Perbandingan Algoritma Apriori Dan Algoritma CT-Pro Pada Komoditas Ekspor Dan Impor

(1)

Listing Program

1. Apriori

<?php

$time = microtime(); $time = explode(' ', $time); $time = $time[1] + $time[0]; $start = $time;

?>

<div class="isw-grid"></div> <h1>Ekspor-Apriori</h1> <div class="clear"></div> </div>

<?php

include"koneksi.php";

$delete1 = mysql_query("DELETE FROM kombinasi_gabung") or die (mysql_error());

(2)

$delete5 = mysql_query("DELETE FROM gabung_relasi") or die (mysql_error()); $delete6 = mysql_query("DELETE FROM hasil_confidence") or die (mysql_error());

$support = $_POST['support']; $confidence = $_POST['confidence']; $jum_transaksi = $_POST['jum_transaksi'];

• Proses pencarian C1

$sql_relasi = mysql_query("SELECT * FROM relasi ORDER BY id_relasi LIMIT $jum_transaksi");

$num_relasi = mysql_num_rows($sql_relasi);

$sql_komoditas = mysql_query("select * FROM komoditas")or die(mysql_error());

while($array_komoditas = mysql_fetch_array($sql_komoditas)){ ?>

<?php $count_ekspor = mysql_query("SELECT count(*) AS jum_komoditas FROM relasi where

id_komoditas='" . $array_komoditas['id_komoditas'] . "' ORDER BY id_relasi LIMIT $jum_transaksi") or die(mysql_error());

$array_count = mysql_fetch_array($count_ekspor);

$hasil_count_relasi = ($array_count['jum_komoditas'] / $num_relasi) * 100;

if($hasil_count_relasi >= $support){

$item_gabung = $array_komoditas['id_komoditas']; $count_gabung = $hasil_count_relasi;

$sql_cek_count = mysql_query("SELECT * FROM gabung_relasi WHERE item_gabung='$item_gabung' and count_gabung='$count_gabung'")

(3)

if(mysql_num_rows($sql_cek_count)){ echo '';

} else{

$insert_count = mysql_query("INSERT INTO gabung_relasi VALUES ('','$item_gabung', '$count_gabung','1')");

• Proses pencarian L1 <?php

$sql_negara = mysql_query("select * FROM negara")or die(mysql_error()); while($array_negara = mysql_fetch_array($sql_negara)){

?>

<?php $count_ekspor2 = mysql_query("SELECT count(*) AS jum_negara FROM relasi where

id_negara='" . $array_negara['id_negara'] . "' ORDER BY id_relasi LIMIT $jum_transaksi") or die(mysql_error());

$array_count2 = mysql_fetch_array($count_ekspor2);

$hasil_count_relasi2 = ($array_count2['jum_negara'] / $num_relasi) * 100;

if($hasil_count_relasi2 >= $support){

(4)

$count_gabung2 = $hasil_count_relasi2;

$sql_cek_count2 = mysql_query("SELECT * FROM gabung_relasi WHERE item_gabung='$item_gabung2' and count_gabung='$count_gabung2'

and item_kategori='2'") or die (mysql_error());

if(mysql_num_rows($sql_cek_count2)){ echo '';

} else{

$insert_count = mysql_query("INSERT INTO gabung_relasi VALUES ('','$item_gabung2', '$count_gabung2','2')");

} }

?><?php $i++; }

?>

• Proses Pencarian C2 <?php

$TRecord = mysql_query("SELECT * FROM gabung_relasi where item_kategori = '1' order by id_item asc ") or die(mysql_error());

$i=1; $j=1;

(5)

<?php

$id_kombinasi = $data['item_gabung']; ?></td>

<td><?php

$sql_negara_count = mysql_query("SELECT * FROM gabung_relasi where item_kategori = '2' order by id_item asc ") or die(mysql_error());

while($array_negara_count=mysql_fetch_array($sql_negara_count)){

$id_negara = $array_negara_count['item_gabung'];

$cek_insert_count = mysql_query("SELECT * FROM kombinasi_gabung WHERE id_komoditas='$id_kombinasi' and id_negara='$id_negara'");

if(mysql_num_rows($cek_insert_count)){ echo '';

} else {

$sql_insert_count = mysql_query("INSERT INTO kombinasi_gabung values ('$id_kombinasi', '$id_negara')") or die (mysql_error());

} } ?></td>

</tr> <?php $j++;

} ?>

<?php

(6)

$i=1; $j=1;

while($data=mysql_fetch_array($TRecord)){ ?>

<tr>

<td><?php $sql_nama_komoditas = mysql_query("SELECT * FROM komoditas where id_komoditas='" . $data['id_komoditas'] . "'");

$array_nama_komoditas = mysql_fetch_array($sql_nama_komoditas); ?></td>

<td><?php $sql_nama_negara = mysql_query("SELECT * FROM negara where id_negara='" . $data['id_negara'] . "'");

$array_nama_negara = mysql_fetch_array($sql_nama_negara); ?></td>

<td><?php

$sql_jumlah_relasi = mysql_query("SELECT * FROM relasi WHERE id_komoditas='" . $data['id_komoditas'] . "' and

id_negara='" . $data['id_negara'] . "' ORDER BY id_relasi LIMIT $jum_transaksi");

$num_jum_relasi = mysql_num_rows($sql_jumlah_relasi);

$id_komoditas2 = $array_nama_komoditas['id_komoditas']; $id_negara2 = $array_nama_negara['id_negara'];

if($num_jum_relasi >= $support){

$cek_hasil_count = mysql_query("SELECT * FROM hasil_kombinasi WHERE id_komoditas='$id_komoditas2' and id_negara='$id_negara2'

and hasil_count='$num_jum_relasi'") or die (mysql_error()); if(mysql_num_rows($cek_hasil_count)){

(7)

$sql_insert_count = mysql_query("INSERT INTO hasil_kombinasi values ('', '$id_komoditas2', '$id_negara2','$num_jum_relasi')") or die (mysql_error());

}

$TRecord = mysql_query("SELECT * FROM hasil_kombinasi order by id_komoditas asc ") or die(mysql_error());

$i=1; $j=1;

<tr>

(8)

$id_komoditas3 = $array_nama_komoditas['id_komoditas']; $id_negara3 = $array_nama_negara['id_negara'];

$sql_jumlah_relasi = mysql_query("SELECT * FROM relasi WHERE id_komoditas='" . $data['id_komoditas'] . "' and

id_negara='" . $data['id_negara'] . "' ORDER BY id_relasi LIMIT $jum_transaksi");

$sql_jumlah_komoditas = mysql_query("SELECT * FROM relasi WHERE id_komoditas='" . $data['id_komoditas'] . "' ORDER BY id_relasi LIMIT $jum_transaksi");

$num_relasi3 = mysql_num_rows($sql_jumlah_komoditas);

$sql_jumlah_relasi2 = mysql_query("SELECT * FROM relasi ORDER BY id_relasi LIMIT $jum_transaksi ");

$num_relasi = mysql_num_rows($sql_jumlah_relasi2); $num_relasi2 = mysql_num_rows($sql_jumlah_relasi);

$num_jum_relasi = mysql_num_rows($sql_jumlah_relasi);

$hasil_num_relasi = ($num_relasi2 / $num_relasi3) * 100;

if($hasil_num_relasi >= $support){

$sql_cek_support = mysql_query("SELECT * FROM hasil_support WHERE id_komoditas='$id_komoditas3' and id_negara='$id_negara3' and

support='$hasil_num_relasi'") or die (mysql_error()); if(mysql_num_rows($sql_cek_support)){

(9)

$insert_support = mysql_query("INSERT INTO hasil_support VALUES

• Proses Pencarian L2 dengan nilai confidence

<?php

$TRecord = mysql_query("SELECT * FROM hasil_support order by id_hasil_asosiasi asc ") or die(mysql_error());

$i=1; $j=1;

<tr>

<td><?php

(10)

$id_negara3 = $array_nama_negara['id_negara'];

$sql_kombinasi1 = mysql_query("SELECT * FROM relasi WHERE id_komoditas='$id_komoditas3' ORDER BY id_relasi LIMIT $jum_transaksi");

$array_kombinasi1 = mysql_num_rows($sql_kombinasi1);

$sql_kombinasi2 = mysql_query("SELECT * FROM relasi WHERE id_komoditas='$id_komoditas3' and id_negara='$id_negara3' ORDER BY id_relasi LIMIT $jum_transaksi");

$array_kombinasi2 = mysql_num_rows($sql_kombinasi2);

$hasil_confidence = ($array_kombinasi2 / $array_kombinasi1) * 100;

if($hasil_confidence >= $confidence){

$sql_confidence = mysql_query("SELECT * FROM hasil_confidence WHERE id_komoditas='$id_komoditas3' and id_negara='$id_negara3'

and hasil_confidence='$hasil_confidence'"); if(mysql_num_rows($sql_confidence)){ echo '';

} else {

$sql_insert_confidence = mysql_query("INSERT INTO hasil_confidence VALUES ('','$id_komoditas3','$id_negara3','$hasil_confidence')")

or die(mysql_error()); }

}

?> <?php $j++;

(11)

echo '<p><b>Minimum Support :</b>' . $_POST['support'] . '</p>';

echo '<p><b>Minimum Confidence :</b>' . $_POST['confidence'] . '</p>'; echo '<p><b>Jumlah Transaksi :</b>' . $_POST['jum_transaksi'] . '</p>';

?> <br>

<th width="46">Nomor</th> <th width="424">Kesimpulan</th> <th width="235">Confidence</th> </tr>

<?php

$TRecord = mysql_query("SELECT * FROM hasil_confidence order by id_hasil_confidence asc ") or die(mysql_error());

$i=1; $j=1;

<tr>

$array_nama_negara = mysql_fetch_array($sql_nama_negara);

$sql_nama_komoditas = mysql_query("SELECT * FROM komoditas where id_komoditas='" . $data['id_komoditas'] . "'");

(12)

echo "Jika " . $array_nama_komoditas['nama_komoditas'] . " maka " . $array_nama_negara['nama_negara'];?></td>

$total_time = round(($finish - $start), 4);

echo "Lama Proses Filtering : " . $total_time." detik"; ?>

(13)

2. CT-Pro Ekspor

<?php

$time = microtime(); $time = explode(' ', $time); $time = $time[1] + $time[0]; $start = $time;

?>

<div class="isw-grid"></div> <h1>Ekspor-CTPRO</h1> <div class="clear"></div> </div>

<div class="block-fluid"> <?php

if(isset($_POST['submit'])){ include"koneksi.php";

$delete1 = mysql_query("DELETE FROM gabung_ctpro")or die(mysql_error()); $delete2 = mysql_query("DELETE FROM frequent_komoditas")or

die(mysql_error());

(14)

$support = $_POST['support']

$confidence = $_POST['confidence']; $jum_transaksi = $_POST['jum_transaksi'];

• menghitung frekuensi item

$sql_relasi = mysql_query("SELECT * FROM relasi_impor ORDER BY id_relasi_impor ASC LIMIT $jum_transaksi");

$num_relasi = mysql_num_rows($sql_relasi);

$sql_komoditas = mysql_query("select * FROM komoditas")or die(mysql_error());

while($array_komoditas = mysql_fetch_array($sql_komoditas)){ ?>

<?php $count_ekspor = mysql_query("SELECT count(*) AS jum_komoditas FROM relasi_impor where

id_komoditas='" . $array_komoditas['id_komoditas'] . "' ORDER BY id_relasi_impor ASC LIMIT $jum_transaksi") ;

$array_count = mysql_fetch_array($count_ekspor);

$count_ekspor = mysql_query("SELECT count(*) AS jum_komoditas FROM relasi_impor where

id_komoditas='" . $array_komoditas['id_komoditas'] . "'") or die(mysql_error()); $array_count = mysql_fetch_array($count_ekspor);

$hasil_hitung = ($array_count['jum_komoditas'] / $num_relasi) * 100; $item_gabung = $array_komoditas['id_komoditas'];

$count_gabung = $array_count['jum_komoditas'];

if($hasil_hitung >= $support){

(15)

$count_gabung = $hasil_hitung;

$sql_cek_count = mysql_query("SELECT * FROM gabung_ctpro WHERE item_gabung='$item_gabung' and count_gabung='$count_gabung'")

or die (mysql_error());

} else{

$insert_count = mysql_query("INSERT INTO gabung_ctpro VALUES ('','$item_gabung', '$count_gabung','1')");

} }

$i++; } ?>

• Proses pembuatan tree <?php

$sql_negara = mysql_query("select * FROM negara")or die(mysql_error()); while($array_negara = mysql_fetch_array($sql_negara)){

$count_ekspor2 = mysql_query("SELECT count(*) AS jum_negara FROM relasi_impor where

id_negara='" . $array_negara['id_negara'] . "' ORDER BY id_relasi_impor ASC LIMIT $jum_transaksi") or die(mysql_error());

$array_count2 = mysql_fetch_array($count_ekspor2);

(16)

if($hasil_hitung_negara >= $support){ $item_gabung = $array_negara['id_negara']; $count_gabung = $hasil_hitung_negara;

$sql_cek_count = mysql_query("SELECT * FROM gabung_ctpro WHERE item_gabung='$item_gabung' and count_gabung='$hasil_hitung_negara'") or die (mysql_error());

} else{

$insert_count = mysql_query("INSERT INTO gabung_ctpro VALUES ('','$item_gabung', '$count_gabung','2')");

} } $i++; } ?>

<?php

$sql_komoditas = mysql_query("select * FROM gabung_ctpro a, komoditas b WHERE a.item_gabung=b.id_komoditas

and a.item_kategori='1'")or die(mysql_error()); while($array_komoditas = mysql_fetch_array($sql_komoditas)){

$sql_cek_ada1 = mysql_query("SELECT * FROM relasi_impor WHERE

(17)

$num_cek_ada1 = mysql_num_rows($sql_cek_ada1);

$id_frequent_komoditas = mysql_fetch_array($sql_cek_ada1); $id_komoditas = $array_komoditas['id_komoditas'];

$id_relasi1 = $id_frequent_komoditas['kode_relasi'];

if($num_cek_ada1 >= $support){

$cek_insert_komoditas = mysql_query("SELECT * FROM frequent_komoditas WHERE id_komoditas='$id_komoditas' and kode_relasi='$id_relasi1'")

if(mysql_num_rows($cek_insert_komoditas)){ echo '';

} else {

$sql_insert_komoditas = mysql_query("INSERT INTO frequent_komoditas VALUES ('', '$id_relasi1', '$id_ko moditas')");

} }

}

$sql_negara = mysql_query("select a.*,b.* FROM gabung_ctpro a, negara b WHERE a.item_gabung=b.id_negara

and a.item_kategori='2'")or die(mysql_error()); while($array_negara = mysql_fetch_array($sql_negara)){

$sql_cek_ada2 = mysql_query("SELECT * FROM relasi_impor WHERE

id_negara='" . $array_negara['item_gabung'] . "' ORDER BY id_relasi_impor ASC LIMIT $jum_transaksi") ;

(18)

$id_frequent_negara = mysql_fetch_array($sql_cek_ada2); $id_negara = $array_negara['id_negara'];

$id_relasi2 = $id_frequent_negara['kode_relasi']; if($num_cek_ada2 >= $support){

$cek_insert_negara = mysql_query("SELECT * FROM frequent_negara WHERE id_negara='$id_negara' and kode_relasi='$id_relasi2'")

if(mysql_num_rows($cek_insert_negara)){ echo '';

} else {

$sql_insert_negara= mysql_query("INSERT INTO frequent_negara VALUES ('','$id_relasi2', '$id_negara')");

} }

}

$sql_komoditas = mysql_query("select * FROM frequent_komoditas")or die(mysql_error());

while($array_komoditas = mysql_fetch_array($sql_komoditas)){

$sql_relasi = mysql_query("SELECT * FROM frequent_negara");

(19)

$sql_num_komoditas = mysql_query("SELECT * FROM relasi_impor WHERE id_komoditas='" . $array_komoditas['id_komoditas'] . "' ORDER BY id_relasi_impor ASC LIMIT $jum_transaksi");

$num_ko moditas = mysql_num_rows($sql_num_komoditas);

$array_num_komoditas = mysql_fetch_array($sql_num_komoditas);

$sql_num_komoditas2 = mysql_query("SELECT * FROM relasi_impor WHERE id_komoditas='" . $array_komoditas['id_komoditas'] . "'

and id_negara='" . $array_relasi['id_negara'] . "' ORDER BY id_relasi_impor ASC LIMIT $jum_transaksi");

$num_komoditas2 = mysql_num_rows($sql_num_komoditas2);

if($num_komoditas2 >= $support){

$sql_cek_kombinasi = mysql_query("SELECT * FROM kombinasi_ctpro WHERE id_komoditas='$array_komoditas[id_komoditas]'

and id_negara = '$array_relasi[id_negara]'");

if(mysql_num_rows($sql_cek_kombinasi)){

echo ''; } else {

$insert_cek_kombinasi = mysql_query("INSERT kombinasi_ctpro VALUES

(20)

} }

• Proses menghitung confidence

$sql_kombinasi_ctpro = mysql_query("SELECT * FROM kombinasi_ctpro"); while($array_kombinasi_ctpro = mysql_fetch_array($sql_kombinasi_ctpro)){

$sql_num_komoditas = mysql_query("SELECT * FROM relasi_impor WHERE id_komoditas='" . $array_kombinasi_ctpro['id_komoditas'] . "' ORDER BY id_relasi_impor ASC LIMIT $jum_transaksi");

$num_komoditas = mysql_num_rows($sql_num_komoditas);

$sql_num_komoditas2 = mysql_query("SELECT * FROM relasi_impor WHERE id_ko moditas='" .

$array_kombinasi_ctpro['id_komoditas'] . "'

and id_negara='" . $array_kombinasi_ctpro['id_negara'] . "' ORDER BY id_relasi_impor ASC LIMIT $jum_transaksi");

$num_komoditas2 = mysql_num_rows($sql_num_komoditas2);

(21)

if($hasil_total >= $confidence){

$sql_cek_hasil = mysql_query("SELECT * FROM hasil_ctpro WHERE id_komoditas='" . $array_kombinasi_ctpro['id_komoditas'] . "'

and id_negara='" . $array_kombinasi_ctpro['id_negara'] . "' and confidence='$hasil_total'") or die (mysql_error());

if(mysql_num_rows($sql_cek_hasil)){

echo '';

} else {

$input_komoditas = $array_kombinasi_ctpro['id_komoditas'];

$input_negara = $array_kombinasi_ctpro['id_negara'];

$insert_hasil = mysql_query("INSERT INTO hasil_fpgrowth VALUES ('','$input_komoditas', '$input_negara', '$hasil_total')")

or die (mysql_error()); }

}

(22)

echo '<p><b>Minimum Support :</b>' . $_POST['support'] . '</p>';

echo '<p><b>Minimum Confidence :</b>' . $_POST['confidence'] . '</p>'; echo '<p><b>Jumlah Transaksi :</b>' . $_POST['jum_transaksi'] . '</p>';

?>

<br>

<th width="46">Nomor</th> <th width="424">Kesimpulan</th> <th width="235">Nilai Asosiasi</th> </tr>

<?php

$TRecord = mysql_query("SELECT * FROM hasil_ctpr order by id_hasil_fpgrowth asc ") or die(mysql_error());

$i=1; $j=1;

(23)

<tr>

$array_nama_negara = mysql_fetch_array($sql_nama_negara);

$sql_nama_komoditas = mysql_query("SELECT * FROM komoditas where id_komoditas='" . $data['id_komoditas'] . "'");

$array_nama_komoditas = mysql_fetch_array($sql_nama_komoditas);

echo "Jika " . $array_nama_komoditas['nama_komoditas'] . " maka " . $array_nama_negara['nama_negara'];?></td>

</tr> <?php $j++;

}?> </table>

<?php

(24)

$time = explode(' ', $time); $time = $time[1] + $time[0]; $finish = $time;

$total_time = round(($finish - $start), 4);

echo "Lama Proses Filtering : " . $total_time." detik";

} ?>

(25)

DAFTAR PUSTAKA

Aritonang, P. 2012. Implementasi Data Mining Dengan Association Rule dalam Pengambilan Keputusan Untuk Korelasi Pembelian Produk Menggunakan Algoritma Apriori. Skripsi. Universitas Sumatera Utara.

Asmoko,Hindri. 2013. Teknik Ilustrasi Masalah – Fishbone Diagram. (Online) http://www.bppk.depkeu.go.id/bdpimmagelang/images/unduh/teknik_ilustr asi_masalah.pdf.

Dhivya, Mrs. A.B & Kalpana Dr (Mrs) B. 2010. A Study on the Performance of CT-Apriori and CT-Pro Algorithms using Compressed Structures for Pattern Mining.Journal of Global Research in Computer Science Vol. 1 No.2

(2010,September) 8-15.

Gopalan, R.P. & Sucahyo Y.G. 2004.High performance frequent patterns extraction using compressed fp-tree. Prosiding SIAM International Workshop on

High Performance and Distributed Mining.

Han,J.andKamber,M.“Datamining:ConceptsandTechniques”,2ndEdition.TheMorga

nKaufmannseriesinDataManagementSystem,JimGrey,seriesEditor.2006

.

Huda, Nuqson Masykur.2010. Aplikasi Data Mining untuk Menampilkan Informasi Tingkat Kelulusan Mahasiswa. Skripsi. Universitas Diponegoro

Kusrini & Emha Taufiq Luthfi. 2009. Algoritma - Data mining. Yogyakarta : Penerbit Andi.

Larose, Daniel T. 2005. Discovering Knowledge in Data : An Introduction to Data

(26)

Madcoms. 2005. Membuat Aplikasi Database Karyawan Online Berbasis Web dengan

PHP dan MySql.Yogyakarta : Penerbit Andi

Ruldeviyani, Y & Fahrian, M. 2008.Implementasi Algoritma-Algoritma Association

Rules sebagai Bagian dari Pengembangan Data Mining Algorithms

Collection. Prosiding Konferensi Nasional Sistem dan Informatika,pp.

244-248

Wirdasari, D& Calam, A.2011.Penerapan Data mining untuk Mengolah Data Penempatan Buku di Perpustakaan SMK TI PAB 7 Lubuk Pakam dengan Metode Association Rule. Jurnal SAINTIKOM Vol. 10.No. 2 (2011,Mei)

137-150.

Witten, I.H & Frank E. 2005. Data Mining : practical machine learning tools and

(27)

BAB 3

ANALISIS DAN PERANCANGAN SISTEM

Analisis sistem yang akan dibangun yaitu berupa analisis pencarian rule berdasarkan

association rule dengan algoritma Apriori dan algoritma CT-Pro, dan pada tahapan

perancangan sistem, akan dibahas perancangan Data Flow Diagram (DFD), perancangan alur kerja (flowchart) dan perancangan antarmuka pemakai (user

interface).

3.1 Analisis Masalah

Masalah yang dihadapi dalam membangun aplikasi ini adalah sebagai berikut:

“bagaimana menghasilkan sebuah pengetahuan ataupun informasi baru yang masih tersimpan dalam sebuah data yang besar”.

Adapun metode yang digunakan dalam menganalisis permasalahan yang dihadapi dalam membangun aplikasi ini yaitu Fishbone Diagram. Diagram Fishbone sering disebut dengan istilah Diagram Ishikawa. Penyebutan diagram ini sebagai Diagram Ishikawa karena yang mengembangkan model diagram ini adalah Dr. Kaoru Ishikawa pada sekitar Tahun 1960-an. Diagram Ishikawa dikenal dengan Diagram

fishbone karena diagram ini bentuknya menyerupai kerangka tulang ikan yang bagian-bagiannya meliputi kepala, sirip, dan duri.

(28)

digambarkan pada sirip dan durinya. Pada Gambar 3.1 merupakan sebuah diagram

fishbone yang penulis coba buat untuk analisis masalah dalam menghasilkan sebuah

informasi ataupun pengetahuan baru.

User

informasi baru Database

Gambar 3.1 Diagram Ishikawa untuk analisis masalah

3.2 Analisis Data

(29)

Tabel 3.1 Data Ekspor

Tgl Ekspor

ID

Ekspor Data Ekspor

Tgl Ekspor

ID

02/01/2013

E1 Karet Lembaran-India 02/01/2013

E11 Kopi Biji-Kanada

E2 Kayu Karet-Malaysia E12

Karet Lembaran-Cina

E3 Kakao Biji-Cina E13

Ubi Jalar-Korea Selatan

E4 Kakao Biji-Singapura E14 Gambir-Pakistan

E5 Ubi Jalar-Jepang E15 Sapu Lidi-Pakistan

E6 Kopi Biji-Singapura E16 Kulit Kayu

Manis-Republik Dominika

E7

Kopi Biji-Amerika

Serikat E17 Kopi Biji-Jerman

E8 Kopi Biji-Malaysia E18 Kayu Karet-Cina

E9 Pinang Biji-Pakistan E19 Kopi Biji-Australia

E10

03/01/2013 E21 Karet Lembaran-India 03/01/2013 E31

Pinang Biji-Sri

Belanda 04/01/2013 E51

(30)

Biji-Tabel 3.1 Data Ekspor (Lanjutan)

Tgl Ekspor

ID

Ekspor Data Ekspor Tgl Ekspor

ID

04/01/2013

E45 Kayu Karet-Cina E55 Kopi Biji-Kanada

Kopi Biji-Korea Selatan

E47

Kayu Karet-Thailand E57

Kulit Kayu Manis-Thailand

E48 Wood

Flooring-Malaysia E58 Pinang Biji-Pakistan

E49 Wood

Flooring-Vietnam E59

07/01/2013 E61 Kopi Biji-Singapura 07/01/2013 E71 Minyak Sawit-Cina

E62 Kayu Karet-Malaysia E72 Minyak Sawit-Haiti

08/01/2013 E81 Pinang Biji-Pakistan 08/01/2013 E91

(31)

Manis-Tabel 3.1 Data Ekspor (Lanjutan)

Tgl Ekspor ID

ID

08/01/2013

E90 Karet Lempengan-Cina E100 Kopi Biji-Kanada

09/01/2013 E101 Minyak Sawit-Algeria 09/01/2013 E111

Wood

Flooring-10/01/2013 E121

Kopi Biji-Korea

Selatan 10/01/2013 E131

(32)

Kubis-Tabel 3.1 Data Ekspor (Lanjutan)

Tgl Ekspor ID

ID

10/01/2013 _E128 _{Minyak Sawit-Turki} 10/01/2013

E138 Kopi Biji-Perancis

E129 Karet Lempengan-Cina E139

Kopi Biji-Amerika Serikat

E130

Kulit Kayu

Manis-Republik Dominika E140 Kopi Biji-Kanada

11/01/2013 E141 Minyak Sawit-Cina 11/01/2013 E151 Minyak Sawit-Siria

14/01/2013 E161

Kopi Biji-Amerika

Serikat 14/01/2013 E171

(33)

Sawit-Tabel 3.1 Data Ekspor (Lanjutan)

Tgl Ekspor ID

Tgl Ekspor

ID

15/01/2013 E181 Minyak Sawit-Cina 15/01/2013 E191 Kulit Kayu Manis-Amerika Serikat

3.2.1 Algoritma Apriori

Pada tahapan ini akan dilakukan teknik aturan asosiasi dengan algoritma Apriori dan perancangan flowchart algoritma apriori dapat dilihat pada Gambar 3.2. Dari

flowchart tersebut dapat diuraikan lebih jelas proses asosiasi dari algoritma apriori,

dimana terlebih dahulu ditentukan nilai minimum support dan nilai minimum

confidence. Kemudian akan dilakukan proses pembuatan tabel C1 dengan

(34)

Min Support dan Min Confidence

Support(a) = (jumlah transaksi a / total transaksi) * 100%

Proses Pembuatan tabel C1

Proses Pembuatan Tabel C2

Support =( jumlah transaksi mengandung a

dan b / total transaksi) *

If confidence >= min confidence (kombinasi transaksi a

dan b / transaksi a) *100%

Gambar 3.2 Flowchart Algoritma Apriori

Langkah 1 : Mencari C1 (Kandidat 1-itemset)

Setelah ditentukan nilai minimum support dan minimum confidence, maka dilakukan proses pembentukan tabel C1. Dari Tabel 3.1 akan dilakukan pencarian nilai support pada masing-masing item dengan rumus :

Jumlah Transaksi mengandung A

Support : x 100%

(35)

Berdasarkan rumus diatas dapat dihitung nilai support masing-masing item, berikut ini dimisalkan pencarian nilai support untuk item Karet Lembaran berdasarkan data Tabel 3.1 :

20

Support(Karet Lembaran) : x 100% = 10%.

200

Maka dari hasil pencarian nilai support masing-masing item tersebut, tabel C1 terbentuk seperti yang terlihat pada Tabel 3.2.

Tabel 3.2 C1 (Kandidat 1-itemset)

Itemset Support

(36)

Tabel 3.2 C1 (Kandidat 1-itemset)(Lanjutan)

Cina 32/200 * 100% = 16 %

(37)

Langkah 2 : Menentukan L1

Berdasarkan Tabel 3.2 maka langkah selanjutnya yaitu penentuan nilai L1 = {large

1-itemset} dengan minimum support ≥ 5 %. Nilai-nilai support pada Tabel 3.2 yang lebih besar atau sama dengan 5% adalah nilai L1 ( Large 1-itemset) seperti terlihat pada Tabel 3.3

Tabel 3.3 L1 ( Large 1-itemset)

Kopi Biji 48/200 * 100% = 24 %

(38)

Kayu Karet 15/200 * 100% = 7,5 %

Taiwan 13/200 * 100% = 6,5 %

Langkah 3 : Mencari C2 (Kandidat 2-itemset)

Langkah selanjutnya yaitu mencari nilai support count berdasarkan kombinasi antara negara dan nama komoditas dengan rumus :

Jumlah Transaksi mengandung A dan B

Support : x 100%

Total Transaksi

Berdasarkan rumus diatas dapat dihitung nilai support masing-masing item, berikut ini dimisalkan pencarian nilai support untuk item Kopi Biji-Malaysia berdasarkan data Tabel 3.3 :

4

Support(Kopi Biji-Malaysia) : x 100% = 2%.

200

Hasil dari pencarian nilai support masing-masing item dapat dilihat pada Tabel 3.4.

Tabel 3.4 C2 (Kandidat 2-itemset)

Itemset Support Count Support

Kopi Biji, Malaysia 4 4/200 * 100% = 2%

Kopi Biji, Cina 0 0/200 * 100% = 0%

Kopi Biji, Amerika Serikat 15 15/200 * 100% = 7,5%

Kopi Biji, Pakistan 0 0/200 * 100% = 0%

Kopi Biji, Taiwan 3 3/200 * 100% = ,5%

Minyak Sawit, Malaysia 0 0/200 * 100% = 0%

Minyak Sawit, Cina 11 11/200 * 100% = 5,5%

(39)

Itemset Support Count Support

Karet Lembaran, Amerika

Serikat 1 1/200 * 100% = 0,5%

Karet Lembaran, Pakistan 0 0/200 * 100% = 0%

Karet Lembaran, Taiwan 0 0/200 * 100% = 0%

Kulit Kayu Manis,Malaysia 0 0/200 * 100% = 0%

Kulit Kayu Manis,Cina 0 0/200 * 100% = 0%

Kulit Kayu Manis, Amerika

Serikat 3 3/200 * 100% = 1,5%

Langkah 4 : Menentukan L2

Berdasarkan Tabel 3.4 maka langkah selanjutnya yaitu penentuan nilai L2 = {large

(40)

Tabel 3.5 L2 (Large 2-itemset)

Count Support

Kopi Biji, Amerika Serikat 15 15/200 * 100% = 7,5%

Minyak Sawit, Cina 11 11/200 * 100% = 5,5%

Pinang Biji, Pakistan 17 17/200 * 100% = 8,5%

Karet Lembaran, Cina 10 10/200 * 100% = 5%

Kemudian akan dihitung nilai confidence dari setiap item L2, dengan hasil dapat terlihat pada Tabel 3.6

Tabel 3.6 Confidence L2

Itemset x → y Confidence

Kopi biji → Amerika Serikat 15/48*100 = 31,25% Minyak sawit → Cina 11/31*100 = 35,48% Pinang Biji → Pakistan 17/24*100 = 70,83% Karet Lembaran → Cina 10/20*100 = 50%

Langkah selanjutnya yaitu dimisalkan nilai minimum confidence ≥ 35%, maka aturan asosiasi yang mungkin terbentuk adalah seperti yang terlihat pada Tabel 3.7.

Tabel 3.7 Aturan Asosiasi

If antecedent else

consequence (x --> y) Support Confidence

Kopi biji --> Amerika

Serikat 15/200 * 100% = 7,5% 15/48*100 = 31,25%

Minyak sawit --> Cina 11/200 * 100% = 5,5% 11/31*100 = 35,48%

(41)

If antecedent else

consequence (x --> y) Support Confidence

Pinang Biji --> Pakistan 17/200 * 100% = 8,5% 17/24*100 = 70,83%

Karet Lembaran --> Cina 10/200 * 100% = 5% 10/20*100 = 50%

Berdasarkan langkah-langkah di atas, maka dapat diperoleh kesimpulan bahwa komoditas yang memenuhi minimum support ≥ 5% dan minimum confidence ≥ 35%

sebagai berikut :

1. Jika mengekspor Minyak Sawit maka negara tujuannya Cina dengan nilai

support 5,5% dan confidence 35,48%

2. Jika mengekspor Pinang Biji maka negara tujuannya Pakistan dengan nilai

support 8,5% dan confidence 70,83%

3. Jika mengekspor Karet Lembaran maka negara tujuannya Cina dengan nilai

support 5% dan confidence 50%

3.2.2 Algoritma CT-Pro

(42)

Min support dan Min Confidence

Tampil tabel ekspor/impor

Proses menghitung frequent komoditas dan negara dalam

ekspor/impor

If komoditas/negara >= min support

Tampil data frequent

global

Proses menentukan frequent item(local frequent item)

Tampil tabel frequent item

Proses mencari kombinasi (frequent pattern)

If frequent pattern (kombinasi) >= 1

P1

Tampil kombinasi

Proses mencari confidence

If confidence >= min confidence

(43)

1. Menentukan frequent itemset

Untuk menentukan frequent itemset, terlebih dahulu dilakukan penelusuran data ekspor pada Tabel 3.1 dengan menghitung nilai support masing-masing item.. Hasil dari penelusuran tersebut, maka akan diketahui jumlah frekuensi kemunculan tiap item dan diurutkan dari yang terbesar hingga terkecil yang dapat dilihat pada Tabel 3.8.

Tabel 3.8 Frequent Item

(44)

(45)

Kemudian data diatas diseleksi kembali yang memenuhi dengan nilai minimum

support ≥ 5%, dan hasilnya dapat terlihat pada Tabel 3.9.

Tabel 3.9 Frequent List

Index Item Count

Langkah selanjutnya adalah mengurutkan itemset pada setiap tanggal kegiatan ekspor berdasarkan frekuensi paling tinggi seperti yang terlihat pada Tabel 3.10.

Tabel 3.10 Data Ekspor berdasarkan frequent list

TGL_Ekspor _Item

02/01/2013

Kopi Biji, Cina, Pinang Biji, Malaysia, Pakistan, Amerika Serikat, Karet Lembaran, Kulit Kayu Manis, Kayu Karet

03/01/2013

Kopi Biji, Cina, Minyak Sawit, Pinang Biji, Pakistan, Amerika Serikat, Karet Lembaran, Kulit Kayu Manis, Taiwan

04/01/2013

Kopi Biji, Cina, Minyak Sawit, Pinang Biji, Malaysia, Pakistan Amerika Serikat, Karet Lembaran, Kulit Kayu Manis, Kayu Karet, Taiwan

07/01/2013

Kopi Biji, Cina, Minyak Sawit, Pinang Biji, Malaysia, Pakistan, Amerika Serikat, Karet Lembaran, Kayu Karet, Taiwan

08/01/2013

Kopi Biji, Cina, Minyak Sawit, Pinang Biji, Malaysia, Pakistan, Amerika Serikat, Karet Lembaran, Kayu Karet, Taiwan

09/01/2013

(46)

Tabel 3.10 Data Ekspor berdasarkan frequent list (Lanjutan)

TGL_Ekspor Item

10/01/2013

Kopi Biji, Cina, Minyak Sawit, Pinang Biji, Malaysia, Pakistan, Amerika Serikat, Karet Lembaran, Kulit Kayu Manis, Taiwan

11/01/2013

14/01/2013

15/01/2013

2. Membentuk struktur data CFP Tree

Dari data ekspor yang berdasarkan frequent list pada Tabel 3.10, maka akan dibuat global item tablenya seperti pada Tabel 3.11.

Tabel 3.11 Global ItemTable

(47)

Langkah selanjutnya yaitu membentuk Global CFP-Tree, dapat terlihat seperti pada Gambar 3.4.

Kopi Biji[10]

Cina [10]

Minyak Sawit [9] Pinang Biji [1]

Pinang Biji [8] [1] Malaysia[1]

Malaysia[9] Pakistan[1] Pakistan[1]

Pakistan[8] A.Serikat[1] A.Serikat [1]

A.Serikat [8] Karet Lembaran[1] Karet Lembaran [1]

Karet Lembaran [2] [6] Kulit Kayu Manis[1] Kulit Kayu Manis [1]

Kayu Karet[2] Kulit Kayu Manis [6] [2] Taiwan [1] Kayu Karet [1]

Taiwan[2] Kayu Karet [4] Taiwan [2]

Taiwan [4]

Gambar 3.4 Global CFP-Tree

3. Melakukan proses mining

(48)

Tabel. Langkah yang dilakukan yaitu dilakukan pencarian node yang berkaitan

dengan Pakistan pada Global CFP-Tree yang kemudian disebut Local Frequent Item dan digunakan untuk membuat Local Item Tabel. Setelah itu dibuat Local CFP-Tree berdasarkan Local Item Tabel seperti yang terlihat pada Gambar 3.5.

Index Item Count

4 Pakistan 10

Gambar 3.5 Local CFP-Tree

Maka dari Local CFP-Tree di atas maka dapat diperoleh frequent pattern Pakistan yaitu :

- Pakistan

- Malaysia-Pakistan, Pinang Biji-Pakistan

- Pinang Biji-Malaysia-Pakistan, Minyak Sawit-Pinang Biji-Pakistan

- Minyak Sawit-Pinang Biji-Malaysia-Pakistan, Cina-Minyak Sawit-Pinang Biji-Pakistan, Cina-Pinang Biji-Malaysia-Pakistan

- Kopi Biji-Minyak Sawit-Pinang Biji-Malaysia-Pakistan, Kopi Biji-Cina-Minyak Sawit-Pinang Biji-Pakistan, Kopi Biji-Cina-Pinang Biji-Malaysia-Pakistan

Berdasarkan frequent pattern tersebut di atas, maka dapat dihitung nilai confidence dengan minimal confidence ≥ 35%. Karena perhitungannya sangat banyak, maka

(49)

penulis mengambil contoh dari frequent itemset {Pinang Biji-Malaysia-Pakistan} untuk dicari kombinasinya seperti yang terlihat pada Gambar 3.6 dan dihitung nilai

confidencenya.

Gambar 3.6 Proses Pencarian Kombinasi

Dari proses kombinasi tersebut, diperoleh pola sebagai berikut dengan perhitungan

confidence sebagai berikut :

- Pinang Biji → Malaysia : 0/24 x 100% = ~ - Malaysia → Pinang Biji : 0/22 x 100% = ~

- Pinang Biji → Pakistan : 17/24 x 100% = 70,83% - Pakistan → Pinang Biji : 0/22 x 100% = ~

- Malaysia → Pakistan : 0/22 x 100% = ~ - Pakistan → Malaysia : 0/22 x 100% = ~

Untuk pola kombinasi 3 tidak penulis hitung karena dari data kegiatan ekspor tidak terdapat kombinasi 3.

Berdasarkan langkah-langkah di atas, maka dapat diperoleh kesimpulan bahwa komoditas yang memenuhi minimum support ≥ 5% dan minimum confidence ≥ 35%

sebagai berikut :

1. Jika mengekspor Pinang Biji maka negara tujuannya Pakistan dengan nilai

confidence 70,83%

Pinang Biji (PB) Malaysia (M) Pakistan(P)

PB,M PB,P M,P

(50)

3.3 Perancangan Sistem

Perancangan sistem terdiri dari pembuatan data flow diagram (DFD) dan

flowchart sistem, perancangan database dan perancangan antarmuka pemakai (user interface).

3.3.1 Data flow diagram (DFD)

Data Flow Diagram (DFD) adalah suatu diagram yang menggunakan notasi-notasi untuk menggambarkan arus dari data sistem, yang penggunaannya sangat membantu untuk memahami sistem secara logika, tersruktur dan jelas. DFD merupakan alat bantu dalam menggambarkan atau menjelaskan . DFD disebut juga dengan nama

Bubble chart, Bubble diagram, model proses, diagram alur kerja atau model fungsi.

Berikut ini merupakan DFD untuk kedua algoritma :

1. DFD Level 0 Untuk Proses Membuat Perbandingan Algoritma Apriori dan Algoritma CT-Pro

(51)

User

P0 Perbandingan Algoritma Apriori dan

Algoritma CT-Pro Info Hasil Aturan Asosiasi

Gambar 3.7 DFD Level-0 Untuk Proses Membuat Perbandingan Algoritma Apriori dan Algoritma CT-Pro

Dari gambar 3.7 diatas dapat dijelaskan proses input dan output dari sistem yaitu yang dimulai dari user memasukkan data login, data komoditas, data negara, data relasi, data min support dan data min confidence kemudian sistem akan memproses dengan beberapa langkah sesuai dengan tahapan dari kedua algoritma. Dan hasil akhir dari sistem mining ini akan menghasilkan kombinasi komoditas dengan negara yang terbanyak baik itu ekspor maupun impor.

2. DFD Level 1 Untuk Proses Perbandingan Algoritma Apriori dan Algoritma CT-Pro

(52)

P1 Login

Info Apriori Ekspor / Apriori Impor

Data Min Support Data Min Confidence

Info CT-Pro Ekspor / CT-Pro Impor

Gambar 3.8 DFD Level-1 Untuk Proses Perbandingan Algoritma Apriori dan Algoritma CT-Pro

3. DFD Level 2 Untuk Proses Relasi

(53)

P4.1 Relasi

Ekspor Relasi_Ekspor

Data Relasi_Ekspor

Info Relasi_Ekspor User

Data Relasi_Ekspor

Info Relasi_Ekspor

Gambar 3.9 DFD Level-2 untuk Relasi Ekspor

P4.2 Relasi

Impor Relasi_Impor

Data Relasi_Impor

Info Relasi_Impor User

Data Relasi_Impor

Info Relasi_Impor

Gambar 3.10 DFD Level-2 untuk Relasi Impor

4. DFD Level 2 Untuk Proses Algoritma Apriori

(54)

P5.1 Cari C1

Info Hasil C1 dan L1

P5.2 Cari C2

P5.3 Cari L2 Hasil akhir_Kombinasi Data Hasil L2 Info Hasil C1 dan L1

Data Min Support Data Relasi

Info Hasil C2

Data Nilai Min Confidence

Hasil_Confidence Data L2

Info Hasil_Confidence Info Hasil Aturan Asosiasi

Gambar 3.11 DFD Level-2 untuk proses Algoritma Apriori

5. DFD Level 2 Untuk Proses Algoritma Apriori

(55)

P6.1 Cari Info Hasil Aturan Asosiasi

(56)

6. DFD Level 3 Untuk Olah Data Relasi

Dari DFD Level-2 untuk proses relasi dapat dikembangkan dalam bentuk DFD Level 3 untuk olah data relasi, baik itu olah data relasi ekspor maupun olah data impor. Kedua DFD tersebut dapat dilihat pada Gambar 3.13 dan Gambar 3.14.

P4.1.1 Tambah Relasi

Ekspor

Relasi_Ekspor Data Relasi_Ekspor yg

akan ditambah

User

Data Relasi_Ekspor yg akan ditambah

Info Relasi_Ekspor yg sudah ditambah

P4.1.2 Edit

Relasi Ekspor Relasi_Ekspor Data Relasi_Ekspor yg

akan diedit

Info Relasi_Ekspor yg sudah diedit Data Relasi_Ekspor yg

akan diedit

Info Relasi_Ekspor yg sudah diedit

P4.1.3 Hapus

Relasi Ekspor Relasi_Ekspor Data Relasi_Ekspor yg

akan dihapus

Info Relasi_Ekspor yg sudah dihapus Data Relasi_Ekspor yg

akan dihapus

Info Relasi_Ekspor yg sudah dihapus

Gambar 3.13 DFD Level-3 untuk proses olah data relasi ekspor

P4.2.1 Tambah Relasi

Impor

Relasi_Impor Data Relasi_Impor yg

akan ditambah

User

Data Relasi_Impor yg akan ditambah

Info Relasi_Impor yg sudah ditambah

P4.2.2 Edit

Relasi Impor Relasi_Impor Data Relasi_Impor yg

akan diedit

Info Relasi_Impor yg sudah diedit Data Relasi_Impor yg

akan diedit

Info Relasi_Impor yg sudah diedit

P4.2.3 Hapus

Relasi Impor Relasi_Impor Data Relasi_Impor yg

akan dihapus

Info Relasi_Impor yg sudah dihapus Data Relasi_Impor yg

akan dihapus

Info Relasi_Impor yg sudah dihapus

(57)

3.3.2 Perancangan flowchart sistem

Perancangan alur kerja dari sistem yang dirancang dapat dilihat pada Gambar 3.15. Start

(58)

Perancangan alur kerja sistem tersebut dimulai dengan start, maka akan tampil halaman utama dari sistem. Dari tampilan utama sistem tersebut, terdapat beberapa menu yang dapat dipilih. Apabila user memilih menu komoditas maka akan tampil data komoditas, jika tidak maka dapat memilih menu negara maka akan tampil data negara. Apabila user memilih menu ekspor maka akan tampil data kegiatan ekspor. Kemudian apabila user memilih Apriori Ekspor maka sistem akan menampilkan proses asosiasi apriori dengan memasukkan nilai minimum support dan minimum

confidence serta jumlah transaksinya dan apabila user memilih CT-Pro Ekspor maka

sistem akan menampilkan proses asosiasi ct-pro dengan memasukkan nilai minimum

support dan minimum confidence serta jumlah transaksinya. Demikian juga halnya

apabila user memilih menu impor, apriori impor dan ct-pro impor.

3.3.3 Perancangan database

Perancangan database dalam sistem ini yaitu berupa perancangan struktur tabel komoditas, tabel negara, tabel ekspor dan tabel impor.

1. Tabel User

Pada tabel user seperti yang terlihat pada Tabel 3.12 berfungsi sebagai data login untuk memulai sebuah sistem.

Tabel 3.12 Tabel User

Nama Field Type Length Key Keterangan

id_user int 10 * ID user

username Varchar 30 Username

(59)

2. Tabel Komoditas

Pada tabel komoditas seperti yang terlihat pada Tabel 3.13 berfungsi untuk menyimpan data komoditas ekspor ataupun impor.

Tabel 3.13 Tabel Komoditas

id_negara int 10 * ID Negara

nama_negara Varchar 30 Nama Negara

3. Tabel Negara

Pada tabel negara seperti yang terlihat pada Tabel 3.14 berfungsi untuk menyimpan data negara tujuan ekspor ataupun impor.

Tabel 3.14 Tabel Negara

id_komoditas int 10 * ID Komoditas

nama_ko moditas Varchar 30 Nama Komoditas

deskripsi Text Deskripsi

4. Tabel Relasi

Pada tabel relasi seperti yang terlihat pada Tabel 3.15 berfungsi untuk menyimpan data relasi antara negara dengan komoditas pada tanggal tertentu.

Tabel 3.15 Tabel Relasi

id_relasi int 10 * ID Relasi

(60)

Tabel 3.15 Tabel Relasi (Lanjutan)

id_komoditas int 10 ID Komoditas

id_negara int 10 ID Negara

tgl_relasi Date Tanggal Relasi

5. Tabel Kombinasi Gabung

Pada tabel kombinasi gabung seperti yang terlihat pada Tabel 3.16 berfungsi untuk mmenyimpan data kombinasi antara negara dengan komoditas.

Tabel 3.16 Tabel Kombinasi Gabung

id_komoditas int 10 * Id_komoditas

id_negara int 10 Id_negara

6. Tabel Hasil Akhir Kombinasi

Tabel hasil akhir kombinasi seperti pada Tabel 3.17 berfungsi untuk menyimpan data hasil akhir kombinasi yang telah memenuhi nilai minimum confidence dan minimum

support.

Tabel 3.17 Tabel Hasil Akhir Kombinasi

id_hasil_akhir int 10 * id_hasil_akhir

id_komoditas int 10 id_komoditas

id_negara int 10 id_negara

(61)

Tabel 3.17 Tabel Hasil Akhir Kombinasi (Lanjutan)

hasil_support varchar 30 hasil_support

final_hasil varchar 30 final_hasil

7. Tabel Hasil Confidence

Tabel 3.18 berfungsi untuk menyimpan hasil data akhir yang memenuhi nilai minimum confidence yang merupakan kesimpulan akhir.

Tabel 3.18 Tabel Hasil Confidence

id_ hasil_confidence int 10 * id_ hasil_confidence

hasil_confidence varchar 30 hasil_confidence

8. Tabel Gabung CT-Pro

Tabel gabung ct-pro pada Tabel 3.19 berfungsi untuk menyimpan data kombinasi antara negara dengan komoditas.

Tabel 3.19 Tabel Gabung CT-Pro

id_item int 10 * Id_item

item_gabung int 10 Item_gabung

count_gabung varchar 30 Count_gabung

(62)

9. Tabel Frequent Komoditas

Tabel frequent komoditas seperti pada Tabel 3.20 berfungsi untuk menyimpan data jumlah frekuensi komoditas.

Tabel 3.20 Tabel Frequent Komoditas

id_frequent_komoditas int 10 * id_frequent_komoditas

kode_relasi int 10 kode_relasi

10. Tabel Frequent Negara

Tabel frequent negara seperti pada Tabel 3.21 berfungsi untuk menyimpan data jumlah frekuensi komoditas.

Tabel 3.21 Tabel Frequent Negara

id_frequent_negara int 10 * id_frequent_negara

kode_relasi int 10 kode_relasi

11. Tabel Hasil CT-Pro

Tabel hasil ct-pro pada Tabel 3.22 berfungsi untuk menyimpan hasil data akhir yang memenuhi nilai minimum confidence yang merupakan kesimpulan akhir.

Tabel 3.22 Tabel Hasil CT-Pro

id_ hasil_ct-pro int 10 * id_ hasil_ct-pro

(63)

Tabel 3.22 Tabel Hasil CT-Pro (Lanjutan)

confidence varchar 40 confidence

3.3.4 Perancangan interface sistem

Perancangan tampilan sistem yang akan dibuat adalah sebagai berikut :

1. Perancangan Login

Gambar 3.16 menjelaskan tampilan untuk form login dari sistem yang akan dibuat :

Login Username

Password

1

3 2

Gambar 3.16 Form Login Keterangan :

(64)

2. Perancangan Halaman Utama

Gambar 3.17 menjelaskan perancangan halaman utama dari sistem, dalam halaman ini terdapat beberapa pilihan.

Ekspor Impor Data Mining Komoditas Pertanian

Dashboard

Gambar 3.17 Halaman Utama Keterangan :

1. Tombol untuk ke menu utama 2. Tombol untuk ke menu komoditas 3. Tombol untuk ke menu negara 4. Tombol untuk ke menu Ekspor

5. Tombol untuk ke menu proses Apriori Ekspor 6. Tombol untuk ke menu proses CT-Pro Ekspor 7. Tombol untuk ke menu Impor

(65)

3. Perancangan Menu Komoditas

Gambar 3.18 menjelaskan merupakan perancangan menu komoditas yang berguna sebagai menu untuk data komoditas dan Gambar 3.19 menjelaskan tampilan untuk edit komoditas.

Tabel Komoditas

No Kode Komoditas Nama Komoditas Opsi

Edit Delete

Gambar 3.18 Menu Komoditas Keterangan :

1. Daftar nomor komoditas yag berfungsi sebagai id komoditas 2. Daftar Kode komoditas

3. Daftar Nama komoditas

4. Menu untuk menambah komoditas 5. Menu delete komoditas

6. Menu edit komoditas

Edit Komoditas

(66)

Keterangan :

1. Untuk mengisi nama komoditas 2. Untuk mengisi deskripsi komoditas

3. Menu untuk menyimpan data komoditas baru

4. Perancangan Menu Negara

Gambar 3.20 menjelaskan perancangan menu komoditas yang berguna sebagai menu untuk data komoditas dan Gambar 3.21 menjelaskan tampilan untuk edit komoditas.

Tabel Negara

No Nama Negara Opsi

Edit Delete

3

5 2

1

4

Gambar 3.20 Menu Negara Keterangan :

1. Daftar nomor komoditas yag berfungsi sebagai id negara 2. Daftar nama negara

3. Menu edit komoditas

(67)

Edit Negara

Nama Negara

Simpan

1

2

Gambar 3.21 Menu Edit Negara

Keterangan :

1. Untuk mengisi nama negara

2. Menu untuk menyimpan data negara baru

5. Perancangan Menu Ekspor

Menu ekspor merupakan menu yang berisi data kegiatan ekspor komoditas pertanian yang dapat dilihat pada Gambar 3.22 dan juga pada Gambar 3.23 yang merupakan menu input ekspor.

Tabel Ekspor

No Nama Negara Opsi

Edit Delete

3 2 1

Kode Relasi Nama

Komoditas Tanggal Komoditas

Gambar 3.22 Menu Ekspor Keterangan :

1. Daftar nomor kegiatan ekspor

(68)

3. Daftar nama komoditas 4. Daftar nama negara

5. Menu untuk tambah ekspor 6. Menu delete ekspor

7. Menu edit ekspor 8. Menu tanggal ekspor

Input Ekspor

Gambar 3.23 Menu Input Ekspor

Keterangan :

1. Untuk mengisi relasi antara komoditas dan negara 2. Menu daftar nama komoditas

3. Menu daftar nama negara 4. Menu tanggal ekspor

5. Menu untuk menyimpan daftar baru ataupun perubahan data

6. Perancangan Menu Apriori Ekspor

(69)

Apriori

Gambar 3.24 Menu Apriori Ekspor

Keterangan :

1. Untuk mengisi nilai minimum support 2. Untuk mengisi nilai minimum confidence 3. Menu untuk proses mining

Analisis dengan Apriori

Nomor Kesimpulan Confidence

Lama Proses : ... detik 2

1 ₃

4

Gambar 3.25 Analisis dengan Apriori Keterangan :

1. Daftar nomor hasil mining 2. Kesimpulan dari proses mining 3. Nilai confidence

4. Waktu dalam proses sistem

7. Perancangan Menu CT-Pro Ekspor

(70)

CT-Pro

Minimum Support

Minimum Confidence

Proses

1

3 2

Gambar 3.26 Menu CT-Pro Ekspor

Keterangan :

1. Untuk mengisi nilai minimum support 2. Untuk mengisi nilai minimum confidence 3. Menu untuk proses mining

Analisis dengan CT-Pro

Nomor Kesimpulan Confidence

Lama Proses : ... detik 2

1 ₃

4

Gambar 3.27 Analisis dengan CT-Pro

Keterangan :

1. Daftar nomor hasil mining 2. Kesimpulan dari proses mining 3. Nilai confidence

4. Waktu dalam proses sistem

(71)

BAB 4

IMPLEMENTASI DAN PENGUJIAN SISTEM

Implementasi yang akan dijabarkan pada bab ini berdasarkan perancangan sistem pada bab sebelumnya. Dan untuk pengujian sistem dilakukan dengan menentukan nilai minimum support dan minimum confidence yang berbeda yang akan menghasilkan aturan asosiasi yang berbeda-beda.

4.1 Implementasi

Implementasi sistem dengan menerapkan algoritma Apriori dan algoritma CT-Pro untuk menemukan pola frekuensi ekspor/impor terbanyak oleh pengguna jasa, diaplikasikan kedalam bahasa pemrograman PHP. Dalam implementasi dari sistem ini membutuhkan perangkat keras (hardware) dan perangkat lunak (software). Adapun hardware dan software yang akan dibutuhkan sebagai berikut :

1. Perangkat Keras (Hardware)

a. Micro Processor minimal Pentium 4 b. Harddisk minimal 40GB

c. RAM berkapasitas 512MB d. Monitor

e. Keyboard f. Mouse

2. Perangkat Lunak (Software) a. PHP 5.3.8

b. MySql 5.5.16

(72)

Adapun tampilan dari aplikasi sistem yang menerapakan algoritma Apriori dan algoritma CT-Pro adalah sebagai berikut :

a. Tampilan Form Menu Login

Gambar 4.1 Form Menu Login

Pada form login seperti terlihat pada Gambar 4.1, user dapat mengisi username dan password dengan benar untuk dapat menjalankan sistem menuju menu utama.

b. Tampilan Form Menu Utama

Gambar 4.2 Form Menu Utama

(73)

c. Tampilan Form Menu Komoditas

Menu komoditas digunakan untuk memasukkan data komoditas baik itu untuk ekspor maupun impor ke dalam sistem adapun tampilannya dapat dilihat pada Gambar 4.3.

Gambar 4.3 Form Menu Komoditas

(74)

Gambar 4.4 Form Menu Input Komoditas

Menu edit berguna untuk mengedit data komoditas yang telah dimasukkan sebelumnya dan tampilan untuk menu edit komoditas ini dapat dilihat pada Gambar 4.5

(75)

d. Tampilan Form Menu Negara

Menu negara digunakan untuk memasukkan data negara baik itu untuk ekspor maupun impor ke dalam sistem adapun tampilannya dapat dilihat pada Gambar 4.6.

Gambar 4.6 Form Menu Negara

(76)

Gambar 4.7 Form Menu Input Negara

Menu edit berguna untuk mengedit data negara yang telah dimasukkan sebelumnya dan tampilan untuk menu edit komoditas ini dapat dilihat pada Gambar 4.8.

(77)

e. Tampilan Form Menu Ekspor

Menu ekspor digunakan untuk memasukkan data ekspor yang merupakan kombinasi antara negara dan komoditas ke dalam sistem, demikian halnya untuk menu impor adapun tampilannya dapat dilihat pada Gambar 4.9.

Gambar 4.9 Form Menu Ekspor

(78)

Gambar 4.10 Form Menu Input Ekspor

Menu edit berguna untuk mengedit data ekspor yang telah dimasukkan sebelumnya dan tampilan untuk menu edit komoditas ini dapat dilihat pada Gambar 4.11.

(79)

f. Tampilan Form Input Parameter Apriori / CT-Pro

Menu Input Parameter Apriori / CT-Pro seperti terlihat pada Gambar 4.12 berguna untuk memasukkan data nilai minimum support dan minimum confidence.

Gambar 4.12 Form Menu Input Parameter Apriori / CT-Pro

Setelah data nilai minimum support dan minimum confidence dimasukkan, klik tombol proses untuk memperoleh hasil aturan asosiasi yang diingiinkan. Dan untuk melihat hasil aturan asosiasi tersebut dapat dilihat pada Gambar 4.13

(80)

4.2 Pengujian Sistem

Pengujian sistem dilakukan dengan memasukkan nilai yang berbeda-beda untuk parameter support dan confidence, sehingga dapat diperoleh hasil ataupun rule yang baru sebagai berikut :

1. Jika dimasukkan minimum support = 3% dan confidence = 15 %

Gambar 4.14 Pengujian 1 untuk proses apriori

Berdasarkan pengujian yang dilakukan seperti terlihat pada Gambar 4.14 banyak rule yang dihasilkan yaitu 12 rules selama 1,6385 detik.

(81)

Gambar 4.17 Pengujian 2 untuk proses ct-pro

(82)

(83)

(84)

(85)

Dari beberapa pengujian yang telah dilakukan, maka dapat dilihat hasil perbandingan pengujian dari kedua algoritma seperti yang terlihat pada Tabel 4.1 dan Gambar 4.24.

Tabel 4.1 Hasil pengujian

Pengujian

Apriori CT-Pro

Rules Waktu

(86)

Berdasarkan grafik pada Gambar 4.24 dapat terlihat jelas bahwa dengan memasukkan nilai minimum support dan confidence yang berbeda diperoleh hasil yang berbeda juga yaitu :

a. Untuk algoritma apriori jika dimisalkan minimum support 3% dan minimum confidence 15% maka akan menghasilkan 12 rules dengan waktu prosesnya 1,609 detik , sedangkan jika minimum support 3% dan minimum confidence 45% maka akan menghasilkan 6 rules dengan waktu prosesnya 1,5761 detik. b. Untuk algoritma ct-pro jika dimisalkan minimum support 3% dan minimum

(87)

BAB 5

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil pengujian yang telah dilakukan maka dapat diperoleh kesimpulan sebagai berikut :

1. Apabila semakin kecil nilai nilai minimum support atau minimum confidence yang diberikan maka waktu proses yang dibutuhkan lebih lama, demikian sebaliknya apabila diberikan nilai yang lebih besar.

2. Dari hasil perbandingan pengujian antara algoritma apriori dan algoritma ct-pro dapat diperoleh kesimpulan bahwa algoritma ct-pro memiliki waktu proses yang lebih singkat dibandingkan algoritma apriori.

3. Berdasarkan pengujian yang telah dilakukan dan dimisalkan bila nilai support 5% dan nilai confidence 50% pada kegiatan ekspor maka dapat diperoleh kesimpulan bahwa komoditas Kayu Karet merupakan salah satu komoditas ekspor yang memiliki frekuensi tertinggi sebesar 70,58% dengan negara tujuan ekspor terbesarnya adalah Malaysia. Maka, berdasarkan hal tersebut dapat membantu instansi dalam mengetahui jenis-jenis komoditas unggulan dan juga dapat membantu instansi apabila ingin membuat laporan tahunan.

5.2 Saran

Penelitian yang dilakukan masih jauh dari kata sempurna, oleh karena itu penulis mengharapkan saran dari segala pihak untuk memperoleh kesempurnaan. Berdasarkan penelitian, saran yang dapat penulis sampaikan yaitu :

1. Dapat membuat sistem perbandingan yang lebih baik dan dapat membuat grafik secara langsung dari hasil yang diperoleh.

(88)

BAB 2

TINJAUAN PUSTAKA

Pada tinjauan pustaka ini membahas tentang landasan teori yang medukung pembahasan yang berhubungan dengan sistem yang akan dibuat.

2.1 Data Mining

Data mining adalah kegiatan menemukan pola yang menarik dari data dalam jumlah besar dimana data tersebut dapat disimpan dalam bentuk database, data warehouse, atau penyimpanan informasi lainnya. Data mining berkaitan dengan bidang ilmu– ilmu lain, seperti database system, data warehousing, statistik, machine learning,

information retrieval, dan komputasi tingkat tinggi. Selain itu, data mining didukung

oleh ilmu lain seperti neural network, pengenalan pola, spatial data analysis, image

database, signal processing (Han,et al., 2006). Data mining adalah proses

menganalisa data dari perspektif yang berbeda dan menyimpulkannya menjadi informasi-informasi penting yang dapat dipakai untuk meningkatkan keuntungan, memperkecil biaya pengeluaran, atau bahkan keduanya.

Data mining dapat disebut sebagai proses untuk menemukan korelasi atau pola dari ratusan atau ribuan field dari sebuah relasional database yang besar dan menggunakan teknologi pengenalan pola seperti yang terdapat pada teknik-teknik di statistika dan matematika (Larose,2005). Data mining juga disebut sebagai serangkaian proses untuk menemukan suatu pengetahuan atau informasi yang selama ini tidak diketahui dari data berskala besar dan sering juga disebut sebagai knowledge

discovery in database (KDD) (Santosa,2007). KDD adalah kegiatan yang meliputi

(89)

yang sudah mapan terlebih dahulu. Karakteristik data mining(Wirdasari& Ahmad.2011) sebagai berikut:

1. Data miningberguna untuk menemukan penemuan sesuatu yang pola data tertentu yang tersembunyi dan tidak diketahui sebelumnya.

2. Data mining biasa menggunakan data yang berukuran besar yang tersimpan dalam suatu basis data. Biasanya data yang besar digunakan data mining berguna untuk membuat keputusan yang kritis, terutama dalam strategi.

Berikut ini merupakan beberapa tahapan dalam data mining sebagai berikut:

Knowledge

Evaluation & Presentation

Data Mining

Selection& Transformation patterns

Cleaning & Integration data

warehouse

database flat file

Gambar 2.1 Tahapan Data Mining(Han, et al., 2006)

1. Pembersihan Data (DataCleaning)

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