Penerapan Data Mining Pada Penyewaan Film Di Ultradisc Cabang Antapani Menggunakan Metode Association Rules

IN ULTRADISC ANTAPANI BRANCH

USING ASSOCIATION RULES METHOD

By

Rudi Indra Putranto

10105138

In the dynamic and very competitive world of commerce or business, the people involved have to be fully prepared of the ways to surviving and developing their business range.

Ultradisc is a franchise company that is engaged in rental or lease of Original Movies. In recommending movies to its members, officers Ultradisc still use manual way by considering the rental history of each members.

In order to face the competition of business and increase revenue, related party within the company is required to make the right decision in determining marketing strategies to increase the rental transaction.

The availability of abundant data, the necessity of information (or knowledge) as the proponent to take the appropriate decision of establishing business solutions, and the infrastructure supports in information technology are the pioneers of data mining technology. Data mining purpose is to give the real solution for the decision maker of business, and to developing their business range.

Data mining is defined as one technique set that automatically used to explore comprehensively and bring the complex relations to the surface in the huge data set. The one of data mining method that used in this research is Association Rules Association rule is one of data mining techniques that work to find the association between variables, or a correlation structure among the items or objects in the database transactions database relational, and other information on the storage

The result of this research is an application that will make analyze of huge data set easier then helpful to give information as a basic feature of company’s decision makers.

Keywords: information technology, data mining, association rules, business

i  

ABSTRAK

PENERAPAN DATA MINING PADA PENYEWAAN FILM

DI ULTRADISC CABANG ANTAPANI

MENGGUNAKAN METODE ASSOCIATION RULES

Oleh

Rudi Indra Putranto

10105138

Dalam dunia bisnis yang selalu dinamis dan penuh persaingan, para pelakunya harus senantiasa memikirkan cara-cara untuk terus survive dan jika mungkin mengembangkan skala bisnis mereka.

Ultradisc adalah sebuah perusahaan franchise yang bergerak di bidang usaha rental atau penyewaan film Original. Dalam merekomendasikan film kepada membernya, petugas Ultradisc masih menggunakan cara yang manual yaitu dengan cara mengingat history penyewaan dari setiap membernya.

Dalam rangka menghadapi persaingan bisnis dan meningkatkan pendapatan perusahaan, pihak terkait dalam perusahaan tersebut dituntut untuk dapat mengambil keputusan yang tepat dalam menentukan strategi pemasaran untuk meningkatkan transaksi penyewaan.

Ketersediaan data yang melimpah, kebutuhan akan informasi (atau pengetahuan) sebagai pendukung pengambilan keputusan untuk membuat solusi bisnis, dan dukungan infrastruktur di bidang teknologi informasi merupakan cikal-bakal dari lahirnya teknologi data mining. Data mining dimaksudkan untuk memberikan solusi nyata bagi para pengambil keputusan di dunia bisnis, untuk mengembangkan bisnis mereka.

Data mining didefinisikan sebagai satu set teknik yang digunakan secara

otomatis untuk mengeksplorasi secara menyeluruh dan membawa ke permukaan relasi-relasi yang kompleks pada set data yang sangat besar. Salah satu metode yang terdapat dalam data mining yang digunakan dalam penelitian ini adalah

Association Rules dimana Association rules merupakan salah satu teknik data

mining yang berfungsi untuk menemukan asosiasi antar variabel, korelasi atau

suatu struktur diantara item atau objek-objek didalam database transaksi, database relasional, maupun pada penyimpanan informasi lainnya.

Hasil dari penelitian ini adalah aplikasi yang dapat mempermudah menganalisis sejumlah data yang besar guna membantu memberikan informasi berharga sebagai gambaran dasar pengambilan keputusan perusahaan.

1  

1.1Latar Belakang Masalah

Perkembangan teknologi digital tentunya berkembang dengan pesat, termasuk dalam hal media penyimpanan data. Salah satu contohnya adalah CD

(compact disc). Teknologi ini memang praktis baik dari segi biaya maupun

penyimpanannya karena keping CD hanya beukuran diameter 12 cm dan tebal 1 mm. Teknologi CD yang berkembang menjadi generasi baru media cakram yaitu

Digital Versatile Disc, atau yang lebih dikenal dengan DVD[1].

Ultradisc adalah salah satu perusahaan franchise yang bergerak di bidang penyewaan film, baik CD dan DVD yang telah memiliki outlet yang tersebar di berbagai kota di Indonesia. Dalam merekomendasikan film kepada membernya, petugas Ultradisc masih menggunakan cara yang manual yaitu dengan cara mengingat history penyewaan dari setiap membernya. Jika member yang ditangani masih sedikit tentunya ini bukan merupakan kendala bagi petugas Ultradisc untuk mengingat kebiasaan dari setiap member. Selain itu, untuk mengetahui secara langsung film dengan kategori apa saja yang lebih sering disewa oleh pelanggan masih menggunakan sistem pencarian manual.

Permasalahan lain yang muncul karena masih menggunakan pencarian yang manual adalah tidak bisa mengetahui berapa secara pasti member yang

menyewa film dengan jenis kategori terntentu, atau kombinasinya antara kategori-kategori tertentu. Diharapkan dengan lebih mudahnya untuk mengetahui seberapa banyak member yang menyewa suatu film dengan kategori tertentu dapat meningkatkan strategi pemasaran yang telah dilakukan sebelumnya.

Untuk dapat menentukan keputusan yang tepat dalam merekomendasikan film kepada member, dan juga untuk mengetahui berapa banyak member yang menyewa film dengan kategori tertentu, perusahaan memerlukan informasi yang cukup untuk dapat menganalisa lebih lanjut. Informasi yang diolah tentunya data penyewaan film di Ultradisc. Dari data tersebut dapat ditemukan pola sewa dari setiap member dan mengetahui kebiasaan dari setiap member dalam menyewa film.

Ketersediaan data yang melimpah, kebutuhan akan informasi sebagai pendukung keputusan untuk membuat solusi bisnis, dan dukungan infrastruktur di bidang teknologi informasi merupakan cikal bakal dari lahirnya teknologi data

mining. Data mining dimaksudkan untuk memberikan solusi nyata bagi para

pengambil keputusan, untuk mengembangkan bisnis mereka.

Untuk menentukan rekomendasi film dan untuk mengetahui seberapa banyak member yang menyewa kategori tertentu, salah satu solusinya adalah dengan membuat sistem yang dapat menghasilkan rekomendasi film secara global. Metode yang dapat digunakan adalah Association Rules. Association rules

digunakan untuk menemukan hubungan di antara data atau bagaimana suatu kelompok data mempengaruhi suatu keberadaan data yang lain. Metode ini dapat membantu mengenali pola-pola tertentu di dalam kumpulan data yang besar[2].

Dengan metode Association Rules, mula-mula dilakukan pembentukan kandidat pasangan film. Pasangan film yang tidak memenuhi syarat akan dihapus. Hasil dari analisa tersebut bisa diolah lagi sehingga dapat digunakan untuk memberikan rekomendasi kepada member secara global.

Dari pertimbangan atas penjelasan yang telah dipaparkan diatas, maka dibuatlah suatu aplikasi PENERAPAN DATA MINING PADA PENYEWAAN FILM DI ULTRADISC CABANG ANTAPANI MENGGUNAKAN METODE ASSOCIATION RULES.

Secara umum aplikasi ini dapat bekerja pada semua cabang Ultradisc karena setiap cabang Ultradisc mempunyai standar database yang sama.

1.2Identifikasi Masalah

Dengan mengacu pada latar belakang masalah diatas, maka permasalahan yang dibahas dan diteliti adalah :

Bagaimana cara menerapkan Data Mining pada penyewaan film di Ultradisc cabang Antapani menggunakan metode Association Rules.

1.3Maksud dan Tujuan 1.3.1 Maksud

Berdasarkan permasalahan yang diteliti, maka maksud dari penulisan tugas akhir ini adalah untuk membuat aplikasi data mining pada penyewaan film di Ultradisc cabang Antapani dengan menggunakan metode Association Rules.

1.3.2 Tujuan

Tujuan yang akan dicapai dalam penelitian ini adalah :

1. Menghasilkan aplikasi data mining untuk mengetahui pola penyewaan film dari setiap member sehingga dapat mengetahui karakteristiknya. 2. Memudahkan dalam pengambilan keputusan untuk merekomendasikan

film yang sesuai dengan karakteristik member.

1.4Batasan Masalah

Adapun batasan masalah yang akan dibahas adalah :

1. Data yang akan dianalisa merupakan data penyewaan film yang dilakukan di Ultradisc cabang Antapani.

2. Hasil dari analisa tersebut adalah terbentuknya pattern (pola) dari data penyewaan yang dilakukan di Ultradisc cabang Antapani dengan menggunakan metode Association Rules.

3. Algoritma yang digunakan adalah algoritma Apriori.

4. Aplikasi yang akan dibangun adalah aplikasi yang berdiri sendiri, dengan kata lain aplikasi ini tidak terintegrasi dengan aplikasi penyewaan yang terdapat di ultradisc.

5. Menggunakan sistem operasi Microsoft Windows XP

6. Metode yang digunakan adalah metode aliran terstruktur yaitu Data

Flows Diagram (DFD) dan Entity Relationship Diagram (ERD).

7. Aplikasi ini dibangun dengan pemrograman berbasis desktop dengan memanfaatkan Delphi dan MySQL.

8. Periode analisis yang dilakukan adalah satu minggu dari tanggal awal yang ditentukan, hal ini dikarenakan karena jumlah data yang sangat banyak.

9. Rekomendasi yang dihasilkan ditujukan untuk staff Ultradisc.

1.5Metodologi Penelitian

Metodologi yang digunakan dalam penulisan tugas akhir ini adalah sebagai berikut :

1. Tahap pengumpulan data

Metode pengumpulan data yang digunakan dalam penelitian ini adalah sebagai 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 diambil.

c. Interview

Teknik pengumpulan data dengan mengadakan tanya jawab secara langsung yang ada kaitannya dengan topik yang diambil.

2. Tahap pembuatan perangkat lunak.

Teknik analisis data dalam pembuatan perangkat lunak menggunakan pemodelan perangkat lunak dengan paradigma waterfall seperti terlihat pada Gambar 1.1, yang meliputi beberapa proses diantaranya:

a. System / Information Engineering

Merupakan bagian dari sistem yang terbesar dalam pengerjaan suatu proyek, dimulai dengan menetapkan berbagai kebutuhan dari semua elemen yang diperlukan sistem dan mengalokasikannya kedalam pembentukan perangkat lunak.

b. Analisis

Merupakan tahap menganalisis hal-hal yang diperlukan dalam pelaksanaan proyek pembuatan perangkat lunak.

c. Design

Tahap penerjemahan dari data yang dianalisis kedalam bentuk yang mudah dimengerti oleh user.

d. Coding

Tahap penerjemahan data atau pemecahan masalah yang telah dirancang keadalam bahasa pemrograman tertentu.

e. Pengujian

Merupakan tahap pengujian terhadap perangkat lunak yang dibangun.

f. Maintenance

Tahap akhir dimana suatu perangkat lunak yang sudah selesai dapat mengalami perubahan–perubahan atau penambahan sesuai dengan permintaan user.

1.6Sistematika Penulisan

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

BAB I. PENDAHULUAN

Bab ini menguraikan tentang latar belakang permasalahan, mencoba mengidentifikasi inti permasalahan yang dihadapi, menentukan maksud dan tujuan penelitian, yang kemudian diikuti dengan pembatasan masalah, metodologi penelitian, serta sistematika penulisan.

BAB II. TINJAUAN PUSTAKA

Bab ini membahas tentang tinjauan perusahaan serta berbagai konsep dasar dan teori-teori yang berkaitan dengan topik penelitian yang dilakukan dan hal-hal yang berguna dalam proses analisis permasalahan serta tinjauan terhadap penelitian-penelitian serupa yang telah pernah dilakukan sebelumnya termasuk sintesisnya.

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

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 system yang dibangun layak digunakan.

BAB V. KESIMPULAN DAN SARAN

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

9

 

2.1Tinjauan Tempat Penelitian 2.1.1 Profil Perusahaan

Ultra Disc adalah sebuah perusahaan franchise yang bergerak di bidang usaha rental atau penyewaan VCD/DVD Original. Istilah

franchise disebut juga sebagai usaha waralaba, franchise adalah

pemberian hak atas merk dan sistem yang diketahui telah berhasil oleh pihak yang memiliki merk dan sistem (franchisor) ke pihak kedua sebagai penyelenggara (franchisee).

Franchisor tidak hanya memiliki merk dan sistem saja namun

memiliki pengalaman yang lebih di bidang yang telah dikuasainya tersebut. Keseluruhan merk dan sistem harus selalu seragam dengan apa yang diberikan franchisor. Dengan keseragaman dalam merk dan sistem maka diupayakan meraih tujuan dengan cara yang sama.

Ultra Disc awalnya adalah perusahaan milik keluarga yang didirikan pada tanggal 14 November 1998 dengan outlet pertama berada di Ruko Vila Melati Mas Blok B 10/28, Serpong. Dikarenakan minat masyarakat terhadap VCD/DVD Original sangat banyak sedangkan harga VCD/DVD Original yang cukup mahal maka Ultra Disc melihat ini sebagai suatu peluang besar untuk mengembangkan usaha, maka melalui PT. ULTRA DISC PRIMA INTERNATIONAL,

Ultra Disc terus memperluas jaringan melalui pembukaan outlet-outlet baik outlet-outlet yang dimiliki oleh Ultra Disc Sepenuhnya

(corporate) maupun outlet yang dibuka dengan bekerja sama dengan

pihak lain (franchisee).

Saat ini Ultra Disc berpusat di Jakarta, tepatnya di Jalan Kembang Raya Jakarta Barat, merupakan pusat dari segala pengaturan bisnis yang dijalankan oleh setiap cabang yang tersebar di beberapa kota di Indonesia, antara lain Jakarta, Bandung, Semarang, Yogyakarta, Denpasar, Manado, Makassar, Medan, Lampung, Padang, Samarinda, Jambi, Bengkulu, Palembang, Pekanbaru, Tangerang, dan masih banyak lagi kota-kota lainya. Untuk di kota Bandung, salah satu cabangnya berada di daerah Antapani.

Ultra Disc dilengkapi software yang handal dengan menawarkan sistem penyewaan yang menarik bagi anggotanya, karena para anggota memiliki kelleluasaan untuk menentukan lamanya waktu penyewaan. Ultra Disc memiliki koleksi dari hampir seluruh produsen film terkemuka dunia, seperti Warner Bros, Buena Vista, Columbia Tristar, 20th Century Fox. Touchstone Pictures, Universal Studio, New Line Cinema dan lain-lain.

2.1.2 Visi dan Misi Perusahaan

PT Ultra Disc Prima International mempunyai visi yaitu untuk mengenalkan film original ke member, sedangkan misi dari PT Ultra Disc adalah “We Serve The Best Entertainment To Your Home”.

2.1.3 Struktur Organisasi Perusahaan

Struktur kepegawaian Ultra Disc khususnya jajaran sales (Operational Manager) di mulai dari lini yang terdepan adalah SPG / SPB sampai ke Asisten Operational Manager, karena merekalah berada di setiap outlet dan berhubungan langsung dengan pelanggan. Untuk lebih jelas mengenai struktur organisasi perusahaan, dapat dilihat pada Gambar 2.1 dibawah ini :

Pimpinan Pusat

Divisi Operational Divisi Film/Product Divisi Business

Development Divisi HRD Divisi Maintenance

Asisten Manager

Ast. Operational Manager

Shop Coordinator

SPG / SPB

2.1.4 Deskripsi Kerja

a. Asisten Manager

Asisten Manager bertugas untuk mengontrol kinerja outlet, dan bertugas untuk melaporkan keadaan outlet, mulai dari transaksi, keluhan bahkan masalah yang ada di outlet. Asisten manager juga merupakan bawahan dari pemilik outlet.

b. Asisten Operational Manager

Asisten Operational Manager bertugas untuk mengontrol kinerja outlet, dan bertugas untuk melaporkan keadaan outlet, mulai dari transaksi, keluhan bahkan masalah yang ada di outlet untuk disampaikan ke pihak pusat.

c. Shop Coordinator

Shop Coordinator bertanggung jawab untuk mengelola outlet, dan bertanggung jawab atas SPG/SPB yang ada dibawahnya,

d. SPG/SPB

SPG/SPB memiliki deskripsi kerja yang sangat penting, karena posisi ini yang berinteraksi langsung dengan konsumen/member. SPG/SPB harus komunikatif dengan konsumen agar konsumen merasa puas dalam pelayanan yang diberikan.

2.2 Landasan Teori

2.2.1 Pengertian Data dan Informasi 2.2.1.1 Pengertian Data

Data adalah fakta atau apapun yang dapat digunakan sebagai input dan menghasilkan informasi. Data adalah kenyataan yang menggambarkan suatu kejadian dan kesatuan kenyataan. Data merupakan suatu istilah yang berbentuk jamak dari kata “datum” yang berarti fakta atau bagian dari fakta yang mengandung arti yang menghubungkan dengan kenyataan, simbol-simbol, gambar-gambar, kata-kata, angka-angka, huruf-huruf yang menunjukan suatu ide, objek, kondisi dan situasi.

Menurut the liang gie: ”Data atau bahan keterangan adalah hal atau peristiwa kenyataan lainnya apapun yang mendukung suatu pengetahuan untuk dijadikan dasar guna penyusunan keterangan pembuatan kesimpulan atau penetapan keputusan, atau data ibarat bahan mentah yang melalui pengolahannya tertentu lalu menjadi keterangan (informasi)”.

Kumpulan data yang saling berkaitan, berhubungan yang disimpan secara bersama-sama sedemikian rupa tanpa pengulangan yang tidak perlu, untuk memenuhi berbagai kebutuhan disebut basis data (database). 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. 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 database 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.

Penyusunan basis data meliputi proses memasukkan data kedalam media penyimpanan data, dan diatur dengan menggunakan perangkat Sistem Manajemen Basis Data

(Database Management System / DBMS).

2.2.1.2 Pengertian Informasi

Informasi adalah hasil analisis dan sintesis terhadap data. Dengan kata lain, informasi dapat dikatakan sebagai data yang telah diorganisasikan ke dalam bentuk yang sesuai dengan kebutuhan seseorang.

Menurut Encyclopedia of Computer Science and

Engineering, banyak ilmuwan di bidang informasi menerima

definisi standar bahwa informasi adalah data yang digunakan dalam pengambilan keputusan. Alasanya adalah bahwa informasi bersifat relatif, relatif terhadap situasi, relatif terhadap waktu saat keputusan diambil, juga relatif terhadap pembuat keputusan, dan bahkan juga relatif terhadap latar belakang pengambil keputusan.

Segala sesuatu yang dianggap penting pada suatu waktu bisa saja tidak berguna pada waktu yang lain. Ada kemungkinan pula bahwa sesuatu yang dianggap penting oleh seorang pengambil keputusan tidak dianggap penting bagi orang lain.

Dalam era reformasi, informasi menjadi sumber penting untuk melakukan pengambilan keputusan. Informasi dapat mengurangi ketidakpastian dan mempermudah pengambilan keputusan.

2.2.2 Database Management System (DBMS)

Database management system (DBMS) adalah suatu sistem

pengelolaan berkas elektronik yang dapat menyimpan dan mengelola berbagai macam tipe data dalam suatu sistem data yang terintegrasi. DBMS sangat berguna bagi suatu sistem berbasis computer, bahkan dapat dikatakan menjadi tulang punggung. DBMS memungkinkan penyimpanan, pencarian, pengolahan, dan modifikasi data bisnis dengan cepat, aman dan efisien.

Manipulasi database meliputi pembuatan pernyataan (query) untuk mendapatkan informasi tertentu, melakukan pembaharuan atau penggantian (update) data, serta pembuatan laporan (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. Dengan kata lain database management system (DBMS) merupakan suatu sistem software yang memungkinkan seorang user dapat

mendefinisikan, membuat, dan memelihara serta menyediakan akses terkontrol terhadap data.

Ketika seorang user ingin mengkases database dari sebuah system melalui sebuah aplikasi, aplikasi tersebut harus melalui DBMS sebelum sampai di database system, namun bagi administrator bisa langsung mengakses DBMS dan selanjutnya ke database itu sendiri tanpa melalui aplikasi. Ilustrasi diatas ditunjukkan pada Gambar 2.2 dibawah ini :

User

Akses Aplikasi DBMS

Database

Akses Akses

Admin

Akses

 

Gambar 2.2 Pengendalian akses pada database oleh DBMS

Kemampuan suatu paket DBMS adalah :

a) Pemeliharaan, penyimpanan, penarikan, dan pembaharuan data secara efisien,

b) Memudahkan akses data oleh user, c) Pengendalian akses data bersama, d) Dukungan terhadap transaksi data,

e) Pemulihan data yang rusak karena gagalnya sebuah transaksi data, f) Keamanan data dan sistem otorisasi akses,

g) Menjaga integritas data.

Dalam suatu paket DBMS, akses terhadap database dilakukan oleh DBMS, Aplikasi dan user yang ingin mengakses data cukup

mendefinisikan data seperti apa yang perlu dibuat, disimpan, diolah, dan diambil.[3]

2.2.3 Data Warehouse

Beberapa pengertian dari beberapa ahli tentang definisi Data

Warehouse [4]:

• Menurut W.H. Inmon dan Richard D.H., data warehousing

adalah koleksi data yang mempunyai sifat berorientasi subjek, terintegrasi, time-variant, dan bersifat tetap dari koleksi data dalam mendukung proses pengambilan keputusan management.

• Menurut Vidette Poe, data warehousing merupakan

database yang bersifat analisis dan read only yang

digunakan sebagai fondasi dari sistem penunjang keputusan.

• Menurut Paul Lane, data warehousing merupakan database

relasional yang didesain lebih kepada query dan analisa dari pada proses transaksi, biasanya mengandung history data dari proses transaksi dan bisa juga data dari sumber lainnya.

Data warehousing memisahkan beban kerja analisis dari

beban kerja transaksi dan memungkinkan organisasi menggabung/konsolidasi data dari berbagai macam sumber.

Dapat dikatakan bahwa data warehousing merupakan metode dalam perancangan database, yang menunjang DSS (Decission

data warehousing adalah database, tapi perancangan data

warehousing dan database sangat berbeda. Dalam perancangan

database tradisional menggunakan normalisasi, sedangkan pada data

warehousing normalisasi bukanlah cara yang terbaik.

Dari definisi-definisi yang dijelaskan tadi, dapat disimpulkan

data warehousing adalah database yang saling bereaksi yang dapat

digunakan untuk query dan analisisis, bersifat orientasi subjek, terintegrasi, timevariant, tidak berubah yang digunakan untuk membantu para pengambil keputusan.

2.2.4 Data Mining

2.2.4.1 Pengertian Data Mining

Data Mining adalah salah satu bidang yang berkembang

pesat karena besarnya kebutuhan akan nilai tambah dari

database skala besar yang makin banyak terakumulasi sejalan

dengan pertumbuhan teknologi informasi. Definisi umum dari

data mining itu sendiri adalah serangkaian proses untuk

menggali nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu kumpulan data [5].

Data mining yang juga dikenal sebagai Knowledge

Discovery (Frawley et al., 1992), merupakan salah satu bidang

yang berkembang pesat karena besarnya kebutuhan akan nilai tambah dari database skala besar yang makin banyak terakumulasi sejalan dengan pertumbuhan teknologi informasi.

Secara umum, data mining dapat didefinisikan sebagai suatu rangkaian proses untuk menggali nilai tambah berupa ilmu pengetahuan yang selama ini tidak diketahui secara manual dari suatu kumpulan data.

Data mining terutama digunakan untuk mencari

pengetahuan yang terdapat dalam database yang besar sehingga sering disebut Knowledge Discovery in Databases (KDD). Proses pencarian pengetahuan ini menggunakan berbagai teknik-teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksikannya. Proses pencarian bersifat iteratif dan interaktif untuk menemukan pola atau model yang sahih, baru, bermanfaat, dan dimengerti.

2.2.4.2 Tahapan Data Mining

Dalam aplikasinya, data mining sebenarnya merupakan bagian dari Knowledge Discovery in Database (KDD), bukan sebagai teknologi yang utuh berdiri sendiri. Data mining

merupakan suatu bagian langkah yang penting dalam KDD terutama berkaitan dengan ekstraksi dan perhitungan pola-pola dari data yang ditelaah. Seperti yang ditunjukkan pada gambar 2.3 dibawah ini :

Gambar 2.3. Tahapan data mining

a. Data cleaning

Tahapan ini dilakukan untuk menghilangkan data noise dan data yang tidak konsisten dengan tujuan akhir dari proses data mining.

b. Data itegration

Tahapan ini dilakukan untuk menggabungkan atau mengkombinasikan dari multiple data source.

c. Data selection

Yang dilakukan pada tahapan ini adalah memilih atau menyeleksi data apa saja yang yang relevan dan diperlukan dari database.

d. Data transformation

Untuk mentransformasikan data ke dalam bentuk yang lebih sesuai untuk di mining.

e. Data mining

Proses terpenting dimana metode tertentu diterapkan dalam database untuk menghasilkan data pattern.

f. Pattern evaluation

Untuk mengidentifikasi apakah interenting patterns yang didapatkan sudah cukup mewakili knowledge berdasarkan perhitungan tertentu.

g. Knowledge presentation

Untuk mempresentasikan knowledge yang sudah didapatkan dari user.

2.2.4.3 Arsitektur Data Mining

Pada umumnya sistem data mining terdiri dari komponen-komponen berikut ini :

a. Database, data warehouse, dan media penyimpanan

Media pada komponen ini dapat berupa database, data

warehouse, spreadsheet, atau jenis media penampung

lainnya. Data cleaning dan data integration dapat dilakukan pada data data tersebut.

b. Database atau data warehouse server

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 datamining 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 system 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.

Gambar 2.4 dibawah ini menunjukkan Arsitektur Data Mining yang telah dijelaskan diatas :

Gambar 2.4. Arsitektur data mining.

2.2.5 Association Rules

Association rules adalah adalah teknik mining untuk

menemukan hubungan di antara data atau bagaimana suatu kelompok data mempengaruhi suatu keberadan data yang lain. Metode ini mampu mengenali pola-pola tertentu di dalam kumpulan data yang

besar. Dalam association rules, suatu kelompok item dinamakan

itemset. Support dari itemset X adalah persentase transaksi di D yang

mengandung X, biasa ditulis dengan supp(X). Pencarian rules dilakukan melalui dua tahap yaitu pencarian frequent itemset dan penyusunan rules. Jika support suatu itemset lebih besar atau sama dengan minimum support σ, maka itemset tersebut dapat dikatakan sebagai frequent itemset atau frequent pattern; yang tidak memenuhi dinamakan infrequent. Confidence adalah nilai ukuran seberapa besar valid tidaknya suatu association rules. Confidence suatu rule R

(X=>Y) adalah proporsi dari semua transaksi yang mengandung baik

X maupun Y dengan yang mengandung X, biasa ditulis sebagai

conf(R). Sebuah association rule dengan confidence sama atau lebih

besar dari minimum confidence γ dapat dikatakan sebagai valid association rule.

Association rules dikenal juga sebagai salah satu teknik data

mining yang menjadi dasar dari berbagai teknik data mining lainnya.

Penting tidaknya suatu association rules dapat diketahui dengan dua parameter, yaitu support dan confidence. Support (nilai penunjang) adalah persentase kombinasi item terebut dalam database, sedangkan

confidence (nilai kepastian) adalah kuatnya hubungan antar-item

dalam association rules.

Association rules biasanya dinyatakan dalam bentuk:

Rules diatas berarti “50% transaksi di database yang memuat item roti dan mentega juga memuat item susu. Sedangkan 40% dari seluruh transaksi yang ada di database memuat ketiga item terebut”.

Association rules biasanya digunakan dalam analisis pasar atau

yang lebih dikenal dengan Market Basket Analysis, terutama karena utilitas dan kejelasan dari hasil yang diperoleh. Jika kita mengasumsikan bahwa semua yang ada di alam semesta ini tersedia pada sebuah toko, maka setiap item yang ada harus memiliki variabel Boolean yang merepresentasikan ada atau tidaknya item terebut. Setiap transaksi kemudian dapat direpresentasikan dengan suatu nilai Boolean dari setiap variabel. Nilai Boolean tersebut dapat dianalisis sebagai pola belanja yang menunjukkan item-item yang sering dibeli secara bersamaan.

Gambar 2.5 berikut ini menunjukkan istilah-istilah yang digunakan untuk mempresentasikan setiap bagian dari association rules :

Gambar 2.5 Association Rules

Association Rules diatas dapat dibaca secara sederhana menjadi “seorang konsumen yang membeli roti dan mentega kemungkinan

50% juga membeli susu. Aturan ini cukup signifikan karena mewakili 40% dari catatan transaksi yang ada”

Keterangan istilah :

1: Antecedent, left-hand side (LHS), body 

2: Consequent, right-hand side (RHS), head 

3: Support, frequency (besar bagian data pada left-hand side dan

right-hand side muncul secara bersamaan)

4: Confidence, strength (jika left-hand side muncul, seberapa

besar right-hand side muncul).

2.2.5.1 Konsep Association Rules

a. Misalkan I={i1, i2, i3, … , im} adalah sekumpulan item

transaksi. Contoh : I={i1,i2,i3,i4,i5}. Secara umum notasi I

dapat dibaca sebagai semua jenis item yang pernah dibeli dalam berbagai transaksi selama periode tertentu dengan m

sebagai nilai yang menunjukkan berapa macam item yang ada.

b. Misalkan D adalah database transaksi dimana setiap transaksi T terdiri dari sekumpulan item sehingga T⊆Ι (baca: T merupakan himpunan bagian atau subset dari semua anggota I). Jadi D dapat berupa D={T10,T20,T30,T40,T50,T60} dan sebagai contoh transaksi T10={i2,i3,i5}. Tanda T⊆I berarti bahwa semua

anggota T harus merupakan sebagian atau seluruh dari semua anggota I. Disini dapat dilihat bahwa {i2,i3,i5}⊆{i1,i2,i3,i4,i5}.

c. Setiap transaksi T dikatakan mengandung A jika dan hanya jika A⊆Τ. Association rules merupakan sebuah implikasi dari bentuk AÆB, dimana A⊆Ι, Β⊆Ι dan A∩Β≠0.

d. Rule AÆB berada pada sekumpulan transaksi D dengan

support s, dimana s adalah persentase transaksi didalam D

yang mengandung (A∪B) sehingga hal ini merupakan probabilitas P(A∪B). Rule AÆB juga mempunyai

confidence c didalam sekumpulan transaksi D, dimana c

adalah persentase didalam D jika transaksi tersebut mengandung A juga mengandung B sehingga ini merupakan probabilitas bersyarat, P(B|A).

Metodologi dasar analisis asosiasi terbagi menjadi dua tahap :

1. Analisis pola frekuensi tinggi

Tahap ini mencari kombinasi item yang memnuhi syarat minimum dari nilai support dalam database. Nilai

Sementara itu, untuk nilai support dari 2 item diperoleh dari rumus berikut :

2. Pembentukan Association Rules

Setelah semua pola frekuensi tinggi ditemukan, barulah dicari association rule yang memenuhi syarat minimum untuk confidence dengan menghitung confidence rule AÆB. Nilai confidence dari rule AÆB diperoleh dari rumus berikut.

2.2.5.2 Algoritma Apriori

Algoritma Apriori adalah algoritma yang digunakan untuk menghasilkan aturan asosiasi dengan pola “if…then”. Algoritma Apriori menggunakan pendekatan iteratif yang dibuat dengan

level-wise search, dimana k-itemset produk digunakan untuk

mengeksplorasi (k+1)-itemset produk atau (k-1)-itemset. Notasi yang digunakan dalam algoritma apriori antara lain: a. Ck adalah kandidat k-itemset, dimana k menunjukkan

jumlah pasangan item. b. Lk adalah large k-itemset.

c. D adalah database transaksi dimana |D| adalah banyaknya transaksi.

Tahapan yang dilakukan algoritma apriori untuk membangkitkan large itemset adalah sebagai berikut :

a. Menelusuri seluruh record di database dan menghitung

support count dari setiap item. Ini adalah kandidat

1-itemset, C1.

b. Large 1-itemset L1 dibangun dengan menyaring C1 dengan

support count yang lebih besar atau sama dengan minimum

support untuk dimasukkan kedalam L1.

c. Untuk membangun L2, algoritma apriori menggunakan

proses join untuk menghasilkan C2.

d. Dari C2, 2-itemset yang memiliki support count yang lebih

besar atau sama dengan minimum support akan disimpan ke L2.

e. Proses ini diulang sampai tidak ada lagi kemungkinan k-itemset.

Contoh tahapan pembangkitan C1, L1, C2, L2, C3, L3

Gambar 2.6 Proses pembuatan frequent pattern menggunakan algoritma Apriori.

Ada dua proses utama yang dilakukan algoritma apriori yaitu a. Join (Penggabungan) : untuk menemukan Lk, Ck

dibangkitkan dengan melakukan proses join Lk-1 dengan

dirinya sendiri, Ck=Lk-1 x Lk-1 lalu anggota Ck diambil

hanya yang terdapat dalam Lk-1.

b. Prune (Pemangkasan): menghilangkan anggota Ck yang

memiliki support count lebih kecil dari minimum support

agar tidak dimasukkan ke dalam Lk.

Proses pembentukan C1 tidak ada proses join, hanya ada

proses prune dari scan D. Proses pruning pada C1 adalah

menghilangkan item yang nilai supportnya kurang dari minimum support dan dihasilkanlah L1

Gambar 2.7 proses pembentukan L1

Setelah didapat L1, dilakukan proses join L1 x L1 untuk

menghasilkan C2. Setelah C2 terbentuk, dilakukan proses

pruning pada C2 dengan menghilangkan itemset yang nilai

support nya kurang dari minimum support dan dihasilkanlah L2.

Proses join dan prune untuk L2 dapat dilihat dibawah ini :

a. Join C2 = L1 x L1 = {{1},{3},{4},{5},{6},{7}} x {{1},

{3},{4},{5},{6},{7}} = {{1,3}.{1,4},{1,5},{1,6},{1,7}, {3,4},{3,5},{3,6},{3,7},{4,5},{4,6},{4,7},{5,6},{5,7},{6,7 }}.

b. Untuk proses pruning atau pemangkasan pada C2, hanya

Sedangkan untuk pemangkasan itemset yang tidak frequent, biasanya pada scan D kedua ini lolos dari pemangkasan. Setelah di pruning, maka di dapat L2 = {{1,3},{1,4},{1,6},

{1,7},{3,4},{3,5},{3,6},{3,7},{4,6},{4,7},{6,7}}.

Gambar 2.8 Proses Pembentukan L2

Setelah didapat L2, dilakukan proses join L2 x L2 untuk

menghasilkan C3. Setelah C3 terbentuk, dilakukan proses

pruning pada C3 dengan menghilangkan itemset yang tidak

frequent dan yang nilai supportnya kurang dari minimum

support dan dihasilkanlah L3. Proses join dan prune untuk L3

dapat dilihat dibawah ini :

a. Join C3 = L2 x L2 = {{1,3},{1,4},{1,6},{1,7},{3,4},

{3,5},{3,6},{3,7},{4,6},{4,7},{6,7}} x {{1,3},{1,4},{1,6} ,{1,7},{3,4},{3,5},{3,6},{3,7},{4,6},{4,7},{6,7}} = {{1,3,4},{1,3,5},{1,3,6},{1,3,7},{3,4,5},{3,4,6},{3,4,7},

b. Pada proses pruning C3, terjadi pemangkasan itemset yang

tidak frequent. Cara pemeriksaan itemset yang tidak

frequent adalah mengurai kembali itemset yang didapat

menjadi itemset-itemset L2 (berbentuk dua kombinasi item)

pembentuk itemset tersebut dan memeriksa kembali apakah

itemset-itemset tersebut ada didalam L2. Jika seluruh atau

salah satu dari itemset tersebut tidak ada di L2, maka itemset

tersebut dihilangkan dari C3. Proses pemeriksaan itemset C3

yang tidak frequent adalah sebagai berikut :

1. 2-item subsets dari {1,3,4} adalah {1,3},{1,4} dan

{3,4}. Semua 2-item subsets dari {1,3,4} terdapat di L2.

Sehingga {1,3,4} masuk dalam C3.

2. 2-item subsets dari {1,3,5} adalah {1,3},{1,5} dan

{3,5}. Semua 2-item subsets dari {1,3,5} terdapat di L2.

Sehingga {1,3,5} masuk dalam C3.

3. 2-item subsets dari {1,3,6} adalah {1,3},{1,6} dan

{3,6}. Semua 2-item subsets dari {1,3,6} terdapat di L2.

Sehingga {1,3,6} masuk dalam C3.

4. 2-item subsets dari {1,3,7} adalah {1,3},{1,7} dan

{3,7}. Semua 2-item subsets dari {1,3,7} terdapat di L2.

5. 2-item subsets dari {3,4,5} adalah {3,4},{3,5} dan {4,5} tidak terdapat pada L2, sehingga tidak frequent.

Oleh sebab itu {3,4,5} dihilangkan dari C3.

6. 2-item subsets dari {3,4,6} adalah {3,4},{3,6} dan

{4,6}. Semua 2-item subsets dari {3,4,6} terdapat di L2.

Sehingga {3,4,6} masuk dalam C3.

7. 2-item subsets dari {3,4,7} adalah {3,4},{3,7} dan

{4,7}. Semua 2-item subsets dari {3,4,7} terdapat di L2.

Sehingga {3,4,7} masuk dalam C3.

8. 2-item subsets dari {3,5,6} adalah {3,5},{3,6} dan

{5,6} tidak terdapat pada L2, sehingga tidak frequent.

Oleh sebab itu {3,5,6} dihilangkan dari C3.

9. 2-item subsets dari {3,5,7} adalah {3,5},{3,7} dan

{5,7} tidak terdapat pada L2, sehingga tidak frequent.

Oleh sebab itu {3,5,7} dihilangkan dari C3.

10. 2-item subsets dari {3,6,7} adalah {3,6},{3,7} dan

{6,7}. Semua 2-item subsets dari {3,6,7} terdapat di L2.

Sehingga {3,6,7} masuk dalam C3.

11. 2-item subsets dari {4,5,6} adalah {4,5},{4,6} dan

{4,6} tidak terdapat pada L2, sehingga tidak frequent.

12. 2-item subsets dari {4,5,7} adalah {4,5},{4,7} dan {5,7} tidak terdapat pada L2, sehingga tidak frequent.

Oleh sebab itu {4,5,7} dihilangkan dari C3.

13. 2-item subsets dari {5,6,7} adalah {5,6},{5,7} dan

{6,7} tidak terdapat pada L2, sehingga tidak frequent.

Oleh sebab itu {5,6,7} dihilangkan dari C3.

Setelah itemset yang tidak frequent dihilangkan, maka didapat C3 = {{1,3,4},{1,3,5},{1,3,6},{1,3,7},{3,4,6}, {3,4,7}

,{3,6,7}}. Selanjutnya itemset yang tidak memenuhi minimum

support yang akan dihilangkan dari C3. Setelah dilakukan

pruning, maka didapat L3 = {{1,3,6},{3,4,6},{3,4,7},{3,6,7}}.

Gambar 2.9 Proses Pembentukan L3

Setelah didapat L3, dilakukan proses join L3 x L3 untuk

menghasilkan C4. Setelah C4 terbentuk, dilakukan proses

pruning pada C4 dengan menghilangkan itemset yang tidak

support dan dihasilkanlah L4. Proses join dan prune untuk L4

dapat dilihat dibawah ini :

a. Join C4 = L3 x L3 = {{1,3,6},{3,4,6},{3,4,7},{3,6,7}} x

{{1,3,6},{3,4,6},{3,4,7},{3,6,7}} = {{1,3,4,6},{1,3,4,7} ,{3,4,6,7}}.

b. Seperti pada proses pruning pada C3, di C4 pun terjadi

pruning, proses pemeriksaan itemset C4 yang tidak frequent

adalah sebagai berikut :

1.

3-item subsets

dari {1,3,4,6} adalah {1,3,4},{1,3,6}

,{1,4,6} dan {3,4,6}. {1,3,4} dan {1,4,6} tidak terdapat di L3, sehingga tidak frequent. Oleh sebab itu {1,3,4,6}

dihilangkan dari C4.

2.

3-item subsets

dari {1,3,4,7} adalah {1,3,4},{1,3,7}

,{1,4,7} dan {3,4,7}. {1,3,4},{1,3,7} dan {1,4,7} tidak terdapat di L3, sehingga tidak frequent. Oleh sebab itu

{1,3,4,7} dihilangkan dari C4.

3.

3-item subsets

dari {3,4,6,7} adalah {3,4,6},{3,4,7}

,{3,6,7} dan {4,6,7}. {4,6,7} tidak terdapat di L3,

sehingga tidak frequent. Oleh sebab itu {3,4,6,7} dihilangkan dari C4.

Karena setelah dilakukan pruning itemset yang tidak

frequent dihilangkan , maka untuk kasus ini didapat larger

itemset sampai L3.

2.2.6 Entity Relationship Diagram (ERD)

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.

a.Entitas merupakan objek utama yang informasi akan disimpan, biasanya 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. 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.

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).

2.2.7 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.

Disamping itu terdapat kelebihan tambahan, yaitu :

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

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

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

4. 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.

2.2.8 Kamus Data (Data Dictionary)

Kamus Data 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.

2.2.9 Software Pendukung

Diperlukan beberapa software pendukung untuk menjalankan aplikasi tersebut antara lain :

2.2.9.1 Delphi

Delphi adalah suatu program berbasis bahasa Pascal yang berjalan dalam lingkungan Windows. Delphi telah memanfaatkan suatu teknik pemrograman yang disebut RAD yang telah membuat pemrograman menjadi lebih mudah. Delphi adalah suatu bahasa pemrograman yang

telah memanfaatkan metode pemrograman Object Oriented

Programming (OOP). Secara ringkas, object adalah suatu komponen

yang mempunyai bentuk fisik dan biasanya dapat dilihat (visual). Object

biasanya dipakai untuk melakukan tugas tertentu dan mempunyai batasan-batasan tertentu. Sedangkan bahasa pemrograman secara singkat dapat disebut sebagai sekumpulan teks yang mempunyai arti tertentu dan disusun dengan aturan tertentu serta untuk menjalankan tugas tertentu.

Khusus untuk pemrograman database, Delphi menyediakan object

yang sangat kuat, canggih, dan lengkap, sehingga memudahkan pemrogram dalam merancang, membuat dan menyelesaikan aplikasi

database yang diinginkan. Selain itu, Delphi juga dapat menangani data

dalam berbagai format database, misalnya format MS-Access, SyBase, Oracle, FoxPro, Informix, DB2, MySQL dan lain-lain. Format database

yang dianggap asli dari Delphi adalah Paradox dan dBase.

2.2.9.2 MySQL

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

MySQL adalah sebuah server database SQL multiuser dan

multi-threaded. SQL sendiri adalah salah satu bahasa database yang paling

populer di dunia. Implementasi program server database ini adalah program daemon 'mysqld' dan beberapa program lain serta beberapa pustaka. Sebagaimana database sistem yang lain, dalam SQL juga dikenal hierarki server dengan database-database. Tiap-tiap database

memiliki tabel-tabel. Tiap-tiap tabel memiliki field-field. Umumnya informasi tersimpan dalam tabel – tabel yang secara logik merupakan struktur 2 dimensi terdiri atas baris dan kolom. Field-field tersebut dapat berupa data seperti int, realm char, date, time dan lainnya. SQL tidak memiliki fasilitas pemrograman yang lengkap, tidak ada looping ataupun percabangan. Sehingga untuk menutupi kelemahan ini perlu digabung dengan bahasa pemrograman semisal Pascal. MySQL sering digunakan sebagai SQL server karena berbagai kelebihannya, antara lain :

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

46  

3.1 Analisis Sistem

Analisis Sistem dapat didefinisikan sebagai penguraian dari suatu sistem informasi yang utuh ke dalam bagian-bagian komponennya dengan maksud untuk mengidentifikasikan dan mengevaluasi permasalahan-permasalahan, kesempatan-kesempatan, hambatan-hambatan yang terjadi dan kebutuhan-kebutuhan yang diharapkan sehingga dapat diusulkan perbaikan-perbaikan. Tahap analisis sistem ini merupakan tahap yang sangat kritis dan sangat penting, karena kesalahan di dalam tahap ini akan menyebabkan juga kesalahan di tahap selanjutnya. Tugas utama analis sistem dalam tahap ini adalah menemukan kelemahan-kelemahan dari sistem yang berjalan sehingga dapat diusulkan perbaikannya.

3.1.1 Analisis Masalah

Beragamnya jenis film (kategori) yang tersedia di pasaran membuat inisiatif PT. Ultradisc untuk memantau sejauh mana kecenderungan pelanggan terhadap jenis film tertentu. Tingkat kecenderungan pelanggan terhadap salah satu kategori pun bervariasi. Hal ini dapat dilihat dari data penyewaan yang terjadi di PT. Ultradisc.

Untuk mengahadapi persaingan bisnis yang semakin dinamis, perusahaan diharapkan dapat mengambil keputusan untuk menentukan strategi pemasaran dari produk-produknya. 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 penyewaan di perusahaan tersebut. Data penyewaan yang telah ada akan diolah atau dianalisis untuk mengetahui tingkat kecenderungan pelanggan terhadap kategori tertentu, sehingga perusahaan dapat mengetahui kategori mana yang lebih disukai oleh pelanggannya. Hasil tersebut juga dapat dijadikan acuan sehingga penempatan setiap pasangan kategori yang lebih disukai ditempatkan secara berdekatan untuk lebih mempermudah pencarian oleh pelanggan.

3.1.2 Analisis Non Fungsional dan Kebutuhan Non Fungsional

Spesifikasi kebutuhan non fungsional adalah spesifikasi yang rinci tentang hal-hal yang akan dilakukan sistem ketika diimplementasikan. Analisis kebutuhan ini diperlukan untuk menentukan keluaran yang akan dihasilkan sistem, masukan yang diperlukan sistem, lingkup proses yang digunakan untuk mengolah menjadi keluaran, volume data yang akan ditangani sistem, jumlah pemakai dan kategori pemakai, serta kontrol terhadap sistem.

3.1.2.1Analisis Perangkat Keras

Berdasarkan hasil tinjauan di lapangan saat melakukan studi penelitian, spesifikasi perangkat keras yang saat ini digunakan oleh rental Ultra Disc secara umum adalah :

a. Processor : Intel Celeron 2,13 GHz

c. Memory : 512 MB

d. Monitor : 15”

e. ROM : CDRW

f. Keyboard : Standard

g. Mouse : Optical Mouse

Dari data spesifikasi perangkat keras yang dimiliki oleh Ultra Disc seperti diatas, perangkat keras yang telah dimiliki sudah cukup untuk dapat menjalankan aplikasi pengolahan data penyewaan yang akan dibuat.

3.1.2.2Analisis Perangkat Lunak

Kebutuhan akan perangkat lunak pendukung sangatlah penting bagi lahirnya perangkat lunak yang sedang dirancang. Adapun kebutuhan spesifikasi perangkat lunak pendukung aplikasi yang akan dibuat antara lain :

1. Sistem Operasi Windows XP

2. Database menggunakan MySQL

3. Tools implementasi perancangan sistem menggunakan Delphi 7,

4. SQL Yog Enterprise 3.1.2.3Analisis 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. Di setiap cabang Ultradisc memiliki dua jenis petugas yaitu SPG/SPB dan Shop Coordinator, dimana hanya ada

satu orang yang bertugas sebagai Shop Coordinator setiap cabang. Untuk lebih jelas mengenai karakteristik pengguna, dapat dilihat pada tabel 3..

Tabel 3.1 Karakteristik Pengguna

Pengguna Tanggung Jawab

Hak Akses Tingkat Pendidikan Tingkat Keterampilan Pengalaman User Mengoperasikan aplikasi sesuai tugas yang diberikan Melakukan kegiatan yang berhubungan dengan isi tampilan yang ada pada program aplikasi SMA Bisa mengikuti petunjuk yang ada pada sistem Minimal mampu mengoperasikan computer.

Dengan kondisi yang terdapat diatas, maka dapat diambil kesimpulan bahwa aplikasi yang akan dibuat dapat dijalankan oleh petugas yang ada di Ultradisc. Petugas dalam hal ini adalah SPG/SPB dan Shop Coordinator di cabang Ultradisc.

3.1.2.4Analisis Data

3.1.2.4.1 Sampel Data Transaksi Penyewaan

Sampel data yang diambil dari database transaksi penyewaan berupa data yang penyewaan dalam waktu satu hari yaitu tanggal 20 Januari 2008. Pada hari tersebut terdapat 50 transaksi penyewaan. Untuk mencoba menganalisis menggunakan metode association rules, sampel data dari database penyewaan untuk transaksi penyewaan tanggal 20 Januari 2008 dapat dilihat pada Tabel 3.2.

Tabel 3.2 Sample data penyewaan tanggal 20 Januari 2008

no idsewa idkategori

1 4150339 G01

2 4150340 G01 G02

3 4150341 G09 G12 G01

4 4150342 G03 G01 G12

5 4150343 G12 G01 G10

6 4150344 G09 G04

7 4150345 G01

8 4150346 G01 G09

9 4150347 G01

10 4150348 G01

11 4150349 G01

12 4150350 G01 G09

13 4150351 G01

14 4150352 G01

15 4150353 G01

16 4150354 G01

17 4150355 G01

18 4150356 G01

19 4150357 G01

20 4150358 G01

21 4150359 G01

22 4150360 G01

23 4150361 G01

24 4150362 G01

25 4150363 G04 G09 G01

26 4150364 G05 G03 G02

27 4150365 G02 G05 G04

28 4150366 G02 G04

29 4150367 G02 G03

30 4150368 G11 G01 G04

31 4150369 G12 G04 G07

32 4150370 G09 G01 G02

33 4150371 G12 G01 G02

34 4150372 G12 G10 G02

35 4150373 G10 G12 G01

36 4150374 G12 G02

37 4150375 G02 G01 G12

38 4150376 G09 G01

39 4150377 G01 G12 G09

40 4150378 G01 G02 G07

41 4150379 G10 G02 G12

42 4150380 G06 G03

43 4150381 G05 G12

44 4150382 G01 G05

45 4150383 G05 G03 G12

46 4150384 G01 G04

47 4150385 G03 G01 G12

48 4150386 G01 G04 G06

49 4150387 G01 G05 G10

50 4150388 G08 G02 G06

51 4150389 G01 G02 G09

Sampel data diatas memiliki transaksi sebanyak 51 transaksi. Sampel data diatas masih perlu melewati proses cleaning

untuk menghilangkan data transaksi yang tidak relevan dengan menghilangkan transaksi dengan item tunggal. Setelah melewati proses cleaning maka data transaksi menjadi seperti dibawah ini :

Tabel 3.3 Sample data penyewaan tanggal 20 Januari 2008 yang telah disederhanakan

no idsewa idkategori

1 4150340 G01 G02

2 4150341 G09 G12 G01

3 4150342 G03 G01 G12

4 4150343 G12 G01 G10

5 4150344 G09 G04

6 4150346 G01 G09

 

8 4150363 G04 G09 G01

9 4150364 G05 G03 G02

10 4150365 G02 G05 G04

11 4150366 G02 G04

12 4150367 G02 G03

13 4150368 G11 G01 G04

14 4150369 G12 G04 G07

15 4150370 G09 G01 G02

16 4150371 G12 G01 G02

17 4150372 G12 G10 G02

18 4150373 G10 G12 G01

19 4150374 G12 G02

20 4150375 G02 G01 G12

21 4150376 G09 G01

22 4150377 G01 G12 G09

23 4150378 G01 G02 G07

24 4150379 G10 G02 G12

25 4150380 G06 G03

26 4150381 G05 G12

27 4150382 G01 G05

28 4150383 G05 G03 G12

29 4150384 G01 G04

30 4150385 G03 G01 G12

31 4150386 G01 G04 G06

32 4150387 G01 G05 G10

33 4150388 G08 G02 G06

34 4150389 G01 G02 G09

Sampel tersebut telah disederhanakan dan dapat dianalisis dengan menerapkan algoritma apriori untuk menemukan rules-nya, dengan mengasumsikan database diatas adalah D, dibawah ini merupakan langkah-langkah penerapan algoritma Apriori dalam menemukan frequentitemset dengan asumsi minimum support-nya 25% atau 8 transaksi :

a. Misalkan minimum support yang ditentukan adalah 25%, dalam hal ini berarti minimum support nya 25% x 34 tansaksi, atau sebanyak 8 transaksi, Langkah pertama yang dilakukan adalah

scan database D untuk mengetahui support-count dari

masing-masing kategori yang ada di database. Setelah di scan, maka didapat hasil sebagai berikut :

Tabel 3.4. Kandidat 1-Itemset (C1) idkategori supp. count

G01 22

G02 14

G03 6

 

G05 6

G06 3

G07 2

G08 1

G09 9

G10 5

G11 1

G12 15

b. Selanjutnya setelah dihitung support-count pada masing masing kandidat pada 1-itemset, C1. Dapat dilihat pada table C1 diatas bahwa ada kandidat yang tidak memenuhi minimum support. Maka dari itu, kandidat yang tidak memenuhi harus dihilangkan pada L1.

Tabel 3.5. Large 1-itemset (L1) idkategori supp. count

G01 21

G02 14

G04 8

G09 9

G12 15

c. Untuk menemukan frequent 2-itemset atau L2, maka join L1 dengan L1 untuk menghasilkan kandidat 2-itemsets atau C2.

Tabel 3.6. Kandidat 2-Itemset (C2) idkategori supp. count

{G01},{G02} 7

{G01},{G03} 2

{G01},{G04} 4

{G01},{G05) 2

{G01},{G09} 8

{G01},{G10} 4

{G01},{G12) 9

{G02},{G03} 2

{G02},{G04} 2

{G02},{G05} 2

{G02},{G09} 2

{G02},{G10} 2

 

{G03},{G04} 0

{G03},{G05} 2

{G03},{G09} 0

{G03},{G10} 0

{G03},{G12} 3

{G04},{G05} 0

{G04},{G09} 2

{G04},{G10} 0

{G04},{G12} 0

{G05},{G09} 0

{G05},{G10} 0

{G05},{G12} 2

{G09},{G10} 0

{G09},{G12} 2

{G10},{G12} 4

d. Setelah dihitung dan ditemukan support-count dari tiap kandidat 2-itemsets pada C2, dapat dilihat bahwa ada beberapa yang tidak memenuhi atau kurang dari minimum

support-count yang telah ditentukan. Maka dari itu, untuk menentukan

anggota dari L2, itemset-itemset pada C2 yang memiliki

support-count lebih kecil dari minimum support di remove

sehingga yang tersisa adalah itemset yang memiliki

support-count≥ minimum support-count.

Tabel 3.7 Large 2-Itemset (L2) idkategori supp. count

{G01},{G09} 8

{G01},{G12) 9

e. Proses selanjutnya yaitu menghasilkan atau meng-generate set

dari kandidat 3-itemsets atau C3, seperti percobaan sebelumnya, yaitu melalui dua tahap yaitu join dan prune. Hasil dari dua tahap tersebut adalah sebagai berikut :

 

Tabel 3.8. Kandidat 3 Itemset (C3) idkategori supp. count

{G01},{G09},{G12} 2

f. Hasil Join dan Prune dari L2 dan L2 ternyata membentuk C3 yang tidak frequent. Jalannya algoritma terhenti karena sudah mendapati frequent itemset yang dinginkan dan tidak bisa

di-generate lagi.

g. Hasil Join dan Prune dari L2 dan L2 yang membentuk C3 ternyata tidak memiliki support-count yang memenuhi minimum support, maka dalam kasus ini kandidat 3-itemsets

atau C3 diabaikan.

h. Setelah didapatkan frequent itemset yang lebih besar atau sama dengan minimum support, langkah selanjutnya adalah menghitung confidence dari frequent itemset tersebut. Karena kandidat yang memenuhi minimum support hanya kandidat

2-itemset atau C2, maka yang dihitung hanya sampai C2.

3.1.2.4.2 Pencarian Association Rules dari Frequent Itemset Setelah frequent itemset dari analisis tersebut diperoleh, langkah selanjutnya adalah mencari confidence dari frequent

itemset tersebut. Dengan menggunakan rumus :

Kita akan mencari confidence tiap kandidat dari 2-itemset

 

Tabel 3.9 Confidence Sampel Data

Rules Confidence

{G01}Æ{G09}  8/22 = 36,36%  {G09}Æ{G01}  8/9   = 88,88 %  {G01}Æ{G12}  9/22 = 40,90 %  {G12}Æ{G01} 9/15 = 60 %

Jika minimum confidence-nya adalah 50 %, maka hanya kandidate {G09}Æ{G01} dan {G12}Æ{G01} yang menjadi kandidat kuat sehingga untuk perekomendasian kategori film dapat menggunakan rules :

a. Jika pelanggan menyewa G09, maka akan direkomendasikan G01 dengan confidence 88,88 %.

b. Jika pelanngan menyewa G12, maka akan direkomendasikan G01 dengan confidence 60 %.

3.1.2.5Analisis Basis Data

Struktur logika dari basis data dapat digambarkan dalam sebuah grafik dengan menggunakan Entity Relationship Diagram (ERD). ERD merupakan hubungan antara entitas yang digunakan dalam sistem untuk menggambarkan hubungan antara entitas atau struktur data dan relasi antar file. Komponen utama pembentukan ERD yaitu Entity (entitas)

dan Relation (relasi) sehingga dalam hal ini ERD merupakan

komponen-komponen himpunan entitas dan himpunan relasi yang dideskripsikan lebih jauh melalui sejumlah atribut-atribut (property)

 

yang menggambarkan seluruh fakta dari sistem yang ditinjau. Adapun ERD dari aplikasi yang akan dibuat terlihat pada Gambar 3.1.

MEMBER N Menyewa N FILM N

idmember nama alamat telepon tgllahir idsewa tanggal idmember qtyfilm totalsewa idfilm judul hargasewa idkategori Memiliki KATEGORI 1 DETAILSEWA Memiliki 1 1 1 USER Mengolah userid username password hakaskses N Dibuat RULES 1 N idkategori jml support confidence 1

Memiliki HISTORY Memiliki

1 ₁ DETAIL HISTORY 1 idhistory userid tanggal idhistory idkategori support confidence idkategori kategori idsewa idfilm tglkembali tanggal userid

Gambar 3.1 Entity Relationship Diagram (ERD) Aplikasi Data Mining Ultradisc

3.2Analisis Kebutuhan Fungsional 3.2.1 Diagram Konteks

Diagram konteks atau disebut juga dengan model sistem fundamental

merepresentasikan seluruh elemen sistem sebagai sebuah bubble tunggal dengan data input, output yang ditunjukkan oleh anak panah yang masuk dan keluar secara berurutan. Berdasarkan hasil analisis, maka diagram konteks dari aplikasi yang akan dibangun dapat dilihat pada gambar dibawah ini :

 

USER

APLIKASI DATA MINING

ULTRADISC data userid,

data password, data user baru, data user yang akan diedit,dihapus, password yang diganti, data user baru,

password yang diganti, data film, data member, data kategori, data penyewaan,data detailsewa,

data minsup, data minconf, data range tanggal, data hasil analisis, data analisis, data rekomendasi global, data member rekomendasi,data history

info userid, info password, info userid salah, info password salah, info tambah data, info edit data, info hapus data, info password, info tambah data, info edit data, info hapus data,

info password, info film, info member, info kategori, info penyewaan, info detailsewa,

Info minsup, info minconf, info range tanggal, Info hasil analisis,

info analisis, info rekomendasi global, info member rekomendasi, info history

DB_ULTRADISC

Gambar 3.2 Diagram Konteks Aplikasi Data Mining Ultradisc

3.2.2 Data Flow Diagrams (DFD)

Data flow diagram merupakan model dari sistem untuk menggambarkan

pembagian sistem ke model yang lebih kecil. Salah satu keuntungan menggunakan DFD adalah memudahkan pemakai yang kurang menguasai bidang komputer dapat mengerti sistem yang akan dijalankan. Berikut data

 

3.2.2.1 DFD Level 1

1 Login USER history data userid, data password

info userid, info password, info userid salah, info password salah

2 Pengolahan Data Master autentifikasi login valid

data user baru, data user yang akan diedit, dihapus, password yang diganti, data user baru,

data user yang akan diedit, data user yang akan dihapus, password yang diganti, data film,

data member, data kategori, data penyewaan,data detailsewa

info tambah data, info edit data, info hapus data, info password, info tambah data, info edit data, info hapus data,

info password, info film, info member, info kategori, info penyewaan, info detailsewa

3 Analisis dan Rekomendasi

data minsup, data minconf, data range tanggal, data hasil analisis data analisis, data rekomendasi global, data member rekomendasi, data history

Info minsup, info minconf, info range tanggal, Info hasil analisis, info analisis, info rekomendasi global,

info member rekomendasi, info history autentifikasi login valid

user film member kategori penyewaan detailsewa

data filmdata member

data member data kategori data penyewaan data detailsewa data detailsewa data kategori data penyewaan DB_ULTRADISC respon data penyewaan

request data penyewaan

data film data film data film data member data member data kategori data kategoridata penyewaan data penyewaan data detailsewa data detailsewa data history data history analisis data analisis data analisis detailhistory data detailhistory data detailhistory data user

data user data user data user

history data temporary

data temporary

Gambar 3.3 DFD Level 1 Aplikasi Data Mining Ultradisc

Proses pada DFD Level 1 yang terlihat pada Gambar 3.3 diakses oleh staff dari Ultra Disc, dimana proses yang terjadi adalah :

1. Proses Login, proses ini memverifikasi siapa saja yang bisa masuk ke aplikasi.

2. Proses Pengolahan Data Master, pada proses ini memungkinkan pengolahan data user dan import data.

3. Proses Analisis dan Rekomendasi, pada proses ini memungkinkan untuk menganalisis data sesuai metode yang diterapkan.

 

3.2.2.2 DFD Level 2 Untuk Proses Login

  Gambar 3.4. DFD Level 2 Untuk Proses Login

Proses yang ditunjukkan oleh Gambar 3.4 ini diakses oleh staff Ultradisc, dimana proses yang terjadi adalah :

1. Proses Cek UserID, proses ini dilakukan untuk mengecek apakah userid yagn dimasukkan sudah sesuai dengan data login atau belum. 2. Proses Cek Password, proses ini dilakukan untuk mengecek apakah

password yang dimasukkan untuk userid tertentu sudah sesuai dengan data login atau belum.

3.2.2.3 DFD Level 2 Untuk Proses Pengolahan Data Master

Proses yang ditunjukkan oleh Gambar 3.5 diakses oleh staff Ultra Disc dimana proses yang terjadi adalah :

1. Proses Pengolahan Data User, proses ini memungkinkan untuk menambah, mengedit data user, menghapus user, dan mengganti password.

 

2. Proses Import Data Penyewaan, proses ini memungkinkan user mengimpor data dari database luar dan memasukkannya kedalam database aplikasi.

2.1 Pengolahan

Data User

USER

data user baru, data user yang akan diedit, data user yang akan dihapus,

password yang diganti info tambah data,

info edit data, info hapus data,

info password

2.2 Import Data Penyewaan data user baru, data user yang akan diedit,

data user yang akan dihapus, password yang diganti, data film, data member, data kategori, data penyewaan,

data detailsewa

info tambah data, info edit data, info hapus data, info password, info film, info member, info kategori, info penyewaan, info detailsewa

user data user

data user

data penyewaan

respon data penyewaan

request data penyewaan film member kategori data film data member data kategori data film data member data kategori penyewaan data penyewaan data penyewaan

detailsewa data detailsewa data detailsewa

Gambar 3.5 DFD Level 2 Untuk Proses Pengolahan Data Master 3.2.2.4 DFD Level 2 Untuk Proses Analisis dan Rekomendasi

Proses yang ditunjukkan oleh Gambar 3.6 diakses oleh staff Ultradisc dimana proses yang terjadi adalah :

1. Proses Mining, pada proses ini dilakukan pencarian pasangan atau kombinasi yang terdapat dalam database penyewaan

2. Proses History, pada proses ini hasil dari analisis kemudian ditampung untuk dapat dilihat kembali.

3. Proses Rekomendasi, pada proses ini dilakukan rekomendasi genre film berdasarkan analisis yang telah dilakukan. Hasil rekomendasi bersifat global.

 

USER

3.1 Mining Info minsup, info minconf,

info range tanggal, info hasil analisis

Data minsup, data minconf, data range tanggal,

Data hasil analisis

3.3 History 3.2 Rekomendasi penyewaan detailsewa data penyewaan data penyewaan data detailsewa data detailsewa analisis data analisis data analisis data analisis data analisis data analisis data analisis history data analisis, data rekomendasi global, data member rekomendasi

info analisis, info rekomendasi global, info member rekomendasi

data history data history detailhistory data detailhistory data detailhistory member film kategori data kategori data kategori data film data film data member data member data history info history temp data temporary data temporary

Gambar 3.6 DFD Level 2 Untuk Proses Analisis dan Rekomendasi

3.2.2.5 DFD Level 3 Untuk Proses Pengolahan Data User

  Gambar 3.7 DFD Level 3 untuk proses Pengolahan Data User 

 

Proses yang ditunjukkan oleh Gambar 3.7 ini diakses oleh staff Ultradisc dimana proses yang terjadi adalah :

1. Proses Tambah Data User, proses ini memungkinkan user menambah user lain yang dapat menggunakan aplikasi.

2. Proses Edit Profile, proses ini memungkinkan pengeditan data profile. 3. Proses Hapus Data User, proses ini memungkinkan user menghapus

data user.

4. Proses Ganti Password, proses ini memungkinkan pergantian password.

3.2.2.6 DVD Level 3 Untuk Proses Pengolahan Data Penyewaan

  Gambar 3.8 DFD Level 3 Untuk Proses Pengolahan Data Penyewaan

 

Proses yang ditunjukkan oleh Gambar 3.8 diakses oleh staff Ultradisc dimana proses yang terjadi adalah :

1. Proses Impor Data Member, proses ini memungkinkan import data member untuk dapat dianalisis.

2. Proses Impor Data Film, proses ini memungkinkan import data film untuk dapat dianalisis.

3. Proses Impor Data Kategori, proses ini memungkinkan import data film untuk dapat dianalisis.

4. Proses Impor Data Peyewaan, proses ini memungkinkan import data penyewaan untuk dapat dianalisis.

5. Proses Impor Data Detail Sewa, proses ini memungkinkan import data detail sewa untuk dapat dianalisis.

3.2.2.7 DFD Level 3 Untuk Proses Analisis

Proses yang ditunjukkan oleh Gambar 3.9 diakses oleh staff Ultradisc dimana proses yang terjadi adalah :

1. Proses Scan Database, proses ini dilakukan untuk mengecek data di database yang memiliki support count melebihi dari minimum support yang telah ditentukan.

2. Proses Data Cleaning, proses ini dilakukan untuk membersihkan/ menghapus data transaksi tunggal. Data transaksi tunggal yang dimaksud adalah data transaksi yang hanya memiliki 1 item itansaksi atau 1 jenis kategori.

 

3. Proses Generate Tabel, proses ini dilakukan untuk mendapatkan kombinasi pasangan dari kategori yang akan di analisis,

4. Proses Pruning Tabel, proses ini dilakukan untuk memangkas kombinasi pasangan dari kategori yang tidak memenuhi minimum support yang telah ditentukan.

5. Proses Hitung Confidence, proses ini dilakukan untuk menemukan rules dari data yang dianalisis.

3.1.1 Scan Database

USER Info minsup, info minconf,

info range tanggal

Data minsup, data minconf, data range tanggal

penyewaan data penyewaan detailsewa 3.1.3 Generate Itemset 3.1.4 Pruning Tabel data generate info generate 3.1.5 Hitung Confidence info pruning data pruning Info hasil analisis

Data hasil analisis

analisis data analisis data analisis data analisis data analisis data analisis data analisis data penyewaan data detailsewa data detailsewa 3.1.2 Data Cleaning info data terfilter

data terfilter

info data bersih

data bersih temp data temporary data temporary data temporary data temporary   Gambar 3.9 DFD Level 3 Untuk Proses Analisis

 

3.2.2.8 DFD Level 3 Untuk Proses Rekomendasi

3.2.1 Lihat Analisis analisis USER data analisis info analisis data analisis data analisis 3.2.2 Rekomendasi Global 3.2.3 Tampil Member data rekomendasi global

film kategori member data analisis data analisis data film data film data kategori data kategori info rekomendasi global

data member rekomendasi

info member rekomendasi

data member

data member

  Gambar 3.10 DFD Level 3 Untuk Proses Rekomendasi

1. Proses Lihat Analisis, proses ini dilakukan untuk melihat data analisis yang telah dilakukan pada proses Analisis.

2. Proses Rekomendasi Global, proses ini dilakukan untuk mengetahui rekomendasi yang dihasilkan dari analisis, rekomendasi yang dihasilkan bersifat global.

3. Proses Tampil Member, proses ini dilakukan untuk mengetahui siapa saja member yang melakukan penyewaan sesuai dengan analisis pada proses Analisis.

 

3.2.3 Spesifikasi Proses

Spesifikasi proses digunakan untuk menggambarkan proses model aliran yang terdapat pada DFD. Spesifikasi proses dari DFD yang telah dibuat dapat dijelaskan pada tabel berikut :

Tabel 3.4 Spesifikasi Proses

Proses Keterangan

1 No Proses 1 Nama Proses Login Source (Sumber) User

Input userid, password

Output data login valid atau tidak valid Destination (Tujuan) Login Aplikasi

Logika Proses {user memasukkan userid dan password pada form login}

begin

if userid and password valid then masuk ke dalam aplikasi else

muncul pesan invalid end

2 No Proses 2

Nama Proses Pengolahan Data Master Source (Sumber) User

Input data user, file database

Output data user, data member, data film, data kategori, data penyewaan, data detail sewa

Destination (Tujuan) User

Logika Proses { User mengolah data master} begin

 

xi  

4.3.5 Kesimpulan dan Hasil Pengujian Beta ... 119

BAB V KESIMPULAN DAN SARAN ... 120

5.1 Kesimpulan ... 120

5.2 Saran ... 120

DAFTAR PUSTAKA

[1] Gatot Tri R. (2009). Teknologi DVD. Dari : http://baca-rasa-makna.blogspot.com/2009/09/teknologi-dvd.html tanggal akses terakhir : 27 Desember 2010.

[2] Ruldeviyani, Yova. (2008). Implementasi Algoritma-Algoritma Associatio Rules Sebagai Bagian dari Pengembangan Data Mining Algorithms Collection. Konferensi Nasional Sistem dan Informatika 2008; Bali,

[3] Sarosa, Samiaji. (2008). Sistem Informasi Akuntansi. Jakarta : Grasindo.

[4] Sarwojono (2009). Pengenalan Datawarehouse. dari : http://sarwojowo.net/component/content/ article/39-database-/71-pengenalan-datawarehouse-.html tanggal akses : 7 Desember 2010.

[5] Pramudiono, Iko. (2003). Pengenalan Data Mining : Menambang Permata Pengetahuan di Gunung Dat. Dari : http://ikc.depsos.go.id/umum/iko-datamining.php tanggal akses : 7 Desember 2010.

xx  

DAFTAR LAMPIRAN

Lampiran A Listing Program ... A-1 Lampiran B Hasil Kuesioner ... B-1 Lampiran C Surat Penelitian ... C-1

KATA PENGANTAR

Puji dan syukur saya panjatkan kehadirat Illahirabbi, karena atas berkah, rahmat, taufiq, dan hidayah-Nyalah saya dapat menyelesaikan laporan tugas akhir (sksipsi) ini. Limpahan karunia yang tidak pernah ada habisnya telah mengangkat segala bentuk kekurangan, keterbatasan dan ketidakmampuan penulis untuk menyelesaikan laporan tugas akhir ini. Adapun laporan tugas akhir ini saya ajukan untuk memenuhi syarat mata kuliah tugas akhir/skripsi program strata satu, jurusan teknik informatika, fakultas teknik dan ilmu komputer, Universitas Komputer Indonesia.

Saya menyadari bahwa pembuatan laporan tugas akhir ini masih jauh dari sempurna dan tidak luput dari banyak kesalahan dan kekurangan. Hal ini dikarenakan oleh pengetahuan, pengalaman, dan kemampuan saya yang terbatas. Tentunya tidak ada sesuatu yang sempurna dalam suatu laporan tugas akhir yang dibuat. Oleh karena itu penulis mohon maaf yang sebesar-besarnya kiranya terdapat kekurangan dalam penyusunan laporan tugas akhir ini, baik dalam tata tulis, isi, dan lain-lain.

Adapun dalam laporan ini penulis akan menjelaskan mengenai hasil penelitian tugas akhir yang telah dilakukan di PT. Ultradisc. Judul yang diambil dalam membuat laporan tugas akhir ini adalah “PENERAPAN DATA MINING PADA PENYEWAAN FILM DI ULTRADISC CABANG ANTAPANI MENGGUNAKAN METODE ASSOCIATION RULES”

iv  

Laporan tugas akhir ini tidak akan berarti apa-apa tanpa bantuan dan dukungan semua pihak yang dengan segenap hati dan rasa tulus memberikan semua hal yang penulis butuhkan, untuk itu pada kesempatan ini penulis mengucapkan terima kasih kepada :

1. Ibu dan Ayahku tercinta yang senantiasa memberikan dorongan yang tak pernah ada habisnya baik secara moriil terutama secara spirituil, serta cinta dan kasih sayang mereka yang selalu memberikan kekuatan kepada penulis.

2. Kakak-kakakku yang senantiasa memberikan dorongan semangat serta cinta kasih kepada penulis.

3. Kekasihku Dwivia Ikhsania yang dengan penuh cinta menyemangati penulis dalam pengerjaan laporan ini.

4. Ibu Sri Nurhayati, S.Si., M.T. selaku pembimbing dan penguji II sidang yang selalu memberikan bimbingan, pengarahan, dan masukannya bagi penulis.

5. Ibu Dian Dharmayanti, S.T. selaku reviewer seminar dan penguji I sidang yang telah memberikan masukan kepada penulis.

6. Ibu Tati Harihayati M., S.T., M.T. selaku penguji III sidang yang telah memberikan masukan kepada penulis.

7. Bapak Irawan Afrianto, S.T., M.T. selaku dosen yang selalu menyemangati mahasiswanya lewat “update status” nya.

8. Arief Rizki Fadillah yang telah banyak membantu penulis dalam mengerjakan aplikasi yang dibangun.

9. Seluruh rekan-rekan di UNIKOM terutama kelas IF-3 yang senantiasa memberikan dorongan, masukan, dan telah banyak berbagi kepada penulis selama berkuliah di UNIKOM hingga saat ini dan semoga seterusnya.

10. Seluruh rekan, teman, dan sahabat yang tidak tersebutkan namanya yang telah memberikan dorongan dan masukan kepada penulis selama ini.

Dengan rasa syukur dan kerendahan hati, penulis memberikan rasa hormat yang tak terhingga dan mengucapkan terima kasih kepada orang-orang yang telah membantu terselesaikannya pembuatan hingga terciptanya laporan tugas akhir ini.

Akhir kata, semoga laporan tugas akhir ini dapat dijadikan sebagai sumber ilmu pengetahuan dan bermanfaat khusunya bagi penulis, dan pembaca pada umumnya.

Bandung, Januari 2011