BAB 2
LANDASAN TEORI
2.1. Analisis Kebiasaan Membeli Customer (Market Basket Analysis)
Market basket analysis [Han, Kamber, 2001: pp34-39], adalah salah satu cara yang digunakan untuk menganalisis data penjualan dari suatu perusahaan. Proses ini menganalisis kebiasaan membeli konsumen ( buying habits ) dengan menemukan asosiasi antar item-item yang berbeda yang diletakkan konsumen dalam daftar belanja (shopping basket). Hasil yang telah didapatkan ini nantinya dapat dimanfaatkan oleh perusahaan retail seperti toko atau swalayan untuk mengembangkan strategi pemasaran dengan melihat item-item mana saja yang sering dibeli secara bersamaan oleh konsumen.
Untuk beberapa kasus, pola dari item-item yang dibeli secara bersamaan oleh konsumen mudah untuk ditebak, misalnya susu dibeli bersamaan dengan roti. Namun, mungkin saja terdapat suatu pola pembelian item yang tidak pernah terpikirkan sebelumnya. Misalnya, pembelian minyak goreng dengan deterjen. Mungkin saja pola seperti ini tidak pernah terpikirkan sebelumnya karena minyak goreng dan deterjen tidak mempunyai hubungan sama sekali, baik sebagai barang pelengkap maupun barang pengganti. Hal ini mungkin tidak pernah terpikirkan sebelumnya sehingga tidak dapat diantisipasi jika terjadi sesuatu, seperti kekurangan stok deterjen misalnya. Inilah salah satu manfaat yang dapat diperoleh dari melakukan market basket analysis. Dengan melakukan proses ini secara otomatis, dengan bantuan komputer, seorang manajer tidak perlu mengalami kesulitan untuk menemukan pola mengenai item apa saja
yang mungkin dibeli secara bersamaan, karena data dari transaksi penjualan akan memberitahukannya sendiri.
2.2. Aturan Asosiasi (Association Rule)
Association rule mining adalah suatu prosedur untuk mencari hubungan antar item dalam suatu data set yang ditentukan. (Han, Kamber, 2001:p34-39). Association rule meliputi dua tahap: (Ulmer, David, 2002:p23-28)
1. Mencari kombinasi yang paling sering terjadi dari suatu itemset (himpunan dari item-item yang muncul bersama-sama).
2. Mendefinsikan Condition dan Result (untuk conditional association rule).
Dalam menentukan suatu association rule, terdapat suatu interestingness measure (ukuran kepercayaan) yang didapatkan dari hasil pengolahan data dengan perhitungan tertentu. Umumnya ada dua ukuran, yaitu:
Support: suatu ukuran yang menunjukkan seberapa besar tingkat dominasi suatu item/itemset dari keseluruhan transaksi. Ukuran ini menentukan apakah suatu item/itemset layak untuk dicari confidence-nya (misal, dari keseluruhan transaksi yang ada, seberapa besar tingkat dominasi yang menunjukkan bahwa item A dan B dibeli bersamaan).
Confidence: suatu ukuran yang menunjukkan hubungan antar 2 item secara conditional (misal, seberapa sering item B dibeli jika orang membeli item A).
Kedua ukuran ini nantinya berguna dalam menentukan interesting association rules, yaitu untuk dibandingkan dengan batasan (treshold) yang ditentukan oleh user. Batasan tersebut umumnya terdiri dari min_support dan min_confidence.
Contoh 2.1. : Suatu association rule:
If A then B [support=2%, confidence=60%], dimana A dan B adalah kumpulan item yang dibeli oleh konsumen perusahaan X.
Artinya: item A dan B dibeli bersamaan sebesar 2% dari keseluruhan data transaksi yang dianalisis dan 60% dari semua konsumen yang membeli item A juga membeli item B.
Dari contoh di atas, jika support-nya>=min_support dan confidence-nya>=min_confidence, maka rule tersebut bisa dikatakan sebagai interesting rule.
2.3. Apriori Algorithm
“Apriori is an influental algorithm for mining frequent itemsets for Boolean association rules.” (Han, Kamber, 2001:pp34-39). Apriori adalah suatu algoritma yang sudah sangat dikenal dalam melakukan pencarian frequent Itemset (itemset dimana supportnya lebih besar) dengan association rule. Sesuai dengan namanya, algoritma ini menggunakan knowledge mengenai frequent Itemset yang telah diketahui sebelumnya, untuk memproses informasi selanjutnya. Algoritma inilah yang biasanya dipakai dalam proses data mining untuk market basket analysis.
2.4. Fuzzy c-Covering
Fuzzy c-covering merupakan salah satu metode yang dipakai untuk mengklasifikasikan elemen-elemen dari suatu himpunan universal menjadi partisi-partisi berupa fuzzy sets (bagian dari himpunan universal). Fuzzy covering sendiri merupakan generalisasi dari metode fuzzy c-partition yang telah dikenal sebelumnya. Fuzzy c-c-partition dapat didefinisikan sebagai berikut (Klir, Yuan, 2001, pp.120-124):
Misalkan I = {i1, i2, …, in} adalah domain dari data. Fuzzy c-partition dari I adalah fuzzy subset
atau fuzzy classes dari T, ditunjukkan oleh T = {t1, t2, …, tc}, yang memenuhi:
1 = ) i ( t μ
∑
c 1 = m k m , untuk semua k ∈ Nn. ... (1) 0 <∑
n 1 = k k) i ( μtm < n, untuk semua m ∈ Nc ... (2)dimana: c adalah positive integer (0 < c <= n) dan μtm(ik) ∈ [0,1].
Berikut ini contoh untuk memperjelas rumus di atas.
Contoh 2.2. : Dimisalkan ada suatu fuzzy classes sebagai berikut:
}. 1/i , 1/i , {0.6/i = μ }, 0.4/i , 0.8/i , {0.2/i = μ }, 0.2/i , 0.8/i , {1/i = μ 6 5 4 t 4 3 2 t 3 2 1 t 3 2 1
Dari contoh di atas dapat diketahui jumlah elemen yang terlibat (n = 6) dan jumlah partisinya (c = 3).
Fuzzy class di atas dapat dikatakan sebagai fuzzy 3-partition dari suatu domain I={i1, i2, i3, i4, i5,
i6} karena memenuhi rumus (1) dan (2).
Di dalam Fuzzy c-Covering, rumus (1) dari teori fuzzy c-partition tersebut digeneralisasi menjadi (Intan, Mukaidono, 2003,pp.167-172): 1 >= ) i ( μt
∑
c 1 = m k m , untuk semua k ∈ Nn...(3)Untuk memperjelasnya, diberikan contoh sebagai berikut:
Contoh 2.3. : Dimisalkan ada suatu fuzzy classes sebagai berikut:
}. 1/i , 1/i , {1/i = μ }, 0.2/i 0.6/i , 0.8/i , {1/i = μ }, 0.4/i , 0.8/i , {1/i = μ 6 5 4 t 6 4, 3 2 t 3 2 1 t 3 2 1
Dari contoh di atas dapat diketahui n = 6 dan c = 3.
Fuzzy class di atas dapat dikatakan sebagai fuzzy 3-covering dari suatu domain I = {i1, i2, i3, i4, i5,
i6} karena memenuhi rumus (2) dan (3).
2.4.1. Degree of Similarity in Fuzzy c-Covering
Pada contoh 2.2 dan 2.3 di atas merepresentasikan fuzzy classes (T) sebagai fuzzy set terhadap crisp element dari data pada domain I. Sebaliknya, setiap crisp element dari data pada I
juga dapat direpresentasikan sebagai fuzzy set dari fuzzy classes (T) dengan rumus (Intan, Mukaidono, 2003,p167-172):
∑
I ∈ i t m t j i ) i ( μ ) i ( μ = ) t ( μ j j m ...(4)Contoh 2.4: Elemen i1 dari fuzzy 3-partition dapat direpresentasikan sebagai berikut:
Tabel 2.1 Tabel Untuk contoh
Keterangan : I1,I2,I3,I4,I5,I6,I7,I8 Merupakan produk item yang dijual
Dimisalkan telah terdapat hasil yang akan di cari yaitu, I1,I2,I3 yang didefinisikan sebagai fuzzy set terhadap T. Untuk lebih jelasnya, akan diberikan cara mendefenisikan item I1 sebagai fuzzy set terhadap T=100, I2 sebagai fuzzy set terhadap T=100, dan I3 sebagai fuzzy set terhadap T=300 sebagai berikut: 0,33 = 1/3 + 1/3 + 1/3 1/3 = ) I ( μ + ) I ( μ + ) I ( μ ) ( μ = ) 100 ( μ 5 2 1 1 I 100 100 100 100 1 Ι
0,33 = 1/3 + 1/3 + 1/3 1/3 = ) I ( μ + ) ( μ + ) I ( μ ) ( μ = ) 100 ( μ 5 2 1 2 I2 100 100 100 100 Ι Ι 0,5 = 1/2 + 1/2 1/2 = ) I ( μ + ) I ( μ ) ( μ = ) 300 ( μ 3 2 3 I 300 300 00 3 3 Ι
Bisa dikatakan bahwa μI1(100)adalah true value dari preposisi “if 100 then I1” atau true value
dari I1 given 100. Dengan cara yang sama, bisa didapatkan:
}. 900 / ) 3 / 1 ( , 800 / ) 4 / 1 ( , 700 / ) 2 / 1 ( , 600 / ) 2 / 1 ( , 500 / ) 2 / 1 ( , 300 / ) 2 / 1 ( { = μ , (1/3)/900} (1/4)/800, (1/2)/600, (1/3)/400, (1/2)/300, (1/2)/200, , {(1/3)/100 = μ }, 900 / ) (1/3 (1/4)/800, (1/2)/700, (1/2)/500, (1/3)/400, , {(1/3)/100 = μ 3 2 1 I I I
Seperti dapat dilihat, hasil perhitungan di atas memenuhi rumus (1) dan (2).
2.4.2. Fuzzy Conditional Probability Relation 2.4.2.1 Basic Concept
Umumnya, dalam mengukur derajat kesamaan antara dua fuzzy set digunakan fuzzy conditional probability relation dengan rumusan sebagai berikut: (Intan, Mukaidono, 2003:pp167-172) Y | Y ∩ X | = X) | P(Y = Y) R(X,
∑
∑
I ∈ i I ∈ i ) i ( μ )} i ( μ ), i ( μ min{ = X Y X ... (5)dimana: μx dan μy adalah fungsi anggota dari domain I untuk masing-masing X dan Y dari himpunan universal U.
Dalam prakteknya, fuzzy conditional probability relation dapat digunakan sebagai dasar untuk merepresentasikan degree of similarity relationship antara dua fuzzy set dalam universe U. Dalam definisi fuzzy conditional probability relation, nilai probabilitas bisa diperkirakan berdasarkan hubungan semantik antar fuzzy set dengan menggunakan pandangan subjektif dari teori probabilitas.
Contoh 2.5: Berikut ini adalah contoh penggunaan rumus (5):
% 68 68 , 0 0.19 0.13 = )} {(i Support )} i , {(i Support = ) t ( μ )} t ( μ ), t ( μ min{ = ) i i ( ) i , R(i 1 2 1 I ∈ t d I ∈ t i i 2 1 2 1
∑
∑
2 2 1 = = => =Berdasarkan konsep-konsep yang telah dijelaskan di atas inilah dibuat suatu algoritma yang diterapkan dalam proses pembuatan aplikasi data mining untuk market basket analysis. 2.4.2.2 Terminologi dan perhitungan support
Berikut ini akan dijelaskan terminology yang digunakan dalam association rule : • Itemset: himpunan dari item-item yang muncul bersama-sama
• Kaidah asosiasi: peluang bahwa item-item tertentu hadir bersama-sama. • Support, supp(X) dari suatu itemset X adalah rasio dari jumlah transaksi dimana suatu itemset muncul dengan total jumlah transaksi.
• Konfidence (keyakinan) dari kaidah X . Y, ditulis conf(X . Y) adalah – conf(X → Y)=supp(X ∪ Y) / supp(X)
– Konfindence bisa juga didefinisikan dalam terminologi peluang bersyarat conf(X → Y)=P(Y|X)=P(X ∩ Y)/P(X)
Dengan menggunakan terminology yang telah di jelaskan sebelumnya, berikut ini merupakan rumus dalam mencari support pada Fuzzy C-covering:
………(6) Keterangan :
u= k = jumlah item dalam u; Tt = transaksi ke-t
|Tt| = jumlah item dalam Tt.
= kombinasi k-item terhadap |Tt|; n = jumlah record/tuple;
s(u,Tt) ε{0,1} adalah suatu function, dimana: jika u ε Tt , maka s(u,Tt) = 1, selain itu s(u,Tt) = 0.
2.5 Interaksi Manusia dengan Komputer
Interaksi manusia dan komputer adalah disiplin ilmu yang berhubungan dengan perancangan, evaluasi, dan implementasi sistem komputer interaktif untuk digunakan oleh manusia, serta studi fenomena-fenomena besar yang berhubungan dengannya. Ilmu ini secara khusus menitikberatkan pada perancangan dan evaluasi antarmuka pemakai (user inteface).
2.5.1 Pengertian Interaksi Manusia dan Komputer
Menurut Dastbaz (2003, p108), interaksi manusia dan komputer tidak dapat terlepas dari istilah antarmuka pemakai (user interface). Dastbaz juga menjelaskan bahwa antarmuka pemakai
ialah semua saluran informasi yang memungkinkan pemakai dan komputer dapat saling berkomunikasi.
Menurut Schneiderman (2005, p4) interaksi manusia dan komputer merupakan disiplin ilmu yang berhubungan dengan, perancangan, evaluasi, dan implementasi sistem computer interaktif untuk digunakan oleh manusia, serta studi fenomena-fenomena besar yang berhubungan dengannya.
2.5.2 Delapan Aturan Emas pada Perancangan Antarmuka
Menurut Schneiderman (1998, p74-75), ada delapan aturan emas perancangan antarmuka yang harus diperhatikan dalam perancangan dialog.
Delapan aturan emas (Eight Golden Rules) tersebut adalah: a. Berusaha untuk konsisten
Urutan aksi yang konsisten diperlukan pada situasi yang sama.Konsistensi juga harus digunakan pada prompt, menu, layar bantu, warna, tampilan layar, kapitalisasi, huruf dan sebagainya juga harus konsisten.
b. Memungkinkan frequent users menggunakan shortcuts
Pengguna yang sudah sering menggunakan aplikasi lebih menginginkan kecepatan dalam mengakses fungsi-fungsi yang diinginkan. Sehingga disediakan tombol-tombol spesial penyingkat untuk memudahkan user langsung berinteraksi dengan fungsi yang diinginkannya.
c. Memberikan umpan balik yang informatif
Umpan balik harus diberikan untuk memberikan informasi kepada user sesuai dengan aksi (action) yang dilakukan, sehingga user mengetahui aksi apa yang telah dan akan dilakukan
dengan adanya umpan balik ini. Umpan balik dapat berupa konfirmasi atau informasi atas suatu aksi.
d. Merancang dialog yang memberikan penutupan (keadaan akhir)
Umpan balik atas akhir dari suatu proses-proses dan aksi sangat membantu dan juga penguna mendapat signal untuk melanjutkan aksi lainnya.
e. Memberikan pencegahan kesalahan dan penanganan kesalahan yang sederhana
Sistem dirancang sedemikian rupa sehingga dapat mencegah pengguna dalam membuat kesalahan. Bila terjadi kesalahan, sistem harus dapat memberikan instruksi sederhana, konstruktif, dan spesifik untuk perbaikan.
f. Memungkinkan pembalikan aksi yang mudah
User kadang tidak sengaja melakukan aksi yang tidak diinginkan, untuk itu user ingin melakukan pembatalan. Sistem harus dapat memberikan fungsi pembatalan ini sehingga user akan merasa lebih aman dan tidak takut dalam mencoba dan memakai sistem tersebut.
g. Mendukung internal locus of control
User yang berpengalaman sangat menginginkan kontrol yang kuat pada sistem sehingga user merasa menguasai sistem tersebut. Sistem yang tidak terduga dan sulit dalam melakukan aksi, akan menyulitkan user.
h. Mengurangi beban ingatan jangka pendek
Keterbatasan memori pada manusia harus mampu diatasi oleh sistem sehingga tidak banyak membuat user melakukan proses penyimpanan memori.
2.6 Alat – alat Perancangan
Alat-alat perancangan yang dibahas dalam bab ini meliputi: Data Flow Diagram (DFD), Entity Relationship Diagram (ERD), Borland Delphi.
2.6.1 Data Flow Diagram (DFD)
Untuk memudahkan penggambaran suatu sistem yang ada atau sistem baru yang akan dikembangkan secara logika tanpa memperhatikan lingkungan fisik dimana data tersebut mengalir atau lingkungan fisik dimana data tersebut akan disimpan, maka kita menggunakan Diagram Arus Data atau Data Flow Diagram. Diagram alur data merupakan alat yang cukup populer sekarang, karena dapat menggambarkan arus data di dalam suatu sistem dengan terstruktur dan jelas, itulah sebabnya DAD merupakan alat bantu yang paling penting bagi seorang analis sistem. Penggunaan DAD sebagai alat peraga sistem dipopulerkan oleh Tom DeMarco (1978) dan Gane & Sarson (1979) dengan menggunakan pendekatan metoda analisis sitem terstruktur (structured system analysis method). DAD dapat merepresentasikan suatu sistem yang otomatis maupun manual dengan menggunakan gambar yang berbentuk jaringan grafik.
Ada beberapa simbol yang digunakan dalam penggambaran DAD, yaitu :
Entitas Luar (External Entity) dan Terminal
• Entitas Luar adalah entitas yang berada di luar sistem yang memberikan data kepada sistem (source) atau yang menerima informasi dari sistem (sink). Entitas Luar ini bukanlah bagian dari sistem, bila suatu sistem informasi dirancang untuk satu bagian/departemen maka bagian lain yang masih terkait menjadi entitas luar.
• Terminal adalah entitas yang merupakan bagian dari sistem.
Menurut Yordan dan Demarco (1978)
Keterangan simbol-simbol Data Flow Diagram: 1. Kesatuan Luar (External Entity)
Merupakan kesatuan luar (entity) dilingkungan luar sistem yang dapat berupa sekelompok orang, divisi, organisasi, atau sistem lainnya yang berada dilingkungan luarnya yang akan memberikan input atau menerima output dari sistem. Suatu kesatuan luar dapat disimbolkan dengan suatu notasi kotak atau segi empat.
Gambar 2.1 External Entity
2. Proses
Adalah kegiatan atau kerja yang dilakukan oleh orang, mesin atau komputer dari hasil suatu arus data yang masuk dalam proses untuk dihasilkan arus data yang akan keluar dari proses atau untuk mengubah input menjadi output. Suatu proses dapat ditunjukkan dengan simbol lingkaran seperti pada gambar berikut ini.
3. Data Flow (Aliran Data)
Data mengalir melalui sistem, dimulai dengan sebagian input dan diubah atau diproses menjadi output. Arus data (Data Flow) diberi simbol dengan suatu garis panah.
Gambar 2.3 Data Flow
4. Data Storage (Penyimpanan Data)
Data disimpan untuk keperluan berikutnya. Simpanan data di DFD disimbolkan dengan sepasang garis horisontal paralel yang tertutup di salah satu ujungnya.
Gambar 2.4 Data Storage
Tidak ada aturan baku untuk menggambarkan DFD, tapi dari berbagai referensi yang ada, secara garis besar:
1. Buat diagram context
Diagram ini adalah diagram level tertinggi dari DFD yg menggambarkan hubungan sistem dgn lingkungan luarnya.
Cara :
- Tentukan nama sistemnya. - Tentukan batasan sistemnya.
- Tentukan terminator apa saja yg ada dalam sistem.
- Gambarkan diagram context.
2. Buat diagram level Zero
Diagram ini adalah dekomposisi dari diagram Context. Cara :
- Tentukan proses utama yg ada pada sistem.
- Tentukan apa yg diberikan/diterima masing-masing proses pada/dari sistem sambil memperhatikan konsep keseimbangan (alur data yang keluar/masuk dari suatu level harus sama dgn alur data yang masuk/keluar pada level berikutnya)
- Apabila diperlukan, munculkan data store (master) sebagai sumber maupun tujuan alur data.
- Gambarkan diagram level zero. - Hindari perpotongan arus data
- Beri nomor pada proses utama (nomor tidak menunjukkan urutan proses).
3. Buat diagram level Satu
Diagram ini merupakan dekomposisi dari diagram level zero.
Cara :
- Tentukan proses yg lebih kecil (sub-proses) dari proses utama yg ada di level zero. - Tentukan apa yg diberikan/diterima masing-masing sub-proses pada/dari sistem dan
- Apabila diperlukan, munculkan data store (transaksi) sbg sumber maupun tujuan alur data.
- Gambarkan DFD level Satu - Hindari perpotongan arus data.
- Beri nomor pada masing-masing sub-proses yg menunjukkan dekomposisi dari proses sebelumnya. Contoh : 1.1, 1.2, 2.1
4. DFD level dua, tiga,..
Diagram ini merupakan dekomposisi dari level sebelumnya. Proses dekomposisi dilakukan sampai dg proses siap dituangkan ke dalam program. Aturan yg digunakan sama dgn level satu.
2.6.2 Entity Relationship Diagram (ERD) A. Pendahuluan
Entity relationship adalah suatu cara memodelkan suatu data ditingkat konseptual dalam perancangan basis data. Model Entity-Relationship merupakan alat modeling data yang populer dan banyak digunakan oleh para perancang database. Data model merupakan representasi abstrak dari data tentang entitas, kejadian, aktifitas dan asosiasinya dalam suatu organisasi. Tujuan dari pemodelan data adalah untuk menyajikan data dan menjadikan data mudah dimengerti, sehingga mempermudah perancangan dan pengaksesan database.
Berdasarkan tipe konsepnya, data model dibagi menjadi dua kategori yaitu Conceptual (High Level) Data Model dan Physical (Low Level) Data Model. Conceptual Data Model
merupakan konsep yang berkaitan dengan pandangan pemakai terhadap data, sedangkan Physical Data Model merupakan konsep yang menerangkan detail dari bagaimana data di simpan di dalam komputer. Dalam pandangan ini model Entity-Relationship digunakan untuk menggambarkan Conceptual Data Model (E-R).
B. Model Entity-Relationship
Model E-R diperkenalkan pertama kali oleh P.P. Chen pada tahun 1976, walau model ini sudah ketinggalan jaman akan tetapi dalam penerapannya ER masih merupakan model yang efektif dalam upaya menggambarkan persepsi dari pemakai karena berisi objek-objek dasar yang disebut sebagai entitas dan hubungan antar entitas-entitas yang disebut relationship. Adapun model E-R dinotasikan pada tabel berikut :
Simbol Arti Uraian
Entitas
Entitas/Entity adalah sesuatu yang dibedakan dalam dunia nyata, diman informasi yang berkaitan dengannya dikumpulkan. Entity set (Himpunan entitas) adalah kumpulan dari entity yang sejenis, berupa proyek, kendaraan, pegawai, konsumen, pemasok, penjualan dan lain sebagainya.
Relationship
Hubungan yang terjadi antara satu atau lebih entity. Relationship tidak mempunyai keberadaan fisik kecuali yang diwarisi dari hubungan antara entity tersebut.
Atribut
Karakteristik dari entity atau relationship yang menyediakan penjelasan detail tentang entity atau relationship tersebut. Nilai atribut (Attribute value) adalah suatu data aktual atau informasi tertentu yang disimpan pada tiap atribut di dalam suatu entitas atau relationship (Nonkey attribute). Identifier (key) digunakan untuk menentukan suatu entity secara unik. Descriptor (nonkey attribute) digunakan untuk menspesifikasikan karakteristik dari suatu entity yang tidak unik.
Key Atribut (Atribut Kunci)
Atribut yang digunakan untuk menentukan suatu entity secara unik.
Weak Entity Lihat penjelasan tentang weak entity
Identifying Relationship
Lihat penjelasan tentang weak entity
Multivalued Atribut Lihat penjelasan tentang weak entity Discriminating atribut
pada weak entity
Lihat penjelasan tentang weak entity
C. Derajat Relationship
Terdapat 3 macam derajat dari relationship, yaitu :
• Unary Degree (derajat satu),
Bila satu entity mempunyai relasi terhadap dirinya sendiri. Digambarkan sebagai berikut:
Gambar 2.5 Derajat Satu
• Binary degree (derajat dua)
Bila satu relasi menghubugkan dua entity, digambarkan sebagai berikut :
Gambar 2.6 Derajat Dua
• Ternary degree (derajat tiga)
Gambar 2.7 Derajat Tiga D. Cardinality Ratio Constraint
Berfungsi untuk menjelaskan jumlah hubungan/relationship dari entity-entity yang berpastisipasi. Terdapat 3 macam CRC yaitu :
• Hubungan 1 : 1 (One to One Relationship)
Yaitu suatu entity yang berada di himpunan A berhubungan dengan paling banyak dengan satu entity pada himpunan B, dan entity pada himpunan B berhubungan dengan paling banyak satu entity di himpunan A, digambarkan sebagai :
• Hubungan 1 : M (One to Many/Many to One Relationship)
Yaitu suatu entity pada himpunan A dapat berhubungan dengan sejumlah entity pada himpunan B, tetapi entity yang berada pada himpunan B hanya dapat berhubungan dengan hanya satu entity dari himpunan A atau sebaliknya. Digambarkan sebagai :
Gambar 2.9 One to Many / Many to One
• Hubungan M : N (Many to Many Relationship)
Yaitu suatu entity yang berada di himpunan A dapat berhubungan dengan banyak entity di himpunan B, dan sebaliknya. Digambarkan sebagai :
E. Notasi Bentuk Lain
Bentuk lain dari Cardinality Ratio Constraint dapat ditunjukan dalam beberapa bentuk hubungan antar entitas ke entitas, entitas ke relationship, maupun sebaliknya yang digambarkan pada tabel berikut :
Simbol Uraian Simbol Uraian
Hubungan satu ke satu
Hubungan satu (optional)
Hubungan satu atau lebih
Hubungan many (optional)
Hubungan many
Tabel 2.3 Notasi Lain
F. Participation Constraint
Berfungsi untuk menjelaskan keberadaan suatu entity yang tergantung dengan entitas lainnya. Terdapat dua macam Participation Constraint yaitu
• Total Participation
Yaitu keberadaan suatu entity tergantung pada entity lain, yang digambarkan dengan dua garis penghubung antara entity dengan relationshipnya.
• Partial Participation
Dimana keberadaan suatu entity tidak tergantung pada entity lain, digambarkan cukup dengan satu garis penghubung.
G. Weak Entity
Suatu entity yang mungkin memiliki suatu atribut yang bukan miliknya, dimana keberadaannya tergantung dari entity lain. Entity lain tersebut dikatakan sebagai Identifying Owner dan relationshipnya dinamakan Identifying Relationship. Weak entity selalu memiliki Total Participation Constraint dengan Identifying Owner.
H. Entity Relationship (E-R) Diagram
Entity-Relationship Diagram melengkapi penggambaran grafik dari struktur logika, dengan kata lain E-R diagram menggambarkan arti dari aspek data seperti bagaimana entity-entity, atribute-atribute dan relationship-relationship disajikan. Langkah-langkah pembuatan E-R Diagram :
1. Tentukan entity-entity yang diperlukan disesuaikan dengan permintaan pemakai; 2. Tentukan relationship antar entity-entity;
3. Tentukan Cardinality ratio dan Participation Constraints 4. Tentukan atribut-atribut yang diperlukan dari setiap entity 5. Tentukan primary key diantara atribut-atribut
6. Buatlah penamaan entity, atribut dan relationship yang unik, dan hindari penamaan yang sama untuk objek yang berbeda
I. Penggunaan Model E-R dalam Perancangan Database
Model E-R sangat berperan penting dalam perancangan database, Model ini digunakan pada tahap Conceptual Design, yaitu tahap kedua dari perancangan database. Tahapan pertama adalah pengumpulan dan analisa permintaan dari pemakai, tahap kedua dilakukan penerapan conceptual design dimana model E-R ini digunakan, pada tahap ini data disajikan dalam bentuk diagram.
Dengan penggunaan diagram ini, dapat terlihat jelas hubungan entity dengan entity dan atribut yang diperlukan di dalam suatu entity. Tahapan berikutnya adalah logical design, dalam tahap ini diagram E-R ditransformasikan ke dalam bentuk database, dengan sebelumnya ditentukan dahulu model database apa yang dipilih. Tahap akhir dari perancangan database adalah tahap physical design, yaitu tahap untuk menentukan organisasi file dari database dan mendefinisikan penyimpanan data secara fisik. Tahapan-tahapan ini digambarkan sebagai berikut :
Gambar 2.11 E-R
Merancang model E-R dalam praogram aplikasi seperti Microsoft Visio 2007 dapat menggunakan 2 cara yaitu :
1. Dengan bantuan shape Basic Flowchart
2. Dengan bantuan shape Database Model Diagram J. Basic Flowchart
Pada visio penggunaan shape basic flowchart dapat membantu untuk merancang suatu E-R diagram dengan cepat yang tata cara penggunaannya sebagai berikut :
1. Pada menu File pilihlah New – Getting Started .. untuk memilih template categories yang dikehendaki
2. Setelah menu Template Categories muncul pilihlah Flowchart template klik icon Basic Flowchart, klik Create
Simbol E-R Nama Icon Pada Basic Flowchart Entitas Process
relationship Decision Atribut Terminator
Key Atribut
Terminator dengan menggunakan underlin
Tabel 2.4 Icon Shape
2.6.3 Borland Delphi
Menurut Dawson & Brucker (2001:p41), Delphi adalah suatu bahasa pemrograman (development language) yang digunakan untuk merancang suatu aplikasi program.
a. Kegunaan Delphi
1. Untuk membuat aplikasi windows
2. Untuk membuat program berbasis jaringan (client/server) 3. Untuk merancang aplikasi program berbasis grafis
b. Keunggulan Delphi
1. IDE (Integrated Development Environment) atau lingkungan pengembangan aplikasi sendiri adalah satu dari beberapa keunggulan delphi, didalamnya terdapat menu-menu yang memudahkan kita untuk membuat suatu proyek program.
2. Proses kompilasi cepat, pada saat aplikasi yang kita buat dijalankan pada delphi, maka secara otomatis akan dibaca sebagai sebuah program tanpa dijalankan terpisah.
3. Mudah digunakan,
4. Bersifat multi purphase, artinya bahasa pemrograman delphi dapat digunakan untuk mengembangkan berbagai keperluan pengembangan aplikasi
