Penerapan Data Mining Dalam Pemaketan Produk Menggunakan Metode Association Rules Di Primer Koperasi Dharmagati Siliwangi Bekangdam III Siliwangi

BIODATA PENULIS

Nama Lenkap Saniargi Sofyan

NIM 10112127

Jenis Kelamin Laki-laki

Tempat, Tanggal Lahir Bandung, 3 Februari

Agama Islam

Status Mahasiswa

Alamat Jalan Srigading No.10 RT/RW 05/04 Kelurahan Merdeka Kecamatan Sumur Bandung Kota Bandung

No.Telp 085721028517

E-mail saniargisofyan@gmail.com

PENDIDIKAN FORMAL

1998 – 1999 TK Kartika Chandra Kirana, Kota Bandung 1999 - 2005 SDN Soka 34 Bandung, Kota Bandung 2005 - 2008 SMPN 4 BANDUNG, Kota Bandung 2008 - 2011 SMA Al –Ma’soem, Kabupaten Sumedang 2012 - Sekarang UNIVERSITAS KOMPUTER INDONESIA

SKRIPSI

Diajukan untuk Menempuh Ujian Akhir Sarjana

SANIARGI SOFYAN

10112127

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN ILMU KOMPUTER

UNIVERSITAS KOMPUTER INDONESIA

2016

iii

KATA PENGANTAR

Assalamu’alaikum wr.wb,

Alhamdulillahi Rabbil alamiin, segala puji dan syukur Penulis panjatkan kepada Allah SWT atas berkat, rahmat, taufik dan hidayah-Nya, penyusunan skripsi yang berjudul “PENERAPAN DATA MINING DALAM PEMAKETAN PRODUK MENGGUNAKAN METODE ASSOCIATION RULE DI PRIMER KOPERASI DHARMAGATI SILIWANGI BEKANGDAM III SILIWANGI” dapat diselesaikan dengan baik. Tugas akhir ini disusun sebagai salah satu syarat dalam menyelesaikan studi jenjang strata satu (S1) di Program Studi Teknik Informatika Universitas Komputer Indonesia.

Dalam proses penyusunan Tugas Akhir ini banyak hal atau pihak yang telah memberikan dukungan sehingga Tugas Akhir ini dapat terselesaikan. Banyak pihak yang tak mungkin Penulis sebutkan satu persatu, namun dengan segala kerendahan hati, Penulis mengucapkan terima kasih kepada :

1. Allah SWT yang telah memberikan rahmat dan hidayah-Nya kepada Penulis sehingga dapan menyelesaikan Tugas Akhir dengan baik.

2. Kedua orang tua Penulis, Heri Ruhiyat dan Empat Fatonah yang tidak pernah berhenti mendoakan dan memberikan semangat, perhatian, dukungan sepenuhnya, dan kasih sayang.

3. Ibu Dian Dharmayanti, S.T., M.Kom. selaku dosen pembimbing serta dosen penguji 2 yang telah memberikan arahan, nasihat, motivasi kepada penulis selama penyusunan skripsi.

4. Bapak Kapten Agus Gunawan yang telah mengizinkan penulis untuk melakukan penelitian di Primer Koperasi Kartika.

5. Bapak Adam Mukharil Bachtiar, S.Kom., M.T. selaku dosen penguji 1 yang telah memberikan saran serta kritiknya dalam penyusunan skripsi ini.

iv bantuan dan masukkan untuk penulis.

8. Kepada Idham Nugraha, M. Sandy, Wildan Fauzan, Dede Herdiana, Zaki Ichbar dan teman-teman angkatan 2012 lainnya khususnya kelas IF-4 atas dukungan dan kebersamaannya.

9. Kepada teman-teman satu bimbingan Ibu Dian Dharmayanti, S.T., M.Kom. atas dukungan dan kebersamaannya untuk penulis dalam menyelesaikan skripsi ini.

Dan semua pihak yang tidak bisa Penulis tuliskan satu persatu. Penulis menyadari bahwa Tugas Akhir ini masih memiliki banyak sekali kekurangan baik dalam hal penulisan, cara penyusunan maupun pengkajian sehingga masih jauh dari sempurna. Oleh karena itu, Penulis sangat terbuka untuk menerima segala kritik dan saran untuk menyempurnakan tugas akhir ini. Akhir kata Penulis mengharapkan semoga skripsi yang disusun ini menjadi sumber ilmu pengetahuan yang bermanfaat untuk bangsa dan negara.

Bandung, Agustus 2016

v

DAFTAR ISI

ABSTRAK ... i

ABSTRACT ... ii

KATA PENGANTAR ... iii

DAFTAR ISI ... v

DAFTAR GAMBAR ... viii

DAFTAR TABEL ... x

DAFTAR SIMBOL ... xii

DAFTAR LAMPIRAN ... xiv

BAB 1 PENDAHULUAN ... 1

1.1 Latar belakang ...1

1.2 Rumusan Masalah ...2

1.3 Maksud dan Tujuan ...3

1.3.1 Maksud ... 3

1.3.2 Tujuan ... 3

1.4 Batasan Masalah ...3

1.5 Metodelogi Penelitian ...3

1.5.1 Metode Pengumpulan Data ... 4

1.5.2 Metode Pembangunan Data Mining... 4

1.6 Sistematika Penulisan ...6

BAB 2 TINJAUAN PUSTAKA ... 9

2.1 Profil Instansi ...9

2.1.1 Sejarah Primer Koperasi Kartika ... 9

2.1.2 Logo ... 10

vi

2.2.3 Database Management System ... 16

2.2.4 Data Mining ... 16

2.2.5 Cross- Industry Standard Process for Data Mining (CRISP- DM) ... 20

2.2.6 Association Rule ... 23

2.2.7 Algoritma FP-Growth ... 26

2.2.8 Unified Modeling Language (UML) ... 29

BAB 3 ANALISIS DAN PERANCANGAN SISTEM ... 31

3.1 Analisis Sistem …...31

3.1.1 Analisis Masalah ... 31

3.1.2 Analisis Penerapan Data Mining ... 31

3.1.3 Analisis Kebutuhan Non Fungsional ... 56

3.1.4 Analisis Kebutuhan Fungsional ... 58

3.2 Perancangan Sistem …...76

3.2.1 Perancangan Class ... 77

3.2.2 Perancangan Data ... 81

3.2.3 Perancangan Struktur Menu ... 85

3.2.4 Perancangan Antar Muka ... 86

3.2.5 Perancangan Pesan ... 88

3.2.6 Jaringan Semantik ... 89

BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM ... 91

4.1 Implementasi Sistem …...91

vii

4.1.2 Perangkat Lunak yang Digunakan ... 92

4.1.3 Implementasi Basis Data ... 92

4.1.4 Implementasi Antar Muka... 94

4.2 Pengujian Sistem ...95

4.2.1 Developer Testing ... 95

4.2.2 Pengujian Beta ... 98

4.2.3 Pengujian Hasil ... 99

BAB 5 KESIMPULAN DAN SARAN ... 103

5.1 Kesimpulan …...103

5.2 Saran …...103

105

Daftar Pustaka

[1] I. Sommerville, Software Engineering, Edisi 6, Jakarta: Erlangga, 2003. [2] Larose D, T., 2005, Discovering knowledge in data : an introduction to data mining, Jhon Wiley & Sons Inc.

[3] Jiawei, Han, Jian Pei, Yiwen Yin. 2004. Mining Frequent Patterns without Candidate Generation. Netherlands: Kluwer Academic Publishers

[4] B. Liu, Sentiment Analysis and Opinion Mining, Morgan & Claypool Publisher, 2012.

[5] R. W. Pate Chapman, 2000. [Online]. Available: http://the- modeling-agency.com/crisp-dm.pdf. [Diakses 18 Maret 2016].

[6] F. A. Hermawati, Data Mining. Surabaya: Penerbit Andi, 2009. [7] Fathansyah, Basis Data. Informatika, 2015.

[8] R. Ramakrishnan dan J. Gehrke, Database Management System Third Edition, Singapore, 2003.

[9] J. Han and M. Kamber, Data Mining : Concept and Techniques, 2nd ed. San Fransisco: Morgan Kauffman, 2006.

[10] B. Susanto, “Data Preprocessing,” Versi 1.2, 2013.

[11] B. Santoso, Data Mining: Teknik Pemanfaatan Data Untuk Keperluan Bisnis, Yogyakarta: Graha Ilmu, 2007.

[12] W. A. Triyanto, V. Suhartono dan H. Himawan, “Analisis Keranjang Pasar Menggunakan K-Medoids Dan FP-Growth,” Jurnal Pseudocode,ISSN 2355 - 5920, vol. 2, 2014.

[13] A. Nugroho, Rekayasa Perangkat Lunak Berorientasi Objek dengan Motode USDP, Yogyakarta: Andi, 2010.

[14] K. and E. T. Luthfi, Algoritma Data Mining, Andi, 2009.

[15] D. T. Larose, DATA MINING METHODS AND MODELS, New Jersey: John Wiley & Sons, Inc, 2006.

[16] Han & Kamber. (2006). Data Mining Concepet And Technique Second Edition. San Fransisco: TheMorgan Kaufmann.

1

BAB 1 PENDAHULUAN

1.1Latar belakang

Primer Koperasi Kartika merupakan sebuah unit usaha yang bergerak di bidang waralaba swalayan yang menjual berbagai macam sembako untuk kebutuhan sehari-hari. Dalam kegiatan operasionalnya, Primer Koperasi Kartika biasa menjual barang-barang sembako kepada pelanggan umum ataupun anggota Bekangdam III / Siliwangi. Untuk meningkatkan angka penjualan, Primer Koperasi Kartika melakukan Pemaketan pada produk yang dijual dengan harapan banyak pelanggan yang akan membeli paket tersebut. Setiap produk yang laku terjual, Primer Koperasi Kartika biasanya mencatat data transaksi penjualannya ke dalam database.

Dari hasil wawancara dengan salah satu pengurus Primer Koperasi Kartika diketahui bahwa dari banyaknya produk paket yang ditawarkan hanya sedikit produk paket yang dibeli oleh pelanggan umum ataupun oleh anggota Bekangdam III / Siliwangi karena kombinasi produk yang dijual dalam satu paket kurang diminati oleh pelanggan karena dipaket yang sebelumnya pihak koperasi menentukannya berdasarkan jenis barang, dengan terjadinya hal tersebut maka berpotensi timbul pemikiran dari pelanggan bahwa membeli produk biasa yang bukan dalam bentuk paket akan lebih berguna karena sesuai dengan keinginan. Pengurus Koperasi mengira bahwa hal ini terjadi akibat tidak adanya aturan dalam menentukan produk apa saja yang akan dijual secara paket dan tidak adanya analisis yang dilakukan terhadap data yang terus bertambah dan tersimpan dalam database untuk mendapatkan informasi. Oleh karena itu, pihak Koperasi ingin adanya pengolahan data lebih lanjut dan mendalam untuk menemukan informasi baru yang berguna sebagai bahan pertimbangan dalam proses penjualan sehingga di kemudian hari pihak Koperasi memiliki pertimbangan dalam menentukan produk apa saja yang akan dijual dalam satu paket.

Hasil pengamatan dari data transaksi penjualan yang ada sebelumnya hingga sekarang, ternyata tiap data transaksi memiliki pola data atau memiliki keterkaitan

antara satu data dengan data yang lain yang mirip dalam data transaksi penjualan yang menunjukan bahwa terjadi pembelian produk yang berulang. Untuk mendapatkan informasi tersebut secara lebih cepat dan efisien perlu kiranya suatu bantuan teknologi informasi, dalam hal ini yaitu Data Mining [1]. Target data yang akan dilakukan Data Mining adalah data penjualan di Primer Koperasi Kartika. Data Mining adalah suatu proses menemukan hubungan yang berarti, pola dan kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan, dengan menggunakan teknik pengenalan pola seperti teknik statistik dan matematika [2] . Dalam data mining terdapat beberapa metode yaitu prediksi, klasifikasi, pengklusteran, dan asosiasi. Salah satu metode yang akan digunakan dalam membangun aplikasi ini adalah metode asosiasi dengan Algoritma FP-Growth. Algoritma FP-Growth merupakan salah satu alternatif algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul (frequent itemset) dalam sebuah kumpulan data [3]. FP-growth menggunakan pendekatan yang berbeda dari paradigma yang selama ini sering digunakan, yaitu paradigma apriori [4].

Berdasarkan permasalahan yang dihadapi, pada penelitian ini akan dibangun aplikasi Data Mining yang menerapkan metode Association Rule dan Algoritma FP-Growth yang berguna untuk pemaketan produk di Primer Koperasi Kartika.

1.2Rumusan Masalah

Berdasarkan latar belakang yang telah dijelaskan, maka yang menjadi pokok dalam penelitian ini adalah :

1. Bagaimana menerapkan Metode Association Rule dan Algoritma FP-Growth dalam menentukan produk apa saja yang akan dijual dalam satu paket.

2. Tidak ada aturan dalam menentukan produk apa saja yang akan dijual secara paket.

3

1.3Maksud dan Tujuan 1.3.1 Maksud

Maksud dari penelitian yang akan dilakukan adalah menerapkan Data Mining dengan Metode Association Rule dan Algoritma FP-Growth terhadap data transaksi unutk mendapatkan informasi yang berguna dan sesuai dengan kebutuhan pihak Koperasi.

1.3.2 Tujuan

Sedangkan tujuan yang ingin dicapai adalah memberikan informasi kepada pihak Primer Koperasi Kartika mengenai produk apa saja yang dapat dijual dalam satu paket. Sehingga pihak Koperasi mendapatkan sebuah pertimbangan dalam menentukan aturan dalam pemaketan produk serta memberikan informasi yang dapat digunakan untuk menentukan strategi penjualan selanjutnya.

1.4Batasan Masalah

Agar penelitian yang dilakukan lebih terarah dan mencapai sasaran yang ditentukan, maka diperlukan sebuah pembatasan masalah atau ruang lingkup kajian, yaitu sebagai berikut:

1. Data yang dianalisis dalam penelitian ini adalah data transaksi yang terjadi di Primer Koperasi Kartika selama periode bulan Mei sampai Desember.

2. Keluaran yang dihasilkan berupa informasi barang apa saja yang dapat dijual dalam satu paket untuk ditawarkan kepada konsumen.

3. Aplikasi yang akan dibangun berbasis Desktop.

4. Algoritma yang digunakan adalah algoritma FP-Growth Growth untuk menemukan pola kombinasi itemset yang telah dioptimasi.

5. Metode analisis yang digunakanan dalam pembangunan perangkat lunak ini menggunakan pendekatan analisis Pemrograman Berorientasi Objek.

1.5Metodelogi Penelitian

Metodologi penelitian yang digunakan dalam penelitian ini adalah kualitatif. Metode yang digunakan dalam penulisan laporan penelitian ini menggunakan dua metode, yaitu metode pengumpulan data dan metode pembangunan data mining.

1.5.1 Metode Pengumpulan Data

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

a. Studi Literatur

Pengumpulan data dengan cara mengumpulkan referensi seperti jurnal, paper, buku referensi dan bacaan-bacaan yang ada kaitannya dengan judul penelitian.

b. Tahap Observasi

Tahap observasi yaitu dengan mendatangi secara langsung lokasi yang dijadikan tempat penelitian,dalam hal ini adalah Primer Koperasi Kartika yang terletak di Jl. Srigading No. 12 Bandung, untuk mengamati perilaku konsumen dalam membeli produk dalam satu paket.

1.5.2 Metode Pembangunan Data Mining

Dalam penelitian ini mengikuti standar dari Cross-Industry Standard for Data Mining (CRISP-DM) merupakan suatu standar yang telah dikembangkan pada tahun 1996 yang ditunjukkan untuk melakukan proses analisis dari suatu industri sebagai strategi pemecahan masalah dari bisnis satu unit penelitian [5]. Untuk data yang dapat di proses dengan CRISP-DM ini, tidak ada ketentuan atau karakteristik tertentu, karena data tersebut akan diproses kembali pada fase-fase di dalamnya.

5

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

a. Business understanding

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

b. Data understanding

Tahap ini dimulai dengan pengumpulan data yang kemudian akan dilanjutkan dengan proses untuk mendapatkan pemahaman yang mendalam tentang data, mengidentifikasi masalah kualitas data, atau untuk mendeteksi adanya bagian yang menarik dari data yang dapat digunakan untuk hipotesa untuk informasi yang tersembunyi.

c. Data preparation

Tahap ini meliputi semua kegiatan untuk membangun dataset akhir (data yang akan diproses pada tahap pemodelan/modeling) dari data mentah. Tahap ini dapat diulang beberapa kali. Pada tahap ini juga mencakup pemilihan tabel, record, dan atribut-atribut data, termasuh proses pembersihan dan transformasi data untuk kemudian dijadikan masukan dalam tahap pemodelan (modeling).

d. Modeling

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

e. Evaluation

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

awal (Business Understanding). Kunci dari tahap ini adalah menentukan apakah ada masalah bisnis yang belum dipertimbangkan. Di akhir dari tahap ini harus ditentukan penggunaan hasil proses Data Mining.

f. Deployment

Pada tahap ini, pengetahuan atau informasi yang telah diperoleh akan diatur dan dipresentasikan dalam bentuk khusus sehingga dapat digunakan oleh pengguna. Tahap Deployment dapat berupa pembuatan laporan sederhana atau mengimplementasikan proses Data Mining yang berulang dalam perusahaan. Dalam banyak kasus, tahap Deployment melibatkan konsumen, di samping analis data, karena sangat penting bagi konsumen untuk memahami tindakan apa yang harus dilakukan untuk menggunakan model yang telah dibuat.

1.6Sistematika Penulisan

Sistematika penulisan penelitian ini disusun untuk memberikan gambaran umum mengenai penelitian yang dikerjakan. Sistematika penulisan penelitian sebagai berikut:

BAB 1 PENDAHULUAN

Pada bab ini berisi uraian latar belakang masalah, rumusan masalah, maksud dan tujuan, batasan masalah, metodologi penelitian, metode pengumpulan data, metode pembangunan data mining dan sistematika penulisan.

BAB 2 TINJAUAN PUSTAKA

Pada bab ini akan menjelaskan berbagai konsep dasar dan teori-teori pendukung yang berhubungan dengan pembangunan sistem.

BAB 3 ANALISIS DAN PERANCANGAN

Pada bab ini akan menjelaskan tentang deskripsi sistem, proses kerja system, analisis kebutuhan dalam pembangunan sistem serta perancangan system.

BAB 4 IMPLEMENTASI DAN PENGUJIAN

Pada bab ini akan membahas tentang implementasi sistem yang dibangun, disertai pengujian dan hasil pengujian sistem.

7

BAB 5 KESIMPULAN DAN SARAN

Pada bab ini berisi kesimpulan yang diperoleh dari hasil pengujian sistem, serta saran pengembangan sistem ke depan.

9

BAB 2

TINJAUAN PUSTAKA

2.1 Profil Instansi

Pada bagian profil instansi ini dijelaskan beberapa hal mengenai instansi tempat dilakukannya penelitian, yaitu sejarah Primer Koperasi Kartika, logo dari Primer Koperasi Kartika dan struktur organisasi.

2.1.1 Sejarah Primer Koperasi Kartika

Di lingkungan Tentara dan Teritotium III/Siliwangi yang telah disemangati oleh pertumbuhan Gerakan Koperasi Indonesia pada awal tahun lima puluhan, terutama daerah Jawa Barat sebagai tempat lahirnya koperasi-koperasi Indonesia pada tanggal 12 Juli 1947 di Tasikmalaya. Maka pada tanggal 7 Januari 1945 atas prakarsa warga Intendas Tentara dan Teritorium III / Siliwangi, yang mulai merasakan kesejahteraan para prajurit berserta keluarganya. Maka segera didirikanlah koperasi primer jenis konsumsi dengan diberi nama Koperasi Simpan Pinjam Intendens, yang disingkat dengan “KOSPINT”. Kemudian pada tanggal 26 Maret 1957 Koperasi ini baru mendapat hak Badan Hukum dengan nomor 1359.

Melihat dari tahun berdirinya, maka Kospint merupakan Koperasi Primer yang tertua dilingkungan TNI Angkatan Darat. Kospin berlokasi di Jalan Aceh No. 50 Bandung Jawa Barat. Keanggotaan Kospint pada waktu itu tercatat sejumlah 735 orang dan kegiatan usaha Kospint, diantaranya :

1. Unit Simpan Pinjam 2. Unit Pertokoan 3. Unit Kantin

Kegiatan Pokok usaha Kospint adalah kegiatan dalam bidang simpan pinjam sesuai dengan Anggaran Dasar, bunga pinjaman yang diambil sebesar 2% selama satu bulan, sedangkan pinjaman sebesar 90% dari pinjaman. Modal Kospint diperoleh dari simpanan pokok anggota sebesar Rp. 10,- per bulan, dan juga dari simpanan sukarela sesuai dengan kemampuan para anggota.

Dasar hukum yang digunakan oleh pembentukan Primer Koperasi Kartika Bekangdam III / Siliwangi adalah :

1. Undang-undang perekonomian No. 12 Tahun 1967.

2. Kospint berubah mana menjadi Primkopad Intdam VI / Siliwangi, dengan hak Badan Hukum No. 3 / BH / IX. 1912. 67, Pada tanggal 15 Desember 1968.

3. Tanggal 15 Juli 1980, atas dasar Surat Keputusan Kanwil Depkop Provinsi Jawa Barat No. 015 / Kep / KD 10 / D.1-8. D.

4. Berubah lagi dengan Nomor 3A / BH / DK-10 / 1 dengan nama Primkopad Bekangdam VI / Siliwangi yang berlokasi di Jalan Srigading No. 12 Bandung.

5. Berubah lagin pada tanggal 23 Mei 1986 atas dasar Surat Keputusan Kanwil Depkop Provinsi Jawa Barat No. 30 / Kep / KWK.10 / 51 / V / 1986. 6. Berubah lagi menjadi No. 3C / BH / KWK-10 / 21.

7. Berubah lagi menjadi No. PAD : 518 / PAD. 18- DISKOP / 2001 pada tanggal 7 September 2001. Yang berlaku sampai sekarang, dan nama koperasi inipun berbuah menjadi Primer Koperasi Kartika Bekangdam III / Silwangi.

2.1.2 Logo

Berikut ini adalah logo dari Primer Koperasi Kartika Bekangdam III / Siliwangi yang dapat dilihat pada Gambar 2.1:

11

Penjelasan Logo:

a. Garuda: Kekuatan dan kesanggupan mencapai cita-cita sebagai prajurit.

b. 10 Helai bulu Sayap: Bulan Oktober sebagai bulan bersejarah bagi keberadaan TNI Angkatan Darat.

c. 7 Bulu pada ekor: Sapta Marga

d. Bintang sudut lima: Kesejatian dan tujuan tertinggi yaitu keprajuritan sejati yang dijiwai oleh Pancasilasebagai dasar negara serta falsafah hidup bangsa.

e. Roda Bergigi: menggambarkan upaya keras yang ditempuh secara terus-menerus. Hanya orang yang bekerja keras yang bisa menjadi calon Anggota koperasi dengan memenuhi beberapa persyaratan-persyaratan koperasi.

f. Rantai (di sebelah kiri): melambangkan ikatan persatuan yang kokoh. Bahwa Anggota Koperasi adalah Pemilik Koperasi tersebut g. Kapas dan Padi (di sebelah kanan): menggambarkan kemakmuran

anggota koperasi secara khusus dan merakyat secara umum yang diusahakan oleh koperasi tersebut.

h. Timbangan: yaitu keadilan sosial sebagai salah satunya dasar dari koperasi. Biasanya akan menjadi simbol hukum

i. Bintang dalam perisai: Yang dimaksud merupakan landasan ideal dari koperasi tersendiri. Bahwa Anggota Koperasi yang baik adalah yang mempercantik nilai-nilai keyakinan dan kepercayaan, yang mendengarkan suara hatinya.

j. Pohon beringin: Timbangan dan Bintang dalam Perisai menjadi nilai hidup yang harus dijunjung tinggi.

k. Warna merah dan putih: bacground menggambarkan sifat-sifat nasionalisme Negara Kerakyatan Republik Indonesia sendiri.

2.1.3 Struktur Organisasi

Berikut ini adalah Struktur Organisasi Primer Koperasi Kartika Bekangdam III / Siliwangi yang dapat dilihat pada Gambar 2.2:

Gambar 2. 2 Struktur Organisasi Primer Koperasi Kartika Bekangdam III / Siliwangi

Deskripsi Kerja: 1. Ketua

Ketua merupakan orang yang dipercaya untuk memimpin organisasi dan penggerak kegiatan Koperasi dalam rangka mencapai keberhasilan dan kemajuan Koperasi yang dijabat oleh seorang Pama (Perwira Pertama) TNI-AD.

2. Pokmin (Unsur Pelayanan Staf atas dari Kelompok administrasi

Pokmin dijabat oleh Anggota Negri Sipil (PNS) sebagai pengatur administrasi, bertugas untuk membantu Primer Koperasi Kartika di dalam menjalankan ketatausahaan kantor dan administrasi umum Primer Koperasi Kartika.

3. Komurnikom (Komisaris Usaha Pembantu Pimpinan)

Komurnikop dijabat oleh seorang Bintara Tinggi TNI-AD, yang merupakan unsur pembantu Ketua dalam fungsi pembinaan teknik perkoperasian.

4. Komurus (Komisaris Urusan Usaha)

Komurus dijabat oleh seorang PNS gol. II / a-d, yang merupakan pembantu Ketua dalam fungsi pembinaan usaha baik yang bersifat pelayan kedalam lingkungan anggota ataupun yang bersifat kedalam lingkungan anggota.

5. Komurben (Komisaris Urusan Perbendaharaan)

Komurben dijabat oleh seorang PNS gol. II / a-d, yang merupakan pembantu Ketua dalam fungsi pembinaan pembendaharaan serta membantu merumuskan pemupukan dana / keuangan Primer Koperasi Kartika.

2.2 Landasan Teori

Landasan teori yang berkaitan dengan materi atau teori yang digunakan sebagai acuan melakukan penenlitian. Landasan teori yang diuraikan merupakan hasil studi literatur, buku-buku, maupun situs internet.

2.2.1 Data, Informasi dan Knowledge

Data adalah suatu nilai yang merepresentasikan fakta di dunia nyata dan mewakili suatu objek seperti manusia (pegawai, siswa, pembeli, pelanggan), barang, hewan, peristiwa, konsep, keadaan, dsb. Nilai tersebut lalu direkam dalam bentuk angka, huruf, simbol, teks, gambar, atau kombinasinya [7].

Sementara informasi adalah pola, asosiasi, atau hubungan antara semua data yang dapat memberikan informasi. Sebagai contoh, data transaksi penjualan dapat menghasilkan informasi mengenai produk apa yang sudah laku terjual.

Pengetahuan (knowledge) sebenarnya merupakan sebuah informasi juga yang merupakan hasil dari pengolahan data. Vercellis (2009) memandang bahwa suatu informasi dikatakan pengetahuan jika dapat digunakan dalam pengambilan keputusan. Dengan demikian pengetahuan dapat dijelaskan kembali sebagai kumpulan dari data dan informasi yang bertemu dengan kompetensi dan pengalaman seseorang untuk menindak lanjuti data dan informasi yang ada sehingga dapat dikembangkan untuk pengambilan suatu keputusan. Tidak seperti informasi yang hanya bersifat memberitahu, pengetahuan harus mampu digunakan untuk proses pengambilan keputusan. Salah satu tahapan dalam keseluruhan proses

KDD adalah data mining. Proses KDD secara garis besar dapat dijelaskan sebagai berikut [16]:

1. Data Selection.

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

2. Pre-Processing/cleaning.

Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses cleaning pada data yang menjadi fokus KDD. Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak (typography). Juga dilakukan proses enrichment, yaitu proses “memperkaya” data yang sudah ada dengan data atau informasi lain yang relevan dan diperlukan untuk KDD, seperti data atau informasi eksternal. Pre-processing data adalah hal yang harus dilakukan dalam proses data mining karena tidak semua data atau atribut data dalam data digunakan sesuai dengan kebutuhan. Adapun langkah-langkah preprocessing adalah sebagai berikut: a. Pemilihan Atribut (atribut selection).

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

b. Pembersihan data (data cleaning).

Proses menghilangkan noise dan menghilangkan data yang tidak relevan disebut pembersihan data.

3. Transformation.

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

4. Data mining.

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

5. Interpretation/evaluation.

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

2.2.2 Basis Data

Basis data adalah sekumpulan data yang saling terhubung dan mempunyai skema tertentu.

Menurut Fathansyah [7], basis data sendiri dapat didefinisikan dalam sejumlah sudut pandang seperti:

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

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

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

2.2.3 Database Management System

Database management system adalah sistem yang digunakan untuk membuat dan mengelola basis data. Tujuan dari DBMS adalah menyediakan lingkungan yang mudah dan aman untuk penggunaan dan perawatan database.

Dalam DBMS pengguna difasilitasi untuk mendefinisikan skema basis data yang disebut sebagai data definition language (DDL). Selain itu pengguna juga dapat membuat, mengubah, dan membuat query data yang biasanya disebut dengan data manipulation language (DML)[8].

2.2.4 Data Mining

Data Mining adalah proses mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstrasi pengetahuan (knowledge) secara otomatis. Definisi lain diantaranya adalah pembelajaran berbasis induksi (induction-base learning) adalah proses pembentukan definisi-definisi konsep umum yang dilakukan dengan cara mengobservasi contoh-contoh spesifik dari konsep-konsep yang akan dipelajari. Knowledge Discovery in Database (KDD) adalah penerapan metode saintifik pada data mining. Dalam konteks ini data mining merupakan satu langkah dari proses KDD [6].

Secara umum, definisi data mining dapat diartikan sebagai berikut [9]:

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

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

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

2.2.4.1 Konsep Data Mining

Data mining sangat diperlukan terutama dalam mengelola data yang sangat besar untuk memudahkan aktifitas recording suatu transaksi dan untuk proses data warehousing agar dapat memberikan informasi yang akurat bagi pengguna data mining. Alasan utama data mining 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 iniliah yang nantinya sangat berguna untuk pengembangan. Berikut adalah langkah-langkah dalam data mining [9] :

Gambar 2. 3 Konsep data mining

1. Data cleaning yaitu untuk menghilangkan noise data yang tidak konsisten.

2. Data integration yaitu menggabungkan beberapa file atau database. 3. Data selection yaitu data yang relevan dengan tugas analisis yang

diperoleh dari database untuk proses data mining.

4. Data transformation yaitu perubahan suatu data menjadi data yang lebih berkualitas.

5. Data mining yaitu proses penting dimana metode digunakan untuk

mengekstrak pola data.

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

7. Knowledge presentation yaitu teknik visualisasi dan pengetahuan yang digunakan untuk memberikan pengetahuan kepada user.

2.2.4.2 Metode-metode Data Mining

Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat dilakukan, yaitu [15]:

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 pola dan kecenderungan sering memberikan kemungkinan penjelesan untuk suatu pola atau kecenderungan.

2. Estimasi

Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih mendekati numerik dibandingkan dengan 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 :

1. _{Prediksi harga beras dalam tiga bulan yang akan datang.} 2. _{Prediksi persentase kenaikan kecelakaan lalu lintas tahun}

depan jika batas bawah dinaikan. 4. Klasifikasi

Dalam klasifikasi, terdapat terget 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 :

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

2. _{Mendiagnosa penyakit seorang pasien untuk mendapatkan} termasuk kategori penyakit apa.

5. Pengklusteran

Pengklusteran merupakan pengelompokan record, pengamatan, atau memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan.

Kluster adalah kumpulan record yang memiliki kemiripan satu dengan yang lainnya dan tidak memiliki kemiripan dengan record-record dalam kluster lain. Pengklusteran berbeda dengan klasifikasi

yaitu 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 keselurahan data menjadi kelompok-kelompok yang memiliki kemiripan (homogen), yang mana kemiripan record dalam suatu kelompok akan bernilai maksimal, sedangkan kemiripan dengan record dalam kelompok lain akan bernilai minimal. Contoh pengklusteran dalam bisnis dan penelitian adalah : 1. Mendapatkan kelompok-kelompok konsumen untuk target pemasaran dari suatu produk sebuah perusahaan yang tidak memiliki dana pemasaran yang besar.

2. Untuk tujuan audit 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 :

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

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

2.2.5 Cross- Industry Standard Process for Data Mining (CRISP- DM)

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

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 penting antarfase 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 untuku perbaikan lebih lanjut terhadap data atau berpindah maju kepada fase evaluation [17].

Gambar 2. 4 CRISP-DM [17]

Enam fase CRISP- DM [17]:

1. Fase Pemahaman Bisnis (Business Understanding Phase)

a. Penentuan tujuan objek dan kebutuhan secara detail dalam lingkup bisnis atau unit penelitian secara keseluruhan.

b. Menerjemahkan tujuan dan batasan menjadi formula dari permasalahan data mining.

2. Fase Pemahaman Data (Data Understanding Phase) a. Mengumpulkan data.

b. Menggunakan analisis penyelidikan data untuk mengenali lebih lanjut data dan pencarian pengetahuan awal.

c. Mengevaluasi kualitas data.

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

3. Fase Pengolahan Data (Data Preparation Phase)

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 analisis yang akan dilakukan.

c. Lakukan perubahan pada beberapa variabel jika dibutuhkan. d. Siapkan data awal sehingga siap untuk perangkat pemodelan. 4. Fase Pemodelan (Modelling Phase)

a. Pilih 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. Fase Evaluasi (Evaluation Phase)

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.

d. Mengambil keputusan berkaitan dengan penggunaan hasil dari data mining.

6. Fase Penyebaran (Deployment Phase)

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 d. secara paralel pada departemen lain.

2.2.6 Association Rule

Association Rule atau Aturan Asosiasi adalah teknik Data Mining untuk menemukan aturan asosiatif atau pola kombinasi dari suatu barang. Bila kita mengambil contoh aturan asosiatif dalam suatu transaksi pembelian barang di suatu minimarket adalah kita dapat mengetahui berapa besar kemungkinan seorang konsumen membeli suatu barang bersamaan dengan barang lainnya (membeli roti bersama dengan selai). Karena awalnya berasal dari studi tentang database transaksi pelanggan untuk menentukan kebiasaan suatu produk dibeli bersama apa, maka association rule sering juga dinamakan market basket analysis [11].

Association Rule adalah bentuk jika “kejadian sebelumnya” kemudian “konsekuensinya” (If antecedent, then consequent), yang diikuti dengan perhitungan aturan support dan confidence. Bentuk umum dari association rule adalah Antecedent -> Consequent. Bila kita ambil contoh dalam sebuah transaksi pembelian barang di sebuah minimarket didapat bentuk association rule roti -> selai. Yang artinya bahwa pelanggan yang membeli roti ada kemungkinan pelanggan tersebut juga akan membeli selai, dimana tidak ada batasan dalam jumlah barang-barang pada bagian antecedent ataupun consequent dalam sebuah rule. Dalam menentukan suatu associaiton rule, terdapat suatu interestingness

measure (ukuran kepercayaan) yang didapat dari hasil pengolahan data dengan perhitungan tertentu. Umumnya ada dua ukuran, yaitu:

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

2. Confidence : Confidence dihasilkan dari seberapa kuat hubungan produk yang sudah dibeli.

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. Metodologi dasar analisis asosiasi terbagi menjadi dua tahap [14] :

1. Analisis pola frekuensi tinggi

Tahap ini mencari kombinasi barang yang memenuhi syarat minimum dari nilai support dalam database.

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

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

Jika A, maka B (AB)

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

Jika A, maka B Tidak berarti Jika B, maka A

Sebuah itemset adalah himpunan item-item yang ada dalam I, dan i itemset. Frekuensi itemset merupakan itemset yang memiliki frekuensi kemunculan lebih dari nilai minimum yang telah ditentukan.

Nilai confidence dari aturan A B diperoleh dari rumus berikut.

� = � | =� _� �ℎ � � � yang _{�ℎ � � � �� �} ��_�� � � _� Persamaan (2-1)

2.2.7 Algoritma FP-Growth

Algoritma yang hampir sama dengan Apriori, FP-Growth mulai dengan menghitung barang tunggal sesuai dengan jumlah kemunculan barang yang ada didalam dataset. Setelah proses penghitungan selesai maka akan dibuat struktur pohon pada tahap kedua. Pohon yang dibuat mulanya kosong yang nanti akan diisi dengan hasil dari dataset yang telah didapat sebelumnya. Struktur pohon bisa didapatkan dengan proses lebih cepat untuk mencari itemset yang besar menjadi sedikit dengan diurutkan secara descending dari frekuensi yang ada dataset tersebut. Masing-masing barang yang tidak mencapai kebutuhan minimum dari threshold tidak dimasukkan kedalam pohon, tapi dikeluarkan secara efektif dari dataset [3].

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

Adapun FP-Tree adalah sebuah pohon dengan definisi sebagai berikut:

a. FP-Tree dibentuk oleh sebuah akar yang diberi label null, sekumpulan berupa pohon yang beranggotakan item-item tertentu, dan sebuah tabel frequent header.

b. Setiap simpul dalam FP- Tree mengandung tiga informasi penting, yaitu label item, menginformasikan jenis item yang direpresentasikan simpul tersebut, support count, merepresentasikan jumlah lintasan transaksi yang melalui simpul tesebut, dan pointer penghubung yang menghubungkan simpul-simpul dengan label item sama antar-lintasan, ditandai dengan garis panah putus-putus.

2.2.7.1 Langkah-Langkah Proses Perhitungan Association Rule Dengan Algoritma FP-Growth

Proses perhitungan association rule terdiri dari beberapa tahap adalah sebagai berikut [5]:

1. Membuat Header Item

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

2. Membuat FP-Tree

FP-Tree dibangun dengan mencari item sesuai urutan pada item yang frequent. Data transaksi tidak perlu diurutkan, dan untuk tiap item yang ditemukan bisa langsung dimasukkan ke dalam FP-Tree. Sesudah membuat root, tiap item yang ditemukan dimasukkan berdasarkan path pada FP-Tree. Jika item yang ditemukan sudah ada, maka nilai support item tersebut yang ditambahkan. Namun jika path belum ada, maka dibuat node baru untuk melengkapi path baru pada FP-Tree tersebut. Hal ini dilakukan selama item pada transaksi masih ada yang qualified, artinya memenuhi nilai minimum support. Jadi, item-item yang ditemukan dalam transaksi akan berurutan memanjang ke bawah. Dalam struktur FP-Tree, diterapkan alur path dari child hingga ke root. Jadi, suatu path utuh dalam FP-Tree adalah dari child terbawah hingga ke root. Tiap node pada FP-Tree memiliki pointer ke parent, sehingga pencarian harus dimulai dari bawah.

3. Pattern Extraction

Pattern extraction dilakukan berdasarkan keterlibatan item pada suatu path. Di setiap path, diperiksa semua kombinasi yang mungkin dimana item tersebut terlibat. Di iterasi berikutnya dilakukan dengan melibatkan item berikutnya, tanpa melibatkan item sebelumnya, sehingga pattern

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

4. Memasukkan setiap pattern yang ditemukan ke dalam Pattern Tree Setelah mengolah FP-Tree menjadi pattern-pattern, diperlukan proses akumulasi pattern-pattern yang ditemukan mengingat pattern yang sama dapat ditemukan pada path yang berbeda. Untuk itu digunakan struktur data Pattern Tree (lihat Gambar 2.3). Setiap node di Pattern Tree merepresentasikan dan menyimpan frekuensi suatu pattern. Pattern Tree terdiri atas Pattern TreeNode yang menyimpan nilai item, nilai support dan dilengkapi dengan dua pointer yaitu untuk horisontal dan vertikal.

Misalnya pada node d:1 di atas, berarti terdapat pattern a-c-d bernilai support 1. Kemudian bila ada pattern a-c-d lagi bernilai support n yang ditemukan dari FP-Tree maka nilai support 1 tersebut menjadi n+1. Contoh hasil lengkap dari PatternTree tersebut:

1. a:5 menggambarkan bahwa ada pattern a sebanyak 5 2. b:4 menggambarkan bahwa ada pattern a-b sebanyak 4 3. c:4 menggambarkan bahwa ada pattern a-b-c sebanyak 4 4. d:3 menggambarkan bahwa ada pattern a-b-c-d sebanyak 3 5. c:2 menggambarkan bahwa ada pattern a-c sebanyak 2 6. d:1 menggambarkan bahwa ada pattern a-c-d sebanyak 1 7. d:3 menggambarkan bahwa ada pattern a-d sebanyak 3

5. Mengurutkan dan Menyeleksi Pattern

Pattern yang tidak memenuhi minimum support, dihapus dari daftar pattern. Pattern-pattern yang tersisa kemudian diurutkan untuk memudahkan pembuatan rules.

2.2.8 Unified Modeling Language (UML)

Unified modeling language adalah bahasa pemodelan untuk sistem atau perangkat lunak yang berorientasi objek [13]. Beberapa model yang akan digunakan untuk menggambarkan sistem yang akan dibangun dalam penelitian ini adalah:

1. Use Case Diagram

Use case diagram digunakan untuk memodelkan fungsionalitas-fungsionalitas sistem atau perangkat lunak dilihat dari pengguna yang ada di luar sistem (yang sering dinamakan sebagai actor). Kegunaan dari use case diagram adalah untuk mendaftarkan aktor-aktor dan use case serta memperlihatkan aktor mana yang berpartisipasi dalam masing-masing use case. Aktor merupakan representasi dari orang yang berada di luar sistem dan akan berinteraksi dengan sistem. Use case adalah fungsionalitas sistem atau perangkat lunak.

2. Class Diagram

Class diagram merupakan diagram yang menggambarkan hubungan antara class yang satu dengan class yang lain. Class didefinisikan dengan tiga area pokok, yaitu nama class, atribut, dan operasi atau method. Pada class, atribut dan method akan dilakukan encapsulation, jenis-jenis encapsulation adalah public, private, dan protected.

3. Activity Diagram

Activity diagram bertujuan memodelkan komputasi-komputasi dan aliran-aliran kerja yang terjadi dalam sistem atau perangkat lunak. Suatu diagram aktivitas memuat didalamnya activity state di mana suatu activity state merepresentasikan eksekusi pernyataan dalam suatu prosedur atau kinerja suatu aktivitas dalam satu aliran kerja.

4. Sequence Diagram

Sequence diagram digambarkan secara vertical dan horizontal. Pada bagian vertical digambarkan sumbu waktu (lifeline), waktu bertambah dari atas ke bawah. Pada bagian horizontal memperlihatkan objek-objek yang terlibat. Selama objek ada, peran digambarkan menggunakan garis tegas. Selama aktivitas prosedur pada objek aktif, garis waktu digambarkan dengan garis ganda. Pesan-pesan digambarkan sebagai suatu tanda panah dari garis waktu suatu objek ke garis waktu objek lainnya.

31

BAB 3

ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Sistem

Analisis sistem didefinisikan sebagai penguraian suatu sistem informasi yang utuh kedalam beberapa bagian dengan tujuan untuk mengidentifikasi dan mengevaluasi permasalahan-permasalahan, kesempatan-kesempatan ataupun hambatan-hambatan yang terjadi untuk menghasilkan sebuah solusi guna melakukan perbaikan-perbaikan terhadap sistem yang sedang berjalan. Dalam analisis sistem ini meliputi beberapa bagian, yaitu:

1. Analisis Masalah

2. Analisis Penerepan Data Mining

3. Analisis Penerapan Kebutuhan Perangkat Lunak 4. Analisis Kebutuhan Fungsional

5. Analisis Kebutuhan Non-Fungsional

3.1.1 Analisis Masalah

Analisis masalah yang dilakukan adalah melihat dan mengidentifikasi permasalahan atau kendala di dalam penelitian yang dilakukan. Perlu ada analisis masalah melalui rumusan masalah yang sudah ditentukan sebelumnya. Berdasarkan hasil pengamatan, dapat disimpulkan bahwa permasalahan yang ada di Primer Koperasi Kartika yaitu belum adanya informasi penentuan paket produk yang sesuai dengan minat konsumen.

3.1.2 Analisis Penerapan Data Mining

Metode pembangunan perangkat data mining yang digunakan dalam penelitian ini adalah Cross-Industry Standard Process for Data Mining (CRISP-DM).

3.1.2.1Pemahaman Bisnis

Tahapan pemahaman bisnis merupakan tahapan pertama dilakukan dalam kerangka kerja CRISP-DM. Dalam tahapan bisnis ini terdapat beberapa tahapan lainnya, yaitu:

1. Tujuan Bisnis

Dalam proses bisnisnya Primer Koperasi Kartika mempunyai tujuan bisnis yaitu untuk memenuhi permintaan pelanggan sehingga dapat meningkatkan kepuasan anggota Bekangdam III / Siliwangi ataupun pelanggan umum.

2. Penentuan Sasaran Data Mining

Tujuan dari penerapan data mining pada pemaketan produk-produk ini adalah untuk mengetahui bagaimana pola pembelian kosumen dalam pemaketan produk.

3.1.2.2Pemahaman Data

Setelah melakukan tahap pemahaman bisnis selanjutnya akan ada tahap pemahaman Data. Untuk memahami data, ada beberapa tahapan yang harus dilakukan, diantaranya sebagai berikut:

1. Mengumpulkan data awal

Data dalam penelitian adalah sample data penjulan di Primer Koperasi Kartika yang berasal dari Microsoft excel (.xlsx) yang nantinya akan dilakukan proses mining pada program.

2. Menjelaskan data

Berikut ini adalah penjelasan masing-masing atribut yang terdapat pada tabel transaksi penjualan berdasarkan Lampiran D pada tabel D-1 yang menampung 90 record data, dapat dilihat pada tabel 3.1:

33

Tabel 3. 1 Struktur Data Transaksi

Keterangan

Fungsi Untuk mengetahui produk apa saja yang sering dibeli oleh pembeli Format Microsoft Excel (.xlsx)

Atribut

Faktur Nomor urut penjualan Kode_barang Kode dari setiap barang Nama_barang Nama barangyang dibeli

Harga_satuan Harga satuan masing-masing barang Qty Jumlah barang yag dibeli

Harga Jumlah keseluruhan harga barang

3.1.2.3Persiapan Data

Persiapan data adalah hal yang harus dilakukan, karena tidak semua atribut digunakan dalam proses data mining. Proses ini dilakukan agar data yang akan digunakan sesuai dengan kebutuhan. Adapun tahapan tahapan preprocessing adalah sebagai berikut:

1. Ekstrasi data

Ekstrasi data adalah proses pengambilan data dari sumber data dalam rangka untuk melanjutkan proses pengolahan data. Dalam penelitian ini data diambil dari file Microsoft excel. Data yang digunakan adalah data transaksi penjualan sebanyak 90 record data terdapat 30 transaksi. Data transaksi penjualan terdapat di lampiran D tabel D-1.

2. Pemilihan atribut

Pemilihan atribut adalah proses pemilihan atribut data yang digunakan, sehingga data tersebut dapat diproses sesuai dengan kebutuhan data mining. Dalam tahap ini atribut yang digunakan adalah Faktur dan Kode_Barang. Faktur merupakan identitas dari setiap transaksi, sedangkan Kode_Barang digunakan untuk mengetahui jenis barang apa saja yang dibeli oleh pelanggan. Hasil pemilihan Atribut dapat dilihat pada lampiran D tabel D-2.

Proses menghilangkan noise dan menghilangkan data yang tidak relevan disebut pembersihan data. Dalam penelitian ini data yang dihilangkan yaitu data penjualan yang hanya terdapat 1 barang yang terjual dalam 1 transaksi yang sama. Hasil pembersihan data dapat dilihat pada pada lampiran D tabel D-3.

3.1.2.4Pemodelan

Pemodelan merupakan tahap untuk membuat model desain sistem yang akan dibangun. Data yang digunakan untuk pengolahan data ini adalah data terakhir yang sudah dilakukan proses pembersihan data pada Lampiran D tabel D-3. Dalam tahap ini akan dilakukan penyelesaian masalah pada perekomendasian paket produk di Primer Koperasi Kartika dengan metode Association Rule dengan menggunakan Algoritma FP-Growth. Tahap ini dilakukan dengan menggunakan metode association rule yang akan memasuki ke dalam dua tahap yaitu:

1. Analisis pola frekuensi tinggi. 2. Pembentukan aturan asosiasi.

Pada tahap awal dalam pemodelan adalah menentukan minimum support. Minimum support adalah suatu ukuran yang menunjukan seberapa besar tingkat suatu kombinasi suatu barang pada sebuah data transaksi. Untuk kasus nilai minimum support yang digunakan yaitu 10% dari 30 data transaksi penjualan yang digunakan yaitu sebesar 3, yang berarti barang yang memiliki jumlah frequent kurang dari 3 akan dieliminasi dalam data transaksi. Langkah pertama yang dilakukan untuk menghitung nilai support dari sebuah barang adalah dengan menghitung kemunculan tiap barang yang sudah disusun secara ascending. Jumlah kemunculan setiap barang dapat dilihat pada Tabel 3. 2 Frequent Item:

Tabel 3. 2 Frequent Item

Kode_barang

Support Count

11 15

201 7

35

Kode_barang

Support Count

18 11

210 6

12 5

20 4

10 4

212 4

40 2

60 3

146 3

171 2

45 2

58 2

214 2

2 1

9 1

13 1

27 1

44 1

57 1

133 1

Setelah mengetahui nilai frequent dari semua item, langkah selanjutnya adalah mengeliminasi item yang tidak memenuhi minimum support yang telah ditentukan. Hasil pengeliminasian item yang tidak memenuhi support dapat dilihat pada Tabel 3. 3 Item yang memenuhi Minimum Support:

Tabel 3. 3 Item yang memenuhi Minimum Support

Kode_barang

Support Count

11 15

19 11

18 11

201 7

210 6

12 5

10 4

20 4

212 4

Kode_barang

Support Count

146 3

Setelah didapatkan data yang memenuhi nilai minimum support seperti pada tabel 3.3, selanjutnya mencari Frequency of Occurence, urutkan tabel 3.3 berdasarkan frequent terbesar sampai dengan terkecil, kemudian berikan nilai priority dimulai dari data frequent terbesar sampai dengan terkecil. Jika ada Kode_Barang dengan jumlah kemunculan yang sama maka yang di dahulukan adalah Kode_Barang yang pertama kali muncul dalam transaksi. Hasil pemberian nilai priority dapat dilihat pada Tabel 3. 4

Tabel 3. 4 Pemberian nilai priority

Kode_barang

Support

Count Priority

11 15 1

19 11 2

18 11 3

201 7 4

210 6 5

12 5 6

10 4 7

20 4 8

212 4 9

60 3 10

146 3 11

Setelah semua item diketahui nilai priority-nya maka data transaksi yang mengandung item yang memenuhi minimum support akan diurutkan berdasarkan nilai priority. Pada tahap ini item yang memiliki frequent tertinggi akan didahulukan penulisannya.

Hasil pengurutan berdasarkan priority dapat dilihat pada Tabel 3. 5 Hasil pengurutan berdasarkan priority berikut ini :

37

Tabel 3. 5 Hasil pengurutan berdasarkan priority

Faktur Kode_Barang

1101 11

1101 19

1101 18

1102 11

1102 201

1102 12

1102 10

1103 11

1103 18

1103 12

1104 19

1104 201

1105 19

1105 210

1105 12

1105 10

1106 11

1106 18

1107 210

1107 12

1107 10

1108 11

1108 20

1109 18

1109 10

1109 20

1110 11

1110 19

1110 18

1110 12

1111 19

1111 18

1112 11

1112 18

1113 19

1113 201

1113 212

1114 11

Faktur Kode_Barang

1115 19

1115 210

1117 11

1117 210

1118 20

1118 212

1119 11

1119 201

1121 11

1121 19

1121 18

1121 60

1122 18

1122 20

1123 19

1123 212

1123 60

1123 146

1124 11

1124 201

1126 11

1126 19

1126 18

1127 201

1127 210

1127 212

1128 11

1128 146

1129 19

1129 18

1129 210

1129 146

Setelah data sudah terurut berdasarkan priority, langkah selanjutnya adalah membangun FP-Tree. Berikut ini merupakan tahap – tahap dalam membangun FP-Tree :

39

a. Buat Tree dengan Root yang tidak memiliki anak.

b. Jika Root tidak memiliki anak, maka data yang muncul pertama kali dijadikan sebagai anak pertama dari Root disertai dengan support count = 1.

c. Jika Root sudah memiliki anak, tetapi data yang muncul berbeda dengan anak dari Root, maka data tersebut merupakan anak selanjutnya dari Root tersebut dan support count nya bertambah 1.

d. Jika Root sudah memiliki anak, dan data yang muncul sama dengan anak tersebut maka support count-nya bertambah 1.

e. Jika data yang muncul sudah ada dalam notasi anak, maka support count-nya bertambah 1.

Hasil pembentukan FP-Tree tiap transaksi pada data transaksi ini dapat dilihat di lampiran D pada tabel D-4.

1. Setelah tahap pembangunan fp-tree dari sekumpulan data transaksi dilakukan, maka akan dilakukan proses untuk mencari frequent itemset yang signifikan. Berikut adalah tahapanya :

a) Tahap Pembangkitan Conditional Pattern Base

Pembangkitan Conditional Pattern Base didapatkan melalui hasil FP-Tree seluruhnya dengan mencari support count terkecil sesuai dengan hasil pengurutan priority yang telah dibuat sebelumnya.

b) Tahap Pembangkitan Conditional FP-Tree

Pada tahap ini, support count dari setiap item pada Tabel conditional pattern base diatas dijumlahkan, lalu setiap item yang memiliki jumlah Support Count lebih besar atau sama dengan Minimum Support akan dibangkitkan dengan Conditional FP-Tree.

c) Tahap Pencarian frequent itemset apabila conditional FP-Tree merupakan lintasan tunggal (single path), maka didapatkan frequent itemset dengan melakukan kombinasi item untuk setiap conditional FP-Tree. Jika bukan lintasan tunggal, maka dilakukan pembangkitan secara rekursif.

Berikut ini merupakan pembentukan FP-Tree untuk faktur 1101 dengan produk yang dipesan adalah 11,19, 18 :

Gambar 3. 1 Hasil pembentukan FP-Tree faktur 1101

Berikut ini merupakan pembentukan FP-Tree untuk faktur 1101 dengan produk yang dipesan adalah 11,201,12,10:

41

Berikut ini merupakan hasil pembentukan FP-Tree faktur 1103 dengan barang yang dipesan adalah 11,18,12 :

Gambar 3. 3 Hasil pembentukan FP-Tree faktur 1103

Berikut ini merupakan hasil pembentukan FP-Tree faktur 1104 dengan barang yang dipesan adalah 19, 201:

Berikut ini merupakan hasil pembentukan FP-Tree faktur 1105 dengan barang yang dipesan adalah 19,210,12,10 :

Gambar 3. 5 Hasil pembentukan FP-Tree faktur 1105

Setelah proses pembacaan faktur 1129 yaitu 19,18,210,146 maka terbentuklah Tree dari semua transaksi yang akan digunakan seperti pada Gambar 3. 6 Hasil pembentukan FP-Tree faktur 1129:

43

Setelah tahap pembangunan FP-Tree dari sekumpulan data transaksi dilakukan, maka akan diterapkan Algoritma FP-Growth untuk proses pencarian frequent itemset yang signifikan. Berikut langkah-langkah utama Algoritma FP-Growth, yaitu :

a. Tahap pembangkitan conditional pattern base

Pembangkitan conditional pattern base didapatkan melalui hasil FP-Tree seluruhnya, dengan mencari support count terkecil sesuai dengan hasil pengurutan priority. Dan telah didapatkan yaitu : 171, 146, 60 40, 212, 10, 20, 12, 210, 18, 19, 201, 11. Berikut adalah hasil tabel dari conditional pattern base :

Tabel 3. 6 Conditional pattern base

Item Conditonal Pattern Base 146 {11 : 1}

{19,18,210:1} {19,212,60:1} 60 {11,19,18,60:1}

{19,212:1} 212 {19,201:1}

{19:1} {20:1} {201.210:1}

20 {11:1}

{18,10:1} {18:1}

10 {11,201,12:1} {19,210,12:1} {210,12:1} {18:1} 12 {11,19,18:1}

45

Item Conditonal Pattern Base {11,18:1}

{19,210:1} {210:1}

210 {11:1}

{19:2} {19,18:1} {201:1}

201 {11:4}

{19:2}

18 {11,19:4}

{11:3} {19:2}

19 {11:4}

b. Tahap pembangkitan Conditional FP-Tree

Pada tahap ini, support count dari setiap item pada setiap conditional pattern base dijumlahkan, lalu setiap item yang memiliki jumlah support count lebih besar atau sama dengan minimum support akan dibangkitkan dengan Conditional FP-Tree.

1. Conditional FP-Tree untuk kode produk 146 yaitu null karena walaupun supportnya memenuhi nilai support, tetapi pada proses pembangkitan tidak didapatkan support count yang memenuhi nilai minimum support

Gambar 3. 7 Lintasan yang mengandung kode barang 146

2. Conditional FP-Tree untuk kode produk 60 yaitu null karena walaupun supportnya memenuhi nilai support, tetapi pada proses pembangkitan tidak didapatkan support count yang memenuhi nilai minimum support

Gambar 3. 8 Lintasan yang mengandung kode barang 60

3. Conditional FP-Tree untuk kode produk 212 yaitu null karena walaupun supportnya memenuhi nilai support, tetapi pada proses pembangkitan tidak didapatkan support count yang memenuhi nilai minimum support

47

Gambar 3. 9 Lintasan yang mengandung kode barang 212

4. Conditional FP-Tree untuk kode produk 20 yaitu null karena walaupun supportnya memenuhi nilai support, tetapi pada proses pembangkitan tidak didapatkan support count yang memenuhi nilai minimum support

5. Conditional FP-Tree untuk kode produk 10 yaitu null karena walaupun supportnya memenuhi nilai support, tetapi pada proses pembangkitan tidak didapatkan support count yang memenuhi nilai minimum support

Gambar 3. 11 Lintasan yang mengandung kode barang 10

6. Conditional FP-Tree untuk kode produk 12 {11:3}

49

7. Conditional FP-Tree untuk kode produk 210 {19:3}

Gambar 3. 13 Lintasan yang mengandung kode barang 210

8. Conditional FP-Tree untuk kode produk 201 {11:4}

9. Conditional FP-Tree untuk kode produk 18 {11:7} {19:6}

Gambar 3. 15 Lintasan yang mengandung kode barang 18

10.Conditional FP-Tree untuk kode produk 19 {11:4}

51

Setelah mendapatkan hasil conditional fp-tree, ditemukan beberapa frequent itemset yang keluar seperti pada Tabel 3. 7 Conditional FP-Tree:

Tabel 3. 7 Conditional FP-Tree

Item Conditional FP-tree 12 {11:3}

210 {19:3} 201 {11:4}

18 {11:7} {19:6} {11,19:4} 19 {11:4}

Setelah mendapatkan hasil conditional fp-tree dari tiap frequent itemset, selanjutnya adalah menentukan suffix dari tiap frequent itemset, seperti pada Tabel 3. 8 Hasil frequent :

Tabel 3. 8 Hasil frequent pattern

Suffix Frequent Pattern 12 {12,11}

210 {210,19} 201 {201,11} 18 {18,11}

{18,19} {18,11,19} 19 {19,11}

Dari hasil frequent pattern yang didapatkan pada Tabel 3. 8 langkah selanjutnya yaitu mencari subset dari masing-masing kode_barang, seperti pada Tabel 3. 9:

Tabel 3. 9 Pembentukkan subset

kode_barang Subset

12 {12,11}

kode_barang Subset

210 {210,19}

{19,210}

201 {201,11}

{11.201}

18 {18,11}

{11,18} {18,19} {19,18} {18,11,19} {11,18,19} {19,18,11} {19,11,18} {18,19,11} {11,19,18}

19 {19,11}

{11,19}

Setelah frequent pattern dan subset diketahui maka langkah selanjutnya adalah penentuan anticendent dan consequent. Misalkan:

A  B

maka A akan menjadi anticendent dan B akan menjadi consequent.

Setelah penentuan anticendent dan consequent dilakukan makan langkah selanjutnya akan dilakukan proses generate untuk mendapatkan rule dengan minimum support 3 dan minimum confidence 60% dengan masing-masing itemset dikombinasikan dengan itemset lain. Dengan menggunakan rumus yang ada pada bagian bab 2 untuk memperoleh nilai supporrt dan nilai confidence. Berikut hasil perhitungan minimum support dan minimum confidence.

53

Tabel 3. 10 Hasil perhitungan confidence

Rule Minimum Confidence 12  11 (3/5)*100%=60% 11  12 (3/15)*100%=20% 210  19 (3/7)*100%=43% 19  210 (3/9)*100%=33% 18  11 (7/11)*100%=64% 18  19 (6/11)*100%=55% 18  11,19 (4/11)*100%=36% 11 18,19 (4/15)*100%=27% 19  18,11 (4/11)*100%=37% 18,11  19 (4/7)*100%=57% 18,19  11 (4/6)*100%=67% 19,11  18 (4/4)*100%=100% 11  18 (7/15)*100%=47% 19  18 (6/11)*100%=55% 19  11 (4/11)*100%=37% 11  19 (4/15)*100%=27%

Berikut adalah hasil rule dalam penentuan barang-barang dalam bentuk awal confidence

Tabel 3. 11 Paket barang dalam bentuk awal

Rule Minimum Confidence

12  11 60%

18  11 64%

18,19  11 67% 19,11  18 100%

Setelah didapatkan bentuk awal paket barang, maka tahap selanjutnya adalah dilakukan proses lookup ke tabel barang yang terdapat pada lampiran D tabel D-5. Hasil lookup ke tabel barang sebagai berikut :

Tabel 3. 12 Hasil pemakettan rules

Rule Paket produk

12  11 Jika Indomie goreng spesial dibeli, maka Indomie ayam bawang dibeli dengan confidence 60%

18  11 Jika ABC kopi Sachet dibeli, maka Indomie ayam bawang dibeli dengan confidence 64% 18,19  11 Jika ABC kopi Sachet dan Kopi luwak Sachet dibeli, maka Indomie ayam bawang dibeli dengan confidence 67%

19,11  18 Jika Kopi luwak Sachet dan Indomie aya bawang dibeli, maka ABC kopi Sachet dibeli dengan confidence 100%

Dalam penentuan kombinasi barang yang akan dijual dalam bentuk paket pihak Primer Koperasi Kartika memiliki batasan khusus, yaitu :

1. Harga perpaket didapatkan dari pengurangan ke ribuan atau puluhribuan terdekat. Misalkan jumlah harga dari paket 1 sebesar Rp.33.200 maka akan dikurangi menjadi Rp. 30.000.

2. Harga perpaket minimal sebesar Rp.15.000 dan maksimal Rp. 60.000. 3. Jumlah barang yang dapat dipaketkan yaitu sebanyak 3 sampai 5

barang.

4. Jumlah paket yang tersedia dalam 1 periode yaitu sebanyak 4 sampai 5 paket.

Dari batasan yang dimiliki oleh Primer Koperasi Kartika maka didapatkan rekomendasi paket sebagai berikut :

55

Tabel 3. 13 Informasi paket

Paket Paket produk

Paket 1 1. ABC Kopi Sachet 2. Kopi Luwak Sachet 3. Indomie Ayam bawang Paket 2 1. Kopi Luwak Sachet

2. Indomie ayam bawang 3. ABC Kopi Sachet

3.1.3 Analisis Kebutuhan Non Fungsional

Analisis kebutuhan non fungsional pada penelitian ini terdiri dari analisis spesifikasi kebutuhan perangkat keras / hardware, analisis kebutuhan perangkat lunak / software, dan analisis kebutuhan pengguna / user.

3.1.3.1 Analisis Kebutuhan Perangkat Keras

Analisis spesifikasi kebutuhan perangkat keras bertujuan untuk mengetahui spesifikasi perangkat keras yang digunakan. Berdasarkan pengamatan yang dilakukan di Primer Koperasi Kartika, spesifikasi perangkat keras yang digunakan oleh Primer Koperasi Kartika adalah sebagai berikut:

Tabel 3. 14 Spesifikasi Perangkat Keras yang Sedang Berjalan

No Perangkat Keras Spesifikasi

1 RAM 1 GB

2 Harddisk 160 GB

3 Monitor LCD 14’’

4 Processor Intel Core 2 Duo E7500

Adapun spesifikasi perangkat keras yang dibutuhkan untuk mengimplementasikan sistem yang akan dibangun adalah sebagai berikut:

Tabel 3. 15 Spesifikasi Perangkat Keras yang dibutuhkan

No Perangkat Keras Spesifikasi

1 RAM 512MB

2 Harddisk 160 GB

3 Monitor LCD 14’’

57

Melihat spesifikasi perangkat keras yang digunakan di Primer Koperasi Kartika seperti pada tabel 3.25 dan tabel spesifikasi perangkat keras yang dibutuhkan seperti pada tabel 3.26 maka dapat disimpulkan bahwa semua perangkat keras yang dibutuhkan telah memadai untuk menjalankan sistem.

3.1.3.2 Analisis Kebutuhan Perangkat Lunak

Analisis kebutuhan perangkat lunak dalam pembangunan aplikasi digunakan untuk mengetahui dan mengoptimalkan implementasi dari aplikasi yang akan dibangun.

1. Analisis spesifikasi perangkat lunak pada sistem yang sedang berjalan di Primer Koperasi Kartika adalah:

a. Sistem Operasi Windows 7 b. Microsoft Office 2013

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

a. Sistem Operasi Windows 7 b. MySQL sebagai database server c. Microsoft Visual Studio 2010 3. Evaluasi kebutuhan perangkat lunak

Berdasarkan analisis spesifikasi perangkat lunak yang ada di Primer Koperasi Kartika, spesifikasi perangkat lunak yang digunakan masih kurang. Untuk mengatasi hal tersebut akan di install MySQL dan juga Visual Studio pada komputer yang digunakan.

3.1.3.3 Analisis Kebutuhan Pengguna

User atau pengguna yang akan mengoperasikan aplikasi ini merupakan manager yang bertindak sebagai pengolah bisnis. Analisis Pengguna dapat dilihat pada tabel 3.27

3.1.4 Analisis Kebutuhan Fungsional

Analisis kebutuhan fungsional bertujuan untuk perancangan terhadap aplikasi yang akan dibangun. Aplikasi yang akan dibangun menggunakan pendekar berorientasi objek dengan menggunakan pemodelan UML. Pemodelan yang akan digunakan untuk memodelkan terdiri dari diagram usecase, activity diagram, sequence diagram dan class diagram.

Tabel 3. 16 Analisis pengguna

User Akses Keahlian

Manager Manager dapat mengolah data transaksi penjualan

dan memperoleh

informasi dari aplikasi mining.

Dapat mengoperasikan aplikasi dengan baik seperti penginputan data transaksi, penghapusan data transaksi, dan juga dapat mengolah informasi yang didapat.

59

3.1.4.1 Diagram Usecase

Use case atau diagram use case merupakan pemodelan untuk kelakuan (behavior) sistem yang akan dibuat. Diagram use case yang terdapat pada sistem yang akan dibangun terdiri dari satu user dan 5 use case. Adapun diagram use case dari sistem yang akan dibuat dapat dilihat di Gambar 3. 17 Diagram Use Case Pada Sistem Data Mining:

Tabel 3. 17 Tabel Definisi User

User Deskripsi

User User bertugas untuk melakukan import data,

memasukkan Minimum Support dan Minimum Confidence

Tabel 3. 18 Deskripsi Use Case

No Use Case Deskripsi

1 Pilih berkas Proses pemilihan berkas adalah proses untuk memilih berkas yang akan dimasukkan ke dalam program.

2 Simpan Sistem melakukan proses penyimpanan data transaksi yang sudah dipilih ke dalam data base. 3 Proses preprocessing Sistem melakukan proses pemilihan, pembersihan,

perhitungan frekuensi dan pengurutan data

4 Analisis Sistem melakukan proses analisis data yang sudah dipilih, sedangkan user memasukkan nilai minimum support dan minimum confidence

5 Batasan paket User memasukkan batasan paket sesuai dengan kebutuhan Primer Koperasi Kartika. Sistem melakukan proses batasan paket.

3.1.4.2 Skenario Use Case

Skenario use case menjelaskan skenario dari setiap proses yang digambarkan pada diagram use case. Berikut ini skenario use case dari Gambar 3. 17 Diagram Use Case Pada Sistem Data Mining:

1. Skenario Use Case Pilih Berkas

Skenario use case pilih berkas menggambarkan langkah – langkah aksi user dan sistem melakukan proses pemilihan data yang akan digunakan.

Tabel 3. 19 Requirement A.1

Requirement A.1

Sistem menyediakan menu pilih berkas untuk memilih file mana yang akan dipilih untuk dilakukan proses selanjutnya.

61

Tabel 3. 20 Skenario Use Case Pilih Berkas

Use case Name Pilih Berkas

Related Requirements Requirement A.1

Goal In Context Memilih file yang akan di simpan dalam data base

berhasil

Precondition User memilih data

Successful End

Condition

Data transaksi yang dipilih berhasil ditampilkan ke dalam data grid

Failed End Condition Data gagal ditampilkan dalam grid.

Actors User

Triger User memilih data transaksi

Included Cases -

Main Flow Step Action

1 User memilih menu pilih berkas

2 Sistem menampilkan dialog box

3 User memilih data yang akan di masukkan

4 Sistem melakukan proses validasi format file 5 Sistem menampilkan data di gridview

Extension Step Branching Action

4.1 Menampilkan pesan kesalahan format file dalam proses pemilihan data

2. Skenario Use Case Simpan

Skenario use case simpan menjelaskan langkah-langkah sistem untuk melakukan proses penyimpanan data ke data base

Tabel 3. 21 Requirement A.2

Requirement A.2

Sistem menyediakan menu preprocesing untuk melakukan pemilihan atribut, pembersihan data, hitung frekuensi dan pengurutan data.

Tabel 3. 22 Skenario Use Case Simpan

Use case Name Simpan

Related Requirements Requirement A.1, Requirement A.2

Goal In Context Sistem melakukan proses penyimpanan data yang

sudah terpilih ke data base

Precondition Data transaksi sudah ditampilkan dalam grid

Successful End

Condition

Sistem berhasil melakukan proses penyimpanan data ke data base

4.2.2.1 Kesimpulan Pengujian Beta

Berdasarkan hasil dari pengujian beta, dapat disimpulkan bahwa sistem yang membangun ini dapat membantu pihak Primer Koperasi Kartika untuk mengetahui produk apa saja yang bisa dijual dalam bentuk paket.

4.2.3 Pengujian Hasil

Pengujian hasil ini menguji perangkat lunak yang telah dibangun apakah menghasilkan data yang diinginkan dan sesuai dengan hasil contoh kasus pada BAB 3. Pengujian ini menggunakan sampel dari data transaksi penjualan dengan nilai Minimum Support 3 dan Minimum Confidence 60%. Data hasil prerocessing dapat dilihat pada tabel D-3 lampiran D. Hasil perhitungan Metode Association Rule dengan Algoritma FP-Growth terhadap data sampel menghasilkan sebagai berikut:

Tabel 4. 9 Hasil perhitungan pengujian metode association rule dengan algoritma FP-Growth Hasil Perhitungan Manual

Rule Support Confidence (%)

Indomie goreng spesial ->

Indomie ayam bawang 3 60%

ABC kopi sachet -> Indomie

ayam bawang 7 64%

ABC kopi sachet, Kopi luwak sachet -> Indomie ayam bawang

4 _67%

Kopi luwak sachet, Indomie ayam bawang-> ABC kopi sachet

4 _100%

Hasil Perhitungan Aplikasi

Rule Support Confidence (%)

Indomie goreng spesial ->

Indomie ayam bawang 3 60%

ABC kopi sachet -> Indomie

ayam bawang 7 64%

ABC kopi sachet, Kopi luwak sachet -> Indomie ayam bawang

4 _67%

Kopi luwak sachet, Indomie ayam bawang-> ABC kopi sachet

100

Selain dilakukan pengujian terhadap data yang dijadikan sebagai contoh kasus pada bab 3, dilakukan juga pengujian terhadap data yang sama namu dengan minimum support dan minimum confident yang berbeda, yaitu:

1. Pengujian dengan 30 sampel data transaksi, dengan nilai minimum support 3 dan minimum confidence 80%. Hasil perhitungan dari sistem terhadap sampel tersebut dapat dilihat pada Tabel 4. 10 :

Tabel 4. 10 Hasil pengujian dengan minimum support = 3 dan minimum confident = 80% Hasil Perhitungan Manual

Rule Support Confidence (%)

Kopi luwak sachet, Indomie ayam bawang-> ABC kopi sachet

4 _100%

Hasil Perhitungan Aplikasi

Rule Support Confidence (%)

Kopi luwak sachet, Indomie ayam bawang-> ABC kopi sachet

4 _100%

Jadi, dapat disimpulkan bahwa hasil perhitungan dari aplikasi yang dibangun telah sesuai dengan hasil perhitungan secara manual karena data yang dihasilkan sama.

2. Pengujian dengan 30 sampel data transaksi, dengan nilai minimum support 6 dan minimum confidence 50%. Hasil perhitungan dari sistem terhadap sampel tersebut dapat dilihat pada Tabel 4. 11 :

Tabel 4. 11 Hasil pengujian dengan minimum support = 6 dan minimum confident = 50% Hasil Perhitungan Manual

Rule Support Confidence (%)

Kopi luwak sachet -> ABC

kopi sachet 6 55%

ABC kopi sachet -> Kopi

luwak sachet 6 55%

ABC kopi sachet -> Indomie

Hasil Perhitungan Aplikasi

Rule Support Confidence (%)

Kopi luwak sachet -> ABC

kopi sachet 6 55%

ABC kopi sachet -> Kopi

luwak sachet 6 55%

ABC kopi sachet -> Indomie

ayam bawang 7 64%

4.2.3.1 Kesimpulan Pengujian Hasil

Berdasarkan hasil dari pengujian hasil, dapat disimpulkan:

1. Semakin besar nilai minimum confident maka akan semakin sedikit aturan yang akan terbentuk, tetapi nilai kepastian keterkaitan antar barang menjadi sangat kuat.

2. Semakin kecil nilai minimum support dan minimum confident maka akan semakin banyak aturan yang akan terbentuk, tetapi nilai keterkaitan atar barang menjadi lemah.

Dari kesimpulan tersebut saya menyarankan kepada pihak Primer Koperasi Kartika untuk memilih nilai minimum support yang tidak terlalu kecil dan nilai minimum confident diatas 55%.

103

BAB 5

KESIMPULAN DAN SARAN 5.1 Kesimpulan

Berdasarkan hasil Implementasi dan Pengujian yang telah dilakukan pada sistem data mining yang telah dibagun dengan menggunakan metode association rule dan algoritma FP-Growth, maka dapat diambil kesimpulan sebagai berikut: 1. Aplikasi yang dibangun dapat membantu pihak perusahaan dengan

memberikan informasi dalam menentukan produk apa saja yang dijual dalam bentuk paket.

2. Aplikasi yang dibangun dapat memberikan sebuah pertimbangan dalam menentukan aturan pemaketan produk untuk strategi penjualan selanjutnya.

5.2 Saran

Saran untuk pengembangan lebih lanjut, yaitu sebagai berikut:

1. Pengembangan dalam menentukan frequent itemset dapat dikembangkan kembali menggunakan algoritma yang serupa dan dapat dikembangkan kembali agar hasil yang didapatkan lebih baik.

2. Karena hasil aplikasi dengan aplikasi Weka memiliki beberapa perbedaan maka sebaiknya dikembangkan kembali algoritma yang digunakan.