1 ANALISA DAN PERANCANGAN DATA MINING DENGAN METODE MARKET BASKET ANALYSIS UNTUK ANALISA POLA BELANJA KONSUMEN PADA TENDENCIES STORE Friday Kurniasih ...
ANALISA DAN PERANCANGAN DATA MINING DENGAN METODE MARKET BASKET ANALYSIS UNTUK ANALISA POLA BELANJA KONSUMEN PADA TENDENCIES STORE
Friday Kurniasih 2060 9300 4112
PROGRAM STUDI SISTEM INFORMASI FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA 2011 / 1433 H
11
12
13
14
ABSTRAK Friday Kurniasih, Analisa Dan Perancangan Data Mining Dengan Metode Market Basket Analysis Untuk Analisa Pola Belanja Konsumen Pada Tendencies Store, dibimbing oleh Ir. Bakrie La Katjong, MT, M.Kom, dan Nia Kumala Dewi , MMSi
Perkembangan teknologi komputasi dan media penyimpanan telah memungkinkan manusia untuk mengumpulkan dan menyimpan data dari berbagai sumber dengan jumlah yang besar. Fenomena tersebut dapat terjadi dalam berbagai bidang kehidupan termasuk dalam dunia bisnis. Salah satu sumber informasi yang dapat digunakan untuk membantu kegiatan penjualan perusahaan adalah sistem database. Cara lain untuk mendapatkan informasi berharga dari data transaksi adalah dengan menggunakan metode data mining. Saat ini database yang dimiliki oleh Tendencies Store belum dimanfaatkan secara optimal. Kondisi ini mengakibatkan banyak data yang tersimpan tetapi sedikit informasi yang bisa digunakan untuk mendukung pengambilan keputusan yang strategis. Tendencies Store memerlukan tambahan data bagi manager untuk melakukan pembuatan keputusan strategi yang mampu meningkatkan profit perusahaan. Hal tersebut yang melatar belakangi penulis untuk membuat sistem data mining yang berfungsi untuk mensimulasikan assosiasi item product antara satu product dengan item product lainnya. Data yang di pakai sebagai bahan pengolahan berasal dari data transaksi Tendencies Store. Sistem data mining ini dikembangkan memakai metode pengembangan sistem Rapid Application Development (RAD) dengan pemodelan visual menggunakan Unified Modeling Languange (UML). Pada akhirnya, sistem ini digunakan untuk memberikan simulasi mengenai aturan assosiasi item untuk mengetahui pola belanja konsumen.
15
KATA PENGANTAR Bismillahirrahmannirrahiim Segala puji dan syukur penulis panjatkan kepada Allah SWT, Yang Maha Kuasa dan telah memberikan berkah dan anugerahNya kepada penulis sehingga penulis mampu melaksanakan tugas untuk menyelesaikan skripsi ini dengan sebaik-baiknya. Shalawat serta salam tak lupa juga penulis haturkan kepada junjungan kita Nabi Besar Muhammad SAW. Skripsi ini penulis buat sebagai syarat kelulusan dalam menempuh pendidikan jenjang Strata-1 (S1) di Universitas Islam Negeri Syarif Hidayatullah Jakarta. Selain itu juga penulis berharap apa yang penulis teliti, yang dijelaskan di dalam skripsi ini, dapat dipergunakan dengan baik oleh semua pihak yang membutuhkan, sehingga perkembangan ilmu pengetahuan dan teknologi khususnya di Program Studi Sistem Informasi UIN Syarif Hidayatullah Jakarta dapat lebih maju dan lulusannya dapat bekerja secara kooperatif dengan semua elemen informatika dari seluruh dunia. Pada kesempatan ini, penulis mengucapkan terima kasih kepada pihak-pihak yang telah membantu penulis menyelesaikan skripsi ini : 1. Bapak Dr. Syopiansyah Jaya Putra M.Sis selaku Dekan Fakultas Sains dan Teknologi. 2. Ibu Nur Aeni Hidayah, MMSi, selaku ketua Program Studi Sistem Informasi Non-Reguler. 3. Nia Kumaladewi, MMSi selaku Dosen Pembimbing I dan Ir. Bakri La Katjong, MT, M.Kom selaku Dosen Pembimbing II. 4. Bapak dan Ibu penguji yang memberikan kritik dan saran pada skripsi ini. 5. Dosen-Dosen Fakultas Sains dan Teknologi yang telah mengajarkan kepada penulis berbagai macam ilmu yang dapat penulis terapkan dalam penulisan skripsi ini.
16
6. Kedua orang tua penulis, Bapak Drs. Wassidi, S.Pol dan Ibu Poentowati, yang telah memberikan dukungan moril, semangat dan materil sehingga memperlancar proses penyusunan skripsi ini. 7. Ketiga kakak – kakak penulis , Alim Widodo, SE, Dewi hestina wassidi, S.Pol, dan Fery Dayanti yang telah menjadi tempat penulis melepaskan penat dalam penyusunan Skripsi ini. 8. Teman-Teman seperjuangan TI-SI UIN 2006, terima kasih atas dukungan kalian semua. 9. Kerabat terdekat M.Arief Putranto, S.kom , bapak Taufik Sutanto , dan semua pihak yang tidak dapat penulis sebutkan satu persatu. Penulis menyadari masih terdapat banyak kekurangan dalam penelitian ini, baik penulisan maupun aplikasinya sendiri. Oleh karena itu penulis mengharapkan saran dan kritik yang dapat membangun skripsi ini lebih baik lagi.
Jakarta, Desember 2011
Penulis
17
PERNYATAAN DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENARBENAR HASIL KARYA SENDIRI YANG BELUM PERNAH DIAJUKAN SEBAGAI SKRIPSI ATAU KARYA ILMIAH PADA PERGURUAN TINGGI ATAU LEMBAGA MANAPUN.
Jakarta, Desember 2011
FRIDAY KURNIASIH 2060 9300 4112
18
DAFTAR ISI
BAB I PENDAHULUAN 1.1 Latar Belakang .................................................................................... 1 1.2 Rumusan Masalah ............................................................................... 4 1.3 Batasan Masalah .................................................................................. 4 1.4 Tujuan Penelitian ................................................................................. 5 1.5 Manfaat Penelitian................................................................................ 6 1.6 Metodologi Penelitian ......................................................................... 7 1.6.1 Metode Pengumpulan Data ........................................................ 7 1.6.1.1 Studi Lapangan .............................................................. 7 1.6.1.2 Literatur Sejenis ............................................................. 8 1.6.2 Metode Pengembangan Sistem .................................................. 8 1.6.3 Metode Analisa Data ................................................................. 9 1.7 Sistematika Penulisan .......................................................................... 9 BAB II LANDASAN TEORI 2.1 Pengertian Pola Belanja Konsumen .................................................. 11 2.1.1 Faktor – Faktor yang Mempengaruhi Pola Belanja Konsumen 11 2.2 Pengertian Data Mining .................................................................... 12 2.3 Tahapan Data Mining......................................................................... 14 2.4 Model Data Mining ........................................................................... 17 2.4.1
Model Prediksi ...................................................................... 17
19
2.4.2 Model Deskripsi .................................................................... 17 2.5 Jenis Pembelajaran Data Mining ....................................................... 18 2.6 Metode Data Mining ......................................................................... 19 2.6.1 Classification ......................................................................... 19 2.6.2 Regression .............................................................................. 20 2.6.3 Clustering ............................................................................... 21 2.6.4 Association Rules ................................................................... 22 2.7 Algoritma Apriori .............................................................................. 24 2.8 Database Management System (DBMS) ........................................... 28 2.8.1
2.9 Web Server ........................................................................................ 31 2.9.1 Definisi Web Server ........................................................... 31 2.9.2 Macam-macam Web Server ................................................ 31 2.9.3 Cara Kerja Web Server ...................................................... 32 2.10 Perangkat Lunak yang digunakan ................................................... 33 2.10.1 SQL Server 2008 ................................................................ 33 2.10.2 Tipe Data dalam SQL Server 2008 .................................... 34 2.10.3 Batasan SQL Server 2008 ................................................... 35 2.11 Unified Modelling Language (UML) ............................................. 36 2.11.1
Definisi Unified Modelling Language ............................. 36
2.12 Studi Literatur Sejenis .................................................................... 43
20
BAB III METODOLOGI PENELITIAN 3.1 Lokasi dan Waktu Penelitian ............................................................... 47 3.2 Sarana Pendukung Aplikasi ................................................................. 48 3.3 Metode Pengumpulan Data ............................................................... 48 3.3.1
Studi Literatur Sejenis .......................................................... 50
3.4 Metode Pengembangan Sistem ........................................................... 50 3.4.1 Fase Perencanaan Syarat (Requirement Planning) . .............. 51 3.4.2 Fase Perancangan (Workshop Design). .................................. 53 3.4.3 Fase Konstruksi dan Pelaksanaan (Implementation) ............. 53 3.5 Metode Analisa Data ........................................................................... 56 3.6 Gambaran Proses Perancangan dan Analisa Data Mining .................. 57 BAB 4 ANALISA DAN PEMBAHASAN 4.1
Fase Perencanaan Syarat (Requirement Planning) ........................... 58 4.1.1 Gambaran Umum Perusahaan .................................................. 58 4.1.1.1 Sejarah Singkat ........................................................... 58 4.1.1.2 VISI dan MISI Tendencies Store................................ 59 4.1.1.3 Struktur Organisasi ..................................................... 60 4.1.2 Analisa Sistem Berjalan ........................................................... 60 4.1.2.1 Identifikasi Masalah ................................................... 61 4.1.3 Analisa Sistem Usulan .............................................................. 62 4.1.3.1 Kebutuhan-kebutuhan Sistem .................................... 65
21
4.1.3.2 Tujuan Data Mining.................................................... 66 4.2
Workshop Design (Perancangan) .............................................. 67 4.2.1 Desain Sistem .................................................................. 68 4.2.1.1 Penentuan Actor ................................................ 68 4.2.1.2 Use Case Diagram ............................................ 69 4.2.1.3 Use Case Scenario ............................................ 71 4.2.1.4 Activity Diagram ............................................... 80 4.2.1.5 Sequence Diagram ............................................ 92
4.3
Desain Basis Data .................................................................. 116 4.3.1 Identifikasi Objek ......................................................... 116 4.3.2 Perancangan Class Diagram ............................... 119 4.3.3 Struktur Data ....................................................... 122
Tahapan-tahapan RAD ................................................................. 51
Gambar 3.2
Ilustrasi Proses Penelitian ............................................................ 57
Gambar 4.1
Struktur Organisasi Tendencies ................................................... 60
Gambar 4.2
Proses Pengolahan Data Transaksi................................................ 61
Gambar 4.3
Proses Pengolahan Data Transaksi Sistem Usulan ...................... 64
Gambar 4.4
Use Case Diagram Web Cross Sell Application .......................... 71
Gambar 4.5
Activity Diagram Use Case Login ................................................ 80
Gambar 4.6
Activity Diagram Use Case Logout .............................................. 81
Gambar 4.7
Activity Diagram Use Case Data Products ................................. 82
Gambar 4.8
Activity Diagram Use Case Data Brands .................................... 84
Gambar 4.9
Activity Diagram Use Case Data Category ................................. 85
Gambar 4.10 Activity Diagram Use Case Data Type ........................................ 87 Gambar 4.11 Activity Diagram Use Case Transaksi ......................................... 88 Gambar 4.12 Activity Diagram Use Case Laporan ............................................ 90 Gambar 4.13 Activity Diagram Use Case Search Item ...................................... 91 Gambar 4.14 Sequence Diagram Use Case Login ............................................. 91 Gambar 4.15 Sequence Diagram Use Case Logout ........................................... 94 Gambar 4.16 Sequence Diagram Use Case Data Products .............................. 95 Gambar 4.17 Sequence Diagram Use Case Data Brands .................................. 98 Gambar 4.18 Sequence Diagram Use Case Data Category ............................... 99
24
Gambar 4.19 Sequence Diagram Data Type .................................................... 101 Gambar 4.20 Sequence Diagram Transaksi .................................................... 103 Gambar 4.21 Sequence Diagram Use Case Laporan ...................................... 105 Gambar 4.22 Sequence Diagram Search Item ................................................. 107 Gambar 4.23 State Chart Diagram Login ........................................................ 108 Gambar 4.24 State Chart Diagram Logout ...................................................... 109 Gambar 4.25 State Chart Diagram Data Products ........................................... 110 Gambar 4.26 State Chart Diagram Data Brands .............................................. 111 Gambar 4.27 State Chart Diagram Data Category .......................................... 112 Gambar 4.28 State Chart Diagram Data Type ................................................. 113 Gambar 4.29 State Chart Diagram Data Transaksi ......................................... 114 Gambar 4.30 State Chart Diagram Laporan .................................................... 115 Gambar 4.31 State Chart Diagram Search Item ............................................... 116 Gambar 4.32 Class Diagram ............................................................................. 120 Gambar 4.33 Desain Antar Muka Halaman Login ............................................ 125 Gambar 4.34 Desain Antar Muka Halaman Data Master Category.................. 127 Gambar 4.35 Desain Antar Muka Halaman Data Master Type ......................... 126 Gambar 4.36 Desain Antar Muka Halaman Data Master Brands ..................... 127 Gambar 4.37 Desain Antar Muka Halaman Data Master Products ................. 127 Gambar 4.38 Desain Antar Muka Halaman Data Master User ......................... 128 Gambar 4.39 Desain Antar Muka Halaman Data Transaksi ............................ 128 Gambar 4.40 Desain Antar Muka About Me...................................................... 129 Gambar 4.41 Desain Antar Muka Halaman Pencarian Data ............................ 129 Gambar 4.42 Desain Antar Muka Halaman Manager Dashboard ................... 130 Gambar 4.43 Manajemen Konfigurasi Sql Server ............................................ 131 Gambar 4.44 Koneksi ke Basis Data.................................................................. 132 Gambar 4.45 Tree View dari skema Sql Server 2008......................................... 133 Gambar 4.46 Pembuatan Basis Data ................................................................. 134 Gambar 4.47 Data Awal Transaksi Penjualan Tendencies Store ...................... 135 Gambar 4.48 Pembersihan dan Pengklasifikasian Data Transaksi .................... 136 Gambar 4.49 Cara memulai Impor dan Ekspor Data ........................................ 137
25
Gambar 4.50 Wizard Impor dan Ekspor Sql Server 2008 ................................... 137 Gambar 4.51 Proses Pemilihan Data Sumber ................................................... 138 Gambar 4.52 Proses Pemilihan Data Destination ............................................. 139 Gambar 4.53 Proses Pemilihan Atribut Pengkopian Data ................................ 140 Gambar 4.54 Proses pemilihan source table and view ...................................... 141 Gambar 4.55 Proses Penyimpanan Langkah-langkah Impor dan Ekspor .......... 142 Gambar 4.56 Proses Penyelesaian Impor dan Ekspor Data .............................. 142 Gambar 4.57 SQL Server Business Intelligence Development ......................... 143 Gambar 4.58 Proses Pembuatan Proyek Analysis Service baru ........................ 144 Gambar 4.59 Proses Pembuatan Data Source .................................................. 145 Gambar 4.60 Proses Pemilihan Data Source untuk Koneksi Data Mining ....... 146 Gambar 4.61 Manajemen Koneksi Basis Data .................................................. 147 Gambar 4.62 Impersonation Information ......................................................... 148 Gambar 4.63 Proses Penyelesaian Pembuatan Data Source .............................. 148 Gambar 4.64 Proses Pembuatan Data Source View ........................................... 149 Gambar 4.65 Proses Pemilihan Data Source untuk Data Source View ............. 150 Gambar 4.66 Proses Pemilihan Relasi Primary Key.......................................... 150 Gambar 4.67 Proses Pemilihan Table dan View ................................................. 151 Gambar 4.68 Proses Penyelesaian Pembuatan Data Source View ..................... 152 Gambar 4.69 Proses Pembuatan Data Mining ................................................... 153 Gambar 4.70 Proses Pemilihan Struktur Data Mining ....................................... 154 Gambar 4.71 Proses Pemilihan Teknik Data Mining ....................................... 155 Gambar 4.72 Proses Pemilihan Data Source View ............................................. 156 Gambar 4.73 Proses Pemilihan Tabel Database ................................................ 157 Gambar 4.74 Proses Pemilihan Columns Basis Data .......................................... 158 Gambar 4.75 Proses Penyelesaian Data Mining ................................................ 158 Gambar 4.76 Proses Pembuatan Set Pengujian Data ......................................... 159 Gambar 4.77 Proses Pembuatan Model Data Mining ........................................ 160 Gambar 4.78 Hasil proses Pembuatan Mining Model ....................................... 167 Gambar 4.79 Hasil Proses Data Mining Tendencies Store ............................... 168 Gambar 4.80 Contoh Hasil rule Data Mining Tendecies Store ..........................169
26
Gambar 4.81 Hasil 1-itemset Data Mining Tendecies Store ............................. 170 Gambar 4.82 Hasil 2-itemset Data Mining Tendecies Store ............................. 171 Gambar 4.83 Antar Muka Halaman Utama Web Cross-Sell Application ......... 173 Gambar 4.84 Antar Muka Halaman Administrator ........................................... 174 Gambar 4.85 Antar Muka Halaman Manajer .................................................... 174 Gambar 4.86 Contoh Hasil Web Cross-Sell Application .................................. 175 Gambar 4.87 Arsitektur Jaringan Client Server Tendencies Store .................. 177
27
DAFTAR TABEL Tabel 2.1
Contoh Data Kredit Bank ............................................................. 19
Tabel 2.2
Contoh Data Harga Rumah .......................................................... 21
Tabel 2.3
Tipe Data Sql Server 2008 .............................................................35
Tabel 2.4
Batasan dalam SQL Server 2008 .................................................. 36
Tabel 2.5
Perbandingan Pengembangan Literatur Sejenis ........................... 43
Tabel 4.1
Daftar Permodelan Use Case Diagram ......................................... 70
Tabel 4.2
Use Case Scenario untuk Use Case Login.....................................72
Tabel 4.3
Use Case Scenario untuk Use Case Logout...................................72
Tabel 4.4
Use Case Scenario untuk Use Case Data Products .......................73
Tabel 4.5
Use Case Scenario untuk Data Brands ........................................74
Tabel 4.6
Use Case Scenario untuk Use Case Data Category......................75
Tabel 4.7
Use Case Scenario untuk Use Case Data Type ............................76
Tabel 4.8
Use Case Scenario untuk Use Case Data Transaksi ...................77
Tabel 4.9
Use Case Scenario untuk Use Case Laporan .............................. 78
Tabel 4.10
Use Case Scenario untuk Use Case Search Item...........................79
Tabel 4.11
Daftar Objek ..............................................................................117
Tabel 4.12
Analisis Daftar Obyek .............................................................118
Tabel 4.13
Daftar class yang diusulkan ....................................................119
misalnya: Hasil print out dan formulir disk atau drum
Simbol disk atau drum
yang merupakan direct acces storage untuk input atau output. yang merupakan
Simbol hard disk
direct acces storage untuk input atau output. yang merupakan
Simbol pita magnetik
sequensial storage untuk input atau output.
Simbol card punch
untuk input atau
atau card reader
output.
30
Simbol visual display unit atau cathode ray tube
sebagai input atau output Menggambarkan
Simbol Proses
Simbol Proses pemecahan (extract)
Proses pengurutan
Proses Manual
Proses input data melalui desktop
proses
Proses pemecahan (extract)
Digunakan untuk mengurutkan proses
Proses secara manual Proses pemasukan data melalui keyboard
Arah data atau
Arah data atau
arus data
arus data
Sambungan pada
Sambungan pada
halaman yang
halaman yang
sama
sama
Sambungan pada
Sambungan pada
halaman yang
halaman yang
berbeda
berbeda
Sambungan
Sambungan
komunikasi
komunikasi
31
SIMBOL USE-CASE MODEL DIAGRAMS (Whitten, 2004)
Simbol
Keterangan
Actor Actor1
Use case
-End1
-End2
Association *
*
«extends»
«uses»
Extends
Uses (includes)
<<depends «uses» on>>
Depends on
«inherits»
Inheritance
32
SIMBOL CLASS DIAGRAM (Whitten, 2004)
Simbol
Keterangan Class 1 2 3
Class
1. class name 2. attributes 3. behaviors
-End1
-End2
*
*
-End1 -End2
1
Association
Agregation
*
Generalization
33
SIMBOL SEQUENCE DIAGRAM (Whitten, 2004)
Simbol
Keterangan
Actor
Object
Lifeline
Massages
Behaviors (operations)
Message to self
34
SIMBOL ACTIVITY DIAGRAM (Whitten, 2004)
Simbol
Keterangan
Activity
Initiate Activities
Start of the Process
Termination of the Process
Synchronization Bar
Decision Activity
35
BAB I PENDAHULUAN
1.8
Latar Belakang Perkembangan teknologi komputasi dan media penyimpanan telah
memungkinkan
manusia
untuk
mengumpulkan
dan
menyimpan data dari berbagai sumber dengan jumlah yang besar. Fenomena tersebut dapat terjadi dalam berbagai bidang kehidupan termasuk dalam dunia bisnis. Tri Lestari (2009) melakukan penelitian dengan menggunakan metode Association Rule yang bertujuan untuk mengetahui implikasi manajerial dari analisis keranjang belanja (market basket analysis) pada Toserba Yogya Banjar. Gregorius dan Soedjianto (2007) melakukan penelitian dengan menggunakan metode market basket analysis, untuk mendeteksi kecurangan dalam absensi pegawai. Algoritma yang dipakai adalah Pincer Search. Leni dan Meti (2010) melakukan penelitian dengan metode market basket analysis dan algoritma apriori. Penelitian ini bertujuan untuk menganalisa keranjang pasar suatu apotek sehingga dapat membantu untuk merancang strategi pemasaran. Sholihah (2009) Penelitian ini menggunakan association rule yang digunakan untuk mengetahui pola hubungan keterkaitan antar data dalam pembiayaan murabahah. Afif (2010) Melakukan
36
penelitian yang bertujuan untuk membuat sebuah aplikasi data mining menggunakan aturan asosiasi dengan metode apriori. Yogi, Rian dan Gerry (2006) melakukan penelitian yang menyajikan penggunaan data mining dalam menemukan pengetahuan mengenai asosiasi antar jenis item di CV JP Bogor. Pemodelan asosiasi menggunakan algoritma Apriori dan pemrosesannya dibantu dengan software Clementine. Bayu (2010) melakukan penelitian analisis terhadap data transaksi penjualan sebuah perusahaan ritel umum yang bergerak di bidang fotografi, fotokopi, medical imaging, printing,
dan
telekomunikasi.
Keanekaragaman
produk
ini
menghasilkan kemungkinan kombinasi produk yang lebih beragam pula. Gregorius dan Yulia (2009) Pada penelitian ini mengkombinasikan
dua macam
model
rule, yaitu:
mereka Multilevel
Association Rule serta Multidimesional Association Rule. Aplikasi yang dibuat pada penelitian ini menghasilkan sebuah model association rule baru yang dinamakan "Multilevel And Multidimension Association Rule". Nuqson (2010) Dalam penelitian ini dengan memanfaatkan data induk mahasiswa dan data kelulusan mahasiswa, diharapkan dapat menghasilkan informasi tentang tingkat kelulusan. Khaerudin (2007)
Penelitian
meningkatkan
ini
nilai
mengenai pelanggan
analisis terhadap
data
mining
pembelian
ornament batu alam menggunakan metode CART.
dalam produk
37
Dalam dunia bisnis, persaingan antar perusahaan untuk memasarkan produk tidak bisa dilepaskan dari pemanfaatan teknologi informasi. Salah satu sumber informasi yang dapat digunakan untuk membantu kegiatan penjualan perusahaan adalah sistem database. Cara untuk mendapatkan informasi berharga dari data transaksi adalah dengan menggunakan metode data mining. Data Mining merupakan suatu proses otomatis atau semi otomatis untuk menemukan informasi (knowledge) baru yang memiliki potensi dari sekumpulan data (Tang & Jamie, 2005). Tendencies Store merupakan salah satu distro yang berkembang cukup pesat dengan memiliki cabang sebanyak 2 (dua) lokasi dalam waktu 2 (dua) tahun. Akan tetapi dengan banyaknya distro-distro lainnya yang bermunculan kedua cabang itu terpaksa ditutup dikarenakan kurang dapat bersaing dan sekarang hanya menyisakan satu toko. Untuk mendapatkan keuntungan bisnis dan bertahan dalam menghadapi persaingan tidak cukup dengan cara membuat harga menjadi lebih murah akan tetapi juga dengan cara memberikan kepuasan pada pelanggan. Salah satu cara untuk meningkatkan kepuasan pelanggan adalah dengan cara memberikan potongan harga yang ditetapkan berdasarkan kombinasi item barang atau perusahaan dapat memberikan rekomendasi item barang yang akan di beli oleh pelanggan berdasarkan pola belanja konsumen.
38
Saat ini database yang dimiliki oleh Tendencies Store belum dimanfaatkan secara optimal. Kondisi ini mengakibatkan banyak data yang tersimpan tetapi sedikit informasi yang bisa digunakan untuk mendukung pengambilan keputusan yang strategis. Informasi yang dapat dihasilkan adalah informasi mengenai aturan assosiasi item untuk mengetahui pola belanja konsumen. Oleh karena itu pada penelitian tugas akhir ini penulis mengambil judul ”Analisa Dan Perancangan Data Mining Dengan Metode Market Basket Analysis Untuk Analisa Pola Belanja Konsumen pada Tendencies Store“ . Diharapkan hasil dari penelitian ini dapat membantu peran pengambil keputusan (manager) pada Tendencies Store dalam menganalisa data transaksi penjualan untuk mendukung pembuatan kebijakan maupun perencanaan strategi pemasaran yang efektif.
1.9
Rumusan Masalah Pada tugas akhir ini, masalah yang penulis rumuskan adalah : Bagaimana merancang data mining pada perusahaan Tendencies Store untuk memperoleh pola belanja konsumen ?
1.10 Batasan Masalah Pada penulisan tugas akhir ini, penulis membatasi masalah pada :
39
1. Pengolahan data transaksi dilakukan dengan menggunakan Database Management System yang digunakan adalah MS-SQL Server 2008. menggunakan 6 tahapan Data Mining. 2. Analisa data dilakukan dengan menggunakan metode Market Basket Analysis atau yang lebih dikenal sebagai analisa pola belanja konsumen. Hasil analisa ini kemudian dapat dibuat menjadi laporan berupa hardcopy (cetak) ataupun on-screen (dapat dilihat di layar komputer). 3. Akses informasi yang diberikan kepada customer maupun internal Tendencies Store adalah berupa aplikasi berbasiskan web yang hanya dapat di akses di Tendecies Store atau yang biasa disebut sebagai intranet. 4. Data yang digunakan adalah data transaksi penjualan pada Tendencies Store pada tanggal 14 Mei sampai dengan 20 Mei 2010 5. Bahasa pemrogaman pada tugas akhir ini menggunakan VB.Net 2008. 6. Metode pengumpulan data menggunakan observasi, wawancara dan studi literatur. 7. Penulisan tugas akhir ini tidak membahas tentang keamanan database dan arsitektur jaringan yang dipakai secara mendetail. 8. Sistem ini merupakan simulasi dari data transaksi yang ada di Tendencies Store.
40
9. Penulisan tugas akhir ini tidak membandingkan antara metode data mining satu dengan metode lainya.
1.4
Tujuan Penelitian 1. Menggali informasi dan melakukan analisa data mining dengan metode Market Basket Analysis untuk mengetahui aturan assosiasi item dari data transaksi penjualan Tendencies Store sehingga manajer mendapatkan informasi lebih yang dapat digunakan untuk
pengambilan
keputusan
atau
kebijakan
strategis
perusahaan 2. Menampilkan hubungan assosiasi item dalam bentuk web cross-sell application sederhana yang dapat digunakan oleh customer untuk mengetahui item item yang saling berkaitan. 1.5
Manfaat Penelitian a. Bagi Penulis 1. Memenuhi tugas akhir sebagai syarat untuk menyelesaikan studi Strata 1 (S-1) Sistem Informasi. 2. Menerapkan pengetahuan mengenai data mining pada kasus nyata. 3. Menambah wawasan penulis tentang teknologi informasi khususnya dalam bidang data mining.
41
b. Bagi Universitas 1. Mengetahui kemampuan mahasiswa dalam menguasai materi teori yang diperoleh selama kuliah. 2. Mengetahui
kemampuan
mahasiswa
dalam
menerapkan
ilmunya dan sebagai bahan evaluasi. 3. Memberikan gambaran tentang kesiapan mahasiswa dalam menghadapi dunia kerja dari hasil yang diperoleh selama kuliah.
c. Bagi Perusahaan 1. Memberikan informasi mengenai pola belanja konsumen perusahaan. 2. Sebagai bahan masukan untuk mendukung pengambilan keputusan strategi pemasaran yang efektif.
1.6
Metodologi Penelitian Metodologi penelitian dilakukan dengan 3 tahapan yaitu metode pengumpulan data, metode pengembangan sistem, metode analisa data.
42
1.6.1 Metode Pengumpulan Data Metode pengumpulan data dilakukan dengan dua cara yaitu studi lapangan dan studi literatur sejenis (Gulo, 2002). 1.6.1.1 Studi Lapangan 1. Observasi, studi ini dilakukan dengan mengunjungi Tendencies
Store
dan
melakukan
pengamatan
langsung kegiatan operasional, serta mengumpulkan informasi melalui data-data yang diberikan untuk memperoleh gambaran pelaksanaan prosedur yang sedang
berjalan
sehingga
diketahui
keadaan
perusahaan yang sebenarnya. 2.
Wawancara,
dengan
melakukan
tanya
jawab
langsung dengan pihak Tendencies Store. Tujuan dari wawancara ini adalah untuk mengetahui gambaran
mengenai
khususnya
data
pemanfaatan
transaksi
database
penjualan.
Hasil
wawancara dapat dilihat pada halaman lampiran.
1.6.1.2 Literatur Sejenis Sumber literatur yang dipergunakan di dalam penulisan skripsi ini adalah studi literatur hasil dari penelitian atau hasil penulisan karya ilmiah. Studi
43
literatur sejenis yang akan digunakan terdapat pada akhir bab 2.
1.6.2 Metode Pengembangan Sistem Dalam menyusun tugas akhir ini penulis menggunakan metodologi
pengembangan
sistem
Rapid
Application
Development (RAD). Metode ini diperkenalkan oleh James Martin pada tahun 1991 (Roger S Pressman, 2002). Metode RAD mempunyai 3 tahapan,yaitu : 1.
Perencanaan syarat syarat Dalam fase ini penguna dan analisis bertemu untuk mengidentifikasi tujuan-tujuan aplikasi atau
sistem serta
mengidentifikasi syarat–syarat yang ditimbulkan dari tujuan tujuan tersebut. Fase ini memerlukan peran aktif dari kedua kelompok tersebut. Selain ini juga melibatkan pengguna dari beberapa level yang berbeda dalam organisasi 2.
Workshop desain Fase ini pengguna dan analisa untuk merancang memperbaiki yang
dapat
digambarkan
sebagai
workshop.
Selama
workshop desain RAD, penguna merespon working prototype yang ada
dan analisis memperbaiki modul–modul yang
dirancang menggunakan perangkat lunak berdasarkan respon pengguna.
44
3. Implementasi Pada fase ini segera setelah aspek–aspek bisnis telah disetujui dan sistem dibangun kemudian setiap sub–sub sistem di uji coba dan diperkenalkan kepada organisasi.
1.6.3 Metode Analisa Data Metode analisa data yang dipakai dalam penelitian ini adalah metode analisa data mining dengan menggunakan metode association rules atau market basket analysis. Analisa ini di fokuskan kepada asosiasi item satu dengan item lainnya berdasarkan data transaksi pada tendencies store. Penjelasan rinci dapat dilihat di bab II.
1.7
Sistematika Penulisan Dalam penyusunan tugas akhir ini penulis menyajikan tulisan menjadi beberapa bab, yaitu :
BAB I
:
PENDAHULUAN Bab ini terdiri dari latar belakang masalah, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian dan sistematika penulisan.
45
BAB II
:
LANDASAN TEORI Bab ini berisi uraian tentang landasan teori yang diperlukan dalam bidang data mining termasuk metode market basket analysis.
BAB III
:
METODOLOGI PENELITIAN Bab ini membahas mengenai metode pengumpulan data, metode pengembangan sistem RAD dan metode analisa data.
BAB IV
:
PEMBAHASAN Bab ini membahas mengenai analisa sistem yang berjalan, prinsip kerja metode market basket analysis, perancangan aplikasi, serta hasil analisa.
BAB V
:
PENUTUP Bab ini berisi kesimpulan dari penelitian dan saran untuk pengembangan penelitian lebih lanjut.
BAB II
46
LANDASAN TEORI
2.16 Pengertian Pola Belanja Konsumen Menurut Kamus Besar Bahasa Indonesia Pola adalah Sistem; cara kerja ataupun bentuk struktur yang pasti. Maka pola belanja konsumen bisa diartikan sebagai bentuk struktur dari kegiatan belanja konsumen yang pasti. Dari pola belanja yang dapat di prediksi inilah pembuat keputusan dapat membuat strategi pemasaran yang lebih efektif.
2.16.1
Faktor – Faktor yang Mempengaruhi Pola Belanja Konsumen Faktor – faktor yang mempengaruhi pola belanja konsumen \
perilaku belanja konsumen menurut Kotler (1993) adalah sebagai berikut : 1. Faktor budaya, 2. Faktor sosial, 3. Faktor pribadi, 4. Faktor psikologis Budaya merupakan salah satu penentu keinginan dan perilaku seseorang masyarakat
yang paling mendasar memiliki
stratifikasi
dan sosial
sesungguhnya dimana
kelas
seluruh sosial
menunjukkan pilihan terhadap produk dengan merek yang berbedabeda.
47
Keputusan pembelian juga dipengaruhi oleh karakteristik atau ciri-ciri pribadinya, terutama yang berpengaruh adalah umur dan tahapan dalam siklus hidup pembeli, pekerjaannya, keadaan ekonominya, gaya hidupnya, pribadi dan konsep jati dirinya. Pilihan membeli seseorang juga akan dipengaruhi faktor psikologis utama, yaitu : motivasi, persepsi, proses belajar, dan kepercayaan dengan sikap. BUDAYA
SOSIAL
PRIBADI
Budaya
Umur dan Tahap daur Hidup
Kelompok Acuan
Pekerjaan Status Ekonomi
SubBudaya
Keluarga
PSIKOLOGI
Motivasi Persepsi
PEMBELI
Pengetahuan Gaya Hidup
Peran dan Status
Kepribadian dan Konsep Diri
Kelas Sosial
Keyakinan dan Sikap
Gambar 2.1. Faktor-faktor yang mempengaruhi tingkah laku konsumen (Philip Kotler, 1993)
2.17 Pengertian Data mining Kebutuhan dunia bisnis yang ingin mendapatkan nilai tambah dari data
yang
telah
terkumpul,
mendorong
penerapan
teknik
pengolahan data dari berbagai bidang pengetahuan seperti statistika dan kecerdasan buatan. Ternyata penerapan teknik tersebut memberikan tantangan baru yang akhirnya memunculkan metode
48
baru yang disebut data mining. Ada beberapa definisi data mining yang dikenal dari berbagai sumber, diantaranya adalah : 1.
Data mining adalah pencarian dan teknik analisa data yang besar untuk menemukan pola dan aturan yang berarti (Berry & Linoff, 2004).
2.
Data mining adalah teknik untuk menganalisa sekumpulan data yang besar guna menemukan hubungan yang tidak diduga dan berguna bagi pemilik data (Hand, 2001).
3.
Data mining adalah proses untuk menemukan pola dan hubungan dalam suatu data (Hornick, 2007).
4.
Data mining adalah perangkat lunak untuk menemukan polapola tersembunyi dalam database yang besar dan menghasilkan aturan-aturan yang digunakan untuk memperkirakan perilaku dimasa depan (Kadir, 2003).
5.
Data mining adalah suatu proses otomatis atau semi otomatis untuk menemukan informasi (knowledge) baru dan berpotensi dari sekumpulan data (Tang & Jamie, 2005).
Berdasarkan beberapa definisi tersebut, dapat disimpulkan bahwa data mining berkaitan erat dengan penemuan informasi atau pengetahuan yang baru, berpotensi dan tidak terduga dalam suatu database, baik itu secara otomatis maupun semi otomatis.
49
2.18 Tahapan Data mining Terdapat enam tahapan dalam proses data mining (Han and Kamer, 2006). Enam tahapan data mining tersebut adalah sebagai berikut :
1. Pembersihan data (data cleaning) Pembersihan data merupakan proses menghilangkan noise dan data yang tidak konsisten atau data tidak relevan. Pada umumnya data yang diperoleh, baik dari database suatu perusahaan maupun hasil eksperimen, memiliki isian-isian yang tidak sempurna seperti data yang hilang, data yang tidak valid atau juga hanya sekedar salah ketik. Selain itu, ada juga atribut-atribut data yang tidak relevan dengan hipotesa data mining yang dimiliki. Data-data yang tidak relevan itu juga lebih baik dibuang. Pembersihan data juga akan mempengaruhi performasi dari teknik data mining karena data yang ditangani akan berkurang jumlah dan kompleksitasnya.
2. Integrasi data (data integration)
50
Integrasi data merupakan penggabungan data dari berbagai database ke dalam satu database baru. Tidak jarang data yang diperlukan untuk data mining tidak hanya berasal dari satu database tetapi juga berasal dari beberapa database atau file teks. Integrasi data dilakukan pada atribut-atribut yang mengidentifikasikan entitas-entitas yang unik seperti atribut nama, jenis produk, nomor pelanggan dan lainnya. Integrasi data perlu dilakukan secara cermat karena kesalahan pada integrasi data bisa menghasilkan hasi yang menyimpang dan bahkan menyesatkan pengambilan aksi nantinya. Sebagai contoh bila integrasi data berdasarkan jenis produk ternyata menggabungkan produk dari kategori yang berbeda maka akan didapatkan korelasi antar produk yang sebenarnya tidak ada.
3. Seleksi Data (Data Selection) Data yang ada pada database sering kali tidak semuanya dipakai, oleh karena itu hanya data
yang
sesuai untuk
dianalisis yang akan diambil dari database. Sebagai contoh, sebuah kasus yang
meneliti faktor kecenderungan orang
membeli dalam kasus market basket analysis, tidak perlu mengambil nama pelanggan, cukup dengan id pelanggan saja.
51
4. Transformasi data (Data Transformation) Data diubah atau digabung ke dalam format
yang sesuai
untuk diproses dalam data mining. Beberapa metode data mining membutuhkan format data yang khusus sebelum bisa diaplikasikan. Sebagai contoh beberapa metode standar seperti analisis asosiasi dan clustering hanya bisa menerima input data kategorikal. Karenanya data berupa angka numerik yang berlanjut perlu dibagi-bagi menjadi beberapa interval. Proses ini sering disebut transformasi data. 5. Proses Mining Merupakan suatu
proses
utama saat metode diterapkan
untuk menemukan pengetahuan berharga dan tersembunyi dari data.
6. Evaluasi Pola (Pattern Evaluation), Untuk mengidentifikasi pola-pola menarik kedalam knowledge based yang ditemukan. Dalam tahap ini hasil dari teknik data mining berupa pola-pola yang khas maupun model prediksi dievaluasi untuk menilai apakah hipotesa yang ada memang tercapai. Bila ternyata hasil yang diperoleh tidak sesuai hipotesa ada beberapa alternatif yang dapat diambil seperti
52
menjadikannya umpan balik untuk memperbaiki proses data mining, mencoba metode data mining lain yang lebih sesuai, atau menerima hasil ini sebagai suatu hasil yang di luar dugaan yang mungkin bermanfaat. Ilustrasi dari tahapantahapan data mining adalah seperti gambar dibawah ini.
Gambar 2.2 Tahapan-tahapan Data mining (Han and Kamber, 2006) 2.4
Model Data mining 2.4.1 Model Prediksi Model ini adalah model yang menggunakan beberapa variabel untuk menentukan nilai data yang belum diketahui dari variabel lain. Contoh model prediksi adalah metode classification dan metode regression. Contoh aplikasi model ini adalah metode classification untuk memprediksi atau memperkirakan kasus penggelapan transaksi kartu kredit. Pendekatan yang dilakukan adalah
53
dengan menggunakan informasi transaksi dan informasi dari kartu kredit sebagai atribut atau variabelnya. Misalnya apa yang dibeli oleh konsumen, kapan membelinya dan seberapa sering konsumen membayar tepat waktu. Sifat model prediksi dalam data mining adalah bahwa model dihasilkan dari atribut atau variabel dari data yang sudah
tersedia
kemudian
bisa
digunakan
untuk
memperkirakan hasil seperti konsumen mana yang loyal dan konsumen mana yang tidak loyal.
2.4.2 Model Deskripsi Model ini adalah model yang mencari suatu pola yang dapat ditafsirkan oleh manusia sehingga data dapat diuraikan. Contoh model deskripsi adalah metode clustering dan metode association rules. Contoh aplikasi model ini adalah metode clustering untuk segmentasi pasar. Pendekatan yang dilakukan adalah dengan mengumpulkan atribut-atribut yang berbeda dari konsumen seperti berdasarkan informasi yang berhubungan dengan geographical atau gaya hidup konsumen dan mencari cluster yang sama kemudian mengamati pola pembelian dari para konsumen dalam cluster yang sama dengan cluster yang
54
berbeda. Sifat model deskripsi dalam data mining adalah bahwa model
itu
sendiri
yang
diamati
untuk
mendapatkan
pengetahuan atau pola yang berharga dari sekumpulan data.
2.5
Jenis Pembelajaran Data mining Dalam data mining dikenal dua jenis pembelajaran yaitu supervised learning dan unsupervised learning. Supervised learning digunakan untuk memperkirakan nilai target yang belum diketahui dari input dan output sample (Hornick, 2006). Supervised learning mengasumsikan beberapa atribut prediktor untuk memperkirakan atribut target. Atribut prediktor diumpamakan sebagai pengetahuan dari lingkungan yang tersedia, sedangkan atribut target adalah model yang akan dihasilkan. Contoh metode ini adalah metode classification dan metode regression. Pada
unsupervised
learning
tidak
menggunakan
atribut
prediktor dan atribut target, karena tujuan unsupervised learning adalah untuk menemukan struktur atau hubungan yang ada dalam sekumpulan data (Hornick, 2006). Contoh metode yang termasuk dalam unsupervised learning adalah metode clustering dan metode association rule. 2.6
Metode Data mining
55
Sebelumnya sudah dibahas mengenai metode data mining yang bisa di kelompokkan berdasarkan model datanya, yaitu berdasarkan model prediksi dan model deskripsi. Selain itu metode data mining juga dapat di bedakan berdasarkan jenis pembelajarannya, yaitu berdasarkan supervised learning dan unsupervised learning. Beberapa metode data mining yang penulis ketahui antara lain : 2.6.1 Classification Metode classification termasuk kedalam model prediksi dan jenis pembelajarannya adalah supervised learning. Pada metode classification ada satu atribut target sedangkan atribut lain disebut dengan atribut prediktor (Larose, 2005). Untuk lebih jelasnya perhatikan tabel 2.1 berikut : Tabel 2.1 Contoh Data Kredit Bank Atribut Jaminan, Nama
Gaji
Status
L / TL
Ada=1, Tidak Ada = 0
Paris
Rp. 2.000.000
Lohan
Rp. 2.000.000
Lauren
Rp. 1.000.000
Nicole
Rp. 1.500.000
Single Menika h Single Menika h
1 0 1 1
L TL
L L
56
Sample
Prediktor
Target
Misalnya sebuah bank ingin memprediksi kredit macet nasabah. Maka pihak bank dapat menggunakan data kredit nasabah selama periode waktu tertentu kemudian data tersebut dipilih mana yang dijadikan atribut prediktor dan mana yang menjadi atribut target. Seperti terlihat dalam tabel 2.1 dimana ada atribut prediktor (gaji, status dan jaminan) yang digunakan untuk memprediksi atribut target (L=Lancar atau TL=Tidak Lancar). Berdasarkan data tersebut, nantinya pihak bank dapat memperkirakan calon nasabah mana yang beresiko menjadi kredit macet dan mana yang tidak. Model classification dapat berupa aturan “jika-maka”, berupa decission tree, formula matematis atau neural network (Tang & Jamie, 2005).
2.6.2 Regression Metode regression termasuk kedalam model prediksi dan jenis pembelajarannya adalah supervised learning. Sama seperti pada metode classification, metode regression juga menggunakan atribut prediktor dan atribut target.
57
Metode ini digunakan untuk memperkirakan nilai atribut atau variabel yang bertipe floating point (Hornick, 2006). Perbedaan antara metode classification dengan metode regression adalah bahwa pada metode regression nilai atribut atau variabel target bertipe floating point sedangkan metode classification meskipun bisa bertipe numeric yang biasanya digunakan untuk skoring, tetapi berupa angka yang bulat. Untuk lebih jelasnya mengenai metode regression, perhatikan tabel 2.2 berikut : Tabel 2.2 Contoh Data Harga Rumah Atribut Harga IDRumah
LT
KM
KT Rumah
1
3000
5
3
748.000.000
2
1500
3
2
279.000.000
3
2550
4
4
510.900.000
4
2300
4
3
1.420.500.000
Sample
Prediktor
Target
Dari tabel 2.2 terlihat bahwa atribut target (harga rumah) bernilai numeric. Misalnya untuk menentukan harga rumah, yang dijadikan sebagai atribut prediktor antar lain luas tanah (LT), jumlah kamar tidur (KT) dan jumlah kamar mandi (KM).
58
2.6.3 Clustering Metode clustering termasuk kedalam model deskripsi dan jenis pembelajarannya adalah unsupervised learning. Metode clustering atau bisa juga disebut segmentasi, melakukan pengelompokan data menurut kesamaannya atau kedekatanya dan bukan berdasarkan kelas data tertentu seperti pada metode classification. Prinsip clustering adalah memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan antar kelas atau cluster (Larose, 2005). Untuk lebih jelasnya perhatikan gambar 2.2 berikut Penghasilan C 2
C 1
C 3
Umur
: Gambar 2.3 Contoh Clustering
59
Dari gambar 2.3 kita misalkan sebagai kumpulan data konsumen sederhana yang mengandung dua atribut yaitu umur dan penghasilan. Berdasarkan dua atribut tersebut kemudian terbagi menjadi
tiga kelompok (cluster) yaitu C1
yang terdiri konsumen usia muda dengan penghasilan rendah. C2 terdiri dari konsumen usia muda dan tua dengan penghasilan tinggi. C3 terdiri dari konsumen usia tua dengan penghasilan relatif rendah.
2.6.4 Association Rules Metode association rules atau juga dikenal dengan nama market basket analysis, digunakan untuk menemukan aturan assosiatif antara suatu kombinasi item atau barang (Tang & Jamie, 2005). Metode association rules termasuk kedalam model deskripsi dan jenis pembelajarannya adalah unsupervised learning. Metode ini dapat digunakan untuk mengidentifikasi itemitem produk yang mungkin dibeli secara bersamaan dengan produk lain. Metode association rules mempunyai dua tahapan yaitu, menemukan frequent itemset dan membentuk assosiation rules. Metode ini terdiri dari dua item yaitu antecedent dan consequent (Hornick, 2006). Antecedent dan consequent bisa di
60
analogikan sebagai aturan “If x Then y”. Dimana x merupakan antecedent atau left hand side dan y adalah consequent atau right hand side. Misalnya jika antecedent A dan consequent B, maka aturannya dapat ditulis sebagai berikut : ( A B) . Dalam association rules diperlukan variabel ukuran yang dapat ditentukan oleh user untuk mengatur batasan sejauh mana dan sebanyak apa hasil output yang diinginkan. Variabel ukuran tersebut adalah support dan confidence. Support adalah nilai dua atau lebih itemset yang dibeli secara bersamaan dari keseluruhan transaksi. Nilai support menunjukkan frekuensi itemset dalam suatu transaksi. Berikut perhitungan untuk mengetahui nilai support : Support( A ) JumlahTransaksiMengandungA X 100%
Jumlah transaksi Confidence
adalah
ukuran
yang
didapatkan
dari
probabilitas adanya itemset A pada suatu transaksi maka juga ada itemset B pada transaksi tersebut. Nilai confidence menunjukkan kuatnya hubungan antar item dalam suatu aturan assosiasi. confidence :
Berikut
perhitungan
untuk
mengetahui
nilai
61
Confidence : P( A B)
TransaksiMengandungAdanB X 100% TransaksiMengandungA
Misalnya ada aturan, susu roti [support 20 %, confidence 50%], maka informasi yang bisa diperoleh adalah bahwa sebanyak 20% konsumen membeli susu dan roti secara bersamaan serta konsumen yang membeli susu mempunyai kemungkinan 50 % untuk juga membeli roti. Selanjutnya informasi yang diperoleh tersebut dapat di tindak lanjuti dengan mengatur strategi pemasaran yang strategis, semisal mengatur penempatan barang yang baru atau menentukan produk mana yang harus diletakkan berdekatan.
2.7
Algoritma Apriori Prinsip assosiation rules atau market basket analysis adalah menemukan frequent itemset dan membentuk aturan assosiasi berdasarkan frequent itemset (Tang & Jamie, 2005). Algoritma apriori digunakan untuk mencari frequent itemset. Pengertian frequent itemset disini adalah himpunan item-item yang memenuhi minimum support. Selanjutnya frequent itemset digunakan untuk membangun aturan assosiasi. Untuk membentuk kandidat itemset digunakan dua tahap yaitu :
62
Join Step
:
Ck dibangun dengan menggabungkan Lk-1 dengan
dirinya. Prune Step : Setiap (k-1)-itemset yang bukan frequent tidak boleh menjadi suatu subset dari suatu frequent k-itemset. Berikut adalah pseudocode dari algoritma apriori :
Ck : Kandidat itemset dari ukuran k Lk : Frequent itemset dari ukuran k L1 = {frequent itemset}; for (k=1;Lk!=0;k++) do begin Ck+1 = {kandidat dibangun dari Lk}; for each transaksi t dalam database do naikkan hitungan dari seluruh kandidat dalam Ck+1 yang dimuat dalam t; Lk+1 = {kandidat dalam Ck+1 dengan minimum support}; end return Uk Lk;
Untuk lebih jelasnya, perhatikan gambar 2.3 mengenai contoh ilustrasi algoritma apriori.
63
C1
Database (D) Items
TID 100
A, C, D
200
B, C, E
300
A, B, C, E
400
B, E
Scan D
Itemset
Support
A
2
B
3
C
3
D
1
E
3
C2
C2
L1
Itemset
Support
Itemset
Itemset
Support
{A,B}
1
{A,B}
A
2
{A,C}
2
{A,C}
B
3
{A,E}
1
C
3
{B,C}
2
E
3
{B,E}
3
{C,E}
2
{A,E} {B,C} {B,E} {C,E}
L2 C3 Itemset
Support
{A,C}
2
{B,C}
2
{B,E}
3
{C,E}
2
C3 Itemset
Scan D
{B,C,E}
L3 2
Itemset
Support
{B,C,E}
2
64
Itemset
Support
{B,C,E}
2
Gambar 2.4 Contoh Algoritma Apriori Nilai minimum support yang ditentukan pada gambar 2.3 adalah 2 atau 50%. Flowchart contoh tersebut terlihat pada gambar 2.3 dan penjelasan tentang contoh ilustrasi algoritma apriori adalah sebagai berikut : 1. Dari database D kemudian dibentuk C1 (kandidat 1-itemset), apabila itemset pada C1 tidak memenuhi minimum support maka akan dieliminasi dari L1. 2. Selanjutnya dibangun C2 (kandidat 2-itemset) dengan melakukan cross itemset yang ada pada L1 (join step). Apabila itemset pada C2 tidak memenuhi minimum support maka akan dieliminasi dari L2. 3. Kemudian dibangun C3 (kandidat 3-itemset) dengan melakukan cross itemset yang ada pada L2 (join step). Jika diperhatikan selain itemset {B,C,E} sebenarnya masih ada itemset {A,C,B} dan {A,C,E} yang bisa didapatkan dari kombinasi itemset L2. Tetapi kedua itemset tersebut dipangkas (prune step) karena itemset {C,B} dan {A,E} dieliminasi dari L2.
65
If Itemset >= 2
Start
Ya
L3
Tidak Database D C3 End C1 L2 Tidak Ya If Itemset >= 2 If Itemset >= 2 Ya Tidak L1
C2
Gambar 2.5 Flowchart Ilustrasi Algoritma Apriori
Proses perhitungan tersebut akan terus berulang sampai tidak ada lagi kandidat baru yang dihasilkan. Dalam contoh 2.3 proses berakhir pada iterasi ketiga, karena tidak ada kandidat baru yang bisa dihasilkan pada iterasi keempat.
2.8
Database Management System (DBMS) Untuk mengelola database diperlukan suatu perangkat lunak yang disebut DBMS (database management system). DBMS merupakan suatu system perangkat lunak yang memungkinkan user (pengguna)
66
untuk membuat memelihara, mengontrol, dan mengakses database secara praktis dan efisien (Janner Simarmata & Imam Prayudi, 2006) 2.8.1 Software DBMS Beberapa software atau perangkat lunak DBMS yang sering digunakan dalam aplikasi program antara lain : a.
BD – http://www.-306.ibm.com/software/data/db2/
b. Microsoft SQL Server – http://www.microsoft.com/sql c.
Oracle – http://www/oracle.com
d. Sybase – http://www.sybase.com/ e.
Interbase – http://www.borlad.com/interbase
f.
Teradata – http://www.teradata.com/
g. Firebird – http://www.firebirdsql.org/ h. MySQL – http://www.mysql.com i.
PostgreSQL – http://www.postgresql.org/
2.8.2 Keuntungan DBMS DBMS memungkinkan perusahaan maupun individu untuk (Janner Simarmata & Imam Prayudi, 2006) : 1. Mengurangi Pengulangan Data Apabila dibandingkan dengan file–file komputer yang disimpan terpisah disetiap aplikasi komputer, DBMS menguragi jumlah total file dengan menghapus data yang
67
terdupikasi di berbagai file, data terduplikasi selebihnya dapat ditempatkan dalam satu file.
2. Mencapai Independensi Data Spesifikasi data disimpan dalam skema pada tiap program aplikasi. Perubahan dapat dibuat pada struktur data tanpa mempengaruhi program yang mengakses data. 3. Mengintegrasikan data beberapa file Saat file dibentuk sehingga menyediakan kaitan logis, maka organisasi fisik bukan merupakan kendala. Organisasi logis, pandangan pengguna, dan program aplikasi tidak harus tercermin pada media penyimpanan fisik. 4. Mengambil data dan informasi dengan cepat Hubungan – hubungan logis, manipulasi data, serta bahasa query memungkinkan pengguna mengambil data dalam hitungan detik atau menit. 5. Memungkinkan keamanan DBMS
mainframe
maupun
komputer
mikro
dapat
menyertakan beberapa lapis keamanan seperti kata sandi (password), direktori pemakai, dan bahasa sandi (encryption) sehingga data yang dikelola akan lebih aman.
68
2.8.3 Kelemahan DBMS Keputusan menggunakan DBMS mengikat perusaahaan atau pengguna untuk (janner Simarmata & Imam Prayudi, 20006): 1. Memperoleh
perangkat
lunak
yang
mahal
DBMS
mainframe masih sangat mahal. Meskipun harga DBMS berbasis komputer mikro lebih murah tetapi, tetap merupakan pengeluaran besar bagi suatu organisasi kecil. 2. Memperoleh konfigurasi perangkat keras yang besar DBMS sering memerlukan kapasitas penyimpanan dan memori lebih ada program aplikasi lain. 3. Memperkerjakan dan mempertahankan staf DBA 4. DBMS memerlukan pengetahuan khusus agar dapat memanfatkan kemampuanya, secara penuh. Pengetahuan khusus ini disediakan paling baik oleh para pengelola basis data.
2.9
Web Server 2.9.1 Definisi Web Server Web server merupakan software yang memberikan layanan data yang berfungsi menerima permintaan HTTP atau HTTPS dari klien yang dikenal dengan browser web dan mengirimkan kembali hasilnya
69
dalam bentuk halaman - halaman web yang umumnya berbentuk dokumen HTML. (Budi Sutedjo, 2006)
2.9.2 Macam-macam Web Server 1. Apache Tomcat. 2. Apache Web Server. 3. Microsoft Windows Internet Information Services (IIS). 4. Lighttpd. 5. Sun Java System Web Server. 6. Xitami Web Server. 7. Zeus Web Server.
2.9.3 Cara Kerja Web Server 1.
Hubungan antara Web Server dan Browser Internet merupakan gabungan atau jaringan Komputer yg ada di seluruh dunia. Setelah terhubung secara fisik, Protocol TCP/IP (networking protocol) yang memungkinkan semua komputer dapat berkomunikasi satu dengan yang lainnya.
2.
Pada saat browser meminta data web page ke server maka instruksi permintaan data oleh browser tersebut di kemas di dalam TCP yang merupakan protocol transport dan dikirim ke alamat yangg dalam hal ini merupakan protocol berikutnya yaitu Hyper Text Transfer Protocol (HTTP). HTTP ini merupakan protocol yang digunakan dalam World
70
Wide Web (WWW) antar komputer yang terhubung dalam jaringan di dunia ini. 3.
Data yang di passing dari browser ke Web server disebut sebagai HTTP request yang meminta web page dan kemudian web server akan mencari data HTML yang ada dan di kemas dalam TCP protocol dan di kirim kembali ke browser. Data yang dikirim dari server ke browser disebut sebagai HTTP response. Jika data yang diminta oleh browser tidak ditemukan oleh si Web server maka akan meninbulkan error yang sering anda lihat di web page yaitu Error : 404 Page Not Found.
2.10 Perangkat Lunak yang digunakan 2.10.1 SQL Server 2008 Microsoft
SQL
Server
merupakan
produk
RDBMS
(Relational database Management System ) yang dibuat oleh Microsoft. Microsoft SQL Server juga mendukung SQL sebagai bahasa untuk memproses query database. Microsoft SQL Server banyak digunakan pada dunia bisnis, pendidikan atau juga pemerintahan sebagai solusi database atau penyimpanan data. (Martina, 2007) Pada tahun 2008 Microsoft mengeluarkan SQL Server 2008 yang merupakan versi yang banyak digunakan. Berikut ini
71
adalah beberapa fitur yang dari sekian banyak fitur yang ada pada SQL Server 2008: 1. XML Support, fitur ini dapat menyimpan dokumen XML dalam suatu table , meng-query data ke dalam format XML melalui Transact-SQL dan lain sebagainya. 2. Multi-instance Support fitur ini memungkinkan untuk menjalankan beberapa database engine SQL Server pada mesin yang sama. 3. Data
Warehousing
and
Business
Intelligence
(BI)
improvements. SQL server dilengkapi dengan fungsi – fungsi umtuk keperluan business intelligence melalui analysis services. Selain itu, SQL Server 2008 juga ditambahkan dengan tools untuk keperluan data mining. 4. Performace
and
Scalability
Improvements.
SQL
server
menerapkan distributed partitioned yang memungkinkan untuk membagi workload ke beberapa server sekaligus. Peningkatan lainya juga dicapai di sisi DBCC, indexed view, dan index reorganization. 5. Query analyzer improvements . fitur yang dihadirkan antara lain: integrated debugger, object browser, dan fasilitas object search.
72
6. DTS Enhancement. Fasilitas ini sekarang sudah mampu untuk memperlihatkan primary key dan foreign key constraints. Ini berguna pada saat migrasi table dari RDBMS lain 7. Transact–SQL enhancements. Salah satu peningkatan disini adalah T-SQL sudah mendukung UDF (User–Definable Function). Ini memungkinkan anda untuk menyimpan rutin – rutin ke dalam database engine.
2.10.2 Tipe Data dalam SQL Server 2008 Data dalam Microsoft SQL Server sangat bervariasi, dan setiap kolom dalam satu table harus memiliki data sesuai dengan jenis
dan tipenya. SQL Server memiliki beberapa
kategori tipe data dan masing-masing mempunyai beberapa tipe data dasar. Tabel 2.3 Tipe Data Sql Server 2008 (Sumber : Martina, 2003) Kategori Tipe Data Integer
Tipe Data
Keterangan
Bit
Integer dengan nilai 0 atau 1
Int
Nilai Integer dengan nilai antara 2.147.483.648 Angka antara -10^38-1 sampai 10^38-1 Nilai yang terhubung dengan
Decimal atau Numeric Money
73
String
Float
mata uang dari 2^63 (-922.377.203.685.477,5807) -214.748,3648 sampai 1.79E+38
Real
-3.40E+308 sampai 3.04E+38
Datetime
1 Januari 1973 sampai 3.04E+38
Smalldatetime
1 Januari 1900 sampai 6 Juni 2079, dengan ketelitian hingga 1 menit Field tetap dengan ukuran maksimal 8000 byte Field tetap dengan ukuran maksimal 8000 byte Variabel dengan ukuran hingga 2^31-1 (2.147.488.647) byte Karakter Uicode dengan ukuran tetap hingga 4000 byte Variable dengan ukuran tetap hingga 4000 byte Karakter Unicode dengan ukuran bervariasi hingga 4000 byte Ukuran tetap hingga 8000 byte
Char Varchar Text
Unicode string
Nchar Nvarchar Ntext
Binary String
Binary
2.10.3 Batasan SQL Server 2008 Microsoft SQL Server mempunyai beberapa batasan dimana batasan tersebut memiliki prioritas diatas integer, aturan dan nilai defaultnya . sebagai gambaran tabel berikut akan menjelaskan batasan – batasan yang dimaksud.
74
Tabel 2.4 Batasan dalam SQL Server 2008 (Sumber : Martina, 2003) Fungsi
Keterangan
NOT NULL CHECH
Menentukan bahwa kolom tidak bisa menentukan NULL Membatasi nilai yag bisa diletakan kedalam kolom dengan menentukan suatu kondisi. Misalnya niali TRUE maka nilai yang diberikan dapat dimasukkan kedalam kolom sedang apabila FALSE Memasukan kolom – kolom memiliki nilai eksklusif Memebuat kata kunci primer atau kunci utama dari sebuah tabel, kolom atau kombinasi dari kolom dengan nilai yang harus bersifat eksekutif didalam tabel untuk mengenali baris Menentukan hubungan antara tabel- tabel
UNIQUE PRIMARY KEY
FOREIGN KEY
2.11 Unified Modelling Language (UML) 2.11.1 Definisi Unified Modelling Language UML
didefinisikan
sebagai
notasi
diagram
untuk
menggambarkan artefak dari Objects-Oriented Analysis Design (OOAD).
Melalui
UML
kita
dapat
membayangkan,
menentukan, membangun dan membuat dokumen aplikasi perangkat lunak. Ketika sistem perangkat lunak menjadi semakin besar dan semakin kompleks kita perlu mengelola kompleksitas itu, dalam arti, menyederhanakannya sehingga
75
kita memiliki pemahaman yang lebih baik lagi. (Barclay dan Savage, 2004). Dengan menggunakan diagram-diagram notasi UML, developer dapat melakukan pemrograman kode yang biasa dikenal dengan sebutan forward engineering, yaitu proses tradisional mengubah abstraksi tingkat tinggi, desain logical dan implementasi mandiri ke dalam implementasi fisik dalam sebuah sistem. Seperti bahasa-bahasa lainnya, UML mendefinisikan notasi
dan
syntax/semantik.
Notasi
UML
merupakan
sekumpulan bentuk khusus untuk menggambarkan berbagai diagram piranti lunak. Setiap bentuk memiliki makna tertentu, dan UML syntax mendefinisikan bagaimana bentukbentuk tersebut dapat dikombinasikan. Notasi UML terutama diturunkan dari 3 notasi yang telah ada sebelumnya: Grady Booch OOD (Object-Oriented Design), Jim Rumbaugh OMT (Object Modeling Technique), dan Ivar Jacobson OOSE (ObjectOriented Software Engineering). (Dharwiyanti, 2003) Diagram-diagram yang terdapat di dalam pemodelan UML dan digunakan penulis dalam pembuatan aplikasi ini adalah sebagai berikut : 1. Use Case Diagram
76
Use case diagram menggambarkan fungsionalitas yang diharapkan dari sebuah sistem. Yang ditekankan adalah “apa” yang diperbuat sistem, dan bukan “bagaimana”. Sebuah use case merepresentasikan sebuah interaksi antara aktor dengan sistem. (Dharwiyanti, 2003)
Gambar 2.6. Contoh use case diagram (Dharwiyanti, 2003)
2. Class Diagram Class diagram adalah sebuah spesifikasi yang jika diinstansiasi
akan
merupakan
inti
menghasilkan dari
sebuah
pengembangan
objek dan
dan
desain
77
berorientasi objek. Class diagram menggambarkan keadaan (atribut/properti) suatu sistem, sekaligus menawarkan layanan
untuk
(metoda/fungsi)
memanipulasi (Dharwiyanti,
keadaan 2003).
Class
tersebut diagram
menggambarkan struktur dan deskripsi class, package dan objek beserta hubungan satu sama lain seperti containment, pewarisan, asosiasi, dan lain-lain. Class diagram memiliki tiga area pokok : 1. Nama (dan stereotype) 2. Atribut 3. Metoda
Gambar 2.7 Contoh Class Diagram (Dharwiyanti, 2003)
3. Activity Diagram
78
Activity diagram menggambarkan berbagai alir aktivitas dalam sistem yang sedang dirancang, bagaimana masingmasing alir berawal, decision yang mungkin terjadi, dan bagaimana mereka berakhir. Activity diagram juga dapat menggambarkan proses paralel yang mungkin terjadi pada beberapa eksekusi. Activity diagram merupakan state diagram khusus, di mana sebagian besar state adalah action dan sebagian besar transisi di-trigger oleh selesainya state sebelumnya (internal processing).
Oleh
karena
itu
activity
diagram
tidak
menggambarkan behaviour internal sebuah sistem (dan interaksi antar subsistem) secara eksak atau tepat, tetapi lebih
menggambarkan
proses-proses
dan
jalur-jalur
aktivitas dari level atas secara umum. (Dharwiyanti, 2003)
79
Gambar 2.8 Contoh Activity Diagram (Dharwiyanti, 2003)
4. Sequence Diagram Sequence diagram menggambarkan interaksi antar objek di dalam dan di sekitar sistem (termasuk pengguna, display, dan sebagainya) berupa message yang digambarkan terhadap waktu. Sequence diagram terdiri atar dimensi vertikal (waktu) dan dimensi horizontal (objek-objek yang terkait). Sequence
diagram
biasa
digunakan
untuk
menggambarkan skenario atau rangkaian langkah-langkah yang dilakukan sebagai respon dari sebuah event untuk menghasilkan output tertentu. Diawali dari apa yang menjadi trigger aktivitas tersebut, proses dan perubahan apa saja yang terjadi secara internal dan output apa yang dihasilkan. (Dharwiyanti, 2003)
Gambar 2.9 Contoh Sequence Diagram (Sun Services, 2003)
5. State Chart Diagram (SCD) Interaction diagram dan state chart menampilkan dua pandangan yang saling melengkapi tentang perilaku dinamis sebuah sistem. Interaksi diagram menunjukkan pesan-pesan yang dilewatkan diantara obyek-obyek di dalam sistem selama periode waktu yang pendek. Sedangkan state chart diagram menelusuri individu-individu obyek melalui keseluruhan daur hidupnya, menspesifikasikan semua urutan yang mungkin dari pesan-pesan yang akan diterima obyek tersebut, bersama-sama dengan tanggapan atas pesan-pesan tersebut.
81
State diagram menyediakan variasi simbol dan sejumlah ide untuk pemodelan state diagram menampilkan state-state yang mungkin dari sebuah obyek, event yang bisa dideteksi dan respon atas event-event tersebut. Pendeteksian sebuah event dapat menyebabkan sebuah obyek bergerak dari satu state ke state yang lain atau transition. (Munawar, 2005)
82
2.12 Studi Literatur Sejenis Dibawah ini penulis paparkan beberapa penelitian terdahulu yang pernah membahas mengenai data mining, yang digunakan sebagai acuan untuk menyelesaikan tugas akhir. Tabel 2.5 Perbandingan Pengembangan Literatur Sejenis NO
Judul Analisis
1
Gambaran Umum Sistem
Keranjang
Kelebihan
Kekurangan
analisis
Tahapan data mining
manajerial
masih dilakukan secara
Belanja
Penelitian ini bertujuan (1) mempelajari sebuah aplikasi analisis
Adanya
Pada Data Transaksi Penjualan
keranjang belanja (market basket analysis) yang berkaitan dengan
implikasi
( Studi Kasus Toserba Yogya
data transaksi penjualan yang menggunakan teknik assosiatif, (2)
yang
Banjar)
mengidentifikasi beberapa tipe dari kaidah asosiasi (association rules)
oleh pihak perusahaan
dapat
dipakai
manual
dengan
bantuan
software
yang berkaitan dengan data transaksi penjualan yaitu nilai-nilai
Microsoft Office Excel
Asal Literatur: Skripsi
support dan confidence, (3) mengetahui implikasi manajerial dari
2007
Peneliti : Tri Lestari
analisis keranjang belanja (market basket analysis). Penelitian ini
Minitab
Nim
dilaksanakan di Toserba Yogya Banjar, data yang digunakan adalah
ada data baru maka
data sekunder yang bersumber dari dokumen perusahaan berupa
diperlukan
data transaksi.
pengulangan
: H24052006
Tahun : 2009
Departemen Fakultas
Manajemen Ekonomi
dan
Manajemen Institu Pertanian Bogor.
Penelitian
diolah dengan menggunakan software
Microsoft Office Excel 2007 dan software Minitab 14. Data dianalisis dengan menggunakan algoritma apriori yang menghasilkan aturan asosiasi, dengan pola “if then”.
dan 14.
software Apabila
tahapan
data mining dari awal.
83
Aplikasi Data mining Market
Peneliti berkeinginan untuk mengatasi permasalahan absensi tersebut
Perangkat lunak telah
Dari
Basket Analysis Pada Tabel Data
dengan memanfaatkan metode data mining, khususnya metode market
dapat
kecepatan
Absensi
basket analysis, untuk mendeteksi kecurangan. Perangkat lunak yang
pada
dibuat
terutama
Elektronik
Mendeteksi 2
Untuk
Kecurangan
ini
akan
mentranformasikan
data
absensi
pegawai
Absensi (Check-Lock) Karyawan
menggunakan metode MaxDiff Histogram menjadi
format compact
di Perusahaan.
transaction yang selanjutnya akan diproses menggunakan Algoritma
diaplikasikan dunia pada
nyata, PT.
hasil
pengujian perangkat
lunak
dapat
disimpulkan
bahwa
Mulia Batara Semesta
penggunaan algoritma
Surabaya.
Pincer Search
untuk
Pincer Search menjadi frequent itemset. Pada akhirnya dari data
menggenerasi frequent
Asal Literatur : Jurnal
frequent itemset ini didapat association rule pegawai untuk disajikan
itemset
Peneliti
kepada pengguna, yaitu bagian HRD perusahaan.Dari hasil pengujian
dapat
mengatasi
dapat diketahui bahwa metode Data mining Market Basket Analysis
terjadinya
'bottleneck'
dapat dimanfaatkan untuk menggali pattern kebiasaan absensi (check-
pada proses tersebut.
:
Gregorius Satia
Budhi; Felicia Soedjianto
lock) pegawai sebuah perusahaan. Dari sini kemungkinan terjadinya
Tahun : 2007
kecurangan saat melakukan absensi masuk / pulang dapat dideteksi. Jurusan Fakultas
Teknik
Informatika,
Teknologi
Industri,
Universitas Kristen Petra
masih
belum
84
Aplikasi
Data
mining
Penelitian ini bertujuan untuk membuat sebuah aplikasi data mining
Menggunakan
Menggunakan Aturan Asosiasi
menggunakan aturan asosiasi dengan metode apriori sebagai teknik
sebagai
Dengan Metode Apriori Untuk
analisis keranjang pasarnya. Data yang diambil dalam penelitian ini
pemrograman.
Analisis Keranjang Pasar Pada
adalah data transaksi penjualan disuatu apotek di Perumnas 1. Hasil
Memakai database Ms.
Data
dari aturan asosiasi yang didapat yaitu berupa kombinasi dari jenis
Acces. Banyaknya data
obat yang sering dibeli oleh konsumen. Dari hasil tersebut diharapkan
yang
dapat membantu manajemen apotek untuk merancang strategi
dapat
Asal Literatur : Jurnal
pemasaran obat di apoteknya. Aplikasi ini dibuat menggunakan
merepresentasikan
Peneliti : Leni Meiwati,
perangkat lunak Java dan didukung oleh media penyimpanan
pola belanja konsumen
database Microsoft Access.
yang diinginkan
Transaksi
Penjualan
Apotek
3
Metty Mustikasari
java
Belum adanya strategi
Bahasa
yang dapat diberikan dari hasil penelitian ini.
dipakai
belum
Tahun : 2010
Jurusan
Sistem
Informasi
Fakutas Ilmu Komputer dan Teknologi
Informasi,
Universitas Gunadarma
4
Data Mining Untuk Pembiayaan
Dalam penelitian ini, association rule digunakan untuk mengetahui
Menggunakan Borland
Belum adanya strategi
Murabahah
Menggunakan
pola hubungan keterkaitan antar data dalam pembiayaan murabahah.
Delphi
yang dapat diberikan
Association Rule (Studi Kasus
Untuk parameter yang digunkan adalah berdasarkan harga plafond ,
Bahasa Pemrograman
BMT MMU Sidogiri)
lama angsuran dan prosentase margin. Dari pola yang diperoleh
Memakai
database
diharapkan dapat memberikan informasi yang berharga bagi pihak
Interbase.
Banyaknya
Asal Literatur : Skripsi
manajemen bank dimana dalam hal ini adalah pihak BMT MMU
data
Peneliti : Alfiyatus Sholichah
Sidogiri, dimana informasi tersebut dapat digunakan sebagai alat
belum
7.0
Sebagai
dari hasil penelitian ini.
yang
dipakai dapat
85
Nim
: 4550002
pendukung untuk mengambil kebijakan.
merepresentasikan
Tahun : 2009
pola belanja konsumen yang diinginkan
Jurusan
Teknik
Informatika
Fakultas Sains dan Teknologi Universitas Islam Negeri (UIN) Maulana
Malik
Ibrahim
Malang. Implemetasi
Data
Mining
Penelitian ini bertujuan untuk membuat sebuah aplikasi data mining
Menggunakan database
Belum adanya strategi
Algoritma Apriori Pada Sistem
menggunakan aturan asosiasi dengan metode apriori sebagai teknik
MYSQL Server
yang dapat diberikan
Penjualan
analisis keranjang pasarnya. Hasil dari aturan asosiasi yang didapat yaitu berupa kombinasi dari jenis item
Asal Literatur : Skripsi 5
Peneliti
:
konsumen.
Muhammad
Afif
Dari
hasil
tersebut
dari hasil penelitian ini.
yang sering dibeli oleh
diharapkan dapat
membantu
manajemen perusahaan untuk merancang strategi pemasaran barang.
Syaifullah Nim
: 06.11.1317 2010
Tahun : 2010
STMIK AMIKOM Yogyakarta Penerapan Data Mining dalam
Dalam jurnal ini akan disajikan penggunaan
Penentuan
Aturan
Antar Jenis Item.
Asosiasi
data mining dalam
Pemodelan asosiasi ini
Tidak membuat Sistem,
menemukan pengetahuan mengenai asosiasi antar jenis item di CV JP
menggunakan
dan
Bogor. Pemodelan asosiasi ini menggunakan algoritma Apriori dan
algoritma Apriori dan
dapet menaikan kinerja
pemrosesannya dibantu dengan software Clementine.
pemrosesannya
perusahaan
hasilnya
belum
secara
86
6
Asal Literatur : Jurnal
dibantu
dengan
Peneliti : Yogi Yusuf W,
software Clementine.
siginifikan
F. Rian Pratikto, Gerry T Tahun
: 2006
Jurusan Teknik Industri, Universtias
Katolik
Parahyangan
7
Penetapan Strategi Penjualan
Jurnal ini akan melakukan analisis terhadap data transaksi penjualan
Hasil dari penelitian
Tidak
Menggunakan Association Rules
sebuah perusahaan ritel umum yang bergerak di bidang fotografi,
diimplementasikan
sistem,
dalam Konteks CRM
fotokopi, medical imaging, printing, dan telekomunikasi yang memiliki
sehingga
variasi produk yang sangat beragam. Keanekaragaman produk ini
penjualan dari masing-
terhadap data transaksi
Asal Literatur : Jurnal
menghasilkan kemungkinan kombinasi produk yang lebih beragam
masing
semester pertama.
Peneliti : Bayu Adhi Tama
pula. Hasil penelitian ini menunjukkan bahwa penetapan strategi
produk pada semester
Tahun
penjualan dengan menggunakan data pada tengah semester pertama,
kedua
tren penjualan dari masing-masing kombinasi produk pada semester
peningkatan
kedua mengalami peningkatan yang signifikan.
signifikan.
: 2010
Fakultas Ilmu Komputer, Universitas Sriwijaya
tren
kombinasi
mengalami yang
membangun
melakukan
hanya analisis
87
Model
8
Rule:
Multilevel
And
Pada penelitian ini diusulkan untuk mengkombinasi dua macam
Memakai
Multidimension Association Rule
model rule, yaitu: Multilevel Association Rule serta Multidimesional
model
untuk Analisa Market Basket
Association Rule menjadi bentuk lain. Aplikasi yang dibuat pada
kemudian
Pada PT. Maha Agung
penelitian ini menghasilkan sebuah model association rule baru yang
gabungkan
sehingga
data transaksi masih
kita namakan "Multilevel And Multidimension Association Rule".
mempunyai parameter
harus dilakukan secara
Asal Literatur : Jurnal
Pemanfaatan model association rule baru ini untuk menjawab
yang lebih baik untuk
manual
Peneliti
kebutuhan PT. Maha Agung ini terbukti tepat. Hal ini dapat dilihat
penelitian ini.
:
Gregorius Satia
Budhi,
2
macam
rule
yang di
Tidak dengan
terintegasi sistem
sehingga
POS
pengolahan
dari hasil kuisioner calon pemakai yang cukup baik, yaitu sebesar Yulia
Budiwati
89.6%.
Abadi Tahun
: 2009
Universitas
Kristen
Petra
Surabaya Aplikasi Data Mining Untuk
Dalam penelitian ini dengan memanfaatkan data induk mahasiswa
Memakai Database SQL
Tidak
Menampilkan
dan data kelulusan mahasiswa,
Server,
dengan
Informasi
dan
bahasa
informasi tentang tingkat kelulusan dengan data induk mahasiswa
(Studi Kasus di Fakultas MIPA
melalui teknik data mining. Kategori tingkat kelulusan di ukur dari
diperlukan
Universitas Diponegoro)
lama studi dan IPK. Algoritma yang digunakan adalah algoritma
penginputan
apriori, informasi yang ditampilkan berupa nilai
terhadap
Peneliti Huda
: Nuqson Masykur
support
confidence dari masing-masing kategori tingkat kelulusan.
dan
pemrograman VB.Net
sistem
Tingkat Kelulusan Mahasiswa
Asal Literatur : Skripsi
9
diharapkan dapat menghasilkan
Terintergasi
akademik
sehingga
data
ulang data
mahasiswa dan data yang lainnya,
diperlukan Belum dapat
88
Nim
: J2F005280
merekomendasikan
Tahun : 2010
suatu
strategi
yang
diperlukan. Program
Studi
Teknik
Informatika
Jurusan
Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Diponegoro
10
Analsis Keranjang Belanja Pada
Penelitian ini mengenai analisis data mining dalam meningkatkan nilai
Hasil Penelitian sesuai
Hanya
Data
pelanggan
alam
dengan kondisi yang
Analisa
(Studi Kasus UD Kuta Batu
menggunakan metode CART. Mengaplikasikan metode Classification
ada, Data yang dipakai
memberikan
Jakarta)
And Regression Tree (CART) untuk menganalisis informasi yang
sesuai dengan metode
yang dapat dilakukan
tersembunyi dari database UD Kuta Batu Jakarta. Dari hasil analisis
yang digunakan
oleh perusahaan
Transaksi
Penjualan
terhadap
pembelian
produk
ornament
batu
Asal Literatur : Skripsi
melalui pohon keputusan (decision tree) yang dihasilkan oleh CART
Peneliti : Khaerudin
didapatkan
Tahun : 2007
keputusan dimasa mendatang.
Jurusan Sistem Informasi Fakutas Ilmu Komputer dan Teknologi Informasi, Universitas Gunadarma
beberapa
informasi
berharga
untuk
pengambilan
Melakukan Data,
Tidak strategi
BAB III METODOLOGI PENELITIAN
Dalam menyusun laporan tugas akhir ini, penulis melakukan studi kasus pada Tendencies Store dengan menganalisa data transaksi penjualan. Persiapan yang penulis lakukan adalah dengan mencari datadata dan informasi yang dibutuhkan meliputi beberapa unsur antara lain :
3.7
Lokasi dan Waktu Penelitian Penelitian dilakukan di Tendencies Store dengan tujuan untuk menganalisa
data
transaksi
penjualan.
Sehingga
dapat
membantu
menganalisa data transaksi penjualan untuk mendukung pembuatan kebijakan maupun perencanaan strategi pemasaran yang efektif. Adapun lokasi dan tempat penelitian yang penulis lakukan berada di Jakarta Selatan, tepatnya di : Nama Perusahaan
: Tendencies Store
Alamat
: Jln. Bintaro Utama I Blok J3 no. 11, Bintaro Jaya
Sektor Satu, Jakarta 12330 – Indonesia. Telepon / Fax
Sarana Pendukung Aplikasi Aplikasi ini dapat digunakan pada unit komputer yang mempunyai spesifikasi sebagai berikut : 1. Perangkat Keras a. Processor minimal Intel Pentium Dual Core 2.0 Ghz b. Memory minimal 1 GB c. Hard Drive space minimal 80 GB d. Keyboard dan mouse 2. Perangkat Lunak a. Windows 7 b. MS-SQL Server 2008 c. MS-Visual Studio 2008 d. IIS 7
3.9
Metode Pengumpulan Data Dalam rangka menyusun tugas akhir ini, diperlukan data dan informasi
seperti
database
penjualan
dan
lainnya.
Dalam
mengumpulkan data dan informasi tersebut penulis menggunakan metode pengumpulan data observasi, metode interview dan studi pustaka.
49
3.9.1 Observasi. Observasi dilakukan langsung pada Tendencies Store terletak di Jalan Bintaro Utama I Blok J3 no. 11, Bintaro Jaya Sektor Satu, Jakarta 12330 – Indonesia. Observasi dilaksanakan pada Januari 2010 s.d Mei 2010. Penulis juga mengumpulkan data sekunder berupa data
transaksi penjualan pada Tendencies Store dari 14 mei hingga 20 Mei 2010. Dari hasil pengamatan, diketahui bahwa kegiatan pengolahan data transaksi di Tendencies Store belum efektif dan efisien disebabkan oleh banyaknya proses yang harus dijalanin tidak sebanding dengan data yang ingin didapatkan.
3.9.2 Wawancara. Wawancara dilakukan secara langsung dengan pihak-pihak terkait dalam kegiatan operasional Tendencies Store yaitu Boyke Vidykrisna Hutama selaku Marketing Communication dan Farah selaku cashier. Beberapa masalah yang ada pada sistem berjalan dapat disimpulkan dari hasil wawancara dengan pihak-pihak yang telah disebutkan, sebagai berikut: a.
Tidak adanya informasi tambahan yang di dapatkan dari data transaksi penjualan yang ada.
b.
Customer jarang mendapatkan informasi secara visual item mana saja yang mempunyai keterkaitan.
c.
terlalu banyak alur kerja yang menghambat efektifitas kinerja.
50
Untuk lebih lengkap hasil dari wawancara dapat dilihat pada lampiran satu (1).
3.9.3 Studi Literatur Sejenis. Studi literatur sejenis, dalam hal ini penulis membandingkan apakah literatur sebelumnya dapat membantu dalam analisa dan percangan sistem yang diusulkan. Selain itu
penulis juga
membandingkan apakah sistem yang dikembangkan memiliki kelebihan dari sistem yang dibuat berdasarkan literatur sejenis atau sebelumnya ditempat lain yang telah menggunakan sistem informasi. Hasil perbandingan studi literatur sejenis ini dapat dilihat pada landasan teori bab II.
3.10 Metode Pengembangan Sistem Dalam menyusun tugas akhir ini penulis menggunakan metodologi pengembangan sistem Rapid Application Development (RAD). Metode ini diperkenalkan oleh James Martin pada tahun 1991 (Roger S Pressman, 2002). Model RAD Merupakan metode pengembangan
sistem
secara
object-oriented
approach
yang
menekankan pada siklus pengembangan yang sangat singkat.. Hal ini akan mempersingkat waktu dalam perancangan dan berusaha
51
memenuhi syarat-syarat bisnis yang cepat berubah. Ilustrasi mengenai tahapan RAD bisa dilihat pada gambar 3.1.
Gambar 3.1 Tahapan-tahapan RAD
Dari
gambar
tersebut
terlihat
bahwa
dalam
metode
pengembangan sistem Rapid Application Design (RAD) terdiri dari tiga tahapan yaitu perencanaan syarat-syarat, desain workshop RAD dan implementasi (Kendall, 2005).
3.10.1 Fase Perencanaan Syarat (Requirement Planning). Dalam fase ini diuraikan mengenai gambaran umum Tendencies Store (sejarah singkat, visi dan misi perusahaan, dan struktur organisasi), analisa sistem berjalan, analisa
52
sistem usulan. Uraian dari fase perencanaan syarat sebagai berikut :
1. Gambaran Umum Tendencies Store. Menguraikan tentang profil Tendencies Store, seperti sejarah
PT Tendencies Store, visi, misi, moto, struktur
organisasi.
2. Analisa Sistem Berjalan. a. Mendefinisikan proses bisnis yang telah didapat oleh penulis
digambarkan
Pengolahan
Data
melalui
Transaksi
gambar yang
4.2
berjalan
Proses pada
Tendencies Store. b. Menganalisis masalah yang ada pada proses pengolahan data transaksi Tendencies Store, masalah-masalah yang ada yaitu : 1. Tidak dapat mencegah terjadinya manipulasi data. 2. Tidak adanya informasi tambahan yang di dapatkan dari data transaksi penjualan yang ada.
53
3. Customer jarang mendapatkan informasi secara visual
item
mana
saja
yang
mempunyai
keterkaitan. 4. Keterlambatan pengolahan data pada divisi sales 5. Terlalu banyak alur kerja yang menghambat efektifitas kinerja. c. Mengidentifikasi rumus perhitungan
Support
dan
Confidence dalam metode Market Basket Analysis.
3. Analisa Sistem Usulan. Memberikan usulan yaitu dengan membuat analisa sistem usulan
berupa
analisa
perancangan
data
mining
berdasarkan hasil analisa terhadap masalah yang ada sebagai upaya perbaikan dari kekurangan-kekurangan sistem yang berjalan.
3.10.2 Fase Perancangan (Workshop Design). Pada tahap ini terbagi dalam tiga perancangan desain, yaitu : 1. Desain Sistem. Dalam perancangan Sistem, penulis menggunakan diagramdiagaram UML (Unified Modelling Language) dalam mendesain sistem. Diagram-diagram yang digunakan dalam desain sistem
54
adalah sebagai berikut : Use Case Diagram, Use Case Scenario, Activity Diagra, Sequence Diagram dan State Chart Diagram. 2. Desain Database. Desain database sistem diuraikan dalam bentuk diagram UML, yaitu class diagram. Class diagram menggambarkan hubungan antar kelas yang terjadi. 3. Desain Antarmuka. Desain rancangan antarmuka sistem digambarkan dengan desain antarmuka interface (GUI) untuk melihat rancangan tampilan yang nantinya menjadi sebuah sistem.
3.10.3 Fase Konstruksi dan Pelaksanaan (Implementation). Pada fase konstruksi dan fase pelaksanaan ini ada 4 (empat) tahapan utama yang akan dilakukan yaitu; Penerapan tahapan
data
mining,
Konstruksi
perangkat
lunak,
Implementasi perangkat lunak, Pengujian perangkat lunak. Penjelasan singkat dari tahapan-tahapan tersebut adalah sebagai berikut: 1. Penerapan tahapan data mining a. Pembersihan Data (Data Cleaning)
55
Hal ini dilakukan dengan cara membersihkan dan mengklasifikasikan data-data apa saja yang ada di dalam data sumber. b. Integrasi Data (Data Integration) Hal ini dilakukan dengan cara mengkonversi file excel data transaksi melalui program aplikasi import export data wizard yang sudah ada di dalam aplikasi MS.SQL Server 2008 c. Seleksi Data (Data Selection) Melakukan pembuatan dan pemilihan data source yang akan dipakai dalam data mining. d. Transformasi Data (Data Transformation) Melakukan pembuatan dan pemilihan data source view yang akan dipakai. e. Proses Data mining (Analisa Data), Melakukan pemilihan struktur data mining yang diinginkan. f. Evaluasi Pola (Pattern Evaluation), Evaluasi pola dilakukan dengan melihat parameter mana saja yang dapat menghasilkan pola yang sesuai dengan kebutuhan bisnis perusahaan g. Presentasi Pengetahuan (Knowledge Presentation)
56
Dilakukan dengan cara membuat dan mengaplikasikan web cross sell application. 2. Konstruksi perangkat lunak. Setelah sistem didesain sesuai dengan keinginan dan kebutuhan pengguna, kemudian hasil desain tersebut diimplementasikan dengan mengkonstruksikan perangkat lunak sistem data mining web cross sell application. 3. Implementasi Perangkat Lunak. Menentukan spesifikasi hardware dan kebutuhan software yang dibutuhkan. Serta rancangan implementasi jaringan dalam menerapkan di Tendencies Store. 4. Pengujian Perangkat Lunak. Perangkat lunak sistem yang telah dikonstruksikan, kemudian
diuji
agar
dapat
mengetahui
kesalahan-
kesalahan yang terdapat dalam perangkat lunak sistem dan kemudian dapat diperbaiki agar sesuai dengan yang diharapkan.
Pengujian
sistem
dilakukan
dengan
menggunakan metode blackbox testing yaitu dengan cara meng-input-kan data ke dalam sistem dan melihat hasil outputnya apakah sesuai dengan yang diharapkan.
57
3.11 Metode Analisa Data Analisa data dilakukan dengan menggunakan metode market basket analysis atau association rules. Dua tahapan yang dilakukan adalah menemukan frequent itemset dan membentuk assosiation rules. Pembentukan association rules dilakukan peneliti dengan cara melakukan penghitungan support dan confidence
3.12 Gambaran Proses Perancangan dan Analisa Data Mining Proses yang dilakukan dalam metode penelitian adalah sebagai berikut : Sejarah Singkat
Observasi Pengumpulan Data
Metode Pengumpulan Data
Gambaran Umum Tendencies Store Wawancara
Visi dan Misi Struktur Organisasi
Kebutuhan Kebutuhan Sistem
Studi Literatur Analisa Sistem Berjalan
Identifikasi Masalah
Tujuan Data Mining
Analisa Sistem Usulan
Use Case Diagram Perencanaan Syarat (Requirement Planning)
Use Case Scenario
Activity Diagram
Tahap Pengembangan Sistem
Metode RAD (Rapid Application Devellopment)
Perancangan (Workshop Design)
Desain Sistem
Sequence Diagram State Chart Diagram
Desain Database
Class Diagram
Desain Antar Muka
Rancangan GUI (Graphical User Interface)
Integrasi Data (Data Integration)
Seleksi Data (Data Selection)
Penerapan Tahapan Data Mining
SQL Server 2008
Transformasi Data (Data Transformation)
Konstruksi Perangkat Lunak
Visual Basic.net 2008
Proses Data Mining (Analisa Data) / Market Basket Analysis
Pengujian Perangkat Lunak
Black Box Testing
Evaluasi Pola (Pattern Evaluation)
Kesimpulan Konstruksi dan Pelaksanaan (Implementation)
Pembersihan Data (Data Claning)
Implementasi Perangkat Lunak
Rancangan Jaringan
Presentasi Pengetahuan (Knowledge Presentation)
Gambar 3.2 Ilustrasi Proses Penelitian 57
BAB IV ANALISA DAN PEMBAHASAN
Tahapan ini merupakan tahapan utama dalam penelitian, dalam tahapan pengembangan sistem metode yang akan dipakai adalah Rapid Application Development dan tahapan data mining.
4.1
Fase Perencanaan Syarat (Requirement Planning). Dalam tahapan perencanaan syarat–syarat ini hal yang akan dilakukan adalah mengidentifikasi masalah dan tujuan, kebutuhan
serta
berorientasi
untuk
menyelesaikan
permasalahan-permasalahan yang ada.
4.1.1 Gambaran Umum Perusahaan 4.1.1.1 Sejarah Singkat Sejarah
berdirinya
Tendencies
Store
didirikan pada tahun 2004. Tendencies dibentuk oleh budaya muda yang dipersatukan bersama di dalam
Tendencies,
mempromosikan
keaslian
bertujuan integritas
untuk dari
kebudayaan Tendencies, dan juga memberikan secara simultan kepada komunitas sebuah merek
57
58
yang dikenal atas keotentikan dari kualitas dan gaya. Sekarang, setelah 6 tahun berdiri dengan dibantu oleh beberapa orang dari generasi kami, yang secara terus menerus mendeskripsikan keunikan identitas dan sikap, Tendencies telah memiliki dua toko resmi, yaitu di : •
Jln. Bintaro Utama I Blok J3 no. 11, Bintaro Jaya Sektor Satu, Jakarta 12330–Indonesia. Phone: +6221.7358204
•
Jln. Raya Kalimalang Blok A2 no. 8-9 @2nd Floor Burger & Grill, Jakarta Timur 13770 – Indonesia. Phone : +6221.86906012
4.1.1.2 VISI dan MISI Tendencies Store VISI : “Menjadi perusahaan clothing yang terkemuka dengan menjual produk-produk fashion yang berkualitas dan terjangkau oleh semua kalangan”. MISI : • Membuat produk yang sesuai standar mutu. • Membangun dengan efektif dan efisien.
59
• Membentuk perusahaan yang menghasilkan keuntungan dan manfaat bagi karyawan dan stakeholder. • Berpartisipasi membantu pemerintah dalam pengembangan industri kreatif di Indonesia.
4.1.1.3 Struktur Organisasi
Bussines Director
Comissioner Finance
General Affair
Sales Manager
Branding Activation
Creative Director
Gambar 4.1 Struktur Organisasi Tendencies
4.1.2 Analisa Sistem Berjalan Tendencies Store menyediakan berbagai produkproduk kebutuhan primer seperti kemeja, kaus, gaun dan lain-lain. Setiap hari ada puluhan dan bahkan mungkin ratusan transaksi penjualan yang terjadi.
60
Untuk mengolah data transaksi penjualan tersebut pihak Tendences Store menggunakan aplikasi REVOTA. Proses pengolahan data transaksi penjualan di ilustrasikan pada gambar 4.2. Dengan aplikasi REVOTA pihak Tendencies dapat memasukan transaksi penjualan yang terjadi di Tendencies, sehingga dapat diketahui beberapa informasi seperti volume total penjualan, produk yang paling banyak terjual dan produk yang paling sedikit terjual.
Dari
informasi
tersebut
kemudian
pihak
manajemen akan mengatur strategi pemasaran seperti melakukan pemotongan harga untuk produk-produk tertentu.
Gambar 4.2 Proses Pengolahan Data Transaksi
4.1.2.1 Identifikasi Masalah
61
Dari hasil analisa sistem yang berjalan, diketahui bahwa selama ini informasi yang dihasilkan
dari
data
transaksi
penjualan
Tendencies Store adalah hanya mengenai volume total penjualan, produk apa yang paling banyak terjual dan produk apa yang paling sedikit terjual. Adapun
masalah-masalah
yang
dapat
di
definisikan oleh penulis adalah sebagai berikut : 1. Tidak adanya informasi tambahan yang di dapatkan dari data transaksi penjualan yang ada, sehingga Business
Director
tidak
mendapatkan
data
pendukung lainnya dalam melakukan pengambilan keputusan strategis. 2. Customer jarang mendapatkan informasi secara visual item mana saja yang mempunyai keterkaitan. 3. Keterlambatan pengolahan data pada divisi sales akan dapat membuat Businesss Director mengalami keterlambatan dalam membuat strategi penjualan. 4. Terlalu banyak alur kerja yang menghambat efektifitas kinerja. Penumpukan biasa beban kerja biasa terjadi di divisi sales dan finance yang dilakukan secara rangkap dan tumpang tindih perkerjaan.
62
4.1.3 Analisa Sistem Usulan Dalam tahapan analisa dan perancangan data mining ini, seperti yang di jelaskan pada bab III bahwa penelitian ini menggunakan metode pengembangan sistem RAD (Rapid Application Development). Oleh karena itu proses yang dilakukan dalam penelitian ini mengikuti alur atau tahapan RAD. Setelah melakukan analisa kebutuhan sistem, maka dapat disimpulkan untuk membuat sebuah sistem yang bisa mengatasi masalah serta memenuhi kebutuhan sistem. Adapun penulis mengusulkan dengan meminimalisasi aktor yang terkait pada Proses
pengolahan
data
transaksi
sehingga
dapat
mengefektifikan alur kerja yang ada. Penulis mengusulkan aktor yang terkait menjadi 3 yaitu Admin, Manajer dan Customer. Admin dapat mewakili cashier dan sales division. Sedangkan Manajer merupakan perwakilan dari Bussines Director. Dan aktor customer merupakan aktor yang berhubungan secara langsung dengan admin melalui sistem ini. Dengan adanya sistem ini memudahkan admin untuk mencatat transaksi yang dilakukan oleh customer, mengorganisasikan item-item yang ada di tendencies store dan secara otomatis menghasilkan itemitem laporan yang diperuntukkan bagi pimpinan. Laporan
63
tersebut dapat digunakan sebagai dasar pengambilan keputusan. Apabila digambarkan maka sistem usulan adalah sebagai berikut :
Gambar 4.3 Proses Pengolahan Data Transaksi Sistem Usulan
Keterangan :
64
1. Customer berinteraksi menggunakan aplikasi web cross sell application untuk mendapatkan item recommedation yang diinginkan. 2. customer berinteraksi secara langsung dengan admin, apabila ada item barang yang ingin dibeli oleh customer. 3. Admin melakukan penginputan data transaksi ke dalam sistem. 4. Data transaksi yang telah di masukan kedalam aplikasi akan secara langsung di olah sehingga manajer dapat melihat data-data tersebut secara realtime.
4.1.3.1 Kebutuhan-kebutuhan Sistem Tahapan ini adalah tahapan yang dilakukan oleh
penulis
bekerja
sama
dengan
pihak
Tendencies Store untuk menentukan kebutuhankebutuhan sistem. Dari hasil analisa sistem yang berjalan, penulis dapat mengambil kesimpulan bahwa sistem yang akan dibuat haruslah dapat mengakomodir berikut :
kebutuhan-kebutuhan
sebagai
65
1. Aplikasi data mining memerlukan input data berupa data transaksi penjualan. 2. Diperlukannya
aplikasi
yang
mampu
mengolah data transaksi penjualan. 3. Memerlukan menghasilkan
aplikasi informasi
yang
mampu
mengenai
aturan
assosiasi (association rules), untuk mengetahui pola belanja konsumen. 4. Diperlukannya penyajian data yang baik dan relevan sehingga customer bisa mendapatkan informasi yang layak.
Diharapkan dengan pengimplementasian sistem usulan tersebut maka permasalahan yang ada akan dapat terpecahkan.
4.1.3.2 Tujuan Data Mining Dari hasil analisa terhadap sistem yang berjalan penulis
melihat
belum
optimalnya
pemanfaatan
pengolahan data transaksi penjualan. Pertimbangan penulis didasarkan pada pengolahan data transaksi penjualan dengan aplikasi REVOTA selama ini hanya
66
menghasilkan
informasi
mengenai
volume
total
penjualan, produk yang sering terjual dan produk yang sedikit terjual. Data transaksi penjualan Tendencies Store masih memiliki potensi untuk menghasilkan informasi lain guna mendukung pengambilan keputusan yang strategis. Salah satunya adalah informasi
mengenai
pola
belanja
konsumen
dengan melihat assosiasi produk yang dibeli oleh konsumen. Sebagai contoh misalnya konsumen yang membeli kaus, kemungkinan besar ia akan membeli produk lain juga contohnya adalah celana. Untuk menggali informasi data transaksi penjualan Tendencies Store, penulis menggunakan teknik data mining dengan metode market basket analysis. Tujuan dari penelitian ini adalah untuk mengetahui
pola
belanja
konsumen
dengan
menggali informasi mengenai assosiasi produk dari
database
penjualan tersebut
yang
pada
meliputi
Tendencies
nantinya
dapat
data
transaksi
Store.
Informasi
digunakan
untuk
67
mendukung
pengambilan
keputusan
yang
strategis, seperti pengaturan penempatan barang yang baru atau desain katalog untuk promosi.
4.2
Workshop Design (Perancangan) Tahap workshop design adalah tahapan merancang aplikasi dan memperbaiki rancangan. Rancangan aplikasi yang penulis lakukan meliputi :
4.2.1 Desain Sistem 4.2.1.1
Penentuan Actor Pada sistem yang diusulkan ini, penulis memisahkan Actor menjadi 3 (tiga) tingkatan, yaitu
Admin,
Manager
dan
Customer.
Wewenang masing-masing aktor tersebut adalah sebagai berikut : 1. Admin
68
Admin
merupakan
menempati
tingkatan
aktor
yang
tertinggi
pada
sistem. Admin memiliki wewenang yaitu: a. Melakukan operasi Data Management tehadap data-data yang berhubungan dengan barang yang ada. b. Melakukan operasi Data management user
account.
Siapa
sajakah
yang
mendapat hak akses sebagai admin dan manager. c. Melakukan
pencarian
Item
Recomendation.
2. Manager Pada sistem ini, Manager merupakan tingkatan yang berada di bawah Admin. Adapun
wewenang
yang
dimiliki
tingkatan Manager adalah : a. Melihat dan melakukan pencarian Item Recomendation.
69
b. Melihat laporan transaksi dan hasil analisa data yang dihasilkan pada tahapan proses data mining.
3. User Pada
sistem
tingkatan Manager.
ini,
yang Adapun
User berada
merupakan di
bawah
wewenang
yang
dimiliki tingkatan User adalah : a. Melihat dan melakukan pencarian Item Recomendation.
4.2.1.2
Use Case Diagram Use Case Diagram digunakan untuk menjelaskan apa yang akan dilakukan oleh sistem
serta
aktor-aktor
yang
akan
berhubungan dengan proses-proses yang ada pada sistem. Setelah aktor teridentifikasi maka dapat dilakukan permodelan Use Case Diagram.
Tabel 4.1 Daftar Permodelan Use Case Diagram
70
No.
Nama Use Case
1.
Login
2.
Logout
3.
Data Products
4.
Data Brands
5.
Data Category
6.
Data Type
7.
Data User
8.
Transaksi
9.
Laporan
10.
Search Item
Deskripsi Use Case menggambarkan kegiatan login ke dalam sistem dengan memasukkan data pengguna untuk di verifikasi oleh sistem Use Case menggambarkan kegiatan keluar dari sistem. Use Case menggambarkan kegiatan manajemen data products ke dalam sistem Use Case menggambarkan kegiatan manajemen data brands ke dalam sistem. Use Case menggambarkan kegiatan manajemen data category ke dalam sistem. Use Case menggambarkan kegiatan manajemen data type ke dalam sistem. Use Case menggambarkan kegiatan manajemen data user ke dalam sistem. Use Case menggambarkan kegiatan pencatatan data transaksi ke dalam sistem. Use Case menggambarkan kegiatan manager melihat dan mencetak laporan. Use Case menggambarkan kegiatan actor melakukan pencarian item rekomendasi di dalam sistem
Aktor Admin dan Manager Admin Admin Admin Admin Admin Admin Admin Manager Admin, Manager, dan Customer
71
Login
<>
Verifikasi User
Data Products Admin Data Brands << extends >> << extends >>
Data Category
<< extends >> Search Data
<< extends >>
Data Type
<< extends >> << extends >>
Data User
Data Transactions
Manager
Laporan
<>
Search Item
Lihat Laporan
<< include >>
<< extends >>
Item Recommendation
Customer
Logout
<>
Session Destroy
Gambar 4.4 Use Case Diagram Web Cross Sell Application
4.2.1.3 Use Case Scenario Use case scenario merupakan penjelasan yang lebih terperinci mengenai masingmasing use case yang terjadi di dalam sistem. Tabel 4.2 Use Case Scenario untuk Use Case Login Nama Use Case
Login
Cetak Laporan
72
Aktor Deskripsi Pra Kondisi Pemicu
Bidang Event
Khas
Suatu
Admin dan Manager Use case ini menjelaskan tentang proses login yang dilakukan oleh actor untuk melakukan pekerjaan yang bersangkutan. Orang tersebut harus sudah terdaftar sebagai pengguna sistem. Use case ini diinisiasi saat admin melakukan pilihan Manajemen Data Master dan Data Transaksi. Dan Manager saat melihat dan mencetak laporan. Aksi Aktor Respon Sistem Langkah 1 : input username dan password kemudian klik login. Langkah 2 : cek username dan password Langkah 3 : aktor sudah masuk ke dalam halaman utama. Alternatif langkah 2 : aktor salah memasukkan username atau password, sistem akan memberikan informasi bahwa data yang dimasukkan salah. Maka aktor melakukan pengulangan login. Use Case selesai saat aktor masuk ke dalam sistem Actor dapat melakukan manajemen data master dan transaksi atau melihat dan mencetak laporan. Hanya Admin dan Manager yang dapat masuk ke dalam sistem
Bidang Alternatif
Kesimpulan Post Kondisi Aturan Bisnis
Tabel 4.3 Use Case Scenario untuk Use Case Logout Logout Admin dan Manager Use case ini menjelaskan tentang proses Logout yang dilakukan oleh actor untuk melakukan pekerjaan yang bersangkutan. Orang tersebut harus sudah terdaftar sebagai pengguna sistem. Use case ini diinisiasi saat admin melakukan pilihan logout
Nama Use Case Aktor Deskripsi
Pra Kondisi Pemicu Bidang Event
Khas
Suatu
Aksi Aktor Langkah 1 : klik menu logout
Respon Sistem
Langkah 2 : inisiasi use case session destroy
Kesimpulan Post Kondisi
Langkah 3 : aktor telah keluar dari sistem dan kembali ke halaman utama. Use Case selesai saat aktor keluar ke dalam sistem Actor dapat melakukan pilihan menu yang ada di halaman
73
utama Hanya Admin dan Manager yang telah masuk ke dalam sistem yang dapat menginisiasi use case ini.
Aturan Bisnis
Tabel 4.4 Use Case Scenario untuk Use Case Data Products Nama Use Case Aktor Deskripsi
Pra Kondisi Pemicu
Bidang Event
Khas
Suatu
Data Products Admin Use case ini menjelaskan tentang proses manajemen data products yang dilakukan oleh aktor untuk melakukan pekerjaan yang bersangkutan. Orang tersebut harus sudah terdaftar sebagai pengguna sistem. Use case ini diinisiasi saat admin melakukan pilihan menu data produtcs, Untuk menambah, merubah, menghapus dan menyimpan data products. Aksi Aktor Respon Sistem Langkah 1 : input Langkah 2 : cek username dan username dan password password kemudian klik login. Langkah 3 : sistem menampilkan halaman utama yang berisi menu sesuai dengan role dari user tersebut Langkah 4 : klik menu data products. Langkah 5 : menampilkan form data products , beberapa tombol navigasi, [tambah], [ubah], [hapus], dan [simpan] serta list data. Langkah 6 : admin memasukan data products ke dalam form yang telah disediakan. Langkah 7 : setelah data dimasukkan, data dapat diubah, hapus, simpan dengan meng-klik navigasi [ubah], [hapus], [simpan] Langkah 8 : data disimpan ke dalam database. Kemudian sistem menampilkan informasi data products yang telah
74
diperbaharui.
Langkah 9 : klik menu home dan kembali ke halaman utama. Bidang Alternatif
Alternatif langkah 2 : aktor salah memasukkan username atau password, sistem akan memberikan informasi bahwa data yang dimasukkan salah. Maka aktor melakukan pengulangan login Use case selesai saat admin berhasil menyimpan data. Data Products telah disimpan dan telah diperbaharui. Sistem kembali pada halaman utama Admin, aktor tersebut harus mempunyai password.
Kesimpulan Post Kondisi Aturan Bisnis
Tabel 4.5 Use Case Scenario untuk Data Brands Nama Use Case Aktor Deskripsi
Pra Kondisi Pemicu
Bidang Khas Suatu Event
Data Master (Data brands) Admin Use case ini menjelaskan tentang proses manajemen data brands yang dilakukan oleh aktor untuk melakukan pekerjaan yang bersangkutan. Orang tersebut harus sudah terdaftar sebagai pengguna sistem. Use case ini diinisiasi saat admin melakukan pilihan menu data brands, Untuk menambah, merubah, menghapus dan menyimpan data brands. Aksi Aktor Respon Sistem Langkah 1 : input Langkah 2 : cek username dan username dan password password kemudian klik login. Langkah 3 : sistem menampilkan halaman utama yang berisi menu sesuai dengan role dari user tersebut Langkah 4 : klik menu data brands. Langkah 5 : menampilkan form data brands, beberapa tombol navigasi, [tambah], [ubah], [hapus], dan [simpan] serta list data. Langkah 6 : admin memasukan data brands ke dalam form
75
yang telah disediakan. Langkah 7 : setelah data dimasukkan, data dapat diubah, hapus, simpan dengan meng-klik navigasi [ubah], [hapus], [simpan] Langkah 8 : data disimpan ke dalam database. Kemudian sistem menampilkan informasi data brands yang telah diperbaharui. Langkah 9 : klik menu home dan kembali ke halaman utama. Bidang Alternatif
Kesimpulan Post Kondisi Aturan Bisnis
Alternatif langkah 2 : aktor salah memasukkan username atau password, sistem akan memberikan informasi bahwa data yang dimasukkan salah. Maka aktor melakukan pengulangan login Use-Case selesai saat admin berhasil menyimpan data. Data brands telah disimpan dan telah diperbaharui. Sistem kembali pada halaman utama Admin, aktor tersebut harus mempunyai password.
Tabel 4.6 Use Case Scenario untuk Use Case Data Category Nama Use Case Aktor Deskripsi
Pra Kondisi Pemicu
Bidang Khas Suatu Event
Data Master (Data category) Admin Use case ini menjelaskan tentang proses manajemen data category yang dilakukan oleh aktor untuk melakukan pekerjaan yang bersangkutan. Orang tersebut harus sudah terdaftar sebagai pengguna sistem. Use case ini diinisiasi saat admin melakukan pilihan menu data category, Untuk menambah, merubah, menghapus dan menyimpan data category. Aksi Aktor Langkah 1 : input username dan password kemudian klik login.
Respon Sistem Langkah 2 : cek username dan password Langkah 3 : sistem menampilkan halaman utama yang berisi menu sesuai dengan role dari user tersebut
Langkah 4 : klik menu
76
data category. Langkah 5 : menampilkan form data category, beberapa tombol navigasi, [tambah], [ubah], [hapus], dan [simpan] serta list data. Langkah 6 : admin memasukan data category ke dalam form yang telah disediakan. Langkah 7 : setelah data dimasukkan, data dapat diubah, hapus, simpan dengan meng-klik navigasi [ubah], [hapus], [simpan] Langkah 8 : data disimpan ke dalam database. Kemudian sistem menampilkan informasi data category yang telah diperbaharui. Langkah 9 : klik menu home dan kembali ke halaman utama. Bidang Alternatif
Kesimpulan Post Kondisi Aturan Bisnis
Alternatif langkah 2 : aktor salah memasukkan username atau password, sistem akan memberikan informasi bahwa data yang dimasukkan salah. Maka aktor melakukan pengulangan login Use-Case selesai saat admin berhasil menyimpan data. Data category telah disimpan dan telah diperbaharui. Sistem kembali pada halaman utama Admin, aktor tersebut harus mempunyai password.
Tabel 4.7 Use Case Scenario untuk Use Case Data Type Nama Use Case Aktor Deskripsi
Pra Kondisi Pemicu
Bidang Khas Suatu Event
Data Master (Data type) Admin Use case ini menjelaskan tentang proses manajemen data type yang dilakukan oleh aktor untuk melakukan pekerjaan yang bersangkutan. Orang tersebut harus sudah terdaftar sebagai pengguna sistem. Use case ini diinisiasi saat admin melakukan pilihan menu data type, Untuk menambah, merubah, menghapus dan menyimpan data type. Aksi Aktor
Respon Sistem
77
Langkah 1 : input username dan password kemudian klik login.
Langkah 2 : cek username dan password Langkah 3 : sistem menampilkan halaman utama yang berisi menu sesuai dengan role dari user tersebut
Langkah 4 : klik menu data type. Langkah 5 : menampilkan form data type, beberapa tombol navigasi, [tambah], [ubah], [hapus], dan [simpan] serta list data. Langkah 6 : admin memasukan data category ke dalam form yang telah disediakan. Langkah 7 : setelah data dimasukkan, data dapat diubah, hapus, simpan dengan meng-klik navigasi [ubah], [hapus], [simpan] Langkah 8 : data disimpan ke dalam database. Kemudian sistem menampilkan informasi data type yang telah diperbaharui. Langkah 9 : klik menu home dan kembali ke halaman utama. Bidang Alternatif
Kesimpulan Post Kondisi Aturan Bisnis
Alternatif langkah 2 : aktor salah memasukkan username atau password, sistem akan memberikan informasi bahwa data yang dimasukkan salah. Maka aktor melakukan pengulangan login Use-Case selesai saat admin berhasil menyimpan data. Data type telah disimpan dan telah diperbaharui. Sistem kembali pada halaman utama Admin, aktor tersebut harus mempunyai password.
Tabel 4.8 Use Case Scenario untuk Use Case Data Transaksi Nama Use Case Aktor
Data Master (Data transaksi) Admin
78
Deskripsi
Pra Kondisi Pemicu
Bidang Khas Suatu Event
Bidang Alternatif
Use case ini menjelaskan tentang proses manajemen data transaksi yang dilakukan oleh aktor untuk melakukan pekerjaan yang bersangkutan. Orang tersebut harus sudah terdaftar sebagai pengguna sistem. Use case ini diinisiasi saat admin melakukan pilihan menu data transaksi, Untuk menambah, merubah, menghapus dan menyimpan data transaksi. Aksi Aktor Respon Sistem Langkah 1 : input Langkah 2 : cek username dan username dan password password kemudian klik login. Langkah 3 : sistem menampilkan halaman utama yang berisi menu sesuai dengan role dari user tersebut Langkah 4 : klik menu data transaksi. Langkah 5 : menampilkan form data transaksi, beberapa tombol navigasi, [tambah], [ubah], [hapus], dan [simpan] serta list data. Langkah 6 : admin memasukan data transaksi ke dalam form yang telah disediakan. Langkah 7 : setelah data dimasukkan, data dapat diubah, hapus, simpan dengan meng-klik navigasi [ubah], [hapus], [simpan] Langkah 8 : data disimpan ke dalam database. Kemudian sistem menampilkan informasi data transaksi yang telah diperbaharui. Langkah 9 : klik menu home dan kembali ke halaman utama. Alternatif langkah 2 : aktor salah memasukkan username atau password, sistem akan memberikan informasi bahwa data yang dimasukkan
79
Kesimpulan Post Kondisi Aturan Bisnis
salah. Maka aktor melakukan pengulangan login Use-Case selesai saat admin berhasil menyimpan data. Data transaksi telah disimpan dan telah diperbaharui. Sistem kembali pada halaman utama Admin, aktor tersebut harus mempunyai password.
Tabel 4.9 Use Case Scenario untuk Use Case Laporan Nama Use Case Aktor Deskripsi
Pra Kondisi Pemicu Bidang Khas Suatu Event
Laporan Manager Use case ini menjelaskan tentang proses laporan yang dilakukan oleh aktor untuk melakukan pekerjaan yang bersangkutan. Aktor tersebut harus sudah terdaftar sebagai pengguna sistem. Use case ini diinisiasi saat admin melakukan pilihan menu Laporan, Untuk simpan dan cetak Laporan. Aksi Aktor Respon Sistem Langkah 1 : input Langkah 2 : cek username dan username dan password password kemudian klik login. Langkah 3 : sistem menampilkan halaman manager yang berisi menu sesuai dengan role dari user tersebut Langkah 4 : klik menu data Laporan. Dan memilih jenis laporan. Langkah 5 : menampilkan halaman laporan-laporan yang di plilih oleh actor. Langkah 6 : manager mengklik tombol cetak atau simpan laporan. Langkah 7 : laporan tercetak atau tersimpan
Bidang Alternatif
Langkah 8 : klik menu home dan kembali ke halaman utama. Alternatif langkah 2 : aktor salah memasukkan username atau password, sistem akan memberikan informasi bahwa data yang dimasukkan salah. Maka aktor melakukan pengulangan login
80
Kesimpulan Post Kondisi
Use-Case selesai saat admin berhasil menyimpan data. Data transaksi telah disimpan dan telah diperbaharui. Sistem kembali pada halaman utama
Tabel 4.10 Use Case Scenario untuk Use Case Search Item Search Item Admin, Manager dan Customer Use case ini menjelaskan tentang proses pencarian item recommendation. Actor sudah menjalankan sistem aplikasi.
Nama Use Case Aktor Deskripsi Pra Kondisi Pemicu
Bidang Khas Suatu Event
Kesimpulan Post Kondisi Aturan Bisnis
Use case ini diinisiasi saat aktor melakukan pilihan pencarian item, Untuk mendapatkan item-item mana saja yang berassosiasi satu dengan yang lainnya. Aksi Aktor Respon Sistem Langkah 1 : pilih halaman utama Langkah 2 : sistem menampilkan halaman utama dan form pencarian item yang direkomendasikan Langkah 3 : actor memasukan inputan item dan mengklik search item Langkah 4 : menampilkan list data sesuai dengan parameter inputan. Use-Case selesai saat actor mendapatkan list data sesuai denga parameter inputan. list data recommedation item sesuai dengan parameter inputan yang di inputkan oleh actor. Actor harus memasukan inputan sesuai dengan format yang berlaku.
4.2.1.4 Activity Diagram Mengingat
adanya
proses-proses
yang
memiliki kesamaan alur, maka pada sistem
81
ini, penulis hanya memaparkan Activity diagram yang mungkin terjadi yaitu : 1. Activity Diagram untuk Use Case Login Admin / Manager
Sistem
Form Login Ditampilkan
Mengisi Username Password
Username Verifkasi User
Password
Match
Not Match
Login
Notifikasi Kesalahan
Halaman Admin/ Manager Sukses
Batal
Gambar 4.5 Activity Diagram untuk Use Case Login Activity
diagram
ini
merupakan
rancangan rangkaian proses yang akan terjadi
ketika
aktor
memilih
untuk
melakukan login. Sistem akan menampilkan form
login.
Aktor
lalu
memasukkan
Username, Password yang sesuai. Sistem akan melakukan pengecekan terhadap data yang dimasukkan oleh aktor meliputi kesesuaian Username dengan password. Jika
82
kesesuaian antara Username, password maka actor tersebut sukses untuk melakukan login dan aktor tersebut memiliki kewenangan sesuai role di dalam sistem. Jika tidak maka akan ditampilkan notifikasi kesalahan.
2. Activity Diagram untuk Use Case Logout Admin / Manager
Sistem
Pilih Log Out
Cek Session
tidak ya
Halaman Utama
Session Destroy
Sukses
Gambar 4.6 Activity Diagram untuk Use Case Logout Activity
diagram
ini
merupakan
rangkaian proses yang akan terjadi ketika aktor memilih untuk melakukan logout. Aktor memilih tombol logout. Sistem akan melakukan pengecekan terhadap session user. Jika sesuai
maka session akan di
83
destroy. Dan user akan ke halaman utama. Jika tidak maka tetap di dalam sistem.
3. Activity Diagram untuk Use Case Data Products Admin
Sistem
Login State
Memilih Menu Data Products
Halaman admin ditampilkan
Halaman Data Products ditampilkan
Input data dan memilih Aksi
simpan
ubah
simpan
hapus
batal
List data batal
List data Tersimpan
Gambar 4.7 Activity Diagram untuk Use Case Data Products Activity
diagram
ini
merupakan
rangkaian proses yang akan terjadi ketika aktor
memilih
untuk
melakukan
manajemen data products. Actor harus sudah memasuki
sistem.
Dengan
melakukan
84
activity login. Kemudian actor diharapkan untuk memilih halaman data products dan sistem akan menampilkan halaman yang diinginkan. Actor kemudian memasukan data sesuai dengan parameter data yang diberikan. actor juga harus memilih aksi yang dapat dilakukan yaitu simpan, ubah, hapus. Apabila aksi tersebut telah berhasil dieksekusi maka list data tersimpan akan ditampilkan.
List
data
tersimpan
merupakan state di mana data berhasil dimasukan ke dalam sistem atau database. Apabila tidak maka akan sebaliknya list data batal yang akan ditampilkan. List data batal merupakan state dimana data tidak berhasil
dimasukan
dimasukan.
atau
tidak
jadi
85
4. Activity Diagram untuk Use Case Data Brands Admin
Sistem
Login State
Memilih Menu Data Brands
Halaman admin ditampilkan
Halaman Data Brands ditampilkan
Input data dan memilih Aksi
simpan
ubah
simpan
hapus
batal
List data batal
List data Tersimpan
Gambar 4.8 Activity Diagram Use Case Data Brands
Activity
diagram
ini
merupakan
rangkaian proses yang akan terjadi ketika aktor
memilih
untuk
melakukan
manajemen data brands. Actor harus sudah memasuki
sistem.
Dengan
melakukan
activity login. Kemudian actor diharapkan untuk memilih halaman data brands dan sistem akan menampilkan halaman yang di
86
inginkan. Actor kemudian memasukan data sesuai
dengan
parameter
data
yang
diberikan. actor juga harus memilih aksi yang dapat dilakukan yaitu simpan, ubah, hapus. Apabila aksi tersebut telah berhasil dieksekusi maka list data tersimpan akan ditampilkan.
List
data
tersimpan
merupakan state di mana data berhasil dimasukan ke dalam sistem atau database. Apabila tidak maka akan sebaliknya list data batal yang akan ditampilkan. List data batal merupakan state dimana data tidak berhasil
dimasukan
atau
tidak
jadi
dimasukan.
5. Activity Diagram untuk Use Case Data Category
87
Admin
Sistem
Login State
Memilih Menu Data Category
Halaman admin ditampilkan
Halaman Data Category ditampilkan
Input data dan memilih Aksi
simpan
ubah
simpan
hapus
batal
List data batal
List data Tersimpan
Gambar 4.9 Activity Diagram Use Case Data Category Activity diagram ini merupakan rangkaian proses yang akan terjadi ketika aktor
memilih
untuk
melakukan
manajemen data Category. Actor harus sudah
memasuki
sistem.
Dengan
melakukan activity login. Kemudian actor diharapkan untuk memilih halaman data Category dan sistem akan menampilkan halaman yang di inginkan. Actor kemudian memasukan data sesuai dengan parameter data yang diberikan. actor juga harus memilih aksi yang dapat dilakukan yaitu simpan, ubah, hapus. Apabila aksi tersebut
88
telah berhasil dieksekusi maka list data tersimpan akan ditampilkan. List data tersimpan merupakan state di mana data berhasil dimasukan ke dalam sistem atau database. sebaliknya
Apabila list
tidak
data batal
maka yang
akan akan
ditampilkan. List data batal merupakan state dimana data tidak berhasil dimasukan atau tidak jadi dimasukan.
6. Activity Diagram untuk Use Case Data Type
89
Admin
Sistem
Login State
Memilih Menu Data Type
Halaman admin ditampilkan
Halaman Data Type ditampilkan
Input data dan memilih Aksi
simpan
ubah
simpan
hapus
batal
List data batal
List data Tersimpan
Gambar 4.10 Activity Diagram Use Case Data Type
Activity diagram ini merupakan rangkaian proses yang akan terjadi ketika aktor memilih untuk melakukan manajemen data Type. Actor harus
sudah
memasuki
sistem.
Dengan
melakukan activity login. Kemudian actor diharapkan untuk memilih halaman data Type dan sistem akan menampilkan halaman yang di inginkan. Actor kemudian memasukan data sesuai dengan parameter data yang diberikan. actor juga harus memilih aksi yang dapat
90
dilakukan yaitu simpan, ubah, hapus. Apabila aksi tersebut telah berhasil dieksekusi maka list data tersimpan akan ditampilkan. List data tersimpan merupakan state di mana data berhasil dimasukan ke dalam sistem atau database. Apabila tidak maka akan sebaliknya list data batal yang akan ditampilkan. List data batal merupakan state dimana data tidak berhasil dimasukan atau tidak jadi dimasukan.
7. Activity
Diagram
untuk
Use
Case
Transaksi Admin
Sistem
Login State
Memilih Menu Data Transaksi
Halaman admin ditampilkan
Halaman Data Transaksi ditampilkan
Input data dan memilih Aksi
simpan
simpan
ubah
hapus
batal
List data batal
List data Tersimpan
Gambar 4.11 Activity Diagram Use Case Data Transaksi
91
Activity diagram ini merupakan rangkaian proses yang akan terjadi ketika aktor memilih untuk melakukan manajemen data Transaksi. Actor harus sudah memasuki sistem. Dengan melakukan activity login. Kemudian actor diharapkan untuk memilih halaman data Transaksi dan
sistem akan
menampilkan
halaman yang di inginkan. Actor kemudian memasukan data sesuai dengan parameter data yang diberikan. actor juga harus memilih aksi yang dapat dilakukan yaitu simpan, ubah, hapus. Apabila aksi tersebut telah berhasil dieksekusi maka list data tersimpan akan ditampilkan. List data tersimpan merupakan state di mana data berhasil dimasukan ke dalam sistem atau database. Apabila tidak maka akan sebaliknya list data batal yang akan ditampilkan. List data batal merupakan state dimana data tidak berhasil dimasukan atau tidak jadi dimasukan.
92
8. Activity Diagram untuk Use Case Laporan Manager
Sistem
Login State
Memilih Jenis laporan
Halaman Laporan ditampilkan
Laporan Ditampilkan
Memilih Aksi
Simpan
Cetak
Cetak Laporan
Simpan Laporan
Gambar 4.12 Activity Diagram Use Case Laporan
Activity diagram ini merupakan rangkaian proses yang akan terjadi ketika aktor memilih untuk melakukan use case laporan. Actor harus sudah memasuki sistem. Dengan melakukan activity login. Kemudian actor diharapkan untuk memilih halaman data laporan dan sistem akan menampilkan halaman yang di
93
inginkan. Actor. Actor memilih jenis laporan dan kemudian memilih aksi yang dapat dilakukan yaitu simpan dan cetak laporan. 9. Activity Diagram untuk Use Case Search Item Admin / Manager/Customer
Memilih Halaman Pencarian
Sistem
Halaman Pencarian Ditampilkan
input keyword
validasi keyword
List Data Ditampilkan
data tidak ditemukan
List Data Sebelumnya ditampilkan
Gambar 4.13 Activity Diagram Use Case Search Item
Activity Diagram diatas menggambarkan proses yang terjadi ketika seorang actor melakukan pencarian terhadap item recommendation yang ada di dalam database. Actor memulainya dengan memilih halaman pencarian item dan kemudian
94
memasukan keyword yang sesuai. Setelah itu sistem akan
memvalidasi
keyword
tersebut.
Dan
menampilkan hasil eksekusi dari fungsi pencarian. Apabila
tidak
ditemukan
maka
data
yang
ditampilkan merupakan data top count (item yang paling banyak dibeli) dari item rekomendasi. Bila pencarian
berhasil
maka
list
data
item
recommendation akan ditampilkan.
4.2.1.5
Sequence Diagram 1. Sequence Diagram Use Case Login
Acces Control Management
GUI Login
Admin / Manager
db_tb_user
1: [Masuk ke Form Login]
2: [kirim] menampilkan form login 3: [Input Username Password]
4: [kirim] username & password
5: [kirim] username & password
6: [cek] username,password dan role
8: [kirim] username, password salah
11: [kirim] menampilkan halaman utama
10: [kirim] tampilkan halaman utama
7: [kirim] username, password salah 9: [kirim] username, password benar
95
Gambar 4.14 Sequence Diagram Use Case Login
1. Actor menginisiasi login method dengan menekan tombol form login di halaman utama. 2. Tampilan akan menampilkan form login. 3. Aktor melakukan inisiasi sequence dengan memanggil
method
memasukkan
(username & password). 4. Tampilan akan mengirimkan username dan password ke control manajemen login. 5. Kiriman
username
dan
password
diteruskan ke objek. 6. Control akan melakukan cek username dan password () 7. Jika username dan password salah, maka control akan mengirimkan pesan salah username dan password ke tampilan. 8. Tampilan akan menampilkan pesan salah kepada aktor. 9. Jika username dan password benar, maka control akan mengirimkan kepada objek.
96
Objek akan mengirimkan pesan berhasil ke control. 10. Control meneruskan pesan berhasil ke tampilan. 11. Tampilan akan menampilkan halaman utama ke pada aktor.
2. Sequence Diagram Use Case Logout
Admin / Manager
Acces Control Management
db_tb_user
1: [Pilih Menu Logout]
2: [cek] session 3: [kirim] username & password
5: [kirim] tampilkan halaman utama
4: [kirim] session destroy
Gambar 4.15 Sequence Diagram Use Case Logout
1. Actor menginisiasi Logout method dengan menekan tombol logout. 2. Method
Acces
pengecekan session.
Control
melakukan
97
3. Method Acces Control akan mengirimkan username
dan
password
ke
objek
database. 4. Objek
database
mengirimkan
session
destroy. 5. Method
Acces
Control
menginisiasi
tampilan halaman utama. Aktor akan di alihkan ke halaman utama.
9: [Kirim] Query Data 10: [Kirim] Notif. Query data
Gambar 4.17 Sequence Diagram Use Case Data Brands
100
1. Actor menginisiasi Use Case Data Master Brands dengan menekan tombol page data Brands. 2. Page data Brands di tampilkan ke actor. 3. Input data dikirim ke objek control data page. 4. Parameter yang telah dikirim di berikan ke objek control data management. Flow untuk input data. 5. Sequence ini adalah alternatif flow untuk update data. 6. Sequence ini adalah alternatif flow untuk delete data. 7. Objek
control
melakukan
data
pengecekan
management terhadap
parameter yang diterima. 8. Bila ada kesalahan akan di kirimkan oleh control data management ke objek page data. 9. Objek
9: [Kirim] Query Data 10: [Kirim] Notif. Query data
102
Gambar 4.18 Sequence Diagram Use Case Data Category
1. Actor menginisiasi Use Case Data Master Category dengan menekan tombol page data Category. 2. Page data Category di tampilkan ke actor. 3. Input data dikirim ke objek control data page. 4. Parameter yang telah dikirim di berikan ke objek control data management. Flow untuk input data. 5. Sequence ini adalah alternatif flow untuk update data. 6. Sequence ini adalah alternatif flow untuk delete data. 7. Objek
control
melakukan
data
pengecekan
management terhadap
parameter yang diterima. 8. Bila ada kesalahan akan di kirimkan oleh control data management ke objek page data.
mengirimkan list data ke objek page data. 12. Objek page data menampilkan data kepada actor.
6. Sequence Diagram Data Type
104
Data Management
GUI : Page Data Type
Admin
db_tb_Type
1: [Pilih Page Data]
2: [Tampilkan] Page Data 3: [Kirim] Input Data
4: [Kirim] Data Paramater
5: [Kirim] Modify Parameter
alternatif flow
6: [Kirim] Delete Parameter
alternatif flow
8: [Notifikasi] kesalahan Parameter
11: [Kirim] List Data
12: [Kirim] Tampilkan data
7: [cek] Validasi Parameter
9: [Kirim] Query Data 10: [Kirim] Notif. Query data
Gambar 4.19 Sequence Diagram Data Type
1. Actor menginisiasi Use Case Data Type dengan menekan tombol page data Type. 2. Page data Type di tampilkan ke actor. 3. Input data dikirim ke objek control data page. 4. Parameter yang telah dikirim di berikan ke objek control data management. Flow untuk input data. 5. Sequence ini adalah alternatif flow untuk update data.
105
6. Sequence ini adalah alternatif flow untuk delete data. 7. Objek
control
melakukan
data
management
pengecekan
terhadap
parameter yang diterima. 8. Bila ada kesalahan akan di kirimkan oleh control data management ke objek page data. 9. Objek
mengirimkan list data ke objek page data. 12. Objek page data menampilkan data kepada actor.
7.
Sequence Diagram Transaksi
106
Data Management
GUI : Page Data Transaction
Admin
db_tb_transaction
1: [Pilih Page Data]
2: [Tampilkan] Page Data 3: [Kirim] Input Data
4: [Kirim] Data Paramater
5: [Kirim] Modify Parameter
alternatif flow
6: [Kirim] Delete Parameter
alternatif flow
8: [Notifikasi] kesalahan Parameter
9: [Kirim] Query Data 10: [Kirim] Notif. Query data
11: [Kirim] List Data
12: [Kirim] Tampilkan data
7: [cek] Validasi Parameter
Gambar 4.20 Sequence Diagram Transaksi
1. Actor
menginisiasi
Use
Case
Data
Transaksi dengan menekan tombol page data Transaksi. 2. Page data Transaksi di tampilkan ke actor. 3. Input data dikirim ke objek control data page. 4. Parameter yang telah dikirim di berikan ke objek control data management. Flow untuk input data.
107
5. Sequence ini adalah alternatif flow untuk update data. 6. Sequence ini adalah alternatif flow untuk delete data. 7. Objek
control
melakukan
data
pengecekan
management terhadap
parameter yang diterima. 8. Bila ada kesalahan akan di kirimkan oleh control data management ke objek page data. 9. Objek
mengirimkan list data ke objek page data. 12. Objek page data menampilkan data kepada actor.
108
8.
Sequence Diagram Use Case Laporan
GUI : Page Data Laporan
Manager
Control Laporan
db_tb_transactions
1: [Pilih Page Data]
2: [Tampilkan] Page Data 3: [Kirim] Pilih Jenis Laporan
4: [Kirim] Data Paramater Laporan
6: [cek] Eksekusi Query
5: [Kirim] Query Data
7: [Kirim] Tampilkan Data laporan 8: [Kirim] Pilih Aksi
10: [cek] cek aksi
9: [Kirim] Parameter Aksi
11: [Kirim] Cetak Data Laporan 12: [Kirim] Simpan Laporan
alternatif flow
Gambar 4.21 Sequence Diagram Use Case Laporan
1. Actor menginisiasi Use Case Laporan dengan memilih page Laporan. 2. Page laporan di tampilkan ke actor. 3. Actor memilih jenis laporan. 4. Parameter yang telah dikirim di berikan ke objek control laporan. 5. Objek control laporan mengirimkan query data ke objek database. 6. Objek
database
melakukan cek
dan
eksekusi query data yang dikirimkan oleh objek control Laporan.
109
7. Objek
database
mengirimkan
hasil
eksekusi ke actor. 8. Actor memilih pilihan aksi (simpan atau cetak). 9. Objek
control
laporan
mengirimkan
parameter pilihan aksi. 10. Objek control laporan melakukan cek parameter aksi. 11. Objek control laporan mengirimkan hasil aksi cetak data. 12. Objek control laporan mengirimkan hasil aksi simpan data laporan. (alternative flow)
9. Sequence Diagram Use Case Search Item
110
Page Data
Validasi Data
db_tb_transactions
Admin / Manager
2: [Cek] Page Data yang dipilih
1: [Pilih Page Data]
3: [Tampilkan Page Data]
4: [Kirim] Input Keyword
5: [kirim] Query Data
6: [Eksekusi] Query Data
7: [Notifikasi] Tampilkan Data
Gambar 4.22 Sequence Diagram Search Item
1. Actor
menginisiasi
sequence
dengan
melakukan pilih page data. 2. Method melakukan pengecekan page data. 3. Mengirim tampilan page data. 4. Method mengirimkan inputan keyword. 5. Method validasi data mengirimkan query data. 6. Method melakukan eksekusi terhadap query data yang dikirimkan. 7. Method menampilkan hasil query ke page data.
4.2.1.6
State Chart Diagram
111
Diagram ini menggambarkan state apa saja yang dimiliki sebuah objek, menyebabkan dari state mana sebuah objek dapat berpindah ke state lain. Diagram ini juga mengidentifikasi state awal dan akhir, jalur dari transisi state, pemicu yang menyebabkan objek meninggalkan suatu state tertentu.
1. State Chart Diagram Login
Form Login tampil
Username Password Salah
Memasukan Username dan Password
Username Password Benar
Halaman Utama
Gambar 4.23 State Chart Diagram Login
Gambar 4.23 statechart login, state awal dimulai dengan tampil form login. Kemudian aktor yang terkait memasukkan username dan password, jika
112
username atau password salah maka sistem akan menampilkan pesan salah. Jika username dan password benar maka sistem akan menampilkan halaman utama. Bila tidak ada proses, maka state berakhir.
2. State Chart Diagram Logout
klik menu logout
batal session destroy
sukses
Halaman Utama
Gambar 4.24 State Chart Diagram Logout
Gambar 4.24 statechart logout, state awal dimulai dengan actor menekan tombol logout. Pengecekan session di lakukan. Jika tidak valid maka batal untuk melakukan logout. Jika valid maka session
113
sukses di destroy. Maka sistem akan menampilkan halaman utama. Bila tidak ada proses, maka state berakhir.
3. State Chart Diagram Data Products Login ke dalam Sistem
Halaman Utama Ditampilkan
Memilih Page Data Form Data Products Memilih Aksi
Memilih Memasukan data
Memilih Mengubah Data
Memilih Menghapus Data
Aksi terpilih
data disimpan dan ditampilkan
menyimpan data
Proses Manajemen Data
Gambar 4.25 State Chart Diagram Data Products
Gambar 4.25 State Chart Diagram Data Products, state awal dimulai dengan actor memasuki sistem. Dan kemudian memilih page data yang di inginkan. Dalam hal ini page data products, setelah itu actor memilih untuk melakukan aksi yang telah disediakan yaitu memasukan data, mengubah data, menghapus data. Aksi yang dipilih kemudian di eksekusi dalam proses manajemen data dan hasilnya ditampilkan kepada
114
actor. Bila tidak ada proses atau data sudah tersimpan, maka state berakhir.
4. State Chart Diagram Data Brands Login ke dalam Sistem
Halaman Utama Ditampilkan
Memilih Page Data Form Data Brands Memilih Aksi
Memilih Memasukan data
Memilih Mengubah Data
Memilih Menghapus Data
Aksi terpilih
data disimpan dan ditampilkan
menyimpan data
Proses Manajemen Data
Gambar 4.26 State Chart Diagram Data Brands
Gambar 4.26 State Chart Diagram Data Brands, state awal dimulai dengan actor memasuki sistem. Dan kemudian memilih page data yang di inginkan. Dalam hal ini page data Brands, setelah itu actor memilih untuk melakukan aksi yang telah
disediakan
yaitu
memasukan
data,
mengubah data, menghapus data. Aksi yang dipilih kemudian di di eksekusi dalam proses manajemen data dan hasilnya ditampilkan kepada actor. Bila tidak ada proses atau data sudah tersimpan, maka state berakhir.
115
5. State Chart Diagram Data Category Login ke dalam Sistem
Halaman Utama Ditampilkan
Memilih Page Data Form Data Category Memilih Aksi
Memilih Memasukan data
Memilih Mengubah Data
Memilih Menghapus Data
Aksi terpilih
data disimpan dan ditampilkan
menyimpan data
Proses Manajemen Data
Gambar 4.27 State Chart Diagram Data Category
Gambar
4.27
State
Chart
Diagram
Data
Category, state awal dimulai dengan actor memasuki sistem. Dan kemudian memilih page data yang di inginkan. Dalam hal ini page data Category, setelah itu actor memilih untuk melakukan aksi yang telah disediakan yaitu memasukan data, mengubah data, menghapus data. Aksi yang dipilih kemudian di eksekusi dalam proses manajemen data dan hasilnya ditampilkan kepada actor. Bila tidak ada proses atau data sudah tersimpan, maka state berakhir.
6. State Chart Diagram Data Master Type
116
Login ke dalam Sistem
Halaman Utama Ditampilkan
Memilih Page Data Form Data Type Memilih Aksi
Memilih Memasukan data
Memilih Mengubah Data
Memilih Menghapus Data
Aksi terpilih
data disimpan dan ditampilkan
menyimpan data
Proses Manajemen Data
Gambar 4.28 State Chart Diagram Data Type
Gambar 4.28 State Chart Diagram Data Type, state awal dimulai dengan actor memasuki sistem. Dan kemudian memilih page data yang di inginkan. Dalam hal ini page data Type, setelah itu actor memilih untuk melakukan aksi yang telah
disediakan
yaitu
memasukan
data,
mengubah data, menghapus data. Aksi yang dipilih kemudian di eksekusi dalam proses manajemen data dan hasilnya ditampilkan kepada actor. Bila tidak ada proses atau data sudah tersimpan, maka state berakhir.
7. State Chart Diagram Data Transaksi
117
Login ke dalam Sistem
Halaman Utama Ditampilkan
Memilih Page Data Form Data Transaksi Memilih Aksi
Memilih Memasukan data
Memilih Mengubah Data
Memilih Menghapus Data
Aksi terpilih
data disimpan dan ditampilkan
menyimpan data
Proses Manajemen Data
Gambar 4.29 State Chart Diagram Data Transaksi
Gambar
4.29
State
Chart
Diagram
Data
Transaksi, state awal dimulai dengan actor memasuki sistem. Dan kemudian memilih page data yang di inginkan. Dalam hal ini page data Transaksi, setelah itu actor memilih untuk melakukan aksi yang telah disediakan yaitu memasukan data, mengubah data, menghapus data. Aksi yang dipilih kemudian di eksekusi dalam proses manajemen data dan hasilnya ditampilkan kepada actor. Bila tidak ada proses atau data sudah tersimpan, maka state berakhir.
8. State Chart Diagram Laporan
118
Login ke dalam Sistem
Halaman Manager Ditampilkan
Memilih Page Data Form Laporan Memilih Aksi
Simpan Laporan
Cetak Laporan
Aksi terpilih
Laporan Dicetak / Disimpan
Gambar 4.30 State Chart Diagram Laporan
Gambar 4.30 State Chart Diagram Laporan, state awal dimulai dengan actor memasuki sistem. Dan kemudian memilih page laporan. Setelah itu actor memilih untuk melakukan aksi yang telah disediakan yaitu simpan laporan atau mencetak laporan. Aksi yang dipilih kemudian di eksekusi. Hasilnya ditampilkan kepada actor. Bila tidak ada proses lagi, maka state berakhir.
9. State Chart Diagram Search Item Pilih Halaman Pencarian
Halaman Pencarian Ditampilkan
Input Keyword Klik Search
List Data Tampil
Data ditampilkan
Gambar 4.31 State Chart Diagram Search Item
Proses Pencarian
119
Gambar 4.31 State Chart Diagram Search Item, state awal dimulai dengan memilih halaman pencarian. Setelah itu halaman pencarian di tampilkan
dan
actor
memasukan
keyword
pencarian, dilanjutkan dengan menekan tombol search. Aksi ini akan di eksekusi Hasilnya ditampilkan kepada actor dalam bentuk list data. Bila tidak ada proses lagi, maka state berakhir.
4.3
Desain Basis Data 4.3.1 Identifikasi Objek. Sebelum melakukan permodelan class diagram, maka perlu dilakukannya identifikasi objek-objek yang ada dalam ruang lingkup penelitian ini. Objek – objek yang ada adalah sebagai berikut:
Tabel 4.11 Daftar Objek Brand Idb code_brand brand_name Type code_type type_name code_category Category
120
code_category category_name Products article_code article_name Colour Sex Transactions Idtrans Notrans Tanggal code_brand article_code article_name Size code_category code_type Colour Qty Price User Iduser Username Password Role
Dari
daftar
objek
potensial
yang
sudah
teridentifikasi, maka peneliti menyeleksi objek yang akan diusulkan, sebagai berikut : Tabel 4.12 Analisis Daftar Obyek Objek Potensial
Alasan
Brand
√
Master brand
Idb
X
Atribut brand
code_brand
X
Atribut brand
brand_name
X
Atribut brand
Type
√
Master type
code_type
X
Atribut type
121
type_name
X
Atribut type
code_category
X
Atribut type
Category
√
Master category
code_category
X
Atribut category
category_name
X
Atribut category
Products
√
Master products
article_code
X
Atribut products
article_name
X
Atribut products
Colour
X
Atribut products
Sex
X
Atribut products
Transactions
√
Master transactions
Idtrans
X
Atribut transactions
Notrans
X
Atribut transactions
Tanggal
X
Atribut transactions
code_brand
X
Atribut transactions
article_code
X
Atribut transactions
article_name
X
Atribut transactions
Size
X
Atribut transactions
code_category
X
Atribut transactions
code_type
X
Atribut transactions
Colour
X
Atribut transactions
Qty
X
Atribut transactions
Price
X
Atribut transactions
User
√
Master user
Iduser
X
Atribut user
Username
X
Atribut user
Password
X
Atribut user
Role
X
Atribut user
Setelah
daftar
objek
ditentukan,
kemudian
ditentukan kandidat class dengan cara menganalisa objek tersebut.
Dapat
ditentukan
kandidat
class
dengan
menentukan objek dan attribut tersebut. Masing-masing attribut objek tidak dimasukkan ke dalam kandidat class. Dari hasil analisa di atas maka akan ditemukan class
122
penelitian ini, class-class tersebut dijabarkan dalam tabel dibawah ini.
Tabel 4.13 Daftar class yang Diusulkan Nama Class Brand Type Category products Transactions User
4.3.2 Perancangan Class Diagram Class diagram ini merupakan representasi dari tabel-tabel yang ada di database. Pada class diagram dalam penelitian ini enam class utama dengan lima class
yang
saling
berhubungan,
yaitu
class
Transactions, Category, Products, Brands, Type, dan
User.
Dalam
implementasinya,
class
Transactions, Category, User, Products, Brands, Type dan User itu disebut dengan entity yang tersimpan pada database.
123
Gambar 4.32 Class Diagram Pada gambar 4.32 permodelan class diagram menjelaskan keterhubungan antara class yang terdapat pada penelitian ini. Class diagram memiliki lima (5) class, yaitu : product, brand, type, category, transactions.
Antara class category dan type memiliki keterhubungan asosiasi one to many, yaitu satu category mempunyai banyak type.
Antara
class
category
dan
transactions
memiliki
keterhubungan composite one to many, yaitu satu category
124
terdapat di minimal satu transactions dan maksimal banyak transactions.
Antara class type dan category memiliki keterhubungan asosiasi one to one, yaitu satu type hanya bisa di punyai oleh satu category.
Antara class type dan products memiliki keterhubungan asosiasi one to many, yaitu satu type bisa berada di banyak products.
Antara
class
type
dan
transactions
memiliki
keterhubungan composite one to many, yaitu satu type terdapat di minimal satu transactions dan maksimal banyak transactions.
Antara
class
brands
dan
products
memiliki
keterhubungan asosiasi one to many, yaitu satu brands bisa berada di banyak products.
Antara
class
brands
dan
transactions
memiliki
keterhubungan composite one to many, yaitu satu brands terdapat di minimal satu transactions dan maksimal banyak transactions.
125
Antara
class
products
dan
brands
memiliki
keterhubungan asosiasi one to many, yaitu satu brands bisa berada di banyak transactions.
Antara class products dan type memiliki keterhubungan asosiasi one to many, yaitu satu products bisa berada di banyak type.
Antara
class
products
dan
transactions
memiliki
keterhubungan composite one to many, yaitu satu products terdapat di minimal satu transactions dan maksimal banyak transactions.
4.3.3 Struktur Data Untuk
perancangan
database,
penulis
menggunakan enam table yaitu tb_product, tb_brand, tb_type, tb_category, tb_transactions. Tabel ini adalah tabel yang didapatkan setelah menganalisis
data
transaksi
Tendencies Store. 1. Tabel tb_brand. a. b. c. d.
File name File type Primary Key Foreign Key
: tb_brand : Master : code_brand : -
penjualan
126
Tabel 4.14 Tabel Database tb_brand No
Name
Type
Size
Int
4
1.
Idb
2.
code_brand
varchar
5
3.
brand_name
varchar
40
2. Tabel tb_type. a. b. c. d.
File name File type Primary Key Foreign Key
: tb_type : Master : code_type : code_category
Tabel 4.15 Tabel Database tb_type No
Name
Type
Size
1.
code_type
int
4
2.
type_name
Varchar
30
3.
code_category
int
4
3. Tabel tb_ categories. a. b. c. d.
File name File type Primary Key Foreign Key
: tb_ categories : Master : code_ category : -
Tabel 4.16 Tabel Database tb_categories No
Name
Type
Size
1.
code_category
int
4
2.
category_name
varchar
30
4. Tabel tb_ product. a. File name
: tb_ product
127
b. File type c. Primary Key d. Foreign Key
: Master : article_code : -
Tabel 4.17 Tabel Database tb_product No
Name
Type
Size
1.
article_code
varchar
20
2.
article_name
varchar
40
3.
Colour
varchar
10
4.
Sex
varchar
1
5.
code_brand
varchar
5
6.
code_type
int
4
5. Tabel tb_ transactions. a. File name b. File type c. Primary Key d. Foreign Key
Desain Antar Muka (User Interface) Rancangan tampilan user interface web cross-sell application dapat dilihat pada gambar-gambar dibawah ini:
4.4.1 Halaman Admin a. Halaman Login Untuk Admin dan Manajer Logo
Username Password
Login
Gambar 4.33 Desain Antar Muka Halaman Login
b. Halaman Data Master Category
129
Logo Transcations
Header | Category | Type | Brands | Products
Code Category
Sub Menu
Save
Cancel
Categoory Name
Footer
Gambar 4.34 Desain Antar Muka Halaman Data Master Category
c. Halaman Data Master Type Logo Transcations
Header | Category | Type | Brands | Products
Code Category
V
Sub Menu
Save
Cancel
Code Type Type Name
Footer
Gambar 4.35 Desain Antar Muka Halaman Data Master Type
d. Halaman Data Master Brands
130
Logo Transcations
Header | Category | Type | Brands | Products
Code Brand
Sub Menu
Add
Cancel
Brand Name
Footer
Gambar 4.36 Desain Antar Muka Halaman Data Master Brands
e. Halaman Data Master Products Logo Transcations
Header | Category | Type | Brands | Products
Article Code
Sub Menu
Add
Cancel
Article Name Colour
Footer
Gambar 4.37 Desain Antar Muka Halaman Data Master Products
f. Halaman Data Master User
131
Logo
Header
Transcations
| Category | Type | Brands | Products
Sub Menu
username
Add
Cancel
password Role
Footer
Gambar 4.38 Desain Antar Muka Halaman Data Master User
g. Halaman Transaksi Logo Transcations
Header | Category | Type | Brands | Products
Sub Menu
Article code Type Shoppinh cart
category Price
Add
Cancel
Footer
Gambar 4.39 Desain Antar Muka Halaman Data Transaksi
i. Halaman About Me Untuk admin dan Manajer
132
Logo
Header
Tentang Aplikasi
About Me
Thanks to
My Photo
Content
Footer
Gambar 4.40 Desain Antar Muka About Me
4.4.2 Halaman Untuk Admin, Manager, Customer Halaman Pencarian Data Item Recomendation Logo
Header
Accescories Banner
Bags Wallet Short Pants Pants
Search
Shoes Sandal Dress List Data Rekomendasi Item
Jacket Hat T-Shirt Sweater Polo shirt Cardiga
Banner
Banner
Banner
Footer
Gambar 4.41 Desain Antar Muka Halaman Pencarian Data Item Recomendation 4.4.2 Halaman Manager Halaman Manager Dashboard
133
Logo
Header
Navigatiom
Chart 1 Chart2 Chart 3
Graphic
Footer
Gambar 4.42 Desain Antar Muka Halaman Manager Dashboard
4.5
Fase Konstruksi dan Pelaksanaan (Implementation)
4.5.1
Penerapan Tahapan Data Mining Dalam
penelitian
ini
penulis
menggunakan
software MS-SQL Server 2008 untuk melakukan proses data mining dengan metode market basket analysis. Tahapan tahapan tersebut adalah sebagai berikut :
134
4.5.1.1 Pembuatan Database di Sql Server 2008 1. Mengaktifkan Service Database Engine dan Analysis
Service
pada
Configuration
Manager dengan klik Start All Program SQL Server 2008 Configuration Tools SQL Server Configuration Manager. Seperti terlihat pada gambar 4.43 berikut :
Gambar 4.43 Manajemen Konfigurasi Sql Server Yang harus diaktifkan atau dijalankan adalah servis Sql Server (untuk menjalankan database Sql Server) dan Sql Server Analysis Services (untuk menjalankan servis data mining)
2. Koneksi ke Database dengan klik Start All Program SQL Server 2008 SQL Server Management Studio, kemudian pada server
135
type pilih Database Engine. Seperti terlihat pada gambar 4.44
Gambar 4.44 Koneksi ke Basis Data Dalam melakukan koneksi ke dalam database yang harus di perhatikan adalah server name. Server name ini bisa diisi dengan localhost atau . apabila database yang diakases ada di komputer lokal. Bisa juga dengan menggunakan Ip address apabila database yang ingin diakses ada di komputer lain dalam suatu jaringan.
3. Untuk membuat database hal yang harus dilakukan adalah pilih folder database pada
136
pilihan
tree
di
window
sebelah
kiri.
Kemudian klik kanan pada folder tersebut dan pilih new database.
Gambar 4.45 Tree View dari skema Sql Server 2008
4. Akan muncul window seperti di bawah ini, kita cukup memasukan nama dari database yang akan digunakan dan menekan tombol ok.
137
Gambar 4.46 Pembuatan Basis Data Apabila langkah tersebut telah sukses maka berlanjut ke pada proses data mining yang mengacu kepada tahapan data mining yang telah disebutkan di bab II.
4.5.1.2 Pembersihan data (data cleaning) Proses
Pertama
yang
dilakukan
adalah
Pembersihan Data. Hal ini dilakukan dengan cara membersihkan dan mengklasifikasikan data-data apa saja yang ada di dalam data sumber. Dalam penelitian ini data sumber yang
138
di pakai adalah transaksi penjualan dari Tendencies Store yang berbentuk file excel.
Gambar 4.47 Data Awal Transaksi Penjualan Tendencies Store
Data tersebut di lakukan pembersihan dan pengklasifikasian data sehingga menjadi 5 tabel yang akan digunakan dalam aplikasi data mining Tendencies Store.
139
Gambar 4.48 Pembersihan dan Pengklasifikasian Data Transaksi Dari data sumber awal gambar 4.47 dilakukan pembersihan dan pengklasifikasian data dengan cara merubahnya kedalam bentuk data seperti yang ada di gambar 4.48 sehingga lebih mudah
untuk
melakukan
tahapan
selajutnya.
Adapun
klasifikasi data dipisahkan berdasarkan tabel yang di bagi per sheet excel.
4.5.1.3 Integrasi Data (Data Integration) Selanjutnya adalah tahapan integrasi data ke dalam database.
Hal
ini
dilakukan
dengan
cara
mengkonversi file excel tersebut melalui program
140
aplikasi import export data wizard yang sudah ada di dalam paket Sql Server 2008. Untuk memulainya tekan start ==> kemudian pilih import export data.
Gambar 4.49 Cara memulai Impor dan Ekspor Data Selanjutnya maka akan tampil window di bawah ini.
Gambar 4.50 Wizard Impor dan Ekspor Sql Server 2008
141
Tekan
tombol
next
untuk
melanjutkan,
sehingga akan keluar seperti gambar di bawah ini.
Gambar 4.51 Proses Pemilihan Data Sumber
Pada pilihan Data Source pilih Microsoft Excel karena sumber data yang digunakan adalah dari file Excel. Kemudian kita harus memasukan path dari file yang akan digunakan. Tekan
142
browse
kemudian
pilih
data
yang
akan
digunakan. Seperti gambar diatas. Langkah selanjutnya adalah mendefinisikan Destination data. Pada pilihan Destination pilih Sql Server Native Client 10.0 dan kemudian Server Name localhost yang di representasikan dengan ( . ) . Pilihan database kita memilih database yang akan digunakan. Tekan Next untuk melanjutkan prosesnya.
Gambar 4.52 Proses Pemilihan Data Destination
143
Proses selanjutnya kita cukup tekan next apabila kita ingin langsung mengkonversi data excel tersebut, tanpa melakukan penambahan query lainnya.
Gambar 4.53 Proses Pemilihan Atribut Pengkopian Data
Selanjutnya akan tampil window di seperti dibawah, pada proses ini tersebut yang harus dilakukan adalah memilih tabel mana saja yang akan di konversi dan kemudian mendefiniskan nama dari tabel tersebut. Kemudian tekan next.
144
Gambar 4.54 Proses pemilihan source table and view Setelah tombol Next di tekan maka akan tampil window di bawah ini, pada tahapan ini merupakan pemilihan apakah proses-proses tersebut akan di save atau tidak. apabila kita menekan next maka akan tampil window summary dari data yang akan di konversi. Seperti yang terlihat pada gambar 4.55 tekan finish maka proses konversi akan dieksekusi.
145
Gambar 4.55 Proses Penyimpanan Langkah-langkah Impor dan Ekspor
Gambar 4.56 Proses Penyelesaian Impor dan Ekspor Data
146
4.5.1.4 Seleksi data (Data Selection) Dalam tahapan seleksi data yang dilakukan adalah memilih data source (sumber data) yang akan dilakukan pengolahan data mining. Langkah yang harus dilakukan adalah membuat aplikasi data mining dengan memakai sql server sebagai pengolah datanya. Dilakukan dengan cara dibawah ini. 1. Buka
SQL
Server
Business
Intelligence
Development dengan Start All Program SQL Server 2008 SQL Server Business Intelligence
Development
2008.
Seperti
terlihat pada gambar 4.57.
Gambar 4.57 SQL Server Business Intelligence Development
147
2. Setelah IDE visual studio untuk pembuatan data mining terbuka kita mulai untuk membuat Project baru dengan klik File New Project, kemudian pilih Analysis Service Project. Seperti terlihat pada gambar 4.58 berikut :
Gambar 4.58 Proses Pembuatan Proyek Analysis Service baru Gambar diatas menjelaskan proses pembuatan project analysis service baru yang akan dipakai untuk melakukan pengolahan data mining setelah memasukan nama dari project tersebut maka kita diminta untuk mendefinisikan lokasi dimana project tersebut akan disimpan.
148
3. Setelah project berhasil dibuat maka yang harus dilakukan adalah melakukan
seleksi data
source dengan cara klik New Data Source pilih Next dan tentukan koneksi yang akan digunakan.
Gambar 4.59 Proses Pembuatan Data Source
149
Gambar 4.60 Proses Pemilihan Data Source untuk Koneksi Data Mining Gambar
diatas
menerangkan
data
source
diatas
menggunakan server lokal (.) dengan nama database yang dipakai
(initial
catalog)
TendenciesDM.
Jika
ingin
melakukan pembuatan baru Koneksi yang dipakai bisa dengan cara mengklik tombol New dan akan keluar window seperti di gambar 4.61 di window tersebut kita di minta untuk mendefinisikan server name, authentication serta database yang dipakai.
150
Gamba r 4.61 Manajemen Koneksi Basis Data
Gambar 4.62 Impersonation Information
151
Gambar 4.62 mendefinisikan data source hanya bisa dipakai oleh account dari analysis service dengan username dan password seperti diatas.
Gambar 4.63 Proses Penyelesaian Pembuatan Data Source
4.5.1.5 Transformasi Data (Data Transformation) Tahapan transformasi data adalah tahapan dimana data yang akan diolah dengan data mining di tranformasikan kedalam bentuk data yang dapat dimengerti oleh server data mining oleh karena itu kita diharuskan untuk membuat data source view. Dilakukan dengan cara sebagai berikut 1. Membuat Data Source View dengan klik New Data Source pilih Next dan
152
tentukan koneksi yang akan digunakan pilih table yang akan digunakan.
Gambar 4.64 Proses Pembuatan Data Source View
153
Gambar 4.65 Proses Pemilihan Data Source untuk Data Source View
Gambar 4.66 Proses Pemilihan Relasi Primary Key
154
Gambar diatas menerangkan relasi dari data yang akan dipakai (relasi antar tabel berdasarkan primary key dan foreign key)
Gambar 4.67 Proses Pemilihan Table dan View Di dalam gambar 4.67 menerangkan tabel apa saja yang digunakan didalam aplikasi data mining ini.
155
Gambar 4.68 Proses Penyelesaian Pembuatan Data Source View
4.5.1.6 Proses Data Mining Tahapan Proses Data mining merupakan tahapan pengolahan data dengan metode data mining yang ditentukan oleh peneliti, metode data mining yang dipakai adalah association rule. Hal yang harus dilakukan dalam tahapan ini adalah membua mining structure dan mining model. Dapat dilakukan dengan cara sebagai berikut : 1. Membuat Mining Structure, tahap ini akan dibangun mining structure dan mining model
156
menggunakan
teknik
association
rules.
Caranya klik kanan pada tree menu di window sebelah kanan kemudian pilih new mining structure. Maka akan keluar window seperti di bawah ini. Cukup klik next untuk memulai membuat mining structures.
Gambar 4.69 Proses Pembuatan Data Mining
2. Setelah itu kita akan diminta untuk mendefinisikan mining structure beserta
157
relasi table yang akan dipakai. Pilihlah from existing relational database or data warehouse untuk memakai data yang sudah di buat sebelumnya.
Gambar 4.70 Proses Pemilihan Struktur Data Mining
3. Tahapan selanjutnya
yang
harus
adalah
dilakukan
mendefinisikan
158
metode mining model apa yang kan dipakai. Dalam penelitian ini model yang dipakai adalah association rules.
Gambar 4.71 Proses Pemilihan Teknik Data Mining
4. Langkah selanjutnya adalah memilih data source view yang akan dipakai. Data
159
source yang dipakai dalam penelitian ini adalah TendeciesDM yang telah dibuat pada tahapan sebelumnya. Disini kita tinggal memilih data source yang ingin kita pakai. Seperti gambar berikut ini.
Gambar 4.72 Proses Pemilihan Data Source View
5. Setelah
data
source
di
pilih
maka
selanjutnya kita akan memilih tables yang akan digunakan secara spesifik, table
160
yang
kan
digunakan
ada
lah
table
transactions, karena di table inilah data transaksi dari Tendencies Store berada.
Gambar 4.73 Proses Pemilihan Tabel Database
6. Selanjutnya adalah memilih parameter field apa saja yang akan diolah oleh data
161
mining.
Field
yang
dipilih
adalah
id_category, category_name, no_trans.
Gambar 4.74 Proses Pemilihan Columns Basis Data
Gambar 4.75 Proses Penyelesaian Data Mining Peneliti memilih parameter category sebagai parameter yang merepresentasikan item barang di Tendencies Store. Jika peneliti mengambil parameter lebih detail (product_name) maka pola keterhubungan antara item
162
barang akan sulit terlihat, dikarenakan terlalu banyak item yang dipakai dalam pengolahan data mining sehingga tingkat hubungan per itemnya menjadi tidak relevan.
7. Selanjutnya pada gambar 4.76 kita di minta untuk memasukan banyaknya data yang dipakai dalam pengolahan data mining. Disini kita memakai 50% dari total transaksi (total transaksi dalam
penelitian
ini
adalah
600
transaksi) untuk dilakukan pengolahan data mining yang dipilih secara random oleh sistem.
Gambar 4.76 Proses Pembuatan Set Pengujian Data
163
8. Langkah
selanjutnya
adalah
memberikan nama pada mining model yang akan dipakai oleh aplikasi data mining Tendecies Store.
Gambar 4.77 Proses Pembuatan Model Data Mining
4.5.1.6.1 Prinsip Kerja Metode Market Basket Analysis Metode market basket analysis atau disebut juga dengan metode association rule memiliki dua tahapan
untuk
menemukan
informasi
(knowledge) dari suatu database. Tahapan pertama
164
adalah menemukan frequent itemset dan tahapan kedua
adalah
membentuk
aturan
assosiasi
berdasarkan frequent itemset. Pada sub-bab ini peneliti ingin menjelaskan dan mensimulasikan prinsip kerja dari market basket analysis. Data yang dipakai adalah data transaksi Tendencies Store sebanyak 239 item transaksi (dapat di lihat pada lampiran B) dan minimum support yang peneliti tentukan adalah sebesar 5%. Langkah yang akan dilakukan adalah sebagi berikut. 1. Mencari frequent itemset Pada tahap ini peneliti mencari kombinasi item yang memenuhi syarat minimum support dalam database transaksi Tendencies Store. Untuk mengetahui nilai support adalah dengan menghitung frekuensi kemunculan kombinasi itemset dalam suatu database. Frekuensi kombinasi dimulai dari 1-itemset sampai n-itemset. Untuk setiap (n+1)-itemset diperoleh dengan menggabungkan (n)-itemset yang memenuhi nilai minimum support. Proses pembentukan kombinasi nitemset terus berulang sampai tidak ada lagi kombinasi
165
n-itemset yang memenuhi nilai minimum support. Rumus perhitungan minimum support adalah sebagai berikut :
Support( A ) JumlahTransaksiMengandungA X 100%
Jumlah transaksi Tabel 4.19 Frekuensi Kombinasi 1-Itemset Kombinasi Item
ACCECORIES BAG BELT BLAZER BOXER CARDIGAN DRESS HAT JACKET PANTS POLO SHIRT SANDAL SHIRT SHOES SKIRT SWEATER TSHIRT WALLET
Pada tabel 4.19 itemset yang memenuhi syarat minimum support
5%
adalah
itemset
ACCECORIES,
BAG,
BLAZER, DRESS, PANTS, SHIRT, SHOES, SWEATER, TSHIRT, WALLET. Itemset tersebut dimasukan sebagai kandidat 2 itemset. Tabel 4.20 C1 (kandidat 2-itemset)
166
Kombinasi item
Support
ACCECORIES
8,36
BAG
12,13
BLAZER
5,02
DRESS
5,43
PANTS
5,43
SHIRT
10,46
SHOES
11,29
SWEATER
8,36
TSHIRT
47,69
WALLET
7,94
Pada Tabel 4.20 merupakan tabel kandidat 2 itemset inilah yang akan digunakan untuk sebagai dasar pembentuk kombinasi 2 itemset. Tabel 4.21 Frekuensi Kombinasi 2-Itemset Kombinasi item
Frekuensi Item Set
Support
BAG, SHIRT
8
3,34
BAG, TSHIRT
2
0,83
BAG, SHOES
0
0
BAG, ACCECORIES
0
0
BAG, BLAZER
4
1,67
BAG, DRESS
0
0
BAG,PANTS
1
0,41
BAG, SWEATER
4
1,67
BAG, WALLET
1
0,41
SHIRT,TSHIRT
3
1,25
SHIRT,SHOES
1
0,41
SHIRT, ACCECORIES
0
0
SHIRT, BLAZER
0
0
SHIRT, DRESS
1
0,41
SHIRT, PANTS
0
0
167
SHIRT, SWEATER
1
0,41
SHIRT, WALLET
2
0,83
TSHIRT, SHOES
12
5,02
TSHIRT, ACCECORIES
5
2,09
TSHIRT, BLAZER
4
1,67
TSHIRT, DRESS
5
2,09
TSHIRT, PANTS
3
1,25
TSHIRT, SWEATER
5
2,09
TSHIRT, WALLET
15
6,27
SHOES, ACCECORIES
2
0,83
SHOES, BLAZER
0
0
SHOES, DRESS
1
0,41
SHOES, PANTS
3
1,25
SHOES, SWEATER
1
0,41
SHOES, WALLET
2
0,83
ACCECORIES, BLAZER
0
0
ACCECORIES, DRESS
2
0,83
ACCECORIES, PANTS
1
0,41
ACCECORIES, SWEATER
0
0
ACCECORIES, WALLET
0
0
BLAZER, DRESS
0
0
BLAZER, PANTS
0
0
BLAZER, SWEATER
1
0,41
BLAZER, WALLET
0
0
DRESS, PANTS
0
0
DRESS, SWEATER
1
0,41
DRESS, WALLET
0
0
PANTS, SWEATER
0
0
PANTS, WALLET
0
0
SWEATER, WALLET
2
0,83
Pada tabel 4.21 itemset yang memenuhi syarat minimum support 5% adalah itemset TSHIRT , SHOES dan TSHIRT, WALLET itemset tersebut dimasukan dan
168
dibentuk menjadi kandidat 3 itemset. Seperti yang ada di tabel 4.22 Tabel 4.22 C2 (kandidat 3-itemset) Kombinasi item TSHIRT, SHOES TSHIRT, WALLET
Support 5,02 6,27
Dikarenakan pada tabel 4.22 kandidat 3 itemset telah memenuhi minimum support maka sudah langsung dapat dibentuk menjadi kombinasi 3 itemset seperti tabel 4.23 dibawah ini.
Dari tabel 4.23 diatas peneliti tidak melakukan perhitungan minimum support di karenakan itemset pada kombinasi 3 itemset mengandung kombinasi 2 itemset yang tidak memenuhi minimum support pada kombinasi 2 itemset dalam hal ini kombinasi {SHOES, WALLET} oleh karena itu kombinasi 3 itemset dapat diabaikan.
169
2. Membentuk aturan assosiasi Setelah semua frequent itemset telah diketahui, selanjutnya adalah membentuk aturan assosiasi yang memenuhi nilai confidence. Untuk mengetahui nilai confidence perhitungannya adalah sebagai berikut :
Confidence : P( A B) Dari
TransaksiMengandungAdanB X 100% TransaksiMengandungA
tahap
pertama
frequent
itemset
yang
dihasilkan adalah sebagai berikut : { TSHIRT SHOES } , { TSHIRT WALLET }
Nilai confidence dari aturan-aturan tersebut adalah : Confidence { TSHIRT SHOES } = 12/114 X 100 % = 10,52 % Confidence { TSHIRT WALLET } = 15/114 X 100 % = 13,15 %
Sehingga aturan assosiasi yang dihasilkan dari tabel 4.22 adalah sebagai berikut :
Pada aturan { TSHIRT SHOES } bisa diperoleh informasi bahwa sebanyak 5,02 % konsumen membeli t-shirt dan shoes secara bersamaan dan konsumen yang membeli t-shirt mempunyai kemungkinan 10,52 % untuk juga membeli shoes. Begitupun dengan aturan { TSHIRT WALLET } bisa diperoleh informasi bahwa sebanyak 6,27 % konsumen membeli t-shirt dan wallet secara bersamaan dan konsumen yang membeli t-shirt mempunyai kemungkinan 13,15% untuk juga membeli wallet.
4.5.1.7 Evaluasi Pola (Pattern Evaluation) Hasil dari proses pembuatan data mining diatas adalah mining model dengan nama TbTransactions. Pada tahapan ini peneliti melakukan evaluasi terhadap pola yang telah di buat pada tahapan sebelumnya. Untuk
171
melihat hasil atau pola dari mining model tersebut adalah dengan cara sebagai berikut. 1.
Double click pada mining model yang telah dibuat diatas sehingga muncul window seperti dibawah ini:
Gambar 4.78 Hasil proses Pembuatan Mining Model
Pada gambar 4.78 dapat dijelaskan bahwa kotak di tengah tersebut merupakan representasi dari tabel transaksi yang telah kita definisikan pada tahapan sebelumnya.
172
2. Untuk melihat hasil itemset data mining pilih tab mining model viewer dan kemudian pilih tab itemsets. Kita bisa memilih paramater algoritma dengan merubah value dari minimum support dan minimun itemset size.
Gambar 4.79 Contoh Hasil Proses Data Mining Tendencies Store 3. Untuk melihat hasil rules data mining pilih tab mining model viewer dan kemudian pilih tab rules. Kita bisa memilih paramater algoritma dengan merubah value dari minimum probability.
173
Gambar 4.80 Contoh Hasil rule Data Mining Tendecies Store
Sebagai perusahaan fashion retail maka dapat di pastikan bahwa tujuan bagi Tendencies Store adalah menjual sebanyak banyak nya item atau barang yang mereka miliki untuk mendapatkan keuntungan. Oleh karena itu biasanya pihak business director (manager) tentu ingin mengetahui item apa saja yang paling banyak terjual itu dapat dilihat dengan melakukan cara poin pertama. Hasil itemset data mining dengan nilai minimum support 25 (dapat diartikan sebagai minimal jumlah item yang dibeli oleh
174
konsumen di dalam data transaksi adalah 10)
adalah
sebagai berikut :
Gambar 4.81 Hasil 1-itemset Data Mining Tendecies Store
Dari gambar 4.81 diatas dapat dilihat bahwa 5 item yang mempunyai penjualan terbanyak adalah TSHIRT, SHIRT, WALLET, BAG, SHOES.
Sedangkan untuk mendapatkan kombinasi itemset apa saja yang paling banyak dibeli dapat dilihat dengan cara
175
mengubah minimum itemset menjadi 2 hasilnya adalah sebagai berikut :
Gambar 4.82 Hasil 2-itemset Data Mining Tendecies Store
Dari gambar 4.82 diatas dapat dilihat bahwa terdapat 6 itemset yang mempunyai penjualan terbanyak adalah {WALLET , TSHIRT}, TSHIRT}, {SHIRT
{BAG , TSHIRT}, {SHOES ,
, TSHIRT}, {PANTS , TSHIRT},
{SWEATER, TSHIRT}.
176
Dari hasil penelusuran dengan menggunakan cara poin kedua berdasarkan 6 itemset diatas maka dapat disimpulkan sebagai berikut : Tabel 4.24 Association Rule Data Mining Tendencies Store No
Itemset
Support
Confidence
1
{WALLET => TSHIRT}
25
25 / 37 x 100% = 6,8%
2
{BAG => TSHIRT}
14
14 / 36 x 100% = 3,9%
3
{SHOES => TSHIRT}
13
13 / 30 x 100% = 4,3%
4
{SHIRT => TSHIRT}
12
12 / 46 x 100% = 3%
5
{PANTS => TSHIRT}
12
12 / 26 x 100% = 4,6%
6
{SWEATER => TSHIRT}
12
12 / 20 x 100% = 6 %
Dari tabel 4.24 diatas dapat diartikan sebagai berikut 1. kemungkinan konsumen yang membeli WALLET dan juga akan membeli TSHIRT adalah sebanyak 6,8% 2. kemungkinan konsumen yang membeli BAG dan juga akan membeli TSHIRT adalah sebanyak 3,9% 3. kemungkinan konsumen yang membeli SHOES dan juga akan membeli TSHIRT adalah sebanyak 4,3% 4. kemungkinan konsumen yang membeli SHIRT dan juga akan membeli TSHIRT adalah sebanyak 3% 5. kemungkinan konsumen yang membeli PANTS dan juga akan membeli TSHIRT adalah sebanyak 4,6% 6. kemungkinan konsumen yang membeli SWEATER dan juga akan membeli TSHIRT adalah sebanyak 6%
177
4.5.1.8 Implementasi Aplikasi Istilah cross-sell application dapat diartikan sebagai upaya untuk menjual produk lain yang dibutuhkan pelanggan berdasarkan item produk yang ada dalam keranjang belanjanya. Dalam merancang web cross-sell application penulis menggunakan software MS-Visual Visual Studio 2008, meski berbasis web tetapi aplikasi hanya dijalankan dalam lingkup lokal (localhost). Gambar 4.83 menampilkan tampilan interface web crosssell application, gambar 4.84 menampilkan tampilan interface
halaman
administrator,
gambar
4.85
menampilkan interface halaman manajer. Untuk gambar interface secara lengkap dapat dilihat pada halaman lampiran
178
Gambar 4.83 Antar Muka Halaman Utama Web Cross-Sell Application
Gambar 4.84 Antar Muka Halaman Administrator
179
Gambar 4.85 Antar Muka Halaman Manager 4.5.1.9 Pengujian Web Cross-Sell Application Untuk menggunakan web cross-sell application user harus mengetikkan item produk pada textbox, apabila item produk yang dimasukkan lebih dari satu gunakan tanda ” ; ” (semicolons) sebagai pemisahnya. Daftar item produk yang ingin dimasukkan dapat dilihat pada menu category yang ada di samping kiri. Selanjutnya klik input items kemudian item produk yang diketikkan untuk menampilkan daftar rekomendasi items produk. Untuk lebih jelasnya perhatikan gambar 4.85.
180
Gambar 4.86 Contoh Hasil Web Cross-Sell Application
Dari gambar 4.86 dapat diartikan bahwa konsumen yang membeli ACCECORIES dan BAG juga memiliki kemungkinan TSHIRT,
untuk
WALLET,
membeli
SANDAL,
SHOES
Selanjutnya
SHIRT, hasil
rekomendasi ini dapat ditindak lanjuti oleh pihak Tendencies Store. Pengujian fungsi (Black Box Testing) dari sistem secara lengkap dapat dilihat pada halaman lampiran.
4.5.1.10
Implementasi Jaringan
181
Rancangan jaringan pada penelitian ini menggunakan jaringan intranet, karena jaringan ini hanya berjalan dalam area Tendencies Store. Topologi yang digunakan adalah topologi
star
dengan
satu
server
pusat
data
yang
tersentralisasi yang menghubungkan beberapa client dengan menggunakan switch diantaranya, admin, manager, dan customer. Skema Jaringan Intranet Tendencies Store
192.168.1.1
Admin
Web and Data Mining Server
192.168.1.X
Switch
Manajer 192.168.1.X
Customer
Gambar 4.87 : Arsitektur Jaringan Client Server Tendencies Store
Pada penelitian ini penulis melakukan simulasi implementasi jaringan terhadap aplikasi web cross sell application sebagai berikut :
182
1. Satu komputer di konfigurasi sebagai application dan database server, disisi inilah pengolahan data mining terjadi. Komputer ini hanya boleh digunakan oleh admin dan manajer. Komputer ini diberikan ip address class c (192.168.1.1) 2. Komputer admin dihubungkan ke sebuah switch. Switch ini digunakan untuk menghubungkan komputer server ke komputer client. Alasan penggunaan switch pada skema jaringan ini adalah untuk mengakomodir permintaan Tendencies Store yang ingin menambah jumlah pc client apabila sistem ini bisa berjalan dengan baik. 3. Switch kemudian di hubungkan ke komputer client yang juga diberikan ip address class c (192.168.1.X). huruf X menandakan ip host yang bisa kita berikan ke pada pc ini. Nomor host tidak boleh sama dengan komputer server.
183
BAB V KESIMPULAN DAN SARAN
Penelitian analisa dan perancangan data mining dengan metode market basket analysis untuk analisa pola belanja konsumen pada tendencies store dapat mengurangi permasalahan-permasalahan yang berhubungan dengan pengolahan data untuk mendapatkan informasi yang diperlukan oleh manajer dalam mengambil dan mengembangkan kebijakan strategis perusahaan. Penelitian ini juga memberikan solusi bagi customer untuk mendapatkan informasi terkait item dan product dari tendencies store. Setelah melakukan serangkaian penelitian, seperti yang tertera pada bab III dan Bab IV, pada bab ini penulis menguraikan kesimpulan yang dapat ditarik dari rangkaian penelitian tersebut Penulis juga memberikan saran yang akan bermanfaat bagi pihak-pihak yang akan melanjutkan pengembangan penelitian ini. 5.1. Kesimpulan Dari penelitian dan tulisan yang telah penulis uraikan, maka dapat ditarik kesimpulan sebagai berikut : 1.
Tahapan data mining tersebut menghasilkan pola belanja konsumen yang dapat digunakan manajer untuk membuat strategi bisnis perusahaan. Setelah proses data
mining dijalankan dengan
memberikan nilai minimum support 12
maka didapatkanlah
sebanyak 6 asosiasi item yang ada di Tendencies Store yaitu
184
{WALLET , TSHIRT}, {BAG , TSHIRT}, {SHOES , TSHIRT}, {SHIRT , TSHIRT}, {PANTS , TSHIRT}, {SWEATER, TSHIRT}. Dengan asosiasi item yang tertinggi adalah WALLET dan TSHIRT sebesar 6,8 % . Sehingga dapat disimpulkan konsumen yang membeli WALLET dan juga membeli TSHIRT adalah 6,8% .
5.2. Saran Peneltian dan aplikasi ini tentu saja masih mempunyai kekurangan. Masih banyak hal yang dapat dilakukan untuk mengembangkan aplikasi ini agar menjadi lebih baik lagi, antara lain : 1.
Pengembangan aplikasi ini dapat dilakukan dengan menyediakan integrasi layanan secara online sehingga memungkinkan kemudahan dalam pengaksesan dan juga pengolahan data yang terbaru. Akan tetapi hal yang patut diperhatikan adalah keamanan database management system. Ini diperlukan agar data-data tersebut tidak tersentuh oleh pihak yang tidak memiliki kepentingan di dalam system tersebut.
2.
Pengembangan aplikasi ini juga dapat dikembangkan dengan mengintegrasikan aplikasi ini dengan aplikasi expert system ataupun artificial intelegence sehingga manajer mendapatkan masukan secara otomatis tanpa harus melakukan analisa manual terlebih dahulu terhadap informasi yang telah diolah oleh aplikasi data mining ini.
185
3.
Penelitian ini masih memerlukan pengembangan lebih lanjut untuk mendapatkan hasil yang lebih optimal dengan cara melakukan penelitian memakai metode data mining yang lain. Ataupun membandingkan hasil metode data mining yang satu dengan metode yang lainnya sehingga didapatkan hasil komparasi yang baik.
186
Jakarta, 28 Mei 2010
SURAT KETERANGAN
Dengan ini menerangkan bahwa mahasiswa/mahasiswi yang tercantum di bawah ini:
Nama
: Friday Kurniasih
NIM
: 2060 9300 4112
Jurusan
: Sistem Informasi
Fakultas
: Sains dan Teknologi
Universitas : Universitas Islam Negeri Syarif Hidayatullah Jakarta
Berhak untuk melakukan interview dan observasi di Tendecies Store sehubungan dengan penyelesaian penulisan ilmiah dalam rangka memenuhi tugas akhir perkuliahan.
Demikian surat keterangan ini dibuat untuk dipergunakan sebagaimana mestinya.
Dengan hormat,
Boyke Vidykrisna Hutama Marketing Communication
187
Lampiran Hasil Pengujian Fungsi (Black Box)
Pengujian dilakukan dalam 2 (dua) tahap yaitu pengujian mandiri yang dilakukan oleh penulis sekaligus pengembang aplikasi, dan pengujian lapangan yang dilakukan oleh calon pemakai aplikasi ini.
Pengujian Mandiri Penulis melakukan pengujian dengan metode Black Box yang hanya mengujikan fungsionalitas dari sistem dengan hasil sebagai berikut :
Tabel : Hasil Pengujian Mandiri No 1
Modul Login
Prasyarat Login
Tambah data
Login
Hasil
sebagai Dapat masuk kedalam OK
actor 2
Hasil yang diharapkan
sistem sebagai Dapat
admin,
menambahkan OK
data Data
sudah ada di database 3
Ubah Data
Login
Login Dapat mengubah data OK
sebagai admin, sesuai dengan kunci dari Data
sudah atribut yang akan diubah
ada
dalam
database 4
Hapus Data
Login
sebagai Dapat menghapus data OK
188
admin,
data sesuai dengan kunci dari
sudah ada di atribut database 5
Search
Item Ada
yang
akan
dihapus di Dapat melakukan dan OK
Recommendation halaman utama
mensimulasikan assosiasi item product.
Pengujian Lapangan Penulis meminta 5 (tiga) orang responden untuk melakukan uji coba terhadap aplikasi ini. Responden yang dipilih terdiri atas 1 (satu) orang bagian admin, 1 (satu) orang dari Store Manager dan
3 (tiga) orang
customer. Secara ringkas, hasil pengujian yang di dapatkan adalah sebagai berikut :
Index.aspx.vb Imports Microsoft.AnalysisServices.AdomdClient Imports System.Data.Linq Partial Public Class index Inherits System.Web.UI.Page Protected Overrides Sub OnInit(ByVal e As EventArgs) ' ' CODEGEN: This call is required by the ASP.NET Web Form Designer. ' InitializeComponent() MyBase.OnInit(e) End Sub Private Sub InitializeComponent() End Sub Protected Sub btnSearch_click(ByVal sender As Object, ByVal e As System.EventArgs) Handles btnSearch.Click Dim alInputItems As New ArrayList() Dim splitchar As Char() = {";"c} Dim szInputItems As Me.txtSearch.Text.Split(splitchar, 20)
String()
Dim i As Integer For i = 0 To szInputItems.Length - 1 alInputItems.Add(szInputItems(i).Trim()) Next i dgShop.DataSource = alInputItems dgShop.DataBind() Dim alRecomItems As New ArrayList(5) GetRecom(alInputItems, alRecomItems)
dgRecom.DataSource = alRecomItems dgRecom.DataBind() End Sub Private Shared Sub GetRecom( _ ByVal vInputItems As ArrayList, _ ByRef vRecomItems As ArrayList)
=
197
Dim strDMX1 As String = "SELECT FLATTENED Predict([Tb Transactions], INCLUDE_STATISTICS, $AdjustedProbability, 5) From [mm] NATURAL PREDICTION JOIN (SELECT (" Dim strDMX2 As String = ") AS [Tb Transactions]) AS t" Dim cItems As Integer = vInputItems.Count Dim strDMX As String = "" Dim i As Integer For i = 0 To cItems - 1 Dim item As String = vInputItems(i).ToString() item = item.Replace("'", "''") strDMX += "SELECT" + "'" + item + "' AS " + "[Category Name]" If i < cItems - 1 Then strDMX += " UNION " End If Next i ' MsgBox(strDMX1 + strDMX + strDMX2) strDMX = strDMX1 + strDMX + strDMX2 ' Connect to Analysis Server and execute query. Dim asSession As New AnalysisServerSession asSession.Connect() If False = asSession.ExecuteAndFetchResult(strDMX) Then Return End If vRecomItems.Clear() While asSession.asDataReader.Read()
198
Dim type As asSession.asDataReader.GetDataTypeName(0)
String
=
If type = "DBTYPE_WVARCHAR" Or type = "String" Then Try Dim val asSession.asDataReader.GetString(0)
As
String
=
vRecomItems.Add(val) Catch e As Exception Console.WriteLine(e.Message) End Try End If End While ' Disconnect from Analysis Server. asSession.DisConnect() End Sub Public Class AnalysisServerSession Protected asCommand Microsoft.AnalysisServices.AdomdClient.AdomdCommand Protected asConnection Microsoft.AnalysisServices.AdomdClient.AdomdConnection Public asDataReader Microsoft.AnalysisServices.AdomdClient.AdomdDataReader Public szServer As String = "." Public szCatalog As String = "TendenciesDM"
As As As
Public Sub New() asCommand = Nothing asConnection = Nothing asDataReader = Nothing End Sub 'New Public Function Connect() As Boolean Dim asConnectionString As String = _ "Provider=MSOLAP.3;Data Source=" + _ szServer + ";Initial Catalog=" + szCatalog asConnection = New AdomdConnection(asConnectionString) asConnection.Open() Return True End Function 'Connect
199
Public Function ExecuteAndFetchResult(ByVal strCommand As String) As Boolean If asConnection Is Nothing Then Return False End If If asCommand Is Nothing Then asCommand = New AdomdCommand() End If strCommand = strCommand.Replace("NaN", "null") strCommand = strCommand.Replace("Infinity", "null") Try If Not (asDataReader Is Nothing) Then If Not asDataReader.IsClosed Then asDataReader.Close() End If End If asCommand.Connection = asConnection asCommand.CommandText = strCommand asDataReader = asCommand.ExecuteReader() Catch e As Exception Log(e.Message) Return False End Try Return True End Function 'ExecuteAndFetchResult Public Function DisConnect() As Boolean Try If Not (asConnection Is Nothing) Then asConnection.Close() End If If Not (asCommand Is Nothing) Then asCommand.Connection = Nothing End If If Not (asDataReader Is Nothing) Then asDataReader.Close() End If Catch e As Exception Console.WriteLine(e.Message) End Try Return True End Function 'DisConnect Private Sub Log(ByVal message As String) 'Log the message to some place System.Diagnostics.Debug.Assert(False, message) Return End Sub 'Log End Class 'AnalysisServerSession End Class
200
LAMPIRAN HASIL WAWANCARA
Nama
: Boyke Vidykrisna Hutama
Jabatan
: Marketing Communication
Hari / Tanggal : Rabu, 14 April 2010 Tempat
: Tendecies Store Bintaro
Hasil resume wawancara saya terhadap Mas Boy, adalah sebagai berikut : Tanya : Mas Boy, bagaimana gambaran umum atau sejarah singkat dari Tendencies? Jawab : Tendencies merupakan distro yang dibuat untuk melengkapi gaya hidup di indonesia, yang berorientasi pada keontektikan style yang diwakili oleh divisi Creatif kami. Untuk selengkap nya bisa dilihat di website kami.
Tanya : Apakah yang menjadi visi dan misi Tendencies ? Jawab : visi dari tendencies adalah
“Menjadi perusahaan clothing yang
terkemuka dengan menjual produk-produk fashion yang berkualitas dan terjangkau oleh semua kalangan”. Sedangkan untuk misi silahkan di cek di website.
Tanya : Apa kendala yang di rasakan dalam mengkomunikasikan item-item atau produk unggulan dari tendecies ?
201
Jawab : kendala kami adalah kami tidak memiliki sistem visual lainnya selain website, yang mampu memberikan rekomendasi item, baik dari pemilihan product maupun kategori yang terkait sau dengan yang lainnya.
Tanya : Bagaimana minat customer terhadap produk- produk dari tendencies? Jawab : Minat customer sangatlah beragam. Oleh karena itu kami mencoba untuk selalu menjadi yang terdepan dalam hal originalitas gaya yang kami adopsi.
Tanya : Bagaimana pelayanan pihak tendencies terhadap customer? Jawab : Selama ini pelayanan kami terhadap customer kurang efektif, dikarenakan penyampaian secara visual item yang menjadi hot sales harus menunggu data dari divisi sales manager yang seringkali terlambat memberikan data-data tersebut.
Tanya : Bagaimana proses kegiatan transaksi yang berjalan di tendencies dan apakah hasil yang di dapat sudah sesuai dengan kebutuhan Bussines Director ? Jawab : Selama ini kegiatan kegiatan transaksi berjalan dengan menggunakan aplikasi reovta, Semua kegiatan dilakukan secara komputerisasi mulai dari pencatatan transaksi serta laporan. Akan tetapi masih diperlukan pengolahan data lebih lanjut untuk mendapatkan laporan yang
202
diinginkan oleh pihak BD untuk menentukan strategi yang diperlukan bagi tendencies.
Tanya : Dokumen apa saja yang digunakan dalam proses tersebut? Jawab : Dokumen yang dibutuhkan untuk proses tersebut adalah laporan penjualan dan transaksi serta laporan stock.
Tanya : Kendala apa yang dialami dalam proses tersebut.. Jawab : Kendala yang kami rasakan yaitu tidak adanya suatu sistem yang dapat membantu kegiatan tersebut dan masih harus dilakukan secara manual.
Note :
Boyke Vidykrisna Hutama Marketing Communication
203
DAFTAR PUSTAKA
Barry, A. J. Michael & Linoff, S. Gordon. 2004. Data Mining Techniques. Wiley Publishing, Inc. Indianapolis : xxiii + 615 hlm. Dharwiyanti, Sri, “Pengantar Unified Modelling Language (UML)”, Ilmu Komputer ; 2003 HM, Jogiyanto. 2005. Analisis & Desain SIstem Informasi : Pendekatan Terstruktur Teori dan Praktek Aplikasi Bisnis. Yogyakarta: Andi. Irmansyah, Faried. 2003. Pengantar Database. www.IlmuKomputer.com. Kadir, Abdul. 2003. Pengenalan Sistem Informasi. Penerbit Andi. Jakarta: v + 463 hlm. Kadir, Abdul. 2005. Dasar Pemograman Web dengan ASP.
Penerbit Andi.
Jakarta, ISBN:979-731-691-2. Kendall, Edward J & Kendall Julia A. 2005. System Analysis And Design Sixth Edition. Pearson Education, Inc. new Jersey : 714 hlm. Nugroho, Adi. 2005. Analisis & Perancangan SIstem Informasi dengan Metodologi Berorientasi Objek: Edisi Revisi. Bandung: Informatika. Pant, Somendra. 1995. Strategic Information Systems Planning: A Review. Atlanta:
1995
Information
Resources
Management
Association
International Conference. Pilone,Dan, “UML 2.0 in Nutshell”, O'Reilly ; 2005 Pressman, Roger S. 2003. Rekayasa Perangkat Lunak Pendekatan Praktisi-Buku Satu, Yogyakarta : Andi Yogyakarta : xx + 647 hlm.
204
Rizky Soetam. Panduan Belajar SQL Server 2005 Express Edition. 2008. ISBN: 978-602-8117-73-9. Prestasi Belajar Publisher. Satzinger, John W., System Analysis and Design Method In A Changing World Fifth Edition, 2009, Course Technology, Boston USA. Schach R., Stephen. 2005. Object-Oriented & Classical Software Engineering Sixth Edition. Mc Graw Hill (higher education). ISBN = 0-07-286551-2. Sommerville,Ian, “Software Engineering 7th edition”, 2004 Sukamto, Rosa A, “Rapid Application Development (RAD), Prototyping”, 2009 Whitten, Jeffrey L. 2004. Systems Analysis & Design Methods: Sixth Edition. New York: McGraw-Hill. Whitten, Jeffrey L. 2007. Systems Analysis & Design for the Global Enterprise: Seventh Edition. New York: McGraw-Hill.
