PERANCANGAN SISTEM INFORMASI DATA MINING DENGAN ALGORITMA APRIORI UNTUK PENENTUAN LAYOUT PRODUK PADA PT. METRO MAKMUR NUSANTARA
SKRIPSI
Oleh:
OLIVIA NIM : 1145050
PROGRAM STUDI SISTEM INFORMASI SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER STMIK TIME MEDAN 2015
ABSTRAK
PT. Metro Makmur Nusantara (Metro Supermarket) adalah salah satu dari banyaknya bisnis ritel yang berkembang di Medan pada saat ini dan merupakan ritel yang berorientasi pada produk makanan dan non makanan. PT. Metro Makmur Nusantara telah menggunakan sistem informasi Magic Retail Information System (MARIS) untuk menyimpan dan mengelola seluruh data penjualan pada perusahaan. Namun, program yang diterapkan tidak dapat memberikan informasi yang berhubungan dengan pengambilan keputusan seperti menganalisis keranjang belanja dari konsumen (market basket analysis). Untuk melakukan hal tersebut, maka dapat diterapkan metode data mining. Data mining adalah ekstraksi informasi atau pola yang penting atau menarik dari data yang berada pada basis data yang besar yang selama ini tidak diketahui, tetapi mempunyai potensi informasi yang bermanfaat. Algoritma apriori adalah algoritma pengambilan data dengan 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. Hasil penelitian ini adalah suatu aplikasi data mining yang membantu pihak manajemen perusahaan untuk mengetahui barang yang sering dibeli bersamaan dalam transaksi penjualan sehingga dapat dilakukan pengaturan layout produk. Hal ini dapat meningkatkan efisiensi waktu dari customer dalam mencari dan membeli barang di supermarket.
Kata Kunci : sistem informasi, data mining, algoritma Apriori, pengaturan layout produk
i
ABSTRACT
Nowadays, PT. Metro Makmur Nusantara (Metro Supermarket) is one of developing retail businesses in Medan which oriented on food and nonfood products. PT. Metro Makmur Nusantara has used Magic Retail Information System (MARIS) system information to store and manage all sales data in company. However, the applied system can’t provide the decision-making information, such as analyzing the customer shopping cart (market basket analysis). For providing the information, method of data mining can be applied. Data mining is the extraction of important information or interesting patterns from large database that had been unknown, yet potentially useful information. Apriori algorithm is data retrieval algorithms with associative rules to determine the associative relationship of the items combination. The association rule is done through the mechanism of calculating support and confidence of an item set. The result of this research is a data mining application that helps the company management to find products which often purchased together in sales transaction, so the products layout can be arranged. This also can improve the efficiency of customer’s time in finding and buying products in the supermarket.
Keywords : system information, data mining, Apriori algorithm, the arrangement of products layout
ii
KATA PENGANTAR
Puji syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa, yang telah melimpahkan berkat dan karunianya sehingga penulis dapat menyelesaikan skripsi ini dengan baik. Skripsi ini merupakan salah satu persyaratan dalam penyelesaian program studi Sistem Informasi pada STMIK TIME Medan. Adapun judul dari skripsi ini adalah “Perancangan Sistem Informasi Data Mining dengan Algoritma Apriori untuk Penentuan Layout Produk pada PT. Metro Makmur Nusantara”. Dalam penyusunan skripsi ini, penulis banyak menerima bantuan baik bimbingan maupun petunjuk serta saran nasehat dari berbagai pihak Oleh karena itu, melalui kesempatan yang baik ini penulis ingin berterima kasih kepada : 1.
Bapak Huliman, M.Kom, selaku Dosen Pembimbing I yang telah membantu dan membimbing penulis dalam menyelesaikan skripsi ini.
2.
Ibu Christina NM Tobing, M.H, selaku Dosen Pembimbing II yang telah membantu dan membimbing penulis dalam menyelesaikan skripsi ini.
3.
Bapak Simon Kanggali, selaku Ketua Yayasan STMIK TIME Medan.
4.
Bapak Prof. Chainur Arrasyid, S.H, selaku Ketua BPH STMIK TIME Medan.
5.
Bapak Prof. Harlem Marpaung, Ph.D, selaku Ketua STMIK TIME Medan.
6.
Bapak Jackri Hendrik, S.T, M.Kom, selaku Puket I STMIK TIME Medan.
7.
Ibu Feriani Astuti Tarigan, S.Kom, M.Kom, selaku Ketua Program Studi Sistem Informasi STMIK TIME Medan.
iii
8.
Ayah, Ibu, dan abang yang senantiasa mendoakan serta memberikan semangat dan dukungan baik moral maupun materil kepada penulis dalam menyelesaikan skripsi ini.
9.
Seluruh teman mahasiswa-mahasiswi yang telah banyak membantu dalam menyelesaikan skripsi ini. Penulis menyadari bahwa isi dan teknik penulisan skripsi ini masih
memerlukan perbaikan untuk menyempurnakannya baik dari segi tata bahasa dan materi yang terkandung didalamnya. Oleh karena itu, setiap kritik dan saran akan diterima dengan senang hati agar dapat dijadikan bahan perbaikan untuk penulisan selanjutnya. Penulis berharap skripsi yang telah dikerjakan ini dapat membawa manfaat bagi berbagai pihak.
Medan, 8 April 2015 Penulis
Olivia
iv
DAFTAR ISI
ABSTRAK ...............................................................................................................
i
ABSTRACT ............................................................................................................. ii KATA PENGANTAR ............................................................................................. iii DAFTAR ISI ............................................................................................................ v DAFTAR TABEL ................................................................................................... viii DAFTAR GAMBAR ............................................................................................... ix BAB I
PENDAHULUAN ............................................................................ 01 1.1. Latar Belakang Masalah ............................................................. 01 1.2. Identifikasi Masalah ................................................................... 3 0sadad3333 1.3. Batasan Masalah ........................................................................ 03 1.4. Tujuan dan Manfaat Penelitian .................................................. 04 1.5. Sistematika Penulisan ................................................................ 05
BAB II
LANDASAN TEORI ...................................................................... 07 2.1. Sistem Informasi ........................................................................ 07 2.1.1. Definisi Sistem Informasi ................................................ 07 2.1.2. Komponen Sistem Informasi ............................................ 8 2.1.3. Pengelompokan Sistem Informasi .................................... 9 2.2. Data Mining ............................................................................... 11 2.3. Tahapan Data Mining ................................................................. 15 2.4. Arsitektur Data Mining .............................................................. 18 2.5. Pengelompokan Fungsi Data Mining ........................................ 20 2.6. Algoritma Apriori ...................................................................... 22
v
2.6.1. Konsep Association Rules dengan Algoritma Apriori ..... 23 2.6.2. Analisis Asosiasi dengan Algoritma Apriori ................... 24 BAB III
METODE PENELITIAN ............................................................... 26 3.1. Tempat dan Jadwal Penelitian ................................................... 26 3.2. Kerangka Kerja .......................................................................... 27 3.2.1. Metode Pengumpulan Data ............................................. 27 3.2.2. Analisa Sistem ................................................................ 28 3.2.3. Perancangan Sistem ........................................................ 29 3.2.4. Pembangunan Sistem ...................................................... 30 3.2.5. Uji Coba Sistem .............................................................. 30
BAB IV
ANALISA DAN PERANCANGAN SISTEM ............................... 31 4.1. Analisa ...................................................................................... 31 4.1.1. Analisa Dokumen Keluaran ............................................ 33 4.1.2. Analisa Dokumen Masukan ............................................ 35 4.1.3. Analisa Kebutuhan .......................................................... 36 4.2. Data Flow Diagram (DFD) ....................................................... 38 4.3. Perancangan Sistem Usulan ....................................................... 39 4.3.1. Perancangan Masukan .................................................... 39 4.3.2. Perancangan Struktur Menu ............................................ 49 4.3.3. Kamus Data ..................................................................... 50 4.3.4. Hubungan Antar Tabel .................................................... 50 4.3.5. Perancangan Database .................................................... 51
vi
BAB V
HASIL DAN PEMBAHASAN ....................................................... 55 5.1. Hasil............................................................................................. 55 5.2. Pembahasan ................................................................................ 69 5.2.1. Keunggulan dan Kelemahan Sistem Berjalan .................. 69 5.2.2. Keunggulan dan Kelemahan Sistem Usulan .................... 69
BAB VI
KESIMPULAN DAN SARAN ....................................................... 71 6.1. Kesimpulan ................................................................................ 71 6.2. Saran .......................................................................................... 71
DAFTAR PUSTAKA ............................................................................................... 73 LAMPIRAN
vii
DAFTAR TABEL
Tabel 2.1.
Perbandingan Analisis Statistik dengan Data Mining ......................... 13
Tabel 3.1.
Jadwal Penelitian .................................................................................. 26
Tabel 4.1.
Struktur Tabel Barang ........................................................................... 51
Tabel 4.2.
Struktur Tabel Rak ................................................................................ 52
Tabel 4.3.
Struktur Tabel TJual ............................................................................. 52
Tabel 4.4.
Struktur Tabel TDJual........................................................................... 53
Tabel 4.5.
Struktur Tabel TKategori ...................................................................... 53
Tabel 4.6.
Struktur Tabel UserList......................................................................... 54
viii
DAFTAR GAMBAR
Gambar 2.1.
Pengelompokan Sistem Informasi. .................................................... 11
Gambar 2.2.
Kajian Umum Data Mining .............................................................. 12
Gambar 2.3.
Proses KDD ...................................................................................... 16
Gambar 2.4.
Arsitektur Data Mining ..................................................................... 18
Gambar 3.1.
Kerangka Kerja Penelitian ................................................................ 27
Gambar 4.1.
Flowchart Diagram Proses Penjualan. .............................................. 33
Gambar 4.2.
Laporan Penjualan ............................................................................ 34
Gambar 4.3.
Interface Pengisian Data Barang ....................................................... 35
Gambar 4.4.
Daftar Barang .................................................................................... 36
Gambar 4.5.
Diagram Konteks Sistem Informasi ................................................... 38
Gambar 4.6.
Data Flow Diagram Level 0 dari Sistem Informasi .......................... 39
Gambar 4.7.
Rancangan Form Master Barang ...................................................... 40
Gambar 4.8.
Rancangan Form Master Kategori ..................................................... 41
Gambar 4.9.
Rancangan Form Master Rak ............................................................ 42
Gambar 4.10. Rancangan Form Master User ........................................................... 43 Gambar 4.11. Rancangan Form Login ..................................................................... 44 Gambar 4.12. Rancangan Form Denah Rak ............................................................. 44 Gambar 4.13. Rancangan Form Transaksi Penjualan............................................... 45 Gambar 4.14. Rancangan Form Transfer Data dari MARIS ................................... 46 Gambar 4.15. Rancangan Form Pengaturan Tata Letak Rak ................................... 47 Gambar 4.16. Rancangan Form Hasil Denah Rak .................................................... 48 Gambar 4.17. Rancangan Form Perhitungan Apriori ............................................... 49
ix
Gambar 4.18. Rancangan Struktur Menu ................................................................. 50 Gambar 4.19. Hubungan Antar Tabel pada Sistem Usulan ...................................... 51 Gambar 5.1.
Tampilan Form Login ....................................................................... 55
Gambar 5.2.
Tampilan Message Box ..................................................................... 55
Gambar 5.3.
Tampilan Message Box ...................................................................... 56
Gambar 5.4.
Tampilan Form Main untuk Staf Operasional .................................. 56
Gambar 5.5.
Tampilan Form Main untuk Manajer................................................. 57
Gambar 5.6.
Tampilan Form Master Barang ......................................................... 58
Gambar 5.7.
Tampilan Form Master Rak............................................................... 59
Gambar 5.8.
Tampilan Form Master Kategori ....................................................... 60
Gambar 5.9.
Tampilan Form Master User ............................................................. 61
Gambar 5.10. Tampilan Form Transaksi Penjualan ................................................. 62 Gambar 5.11. Tampilan Form Perhitungan Apriori ................................................. 62 Gambar 5.12. Tampilan Form Transfer Data dari MARIS ...................................... 63 Gambar 5.13. Tampilan Form Pengaturan Tata Letak Rak ...................................... 63 Gambar 5.14. Tampilan Form Hasil Denah Rak ...................................................... 64
x
BAB I PENDAHULUAN
1.1.
Latar Belakang Masalah Dalam beberapa tahun terakhir ini, pertumbuhan bisnis ritel mengalami
peningkatan yang sangat pesat di Medan. Hal ini ditandai dengan munculnya berbagai bisnis ritel modern yang baru, mulai dari kelas minimarket, supermarket, department store sampai hypermarket. Peningkatan jumlah bisnis ritel, khususnya supermarket terjadi seiring dengan peningkatan permintaan dan kebutuhan masyarakat akan barang-barang konsumer sebagai kebutuhan hidup. Dengan adanya perkembangan kondisi pasar sekarang ini, persaingan antar perusahaan bisnis ritel supermarket juga menjadi semakin ketat. Oleh karena itu, pihak manajemen perusahaan terus mengembangkan strategi peningkatan penjualan dan pemasaran barang yang lebih baik. Kemampuan bisnis ritel untuk tetap bertahan sangat bergantung pada kemampuannya dalam memahami konsumen dan proses pengambilan keputusan konsumen dari hari ke hari. Perkembangan dari one stop shop yang dikombinasikan dengan kebutuhan untuk meningkatkan mutu pelayanan dan diversifikasi produk yang ditawarkan. Peningkatan diversifikasi produk ini hendaknya disertai dengan penyesuaian teknik pembelian konsumen (merchandising techniques) yang diterapkan retailer. PT. Metro Makmur Nusantara atau yang lebih dikenal sebagai Metro Supermarket adalah salah satu bisnis ritel yang telah lama berdiri dan bertahan di kota Medan yang berorientasi pada konsumsi kebutuhan sehari-hari, baik produk berupa food maupun nonfood. PT. Metro Makmur Nusantara memiliki luas area
1
2
sekitar ± 1.500 m2 dan jumlah item jualnya ± 20.000 jenis. Ada dua buah gerai Metro Supermarket yang terletak di provinsi Sumatera Utara, yaitu di Medan Plaza
dan di kota Pematang Siantar. Pada saat ini, PT. Metro Makmur Nusantara telah menggunakan sistem informasi Magic Retail Information System (MARIS) untuk menyimpan dan mengelola seluruh data pembelian dan penjualan pada perusahaan. Sistem yang diterapkan ini hanya mampu melakukan kalkulasi serta pencatatan transaksi pembelian dan penjualan saja, namun data pencatatan transaksi yang diperoleh dari konsumen tersebut hanya disimpan dan belum dimanfaatkan untuk membantu pengambilan keputusan oleh manajemen perusahaan. Selanjutnya, sistem ini masih belum bisa menggambarkan pola konsumsi konsumen yang sangat berpengaruh terhadap layout barang di dalam rak sesuai keinginan konsumen sehingga hal ini mengurangi kenyamanan dan kemudahan konsumen dalam memilih barang belanjaan. Dengan adanya penerapan data mining, data historis transaksi penjualan produk-produk dapat diolah menjadi suatu pengetahuan (knowledge) yang dapat meningkatkan kenyamanan konsumen dan mempermudah proses pengambilan keputusan strategi bisnis yang penting bagi perusahaan. Melihat keadaan seperti uraian di atas pada PT. Metro Makmur Nusantara, maka diperlukan suatu sistem informasi data mining pada data historis transaksi penjualan. Oleh karena itu, penulis tertarik untuk menulis skripsi dengan judul ”Perancangan Sistem Informasi Data Mining dengan Algoritma Apriori untuk Penentuan Layout Produk pada PT. Metro Makmur Nusantara”.
3
1.2.
Identifikasi Masalah Permasalahan yang terjadi di PT. Metro Makmur Nusantara (Metro
Supermarket) adalah: 1. Penempatan layout produk di supermarket masih kurang akurat dan optimal karena hanya berdasarkan persepsi manajemen saja dengan mengkategorikan produk-produk yang ada dan belum ditinjau dari sudut pandang konsumen. 2. Belum tersedia informasi mengenai pola belanja konsumen yang dapat membantu pihak manajemen perusahaan dalam mengambil keputusan. Berdasarkan identifikasi masalah di atas, dapat dibuat rumusan masalah, yaitu bagaimana merancang suatu sistem informasi data mining dengan menggunakan algoritma apriori untuk membantu pihak manajemen perusahaan dalam penentuan layout produk sekaligus dalam pengambilan keputusan strategi bisnis bagi perusahaan.
1.3.
Batasan Masalah Karena keterbatasan waktu dan kemampuan penulis serta luasnya bidang
usaha yang dimiliki oleh PT. Metro Makmur Nusantara (Metro Supermarket), maka perlu dibatasi ruang lingkup masalah. Adapun ruang lingkup penelitian hanya meliputi: 1. Data mining akan dibangun dari data warehouse yang sudah ada pada perusahaan yang berkaitan dengan market basket analysis (analisis keranjang pasar). 2. Input data terdiri dari data barang, data penjualan, nilai minimum support dan nilai minimum confidence.
4
3. Sistem ini menerapkan data mining dengan metode market basket analysis dan menggunakan algoritma apriori. 4. Sistem ini hanya akan menghasilkan aturan asosiasi pada maksimal dua ataupun tiga item barang. 5. Sistem ini hanya menghasilkan aturan asosiasi berdasarkan kategori barang. 6. Laporan-laporan yang dihasilkan mencakup laporan analisa pola pembelian produk oleh konsumen, laporan hubungan antarproduk yang berkaitan. 7. Sistem usulan akan dibuat dengan menggunakan bahasa pemrograman Microsoft Visual Basic.NET 2010. 8. Database akan dirancang dengan menggunakan aplikasi Microsoft Access 2010. Adapun fungsi-fungsi manajemen yang diteliti di PT. Metro Makmur Nusantara (Metro Supermarket) adalah: 1. Fungsi penjualan Bagian penjualan bertugas mempersiapkan barang yang akan dijual mulai dari kuantiti, display barang, dan layanan ke konsumen. 2. Fungsi pemasaran Bagian pemasaran bertugas menentukan strategi pemasaran, mulai dari mengamati keadaan konsumen dan pasar, menentukan layout produk, dan melakukan promosi penjualan.
1.4.
Tujuan dan Manfaat Penelitian Adapun tujuan dari penelitian ini adalah untuk menghasilkan suatu
rancangan sistem informasi yang sesuai dengan kondisi dan kebutuhan
5
perusahaan serta menemukan pola-pola pengetahuan berdasarkan data warehouse perusahaan sehingga meningkatkan strategi pemasaran perusahaan, memberikan masukan, dan pengambilan keputusan yang tepat dan akurat dalam hal pengaturan layout produk. Adapun manfaat dari penyusunan skripsi ini adalah: 1. Bagi perusahaan a. Program yang dihasilkan dapat dijadikan sebagai referensi dalam pengembangan sistem informasi komputerisasi pada perusahaan. b. Membantu dalam proses pengambilan keputusan yang lebih efektif dan efisien pada perusahaan. c. Memberikan masukan kepada perusahaan mengenai kelebihan dan kelemahan dari sistem yang sedang diterapkan. 2. Bagi penulis a. Mengetahui prosedur kerja dari sistem informasi yang diterapkan pada supermarket. b. Meningkatkan wawasan dan pengetahuan penulis mengenai proses pembuatan aplikasi dengan menggunakan Microsoft Visual Basic 2010. 3. Bagi STMIK-TIME Laporan skripsi dapat dijadikan sebagai referensi bagi mahasiswa lainnya yang ingin mengangkat topik mengenai sistem informasi data mining.
1.5.
Sistematika Penulisan Sistematika penelitian skripsi ini adalah sebagai berikut:
6
BAB I
PENDAHULUAN Berisi latar belakang masalah, identifikasi masalah, batasan masalah, tujuan dan manfaat, serta sistematika penulisan skripsi.
BAB II
LANDASAN TEORI Berisi landasan teori yang digunakan untuk mendukung penelitian skripsi ini, berupa sistem informasi, data mining, serta algoritma apriori.
BAB III
METODE PENELITIAN Berisi tentang tempat dan jadwal penelitian, kerangka kerja, metode pengumpulan data, analisa sistem, perancangan sistem, pembangunan sistem dan uji coba sistem.
BAB IV
ANALISA DAN PERANCANGAN Berisi analisis sistem berjalan berupa analisis dokumen masukan, analisis proses, analisis dokumen keluaran dan identifikasi kebutuhan sistem berjalan. Setelah itu, dilanjutkan dengan perancangan berupa rancangan proses, rancangan layar, rancangan keluaran, rancangan database, dan rancangan user interface.
BAB V
HASIL DAN PEMBAHASAN Berisi tampilan input dan output sistem serta pembahasan mengenai kelebihan dan kelemahan sistem berjalan dan usulan.
BAB VI
KESIMPULAN DAN SARAN Berisi kesimpulan dan saran pada penelitian skripsi ini.
BAB II
LANDASAN TEORI
2.1.
Sistem Informasi Pada era globalisasi ini, sistem informasi berperan dalam keunggulan kompetitif bagi perusahaan dan juga bermanfaat bagi konsumen.
2.1.1. Definisi Sistem Informasi Sistem informasi merupakan hal yang sangat penting bagi suatu manajemen di dalam pengambilan keputusan. Untuk memahami definisi dari sistem informasi, terlebih dahulu harus dimengerti dua kata yang menyusunnya, yaitu ‘sistem’ dan ‘informasi’. Kata ‘sistem’ didefinisikan sebagai kumpulan elemen-elemen yang berinteraksi untuk mencapai tujuan tertentu, sedangkan kata ‘informasi’ didefinisikan sebagai data yang diolah menjadi bentuk yang lebih berguna dan lebih berarti bagi yang menerimanya. Setelah mengetahui definisi dari kata-kata yang menyusunnya, maka dapat diketahui definisi dari kata “Sistem Informasi” itu sendiri. Menurut Scott, G.M. (2009 : 679): Sistem informasi adalah suatu sistem yang ada dalam suatu organisasi yang merupakan kumpulan dari beberapa elemen-elemen yaitu orang, fasilitas, teknologi, jalur komunikasi penting, memberi sinyal kepada manajemen dan yang lainnya terhadap kejadian internal dan eksternal dan menyediakan suatu informasi untuk pengembalian suatu keputusan. Menurut Jogiyanto (2009:11) : Sistem informasi adalah suatu sistem di dalam suatu organisasi yang mempertemukan kebutuhan pengolahan transaksi harian, mendukung operasi, bersifat manajerial dan kegiatan strategi dari dari suatu organisasi dan menyediakan pihak luar tertentu dengan laporan-laporan yang diperlukan.
7
8
Menurut Budi Sutejo (2006:36), “Sistem informasi adalah kumpulan elemen yang saling berhubungan satu sama lain untuk membentuk suatu kesatuan untuk mengintegrasi data, memproses dan menyimpan serta mendistribusikan informasi tersebut.” Jadi, definisi sistem informasi dapat disimpulkan sebagai suatu kumpulan sumber daya manusia atau alat yang terpadu serta modal yang bertanggung jawab untuk mengumpulkan data dan mengolah data demi menghasilkan suatu informasi yang berguna bagi seluruh tingkat operasi untuk kegiatan perencanaan, pelaksanaan, pekerjaan, pengendalian, dan pengambilan keputusan dalam sebuah organisasi.
2.1.2. Komponen Sistem Informasi Sistem informasi terdiri dari komponen-komponen yang disebut dengan istilah blok bangunan (building block), yaitu: 1. Blok Masukan (Input Block) Input mewakili data yang masuk ke dalam sistem informasi. Input disini termasuk metode-metode dan media untuk menangkap data yang akan dimasukkan, yang dapat berupa dokumen-dokumen dasar. 2. Blok Model (Model Block) Blok ini terdiri dari kombinasi prosedur, logika dan model matematik yang akan memanipulasi data input dan data yang tersimpan di basis data dengan cara yang sudah tertentu untuk menghasilkan keluaran yang diinginkan.
9
3. Blok Keluaran (Output Block) Produk dari sistem informasi adalah keluaran yang merupakan informasi yang berkualitas dan dokumentasi yang berguna untuk semua tingkatan manajemen serta semua pemakai sistem. 4. Blok Teknologi (Technology Block) Teknologi merupakan kotak alat dalam sistem informasi. Teknologi digunakan untuk menerima input, menjalankan model, menyimpan dan mengakses data, menghasilkan dan mengirimkan keluaran dan membantu pengendalian dari sistem secara keseluruhan. Teknologi terdiri dari 3 bagian utama yaitu teknisi (humanware atau brainware), perangkat lunak (software), dan perangkat keras (hardware). 5. Blok Basis Data (Database Block) Basis data merupakan kumpulan dari data yang saling berhubungan satu dengan yang lainnya, tersimpan di perangkat keras komputer dan digunakan perangkat lunak untuk memanipulasinya. Data perlu disimpan di dalam basis data untuk keperluan penyediaan informasi lebih lanjut. 6. Blok Kendali (Controls Block) Banyak hal yang dapat merusak sistem informasi, seperti bencana alam, api, temperatur, air, debu, kecurangan, kegagalan dari sistem itu sendiri, kesalahan, ketidakefisienan, sabotase, dan lain sebagainya. (Jogiyanto, 2009 : 12)
2.1.3. Pengelompokan Sistem Informasi Sistem informasi dapat dikelompokkan menjadi beberapa bagian, yaitu:
10
1. Transaction Processing Systems (TPS), yaitu sistem informasi yang terkomputerisasi yang dikembangkan untuk memproses data dalam jumlah besar untuk transaksi bisnis rutin seperti daftar gaji dan inventarisasi. 2. Office Automation Systems (OAS) dan Knowledge Work Systems (KWS) yang bekerja pada level knowledge. OAS mendukung pekerja data, yang biasanya tidak menciptakan pengetahuan baru melainkan hanya menganalisis informasi untuk mentransformasikan atau memanipulasikan data. KWS mendukung para pekerja profesional seperti ilmuwan, insinyur dan dokter dengan membantu menciptakan pengetahuan baru. 3. Sistem Informasi Manajemen (SIM), yang mendukung spektrum tugas-tugas organisasional yang lebih luas dari TPS, termasuk analisis keputusan dan pembuat keputusan. SIM menghasilkan informasi yang digunakan untuk membuat keputusan, dan juga dapat membatu menyatukan beberapa fungsi informasi bisnis yang sudah terkomputerisasi (basis data). 4. Decision Support Systems (DSS), memiliki sifat yang hampir sama dengan SIM karena menggunakan basis data sebagai sumber data. DSS bermula dari SIM karena menekankan pada fungsi mendukung pembuat keputusan diseluruh tahap-tahapnya, meskipun keputusan aktual tetap wewenang eksklusif pembuat keputusan. 5. Sistem Ahli atau Expert System (ES) dan Kecerdasan Buatan atau Artificial Intelligence (AI) dimana AI dimaksudkan untuk mengembangkan mesinmesin yang berfungsi secara cerdas, sedangkan sistem ahli menggunakan pendekatan-pendekatan pemikiran AI untuk menyelesaikan masalah serta memberikannya lewat pengguna bisnis. Sistem ahli (juga disebut knowledge-
11
based systems) secara efektif menangkap dan menggunakan pengetahuan seorang ahli untuk menyelesaikan masalah yang dialami dalam suatu organisasi serta menyeleksi solusi terbaik terhadap suatu masalah khusus. 6. Group
Decision
Support
Systems
(GDSS)
dan
Computer-Support
Collaborative Work Systems (CSCW) dimana GDSS dimaksudkan untuk membawa kelompok bersama-sama menyelesaikan masalah dengan memberi bantuan dalam bentuk pendapat, kuesioner, konsultasi dan skenario. 7. Executive Support Systems (ESS) yang tergantung pada informasi yang dihasilkan TPS dan SIM dan ESS membantu eksekutif mengatur interaksinya dengan lingkungan eksternal dengan menyediakan grafik-grafik dan pendukung komunikasi di tempat-tempat yang bisa diakses seperti kantor. Ilustrasi pengelompokan sistem informasi dapat dilihat pada gambar 2.1:
Gambar 2.1.
Pengelompokan Sistem Informasi Sumber : Kendall, K.E. dan J.E.Kendall (I) (2010 : 2)
2.2.
Data Mining “Data mining adalah serangkaian proses untuk menggali nilai tambah dari
suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual.” (Hermawati, 2013:3).
12
Gambar 2.2. Kajian Umum Data Mining
Seperti yang dapat dilihat pada Gambar 2.2, data mining merupakan pusat dari beberapa kajian, yaitu estimasi, seleksi variabel, clustering, visualisasi, market basket analysis dan klasifikasi. “Data mining merupakan bidang dari beberapa bidang keilmuan yang menyatukan teknik dari pembelajaran mesin, pengenalan pola, statistik, database dan visualisasi untuk penanganan permasalahan pengambilan informasi dari database yang besar.”(Larose, 2005:2). “Data mining adalah analisis otomatis dari data yang berjumlah besar atau kompleks dengan tujuan untuk menemukan pola atau kecenderungan yang penting yang biasanya tidak disadari keberadaannya.” (Hermawati, 2013:2). Data mining dapat didefinisikan sebagai ekstraksi informasi atau pola yang penting atau menarik dari data yang berada pada basis data yang besar yang selama ini tidak diketahui, tetapi mempunyai potensi informasi yang bermanfaat yang dikenal sebagai knowledge. Konsep data mining muncul dikarenakan timbulnya data explosion akibat dari penumpukan data oleh sistem pengolahan basis data terpadu di suatu organisasi. Proses data mining menggunakan berbagai
13
perangkat analisis data untuk menemukan pola dan hubungan dalam data yang mungkin dapat digunakan untuk membuat prediksi yang valid. Data mining menganalisis data untuk menemukan informasi yang tersembunyi pada sejumlah besar data yang disimpan. Data mining merupakan proses yang berbeda dengan analisis statistik biasa. Tabel berikut menyajikan perbandingan di antara keduanya Tabel 2.1. Perbandingan Analisis Statistik dengan Data Mining Analisis Statistik Biasanya
dimulai
Data Mining dengan
hipotesis Data
(sebuah pertanyaan atau asumsi)
mining
tidak
membutuhkan
hipotesis
Untuk menyesuaikan dengan hipotesisnya Algoritma data mining dapat dengan maka dibangun sebuah persamaan
otomatis
mengembangkan
persamaan
tersebut Hanya menggunakan data numerik
Tool data mining dapat menggunakan tipe data yang berbeda-beda, tidak hanya data numerik
Dapat
dilakukan
pencarian
dan Data mining bergantung pada data yang
penyaringan terhadap data kotor selama bersih dan terdokumentasi dengan baik proses analisisnya Hasil yang diperoleh diinterpretasikan Hasil data mining sulit diinterpretasikan, sendiri dan menyampaikan hasil tersebut dan masih harus melibatkan ahli statistik kepada manajer dan eksekutif perusahaan
dalam menganalisis hasil tersebut dan menyampaikan hasil eksekutif organisasi
tersebut kepada
14
Hasil dari operasi data mining berupa tabel-tabel dan file-file yang berisi data analisis yang dapat diakses dengan query dan reporting tools. Terdapat empat operasi umum data mining, yaitu : a. Predictive and Classification Modeling, yang biasa digunakan untuk memperkirakan suatu kejadian khusus. Diasumsikan bahwa seorang analis mempunyai pertanyaan khusus untuk ditanyakan. b. Link Analysis, yang digunakan untuk mencari hubungan antara record-record pada basis data. c. Database Segmentation, yang digunakan untuk mengelompokkan recordrecord yang berhubungan ke dalam segmen-segmen. Pengelompokkan ini merupakan langkah pertama dari pemilihan data, sebelum operasi data mining lainnya dilakukan. d. Deviation Detection, yang digunakan untuk mencari record-record yang dipandang tidak normal dan memberikan alasan untuk anomali tersebut. Hal-hal penting yang terkait dengan data mining, yaitu: 1. Data mining merupakan suatu proses otomatis terhadap data yang sudah ada. 2. Data yang akan diproses berupa data yang sangat besar. 3. Tujuan data mining adalah mendapatkan hubungan atau pola yang mungkin memberikan indikasi yang bermanfaat. Hubungan yang dicari dalam data mining dapat berupa hubungan antara dua atau lebih objek dalam satu dimensi yang sama. Misalnya dalam dimensi produk dapat dilihat keterkaitan (asosiasi) pembelian suatu produk dengan produk yang lain. Selain itu, hubungan juga dapat dilihat antara dua atau lebih atribut dan dua atau lebih objek.
15
Ciri-ciri masalah yang sesuai untuk diselesaikan dengan teknik data mining adalah sebagai berikut. 1. Memerlukan keputusan yang bersifat knowledge-based. 2. Mempunyai lingkungan yang berubah. 3. Metode yang ada sekarang bersifat sub-optimal. 4. Tersedia data yang bisa diakses, cukup, dan relevan. 5. Memberikan keuntungan yang tinggi jika keputusan yang diambil tepat. (Piatetsky & Shapiro, 2006:11)
2.3.
Tahapan Data Mining Istilah data mining dan Knowledge Discovery in Databases (KDD) sering
kali digunakan secara bergantian untuk menjelaskan proses penggalian informasi tersembunyi dalam suatu basis data yang besar. Sebenarnya kedua istilah tersebut memliki konsep yang berbeda, tetapi berkaitan satu sama lain. Salah satu tahapan dalam keseluruhan proses KDD adalah data mining. Data yang ada tidak dapat langsung diolah dengan menggunakan sistem data mining. Data tersebut harus dipersiapkan terlebih dahulu agar hasil yang diperoleh dapat lebih maksimal, dan waktu komputasinya lebih minimal. Proses persiapan data ini sendiri dapat mencapai 60% dari keseluruhan proses dalam data mining. Proses KDD secara garis besar terdiri dari 5 tahapan yaitu data selection, pre-processing/cleaning,
transformation,
data
mining
dan
interpretation/evaluation. Proses KDD digambarkan pada Gambar 2.3 berikut ini.
16
Gambar 2.3. Proses KDD Sumber : Han, et al. (2012:7) Data mining merupakan salah satu langkah dalam proses penemuan pengetahuan yang terdiri dari iterasi urutan langkah-langkah seperti terlihat pada gambar 2.3, yaitu: 1. Data Selection Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi dalam KDD dimulai. Data hasil seleksi yang akan digunakan untuk proses data mining, disimpan dalam suatu berkas, terpisah dari basis data operasional. 2. Pre-processing/ Cleaning Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses cleaning pada data yang menjadi fokus KDD. Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data yang inkonsisten dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi).
17
Juga dilakukan proses enrichment, yaitu proses memperkaya data yang sudah ada dengan data atau informasi lain yang relevan dan diperlukan untuk KDD, seperti data atau informasi eksternal. 3. Transformation Coding adalah proses transformasi pada data yang telah dipilih, sehingga data tersebut sesuai untuk proses data mining. Proses coding dalam KDD merupakan proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam basis data. 4. Data Mining Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. Teknik, metode atau algoritma dalam data mining sangat bervariasi. Pemilihan metode atau algoritma yang tepat sangat bergantung pada tujuan dan proses KDD secara keseluruhan. 5. Interpretation/Evaluation Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian dari proses KDD yang disebut interpretation. Tahap ini mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesis yang ada sebelumnya. (Han,et al., 2012:8)
18
2.4.
Arsitektur Data Mining Data mining merupakan proses pencarian pengetahuan yang menarik dari
data berukuran besar yang disimpan dalam basis data, data warehouse atau tempat penyimpanan informasi lainnya.
Gambar 2.4. Arsitektur Data Mining Sumber : Han, et al. (2012:10) Arsitektur sistem data mining memiliki komponen-komponen utama seperti terlihat pada gambar 2.4, yaitu: a.
Database, data warehouse, World Wide Web, atau tempat penyimpanan informasi lainnya
19
Berupa satu atau banyak database, data warehouse, spreadsheet, ataupun tempat penyimpanan informasi lainnya. Data cleaning, data integration dan data selection dapat dijalankan pada data tersebut. b.
Database dan data warehouse server Komponen ini bertanggung jawab dalam pengambilan data yang relevan, berdasarkan permintaan pengguna.
c.
Knowledge Based Komponen ini merupakan domain knowledge yang digunakan untuk memandu pencarian atau mengevaluasi pola-pola yang dihasilkan. Pengetahuan tersebut meliput hirarki konsep yang digunakan untuk mengorganisasikan atribut atau nilai atribut kedalam level abstraksi yang berbeda. Pengetahuan tersebut juga dapat berupa kepercayaan pengguna (user belief), yang dapat digunakan untuk menentukan kemenarikan pola yang diperoleh.
d. Data mining engine Bagian ini merupakan komponen penting dalam arsitektur sistem data mining. Komponen ini terdiri dari modul-modul fungsional seperti karakterisasi, asosiasi, klasifikasi, dan analisis cluster. e.
Ghrapical user interface (GUI) Modul ini berkomunikasi dengan pengguna dan data mining. Melalui komponen ini, pengguna berinteraksi dengan sistem menggunakan query. (Han, et al., 2012:9-10)
20
2.5.
Pengelompokan Fungsi Data Mining Pengelompokan fungsi data mining berdasarkan teknik dan tugas yang
dapat dilakukan adalah sebagai berikut. 1. Deskripsi Terkadang penelitian analisis secara sederhana ingin mencoba mencari cara untuk menggambarkan pola dan kecenderungan yang terdapat dalam data. Sebagai contoh, petugas pengumpulan suara mungkin tidak dapat menemukan keterangan atau fakta bahwa siapa yang tidak cukup profesional akan sedikit didukung dalam pemilihan presiden. Deskripsi dari pola dan kecenderungan sering memberikan kemungkinan penjelasan untuk suatu pola atau kecenderungan. 2. Estimasi Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih ke arah numerik daripada ke arah kategori. Model dibangun menggunakan record lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi. Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel target dibuat berdasarkan nilai variabel prediksi. Sebagai contoh, akan dilakukan estimasi tekanan darah sistolik pada pasien rumah sakit berdasarkan umur pasien, jenis kelamin, indeks berat badan, dan level sodium darah. Hubungan antara tekanan darah sistolik dan nilai variabel tertentu dalam proses pembelajaran akan menghasilkan model estimasi. Model estimasi yang dihasilkan dapat digunakan untuk kasus baru lainnya.
21
3. Prediksi Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam prediksi nilai dari hasil akan terjadi di masa mendatang. Contoh prediksi dalam bisnis dan penelitian adalah sebagai berikut. a. Prediksi harga beras dalam tiga bulan yang akan datang. b. Prediksi presentase kenaikan kecelakaan lalu lintas tahun depan jika batas bawah kecepatan dinaikkan. Beberapa metode dan teknik yang digunakan dalam klasifikasi dan estimasi dapat pula digunakan (untuk keadaan yang tepat) untuk prediksi. 4. Klasifikasi Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh, penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan tinggi, pendapatan sedang, dan pendapatan rendah. Contoh lain klasifikasi dalam bisnis dan penelitian adalah : a. Menentukan apakah suatu transaksi kartu kredit merupakan transaksi yang curang atau bukan. b. Menentukan apakah suatu pengajuan hipotek oleh nasabah merupakan suatu kredit yang baik atau buruk. c. Mendiagnosis penyakit seorang pasien untuk mendapatkan kategori penyakit yang mungkin dideritanya. 5. Pengklusteran Pengklusteran
merupakan
pengelompokan
record,
pengamatan,
atau
memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan.
22
Cluster adalah kumpulan record yang memiliki kemiripan satu dengan yang lainnya dan memiliki ketidakmiripan dengan record-record dalam cluster lain. Contoh pengklusteran dalam bisnis dan penelitian adalah: a. Melakukan pengklusteran terhadap ekspresi dari gen, untuk mendapatkan kemiripan perilaku dari gen dalam jumlah besar. b. Mendapatkan kelompok-kelompok konsumen untuk target pemasaran dari suatu produk bagi perusahaan yang memiliki dana pemasaran yang kecil. c. Untuk tujuan audit akuntansi, yaitu melakukan pemisahan terhadap perilaku finansial dalam baik dan mencurigakan. 6. Asosiasi Fungsi asosiasi dalam data mining adalah menemukan atribut yang muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut market basket analysis (analisis keranjang pasar). Contoh asosiasi dalam bisnis dan penelitian adalah : a. Menemukan barang dalam supermarket yang dibeli secara bersamaan dan barang yang tidak pernah dibeli secara bersamaan. b. Meneliti jumlah pelanggan dari perusahaan telekomunikasi seluler yang diharapkan untuk memberikan respons positif terhadap penawaran upgrade layanan yang diberikan. (Hermawati, 2012:14-18)
2.6.
Algoritma Apriori Algoritma apriori adalah algoritma pengambilan data dengan aturan
asosiatif (association rule) untuk menentukan hubungan asosiatif suatu kombinasi item (Kusrini, 2007:7). Algoritma apriori termasuk jenis aturan asosiatif pada data
23
mining. Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan asosiatif antara suatu kombinasi item. Association Rule 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 dianalisis.
2.6.1. Konsep Association Rules dengan Algoritma Apriori Asosiasi
merupakan
pengidentifikasian
hubungan
antara
berbagai
peristiwa yang terjadi pada satu waktu. Pendekatan asosiasi tersebut menekankan sebuah kelas masalah yang dicirikan dengan analisis keranjang pasar. Dalam bidang eceran, ada suatu usaha untuk mengidentifikasi produk-produk apa yang terjual pada tingkat tertentu. Peneliti
akan
menjelaskan
cara
membangun
aplikasi
untuk
mengelompokkan data barang berdasarkan kecenderungannya yang muncul bersamaan dalam suatu transaksi menggunakan algoritma apriori. Algoritma apriori termasuk jenis aturan asosiasi pada data mining. Selain apriori, yang termasuk dalam golongan asosiasi adalah metode Generalized Rule Induction dan Algoritma Hash Based. Aturan yang menyatakan asosiasi antara beberapa atribut sering disebut affinity analysis atau market basket analysis. Penerapan algoritma apriori dalam penelitian ini diharapkan akan menemukan pola berupa produk yang sering dibeli bersamaan. Pola tersebut bisa
24
digunakan untuk menempatkan produk yang sering dibeli bersamaan dalam sebuah area yang saling berdekatan, merancang tampilan produk di katalog, merancang kupon diskon (untuk diberikan kepada pelanggan yang membeli produk tertentu), merancang penjualan paket, dan lain-lain (Kusrini, 2007:8).
2.6.2. Analisis Asosiasi dengan Algoritma Apriori Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan asosiatif antara suatu kombinasi item. Contoh dari aturan asosiatif dari analisis pembelian di suatu pasar swalayan adalah mengetahui besarnya kemungkinan seorang pelanggan untuk membeli roti bersamaan dengan susu. Dengan pengetahuan tersebut, pemilik pasar swalayan bisa mengatur penempatan barangnya atau merancang kampanye pemasaran menggunakan kupon diskon untuk kombinasi barang tertentu. Analisis asosiasi menjadi terkenal karena aplikasinya untuk menganalisis isi keranjang belanjaan di pasar swalayan. (Kusrini, 2007:10). Analisis asosiasi menjadi terkenal karena aplikasinya untuk menganalisis isi keranjang belanja di pasar atau yang sering disebut dengan istilah market basket analysis. Analisis asosiasi ini juga merupakan salah satu teknik data mining yang menjadi dasar dari berbagai teknik data mining lainnya. Salah satu tahap dari analisis asosiasi yang berupa analisis pola frekuensi tinggi (frequent pattern mining) telah menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien.
25
Penting tidaknya suatu aturan asosiatif bisa diketahui menggunakan dua parameter, support (nilai penunjang) yaitu persentase kombinasi item tersebut dalam database dan confidence (nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan asosiasi. Association Rule Mining meliputi dua tahap, yaitu: a. Mencari kombinasi yang paling sering terjadi dari suatu itemset (frequent itemset). b. Mendefinisikan Association Rule dari frequent itemset yang telah dibuat sebelumnya. Aturan asosiasi biasanya dinyatakan dalam bentuk tertentu, misalnya : (roti, mentega) →(susu) (support = 40%, confidence = 50%) Artinya, 50% dari transaksi di database yang memuat item roti dan mentega juga memuat item susu. Sementara 40% dari seluruh transaksi yang ada di database memuat ketiga item tersebut. Berdasarkan aturan asosiasi tersebut, bisa juga diartikan seorang konsumen yang membeli roti dan mentega memiliki kemungkinan sebesar 50% untuk juga membeli susu. Aturan tersebut cukup signifikan, karena mewakili 40% dari catatan transaksi selama ini. Analisis asosiasi didefinisikan sebagai suatu proses untuk menemukan semua aturan asosiasi yang memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk confidence (minimum confidence). Dengan pengetahuan tersebut pemilik pasar swalayan dapat mengatur penempatan barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon untuk kombinasi barang tertentu. (Hermawati, 2013:17-18).
BAB III METODE PENELITIAN
3.1.
Tempat dan Jadwal Penelitian Penelitian dilakukan di PT. Metro Makmur Nusantara yang berlokasi di
Medan Plaza Medan. Penelitian ini dimulai dari November 2014 dan berakhir pada April 2015. Penelitian di lapangan ditujukan untuk mengumpulkan data yang diperlukan dalam proses perancangan dan pembuatan sistem usulan. Jadwal kegiatan dapat dilihat seperti pada tabel 3.1. Tabel 3.1. Jadwal Penelitian
Waktu Kegiatan
1
November
Desember
Januari
Februari
Maret
April
2014
2014
2015
2015
2015
2015
2
3
4
1
2
3
4
1
2
Identifikasi Masalah Pengumpulan Data Analisa Sistem Perancangan Sistem Pembangunan Sistem Uji
Coba
Sistem Penulisan Lap. Skripsi
26
3
4
1
2
3
4
1
2
3
4
1
2
3
4
27
3.2. Kerangka Kerja Adapun tahapan dan langkah-langkah pengembangan sistem ini dapat digambarkan dalam bentuk diagram seperti diperlihatkan pada Gambar 3.1 berikut. Identifikasi Masalah
Pengumpulan Data
Analisa Sistem
Perancangan Sistem
Pembangunan Sistem
Uji Coba Sistem
Gambar 3.1. Kerangka Kerja Penelitian 3.2.1. Metode Pengumpulan Data Dalam melakukan penelitian ini, penulis melakukan pengumpulan data dengan cara sebagai berikut.
28
1. Penelitian Lapangan (Field Research) a. Wawancara Penulis mengumpulkan informasi yang diperlukan dengan cara melakukan tanya jawab langsung dengan staf yang berperan aktif dalam bagian penjualan, seperti kasir, staf merchandising, staf marketing, staf persediaan, dan manajer. b. Pengamatan Penulis memperoleh data dengan mengamati secara langsung sistem informasi yang berjalan pada PT. Metro Makmur Nusantara dan mencoba menjelaskannya pada penelitian ini. c. Studi dokumen Penulis mengumpulkan informasi yang diperlukan dengan cara mengamati laporan transaksi penjualan pada PT. Metro Makmur Nusantara 2. Penelitian Kepustakaan (Library Research) Bahan-bahan
yang
diperlukan
dalam
penyusunan
skripsi
juga
dikumpulkan penulis dari buku dan sumber-sumber lainnya di internet.
3.2.2. Analisa Sistem PT. Metro Makmur Nusantara telah menggunakan sistem informasi Magic Retail Information System (MARIS) untuk menyimpan dan mengelola seluruh data penjualan pada perusahaan. Masalah yang sering terjadi di PT. Metro Makmur Nusantara yaitu program yang diterapkan hanya dapat melakukan pengontrolan data pembelian dan penjualan saja.
29
Program yang diterapkan ini belum dapat memberikan informasi yang berhubungan dengan pengambilan keputusan seperti menganalisis keranjang belanja dari konsumen. Hal ini sangat diperlukan sehingga pihak manajemen supermarket dapat melakukan pengaturan tata letak rak, dimana barang yang sering dibeli secara bersamaan dapat dikelompokkan ke dalam suatu area, sehingga dapat lebih mempermudah dan meningkatkan kenyamanan konsumen. Oleh karena itu, sistem informasi penentuan layout produk pada Metro Supermarket ini akan dirancang berdasarkan hasil data mining dari data transaksi penjualan produk-produk, sehingga data transaksi tersebut dapat diolah menjadi knowledge yang dapat menaikkan laba bisnisnya dengan penentuan layout barang yang lebih optimal.
3.2.3. Perancangan Sistem Prosedur kerja dari sistem usulan dapat diuraikan sebagai berikut. 1. Pertama-tama akan dilakukan input data awal pada menu ‘Master’, seperti data Barang, Rak, dan Posisi Barang. 2. Kemudian, data transaksi penjualan akan dicatat pada form Penjualan. 3. Selanjutnya, user akan memilih kategori barang, mengimpor data transaksi penjualan, serta meng-input-kan nilai minimum support dan minimum confidence pada form Association Rule. 4. Setelah didapatkan hasil asosiasi berdasarkan data penjualan, maka penentuan dan perbaikan layout barang dapat diproses pada form Penentuan Layout. 5. Agar dapat memperoleh informasi mengenai semua proses transaksi yang terjadi, maka data transaksi tersebut akan diolah dan dibuat menjadi bentuk
30
laporan. Pada laporan juga disediakan fasilitas pencarian data, sehingga staf perusahaan dapat mencari data yang diperlukan pada laporan secara cepat.
3.2.4. Pembangunan Sistem Sistem akan dibuat dengan menggunakan Bahasa Pemrograman Microsoft Visual Basic 2010 dan database dirancang dengan aplikasi Microsoft Access 2010.
3.2.5. Uji Coba Sistem Proses dilanjutkan dengan melakukan coding terhadap perangkat lunak untuk melakukan koneksi ke database dan melakukan proses testing and debugging terhadap coding yang dirancang tersebut.
BAB IV ANALISA DAN PERANCANGAN
4.1.
Analisa Dalam melakukan proses transaksinya, PT. Metro Makmur Nusantara
sudah menggunakan sistem informasi yang terintegrasi, dengan nama MARIS yang merupakan singkatan dari Magic Retail Information System. Aplikasi MARIS adalah suatu aplikasi client-server yang dirancang dengan bahasa pemrograman Magic, menggunakan aplikasi database dBase sebagai aplikasi penyimpan data, dan menggunakan file .txt dan sebuah aplikasi DOS sebagai laporannya. Aplikasi MARIS terdiri dari aplikasi yang digunakan oleh bagian buyer, receiving, audit, accounting, dan aplikasi Point of Sales (POS) yang digunakan untuk mengelola transaksi penjualan. Untuk menjalankan aplikasi client MARIS dibutuhkan sebuah komputer dengan spesifikasi minimum sebagai berikut. 1. Sistem Operasi Windows 98 ke atas, baik itu Windows 98 SE, Windows ME ataupun Windows XP. 2. Processor Pentium 166 MHz. 3. Memory 32 MB. 4. Monitor VGA. Untuk menjalankan aplikasi penjualan sistem MARIS membutuhkan sebuah cash register khusus dengan spesifikasi minimum sebagai berikut. 1. Sistem Operasi DOS 6.22.
31
32
2. Processor 486. 3. Memori 8 MB. 4. Monitor VGA. 5. Customer Display. 6. Cash Drawer. 7. Printer. Sementara itu untuk menjalankan aplikasi server MARIS, dibutuhkan sebuah server dengan spesifikasi minimum sebagai berikut. 1. Sistem Operasi Windows 2000 Server. 2. Processor Pentium 4 1.4 GHz. 3. Memori 128 MB. 4. Monitor VGA. Setelah mengamati sistem berjalan pada PT. Metro Makmur Nusantara dapat diambil kesimpulan bahwa terdapat beberapa kelemahan dari sistem tersebut antara lain : 1. Pelanggan sering kesulitan mencari barang-barang yang ingin dibeli karena barang yang ingin dibeli tidak terletak berdekatan. 2. Belum tersedia informasi yang diperlukan untuk melakukan proses pengaturan rak. Adapun proses penjualan barang pada sistem yang berjalan pada PT. Metro Makmur Nusantara dapat dijelaskan pada gambar 4.1. sebagai berikut.
33
Gambar 4.1. Flowchart Diagram Proses Penjualan Proses penjualan dimulai dengan pelanggan mencari dan mengambil barang yang ingin dibelinya. Setelah itu, maka barang yang dibeli akan diberikan kepada kasir untuk dihitung total penjualan barang kepada pelanggan. Kemudian, akan dicetak struk bukti penjualan yang akan diberikan kepada pelanggan bersama dengan barang yang dibelinya.
4.1.1. Analisa Dokumen Keluaran Dokumen keluaran yang terdapat pada sistem informasi operasional yang sedang berjalan pada perusahaan disajikan dengan menggunakan aplikasi MARIS yang digunakan untuk menyimpan dan mengelola seluruh data penjualan pada perusahaan. Berikut adalah uraian hasil analisa dari laporan yang dihasilkan beserta tampilannya.
34
1. Laporan Penjualan Laporan ini menampilkan tanggal terjadinya transaksi penjualan, nomor departemen, nama departemen, kuantitas yang terjual, jumlah penjualan, harga pokok, dan laba yang diperoleh perusahaan. Laporan penjualan disajikan menurut urutan kronologisnya dan harus disortir kembali menurut nama departemen apabila ada permintaan dari store manager atas laporan tersebut. Laporan ini dibuat dengan menggunakan aplikasi Microsoft Excel. Gambar 4.2. berikut merupakan tampilan dari laporan penjualan.
LAPORAN PENJUALAN [hari] [bulan] [tahun] DEPT
NAMA 1 2 3 4 5
JUMLAH
QTY
ROTI EDEN BAKERY BERAS DAN GARAM MINUMAN & JELLY BISKUIT SABUN TOTAL
237 40 657 1099 1907
1,550,100.00 776,900.00 3,647,950.00 7,078,050.00 14,488,200.00 27,541,200.00
HARGA POKOK 1,479,000.00 714,575.00 3,035,227.00 6,014,446.00 12,816,404.00 24,059,652.00
LABA 71,100.00 62,325.00 612,723.00 1,063,604.00 1,671,796.00 3,481,548.00
Gambar 4.2. Laporan Penjualan Nama
: Laporan Penjualan
Fungsi
: Menampilkan data rincian penjualan per departemen setiap hari
Media
: Kertas
Distribusi
: Store Manager
Frekuensi
: Setiap hari secara periodik
Volume
: Satu kali per hari
Hasil Analisa
: Laporan telah cukup memadai, namun masih memiliki
35
kekurangan, yaitu laporan tidak dapat menghasilkan informasi mengenai barang yang sering dibeli secara bersamaan.
4.1.2. Analisa Dokumen Masukan Masukan (input) yang terdapat pada sistem informasi yang sedang berjalan pada perusahaan, yaitu: 1. Data Barang Data barang ini dimasukkan ke dalam program MARIS melalui interface Product Master, seperti terlihat pada gambar 4.3. berikut.
Gambar 4.3. Interface Pengisian Data Barang
36
PT. Metro Makmur Nusantara merincikan daftar barang yang tersedia untuk dijual dengan menggunakan Microsoft Excel dan akan dicetak keluar untuk dijadikan referensi bagi Staf Marketing. Gambar 4.4. menunjukkan daftar barang dari perusahaan.
DAFTAR BARANG
Kode Barang
Nama Barang
Satuan
Harga
000038
LAYS POTATO SEAWEED 75 GR
PCS
8500
024315
CHIKI STICK STRW 5X20 GR
PCS
7700
032065
QTELA ORIGINAL 75 GR
PCS
6500
Gambar 4.4. Daftar Barang Nama
: Daftar Barang
Fungsi
: Menampilkan rincian data barang
Media
: Kertas
Distribusi
: Staf Marketing
Frekuensi
: Setiap kali terjadi penambahan tipe barang baru
Volume
: Satu kali per penambahan tipe barang baru
Hasil Analisa
: Laporan telah bagus, karena telah mencakupkan semua data rincian barang
4.1.3. Analisa Kebutuhan Untuk mengidentifikasi masalah, harus dilakukan analisa terhadap kinerja, informasi, ekonomi, keamanan aplikasi, efisiensi, dan pelayanan customer. Panduan ini dikenal dengan analisa PIECES (performance, information,
37
economic, control, eficiency, dan services). Dari analisa ini biasanya didapatkan beberapa masalah utama. Hal ini penting karena biasanya yang muncul di permukaan bukan masalah utama, tetapi hanya gejala dari masalah utama saja. 1. Kinerja (Performance) Sistem informasi yang berjalan di PT. Metro Makmur Nusantara hanya mampu melakukan kalkulasi serta pencatatan transaksi pembelian dan penjualan. Namun, pencatatan transaksi tersebut belum dimanfaatkan untuk menentukan tata letak (layout) barang. 2. Informasi (Information) Sistem informasi yang berjalan di PT. Metro Makmur Nusantara masih belum dapat menggambarkan pola konsumsi konsumen yang akan berpengaruh terhadap tata letak barang di dalam rak. 3. Ekonomi (Economic) Penggunaan biaya yang berhubungan dengan tata letak barang belum diketahui. Namun, dengan adanya sistem informasi ini akan dapat mengurangi biaya paperless system pada perusahaan. 4. Pengendalian (Control) Sistem informasi yang berjalan di PT. Metro Makmur Nusantara belum dapat membantu pengambilan keputusan oleh pihak manajemen perusahaan dalam penentuan tata letak barang sesuai dengan keinginan konsumen. 5. Efisiensi (Efficiency) Sistem informasi yang berjalan di PT. Metro Makmur Nusantara masih belum bisa menggambarkan pola konsumsi konsumen dari data transaksi yang
38
diperoleh dari konsumen karena data transaksi tersebut hanya disimpan dan belum dimanfaatkan. 6. Pelayanan (Service) Dalam penempatan tata letak barang masih kurang akurat karena hanya berdasarkan persepsi manajemen saja dengan mengkategorikan produkproduk yang ada dan belum meninjau dari segi konsumen.
4.2.
Data Flow Diagram (DFD)
Identifikasi kebutuhan sistem informasi operasional pada PT. Metro Makmur Nusantara dapat dilihat pada Data Flow Diagram Gambar 4.5. dan Gambar 4.6.
Gambar 4.5. Diagram Konteks Sistem Informasi
39
Data Rak
Merchandise
Staf Gudang
1.0
2.0
Pencatatan Data Barang
Pencatatan Data Rak
Data Barang
Record Barang
Record Rak
Barang
Rak
Record Rak
4.0 Record Barang Record Barang
Penentuan Posisi Barang pada Rak
Informasi Posisi Rak dari Barang
Hasil Perhitungan Apriori Record
Manajer
Penjualan Penjualan Record Penjualan
3.0 Pencatatan Data Penjualan
Staf Penjualan
Data Penjualan
Gambar 4.6. Data Flow Diagram Level 0 dari Sistem Informasi
4.3.
Perancangan Sistem Usulan Perancangan fisik yang terdapat pada sistem usulan ini mencakup
perancangan keluaran, masukan, struktur menu, dan basis data. Berikut perinciannya. 4.3.1. Perancangan Masukan Perancangan masukan pada sistem usulan, yaitu berupa tampilan antarmuka yang disediakan sebagai tempat pengisian data. Perancangan masukan dapat dilihat pada perincian berikut ini.
40
1. Rancangan Form Master Barang. Rancangan form ini dibuat untuk melakukan penambahan atau penghapusan atas data yang berhubungan dengan barang. Rancangan form Master Barang dapat dilihat pada Gambar 4.7.
Baru
Simpan
Hapus
Keluar
Kode Barang Nama Barang Satuan
Jenis Barang
Keterangan Kategori Harga
Gambar 4.7. Rancangan Form Master Barang Nama Masukan
: Form Master Barang
Fungsi
: Melakukan proses penyimpanan, pengubahan,
dan
penghapusan data barang Keterangan
:
a. Kode barang merupakan primary key dalam tabel Barang, yang berarti bahwa kode barang bersifat unik dan tidak boleh ada data yang sama. b. Data input disimpan dalam tabel Barang.
41
c. Data Barang tidak dapat diedit dan dihapus apabila data barang tersebut telah digunakan pada transaksi penjualan. d. Pilihan dari jenis barang mencakup ‘Food’ dan ‘Non-Food’. e. Data Kategori diambil dari tabel Kategori. 2. Rancangan Form Master Kategori Rancangan form ini dibuat untuk melakukan penambahan atau penghapusan atas data-data yang berhubungan dengan kategori barang. Rancangan form Master Kategori dapat dilihat pada Gambar 4.8.
Gambar 4.8. Rancangan Form Master Kategori Nama Masukan Fungsi
: Form Master Kategori : Melakukan proses penyimpanan, pengubahan, dan penghapusan data kategori barang
Keterangan
:
a. Kategori merupakan primary key dalam tabel Kategori, yang berarti bahwa kategori bersifat unik dan tidak boleh ada data yang sama. b. Data input disimpan dalam tabel Kategori.
42
3. Rancangan Form Master Rak Rancangan form ini dibuat untuk melakukan penambahan atau penghapusan atas data yang berhubungan dengan rak yang terdapat pada supermarket. Rancangan form Master Rak dapat dilihat pada Gambar 4.9.
Gambar 4.9. Rancangan Form Master Rak Nama Masukan
: Form Master Rak
Fungsi
: Melakukan proses penyimpanan, pengubahan dan penghapusan data rak
Keterangan
:
a. Kode Rak merupakan primary key dalam tabel Rak, yang berarti bahwa kode Rak bersifat unik dan tidak boleh ada data yang sama. b. Data input disimpan dalam tabel Rak.
43
4. Rancangan Form Master User Rancangan form ini dibuat untuk melakukan penambahan atau penghapusan atas data-data yang berhubungan dengan user yang akan menggunakan sistem. Rancangan form Master User dapat dilihat pada Gambar 4.10.
Gambar 4.10. Rancangan Form Master User Nama Masukan
: Form Master User
Fungsi
: Melakukan proses
penyimpanan,
pengubahan, dan
penghapusan data user yang akan menggunakan sistem Keterangan
:
a. Nama User merupakan primary key dalam tabel User, yang berarti bahwa nama user bersifat unik dan tidak boleh ada data yang sama. b. Data input disimpan dalam tabel UserList. 5. Rancangan Form Login Rancangan form ini dibuat untuk melakukan pengisian data user yang akan menggunakan sistem. Form ini merupakan form yang akan muncul pertama kali pada saat menjalankan sistem. Rancangan form Login dapat dilihat pada Gambar 4.11.
44
Gambar 4.11. Rancangan Form Login Nama Masukan
: Form Login
Fungsi
: Melakukan proses pengisian data user yang akan menggunakan sistem
6. Rancangan Form Denah Rak Rancangan form ini dibuat untuk melakukan pemilihan dan penentuan posisi rak. Form ini dapat diakses dengan mengklik tombol ‘Posisi Rak’ pada form Master Rak. Rancangan form Denah Rak dapat dilihat pada Gambar 4.12.
Gambar 4.12. Rancangan Form Denah Rak
45
Nama Masukan
: Form Denah Rak
Fungsi
: Melakukan proses penentuan dan pemilihan posisi rak
7. Rancangan Form Transaksi Penjualan. Rancangan form ini dibuat untuk melakukan penambahan atau penghapusan atas data yang berhubungan dengan transaksi penjualan. Rancangan form Transaksi Penjualan dapat dilihat pada Gambar 4.13.
Gambar 4.13. Rancangan Form Transaksi Penjualan Nama Masukan
: Form Transaksi Penjualan
Fungsi
: Melakukan proses penyimpanan, pengubahan dan penghapusan data penjualan
46
Keterangan
:
Nomor faktur merupakan primary key dalam tabel FakturJual, yang berarti bahwa nomor faktur bersifat unik dan tidak boleh ada data yang sama.
8. Rancangan Form Transfer Data dari MARIS Rancangan form ini dibuat untuk melakukan proses transfer data dari database MARIS ke database yang digunakan oleh sistem. Rancangan form Transfer Data dari MARIS dapat dilihat pada gambar 4.14. Transfer Data
x
Periode
sampai
Proses
Tutup
Gambar 4.14. Rancangan Form Transfer Data dari MARIS Nama Masukan
: Form Transfer Data dari MARIS
Fungsi
: Melakukan proses transfer data dari database MARIS
Keterangan
:
a. Klik tombol ’Proses’ untuk memulai proses transfer data. b. Proses transfer data akan menyimpan dan menambah data pada tabel Barang, Kategori, Penjualan dan Penjualan Detail.
9. Rancangan Form Pengaturan Tata Letak Rak Rancangan form ini dibuat untuk melakukan proses penentuan tata letak rak pada supermarket dengan menggunakan algoritma Apriori. Rancangan form Pengaturan Tata Letak Rak dapat dilihat pada gambar 4.15.
47
Gambar 4.15. Rancangan Form Pengaturan Tata Letak Rak Nama Masukan
: Form Proses Pengaturan Tata Letak Rak
Fungsi
: Melakukan proses penentuan tata letak barang di rak pada supermarket
Keterangan
:
a. Klik tombol ’Proses’ untuk memulai proses penentuan tata letak rak. b. Data jenis barang, kode barang dan nama barang akan diambil dari tabel ’Barang’. c. Data rak akan diambil dari tabel ’Rak’.
10. Rancangan Form Hasil Denah Rak Rancangan form ini dibuat untuk menampilkan hasil pengaturan tata letak barang pada rak berdasarkan pada hasil yang diperoleh dari algoritma Apriori. Rancangan form Hasil Denah Rak dapat dilihat pada gambar 4.16.
48
Gambar 4.16. Rancangan Form Hasil Denah Rak Nama Masukan
: Form Hasil Denah Rak
Fungsi
: Menampilkan tata letak barang pada rak
Keterangan
:
a. Posisi rak akan ditentukan berdasarkan hasil dari algoritma Apriori. b. Hasil pengaturan posisi rak berdasarkan pada posisi barang tertentu yang dijadikan sebagai acuan. c. Klik tombol ‘Simpan’ untuk menyimpan hasil penentuan denah rak ke dalam sebuah file teks.
49
11. Rancangan Form Perhitungan Apriori. Rancangan form ini digunakan untuk menampilkan detail perhitungan dari algoritma Apriori. Rancangan form Perhitungan Apriori ini dapat dilihat pada gambar 4.17. x
Perhitungan Apriori Food Periode
sampai
Min Support
Non Food Min Confidence Proses
Simpan
Gambar 4.17. Rancangan Form Perhitungan Apriori Nama Masukan
: Form Perhitungan Apriori
Fungsi
: Menampilkan detail perhitungan dari algoritma apriori
Keterangan
:
a. Klik tombol ‘Simpan’ untuk menyimpan detail proses perhitungan ke dalam sebuah file teks.
4.3.2. Perancangan Struktur Menu Bentuk rancangan struktur menu dari sistem usulan dapat dilihat pada gambar 4.18. berikut.
50
Gambar 4.18. Rancangan Struktur Menu
4.3.3. Kamus Data Dari analisa sistem berjalan yang telah penulis lakukan, penulis menyimpulkan bahwa dibutuhkan suatu database untuk menyimpan data pada sistem informasi. Berikut adalah kamus data yang diperlukan. 1.
Data Barang = KodeBarang + NamaBarang + JenisBarang + Satuan Kategori + Harga + (Keterangan)
2.
Data Rak = KodeRak + NamaRak + PosisiRak + (Keterangan)
3.
Data Penjualan = NoFaktur + TglFaktur + TotalHarga + TotalQty + (Keterangan)
4.
Item Data Penjualan =
NoFaktur + KodeBarang + Qty + Harga
5.
Data Kategori = Kategori
6.
Data User = UserName + UserPwd + UserType + (Keterangan)
4.3.4. Hubungan Antar Tabel Rancangan hubungan antar tabel dari sistem pengaturan tata letak rak pada PT. Metro Makmur Nusantara Medan dapat dilihat pada Gambar 4.19.
51
Gambar 4.19. Hubungan Antar Tabel pada Sistem Usulan 4.3.5. Perancangan Database Perancangan database dilakukan dengan menggunakan Microsoft Access 2010. Desain database dimaksudkan untuk mendefinisikan isi atau struktur tabel. Adapun tabel yang terdapat dalam database adalah sebagai berikut. 1.
Tabel Barang, berfungsi untuk mencatat data dari barang yang tersedia untuk dijual pada supermarket. Nama Tabel
: Barang
Primary Key
: KodeBarang
Struktur
: Tabel 4.1. Struktur Tabel Barang
Field
Type
Size
Description
KodeBarang
Text
10
Kode barang
NamaBarang
Text
50
Nama barang
JenisBarang
Text
50
Satuan barang
Satuan
Text
50
Jenis barang
Keterangan
Text
50
Keterangan tambahan mengenai barang
Kategori
Text
50
Kategori barang
Harga
Number Double
Harga barang
52
2.
Tabel Rak, berfungsi untuk mencatat data dari rak yang terdapat pada supermarket. Nama Tabel
: Rak
Primary Key
: KodeRak
Struktur
: Tabel 4.2. Struktur Tabel Rak
Field
Type
Size
Description
KodeRak
Text
10
Kode rak
NamaRak
Text
50
Nama rak
PosisiRak
Text
10
Posisi rak
Keterangan
Text
50
Keterangan tambahan mengenai Agen
3.
Tabel TJual, berfungsi untuk mencatat data transaksi penjualan. Nama Tabel
: TJual
Primary Key
: NoFaktur
Struktur : Tabel 4.3. Struktur Tabel TJual Field
Type
Size
Description
NoFaktur
Text
20
Nomor faktur
TglFaktur
Date/Time
Short Date
Tanggal faktur
TotalHarga
Number
Double
Total harga penjualan
TotalQty
Number
Integer
Total jumlah ítem barang
Keterangan
Text
100
Keterangan tambahan lainnya
53
4.
Tabel TDJual, berfungsi untuk mencatat data transaksi penjualan tiket secara mendetail. Nama Tabel
: TDJual
Primary Key
: NoFaktur
Struktur : Tabel 4.4. Struktur Tabel TDJual Field
Type
Size
Description
No.Faktur
Text
20
Nomor faktur
KodeBarang
Text
10
Kode barang yang dijual
Qty
Text
10
Jumlah item barang yang dijual
Harga
Number
Double
Harga satuan barang
5.
Tabel TKategori, berfungsi untuk mencatat data-data kategori barang.
Nama Tabel
: TKategori
Primary Key : Kategori Struktur
: Tabel 4.5. Struktur Tabel TKategori
Field Kategori
6.
Type Text
Size 50
Description Kategori barang
Tabel UserList, berfungsi untuk mencatat data-data user yang menggunakan sistem.
Nama Tabel
: UserList
54
Primary Key : Kategori Struktur
: Tabel 4.6. Struktur Tabel UserList
Field
Type
Size
Description
UserName
Text
20
Nama user
UserPwd
Text
8
Password user
UserType
Number
Byte
Tipe user, yaitu 0 untuk tipe manajer dan 1 untuk tipe karyawan
Keterangan
Text
255
Keterangan tambahan mengenai user
BAB V HASIL DAN PEMBAHASAN
5.1. Hasil Untuk menjalankan perangkat lunak, maka dapat mengakses file executable yang tersimpan dalam folder bin >> debug. Tampilan yang pertama kali muncul pada saat menjalankan perangkat lunak dapat dilihat pada gambar 5.1. berikut.
Gambar 5.1 Tampilan Form Login
Setelah itu, user memasukkan username dan password untuk menggunakan sistem. Apabila data yang dimasukkan tidak terdaftar pada database, maka sistem akan menampilkan pesan kesalahan seperti terlihat pada gambar 5.2. berikut.
Gambar 5.2. Tampilan Message Box
Apabila data yang dimasukkan terdaftar dalam database, maka sistem akan menampilkan pesan berhasil seperti terlihat pada gambar 5.3. berikut. 55
56
Gambar 5.3. Tampilan Message Box
Selanjutnya, sistem akan menampilkan form Main yang berisi menu-menu yang dapat diakses oleh user. Pada sistem ini, terdapat dua jenis user, yang memiliki hak aksesnya masing-masing. Jenis user yang terdapat pada sistem adalah sebagai berikut. 1. Staf operasional, yang hanya dapat mengakses menu rak, barang, dan penjualan. Tampilan menu dari form Main untuk staf operasional dapat dilihat pada gambar 5.4. berikut.
Gambar 5.4. Tampilan Form Main untuk Staf Operasional
57 2. Manajer, yang dapat mengakses semua menu yang terdapat pada perangkat lunak. Tampilan menu dari form Main untuk manajer dapat dilihat pada gambar 5.5. berikut.
Gambar 5.5. Tampilan Form Main untuk Manajer
Tampilan input dari sistem ini mencakup: 1. Master Barang, yang berfungsi sebagai tempat pengisian, pengubahan, dan penghapusan data barang, seperti terlihat pada gambar 5.6. berikut.
58
Gambar 5.6. Tampilan Form Master Barang
2. Master Rak, yang berfungsi sebagai tempat pengisian, pengubahan, dan penghapusan data rak, seperti terlihat pada gambar 5.7. berikut.
59
Gambar 5.7. Tampilan Form Master Rak
3. Master Kategori, yang berfungsi sebagai tempat pengisian, pengubahan, dan penghapusan data kategori barang, seperti terlihat pada gambar 5.8. berikut.
60
Gambar 5.8. Tampilan Form Master Kategori
4. Master User, yang berfungsi sebagai tempat pengisian, pengubahan, dan penghapusan data user yang akan menggunakan sistem, seperti terlihat pada gambar 5.9. berikut.
61
Gambar 5.9. Tampilan Form Master User
5. Transaksi Penjualan, yang berfungsi sebagai tempat pengisian, pengubahan, dan penghapusan data transaksi penjualan barang, seperti terlihat pada gambar 5.10. berikut.
62
Gambar 5.10. Tampilan Form Transaksi Penjualan
6. Proses Perhitungan Apriori, yang berfungsi untuk menampilkan hitungan detail dari algoritma Apriori, seperti terlihat pada gambar 5.11. berikut.
Gambar 5.11. Tampilan Form Perhitungan Apriori
63
7. Transfer Data, yang berfungsi untuk melakukan proses transfer data dari database dalam ekstension *.accdb yang digunakan oleh program MARIS ke database dari aplikasi yang dibuat, seperti terlihat pada gambar 5.12. berikut.
Gambar 5.12. Tampilan Form Transfer Data dari MARIS
8. Pengaturan Tata Letak Rak, yang berfungsi untuk melakukan proses pengaturan tata letak rak dari produk, seperti terlihat pada gambar 5.13. berikut.
Gambar 5.13. Tampilan Form Pengaturan Tata Letak Rak
Setelah dihasilkan proses pengaturan, maka sistem akan menanyakan letak dari item barang yang akan digunakan sebagai patokan. Hasil dari pengaturan dapat dilihat pada gambar 5.14. berikut.
64
Gambar 5.14. Tampilan Form Hasil Denah Rak
Contoh output hitungan yang dihasilkan oleh sistem dapat dilihat pada perincian sebagai berikut. Langkah 1: L1 = {large 1-itemset} ---------------------------------------------------------Itemset Support ---------------------------------------------------------Deterjen 0 permen 25 roti_biskuit 75 Sabun_Cair 0 Sabun_Mandi 0 snacks 75 soft_drink 75 susu 75 ---------------------------------------------------------Langkah 2: Mencari kandidat itemset untuk L2 = {permen roti_biskuit, permen susu, roti_biskuit snacks, roti_biskuit soft_drink, roti_biskuit susu, snacks soft_drink, snacks susu, soft_drink susu} Langkah 3: Hitung support dari setiap kandidat itemset ---------------------------------------------------------Itemset Support ---------------------------------------------------------permen roti_biskuit 25 permen susu 25 roti_biskuit snacks 50 roti_biskuit soft_drink 50 roti_biskuit susu 75 snacks soft_drink 75 snacks susu 50 soft_drink susu 50
65 ---------------------------------------------------------Langkah 4: L2 {large 2-itemset} ---------------------------------------------------------Itemset Support ---------------------------------------------------------roti_biskuit snacks 50 roti_biskuit soft_drink 50 roti_biskuit susu 75 snacks soft_drink 75 snacks susu 50 soft_drink susu 50 ----------------------------------------------------------------------Langkah 5: Hitung support dari setiap kandidat itemset L3 ---------------------------------------------------------Itemset Support -------------------------------------------------------------------------------------------------------------------------------Langkah 5: Hitung support dari setiap kandidat itemset L3 ---------------------------------------------------------Itemset Support ---------------------------------------------------------roti_biskuit snacks soft_drink 50 roti_biskuit snacks susu 50 roti_biskuit soft_drink susu 50 snacks soft_drink susu 50 ---------------------------------------------------------Langkah 6: L3 {large 3-itemset} ---------------------------------------------------------Itemset Support ---------------------------------------------------------roti_biskuit snacks soft_drink 50 roti_biskuit snacks susu 50 roti_biskuit soft_drink susu 50 snacks soft_drink susu 50 ---------------------------------------------------------Langkah 7: Aturan Asosiasi (Hitung Confidence) Minimum Confidence = 60 %, aturan asosiasi yang Confidence(roti_biskuit snacks -> soft_drink) = > soft_drink) / Support(roti_biskuit snacks) Confidence(roti_biskuit snacks -> soft_drink) = Confidence(roti_biskuit snacks -> soft_drink) = Confidence(roti_biskuit soft_drink -> snacks) / Confidence(roti_biskuit Confidence(roti_biskuit
mungkin terbentuk : Support(roti_biskuit snacks 50 / 50 100
soft_drink -> snacks) = Support(roti_biskuit Support(roti_biskuit soft_drink) soft_drink -> snacks) = 50 / 50 soft_drink -> snacks) = 100
Confidence(snacks soft_drink -> roti_biskuit) = Support(snacks soft_drink -> roti_biskuit) / Support(snacks soft_drink) Confidence(snacks soft_drink -> roti_biskuit) = 50 / 75 Confidence(snacks soft_drink -> roti_biskuit) = 66.6666666666667 Confidence(roti_biskuit snacks -> susu) = Support(roti_biskuit snacks -> susu) / Support(roti_biskuit snacks) Confidence(roti_biskuit snacks -> susu) = 50 / 50 Confidence(roti_biskuit snacks -> susu) = 100 Confidence(roti_biskuit susu -> snacks) = Support(roti_biskuit susu -> snacks) / Support(roti_biskuit susu) Confidence(roti_biskuit susu -> snacks) = 50 / 75 Confidence(roti_biskuit susu -> snacks) = 66.6666666666667 Confidence(snacks susu -> roti_biskuit) = Support(snacks susu -> roti_biskuit) / Support(snacks susu)
66 Confidence(snacks susu -> roti_biskuit) = 50 / 50 Confidence(snacks susu -> roti_biskuit) = 100 Confidence(roti_biskuit soft_drink -> susu) = Support(roti_biskuit soft_drink -> susu) / Support(roti_biskuit soft_drink) Confidence(roti_biskuit soft_drink -> susu) = 50 / 50 Confidence(roti_biskuit soft_drink -> susu) = 100 Confidence(roti_biskuit susu -> soft_drink) = Support(roti_biskuit susu -> soft_drink) / Support(roti_biskuit susu) Confidence(roti_biskuit susu -> soft_drink) = 50 / 75 Confidence(roti_biskuit susu -> soft_drink) = 66.6666666666667 Confidence(soft_drink susu -> roti_biskuit) = Support(soft_drink susu -> roti_biskuit) / Support(soft_drink susu) Confidence(soft_drink susu -> roti_biskuit) = 50 / 50 Confidence(soft_drink susu -> roti_biskuit) = 100 Confidence(snacks soft_drink -> susu) = Support(snacks soft_drink -> susu) / Support(snacks soft_drink) Confidence(snacks soft_drink -> susu) = 50 / 75 Confidence(snacks soft_drink -> susu) = 66.6666666666667 Confidence(snacks susu -> soft_drink) = Support(snacks susu -> soft_drink) / Support(snacks susu) Confidence(snacks susu -> soft_drink) = 50 / 50 Confidence(snacks susu -> soft_drink) = 100 Confidence(soft_drink susu -> snacks) = Support(soft_drink susu -> snacks) / Support(soft_drink susu) Confidence(soft_drink susu -> snacks) = 50 / 50 Confidence(soft_drink susu -> snacks) = 100 Confidence(roti_biskuit -> snacks) = Support(roti_biskuit -> snacks) / Support(roti_biskuit) Confidence(roti_biskuit -> snacks) = 50 / 75 Confidence(roti_biskuit -> snacks) = 66.6666666666667 Confidence(snacks -> roti_biskuit) = Support(snacks -> roti_biskuit) / Support(snacks) Confidence(snacks -> roti_biskuit) = 50 / 75 Confidence(snacks -> roti_biskuit) = 66.6666666666667 Confidence(roti_biskuit -> soft_drink) = Support(roti_biskuit -> soft_drink) / Support(roti_biskuit) Confidence(roti_biskuit -> soft_drink) = 50 / 75 Confidence(roti_biskuit -> soft_drink) = 66.6666666666667 Confidence(soft_drink -> roti_biskuit) = Support(soft_drink -> roti_biskuit) / Support(soft_drink) Confidence(soft_drink -> roti_biskuit) = 50 / 75 Confidence(soft_drink -> roti_biskuit) = 66.6666666666667 Confidence(roti_biskuit -> susu) = Support(roti_biskuit -> susu) / Support(roti_biskuit) Confidence(roti_biskuit -> susu) = 75 / 75 Confidence(roti_biskuit -> susu) = 100 Confidence(susu -> roti_biskuit) = Support(susu -> roti_biskuit) / Support(susu) Confidence(susu -> roti_biskuit) = 75 / 75 Confidence(susu -> roti_biskuit) = 100 Confidence(snacks -> soft_drink) = Support(snacks -> soft_drink) / Support(snacks) Confidence(snacks -> soft_drink) = 75 / 75 Confidence(snacks -> soft_drink) = 100
67 Confidence(soft_drink -> snacks) = Support(soft_drink -> snacks) / Support(soft_drink) Confidence(soft_drink -> snacks) = 75 / 75 Confidence(soft_drink -> snacks) = 100 Confidence(snacks -> susu) = Support(snacks -> susu) / Support(snacks) Confidence(snacks -> susu) = 50 / 75 Confidence(snacks -> susu) = 66.6666666666667 Confidence(susu -> snacks) = Support(susu -> snacks) / Support(susu) Confidence(susu -> snacks) = 50 / 75 Confidence(susu -> snacks) = 66.6666666666667 Confidence(soft_drink -> susu) = Support(soft_drink -> susu) / Support(soft_drink) Confidence(soft_drink -> susu) = 50 / 75 Confidence(soft_drink -> susu) = 66.6666666666667 Confidence(susu -> soft_drink) = Support(susu -> soft_drink) / Support(susu) Confidence(susu -> soft_drink) = 50 / 75 Confidence(susu -> soft_drink) = 66.6666666666667 Aturan yang memenuhi minimum confidence : roti_biskuit snacks -> soft_drink (50 %, 100 %) roti_biskuit soft_drink -> snacks (50 %, 100 %) snacks soft_drink -> roti_biskuit (50 %, 66.6666666666667 %) roti_biskuit snacks -> susu (50 %, 100 %) roti_biskuit susu -> snacks (50 %, 66.6666666666667 %) snacks susu -> roti_biskuit (50 %, 100 %) roti_biskuit soft_drink -> susu (50 %, 100 %) roti_biskuit susu -> soft_drink (50 %, 66.6666666666667 %) soft_drink susu -> roti_biskuit (50 %, 100 %) snacks soft_drink -> susu (50 %, 66.6666666666667 %) snacks susu -> soft_drink (50 %, 100 %) soft_drink susu -> snacks (50 %, 100 %) roti_biskuit -> snacks (50 %, 66.6666666666667 %) snacks -> roti_biskuit (50 %, 66.6666666666667 %) roti_biskuit -> soft_drink (50 %, 66.6666666666667 %) soft_drink -> roti_biskuit (50 %, 66.6666666666667 %) roti_biskuit -> susu (75 %, 100 %) susu -> roti_biskuit (75 %, 100 %) snacks -> soft_drink (75 %, 100 %) soft_drink -> snacks (75 %, 100 %) snacks -> susu (50 %, 66.6666666666667 %) susu -> snacks (50 %, 66.6666666666667 %) soft_drink -> susu (50 %, 66.6666666666667 %) susu -> soft_drink (50 %, 66.6666666666667 %) Knowledge: 50 % transaksi yang ada, item roti_biskuit snacks dan soft_drink dibeli secara bersamaan. Dari semua transaksi yang membeli item roti_biskuit snacks, 100 % juga membeli item soft_drink 50 % transaksi yang ada, item roti_biskuit soft_drink dan snacks dibeli secara bersamaan. Dari semua transaksi yang membeli item roti_biskuit soft_drink, 100 % juga membeli item snacks 50 % transaksi yang ada, item snacks soft_drink dan roti_biskuit dibeli secara bersamaan. Dari semua transaksi yang membeli item snacks soft_drink, 66.6666666666667 % juga membeli item roti_biskuit 50 % transaksi yang ada, item roti_biskuit snacks dan susu dibeli secara bersamaan. Dari semua transaksi yang membeli item roti_biskuit snacks, 100 % juga membeli item susu 50 % transaksi yang ada, item roti_biskuit susu dan snacks dibeli secara bersamaan. Dari semua transaksi yang membeli item roti_biskuit susu, 66.6666666666667 % juga membeli item snacks
68 50 % transaksi yang ada, item snacks susu dan roti_biskuit dibeli secara bersamaan. Dari semua transaksi yang membeli item snacks susu, 100 % juga membeli item roti_biskuit 50 % transaksi yang ada, item roti_biskuit soft_drink dan susu dibeli secara bersamaan. Dari semua transaksi yang membeli item roti_biskuit soft_drink, 100 % juga membeli item susu 50 % transaksi yang ada, item roti_biskuit susu dan soft_drink dibeli secara bersamaan. Dari semua transaksi yang membeli item roti_biskuit susu, 66.6666666666667 % juga membeli item soft_drink 50 % transaksi yang ada, item soft_drink susu dan roti_biskuit dibeli secara bersamaan. Dari semua transaksi yang membeli item soft_drink susu, 100 % juga membeli item roti_biskuit 50 % transaksi yang ada, item snacks soft_drink dan susu dibeli secara bersamaan. Dari semua transaksi yang membeli item snacks soft_drink, 66.6666666666667 % juga membeli item susu 50 % transaksi yang ada, item snacks susu dan soft_drink dibeli secara bersamaan. Dari semua transaksi yang membeli item snacks susu, 100 % juga membeli item soft_drink 50 % transaksi yang ada, item soft_drink susu dan snacks dibeli secara bersamaan. Dari semua transaksi yang membeli item soft_drink susu, 100 % juga membeli item snacks 50 % transaksi yang ada, item roti_biskuit dan snacks dibeli secara bersamaan. Dari semua transaksi yang membeli item roti_biskuit, 66.6666666666667 % juga membeli item snacks 50 % transaksi yang ada, item snacks dan roti_biskuit dibeli secara bersamaan. Dari semua transaksi yang membeli item snacks, 66.6666666666667 % juga membeli item roti_biskuit 50 % transaksi yang ada, item roti_biskuit dan soft_drink dibeli secara bersamaan. Dari semua transaksi yang membeli item roti_biskuit, 66.6666666666667 % juga membeli item soft_drink 50 % transaksi yang ada, item soft_drink dan roti_biskuit dibeli secara bersamaan. Dari semua transaksi yang membeli item soft_drink, 66.6666666666667 % juga membeli item roti_biskuit 75 % transaksi yang ada, item roti_biskuit dan susu dibeli secara bersamaan. Dari semua transaksi yang membeli item roti_biskuit, 100 % juga membeli item susu 75 % transaksi yang ada, item susu dan roti_biskuit dibeli secara bersamaan. Dari semua transaksi yang membeli item susu, 100 % juga membeli item roti_biskuit 75 % transaksi yang ada, item snacks dan soft_drink dibeli secara bersamaan. Dari semua transaksi yang membeli item snacks, 100 % juga membeli item soft_drink 75 % transaksi yang ada, item soft_drink dan snacks dibeli secara bersamaan. Dari semua transaksi yang membeli item soft_drink, 100 % juga membeli item snacks 50 % transaksi yang ada, item snacks dan susu dibeli secara bersamaan. Dari semua transaksi yang membeli item snacks, 66.6666666666667 % juga membeli item susu 50 % transaksi yang ada, item susu dan snacks dibeli secara bersamaan. Dari semua transaksi yang membeli item susu, 66.6666666666667 % juga membeli item snacks 50 % transaksi yang ada, item soft_drink dan susu dibeli secara bersamaan. Dari semua transaksi yang membeli item soft_drink, 66.6666666666667 % juga membeli item susu 50 % transaksi yang ada, item susu dan soft_drink dibeli secara bersamaan. Dari semua transaksi yang membeli item susu, 66.6666666666667 % juga membeli item soft_drink
69
5.2.
Pembahasan Pembahasan ini akan menguraikan keunggulan dan kelemahan sistem
yang berjalan, keunggulan dan kelemahan sistem usulan, serta faktor pendukung yang diperlukan untuk menjalankan sistem usulan.
5.2.1. Keunggulan dan Kelemahan Sistem Berjalan Keunggulan dari sistem yang sedang berjalan pada perusahaan sekarang ini adalah : 1. Format dari dokumen dan laporan yang digunakan dapat diubah menurut kebutuhan perusahaan. 2. Tidak memerlukan biaya yang besar karena sebagian besar pekerjaan dilakukan secara manual. Kelemahan yang terdapat pada sistem berjalan pada perusahaan sekarang ini adalah: 1. Belum tersedianya informasi yang dapat membantu dalam proses penentuan layout barang pada rak. 2. Pada penerapan sistem manual, belum terdapat informasi yang berhubungan dengan transaksi penjualan barang, seperti kecenderungan pembelian barang tertentu setelah pembelian suatu barang.
5.2.2. Keunggulan dan Kelemahan Sistem Usulan Keunggulan dari sistem usulan adalah: 1. Proses pengolahan dan pencarian data menjadi lebih efisien.
70 2. Tersedia informasi yang dapat digunakan untuk membantu dalam melakukan pengaturan tata letak barang pada rak. 3. Sistem dapat menyediakan pengetahuan (knowledge) dalam bentuk aturan asosiasi yang diperoleh dari transaksi penjualan barang pada periode tertentu. Kelemahan dari sistem usulan adalah: 1. Informasi tata letak barang pada rak hanya dapat dilakukan terhadap beberapa jenis barang yang sering dibeli saja, sehingga sistem tidak dapat memberikan informasi mengenai tata letak barang pada rak secara keseluruhan. 2. Algoritma apriori yang dirancang hanya dapat digunakan untuk melakukan pengaturan terhadap maksimal tiga itemset saja. 3. Aturan asosiasi yang dihasilkan belum berdasarkan merk barang, melainkan hanya berdasarkan kategori barang.
BAB VI KESIMPULAN DAN SARAN
6.1. Kesimpulan Berdasarkan hasil penelitian pada skripsi ini, penulis menarik beberapa kesimpulan sebagai berikut. 4. Sistem berjalan belum dapat memanfaatkan data historis transaksi untuk menggambarkan pola belanja konsumen yang sangat berpengaruh dalam penentuan layout produk di supermarket. 5. Algoritma Apriori merupakan jenis algoritma asosiasi pada data mining yang melakukan pengambilan data untuk menentukan aturan asosiasi melalui frequent itemset dari suatu kombinasi item. 6. Dengan adanya sistem usulan ini, proses pengolahan dan pencarian data perusahaan menjadi lebih efisien, serta pengetahuan (knowledge) yang didapat dalam bentuk aturan asosiasi dapat dimanfaatkan untuk penentuan layout produk.
6.2. Saran Adapun beberapa saran yang ingin disampaikan adalah sebagai berikut: 1. Selain algoritma Apriori, fungsi asosiasi dapat juga menggunakan algoritma Frequent Pattern Growth (FP-Growth) ataupun algoritma sejenis lainnya sehingga sistem yang dibuat dapat digunakan untuk melakukan pengaturan tata letak barang menjadi lebih optimal.
71
72 2. Sistem dapat dikembangkan lagi sehingga algoritma apriori yang dirancang dapat digunakan untuk menghasilkan aturan asosiasi dari banyak itemset dengan perincian merk barang.
DAFTAR PUSTAKA
Han, Jiawei, et al. 2011. Data Mining: Concepts and Techniques Third Edition. San Fransisco: Morgan Kaufmann Publishers. Hermawati, F.A. 2013. Data Mining. Yogyakarta: Andi. Jogiyanto, H.M. 2010. Analisis dan Desain Sistem Informasi.Yogyakarta: Andi. Kurniawan, E. 2011. Cepat Mahir VB 2010. Yogyakarta: Andi. Kendall, K.E. dan J.E.Kendall. 2010. Analisa dan Perancangan Sistem. Jakarta: Indeks Pohan, H.I. 2007. Pengantar Perancangan Sistem, Edisi Ke-2, Cetakan Ke-3. Jakarta: Penerbit Erlangga. Scott, G.M. 2009. Prinsip-Prinsip Sistem Informasi Manajemen. Jakarta: Raja Grafindo Persada. Talib, Haer. 2011. Panduan Lengkap Microsoft Access 2010. Jakarta: Elex Media Komputindo. www.journal.amikom.ac.id/index.php/KIDA/article/view/4460, tanggal 25 November 2014.
73
diakses
pada
