Pembangunan Aplikasi Data Mining Untuk Menentukan Penempatan Produk Menggunakan Metode Association Rule di Iteung Pusat Oleh Oleh Bandung

BIODATA

Data Pribadi
Nama

: Mukti Alamsyah

Tempat/Tanggal Lahir

: Bandung, 20 Maret 1992

Jenis Kelamin

: Laki-laki

Alamat

: Jl. Tangkuban Parahu 51 RT 04 RW 19 Jayagiri
Lembang

No. Telp

: 085794891892

Email

: m.alamsyah8@gmail.com

Riwayat Pendidikan
1998 – 2004 Lulus SDN 1 Lembang
2004 – 2007 Lulus SMPN 1 Lembang
2007 – 2010 Lulus SMAN 1 Lembang
2010 – 2016 Universitas Komputer Indonesia
Demikian riwayat hidup ini saya buat dengan sebenar-benarnya.

PEMBANGUNAN APLIKASI DATA MINING
UNTUK MENENTUKAN PENEMPATAN PRODUK
MENGGUNAKAN METODE ASSOCIATION RULE
DI ITEUNG PUSAT OLEH-OLEH BANDUNG

SKRIPSI

Diajukan untuk Menempuh Ujian Akhir Sarjana

MUKTI ALAMSYAH
10110405

PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK DAN ILMU KOMPUTER
UNIVERSITAS KOMPUTER INDONESIA
2016

KATA PENGANTAR

Puji dan syukur ke hadirat Allah SWT, atas berkat rahmat dan hidayah-Nya
sehingga penulis dapat menuangkan ide dan gagasan dalam karya ilmiah Tugas
Akhir ini. Penulis mengangkat judul: “PEMBANGUNAN APLIKASI DATA
MINING

UNTUK

MENENTUKAN

PENEMPATAN

PRODUK

MENGGUNAKAN METODE ASSOCIATION RULE DI ITEUNG PUSAT
OLEH-OLEH BANDUNG”.
Tugas Akhir ini diajukan untuk memenuhi syarat mata kuliah Tugas Akhir
program STRATA 1 Program Studi Teknik Informatika, Fakultas Teknik dan Ilmu
Komputer, Universitas Komputer Indonesia (UNIKOM), Bandung. Dengan
selesainya Tugas Akhir ini, Penulis ungkapkan rasa syukur yang tiada terhingga
kepada Allah SWT. Dan Penulis mengucapkan terima kasih kepada :
1. Kedua Orang Tua yang saya hormati dan saya cintai yang telah memberikan
doa, dukungan dan motivasi bagi Penulis untuk menyelesaikan laporan Tugas
Akhir ini.
2. Bapak Alif Finandhita, S.Kom., M.T. selaku dosen pembimbing yang telah
menyediakan waktunya dan memberikan banyak masukan kepada Penulis.
3. Ibu Dian Dharmayanti, S.T., M.Kom. selaku reviewer dan penguji 1 yang
telah memberikan masukan kepada penulis.

4. Ibu Nelly Indriani, S.Si., M.T. selaku penguji 3 yang telah memberikan
masukan kepada penulis.
5. Saudara dan keluarga yang telah memberikan motivasi untuk menyelesaikan
tugas akhir ini.
6. Rekan-rekan seperjuangan IF-9 angkatan 2010 yang selalu memberikan
semangat dan motivasi kepada penulis.
7. Rekan-rekan satu bimbingan Bapak Alif; Lizuardi, Kiki, Maulana, yang telah
memberikan masukan dan saran dalam penulisan laporan ini.
8. Rekan-rekan reviewer Ibu Dian.
9. Rekan-rekan Kontrakan DoTA2; Nirwan, Aldri, Rifat, Panca, Aldio yang
telah membantu dan menyediakan tumpangan selama pengerjaan laporan ini.

iii

10. Sahabatku Dwikeu Novi Asrika yang telah memberikan bantuan dalam
penulisan laporan dan semangat saat Penulis membutuh motivasi.
11. Saudara Chandra Setiawan selaku pengelola Iteung Pusat Oleh-oleh Bandung
yang telah memberikan kesempatan untuk melakukan penelitian dalam tugas
akhir ini.
12. Pihak – pihak yang telah membantu yang tidak dapat disebutkan satu persatu.

Akhir kata, Penulis berharap semoga laporan ini dapat bermanfaat bagi para
pembaca.
Bandung, 1 Agustus 2016

Penulis

iv

DAFTAR ISI

ABSTRAK ............................................................................................................... i
ABSTRACT .............................................................................................................. ii
KATA PENGANTAR ........................................................................................... iii
DAFTAR ISI ........................................................................................................... v
DAFTAR GAMBAR ........................................................................................... viii
DAFTAR TABEL .................................................................................................. xi
DAFTAR SIMBOL.............................................................................................. xiv
DAFTAR LAMPIRAN ......................................................................................... xv
BAB 1

PENDAHULUAN .................................................................................. 1

1.1

Latar Belakang ........................................................................................ 1

1.2

Rumusan Masalah ................................................................................... 2

1.3

Maksud dan Tujuan ................................................................................. 3

1.4

Batasan Masalah...................................................................................... 3

1.5

Metodologi Penelitian ............................................................................. 3

1.5.1

Metode Penelitian Data Mining ........................................................ 3

1.5.2

Metode Pengumpulan Data ............................................................... 5

1.5.3

Metode Pembangunan Perangkat Lunak ........................................... 6

1.6

Sistematika Penulisan ............................................................................. 7

BAB 2

TINJAUAN PUSTAKA ......................................................................... 9

2.1

Profil Institusi .......................................................................................... 9

2.1.1

Logo .................................................................................................. 9

2.1.2

Struktur Organisasi ........................................................................... 9

2.1.3

Deskripsi Kerja................................................................................ 10

2.2

Landasan Teori ...................................................................................... 11

2.2.1

Data ................................................................................................. 11

2.2.2

Database ......................................................................................... 11

2.2.2.1

Data Pada Database dan Hubungannya................................... 11

2.2.2.2

Keuntungan dan kerugian Pemakai Sistem Database .............. 12

2.2.3

Pengertian Data Mining .................................................................. 12

v

2.2.3.1

Konsep Data Mining ................................................................ 13

2.2.3.2

Metode Data Mining ................................................................ 13

2.2.3.3

Association Rule ...................................................................... 18

2.2.3.3.1 Metodologi Dasar Analisis Asosiasi ................................... 19
2.2.3.3.2 Algoritma CT-PRO ............................................................. 21
2.2.4

Alat-Alat Pemodelan Sistem ........................................................... 23

2.2.4.1

Entity Relationship Diagram (ERD)........................................ 23

2.2.4.2

Diagram Konteks ..................................................................... 23

2.2.4.3

Data Flow Diagram (DFD) ..................................................... 23

2.2.4.4

Kamus Data.............................................................................. 25

2.2.4.5

Spesifikasi Proses (Process Specification) .............................. 25

2.2.5

MySQL............................................................................................ 26

2.2.6

PHP ................................................................................................. 26

BAB 3

ANALISIS DAN PERANCANGAN SISTEM .................................... 29

3.1

Analisis Sistem ...................................................................................... 29

3.1.1

Analisis Masalah ............................................................................. 29

3.1.2

Analisis Penerapan Metode CRISP-DM ......................................... 30

3.1.2.1

Pemahaman Bisnis ................................................................... 30

3.1.2.2

Pemahaman Data (Data Understanding)................................. 32

3.1.2.3

Persiapan Data ......................................................................... 33

3.1.2.4

Pemodelan (Modelling)............................................................ 41

3.1.3

Analisis Spesifikasi Kebutuhan Perangkat Lunak .......................... 98

3.1.3.1

Analisis Kebutuhan Non-Fungsional ....................................... 98

3.1.3.2

Analisis Kebutuhan Fungsional ............................................. 100

3.1.3.2.1 Entity Relationship Diagram (ERD) ................................. 100
3.1.3.2.2 Skema Relasi ..................................................................... 101
3.1.3.2.3 Diagram Konteks ............................................................... 101
3.1.3.2.4 Data Flow Diagram .......................................................... 102
3.1.3.2.5 Spesifikasi Proses .............................................................. 105
3.1.3.2.6 Kamus Data ....................................................................... 109
3.1.4

Perancangan Sistem ...................................................................... 111

vi

3.1.4.1

Perancangan Data .................................................................. 112

3.1.4.1.1 Perancangan Basis Data .................................................... 112
3.1.4.1.2 Struktur Tabel .................................................................... 112
3.1.4.2

Perancangan Struktur Menu................................................... 115

3.1.4.3

Perancangan Antar Muka....................................................... 115

3.1.4.4

Perancangan Antar Muka....................................................... 119

3.1.4.5

Perancangan Antar Semantik ................................................. 120

BAB 4

IMPLEMENTASI DAN PENGUJIAN .............................................. 121

4.1

Implementasi Sistem ........................................................................... 121

4.1.1

Implementasi Perangkat Keras ...................................................... 121

4.1.2

Implementasi Perangkat Lunak ..................................................... 121

4.1.3

Implementasi Basis Data ............................................................... 121

4.1.4

Implementasi Antarmuka .............................................................. 123

4.2

Pengujian Perangkat Lunak................................................................. 124

4.2.1

Rencana Pengujian ........................................................................ 124

4.2.1.1

Pengujian Black Box .............................................................. 125

4.2.1.2

Pengujian Beta (Hasil Wawancara Pengguna) ...................... 127

4.2.1.3

Pengujian Hasil ...................................................................... 128

BAB 5

KESIMPULAN DAN SARAN ........................................................... 135

5.1

Kesimpulan ......................................................................................... 135

5.2

Saran .................................................................................................... 135

DAFTAR PUSTAKA ......................................................................................... 136

vii

DAFTAR PUSTAKA

[1] P. Duncan dan Hollander, Manajemen Toko Eceran, Jakarta: Balai Aksara,
1981.
[2] I. Pramudiono, Pengantar Data Mining : Menambang Permata Pengetahuan
di Gunung Data, 2007.
[3] S. B, Data Mining: Teknik Pemanfaatan Data Untuk Keperluan Bisnis,
Yogyakarta: Graha Ilmu, 2007.
[4] Y. Sucahyo dan R. Gopalan, “CT-PRO: A Bottom-Up Non Recursive
Frequent Itemset Mining Algorithm Using Compressed FP-Tree Data
Structure,” 2004.
[5] D. Aditya, Penelitian Deskriptif, 2009.
[6] P. Chapman, Crisp-DM 1.0, 2000.
[7] I. Sommerville, Software Engineering, 2007.
[8] F. H.A., Data Mining, Andi, 2013.
[9] Ramon A. Mata Toledeo, Pailine K. Cushman, Dasar-dasar Database
Relasional, Jakarta: Airlangga, 2007.
[10] D. T. Larose, DISCOVERING KNOWLEDGE IN DATA : An Introduction
to DATA MINING, Hoboken, New Jersey: Wiley Interscience, 2005.
[11] S. J., Implementasi Data Mining Dengan Metode Market Basket Analysis,
Teknologi Informasi dan Pendidikan,, 2012.
[12] Kusrini dan E. T. Luthfi, dalam Algoritma Data Mining, Yogyakarta, Andi,
2009.
[13] P. Adhitya, “Penerapan Metode Association Rule untuk Pembentukan Paket
Penjualan Barang di PT. Celebes,” 2013.
[14] Y. Sucahyo dan R. Gopalan, “High Performance Frequent Patterns Extraction
using Compresed FP-Tree,” 2004.

136

[15] E. N. R. Hendra Kurniawan, Aplikasi Inventory Menggunakan Java
NetBeans, Xampp,dan iReport, Elex MediaKomputindo, 2009-2013.
[16] D. T. Larose, DISCOVERING KNOWLEDGE IN DATA : An Introduction
to DATA MINING, Hoboken, New Jersey: Wiley Interscience, 2005.
[17] C. Berrard, “Issues in the Testing of Object-Oriented Software,” 1994.
[18] C. Fournier, “Essential Software Testing A Use-case Approach,” 2009.
[19] G. J. Myers, The Art of Software Testing, New York, 1979.
[20] R. M, “Management of Integrated Training Systems,” Proceedings of IEEE
1990 National, vol. 2, pp. 924-928, 1990.
[21] R. S. Presman, Software Enigineering, Graw Hill, 1997.

137

BAB 1
PENDAHULUAN

1.1

Latar Belakang
Iteung Pusat Oleh-oleh Bandung, merupakan tempat penjualan cinderamata

dan oleh-oleh khas Bandung yang telah ada sejak tahun 2013. Toko ini berada di
Jalan Anggrek No. 55 Bandung dan telah memiliki beberapa cabang di antaranya
di Carrefour-Transmart, Yogya Kepatihan, Cihampelas Batara Hotel, dan Natural
Lembang. Iteung Pusat Oleh-oleh Bandung merupakan toko oleh-oleh dengan
format swalayan sehingga konsumen dapat memilih dan mengambil sendiri produk
yang diinginkan. Produk yang ditawarkan oleh toko Iteung yaitu berupa makanan
atau camilan khas Bandung, pakaian, tas, hiasan atau pajangan, dan beragam
kerajinan tangan yang hampir semuanya berasal dari daerah Bandung.
Dalam menjalankan bisnisnya, toko Iteung selalu berusaha untuk
memberikan kepuasan dan kenyamanan bagi konsumen dengan menawarkan
produk-produk

yang

berkualitas

serta

membuat

suasana

belanja

yang

menyenangkan dengan menyajikan tema yang unik di setiap cabangnya. Namun
terdapat beberapa kendala yang dimiliki oleh toko tersebut, di antaranya dalam
menentukan penempatan produk untuk setiap cabangnya. Berdasarkan wawancara
yang telah dilakukan dengan pihak manajemen toko Iteung, banyaknya jenis produk
yang disediakan di toko tersebut membuatnya merasa kesulitan dalam mengatur
tata letak produk yang sesuai dengan persepsi konsumen.
Saat ini penempatan produk-produk di toko masih dilakukan secara acak yang
berasal dari persepsi pihak manajemen toko saja, dan di setiap cabangnya pun
penempatan produknya berbeda, karena belum adanya aturan yang diterapkan oleh
pihak toko dalam penempatan produk. Dari pengamatan yang telah dilakukan di
toko, penempatan produk saat ini terkesan tidak beraturan dan berakibat pada
berkurangnya kenyamanan serta minat konsumen dalam melakukan pembelian
berbagai jenis produk. Hal tersebut tidak sejalan dengan visi yang dimiliki oleh
perusahaan. Tata letak produk di toko yang terstruktur rapi dan berorientasi pada

1

2

keinginan konsumen pun dapat menjadi nilai tambah bagi perusahaan untuk
menarik minat belanja konsumen [1].
Seiring berjalannya waktu, aktivitas penjualan serta transaksi yang terjadi
menghasilkan data yang banyak dan akan terus bertambah. Akan tetapi data
tersebut tidak dimanfaatkan oleh pihak toko secara maksimal, hanya sebatas
laporan dan kemudian disimpan sebagai arsip. Dengan menggunakan data mining,
data tersebut dapat digali hingga didapatkan nilai tambah berupa pengetahuan yang
selama ini tidak diketahui secara manual [2].
Dalam bidang keilmuan data mining, terdapat suatu metode yang dinamakan
association rule. Metode ini sering juga dinamakan dengan market basket analysis
karena awal mulanya yang berasal dari studi tentang database transaksi penjualan
[3]. Association rule bertujuan untuk menunjukkan nilai asosiatif antara jenis-jenis
produk yang dibeli oleh konsumen sehingga dapat di lihat sebuah pola berupa
produk-produk apa saja yang sering dibeli secara bersamaan dalam sebuah transaksi
penjualan, sehingga dapat dijadikan acuan untuk pengambilan keputusan dalam
penempatan produk.
Sebagai solusi untuk pemecahan masalah di Iteung Pusat Oleh-oleh Bandung,
maka diperlukan “Pembangunan Aplikasi Data Mining Untuk Menentukan
Penempatan Produk Menggunakan Metode Association Rule“ untuk mengatasi
permasalahan yang dihadapi oleh Iteung Pusat Oleh-oleh Bandung. Diharapkan
dengan adanya perangkat lunak ini dapat membantu pihak perusahaan untuk
dimanfaatkan oleh pihak perusahaan sebagai dasar pertimbangan dalam
penempatan produk.

1.2

Rumusan Masalah
Berdasarkan latar belakang yang telah diuraikan, permasalahan yang terdapat

dalam penelitian ini adalah bagaimana membangun perangkat lunak Data Mining
untuk penempatan produk di toko oleh-oleh Iteung dengan menggunakan metode
Association Rule.

3

1.3

Maksud dan Tujuan
Berdasarkan permasalahan yang diteliti, maka maksud dari penulisan tugas

akhir ini adalah untuk membangun Aplikasi Data Mining Menggunakan Metode
Association Rule Untuk Penempatan Produk di Iteung Pusat Oleh-oleh Bandung.
Sedangkan tujuan yang ingin dicapai dalam penelitian ini antara lain:
1. Membantu pihak manajemen Toko Oleh-oleh Iteung dalam mengetahui jenis
produk apa saja yang dapat ditempatkan secara berdekatan demi kenyamanan
konsumen dalam mencari atau memilih produk yang diinginkan.
2. Membantu pihak manajemen Toko Oleh-oleh Iteung untuk mendapatkan
gambaran penempatan produk yang akan diterapkan di setiap cabangnya.

1.4

Batasan Masalah
Batasan yang diterapkan dalam penelitian ini adalah sebagai berikut:

1. Data yang akan di analisa adalah data penjualan produk Iteung Pusat Oleholeh Bandung dari tanggal 1 sampai 5 Januari 2016.
2. Algoritma yang akan digunakan adalah algoritma CT-PRO [4].
3. Aplikasi yang dibangun berbasis web.
4. Informasi yang dihasilkan berupa rekomendasi jenis produk apa saja yang
dapat ditempatkan secara berdekatan.
5. Metode analisis dan perancangan yang digunakan adalah dengan
menggunakan pendekatan analisis terstruktur.

1.5

Metodologi Penelitian
Adapun

metode

penelitian

data

mining, pengumpulan

data,

dan

pembangunan perangkat lunak yang digunakan adalah sebagai berikut:

1.5.1 Metode Penelitian Data Mining
Metode penelitian data mining

yang dipakai adalah CRISP-DM

(CRossIndustry Standard Process for Data Mining). CRISP-DM ini merupakan
suatu konsorsium perusahaan yang didirikan oleh Komisi Eropa pada tahun 1996
dan telah ditetapkan sebagai proses standar dalam data mining yang dapat

4

diaplikasikan di berbagai sektor industri. Gambar berikut menjelaskan tentang
siklus hidup pengembangan data mining yang telah ditetapkan dalam CRISP-DM
[5].

Gambar 1.1 Metode CRIPS-DM

Berikut ini adalah penjelasan mengenai enam tahap siklus hidup
pengembangan data mining berdasarkan gambar di atas:
1. Business Understanding
Tujuan bisnis Iteung Pusat Oleh-oleh Bandung memasarkan produk secara
langsung untuk memenuhi permintaan konsumen. Sedangkan tujuan dari
proses mining-nya adalah mengetahui pola penjualan produk yang sering
terjual bersama untuk dijadikan dasar dalam penentuan penempatan produk.
2. Data Understanding
Tahap ini dimulai dengan pengumpulan data, sumber data yang didapat dalam
penelitian ini merupakan data transaksi penjualan yang terjadi di Iteung Pusat
Oleh-oleh Bandung pada bulan Januari tahun 2016. Data yang digunakan
dalam proses analisa berupa file excel dengan format .xlsx.
3. Data Preparation
Tahap ini meliputi semua kegiatan untuk membangun dataset akhir (data yang
akan diproses pada tahap pemodelan/modeling) dari data mentah. Dalam
tahap ini akan dilakukan proses preprocessing antara lain adalah pemilihan
atribut dan pembersihan data. Atribut dan data yang tidak mengacu pada
tujuan data mining akan dihilangkan.

5

4. Modeling
Dalam tahap ini akan dilakukan pemilihan dan penerapan berbagai teknik
pemodelan dan beberapa parameternya akan disesuaikan untuk mendapatkan
nilai yang optimal. Pemodelan dilakukan menggunakan metode Association
Rule dengan menggunakan algoritma CT-PRO.
5. Evaluation
Pada tahap ini, dilakukan evaluasi terhadap model yang digunakan, apakah
dengan Association Rule dengan algoritma CT-PRO cukup efektif dalam
mencapai tujuan yang ditetapkan pada tahap business understanding.
6. Deployment
Pada tahap ini, pengetahuan atau informasi yang telah diperoleh akan diatur
dan dipresentasikan dalam bentuk tabel yang menunjukkan hasil analisa pada
data transaksi penjualan.

1.5.2 Metode Pengumpulan Data
Pengumpulan data yang digunakan dalam penelitian ini adalah sebagai
berikut:
1. Studi Literatur
Tahap ini adalah melakukan studi pustaka dengan buku, paper, jurnal dan
website sebagai media referensi penyusunan, penulisan dan penelitian.
2. Observasi
Tahap pengumpulan informasi dengan cara melakukan observasi di Toko
Oleh-oleh Iteung.
3. Interview
Tahap pengumpulan informasi dengan cara melakukan tanya jawab secara
langsung dengan pihak Toko Iteung, terkait dengan penelitian yang
dilakukan.

6

1.5.3 Metode Pembangunan Perangkat Lunak
Teknik dalam pembuatan perangkat lunak menggunakan paradigma
perangkat lunak secara Waterfall. Metode Waterfall menurut Ian Sommerville [6]
meliputi beberapa proses diantaranya:
1. Analysist
Merupakan tahap menganalisis hal-hal yang diperlukan dalam pelaksanaan
proyek pembuatan perangkat lunak.
2. Design
Tahap penerjemahan dari data yang dianalisis ke dalam bentuk yang mudah
dimengerti oleh user.
3. Coding
Tahap penerjemahan data atau pemecahan masalah yang telah dirancang ke
dalam bahasa pemrograman tertentu.
4. Testing
Merupakan tahap pengujian terhadap perangkat lunak yang dibangun.
5. Maintenance
Tahap akhir dimana suatu perangkat lunak yang sudah selesai dapat
mengalami perubahan atau penambahan sesuai dengan permintaan user.

Gambar 1.2 Metode Waterfall

7

1.6

Sistematika Penulisan

BAB 1 PENDAHULUAN
Bab ini membahas mengenai latar belakang permasalahan, mengidentifikasi
masalah yang dihadapi, menentukan maksud dan tujuan penelitian, dengan diikuti
batasan masalah agar penelitian lebih terfokus, menentukan metodologi penelitian
yang digunakan, serta sistematika penulisan.
BAB 2 LANDASAN TEORI
Bab ini membahas mengenai konsep dasar serta teori-teori yang berkaitan
dengan topik penelitian dan hal-hal yang berguna dalam proses analisis
permasalahan.
BAB 3 ANALISIS DAN PERANCANGAN SISTEM
Bab ini menganalisis masalah dari data penjualan hasil penelitian di Iteung
Pusat Oleh-oleh Bandung untuk kemudian dilakukan proses perancangan sistem
yang akan dibangun sesuai dengan analisa yang telah dilakukan.
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM
Bab ini membahas tentang implementasi dari tahapan-tahapan penting yang
telah dilakukan sebelumnya kemudian dilakukan pengujian terhadap kesesuaian
sistem dengan tahapan yang telah ditentukan untuk memperlihatkan sejauh mana
sistem layak digunakan.
BAB 5 KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan terhadap hasil penelitian yang dilakukan beserta
saran-saran untuk adanya pengembangan dan kualitas sistem untuk ke depannya
agar sistem yang dibuat menjadi lebih baik serta lebih kompleks.

8

BAB 2
TINJAUAN PUSTAKA

2.1

Profil Institusi
Iteung Pusat Oleh-oleh Bandung, merupakan tempat penjualan cinderamata

dan oleh-oleh khas Bandung yang telah ada sejak tahun 2013. Toko ini berada di
Jalan Anggrek No. 55 Bandung dan telah memiliki beberapa cabang di antaranya
di Carrefour-Transmart, Yogya Kepatihan, Cihampelas Batara Hotel, dan Natural
Lembang. Iteung Pusat Oleh-oleh Bandung merupakan toko oleh-oleh dengan
format swalayan sehingga konsumen dapat memilih dan mengambil sendiri produk
yang diinginkan. Produk yang ditawarkan oleh toko Iteung yaitu berupa makanan
atau camilan khas Bandung, pakaian, tas, hiasan atau pajangan, dan beragam
kerajinan tangan yang hampir semuanya berasal dari daerah Bandung.

2.1.1 Logo
Berikut ini adalah logo Iteung Pusat Oleh-oleh Bandung

Gambar 2.1 Logo Iteung Pusat Oleh-oleh Bandung

2.1.2 Struktur Organisasi
Struktur organisasi perusahaan adalah gambar suatu bagan yang
menerangkan posisi atau jabatan dan struktur kerja pegawai dalam suatu
perusahaan. Berikut ini adalah struktur organisasi di Iteung Pusat Oleh-oleh
Bandung.

9

10

Owner
Keuangan
Admin IT

Pramuniaga

Supervisor

Kasir

Gambar 2.2 Struktur Organisasi di Iteung Pusat Oleh-oleh Bandung

2.1.3 Deskripsi Kerja
1. Owner
Selain menjadi pemilik perusahaan, owner bertugas untuk mengawasi kerja
para karyawan, pengambil keputusan dan penanggung jawab semua aktivitas
yang berada di Iteung Pusat Oleh-oleh Bandung.
2. Keuangan
Bagian keuangan bertugas merencanakan, menganggarkan, memeriksa,
mengelola, dan menyimpan dana yang dimiliki oleh perusahaan.
3. Admin IT
Admin IT bertugas mengelola semua data yang ada di Iteung Pusat Oleh-oleh
Bandung seperti data penjualan, data gudang, data produk dan lain – lain.
4. Supervisor
Supervisor bertugas untuk Mengawasi semua aktivitas karyawan dan
membatu aktivitas di Iteung Pusat Oleh-oleh Bandung.
5. Pramuniaga
Bertugas untuk melayani customer yang akan membeli produk di Toko,
merapikan produk, juga menyimpan letak produk untuk dipajang.
6. Kasir
Bertugas untuk melayani konsumen yang melakukan transaksi di toko Iteung.

11

2.2

Landasan Teori
Landasan teori membahas tentang materi atau teori apa saja yang digunakan

sebagai bahan acuan dalam pembuatan tugas akhir ini. Landasan teori yang
diuraikan merupakan hasil studi literatur baik dari buku atau situs internet.

2.2.1 Data
Data adalah segala fakta, angka atau teks yang dapat diproses oleh komputer.
Data dapat digunakan sebagai input dan menghasilkan sebuah informasi. Data
adalah sesuatu yang belum memiliki arti dan masih membutuhkan suatu
pengolahan. Dalam data terdapat himpunan data (data-set) yang merupakan
kumpulan dari objek dan atributnya. Atribut merupakan sifat atau karakteristik dari
suatu objek yang biasanya dikenal sebagai variabel, field, karakteristik atau fitur.
Salah satu himpunan data (data-set) adalah record data, yaitu data yang terdiri
dari sekumpulan record, yang masing-masing terdiri dari satu set atribut yang tetap.
Salah satu yang termasuk dalam tipe data record yaitu data transaksi. Data transaksi
merupakan sebuah tipe khusus dari record data, di mana tiap record (transaksi)
meliputi satu set item [7].

2.2.2 Database
Database adalah susunan record data operasional lengkap dari suatu
organisasi atau perusahaan yang diorganisir dan disimpan secara terintegrasi
dengan menggunakan metode tertentu dalam komputer sehingga mampu memenuhi
informasi yang optimal yang dibutuhkan oleh para pengguna [8].

2.2.2.1 Data Pada Database dan Hubungannya
Ada 3 jenis data pada sistem database, yaitu [8]:
1. Data operasional dari suatu organisasi, berupa data yang tersimpan dalam
basis data.
2. Data masukan (input data), data dari luar sistem yang dimasukkan melalui
peralatan input (keyboard), yang dapat mengubah data operasional.

12

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

2.2.2.2 Keuntungan dan kerugian Pemakai Sistem Database
Berikut adalah keuntungan pemakai sistem database [8]:
1. Terkontrolnya kerangkapan data dan inkonsistensi.
2. Terpeliharanya keselarasan data.
3. Data dapat dipakai secara bersama-sama.
4. Memudahkan penerapan standarisasi dan batas-batas pengamanan.
5. Terpeliharanya keseimbangan atas perbedaan kebutuhan data dari setiap
aplikasi.
6. Program/data independent.
Di samping keuntungan, terdapat kerugian pemakai sistem database,
yaitu:
1. Mahal dalam implementasinya.
2. Rumit/kompleks.
3. Penanganan proses recovery backup sulit.
4. Kerusakan pada sistem basis data dapat mempengaruhi.

2.2.3 Pengertian Data Mining
Data mining adalah suatu istilah yang digunakan untuk menguraikan
penemuan pengetahuan dalam database. Data mining merupakan proses yang
menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine
learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan
pengetahuan yang terkait dari berbagai database besar [9].
Menurut Pramudiono [2], “Data mining adalah serangkaian proses untuk
menggali nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara
manual dari suatu kumpulan data.”
Menurut Larose [9], kemajuan luar biasa yang terus berlanjut dalam bidang
data mining didorong oleh beberapa faktor, antara lain:

13

1. Pertumbuhan yang cepat dalam kumpulan data.
2. Penyimpanan data dalam data warehouse, sehingga seluruh perusahaan
memiliki akses ke dalam database yang handal.
3. Adanya peningkatan akses data melalui navigasi web dan intranet.
4. Tekanan kompetensi bisnis untuk meningkatkan penguasaan pasar dalam
globalisasi ekonomi.
5. Perkembangan teknologi perangkat lunak untuk data mining (ketersediaan
teknologi).
6. Perkembangan yang hebat dalam kemampuan komputasi dan pengembangan
kapasitas media penyimpanan.

2.2.3.1 Konsep Data Mining
Data mining sangat diperlukan terutama dalam mengelola data yang sangat
besar untuk memudahkan aktivitas recording suatu transaksi dan untuk proses data
warehousing agar dapat memberikan informasi yang akurat bagi pengguna data
mining. Alasan utama data mining sangat dibutuhkan dalam industri 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 mengekstraksi atau
menambang pengetahuan dari data yang berukuran atau berjumlah besar. Informasi
inilah yang nantinya sangat berguna untuk pengembangan.

2.2.3.2 Metode Data Mining
Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang
dapat dilakukan, yaitu [9]:
1. Deskripsi
Terkadang peneliti dan analis secara sederhana ingin mencoba 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 dari

14

pola dan kecenderungan sering memberikan kemungkinan penjelasan untuk
suatu pola atau kecenderungan.
2. Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi
lebih ke arah numerik daripada ke arah kategori. Model dibangun dengan
record lengkap yang menyediakan nilai dari variabel 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 akan ada dimasa mendatang. Contoh prediksi dalam
bisnis dan penelitian adalah:
a.

Prediksi harga beras dalam tiga bulan yang akan datang.

b.

Prediksi persentase kenaikan kecelakaan lalu lintas tahun depan jika
batas bawah dinaikkan.

4. Klasifikasi
Dalam klasifikasi, terdapat target variabel kategori. sebagai contoh,
penggolongan pendapatan dapat dipisahkan dalam tiga kategori yaitu:
pendapatan tinggi, pendapatan sedang, dan pendapatan rendah. Contoh lain
klasifikasi dalam bisnis dan penelitian adalah:
a.

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

b.

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.

15

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 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:
a.

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

b.

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

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

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

b.

Menemukan produk dalam supermarket yang dibeli secara bersamaan
dan produk yang tidak pernah dibeli secara bersamaan.

2.2.3.2.1 Cross-Industry Standard Process for Data Mining (CRISP-DM)
Cross-Indutry Standard Prosess for Data Mining (CRISP-DM) yang
dikembangkan tahun 1996 oleh analis dari beberapa industri seperti Daimler
Chrysler, SPSS dan NCR. CRISP-DM menyediakan standar proses data mining
sebagai strategi pemecahan masalah secara umum dari bisnis atau unit penelitian.

16

Dalam CRISP-DM, sebuah proyek data mining memiliki siklus hidup yang
terbagi dalam enam fase. Keseluruhan fase berurutan yang ada tersebut bersifat
adaptif. Fase berikutnya dalam urutan bergantung kepada keluaran dari fase
sebelumnya. Hubungan antar fase digambarkan dengan panah. Sebagai contoh, jika
proses berada pada fase modelling. Berdasar pada perilaku dan karakteristik model,
proses mungkin harus kembali kepada fase data preparation untuk perbaikan lebih
lanjut terhadap data atau berpindah maju kepada fase evaluation.
Enam fase yang ada dalam metode CRISP-DM tersebut dapat dilihat pada
Gambar berikut ini:

Gambar 2.3 Fase metode CRISP-DM

Fase-fase dari CRISP-DM [9]:
1. Business Understanding
a.

Penentuan tujuan bisnis yang dilakukan oleh perusahaan dan kriteria
sukses bisnis yang menjadi acuan berhasilnya perusahaan dalam
menjalankan bisnis.

b.

Menjelaskan tujuan digunakannya metode data mining dalam bsnis yang
dijalankan dan kriteria suksesnya metode data mining.

c.

Menilai situasi dari sumber daya yang dimiliki oleh perusahaan yang
dapat mendukung proses data mining.

17

2. Data Understanding
a.

Mengumpulkan data.

b.

Mendeskripsikan data yang telah diperoleh.

c.

Mengevaluasi kualitas data.

d.

Jika diinginkan, pilih sebagian kecil grup data yang mungkin
mengandung pola dari permasalahan.

3. Data Preparation
a.

Siapkan dari data awal, kumpulan data yang akan digunakan untuk
keseluruhan fase berikutnya. Fase ini merupakan pekerjaan berat yang
perlu dilaksanakan secara intensif.

b.

Pilih kasus dan variabel yang ingin dianalisis dan yang sesuai dengan
analisis yang akan dilakukan.

c.

Lakukan perubahan pada beberapa variabel jika dibutuhkan.

d.

Siapkan data awal sehingga siap untuk perangkat pemodelan.

4. Modeling
a.

Pilihan dan aplikasikan teknik pemodelan yang sesuai.

b.

Kalibrasi aturan model untuk mengoptimalkan hasil.

c.

Perlu diperhatikan bahwa beberapa teknik mungkin untuk digunakan
pada permasalahan data mining yang sama.

d.

Jika diperlukan, proses dapat kembali ke fase pengolahan data untuk
menjadikan data ke dalam bentuk yang sesuai dengan spesifikasi
kebutuhan teknik data mining tertentu.

5. Evaluation
a.

Mengevaluasi satu atau lebih model yang digunakan dalam fase
pemodelan untuk mendapatkan kualitas dan efektivitas sebelum
disebarkan untuk digunakan.

b.

Menetapkan apakah terdapat model yang memenuhi tujuan pada fase
awal.

c.

Menentukan apakah terdapat permasalahan penting dari bisnis atau
penelitian yang tidak tertangani dengan baik.

18

Mengambil keputusan berkaitan dengan penggunaan hasil dari data

d.

mining.
6. Deployment
a.

Menggunakan model yang dihasilkan. Terbentuknya model tidak
menandakan telah terselesaikannya proyek.

b.

Contoh sederhana penyebaran: pembuatan laporan.

c.

Contoh kompleks penyebaran: penerapan proses data mining secara
paralel pada departemen lain.

2.2.3.3 Association Rule
Association rule adalah salah satu teknik utama atau prosedur dalam
market basket analysis untuk mencari hubungan antar-item dalam suatu data set
dan menampilkan bentuk associaiton rule [10]. Association rule (aturan asosiasi)
akan menemukan pola tertentu untuk mengasosiasikan data yang satu dengan data
yang lain.
Untuk mencari association rule dari suatu kumpulan data, tahap pertama
yang harus dilakukan adalah mencari frequent itemset terlebih dahulu. Frequent
itemset adalah sekumpulan item yang sering muncul secara bersamaan. Setelah
semua pola frequent item ditemukan, barulah mencari aturan assosiatif atau aturan
keterkaitan yang memenuhi syarat yang telah ditentukan.
Jika diasumsikan bahwa produk yang dijual di swalayan adalah semesta,
maka setiap produk akan memiliki boolean variabel yang akan menunjukkan
keberadaannya atau tidak produk tersebut dalam suatu transaksi atau satu keranjang
belanja. Pola boolean yang didapat digunakan untuk menganalisa produk yang
dibeli secara bersamaan. Pola tersebut dirumuskan dalam sebuah association rule.
Sebagai contoh konsumen biasanya akan membeli kopi dan susu yang ditunjukkan
sebagai berikut:
Kopi → susu [support = 2%, confidence = 60%]
Association rule diperlukan suatu variabel ukuran yang ditentukan sendiri
oleh user untuk menentukan batasan sejauh mana atau sebanyak apa output yang
diinginkan user. Support dan confidence adalah sebuah ukuran kepercayaan dan

19

kegunaan suatu pola yang telah ditemukan, Nilai support 2% menunjukkan bahwa
keseluruhan dari total transaksi konsumen membeli kopi dan susu secara bersamaan
yaitu sebanyak 2%. Sedangkan confidence 60%, yaitu menunjukkan bila konsumen
membeli kopi dan pasti membeli susu sebesar 60%.
Penting tidaknya suatu aturan asosiatif dapat diketahui dengan dua
parameter yaitu support dan confidence. Support (nilai penunjang) adalah
persentase kombinasi item tersebut dalam database, sedangkan confidence (nilai
kepastian adalah kuatnya hubungan antar–item dalam aturan asosiasi.
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. Ukuran ini menentukan
apakah suatu item/itemset layak untuk dicari confidence-nya (misal, dari
keseluruhan transaksi yang ada, seberapa besar tingkat dominasi suatu
item yang menunjukkan bahwa item A dan item B dibeli bersamaan).
2. Confidence, suatu ukuran yang menunjukkan hubungan antara 2 item
secara conditional (misal, menghitung kemungkinan seberapa sering item
B dibeli oleh konsumen jika konsumen tersebut membeli sebuah item A).
Kedua ukuran ini nantinya berguna dalam menentukan kekuatan suatu
pola dengan membandingkan pola tersebut dengan nilai minimum kedua parameter
tersebut yang ditentukan oleh pengguna. Bila suatu pola memenuhi kedua nilai
minimum parameter yang sudah ditentukan sebelumnya, maka pola tersebut dapat
disebut sebagai interesting rule atau strong rule.

2.2.3.3.1 Metodologi Dasar Analisis Asosiasi
Metodologi dasar Association Rule terbagi menjadi dua tahap, yaitu [11]:
1. Analisis pola frekuensi tinggi
Tahap Tahap ini mencari pola item yang memenuhi syarat minimum dari nilai
support dalam database. Menurut Larose, kita bebas menentukan nilai
minimum support (minsup) dan minimum confidence (mincof) sesuai

20

kebutuhan [9]. Sebagai contoh, bila ingin menemukan data-data yang
memiliki hubungan asosiasi yang kuat, minsup dan mincof-nya bisa diberi
nilai yang tinggi. Sebaliknya, bila ingin melihat banyaknya variasi data tanpa
terlalu mempedulikan kuat atau tidaknya hubungan asosiasi antara item-nya,
nilai minsup dan mincofnya dapat diisi rendah [12]. Nilai support sebuah item
diperoleh dengan rumus berikut.
�

=

�

�

�

�

�

��

�

�

�

�

�

×

% ... Persamaan 2.1

Persamaan 2-1 menjelaskan bahwa nilai support didapat dengan cara
membagi jumlah transaksi yang mengandung item A (satu item) dengan
jumlah total seluruh transaksi.
Sementara itu, nilai support dari 2 item diperoleh dari rumus berikut
�

�

�

,

,

=�
=

�

⋂
�

�

�

�

�

��

�

�

�

�

�

×

% ... Persamaan 2.2

Persamaan 2-2 menjelaskan bahwa nilai support item set didapat dengan cara
membagi jumlah transaksi yang mengandung item A dan item B (item
pertama bersamaan dengan item yang lain) dengan jumlah total seluruh
transaksi.
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 asosiatif A→B.
Misalkan D adalah himpunan transaksi, di mana 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)
Dimana antecedent A dan consequent B merupakan subset dari I, dan A dan
B di mana aturan:
Jika A, maka B
Tidak berarti

21

Jika B, maka A
Sebuah item set adalah himpunan item-item yang ada dalam I, dan i item set.
Frekuensi item set merupakan itemset yang memiliki frekuensi kemunculan
lebih dari nilai minimum yang telah ditentukan.
Nilai confidence dari aturan A→B diperoleh dari rumus berikut.
=

�

�

�

�

�

�

�

�

��

��

�

�

�

... Persamaan 2.3

2.2.3.3.2 Algoritma CT-PRO
Algoritma ini merupakan salah satu algoritma pengembangan dari FPGrowth. Perbedaannya adalah di mana FP-Growth membuat FP-Tree sedangkan
CT-PRO membuat Compressed FP-Tree (CFP-Tree ) [13]. Pada tahap mining
algoritma CT-PRO juga menggunakan pendekatan bottom-up dimana item pada
item tabel dan CFP-Tree dilakukan scan dari jumlah terkecil hingga terbesar.
Algoritma CT-PRO memiliki tiga tahap yaitu:
1. Menemukan item-item yang frequent.
2. Membuat struktur data CFP-Tree.
3. Melakukan mining frequent patterns.
Langkah-langkah kerja algoritma CT-PRO [13] [14]:
1. Mencari Frequent Item, pada tahap ini terjadi proses-proses sebagai berikut:
a.

Dari dataset yang ada, dilakukan seleksi berdasarkan minimum support
yang ditentukan sehingga menghasilkan frequent item.

b.

Dari frequent item yang telah terbentuk, dihitung frekuensi kemunculan
setiap item sehingga menghasilkan Global Item tabel.

2. Membangun CFP-Tree, pada tahap ini terjadi proses-proses sebagai berikut:
a.

Frequent item yang telah didapatkan, diurutkan berdasarkan Global item
table yang ada secara menurun (diurutkan mulai dari item berfrekuensi
terbesar hingga terkecil).

b.

Dengan frequent item yang telah terurut ini dibentuk Global CFP-Tree,
aturan pembentukan Global CFP-Tree sebagai berikut:

22

1) CFP-Tree terdiri dari tree yang memiliki root yang mewakili indeks
dari item dengan tingkat kemunculan tertinggi dan kumpulan subtree
sebagai anak dari root.
2) Jika I = {i1,i2, …, ik} adalah kumpulan dari frequent item dalam
transaksi, item dalam transaksi akan dimasukkan ke dalam CFPTree dimulai dari root subtree yang merupakan i1 dalam item tabel.
3) Root dari CFP-Tree merupakan level-0 dari tree.
4) Setiap node dalam CFP-Tree memiliki empat field utama yakni
item-id, parent-id, Count yang merupakan jumlah item pada node
tersebut, dan level yang menunjukkan struktur data tree pada node
tersebut dimulai dari item yang terdapat pada item tabel dengan level
yang terdapat pada CFP-Tree.
3. Mining, pada tahap ini terjadi proses-proses sebagai berikut [13] [14]:
a.

Pada tahap mining ini, algoritma CT-PRO bekerja dengan melakukan
bottom-up mining sehingga Global item table diurutkan mulai dari item
berfrekuensi terkecil hingga terbesar.

b.

Untuk setiap item yang terdaftar pada Global item table yang telah
diurutkan, dilakukan pencarian node yang berkaitan dengan item tersebut
pada Global CFP-Tree. Dari semua node yang ditemukan untuk setiap
item inilah yang disebut dengan Local frequent item dan digunakan untuk
membuat Local item table.

c.

Pada pembuatan Local item table ini juga dilakukan berdasarkan jumlah
minimum support yang telah ditentukan.

d.

Setelah itu, dibuat Local CFP-Tree berdasarkan Local item table yang
terbentuk. Aturan pembentukan Local CFP-Tree sama dengan
pembentukan Global CFP-Tree, yang membedakan adalah pada Global
CFP-Tree yang digunakan dalam pembentukan tree-nya adalah Global
item table yang terbentuk dari Global item table data sedangkan pada
Local CFP-Tree yang digunakan dalam pembentukan tree-nya adalah
Local item table yang terbentuk dari Local frequent item.

23

e.

Dari Local CFP-Tree dibentuk frequent pattern sesuai dengan item yang
di-mining.

f.

Dari frequent pattern dihitung masing-masing item yang memenuhi
dihitung confidencenya. Apabila memenuhi minimum confidence maka
masing-masing item yang bersangkutan dijadikan sebagai knowledge.

2.2.4 Alat-Alat Pemodelan Sistem
Alat-alat pemodelan sistem adalah alat dan metode yang akan digunakan
untuk memodelkan perancangan perangkat lunak dalam skripsi ini.

2.2.4.1 Entity Relationship Diagram (ERD)
ERD Menurut Nugroho (2002) adalah diagram yang memperlihatkan entitasentitas yang terlibat dalam suatu sistem serta hubungan-hubungan (relasi) antar
entitas tersebut.

2.2.4.2 Diagram Konteks
Diagram konteks adalah diagram aliran data pada tingkat paling atas yang
merupakan penggambaran yang berfungsi untuk memperlihatkan interaksi atas
hubungan langsung antara sistem informasi dengan lingkungannya. Diagram
konteks menggambarkan sebuah sistem berupa sebuah proses yang berhubungan
dengan satu atau beberapa entitas.

2.2.4.3 Data Flow Diagram (DFD)
Data flow diagram (DFD) adalah suatu alat pemodelan yang digunakan untuk
memodelkan fungsi dari sistem, menggambarkan secara rinci mengenai sistem
sebagai jaringan kerja antar fungsi yang berhubungan satu sama lain dengan
menunjukkan dari dan kemana data mengalir serta menyimpannya. Pada umumnya
DFD dimulai dari 0, 1, 2, dst. Level ke-0 disebut dengan diagram konteks yang
menggambarkan sistem secara global.
Adapun level dalam DFD adalah:

24

a. Diagram Konteks, merupakan satu lingkaran besar yang dapat mewakili
seluruh proses yang terdapat di dalam suatu sistem.
b. DFD Level 1 merupakan satu lingkaran besar yang mewakili lingkaranlingkaran kecil yang ada di dalamnya, dan merupakan pemecahan dari
diagram konteks.
c. Diagram Rinci, merupakan diagram yang menguraikan proses apa yang ada
dalam diagram DFD Level 1.
Contoh kasus dari penerapan Diagram Konteks:

Gambar 2.4 Contoh Kasus Penerapan Diagram Konteks

Contoh DFD dari diagram konteks di atas:

Gambar 2.5 Contoh Penerapan DFD

25

2.2.4.4 Kamus Data
Kamus data adalah suatu penjelasan tertulis mengenai data yang berada dalam
database. Kamus data ikut berperan untuk menjelaskan arti aliran data dan
menyimpan dalam menggambarkan data flow diagram, menjelaskan spesifikasi
nilai dan satuan yang relevan terhadap data yang mengalir dalam sistem tersebut,
mendeskripsikan komposisi paket data yang bergerak melalui aliran.
Fungsi kamus data [9]:
1. Menjelaskan arti aliran data dan penyimpanan data dalam DFD.
2. Mendeskripsikan komposisi paket data (elemen data) yang bergerak melalui
aliran data.
3. Mendeskirpsikan komposisi penyimpanan data.
4. Mendeskripsikan nilai dan satuan (struktur data) yang relevan bagi
penyimpanan dan aliran.
5. Mendeskripsikan hubungan detail antar penyimpanan.
Tabel 2.1 Struktur Kamus Data

Nama Data
Keterangan
Deskripsi
Memilih file yang akan diproses
Bentuk Data Format file
Struktur Data Atribut yang digunakan

2.2.4.5 Spesifikasi Proses (Process Specification)
Digunakan untuk mendeskripsikan proses yang terjadi pada level paling
rendah dari DFD. Struktur spesifikasi proses dapat dilihat di tabel lampiran.
Hubungan dengan Prosess Specification [11]:
1. Semua proses dalam DFD yang tidak dapat dipecah lagi dan harus
didefinisikan dalam process specification.
2. Aliran data masuk (input) dan keluar (output) dalam DFD dan hubungan ke
data store harus sesuai dan relevan dalam process specification.
3. Setiap elemen data dalam process specification harus:
a.

Nama dari aliran data atau data store.

b.

Atau komponen dalam kamus data atau data store yang berhubungan
dalam DFD.

26

Tabel 2.2 Struktur Spesifikasi Proses

No. Urut

Proses
Keterangan
No. Proses
Nama Proses
Source
Input
Output
Destination (tujuan)
Logika Proses

2.2.5 MySQL
SQL (Structured Query Language) adalah sebuah bahasa yang dipergunakan
untuk mengakses data dalam basis data relasional. SQL juga dapat diartikan sebagai
antar muka standar untuk sistem manajemen basis data relasional, termasuk sistem
yang beroperasi pada komputer pribadi. SQL memungkinkan seorang pengguna
untuk mengakses informasi tanpa mengetahui di mana lokasinya atau bagaimana
informasi tersebut disusun [15].
MySQL adalah sebuah perangkat lunak sistem manajemen basis data SQL (bahasa
Inggris: database management system) atau DBMS yang multi thread, dan multiuser. MySQL dimiliki dan di sponsori oleh sebuah perusahaan komersial Swedia
MySQL AB, di mana memegang hak cipta hampir