IMPLEMENTASI DATA MINING MENGGUNAKAN ATURAN ASOSIASI DENGAN ALGORITMA APRIORI TERHADAP PENYUSUNAN LAYOUT MAKANAN PADA RUMAH MAKAN PADANG “MURAH MERIAH”
Naskah Publikasi
diajukan oleh : Oliver Zakaria 11.21.0610
kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER AMIKOM YOGYAKARTA 2012
2
IMPLEMENTATION OF DATA MINING USING ASSOCIATION RULES WITH APRIORI ALGORITHM FOR LAOUT PREPARATION FOOD AT PADANG RESTAURANT “MURAH MERIAH” IMPLEMENTASI DATA MINING MENGGUNAKAN ATURAN ASOSIASI DENGAN ALGORITMA APRIORI TERHADAP PENYUSUNAN LAYOUT MAKANAN PADA RUMAH MAKAN PADANG “MURAH MERIAH” Oliver Zakaria Jurusan Teknik Informatika STMIK AMIKOM YOGYAKARTA
ABSTRACT Padang’s Restaurants is a buffet restaurant with a concept that requires a person to take their own food they want to eat according to their individual needs. Padang’s Restaurants “MURAH MERIAH”, preparation of food layout is random and there are no rules that govern the preparation of this buffet food Any computer-based transactions, preferably stored into the database. The database will hold all the data and can be further processed to produce a useful information. A restaurant store transactions into the database, the diversity of cuisine or food (products) purchased by each visitor. Using data mining association algorithm, the saved data can be extracted and processed to obtain a new information. With the discovery of this new information is expected to help the manager of the restaurant to determine the pattern of the preparation of the new layout of the buffet food. The application development using data mining techniques apriori algorithm association rules can create or define new layout buffet food. Applications perform calculations with the parameter value of support and confidence. Layout new formulation is no longer random by using this application, but the decision to set the remains on the manager of the restaurant. These applications include decision support system, which is directed to the manager to make the layout of the new food. Keywords: Data Mining, Padang’s Restaurants, Food Layout.
3
1
PENDAHULUAN Rumah makan padang adalah rumah makan dengan konsep prasmanan yang
menuntut seseorang untuk mengambil sendiri makanan yang ingin mereka makan sesuai dengan kebutuhan mereka masing-masing. Pada Rumah Makan Padang Murah Meriah, penyusunan layout makanan dilakukan secara acak dan tidak ada aturan yang mengatur dalam penyusunan makanan prasmanan ini Suatu
rumah
makan
menyimpan
transaksinya
ke
dalam
database,
yaitu
keanekaragaman masakan atau makanan(produk) yang dibeli oleh setiap pengunjung. Dengan menggunakan Data Mining algoritma asosiasi, data yang tersimpan tersebut dapat digali dan diolah sehingga mendapatkan sebuah informasi baru. Dengan penemuan informasi baru ini, diharapkan dapat membantu pihak Manajer rumah makan untuk menentukan pola penyusunan layout makanan prasmanan yang baru. Pembuatan aplikasi dengan menggunakan teknik data mining aturan asosiasi algoritma apriori dapat membuat atau menentukan layout makanan prasmanan yang baru. Aplikasi melakukan perhitungan dengan parameter nilai support dan confidence. Layout penyusunan baru sudah tidak acak lagi dengan menggunakan aplikasi ini, tetapi keputusan untuk mengatur tetap ada di pihak manager rumah makan. Aplikasi ini termasuk system penunjang keputusan, yang mana ditujukan kepada pihak manager untuk membuat layout makanan yang baru. 2 2.1
DASAR TEORI Konsep Sistem Penunjang Sistem Penunjang Keputusan sering disebut dengan istilah Decision Support
System. Sesuai dengan namanya, secara umum sistem ini akan memberikan kemampuannya, baik itu dalam memecahkan masalah maupun sebagai media komunikasi untuk masalah semi terstruktur. Hubungannya dengan penelitian ini adalah bagaimana suatu sistem yang mendukung peran seorang Manajer Rumah makan dalam memecahkan masalah yang ada dengan cara memberikan informasi atau usulan yang menuju suatu keputusan tertentu. Decision Support System bisa berbentuk manual maupun komputerisasi. Contoh masalah semi terstruktur pada sebuah Rumah Makan, seperti : control bahan baku, penjadwalan pembelian bahan baku masakan, manajemen uang, perencanaan menu baru, konsep tata letak makanan (prasmanan), dan sebagainya. 2.2
Konsep Aturan Asosiasi dengan Algoritma Apriori Analisis Asosiasi atau Association rule mining adalah sebuah teknik data mining
yang digunakan untuk menemukan aturan asosiatif antara suatu kombinasi item. Contoh 4
dari aturan asosiatif dari analisa pembelian disuatu swalayan adalah diketahuinya berapa besar kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan pengetahuan tersebut, pemilik swalayan dapat mengatur letak barang tersebut, mengkombinasikannya sehingga dapat meningkatkan peluang jual dalam setiap transaksi. Analisis asosiasi menjadi terkenal karena aplikasinya untuk menganalisis isi keranjang belanja di swalayan. Analisis asosiasi ini juga sering disebut dengan istilah Market Basket Analysis. Ada dua metode utama dalam merepresentasikan tipe data dalam market basket analysis yaitu format data transaksi dan format data tabular. Format data transaksi membutuhkan dua field, field ID dan field isi, dimana tiap record merepresentasikan hanya satu item. Tabel 2.1 Format Data Transaksi
Field ID 1 1 2 . . .
Field Isi Item 1 Item 2 Item n . . .
Format data transaksi sedikit berbeda dengan format data tabular. Dalam format data tabular, tiap record merepresentasikan transaksi terpisah, dimana flag field 0/1 sebanyak itemnya. Tabel 2.2 Format Data Tabular
2.3
Transaksi
Item 1
Item 2
…
Item n
1 2 3 . . .
1 1 0 . . .
0 1 1 . .
0 0 0 . .
0 1 1 . -
Frequent Itemset, Support, dan Cofidence Aturan asosiasi berkenaan dengan studi tentang „apa bersama apa‟. Aturan
asosiasi juga ingin memberikan informasi tersebut dalam bentuk hubungan “if-then” atau “jika-maka”. Aturan ini dihitung dari data yang sifatnya probabilistik (Santoso, 2007: 225226). Pencarian dengan metode asosiasi ini akan mendapatkan hasil yang sesuai dan akurat dengan menggunakan parameter-parameter yang telah ditetapkan sebagai batasannya, diantaranya adalah Frequent Itemset, Support, dan Cofidence. 5
Dalam asosiasi terdapat istilah antecedent dan consequent, antecedent untuk mewakili bagian “jika” dan consequent untuk mewakili bagian “maka”. Dalam analisis ini, antecedent dan consequent adalah sekelompok item yang tidak punya hubungan secara bersama (Santoso, 2007: 226). 1. Frequent Itemset Itemset adalah set item yang berisi didalam I, dan k-itemset adalah itemsek yang berisi k items. Itemset frequency adalah jumlah transaksi yang berisi itemset tertentu. Frequent itemset adalah itemset yang terjadi paling sedikit pada jumlah tertentu, mempunyai itemset frequency ≥ Φ. Misalkan, Φ = 4, itemset yang terjadi lebih dari 4 disebut frequent. Notasi set of frequent k-itemsets adalah Fk. 2. Support Support adalah ukuran yang merepresentasikan tingkat kemunculan atau dominasi suatu barang atau itemset dari keseluruhan transaksi. Kaitannya dengan antecedent dan consequent , maka support merupakan rasio antara jumlah transaksi yang memuat antecedent dan consequent dengan jumlah transaksi. 3. Confidence Confidence adalah ukuran yang merepresentasikan hubungan kondisional antar dua barang (missal seberapa sering susu dibeli ketika orang membeli roti pada sebuah transaksi). Dengan kata lain Confidence adalah rasio antara
jumlah
transaksi yang meliputi semua item dalam antecedent dan consequent dengan jumlah transaksi yang meliputi semua item dalam antecedent.
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 frequensi tinggi (frequent pattern mining) yang sering digunakan untuk menghasilkan algoritma yang efisien.
Keterangan : S
= Support =
Jumlah
transaksi
consequencent Σ(T)
= Jumlah transaksi
6
yang
mengandung
antecedent
dan
Keterangan : C
= Confidence =
Jumlah
transaksi
yang
mengandung
antecedent
dan
Consequencent Σ(Ta)
= Jumlah transaksi yang mengandung antecedent
Langkah pertama algoritma apriori adalah support dari setiap item dihitung dengan melihat isi dari database. Setelah support dari setiap item didapat, item yang memiliki support lebih besar dari minimum support dipilih sebagai pola frekuensi tinggi dengan panjang 1 atau sering disingkat 1-itemset. Singkatan k-itemset berarti satu set yang terdiri dari k item. Iterasi kedua menghasilkan 2-itemset yang tiap set-nya memiliki dua item. Pertama dibuat kandidat 2-itemset dari kombinasi semua 1-itemset. Lalu untuk tiap kandidat 2-itemset ini dihitung support-nya dengan melihat kembali database. Support artinya jumlah transaksi dalam database yang mengandung kedua item dalam kandidat 2-itemset. Setelah support dari semua kandidat 2-itemset didapatkan, kandidat 2-itemset yang memenuhi syarat minimum support dapat ditetapkan sebagai 2-itemset yang juga merupakan pola frekuensi tinggi dengan panjang 2. (Pramudiono, 2007) Untuk selanjutnya iterasi iterasi ke-k dapat dibagi lagi menjadi beberapa bagian: 1. Pembentukan kandidat itemset Kandidat k-itemset dibentuk dari kombinasi (k-1)- itemset yang didapat dari iterasi sebelumnya. Algoritma apriori dapat dikenali dengan adanya peringkasan kandidat kitemset yang subset-nya berisi k-1 item, tidak termasuk dalam pola frekuensi tinggi dengan panjang k-1. 2. Penghitungan support dari tiap kandidat k-itemset Support dari tiap kandidat k-itemset didapat dengan memeriksa satu persatu database untuk menghitung jumlah transaksi yang memuat semua item di dalam kandidat k-itemset tersebut. 3. Tetapkan pola frekuensi tinggi Pola frekuensi tinggi yang memuat k-item atau k-itemset ditetapkan dari kandidat kitemset yang support-nya lebih besar dari minimum support. Kemudian dihitung confidence masing-masing kombinasi item. Iterasi berhenti ketika semua item telah dihitung sampai tidak ada kombinasi item lagi.
7
2.4
Tinjauan Umum Rumah Makan Padang Murah Meriah sudah cukup terkenal di kawasan
Yogyakarta. Rumah Makan ini sudah memiliki cabang baik dalam kota maupun luar kota, dengan manajer dan manajemen yang berbeda-beda, tetapi masih dalam satu badan usaha “Murah Meriah Group”. Cabang-cabangnya diantaranya MM Temon, MM Jl. Parangtritis, MM UMY Ring Road Barat, MM Wonosari, MM Gamping, MM Jl. Solo, MM Jl. Taman Siswa, dan masih banyak lagi. Rumah Makan Padang terkenal dengan konsep prasmanan, dimana para pengunjung bisa mengambil sendiri makanan yang ingin mereka makan, layaknya sebuah pasar swalayan dimana pengunjung membeli barang yang mereka beli lalu membayarnya di kasir. Rumah Makan Padang Murah Meriah ini memiliki hampir 45 jenis masakan yang menjadi menu sajian rumah makan ini. Jenis-jenis makanan tersebut disajikan di dua tempat, yaitu didepan (rak susun) dan di meja samping. Makanan yang berada di rak susun depan, merupakan menu makanan yang biasa atau umum berada di rumah makan padang seperti ikan, ayam, rending, dan berbagai sayuran. Menu disamping adalah menu yang sudah disajikan dalam bentuk piring seperti gulai kepala ikan, gulai otak, dan sebagainya. Menu disamping ini memang sudah dipiringkan untuk memudahkan pengunjung agar langsung mengambil sesuai porsi yang sudah disediakan, apabila tidak diporsikan makan pengunjung pun akan mengambil sesuka hati mereka, dan pihak kasir akan kebingungan dalam mengkalkulasi ketika terjadi pembayaran. Kedua layout sajian prasmanan yang berada di rumah makan padang ini dilakukan secara manual dan sudah ada sejak dulu. Cara penyajian dilakukan ketika ada makanan yang sudah selesai proses masak didapur, kemudian segera disajikan di depan. Dalam proses penataan dilakukan secara bertingkat dan sesuai dengan rak yang tersedia, yaitu ada dua tingkat. Tingkat pertama sesuai dengan konsep rumah makan padang pada umumnya, bahwa semua makanan saji yang bersifat kering(goreng) diletakkan pada rak secara bersusun dengan berjajar empat baris selang-seling, dan yang berkuah seperti sayur dan aneka sambal berada di tingkat kedua yaitu paling bawah. Berikut adalah gambar mengenai tata layout sajian makan (menu depan) yang terdapat pada Rumah Makan Padang “Murah Meriah”.
8
Gambar 2.1 Layout sajian Makanan (menu depan)
3
ANALISIS DAN PERANCANGAN Konsep penyajian makanan dengan metode prasmanan, adalah salah satu
metode yang menuntut seorang customer atau pembeli memilih secara langsung apa yang hendak mereka beli atau makan. Seluruh sajian atau menu makan disusun sedemikian rupa, dan pembeli dapat memilih sesuai dengan selera dan kebutuhan mereka. Proses pemilihan makanan inilah yang akan menimbulkan kepadatan disekitar area pengambilan makanan. Dengan sebuah analisis dengan metode apriori, akan membentuk sebuah pola kebiasaan para pembeli dalam mengambil makanan yang sudah disajikan. Pola kebiasaan ini akan terekam dan disimpan secara berkelanjutan, sehingga dapat menjadi sebuah rekomendasi kepada pemilik Rumah Makan untuk menata layout makanan sesuai dengan pola kebiasaan para pembeli tersebut. 3.1
Analisis Data Dalam setiap kegiatan transaksi yang berlangsung pada Rumah Makan Padang
Murah Meriah akan tercatat ke dalam database. Database akan menampung semua data transaksi yang terjadi. Data yang tersimpan meliputi no transaksi, tanggal pembelian, menu dan jumlah yang dibeli, harga, dan total harga yang harus dibayar. Data transaksi inilah yang digunakan dalam perhitungan apriori yang nantinya akan merujuk pada keputusan hasil desain layout menu makanan. 3.2
Analisis Kebutuhan Sistem Kebutuhan sistem dalam pembangunan aplikasi Data Mining Algoritma Apriori
pada penjualan di Rumah Makan Padang “ Murah Meriah “ ini meliputi kebutuhan perangkat keras (hardware), perangkat lunak (software), informasi dan beberapa kebutuhan lain yang akan menunjang pembuatan aplikasi ini.
9
3.3
Analisis Kebutuhan fungsional Kebutuhan fungsional berisi proses-proses apa saja yang akan dilakukan oleh
system atau perumpamaan mengenai fitur-fitur yang ada pada aplikasi ini. Fitur-fitur tersebut diantaranya: 1. Menginput data transaksi 2. Mengolah data transaksi 3. Mengolah data menu 4. Mencetak layout (perhitungan asosiasi) 5. Mencari hubungan kedekatan 3.4
Analisis Kebutuhan Non Fungsional
Analisis kebutuhan non fungsional dilakukan untuk mengetahui spesifikasi kebutuhan system. Kebutuhan yang dimaksud diantaranya: 3.4.1
KEBUTUHAN PERANGKAT KERAS (HARDWARE)
Spesifikasi perangkat keras pada laptop (computer) yang digunakan untuk membangun aplikasi ini adalah sebagai berikut : 1. Procesor
: Pentium(R) Dual-Core CPU T4500 @ 2.30GHz
2. Memory
: 3,072.00 MB DDR3
3. VGA
: Mobile Intel(R) 4 Series Express Chipset Family (DX11)
4. Harddisk
: 305244 MB SATA
5. Display : 14” HD (LED) 3.4.2
KEBUTUHAN PERANGKAT LUNAK (SOFTWARE)
Dalam proses pembangunan sistem, dibutuhkan beberapa perangkat lunak. Perangkat lunak tersebut digunakan untuk menghasilkan aplikasi yang sesuai dengan perencanaan. Perangkat lunak tersebuat antara lain : 1. Netbeans 7.2 dan Jasper Report 2. XAMPP 1.7.1 3. Sistem Operasi Windows 7 Ultimate 32 bit
10
3.5
Analisis Model Data input berupa data masukan ketika terjadi transaksi. Berikut adalah contoh
data input yang digunakan untuk proses data mining dalam bentuk tabel item transaksi, sebagai berikut: Tabel 3.1 Contoh Data Input Data Transaksi
IdTransaksi
NoTransaksi
IdMenu
NamaMenu
Banyak
1
1
44
Telur Bulat Balado/G
1
2
1
17
Kepala Tengiri Super
1
3
1
45
Telur Dadar
1
4
1
15
Ikan Bilih
1
5
2
47
Cucut/Kakap/Tenggiri
1
6
2
5
Ayam Spesial
2
7
2
51
Udang Goreng Sate
1
8
3
5
Ayam Spesial
1
9
3
2
Ayam Goreng
1
10
3
45
Telur Dadar
1
…
…
…
…
…
Berikut akan dijelaskan mengenai tahap-tahap dalam pembentukan layout menu makan berdasarkan data mining algoritma apriori. Data sebelumnya telah dipisahkan dan dipilih yang memenuhi criteria yang telah dijelaskan sebelumnya. Tahap-tahap adalah sebagai berikut : 1. Menyiapkan Data Data yang telah dirapikan kurang lebih menjadi seperti berikut ini : Tabel 3.2 Tabel Tampilan Data
IdTransaksi NoTransaksi NoMenu 1 1 44 2 1 5 3 1 46 4 1 51 5 2 44 6 2 5 7 2 39 8 3 44 9 3 39 10 3 46 11 3 40 12 4 44 13 4 39
NamaMenu Telur Bulat Balado/G Ayam Spesial Tempe Udang Goreng Sate Telur Bulat Balado/G Ayam Spesial Pergedel Kentang Telur Bulat Balado/G Pergedel Kentang Tempe Rendang Daging Telur Bulat Balado/G Pergedel Kentang 11
Banyak 1 1 2 1 1 1 3 1 2 2 1 1 2
14 15 16 17 18 19 20
5 5 6 6 7 7 7
46 122 44 5 5 40 122
Tempe Tahu (1) Telur Bulat Balado/G Ayam Spesial Ayam Spesial Rendang Daging Tahu (1)
1 1 1 1 1 1 2
2. Memisahkan masing-masing Item yang dibeli Dilakukan pemisahan item-item apa saja yang ada pada tabel tersebut. Tabel 3.3 Item-item yang terbeli
Item yg dibeli Telur Bulat Balado/G Ayam Spesial Tempe Udang Goreng Sate Pergedel Kentang Rendang Daging Tahu (1) 3. Membuat tabel dengan field data diatas dan menghitung jumlahnya. Tabel 3.4 Tabel baru beserta jumlahnya
Telur Bulat Transaksi Balado/G 1 1 2 1 3 1 4 1 5 0 6 1 7 0 5
Ayam Spesial 1 1 0 0 0 1 1 4
Tempe 1 0 1 0 1 0 0 3
Udang Goreng Sate 1 0 0 0 0 0 0 1
Pergedel Kentang 0 1 1 1 0 0 0 3
Rendang Daging 0 0 1 0 0 0 1 2
4. Menentukan nilai minimum ( ) Ditetapkan bahwa
= 3, maka semua itemset yang frekuensi kemunculannya
lebih dari atau sama dengan 3 kali disebut frequent. Berikut adalah tabel k = 2 (2 unsur):
12
Tahu (1) 0 0 0 0 1 0 1 2
Tabel 3.5 Calon 2-Itemset
Kombinasi Telur Bulat Balado/G , Ayam Spesial Telur Bulat Balado/G , Tempe Telur Bulat Balado/G , Udang Goreng Sate Telur Bulat Balado/G , Pergedel Kentang Telur Bulat Balado/G , Rendang Daging Telur Bulat Balado/G , Tahu (1) Ayam Spesial , Tempe Ayam Spesial , Udang Goreng Sate Ayam Spesial , Pergedel Kentang Ayam Spesial , Rendang Daging Ayam Spesial , Tahu (1) Tempe , Udang Goreng Sate Tempe , Pergedel Kentang Tempe , Rendang Daging Tempe , Tahu (1) Udang Goreng Sate , Pergedel Kentang Udang Goreng Sate , Rendang Daging Udang Goreng Sate , Tahu (1) Pergedel Kentang , Rendang Daging Pergedel Kentang , Tahu (1) Rendang Daging , Tahu (1)
jumlah 3 2 1 3 1 0 1 1 1 1 1 1 1 1 1 0 0 0 1 0 1
Kombinasi dari itemset dalam F2, dapat kita gabungkan menjadi calon 3-itemset. Itemset-itemset yang dapat digabungkan adalah itemset-itemset yang memiliki kesamaan dalam k-1 item pertama. Dari data diatas yang memiliki kesamaan adalah {Telur Bulat Balado/G
, Ayam Spesial} dan {Telur Bulat Balado/G,
Pergedel Kentang}, maka dapat digabung menjadi berikut ini: Tabel 3.6 Calon 3-Itemset
Telur Bulat Balado/G
Kombinasi , Ayam Spesial
, Pergedel Kentang
Jumlah 1
Dari tabel-tabel di atas, didapat F3 = { }, karena tidak ada Σ >= Ф sehingga F4, F5, F6 dan F7 juga merupakan himpunan kosong. 5. Pembentukan Aturan Asosiasi Berikut adalah aturan yang didapat. Perlu diketahui bahwa “Jika A maka B” tidak
berarti ”Jika B maka A”.
13
Tabel 3.7 Aturan Asosiasi
Telur Bulat Balado/G Ayam Spesial Telur Bulat Balado/G Tempe Telur Bulat Balado/G Udang Goreng Sate Telur Bulat Balado/G Pergedel Kentang Telur Bulat Balado/G Rendang Daging Ayam Spesial Tempe Ayam Spesial Udang Goreng Sate Ayam Spesial Pergedel Kentang Ayam Spesial Rendang Daging Ayam Spesial Tahu (1) Tempe Udang Goreng Sate Tempe Pergedel Kentang Tempe Rendang Daging Tempe Tahu (1) Pergedel Kentang Rendang Daging Rendang Daging Tahu (1) Telur Bulat Balado/G Ayam Spesial Telur Bulat Balado/G
-> -> -> -> -> -> -> -> -> -> -> -> -> -> -> -> -> -> -> -> -> -> -> -> -> -> -> -> -> -> -> -> -> -> ->
Kombinasi Ayam Spesial Telur Bulat Balado/G Tempe Telur Bulat Balado/G Udang Goreng Sate Telur Bulat Balado/G Pergedel Kentang Telur Bulat Balado/G Rendang Daging Telur Bulat Balado/G Tempe Ayam Spesial Udang Goreng Sate Ayam Spesial Pergedel Kentang Ayam Spesial Rendang Daging Ayam Spesial Tahu (1) Ayam Spesial Udang Goreng Sate Tempe Pergedel Kentang Tempe Rendang Daging Tempe Tahu (1) Tempe Rendang Daging Pergedel Kentang Tahu (1) Rendang Daging Ayam Spesial Pergedel Kentang Pergedel Kentang
6. Membentuk layout berdasarkan aturan
14
-> -> ->
Pergedel Kentang Telur Bulat Balado/G Ayam Spesial
Support Confident 42.86% 60% 42.86% 75% 28.57% 40% 28.57% 67% 14.29% 20% 14.29% 100% 42.86% 60% 42.86% 100% 14.29% 20% 14.29% 50% 14.29% 25% 14.29% 33% 14.29% 25% 14.29% 100% 14.29% 25% 14.29% 33% 14.29% 25% 14.29% 50% 14.29% 25% 14.29% 50% 14.29% 33% 14.29% 100% 14.29% 33% 14.29% 33% 14.29% 33% 14.29% 50% 14.29% 33% 14.29% 50% 14.29% 33% 14.29% 50% 14.29% 50% 14.29% 50% 14.29% 33% 14.29% 100% 14.29% 33%
Untuk membentuk layout, data diambil dari aturan asosiasi yang sudah terbentuk dengan menambahkan parameter (filter) nilai minimum support dan minimum confident. Misalkan support = 40% dan confident 60%, maka didapat penjelasan sebagai berikut: -> Jika mengambil [Telur Bulat Balado/G] maka juga akan mengambil [Ayam Spesial], dengan nilai Support = 42.857143% dan nilai Confident = 60.000004% -> Jika mengambil [Telur Bulat Balado/G] maka juga akan mengambil [Pergedel Kentang], dengan nilai Support = 42.857143% dan nilai Confident = 60.000004% Lalu untuk Layout, tampilan sebagai berikut :
Urutan makanan yang direkomendasikan berdasarkan perhitungan : 1. [Pergedel Kentang] [Telur Bulat Balado/G] [Ayam Spesial] 2. [Ayam Spesial] [Telur Bulat Balado/G] [Pergedel Kentang] 3. [Ayam Spesial] [Telur Bulat Balado/G] [Pergedel Kentang] 4. [Pergedel Kentang] [Telur Bulat Balado/G] [Ayam Spesial] 5. [Ayam Spesial] [Telur Bulat Balado/G] [Pergedel Kentang]
3.6
Rancangan Layout Tampilan Layout berupa tulisan (teks) dan bukan gambar, karena tampilan
adalah hasil dari perhitungan apriori sebelumnya, berikut tampilannya: Urutan makanan yang direkomendasikan berdasarkan perhitungan : 1. [Rekomendasi Item 1] [Rekomendasi Item 2] [Rekomendasi Item …] 2. [Rekomendasi Item 1] [Rekomendasi Item 2] [Rekomendasi Item …] 3. [Rekomendasi Item 1] [Rekomendasi Item 2] [Rekomendasi Item …] 4. [Rekomendasi Item 1] [Rekomendasi Item 2] [Rekomendasi Item …] 5. [Rekomendasi Item 1] [Rekomendasi Item 2] [Rekomendasi Item …] 3.7
Rancangan Laporan Laporan yang akan dibuat meliputi laporan data layout, data menu, dan
transaksi. Ketiga laporan tersebut memiliki desain tampilan yang sama, dan yang membedakan hanyalah isi dari masing-masing laporan tersebut.
15
LOGO
LAPORAN
Hal.
Gambar 3.1 Desain Laporan
4
IMPLEMENTASI DAN PEMBAHASAN Form Desain Layout merupakan hasil rekomendasi layout sajian makan
berdasarkan perhitungan menggunakan metode data mining dengan algoritma Apriori.
Gambar 4.1 Form Desain Layout
Min Support adalah nilai minimal support yang diinginkan, dan min Confident adalah nilai minimal confident yang diinginkan. Kedua inputan hanya bisa menerima inputan berupa anga dengan digit keberadaan dua. Tombol proses untuk melakukan perhitungan, dan tombol reset akan menghapus data pada tab hasil dan layout. Tampilan hasil proses adalah sebagai berikut:
16
Gambar 4.2 Output proses
Pada gambar diatas dapat dilihat ada tiga tab yaitu Tabel transaksi, Hasil, dan Layout. Dua buah textfield sebagai inputan pengguna. Tab Hasil merupakan hasil proses prhitungan apriori yang dilakukan oleh sistem. Tab Layout merupakan tampilan dari tabel tmp dengan pemilihan secara acak. Tabel tmp adalah penjabaran dari tabel hitungan, yaitu hasil dari proses perhitungan sistem per itemnya. Dari tab hasil dapat dilihat seperti gambar berikut.
Gambar 4.3 Hasil perhitungan
Dari tampilan ini dapat diketahui bahwa hasil perhitungan sistem, sama dengan hasil perhitungan manual yang telah dihitung sebelumnya pada bab III, yang hasil perhitungannya sebagai berikut:
- Telur Bulat Balado/G -> Ayam Spesial , Support = 42.857143%, Confident = 60.000004% - Telur Bulat Balado/G -> Pergedel Kentang , Support = 42.857143%, Confident = 60.000004%
17
Laporan layout makanan saji merupakan select antara tabel tmp dan tabel menu, sehingga menghasilkan urutan layout makanan yang direkomendasikan mulai dari no satu.
5
KESIMPULAN Dari hasil uji coba yang dilakukan, dapat disimpulkan bahwa sistem pembuatan
layout dengan data mining algoritma apriori assosiasi ini mampu untuk membuat susunan layout makanan saji agar lebih teratur dan sesuai dengan aturan asosiasi. Dengan hasil layout yang dibuat, maka penyususnan layout tidak lagi secara acak seperti yang dilakukan sebelumnya. Dengan teknik data mining algoritma apriori assosiasi, mampu menggali data transaksi yang tersimpan dalam database sehingga dapat ditemukan pola hubungan kedekatan antar makanan (yang terbeli) satu dengan yang lain. Hasil perhitungan sistem sudah sama dengan perhitungan yang dilakukan secara manual.
18
Perhitungan untuk membentuk layout makanan saji diseleksi berdasarkan nilai support dan confidence. Semakin tinggi nilai support dan confidence, semakin kuat hubungan antar menu tersebut. Perhitungan data mining meliputi data transaksi. Tampilan layout berupa urutan list menu. 6
SARAN Dalam pembuatan sistem ini, masih ada kekurangan salah satunya adalah tidak
diberikannya izin dari pihak Rumah Makan untuk mengakses database mereka, sehingga aplikasi ini menggunakan database baru, dan data transaksi diinputkan secara manual. Dari kesimpulan dan masalah yang ada, penulis memberikan saran-saran sebagai berikut: 1. Dalam membuat aplikasi, peran database sebagai pusat data sangatlah penting. Sebaiknya penulis dapat melihat dan menggunakan struktur database yang sudah ada agar dapat langsung mengakses data-data yang diperlukan. 2. Print layout makanan saji hanya berupa teks dan urutan makanan saja. Dapat dikembangkan kemudian hari agar dapat menghasilkan gambar makanan tersebut. 3. Kekuatan perhitungan apriori adalah ketika nilai support dan confidence semakin tinggi, maka hubungan kedekatan antar makanan tersebut semakin kuat. Untuk itu, penulis menyarankan agar pengguna melakukan beberapa kali penginputan nilai support dan confidence sampai ditemukan hubungan pola urutan yang sesuai.
19
DAFTAR PUSTAKA
Du, Hangbo, 2010. Data Mining Techniques and aplications : An Introduction. Brendan George, C&C Offset. Fatta, Hanif Al, 2007. Analisis & Perancangan Sistem Informasi untuk Keunggulan Bersaing Perusahaan & Organisasi Modern. Penerbit Andi, Yogyakarta. Helmy, dan Ridwan Sanjaya, 2003. Pengolahan Database SQL Server 2000 dengan Java 2. PT Elex Media Komputindo. Hermawan, Julius, 2005. Membangun Decision Support System. Penerbit Andi, Yogyakarta. Kusrini, 2007. Konsep dan Aplikasi Sistem Pendukung Keputusan. Penerbit Andi, Yogyakarta. Kusrini, 2007. Strategi Perancangan dan Pengelolaan Basis Data. Penerbit Andi, Yogyakarta. Kusrini, dan Emha Taufik Luthfi, 2009. Algoritma
Data
Mining.
Penerbit Andi,
Yogyakarta. Luthfi Taufiq Emha, 2009. Penerapan Data Mining Algoritma Asosiasi Untuk Meningkatkan Penjualan. STMIK Amikom, Yogyakarta.
20
