SISTEM INFORMASI PENJUALAN BAHAN BANGUNA (1)
SISTEM INFORMASI PENJUALAN BAHAN BANGUNAN
MENGUNAKAN METODE MARKET BASKET ANALISIS (MBA)
Moh. Nur romadlon / Hindarto
[email protected]/[email protected]
Kebutuhan masyarakat akan bahan-bahan bangunan didaerah Sidoarjo khususnya di daerah
Sidokerto Buduran dalam beberapa tahun terakhir terus mengalami peningkatan. Lokasi UD. Fajar
Mulia yang cukup strategis, karena dekat dengan Kampung dan Perumahan-Perumahan. Letak
yang tak jauh dari Kota Sidoarjo memungkinkan pembeli dari luar Kampung tersebut datang
membeli bahan bangunan ke UD. Fajar Mulia. Dalam dunia perdagangan yang selalu dinamis dan
penuh persaingan para pelakunya harus selalu memikirkan cara-cara untuk terus survive dan jika
mungkin mengembangkan usaha mereka.
Analisa market basket atau association rule mining atau analisis asosiasi adalah teknik data
mining untuk menemukan aturan assosiatif antarasuatu kombinasi item. Contoh aturan assosiatif
dari analisa pembelian di suatu pasar swalayan adala dapat diketahuinya berapa besar kemungkinan
seorang pelanggan membeli roti bersamaan dengan susu
Hasil yang akan ditampilkan sesuai dengan rancangan yang telah dibuat Form menu utama
memiliki dua jalur akses. Masing-masing pengguna dapat memiliki akses yang berbeda, sesuai
dengan penggunaan username dan password. Tingkatan pengguna dibedakan menjadi hak akses
admin dan pimpinan, Pada halaman form utama pengguna diminta untuk login terlebih dahulu,
kemudian baru dapat mengakses form sesuai dengan login masing-masing. Bagi pengguna, admin
berhak menginput, mengubah dan menghapus pengolahan data, Bagi pengguna pimpinan dapat
mengakses halaman form utama,terdapat menu perhitungan.
Kata Kunci : Analisa, market basket, association rule mining
BAB I
PENDAHULUAN
1.1
Latar Belakang
Kebutuhan
masyarakat
akan
bahan-bahan
bangunan
didaerah
Sidoarjo khususnya di daerah Sidokerto
Buduran dalam beberapa tahun terakhir
terus mengalami peningkatan. Lokasi
UD. Fajar Mulia yang cukup strategis,
karena dekat dengan Kampung dan
Perumahan-Perumahan. Letak yang tak
jauh dari Kota Sidoarjo memungkinkan
pembeli dari luar Kampung tersebut
datang membeli bahan bangunan ke
UD. Fajar Mulia. Dalam dunia
perdagangan yang selalu dinamis dan
penuh persaingan para pelakunya harus
selalu memikirkan cara-cara untuk terus
survive
dan
jika
mungkin
mengembangkan usaha mereka.
Dalam
rangka
menghadapi
persaingan bisnis dan meningkatkan
pendapatan usaha, pimpinan maupun
manajemen dalam suatu usaha tersebut
di tuntut untuk dapat mengambil
keputusan
yang
tepat
dalam
menentukan strategi penjualan. Untuk
dapat melakukan hal tersebut, suatu
usaha membutuhkan sumber informasi
yang cukup banyak untuk dapat di
analisis lebih lanjut menentukan strategi
penjualan.
Pihak
usaha
tersebut
mengharapkan adanya teknologi yang
mampu menghasilkan suatu informasi
yang siap digunakan untuk membantu
mereka dalam mengambil keputusan
strategis perusahaan. Mereka ingin
mengetahui produk apa yang harus
ditingkatkan, seberapa besar pencapaian
hasil yang diperoleh oleh perusahaan.
Untuk memenuhi kebutuhan-kebutuhan
pengusaha, banyak cara yang dapat
ditempuh. Salah satunya adalah dengan
melakukan
pemanfaatan
data
perusahaan (Data Mining).
Untuk mencapai hal itu, ada tiga
kebutuhan yang dapat dilakukan, yaitu
penambahan jenis maupun peningkatan
kapasitas produk, pengurangan biaya
1.2
operasional
perusahaan,
dan
peningkatan efektifitas pemasaran serta
keuntungan. Agar bisa memenuhi
kebutuhan -kebutuhan bisnis di atas
banyak cara yang dapat ditempuh salah
satunya adalah dengan melakukan
analisis data kebutuhan.
Rumusan Masalah
Adapun masalah yang akan
dibahas dalam penelitian ini adalah
sebagai berikut :
1. Bagaimana
mengembangkan
sebuah analisa market basket yang
berkaitan
dengan
transaksi
penjualan bahan bangunan dengan
menggunakan algoritma apriori.
2. Bagaimana output yang akan
dihasilkan dari kaidah asosiasi yang
berkaitan dengan data penjualan
yaitu nilai-nilai support dan
confidence.
1.3
Batasan Masalah
Batasan
masalah
dalam
pengolahan
data
mining
adalah
mengenai metode analisa market basket
dalam transaksi penjualan menggunakan
Algoritma Apriori. Data yang diambil
yaitu data transaksi satu bulan yang
kemudian dikelompokkan menurut
kategori barang dengan nilai minimum
confidence sebesar 60% .
1.4
Tujuan Penelitian
Adapun tujuan penelitian ini
adalah:
1. Mempelajari
sebuah
aplikasi
analisa market basket yang
berkaitan dengan data transaksi
penjualan menggunakan algoritma
apriori di tempat penjualan bahan
bangunan.
2. Mengidentifikasi beberapa tipe dari
kaidah asosiasi yang berkaitan
dengan data transaksi penjualan
yaitu nilai support dan confidence.
3. Membuat program yang dapat
digunakan oleh pemilik usaha
dalam membantu mendapatkan
informasi-informasi
penting
sehubungan dengan tugasnya dalam
pengambilan
keputusan
berdasarkan fakta yang ada secara
cepat dan tepat.
BAB II
TINJAUAN PUSTAKA
2.1 Penelitian Terdahulu
Demi kesempurnaan penelitian,
maka
penulis
perlu
melakukan
perbandingan
untuk
mengetahui
gambaran dari penelitian terdahulu.
Berdasarkan penelitian terdahulu yang
dilakukan oleh Noor Fauziyah (2012)
dengan judul “ Penggunaan Algoritma
Apriori Untuk Analisa Market Basket
Pada Apotek (Studi Kasus Pada Kimia
Farma Apotek) ’’ Penelitian tersebut
memberikan kesimpulan bahwa aplikasi
data mining mampu mengolah data
transaksi yang disediakan oleh user untuk
menemukan frequent itemset dan
association rule yang memenuhi syarat
minimum support berdasarkan item yang
ada dalam bentuk grafik dan teks.
Aplikasi ini memberitahukan asosiasi
barang apa yang sering dibeli bersamaan
oleh konsumen di Apotek yang nantinya
informasi
ini
dapat
memberikan
pertimbangan
dalam
pengambilan
keputusan guna pembelian barang dan
pengaturan pada rak Apotek.
Tabel 2.1 Perbandingan penelitian
Penelitian
Penelitian Sekarang
Terdahulu
Penggunaan
Algoritma
Apriori
Untuk
Analisa
Market Basket Pada
Apotek (Studi Kasus
Pada Kimia Farma
Apotek)
Menggunakan
software Microsoft
Basic 6.0
Mengambil
data
penjualan selama 3
bulan
Menggunakan
metode data mining
Market
Basket
Analisis (MBA)
Sistem
Informasi
Penjualan
Bahan
Bangunan
Menggunakan
Metode
Market
Basket
Analisis
(MBA)
Menggunakan
software
Netbeans
IDE 7.0.1
Mengambil
data
penjualan selama 1
bulan
Menggunakan
metode data mining
Market
Basket
Analisis (MBA)
Bertujuan
untuk
mengetahui barang
apa saja yang sering
dibeli
secara
bersamaan
oleh
konsumen sehingga
memberikan
pertimbangan dalam
pengambilan
keputusan
guna
pembelian barang dan
pengaturan pada rak
Apotek.
Bertujuan
untuk
mengetahui barang
apa saja yang sering
dibeli oleh konsumen
secara
bersamaan
sehingga
memudahkan
bagi
pemilik usaha dalam
mengambil keputusan
guna
pembelian
barang, pengaturan
rak took dan promo
barang.
2.2 Data Mining
2.2.1 Pengertian Data Mining
Data Mining didefinisikan sebagai
sebuah proses untuk menemukan
hubungan, pola, dan trend baru yang
bermakna dengan menyaring data yang
sangat besar, yang tersimpan dalam
penyimpanan,
menggunakan
teknik
pengenalan pola seperti teknik statik dan
matematika.
Selain definisi tersebut, beberapa
definisi juga diberikan seperti tertera
dibawah ini :
“Data mining adalah serangkaian
proses untuk menggali nilai tambah dari
suatu kumpulan data berupa pengetahuan
yang selama ini tidak diketahui secara
manual”
“Data mining adalah analisa
otomatis dari data yang berjumlah besar
atau kompleks dengan tujuan untuk
menemukan pola atau kecenderungan
yang penting yang biasanya tidak disadari
keberadaannya”
Dari definisi-definisi yang telah
disampaikan, hal penting yang terkait
dengan data mining adalah:
1. Data mining merupakan suatu proses
otomatis terhadap data yang sudah
ada.
2. Data yang akan diproses berupa data
yang sangat besar.
3. Tujuan dari data mining adalah
mendapatkan hubungan atau pola
yang mungkin memberikan indikasi
yang bermanfaat.
Hubungan yang dicari dalam data
mining dapat berupa hubungan antara dua
atau lebih dalam satu dimensi, misalnya
dalam dimensi produk, kita dapat melihat
keterkaitan pembelian suatu produk
dengan produk yang lain. Selain itu
hubungan juga dapat dilihat antara 2 atau
lebih atribut dan 2 atau lebih obyek.
Sementara itu penemuan pola
merupakan keluaran lain dari data
mining. Misalkan sebuah perusahaan
yang akan meningkatkan faslitas kartu
kredit dari pelanggan, maka perusahaan
akan mencari pola dari pelangganpelanggan yang ada untuk mengetahui
pelanggan yang potensial dan pelanggan
yang tidak potensial.
Data mining bukanlah suatu bidang
yang sama sekali baru. Salah satu
kesulitan untuk mendefinisikan data
mining adalah kenyataan bahwa data
mining merupakan irisan dari berbagai
disiplin ilmu yang ada dalam ilmu
pengetahuan.
Gambar
berikut
menjelaskan dimanakah sebenarnya data
mining berada.
Machine
Learning
Statistik
Data Mining
Visualisa
si
Data
Base
Gambar 2.1 Irisan Data Mining
Dari berbagai disiplin ilmu
(Santoso,B,2007) data mining dibagi
menjadi beberapa kelompok berdasarkan
tugas yang bisa dilakukan, yaitu :
1. Deskripsi
Suatu
cara
untuk
menggambarkan / mendeskripsikan
pola dan trend yang tersimpandalam
data.
Sebagai
contoh,
petugas
pengumpulan suara mungkin tidak
dapat menemukan keterangan atau
fatwa bawa siapa yang tidak cukup
profesional akan sedikit didukung
dalam pemilian presiden. Deskripsi
dari pola dan kecenderungan sering
memberikan kemungkinan penjelasan
untuk suatu pola atau kecenderungan.
2. Estimasi
Estimasi
mirip
dengan
klasifikasi, kecuali variabel tujuan
yang lebih ke arah numerik daripada
kategori.
Model
dibangun
menggunakan record lengkap yang
menyediakan nilai dari variabel target
sebagai nilai produksi. Misalnya, akan
dilakukan estimasi tekanan darah
sistolik dari pasien ruma sakit
berdasrkan umur pasien, jenis
kelamin, indeks berat badan, dan level
sodium darah. Contoh lainnya adalah
estimasi nilai indeks prestasi komulatif
mahasiswa program pascasarjana
dengan mengikuti program sarjana.
3. Prediksi
Prediksi memilki kemiripan
dengan estimasi dan klasifikasi. Hanya
saja, prediksi hasilnya menunjukkan
sesuatu yang belum terjadi (mungkin
terjadi di masa depan). Misalnya,
ingin diketahui prediksi harga beras 3
bulan yang akan datang, prediksi
presentase kenaikan kecelakaan lalu
lintas tahun depan jika batas bawa
kecepatan dinaikkan.
4. Klasifikasi
Dalam klasifikasi variabel,
tujuan
bersifat
katagorik.
Misalnya,kita akan mengklasifikasi
pendapatan dalam 3 kelas, yaitu
pendapatan tinggi pendapatan sedang,
dan pendapatan rendah. Contoh lain
adala ketika ingin dilakukan diagnosis
teradap penyakit seorang pasien untuk
mengetaui
kategori
penyakitnya,
menentukan apakah suatu transaksi
kartu kredit merupakan transaksi yang
curang atau bukan.
5. Clustering
Clustering
lebih
kearah
pengelompokkan record, pengamatan
atau kasus dalam kelas yang memiliki
kemiripan. Sebuah cluster adalah
kumpulan record yang memiliki
kemiripan satu denga yang lain dan
memiliki
ketidakmiripan
dengan
record-record dalam cluster yang lain.
Pengclusteran
berbeda
dengan
klasifikasi yaitu tidak adanya variabel
target
dalam
pengclusteran.
Pengclusteran tidak mencoba untuk
melakukan klasifikasi, mengestimasi,
atau memprediksi nilai dari variabel
target.
Akan
tetapi,
algoritma
pengclusteran
mencoba
untuk
melakukan
pembagian
terhadap
keseluruhan data menjadi kelompokkelompok yang memiliki kemiripan,
yang mana kemiripan record dalam
suatu
kelompok
akan
bernilai
maksimal,
sedangkan
kemiripan
dengan record dalam kelompok lain
akan bernilai minimal. Misalnya,
untuk tujuan audit akuntansi akan
dilakukan
segmentasi
perilaku
finansial dalam kategori baik dan
mencurigakan.
6. Analisa Market Basket
Mengidentfikasi
hubungan
antara berbagai peristiwa yang terjadi
pada suatu waktu. Pendekatan tersebut
menekankan sebuah kelas masalah
yang dicirikan dengan analisa
keranjang pasar. Dalam bidang eceran
ada suatu usaa untuk mengidentifikasi
produk-produk apa yang terjual dan
pada tingkat seperti apa.
Deskripsi
Estimasi
Data Mining
Analisa
Market
Gambar 2.2 Beberapa Kelompok dalam data
mining
2.2.2 Tahapan Dalam Data Mining
Data-data yang ada tidak dapat
langsung diolah dengan menggunakan
sistem data mining. Data-data tersebut
harus dipersiapkan terlebih dahlu agar
hasil yang diperoleh dapat lebih
maksimal, dan waktu komputasinya lebih
minimal. Proses persiapan data ini sendiri
dapat menapai 60% dari keseluruhan
proses dalam data mining.
Gambar 2.3 Tahapan dalam data
mining
Tahap-tahapnya dimulai dari
pemrosesan raw data atau data mentah
sampai pada penyaringan hingga
ditemukannya knowledge, dijabarkan
sebagai berikut :
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,
Cluste
seperti kesalahan cetak (tipografi).
ring
Juga dilakukan proses enrichment,
yaitu proses “memperkaya” data yang
Predik
sudah ada dengan data atau informasi
Klasifi
lain yang relevan dan diperlukan
kasi
untuk KDD,seperti data atau informasi
eksternal.
3. Transformation Coding adalah proses
transformasi 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 adalah proses 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 yang berkepentingan. Tahap ini
merupakan bagian dari proses KDD
yang disebut dengan interpretation.
Tahap ini mencakup pemeriksaan
apakah pola atau informasi yang
ditemukan bertentangan dengan fakta
atau hipotesa yang ada sebelumnya.
2.3 Market Basket Analisis
2.3.1 Pengertian Market Basket
Analisis
Analisa market basket atau
association rule mining atau analisis
asosiasi adalah teknik data mining untuk
menemukan aturan assosiatif antarasuatu
kombinasi item. Contoh aturan assosiatif
dari analisa pembelian di suatu pasar
swalayan adala dapat diketahuinya
berapa besar kemungkinan seorang
pelanggan membeli roti bersamaan
dengan susu.
Dengan pengetahuan tersebut
pemilik pasar swalayan dapat mengatur
penempatan barangnya atau merancang
kampanye pemasaran dengan memakai
kapan diskon untuk barang tertentu.
Analisis asosiasi dikenal juga sebagai
salah satu teknik data mining yang
menjadi dasar dari berbagai teknik data
mining lainnya. Khususnya salah satu
taap dari analisis asosiasi yang disebut
analisis pola frequensi tinggi menarik
perhatian
banyak
peneliti
untuk
menghasilkan algoritma yang efisien.
Penting tidaknya suatu aturan
assosiatif dapat diketahui dengan dua
parameter, support (nilai penunjang)
yaitu presentase kombinasi item tersebut
dalam database dan confidence (nilai
kepastian) yaitu kuatnya hubungan antar
item dalam aturan assosiatif.
Aturan assosiatif biasanya dinyatakan
dalam bentuk b:
(roti, mentega) (susu) (support = 40%
confidence = 50%)
Yang artinya : 50% dari transaksi di
database yang memuat item roti dan
mentega juga memuat item susu.
Sedangkan 40% dari seluruh transaksi
yang ada di database memuat ketiga item
itu.
Dapat juga diartikan : “Seorang
konsumen yang membeli roti dan
mentega punya kemungkinan 50% untuk
juga membeli susu. Aturan ini cukup
signifikan karena mewakili 40% dari
catatan transaksi selama ini.”
Analisis asosiasi didefinisikan
suatu proses untuk menemukan semua
aturan assosiatif yang memenui syarat
minimum untuk support (minimum
support) dan syarat minimum untuk
confidence (minimum confidence).
Pada umumnya Analisa Market
Basket dapat diaplikasikan pada :
1. Transaksi kartu kredit : barang –
barang yang diebli menggunakan
kartu kredit dapat menjadi analisa atau
produk sejenis lainnya yang juga
dibeli secara bersamaan.
2. Transaksi Supermarket : kombinasi
dari barang – baeang yang telah dibeli
oleh pelanggan dapat digunakan untuk
menentukan peletakan posisi barang di
rak.
3. Transaksi produk telekomunikasi :
fasilitas yang saling berhubungan
(seperti nada sela tampilan nama
pemanggil,
fungsi
multimedia,
kamera, koneksi dan lain – lain)
membantu7 menentukan paket dan
fungsi dari suatu produk.
4. Transaksi perbankan : Pola dari
pelayanan yang digunakan nasabah
digunakan oleh pihak bank untuk
menawarkan pelayanan yang jugfa
banyak digunakan oleh nasaba
lainnya.
5. Transaksi asuransi : kombinasi yang
tidak lazim dari sebuah klaim asuransi
menunjukkan terjadinya kecurangan
sebuah klaim (klaim fiktif / rekayasa).
6. Prosedur absensi mesin : kombinasi
yang tidak lazim dari jam kedatnagan
menunjukkan terjadinya kecurangan
dalam proses absensi.
7. Catatan medis pasien : kombiansi
tertentu dari suatu kondisi dapat
menggambarkan bertambahnya resiko
dari suatu penyakit.
2.3.2 Konsep Market Basket Analisis
Gambar 2.4 Ilustrasi tentang konsep market
basket analisis
Market
Basket
Analisis
merupakan salah satu contoh penerapan
Associaton Rules. Untuk menampilkan
ide dasar dari Market Basket Analisis
dimulai dari melihat gambar belanjaan
pada gambar 2.4 yang berisi bermacammacam barang yang dibeli oleh
konsumen di sebuah supermarket.
Keranjang ini berisi bermacam-macam
barang seperti roti, susu, sereal, telur,
mentega, gula, dan sebagainya. Sebuah
keranjang memberitahukan kepada kita
tentang apa saja yang telah dibeli oleh
seorang konsumen dalam satu waktu.
Sebuah daftar belanjaan yang lengkap
yang diperoleh konsumen memberikan
kita informasi yang sangat banyak, dan
ini dapat menjelaskan barang-barang apa
saja yang paling penting dari bisnis
penjualan yaitu “apa barang yang dibeli
konsumen dan kapan”.
Setiap
konsumen
membeli
barang-barang yang berbeda, dalam
jumlah berbeda dan dalam waktu yang
berbeda pula. Market Basket Analisis
menggunakan informasi apa yang dibeli
oleh konsumen untuk menyediakan tanda
atau informasi yaitu siapa mereka dan
mengapa mereka melakukan pembelian
barang tersebut? Market Basket Analisis
menyediakan tentang pengertian barang
dagangan
dengan
memberitahukan
kepada kita produk-produk mana saja
yang memungkinkan untuk dibeli dalam
waktu yang bersamaan dan produk mana
yang lebih disetujui untuk dipromosikan.
2.3.3 Tiga Level Market Basket Data
Market Basket Data adalah data
transaksi
yang
menjelaskan
tiga
perbedaan entitas yang mendasar yaitu :
1. Customer
2. Order / Pembelian
3. Items (barang-barang)
Pengenalan konsumen setiap saat
membuat mungkin untuk dikenali secara
cepat, seperti frekuensi pembelian yang
dilakukan oleh konsumen. Tiga level dari
Market Basket Data yang penting secara
cepat dapat memahami permintaan. Ada
beberapa pengukuran, yaitu :
1. Berapa rata-rata pembelian barang
yang dilakukan konsumen?
2. Berapa rata-rata barang yang khusus
setiap pembelian?
3. Berapa rata-rata barang setiap
pembelian?
4. Untuk barang tertentu, proporsi
konsumen apa yang telah membeli
barang tertentu?
5. Untuk barang tertentu, berapa rata-rata
dari setiap pembelian konsumen yang
termasuk dalam barang tersebut?
6. Untuk barang tertentu, berapa rata-rata
jumlah
pembelia
dalam
suatu
pembelian ketika barang tersebut
dibeli?
2.3.4 Association Rule
Association Rule adalah bentuk
jika “kejadian sebelumnya” maka
“konsekuensinya”, (IF antecedent, THEN
consequent).
Bersamaan
dengan
perhitungan
aturan
support
dan
confidence. Association Rule adalah
teknik data mining untuk menentukan
aturan associatif antara suatu kombinasi
item. Contoh dari Association Rule dari
analisa pembelian di suatu pasar
swalayan adalah bisa diketahui berapa
besar kemungkinan seorang konsumen
membeli roti bersamaan dengan susu.
Dengan pengetahuan tersebut, pemilik
pasar swalayan dapat mengatur tempat
barangnya atau merancang kampanye
pemasarannya dengan memakai kupon
diskon untuk kombinasi barang tertentu.
2.3.5 Association Rule Mining
Association Rule Mining adalah
suatu prosedur untuk mencari hubungan
antar item dari suatu data set yang
ditentukan. (Han, kambler, 2001). Dalam
dunia bisnis lazim dikenal dengan istilah
affinity analysis.Tugas dari association
rule adalah mencari aturan yang tidak
mencakup hubungan antara dua atau
lebih atribut. Association Rule meliputi
dua tahap (Ulmer, David, 2002) :
1. Mencari suatu kombinasi yang sering
terjadi dalam suatu item set.
2. Mendifinisikan Condition dan Result
(untuk conditional association rule).
Dalam menetukan Association
Rule, terdapat suatu ukuran ketertarikan
yang didapatkan dari hasil pengolahan
data dengan perhitungan tertentu.
Umumnya ada dua ukuran yaitu :
1. Support : Suatu ukuran yang
menunjukkan seberapa besar tingkat
tingkat dmominasi suatu item/itemset
dari seluruh transaksi. Ukuran ini
menentukan apakah suatu item layak
untuk dicari confidencenya (misal dari
seluruh transaksi yang ada, seberapa
besar
tingkat
dominasi
yang
menunjukkan bahwa item A dan B
dibeli secara bersamaan).
2. Confidence : Suatu ukuran yang
menunjukkan hubungan antar 2 item
secara conditional. (missal, seberapa
sering item B dibeli, jika orang
membeli item A).
Kedua ukuran ini nantinya
berguna untuk menentukan interesting
association
rule,
yaitu
untuk
dibandingkan dengan batasan (threshold)
yang ditentukan oleh user. Batasan
tersebut
umumnya
terdiri
dari
min_support, dan min_confidence.
2.3.6 Metodologi Dasar Association
Rule
Metodologi
dasar
analisis
asosiasi dibagi menjadi dua tahap :
1. Analisa pola frekuensi tinggi
Tahap ini mencari kombinasi
item yang memenuhi syarat minimum
dari nilai support dalam database.
Nilai support sebuah item diperoleh
dengan rumus berikut :
( )
Sedangkan nilai support dari 2 item
dperoleh dari rumus berikut :
(
)
(
)
(
)
Keterangan :
Support = Suatu ukuran yang
menunjukkan seberapa besar tingkat
dominasi suatu item /itemset dari
seluruh transaksi
P = Gabungan kombinasi item A dan
item B
A = Nama itemset A
B = Nama itemset B
2. Pembentukan aturan assosiatif
Setelah sesuai pola frekuensi
tinggi ditentukan, barulah dicari aturan
assosiatif yang memenuhi syarat
minimum untuk confidence dengan
menghitung
confidence
aturan
assosiatif A B
Nilai confidence dari aturan A B
diperoleh dari rumus berikut :
(
)
Keterangan :
Confidence = suatu ukuran yang
menunjukkan hubungan antar 2 item
secara conditional
2.3.7 Lift / Improvemet Ratio
Lift Ratio adalah parameter
penting selain support dan confidence
dalam association rule. Lift Ratio
mengukur seberapa penting rule yang
telah terbentuk berdasarkan nilai support
dan confidence. Lift Ratio merupakan
nilai yang mnenunjukkan kevalidan
proses transaksi dan memberikan
informasi apakah benar produk A dibeli
bersamaan dengan produk B.
Lift / Improvement Ratio dapat dihitung
dengan rumus :
(
)
( )
( )
Sebuah
transaksi
bisa
dikatakan valid jika nilai improvement
ratio lebih dari 1, yang berarti dalam satu
transaksi produk A dan B benar-benar
dibeli secara bersamaan.
(
)
Sehingga nilai Improvementnya adalah
0,94. Artinya bahwa rule tersebut kurang
baik, karena rule yang baik mempunyai
nilai Improvement lebih dari 1.
2.4 Algoritma Apriori
Algoritma
Apriori
adalah
algoritma
paling
terkenal
untuk
menemukan pola frekuensi tinggi. Pola
frekuensi tinggi adalah pola-pola item di
dalam suatu database yang memiliki
frekuensi atau support di atas ambang
batas tertentu yang disebut dengan istilah
minimum support. Pola frekuensi tinggi
ini digunakan untuk menyusun aturan
assosiatif dan juga beberapa teknik data
mining lainnya.
Algoritma Apriori dibagi menjadi
beberapa tahap yang disebut iterasi atau
pass. Tiap iterasi menghasilkan pola
frekuensi tinggi dengan panjang yang
sama dimulai dari pass pertama yang
menghasilkan pola frekuensi tinggi
dengan panjang satu. Di iterasi pertama
ini, support dari setiap item dihitung
dengan men-scan database. Setelah
support dari setiap item didapat, item
yang memiliki support diatas minimum
support dipilih sebagai pola frekuensi
tinggi dengan panjang 1 atau sering
disingkat 1-itemset.
Iterasi kedua menghasilkan 2itemset yang tiap set-nya memiliki dua
item. Pertama dibuat kandidat 2-itemset
dari kombinasi semua 1-itemset. Lalu
untuk tiap kandidat 2-itemset ini dihitung
support-nya dengan men-scan database.
Support disini artinya jumlah transaksi
dalam database yang mengandung kedua
item dalam kandidat 2-itemset. Setelah
support dari semua kandidat 2-itemset
didapatkan, kandidat 2-itemset yang
memenuhi syarat minimum support dapat
ditetapkan sebagai 2-itemset yang juga
merupakan pola frekuensi tinggi dengan
panjang 2.
Untuk selanjutnya pada iterasi kek dapat dibagi lagi menjadi beberapa
bagian :
1. Pembentukan
kandidat
itemset,
Kandidat k-itemset dibentuk dari
kombinasi (k-1)-itemset yang didapat
dari iterasi sebelumnya. Satu ciri dari
algoritma Apriori adalah adanya
pemangkasan kandidat k-itemset yang
subset-nya yang berisi k-1 item tidak
termasuk dalam pola frekuensi tinggi
dengan panjang k-1.
2. Penghitungan support dari tiap
kandidat k-itemset. Support dari tiap
kandidat k-itemset didapat dengan
men-scan database untuk menghitung
jumlah transaksi yang memuat semua
item di dalam kandidat k-itemset tsb.
Ini adalah juga ciri dari algoritme
Apriori
dimana
diperlukan
penghitungan dengan scan seluruh
database
sebanyak
k-itemset
terpanjang.
3. Tetapkan pola frekuensi tinggi. Pola
frekuensi tinggi yang memuat k item
atau k-itemset ditetapkan dari kandidat
k-itemset yang support-nya lebih besar
dari minimum support.
4. Bila tidak didapat pola frekuensi
tinggi baru maka seluruh proses
dihentikan. Bila tidak, maka k
ditambah satu dan kembali ke bagian
awal.
Contoh dari penerapan algoritma Apriori
diilustrasikan di Gambar berikut :
Tabel 2.1 penerapan algoritma apriori
Di sini minimum support adalah
50% atau minimal support-nya adalah 2.
Pada iterasi pertama, item yang supportnya atau count-nya dibawah 2 dieliminasi
dari 1-itemset L1. Kemudian kandidat 2itemset C2 dari iterasi kedua dibentuk
dari cross product item-item yang ada di
L1. Setelah kandidat 2-itemset itu
dihitung dari database, ditetapkan 2itemset L2. Proses serupa berulang di
iterasi ketiga, tetapi perhatikan bahwa
selain {2,3,5} yang menjadi kandidat 3itemset C3 sebenarnya ada juga itemset
{1,2,3} dan {1,3,5} yang dapat diperoleh
dari kombinasi item-item di L2, tetapi
kedua itemset itu dipangkas karena {2,3}
dan {1,5} tidak ada di L2. Proses ini
berulang sampai tidak ada lagi kandidat
baru yang dapat dihasilkan di iterasi ke 4.
Dalam contoh ini bisa dilihat
bahwa Apriori dapat mengurangi jumlah
kandidat yang harus dihitung support-nya
dengan pemangkasan. Misalnya kandidat
3-itemset dapat dikurangi dari 3 menjadi
1 saja. Pengurangan jumlah kandidat ini
merupakan sebab utama peningkatan
performa Apriori.
BAB III
METODOLOGI PENELITIAN
3.1 Lokasi dan waktu Penelitian
Lokasi penelitian ini bertempat d
UD. Fajar Mulia jln. Randu Asri No. 02
Sidokerto Buduran Sidoarjo yang
dilaksanakan pada bulan April 2015.
3.2 Alat dan Bahan
3.2.1 Alat
1. Seperangkat laptop DELL Inspiron
dengan spesifikasi processor Intel
Pentium CPU B940 2.00 GHz, 2GB
RAM
2. Sistem Operasi Windows 7 Pro
3. Borland Delphi 7
4. My SQL
3.2.2 Bahan
1. Data – data penjualan selama bulan
April 2015
3.3 Tahap Pengumpulan Data
Teknik pengumpulan data yang
digunakan dalam penelitian skripsi
adalah :
1. Pengamatan (observasi
Yaitu suatu teknik pengumpulan
data yang di peroleh dengan jalan
melakukan
pengamatan
dan
pencatatan secara langsung pada
obyek yang di teliti.
2. Studi Literatur
Yaitu melalui berbagai artikel
yang didapat di internet dan buku –
buku referensi yang menunjang
pembuatan aplikasi ini.
3. Wawancara (Interview)
Melakukan tanya jawab secara
langsung
dengan
memberikan
beberapa pertanyaan kepada orang
yang berkaitan dengan permasalahan
seputar obyek penelitian untuk
memperoleh keterangan yang relevan.
3.4 Analisa
3.4.1 Analisa Sistem
Analisa sistem dapat didefinisikan
sebagai penguraian dari suatu sistem
yang utuh kedalam bagian-bagian
komponennya dengan maksud untuk
mengidentifikasi
dan
mengevaluasi
permasalahan-permasalahan,
kesempatan-kesempatan,
hambatanhambatan yang terjadi dan kebutuhankebutuhan yang dibutuhkan sehingga
dapat diusulkan perbaikan-perbaikan.
Atau secara lebih mudahnya analisa
sistem adalah penelitian atas sistem yang
telah ada dengan tujuan untuk merancang
sistem baru atau diperbarui. Tahap
analisis ini merupakan tahap yang sangat
kritis dan sangat penting, karena
kesalahan kesalahan di tahap ini juga
menyebabkan
kesalahan
ditahap
selanjutnya. Tugas utama analisis sistem
dalam tahap ini adalah menemukan
menemukan kesalahan-kesalahan dari
sistem yang berjalan sehingga dapat
diusulkan perbaikan.
3.4.2 (Diagram Konteks)
Gambar 3.1 DFD
Level 0 pada sistem
Dalam context diagram, dapat
dilihat bahwa manajer melakukan
pengiriman data login, pengiriman
add/delete/edit
user,
memasukkan
inputan min transaksi (support) dan min confidence. Pengiriman proses-proses
tersebut akan diproses oleh sistem MBA
dan sistem akan mengirimkan validasi
data login, data user yang dilakukan
perubahan, data transaksi, dan report
association rule. Sedangkan untuk
karyawan hanya dapat melakukan
pengiriman data login dan mengimport
data transaksi. Kemudian sistem MBA
melakukan pengiriman validasi data login
dan data transaksi. Untuk lebih jelasnya
akan di gambarkan pada DFD level 0.
3.4.3 Data Flow Diagram (DFD) Level
1
Berikut perancangan perangkat
lunak secara keseluruhan dapat dilihat
pada Data Flow Diagram Level 1 pada
gambar berikut :
a) Manajer menginput min transaksi
(support) dan min confidence
b) Sistem mengambil bentuk aturan
dari tabel T.Rule
c) Sistem memberi report association
rule kepada Manajer
Gambar 3.2 DFD Level 1
Proses yang terjadi pada DFD level 1 dari
context diagram sistem MBA dapat
dijelaskan sebagai berikut:
1) Proses 1 Login
a) Manajer
dan
karyawan
memasukkan
username
dan
password
b) Tabel
T.User
memberikan
konfirmasi
username
dan
password
c) Sistem mengirimkan validasi login
terhadap manajer dan karyawan
2) Proses 2 User setting
a) Manajer mengirimkan perintah
add, delete, edit user kepada
sistem
b) Sistem mengirimkan data user dan
menyimpan ke dalam tabel T.User
3) Proses 3 Import data
a) Karyawan memilih data eksternal
yang akan di proses
b) Sistem melakukan pembuatan
database dengan tabel T.transaksi
dan T. detail transaksi
c) Sistem mengambil data detail
transaksi dari T. detail transaksi
d) Sistem menampilkan data yang
telah di import kepada manajer
dan karyawan
4) Proses 4 Generate frequent itemsets
a) Tabel
T.transaksi
dan
T.
detail_transaksi
mengirimkan
perintah pembentukan frequent
tinggi kepada sistem
b) Sistem mebuat aturan hubungan
barang dan menyimpan ke dalam
tabel T.Rule
5) Proses 5 Generate association rule
3.4.4 Relasi Antar Tabel
Hubungan data antar tabel dalam
database disebut relasi. Relasi digunakan
untuk meringkas data yang ada dalam
database, adapun gambar dari relasi antar
tabel dapat dilihat di bawah ini:
Gambar 3.3 Relasi antar tabel
BAB IV
HASIL PENELITIAN DAN
PEMBAHASAN
4.1 Hasil Penelitian.
Hasil yang akan ditampilkan
sesuai dengan rancangan yang telah
dibuat.
1. Form menu utama memiliki dua jalur
akses. Masing-masing pengguna dapat
memiliki akses yang berbeda, sesuai
dengan penggunaan username dan
password.
Tingkatan
pengguna
dibedakan menjadi hak akses admin
dan pimpinan.
2. Pada halaman form utama pengguna
diminta untuk login terlebih dahulu,
kemudian baru dapat mengakses form
sesuai dengan login masing-masing.
Bagi pengguna, admin berhak
menginput, mengubah dan menghapus
pengolahan data.
3. Bagi pengguna pimpinan dapat
mengakses
halaman
form
utama,terdapat menu perhitungan.
4.2 Pembahasan
1. Implentasi Program
Gambar 4.1. Form Login
Pada saat aplikasi dijalankan,
tampilan pertama kali yang muncul
adalah Form Login. Login ini untuk
menentukan user yang akan mengakses
aplikasi tersebut, dan sekaligus memfilter
apakah user yang masuk tersebut apakah
Administrator atau Operator.
Masukkan
username
dan
password pada kotak isian yang sudah
tersedia, kemudian tekan tombol login,
apabila username dan password yang
dimasukkan benar maka akan tampil
Form Utama. Tekan tombol cancel untuk
batal login dan keluar dari aplikasi.
Gambar 4.2. Form Utama (menu)
Form ini adalah form utama dari
aplikasi yang berisi beberapa tab dan
tombol menu, antara lain; tab user berisi
menu Master User dan Hak Akses, tab
analisa berisi menu Impor File, Analisa
Hasil dan Historis, tab utility berisi menu
Ganti Password, serta tab aplikasi berisi
menu About dan Keluar.
Gambar 4.3. Form Master User (data
operator)
Form master user berfungsi untuk
menginput user yang dapat mengakses
aplikasi ini. Tekan tombol tambah,
masukkan nama operator, username,
password dan level pada kotak isian yang
tersedia kemudian tekan tombol simpan
untuk menyimpan hasil inputan.
BAB V
PENUTUP
5.1 Kesimpulan
Kesimpulan yang dapat ditarik
setelah melakukan analisis dan pengujian
terhadap sistem yang dibangun adalah :
1. Aplikasi yang dibangun dapat
membantu UD. Fajar Mulia sebagai
gambaran
untuk
pengambilan
keputusan
toko
dalam
rangka
mendapatkan pola dari penjualan
barang.
2. Sistem
yang
dibangun
dapat
mengurangi penumpukan data yang
kurang dimanfaatkan sebelumnya.
5.2 Saran
Berdasarkan kesimpulan diatas
maka menyarankan sebagai berikut :
1. Sesuai sengan penggunaan kebutuhan
informasi dan selanjutnya, disarankan
agar sistem ini nantinya dapat
dikembangkan lagi.
2. Untuk pemeliharan sistem informasi
ini, perlu adanya evaluasi secara rutin
sehingga dapat dilihat apakah perlu
diadakan
perbaikan
atau
penyempurnaan kembali.
DAFTAR PUSTAKA
Budhi, Gregorius S., Leo W. Santoso dan
Edward Susanto. 2006, Metode Market
Basket
Analysis
menggunakan
Algoritma Pincer Search untuk Sistem
Pembantu Pengambilan Keputusan.
Yogyakarta.
Hariyanto, Bambang Ir, MT. 2004, Sistem
Manajemen Basis Data. Bandung:
Informatika.
JEDI. 2007. JENI: Pengenalan Pemrograman
2. Jakarta: Jardiknas.
Larman, Craig. 2002, Applying UML and
Patterns: An Introduction to ObjectOriented Analysis and Design and
Iterative Development (3rd Edition). NJ
: Prentice Hall.
Nugroho, Adi. 2004, Konsep Pengembangan
Sistem Basis Data. Bandung :
Informatika.
Purbo,
Onno
W.
2001,
Mengenal
eCommerce. Jakarta : PT Elex Media
Komputindo.
Pramudiono, Iko. 2003, Pengantar Data
Mining:
Menambang
Permata
Pengetahuan
di
Gunung
Data.
IlmuKomputer.com.
Rusly, Hendra. 2003. Pembuatan Software
Data
Mining
Untuk
Membantu
Pengambilan
Keputusan
dengan
Menggunakan Metode Market Basket
Analysis Pada Perusahaan X.
MENGUNAKAN METODE MARKET BASKET ANALISIS (MBA)
Moh. Nur romadlon / Hindarto
[email protected]/[email protected]
Kebutuhan masyarakat akan bahan-bahan bangunan didaerah Sidoarjo khususnya di daerah
Sidokerto Buduran dalam beberapa tahun terakhir terus mengalami peningkatan. Lokasi UD. Fajar
Mulia yang cukup strategis, karena dekat dengan Kampung dan Perumahan-Perumahan. Letak
yang tak jauh dari Kota Sidoarjo memungkinkan pembeli dari luar Kampung tersebut datang
membeli bahan bangunan ke UD. Fajar Mulia. Dalam dunia perdagangan yang selalu dinamis dan
penuh persaingan para pelakunya harus selalu memikirkan cara-cara untuk terus survive dan jika
mungkin mengembangkan usaha mereka.
Analisa market basket atau association rule mining atau analisis asosiasi adalah teknik data
mining untuk menemukan aturan assosiatif antarasuatu kombinasi item. Contoh aturan assosiatif
dari analisa pembelian di suatu pasar swalayan adala dapat diketahuinya berapa besar kemungkinan
seorang pelanggan membeli roti bersamaan dengan susu
Hasil yang akan ditampilkan sesuai dengan rancangan yang telah dibuat Form menu utama
memiliki dua jalur akses. Masing-masing pengguna dapat memiliki akses yang berbeda, sesuai
dengan penggunaan username dan password. Tingkatan pengguna dibedakan menjadi hak akses
admin dan pimpinan, Pada halaman form utama pengguna diminta untuk login terlebih dahulu,
kemudian baru dapat mengakses form sesuai dengan login masing-masing. Bagi pengguna, admin
berhak menginput, mengubah dan menghapus pengolahan data, Bagi pengguna pimpinan dapat
mengakses halaman form utama,terdapat menu perhitungan.
Kata Kunci : Analisa, market basket, association rule mining
BAB I
PENDAHULUAN
1.1
Latar Belakang
Kebutuhan
masyarakat
akan
bahan-bahan
bangunan
didaerah
Sidoarjo khususnya di daerah Sidokerto
Buduran dalam beberapa tahun terakhir
terus mengalami peningkatan. Lokasi
UD. Fajar Mulia yang cukup strategis,
karena dekat dengan Kampung dan
Perumahan-Perumahan. Letak yang tak
jauh dari Kota Sidoarjo memungkinkan
pembeli dari luar Kampung tersebut
datang membeli bahan bangunan ke
UD. Fajar Mulia. Dalam dunia
perdagangan yang selalu dinamis dan
penuh persaingan para pelakunya harus
selalu memikirkan cara-cara untuk terus
survive
dan
jika
mungkin
mengembangkan usaha mereka.
Dalam
rangka
menghadapi
persaingan bisnis dan meningkatkan
pendapatan usaha, pimpinan maupun
manajemen dalam suatu usaha tersebut
di tuntut untuk dapat mengambil
keputusan
yang
tepat
dalam
menentukan strategi penjualan. Untuk
dapat melakukan hal tersebut, suatu
usaha membutuhkan sumber informasi
yang cukup banyak untuk dapat di
analisis lebih lanjut menentukan strategi
penjualan.
Pihak
usaha
tersebut
mengharapkan adanya teknologi yang
mampu menghasilkan suatu informasi
yang siap digunakan untuk membantu
mereka dalam mengambil keputusan
strategis perusahaan. Mereka ingin
mengetahui produk apa yang harus
ditingkatkan, seberapa besar pencapaian
hasil yang diperoleh oleh perusahaan.
Untuk memenuhi kebutuhan-kebutuhan
pengusaha, banyak cara yang dapat
ditempuh. Salah satunya adalah dengan
melakukan
pemanfaatan
data
perusahaan (Data Mining).
Untuk mencapai hal itu, ada tiga
kebutuhan yang dapat dilakukan, yaitu
penambahan jenis maupun peningkatan
kapasitas produk, pengurangan biaya
1.2
operasional
perusahaan,
dan
peningkatan efektifitas pemasaran serta
keuntungan. Agar bisa memenuhi
kebutuhan -kebutuhan bisnis di atas
banyak cara yang dapat ditempuh salah
satunya adalah dengan melakukan
analisis data kebutuhan.
Rumusan Masalah
Adapun masalah yang akan
dibahas dalam penelitian ini adalah
sebagai berikut :
1. Bagaimana
mengembangkan
sebuah analisa market basket yang
berkaitan
dengan
transaksi
penjualan bahan bangunan dengan
menggunakan algoritma apriori.
2. Bagaimana output yang akan
dihasilkan dari kaidah asosiasi yang
berkaitan dengan data penjualan
yaitu nilai-nilai support dan
confidence.
1.3
Batasan Masalah
Batasan
masalah
dalam
pengolahan
data
mining
adalah
mengenai metode analisa market basket
dalam transaksi penjualan menggunakan
Algoritma Apriori. Data yang diambil
yaitu data transaksi satu bulan yang
kemudian dikelompokkan menurut
kategori barang dengan nilai minimum
confidence sebesar 60% .
1.4
Tujuan Penelitian
Adapun tujuan penelitian ini
adalah:
1. Mempelajari
sebuah
aplikasi
analisa market basket yang
berkaitan dengan data transaksi
penjualan menggunakan algoritma
apriori di tempat penjualan bahan
bangunan.
2. Mengidentifikasi beberapa tipe dari
kaidah asosiasi yang berkaitan
dengan data transaksi penjualan
yaitu nilai support dan confidence.
3. Membuat program yang dapat
digunakan oleh pemilik usaha
dalam membantu mendapatkan
informasi-informasi
penting
sehubungan dengan tugasnya dalam
pengambilan
keputusan
berdasarkan fakta yang ada secara
cepat dan tepat.
BAB II
TINJAUAN PUSTAKA
2.1 Penelitian Terdahulu
Demi kesempurnaan penelitian,
maka
penulis
perlu
melakukan
perbandingan
untuk
mengetahui
gambaran dari penelitian terdahulu.
Berdasarkan penelitian terdahulu yang
dilakukan oleh Noor Fauziyah (2012)
dengan judul “ Penggunaan Algoritma
Apriori Untuk Analisa Market Basket
Pada Apotek (Studi Kasus Pada Kimia
Farma Apotek) ’’ Penelitian tersebut
memberikan kesimpulan bahwa aplikasi
data mining mampu mengolah data
transaksi yang disediakan oleh user untuk
menemukan frequent itemset dan
association rule yang memenuhi syarat
minimum support berdasarkan item yang
ada dalam bentuk grafik dan teks.
Aplikasi ini memberitahukan asosiasi
barang apa yang sering dibeli bersamaan
oleh konsumen di Apotek yang nantinya
informasi
ini
dapat
memberikan
pertimbangan
dalam
pengambilan
keputusan guna pembelian barang dan
pengaturan pada rak Apotek.
Tabel 2.1 Perbandingan penelitian
Penelitian
Penelitian Sekarang
Terdahulu
Penggunaan
Algoritma
Apriori
Untuk
Analisa
Market Basket Pada
Apotek (Studi Kasus
Pada Kimia Farma
Apotek)
Menggunakan
software Microsoft
Basic 6.0
Mengambil
data
penjualan selama 3
bulan
Menggunakan
metode data mining
Market
Basket
Analisis (MBA)
Sistem
Informasi
Penjualan
Bahan
Bangunan
Menggunakan
Metode
Market
Basket
Analisis
(MBA)
Menggunakan
software
Netbeans
IDE 7.0.1
Mengambil
data
penjualan selama 1
bulan
Menggunakan
metode data mining
Market
Basket
Analisis (MBA)
Bertujuan
untuk
mengetahui barang
apa saja yang sering
dibeli
secara
bersamaan
oleh
konsumen sehingga
memberikan
pertimbangan dalam
pengambilan
keputusan
guna
pembelian barang dan
pengaturan pada rak
Apotek.
Bertujuan
untuk
mengetahui barang
apa saja yang sering
dibeli oleh konsumen
secara
bersamaan
sehingga
memudahkan
bagi
pemilik usaha dalam
mengambil keputusan
guna
pembelian
barang, pengaturan
rak took dan promo
barang.
2.2 Data Mining
2.2.1 Pengertian Data Mining
Data Mining didefinisikan sebagai
sebuah proses untuk menemukan
hubungan, pola, dan trend baru yang
bermakna dengan menyaring data yang
sangat besar, yang tersimpan dalam
penyimpanan,
menggunakan
teknik
pengenalan pola seperti teknik statik dan
matematika.
Selain definisi tersebut, beberapa
definisi juga diberikan seperti tertera
dibawah ini :
“Data mining adalah serangkaian
proses untuk menggali nilai tambah dari
suatu kumpulan data berupa pengetahuan
yang selama ini tidak diketahui secara
manual”
“Data mining adalah analisa
otomatis dari data yang berjumlah besar
atau kompleks dengan tujuan untuk
menemukan pola atau kecenderungan
yang penting yang biasanya tidak disadari
keberadaannya”
Dari definisi-definisi yang telah
disampaikan, hal penting yang terkait
dengan data mining adalah:
1. Data mining merupakan suatu proses
otomatis terhadap data yang sudah
ada.
2. Data yang akan diproses berupa data
yang sangat besar.
3. Tujuan dari data mining adalah
mendapatkan hubungan atau pola
yang mungkin memberikan indikasi
yang bermanfaat.
Hubungan yang dicari dalam data
mining dapat berupa hubungan antara dua
atau lebih dalam satu dimensi, misalnya
dalam dimensi produk, kita dapat melihat
keterkaitan pembelian suatu produk
dengan produk yang lain. Selain itu
hubungan juga dapat dilihat antara 2 atau
lebih atribut dan 2 atau lebih obyek.
Sementara itu penemuan pola
merupakan keluaran lain dari data
mining. Misalkan sebuah perusahaan
yang akan meningkatkan faslitas kartu
kredit dari pelanggan, maka perusahaan
akan mencari pola dari pelangganpelanggan yang ada untuk mengetahui
pelanggan yang potensial dan pelanggan
yang tidak potensial.
Data mining bukanlah suatu bidang
yang sama sekali baru. Salah satu
kesulitan untuk mendefinisikan data
mining adalah kenyataan bahwa data
mining merupakan irisan dari berbagai
disiplin ilmu yang ada dalam ilmu
pengetahuan.
Gambar
berikut
menjelaskan dimanakah sebenarnya data
mining berada.
Machine
Learning
Statistik
Data Mining
Visualisa
si
Data
Base
Gambar 2.1 Irisan Data Mining
Dari berbagai disiplin ilmu
(Santoso,B,2007) data mining dibagi
menjadi beberapa kelompok berdasarkan
tugas yang bisa dilakukan, yaitu :
1. Deskripsi
Suatu
cara
untuk
menggambarkan / mendeskripsikan
pola dan trend yang tersimpandalam
data.
Sebagai
contoh,
petugas
pengumpulan suara mungkin tidak
dapat menemukan keterangan atau
fatwa bawa siapa yang tidak cukup
profesional akan sedikit didukung
dalam pemilian presiden. Deskripsi
dari pola dan kecenderungan sering
memberikan kemungkinan penjelasan
untuk suatu pola atau kecenderungan.
2. Estimasi
Estimasi
mirip
dengan
klasifikasi, kecuali variabel tujuan
yang lebih ke arah numerik daripada
kategori.
Model
dibangun
menggunakan record lengkap yang
menyediakan nilai dari variabel target
sebagai nilai produksi. Misalnya, akan
dilakukan estimasi tekanan darah
sistolik dari pasien ruma sakit
berdasrkan umur pasien, jenis
kelamin, indeks berat badan, dan level
sodium darah. Contoh lainnya adalah
estimasi nilai indeks prestasi komulatif
mahasiswa program pascasarjana
dengan mengikuti program sarjana.
3. Prediksi
Prediksi memilki kemiripan
dengan estimasi dan klasifikasi. Hanya
saja, prediksi hasilnya menunjukkan
sesuatu yang belum terjadi (mungkin
terjadi di masa depan). Misalnya,
ingin diketahui prediksi harga beras 3
bulan yang akan datang, prediksi
presentase kenaikan kecelakaan lalu
lintas tahun depan jika batas bawa
kecepatan dinaikkan.
4. Klasifikasi
Dalam klasifikasi variabel,
tujuan
bersifat
katagorik.
Misalnya,kita akan mengklasifikasi
pendapatan dalam 3 kelas, yaitu
pendapatan tinggi pendapatan sedang,
dan pendapatan rendah. Contoh lain
adala ketika ingin dilakukan diagnosis
teradap penyakit seorang pasien untuk
mengetaui
kategori
penyakitnya,
menentukan apakah suatu transaksi
kartu kredit merupakan transaksi yang
curang atau bukan.
5. Clustering
Clustering
lebih
kearah
pengelompokkan record, pengamatan
atau kasus dalam kelas yang memiliki
kemiripan. Sebuah cluster adalah
kumpulan record yang memiliki
kemiripan satu denga yang lain dan
memiliki
ketidakmiripan
dengan
record-record dalam cluster yang lain.
Pengclusteran
berbeda
dengan
klasifikasi yaitu tidak adanya variabel
target
dalam
pengclusteran.
Pengclusteran tidak mencoba untuk
melakukan klasifikasi, mengestimasi,
atau memprediksi nilai dari variabel
target.
Akan
tetapi,
algoritma
pengclusteran
mencoba
untuk
melakukan
pembagian
terhadap
keseluruhan data menjadi kelompokkelompok yang memiliki kemiripan,
yang mana kemiripan record dalam
suatu
kelompok
akan
bernilai
maksimal,
sedangkan
kemiripan
dengan record dalam kelompok lain
akan bernilai minimal. Misalnya,
untuk tujuan audit akuntansi akan
dilakukan
segmentasi
perilaku
finansial dalam kategori baik dan
mencurigakan.
6. Analisa Market Basket
Mengidentfikasi
hubungan
antara berbagai peristiwa yang terjadi
pada suatu waktu. Pendekatan tersebut
menekankan sebuah kelas masalah
yang dicirikan dengan analisa
keranjang pasar. Dalam bidang eceran
ada suatu usaa untuk mengidentifikasi
produk-produk apa yang terjual dan
pada tingkat seperti apa.
Deskripsi
Estimasi
Data Mining
Analisa
Market
Gambar 2.2 Beberapa Kelompok dalam data
mining
2.2.2 Tahapan Dalam Data Mining
Data-data yang ada tidak dapat
langsung diolah dengan menggunakan
sistem data mining. Data-data tersebut
harus dipersiapkan terlebih dahlu agar
hasil yang diperoleh dapat lebih
maksimal, dan waktu komputasinya lebih
minimal. Proses persiapan data ini sendiri
dapat menapai 60% dari keseluruhan
proses dalam data mining.
Gambar 2.3 Tahapan dalam data
mining
Tahap-tahapnya dimulai dari
pemrosesan raw data atau data mentah
sampai pada penyaringan hingga
ditemukannya knowledge, dijabarkan
sebagai berikut :
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,
Cluste
seperti kesalahan cetak (tipografi).
ring
Juga dilakukan proses enrichment,
yaitu proses “memperkaya” data yang
Predik
sudah ada dengan data atau informasi
Klasifi
lain yang relevan dan diperlukan
kasi
untuk KDD,seperti data atau informasi
eksternal.
3. Transformation Coding adalah proses
transformasi 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 adalah proses 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 yang berkepentingan. Tahap ini
merupakan bagian dari proses KDD
yang disebut dengan interpretation.
Tahap ini mencakup pemeriksaan
apakah pola atau informasi yang
ditemukan bertentangan dengan fakta
atau hipotesa yang ada sebelumnya.
2.3 Market Basket Analisis
2.3.1 Pengertian Market Basket
Analisis
Analisa market basket atau
association rule mining atau analisis
asosiasi adalah teknik data mining untuk
menemukan aturan assosiatif antarasuatu
kombinasi item. Contoh aturan assosiatif
dari analisa pembelian di suatu pasar
swalayan adala dapat diketahuinya
berapa besar kemungkinan seorang
pelanggan membeli roti bersamaan
dengan susu.
Dengan pengetahuan tersebut
pemilik pasar swalayan dapat mengatur
penempatan barangnya atau merancang
kampanye pemasaran dengan memakai
kapan diskon untuk barang tertentu.
Analisis asosiasi dikenal juga sebagai
salah satu teknik data mining yang
menjadi dasar dari berbagai teknik data
mining lainnya. Khususnya salah satu
taap dari analisis asosiasi yang disebut
analisis pola frequensi tinggi menarik
perhatian
banyak
peneliti
untuk
menghasilkan algoritma yang efisien.
Penting tidaknya suatu aturan
assosiatif dapat diketahui dengan dua
parameter, support (nilai penunjang)
yaitu presentase kombinasi item tersebut
dalam database dan confidence (nilai
kepastian) yaitu kuatnya hubungan antar
item dalam aturan assosiatif.
Aturan assosiatif biasanya dinyatakan
dalam bentuk b:
(roti, mentega) (susu) (support = 40%
confidence = 50%)
Yang artinya : 50% dari transaksi di
database yang memuat item roti dan
mentega juga memuat item susu.
Sedangkan 40% dari seluruh transaksi
yang ada di database memuat ketiga item
itu.
Dapat juga diartikan : “Seorang
konsumen yang membeli roti dan
mentega punya kemungkinan 50% untuk
juga membeli susu. Aturan ini cukup
signifikan karena mewakili 40% dari
catatan transaksi selama ini.”
Analisis asosiasi didefinisikan
suatu proses untuk menemukan semua
aturan assosiatif yang memenui syarat
minimum untuk support (minimum
support) dan syarat minimum untuk
confidence (minimum confidence).
Pada umumnya Analisa Market
Basket dapat diaplikasikan pada :
1. Transaksi kartu kredit : barang –
barang yang diebli menggunakan
kartu kredit dapat menjadi analisa atau
produk sejenis lainnya yang juga
dibeli secara bersamaan.
2. Transaksi Supermarket : kombinasi
dari barang – baeang yang telah dibeli
oleh pelanggan dapat digunakan untuk
menentukan peletakan posisi barang di
rak.
3. Transaksi produk telekomunikasi :
fasilitas yang saling berhubungan
(seperti nada sela tampilan nama
pemanggil,
fungsi
multimedia,
kamera, koneksi dan lain – lain)
membantu7 menentukan paket dan
fungsi dari suatu produk.
4. Transaksi perbankan : Pola dari
pelayanan yang digunakan nasabah
digunakan oleh pihak bank untuk
menawarkan pelayanan yang jugfa
banyak digunakan oleh nasaba
lainnya.
5. Transaksi asuransi : kombinasi yang
tidak lazim dari sebuah klaim asuransi
menunjukkan terjadinya kecurangan
sebuah klaim (klaim fiktif / rekayasa).
6. Prosedur absensi mesin : kombinasi
yang tidak lazim dari jam kedatnagan
menunjukkan terjadinya kecurangan
dalam proses absensi.
7. Catatan medis pasien : kombiansi
tertentu dari suatu kondisi dapat
menggambarkan bertambahnya resiko
dari suatu penyakit.
2.3.2 Konsep Market Basket Analisis
Gambar 2.4 Ilustrasi tentang konsep market
basket analisis
Market
Basket
Analisis
merupakan salah satu contoh penerapan
Associaton Rules. Untuk menampilkan
ide dasar dari Market Basket Analisis
dimulai dari melihat gambar belanjaan
pada gambar 2.4 yang berisi bermacammacam barang yang dibeli oleh
konsumen di sebuah supermarket.
Keranjang ini berisi bermacam-macam
barang seperti roti, susu, sereal, telur,
mentega, gula, dan sebagainya. Sebuah
keranjang memberitahukan kepada kita
tentang apa saja yang telah dibeli oleh
seorang konsumen dalam satu waktu.
Sebuah daftar belanjaan yang lengkap
yang diperoleh konsumen memberikan
kita informasi yang sangat banyak, dan
ini dapat menjelaskan barang-barang apa
saja yang paling penting dari bisnis
penjualan yaitu “apa barang yang dibeli
konsumen dan kapan”.
Setiap
konsumen
membeli
barang-barang yang berbeda, dalam
jumlah berbeda dan dalam waktu yang
berbeda pula. Market Basket Analisis
menggunakan informasi apa yang dibeli
oleh konsumen untuk menyediakan tanda
atau informasi yaitu siapa mereka dan
mengapa mereka melakukan pembelian
barang tersebut? Market Basket Analisis
menyediakan tentang pengertian barang
dagangan
dengan
memberitahukan
kepada kita produk-produk mana saja
yang memungkinkan untuk dibeli dalam
waktu yang bersamaan dan produk mana
yang lebih disetujui untuk dipromosikan.
2.3.3 Tiga Level Market Basket Data
Market Basket Data adalah data
transaksi
yang
menjelaskan
tiga
perbedaan entitas yang mendasar yaitu :
1. Customer
2. Order / Pembelian
3. Items (barang-barang)
Pengenalan konsumen setiap saat
membuat mungkin untuk dikenali secara
cepat, seperti frekuensi pembelian yang
dilakukan oleh konsumen. Tiga level dari
Market Basket Data yang penting secara
cepat dapat memahami permintaan. Ada
beberapa pengukuran, yaitu :
1. Berapa rata-rata pembelian barang
yang dilakukan konsumen?
2. Berapa rata-rata barang yang khusus
setiap pembelian?
3. Berapa rata-rata barang setiap
pembelian?
4. Untuk barang tertentu, proporsi
konsumen apa yang telah membeli
barang tertentu?
5. Untuk barang tertentu, berapa rata-rata
dari setiap pembelian konsumen yang
termasuk dalam barang tersebut?
6. Untuk barang tertentu, berapa rata-rata
jumlah
pembelia
dalam
suatu
pembelian ketika barang tersebut
dibeli?
2.3.4 Association Rule
Association Rule adalah bentuk
jika “kejadian sebelumnya” maka
“konsekuensinya”, (IF antecedent, THEN
consequent).
Bersamaan
dengan
perhitungan
aturan
support
dan
confidence. Association Rule adalah
teknik data mining untuk menentukan
aturan associatif antara suatu kombinasi
item. Contoh dari Association Rule dari
analisa pembelian di suatu pasar
swalayan adalah bisa diketahui berapa
besar kemungkinan seorang konsumen
membeli roti bersamaan dengan susu.
Dengan pengetahuan tersebut, pemilik
pasar swalayan dapat mengatur tempat
barangnya atau merancang kampanye
pemasarannya dengan memakai kupon
diskon untuk kombinasi barang tertentu.
2.3.5 Association Rule Mining
Association Rule Mining adalah
suatu prosedur untuk mencari hubungan
antar item dari suatu data set yang
ditentukan. (Han, kambler, 2001). Dalam
dunia bisnis lazim dikenal dengan istilah
affinity analysis.Tugas dari association
rule adalah mencari aturan yang tidak
mencakup hubungan antara dua atau
lebih atribut. Association Rule meliputi
dua tahap (Ulmer, David, 2002) :
1. Mencari suatu kombinasi yang sering
terjadi dalam suatu item set.
2. Mendifinisikan Condition dan Result
(untuk conditional association rule).
Dalam menetukan Association
Rule, terdapat suatu ukuran ketertarikan
yang didapatkan dari hasil pengolahan
data dengan perhitungan tertentu.
Umumnya ada dua ukuran yaitu :
1. Support : Suatu ukuran yang
menunjukkan seberapa besar tingkat
tingkat dmominasi suatu item/itemset
dari seluruh transaksi. Ukuran ini
menentukan apakah suatu item layak
untuk dicari confidencenya (misal dari
seluruh transaksi yang ada, seberapa
besar
tingkat
dominasi
yang
menunjukkan bahwa item A dan B
dibeli secara bersamaan).
2. Confidence : Suatu ukuran yang
menunjukkan hubungan antar 2 item
secara conditional. (missal, seberapa
sering item B dibeli, jika orang
membeli item A).
Kedua ukuran ini nantinya
berguna untuk menentukan interesting
association
rule,
yaitu
untuk
dibandingkan dengan batasan (threshold)
yang ditentukan oleh user. Batasan
tersebut
umumnya
terdiri
dari
min_support, dan min_confidence.
2.3.6 Metodologi Dasar Association
Rule
Metodologi
dasar
analisis
asosiasi dibagi menjadi dua tahap :
1. Analisa pola frekuensi tinggi
Tahap ini mencari kombinasi
item yang memenuhi syarat minimum
dari nilai support dalam database.
Nilai support sebuah item diperoleh
dengan rumus berikut :
( )
Sedangkan nilai support dari 2 item
dperoleh dari rumus berikut :
(
)
(
)
(
)
Keterangan :
Support = Suatu ukuran yang
menunjukkan seberapa besar tingkat
dominasi suatu item /itemset dari
seluruh transaksi
P = Gabungan kombinasi item A dan
item B
A = Nama itemset A
B = Nama itemset B
2. Pembentukan aturan assosiatif
Setelah sesuai pola frekuensi
tinggi ditentukan, barulah dicari aturan
assosiatif yang memenuhi syarat
minimum untuk confidence dengan
menghitung
confidence
aturan
assosiatif A B
Nilai confidence dari aturan A B
diperoleh dari rumus berikut :
(
)
Keterangan :
Confidence = suatu ukuran yang
menunjukkan hubungan antar 2 item
secara conditional
2.3.7 Lift / Improvemet Ratio
Lift Ratio adalah parameter
penting selain support dan confidence
dalam association rule. Lift Ratio
mengukur seberapa penting rule yang
telah terbentuk berdasarkan nilai support
dan confidence. Lift Ratio merupakan
nilai yang mnenunjukkan kevalidan
proses transaksi dan memberikan
informasi apakah benar produk A dibeli
bersamaan dengan produk B.
Lift / Improvement Ratio dapat dihitung
dengan rumus :
(
)
( )
( )
Sebuah
transaksi
bisa
dikatakan valid jika nilai improvement
ratio lebih dari 1, yang berarti dalam satu
transaksi produk A dan B benar-benar
dibeli secara bersamaan.
(
)
Sehingga nilai Improvementnya adalah
0,94. Artinya bahwa rule tersebut kurang
baik, karena rule yang baik mempunyai
nilai Improvement lebih dari 1.
2.4 Algoritma Apriori
Algoritma
Apriori
adalah
algoritma
paling
terkenal
untuk
menemukan pola frekuensi tinggi. Pola
frekuensi tinggi adalah pola-pola item di
dalam suatu database yang memiliki
frekuensi atau support di atas ambang
batas tertentu yang disebut dengan istilah
minimum support. Pola frekuensi tinggi
ini digunakan untuk menyusun aturan
assosiatif dan juga beberapa teknik data
mining lainnya.
Algoritma Apriori dibagi menjadi
beberapa tahap yang disebut iterasi atau
pass. Tiap iterasi menghasilkan pola
frekuensi tinggi dengan panjang yang
sama dimulai dari pass pertama yang
menghasilkan pola frekuensi tinggi
dengan panjang satu. Di iterasi pertama
ini, support dari setiap item dihitung
dengan men-scan database. Setelah
support dari setiap item didapat, item
yang memiliki support diatas minimum
support dipilih sebagai pola frekuensi
tinggi dengan panjang 1 atau sering
disingkat 1-itemset.
Iterasi kedua menghasilkan 2itemset yang tiap set-nya memiliki dua
item. Pertama dibuat kandidat 2-itemset
dari kombinasi semua 1-itemset. Lalu
untuk tiap kandidat 2-itemset ini dihitung
support-nya dengan men-scan database.
Support disini artinya jumlah transaksi
dalam database yang mengandung kedua
item dalam kandidat 2-itemset. Setelah
support dari semua kandidat 2-itemset
didapatkan, kandidat 2-itemset yang
memenuhi syarat minimum support dapat
ditetapkan sebagai 2-itemset yang juga
merupakan pola frekuensi tinggi dengan
panjang 2.
Untuk selanjutnya pada iterasi kek dapat dibagi lagi menjadi beberapa
bagian :
1. Pembentukan
kandidat
itemset,
Kandidat k-itemset dibentuk dari
kombinasi (k-1)-itemset yang didapat
dari iterasi sebelumnya. Satu ciri dari
algoritma Apriori adalah adanya
pemangkasan kandidat k-itemset yang
subset-nya yang berisi k-1 item tidak
termasuk dalam pola frekuensi tinggi
dengan panjang k-1.
2. Penghitungan support dari tiap
kandidat k-itemset. Support dari tiap
kandidat k-itemset didapat dengan
men-scan database untuk menghitung
jumlah transaksi yang memuat semua
item di dalam kandidat k-itemset tsb.
Ini adalah juga ciri dari algoritme
Apriori
dimana
diperlukan
penghitungan dengan scan seluruh
database
sebanyak
k-itemset
terpanjang.
3. Tetapkan pola frekuensi tinggi. Pola
frekuensi tinggi yang memuat k item
atau k-itemset ditetapkan dari kandidat
k-itemset yang support-nya lebih besar
dari minimum support.
4. Bila tidak didapat pola frekuensi
tinggi baru maka seluruh proses
dihentikan. Bila tidak, maka k
ditambah satu dan kembali ke bagian
awal.
Contoh dari penerapan algoritma Apriori
diilustrasikan di Gambar berikut :
Tabel 2.1 penerapan algoritma apriori
Di sini minimum support adalah
50% atau minimal support-nya adalah 2.
Pada iterasi pertama, item yang supportnya atau count-nya dibawah 2 dieliminasi
dari 1-itemset L1. Kemudian kandidat 2itemset C2 dari iterasi kedua dibentuk
dari cross product item-item yang ada di
L1. Setelah kandidat 2-itemset itu
dihitung dari database, ditetapkan 2itemset L2. Proses serupa berulang di
iterasi ketiga, tetapi perhatikan bahwa
selain {2,3,5} yang menjadi kandidat 3itemset C3 sebenarnya ada juga itemset
{1,2,3} dan {1,3,5} yang dapat diperoleh
dari kombinasi item-item di L2, tetapi
kedua itemset itu dipangkas karena {2,3}
dan {1,5} tidak ada di L2. Proses ini
berulang sampai tidak ada lagi kandidat
baru yang dapat dihasilkan di iterasi ke 4.
Dalam contoh ini bisa dilihat
bahwa Apriori dapat mengurangi jumlah
kandidat yang harus dihitung support-nya
dengan pemangkasan. Misalnya kandidat
3-itemset dapat dikurangi dari 3 menjadi
1 saja. Pengurangan jumlah kandidat ini
merupakan sebab utama peningkatan
performa Apriori.
BAB III
METODOLOGI PENELITIAN
3.1 Lokasi dan waktu Penelitian
Lokasi penelitian ini bertempat d
UD. Fajar Mulia jln. Randu Asri No. 02
Sidokerto Buduran Sidoarjo yang
dilaksanakan pada bulan April 2015.
3.2 Alat dan Bahan
3.2.1 Alat
1. Seperangkat laptop DELL Inspiron
dengan spesifikasi processor Intel
Pentium CPU B940 2.00 GHz, 2GB
RAM
2. Sistem Operasi Windows 7 Pro
3. Borland Delphi 7
4. My SQL
3.2.2 Bahan
1. Data – data penjualan selama bulan
April 2015
3.3 Tahap Pengumpulan Data
Teknik pengumpulan data yang
digunakan dalam penelitian skripsi
adalah :
1. Pengamatan (observasi
Yaitu suatu teknik pengumpulan
data yang di peroleh dengan jalan
melakukan
pengamatan
dan
pencatatan secara langsung pada
obyek yang di teliti.
2. Studi Literatur
Yaitu melalui berbagai artikel
yang didapat di internet dan buku –
buku referensi yang menunjang
pembuatan aplikasi ini.
3. Wawancara (Interview)
Melakukan tanya jawab secara
langsung
dengan
memberikan
beberapa pertanyaan kepada orang
yang berkaitan dengan permasalahan
seputar obyek penelitian untuk
memperoleh keterangan yang relevan.
3.4 Analisa
3.4.1 Analisa Sistem
Analisa sistem dapat didefinisikan
sebagai penguraian dari suatu sistem
yang utuh kedalam bagian-bagian
komponennya dengan maksud untuk
mengidentifikasi
dan
mengevaluasi
permasalahan-permasalahan,
kesempatan-kesempatan,
hambatanhambatan yang terjadi dan kebutuhankebutuhan yang dibutuhkan sehingga
dapat diusulkan perbaikan-perbaikan.
Atau secara lebih mudahnya analisa
sistem adalah penelitian atas sistem yang
telah ada dengan tujuan untuk merancang
sistem baru atau diperbarui. Tahap
analisis ini merupakan tahap yang sangat
kritis dan sangat penting, karena
kesalahan kesalahan di tahap ini juga
menyebabkan
kesalahan
ditahap
selanjutnya. Tugas utama analisis sistem
dalam tahap ini adalah menemukan
menemukan kesalahan-kesalahan dari
sistem yang berjalan sehingga dapat
diusulkan perbaikan.
3.4.2 (Diagram Konteks)
Gambar 3.1 DFD
Level 0 pada sistem
Dalam context diagram, dapat
dilihat bahwa manajer melakukan
pengiriman data login, pengiriman
add/delete/edit
user,
memasukkan
inputan min transaksi (support) dan min confidence. Pengiriman proses-proses
tersebut akan diproses oleh sistem MBA
dan sistem akan mengirimkan validasi
data login, data user yang dilakukan
perubahan, data transaksi, dan report
association rule. Sedangkan untuk
karyawan hanya dapat melakukan
pengiriman data login dan mengimport
data transaksi. Kemudian sistem MBA
melakukan pengiriman validasi data login
dan data transaksi. Untuk lebih jelasnya
akan di gambarkan pada DFD level 0.
3.4.3 Data Flow Diagram (DFD) Level
1
Berikut perancangan perangkat
lunak secara keseluruhan dapat dilihat
pada Data Flow Diagram Level 1 pada
gambar berikut :
a) Manajer menginput min transaksi
(support) dan min confidence
b) Sistem mengambil bentuk aturan
dari tabel T.Rule
c) Sistem memberi report association
rule kepada Manajer
Gambar 3.2 DFD Level 1
Proses yang terjadi pada DFD level 1 dari
context diagram sistem MBA dapat
dijelaskan sebagai berikut:
1) Proses 1 Login
a) Manajer
dan
karyawan
memasukkan
username
dan
password
b) Tabel
T.User
memberikan
konfirmasi
username
dan
password
c) Sistem mengirimkan validasi login
terhadap manajer dan karyawan
2) Proses 2 User setting
a) Manajer mengirimkan perintah
add, delete, edit user kepada
sistem
b) Sistem mengirimkan data user dan
menyimpan ke dalam tabel T.User
3) Proses 3 Import data
a) Karyawan memilih data eksternal
yang akan di proses
b) Sistem melakukan pembuatan
database dengan tabel T.transaksi
dan T. detail transaksi
c) Sistem mengambil data detail
transaksi dari T. detail transaksi
d) Sistem menampilkan data yang
telah di import kepada manajer
dan karyawan
4) Proses 4 Generate frequent itemsets
a) Tabel
T.transaksi
dan
T.
detail_transaksi
mengirimkan
perintah pembentukan frequent
tinggi kepada sistem
b) Sistem mebuat aturan hubungan
barang dan menyimpan ke dalam
tabel T.Rule
5) Proses 5 Generate association rule
3.4.4 Relasi Antar Tabel
Hubungan data antar tabel dalam
database disebut relasi. Relasi digunakan
untuk meringkas data yang ada dalam
database, adapun gambar dari relasi antar
tabel dapat dilihat di bawah ini:
Gambar 3.3 Relasi antar tabel
BAB IV
HASIL PENELITIAN DAN
PEMBAHASAN
4.1 Hasil Penelitian.
Hasil yang akan ditampilkan
sesuai dengan rancangan yang telah
dibuat.
1. Form menu utama memiliki dua jalur
akses. Masing-masing pengguna dapat
memiliki akses yang berbeda, sesuai
dengan penggunaan username dan
password.
Tingkatan
pengguna
dibedakan menjadi hak akses admin
dan pimpinan.
2. Pada halaman form utama pengguna
diminta untuk login terlebih dahulu,
kemudian baru dapat mengakses form
sesuai dengan login masing-masing.
Bagi pengguna, admin berhak
menginput, mengubah dan menghapus
pengolahan data.
3. Bagi pengguna pimpinan dapat
mengakses
halaman
form
utama,terdapat menu perhitungan.
4.2 Pembahasan
1. Implentasi Program
Gambar 4.1. Form Login
Pada saat aplikasi dijalankan,
tampilan pertama kali yang muncul
adalah Form Login. Login ini untuk
menentukan user yang akan mengakses
aplikasi tersebut, dan sekaligus memfilter
apakah user yang masuk tersebut apakah
Administrator atau Operator.
Masukkan
username
dan
password pada kotak isian yang sudah
tersedia, kemudian tekan tombol login,
apabila username dan password yang
dimasukkan benar maka akan tampil
Form Utama. Tekan tombol cancel untuk
batal login dan keluar dari aplikasi.
Gambar 4.2. Form Utama (menu)
Form ini adalah form utama dari
aplikasi yang berisi beberapa tab dan
tombol menu, antara lain; tab user berisi
menu Master User dan Hak Akses, tab
analisa berisi menu Impor File, Analisa
Hasil dan Historis, tab utility berisi menu
Ganti Password, serta tab aplikasi berisi
menu About dan Keluar.
Gambar 4.3. Form Master User (data
operator)
Form master user berfungsi untuk
menginput user yang dapat mengakses
aplikasi ini. Tekan tombol tambah,
masukkan nama operator, username,
password dan level pada kotak isian yang
tersedia kemudian tekan tombol simpan
untuk menyimpan hasil inputan.
BAB V
PENUTUP
5.1 Kesimpulan
Kesimpulan yang dapat ditarik
setelah melakukan analisis dan pengujian
terhadap sistem yang dibangun adalah :
1. Aplikasi yang dibangun dapat
membantu UD. Fajar Mulia sebagai
gambaran
untuk
pengambilan
keputusan
toko
dalam
rangka
mendapatkan pola dari penjualan
barang.
2. Sistem
yang
dibangun
dapat
mengurangi penumpukan data yang
kurang dimanfaatkan sebelumnya.
5.2 Saran
Berdasarkan kesimpulan diatas
maka menyarankan sebagai berikut :
1. Sesuai sengan penggunaan kebutuhan
informasi dan selanjutnya, disarankan
agar sistem ini nantinya dapat
dikembangkan lagi.
2. Untuk pemeliharan sistem informasi
ini, perlu adanya evaluasi secara rutin
sehingga dapat dilihat apakah perlu
diadakan
perbaikan
atau
penyempurnaan kembali.
DAFTAR PUSTAKA
Budhi, Gregorius S., Leo W. Santoso dan
Edward Susanto. 2006, Metode Market
Basket
Analysis
menggunakan
Algoritma Pincer Search untuk Sistem
Pembantu Pengambilan Keputusan.
Yogyakarta.
Hariyanto, Bambang Ir, MT. 2004, Sistem
Manajemen Basis Data. Bandung:
Informatika.
JEDI. 2007. JENI: Pengenalan Pemrograman
2. Jakarta: Jardiknas.
Larman, Craig. 2002, Applying UML and
Patterns: An Introduction to ObjectOriented Analysis and Design and
Iterative Development (3rd Edition). NJ
: Prentice Hall.
Nugroho, Adi. 2004, Konsep Pengembangan
Sistem Basis Data. Bandung :
Informatika.
Purbo,
Onno
W.
2001,
Mengenal
eCommerce. Jakarta : PT Elex Media
Komputindo.
Pramudiono, Iko. 2003, Pengantar Data
Mining:
Menambang
Permata
Pengetahuan
di
Gunung
Data.
IlmuKomputer.com.
Rusly, Hendra. 2003. Pembuatan Software
Data
Mining
Untuk
Membantu
Pengambilan
Keputusan
dengan
Menggunakan Metode Market Basket
Analysis Pada Perusahaan X.