APLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI UNGGULAN PRODUK KERAJINAN TANGAN

Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015) Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015

Vol. 1, Oktober 2015 ISSN : 2460 – 4690

APLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI UNGGULAN PRODUK KERAJINAN TANGAN Lely Prananingrum1*, Budi Utami Fahnun2, Irman Junianto3, Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma Jl. Margonda Raya no.100 Depok, Indonesia Email:[email protected]

Abstrak Data Mining merupakan penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data dalam jumlah besar yang diharapkan dapat mengatasi kondisi tersebut. Data Mining sendiri memiliki beberapa teknik salah satunya aturan asosiatif (Association Rule). Algoritma apriori adalah algoritma pengambilan data dengan teknik aturan asosiatif (Association Rule) untuk menentukan hubungan asosiatif suatu kombinasi item. (Association Rule yang dimaksud dilakukan melalui mekanisme penghitungan support dan confidence dari suatu hubungan item. Sebuah rule asosiasi dikatakan interesting jika nilai support lebih besar dari minimum support dan juga nilai confidence lebih besar dari minimum confidence. Pada penelitian ini dibuat suatu Aplikasi Data Mining dengan algoritma apriori guna untuk mengelola data kerajinan tangan yang ada, dan juga menganalisis kemungkinan pertumbuhan produk-produk kerajinan tangan yang baru yang lebih unggul dengan melakukan klasisifikasi dari data-data kerajinan yang sudah ditemukan. Kata Kunci : Data Mining, Algoritma Apriori, Kerajinan Tangan, Jawa Barat.

1. PENDAHULUAN Potensi industri kreatif khususnya kerajinan belum tergali secara dalam. Kurangnya perhatian pemerintah terhadap sektor industri kreatif di Jawa Barat, membuat pelaku industri kreatif belum tumbuh secara maksimal. Belum terintegrasinya lokasi pengrajin, belum tersedianya akses informasi untuk melihat produk unggulan yang menjadi ciri khas suatu daerah, juga belum tersedianya sarana untuk menambah ilmu pengetahuan dalam menciptakan produk yang kreatitif, inovatif serta bernilai jual tinggi bagi pengrajin bisa menyebabkan industri kerajinan akan menurun karena para peminat kerajinan kesulitan dalam mengakses informasi untuk melihat bagaimana bentuk dan perkembangan produk unggulan masing masing daerah (Karyadi Yedi, 2013). Data Mining merupakan penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data dalam jumlah besar yang diharapkan dapat mengatasi kondisi tersebut. Data Mining sendiri memiliki beberapa teknik diantaranya aturan asosiasi. Teknik asosiasi terdiri dari beberapa metode, dan algoritma apriori adalah bagian dari metode asosiasi. Algoritma apriori adalah algoritma pengambilan data dengan aturan asosiatif1. (Association rule) untuk menentukan hubungan asosiatif suatu kombinasi item (Kusrini, 2007).

Association Rule yang dimaksud dilakukan melalui mekanisme penghitungan support dan confidence dari suatu hubungan item. Sebuah rule asosiasi dikatakan interesting jika nilai support adalah lebih besar dari minimum support dan juga nilai confidence adalah lebih besar dari minimum confidence. Algoritma apriori ini akan cocok untuk diterapkan bila terdapat beberapa hubungan item yang ingin dianalisa. Salah satunya bisa diterapkan dalam bidang promosi dan penentuan strategi pemasaran. Pengolahan data dan analisis data dengan menggunakan metode Association Rule untuk mengelola data kerajinan tangan yang ada, dan juga menganalisis produk kerajinan tangan yang paling unggul dengan melakukan klasifikasi dari data kerajinan yang sudah ditemukan di daerah Jawa Barat khususnya untuk wilayah kabupaten atau kota Bekasi, Bogor dan Sumedang. 2. METODE PENELITIAN Penelitian dapat di deskripsikan sebagai usaha yang sistematik dan terorganisasi untuk menyelidiki sebuah masalah spesifik yang terjadi di lingkungan pekerjaan dan memerlukan solusi. Metode yang digunakan pada penelitian ini yaitu : 1. Studi Pustaka Mengumpulkan data mengenai analisis sistem, mengumpulkan informasi mengenai

Lely Prananingrum1*, Budi Utami Fahnun2, Irman Junianto3, Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma

20


cara kerja proses data mining dalam memprediksi kerajinan tangan paling unggul di Jawa Barat khususnya untuk wilayah Bekasi, Bogor, Sumedang. Studi pustaka mengenai pengumpulan data dan informasi yang dibutuhkan dalam penulisan ini penulis dapatkan dari literatur buku, jurnal, serta situs di internet yang berhubungan dengan tema penelitian. 2. Studi Lapangan Untuk memperoleh data dan informasi tentang kerajinan yang ada di Jawa Barat, dilakukan Studi dengan cara mengunjungi tempat yang akan diteliti dan pengumpulan data dilakukan secara langsung. hal ini meliputi : a. Wawancara Wawancara adalah teknik pengumpulan data dengan cara mengadakan tanya jawab secara langsung dengan pihak Jabar Craft Center (JCC) dan pemilik usaha kerajinan. b. Observasi Observasi adalah teknik pengumpulan data dengan cara melakukan pengamatan secara langsung dan peninjauan langsung terhadap permasalahan yang diambil .  Hasil penelitian ini sebagai dasar acuan untuk menganalisis teknik data mining yang sedang berjalan ataupun teknik data mining yang dibutuhkan dalam memprediksi kerajinan tangan paling unggul di Jawa Barat untuk wilayah Bekasi, Bogor dan Sumedang 3. PEMBAHASAN  3.1 Algoritma Apriori Algoritma apriori adalah sebuah algoritma pencarian pola yang sangat populer dalam teknik penambangan data (data mining). Algoritma ini ditujukan untuk mencari kombinasi itemset yang mempunyai suatu nilai keseringan tertentu sesuai kriteria atau filter yang diinginkan. Algoritma ini diajukan oleh R. Agrawal dan R. Srikant tahun 1994. Hasil dari algoritma apriori dapat digunakan untuk membantu dalam pengambilan keputusan pihak manajemen. Algoritma apriori melakukan pendekatan iteratif yang dikenal dengan pencarian level-wise, dimana k-itemset digunakan untuk mengeksplorasi atau menemukan (k+1)-itemset. Oleh karena itu, algoritma apriori dibagi menjadi beberapa tahap yang disebut iterasi. Tiap iterasi menghasilkan pola frekuensi tinggi (frequent itemset).  3.2 Analisa Asosiasi dengan Algoritma Apriori Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan asosiatif antara suatu

Vol. 1, Oktober 2015 ISSN : 2460 – 4690

kombinasi item. Contoh dari aturan asosiatif dari analisis pembelian di suatu toko adalah mengetahui besarnya kemungkinan seorang pelanggan untuk membeli roti bersamaan dengan keju. Dengan pengetahuan tersebut, pemilik toko bisa mengatur penempatan produknya atau merancang promosi pemasaran menggunakan kupon diskon untuk kombinasi produk tertentu. Analisis asosiasi menjadi terkenal karena aplikasinya untuk menganalisis isi keranjang belanjaan di pasar swalayan. Analisis asosiasi juga sering disebut dengan istilah market basket analysis. Analisis asosiasi dikenal juga sebagai salah satu teknik data mining yang menjadi dasar dari berbagai teknik data mining lainnya. Khususnya, salah satu tahap dari analisis asosiasi yang disebut analisis pola frekuensi tinggi (frequent pattern mining) yang menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien. Dalam menentukan suatu association rule, terdapat suatu interestingness measure (ukuran ketertarikan) yang didapatkan dari hasil pengolahan data dengan perhitungan tertentu. Umumnya ada dua ukuran, yaitu: Support (nilai penunjang/pendukung) Suatu ukuran yang menunjukkan seberapa besar tingkat dominasi suatu item/itemset dari keseluruhan transaksi. Ukuran ini menentukan apakah suatu item/itemset layak untuk dicari confidence-nya (missal dari keseluruhan transaksi yang ada, seberapa besar tingkat dominasi yang menunjukkan bahwa item A dan B dibeli bersamaan). Confidence (nilai kepastian/keyakinan) Suatu ukuran yang menunjukkan hubungan antar 2 item secara conditional (misal, seberapa sering item B dibeli jika orang membeli item A). Kedua ukuran ini nantinya berguna dalam menentukan interesting association rules, yaitu untuk dibandingkan dengan batasan (threshold) yang ditentukan oleh user. Batasan tersebut umumnya terdiri dari min_support dan min_confidence, dimana hal tersebut ditempuh dengan cara sebagai berikut : Mencari semua frequent itemset yaitu itemset dengan nilai support ≥ minimum support yang merupakan ambang batas yang diberikan oleh user. Dimana itemset itu merupakan himpunan item yaitu kombinasi produk yang dibeli. Mencari aturan asosiasi yang confidence dari frequent itemset yang didapat. Sedangkan tahap selanjutnya adalah mencari rule-rule yang sesuai dengan target user yang didapat dari proses association rule mining sebelumnya. Rule-rule yang didapat mendeskripsikan kombinasi itemset yang dijadikan pertimbangan di dalam membuat kesimpulan.


21




Vol. 1, Oktober 2015 ISSN : 2460 – 4690

Secara terperinci, berikut adalah langkahlangkah proses pembentukan Association Rule dengan algoritma apriori : Iterasi pertama support dari setiap item dihitung dengan menscan database. Support disini artinya jumlah transaksi dalam database yang mengandung satu item dalam C1. Setelah support dari setiap item didapat, Kemudian nilai support tersebut dibandingkan dengan minimum support yang telah ditentukan, jika nilainya lebih besar atau sama dengan minimum support maka itemset tersebut termasuk dalam large itemset. Item yang memiliki support di atas minimum support dipilih sebagai pola frekuensi tinggi dengan panjang 1 atau sering disebut Large 1itemset atau disingkat L1.

mengandung A dan

 Iterasi kedua menghasilkan 2-itemset yang tiap set-nya memiliki dua item. sistem akan menggabungkan dengan cara, kandidat 2-itemset atau disingkat C2 dengan mengkombinasikan semua candidat 1-itemset (C1). Lalu untuk tiap item pada C2 ini dihitung kembali masing-masing support-nya. Setelah support dari semua C2 didapatkan, Kemudian dibandingkan dengan minimum support. C2 yang memenuhi syarat minimum support dapat ditetapkan sebagai frequent itemset dengan panjang 2 atau Large 2itemset (L2). Itemset yang tidak termasuk dalam large itemset atau yang tidak memenuhi nilai minimum support tidak diikutkan dalam iterasi selanjutnya (di prune). Setelah itu dari hasil frequent itemset atau termasuk dalam Large 2-itemset tersebut, dibentuk aturan asosiasi (association rule) yang memenuhi nilai minimum support dan confidence yang telah ditentukan. 3.3 Metodologi Dasar Analisis Asosiasi

1.

Analisis Pola Frekuensi Tinggi Tahapan ini mencari kombinasi item yang2. memenuhi syarat minimum dari nilai support dalam database. Nilai support sebuah item diperoleh dengan rumus berikut: 3.

Keterangan : JT(A)= Jumlah transaksi yang A T = Total Transaksi Sedangkan nilai support dari 2 item diperoleh dari rumus 2 berikut:

4.

5.

B T = Total Transaksi Pembentukan Aturan Assosiatif Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif A -> B. Nilai confidence dari aturan A -> B diperoleh dari rumus berikut:

Keterangan : JT (A -> B) = Jumlah transaksi yang mengandung A dan B ID Transaksi 1

Item yang dibeli

Anyaman Pandan, Glass Painting, Lampu Hias, Kursi Rotan, Tas Kulit Ular 2 Glass Painting, Lampu Hias 3 Anyaman Pandan, Glass Painting, Ukiran dari Batu 4 Glass Painting, Anyaman Pandan, Boneka Kain 5 Anyaman Pandan, Ukiran dari Batu, Keramik JT = Jumlah transaksi yang mengandung A Sebagai contoh ambil suatu data transaksi seperti pada tabel berikut. Table 2.1 Contoh Daftar Transaksi Berdasarkan Tabel 2.1, terdapat definisidefinisi dari association rule, yaitu. I adalah himpunan yang tengah dibicarakan Contoh : { Anyaman Pandan, Boneka Kain, Glass Painting, …., Ukiran dari Batu } D adalah Himpunan seluruh transaksi yang tengah dibicarakan Contoh : {Transaksi 1, transaksi 2, …, transaksi 5} Itemset adalah Himpunan item atau item-item di I Contoh : Ada suatu himpunan X ={A,B,C} Itemset nya :{A};{B}:{C};{A,B};{A,C};{B,C};{A,B,C} K- itemset adalah Itemset yang terdiri dari k buah item yang ada pada I. Intinya k itu adalah jumlah unsur yang terdapat pada suatu Himpunan. Contoh : 3-itemset adalah yang bersifat 3 unsur Frequent itemset adalah itemset yang muncul sekurang-kurangnya “sekian” kali di D. Kata “sekian” biasanya di simbolkan dengan Ф. Ф merupakan batas minimum dalam suatu transaksi.

Keterangan : JT (A-> B) = Jumlah transaksi yang Lely Prananingrum1*, Budi Utami Fahnun2, Irman Junianto3, Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma

22


6.

Contoh: Pertama tentukan Ф = 3, karena jika tidak ditentukan maka frequent itemset tidak dapat di hitung. Jika Ф = 3 untuk {Anyaman Pandan, Glass Painting}. Jika dihitung maka jumlah transaksi yang membeli Anyaman Pandan sekaligus membeli Glass Painting adalah 3. Karena 3 >= 3 maka {Anyaman Pandan, Glass Painting} merupakan frequent Itemset. Fk adalah Himpunan semua frequent itemset yang terdiri dari k-item.

Vol. 1, Oktober 2015 ISSN : 2460 – 4690

Pada Data Flow Diagram (DFD) level ini, proses yang terjadi pada DFD konteks atau proses yang ditunjukkan pada gambar 3.1 dikembangkan menjadi lebih terperinci, yang akan diperlihatkan pada gambar 3.2 berikut ini.

Analisis Data Analisa data dilakukan setelah data terkumpul dan sesuai dengan kebutuhan. Oleh sebab itu, untuk menghasilkan kesimpulan berdasarkan aturan (rule) pada analisis data, diperlukan data transaksi yang telah dibeli konsumen. Analisis data tersebut dilakukan berdasarkan teknik aturan asosiasi menggunakan algoritma apriori dengan beberapa iterasi. Data yang diambil merupakan data transaksi yang masuk dan keluar di Dekranasda Provinsi Jawa Barat khususnya yang bertempat di Jabar Craft Center (JCC) pada bulan Februari tahun 2013. Data tersebut adalah data yang mewakili keseluruhan data transaksi khususnya untuk wilayah kabupaten atau kota Bekasi, Bogor dan Sumedang. Gambar 3.2 DFD Level -1 Perancangan Data Flow Diagram Konteks (DFD) Level - 0

Data Flow Diagram (DFD) Level – 2 Pada Data Flow Diagram (DFD) level 2 ini, proses yang terjadi pada DFD level - 1 yaitu pada proses data mining dikembangkan menjadi lebih terperinci, yang akan diperlihatkan pada gambar 3.3 berikut ini.

Gambar 3.1 DFD Level – 0 Pada DFD level - 0 ini diperlihatkan proses masukan dan keluaran (input/output). Proses yang terjadi bermula dari user memasukkan data transaksi ke dalam sistem data mining, kemudian memproses dengan beberapa iterasi yang dilakukan menggunakan algoritma apriori. Yang akhirnya menghasilkan association rule yang itemnya saling berhubungan atau berkolerasi dan berdasarkan rule tersebut user mendapatkan informasi berupa kombinasi produk atau item yang sering dibeli oleh konsumen. Data Flow Diagram (DFD) Level - 1 Lely Prananingrum1*, Budi Utami Fahnun2, Irman Junianto3, Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma

23


Gambar 3.3 DFD Level – 2

Gambaran Alur Kerja (Flowchart) Sistem

Vol. 1, Oktober 2015 ISSN : 2460 – 4690

Entity Relationship Diagram (ERD) Entitas (entity) adalah suatu objek di dunia nyata yang memiliki atribut atau hal-hal yang berkaitan yang dapat dijadikan sebuah data. Hubungan (relationship) adalah aliran antar entitas yang didefinisikan untuk menyatakan keterhubungan satu entitas dengan entitas lainnya. Berikut ini adalah ERD yang merepresentasikan basis data pada aplikasi ini: M/N Barang

Nama Field

Type

Length

Key

Id

Int

2

*

username

varchar

30

password

varchar

30

Transaksi

Kd_barang

Kd_transaksi

Nm_barang

Kd_barang

Kab_kota

Nm_barang

Keteranga n Kode Barang Nama Barang Kabupaten /Kota

Kab_kota

Gambar 3.5 ERD

Perancangan Basis Data Perancangan basis data ini berupa perancangan struktur table barang dan struktur table transaksi. Struktur Tabel Berikut adalah table-tabel yang terdapat dalam basis data yang digunakan dalam aplikasi.  Struktur Tabel Admin Tabel ini berguna untuk menyimpan data admin, dengan struktur seperti pada table dibawah ini Tabel 3.1 Struktur Tabel Admin Tabel ini berguna untuk menyimpan data produk, dengan struktur seperti pada table dibawah ini Struktur Tabel Transaksi. Gambar 3.4 Flowchart Sistem


24


Nama Field kd_bar ang nm_bar ang kab_ko ta

Ke y

Vol. 1, Oktober 2015 ISSN : 2460 – 4690

Type

Length

Keterangan

varcha r text

5

Kode Barang

Gambar 3.6 Struktur Navigasi Aplikasi Data Mining

30

Nama Barang

text

30

Kabupaten/Ko ta

Perancangan Tampilan Aplikasi Pada tahap ini, akan dibahas mengenai perancangan awal tampilan aplikasi. Tampilan Akses Masuk Program login program adalah tampilan awal yang muncul pada saat aplikasi pertama dijalankan bersamaan dengan tampilan menu utama, seperti pada gambar di bawah ini.

Tabel 3.2 Struktur Tabel Barang  Tabel ini berguna untuk menyimpan data penjualan produk, dengan struktur seperti pada

Label 1

Input 1

Nama Field

Type varchar

Leng th 5

Ke y *

kd_transak si kd_barang nm_barang kab_kota

varchar text text

5 30 30

**

Keterangan Input 2

Kode Transaksi Kode Barang Nama Barang Kabupaten/K ota

tabel dibawah ini. Tabel 3.3 Struktur Tabel Transaksi

Button 1

Gambar 3.7 Tampilan Halaman Masuk Tampilan Menu Beranda

Perancangan Struktur Navigasi Aplikasi Data Mining

Berikut adalah gambar perancangan menu utama yang akan muncul setelah pengguna berhasil login, menu yang ada akan tampil seperti gambar berikut.

Butt on 1

Button 2

Logo

Image1

Masuk

Image2

Menu 1

Menu 2

Beranda

Menu 3

Label1

... ... Label2

Data Barang

Data Transaksi

Data Mining

Bantuan

Tentang

Gambar 3.8 Tampilan Menu Beranda Keluar


25


Tampilan Menu Data Barang Rancangan form ini berguna untuk memasukkan data barang ke dalam sistem, seperti pada gambar di bawah ini. Butt on 1

Button 2

Logo

Image

Label 1

Label 2 Button 3

Button 4

Combo Box

Menu 1

Input

Vol. 1, Oktober 2015 ISSN : 2460 – 4690

Gambar 3.11 Tampilan Menu Data Mining Tampilan Menu Bantuan Berikut merupakan rancangan tampilan pada menu bantuan yang menjelaskan tentang fungsi dan kegunaan menu atau tombol yang terdapat pada aplikasi Butt on 1

Button 2

Logo

Image1

Label1

Menu 2 Tabel

Label2

Menu 1

Menu 3 Menu 2

Menu 3

...

Paginati on

Label 3

...

... ...

Label 4

Label3

Gambar 3.9 Tampilan Data Barang Tampilan Menu Data Transaksi Tampilan dirancang untuk menampilkan daftar data transaksi yang akan atau telah dimasukan oleh pengguna, dengan tampilan seperti pada gambar di bawah ini. Butt on 1

Button 2

Logo

Butt on 1

Label 2

Button 2

Logo

Button 4

Combo Box

Input

Image2

Button 3

Menu 1

Tampilan Menu Tentang Berikut rarncangan tampilan menu tentang yang menjelaskan tentang aplikasi.

Image1

Image

Label 1

Gambar 3.12 Tampilan Menu Bantuan

Menu 1

Menu 2

Menu 2 Tabel

Menu 3

Label1

Menu 3 ...

...

Paginati on

Label 3

...

... Label2

Label 4

Gambar 3.13 Tampilan Menu Tentang

Gambar 3.10 Tampilan Data Transaksi Tampilan Menu Data Mining Berikut adalah perancangan tampilan yang terdapat pada menu data mining yang menampilkan hasil dari proses data mining. Butt on 1

Button 2

Logo

Image

Label 1

Tampilan Halaman Tambah Halaman tambah merupakan halaman ketika pengguna ingin menambahkan data barang atau data transaksi ke dalam basis data.

Label 2

Butt on 1

Menu 1

Combo Box

Button 2

Logo

Input Image1

Label1

Menu 2 Tabel

Label2

Input1

Label3

Input2

Label4

Input3

Menu 1

Menu 3

Menu 2

...

Paginati on

Label 3

Menu 3

...

Button3

Label 4

Button4

...

Lely Prananingrum1*, Budi Utami Fahnun2, Irman Junianto3, ... Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma

Label5

26


Vol. 1, Oktober 2015 ISSN : 2460 – 4690

Gambar 4.1 Menu Akses Masuk Gambar 3.14 Tampilan Halaman Tambah Menu Beranda Halaman beranda akan tampil ketika pengguna memasukan username dan password dengan benar, maka akan masuk pada halaman beranda yang merupakan halaman pertama yang akan dilihat oleh pengguna terdapat dalam aplikasi yang dirancang seperti berikut:

Tampilan Halaman Ubah Halaman ubah merupakan halaman ketika pengguna ingin mengubah data barang atau data transaksi yang sudah ada dalam basis data. Butt on 1

Button 2

Logo

Image1

Label1

Label2

Input1

Label3

Input2

Menu 1

Menu 2 Input3

Label4 Menu 3 Button3

Button4

... ... Label5

Gambar 3.15 Tampilan Halaman Ubah 4. IMPLEMENTASI ANTAR MUKA Menu Akses Masuk Halaman ini tampil pertama sekali saat sistem dijalankan. Halaman akses dapat dilihat pada gambar di bawah. Gambar 4.2 Menu Beranda Menu Data Barang Halaman ini digunakan untuk memasukkan data barang ke dalam basis data sistem, implementasi dari tampilan dapat dilihat pada gambar dibawah ini.

Gambar 4.3 Menu Data Barang 1*

2

3

Lely Prananingrum , Budi Utami Fahnun , Irman Junianto , Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma

27


Vol. 1, Oktober 2015 ISSN : 2460 – 4690

Menu Data Transaksi Halaman menu data transaksi digunakan untuk memasukkan data transaksi ke dalam basis data sistem, dengan implementasi seperti pada gambar di bawah ini. Gambar 4.6 Tampilan Menu Bantuan Menu Tentang Halaman ini menjelaskan tentang aplikasi, dengan implementasi seperti pada gambar di bawah ini.

Gambar 4.4 Menu Data Transaksi Menu Data Mining Halaman menu data mining digunakan untuk menampilkan hasil proses data mining, dengan implementasi seperti pada gambar di bawah ini. Gambar 4.7 Menu Tentang

Gambar 4.5 Menu Data Mining Menu Bantuan Halaman menu bantuan menjelaskan fungsi yang ada dalam aplikasi, dengan implementasi seperti pada gambar di bawah ini

PENUTUP Kesimpulan Berdasarkan hasil penelitian dan pengujian aplikasi baik dengan uji mandiri maupun dengan kuisioner yang telah disebar ke beberapa responden mendapatkan nilai presentasi sebesar 86,1% menunjukkan bahwa aplikasi sudah berhasil dibuat untuk pencatatan data barang dan data transaksi. Menganalisis dan diimplementasikan dengan algoritma apriori untuk mendapatkan asosiasi antar barang pada analisis barang dari data-data yang berhasil dikumpulkan. Dari hasil asosiasi yang dihasilkan dapat membantu untuk mengetahui kebiasaan pembeli. Sehingga dapat digunakan untuk merencanakan strategi penjualan berdasarkan jenis barang yang tingkat konsumsinya tinggi serta dapat membantu merancang peletakkan produk, merancang dan lain-lain. Saran Kesempurnaan dari sistem selalu bersifat relatif berdasarkan cara pandang dan konsep dari setiap pemikiran yang berbeda serta memiliki alur yang bervariasi. Sistem pencatatan dan analisis ini dilakukan sebagai usaha dalam hal perbaikan dan pengembangan sistem khususnya pencatatan transaksi barang pada toko kerajinan tersebut. Selanjutnya sistem dapat dikembangkan oleh setiap staf pengurus toko kerajinan khususnya


28


Vol. 1, Oktober 2015 ISSN : 2460 – 4690

yang menekuni cabang sistem informasi. Untuk itu dalam tugas akhir ini menyarankan agar staf pengurus dapat mengembangkan sistem tersebut dalam pengembangan yang dilakukan menggunakan algoritma lain yang sejenis.

DAFTAR PUSTAKA 1. Bunafit Nugroho. 2004. Aplikasi Pemrograman Web Dinamis dengan PHP dan MySQL. Yogyakarta: Gava Media. 2. Connolly, Thomas M. and Carolyn E. Begg. 2005. Database System : A Practical Approach to Design, Implementation, and Management Fourth Edition. USA: Addison Wesley, Longman Inc., 3. Hoffer, Jeffrey A., Prescott, Mary B. dan McFadden, Fred R. 2002. Modern Database Management, Sixth Edition. Prentice Hall, New Jersey. 4. Kusrini, & Emha Taufiq Luthfi. 2009. Algoritma - Data Mining. Yogyakarta : Penerbit Andi. 5. Karyadi, Yedi. 2013. Industri Kreatif Butuh Perhatian. Suara Karya Online : publikasi tanggal Jumat, 22 Februari 2013. http://www.suarakaryaonline.com/news.html?id=321841. Bandung. 6. Marshall B. Romney, Paul John Steinbart. 2006. Accounting Information System, Ninth Edition, Prentice Hall 7. McLeod, Raymond Jr. and Schell, George. 2004. Sistem Informasi Manajemen. Eighth Ediotion. Prentice-Hall, Inc. PT INDEKS, Jakarta 8. Kusrini, & Emha Taufiq Luthfi. 2009. Algoritma - Data Mining. Yogyakarta : Penerbit Andi. 9. Wahyu Eko Tyas D. 2008. Penerapan metode association rule menggunakan algoritma apriori untuk analisa pola data hasil tangkapan ikan. Jurnal Program Studi Ilmu Komputer, Universitas Brawijaya Malang.


29

APLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI UNGGULAN PRODUK KERAJINAN TANGAN

Recommend Documents