1 LATAR BELAKANG DAN MASALAH
1.1 LATAR BELAKANG MASALAH
1.2 RUMUSAN MASALAH
Berdasarkan dari latar belakang penelitian tersebut maka penulis dapat mengidentifikasi
beberapa masalah yang akan diteliti adalah:
1. Bagaimana mengelola data pelanggan yang terdaftar dalam aplikasi e-commerce?
2. Bagaimana mengelola data produk yang di jual dan menampilkannya dalam catalog yang
tersusun rapid an di kelompokkan dalam beberapa kategori sehingga pelanggan dapat
mencari produk yang di inginkan dengan nyaman?
3. Bagaimana sistem dapat menganalisis profil pelanggan sehingga dapat mempromosikan
produk yang tepat kepada pelanggan?
4. Bagaimana sistem dapat membuat laporan hasil penjualan, keuntungan yang di dapat dan
menganalisis tingkat laku atau tidaknya suatu produk yang di jual?
1.3 BATASAN MASALAH
Dengan maksud agar pembahasan dan penyusunan laporan tugas ini dapat dilakukan secara
terarah dan tidak menyimpang serta sesuai dengan apa yang diharapkan. Batasan-batasan
masalah antara lain :
1. Sistem yang di bangun berbasis web
2. Analisis sistem menggunakan teknik analisis terstruktur
1
1.4 TUJUAN
Tujuan dari tugas akhir ini adalah untuk membuat sebuah sistem yang diharapkan dapat
meningkatkan penjualan toko sumber ilmu dan memperluas pangsa pasar karena dapat di akses
oleh semua orang.
1.5
MANFAAT
Bagi Toko Sumber Ilmu
Permasalahan kapasitas ruang dapat teratasi.
Pangsa Pasar menjadi luas karena dapat di akses oleh semua orang.
1.6
STUDI PUSTAKA
Menurut pendapat Rayport dan Jaworski, e-commerce adalah pertukaran yang dimediasi oleh
teknologi antara beberapa kelompok (individual atau organisasi) secara elektronik berbasiskan
aktivitas intraorganisasional atau interorganisasional yang menfasilitasi pertukaran tersebut.
Sedangkan menurut pendapat Award, e-commerce adalah pemasaran, pembelian, dan penjualan
produk atau jasa pada internet. E-commerce dapat didefinisikan dalam beberapa perspektif,
antara lain :
Perspektif komunikasi
Pada perspektif ini e-commerce merupakan kemampuan untuk menyampaikan produk,
jasa, informasi atau pembayaran via networks seperti internet atau www.
Perspektif interface
E-commerce melibatkan aneka informasi dan pertukaran transaksi.
2
Perspektif proses bisnis
E-commerce melibatkan aktivitas yang secara langsung mendukung perdagangan secara
elektronik dengan menggunakan koneksi network
Perspektif online
E-commerce adalah lingkungan elektronik yang memungkinkannya untuk membeli dan
menjual produk, jasa, dan informasi pada internet.
Perspektif structural
E-commerce melibatkan banyak media seperti data, teks, web page, internet, telephony,
dan desktop video.
1. Elemen-elemen E-commerce
Yang termasuk dalam element-element e-commerce :
1.1 Networking
Networking atau jaringan merupakan beberapa computer yang saling berhubungan dan
saling tukar menukar informasi dan terkoneksi melalui sebuah kartu jaringan dan jalur
komunikasi,yang terdiri dari jaringan local atau lebih dikenal dengan LAN dan jaringan
internet yang banyak digunakan untuk jaringan LAN atau lokal terdapat berbagai jenis
jaringan seperti jaringan Bus, Token, Star, dan yang lain yang cocok untuk digunakan,
selain itu juga jaringan merupakan bagian yang penting untuk mementukan baik atau
tidaknya suatu jaringan, untuk dapat diakses dalam jaringan baik jaringan lokal maupun
lewat jaringan internet.
3
2.1 Security (keamanan)
Security atau keamanan merupakan bagian yang penting, karena menyangkut masalah
keamanan data user dan juga keamanan server kita, masalah seperti enkripsi data pada
saat transaksi memakai kartu kredit.
3.1 Web programming dan web design
Kedua masalah ini dalam pelaksanaannya dapat dikerjakan oleh satu orang atau dibagi
dua, untuk web programming dikhususkan dalam bahasa pemrogramman dan untuk web
design khususnya untuk mendesain halaman web atau penganturan gambar,warna
maupun tata letak suatu web dari segi keindahan dan dinamis.
4.1 Bussiness Online
Maksud dari business online ini yaitu menyangkut bagaimana cara pengolahan
perusahaan mulai dari manajemen, administrasi keuangan dan lainnya, yang semua itu
merupakan suatu strategi dalam menarik konsumen atau pelanggan untuk datang ke toko.
5.1 Cyberlaw
Cyberlaw merupakan hukum yang mengatur pelanggan didunia internet,seperti mencuri
nomer kartu kredit yang merupakan kejahatan internet, cyberlaw ini harus didikung oleh
pihak yang berwajib dinegara kita, karena apabila di negara kita belum diterapkan sistem
cyberlaw, maka para pelanggan akan berpindah tempat untuk menjaga keamanan mereka.
2. Sistem Rekomendasi
Sistem Rekomendasi adalah sebuah perangkat lunak yang menawarkan suatu pilihan suatu
produk kepada individu pengguna, baik secara eksplisit maupun secara implisit dan membuat
4
sebuah rekomendasi yang sesuai dengan individu pengguna. Sistem Rekomendasi telah
digunakan pada beberapa bidang, termasuk e-commerce, pendidikan dan organisasi manajemen
pengetahuan.
Sistem Rekomendasi dapat dikategorikan kedalam teknologi sistem informasi, yaitu
sebagai jenis sistem pendukung keputusan (SPK) untuk konsumen (Grenci dan Todd 2002).
Ketika menggunakan system rekomendasi, pelanggan menyediakan masukan pada sistem
( yaitu, kebutuhan dan kendala terkait dengan produk yang diinginkan atau penilaian yang
dilakukan sebelumnya terhadap sebuah produk ) untuk digunakan sebagai kriteria dalam mencari
produk dan menghasilkan saran dan rekomendasi bagi pelanggan.
Sistem rekomendasi juga menunjukan kesamaan dengan sistem berbasis pengetahuan (KBS)
karena diperlukan untuk menjelaskan penalaran yang dilakukan kepada pengguna sehingga
mereka akan mempercayai kompetensi dari system rekomendasi tersebut dan menerima
rekomendasi yang di berikan (Gregor dan Benbasat 1999; wang dan benbasat 2004). Selain itu,
system rekomendasi dirancang untuk memahami individu kebutuhan pengguna tertentu
(pelanggan) yang mereka layani. Keyakinan pengguna tentang sejauh mana sistem memahami
mereka..
Dalam menyediakan sebuah produk yang sesuai dengan selera atau minat pengguna, system
rekomendasi menggunakan sebuah algoritma prediksi beberapa diantaranya adalah berbasis
pengguna dan berbasis item. Sebuah rekomendasi perlu menggunakan algoritma prediksi secara
efisien sehingga akan memberikan sebuah rekomendasi yang akurat kepada pengguna. Jika
prediksi didefinisikan sebagai nilai yang mengungkapkan kemungkinan meramalkan bahwa
5
pengguna menyukai sebuah item, maka rekomendasi didefinisikan sebagai daftar item n
sehubungan dengan puncak-n prediksi dari set item yang tersedia.
2.1 Pendekatan Algoritma Rekomendasi
Ada beberapa metode yang umum untuk merumuskan rekomendasi keduanya, yaitu
pendekatan berbasis konten (Ballabanovic dan Sholam, 1997;. Kalles et al, 2003), dan
colaborative filtering (Herlocker et al, 2000;. Hofmann, 2003).
Algoritma colaborative filtering didasarkan pada tujuan untuk mengidentifikasi pengguna
yang memiliki kepentingan dan preferensi yang relevan dengan menghitung persamaan dan
perbedaan antara profil pengguna (Herlocker et al, 2004). Ide di balik metode ini, mungkin
bermanfaat untuk berkonsultasi dengan perilaku pengguna lain yang berbagi minat yang sama
atau relevan dan yang pendapatnya dapat dipercaya.
Disebut kolaboratif atau sosial karena sistem ini benar-benar memanfaatkan kesamaan
minat pengguna untuk memberikan informasi yang sesuai dan spesifik untuk setiap individu
Profil atau preferensi pengguna ini berisi penilaian pengguna tersebut terhadap item-item
yang telah ditemui sebelumnya.
Metode ini pertama kali diimplementasikan oleh Patty Maes, et. Al, dengan mengatakan
bahwa sistem dengan metode ini mampu melakukan otomatisasi proses penyampaian
rekomendasi secara word of mouth (mulut ke mulut), yang terjadi ketika seseorang untuk
mendapatkan rekomendasi. Prinsipnya, system ini menggunakan korelasi statistic untuk menilai
kemiripan pengguna satu dengan yang lain, kemudian memprediksi nilai sebuah informasi
bagi pengguna berdasarkan korelasi tersebut.
2.2 User-Item Collaborative Filtering
6
Pendekatan user-item collaborative filtering menggunakan hasil penilaian setiap user
atau pengguna terhadap item-item dan menyimpannya dalam sebuah catatan profil atau
preferensi pengguna. Korelasi antar pengguna kemudian dihitung berdasarkan penilaianpenilaiannya tersebut. Hasil korelasi itu kemudian digunakan untuk memprediksi nilai sebuah
item bagi pengguna yang belum menilai item tersebut.
Hal pertama yang dilakunan adalah pembentukan lingkungan (neighborhood), yaitu
dengan n-best neighbors. N-best neighbor dilakukan dengan menetapkan jumlah neighbor
terlebih dulu lalu memasukkan neighbor sejumlah n yang skor kedekatannya paling tinggi.
Setelah lingkungan atau neighborhood terbentuk, sistem dapat memprediksi nilai sebuah
item bagi Agus menggunakan
nilai korelasinya. Algoritma ini mempelajari terlebih dulu
bagaimana setiap pengguna dalam lingkungan ini menilai sebuah item, kemudian menghitung
rata-rata semua nilai item untuk kemudian memprediksi nilai item tersebut bagi Agus.
Gambar 2.3 Pembentukan lingkungan (neighborhood ) untuk Agus
2.3 Ukuran Similiarity
Nilai kesamaan yang akan disajikan berdasarkan koefisien korelasi pearson, sebuah matrik
dari relevansi antara dua buah vektor (Pearson, 1900). Ketika nilai-nilai dari vektor-vektor yang
berhubungan dengan model pengguna maka kesamaan ini biasa disebut dengan kesamaan yang
7
didasarkan pada user ( user-based collaborative filtering ), sedangkan bila mereka berhubungan
dengan model suatu item maka disebut dengan kesamaan yang berbasis item ( item-based
collaborative
filtering
).
Ukuran
kesamaan
dapat
secara
efektif
digunakan
untuk
menyeimbangkan pentingnya peringkat dalam algoritma prediksi dan oleh karena itu untuk
meningkatkan akurasi ada beberapa kesamaan algoritma yang telah digunakan : cosine vector
similarity, Pearson correlation, Spearman correlation, entropy-based uncertainty measure and
mean-squared difference. Breese et al (1998) menunjukkan bahwa korelasi pearson melakukan
lebih baik dari algoritma cosine vector similarity, sementara Herlock et al. (1999) menunjukkan
bahwa korelasi pearson melakukan lebih baik dari Spearman correlation, entropy-based
uncertainty measure and mean-squared difference. Menurut pernyataan ini korelasi pearson
dipilih untuk menghitung kesamaan antar user dengan memanfaatkan nilai rating secara eksplisit.
Rating secara eksplisit mengidentifikasi preferensi pengguna untuk suatu item tertentu.
Pengguna diminta oleh agen antar muka untuk memberikan rating untuk item yang pernah
dilihat. Nilai rating berkisar dari 1 sampai 5 dengan 1 mengekspresikan terbesar keengganan
untuk item dan 5 mengekspresikan keingginan terbesar untuk item tersebut. Nilai rating ini
selanjutnya akan dicatat oleh sistem dan akan digunakan untuk membangun model pengguna.
Kesamaan akan dihitung atas bagian-bagian dari dua vektor yang berasal dari salah satu
matriks, seperti yang digambarkan oleh bagian-bagian yang diarsir dari gambar 1
8
Gambar1 Matrik User-Item
Jika set item yang pengguna ux dan uy sama-sama nilai adalah didefinisikan sebagai I’ =
{ix : x = 1,2,...,n’ /\ n’
1.2 RUMUSAN MASALAH
Berdasarkan dari latar belakang penelitian tersebut maka penulis dapat mengidentifikasi
beberapa masalah yang akan diteliti adalah:
1. Bagaimana mengelola data pelanggan yang terdaftar dalam aplikasi e-commerce?
2. Bagaimana mengelola data produk yang di jual dan menampilkannya dalam catalog yang
tersusun rapid an di kelompokkan dalam beberapa kategori sehingga pelanggan dapat
mencari produk yang di inginkan dengan nyaman?
3. Bagaimana sistem dapat menganalisis profil pelanggan sehingga dapat mempromosikan
produk yang tepat kepada pelanggan?
4. Bagaimana sistem dapat membuat laporan hasil penjualan, keuntungan yang di dapat dan
menganalisis tingkat laku atau tidaknya suatu produk yang di jual?
1.3 BATASAN MASALAH
Dengan maksud agar pembahasan dan penyusunan laporan tugas ini dapat dilakukan secara
terarah dan tidak menyimpang serta sesuai dengan apa yang diharapkan. Batasan-batasan
masalah antara lain :
1. Sistem yang di bangun berbasis web
2. Analisis sistem menggunakan teknik analisis terstruktur
1
1.4 TUJUAN
Tujuan dari tugas akhir ini adalah untuk membuat sebuah sistem yang diharapkan dapat
meningkatkan penjualan toko sumber ilmu dan memperluas pangsa pasar karena dapat di akses
oleh semua orang.
1.5
MANFAAT
Bagi Toko Sumber Ilmu
Permasalahan kapasitas ruang dapat teratasi.
Pangsa Pasar menjadi luas karena dapat di akses oleh semua orang.
1.6
STUDI PUSTAKA
Menurut pendapat Rayport dan Jaworski, e-commerce adalah pertukaran yang dimediasi oleh
teknologi antara beberapa kelompok (individual atau organisasi) secara elektronik berbasiskan
aktivitas intraorganisasional atau interorganisasional yang menfasilitasi pertukaran tersebut.
Sedangkan menurut pendapat Award, e-commerce adalah pemasaran, pembelian, dan penjualan
produk atau jasa pada internet. E-commerce dapat didefinisikan dalam beberapa perspektif,
antara lain :
Perspektif komunikasi
Pada perspektif ini e-commerce merupakan kemampuan untuk menyampaikan produk,
jasa, informasi atau pembayaran via networks seperti internet atau www.
Perspektif interface
E-commerce melibatkan aneka informasi dan pertukaran transaksi.
2
Perspektif proses bisnis
E-commerce melibatkan aktivitas yang secara langsung mendukung perdagangan secara
elektronik dengan menggunakan koneksi network
Perspektif online
E-commerce adalah lingkungan elektronik yang memungkinkannya untuk membeli dan
menjual produk, jasa, dan informasi pada internet.
Perspektif structural
E-commerce melibatkan banyak media seperti data, teks, web page, internet, telephony,
dan desktop video.
1. Elemen-elemen E-commerce
Yang termasuk dalam element-element e-commerce :
1.1 Networking
Networking atau jaringan merupakan beberapa computer yang saling berhubungan dan
saling tukar menukar informasi dan terkoneksi melalui sebuah kartu jaringan dan jalur
komunikasi,yang terdiri dari jaringan local atau lebih dikenal dengan LAN dan jaringan
internet yang banyak digunakan untuk jaringan LAN atau lokal terdapat berbagai jenis
jaringan seperti jaringan Bus, Token, Star, dan yang lain yang cocok untuk digunakan,
selain itu juga jaringan merupakan bagian yang penting untuk mementukan baik atau
tidaknya suatu jaringan, untuk dapat diakses dalam jaringan baik jaringan lokal maupun
lewat jaringan internet.
3
2.1 Security (keamanan)
Security atau keamanan merupakan bagian yang penting, karena menyangkut masalah
keamanan data user dan juga keamanan server kita, masalah seperti enkripsi data pada
saat transaksi memakai kartu kredit.
3.1 Web programming dan web design
Kedua masalah ini dalam pelaksanaannya dapat dikerjakan oleh satu orang atau dibagi
dua, untuk web programming dikhususkan dalam bahasa pemrogramman dan untuk web
design khususnya untuk mendesain halaman web atau penganturan gambar,warna
maupun tata letak suatu web dari segi keindahan dan dinamis.
4.1 Bussiness Online
Maksud dari business online ini yaitu menyangkut bagaimana cara pengolahan
perusahaan mulai dari manajemen, administrasi keuangan dan lainnya, yang semua itu
merupakan suatu strategi dalam menarik konsumen atau pelanggan untuk datang ke toko.
5.1 Cyberlaw
Cyberlaw merupakan hukum yang mengatur pelanggan didunia internet,seperti mencuri
nomer kartu kredit yang merupakan kejahatan internet, cyberlaw ini harus didikung oleh
pihak yang berwajib dinegara kita, karena apabila di negara kita belum diterapkan sistem
cyberlaw, maka para pelanggan akan berpindah tempat untuk menjaga keamanan mereka.
2. Sistem Rekomendasi
Sistem Rekomendasi adalah sebuah perangkat lunak yang menawarkan suatu pilihan suatu
produk kepada individu pengguna, baik secara eksplisit maupun secara implisit dan membuat
4
sebuah rekomendasi yang sesuai dengan individu pengguna. Sistem Rekomendasi telah
digunakan pada beberapa bidang, termasuk e-commerce, pendidikan dan organisasi manajemen
pengetahuan.
Sistem Rekomendasi dapat dikategorikan kedalam teknologi sistem informasi, yaitu
sebagai jenis sistem pendukung keputusan (SPK) untuk konsumen (Grenci dan Todd 2002).
Ketika menggunakan system rekomendasi, pelanggan menyediakan masukan pada sistem
( yaitu, kebutuhan dan kendala terkait dengan produk yang diinginkan atau penilaian yang
dilakukan sebelumnya terhadap sebuah produk ) untuk digunakan sebagai kriteria dalam mencari
produk dan menghasilkan saran dan rekomendasi bagi pelanggan.
Sistem rekomendasi juga menunjukan kesamaan dengan sistem berbasis pengetahuan (KBS)
karena diperlukan untuk menjelaskan penalaran yang dilakukan kepada pengguna sehingga
mereka akan mempercayai kompetensi dari system rekomendasi tersebut dan menerima
rekomendasi yang di berikan (Gregor dan Benbasat 1999; wang dan benbasat 2004). Selain itu,
system rekomendasi dirancang untuk memahami individu kebutuhan pengguna tertentu
(pelanggan) yang mereka layani. Keyakinan pengguna tentang sejauh mana sistem memahami
mereka..
Dalam menyediakan sebuah produk yang sesuai dengan selera atau minat pengguna, system
rekomendasi menggunakan sebuah algoritma prediksi beberapa diantaranya adalah berbasis
pengguna dan berbasis item. Sebuah rekomendasi perlu menggunakan algoritma prediksi secara
efisien sehingga akan memberikan sebuah rekomendasi yang akurat kepada pengguna. Jika
prediksi didefinisikan sebagai nilai yang mengungkapkan kemungkinan meramalkan bahwa
5
pengguna menyukai sebuah item, maka rekomendasi didefinisikan sebagai daftar item n
sehubungan dengan puncak-n prediksi dari set item yang tersedia.
2.1 Pendekatan Algoritma Rekomendasi
Ada beberapa metode yang umum untuk merumuskan rekomendasi keduanya, yaitu
pendekatan berbasis konten (Ballabanovic dan Sholam, 1997;. Kalles et al, 2003), dan
colaborative filtering (Herlocker et al, 2000;. Hofmann, 2003).
Algoritma colaborative filtering didasarkan pada tujuan untuk mengidentifikasi pengguna
yang memiliki kepentingan dan preferensi yang relevan dengan menghitung persamaan dan
perbedaan antara profil pengguna (Herlocker et al, 2004). Ide di balik metode ini, mungkin
bermanfaat untuk berkonsultasi dengan perilaku pengguna lain yang berbagi minat yang sama
atau relevan dan yang pendapatnya dapat dipercaya.
Disebut kolaboratif atau sosial karena sistem ini benar-benar memanfaatkan kesamaan
minat pengguna untuk memberikan informasi yang sesuai dan spesifik untuk setiap individu
Profil atau preferensi pengguna ini berisi penilaian pengguna tersebut terhadap item-item
yang telah ditemui sebelumnya.
Metode ini pertama kali diimplementasikan oleh Patty Maes, et. Al, dengan mengatakan
bahwa sistem dengan metode ini mampu melakukan otomatisasi proses penyampaian
rekomendasi secara word of mouth (mulut ke mulut), yang terjadi ketika seseorang untuk
mendapatkan rekomendasi. Prinsipnya, system ini menggunakan korelasi statistic untuk menilai
kemiripan pengguna satu dengan yang lain, kemudian memprediksi nilai sebuah informasi
bagi pengguna berdasarkan korelasi tersebut.
2.2 User-Item Collaborative Filtering
6
Pendekatan user-item collaborative filtering menggunakan hasil penilaian setiap user
atau pengguna terhadap item-item dan menyimpannya dalam sebuah catatan profil atau
preferensi pengguna. Korelasi antar pengguna kemudian dihitung berdasarkan penilaianpenilaiannya tersebut. Hasil korelasi itu kemudian digunakan untuk memprediksi nilai sebuah
item bagi pengguna yang belum menilai item tersebut.
Hal pertama yang dilakunan adalah pembentukan lingkungan (neighborhood), yaitu
dengan n-best neighbors. N-best neighbor dilakukan dengan menetapkan jumlah neighbor
terlebih dulu lalu memasukkan neighbor sejumlah n yang skor kedekatannya paling tinggi.
Setelah lingkungan atau neighborhood terbentuk, sistem dapat memprediksi nilai sebuah
item bagi Agus menggunakan
nilai korelasinya. Algoritma ini mempelajari terlebih dulu
bagaimana setiap pengguna dalam lingkungan ini menilai sebuah item, kemudian menghitung
rata-rata semua nilai item untuk kemudian memprediksi nilai item tersebut bagi Agus.
Gambar 2.3 Pembentukan lingkungan (neighborhood ) untuk Agus
2.3 Ukuran Similiarity
Nilai kesamaan yang akan disajikan berdasarkan koefisien korelasi pearson, sebuah matrik
dari relevansi antara dua buah vektor (Pearson, 1900). Ketika nilai-nilai dari vektor-vektor yang
berhubungan dengan model pengguna maka kesamaan ini biasa disebut dengan kesamaan yang
7
didasarkan pada user ( user-based collaborative filtering ), sedangkan bila mereka berhubungan
dengan model suatu item maka disebut dengan kesamaan yang berbasis item ( item-based
collaborative
filtering
).
Ukuran
kesamaan
dapat
secara
efektif
digunakan
untuk
menyeimbangkan pentingnya peringkat dalam algoritma prediksi dan oleh karena itu untuk
meningkatkan akurasi ada beberapa kesamaan algoritma yang telah digunakan : cosine vector
similarity, Pearson correlation, Spearman correlation, entropy-based uncertainty measure and
mean-squared difference. Breese et al (1998) menunjukkan bahwa korelasi pearson melakukan
lebih baik dari algoritma cosine vector similarity, sementara Herlock et al. (1999) menunjukkan
bahwa korelasi pearson melakukan lebih baik dari Spearman correlation, entropy-based
uncertainty measure and mean-squared difference. Menurut pernyataan ini korelasi pearson
dipilih untuk menghitung kesamaan antar user dengan memanfaatkan nilai rating secara eksplisit.
Rating secara eksplisit mengidentifikasi preferensi pengguna untuk suatu item tertentu.
Pengguna diminta oleh agen antar muka untuk memberikan rating untuk item yang pernah
dilihat. Nilai rating berkisar dari 1 sampai 5 dengan 1 mengekspresikan terbesar keengganan
untuk item dan 5 mengekspresikan keingginan terbesar untuk item tersebut. Nilai rating ini
selanjutnya akan dicatat oleh sistem dan akan digunakan untuk membangun model pengguna.
Kesamaan akan dihitung atas bagian-bagian dari dua vektor yang berasal dari salah satu
matriks, seperti yang digambarkan oleh bagian-bagian yang diarsir dari gambar 1
8
Gambar1 Matrik User-Item
Jika set item yang pengguna ux dan uy sama-sama nilai adalah didefinisikan sebagai I’ =
{ix : x = 1,2,...,n’ /\ n’