Penerapan data mining pada penjualan produk kaos kaki di pabrik kalvin socks production menggunakan metode association

31

BAB III

ANALISIS DAN PERANCANGAN SISTEM

III.1 Analisis Sistem

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

1. Analisis Masalah 2. Analisis Sumber Data 3. Analisis Preprocessing Data

4. Analisis Penerapan Metode Association Rule 5. Analisis Spesifikasi Kebutuhan Perangkat Lunak 6. Analisis Kebutuhan Non-Fungsional

7. Analisis Kebutuhan Fungsional

8. Spesifikasi Proses Kamus Data DFD

III.1.1 Analisis Masalah

Adapun analisis masalah di Kalvin Sock Production adalah sebagai berikut : a. Beragamnya jenis hasil kaos kaki yang diproduksi oleh Kalvin Socks Production membuat pihak bagian produksi sulit untuk menentukan jenis kaos kaki apa saja yang harus disediakan sebagai persediaan barang untuk dijual.

b. Penentuan jenis kaos kaki yang akan diproduksi berdasarkan history

penjualan barang yang sering dijual sering meleset sehingga terjadi penumpukan barang di gudang.

Untuk mengurangi atau bahkan mengatasi permasalahan di atas, pihak terkait di perusahaan diharapkan dapat mengambil keputusan untuk menentukan jenis kaos kaki yang akan diproduksi. Agar dapat melaksanakan hal tersebut, perusahaan memerlukan informasi yang cukup untuk dapat dianalisis lebih lanjut. Informasi yang dihasilkan tentunya adalah hasil analisis dari pengolahan data penjualan di perusahaan tersebut. Data penjualan yang telah ada akan diolah atau dianalisis untuk megetahui pola pembelian pelanggan terhadap jenis kaos kaki tertentu, sehingga perusahaan dapat mengetahu jenis kaos kaki mana saja yang sering dibeli oleh pelanggannya. Hasil tersebut juga dapat dijadikan pertimbangan sebagai penentuan jenis kaos kaki apa saja yang harus diproduksi secara bersamaan untuk persediaan kaos kaki.

III.1.2 Analisis Sumber Data

III.1.2.1 Sumber data yang digunakan

Sumber data yang digunakan pada penelitian ini diambil dari :

a. Laporan transaksi penjualan kaos kaki periode Juni 2014 sampai dengan Agustus 2014. Data sampel transaksi penjualan dapat dilihat pada tabel D-2 dalam lampiran D.

III.1.3 Analisis Preprocessing Data

Adapun langkah-langkah preprocessing data dalam penelitian ini adalah sebagai berikut :

1. Pemilihan Atribut (atribut selection)

Berdasarkan informasi yang ingin didapat oleh pengguna mengenai jenis produk yang dibeli secara bersamaan, maka dalam tahap pemilihan atribut ini, atribut yang akan digunakan dari data hasil ekstraksi pada tabel D-1 dalam lampiran D adalah atribut NoNota dan kodeBarang. Atribut NoNota adalah ID dari transaksi dan atribut kodeBarang adalah kode dari jenis barang yang dibeli. Hasil pemilihan atribut pada tabel D-1 dapat dilihat pada tabel D-2 dalam lampiran A.

2. Pembersihan Data (data cleaning)

Pada tahap pembersihan data, hasil pemilihan atribut pada tabel D-2 akan dibersihkan dari data transaksi yang mengandung item tunggal. Data transaksi yang memiliki item tunggal ini tidak memiliki hubungan asosiasi dengan item lain yang sudah dibeli. Hasil pembersihan data dari tabel D-2 dapat dilihat pada tabel D-3 dalam lampiran D.

III.1.4 Analisis Penerapan Metode Association Rule

Penelitian ini bertujuan untuk menentukan jenis barang yang akan diproduksi menggunakan metode data mining associaation rule dengan cara menemukan aturan asosiatif atau pola kombinasi dari suatu item, sehingga dapat diketahui barang apa saja yang dibeli secara bersamaan.

Langkah-langkah proses pengerjaan algoritma apriori dalam penelitian ini adalah sebagai berikut :

1. Asumsi nilai minimum support yang akan digunakan sebesar 20% dari 17 sampel data transaksi yaitu 3,4 ≈ 4 . Data Frequent item dapat dilihat pada tabel D-4 dalam lampiran D.

2. Asumsi nilai minimum confidence yang akan digunakan sebesar 60% , nilai minimum confidence ini untuk menyakinkan kuatnya hubungan antara item

3. Dari data awal pada tabel D-4 dalam lampiran D dapat diketahui kandidat

itemset ke-1 (C1), jumlah transaksi dan nilai support yang dihitung dengan

persamaan II.1. Data tersebut dapat dilihat pada tabel D-5 dalam lampiran D. 4. Data yang nilai support-nya kurang dari nilai minimum support akan

dihilangkan. Data tersebut dapat dilihat pada tabel D-6 dalam lampiran D. 5. Setelah mendapatkan data yang nilai support-nya lebih dari sama dengan nilai

minimum support, untuk mendapatkan 2-itemset (C2) maka gabungkan hasil

dari L1 x L1. Maka hasilnya dapat dilihat pada tabel D-7 dalam lampiran D.

6. Data yang nilai support-nya kurang dari nilai minimum support akan dihilangkan. Data tersebut dapat dilihat pada tabel D-8 dalam lampiran D. 7. Setelah mendapatkan data yang nilai support-nya lebih dari sama dengan nilai

minimum support, untuk mendapatkan 3-itemset (C3) maka gabungkan hasil

dari L2 x L2. Itemset yang dapat digabungkan adalah itemset yang memiliki

kesamaan dalam k-1 item pertama. Maka hasilnya dapat dilihat pada tabel D-9 dalam lampiran D.

8. Data yang nilai support-nya kurang dari nilai minimum support akan dihilangkan. Data tersebut dapat dilihat pada tabel D-10 dalam lampiran D. 9. Dikarenakan data pada tabel D-10 dalam lampiran D kosong atau tidak

memiliki data yang memenuhi batas minimum support, maka proses untuk membentuk itemset selanjutnya terhenti.

10.Setelah itu, dari hasil itemset yang telah dihasilkan tersebut dibentuk aturan asosiasi yang memenuhi nilai support dan confidence yang telah ditentukan. Untuk menghitung nilai confidence dapat menggunakan persamaan II.4 dan hasilnya dapat dilihat pada tabel D-11 dalam lampiran D.

11.Adapun kesimpulan dari tabel D-11 dalam lampiran D adalah :

a.Jika pelanggan membeli ‘smp h kaoxin’ maka pelanggan juga membeli

‘smp p kaoxin’ dengan nilai support 23.52941 % dan nilai confidence 80 % .

b.Jika pelanggan membeli ‘smp h kaoxin’ maka pelanggan juga membeli

‘sma p kaoxin’ dengan nilai support 23.52941 % dan nilai confidence 80 % .

c.Jika pelanggan membeli ‘sma h kaoxin’ maka pelanggan juga membeli ‘sma p kaoxin’ dengan nilai support 29.41176 % dan nilai confidence 83,33333 % .

d.Jika pelanggan membeli ‘smp p kaoxin’ maka pelanggan juga membeli

‘sma p kaoxin’ dengan nilai support 23.52941 % dan nilai confidence 80 % .

III.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.2.1 Analisis Kebutuhan Non-Fungsional

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

III.2.1.1 Analisis Kebutuhan Perangkat Keras

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

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

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

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

f. Mouse : optical

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

a. Processor berkecepatan minimal 2Ghz b. Hardisk 1GB untuk penyimpanan data c. Memory 512 MB

d. Monitor e. Keyboard

3. Evaluasi kebutuhan perangkat keras

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

III.2.1.2 Analisis Kebutuhan Perangkat Lunak

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

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

a. Sistem operasi Windows 7 b. Microsoft office

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

a. Sistem Operasi Windows 7 b. XAMPP sebagai database server

c. Visualstudio 2010 d. SQLyog Enterprise

3. Evaluasi kebutuhan perangkat lunak

Berdasarkan analisis spesifikasi perangkat lunak yang ada di Kalvin Socks Production, spesifikasi perangkat lunak yang akan digunakan kurang memenuhi spesifikasi perangkat lunak yang dibutuhkan. Kekurangan tersebut dapat diatasi dengan meng-install XAMPP dan Visual Studio pada komputer yang digunakan.

III.2.1.3 Analisis User (Pengguna)

Analisis user dibuat untuk mengetahui siapa saja dan seperti apa saja karakteristik yang dimiliki oleh orang yang dapat menggunakan aplikasi yang akan dibuat. Untuk lebih jelas mengenai karakteristik pengguna, dapat dilihat pada tabel III.1.

Tabel III. 1 Karakteristik Pengguna

Pengguna Tanggung

jawab Hak akses

Tingkat Pendidikan

Tingkat

Keterampilan Pengalaman

User mengoperasikan aplikasi sesuai dengan tugas yang diberikan

Melakukan kegiatan yang berhubungan dengan isi tampilan yang

ada pada

program aplikasi Minimal Sekolah Menengah Atas (SMA) Memahami konten yang tersedia pda program aplikasi Minimal mampu mengoperasikan komputer

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

III.2.1.4 Analisis Basis Data

Berikut adalah ERD dari perangkat lunak yang akan dibangun,

Detail_penjualan Hasil hasil_preprocessing

Rule Generate Id_detailTransaksi tanggal kodeBarang namaBarang no No_rule 1 N 1 N Penjualan NoNota memiliki 1 N antecedent consequent support confidence

III.2.2 Analisis Kebutuhan Fungsional III.2.2.1 Diagram Konteks

Berikut adalah diagram konteks dari perangkat lunak yang akan dibangun.

PENGGUNA

Aplikasi Data Mining Association Rule Kalvin Socks Production Alamat file

Data nilai minimum support Data nilai minimum confidence

Info data Penjualan Info Data Frequent item

Info Data antecedent Info Data Consequent Info Data nilai minimum support Info Data nilai minimum confidence

Laporan Transaksi Penjualan.xls

Data Laporan Transaksi Penjualan

III.2.2.2 Data Flow Diagram

Data flow Diagram berfungsi untuk memudahkan pengguna yang kurang menguasai bidang komputer agar dapat mengerti perangkat lunak yang akan dijalankan. Berikut data flow diagram untuk perangkat lunak yang akan dibangun. III.2.2.2.1 DFD Level 1

Pengguna

1 Preprocessing

Data

2 Proses Asosiasi Alamat File laporan transaksi

penjualan

penjualan Data penjualan

Data penjualan

Data Nilai Minimum Support

Data Nilai Minimum Confidence

rule

Data rule

hasil_preprocessing Info data penjualan

Data hasil preprocessing

Data rule

Laporan Transaksi Penjualan.xls

Data Laporan Transaksi Penjualan

Data hasil preprocessing

Info Data Antecedent

Info Data Consequent

Info Data Nilai Support

Info Data Nilai Confidence

Detail penjualan Data dettail_penjualan

Data detail_ penjualan

III.2.2.2.2 DFD Level 2 untuk Proses Preprocessing Data Pengguna 1.1 Pemilihan File Transaksi 1.3 Pemilihan Atribut 1.4 Pembersihan Data 1.2 Penyimpanan ke Database Alamat file laporan transaksi penjualan

Laporan Transaksi Penjualan.xls

Data Laporan Transaksi Penjualan

Data Laporan Transaksi Penjualan

penjualan Data penjualan

Data penjualan

Data hasil penyimpanan Info Data penjualan

Hasil_prepocessing Datal hasil pemilihan atribut

Data pembersihan Data hasil preprocessing

Detail_penjualan Data detail_ penjualan

Data detail_penjualan

Gambar III. 4 DFD level 2 untuk Proses Preprocessing Data

III.2.2.2.3 DFD Level 2 Untuk Proses Asosiasi

Pengguna 2.1 Algoritma Apriori 2.2 Pembentukan Aturan Asosiasi hasil_preprocessing Data hasil_preprocessing Rule Data Rule

Data Nilai Minimum Confidence Data Nilai Minimum Support

kandidatK Data kandidatK

Data kandidatK

Data kandidatK

Data Rule Info Data Antecedent

Info Data Consequent Info Data Nilai Support Info Data Nilai Confidence

III.2.2.2.4 DFD Level 3 untuk proses Algoritma Apriori

Pengguna

2.1.1 Kandidat

k-itemset

2.1.2 Penghapusan data

yang kurang dari minimum support

hasil_preprocessing

Data hasil_preprocessing

kandidatK Data kandidatK

Data kandidatK

Data Frequent Data Nilai Minimum Confidence

Data Nilai Minimum Support

Data kandidatK

Gambar III. 6 DFD level 3 untuk proses Algoritma Apriori

III.2.2.2.5 DFD Level 3 untuk Proses Pembentukan Aturan Asosiasi

Pengguna

2.2.1 Perhitungan Nilai

Confidence

2.1.2 Penghapusan data

yang kurang dari minimum

confidence

kandidatK Data kandidatK

Data nilai confidence

rule Data rule

Data rule Info Data Antecedent

Info Data Consequent Info Data Nilai Support Info Data Nilai Confidence

III.2.2.3 Spesifikasi Proses

Untuk lebih menjelaskan tentang proses-proses yang ada dalam DFD maka dibuatlah spesifikasi proses. Tabel III.2 akan membahas tentang proses-proses yang ada dalam DFD dari perangkat lunak yang akan dibangun.

Tabel III. 2 Spesifikasi Proses

No Proses Keterangan

1 _{No Proses 1}

Nama Proses Preprocessing Data

Source(Sumber) Pengguna

Input _{Data Alamat file laporan transaksi penjualan} Output Info Data Laporan Transaksi Penjualan

Destination (Tujuan) _{Menghasilkan data hasil preprocessing untuk dianalisis}

Logika Proses 1. Pengguna memasukan alamat file excel

2. Sistem akan mengekstrak data excel ke dalam database, 3. Setelah itu, sistem akan memilih atribut NoNota dan

kodeBarang dari hasil ekstraksi dan menyimpan ke dalam tabel lain di database yang sama,

4. Kemudian sistem akan membersihkan data pada Tabel hasil pemilihan atribut, pembersihan data berupa penghapusan data transaksi yang memiliki item tunggal.

2 _{No Proses 2}

Nama Proses Proses Asosiasi

Source(Sumber) Pengguna

Input _{Data nilai minimum support, Data nilai minimum confidence} Output Info data Antecedent, Info Data Consequent, info data nilai

minimum support, info data nilai minimum confidence.

Destination (Tujuan) Menghasilkan aturan asosiasi dengan nilai minimum support dan nilai minimum confidence yang telah ditentukan pengguna Logika Proses 1. Pengguna memasukan nilai minimum support dan nilai

minimum confidence,

2. Sistem akan mencari kandidat1-itemset (kandidat1) dari data hasil preprocessing dan menghitung banyaknya transaksi yang mengandung 1-itemset tersebut,

3. Kemudian sistem akan menghapus data kandidat 1-itemset

yang memiliki jumlah transaksi kurang dari minimum support, 4. Setelah data kandidat 1-itemset memenuhi syarat minimum

support, sistem akan menggabungkan hasil kandidat1 untuk mencari kandidat 2-itemset dan menghitung banyaknya transaksi yang mengandung 2-itemset tersebut,

5. Kemudian sistem akan menghapus data kandidat 2-itemset

yang memiliki jumlah transaksi kurang dari minimum support, 6. Proses pada langkah 2 dan 3 akan terus dilakukan hingga tidak

bisa dibentuk kandidat k-itemset selanjutnya.

7. Setelah itu, sistem akan membentuk aturan asosiasi dari hasil kandidat-kandidat yang dihasilkan dan menghitung nilai

8. Kemudian sistem akan melakukan penghapusan pada data aturan asosiasi yang tidak memenuhi nilai minimum confidence,

9. Setelah data aturan asosiasi memenuhi aturan minimum confidence, maka sistem akan menghasilkan data aturan asosiasi yang memenuhi nilai minimum support dan nilai

minimum confidence.

3 _{No Proses 1.1}

Nama Proses Pemilihan File Transaksi

Source(sumber) Pengguna

Input Alamat File laporan transaksi penjualan, data laporan transaksi penjualan.

Output Memilih file laporan transaksi penjualan.xls yang akan disimpan ke dalam database.

Destination(Tujuan) Memilih file laporan transaksi penjualan untuk proses

preprocessing data

Logika Proses 1. Sistem akan menampilkan form untuk menyimpan data transaksi penjualan dalam bentuk file excel ke dalam database. 2. Pengguna mengklik tombol ‘Pilih File’untuk memilih file

laporan transaksi penjualan.xls

3. Sistem akan menampilkan tampilan explorer untuk mencari data laporan transaksi penjualan.xls yang akan disimpan. 4. Setelah file data laporan transaksi penjualan dipilih, maka

sistem akan menampilkan alamat file tersebut dalam isian teks alamat file.

4 _{No Proses 1.2}

Nama Proses Penyimpanan ke database

Source(sumber) Data laporan transaksi penjualan

Input _{Data laporan transaksi penjualan}

Output Menampilkan data laporan transaksi penjualan yang telah disimpan ke dalam database.

Destination(Tujuan) _{Menyimpan data laporan transaksi penjualan ke dalam database.} Logika Proses 1. Setelah file data laporan transaksi penjualan dipilih, maka

sistem akan menampilkan alamat file tersebut dalam isian teks alamat file.

2. Pengguna mengklik ‘Simpan’ untuk menyimpan data laporan transaksi penjualan ke dalam database dan menampilkan data laporan transaksi penjualan yang telah tersimpan di dalam database.

3. Jika isian alamat file masih kosong, maka akan menampilkan pesan kesalahan.

5 _{No Proses 1.3}

Nama Proses Pemilihan Atribut

Source(sumber) Data penjualan

Input _{Data transaksi penjualan hasil penyimpanan ke dalam database} Output Data hasil pemilihan atribut

Logika Proses 1. Sistem men-scan data penjualan yang telah disimpan ke dalam database,

2. Sistem memilih atribut mana saja yang akan digunakan dalam proses data mining, atribut yang dipilih adalah NoNota dan kodeBarang

3. Hasil pemilihan atribut disimpan ke dalam tabel baru dalam database.

6 No Proses 1.4

Nama Proses Pembersihan Data

Source(sumber) Data hasil pemilihan atribut

Input Data hasil pemilihan atribut

Output Info data hasil pembersihan

Destination(Tujuan) Membersihkan data hasil pemilihan atribut yang memiliki transaksi dengan item tunggal.

Logika Proses 1. Sistem memilih data hasil pemilihan atribut yang telah disimpan dalam database.

2. Jika data hasil pemilihan atribut memiliki data transaksi yang memiliki item tunggal atau hanya memiliki satu jenis barang maka record tersebut akan dihapus .

3. Jika tidak memiliki data transaksi yang memiliki item tunggal maka data hasil pemilihan atribut sudah bersih dan dapat digunakan untuk proses data mining

7 _{No Proses 2.1}

Nama Proses Algoritma Apriori

Source(Sumber) Pengguna

Input _{Data nilai minimumsupport, data nilai minimumconfidence} Output Menghasilkan data kandidat k-itemset yang frequent dan memenuhi

nilai minimumsupport.

Destination (Tujuan) _{Menghasilkan data kandidat k-itemset yang frequent}

Logika Proses 1. Sistem akan menampilkan form untuk proses asosiasi 2. Pengguna memasukan nilai minimum support dan nilai

minimum confidence dan mengklik tombol ‘Proses’

3. Jika nilai minimum support dan nilai minimum confidence

kososng, maka sistem akan menampilkan pesan kesalahan. 4. Sistem akan mencari kandidat1-itemset (kandidat1) dari data

hasil preprocessing dan menghitung banyaknya transaksi yang mengandung 1-itemset tersebut,

5. Kemudian sistem akan menghapus data kandidat 1-itemset

yang memiliki jumlah transaksi kurang dari minimum support, 6. Setelah data kandidat 1-itemset memenuhi syarat minimum

support, sistem akan menggabungkan hasil kandidat1 untuk mencari kandidat 2-itemset dan menghitung banyaknya transaksi yang mengandung 2-itemset tersebut

7. Kemudian sistem akan menghapus data kandidat 2-itemset

yang memiliki jumlah transaksi kurang dari minimum support

8. Proses pada langkah 6 dan 7 akan terus dilakukan hingga tidak bisa dibentuk kandidat k-itemset selanjutnya.

8 _{No Proses 2.2}

III.2.2.4 Kamus Data DFD

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

Tabel III. 3 Kamus Data DFD

Nama Laporan Transaksi penjualan

Deskripsi File excel Data laporan transaksi penjualan

Struktur Data Tanggal,NoNota,kodeBarang,namaBarang,jumlah

Tanggal yyyy-mm-dd

NoNota {0-9}

kodeBarang {A-Z|a-z|0-9}

NamaBarang {A-Z|a-z}

jumlah {0-9}

Nama Penjualan

Deskripsi Berisi data penjualan dari laporan transaksi penjualan

Struktur Data Tanggal,NoNota

Tanggal yyyy-mm-dd

NoNota {0-9}

Nama Detail_penjualan

Deskripsi Berisi detail data penjualan

Struktur Data Id_detailTransaksi,NoNota,kodeBarang,namaBarang

id_detailTransaksi {0-9}

NoNota {0-9}

kodeBarang {A-Z|a-z|0-9}

NamaBarang {A-Z|a-z}

Nama hasil_Preprocessing

Deskripsi Berisi data hasil preprocessing dari data penjualan berupa no

nota dan kode barang

Struktur Data NoNota, kodeBarang

NoNota {0-9}

kodeBarang {A-Z|a-z|0-9}

Nama Rule

Deskripsi Berisi data akhir dari hasil proses data mining association

rule

Struktur Data No,Antecedent,Consequent,support,confidence

Source(Sumber) Data kandidatK

Input _{Data kandidatK}

Output Menghasilkan data rule yang memenuhi syarat minimum support

dan nilai minimum confidence

Destination (Tujuan) Menghasilkan aturan asosiasi dengan nilai minimum support, nilai minimum confidence

Logika Proses 1. Sistem membentuk aturan dari data kandidatk yang telah dihasilkan menjadi antecedent dan consequent.

2. Sistem akan menghitung nilai support dan nilai confidence dari masing-masing aturan yang dihasilkan.

3. Sistem menampilkan aturan asosiasi yang memenuhi batas nilai

No_rule {0-9}

Antecedent {A-Z|a-z|0-9}

Consequent {A-Z|a-z|0-9}

support {0-9}

confidence {0-9}

Nama kandidatK

Deskripsi Data kandidat k-itemset

Struktur Data Item1,itemK,jml

Item1 {A-Z|a-z|0-9}

itemK {A-Z|a-z|0-9}

Jml {0-9}

Nama Alamat file laporan transaksi penjualan

Deskripsi Alamat file excel laporan transaksi penjualan

Struktur Data -

Nama Nilai Minimum Support

Deskripsi Jumlah minimum transaksi yang diinginkan pengguna

Struktur Data -

Nama Nilai Minimum confidence

Deskripsi Presentase nilai kepastian kuatnya hubungan antar-item

dalam aturan asosiasi yang diinginkan pengguna

III.2.2.5 Skema Relasi

Skema relasi dari aplikasi data mining yang akan dibangun dapat dilihat pada gambar dibawah ini,

rule

PK No_rule

FK1 No

antecedent consequent support confidence Penjualan

PK NoNota

Tanggal

detail_penjualan

PK id_detailTransaksi

FK1 NoNota kodeBarang namaBarang

hasil_preprocessing

PK No

FK1 id_detailTransaksi NoNota

Gambar III. 8 Skema Relasi III.2.2.6 Struktur Tabel

Berikut adalah tabel-tabel yang terdapat dalam basis data yang digunakan dalam perangkat lunak yang akan dibangun :

Tabel III. 4 Struktur Tabel Penjualan

Nama Tabel : Penjualan

Nama Field Type Kunci Keterangan

tanggal date Not Null

NoNota Int(8) Primary Key Not Null

Tabel III. 5 struktur tabel detail penjualan

Nama Tabel : detail_penjualan

Nama Field Type Kunci Keterangan

Id_detailTransaksi Int(8) Primary key Not Null

NoNota Int(8) Foreign Key references penjualan (NoNota) Not Null

kodeBarang Varchar(5) Not Null

Tabel III. 6 struktur tabel hasil_preprocessing

Nama Tabel : hasil_preprocessing

Nama Field Type Kunci Keterangan

No Int(8) Primary Key (auto increment) Not Null

NoNota Int(8) Foreign Key references penjualan

(NoNota) Not Null

Tabel III. 7 struktur tabel kandidatK

Nama Tabel : kandidatK

Nama Field Type Kunci Keterangan

Item1 Varchar(5) Not Null

Itemk Varchar(5) Not Null

Jml Int(8) Not Null

Tabel III. 8 struktur tabel rule

Nama Tabel : Rule

Nama Field Type Kunci Keterangan

No_rule Int(8) Primary Key (auto increment) Not Null

No Int(8) Foreign Key references

hasil_preprocessing(No) Not Null

antecedent Varchar(50) Not Null

consequent Varchar(50) Not Null

Support Float Not Null

III.3 Perancangan Arsitekur

Perancangan arsitektur merupakan perancangan yang dbuat sebelum perangkat lunak dibangun. Perancangan Arsitektur ini terdiri dari perancangan struktur menu, perancangan antar muka, dan jaringan semantik.

III.3.1 Perancangan Struktur Menu

Dalam perancangan 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 KALVIN SOCKS PRODUCTION

Preprocessing Data Proses Asosiasi

III.3.2 Perancangan Antarmuka

Perancangan tampilan perangkat lunak bertujuan untuk memberikan gambaran-gambaran tenatang perangkat lunak yang akan dibangun, sehingga akan mempermudah dalam mengimplementasikan perangkat lunak. berikut merupakan perancangan antarmuka dari perangkat lunak yang akan dibangun :

III.3.2.1 Perancangan Tampilan Program

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

a. Tampilan Halaman Utama

Ukuran, font, Background dan warna disesuaikan

· Klik ‘Preprocessing Data’ untuk menuju

T02

· Klik ‘Proses asosiasi’ ’

untuk menuju T03

APLIKASI DATA MINING ASSOCIATION RULE KALVIN SOCK PRODUCTION

T01 - X

Preprocessing Data Proses Asosiasi

Logo

b. Tampilan Preprocessing Data

Ukuran, font, Background dan warna disesuaikan

· Klik ‘Pilih File’ untuk

memilih file excel yang akan digunakan · klik ‘Simpan’ untuk

untuk menampilkan P01 danmenyimpan data file excel ke dalam database · Jika button simpan

diklik dan data alamat file masih kosong maka akan muncul P02

· Jika penyimpanan berhasil akan muncul P03

· Jika penyimpanan tidak berhasil muncul P04

T02 - X

Pilih File Simpan

Datagrid view

Nama Berkas

Preprocessing Data Proses Asosiasi

Total Transaksi Awal

Total Transaksi akhir

Gambar III. 11 Tampilan Preprocesing Data(T02) 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 ‘Analisis’ untuk

memproses analisis data mining dan menampilkan hasil dari pembentukan aturan asosiasi · Jika terjadi kesalahan

inputan data maka akan muncul pesan P05,P06,P07,P08

T03 - X

Total Transaksi Minimum Confidence textBox 2 Analisis

Tabel hasil pembentukan aturan asosiasi Minimum Support textBox 1

Preprocessing Data Proses Asosiasi

Tabel detail hasil pembentukan aturan asosiasi

III.3.2.2 Perancangan Tampilan Pesan

Berikut ini adalah perancangan pesan dari aplikasi yang akan dibangun.

Pilih File Terlebih dahulu !

OK

P01 X

Simpan Data Ke Database ?

No

P02 X

Yes

Data Berhasil Disimpan

OK

P03 X

Terjadi Kesalahan, Ulangi Pemilihan File

OK

P04 X

Nilai Minimum Support Tidak Boleh kosong !

OK

P05 X

Isi Nilai Minimum Support Antara 1-100

OK

P06 X

Nilai Minimum Confidence Tidak Boleh kosong !

OK

P07 X

Isi Nilai Minimum Confidence Antara 1-100

OK

P08 X

III.3.2.3 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,P08

9

BAB II

TINJAUAN PUSTAKA

II.1 Tentang Kalvin Socks Production

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

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

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

Nama Perusahaan : KALVIN

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

Pemilik Perusahaan : H. Sutarna

II.1.1 Struktur organisasi perusahaan

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

Montir Teknisi Karyawan Harian Karyawan Borongan Karyawan Harian

Ka. Bagian Mesin Ka. Bagian Produksi

Hendra Ka. Bagian Gudang

Pengelola Yeni Meilawati, S.E

Pemimpin H. Sutarna

Gambar II. 1 Struktur Organisasi Kalvin Socks Production

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

1. Pengelola :

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

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

3. Kepala Bagian Produksi

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

4. Kepala Bagian Gudang

II.2 Landasan Teori

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

II.2.1 Pengertian data mining

Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database[1].

Menurut Pramudiono, “Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang

selama ini tidak diketahui secara manual.”

Menurut Larose, “Data mining merupakan bidang dari beberapa bidang keilmuan yang menyatukan teknik dari pembelajaran mesin, pengenalan pola, statistik, database, dan visualisasi untuk penanganan permasalahan pengambilan informasi dari databaseyang besar.”

Menurut larose kemajuan luar biasa yang terus berlanjut dalam bidang

data mining didorong oleh beberapa faktor, antara lain : 1. Pertumbuhan yang cepat dalam kumpulan data.

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

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

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

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

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

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

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

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

Adapun masalah-masalah yang sesuai untuk diselesaikan dengan teknik data mining bila dicirikan dengan[2]:

1. Memerlukan keputusan yang bersifat knowledge-based. 2. Mempunyai lingkungan yang berubah.

3. Metode yang ada sekarang bersifat sub-optimal. 4. Tersedia data yang bisa diakses, cukup dan relevan.

5. Memberikan keuntungan yang tinggi jika keputusan yang diambil tepat.

II.2.2 Tahapan data mining

Istilah data mining dan knowledge discovery in database (KDD) sering kali digunakan secara bergantian untuk menjelaskan proses penggalian informasi tersembunyi dalam suatu basis data yang besar. Salah satu tahapan dalam keseluruhan proses KDD adalah data mining. Proses KDD secara garis besar dapat dijelaskan sebagai berikut[1]:

1. Data Selection

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

2. Pre-Processing/cleaning

Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses

cleaning pada data yang menjadi fokus KDD. Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi). Juga dilakukan proses enrichment, yaitu proses “memperkaya” data yang sudah ada dengan data atau informasi lain yang relevan dan diperlukan untuk KDD, seperti data atau informasi eksternal. Pre-processing data adalah hal yang harus dilakukan dalam proses data mining karena tidak semua data atau atribut data

dalam data digunakan dalam proses data mining. Proses ini dilakukan agar data yang akan digunakan sesuai dengan kebutuhan. Adapun langkah-langkah

preprocessing adalah sebagai berikut : a. Pemilihan Atribut (atribut selection)

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

b. Pembersihan data (data cleaning)

Proses menghilangkan noise dan menghilangkan data yang tidak relevan

disebut pembersihan data.

3. Transformation

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

4. Data mining

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

5. Interpretation/evaluation

Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak berkepentingan. Tahap ini merupakan bagian dari proses KDD yang disebut interpretation. Tahap ini mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesis yang ada sebelumnya.

II.2.3 Arsitektur data mining

Umumnya sistem data mining terdiri dari komponen-komponen berikut: a. Database, data warehouse, atau media penyimpanan informasi

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

dapat dilakukan pada data-data tersebut. b. Database atau data warehouseserver

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

c. Basis Pengetahuan (knowledge base)

Merupakan basis pengetahuan yang digunakan sebagai panduan dalam pencarian pola.

d. Data mining engine

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

e. Pattern evaluation module

Yaitu bagian dari software yang berfungsi untuk menemukan pattern atau pola-pola yang terdapat di dalam database yang diolah sehingga nantinya proses

data mining dapat menemukan knowledge yang sesuai.

f. Graphical user interface

Bagian ini merupakan sarana antara user dan sistem data mining untuk berkomunikasi, dimana user dapat berinteraksi dengan sistem melalui data mining query, untuk menyediakan informasi yang dapat membantu dalam pencarian

knowledge. Lebih jauh lagi, bagian ini mengijinkan user untuk melakukan

browsing pada database dan data warehouse, mengevaluasi pattern yang telah dihasilkan, dan menampilkan pattern tersebut dengan tampilan yang berbeda-beda.

II.2.4 Asosiasi (Association)

Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisi keranjang belanja. Aturan yang menyatakan asosiasi antara beberapa atribut sering disebut

affinity analiysis atau market basket analysis. Analisis asosiasi atau Association rule mining adalah teknik data mining untuk menemukan aturan asosiatif antara suatu kombinasi item.

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

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

Metodologi dasar analisis asosiasi terbagi menjadi dua tahap[1] : 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.

….. Persamaan (II.1)

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

….. Persamaan (II.2)

2. Pembentukan Aturan Asosiasi

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

dengan menghitung confidence aturan Asosiatif .

Misalkan D adalah himpunan transaksi, dimana setiap transaksi T dalam D merepresentasikan himpunan item yang berada dalam I. I adalah himpunan item

yang dijual. Misalkan kita memilih himpunan item A dan himpunan item lain B, kemudian aturan asosiasi akan berbentuk:

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

Tidak berarti

Sebuah itemset adalah himpunan item-item yang ada dalam I, dan k-itemset adalah

itemset yang berisi k item. Frekuensi itemset merupakan itemset yang memiliki

frekuensi kemunculan lebih dari nilai minimum yang telah ditentukan (ɸ). Misalkan ɸ = 2, maka semua itemset yang frekuensi kemunculannya lebih dari atau sama dengan 2 kali disebut frequent. Himpunan dari frequent k-itemset

dilambangkan dengan Fk.

Nilai confidence dari aturan diperoleh dari rumus berikut.

…..Persamaan(II.4)

II.2.4.1 Langkah-Langkah Proses Aturan Asosiasi

Proses aturan asosiasi terdiri dari beberapa tahap sebagai berikut[4] :

1. Sistem men-scan database untuk mendapatkan kandidat 1-itemset (himpunan item yang terdiri dari 1 item) dan menghitung nilai supportnya. Kemudian

nilai supportnya tersebut dibandingkan dengan minimum support yang telah ditentukan, jika nilainya lebih besar atau sama dengan minimum support

maka itemset tersebut dalam largeitemset.

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

3. Pada iterasi kedua sistem akan menggunakan hasil large itemset pada iterasi pertama(L1) untuk membentuk kandidat itemset kedua(L2). Pada itersi

selanjutnya akan menggunakan hasil large itemset pada iterasi sebelumnya(Lk-1) untuk membentuk kandidat itemset berikut(LK). Sistem

akan menggabungkan(join) (Lk-1) dengan (Lk-1) untuk mendapatkan (Lk),

seperti pada iterasi sebelumnya sistem akan menghapus(prune) kombinasi

itemset yang tidak termasuk dalam large itemset.

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

tersebut dihitung supportnya.

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

6. Setekah itu, dari hasil frequent itemset tersebut dibentuk association rule

yang memenuhi nilai support dan confidence yang telah ditentukan.

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

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

9. Untuk setiap large itemset L, kita cari himpunan bagian L yang tidak kosong. Untuk setiap himpunan bagian tersebut, dihasilkan rule dengan bentuk aB(L-a)

jika supportnya (L) dan supportnya (a) lebih besar dari minimum support.

II.2.5 Algoritma Apriori

Ada beberapa algortima yang sudah dikembangkan mengenai aturan asosiasi, namun ada satu algortima klasik yang sering digunakan yaitu algoritma apriori. Algoritma a priori termasuk jenis aturan asosiasi pada data mining. Ide

dasar dari algoritma ini ialah dimulai dengan mengembangkan frequent item set

dengan menggunakan satu item dan secara rekrusif mengembangkan frequent item set dengan dua item, tiga item dan seterusnyaa hingga frequent item set dengan semua ukuran. Untuk mengembangkan frequent item set dengan satu item

relatif mudah dilakukan dengan menghitung untuk setiap item, berapa banyak transakasi yang mengandung item tersebut. Jumlah transaksi yang didapat adalah support untuk set satu item tersebut. Selanjutnya kita bisa menghilangkan set satu

item yang nilai supportnya dibawah batas tertentu yang kita tetapkan untuk mendapatkan daftar frequent set dengan satu item.

Untuk mengembangkan frequent set dengan dua item, kita bisa menggunakan frequent set satu item. Alasannya adalah bila set satu item tidak melebihi support minimum, maka sembarang ukuran item set yang lebih besar tidak akan melebihi support minimum tersebut. Secara umum, mengembangkan

set dengan Fk – item menggunakan frequent set dengan k-1 item yang

dikembangkan dalam langkah sebelumnya. Setiap langkah memerlukan sekali pemeriksaan ke seluruh isi database, karena itu algoritma apriori sangat cepat bahkan untuk database dengan item-item unik dalam jumlah besar.

Langkah-langkah proses pengerjaan algoritma apriori adalah sebagai berikut :

1. Tentukan nilai minimum support. 2. Tentukan nilai minimum confidence.

3. Cari data kandidat itemset ke-k (Ck) dan hitung frequent itemset-nya. 4. Tentukan nilai support-nya.

5. Hilangkan data yang nilai support-nya kurang dari nilai minimum support. 6. Setelah mendapatkan data yang nilai support-nya lebih dari nilai minimum

support (frequent), gabungkan data-data tersebut sehingga menciptakan

k-itemset.

7. Ulangi langkah 3 sampai dengan langkah 6 sampai proses penggabungan data tidak menghasilkan data baru.

9. Hilangkan data yang nilai confidence-nya kurang dari nilai minimum confidence.

Metode Apriori yang akan digunakan pada penelitian ini, mempunyai beberapa kelebihan :

a. Menggunakan pendekatan apriori untuk mencari maksimal frequent itemset.

b. Membutuhkan hanya sedikit pembacaan database dan meminimalkan pengunaan I/O

Faktor-faktor yang dapat mengakibatkan kompleksitas pada algoritma apriori adalah sebagai berikut :

1. Pemilihan minimum support

a. Dengan menurunkan batas minimum support dapat menyebabkan semakin banyaknya frequent itemset yang didapatkan.

b. Hal ini juga menyebabkan peningkatan jumlah kandidat dan panjang maksimum dari frequent itemset.

2. Dimensi atau jumlah item pada data set

a. Lebih banyak ruang yang dibutuhkan untuk menyimpan hitungan support

untuk setiap item.

b. Jika jumlah pada frequent item juga meningkat, baik komputasi dan I/O cost mungkin juga akan meningkat.

3. Besarnya ukuran database

a. Algoritma akan meningkat dengan jumlah dari transaksi

II.2.6 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[5].

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

1. Pembuatan data-data baru (create database)

2. Penambahan data (insert)

3. Mengubah data (update)

4. Menghapus data (delete).

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

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

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

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

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

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

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

b. DML (Data Manipulation Language)

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

c. DCL (Data Control Language)

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

II.2.7 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”[5].

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.

Manipulasi basis data meliputi pembuatan pernyataan (query) untuk mendapatkan informasi tertentu, melakukan pembaharuan atau penggantian (update) data, serta pembuatan report dari data. Tujuan utama DBMS adalah untuk menyediakan tinjauan abstrak dari data bagi user. Jadi sistem

menyembunyikan informasi mengenai bagaimana data disimpan dan dirawat, tetapi data tetap dapat diambil dengan efisien.

Pertimbangan efisiensi yang digunakan adalah bagaimana merancang struktur data yang kompleks, tetapi tetap dapat digunakan oleh pengguna yang masih awam, tanpa mengetahui kompleksitas stuktur data. Sistem manajemen

database atau database management system (DBMS) adalah merupakan suatu sistem software yang memungkinkan seorang user dapat mendefinisikan, membuat, dan memelihara serta menyediakan akses terkontrol terhadap data.

Database sendiri adalah sekumpulan data yang berhubungan dengan secara logika dan memiliki beberapa arti yang saling berpautan. DBMS yang utuh biasanya terdiri dari :

1. Hardware

Hardware merupakan sistem komputer aktual yang digunakan untuk menyimpan dan mengakses database. Dalam sebuah organisasi berskala besar,

hardware terdiri : jaringan dengan sebuah server pusat dan beberapa program

client yang berjalan di komputer desktop.

2. Software beserta utility Software adalah DBMS yang aktual. DBMS memungkinkan para user untuk berkomunikasi dengan database. Dengan kata lain DBMS merupakan mediator antara database dengan user. Sebuah

database harus memuat seluruh data yang diperlukan oleh sebuah organisasi. 3. Prosedur

Bagian integral dari setiap sistem adalah sekumpulan prosedur yang mengontrol jalannya sistem, yaitu praktik-praktik nyata yang harus diikuti

user untuk mendapatkan, memasukkan, menjaga, dan mengambil data. 4. Data

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

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

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

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

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

II.2.8 Entity Realtionship 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. 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 kardinalitas

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

a. OnetoOne, satu record dipetakan dengan satu record di entitas lain. Contoh: satu nasabah punya satu account.

b. OnetoMany, Satu record dapat dipetakan menjadi beberapa record di entitas lain. Contoh: satu nasabah dapat punya lebih dari satu account.

c. Manyto 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 (joinaccount).

II.2.9 Data Dlow 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.

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

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

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.2.10 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 dalam sistem sehingga pemakai dan penganalisa sistem punya dasar pengertian yang sama tentang masukan, keluaran, penyimpanan dan proses[6].

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.2.11 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[7].

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

Dapat diakses melalui komputer jaringan dengan cara remote. 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.2.12 Sekilas Tentang 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++.

1

BAB I

PENDAHULUAN

I.1 Latar Belakang Masalah

Kalvin Socks Production adalah sebuah perusahaan perseorangan yang bergerak di bidang industri produksi kaos kaki dan telah beroperasi sejak tahun 1987. Hingga kini, Kalvin Socks Production telah melayani sekian banyak transaksi pesanan produksi yang melibatkan 53 jenis kaos kaki. Banyak data yang terlibat dalam setiap transaksi penjualan ini, seperti nomor transaksi, data item

yang dibeli, waktu pembelian dan jumlah item yang dibeli. Saat ini pemanfaatan data yang dimiliki belum maksimal, hanya sebatas arsip, laporan bagi perusahaan dan tidak dimanfaatkan untuk pertimbangan jenis kaos kaki yang akan diproduksi. Kalvin Sock Production memproduksi kaos kaki berdasarkan dua hal, yaitu permintaan agen tetap dan history penjualan banyaknya jenis barang yang sering dijual secara langsung atau eceran. Penentuan produksi berdasarkan history

penjualan jenis barang yang sering dijual, mengakibatkan banyak melesetnya informasi jenis barang yang harus diproduksi, sehingga terjadi penumpukan barang di gudang.

Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan terkait dari berbagai basis data besar [1]. Salah satu metode yang seringkali digunakan dalam teknologi data mining adalah metode asosiasi atau association rule mining. Association rule

merupakan teknik data mining untuk menemukan aturan asosiasi antara suatu kombinasi item[1]. Data mining algoritma asosiasi 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 mengimplementasikan data mining terhadap data transaksi penjualan produk kaos kaki di Kalvin Sock Production dengan menggunakan metode association rule untuk melihat hubungan asosiasi antara sejumlah atribut penjualan. Diharapkan dengan

dianalisisnya data penjualan produk kaos kaki ini dapat mengetahui pola pembelian dari pelanggan dan mengetahui jenis produk apa saja yang harus pihak perusahaan sediakan, yang mana semua informasi ini dapat digunakan oleh pihak perusahaan dalam pertimbangan jenis kaos kaki yang akan diproduksi.

I.2 Rumusan Masalah

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

“Bagaimana cara menerapkan data mining pada penjualan produk kaos kaki di Kalvin Socks Production menggunakan metode association”.

I.3 Maksud Dan Tujuan

Maksud penelitian ini adalah untuk Menerapkan data mining pada penjualan produk kaos kaki di Kalvin Socks Production menggunakan metode association.

Sedangkan tujuan dalam penelitian ini adalah:

1. Membantu pihak perusahaan mengetahui pola pembelian dari pelanggan. 2. Membantu pihak perusahaan mengetahui jenis-jenis, ukuran dan warna kaos

kaki 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 kaos kaki.

2. Penentuan produk yang paling banyak dipesan berdasarkan jenis, ukuran dan warna kaos kaki.

3. Algoritma yang digunakan dalam metode association yang dilakukan adalah Algoritma Apriori.

4. Hasil dari analisis adalah diketahuinya jenis kaos kaki sebagai pertimbangan produksi di Kalvin Socks Production.

5. Metode yang digunakan adalah metode aliran 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#. 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:

1. Metode Pengumpulan Data

Metode yang digunakan pada saat mengumpulkan data sebagai berikut: a. Wawancara

Teknik pengumpulan data dengan cara berinteraksi atau berkomunikasi secara langsung kepada responden dengan mengajukan pertanyaan yang sesuai dengan topik yang diambil. Wawancara dilakukan terhadap wakil pimpinan di Kalvin Socks Production.

b. Observasi

Teknik pengumpulan data dengan cara mengamati objek secara langsung pada proses-proses yang sedang berjalan. Observasi dilakukan terhadap sistem yang sedang berjalan di Kalvin Socks Production.

c. Studi Literatur

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

2. Metode Pembangunan Perangkat Lunak

Perangkat lunak ini akan dibangun menggunakan model air terjun (waterfall). Model waterfall memacu tim pengembang untuk merinci apa yang seharusnya perangkat lunak lakukan (mengumpulkan dan menentukan kebutuhan sistem) sebelum sistem tersebut dikembangkan. Tahap-tahap utama dari model ini memetakan kegiatan-kegiatan pembangunan dasar yaitu:

a. Analisis dan definisi persyaratan

Pelayanan, batasan, dan tujuan sistem ditentukan melalui konsultasi dengan

user sistem. Persyaratan ini kemudian didefinisikan secara rinci dan berfungsi sebagaispesifikasi sistem.

Adapun metode untuk menganalisis data yang digunakan dalam penelitian ini adalah dengan menggunakan data mining. Tahapan dari data mining sebagai berikut [2] :

1. Data selection

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

2. Pre-processing / cleaning

Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses

cleaning pada data yang menjadi fokus KDD. Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi). Juga dilakukan proses enrichment, yaitu proses “memperkaya” data yang sudah

ada dengan data atau informasi lain yang relevan dan diperlukan untuk KDD, seperti data atau informasi eksternal. Pre-processing data adalah hal yang harus dilakukan dalam proses data mining karena tidak semua data atau atribut data dalam data digunakan dalam proses data mining. Proses ini dilakukan agar data yang akan digunakan sesuai dengan kebutuhan.

3. Transformation

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

4. Data mining

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

5. Interpretation/evaluation

Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak berkepentingan. Tahap ini merupakan bagian dari proses KDD yang disebut interpretation. Tahap ini mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesis yang ada sebelumnya.

b. Perancangan sistem dan perangkat lunak

Proses perancangan sistem membagi persyaratan dalam sistem perangkat keras atau perangkat lunak. Kegiatan ini menentukan arsitektur sistem secara keseluruhan. Perancangan perangkat lunak melibatkan identifikasi dan deskripsi abstraksi sistem perangkat lunak yang mendasar dan hubungan-hubungannya. c. Implementasi dan pengujian unit

Pada tahap ini, perancangan perangkat lunak direalisasikan sebagai serangkaian program atau unit telah memenuhi spesifikasinya.

d. Integrasi dan pengujian sistem

Unit program atau program individual diintegrasikan dan diuji sebagai sistem yang lengkap untuk menjamin bahwa persyaratan sistem telah terpenuhi. Setelah pengujian sistem, perangkat lunak dikirim kepada target user.

e. Operasi dan pemeliharaan

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

I.6 Sistematika Penulisan

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

BAB I PENDAHULUAN

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

BAB II TINJAUAN PUSTAKA

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

Analisis dan definisi persyaratan

Perancangan sistem dan perangkat lunak

Operasi dan pemeliharaan Integrasi dan

pengujian sistem Implementasi dan

pengujian unit

BAB III ANALISIS DAN PERANCANGAN SISTEM

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

BAB IV IMPLEMENTASI DAN PENGUJIAN SISTEM

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

BAB V KESIMPULAN DAN SARAN

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

55

BAB IV

IMPLEMENTASI DAN PENGUJIAN SISTEM

IV.1 Implementasi Sistem

Tahap implementasi sistem merupakan tahap untuk mengaplikasikan apa yang telah dirancang pada tahap perancangan sistem berdasarkan hasil analisis sistem. Implementasi sistem ini dilakukan sebagai wujud nyata hasil analisis dan perancangan sistem ke dalam bahasa pemrograman untuk diterapkan pada keadaan yang sesungguhnya. Hasil dari penerapan tersebut diharapkan dapat menjadi sebuah sistem yang siap diuji dan digunakan.

IV.1.1 Implementasi Perangkat Keras

Perangkat keras yang digunakan untuk mengimplementasikan sistem adalah sebagai berikut :

a. Processor berkecepatan minimal 2Ghz b. Hardisk 1GB untuk penyimpanan data c. Memory 512 MB

d. Monitor e. Keyboard

f. mouse

IV.1.2 Implementasi Perangkat Lunak

Perangkat lunak yang digunakan untuk mengimplementasikan sistem adalah sebagai berikut :

a. Sistem Operasi Windows 7 b. XAMPP sebagai database server

c. Visualstudio 2010 d. SQLyog Enterprise

IV.1.3 Implementasi Form

Implementasi form dilakukan untuk mengetahui setiap halaman program yang dibuat. Berikut ini adalah implementasi form yang dibuat.

Tabel IV. 1 Implementasi Form

Menu Deskripsi Nama File

Tampilan Awal

Tampilan awal program untuk menampilkan menu yang terdapat pada aplikasi.

Utama.cs

Preprocessing Data

File program untuk melakukan proses dari awal menyimpan data transaksi ke dalam database, memilih atribut yang sesuai untuk informasi aturan asosiasi yang akan dihasilkan, membersihkan data hasil pemilihan atribut untuk dilanjutkan ke proses data mining.

Preprocessing_data.cs

Proses Asosiasi

File yang digunakan untuk menganalisis data hasil

preprocessing berdasarkan inputan minimum support dan minimum confidence dan menampilakn hasil akhir dari aturan asosiasi yang telah dianalisis.

Aturan_asosiasi.cs

IV.1.4 Implementasi Basis Data

Data yang dibutuhkan pada sistem ini dibuat menjadi tabel-tabel yang dimasukan dala suatu database. DBMS yang digunakan untuk mengolah data tersebut adalah MySQL. Berikut adalah pembuatan basis data beserta tabel-tabel yang mendukung sistem.

1. Pembuatan Database

1. CREATE DATABASE `db_association`

2. Pembuatan Tabel penjualan

1. CREATE TABLE `penjualan` (

2. `tanggal` varchar(20) default NULL, 3. `NoNota` int(11) NOT NULL,

4. PRIMARY KEY (`NoNota`)

64

DAFTAR PUSTAKA

[1] K. d. E. T. Luthfi, ALGORITMA DATA MINING, Yogyakarta: Andi, 2009. [2] B. Santosa, DATA MINING : Teknik Pemanfaatan Data untuk Keperluan

Bisnis, Yogyakarta: GRAHA ILMU, 2007.

[3] I. Sommerville, Software Engineering (Rekayasa Perangkat Lunak), Jakarta: Erlangga, 2003.

[4] K. Tampubolon, H. Saragih and B. Reza, "Implementasi Data Mining Algoritma Apriori pada Sistem Persediaan Alat-alat Kesehatan," Informasi dan Teknologi(INTI), vol. I, no. Majalah Ilmiah, pp. 93-106, Oktober 2013. [5] I. Fathansyah, BASIS DATA, Bandung: INFORMATIKA, 2002.

[6] A.-B. b. Ladjamuddin B, Rekayasa Perangkat Lunak, Yogyakarta: Graha Ilmu, 2006.

[7] B. Nugroho, Database Relasional dengan MySQL, Yogyakarta: ANDI, 2005. [8] E. I., Belajar Pemrograman C#, Yogyakarta: Andi, 2008.

iii

KATA PENGANTAR

Asslaamu’alaikum wr.wb,

Alhamdulillahi Rabbil alamiin, segala puji dan syukur kita panjatkan kepada Allah SWT atas berkat, rahmat, taufik dan hidayah-Nya, penyusunan skripsi yang

berjudul “PENERAPAN DATA MINING PADA PENJUALAN PRODUK KAOS KAKI DI PABRIK KALVIN SOCKS PRODUCTION MENGGUNAKAN METODE ASSOCIATION” dapat diselesaikan dengan baik.

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

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

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

2. 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. 3. Bapak Adam Mukharil Bachtiar, S.Kom., M.T. selaku dosen penguji I yang

telah memberikan saran serta kritiknya dalam penyusunan skripsi ini.

4. Bapak Andri Heryandi, S.T.,M.T. selaku dosen penguji II yang telah memberikan saran serta kritiknya dalam penyusunan skripsi ini.

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

iv

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

1. Ibunda Hernawati P. Dewi, kakak tercinta Pramadhani dan Metha , adik tercinta Fauzan yang telah tulus selalu mendoakan, memberikan dorongan moril dan materil, masukan, perhatian, dukungan sepenuhnya, dan kasih sayang yang tidak ternilai dan tanpa batas yang telah kalian berikan serta Alm. Ayahanda tercinta Rusmawan H. yang selalu memberikan yang terbaik untuk penulis semasa hidupnya.

2. Kepada teman-teman kelas IF-10 angkatan 2010 atas dukungan dan kebersamaannya, terutama untuk Rully dan Resti yang telah bersedia meluangkan waktunya untuk berbagi pendapat dengan penulis dalam menyelesaikan skripsi ini.

3. Kepada teman-teman satu bimbingan Ibu Dian atas dukungan dan kebersamaannya untuk penulis dalam menyelesaikan skripsi ini.

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

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

Bandung, 2 Februari 2015