun untuk memberikan gambaran umum tentang penelitian yang dijalankan. Sistematika penulisan tugas akhir ini adalah sebagai berikut :

BAB I PENDAHULUAN

Bab ini berisi penjelasan mengenai latar belakang masalah, rumusan masalah, maksud dan tujuan, batasan masalah, metodologi penelitian serta sistematika penulisan.

BAB II TINJAUAN PUSTAKA

Bab ini membahas tentang profil perusahaan, proses produksi, hasil produksi serta berbagai konsep dasar dan teori-teori yang berkaitan dengan topik penelitian yang dilakukan dan hal-hal yang berguna dalam proses analisis permasalahan.

Analisys

Design

Maintenance Test

8

BAB III ANALISIS DAN PERANCANGAN SISTEM

Bab ini menganalisis masalah dari data hasil penelitian, kemudian dilakukan pula proses perancangan sistem yang akan dibangun sesuai dengan analisa yang telah dilakukan.

BAB IV IMPLEMENTASI DAN PENGUJIAN SISTEM

Bab ini berisi tentang implementasi dari tahapan tahapan penting yang telah dilakukan sebelumnya kemudian dilakukan pengujian terhadap sistem sesuai dengan tahapan yang telah dijalani untuk memperlihatkan sejauh mana sistem yang dibangun layak digunakan.

BAB V KESIMPULAN DAN SARAN

Bab ini berisi mengenai kesimpulan atas tugas akhir yang dibuat serta berisi saran-saran untuk adanya pengembangan mutu dan kualitas bagi masa yang akan datang.

9

BAB II

TINJAUAN PUSTAKA

II.1 Tentang Kalvin Socks Production

Kalvin socks production merupakan perusahaan perorangan yamg bergerak dibidang produksi kaos kaki dan pemasaran dengan menggunakan sistem jaringan pemasaran yang menempatkan 14 agen pemasaran di beberapa lokasi pemasaran dengan tujuan untuk memasok pasar-pasar tradisional yang ada di Indonesia.

Pada awalnya H. Sutarna sebagai pemilik perusahaan, membangun usaha ini sekitar tahun 1987 dengan bermodalkan semangat dan jiwa usaha yang tinggi untuk meningkatkan taraf hidup dan kesejahteraan keluarga, ketika itu H. Sutarna masih bekerja sebagai karyawan di salah satu perusahaan textile yang ada di Bandung selatan, seiring dengan meningkatnya kebutuhan hidup dan tuntutan hidup yang semakin banyak, maka H. Sutarna berusaha merintis usaha dengan cara berdagang dari pasar ke pasar di waktu liburnya sebagai karyawan, dan setelah H. Sutarna merasa matang dalam berdagang dan mengetahui akan permintaan kaos kaki saat itu, maka H. Sutarna memutuskan memproduksi kaos kaki dengan menggunakan modal awal senilai Rp 1.250.000,00 dari uang pesangon dan 3 unit mesin kaos kaki manual ( mesin tangan).

Selain untuk meningkatkan taraf hidup keluarga, usaha ini dibangun juga atas dasar peduli pada keluarga, kerabat, dan lingkungan sekitar. Dengan menciptakan lapangan pekerjaan bagi mereka dan membantu program pemerintah dalam mengurangi tingkat pengangguran, mudah-mudahan usaha ini mendatangkan kebaikan dan memberikan nilai positif bagi kami semua.

Nama Perusahaan : KALVIN

Lokasi : Kp. Kebon Kalapa Rt04/Rw03 No. 39 Ds.Batukarut kec. Arjasari Kab. Bandung Pemilik Perusahaan : H. Sutarna

III.1.1Struktur organisasi perusahaan

Struktur organisasi perusahaan adalah gambar bagan yang menjelaskan posisi dan hierarki struktur kerja pegawai di dalam perusahaan. Struktur organisasi perusahaan dari Kalvin Sock Production dapat dilihat pada Gambar II.1.

Montir Teknisi Karyawan Harian Karyawan Borongan Karyawan Harian

Ka. Bagian Mesin Ka. Bagian Produksi

Hendra Ka. Bagian Gudang

Pengelola Yeni Meilawati, S.E

Pemimpin H. Sutarna

Gambar II. 1 Struktur Organisasi Kalvin Socks Production

Uraian tugas dan wewenang masing-masing bagian pada struktur organisasi Kalvin Socks Production adalah sebagai berikut :

1. Pengelola

Mengawasi kegiatan produksi, penjualan, keuangan, pembelian, administrasi dan kegiatan lain dalam rangka pencapaian tujuan perusahaan 2. Kepala Bagian Mesin

Mengawasi Seluruh kegiatan produksi yang berhubungan dengan mesin atau alat produksi lainnya.

3. Kepala Bagian Produksi

Megawasi kegiatan produksi dari awal bahan mentah hingga akhir proses menjadi barang siap jual.

4. Kepala Bagian Gudang

11

II.2 Landasan Teori

Landasan teori yang berkaitan dengan materi atau teori yang digunakan sebagai acuan dalam melakukan penelitian. Landasan teori yang diuraikan merupakan hasil dari literatur dan buku-buku.

II.2.1 Pengertian Data Mining

“Data mining adalah proses menemukan pengetahuan yang menarik dari sejumlah data yang besar yang disimpan di dalam database, gudang data, atau repositori informasi lainnya” [6].

Kemajuan luar biasa yang terus berlanjut dalam bidang data mining didorong oleh beberapa fuser, antara lain [6]:

1. Pertumbuhan yang cepat dalam kumpulan data.

2. Penyimpanan data dalam data warehouse, sehingga seluruh perusahaan memiliki akses ke dalam database yang andal.

3. Adanya peningkatan akses data melalui navigasi web dan intranet.

4. Tekanan kompetensi bisnis untuk meningkatkan penguasaan pasar dalam globalisasi ekonomi.

5. Perkembangan teknologi perangkat lunak untuk data mining (ketersediaan teknologi).

6. Perkembangan yang hebat dalam kemampuan komputasi dan pengembangan kapasitas media penyimpanan.

Dari definisi-definisi yang telah disampaikan, hal penting yang terkait dengan data mining adalah :

1. Data mining merupakan suatu proses otomatis terhadap data yang sudah ada. 2. Data yang akan diproses berupa data yang sangat besar.

3. Tujuan data mining adalah mendapatkan hubungan atau pola yang mungkin memberikan indikasi yang bermanfaat.

II.2.2 Cross- Industry Standard Process for Data Mining (CRISP- DM)

Cross- Industry Standard Process for Data Mining (CRISP- DM) yang dikembangkan tahun 1996 oleh analis dari beberapa industry seperti Daimler Chrysler, SPSS, dan NCR. CRISP DM menyediakan standar proses data mining sebagai strategi pemecahan masalah secara umum dari bisnis atau unit penelitian. Dalam CRISP- DM, sebuah proyek data mining memiliki siklus hidup yang terbagi dalam enam fase. Keseluruhan fase berurutan yang ada tersebut bersifat adaptif. Fase berikutnya dalam urutan bergantung kepada keluaran dari fase sebelumnya. Hubungan penting antarfase digambarkan dengan panah. Sebagai contoh, jika proses berada pada fase modelling. Berdasar pada perilaku dan karakteristik model, proses mungkin harus kembali kepada fase data preparation untuku perbaikan lebih lanjut terhadap data atau berpindah maju kepada fase evaluation [5].

13

Enam fase CRISP- DM [5] :

1. Fase Pemahaman Bisnis (Business Understanding Phase)

a. Penentuan tujuan objek dan kebutuhan secara detail dalam lingkup bisnis atau unit penelitian secara keseluruhan.

b. Menerjemahkan tujuan dan batasan menjadi formula dari permasalahan data mining.

c. Menyiapkan strategi awal untuk mencapai tujuan 2. Fase Pemahaman Data (Data Understanding Phase)

a. Mengumpulkan data.

b. Menggunakan analisis penyelidikan data untuk mengenali lebih lanjut data dan pencarian pengetahuan awal.

c. Mengevaluasi kualitas data

d. Jika diinginkan, pilih sebagian kecil grup data yang mungkin mengandung pola dari permasalahan

3. Fase Pengolahan Data (Data Preparation Phase)

a. Siapkan dari data awal, kumpulan data yang akan digunakan untuk keseluruhan fase berikutnya. Fase ini merupakan pekerjaan berat yang perlu dilaksanakan secara intensif.

b. Pilih kasus dan variabel yang ingin dianalisis dan yang sesuai analisis yang akan dilakukan.

c. Lakukan perubahan pada beberapa variabel jika dibutuhkan. d. Siapkan data awal sehingga siap untuk perangkat pemodelan. 4. Fase Pemodelan (Modelling Phase)

a. Pilih dan aplikasikan teknik pemodelan yang sesuai. b. Kalibrasi aturan model untuk mengoptimalkan hasil.

c. Perlu diperhatikan bahwa beberapa teknik mungkin untuk digunakan pada permasalahan data mining yang sama.

d. Jika diperlukan, proses dapat kembali ke fase pengolahan data untuk menjadikan data ke dalam bentuk yang sesuai dengan spesifikasi kebutuhan teknik data mining tertentu.

5. Fase Evaluasi (Evaluation Phase)

a. Mengevaluasi satu atau lebih model yang digunakan dalam fase pemodelan untuk mendapatkan kualitas dan efektivitas sebelum disebarkan untuk digunakan.

b. Menetapkan apakah terdapat model yang memenuhi tujuan pada fase awal.

c. Menentukan apakah terdapat permasalahan penting dari bisnis atau penelitian yang tidak tertangani dengan baik.

d. Mengambil keputusan berkaitan dengan penggunaan hasil dari data mining.

6. Fase Penyebaran (Deployment Phase)

a. Menggunakan model yang dihasilkan. Terbentuknya model tidak menandakan telah terselesaikannya proyek.

b. Contoh sederhana penyebaran : Pembuatan laporan.

c. Contoh kompleks penyebaran : Penerapan proses data mining d. secara paralel pada departemen lain.

II.2.3 Knowledge Discovery in Database

Istilah data mining dan knowledge discovery in database (KDD) sering kali digunakan secara bergantian untuk menjelaskan proses penggalian informasi tersembunyi dalam suatu basis data yang besar. Salah satu tahapan dalam keseluruhan proses KDD adalah data mining. Proses KDD secara garis besar dapat dijelaskan sebagai berikut [6]:

1. Data Selection

Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi dalam KDD dimulai. Data hasil seleksi yang akan digunakan untuk proses data mining, disimpan dalam suatu berkas, terpisah dari basis data operasional.

2. Pre-Processing/cleaning

Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses cleaning pada data yang menjadi fokus KDD. Proses cleaning mencakup antara

15

lain membuang duplikasi data, memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi). Juga dilakukan proses enrichment, yaitu proses “memperkaya” data yang sudah ada dengan data atau informasi lain yang relevan dan diperlukan untuk KDD, seperti data atau informasi eksternal. Pre-processing data adalah hal yang harus dilakukan dalam proses data mining karena tidak semua data atau atribut data dalam data digunakan dalam proses data mining. Proses ini dilakukan agar data yang akan digunakan sesuai dengan kebutuhan. Adapun langkah-langkah preprocessing adalah sebagai berikut :

a. Pemilihan Atribut (atribut selection)

Pemilihan atribut adalah proses pemilihan mana saja atribut data yang akan digunakan sehingga data tersebut dapat kita olah sesuai dengan kebutuhan proses data mining.

b. Pembersihan data (data cleaning)

Proses menghilangkan noise dan menghilangkan data yang tidak relevan disebut pembersihan data.

3. Transformation

Coding adalah proses pada data yang telah dipilih, sehingga data tersebut sesuai untuk proses data mining. Proses coding dalam KDD merupakan proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam basis data.

4. Data mining

Data mining adalah mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. Teknik, metode, atau algoritma dalam data mining sangat bervariasi. Pemilihan metode atau algoritma yang tepat sangat bergantung pada tujuan dan proses KDD secara keseluruhan. 5. Interpretation/evaluation

Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak berkepentingan. Tahap ini merupakan bagian dari proses KDD yang disebut interpretation. Tahap ini

mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesis yang ada sebelumnya.

II.2.4 Arsitektur Data Mining

Umumnya sistem data mining terdiri dari komponen-komponen berikut[6]:

a. Database, data warehouse, atau media penyimpanan informasi

Media dalam hal ini bisa jadi berupa database, data warehouse, spreadsheets, atau jenis-jenis penampung informasi lainnya. Data cleaning dan data intregration dapat dilakukan pada data-data tersebut.

b. Database atau data warehouseserver

Database atau data warehouse server bertanggung jawab untuk menyediakan data yang relevan berdasarkan permintaan dari user pengguna data mining.

c. Basis Pengetahuan (knowledge base)

Merupakan basis pengetahuan yang digunakan sebagai panduan dalam pencarian pola.

d. Data mining engine

Yaitu bagian dari software yang menjalankan program berdasarkan algoritma yang ada.

e. Pattern evaluation module

Yaitu bagian dari software yang berfungsi untuk menemukan pattern atau pola-pola yang terdapat di dalam database yang diolah sehingga nantinya proses data mining dapat menemukan knowledge yang sesuai.

f. Graphical user interface

Bagian ini merupakan sarana antara user dan sistem data mining untuk berkomunikasi, dimana user dapat berinteraksi dengan sistem melalui data mining query, untuk menyediakan informasi yang dapat membantu dalam pencarian knowledge. Lebih jauh lagi, bagian ini mengijinkan user untuk melakukan browsing pada database dan data warehouse, mengevaluasi pattern yang telah

17

dihasilkan, dan menampilkan pattern tersebut dengan tampilan yang berbeda-beda.

II.2.5 Asosiasi (Association)

Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisi keranjang belanja. Aturan yang menyatakan asosiasi antara beberapa atribut sering disebut affinity analiysis atau market basket analysis. Analisis asosiasi atau Association rule mining adalah teknik data mining untuk menemukan aturan asosiatif antara suatu kombinasi item [6].

Penting tidaknya suatu aturan asosiatif dapat diketahui dengan dua parameter, yaitu support dan confidence. Support (nilai penunjang) adalah presentase kombinasi item tersebut dalam database, sedangkan confidence (nilai kepastian) adalah kuatnya hubungan antar-item dalam aturan asosiasi.

Analisis asosiasi didefinisikan suatu proses untuk menemukan semua aturan asosiasi yang memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk confidence(minimum confidence).

Metodologi dasar analisis asosiasi terbagi menjadi dua tahap [5] : 1. Analisis pola frekuensi tinggi

Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database. Nilai support sebuah item diperoleh dengan rumus berikut.

x100.. Persamaan (II.1)

Sementara itu, nilai support dari 2 item diperoleh dari rumus berikut. ….. Persamaan (II.2)

x100….. Persamaan (II.3) 2. Pembentukan Aturan Asosiasi

Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yang cukup kuat tingkat ketergantungan antar item dalam antecedent (pendahulu) dan consequent (pengikut) serta memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan Asosiatif .

Misalkan D adalah himpunan transaksi, dimana setiap transaksi T dalam D merepresentasikan himpunan item yang berada dalam I. I adalah himpunan item yang dijual. Misalkan kita memilih himpunan item A dan himpunan item lain B, kemudian aturan asosiasi akan berbentuk:

Dimana antecedent A dan consequent B merupakan subset dari I, dan A dan B merupakan mutually exclusive dimana aturan :

Tidak berarti

Sebuah itemset adalah himpunan item-item yang ada dalam I, dan k-itemset adalah itemset yang berisi k item. Frekuensi itemset merupakan itemset yang memiliki frekuensi kemunculan lebih dari nilai minimum yang telah ditentukan (ɸ). Misalkan ɸ = 2, maka semua itemset yang frekuensi kemunculannya lebih dari atau sama dengan 2 kali disebut frequent. Himpunan dari frequent k-itemset dilambangkan dengan Fk.

Nilai confidence dari aturan diperoleh dari rumus berikut.

19

II.2. 5.1 Langkah-Langkah Proses Aturan Asosiasi

Proses aturan asosiasi terdiri dari beberapa tahap sebagai berikut [6]: 1. Sistem men-scan database untuk mendapatkan kandidat 1-itemset (himpunan item yang terdiri dari 1 item) dan menghitung nilai supportnya. Kemudian nilai supportnya tersebut dibandingkan dengan minimum support yang telah ditentukan, jika nilainya lebih besar atau sama dengan minimum support maka itemset tersebut dalam largeitemset.

2. Itemset yang tidak termasuk dalam large itemset tidak diikutkan dalam itersi selanjutnya(di prune).

3. Pada iterasi kedua sistem akan menggunakan hasil large itemset pada iterasi pertama(L1) untuk membentuk kandidat itemset kedua(L2). Pada itersi selanjutnya akan menggunakan hasil large itemset pada iterasi sebelumnya(Lk-1) untuk membentuk kandidat itemset berikut(LK). Sistem akan menggabungkan(join) (Lk-1) dengan (Lk-1) untuk mendapatkan (Lk), seperti pada iterasi sebelumnya sistem akan menghapus(prune) kombinasi itemset yang tidak termasuk dalam large itemset.

4. Setelah dilakukan operasi join, maka pasangan itemset baru hasil proses join tersebut dihitung supportnya.

5. Proses pembentuk kandidat yang terdiri dari proses join dan prune akan terus dilakukan hingga himpunan kandidat itemsetnya null, atau sudah tidak ada lagi kandidat yang akan dibentuk.

6. Setekah itu, dari hasil frequent itemset tersebut dibentuk association rule yang memenuhi nilai support dan confidence yang telah ditentukan.

7. Pada pembentukan association rule, nilai yang sama dianggap sebagai satu nilai.

8. Association rule yang berbentuk harus memenuhi nilai minimum yang telah ditentukan.

9. Untuk setiap large itemset L, kita cari himpunan bagian L yang tidak kosong. Untuk setiap himpunan bagian tersebut, dihasilkan rule dengan bentuk aB(L-a) jika supportnya (L) dan supportnya (a) lebih besar dari minimum support.

II.2.6 Algoritma ImprovedApriori

Algoritma Improved Apriori berbasis Matrix diusulkan oleh beberapa peneliti, namun dengan teknik yang berbeda saat pencarian frequent itemset. merepresentasikan database ke dalam bentuk matrix untuk menggambarkan relasi dalam database. Kemudian matrix dihitung untuk mencari nilai support dari candidate frequent itemset yang memenuhi kriteria untuk menghasilkan frequent itemset tanpa melakukan scanning ulang terhadap database dengan menggunakan operasi “AND” terhadap baris matrix sesuai dengan item dalam candidate frequent itemset dan menambahkan hasil dari AND, dengan hasilnya adalah Support. [7]

Karena algoritma tidak melakukan scan ulang terhadap database untuk mencari hubungan seperti algoritma sebelumnya, maka waktu komputasi dan pencarian candidate frequent itemset menjadi lebih cepat.

Tahapan algoritma ini berjalan sebagai berikut [2]: 1. Konversidatabase ke dalam bentuk matrix.

a Konversi database yang berisi In item dan transaksi Tm ke dalam bentuk matrix. Baris dari matrix mewakili transaksi dan kolom dari matrix mewakili item. Jika pada suatu transaksi terdapat item maka nilainya adalah 1 dan bernilai 0 jika sebaliknya.

b Jumlah nilai dari kolom adalah nilai support count dan jumlah nilai dari baris adalah banyaknya item dalam suaatu transaksi atau disebut count.

2. Periksa jumlah kolom dan jumlah baris

a Hapus kolom yang jumlah kolomnya kurang dari nilai minimum support

b Hapus baris yang jumlah barisnya kurang dari sama dengan nilai k ( k-frequent itemset )

3. Gabungkan tiap kolomnya untuk menemukan frequent 2-itemset dan gunakan operasi DAN untuk mendapatkan nilainya.

4. Periksa jumlah kolom dan jumlah baris

a Hapus kolom yang jumlah kolomnya kurang dari nilai minimum support.

21

b Hapus baris yang jumlah barisnya kurang dari sama dengan nilai k ( k-frequent itemset ).

5. Demikian pula untuk mencari Kth -frequent itemset. Gabungkan tiap kolomnya dan hapus kolom yang kurang dari minimum support dan hapus baris yang jumlah barisnya kurang dari sama dengan k.

II.2.7 Basis Data (Database)

Basis Data terdiri dari atas dua kata, yaitu Basis dan Data. Basis kurang lebih dapat diartikan sebagai markas atau gudang, tempat bersarang atau berkumpul. Sedangkan Data adalah representasi fakta dunia nyata yang mewakili objek seperti manusia, barang, hewan, peristiwa, konsep, keadaan, dan sebagainya yang direkam dalam bentuk angka, huruf, simbol, teks, gambar, bunyi, atau kombinasinya[4].

Database adalah kumplan data yang saling berkaitan, berhubungan yang disimpan secara bersama-sama sedemikian rupa tanpa pengulangan yang tidak perlu, untuk memenuhi berbagai kebutuhan. Data-data ini harus mengandung semua informasi untuk mendukung semua kebutuhan sistem. Proses dasar yang dimiliki oleh database ada empat, yaitu:

1. Pembuatan data-data baru (create database) 2. Penambahan data (insert)

3. Mengubah data (update) 4. Menghapus data (delete).

Database merupakan salah satu komponen yang penting dalam sistem informasi, karena merupakan basis dalam menyediakan informasi pada para pengguna. Basis data (database) menjadi penting karena munculnya beberapa masalah bila tidak menggunakan data yang terpusat, seperti adanya duplikasi data, hubungan antar data tidak jelas, organisasi data dan update menjadi rumit. Jadi tujuan dari pengaturan data dengan menggunakan basis data adalah :

a. Menyediakan penyimpanan data untuk dapat digunakan oleh organisasi saat sekarang dan masa yang akan datang.

b. Cara pemasukan data sehingga memudahkan tugas operator dan menyangkut pula waktu yang diperlukan oleh pemakai untuk mendapatkan data serta hak-hak yang dimiliki terhadap data yang ditangani.

c. Pengendalian data untuk setiap siklus agar data selalu up-to-date dan dapat mencerminakan perubahan spesifik yang terjadi di setiap sistem.

d. Pengamanan data terhadap kemungkinan penambahan, modifikasi, pencurian dan gangguan-gangguan lain.

Dalam basis data sistem informasi digambarkan dalam model entity relationship (E-R). Bahasa yang digunakan dalam basis data (database) yaitu : a. DDL (Data Definition Language)

Merupakan bahasa definisi data yang digunakan untuk membuat dan mengelola objek database seperti database, tabel dan view.

b. DML (Data Manipulation Language)

Merupakan bahasa manipulasi data yang digunakan untuk memanipulasi data pada objek database seperti tabel.

c. DCL (Data Control Language)

Merupakan bahasa yang digunakan untuk mengendalikan pengaksesan data. Penyusunan basis data meliputi proses memasukkan data kedalam media penyimpanan data, dan diatur dengan menggunakan perangkat Sistem Manajemen Basis Data (Database Management System / DBMS).

II.2.8 Database Management System (DBMS)

“Managemen Sistem Basis Data (DatabaseManagement System /DBMS) adalah perangkat lunak yang di desain untuk membantu dalam hal pemeliharaan dan utilitas kumpulan data dalam jumlah besar”[4].

Sistem Manajemen Basis data (DatabaseManagement System) merupakan sistem pengoperasian dan sejumlah data pada komputer. Dengan sistem ini dapat merubah data, memperbaiki data yang salah dan menghapus data yang tidak dapat

23

dipakai. Sistem manajemen database merupakan suatu perluasan software sebelumnya mengenai software pada generasi komputer yang pertama. Dalam hal ini data dan informasi merupakan kesatuan yang saling berhubungan dan berkerja sama yang terdiri dari: peralatan, tenaga pelaksana dan prosedur data. Sehingga pengolahan data ini membentuk sistem pengolahan data. Peralatan dalam hal ini berupa perangakat keras (hardware) yang digunakan, dan prosedur data yaitu berupa perangakat lunak (software) yang digunakan dan dipakai untuk mengalokasikan dalam pembuatan sistem informasi pengolahan database.

Manipulasi basis data meliputi pembuatan pernyataan (query) untuk mendapatkan informasi tertentu, melakukan pembaharuan atau penggantian (update) data, serta pembuatan report dari data. Tujuan utama DBMS adalah untuk menyediakan tinjauan abstrak dari data bagi user. Jadi sistem menyembunyikan informasi mengenai bagaimana data disimpan dan dirawat, tetapi data tetap dapat diambil dengan efisien.

Pertimbangan efisiensi yang digunakan adalah bagaimana merancang struktur data yang kompleks, tetapi tetap dapat digunakan oleh pengguna yang masih awam, tanpa mengetahui kompleksitas stuktur data. Sistem manajemen database atau database management system (DBMS) adalah merupakan suatu sistem software yang memungkinkan seorang user dapat mendefinisikan, membuat, dan memelihara serta menyediakan akses terkontrol terhadap data. Database sendiri adalah sekumpulan data yang berhubungan dengan secara logika dan memiliki beberapa arti yang saling berpautan. DBMS yang utuh biasanya terdiri dari :

1. Hardware

Hardware merupakan sistem komputer aktual yang digunakan untuk menyimpan dan mengakses database. Dalam sebuah organisasi berskala besar, hardware terdiri : jaringan dengan sebuah server pusat dan beberapa program client yang berjalan di komputer desktop.

2. Software beserta utility Software adalah DBMS yang aktual. DBMS memungkinkan para user untuk berkomunikasi dengan database. Dengan kata

lain DBMS merupakan mediator antara database dengan user. Sebuah database harus memuat seluruh data yang diperlukan oleh sebuah organisasi. 3. Prosedur

Bagian integral dari setiap sistem adalah sekumpulan prosedur yang mengontrol jalannya sistem, yaitu praktik-praktik nyata yang harus diikuti user untuk mendapatkan, memasukkan, menjaga, dan mengambil data.

4. Data

Data adalah jantung dari DBMS. Ada dua jenis data. Pertama, adalah kumpulan informasi yang diperlukan oleh suatu organisasi. Jenis data kedua adalah metadata, yaitu informasi mengenai database.

5. User (Pengguna)

Ada sejumlah user yang dapat mengakses atau mengambil data sesuai dengan kebutuhan penggunaan aplikasi-aplikasi dan interface yang disediakan oleh DBMS, antara lain adalah :

a. Database administrator adalah orang atau group yang bertanggungjawab mengimplementasikan sistem database di dalam suatu organisasi.

b. Enduser adalah orang yang berada di depan workstation dan berinteraksi secara langsung dengan sistem.

c. Programmer aplikasi, orang yang berinteraksi dengan database melalui cara yang berbeda.

II.2.9 Object Oriented Analysis Design

Konsep OOAD mencakup analisis dan desain sebuah sistem dengan pendekatan objek, yaitu analisis berorientasi objek (OOA) dan desain berorientasi objek (OOD). OOA adalah metode analisis yang memerika requirement (syarat/keperluan) yang harus dipenuhi sebuah sistem) dari sudut pandang kelas-kelas dan objek-objek yang ditemui dalam ruang lingkup sistem. Sedangkan OOD adalah metode untuk mengarahkan arsitektur software yang didasarkan pada manipulasi objek-objek sistem atau subsistem [8].

25

a. Unified Modelling Language

Unified Modeling Language (UML) adalah termasuk ke dalam rumpun jenis pemodelan notasi grafis yang didukung oleh meta-model tunggal, Pemodelan ini berguna untuk membantu dalam menjelaskan dan merancang perangkat lunak yang dibangun dengan object-oriented (OO). UML merupakan standar terbuka yang dikelola oleh Open Management Group (OMG) yang berada dibawah naungan perusahaan-perusahaan konsorsium terbuka[8]. UML merupakan suatu bahasa pemodelan yang terdiri banyak model diantaranya adalah :

1. Use Case Diagram

Use case adalah teknik untuk menggambarkan fungsional sebuah sistem. Use case diagram memperlihatkan hubungan diantara actor dan use case. User mempresentasikan seorang user atau subsistem lain yang akan berinteraksi dengan sistem. Sedangkan use case merupakan urutan kejadian yang menggambarkan interaksi antara user dengan sistem. Fungsionalitas sistem didefinisikan ke dalam use case dari sudut eksternal sistem yang berguna untuk diuji kelayakan sistem[8].

2. Sequence Diagram

Sequence diagram menggambarkan interaksi diagram yang menunjukan bagaimana kelompok-kelompok objek saling berkolaborasi dalam beberapa behavior, Sebuah Sequence diagram secara khusus menjabarkan behavior sebuah skenario tunggal. Diagram tersebut menunjukan sejumlah objek contoh dan pesan-pesan yang melewati objek ini dalam use case. Sequence diagram adalah suatu diagram yang memperlihatkan atau menampilkan interaksi-interaksi antar objek di dalam sistem yang disusun pada sebuah urutan atau rangkaian waktu. Interaksi antar objek tersebut termasuk pengguna, display, dan sebagainya berupa pesan/message. Sequence diagram digunakan untuk menggambarkan skenario atau rangkaian langkah-langkah yang

dilakukan sebagai sebuah respon dari suatu kejadian/even untuk menghasilkan output tertentu[8].

3. Class Diagram

Class diagram mendeskripsikan jenis-jenis objek dalam sistem dan berbagai macam hubungan statis yang terdapat diantara mereka. Diagram kelas atau class diagram menggambarkan struktur sistem dari segi pendifinisian kelas-kelas yang akan dibuat untuk membangun sistem. Kelas memiliki apa yang disebut atribut dan metode atau operasi. Atribut merupakan variable-variabel yang dimiliki oleh suatu kelas, atribut mendeskripsikan properti dengan sebaris teks di dalam kotak kelas tersebut. Operasi atau metode adalah fungsi fungsi yang dimiliki oleh suatu kelas[8].

II.2.10MySQL

SQL (Structured Query Language) adalah bahasa standar yang digunakan untuk mengakses server database. Semenjak tahun 70-an bahasa ini telah dikembangkan oleh IBM, yang kemudian diikuti dengan adanya Oracle, Informix dan Sybase. Dengan menggunakan SQL, proses akses database menjadi lebih user-friendly dibandingkan dengan misalnya dBase ataupun Clipper yang masih menggunakan perintah –perintah pemrograman murni [9].

MySQL adalah sebuah server database SQL multiuser dan multi threaded [8]. SQL sendiri adalah salah satu bahasa database yang paling populer di dunia. Implementasi program server database ini adalah program daemon 'mysqld'. Sebagaimana database sistem yang lain, dalam SQL juga dikenal hierarki server dengan database-database. Tiap-tiap database memiliki tabel-tabel. Tiap-tiap tabel memiliki field-field. Umumnya informasi tersimpan dalam tabel–tabel yang secara logik merupakan struktur 2 dimensi terdiri atas baris dan kolom. Field-field tersebut dapat berupa data seperti int, realm char, date, time dan lainnya. SQL tidak memiliki fasilitas pemrograman yang lengkap, tidak ada looping ataupun percabangan. Sehingga untuk menutupi kelemahan ini perlu digabung dengan

27

bahasa pemrograman semisal Pascal. MySQL sering digunakansebagai SQL server karena berbagai kelebihannya, antara lain:

1. Source MySQL dapat diperoleh dengan mudah dan gratis. 2. Sintaksnya lebih mudah dipahami dan tidak rumit.

3. Pengaksesan database dapat dilakukan dengan mudah.

II.2.11Microsoft Visual Studio .Net Dan C#

Microsoft Visual Studio merupakan sebuah perangkat lunak lengkap (suite) yang dapat digunakan untuk melakukan pengembangan aplikasi, baik itu aplikasi bisnis, aplikasi personal, ataupun komponen aplikasinya, dalam bentuk aplikasi console, aplikasi Windows, ataupun aplikasi Web. Microsoft Visual Studio dapat digunakan untuk mengembangkan aplikasi dalam native code (dalam bentuk bahasa mesin yang berjalan di atas Windows) ataupun managed code (dalam bentuk Microsoft Intermediate Language di atas .NET Framework).[10]

C# sering dianggap sebagai bahasa penerus C++ atau versi canggih dari C++. C# adalah sebuah bahasa pemrograman yang dikembangkan oleh Microsoft dan menjadi salah satu bahasa pemrograman yang mendukung .Net programming melalui Visual Studio. C# didasarkan pada bahasa pemrograman C++, C# juga memiliki kemiripan dengan beberapa bahasa pemrograman seperti Visual Basic, Java, Delphi dan tentu saja C++.

29

III.1 Analisis Sistem

Analisis sistem adalah penguraian dari suatu sistem informasi yang utuh kedalam bagian-bagian komponennya dengan maksud untuk mengidentifikasi dan mengevaluasi permasalahan, kesempatan, hambatan yang terjadi dan kebutuhan yang diharapkan sehingga dapat diusulkan perbaikan. Tahap analisis sistem merupakan tahapan yang sangat kritis dan penting, karena kesalahan di dalam tahap ini akan menyebabkan juga kesalahan di tahap selanjutnya. Tugas utama analisis sistem dalam tahap ini adalah menemukan kelemahan-kelemahan dari sistem yang berjalan sehingga dapat diusulkan perbaikannya. Dalam analisa sistem ini meliputi beberapa bagian, yaitu :

1. Analisis Masalah 2. Analisis Data Mining

3. Analisis Kebutuhan Non-Fungsional 4. Analisis Kebutuhan Fungsional III.2 Analisis Masalah

Adapun analisis masalah di Kalvin Sock Production adalah pemrosesan data membutuhkan waktu yang cukup lama, hal tersebut disebabkan karena banyaknya data transaksi penjualan dan algoritma yang telah diterapkan pada aplikasi sebelumnya yaitu algoritma apriori harus melakukan scan database setiap kali iterasinya dalam menemukan jenis kaos kaki yang sering dipesan oleh para konsumennya.

III.3 Analisis Data Mining

Berdasarkan tahapan-tahapan yang terdapat dalam CRIPS-DM, maka dalam penelitian data mining di Kalvin Socks Production ini terdapat beberapa tahapan sebagai berikut.

30

III.3.1 Pemahaman Bisnis

Tahapan pemahaman bisnis merupakan tahapan pertama yang dilakukan dalam kerangka kerja CRISP-DM. dalam tahapan bisnis ini terdapat beberapa tahapan lainnya, yaitu :

1. Identifikasi Tujuan Bisnis

Dalam proses bisnisnya Kalvin Socks Production memasarkan berbagai jenis kaos kakinya langsung kepada konsumen dan kepada agen retail. Untuk membuat strategi bisnis perusahaan, pihak Kalvin Socks Production harus menganalisa data penjualan. Tujuan dari menganalisa data penjualan yakni untuk mengetahui kecenderungan pemilihan jenis kaos kaki yang sering dibeli dengan cara mengetahui pola pemesanan dari konsumen agar jenis kaos kaki yang diproduksi tepat sasaran.

2. Penentuan Sasaran Data Mining

Tujuan data mining untuk perusahaan adalah menggali pengetahuan (discovering knowledge) tentang pola (pattern) jenis kaos kaki apa saja yang sering dibeli oleh konsumen sehingga diketahui jenis kaos kaki mana saja yang sering dipesan komsumen.

III.3.2 Pemahaman Data

Tahapan pemahaman data merupakan tahapan kedua yang dilakukan setelah tahapan bisnis dalam kerangka kerja CRISP-DM. dalam tahap pemahaman data ini terdapat beberapa langkah diantaranya:

a. Pengumpulan data awal

Data yang digunakan dalam penelitian ini yakni data transaksi penjualan produk kaos kaki pada bulan Agusuts 2015. Data yang digunakan untuk proses analisis berupa file Excel dengan format *.csv atau *.xlsx.

Data yang digunakan untuk proses perhitungan secara manual dengan mengambil sebanyak 178 transaksi untuk dilakukan pengolahan ke tahap selanjutnya. Adapun detail informasi mengenai data transaksi yang digunakan dapat dilihat dalam table III.1 dibawah ini.

Tabel III. 1 Struktur Data Transaksi Penjualan

DOKUMENT KETERANGAN

Detail Data Transaksi Penjualan

Deskripsi

Data ini berisi mengenai transaksi penjualan pada bulan Agustus 2015 di Kalvin Socks Production

Fungsi

Untuk mengatahui jenis kaos kaki apa saja yang sering dipesan oleh konsumen pada bulan Agustus

Format Microsoft excel (.xlsx)

Atribut Tanggal Waktu transaksi

NoNota Nomor komsumen pada saat transaksi kodeBarang Kode dari jenis kaos kaki

NamaBarang Kode dari nama kaos kaki Jumlah Jumlah pemesanan kaos kaki

Berikut adalah contoh data transaksi penjualan pada bulan Agustus yang ada di Kalvin Socks Production yang akan digunakan untuk proses perhitungan manual dengan metode association rule dan menggunakan algoritma Improved Apriori, dimana atribut-atribut yang terdapat dalam data penjualan tersebut antara lain Tanggal, NoNota, kodeBarang, NamaBarang, Jumlah. Untuk lebih jelasnya, dapat dilihat pada lampiran tabel D-1 di lembar lampiran.

III.3.3 Preprocessing Data

Preprocessing data adalah hal yang harus dilakukan dalam proses data mining, karena tidak semua data atau atribut data dalamdata digunakan pada data mining. Proses ini dilakukan agar data yang akan digunakan sesuai dengan kebutuhan. Adapun tahapan-tahapan preprocessing data dalam penelitian ini adalah sebagai berikut:

1. Ekstraksi data

Ekstraksi data dapat diartikan sebagai proses pengambilan data dari sumber data dalam rangka untuk melanjutkan proses pengolahan data ke tingkat selanjutnya ataupun untuk menyimpan data hasil ekstrak tersebut.

32

Dalam penelitian ini, data yang berasal dari flat file berupa microsoft excel (.xlsx) diekstrak, kemudian disimpan ke dalam sebuah database agar memudahkan dalam proses pengolahan data.

2. Pemilihan atribut (artibut selection)

Pemilihan atribut adalah proses pemilihan atribut data yang akan digunakan, sehingga data tersebut dapat diproses sesuai dengan kebutuhan data mining. Dalam penelitian ini, atribut yang akan digunakan yakni NoNota dan kodeBarang. Pada NoNota berguna untuk membedakan antar konsumen sedangkan kodebarang berguna untuk mengetahui jenis kaos kaki apa saja yang dibeli oleh konsumen dalam satu transaksi. Tahapan pemilihan atribut ini sama seperti penelitian sebelumnya[1]. Data pemilihan atribut dapat dilihat pada tabel D-2 dalam lampiran D.

3. Pembersihan data (data cleaning)

Pada tahap pembersihan data, hasil pemilihan atribut pada tabel D-2 akan dibersihkan dari NoNota yang hanya memiliki Kodebarang tunggal. Artinya pada satu transaksi konsumen hanya membeli satu jenis kaos kaki saja. Data transaksi yang memiliki kodeBarang tunggal ini tidak memiliki hubungan asosiasi dengan kodeBarang lain yang sudah dibeli. Tahapan pemilihan atribut ini sama seperti penelitian sebelumnya[1]. Hasil pembersihan data dapat dilihat pada tabel D-3 dalam lampiran D.

III.3.4 Pemodelan

Pemodelan merupakan tahap pembuatan model yang akan digunakan dalam proses data mining. Tahap ini dilakukan dengan menggunakan metode association rule yang akan dibagi ke dalam dua tahap yaitu :

a. Frequent Itemset

Dalam tahapan mencari frequent itemset akan menggunakan algoritma improved apriori. Langkah-langkah proses pengerjaan algoritma improved apriori dalam penelitian ini adalah sebagai berikut :

1. Asumsi nilai minimum support yang akan digunakan adalah 7% dari total transakasi yaitu 10,5 ≈ 10. Nilai tersebut diambil agar mendapatkan 3 kombinasi item.

2. Nilai minimum confidence digunakan untuk menyakinkan kuatnya hubungan antara item yang satu dengan yang lainnya. Asumsi nilai minimum confidence yang akan digunakan dalam perhitungan manual sebesar 60%.

3. Data yang sudah melewati tahap preprocessing kemudian diubah kedalam bentuk matrix, kemudian isi bagian baris dengan NoNota dan isi bagian kolom dengan kodeBarang. Jika pada suatu NoNota terdapat kodeBarang maka masukan value 1 pada kolom kodeBarang di NoNota tersebut, sedangkan jika tidak terdapat kodeBarang pada suatu NoNota maka masukan value 0 pada kolom kodeBarang di NoNota tersebut. Hasil transformasi ke dalam bentuk matrix dapat dilihat pada tabel D-4 dalam lampiran D.

4. Data yang sudah dalam bentuk matrix kemudian dihitung untuk mencari frequent item-nya, Caranya yaitu jumlahkan tiap kodeBarang pada bagian kolom untuk mencari nilai support count dari setiap kodeBarangnya. Hasilnya dapat dilihat pada tabel D-5 dalam lampiran D.

5. Dari data tabel D-5 dalam lampiran D dapat diketahui kandidat frequent 1-itemset. Jumlahkan semua nilai yang bernilai 1 pada setiap kolom dan barisnya. Jumlah nilai pada kolom adalah Support Count sedangkan jumlah nilai pada baris adalah Count. Hasilnya dapat dilihat pada tabel D-6 dalam lampiran D.

6. Dari tabel D-6 kemudian cari frequent 1-itemset-nya. Hapus kodeBarang yang jumlah nilai Support Count-nya kurang dari minimum support dan hapus NoNota yang jumlah nilai Count-nya 1. Hasilnya dapat dilihat pada tabel D-7 dalam lampiran D.

7. Setelah frequent 1-itemset didapatkan maka lakukan cross product untuk mendapatkan 2 kombinasi item, lalu setelah melakukan crossproduct hitung nilai support-nya menggunakan operan AND. Setelah didapatkan nilai

34

support-nya lalu jumlahkan tiap baris dan kolomnya. Hasilnya dapat dilihat pada tabel D-8

8. Dari tabel D-8 kemudian cari frequent 2-itemset-nya. Hapus kodeBarang yang jumlah nilai Support Count-nya kurang dari minimum support dan hapus NoNota yang jumlah nilai Count-nya 2. Hasilnya dapat dilihat pada tabel D-9 dalam lampiran D.

9. Setelah frequent 2-itemset didapatkan maka lakukan cross product lagiuntuk mendapatkan 3 kombinasi item, lalu setelah melakukan crossproduct hitung nilai support-nya menggunakan operan AND. Setelah didapatkan nilai support-nya lalu jumlahkan tiap baris dan kolomnya. Hasilnya dapat dilihat pada tabel D-10

10. Dari tabel D-10 kemudian cari frequent 3-itemset-nya. Hapus kodeBarang yang jumlah nilai Support Count-nya kurang dari minimum support dan hapus NoNota yang jumlah nilai Count-nya 3. Hasilnya dapat dilihat pada tabel D-11 dalam lampiran D.

11. Setelah frequent 3-itemset didapatkan maka lakukan cross product lagiuntuk mendapatkan 4 kombinasi item, lalu setelah melakukan crossproduct hitung nilai support-nya menggunakan operan AND. Setelah didapatkan nilai support-nya lalu jumlahkan tiap baris dan kolomnya. Hasilnya dapat dilihat pada tabel D-12

12. Dari tabel D-12 kemudian cari frequent 4-itemset-nya. Hapus kodeBarang yang jumlah nilai Support Count-nya kurang dari minimum support dan hapus NoNota yang jumlah nilai Count-nya 4. Hasilnya dapat dilihat pada tabel D-13 dalam lampiran D.

13. Dikarenakan pada data tabel D-13 dalam lampiran D kosong atau tidak memiliki data yang memenuhi nilai minimum support, maka proses untuk pembentukan frequentitemset selanjutnya terhenti.

b. Generate Rule

Setelah mencari dan mendaptkan frequent itemset-nya, lalu dibentuk aturan asosiasi untuk mencari rule yang memenuhi nilai minimumconfidence. Berikut adalah tahapannya:

1. Karena hanya mendapatkan frequent itemset-nya sampai 3 maka lakukan pembentukan rule pada {B17,B18,B19}, {B18,B19,B20}, {B14,B18}, {B14,B19}, {B15,B18}, {B16,B18}, {B17,B18}, {B17,B19}, {B17,B20}, {B18,B19}, {B18,B20}, {B18,B29}, {B19,B20}, {B20,B29} kemudian melakukan perhitungan nilai confidence-nya. Hasilnya dapat dilihat pada tabel III.2

Tabel III. 2 Pembentukan Rule

Kombinasi item Confidence % Kombinasi item Confidence %

B17 ^ B1 → B 50 B17 → B20 40.74074074

B ^ B → B 91 B18 → B19 42.10526316

B ^ B → B 62.5 B18 → B20 47.36842105

B → B ^ B 37.03 B18 → B29 26.31578947

B → B ^ B 35.71 B19 → B20 42.85714286

B → B ^ B 28.57 B20 → B29 32.35294118

B ^ B → B 68.75 B18 → B14 26.31578947

B ^ B → B 61.11 B19 → B14 34.28571429

B ^ B → B 73.33 B18 → B15 28.94736842

B → B ^ B 28.94 B18 → B16 28.94736842

B → B ^ B 31.42 B18 → B17 52.63157895

B → B ^ B 32.35 B19 → B17 31.42857143

B14 → B18 41.66666667 B20 → B17 32.35294118

B14 → B19 50 B19 → B18 45.71428571

B15 → B18 68.75 B20 → B18 52.94117647

B16 → B18 57.89473684 B29 → B18 37.03703704

B17 → B18 74.07407407 B20 → B19 44.11764706

36

2. Dari tabel III.3 kemudian rule diseleksi. Rule yang nilai confidence-nya kurang dari nilai minimum confidence dihilangkan. Hasilnya dapat dilihat pada tabel III.3.

Tabel III. 3 Rule yang memenuhi nilai minimum confidence

Kombinasi item Confidence %

B17 ˄B → B 91

B18 ˄B → B 62.5

B18 ˄B → B 68.75 B18 ˄B → B 61.11 B19 ˄B → B 73.33

B17 → B18 74.07407407

B15 → B18 68.75

3. Rule yang telah memenuhi nilai minimum confidence kemudian disesuaikan dengan tabel barang. Sehingga kodebarang yang terdapat pada rule sesuai dengan nama barangnya dan dapat dijadikan informasi. Tabel barang dapat dilihat pada tabel III.4

Tabel III. 4 Tabel barang

kodeBarang namaBarang kodeBarang namaBarang

B1 ankle nylon pj B27 sma pramuka katun

B2 ankle nylon tg B28 bayi lurus kids

B3 ankle nylon pdk B29 bayi lipat kids

B4 arygle nylon pj B30 bayi lipat/lurus anti slip qino

B5 arygle nylon tg B31 children

B6 arygle nylon pdk B32 strawberry

B7 bed nylon pj B33 jempol

B8 bed nylon tg B34 handset

B9 bed nylon pdk B35 jempol telapak (shofa) nylon pj

B10 slipper nylon pj B36 jempol telapak (shofa) nylon tg

B11 slipper nylon tg B37 jempol telapak (shofa) nylon pdk

B12 slipper nylon pdk B38 jempol telapak (muslim) polys pj

B13 sd h kaoxin B39 jempol telapak (muslim) polys tg

B14 smp h kaoxin B40 jempol telapak (muslim) polys pdk

B15 sma h kaoxin B41 long mashika p/h/krem

B16 sd hp kaoxin B42 paskibra vinsaya

B17 smp hp kaoxin B43 jempol polos nylon m

kodeBarang namaBarang kodeBarang namaBarang

B19 sd p kaoxin B45 sport motif / catur polys

B20 smp p kaoxin B46 sport comp

B21 sma p kaoxin B47 sport fe

B22 mk sd h polos B48 sport long rib vjm

B23 mk sd hp polos B49 bola dws

B24 mk sd p polos B50 bola tg

B25 sd pramuka katun B51 mk ladys kids

B26

smp pramuka

katun B52 ladys qino

B53 dws thermal

4. Informasi yang dihasilkan berupa kombinasi item dan nama jenis kaos kaki berdasarkan kodeBarangnya sesuai pada tabel III.4. Hasilnya dapat dilihat pada tabel III.5

Tabel III. 5 Informasi yang dihasilkan dari rule Kombinasi item _{Informasi produk}

B17 ˄B → B Smp hp kaoxin ˄ Sd p kaoxin → Sma hp kaoxin B18 ˄B → B Sma hp kaoxin ˄ Sd p kaoxin → Smp hp kaoxin B18 ˄B → B Sma hp kaoxin ˄ Sd p kaoxin → Smp p kaoxin B18 ˄B → B Sma hp kaoxin ˄ Smp p kaoxin → Sd p kaoxin B19 ˄B → B Sd p kaoxin ˄ Smp p kaoxin → Sma hp kaoxin

B17 → B Smp hp kaoxin → Sma hp kaoxin

B15 → B18 Sma h kaoxin → Sma hp kaoxin

5. Dari tabel informasi yang dihasilkan dari rule maka dijadikan informasi dalam merekomendasikan jenis kaos kaki apa saja yang akan diproduksi lebih dibulan selanjutnya oleh pihak KALVIN SOCKS PRODUCTION akan tetapi tidak berikut dengan jumlahnya karena yang akan menentukan jumlah atau banyaknya adalah pihak KALVIN SOCKS PRODUCTION yang menentukannya. Berikut adalah informasi rekomendasi jenis kaos kaki yang akan diproduksi lebih dibulan selanjutnya :

Smp h kaoxin Smp hp kaoxin Sma hp kaoxin Sd p kaoxin Smp p kaoxin

38

III.4 Analisis Kebutuhan Non-Fungsional

Analisis kebutuhan non fungsional dilakukan untuk mengetahui spesifikasi kebutuhan sistem. Spesifikasi kebutuhan melibatkan analisis perangkat keras (hardware), analisis perangkat lunak (software), dan analisis pengguna (user).

III.4.1 Analisis Kebutuhan Perangkat Keras

Perangkat keras pendukung dalam pembangunan perangkat lunak ini adalah sebagai berikut :

1. Analisis spesifikasi kebutuhan perangkat keras pada sistem yang sedang berjalan di Kalvin Socks Production adalah :

a. Processor : Intel Core Duo b. Harddisk : 250 GB

c. Memory : 2GB d. Monitor : 14” e. Keyboard : standard f. Mouse : optical

2. Analisis spesifikasi minimum kebutuhan perangkat keras pada sistem yang akan dibangun membutuhkan :

a. Processor berkecepatan minimal 2Ghz b. Hardisk 1GB untuk penyimpanan data c. Memory 1 GB

d. Monitor e. Keyboard f. Mouse

3. Evaluasi kebutuhan perangkat keras

Dari data spesifikasi perangkat keras yang dimiliki oleh Kalvin Socks Production seperti diatas, perangkat keras yang telah dimiliki sudah cukup untuk dapat menjalankan aplikasi pengolahan data penjualan yang akan dibuat.

III.4.2 Analisis Kebutuhan Perangkat Lunak

Kebutuhan perangkat lunak pendukung sangatlah penting bagi pembangunan perangkat lunak yang sedang dirancang. Perangkat lunak pendukung dalam pembangunan perangkat lunak ini adalah sebagai berikut :

1. Analisis kebutuhan perangkat lunak pada sistem yang sedang berjalan di Kalvin Socks Production adalah :

a. Sistem operasi Windows 7 b. Microsoft office

2. Analisis spesifikasi kebutuhan perangkat lunak untuk menjalankan sistem yang akan dibangun adalah :

a. Sistem Operasi Windows 7 b. XAMPP sebagai database server c. Visualstudio 2010

3. Evaluasi kebutuhan perangkat lunak

Berdasarkan analisis spesifikasi perangkat lunak yang ada di Kalvin Socks Production, spesifikasi perangkat lunak yang akan digunakan sudah memadai

III.4.3 Analisis User (Pengguna)

Analisis user dibuat untuk mengetahui siapa saja dan seperti apa saja karakteristik yang dimiliki oleh orang yang dapat menggunakan aplikasi yang akan dibuat. Untuk lebih jelas mengenai karakteristik pengguna, dapat dilihat pada tabel III.6

Tabel III. 6 Karakteristik Pengguna

Pengguna Tanggung

jawab Hak akses

Tingkat Pendidikan

Tingkat

Keterampilan Pengalaman

User mengoperasikan

aplikasi sesuai dengan tugas yang diberikan

Melakukan kegiatan yang berhubungan dengan isi tampilan yang ada pada aplikasi Minimal Sekolah Menengah Atas (SMA) Memahami konten yang tersedia pda program aplikasi Minimal mampu mengoperasikan komputer

40

III.5 Analisis Kebutuhan Fungsional

Analisis kebutuhan fungsional bertujuan untuk perancangan terhadap aplikasi yang akan dibangun. Aplikasi yang akan dibangun menggunakan pendekar berorientasi objek dengan menggunakan pemodelan UML. Pemodelan yang akan digunakan untuk memodelkan terdiri dari diagram use case, sequence diagram, activity diagram, dan class diagram.

III.5.1 Diagram Use Case

Use case atau diagram use case merupakan pemodelan untuk kelakuan (behavior) sistem yang akan dibuat. Diagram use case yang terdapat pada sistem yang akan dibangun terdiri dari satu user dan sepuuluh use case. Diagram use case dapat dilihat pada gambar III.1 Dan penjelasan user dan use case dapat dilihat pada Tabel III.7 dan Tabel III.8

Gambar III. 1 Diagram Use Case PadaSistem Data MiningdiKalvin Socks Production

Tabel III. 7 Definisi User

User Deskripsi

User Bertugas untuk melakukan import data, menginputkan nilai minimum support dan minimum confidence.

Tabel III. 8 Deskripsi Use Case

No Use Case Deskripsi

1 Import Data Sistem mengharuskan user yang belum melakukan import data untuk melakukan import data terlebih dahulu lalu menyimpan data data tersebut kedalam database

2 Preprocessing Data yang sudah berada pada database kemudian dilakukan proses data selection dan data cleaning 3 Data Selection Sistem melakukan pemilihan atribut NoNota dan

kodeBarang jika user sudah melakukan import data 4 Data Cleaning Sistem melakukan pembersihan data pada NoNota

yang mengandung kodeBarang tunggal jika user sudah melakukan import data dan data selection 5 Proses Asosiasi Sistem melakukan proses pencarian frequent

itemset, rule, melihat hasil asosiasi dan menampilkan informasi. Sedangkan user menginputkan nilai minimum support dan confidence sebagai parameter.

6 Input parameter User menginputkan nilai minimum support dan minimum confidence sebagai parameter

7 Frequent itemset Sistem melakukan pencarian kombinasi kaos kaki sesuai dengan nilai support yang diinputkan oleh user

8 Rule Sistem membuat rule sesuai kombinasi kaos kaki yang telah didapatkan pada frequent itemset. Lalu rule diseksi sesuai nilai minimum confidence yang diinputkan oleh user

9 Lihat hasil asosiasi Sistem menampilkan kombinasi jenis kaos kaki yang memenuhi nilai minimum support dan minimum confidence.

10 Rekomendasi produksi Menampilkan informasi jenis kaos kaki apa saja yang akan diproduksi lebih dibulan selanjutnya

42

III.3.2.1 Skenario Use Case

Skenario use case menjelaskan skenario dari setiap proses yang digambarkan pada diagram use case. Berikut ini skenario use case dari gambar III.1.

1. Skenario Use Case Import Data

Skenario use case import data menggambarkan langkah – langkah aksi user terhadap sistem untuk melakukan import data transaksi penjualan yang akan disimpan ke dalam database. Skenario use case import data dapat dilihat pada tabel III. 9 Requirement A.1 dan tabel III.10. Skenario Use Case Import Data.

Tabel III. 9 Requirement A.1

Requirement A.1

Sistem menyediakan fasilitas import data untuk melakukan import data terlebih dahulu sebelum melakukan preprocessing dan proses asosiasi

Tabel III. 10 Skenario Use Case Import Data Use case Name Import Data

Related Requirements Requirement A.1

Goal In Context Import data transaksi penjualan dan menyimpannya ke dalam database

Precondition User menyiapkan data transaksi Successful End

Condition

Data transaksi berhasil disimpan ke dalam database Failed End Condition Data transaksi tidak berhasil disimpan ke dalam

database

Actors User

Triger User memasukan data transaksi

Included Cases -

Main Flow Step Action

1 User memasukan data transaksi penjualan 2 Sistem melakukan proses validasi format file

terhadap masukan

3 Sistem menampilkan data transaksi

4 User melakukan request kepada sistem untuk menyimpan data transaksi kedalam database 5 Sistem melakukan validasi terdapat data 6 Sistem menyimpan data transaksi kedalam

Extension Step Branching Action

3.1 Menampilkan notifikasi kesalahan terhadap masukan

6.1 Menampilkan notifikasi kesalahan pada data

2. Skenario Use Case Preprocesing

Skenario use case preprocessing menjelaskan langkah-langkah user terhadap sistem untuk melakukan proses data selection dan data cleaning. Skenario use case preprocesing dapat dilihat pada table III.11 Requirement A.2 dan tabel III.12 Skenario Use Case Preprocesing.

Tabel III. 11 Requirement A.2

Requirement A.2

Sistem menyediakan fasilitas preprocesing untuk melakukan data selection dan data cleaning

Tabel III. 12 Skenario UseCasePreprocesing Use case Name Preprocesing

Related Requirements Requirement A.1, Requirement A.2

Goal In Context Sistem melakukan proses data selection dan data cleaning

Precondition Data transaksi telah disimpan didalam database Successful End

Condition

Sistem berhasil melakukan proses data selection dan data cleaning

Failed End Condition Sistem tidak berhasil melakukan proses data selection dan data cleaning

Actors User

Triger User melakukan request proses data selection dan data cleaning kepada sistem

Included Cases Data selection dan data cleaning

Main Flow Step Action

1 User melakakukan request data selection 2 Sistem melakukan proses data selection 3 Sistem menampilkan data hasil data

selection

4 User melakakukan request data cleaning 5 Sistem melakukan proses data cleaning 6 Sistem menampilkan data hasil data

cleaning

Extension Step Branching Action

44

3. Scenario Use Case Data Selection

Skenario use case data selection menggambarkan langkah-langkah user terhadap sistem melakukan pemilihan atribut terhadap data transaksi yang telah melewati proses import data. Skenario use case data selection dapat dilihat pada tabel III.13.

Tabel III. 13Skenario Use Case Data Selection Use case Name Data selection

Related Requirements Requirement A.1, Requirement A.2

Goal In Context Sistem melakukan pemilihan atribut NoNota dan kodeBarang

Precondition Data transaksi telah disimpan didalam database Successful End

Condition

Sistem berhasil memilih atribut NoNota dan kodeBarang

Failed End Condition Sistem tidak berhasil memilih atribut NoNota dan kodeBarang

Actors User

Triger User melakukan request data selection kepada sistem

Included Cases -

Main Flow Step Action

1 User melakukan request data selection kepada sistem

2 Sistem melakukan pemilihan atribut NoNota dan kodeBarang

3 Sistem menyimpan hasil pemilihan atribut kedalam database

4 Sistem menampilkan data hasil pemilihan atribut

Extension Step Branching Action

- -

4. Skenario Use Case Data Cleaning

Skenario use case data cleaning menggambarkan langkah-langkah user terhadap sistem melakukan pembersihan terhadap NoNota yang hanya mempunya 1 kodeBarang dan telah melewati proses selection. Skenario use case data cleaning dapat dilihat pada tabel III.14.

Tabel III. 14Skenario Use Case Data Cleaning Use case Name Data Cleaning

Related Requirements Requirement A.2

Goal In Context Sistem melakukan pemberishan pada atribut NoNota yang hanya mempunyai 1 kodeBarang Precondition Sudah melalu proses data selection

Successful End Condition

Sistem berhasil melakukan pemberishan pada atribut NoNota yang hanya mempunyai 1 kodeBarang

Failed End Condition Sistem tidak berhasil melakukan pemberishan pada atribut NoNota yang hanya mempunyai 1 kodeBarang

Actors User

Triger User melakukan request data cleaning kepada sistem

Included Cases -

Main Flow Step Action

1 User melakukan request data cleaning kepada sistem

2 Sistem melakukan pemberishan pada atribut NoNota yang hanya mempunyai 1 kodeBarang

3 Sistem menyimpan hasil cleaning kedalam database

4 Sistem menampilkan data hasil proses data cleaning

Extension Step Branching Action

- -

5. Skenario Use Case Proses Asosiasi

Skenario use case proses assosiasi menggambarkan langkah-langkah aksi user terhadap sistem dalam melakukan proses frequent itemset, rule, dan melihat hasil asosiasi. Skenario use case proses asosiasi dapat dilihat pada tabel III.15 Requirement A.3 dan tabel III.skenario 16 Use Case Proses Asosiasi

Tabel III. 15 Requirement A.3

Requirement A.3

Sistem menyediakan fasilitas input parameter untuk mengisi nilai minimum support dan minimum confidence.

46

Tabel III. 16 Skenario Use Case Proses Asosiasi Use case Name Proses Asosiasi

Related Requirements Requirement A.1, Requirement A.2, Requirement A.3

Goal In Context Sistem mendapatkan rule lalu menampilkan rule tersebut

Precondition telah melakukan proses import data dan preprocessing

Successful End Condition

Sistem berhasil mendapatkan rule lalu menampilkan rule tersebut

Failed End Condition Sistem tidak berhasil mendapatkan rule untuk dijadikan informasi

Actors User

Triger User memasukan nilai minimum support dan minimum confidence

Included Cases Input parameter, Frequent itemset, rule, lihat hasil asosiasi, dan rekomendasi produksi

Main Flow Step Action

1 Userinput nilai minimum support 2 Userinput nilai minimum confidence 3 Sistem melakukan proses pencarian

frequent itemset sesuai nilai minimum support

4 Sistem melakukan proses seleksi rule sesuai nilai minimum confidence

5 Sistem melakukan proses lihat hasil asosiasi

6 Sistem melakukan proses menampilkan informasi

Extension Step Branching Action

1.1 Sistem menampilkan notifikasi nilai minimum support yang diinputkan tidak sesuai

2.1 Sistem menampilkan notifikasi nilai minimum confidence yang diinputkan tidak sesuai

3.1 Sistem tidak mendapatkan frequentitemset 4.1 Sistem tidak mendapatkan rule

5.1 Sistem tidak menampilkan hasil 6.1 Sistem tidak menampilkan informasi

6. Skenario UseCaseInput Parameter

Skenario use case input parameter menggambarkan langkah-langkah aksi user terhdap sistem dalam melakukan input nilai minimum support sebagai parameter dalam pencarian frequent itemset. Skenario use case minimum support dapat dilihat pada tabel III.17

Tabel III. 17 Skenario Use CaseMinimum Support

Use case Name Minimum support

Related Requirements Requirement A.3

Goal In Context Sistem mendapatkan nilai minimum support dan minimum confidence

Precondition User menginputkan nilai minimum support dan minimum confidence

Successful End Condition

Sistem berhasil mendapatkan nilai minimum support dan minimum confidence

Failed End Condition Sistem tidak berhasil mendapatkan nilai minimum support dan minimum confidence

Actors User

Triger User menginputkan nilai minimum support dan minimum confidence

Included Cases Frequent itemset

Main Flow Step Action

1 Sistem mencari nilai rekomendasi minimum support

2 Sistem menampilkan rekomendasi nilai minimumsupport

3 User dapat menggunakan rekomendasi nilai minimum support

4 User dapat mengubah nilai minimum support dan dapat menginputkan nilai minimum support

5 Validasi inputan

6 Sistem mendapatkan nilai minimum support

7 User menginputkan nilai minimum confidence

8 Sistem melakukan validasi inputan nilai minimum confidence

9 Sistem mendapatkan nilai minimum confidence

48

Extension Step Branching Action

6.1 Sistem menampilkan notifikasi nilai minimum support yang diinputkan tidak sesuai

9.1 Sistem menampilkan notifikasi nilai minimum confidence yang diinputkan tidak sesuai

7. Scenario Use CaseFrequent Itemset

Skenario use case frequent itemset menggambarkan langkah-langkah aksi user terhadap sistem dalam melakukan proses pencarian frequent itemset. Skenario use case frequent itemset dapat dilihat pada tabel III.18

Tabel III. 18 Skenario Use Case Frequent Itemset Use case Name Frequent itemset

Related Requirements Requirement A.3

Goal In Context Sistem melakukan pencarian frequent itemset Precondition Telah melakukan proses input parameter Successful End

Condition

Sistem berhasil melakukan pencarian frequent itemset

Failed End Condition Sistem tidak berhasil melakukan pencarian frequent itemset

Actors User

Triger User menginputkan nilai minimum support dan minimum confidence

Included Cases rule

Main Flow Step Action

1 User melakukan proses input parameter 2 Sistem mengambil data hasil proses

cleaning dari database

3 Sistem membuat matrix 2 dimensi

4 Sistem melakukan transformasi data yang bermula dari database ke dalam bentuk matrix

5 data dalam bentuk matrix

6 Sistem mencari k-frequent n-itemset 7 Melakukan cross produk

8 mencari nilai support menggunakan operan AND

Main Flow Step Action

9 menghitung nilai support count dari setiap kolom dan count setiap barisnya

10 mengeleminasi setiap kolom yang jumlah support countnya < minimum support dan menghapus setiap baris yang jumlah barisnya <= n

11 Sistem melakukan cek matrix

12 Sistem mendapatkan frequent n-itemset 13 Proses pencarian frequent itemset selesai

Extension Step Branching Action

1.1 Sistem menampilkan notifikasi nilai minimum support yang diinputkan tidak sesuai

12.1 Ulangi step 6 sampai step 11 jika matrix not null

12.2 Tidak mendapatkan frequent n-itemset 8. Skenario Use CaseRule

Skenario use case rule menggambarkan langkah-langkah aksi user untuk melakukan proses pembuatan rule. Skenario use case rule dapat dilihat pada tabel III.19

Tabel III. 19 Skenario Use Case Rule

Use case Name Rule

Related Requirements Requirement A.3

Goal In Context Sistem mendapatkan rule

Precondition Sudah melewati proses frequent itemset Successful End

Condition

Sistem berhasil mendapatkan rule Failed End Condition Sistem tidak berhasil mendapatkan rule

Actors User

Triger User menginputkan nilai minimum confidence Included Cases Lihat hasil asosiasi

Main Flow Step Action

1 User melakukan proses input nilai minimum confidence

2 Sistem mengambil data hasil pencarian frequent itemset

95

DAFTAR PUSTAKA

[1]. Deasy Rusmawati. “Penerapan Data Mining Pada Penjualan Produk Kaos Kaki Di Pabrik Kalvin Socks Production Menggunakan Metode Association” Unikom, 2015

[2]. Vivul Mangla, Chandni Sarda, Sarthak Marda. “Improving The Efficiency Of Apriori Algorithm In Data Mining”. International Journal of Engineering and Innovative technology(IJEIT) Volume III Issue III , Year 2013

[3]. Moh.Nazir. (2011). Metode Penelitian. (R. Sikumbang, Ed.) Bogor: Ghalia Indonesia.

[4]. Pressman, R. S. (2010). Software Engineering A Practitioner’s Approach Seventh Edition. United States: McGraw-Hill.

[5]. IBM Corp. (2011).,IBM SPSS Modeler CRISP-DM Guide. USA

[6]. Han & Kamber. (2006). Data Mining Concepet And Technique Second Edition. San Fransisco: TheMorgan Kaufmann.

[7]. Krisdianto, N & Arymurthy, A.N. “Improved Apriori Berbasis Matrix Dengan Incremental Database Untuk Market Basket Analysis” Universitas Indonesia

[8]. Russ Miles & Kim Hamilton. (2006). A Pragmatic Intoduction to UML, Frist Edition, United States of America : O’reilly.

[9]. Dyer, R. J. (2008). MYSQL IN A NUTSHELL, Second Edition. United States of America : O’reilly.

[10]. Freeman, A. (2010). Introduction Visual C# 2010. United States of America : APRESS.

iii

KATA PENGANTAR

Asslaamu’alaikum wr.wb,

Alhamdulillahi Rabbil alamiin, segala puji dan syukur kita panjatkan kepada Allah SWT atas berkat, rahmat, taufik dan hidayah-Nya, penyusunan skripsi yang berjudul “PENERAPAN IMPROVED APRIORI PADA APLIKASI DATA MINING DI PERUSAHAAN KALVIN SOCKS PRODUCTION” dapat diselesaikan dengan baik.

Adapun tujuan dari penyusunan skripsi ini adalah untuk memenuhi salah satu syarat dalam menyelesaikan studi jenjang strata satu (S1) di Program Studi Teknik Informatika Universitas Komputer Indonesia.

Penulis menyadari bahwa dalam proses penulisan skripsi ini banyak mengalami kendala, namun berkat bantuan, bimbingan, kerjasama dari berbagai pihak dan berkah dari Allah SWT sehingga kendala-kendala yang dihadapi dapat diatasi. Untuk itu penulis menyampaikan rasa hormat dan terima kasih sebesar-besarnya kepada :

1. Allah SWT yang telah mencurahkan rahmat dan hidayah-Nya hingga detik ini.

2. Deasy Rusmawati yang telah memberikan izin untuk mengembangkan peneletiannya.

3. Ibu Dian Dharmayanti, S.T., M.Kom. selaku dosen pembimbing sekaligus dosen wali yang telah meluangkan waktu, tenaga, pikiran, memberikan motivasi, arahan dan saran serta ilmu pengetahuannya kepada penulis dalam penyusunan skripsi ini.

4. Bapak Adam Mukharil Bachtiar, S.Kom., M.T. selaku dosen penguji I yang telah memberikan saran serta kritiknya dalam penyusunan skripsi ini.

5. Ibu Yeni Meilawati, S.E. yang telah menerima penulis untuk melakukan penelitian di perusahaan Kalvin Socks Production.

iv

Selain itu tidak lupa penulis ucapkan terima kasih yang sebesar-besarnya dan penghargaan yang setinggi-tingginya kepada :

1. Ibunda Ina Mulyana dan Ayahanda Tatang Riana, serta adik tercinta Novi, Diyas, dan Alvi yang telah tulus selalu mendoakan, memberikan dorongan moril dan materil, masukan, perhatian, dukungan sepenuhnya, dan kasih sayang yang tidak ternilai dan tanpa batas yang telah kalian berikan

2. Kepada teman-teman kelas IF-2 angkatan 2010 atas dukungan dan kebersamaannya, terutama untuk M. Fajar Ramadhani, Fahmi Fathurahman, M. Farisalmatin dan Resa Tresnadi yang telah bersedia meluangkan waktunya untuk berbagi pendapat dengan penulis dalam menyelesaikan skripsi ini. 3. Kepada teman-teman satu bimbingan Ibu Dian Dharmayanti, S.T., M.Kom.

atas dukungan dan kebersamaannya untuk penulis dalam menyelesaikan skripsi ini.

4. Kepada Heni Mulyani atas doa dan dukungan yang diberikan untuk penulis dalam menyelesaikan skripsi ini.

5. Semua pihak yang tidak dapat penulis sebut satu persatu yang telah membantu dalam penyelesaian penulisan skripsi ini.

Keterbatasan kemampuan, pengetahuan dan pengalaman penulis dalam pembuatan skripsi ini masih jauh dari kesempurnaan. Untuk itu penulis akan selalu menerima segala masukan yang ditujukan untuk menyempurnakan skripsi ini. Akhir kata penulis mengharapkan semoga skripsi ini dapat bermanfaat serta manambah wawasan pengetahuan baik bagi penulis sendiri maupun bagi pembaca pada umunya,

Bandung, 20 Februari 2016