PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI PENERAPAN DATA MINING PADA PERUSAHAAN RITAIL PAKAIAN UNTUK MEMPREDIKSI KETERSEDIAAN JENIS BARANG DENGAN MENGGUNAKAN ALGORITMA FP-GROWTH

HALAMAN JUDUL SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika

Disusun Oleh :

Elisabet Septyana Eka Enykawati 115314011

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2015

i

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI

APPLICATION OF DATA MINING IN CLOTHING RETAIL COMPANY TO PREDICT THE AVAILABILITY OF GOODS USING FP-GROWTH ALGORITHM JUDUL

A Final Project Presented as Partial Fullfillment of the Requirements To Obtain the Sarjana Komputer Degree In Informatics Engineering Study Program

By : Elisabet Septyana Eka Enykawati 115314011

INFORMATICS ENGINEERING STUDY PROGRAM DEPARTMENT OF INFORMATICS ENGINEERING FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY YOGYAKARTA 2015

ii

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI HALAMAN PERSETUJUAN

iii

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI HALAMAN PENGESAHAN

iv

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI HALAMAN PERSEMBAHAN

Tuhan Yesus Kristus

Bapak dan Ibu tercinta yang seantiasa memberikan doa, dukungan semangat dan motivasi

Semua keluarga dan teman – teman tercinta

Almamaterku Universitas Sanata Dharma Yogyakarta

v

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI HALAMAN PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa skripsi yang saya tulis ini tidak memuat karya atau bagian karya orang lain, kecuali yang telah saya sebutkan dalam kutipan dan daftar pustaka, sebagaimana layaknya karya ilmiah

Yogyakarta, 30 Juli 2015 Penulis

Elisabet Septyana Eka Enykawati

vi

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI ABSTRAK Saat ini teknologi informasi berkembang sangat pesat. Hal tersebut memberikan dampak yang besar bagi perkembangan dunia bisnis. Salah satunya adalah perkembangan bisnis di bidang industri perdagangan. Perusahaan – perusahaaan bersaing untuk menarik perhatian dari masyarakat dengan memberikan inovasi – inovasi baru. Perusahaan membutuhkan strategi – strategi khusus untuk dapat menciptakan inovasi baru. Kepuasan konsumen adalah aset utama bagi perusahaan untuk dapat mengembangkan bisnis terebut. Salah satu kepuasan konsumen di dapatkan dengan ketersediaan barang yang dicari oleh konsumen. Prediksi ketersediaan jenis barangdalam perusahaan tersebut dapat dilakukan dengan memanfaatkan data transaksi penjualan. Pengolahan data transaksi yang tepat dapat digunakan sebagai acuan dalam menentukan strategi untuk meningkatkan pelayanan konsumen. Dengan menggunakan teknik pengolahan data mining, data transaksi penjualan akan diolah sehingga menghasikan informasi yang bermanfaat untuk perusahaan. Teknik pengolahan data mining terdapat bermacam – macam jenis tergantung dengan kegunaannya. Pada kasus ini, digunakan pengolahan data mining secara asosiasi. Asosiasi adalah teknik data mining yang bertujuan untuk menemukan hubungan antara satu item dengan item yang lain. Hubungan antar item melalui data transaksi dapat dijadikan sebagai prediksi untuk menentukan jenis barang yang tersedia. Pada Tugas Akhir ini dibuat sebuah sistem untuk mengimplementasikan salah satu algoritma yang dapat digunakan untuk mencari hubungan antara item yang ada yaitu algoritma FP-Growth. Data yang digunakan adalah data transaksi penjualan. Hasil akhir dari proses pengolahan data penjualan adalah pola asosiasi. Pola asosiasi yang dimaksud adalah hubungan suatu barang terjual bersamaan dengan barang apa dalam transaksi penjualan. Hasil analisa dari pola tersebut dapat direkomendasikan kepada pemilik perusahaan sebagai acuan dalam pengambilan keputusan dalam penyediaan jenis barang untuk meningkatkan penjualan. Kata kunci :data mining, algoritma asosiasi, FP-Growth.

vii

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI ABSTRACT

Today information technology is developing very rapidly. It is a big impact for the development of the business world. One is the development of business in the field of trade industry. Companies - firms compete to attract the attention of the public by providing innovations - new innovations. Companies need a strategy - specific strategies to be able to create new innovations. Consumer satisfaction is a major asset for the company to able to develop the business. Consumer satisfaction with the availability of goods obtained in the search by consumers. Prediction availability of goods can be done by utilizing the company's sales transaction data. The proper processing of transaction data can be used as a reference in determining a strategy to improve customer service. By using the processing techniques of data mining, sales transaction data will be processed so generate useful information for the company. Processing techniques there are a variety of data mining - maca types depending on its usefulness. In this case, the processing of data mining used in the association. Association data mining is a technique that aims to find the relationship between one item to another. Relations between mealui item transaction data can be used as predictorsavailability of goods. In this final project created a system to implement one algorithm that can be used to find the relationship between existing items that FP-Growth algorithm. The data used is the sales transaction data. The final result of the processing of sales data is a pattern association. Patterns of association in question is the relationship of goods sold in conjunction with any item in the sales transaction. Results of analysis of the pattern can be recommended to the owner of the company as a reference in the decision making in the provision of inventory to increase sales.

Key words : data mining, association algorithm, FP-Growth.

viii

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI HALAMAN PERSETUJUAN PUBLIKASI KARYA ILMIAH LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS Yang bertanda tangan dibawah ini, saya mahasiswa Universitas Sanata Dharma Nama

:Elisabet Septyana Eka Enykawati

Nomor Mahasiswa

:115314011

Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan Universitas Sanata Dharma karya ilmiah saya yang berjudul:

PENERAPAN DATA MINING PADA PERUSAHAAN RITAIL PAKAIAN UNTUK MEMPREDIKSI KETERSEDIAAN JENIS BARANG DENGAN MENGGUNAKAN ALGORITMA FP-GROWTH

Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan kepada Perpustakan Sanata Dharma hak untuk menyimpan, mengalihkan dalam bentuk media lain, mengelolanya di internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya maupun memberikan royalty kepada saya selama tetap mencantumkan nama saya sebagai penulis.

Demikian pernyataan ini saya buat dengan sebenarnya Dibuat di Yogyakarta Pada tanggal : 30 Juli 2015


ix

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI KATA PENGANTAR

Puji syukur penulis haturkan kehadirat Tuhan Yang Maha Esa atas rahmat yang telah dilimpahkan-Nya, atas terselesaikannya Tugas Akhir ini yang berjudul “ PENERAPAN DATA MINING

PADA PERUSAHAAN RITAIL PAKAIAN UNTUK MEMPREDIKSI

KETERSEDIAAN JENIS BARANG DENGAN MENGGUNAKAN ALGORITMA FPGROWTH “. Dalam penyelesaian Tugas Akhir ini, penulis telah mendapatkan bimbingan, bantuan serta pengarahan-pengarahan dari berbagai pihak sehingga penulis dapat menyelesaikan karya ilmiah ini dengan baik dan lancar. Atas terselesainya Tugas Akhir ini penulis mengucapkan terimakasih kepada : 1. Ibu P.H. Prima Rosa, S.Si., M.Sc. selaku Dekan Fakultas Sains dan Teknoogi Universitas Sanata Dharma Yogyakarta. 2. Ibu Ridowati Gunawan, S.Kom.,M.T. selaku Ketua Program Studi Teknik Informatika dan dosen pembimbing akademik yang telah memberikan kesabaran, waktu dan kebaikan. 3. Bapak Henricus Agung Hernawan S.T.,M.Kom. selaku dosen pembimbing akademik, yang telah memberikan bimbingan dan saran selama penulis menempuh studi 4. Bapak Eko Hari Parmadi, S.Si.,M.Kom. selaku dosen penguji, yang telah memberikan kritik dan saran kepada penulis. 5. Seluruh dosen yang telah mendidik dan memberikan ilmu pengetahuan berharga selama penulis belajar di Universitas Sanata Dharma Yogyakarta.

x

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI 6. Bapak dan Ibu tercinta yang telah memberikan kasih sayang,

perhatian, doa dan

dukungan sehingga penulis dapat menyelesaikan tugas akhir. 7. Kedua adikku Destya dan Lian yang telah memberikan dukungan kepada penulis dalam menyelesaikan tugas akhir. 8. Nanda yang senantiasa memberikan perhatian, semangat dan motivasi kepada penulis sehingga dapat menyelesaikan tugas akhir ini. 9. Teman – teman Teknik Informatika khususnya angkatan 2011 atas kebersamaannya selama 4 tahun ini. 10. Seluruh staff Sekretariat Fakultas Sains dan Teknologi Universitas Sanata Dharma yang banyak membantu dalam urusan administrasi akademik 11. Seluruh pihak yang telah membantu dalam proses penyelesaian tugas akhir ini.

Penelitian tugas akhir ini masih memiliki banyak kekurangan. Untuk itu, penulis sangat membutuhkan saran dan kritik untuk perbaikan di masa yang akan datang. Semoga penelitian tugas akhir ini dapat membawa manfaat bagi semua pihak. Yogyakarta, 30 Juli 2015 Penulis


xi

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI DAFTAR ISI HALAMAN JUDUL ..................................................................................................................................... i HALAMAN PERSETUJUAN..................................................................................................................... iii HALAMAN PENGESAHAN...................................................................................................................... iv HALAMAN PERNYATAAN KEASLIAN KARYA ................................................................................. vi ABSTRAK .................................................................................................................................................. vii ABSTRACT............................................................................................................................................... viii HALAMAN PERSETUJUAN PUBLIKASI KARYA ILMIAH ................................................................ ix KATA PENGANTAR .................................................................................................................................. x DAFTAR ISI............................................................................................................................................... xii DAFTAR GAMBAR .................................................................................................................................. xv DAFTAR TABEL.......................................................................................................................................xvi BAB I ............................................................................................................................................................ 1 PENDAHULUAN ........................................................................................................................................ 1 1.1

Latar Belakang .............................................................................................................................. 1

1.2

Rumusan Masalah ......................................................................................................................... 2

1.3

Tujuan Penelitian .......................................................................................................................... 3

1.4

Batasan Masalah ........................................................................................................................... 3

1.5

Metodologi Penelitian ................................................................................................................... 3

1.6

Sistematika Penulisan ................................................................................................................... 5

BAB II........................................................................................................................................................... 7 TINJAUAN PUSTAKA ............................................................................................................................... 7 2.1

Pengertian Data Mining ................................................................................................................ 7

2.2

Proses Data Mining ....................................................................................................................... 7

2.3

Teknik – Teknik Data Mining ...................................................................................................... 9

2.3.1

Association Rule Mining ....................................................................................................... 9

2.3.2

Classification ........................................................................................................................ 9

2.3.3

Clustering ............................................................................................................................ 10

2.3.4

Outlier Analysis................................................................................................................... 10

2.4

Algoritma Frequent Pattern Growth .......................................................................................... 10

BAB III ....................................................................................................................................................... 20

xii

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI ANALISIS DAN PERANCANGAN SISTEM .......................................................................................... 20 Analisis Sistem............................................................................................................................ 20

3.1

3.1.1

Analisis Data Awal ............................................................................................................. 21

3.1.2

Tahap – Tahap KDD ........................................................................................................... 22

3.2 Identifikasi Sistem ............................................................................................................................ 32 3.2.1

Diagram Use Case .............................................................................................................. 32

3.2.2

Narasi Use Case .................................................................................................................. 34

Perancangan Umum Sistem ........................................................................................................ 38

3.3

3.3.1

Masukan Sistem .................................................................................................................. 38

3.3.2

Proses Sistem ...................................................................................................................... 38

3.3.3

Keluaran Sistem .................................................................................................................. 39

3.3.4

Perancangan Struktur Data.................................................................................................. 39

Perancangan Sistem .................................................................................................................... 40

3.2

3.4.1

Diagram Aktivitas ............................................................................................................... 40

3.4.2

Diagram Kelas Analisis ...................................................................................................... 44

3.4.3

Diagram Sequence............................................................................................................... 45

3.4.4

Diagram Kelas Desain ........................................................................................................ 48

3.4.5

Rincian Algoritma Per Method ........................................................................................... 49

3.5

Perancangan Antar Muka Pengguna ........................................................................................... 64

3.5.1

Perancangan Antar Muka Halaman Home .......................................................................... 64

3.5.2

Perancangan Antar Muka Halaman Open ........................................................................... 65

3.5.3

Perancangan Antar Muka Halaman Prepocessing .............................................................. 66

3.5.4

Perancangan Antar Muka Halaman Hasil Proses................................................................ 67

3.5.5

Perancangan Antar Muka Halaman Bantuan ...................................................................... 68

BAB IV ....................................................................................................................................................... 69 IMPLEMENTASI SISTEM........................................................................................................................ 69 4.1

Implementasi Antar Muka Pengguna .......................................................................................... 69

4.1.1

Implementasi Antar Muka Halaman_Open ........................................................................ 69

4.1.2

Implementasi Antar Muka Halaman_Prepocessing............................................................ 74

4.1.3

Implementasi Antar Muka Halaman_HasilProses .............................................................. 77

4.1.4

Implementasi Antar Muka Halaman_Home ....................................................................... 80

4.1.5

Implementasi Antar Muka Halaman_Bantuan .................................................................... 82 xiii

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI 4.2

Implementasi Kelas ..................................................................................................................... 83

4.2.1

Implementasi Kelas Model ................................................................................................. 83

4.2.2

Implementasi Kelas Controller ........................................................................................... 83

4.2.3

Implementasi Kelas View .................................................................................................... 83

BAB V ........................................................................................................................................................ 85 UJICOBA DAN EVALUASI ..................................................................................................................... 85 BAB VI ..................................................................................................................................................... 105 PENUTUP ................................................................................................................................................ 105 6.1

Kesimpulan ............................................................................................................................... 105

6.2

Saran ......................................................................................................................................... 105

DAFTAR PUSTAKA ............................................................................................................................... 106 LAMPIRAN 1 ........................................................................................................................................... 107

xiv


DAFTAR GAMBAR

No

Keterangan

Gambar

Hal

2.1

Proses Data Mining

10

2.2

Header table

18

3.1

Hasil scanning data transaksi

26

3.2

Scanning ke-2 ( pembentukan FP –tree)

29

3.3

Diagram Use Case

34

3.4

Diagram Konteks

40

3.5

Diagram AktivitasCari database dan data transaksi penjualan

43

3.6

Diagram AktivitasCari pola asosiasi barang

44

3.7

Diagram AktivitasSimpan hasil pola asosiasi barang

45

3.8

Diagram Kelas Analisis

46

3.9

Diagram Sequence cari data transaksi

47

3.10

Diagram Sequence cari pola asosiasi

48

3.11

Diagram Sequence Cetak hasil asosiasi

49

3.12

Diagram Kelas Desain

50

3.12

Perancangan Antar Muka Home

66

3.13

Perancangan Antar Muka Halaman Open

67

3.14

Perancangan Antar Muka Halaman Prepocessing

68

3.15

Perancangan Antar Muka Halaman Hasil Proses

69

3.16

Perancangan Antar Muka Halaman Bantuan

70

4.1

Implementasi Antar Muka Halaman Open

72

4.2

Implementasi Antar Muka Halaman Prepocessing

76

4.3

Implementasi Antar Muka Halaman Hasil Proses

79

4.4

Implementasi Antar Muka Halaman Home

82

4.5

Implementasi Antar Muka Halaman Bantuan

84

xv

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI DAFTAR TABEL

No Tabel

Keterangan

Hal

2.1

Transaksi dalam database

14

2.2

Hasil scanning dan sorting dari database

15

2.3

Hasil item yang memenuhi minimum support

16

2.4

Transaksi database yang berisi item yang memenuhi minimum support

16

2.5

Hasil Akhir

20

3.1

Atribut dalam table transaksi detail

23

3.2

Atribut yang digunakan dalam transaksi

25

3.3

Item sesuai min_supp

27

3.4

Hasil Penyetaraan 1

30

3.5

Hasil Penyetaraan 2

31

3.6

Hasil Penyetaraan 3

32

3.7

Hasil Penyetaraan 4

32

3.8

Hasil Rule

33

3.9

Deskripsi Use Case

35

3.10

Narasi Use Case Cari database dan data transaksi penjualan

36

3.11

Narasi Use Case Cari pola asosiasi barang

37

3.12

Narasi Use Case Cetak hasil pola asosiasi barang

39

3.13

Struktur Data

41

3.14

Algoritma Kelas Control_Database

51

3.15

Algoritma Kelas Control_Algorithm

54

3.16

Algoritma Kelas LihatHasilAlgoTabelModel

62

3.17

Algoritma Kelas Konn

64

xvi


4.1

Keterangan Halaman_Open

72

4.2

Keterangan Halaman_Prepocessing

76

4.3

Keterangan Halaman_HasilProses

79

4.4

Keterangan Halaman_Home

82

4.5

Keterangan Halaman_Bantuan

84

4.6

Implementasi dari kelas model

85

4.7

Implementasi dari kelas Controller

85

4.8

Implementasi dari kelas View

86

5.1

Percobaan tanggal 1 April 2015 dengan minimum support 3%

88

5.2

Percobaan tanggal 1 April 2015 dengan minimum support 2.5%

88

5.3


89

5.4


90

5.5


91

5.6


91

5.7


92

5.8


92

5.9


93

5.10


95

5.11


95

5.12


96

xvii


5.13


97

5.14

Percobaan tanggal 1,2 April 2015 dengan minimum support 3%

98

5.15

Percobaan tanggal 1,2 April 2015 dengan minimum support 2.5%

99

5.16

Percobaan tanggal 1,2 April 2015 dengan minimum support 2%

100

5.17

Percobaan tanggal 1,2 April 2015 dengan minimum support 1.5%

100

5.18

Percobaan tanggal 1,2,3 April 2015 dengan minimum support 3%

102

5.19

Percobaan tanggal 1,2,3 April 2015 dengan minimum support 2.5%

102

5.20

Percobaan tanggal 1,2,3 April 2015 dengan minimum support 2%

103

5.21

Percobaan tanggal 1,2,3 April 2015 dengan minimum support 1.5%

103

5.22

Tabel rule dengan akurasi tertinggi

105

xviii


BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi informasi kini berkembang dengan pesat. Hal tersebut berpengaruh besar terhadap pertumbuhan bisnis baik di bidang industri maupun jasa. Pengaruh tersebut sangat terlihat di dalam persaingan yang terjadi di antara perusahaan yang ada. Mereka berlomba – lomba untuk menciptakan inovasi – inovasi baru untuk menarik masyarakat. Oleh karena itu, para pelaku bisnis dalam sebuah perusahaan membuat strategi – strategi bisnis yang baru agar perusahaan yang mereka kelola dapat tetap berjalan dengan baik. Salah satu perusahaan tersebut adalah sebuah perusahaan XYZ yang menjalankan bisnis di bidang ritail. Aset utama dari sebuah perusahaan tersebut adalah kepuasan konsumen terhadap ketersediaan produk yang ada. Tidak tersedianya barang yang di cari oleh konsumen berpengaruh pula pada pelayanan maupun kepuasan konsumen serta pendapatan perusahaan. Oleh karena itu dibutuhkan suatu prediksi untuk mengetahui jenis barang yang harus tersedia dalam perusahaan tersebut. Prediksi jenis barang yang harus tersedia sangat penting bagi perusahaan untuk menentukan strategi yang tepat yang akan dijalankan dalam perusahaan tersebut untuk dapat mengoptimalkan penjualan. Prediksi jenis barang yang harus tersedia dapat diketahui dengan mengamati data transaksi penjualan. Data penjualan akan diolah yang menghasilkan laporan laba dan rugi dari perusahaan tersebut. Melalui teknologi data miningyang ada dapat dijadikan sebagai solusi bagi para pelaku perusahaan dalam pengambilan keputusan dalam menentukan strategi perusahaan dalam meningkatkan pelayanan kepada konsumen. Di dalam data mining terdapat beberapa teknik dimana penggunaannya disesuaikan pada masalah yang ada. Pada permasalahan prediksi jenis barang yang harus tersediadalam perusahaan, digunakan teknik association rule.Teknik association rule dapat memberikan gambaran / pola – pola tertentu yang sering muncul bersamaan dalam sekumpulan data yang ada. Dalam teknik association rule terdapat sebuah algoritma FP– 1


2

Growth yang dapat digunakan sebagai salah satu alternative algoritma dalam menentukan prediksi jenis barang yang harus tersedia dalam perusahaan. Algoritma FP–Growth merupakan pengembangan dari algoritma apriori. Pada algoritma apriori dibutuhkan scanning data berulang – ulang untuk menentukan frequent Itemset. Berbeda dengan algoritma FP–Growth yang hanya membutuhkan sebanyak dua kali scanning data untuk menentukan frequent Itemset. Dalam menentukan frequent Itemset pada algoritma FP–Growth digunakan pohon prefix yang biasa disebut FP–tree. Penggunaan FP–treeakan membercepat dalam proses penentuan frequent Itemset. Apabila frequent Itemset tersebut memiliki nilai kurang dari minimum support yang ada, maka frequent Itemset tersebut akan dibuang dan tidak akan digunakan. Selanjutnya untuk frequent Itemset yang berada di atas minimum support maupun sama dengan minimum support akan digunakan untuk memprediksi. Penerapan dari algoritma FP–Growth dapat membantu perusahaan dalam memprediksi jenis barang yang harus tersediadengan mengolah data transaksi penjualan barang yang ada.Hasil akhir dari proses tersebut berupagambaran / pola produk yang sering dibeli oleh konsumen. Hasil tersebut dapat digunakan oleh perusahaan dalam menentukan ketersediaan barang di perusahaan.

1.2 Rumusan Masalah Berdasarkan pada latar belakang di atas, maka dapat dirumuskan menjadi dua masalah utama yaitu : a. Bagaimana menerapkan algoritma FP- Growth

dalam memprediksi jenis

barang yang harus tersedia pada perusahaan XYZ? b. Apakah penerapan dari algoritma FP-Growth dapat memberikan hasil yang akurat dalam memprediksi jenis barang yang harus tersedia dalam perusahaan XYZ tersebut ?


3

1.3 Tujuan Penelitian Tujuan dari penelitian ini adalah a. Membantu perusahaan XYZ dalam memprediksi jenis barang yang harus tersedia dengan menggunakan algoritma FP- Growth b. Menguji keakuratan algoritma FP-Growth dalam memprediksijenis barang yang harus tersedia dalam perusahaan XYZ. 1.4 Batasan Masalah Batasan masalah dari penelitian ini adalah a. Data yang digunakan dalam penelitian ini adalah data transaksi penjualan perusahaan XYZ yang bergerak di bidang retail meliputi no faktur penjualan, kode barang beserta nama barang dari item yang dibeli dalam satu kali transaksi penjualan. b. Data diambil dalam kurun waktu satu tahun yaitu tahun 2013. c. Data stok masing – masing barang disumsikan dengan jumlah 200. d. Teknik Asosiasi yang digunakan untuk melakukan analisis data yaitu menggunakan algoritma FP – Growth

1.5 Metodologi Penelitian Dalam penelitian ini digunakan beberapa metodologi penelitian yaitu : a. Metode Pengumpulan Data Metode pengumpulan data yang digunakan dalam penelitian ini adalah dengan melakukan pengambilan data yang dibutuhkan secara langsung pada objek penelitian dan studi pustaka dengan mengumpulkan data dan mempelajari masalah yang berhubungan dengan objek penelitian yang bersumber dari buku – buku pedoman untuk melengkapi data yang diperlukan dalam penelitian ini.

b. Metode Analisis Data Metode analisis data yang digunakan dalam penelitian ini adalah menggunakan tahapan Knowledge Discovery in Databases (KDD) yang terdiri

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI dari

beberapa

tahap

diantaranya

adalah

selection,

4

preprocessing,

transformation, data mining dan evaluation. (Jiawei Han, 2011) a. Data Selection Data Selection merupakan tahap dimana menciptakan himpunan data target, pemilihan himpunan data, atau memfokuskan pada subset variabel atau sampel data, dimana penemuan (discovery) akan dilakukan. 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.

b. Preprocessing Tahap Preprocessing merupakan tahap pemprosesan pendahuluan dan

pembersihan

data

merupakan

operasi

dasar

seperti

penghapusan noise dilakukan. 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).

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.

c. Transformation Tahap transformation merupakan tahap pencarian fitur-fitur yang berguna untuk mempresentasikan data yang bergantung kepada tujuan yang ingin dicapai. Tahap ini juga merupakan proses transformasi pada data yang telah dipilih, sehingga data tersebut sesuai untuk proses data mining. Proses ini merupakan proses


5

kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam basis data

d. Data mining Proses data mining yaitu 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. Pemilihan algoritma data mining untuk pencarian (searching).

e. Evaluation Tahap evaluation merupakan tahap penerjemahan pola-pola yang dihasilkan dari data mining. 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 mencakup pemeriksaan apakah

pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesa yang ada sebelumnya.

1.6 Sistematika Penulisan Sistematika ini secara garis besar memberikan isi yang berupa susunan bab dari penelitian.

BAB I PENDAHULUAN Bab ini berisikan tentang latar belakang, rumusan masalah, tujuan penelitian, batasan masalah, metodologi penelitian serta sistematika penulisan tugas akhir ini.

BAB II TINJAUAN PUSTAKA


6

Bab ini berisikan teori – teori yang mendasari penulis dalam melakukan pemecahan masalah yang ada guna sebagai acuan untuk penyelesaian tugas akhir ini.

Di

antaranya

adalah

penjelasan

mengenai

definisi

data

mining,

pengelompokan data mining ,fungsi data mining, langkah – langkah data mining , algoritma asosiasi , algoritma FP – Growth.

BAB III ANALISIS DAN PERANCANGAN Bab ini menjelaskan tentang analisa dan perancangan sistem yang akan dibuat diantaranya mengumpulkan data dan menganalisis data dengan menjalankan proses KDD.

BAB IV IMPLEMENTASI SISTEM Bab ini menjelaskan mengenai implementasi dari analisa yang telah dibuat pada tahap sebelumnya.

BAB V UJI COBA DAN EVALUASI Bab ini berisi mengenai pengujian terhadap sistem yang telah dibuat dan evaluasi terhadap sistem tersebut.

BAB VI PENUTUP Bab ini berisi mengenai kesimpulan dan saran dari penulis terhadap sistem yang telah dibuat untuk pengembangan selanjutnya.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI BAB II TINJAUAN PUSTAKA

2.1 Pengertian Data Mining

Data mining sangatlah penting bagi kita di jaman sekarang ini sebab pertumbuhan data dari hari ke hari semakin meningkat, dari terabytes hingga pentabytes. Semakin tingginya persaingan yang ada sekarang ini membuat kita perlu untuk mencari sesuatu atau pengetahuan yang ada dalam data. Menurut Jiawei , secara sederhana kata data mining merujuk pada ekstraksi atau “menambang” pengetahuan dari sejumlah data yang besar. Dari penjelasan tersebut, data mining dapat diartikan sebagai sebuah proses dari sekumpulan data yang memiliki jumlah besar untuk mendapatkan data yang hasilnya tidak hanya sekedar informasi melainkan merupakan sebuah pengetahuan atau knowledge yang tersembunyi dari data tersebut. Pengetahuan atau knowledge yang diperoleh dari hasil mining terhadap sekumpulan kata tersebut dapat membantu dalam pengambilan sebuah keputusan. Proses data mining ini adalah mengolah data, dimana data sebagai input atau masukan yang melalui sebuah proses akan menghasilkan output yang tidak hanya berisikan informasi namun ada sebuah pengetahuan yang dapat di ambil dari data tersebut. Dari pengetahuan yang didapatkan akan diolah menjadi wisdom yang sangat bermanfaat. 2.2 Proses Data Mining

Proses data mining dibagi menjadi beberapa proses yang dapat diilustrasikan seperti pada gambar 2.1 di bawah ini :

7


8

Gambar 2. 1 Proses Data Mining (Jiawei Han,2011)

Gambar 2.1 dapat dijelaskan seperti berikut : a. Data Cleaning yaitu proses untuk menghilangkan noise dan data yang tidak konsisten. b. Data Integration yaitu proses dimana data dari berbagai sumber digabungkan. c. Data Selection yaitu proses penyeleksian data yang akan digunakan untuk proes data mining. d. Data Transformation yaitu proses data ditransformasikan dan digabungkan ke dalam sebuah bentuk yang sesuai dengan data mining. e. Data mining yaitu proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. f. Evaluation yaitu penerjemahan pola-pola yang dihasilkan dari data mining. Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. g. Knowledge

Presentation

yaitu

proses

representasi

pengetahuan

yang

digunakan

gambaran pada pihak yang terkait.

visualisasi untuk

dan

teknik

memberikan


9

2.3 Teknik – Teknik Data Mining

Dalam data mining terdapat beberapa teknik yang digunakan untuk melakukan analisa terhadap sekumpulan data. Teknik data mining yang akan digunakan dalam melakukan analisa data disesuaikan dengan kebutuhan dan masalah yang ada. Berikut adalah beberapa teknik yang digunakan dalam data mining.

2.3.1 Association Rule Mining Association rule mining merupakan salah satu teknik dalam data mining yang digunakan untuk menemukan sebuah aturan assosiatif antara suatu kombinasi item. Aturan yang digunakan dalam teknik ini adalah menggunakan aturan “ Jika – Maka “. Seperti contohnya yang terjadi dari sebuah transaksi pembelian adalah jika konsumen membeli barang A maka ia akan membeli juga barang B. Beberapa algoritma yang menggunakan teknik association rule mining adalah algoritma apriori yang menggunakan iterasi secara berulang – ulang untuk menentukan frequent itemset dan algoritma FP-Growth

yang menggunakan

Frequent Pattern Tree dalam menentukan frequent itemset. 2.3.2 Classification Teknik

Classification

merupakan

teknik

yang

digunakan

untuk

menemukan sebuah model atau sebuah fungsi yang mendiskripsikan dan membedakan kelas atau konsep data, dengan tujuan menggunakan model tersebut untuk memprediksi kelompok dari object yang belum diketahui labelnya. Model dapat direpresentasikan dalam bentuk classification rules, decision tress, mathematical formulae, atau neural networks. Beberapa method yang digunakan untuk membangun sebuah model classification yaitu naïve Bayesian classification, support vector machines, dan knearest-neighbor classification.


10

2.3.3 Clustering Berbeda dengan teknik classification dan association rule, teknik clustering merupakan teknik yang digunakan untuk melakukan pengelompokan data dan memberikan label pada sekelompok data yang sebelumnya tidak diketahui. Object yang dikelompokkan atau di cluster berdasarkan pada prinsip memaksimalkan kesamaan antar anggota di dalam suatu kelas dan meminimalkan kesamaan antar kelas. Dengan hal tersebut object dalam kelas terbentuk, jadi object di dalam sebuah cluster memiliki kesamaan yang tinggi apabila dibandingkan antara anggota satu dengan anggota yang lain dalam cluster tersebut. Tetapi akan memiliki perbedaan yang tinggi apabila dibandingkan dengan object yang terletak dalam cluster yang berbeda. 2.3.4 Outlier Analysis Dalam sekumpulan data mungkin terdapat object yang tidak sesuai dengan model dari data, itulah yang disebut dengan outlier. Banyak method dari data mining yang membuang outlier yang biasa disebut dengan noise atau exception. Outlier mendeteksi dengan menggunakan tes statistic yang mengasumsikan kemungkinan model dalam data atau menggunakan ukuran jarak dimana object dikendalikan dengan mempertimpangkan outlier dalam cluster yang lain.

2.4 Algoritma Frequent Pattern Growth Algoritma FP-Growth merupakan salah satu algoritma data mining yang menggunakan teknik association rule. Algoritma FP-Growth sangat efisien dan scalable untuk menentukan frequent pattern baik dalam data besar maupun kecil. Algoritma ini juga lebih cepat daripada algoritma apriori dimana pada algoritma apriori harus dilakukan iterasi secara berulang kali sehingga membutuhkan waktu yang cukup lama untuk menyelesaikan. Algoritma apriori juga tidak dapat menangani data yang besar, sehingga algoritma FP-Growth ini dapat dijadikan sebagai solusi bagi permasalahan yang terjadi pada algoritma apriori yaitu masalah pada candidate set generation and test.


11

Beberapa istilah yang ada dalam algoritma FP-Growth diantaranya dapat dijelaskan dengan pemisalan berikut ini : a.

*

+merupakan kumpulan dari item – item

yang ada dalam transaksi database (

b.

database dimana

)merupakan transaksi yang ada dalam (

,

-)merupakan sebuah transaksi

yang mengandung item yang berada pada I. c. Support( frekuensi kemunculan ) dari pattern A adalah angka dari transaksi yang mengandung item A di dalam DB. d. A merupakan sebuah frequent pattern jika nilai dari supportA tidak kurang dari minimum support yang telah ditentukan sebelumnya. Dalam algoritma FP-Growth dikenal pula istilah frequent pattern tree( FP-tree) yaitu sebuah struktur seperti pohon prefix yang digunakan untuk mendesain struktur frequent pattern mining secara efisien. Setiap node pada pohon diisi dengan 1 item dan di setiap anak dari node tersebut merepresentasikan item yang berbeda dengan item yang ada pada induk. Setiap node juga menyimpan informasi pendukung dari isi item di dalam path dari root hingga ke node. Sebuah root dalam pohon diinisialisasikan dengan nilai null. Dengan menggunakan FP-Tree, algoritma FP-growth dapat langsung mengekstrak frequent Itemset. Langkah – langkah yang dijalankan dalam algoritma FP-growth adalah sebagai berikut : a. Menentukan

minimum

support

yang

akan

digunakan

untuk

menentukan rule dalam mencari frequent pattern. b. Melakukan scanning pada database untuk mendapatkan frekuensi kemunculan suatu item. c. Melakukan seleksi / pembuangan terhadap item yang memiliki count kurang dari minimum support yang telah ditentukan. Untuk item yang memenuhi minimum support disimpan dalam list L, dan lakukan


12

sorting secara descending berdasarkan jumlah frekuensi terbesar hingga terkecil. d. Membentuk root FP-Tree yang diberi nilai dengan “null”. e. Melakukan scan yang kedua kalinya untuk cabang dari FP-Tree sesuai dengan urutan transaksi pada list L. Apabila item yang ada pada transaksi berikutnya sudah ada pada transaksi sebelumnya maka nilai indeks dari item tersebut akan bertambah 1, sedangkan jika item belum ada pada transaksi sebelumnya akan membentuk cabang baru. f. Berdasarkan list L pisahkan tiap frequent itemsets tanpa pengulangan g. Melakukan analisa FP-Tree yang telah terbentuk dengan cara mencari frequent itemsets yang mengandung nilai ai lalu setarakan nilai frequent itemsets tersebut dengan nilai ai. Setelah disetarakan, jumlahkan kedua nilai support frequent itemsets yang sama. Untuk nilai yang diatas maupun sama dengan minimum support lah yang menjadi rule. Langkah analisa diatas dilakukan berulang untuk semua subset yang ada pada FP-Tree. h. Hasil analisa FP-Tree yang sesuai dengan minimum support itulah yang digunakan sebagai rule

Berikut adalah contoh dari penerapan algoritma pada sebuah data transaksi : Tabel 2. 1 Transaksi dalam database TID

Items Bought

100

f,a,c,d,g,i,m,p

200

a,b,c,f,l,m,o

300

b,f,h,j,o

400

b,c,k,s,p

500

a,f,c,e,l,p,m,n


13

Tabel 2.1 menjelaskan lima buah transaksi yang ada dalam database yaitu * yang

+. ada

Sedangkan items bought menunjukkan item

pada

transaksi

*

tersebut

adalah

+. Untuk mulai melakukan mining

menggunakan algoritma FP-Growth, sebelumnya ditentukan dahulu minimum support nya. Dalam contoh ini saya tentukan minimum support nyayaitu 3.

Tabel 2. 2 Hasil scanning dan sorting dari database

Item

Count

f

4

c

4

a

3

b

3

m

3

p

3

l

2

o

2

d

1

g

1

i

1

h

1

j

1

k

1

s

1

e

1

n

1


14

Tabel 2.2 menjelaskan langkah pertama yang dijalankan yaitu melakukan scan pada database untuk mendapatkan frekuensi kemunculan item dalam database. Lalu sorting berdasarkan jumlah frekuensi terbesar hingga terkecil. Urutan tersebut penting yang nantinya akan digunakan dalam membuat FP-Tree Tabel 2. 3 Hasil item yang memenuhi minimum support Item

Count

f

4

c

4

a

3

b

3

m

3

p

3

Tabel 2.3 menjelaskan langkah selanjutnya yaitu melakukan seleksi terhadap item yang memiliki count kurang dari minimum support yang telah ditentukan sehingga menyisakan item f, c,a,m,p dan b. Sehingga transaksi dalam database yang berisi item yang memenuhi minimum support dapat di lihat pada table 2.4

Tabel 2. 4 Transaksi database yang berisi item yang memenuhi minimum support

Items

(

Ordered)

TID

Bought

Items

100

f,a,c,d,g,i,m,p f,c,a,m,p

200

a,b,c,f,l,m,o

f,c,a,b,m

300

b,f,h,j,o

f,b

400

b,c,k,s,p

c,b,p

500

a,f,c,e,l,p,m,n f,c,a,m,p

Frequent


15

Langkah selanjutnya adalah membuat root dari sebuah pohon yang di beri label “null”. Pada tahap ini dilakukan proses scanning untuk yang kedua kalinya. Proses scan ini diawali pada transaksi pertama yaitu transaksi yang berisi item (f,c,a,m,p). Transaksi tersebut menjadi cabang pertama dari pohon, setiap item baru diberi nilai 1 sehingga menjadi 〈(

)(

)(

)(

)(

)〉.

Pada transaksi kedua yaitu transaksi yang berisi item (f,c,a,b,m) membentuk cabang baru ketika sampai pada item (b dan m) karena item (f,c,a) sudah terbentuk pada transaksi pertama sehingga menggunakan transaksi pertama. Hanya saja nilai dari item dalam node yang telah ada pada transaksi pertama dan dilewati juga dalam transaksi kedua bertambah 1 sehingga nilainya menjadi 2. Sedangkan pada node yang sedang terbentuk pertama kali pada transaksi kedua bernilai 1 sehingga hasilnya adalah 〈(

)(

)(

)(

)(

)〉.

Pada transaksi ketiga yaitu transaksi yang berisi item (f,b) membentuk cabang baru ketika pada item (b) karena item (f) menggunakan cabang yang sudah terbentuk pada transaksi sebelumnya. Sehingga nilai dari item-item tersebut adalah 〈(

)(

)〉.

Pada transaksi ke empat yaitu transaksi yang berisi item (c,b,p) membentuk cabang baru dari awal karena pada transaksi sebelumnya tidak ada yang melakukan scan dengan diawali item ( c ). Sehingga nilai dari masing – masing item tersebut adalah 1 Sedangkan pada transaksi terakhir yaitu transaksi yang berisi item (f,c,a,m,p ) tidak membentuk cabang baru hanya saja nilai dari masing – masing item tersebut bertambah 1. Hasil scan kedua yang dilakukan dalam database yang berupa pohon dapat dilihat pada gambar 2.2 di bawah ini.


16

Gambar 2. 2Header table ( Jiawei Han)

Dengan pohon yang telah terbentuk, selanjutnya akan dilakukan mining frequent patterns. Proses ini dilakukan dengan mengoleksi patterns dari node yang dimulai dari head( kepala) dari node dan diikuti dengan item yang ada pada node-links tersebut. Proses mining dimulai dari item yang terletak paling bawah pada Header table yaitu p. Untuk node p, mendapatkan nilai frequent pattern (p:3) dan dua path dalam FP-tree yaitu 〈

〉 dan 〈

〉.

Dari path yang dilalui bersama dengan p hanya ada 2 kali sehingga disamakan dengan nilai dari p tersebut yaitu 〈

〉. Begitu

juga dengan path yang kedua disamakan dengan jumlah p yang dilalui bersama yaitu 〈

〉. Kemudian dari dua path tersebut dijumlahkan

nilai dari masing – masing item yang ada di kedua path sehingga menghasilkan satu frequent pattern yaitu (c,p) karena hanya c dan p itu sendiri yang memenuhi minimum support yang telah ditentukan. Untuk node m, mendapatkan nilai frequent pattern (m:3) dan dua path 〈

dalam

FP-tree

yaitu

〈

〉

dan

〉. Dari path yang dilalui bersama dengan m hanya

ada 2 kali sehingga disamakan dengan nilai dari m tersebut yaitu 〈

〉. Begitu juga dengan path yang kedua disamakan dengan

jumlah m yang dilalui bersama yaitu 〈

〉. Kemudian dari


17

dua path tersebut dijumlahkan nilai dari masing – masing item yang ada di kedua path sehingga menghasilkan satu frequent pattern yaitu (f,c,a,m) . Untuk node b, mendapatkan nilai frequent pattern (b:3) dan tiga path dalam FP-tree yaitu 〈

〉 , 〈

〉, 〈

〉.

Dari path yang dilalui bersama dengan b hanya ada 2 kali path pertama sehingga disamakan dengan nilai dari b tersebut yaitu 〈

〉.

Begitu juga dengan path yang kedua disamakan dengan jumlah b yang dilalui bersama yaitu〈

〉. Selanjutnya berlaku juga dengan path yang

ketiga disamakan dengan jumlah b yang dilalui bersama yaitu〈

〉.

Kemudian dari dua path tersebut dijumlahkan nilai dari masing – masing item yang ada di ketiga path. Dari node b ternyata tidak terdapat frequent pattern karena tidak ada yang memenuhi minimum support. Untuk node a, mendapatkan nilai frequent pattern (a:3) dan sebuah path dalam FP-tree yaitu 〈

〉. Dari path yang dilalui bersama

dengan a ada 3 kali sehingga disamakan dengan nilai dari m tersebut yaitu 〈

〉.Dari path tersebut

menghasilkan satu frequent pattern yaitu

(f,c,a). Untuk node c, mendapatkan nilai frequent pattern (c:4) dan dua path dalam FP-tree yaitu 〈

〉 dan 〈

〉. Dari path yang dilalui

bersama dengan c hanya ada 3 kali sehingga disamakan dengan nilai dari c tersebut yaitu 〈

〉. Dari path tersebut

menghasilkan satu frequent

pattern yaitu (f,c). Untuk node f yang merupakan kepala dari node tidak dilakukan mining frequent parent karena hanya terdiri dari satu item saja.


18

Tabel 2. 5Hasil Akhir

Dari proses tersebut dapat beberapa rule yang merupakan hasil akhir dari proses mining dengan menggunakan algoritma FP-Growth yaitu { (c,p), (f,c,a,m,p), (f,c,a), (f,c)} seperti yang terlihat pada table 2.5 di atas.

2.5 Lift Ratio

Lift Ratio merupakan sebuah ukuran yang digunakan dalam teknik asosiasi untuk mengukur seberapa besar tingkat keakuratan sebuah rule yang dihasilkan dari proses asosiasi.

Beberapa istilah yang digunakan dalam Lift Ratio adalah sebagai berikut : a. Antecedent merupakan sebab. Antecedent

adalah

item yang menjadikan item

consequent. b. Consequent merupakan sebuah akibat. Secara sederhana dapat dijelaskan sebagai item barang yang dibeli karena suatu barang telah dibeli.

Sehingga rumus dari Lift Ratio dapat dituliskan seperti di bawah ini :


19

……………………..(2.1)

Dimanaconfidence:

∑

….…….(2.2)

∑

Antecedent disimbolkan dengan A sedangkan consequent disimbolkan dengan C

Sedangkan expected confidence :

∑ ∑

……………(2.3)

Nilai dari Lift Ratio dapat dibaca sebagai berikut : a. Apabila nilai dari Lift Ratio > 1 maka menyatakan bahwa A dan C muncul lebih sering dari yang diharapkan b. Apabila nilai dari Lift Ratio = 1 maka menyatakan bahwa A dan C muncul hampir selalu bersamaan seperti yang diharapkan c. Apabila nilai dari Lift Ratio< 1 maka menyatakan bahwa A dan C muncul lebih jarang dari yang diharapkan

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI BAB III ANALISIS DAN PERANCANGAN SISTEM

3.1 Analisis Sistem

Tahap analisis sistem merupakan tahap dimana sebuah solusi diberikan untuk menyelesaikan masalah yang telah dirumuskan dalam BAB I. Penyelesaian tersebut dibagi ke dalam beberapa komponen yang nantinya akan saling berinteraksi untuk mencapai tujuan. Dalam bab ini, analisis sistem digambarkan dengan bentuk pemodelan fungsi – fungsi yang ada di sistem dan alur dari sistem tersebut. Sistem yang akan dibuat adalah sistem yang dapat mengelola data transaksi penjualan perusahaan retail yang digunakan untuk melakukan proses data mining, melakukan analisa terhadap rule hasil dari proses mining dan mencetak hasil analisa proses mining. Seperti yang telah disebutkan pada BAB I dalam Tujun Penelitian, maka sistem ini akan melakukan proses data mining dengan menggunakan algoritma FP-Growthuntuk memprediksi ketersediaan jenis barang pada perusahaan tersebut.

20

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI 3.1.1

21

Analisis Data Awal Data yang digunakan dalam penelitian ini adalah data transaksi detail dari perusahaan retail ABC selama 1 hari. Data tersebut terdiri dari 3556 record. Tabel 3. 1 Atribut dalam table transaksi detail

No

Nama Atribut

Keterangan

1

noFaktur

Nomor nota transaksi penjualan

2

kodeBarang

Kode dari masing masing barang

3

namaBarang

Nama dari item barang yang di beli

4

satuan

Jenis satuan barang yang di beli

5

size

Ukuran dari suatu item

6

hargaJual

Harga dari brang yang di beli

7

quantity

Jumlah pembelian barang dalam satu kali transaksi

8

discount

9

discountReal

10

discount2

11

total

Total harga setelah discount

12

urut

No urut barang dari setiap nota transaksi

13

hpp

14

hppdpp

15

hargasatuan

16

sisapesan

17

statusReturOrder Berisi status dari retur order

18

statusNotaKredit Berisi status dari nota kredit

19

nourut

Potongan harga dari suatu barang

No urut transaksi penjualan


22

Tahap – Tahap KDD

3.1.2

Sebelum data tersebut dimasukkan ke dalam sistem untuk dilakukan penambangan data, maka dilakukan terlebih dahulu tahap – tahap dalam KDD ( Knowledge Discovery In Database). Tahap – tahap tersebut akan dijelaskan lebih detail pada penjelasan berikut ini :

3.1.2.1

Pembersihan Data (Data Cleaning) Proses pembesihan data ini merupakan tahap pertama dalam KDD. Proses ini merupakan proses dimana record yang mengandung data – data yang tidak relevan, tidak konsisten akan dibuang. Pada penelitian ini data transaksi sudah relevan dan konsisten sehingga tidak perlu dilakukan pembersihan data.

3.1.2.2

Integrasi Data (Data Integration) Integrasi data merupakan penggabungan data dari beberapa sumber. Dalam penelitian ini, peneliti hanya menggunakan satu sumber saja yaitu data transaksi detail dari perusahaan retail XYZ dalam kurun waktu satu tahun sehingga tidak dilakukan proses intergrasi data.

3.1.2.3

Pemilihan Data (Data Selection) Pada tahap ini akan dilakukan penyeleksian data – data yang akan digunakan dalam penelitian. Pada data transaksi penjualan detail terdapat 19 atribut yaitu noFaktur, kodeBarang, namaBarang, satuan, size, hargaJual, quantity, discount, discountReal, discount2, total, urut, hpp, hppdpp, hargasatuan, sisapesan, statusReturOrder, statusNotaKredit, nourut.


23

Beberapa atribut data yang diseleksi adalah satuan, size, hargaJual, quantity, discount, discountReal, discount2, total, urut, hpp, hppdpp, hargasatuan, sisapesan, statusReturOrder, statusNotaKredit, nourut. Sehingga setelah dilakukan seleksi data, hanya ada tiga record yang digunakan yaitu noFaktur, kodeBarang dan namaBarang. Tabel 3. 2 Atribut yang digunakan dalam transaksi

3.1.2.4

No

Nama Atribut

Keterangan

1

noFaktur

Nomor nota transaksi penjualan

2

kodeBarang

Kode dari masing masing barang

3

namaBarang

Nama dari item barang yang di beli

Transformasi Data (Data Transformation)

Tahap transformasi data merupakan tahap dimana data diolah setelah selesai dilakukan pembersihan dan seleksi. Tahap ini akan melakukan pengubahan format data asli ke dalam format data yang sesuai untuk dilakukan proses penambangan data. Pada penelitian ini, peneliti melakukan transformasi data pada table transaksi detail penjualan. Tabel transaksi detail penjualan di ubah menjadi dua kolom yaitu no faktur dan transaksi. Kolom pada noFaktur menyimpan no faktur dari transaksi yang ada, sedangkan kolom transaksi menyimpan data transaksi penjualan berupa nama barang dank ode barang yang dibeli. Sehingga dengan bentuk table yang telah ditransformasikan dapat dengan mudah dilakukan proses data mining.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI 3.1.2.5

24

Penambangan data (Data Mining)

a. Menentukan

minimum

support

yang

akan

digunakan

untuk

menentukan rule dalam mencari frequent pattern. Dalam penelitian ini, peneliti menentukan min_supportyaitu : 11 b. Melakukan scanning pada database untuk mendapatkan frekuensi kemunculan suatu item. Di bawah ini merupakan gambar dari proses scanning data transaksi untuk menentukan frequent itemset. Proses scanning ini dilakukan terhadap 1818 transaksi penjualan dari 18 kasir yang ada. Dari hasil scanning tersebut ditemukan 646 jenis item barang yang ada.

Gambar 3. 1 Hasil scanning data transaksi


25

c. Melakukan seleksi / pembuangan terhadap item yang memiliki count kurang dari minimum support yang telah ditentukan. Untuk item yang memenuhi minimum support disimpan dalam list L, dan lakukan sorting secara descending berdasarkan jumlah frekuensi terbesar hingga terkecil.Setelah dilakukan scanning dan dilakukan sorting , terdapat sebanyak 71 item barang yng supportnya memenuhi min_supp yang telah ditentukan seperti yang terdapat pada gambar di bawah ini : Tabel 3. 3 Item sesuai min_supp No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27

Nama Barang

Kode Barang

TAS

034010450

SINGLET/KAOS CE

032010145

SINGLET/KAOS

032010135

KAOS CE

017010250

SINGLET/KAOS CE

032010185

KAOS CE

017010210

CD PAKET/3 PCS

035060100

SINGLET

032010105

SINGLET

032010115

TALI RAMBUT

31020013

BLAZER

005010420

KAOS CO

018010250

KAOS CE

017010300

TALI RAMBUT

31020011

BLAZER

005010430

BLAZER

005010410

JAM TANGAN

015010200

BAJU CE 1

001010400

BAJU CE

001010450

CARDIGAN

007010320

CELANA/BAJU CE

008020500

JAM TANGAN

015010230

JILBAB

016010160

CELANA CE PJG

008020400

JAKET

013010580

KAOS CO

018010300

JAM TANGAN

015010170

Frekuensi 243 190 99 80 77 59 52 49 43 42 39 37 32 31 31 29 27 27 26 25 25 25 24 24 23 23 22

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68

CELANA CE

008020430

BAJU CE

001010430

BAJU CE

001010480

BAJU CE

001010440

JILBAB

016010270

BLAZER

005010450

HANDUK S

012020289

JILBAB

016010210

SPT X109

030010440

BLAZER

005010490

BLAZER

005010460

SHALL

040010082

BAJU CE

001010415

JAKET CE

013010620

CARDIGAN

007010350

CARDIGAN

007010330

KEMEJA CO

021030750

TP MAKE UP

31270073

BAJU CE

001010350

KAOS CE

017010240

BAJU ANAK

038010300

BAJU CE

001010420

BAJU CE

001010410

JILBAB

016010220

TALI RAMBUT

31020024

KAOS CO

018010259

HANDUK B

012010465

TP MAKE UP

31270098

JAM TANGAN

015010240

BLAZER

005010470

SISIR

31380048

SPT ASB

030010260

ROMPI/BALERO

025010380

BAJU CE

001010470

BAJU CE

001010500

BAJU CE SDL RMT JAKET CE/BALERO JEANS

001010390 029010270 013010520

TP MAKE UP

31270110

TP MAKE UP KAOS CE PJG

31270085 017030250

21 20 19 19 18 17 17 16 16 15 15 15 15 15 15 15 14 14 14 14 14 14 14 13 13 13 13 13 12 12 12 12 12 12 12 12 12 11 11 11 11

26

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI 69 70 71

SPT D09

030010290

SEPRAI DBL

031021023

ROMPI/BALERO

025010330

27

11 11 11

d. Membentuk root FP-Tree yang diberi nilai dengan “null”. Selanjutnya melakukan scan yang kedua kalinya untuk cabang dari FP-Tree sesuai dengan urutan transaksi pada list L. Apabila item yang ada pada transaksi berikutnya sudah ada pada transaksi sebelumnya maka nilai indeks dari item tersebut akan bertambah 1, sedangkan jika item belum ada pada transaksi sebelumnya akan membentuk cabang baru.

Gambar 3. 2 Scanning ke-2 ( pembentukan FP –tree)


28

e. Melakukan analisa FP-Tree yang telah terbentuk dengan cara mencari frequent itemsets yang mengandung nilai ai lalu setarakan nilai frequent itemsets tersebut dengan nilai ai. Setelah disetarakan, jumlahkan kedua nilai support frequent itemsets yang sama. Untuk nilai yang diatas maupun sama dengan minimum support lah yang menjadi rule. Langkah analisa diatas dilakukan berulang untuk semua subset yang ada pada FP-Tree. Setelah dilakukan penyetaraan, dari 73 item barang yang memiliki min_supp lebih dari maupun sama dengan 11, hanya ada 4 rule yang di hasilkan seprti yang terlihat pada gambar di bawah ini :

Tabel 3. 4 Hasil Penyetaraan 1 NODE

:

Frequent:

SINGLET / KAOS CE(032010185)

77

Path

Item

Hasil Setelah di Setarakan

TAS(450) : 243, SINGLET/ KAOS CE(145) : 13, SINGLET/ KAOS CE(185) 1

:1

TAS(450) : 1, SINGLET/ KAOS CE(145) : =

TAS(450) : 243, SINGLET/ KAOS 2

CE(185) : 1

TAS(450) : 4, SINGLET/ KAOS CE(185) : =

SINGLET/ KAOS CE(145) : 177, 3

4

SINGLET/ KAOS CE(185) : 14

4 SINGLET/ KAOS CE(145) : 15, SINGLET/

=

KAOS CE(185) : 14

SINGLET/ KAOS CE(145) : 177,

SINGLET/ KAOS CE(145) : 1, SINGLET /

SINGLET / KAOS CE(135) : 17 ,

KAOS CE(135) : 1 , SINGLET/ KAOS


=

SINGLET / KAOS CE(135) : 71, 5

1, SINGLET/ KAOS CE(185) : 1


CE(185) : 1 SINGLET / KAOS CE(135) : 2 , SINGLET/

=

KAOS CE(250) : 61 , SINGLET/ KAOS

KAOS CE(185) : 2 KAOS CE(250) : 1 , SINGLET/ KAOS

6

CE(185) : 1

=

CE(185) : 1

7


=



29

KESIMPULAN : TAS(450) : 5, SINGLET/ KAOS CE(145) : 16, SINGLET / KAOS CE(135) : 3, KAOS CE(250) : 1, SINGLET/ KAOS CE(185) : 77

Tabel 3. 5 Hasil Penyetaraan 2

NODE : Frequent : Path

1 2 3 4 5 6 7 8 9

10 11 12 13

BLAZER (005010420)

39 Item SINGLET/ KAOS CE(145) : 177 , KAOS CE(250) : 5 , KAOS CE(210) : 2 , SINGLET(115) : 1 , BLAZER(420) : 1 SINGLET/ KAOS CE(145) : 177 , SINGLET/ KAOS(135) : 1, BLAZER(420) : 1 SINGLET/ KAOS CE(145) : 177 , BLAZER(420) : 7 SINGLET/ KAOS CE(185) : 56, CD PAKET / 3 PCS (100) : 2 , BLAZER(420) : 1 SINGLET/ KAOS CE(185) : 56, BLAZER(420) :1 SINGLET/ KAOS CE(145) : 177 , SINGLET/ KAOS CE(185) : 1, BLAZER(420) : 1 SINGLET/ KAOS (135) : 71 , BLAZER(420) : 4 KAOS CE(250) : 61, SINGLET( 115) : 2 , BLAZER( 420) : 2 KAOS CE(250) : 61 , BLAZER(420) : 2 SINGLET/ KAOS CE(145) : 177 , CD PAKET / 3 PCS (100) : 2 , SINGLET(115) : 1, BLAZER(420) : 1 CD PAKET / 3 PCS(100) : 30 , BLAZER( 420) :1 SINGLET(115) : 23, BLAZER( 420) : 1 BLAZER(420) : 17 KESIMPULAN : SINGLET/ KAOS CE(145) : 11 , KAOS

Hasil Setelah di Setarakan SINGLET/ KAOS CE(145) : 1 , KAOS CE(250) : 1 , KAOS CE(210) : 1 , SINGLET(115) : 1 , = BLAZER(420) : 1 SINGLET/ KAOS CE(145) : 1 , SINGLET/ = KAOS(135) : 1, BLAZER(420) : 1 = SINGLET/ KAOS CE(145) : 7, BLAZER(420) : 7 SINGLET/ KAOS CE(185) : 1, CD PAKET / 3 PCS = (100) : 1 , BLAZER(420) : 1 = SINGLET/ KAOS CE(185) : 1, BLAZER(420) : 1 SINGLET/ KAOS CE(145) : 1 , SINGLET/ KAOS = CE(185) : 1, BLAZER(420) : 1 = SINGLET/ KAOS (135) : 4 , BLAZER(420) : 4 KAOS CE(250) : 2, SINGLET( 115) : 2 , BLAZER( = 420) : 2 = KAOS CE(250) : 2 , BLAZER(420) : 2 SINGLET/ KAOS CE(145) : 1 , CD PAKET / 3 PCS = (100) : 1 , SINGLET(115) : 1, BLAZER(420) : 1 = CD PAKET / 3 PCS(100) : 1 , BLAZER( 420) : 1 = SINGLET(115) : 1 , BLAZER( 420) : 1 = BLAZER(420) : 17


30

CE(250) : 5 , KAOS CE(210) : 1 , SINGLET(115) : 4, SINGLET/ KAOS(135) : 5, SINGLET/ KAOS CE(185) : 4, CD PAKET / 3 PCS (100) : 2, SINGLET(105) : 1, BLAZER(420) : 39


:

SINGLET/KAOS (032010135)

Frequent:

99

Path

Item


TAS(450) : 243, SINGLET/ KAOS 1

(135) : 11

TAS(450) : 11, SINGLET/ KAOS =

SINGLET/ KAOS CE(145) : 177,

(135) : 11 SINGLET/ KAOS CE(145) : 17,

2

SINGLET/ KAOS (135) : 17

=

SINGLET/ KAOS (135) : 17

3

SINGLET/ KAOS(!35) : 71

=

SINGLET/ KAOS(!35) : 71

KESIMPULAN : TAS(450) : 11, SINGLET/ KAOS CE(145) : 17, SINGLET/ KAOS (135) : 99


:

Frequent:

SINGLET/KAOS CE (032010145)

190

Path

Item


TAS(450) : 243, SINGLET/ KAOS

TAS(450) : 13, SINGLET/ KAOS

1

CE(145) : 13

=

CE(145) : 13

2

SINGLET/ KAOS CE(145): 177

=

SINGLET/ KAOS CE(145): 177


31

KESIMPULAN : TAS(450) : 13, SINGLET/ KAOS CE(145) : 190

Sehingga dari proses asosiasi data transaksi dihasilkan rule seperti pada gambar di bawah ini : Tabel 3. 8 Hasil Rule No

3.1.2.6

RULE :

1

{ SINGLET/ KAOS CE(145) ,SINGLET/ KAOS CE(185) }

2

{ SINGLET/ KAOS CE(145) , BLAZER (420) }

3

{TAS(450) , SINGLET/ KAOS CE(145) , SINGLET/ KAOS (135) }

4

{SINGLET/ KAOS CE(145), TAS(450) }

Evaluation

Tahap ini akan dilakukan evaluasi terhadap ppola yang ditemukan, apakah sesuai degan tujuan awal penelitian yang dilakukan oleh peneliti atau tidak.

3.1.2.7

Knowledge Presentation

Setelah melakukan evaluasi terhadap hasil pola asosiasi yang ditemukan, tahap ini akan dilakukan penterjemahan dengan melakukan pembacaan rule yang dihasilkan. Sehingga hasil dari asosiasi tersebut dapat di mengerti oleh pengguna.


32

3.2 Identifikasi Sistem 3.2.1

Diagram Use Case

Diagram

use

case

merupakan

sebuah

diagram

yang

menggambarkan pekerjaan yang dilakukan oleh sistem tersebut. Beberapa pekerjaan sistem yang peneliti bangun dapat dilihat pada gambar di bawah ini :

Cari database & data transaksi penjualan <<depends on>>

User

Cari pola asosiasi barang <<depends on>>

Simpan hasil pola asosiasi barang

Gambar 3. 3Diagram Use Case

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI Tabel 3. 9 Deskripsi Use Case

Nomor Use Case 001

Nama Use Case

Deskripsi Use Case

Cari database dan data

Use case ini menggambarkan

transaksi

proses dimana pengguna melakukan pencarian database dan tabel transaksi yang akan digunakan untuk melakukan proses data mining

002

Cari pola asosiasi

Use case ini menggambarkan proses dimana pengguna melakukan pencarian pola asosiasi terhadap data transaksi yang ada

003

Simpan hasil asosiasi

Use case ini menggambarkan pengguna melakukan simpan hasil pola asosiasi yang telah dilakukan

33


34

Narasi Use Case Deskripsi dari use case di atas akan dijabarkan dan dijelaskan pada table narasi use case berikut ini :

3.2.2.1

Cari database dan data transaksi penjualan

Tabel 3. 10 Narasi Use Case Cari database dan data transaksi penjualan Nama Use Case


Id Use Case

001

Source

Penjelasan Use case

Deskripsi

Menjelaskan proses pencarian database yang digunakan dan data transaksi penjualan untuk proses data mining

Aktor

User

Kondisi Awal

Tampil Halaman Home

Kondisi Akhir

Tampil Data Transaksi yang akan diproses

Aksi Aktor

Reaksi Sistem

1. Klik tombol Open pada Halaman_Home 2. Tampil Halaman_Open 3. Isikan nama database 4. Klik Cek Koneksi 5. Jika database terhubung, maka muncul exception “ Koneksiberhasil !” 6. Tampil daftar table pada button pilih tabel dan data transaksi 7. Pilih table yang akan digunakan


35

8. Klik OK 9. Tampil data dari tabel yang dimaksud Alt 4.Jika database tidak cocok, Muncul

Alternatif

exception “ Koneksi gagal !”, kembali step 2 User dapat melanjutkan proses apabila

Conclusion :

database terhubung.

3.2.2.2

Businesse Rules :

-

Assumptions :

-

Cari pola asosiasi barang

Tabel 3. 11 Narasi Use Case Cari pola asosiasi barang Nama Use Case


Id Use Case

002

Source

Penjelasan Use case

Deskripsi

Menjelaskan proses mencari pola asosiasi barang

Aktor

User

Kondisi Awal

Tampil Halaman_Open

Kondisi Akhir

Tampil Hasil Proses data mining

Aksi Aktor 1. Isikan indeks noFaktur dan kodeBarang pada kolom yang tersedia 2. Klik tombol prepocessing

Reaksi Sistem


36

3. Tampil Halaman Prepocessing yang berisi table data hasil dari proses preprocessing, jumlah transaksi dan jumlah jenis barang 4. Isikan minimum_support 5. Klik tombol Konfirmasi 6. Tampil banyaknya barang yang muncul berdasarkan minimum_support yang di masukkan oleh user 7. Klik tombol Proses 8. Tampil Halaman Hasil proses yang berisi rule dari proses asosiasi Alternatif

-

Conclusion :

User dapat mengetahui rule dari data transaksi penjualan

Businesse Rules :

-

Assumptions :

-


37

Simpan hasil pola asosiasi barang Tabel 3. 12 Narasi Use Case Cetak hasil pola asosiasi barang Nama Use Case

Cetak hasil pola asosiasi barang

Id Use Case

003

Source

Penjelasan Use case

Deskripsi

Menjelaskan proses user melakukancetak hasil pola asosiasi dari proses data mining

Aktor

User

Kondisi Awal

Tampil Home Page

Kondisi Akhir

Hasil Analisa Pola tercetak

Aksi Aktor

Reaksi Sistem

1. Klik tombol Save 2. Tampil JFileChooser untuk memilih lokasi penyimpanan, nama dokumen penyimpanan dan jenis penyimpanan 3. Klik tombol Oke 4. Hasil proses asosiasi berhasil di simpan Alternatif

Alt 4. -

Conclusion :

Hasil proses asosiasi dapat tersimpan apabila telah dilakukan proses data mining

Businesse Rules : Assumptions :

- User dapat melihat hasil apabila telah melakukan proses data mining

Open Issues :

-


38

3.3 Perancangan Umum Sistem 3.3.1 Masukan Sistem

Masukan data dari sistem ini berasal dari table data yang berada di dalam database. Database yang akan digunakan dapat dipilih sendiri oleh user. Tabel data transaksi yang digunakan bergantung penuh pada koneksi database yang digunakan oleh user. Selain itu, dalam proses pencarian rule dalam proses data mining diperlukan sebuah masukan berupa minimum support yang digunakan dalam menentukan rule.

Min_supp Pengguna Rule hasil proses penambangan data

Aplikasi pencarian rulemenggunakan algoritma FP-Growth

Gambar 3. 4Diagram Konteks

3.3.2 Proses Sistem

Proses sistem terdiri dari beberapa langkah untuk dapat menemukan rule yang berfungsi untuk memprediksi jenis barang yaitu : a. Pengambilan data transaksi yang akan digunakan untuk proses data mining. b. Menentukan minimum support yang berfungsi dalam menentukan rule. c. Proses asosiasi untuk memprediksi dijalankan d. Menganalisa hasil asosiasi terhadap proses data mining yang telah dijalankan. e. Menyimpan hasil analisa proses data mining yang telah dijalankan pada langkah sebelumnya.


39

Keluaran Sistem

Sistem yang akan di bangun ini akan memberikan beberapa keluaran diantaranya adalah jumlah kemunculan yang terjadi dari banyaknya transaksi yang ada ketika menentukan minimum support. Selain itu juga akan menampilkan hasil dari proses data mining yang dijalankan berupa rule.

3.3.4

Perancangan Struktur Data Dalam penelitian ini, peeliti menggunakan ArrayList dalam proses pembentukan itemset dari pencarian frequentitemset sampai dengan terbentuknya rule. Pemilihan ArrayList oleh peneliti dalam menyelesaikan penelitian ini dikarenakan ArrayList tidak membutuhkan pendeklarasian panjang dari sebuah larik. Larik akan secara otomatis bertambah seiring dengan banyak nya data yang digunakan dalam penelitian ini.

Tabel 3. 13 Struktur Data ArrayList

Fungsi

prepocessing

Menyimpan hasil preprocessing

count

Menyimpan count dari masing – masing jenis barang

trns

Menyimpan transaksi yang mengadung kode yang memiliki count sesuai dengan min_support yang di masukkan

Tis

Menyimpan transaksi dan item yang mengadung kode yang memiliki count sesuai dengan min_support yang di masukkan

dataSet

Menyimpan data yang siap untuk dibuat tree

candidate

Menyimpan hasil dari penyetaraan masing – masing item dan support nya

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI 3.2 Perancangan Sistem 3.4.1 3.4.1.1

Diagram Aktivitas Cari database dan data transaksi penjualan

USER

SISTEM

Klik tombol Open

Tampil Halaman_Open

Pilih koeksi , Isikan nama database, usernme , password dan url

YA

Klik Cek Koneksi Valid ? TIDAK

Tampil exception “ koneksi berhasil ! “

Tampil exception “ koneksi gagal ! “

Tampil semua tabel yang ada pada database tersebut Pilih tabel yang akan digunakan

Klik OK Tampil data dari tabel yang dimaksud

40

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI Gambar 3. 5 Diagram Aktivitas Cari database dan data transaksi penjualan

41


42


USER

SISTEM

Isikan indeks noFaktur dan kodeBarng pada kolom yang disediakan

Klik tombol prepocessing Tampil Halaman Prepocessing yang berisi data hasil prepocessing, jumlah transaksi dan jumlah jenis barang Isikan minimum_support

Klik tombol Konfirmasi Tampil banyaknya barang yang muncul bedasarkan minimum_support yng di masukkan Klik tombol proses

Tampil Halaman Hasil proses yang berisi rule dari proses sosiasi

Gambar 3. 6 Diagram Aktivitas Cari pola asosiasi barang


Simpan hasil pola asosiasi barang

SISTEM

USER

Menjalankan proses data mining

Tampil hasil proses asosiasi

Klik tombol save Tampil JFileChooser untuk memilih lokasi penyimpanan, nama dokumen dan jenis penyimpanan

Klik tombol Oke

Data berhasil disimpan

Gambar 3. 7 Diagram Aktivitas Simpan hasil pola asosiasi barang

43


Diagram Kelas Analisis

Halaman_Home

Halaman_Bantuan

USER

Halaman_Open

Controller_Data base

Halaman_Prepoce Controller_Algo ssing rithm

Konn

Larik

StrukturTabel

TreeNode

Halaman_HasilPro ses

Contoller_Data base

ambilHasil

LihatHasilAlgoTabel Model

Gambar 3. 8 Diagram Kelas Analisis

Comparable

44


Diagram Sequence

3.4.3.1


<> Halaman_Home.java

<> ControlDatabase.java

45

<<model>> Konn.java

USER 1 Klik Masuk Tampil inputInput 2 password

Halaman_Open username dan password password input Isikan nama database, 3 username, password, password input url

8

5

7 password input Tampil pilihan tabel

Konn()

4 ambilTabel() 6 Koneksi berhasil

Hasil Connection password input

9

Pilih tabel transaksi

10 ambildatatabel() 11 Tabel valid

12 Tampil data transaksi

Gambar 3.9 Diagram Sequence cari data transaksi


3.4.3.2

46


<> HalamanAwal.java

<> Control Algorithm.java

<<model>> StrukturTabel , TreeNode, ambilHasil

<> Larik

< > Control Algorithm.ja va

USER 1 Masukkan min_supp & klik konfirmasi

2

password input Tampil banyak kemunculan

3

password input Klik proses password input

Hasilprepoce ssig() count, transaksisesu ai, transaksi dan item sesuai 4

5

Set transaksi sesuai, kode, count

6 Larik

8 7 Datafix(),tree(), addNode(), penyetaraan()

Data urut

password input

9 password input Buat tree , penyetaraan

password input

13 Tampil Halaman_HasilProse s

11

12 Tabel hasil asosiasi

Hasil asosiasi password input

Gambar 3.10 Diagram Sequence cari pola asosiasi

10 cariNama Kode() password input


3.4.3.3

Simpan hasil pola asosiasi

<> Halaman_HasilProses.java

USER 1 Tekan Tombol Save

2

password input

Tampil Save dialog

3

4 Pilih format penyimpanan dan klik tombol simpan

Simpan data

5 Konfirmasi pentimpanan

Gambar 3.11 Diagram Sequence Cetak hasil asosiasi

47


48

Diagram Kelas Desain

<> Halaman_Home

<> Halaman_Bantuan

<> Halaman_Open

<> Controller_Database

<<model>> Konn

<> Halaman_Prepo cesing

<> Contoller_Algorithm

<> Larik

<<model>> StrukturTabe l

<<model>> Comparable

<<model>> TreeNode <<model>> ambilHasil

<> Halaman_Prepo cesing

<> Contoller_Database <<model>> LihatHasilAlgoTableModel

Gambar 3.12 Diagram Kelas Desain


Rincian Algoritma Per Method

3.4.5.1

Algoritma Kelas Control Database

49

Tabel 3.14 Algoritma Kelas Control_Database

No

Nama

Fungsi

Method

Method

Algoritma Method

1. Buat variable st bertipe Statement 2. Buat variable rs bertipe ResultSet Ambildata tabel(Con 1.

nection conn, String table)

3. Buat variable query bertipe String Mengambil

4. Buat koneksi ke dalam database dan

isi/data dari

simpan koneksi ke dalam variable st

tabel transaksi

5. Melakukan set query untuk mengambil

yang dipilih

semua data di tabel dan ditampung dalam

oeh pengguna

variable query 6. Mengeksekusi query tersebut dan menampung dalam variable rs 7. Mengembalikan nilai rs 1. Buat variable st bertipe Statement 2. Buat variable rs bertipe ResultSet

2.

Mengambil

3. Buat variable query bertipe String

nama – nama

4. Buat koneksi ke dalam database dan

Ambiltabe

tabel dari

l(Connecti

koneksi

on conn)

database yang

nama tabel di database dan ditampung

dilakukan oleh

dalam variable query

pengguna

simpan koneksi ke dalam variable st 5. Melakukan set query untuk mengambil

6. Mengeksekusi query tersebut dan menampung dalam variable rs 7. Mengembalikan nilai rs


50

1. Buat variable statement bertipe PreparedStatement dan inisialisasi dengan nilai null 2. Buat variable result bertipe PreparedStatement dan inisialisasi Mencari nama

3.

cariNama Barang

dengan nilai null

barang dari

3. Buat variable nama bertipe String

sebuah

4. Melakukan autocommit pada koneksi.

kodebarang


dalam sebuah

nama barang di database dan ditampung

tabel transaksi

dalam variable sql bertipe String

tertentu

6. Mengeksekusi query tersebut dan menampung dalam variable result 7. Selama result.next() maka menjalankan method getString dari variable result dan disimpan pada variable nama 8. Mengembalikan nilai nama


51

1. Buat variable statement bertipe PreparedStatement dan inisialisasi dengan nilai null 2. Buat variable result bertipe PreparedStatement dan inisialisasi Mencari nama

4.

cariNama Kategori

dengan nilai null

kategori dari

3. Buat variable nama bertipe String

sebuah kode

4. Melakukan autocommit pada koneksi.

kategori dalam


sebuah tabel

nama kategori di database dan ditampung

transaksi

dalam variable sql bertipe String

tertentu

6. Mengeksekusi query tersebut dan menampung dalam variable result 7. Selama result.next() maka menjalankan method getString dari variable result dan disimpan pada variable nama 8. Mengembalikan nilai nama 1. Buat variable st bertipe Statement

Melakukan proses preprocessing, yaitu 5.

prepocessi

menggabungka

ng

n beberapa row yang memiliki nofaktur sama agar menjadi satu row

2. Buat variable rs bertipe ResultSet 3. Buat variable query bertipe String 4. Buat koneksi ke dalam database dan simpan koneksi ke dalam variable st 5. Melakukan set query untuk menggabungkan beberapa row yang memiliki nofaktur sama agar menjadi satu row di tabel dan ditampung dalam variable query 6. Mengeksekusi query tersebut dan menampung dalam variable rs 7. Mengembalikan nilai rs


3.4.5.2

52

Algoritma Kelas Control_Algorithm Tabel 3.15 Algoritma Kelas Control_Algorithm

No

Nama

Fungsi

Method

Method

Berisi kode barang HasilPrep hasil proses

1.

ocessing(

prepocessin

ArayList

g yang

<Struktur

disimpan

Tabel>

dalam

prepocess

bentuk

ing)

ArrayList< ArrayList< String>>

Algoritma Method

1. Buat obyek baru dataset yang beripe ArrayList> 2. Selama processing.size() menjalankan : -

Memanggil kode barang dan di simpan dalam variable String code

-

Buat obyek baru data bertipe ArrayList<String>

-

Menambahkan obyek data dengan nilai dari code

-

Menambahkan obyek dataSet dengan nilai dari data

3. Mengambalikan nilai dataset


53

1. Buat obyek baru arr dengan tipe List<String> 2. Buat obyek countbertipe ArrayList 3. Buat obyek baru hash yang bertipe HashSet 4. Buat variable string bertipe String dan diinisialisasikan dengan nilai null 5. Selama i kurang dari b.size maka menjalankan : a. Mengambil isi dari b dan disimpan dalam variable items bertipe ArrayList<String> b. Selama items.size melakukan : Menjumlah Count
ArrayList <String> > b, int a

1. Menyimpan isi dari items dan

an count dari

menyimpan di variable string 2. Menjalankan method split dari

masing-

variable kode dan menyimpan ke

masing

dalam z bertipe String[]

jenis barang

c. Selama k kurang dari z.length : 1. Memasukkan hasilsplit dari j ke dalam

yang ada

variable string1 2. Menambahkan obyek hash dengan string1 3. Menambahkan obyek arr dengan string1 6. Mengambil nilai dari hash.iterator yang disimpan dalam variable iterasi bertipe iterator 7. Selama iterasi.hasNext() melakukan : a. Mengambil nilai dari iterasi.next dan disimpan dalam variable unik bertipe String


54

8. Buat obyek baru unqueset bertipe Set<String> 9. Selama uniqueset. Size() melakukan : a. Mengecek apakah nilai dari collection.frequency(arr, temp) lebih besar atau sama dengan min support, jika ya melakukan : 4. Buat obyek baru tn bertipe TreeNode 5. Memanggil method tambahCount() 6. Melakukan set item pada tn dengan nilai dari temp 7. Melakukan setCounts dengan Collections.frequency(ar,temp) 8. Menambahkan obyek count dengan nilai dari tn 10. Mengembalikan nilai count

Transaksi Mengambil YgSesuai

transaksi

(ArrayLis yang

3

t<Struktu

mengandun

rTabel>

g kode

prepocesi

yang sesuai

ng,

dengan

ArrayList minimum
supportyag

de>

dimasukka

itemSesu

n oleh

ai)

pengguna

1. Buat obyek baru transaksi bertipe ArrayList <StrukturTabel> 2. Buat obyek baru trns bertipe ArrayList 3. Buat variable string bertipe String dan diinisalisasikan dengan nilai null 4. Selama preprocessing.size() maka melakukan : a. Mengambil kode dan di tamping di variable a bertipe String b. Melakukan split terhadap a dan menyimpan di dalam variable l bertipe String[] c. Selama l.length() maka menjalankan : 9. String = l


55

10. Selama itemSesuai.size() melakukan : 

Jika item dari item sesuai dibandingkan dengan nilai dari string dan menghasilkan nilai no maka : i. Buat obyek baru temp5 bertipe StrukturTabel ii. Menyimpan transaksi ke dalamtemp5 iii. Menambahkan obyek transaksi dengan nilai dari temp5

5. Buat obyek hashurut bertipe TreeSet <String> 6. Selama i kurang dari transaksi.size() maka menambahkan hashurut dengan nilai dari transaksi 7. Menampung hashurut.iterator ke dalam variable iterasi yang bertipe Iterator 8. Selama (iterasi.hasNext()) melakukan : a. Penyimpanan isi dari iterasi.next ke dalam variable unik bertipe String b. Membuat obyek baru temp6 bertipe TreeNode c. Menyimpan isi dari variable unik ke dalam setTransaksi dan di simpan di obyek temp2 d. Menambahkan trns dengan temp6 9. Mengembalikan nilai trns


56

1. Buat obyek baru transaksidanItemSesuai bertipe ArrayList<StrukturTabel> 2. Buat obyek baru tis yang bertipe ArrayList 3. Buat variable y dan inisialisasikan dengan nilai null 4. Selama preprocessing.size() maka melakukan : a. Mengambil nilai noFaktur dan ditampung di

Transaksi

variable c bertipe String

danItem

b. Mengambil nilai kode dan ditampung di

YangSes uai(Array Mengambil List<Stru

dan

kturTabel mengurutk >

an

prepocess transaksi

4

variable d bertipe String c. Selama transaksiSesuai.size() melakukan : 11. Mengambil nilai transaksi dan ditampung di variable e bertipe String 12. Jika nilai e dibandingkan dengn nilai dari

ing,

dan kode

c dan bernilai 0 maka :

ArayList

yang sesuai



dengan

ditampung dalam variable l bertipe

de>

minimum

String[]

transaksi

supportyag

Sesuai,

dimasukka

ArrayList n oleh <Struktur Tabel> count, int x)

pengguna



Melakukan split pada nilai d dan

Selama l.length() melakukan : a) y = l b) Selama count.size() melakukan : i. Memanggil niai kode dari count dan ditampung pada variable n ii. Jika nilai n dibandingkan dengan y menghasilkan nilai nol maka : 13. Mengambil nilai cout dan menyimpan di variable gg 14. Selama gg >= nilai x maka : 

Buat obyek baru temp7 dengan tipe StrukturTabel



PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI 

57

Melakukan set no fakur, kode dan count pada temp7



Menambahkan transaksidanItemSesuai dengan temp7

15. Membuat obyek baru s[] beripe Struktur Tabel 16. Selama transaksidanItemSesuai.size() Membuat obyek baru bertipe StrukturTabel dan melakukan set no faktur, kode dan count 17. Memanggil method Larik.quickSortDesc(s) 18. Selama s.length maka melakukan : 

Melakukan set variable struturTabel degan s[o]



Melakukan set variable n dengan kode barang , m dengan count barang



Buat obyek temp77 bertipe TreeNode



Melakukan set transaksi dan item pada temp77



Menambahkan obyek tis dengan temp77

19. Menghapus isi dari obyek transaksidanItemSesuai 5. Mengembalikan nilai obyek tis


58

1. Buat obyek baru dataSet dengan tipe ArrayList > 2. Buat obyek baru ah yang bertipe StrukturTabel 3. Buat variable f dengan tipe String dan di inisialisasi kan dengan nilai null 4. Buat variable string dengan tipe String dan di inisialisasi kan dengan nilai null Datafix(

5. Selama i kurang dari transaksiSesuai.size(), maka

ArrayList Memasukk

5.

an data

de>

transaksi

transaksi

yang sesuai

Seuai,

ke dalam

ArrayList Array
untuk

de>

proses

transaksi

pembentuk

danItemS

an Tree

menjalankan : 20. Memanggil transaksi dari transaksiSesuai dan ditampung dalam variable c bertipe String 21. Buat obyek baru data dengan tipe ArrayList <String> 22. Selama j kurang dari transaksidanItemSesuai.size(), maka menjalankan : 

Memanggil transaksi dari transaksidanItemSesuai dan ditampung

esuai)

dalam variable e bertipe String 

Jika nilai dari e dibandingkan dengan niai dari c bernilai nol maka menampung nilai item dalam variable f dan ditambahkan dalam obyek data.

23. Menambahkan dataset dengan nilai dari data 6. Mengembalikan nilai dataset


59

1. Buat obyek baru root bertipe TreeNode() 2. Mengeset curNode dengan nilai dari root 3. Mengeset variable anak dengan memanggil curNode.getChildNodes 4. Selama datafix.size, menjalankan : a. Melakuakn set curNode dengan root b. Mengambil nilai dari datafix dan disimpan dalam variable bertipe ArrayList<String> c. Selama items.size , menjalankan : -

FP-

item bertipe String

Tree(Arr ayList
6.

Mengamil nilai items dan di simpan dalam

rrayList<

Membuat

String>>

struktur

datafix,

Tree

-

Membuat obyek baru temp bertipe TreeNode

-

Jika variable anak tidak null , maka : 

Selama anak.size(), menjalankan : a). Menyimpan nilai dari anak di itm bertipe TreeNode

Arrayist<

b). Jika nilai dari itm dibandingkan

TreeNod

dengan item sama maka

e> cek)

melakukan set temp dengan itm -

Buat obyek tmp baru bertipe TreeNode

-

Melakukan setItem(item) pada tmp

-

Melakukan setParentNode(curNode) pada tmp

-

Menambahkan anak pada curNode dengan nilai dari tmp

-

Memangil perintah ntuk menambahkan node baru

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI -

60

Melakukan set pada curNode dengan nilai temp

-

Memanggil perintah tambahCount pada temp

5. Mengembalikan nilai dari root. 1. Buat variable curNode dan diinisialisasikan dengan nilai null; 2. Selama( TreeNode node : head), menjalankan : addNode( TreeNod e tn, 7.

Menambah

ArrayList kan node
dalam tree



Melakukan set curNode dengan temp



Jika node.getItem() sama dengan tn.getItem() maka :



Mengeset nilai curNode dengan node



Selama curNode.getNextNode() tidak sama dengan null maka mengeset

de>

curNode dengan

head)

curNode.getNextNode() 3. Mengeset nextNode pada curNode dengan tn 4. Mengembaikan nilai curNode

3.4.5.3

Algoritma Kelas LihatHasilAlgoTabelModel Tabel 3.16 Algoritma Kelas LihatHasilAlgoTabelModel

No

1.

Nama

Fungsi

Method

Method

delete(int row)

Menghapus row yang ada

Algoritma Method

1. Memanggil method remove( row) pada obyek rule 2. Memanggil method fireTable RowDeleted(row,row)

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI Melakukan 2.

update

perubahan terhadap row yang ada

61

1. Memanggil method update( row) pada obyek rule 2. Memanggil method fireTable RowUpdated(row,row)

Menambahka 3. Memanggil method add( row) pada obyek rule 3.

add

n row pada tabel

4. Memanggil method fireTable RowInserted(row,row) 1. Menjalankan perintah rule.get(rowIndex) dan ditampung di variable s bertipe ambilHasil

Mengambil 4.

2. Melakukan switch(coloumIndex)

getValueA nilai dari

3. Case 0 : megembalikan nilai candidate

t

baris dan

4. Case 1 : mengembalikan nilai item

kolom

5. Case 2 : mengembalikan nilai count 6. Case 3 : mengembalikan nilai confidence 7. Case 4 : mengembalikan nilai suppxconf 1. Melakukan switch(coloumIndex)

5.

getColou mName

Mengambil nama kolom dalam tabel

2. Case 0 : mengembalikan “Produk 1 ” 3. Case 1 : mengembalikan “Produk 2 ” 4. Case 2 : mengembalikan “Support ” 5. Case 3 : mengembalikan “Confidence ” 6. Case 4 : mengembalikan “Sup x Con ”


62

Algoritma Kelas Konn

Tabel 3.17 Algoritma Kelas Konn

No

Nama

Fungsi

Method

Method

Algoritma Method

1. Memanggil method getClose() 2. Menjalankan method DriverManager

Konn(String

dengan mengambil nilai masukkan

namaDB,

1.

String url,

Melakukan

String

koneksi ke

username,

database

String

berupa nama database, url, username dan password dan disimpan dalam atribut connection 3. Apabila koneksi berhasil maka menampilkan pesan “ Koneksi berhasil”

password)

4. Apabila koneksi gagal akan menampilkan pesan “ Koneksi gagal” Mengecek

2.

isConnected

1. Menjalankan perintah if dengan syarat

apakah koneksi

apabila atribut connection tidak null

dengan

maka akan mengembalikan nilai true

database

2. Apabila atribut connection bernilai null

terhubung atau tidak

maka mengembalikan nilai false


63

5.1 Melakukan perintah if dengan syarat Method ini berfungsi 3.

getClose

untuk memutus koneksi ke database

apakah terhubung ke database atau tidak, jika terhubung maka akan dilakukan pemutusan koneksi dan melakukan set pada atribut connection dengan niai null 5.2 Jika tidak terhubung kembalikan nilai false


64

3.5 Perancangan Antar Muka Pengguna 3.5.1

Perancangan Antar Muka Halaman Home


Logo Universitas

KELUAR

BANTUAN

MASUK

Gambar 3.12 Perancangan Antar Muka Home Penjelasan gambar : Gambar 3.12 merupakan halaman awal tampilan dari sistem pencarian pola asosiasi barang dengan menggunakan algoritma FP –Growth. Halaman ini berisi Judul dari penelitian yang peneliti lakukan, logo universitas, tombol keluar untuk keluar dari system, tombol bantuan untuk melihat informasi tentang system, dan tombol masuk untuk memulai proses pencarian rule.


65

Perancangan Antar Muka Halaman Open Logo Universitas

Pengambilan Data

PENERAPAN DATA MINING PADA PERUSAHAAN RITAIL PAKAIAN UNTUK MEMPREDIKSI KETERSEDIAAN JENIS BARANG DENGAN MENGGUNAKAN ALGORITMA FP-GROWTH Prepocessing

Nama Database : Url : Username : Password :

Hasil Proses

Batal

Pilih Tabel :

Cek Koneksi

OKE

TABEL DATA TRANSAKSI

Masukkan indeks no faktur dan kode barang pada kolom di bawah ini : No faktur :

Kode :

Prepocessing

Gambar 3.13 Perancangan Antar Muka Halaman Open Penjelasan gambar : Gambar 3.13 merupakan perancangan antar muka halaman open ketika pengguna telah melakukan klik pada tombol masuk. Pada halaman ini terdapat masukan berupa koneksi database, namadatabase, username, password dan url. Pengguna dapat memilih tabel transaksi yang akan digunakan ketika telah terkoneksi dengan database. Halaman ini pula akan menampilkan isi dari tabel transaksi yang telah dipilih. Untuk melakukan preprocessing pengguna harus mengisikan indeks nofaktur dan indeks kode pada kolom yang tersedia.


66

Perancangan Antar Muka Halaman Prepocessing Logo Universitas


Pengambilan Data

Prepocessing

Hasil Proses

TABEL DATA TRANSAKSI HASIL PREPOCESSING

Jumlah data transaksi : Minimum Support :

Jenis Item Barang : % dari

transaksi

Konfirmasi

Banyak Kemunculan :

kali dari

transaksi

Process

Gambar 3.14 Perancangan Antar Muka Halaman Prepocessing Penjelasan gambar : Gambar 3.14 merupakan perancangan antar muka halaman preprocessing. Halaman ini berisi tabel transaksi hasil preprocessing, masukkan minimum support dari pengguna untuk melanjutkan ke proses pencarian rule.


67

Perancangan Antar Muka Halaman Hasil Proses PENERAPAN DATA MINING PADA PERUSAHAAN RITAIL PAKAIAN UNTUK MEMPREDIKSI KETERSEDIAAN JENIS BARANG DENGAN MENGGUNAKAN ALGORITMA FP-GROWTH

Logo Universitas

Pengambilan Data

Prepocessing

Hasil Proses

Min Supp:

Jumlah data transaksi :

Jenis Item Barang :

TABEL RULE HASIL PROSES

Save Waktu Komputasi Pencarian rule :

Penjelasan rule dari hasil proses

Home

Back

Gambar 3.15 Perancangan Antar Muka HalamanHasil Proses Penjelasan gambar : Gambar 3.15 merupakan perancangan antar muka halaman hasil proses yang berisi tabel rule hasil dari proses. Selain itu juga berisi penjelasan terhadap rule yang dihasilkan.


68

Perancangan Antar Muka Halaman Bantuan Logo Universitas


LANGKAH – LANGKAH PROSES ALGORITMA

Home

Gambar 3.16 Perancangan Antar Muka Halaman Bantuan Penjelasan gambar : Gambar 3.16 merupakan halaman bantuan. Halaman ini berisi langkah – langkah pencarian rule maupun informasi mengenai sistem ini.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI BAB IV IMPLEMENTASI SISTEM

Setelah melakukan analisis dan perancangan sistem, maka tahap berikutnya adalah melakukan implementasi terhadap rencangan yang telah di buat ke sebuah sistem untuk melakukan proses prediksi minat konsumen terhadap suatu barang di sebuah perusahaan XYZ. Implementasi ini dilakukan dengan menggunakan bahasa pemrograman Java dengan menggunakan Netbeans IDE versi 7.2 pda computer dengan spesifikasi intel core i3, memori 1GB.

4.1 Implementasi Antar Muka Pengguna

Berikut adalah hasil implementasi antar muka pengguna dari sistem deteksi minat konsumen dengan menggunakan algoritma FP-Growth : 4.1.1

Implementasi Antar Muka Halaman_Open

69


70

Gambar 4.1 Halaman_Open

Tabel 4.1 Keterangan Halaman_Open

Id Objek PanelKoneksi

Jenis JPanel

Teks -

Keterangan Panel yang mendasari bagian cari koneksi database Tulisan yang tampil pada halaman

lblNamaDb

Jlabel

Nama

untuk memberikan keterangan

Database

pengguna untuk memasukkan nama database Tulisan yang tampil pada halaman

lblNamaUrl

Url

untuk memberikan keterangan pengguna untuk memasukkan alamat url


71

Tulisan yang tampil pada halaman lblUsername

Username

untuk memberikan keterangan pengguna untuk memasukkan username Tulisan yang tampil pada halaman

lblPwd

Password

untuk memberikan keterangan pengguna untuk memasukkan password

titikdua1

Jlabel

:

-

titikdua2

Jlabel

:

-

titikdua3

Jlabel

:

-

titikdua4

Jlabel

:

Kolom yang bertujuan untuk

txtNamaDatabase

JtextField

-

pengguna menuliskan nama database

txtUrl

JtextField

-

Kolom yang bertujuan untuk pengguna menuliskan alamat url Kolom yang bertujuan untuk

txtUsername

JtextField

-

pengguna menuliskan nama username

txtPassword

JpasswordF ield

-

Kolom yang bertujuan untuk pengguna menuliskan password Tombol yang bertujuan untuk

btnBatalKoneksi

Jbutton

Batal

mengosongkan kembali kolom nama database, url, username, password Tombol yang bertujuan untuk

btnCekKoneksiDB

Jbutton

Cek

melakukan cek koneksi terhadap

Koneksi

nama database, url, username, password yang telah dituliskan


72

pengguna pada kolom yang tersedia PanelPilihTabel

Jpanel

-

Panel yang mendasari bagian cari table transaksi Tulisan yang tampil pada halaman

lblPilihTabel

Jlabel

Pilih


Tabel

pengguna untuk memilih tabel transaksi

Titikdua

comboPilihTabel

Jlabel JcomboBo x

:

Berisi pilihan – pilihan tabel yang

-

ada pada database yang telah terkoneksi Tombol ini bertujuan untuk

btnOkePilihanTabel

Jbutton

Oke

menampilkan isi dari tabel yang dipilih pengguna ke dalam tabel yang ada di layar output

PanelDataTransaksi

Jpanel

-

Panel yang mendasari tabel transaksi Tulisan yang tampil pada halaman

lblJumlahData

Jlabel

Jumlah


Data

pengguna jumlah data transaksi yang ada

titikdua5

Jlabel

:

Menampilkan jumlah data

lblJmlhData2

Jlabel

-

transaksi yang ada pada tabel transaksi yang dipilih Tulisan yang tampil pada halaman

lblIndek1

Jlabel

-

untuk memberikan keterangan pengguna untuk mengisi kolom indeks nofaktur dan kolom kode


73

Tulisan yang tampil pada halaman lblIndek2

Jlabel

-

untuk memberikan keterangan pengguna untuk mengisi kolom indeks nofaktur dan kolom kode Tulisan yang tampil pada halaman

lblNoFaktur

Jlabel

No Faktur

untuk memberikan keterangan pengguna untuk mengisi kolom indeks nofaktur

txtIndekNoFaktur

Kolom untuk pengguna

JtextField

menuliskan indeks nofaktur Tulisan yang tampil pada halaman

lblIndekKode

Jlabel

Kode


Barang

pengguna untuk mengisi kolom indeks kode

txtIndekKode

JtextField

btnPrepocessing

Jbutton

Kolom untuk pengguna menuliskan indeks kode Prepocessi Tombol yang bertujuan untuk ng

melakukan proses preprocessing


74

Implementasi Antar Muka Halaman_Prepocessing

Gambar 4.2 Halaman_Prepocessing

Tabel 4.2 Keterangan Halaman_Prepocessing

Id Objek PanelDataPreposesi ng ScrollPaneTableDat aHasilPrepocessing TableDataHasilPrep ocessing

Jenis JPanel

Teks -

JScrollPane -

JTable

-

Keterangan Panel yang mendasari hasil proses prepocessing ScrollPaneyang berfungsi agar tabel bisa di scroll ke bawah Menampung data transaksi hasil prepocessing


Jumlah lblJmlhDtTransaksi

JLable

Data Transaksi

titikdua8 lblJmlhDataPrepoce ssing

JLable

:

JLable

-

75

Tulisan yang tampil pada halaman untuk memberikan keterangan pengguna jumlah data transaksi setelah hasil preprocessing Menampilkan jumlah data transaksi hasil prepocessing Tulisan yang tampil pada halaman

lblJenisItem

JLable

Jenis Item


Barang

pengguna jumlah data item barang setelah hasil prepocessing

titikdua9 lblJmlhItemPrepoce ssing1

JLable

:

JLable

-

Menampilkan jumlah item transaksi hasil prepocessing Tulisan yang tampil pada halaman

lblMinSupp

JLable

Minimum


Support

pengguna untuk menuliskan minimum support

titikdua10

JLable

txtMin_supp

JTextField

:

Kolom untuk pengguna menuliskan minimum support Tulisan yang tampil pada halaman

lblMinnsupp2

JLable

% dari

untuk memberikan keterangan pengguna tentang minimum support

lblJmlhDataPrepoce ssing1

JLable

-

Menampilkan jumlah data transaksi hasil prepocessing Tulisan yang tampil pada halaman

lblMinsupp3

JLable

transaksi

untuk memberikan keterangan pengguna tentang minimum


76

support btnOkMin_Supp

JButton

Konfirmas Tombol untuk menghitung jumlah i

kemunculan item dalam transaksi Tulisan yang tampil pada halaman

lblBnykKemuncula n

JLable

Banyak


Kemuncul

pengguna tentang banyak item

an

yang muncul dalam transaksi berdasar minimum support

titikdua11

JLable

:

Menampilkan banyak banyak item

lblJmlhItemMuncul

JLable

-

yang muncul dalam transaksi berdasar minimum support Tulisan yang tampil pada halaman

lblBnykKemuncula n2

untuk memberikan keterangan JLable

kali dari

pengguna tentang banyak item yang muncul dalam transaksi berdasar minimum support

lblJmlhDataPrepoce ssing2

JLable

-

Menampilkan jumlah data transaksi hasil prepocessing Tulisan yang tampil pada halaman

lblBnykKemuncula n3

untuk memberikan keterangan JLable

transaksi

pengguna tentang banyak item yang muncul dalam transaksi berdasar minimum support

btnProses

JButton

Process

Tombol yang bertujuan untuk melakukan proses pencarian rule


4.1.3

77

Implementasi Antar Muka Halaman_HasilProses

Gambar 4.3 Halaman_HasilProses

Tabel 4.3 Keterangan Halaman_HasilProses

Id Objek Halaman_HasilPros es ScrollPaneTableHas ilProses

Jenis

Teks

JPanel

-

JscrollPane

-

Keterangan Panel yang mendasari hasil proses dari pencarian rule ScrollPaneyang berfungsi agar tabel bisa di scroll ke bawah

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI TabelHasilProses

Jtable

Tabel

lblKetTable

Jlable

Hasil Proses

78

Menampung rule hasil proses Tulisan yang tampil pada halaman untuk memberikan keterangan pengguna bahwa tabel di bawah adalah tabel hasil proses Tombol yang berfungsi untuk

btnSave

Jbutton

Save

melakukan penyimpanan data hasil proses

btnKembali

Jbutton

Home

ScrollPaneTextArea JscrollPane

-

TextAreaHasil

-

JtextArea

Tombol yang berfungsi untuk kembali menuju Halaman_Home ScrollPaneyang berfungsi agar textarea bisa di scroll ke bawah Menampung penjelasan rule hasil proses Tulisan yang tampil pada halaman

lblPenjelasanRule

Jlable

Penjelasan untuk memberikan keterangan Hasil Rule

pengguna mengenai penjelasan hasil rule

Tingkat lblTingkatAkurasi2

Jlable

Akurasi Algoritma

lblTingkatAkurasi

Jlabel

-

Tulisan yang tampil pada halaman untuk memberikan keterangan pengguna tentang tingkat akurasi dari algoritma Menampilkan hasil perhitungan akurasi algoritma Tulisan yang tampil pada halaman

lblMinSuppHasilPr oses

Jlabel

Minimum


Support :

pengguna tentang minimum support

lblMinSuppHasilPr oses2

Jlabel

-

Menampilkan minimum support


lblJmlhDtTransHasi lProses

lblJmlhDtTransHasi lProses lblItemTransHasilPr oses lblItemTransHasilPr oses

Jlabel

Jlabel

Jlabel

Jlabel

79

Jumlah

Tulisan yang tampil pada halaman

Data


Transaksi

pengguna tentang jumlah data

:

transaksi

-

Jumlah Item :

-

Menampilkan jumlah data transaksi Tulisan yang tampil pada halaman untuk memberikan keterangan pengguna tentang jumlah item Menampilkan jumlah item


Implementasi Antar Muka Halaman_Home

Gambar 4.4 Halaman_Home

Tabel 4.4 Keterangan Halaman_Home

Id Objek

Jenis

Teks

PanelHome

JPanel

-

lblLogo

JLable

-

btnKeluarHome

JButton

Keluar

Keterangan Panel yang mendasari Halaman_Home Menampilkan logo universitas Tombol yang bertujuan untuk keluar dari aplikasi

80

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI Penerapan Data lblJudul1

JLable

Mining Pada Perusahaan

Judul

Retail Pakaian Untuk lblJudul2

JLable

Memprediks i Minat

Judul

Konsumen Dengan Menggunak lblJudul3

JLable

an

Judul

Algoritma FP-Growth btnBantuanHome

JButton

Bantuan

btnMasukHome

JButton

Masuk

Tombol yang bertujuan untuk masuk ke Halaman_Bantuan Tombol yang bertujuan untuk masuk ke Halaman_Open

81


Implementasi Antar Muka Halaman_Bantuan

Gambar 4.5 Halaman_Bantuan

Tabel 4.5 Keterangan Halaman_Bantuan

Id Objek

Jenis

Teks

PanelJudul

JPanel

-

PanelLangkahSistem

JPanel

-

Keterangan Panel yang mendasari Judul Berisi langkah – langkah menggunakan sistem

82


btnHomeBantuan

JButton

HOME

83

Tombol untuk kembali ke halaman home

4.2 Implementasi Kelas

4.2.1

Implementasi Kelas Model Tabel 4.6 Implementasi dari kelas model No.

Nama Kelas Model

Nama File Fisik

Nama File Executable

1.

Koneksi

Koneksi.java

Koneksi.class

2.

StrukturTabel

StrukturTabel.java

StrukturTabel.class

3.

TreeNode

TreeNode.java

TreeNode.class

4.

Comparable

Comparable.java

Comparable.class

5.

AmbilHasil

AmbilHasil.java

AmbilHasil.class

LihatHasilAlgoTableM

LihatHasilAlgoTableMo

LihatHasilAlgoTableMo

odel

del.java

del.class

6.

4.2.2

Implementasi Kelas Controller

Tabel 4.7 Implementasi dari Kelas Controller No.

4.2.3

Nama Kelas Controller

Nama File Fisik

Nama File Executable

1.

Konn

Konn.java

Konn.class

2.

ControlAlgorithm

ControlAlgorithm.java

ControlAlgorithm.class

3.

Control_Database

Control_Database.java

Control_Database.class

4.

Larik

Larik.java

Larik.class

Implementasi Kelas View


84

Tabel 4.8 Implementasi dari kelas view No. 1. 2.

Use Case Cari Database dan Data Transaksi Cari Pola Asosiasi Barang

3.

Simpan Hasil Asosiasi Barang

Antarmuka

Nama Kelas Boundary

Halaman_Open.java

Halaman_Open.java

Halaman_Prepocessing.java

Prepocessing.java

Halaman_HasilProses.java

HasilProses.java

(Listing program terlampir pada Lampiran 1)

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI BAB V UJICOBA DAN EVALUASI

Setelah aplikasi prediksi dengan menggunakan algoritma FP-Growth selesai di buat, pada tahap ini akan dilakukan ujicoba terhadap aplikasi tersebut. Ujicoba dilakukan dengan menggunakan data transaksi penjualan dalam perusahan XYZ. Data transaksi yang digunakan untuk unicoba adalah data transaksi penjualan selama 3 hari pada tanggal 1 April 2015 sampai dengan tanggal 3 April 2015. Dalam ujicoba ini akan dilakukan beberapa jenis percobaan untuk setiap data transaksi dengan tujuan untuk mendapatkan aturan asosiasi dengan algoritma FP-Growth yang akurat dan dapat dijadikan sebagai prediksi dalam menentukan stok barang dalam perusahaan. 5.1 Percobaan Data Transaksi Berdasarkan Kode Kategori Per Hari Pada percobaan yang pertama ini, penulis melakukan ujicoba pada system tersebut dengan menggunakan data transaksi penjualan pada perusahaan XYZ dengan berdasarkan kode kategori barang yang ada pada perusahaan. Percobaan ini akan dilakukan sebanyak 4 kali di setiap tanggal 1 April 2015, 2 April 2015 dan 3 April 2015 dengan dilakukan pengubahan pada minimum support yang dimasukkan. Pada ujicoba tersebut akan menggunakan minimum support dengan nilai sebesar 3%, 2.5%, 2% dan 1.5 %. Penulis mengunakan nilai minimum supportdengan beberapa nilai tersebut dengan alasan karena data transaksi tersebut tidak memiliki persebaran nilai yang merata. Apabila menggunakan nilai minimum support besar maka tidak akan menampilkan rule. Sedangkan apabila menggunkan minimum support dengan nilai dibawah yang telah ditentukan oleh penulis, akan menghasilkan rule yang sangat banyak, sehingga akan sulit untuk dianalisa.

85


86

Percobaan pada data transaksi tanggal 1 April 2015

Data transaksi yang digunakan adalah sebanyak 2245 , sedangkan jumlah item yang ada sebanyak 91.

a. Percobaan tanggal 1 April 2015 dengan minimum support 3%

Tabel 5.1 Percobaan tanggal 1 April 2015 dengan minimum support 3%

No

Produk 1

Produk 2

Support

Confidence

LiftRatio

1

ACC(700)

SENDAL(510)

0.68

0.21

1.27419

Waktu Komputasi Pencarian Rule :

1 detik

Pada saat peneliti menggunakan minimum support 3% hanya terdapat satu buah rule yang dihasilkan yaitu kode ACC(700) dan SENDAL(510) dengan support kedua barang tersebut adalah 0.68 persen, besar confidence adalah 0.21, besar nilai lift ratio sebesar 1.27419. Proses algoritma tersebut membutuhkan waktu sebesar 1 detik.

b. Percobaan tanggal 1 April 2015 dengan minimum support 2.5 %

Tabel 5.2 Percobaan tanggal 1 April 2015 dengan minimum support 2.5%

No

Produk 1

Produk 2

Support

Confidence

LiftRatio

1

K.KAKI(640)

ACC(700)

0.56

0.589

4.08119

2

ACC(700)

SENDAL(510)

0.68

0.21

1.27419


2 detik


87

Pada saat peneliti menggunakan minimum support 2,5% terdapat dua buah rule yang dihasilkan yaitu kode ACC(700) dan SENDAL(510) dengan support kedua barang tersebut adalah 0.68 persen, besar confidence adalah 0.21 ,dengan nilai lift ratio sebesar 1.27419. Yang kedua adalah kode K.KAKI(640) dan ACC(700) dengan support kedua barang tersebut adalah 0.56 persen, besar confidence adalah 0.589 ,dengan nilai lift ratio sebesar 4.08119. Waktu yang di butuhkan untuk melakukan proses tersebut adalah 2 detik

c. Percobaan tanggal 1 April 2015 dengan minimum support 2 %

Tabel 5.3 Percobaan tanggal 1 April 2015 dengan minimum support 2 %

No

Produk 1

Produk 2

Support

Confidence

LiftRatio

1

K.KAKI(640)

ACC(700)

0.56

0.589

4.08119

2

ACC(700)

SENDAL(510)

0.68

0.21

1.27419


2 detik

Pada saat peneliti menggunakan minimum support 2,5% terdapat dua buah rule yang dihasilkan yaitu kode ACC(700) dan SENDAL(510) dengan support kedua barang tersebut adalah 0.68 persen, besar confidence adalah 0.21 ,dengan nilai lift ratio sebesar 1.27419. Yang kedua adalah kode K.KAKI(640) dan ACC(700) dengan support kedua barang tersebut adalah 0.56 persen, besar confidence adalah 0.589 ,dengan nilai lift ratio sebesar 4.08119. Waktu yang di butuhkan untuk melakukan proses tersebut adalah 2 detik


88

d. Percobaan tanggal 1 April 2015 dengan minimum support 1.5 %

Tabel 5.4 Percobaan tanggal 1 April 2015 dengan minimum support 1.5 %

No

Produk 1

Produk 2

Support

Confidence

LiftRatio

1

JAM TANGAN(450) SENDAL(510)

0.34

0.274

1.66251

2

JAM TANGAN(450)

ACC(700)

0.41

0.331

2.2935

3

K.KAKI(640)

ACC(700)

0.56

0.589

4.08119

4

ACC(700)

SENDAL(510)

0.68

0.21

1.27419

Waktu Komputasi Pencarian rule :

2 detik

Pada saat peneliti menggunakan minimum support 2 % terdapat empat buah rule yang dihasilkan yaitukode JAM TANGAN( 450) dan SENDAL(510) dengan support kedua barang tersebut adalah 0.34 persen, besar confidence adalah 0.274 ,besar nilai lift ratioadalah 1.66251. Yang kedua adalah kode JAM TANGAN(450) dan ACC(700) dengan support kedua barang tersebut adalah 0.41 persen, besar confidence adalah 0.331 ,besar nilai lift ratio adalah 2.2935 Yang ketiga adalah kode K.KAKI(640) dan ACC(700) dengan support kedua barang tersebut adalah 0.56 persen, besar confidence adalah 0.589 ,besar nilai lift ratio adalah 4.08119. Yang keempat adalah kode ACC(700) dan SENDAL(510) dengan support kedua barang tersebut adalah 0.68 persen, besar confidence adalah 0.21 ,besar nilai lift ratio adalah 1.27419. Waktu yang dibutuhkan untuk melakukan proses tersebut adalah 2 detik

Dari hasil pengujian terhadap data transaksi tanggal 1 April 2015, kesimpulan yang dapat diambil adalah sebagai berikut : 1. Dari hasil ke empat percobaan pola dengan kode ACC(700) dan SENDAL(510) adalah dua barang yang selalu muncul dengan berbagai minimum support.


89

2. Tingkat keakuratan rule dari keempat proses tersebut yang paling besar terdapat pada rule kode K.KAKI(640) dan ACC(700) , dengan nilai lift ratio sebesar 4.08119.

5.1.2





No

Produk 1

Produk 2

Support


Confidence

LiftRatio

-

Pada saat pengguna menggunakan minimum support 3 % tidak menghasilkan suatu pola apapun.



No

Produk 1

Produk 2

Support

Confidence

LiftRatio

1

ACC(700)

SENDAL(510)

0.69

0.22

1.32432


2 detik


90

Pada saat peneliti menggunakan minimum support 2.5 % hanya terdapat satu buah rule yang dihasilkan yaitu kode ACC(700) dan SENDAL(510) dengan support kedua barang tersebut adalah 0.69 persen, besar confidence adalah 0.22, besar nilai lift ratio adalah sebesar 1.32432. Waktu yang diperlukan untuk melakukan proes tersebut sebesar 2 detik



No

Produk 1

Produk 2

Support

Confidence

LiftRatio

1

ACC(700)

SENDAL(510)

0.69

0.22

1.32432


2 detik

Pada saat peneliti menggunakan minimum support 2.5 % hanya terdapat satu buah rule yang dihasilkan yaitu kode ACC(700) dan SENDAL(510) dengan support kedua barang tersebut adalah 0.69 persen, besar confidence adalah 0.22, besar nilai lift ratio adalah sebesar 1.32432. Waktu yang diperlukan untuk melakukan proes tersebut sebesar 2 detik


Tabel 5.8 Percobaan tanggal 2 April 2015 dengan minimum support 1.5 %

No

Produk 1

Produk 2

Support

Confidence LiftRatio

1

JOGER(531)

ATASAN CE(610)

0.43

0.222

1.46604

2

ACC(700)

SENDAL(510)

0.69

0.22

1.32432

SENDAL(510)

0.42

0.113

0.68022

ATASAN 3

CE(610)

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI 4

TAS(340)

SENDAL(510)

0.4

0.223


91

1.34238

2 detik

Pada saat peneliti menggunakan minimum support 1.5% terdapat 4 buah rule yang dihasilkan

yaitu kode JOGER(531) dan ATASAN CE(610) dengan support kedua

barang tersebut adalah 0.43 persen, besar confidence adalah 0.22, besar lift ratio adalah 1.46604 . Yang kedua adalah kode ACC(700) dan SENDAL(510) dengan support kedua barang tersebut adalah 0.69

persen, besar confidence adalah 0.22, lift ratio adalah

1.32432. Yang ketiga adalah kode ATASAN CE(610) dan SENDAL(510) dengan support kedua barang tersebut adalah 0.42 persen, besar confidence adalah 0.113, besar nilai lift ratio adalah

0.68022. Yang keempat

adalahkode

TAS(340)

SENDAL(510) dengan support kedua barang tersebut adalah 0.4

dan

persen, besar

confidence adalah 0.223, besar nilai lift ratio adalah 1.34238 . Waktu yang dibutuhkan untuk menjalankan proses tersebut adalah 2 detik.

e. Percobaan tanggal 2 April 2015 dengan minimum support 1.4 %


No

Produk 1

Produk 2

Support

Confidence

LiftRatio

ATASAN 1

JOGER(531)

CE(610)

0.43

0.222

1.46604

2

ACC(700)

SENDAL(510)

0.69

0.22

1.32432

ATASAN 3

CE(610)

SENDAL(510)

0.42

0.113

0.68022

4

TAS(340)

SENDAL(510)

0.4

0.223

1.34238

5

ACC(700)

ATASAN

0.36

0.115

0.75943


92

CE(610) 6

K.KAKI(640) ACC(700)

0.34


0.415

3.23806

2 detik

Pada saat peneliti menggunakan minimum support 1.5 % terdapat 4 buah rule yang dihasilkan

yaitu kode JOGER(531) dan ATASAN CE(610) dengan support kedua

barang tersebut adalah 0.43 persen, besar confidence adalah 0.22, besar lift ratio adalah 1.46604 . Yang kedua adalah kode ACC(700) dan SENDAL(510) dengan support kedua barang tersebut adalah 0.69

persen, besar confidence adalah 0.22, lift ratio adalah

1.32432. Yang ketiga adalah kode ATASAN CE(610) dan SENDAL(510) dengan support kedua barang tersebut adalah 0.42 persen, besar confidence adalah 0.113, besar nilai lift ratio adalah

0.68022. Yang keempat

adalahkode

TAS(340)

SENDAL(510) dengan support kedua barang tersebut adalah 0.4

dan

persen, besar

confidence adalah 0.223, besar nilai lift ratio adalah 1.34238 . Yang kelima adalahkode ACC(700) dan ATASAN CE(610) dengan support kedua barang tersebut adalah 0.36 persen, besar confidence adalah 0.115, besar nilai lift ratio adalah 0.75943. Yang keenam adalahkode K.KAKI(640) dan ACC(700) dengan support kedua barang tersebut adalah 0.34 persen, besar confidence adalah 0.115, besar nilai lift ratio adalah 3.23806.

Waktu yang dibutuhkan untuk menjalankan proses tersebut adalah 2 detik.

Dari hasil pengujian terhadap data transaksi tanggal 2 April 2015, dan dari prediksi yang dilakukan pada data transaksi 1 April 2015, kesimpulan yang adapat diambil adalah sebagai berikut : 5.1.1

Dari hasil ke empat percoban pola dengan kode ACC(700) dan

SENDAL(510) adalah dua barang yang selalu muncul dengan berbagai minimum support. Hal ini sesuai dengan pola yang dihasilkan ketika percobaan tanggal 1 April 2015, tetapi nilai dari support, confiden dan lift ratio lebih besar karena jumlah data transaksi pada tanggal 2 April 2015 lebih banyak dari data transaksi tanggal 1 April 2015.


93

Tingkat keakuratan rule dari proses tersebut yang paling besar terdapat

pada rule kode K.KAKI(640) dan ACC(700) , dengan nilai lift ratio sebesar 3.23086. Apabila dilihat prediksi berdasarkan hasil rule pada tanggal 1 April 2015, maka rule tersebut sesuai.

5.1.3





No

Produk 1

Produk 2

Support

Confidence

LiftRatio

1

ACC(700)

SENDAL(510)

1.08

0.286

1.60927


2 detik

Pada saat peneliti menggunakan minimum support 3 % hanya terdapat satu buah rule yang dihasilkan yaitu kode ACC(700) dan SENDAL(510) dengan support kedua barang tersebut adalah 1.08 persen, besar confidence adalah 0.286, besar nilai lift ratio adalah 1.60927 danwaktu yng dibutuhkan untuk melakukan proses tersebut sebesar 2 detik


Tabel 5.11 Percobaan tanggal 3 April 2015 dengan minimum support 2.5% No

Produk 1

Produk 2

Support

Confidence

LiftRatio


1

ACC(700)

SENDAL(510)

1.08


0.286

94

1.60927

2 detik

Pada saat peneliti menggunakan minimum support 2.5 % hanya terdapat satu buah rule yang dihasilkan yaitu kode ACC(700) dan SENDAL(510) dengan support kedua barang tersebut adalah 1.08 persen, besar confidence adalah 0.286, besar nilai lift ratio adalah 1.60927 danwaktu yng dibutuhkan untuk melakukan proses tersebut sebesar 2 detik



No

Produk 1

Produk 2

Support

Confidence

LiftRatio

1

ACC(700)

SENDAL(510)

1.08

0.286

1.60927


3 detik

Pada saat peneliti menggunakan minimum support 2 % hanya terdapat satu buah rule yang dihasilkan yaitu kode ACC(700) dan SENDAL(510) dengan support kedua barang tersebut adalah 1.08 persen, besar confidence adalah 0.286, besar nilai lift ratio adalah 1.60927 danwaktu yng dibutuhkan untuk melakukan proses tersebut sebesar 3 detik


95



No

Produk 1

Produk 2

Support

Confidence

LiftRatio

1

JAM TANGAN(450)

ACC(700)

0.42

0.359

2.54909

2

K.KAKI(640)

ACC(700)

0.52

0.553

3.92659

3

JOGER(531)

0.52

0.259

2.02669

4

ACC(700)

SENDAL(510)

1.08

0.286

1.60927

5

ATASAN CE(610)

ACC(700)

0.48

0.14

0.99407

6

TAS(340)

SENDAL(510)

0.46

0.179

1.0072

7

TAS(340)

ACC(700)

0.5

0.195

1.3846

ATASAN CE(610)


3 detik

Pada saat pengguna menggunakan minimum support 1.5 % terdapat 7 buah rule yang dihasilkan

yaitu kode

JAM TANGAN(450) dan ACC(700) dengan support kedua

barang tersebut adalah 0.42 persen, besar confidence adalah 0.359, besar nilai lift ratio adalah 2.54909. Yang kedua adalah kode K.KAKI(640) dan ACC(700) dengan support kedua barang tersebut adalah 0.52 persen, besar confidence adalah 0.553, besar nilai lift ratio adalah 3.92659. Yang ketiga adalah kode JOGER(531) dan ATASAN CE(610) dengan support kedua barang tersebut adalah 0.52 persen, besar confidence adalah 0.14368, besar nilai lift ratio adalah 2.02669. Yang keempat adalah kode ACC(700) dan SANDAL(510) dengan support kedua barang tersebut adalah 1.08 persen, besar confidence adalah 0.286, besar nilai lift ratio adalah 1.60927. Yang kelima adalah kode ATASAN CE(610) dan ACC(700) dengan support kedua barang tersebut adalah 0.48 persen, besar confidence adalah 0.179, besar nilai lift ratio adalah 0.99407. Yang keenam adalah kode TAS(340) dan SANDAL(510) dengan support kedua barang tersebut adalah 0.46 persen, besar confidence adalah 0.179, besar nilai lift ratio adalah 1.0072. Yang ketujuh adalah kode TAS(340) dan ACC(700) dengan support kedua barang


96

tersebut adalah 0.5 persen, besar confidence adalah 0.195, besar nilai lift ratio adalah 1.3846. Waktu yang dibutuhkan untuk melakukan proses tersebut adalah 3 detik

Dari hasil pengujian terhadap data transaksi tanggal 3 April 2015, dan dari prediksi yang dilakukan pada data transaksi 2 April 2015, kesimpulan yang adapat diambil adalah sebagai berikut : 1. Dari hasil ke empat percoban pola dengan kode ACC(700) dan SENDAL(510) adalah dua barang yang selalu muncul dengan berbagai minimum support. Hal ini sesuai dengan pola yang dihasilkan ketika percoban tanggal 2 April 2015, tetapi nilai dari support, confiden dan nilai lift ratio lebih besar karena jumlah data transaksi pada tanggal 3 April 2015 lebih banyak dari data transaksi tanggal 2 April 2015. 2. Tingkat keakuratan algoritma dari keempat percobaan proses tersebut yang paling besar adalah pada kode K.KAKI(640) dan ACC(700) dengan nilai lift ratio sebesar 3.92659

5.2 Percobaan Data Transaksi Berdasarkan Kode Kategori Per 2 Hari

5.2.1

Percobaan pada data transaksi tanggal 1 dan 2 April 2015

Data transaksi yang digunakan adalah sebanyak 4695, sedangkan jumlah item yang ada sebanyak 92.

a. Percobaan tanggal 1 dan 2 April 2015 dengan minimum support 3 %

Tabel 5.14Percobaan tanggal 1 dan 2 April 2015 dengan minimum support 3 % No

Produk 1

Produk 2

Support


Confidence

LiftRatio


97

Pada saat peneliti menggunakan minimum support 3 % tidak menghasilkan suatu rule apapun. b. Percobaan tanggal 1 dan 2 April 2015 dengan minimum support 2.5 %

Tabel 5.15Percobaan tanggal 1 dan 2 April 2015 dengan minimum support 2.5 % No 1

Produk 1 ACC(700)

Produk 2

Support

Confidence

LiftRatio

SENDAL(510)

1.37

0.125

1.29913


4 detik

Pada saat peneliti menggunakan minimum support 2.5 % hanya terdapat satu buah rule yang dihasilkan yaitu kode ACC(700) dan SENDAL(510) dengan support kedua barang tersebut adalah 1.37 persen, besar confidence adalah 0.125, besar nilai lift ratio adalah sebesar1.29913. Waktu yang diperlukan untuk melakukan proses tersebut adalah 4 detik.

c. Percobaan tanggal 1 dan 2 April 2015 dengan minimum support 2%

Tabel 5.16Percobaan tanggal 1 dan 2 April 2015 dengan minimum support 2 % No 1

Produk 1 ACC(700)

Produk 2

Support

Confidence

LiftRatio

SENDAL(510)

1.37

0.125

1.29913


5 detik

Pada saat peneliti menggunakan minimum support 2 % hanya terdapat satu buah rule yang dihasilkan yaitu kode ACC(700) dan SENDAL(510) dengan support kedua barang tersebut adalah 1.37 persen, besar confidence adalah 0.125, besar nilai lift ratio adalah sebesar 1.29913. Waktu yang diperlukan untuk melakukan proses tersebut adalah 5 detik.


98

d. Percobaan tanggal 1 dan 2 April 2015 dengan minimum support 1.5 %

Tabel 5.17Percobaan tanggal 1 dan 2 April 2015 dengan minimum support 1.5 %

No

Produk 1

Produk 2

Support

Confidence

LiftRatio

1

ACC(700)

SENDAL(510)

1.37

0.125

1.29913

2

K.KAKI(640)

ACC(700)

0.9

0.508

3.73834


6 detik

Pada saat peneliti menggunakan minimum support 1.5 % terdapat dua buah rule yang dihasilkan yaitu kode ACC(700) dan SENDAL(510) dengan support kedua barang tersebut adalah 1.37 persen, besar confidence adalah 0.125, besar nilai lift ratio sebesar 1.29913. Yang kedua adalah kode K.KAKI(640) dan ACC(700) dengan support kedua barang tersebut adalah 0.9 persen, besar confidence adalah 0.508, besar nilai lift ratio adalah sebesar 3.73834. Waktu yang dibutuhkan untuk menyelesaikan proses tersebut adalah 6 detik.

Dari hasil pengujian terhadap data transaksi tanggal 1 dan 2 April 2015 terhadap hasil prediksi tanggal 3 April 2015, kesimpulan yang adapat diambil adalah sebagai berikut : 1. Dari hasil ke empat percobaan pola dengan kode ACC(700) dan SENDAL(510) adalah dua barang yang selalu muncul dengan berbagai minimum support. Hal ini sesuai dengan pola yang dihasilkan ketika percobaan tanggal 3 April 2015, tetapi nilai dari support, confiden dan lift ratio lebih besar karena jumlah data transaksi pada tanggal 3 April 2015 lebih sedikit dari data transaksi tanggal 1 dan 2 April 2015.


99

2. Tingkat keakuratan algoritma dari keempat percobaan tersebut yang paling besar adalah ketika K.KAKI(640) dan ACC(700) yaitu sebesar 3.73834

5.3 Percobaan pada data transaksi selama 3 hari tanggal 1,2,3 April 2015

Data transaksi yang digunakan adalah sebanyak 7379, sedangkan jumlah item yang ada sebanyak 93.

5.3.1

Percobaan pada data transaksi selama 3 hari tanggal 1,2,3 April 2015

a. Percobaan tanggal 1,2,3 April 2015 dengan minimum support 3 %

Tabel 5.18Percobaan tanggal 1,2,3 April 2015 dengan minimum support 3 % MinSupp : 3 %

No 1

Produk 1 ACC(700)

Produk 2

Support

SENDAL(510)

2.45


Confidence Lift Ratio 0.241

1.41813

8 detik

Pada saat peneliti menggunakan minimum support 3 % hanya terdapat satu buah rule yang dihasilkan yaitu kode ACC(700) dan SENDAL(510) dengan support kedua barang tersebut adalah 2.45 persen, besar confidence adalah 0.241, besar nilai lift ratio sebesar 1.41813. Waktu yang dibutuhkan untuk menyelesaikan proses tersebut adalah sebesar 8 detik


100

b. Percobaan tanggal 1,2,3 April 2015 dengan minimum support 2.5 %

Tabel 5.19Percobaan tanggal 1,2,3 April 2015 dengan minimum support 2.5 %

No 1

Produk 1 ACC(700)

Produk 2

Support

Confidence

SENDAL(510)

2.45

0.241


Lift Ratio 1.41813

8 detik

Pada saat peneliti menggunakan minimum support 2.5 % hanya terdapat satu buah rule yang dihasilkan yaitu kode ACC(700) dan SENDAL(510) dengan support kedua barang tersebut adalah 2.45 persen, besar confidence adalah 0.241, besar nilai lift ratio sebesar 1.41813. Waktu yang dibutuhkan untuk menyelesaikan proses tersebut adalah sebesar 8 detik

c. Percobaan tanggal 1,2,3 April 2015 dengan minimum support 2 %

Tabel 5.20Percobaan tanggal 1,2,3 April 2015 dengan minimum support 2 %

No 1

Produk 1 ACC(700)

Produk 2

Support

Confidence

Lift Ratio

SENDAL(510)

2.45

0.241

1.41813


9 detik

Pada saat peneliti menggunakan minimum support 2 % hanya terdapat satu buah rule yang dihasilkan yaitu kode ACC(700) dan SENDAL(510) dengan support kedua barang tersebut adalah 2.45 persen, besar confidence adalah 0.241, besar nilai lift ratio sebesar 1.41813. Waktu yang dibutuhkan untuk menyelesaikan proses tersebut adalah sebesar 9 detik


101

d. Percobaan tanggal 1,2,3 April 2015 dengan minimum support 1.5 %

Tabel 5.21Percobaan tanggal 1,2,3 April 2015 dengan minimum support 1.5 %

No 1

Produk 1 K.KAKI(640)

Produk 2 ACC(700)

Support

Confidence

Lift Ratio

1.42

0.524

3.8057

ATASAN 2

JOGER(531)

CE(610)

1.16

0.23

1.77343

3

ACC(700)

SENDAL(510)

2.45

0.241

1.41813

4

TAS(340)

SENDAL(510)

1.14

0.184

1.08272


10 detik

Pada saat peneliti menggunakan minimum support 1.5 % terdapat 4buah rule yang dihasilkan yaitu yang pertama adalah kode K.KAKI(640) dan ACC(700) dengan support kedua barang tersebut adalah 1.42

persen, besar confidence

adalah 0.524, besar nilai lift ratio adalah 3.8057 . Yang kedua adalah kodeJOGER(531) dan ATASAN CE(610) dengan support kedua barang tersebut adalah 1.16 persen, besar confidence adalah 0.23, besar nilai lift ratio adalah 1.77343. Yang ketiga adalah

kodeACC(700)

dan SENDAL(510)

dengan

support kedua barang tersebut adalah 2.45 persen, besar confidence adalah 0.241, besar nilai lift ratio adalah 1.41813. Yang keempat adalah kodeTAS(340) dan SENDAL(510) dengan support kedua barang tersebut adalah 1.14 persen, besar confidence adalah 0.184, besar nilai lift ratio adalah 1.08272.

Waktu yang

diperlukan untuk meyelesaikan proses tersebut adalah sebesar 10 detik

Dari hasil pengujian terhadap data transaksi tanggal 1, 2, 3 kesimpulan yang adapat diambil adalah sebagai berikut :

April 2015


102

1. Dari hasil ke empat percobaan pola dengan kode ACC(700) dan SENDAL(510) adalah dua barang yang selalu muncul dengan berbagai minimum support. 2. Tingkat keakuratan algoritma dari keempat percobaan

tersebut yang

paling besar adalah kode K.KAKI(640) dan ACC(700) dengan nilai lift ratio 3.8057

Dari beberapa uji coba yang telah dilakukan terdapat sebuah rule yang selalu memiliki nilai keakuratan tinggi yaitu barang K.KAKI(640) dengan ACC(700). Melalui nilai keakuratan data tersebut dapat dijadikan sebagai prediksi dalam penyediaan barang dalam perusahaan tersebut.

Tabel 5.22 Tabel rule dengan akurasi tertinggi Tanggal 1 April 2015 Item K.KAKI(640) ACC(700)

Tanggal 1 Jumlah Awal Penjualan 200 56 200 165

Sisa 144 35

Penambahan Barang 0 200

Sisa 110 96

Penambahan Barang 0 200

Tanggal 2 April 2015 Item K.KAKI(640) ACC(700)

Tanggal 2 Jumlah Awal Penjulan 144 34 235 139

Tanggal 3 April 2015 Item K.KAKI(640) ACC(700)

Tanggal 3 Jumlah Awal Penjualan 110 52 296 252

Sisa 58 44


103

Ketika tanggal 1 April 2015 rule yang memiliki nilai akurasi tinggi adalah K.KAKI(640) dan ACC(700). Di asumsikan jumlah dari masing – masing jenis barang adalah 200. Pada tanggal tersebut penjualan K.KAKI(640) adalah sebesar 56 sehingga memiliki sisa item 144, sedangkan penjualan item ACC(700) adalah sebesar 165 sehingga memiliki sisa item 35. Pada tanggal 2 April 2015 ruletersebut juga memiliki tingkat keakuratan tertinggi. Penjualan K.KAKI(640) adalah sebesar 34 , sisa item dari hari sebelumnya adalah 144, sehingga memiliki sisa item pada tanggal 2 adalah 110, sedangkan penjualan item ACC(700) adalah sebesar 139 namun sisa item pada tanggal sebelumnya hanya 35. Oleh karena itu dilakukan penambahan item sebesar 200 seperti stok awal, sehingga sisa dari item tersebut adalah 96. Pada tanggal 3 April 2015 ruletersebut juga memiliki tingkat keakuratan tertinggi. Penjualan K.KAKI(640) adalah sebesar 52 , sisa item dari hari sebelumnya adalah 110, sehingga memiliki sisa item pada tanggal 3 adalah 58, sedangkan penjualan item ACC(700) adalah sebesar 252 namun sisa item pada tanggal sebelumnya hanya 96. Oleh karena itu dilakukan penambahan item sebesar 200 seperti stok awal, sehingga sisa dari item tersebut adalah 44. Dengan melihat penjelasan di atas, rule yang dihasilkan dari proses asosiasi sangat membantu perusahaan untuk menentukan jenis barang apa yang harus ditambahkan. Seperti hasil di atas, jenis ACC(700) selalu membutuhkan penambahan barang untuk hari berikutnya sesuai dengan hasil yang telah diprediksi.

5.4 Kelebihan dan Kekurangan Sistem

5.4.1

Kelebihan Sistem Kelebihan dari sistem pendekteksian miat konsumen dengan menggunakan algoritma FP-Growth adalah sebagai berikut : 1. Sistem ini dapat menyimpan hasil proses ke dalam file dengan tipe .doc , .xls ,.pdf dan .txt


104

2. Sistem ini dapat melakukan proses deteksi dengan kode barang maupun kode kategori.

5.4.2

Kekurangan Sistem Kekurangan dari sistem pendekteksian miat konsumen dengan menggunakan algoritma FP-Growth adalah sebagai berikut : 1. Sistem tidak dapat mengelola data yang berasal dari luar database , misalnya file dengan extensi .csv , .xls sehingga hanya dapat mengelola data yang berasal dari database saja. ( Mysql) 2. Sistem hanya dapat menggunakan satu tabel saja dari database. Tidak dapat melakukan relasi antar tabel secara sistem.

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI BAB VI PENUTUP

6.1 Kesimpulan 1. Algoritma Frequent Pattern Growth (FP-Growth) dapat digunakan untuk melakukan pendekteksian jenis barang yang harus tersedia. Dengan melihat rule yang dihasilkan dari proses asosiasi dalam uji coba, item - item yang ada merupakan sebuah prediksi item akan di beli di kemudian hari. Item – item tersebut yang harus di prioritaskan untuk di sediakan dalam perusahaan tersebut. 2. Nilai dari minimum support sangat berpengaruh terhadap hasil pola yang dihasilkan dalam proses pendekteksian pola. Semakin tinggi nilai minimum support

maka

semakin sedikit rule yang dihasilkan, sedangkan semakin kecil minimum support maka rule yang dihasilkan semakin banyak. 3. Besar nilai support dan confidence berpengaruh terhadap keakuratan data yang di uji menggunakan lift ratio. Apabila suatu rule memiliki support yang tinggi dan confidence yang tinggi maka rule tersebut memiliki tingkat akurasi yang besar dan rule tersebut dapat dijadikan sebagai prediksi. Apabila suatu rule memiliki support yang rendah dan confidence yang rendah maka rule tersebut memiliki tingkat akurasi yang rendah yaitu memiliki nilai kurang dari 1, dan rule tersebut tidak dapat dijadikan sebagai prediksi. Sedangkan Apabila suatu rule memiliki support yang rendah dan confidence yang tinggi maka rule tersebut kemungkinan memiliki nilai akurasi yang tinggi dan dapat dijadikan sebagai prediksi. 4. Waktu yang dibutuhkan untuk menyelesaikan proses bergantung pada jumlah transaksi yang ada. Semakin banyak data transaksi dan semakin kecilminimum support maka waktu yang dibutuhkan semakin besar. 6.2 Saran 1. Penulis berharap agar sistem ini dapat dikembangkan sehingga dapat digunakan dengan data yang berasal dari luar database seperti .csv, dll 2. Penulis berharap agar sistem ini dikembangkan agar dapat menggunakan data transaksi dalam database lebih dari satu tabel. 105


106

DAFTAR PUSTAKA

Agrawal,Rakesh,Ramakrishnan, Srikant. Fast Algoritms for Mining Association Rules, IBM Almaden Research Center 650 Harry Road, Sn Jose, CA 95120 Han, J dan Kamber, M. 21001. Data Mining : Concepts and Techniques. Morgan Kaufman. San Fransisco. Han,J.,Pie, J., Y,Yin. 2000.Mining Frequent Patterns without Candidate Generation, School of Computing Science Simon Fraser University. Hill,Mc Graw. 2007 The Complete Reference Java Seventh Edition. Prof. Fomby Tom. July 2013. Association Rules(Aka Affinity Analysis or Market Basket Analysis). Department of Economics Southern Methodist University Dallas, Texas 75275. Tim Dosen USD. Quick Sort dan Merge Sort. Jurusan Teknik Informatika USD McNicholas.P.D., T.B. Murphy, M. O’Regan. Standardising the Lift of an Association Rule. Department of Statistic, Trinity College Dublin, Ireland. Sudiadiarta, I Gede, Market Basket Analysis Menggunakan Algoritma Frequent Pattern Growth(FP-Growth) Untuk Situs E-Commerce. Universitas Sanata Dharma Yogyakarta : Skripsi, 2006 Nurdiyanto, Amin. Penenerapan Algoritma Apriori Untuk Pencarian Pola Asosiasi Barang Pada Data Transaksi Penjualan(Studi Kasus Pada Toko “Kafe Swalayan”). Universitas Sanata Dharma Yogyakarta : Skripsi : 2009.

www.solver.com/association-rules-example https://en.m.wikipedia.org/wiki/Lift_(data_mning)

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI LAMPIRAN 1 1. Implementasi Kelas Control_Database /* * To change this template, choose Tools | Templates * and open the template in the editor. */ package CONTROLLER; import TOOLS.Konn; import java.sql.Connection; import java.sql.PreparedStatement; import java.sql.ResultSet; import java.sql.SQLException; import java.sql.Statement;

/** * * @author elsa */ public class Control_Database { public ResultSet ambiltable(Connection conn) throws SQLException{ Statement st; ResultSet rs; String query; st = conn.createStatement(ResultSet.TYPE_SCROLL_SENSITIVE, ResultSet.CONCUR_READ_ONLY); query = "show tables"; System.out.println("\nExecuting query : " +query); rs = st.executeQuery(query); return rs; }

public ResultSet ambildatatabel(Connection conn, String table) throws SQLException{ Statement st; ResultSet rs; String query;

107

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI st = conn.createStatement(ResultSet.TYPE_SCROLL_SENSITIVE, ResultSet.CONCUR_READ_ONLY); query = "select * from " + table; System.out.println("\nExecuting query : " +query); rs = st.executeQuery(query); return rs; } public ResultSet prepocessing(Connection conn, String table, String key1 , String key2) throws SQLException{ Statement st; ResultSet rs; String query; st = conn.createStatement(ResultSet.TYPE_SCROLL_SENSITIVE, ResultSet.CONCUR_READ_ONLY); query ="SELECT "+key1+", GROUP_CONCAT(distinct("+key2+"))'"+key2+"' FROM " +table+" GROUP BY "+key1; System.out.println("\nExecuting query : " +query); rs = st.executeQuery(query);

return rs; } public String cariNamaBarangg(Connection conn, String kode,String table) throws SQLException { PreparedStatement statement = null; ResultSet result = null; String nama = ""; conn.setAutoCommit(false); String sql = "select namaBarang " + "from "+table+" where kodeBarang = "+kode; System.out.println("Query : "+sql); statement = conn.prepareStatement(sql); result = statement.executeQuery(); while(result.next()){ nama = result.getString("namaBarang"); }

108

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI return nama; }

public String cariNamaKategori(Connection conn, String kode,String table) throws SQLException { PreparedStatement statement = null; ResultSet result = null; String nama = ""; conn.setAutoCommit(false); String sql = "select namakategori " + "from "+table+" where kategori = "+kode; System.out.println("Query : "+sql); statement = conn.prepareStatement(sql); result = statement.executeQuery(); while(result.next()){ nama = result.getString("namakategori"); } return nama; } }

2. Implementasi Kelas Contol_Algorithm /* * To change this template, choose Tools | Templates * and open the template in the editor. */ package CONTROLLER; import TOOLS.Larik; import TOOLS.StrukturTabel; import java.sql.Connection; import java.sql.DriverManager; import java.sql.PreparedStatement; import java.sql.ResultSet; import java.sql.SQLException; import java.sql.Statement; import java.util.ArrayList; import java.util.Collection; import java.util.Collections;

109

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI import java.util.HashMap; import java.util.HashSet; import java.util.Iterator; import java.util.List; import java.util.Map; import java.util.Set; import java.util.TreeSet; import java.util.logging.Level; import java.util.logging.Logger; /** * * @author elsa */ public class Control_Algorithm { ResultSet result = null; PreparedStatement pst = null; Connection conn; public Control_Algorithm(Connection koneksi) { this.conn = koneksi; } public static ArrayList> HasilPrepocessing(ArrayList<StrukturTabel> prepocessing) { ArrayList<String> data1 = new ArrayList<String>(); ArrayList> dataSet = new ArrayList>(); StrukturTabel ah = new StrukturTabel(); int jum = 0; String string = null; for (int i = 0; i < prepocessing.size(); i++) { String d = prepocessing.get(i).getNoFaktur(); String c = prepocessing.get(i).getKodeBarang(); System.out.println((i + 1) + " . " + d + " : " + c); ArrayList<String> data = new ArrayList<String>(); data.add(c); dataSet.add(data); } System.out.println(dataSet); return dataSet; }

110


111

public static ArrayList Count(ArrayList> b, int a) { List<String> arr = new ArrayList<String>(); ArrayList count = new ArrayList<>(); HashSet<String> hash = new HashSet<>(); String string = null; for (int i = 0; i < b.size(); i++) { ArrayList<String> items = b.get(i); for (int j = 0; j < items.size(); j++) { string = items.get(j).toString(); String z[] = string.split(","); for (int k = 0; k < z.length; k++) { String string1 = z[k]; hash.add(string1); arr.add(string1); } } } Iterator iterasi = hash.iterator(); while (iterasi.hasNext()) { String unik = (String) iterasi.next(); System.out.println(unik);

//

} Set<String> uniqueset = new HashSet<String>(arr); int jum = 0; for (String temp : uniqueset) {

if (Collections.frequency(arr, temp) >= a) { System.out.println(temp + " : " + Collections.frequency(arr, temp)); TreeNode tn = new TreeNode(); tn.tambahCount(); tn.setItem(temp); tn.setCounts(Collections.frequency(arr, temp)); count.add(tn); }

//

} return count; }

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI public static ArrayList TransaksiYgSesuai(ArrayList<StrukturTabel> prepocessing, ArrayList itemSesuai) { ArrayList<StrukturTabel> transaksi = new ArrayList<>(); ArrayList trns = new ArrayList(); String string = null; int jmlh = 0; for (int i = 0; i < prepocessing.size(); i++) { String a = prepocessing.get(i).getKodeBarang(); String[] l = a.split(","); for (int j = 0; j < l.length; j++) { string = l[j]; for (int k = 0; k < itemSesuai.size(); k++) { if (itemSesuai.get(k).getItem().compareTo(string) == 0) { StrukturTabel temp5 = new StrukturTabel(); temp5.setTransaksiSesuaitpDuplikasi(prepocessing.get(i).getNoFaktur()); transaksi.add(temp5); } } } } // System.out.println(transaksi.size()); TreeSet<String> hashurut = new TreeSet<>(); for (int i = 0; i < transaksi.size(); i++) { hashurut.add(transaksi.get(i).getTransaksiSesuaitpDuplikasi()); } // Cetak int jumlah = 0; Iterator iterasi = hashurut.iterator(); while (iterasi.hasNext()) { String unik = (String) iterasi.next(); TreeNode temp6 = new TreeNode(); temp6.setTransaksi(unik); trns.add(temp6); } System.out.println(jumlah); return trns;

112

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI } public static ArrayList TransaksidanItemYangSesuai(ArrayList<StrukturTabel> prepocessing, ArrayList transaksiSesuai, ArrayList count, int x) {

//

ArrayList<StrukturTabel> transaksidanItemSesuai = new ArrayList<>(); ArrayList tis = new ArrayList(); int jum = 0; String y = null; for (int i = 0; i < prepocessing.size(); i++) { String c = prepocessing.get(i).getNoFaktur(); String d = prepocessing.get(i).getKodeBarang(); System.out.println((i+1) + " . " + c + " " +d); for (int j = 0; j < transaksiSesuai.size(); j++) { String e = transaksiSesuai.get(j).getTransaksi();

if (e.compareTo(c) == 0) { String[] l = d.split(","); System.out.println((j + 1) + " . " + "Transaksi " + c); for (int k = 0; k < l.length; k++) { y = l[k]; // System.out.println(y); jum++; for (int m = 0; m < count.size(); m++) { String n = count.get(m).getItem(); // System.out.println(n); if (n.compareTo(y) == 0) { int gg = count.get(m).getCounts(); if (gg >= x) { System.out.println(n + " : " + gg); StrukturTabel temp7 = new StrukturTabel(); temp7.setNoFaktur(c); temp7.setKodeBarang(n); temp7.setCount(gg); transaksidanItemSesuai.add(temp7); } } } } StrukturTabel s[] = new StrukturTabel[transaksidanItemSesuai.size()]; for (int o = 0; o < transaksidanItemSesuai.size(); o++) { jum++;

113


114

s[o] = new StrukturTabel(); s[o].setNoFaktur(transaksidanItemSesuai.get(o).getNoFaktur()); s[o].setKodeBarang(transaksidanItemSesuai.get(o).getKodeBarang()); s[o].setCount(transaksidanItemSesuai.get(o).getCount()); } Larik.quickSortDesc(s);

System.out.println("Daftar Kode Barang Setelah Diurutkan: "); String n = null; int m = 0; for (int o = 0; o < s.length; o++) { StrukturTabel strukturTabel = s[o]; System.out.println((o + 1) + ". " + s[o].getKodeBarang() + " : " + s[o].getCount());

n = s[o].getKodeBarang(); m = s[o].getCount(); TreeNode temp77 = new TreeNode(); temp77.setTransaksi(c); temp77.setItem(n); tis.add(temp77); } transaksidanItemSesuai.clear(); System.out.println("\n"); } } } return tis; } public static ArrayList> DataFix(ArrayList transaksiSesuai, ArrayList transaksidanItemSesuai) {

ArrayList<String> data1 = new ArrayList<String>(); ArrayList> dataSet = new ArrayList>(); StrukturTabel ah = new StrukturTabel();

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI String f = null; int jum = 0; String string = null; for (int i = 0; i < transaksiSesuai.size(); i++) { String c = transaksiSesuai.get(i).getTransaksi(); ArrayList<String> data = new ArrayList<String>(); for (int j = 0; j < transaksidanItemSesuai.size(); j++) { String e = transaksidanItemSesuai.get(j).getTransaksi(); if (e.compareTo(c) == 0) { f = transaksidanItemSesuai.get(j).getItem(); data.add(f); } } dataSet.add(data); } System.out.println(dataSet); return dataSet; } Control_Algorithm() { } public static TreeNode FPTree(ArrayList> datafix, ArrayList cek) { TreeNode root = new TreeNode(); TreeNode curNode = root; List anak = curNode.getChildNodes(); for (int i = 0; i < datafix.size(); i++) { curNode = root; ArrayList<String> items = datafix.get(i); for (int j = 0; j < items.size(); j++) { String item = items.get(j); TreeNode temp = new TreeNode(); if (anak != null) { for (int k = 0; k < anak.size(); k++) { TreeNode itm = anak.get(k); if (itm.getItem().compareTo(item) == 0) { temp = itm; } } }

115


116

temp = new TreeNode(); temp.setItem(item); temp.setParentNode(curNode); curNode.getChildNodes().add(temp); addNode(temp, cek); curNode = temp; temp.tambahCount(); } curNode = root; } return root; } public static TreeNode addNode(TreeNode tn, ArrayList head) { TreeNode curNode = null; for (int l = 0; l < head.size(); l++) { TreeNode node = head.get(l); if (node.getItem().compareTo(tn.getItem()) == 0) { curNode = node; while (curNode.getNextNode() != null) { curNode = curNode.getNextNode(); } curNode.setNextNode(tn); } } return curNode; } }

3. Implementasi Kelas TreeNode /* * To change this template, choose Tools | Templates * and open the template in the editor. */ package CONTROLLER; import java.util.ArrayList; import java.util.List; /**

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI * * @author elsa */ public class TreeNode { private String item; private String transaksi; private String itemdalamtransaksi; private TreeNode parentNode; private List childNodes = new ArrayList(); private int counts; private TreeNode nextNode; public String getItem() { return item; } public void setItem(String item) { this.item = item; } public TreeNode getParentNode() { return parentNode; } public void setParentNode(TreeNode parentNode) { this.parentNode = parentNode; } public List getChildNodes() { return childNodes; } public void setChildNodes(List childNodes) { this.childNodes = childNodes; } public int getCounts() { return counts; }

117


public void tambahCount() { this.counts = counts + 1; } public TreeNode getNextNode() { return nextNode; } public void setNextNode(TreeNode nextNode) { this.nextNode = nextNode; } public void setCounts(int counts) { this.counts = counts; } public String getTransaksi() { return transaksi; } public void setTransaksi(String transaksi) { this.transaksi = transaksi; } public String getItemdalamtransaksi() { return itemdalamtransaksi; } public void setItemdalamtransaksi(String itemdalamtransaksi) { this.itemdalamtransaksi = itemdalamtransaksi; } }

4. Implementasi Kelas LihatHasilAlgoTabelModel /* * To change this template, choose Tools | Templates * and open the template in the editor.

118

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI */ package MODEL; import MODEL.ambilHasil; import java.util.ArrayList; import java.util.List; import javax.swing.table.AbstractTableModel; /** * * @author elsa */ public class LihatHasilAlgoTabelModel extends AbstractTableModel { private List rule = new ArrayList(); public LihatHasilAlgoTabelModel() { } public void delete(int row) { rule.remove(row); fireTableRowsDeleted(row, row); } public void update(int row, ambilHasil s) { rule.set(row, s); fireTableRowsUpdated(row, row); } public void add(ambilHasil Add) { rule.add(Add); fireTableRowsInserted(getRowCount() - 1, getColumnCount() - 1); } public int getRowCount() { return rule.size(); } public int getColumnCount() { return 5; } public Object getValueAt(int rowIndex, int columnIndex) { ambilHasil s = rule.get(rowIndex); switch (columnIndex) { case 0:

119

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI return s.getCandidate1(); case 1: return s.getItem1(); case 2: return s.getCount1(); case 3: return s.getConfidence(); case 4: return s.getLiftRatio(); default: return ""; } } @Override public String getColumnName(int column) { switch (column) { case 0: return "PRODUK 1"; case 1: return "PRODUK 2"; case 2: return "SUPPORT"; case 3: return "CONFIDENCE"; case 4: return "LIFT RATIO"; default: return ""; } } }

5. Implementasi Kelas ambilHasil /* * To change this template, choose Tools | Templates * and open the template in the editor. */ package MODEL; import java.util.ArrayList; /** *

120

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI * @author elsa */ public class ambilHasil { ArrayList<String> candidate; ArrayList<String> item; ArrayList<String> count; private String candidate1; private String item1; private String count1; private String confidence; private String liftRatio;

public ArrayList<String> getCandidate() { return candidate; } public void setCandidate(ArrayList<String> candidate) { this.candidate = candidate; } public ArrayList<String> getItem() { return item; } public void setItem(ArrayList<String> item) { this.item = item; } public ArrayList<String> getCount() { return count; } public void setCount(ArrayList<String> count) { this.count = count; } public String getCandidate1() { return candidate1; } public void setCandidate1(String candidate1) { this.candidate1 = candidate1; }

121

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI public String getItem1() { return item1; } public void setItem1(String item1) { this.item1 = item1; } public String getCount1() { return count1; } public void setCount1(String count1) { this.count1 = count1; } public String getConfidence() { return confidence; } public void setConfidence(String confidence) { this.confidence = confidence; } public String getLiftRatio() { return liftRatio; } public void setLiftRatio(String liftRatio) { this.liftRatio = liftRatio; } }

6. Implementasi Kelas Comparable package TOOLS;

public interface Comparable { public int compareTo(Object o); }

122


123

7. Implementasi Kelas Konn package TOOLS;

import java.sql.Connection; import java.sql.DriverManager; import java.sql.PreparedStatement; import java.sql.ResultSet; import java.sql.SQLException; import java.sql.Statement; import java.util.ArrayList; import java.util.List; import java.util.logging.Level; import java.util.logging.Logger; import javax.swing.JOptionPane; public class Konn { private String namaDB; private String url; private String username; private String password; private Connection connection = null;

public Konn(String namaDB, String url, String username, String password) { getClose(); try { Class.forName("com.mysql.jdbc.Driver"); } catch (ClassNotFoundException ex) { Logger.getLogger(Konn.class.getName()).log(Level.SEVERE, null, ex); } try { connection = DriverManager.getConnection(url + "/" + namaDB, username, password); System.out.println("Koneksi berhasil"); } catch (SQLException ex) { System.out.println("Koneksi gagal"); } }


124

public boolean isConnected() { if (connection != null) { return true; } else { return false; } } public boolean getClose() { if (isConnected()) { try { connection.close(); connection = null; } catch (SQLException ex) { ex.printStackTrace(); //Logger.getLogger(Konn.class.getName()).log(Level.SEVERE, null, ex); } return true; } else { return false; } } public String getNamaDB() { return namaDB; } public void setNamaDB(String namaDB) { this.namaDB = namaDB; } public String getUrl() { return url; } public void setUrl(String url) { this.url = url; } public String getUsername() { return username; } public void setUsername(String username) {

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI this.username = username; } public String getPassword() { return password; } public void setPassword(String password) { this.password = password; } public Connection getConn() { return connection; } public void setConn(Connection connection) { this.connection = connection; } }

8. Implementasi Kelas Larik package TOOLS;

public class Larik { // Descending public static void quickSortHelperDesc(Object[] x, int indeksAwal, int indeksAkhir) { if (indeksAwal < indeksAkhir) { int i = indeksAwal + 1; int j = indeksAkhir; while (i <= indeksAkhir && (((Comparable) x[i]).compareTo(x[indeksAwal])) >= 0) { i++; } while (j > indeksAwal && (((Comparable) x[j]).compareTo(x[indeksAwal])) < 0) { j--; } while (i < j) { swap1(x, i, j);

125

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI while (i <= indeksAkhir && (((Comparable) x[i]).compareTo(x[indeksAwal])) >= 0) { i++; } while (j > indeksAwal && (((Comparable) x[j]).compareTo(x[indeksAwal])) < 0) { j--; } } swap1(x, indeksAwal, j); quickSortHelperDesc(x, indeksAwal, j - 1); quickSortHelperDesc(x, j + 1, indeksAkhir); } } private static void swap1(Object[] x, int i, int j) { Object y = x[i]; x[i] = x[j]; x[j] = y; } public static void quickSortDesc(Object[] x) { quickSortHelperDesc(x, 0, x.length - 1); } }

9. Implementasi Kelas StrukturTabel package TOOLS;

public class StrukturTabel implements Comparable { private String noFaktur; private String kodeBarang; private String namaBarang; private String split; private int count; private String tnpdup; private String transaksiSesuaitpDuplikasi;

public String getNoFaktur() { return noFaktur; }

126

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI public void setNoFaktur(String noFaktur) { this.noFaktur = noFaktur; } public String getKodeBarang() { return kodeBarang; } public void setKodeBarang(String kodeBarang) { this.kodeBarang = kodeBarang; } public String getNamaBarang() { return namaBarang; } public void setNamaBarang(String namaBarang) { this.namaBarang = namaBarang; }

public int getCount() { return count; } public void setCount(int count) { this.count = count; } public String getSplit() { return split; } public void setSplit(String split) { this.split = split; } // public int compareTo(Object o) { if (count == ((StrukturTabel) o).getCount()) { return 0; } else if (count > ((StrukturTabel) o).getCount()) { return 1; } return -1; } //

127

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI // // //

128

/** * @return the tnpdup */ public String getTnpdup() { return tnpdup; } /** * @param tnpdup the tnpdup to set */ public void setTnpdup(String tnpdup) { this.tnpdup = tnpdup; } public String getTransaksiSesuaitpDuplikasi() { return transaksiSesuaitpDuplikasi; } public void setTransaksiSesuaitpDuplikasi(String transaksiSesuaitpDuplikasi) { this.transaksiSesuaitpDuplikasi = transaksiSesuaitpDuplikasi; }

}

10. Implementasi Kelas Halaman_Open /* * To change this template, choose Tools | Templates * and open the template in the editor. */ package VIEW; import javax.swing.JOptionPane; import CONTROLLER.Control_Database; import CONTROLLER.Control_Algorithm; import CONTROLLER.TreeNode; import MODEL.LihatHasilAlgoTabelModel; import MODEL.ambilHasil; import TOOLS.Konn; import TOOLS.Larik; import TOOLS.StrukturTabel; import com.lowagie.text.SplitCharacter; import java.awt.Component; import java.io.BufferedWriter; import java.io.File; import java.io.FileNotFoundException; import java.io.FileOutputStream;

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI import java.io.FileWriter; import java.io.IOException; import java.sql.Connection; import java.sql.ResultSet; import java.sql.ResultSetMetaData; import java.sql.SQLException; import java.text.DecimalFormat; import java.util.ArrayList; import java.util.Collections; import java.util.HashMap; import java.util.HashSet; import java.util.Iterator; import java.util.List; import java.util.Map; import java.util.Set; import java.util.Vector; import java.util.logging.Level; import java.util.logging.Logger; import javax.swing.JFileChooser; import javax.swing.JFrame; import javax.swing.JOptionPane; import javax.swing.JTextArea; import javax.swing.filechooser.FileNameExtensionFilter; import javax.swing.table.DefaultTableModel; import javax.swing.table.TableModel; /** * * @author elsa */ public class Halaman_Open extends javax.swing.JFrame { ArrayList jmlhItem = new ArrayList(); ArrayList<StrukturTabel> prepocessing = new ArrayList<>(); ArrayList> countItem = new ArrayList<>(); ArrayList ambilTransaksi = new ArrayList<>(); ArrayList candidate = new ArrayList<>(); LihatHasilAlgoTabelModel model; ambilHasil ah = new ambilHasil(); ArrayList<String> aa = new ArrayList<String>(); ArrayList<String> ab = new ArrayList<String>(); ArrayList<String> ac = new ArrayList<String>(); /** * Creates new form Halaman_Open */

129

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI public Halaman_Open() { initComponents();

txtPassword.setText("root"); txtUsername.setText("root"); txtUrl.setText("jdbc:mysql://localhost"); txtNamaDatabase.setText("distribusi_sakola7sept");

model = new LihatHasilAlgoTabelModel(); tampilhasil(); jTabbedPane1.setEnabledAt(0, true); jTabbedPane1.setEnabledAt(1, false); jTabbedPane1.setEnabledAt(2, false); btnOkePilihanTabel.setEnabled(false); btnPrepocessing.setEnabled(false); } //Method Penyetaraan mengambil referensi dari : //stackoverflow.com/questions/24242657/one-java-file-use-another-java-file//compile-error public void Penyetaraan(ArrayList> datafix, ArrayList<String> kumpulanRule, int a) { ArrayList head = Control_Algorithm.Count(datafix, a); TreeNode root = Control_Algorithm.FPTree(datafix, head); Iterator anak = root.getChildNodes().iterator(); while (anak.hasNext() != true) { return; } if (kumpulanRule != null) { for (int l = 0; l < head.size(); l++) { TreeNode treenode = head.get(l); for (String s : kumpulanRule) { aa.add(s); ah.setCandidate(aa); System.out.print(s + " "); }

130

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI ab.add(treenode.getItem()); ah.setItem(ab); int count = treenode.getCounts(); String cont = String.valueOf(count); ac.add(cont); ah.setCount(ac); candidate.add(ah); System.out.println(treenode.getItem() + ":" + treenode.getCounts()); } } for (int i = 0; i < head.size(); i++) { TreeNode hd = head.get(i); ArrayList<String> rule = new ArrayList<String>(); rule.add(hd.getItem()); if (kumpulanRule != null) { rule.addAll(kumpulanRule); } //

Menemukan conditional pattern base ArrayList> datafixbaru = new ArrayList>(); TreeNode curNode = hd.getNextNode(); while (curNode != null) { int counter = curNode.getCounts(); ArrayList<String> parentNodes = new ArrayList<String>(); TreeNode parent = curNode; while ((parent = parent.getParentNode()).getItem() != null) { parentNodes.add(parent.getItem()); } for (int k = counter; k > 0; k--) { datafixbaru.add(parentNodes); } curNode = curNode.getNextNode(); } Penyetaraan(datafixbaru, rule, a); } } public String cariNamaBrg(String kode) {

131


132

String namaBarang = null; String nb = null; try { String tabel = comboPilihTabel.getSelectedItem().toString(); Control_Database kn = new Control_Database(); String nama = txtNamaDatabase.getText(); String url = txtUrl.getText(); String user = txtUsername.getText(); String pwd = txtPassword.getText(); Konn conn = new Konn(nama, url, user, pwd); conn.setNamaDB(nama); conn.setUrl(url); conn.setUsername(user); conn.setPassword(pwd); conn.getConn(); Connection co = conn.getConn(); namaBarang = kn.cariNamaBarangg(co, kode, tabel);

} catch (SQLException ex) { Logger.getLogger(Halaman_Open.class.getName()).log(Level.SEVERE, null, ex); } return namaBarang; } public String cariNamaKategori(String kode) { String namaBarang = null; String nb = null; try { String tabel = comboPilihTabel.getSelectedItem().toString(); Control_Database kn = new Control_Database(); String nama = txtNamaDatabase.getText(); String url = txtUrl.getText(); String user = txtUsername.getText(); String pwd = txtPassword.getText();


133

Konn conn = new Konn(nama, url, user, pwd); conn.setNamaDB(nama); conn.setUrl(url); conn.setUsername(user); conn.setPassword(pwd); conn.getConn(); Connection co = conn.getConn(); namaBarang = kn.cariNamaKategori(co, kode, tabel);

} catch (SQLException ex) { Logger.getLogger(Halaman_Open.class.getName()).log(Level.SEVERE, null, ex); } return namaBarang; } public int cariCount(String kode) { int count = 0; jmlhItem.size(); for (int i = 0; i < jmlhItem.size(); i++) { String a = jmlhItem.get(i).getItem(); if (a.compareTo(kode) == 0) { count = jmlhItem.get(i).getCounts(); } } System.out.println(kode + " " + count); return count; } public void hapus() { for (int i = 0; i < model.getColumnCount(); i++) { for (int j = 0; j < model.getRowCount(); j++) { model.delete(j); ah.getCandidate().remove(j); ah.getCount().remove(j); ah.getItem().remove(j); } } TabelHasilProses.setModel(model);

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI TableModel tb1 = TabelHasilProses.getModel(); System.out.println("Jumlah row : " + model.getRowCount()); } public void tampilhasil() { hapus(); for (int j = 0; j < candidate.size(); j++) { String key = ah.getCandidate().get(j); if (key.length() == 3) { ambilHasil hasilProses = new ambilHasil(); String kode1 = ah.getCandidate().get(j); String nama1 = cariNamaKategori(kode1); hasilProses.setCandidate1(nama1 + " (" + kode1 + ")"); int count = cariCount(kode1); String kode2 = ah.getItem().get(j); String nama2 = cariNamaKategori(kode2); hasilProses.setItem1(nama2 + " (" + ah.getItem().get(j) + ")");

String supp = ah.getCount().get(j); double supp2 = (Double.parseDouble(supp) / 100); System.out.println(supp2); String supp3 = String.valueOf(supp2); hasilProses.setCount1(supp3); System.out.println(count); double confiden = (Double.parseDouble(supp) / count); System.out.println(confiden); DecimalFormat df = new DecimalFormat("#.###"); double df2 = Double.valueOf(df.format(confiden)); System.out.println("nilai confiden : " + df2); String conf1 = String.valueOf(df2); hasilProses.setConfidence(conf1); int count2 = cariCount(kode2);

134

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI String jt = lblJmlhDataPrepocessing.getText(); System.out.println("jumlh transaksi : " + jt); double liftRatio = ((df2 / (count2 / Double.parseDouble(jt)))); System.out.println(confiden); DecimalFormat df1 = new DecimalFormat("#.#####"); double df3 = Double.valueOf(df1.format(liftRatio)); System.out.println("nilai left ratio : " + df3); String sc1 = String.valueOf(df3); hasilProses.setLiftRatio(sc1); model.add(hasilProses); } else { ambilHasil hasilProses = new ambilHasil(); String kode1 = ah.getCandidate().get(j); String nama1 = cariNamaBrg(kode1); hasilProses.setCandidate1(nama1 + " (" + kode1 + ")"); int count = cariCount(kode1); String kode2 = ah.getItem().get(j); String nama2 = cariNamaBrg(kode2); hasilProses.setItem1(nama2 + " (" + ah.getItem().get(j) + ")");

String supp = ah.getCount().get(j); double supp2 = (Double.parseDouble(supp) / 100); System.out.println(supp2); String supp3 = String.valueOf(supp2); hasilProses.setCount1(supp3); System.out.println(count); double confiden = (Double.parseDouble(supp) / count); System.out.println(confiden); DecimalFormat df = new DecimalFormat("#.###"); double df2 = Double.valueOf(df.format(confiden)); System.out.println("nilai confiden : " + df2); String conf1 = String.valueOf(df2); hasilProses.setConfidence(conf1);

135


int count2 = cariCount(kode2); String jt = lblJmlhDataPrepocessing.getText(); System.out.println("jumlh transaksi : " + jt); double liftRatio = ((df2 / (count2 / Double.parseDouble(jt)))); System.out.println(confiden); DecimalFormat df1 = new DecimalFormat("#.#####"); double df3 = Double.valueOf(df1.format(liftRatio)); System.out.println("nilai lift ratio : " + df3); String sc1 = String.valueOf(df3); hasilProses.setLiftRatio(sc1); model.add(hasilProses); } } TabelHasilProses.setModel(model); TableModel tb1 = TabelHasilProses.getModel(); } public void pilihDB(Konn kn, String table) { try { Control_Database cd = new Control_Database(); ResultSet rs; rs = cd.ambildatatabel(kn.getConn(), table); ResultSetMetaData rsmd = rs.getMetaData(); int coloumCount = rsmd.getColumnCount(); System.out.println(coloumCount); Vector headers = new Vector(); Vector data = new Vector(); headers.clear(); for (int i = 1; i <= coloumCount; i++) { headers.add(rsmd.getColumnName(i)); } data.clear(); int jum = 0; while (rs.next()) { Vector d = new Vector();

136

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI for (int i = 1; i <= coloumCount; i++) { d.add(rs.getString(i)); } d.add("\n"); data.add(d); jum++; } System.out.println(jum); String a = Integer.toString(jum); lblJmlhData2.setText(a); DefaultTableModel model = new DefaultTableModel(data, headers); jTable2.setModel(model); jTable2.setAutoCreateRowSorter(true); } catch (SQLException ex) { Logger.getLogger(Halaman_Open.class .getName()).log(Level.SEVERE, null, ex); } } public ArrayList<StrukturTabel> pilihSumberData(Konn kn, String table, String a, String b) { ArrayList<StrukturTabel> o = new ArrayList<>(); try { String z = txtIndeknoFaktur.getText(); System.out.println(txtIndeknoFaktur.getText()); int c = Integer.parseInt(z); String x = txtIndekKode.getText(); System.out.println(txtIndekKode.getText()); int d = Integer.parseInt(x); TableModel tb = jTable2.getModel(); tb.getColumnName(c); String k = tb.getColumnName(c); tb.getColumnName(d); String l = tb.getColumnName(d); Control_Database cd = new Control_Database(); ResultSet rs; ResultSet rs1; rs = cd.prepocessing(kn.getConn(), table, k, l);

137

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI rs1 = cd.prepocessing(kn.getConn(), table, k, l); ResultSetMetaData rsmd = rs.getMetaData(); int coloumCount = rsmd.getColumnCount(); System.out.println(coloumCount); Vector headers = new Vector(); Vector data = new Vector(); headers.clear(); for (int i = 1; i <= coloumCount; i++) { headers.add(rsmd.getColumnName(i));

//

} data.clear(); int jum = 0; while (rs.next()) { Vector e = new Vector(); for (int i = 1; i <= coloumCount; i++) { e.add(rs.getString(i)); } e.add("\n"); data.add(e); jum++; } System.out.println(jum); System.out.println(); String f = Integer.toString(jum); lblJmlhDataPrepocessing.setText(f); lblJmlhDataPrepocessing1.setText(f); lblJmlhDataPrepocessing2.setText(f); DefaultTableModel model = new DefaultTableModel(data, headers); TableDataHasilPrepocessing.setModel(model); TableDataHasilPrepocessing.setAutoCreateRowSorter(true); TableModel tb1 = TableDataHasilPrepocessing.getModel();

//

System.out.println(tb1.getRowCount()); while (rs1.next()) { StrukturTabel temp = new StrukturTabel(); temp.setNoFaktur(rs1.getString(1)); temp.setKodeBarang(rs1.getString(2)); o.add(temp); } } catch (SQLException ex) {

138


139

Logger.getLogger(Halaman_Open.class .getName()).log(Level.SEVERE, null, ex); } //

System.out.println("size dari o : " + o.size()); return o; } public int cariJumlah(ArrayList<StrukturTabel> b) { List<String> arr = new ArrayList<String>(); ArrayList count = new ArrayList<>(); HashSet<String> hash = new HashSet<>(); String string = null; for (int i = 0; i < b.size(); i++) { String items = b.get(i).getKodeBarang(); String z[] = items.split(","); for (int k = 0; k < z.length; k++) { String string1 = z[k]; hash.add(string1); arr.add(string1); } } Iterator iterasi = hash.iterator(); while (iterasi.hasNext()) { String unik = (String) iterasi.next(); System.out.println(unik);

//

} Set<String> uniqueset = new HashSet<String>(arr); int jum = 0; for (String temp : uniqueset) { System.out.println(temp + " : " + Collections.frequency(arr, temp)); jum++; } return jum; }

private void btnCekKoneksiDBActionPerformed(java.awt.event.ActionEvent evt) { String nama = txtNamaDatabase.getText();


140

String url = txtUrl.getText(); String user = txtUsername.getText(); String pwd = txtPassword.getText(); Konn conn = new Konn(nama, url, user, pwd); conn.setNamaDB(nama); conn.setUrl(url); conn.setUsername(user); conn.setPassword(pwd); conn.getConn(); if (conn.getConn() != null) { JOptionPane.showMessageDialog(null, "Koneksi Berhasil"); btnOkePilihanTabel.setEnabled(true); Connection co = conn.getConn(); Control_Database cd = new Control_Database(); ResultSet a = null; try { a = cd.ambiltable(co); } catch (SQLException ex) { Logger.getLogger(Halaman_Open.class .getName()).log(Level.SEVERE, null, ex); } try { while (a.next()) { String namaa = a.getString(1); comboPilihTabel.addItem(namaa); } } catch (SQLException ex) { Logger.getLogger(Halaman_Open.class .getName()).log(Level.SEVERE, null, ex); } } else { JOptionPane.showMessageDialog(null, "Koneksi gagal"); } // TODO add your handling code here: } private void btnBatalKoneksiDBActionPerformed(java.awt.event.ActionEvent evt) { txtNamaDatabase.setText(""); txtUrl.setText("");


141

txtUsername.setText(""); txtPassword.setText(""); // TODO add your handling code here: } private void txtPasswordActionPerformed(java.awt.event.ActionEvent evt) { // TODO add your handling code here: } private void btnOkePilihanTabelActionPerformed(java.awt.event.ActionEvent evt) { String nama = txtNamaDatabase.getText(); String url = txtUrl.getText(); String user = txtUsername.getText(); String pwd = txtPassword.getText(); String namatable = comboPilihTabel.getSelectedItem().toString(); Konn conn = new Konn(nama, url, user, pwd); conn.setNamaDB(nama); conn.setUrl(url); conn.setUsername(user); conn.setPassword(pwd); conn.getConn(); Connection co = conn.getConn(); Control_Database cd = new Control_Database(); pilihDB(conn, namatable); // TODO add your handling code here: } private void txtIndekKodeActionPerformed(java.awt.event.ActionEvent evt) { // TODO add your handling code here: } private void btnPrepocessingActionPerformed(java.awt.event.ActionEvent evt) { jTabbedPane1.setSelectedIndex(1); jTabbedPane1.setEnabledAt(1, true); jTabbedPane1.setEnabledAt(2, false); String nama = txtNamaDatabase.getText(); String url = txtUrl.getText(); String user = txtUsername.getText();


142

String pwd = txtPassword.getText(); String namatable = comboPilihTabel.getSelectedItem().toString(); String a = txtIndeknoFaktur.getText(); String b = txtIndekKode.getText(); Konn conn = new Konn(nama, url, user, pwd); conn.setNamaDB(nama); conn.setUrl(url); conn.setUsername(user); conn.setPassword(pwd); conn.getConn(); Connection co = conn.getConn(); Control_Database cd = new Control_Database(); prepocessing = pilihSumberData(conn, namatable, a, b); System.out.println("PREPOCESIING"); for (int i = 0; i < prepocessing.size(); i++) { System.out.println(prepocessing.get(i).getNoFaktur() + " " + prepocessing.get(i).getKodeBarang()); } countItem = Control_Algorithm.HasilPrepocessing(prepocessing);

int jumlahitem = cariJumlah(prepocessing); String c = Integer.toString(jumlahitem); lblJmlhItemPrepocessing1.setText(c); // lblItemHsilProses2.setText(c); // //

PREPOCESSING.setEnabled(true); // TODO add your handling code here: } private void txtMin_suppActionPerformed(java.awt.event.ActionEvent evt) { // TODO add your handling code here: } private void txtMin_suppKeyPressed(java.awt.event.KeyEvent evt) { } private void txtMin_suppKeyReleased(java.awt.event.KeyEvent evt) { // TODO add your handling code here:


143

} private void btnOkMin_SuppActionPerformed(java.awt.event.ActionEvent evt) { if (txtMin_supp.getText() == null) { JOptionPane.showMessageDialog(null, "Minimum Support Harus Diisi"); } else { String a = txtMin_supp.getText(); System.out.println(a); String c = lblJmlhDataPrepocessing1.getText(); double b = Double.parseDouble(a); int d = Integer.parseInt(c); double rumus = ((b / 100) * d); // int g = Integer DecimalFormat df = new DecimalFormat("#"); double df2 = Double.valueOf(df.format(rumus)); // System.out.println("Jumlah Kemunculan : " + rumus); int df3 = (int) df2; String e = Integer.toString(df3); lblJmlhItemMuncul.setText(e); } // TODO add your handling code here: } private void btnProsesActionPerformed(java.awt.event.ActionEvent evt) {

long awal = System.currentTimeMillis(); //MIN_SUPPORT String minsup = txtMin_supp.getText(); System.out.println("minsupp :" + minsup); String c = lblJmlhDataPrepocessing1.getText(); String a = lblJmlhItemMuncul.getText(); int b = Integer.parseInt(a); lblMinSuppHsilProses2.setText(minsup); lblJmlhDtTransHsilProses2.setText(c);


144

jmlhItem = Control_Algorithm.Count(countItem, b); System.out.println("Jumlah Item : " + countItem.size()); int jumlahitem = 0; for (int i = 0; i < jmlhItem.size(); i++) { String x = jmlhItem.get(i).getItem(); int y = jmlhItem.get(i).getCounts();

System.out.println("kode : " + x + "count : " + y); jumlahitem++; } ambilTransaksi = Control_Algorithm.TransaksiYgSesuai(prepocessing, jmlhItem); System.out.println("Transaksi yg Sesuai : " + ambilTransaksi.size()); ArrayList TransaksidanItemSesuai = Control_Algorithm.TransaksidanItemYangSesuai(prepocessing, ambilTransaksi, jmlhItem, b); System.out.println("Transaksi dan Item Sesuai : " + TransaksidanItemSesuai.size()); // System.out.println(TransaksidanItemSesuai.size()); for (int i = 0; i < TransaksidanItemSesuai.size(); i++) { String y = TransaksidanItemSesuai.get(i).getItem(); } ArrayList> datafix = Control_Algorithm.DataFix(ambilTransaksi, TransaksidanItemSesuai); Penyetaraan(datafix, null, b); tampilhasil(); long akhir = System.currentTimeMillis();

if (candidate.size() == 0) { jTabbedPane1.setSelectedIndex(1); JOptionPane.showMessageDialog(null, "Tidak Ada Rule yang dihasilkan");


145

} else {

jTabbedPane1.setSelectedIndex(2); jTabbedPane1.setEnabledAt(2, true); long waktu = (akhir - awal) / 1000; String waktu_eksekusi = String.valueOf(waktu); lblTingkatAkurasi.setText(waktu_eksekusi + " detik "); String newline = "\n"; TextAreaHasil.setEditable(false);

TextAreaHasil.append("Hasil dari proses terdapat : " + candidate.size() + " rule"); TextAreaHasil.append("\n" + newline); TextAreaHasil.append("Minimum support yang digunakan : " + lblMinSuppHsilProses2.getText() + " %"); TextAreaHasil.append("\n" + newline); TextAreaHasil.append("Jumlah data transaksi : " + c); TextAreaHasil.append("\n" + newline); TextAreaHasil.append("Jumlah item barang : " + lblItemHsilProses2.getText()); TextAreaHasil.append("\n" + newline); TextAreaHasil.append("PENJELASAN RULE DALAM TABEL : "); TextAreaHasil.append("\n" + newline); for (int i = 0; i < candidate.size(); i++) { ambilHasil hasil = new ambilHasil(); String kode1 = ah.getCandidate().get(i); if (kode1.length() == 3) { String nama1 = cariNamaKategori(kode1); // String produk1 = hasil.setCandidate1(nama1 + " (" +ah.getCandidate().get(i)+")");

String kode2 = ah.getItem().get(i); String nama2 = cariNamaKategori(kode2); hasil.setItem1(nama2 + " (" + ah.getItem().get(i) + ")");


146

hasil.setCount1(ah.getCount().get(i)); TextAreaHasil.append((i + 1) + ". " + "Jika konsumen membeli barang " + nama1 + " (" + ah.getCandidate().get(i) + ")" + " maka akan membeli barang " + nama2 + " (" + ah.getItem().get(i) + ")" + newline + "dengan support " + ah.getCount().get(i) + newline + newline); // TextAreaHasil.setText("\n"); } else { String nama1 = cariNamaBrg(kode1); // String produk1 = hasil.setCandidate1(nama1 + " (" +ah.getCandidate().get(i)+")");

String kode2 = ah.getItem().get(i); String nama2 = cariNamaBrg(kode2); hasil.setItem1(nama2 + " (" + ah.getItem().get(i) + ")"); hasil.setCount1(ah.getCount().get(i)); TextAreaHasil.append((i + 1) + ". " + "Jika konsumen membeli barang " + nama1 + " (" + ah.getCandidate().get(i) + ")" + " maka akan membeli barang " + nama2 + " (" + ah.getItem().get(i) + ")" + newline + "dengan support " + ah.getCount().get(i) + newline + newline); // TextAreaHasil.setText("\n"); } } }

} private void btnKembaliActionPerformed(java.awt.event.ActionEvent evt) { this.setVisible(false); Halaman_Home a = new Halaman_Home(); a.setVisible(true); } private void btnSaveActionPerformed(java.awt.event.ActionEvent evt) { JFileChooser fileOutput = new JFileChooser(new File("D:/"));


147

fileOutput.setFileFilter(new FileNameExtensionFilter("Microsoft Excel(*.xls)", "xls")); fileOutput.setFileFilter(new FileNameExtensionFilter("Microsoft Word(*.doc)", "doc")); fileOutput.setFileFilter(new FileNameExtensionFilter("Text Documents(*.txt)", "xls")); fileOutput.setFileFilter(new FileNameExtensionFilter("PDF(*.pdf)", "pdf")); FileOutputStream outputStream; int pilihanOutput = fileOutput.showSaveDialog(this); if (pilihanOutput == JFileChooser.APPROVE_OPTION) { String namaFileOutput = fileOutput.getSelectedFile().getPath(); String tipeFileOutput = fileOutput.getFileFilter().getDescription(); if (tipeFileOutput.equals("Microsoft Excel(*.xls)")) { File fileHasil = new File(namaFileOutput + ".xls"); try { outputStream = new FileOutputStream(fileHasil); } catch (FileNotFoundException fe) { fe.printStackTrace(); return; } try { TableModel tabelModel = TabelHasilProses.getModel(); FileWriter outputExcel = new FileWriter(fileHasil); for (int i = 0; i < tabelModel.getColumnCount(); i++) { outputExcel.write(tabelModel.getColumnName(i) + "\t"); } outputExcel.write("\n"); for (int i = 0; i < tabelModel.getRowCount(); i++) { for (int j = 0; j < tabelModel.getColumnCount(); j++) { outputExcel.write(tabelModel.getValueAt(i, j) + "\t"); } outputExcel.write("\n"); } outputExcel.close(); JOptionPane.showMessageDialog(null, "Penyimpanan Berhasil", "Pembeitahuan", JOptionPane.INFORMATION_MESSAGE); } catch (IOException ie) { JOptionPane.showMessageDialog(null, "Penyimpanan Gagal", "Pemberitahuan", JOptionPane.INFORMATION_MESSAGE); } } else if (tipeFileOutput.equals("Microsoft Word(*.doc)")) { File fileHasil = new File(namaFileOutput + ".doc"); try {

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI outputStream = new FileOutputStream(fileHasil); } catch (FileNotFoundException fe) { fe.printStackTrace(); return; } try { TableModel tabelModel = TabelHasilProses.getModel(); BufferedWriter outputWord = new BufferedWriter(new FileWriter(fileHasil)); for (int i = 0; i < tabelModel.getColumnCount(); i++) { outputWord.write(tabelModel.getColumnName(i) + "\t"); } outputWord.write("\n"); for (int i = 0; i < tabelModel.getRowCount(); i++) { for (int j = 0; j < tabelModel.getColumnCount(); j++) { outputWord.write(tabelModel.getValueAt(i, j) + "\t"); } outputWord.write("\n"); } outputWord.close();; JOptionPane.showMessageDialog(null, "Penyimpanan Berhasil", "Pembeitahuan", JOptionPane.INFORMATION_MESSAGE); } catch (IOException ie) { JOptionPane.showMessageDialog(null, "Penyimpanan Gagal", "Pemberitahuan", JOptionPane.INFORMATION_MESSAGE); } } else if (tipeFileOutput.equals("Text Documents(*.txt)")) { File fileHasil = new File(namaFileOutput + ".txt"); try { outputStream = new FileOutputStream(fileHasil); } catch (FileNotFoundException fe) { fe.printStackTrace(); return; } try { TableModel tabelModel = TabelHasilProses.getModel(); FileWriter outputtxt = new FileWriter(fileHasil); for (int i = 0; i < tabelModel.getColumnCount(); i++) { outputtxt.write(tabelModel.getColumnName(i) + "\t\t\t\t"); } outputtxt.write("\n"); for (int i = 0; i < tabelModel.getRowCount(); i++) { for (int j = 0; j < tabelModel.getColumnCount(); j++) { outputtxt.write(tabelModel.getValueAt(i, j) + "\t\t\t\t"); }

148


149

outputtxt.write("\n"); } outputtxt.close(); JOptionPane.showMessageDialog(null, "Penyimpanan Berhasil", "Pembeitahuan", JOptionPane.INFORMATION_MESSAGE); } catch (IOException ie) { JOptionPane.showMessageDialog(null, "Penyimpanan Gagal", "Pemberitahuan", JOptionPane.INFORMATION_MESSAGE); } } else if (tipeFileOutput.equals("PDF(*.pdf)")) { File fileHasil = new File(namaFileOutput + ".pdf"); try { outputStream = new FileOutputStream(fileHasil); } catch (FileNotFoundException fe) { fe.printStackTrace(); return; } try { TableModel tabelModel = TabelHasilProses.getModel(); FileWriter outputpdf = new FileWriter(fileHasil); for (int i = 0; i < tabelModel.getColumnCount(); i++) { outputpdf.write(tabelModel.getColumnName(i) + "\t\t\t\t"); } outputpdf.write("\n"); for (int i = 0; i < tabelModel.getRowCount(); i++) { for (int j = 0; j < tabelModel.getColumnCount(); j++) { outputpdf.write(tabelModel.getValueAt(i, j) + "\t\t\t\t"); } outputpdf.write("\n"); } outputpdf.close(); JOptionPane.showMessageDialog(null, "Penyimpanan Berhasil", "Pembeitahuan", JOptionPane.INFORMATION_MESSAGE); } catch (IOException ie) { JOptionPane.showMessageDialog(null, "Penyimpanan Gagal", "Pemberitahuan", JOptionPane.INFORMATION_MESSAGE); } } } } private void btnKembali1ActionPerformed(java.awt.event.ActionEvent evt) {


150

jTabbedPane1.setSelectedIndex(1); TextAreaHasil.setText(""); hapus(); candidate.clear();

//

} private void txtIndekKodeKeyPressed(java.awt.event.KeyEvent evt) { btnPrepocessing.setEnabled(true); }

11. Implementasi Kelas Halaman_Home /* * To change this template, choose Tools | Templates * and open the template in the editor. */ package VIEW; import javax.swing.JFrame; import javax.swing.JOptionPane; /** * * @author elsa */ public class Halaman_Home extends javax.swing.JFrame { /** * Creates new form Home */ public Halaman_Home() { initComponents(); }

private void btnKeluarHomeActionPerformed(java.awt.event.ActionEvent evt)


151

{ int result = JOptionPane.showConfirmDialog(null, "Apakah Anda yakin ingin keluar ?"); switch (result) { case JOptionPane.YES_OPTION: this.dispose(); break; case JOptionPane.NO_OPTION: break; case JOptionPane.CANCEL_OPTION: break; } // TODO add your handling code here: } private void btnMasukHomeActionPerformed(java.awt.event.ActionEvent evt) { this.setVisible(false); Halaman_Open frame = new Halaman_Open(); frame.setVisible(true); // TODO add your handling code here: }

12. Implementasi Kelas Halaman_Bantuan /* * To change this template, choose Tools | Templates * and open the template in the editor. */ package VIEW; import javax.swing.JFrame; /** * * @author elsa */ public class Halaman_Bantuan extends javax.swing.JFrame {

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI /** * Creates new form Bantuan */ public Halaman_Bantuan() { initComponents(); } private void btnHomeBantuanActionPerformed(java.awt.event.ActionEvent evt) { Halaman_Home home = new Halaman_Home(); home.setVisible(true); this.setVisible(false); }

152

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Recommend Documents