Penerapan Data Mining Pada Penjualan Produk Benang Di PT. Bandung Perkasa Jaya Menggunakan Metode Associantion Rule

(1)

1

BAB 1

PENDAHULUAN

I.1. Latar Belakang Masalah

PT. Bandung Perkasa Jaya merupakan sebuah perusahaan yang bergerak di bidang industri tekstil khususnya memproduksi benang. PT. Bandung Perkasa Jaya telah banyak melayani transaksi pesanan produksi yang melibatkan 15 jenis benang yang berbeda. Saat ini pemanfaatan data yang berada di PT. Bandung Perkasa Jaya belum maksimal, hanya sebatas arsip, laporan bagi perusahaan dan tidak dimanfaatkan untuk menjadi acuan jenis benang yang akan diproduksi. PT. Bandung Perkasa Jaya memproduksi benang berdasarkan dua hal, yaitu permintaan agen tetap dan history penjualan banyaknya jenis barang yang sering dijual secara langsung. Penentuan produksi benang berdasarkan laporan transaksi penjualan jenis produk benang yang sering dijual mengakibatkan penumpukan hasil produksi, yang merupakan akibat dari adanya kesalahan informasi jenis produk benang yang seharusnya diproduksi.

Data mining diartikan sebagai menambang data atau upaya menggali

informasi yang berharga dan berguna pada database yang sangat besar ( Agrawal, R., Srikant, 1996 ). Hal terpenting dalam data mining adalah aturan untuk menemukan pola frekuensi tinggi antar himpunan itemset yang disebut fungsi

Association Rules. Data mining Association Rules ini dapat membantu dalam

proses penjualan dengan memberikan hubungan antar data penjualan sehingga akan didapat pola pembelian pelanggan dalam suatu transaksi.

Dalam penelitian ini penulis akan mencoba menerapkan data mining terhadap data transaksi penjualan produk benang di PT. Bandung Perkasa Jaya dengan menggunakan metode Association Rules untuk melihat hubungan asoaiasi antara sejumalh atribut penjualan. Diharapkan dengan penelitian ini dapat mengetahui pola pembelian dari pelanggan dan mengetahui jenis benang apa saja yang harus pihak perusahaan sediakan sehingga semua informasi yang di dapat ini dapat digunakan perusahaan sebagai acuan memproduksi jenis benang apa saja yang akan diproduksi.


(2)

I.2. Rumusan Masalah

Berdasarkan latar belakang yang telah diuraikan diatas, diperoleh titik permasalahan dalam penelitian ini adalah :

“Bagaimana cara menerapkan data mining pada penjualan produk benang di PT. Bandung Perkasa Jaya menggunakan metode association”.

I.3. Maksud dan Tujuan

Maksud penelitian ini adalah untuk menerapkan data mining pada penjualan produk benang di PT. Bandung Perkasa Jaya menggunakan metode association. Sedangkan tujuan dalam penelitian ini adalah:

a. Membantu pihak perusahaan agar mengetahui bagaimana pola pembelian dari pelanggan.

b. Membantu pihak perusahaan agar mengetahui jenis produk benang apa saja yang sering dipesan secara bersamaan oleh pelanggan.

I.4. Batasan Masalah

Dalam penelitian ini, penulis membatasi masalah sebagai berikut:

1. Data yang akan dianalisis merupakan data transaksi penjualan produk benang periode Januari 2014 sampai dengan Desember 2014.

2. Penentuan produk yang paling banyak dipesan berdasarkan jenis benang. 3. Algoritma yang digunakan dalam metode association yang dilakukan adalah

Algoritma FP-Growth

4. Hasil dari analisis adalah diketahuinya jenis benang apa saja yang menjadi acuan produksi di PT. Bandung Perkasa Jaya.

5. Metode yang digunakan adalah metode terstruktur dimana tools yang digunakan adalah Data Flows Diagram (DFD) dan Entity Relationship

Diagram (ERD).

6. Perangkat lunak database yang digunakan adalah MySql 7. Aplikasi dibangun menggunakan bahasa pemrograman C#.


(3)

3

I.5. Metodologi Penelitian

Metodologi Penelitian yang digunakan dalam penulisan tugas akhir ini adalah menggunakan metode penelitian deskriptif, yaitu menggambarkan secara sistematis fakta dan karakteristik objek dan subjek yang diteliti secara tepat.

Pengumpulan data dan pembangunan perangkat lunak dalam penelitian ini menggunakan metode sebagai berikut:

I.6. Metode Pengumpulan Data

Metode pengumpulan data yang digunakan dalam penelitian ini adalah sebagi berikut :

a. Studi Literatur

Pengumpulan data dengan cara mengumpulkan literatur, jurnal, paper, dan bacaan-bacaan yang ada kaitannya dengan judul penelitian.

b. Observasi

Teknik pengumpulan data dengan mengadakan penelitian dan peninjauan langsung terhadap permasalahan yang ada kaitannya dengan judl penelitian.

I.7. Metode Pembangunan Perangkat Lunak

Teknik analisis data dalam pembuatan perangkat lunak menggunakan metode CRISP-DM. Proses data mining berdasarkan CRISP-DM terdiri dari 6 fase.Yaitu:

a. Bussiness Understanding atau pemahaman domain (penelitian). Pad afase

ini dibutuhkan pemahaman tentang substansi dari kegiatan data mining

yang akan dilakukan.

b. Data Understanding atau pemahaman data adalah fase mengumpulkan

data awal, mempelajari data untuk bisa mengenal data yang akan dipakai. Fase ini mencoba mengidentifikasi masalah yang berkaitan dengan kualitas data,mendeteksi subset yang menarik dari data untuk membuat hipotesis.

c. Data Preparation atau persiapan data. Aktivitas yang dilakukan antara lain

memilih table dan field yang akan ditransformasikan ke dalam database baru untuk bahan data mining (sel data mentah).


(4)

d. Modeling adalah fase menentukan teknik data mining yang digunakan, menentukan tools data mining, teknik data mining, algoritma data

mining, menentukan parameter dengan nilai yang optimal.

e. Evaluation adalah fase interpretasi terhadap hasil data mining yang

ditujukan dalam proses pemodelan pada fase sebelumnya. Evaluasi dilakukan secara mendalam dengan tujuan menyesuaikan model yang didapat agar sesuai dengan sasaran yang ingin dicapai dalam fase pertama.

f. Deployment atau penyebaran adalah fase penyusunan laporan atau

presentasi dari pengetahuan yang didapat dari evaluasi pada proses data

mining.

Gambar I.1.Skema CRISP-DM I.8. Sistematika Penulisan

Sistematika penulisan proposal penelitian ini disusun untuk memberikan gambaran umum tentang kasus yang akan dipecahkan. Sistematika penulisan tugas akhir ini adalah sebagai berikut :

BAB I. PENDAHULUAN

Menguraikan tentang latar belakang permasalahan, rumusan masalah, maksud dan tujuan, batasan masalah, metodologi penelitian serta sistematika penulisan


(5)

5

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.

BAB III. ANALISIS DAN PERANCANGAN SISTEM

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

Berisi tentang implementasi dari 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

Berisi kesimpulan dan saran yang sudah diperoleh dari hasil penulisan tugas akhir.


(6)

(7)

7

BAB II

TINJAUAN PUSTAKA

II.1. Tentang PT. Bandung Perkasa Jaya

PT. Bandung Perkasa Jaya merupakan perusahaan yang bergerak dibidang produski benang/spinning dan merupakan perusahaan kecil yang akan berkembang. PT. Bandung Perkasa Jaya berdiri sejak tahun 2003 dengan tanah seluas 4,5 hektare. Pemasaranya hanya utnuk pasar lokal saja. Dan sampe saat ini, PT. Bandung Perkasa Jaya mempunyai sekitar 300 karyawan tetap. Mempunyai berbagai jenis mesin untuk produksi benang diantaranya, mesin blowing 2 buah,

carding, drawing, spinning dan winding.

Nama Perusahaan : PT. Bandung Perkasa Jaya

Lokasi : Jalan Solokan Jeruk, Majalaya, Jawa Barat Bidang : Produksi Benang/Spinning

II.2. Struktur Organisasi Perusahaan

Berikut ini adalah struktur organisasi PT. Bandung Perkasa Jaya yang dapat dilihat pada Gambar II.1 :


(8)

Uraian tugas dan wewenang masing-masing bagian pada struktur organisasi PT. Bandung Perkasa Jaya 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

Mengawasi kegiatan keluar masuk barang yang akan dijual atau dipesan II.3. 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.4. Pengertian data mining

Data mining adalah suatu istilah yang digunakan untuk mneguraikan

penemuan pengetahuan di dalam basis data. Didalamnya juga terdapar proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine

learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat

dan pengetahuan yang terkait dari berbagai basis data.

Menurut Fajar Astuti Hermawati, “Data mining adalah proses yang memperkerjakan satu atau lebih teknik pembelajaran komputer untuk menganalisis dan mengekstrasi pengetahuan secara otomatis.”

Menurut Han Jiawei, “Data mining adalah sebuag proses berulang bertujuan untuk menganalisa database yang besar dengan tujuan penggalian informasi dan


(9)

9

pengetahuan yang berkaitan dengan pengambilan keputusan dan pemecahan masalah.”

Dari definisi-definisi yang telah disampaikan, hal-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.4.1. Tahapan data mining

Proses data mining secara garis besar dapat dijelaskan sebagai berikut :

1. Data Selection

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 baris data operasional.

2. Pre-Processing/cleaning

Sebelum proses data mining dapat dilakukan, perlu dilakukan dahulu proses

cleaning pada data yang menjadi fokus KDD. Proses cleaning mencakup

antara lain membuang duplikasi data, memeriksa data yang inkonsisten, dan memeperbaiki kesalahan pada data. Juga dilakukan proses enrichment, yaitu proses “meperkaya” data yang sudah ada dengan data atau informasi lain yang relevan dan diperlukan untuk KDD. 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 pre-processing adalah sebagai berikut :

a. Pemilihan atribut (atribut selection)

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


(10)

b. Pembersihan data (data cleaning)

Proses menghilangkan noise dan menghilangkan data yang tidak relevan.

3. Transformation

Coding adalah proses transformasi pada ata yang telah dipilih, sehingga data

tersebut sesuai untuk proses data mining. Proses coding dalam KDD merupakan proses kreatif dan sangat tergantung pad ajenis atau pola informasi yang akan dicari dalam basis data.

4. Data mining

Data mining adalah proses mencari pola atau informasi menarik dalam data

terpilij dengan menggunakan teknik atau metode tertentu. Teknik, metode, atau algortima 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 yang berkepentingan. Tahap ini merupakan bagian dari proses KDD yang disebut interpretation. Tahap ini mencakup pemeriksaan apakah pola atau informasi yang disebut bertentangan dengan fakta atau hipotesis yang ada sebelumnya.

II.4.2. Arsitektur data mining

Secara garis besar, sistem data mining terdiri dari komponen-komponen berikut:

a. Database, data warehouse, atau media penyimpanan informasi

Media penyimpanan dalam hal ini bisa berupa database, data warehouse

spreadsheets, atau jenis-jenis penampung informasi lainnya.

b. Database atau data warehouse server

Database atau data warehouse server berfungsi untuk menyediakan data yang

relevan berdasarkan permintaan dari user data mining.

c. Knowledge base

Merupakan dasar pengetahuan yang digunakan sebagai panduan dalam pencarian pola.


(11)

11

d. Data mining engine

Merupakan bagian dari software yang menjalankan program berdasarkan algortima yang ada.

e. Pattern evaluation module

Merupakan bagian dari software yang berguna 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

Merupakan sarana antara pengguna dan sistem data mining untuk berkomunikasi, dimana pengguna dapat berinteraksi dengan sistem melalui data mining query, untuk menyediakan informasi yang dapat membantu dalam pencarian knowledge.

II.5. Association Rule

Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan asosiasi antara kombinasi item. Aturan asosiasi akan menggunakan data latihan, sesuai dengan perngertian data mining untuk menemukan knowledge. Knowledge untuk mengetahui item-item belanja yang sering dibeli secara bersamaan dalam suatu waktu.

Penting tidaknya suatu aturan asosiatif dapat diketahui dengan dua parameter, yaitu support dan confidence. Support (nilai penunjang) adalah suatu ukuran yang memnunjukkan seberapa besar tingkat dominasi suatu item/itemset

layak untuk dicari confidence-nya, sedangkan confidence (nilai kepastian) adalah suatu ukuran yang menunjukkan hubungan antara 2 item secara conditional.

Metodologi dasar analisis asosiasi terbagi menjadi dua tahap [4] : 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.


(12)

Sementara itu, nilai support dari 2 item diperoleh dari rumus berikut.

... Persamaan (II.2)

... 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 syarata minimum untuk confidence

dengan menghitung confidence aturan Asosiatif A B

Misalkan D adalah himpunan transaksi, dimana setiap transaksi T dalam D merepresentasikan himpunan item yang berada alam I. I adalah himpunan item yang dijual. Misalkan kita memilih himpunan item A dan himpunan item lain B, kemudian aturna 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-temset 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.


(13)

13

Nilai confidence dari aturan A B diperoleh dari rumus berikut.

...Persamaan (II.4)

II.6. Algoritma FP-Growth

Algoritma FP-Growth merupakan pengembangan dari algoritma Apriori. Sehingga kekuragan dari algortima Apriori diperbaiki oleh algoritma

FP-Growth[4].

Frequent Pattern Growth (FP-Growth) adalah salsah satu alternatif

algoritma yang digunakan untuk menentuka himpunan data yang paling sering muncul dalam sebuah kumplan data[8].

Pada algortima Apriori diperlukan generatecandidate untuk mendapatkan

frequent itemset. Akan tetapi, pada algortima FP-Growthgenerate candidate tidak

dilakukan karena FP-Growth menggunakan konsep pembangunan tree dalam pencarian frequent itemset. Hal ini yang menyebabkan algortima FP-Growth lebih cepat dari algortima Apriori.

Karakteristik algoritma FP-Growth adalah struktur data yang digunakan adalah tree yang disebut dengan FP-Tree. Dengan menggunakan FP-Tree, algortima FP-Growth dapat langsung mengekstrak frequent itemset dari FP-Tree.

Penggalian itemset yang frequent dengan menggunakan algortima

FP-Growth akan dilakukan dengan cara membangkitkan struktur data FP-Tree.

Metode FP-Growth dapat dibagi menjadi 3 tahapan utama yaitu[6]: 1. Tahap pembangkitan conditional pattern base.

2. Tahap pembangkitan conditional FP-Tree

3. Tahap pencarian frequent itemset

Tahap-tahap tersebut merupakan tahap yang akan dilakukan untuk mendapat frequent itemset yang dapat dilihat pada algortima berikut :

Input : FP-Tree Tree

Output : Rt Sekumpulan lengkap pola frequent Method : FP-Ggrowth ( Tree, null )


(14)

{

01 : if Tree mengandung single path P;

02 : then untuk tiap kombinasi ( dinotasikan _ ) dari node node dalam path do 03 : bangkitkan pola _ _ dengan support daro node-node dalam _;

04 : else untuk tiap a1 dalam header dari Tree

do {

05 : bangkitkan pola

06 : bangun _ = a1 _ dengan support = a1.

Support

07 : if Tree _ = _

08 then panggil FP-Growth (Tree, _ ) }

II.7. FP-Tree

FP-Tree merupakan struktur penyimpanan data yang dimampatkan dengan

memetakan setiap data transaksi ke dalam setiap lintssan tertentu dalam fp-tree. Karena dalam setiap transaksi yang dipetakan, mungkin ada transaksi yang memiliki item yang sama, maka lintasannya memungkinkan untuk saling menimpa. Semakin banyak data transaksi yang memiliki item yang sama, maka proses pemampatan dengan struktur data fp-tree semakin efektif. Kelebihan dari

fp-tree yaitu hanya memerlukan dua kali pemindaian data transaksi. Berikut

merupakan definisi lain dari fp-tree :

1. Fp-tree dibentuk oleh sebuah akar yang diberi label null, sekumpulan

pohon yang beranggotakan item-item tertentu, dan sebuah label frequent header.

2. Setiap simpul dalam fp-tree mengandung tiga informasi penting, yaitu

label item, menginformasikan jenis item yang dipresentasikan simpul

tersebut, support count mempresentasikan jumlah lintasan transaksi yang melalui simpul tersebut, dan pointer penghubung yang menghubungkan simpul-simpul dengan label item sama antar lintasan, ditandai dengan garis putus-putus.


(15)

15

II.8. 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.

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.


(16)

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.9. Database Management System (DBMS)

Managemen Sistem Basis Data (Database Management System /DBMS) adalah perangkat lunak yang di desain untuk membantu dalam hal pemeliharaan dan utilitas kumpulan data dalam jumlah besar.

Sistem Manajemen Basis data (Database Management 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 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.


(17)

17

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 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. 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 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.


(18)

5. 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.10. Entity Relationship Diagram (ERD)

ERD adalah suatu model jaringan yang menggunakan susunan data yang disimpan dalam sistem secara abstrak[6]. Basis data Relasional adalah kumpulan dari relasi-relasi yang mengandung seluruh informasi berkenaan suatu entitas/ objek yang akan disimpan di dalam database. Tiap relasi disimpan sebagai sebuah file tersendiri. Perancangan basis data merupakan suatu kegiaatan yang setidaknya bertujuan sebagai berikut:

a. Menghilangkan redundansi data.

b. Meminimumkan jumlah relasi di dalam basis data.

c. Membuat relasi berada dalam bentuk normal, sehingga dapat meminimumkan permasalahan berkenaan dengan penambahan, pembaharuan dan penghapusan.

ERD adalah suatu pemodelan dari basis data relasional yang didasarkan atas persepsi di dalam dunia nyata, dunia ini senantiasa terdiri dari sekumpulan objek yang saling berhubungan antara satu dengan yang lainnya. Suatu objek disebut entity dan hubungan yang dimilikinya disebut relationship. Suatu entity bersifat unik dan memiliki atribut sebagai pembeda dengan entity lainnya.

Contoh : entity Mahasiswa, mempunyai atribut nama, umur, alamat, dan nim.


(19)

19

Diagram E-R terdiri dari:

a.Kotak persegi panjang, menggambarkan himpunan entitas. b.Elips, menggambarkan atribut-atribut entitas.

c.Diamon, menggambarkan hubungan antara himpunan entitas d.Garis, yang menghubungkan antar objek dalam diagram E-R

E-R Diagram merupakan suatu bahasa pemodelan dimana posisinya dapat dianalogikan dengan story board dalam industri film, blue print arsitektur suatu bangunan, miniatur, dan lain-lain. Dalam praktiknya, membangun suatu sistem terlebih dahulu dilakukannya suatu perencanaan. Pemodelan merupakan suatu sub bagian dari perencanaan secara keseluruhan sebagai salah satu upaya feedback evaluasi perampungan suatu perencanaan. E-R Diagram sebagai suatu pemodelan setidaknya memiliki beberapa karakteristik dan manfaat sebagai berikut:

a. Memudahkan untuk dilakukannya analisis dan perubahan sistem sejak dini, bersifat murah dan cepat

b. Memberikan gambaran umum akan sistem yang akan di buat sehingga memudahkan developer.

c. Menghasilkan dokumentasi yang baik untuk client sebagai bahan diskusi dengan bentuk E-R Diagram itu sendiri, dan

d. Kamus data bagi bagi para pengembang database.

Struktur dari E-R Diagram secara umum ialah terdiri dari:

a. Entitas merupakan objek utama yang informasi akan disimpan, iasanya berupa kata benda, ex; Mahasiswa, Dosen, Nasabah, Mata Kuliah, Ruangan, dan lain-lain. Objek dapat berupa benda nyata maupun abstrak. b. Atribut merupakan deskripsi dari objek yang bersangkutan.

c. Relationship merupakan suatu hubungan yang terjalin antara dua entitas yang ada.

Kardinalitas Relasi ERD yang mempersentasikan suatu basis data relasional senantiasa memiliki relasi-relasi dari sejumlah entitas yang dapat ditentukan banyaknya. Banyaknya suatu relasi yang dimiliki oleh suatu relasi entitas disebut derajat relasi. Derajat relasi maksimum disebut dengan


(20)

kardinalitas, sedangkan derajat minimum disebut dengan modalitas. Kardinalitas yang terjadi diantara dua himpunan entitas (misal A dan B) dapat berupa :

a. One to One, satu record dipetakan dengan satu record di entitas lain.

Contoh: satu nasabah punya satu account.

b. One to Many, Satu record dapat dipetakan menjadi beberapa record

di entitas lain. Contoh: satu nasabah dapat punya lebih dari satu account.

c. Many to Many, Beberapa record dapat dipetakan menjadi beberapa

record di entitas lain. Contoh: satu nasabah dapat memiliki lebih dari satu account. Satu account dapat dimiliki lebih dari satu nasabah (join account).

II.11. Data Flow Diagram (DFD)

DFD adalah suatu model logika data atau proses yang dibuat untuk menggambarkan dari mana asal data dan kemana tujuan data yang keluar dari sistem, dimana data disimpan, proses apa yang menghasilkan data tersebut dan interaksi antara data yang tersimpan dan proses yang dikenakan pada data tersebut.

DFD sering digunakan untuk menggambarkan suatu sistem yang telah ada atau sistem baru yang akan dikembangkan secara logika tanpa mempertimbangkan lingkungan fisik dimana data tersebut mengalir atau dimana data tersebut akan disimpan.

DFD merupakan alat yang digunakan pada metodologi pengembangan sistem yang terstruktur. Kelebihan utama pendekatan aliran data, yaitu :

a. Kebebasan dari menjalankan implementasi teknis sistem.

b. Pemahaman lebih jauh mengenai keterkaitan satu sama lain dalam sistem dan subsistem.

c. Mengkomunikasikan pengetahuan sistem yang ada dengan pengguna melalui diagram aliran data.

d. Menganalisis sistem yang diajukan untuk menentukan apakah data-data dan proses yang diperlukan sudah ditetapkan.


(21)

21

a. Dapat digunakan sebagai latihan yang bermanfaat bagi penganalisis, sehingga bisa memahami dengan lebih baik keterkaitan satu sama lain dalam sistem dan subsistem.

b. Membedakan sistem dari lingkungannya dengan menempatkan batas-batasnya.

c. Dapat digunakan sebagai suatu perangkat untuk berinteraksi dengan pengguna.

d. Memungkinkan penganalisis menggambarkan setiap komponen yang digunakan dalam diagram.

DFD terdiri dari context diagram dan diagram rinci (DFD Levelled). Context diagram berfungsi memetakan model lingkungan (menggambarkan hubungan antara entitas luar, masukan dan keluaran sistem), yang direpresentasikan dengan lingkaran tunggal yang mewakili keseluruhan sistem. DFD levelled menggambarkan sistem sebagai jaringan kerja antara fungsi yang berhubungan satu sama lain dengan aliran dan penyimpanan data, model ini hanya memodelkan sistem dari sudut pandang fungsi.

Dalam DFD levelled akan terjadi penurunan level dimana dalam penurunan level yang lebih rendah harus mampu merepresentasikan proses tersebut ke dalam spesifikasi proses yang jelas. Jadi dalam DFD levelled bisa dimulai dari DFD level 0 kemudian turun ke DFD level 1 dan seterusnya. Setiap penurunan hanya dilakukan bila perlu. Aliran data yang masuk dan keluar pada suatu proses di level x harus berhubungan dengan aliran data yang masuk dan keluar pada level x+1 yang mendefinisikan proses pada level x tersebut. Proses yang tidak dapat diturunkan/dirinci lagi dikatakan primitif secara fungsional dan disebut sebagai proses primitif.

II.12. Kamus Data (Data Dictionary)

Merupakan katalog (tempat penyimpanan) dari elemen-elemen yang berada dalam satu sistem. Kamus data mempunyai fungsi yang sama dalam pemodelan sistem dan juga berfungsi membantu pelaku sistem untuk mengerti aplikasi secara detail, dan me-reorganisasi semua elemen data yang digunakan


(22)

dalam sistem sehingga pemakai dan penganalisa sistem punya dasar pengertian yang sama tentang masukan, keluaran, penyimpanan dan proses.

Kamus data mendefinisikan elemen data dengan fungsi sebagai berikut : a. Menjelaskan arti aliran data dan penyimpanan dalam DFD.

b. Mendeskripsikan komposisi paket data yang bergerak melalui aliran misalnya alamat diuraikan menjadi kota, negara dan kode pos.

c. Mendeskripsikan komposisi penyimpanan data.

d. Menspesifikasikan nilai dan satuan yang relevan bagi penyimpanan dan aliran data.

e. Mendeskripsikan hubungan detail antar penyimpanan yang akan menjadi titik perhatian dalam Diagram Keterhubungan Entitas (E-R).

II.13. MySQL

MySQL adalah sebuah program database server yang mampu menerima dan mengirimkan datanya dengan sangat cepat, multi user serta menggunakan perintah standar SQL (structure Query Language). MySQL merupakan sebuah database server yang free, artinya kita bebas menggunakan database ini untuk keperluan pribadi atau usaha tanpa harus membeli atau membayar lesensinya.

MySQL sendiri adalah sebuah database server yang mampu menangani beberapa user didalamnya. Dengan demikian, MySQL juga mampu menangani beberapa instruksi sekaligus dalam setiap waktu akses. Di dalam sistemnya, MySQL merekam semua data user dalam sebuah tabel user yang berada pada database yang bernama mysql. Dalam tabel user tersebut demua akses dan hak akses user mampu ditangani dengan baik.

Adapun beberapa kelebihan MySQL dalam teknik mengakses data maupun mengelola servernya :

1. Local Client

MySQL sebagai sebuah Server database, juga dapat berfungsi sebagai client yang dijalankan pada komputer lokal dimana MySQL itu berjalan. 2. Remote Client


(23)

23

3. Remote Login

Dapat diakses dengan menggunakan program MySQL yang berada pada komputer lain.

4. Web Browser

Dapat diakses menggunakan program yang dibuat dengan sebuah program yang berbasis server site yang berjalan di bawah Web Browser. 5. Scripting Language

Dapat diakses melalui programaplikasi client yang kita ciptakan sendiri dengan menggunakan pemrograman visual maupun non visual yang berjalan di dalam jaringan.

II.14. Microsoft Visual Studio .Net dan C#

Visual studio .Net adalah sekumpulan alat pengembangan software yang diperuntukkan bagi .Net platform[8]. 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).

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++.


(24)

(25)

25 BAB III

ANALISIS DAN PERANCANGAN SISTEM

III.1. Analisis Sistem

Analisis sistem adalah pengurain 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 analisis sistem ini meliputi beberapa bagian, yaitu :

a. Analisis Masalah

b. Analisis Penerapan Data Mining

c. Analisis Spesifikasi Kebutuhan Perangkat Lunak d. Analisis Kebutuhan Non-Fungsional

e. Analisis Kebutuhan Fungsional

III.1.1.Analisis Masalah

Adapun analisis masalah di PT. Bandung Perkasa Jaya adalah sebagai berikut :

a. Banyaknya jenis hasil benang yang diproduksi oleh PT. Bandung Perkasa Jaya membuat pihak bagian produksi sulit untuk menemukan jenis benang apa saja yang harus disediakan.

b. Penentuan jenis benang yang akan diproduksi berdasarkan history penjualan benang yang sering dijual sering terjadi kesalahan sehingga mengurangi pendapatan.

Untuk meminimalisir atau bahkan mengatasi permasalahan di atas, pihak terkait di perusahaan harus dapat mengambil keputusan untuk menentukan


(26)

jenis benang yang akan diproduksi. Untuk melakukan hal tersebut, perusahaan memerlukan informasi yang cukup untuk dapat dianalisis lebih lanjut.

III.1.2.Analisis Penerapan Data Mining

Adapun tahapan-tahapan dalam penerapan data mining yang digunakan dalam penelitian ini adalah sebagai berikut :

III.1.2.1. Pemahaman Bisnis

Tahapan ini merupakan tahapan awal pada metode Data Mining. Tahap ini bertujuan untuk memahami tujuan dan kebutuhan dari sudut pandang bisnis PT. Bandung Perkasa Jaya. Dalam tahapan ini ada beberapa tahapan lainnya, yaitu:

Tujuan Bisnis

Memasarkan berbagai produk jenis benang yang dijual kepada konsumen merupakan proses bisnis dari PT. Bandung Perkasa Jaya. Tujuannya adalah untuk memenuhi permintaan konsumen sehingga dapat meningkatkan pendapatan.

Penentuan Sasaran Data Mining

Tujuan dari penerapan data mining pada penjualan produk jenis benang ini adalah untuk mengetahui bagaimana pola pembelian dari pelanggan dan jenis produk benang apa saja yang sering dipesan secara bersamaan oleh pelanggan. III.1.2.2. Pemahaman Data

Berdasarkan tujuan bisnis pada PT. Bandung Perkasa Jaya data yang digunakan dalam penelitian ini adalah laporan transaksi penjualan produk jenis benang pada bulan Januari 2014 sampai dengan Desember 2014 yang berasal dari

file microsoft excel (.xlsx). Untuk lebih jelasnya dapat dilihat di Tabel D-1 pada

lampiran D. Atribut yang terdapat pada laporan transaksi penjualan terdiri dari: 1. No. Nota

2. Kode Barang 3. Nama Barang 4. Jumlah 5. Tanggal


(27)

27

Berikut merupakan penjelasan dari masing-masing atribut yang terdapat pada tabel laporan transaksi penjualan yang dapat dilihat pada Tabel III.1.

Tabel III.1. Penjelasan Atribut

No. Atribut Tipe Data Definisi

1 No. Nota Varchar No transaksi pada nota penjualan 2 Kode Barang Varchar Kode dari barang pada transaksi

penjualan

3 Nama Barang Varchar Nama dari barang pada transaksi penjualan

4 Jumlah Int Jumlah produk yang dibeli oleh

konsumen

5 Tanggal Date Tanggal transaksi penjualan

III.1.2.3. Persiapan Data

Tahapan persiapan data harus dilakukan dalam proses data mining karena tidak semua record atau attribute digunakan dalam proses data mining. Proses ini dilakukan agar data yang akan digunakan sesuai dengan kebutuhan. Adapun tahapan-tahapan persiapan data dalam penelitian ini adalah sebagai berikut:

1. Pemilihan Atribut

Berdasarkan informasi yang ingin didapat oleh pengguna mengenai jenis produk apa saja yang dibeli secara bersamaan oleh pelanggan, maka dalam tahap ini atribut yang akan digunakan dari tabel D-1 dalam lampiran D hanyalah NoNota dan KodeBarang. Atribut NoNota merupakan identitas dari transaksi dan atribut KodeBarang merupakan kode dari jenis barang yang dibeli pelanggan. Hasil pemilihan atribut dapat dilihat pada tabel D-2 dalam lampiran D.


(28)

2. Pembersihan Data

Pada tahap ini, hasil pemilihan atribut pada tabel D-2 dalam lampiran D akan dibersihkan dari data transaksi yang hanya memiliki satu produk dalam satu nota. Hasil pembersihan record-record tersebut dapat dilihat pada tabel D-3 dalam lampiran D.

3. Penyiapan Data Awal

Setelah semua proses telah berhasil dilakukan dan data transaksi telah sesuai dengan kebutuhan yang diperlukan dalam proses data mining, maka data transaksi pada tabel D-3 dalam lampiran D disederhanakan agar mempermudah dalam pembacaan. Untuk lebih jelasnya dapat dilihat pada tabel D-4 dalam lampiran D.

III.1.2.4. Pemodelan

Pemodelan ini dilakukan dengan menggunakan metode Association Rule

dengan algoritma FP-Growth terhadap data awal pada tabel D-4 dalam lampiran D untuk mendapatkan rule yang dihasilkan. Adapun tahapan-tahapan dalam metode Association Rule dengan algortima FP-Growth adalah sebagai berikut : Pembangunan FP-Tree

Hasil data awal pada tabel D-4 pada lampiran D akan diolah untuk mendapatkan rule dengan mengasumsikan minimum support 10. Karena dengan menggunakan nilai minimum support ini akan memperoleh hasil yang maksimal sesuai dengan tujuan yang telah ditentukan sebelumnya. Maka bagi item yang memiliki frekuensi ≤ 10 akan dihapus.

a. Penentuan Frequent Itemset

Data awal pada tabel D-4 dalam lampiran D akan dihitung nilai frekuensui kemunculan tiap item dengan hasil sebagai berikut :


(29)

29

Tabel III.2. Frekuensi Kemunculan Item Item Frequent

CA16 6

CA20 19

CA24 17

CA28 3

CA30 19

CA40 30

CO20 26

CO24 24

CO30 24

Setelah mendapatkan frekuensi dari tiap item, selanjutnya membandingkan frekuensi dari tiap item dengan nilai minimum support dan menghilangkan item yang memiliki frekuensi lebih kecil dari minimum support. Pada tabel III.2 ada 2 item yang memiliki frekuensi kurang dari minimum support yaitu CA16, CA28. Maka item dan transaksi yang mengandung item tersebut pun dihilangkan . Dan hasilnya sebagai berikut :

Tabel III.3. Item yang memenuhi minimum support

Item Frequent

CA20 19

CA24 17

CA30 19

CA40 30

CO20 26

CO24 24


(30)

Setelah didapatkan data yang memenuhi minimum support, selanjutnya mencari frequency of occurance. Tabel frequency of occurance ini didapatkan dengan cara mengurutkan item dari tabel III.3 yang memiliki frekuensi terbesar hingga terkecil, lalu ditentukan priority-nya sesuai dengan urutan frekuensi tersebut.

Tabel III.4. Frequency of Occurance Item Frequent Priority

CA40 30 1

CO20 26 2

CO24 24 3

CO30 24 4

CA20 19 5

CA30 19 6

CA24 17 7

Setelah menentukan nilai priority, selanjutnya data yang berada pada tabel III.3 diurutkan sesuai priority dari masing-masing item. Berikut adalah hasil pengurutan data berdasarkan priority :

Tabel III.5. Hasil Pengurutan Data Transaksi

NoNota KodeBarang

1 CA20, CA30

2 CA30, CO24

3 CA24, CA40, CA20

5 CA30, CA40

6 CA30, CA24

7 CO30, CA24

8 CA30, CA40, CA20

11 CA40, CA30

12 CA24, CA20

18 CA30, CA40, CA20

19 CA20, CA30, CA40, CO24

20 CO24, CA30


(31)

31

NoNota KodeBarang

24 CA20, CO24

25 CA24, CA30, CA40

28 CO20, CO30

33 CO20, CA40

34 CO20, CO30, CO24, CA40

35 CA24, CA20

46 CA40, CA20, CO30

47 CA40, CO20, CA24, CA30

49 CA40, CA20, CA30

50 CA40, CO20, CA24

51 CA40, CO24, CA30

52 CO30, CA20

53 CO20, CA24

55 CO20, CO24, CA20

61 CO30, CA20

62 CO24, CA30, CA40, CO20

63 CA24, CO30

64 CO30, CA40, CA20, CO24 65 CO24, CA30,CA40, CO20

67 CO24, CO20

68 CO30, CA40, CO24, CO20

69 CO20, CO24, CO30

71 CO30, CO24

75 CA24, CO20,CO30, CA40

77 CO24, CA20, CO30

78 CA30, CA40

79 CO30, CA24

80 CO30, CO24, CA40, CO20

83 CO20, CO30, CA30

84 CO20, CA40

86 CO20, CO24, CA40, CA24

87 CA40, CO20, CO24

91 CO30, CO20, CA24, CA40, CO24

92 CO30, CA20, CA40

93 CO20, CA30, CA24, CO24

94 CA30, CA20, CA40

95 CO20, CO30

96 CO30, CA40, CO24

97 CO30, CA40, CO20


(32)

NoNota KodeBarang 99 CO24, CA20, CA24, CO20

100 CA20, CA24, CO20

Tabel III.6. Data Transaksi Setelah Diurutkan NoNota KodeBarang (Ordered)

1 CA20, CA30

2 CO24, CA30

3 CA40, CA20, CA24

5 CA40, CA30

6 CA30, CA24

7 CO30, CA24

8 CA40, CA20, CA30

11 CA40, CA30

12 CA20, CA24

18 CA40, CA20, CA30

19 CA40, CO24, CA20, CA30

20 CO24, CA30

23 CA40, CO20, CO24, CO30

24 CO24, CA20

25 CA40, CA30, CA24

28 CO20, CO30

33 CA40, CO20

34 CA40, CO20, CO24, CO30

35 CA20, CA24,

46 CA40, CO30, CA20

47 CA40, CO20, CA30, CA24

49 CA40, CA20, CA30

50 CA40, CO20, CA24

51 CA40, CO24, CA30

52 CO30, CA20

53 CO20, CA24

55 CO20, CO24, CA20

61 CO30, CA20

62 CA40, CO20, CO24, CA30

63 CO30, CA24,

64 CA40, CO24, CO30, CA20, 65 CA40, CO20, CO24, CA30

67 CO20, CO24,


(33)

33

NoNota KodeBarang (Ordered)

69 CO20, CO24, CO30

71 CO24, CO30

75 CA40, CO20, CO30, CA24

77 CO24, CO30, CA20

78 CA40, CA30

79 CO30, CA24

80 CA40, CO20, CO24, CO30

83 CO20, CO30, CA30

84 CA40, CO20

86 CA40, CO20, CO24, CA24

87 CA40, CO20, CO24

91 CA40, CO20, CO24, CO30, CA24

92 CA40, CO30, CA20

93 CO20, CO24, CA30, CA24

94 CA40, CA20, CA30

95 CO20, CO30

96 CA40, CO24, CO30

97 CA40, CO20, CO30

98 CO24, CO30

99 CO20, CO24, CA20, CA24

100 CO20, CA20, CA24

Setelah mendapatkan data yang telah diurutkan, selanjutnya membuat fp-tree dari data yang ada pada tabel III.6. Berikut adalah langkah-langkah dalam pembuatan

fp-tree :

a. Jika root belum mempunyai child, maka data yang keluar akan menjadi child

pertama dari root tersebut dengan nilai support count-nya adalah 1.

b. Jika root sudah mempunyai child, namun child tersebut berbeda dengan data yang keluar, maka root-nya memiliki child baru lagi dengan nilai support

count-nya 1.

c. Jika root sudah mempunyai child dan data yang keluar sama dengan child

tersebut, maka support count-nya bertambah 1.

d. Jika ada child yang sama dengan data yang keluar, namun berbeda path,


(34)

Selanjutnya adalah pembentukan fp-tree dari data pada tabel III.6 dengan menggunakan langkah-langkah di atas.

 Untuk tranasaksi dengan NoNota 1 : CA20, CA30. Support count dari node

yang muncul adalah 1 karena data baru pertama kali muncul. root

CA20 :1

CA30 :1

Gambar III.3. Fp-Tree setelah pembacaan NoNota 1

 Untuk tranasaksi dengan NoNota 2 : CO24, CA30. Support count dari node

yang muncul adalah 1 karena data baru pertama kali muncul. root

CA20 :1

CA30 :1

CO24 :1

CA30 :1

Gambar III.4. Fp-Tree setelah pembacaan NoNota 2

 Untuk transaksi dengan NoNota 3 : CA40, CA20, CA24. Support count dari


(35)

35

root

CA20 :1

CA30 :1

CO24 :1

CA30 :1

CA40 :1

CA20 :1

CA24 :1

Gambar III.5. Fp-Tree setelah pembacaan NoNota 3

 Untuk transaksi dengan NoNota 5 : CA40, CA30. Support count dari node

CA40 bertambah 1 sedangkan CA30 menjadi child kedua dari CA40 dengan

support count 1.

root

CA20 :1

CA30 :1

CO24 :1

CA30 :1

CA40 :2

CA20 :1

CA24 :1

CA30 :1


(36)

 Untuk transaksi dengan NoNota 6 : CA30, CA24. Support count dari node

yang muncul adalah 1 karena data baru pertama kali muncul.. root CA20 :1 CA30 :1 CO24 :1 CA30 :1 CA40 :2 CA20 :1 CA24 :1 CA30 :1 CA30 :1 CA24 :1

Gambar III.7. Fp-Tree setelah pembacaan NoNota 6

 Untuk transaksi dengan NoNota 100 : CO20, CA20, CA24. Karena node ini pernah muncul sebelumnya, maka support count bertambah 1.

root CA20 :3 CA30 :1 CO24 :6 CA30 :2 CA40 :30 CA20 :6 CA24 :2 CA30 :4 CA30 :1 CA24 :1 CO30:5 CA24 :3 CA30 :4

CA24 :2 CO24 :3

CA20 :1 CA30 :1 CO20 :15 CO24 :9 CO30 :5 CA20 :1 CA24 :1 CO20 :11 CO30 :3 CO30:2 CA20 :2 CA30 :2 CA24 :1

CA20 :2 CA24 :1 CO24 :5

CA20 :2 CA30 :2 CO30 :2 CA20 :1 CO30 :1 CO30 :3 CO30 :2 CA24 :1 CA20 :1 CA30 :1 CA24 :1 CA24 :1 CA30 :1 CA24 :1 CA24 :1 CA20 :1 CA24 :1

Gambar III.8. Fp-Tree setelah pembacaan NoNota 100

b. Penerapan Algoritma FP-Growth

Setelah tahap pembentuka FP-Tree dari sekumpulan data transaksi, selanjutnya penerapan algoritma FP-Growth untuk mencari frequent itemset yang signifikan. Algoritma FP-Growth dapat dibagi menjadi tiga langkah utama, yaitu : a. Tahap Pembangkitan Conditional Pattern Base

Conditional Pattern Base merupakan subdatabase yang berisi prefix path dan

suffix pattern. Pembangkitan conditinal pattern base didapatkan melalui


(37)

37

b. Tahap Pembangkitan Conditional FP-Tree

Pada tahap ini, support count dari setiap item pada setiap conditional pattern base dijumlahkan, lalu setiap item yang memiliki jumlah support count lebih besar atau sama dengan minimum support count ξ akan dibangkitkan dengan

conditional FP-Tree.

c. Tahap Pencarian frequent itemset

Apabila conditional FP-Tree merupakan lintasan tunggal (single path), maka didapatkan frequent itemset dnegan melakukan kombinasi item untuk setiap

conditional FP-Tree. Jika bukan lintasan tunggal, maka dilakukan

pembangkitan FP-Growth secara rekursif.

Tahap Pembangkitan Conditional Pattern Base

Berikut adalah langkah-langkah pembentukan conditional pattern base :

 Dimulai dari item yang memiliki priority paling rendah dalam tabel III.6.

 Telusuri fp-tree yang sebelumnya telah dibentuk mulai dari root sampai pada item yang memiliki priority terendah.

 Akumulasikan semua path yang mengandung item tersebut kedalam tabel

conditonal pattern base.

 Lakukan hal tersebut hingga semua item yang tersedia di tabel III.5 ditelusuri

path-nya.

Berikut adalah hasil dari conditional pattern base dari setiap item : Tabel III.7. Conditional Pattern Base

Item Cond. Pattern Base

CA24  CA20 : 2

 CA24, CA40 : 2

 CA30, CA40 : 1

 CO30, CO24, CO20, CA40 : 1

 CO24, CO20, CA40 : 1


(38)

 CO30, CO20, CA40 : 1

 CA30 : 1

 CO30 : 3

 CO20 : 1

 CA20, CO24, CO20 : 1

 CA30, CO24, CO20 : 1

 CA20, CO20 : 1

CA30  CA20 : 1

 CO24 : 2

 CA20, CA40 : 4

 CA40 : 4

 CA20, CO24, CA40 : 1

 CO24, CO20, CA40 : 2

 CO20, CA40 : 2

Null : 1

 CO30, CO20 : 1

 CO20 : 1

CA20  NULL : 2

 CO24 : 1

 CO30, CO24 : 1

 CA40 : 6

 CO24, CA40 : 1

 CO30, CA40 : 1

 CO30, CA40 : 2

 CO30 : 2

 CO24, CO20 : 2

 CO20 : 1

CO30  CO24 : 2

 CO24, CA40 : 2

 CO24, CO20, CA40 : 5

 CO20, CA40 : 2

 CA40 : 2


(39)

39

 CO20 : 3

 CO24, CA40 : 2

CO24  NULL : 6

 CA40 : 3

 CO20, CA40 : 9

 CO20 : 5

CO20  CA40 : 15

NULL : 11

CA40  NULL : 30

Setelah membuat conditonal pattern base, selanjutnya membuat

conditional fp-tree. Untuk setiap pattern base lakukan hal berikut :

a. Akumulasikan count untuk setiap item dalam tabel III.7

b. Jika jumlah count pada item yang dicari lebih besar atau sama dengan jumlah

count pada item yang berada pada path yang dilewati maka conditonal fp-tree

dapat dibentuk karena termasuk item yang frequent.

c. Selanjutnya jika item tersebut dapat terbentuk conditional fp-tree-nya, maka

conditional fp-tree untuk item tersebut dapat di-mining secara rekursif hingga

tidak terdapat lagi itemset yang bisa dibentuk.

Berikut adalah tahapan pembentukan conditional fp-tree dari tabel III.7 : 1. Tahap pembentukan Conditional Fp-Tree untuk item CA24.


(40)

root

CA20 :2 CA40 :5

CA20 :2 CA24 :2 CA30 :1 CA30 :1 CA24 :1 CO30:3 CA24 :3

CA24 :2 CO20 :2

CO24 :2 CO30 :1 CA24 :1 CO20 :4 CA30 :1 CA24 :1

CA24 :1 CO24 :2

CA20 :1 CO30 :1 CA24 :1 CA24 :1 CA24 :1 CA30 :1 CA24 :1 CA24 :1 CA20 :1 CA24 :1

Gambar III.9. FP-Tree yang mengandung CA24

Karena tidak ada kombinasi item yang berakitan dengan CA24 yang memenuhi

minimum support, maka conditional fp-tree dari CA24 tidak bisa dibentuk.

2. Tahap pembentukan Conditional FP-Tree untuk item CA30

root CA20 :1 CA30 :1 CO24 :2 CA30 :2 CA40 :13

CA20 :4 CA30 :4

CA30 :1 CA30 :4 CO24 :1 CA20 :1 CA30 :1 CO20 :4 CO24 :2 CO20 :2 CO30 :1 CA30 :2 CA30 :2

CA30 :1 CA30 :1

Gambar III.10. FP-Tree yang mengandung CA30

Karena hanya kombinasi CA30, CA40 yang memiliki support count yang memenuhi minimum support, maka hanya CA30, CA40 yang bisa dibentuk.


(41)

41

root

CA40 :13

CA30 :13

Gambar III.11. Conditional FP-Tree CA30, CA40

3. Tahap pembentukan Conditional FP-Tree untuk item CA20

root

CA20 :2 CO24 :2 CA40 :10

CA20 :6

CO30:2

CO24 :2

CA20 :1 CA20 :1

CO20 :3

CO30:2

CA20 :2

CA20 :2 CO24 :2

CA20 :2 CO30 :1

CA20 :1 CO30 :1

CA20 :1

CA20 :1


(42)

Karena tidak ada kombinasi item yang berakitan dengan CA24 yang memenuhi

minimum support, maka conditional fp-tree dari CA24 tidak bisa dibentuk.

4. Tahap pembentukan Conditional FP-Tree untuk item CO30

root

CO24 :3 CA40

:11 CO30:5

CO24 :2 CO20 :7

CO24 :5

CO30 :5

CO20 :5

CO30 :3

CO30:2 CO24 :2

CO30 :2 CO30 :2

CO30 :3

CO30 :2

Gambar III.13. Fp-Tree yang mengandung CO30

Ada 3 pasanga 2-kombinasi yang memenuhi minimum support yaitu (CO30, C024), (CO30, CA40), (CO30, CO20).

root

CO24 :12

CO30 :12


(43)

43

root

CA40 :11

CO30 :11

Gambar III.15. Conditional FP-Tree CO30, CA40

root

CO20 : 12

CO30 :12

Gambar III.16. Conditional FP-Tree CO30, CO20


(44)

root

CO24 :6 CA40 :12

CO24 :3 CO20 :9

CO24 :9

CO20 :5

CO24 :5

Gambar III.17. FP-Tree yang mengandunug CO24

Hanya ada 2 pasanga 2-kombinasi yang mmenuhi minimum support yaitu, (CO24, CO20) dan (CO24, CA40).

root

CA40 :12

CO24 :12

Gambar III.18. Conditional FP-Tree untuk CO24, CA40

root

CO20 : 14

CO24 :14


(45)

45

6. Tahap pembentukan Conditional FP-Tree untuk item CO20 root

CA40 :15

CO20 :15

CO20 :11

Gambar III.20. FP-Tree yang mengandung CO20 Hanya kombinasi CO20, CA40 yang memenuhi minimum support.

root

CA40 :15

CO20 :15

Gambar III.21. Conditonal FP-Tree untuk CO20, CA40

Setelah proses pembentukan conditional fp-tree, selanjutnya dilakukan pencarian frequent itemset. Agar memudahkan dalam pembacaan data, maka hasil dari conditional fp-tree dimasukkan ke dalam bentuk tabel. Berikut adalah hasil dari conditional fp-tree :

Tabel III.8. Hasil Conditional FP-Tree

Item Cond. Pattern Base Cond. FP-Tree

CA24  CA20 : 2

 CA24, CA40 : 2

 CA30, CA40 : 1


(46)

 CO30, CO24, CO20, CA40 : 1

 CO24, CO20, CA40 : 1

 CA30, CO20, CA40 : 1

 CO30, CO20, CA40 : 1

 CA30 : 1

 CO30 : 3

 CO20 : 1

 CA20, CO24, CO20 : 1

 CA30, CO24, CO20 : 1

 CA20, CO20 : 1

CA30  CA20 : 1

 CO24 : 2

 CA20, CA40 : 4

 CA40 : 4

 CA20, CO24, CA40 : 1

 CO24, CO20, CA40 : 2

 CO20, CA40 : 2

Null : 1

 CO30, CO20 : 1

 CO20 : 1

CA30,CA40 : 13

CA20  NULL : 2

 CO24 : 1

 CO30, CO24 : 1

 CA40 : 6

 CO24, CA40 : 1

 CO30, CA40 : 1

 CO30, CA40 : 2

 CO30 : 2

 CO24, CO20 : 2

 CO20 : 1

empty

CO30  CO24 : 2

 CO24, CA40 : 2

 CO30, CO24 : 12


(47)

47

 CO24, CO20, CA40 : 5

 CO20, CA40 : 2

 CA40 : 2

NULL : 5

 CO20 : 3

 CO24, CA40 : 2

 CO30, CO20 : 12

CO24  NULL : 6

 CA40 : 3

 CO20, CA40 : 9

 CO20 : 5

 CO24, CA40 : 12

 CO24, CO20 : 14

CO20  CA40 : 15

NULL : 11

CO20, CA40 : 15

CA40  NULL : 30 empty

Setelah proses pembentukan conditional fp-tree dilakukan, selanjutnya melakukan prmbentukan tabel frequent itemset dari hasil conditional fp-tree yang telah dibentuk sebelumnya. Hasil dari tahap pembentukan conditional fp-tree

dapat dilihat pada tabel III.9.

Tabel III.9. Frequent Itemset

Item Frequent Itemset

CA24 Empty

CA30

CA30

 CA30,CA40 : 13

CA20 Empty

CO30

CO30

 CO30, CO24 : 12, CO30, CA40 : 11, CO30, CO20 : 12

CO24  CO24 CO24, CA40 : 12, CO24, CO20 : 14

CO20

 CO20

 CO20, CA40 : 15

CA40 Empty


(48)

Dari hasil frequent itemset selanjutnya dilakukan perhitungan confidence dari setiap itemset dengan persamaan II.4. Hasil dari perhitungan dapat dilihat pada tabel dibawah ini :

Tabel III.10. Perhitungan Confidence

Item Confidence

CO20  CA40 57.6 % CO24  CA40 54.1 % CO24  CO20 58.3 % CO30  CA40 45.8 % CO30  CO20 45.8 % CO30  CO24 45.8 % CA30  CA40 68. 4%

Setelah confidence dari setiap itemset dihitung, selanjutnya dilakukan generate

dengan minimum support = 10 dan minimum confidence = 50%. Adapun hasil

generate rule dapat dilihat pada tabel berikut ini :

Tabel III.11. Generate Rule

Item Confidence

CO20  CA40 57.6 % CO24  CA40 54.1 % CO24  CO20 58.3 % CO30  CA40 45.8 % CO30  CO20 45.8 % CO30  CO24 45.8 % CA30  CA40 68. 4%

Kesimpulan berdasarkan rule yang dihasilkan maka pola pembelian pelanggan adalah sebagai berikut :


(49)

49

Tabel III.12. Hasil perhitungan pengujian metode association rule dengan algoritma fp-growth

Kombinasi Support Confidence

CO20  CA40 15 57.6 % CO24  CA40 13 54.1 % CO24  CO20 14 58.3 % CA30  CA40 13 68.4 %

III.1.2.Analisis Spesifikasi Kebutuhan Perangkat Lunak

Spesifikasi kebutuhan perangkat lunak adalah kebutuhan-kebutuhan apa saja yang diperlukan untuk membangun sebuah perangkat lunak berdasarkan kebutuhan pengguna. Ada dua bagian dalam spesifikasi kebutuhan perangkat lunak yaitu kebutuhan non-fungsional dan kebutuhan fungsional.

III.1.3.Analisis Kebutuhan Non-Fungsional

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

III.1.4.1. Analisis Kebutuhan Perangkat Keras

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

1. Analisi spesifikasi kebutuhan perangkat keras pada sistem yang sedang berjalan di PT. Bandung Perkasa Jaya adalah :

a. Processor : Intel Core Duo

b. Harddisk : 160 GB

c. Memory : 2 GB

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


(50)

a. Processor berkecepatan minimal 2 Ghz

b. Harddisk 1 Gb untuk menyimpan data

c. Memory 512 MB

3. Evaluasi kebutuhan perangkat keras

Dari data spesifikasi perangkat keras yang dimiliki oleh PT. Bandung Perkasa Jaya, sudah cukup untuk menjalankan aplikasi pengolahan data transaksi yang akan dibangun.

III.1.4.2. Analisis Kebutuhan Perangkat Lunak

Kebutuhan perangkat lunak pendukung merupakan hal penting bagi pembangunan perangkat lunak yang sedang dibangun. Perangkat lunak pendukung dalam pembangunan perangkat lunak ini adalah sebagai berikut :

1. Analisis kebutuan perangkat lunak pada sistem yang sedang berjalan di PT. Bandung Perkas Jaya adalah :

a. Sistem operasi Windows 7

b. Microsoft Office

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

a. Sistem operasi Windows 7

b. Wamserver sebagai database server

c. Visual Studio 2012

3. Evaluasi kebutuhan perangkat lunak

Berdasarkan analisis spesifikasi perangkat lunak yang ada di PT. Bandung Perkasa Jaya, spesifikasi pernagkat lunak yang akan digunakan kurang memenuhi spesifikasi lunak yang dibutuhkan. Kekurangan tersebut dapat diatasi dengan meng-install WampServer dan Visual Studio pada komputer yang digunakan.


(51)

51

III.1.4.3. Analisis Pengguna

Analisis pengguna dibuat untuk memenuhi siapa saja dan seperti apa karakteristik yang dimiliki oleh orang yang dapat menggunakan aplikasi yang akan dibuat. Untuk lebih detailnya dapat dilihat pada tabel III.13.

Tabel III.13. 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 isis dari tampilan yang ada pad aaplikasi minimal Sekolah Menengah Atas (SMA) Memahami

konten yang

tersedia pada aplikasi

Minimal mampu

mengoperasikan komputer

Dengan kondisi yang terdapat diatas, dapat diambil kesimpulan bahwa aplikasi yang dibuat dapat dijalankan oleh staf diperusahaan tersebut. Staf dalam hal ini adalah orang yang bekerja di bagian produksi yang akan menggunakan aplikasi yang dibangun.

III.1.4.Analisis Kebutuhan Fugsional

Analisis kebutuhan fungsional yang akan dibuat meliputi diagram konteks, Data Flow Diagram (DFD), spesifikasi proses dan kamus data.

III.1.5.1. Diagram konteks

Berikut adalah diagram konteks dari sistem pendekatan struktur yang menggambarkan sistem secara garis besar yang kemudian akan dipecah menjadi bagian-bagian yang lebih detail. Adapaun diagram konteks dari sistem yang akan dibangun adalah sebagi berikut :


(52)

User Data Mining Association Rule Data Alamat File

Data Transaksi.xlsx Data Akhir Data Nilai Minimum Support Data Nilai Minimum Confidence

Info Data Transaksi Info Pemilihan Atribut Info Pembersihan Data Info Pengurutan Data Info Frekuensi Produk Info Aturan Pola Pembelian Pelanggan

Info Nilai Minimum Support Info Nilai Minimum Confidence

Laporan Transaksi Penjualan*.xlsx Data Laporan transaksi

penjualan

Gambar III.22. Diagaram Konteks

III.1.5.2. Data Flow Diagram

Data Flow Diagram (DFD) merupakan proses yang menggambarkan suatu

alir informasi yang lebih terperinci yang merupakan pengembangan dari diagram konteks. Berikut ini merupakan data flow diagram dari sistem yang akan dibangun :

a. DFD Level 1

Berikut adalah gambar DFD level 1 dapat dilihat pada Gambar III.23 dibawah ini :

1 Persiapan Data

2 Proses Asosiasi

User

Data Alamat File Data Transaksi.xlsx

Data Akhir

Data Transaksi .xlsx Data Transaksi

Info Data Transaksi Penjualan Info Pemilihan Atribut Info Pembersihan data

transaksi Data Transaksi Data Transaksi preprocessing Data Hasil Persiapan Data Data Preprocessing

Info Frekuensi Produk Info Pengurutan Data Info Nilai Support Info Nilai Confidence Info Pola Pembelian Pelanggan

rule

Data Rule Data Rule Data Nilai Minimum Support

Data Nilai Minimum Confidence

pengurutan Hasil

Pengurutan Data Data Pengurutan

Gambar III.23. DFD Level 1 Aplikasi Data mining Association Rule PT.Bandung Perkasa Jaya


(53)

53

b. DFD Level 2 untuk Proses 1

Berikut adalah gambar DFD level 2 Proses 1 dapat dilihat pada Gambar 3.24 dibawah ini :

User

Data Transaksi.xlsx

preprocessing 1.1

Pilih Data

1.2 Pilih Atribut 1.3 Pembersihan Data

Data Transaksi Penjualan Data Alamat File

Data Transaksi.xlsx

Data Hasil Pemilihan Atribut

Data Hasil Pembersihan Data Hasil Pemilihan Data

transaksi

Data Penjualan Info Pemilihan atribut

Info Pembersihan Data

Pemilihan atribut

Pembersihan Data

Info Data Transaksi

Gambar III.24. DFD Level 2 Proses 1

c. DFD Level 2 Proses 2

Berikut adalah gambar DFD level 2 Proses 2 dapat dilihat pada Gambar 3.25 dibawah ini :

User preprocessing 2.3 Algoritma FP-Growth 2.2 Pengurutan Produk

Data Nilai Minimum Support

Data Nilai Minimum Confidence Data pengurutan

rule Data Hasil Pengurutan Data

Data Rule Info Nilai Support

Info Nilai Confidence Info Aturan Pola Pembelian Pelanggan

Info Pengurutan Data

2.1 Frekuensi Produk 2.4 Rule pengurutan Data Preprocessing

Info Frekuensi Produk

Data Rule Frekuensi Produk

Pengurutan Data

Frekuensi Produk


(54)

III.1.5.3. Spesifikasi Proses

Spesifikasi proses berfungsi untuk menjelaskan proses model aliran yang terdapat pada DFD. Adapun spesifikasi proses dari DFD yang telah dibuat akan dijelaskan pada tabel berikut :

Tabel III.14. Spesifikasi Proses

No Proses Keterangan

1 No Proses 1

Nama Proses Persiapan data

Source (sumber) User

Input -Alamat data transaksi penjualan.xlsx -Pemilihan atribut

-Pembersihan data

Output -Info data transaksi penjualan -Info pemilihan atribut -Info pembersihan data

Destination (tujuan) simpan data ke database

Logika Proses 1. Aplikasi menampilkan form pilih data 2. User memilih data yang akan dianalisa 3. User menyimpan data ke database

4. Melakukan pemilihan atribut 5. Melakukan pembersihan data 2 No Proses 1.1

Nama Proses Pilih Data

Source (sumber) User

Input Alamat data transaksi penjualan

Output -Info data transaksi penjualan -Info jumlah data transaksi penjualan

Destination (tujuan) Simpan data ke database

Logika Proses 1. Aplikasi menampilkan form untuk memilih data yang akan digunakan

2. Aplikasi menerima alamat data transaksi dan mengekstraknya ke dalam aplikasi

3. User dapat melihat data

3 No Proses 1.2

Nama Proses Pilih Atribut

Source (sumber) User

Input Data transaksi

Output Info pemilihan atribut

Destination (tujuan) - User


(55)

55

Logika Proses 1. User melakukan pemilihan atribut

2. Aplikasi menampilkan hasil pemilihan atribut 4 No Proses 1.3

Nama Proses Pembersihan data

Source (sumber) User

Input Data hasil Pemilihan atribut

Output Info pembesihan data

Destination (tujuan) - User

- Preprocessing

Logika Proses 1. Aplikasi menerima data hasil pemilihan atribut 2. User melakukan pembersihan data

3. Aplikasi menampilkan hasil pembersihan data 4. hasil pembersihan data di simpan ke tabel

preprocessing

5 No Proses 2

Nama Proses Penentuan rule pola pembelian pelanggan

Source (sumber) User

Input -Frekuensi Produk

-Pengurutan data

-Data nilai minimum support

-Data nilai minimum confidence Output -info frekuensi produk

-info pengurutan data -info nilai support

-info nilai confidence

-info rule pola pembelian pelanggan

Destination (tujuan) User

Logika Proses 1. Aplikasi menampilkan form aturan asosiasi 2. Aplikasi menampilkan frekuensi setiap produk 3. Setelah frekuensi diketahui user melakukan pengurutan data

4. Aplikasi menampilkan hasil pengurutan data 5. User menginputkan nilai minimum support dan nilai

minimum confidence

6. Aplikasi menampilkan Info nilai support, nilai

confidence dan aturan penentuan kombinasi produk 6 No Proses 2.1

Nama Proses Frekuensi produk

Source (sumber) User

Input Data Preprocessing

Output Info frekuensi setiap produk

Destination (tujuan) - User

- Pengurutan data

Logika Proses 1. Aplikasi mengambil data dari tabel preprocessing


(56)

7 No Proses 2.2

Nama Proses Pengurutan Data

Source (sumber) User

Input Data frekuensi produk

Output Menampilkan info pengurutan data

Destination (tujuan) - User

- simpan pengurutan data ke database

Logika Proses 1. Aplikasi mengambil nilai dari hasil frekuensi produk 2. Aplikasi mengeluarkan tabel dari proses hasil frekuensi produk

3. Setelah tabel dikeluarkan aplikasi mengurutkan berdasarkan frekuensi kemunculan terbanyak 4. Menampilkan hasil pengurutan data 8 No Proses 2.3

Nama Proses Algoritma FP-Growth Source (sumber) User

Input -Input nilai support -Input nilai confidence

Output Data rule

Destination (tujuan) Rule

Logika Proses 1. User menginputkan data nilai minimum support dan data nilai minimum confidence

2. Aplikasi mengambil data hasil preprocessing yang sudah diurutkan

3. Aplikasi membuat struktur data fp-tree

4. Aplikasi menghasilkan frekuensi itemset dan rule

III.1.5.4. Kamus Data

Kamus data berfungsi untuk menjelaskan semua data yang digunakan di dalam sistem. Berikut adalah kamus data untuk perangkat lunak yang akan dibangun :

Nama Data Data Transaksi

Deskripsi File excel data transaksi

Struktur Data NoNota, KodeBarang, NamaBarang, Jumlah, Tanggal

NoNota {0..9}

KodeBarang {A..Z│a..z} {0..9} Nama Barang {A..Z│a..z} {0..9}

Jumlah {0..9}

Tanggal {0..9}


(57)

57

Deskripsi Berisi data hasil preprocessing dari data transaksi Struktur Data NoNota, KodeBarang

No Nota {0..9}

KodeBarang {A..Z│a..z} {0..9}

Nama Data Pengurutan

Deskripsi Berisi data yang sudah diurutkan dan siap di mining

Struktur Data KodeBarang, Frekuensi KodeBarang {A..Z│a..z} {0..9}

Frekuensi {0..9}

Nama Data Rule

Deskripsi Berisi aturan pola pembelian pelanggan Struktur Data Rule, Support, Confidence

Rule {A..Z|a..z|0..9}

Support {0..9}

Confidence {0..9}

Deskripsi Presentase nilai kepastian kuatnya hubungan antar-item dalam aturan asosiasi yang diinginkan user

III.1.5.5. Perancangan Sistem

Proses perancangan yang akan dilakukan pada tahapan ini adalah perancangan sistem basis data, perancangan struktur menu, perancangan antar muka, perancangan pesan, jaringan semantik dan perancangan procedural

Perancangan Basis Data

Perancangan tabel pada aplikasi yang akan dibangun meliputi struktur tabel

a. Struktur Tabel

Struktur tabel pada aplikasi yang akan dibangun terdiri dari 3 tabel dengan rincian sebagai berikut :


(58)

Tabel III.15. . Struktur Tabel Data Transaksi

Nama Atribut Tipe Data Panjang Keterangan

No Nota Varchar 6 Not Null

KodeBarang Varchar 4 Not Null

Nama Barang Varchar 25 Not Null

Jumlah Int 11 Not Null

Tanggal Varchar 15 Not Null

Tabel III.16. Struktur Tabel Preprocessing

Nama Atribut Tipe Data Panjang Keterangan

No Nota Varchar 6 Not Null

KodeBarang Varchar 4 Not Null

Tabel III.17. Struktur Tabel Pengurutan

Nama Field Tipe Data Panjang Keterangan

Kodebarang Varchar 6 Not Null


(59)

59

Tabel III.18. Struktur Tabel Rule

Nama Field Tipe Data Panjang Keterangan

Rule Varchar 25 Not Null

Support Float Not Null

Confidence Float Not Null

Perancangan Antar Muka

Dalam perancagan sebuah perangkat lunak dibutuhkan struktur menu yang berisikan menu dan submenu yang berfungsi untuk memudahkan user dalam menggunakan perangkat lunak tersebut. Berikut ini digambarkan mengenai struktur menu dalam aplikasi ini :

APLIKASI DATA MINING ASSOCIATION RULE PT. BANDUNG PERKASA JAYA

Preprocessing Data Proses Asosiasi

Gambar III.26. Struktur Menu a. Perancangan Tampilan Program

Perancangan tampilan program dari aplikasi data mining association rule yang akan dibangun adalah sebagai berikut :


(60)

a. Tampilan Halaman Utama

Ukuran, font, Background dan warna disesuaikan

 Klik Persiapan Data untuk menuju T02

 Klik Proses asosiasi

untuk menuju T03

T01 - X


(61)

61

b. Tampilan Preprocessing Data

Ukuran, font, Background dan warna disesuaikan

 Klik Cari u tuk e ilih file

excel yang akan digunakan

 klik Si pa u tuk u tuk

menyimpan data file excel ke dalam database

 Klik Clea i g u tuk elihat

hasil pembersihan data yang tidak digunakan dalam proses asosiasi

 Klik Selectio u tuk elihat

hasil pemilihan atribut yang akan digunakan pada proses asosiasi

 Jika button simpan diklik dan data alamat file masih kosong maka akan muncul P01

 Jika penyimpanan berhasil akan muncul P02

 Jika penyimpanan tidak berhasil muncul P03

 Jika pemilihan atribut berhasil akan muncul P04

 Jika pembersihan data berhasil akan muncul P05

T02

-

X

Gambar III.28. Tampilan Preprocessing Data (T02)


(62)

c. Tampilan Proses Asosiasi

Ukuran, font, Background dan warna disesuaikan

 Isi textBox 1 dengan nilai minimum support

 Isi textBox 2 dengan nilai minimum confidence

 Klik A alisis u tuk

memproses analisis data mining dan

menampilkan hasil dari pembentukan aturan asosiasi

 Klik Hitu g Frekue si

untuk meilihat hasil perhitungan dari data

 Klik Urutka u tuk

mengurutkan data sesuai dengan frekuensi

 Jika Perhitungan frekuensi berhasil akan muncul P06

 Jika pengurutan data berhasil akan muncul P07

T03

-

X

Gambar III.29. Tampilan Pembentukan Aturan Asosiasi (T03)


(63)

63

Perancangan Tampilan Pesan

Berikut ini adalah perancangan pesan dari aplikasi yang akan dibangun.

Pilih File Terlebih dahulu !

OK

P01 X

Data Berhasil Disimpan

OK

P02 X

Terjadi Kesalahan, Ulangi Pemilihan File

OK

P03 X

Pemilihan Atribut Berhasil

OK

P04 X

Pembersihan Data Berhasil

OK

P05 X

Penghitungan Frekuensi Berhasil

OK

P06 X

Pengurutan Data Berhasil

OK

P07 X


(64)

Jaringan Semantik

Berikut ini adalah jaringan sematik dari perangkat lunak yang akan dibuat untuk menunjukan keterhubungan antar objek perancangan.

T01

T02

T03

P01,P02,P03,P04,P05

P06,P07


(1)

DAFTAR PUSTAKA

1. J. C. R. K. T. K. T. R. C. S. a. R. W. Pate Chapman, 2000. [Online]. Available: http://the-modeling-agency.com/crisp-dm.pdf. [Accessed 21 Februari 2015].

2. H.A.Fajar, Data Mining. Andi, 2013.

3. Ramon A. Mata Toledeo, Pailine K. Cushman, Dasar-dasar Database Relasional. Jakarta : Airlangga, 2007.

4. Prasetyo Eko, Data Mining. Andi 2012.

5. J. Han and M. Kamber, Data Mining : Concept and Techniques, 2nd ed. San Fransisco: Morgan Kauffman, 2006.

6. R. J. A. Little and D. B. Rubin, Statistical Analysis With Missing Data, 2nd ed. Wiley, 2002.

7. D. T. Larose, DATA MINING METHODS AND MODELS, New Jersey: John Wiley & Sons, Inc, 2006.

8. D. T. Larose, DISCOVERING KNOWLEDGE IN DATA : An Introduction to DATA MINING, Hoboken, New Jersey: John Wiley & Sons, Inc., 2005. 9. U. D, “Mining an Online Auctions Data Warehouse,” The Mid-Atlantic

Student Workshop on Programming Languages and Systems, vol. 19, 2002. 10.J. Santoni, “Implementasi Data Mining Dengan Metode Market Basket

Analysis,” Teknologi Informasi dan Pendidikan, vol. 5, p.2, Sep.2012.

11.R. S. Pressman, Software Engineering - A Practitionar's Approach, 5th ed. McGraw-Hill International, 2001.


(2)

iii

KATA PENGANTAR

Assalaamu’alaikum wr.wb,

Alhamdulillahi Rabbil alamiin, segala puji dan syukur penulis panjatkan kepada Allah SWT atas rahmat dan karunia-Nya sehingga penulis dapat

menyelesaikan skripsi yang berjudul “Penerapan Data Mining Pada Penjualan Produk Benang Di PT. Bandung Perkasa Jaya Menggunakan Metode Association” sebagai syarat untuk menyelesaikan program studi Strata I Jurusan Teknik Informatika Fakultas Teknik dan Ilmu Komputer di Universitas Komputer Indonesia dengan sebaik-baiknya.

Penyusunan skripsi ini tidak akan terwujud tanpa adanya dukungan, bantuan, kerjasama dan masukan dari berbagai pihak dan rahmat dari Allah SWT sehingga penulis dapat mengatasa kendala-kendala yang dihadapi. Untuk itu, penulis ingin menyampaikan terima kasih yang sebesar-besarnya kepada :

1. Allah SWT yang saya cintai, yang telah memberikan karunia, hidayah, kesehatan, kesabaran, ketenangan, kekuatan, petunjuk dan kemudahan selama mengerjakan skripsi ini. Shawalat dan salam selalu tercurahkan kepada Baginda Rasulullah Muhammad SAW.

2. Keluarha dekat penulis, kepada mamah, Bapak, sepupu, sodara dan kakak saya yang selalu membantu usaha saya dalam menyelesaikan kuliah baik berbentuk moral ataupun material.

3. Ibu Dian Dharmayanti, S.T., M.Kom. selaku dosen pembimbing 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 reviewer yang

telah memberikan saran dan kritiknya dalam penyusunan skripsi ini.

5. Bapak Andri Heryandi, S.T. sebagai dosen penguji tiga selama sidang skripsi berlangsung


(3)

iv

6. Ibu Sufaatin, S.T., M.Kom. selaku dosen wali IF-10 angkatan 2015.

7. Teman-teman IF10 angkatan 2010 yang telah bersama-sama melewati masa-masa perkuliahan ada yang 4 tahun, ada yang 5 tahun, ada yang 9 semester dan sisanya.

8. Kepada teman skripsi seperjuangan dari awal sidang proposal hingga yudisium dan wisuda.

9. Kepada Rizka Maria Merdeka, Suci Iwari, Zefi Firmansyah Atmadipura, dan sahabat serta teman-teman lainnya.

10.Seluruh Dosen dan Staf pengajar jurusan Teknik Informatika Universitas Komputer Indonesia.

11.Semua pihak yang terlibat dan ikut membantu dalam skripsi ini baik secara langsung maupun tidak langsung.

Sangat disadari bahwa dalam pelaksanaan dan penyusunan laporan skripsi ini masih banyak kekurangan dan jauh dari kesempurnaa. Oleh karena itu, sadan dan kritik yang membangun sangat diharapkan untuk pengembangan ke arah yang lebih baik.

Bandung, 29 Juli 2015


(4)

(5)

(6)