APLIKASI E-COMMERCE DENGAN SISTEM REKOMENDASI BERBASIS COLLABORATIVE FILTERING PADA PENJUALAN PLAKAT.

SEMINAR NASIONAL

TEKNOLOGI INFORMASI & APLIKASINYA

5

PROSIDING

Pe yele ggara

PS. Tek ik I for a ka, Jurusa Il u Ko puter

FMIPA - U i ersitas Udaya a

Ka pus Bukit Ji

ara , Badu g Bali

Telp.

h p://

. s.u ud.a .id

INOVASI TEKNOLOGI INFORMASI DAN

TECHNOPRENEURSHIP

Bali, Okto er

KOMUNIKASI DALAM MENUNJANG

ISSN : 2302-450X

PROSIDING

PERTEMUAN DAN PRESENTASI KARYA ILMIAH

BALI, 23 OKTOBER 2015

PEMBICARA UTAMA SEMINAR PANEL DENGAN TEMA

“

Inovasi Teknologi Informasi dan Komunikasi dalam

Menunjang Technopreneurship

”

Ir.Onno Widodo Purbo.M.Eng.Ph.D

Putu Sudiarta, S.Kom

PENYUNTING AHLI

Dr. Ahmad Ashari.M.Kom

Dr. H. Agus Zainal Arifin, S.Kom.,M.Kom

Agus Muliantara, S.Kom., M.Kom.

PELAKSANA SEMINAR

PELINDUNG

Rektor Universitas Udayana, Bali

PENANGGUNG JAWAB

Dekan Fakultas MIPA Universitas Udayana

Ketua Program Studi Teknik Informatika, FMIPA Universitas Udayana

PANITIA

I Gusti Agung Gede Arya Kadyanan,S.Kom.,M.Kom.

I Dewa Made Bayu Atmaja Darmawan,S.Kom.,M.Cs.

I Wayan Supriana,S.Si.,M.Cs.

Ida Bagus Made Mahendra, S.Kom., M.Kom.

I Komang Ari Mogi, S.Kom, M.Kom.

I Made Widi Wirawan, S.Si., M.Cs.

I Putu Gede Hendra Suputra, S.Kom., M.Kom.

Ngurah Agus Sanjaya ER., S.Kom., M.Kom.

Agus Muliantara, S.Kom.,M.Kom.

I Made Widiartha,S.Si., M.Kom.

Made Agung Raharja, S.Si., M.Cs.

I Gusti Ngurah Anom Cahyadi Putra, S.T., M.Cs.

I Gede Santi Astawa, S.T., M.Cs.

Ida Bagus Gede Dwidasmara,S.Kom.,M.Cs.

Dra. Luh Gede Astuti, M.Kom.

DAFTAR ISI

Kata Pengantar

Daftar Isi

Analisis dan Perancangan Sistem Informasi Kehadiran Pegawai pada Pusat

Penelitian Perkembangan IPTEK Lembaga Ilmu Pengetahuan Indonesia

Warkim ... ...

1

Kompresi Citra Medis dengan Wavelet Packet

I Made Ari Dwi Suta Atmaja ...

11

Ekstraksi Fitur Warna dan Tekstur untuk Clustered-Based Retrival if Images

(CLUE)

Sugiartha I Gusti Rai Agung ...

16

Peningkatan Kemampuan Guru dalam Menggunakan Geogebra sebagai

Media Pembelajaran Matematika SMP

Luh Putu Ida Harini ...

21

Perbandingan Model Pembelajaran Kooperatif Tipe Belajar Bersama

Menggunakan Media Google Drive dan Tanpa Google Drive

Desak Putu Eka Nilakusuma ...

28

Analisa Faktor-Faktor yang Mempengaruhi Actual Usage dalam

Penggunaan Tiket Elektronik dengan Menggunakan Technology Acceptance

Model (TAM) Studi Kasus PT.KAI Commuter Jabodetabek

Enok Tuti Alawiah ...

35

Pemanfaatan Aplikasi Google Docs sebagai Media Pembinaan Karya Ilmiah

Remaja

Komang Dharmawan ...

45

Penerapan WAN dengan Protokol Routing RIP dan Passive Interfaces

sebagai Pemilihan Jalur Menggunakan GNS3

Anggarda Sanjaya ...

49

Perancangan dan Implementasi Sistem Informasi Maajemen Rumah Sakit

pada Unit Rawat Inap Studi Kasus Rumah Sakit Umum Famili Husada

I Dewa Ayu Kompyang Putri Utari ...

54

Perancangan dan Implementasi Sistem Informasi Manajemen Rumah Sakit

Umum Famili Husada pada Unit Poliklinik

Mengukur Kinerja Load Balancing pada Sistem Cloud Computing dengan

Parameter Throughput

I Gusti Ngurah Ary Juliantara ...

71

Perancangan dan Implementasi Sistem Informasi Manajemen Gudang pada

Rumah Sakit Famili Husada

Luh Gede Apryta Astaridewi ...

77

Perancangan Website E-Commerce pada Toko Gadget Online Store

Ni Kadek Dwi Asri ...

85

Segmentasi Citra Tulisan Tangan Karakter Aksara Bali Menggunakan

Metode Profile Projection

Ni Wayan Deviyanti Septiari ...

91

Klasifikasi Penyakit Anak pada Proses Retrieve dalam Sistem Pakar Berbasis

Case Based Reasoning (CBR) dengan Metode Nearest Neighbour

Ni Wayan Ririn Puspita Dewi ...

98

Perancangan dan Implementasi Sistem Informasi Manajemen Instalasi

Gawat Darurat pada Rumah Sakit Famili Husada

Putu Ita Purnama Yanti ...

105

Analisis dan Perancangan Sistem Informasi Geografis Berbasis Web untuk

Mengetahui Ketersedian Air Tanah di Provinsi Bali

Made Dinda Pradnya Pramita ...

112

Perancangan dan Implementasi Sistem Informasi Manajemen Rumah Sakit

pada Unit Radiologi

–

Studi Kasus Rumah Sakit Umum Famili Husada

I Putu Agustina .. ...

120

Pengamanan File Video MP4 dengan Metode Enkripsi Menggunakan

Algoritma RC5

Rahmantogusnyta Mariantisna ...

128

Perancangan dan Implementasi Sistem Informasi Geografis Pariwisata di

Bali Berbasis Web

Deni Supriawan .. ...

133

Sistem Pendukung Keputusan Perhitungan Rencana Anggaran Biaya

Pembangunan Rumah Berbasis Aplikasi Mobile

I Gusti Ngurah Anom Cahyadi Putra ...

143

Sistem Pendukung Keputusan dengan Metode AHP dalam Memaksimalkan

Penggunaan Pupuk dan Pencegahan Hama pada Tanaman Budidaya

Sistem Prediksi Inflasi Provinsi Bali Menggunakan Adaptive Neuro Fuzzy

Inference System (ANFIS)

Made Agung Raharja ...

155

Pengaruh Model Mobilitas Manhattan terhadap Kinerja Protokol Routing

OLSR pada Mobile Adhoc Network

I Nyoman Rudy Hendrawan ...

160

Penggunaan Model CSE-UCLA dalam Mengevaluasi Kualitas Program

Aplikasi Sistem Pakar

Dewa Gede Hendra Divayana ...

165

Authentifikasi User dengan Captive Portal pada Hotspot PT.Bali Medianet

I Komang Trisna Hanggara ...

169

Sistem Pakar Seleksi Penerimaan Karyawan dengan Metode Fuzzy Tsukamoto

Sista Pradjna Paramitha ...

174

Implementasi File Sharing Dengan Menggunakan Samba

I Made Windipalla Royke ...

181

Perancangan Sistem untuk Menentukan Kesesuaian Komentar terhadap

Topik Diskusi pada Forum Diskusi E-Lerning dengan Metode Naive Bayes

I Putu Gede Setyahadi Paramartha ...

186

Implementasi File Sharing Dengan Menggunakan Samba

I Made Windipalla Royke ...

181

Optimasi Bobot pada Metode Certainty Factor dengan Algoritma Genetika

pada Sistem Pakar Pendiagnosa Penyakit Kulit

Ida Bagus Wahyu Ari Palguna ...

191

Analisis Perbandingan Kinerja Queue Tree dengan Simple Queue pada

Aplikasi FTP (File Transfer Protocol)

I Gusti Agung Gede Nirartha ...

196

Analisis & Implementasi Metode AHP pada Sistem Pendukung Keputusan

Pemilihan Objek Wisata di Bali (Studi Kasus : Truly Asia Tour Bali)

Ketut Ardha Chandra ...

203

Implementasi Metode Klasifikasi Cacar Air menggunakan Decision Tree

dengan LVQ (Lerning Vektor Quantization)

Sistem Klasifikasi Tingkat Kesejahteraan Penduduk Desa Dangin Puri Kaja

Denpasar dengan Metode Naive Bayes

A. A. Dwi Purnami Cahyaning ...

217

Sistem Informasi Raport Berbasis Kurikulum 2013 pada SMK Harapan

Denpasar

Ayu Indah Saridewi ...

223

Rancang Bangun Media Penyimpanan Online dengan Konsep Sinkronisasi

antara OwnCloud dengan Dropbox pada Cloud Computing

I Gede Edy Maha Putra ...

228

Rancang Bangun Sistem Informasi Persediaan Stok Barang Berbasis Web

(Studi Kasus : Perusahaan Griya Alam)

I Wayan J.Wiratama ...

233

Perbandingan Metode Chipper Block Chaining (CBC) dan Electronic

Codebook (ECB) menggunakan Algoritma Blowfish dalam Mengamankan

File Teks

Taufiq Yudha Prakoso ...

240

Sistem Administrasi Perpustakaan Berbasis Object Oriented Programming

I Ketut Deni Satria Raharja ...

244

Pengaruh Ekstraksi Fitur Two Dimensional Linear Discriminant Analysis

pada Pengenalan Nipple secara Otomatis menggunakan Klasifikasi Learning

Vector Quantization

I Made Agus Oka Gunawan ...

252

Perbandingan Algoritma Kriptografi Twofish dan Blowfish dalam

Mengamankan File Berkas

I Dewa Gede Agung Ari Dvijayanta ...

244

Pembuatan Aplikasi Baca dan Tulis Tag Rafid pada Sistem Operasi Android

Client - Server

Adnin Rais ... ...

264

Analisis Kinerja Protokol Routing pada Mobile Ad-Hoc Network

A.A Made Agung Istri Iswari ...

270

Implementasi Protokol H323 pada Aplikasi VOIP

Sistem Temu Kembali Informasi dengan Metode TF-IDF untuk Pencarian

Kata

I Wayan Dodik Wahyu Saputra

...

283

Perancangan dan Implementasi Sistem Informasi Manajemen Laboratorium

Rumah Sakit Famili Husada

Ida Bagus Wijana Manuaba

...

289

Analisis dan Perancangan Sistem Pendukung Keputusan Pemilihan

Handphone dengan Metode Entropy dan Metode Technique For Order

Preference By Similarity To Ideal Solution (TOPSIS)

Ni Putu Sintya Dewi

...

298

Klasifikasi Penyakit Jantung menggunakan Metode Decision Tree dengan

Penerapan Algoritma C5.0

Sharah Islamiati

. ...

308

Perancangan Algoritma Kriptografi Klasik ACK4 untuk Pengamanan Teks

I Nengah Tirtayasa

...

317

Optimasi Lintasan Game Makepung 3D pada Engine Unity 3D

I Putu Agus Edy Saputra

...

322

Perancangan dan Implementasi Sistem Informasi Manajemen Rumah Sakit

pada Unit Rekam Medis

–

Studi Kasus Rumah Sakit Umu Famili Husada

I Putu Dharma Ade Raharja

...

328

Perancangan dan Implementasi Sistem Informasi Manajemen Rumah Sakit

Unit Apotek Rumah Sakit Famili Husada

Kadek Ary Budi Permana

...

336

Sistem Pendukung Keputusan Pemilihan Guru Berprestasi (Studi Kasus :

SMA N 2 Denpasar)

I Gusti Bagus Hadi Widhinugraha

...

343

Perancangan dan Implementasi Website E-Commerce Biro Jasa Perjalanan

Wisata di Bali

–

Studi Kasus Bali Online Trans

Kadek Ary Surya Wiratama

...

349

Rancang Bangun Sistem Pendukung Keputusan dalam Penentuan Jurusan di

Sekolah Menengah Atas (SMA) dengan Metode Simple Additive Weighting

(SAW)

Pemilihan Reksadana berdasarkan Profol Risiko Calon Konsumen

menggunakan Metode SAW (Simple Additive Weighting)

Ni Made Putri Sasmidayani

...

364

Sistem Pendukung Keputusan Pemberian Pinjaman Koperasi Menggunakan

Metode Simple Additive Weighting (SAW)

Made Aprian Sudarma Putra

...

373

Perancangan Aplikasi Help Desk (Meja Informasi) di Kantor Pelayanan

Pajak Pratama Denpasar Timur

Putri Cahyaning RF

...

382

Perancangan dan Pembuatan Sistem Informasi Peminjaman Sound System

–

Studi Kasus Dinas Komunikasi dan Informatika Denpasar

I Putu Dony Suryambawa

...

388

Perancangan dan Implementasi Peringkasan Teks Otomatis Artikel

Berbahasa Indonesia

Luh Gede Putri Suardani

...

394

Perancangan dan Implementasi Production Data Management System di

General Agency Prusatwika Negara

Ida Bagus Komang Winduyasa

...

401

Penerapan Algoritma K-Nearest Neighbor (K-NN) untuk Mengklasifikasi

Perilaku Kreatif Siswa dalam Pengelolaan Sampah

Andre Agave

... ...

407

Model Sistem Kontrol Elevator dengan Metode Transportasi Least Cost

I Gede Wisesa Priya Fentika

...

413

Perancangan Arsitektur Teknologi IP Camera Jarak Jauh sebagai Keamanan

Lingkungan Berbasis Mobile

Aryana Surya Budiman

...

419

Perancangan Aplikasi Game Susun Aksara Bali sebagai Media Belajar

Aksara Bali Anak SD Berbasis Android

Penggunaan Certainty Factor dalam Sistem Pakar untuk Melakukan

Diagnosis Penyakit Neurologi

I Putu Eky Sila Krisna

...

432

Deteksi Tepi pada Gambar Menggunakan Algoritma Canny Detection dan

Sobel

Putu Rika Pratama Anggarani

...

436

Sistem Informasi Penanggulangan Bencana dan Mitigasi Bencana

I Gde Bagus Arya Diwadatta Subrata

...

440

Perancangan Aplikasi Multimedia untuk Pembelajaran Doa dan Nyanyian

Suci Agama Hindu Berbasis Android

I Putu Ari Ratna Pratama

...

448

Rancang Bangun Aplikasi Berbasis Web Tenung Pewacakan Kehilangan

Berdasarkan Lontar Wrespati Kalpa

I Kadek Dwija Putra

...

457

Implementasi Algoritma Djakstra pada Software Definition Network (SDN)

I Made Adi Bhaskara

...

463

Perancangan Aplikasi Pembelajaran Interaktif Berbasis Multimedia dengan

menggunakan Adobe Flash (Studi Kasus Mata Kuliah Pemrograman

Berbasis Web pada Jurusan Ilmu Komputer)

I Wayan Aditya Setiawan

...

469

Sistem Informasi Geografis Pariwisata Bali Berbasis Google Map API

Ni Luh Putu Ratna Sri Andi Yani

...

477

Penghapusan Derau Suara dengan Menggunakan Algoritma Least Mean

Square dengan Adaptive Filter

Anak Agung Rani Pradnyandari

...

488

Sistem Informasi Satuan Kredit Partisipasi Mahasiswa

I Putu Indra Mahendra Priyadi

...

493

Perancangan Sistem E-Commerce Kain Endek Pegringsingan Berbasis Web

I Made Dedik Amijaya

...

498

Perancangan dan Pengaplikasian Siste E-Commerce Komputer dan

Hnadphone Berbasis Web

Membangun Infrastruktur IT Menggunakan SQUID sebagai Proxy Server

(Studi Kasus : PT. Jamsostek Persero)

Kadek Bayu Diandra Putra

...

514

Pengamanan File Audio Menggunakan Metode Enkripsi dengan Algoritma

Stream Cipher RC4

I Wayan Aindra Adhi Saputra

...

520

Implementasi Socket Programming pada Kasir Restoran Fast Food

I Dewa Putu Satria Laksana

...

525

Sistem Pendukung Keputusan Penentu Status Gizi pada Balita dengan

Menggunakan Metode Naive Bayes

Kadek Nyoman Adhisurya Yogapriangan

...

530

Sistem Pakar Pembagian Waris Menurut Hukum Islam

Rizky Anugerah Ramadhan

...

536

Aplikasi E-Commerce dengan Sistem Rekomendasi Berbasis Collaborative

Filtering pada Penjualan Plakat

I Wayan Gede Purwa Darmaja

...

542

Sistem Informasi Geografis untuk Pemetaan dan Pencarian Hotel di Kota

Denpasar

I Ketut Arta Kusuma Atmaja

...

555

Sistem Informasi Administrasi pada Kantor Desa Dangin Puri Kaja

Anak Agung Istri Putri Candra Sari

...

561

Perancangan dan Implementasi Sistem Billing pada Sistem Informasi

Manajemen Rumah Sakit Famili Husada

Ida Bagus Gede Sarasvananda

...

568

Analisis Kinerja Ncomputing Menggunakan Sistem Operasi Open Source

UbuntuStudi Kasus Laboratorium Jaringan Ilmu Komputer

I Nyoman Budayasa

...

577

Perancangan Aplikasi Desktop Pelanggan pada Supermarket

Indra Maulana Bachtifar

...

582

Implementasi Teknik Watermarking dengan Menggunakan Algoritma

Advance Least Significant Bit (ALSB)

Optimasi Penggunaan Sumber Daya Media Penyimpanan dengan Metode

ATA Over Ethernet dan LVM

I Made Kurniawan Putra ...

595

Implementasi Port Knocking pada Owncloud sebagai Media Keamanan

Jaringan

Danie Yoga K .... ...

601

Implementasi Video Conference pada Project Manangement System sebagai

Sarana Rapat Project Online

I Made Martina .. ...

607

Sistem Pendukung Keputusan untuk Penerimaan Insentif Menggunakan

Metode SAW (Simple Additive Weighting)

I Made Bagus Wiradivka Laksa Wibawa ...

613

Perancangan Algoritma Kriptografi Twofish untuk Enkripsi dan Deskripsi

dalam Pengamanan Teks

I Putu Dody Wiraandryana ...

620

Penerapan Metode Analytical Hierarchy Process (AHP) untuk Rekomendasi

Apotek (Studi Kasus Apotek Daerah Jimbaran)

Ni Luh Putu Eka Juliari ...

624

Perancangan Sistem Informasi Pelayanan Kesehatan Ibu Hamil Berbasis

Video Streaming

I Gusti Putu Putra Adnyana ...

633

Implementasi PCO (Per Connection Queue) pada Pembatasan Bandwidh

Download berdasarkan Jenis File di Diskominfo Kota Denpasar

I Putu Yoga Indrawan ...

640

Implementasi Samba menggunakan Virtualisasi PDC dan File Server di

Perusahaan Galeri Radha’s Shop

Made Ari Sucahyana ...

648

Perancangan System Pengaturan Kerja Karyawan Hotel menggunakan

Metode Algoritma Monroe

I Wayan Telaga Ekatresna ...

655

Implementasi Vidio Conference Menggunakan OPENVPN mikrotik Ruter

sebagai Sarana Rapat Online

Analisis Load Balancing Web Server dengan Web Server Cluster

Menggunakan Linux Virtual Server pada Virtual Mesin

I Putu Hendra Prayoga Dhana ...

668

Anified Logging Framework For Social Network Menu Analytic At

SINTAKS.COM

Pande Gede Suyoga Adi Gitayana ...

673

Sistem Pakar untuk Mendiagnosis Penyakit dengan Gejala Batuk pada Anak

Balita dengan Metode Dempster Shafer

Ida Bagus Wira Negara ...

676

Pengembangan Plugin untuk MLM dengan Sistem Binary pada Mesin

Wordpress

Christo Edward Werat ...

680

Perancangan Sistem Informasi Promosi Kerajinan Tradisional Bali Berbasis

Web

Putu Mega Suryawan ...

687

Perancangan E-commerce pada Usaha Kerajinan Bubut Kayu Jati pada

Gallery Nirmala

I Made Wahyu Wijaya ...

694

Perancangan Media Penyimpanan Online Menggunakan Owncloud Berbasis

Client Server dan Dropbox pada Cloud Computing

I Made Ari Widjaja Bukian ...

699

Sistem Pendukung Keputusan Memilih Perguruan Tinggi Negeri (PTN)

Menggunakan Analytical Hierarchy Process (AHP)

Dewa Putu Rama Prabawa ...

705

Klasifikasi Konten Berita Menggunakan Naive Bayes dengan Smoothing

Modified Absolut Discount

I Made Dwi Putra Suarbawa ...

711

Static Routing Software Defined Networking pada RYU Controling

Tutde Suputrawan ...

717

Sistem Informasi Promosi Pakaian Adat Bali Berbasis Web

Perancangan Game Edukasi Cecimpedan Berbasis Mobile sebagai Sarana

Pembelajaran Sastra Bali

IGM Surya A.Darmana

...

730

Sistem Informasi Rekomendasi Objek Wisata di Bali Berbasis Web

Ni Ketut Ari Puspita Dewi

...

738

Perancangan dan Analisis Sistem Pendukung Keputusan Menentukan Rumah

Makan Berdasarkan Pemilihan Makanan Menggunakan Pohon Keputusan

C4.5 (Decision Tree)

Baiq Sofia Hadra

...

744

Analisis Penerapan Jaringan 4G LTE dengan Penggunaan Teknologi MIMO

(Multiple

–

Input

–

Multiple

–

Output) di Indonesia

Putu Sugawa Aris Munandar

...

751

Perancangan Sistem Website Portal Villa di Bali

Made Dwita Prastini

...

756

Perancangan Sistem Pakar untuk Diagnosa Awal Penyakit Gangguan Makan

Anoreksia Nevrosa dan Bulmia Nevrosa pada Remaja dengan Metode

Certainty Factor

Nusandika Patria

...

760

Analisis & Desain Sistem E-Commerce (Studi Kasus : Toko Cuci Gudang

Mygarage)

Kharisma Sadewi Satria

...

768

Analisis Keamanan Cloud Computing Sebagai Sistem Penyimpanan Data

I Made Duana Saputra

...

772

Pengenalan Jenis Tanaman Berdasarkan Daunnya dengan Metode LVQ

I Wayan Pio Pratama

...

776

Local Video On Demand dengan Aplikasi Wowza pada Virtual Private

Network

I Gusti Bagus Putu Yoga Pratama

...

782

Perancangan Mobile Gamepad Berbasis Android sebagai Game Controller

untuk PC/Laptop

Pembuatan Game Star Hunter di Android dengan Menggunakan Framework

COCOS2D-X

Joy Salomo Sipahutar

...

794

Implementasi Metode LVM (Logical Volume Management) untuk Optimasi

Cloud Storage Berbasis Owncloud

I Kadek Hadi Haryawan

...

801

IPTEKS Bagi Masyarakat pada Penginapan di Ubud

542

APLIKASI E-COMMERCE DENGAN SISTEM

REKOMENDASI BERBASIS COLLABORATIVE FILTERING

PADA PENJUALAN PLAKAT

I Wayan Gede Purwa Darmaja

1

,

Ida Bagus Made Mahendra

2

1,2

Jurusan Ilmu Komputer, Fakultas MIPA, Universitas Udayana Jl. Raya Kampus Unud Jimbaran, Badung, Bali

Email: pdarmaja@gmail.com1, ibm.mahendra@cs.unud.ac.id2

ABSTRAK

Pesatnya perkembangan teknologi dalam pembuatan karya seni atau desain grafis yang memiliki peran penting dalam dunia bisnis. Semua transaksi dapat dilakukan secara online, termasuk transaksi penjualan. Dengan ecommerce, penjualan menjadi lebih mudah untuk melakukan kisaran target pasar menjadi lebih luas. Begitu banyak pesaing, sulit untuk mencari informasi tentang penjualan plakat. Plakat sering digunakan untuk penghargaan suatu acara dengan dipersembahkannya plakat bisa untuk di kenang selama masih di pajang di tempat etalase atau meja kantor, bisa juga untuk hiasan sebagai koleksi plakat & trophy karena di hasilkan dengan prestasi yang baik. Pelanggan bingung dalam memilih bahan dan desain plakat yang sesuai dengan keinginan dan harga yang pas sebegitu banyak nya pesaing dalam penjualan plakat. Maka diperlukan Customer Relationship Mangement untuk menjaga pelanggan setia dan mendapatkan penghasilan yang besar. Contoh Customer Relationship Management adalah sistem rekomendasi. Sistem rekomendasi dapat melakukan suatu promosi yang tepat dan memberikan sebuah informasi agar memberikan kenyamanan pelanggan dalam belanja. Untuk mendapatkan rekomendasi tersebut, dengan memanfaatkan rating atau catatan transaksi yag dilakukan oleh pelanggan. Sesuai dengan memanfaatkan rating maka item collaborative filtering digunakan dimana merupakan salah satu algoritma dari sistem rekomendasi yang menggambarkan kebutuhan dan keinginan pelanggan untuk mencari sesuatu item.

Kata Kunci: e-commerce, sistem rekomendasi, collaborative filtering.

ABSTRACT

The rapid development of technology in the manufacture of artwork or graphic design that has an important role in the business world. All transactions can be done online, including sales transactions. With ecommerce, selling becomes easier to perform target range market is becoming more widespread. So many competitors, it is difficult to find information about the sale placard. Placard is often used to award an event to be waved placards for recalls during still on display in a storefront or office desk, it could be for decoration as a collection of plaque and trophy since produced with good performance. Customers are confused in choosing the materials and design of placards in accordance with the wishes and price that fits so many of its competitors in the sale placard. Customer Relationship Management, it is necessary to keep loyal customers and earn a great income. Examples of Customer Relationship Management is a system recommendation. A recommendation system can perform a proper promotion and provide a customer information in order to provide convenience in shopping. To get the recommendation, by utilizing the rating or records of transactions committed by the customer. By utilizing the appropriate rating item collaborative filtering is used which is one of the algorithms that describe the system on customer needs and wants to find something item.

Keywords: e-commerce, system recommendation, collaborative filtering.

1

PENDAHULUAN

Pesatnya perkembangan teknologi dalam pembuatan karya seni digital atau desain grafis yang memiliki peran dalam dunia bisnis. Dimana, transaksi

yang dilakukan secara online termasuk transaksi

penjualan di internet. Karya seni seperti plakat, sudah banyak toko online yang memudahkan transaksi pembelian plakat. Plakat perkembangnya banyak diminati untuk sebuah kenang - kenangan seminar

ataupun acara – acara yang penting. Adanya

e-commerce penjualan menjadi lebih mudah untuk

melakukan kisaran target pasar menjadi lebih luas. E-commerce merupakan kegiatan bisnis menggunakan internet yang menyangkut pelanggan, manufaktur, dan pedagang perantara. Dalam perkembangannya

juga memanfaatkan teknologi mobile yang

memusatkan atas kemungkinan transaksi bisnis melalui piranti nirkabel.

Pelanggan bingung dalam memilih bahan dan desain plakat yang sesuai dengan keinginan dan harga yang pas sebegitu banyak nya pesaing dalam penjualan plakat. Maka, diperlukan suatu model yang

I Wayan Gede Purwa Darmaja, Aplikasi E-Commerce Dengan Sistem Rekomendasi Berbasis Collaborative Filtering Pada Penjualan Plakat

543

merekomendasikan secara tepat agar memudahkan pelanggan memilih suatu produk yang inginkan pelanggan. Sistem rekomendasi dapat melakukan suatu promosi yang tepat dan memberikan sebuah informasi agar memberikan kenyamanan pelanggan dalam belanja. Untuk mendapatkan rekomendasi tersebut, dengan memanfaatkan rating atau catatan transaksi yang dilakukan oleh pelanggan. Sesuai dengan memanfaatkan rating maka item collaborative filtering dapat digunakan. Item collaborative filtering merupakan salah satu algoritma dari sistem rekomendasi yang menggambarkan kebutuhan dan keinginan pelanggan untuk mencari sesuatu item.

Beberapa penelitian yang menggunakan

sistem rekomendasi terdapat aplikasi e-commerce

seperti personalisasi web e-commerce menggunakan

recommender system dengan metode item-based collaborative filtering yang dapat mampu memberikan rekomendasi secara otomatis kepada user dan rekomendasi ditampilkan kepada user dalam bentuk daftar prediksi yang telah diurutkan dari rating hasil prediksi terbesar (Masruri, F dan

Mahmudy, W F. 2007). Item collaborative filtering

untuk rekomendasi pembelian buku secara online

yang menggunakan dasarkan atas adanya kesamaan antara pemberian rating terhadap suatu produk dengan produk yang dibeli (Uyun, dkk. 2011).

Aplikasi e-commerce dengan sistem rekomendasi

berbasis collaborative filtering pada toko komputer

ekaria untuk rekomendasi atau sebuah penawaran suatu produk (Christianti. 2011).

Maka peneliti melakukan penelitian yang bertujuan untuk memberikan rekomendasi produk

plakat dari bahan – bahan yang digunakan maupun

desain plakat tersebut. Dimana, produk tersebut memiliki hubungan antar produk berdasarkan nilai rating yang didapat.

2

MODEL, ANALISIS, DESAIN, DAN

IMPLEMENTASI

2.1 Sistem Rekomendasi

Sistem Rekomendasi adalah salah satu

bentuk personalized information system yang

digunakan dalam web e-commerce untuk

menawarkan item kepada user dan memberi

informasi yang dapat membantu user dalam memilih

atau membeli ítem. Berikut menunjukan taksonomi recommender system gambar 1.

Sistem rekomendasi pertama kali

menggunakan metode nearest-neighbor, dimana

metode ini dikenal juga dengan memory-based atau

user-based karena user mencari yang mirip dengan

target dalam hal rating, lalu merekomendasikan ítem

tersebut yang disukai user kepada user terdekat.

Tetapi terdapat kelemahan yang ada pada memory-based adalah masalah skalabilitas seiring dengan

makin banyaknya jumlah user dan ítem. Metode

ítem-based muncul untuk menyelesaikan

permasalahan pada user-based CF. Perbedaan yang

terlihat pada metode ítem-based adalah melakukan

pembuatan model korelasi antar ítem terlebih dahulu secara offline untuk kemudian digunakan dalam membuat rekomendasi secara online sehingga rekomendasi diberikan secara real-time.

Metode Rekomendasi Toko Online (E-commerce) Rekomendasi Output Prediksi Cara Penyajian Input dari User

-Rating -Catatan Transaksi

Respon

Gambar 1. Taksonomi Recommender System

(Masruri, F dan Mahmudy, W F. 2007)

2.2 Collaborative Filtering

Collaborative Filtering adalah teknik yang paling banyak digunakan pada sistem rekomendasi. Seperti namanya, collaborative filtering bekerja dengan cara menjumlahkan rating atau pilihan dari suatu produk, menemukan profil / pola pengguna

dengan melihat history rating yang diberikan

pengguna, dan menghasilkan suatu rekomendasi baru berdasarkan perbandingan antar pola pengguna. Biasanya nilai rating dapat berupa binary (suka/tidak suka) atau voting. (Xu dkk. 2010:169-170)

2.2.1 User Based Collaborative Filtering

User-based nearest neighbour algorithm menggunakan teknik statistika untuk menemukan sekumpulan pengguna, dikenal sebagai tetangga (neighbour), yang memiliki sejarah setuju dengan pengguna yang menjadi sasaran. Setelah sekumpulan tetangga terbentuk, sistem menggunakan algoritma yang berbeda untuk menggabungkan kesukaan neighbours untuk menghasilkan prediksi atau rekomendasi N-teratas untuk active user.

2.2.2 Item Based Collaborative Filtering

Item-based collaborative filtering merupakan metode rekomendasi yang didasari

atas adanya kesamaan antara pemberian rating

terhadap suatu produk dengan produk yang dibeli. Dari tingkat kesamaan produk, kemudian dibagi dengan parameter kebutuhan pelanggan untuk memperoleh nilai kegunaan produk.

ISSN : 2302 – 450X

544

Produk yang memiliki nilai kegunaan

tertinggilah yang kemudian dijadikan

rekomendasi (Purwanto. 2009).

Dalam metode ini diketahui nilai similaritas antar item dengan tingkat persebaran rating kecil dan nilai similaritas antar item cenderung lebih jarang berubah dibandingkan dengan nilai similaritas antar pengguna. Berikut merupakan rumus untuk menghitung similaritas:

∑ ̅̅̅̅ ̅

√∑ ̅ √∑ ̅

₍₁₎

Dimana, S(i,j) adalah similaritas atau

nilai kemiripan antara ítem i dengan ítem j. uϵU

adalah himpunan user yang me-rating baik ítem

i maupun ítem j. Ru,i adalah rating user pada

ítem i. Ru,j adalah rating user pada ítem j. Ru

adalah nilai rating rata – rata user.

Tahap selanjutnya adalah menghitung prediksi. Penghitungan prediksi menggunakan rumus weighted sum:

∑ _{∑ | |} (2)

Dimana, P(a,j) adalah prediksi rating

ítem j oleh user a. iϵI adalah himpunan ítem

yang mirip dengan ítem j. Ru,i adalah Rating user

a pada ítem i. Si,j adalah nilai similaritas atau

kemiripan anatara ítem i dan j.

2.3 Analisis Kebutuhan

Analisa kebutuhan untuk mendapatkan kebutuhan yang diperlukan oleh sistem. Daftar kebutuhan fungsional akan dispesifikasikan yaitu spesifikasi kebutuhan fungsional pengguna yang dapat dilihat pada tabel 1.

Tabel 1. Analisis Kebutuhan Fungsional

No Kebutuhan

1 Dapat melakukan registrasi, login dan

logout

2 Dapat memberikan rating pada produk

plakat

3 Mampu memberikan rekomendasi yang

telah dikalkulasi oleh sistem

4 Mampu menampilkan visualisasi untuk

plakat

5 Menyimpan data dan infomasi untuk

produk plakat baru dan memasukkan kedalam galeri

6 Mampu mengatasi dalam melakukan

transaksi pembelian

2.4 Alur Kerja Pemberian Rating

Poses pemberian rating oleh user terhadap

sebuah ítem ditunjukan melalui flowchart pada

gambar 2. Rating ui yang diberikan user u terhadap

item i akan diperiksa apakah ui sudah ada pada tabel rating atau belum. Jika sudah, ui yang lama akan di-update dengan ui yang baru, sebaliknya jika belum

maka ui akan dimasukkan ke dalam rating sebagai

data rating baru. Kemudian melakukan perhitugan

dengan metode ítem-based collaborative filtering.

Setelah itu update tabel model.

Start

Rating ui

Apakah u ada di tabel rating

Insert ui Update ui

Set item based CF? Menghitung Similaritas Menghitung prediksi Update tabel model item Selesai Tidak Ya Ya Tidak

Gambar 2. Flowchart Pemberian Rating

2.5 Alur Kerja Pemberian Rekomendasi Kepada

User

Pemberian rekomendasi kepada user

dijelaskan pada Gambar 3. User memilih ítem,

diperiksa apakah user telah terdaftar atau belum. Jika user telah terdaftar, maka perlu diperiksa lagi apakah

user telah memberi rating pada sebuah ítem. Jika

kondisi bener maka memberikan rekomendasi kepada user. Jika tidak maka tidak diberikan rekomendasi untuk user.

I Wayan Gede Purwa Darmaja, Aplikasi E-Commerce Dengan Sistem Rekomendasi Berbasis Collaborative Filtering Pada Penjualan Plakat

545

Start

User Browsing

Logged item

Jumlah rating >0

Beri rekomendasi

End YA YA

TIDAK

Gambar 3. Flowchart Pemberian Rekomendasi

2.6 Perancangan ERD

Entity relationship diagram pada aplikasi ini

terdiri dari beberapa entitas, antara lain: Entity

relationship diagram dapat dilihat pada Gambar 4.

U se r P e m b e li a n i te m It e m ra ti n g P e m b e li a n It e m U p d a te i te m A d m in L in k s re k o m e n d a si L in k s re k o m e n d a si U se ri d P a s sw o rd Z Ip c o d e T e lp o n U se ri d It e m id Ca te g o ry Ra ti n g U se ri d K o d e _ pe m b e li a n K o d e id Ba h a n tu li sa n Ba h a n da sa r K a ta – ka ta T e le p o n P e m b a y a ra n N a m a E m ai l U se rn a m e P a s sw o rd a la m a t T e le p o n U se rn a m e It e m id It e m id 1 it e m id 2 c a te g o ry S im il a ri t a s P re d ik si na m e P ic tu re c a te g o ry D e sc ri p ti on A la m a t It e m id 1 M N 1 1 1 N M

Gambar 4. ERD Sistem Rekomendasi Penjualan Plakat

2.7 Perancangan DFD

Data flow diagram adalah teknik grafis yang menggambarkan aliran dan perubahan data dari input menjadi output. (Pressman. 1997:309)

2.7.1 DFD level 0

DFD level 0 menggambarkan proses secara garis besar. Aplikasi ini dapat diakses oleh admin, dan user atau pelanggan. Terlihat seperti pada gambar 5.

USER 0. APLIKASI ECOMMERCE SISTEM REKOMENDASI PENJUALAN PLAKAT ADMIN Login Pemberian Rating Pembelian Item Login sukses Rekomendasi Item Daftar Pembelian Daftar Item Daftar Pembelian Update Item Cek Daftar Pembelian

Gambar 5. DFD level 0

2.7.2 DFD level 1

DFD level 1 menggambarkan proses

aplikasi ecommerce dan rekomendasi terhadap

penjualan plakat. Aplikasi ecommerce diakses

oleh user atau pelanggan. Sedangkan proses

rekomendasi dilakukan oleh user memberi rating

dan rekomendasi kepada user secara online.

Perhitungan sebelum pemberian rekomendasi dilakukan secara offline. Terlihat seperti gambar 6. Data Pembelian 1.1 LOGIN 1.2 REKOMEN DASI ITEM USER ADMIN 1.3 DAFTAR PEMBELIA N Data User Data User Data User

Data Rating dan Data Rekomendasi

Data Item Data Rating dan Data Rekomendasi Data Rekomendasi Data Item Data Pembelian Data Pembelian Data Admin 1.4 UPDATE ITEM Data Item Data Admin Data Item Data Pembelian Data Item Data Pembelian Data user

Data USer Data Admin Data Admin Data Admin Links Rekomendasi Data Rekomendasi Data Item Data Item Data Item Data Item

Data Pembelian Data Pembelian

Gambar 6. DFD Level 1

2.7.3 DFD Level 2 Rekomendasi Item

DFD level 2 proses rekomendasi,

dimana proses yang terjadi bagaimana

pemberian rating dan rekomendasi kepada user. Terlihat sepeti gambar 7.

ISSN : 2302 – 450X 546 2.1.1 RATING ITEM 2.1.3 Rekomendasi ITEM Data Item Links Rekomendasi 2.1.2 PERBANDI NGAN ITEM USER

Data Item Data Item

Data Item

Links Rekomendasi Links

Rekomendasi

Gambar 7. DFD Level 2 Rekomendasi Item

2.7.4 DFD level 2 Daftar Pembelian

DFD level 2 proses rekomendasi,

dimana proses yang terjadi bagaimana

pemberian rating dan rekomendasi kepada user. Terlihat sepeti gambar 8.

USER 2.2.1 DAFTAR ITEM 2.2.2 PEMBELIAN Data Item Data Pembelian Data Item Data Item

Data Item

Data Pembelian

Data Pembelian Data Pembelian

Gambar 8. DFD Level 2 Daftar Pembelian

2.8 Implementasi

Implementasi dari sistem yang dibangun diimplementasikan desain, rancangan dan alur kerja

ke dalam pemrograman berbasis web sedangkan

untuk rancangan database menggunakan MySQL.

3

SKENARIO UJI COBA

Skenario dilakukan dalam pembangunan sistem rekomendasi untuk penjualan plakat yang memiliki beberapa langkah, sebagai berikut:

ƒ Menganalisis data kebutuhan dalam penjualan

plakat.

ƒ Menganalisis data tersebut ke dalam rumus

item-based collaborative filtering agar dalam perhitungan manual dengan sistem sama. Mencapai rekomendasi terbaik kepada user

ƒ Pembelian. Penanganan terhadap saat user

melakukan pembelian plakat.

ƒ user interface penanganan antar muka antara

sistem dan user. Oleh karena itu, perlu bersifat

user-friendly.

ƒ Testing and Debugging dengan tujuan untuk menguji aplikasi secara fungsional yang mencari ada kesalahan dan memperbaiki kesalahan.

4

HASIL UJI COBA

Penelitian aplikasi e-commerce sistem

rekomendasi penjualan plakat yang dilakukan tersebut mendapatkan hasil dengan data seperti tabel 2. E-commerce sistem penjualan memiliki 7 pelanggan dan tiap pelanggan sudah memberikan rating terhadap produk produk plakat yang sebanyak

9 produk yang disediakan. Nilai rating yang

diberikan mulai dari minimum 1 sampai maksimal 5 tiap produk.

Tabel 2. Data Rating Produk untuk tiap User Pat ung kotak tulis milka Piring tulis milka Piring tulis plastik Kayu Berbentuk

user 1 5 - 3 - 5 user 2 4 2 2 - 3 user 3 5 - 2 4 4 user 4 - 2 - 3 5 user 5 4 - - 4 - user 6 5 3 - 4 2 user 7 2 - 3 - 5

Kay u kota k Plastik kotak Plastik Berbentuk Kayu kotak milka

Rata - rata rating user

user 1 1 - 4 3 _3.5 user 2 - 2 5 - _3.0 user 3 3 - 3 - _3.5 user 4 - 4 - 4 _3.6 user 5 3 - 1 - _3.0 user 6 2 1 5 3 _3.1 user 7 - 3 - - _3.3

Data rating seperti tabel 2 diolah untuk

mencari similaritas. Menggunakan persamaan

similaritas, maka nilai kemiripan antara produk satu dengan yang lain seperti tabel 3. Berikut perhitungan antara produk plakat patung dengan produk kotak tulis milka. ∑ ̅ ̅ √∑ ̅ √∑ ̅ √ √

I Wayan Gede Purwa Darmaja, Aplikasi E-Commerce Dengan Sistem Rekomendasi Berbasis Collaborative Filtering Pada Penjualan Plakat

547

Setelah semua dihitung nilai kesamaan maka diperoleh tabel kesamaan nilai antar produk yang terlihat pada tabel 3.

Tabel 3. Hasil Nilai Kesamaan Antar Produk

Produk 1 Produk 2 Nilai Kemiripan

(similaritas) Patung

Kotak tulis

milka -0.18

Patung

Piring tulis

milka -0.68

Patung

Piring tulis

plastic 0.92

Patung

Kayu

berbentuk -0.15

Patung kayu kotak -0.79

Patung Plastik kotak -0.12

Patung

plastik

berbentuk 0.32

Patung

Kayu Kotak

milka -0.80

Kotak tulis milka

Piring tulis

milka 1.00

Kotak tulis milka

Piring tulis

plastik 0.04

Kotak tulis milka

Kayu

berbentuk -0.62

Kotak tulis

milka kayu kotak 1.00

Kotak tulis

milka Plastik kotak 0.14

Kotak tulis milka

plastik

berbentuk -0.81

Kotak tulis milka

Kayu Kotak

milka -0.93

Piring tulis milka

Piring tulis

plastik -1.00

Piring tulis milka

Kayu

berbentuk -0.44

Piring tulis

milka kayu kotak 0.51

Piring tulis

milka Plastik kotak 1.00

Piring tulis milka

plastik

berbentuk -0.38

Piring tulis milka

Kayu Kotak

milka 1.00

Piring tulis plastik

Kayu

berbentuk -0.72

Piring tulis

plastik kayu kotak -0.71

Piring tulis

plastik Plastik kotak -0.92

Piring tulis plastik

plastik

berbentuk -0.15

Piring tulis plastik

Kayu Kotak

milka -0.79

Kayu

berbentuk kayu kotak -0.51

Kayu

berbentuk Plastik kotak 0.69

Kayu berbentuk

plastik

berbentuk -0.29

Kayu berbentuk

Kayu Kotak

milka -0.03

kayu kotak Plastik kotak 1

kayu kotak

plastik

berbentuk -0.39

kayu kotak

Kayu Kotak

milka 0.98

Plastik kotak

plastik

berbentuk -0.93

Plastik kotak

Kayu Kotak

milka 0.47

plastik berbentuk

Kayu Kotak

milka -0.48

Pada tabel 3, nilai yang dihasilkan oleh persamaan similaritas tersebut adalah antara -1.0 sampai +1.0. Dimana, nilai yang mendekati +1 hubungan antara produk kedua produk tersebut akan sangat kuat. Sedangkan jika mendekai -1 kedua produk sangat berbeda jauh. Ada nilai dengan 0 maka kedua produk tidak ada hubungannya.

Kemudian dilanjutkan untuk mendapatkan nilai prediksi, karena nilai tersebut dianggap sebagai batas

bawah keterhubungan antarproduk. Persamaan

prediksi menghasilkan nilai prediksi dari suatu produk yang belum di rating oleh pelanggan atau user. Berikut perhitungan dengan menggunakan persamaan prediksi. ∑ _{∑ |} |

Setelah semua selesai dihitung maka diperoleh hasil prediksi seperti tabel 4.

ISSN : 2302 – 450X

548

Tabel 4. Hasil Perhitungan Prediksi

User Produk Prediksi

1 kotak tulis milka -1.58

1 Piring tulis plastik 0.37

1 Plastik kotak 0.86

2 Piring tulis plastik -0.57

2 kayu kotak -0.33

2 Kayu kotak milka 8.07

3 kotak tulis milka -0.16

3 Plastik kotak 0.14

3 Kayu kotak milka 6.55

4 Patung -0.51

4 Piring tulis milka 0.80

4 Kayu kotak 1.08

4 Plastik Berbentuk 2.95

5 kotak tulis milka 0.44

5 Piring tulis milka -0.93

5 Kayu Berbentuk -1.54

5 Plastik kotak -0.39

5 Kayu kotak milka 6.74

6 Piring tulis milka -0.36

7 kotak tulis milka -0.01

7 Piring tulis plastik -1.43

7 Kayu kotak 0.08

7 Plastik Berbentuk 1.52

7 Kayu kotak milka -4.64

Semua hasil uji perhitungan similaritas dan

prediksi tersebut diimplementasikan dalam

pemograman dan menghasilkan aplikasi e-commerce.

Pada tampilan awal atau home seperti gambar 9 yang

ada pada aplikasi dibagi menjadi dua, yaitu guest

(sebelum melakukan login) dan untuk member atau

pelanggan (setelah melakukan login).

Guest tidak dapat melakukan transaksi untuk pembelian plakat jika ingin melakukan transaksi

maka guest dilanjutkan ke halaman login. Untuk

rekomendasi akan terlihat terhitung dari nilai prediksi produk teratas. Pelanggan yang sudah melakukan login memiliki tab baru untuk melakukan transaksi

pembelian plakat. Pada tampilan home ini terdapat

daftar produk plakat yang akan dijual dan rekomendasi untuk pelanggan.

Selanjutnya tampilan proses transaksi

pembelian untuk pelanggan. Pada tampilan tersebut ketika memilih barang yang ingin dipesan maka diterus ke halaman transaksi pembelian seperti gambar 10. Proses transaksi ini untuk memberi tahu

kepada pelanggan atau user untuk menambahkan

kata – kata yang akan dibuat pada plakat. Pelanggan

juga bisa membuat desain nya sendiri untuk plakat yang terdapat pada halaman transaksi pembelian

tersebut. Pelanggan akan diminta untuk memasukkan bahan dasar, bahan untuk tulisan, logo, atau desain,

dan kata – kata penghargaan. Tapi pembiayaan atau

tawar – menawar untuk harga masih dilakukan

manual.

Gambar 9. Tampilan Home

Gambar 10. Tampilan Transaksi Pembelian Plakat

5

KESIMPULAN

Berdasarkan penelitian sudah dilaksanakan dapat disimpulkan model antar item dapat di-update seacara langsung dan tidak hanya tergantung dari

proses pembuatan model item dari awal.

Rekomendasi pada sistem merekomendasikan item

yang sama terdapat user baru maupun lama. Sistem

rekomendasi melakukan perhitungan rating dengan

metode item-based collaborative filtering setiap user

memberikan ranting kepada item. User baru tetap

akan mendapatkan rekomendasi pada sistem yang

terlihat pada layar home tetapi untuk melakukan

transaksi pembelian user harus melakukan login. Untuk pengembangan yang lebih baik sistem dalam hal perhitungan biaya dapat langsung

I Wayan Gede Purwa Darmaja, Aplikasi E-Commerce Dengan Sistem Rekomendasi Berbasis Collaborative Filtering Pada Penjualan Plakat

549

melakukan penawaran dengan desain dari user ketika user ingin membuat desain, maka diperlukan proses

perhitungan biaya terdapat desain yang dibuat user.

Dalam hal pembayaran dapat melalui pihak ketiga atau bank secara langsung pada sistem. Tidak harus melalui aplikasi atau sistem lainnya untuk melakukan pembayaran.

6

DAFTAR PUSTAKA

[1] Christianti, Meliana. dan Hadiguna, Christian.

Desember 2011. ”Aplikasi E-Commerce dengan

Sistem Rekomendasi Berbasis Collaborative

Filtering pada Toko Komputer Ekaria”. Jurnal

Informatika 7, 2:157 -175.

[2] Masruri, F. dan Mahmudy, W.F. 2007.

”Personalisasi Web E-Commerce Menggunakan

Recommender System dengan Metode

Item-Based Collaborative filtering”. Kursor 3, 1.

[3] Pressman, R.S. 1997. Software Engineering A

Practitioner's Approach (4th ed.). New York:

McGraw-Hill.

[4] Sanjoyo, Purwanto. 2009. ”Pembangunan

Perangkat Lunak Sistem Rekomendasi Bursa

Elektronis Telepon Genggam”. Tesis, Insitut

Teknologi Bandung. Bandung.

[5] Uyun, Showfwatul., Fahrurrozi, Imam., dan

Mulyanto, Agus. Februari 2011. ”Item

Collaborative Filtering Untuk Rekomendasi

Pembelian Buku Secara Online”. JUSI 1, 1.

[6] Xu, Guandong, Zhang, Yanchun, dan Li, Lin.

2010. Web mining and Social Networking.

New York: Springer.

545

Start

User Browsing

Logged item

Jumlah rating >0

Beri rekomendasi

End YA YA

TIDAK

Gambar 3. Flowchart Pemberian Rekomendasi

2.6 Perancangan ERD

Entity relationship diagram pada aplikasi ini

terdiri dari beberapa entitas, antara lain: Entity

relationship diagram dapat dilihat pada Gambar 4.

U se r P e m b e li a n i te m It e m ra ti n g P e m b e li a n It e m U p d a te i te m A d m in L in k s re k o m e n d a si L in k s re k o m e n d a si U se ri d P a s sw o rd Z Ip c o d e T e lp o n U se ri d It e m id Ca te g o ry Ra ti n g U se ri d K o d e _ pe m b e li a n K o d e id Ba h a n tu li sa n Ba h a n da sa r K a ta – ka ta T e le p o n P e m b a y a ra n N a m a E m ai l U se rn a m e P a s sw o rd a la m a t T e le p o n U se rn a m e It e m id It e m id 1 it e m id 2 c a te g o ry S im il a ri t a s P re d ik si na m e P ic tu re c a te g o ry D e sc ri p ti on A la m a t It e m id 1 M N 1 1 1 N M

Gambar 4. ERD Sistem Rekomendasi Penjualan Plakat

2.7 Perancangan DFD

Data flow diagram adalah teknik grafis yang menggambarkan aliran dan perubahan data dari input menjadi output. (Pressman. 1997:309)

2.7.1 DFD level 0

DFD level 0 menggambarkan proses secara garis besar. Aplikasi ini dapat diakses oleh

admin, dan user atau pelanggan. Terlihat seperti pada gambar 5.

USER 0. APLIKASI ECOMMERCE SISTEM REKOMENDASI PENJUALAN PLAKAT ADMIN Login Pemberian Rating Pembelian Item Login sukses Rekomendasi Item Daftar Pembelian Daftar Item Daftar Pembelian Update Item Cek Daftar Pembelian

Gambar 5. DFD level 0

2.7.2 DFD level 1

DFD level 1 menggambarkan proses

aplikasi ecommerce dan rekomendasi terhadap

penjualan plakat. Aplikasi ecommerce diakses

oleh user atau pelanggan. Sedangkan proses

rekomendasi dilakukan oleh user memberi rating

dan rekomendasi kepada user secara online.

Perhitungan sebelum pemberian rekomendasi dilakukan secara offline. Terlihat seperti gambar 6. Data Pembelian 1.1 LOGIN 1.2 REKOMEN DASI ITEM USER ADMIN 1.3 DAFTAR PEMBELIA N Data User Data User Data User

Data Rating dan Data Rekomendasi

Data Item Data Rating dan Data Rekomendasi Data Rekomendasi Data Item Data Pembelian Data Pembelian Data Admin 1.4 UPDATE ITEM Data Item Data Admin Data Item Data Pembelian Data Item Data Pembelian Data user

Data USer Data Admin Data Admin Data Admin Links Rekomendasi Data Rekomendasi Data Item Data Item Data Item Data Item

Data Pembelian Data Pembelian

Gambar 6. DFD Level 1

2.7.3 DFD Level 2 Rekomendasi Item

DFD level 2 proses rekomendasi,

dimana proses yang terjadi bagaimana

pemberian rating dan rekomendasi kepada user.

546

2.1.1 RATING

ITEM

2.1.3 Rekomendasi

ITEM

Data Item

Links Rekomendasi 2.1.2

PERBANDI NGAN

ITEM USER

Data Item Data Item

Data Item

Links Rekomendasi Links

Rekomendasi

Gambar 7. DFD Level 2 Rekomendasi Item

2.7.4 DFD level 2 Daftar Pembelian

DFD level 2 proses rekomendasi,

dimana proses yang terjadi bagaimana

pemberian rating dan rekomendasi kepada user.

Terlihat sepeti gambar 8.

USER

2.2.1 DAFTAR

ITEM

2.2.2 PEMBELIAN

Data Item

Data Pembelian

Data Item Data Item

Data Item

Data Pembelian

Data Pembelian Data Pembelian

Gambar 8. DFD Level 2 Daftar Pembelian

2.8 Implementasi

Implementasi dari sistem yang dibangun diimplementasikan desain, rancangan dan alur kerja

ke dalam pemrograman berbasis web sedangkan

untuk rancangan database menggunakan MySQL.

3

SKENARIO UJI COBA

Skenario dilakukan dalam pembangunan sistem rekomendasi untuk penjualan plakat yang memiliki beberapa langkah, sebagai berikut:

ƒ Menganalisis data kebutuhan dalam penjualan

plakat.

ƒ Menganalisis data tersebut ke dalam rumus

item-based collaborative filtering agar dalam perhitungan manual dengan sistem sama. Mencapai rekomendasi terbaik kepada user

ƒ Pembelian. Penanganan terhadap saat user

melakukan pembelian plakat.

ƒ user interface penanganan antar muka antara

sistem dan user. Oleh karena itu, perlu bersifat

user-friendly.

ƒ Testing and Debugging dengan tujuan untuk menguji aplikasi secara fungsional yang mencari ada kesalahan dan memperbaiki kesalahan.

4

HASIL UJI COBA

Penelitian aplikasi e-commerce sistem

rekomendasi penjualan plakat yang dilakukan tersebut mendapatkan hasil dengan data seperti tabel 2. E-commerce sistem penjualan memiliki 7 pelanggan dan tiap pelanggan sudah memberikan

rating terhadap produk produk plakat yang sebanyak

9 produk yang disediakan. Nilai rating yang

diberikan mulai dari minimum 1 sampai maksimal 5 tiap produk.

Tabel 2. Data Rating Produk untuk tiap User

Pat

ung kotak

tulis milka

Piring tulis milka

Piring tulis plastik

Kayu Berbentuk

user 1 5 - 3 - 5

user 2 4 2 2 - 3

user 3 5 - 2 4 4

user 4 - 2 - 3 5

user 5 4 - - 4 -

user 6 5 3 - 4 2

user 7 2 - 3 - 5

Kay

u kota

k

Plastik kotak

Plastik Berbentuk

Kayu kotak milka

Rata - rata rating user

user 1 1 - 4 3 _3.5

user 2 - 2 5 - _3.0

user 3 3 - 3 - _3.5

user 4 - 4 - 4 _3.6

user 5 3 - 1 - _3.0

user 6 2 1 5 3 _3.1

user 7 - 3 - - _3.3

Data rating seperti tabel 2 diolah untuk

mencari similaritas. Menggunakan persamaan

similaritas, maka nilai kemiripan antara produk satu dengan yang lain seperti tabel 3. Berikut perhitungan antara produk plakat patung dengan produk kotak tulis milka.

∑ ̅ ̅ √∑ ̅ √∑ ̅

√ √

547

Setelah semua dihitung nilai kesamaan maka diperoleh tabel kesamaan nilai antar produk yang terlihat pada tabel 3.

Tabel 3. Hasil Nilai Kesamaan Antar Produk

Produk 1 Produk 2 Nilai Kemiripan

(similaritas) Patung

Kotak tulis

milka -0.18

Patung

Piring tulis

milka -0.68

Patung

Piring tulis

plastic 0.92

Patung

Kayu

berbentuk -0.15

Patung kayu kotak -0.79

Patung Plastik kotak -0.12

Patung

plastik

berbentuk 0.32

Patung

Kayu Kotak

milka -0.80

Kotak tulis milka

Piring tulis

milka 1.00

Kotak tulis milka

Piring tulis

plastik 0.04

Kotak tulis milka

Kayu

berbentuk -0.62

Kotak tulis

milka kayu kotak 1.00

Kotak tulis

milka Plastik kotak 0.14

Kotak tulis milka

plastik

berbentuk -0.81

Kotak tulis milka

Kayu Kotak

milka -0.93

Piring tulis milka

Piring tulis

plastik -1.00

Piring tulis milka

Kayu

berbentuk -0.44

Piring tulis

milka kayu kotak 0.51

Piring tulis

milka Plastik kotak 1.00

Piring tulis milka

plastik

berbentuk -0.38

Piring tulis milka

Kayu Kotak

milka 1.00

Piring tulis plastik

Kayu

berbentuk -0.72

Piring tulis

plastik kayu kotak -0.71

Piring tulis

plastik Plastik kotak -0.92

Piring tulis plastik

plastik

berbentuk -0.15

Piring tulis plastik

Kayu Kotak

milka -0.79

Kayu

berbentuk kayu kotak -0.51

Kayu

berbentuk Plastik kotak 0.69

Kayu berbentuk

plastik

berbentuk -0.29

Kayu berbentuk

Kayu Kotak

milka -0.03

kayu kotak Plastik kotak 1

kayu kotak

plastik

berbentuk -0.39

kayu kotak

Kayu Kotak

milka 0.98

Plastik kotak

plastik

berbentuk -0.93

Plastik kotak

Kayu Kotak

milka 0.47

plastik berbentuk

Kayu Kotak

milka -0.48

Pada tabel 3, nilai yang dihasilkan oleh persamaan similaritas tersebut adalah antara -1.0 sampai +1.0. Dimana, nilai yang mendekati +1 hubungan antara produk kedua produk tersebut akan sangat kuat. Sedangkan jika mendekai -1 kedua produk sangat berbeda jauh. Ada nilai dengan 0 maka kedua produk tidak ada hubungannya.

Kemudian dilanjutkan untuk mendapatkan nilai prediksi, karena nilai tersebut dianggap sebagai batas

bawah keterhubungan antarproduk. Persamaan

prediksi menghasilkan nilai prediksi dari suatu produk yang belum di rating oleh pelanggan atau

user. Berikut perhitungan dengan menggunakan persamaan prediksi.

∑ _{∑ |} |

Setelah semua selesai dihitung maka diperoleh hasil prediksi seperti tabel 4.

548

Tabel 4. Hasil Perhitungan Prediksi

User Produk Prediksi

1 kotak tulis milka -1.58

1 Piring tulis plastik 0.37

1 Plastik kotak 0.86

2 Piring tulis plastik -0.57

2 kayu kotak -0.33

2 Kayu kotak milka 8.07

3 kotak tulis milka -0.16

3 Plastik kotak 0.14

3 Kayu kotak milka 6.55

4 Patung -0.51

4 Piring tulis milka 0.80

4 Kayu kotak 1.08

4 Plastik Berbentuk 2.95

5 kotak tulis milka 0.44

5 Piring tulis milka -0.93

5 Kayu Berbentuk -1.54

5 Plastik kotak -0.39

5 Kayu kotak milka 6.74

6 Piring tulis milka -0.36

7 kotak tulis milka -0.01

7 Piring tulis plastik -1.43

7 Kayu kotak 0.08

7 Plastik Berbentuk 1.52

7 Kayu kotak milka -4.64

Semua hasil uji perhitungan similaritas dan

prediksi tersebut diimplementasikan dalam

pemograman dan menghasilkan aplikasi e-commerce.

Pada tampilan awal atau home seperti gambar 9 yang

ada pada aplikasi dibagi menjadi dua, yaitu guest

(sebelum melakukan login) dan untuk member atau

pelanggan (setelah melakukan login).

Guest tidak dapat melakukan transaksi untuk pembelian plakat jika ingin melakukan transaksi

maka guest dilanjutkan ke halaman login. Untuk

rekomendasi akan terlihat terhitung dari nilai prediksi produk teratas. Pelanggan yang sudah melakukan

login memiliki tab baru untuk melakukan transaksi

pembelian plakat. Pada tampilan home ini terdapat

daftar produk plakat yang akan dijual dan rekomendasi untuk pelanggan.

Selanjutnya tampilan proses transaksi

pembelian untuk pelanggan. Pada tampilan tersebut ketika memilih barang yang ingin dipesan maka diterus ke halaman transaksi pembelian seperti gambar 10. Proses transaksi ini untuk memberi tahu

kepada pelanggan atau user untuk menambahkan

kata – kata yang akan dibuat pada plakat. Pelanggan

juga bisa membuat desain nya sendiri untuk plakat yang terdapat pada halaman transaksi pembelian

tersebut. Pelanggan akan diminta untuk memasukkan bahan dasar, bahan untuk tulisan, logo, atau desain,

dan kata – kata penghargaan. Tapi pembiayaan atau

tawar – menawar untuk harga masih dilakukan

manual.

Gambar 9. Tampilan Home

Gambar 10. Tampilan Transaksi Pembelian Plakat

5

KESIMPULAN

Berdasarkan penelitian sudah dilaksanakan

dapat disimpulkan model antar item dapat di-update

seacara langsung dan tidak hanya tergantung dari

proses pembuatan model item dari awal.

Rekomendasi pada sistem merekomendasikan item

yang sama terdapat user baru maupun lama. Sistem

rekomendasi melakukan perhitungan rating dengan

metode item-based collaborative filtering setiap user

memberikan ranting kepada item. User baru tetap

akan mendapatkan rekomendasi pada sistem yang

terlihat pada layar home tetapi untuk melakukan

transaksi pembelian user harus melakukan login.

Untuk pengembangan yang lebih baik sistem dalam hal perhitungan biaya dapat langsung

549

melakukan penawaran dengan desain dari user ketika

user ingin membuat desain, maka diperlukan proses

perhitungan biaya terdapat desain yang dibuat user.

Dalam hal pembayaran dapat melalui pihak ketiga atau bank secara langsung pada sistem. Tidak harus melalui aplikasi atau sistem lainnya untuk melakukan pembayaran.

6

DAFTAR PUSTAKA

[1] Christianti, Meliana. dan Hadiguna, Christian.

Desember 2011. ”Aplikasi E-Commerce dengan

Sistem Rekomendasi Berbasis Collaborative

Filtering pada Toko Komputer Ekaria”. Jurnal Informatika 7, 2:157 -175.

[2] Masruri, F. dan Mahmudy, W.F. 2007.

”Personalisasi Web E-Commerce Menggunakan

Recommender System dengan Metode

Item-Based Collaborative filtering”. Kursor 3, 1.

[3] Pressman, R.S. 1997. Software Engineering A

Practitioner's Approach (4th ed.). New York: McGraw-Hill.

[4] Sanjoyo, Purwanto. 2009. ”Pembangunan

Perangkat Lunak Sistem Rekomendasi Bursa

Elektronis Telepon Genggam”. Tesis, Insitut

Teknologi Bandung. Bandung.

[5] Uyun, Showfwatul., Fahrurrozi, Imam., dan

Mulyanto, Agus. Februari 2011. ”Item

Collaborative Filtering Untuk Rekomendasi

Pembelian Buku Secara Online”. JUSI 1, 1.

[6] Xu, Guandong, Zhang, Yanchun, dan Li, Lin.

2010. Web mining and Social Networking.

New York: Springer.