Penerapan Data Mining Menggunakan Metode Association Rule Dengan Algoritma FP-Growth pada Perekomendasian Barang di Distro Fresh Wearhouse Batujajar

1. DATA DIRI

  Nama : Fitria Indrianti Tempat/Tanggal Lahir : Bandung / 6 April 1995 Jenis Kelamin : Perempuan Status Pernikahan : Belum Menikah Warga Negara : Indonesia Agama : Islam

  Alamat : Jln. Cipageran no 53 cimahi, Jawa Barat Nomor Telepon : 08155111893 Email : fitriaindri12@gmail.com 2.

RIWAYAT PENDIDIKAN

  a. : SDN Bhinaharapan 2001 - 2007 b. : SMPN 2 Ngamprah 2007 - 2009 c. : SMAN 1 Cimahi 2009 - 2011 d. : Universitas Komputer Indonesia,Bandung 2012 - Sekarang

PENERAPAN DATA MINING MENGGUNAKAN METODE

  

ASSOCIATION RULE DENGAN ALGORITMA FP-GROWTH PADA

PEREKOMENDASIAN BARANG DI DISTRO FRESH WEARHOUSE

BATUJAJAR

SKRIPSI

  Diajukan untuk Menempuh Ujian Akhir Sarjana

  Fitria Indrianti 10112246 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK DAN ILMU KOMPUTER UNIVERSITAS KOMPUTER INDONESIA 2016

KATA PENGANTAR

  Assalamu Alaikum Wr.Wb Alhamdulilah. Puji syukur kita panjatkan atas kehadirat Allah SWT, karena

  atas rahmat-Nyalah, penulis akhirnya dapat menyelesaikan penulisan skripsi dengan judul : Penerapan Data Mining Menggunakan Metode Association Rule Dengan Algoritma Fp-Growth Pada Perekomendasian Barang di Distro Fresh Wearhouse Batujajar.

  Penulis sangat menyadari bahwa masih banyak kekurangan dalam penyusunan laporan tugas akhir sehingga masih jauh dari kata sempurna. Hal ini dikarenakan oleh pengetahuan, pengalaman, dan kemampuan penulis yang terbatas. Oleh karena itu, kritik dan saran yang membangun sangat penulis harapkan untuk menyempurnakan laporan tugas akhir ini.

  Selama menulis laporan tugas akhir ini, penulis telah mendapat banyak sekali bimbingan dan bantuan dari berbagai pihak yang telah dengan segenap hati dan keikhlasan yang penuh dalam membantu dan membimbing penulis dalam menyelesaikan laporan ini. Dengan kesadaran hati, penulis ucapkan terima kasih kepada: 1.

  Allah SWT yang telah memberikan segala yang terbaik sehingga penulis dapat dengan lancar menyelesaikan tugas akhir ini.

  2. Ayah dan Ibuku yang telah menyayangi dan mendoakanku selama ini serta telah memberikan segala dorongan moril dan materil, semangat, serta sabar yang luar biasa tanpa pamrih.

  3. Ibu Dian Dharmayanti , S.T., M.Kom. selaku dosen pembimbing dan dosen penguji II laporan akhir yang dengan segala kesabaran dan keikhlasannya membimbing dan memberikan ilmunya kepada

  5. Ibu Tati Harihayati Mardzuki, S.T.,M.T selaku dosen penguji yang telah memberikan masukan dan saran untuk skripsi ini.

  6. Bapak Irfan Maliki, S.T., M.T. selaku dosen wali kelas IF-7 angkatan 2012

  7. Bapak dan ibu dosen Fakultas Teknik Informatika yang sudah banyak memberikan ilmu baru yang sangat bermanfaat.

  8. Untuk adikku Kharen yang selalu menghibur disaat kejenuhan penelitian ini berlangsung

  9. Sahabatku Shativa Sonrisa dan Ahmad Sopian yang telah memberikan bantuan saat diperlukan.

  10. Teman seperjuangan skripsi dari kelas Chena, Kaem, Arul yang selalu membantu dan menenangkan saya selama panik.

  11. Ichsan Faizal, S.iKom yang telah membantu dalam pengerjaan skripsi ini

  12. serta teman bimbingan bu Dian yang selalu menemani dan menghibur disaat bimbingan berlangsung.

  13. Distro Fresh Wearhouse Batujajar yang telah mengizinkan dan memberikan data untuk penelitian tugas akhir ini.

  14. Serta semua pihak yang telah turut membantu dalam penyusunan skripsi ini, yang tidak bisa disebutkan semuanya satu persatu. Penulis sangat menyadari bahwa dalam penulisan skripsi ini masih jauh dari kata sempurna, baik dalam metode penulisan, pembahas materi maupun penyajian materi, sehingga kiranya masih banyak yang perlu diperbaiki. Oleh karena itu, penulis sangat mengharapkan kritik dan saran yang bersifat membangun. Akhir kata, penulis berharap semoga skripsi ini dapat bermanfaat bagi penulis khusunya dan pembaca umumnya.

  Bandung, 25 Agustus 2016

  DAFTAR ISI

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  

  DAFTAR PUSTAKA [1] I. Sommerville, Software Engineering, Edisi 6, Jakarta: Erlangga, 2003.

  [2] Larose D, T., 2005, Discovering knowledge in data : an introduction to data mining, Jhon Wiley & Sons Inc.

  [3] Jiawei, Han, Jian Pei, Yiwen Yin. 2004. Mining Frequent Patterns without Candidate Generation. Netherlands: Kluwer Academic Publishers. [4] B. Liu, Sentiment Analysis and Opinion Mining, Morgan & Claypool Publisher , 2012. [5] F. Buku Teks Komputer: Basis Data, 5th ed., Bandung: Informatika, 2004. [6] S. B. Meta, Data mining for dummies, p. 411. [7] Jiawei, Han, Jian Pei, Yiwen Yin. 2004. Mining Frequent Patterns without

  Candidate Generation. Netherlands: Kluwer Academic Publishers [8] R. W. Pate Chapman, 2000. [Online]. Available: http://the- modeling- agency.com/crisp-dm.pdf.

  [10] F. Buku Teks Komputer: Basis Data, 5th ed., Bandung: Informatika, 2004. [11] H.A.Fajar, Data Mining. Andi, 2013. [12] F. Buku Teks Komputer: Basis Data, 5th ed., Bandung: Informatika, 2004.

BAB 1 PENDAHULUAN

1.1 Latar Belakang Masalah

  Fresh Wearhouse merupakan sebuah distro di kawasan Jl. Raya Batujajar Timur No.148 Kab., Bandung Barat. Dalam kegiatan operasionalnya, distro ini biasa menjual produknya kepada masyarakat umum. Penjualan pada distro ini meliputi penjualan baju, tas, sepatu, topi, sandal, dan berbagai aksesoris yang biasa dijual di distro- distro lainnya. Distro ini melakukan pembaruan produk pada event tertentu. Distro ini mencatat data transaksi penjualannya secara manual.

  Dari hasil wawancara di distro Fresh Wearhouse batujajar terdapat beberapa masalah yang terjadi dalam penjualan produk yang dialami oleh Fresh Wearhouse bahwa dari banyaknya produk paket yang ditawarkan hanya sedikit produk paket yang dibeli oleh pelanggan karena kombinasi produk yang dijual dalam satu paket merupakan produk yang kurang dibutuhkan dan disukai oleh pelanggan, dengan terjadinya hal tersebut maka muncul pemikiran dari pelanggan bahwa membeli produk biasa yang bukan dalam bentuk paket akan lebih berguna daripada membeli produk dalam satu paket meskipun harganya lebih murah. Pemilik distro mengira bahwa hal ini terjadi akibat tidak adanya aturan khusus dalam menentukan produk apa saja yang akan dijual dalam bentuk paket dan tidak adanya analisis yang dilakukan terhadap data yang terus bertambah untuk mendapatkan informasi. Oleh karena itu, pihak distro ingin adanya pengolahan data lebih lanjut dan lebih mendalam untuk menemukan informasi baru yang berguna sebagai bahan pertimbangan dalam proses penjualan sehingga di kemudian hari pihak distro memiliki pertimbangan dalam menentukan produk apa saja yang akan direkomendasikan dalam pemaketan produk.

  Hasil pengamatan dari data yang ada sebelumnya hingga sekarang, ternyata adalah suatu proses menemukan hubungan yang berarti, pola dan kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan pola seperti statistika dan matematika [2]. Metode yang akan digunakan dalam pembangunan aplikasi ini adalah metode Association Rule dengan Algoritma FP-Growth. Metode

  

Association Rule adalah suatu prosedur untuk mencari hubungan antara item dalam

  suatu kumpulan data yang ditentukan. Dalam menentukansuatu Association

  

Rule,terdapat suatu ukuran kepercayaan yang didapatkan dari hasil pengolahan data

  dengan perhitungan tertentu [3]. Algoritma FP-Growth merupakan salah satu alternatif Algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul (frequent itemset) dalam suatu kumpulan data [4]. Berdasarkan permasalahan yang terjadi, pada penelitian ini akan dibangun aplikasi

  

Data Mining yang menerapkan Association Rule dan Algoritma FP-Growth yang

  berguna untuk perekomendasian pemaketan produk di distro Fresh Wearhouse Batujajar.

  1.2 Rumusan Masalah

  Berdasarkan latar belakang di atas, maka didapatkan suatu perumusan masalah yaitu bagaimana merekomendasikan pemaketan produk yang berada di distro Fresh Wearhouse dengan metode Association rule dengan menggunakan Algoritma FP- Growth.

  1.3 Maksud dan Tujuan

  Maksud dari penelitian ini adalah untuk menerapkan metode association

  rule dengan algoritma fp-growth pada perekomendasian paket produk di distro Fresh Wearhouse Batujajar.

  Sedangkan tujuan yang ingin dicapai untuk penelitian ini adalah

1.4 Batasan Masalah

  Batasan masalah pada penelitian ini adalah: 1.

  Data uji yang digunakan dalam penelitian ini adalah data periode November-Desember 2015 2. Tampilan Perekomendasiaan hanya berupa teks, bukan berupa gambar.

  3. Aplikasi yang akan dibangun berbasis desktop.

  4. Algoritma yang digunakan adalah algoritma fp-growth untuk menentukan himpunan data yang sering muncul pada suatu kumpulan data.

1.5 Metodologi Penelitian

  Metodologi penelitian yang digunakan dalam pembuatan aplikasi ini adalah metode penelitian deskriptif, yaitu menggambarkan secara sistematis fakta dan karakteristik objek dan subjek yang diteliti secara tepat. Metode yang digunakan dalam penulisan laporan penelitian ini menggunakan dua metode,yaitu metode pengumpulan data dan metode pembangunan perangkat lunak.

1.5.1 Metode Pengumpulan Data

  Metode yang digunakan dalam pengumpulan data pada penelitian ini adalah sebagai berikut: a.

  Studi Literatur Tahap studi literatur ini yaitu mengumpulkan serta mempelajari data-data yang berkaitan dengan laporan penelitian ini, baik dari literatur jurnal, buku, maupun situs-situs internet.

  b.

  Observasi Tahap observasi yaitu dengan mendatangi secara langsung lokasi yang dijadikan sebagai tempat penelitian tugas akhir ini yaitu distro Fresh Wearhouse di kawasan Jl. Raya Batujajar Timur No.148 Kab., Bandung Barat . tahun 1996 yang ditunjukkan untuk melakukan proses analisis dari suatu industri sebagai strategi pemecahan masalah dari bisnis satu unit penelitian [6]. Untuk data yang dapat di proses dengan CRISP-DM ini, tidak ada ketentuan atau karakteristik tertentu, karena data tersebut akan diproses kembali pada fase-fase di dalamnya.

Gambar 1.1 Skema CRIP-DM[1] Gambar 1. 1 CRISP-DM

  Berikut adalah tahapan-tahapan yang akan dilakukan dalam penelitian ini sesuai dengan CRISP-DM :

  a.

   Business understanding

  Tahap pertama adalah memahami tujuan dan kebutuhan dari sudut pandang bisnis, kemudian menterjemakan pengetahuan ini ke dalam pendefinisian masalah dalam Data Mining. Selanjutnya akan ditentukan rencana dan strategi untuk mencapai tujuan tersebut.

  b.

   Data understanding

  Tahap ini dimulai dengan pengumpulan data yang kemudian akan dilanjutkan dengan proses untuk mendapatkan pemahaman yang mendalam tentang data, mengidentifikasi masalah kualitas data, atau untuk mendeteksi adanya bagian yang

  c.

   Data preparation

  Tahap ini meliputi semua kegiatan untuk membangun dataset akhir (data yang akan diproses pada tahap pemodelan/modeling) dari data mentah. Tahap ini dapat diulang beberapa kali. Pada tahap ini juga mencakup pemilihan tabel, record, dan

  

atribut-atribut data, termasuh proses pembersihan dan transformasi data untuk

kemudian dijadikan masukan dalam tahap pemodelan (modeling).

  d. Modeling Dalam tahap ini akan dilakukan pemilihan dan penerapan berbagai teknik pemodelan dan beberapa parameternya akan disesuaikan untuk mendapatkan nilai yang optimal. Secara khusus, ada beberapa teknik berbeda yang dapat diterapkan untuk masalah Data Mining yang sama. Di pihak lain ada teknik pemodelan yang membutuhan format data khusus. Sehingga pada tahap ini masih memungkinan kembali ke tahap sebelumnya.

  e. Evaluation Pada tahap ini, model sudah terbentuk dan diharapkan memiliki kualitas baik jika dilihat dari sudut pandang analisa data. Pada tahap ini akan dilakukan evaluasi terhadap keefektifan dan kualitas model sebelum digunakan dan menentukan apakah model dapat mencapat tujuan yang ditetapkan pada fase awal (Business

  

Understanding). Kunci dari tahap ini adalah menentukan apakah ada masalah bisnis

  yang belum dipertimbangkan. Di akhir dari tahap ini harus ditentukan penggunaan hasil proses Data Mining.

  f. Deployment Pada tahap ini, pengetahuan atau informasi yang telah diperoleh akan diatur dan dipresentasikan dalam bentuk khusus sehingga dapat digunakan oleh pengguna.

  Tahap Deployment dapat berupa pembuatan laporan sederhana atau mengimplementasikan proses Data Mining yang berulang dalam perusahaan.

1.6 Sistematika Penulisan

  Merupakan suatu penjabaran secara deskriptif tentang hal-hal yang akan ditulis, yang secara garis besar terdiri dari beberapa Bab. Sistematika penulisan laporan tugas akhir adalah sebagai berikut :

  BAB 1 PENDAHULUAN Bab ini membahas hal-hal yang menjadi latar belakang masalah, perumusan

  masalah, maksud dan tujuan, batasan masalah, metode penelitian, dan sistematika penulisan.

  BAB 2 TINJAUAN PUSTAKA Bab ini membahas mengenai profile perusahaan, yang meliputi sejarah, logo,

  badan hukum, struktur organisasi perusahaan, dan hal-hal lain yang menjelaskan tentang perusahaan dan menjelaskan mengenai landasan teori yang berhubungan dengan aplikasi yang akan dibangun.

  BAB 3 ANALISIS DAN PERANCANGAN Bab ini membahas identifikasi masalah, analisis kebutuhan data, software,

  hardware, diagram pembuatan sistem dengan menggunakan UML (Unified Modeling Language).

  BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM Bab ini berisi penjelasan dari proses analisis dan perancangan yang telah

  dilakukan untuk selanjutnya diimplementasikan menjadi perangkat lunak dan dilakukan pengujian terhadap perangkat lunak tersebut.

  BAB 5 KESIMPULAN DAN SARAN

BAB 2 TINJAUAN PUSTAKA

2.1 Profil Instansi Berikut adalah profil dari tempat penelitian Tugas Akhir.

  2.1.1 Sejarah Distro Fresh wearhouse

  Distro Fresh wearhouse merupakan salah satu distro yang menyediakan berbagai produk yang memenuhi kebutuhan trend anak muda di zaman yang serba modern ini. Distro ini didirikan di kawasan Jl. Raya Batujajar Timur No.148 Kab.,

  

Bandung Barat oleh Gugi Basmalah pada tahun 2008. Selain menjual kebutuhan

trend anak muda dalam jumlah satuan, di distro ini juga menjual produk dalam

bentuk paket yang pembaruannya dilakukan dalam beberapa event yang dijual

lebih murah. Distro ini menerapkan konsep pembelian langsung yang dapat

memudahkan pembeli dapat melihat dan memilih langsung produk yang akan dibeli

sesuai dengan keinginan dan kebutuhannya. Hal inilah yang menjadikan distro ini

sangat diminati oleh para konsumen.

  Seiring dengan minat konsumen terhadap produk di distro Fresh Wearhouse

ini setiap tahunnya maka pihak distro menambah beberapa produk yang

sebelumnya tidak ada di distro. Dahulu distro ini hanya mempunyai beberapa jenis

produk saja namun kini distro Fresh Wearhouse sudah memiliki beberapa jenis

produk yang dapat konsumen beli. Pihak distro berencana untuk membuka cabang

baru di daerah lainnya.

  2.1.2 Logo

  Berikut ini adalah logo. Bisa dilihat pada gambar 2.1:

  Gambar 2. 1 Logo Distro

  Logo Fresh Wearhouse ini dibuat oleh pemilik distro dengan lambang fresh dengan maksud agar semua produk yang dihasilkan akan selalu fresh dimata konsumen seperti namanya.

2.1.3 Struktur Organisasi dan Job Description

  Berikut ini adalah Struktur organisasi Distro Fresh Wearhouse Batujajar

  Gambar 2. 2 Struktur Organisasi b. Melakukan kontrol secara keseluruhan terhadap operasional distro.

  c. Memegang kendali atas keputusan penting yang berhubungan dengan keuangan.

  2. Manager berfungsi untuk membantu pemilik dalam menjalankan operasional distro berikut ini adalah tugas dan tanggung jawabnya : a. Mengatur setiap bagian yang ada di distro agar menjalankan tugasnya dengan baik b. Membantu pemilik dalam mengawasi operasional distro.

  3. Bagian pelayan berfungsi untuk melayani setiap pelanggan yang datang atau memesan via online dan tanggung jawabnya adalah sebagai berikut : a. Melayani semua pesanan pelanggan

  b. Membantu dalam melayani pesanan pesanan pelanggan

  4. Bagian Keuangan bertugas mengawasi transaksi pelanggan tugas dan tanggung jawabnya adalah sebagai berikut : a. Menghitung pemasukan dan pengeluaran setiap bulannya

  b. Bertanggung jawab terhadap hal-hal yang menyangkut keuangan di distro

  5. Kasir berfungsi melayani transaksi pembelian tugas dan tanggung jawabnya adalah sebagai berikut : a. Melayani transaksi pembayaran langsung dengan pelanggan b. Menghitung dan mencatat pembelian setiap harinya.

2.1.4 Visi dan Misi

  Visi dari distro Fresh Wearhouse ini adalah mendirikan distro dengan konsep modern dan menjadi distro yang mendistributor lokal dan berkedudukan berkepanjangan. Sedangkan misi dari distro Fresh Wearhouse ini adalah: 1.

  Melakukan pelayanan terbaik untuk pelanggan dan menjual kualitas produk yang akan dijual

2.2 Landasan Teori

  Dalam bab ini akan dijelaskan mengenai definisi dan teori-teori yang berkaitan dengan permasalahan yang ada. Landasan teori yang diuraikan merupakan hasil studi literatur, buku-buku, maupun internet.

  2.2.1 Data

  Data adalah representasi fakta dunia nyata yang mewakili suatu objek seperti manusia (pegawai, siswa, pembeli, pelanggan), barang, hewan, peristiwa, konsep, keadaan, dan sebagainya, yang direkam dalam bentuk angka, huruf, simbol, teks, gambar, bunyi, atau kombinasinya[5]. Data dapat juga digunakan sebagai input dan menghasilkan sebuah informasi. Data juga merupakan sesuatu yang belum memiliki arti dan masih membutuhkan suatu pengolahan . Dalam data terdapat himpunan data yang merupakan kumpulan dari objek dan atributnya. Atribut merupakan sifat atau karakteristik dari suatu objek yang biasanya dikenal sebagai

  

variable, field, karakteristik atau fitur. Salah satu himpunan data adalah record data

  , yaitu data yang terdiri dari sekumpulan record yang masing-masing terdiri dari suatu set atribut yang tetap. Salah satu yang termasuk dalam tipe data record yaitu data transaksi. Data transaksi merupakan sebuah tipe khusus dari record data, dimana tiap record (transaksi) meliputi satu set item [6].

  2.2.2 Basis Data

  Basis data adalah mekanisme yang digunakan untuk menyimpan informasi atau data. Informasi adalah sesuatu yang kita gunakan sehari-hari untuk berbagai alasan. Dengan basis data,pengguna dapat menyimpan data secara terorganisasi. Setelah data disimpan, informasi harus mudah diambil. Kriteria dapat digunakan untuk mengambil informasi . cara data disimpan dalam basis data menentukan seberapa mudah mencari informasi berdasarkan banyak kriteria. Data pun harus mudah ditambahkan kedalam basis data, dimodifikasi, dan dihapus Menurut

  1. Himpunan kelompok data (arsip) yang saling berhubungan yang diorganisasi sedemikian rupa agar kelak dapat dimanfaatkan kembali dengan cepat dan mudah.

  2. Kumpulan data yang saling berhubungan yang disimpan secara bersama sedemikian rupa dan tanpa pengulangan (redudansi) yang tidak perlu, untuk memenuhi berbagai kebutuhan.

3. Kumpulan file/ tabel/ arsip yang saling berhubungan yang disimpan dalam media penyimpanan elektronis.

  2.2.2.1 Data pada Basis Data dan Hubungannya

  Ada 3 jenis data pada sistem database, yaitu [9] :

  1. Data operasional dari suatu organisasi,berupa data yang tersimpan dalam basis data.

  2. Data masukan (input data), data dari luar sistem yang dimasukan melalui peralatan input (keyboard), yang dapat merubah data opersional.

  3. Data keluaran (output data), berupa laporan melalui peralatan output sebagai hasil dari sistem yang mengkses data operasional.

  2.2.2.2 Keuntungan dan Kerugian Pemakaian Sistem Database

  Keuntungan [10] : 1. Terpeliharanya keselarasan data.

  2. Data dapat dipakai secara bersama-sama.

  3. Memudahkan penerapan standarisasi dan batas-batas pengaman.

  4. Terpeliharanya keseimbangan atas perbedaan kebutuhan data dari setiap aplikasi.

  5. Program/ data independent.

  Kerugian [10] : 1. Mahal dalam implementasinya.

  2. Rumit.

  3. Penanganan proses recovery backup sulit 4. Kerusakan pada sistem basis data dapat mempengaruhi.

2.2.3 Database Management system

  Kumpulan atau gabungan database dengan perangkat lunak aplikasi yang berbasis database tersebut dianamakan Database Management System (DBMS).

  DBMS merupakan koleksi terpadu dari database dan program

• – program komputer (utilitas) yang digunakan untuk mengakses dan memelihara database. Progran- program tersebut menyediakan berbagai fasilitas operasi untuk memasukan,

2.2.4 Data Mining

   Data mining, sering juga disebut knowledge discovery in database (KDD),

  adalah kegiatan yang meliputi pengumpulan, pemakaian, dan historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar. Keluaran dari data mining ini bisa dipakai untuk memperbaiki pengambilan keputusan di masa depan, sehingga istilah pattern recognition sudah tidak digunakan lagi [12].

  Secara umum, definisi data mining dapat diartikan sebagai berikut [12]:

  1. Proses penemuan pola yang menarik dari data yang tersimpan dalam jumlah besar.

  2. Ekstrasi dari suatu informasi yang berguna atau menarik (non-trivial, implisit, sebelumnya belum diketahui potensi kegunaannya) pola atau pengetahuan dari data yang di simpan dalam jumlah besar.

  3. Eksplorasi dari analisa secara otomatis atau semiotomatis terhadap data data dalam jumlah besar untuk mencari pola dan aturan yang berarti.

2.2.4.1 Konsep Data Mining

  Data Mining sangat diperlukan terutama dalam mengelola data yang sangat

  besar untuk memudahkan aktifitas recording suatu transaksi dan untuk proses data

  

warehousing agar dapat memberikan informasi yang akurat bagi pengguna data

mining. Alasan utama data mining ssangat dibutuhkan dalamindustri informasi

  karena tersedianya data dalam jumlah yang besar dan semakin besarnya kebutuhan untuk mengubah data tersebut menjadi informasi dan pengetahuan yang berguna karena sesuai fokus bidang ilmu ini yaitu melakukan kegiatan ekstrasi atau menambah pengetahuan dari data yang berukuran ataau berjumlah besar. Informasi inilah yang nantinya sangat berguna untuk pengembangan. Berikut adalah langkah- langkah dalam data mining[12]:

  Gambar 2. 3 Konsep Data Mining 1.

  Data cleaning untuk menghilangkan noise data yang tidak konsisten.

  2. Data integration untuk menggabungkan beberapa file atau database.

  3. Data selection yaitu data yang relevan dengan tugas analisis yang dikembalikan kedalam database untuk proses data mining.

  4. Data transformation yaitu data berubah atau bersatu menjadi bentuk yang tepat untuk menambah ringkasan performa atau operasi agresi

  5. Data mining yaitu proses esensial dimana metode intelejen digunakan untuk mengekstrak pola data.

  6. Knowledge discovery yaitu proses dimana metode intelejen digunakan untuk mengekstrak pola data.

  7. Pattern evolution yaitu untuk mengidentifikasi pola yang benar- benar menarik yang mewakili pengetahuan berdasarkan beberapa tindakan yang menarik.

  8. Knowledge presentation yaitu gambaran untuk visualisasi dan pengetahuan yang digunakan untuk memberikan pengetahuan yang

  S2.2.4.2 Metode- Metode Data Mining Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang

  dapat dilakukan, yaitu [12]: 1.

  Deskripsi Terkadang peneliti dan analis secara sederhana ingin mecoba mencari cara untuk menggambarkan pola dan kecenderungan yang terdapat dalam data. Sebagai contoh, petugas pengumpulan suara mungkin tidak dapat mengumpulkan keterangan atau fakta bahwa siapa yang tidak cukup profesional akan sedikit didukung dalam pemilihan presiden. Deskripsi pola dan kecenderungan sering memberikan kemungkinan penjelasan untuk suatu pola kecenderungan.

  2. Estimasi Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih kearah numerik daripada kearah kategori. Model dibangun dengan record lengkap yang menyediakan nilai dari variable target sebagai nilai prediksi. Sebagai contoh,akan dilakukan estimasi tekanan darah sistolik pada pasien rumah sakit berdasarkan umur pasien, jenis kelamin, indeks berat badan, dan level sodium darah. Hubungan antara tekanan darah sistolik dan nilai variabel prediksi dalam proses pembelajaran akan menghasilkan model estimasi. Model estimasi yang dihasilkan dapat digunakan untuk kasus baru lainnya.

  3. Prediksi Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam prediksi nilai dari hasil akhir akan ada dimasa mendatang. Contoh prediksi dalam bisnis dan penelitian adalah : 1. Prediksi harga beras dalam tiga bulan yang akan datang.

  2. Prediksi persentase kenaikan kecelakaan lalu lintas tahun depan. pendapatan tinggi, pendapatan sedang, dan pendapatan rendah. Contoh lain klasifikasi dalam bisnis dan penelitian adalah :

  1. Menentukan apakah suatu transaksi kartu kredit merupakan transaksi yang curang atau bukan

  2. Mendiagnosis penyakit seorang pasien untuk mendapatkan termasuk kategori penyakit apa

5. Pengklusteran

  Pengklusteran merupakan pengelompokan record, pengamatan, atau memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan. Kluster adalah kumpulan record yang memiliki kemiripan satu dengan yang lainnya dan tidak memiliki kemiripan dengan record-

  

record dalam kluster lain. Pengklusteran berbeda dengan klasifikasi yaitu

  dengan tidak adanya variabel target dalam pengklusteran. Pengklusteran tidak mencoba untuk melakukan klasifikasi, mengestimasi, atau memprediksi nilai dari variabel target. Akan tetapi, algoritma pengklusteran mencoba untuk melakukan pembagian terhadap keseluruhan data menjadi kelompok-kelompok yang memiliki kemiripan (homogen), yang mana kemiripan record dalam suatu kelompok akan bernilai maksimal, sedangkan kemiripan dengan record dalam kelompok lain akan bernilai minimal. Contoh pengklusteran dalam bisnis dan penelitian adalah :

  1. Mendapatkan kelompok-kelompok konsumen untuk target pemasaran dari suatu produk sebuah perusahaan yang tidak memiliki dana pemasaran yang besar.

  2. Untuk tujuan audit akutansi, yaitu melakukan pemisahan terhadap perilaku finansial dalam baik maupun mencurigakan.

6. Asosiasi

  Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam suatu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang pasar. Contoh asosiasi dalam bisnis dan penelitian adalah :

  1. Meneliti jumlah pelanggan dari perusahaan telekomunikasi seluler yang diharapkan untuk memberikan respon positif terhadap penawaran upgrade layanan yang diberikan.

2. Menemukan barang dalam supermarket yang dibeli secara bersamaan dan barang yang tidak dibeli bersamaan.

2.2.5 CRISP-DM

  Cross-Industry Standard Process for Data Mining (CRISP-DM) merupakan suatu standar yang telah dikembangkan pada tahun 1996 yang ditujukan untuk melakukan proses analisis dari suatu industri sebagai strategi pemecahan masalah dari bisnis atau unit penelitian. Untuk data yang dapat diproses dengan CRISP-DM ini, tidak ada ketentuan atau karakteristik tertentu, karena data tersebut akan diproses kembali pad fase-fse didalamnya. Terdapat enam fase dalam CRISP-DM ini yakni [6] : 1.

  Business Understanding Tahap awal ini berfokus pada penentuan tujuan bisnis, menilai situasi dan penentuan sasaran data mining

2. Data understanding

  Tahap pemahaman data dimualai dengan pengumpulan data awal, menjelaskan data yang memungkinkan kita untuk untuk lebih mengenal data 3. Data preparation

  4. Modeling

  Pada tahap ini akan dilakukan pemilihan teknik pemodelan, menghasilkan desain uji, pembangunan model, serta menilai model yang telah dibuat.

  5. Evaluation Pada tahap ini kita harus mengevaluasi hasil, review proses, dan sebelum sampai akhir pembuatan model penting untuk benar-benar mengevaluasi dan meninjau kembali langkah dan pembuatannya, untukmemastikan bahwa model benar-benar mencapai tujuan bisnis. Tujuan utama adalah untuk menentukan apakah ada beberapa masalah bisnis yang belum cukup dipertimbangkan. Pada akhir dari tahap ini, keputusan tentang penggunaan hasil data mining harus tercapai.

  6. Deployment Pada tahap ini, informasi yang diperoleh akan dipresentasikan dalam bentuk khusus sehingga dapat digunakan oleh pengguna.

  Tahap deployment dapat berupa pembangunan atau penginstalan software, pemantauan dan pemeliharaan, menghasilkan suatu laporan. Dalam beberapa kasus, tahap ini melibatkan konsumen, disamping analisis data karena sangat penting bagi konsumen untuk memahami tindakan apa yang harus dilakukan untuk menggunakan model yang telah dibuat.

2.2.6 Association Rule

  Association Rule atau aturan asosiasi adalah teknik data mining untuk

  menemukan aturan asosiatif atau pola kombinasi dari suatu item. Bila kita mengambil contoh aturan asosiatif dalam suatu pembelian transaksi pembelian di minimarket adalah kita dapat mengetahui berapa besar kemungkinan seorang

  Association rule

  adalah bentuk jika “kejadian sebelumnya” kemudian “konsekuensinya” (if antecedent, then consequent), yang diikuti dengan perhitungan aturan support dan confidence. Bentuk umum dari association rule adalah Antecedent -> Consequent. Bila kita ambil contoh dalma sebuah transaksi pembelian barang di sebuah minimarket didapat bentuk association rule roti - >selai. Yang artinya bahwa pelanggan yang membeli roti ada kemungkinan pelanggan tersebut juga membeli selai, dimana tidak ada batasan dalam jumlah item-item pada bagian antecedent atau consequent dalam sebuah rule. Dalam menentukan suatu association rule, terdapat suatu interestingness measure (ukuran kepercayaan) yang didapat dari hasil pengolahan data dengan perhitungan tertentu. Umumnya ada dua ukuran yaitu :

  1. Support : Suatu ukuran yang menunjukkan seberapa besar tingkat dominasi suatu item/ itemset dari keseluruhan transaksi. Support merupakan matrik pertama yang ditetapkan dalam analisis keranjang pasar, yang merupakan probabilitas dari asosiasi ( probabilitas dari dua item yang diberi bersama- sama). Support dihasilkan dari beberapa kali jumlah item A dan B terjadi bersamaan dalam transaksi yang sama dibagi dengan jumlah total dari transaksi tersebut. Support dapat dirumuskan sebagai berikut [15] :

  Support = P (A ∩ B) = J a a a ya a a T a a a a

  2. Confidence : Confidence dihasilkan dari seberapa kuat hubungan produk yang sudah dibeli. Confidence dapat dirumuskan sebagai berikut [15]:

  Confidence = P (B / A) =

� ∩

� sebelumnya, maka pola tersebut dapat disebut sebagai interesting rule atau

  

strong rule . metodologi dasar analisis asosiasi terbagi menjadi dua tahap

  yaitu [15] : 1.

  Analisis pola frekuensi tinggi Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dan database. Nilai support sebuah item diperoleh dengan rumus berikut :

  � �ℎ � � � ya �� �

  X 100 % � =

  � �ℎ � � � �

  Persamaan (2-1) Sementara itu, nilai support dari 2 item diperoleh dari rumus berikut :

  , = � ∩ )…Persamaan (2-2) � , =

  � �ℎ � � � ya �� � �

  x100%.Persamaan(2-

  � �ℎ � � � �

  1) 2. Pembentukan aturan asosiasi

  Setelah semua pola frekuensi tinggi ditemukan, kemudian mencari aturan asosiasi yang cukup kuat ketergantungan antar item. Dalam antecedent (pendahulu) dan consequent (pengikut) serta memenuhi syarat minimum untuk confidence aturan assosiatif A->B. 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 :

  Jika A, maka B (A->B)

  Jika B, maka A Sebuah itemset adalah himpunan item-item yang ada dalam I, dan i

  itemset. Frekuensi itemset merupakan itemset yang memiliki frekuensi kemunculan lebih dari nilai minimum yang telah ditentukan.

  Nilai confidence dari aturan A->B diperoleh rumus berikut :

  � �ℎ � � � ya �� � �

  � = � | =

  � �ℎ � � � �� � �� �

  Persamaan (2-2)

2.2.7 Algoritma FP-Growth

  Algoritma yang sama dengan Apriori, FP-Growth mulai dengan menghitung item tunggal sesuai dengan jumlah kemunculan item yang ada dalam dataset. Setelah proses perhitungan maka akan dibuat struktur pohon pada tahap kedua. Pohon yang dibuat mulanya kosong, yang nanti akan diisi dengan hasil dari dataset yang telah didapat sebelumnya. Kunci untuk mendapatkan struktur pohon yang bisa didapatkan denagn proses lebih cepat untuk mencari

  itemset yang besar menjadi sedikit dengan diurutkan secara descending dari frekuensi yang ada dataset tersebut. Masing-masing item yang tidak mencapai

  kebutuhan minimum dari threshold tidak dimasukkan kedalam pohon, tapi tidak dikeluarkan secara efektif dari dataset [4].

  FP-Tree merupakan struktur penyimpanan data yang dimampatkan. FP-Tree dibangun dengan meletakan setiap data transaksi kedalam setiap lintasan tertentu dalam FP-Tree, karena dalam setiap transaksi yang dipetakan, mungkin ada transaksi yang memiliki item yang sama, maka lintasannya memungkinkan untuk saling menimpa. Semakin banyak data transaksi yang memiliki item sama, maka proses pemampatan dengan struktur data FP-Tree semakin efektif. Kelebihan dari FP-Tree adalah hanya memerlukan dua kali pemindaian data transaksi yang terbukti sangat efisien. a.

  FP-Tree dibentuk oleh sebuah akar yang diberi label null, sekumpulan berupa pohon yang beranggotakan item-item tertentu dan sebuah tabel frequent header b. Setiap simpul dalam FP-Tree mengandung tiga informasi penting, yaitu label item, menginformasikan jenis item yang direpesentasikan simpul tersebut, support count, merepresentasikan jumlah lintasan transaksi melalui simpul tersebut, dan pointer penghubung yang menghubungkan simpul-simpul dengan label atau item sama antar lintasan, ditandai dengan garis panah putus-putus.

  

2.2.4.1 Langkah-Langkah Proses Perhitungan Association Rule dengan

Algoritma FP-Growth

  Proses perhitungan association rule terdiri dari beberapa tahap adalah sebagai berikut

  1. Membuat Header Item

  Header dalam hal ini selain sebagai header suatu item ke FP-Tree juga sebagai

  jenis item dasar yang memenuhi minimum support. Setelah mendapatkan item dan nilai support-nya, maka item yang tidak frequent dibuang dan item diurutkan berdasarkan nilai support-nya. Header untuk item, disiapkan pada suatu array tertentu dan ditambahkan ketika membuat FP-Tree.

  2. Membuat FP-Tree FP-Tree dibangun dengan mencari item sesuai urutan pada item yang frequent.

  Data transaksi tidak perlu diurutkan, dan untuk tiap item yang ditemukan bisa langsung dimasukkan ke dalam FP-Tree. Sesudah membuat root, tiap item yang ditemukan dimasukkan berdasarkan path pada FP-Tree. Jika item yang ditemukan sudah ada, maka nilai support item tersebut yang ditambahkan. Namun jika path belum ada, maka dibuat node baru untuk melengkapi path baru pada FP-Tree tersebut. Hal ini dilakukan selama item pada transaksi

  Tiap node pada FP-Tree memiliki pointer ke parent, sehingga pencarian harus dimulai dari bawah.

  3. Pattern Extraction Pattern extraction dilakukan berdasarkan keterlibatan item pada suatu path.

  Di setiap path, diperiksa semua kombinasi yang mungkin dimana item tersebut terlibat. Di iterasi berikutnya dilakukan dengan melakukan item pada suatu path. Di setiap path, diperiksa semua kombinasi yang mungkin dimana

  item tersebut terlibat. Di iterasi berikutnya dilakukan dengan melibatkan item

  berikutnya, tanpa melibatkan item sebelumnya, sehingga pattern yang sama tidak akan ditemukan dua kali pada path yang sama. Bila item pertama suatu hasil kombinasi bukan item terakhir (sebelum root), maka kombinasi itemset tersebut masih bisa dikembangkan lagi.

  4. Memasukkan setiap pattern yang ditemukan dalam PatternTree

  Setelah mengolah FP-Tree menjadi pattern-pattern, diperlukan proses akumulasi pattern-pattern yang ditemukan mengingat pattern yang sama dapat ditemukan pada path yang berbeda. Untuk itu digunakan struktur data Pattern Tree (lihat Gambar 2.5). Setiap node di Pattern Tree merepresentasikan dan menyimpan frekuensi suatu pattern. Pattern Tree terdiri atas Pattern TreeNode yang menyimpan nilai item, nilai support dan dilengkapi dengan dua pointer yaitu untuk horizontal dan vertikal. Misalnya pada node d:1 di atas, berarti terdapat pattern a-c-d bernilai support 1. Kemudian bila ada pattern a-c-d lagi bernilai support n yang ditemukan dari FP- Tree maka nilai support 1 tersebut menjadi n+1.

  Contoh hasil lengkap dari PatternTree tersebut: 1. a:5 menggambarkan bahwa ada pattern a sebanyak 5 2. b:4 menggambarkan bahwa ada pattern a-b sebanyak 4 3. c:4 menggambarkan bahwa ada pattern a-b-c sebanyak 4 4. d:3 menggambarkan bahwa ada pattern a-b-c-d sebanyak 3 5. c:2 menggambarkan bahwa ada pattern a-c sebanyak 2 6. d:1 menggambarkan bahwa ada pattern a-c-d sebanyak 1 7. d:3 menggambarkan bahwa ada pattern a-d sebanyak 3 5. Mengurutkan dan menyeleksi Pattern.

  Pattern yang tidak memenuhi minimum support, dihapus dari daftar pattern.

  

Pattern-pattern yang tersisa kemudian diurutkan untuk memudahkan pembuatan

rules.

2.2.8 Unified Modelling Language (UML)

  Unified Modelling Language (UML) adalah himpunan struktur dan teknik untuk pemodelan desain program berorientasi objek serta aplikasinya.

2.2.8.1 Diagram Use Case

  Diagram Use Case adalah model fungsional sebuah sistem yang

• – menggunakan aktor dan use case. Use case adalah layanan (services) atau fungsi fungsi yang disediakan oleh sistem untuk penggunanya. Deskripsi dari Use Case : 1.

  Sebuah use case adalah dimana sistem digunakan untuk memenuhi satu

  3. Use case menggambarkan kebutuhan sistem dari sudut pandang di luar sistem.

  4. Use case menentukan nilai yang diberikan sistem kepada pemakainya.

  5. Use case hanya menetapkan apa yang seharusnya dikerjakan oleh sistem, yaitu kebutuhan fungsional sistem.

  6. Use case tidak untuk menentukan kebutuhan nonfungsional, misal: sasaran kerja, bahasa pemrograman.

2.2.8.2 Diagram Kelas

  Diagram kelas adalah diagram UML yang menggambarkan kelas-kelas dalam sebuah sistem dan hubungannya antara satu dengan yang lain, serta dimasukkan pula atribut dan operasi. Tahapan dari diagram kelas adalah sebagai berikut:

  1. Mengidentifikasi objek dan mendapatkan kelas-kelasnya.

  2. Mengidentifikasi atribut kelas-kelas.

  3. Mulai mengkonstruksikan kamus data.

  4. Mengidentifikasi operasi pada kelas-kelas.

  5. Mengidentifikasikan hubungan antar kelas dengan menggunakan asosiasi, agregasi, dan inheritance (pewarisan).

2.2.8.3 Diagram Aktifitas Diagram aktifitas representasi grafis dari seluruh tahapan alur kerja.

  Diagram ini mengandung aktivitas, pilihan tindakan, perulangan dan hasil dari aktivitas tersebut. Diagram ini dapat digunakan untuk menjelaskan proses bisnis dan alur kerja operasional secara langkah demi langkah dari komponen suatu sistem. diketahui objek-objek yang terlibat dalam sebuah use case beserta metode-metode yang dimiliki kelas yang diinstansiasi menjadi objek itu.

  Banyaknya sequence diagram yang harus digambar adalah sebanyak pendefinisian use case yang memiliki proses sendiri atau yang penting semua use

  

case yang telah didefinisikan interaksi jalannya pesan sudah dicakup pada sequence

diagram sehingga semakin banyak use case yang didefinisikan maka sequence

diagram yang harus dibuat juga semakin banyak. Penomoran pesan berdasarkan