BAB II TINJAUAN PUSTAKA

ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA

BAB II TINJAUAN PUSTAKA

2.1 Konsep Dasar Sistem Informasi Sistem informasi didefinisikan Oetomo (2002) sebagai kumpulan elemen yang saling berhubungan satu sama lain yang membentuk satu kesatuan untuk mengintegrasikan data, memproses dan menyimpan serta mendistribusikan informasi. Sedangkan Indrajit (2000) mendefinisikan sistem informasi sebagai suatu kumpulan dari komponen-komponen dalam perusahaan atau organisasi yang berhubungan dengan proses penciptaan dan pengaliran informasi. Sistem ini menyimpan, mengambil, mengubah, mengolah dan mengkomunikasikan informasi yang diterima sehingga organisasi dapat mencapai tujuan yang dicapai. Sistem Informasi ini memiliki beberapa tujuan sebagai berikut : 1. Menyediakan informasi untuk membantu pengambilan keputusan manajemen dan juga layak untuk pemakai pihak luar. 2. Membantu petugas didalam melaksanakan operasi perusahaan dari hari ke hari. 2.2 Konsep Sistem Pendukung Keputusan Konsep Sistem Pendukung Keputusan (SPK) pertama kali diungkapkan pada awal tahun 1970-an oleh Michael S. Scott Morton dengan istilah Management Decision Sistem. Sistem tersebut adalah suatu sistem yang berbasis komputer yang ditujukan untuk membantu pengambil keputusan dengan

8 SKRIPSI

RANCANG BANGUN SISTEM ...

NAMBI SEMBILU


9

memanfaatkan data dan model tertentu untuk memecahkan berbagai persoalan yang tidak terstruktur.Istilah SPK mengacu pada suatu sistem yang memanfaatkan dukungan komputer dalam proses pengambilan keputusan. 2.2.1 Komponen Sistem Pendukung Keputusan Aplikasi Sistem Pendukung Keputusan terdiri dari beberapa komponen yaitu : 1. Manajemen data Manajemen data memasukkan satu database yang berisi data yang relevan untuk situasi dan dikelola oleh perangkat lunak yang disebut database management sistem (DBMS). Manajemen data dapat diinterkoneksikan dengan data warehouse perusahaan, suatu repisitori untuk data perusahaan yang relevan untuk mengambil keputusan. 2. Manajemen model Manajemen

model

merupakan

paket

perangkat

lunak

yang

memasukkan beragai macam model, diantaranya adalah model keuangan, statistic, ilmu manajemen, atau model kuantitatif lainnya yang memberikan kemampuan analitik dan manajemen perangkat lunak yang tepat. Bahasa – bahasa pemodelan untuk membangun model – model yang sesuai juga dimasukkan. Perangkat lunak ini disebut sistem manajemen basis model. 3. Antar muka antarmuka

penguna

memungkinkan pengguna

berkomunikasi

dan

memerintahkan sistem pendukung keputusan. Browser web memberikan struktur antarmuka pengguna grafis yang familier dan konsisten. Istilan

SKRIPSI


NAMBI SEMBILU


10

antarmuka pengguna mencakup semua aspek komunikasi antara pengguna dengan sistem. Cakupannya tidak hanya perangkat keras dan perangkat lunak saja, tetapi juga faktor – faktor yang berkaitan dengan kemudahan penggunaan, kemampuan untuk dapat diakses, dan interaksi manusia – mesin. 4. Manajemen berbasis pengetahuan Sistem ini dapat mendukung semua sistem lain atau bertindak sebagai komponen

independent.

Sistem

ini

memberikan

intelegensi

untuk

memperbesar pengetahuan pengambilan keputusan. Sistem ini dapat diinterkoneksikan

dengan

repositori

perusahaan

yang

disebut

basis

pengetahuan organisasional. Model konseptual SPK dapat dilhat Gambar 2.1 (Subekti, 2002) :

Sumber : (Turban, 2000) Gambar 2.1 Model Konseptual SPK

SKRIPSI


NAMBI SEMBILU


11

2.3 Konsep Data Mining Data mining adalah serangkaian proses untuk menggali nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari suatu basisdata. Informasi yang dihasilkan diperoleh dengan cara mengekstraksi dan mengenali pola yang penting atau menarik dari data yang terdapat dalam basisdata. Datamining terutama digunakan untuk mencari pengetahuan yang terdapat dalam basis data yang besar sehingga sering disebut Knowledge Discovery in Databases (KDD). Proses pencarian pengetahuan ini menggunakan berbagai teknik-teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksikannya. Proses pencarian bersifat iteratif dan interaktif untuk menemukan pola atau model yang sahih, baru, bermanfaat, dan dimengerti. Dalam penerapannya dataminig memerlukan berbagai perangkat lunak analisis data untuk menemukan pola dan relasi data agar dapat digunakan untuk membuat prediksi dengan akurat. Kehadiran data mining dilatar belakangi oleh berlimpahnya data (overload data) yang dialami oleh berbagai institusi, perusahaan atau organisasi. Berlimpahnya data ini merupakan akumulasi data transaksi yang terekam bertahun-tahun.. Data–data tersebut merupakan data transaksi yang umumnya diproses menggunakan aplikasi komputer yang biasa disebut dengan OLTP (On Line Transaction Processing). Data mining juga dilatarbelakangi oleh atau adanya ledakan informasi (explotion information) dari berbagai media terutama internet. Delapan puluh persen informasi yang disajikan media internet dalam bentuk tak

SKRIPSI


NAMBI SEMBILU


12

terstruktur (unstructured information). Media internet menyajikan informasi dalam berbagai format file, bahasa, dan bentuk penyajian seperti teks, gambar, suara ataupun video. Kendala lain yang melatara belakangi adalah tidak dilengkapinya informasi dengan metadata yang terstandarisasi atau bahkan tidak menyertakannya

samasekali.

Pertumbuhan

yang

pesat

dari

akumulasi

data/informasi itu telah menciptakan kondisi dimana suatu institusi memiliki bergunung-gunung data tetapi miskin informasi yang bermaanfaat (“rich of data but poor of information”). Tidak jarang “gunung” data itu dibiarkan begitu saja seakanakan menjadi “kuburan data” (data tombs). Pertanyaannya sekarang, apakah gunung data tersebut akan dibiarkan, tidak berguna lalu dibuang, ataukah dapat ditambang untuk menemukan “emas” yaitu informasi yang lebih bermanfaat. Jawabnya ya, data mining hadir untuk menjawab tantangan tersebut. Pemanfaatan data mining dapat dilihat dari dua sudut pandang, yaitu sudut pandang komersial dan sudut pandang keilmuan. Dari sudut pandang komersial, pemanfaatan dataming dapat digunakan dalam menangani meledaknya volume data. Bagaimana mana menyimpannya, mengestraknya serta memanfaaatkannya. Berbagai teknik komputasi dapat digunakan menghasilkan informasi yang dibutuhkan. Informasi yang dihasilkan menjadi asset untuk meningkatkan daya saing suatu institusi. 2.3.1 Proses pada Data Mining Data mining merupakan salah satu metode alternatif yang dapat digunakan untuk mengolah data mentah, ketika metode konvensional tidak fisibel untuk dilakukan karena besarnya volume data yang diolah. Hal ini dapat terjadi karena

SKRIPSI


NAMBI SEMBILU


13

datamining memiliki kemampuan mereduksi data baik melalui teknik katalogisasi, klasifikasi maupun segementasi. Data mining sesunggunghnya merupakan salah satu rangkaian dari proses pencarian pengetahuan pada database KDD. KDD berhubungan dengan teknik integrasi dan penemuan ilmiah, interprestasi dan visualisasi dari pola-pola sejumlah kumpulan data. KDD adalah keseluruhan proses non-trivial untuk mencari dan mengidentifikasi pola (pattern) dalam data, dimana pola yang ditemukan bersifat sah, baru, dapat bermanfaat dan dapat dimengerti. Serangkaian proses tersebut yang memiliki tahap sebagai berikut (Tan, 2004): 1. Pembersihan data dan integrasi data (cleaning and integration) Proses ini digunakan untuk membuang data yang tidak konsisten dan bersifat noise dari data yang terdapat diberbagai basisdata yang mungkin berbeda format maupun platform yang kemudian diintegrasikan dalam satu database datawarehouse. 2. Seleksi dan transformasi data (selection and transformation) Data yang terdapat dalam database datawarehouse kemudian direduksi dengan berbagai teknik. Proses reduksi diperlukan untuk mendapatkan hasil yang lebih akurat dan mengurangi waktu komputasi terutama utuk masalah dengan skala besar (large scale problem). Beberapa cara seleksi, antra lain: 

Sampling, adalah seleksi subset representatif dari populasi data yang besar.

SKRIPSI


NAMBI SEMBILU




14

Denoising, adalah proses menghilangkan noise dari data yang akan ditransformasikan



Feature extraction, adalah proses membuka spesifikasi data yang signifikan dalam konteks tertentu

Transformasi data diperlukan sebagai tahap pre-procecing, dimana data yang diolah siap untuk ditambang. Beberapa cara transformsi, antara lain (Santosa, 2007): 

Centering, mengurangi setiap data dengan rata-rata dari setiap atribut yang ada.



Normalisation, membagi setiap data yang dicentering dengan standar deviasi dari atribut bersangkutan.



Scaling, mengubah data sehingga berada dalam skala tertentu.

Sumber : M.Kamber, 2001 Gambar 2.2 Tahap-tahap Knowledge Discovery in Database

SKRIPSI


NAMBI SEMBILU


15

3. Penambangan data (data mining) Data-data yang telah diseleksi dan ditransformasi ditambang dengan berbagai teknik. Proses data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan fungsifungsi tertentu. Fungsi atau algoritma dalam data mining sangat bervariasi.Pemilihan fungsi atau algoritma yang tepat sangat bergantung pada tujuan dan proses pencaraian pengetahuan secara keseluruhan. 4. Evaluasi pola dan presentasi pengetahuan Tahap ini merupakan bagian dari proses pencarian pengetahuan yang mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesa yang ada sebelumnya. Langkah terakhir KDD adalah mempresentasikan pengetahuan dalam bentuk yang mudah dipahami oleh pengguna. 2.4. Teorema Bayes Seorang ahli matematika Inggris bernama Thomas Bayes (1702-1761) , telah mengembangkan suatu teori untuk menghitung probabilitas tentang sebabsebab terjadinya suatu kejadian berdasarkan pengaruh yang dapat diperoleh sebagai hasil observasi. Sejak perang dunia kedua telah berkembang apa yang disebut “Bayesian decision theory” yaiut teori keputusan berdasarkan perumusan Thomas Bayes, yang bertujuan untu memecahkan masalah pembuatan keputusan yang mengandung ketidakpastian (decision making under uncertainty).

SKRIPSI


NAMBI SEMBILU


16

Probabilitas tentang sebab-sebab terjadinya suatu kejadian berdasarkan pengaruh yang dapat diperoleh sebagai hasil observasi. Kejadian tersebut menyangkut probabilitas yang disebut probabilitas posterior yaitu probabilitas yang dihitung berdasarkan informasi yang diperoleh dari hasil observasi dan disebut probabilitas prior yaitu probabilitas yang perhitungan nilainya tidak didasarkan atas informasi dari observasi (Ronald,1997). Probabilitas posterior merupakan probabilitas bersyarat, dimana syaratnya berupa informasi baru sebagai hasil observasi , sedangkan probalitas prior merupakan probabilitas tidak bersyarat. Misalkan X adalah sebuah data sampel yang tidak diketahui label kelasnya. Dan H adalah sebuah hipotesis, bahwa data sampel X termasuk ke dalam kelas C yang sudah ditentukan sebelumnya. Pada klasifikasi ini akan menentukan P(H|X) probabilitas hipotesis H jika diketahui data sampel X. P(H|X) adalah probabilitas posterior H bersyarat X. Misalnya sampel data yang terdiri dari buah-buahan yang digambarkan dengan warna dan bentuknya. Diketahui bahwa X berwarna merah dan bulat, dan H adalah hipotesis bahwa X adalah apel. Maka P(H|X) telah diketahui bahwa X adalah apel jika dilihat dari warna dan bentuknya adalah merah dan bulat. Sebaliknya P(H) adalah probabilitas prior. Dari contoh diatas, dapat diartikan probabilitas untuk setiap data sample yang diberikan adalah apel, tanpa memperhatikan data sampel tersebut terlihat. Probabilitas posterior, P(H|X) adalah probabilitas yang berdasarkan informasi dari probabilitas prior P(H) yang tidak tergantung pada X.

SKRIPSI


NAMBI SEMBILU


17

Demikian pula, P(X|H) adalah probabilitas posterior X yang bersyaratkan H. Artinya , probabilitas X merah dan bulat yang sudah diketahui bahwa X adalah apel.P(X) adalah probabilitas prior dari X. Hal tersebut didapat dari data sampel buah-buahan yang berbentuk bulat dan merah. Sehingga P(X) , P(H) dan P(X|H) dapat diestimasikan dari data yang sudah diberikan, seperti yang diketahui sebelumnya. Teori Bayes sangat berguna untuk menghitung

probabilitas

posterior P(H|X) berdasarkan P(X|H), P(H) dan P(X) . Persamaan Teori Bayes tersebut PH X  

2.4.1

PX H PH  P X 

(2.1)

Klasifikasi Naive Bayes Klasifikasi Naive Bayes merupakan metode terbaru yang digunakan untuk

memprediksi probabilitas. Algoritma ini memanfaatkan teori probabilitas yang dikemukakan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi probabilitas dimasa depan berdasarkan pengalaman dimasa sebelumnya. Dua kelompok peneliti, satu oleh Pantel dan Lin tahun 1998, dan yang lain oleh Microsoft Research memperkenalkan metode statistik bayesian. Tetapi yang membuat Naive Bayesian ini popular adalah pendekatan yang dilakukan oleh Paul Graham tahun 2002. Banyak aplikasi menghubungkan antara atribut set dan variabel kelas yang non deterministic. Dengan kata lain, label kelas test record tidak dapat diprediksi dengan peristiwa tertentu meski atribut set identik dengan beberapa contoh training. Situasi ini makin meningkat karena noisy data atau kehadiran faktor confounding tertentu yang mempengaruhi klasifikasi tetapi tidak termasuk di dalam analisis. Sebagai contoh, perhatikan tugas memprediksi apakah

SKRIPSI


NAMBI SEMBILU


18

seseorang beresiko terkena penyakit hati berdasarkan diet yang dilakukan dan olahraga teratur. Meski mempunyai pola makan sehat dan melakukan olahraga teratur, tetapi masih beresiko terkena penyakit hati karena faktor-faktor lain seperti keturunan, merokok, dan penyalahgunaan alkohol. Untuk menentukan apakah diet sehat dan olahraga teratur yang dilakukan seseorang adalah cukup menjadi subyek interpretasi, yang akan memperkenalkan ketidakpastian pada masalah pembelajaran. Klasifikasi Naive Bayes Adalah metode yang berdasarkan probabilitas dan Teorema Bayesian dengan asumsi bahwa setiap variabel bersifat bebas (independence) dan mengansumsikan bahwa keberadaan sebuah fitur (variabel) tidak ada kaitannya dengan beradaan fitur (variabel) yang lain. Naïve Bayes adalah model penyederhanaan dari metode bayes. Naive Bayes inilah yang digunakan di dalam macine learning sebagai metode untuk mendapatkan hipotesis untuk suatu keputusan. Klasifikasi Naive Bayes dapat digunakan pada langkahlangkah berikut (Han, Kamber, 2009) : 1.

Setiap data sample digambarkan dengan sebuah vektor n-dimensional , X =(x1, x2 ,...., xn) menggambarkan pengukuran n yang terbuat dari sampel dengan n atribut, A1, A2, A3,...An

2.

Misalkan ada m kelas, C1,C2,....Cm. Diberikan pada data sample X yang tidak diketahui kelasnya, maka klasifikasi ini akan memprediksi X termasuk dalam kelas yang mempunyai probabilitas posterior terbesar terhadap X. Yang berarti , klasifikasi Naive Bayes akan menentukan

SKRIPSI


NAMBI SEMBILU


19

sample X yang belum terklasifikasi ke dalam kelas Ci jika dan hanya jika:

P(Ci|X) > P(Cj|X) untuk 1≤ j ≤ m , j ≠ i.

(2.2)

Jika probabilitas posterior kelas P(Ci|X) yang maksimal.Maka kelas Ci pada probabilitas posterior kelas P(Ci|X) tersebut disebut dengan hipotesis posterior maksimal. Dari Teorema Bayes pada Persamaan 2.1. 3.

Sebagaimana

P(X)

adalah konstan untuk

semua

kelas,

hanya

P(X|Ci)P(Ci) yang perlu maksimal. Jika kelas probabilitas prior tidak diketahui, maka probabilitas prior kelas dapat diestimasi P(Ci)=

Si , S

dimana Si adalah jumlah data sampel dari kelas Ci , dan S adalah total jumlah dari data sampel. 4.

Jika terdapat data latih dengan banyak atribut, maka akan membutuhkan proses komputasi yang sangat lama untuk menghitung P(X|Ci). Penggunaan teori bayes dengan asumsi atribut bersyarat akan menghitung probabilitas posterior untuk tiap atribut yang bersyarat satu sama lain jika terdapat banyak atribut akan membutuhkan banyak waktu untuk menghitung probabilitas posterior kelas. Oleh karena itu untuk mengurangi perhitungan dalam mengevaluasi P(X|Ci), asumsi naive tentang kelas independensi bersyarat ini dibuat. Hal ini mengasumsikan bahwa nilai-nilai atribut bersifat independen bersyarat terhadap satu sama lain, bahwa tidak ada hubungan keterkaitan antara atribut satu dengan yang lain. Dengan demikian,

SKRIPSI


NAMBI SEMBILU


n

P X | Ci    Pxk Ci 

20

(2.3)

k 1

Probabilitas P(x1|Ci) , P(x2|Ci),.... , P(xn|Ci) dapat diestimasi dari data sampel, dimana: a. Jika Ak bersifat kategorikal, maka P(xk|Ci) =

Sik Si

dimana Sik adalah

jumlah data kelas Ci dari data latih yang mempunyai nilai atribut x k untuk Ak dan Si adalah jumlah data latih milik kelas Ci b. Jika Ak bersifat kontinyu , maka atribut diasumsikan menggunakan Distribusi Gaussian, oleh karena itu

Pxk Ci   g xk , Ci , Ci  

1 2  Ci

exp



 xCi 2 2 2Ci

(2.4)

Dimana g(xk,µCi,σCi) Gaussian (normal) untuk atribut Ak selama µCi dan σCi adalah nilai rata-rata dan varian masing-masing untuk atribut Ak pada data latih kelas Ci 5.

Untuk klasifikasi data sampel X yang tidak diketahui kelasnya, P(X|Ci) dihitung dari kelas Ci .Data sample X akan ditetapkan ke dalam kelas Ci jika pada kondisi

P(X|Ci)P(Ci) > P(X|Cj)P(Cj) untuk 1≤ j ≤ m , j ≠ i.

(2.5)

Dengan kata lain ditetapkan ke dalam kelas Ci yang mempunyai P(X|Ci)P(Ci) maksimum. Secara teori, pengklasifikasi Bayesian memiliki tingkat kesalahan minimal dibandingkan dengan semua pengklasifikasi lainnya. Namun, dalam prakteknya Hal ini tidak selalu terjadi karena untuk ketidakakuratan dalam asumsi-asumsi

SKRIPSI


NAMBI SEMBILU


21

yang dibuat untuk penggunaannya, seperti kelas indepedensi bersyarat, dan kurangnya data probabilitas yang tersedia. Namun, berbagai studi empiris tentang klasifikasi membandingkan klasifikasi dengan pohon keputusan dan klasifikasi dengan jaringan syaraf telah menemukan hal yang sebanding dalam beberapa domain. Klasifikasi Bayesian juga berguna dalam memberikan pembenaran teoritis untuk pengklasifikasi lain yang tidak eksplisit menggunakan teorema Bayes. Sebagai contoh pada asumsi tertentu dapat ditunjukkan dengan banyak algoritma jaringan syaraf dan curve fitting dapat menghasilkan hipotesa posterior maksimal seperti yang ada pada klasifikasi Naive Bayes 2.5 Piutang Piutang merupakan harta perusahaan atau koperasi yang timbul karena terjadinya transaksi penjualan secara kredit atas barang dan jasa yang dihasilkan oleh perusahaan. Menurut Rusdi Akbar (2004:199) menyatakan bahwa pengertian piutang meliputi semua hak atau klaim perusahaan pada organisasi lain untuk menerima sejumlah kas, barang, atau jasa dimasa yang akan datang sebagai akibat kejadian pada masa yang lalu. Menurut Warren Reeve dan Fess (2005:404) menyatakan bahwa yang dimaksud dengan piutang adalah sebagai berikut : ”Piutang meliputi semua klaim dalam bentuk uang terhadap pihak lainnya, termasuk individu, perusahaan atau organisasi lainnya”.Menurut Mohammad Muslich (2003:109) mengemukakan yang dimaksud dengan piutang adalah sebagai berikut : ”Piutang terjadi karena penjualan barang dan jasa tersebut dilakukan secara kredit yang umumnya dilakukan untuk memperbesar penjualan”.

SKRIPSI


NAMBI SEMBILU


22

Sedangkan menurut M.Munandar (2006:77) yang dimaksud dengan piutang adalah sebagai berikut : ”Piutang adalah tagihan perusahaan kepada pihak ain yang nantinya akan dimintakan pembayarannya bilamana telah sampai

jatuh

tempo”. Dari beberapa definisi yang telah diungkapkan di atas,dapat disimpulkan bahwa yang dimaksud dengan piutang adalah semua tuntutan atau tagihan kepada pihak lain dalam bentuk uang atau barang yang timbul dari adanya penjualan secara kredit. 2.5.1 Klasifikasi Piutang Piutang merupakan aktiva lancar yang diharapkan dapat dikonversi menjadi kas dalam waktu satu tahun atau dalam satu periode akuntansi. Piutang pada umumnya timbul dari hasil usaha pokok perusahaan. Namun selain itu, piutang juga dapat ditimbulkan dari adanya usaha dari luar kegiatan pokok perusahaan. Warren Reeve dan Fess mengklasifikasikan piutang kedalam tiga kategori yaitu piutang usaha, wesel, tagih, dan piutang lain-lain sebagai berikut : 1. Piutang Usaha Piutang usaha timbul dari penjualan secara kredit agar dapat menjual lebih banyak produk atau jasa kepada pelanggan. Transaksi paling umum yang menciptakan piutang usaha adalah penjualan barang dan jasa secara kredit. Piutang tersebut dicatat dengan mendebit akun piutang usaha. Piutang usaha semacam ini normalnya diperkirakan akan tertagih dalam periode waktu yang relative pendek, seperti 30

SKRIPSI


NAMBI SEMBILU


23

atau 60 hari. Piutang usaha diklasifikasikan dineraca sebagai aktiva lancar. 2. Wesel Tagih Wesel tagih adalah jumlah yang terutang bagi pelanggan disaat perusahaan telah menerbitkan surat utang formal. Sepanjang wesel tagih diperkirakan akan tertagih dalam setahun. Maka biasanya diklasifikasikan dalam neraca sebagai aktiva lancar. Wesel biasanya digunakan untuk periode kredit lebih dari 60 hari. Wesel bisa digunakan untuk menyelesaikan piutang usaha pelanggan. Bila wesel tagih dan piutang usaha berasal dari transaksi penjualan maka hal itu kadang-kadang disebut piutang dagang (trade receivable) 3. Piutang Lain Piutang lain-lain biasanya disajikan secara terpisah dalam neraca. Jika p[iutang ini diharapkan akan tertagih dalam satu tahun, maka piutang tersebut diklasifikasikan sebagai aktiva lancar. Jika penagihannya lebih dari satu tahun maka piutang ini diklasifikasikan sebagai aktiva tidak lancar dan dilaporkan dibawah judul investasi. Piutang lain-lain (other receivable) meliputi piutang bunga, piutang pajak, dan piutang dari pejabat atau karyawan perusahaan. 2.6 Perancangan Sistem Perancangan

system

dibuat

sebagai

tindak

lanjut

dari

analisis

permasalahan yang terjadi dalam proses bisnis sehingga akan membantu siklus pengembangan sistem. Menurut George M Scott (2001) desain sistem

SKRIPSI


NAMBI SEMBILU


24

menentukan bagaimana suatu sistem akan menyelesaikan apa yang mesti diselesaikan , tahap ini menyangkut mengkonfigurasikan dari komponenkomponen perangkat lunak dan perangkat keras dari suatu sistem, sehingga setelah instalasi dari sistem akan benar-benar memuaskan rancang bangun yang telah ditetapkan pada akhir tahap analisis sistem. 2.6.1 Data Flow Diagram (DFD) Data Flow Diagram (DFD) adalah suatu diagram yang menggunakan notasi - notasi untuk menggambarkan arus dari data sistem, yang penggunaannya sangat membantu untuk memahami sistem secara logika, tersruktur dan jelas. DFD ini adalah salah satu alat pembuatan model sistem yang memberikan penekanan hanya pada fungsi sistem.DFD didesain untuk menunjukkan sebuah sistem yang terbagi-bagi menjadi suatu bagian sub-sistem yang lebih kecil dan untuk menggarisbawahi arus data antara kedua hal yang tersebut diatas. Diagram ini lalu dikembangkan untuk melihat lebih rinci sehingga dapat terlihat modelmodel yang terdapat didalamnya. Penggambaran analisa maupun rancangan sistem menggunakan konsep yang mudah dikomunikasikan oleh profesional sistem kepada pemakai maupun pembuat program. Komponen data flow diagram Menurut Gene dan Serson: 

Terminator / Entitas luar.

Gambar 2.3 Komponen Terminator

SKRIPSI


NAMBI SEMBILU


25

Terminator mewakili entitas eksternal yang berkomunikasi dengan sistem yang sedang dikembangkan. Biasanya terminator dikenal dengan nama entitas luar (external entity). Terdapat dua jenis terminator : 1. Terminator Sumber (source) : merupakan terminator yang menjadi sumber. 2. Terminator Tujuan (sink) : merupakan terminator yang menjadi tujuan data / informasi sistem. 

Proses

Gambar 2.4 Komponen Proses

Komponen proses menggambarkan bagian dari sistem yang mentransformasikan input menjadi output. Proses diberi nama untuk

menjelaskan

dilaksanakan.

proses/kegiatan

Pemberian

nama

apa

proses

yang

sedang/akan

dilakukan

dengan

menggunakan kata kerja transitif (kata kerja yang membutuhkan obyek). 

Data store

Gambar 2.5 Komponen Data Store

SKRIPSI


NAMBI SEMBILU


26

Komponen ini digunakan untuk membuat model sekumpulan paket data dan diberi nama dengan kata benda jamak, misalnya Mahasiswa. Data store ini biasanya berkaitan dengan penyimpanan penyimpanan, seperti file atau database yang berkaitan dengan penyimpanan secara komputerisasi, misalnya file disket, file harddisk, file pita magnetik. Data store juga berkaitan dengan penyimpanan secara manual seperti buku alamat, file folder, dan agenda. 

Alur data

Gambar 2.6 Komponen Alur Data

Suatu data flow / alur data digambarkan dengan anak panah, yang menunjukkan arah menuju ke dan keluar dari suatu proses. Alur data ini digunakan untuk menerangkan perpindahan data atau paket data/informasi dari satu bagian sistem ke bagian lainnya. 2.7 Perancangan Database Database merupakan komponen dasar dari sebuah sistem informasi dan pengembangan serta penggunaannya sebaiknya dipandang dari perspektif kebutuhan-kebutuhan organisasi yang lebih besar. Oleh karena itu siklus hidup sebuah sistem informasi organisasi berhubungan dengan siklus hidup sistem database yang mendukungnya. Sebuah sistem database merupakan komponen dasar sistem informasi organisasi yang lebih besar. Oleh karena itu siklus hidup aplikasi database

SKRIPSI


NAMBI SEMBILU


27

berhubungan dengan siklus hidup sistem informasi. Langkah-langkah siklus hidup aplikasi adalah berikut ini :

Sumber : Connolly, 2005 Gambar 2.7 Siklus Aplikasi Database Hal yang penting adalah mengetahui bahwa langkah-langkah siklus hidup aplikasi database dapat tidak berurutan, tetapi melibatkan beberapa langkah pengulangan yang biasanya disebut sebagai feedback loop. Sebagai contoh : masalah-masalah yang ditemui selama perancangan database mungkin harus mengumpulkan dan menganalisis kebutuhan-kebutuhan tambahan. Seperti yang digambarkan terdapat feedback loop diantara langkah-langkah yang sering terjadi Pada database yang digunakan oleh single user atau hanya beberapa user saja, perancangan database tidak sulit. Tetapi jika ukuran database yang sedang

SKRIPSI


NAMBI SEMBILU


28

atau besar (25 - ratusan user yang berisikan jutaan bytes informasi dan melibatkan ratusan query dan program-program aplikasi, contoh : industri-industri, asuransi, hotel, travel, dll yang seluruhnya tergantung pada kesuksesan dari operasi-operasi databasenya), perancangan database menjadi sangat kompleks. Oleh karena itu para pemakai mengharapkan penggunaan database yang sedemikian rupa sehingga sistem harus dapat memenuhi kebutuhan-kebutuhan seluruh user tersebut. 2.7.1 Proses Perancangan Database Terdapat 6 proses dalam perancangan database antara lain : 1. Pengumpulan data dan analisis 2. Perancangan database secara konseptual 3. Pemilihan DBMS 4. Perancangan database secara logika (data model mapping) 5. Perancangan database secara fisik 6. Implementasi sistem database Secara khusus proses perancangan berisikan 2 aktifitas paralel. Aktifitas yang pertama melibatkan perancangan dari isi data dan struktur database, sedangkan aktifitas kedua mengenai perancangan pemrosesan database dan aplikasi-aplikasi perangkat lunak. Dua aktifitas ini saling menjalin, misalnya : kita dapat mengidentifikasikan data item yang akan disimpan dalam database dengan menganalisa

aplikasi-aplikasi

database.

Dua

aktifitas

ini

juga

saling

mempengaruhi satu sama lain. Contohnya : fase perancangan database secara fisik, pada saat kita memilih struktur penyimpanan dan jalur-jalur akses dari file-

SKRIPSI


NAMBI SEMBILU


29

file database yang tergantung pada aplikasi-aplikasi yang akan menggunakan filefile tersebut. Dilain pihak, kita biasanya menentukan perancangan aplikasi-aplikasi database dengan mengarah kepada konstruksi skema database yang telah ditentukan selama aktifitas yang pertama. 6 fase diatas tidak harus diproses berurutan. Pada beberapa hal, rancangan tersebut dapat dimodifikasi dari yang pertama dan sementara itu mengerjakan fase yang terakhir (feedback loop antara fase) dan feedback loop dalam fase sering terjadi selama proses perancangan. 2.7.1.1 Pengumpulan Data dan Analisis Proses identifikasi dan analisa kebutuhan-kebutuhan data disebut pengumpulan data dan analisa. Untuk menentukan kebutuhan-kebutuhan suatu sistem database, pertamatama harus mengenal bagian-bagian lain dari sistem informasi yang akan berinteraksi engan sistem database, termasuk para pemakai yang ada dan para pemakai yang baru serta aplikasi-aplikasinya. Kebutuhankebutuhan dari para pemakai dan aplikasi-aplikasi inilah yang kemudian dikumpulkan dan dianalisa. Aktifitas-aktifitas pengumpulan data dan analisa : 1. Menentukan kelompok pemakai dan bidang-bidang aplikasinya Mennentukan aplikasi utama dan kelompok user yang akan menggunakan database. Individu utama pada tiap-tiap kelompok pemakai dan bidang aplikasi yang telah dipilih merupakan peserta utama pada langkah-langkah berikutnya dari pengumpulan dan spesifikasi data. 2. Peninjauan dokumentasi yang ada

SKRIPSI


NAMBI SEMBILU


30

Dokumen yang ada yang berhubungan dengan aplikasi-aplikasi dipelajari

dan

dianalisa.

Dokumen-dokumen

lainnya

(seperti

:

kebijaksanaan-kebijaksanaan, form, report, dan bagan organisasi) diuji dan ditinjau kembali untuk menguji apakah dokumen-dokumen tersebut berpengaruh terhadap kumpulan data dan proses spesifikasi. 3. Analisa lingkungan operasi dan pemrosesan data Informasi yang sekarang dan yang akan datang dipelajari. Termasuk juga analisa jenis-jenis transaksi dan frekuensi-frekuensi transaksinya dan juga arus informasi dalam sistem. Input-output data untuk transaksi-transaksi tersebut diperinci. 4. Daftar pertanyaan dan wawancara Tuliskan tanggapan -tanggapan dari pertanyaan-pertanyaan yang telah dikumpulkan dari para pemakai database yang berpotensi. Ketua kelompok (individu utama) dapat diwawancarai sehingga input yang banyak dapat diterima dari mereka dengan memperhatikan informasi yang berharga dan mengadakan prioritas. 2.7.1.2 Perancangan database secara konseptual Tujuan dari fase ini adalah menghasilkan conceptual schema untuk database yang tergantung pada sebuah DBMS yang spesifik. Sering menggunakan sebuah high-level data model seperti ER/EER model selama fase ini. Dalam conceptual schema, kita harus memerinci aplikasi-aplikasi database yang diketahui dan transaksi-transaksi yang mungkin. Fase perancangan database secara konseptual mempunyai 2 aktifitas paralel :

SKRIPSI


NAMBI SEMBILU


31

1. Perancangan skema konseptual : Menguji kebutuhan-kebutuhan data dari suatu database yang merupakan hasil dari fase 1, dan menghasilkan sebuah conceptual database schema pada DBMS independent model data tingkat tinggi seperti Enhanced Entity Relationship (EER) model. Skema ini dapat dihasilkan dengan menggabungkan bermacam-macam kebutuhan user dan secara langsung membuat skema database atau dengan merancang skema-skema yang terpisah dari kebutuhan tiap-tiap user dan kemudian menggabungkan skema-skema tersebut. Model data yang digunakan pada perancangan skema konseptual adalah DBMS-independent, dan langkah selanjutnya adalah memilih sebuah DBMS untuk melaksanakan rancangan tersebut. 2. Perancangan transaksi : menguji aplikasi-aplikasi database dimana kebutuhan-kebutuhannya telah dianalisa pada fase 1, dan menghasilkan perincian transaksi-transaksi ini. Kegunaan fase ini yang diproses secara paralel bersama fase perancangan skema konseptual adalah untuk merancang karakteristik dari transaksitransaksi database yang telah diketahui pada suatu DBMS-independent. Transaksi-transaksi

ini

akan

digunakan

untuk

memproses

dan

memanipulasi database suatu saat dimana database tersebut dilaksanakan. 2.7.1.3 Pemilihan DBMS Pemilihan database ditentukan oleh beberapa faktor, diantaranya : faktor teknik, ekonomi, dan politik organisasi. Contoh faktor teknik : keberadaan DBMS dalam menjalankan tugasnya seperti jenis-jenis DBMS (relational, network,

SKRIPSI


NAMBI SEMBILU


32

hierarchical, dll), struktur penyimpanan, dan jalur akses yang mendukung DBMS, pemakai, dll. Faktor-faktor ekonomi dan organisasi yang mempengaruhi satu sama lain dalam pemilihan DBMS : 1.

Struktur data Jika data yang disimpan dalam database mengikuti struktur hirarki, maka suatu jenis hirarki dari DBMS harus dipikirkan.

2.

Personal yang telah terbiasa dengan suatu sistem Jika staf programmer dalam suatu organisasi sudah terbiasa dengan suatu DBMS, maka hal ini dapat mengurangi biaya latihan dan waktu belajar.

3.

Tersedianya layanan penjual Keberadaan fasilitas pelayanan penjual sangat dibutuhkan untuk membantu memecahkan beberapa masalah sistem.

2.7.1.4 Perancangan Database secara Logika (pemetaan model data) Fase selanjutnya dari perancangan database adalah membuat sebuah skema konseptual dan skema eksternal pada model data dari DBMS yang terpilih. Fase ini dilakukan oleh pemetaan skema konseptual dan skema eksternal yang dihasilkan pada fase 2. Pada fase ini, skema konseptual ditransformasikan dari model data tingkat tinggi yang digunakan pada fase 2 ke dalam model data dari DBMS yang dipilih pada fase 3. Pemetaannya dapat diproses dalam 2 tingkat : 1.

Pemetaan system-independent : Pemetaan ke dalam model data DBMS dengan tidak mempertimbangkan karakteristik atau hal-hal yang khusus yang berlaku pada implementasi DBMS dari model data tersebut.

SKRIPSI


NAMBI SEMBILU


2.

33

Penyesuaian skema ke DBMS yang spesifik : Mengatur skema yang dihasilkan pada langkah 1 untuk disesuaikan pada implementasi yang khusus dimasa yang akan datang dari suatu model data yang digunakan pada DBMS yang dipilih.

Hasil dari fase ini memakai perintah-perintah DDL dalam bahasa DBMS yang dipilih yang menentukan tingkat skema konseptual dan eksternal dari sistem database. Tetapi dalam beberapa hal, perintah-perintah DDL memasukkan parameter-parameter rancangan fisik sehingga DDL yang lengkap harus menunggu sampai fase perancangan database secara fisik telah lengkap. Fase ini dapat dimulai setelah pemilihan sebuah implementasi model data sambil menunggu DBMS yang spesifik yang akan dipilih. Contoh: jika memutuskan untuk menggunakan beberapa relational DBMS tetapi belum memutuskan suatu relasi yang utama. Rancangan dari skema eksternal untuk aplikasi-aplikasi yang spesifik seringkali sudah selesai selama proses ini. 2.7.1.5 Perancangan Database secara Fisik Perancangan database secara fisik merupakan proses pemilihan strukturstruktur penyimpanan dan jalur-jalur akses pada file-file database untuk mencapai penampilan yang terbaik pada bermacam-macam aplikasi. Selama fase ini, dirancang spesifikasi-spesifikasi untuk database yang disimpan yang berhubungan dengan struktur-struktur penyimpanan fisik, penempatan record dan jalur akses. Berhubungan dengan internal schema (pada istilah 3 level arsitektur DBMS). Beberapa petunjuk dalam pemilihan perancangan database secara fisik : 1.

SKRIPSI

Response time :


NAMBI SEMBILU


34

Waktu yang telah berlalu dari suatu transaksi database yang diajukan untuk menjalankan suatu tanggapan. Pengaruh utama pada response time adalah dibawah pengawasan DBMS yaitu : waktu akses database untuk data item yang ditunjuk oleh suatu transaksi. Response time juga dipengaruhi oleh beberapa faktor yang tidak berada dibawah pengawasan DBMS, seperti penjadwalan sistem operasi atau penundaan komunikasi. 2.

Space utility : Jumlah ruang penyimpanan yang digunakan oleh file-file database dan struktur-struktur jalur akses.

3.

Transaction throughput : Rata-rata jumlah transaksi yang dapat diproses per menit oleh sistem database, dan merupakan parameter kritis dari sistem transaksi (misal : digunakan pada pemesanan tempat di pesawat, bank, dll). Hasil dari fase ini adalah penentual awal dari struktur penyimpanan dan jalur akses untuk file-file database.

2.7.1.6 Implementasi Sistem Database Setelah perancangan secara logika dan secara fisik lengkap, kita dapat melaksanakan sistem database. Perintah-perintah dalam DDL dan Storage Definition Language (SDL) dari DBMS yang dipilih, dihimpun dan digunakan untuk membuat skema database dan file-file database (yang kosong). Sekarang database tersebut dimuat (disatukan) dengandatanya. Jika data harus dirubah dari sistem komputer sebelumnya, perubahanperubahan yang rutin mungkin diperlukan untuk format ulang datanya yang

SKRIPSI


NAMBI SEMBILU


35

kemudian dimasukkan ke database yang baru. Transaksi-transaksi database sekarang harus dilaksanakan oleh para programmmer aplikasi. Spesifikasi secara konseptual diuji dan dihubungkan dengan kode program dengan perintah-perintah dari embedded DML yang telah ditulis dan diuji. Suatu saat transaksitransaksi tersebut telah siap dan data telah dimasukkan ke dalam database, maka fase perancangan dan implementasi telah selesai, dan kemudian fase operasional dari sistem database dimulai. 2.8 Implementasi Sistem 2.8.1 HTML HyperText Markup Language (HTML) adalah sebuah bahasa markup yang digunakan untuk membuat sebuah halaman web, menampilkan berbagai informasi didalam sebuah Penjelajah web Internet dan formating hypertext sederhana yang ditulis kedalam berkas format ASCII agar dapat menghasilkan tampilan wujud yang terintegerasi. Dengan kata lain, berkas yang dibuat dalam perangkat lunak pengolah kata dan disimpan kedalam format ASCII normal sehingga menjadi home page dengan perintah-perintah HTML. Bermula dari sebuah bahasa yang sebelumnya banyak digunakan di dunia penerbitan dan percetakan yang disebut dengan Standard Generalized Markup Language (SGML), HTML adalah sebuah standar yang digunakan secara luas untuk menampilkan halaman web. HTML saat ini

merupakan

standar

Internet

yang

didefinisikan

dan

dikendalikan

penggunaannya oleh World Wide Web Consortium (W3C). HTML dibuat oleh kolaborasi Caillau TIM dengan Berners-lee robert ketika mereka bekerja di CERN

SKRIPSI


NAMBI SEMBILU


36

pada tahun 1989 (CERN adalah lembaga penelitian fisika energi tinggi di Jenewa). 2.8.2 PHP Hypertext Preprocessor (PHP) yang merupakan bahasa pemrogramman berbasis web yang memiliki kemampuan untuk memproses data dinamis.PHP dikatakan sebagai sebuah server-side embedded script language artinya sintakssintaks dan perintah yang diberikan akan sepenuhnya dijalankan oleh server tetapi disertakan pada halaman HTML biasa. Aplikasi-aplikasi yang dibangun oleh PHP pada umumnya akan memberikan hasil pada web browser, tetapi prosesnya secara keseluruhan dijalankan di server. Pada prinsipnya server akan bekerja apabila ada permintaan dari client. Dalam hal ini client menggunakan kode-kode PHP untuk mengirimkan permintaan ke server (dapat dilihat pada gambar dibawah). Ketika menggunakan PHP sebagai server-side embedded script language maka server akan melakukan hal-hal sebagai berikut : 

Membaca permintaan dari client/browser Mencari halaman/page di server

 Melakukan instruksi yang diberikan oleh PHP untuk melakukan modifikasi pada halaman/page.  Mengirim kembali halaman tersebut kepada client melalui internet /intranet.

SKRIPSI


NAMBI SEMBILU


37

Sumber : php.net, 2012 Gambar 2.8 Proses Pada pemrograman PHP

2.9.3 Database Pengenalan Database, DBMS dan RDBMS Basis data (atau database) adalah kumpulan informasi yang disimpan di dalam komputer secara sistematik sehingga dapat diperiksa menggunakan suatu program komputer untuk memperoleh informasi dari basis data tersebut

Database digunakan untuk

menyimpan informasi atau data yang terintegrasi dengan baik di dalam komputer. Untuk mengelola database diperlukan suatu perangkat lunak yang disebut Database Management System (DBMS). DBMS merupakan suatu sistem perangkat lunak yang memungkinkan user (pengguna) untuk membuat, memelihara, mengontrol, dan mengakses database secara praktis dan efisien.

SKRIPSI


NAMBI SEMBILU


38

Dengan DBMS, user akan lebih mudah mengontrol dan memanipulasi data yang ada. 2.8.3.1 Istilah dalam Database 1. Table Sebuah tabel merupakan kumpulan data (nilai) yang diorganisasikan ke dalam baris (record) dan kolom (field). Masing-masing kolom memiliki nama yang spesifik dan unik. 2. Field Field merupakan kolom dari sebuah table. Field memiliki ukuran type data tertentu yang menentukan bagaimana data nantinya tersimpan. 3. Record Field merupakan sebuah kumpulan nilai yang saling terkait. 4. Key Key merupakan suatu field yang dapat dijadikan kunci dalam operasi tabel. Dalam konsep database, key memiliki banyak jenis diantaranya Primary Key, Foreign Key, Composite Key, dll. 5. SQL SQL atau Structured Query Language merupakan suatu bahasa (language) yang digunakan untuk mengakses database. SQL sering disebut juga sebagai query. 2.8.3.2 MySQL MySQL adalah sebuah perangkat lunak sistem manajemen basis data SQL

SKRIPSI


NAMBI SEMBILU


39

(bahasa Inggris: database management system) atau DBMS yang multithread, multi-user, dengan sekitar 6 juta instalasi di seluruh dunia. MySQL AB membuat MySQL tersedia sebagai perangkat lunak gratis di bawah lisensi GNU General Public License (GPL), tetapi mereka juga menjual dibawah lisensi komersial untuk kasus-kasus dimana penggunaannya tidak cocok dengan penggunaan GPL. Tidak seperti PHP atau Apache yang merupakan software yang dikembangkan oleh komunitas umum, dan hak cipta untuk kode sumber dimiliki oleh penulisnya masing-masing, MySQL dimiliki dan disponsori oleh sebuah perusahaan komersial Swedia yaitu MySQL AB. MySQL AB memegang penuh hak cipta hampir atas semua kode sumbernya. Kedua orang Swedia dan satu orang Finlandia yang mendirikan MySQL AB adalah: David Axmark, Allan Larsson,dan Michael "Monty" Widenius.

SKRIPSI


NAMBI SEMBILU

BAB II TINJAUAN PUSTAKA

Recommend Documents