1. BAB I PENDAHULUAN 1.1. Latar Belakang Pertumbuhan data yang pesat dari akumulasi data telah menciptakan sebuah kondisi yang sering disebut “rich of data but poor of information” karena data yang terkumpul tidak dapat digunakan. Tidak jarang tumpukan data tersebut dibiarkan begitu saja seakan-akan menjadi “kuburan data” (data tombs) (Han dan Kamber, 2006). Tumpukan data seperti ini yang menjadi alasan lahirnya konsep data mining. Data mining merupakan suatu proses yang menggunakan teknik statistik,
visualisasi,
kecerdasan
buatan
dan
machine-learning
untuk
mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai basis data. Salah satu teknik data mining yang sering digunakan adalah Association Rules Mining (ARM) (Han dan Kamber, 2006). ARM dapat menemukan hubungan asosiatif antara data dan menyimpulkan aturan dari data-data yang ada tersebut. ARM juga digunakan untuk menemukan pola-pola atau hubungan korelasi antar item yang terdapat dalam data transaksi untuk menemukan fakta yang tidak diketahui dan tidak diperhatikan sebelumnya (Han dan Kamber, 2006). ARM yang berhubungan dengan data hasil transaksi sering disebut Market Basket Analysis (MBA). Selanjutnya pengetahuan mengenai kecenderungan dan perilaku transaksi pembelian sangat bermanfaat untuk dapat mengambil keputusan-keputusan strategis. Beberapa keputusan yang dapat diambil adalah informasi tersebut dapat memberikan sebuah rekomendasi untuk pengguna/pelanggan lain yang hendak melakukan transaksi (Han dan Kamber, 2006). Penjualan berbagai macam barang menjadi lebih mudah sejak munculnya toko online yang sanggup menjual lebih banyak dari toko tradisional (Hiralall, 2011). Penerapan praktis dari teknologi Internet pada dunia bisnis saat ini sudah semakin berkembang yaitu berdagang di dunia maya dengan memanfaatkan Internet yang kerap disebut dengan electronic commerce (e-commerce).
Penerapan e-commerce dapat mengubah kebiasaan pelanggan yang awalnya memesan dan membeli secara konvensional menjadi secara online (Montana dan Noor, 2010). Pelanggan tidak sanggup jika harus mencari satu persatu produk atau item yang ada sehingga dibutuhkan fasilitas untuk mempermudah pengguna menemukan barang yang sesuai berdasarkan keterkaitan antara barang satu dengan yang lain yang dibeli pelanggan sebelumnya (Hong dkk., 2009). Alasan ini yang menjadikan sistem rekomendasi berkembang pesat pada e-commerce website (Hiralall, 2011) dengan memanfaatkan informasi yang didapat dari data transaksi yang menumpuk. Sistem rekomendasi (SR) merupakan salah satu penelitian yang hingga kini berkembang pesat karena dampak buruk dari informasi yang berkembang dengan cepat. Jumlah data atau informasi yang disimpan tumbuh hingga melampaui kapasitas dari pengguna untuk memproses informasi (Agarwal dkk., 2005; Bogers, 2009). SR yang baik memberikan rekomendasi produk yang mungkin menarik bagi pengguna yang tidak berencana membeli menjadi membeli lebih banyak lagi dan akan meningkatkan penjualan (Schafer dkk., 1999). SR
dapat
menghasilkan
rekomendasi
dengan
berbagai
cara
dan
menggunakan berbagai macam metode, salah satunya adalah memanfaatkan tumpukan kasus lama atau tumpukan data transaksi lama yang dapat menghasilkan informasi dengan metode ARM. ARM akan menghasilkan pola aturan dari data transaksi lama tersebut dan aturan yang dihasilkan dapat dimanfaatkan untuk rekomendasi (Jannach dkk., 2010). Namun tidak semua aturan yang dihasilkan dapat menghasilkan sebuah rekomendasi karena aturan tidak cocok, untuk mengatasi kekurangan ini maka pada penelitian ini akan dilakukan kombinasi antara metode Multi Level Association Rules Mining (MLARM) dan Case Based Reasoning (CBR). CBR merupakan metode pembelajaran yang menggunakan langsung pengalaman masa lalu atau kasus untuk memecahkan masalah baru dalam situasi yang sama dengan yang terakhir (Guo dkk., 2007). Teknologi CBR sangat menjanjikan dan dapat memperkaya bidang baru untuk aplikasi e-commerce. Peran utama CBR dalam e-commerce adalah dukungan penjualan cerdas, yaitu memilih suatu produk dari daftar alternatif yang
paling tepat untuk memenuhi tuntutan pelanggan (Schmitt dan Bergmann, 1999). Kombinasi metode CBR dengan ML-ARM ini digunakan untuk saling membantu dalam melakukan proses rekomendasi. CBR dan ML-ARM adalah dua teknik yang berbeda yang memiliki kelebihan dan kekurangan masing-masing (Ting dkk., 2010). Proses
ARM
dalam
penelitian
ini
akan
dilakukan
pada
data
penjualan/transaksi sedangkan proses CBR akan dilakukan pada data barang. Masukan dari pengguna akan masuk terlebih dahulu pada proses rule based reasoning (RBR) yang dihasilkan oleh ARM, jika tidak ditemukan aturan yang sesuai maka akan digunakan proses CBR dengan menghitung similarity antara fitur barang. Pengkombinasian metode tersebut nantinya diharapkan dapat menciptakan rekomendasi barang yang dapat menjadi suatu keputusan yang akan diambil pengguna. 1.2. Rumusan Masalah Berdasarkan latar belakang permasalahan yang telah dipaparkan, maka secara garis besar dapat dirumuskan permasalahan yang akan dikaji pada penelitian ini adalah sebagai berikut : 1) Bagaimana menghasilkan aturan menggunakan metode
Multi Level
Association Rules Mining (ML-ARM) dengan algoritma ML_T2L1 untuk mendapatkan rekomendasi. 2) Saat aturan yang dihasilkan oleh ML-ARM tidak dapat menghasilkan rekomendasi, maka bagaimana menggunakan metode Case Based Reasoning agar tetap bisa menghasilkan rekomendasi. 1.3. Batasan Masalah Penelitian yang akan dilakukan memiliki batasan masalah sebagai berikut : 1) Data yang digunakan untuk penelitian berasal dari Omus Store yang pengambilannya dilakukan beberapa tahap sesuai kebutuhan data sistem. 2) Sistem rekomendasi ini akan ditanamkan pada sistem utama e-commerce Omus.
1.4. Tujuan dan Manfaat Penelitian Tujuan dari penelitian ini adalah membangun sistem rekomendasi yang mengkombinasikan metode ML-ARM dan CBR yang membantu menghasilkan rekomendasi barang kepada pengguna. Sedangkan manfaat yang diharapkan dari penelitian yang dilakukan adalah sistem rekomendasi tersebut dapat membantu pengguna untuk menentukan pilihan barang yang akan dibeli dan dapat mengetahui hasil rekomendasi dari kombinasi metode ML-ARM dan CBR. 1.5. Metodologi Penelitian Tahapan-tahap yang dilakukan dalam penelitian ini adalah sebagai berikut: 1) Studi pustaka dan literatur Tahapan ini dilakukan dengan mengumpulkan, membaca dan memahami berbagai pustaka dan literatur yang berkaitan dengan peneilitian ini, antara lain multi level association rules mining, case based reasoning, sistem rekomendasi dan cross validation. 2) Pengumpulan data Tahapan ini dilakukan dengan mengumpulkan data yang digunakan dalam penelitian ini, yaitu data transaksi dan data barang dari Omus Store. 3) Analisis dan perancangan Penyusunan langkah-langkah, pendefinisian kebutuhan dan pemilihan metode yang digunakan untuk menghasilkan sebuah rekomendasi mengacu pada landasan teori maupun penelitian-penelitian sebelumnya yang telah dikaji. 4) Desain sistem dan perangkat lunak Pembuatan rancangan yang siap diimplementasikan yaitu mengubah kebutuhan-kebutuhan dan langkah-langkah ke dalam struktur data dengan menggunakan DFD (Data Flow Diagram) dan ERD (Entity Relational Diagram). DFD menggambarkan proses-proses yang dilakukan oleh sistem beserta aliran data yang mengikuti proses sedangkan ERD menjelaskan
gambaran besar data yang dibangun untuk sistem. Selain DFD dn ERD juga terdapat rancangan arsitektur sistem yang menggambarkan arsitektur clientserver berbasis web. 5) Implementasi Metode yang digunakan untuk pembangunan sistem rekomendasi dalam penelitian ini diimplementasikan ke dalam bahasa pemograman PHP. Tahap implementasi dilakukan dengan menerjemahkan model-model yang dibangun ke dalam program komputer sesuai dengan kebutuhan pengguna. Sedangkan untuk DBMS (Data Base Management Sistem) menggunakan MySQL versi 5.0.5.51b 6) Pengujian dan pembahasan Aturan yang dihasilkan diuji dengan metode cross validation dengan k adalah 5-fold dan mendapatkan akurasi yang tertinggi untuk menentukan minsup dan minconf. Sistem yang telah diimplementasikan diuji dengan melibatkan beberapa pengguna, perbandingan hasil rekomendasi akan dilakukan pada proses rekomendasi dengan aturan dan proses rekomendasi dengan kasus yaitu membandingkan hasil rekomendasi dari sistem dengan hasil relevan dari beberapa pengguna. 1.6. Sistematika Penelitian BAB I
PENDAHULUAN Bab ini berisi latar belakang, rumusan masalah, batasan masalah, tujuan dan manfaat, metodologi penelitian dan sistematika penulisan dalam penyusunan tesis ini.
BAB II
TINJAUAN PUSTAKA Bab ini berisi hasil kajian terhadap penelitian-penelitian sebelumnya yang berkaitan dengan ARM, CBR dan sistem rekomendasi sebagai bahan referensi dalam penelitian ini.
BAB III
LANDASAN TEORI Bab ini berisi uraian dasar teori yang berkaitan dengan penelitian ini yang
digunakan
sebagai
referensi
untuk
menyelesaikan
permasalahan dalam penelitian ini. BAB IV
ANALISIS DAN PERANCANGAN SISTEM Bab ini berisi analisis dan perancangan sistem yang digunakan sebagai acuan dalam penyelesaian masalah. Analisis terhadap preprocessing data, proses pembentukan aturan, proses representasi kasus dan proses rekomendasi dengan kombinasi metode. Selain itu juga perancangan sistem yang berupa desain arsitektur sistem, desain data, desain alur sistem serta desain antar muka.
BAB V
IMPLEMENTASI Bab ini berisi implementasi kode program dari analisis dan perancangan yang telah diuraian pada bagian sebelumnya.
BAB VI
HASIL DAN PEMBAHASAN Bab ini berisi pembahasan hasil, skenario pengujian serta pembahasan pengujian (analisis hasil percobaan) penelitan yang telah dilakukan.
BAB VII
KESIMPULAN DAN SARAN Bab ini berisi kesimpulan dari penelitian yang telah dilakukan dan saran untuk penelitian selanjutnya.
