BAB III ANALISIS DAN PERANCANGAN III.1. Analisis Sistem Analisis sistem yang berjalan pada perusahaan PT. Perintis Perkasa dikelola dengan menggunakan software TDMS (Toyota Dealer Management System). TDMS merupakan suatu sistem manajemen bisnis yang digunakan oleh toyota untuk melakukan pengelolaan informasi secara otomatis. Dalam hal ini sistem yang berjalan pada pengelolaan persediaan spare part mencakup penerimaan dan pengeluaran barang dan kegiatan pencatatan seperti memeriksa kuantitas barang, kualifikasi barang yang masih tersedia serta mengecek ketersediaan barang sesuai dengan catatan yang ada. Adapun kelemahan sistem yang berjalan sekarang ini dalam pengelolaan spare part tidak bisa memprediksi keterkaitan antar produk yang sering dibeli secara bersamaan sehingga yang nantinya berpengaruh pada stok persediaan barang, bahan mana yang harus dilebihkan dan yang mana secukupnya sehingga bahan yang di distribusikan tidak tersimpan di inventory dalam waktu yang lama karena akan menimbulkan kerugian untuk pihak perusahaan dan data penjualan pada perusahaan selama ini tidak tersusun dengan baik, sehingga data penjualan yang semakin hari semakin banyak tersebut hanya berfungsi sebagai arsip bagi perusahaan dan tidak dapat dimanfaatkan perusahaan untuk pengembangan strategi pemasaran. Oleh sebab itu perusahaan memerlukan sistem untuk mengolah data yang dapat menghasilkan data penjualan spare part yang paling sering dibeli, sehingga
39
40
spare part yang paling sering dibeli tersebut dapat menjadi acuan untuk mengembangkan strategi pemasaran produk tersebut kepada konsumen.
III.2. Penerapan Metode/ Algoritma III.2.1 Algoritma Apriori Algoritma apriori termasuk jenis aturan asosiasi pada data mining. Aturan yang menyatakan asosiasi antara beberapa atribut sering disebut affinity analysis atau market basket analysis. Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan suatu kombinasi item. Salah satu tahap analisis asosiasi yang menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien adalah analisis pola frequensi tinggi(frequent pattern mining). Penting tidaknya suatu asosiasi dapat diketahui dengan dua tolak ukur , yaitu : support dan confidence. Support (nilai penunjang) adalah persentase kombinasi item tersebut dalam database, sedangkan confidence (nilai kepastian) adalah kuatnya hubungan antar-item dalam aturan asosiasi. 1.
Analisis Pola Frekuensi Tinggi dengan Algoritma Apriori Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari
nilai support dalam basis data. Nilai support sebuah item diperoleh dengan menggunakan rumus berikut :
Support =
Jumlah Transaksi mengandung A x 100% Total Transaksi
Sementara, nilai support dari 2 item diperoleh dengan menggunakan rumus :
41
Support A B=
Frequent
Jumlah Transaksi mengandung A dan B Total Transaksi
itemset
menunjukkan itemset
x 100%
yang memiliki
frekuensi
kemunculan lebih dari nilai minimum yang ditentukan (ᴓ). Misalkan ᴓ = 2, maka semua itemsets yang frekuensi kemunculannya lebih dari atau sama dengan 2 kali disebut frequent. Himpunan dari frequent k-itemset dilambangkan dengan Fk. 2.
Pembentukan Aturan Asosiasi Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan
asosiasi yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan asosiatif A → B. Nilai confidence dari aturan A → B diperoleh dengan rumus berikut : Jumlah Transaksi Mengandung A dan B Confidence =
x100%
Jumlah Transaksi Mengandung A
Untuk menentukan aturan asosiasi yang akan dipilih maka harus diurutkan berdasarkan Support × Confidence. Aturan diambil sebanyak n aturan yang memiliki hasil terbesar (Kusrini dan Emha Taufiq Lutfi ; 2009 : 149-155). III.2.2 Studi Kasus Algoritma Apriori Dalam penerapan data mining ini metode Association Rule akan diterapkan sebagai metode perhitungan aturan asosiasi, untuk lebih mengetahui penerapan metode dalam penelitian ini akan dituangkan dalam bentuk contoh kasus, berikut adalah contoh kasus transaksi sederhana dengan penyelesaian menggunakan metode Association Rule dengan algoritma Apriori yang dapat di lihat pada tabel berikut :
42
1. Analisis Pola Frekuensi Tinggi Berdasarkan transaksi penjualan spare part pada perusahaan, transaksi tersebut dapat di akumulasikan. Akumulasi transaksi penjualan diperoleh dari penjualan bulanan yang di ambil dari 3 bulan pada laporan bulanan. Berikut adalah pola transaksi penjualan spare part dapat dilihat pada tabel dibawah ini : Tabel III.1. Pola Transaksi Penjualan Spare Part No 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.
Kode Transasksi 140103-1 140103-10 140103-11 140103-13 140103-14 140103-16 140103-17 140103-19 140103-20 140103-21
11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24.
140103-25 140103-32 140103-33 140103-35 140103-4 140103-43 140103-46 140103-48 140103-49 140103-5 140104-15 140104-18 140104-19 140104-21
25. 26. 27. 28. 29. 30.
140104-27 140104-28 140104-3 140104-31 140104-4 140104-40
Kategori Filter Oil ; Clip ; Gasket Bolt Set ; Bearing Bearing ; Seal Thermostat ; Filter Oil ; Clip Gasket ; Clip Spanner Bearing ; Brake Shoe Hammer ; Bolt Set Disc Fr ; Clip Brake Fluid ; Brake Shoe ; Cord Set ; Spark Plug Seal ; Disc Fr ; Spark Plug ; Cord Set Gasket ; Clip ; Disc Fr Bearing ; Seal ; Spanner Bolt Set ; Hammer ; Disc Fr Clip ; Seal Brake Shoe ; Bolt set Seal ; Cord Set ; Spark Plug Filter Oil ; Gasket ; Spark Plug ; Cord Set Bearing ; Cord Set ; Thermostat ; Filter Oil Hammer ; Spanner ; Brake Shoe ; Clip Filter Oil ; Disc Fr ; Brake Shoe ; Clip Seal ; Spanner ; Brake Shoe Brake Fluid ; Bearing ; Bolt Set Spark Plug ; Cord Set; Thermostat ; Filter Oil Hammer ; Cord Set Gasket ; Clip ; Filter Oil Brake Shoe ; Spanner Spanner ; Disc Fr Seal ; Bolt Set Clip ; Bearing ; Thermostat
Qty 3 2 2 3 2 1 2 2 2 4 4 3 3 3 2 2 3 4 4 4 4 3 3 4 2 3 2 2 2 3
43
31. 32. 33. 34.
140104-43 140104-44 140104-47 140104-49
35. 36. 37. 38. 39. 40.
140104-55 140104-57 140104-7 140104-9 140105-1 140104-13
41. 42. 43.
140104-14 140104-15 140104-16
44. 45.
140104-17 140104-18
Hammer ; Spark Plug Cord Set Filter Oil ; Clip Brake Fluid ; Brake Shoe ; Gasket ; Spanner ; Hammer Bolt Set ; Thermostat Spark Plug Bearing ; Cord Set Clip ; Filter Oil Seal ; Disc Fr Filter Oil ; Gasket ; Thermostat ; Cord Set ; Bearing Clip ; Seal ; Spanner ; Seal Hammer ; Thermostat ; Hammer Clip ; Cord Set; Spark Plug ; Hammer ; Filter Oil ; Gasket Gasket Brake Fluid ; Seal ; Bearing ; Clip ; Filter Oil
2 1 1 5 2 1 2 2 2 5 4 3 6 1 5
a. Pembentukan Itemset Proses pembentukan support 1 itemset dengan jumlah minimum support = 20%. Dengan rumus sebagai berikut :
Tabel III.2. Support 1 itemset No. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.
Nama Item Bearing Bolt Set Brake Fluid Brake Shoe Clip Cord Set Disc Fr Filter Oil Gasket Hammer Seal Spanner Spark Plug
Jumlah Item 10 7 4 8 15 11 7 12 9 9 11 8 8
Support (%) 22.22 15.56 8.89 17.78 33.33 24.44 15.56 26.67 20.00 20.00 24.44 17.78 17.78
44
14.
Thermostat
7
15.56
Minimal support yang ditentukan adalah 20 % jadi kombinasi 1 itemset yang tidak memenuhi minimal support akan dihilangkan, dapat dilihat seperti pada tabel berikut ini : Tabel III.3. Minimal Support 1 itemset 20 % No. 1. 2. 3. 4. 5. 6. 7.
Nama Item Bearing Clip Cord Set Filter Oil Gasket Hammer Seal
Jumlah Item 10 15 11 12 9 9 11
Support (%) 22.22 33.33 24.44 26.67 20.00 20.00 24.44
b. Kombinasi 2 itemset Proses pembentukan support 2 itemset dengan jumlah minimum support = 20%. Dapat diselesaikan dengan rumus :
Tabel III.4. Support 2 itemset No. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.
Kategori Bearing ; Clip Bearing ; Cord Set Bearing ; Filter Oil Bearing ; Gasket Bearing ; Hammer Bearing ; Seal Clip ; Cord Set Clip ; Filter Oil Clip ; Gasket Clip ; Hammer Clip ; Seal Cord Set ; Filter Oil Cord Set ; Gasket
Jumlah Item 2 3 3 1 0 3 1 8 5 2 3 10 10
Support (%) 4.44 6.67 6.67 2.22 0 6.67 2.22 17.78 11.11 4.44 6.67 22.22 22.22
45
14. 15. 16. 17. 18. 19. 20. 21.
Cord Set ; Hammer Cord Set ; Seal Filter Oil ; Gasket Filter Oil ; Hammer Filter Oil ; Seal Gasket ; Hammer Gasket ; Seal Hammer ; Seal
10 10 12 12 12 2 0 0
22.22 22.22 26.67 26.67 26.67 4.44 0 0
Minimal support yang ditentukan adalah 20 % jadi kombinasi 2 itemset yang tidak memenuhi minimal support akan dihilangkan, dapat dilihat seperti pada tabel berikut ini : Tabel III.5. Minimal Support 2 itemset 20 % No. 1. 2. 3. 4. 5. 6. 7.
Kategori Cord Set ; Filter Oil Cord Set ; Gasket Cord Set ; Hammer Cord Set ; Seal Filter Oil ; Gasket Filter Oil ; Hammer Filter Oil ; Seal
Jumlah Item 10 10 10 10 12 12 12
Support (%) 22.22 22.22 22.22 22.22 26.67 26.67 26.67
2. Pembentukan Aturan Asosiasi Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan asosiatif A → B. Minimal confidence = 75 % Nilai confidence dari aturan A → B diperoleh dengan rumus :
Perhitungan confidence terurut berdasarkan minimal support
dan
minimal confidence yang telah ditentukan, dapat dilihat pada tabel dibawah ini :
46
Tabel III.6. Confidence 75 % No. 1. 2. 3. 4. 5. 6. 7.
Kategori Cord Set ; Filter Oil Cord Set ; Gasket Cord Set ; Hammer Cord Set ; Seal Filter Oil ; Gasket Filter Oil ; Hammer Filter Oil ; Seal
Support (%) 22.22 22.22 22.22 22.22 26.67 26.67 26.67
Confidence (%) 90.9 90.9 90.9 90.9 100 100 100
a. Aturan Asosiasi Final 1. Jika Customer membeli Cord Set Maka Costomer juga membeli Filter Oil dengan Support = 22.22 % dan Confidence = 90.9 % Maka bagian Inventory harus memperbanyak Stock Barang tersebut. 2. Jika Customer membeli Cord Set Maka Costomer juga membeli Gasket dengan Support = 22.22 % dan Confidence = 90.9 % Maka bagian Inventory harus memperbanyak Stock Barang tersebut. 3. Jika Customer membeli Cord Set Maka Costomer juga membeli Hammer dengan Support = 22.22 % dan Confidence = 90.9 % Maka bagian Inventory harus memperbanyak Stock Barang tersebut. 4. Jika Customer membeli Cord Set Maka Costomer juga membeli Seal dengan Support = 22.22 % dan Confidence = 90.9 % Maka bagian Inventory harus memperbanyak Stock Barang tersebut. 5. Jika Customer membeli Filter Oil Maka Costomer juga membeli Gasket dengan Support = 26.67 % dan Confidence = 100 % Maka bagian Inventory harus memperbanyak Stock Barang tersebut.
47
6. Jika Customer membeli Filter Oil Maka Costomer juga membeli Hammer dengan Support = 26.67 % dan Confidence = 100 % Maka bagian Inventory harus memperbanyak Stock Barang tersebut. 7. Jika Customer membeli Filter Oil Maka Costomer juga membeli Seal dengan Support = 26.67 % dan Confidence = 100 % Maka bagian Inventory harus memperbanyak Stock Barang tersebut.
III.3. Desain Sistem Data mining dapat membantu perusahaan dalam menentukan persediaan spare part mobil yang paling diminati, penulis mengusulkan membuat sebuah sistem dengan menggunakan aplikasi program yang lebih akurat dan lebih mudah dalam pengolahannya. Dengan menggunakan Microsoft Visual Studio 2010 dan database Sql Server 2008 untuk memudahkan dalam perancangan dari aplikasi itu sendiri. Adapun perancangan dari sistem ini dapat digambarkan dengan Unified Modelling Language (UML) sebagai berikut :
III.3.1. Use Case Diagram Dalam penyusunan suatu program diperlukan suatu model data yang berbentuk diagram yang dapat menjelaskan suatu alur proses sistem yang akan di bangun. Berikut adalah bentuk diagram Use Case yang dapat dilihat pada gambar III.1.
48
Gambar III.1. Use Case Diagram Implementasi Data Mining pada Persediaan Spare Part Mobil Menggunakan Algoritma Apriori
III.3.2. Class Diagram Class Diagram adalah sebuah spesifikasi yang jika diinstansiasi akan menghasilkan sebuah objek dan merupakan inti dari pengembangan dan desain berorientasi objek. Rancangan kelas-kelas yang akan digunakan pada sistem yang akan dirancang dapat dilihat pada gambar III.2.
49
Gambar III.2. Class Diagram Implementasi Data Mining pada Persediaan Spare Part Mobil Menggunakan Algoritma Apriori
III.3.3. Activity Diagram Rangkaian kegiatan pada setiap terjadi event sistem digambarkan pada activity diagram berikut: 1.
Activity Diagram Login Aktivitas yang dilakukan untuk melakukan login admin dapat dilihat seperti
pada gambar III.3 berikut :
50
ADMIN
SISTEM
Masukkan Username dan Password
Cek Username dan Password
Salah Benar Username dan Password Salah Menampilkan Menu Utama
Gambar III.3. Activity Diagram Login
2.
Activity Diagram Apriori Proses Aktifitas untuk melakukan pengolahan data transaksi penjualan dengan
perhitungan aturan Asosiasi dapat terlihat seperti pada gambar III.4 berikut :
51
Gambar III.4. Activity Diagram Apriori Proses
52
III.3.4. Sequence Diagram Rangkaian kegiatan pada setiap terjadi event sistem digambarkan pada sequence diagram berikut: 1.
Sequence Diagram Login Serangkaian kerja melakukan login admin dapat terlihat seperti pada gambar
III.5 berikut :
Admin
Form Login
Proses
Tabel Admin
Halaman Admin
Form Login Validasi Username dan Password [] Click Login []
Invalid []
Login Sukses [] Click batal []
Gambar III.5. Sequence Diagram Login 2. Sequence Diagram Apriori Proses Sequence diagram proses perancangan Apriori Proses dapat dilihat seperti pada gambar III.6. berikut :
53
Admin
Menu Utama
F_Apriori_Proses
Proses
T_Transaksi
F_Support
F_Confd
F_AturanAsosiasi
Tampilkan Form[]
Menu [] Click AprioriProses[]
Click Ambil Data []
Koneksi Database Transaksi[] Batal[]
Hitung Supp 1&2 itemset[] Hitung Conf[]
Aturan Hasil Asosiasi Supp& Conf
Laporan hasil Aturan Asosiasi(Rule,Min_Supp & Min_Conf) [] Close Form []
Gambar III.6. Sequence Diagram Apriori Proses III.4. Desain Database III.4.1. Desain Tabel Setelah melakukan tahap normalisasi, maka tahap selanjutnya yang dikerjakan yaitu merancang struktur tabel pada basis data sistem yang akan dibuat, berikut ini merupakan rancangan struktur tabel tersebut: Struktur Tabel Admin Tabel admin digunakan untuk menyimpan data
Username, Password,
selengkapnya mengenai struktur tabel ini dapat dilihat pada tabel III.14 di bawah ini: Nama Database
: dbApriori
Nama Tabel
: Login
Primary Key
: Id
54
Foreign Key
:Tabel III.7. Rancangan Tabel Admin
Nama Field *Id Password
Tipe Data Int Varchar
Ukuran 50
Keterangan *Username Password
Struktur Tabel Data Penjualan Tabel transaksi digunakan untuk menyimpan data transaksi penjualan berdasarkan produk yang pernah dijual, selengkapnya mengenai struktur tabel ini dapat dilihat pada tabel III.15 di bawah ini: Nama Database
: dbApriori
Nama Tabel
: Data_Penjualan
Primary Key
:-
Foreign Key
:Tabel III.8. Rancangan Tabel Data Penjualan
Nama Field Tipe Data Nobukti nvarchar Kategori nvarchar Kode_barang nvarchar Qty Numeric Tanggal nvarchar Struktur Tabel Persediaan
Ukuran 50 50 50 50
Keterangan Nomor Bukti Produk Kode Barang Jumlah Tanggal
Tabel persediaan digunakan untuk menampung record atau data-data mengenai persediaan barang, selengkapnya mengenai struktur tabel ini dapat dilihat pada tabel III.16 di bawah ini : Nama Database
: dbApriori
Nama Tabel
: Persediaan
55
Primary Key
:-
Foreign Key
:Tabel III.9. Rancangan Tabel Persediaan
Nama Field Kode Sparepart Stok Harga_Jual Satuan
Tipe Data Nvarchar Text Numeric Numeric Nchar
Ukuran 20 10
Keterangan Id Nama Barang Stok Harga Satuan
Struktur Tabel Confidence Tabel confidence digunakan untuk menampung record data untuk minimal support dan minimal confidence pada prediksi minat pembeli barang, selengkapnya mengenai struktur tabel ini dapat dilihat pada tabel III.17 di bawah ini : Nama Database
: dbApriori
Nama Tabel
: Apriori
Primary Key Foreign Key
::Tabel III.10. Rancangan Tabel Confidence
Nama Field
Tipe Data
Ukuran
Keterangan
No
Int
50
Nomor
Kategori
Nvarchar
50
Nama Item
Min_Support
Nchar
50
Support
Min_Confidence
Nchar
50
Confidence
56
III.5. Desain User Interface III.5.1. Desain Input Perancangan Input merupakan masukan yang penulis rancang guna lebih memudahkan dalam entry data. Entry data yang dirancang akan lebih mudah dan cepat dan meminimalisir kesalahan penulisan dan memudahkan perubahan. Perancangan Input tampilan yang dirancang adalah sebagai berikut : 1.
Desain Form Login
Perancangan Input form login berfungsi untuk verifikasi pengguna yang berhak menggunakan sistem. Adapun rancangan form login dapat dilihat pada gambar III.7. sebagai berikut :
Gambar III.7. Desain Form Login 2. Desain Form Menu Home Desain Form Menu Home yang dirancang sebagai halaman utama admin dapat terlihat seperti pada gambar III.8 berikut :
57
Gambar III.8. Desain Form Menu Home 3. Desain Form Data Persediaan Spare Part Desain Input Form yang dirancang untuk menampilkan data persediaan spare part dapat terlihat seperti pada gambar III.9 berikut :
Gambar III.9. Desain Form Data Persediaan Spare Part
58
4. Desain Form Apriori Proses Desain Form yang dirancang untuk melakukan pengolahan data asosiasi dapat terlihat seperti pada gambar III.10 berikut :
Gambar III.10. Desain Form Apriori Proses 5. Desain Form Support 1 Itemset Desain form yang dirancang untuk menampilkan pengelompokan data berdasarkan 1 itemset dapat dilihat seperti pada gambar III.11 berikut :
59
Gambar III.11. Desain Form Support 1 Itemset 6. Desain Form Support 2 Itemset Desain form yang dirancang untuk menampilkan pengelompokan data berdasarkan kombinasi 2 itemset dapat dilihat seperti pada gambar III.12 berikut :
Gambar III.12. Desain Form Support 2 Itemset
60
7. Desain Form Confidence Desain form yang dirancang untuk menampilkan nilai confidence dapat dilihat seperti pada gambar III.13 berikut :
Gambar III.13. Desain Form Confidence 8. Desain Form Aturan Asosiasi Desain form yang dirancang untuk menampilkan pengelompokan data berdasarkan aturan asosiasi yang telah ditentukan dapat dilihat seperti pada gambar III.14 berikut :
61
Gambar III.14. Desain Form Aturan Asosiasi III.5.2. Desain Output Desain output sistem ini berisi analisa hasil pencarian yang telah dilakukan berdasarkan penilaian yang telah ditentukan. Adapaun hasil output bisa dijadikan sebagai bahan pertimbangan untuk membantu penentukan persediaan barang. 1. Desain Form Laporan Desain laporan digunakan untuk mencetak laporan data hasil penilaian algoritma apriori. Adapun rancangan laporan dapat dilihat pada gambar berikut :
62
X
Laporan Print Itemset 999
Support % 999
Confident % 999
Gambar III.15. Desain Form Laporan Output yang akan dihasilkan dari program ini adalah menampilkan asosiasi antar produk yang pernah dijual dengan nilai support dan nilai confidence yang didapat dari perhitungan data hasil aturan asosiasi. Hasil akhir dari proses ini tersimpan pada tabel Confidence. Data transaksi yang digunakan adalah kumpulan data penjualan yang pernah dilakukan perusahaan yang kemudian dimanfaatkan sebagai data baku sebelum proses data mining.
