Pada bab ini dibahas mengenai uraian kesimpulan tentang sistem yang telah dibuat beserta saran yang dapat digunakan untuk penyempurnaan dan pengembangan sistem.
DAFTAR PUSTAKA
Pada bagian ini akan dipaparkan tentang sumber-sumber literatur yang digunakan dalam pembutan laporan ini.
LAMPIRAN
Pada bagian ini berisi tentang keseluruhan konfigurasi pada pembuatan sistem.
2.1. Sistem Pendukung Keputusan.
Sistem Pendukung Keputusan (SPK) adalah sistem berbasis komputer interaktif, yang membantu para pengambil keputusan untuk menggunakan data dan berbagai model untuk memecahkan masalah-masalah tidak terstruktur (Turban dkk, 2005). Sistem pendukung keputusan memadukan sumber daya intelektual dari individu dengan kapabilitas komputer untuk meningkatkan kualitas keputusan. SPK adalah sistem pendukung berbasis komputer bagi para pengambil keputusan manajemen yang menangani masalah-masalah tidak terstruktur (Turban dkk, 2005), (Keen dkk, 1978).
2.1.1. Konsep Dasar Sistem Pendukung Keputusan
Sistem Pendukung Keputusan (SPK) mulai dikembangkan pada tahun 1960-an, tetapi istilah sistem pendukung keputusan itu sendiri baru muncul pada tahun 1971, yang diciptakan oleh G. Anthony Gorry dan Micheal S.Scott Morton, keduanya adalah profesor di MIT. Hal itu mereka lakukan dengan tujuan untuk menciptakan kerangka kerja guna mengarahkan aplikasi komputer kepada pengambilan keputusan manajemen.
Sementara itu, perintis sistem pendukung keputusan yang lain dari MIT, yaitu Peter G.W. Keen yang bekerja sama dengan Scott Morton telah mendefenisikan tiga tujuan yang harus dicapai oleh sistem pendukung keputusan, yaitu:
a. Sistem harus dapat membantu manajer dalam membuat keputusan guna memecahkan masalah semi terstruktur.
b. Sistem harus dapat mendukung manajer,bukan mencoba menggantikannya. c. Sistem harus dapat meningkatkan efektivitas pengambilan keputusan
manajer.
Tujuan-tujuan tersebut mengacu pada tiga prinsip dasar sistem pendukung keputusan (Suryadi dan Ramdhani, 1998), yaitu:
a. Struktur masalah : untuk masalah yang terstruktur, penyelesaian dapat dilakukan dengan menggunakan rumus-rumus yang sesuai, sedangkan untuk masalah terstruktur tidak dapat dikomputerisasi. Sementara itu, sistem pendukung keputusan dikembangkan khususnya untuk menyelesaikan masalah yang semi-terstruktur.
b. Dukungan keputusan : sistem pendukung keputusan tidak dimaksudkan untuk menggantikan manajer, karena komputer berada di bagian terstruktur, sementara manajer berada dibagian tak terstruktur untuk memberikan penilaian dan melakukan analisis. Manajer dan komputer bekerja sama sebagai sebuah tim pemecah masalah semi terstruktur.
c. Efektivitas keputusan : tujuan utama dari sistem pendukung keputusan bukanlah mempersingkat waktu pengambilan keputusan, tetapi agar keputusan yang dihasilakn dapat lebih baik.
2.1.2. Kar akter istik Sistem Pendukung Keputusan.
Keputusan Sistem pendukung keputusan dirancang secara khusus untuk mendukung seseorang yang harus mengambil keputusan-keputusan tertentu. Ada beberapa karakteristik sistem pendukung keputusan (Oetomo, 2002), yaitu: a. Interaktif.
SPK memiliki user interface yang komunikatif sehingga pemakai dapat melakukan akses secara cepat ke data dan memperoleh informasi yang dibutuhkan.
b. Fleksibel.
SPK memiliki sebanyak mungkin variabel masukkan, kemampuan untuk mengolah dan memberikan keluaran yang menyajikan alternatif-alternatif keputusan kepada pemakai.
c. Data kualitas.
SPK memiliki kemampuan menerima data kualitas yang dikuantitaskan yang sifatnya subyektif dari pemakainya, sebagai data masukkan untuk pengolahan data. Misalnya: penilaian terhadap kecantikan yang bersifat kualitas, dapat dikuantitaskan dengan pemberian bobot nilai seperti 75 atau 90.
d. Prosedur Pakar.
SPK mengandung suatu prosedur yang dirancang berdasarkan rumusan formal atau juga beberapa prosedur kepakaran seseorang atau kelompok dalam menyelesaikan suatu bidang masalah dengan fenomena tertentu.
2.1.3. Komponen Sistem Pendukung Keputusan.
Komponen Sistem Pendukung Keputusan (Surbakti, 2002), komponen-komponen dari SPK adalah sebagai berikut:
a. Data Management.
Termasuk database, yang mengandung data yang relevan untuk berbagai situasi dan diatur oleh software yang disebut Database Management System (DBMS).
b. Model Management.
Melibatkan model finansial, statistikal, management science, atau berbagai model kualitatif lainnya, sehingga dapat memberikan ke sistem suatu kemampuan analitis, dan manajemen software yang dibutuhkan.
c. Communication.
User dapat berkomunikasi dan memberikan perintah pada DSS melalui subsistem ini. Ini berarti menyediakan antarmuka.
d. Knowledge Management.
Subsistem optional ini dapat mendukung subsistem lain atau bertindak atau bertindak sebagai komponen yang berdiri sendiri.
2.2. Teknik Klaster isasi.
(Santosa, 2007), Teknik klaster termasuk teknik yang sudah cukup dikenal dan banyak dipakai dalam data mining. Tujuan utama dari metode klasterisasi adalah mengelompokan sejumlah data/obyek ke dalam klaster (group) sehingga dalam setiap klaster akan berisi data yang semirip mungkin. Dalam klasterisasi kita berusaha untuk menempatkan obyek yang mirip (jarak dekat)
dalam satu klaster dan membuat jarak antar klaster sejauh mungkin. Ini berarti obyek dalam satu klaster sangat mirip satu sama lain dan berbeda dengan obyek dalam klaster-klaster yang lain.
Klasterisasi adalah salah satu teknik unsupervised learning dimana kita tidak perlu melatih metode tersebut atau dengan kata lain, tidak ada fase learning. Masuk dalam pendekatan unsupervised learning adalah metode-metode yang tidak membutuhkan label atau pun keluaran dari setiap data yang kita investigasi. Sebaliknya supervised learning adalah metode yang memerlukan training (melatih) dan testing (menguji).
Ada dua pendekatan dalam klasterisasi antara lain partisioning dan hirarki. Dalam partisioning kita mengelompokkan obyek x1, x2, …,xn ke dalam k klaster. Hal ini bisa dilakukan dengan menentukan pusat klaster awal, lalu dilakukan realokasi obyek berdasarkan criteria tertentu sampai dicapai pengelompokkan yang optimum. Dalam klaster hirarki, dimulai dengan membuat m klaster dimana setiap klaster beranggotakan satu obyek dan berakhir dengan satu klaster dimana anggotanya adalah m obyek. Pada setiap tahap dalam prosedurnya, satu klaster digabung dengan satu klaster yang lain.
2.2.1. Kar akter istik klaster isasi.
(M. Helmy dan Hariadi, 2011), Karakteristik klasterisasi dibagi menjadi 4, yaitu :
a. Partitioning clustering.
Partitioning clustering disebut juga exclusive clustering, dimana setiap data harus termasuk ke cluster tertentu. Karakteristik tipe ini juga
memungkinkan bagi setiap data yang termasuk cluster tertentu pada suatu tahapan proses, pada tahapan berikutnya berpindah ke cluster yang lain. Contoh : K-Means, residual analysis.
b. Hierarchical clustering.
Pada hierarchical clustering, Setiap data harus termasuk ke cluster tertentu. Dan suatu data yang termasuk ke cluster tertentu pada suatu tahapan proses, tidak dapat berpindah ke cluster lain pada tahapan berikutnya. Contoh: Single Linkage, Centroid Linkage, Complete Linkage, Average Linkage. c. Overlapping clustering.
Dalam overlapping clustering, setiap data memungkinkan termasuk ke beberapa cluster. Data mempunyai nilai keanggotaan (membership) pada beberapa cluster. Contoh: Fuzzy C-means, Gaussian Mixture.
d. Hybrid.
Karakteristik hybrid adalah mengawinkan karakteristik dari partitioning, overlapping dan hierarchical.
2.3. K-Means.
K-Means termasuk partitioning clustering yang memisahkan data ke k daerah bagian yang terpisah. K-means algorithm sangat terkenal karena kemudahan dan kemampuannya untuk mengklaster data besar dan data outlier dengan sangat cepat. Sesuai dengan karakteristik partitioning clustering, Setiap data harus termasuk ke cluster tertentu, dan memungkinkan bagi setiap data yang termasuk cluster tertentu pada suatu tahapan proses, pada tahapan berikutnya berpindah ke cluster yang lain (M. Helmy dan Hariadi, 2011).
Dalam teknik ini jika ingin mengelompokkan obyek ke dalam k kelompok atau klaster. Untuk melakukan klasterisasi, nilai k harus ditentukan terlebih dahulu. Biasanya user sudah mempunyai informasi awal tentang obyek yang sedang dipelajari termasuk beberapa jumlah klaster yang paling tepat. Secara detail bisa menggunakan ukuran ketidakmiripan untuk mengelompokkan obyek yang ada.ketidakmiripan bisa diterjemahkan dalam konsep jarak. Jika jarak dua obyek atau data titik cukup dekat, maka dua obyek mirip. Semakin dekat berarti semakin tinggi kemiripannya. Semakin tinggi nilai jarak, semakin tinggi ketidak miripannya (Santosa, 2007).
Algoritma K-Means (M. Helmy dan Hariadi, 2011):
a. Menentukan k sebagai jumlah cluster yang ingin dibentuk
b. Membangkitkan k centroid (titik pusat cluster) awal secara random c. Menghitung jarak setiap data ke masing-masing centroid
d. Setiap data memilih centroid yang terdekat
e. Menentukan posisi centroid baru dengan cara menghitung nilai rata-rata dari data data yang memilih pada centroid yang sama.
Karakteristik K-Means (M. Helmy dan Hariadi, 2011): a. K-means sangat cepat dalam proses clustering
b. K-means sangat sensitif pada pembangkitan centroids awal secara random c. Memungkinkan suatu cluster tidak mempunyai anggota
d. Hasil clustering dengan K-means bersifat tidak unik (selalu berubah-ubah)-terkadang baik, berubah-ubah)-terkadang jelek.
e. K-means sangat sulit untuk mencapai global optimum.
Gambar 2.3 Ilustrasi kelemahan K-means
2.3.1. Pener apan K-Means.
(Agusta, 2007), Beberapa alternatif penerapan K-Means dengan beberapa pengembangan teori teori penghitungan terkait telah diusulkan. Hal ini termasuk pemilihan:
a. Distance space untuk menghitung jarak di antara suatu data dan centroid b. Metode pengalokasian data kembali ke dalam setiap cluster
c. Objective function yang digunakan.
A. Distance Space Untuk Menghitung J ar ak Antar a Data dan Centroid. Beberapa distance space telah diimplementasikan dalam menghitung jarak (distance) antara data dan centroid termasuk di antaranya L1 (Manhattan/City Block) distance space, L2 (Euclidean) distance space, dan Lp
(Minkowski) distance space. Jarak antara dua titik x1 dan x2 pada Manhattan/City Block distance space dihitung dengan menggunakan rumus sebagai berikut :
∑
=−
=
−
=
p j j j Lx x x x x x
D
1 1 2 1 1 2 1 2 1( , )
……… (2.1) dimana : p : Dimensi data | . | : Nilai absoluteSedangkan untuk L2 (Euclidean) distance space, jarak antara dua titik dihitung menggunakan rumus sebagai berikut :
∑
= − = p j j j y x x y d 1 2 ) , ( ( )...(2.2)
Dengan d adalah jarak antara titik pada data x dan titik data y, dimana x = x1 , x2
,...xi dan y = y1 , y 2 ,... yi dan j merepresentasikan nilai atribut serta p merupakan dimensi atribut.
Lp (Minkowski) distance space yang merupakan generalisasi dari beberapa distance space yang ada seperti L1 (Manhattan/City Block) dan L2 (Euclidean), juga telah diimplementasikan. Tetapi secara umum distance space yang sering digunakan adalah Manhattan dan Euclidean.
Menghitung nilai centroid
i N k kj ij N X v i
∑
= = 1 ………..……… (2.3) dimana:i,k : indeks dari cluster j : indeks dari variabel
v_ij : centroid/rata-rata cluster ke-i untuk variabel ke-j
x_kj : nilai data ke-k yang ada di dalam cluster tersebut untuk variabel ke-j N_i : Jumlah data yang menjadi anggota cluster ke-i
B. Metode Pengalokasian Ulang Data ke Dalam Masing-Masing Cluster. Ada dua cara pengalokasian data kembali ke dalam masing-masing cluster pada saat proses iterasi clustering (Agusta, 2007), yaitu :
B.1. Hard K-Means
Pengalokasian kembali data ke dalam masing-masing cluster dalam metode Hard K-Means didasarkan pada perbandingan jarak antara data dengan centroid setiap cluster yang ada. Data dialokasikan ulang secara tegas ke cluster yang mempunyai centroid terdekat dengan data tersebut. Pengalokasian ini dapat dirumuskan sebagai berikut:
{ }
= = lainnya v x D d a ik min ( k i ) 0 1 , ……….. (2.4) dimana:aik: Keanggotaan data ke-k ke cluster ke-i vi : Nilai centroid cluster ke-i
B.2. Fuzzy K-Means.
Metode Fuzzy K-Means (atau lebih sering disebut sebagai Fuzzy C-Means) mengalokasikan kembali data ke dalam masing-masing cluster dengan memanfaatkan teori Fuzzy. Teori ini mengeneralisasikan metode pengalokasian yang bersifat tegas (hard) seperti yang digunakan pada metode Hard K-Means. Dalam metode Fuzzy K-Means dipergunakan variabel membership function, uik ,
yang merujuk pada seberapa besar kemungkinan suatu data bisa menjadi anggota ke dalam suatu cluster. Pada Fuzzy K-Means, diperkenalkan juga suatu variabel m yang merupakan weighting exponent dari membership function. Variabel ini dapat mengubah besaran pengaruh dari membership function, uik, dalam proses clustering menggunakan metode Fuzzy K-Means. m mempunyai wilayah nilai m>1. Sampai sekarang ini tidak ada ketentuan yang jelas berapa besar nilai m yang optimal dalam melakukan proses optimasi suatu permasalahan clustering. Nilai m yang umumnya digunakan adalah 2. Membership function untuk suatu data ke suatu cluster tertentu dihitung menggunakan rumus sebagai berikut :
∑
= − = c j m j k i k ik v x D v x D u 1 1 2 ) , ( ) , (……… (2.5)
dimana:u ik : Membership function data ke-k ke cluster ke-i v i : Nilai centroid cluster ke-i
m : Weighting Exponent
C. Objective Function.
Objective function yang digunakan khususnya untuk Hard K Means dan Fuzzy K-Means ditentukan berdasarkan pada pendekatan yang digunakan dalam poin 2.1. dan poin 2.2. Untuk metode Hard K-Means, objective function yang digunakan adalah sebagai berikut:
∑ ∑
= ==
N k c i i k ikD x v
a
V
U
J
1 1 2)
,
(
)
,
( ……… (2.6)
dimana:
N : Jumlah data c : Jumlah cluster
a ik : Keanggotaan data ke-k ke cluster ke-i v i : Nilai centroid cluster ke-i
a ik mempunyai nilai 0 atau 1. Apabila suatu data merupakan anggota suatu kelompok maka nilai a ik =1 dan sebaliknya.
Untuk metode Fuzzy K-Means, objective function yang digunakan adalah sebagai berikut :
∑ ∑
= ==
N k c i i k m ikD x v
u
V
U
J
1 1 2)
,
(
.
)
(
)
,
(
……… (2.7) dimana: N : Jumlah data c : Jumlah cluster m : Weighting exponentu ik : Membership function data ke-k ke cluster ke-i v i : Nilai centroid cluster ke-i
Di sini u ik bisa mengambil nilai mulai dari 0 sampai 1.
2.3.2. Per masalahan Terkait Dengan K-Means.
(Agusta, 2007) beberapa permasalahan yang sering muncul pada saat menggunakan metode K-Means untuk melakukan pengelompokan data adalah: a. Ditemukannya beberapa model clustering yang berbeda
b. Pemilihan jumlah cluster yang paling tepat c. Kegagalan untuk converge
d. Pendeteksian outliers
e. Bentuk masing-masing cluster f. Masalah overlapping.
Permasalahan pertama umumnya disebabkan oleh perbedaan proses inisialisasi anggota masing-masing cluster.
Permasalahan kedua merupakan masalah laten dalam metode K-Means. Beberapa pendekatan telah digunakan dalam menentukan jumlah cluster yang paling tepat untuk suatu dataset yang dianalisa termasuk di antaranya Partition Entropy (PE) dan GAP Statistics. Satu hal yang patut diperhatikan mengenai metode-metode ini adalah pendekatan yang digunakan dalam mengembangkan metode-metode tersebut tidak sama dengan pendekatan yang digunakan oleh K-Means dalam mempartisi data items ke masing-masing cluster.
Permasalahan ketiga, kegagalan untuk converge, kemungkinan besar akan terjadi untukmetode Hard K-Means, karena setiap data di dalam dataset dialokasikan secara tegas (hard) untuk menjadi bagian dari suatu cluster tertentu. Perpindahan suatu data ke suatu cluster tertentu dapat mengubah karakteristik model clustering yang dapat menyebabkan data yang telah dipindahkan tersebut lebih sesuai untuk berada di cluster semula sebelum data tersebut dipindahkan.
Permasalahan keempat, beberapa hal yang perlu diperhatikan dalam melakukan pendeteksian outliers dalam proses pengelompokan data termasuk bagaimana menentukan apakah suatu data item merupakan outliers dari suatu
cluster tertentu dan apakah data dalam jumlah kecil yang membentuk suatu cluster tersendiri dapat dianggap sebagai outliers.
Permasalahan kelima, K-Means umumnya tidak mengindahkan bentuk dari masing-masing cluster yang mendasari model yang terbentuk, walaupun secara natural masing-masing cluster umumnya berbentuk bundar. Untuk dataset yang diperkirakan mempunyai bentuk yang tidak biasa, beberapa pendekatan perlu untuk diterapkan.
Masalah overlapping sebagai permasalahan terakhir sering sekali diabaikan karena umumnya masalah ini sulit terdeteksi. Hal ini terjadi untuk metode Hard K-Means dan Fuzzy K-Means, karena secara teori, metode ini tidak diperlengkapi feature untuk mendeteksi apakah di dalam suatu cluster ada cluster lain yang kemungkinan tersembunyi.
2.4. Tek nik Membuat Skala.
(Nasir, 1998), Teknik membuat skala tidak lain dari teknik mengurutkan sesuatu dalam suatu kontinum. Teknik membuat skala ini penting dalam penelitian ilmu-ilmu sosial, karena banyak data dalam ilmu-ilmu sosial mempunyai sifat kualitatif. Sehingga ada pendapat teknik membuat skala adalah cara mengubah fakta-fakta kualitatif (atribut) menjadi suatu urutan kuantitatif (variabel).
Dalam membuat skala, item yang diukur biasanya berasal dari sampel. Dari sampel tersebut ingin dibuat inferensi terhadap populasi. Peneliti harus mengetahui tentang populasi beserta sifat-sifatnya dan harus yakin bahwa sampel tersebut dapat mewakili populasi, oleh karena itu, skala yang dibuathanya cocok
untuk populasi tertentu. Penggunaan skala untuk populasi lain dengan sampel yang ada harus dipertimbangkan. Karena kecurigaan tentang baik tidaknya sebuah sampel untuk mewakili populasi, telah banyak mengajak peneliti untuk menilai validasi dari skala yang dibuat. Di samping validasi, skala juga harus mempunyai reliabilitas yang cukup tinggi.
Banyak jenis skala yang dikembangkan dalam ilmu-ilmu social, antara lain :
a. Skala jarak social (skala Bogardus dan Sosiogram). b. Skala penilaian (rating scales).
c. Skala membuat ranking.
d. Skala konsistensi internal (skala Thurstone). e. Skala likert.
f. Skala komulatif Guttman. g. Semantic differential.
2.4.1. Skala Guttman.
(Nasir, 1998), Skala Guttman dikembangkan oleh Louis Guttman. Skala ini mempunyai ciri penting, yaitu merupakan skala kumulatif dan mengukur satu dimensi saja dari satu variabel yang multi dimensi, sehingga skala ini termasuk mempunyai sifat undimensional.
Skala Guttman yang disebut juga metode scalogram atau analisa skala (scale analysis) sangat baik untuk menyakinkan peneliti tentang kesatuan dimensi dari sikap atau sifat yang diteliti, yang sering disebut isi universal (universe of content) atau atribut universal (universe attribute). Dalam prosedur Guttman,
suatu atribut universal mempunyaidimensi satu jika menghasilkan suatu skala kumulatif yang sempurna,yaitu semua responsi diatur sebagai berikut:
Tabel 2.1. Tabel Responsi Skala Guttman.
Setuju dengan tidak setuju dengan
Skor 4 3 2 1 1 2 3 4 4 x x x x 3 x x x x 2 x x x x 1 x x x x 0 x x x x
Pada pertanyaan yang lebih banyak pola ini tidak ditemukan secara utuh. Adanya beberapa kelainan dapat dianggap sebagai error yang akan diperhitungkan dalam analisa nantinya.
Koefisien Reprodusibilitas, yang mengukur derajat ketepatan alat ukur yang telah dibuat, dihitung dengan menggunakan rumus berikut:
n
e
K
r=1−
……….…….… (2.8)Dimana :
n = total kemungkinan jawaban, yaitu jumlah pertanyaan x jumlah responden e = jumlah error
Kr = Koefisien reprodusibilitas
Kr dianggap baik jika nilai Kr > 0,90, maka skala Guttman dianggap cukup baik untuk digunakan.
Langkah selanjutnya adalah mencari nilai Ks (Koefisien Skalabilitas) Koefisien ini dicari dengan rumus :
p
e
Dimana :
e = Jumlah error
p = Jumlah kesalahan yang diharapkan Ks = Koefisien skalabilitas
Untuk menghitung nilai P = 0,5 x m Dimana :
M = total kesalahan
Ks dianggap baik jika nilai Ks > 0,6, maka skala Guttman dianggap cukup baik untuk digunakan.
2.5. Mengenal DBMS.
Sistem manajemen basis data (database management system, DBMS), atau kadang disingkat SMBD, adalah suatu sistem atau perangkat lunak yang dirancang untuk mengelola suatu basis data dan menjalankan operasi terhadap data yang diminta banyak pengguna. Contoh tipikal SMBD adalah akuntansi, sumber daya manusia, dan sistem pendukung pelanggan, SMBD telah berkembang menjadi bagian standar di bagian pendukung (back office) suatu perusahaan. Contoh SMBD adalah Oracle, SQL server 2000/2003, MS Access, MySQL dan sebagainya.
DBMS merupakan perangkat lunak yang dirancang untuk dapat melakukan utilisasi dan mengelola koleksi data dalam jumah yang besar. DBMS juga dirancang untuk dapat melakukan masnipulasi data secara lebih mudah. Sebelum adanya BMS maka data pada umumnya disimpan dalam bentuk flat file,
yaitu file teks yang ada pada sistem operasi. Sampai sekarangpun masih ada aplikasi yang menimpan data dalam bentuk flat secara langsung. Menyimpan data dalam bentuk flat file mempunyai kelebihan dan kekurangan. Penyimpanan dalam bentuk ini akan mempunyai manfaat yang optimal jika ukuran filenya relatif kecil, seperti file password. File password pada umumnya hanya igunakan untuk menyimpan nama yang jumlahnya tidak lebih dari 1000 orang. Selain dalam bentuk flat file, penyimpanan data juga dapat dilakukan dengan menggunakan program bantu seperti spreadsheet. Penggunaan perangkat lunak ini memperbaiki beberapa kelemahan dari flat file, seperti bertambahnya kecepatan dalam pengolahan data. Namun demikian metode ini masih memiliki banyak kelemahan, diantaranya adalah masalah manajemen dan keamanan data yang masih kurang. Penyimpanan data dalam bentuk DBMS mempunyai banyak manfaat dan kelebihan dibandingkan dengan penyimpanan dalam bentuk flat file atau spreadsheet, diantaranya :
a. Performance yang idapat dengan penyimpanan dalam bentuk DBMS cukup besar, sangat jauh berbeda dengan performance data yang disimpan dalam bentuk flat file. Disamping memiliki unjuk kerja yang lebih baik, juga akan didapatkan efisiensi penggunaan media penyimpanan dan memori
b. Integritas data lebih terjamin dengan penggunaan DBMS. Masalah redudansi sering terjadi dalam DBMS. Redudansi adalah kejadian berulangnya data atau kumpulan data yang sama dalam sebuah database yang mengakibatkan pemborosan media penyimpanan.
c. Independensi. Perubahan struktur database dimungkinkan terjadi tanpa harus mengubah aplikasi yang mengaksesnya sehingga pembuatan antarmuka ke dalam data akan lebih mudah dengan penggunaan DBMS. d. Sentralisasi. Data yang terpusat akan mempermudah pengelolaan database.
kemudahan di dalam melakukan bagi pakai dengan DBMS dan juga kekonsistenan data yang diakses secara bersama-sama akan lebiih terjamin dari pada data disimpan dalam bentuk file atau worksheet yang tersebar. e. Sekuritas. DBMS memiliki sistem keamanan yang lebih fleksibel daripada
pengamanan pada file sistem operasi. Keamanan dalam DBMS akan memberikan keluwesan dalam pemberian hak akses kepada pengguna.
2.6. Mengenal MySQL.
Berikut ini akan dijelaskan mengenai beberapa definisi MySQL untuk memperjelas pengertian tentang software ini :
a. MySQL adalah sistem pengaturan relational database.
Suatu relational database, menyimpan data dalam bentuk tabel-tabel yang kemudian akan diletakkannya semua data dalam satu ruang penyimpanan yang besar.
b. MySQL adalah Open Source Software (perangkat lunak).
Open Source artinya bahwa software tersebut memungkinkan untuk digunakan dan dimodifikasi oleh siapa saja.
c. MySQL menggunakan GPL (GNU General Public License)
Untuk menentukan apakah seseorang memenuhi persyaratan untuk menggunakan software tersebut dalam situasi yang berbeda. Jika seseorang
merasa tidak nyaman dengan GPL atau ingin menggunakan MySQL untuk aplikasi bisnis, maka orang tersebut dapat membeli lisensi yang bersifat komersial.
2.6.1. Keistimewaan MySQL.
MySQL memiliki beberapa keistimewaan, antara lain :
a. Portabilitas. MySQL dapat berjalan stabil pada berbagai sistem operasi seperti Windows, Linux, FreeBSD, Mac Os X Server, Solaris, Amiga, dan masih banyak lagi.
b. Open Source. MySQL didistribusikan secara open source, dibawah lisensi GPL sehingga dapat digunakan secara cuma-cuma.
c. Multiuser. MySQL dapat digunakan oleh beberapa user dalam waktu yang bersamaan tanpa mengalami masalah atau konflik.
d. Performance tuning. MySQL memiliki kecepatan yang menakjubkan dalam menangani query sederhana, dengan kata lain dapat memproses lebih banyak SQL per satuan waktu.
e. Jenis Kolom. MySQL memiliki tipe kolom yang sangat kompleks, seperti signed / unsigned integer, float, double, char, text, date, timestamp, dan lain-lain.
f. Perintah dan Fungsi. MySQL memiliki operator dan fungsi secara penuh yang mendukung perintah Select dan Where dalam perintah (query).