Analisa dan perancangan data mining dengan metode market basket analysis untuk analisa pola belanja konsumen pada tendencies store

11

PADA

TENDENCIES

STORE

Friday Kurniasih 2060 9300 4112

PROGRAM STUDI SISTEM INFORMASI

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI

SYARIF HIDAYATULLAH

JAKARTA

2011 / 1433 H

ABSTRAK

Friday Kurniasih, Analisa Dan Perancangan Data Mining Dengan Metode

Market Basket Analysis Untuk Analisa Pola Belanja Konsumen Pada Tendencies

Store, dibimbing oleh Ir. Bakrie La Katjong, MT, M.Kom, dan Nia Kumala Dewi , MMSi

Perkembangan teknologi komputasi dan media penyimpanan telah memungkinkan manusia untuk mengumpulkan dan menyimpan data dari berbagai sumber dengan jumlah yang besar. Fenomena tersebut dapat terjadi dalam berbagai bidang kehidupan termasuk dalam dunia bisnis. Salah satu sumber informasi yang dapat digunakan untuk membantu kegiatan penjualan perusahaan adalah sistem database. Cara lain untuk mendapatkan informasi berharga dari data transaksi adalah dengan menggunakan metode data mining. Saat ini database

yang dimiliki oleh Tendencies Store belum dimanfaatkan secara optimal. Kondisi ini mengakibatkan banyak data yang tersimpan tetapi sedikit informasi yang bisa digunakan untuk mendukung pengambilan keputusan yang strategis. Tendencies

Store memerlukan tambahan data bagi manager untuk melakukan pembuatan keputusan strategi yang mampu meningkatkan profit perusahaan. Hal tersebut yang melatar belakangi penulis untuk membuat sistem data mining yang berfungsi untuk mensimulasikan assosiasi item product antara satu product dengan item

product lainnya. Data yang di pakai sebagai bahan pengolahan berasal dari data transaksi Tendencies Store. Sistem data mining ini dikembangkan memakai metode pengembangan sistem Rapid Application Development (RAD) dengan pemodelan visual menggunakan Unified Modeling Languange (UML). Pada akhirnya, sistem ini digunakan untuk memberikan simulasi mengenai aturan assosiasi item untuk mengetahui pola belanja konsumen.

KATA PENGANTAR

Bismillahirrahmannirrahiim

Segala puji dan syukur penulis panjatkan kepada Allah SWT, Yang Maha Kuasa dan telah memberikan berkah dan anugerahNya kepada penulis sehingga penulis mampu melaksanakan tugas untuk menyelesaikan skripsi ini dengan sebaik-baiknya. Shalawat serta salam tak lupa juga penulis haturkan kepada junjungan kita Nabi Besar Muhammad SAW.

Skripsi ini penulis buat sebagai syarat kelulusan dalam menempuh pendidikan jenjang Strata-1 (S1) di Universitas Islam Negeri Syarif Hidayatullah Jakarta. Selain itu juga penulis berharap apa yang penulis teliti, yang dijelaskan di dalam skripsi ini, dapat dipergunakan dengan baik oleh semua pihak yang membutuhkan, sehingga perkembangan ilmu pengetahuan dan teknologi khususnya di Program Studi Sistem Informasi UIN Syarif Hidayatullah Jakarta dapat lebih maju dan lulusannya dapat bekerja secara kooperatif dengan semua elemen informatika dari seluruh dunia.

Pada kesempatan ini, penulis mengucapkan terima kasih kepada pihak-pihak yang telah membantu penulis menyelesaikan skripsi ini :

1. Bapak Dr. Syopiansyah Jaya Putra M.Sis selaku Dekan Fakultas Sains dan Teknologi.

2. Ibu Nur Aeni Hidayah, MMSi, selaku ketua Program Studi Sistem Informasi Non-Reguler.

3. Nia Kumaladewi, MMSi selaku Dosen Pembimbing I dan Ir. Bakri La Katjong, MT, M.Kom selaku Dosen Pembimbing II.

4. Bapak dan Ibu penguji yang memberikan kritik dan saran pada skripsi ini. 5. Dosen-Dosen Fakultas Sains dan Teknologi yang telah mengajarkan

kepada penulis berbagai macam ilmu yang dapat penulis terapkan dalam penulisan skripsi ini.

6. Kedua orang tua penulis, Bapak Drs. Wassidi, S.Pol dan Ibu Poentowati, yang telah memberikan dukungan moril, semangat dan materil sehingga memperlancar proses penyusunan skripsi ini.

7. Ketiga kakak – kakak penulis , Alim Widodo, SE, Dewi hestina wassidi, S.Pol, dan Fery Dayanti yang telah menjadi tempat penulis melepaskan penat dalam penyusunan Skripsi ini.

8. Teman-Teman seperjuangan TI-SI UIN 2006, terima kasih atas dukungan kalian semua.

9. Kerabat terdekat M.Arief Putranto, S.kom , bapak Taufik Sutanto , dan semua pihak yang tidak dapat penulis sebutkan satu persatu.

Penulis menyadari masih terdapat banyak kekurangan dalam penelitian ini, baik penulisan maupun aplikasinya sendiri. Oleh karena itu penulis mengharapkan saran dan kritik yang dapat membangun skripsi ini lebih baik lagi.

Jakarta, Desember 2011

PERNYATAAN

DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENAR-BENAR HASIL KARYA SENDIRI YANG BELUM PERNAH DIAJUKAN SEBAGAI SKRIPSI ATAU KARYA ILMIAH PADA PERGURUAN TINGGI ATAU LEMBAGA MANAPUN.

Jakarta, Desember 2011

FRIDAY KURNIASIH 2060 9300

DAFTAR ISI

BAB I PENDAHULUAN

1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 4

1.3 Batasan Masalah ... 4

1.4 Tujuan Penelitian ... 5

1.5 Manfaat Penelitian... 6

1.6 Metodologi Penelitian ... 7

1.6.1 Metode Pengumpulan Data ... 7

1.6.1.1Studi Lapangan ... 7

1.6.1.2Literatur Sejenis ... 8

1.6.2 Metode Pengembangan Sistem ... 8

1.6.3 Metode Analisa Data ... 9

1.7 Sistematika Penulisan ... 9

BAB II LANDASAN TEORI 2.1 Pengertian Pola Belanja Konsumen ... 11

2.1.1 Faktor – Faktor yang Mempengaruhi Pola Belanja Konsumen 11 2.2 Pengertian Data Mining ... 12

2.3 Tahapan Data Mining... 14

2.4 Model Data Mining ... 17

2.4.2 Model Deskripsi ... 17

2.5 Jenis Pembelajaran Data Mining ... 18

2.6 Metode Data Mining ... 19

2.6.1 Classification ... 19

2.6.2 Regression ... 20

2.6.3 Clustering ... 21

2.6.4 Association Rules ... 22

2.7 Algoritma Apriori ... 24

2.8 Database Management System (DBMS) ... 28

2.8.1 Software DBMS ... 29

2.8.2 Keuntungan DBMS ... 29

2.8.3 Kelemahan DBMS ... 30

2.9 Web Server ... 31

2.9.1 Definisi Web Server ... 31

2.9.2 Macam-macam Web Server ... 31

2.9.3 Cara Kerja Web Server ... 32

2.10 Perangkat Lunak yang digunakan ... 33

2.10.1 SQL Server 2008 ... 33

2.10.2 Tipe Data dalam SQL Server 2008 ... 34

2.10.3 Batasan SQL Server 2008 ... 35

2.11 Unified Modelling Language (UML) ... 36

2.11.1 Definisi Unified Modelling Language ... 36

BAB III METODOLOGI PENELITIAN

3.1 Lokasi dan Waktu Penelitian ... 47

3.2 Sarana Pendukung Aplikasi ... 48

3.3 Metode Pengumpulan Data ... 48

3.3.1 Observasi ... 48

3.3.2 Wawancara ... 49

3.3.3 Studi Literatur Sejenis ... 50

3.4 Metode Pengembangan Sistem ... 50

3.4.1 Fase Perencanaan Syarat (Requirement Planning) . ... 51

3.4.2 Fase Perancangan (Workshop Design). ... 53

3.4.3 Fase Konstruksi dan Pelaksanaan (Implementation) ... 53

3.5 Metode Analisa Data ... 56

3.6 Gambaran Proses Perancangan dan Analisa Data Mining ... 57

BAB 4 ANALISA DAN PEMBAHASAN 4.1 Fase Perencanaan Syarat (Requirement Planning) ... 58

4.1.1 Gambaran Umum Perusahaan ... 58

4.1.1.1 Sejarah Singkat ... 58

4.1.1.2 VISI dan MISI Tendencies Store... 59

4.1.1.3 Struktur Organisasi ... 60

4.1.2 Analisa Sistem Berjalan ... 60

4.1.2.1 Identifikasi Masalah ... 61

4.1.3 Analisa Sistem Usulan ... 62

4.1.3.2 Tujuan Data Mining... 66

4.2 Workshop Design (Perancangan) ... 67

4.2.1 Desain Sistem ... 68

4.2.1.1 Penentuan Actor ... 68

4.2.1.2 UseCaseDiagram ... 69

4.2.1.3 Use Case Scenario ... 71

4.2.1.4 ActivityDiagram ... 80

4.2.1.5 SequenceDiagram ... 92

4.3 Desain Basis Data ... 116

4.3.1 Identifikasi Objek ... 116

4.3.2 Perancangan Class Diagram ... 119

4.3.3 Struktur Data ... 122

4.4 Desain Antar Muka (User Interface) ... 125

4.4.1 Halaman Admin ... 125

4.4.2 Halaman Untuk Admin, Manager, Customer ... 129

4.4.2 Halaman Manager ... 130

4.5 Fase Konstruksi dan Pelaksanaan ... 130

4.5.1 Penerapan Tahapan Data Mining ... 130

4.5.1.1 Pembuatan Database di Sql Server 2008 ... 131

4.5.1.2 Pembersihan data (data cleaning) ... 134

4.5.1.3 Integrasi Data (Data Integration) ... 136

4.5.1.4 Seleksi data (Data Selection) ... 143

4.5.1.6 Proses DataMining ... 152

4.5.1.6.1 Prinsip Kerja Metode Market Basket Analysis 160 4.5.1.7 Evaluasi Pola (Pattern Evaluation) ... 167

4.5.1.8 Implementasi Aplikasi ... 173

4.5.1.9 Pengujian Web Cross-Sell Application ... 176

4.5.1.10 Implementasi Jaringan ... 177

BAB V KESIMPULAN DAN SARAN 5.1 KESIMPULAN ... 179

5.2 SARAN ... 180

Gambar 2.1 Faktor-faktor yang mempengaruhi tingkah laku Konsumen ... 12

Gambar 2.2 Tahapan-tahapan DataMining ... 16

Gambar 2.3 Contoh Clustering ... 22

Gambar 2.4 Contoh Algoritma Apriori ... 26

Gambar 2.5 Flowchart Ilustrasi Algoritma Apriori ... 28

Gambar 2.6 Contoh UseCaseDiagram ... 38

Gambar 2.7 Contoh ClassDiagram ... 39

Gambar 2.8 Contoh ActivityDiagram ... 40

Gambar 2.9 Contoh SequenceDiagram ... 41

Gambar 3.1 Tahapan-tahapan RAD ... 51

Gambar 3.2 Ilustrasi Proses Penelitian ... 57

Gambar 4.1 Struktur Organisasi Tendencies ... 60

Gambar 4.2 Proses Pengolahan Data Transaksi... 61

Gambar 4.3 Proses Pengolahan Data Transaksi Sistem Usulan ... 64

Gambar 4.4 Use Case Diagram Web Cross Sell Application ... 71

Gambar 4.5 ActivityDiagramUseCaseLogin ... 80

Gambar 4.6 ActivityDiagramUseCaseLogout ... 81

Gambar 4.7 ActivityDiagramUseCaseDataProducts ... 82

Gambar 4.8 ActivityDiagramUseCaseDataBrands ... 84

Gambar 4.9 ActivityDiagramUseCaseDataCategory ... 85

Gambar 4.10 ActivityDiagramUseCaseDataType ... 87

Gambar 4.11 ActivityDiagramUseCase Transaksi ... 88

Gambar 4.12 ActivityDiagramUseCase Laporan ... 90

Gambar 4.13 ActivityDiagramUseCaseSearchItem ... 91

Gambar 4.14 Sequence Diagram Use Case Login ... 91

Gambar 4.15 Sequence Diagram Use Case Logout ... 94

Gambar 4.16 Sequence DiagramUse Case DataProducts ... 95

Gambar 4.17 Sequence Diagram Use Case Data Brands ... 98

Gambar 4.19 Sequence Diagram Data Type ... 101

Gambar 4.20 Sequence Diagram Transaksi ... 103

Gambar 4.21 Sequence Diagram Use Case Laporan ... 105

Gambar 4.22 Sequence Diagram Search Item ... 107

Gambar 4.23 State ChartDiagramLogin ... 108

Gambar 4.24 State ChartDiagram Logout ... 109

Gambar 4.25 State Chart Diagram Data Products ... 110

Gambar 4.26 State Chart Diagram Data Brands ... 111

Gambar 4.27 State Chart Diagram Data Category ... 112

Gambar 4.28 State Chart Diagram Data Type ... 113

Gambar 4.29 State Chart Diagram Data Transaksi ... 114

Gambar 4.30 State Chart Diagram Laporan ... 115

Gambar 4.31 State Chart Diagram Search Item ... 116

Gambar 4.32 Class Diagram ... 120

Gambar 4.33 Desain Antar Muka Halaman Login ... 125

Gambar 4.34 Desain Antar Muka Halaman Data MasterCategory ... 127

Gambar 4.35 Desain Antar Muka Halaman Data MasterType ... 126

Gambar 4.36 Desain Antar Muka Halaman Data MasterBrands ... 127

Gambar 4.37 Desain Antar Muka Halaman Data MasterProducts ... 127

Gambar 4.38 Desain Antar Muka Halaman Data MasterUser ... 128

Gambar 4.39 Desain Antar Muka Halaman Data Transaksi ... 128

Gambar 4.40 Desain Antar Muka About Me ... 129

Gambar 4.41 Desain Antar Muka Halaman Pencarian Data ... 129

Gambar 4.42 Desain Antar Muka Halaman Manager Dashboard ... 130

Gambar 4.43 Manajemen Konfigurasi Sql Server ... 131

Gambar 4.44 KoneksikeBasis Data... 132

Gambar 4.45 Tree View dari skema Sql Server 2008... 133

Gambar 4.46 Pembuatan Basis Data ... 134

Gambar 4.47 Data Awal Transaksi Penjualan Tendencies Store ... 135

Gambar 4.48 Pembersihan dan Pengklasifikasian Data Transaksi ... 136

Gambar 4.50 Wizard Impor dan Ekspor Sql Server 2008 ... 137

Gambar 4.51 Proses Pemilihan Data Sumber ... 138

Gambar 4.52 Proses Pemilihan DataDestination ... 139

Gambar 4.53 Proses Pemilihan Atribut Pengkopian Data ... 140

Gambar 4.54 Proses pemilihan sourcetable and view ... 141

Gambar 4.55 Proses Penyimpanan Langkah-langkah Impor dan Ekspor ... 142

Gambar 4.56 Proses Penyelesaian Impor dan Ekspor Data ... 142

Gambar 4.57 SQL Server Business Intelligence Development ... 143

Gambar 4.58 Proses PembuatanProyek Analysis Service baru ... 144

Gambar 4.59 Proses Pembuatan Data Source ... 145

Gambar 4.60 Proses Pemilihan Data Source untuk Koneksi Data Mining ... 146

Gambar 4.61 Manajemen Koneksi Basis Data ... 147

Gambar 4.62 Impersonation Information ... 148

Gambar 4.63 Proses Penyelesaian Pembuatan Data Source ... 148

Gambar 4.64 Proses Pembuatan Data Source View ... 149

Gambar 4.65 Proses Pemilihan Data Source untuk Data Source View ... 150

Gambar 4.66 Proses Pemilihan Relasi Primary Key ... 150

Gambar 4.67 Proses Pemilihan Table dan View ... 151

Gambar 4.68 Proses Penyelesaian Pembuatan Data Source View ... 152

Gambar 4.69 Proses Pembuatan Data Mining ... 153

Gambar 4.70 Proses Pemilihan Struktur Data Mining ... 154

Gambar 4.71 Proses Pemilihan Teknik Data Mining ... 155

Gambar 4.72 Proses Pemilihan Data SourceView ... 156

Gambar 4.73 Proses Pemilihan Tabel Database ... 157

Gambar 4.74 Proses Pemilihan Columns Basis Data ... 158

Gambar 4.75 Proses Penyelesaian Data Mining ... 158

Gambar 4.76 Proses Pembuatan Set Pengujian Data ... 159

Gambar 4.77 Proses Pembuatan Model DataMining ... 160

Gambar 4.78 Hasil proses Pembuatan Mining Model ... 167

Gambar 4.79 Hasil Proses DataMining Tendencies Store ... 168

Gambar 4.81 Hasil 1-itemsetData Mining Tendecies Store ... 170

Gambar 4.82 Hasil 2-itemsetData Mining Tendecies Store ... 171

Gambar 4.83 Antar MukaHalaman Utama Web Cross-Sell Application ... 173

Gambar 4.84 AntarMukaHalaman Administrator ... 174

Gambar 4.85 AntarMukaHalamanManajer ... 174

Gambar 4.86 Contoh Hasil Web Cross-Sell Application ... 175

DAFTAR TABEL

Tabel 2.1 Contoh Data Kredit Bank ... 19

Tabel 2.2 Contoh Data Harga Rumah ... 21

Tabel 2.3 Tipe Data Sql Server 2008 ... 35

Tabel 2.4 Batasan dalam SQL Server 2008 ... 36

Tabel 2.5 Perbandingan Pengembangan Literatur Sejenis ... 43

Tabel 4.1 Daftar Permodelan Use Case Diagram ... 70

Tabel 4.2 Use Case Scenario untuk Use Case Login ... 72

Tabel 4.3 Use Case Scenario untuk Use Case Logout ... 72

Tabel 4.4 Use Case Scenario untuk Use Case Data Products ... 73

Tabel 4.5 Use Case Scenario untuk Data Brands ... 74

Tabel 4.6 Use Case Scenario untuk Use Case Data Category ... 75

Tabel 4.7 Use Case Scenario untuk Use Case Data Type ... 76

Tabel 4.8 Use Case Scenario untuk Use Case Data Transaksi ... 77

Tabel 4.9 Use Case Scenario untuk Use Case Laporan ... 78

Tabel 4.10 Use Case Scenario untuk Use Case Search Item... 79

Tabel 4.11 Daftar Objek ... 117

Tabel 4.12 Analisis Daftar Obyek ... 118

Tabel 4.13 Daftar class yang diusulkan ... 119

Tabel 4.14 Tabel Database tb_brand ... 122

Tabel 4.15 Tabel Database tb_type ... 123

Tabel 4.16 Tabel Database tb_categories ... 123

Tabel 4.17 Tabel Database tb_product ... 124

Tabel 4.18 Tabel Database tb_transactions ... 124

Tabel 4.19 Frekuensi Kombinasi 1-Itemset ... 162

Tabel 4.20 C1 (kandidat 2-itemset) ... 162

Tabel 4.22 C2 (kandidat 3-itemset) ... 164 Tabel 4.23 Frekuensi Kombinasi 2-Itemset ... 165

DAFTAR SIMBOL

SIMBOL FLOWCHART (Pressman, 2005)

Simbol Nama Simbol Keterangan

Simbol dokumen

Dokumen yang berupa kertas, misalnya: Hasil

print out dan formulir

Simbol disk atau drum

disk atau drum yang merupakan direct acces storage

untuk input atau output.

Simbol hard disk

฀ yang merupakan direct acces storage

untuk input atau

output.

Simbol pita magnetik

yang merupakan

sequensial storage

untuk input atau

output.

Simbol card punch atau card reader

untuk input atau output.

Simbol visual display unit atau

cathode ray tube

sebagai input atau output Simbol Proses Menggambarkan proses Simbol Proses pemecahan (extract) Proses pemecahan (extract) Proses pengurutan Digunakan untuk mengurutkan proses

Proses Manual Proses secara manual

Proses input data melalui desktop

Proses pemasukan data melalui

keyboard Arah data atau

arus data

Arah data atau arus data Sambungan pada halaman yang sama Sambungan pada halaman yang sama Sambungan pada halaman yang berbeda Sambungan pada halaman yang berbeda Sambungan komunikasi Sambungan komunikasi

SIMBOL USE-CASE MODEL DIAGRAMS (Whitten, 2004)

Simbol Keterangan

Actor

Use case

Association

Extends

Uses (includes)

Depends on

Inheritance

Actor1

«uses»

«uses» <<depends on>>

«inherits» «extends»

SIMBOL CLASS DIAGRAM (Whitten, 2004)

Simbol Keterangan

Class 1. class name 2. attributes 3. behaviors

Association

Agregation

Generalization

Class 1

2 3

SIMBOL SEQUENCE DIAGRAM (Whitten, 2004)

Simbol Keterangan

Actor

Object

Lifeline

Massages

Behaviors (operations)

SIMBOL ACTIVITY DIAGRAM (Whitten, 2004)

Simbol Keterangan

Activity

Initiate Activities

Start of the Process

Termination of the Process

Synchronization Bar

BAB I PENDAHULUAN

1.8 Latar Belakang

Perkembangan teknologi komputasi dan media penyimpanan telah memungkinkan manusia untuk mengumpulkan dan menyimpan data dari berbagai sumber dengan jumlah yang besar. Fenomena tersebut dapat terjadi dalam berbagai bidang kehidupan termasuk dalam dunia bisnis.

Tri Lestari (2009) melakukan penelitian dengan menggunakan metode Association Rule yang bertujuan untuk mengetahui implikasi manajerial dari analisis keranjang belanja (market basket analysis) pada Toserba Yogya Banjar. Gregorius dan Soedjianto (2007) melakukan penelitian dengan menggunakan metode market basket analysis, untuk mendeteksi kecurangan dalam absensi pegawai. Algoritma yang dipakai adalah Pincer Search. Leni dan Meti (2010) melakukan penelitian dengan metode market basket analysis dan algoritma apriori. Penelitian ini bertujuan untuk menganalisa keranjang pasar suatu apotek sehingga dapat membantu untuk merancang strategi pemasaran. Sholihah (2009) Penelitian ini menggunakan association rule yang digunakan untuk mengetahui pola hubungan keterkaitan antar data dalam pembiayaan murabahah. Afif (2010) Melakukan

penelitian yang bertujuan untuk membuat sebuah aplikasi data mining menggunakan aturan asosiasi dengan metode apriori. Yogi, Rian dan Gerry (2006) melakukan penelitian yang menyajikan penggunaan data mining dalam menemukan pengetahuan mengenai asosiasi antar jenis item di CV JP Bogor. Pemodelan asosiasi menggunakan algoritma Apriori dan pemrosesannya dibantu dengan software Clementine. Bayu (2010) melakukan penelitian analisis terhadap data transaksi penjualan sebuah perusahaan ritel umum yang bergerak di bidang fotografi, fotokopi, medical imaging, printing, dan telekomunikasi. Keanekaragaman produk ini menghasilkan kemungkinan kombinasi produk yang lebih beragam pula. Gregorius dan Yulia (2009) Pada penelitian ini mereka mengkombinasikan dua macam model rule, yaitu: Multilevel Association Rule serta Multidimesional Association Rule. Aplikasi yang dibuat pada penelitian ini menghasilkan sebuah model association rule baru yang dinamakan "Multilevel And Multidimension Association Rule". Nuqson (2010) Dalam penelitian ini dengan memanfaatkan data induk mahasiswa dan data kelulusan mahasiswa, diharapkan dapat menghasilkan informasi tentang tingkat kelulusan. Khaerudin (2007) Penelitian ini mengenai analisis data mining dalam meningkatkan nilai pelanggan terhadap pembelian produk ornament batu alam menggunakan metode CART.

Dalam dunia bisnis, persaingan antar perusahaan untuk memasarkan produk tidak bisa dilepaskan dari pemanfaatan teknologi informasi. Salah satu sumber informasi yang dapat digunakan untuk membantu kegiatan penjualan perusahaan adalah sistem database. Cara untuk mendapatkan informasi berharga dari data transaksi adalah dengan menggunakan metode data mining. Data Mining merupakan suatu proses otomatis atau semi otomatis untuk menemukan informasi (knowledge) baru yang memiliki potensi dari sekumpulan data (Tang & Jamie, 2005).

Tendencies Store merupakan salah satu distro yang berkembang cukup pesat dengan memiliki cabang sebanyak 2 (dua) lokasi dalam waktu 2 (dua) tahun. Akan tetapi dengan banyaknya distro-distro lainnya yang bermunculan kedua cabang itu terpaksa ditutup dikarenakan kurang dapat bersaing dan sekarang hanya menyisakan satu toko. Untuk mendapatkan keuntungan bisnis dan bertahan dalam menghadapi persaingan tidak cukup dengan cara membuat harga menjadi lebih murah akan tetapi juga dengan cara memberikan kepuasan pada pelanggan. Salah satu cara untuk meningkatkan kepuasan pelanggan adalah dengan cara memberikan potongan harga yang ditetapkan berdasarkan kombinasi item barang atau perusahaan dapat memberikan rekomendasi item barang yang akan di beli oleh pelanggan berdasarkan pola belanja konsumen.

Saat ini database yang dimiliki oleh Tendencies Store belum dimanfaatkan secara optimal. Kondisi ini mengakibatkan banyak data yang tersimpan tetapi sedikit informasi yang bisa digunakan untuk mendukung pengambilan keputusan yang strategis. Informasi yang dapat dihasilkan adalah informasi mengenai aturan assosiasi item untuk mengetahui pola belanja konsumen.

Oleh karena itu pada penelitian tugas akhir ini penulis mengambil judul ”Analisa Dan Perancangan Data Mining Dengan Metode Market Basket Analysis Untuk Analisa Pola Belanja Konsumen pada Tendencies Store“ .

Diharapkan hasil dari penelitian ini dapat membantu peran pengambil keputusan (manager) pada Tendencies Store dalam menganalisa data transaksi penjualan untuk mendukung pembuatan kebijakan maupun perencanaan strategi pemasaran yang efektif.

1.9 Rumusan Masalah

Pada tugas akhir ini, masalah yang penulis rumuskan adalah : Bagaimana merancang data mining pada perusahaan Tendencies Store untuk memperoleh pola belanja konsumen ?

1.10 Batasan Masalah

1. Pengolahan data transaksi dilakukan dengan menggunakan Database Management System yang digunakan adalah MS-SQL Server 2008. menggunakan 6 tahapan Data Mining.

2. Analisa data dilakukan dengan menggunakan metode Market Basket Analysis atau yang lebih dikenal sebagai analisa pola belanja konsumen. Hasil analisa ini kemudian dapat dibuat menjadi laporan berupa hardcopy (cetak) ataupun on-screen (dapat dilihat di layar komputer).

3. Akses informasi yang diberikan kepada customer maupun internal Tendencies Store adalah berupa aplikasi berbasiskan web yang hanya dapat di akses di Tendecies Store atau yang biasa disebut sebagai intranet.

4. Data yang digunakan adalah data transaksi penjualan pada Tendencies Store pada tanggal 14 Mei sampai dengan 20 Mei 2010 5. Bahasa pemrogaman pada tugas akhir ini menggunakan VB.Net

2008.

6. Metode pengumpulan data menggunakan observasi, wawancara dan studi literatur.

7. Penulisan tugas akhir ini tidak membahas tentang keamanan database dan arsitektur jaringan yang dipakai secara mendetail. 8. Sistem ini merupakan simulasi dari data transaksi yang ada di

9. Penulisan tugas akhir ini tidak membandingkan antara metode data mining satu dengan metode lainya.

1.4 Tujuan Penelitian

1. Menggali informasi dan melakukan analisa data mining dengan metode Market Basket Analysis untuk mengetahui aturan assosiasi item dari data transaksi penjualan Tendencies Store sehingga manajer mendapatkan informasi lebih yang dapat digunakan untuk pengambilan keputusan atau kebijakan strategis perusahaan

2. Menampilkan hubungan assosiasi item dalam bentuk web cross-sell application sederhana yang dapat digunakan oleh customer untuk mengetahui item item yang saling berkaitan.

1.5 Manfaat Penelitian a. Bagi Penulis

1. Memenuhi tugas akhir sebagai syarat untuk menyelesaikan studi Strata 1 (S-1) Sistem Informasi.

2. Menerapkan pengetahuan mengenai data mining pada kasus nyata.

3. Menambah wawasan penulis tentang teknologi informasi khususnya dalam bidang data mining.

b.Bagi Universitas

1. Mengetahui kemampuan mahasiswa dalam menguasai materi teori yang diperoleh selama kuliah.

2. Mengetahui kemampuan mahasiswa dalam menerapkan ilmunya dan sebagai bahan evaluasi.

3. Memberikan gambaran tentang kesiapan mahasiswa dalam menghadapi dunia kerja dari hasil yang diperoleh selama kuliah.

c. Bagi Perusahaan

1. Memberikan informasi mengenai pola belanja konsumen perusahaan.

2. Sebagai bahan masukan untuk mendukung pengambilan keputusan strategi pemasaran yang efektif.

1.6 Metodologi Penelitian

Metodologi penelitian dilakukan dengan 3 tahapan yaitu metode pengumpulan data, metode pengembangan sistem, metode analisa data.

1.6.1 Metode Pengumpulan Data

Metode pengumpulan data dilakukan dengan dua cara yaitu studi lapangan dan studi literatur sejenis (Gulo, 2002). 1.6.1.1 Studi Lapangan

1. Observasi, studi ini dilakukan dengan mengunjungi Tendencies Store dan melakukan pengamatan langsung kegiatan operasional, serta mengumpulkan informasi melalui data-data yang diberikan untuk memperoleh gambaran pelaksanaan prosedur yang sedang berjalan sehingga diketahui keadaan perusahaan yang sebenarnya.

2. Wawancara, dengan melakukan tanya jawab langsung dengan pihak Tendencies Store. Tujuan dari wawancara ini adalah untuk mengetahui gambaran mengenai pemanfaatan database khususnya data transaksi penjualan. Hasil wawancara dapat dilihat pada halaman lampiran.

1.6.1.2 Literatur Sejenis

Sumber literatur yang dipergunakan di dalam penulisan skripsi ini adalah studi literatur hasil dari penelitian atau hasil penulisan karya ilmiah. Studi

literatur sejenis yang akan digunakan terdapat pada akhir bab 2.

1.6.2 Metode Pengembangan Sistem

Dalam menyusun tugas akhir ini penulis menggunakan metodologi pengembangan sistem Rapid Application Development (RAD). Metode ini diperkenalkan oleh James Martin pada tahun 1991 (Roger S Pressman, 2002). Metode RAD mempunyai 3 tahapan,yaitu :

1. Perencanaan syarat syarat

Dalam fase ini penguna dan analisis bertemu untuk mengidentifikasi tujuan-tujuan aplikasi atau sistem serta mengidentifikasi syarat–syarat yang ditimbulkan dari tujuan tujuan tersebut. Fase ini memerlukan peran aktif dari kedua kelompok tersebut. Selain ini juga melibatkan pengguna dari beberapa level yang berbeda dalam organisasi

2. Workshop desain

Fase ini pengguna dan analisa untuk merancang memperbaiki yang dapat digambarkan sebagai workshop. Selama

workshop desain RAD, penguna merespon working prototype

yang ada dan analisis memperbaiki modul–modul yang dirancang menggunakan perangkat lunak berdasarkan respon pengguna.

3. Implementasi

Pada fase ini segera setelah aspek–aspek bisnis telah disetujui dan sistem dibangun kemudian setiap sub–sub sistem di uji coba dan diperkenalkan kepada organisasi.

1.6.3 Metode Analisa Data

Metode analisa data yang dipakai dalam penelitian ini adalah metode analisa data mining dengan menggunakan metode association rules atau market basket analysis. Analisa ini di fokuskan kepada asosiasi item satu dengan item lainnya berdasarkan data transaksi pada tendencies store. Penjelasan rinci dapat dilihat di bab II.

1.7 Sistematika Penulisan

Dalam penyusunan tugas akhir ini penulis menyajikan tulisan menjadi beberapa bab, yaitu :

BAB I : PENDAHULUAN

Bab ini terdiri dari latar belakang masalah, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian dan sistematika penulisan.

BAB II : LANDASAN TEORI

Bab ini berisi uraian tentang landasan teori yang diperlukan dalam bidang data mining termasuk metode market basket analysis.

BAB III : METODOLOGI PENELITIAN

Bab ini membahas mengenai metode pengumpulan data, metode pengembangan sistem RAD dan metode analisa data.

BAB IV : PEMBAHASAN

Bab ini membahas mengenai analisa sistem yang berjalan, prinsip kerja metode market basket analysis, perancangan aplikasi, serta hasil analisa.

BAB V : PENUTUP

Bab ini berisi kesimpulan dari penelitian dan saran untuk pengembangan penelitian lebih lanjut.

LANDASAN TEORI

2.16 Pengertian Pola Belanja Konsumen

Menurut Kamus Besar Bahasa Indonesia Pola adalah Sistem; cara kerja ataupun bentuk struktur yang pasti. Maka pola belanja konsumen bisa diartikan sebagai bentuk struktur dari kegiatan belanja konsumen yang pasti. Dari pola belanja yang dapat di prediksi inilah pembuat keputusan dapat membuat strategi pemasaran yang lebih efektif.

2.16.1 Faktor – Faktor yang Mempengaruhi Pola Belanja Konsumen Faktor – faktor yang mempengaruhi pola belanja konsumen \ perilaku belanja konsumen menurut Kotler (1993) adalah sebagai berikut :

1. Faktor budaya, 2. Faktor sosial, 3. Faktor pribadi, 4. Faktor psikologis

Budaya merupakan salah satu penentu keinginan dan perilaku seseorang yang paling mendasar dan sesungguhnya seluruh masyarakat memiliki stratifikasi sosial dimana kelas sosial menunjukkan pilihan terhadap produk dengan merek yang berbeda-beda.

Keputusan pembelian juga dipengaruhi oleh karakteristik atau ciri-ciri pribadinya, terutama yang berpengaruh adalah umur dan tahapan dalam siklus hidup pembeli, pekerjaannya, keadaan ekonominya, gaya hidupnya, pribadi dan konsep jati dirinya. Pilihan membeli seseorang juga akan dipengaruhi faktor psikologis utama, yaitu : motivasi, persepsi, proses belajar, dan kepercayaan dengan sikap.

BUDAYA SOSIAL PRIBADI PSIKOLOGI

PEMBELI Budaya SubBudaya Kelas Sosial Umur dan Tahap daur Hidup Pekerjaan Status Ekonomi Gaya Hidup Kepribadian dan Konsep Diri Kelompok Acuan Keluarga Peran dan Status Motivasi Persepsi Pengetahuan Keyakinan dan Sikap

Gambar 2.1. Faktor-faktor yang mempengaruhi tingkah laku konsumen (Philip Kotler, 1993)

2.17 Pengertian Data mining

Kebutuhan dunia bisnis yang ingin mendapatkan nilai tambah dari data yang telah terkumpul, mendorong penerapan teknik pengolahan data dari berbagai bidang pengetahuan seperti statistika dan kecerdasan buatan. Ternyata penerapan teknik tersebut memberikan tantangan baru yang akhirnya memunculkan metode

baru yang disebut data mining. Ada beberapa definisi data mining yang dikenal dari berbagai sumber, diantaranya adalah :

1. Data mining adalah pencarian dan teknik analisa data yang besar untuk menemukan pola dan aturan yang berarti (Berry & Linoff, 2004).

2. Data mining adalah teknik untuk menganalisa sekumpulan data yang besar guna menemukan hubungan yang tidak diduga dan berguna bagi pemilik data (Hand, 2001).

3. Data mining adalah proses untuk menemukan pola dan hubungan dalam suatu data (Hornick, 2007).

4. Data mining adalah perangkat lunak untuk menemukan pola-pola tersembunyi dalam database yang besar dan menghasilkan aturan-aturan yang digunakan untuk memperkirakan perilaku dimasa depan (Kadir, 2003).

5. Data mining adalah suatu proses otomatis atau semi otomatis untuk menemukan informasi (knowledge) baru dan berpotensi dari sekumpulan data (Tang & Jamie, 2005).

Berdasarkan beberapa definisi tersebut, dapat disimpulkan bahwa data mining berkaitan erat dengan penemuan informasi atau pengetahuan yang baru, berpotensi dan tidak terduga dalam suatu database, baik itu secara otomatis maupun semi otomatis.

2.18 Tahapan Data mining

Terdapat enam tahapan dalam proses data mining (Han and Kamer, 2006). Enam tahapan data mining tersebut adalah sebagai berikut :

1. Pembersihan data (data cleaning)

Pembersihan data merupakan proses menghilangkan noise dan data yang tidak konsisten atau data tidak relevan. Pada umumnya data yang diperoleh, baik dari database suatu perusahaan maupun hasil eksperimen, memiliki isian-isian yang tidak sempurna seperti data yang hilang, data yang tidak valid atau juga hanya sekedar salah ketik. Selain itu, ada juga atribut-atribut data yang tidak relevan dengan hipotesa data mining yang dimiliki. Data-data yang tidak relevan itu juga lebih baik dibuang. Pembersihan data juga akan mempengaruhi performasi dari teknik data mining karena data yang ditangani akan berkurang jumlah dan kompleksitasnya.

Integrasi data merupakan penggabungan data dari berbagai database ke dalam satu database baru. Tidak jarang data yang diperlukan untuk data mining tidak hanya berasal dari satu database tetapi juga berasal dari beberapa database atau file teks. Integrasi data dilakukan pada atribut-atribut yang mengidentifikasikan entitas-entitas yang unik seperti atribut nama, jenis produk, nomor pelanggan dan lainnya. Integrasi data perlu dilakukan secara cermat karena kesalahan pada integrasi data bisa menghasilkan hasi yang menyimpang dan bahkan menyesatkan pengambilan aksi nantinya. Sebagai contoh bila integrasi data berdasarkan jenis produk ternyata menggabungkan produk dari kategori yang berbeda maka akan didapatkan korelasi antar produk yang sebenarnya tidak ada.

3. Seleksi Data (Data Selection)

Data yang ada pada database sering kali tidak semuanya dipakai, oleh karena itu hanya data yang sesuai untuk dianalisis yang akan diambil dari database. Sebagai contoh, sebuah kasus yang meneliti faktor kecenderungan orang membeli dalam kasus market basket analysis, tidak perlu mengambil nama pelanggan, cukup dengan id pelanggan saja.

4. Transformasi data (Data Transformation)

Data diubah atau digabung ke dalam format yang sesuai untuk diproses dalam data mining. Beberapa metode data mining membutuhkan format data yang khusus sebelum bisa diaplikasikan. Sebagai contoh beberapa metode standar seperti analisis asosiasi dan clustering hanya bisa menerima input data kategorikal. Karenanya data berupa angka numerik yang berlanjut perlu dibagi-bagi menjadi beberapa interval. Proses ini sering disebut transformasi data.

5. Proses Mining

Merupakan suatu proses utama saat metode diterapkan untuk menemukan pengetahuan berharga dan tersembunyi dari data.

6. Evaluasi Pola (Pattern Evaluation),

Untuk mengidentifikasi pola-pola menarik kedalam knowledge based yang ditemukan. Dalam tahap ini hasil dari teknik data mining berupa pola-pola yang khas maupun model prediksi dievaluasi untuk menilai apakah hipotesa yang ada memang tercapai. Bila ternyata hasil yang diperoleh tidak sesuai hipotesa ada beberapa alternatif yang dapat diambil seperti

menjadikannya umpan balik untuk memperbaiki proses data mining, mencoba metode data mining lain yang lebih sesuai, atau menerima hasil ini sebagai suatu hasil yang di luar dugaan yang mungkin bermanfaat. Ilustrasi dari tahapan-tahapan data mining adalah seperti gambar dibawah ini.

Gambar 2.2 Tahapan-tahapan Data mining (Han and Kamber, 2006) 2.4 Model Data mining

2.4.1 Model Prediksi

Model ini adalah model yang menggunakan beberapa variabel untuk menentukan nilai data yang belum diketahui dari variabel lain. Contoh model prediksi adalah metode classification dan metode regression.

Contoh aplikasi model ini adalah metode classification untuk memprediksi atau memperkirakan kasus penggelapan transaksi kartu kredit. Pendekatan yang dilakukan adalah

dengan menggunakan informasi transaksi dan informasi dari kartu kredit sebagai atribut atau variabelnya. Misalnya apa yang dibeli oleh konsumen, kapan membelinya dan seberapa sering konsumen membayar tepat waktu.

Sifat model prediksi dalam data mining adalah bahwa model dihasilkan dari atribut atau variabel dari data yang sudah tersedia kemudian bisa digunakan untuk memperkirakan hasil seperti konsumen mana yang loyal dan konsumen mana yang tidak loyal.

2.4.2 Model Deskripsi

Model ini adalah model yang mencari suatu pola yang dapat ditafsirkan oleh manusia sehingga data dapat diuraikan. Contoh model deskripsi adalah metode clustering dan metode association rules.

Contoh aplikasi model ini adalah metode clustering untuk segmentasi pasar. Pendekatan yang dilakukan adalah dengan mengumpulkan atribut-atribut yang berbeda dari konsumen seperti berdasarkan informasi yang berhubungan dengan geographical atau gaya hidup konsumen dan mencari cluster yang sama kemudian mengamati pola pembelian dari para konsumen dalam cluster yang sama dengan cluster yang

berbeda. Sifat model deskripsi dalam data mining adalah bahwa model itu sendiri yang diamati untuk mendapatkan pengetahuan atau pola yang berharga dari sekumpulan data.

2.5 Jenis Pembelajaran Data mining

Dalam data mining dikenal dua jenis pembelajaran yaitu supervised learning dan unsupervised learning. Supervised learning digunakan untuk memperkirakan nilai target yang belum diketahui dari input dan output sample (Hornick, 2006). Supervised learning mengasumsikan beberapa atribut prediktor untuk memperkirakan atribut target. Atribut prediktor diumpamakan sebagai pengetahuan dari lingkungan yang tersedia, sedangkan atribut target adalah model yang akan dihasilkan. Contoh metode ini adalah metode classification dan metode regression.

Pada unsupervised learning tidak menggunakan atribut prediktor dan atribut target, karena tujuan unsupervised learning adalah untuk menemukan struktur atau hubungan yang ada dalam sekumpulan data (Hornick, 2006). Contoh metode yang termasuk dalam unsupervised learning adalah metode clustering dan metode association rule.

Sebelumnya sudah dibahas mengenai metode data mining yang bisa di kelompokkan berdasarkan model datanya, yaitu berdasarkan model prediksi dan model deskripsi. Selain itu metode data mining juga dapat di bedakan berdasarkan jenis pembelajarannya, yaitu berdasarkan supervised learning dan unsupervised learning. Beberapa metode data mining yang penulis ketahui antara lain :

2.6.1 Classification

Metode classification termasuk kedalam model prediksi dan jenis pembelajarannya adalah supervised learning. Pada metode classification ada satu atribut target sedangkan atribut lain disebut dengan atribut prediktor (Larose, 2005). Untuk lebih jelasnya perhatikan tabel 2.1 berikut :

Tabel 2.1 Contoh Data Kredit Bank Atribut

Nama Gaji Status

Jaminan, Ada=1, Tidak Ada =

0

L / TL

Paris Rp. 2.000.000 Single 1 L

Lohan Rp. 2.000.000 Menika

h 0

TL

Lauren Rp. 1.000.000 Single 1 L

Nicole Rp. 1.500.000 Menika

h 1

Sample Prediktor Target

Misalnya sebuah bank ingin memprediksi kredit macet nasabah. Maka pihak bank dapat menggunakan data kredit nasabah selama periode waktu tertentu kemudian data tersebut dipilih mana yang dijadikan atribut prediktor dan mana yang menjadi atribut target.

Seperti terlihat dalam tabel 2.1 dimana ada atribut prediktor (gaji, status dan jaminan) yang digunakan untuk memprediksi atribut target (L=Lancar atau TL=Tidak Lancar). Berdasarkan data tersebut, nantinya pihak bank dapat memperkirakan calon nasabah mana yang beresiko menjadi kredit macet dan mana yang tidak. Model classification dapat berupa aturan “jika-maka”, berupa decission tree, formula matematis atau neural network (Tang & Jamie, 2005).

2.6.2 Regression

Metode regression termasuk kedalam model prediksi dan jenis pembelajarannya adalah supervised learning. Sama seperti pada metode classification, metode regression juga menggunakan atribut prediktor dan atribut target.

Metode ini digunakan untuk memperkirakan nilai atribut atau variabel yang bertipe floating point (Hornick, 2006). Perbedaan antara metode classification dengan metode regression adalah bahwa pada metode regression nilai atribut atau variabel target bertipe floating point sedangkan metode classification meskipun bisa bertipe numeric yang biasanya digunakan untuk skoring, tetapi berupa angka yang bulat. Untuk lebih jelasnya mengenai metode regression, perhatikan tabel 2.2 berikut :

Tabel 2.2 Contoh Data Harga Rumah Atribut

IDRumah LT KM KT

Harga

Rumah

1 3000 5 3 748.000.000 2 1500 3 2 279.000.000 3 2550 4 4 510.900.000 4 2300 4 3 1.420.500.000

Sample Prediktor Target Dari tabel 2.2 terlihat bahwa atribut target (harga rumah) bernilai numeric. Misalnya untuk menentukan harga rumah, yang dijadikan sebagai atribut prediktor antar lain luas tanah (LT), jumlah kamar tidur (KT) dan jumlah kamar mandi (KM).

2.6.3 Clustering

Metode clustering termasuk kedalam model deskripsi dan jenis pembelajarannya adalah unsupervised learning. Metode clustering atau bisa juga disebut segmentasi, melakukan pengelompokan data menurut kesamaannya atau kedekatanya dan bukan berdasarkan kelas data tertentu seperti pada metode classification.

Prinsip clustering adalah memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan antar kelas atau cluster (Larose, 2005). Untuk lebih jelasnya perhatikan gambar 2.2 berikut

:

Gambar 2.3 Contoh Clustering Penghasilan

Umur

C C

Dari gambar 2.3 kita misalkan sebagai kumpulan data konsumen sederhana yang mengandung dua atribut yaitu umur dan penghasilan. Berdasarkan dua atribut tersebut kemudian terbagi menjadi tiga kelompok (cluster) yaitu C1 yang terdiri konsumen usia muda dengan penghasilan rendah. C2 terdiri dari konsumen usia muda dan tua dengan penghasilan tinggi. C3 terdiri dari konsumen usia tua dengan penghasilan relatif rendah.

2.6.4 Association Rules

Metode association rules atau juga dikenal dengan nama market basket analysis, digunakan untuk menemukan aturan assosiatif antara suatu kombinasi item atau barang (Tang & Jamie, 2005). Metode association rules termasuk kedalam model deskripsi dan jenis pembelajarannya adalah unsupervised learning.

Metode ini dapat digunakan untuk mengidentifikasi item-item produk yang mungkin dibeli secara bersamaan dengan produk lain. Metode association rules mempunyai dua tahapan yaitu, menemukan frequent itemset dan membentuk assosiation rules. Metode ini terdiri dari dua item yaitu antecedent dan consequent (Hornick, 2006). Antecedent dan consequent bisa di

analogikan sebagai aturan “If x Then y”. Dimana x merupakan antecedent atau left hand side dan y adalah consequent atau right hand side. Misalnya jika antecedent A dan consequent B, maka aturannya dapat ditulis sebagai berikut : (AB).

Dalam association rules diperlukan variabel ukuran yang dapat ditentukan oleh user untuk mengatur batasan sejauh mana dan sebanyak apa hasil output yang diinginkan. Variabel ukuran tersebut adalah support dan confidence.

Support adalah nilai dua atau lebih itemset yang dibeli secara bersamaan dari keseluruhan transaksi. Nilai support menunjukkan frekuensi itemset dalam suatu transaksi. Berikut perhitungan untuk mengetahui nilai support :

ndungA saksiMenga

JumlahTran A

Support( ) _{X 100%}

Jumlah transaksi

Confidence adalah ukuran yang didapatkan dari probabilitas adanya itemset A pada suatu transaksi maka juga ada itemset B pada transaksi tersebut. Nilai confidence menunjukkan kuatnya hubungan antar item dalam suatu aturan assosiasi. Berikut perhitungan untuk mengetahui nilai confidence :

engandungA TransaksiM danB engandungA TransaksiM A P Confidence





 ) B (

:  X 100%

Misalnya ada aturan, susu  roti [support 20 %, confidence 50%], maka informasi yang bisa diperoleh adalah bahwa sebanyak 20% konsumen membeli susu dan roti secara bersamaan serta konsumen yang membeli susu mempunyai kemungkinan 50 % untuk juga membeli roti. Selanjutnya informasi yang diperoleh tersebut dapat di tindak lanjuti dengan mengatur strategi pemasaran yang strategis, semisal mengatur penempatan barang yang baru atau menentukan produk mana yang harus diletakkan berdekatan.

2.7 Algoritma Apriori

Prinsip assosiation rules atau market basket analysis adalah menemukan frequent itemset dan membentuk aturan assosiasi berdasarkan frequent itemset (Tang & Jamie, 2005). Algoritma apriori digunakan untuk mencari frequent itemset. Pengertian frequent itemset disini adalah himpunan item-item yang memenuhi minimum support. Selanjutnya frequent itemset digunakan untuk membangun aturan assosiasi.

Untuk membentuk kandidat itemset digunakan dua tahap yaitu :

Join Step : Ck dibangun dengan menggabungkan Lk-1 dengan dirinya.

Prune Step : Setiap (k-1)-itemset yang bukan frequent tidak boleh menjadi suatu subset dari suatu frequent k-itemset. Berikut adalah pseudocode dari algoritma apriori :

Ck : Kandidat itemset dari ukuran k Lk : Frequent itemset dari ukuran k L1 = {frequent itemset};

for (k=1;Lk!=0;k++) do begin

Ck+1 = {kandidat dibangun dari Lk};

for each transaksi t dalam database do naikkan hitungan dari seluruh kandidat dalam Ck+1 yang dimuat dalam t;

Lk+1 = {kandidat dalam Ck+1 dengan minimum support}; end

return Uk Lk;

Untuk lebih jelasnya, perhatikan gambar 2.3 mengenai contoh ilustrasi algoritma apriori.

Database (D)

TID Items 100 A, C, D 200 B, C, E 300 A, B, C, E 400 B, E

Itemset Support A 2 B 3 C 3 D 1 E 3

Itemset Support A 2

B 3 C 3 E 3

Itemset {A,B} {A,C} {A,E} {B,C} {B,E} {C,E}

Itemset Support {A,B} 1 {A,C} 2 {A,E} 1 {B,C} 2 {B,E} 3 {C,E} 2

Itemset Support {A,C} 2 {B,C} 2 {B,E} 3 {C,E} 2

Itemset Support {B,C,E} 2

Itemset {B,C,E} Scan D L1 Scan D C2 C2 L2

C3 C3

L3

Gambar 2.4 Contoh Algoritma Apriori

Nilai minimum support yang ditentukan pada gambar 2.3 adalah 2 atau 50%. Flowchart contoh tersebut terlihat pada gambar 2.3 dan penjelasan tentang contoh ilustrasi algoritma apriori adalah sebagai berikut :

1. Dari database D kemudian dibentuk C1 (kandidat 1-itemset), apabila itemset pada C1 tidak memenuhi minimum support maka akan dieliminasi dari L1.

2. Selanjutnya dibangun C2 (kandidat 2-itemset) dengan melakukan cross itemset yang ada pada L1 (join step). Apabila itemset pada C2 tidak memenuhi minimum support maka akan dieliminasi dari L2. 3. Kemudian dibangun C3 (kandidat 3-itemset) dengan melakukan

cross itemset yang ada pada L2 (join step). Jika diperhatikan selain itemset {B,C,E} sebenarnya masih ada itemset {A,C,B} dan {A,C,E} yang bisa didapatkan dari kombinasi itemset L2. Tetapi kedua itemset tersebut dipangkas (prune step) karena itemset {C,B} dan {A,E} dieliminasi dari L2.

Itemset Support {B,C,E} 2

Start

Database D

C1

If Itemset >= 2

Tidak

If Itemset >= 2

L1

C2 L2

Tidak C3

If

Itemset >= 2 L3

Ya Tidak

Ya

Ya

End

Gambar 2.5 Flowchart Ilustrasi Algoritma Apriori

Proses perhitungan tersebut akan terus berulang sampai tidak ada lagi kandidat baru yang dihasilkan. Dalam contoh 2.3 proses berakhir pada iterasi ketiga, karena tidak ada kandidat baru yang bisa dihasilkan pada iterasi keempat.

2.8 Database Management System (DBMS)

Untuk mengelola database diperlukan suatu perangkat lunak yang disebut DBMS (database management system). DBMS merupakan suatu system perangkat lunak yang memungkinkan user (pengguna)

untuk membuat memelihara, mengontrol, dan mengakses database secara praktis dan efisien (Janner Simarmata & Imam Prayudi, 2006) 2.8.1 Software DBMS

Beberapa software atau perangkat lunak DBMS yang sering digunakan dalam aplikasi program antara lain :

a. BD –http://www.-306.ibm.com/software/data/db2/

b. Microsoft SQL Server –http://www.microsoft.com/sql

c. Oracle –http://www/oracle.com

d. Sybase –http://www.sybase.com/

e. Interbase –http://www.borlad.com/interbase

f. Teradata –http://www.teradata.com/

g. Firebird –http://www.firebirdsql.org/

h. MySQL –http://www.mysql.com

i. PostgreSQL –http://www.postgresql.org/

2.8.2 Keuntungan DBMS

DBMS memungkinkan perusahaan maupun individu untuk (Janner Simarmata & Imam Prayudi, 2006) :

1. Mengurangi Pengulangan Data

Apabila dibandingkan dengan file–file komputer yang disimpan terpisah disetiap aplikasi komputer, DBMS menguragi jumlah total file dengan menghapus data yang

terdupikasi di berbagai file, data terduplikasi selebihnya dapat ditempatkan dalam satu file.

2. Mencapai Independensi Data

Spesifikasi data disimpan dalam skema pada tiap program aplikasi. Perubahan dapat dibuat pada struktur data tanpa mempengaruhi program yang mengakses data.

3. Mengintegrasikan data beberapa file

Saat file dibentuk sehingga menyediakan kaitan logis, maka organisasi fisik bukan merupakan kendala. Organisasi logis, pandangan pengguna, dan program aplikasi tidak harus tercermin pada media penyimpanan fisik.

4. Mengambil data dan informasi dengan cepat

Hubungan – hubungan logis, manipulasi data, serta bahasa query memungkinkan pengguna mengambil data dalam hitungan detik atau menit.

5. Memungkinkan keamanan

DBMS mainframe maupun komputer mikro dapat menyertakan beberapa lapis keamanan seperti kata sandi (password), direktori pemakai, dan bahasa sandi (encryption) sehingga data yang dikelola akan lebih aman.

2.8.3 Kelemahan DBMS

Keputusan menggunakan DBMS mengikat perusaahaan atau pengguna untuk (janner Simarmata & Imam Prayudi, 20006):

1. Memperoleh perangkat lunak yang mahal DBMS mainframe masih sangat mahal. Meskipun harga DBMS berbasis komputer mikro lebih murah tetapi, tetap merupakan pengeluaran besar bagi suatu organisasi kecil. 2. Memperoleh konfigurasi perangkat keras yang besar

DBMS sering memerlukan kapasitas penyimpanan dan memori lebih ada program aplikasi lain.

3. Memperkerjakan dan mempertahankan staf DBA

4. DBMS memerlukan pengetahuan khusus agar dapat memanfatkan kemampuanya, secara penuh. Pengetahuan khusus ini disediakan paling baik oleh para pengelola basis data.

2.9 Web Server

2.9.1 Definisi Web Server

Web server merupakan software yang memberikan layanan data yang berfungsi menerima permintaan HTTP atau HTTPS dari klien yang dikenal dengan browser web dan mengirimkan kembali hasilnya

dalam bentuk halaman - halaman web yang umumnya berbentuk dokumen HTML. (Budi Sutedjo, 2006)

2.9.2 Macam-macam Web Server 1. Apache Tomcat.

2. Apache Web Server.

3. Microsoft Windows Internet Information Services (IIS). 4. Lighttpd.

5. Sun Java System Web Server. 6. Xitami Web Server.

7. Zeus Web Server.

2.9.3 Cara Kerja Web Server

1. Hubungan antara Web Server dan Browser Internet merupakan gabungan atau jaringan Komputer yg ada di seluruh dunia. Setelah terhubung secara fisik, Protocol TCP/IP (networking protocol) yang memungkinkan semua komputer dapat berkomunikasi satu dengan yang lainnya.

2. Pada saat browser meminta data web page ke server maka instruksi permintaan data oleh browser tersebut di kemas di dalam TCP yang merupakan protocoltransport dan dikirim ke alamat yangg dalam hal ini merupakan protocol berikutnya yaitu Hyper Text Transfer Protocol

WideWeb (WWW) antar komputer yang terhubung dalam jaringan di dunia ini.

3. Data yang di passing dari browser ke Web server disebut sebagai HTTP request yang meminta webpage dan kemudian webserver akan mencari data HTML yang ada dan di kemas dalam TCP protocol dan di kirim kembali ke browser. Data yang dikirim dari server ke

browser disebut sebagai HTTP response. Jika data yang diminta oleh

browser tidak ditemukan oleh si Web server maka akan meninbulkan

error yang sering anda lihat di webpage yaitu Error : 404 Page Not Found.

2.10 Perangkat Lunak yang digunakan 2.10.1 SQL Server 2008

Microsoft SQL Server merupakan produk RDBMS (Relational database Management System ) yang dibuat oleh Microsoft. Microsoft SQL Server juga mendukung SQL sebagai bahasa untuk memproses query database. Microsoft SQL Server banyak digunakan pada dunia bisnis, pendidikan atau juga pemerintahan sebagai solusi database atau penyimpanan data. (Martina, 2007)

Pada tahun 2008 Microsoft mengeluarkan SQL Server 2008 yang merupakan versi yang banyak digunakan. Berikut ini

adalah beberapa fitur yang dari sekian banyak fitur yang ada pada SQL Server 2008:

1. XML Support, fitur ini dapat menyimpan dokumen XML dalam suatu table , meng-query data ke dalam format XML melalui Transact-SQL dan lain sebagainya.

2. Multi-instance Support fitur ini memungkinkan untuk menjalankan beberapa database engine SQL Server pada mesin yang sama.

3. Data Warehousing and Business Intelligence (BI) improvements. SQL server dilengkapi dengan fungsi – fungsi umtuk keperluan business intelligence melalui analysis services. Selain itu, SQL Server 2008 juga ditambahkan dengan tools untuk keperluan data mining. 4. Performace and Scalability Improvements. SQL server

menerapkan distributed partitioned yang memungkinkan untuk membagi workload ke beberapa server sekaligus. Peningkatan lainya juga dicapai di sisi DBCC, indexed view, dan index reorganization.

5. Query analyzer improvements . fitur yang dihadirkan antara lain: integrated debugger, object browser, dan fasilitas object search.

6. DTS Enhancement. Fasilitas ini sekarang sudah mampu untuk memperlihatkan primary key dan foreign key constraints. Ini berguna pada saat migrasi table dari RDBMS lain

7. Transact–SQL enhancements. Salah satu peningkatan disini adalah T-SQL sudah mendukung UDF (User–Definable Function). Ini memungkinkan anda untuk menyimpan rutin – rutin ke dalam database engine.

2.10.2 Tipe Data dalam SQL Server 2008

Data dalam Microsoft SQL Server sangat bervariasi, dan setiap kolom dalam satu table harus memiliki data sesuai dengan jenis dan tipenya. SQL Server memiliki beberapa kategori tipe data dan masing-masing mempunyai beberapa tipe data dasar.

Tabel 2.3 Tipe Data Sql Server 2008 (Sumber : Martina, 2003)

Kategori Tipe Data Tipe Data Keterangan

Integer Bit Integer dengan nilai 0 atau 1

Int Nilai Integer dengan nilai antara 2.147.483.648

Decimal atau Numeric Angka antara -10^38-1 sampai 10^38-1

mata uang dari 2^63 (-922.377.203.685.477,5807) Float -214.748,3648 sampai 1.79E+38 Real -3.40E+308 sampai 3.04E+38 Datetime 1 Januari 1973 sampai 3.04E+38 Smalldatetime 1 Januari 1900 sampai 6 Juni

2079, dengan ketelitian hingga 1 menit

String Char Field tetap dengan ukuran

maksimal 8000 byte

Varchar Field tetap dengan ukuran maksimal 8000 byte

Text Variabel dengan ukuran hingga 2^31-1

(2.147.488.647) byte

Unicode string Nchar Karakter Uicode dengan ukuran

tetap hingga 4000 byte

Nvarchar Variable dengan ukuran tetap hingga 4000 byte

Ntext Karakter Unicode dengan ukuran bervariasi hingga 4000 byte

Binary String Binary Ukuran tetap hingga 8000 byte

2.10.3 Batasan SQL Server 2008

Microsoft SQL Server mempunyai beberapa batasan dimana batasan tersebut memiliki prioritas diatas integer, aturan dan nilai defaultnya . sebagai gambaran tabel berikut akan menjelaskan batasan – batasan yang dimaksud.

Tabel 2.4 Batasan dalam SQL Server 2008 (Sumber : Martina, 2003)

Fungsi Keterangan

NOT NULL Menentukan bahwa kolom tidak bisa menentukan NULL CHECH Membatasi nilai yag bisa diletakan kedalam kolom dengan

menentukan suatu kondisi. Misalnya niali TRUE maka nilai yang diberikan dapat dimasukkan kedalam kolom sedang apabila FALSE

UNIQUE Memasukan kolom – kolom memiliki nilai eksklusif PRIMARY

KEY

Memebuat kata kunci primer atau kunci utama dari sebuah tabel, kolom atau kombinasi dari kolom dengan nilai yang harus bersifat eksekutif didalam tabel untuk mengenali baris

FOREIGN KEY

Menentukan hubungan antara tabel- tabel

2.11 Unified Modelling Language (UML)

2.11.1 Definisi Unified Modelling Language

UML didefinisikan sebagai notasi diagram untuk menggambarkan artefak dari Objects-Oriented Analysis Design (OOAD). Melalui UML kita dapat membayangkan, menentukan, membangun dan membuat dokumen aplikasi perangkat lunak. Ketika sistem perangkat lunak menjadi semakin besar dan semakin kompleks kita perlu mengelola kompleksitas itu, dalam arti, menyederhanakannya sehingga

kita memiliki pemahaman yang lebih baik lagi. (Barclay dan Savage, 2004).

Dengan menggunakan diagram-diagram notasi UML, developer dapat melakukan pemrograman kode yang biasa dikenal dengan sebutan forward engineering, yaitu proses tradisional mengubah abstraksi tingkat tinggi, desain logical dan implementasi mandiri ke dalam implementasi fisik dalam sebuah sistem.

Seperti bahasa-bahasa lainnya, UML mendefinisikan notasi dan syntax/semantik. Notasi UML merupakan sekumpulan bentuk khusus untuk menggambarkan berbagai diagram piranti lunak. Setiap bentuk memiliki makna tertentu, dan UML syntax mendefinisikan bagaimana bentuk-bentuk tersebut dapat dikombinasikan. Notasi UML terutama diturunkan dari 3 notasi yang telah ada sebelumnya: Grady Booch OOD (Object-Oriented Design), Jim Rumbaugh OMT (Object Modeling Technique), dan Ivar Jacobson OOSE (Object-Oriented Software Engineering). (Dharwiyanti, 2003)

Diagram-diagram yang terdapat di dalam pemodelan UML dan digunakan penulis dalam pembuatan aplikasi ini adalah sebagai berikut :

Use case diagram menggambarkan fungsionalitas yang diharapkan dari sebuah sistem. Yang ditekankan adalah “apa” yang diperbuat sistem, dan bukan “bagaimana”. Sebuah use case merepresentasikan sebuah interaksi antara aktor dengan sistem. (Dharwiyanti, 2003)

Gambar 2.6. Contoh use case diagram (Dharwiyanti, 2003)

2. Class Diagram

Class diagram adalah sebuah spesifikasi yang jika diinstansiasi akan menghasilkan sebuah objek dan merupakan inti dari pengembangan dan desain

berorientasi objek. Class diagram menggambarkan keadaan (atribut/properti) suatu sistem, sekaligus menawarkan layanan untuk memanipulasi keadaan tersebut (metoda/fungsi) (Dharwiyanti, 2003). Class diagram menggambarkan struktur dan deskripsi class, package dan objek beserta hubungan satu sama lain seperti containment, pewarisan, asosiasi, dan lain-lain. Class diagram memiliki tiga area pokok :

1. Nama (dan stereotype) 2. Atribut

3. Metoda

Gambar 2.7 Contoh Class Diagram (Dharwiyanti, 2003)

Activity diagram menggambarkan berbagai alir aktivitas dalam sistem yang sedang dirancang, bagaimana masing-masing alir berawal, decision yang mungkin terjadi, dan bagaimana mereka berakhir. Activity diagram juga dapat menggambarkan proses paralel yang mungkin terjadi pada beberapa eksekusi.

Activity diagram merupakan state diagram khusus, di mana sebagian besar state adalah action dan sebagian besar transisi di-trigger oleh selesainya state sebelumnya (internal processing). Oleh karena itu activity diagram tidak menggambarkan behaviour internal sebuah sistem (dan interaksi antar subsistem) secara eksak atau tepat, tetapi lebih menggambarkan proses-proses dan jalur-jalur aktivitas dari level atas secara umum. (Dharwiyanti, 2003)

Gambar 2.8 Contoh Activity Diagram (Dharwiyanti, 2003)

4. Sequence Diagram

Sequence diagram menggambarkan interaksi antar objek di dalam dan di sekitar sistem (termasuk pengguna, display, dan sebagainya) berupa message yang digambarkan terhadap waktu. Sequence diagram terdiri atar dimensi vertikal (waktu) dan dimensi horizontal (objek-objek yang terkait).

Sequence diagram biasa digunakan untuk menggambarkan skenario atau rangkaian langkah-langkah yang dilakukan sebagai respon dari sebuah event untuk menghasilkan output tertentu. Diawali dari apa yang menjadi trigger aktivitas tersebut, proses dan perubahan apa saja yang terjadi secara internal dan output apa yang dihasilkan. (Dharwiyanti, 2003)

Main ui Object1 Object1 Object2

Message1

Message2

Message1

Message2

Message1 Message2 Actor1

Message1

Message2

Message1

Gambar 2.9 Contoh Sequence Diagram (Sun Services, 2003)

5. State Chart Diagram (SCD)

Interaction diagram dan state chart menampilkan dua pandangan yang saling melengkapi tentang perilaku dinamis sebuah sistem. Interaksi diagram menunjukkan pesan-pesan yang dilewatkan diantara obyek-obyek di dalam sistem selama periode waktu yang pendek. Sedangkan state chart diagram menelusuri individu-individu obyek melalui keseluruhan daur hidupnya, menspesifikasikan semua urutan yang mungkin dari pesan-pesan yang akan diterima obyek tersebut, bersama-sama dengan tanggapan atas pesan-pesan tersebut.

State diagram menyediakan variasi simbol dan sejumlah ide untuk pemodelan state diagram menampilkan state-state yang mungkin dari sebuah obyek, event yang bisa dideteksi dan respon atas event-event tersebut. Pendeteksian sebuah event dapat menyebabkan sebuah obyek bergerak dari satu state ke state yang lain atau transition. (Munawar, 2005)

Dibawah ini penulis paparkan beberapa penelitian terdahulu yang pernah membahas mengenai data mining, yang digunakan sebagai acuan untuk menyelesaikan tugas akhir.

Tabel 2.5 Perbandingan Pengembangan Literatur Sejenis

NO Judul Gambaran Umum Sistem Kelebihan Kekurangan

1

Analisis Keranjang Belanja Pada Data Transaksi Penjualan ( Studi Kasus Toserba Yogya Banjar)

Asal Literatur: Skripsi Peneliti : Tri Lestari Nim : H24052006 Tahun : 2009

Departemen Manajemen Fakultas Ekonomi dan Manajemen Institu Pertanian Bogor.

Penelitian ini bertujuan (1) mempelajari sebuah aplikasi analisis keranjang belanja (market basket analysis) yang berkaitan dengan data transaksi penjualan yang menggunakan teknik assosiatif, (2) mengidentifikasi beberapa tipe dari kaidah asosiasi (associationrules) yang berkaitan dengan data transaksi penjualan yaitu nilai-nilai

support dan confidence, (3) mengetahui implikasi manajerial dari analisis keranjang belanja (market basket analysis). Penelitian ini dilaksanakan di Toserba Yogya Banjar, data yang digunakan adalah data sekunder yang bersumber dari dokumen perusahaan berupa data transaksi. Penelitian diolah dengan menggunakan software Microsoft Office Excel 2007 dan software Minitab 14. Data dianalisis dengan menggunakan algoritma apriori yang menghasilkan aturan

asosiasi, dengan pola “if then”.

Adanya analisis implikasi manajerial yang dapat dipakai oleh pihak perusahaan

Tahapan data mining

masih dilakukan secara manual dengan bantuan software Microsoft Office Excel 2007 dan software Minitab 14. Apabila ada data baru maka diperlukan

pengulangan tahapan

2

Absensi Elektronik Untuk Mendeteksi Kecurangan Absensi (Check-Lock) Karyawan di Perusahaan.

Asal Literatur : Jurnal

Peneliti : Gregorius Satia Budhi;

Felicia Soedjianto Tahun : 2007

Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Kristen Petra

basket analysis, untuk mendeteksi kecurangan. Perangkat lunak yang dibuat ini akan mentranformasikan data absensi pegawai menggunakan metode MaxDiff Histogram menjadi format compact transaction yang selanjutnya akan diproses menggunakan Algoritma

Pincer Search menjadi frequent itemset. Pada akhirnya dari data frequent itemset ini didapat associationrule pegawai untuk disajikan kepada pengguna, yaitu bagian HRD perusahaan.Dari hasil pengujian dapat diketahui bahwa metode Data mining Market Basket Analysis

dapat dimanfaatkan untuk menggali pattern kebiasaan absensi (check-lock) pegawai sebuah perusahaan. Dari sini kemungkinan terjadinya kecurangan saat melakukan absensi masuk / pulang dapat dideteksi.

dapat diaplikasikan pada dunia nyata, terutama pada PT. Mulia Batara Semesta Surabaya.

kecepatan perangkat

lunak dapat

disimpulkan bahwa penggunaan algoritma

Pincer Search untuk menggenerasi frequent itemset masih belum dapat mengatasi terjadinya 'bottleneck'

3

Menggunakan Aturan Asosiasi Dengan Metode Apriori Untuk Analisis Keranjang Pasar Pada Data Transaksi Penjualan Apotek

Asal Literatur : Jurnal Peneliti : Leni Meiwati, Metty Mustikasari Tahun : 2010

Jurusan Sistem Informasi Fakutas Ilmu Komputer dan Teknologi Informasi, Universitas Gunadarma

menggunakan aturan asosiasi dengan metode apriori sebagai teknik analisis keranjang pasarnya. Data yang diambil dalam penelitian ini adalah data transaksi penjualan disuatu apotek di Perumnas 1. Hasil dari aturan asosiasi yang didapat yaitu berupa kombinasi dari jenis obat yang sering dibeli oleh konsumen. Dari hasil tersebut diharapkan dapat membantu manajemen apotek untuk merancang strategi pemasaran obat di apoteknya. Aplikasi ini dibuat menggunakan perangkat lunak Java dan didukung oleh media penyimpanan database Microsoft Access.

sebagai Bahasa pemrograman.

yang dapat diberikan dari hasil penelitian ini. Memakai database Ms. Acces. Banyaknya data yang dipakai belum dapat

merepresentasikan pola belanja konsumen yang diinginkan

4

Data Mining UntukPembiayaan Murabahah Menggunakan

Association Rule (Studi Kasus BMT MMU Sidogiri)

Asal Literatur : Skripsi Peneliti : Alfiyatus Sholichah

Dalam penelitian ini, association rule digunakan untuk mengetahui pola hubungan keterkaitan antar data dalam pembiayaan murabahah. Untuk parameter yang digunkan adalah berdasarkan harga plafond , lama angsuran dan prosentase margin. Dari pola yang diperoleh diharapkan dapat memberikan informasi yang berharga bagi pihak manajemen bank dimana dalam hal ini adalah pihak BMT MMU Sidogiri, dimana informasi tersebut dapat digunakan sebagai alat

Menggunakan Borland Delphi 7.0 Sebagai Bahasa Pemrograman

Belum adanya strategi yang dapat diberikan dari hasil penelitian ini. Memakai database

Interbase. Banyaknya data yang dipakai

Tahun : 2009

Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Islam Negeri (UIN) Maulana Malik Ibrahim Malang.

pola belanja konsumen yang diinginkan

5

Implemetasi Data Mining

Algoritma Apriori Pada Sistem Penjualan

Asal Literatur : Skripsi

Peneliti : Muhammad Afif Syaifullah

Nim : 06.11.1317 2010 Tahun : 2010

STMIK AMIKOM Yogyakarta

Penelitian ini bertujuan untuk membuat sebuah aplikasi data mining

menggunakan aturan asosiasi dengan metode apriori sebagai teknik analisis keranjang pasarnya. Hasil dari aturan asosiasi yang didapat yaitu berupa kombinasi dari jenis item yang sering dibeli oleh konsumen. Dari hasil tersebut diharapkan dapat membantu manajemen perusahaan untuk merancang strategi pemasaran barang.

Menggunakan database

MYSQL Server

Belum adanya strategi yang dapat diberikan dari hasil penelitian ini.

Penerapan Data Mining dalam Penentuan Aturan Asosiasi Antar Jenis Item.

Dalam jurnal ini akan disajikan penggunaan data mining dalam menemukan pengetahuan mengenai asosiasi antar jenis item di CV JP Bogor. Pemodelan asosiasi ini menggunakan algoritma Apriori dan pemrosesannya dibantu dengan softwareClementine.

Pemodelan asosiasi ini menggunakan

algoritma Apriori dan pemrosesannya

Tidak membuat Sistem, dan hasilnya belum dapet menaikan kinerja perusahaan secara

6 Peneliti : Yogi Yusuf W, F. Rian Pratikto, Gerry T

Tahun : 2006

Jurusan Teknik Industri, Universtias Katolik Parahyangan

7

Penetapan Strategi Penjualan Menggunakan Association Rules

dalam Konteks CRM

Asal Literatur : Jurnal Peneliti : Bayu Adhi Tama Tahun : 2010

Fakultas Ilmu Komputer, Universitas Sriwijaya

Jurnal ini akan melakukan analisis terhadap data transaksi penjualan sebuah perusahaan ritel umum yang bergerak di bidang fotografi, fotokopi, medical imaging, printing, dan telekomunikasi yang memiliki variasi produk yang sangat beragam. Keanekaragaman produk ini menghasilkan kemungkinan kombinasi produk yang lebih beragam pula. Hasil penelitian ini menunjukkan bahwa penetapan strategi penjualan dengan menggunakan data pada tengah semester pertama, tren penjualan dari masing-masing kombinasi produk pada semester kedua mengalami peningkatan yang signifikan.

Hasil dari penelitian diimplementasikan sehingga tren penjualan dari masing-masing kombinasi produk pada semester kedua mengalami peningkatan yang signifikan.

Tidak membangun sistem, hanya melakukan analisis terhadap data transaksi semester pertama.

Public Function ExecuteAndFetchResult(ByVal strCommand As String) As Boolean

If asConnection Is Nothing Then

Return False

End If

If asCommand Is Nothing Then

asCommand = New AdomdCommand() End If

strCommand = strCommand.Replace("NaN", "null") strCommand = strCommand.Replace("Infinity", "null") Try

If Not (asDataReader Is Nothing) Then

If Not asDataReader.IsClosed Then

asDataReader.Close() End If

End If

asCommand.Connection = asConnection asCommand.CommandText = strCommand

asDataReader = asCommand.ExecuteReader() Catch e As Exception

Log(e.Message) Return False

End Try

Return True

End Function 'ExecuteAndFetchResult

Public Function DisConnect() As Boolean

Try

If Not (asConnection Is Nothing) Then

asConnection.Close() End If

If Not (asCommand Is Nothing) Then

asCommand.Connection = Nothing

End If

If Not (asDataReader Is Nothing) Then

asDataReader.Close() End If

Catch e As Exception

Console.WriteLine(e.Message) End Try

Return True

End Function 'DisConnect

Private Sub Log(ByVal message As String) 'Log the message to some place

System.Diagnostics.Debug.Assert(False, message) Return

End Sub 'Log

End Class 'AnalysisServerSession End Class

LAMPIRAN HASIL WAWANCARA

Nama : Boyke Vidykrisna Hutama Jabatan : Marketing Communication Hari / Tanggal : Rabu, 14 April 2010

Tempat : Tendecies Store Bintaro

Hasil resume wawancara saya terhadap Mas Boy, adalah sebagai berikut : Tanya : Mas Boy, bagaimana gambaran umum atau sejarah singkat dari

Tendencies?

Jawab : Tendencies merupakan distro yang dibuat untuk melengkapi gaya hidup di indonesia, yang berorientasi pada keontektikan style yang diwakili oleh divisi Creatif kami. Untuk selengkap nya bisa dilihat di website kami.

Tanya : Apakah yang menjadi visi dan misi Tendencies ?

Jawab : visi dari tendencies adalah “Menjadi perusahaan clothing yang terkemuka dengan menjual produk-produk fashion yang berkualitas dan

terjangkau oleh semua kalangan”. Sedangkan untuk misi silahkan di

cek di website.

Tanya : Apa kendala yang di rasakan dalam mengkomunikasikan item-item atau produk unggulan dari tendecies ?

Jawab : kendala kami adalah kami tidak memiliki sistem visual lainnya selain website, yang mampu memberikan rekomendasi item, baik dari pemilihan product maupun kategori yang terkait sau dengan yang lainnya.

Tanya : Bagaimana minat customer terhadap produk- produk dari tendencies? Jawab : Minat customer sangatlah beragam. Oleh karena itu kami mencoba

untuk selalu menjadi yang terdepan dalam hal originalitas gaya yang kami adopsi.

Tanya : Bagaimana pelayanan pihak tendencies terhadap customer?

Jawab : Selama ini pelayanan kami terhadap customer kurang efektif, dikarenakan penyampaian secara visual item yang menjadi hot sales harus menunggu data dari divisi sales manager yang seringkali terlambat memberikan data-data tersebut.

Tanya : Bagaimana proses kegiatan transaksi yang berjalan di tendencies dan apakah hasil yang di dapat sudah sesuai dengan kebutuhan Bussines Director ?

Jawab : Selama ini kegiatan kegiatan transaksi berjalan dengan menggunakan aplikasi reovta, Semua kegiatan dilakukan secara komputerisasi mulai dari pencatatan transaksi serta laporan. Akan tetapi masih diperlukan pengolahan data lebih lanjut untuk mendapatkan laporan yang

diinginkan oleh pihak BD untuk menentukan strategi yang diperlukan bagi tendencies.

Tanya : Dokumen apa saja yang digunakan dalam proses tersebut?

Jawab : Dokumen yang dibutuhkan untuk proses tersebut adalah laporan penjualan dan transaksi serta laporan stock.

Tanya : Kendala apa yang dialami dalam proses tersebut..

Jawab : Kendala yang kami rasakan yaitu tidak adanya suatu sistem yang dapat membantu kegiatan tersebut dan masih harus dilakukan secara manual.

Note :

Boyke Vidykrisna Hutama Marketing Communication

DAFTAR PUSTAKA

Barry, A. J. Michael & Linoff, S. Gordon. 2004. Data Mining Techniques. Wiley Publishing, Inc. Indianapolis : xxiii + 615 hlm.

Dharwiyanti, Sri, “Pengantar Unified Modelling Language (UML)”, Ilmu

Komputer ; 2003

HM, Jogiyanto. 2005. Analisis & Desain SIstem Informasi : Pendekatan Terstruktur Teori dan Praktek Aplikasi Bisnis. Yogyakarta: Andi.

Irmansyah, Faried. 2003. Pengantar Database. www.IlmuKomputer.com.

Kadir, Abdul. 2003. Pengenalan Sistem Informasi. Penerbit Andi. Jakarta: v + 463 hlm.

Kadir, Abdul. 2005. Dasar Pemograman Web dengan ASP. Penerbit Andi. Jakarta, ISBN:979-731-691-2.

Kendall, Edward J & Kendall Julia A. 2005. System Analysis And Design Sixth

Edition. Pearson Education, Inc. new Jersey : 714 hlm.

Nugroho, Adi. 2005. Analisis & Perancangan SIstem Informasi dengan Metodologi Berorientasi Objek: Edisi Revisi. Bandung: Informatika. Pant, Somendra. 1995. Strategic Information Systems Planning: A Review.

Atlanta: 1995 Information Resources Management Association International Conference.

Pilone,Dan, “UML 2.0 in Nutshell”, O'Reilly ; 2005

Pressman, Roger S. 2003. Rekayasa Perangkat Lunak Pendekatan Praktisi-Buku Satu, Yogyakarta : Andi Yogyakarta : xx + 647 hlm.

Rizky Soetam. Panduan Belajar SQL Server 2005 Express Edition. 2008. ISBN: 978-602-8117-73-9. Prestasi Belajar Publisher.

Satzinger, John W., System Analysis and Design Method In A Changing World Fifth Edition, 2009, Course Technology, Boston USA.

Schach R., Stephen. 2005. Object-Oriented & Classical Software Engineering Sixth Edition. Mc Graw Hill (higher education). ISBN = 0-07-286551-2.

Sommerville,Ian, “Software Engineering 7thedition”, 2004

Sukamto, Rosa A, “Rapid Application Development (RAD), Prototyping”, 2009

Whitten, Jeffrey L. 2004. Systems Analysis & Design Methods: Sixth Edition. New York: McGraw-Hill.

Whitten, Jeffrey L. 2007. Systems Analysis & Design for the Global Enterprise: Seventh Edition. New York: McGraw-Hill.