Sistem Pendukung Keputusan Rekomendasi P
52
BAB III
PEMBAHASAN
3.1 Analisa Sistem
3.1.1 Profile Instansi
Old
City
Wear
House
didirikan
pada
tahun
2009,
yang
beralamatkan di Jl. Kebalen Wetan no. 32 Malang. Old City Wear House
bergerak dibidang penjualan berbagai produk pakaian dengan desaindesain yang menarik dan unik, Old City Wear House berawal dari
pembuatan produk untuk merchandise dari band-band kota malang.
Namun setelah banyaknya peminat dari produk-produk Old City Wear
House mulailah mengembangkan hasil produk pakaian untuk segala jenis
model pakaian yang di buat.
Old City Wear House
memiliki tempat produksi sendiri adapun
berbagai macam produk diantaranya t-shirt, kemeja, jaket, celana jeans,
tas dan lain-lain. Desainnya pun sangat menarik dan memiliki keunikan
tersediri yang membuat berbeda dengan produk lainnya. Produk-produk
dari Old City Wear House ini juga diproduksi dengan hasil kreasi yang
tinggi sehingga terdapat nilai esklusif pada produk tersebut. Produk yang
dijual ini cocok untuk semua kalangan baik muda maupun untuk orang
dewasa.
53
3.1.2 Blog Diagram Sistem yang Akan Dibangun
Gambar 3.1 Blog Diagram Sistem yang akan dibangun
Berdasarkan sistem yang akan dibangun ini pengguna akan lebih
dipermudah dalam melakukan pencarian pakaian yang sesuai dengan
keinginan. Dimana sistem rekomendasi ini terbagi menjadi dua jenis
rekomendasi, pertama rekomendasi dengan metode hybrid (content
based-collaborative) dengan melakukan pendekatan berdasarkan atribut
rekomendasi yang diinginkan oleh pengguna. Sedangkan pada metode
simple
additive
weighting
pengguna
akan
diberikan
rekomendasi
berdasarkan proses pembobotan yang di tentukan pengguna sehingga
akan lebih mudah dalam memutuskan pakaian rekomendasi yang akan
dibeli.
54
Pada sistem yang akan dibangun ini pengguna di haruskan untuk
melakukan login agar dapat memberikan rekomendasi sesuai pengguna,
pada proses sistem rekomendasi ini untuk proses perhitungan dengan
metode hybrid (content based-collaborative) dan simple addtive weighting
ini berfungsi secara lanjutan, namun pada proses rekomendasi dengan
pembobotan bersifat pilihan. Tergantung pengguna akan melakukan
pemilihan rekomendasi yang diinginkan, namun dalam kedua proses
rekomendasi
tersebut
memiliki
perbedaan
dimana
pada
sistem
rekomendasi dengan metode hybrid (content based-collaborative) adalah
untuk memudahkan dalam mencari dan memilih pakaian yang akan dibeli
sedangkan pada metode simple addtive weighting adalah mempermudah
pengguna dalam memutuskan pakaian rekomendasi yang akan dibeli.
3.2 Analisa Masalah
Banyaknya permasalahan yang telah dialami konsumen saat
melakukan transaksi pada media online, konsumen sering mengalami
kesulitan dalam mencari maupun memilih pakaian yang sesuai dengan
apa yang di inginkan. Sehingga konsumen terkadang membutuhkan
waktu yang lama dalam penyeleksian pakaian yang sesuai dengan
keinginannya dan memilih salah satu pakaian yang akan dibeli. Karena
permasalah-permasalahan tersebut mengkibatkan menurunnya daya beli
konsumen terhadap pakaian khusunya pada toko Old City Wear House.
Melihat permasalahan diatas maka dibutuhkan sebuah solusi baru
untuk dapat menyelesaikannya, dan sebuah sistem rekomendasi inilah
55
merupakan solusi terbaik untuk permasalahan yang sering dihadapi oleh
konsumen. Dimana sistem akan membantu konsumen dalam mencari
pakaian dan dapat membantu memilihkan pakaian yang sesuai dengan
keinginannya. Dengan mengadopsi sistem pendukung keputusan dalam
sistem yang akan dibangun akan dapat membantu konsumen dalam
memutuskan pakaian yang akan dibeli, sehingga segala permasalahan
konsumen dalam pembelian pakaian secara online dapat teratasi dengan
efektif dan efisien. Tidak menutup kemungkinan dengan sebuah solusi
baru ini akan dapat meningkatkan daya beli konsumen dalam melakukan
pembelian secara online.
Dalam penyaringan informasi pada sistem rekomendasi ini dengan
menggunakan metode hybrid (content based-collaborative filtering) dan
untuk pembobotan menggunakan SAW (simple additive weighting).
Dengan menggabungkan beberapa metode ini maka akan dapat
memberikan hasil rekomendasi yang sesuai dengan keinginan konsumen.
Karena dalam penyaringan informasi untuk metode hybrid (content basedcollaborative filtering) menggunakan profil pengguna dan aktifitas
transaksi pembelian pakaian. Sehingga konsumen tidak akan kesulitan
dalam mencari, memilih, dan memutuskan terhadap pakaian yang akan
dibeli.
3.3 Analisa Kebutuhan Sistem (Database)
Dalam pembuatan sistem rekomendasi data yang digunakan sebagai
landasan sistem ini adalah :
56
1. History data transaksi pembelian dari tahun 2010-2013.
2. Dengan total record dataset tahun 2010-2013 berjumlah 1036
record.
3. Total data user sebanyak 250 record.
3.4 Pemodelan Metode
3.4.1 Content Based Filtering
Content-based filtering akan menyaring informasi berdasarkan
atribut-atribut rekomendasi setiap pengguna yang diperoleh dari aktifitas
pembelian pakaian sebagai
menyaring
preferensi.
Sistem
akan
mencari
dan
pengguna lain yang memiliki kesamaan atribut rekomendasi
berdasarkan data yang tersimpan dalam database.
Begitu pula bagi pengguna yang telah melakukan transaksi maka
akan secara otomatis proses pengupdatean terhadap atribut rekomendasi
bagi pengguna yang telah melakukan transaksi sesuai dengan transaksi
terakhir yang dilakukannya. Kemudian dari hasil atribut rekomendasi
setiap pengguna yang telah melakukan login akan dihitung kedekatan
antar pengguna berdasarkan nilai-nilai atribut rekomendasinya.
Masing-masing atribut pengguna yang akan direkomendasikan
memiliki bobot dan kedekatan antara nilai-nilai dalam atribut rekomendasi.
Berdasarkan pengguna yang login kemudian akan dihitung nilai kedekatan
antar pengguna lainnya dengan
menggunakan algortima
nearest
neighbor berdasarkan hasil jarak terbesar dari setiap perhitungan bobot
pada masing-masing setiap pengguna, dan 5 pengguna yang memiliki
57
kesamaam dengan nilai terbesar akan di jadikan kandidat rekomendasi.
Namun berdasarkan 5 kandidat tersebut akan di ambil data history
pembelian pakaian, dan history pakaian tersebutlah yang akan di
rekomendasikan terhadap pengguna yang telah melakukan login tersebut.
Algoritma nearest neighbor akan mencari jarak terbesar dengan
melakukan perhitungan antara kedekatan nilai atribut dan bobot atribut.
Berikut adalah tahapan-tahapan penentuan jarak terbesar menggunakan
nearest neighbor :
1. Menghitung kedekatan kasus baru dengan kasus lama yang
telah dilakukan oleh user sebelumnya.
2. Menentukan nilai kedekatan atribut individu baru dengan atribut
individu lama.
3. Menentukan bobot setiap jenis atribut.
4. Menghitung
jarak yaitu
jumlah
perkalian
nilai
kedekatan
atribut individu setiap kasus dengan bobot atribut kemudian
dibagi dengan jumlah bobot masing-masing atribut.
5. Memilih
kasus
terdekat
dengan
kedekatan
terdekat.
Kedekatan
ditentukan berdasarkan nilai jarak tertinggi yang
dihasilkan.
6. Menyaring nilai kedekatan tertinggi dan dijadikan sebagai item
rekomendasi terhadap konsumen.
58
berikut adalah tabel kedekatan atribut dan bobot pada metode
content based filtering, bobot pada variabel diberikan berdasarkan
pakaian terpopuler pada pembelian pakaian atau hasil transaksi tertinggi,
berikut adalah data pembelian terpopuler :
Tabel 3.1 Pencarian Pembobotan
model
warna
motif
jenis
kelamin
ID-BFW-TS
upper body rendah
netral
cukup
laki - laki
ID-JJFDM-TS
upper body sedang sekunder
banyak
laki - laki
ID-SCHC-TS
upper body sedang
primer
sedikit
laki - laki
murah
ID-DYSSTET-TS
upper body
netral
banyak
laki - laki
cukup
murah
ID-FFSCHC-TS
upper body sedang
netral
cukup
laki - laki
murah
3
14.29
0.8
2
9.52
0.6
5
23.81
1
3
14.29
0.8
Produk Populer
Kategori
Modus (Tertinggi)
Persen
Bobot
5
23.81
1
tinggi
3
14.29
0.8
Maka dari hasil tabel pembelian pakaian terpopuler atau pembelian
terbanyak akan di jadikan data pembobotan pada proses rekomendasi
pakaian.
Tabel 3.2 Bobot Variabel
No.
1
2
3
4
5
6
Variabel
Kategori
Model
Warna
Motif
Jenis Kelamin
Harga
Bobot
1
0.8
0.8
0.6
1
0.8
harga
cukup
murah
cukup
murah
59
Untuk mengukur jarak maupun bobot antar variabel dan atribut.
Bobot jarak ini diberikan nilai antara 0 sampai dengan 1. Nilai 0
artinya jika atribut tidak berpengaruh dan sebaliknya nilai 1 jika
atribut sangat berpengaruh. Adapun nilai jarak setiap variabel dapat dilihat
pada tabel berikut ini.
Tabel 3.3 Kedekatan Nilai Atribut Kategori
No.
1
2
3
4
Nilai 1
Upper Body
Lower Body
Upper Body
Lower Body
Nilai 2
Upper Body
Lower Body
Lower Body
Upper Body
Nilai Kedekatan
1
1
0.5
0.5
Nilai kedekatan antara atribut nilai 1 dengan nilai 2 jika memiliki
kesamaan maka bernilai 1 dan jika berbeda bernilai 0,5. Nilai diperoleh
dari pembagian banyak data atribut.
Tabel 3.4 Kedekatan Nilai Atribut Model
No.
1
2
3
4
5
6
7
8
9
Nilai 1
Tinggi
Sedang
Rendah
Tinggi
Tinggi
Sedang
Sedang
Rendah
Rendah
Nilai 2
Tinggi
Sedang
Rendah
Sedang
Rendah
Tinggi
Rendah
Tinggi
Sedang
Nilai Kedekatan
1
1
1
0.75
0.5
0.75
0.75
0.5
0.75
Nilai kedekatan antara atribut nilai 1 dengan nilai 2 jika memiliki
kesamaan maka bernilai 1 dan jika berbeda 1 tingkat makan akan bernilai
0,75 , kemudian jika nilai 1 dengan nilai 2 memiliki perbedaan 2 tingkat
60
makan nilai kedekatan bernilai 0,5. Nilai diperoleh dari pembagian banyak
data atribut panjang range nilai untuk nilai kedekatan.
Tabel 3.5 Kedekatan Nilai Atribut Warna
No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Nilai 1
Primer
Sekunder
Tersier
Netral
Primer
Primer
Primer
Sekunder
Sekunder
Sekunder
Tersier
Tersier
Tersier
Netral
Netral
Netral
Nilai 2
Primer
Sekunder
Tersier
Netral
Sekunder
Tersier
Netral
Primer
Tersier
Netral
Primer
Sekunder
Netral
Primer
Sekunder
Tersier
Nilai Kedekatan
1
1
1
1
0.8
0.6
0.2
0.8
0.8
0.6
0.6
0.8
0.8
0.2
0.6
0.8
Nilai kedekatan antara atribut nilai 1 dengan nilai 2 jika memiliki
kesamaan maka bernilai 1 dan jika berbeda 1 tingkat makan akan bernilai
0,8 , kemudian jika nilai 1 dengan nilai 2 memiliki perbedaan 2 tingkat
makan nilai kedekatan bernilai 0,6 dan untuk perbedaan dengan 3 tingkat
maka bernilai 0.2 Nilai diperoleh dari pembagian banyak data atribut
panjang range nilai untuk nilai kedekatan.
Tabel 3.6 Kedekatan Nilai Atribut Motif
No. Nilai 1
Nilai 2 Nilai Kedekatan
1 Sedikit
Sedikit
1
2 Cukup
Cukup
1
3 Banyak Banyak
1
Tabel 3.6 Kedekatan Nilai Atribut Motif (Lanjutan)
61
No.
8
9
4
5
6
7
Nilai 1
Banyak
Banyak
Sedikit
Sedikit
Cukup
Cukup
Nilai 2
Sedikit
Cukup
Cukup
Banyak
Sedikit
Banyak
Nilai Kedekatan
0.5
0.75
0.75
0.5
0.75
0.75
Nilai kedekatan antara atribut nilai 1 dengan nilai 2 jika memiliki
kesamaan maka bernilai 1 dan jika berbeda 1 tingkat makan akan bernilai
0,75 , kemudian jika nilai 1 dengan nilai 2 memiliki perbedaan 2 tingkat
maka nilai kedekatan bernilai 0,5. Nilai diperoleh dari pembagian banyak
data atribut panjang range nilai untuk nilai kedekatan.
Tabel 3.7 Kedekatan Nilai Atribut Jenis Kelamin
No.
1
2
3
4
Nilai 1
Laki-Laki
Perempuan
Laki-Laki
Perempuan
Nilai 2
Laki-Laki
Perumpuan
Perumpuan
Laki-Laki
Nilai Kedekatan
1
1
0.5
0.5
Nilai kedekatan antara atribut nilai 1 dengan nilai 2 jika memiliki
kesamaan maka bernilai 1 dan jika berbeda bernilai 0,5. Nilai diperoleh
dari pembagian banyak data atribut.
Tabel 3.8 Kedekatan Nilai Atribut Harga
No.
Nilai 1
Nilai 2
Nilai Kedekatan
1
Murah
Murah
1
2
Cukup Murah Cukup murah
1
3
Mahal
Mahal
1
4
Sangat Mahal Sangat Mahal
1
5
Murah
Cukup Murah
0.8
Tabel 3.8 Kedekatan Nilai Atribut Harga (Lanjutan)
62
No.
6
7
8
9
10
11
12
13
14
15
16
Nilai 1
Murah
Murah
Cukup Murah
Cukup Murah
Cukup Murah
Mahal
MAHAL
Mahal
Sangat Mahal
Sangat mahal
Sangat Mahal
Nilai 2
Mahal
Sangat Mahal
Murah
Mahal
Sangat Mahal
Murah
Cukup Murah
Sangat Mahal
Murah
Cukup Murah
Mahal
Nilai Kedekatan
0.6
0.2
0.8
0.8
0.6
0.6
0.8
0.8
0.2
0.6
0.8
Nilai kedekatan antara atribut nilai 1 dengan nilai 2 jika memiliki
kesamaan maka bernilai 1 dan jika berbeda 1 tingkat makan akan bernilai
0.8, kemudian jika nilai 1 dengan nilai 2 memiliki perbedaan 2 tingkat
makan nilai kedekatan bernilai 0,6 dan untuk perbedaan dengan 3 tingkat
maka bernilai 0.2 Nilai diperoleh dari pembagian banyak data atribut
panjang range nilai untuk nilai kedekatan.
Penentuan atribut dan bobot ini digunakan untuk menghitung nilai
kedekatan antara item-item yang akan di rekomendasikan kepada
konsumen.
3.4.2 Collaborative Filtering
Collaborative filtering akan menyaring informasi berdasarkan rating
transaksi pembelian pakaian yang dilakukan oleh pengguna. Jika metode
content based filtering tidak menemukan rekomendasi yang sesuai
dengan preferensi pengguna, maka langkah penyaringan metode
63
colaborative filtering dilakukan dengan melihat rating suatu transaksi
pembelian item yang telah di lakukan oleh pengguna.
Untuk proses perhitungan rating berdasarkan data transaksi yang
dilakukan oleh pengguna yang di rekomendasikan berdasarkan hasil
metode content based filtering dengan menggunakan formula perhitungan
rating. Berikut adalah tahapan-tahapan perhitungan pada metode
collaborative filtering :
1.
Mengumpulkan data rating yang di berikan oleh pengguna
sebelumnya berdasarkan pakaian yang di rekomendasi dari
proses content based filtering.
2.
Hitung semua nilai rating setiap item yang diberikan dengan
menggunakan rumus sebagai berikut.
Rating
= Frekuensi Pembelian dari setiap item
100
= Nilai maksimum dari nilai rekomendasi tertinggi
100
5
= Nilai maksimum rating yang diberikan oleh
pengguna
1
= Nilai maksimum transaksi pembelian pakaian pada
suatu item yang dilakukan oleh pengguna.
64
Nilai rating transaksi pembelian pakaian dapat dilihat pada
tabel 3.9 dengan panjang rating transaksi pembelian = 22/5 = 4,4
Tabel 3.9 Nilai Rating Transaksi Pembelian
Range Total Transaksi
17.7 – 22
13.1 - 17.6
8.9 - 13.2
4.5 - 8.8
1 - 4.4
3.
Rating
5
4
3
2
1
Dari perhitungan akan di lihat data yang memiliki nilai tertinggi
dan
data
tersebut
akan
dijadikan
rekomendasi
kepada
pengguna.
3.4.3 SAW (Simple Additive Weighting)
Terkadang dari hasil rekomendasi pakaian yang telah diberikan
terlalu banyak, sehingga konsumen menjadi bingung memilih dari hasil
rekomendasi. Maka sistem pendukung keputusan ini akan memecahkan
permasalah konsumen untuk mendukung pengambilan keputusan dalam
pemilihan pakaian yang telah direkomendasikan. Sistem ini akan
membantu konsumen untuk memilih pakaian yang terbaik berdasarkan
keinginan konsumen saat ini dengan
menggunakan metode simple
additive weighting.
Dalam proses perhitungan metode simple additive weighting atau
metode pembobotan ini akan ditentukan kriteria dan nilai pembobotannya.
Berikut ini adalah kriteria yang akan di jadikan bahan perhitungan pada
65
proses perangkingan. Berikut adalah tabel kreteria dan bobot pada
metode simple additive weighting :
Tabel 3.10 Kriteria
No.
1
2
3
4
Kriteria
C1
C2
C3
C4
Keterangan
Model
Warna
Motif
Harga
Dari masing masing kriteria tersebut akan di tentukan bobotbobotnya. Pada bobot terdiri dari enam bilangan fuzzy, yaitu sangat
rendah (SR), rendah (R), sedang (S), tengah (T1), tinggi (T2), dan sangat
tinggi(ST).
Keterangan :
SR =Sangat Rendah
R = Rendah
S = Sedang
T1 = Tengah
T2 = Tinggi
ST = Sangat Tinggi
Gambar 3.2 Bilangan fuzzy untuk bobot
Berdasarkan gambar 3.2, bilangan fuzzy dapat dikonversikan ke
bilangan crips. Untuk lebih jelas data bobot di bentuk dalam tabel di
bawah ini.
Tabel 3.11 Bobot
No.
1
2
Bilangan Fuzzy
Sangat Rendah
Rendah
Nilai
0
0.2
66
Tabel 3.11 Bobot (Lanjutan)
No.
3
4
5
6
Bilangan Fuzzy
Sedang
Tengah
Tinggi
Sangat Tinggi
Nilai
0.4
0.6
0.8
1
Pada setiap kriteria memiliki nilai masing-masing, berikut ini adalah
nilai-nilai dari setiap kriteria :
1. Kriteria Model (C1)
Pada variabel model terdiri dari tiga bilangan fuzzy, yaitu
Rendah (R), Sedang (S), dan Tinggi (T).
Tabel 3.12 Kriteria Model
No.
1
2
3
Model Pakaian (C1)
Rendah
Sedang
Tinggi
Nilai
0.333
0.666
1
Untuk model pakaian rendah ini memiliki kualitas bahan kain
biasa dan tingkat desain rendah, model pakaian sedang memiliki
kualitas bahan kain bagus dan tingkat desain tinggi, dan model
pakaian tinggi kualitas bahan kain terbaik dan tingkat desain sangat
tinggi.
2. Kriteria Warna (C2)
Pada variabel warna terdiri dari empat bilangan fuzzy, yaitu
Rendah (R), Cukup (C), Tinggi (T), dan Sangat tinggi (ST).
67
Tabel 3.13 Kriteria Warna
No.
1
2
3
4
Warna Pakaian (C2)
Warna Primer
Warna Sekunder
Warna Tersier
Warna Netral
Bilangan Fuzzy
Rendah
Cukup
Tinggi
Sangat Tinggi
Nilai
0.25
0.5
0.75
1
Warna primer terdiri dari merah, biru, dan kuning, warna
sekunder merupakan warna campuran dari warna dasar warna
primer, warna tersier merupakan warna campuran dari warna
primer dan sekunder, sedangkan warna netral warna campuran
hitam dan putih dengan warna tersier.
3. Kriteria Motif (C3)
Pada variabel motif terdiri dari tiga bilangan fuzzy, yaitu Sedikit
(S), Cukup (C), dan Banyak (B).
Tabel 3.14 Kriteria Motif
No.
1
2
3
Motif Pakaian (C3)
Sedikit
Cukup
Banyak
Nilai
0.333
0.666
1
Untuk motif pakaian sedikit ini terdapat sablon atau bordir
yang sedikit, motif pakaian cukup terdapat sablon atau bordir yang
cukup banyak, dan motif pakaian banyak terdapat sablon atau
bordir yang banyak.
68
4. Kriteria Harga (C4)
Pada variabel harga terdiri dari empat bilangan fuzzy, yaitu
Murah (M), Cukup Murah (CM), Mahal (Mh), dan Sangat Mahal
(SMh).
Tabel 3.15 Kriteria Harga
No.
1
2
3
4
Harga Pakain (C4)
Harga Harga Harga
Rp.300.000
Bilangan Fuzzy
Murah
Nilai
0.25
Cukup Murah
0.5
Mahal
0.75
Sangat Mahal
1
Adapun tahapan-tahapan perhitungan pada pemodelan sistem
pendukung keputusan dengan menggunakan metode SAW (Simple
Additive Weighting) berikut adalah tahapan-tahapannya :
1. Rating dari setiap alternative pada setiap kriteria
2. Rubah dalam bentuk matrik keputusan berdasarkan data dari
setiap kriteria
3. Tentukan bobot terhadap setiap kriteria pakaian tersebut.
4. Proses
normalisasi
pada
data
setiap
kriteria
menggunakan rumus sebagai berikut :
Maxij = Nilai maksimum dari setiap baris dan kolom
dengan
69
Minij
= Nilai minimum dari setiap baris dan kolom
Xij
= Baris dan kolom dari matrik
rij
= Nilai rating kinerja ternormalisasi
berdasarkan kriteria yang ada maka kriteria akan di olah
berdasarkan tabel 3.16.
Tabel 3.16 Pengolahan Kriteria
Kriteria
No.
Cost Benefit
1
Model
2
Warna
3
Motif
4
Harga
Hitung untuk perangkingan dari setiap item atau alternatif
menggunakan rumus sebagai berikut :
Vi = Rangking untuk setiap alternatif
wj = Nilai bobot dari setiap kriteria
rij
= Nilai rating kinerja ternormalisasi
Nilai terbesar pada perhitungan adalah yang terpilih sebagai
alternatif terbaik bagi pengguna.
3.5 Flowchart
Flowchart merupakan gambaran urutan kerja sistem dengan
menggunakan simbol-simbol tertentu yang digambarkan dalam bentuk
jalur-jalur berdasarkan entity, dimana flowchart yang akan di gambarkan
70
pada
rancangan
aplikasi
ini
adalah
gambaran
flowchart
sistem
rekomendasi atau gambar alur aplikasi yang akan dibangun.
3.5.1 Proses Content Based Filtering
Berikut ini adalah flowchart bagaimana menentukan kesamaan
(similarity) kedekatan antar pengguna menggunakan nearest neighbor.
Gambar 3.3 Flowchart Content Based Filtering
Pada proses awal sistem akan langsung mengambil data user baru
yang telah login yang ada dalam database. Kemudian sistem akan
71
langsung menghitung proses kedekatan antar user baru dengan user
lainnya, setelah di ketahui nilai kedekatan antar user tersebut akan dicari
5 kandidat user terdekat. Berdasarkan 5 kandidat tersebut akan dicari
history transaksi pembelian pakaian yang akan direkomendasikan dan
simpan pada database.
3.5.2 Proses Penggabungan Content Based Filtering dan
Collaborative Filtering
Gambar 3.4 Flowchart Hybrid (Content Based Collaborative Filtering)
72
Berdasarkan hasil rekomendasi dengan algoritma nearest neighbor
kemudian hitung dengan metode collaborative filtering. Pada proses
collaborative filtering ini sistem akan langsung mengambil data kandidat
pakaian rekomendasi dari perhitungan content based filtering di dalam
database, kemudian akan dihitung berdasarkan rating transaksi. Maka
tiap-tiap pakaian akan memiliki nilai rekomendasi dan pakaian hasil
rekomendasi adalah 5 pakaian dengan nilai tertinggi.
3.5.3 Proses Simple Additive Weighting
Gambar 3.5 Flowchart Perhitungan SAW
73
Untuk proses perhitungan rekomendasi dengan metode simple
additive weighting user harus menginputkan data bobot pakaian yang
telah di rekomendasikan kepada user dengan metode hybrid (content
based-collaborative).
Kemudian
sistem
akan
melakukan
proses
perhitungan dengan melakukan normalisasi pada setiap alternative,
berdasarkan hasil perankingan dengan nilai tertinggi akan dijadikan
pakaian rekomendasi yang terbaik bagi user.
3.6 Studi Kasus
Tabel 3.17 Contoh History Penjualan Pakaian
No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
Id Transaksi
NT-0102101
NT-0105102
NT-0106103
NT-0106104
NT-0109105
NT-0115106
NT-0116107
NT-0120108
NT-0120109
NT-01231010
NT-01251011
NT-01261012
NT-01271013
NT-01271014
NT-01291015
NT-02051016
NT-02051017
NT-02071018
NT-02091019
NT-02101020
NT-02101021
NT-02111022
NT-02121023
NT-02151024
Id User
ID-20-OCWH
ID-35-OCWH
ID-33-OCWH
ID-50-OCWH
ID-37-OCWH
ID-73-OCWH
ID-30-OCWH
ID-80-OCWH
ID-77-OCWH
ID-79-OCWH
ID-44-OCWH
ID-40-OCWH
ID-40-OCWH
ID-24-OCWH
ID-13-OCWH
ID-25-OCWH
ID-56-OCWH
ID-57-OCWH
ID-106-OCWH
ID-10-OCWH
ID-87-OCWH
ID-16-OCWH
ID-37-OCWH
ID-137-OCWH
Sku
ID-BFW-TS
ID-WEAL-TS
ID-MCJS-PTS
ID-ODMY-TS
ID-DYSSTET-TS
ID-CSLOCWH-TS
ID-BFW-TS
ID-ODMY-TS
ID-FFSCHC-TS
ID-DYSSTET-TS
ID-BECA-PTS
ID-DKSM-TS
ID-BFW-TS
ID-ODMY-TS
ID-PETB-TS
ID-FFSCHC-TS
ID-DYSSTET-TS
ID-WEAL-TS
ID-BFW-TS
ID-TSBE-PTS
ID-SBFH-TS
ID-ODMY-TS
ID-YKHC-TS
ID-WEGY-PTS
Qty
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Date Order
2010-01-02 06:35:23
2010-01-05 22:51:53
2010-01-06 22:18:10
2010-01-06 10:03:24
2010-01-09 12:56:50
2010-01-15 08:32:06
2010-01-16 17:23:34
2010-01-20 17:12:56
2010-01-20 09:31:43
2010-01-23 19:13:51
2010-01-25 13:35:55
2010-01-26 09:19:52
2010-01-27 19:05:37
2010-01-27 11:51:13
2010-01-29 01:23:43
2010-02-05 12:24:58
2010-02-05 13:36:52
2010-02-07 11:16:30
2010-02-09 21:16:12
2010-02-10 19:01:32
2010-02-10 18:47:24
2010-02-11 13:52:27
2010-02-12 13:41:30
2010-02-15 06:25:39
Tabel 3.17 Contoh History Penjualan Pakaian (Lanjutan)
74
No.
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
Id Transaksi
NT-02181025
NT-02201026
NT-02201027
NT-02211028
NT-02231029
NT-02251030
NT-02261031
NT-02271032
NT-02271033
NT-02281034
NT-03041035
NT-03051036
NT-03051037
NT-03071038
NT-03081039
NT-03101040
NT-03131041
NT-03131042
NT-03171043
NT-03181044
NT-03211045
NT-03231046
NT-03251047
NT-03261048
NT-03291049
NT-04031050
Id User
ID-61-OCWH
ID-64-OCWH
ID-43-OCWH
ID-55-OCWH
ID-134-OCWH
ID-79-OCWH
ID-20-OCWH
ID-102-OCWH
ID-19-OCWH
ID-45-OCWH
ID-77-OCWH
ID-60-OCWH
ID-53-OCWH
ID-42-OCWH
ID-54-OCWH
ID-31-OCWH
ID-89-OCWH
ID-35-OCWH
ID-48-OCWH
ID-52-OCWH
ID-146-OCWH
ID-135-OCWH
ID-130-OCWH
ID-10-OCWH
ID-64-OCWH
ID-84-OCWH
Sku
ID-FFSCHC-TS
ID-DYSSTET-TS
ID-ODMY-TS
ID-BFW-TS
ID-BECA-PTS
ID-DKSM-TS
ID-WEGY-PTS
ID-YKHC-TS
ID-WEAL-TS
ID-ODMY-TS
ID-SBFH-TS
ID-TSBE-PTS
ID-BFW-TS
ID-LYDK-TS
ID-WEAL-TS
ID-BECA-PTS
ID-CGVGXE-SP
ID-WEGY-PTS
ID-KDRFP-PTS
ID-YKHC-TS
ID-CSLOCWH-TS
ID-DKSM-TS
ID-TSBE-PTS
ID-BFW-TS
ID-CSLOCWH-TS
ID-WEAL-TS
Qty
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Date Order
2010-02-18 11:29:45
2010-02-20 16:53:22
2010-02-20 06:54:22
2010-02-21 17:44:25
2010-02-23 09:27:46
2010-02-25 04:41:13
2010-02-26 08:59:52
2010-02-27 10:12:24
2010-02-27 11:26:46
2010-02-28 16:27:53
2010-03-04 13:07:57
2010-03-05 08:45:52
2010-03-05 02:13:01
2010-03-07 07:46:49
2010-03-08 19:12:55
2010-03-10 05:15:30
2010-03-13 03:04:40
2010-03-13 12:20:16
2010-03-17 01:47:38
2010-03-18 16:15:27
2010-03-21 07:40:16
2010-03-23 19:03:57
2010-03-25 03:18:24
2010-03-26 18:17:42
2010-03-29 04:34:36
2010-04-03 03:41:18
Jika pengguna baru dengan id pengguna ID-251-OCWH melakukan
login maka item manakah yang dapat di rekomendasikan kepada
pengguna tersebut. Maka untuk mendapatkan hasil rekomendasi dengan
metode hybrid
content based
filtering, collaborative filtering
dan
pembobotan menggunakan SAW (simple additive weighting).
Pengguna dengan ID-251-OCWG memiliki atribut rekomendasi
sebagai berikut.
Tabel 3.18 Atribut Pengguna Baru
75
No.
1
2
3
4
5
6
Variabel
Kategori
Model
Warna
Motif
Jenis Kelamin
Harga
Jenis Atribut
Upper Body
Sedang
Netral
Cukup
Laki-laki
Cukup Murah
Dengan di ketahui atribut rekomendasi dari pengguna baru maka
akan dicari pengguna lama yang memiliki kesamaan atribut rekomendasi
dengan pengguna baru. Adapun beberap contoh pengguna lama dengan
atribut rekomendasinya.
Tabel 3.19 Atribut Rekomendasi Pengguna Lama
id-User
ID-2OCWH
ID-3OCWH
ID-4OCWH
ID-5OCWH
ID-6OCWH
ID-7OCWH
ID-8OCWH
Sku
IDSEOEDYRTS
ID-DKALNTTS
ID-OLCBDTS
ID-SPLGTS
IDBSBOWCHTS
IDBXARBCSP
ID-BHTDTS
Jenis
Kelamin
Kategori
Model
Warna
Motif
upper
body
rendah
netral
sedikit
tinggi
tersier
cukup
Laki-laki
sedang sekunder
sedikit
Laki-laki
sedang
tersier
cukup
Laki-laki
tinggi
netral
banyak
Laki-laki
cukup
murah
upper
body
upper
body
upper
body
upper
body
Harga
Perempuan Murah
cukup
murah
cukup
murah
cukup
murah
lower
body
rendah sekunder
sedikit
Laki-laki
cukup
murah
upper
body
sedang sekunder
cukup
Laki-laki
Murah
Tabel 3.19 Atribut Rekomendasi Pengguna Lama (Lanjutan)
id-User
Sku
ID-9OCWH
ID-SRRDTS
Kategori
Model
Warna
Motif
Jenis
Kelamin
Harga
upper
body
sedang
primer
cukup
Laki-laki
cukup
murah
76
ID-10OCWH
ID-11OCWH
ID-DKBWPTS
IDTOCWHRDTS
lower
body
upper
body
tinggi
tersier
rendah primer
cukup
Laki-laki
sangat
mahal
sedikit
Laki-laki
cukup
murah
Berdasarkan data atribut rekomendasi pengguna lama tersebut,
maka akan dilihat bagaimana kedekatan atau kesamaan antara pengguna
baru dengan pengguna lama berdasarkan kedekatan atribut atau karakter
dari pakaian yang di sukai oleh pengguna.
Langkah berikutnya adalah menghitung nilai similarity antara user
baru dengan user lama. Maka akan ditentukan terlebih dahulu nilai dari
kedekatan setiap atribut dan bobotnya. Menghitung kedekatan user baru
dengan user no. ID-2-OCWH :
a. Kedekatan nilai atribut kategori : upper body dengan upper
body = 1
b. Bobot atribut kategori = 1
c. Kedekatan nilai atribut model : sedang dengan rendah = 0.75
d. Bobot atribut model = 0.8
e. Kedekatan nilai atribut warna : netral dengan netral = 1
f. Bobot atribut warna = 0.8
g. Kedekatan nilai atribut motif : cukup dengan sedikit = 0.75
h. Bobot atribut motif = 0.6
i. Kedekatan
nilai
atribut
jenis
perempuan = 0.5
j. Bobot atribut jenis kelamin = 1
kelamin
:
laki-laki
dengan
77
k. Kedekatan nilai atribut harga : cukup murah dengan murah = 0.8
l. Bobot atribut harga = 0.8
Tabel 3.20 Kedekatan Antar Pengguna
Id-User
ID-2-OCWH
ID-3-OCWH
ID-4-OCWH
ID-5-OCWH
ID-6-OCWH
ID-7-OCWH
ID-8-OCWH
ID-9-OCWH
ID-10-OCWH
ID-11-OCWH
Kategori
1
1
1
1
1
0.5
1
1
0.5
0.5
Model
0.75
0.75
1
1
0.75
0.75
1
1
0.75
0.75
Warna
1
0.8
0.6
0.8
1
0.6
0.6
0.2
0.8
0.2
Motif
0.75
1
0.75
1
0.75
0.75
1
1
1
0.75
Jenis Kelamin
0.5
1
1
1
1
1
1
1
1
1
Harga
0.8
1
1
1
1
1
0.8
1
0.6
1
Setelah diketahui hasil kedekatan antar pengguna lama dengan
pengguna baru, kemudian dihitung nilai kedekatannya seperti berikut.
Similarity (t,s) =
=
=
=
Di atas adalah nilai hasil kedekatan dari antara pengguna baru
dengan pengguna dengan Id-user ID-2-OCWH, untuk melihat hasil
kedekatan pengguna yang lain dapat dilihat tabel 3.21.
Tabel 3.21 Hasil Nilai kedekatan
78
Id-User
ID-2-OCWH
ID-3-OCWH
ID-4-OCWH
ID-5-OCWH
ID-6-OCWH
ID-7-OCWH
ID-8-OCWH
ID-9-OCWH
ID-10-OCWH
ID-11-OCWH
Kedekatan * Bobot
3.99
4.64
4.53
4.84
4.65
3.83
4.52
4.36
3.82
3.51
Total Bobot
5
5
5
5
5
5
5
5
5
5
Hasil
0.798
0.928
0.906
0.968
0.93
0.766
0.904
0.872
0.764
0.702
Dari tabel diatas akan di ambil dari 5 nilai kedekatan terbesar,
kedekatan terbesar antara pengguna baru dengan pengguna lama di
antaranya adalah pengguna dengan Id-user ID-3-OCWH, ID-4-OCWH, ID5-OCWH, ID-6-OCWH, dan ID-8-OCWH. Berdasarkan hasil kedekatan
antar pengguna tersebut akan di ambil data history pembelian pakaian
yang telah dilakukan oleh pengguna dan akan dijadikan kandidat pakaian
yang akan direkomendasikan, kemudian di cari hasil peratingan dengan
menggunakan metode collaborative filtering. Berikut adalah data history
pembelian pakaian pengguna dari hasil perhitungan dengan metode
content based filtering.
Tabel 3.22 History Pembelian Pakaian Pengguna Rekomendasi
Id-User
ID-3-OCWH
ID-4-OCWH
Sku
ID-SEPK-BG
ID-CGSTBW-SP
ID-DKALNT-TS
ID-OLCBD-TS
79
ID-5-OCWH
ID-6-OCWH
ID-7-OCWH
ID-8-OCWH
ID-CGSTBW-SP
ID-SPLG-TS
ID-HOHLS-TS
ID-BSBOWCH-TS
ID-DODHC-TS
ID-BXARBC-SP
ID-BHTD-TS
Jika dalam dalam history pakaian yang akan di rekomendasikan
memiliki kesamaan pembelian maka akan dijadikan satu, misalkan
pembelian oleh pengguna dengan id-user ID-3-OCWH dengan pembelian
pakaian ID-CGSTBW-SP dan id-user ID-5-OCWH dengan pembelian
pakaian ID-CGSTBW-SP. Berikut ini adalah data kandidat pakaian yang
akan direkomendasikan dengan proses perhitungan metode collaborative
filtering.
Tabel 3.23 Kandidat Pakaian Rekomendasi
Sku
ID-SEPK-BG
ID-CGSTBW-SP
ID-DKALNT-TS
ID-OLCBD-TS
ID-SPLG-TS
ID-HOHLS-TS
ID-BSBOWCH-TS
ID-DODHC-TS
ID-BXARBC-SP
ID-BHTD-TS
Total Transaksi
9
10
8
10
7
8
6
20
10
10
Proses hitung pakaian rekomendasi berdasarkan rating untuk
setiap item yang akan direkomendasikan :
ID-SEPK-BG =
80
=
=
Di atas merupakan proses perhitungan nilai rekomendasi pakaian
ID-SEPK-BG, untuk produk-produk rekomendasi lainnya dapa dilihat pada
tabel 3.24.
Tabel 3.24 Hasil Rekomendasi
Sku
ID-DODHC-TS
ID-SEPK-BG
ID-CGSTBW-SP
ID-OLCBD-TS
ID-BXARBC-SP
ID-BHTD-TS
ID-DKALNT-TS
ID-SPLG-TS
ID-HOHLS-TS
ID-BSBOWCH-TS
Nilai Rekomendasi
100
60
60
60
60
60
40
40
40
40
Hasil rekomendasi dengan nilai 5 tertinggi akan dijadikan
rekomendasi
kepada
pengguna
dan
ditampilkan
pada
halaman
rekomendasi. Dari tabel 3.24 produk yang akan di rekomendasikan adalah
ID-DODHC-TS, ID-SEPK-BG, ID-CGSTBW-SP, ID-OLCBD-TS, dan IDBXARBC-SP.
Namun berdasarkan rekomendasi yang telah diberikan pengguna
masih kurang yakin dengan barang yang akan di beli. Maka pengguna
membutuhkan sistem yang dapat mendukung keputusan pembelian
81
berdasarkan
keadaan
saat
ini,
sehingga
pengguna
melakukan
perhitungan pembobotan pada pakaian yang telah di rekomendasi.
Tabel 3.25 Data Pakaian Pembobotan
Sku
ID-SEPK-BG
ID-CGSTBW-SP
ID-OLCBD-TS
ID-DODHC-TS
ID-BXARBC-SP
Model
Sedang
Sedang
Sedang
Tinggi
Rendah
Warna
Tersier
Tersier
sekunder
Netral
sekunder
Motif
cukup
cukup
sedikit
banyak
sedikit
Harga
cukup murah
mahal
cukup murah
cukup murah
cukup murah
Berdasarkan data tabel 3.25 untuk setiap kriteria perlu di rubah
dalam bentuk bilangan fuzzy agar dapat memudah dalam menghitung dari
setiap produk yang akan di jadikan alternatif.
Tabel 3.26 Konversi Nilai Fuzzy Dari Kriteria
Alternatif
A1
A2
A3
A4
A5
C1
0.666
0.666
0.333
1
0.333
Kriteria
C2
C3
0.75
0.666
0.75
0.666
0.5
0.333
1
1
0.5
0.333
C4
0.5
0.75
0.5
0.5
0.5
Ubah data rating setiap kriteria ke dalam bentuk matriks keputusan
X seperti berikut.
0.666
0.75 0,666
0.5
0.666
0.75 0.666
0.75
82
X=
0.333
1
0.5
1
0.333 0.5
0.333
0.5
1
0.5
0.333
0.5
Langkah selanjutnya pengguna telah menentukan bobot dari
pakaian yang akan dibeli sebagai berikut.
Tabel 3.27 Bobot Pakaian
Kriteria
Model
Warna
Motif
Harga
Bobot
Rendah
Sangat Tinggi
Tengah
Tinggi
Nilai
0.2
1
0.6
0.8
Menormalisasi matriks X menjadi matriks R berdasarkan satu
persamaan. Untuk model pakaian termasuk ke dalam atribut keuntungan
(benefit), karena semakin besar nilai di anggap semakin baik.
r11
= 0.666
r21
= 0.666
r31
= 0.333
r41
=1
83
r51
= 0.333
untuk setiap matrik perlu dilakukan normalisasi untuk menentukan
nilai kriteria pada setiap alternatif lebih mudah, berikut merupakan hasil
normalisasi setiap kriteria.
R=
0.666
0.75 0,666
0.666
0.75 0.666
0.333
0.5
1
Setelah
proses
konversi
0.667
0.333
1
1
1
0.333
1
1
0.333 0.5
1
dan
normaliasi
selesai,
perangkingan terhadap setiap alternatif sebagai berikut.
V1 = (0.2) (0.666) + (1) (0.75) + (0.6) (0.666) + (0.8) (1)
= 0.133 + 0.75 + 0.4 + 0.8
= 2.0828
V2 = (0.2) (0.666) + (1) (0.75) + (0.6) (0.666) + (0.8) (0.667)
= 0.133 + 0.75 + 0.4 + 0.533
= 1.8161
V3 = (0.2) (0.333) + (1) (0.5) + (0.6) (0.333) + (0.8) (1)
= 0.067 + 0.5 + 0.2 + 0.8
= 1.5664
V4 = (0.2) (1) + (1) (1) + (0.6) (1) + (0.8) (1)
melakukan
84
= 0.2 + 1 + 0.6 + 0.8
= 2.6
V5 = (0.2) (0.333) + (1) (0.5) + (0.6) (0.333) + (0.8) (1)
= 0.067 + 0.5 + 0.2 + 0.8
= 1.5664
Nilai terbesar ada pada V 4 sehingga alternatif A4 (ID-DODHC-TS)
adalah yang terpilih sebagai alternatif terbaik. Sehingga menjadi pilihan
pengguna untuk pakaian yang akan di beli.
Tabel 3.28 Ranking Pakaian
Rangking
1
2
3
4
5
Id Produk
ID-DODHC-TS
ID-SEPK-BG
ID-CGSTBW-SP
ID-OLCBD-TS
ID-BXARBC-SP
Nilai Akhir
2.6000
2.0828
1.8161
1.5664
1.5664
3.7 Context Diagram (Level 0)
Desain secara global atau konsep dasar dari sebuah desain sistem
yang akan dibangun dan dilambangkan dengan sebuah diagram. Dari
desain ini akan dapat dilihat pihak yang terkait dalam sistem maupun
proses-proses yang terjadi pada sistem yang akan dibuat. Dapat dilihat
pada gambar 3.6 sebagai berikut.
85
Setup Data User
Setup Data Pakaian
Administrator
Setup Pemesanan
Login
0
Login
SPK (Rekomendasi
Pakaian)
Setup Page
Register
Setup Pembelian Pakaian
+
Laporan Pemesanan
User (Pembeli)
Sistem Rekomendasi Pakaian
Setup Perangkingan Pembelian
Gambar 3.6 Context Diagram
3.8 Data Flow Diagram (Level 1)
Sebuah gambaran yang lebih detail atau pengembangan dari
context diagram (CD). Jadi dalam proses ini dapat terlihat lebih jelas dari
setiap proses-proses yang ada pada context diagram (CD) dan akan di
perluas lagi. Berdasarkan sistem yang akan dibangun data flow diagram
ini terdapat 10 Subprocess sistem, dan 10 Subprocess tersebut dapat
dilihat pada gambar 3.7.
86
[Login]
User
(Pembeli)
1
Login
tb_user
Data User
+
Administrator
[Login]
2
Administrator
[Setup Data Pakaian]
Setup Data
Pakaian
tb_pakaian
Data Pakaian
+
3
Administrator
[Setup Data User]
Setup Data
User
Data User
+
4
Administrator
[Setup Pemesanan]
Setup
Pemesanan
tb_transaksi
Data Pemesanan
+
5
Administrator
[Setup Page]
Setup Page
tb_page
Data Page
+
6
User
(Pembeli)
[Register]
Register
Data Register
+
7
User
(Pembeli)
[Setup Pembelian Pakaian]
Data Pakaian
Setup
Pembelian
Data Pembelian
+
8
User
(Pembeli)
[Sistem Rekomendasi Pakaian]
Setup
Rekomendasi
Pakaian
+
Data User
Data Transaksi
Hasil Rekomendasi
tb_rekomendasi
9
User
(Pembeli)
[Setup Perangkingan Pembelian]
Setup
Perangkingan
Pakaian
Data Pakaian
Data Pakaian
Data Perangkingan
+
Setup Data Laporan
Administrator
[Laporan Pemesanan]
tb_rangking
10
Laporan
Pemesanan
+
Gambar 3.7 Data Flow Diagram
Data Rekomendasi
Data Transaksi
87
3.8.1 Subproccess Login (Level 2)
1.3
Administrator
Admin Page
[Login]
1.2
1.1
Akses User
Username & password
Admin Login
Authenticatio
n
Entry Data
User Login
Data Invalid
User
(Pembeli)
[Data User]
1.4
[Login]
User Page
tb_user
Gambar 3.8 Subprocces Login
Subproccess login level 2 menjelaskan tentang 2 jenis Login yaitu
administrator dan user (pembeli). Jadi ketika pengguna melakukan login
memasuki 2 jenis halaman berbeda sesuai dengan jenis akses pengguna
tersebut.
3.8.2 Subproccess Setup Data Pakaian (Level 2)
Data Baru
2.1
2.2
Entry Data
Pakaian
Insert Data
Pakaian
Simpan Data
[Data Pakaian]
Cari Data Pakaian
tb_pakaian
Update Data
2.8
Update
Data
Pakaian
2.6
Administrator
2.4
[Setup Data Pakaian]
Data Invalid
Cari Data
Pakaian
Delete Data
Pakaian
Data Valid
Delete Data
Data Baru
2.5
Tampilkan
Data
Hapus Data
Proses Data
2.7
2.3
Edit Data
Data
Pakaian
Entry Data
Baru
ID Pakaian
Edit Data
Gambar 3.9 Subproccess Setup Data Pakaian
88
Subproccess Setup Data Pakaian level 2 ini menjelaskan bagaiman
proses administrator dalam melakukan entry data pakaian, dalam proses
entry data pakaian ini terdapat proses insert, update, dan delete.
3.8.3 Subproccess Setup Data User (Level 2)
Data Baru
3.1
3.2
Entry Data
User
Insert Data
User
Simpan Data
[Data User]
3.8
Cari Data User
tb_user
Update Data
3.6
3.4
Administrator
[Setup Data User]
Data Invalid
Cari Data
User
Update
Data User
Data Valid
Delete Data
Delete Data
User
Data Baru
Hapus Data
3.5
Tampilkan
Data
3.3
Edit Data
Proses Data
3.7
Data User
ID User
Edit Data
Entry Data
Baru
Gambar 3.10 Subproccess Setup Data User
Subproccess Setup Data User level 2 ini berfungsi untuk
administrator jika ingin membuat pengguna baru maupun melakukan
perubahan data pengguna. Pada subprosecces setup data user ini juga
terdapat proses insert, update, dan delete.
89
3.8.4 Subproccess Setup Pemesanan (Level 2)
4.2
4.3
Pilih Data
Pemesanan
Eksekusi
Pemesanan
4.1
Konfirmasi
View Data
Pemesanan
Tampilkan Data
Proses Data
Update Data
Cari Data Pemesanan
4.4
tb_transaksi
Administrator
4.6
Cari Data Pemesanan
[Setup Pemesanan]
Cari Data
Pemesanan
Data Invalid
Data Valid
4.7
4.5
Tampilkan
Data
Data
Pemesanan
Lihat Data
Update data
Pemesanan
[Data Pemesanan]
Kategori Data
Gambar 3.11 Subproccess Setup Pemesanan
Subproccess Setup Data Pemesanan level 2 ini berfungsi untuk
administrator jika ingin melakukan konfirmasi pembelian yang telah
dilakukan oleh user atau melihat data transaksi.
3.8.5 Subproccess Setup Page (Level 2)
Data Baru
5.1
5.2
Entry Data
Page
Insert Data
Page
Simpan Data
[Data Page]
5.8
Cari Data Page
tb_page
Update Data
Administrator
5.6
5.4
[Setup Page]
Data Invalid
Cari Data
Page
Update
Data Page
Data Valid
Delete Data
Delete Data
Page
Data Baru
5.5
Tampilkan
Data
Hapus Data
Proses Data
5.7
5.3
Edit Data
Data Page
ID Page
Edit Data
Gambar 3.12 Subproccess Setup Page
Entry Data
Baru
90
Subproccess Setup Page level 2 ini berfungsi untuk mengolah
halaman depan . Pada subproccess page ini hanya dapat digunakan oleh
pengguna dengan level user sebagai administrator saja.
3.8.6 Subproccess Register (Level 2)
6.1
User
(Pembeli)
[Register]
Email
Entry Data
Email
6.2
6.3
Cek Data
Email
Entry Data
User
Data valid
Simpan Data
Data Invalid
Cari Data User
6.4
Insert Data
User
[Data Register]
tb_user
Gambar 3.13 Subproccess Register
Subproccess Setup Register level 2 ini di peruntukan bagi
pengguna yang ingin membuat akun baru, dan pada sistem ini ada
authentication user sehingga tidak akan ada user yang sama.
3.8.7 Subproccess Setup Pembelian (Level 2)
Data Baru
7.1
7.2
7.3
Tampilkan
Data Pakaian
Pilih
Pakaian
Keranjang
Belanja
Detail Pakaian
Simpan Data Pilihan
Proses Data
[Data Pakaian]
Pencarian Pakaian
tb_pakaian
Check Out
User
(Pembeli)
7.4
[Setup Pembelian Pakaian]
7.5
Proses Beli
Simpan Data
Check Out
Edit Data
7.6
7.7
Keranjang
Belanja
Pilih
Pakaian
Detail Pakaian
[Data Pembelian]
7.8
Delete Data
Keranjang
Belanja
Proses Data
Edit Data
Insert Data
Transaksi
Hapus Data
Gambar 3.14 Subproccess Setup Pembelian
tb_transaksi
91
Subproccess Setup Pembelian level 2 ini adalah proses untuk
melakukan transaksi yang dilakukan oleh pengguna. Dijelaskan pada
proses di atas user dapat melakukan belanja dengan menggunakan
keranjang belanja, sehingga user akan nyaman dalam melakukan
pembelian barang.
3.8.8 Subproccess Setup Rekomendasi Pakaian (Level 2)
tb_user
[Data User]
8.1
User
(Pembeli)
[Sistem Rekomendasi Pakaian]
8.3
Hitung
Kedekatan
User (NN)
8.2
Ambil Data User
Load Data
User
Cek User
Login
Data Invalid
Data Invalid
8.4
Hasil
Perhitungan
(NN)
Hasil Kedekatan User
Count Data Transaksi
tb_transaksi
Cari Data Transaksi
[Data Transaksi]
8.5
Load Data
History
Pembelian
Cek Kesamaan Transaksi
8.6
Cleaning
Data
Transaksi
8.10
Hitung
Rating
Proses Rating
Pakaian Rekomendasi
tb_pakaian
[Hasil Rekomendasi]
tb_rekomendasi
8.7
8.11
Insert Data
Rekomendasi
Hasil
Perhitungan
(Rating)
Simpan Data
Data Rekomendasi
8.8
8.9
[Data Pakaian]
Compare
Data
Pakaian Rekomendasi
Tampilkan
Data
Rekomendasi
Gambar 3.15 Subproccess Setup Rekomendasi Pakaian
Subproccess Setup Rekomendasi Pakaian level 2, pada proses ini
menjelaskan bagaimana sistem akan melakukan rekomendasi pakaian
92
terhadap user. Dimana dalam proses tersebut di jelaskan bagaimana
dengan perhitungan dengan metode
content based filtering dan
collaborative filtering.
3.8.9 Subproccess Setup Perangkingan Pakaian (Level 2)
tb_pakaian
tb_rekomendasi
[Data Rekomendasi]
[Data Pakaian]
9.1
User
(Pembeli)
[Setup Perangkingan Pembelian]
Load Data
Rekomendasi
Compare Data
9.2
9.3
Cari Data
Pakaian
Tampilkan
Data
Pencarian Selesai
Proses Seleksi
9.5
Hitung Data
(SAW)
9.4
Proses Data
Entry Data
Bobot
Simpan Data
9.6
tb_rangking
[Data Perangkingan]
Insert Data
Perangkingan
View Data
9.7
Hasil Perangkingan
Tampilkan
Data
Perangkingan
Gambar 3.16 Subproccess Setup Perangkingan Pakaian
Subproccess Setup Perangkingan Pakaian level 2 dalam proses ini
dijelaskan bagaimana dari hasil pakaian rekomendasi akan dilakukan
perangkingan agar mudah dalam memutuskan pakaian yang akan di beli
dengan menggunakan metode simple additive weighting.
93
3.8.10 Subproccess Setup Data Laporan (Level 2)
tb_transaksi
[Data Transaksi]
Administrator
[Setup Data Laporan]
10.1
10.2
10.3
Entry Data
Laporan
Cari Data
Transaksi
Tampilkan &
Cetak Data
Kategori Laporan
Hasil Laporan
[Laporan Pemesanan]
Administrator
Gambar 3.17 Subproccess Setup Data Laporan
Subproccess Setup Data Laporan level 2, pada proses ini
merupakan proses pencetakan data transaksi. Dan pada pencetakan data
transaksi ini ada kategori laporan yang akan di cetak, jadi pihak
administrator akan lebih mudah dalam menampilkan laporan transaksi.
3.9 Entity Relationship diagram
Entity relationship diagram merupakan permodelan dari struktur data
dan hubungan data dari sistem yang akan dibuat. Digambarkan dengan
beberapa
notasi
dan
simbol
untuk
dapat
mempermudah
dalam
pembentukan database. Entity relationship diagram sistem rekomendasi
pakaian ini terdapat beberapa tabel yaitu tabel page, tabel pakaian, tabel
rangking, tabel rekomendasi, tabel transaksi, dan tabel user dapat dilihat
pada gambar 3.18.
94
TB_TRANSAKSI
ID
int
ID_TRANSAKSI
text
ID_USER
varchar(50)
ID_PAKAIAN
varchar(50)
JUMLAH
int
TANGGAL
datetime
STATUS
text
TB_PAKAIAN
ID_PAKAIAN
varchar(50)
NAMA
text
TANGGAL
datetime
HARGA
float
BERAT
int
KATEGORI
varchar(50)
MODEL
varchar(50)
WARNA
varchar(50)
MOTIF
varchar(50)
JENIS_KELAMIN
varchar(50)
HARGA_RC
varchar(50)
ID_PAKAIAN = ID_PAKAIAN
ID_PAKAIAN = ID_PAKAIAN
ID_USER = ID_USER
TB_USER
ID_USER
varchar(50)
NAMA_DEPAN
text
NAMA_BELAKANG
text
EMAIL
text
TANGGAL_LAHIR
datetime
PASSWORD
text
KELAMIN
varchar(50)
ROLE
int
TELPON
text
ALAMAT
int
KOTA
text
PROVINSI
text
ID_PAKAIAN = ID_PAKAIAN
TB_REKOMENDASI
ID_REKOMENDASI
text
ID_USER
varchar(50)
ID_PAKAIAN
varchar(50)
TANGGAL
datetime
STATUS
text
ID_USER = ID_USER
ID_USER = ID_USER
ID_USER = ID_USER
TB_PAGE
ID_PAGE
int
ID_USER
varchar(50)
NAMA
text
CONTENT
text
TANGGAL
datetime
KATEGORI_PAGE
varchar(50)
JENIS_PAGE
varchar(50)
TB_RANGKING
ID_RANGKING
text
ID_USER
varchar(50)
ID_PAKAIAN
varchar(50)
NILAI
float
TANGGAL
datetime
STATUS
text
Gambar 3.18 Entity Relationship Diagram
Berikut ini adalah perancangan database pada aplikasi sistem
rekomendasi pakaian adalah sebagai berikut.
Tabel 3.28 Page
Field
ID_PAGE
ID_USER
NAMA
CONTENT
TANGGAL
KATEGORI_PAGE
JENIS_PAGE
Type
int
varchar(50)
text
text
datetime
varchar(50)
varchar(50)
Keterangan
Primary Key
95
Tabel 3.29 Pakaian
Field
ID_PAKAIAN
NAMA
TANGGAL
HARGA
BERAT
KATEGORI
MODEL
WARNA
MOTIF
JENIS_KELAMIN
HARGA_RC
Type
varchar(50)
text
datetime
float
Int
varchar(50)
varchar(50)
varchar(50)
varchar(50)
varchar(50)
varchar(50)
Keterangan
Primary Key
Tabel 3.30 Ranking
Field
ID_RANGKING
ID_USER
ID_PAKAIAN
NILAI
TANGGAL
STATUS
Type
Text
varchar(50)
varchar(50)
float
datetime
Text
Keterangan
Primary Key
Tabel 3.31 Rekomendasi
Field
ID_REKOMENDASI
ID_USER
ID_PAKAIAN
TANGGAL
STATUS
Type
text
varchar(50)
varchar(50)
datetime
text
Keterangan
Primary Key
Tabel 3.32 Transaksi
Field
Type
ID
ID_TRANSAKSI
ID_USER
ID_PAKAIAN
JUMLAH
TANGGAL
STATUS
Int
Text
varchar(50)
varchar(50)
Int
datetime
Text
Keterangan
Primary Key
96
Tabel 3.33 User
Field
ID_USER
NAMA_DEPAN
NAMA_BELAKANG
EMAIL
TANGGAL_LAHIR
PASSWORD
KELAMIN
ROLE
TELPON
ALAMAT
KOTA
PROVINSI
Type
varchar(50)
text
text
text
datetime
text
varchar(50)
int
text
int
text
text
Keterangan
Primary Key
3.10 Perancangan Desain Interface
3.10.1 Halaman Rekomendasi
Halaman rekomendasi merupakan tampilan untuk pengguna akan
membeli produk pakaian. Item rekomensi akan muncul ketika pengguna
sudah melakukan login.
HEADER
MENU
ITEM REKOMENDASI
PRODUCT
FOOTER
Gambar 3.19 Halaman Rekomendasi
97
3.11 Halaman Perhitungan SAW
Halaman perhitungan SAW ini merupakan halaman yang digunakan
membantu memutuskan pakaian yang akan dibeli oleh pengguna
berdasarkan hasil rekomendasi pakaian yang telah diberikan.
HEADER
MENU
NILAI BOBOT
HASIL PERANGKINGAN
PROSES
FOOTER
Gambar 3.20 Halaman Perhitungan SAW
BAB III
PEMBAHASAN
3.1 Analisa Sistem
3.1.1 Profile Instansi
Old
City
Wear
House
didirikan
pada
tahun
2009,
yang
beralamatkan di Jl. Kebalen Wetan no. 32 Malang. Old City Wear House
bergerak dibidang penjualan berbagai produk pakaian dengan desaindesain yang menarik dan unik, Old City Wear House berawal dari
pembuatan produk untuk merchandise dari band-band kota malang.
Namun setelah banyaknya peminat dari produk-produk Old City Wear
House mulailah mengembangkan hasil produk pakaian untuk segala jenis
model pakaian yang di buat.
Old City Wear House
memiliki tempat produksi sendiri adapun
berbagai macam produk diantaranya t-shirt, kemeja, jaket, celana jeans,
tas dan lain-lain. Desainnya pun sangat menarik dan memiliki keunikan
tersediri yang membuat berbeda dengan produk lainnya. Produk-produk
dari Old City Wear House ini juga diproduksi dengan hasil kreasi yang
tinggi sehingga terdapat nilai esklusif pada produk tersebut. Produk yang
dijual ini cocok untuk semua kalangan baik muda maupun untuk orang
dewasa.
53
3.1.2 Blog Diagram Sistem yang Akan Dibangun
Gambar 3.1 Blog Diagram Sistem yang akan dibangun
Berdasarkan sistem yang akan dibangun ini pengguna akan lebih
dipermudah dalam melakukan pencarian pakaian yang sesuai dengan
keinginan. Dimana sistem rekomendasi ini terbagi menjadi dua jenis
rekomendasi, pertama rekomendasi dengan metode hybrid (content
based-collaborative) dengan melakukan pendekatan berdasarkan atribut
rekomendasi yang diinginkan oleh pengguna. Sedangkan pada metode
simple
additive
weighting
pengguna
akan
diberikan
rekomendasi
berdasarkan proses pembobotan yang di tentukan pengguna sehingga
akan lebih mudah dalam memutuskan pakaian rekomendasi yang akan
dibeli.
54
Pada sistem yang akan dibangun ini pengguna di haruskan untuk
melakukan login agar dapat memberikan rekomendasi sesuai pengguna,
pada proses sistem rekomendasi ini untuk proses perhitungan dengan
metode hybrid (content based-collaborative) dan simple addtive weighting
ini berfungsi secara lanjutan, namun pada proses rekomendasi dengan
pembobotan bersifat pilihan. Tergantung pengguna akan melakukan
pemilihan rekomendasi yang diinginkan, namun dalam kedua proses
rekomendasi
tersebut
memiliki
perbedaan
dimana
pada
sistem
rekomendasi dengan metode hybrid (content based-collaborative) adalah
untuk memudahkan dalam mencari dan memilih pakaian yang akan dibeli
sedangkan pada metode simple addtive weighting adalah mempermudah
pengguna dalam memutuskan pakaian rekomendasi yang akan dibeli.
3.2 Analisa Masalah
Banyaknya permasalahan yang telah dialami konsumen saat
melakukan transaksi pada media online, konsumen sering mengalami
kesulitan dalam mencari maupun memilih pakaian yang sesuai dengan
apa yang di inginkan. Sehingga konsumen terkadang membutuhkan
waktu yang lama dalam penyeleksian pakaian yang sesuai dengan
keinginannya dan memilih salah satu pakaian yang akan dibeli. Karena
permasalah-permasalahan tersebut mengkibatkan menurunnya daya beli
konsumen terhadap pakaian khusunya pada toko Old City Wear House.
Melihat permasalahan diatas maka dibutuhkan sebuah solusi baru
untuk dapat menyelesaikannya, dan sebuah sistem rekomendasi inilah
55
merupakan solusi terbaik untuk permasalahan yang sering dihadapi oleh
konsumen. Dimana sistem akan membantu konsumen dalam mencari
pakaian dan dapat membantu memilihkan pakaian yang sesuai dengan
keinginannya. Dengan mengadopsi sistem pendukung keputusan dalam
sistem yang akan dibangun akan dapat membantu konsumen dalam
memutuskan pakaian yang akan dibeli, sehingga segala permasalahan
konsumen dalam pembelian pakaian secara online dapat teratasi dengan
efektif dan efisien. Tidak menutup kemungkinan dengan sebuah solusi
baru ini akan dapat meningkatkan daya beli konsumen dalam melakukan
pembelian secara online.
Dalam penyaringan informasi pada sistem rekomendasi ini dengan
menggunakan metode hybrid (content based-collaborative filtering) dan
untuk pembobotan menggunakan SAW (simple additive weighting).
Dengan menggabungkan beberapa metode ini maka akan dapat
memberikan hasil rekomendasi yang sesuai dengan keinginan konsumen.
Karena dalam penyaringan informasi untuk metode hybrid (content basedcollaborative filtering) menggunakan profil pengguna dan aktifitas
transaksi pembelian pakaian. Sehingga konsumen tidak akan kesulitan
dalam mencari, memilih, dan memutuskan terhadap pakaian yang akan
dibeli.
3.3 Analisa Kebutuhan Sistem (Database)
Dalam pembuatan sistem rekomendasi data yang digunakan sebagai
landasan sistem ini adalah :
56
1. History data transaksi pembelian dari tahun 2010-2013.
2. Dengan total record dataset tahun 2010-2013 berjumlah 1036
record.
3. Total data user sebanyak 250 record.
3.4 Pemodelan Metode
3.4.1 Content Based Filtering
Content-based filtering akan menyaring informasi berdasarkan
atribut-atribut rekomendasi setiap pengguna yang diperoleh dari aktifitas
pembelian pakaian sebagai
menyaring
preferensi.
Sistem
akan
mencari
dan
pengguna lain yang memiliki kesamaan atribut rekomendasi
berdasarkan data yang tersimpan dalam database.
Begitu pula bagi pengguna yang telah melakukan transaksi maka
akan secara otomatis proses pengupdatean terhadap atribut rekomendasi
bagi pengguna yang telah melakukan transaksi sesuai dengan transaksi
terakhir yang dilakukannya. Kemudian dari hasil atribut rekomendasi
setiap pengguna yang telah melakukan login akan dihitung kedekatan
antar pengguna berdasarkan nilai-nilai atribut rekomendasinya.
Masing-masing atribut pengguna yang akan direkomendasikan
memiliki bobot dan kedekatan antara nilai-nilai dalam atribut rekomendasi.
Berdasarkan pengguna yang login kemudian akan dihitung nilai kedekatan
antar pengguna lainnya dengan
menggunakan algortima
nearest
neighbor berdasarkan hasil jarak terbesar dari setiap perhitungan bobot
pada masing-masing setiap pengguna, dan 5 pengguna yang memiliki
57
kesamaam dengan nilai terbesar akan di jadikan kandidat rekomendasi.
Namun berdasarkan 5 kandidat tersebut akan di ambil data history
pembelian pakaian, dan history pakaian tersebutlah yang akan di
rekomendasikan terhadap pengguna yang telah melakukan login tersebut.
Algoritma nearest neighbor akan mencari jarak terbesar dengan
melakukan perhitungan antara kedekatan nilai atribut dan bobot atribut.
Berikut adalah tahapan-tahapan penentuan jarak terbesar menggunakan
nearest neighbor :
1. Menghitung kedekatan kasus baru dengan kasus lama yang
telah dilakukan oleh user sebelumnya.
2. Menentukan nilai kedekatan atribut individu baru dengan atribut
individu lama.
3. Menentukan bobot setiap jenis atribut.
4. Menghitung
jarak yaitu
jumlah
perkalian
nilai
kedekatan
atribut individu setiap kasus dengan bobot atribut kemudian
dibagi dengan jumlah bobot masing-masing atribut.
5. Memilih
kasus
terdekat
dengan
kedekatan
terdekat.
Kedekatan
ditentukan berdasarkan nilai jarak tertinggi yang
dihasilkan.
6. Menyaring nilai kedekatan tertinggi dan dijadikan sebagai item
rekomendasi terhadap konsumen.
58
berikut adalah tabel kedekatan atribut dan bobot pada metode
content based filtering, bobot pada variabel diberikan berdasarkan
pakaian terpopuler pada pembelian pakaian atau hasil transaksi tertinggi,
berikut adalah data pembelian terpopuler :
Tabel 3.1 Pencarian Pembobotan
model
warna
motif
jenis
kelamin
ID-BFW-TS
upper body rendah
netral
cukup
laki - laki
ID-JJFDM-TS
upper body sedang sekunder
banyak
laki - laki
ID-SCHC-TS
upper body sedang
primer
sedikit
laki - laki
murah
ID-DYSSTET-TS
upper body
netral
banyak
laki - laki
cukup
murah
ID-FFSCHC-TS
upper body sedang
netral
cukup
laki - laki
murah
3
14.29
0.8
2
9.52
0.6
5
23.81
1
3
14.29
0.8
Produk Populer
Kategori
Modus (Tertinggi)
Persen
Bobot
5
23.81
1
tinggi
3
14.29
0.8
Maka dari hasil tabel pembelian pakaian terpopuler atau pembelian
terbanyak akan di jadikan data pembobotan pada proses rekomendasi
pakaian.
Tabel 3.2 Bobot Variabel
No.
1
2
3
4
5
6
Variabel
Kategori
Model
Warna
Motif
Jenis Kelamin
Harga
Bobot
1
0.8
0.8
0.6
1
0.8
harga
cukup
murah
cukup
murah
59
Untuk mengukur jarak maupun bobot antar variabel dan atribut.
Bobot jarak ini diberikan nilai antara 0 sampai dengan 1. Nilai 0
artinya jika atribut tidak berpengaruh dan sebaliknya nilai 1 jika
atribut sangat berpengaruh. Adapun nilai jarak setiap variabel dapat dilihat
pada tabel berikut ini.
Tabel 3.3 Kedekatan Nilai Atribut Kategori
No.
1
2
3
4
Nilai 1
Upper Body
Lower Body
Upper Body
Lower Body
Nilai 2
Upper Body
Lower Body
Lower Body
Upper Body
Nilai Kedekatan
1
1
0.5
0.5
Nilai kedekatan antara atribut nilai 1 dengan nilai 2 jika memiliki
kesamaan maka bernilai 1 dan jika berbeda bernilai 0,5. Nilai diperoleh
dari pembagian banyak data atribut.
Tabel 3.4 Kedekatan Nilai Atribut Model
No.
1
2
3
4
5
6
7
8
9
Nilai 1
Tinggi
Sedang
Rendah
Tinggi
Tinggi
Sedang
Sedang
Rendah
Rendah
Nilai 2
Tinggi
Sedang
Rendah
Sedang
Rendah
Tinggi
Rendah
Tinggi
Sedang
Nilai Kedekatan
1
1
1
0.75
0.5
0.75
0.75
0.5
0.75
Nilai kedekatan antara atribut nilai 1 dengan nilai 2 jika memiliki
kesamaan maka bernilai 1 dan jika berbeda 1 tingkat makan akan bernilai
0,75 , kemudian jika nilai 1 dengan nilai 2 memiliki perbedaan 2 tingkat
60
makan nilai kedekatan bernilai 0,5. Nilai diperoleh dari pembagian banyak
data atribut panjang range nilai untuk nilai kedekatan.
Tabel 3.5 Kedekatan Nilai Atribut Warna
No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Nilai 1
Primer
Sekunder
Tersier
Netral
Primer
Primer
Primer
Sekunder
Sekunder
Sekunder
Tersier
Tersier
Tersier
Netral
Netral
Netral
Nilai 2
Primer
Sekunder
Tersier
Netral
Sekunder
Tersier
Netral
Primer
Tersier
Netral
Primer
Sekunder
Netral
Primer
Sekunder
Tersier
Nilai Kedekatan
1
1
1
1
0.8
0.6
0.2
0.8
0.8
0.6
0.6
0.8
0.8
0.2
0.6
0.8
Nilai kedekatan antara atribut nilai 1 dengan nilai 2 jika memiliki
kesamaan maka bernilai 1 dan jika berbeda 1 tingkat makan akan bernilai
0,8 , kemudian jika nilai 1 dengan nilai 2 memiliki perbedaan 2 tingkat
makan nilai kedekatan bernilai 0,6 dan untuk perbedaan dengan 3 tingkat
maka bernilai 0.2 Nilai diperoleh dari pembagian banyak data atribut
panjang range nilai untuk nilai kedekatan.
Tabel 3.6 Kedekatan Nilai Atribut Motif
No. Nilai 1
Nilai 2 Nilai Kedekatan
1 Sedikit
Sedikit
1
2 Cukup
Cukup
1
3 Banyak Banyak
1
Tabel 3.6 Kedekatan Nilai Atribut Motif (Lanjutan)
61
No.
8
9
4
5
6
7
Nilai 1
Banyak
Banyak
Sedikit
Sedikit
Cukup
Cukup
Nilai 2
Sedikit
Cukup
Cukup
Banyak
Sedikit
Banyak
Nilai Kedekatan
0.5
0.75
0.75
0.5
0.75
0.75
Nilai kedekatan antara atribut nilai 1 dengan nilai 2 jika memiliki
kesamaan maka bernilai 1 dan jika berbeda 1 tingkat makan akan bernilai
0,75 , kemudian jika nilai 1 dengan nilai 2 memiliki perbedaan 2 tingkat
maka nilai kedekatan bernilai 0,5. Nilai diperoleh dari pembagian banyak
data atribut panjang range nilai untuk nilai kedekatan.
Tabel 3.7 Kedekatan Nilai Atribut Jenis Kelamin
No.
1
2
3
4
Nilai 1
Laki-Laki
Perempuan
Laki-Laki
Perempuan
Nilai 2
Laki-Laki
Perumpuan
Perumpuan
Laki-Laki
Nilai Kedekatan
1
1
0.5
0.5
Nilai kedekatan antara atribut nilai 1 dengan nilai 2 jika memiliki
kesamaan maka bernilai 1 dan jika berbeda bernilai 0,5. Nilai diperoleh
dari pembagian banyak data atribut.
Tabel 3.8 Kedekatan Nilai Atribut Harga
No.
Nilai 1
Nilai 2
Nilai Kedekatan
1
Murah
Murah
1
2
Cukup Murah Cukup murah
1
3
Mahal
Mahal
1
4
Sangat Mahal Sangat Mahal
1
5
Murah
Cukup Murah
0.8
Tabel 3.8 Kedekatan Nilai Atribut Harga (Lanjutan)
62
No.
6
7
8
9
10
11
12
13
14
15
16
Nilai 1
Murah
Murah
Cukup Murah
Cukup Murah
Cukup Murah
Mahal
MAHAL
Mahal
Sangat Mahal
Sangat mahal
Sangat Mahal
Nilai 2
Mahal
Sangat Mahal
Murah
Mahal
Sangat Mahal
Murah
Cukup Murah
Sangat Mahal
Murah
Cukup Murah
Mahal
Nilai Kedekatan
0.6
0.2
0.8
0.8
0.6
0.6
0.8
0.8
0.2
0.6
0.8
Nilai kedekatan antara atribut nilai 1 dengan nilai 2 jika memiliki
kesamaan maka bernilai 1 dan jika berbeda 1 tingkat makan akan bernilai
0.8, kemudian jika nilai 1 dengan nilai 2 memiliki perbedaan 2 tingkat
makan nilai kedekatan bernilai 0,6 dan untuk perbedaan dengan 3 tingkat
maka bernilai 0.2 Nilai diperoleh dari pembagian banyak data atribut
panjang range nilai untuk nilai kedekatan.
Penentuan atribut dan bobot ini digunakan untuk menghitung nilai
kedekatan antara item-item yang akan di rekomendasikan kepada
konsumen.
3.4.2 Collaborative Filtering
Collaborative filtering akan menyaring informasi berdasarkan rating
transaksi pembelian pakaian yang dilakukan oleh pengguna. Jika metode
content based filtering tidak menemukan rekomendasi yang sesuai
dengan preferensi pengguna, maka langkah penyaringan metode
63
colaborative filtering dilakukan dengan melihat rating suatu transaksi
pembelian item yang telah di lakukan oleh pengguna.
Untuk proses perhitungan rating berdasarkan data transaksi yang
dilakukan oleh pengguna yang di rekomendasikan berdasarkan hasil
metode content based filtering dengan menggunakan formula perhitungan
rating. Berikut adalah tahapan-tahapan perhitungan pada metode
collaborative filtering :
1.
Mengumpulkan data rating yang di berikan oleh pengguna
sebelumnya berdasarkan pakaian yang di rekomendasi dari
proses content based filtering.
2.
Hitung semua nilai rating setiap item yang diberikan dengan
menggunakan rumus sebagai berikut.
Rating
= Frekuensi Pembelian dari setiap item
100
= Nilai maksimum dari nilai rekomendasi tertinggi
100
5
= Nilai maksimum rating yang diberikan oleh
pengguna
1
= Nilai maksimum transaksi pembelian pakaian pada
suatu item yang dilakukan oleh pengguna.
64
Nilai rating transaksi pembelian pakaian dapat dilihat pada
tabel 3.9 dengan panjang rating transaksi pembelian = 22/5 = 4,4
Tabel 3.9 Nilai Rating Transaksi Pembelian
Range Total Transaksi
17.7 – 22
13.1 - 17.6
8.9 - 13.2
4.5 - 8.8
1 - 4.4
3.
Rating
5
4
3
2
1
Dari perhitungan akan di lihat data yang memiliki nilai tertinggi
dan
data
tersebut
akan
dijadikan
rekomendasi
kepada
pengguna.
3.4.3 SAW (Simple Additive Weighting)
Terkadang dari hasil rekomendasi pakaian yang telah diberikan
terlalu banyak, sehingga konsumen menjadi bingung memilih dari hasil
rekomendasi. Maka sistem pendukung keputusan ini akan memecahkan
permasalah konsumen untuk mendukung pengambilan keputusan dalam
pemilihan pakaian yang telah direkomendasikan. Sistem ini akan
membantu konsumen untuk memilih pakaian yang terbaik berdasarkan
keinginan konsumen saat ini dengan
menggunakan metode simple
additive weighting.
Dalam proses perhitungan metode simple additive weighting atau
metode pembobotan ini akan ditentukan kriteria dan nilai pembobotannya.
Berikut ini adalah kriteria yang akan di jadikan bahan perhitungan pada
65
proses perangkingan. Berikut adalah tabel kreteria dan bobot pada
metode simple additive weighting :
Tabel 3.10 Kriteria
No.
1
2
3
4
Kriteria
C1
C2
C3
C4
Keterangan
Model
Warna
Motif
Harga
Dari masing masing kriteria tersebut akan di tentukan bobotbobotnya. Pada bobot terdiri dari enam bilangan fuzzy, yaitu sangat
rendah (SR), rendah (R), sedang (S), tengah (T1), tinggi (T2), dan sangat
tinggi(ST).
Keterangan :
SR =Sangat Rendah
R = Rendah
S = Sedang
T1 = Tengah
T2 = Tinggi
ST = Sangat Tinggi
Gambar 3.2 Bilangan fuzzy untuk bobot
Berdasarkan gambar 3.2, bilangan fuzzy dapat dikonversikan ke
bilangan crips. Untuk lebih jelas data bobot di bentuk dalam tabel di
bawah ini.
Tabel 3.11 Bobot
No.
1
2
Bilangan Fuzzy
Sangat Rendah
Rendah
Nilai
0
0.2
66
Tabel 3.11 Bobot (Lanjutan)
No.
3
4
5
6
Bilangan Fuzzy
Sedang
Tengah
Tinggi
Sangat Tinggi
Nilai
0.4
0.6
0.8
1
Pada setiap kriteria memiliki nilai masing-masing, berikut ini adalah
nilai-nilai dari setiap kriteria :
1. Kriteria Model (C1)
Pada variabel model terdiri dari tiga bilangan fuzzy, yaitu
Rendah (R), Sedang (S), dan Tinggi (T).
Tabel 3.12 Kriteria Model
No.
1
2
3
Model Pakaian (C1)
Rendah
Sedang
Tinggi
Nilai
0.333
0.666
1
Untuk model pakaian rendah ini memiliki kualitas bahan kain
biasa dan tingkat desain rendah, model pakaian sedang memiliki
kualitas bahan kain bagus dan tingkat desain tinggi, dan model
pakaian tinggi kualitas bahan kain terbaik dan tingkat desain sangat
tinggi.
2. Kriteria Warna (C2)
Pada variabel warna terdiri dari empat bilangan fuzzy, yaitu
Rendah (R), Cukup (C), Tinggi (T), dan Sangat tinggi (ST).
67
Tabel 3.13 Kriteria Warna
No.
1
2
3
4
Warna Pakaian (C2)
Warna Primer
Warna Sekunder
Warna Tersier
Warna Netral
Bilangan Fuzzy
Rendah
Cukup
Tinggi
Sangat Tinggi
Nilai
0.25
0.5
0.75
1
Warna primer terdiri dari merah, biru, dan kuning, warna
sekunder merupakan warna campuran dari warna dasar warna
primer, warna tersier merupakan warna campuran dari warna
primer dan sekunder, sedangkan warna netral warna campuran
hitam dan putih dengan warna tersier.
3. Kriteria Motif (C3)
Pada variabel motif terdiri dari tiga bilangan fuzzy, yaitu Sedikit
(S), Cukup (C), dan Banyak (B).
Tabel 3.14 Kriteria Motif
No.
1
2
3
Motif Pakaian (C3)
Sedikit
Cukup
Banyak
Nilai
0.333
0.666
1
Untuk motif pakaian sedikit ini terdapat sablon atau bordir
yang sedikit, motif pakaian cukup terdapat sablon atau bordir yang
cukup banyak, dan motif pakaian banyak terdapat sablon atau
bordir yang banyak.
68
4. Kriteria Harga (C4)
Pada variabel harga terdiri dari empat bilangan fuzzy, yaitu
Murah (M), Cukup Murah (CM), Mahal (Mh), dan Sangat Mahal
(SMh).
Tabel 3.15 Kriteria Harga
No.
1
2
3
4
Harga Pakain (C4)
Harga Harga Harga
Rp.300.000
Bilangan Fuzzy
Murah
Nilai
0.25
Cukup Murah
0.5
Mahal
0.75
Sangat Mahal
1
Adapun tahapan-tahapan perhitungan pada pemodelan sistem
pendukung keputusan dengan menggunakan metode SAW (Simple
Additive Weighting) berikut adalah tahapan-tahapannya :
1. Rating dari setiap alternative pada setiap kriteria
2. Rubah dalam bentuk matrik keputusan berdasarkan data dari
setiap kriteria
3. Tentukan bobot terhadap setiap kriteria pakaian tersebut.
4. Proses
normalisasi
pada
data
setiap
kriteria
menggunakan rumus sebagai berikut :
Maxij = Nilai maksimum dari setiap baris dan kolom
dengan
69
Minij
= Nilai minimum dari setiap baris dan kolom
Xij
= Baris dan kolom dari matrik
rij
= Nilai rating kinerja ternormalisasi
berdasarkan kriteria yang ada maka kriteria akan di olah
berdasarkan tabel 3.16.
Tabel 3.16 Pengolahan Kriteria
Kriteria
No.
Cost Benefit
1
Model
2
Warna
3
Motif
4
Harga
Hitung untuk perangkingan dari setiap item atau alternatif
menggunakan rumus sebagai berikut :
Vi = Rangking untuk setiap alternatif
wj = Nilai bobot dari setiap kriteria
rij
= Nilai rating kinerja ternormalisasi
Nilai terbesar pada perhitungan adalah yang terpilih sebagai
alternatif terbaik bagi pengguna.
3.5 Flowchart
Flowchart merupakan gambaran urutan kerja sistem dengan
menggunakan simbol-simbol tertentu yang digambarkan dalam bentuk
jalur-jalur berdasarkan entity, dimana flowchart yang akan di gambarkan
70
pada
rancangan
aplikasi
ini
adalah
gambaran
flowchart
sistem
rekomendasi atau gambar alur aplikasi yang akan dibangun.
3.5.1 Proses Content Based Filtering
Berikut ini adalah flowchart bagaimana menentukan kesamaan
(similarity) kedekatan antar pengguna menggunakan nearest neighbor.
Gambar 3.3 Flowchart Content Based Filtering
Pada proses awal sistem akan langsung mengambil data user baru
yang telah login yang ada dalam database. Kemudian sistem akan
71
langsung menghitung proses kedekatan antar user baru dengan user
lainnya, setelah di ketahui nilai kedekatan antar user tersebut akan dicari
5 kandidat user terdekat. Berdasarkan 5 kandidat tersebut akan dicari
history transaksi pembelian pakaian yang akan direkomendasikan dan
simpan pada database.
3.5.2 Proses Penggabungan Content Based Filtering dan
Collaborative Filtering
Gambar 3.4 Flowchart Hybrid (Content Based Collaborative Filtering)
72
Berdasarkan hasil rekomendasi dengan algoritma nearest neighbor
kemudian hitung dengan metode collaborative filtering. Pada proses
collaborative filtering ini sistem akan langsung mengambil data kandidat
pakaian rekomendasi dari perhitungan content based filtering di dalam
database, kemudian akan dihitung berdasarkan rating transaksi. Maka
tiap-tiap pakaian akan memiliki nilai rekomendasi dan pakaian hasil
rekomendasi adalah 5 pakaian dengan nilai tertinggi.
3.5.3 Proses Simple Additive Weighting
Gambar 3.5 Flowchart Perhitungan SAW
73
Untuk proses perhitungan rekomendasi dengan metode simple
additive weighting user harus menginputkan data bobot pakaian yang
telah di rekomendasikan kepada user dengan metode hybrid (content
based-collaborative).
Kemudian
sistem
akan
melakukan
proses
perhitungan dengan melakukan normalisasi pada setiap alternative,
berdasarkan hasil perankingan dengan nilai tertinggi akan dijadikan
pakaian rekomendasi yang terbaik bagi user.
3.6 Studi Kasus
Tabel 3.17 Contoh History Penjualan Pakaian
No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
Id Transaksi
NT-0102101
NT-0105102
NT-0106103
NT-0106104
NT-0109105
NT-0115106
NT-0116107
NT-0120108
NT-0120109
NT-01231010
NT-01251011
NT-01261012
NT-01271013
NT-01271014
NT-01291015
NT-02051016
NT-02051017
NT-02071018
NT-02091019
NT-02101020
NT-02101021
NT-02111022
NT-02121023
NT-02151024
Id User
ID-20-OCWH
ID-35-OCWH
ID-33-OCWH
ID-50-OCWH
ID-37-OCWH
ID-73-OCWH
ID-30-OCWH
ID-80-OCWH
ID-77-OCWH
ID-79-OCWH
ID-44-OCWH
ID-40-OCWH
ID-40-OCWH
ID-24-OCWH
ID-13-OCWH
ID-25-OCWH
ID-56-OCWH
ID-57-OCWH
ID-106-OCWH
ID-10-OCWH
ID-87-OCWH
ID-16-OCWH
ID-37-OCWH
ID-137-OCWH
Sku
ID-BFW-TS
ID-WEAL-TS
ID-MCJS-PTS
ID-ODMY-TS
ID-DYSSTET-TS
ID-CSLOCWH-TS
ID-BFW-TS
ID-ODMY-TS
ID-FFSCHC-TS
ID-DYSSTET-TS
ID-BECA-PTS
ID-DKSM-TS
ID-BFW-TS
ID-ODMY-TS
ID-PETB-TS
ID-FFSCHC-TS
ID-DYSSTET-TS
ID-WEAL-TS
ID-BFW-TS
ID-TSBE-PTS
ID-SBFH-TS
ID-ODMY-TS
ID-YKHC-TS
ID-WEGY-PTS
Qty
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Date Order
2010-01-02 06:35:23
2010-01-05 22:51:53
2010-01-06 22:18:10
2010-01-06 10:03:24
2010-01-09 12:56:50
2010-01-15 08:32:06
2010-01-16 17:23:34
2010-01-20 17:12:56
2010-01-20 09:31:43
2010-01-23 19:13:51
2010-01-25 13:35:55
2010-01-26 09:19:52
2010-01-27 19:05:37
2010-01-27 11:51:13
2010-01-29 01:23:43
2010-02-05 12:24:58
2010-02-05 13:36:52
2010-02-07 11:16:30
2010-02-09 21:16:12
2010-02-10 19:01:32
2010-02-10 18:47:24
2010-02-11 13:52:27
2010-02-12 13:41:30
2010-02-15 06:25:39
Tabel 3.17 Contoh History Penjualan Pakaian (Lanjutan)
74
No.
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
Id Transaksi
NT-02181025
NT-02201026
NT-02201027
NT-02211028
NT-02231029
NT-02251030
NT-02261031
NT-02271032
NT-02271033
NT-02281034
NT-03041035
NT-03051036
NT-03051037
NT-03071038
NT-03081039
NT-03101040
NT-03131041
NT-03131042
NT-03171043
NT-03181044
NT-03211045
NT-03231046
NT-03251047
NT-03261048
NT-03291049
NT-04031050
Id User
ID-61-OCWH
ID-64-OCWH
ID-43-OCWH
ID-55-OCWH
ID-134-OCWH
ID-79-OCWH
ID-20-OCWH
ID-102-OCWH
ID-19-OCWH
ID-45-OCWH
ID-77-OCWH
ID-60-OCWH
ID-53-OCWH
ID-42-OCWH
ID-54-OCWH
ID-31-OCWH
ID-89-OCWH
ID-35-OCWH
ID-48-OCWH
ID-52-OCWH
ID-146-OCWH
ID-135-OCWH
ID-130-OCWH
ID-10-OCWH
ID-64-OCWH
ID-84-OCWH
Sku
ID-FFSCHC-TS
ID-DYSSTET-TS
ID-ODMY-TS
ID-BFW-TS
ID-BECA-PTS
ID-DKSM-TS
ID-WEGY-PTS
ID-YKHC-TS
ID-WEAL-TS
ID-ODMY-TS
ID-SBFH-TS
ID-TSBE-PTS
ID-BFW-TS
ID-LYDK-TS
ID-WEAL-TS
ID-BECA-PTS
ID-CGVGXE-SP
ID-WEGY-PTS
ID-KDRFP-PTS
ID-YKHC-TS
ID-CSLOCWH-TS
ID-DKSM-TS
ID-TSBE-PTS
ID-BFW-TS
ID-CSLOCWH-TS
ID-WEAL-TS
Qty
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Date Order
2010-02-18 11:29:45
2010-02-20 16:53:22
2010-02-20 06:54:22
2010-02-21 17:44:25
2010-02-23 09:27:46
2010-02-25 04:41:13
2010-02-26 08:59:52
2010-02-27 10:12:24
2010-02-27 11:26:46
2010-02-28 16:27:53
2010-03-04 13:07:57
2010-03-05 08:45:52
2010-03-05 02:13:01
2010-03-07 07:46:49
2010-03-08 19:12:55
2010-03-10 05:15:30
2010-03-13 03:04:40
2010-03-13 12:20:16
2010-03-17 01:47:38
2010-03-18 16:15:27
2010-03-21 07:40:16
2010-03-23 19:03:57
2010-03-25 03:18:24
2010-03-26 18:17:42
2010-03-29 04:34:36
2010-04-03 03:41:18
Jika pengguna baru dengan id pengguna ID-251-OCWH melakukan
login maka item manakah yang dapat di rekomendasikan kepada
pengguna tersebut. Maka untuk mendapatkan hasil rekomendasi dengan
metode hybrid
content based
filtering, collaborative filtering
dan
pembobotan menggunakan SAW (simple additive weighting).
Pengguna dengan ID-251-OCWG memiliki atribut rekomendasi
sebagai berikut.
Tabel 3.18 Atribut Pengguna Baru
75
No.
1
2
3
4
5
6
Variabel
Kategori
Model
Warna
Motif
Jenis Kelamin
Harga
Jenis Atribut
Upper Body
Sedang
Netral
Cukup
Laki-laki
Cukup Murah
Dengan di ketahui atribut rekomendasi dari pengguna baru maka
akan dicari pengguna lama yang memiliki kesamaan atribut rekomendasi
dengan pengguna baru. Adapun beberap contoh pengguna lama dengan
atribut rekomendasinya.
Tabel 3.19 Atribut Rekomendasi Pengguna Lama
id-User
ID-2OCWH
ID-3OCWH
ID-4OCWH
ID-5OCWH
ID-6OCWH
ID-7OCWH
ID-8OCWH
Sku
IDSEOEDYRTS
ID-DKALNTTS
ID-OLCBDTS
ID-SPLGTS
IDBSBOWCHTS
IDBXARBCSP
ID-BHTDTS
Jenis
Kelamin
Kategori
Model
Warna
Motif
upper
body
rendah
netral
sedikit
tinggi
tersier
cukup
Laki-laki
sedang sekunder
sedikit
Laki-laki
sedang
tersier
cukup
Laki-laki
tinggi
netral
banyak
Laki-laki
cukup
murah
upper
body
upper
body
upper
body
upper
body
Harga
Perempuan Murah
cukup
murah
cukup
murah
cukup
murah
lower
body
rendah sekunder
sedikit
Laki-laki
cukup
murah
upper
body
sedang sekunder
cukup
Laki-laki
Murah
Tabel 3.19 Atribut Rekomendasi Pengguna Lama (Lanjutan)
id-User
Sku
ID-9OCWH
ID-SRRDTS
Kategori
Model
Warna
Motif
Jenis
Kelamin
Harga
upper
body
sedang
primer
cukup
Laki-laki
cukup
murah
76
ID-10OCWH
ID-11OCWH
ID-DKBWPTS
IDTOCWHRDTS
lower
body
upper
body
tinggi
tersier
rendah primer
cukup
Laki-laki
sangat
mahal
sedikit
Laki-laki
cukup
murah
Berdasarkan data atribut rekomendasi pengguna lama tersebut,
maka akan dilihat bagaimana kedekatan atau kesamaan antara pengguna
baru dengan pengguna lama berdasarkan kedekatan atribut atau karakter
dari pakaian yang di sukai oleh pengguna.
Langkah berikutnya adalah menghitung nilai similarity antara user
baru dengan user lama. Maka akan ditentukan terlebih dahulu nilai dari
kedekatan setiap atribut dan bobotnya. Menghitung kedekatan user baru
dengan user no. ID-2-OCWH :
a. Kedekatan nilai atribut kategori : upper body dengan upper
body = 1
b. Bobot atribut kategori = 1
c. Kedekatan nilai atribut model : sedang dengan rendah = 0.75
d. Bobot atribut model = 0.8
e. Kedekatan nilai atribut warna : netral dengan netral = 1
f. Bobot atribut warna = 0.8
g. Kedekatan nilai atribut motif : cukup dengan sedikit = 0.75
h. Bobot atribut motif = 0.6
i. Kedekatan
nilai
atribut
jenis
perempuan = 0.5
j. Bobot atribut jenis kelamin = 1
kelamin
:
laki-laki
dengan
77
k. Kedekatan nilai atribut harga : cukup murah dengan murah = 0.8
l. Bobot atribut harga = 0.8
Tabel 3.20 Kedekatan Antar Pengguna
Id-User
ID-2-OCWH
ID-3-OCWH
ID-4-OCWH
ID-5-OCWH
ID-6-OCWH
ID-7-OCWH
ID-8-OCWH
ID-9-OCWH
ID-10-OCWH
ID-11-OCWH
Kategori
1
1
1
1
1
0.5
1
1
0.5
0.5
Model
0.75
0.75
1
1
0.75
0.75
1
1
0.75
0.75
Warna
1
0.8
0.6
0.8
1
0.6
0.6
0.2
0.8
0.2
Motif
0.75
1
0.75
1
0.75
0.75
1
1
1
0.75
Jenis Kelamin
0.5
1
1
1
1
1
1
1
1
1
Harga
0.8
1
1
1
1
1
0.8
1
0.6
1
Setelah diketahui hasil kedekatan antar pengguna lama dengan
pengguna baru, kemudian dihitung nilai kedekatannya seperti berikut.
Similarity (t,s) =
=
=
=
Di atas adalah nilai hasil kedekatan dari antara pengguna baru
dengan pengguna dengan Id-user ID-2-OCWH, untuk melihat hasil
kedekatan pengguna yang lain dapat dilihat tabel 3.21.
Tabel 3.21 Hasil Nilai kedekatan
78
Id-User
ID-2-OCWH
ID-3-OCWH
ID-4-OCWH
ID-5-OCWH
ID-6-OCWH
ID-7-OCWH
ID-8-OCWH
ID-9-OCWH
ID-10-OCWH
ID-11-OCWH
Kedekatan * Bobot
3.99
4.64
4.53
4.84
4.65
3.83
4.52
4.36
3.82
3.51
Total Bobot
5
5
5
5
5
5
5
5
5
5
Hasil
0.798
0.928
0.906
0.968
0.93
0.766
0.904
0.872
0.764
0.702
Dari tabel diatas akan di ambil dari 5 nilai kedekatan terbesar,
kedekatan terbesar antara pengguna baru dengan pengguna lama di
antaranya adalah pengguna dengan Id-user ID-3-OCWH, ID-4-OCWH, ID5-OCWH, ID-6-OCWH, dan ID-8-OCWH. Berdasarkan hasil kedekatan
antar pengguna tersebut akan di ambil data history pembelian pakaian
yang telah dilakukan oleh pengguna dan akan dijadikan kandidat pakaian
yang akan direkomendasikan, kemudian di cari hasil peratingan dengan
menggunakan metode collaborative filtering. Berikut adalah data history
pembelian pakaian pengguna dari hasil perhitungan dengan metode
content based filtering.
Tabel 3.22 History Pembelian Pakaian Pengguna Rekomendasi
Id-User
ID-3-OCWH
ID-4-OCWH
Sku
ID-SEPK-BG
ID-CGSTBW-SP
ID-DKALNT-TS
ID-OLCBD-TS
79
ID-5-OCWH
ID-6-OCWH
ID-7-OCWH
ID-8-OCWH
ID-CGSTBW-SP
ID-SPLG-TS
ID-HOHLS-TS
ID-BSBOWCH-TS
ID-DODHC-TS
ID-BXARBC-SP
ID-BHTD-TS
Jika dalam dalam history pakaian yang akan di rekomendasikan
memiliki kesamaan pembelian maka akan dijadikan satu, misalkan
pembelian oleh pengguna dengan id-user ID-3-OCWH dengan pembelian
pakaian ID-CGSTBW-SP dan id-user ID-5-OCWH dengan pembelian
pakaian ID-CGSTBW-SP. Berikut ini adalah data kandidat pakaian yang
akan direkomendasikan dengan proses perhitungan metode collaborative
filtering.
Tabel 3.23 Kandidat Pakaian Rekomendasi
Sku
ID-SEPK-BG
ID-CGSTBW-SP
ID-DKALNT-TS
ID-OLCBD-TS
ID-SPLG-TS
ID-HOHLS-TS
ID-BSBOWCH-TS
ID-DODHC-TS
ID-BXARBC-SP
ID-BHTD-TS
Total Transaksi
9
10
8
10
7
8
6
20
10
10
Proses hitung pakaian rekomendasi berdasarkan rating untuk
setiap item yang akan direkomendasikan :
ID-SEPK-BG =
80
=
=
Di atas merupakan proses perhitungan nilai rekomendasi pakaian
ID-SEPK-BG, untuk produk-produk rekomendasi lainnya dapa dilihat pada
tabel 3.24.
Tabel 3.24 Hasil Rekomendasi
Sku
ID-DODHC-TS
ID-SEPK-BG
ID-CGSTBW-SP
ID-OLCBD-TS
ID-BXARBC-SP
ID-BHTD-TS
ID-DKALNT-TS
ID-SPLG-TS
ID-HOHLS-TS
ID-BSBOWCH-TS
Nilai Rekomendasi
100
60
60
60
60
60
40
40
40
40
Hasil rekomendasi dengan nilai 5 tertinggi akan dijadikan
rekomendasi
kepada
pengguna
dan
ditampilkan
pada
halaman
rekomendasi. Dari tabel 3.24 produk yang akan di rekomendasikan adalah
ID-DODHC-TS, ID-SEPK-BG, ID-CGSTBW-SP, ID-OLCBD-TS, dan IDBXARBC-SP.
Namun berdasarkan rekomendasi yang telah diberikan pengguna
masih kurang yakin dengan barang yang akan di beli. Maka pengguna
membutuhkan sistem yang dapat mendukung keputusan pembelian
81
berdasarkan
keadaan
saat
ini,
sehingga
pengguna
melakukan
perhitungan pembobotan pada pakaian yang telah di rekomendasi.
Tabel 3.25 Data Pakaian Pembobotan
Sku
ID-SEPK-BG
ID-CGSTBW-SP
ID-OLCBD-TS
ID-DODHC-TS
ID-BXARBC-SP
Model
Sedang
Sedang
Sedang
Tinggi
Rendah
Warna
Tersier
Tersier
sekunder
Netral
sekunder
Motif
cukup
cukup
sedikit
banyak
sedikit
Harga
cukup murah
mahal
cukup murah
cukup murah
cukup murah
Berdasarkan data tabel 3.25 untuk setiap kriteria perlu di rubah
dalam bentuk bilangan fuzzy agar dapat memudah dalam menghitung dari
setiap produk yang akan di jadikan alternatif.
Tabel 3.26 Konversi Nilai Fuzzy Dari Kriteria
Alternatif
A1
A2
A3
A4
A5
C1
0.666
0.666
0.333
1
0.333
Kriteria
C2
C3
0.75
0.666
0.75
0.666
0.5
0.333
1
1
0.5
0.333
C4
0.5
0.75
0.5
0.5
0.5
Ubah data rating setiap kriteria ke dalam bentuk matriks keputusan
X seperti berikut.
0.666
0.75 0,666
0.5
0.666
0.75 0.666
0.75
82
X=
0.333
1
0.5
1
0.333 0.5
0.333
0.5
1
0.5
0.333
0.5
Langkah selanjutnya pengguna telah menentukan bobot dari
pakaian yang akan dibeli sebagai berikut.
Tabel 3.27 Bobot Pakaian
Kriteria
Model
Warna
Motif
Harga
Bobot
Rendah
Sangat Tinggi
Tengah
Tinggi
Nilai
0.2
1
0.6
0.8
Menormalisasi matriks X menjadi matriks R berdasarkan satu
persamaan. Untuk model pakaian termasuk ke dalam atribut keuntungan
(benefit), karena semakin besar nilai di anggap semakin baik.
r11
= 0.666
r21
= 0.666
r31
= 0.333
r41
=1
83
r51
= 0.333
untuk setiap matrik perlu dilakukan normalisasi untuk menentukan
nilai kriteria pada setiap alternatif lebih mudah, berikut merupakan hasil
normalisasi setiap kriteria.
R=
0.666
0.75 0,666
0.666
0.75 0.666
0.333
0.5
1
Setelah
proses
konversi
0.667
0.333
1
1
1
0.333
1
1
0.333 0.5
1
dan
normaliasi
selesai,
perangkingan terhadap setiap alternatif sebagai berikut.
V1 = (0.2) (0.666) + (1) (0.75) + (0.6) (0.666) + (0.8) (1)
= 0.133 + 0.75 + 0.4 + 0.8
= 2.0828
V2 = (0.2) (0.666) + (1) (0.75) + (0.6) (0.666) + (0.8) (0.667)
= 0.133 + 0.75 + 0.4 + 0.533
= 1.8161
V3 = (0.2) (0.333) + (1) (0.5) + (0.6) (0.333) + (0.8) (1)
= 0.067 + 0.5 + 0.2 + 0.8
= 1.5664
V4 = (0.2) (1) + (1) (1) + (0.6) (1) + (0.8) (1)
melakukan
84
= 0.2 + 1 + 0.6 + 0.8
= 2.6
V5 = (0.2) (0.333) + (1) (0.5) + (0.6) (0.333) + (0.8) (1)
= 0.067 + 0.5 + 0.2 + 0.8
= 1.5664
Nilai terbesar ada pada V 4 sehingga alternatif A4 (ID-DODHC-TS)
adalah yang terpilih sebagai alternatif terbaik. Sehingga menjadi pilihan
pengguna untuk pakaian yang akan di beli.
Tabel 3.28 Ranking Pakaian
Rangking
1
2
3
4
5
Id Produk
ID-DODHC-TS
ID-SEPK-BG
ID-CGSTBW-SP
ID-OLCBD-TS
ID-BXARBC-SP
Nilai Akhir
2.6000
2.0828
1.8161
1.5664
1.5664
3.7 Context Diagram (Level 0)
Desain secara global atau konsep dasar dari sebuah desain sistem
yang akan dibangun dan dilambangkan dengan sebuah diagram. Dari
desain ini akan dapat dilihat pihak yang terkait dalam sistem maupun
proses-proses yang terjadi pada sistem yang akan dibuat. Dapat dilihat
pada gambar 3.6 sebagai berikut.
85
Setup Data User
Setup Data Pakaian
Administrator
Setup Pemesanan
Login
0
Login
SPK (Rekomendasi
Pakaian)
Setup Page
Register
Setup Pembelian Pakaian
+
Laporan Pemesanan
User (Pembeli)
Sistem Rekomendasi Pakaian
Setup Perangkingan Pembelian
Gambar 3.6 Context Diagram
3.8 Data Flow Diagram (Level 1)
Sebuah gambaran yang lebih detail atau pengembangan dari
context diagram (CD). Jadi dalam proses ini dapat terlihat lebih jelas dari
setiap proses-proses yang ada pada context diagram (CD) dan akan di
perluas lagi. Berdasarkan sistem yang akan dibangun data flow diagram
ini terdapat 10 Subprocess sistem, dan 10 Subprocess tersebut dapat
dilihat pada gambar 3.7.
86
[Login]
User
(Pembeli)
1
Login
tb_user
Data User
+
Administrator
[Login]
2
Administrator
[Setup Data Pakaian]
Setup Data
Pakaian
tb_pakaian
Data Pakaian
+
3
Administrator
[Setup Data User]
Setup Data
User
Data User
+
4
Administrator
[Setup Pemesanan]
Setup
Pemesanan
tb_transaksi
Data Pemesanan
+
5
Administrator
[Setup Page]
Setup Page
tb_page
Data Page
+
6
User
(Pembeli)
[Register]
Register
Data Register
+
7
User
(Pembeli)
[Setup Pembelian Pakaian]
Data Pakaian
Setup
Pembelian
Data Pembelian
+
8
User
(Pembeli)
[Sistem Rekomendasi Pakaian]
Setup
Rekomendasi
Pakaian
+
Data User
Data Transaksi
Hasil Rekomendasi
tb_rekomendasi
9
User
(Pembeli)
[Setup Perangkingan Pembelian]
Setup
Perangkingan
Pakaian
Data Pakaian
Data Pakaian
Data Perangkingan
+
Setup Data Laporan
Administrator
[Laporan Pemesanan]
tb_rangking
10
Laporan
Pemesanan
+
Gambar 3.7 Data Flow Diagram
Data Rekomendasi
Data Transaksi
87
3.8.1 Subproccess Login (Level 2)
1.3
Administrator
Admin Page
[Login]
1.2
1.1
Akses User
Username & password
Admin Login
Authenticatio
n
Entry Data
User Login
Data Invalid
User
(Pembeli)
[Data User]
1.4
[Login]
User Page
tb_user
Gambar 3.8 Subprocces Login
Subproccess login level 2 menjelaskan tentang 2 jenis Login yaitu
administrator dan user (pembeli). Jadi ketika pengguna melakukan login
memasuki 2 jenis halaman berbeda sesuai dengan jenis akses pengguna
tersebut.
3.8.2 Subproccess Setup Data Pakaian (Level 2)
Data Baru
2.1
2.2
Entry Data
Pakaian
Insert Data
Pakaian
Simpan Data
[Data Pakaian]
Cari Data Pakaian
tb_pakaian
Update Data
2.8
Update
Data
Pakaian
2.6
Administrator
2.4
[Setup Data Pakaian]
Data Invalid
Cari Data
Pakaian
Delete Data
Pakaian
Data Valid
Delete Data
Data Baru
2.5
Tampilkan
Data
Hapus Data
Proses Data
2.7
2.3
Edit Data
Data
Pakaian
Entry Data
Baru
ID Pakaian
Edit Data
Gambar 3.9 Subproccess Setup Data Pakaian
88
Subproccess Setup Data Pakaian level 2 ini menjelaskan bagaiman
proses administrator dalam melakukan entry data pakaian, dalam proses
entry data pakaian ini terdapat proses insert, update, dan delete.
3.8.3 Subproccess Setup Data User (Level 2)
Data Baru
3.1
3.2
Entry Data
User
Insert Data
User
Simpan Data
[Data User]
3.8
Cari Data User
tb_user
Update Data
3.6
3.4
Administrator
[Setup Data User]
Data Invalid
Cari Data
User
Update
Data User
Data Valid
Delete Data
Delete Data
User
Data Baru
Hapus Data
3.5
Tampilkan
Data
3.3
Edit Data
Proses Data
3.7
Data User
ID User
Edit Data
Entry Data
Baru
Gambar 3.10 Subproccess Setup Data User
Subproccess Setup Data User level 2 ini berfungsi untuk
administrator jika ingin membuat pengguna baru maupun melakukan
perubahan data pengguna. Pada subprosecces setup data user ini juga
terdapat proses insert, update, dan delete.
89
3.8.4 Subproccess Setup Pemesanan (Level 2)
4.2
4.3
Pilih Data
Pemesanan
Eksekusi
Pemesanan
4.1
Konfirmasi
View Data
Pemesanan
Tampilkan Data
Proses Data
Update Data
Cari Data Pemesanan
4.4
tb_transaksi
Administrator
4.6
Cari Data Pemesanan
[Setup Pemesanan]
Cari Data
Pemesanan
Data Invalid
Data Valid
4.7
4.5
Tampilkan
Data
Data
Pemesanan
Lihat Data
Update data
Pemesanan
[Data Pemesanan]
Kategori Data
Gambar 3.11 Subproccess Setup Pemesanan
Subproccess Setup Data Pemesanan level 2 ini berfungsi untuk
administrator jika ingin melakukan konfirmasi pembelian yang telah
dilakukan oleh user atau melihat data transaksi.
3.8.5 Subproccess Setup Page (Level 2)
Data Baru
5.1
5.2
Entry Data
Page
Insert Data
Page
Simpan Data
[Data Page]
5.8
Cari Data Page
tb_page
Update Data
Administrator
5.6
5.4
[Setup Page]
Data Invalid
Cari Data
Page
Update
Data Page
Data Valid
Delete Data
Delete Data
Page
Data Baru
5.5
Tampilkan
Data
Hapus Data
Proses Data
5.7
5.3
Edit Data
Data Page
ID Page
Edit Data
Gambar 3.12 Subproccess Setup Page
Entry Data
Baru
90
Subproccess Setup Page level 2 ini berfungsi untuk mengolah
halaman depan . Pada subproccess page ini hanya dapat digunakan oleh
pengguna dengan level user sebagai administrator saja.
3.8.6 Subproccess Register (Level 2)
6.1
User
(Pembeli)
[Register]
Entry Data
6.2
6.3
Cek Data
Entry Data
User
Data valid
Simpan Data
Data Invalid
Cari Data User
6.4
Insert Data
User
[Data Register]
tb_user
Gambar 3.13 Subproccess Register
Subproccess Setup Register level 2 ini di peruntukan bagi
pengguna yang ingin membuat akun baru, dan pada sistem ini ada
authentication user sehingga tidak akan ada user yang sama.
3.8.7 Subproccess Setup Pembelian (Level 2)
Data Baru
7.1
7.2
7.3
Tampilkan
Data Pakaian
Pilih
Pakaian
Keranjang
Belanja
Detail Pakaian
Simpan Data Pilihan
Proses Data
[Data Pakaian]
Pencarian Pakaian
tb_pakaian
Check Out
User
(Pembeli)
7.4
[Setup Pembelian Pakaian]
7.5
Proses Beli
Simpan Data
Check Out
Edit Data
7.6
7.7
Keranjang
Belanja
Pilih
Pakaian
Detail Pakaian
[Data Pembelian]
7.8
Delete Data
Keranjang
Belanja
Proses Data
Edit Data
Insert Data
Transaksi
Hapus Data
Gambar 3.14 Subproccess Setup Pembelian
tb_transaksi
91
Subproccess Setup Pembelian level 2 ini adalah proses untuk
melakukan transaksi yang dilakukan oleh pengguna. Dijelaskan pada
proses di atas user dapat melakukan belanja dengan menggunakan
keranjang belanja, sehingga user akan nyaman dalam melakukan
pembelian barang.
3.8.8 Subproccess Setup Rekomendasi Pakaian (Level 2)
tb_user
[Data User]
8.1
User
(Pembeli)
[Sistem Rekomendasi Pakaian]
8.3
Hitung
Kedekatan
User (NN)
8.2
Ambil Data User
Load Data
User
Cek User
Login
Data Invalid
Data Invalid
8.4
Hasil
Perhitungan
(NN)
Hasil Kedekatan User
Count Data Transaksi
tb_transaksi
Cari Data Transaksi
[Data Transaksi]
8.5
Load Data
History
Pembelian
Cek Kesamaan Transaksi
8.6
Cleaning
Data
Transaksi
8.10
Hitung
Rating
Proses Rating
Pakaian Rekomendasi
tb_pakaian
[Hasil Rekomendasi]
tb_rekomendasi
8.7
8.11
Insert Data
Rekomendasi
Hasil
Perhitungan
(Rating)
Simpan Data
Data Rekomendasi
8.8
8.9
[Data Pakaian]
Compare
Data
Pakaian Rekomendasi
Tampilkan
Data
Rekomendasi
Gambar 3.15 Subproccess Setup Rekomendasi Pakaian
Subproccess Setup Rekomendasi Pakaian level 2, pada proses ini
menjelaskan bagaimana sistem akan melakukan rekomendasi pakaian
92
terhadap user. Dimana dalam proses tersebut di jelaskan bagaimana
dengan perhitungan dengan metode
content based filtering dan
collaborative filtering.
3.8.9 Subproccess Setup Perangkingan Pakaian (Level 2)
tb_pakaian
tb_rekomendasi
[Data Rekomendasi]
[Data Pakaian]
9.1
User
(Pembeli)
[Setup Perangkingan Pembelian]
Load Data
Rekomendasi
Compare Data
9.2
9.3
Cari Data
Pakaian
Tampilkan
Data
Pencarian Selesai
Proses Seleksi
9.5
Hitung Data
(SAW)
9.4
Proses Data
Entry Data
Bobot
Simpan Data
9.6
tb_rangking
[Data Perangkingan]
Insert Data
Perangkingan
View Data
9.7
Hasil Perangkingan
Tampilkan
Data
Perangkingan
Gambar 3.16 Subproccess Setup Perangkingan Pakaian
Subproccess Setup Perangkingan Pakaian level 2 dalam proses ini
dijelaskan bagaimana dari hasil pakaian rekomendasi akan dilakukan
perangkingan agar mudah dalam memutuskan pakaian yang akan di beli
dengan menggunakan metode simple additive weighting.
93
3.8.10 Subproccess Setup Data Laporan (Level 2)
tb_transaksi
[Data Transaksi]
Administrator
[Setup Data Laporan]
10.1
10.2
10.3
Entry Data
Laporan
Cari Data
Transaksi
Tampilkan &
Cetak Data
Kategori Laporan
Hasil Laporan
[Laporan Pemesanan]
Administrator
Gambar 3.17 Subproccess Setup Data Laporan
Subproccess Setup Data Laporan level 2, pada proses ini
merupakan proses pencetakan data transaksi. Dan pada pencetakan data
transaksi ini ada kategori laporan yang akan di cetak, jadi pihak
administrator akan lebih mudah dalam menampilkan laporan transaksi.
3.9 Entity Relationship diagram
Entity relationship diagram merupakan permodelan dari struktur data
dan hubungan data dari sistem yang akan dibuat. Digambarkan dengan
beberapa
notasi
dan
simbol
untuk
dapat
mempermudah
dalam
pembentukan database. Entity relationship diagram sistem rekomendasi
pakaian ini terdapat beberapa tabel yaitu tabel page, tabel pakaian, tabel
rangking, tabel rekomendasi, tabel transaksi, dan tabel user dapat dilihat
pada gambar 3.18.
94
TB_TRANSAKSI
ID
int
ID_TRANSAKSI
text
ID_USER
varchar(50)
ID_PAKAIAN
varchar(50)
JUMLAH
int
TANGGAL
datetime
STATUS
text
TB_PAKAIAN
ID_PAKAIAN
varchar(50)
NAMA
text
TANGGAL
datetime
HARGA
float
BERAT
int
KATEGORI
varchar(50)
MODEL
varchar(50)
WARNA
varchar(50)
MOTIF
varchar(50)
JENIS_KELAMIN
varchar(50)
HARGA_RC
varchar(50)
ID_PAKAIAN = ID_PAKAIAN
ID_PAKAIAN = ID_PAKAIAN
ID_USER = ID_USER
TB_USER
ID_USER
varchar(50)
NAMA_DEPAN
text
NAMA_BELAKANG
text
text
TANGGAL_LAHIR
datetime
PASSWORD
text
KELAMIN
varchar(50)
ROLE
int
TELPON
text
ALAMAT
int
KOTA
text
PROVINSI
text
ID_PAKAIAN = ID_PAKAIAN
TB_REKOMENDASI
ID_REKOMENDASI
text
ID_USER
varchar(50)
ID_PAKAIAN
varchar(50)
TANGGAL
datetime
STATUS
text
ID_USER = ID_USER
ID_USER = ID_USER
ID_USER = ID_USER
TB_PAGE
ID_PAGE
int
ID_USER
varchar(50)
NAMA
text
CONTENT
text
TANGGAL
datetime
KATEGORI_PAGE
varchar(50)
JENIS_PAGE
varchar(50)
TB_RANGKING
ID_RANGKING
text
ID_USER
varchar(50)
ID_PAKAIAN
varchar(50)
NILAI
float
TANGGAL
datetime
STATUS
text
Gambar 3.18 Entity Relationship Diagram
Berikut ini adalah perancangan database pada aplikasi sistem
rekomendasi pakaian adalah sebagai berikut.
Tabel 3.28 Page
Field
ID_PAGE
ID_USER
NAMA
CONTENT
TANGGAL
KATEGORI_PAGE
JENIS_PAGE
Type
int
varchar(50)
text
text
datetime
varchar(50)
varchar(50)
Keterangan
Primary Key
95
Tabel 3.29 Pakaian
Field
ID_PAKAIAN
NAMA
TANGGAL
HARGA
BERAT
KATEGORI
MODEL
WARNA
MOTIF
JENIS_KELAMIN
HARGA_RC
Type
varchar(50)
text
datetime
float
Int
varchar(50)
varchar(50)
varchar(50)
varchar(50)
varchar(50)
varchar(50)
Keterangan
Primary Key
Tabel 3.30 Ranking
Field
ID_RANGKING
ID_USER
ID_PAKAIAN
NILAI
TANGGAL
STATUS
Type
Text
varchar(50)
varchar(50)
float
datetime
Text
Keterangan
Primary Key
Tabel 3.31 Rekomendasi
Field
ID_REKOMENDASI
ID_USER
ID_PAKAIAN
TANGGAL
STATUS
Type
text
varchar(50)
varchar(50)
datetime
text
Keterangan
Primary Key
Tabel 3.32 Transaksi
Field
Type
ID
ID_TRANSAKSI
ID_USER
ID_PAKAIAN
JUMLAH
TANGGAL
STATUS
Int
Text
varchar(50)
varchar(50)
Int
datetime
Text
Keterangan
Primary Key
96
Tabel 3.33 User
Field
ID_USER
NAMA_DEPAN
NAMA_BELAKANG
TANGGAL_LAHIR
PASSWORD
KELAMIN
ROLE
TELPON
ALAMAT
KOTA
PROVINSI
Type
varchar(50)
text
text
text
datetime
text
varchar(50)
int
text
int
text
text
Keterangan
Primary Key
3.10 Perancangan Desain Interface
3.10.1 Halaman Rekomendasi
Halaman rekomendasi merupakan tampilan untuk pengguna akan
membeli produk pakaian. Item rekomensi akan muncul ketika pengguna
sudah melakukan login.
HEADER
MENU
ITEM REKOMENDASI
PRODUCT
FOOTER
Gambar 3.19 Halaman Rekomendasi
97
3.11 Halaman Perhitungan SAW
Halaman perhitungan SAW ini merupakan halaman yang digunakan
membantu memutuskan pakaian yang akan dibeli oleh pengguna
berdasarkan hasil rekomendasi pakaian yang telah diberikan.
HEADER
MENU
NILAI BOBOT
HASIL PERANGKINGAN
PROSES
FOOTER
Gambar 3.20 Halaman Perhitungan SAW