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
(2)
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.
(3)
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.
(4)
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
(5)
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
(6)
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)
(7)
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
(8)
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)
(9)
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
(10)
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
(11)
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)
(12)
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
(13)
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
(14)
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
(15)
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
(16)
542
APLIKASI E-COMMERCE DENGAN SISTEM
REKOMENDASI BERBASIS COLLABORATIVE FILTERING
PADA PENJUALAN PLAKAT
I Wayan Gede Purwa Darmaja
1,
Ida Bagus Made Mahendra
21,2
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
(17)
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.
(18)
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.
(19)
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.
(20)
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:
Menganalisis data kebutuhan dalam penjualan
plakat.
Menganalisis data tersebut ke dalam rumus
item-based collaborative filtering agar dalam perhitungan manual dengan sistem sama. Mencapai rekomendasi terbaik kepada user
Pembelian. Penanganan terhadap saat user
melakukan pembelian plakat.
user interface penanganan antar muka antara
sistem dan user. Oleh karena itu, perlu bersifat
user-friendly.
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. ∑ ̅ ̅ √∑ ̅ √∑ ̅ √ √
(21)
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.
(22)
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
(23)
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.
(24)
(1)
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.
(2)
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:
Menganalisis data kebutuhan dalam penjualan
plakat.
Menganalisis data tersebut ke dalam rumus
item-based collaborative filtering agar dalam perhitungan manual dengan sistem sama. Mencapai rekomendasi terbaik kepada user
Pembelian. Penanganan terhadap saat user
melakukan pembelian plakat.
user interface penanganan antar muka antara
sistem dan user. Oleh karena itu, perlu bersifat
user-friendly.
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.
∑ ̅ ̅ √∑ ̅ √∑ ̅
√ √
(3)
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.
(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
(5)
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.
(6)