11
PADA TENDENCIES STORE
Friday Kurniasih 2060 9300 4112
PROGRAM STUDI SISTEM INFORMASI
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI
SYARIF HIDAYATULLAH
JAKARTA
ABSTRAK
Friday Kurniasih, Analisa Dan Perancangan Data Mining Dengan Metode Market Basket Analysis Untuk Analisa Pola Belanja Konsumen Pada Tendencies Store, dibimbing oleh Ir. Bakrie La Katjong, MT, M.Kom, dan Nia Kumala Dewi , MMSi
Perkembangan teknologi komputasi dan media penyimpanan telah
memungkinkan manusia untuk mengumpulkan dan menyimpan data dari berbagai
sumber dengan jumlah yang besar. Fenomena tersebut dapat terjadi dalam
berbagai bidang kehidupan termasuk dalam dunia bisnis. Salah satu sumber
informasi yang dapat digunakan untuk membantu kegiatan penjualan perusahaan
adalah sistem database. Cara lain untuk mendapatkan informasi berharga dari data transaksi adalah dengan menggunakan metode data mining. Saat ini database yang dimiliki oleh Tendencies Store belum dimanfaatkan secara optimal. Kondisi ini mengakibatkan banyak data yang tersimpan tetapi sedikit informasi yang bisa
digunakan untuk mendukung pengambilan keputusan yang strategis. Tendencies
Store memerlukan tambahan data bagi manager untuk melakukan pembuatan keputusan strategi yang mampu meningkatkan profit perusahaan. Hal tersebut yang melatar belakangi penulis untuk membuat sistem data mining yang berfungsi untuk mensimulasikan assosiasi item product antara satu product dengan item product lainnya. Data yang di pakai sebagai bahan pengolahan berasal dari data transaksi Tendencies Store. Sistem data mining ini dikembangkan memakai metode pengembangan sistem Rapid Application Development (RAD) dengan pemodelan visual menggunakan Unified Modeling Languange (UML). Pada akhirnya, sistem ini digunakan untuk memberikan simulasi mengenai aturan
KATA PENGANTAR Bismillahirrahmannirrahiim
Segala puji dan syukur penulis panjatkan kepada Allah SWT, Yang Maha
Kuasa dan telah memberikan berkah dan anugerahNya kepada penulis sehingga
penulis mampu melaksanakan tugas untuk menyelesaikan skripsi ini dengan
sebaik-baiknya. Shalawat serta salam tak lupa juga penulis haturkan kepada
junjungan kita Nabi Besar Muhammad SAW.
Skripsi ini penulis buat sebagai syarat kelulusan dalam menempuh
pendidikan jenjang Strata-1 (S1) di Universitas Islam Negeri Syarif Hidayatullah
Jakarta. Selain itu juga penulis berharap apa yang penulis teliti, yang dijelaskan di
dalam skripsi ini, dapat dipergunakan dengan baik oleh semua pihak yang
membutuhkan, sehingga perkembangan ilmu pengetahuan dan teknologi
khususnya di Program Studi Sistem Informasi UIN Syarif Hidayatullah Jakarta
dapat lebih maju dan lulusannya dapat bekerja secara kooperatif dengan semua
elemen informatika dari seluruh dunia.
Pada kesempatan ini, penulis mengucapkan terima kasih kepada pihak-pihak
yang telah membantu penulis menyelesaikan skripsi ini :
1. Bapak Dr. Syopiansyah Jaya Putra M.Sis selaku Dekan Fakultas Sains dan
Teknologi.
2. Ibu Nur Aeni Hidayah, MMSi, selaku ketua Program Studi Sistem
Informasi Non-Reguler.
3. Nia Kumaladewi, MMSi selaku Dosen Pembimbing I dan Ir. Bakri La
Katjong, MT, M.Kom selaku Dosen Pembimbing II.
4. Bapak dan Ibu penguji yang memberikan kritik dan saran pada skripsi ini.
5. Dosen-Dosen Fakultas Sains dan Teknologi yang telah mengajarkan
kepada penulis berbagai macam ilmu yang dapat penulis terapkan dalam
6. Kedua orang tua penulis, Bapak Drs. Wassidi, S.Pol dan Ibu Poentowati,
yang telah memberikan dukungan moril, semangat dan materil sehingga
memperlancar proses penyusunan skripsi ini.
7. Ketiga kakak – kakak penulis , Alim Widodo, SE, Dewi hestina wassidi, S.Pol, dan Fery Dayanti yang telah menjadi tempat penulis melepaskan
penat dalam penyusunan Skripsi ini.
8. Teman-Teman seperjuangan TI-SI UIN 2006, terima kasih atas dukungan
kalian semua.
9. Kerabat terdekat M.Arief Putranto, S.kom , bapak Taufik Sutanto , dan
semua pihak yang tidak dapat penulis sebutkan satu persatu.
Penulis menyadari masih terdapat banyak kekurangan dalam penelitian ini,
baik penulisan maupun aplikasinya sendiri. Oleh karena itu penulis mengharapkan
saran dan kritik yang dapat membangun skripsi ini lebih baik lagi.
Jakarta, Desember 2011
PERNYATAAN
DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI
BENAR-BENAR HASIL KARYA SENDIRI YANG BELUM PERNAH DIAJUKAN
SEBAGAI SKRIPSI ATAU KARYA ILMIAH PADA PERGURUAN TINGGI
ATAU LEMBAGA MANAPUN.
Jakarta, Desember 2011
FRIDAY KURNIASIH 2060 9300
DAFTAR ISI
BAB I PENDAHULUAN
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 4
1.3 Batasan Masalah ... 4
1.4 Tujuan Penelitian ... 5
1.5 Manfaat Penelitian... 6
1.6 Metodologi Penelitian ... 7
1.6.1 Metode Pengumpulan Data ... 7
1.6.1.1Studi Lapangan ... 7
1.6.1.2Literatur Sejenis ... 8
1.6.2 Metode Pengembangan Sistem ... 8
1.6.3 Metode Analisa Data ... 9
1.7 Sistematika Penulisan ... 9
BAB II LANDASAN TEORI 2.1 Pengertian Pola Belanja Konsumen ... 11
2.1.1 Faktor – Faktor yang Mempengaruhi Pola Belanja Konsumen 11 2.2 Pengertian Data Mining ... 12
2.3 Tahapan Data Mining... 14
2.4 Model Data Mining ... 17
2.4.2 Model Deskripsi ... 17
2.5 Jenis Pembelajaran Data Mining ... 18
2.6 Metode Data Mining ... 19
2.6.1 Classification ... 19
2.6.2 Regression ... 20
2.6.3 Clustering ... 21
2.6.4 Association Rules ... 22
2.7 Algoritma Apriori ... 24
2.8 Database Management System (DBMS) ... 28
2.8.1 Software DBMS ... 29
2.8.2 Keuntungan DBMS ... 29
2.8.3 Kelemahan DBMS ... 30
2.9 Web Server ... 31
2.9.1 Definisi Web Server ... 31
2.9.2 Macam-macam Web Server ... 31
2.9.3 Cara Kerja Web Server ... 32
2.10 Perangkat Lunak yang digunakan ... 33
2.10.1 SQL Server 2008 ... 33
2.10.2 Tipe Data dalam SQL Server 2008 ... 34
2.10.3 Batasan SQL Server 2008 ... 35
2.11 Unified Modelling Language (UML) ... 36
2.11.1 Definisi Unified Modelling Language ... 36
BAB III METODOLOGI PENELITIAN
3.1 Lokasi dan Waktu Penelitian ... 47
3.2 Sarana Pendukung Aplikasi ... 48
3.3 Metode Pengumpulan Data ... 48
3.3.1 Observasi ... 48
3.3.2 Wawancara ... 49
3.3.3 Studi Literatur Sejenis ... 50
3.4 Metode Pengembangan Sistem ... 50
3.4.1 Fase Perencanaan Syarat (Requirement Planning) . ... 51
3.4.2 Fase Perancangan (Workshop Design). ... 53
3.4.3 Fase Konstruksi dan Pelaksanaan (Implementation) ... 53
3.5 Metode Analisa Data ... 56
3.6 Gambaran Proses Perancangan dan Analisa Data Mining ... 57
BAB 4 ANALISA DAN PEMBAHASAN 4.1 Fase Perencanaan Syarat (Requirement Planning) ... 58
4.1.1 Gambaran Umum Perusahaan ... 58
4.1.1.1 Sejarah Singkat ... 58
4.1.1.2 VISI dan MISI Tendencies Store... 59
4.1.1.3 Struktur Organisasi ... 60
4.1.2 Analisa Sistem Berjalan ... 60
4.1.2.1 Identifikasi Masalah ... 61
4.1.3 Analisa Sistem Usulan ... 62
4.1.3.2 Tujuan Data Mining... 66
4.2 Workshop Design (Perancangan) ... 67
4.2.1 Desain Sistem ... 68
4.2.1.1 Penentuan Actor ... 68
4.2.1.2 UseCaseDiagram ... 69
4.2.1.3 Use Case Scenario ... 71
4.2.1.4 ActivityDiagram ... 80
4.2.1.5 SequenceDiagram ... 92
4.3 Desain Basis Data ... 116
4.3.1 Identifikasi Objek ... 116
4.3.2 Perancangan Class Diagram ... 119
4.3.3 Struktur Data ... 122
4.4 Desain Antar Muka (User Interface) ... 125
4.4.1 Halaman Admin ... 125
4.4.2 Halaman Untuk Admin, Manager, Customer ... 129
4.4.2 Halaman Manager ... 130
4.5 Fase Konstruksi dan Pelaksanaan ... 130
4.5.1 Penerapan Tahapan Data Mining ... 130
4.5.1.1 Pembuatan Database di Sql Server 2008 ... 131
4.5.1.2 Pembersihan data (data cleaning) ... 134
4.5.1.3 Integrasi Data (Data Integration) ... 136
4.5.1.4 Seleksi data (Data Selection) ... 143
4.5.1.6 Proses DataMining ... 152
4.5.1.6.1 Prinsip Kerja Metode Market Basket Analysis 160 4.5.1.7 Evaluasi Pola (Pattern Evaluation) ... 167
4.5.1.8 Implementasi Aplikasi ... 173
4.5.1.9 Pengujian Web Cross-Sell Application ... 176
4.5.1.10 Implementasi Jaringan ... 177
BAB V KESIMPULAN DAN SARAN 5.1 KESIMPULAN ... 179
5.2 SARAN ... 180
Gambar 2.1 Faktor-faktor yang mempengaruhi tingkah laku Konsumen ... 12
Gambar 2.2 Tahapan-tahapan DataMining ... 16
Gambar 2.3 Contoh Clustering ... 22
Gambar 2.4 Contoh Algoritma Apriori ... 26
Gambar 2.5 Flowchart Ilustrasi Algoritma Apriori ... 28
Gambar 2.6 Contoh UseCaseDiagram ... 38
Gambar 4.1 Struktur Organisasi Tendencies ... 60
Gambar 4.2 Proses Pengolahan Data Transaksi... 61
Gambar 4.3 Proses Pengolahan Data Transaksi Sistem Usulan ... 64
Gambar 4.4 Use Case Diagram Web Cross Sell Application ... 71
Gambar 4.11 ActivityDiagramUseCase Transaksi ... 88
Gambar 4.12 ActivityDiagramUseCase Laporan ... 90
Gambar 4.13 ActivityDiagramUseCaseSearchItem ... 91
Gambar 4.14 Sequence Diagram Use Case Login ... 91
Gambar 4.15 Sequence Diagram Use Case Logout ... 94
Gambar 4.16 Sequence DiagramUse Case DataProducts ... 95
Gambar 4.17 Sequence Diagram Use Case Data Brands ... 98
Gambar 4.19 Sequence Diagram Data Type ... 101
Gambar 4.26 State Chart Diagram Data Brands ... 111
Gambar 4.27 State Chart Diagram Data Category ... 112
Gambar 4.28 State Chart Diagram Data Type ... 113
Gambar 4.29 State Chart Diagram Data Transaksi ... 114
Gambar 4.30 State Chart Diagram Laporan ... 115
Gambar 4.31 State Chart Diagram Search Item ... 116
Gambar 4.32 Class Diagram ... 120
Gambar 4.33 Desain Antar Muka Halaman Login ... 125
Gambar 4.34 Desain Antar Muka Halaman Data MasterCategory ... 127
Gambar 4.35 Desain Antar Muka Halaman Data MasterType ... 126
Gambar 4.36 Desain Antar Muka Halaman Data MasterBrands ... 127
Gambar 4.37 Desain Antar Muka Halaman Data MasterProducts ... 127
Gambar 4.38 Desain Antar Muka Halaman Data MasterUser ... 128
Gambar 4.39 Desain Antar Muka Halaman Data Transaksi ... 128
Gambar 4.40 Desain Antar Muka About Me ... 129
Gambar 4.41 Desain Antar Muka Halaman Pencarian Data ... 129
Gambar 4.42 Desain Antar Muka Halaman Manager Dashboard ... 130
Gambar 4.43 Manajemen Konfigurasi Sql Server ... 131
Gambar 4.44 KoneksikeBasis Data... 132
Gambar 4.45 Tree View dari skema Sql Server 2008... 133
Gambar 4.46 Pembuatan Basis Data ... 134
Gambar 4.47 Data Awal Transaksi Penjualan Tendencies Store ... 135
Gambar 4.48 Pembersihan dan Pengklasifikasian Data Transaksi ... 136
Gambar 4.50 Wizard Impor dan Ekspor Sql Server 2008 ... 137
Gambar 4.51 Proses Pemilihan Data Sumber ... 138
Gambar 4.52 Proses Pemilihan DataDestination ... 139
Gambar 4.53 Proses Pemilihan Atribut Pengkopian Data ... 140
Gambar 4.54 Proses pemilihan sourcetable and view ... 141
Gambar 4.55 Proses Penyimpanan Langkah-langkah Impor dan Ekspor ... 142
Gambar 4.56 Proses Penyelesaian Impor dan Ekspor Data ... 142
Gambar 4.57 SQL Server Business Intelligence Development ... 143
Gambar 4.58 Proses PembuatanProyek Analysis Service baru ... 144
Gambar 4.59 Proses Pembuatan Data Source ... 145
Gambar 4.60 Proses Pemilihan Data Source untuk Koneksi Data Mining ... 146
Gambar 4.61 Manajemen Koneksi Basis Data ... 147
Gambar 4.62 Impersonation Information ... 148
Gambar 4.63 Proses Penyelesaian Pembuatan Data Source ... 148
Gambar 4.64 Proses Pembuatan Data Source View ... 149
Gambar 4.65 Proses Pemilihan Data Source untuk Data Source View ... 150
Gambar 4.66 Proses Pemilihan Relasi Primary Key ... 150
Gambar 4.67 Proses Pemilihan Table dan View ... 151
Gambar 4.68 Proses Penyelesaian Pembuatan Data Source View ... 152
Gambar 4.69 Proses Pembuatan Data Mining ... 153
Gambar 4.70 Proses Pemilihan Struktur Data Mining ... 154
Gambar 4.71 Proses Pemilihan Teknik Data Mining ... 155
Gambar 4.72 Proses Pemilihan Data SourceView ... 156
Gambar 4.73 Proses Pemilihan Tabel Database ... 157
Gambar 4.74 Proses Pemilihan Columns Basis Data ... 158
Gambar 4.75 Proses Penyelesaian Data Mining ... 158
Gambar 4.76 Proses Pembuatan Set Pengujian Data ... 159
Gambar 4.77 Proses Pembuatan Model DataMining ... 160
Gambar 4.78 Hasil proses Pembuatan Mining Model ... 167
Gambar 4.79 Hasil Proses DataMining Tendencies Store ... 168
Gambar 4.81 Hasil 1-itemsetData Mining Tendecies Store ... 170
Gambar 4.82 Hasil 2-itemsetData Mining Tendecies Store ... 171
Gambar 4.83 Antar MukaHalaman Utama Web Cross-Sell Application ... 173
Gambar 4.84 AntarMukaHalaman Administrator ... 174
Gambar 4.85 AntarMukaHalamanManajer ... 174
Gambar 4.86 Contoh Hasil Web Cross-Sell Application ... 175
DAFTAR TABEL
Tabel 2.1 Contoh Data Kredit Bank ... 19
Tabel 2.2 Contoh Data Harga Rumah ... 21
Tabel 2.3 Tipe Data Sql Server 2008 ... 35
Tabel 2.4 Batasan dalam SQL Server 2008 ... 36
Tabel 2.5 Perbandingan Pengembangan Literatur Sejenis ... 43
Tabel 4.1 Daftar Permodelan Use Case Diagram ... 70
Tabel 4.16 Tabel Database tb_categories ... 123
Tabel 4.17 Tabel Database tb_product ... 124
Tabel 4.18 Tabel Database tb_transactions ... 124
Tabel 4.19 Frekuensi Kombinasi 1-Itemset ... 162
Tabel 4.20 C1 (kandidat 2-itemset) ... 162
DAFTAR SIMBOL
SIMBOL FLOWCHART
(Pressman, 2005)
Simbol Nama Simbol Keterangan
Simbol dokumen
Simbol visual display unit atau
cathode ray tube
SIMBOL USE-CASE MODEL DIAGRAMS
(Whitten, 2004)
Simbol Keterangan
Actor
Use case
Association
Extends
Uses (includes)
Depends on
Inheritance Actor1
«uses»
«uses» <<depends on>>
SIMBOL CLASS DIAGRAM
(Whitten, 2004)
Simbol Keterangan
Class
1. class name
2. attributes
3. behaviors
Association
Agregation
Generalization
Class 1 2 3
SIMBOL SEQUENCE DIAGRAM
(Whitten, 2004)
Simbol Keterangan
Actor
Object
Lifeline
Massages
Behaviors (operations)
SIMBOL ACTIVITY DIAGRAM
(Whitten, 2004)
Simbol Keterangan
Activity
Initiate Activities
Start of the Process
Termination of the Process
Synchronization Bar
BAB I
PENDAHULUAN
1.8 Latar Belakang
Perkembangan teknologi komputasi dan media penyimpanan telah memungkinkan manusia untuk mengumpulkan dan menyimpan data dari berbagai sumber dengan jumlah yang besar. Fenomena tersebut dapat terjadi dalam berbagai bidang kehidupan termasuk dalam dunia bisnis.
penelitian yang bertujuan untuk membuat sebuah aplikasi data mining menggunakan aturan asosiasi dengan metode apriori. Yogi, Rian dan Gerry (2006) melakukan penelitian yang menyajikan penggunaan data mining dalam menemukan pengetahuan mengenai asosiasi antar jenis item di CV JP Bogor. Pemodelan asosiasi menggunakan algoritma Apriori dan pemrosesannya dibantu dengan software Clementine. Bayu (2010) melakukan penelitian analisis terhadap data transaksi penjualan sebuah perusahaan ritel umum yang bergerak di bidang fotografi, fotokopi, medical imaging,
printing, dan telekomunikasi. Keanekaragaman produk ini menghasilkan kemungkinan kombinasi produk yang lebih beragam pula. Gregorius dan Yulia (2009) Pada penelitian ini mereka mengkombinasikan dua macam model rule, yaitu: Multilevel Association Rule serta Multidimesional Association Rule. Aplikasi yang dibuat pada penelitian ini menghasilkan sebuah modelassociation rule
Dalam dunia bisnis, persaingan antar perusahaan untuk memasarkan produk tidak bisa dilepaskan dari pemanfaatan teknologi informasi. Salah satu sumber informasi yang dapat digunakan untuk membantu kegiatan penjualan perusahaan adalah sistem database. Cara untuk mendapatkan informasi berharga dari data transaksi adalah dengan menggunakan metode data mining.
Data Mining merupakan suatu proses otomatis atau semi otomatis untuk menemukan informasi (knowledge) baru yang memiliki potensi dari sekumpulan data (Tang & Jamie, 2005).
Tendencies Store merupakan salah satu distro yang berkembang cukup pesat dengan memiliki cabang sebanyak 2 (dua) lokasi dalam waktu 2 (dua) tahun. Akan tetapi dengan banyaknya distro-distro
Saat ini database yang dimiliki oleh Tendencies Store belum dimanfaatkan secara optimal. Kondisi ini mengakibatkan banyak data yang tersimpan tetapi sedikit informasi yang bisa digunakan untuk mendukung pengambilan keputusan yang strategis. Informasi yang dapat dihasilkan adalah informasi mengenai aturan assosiasi
item untuk mengetahui pola belanja konsumen.
Oleh karena itu pada penelitian tugas akhir ini penulis
mengambil judul ”Analisa Dan Perancangan Data Mining Dengan
Metode Market Basket Analysis Untuk Analisa Pola Belanja
Konsumen pada Tendencies Store“ .
Diharapkan hasil dari penelitian ini dapat membantu peran pengambil keputusan (manager) pada Tendencies Store dalam menganalisa data transaksi penjualan untuk mendukung pembuatan kebijakan maupun perencanaan strategi pemasaran yang efektif.
1.9 Rumusan Masalah
Pada tugas akhir ini, masalah yang penulis rumuskan adalah : Bagaimana merancang data mining pada perusahaan Tendencies
Store untuk memperoleh pola belanja konsumen ?
1.10 Batasan Masalah
1. Pengolahan data transaksi dilakukan dengan menggunakan
Database Management System yang digunakan adalah MS-SQL Server 2008. menggunakan 6 tahapan Data Mining.
2. Analisa data dilakukan dengan menggunakan metode Market Basket Analysis atau yang lebih dikenal sebagai analisa pola belanja konsumen. Hasil analisa ini kemudian dapat dibuat menjadi laporan berupa hardcopy (cetak) ataupun on-screen (dapat dilihat di layar komputer).
3. Akses informasi yang diberikan kepada customer maupun internal
Tendencies Store adalah berupa aplikasi berbasiskan web yang hanya dapat di akses di Tendecies Store atau yang biasa disebut sebagai intranet.
4. Data yang digunakan adalah data transaksi penjualan pada Tendencies Store pada tanggal 14 Mei sampai dengan 20 Mei 2010 5. Bahasa pemrogaman pada tugas akhir ini menggunakan VB.Net
2008.
6. Metode pengumpulan data menggunakan observasi, wawancara dan studi literatur.
7. Penulisan tugas akhir ini tidak membahas tentang keamanan
database dan arsitektur jaringan yang dipakai secara mendetail. 8. Sistem ini merupakan simulasi dari data transaksi yang ada di
9. Penulisan tugas akhir ini tidak membandingkan antara metode
data mining satu dengan metode lainya.
1.4 Tujuan Penelitian
1. Menggali informasi dan melakukan analisa data mining dengan metode Market Basket Analysis untuk mengetahui aturan assosiasi
item dari data transaksi penjualan Tendencies Store sehingga manajer mendapatkan informasi lebih yang dapat digunakan untuk pengambilan keputusan atau kebijakan strategis perusahaan
2. Menampilkan hubungan assosiasi item dalam bentuk web cross-sell application sederhana yang dapat digunakan oleh customer untuk mengetahui item item yang saling berkaitan.
1.5 Manfaat Penelitian
a. Bagi Penulis
1. Memenuhi tugas akhir sebagai syarat untuk menyelesaikan studi Strata 1 (S-1) Sistem Informasi.
2. Menerapkan pengetahuan mengenai data mining pada kasus nyata.
b.Bagi Universitas
1. Mengetahui kemampuan mahasiswa dalam menguasai materi teori yang diperoleh selama kuliah.
2. Mengetahui kemampuan mahasiswa dalam menerapkan ilmunya dan sebagai bahan evaluasi.
3. Memberikan gambaran tentang kesiapan mahasiswa dalam menghadapi dunia kerja dari hasil yang diperoleh selama kuliah.
c. Bagi Perusahaan
1. Memberikan informasi mengenai pola belanja konsumen perusahaan.
2. Sebagai bahan masukan untuk mendukung pengambilan keputusan strategi pemasaran yang efektif.
1.6 Metodologi Penelitian
1.6.1 Metode Pengumpulan Data
Metode pengumpulan data dilakukan dengan dua cara yaitu studi lapangan dan studi literatur sejenis (Gulo, 2002).
1.6.1.1 Studi Lapangan
1. Observasi, studi ini dilakukan dengan mengunjungi Tendencies Store dan melakukan pengamatan langsung kegiatan operasional, serta mengumpulkan informasi melalui data-data yang diberikan untuk memperoleh gambaran pelaksanaan prosedur yang sedang berjalan sehingga diketahui keadaan perusahaan yang sebenarnya.
2. Wawancara, dengan melakukan tanya jawab langsung dengan pihak Tendencies Store. Tujuan dari wawancara ini adalah untuk mengetahui gambaran mengenai pemanfaatan database khususnya data transaksi penjualan. Hasil wawancara dapat dilihat pada halaman lampiran.
1.6.1.2 Literatur Sejenis
literatur sejenis yang akan digunakan terdapat pada akhir bab 2.
1.6.2 Metode Pengembangan Sistem
Dalam menyusun tugas akhir ini penulis menggunakan metodologi pengembangan sistem Rapid Application Development (RAD). Metode ini diperkenalkan oleh James Martin pada tahun 1991 (Roger S Pressman, 2002). Metode RAD mempunyai 3 tahapan,yaitu :
1. Perencanaan syarat syarat
Dalam fase ini penguna dan analisis bertemu untuk
mengidentifikasi tujuan-tujuan aplikasi atau sistem serta
mengidentifikasi syarat–syarat yang ditimbulkan dari tujuan tujuan tersebut. Fase ini memerlukan peran aktif dari kedua
kelompok tersebut. Selain ini juga melibatkan pengguna dari
beberapa level yang berbeda dalam organisasi
2. Workshop desain
Fase ini pengguna dan analisa untuk merancang memperbaiki
yang dapat digambarkan sebagai workshop. Selama
workshop desain RAD, penguna merespon working prototype
yang ada dan analisis memperbaiki modul–modul yang dirancang menggunakan perangkat lunak berdasarkan respon
3. Implementasi
Pada fase ini segera setelah aspek–aspek bisnis telah disetujui dan sistem dibangun kemudian setiap sub–sub sistem di uji coba dan diperkenalkan kepada organisasi.
1.6.3 Metode Analisa Data
Metode analisa data yang dipakai dalam penelitian ini adalah metode analisa data mining dengan menggunakan metode association rules atau market basket analysis. Analisa ini di fokuskan kepada asosiasi item satu dengan item lainnya berdasarkan data transaksi pada tendencies store. Penjelasan rinci dapat dilihat di bab II.
1.7 Sistematika Penulisan
Dalam penyusunan tugas akhir ini penulis menyajikan tulisan menjadi beberapa bab, yaitu :
BAB I : PENDAHULUAN
BAB II : LANDASAN TEORI
Bab ini berisi uraian tentang landasan teori yang diperlukan dalam bidang data mining termasuk metode market basket analysis.
BAB III : METODOLOGI PENELITIAN
Bab ini membahas mengenai metode pengumpulan data, metode pengembangan sistem RAD dan metode analisa data.
BAB IV : PEMBAHASAN
Bab ini membahas mengenai analisa sistem yang berjalan, prinsip kerja metode market basket analysis, perancangan aplikasi, serta hasil analisa.
BAB V : PENUTUP
Bab ini berisi kesimpulan dari penelitian dan saran untuk pengembangan penelitian lebih lanjut.
LANDASAN TEORI
2.16 Pengertian Pola Belanja Konsumen
Menurut Kamus Besar Bahasa Indonesia Pola adalah Sistem; cara
kerja ataupun bentuk struktur yang pasti. Maka pola belanja konsumen bisa
diartikan sebagai bentuk struktur dari kegiatan belanja konsumen yang pasti.
Dari pola belanja yang dapat di prediksi inilah pembuat keputusan dapat
membuat strategi pemasaran yang lebih efektif.
2.16.1 Faktor – Faktor yang Mempengaruhi Pola Belanja Konsumen
Faktor – faktor yang mempengaruhi pola belanja konsumen \ perilaku belanja konsumen menurut Kotler (1993) adalah sebagai
berikut :
1. Faktor budaya,
2. Faktor sosial,
3. Faktor pribadi,
4. Faktor psikologis
Budaya merupakan salah satu penentu keinginan dan perilaku
seseorang yang paling mendasar dan sesungguhnya seluruh
masyarakat memiliki stratifikasi sosial dimana kelas sosial
menunjukkan pilihan terhadap produk dengan merek yang
Keputusan pembelian juga dipengaruhi oleh karakteristik atau
ciri-ciri pribadinya, terutama yang berpengaruh adalah umur dan
tahapan dalam siklus hidup pembeli, pekerjaannya, keadaan
ekonominya, gaya hidupnya, pribadi dan konsep jati dirinya. Pilihan
membeli seseorang juga akan dipengaruhi faktor psikologis utama,
yaitu : motivasi, persepsi, proses belajar, dan kepercayaan dengan
sikap.
Gambar 2.1. Faktor-faktor yang mempengaruhi tingkah laku konsumen (Philip Kotler, 1993)
2.17 Pengertian Data mining
baru yang disebut data mining. Ada beberapa definisi data mining
yang dikenal dari berbagai sumber, diantaranya adalah :
1. Data mining adalah pencarian dan teknik analisa data yang besar untuk menemukan pola dan aturan yang berarti (Berry & Linoff, 2004).
2. Data mining adalah teknik untuk menganalisa sekumpulan data yang besar guna menemukan hubungan yang tidak diduga dan berguna bagi pemilik data (Hand, 2001).
3. Data mining adalah proses untuk menemukan pola dan hubungan dalam suatu data (Hornick, 2007).
4. Data mining adalah perangkat lunak untuk menemukan pola-pola tersembunyi dalam database yang besar dan menghasilkan aturan-aturan yang digunakan untuk memperkirakan perilaku dimasa depan (Kadir, 2003).
5. Data mining adalah suatu proses otomatis atau semi otomatis untuk menemukan informasi (knowledge) baru dan berpotensi dari sekumpulan data (Tang & Jamie, 2005).
Berdasarkan beberapa definisi tersebut, dapat disimpulkan bahwa data mining berkaitan erat dengan penemuan informasi atau pengetahuan yang baru, berpotensi dan tidak terduga dalam suatu
2.18 Tahapan Data mining
Terdapat enam tahapan dalam proses data mining (Han and Kamer, 2006). Enam tahapan data mining tersebut adalah sebagai berikut :
1. Pembersihan data (data cleaning)
Pembersihan data merupakan proses menghilangkan noise
dan data yang tidak konsisten atau data tidak relevan. Pada umumnya data yang diperoleh, baik dari database suatu perusahaan maupun hasil eksperimen, memiliki isian-isian yang tidak sempurna seperti data yang hilang, data yang tidak valid atau juga hanya sekedar salah ketik. Selain itu, ada juga atribut-atribut data yang tidak relevan dengan hipotesa
data mining yang dimiliki. Data-data yang tidak relevan itu juga lebih baik dibuang. Pembersihan data juga akan mempengaruhi performasi dari teknik data mining karena data yang ditangani akan berkurang jumlah dan kompleksitasnya.
Integrasi data merupakan penggabungan data dari berbagai database ke dalam satu database baru. Tidak jarang data yang diperlukan untuk data mining tidak hanya berasal dari satu
database tetapi juga berasal dari beberapa database atau file teks. Integrasi data dilakukan pada atribut-atribut yang mengidentifikasikan entitas-entitas yang unik seperti atribut nama, jenis produk, nomor pelanggan dan lainnya. Integrasi data perlu dilakukan secara cermat karena kesalahan pada integrasi data bisa menghasilkan hasi yang menyimpang dan bahkan menyesatkan pengambilan aksi nantinya. Sebagai contoh bila integrasi data berdasarkan jenis produk ternyata menggabungkan produk dari kategori yang berbeda maka akan didapatkan korelasi antar produk yang sebenarnya tidak ada.
3. Seleksi Data (Data Selection)
4. Transformasi data (Data Transformation)
Data diubah atau digabung ke dalam format yang sesuai untuk diproses dalam data mining. Beberapa metode data mining membutuhkan format data yang khusus sebelum bisa diaplikasikan. Sebagai contoh beberapa metode standar seperti analisis asosiasi dan clustering hanya bisa menerima input data kategorikal. Karenanya data berupa angka numerik yang berlanjut perlu dibagi-bagi menjadi beberapa interval. Proses ini sering disebut transformasi data.
5. Proses Mining
Merupakan suatu proses utama saat metode diterapkan untuk menemukan pengetahuan berharga dan tersembunyi dari data.
6. Evaluasi Pola (Pattern Evaluation),
menjadikannya umpan balik untuk memperbaiki proses data mining, mencoba metode data mining lain yang lebih sesuai, atau menerima hasil ini sebagai suatu hasil yang di luar dugaan yang mungkin bermanfaat. Ilustrasi dari tahapan-tahapan data mining adalah seperti gambar dibawah ini.
Gambar 2.2 Tahapan-tahapan Data mining (Han and Kamber, 2006)
2.4 Model Data mining
2.4.1 Model Prediksi
Model ini adalah model yang menggunakan beberapa variabel untuk menentukan nilai data yang belum diketahui dari variabel lain. Contoh model prediksi adalah metode
classification dan metode regression.
Contoh aplikasi model ini adalah metode classification
dengan menggunakan informasi transaksi dan informasi dari kartu kredit sebagai atribut atau variabelnya. Misalnya apa yang dibeli oleh konsumen, kapan membelinya dan seberapa sering konsumen membayar tepat waktu.
Sifat model prediksi dalam data mining adalah bahwa model dihasilkan dari atribut atau variabel dari data yang sudah tersedia kemudian bisa digunakan untuk memperkirakan hasil seperti konsumen mana yang loyal dan konsumen mana yang tidak loyal.
2.4.2 Model Deskripsi
Model ini adalah model yang mencari suatu pola yang dapat ditafsirkan oleh manusia sehingga data dapat diuraikan. Contoh model deskripsi adalah metode clustering dan metode association rules.
Contoh aplikasi model ini adalah metode clustering untuk segmentasi pasar. Pendekatan yang dilakukan adalah dengan mengumpulkan atribut-atribut yang berbeda dari konsumen seperti berdasarkan informasi yang berhubungan dengan
geographical atau gaya hidup konsumen dan mencari cluster
berbeda. Sifat model deskripsi dalam data mining adalah bahwa model itu sendiri yang diamati untuk mendapatkan pengetahuan atau pola yang berharga dari sekumpulan data.
2.5 Jenis Pembelajaran Data mining
Dalam data mining dikenal dua jenis pembelajaran yaitu
supervised learning dan unsupervised learning. Supervised learning
digunakan untuk memperkirakan nilai target yang belum diketahui dari input dan output sample (Hornick, 2006). Supervised learning
mengasumsikan beberapa atribut prediktor untuk memperkirakan atribut target. Atribut prediktor diumpamakan sebagai pengetahuan dari lingkungan yang tersedia, sedangkan atribut target adalah model yang akan dihasilkan. Contoh metode ini adalah metode
classification dan metode regression.
Pada unsupervised learning tidak menggunakan atribut prediktor dan atribut target, karena tujuan unsupervised learning
adalah untuk menemukan struktur atau hubungan yang ada dalam sekumpulan data (Hornick, 2006). Contoh metode yang termasuk dalam unsupervised learning adalah metode clustering dan metode
association rule.
Sebelumnya sudah dibahas mengenai metode data mining yang bisa di kelompokkan berdasarkan model datanya, yaitu berdasarkan model prediksi dan model deskripsi. Selain itu metode data mining
juga dapat di bedakan berdasarkan jenis pembelajarannya, yaitu berdasarkan supervised learning dan unsupervised learning. Beberapa metode data mining yang penulis ketahui antara lain :
2.6.1 Classification
Metode classification termasuk kedalam model prediksi dan jenis pembelajarannya adalah supervised learning. Pada metode classification ada satu atribut target sedangkan atribut lain disebut dengan atribut prediktor (Larose, 2005). Untuk lebih jelasnya perhatikan tabel 2.1 berikut :
Tabel 2.1 Contoh Data Kredit Bank Atribut
Paris Rp. 2.000.000 Single 1 L
Lohan Rp. 2.000.000 Menika
h 0
TL
Lauren Rp. 1.000.000 Single 1 L
Nicole Rp. 1.500.000 Menika
h 1
Sample Prediktor
Target
Misalnya sebuah bank ingin memprediksi kredit macet nasabah. Maka pihak bank dapat menggunakan data kredit nasabah selama periode waktu tertentu kemudian data tersebut dipilih mana yang dijadikan atribut prediktor dan mana yang menjadi atribut target.
Seperti terlihat dalam tabel 2.1 dimana ada atribut prediktor (gaji, status dan jaminan) yang digunakan untuk memprediksi atribut target (L=Lancar atau TL=Tidak Lancar). Berdasarkan data tersebut, nantinya pihak bank dapat memperkirakan calon nasabah mana yang beresiko menjadi kredit macet dan mana yang tidak. Model classification dapat
berupa aturan “jika-maka”, berupa decission tree, formula
matematis atau neural network (Tang & Jamie, 2005).
2.6.2 Regression
Metode ini digunakan untuk memperkirakan nilai atribut atau variabel yang bertipe floating point (Hornick, 2006). Perbedaan antara metode classification dengan metode regression
adalah bahwa pada metode regression nilai atribut atau variabel target bertipe floating point sedangkan metode classification
meskipun bisa bertipe numeric yang biasanya digunakan untuk skoring, tetapi berupa angka yang bulat. Untuk lebih jelasnya mengenai metode regression, perhatikan tabel 2.2 berikut :
Tabel 2.2 Contoh Data Harga Rumah
Atribut
IDRumah LT KM KT
Harga
Rumah
1 3000 5 3 748.000.000
2 1500 3 2 279.000.000
3 2550 4 4 510.900.000
4 2300 4 3 1.420.500.000
Sample Prediktor Target
2.6.3 Clustering
Metode clustering termasuk kedalam model deskripsi dan jenis pembelajarannya adalah unsupervised learning. Metode clustering atau bisa juga disebut segmentasi, melakukan pengelompokan data menurut kesamaannya atau kedekatanya dan bukan berdasarkan kelas data tertentu seperti pada metode
classification.
Prinsip clustering adalah memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan antar kelas atau cluster (Larose, 2005). Untuk lebih jelasnya perhatikan gambar 2.2 berikut
:
Gambar 2.3 Contoh Clustering
Penghasilan
Umur
C C
Dari gambar 2.3 kita misalkan sebagai kumpulan data konsumen sederhana yang mengandung dua atribut yaitu umur dan penghasilan. Berdasarkan dua atribut tersebut kemudian terbagi menjadi tiga kelompok (cluster) yaitu C1
yang terdiri konsumen usia muda dengan penghasilan rendah.
C2 terdiri dari konsumen usia muda dan tua dengan penghasilan tinggi. C3 terdiri dari konsumen usia tua dengan penghasilan relatif rendah.
2.6.4 Association Rules
Metode association rules atau juga dikenal dengan nama
market basket analysis, digunakan untuk menemukan aturan assosiatif antara suatu kombinasi item atau barang (Tang & Jamie, 2005). Metode association rules termasuk kedalam model deskripsi dan jenis pembelajarannya adalah unsupervised learning.
Metode ini dapat digunakan untuk mengidentifikasi item
-item produk yang mungkin dibeli secara bersamaan dengan produk lain. Metode association rules mempunyai dua tahapan yaitu, menemukan frequent itemset dan membentuk assosiation rules. Metode ini terdiri dari dua item yaitu antecedent dan
analogikan sebagai aturan “If x Then y”. Dimana x merupakan
antecedent atau left hand side dan y adalah consequent atau right hand side. Misalnya jika antecedent A dan consequent B, maka aturannya dapat ditulis sebagai berikut : (AB).
Dalam association rules diperlukan variabel ukuran yang dapat ditentukan oleh user untuk mengatur batasan sejauh mana dan sebanyak apa hasil output yang diinginkan. Variabel ukuran tersebut adalah support dan confidence.
Support adalah nilai dua atau lebih itemset yang dibeli secara bersamaan dari keseluruhan transaksi. Nilai support
menunjukkan frekuensi itemset dalam suatu transaksi. Berikut perhitungan untuk mengetahui nilai support :
ndungA saksiMenga
JumlahTran A
Support( ) X 100%
Jumlah transaksi
Confidence adalah ukuran yang didapatkan dari probabilitas adanya itemset A pada suatu transaksi maka juga ada itemset B pada transaksi tersebut. Nilai confidence
menunjukkan kuatnya hubungan antar item dalam suatu aturan assosiasi. Berikut perhitungan untuk mengetahui nilai
engandungA bersamaan serta konsumen yang membeli susu mempunyai kemungkinan 50 % untuk juga membeli roti. Selanjutnya informasi yang diperoleh tersebut dapat di tindak lanjuti dengan mengatur strategi pemasaran yang strategis, semisal mengatur penempatan barang yang baru atau menentukan produk mana yang harus diletakkan berdekatan.
2.7 Algoritma Apriori
Prinsip assosiation rules atau market basket analysis adalah menemukan frequent itemset dan membentuk aturan assosiasi berdasarkan frequent itemset (Tang & Jamie, 2005). Algoritma apriori digunakan untuk mencari frequent itemset. Pengertian frequent itemset
disini adalah himpunan item-item yang memenuhi minimum support. Selanjutnya frequent itemset digunakan untuk membangun aturan assosiasi.
Join Step : Ck dibangun dengan menggabungkan Lk-1 dengan dirinya.
Prune Step : Setiap (k-1)-itemset yang bukan frequent tidak boleh menjadi suatu subset dari suatu frequent k-itemset. Berikut adalah pseudocode dari algoritma apriori :
Ck : Kandidat itemset dari ukuran k
Lk : Frequent itemset dari ukuran k
L1 = {frequent itemset};
for (k=1;Lk!=0;k++) do begin
Ck+1 = {kandidat dibangun dari Lk};
for each transaksi t dalam database do naikkan hitungan dari seluruh
kandidat dalam Ck+1 yang dimuat dalam t;
Lk+1 = {kandidat dalam Ck+1 dengan minimum support};
end
return Uk Lk;
Gambar 2.4 Contoh Algoritma Apriori
Nilai minimum support yang ditentukan pada gambar 2.3 adalah 2 atau 50%. Flowchart contoh tersebut terlihat pada gambar 2.3 dan penjelasan tentang contoh ilustrasi algoritma apriori adalah sebagai berikut :
1. Dari database D kemudian dibentuk C1 (kandidat 1-itemset), apabila itemset pada C1 tidak memenuhi minimum support maka akan dieliminasi dari L1.
2. Selanjutnya dibangun C2 (kandidat 2-itemset) dengan melakukan
cross itemset yang ada pada L1 (join step). Apabila itemset pada C2
tidak memenuhi minimum support maka akan dieliminasi dari L2. 3. Kemudian dibangun C3 (kandidat 3-itemset) dengan melakukan
cross itemset yang ada pada L2 (join step). Jika diperhatikan selain
itemset {B,C,E} sebenarnya masih ada itemset {A,C,B} dan {A,C,E} yang bisa didapatkan dari kombinasi itemset L2. Tetapi kedua
itemset tersebut dipangkas (prune step) karena itemset {C,B} dan {A,E} dieliminasi dari L2.
Itemset Support
Start
Gambar 2.5Flowchart Ilustrasi Algoritma Apriori
Proses perhitungan tersebut akan terus berulang sampai tidak ada lagi kandidat baru yang dihasilkan. Dalam contoh 2.3 proses berakhir pada iterasi ketiga, karena tidak ada kandidat baru yang bisa dihasilkan pada iterasi keempat.
2.8 Database Management System (DBMS)
untuk membuat memelihara, mengontrol, dan mengakses database
secara praktis dan efisien (Janner Simarmata & Imam Prayudi, 2006)
2.8.1 Software DBMS
Beberapa software atau perangkat lunak DBMS yang sering digunakan dalam aplikasi program antara lain :
a. BD –http://www.-306.ibm.com/software/data/db2/ b. Microsoft SQL Server –http://www.microsoft.com/sql c. Oracle –http://www/oracle.com
d. Sybase –http://www.sybase.com/
e. Interbase –http://www.borlad.com/interbase f. Teradata –http://www.teradata.com/
g. Firebird –http://www.firebirdsql.org/ h. MySQL –http://www.mysql.com
i. PostgreSQL –http://www.postgresql.org/
2.8.2 Keuntungan DBMS
DBMS memungkinkan perusahaan maupun individu untuk (Janner Simarmata & Imam Prayudi, 2006) :
1. Mengurangi Pengulangan Data
terdupikasi di berbagai file, data terduplikasi selebihnya dapat ditempatkan dalam satu file.
2. Mencapai Independensi Data
Spesifikasi data disimpan dalam skema pada tiap program aplikasi. Perubahan dapat dibuat pada struktur data tanpa mempengaruhi program yang mengakses data.
3. Mengintegrasikan data beberapa file
Saat file dibentuk sehingga menyediakan kaitan logis, maka organisasi fisik bukan merupakan kendala. Organisasi logis, pandangan pengguna, dan program aplikasi tidak harus tercermin pada media penyimpanan fisik.
4. Mengambil data dan informasi dengan cepat
Hubungan – hubungan logis, manipulasi data, serta bahasa
query memungkinkan pengguna mengambil data dalam hitungan detik atau menit.
5. Memungkinkan keamanan
2.8.3 Kelemahan DBMS
Keputusan menggunakan DBMS mengikat perusaahaan atau pengguna untuk (janner Simarmata & Imam Prayudi, 20006):
1. Memperoleh perangkat lunak yang mahal DBMS
mainframe masih sangat mahal. Meskipun harga DBMS berbasis komputer mikro lebih murah tetapi, tetap merupakan pengeluaran besar bagi suatu organisasi kecil.
2. Memperoleh konfigurasi perangkat keras yang besar DBMS sering memerlukan kapasitas penyimpanan dan memori lebih ada program aplikasi lain.
3. Memperkerjakan dan mempertahankan staf DBA
4. DBMS memerlukan pengetahuan khusus agar dapat memanfatkan kemampuanya, secara penuh. Pengetahuan khusus ini disediakan paling baik oleh para pengelola basis data.
2.9 Web Server
2.9.1 Definisi Web Server
dalam bentuk halaman - halaman web yang umumnya berbentuk dokumen HTML. (Budi Sutedjo, 2006)
2.9.2 Macam-macam Web Server
1. Apache Tomcat.
2. Apache Web Server.
3. Microsoft Windows Internet Information Services (IIS).
4. Lighttpd.
5. Sun Java System Web Server.
6. Xitami Web Server.
7. Zeus Web Server.
2.9.3 Cara Kerja Web Server
1. Hubungan antara Web Server dan Browser Internet merupakan
gabungan atau jaringan Komputer yg ada di seluruh dunia. Setelah
terhubung secara fisik, Protocol TCP/IP (networking protocol) yang
memungkinkan semua komputer dapat berkomunikasi satu dengan
yang lainnya.
2. Pada saat browser meminta data web page ke server maka instruksi permintaan data oleh browser tersebut di kemas di dalam TCP yang merupakan protocoltransport dan dikirim ke alamat yangg dalam hal
WideWeb (WWW) antar komputer yang terhubung dalam jaringan di dunia ini.
3. Data yang di passing dari browser ke Web server disebut sebagai HTTP request yang meminta webpage dan kemudian webserver akan
mencari data HTML yang ada dan di kemas dalam TCP protocol dan di kirim kembali ke browser. Data yang dikirim dari server ke browser disebut sebagai HTTP response. Jika data yang diminta oleh
browser tidak ditemukan oleh si Web server maka akan meninbulkan error yang sering anda lihat di webpage yaitu Error : 404 Page Not
Found.
2.10 Perangkat Lunak yang digunakan
2.10.1 SQL Server 2008
Microsoft SQL Server merupakan produk RDBMS (Relational database Management System ) yang dibuat oleh Microsoft. Microsoft SQL Server juga mendukung SQL sebagai bahasa untuk memproses query database. Microsoft SQL Server
banyak digunakan pada dunia bisnis, pendidikan atau juga pemerintahan sebagai solusi database atau penyimpanan data. (Martina, 2007)
adalah beberapa fitur yang dari sekian banyak fitur yang ada pada SQL Server 2008:
1. XML Support, fitur ini dapat menyimpan dokumen XML dalam suatu table , meng-query data ke dalam format XML melalui Transact-SQL dan lain sebagainya.
2. Multi-instance Support fitur ini memungkinkan untuk menjalankan beberapa database engine SQL Server pada mesin yang sama.
3. Data Warehousing and Business Intelligence (BI)
improvements. SQL server dilengkapi dengan fungsi – fungsi umtuk keperluan business intelligence melalui
analysis services. Selain itu, SQL Server 2008 juga ditambahkan dengan tools untuk keperluan data mining. 4. Performace and Scalability Improvements. SQL server
menerapkan distributed partitioned yang memungkinkan untuk membagi workload ke beberapa server sekaligus. Peningkatan lainya juga dicapai di sisi DBCC, indexed view, dan indexreorganization.
6. DTS Enhancement. Fasilitas ini sekarang sudah mampu untuk memperlihatkan primary key dan foreign key constraints. Ini berguna pada saat migrasi table dari RDBMS lain
7. Transact–SQL enhancements. Salah satu peningkatan disini adalah T-SQL sudah mendukung UDF (User–Definable Function). Ini memungkinkan anda untuk menyimpan rutin – rutin ke dalam databaseengine.
2.10.2 Tipe Data dalam SQL Server 2008
Data dalam Microsoft SQL Server sangat bervariasi, dan setiap kolom dalam satu table harus memiliki data sesuai dengan jenis dan tipenya. SQL Server memiliki beberapa kategori tipe data dan masing-masing mempunyai beberapa tipe data dasar.
Tabel 2.3 Tipe Data Sql Server 2008 (Sumber : Martina, 2003)
Kategori Tipe Data Tipe Data Keterangan
Integer Bit Integer dengan nilai 0 atau 1
Int Nilai Integer dengan nilai antara
2.147.483.648
Decimal atau Numeric Angka antara -10^38-1 sampai 10^38-1
mata uang dari 2^63 (-922.377.203.685.477,5807)
Float -214.748,3648 sampai 1.79E+38
Real -3.40E+308 sampai 3.04E+38
Datetime 1 Januari 1973 sampai 3.04E+38
Smalldatetime 1 Januari 1900 sampai 6 Juni 2079, dengan ketelitian hingga 1 menit
String Char Field tetap dengan ukuran
maksimal 8000 byte
Varchar Field tetap dengan ukuran
maksimal 8000 byte
Text Variabel dengan ukuran hingga
2^31-1
(2.147.488.647) byte
Unicode string Nchar Karakter Uicode dengan ukuran
tetap hingga 4000 byte
Nvarchar Variable dengan ukuran tetap
hingga 4000 byte
Ntext Karakter Unicode dengan
ukuran bervariasi hingga 4000 byte
Binary String Binary Ukuran tetap hingga 8000 byte
2.10.3 Batasan SQL Server 2008
Tabel 2.4 Batasan dalam SQL Server 2008 (Sumber : Martina, 2003)
Fungsi Keterangan
NOT NULL Menentukan bahwa kolom tidak bisa menentukan NULL CHECH Membatasi nilai yag bisa diletakan kedalam kolom dengan
menentukan suatu kondisi. Misalnya niali TRUE maka nilai yang diberikan dapat dimasukkan kedalam kolom sedang apabila FALSE
UNIQUE Memasukan kolom – kolom memiliki nilai eksklusif PRIMARY
KEY
Memebuat kata kunci primer atau kunci utama dari sebuah tabel, kolom atau kombinasi dari kolom dengan nilai yang harus bersifat eksekutif didalam tabel untuk mengenali baris
FOREIGN KEY
Menentukan hubungan antara tabel- tabel
2.11 Unified Modelling Language (UML)
2.11.1 Definisi Unified Modelling Language
UML didefinisikan sebagai notasi diagram untuk menggambarkan artefak dari Objects-Oriented Analysis Design
kita memiliki pemahaman yang lebih baik lagi. (Barclay dan Savage, 2004).
Dengan menggunakan diagram-diagram notasi UML,
developer dapat melakukan pemrograman kode yang biasa dikenal dengan sebutan forward engineering, yaitu proses tradisional mengubah abstraksi tingkat tinggi, desain logical
dan implementasi mandiri ke dalam implementasi fisik dalam sebuah sistem.
Seperti bahasa-bahasa lainnya, UML mendefinisikan notasi dan syntax/semantik. Notasi UML merupakan sekumpulan bentuk khusus untuk menggambarkan berbagai diagram piranti lunak. Setiap bentuk memiliki makna tertentu, dan UML syntax mendefinisikan bagaimana bentuk-bentuk tersebut dapat dikombinasikan. Notasi UML terutama diturunkan dari 3 notasi yang telah ada sebelumnya: Grady Booch OOD (Object-Oriented Design), Jim Rumbaugh OMT (Object Modeling Technique), dan Ivar Jacobson OOSE ( Object-Oriented Software Engineering). (Dharwiyanti, 2003)
Diagram-diagram yang terdapat di dalam pemodelan UML dan digunakan penulis dalam pembuatan aplikasi ini adalah sebagai berikut :
Use case diagram menggambarkan fungsionalitas yang diharapkan dari sebuah sistem. Yang ditekankan adalah
“apa” yang diperbuat sistem, dan bukan “bagaimana”.
Sebuah use case merepresentasikan sebuah interaksi antara aktor dengan sistem. (Dharwiyanti, 2003)
Gambar 2.6. Contoh use case diagram (Dharwiyanti, 2003)
2. Class Diagram
berorientasi objek. Class diagram menggambarkan keadaan (atribut/properti) suatu sistem, sekaligus menawarkan layanan untuk memanipulasi keadaan tersebut (metoda/fungsi) (Dharwiyanti, 2003). Class diagram
menggambarkan struktur dan deskripsi class, package dan objek beserta hubungan satu sama lain seperti containment, pewarisan, asosiasi, dan lain-lain. Class diagram memiliki tiga area pokok :
1. Nama (dan stereotype) 2. Atribut
3. Metoda
Gambar 2.7 Contoh Class Diagram (Dharwiyanti, 2003)
Activity diagram menggambarkan berbagai alir aktivitas dalam sistem yang sedang dirancang, bagaimana masing-masing alir berawal, decision yang mungkin terjadi, dan bagaimana mereka berakhir. Activity diagram juga dapat menggambarkan proses paralel yang mungkin terjadi pada beberapa eksekusi.
Gambar 2.8 Contoh Activity Diagram (Dharwiyanti, 2003)
4. Sequence Diagram
Sequence diagram menggambarkan interaksi antar objek di dalam dan di sekitar sistem (termasuk pengguna, display, dan sebagainya) berupa message yang digambarkan terhadap waktu. Sequence diagram terdiri atar dimensi vertikal (waktu) dan dimensi horizontal (objek-objek yang terkait).
Sequence diagram biasa digunakan untuk
menggambarkan skenario atau rangkaian langkah-langkah yang dilakukan sebagai respon dari sebuah event untuk menghasilkan output tertentu. Diawali dari apa yang menjadi
trigger aktivitas tersebut, proses dan perubahan apa saja yang terjadi secara internal dan output apa yang dihasilkan.
Main ui Object1 Object1 Object2
Message1
Message2
Message1
Message2
Message1 Message2 Actor1
Message1
Message2
Message1
Gambar 2.9 Contoh Sequence Diagram (Sun Services, 2003)
5. State Chart Diagram (SCD)
Interaction diagram dan state chart menampilkan dua
pandangan yang saling melengkapi tentang perilaku dinamis
sebuah sistem. Interaksi diagram menunjukkan pesan-pesan yang
dilewatkan diantara obyek-obyek di dalam sistem selama periode
waktu yang pendek. Sedangkan state chart diagram menelusuri
individu-individu obyek melalui keseluruhan daur hidupnya,
menspesifikasikan semua urutan yang mungkin dari pesan-pesan
yang akan diterima obyek tersebut, bersama-sama dengan
State diagram menyediakan variasi simbol dan sejumlah ide untuk pemodelan state diagram menampilkan state-state yang
mungkin dari sebuah obyek, event yang bisa dideteksi dan respon atas event-event tersebut. Pendeteksian sebuah event dapat
Dibawah ini penulis paparkan beberapa penelitian terdahulu yang pernah membahas mengenai data mining, yang digunakan sebagai acuan untuk menyelesaikan tugas akhir.
Tabel 2.5 Perbandingan Pengembangan Literatur Sejenis
NO Judul Gambaran Umum Sistem Kelebihan Kekurangan
1
Analisis Keranjang Belanja
Pada Data Transaksi Penjualan
( Studi Kasus Toserba Yogya
Banjar)
Asal Literatur: Skripsi
Peneliti : Tri Lestari
Nim : H24052006
Tahun : 2009
Departemen Manajemen
Fakultas Ekonomi dan
Manajemen Institu Pertanian
Bogor.
Penelitian ini bertujuan (1) mempelajari sebuah aplikasi analisis
keranjang belanja (market basket analysis) yang berkaitan dengan
data transaksi penjualan yang menggunakan teknik assosiatif, (2)
mengidentifikasi beberapa tipe dari kaidah asosiasi (associationrules)
yang berkaitan dengan data transaksi penjualan yaitu nilai-nilai
support dan confidence, (3) mengetahui implikasi manajerial dari
analisis keranjang belanja (market basket analysis). Penelitian ini
dilaksanakan di Toserba Yogya Banjar, data yang digunakan adalah
data sekunder yang bersumber dari dokumen perusahaan berupa
data transaksi. Penelitian diolah dengan menggunakan software
Microsoft Office Excel 2007 dan software Minitab 14. Data dianalisis
dengan menggunakan algoritma apriori yang menghasilkan aturan asosiasi, dengan pola “if then”.
Adanya analisis
implikasi manajerial
yang dapat dipakai
oleh pihak perusahaan
Tahapan data mining
masih dilakukan secara
manual dengan
bantuan software
Microsoft Office Excel
2007 dan software
Minitab 14. Apabila
ada data baru maka
diperlukan
pengulangan tahapan
2
Absensi Elektronik Untuk
Mendeteksi Kecurangan
Absensi (Check-Lock) Karyawan
di Perusahaan.
Asal Literatur : Jurnal
Peneliti : Gregorius Satia
Budhi;
Felicia Soedjianto
Tahun : 2007
Jurusan Teknik Informatika,
Fakultas Teknologi Industri,
Universitas Kristen Petra
basket analysis, untuk mendeteksi kecurangan. Perangkat lunak yang
dibuat ini akan mentranformasikan data absensi pegawai
menggunakan metode MaxDiff Histogram menjadi format compact
transaction yang selanjutnya akan diproses menggunakan Algoritma
Pincer Search menjadi frequent itemset. Pada akhirnya dari data
frequent itemset ini didapat associationrule pegawai untuk disajikan
kepada pengguna, yaitu bagian HRD perusahaan.Dari hasil pengujian
dapat diketahui bahwa metode Data mining Market Basket Analysis
dapat dimanfaatkan untuk menggali pattern kebiasaan absensi
(check-lock) pegawai sebuah perusahaan. Dari sini kemungkinan terjadinya
kecurangan saat melakukan absensi masuk / pulang dapat dideteksi.
dapat diaplikasikan
pada dunia nyata,
terutama pada PT.
Mulia Batara Semesta
Surabaya.
menggenerasi frequent
itemset masih belum
dapat mengatasi
terjadinya 'bottleneck'
3
Menggunakan Aturan Asosiasi
Dengan Metode Apriori Untuk
Analisis Keranjang Pasar Pada
Data Transaksi Penjualan
Apotek
Asal Literatur : Jurnal
Peneliti : Leni Meiwati,
Metty Mustikasari
Tahun : 2010
Jurusan Sistem Informasi
Fakutas Ilmu Komputer dan
Teknologi Informasi,
Universitas Gunadarma
menggunakan aturan asosiasi dengan metode apriori sebagai teknik
analisis keranjang pasarnya. Data yang diambil dalam penelitian ini
adalah data transaksi penjualan disuatu apotek di Perumnas 1. Hasil
dari aturan asosiasi yang didapat yaitu berupa kombinasi dari jenis
obat yang sering dibeli oleh konsumen. Dari hasil tersebut diharapkan
dapat membantu manajemen apotek untuk merancang strategi
pemasaran obat di apoteknya. Aplikasi ini dibuat menggunakan
perangkat lunak Java dan didukung oleh media penyimpanan
database Microsoft Access.
sebagai Bahasa
pemrograman.
yang dapat diberikan
dari hasil penelitian ini.
Memakai database Ms.
Acces. Banyaknya data
yang dipakai belum
dapat
merepresentasikan
pola belanja konsumen
yang diinginkan
4
Data Mining UntukPembiayaan
Murabahah Menggunakan
Association Rule (Studi Kasus
BMT MMU Sidogiri)
Asal Literatur : Skripsi
Peneliti : Alfiyatus Sholichah
Dalam penelitian ini, association rule digunakan untuk mengetahui
pola hubungan keterkaitan antar data dalam pembiayaan murabahah.
Untuk parameter yang digunkan adalah berdasarkan harga plafond ,
lama angsuran dan prosentase margin. Dari pola yang diperoleh
diharapkan dapat memberikan informasi yang berharga bagi pihak
manajemen bank dimana dalam hal ini adalah pihak BMT MMU
Sidogiri, dimana informasi tersebut dapat digunakan sebagai alat
Menggunakan Borland
Delphi 7.0 Sebagai
Bahasa Pemrograman
Belum adanya strategi
yang dapat diberikan
dari hasil penelitian ini.
Memakai database
Interbase. Banyaknya
data yang dipakai
Tahun : 2009
Jurusan Teknik Informatika
Fakultas Sains dan Teknologi
Universitas Islam Negeri (UIN)
Maulana Malik Ibrahim
Malang.
pola belanja konsumen
yang diinginkan
5
Implemetasi Data Mining
Algoritma Apriori Pada Sistem
Penjualan
Asal Literatur : Skripsi
Peneliti : Muhammad Afif
Syaifullah
Nim : 06.11.1317 2010
Tahun : 2010
STMIK AMIKOM Yogyakarta
Penelitian ini bertujuan untuk membuat sebuah aplikasi data mining
menggunakan aturan asosiasi dengan metode apriori sebagai teknik
analisis keranjang pasarnya. Hasil dari aturan asosiasi yang didapat
yaitu berupa kombinasi dari jenis item yang sering dibeli oleh
konsumen. Dari hasil tersebut diharapkan dapat membantu
manajemen perusahaan untuk merancang strategi pemasaran barang.
Menggunakan database
MYSQL Server
Belum adanya strategi
yang dapat diberikan
dari hasil penelitian ini.
Penerapan Data Mining dalam
Penentuan Aturan Asosiasi
Antar Jenis Item.
Dalam jurnal ini akan disajikan penggunaan data mining dalam
menemukan pengetahuan mengenai asosiasi antar jenis item di CV JP
Bogor. Pemodelan asosiasi ini menggunakan algoritma Apriori dan
pemrosesannya dibantu dengan softwareClementine.
6 Peneliti : Yogi Yusuf W,
F. Rian Pratikto,
Gerry T
Tahun : 2006
Jurusan Teknik Industri,
Universtias Katolik
Parahyangan
7
Penetapan Strategi Penjualan
Menggunakan Association Rules
dalam Konteks CRM
Asal Literatur : Jurnal
Peneliti : Bayu Adhi Tama
Tahun : 2010
Fakultas Ilmu Komputer,
Universitas Sriwijaya
Jurnal ini akan melakukan analisis terhadap data transaksi penjualan
sebuah perusahaan ritel umum yang bergerak di bidang fotografi,
fotokopi, medical imaging, printing, dan telekomunikasi yang memiliki
variasi produk yang sangat beragam. Keanekaragaman produk ini
menghasilkan kemungkinan kombinasi produk yang lebih beragam
pula. Hasil penelitian ini menunjukkan bahwa penetapan strategi
penjualan dengan menggunakan data pada tengah semester pertama,
tren penjualan dari masing-masing kombinasi produk pada semester
kedua mengalami peningkatan yang signifikan.
Hasil dari penelitian
diimplementasikan
sehingga tren
penjualan dari
masing-masing kombinasi
produk pada semester
