PENERAPAN METODE WEB USAGE MININGPADA PROTOTYPE ECOMMERCE.

(1)

PROTOTYPE ECOMMERCE

TUGAS AKHIR

Oleh :

SANDRA EKA SARTONO 0734010095

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNOLOGI INDUSTRI

UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”

J AWA TIMUR

(2)

PENERAPAN METODE WEB USAGE MINING PADA PROTOTYPE ECOMMERCE

TUGAS AKHIR

Diajukan Untuk Memenuhi Persyaratan Dalam Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh :

Nama : Sandra Eka Sartono NPM : 0734010095 Program : S1 (Strata Satu) Jurusan : Teknik Informatika

PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INDUSTRI

(3)

Penyusun : Sandra Eka Sartono

ABSTRAKSI

Sebuah layanan situs yang dimiliki oleh perusahaan adalah backbone terpenting dalam menjalankan proses bisnisnya, pada dasarnya layanan situs yang dimiliki perusahaan dapat menjadi peran penting dalam upaya pemasaran produk. Banyaknya informasi yang perlu di-update setiap saat kepada relasi bisnis sudah pasti menjadi kunci utama dalam sebuah pemasaran, pelayanan untuk bertransaksi juga perlu dilakukan guna membangun sebuah kemitraan yang baik. Secara tidak sadar, history perusahaan seperti data barang yang dijual sampai dengan transaksi antara perusahaan dengan rekan bisnisnya kadang belum tergali dengan maksimal. Contoh dapat dibuktikan dengan melihat dari banyaknya peng-input-an data barang–barang dalam perusahaan maupun transaksi–traksaksi berupa nota, faktur, dan lain lain sehingga data yang terkumpul menjadi banyak.

Dengan menerapkan Metode Web Usage Mining yang akan diimpementasi ke dalam sistem ecommerce dapat memberikan sebuah solusi baru untuk menganalisa suatu transaksi yang terjadi dalam toko online maupun pangsa pasar suatu produk berdasarkan pembelian konsumen, kunjungan pada web, yang disimpulkan menjadi data yang dapat digali untuk menunjang penganaliasaan penjualan agar bisa menjadi alat bantu para owner/pemilik perusahaan sebagai fitur analisa perkembangan alur distribusi perdagangan pada perusahaannya.

Dalam hasil uji coba metode ini, secara garis besar dapat dijadikan sebagai estimasi dalam penyetokan barang, estimasi waktu kunjungan, barang yang popular dilihat, barang yang laris di pasaran, barang terlaris per area, hasil optimasi keyword dari masing-masing barang sehingga dapat membantu teknik SEO (Search Engine Optimition) untuk pencarian tertinggi di search engine , semua melewati proses web usage mining sehingga dapat membantu melihat pangsa pasar barang ataupun tren barang yang terjadi pada toko online.

(4)

KATA PENGANTAR

Dengan mengucapkan puji syukur Alhamdulillah kehadirat ALLAH SWT yang telah melimpahkan berkah dan rahmat-Nya, sehingga penulis dapat menyelesaikan tugas akhir yang merupakan persyaratan dalam menyelesaikan program studi strata satu di Universitas Pembangunan Nasional “VETERAN” Jawa Timur. Tugas akhir ini merupakan “Pener apan Metode Web Usage Mining Pada Prototype ECommerce”.

Penulisan tugas akhir ini tidak akan terselesaikan dengan baik apabila tidak mendapat dukungan, saran, masukan, ataupun kritik dari berbagai pihak. Maka dengan sepenuh hati penulis dalam kesempatan ini mengucapkan terima kasih atas bantuannya, kepada yang terhormat:

1. Ibu Dr.Ir. Ni Ketut Sari, MT. Sebagai Ketua Prodi Teknik Informatika atas segala arahan dan bimbingannya.

2. Bapak Nur Cahyo Wibowo,S.Kom,M.Kom Selaku dosen pembimbing I yang telah memberikan, motivasi dan bimbingan serta arahan yang berguna dalam membantu proses penyusunan Tugas Akhir ini.

3. Bapak Agus Hermanto, S.Kom Selaku dosen pembimbing II yang telah mendampingi serta banyak memberikan bimbingan, masukan-masukan, koreksi dan dorongan yang sangat berarti hingga terselesaikannya Tugas Akhir ini.

(5)

iii

dari bapak. Tanpa bekerja di perusahaan bapak saya tidak bisa memahami konsep Tugas Akhir saya yang sebenarnya. Terima kasih atas kesempatannya. 6. Pengurus UKO Bola Voli dan segenap jajarannya, terima kasih atas diberikan kesempatan kepada saya untuk menjadi leader dan teknik – teknik mental atlet yang dapat diterapkan dimasa mendatang.

7. Om Agus Sumarno yang selalu memberikan wejangan–wejangan, menemani begadang sampai pagi, dan motivasi sehingga penulis terdorong untuk menyelesaikan tugas akhir ini.

8. Keluarga Besar KRIPOSOFT Community, Ubay M3nWa, Eddy Lee with Mas Agus (CZE Cellular Labs), Windy with Fuad, Pablo (Anjar Ngebluz), Bebek (Haniarta Bayu), Fery (AlenBig), Anggrey, Rino Payata, Ahmad Nur, Fajar Bayu (FB) , Ariz Hacker dan Yoppy terima kasih atas dukungannya, tanpa kalian semua penulis tidak dapat menikmati perkuliahan yang penuh dengan hangatnya persaudaraan, susah senang bersama, touring dan rekreasi.

9. Teman-teman Teknik Informatika dan Sistem Infomasi angkatan 2007 dan 2008 Universitas Pembangunan Nasional “Veteran” Jawa Timur terima kasih atas dukungannya baik materil maupun moril.

(6)

11. Thank To Mas Andika Hermansyah atas Ajax jQuerynya, Thoriq Firdaus atas ilmu CSS dan SEOnya, Andi Soesilo atas ilmu grafisnya, Syaifur Rijal atas ilmu loyalitas dan percaya diri menghadapi orang, Ibu Nora Kristiani,S.Kom dan Fandy Setyo selaku rekan kerja, yang selalu memberikan saran-saran maupun sharing.

12. Lapisan Keluarga Besar Wonogiri dan Klaten yang telah menjadi inspirasi utama dan impian.

13. Dan masih banyak orang-orang yang sangat berperan dalam mewujudkan tugas akhir ini yang tidak bisa penulis sebutkan satu per satu.

Semoga ALLAH SWT membalas ketulusan dan budi baik mereka yang telah banyak memberikan bantuan, bimbingan, ataupun nasehat-nasehat kepada penulis.

Penulis menyadari bahwa masih banyak kekurangan pada penulisan tugas akhir ini. Namun penulis berharap semoga Tugas Akhir ini dapat ikut menunjang perkembangan ilmu pengetahuan, khususnya ilmu yang erat kaitannya dengan Teknik Informatika.

(7)

DAFTAR ISI

Halaman

ABSTRAKSI ... i

KATA PENGANTAR ... ii

DAFTAR ISI ... v

DAFTAR GAMBAR ... x

DAFTAR TABEL ... xvii

BAB I PENDAHULUAN 1.1 Latar Belakang ... 1

1.2 Perumusan Masalah ... 3

1.3 Batasan Masalah ... 3

1.4 Tujuan ... 4

1.5 Manfaat ... 4

1.6 Medotologi Penelitian ... 5

1.7 Sistematika Penulisan ... 5

BAB II LANDASAN TEORI 2.1 Teknik Pengembangan Sistem dengan Model Waterfall... 7

2.2 Teknik Data Mining... 8

2.3 Teknik Web Mining ... 11

2.4 Teknik Web Usage Mining... 12

(8)

2.5 Data Warehouse ... 16

2.6 Linier Feedback Shift Register (LFSR) ... 21

2.6.1 Alternating Stop-And-Go Generator... 23

2.6.2 Bilateral Stop-And-Go Generator ... 24

2.6.3 Linier Feedback Shift Register (LFSR)... 23

2.6.4 Linier Feedback Shift Register (LFSR)... 26

2.8 Definisi PHP... 29

2.8.1 Kelebihan PHP... 30

2.9 Pengertian jQuery ... 31

2.10 Pengertian Ajax ... 32

BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisa Kebutuhan Sistem ... 33

3.2 Context Diagram ... 39

3.3 Data Flow Diagram Untuk Proses Web Usage Mining ... 31

3.3.1 DFD Level 0 Proses Penerapan WUM Ecommerce ... 40

3.3.2 DFD Level 1 Proses Penyimpanan Log ... 41

3.3.3 DFD Level 1 Proses Order Transaksi ... 42

3.3.4 DFD Level 1 Proses Validasi Transaksi... 42

3.3.5 DFD Level 1 Report WUM ... 43

3.4 Analisis Kebutuhan ... 44

(9)

3.4.2 Level Pengguna dan Hak Akses ... 44

3.5 Perancangan Basis Data (Database) ... 44

3.5.1 Conceptual Data Model (CDM) ... 45

3.5.2 Physical Data Model (PDM) ... 45

3.5.3 Basis Data ... 46

3.6 Perancangan Permodelan Data Untuk Membantu Proses WUM 52

3.7 Perancangan Sistem Generator Untuk Uji Coba Ecommerce .... 54

3.8 Perancangan Antarmuka ... 55

3.8.1 Desain Halaman Utama ... 56

3.8.2 Desain Halaman Administrator Panel ... 56

3.8.3 Desain Masing-Masing Form ... 57

3.8.4 Desain Halaman Tampilan Sajian Data WUM ... 62

BAB IV IMPLEMENTASI APLIKASI 4.1 Lingkungan Pemrograman ... 63

4.1.1 Kebutuhan Perangkat Keras ... 63

4.1.2 Kebutuhan Perangkat Lunak ... 63

4.2 Implementasi Proses ... 64

4.2.1 Implementasi Template Layout Aplikasi ... 64

4.2.2 Implementasi Menu Pada Aplikasi ... 65

4.2.3 Implementasi Database yang digunakan ... 68

(10)

4.2.5 Implementasi Halaman Depan Aplikasi (Client Side) .... 77

4.2.6 Interface Administrator Panel Aplikasi ... 79

4.2.7 Implementasi Desain Intermuka Form ... 79

4.2.8 Implementasi Metode Web Usage Mining ... 89

4.2.8.1 Hubungan Aplikasi Dengan Kunjungan Visitor ... 89

4.2.8.2 Hubungan Penjualan Dengan Katagori Barang ... 101

4.2.8.3 Hubungan Area Customer Dengan Penjualan ... 104

4.2.8.4 Hubungan Kota Area Dengan Penjualan ... 108

4.2.8.5 Hubungan Barang Dengan Penjualan... 111

4.2.8.6 Hubungan Supplier Dengan Penjualan... 113

BAB V UJI COBA DAN EVALUASI PROGAM 5.1 Uji Coba Sistem ... 115

5.2 Uji Coba Peng-Input-An Sample Data ... 115

5.2.1 Proses Pengisian Data Aplikasi Penjualan ... 116

5.2.2 Uji Coba Transaksi Dan Validasi Transaksi ... 119

5.2.3 Proses Virtualisasi Log Kunjungan Dengan Generator .... 123

5.2.4 Proses Virtualisasi Log Pageview Dengan Generator ... 125

5.2.5 Proses Virtualisasi Proses Order Dengan Generator ... 126

5.3 Uji Coba Order Proses ETL (Ekstrak, Transform Dan Load) .... 128

5.4 Uji Coba Melihat Log Kunjungan Berdasarkan Browser ... 129

5.5 Uji Coba Melihat Kunjungan Berdasarkan Waktu Kunjungan.. 129

(11)

5.8 Uji Coba Log Jumlah Transaksi Per Outlet... 132

5.9 Uji Coba Melihat Log Penjualan Barang Tertinggi ... 134

5.10 Uji Coba Melihat Penjualan Barang Tertinggi Per Katagori ... 135

5.11 Uji Coba Log Penjualan Tertinggi Per Area ... 136

5.12 Uji Coba Log Penjualan Tertinggi Per Supplier... 138

5.13 Uji Coba Melihat Log Penjualan Barang Tertinggi Per Area .... 139

5.14 Uji Coba Melihat Penjualan Barang Tertinggi Per Supplier... 140

5.15 Evaluasi ... 142

BAB VI PENUTUP 6.1 Kesimpulan ... 143

5.2 Saran ... 144

(12)

BAB I

PENDAHULUAN

1.1 Latar Belakang

Dalam perkembangan modernisasi dan jaman pada saat ini, banyak peralihan penggunakan program desktop untuk bermigrasi pada sistem berbasis web. Jika dibandingkan dengan desktop, kelebihan pada web jelas mencakup

ruang lingkup yang tak terbatas di seluruh dunia. Dalam realitanya, dunia internet sangat menjamur dalam perusahaan kecil sampai perusahaan besar dengan berbagai macam kebutuhan mulai dari e-commerce, e-banking, serta jasa penyedia web instan maupun pembuatan web yang memiliki sistem sangatlah banyak

dijumpai di dunia internet.

Dalam hal ini, sebuah layanan situs yang dimiliki oleh perusahaan adalah backbone terpenting dalam menjalankan proses bisnisnya. Pada dasarnya layanan

(13)

Analisa yang dapat disimpulkan bahwa perusahaan memiliki banyak data yang berskala besar, dalam data tersebut tersembunyi informasi–informasi penting yang dapat memberikan manfaat bagi perusahaan maupun relasi kerja. Namun dalam implementasinya diperlukan sebuah teknik dengan algoritma khusus yang dimana berfungsi sebagai analisis data yang kemudian dari hasil tersebut dapat mempresentasikan informasi yang kiranya dapat bermanfaat. Dalam permasalahan ini, teknik dasar yang digunakan yakni teknik data mining yakni untuk menganalisa data, serta didukung dengan metode web usage mining berbasis query, metode ini digunakan untuk menganalisa data pada web. Web Usage

Mining memiliki kelebihan untuk menggali pola–pola data/content yang tersedia

dalam web tersebut. Analisa meliputi pengaturan distribusi stok barang penjualan dari perusahaan, laporan hasil penjualan barang dalam skala periode, laporan barang paling laris dipasaran berdasarkan per area ataupun supplier per periode, akumulasi pengunjung berdasarkan periode. Data musiman penjualan yang didapat dari pendataan web tersebut digunakan untuk mengetahui potensi penjualan perusahaan yang kemudian di transformasikan ke dalam grafik untuk menunjang proses penjualan.

Berdasarkan latar tersebut, diharapkan dengan diterapkannya Web Usage Mining berbasis query pada prototype ecommerce, sistem dapat memberikan

(14)

3

owner/pemilik perusahaan sebagai alat untuk melihat analisa perkembangan alur

distribusi perdagangan pada perubahannya.

1.2 Per umusan Masalah

Berdasarkan latar belakang yang telah diuraikan diatas, didapatkan suatu rumusan permasalahan sebagai berikut: “Bagaimana menerapkan metode web usage mining berbasis query pada prototype ecommerce?”

1.3 Batasan Masalah

Dengan luasnya permasalahan yang ada pada aplikasi ini, maka diberikan batasan untuk lebih memperjelas ruang lingkup permasalahan yang akan dibahas dalam penelitian tugas akhir ini. Adapun batasan-batasan masalah sebagai berikut: a. Metode yang digunakan adalah Web Usage Mining berbasis query.

b. Penganalisaan data penjualan berdasarkan input-an dari berbagai transaksi yang diperoleh penerimaan pemesanan penjualan.

c. Cakupan data penjualan yang dianalisa berdasarkan penjualan musiman berkala (periode tertentu misalnya caturwulan).

(15)

e. Aplikasi memiliki beberapa hak akses, yakni: a. Administrator

Hak Akses: dapat melihat seluruh data laporan serta dapat meng-edit dan mengatur data–data yang ada, serta tool Web Usage Mining berbasis query sebagai fitur untuk menganalisa hasil penjualan dan kunjungan pengunjung. b. Outlet: dapat melihat harga, melakukan transaksi.

c. Pengunjung: hanya dapat melihat list barang yang dijual oleh perusahaan, tanpa melihat harga.

f. Transaksi bisa dilakukan oleh outlet dan langsung oleh administrator

g. Bahasa pemrograman yang digunakan untuk membuat aplikasi ini adalah PHP (Personal Home Page) yang didukung dengan Javascript (JQuery) dan Ajax.

h. Sistem database yang digunakan adalah MySQL.

i. Informasi ranking barang tertinggi dibatasi max 5 jenis barang.\

1.4 Tujuan

Menerapkan medote web usage mining pada prototype ecommerce agar dapat mengoptimasi kinerja toko online sekaligus menerapkan metode SEO sebagai tren meningkatkan trafik kunjungan.

1.5 Manfaat

Adapun Manfaat dari penerapan metode web usage mining pada prototype ecommerce yakni:

(16)

5

2. Memudahkan manager/owner untuk menganalisa hasil penjualan berdasarkan fakta yang ada.

1.6 Metodologi Penelitian

Penulis dalam penulisan tugas akhir ini, akan menggunakan metode: a. Studi Literatur

Mempelajari dan mengumpulkan data dan informasi dengan mempelajari buku–buku sebagai acuan dan literatur yang berhubungan dengan materi penulisan tugas akhir.

b. Perancangan aplikasi dan Pembuatan aplikasi

Merancang dari pada sistem secara keseluruhan perangkat lunak dan pembuatan atau realisasi dari sistem yang dirancang dan disesuaikan dengan kebutuhan.

c. Tes dan Analisa

Uji coba program guna untuk mengetahui hasil rancangan perangkat lunak dan menganalisa hasil percobaan yang telah dilakukan.

1.7 Sistematika Penulisan

Dalam penulisan tugas akhir ini dibagi menjadi 6 bab, masing-masing bab membahas tentang:

BAB I : PENDAHULUAN

(17)

BAB II : LANDASAN TEORI

Pada bab ini dibahas mengenai landasan-landasan teori yang digunakan dalam pembuatan tugas akhir ini, yaitu Metode Waterfall dan Web Usage Mining serta beberapa informasi

tambahan berdasarkan hasil analisa kebutuhan berdasarkan hasil survei, yang disimpulkan secara garis besar.

BAB III : ANALISIS DAN PERANCANGAN SISTEM

Pada bab ini dibahas mengenai tahapan-tahapan yang dilalui dalam pembuatan tugas akhir ini, mulai dari hubungan keterkaitan antara beberapa hubungan relasi modul, perancangan Data Flow Diagram (DFD), CDM, PDM, database, desain input dan output, desain uji coba dan analisa.

BAB IV : IMPLEMENTASI APLIKASI

Pada bab ini dibahas secara lebih rinci mengenai implementasi penggunaan program dalam proses analisa untuk penerapan metode Web Usage Mining berbasis query guna membantu proses

penjualan.

BAB V : UJI COBA DAN EVALUASI APLIKASI

Pada bab ini membahas hasil Uji Coba dan Evaluasi Aplikasi. BAB VI : PENUTUP

Pada bab ini dibahas mengenai uraian kesimpulan tentang sistem yang telah dibuat serta saran yang dapat digunakan untuk penyempurnaan dan pengembangan sistem.

(18)

BAB II LANDASAN TEORI

Untuk melakukan pembuatan aplikasi “Penerapan Metode Web Usage Mining Guna Membantu Proses Penjualan “ diperlukan pemahaman terhadap teori

dasar pendukung dari metode Web Usage Mining berbasis query dan konsep yang mendasarinya, antara lain teknik Data Mining yang dapat diterapkan pada Web Usage Mining berbasis query.

2.1 Teknik Pengembangan Sistem dengan Model Waterfall

Pada prinsipnya pemodelan sistem waterfall pengembangannya dilakukan secara sistematis dan terarah dari tahap sistem, secara berurutan melalui tahap analisa, tahap desain sistem, coding, testing dan maintenance dan dapat kembali ketahap awal apabila semua tahapan pengembangan sistem telah dilalui. Pemodelan seperti ini juga dikenal sebagai model sekuensial, Linear Sequential Model (Pressman, 1997). Tahap-tahap pengembangan sistem dapat digambarkan

dalam diagram berikut:

Gambar 2.1 Model Waterfall Atau Model Linear Sequential (Pressman, 1997) System / Information

Engineering

(19)

2.2 Teknik Data Mining

Data mining sudah berkembang jauh dalam bentuk analisa data. Pada

dasarnya data mining berhubungan dengan analisa data dan penggunaan teknik perangkat lunak untuk mencari sebuah pola dan keteraturan dalam himpunan data yang bersifat tersembunyi. Data mining ini juga dapat diartikan sebagai proses ektraksi informasi dimana informasi tersebut merupakan informasi yang potensial dari sekumpulan data yang terdapat secara implisit dalam suatu basis data. Dengan diperolehnya informasi yang bermanfaat dari data–data yang ada, hubungan antara item dalam transaksi, maupun informasi yang potensial selanjutnya dapat diekstrak dan dianalisa dan diteliti secara lanjut dengan berbagai macam sudut pandang. Setelah ditemukannya informasi, selanjutnya akan diproses dan kemudian dapat diterapkan untuk aplikasi menejemen, yang dilakukan dengan cara query processing, sesuai dengan kebutuhan informasi berdasarkan bidang–bidang yang menerapkan konsep data mining.

Oleh karena itu perlulah studi–studi terkait untuk menemukan metode data mining yang lebih efektif dan efisien. Seiring dengan perkembangan modernisasi

(20)

9

a.Jenis Basis Data yang akan diambil obyek

Suatu sistem data mining sebelumnya dapat ditentukan terlebih dahulu, dimana proses data mining tersebut dilakukan. Sebagai contoh sistem adalah relasional atau suatu object oriented data miner bila diperoleh basis data yang berorientasi pada obyek. Data miner secara umum dapat digolongkan menurut jenis basis data apa yang digunakan misalnya data relasional, basis data transaksi, basis data yang berorientasi obyek, basis data deduktif, basis data spasial, basis data multimedia, basis data heterogen dan lain sebagainya.

b. Teknik yang akan digunakan

Untuk mengklarifikasikan dapat menggunakan dasar tenik yang ada, contohnya pengkatagorian motode kendali seperti autonomous knowledge miner, data driven miner, query driver miner dan interactive data miner,

yang kemudian dilakukan pendekatan dengan data mining yakni generalization based mining, statistics and mathematical based mining,

integrated approach mining dan lain sebagainya. Dari berbagai macam

(21)

a. Association rules

Association rules merupakan teknik mining untuk menemukan aturan

asosiatif antara suatu kombinasi atribut. Contoh aturan association rules dalam permasalahan berupa analisa pembelian produk barang di

suatu distributor, besar kemungkinan para custumer membeli barang tidak hanya membeli satu dos barang saja, maka dari itu merancang strategi baru yakni pembuatan diskon khusus berdasarkan keaktifan customer untuk memesan. Sehingga dengan strategi, dapat

meningkatkan penjualan di dalam perusahaan distributor. Penting tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter, support yakni prosentasi kombinasi atribut tersebut dalam basis data

dan confidence yaitu kuatnya hubungan atribut dalam aturan asosiatif. b. Clustering

Clustering melakukan pengelompokan data tanpa berdasarkan kelas

data tertentu. Bahkan clustering dapat dipakai untuk memberikan label pada kelas data yang belum diketahui. Prinsip dari clustering adalah memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan antar cluster.

c. Classification rules

Classification rules yaitu sebuah teknik yang melihat dari kelakuan

dan atribut dari kelompok yang telah didefinisikan. Dalam teknik ini, classification rules dapat memberikan klasifikasi pada data baru

(22)

11

Aturan tersebut dapat digunakan pada data–data baru untuk di klasifikasi. Pada teknik ini, menggunakan supervised induction, yang memanfaatkan kumpulan pengujian pada record yang terklasifikasi untuk menentukan kelas-kelas tambahan. Contoh classification rules yang sering digunakan yaitu Decision tree.

Decision tree adalah model prediksi menggunakan struktur pohon atau

struktur hirarki.

2.3 Teknik Web Mining

Teknik Web Mining ini dikenalkan pertama kali oleh Etzioni Oren tahun 1996, web mining diartikan sebagai suatu usaha untuk mengemplementasikan teknik dari data mining untuk digali lebih lanjut yang kemudian dikaji atau mengekstraksi informasi yang berguna yang tersimpan pada web secara otomatis. Dalam implementasinya Web Mining hampir sama dengan data mining secara akar terminologinya. Namun pada dasarnya Web Mining sedikit berbeda dengan Data Mining yakni hubungan sifat data yang tidak terstruktur dan sumber datanya

tidak disimpan pada di sebuah data warehouse, namun data bersebar di berbagai sumber. Web Mining dibagi menjadi beberapa katagori yakni:

a.Web Content Mining

Teknik Web Content Mining berfokus untuk menggali informasi dari isi atau content yang ada pada web seperti teks, gambar, audio atau video. Web

Content Mining ini juga dapat disebut sebagai Webteks Mining, dalam

(23)

retrieval (IR). Namun, dengan inovasi yang terus menerus seiring dengan

perkembangan dunia IT secara dramatis akan meningkatkan akurasi dalam penganalisisan dan dapat menghemat biaya.

b.Web Structure Mining

Teknik Web Structure Mining ini berfokus pada penggalian informasi dari isi atau content yang disajikan pada web. Teknik ini juga banyak digunakan untuk menggali keterkaitan antara suatu halaman web dengan halaman web lainnya.

c.Web Usage Mining

Dalam Teknik ini selalu mengedepankan penggalian pada pola atau pattern dari user dalam mengakses web.

2.4 Teknik Web Usage Mining

Web Usage Mining adalah Sebuah definisi yang dikemukakan dalam

(Cooley, et al., 1999), yaitu “the application of data mining techniques to large web data repositories in order to extract usage patterns”. Dalam hal ini dapat

diketahui bahwa web berkaitan erat dengan sebuah web server yakni software server memiliki tugas utama yakni melayani dan memenuhi request client berupa

(24)

13

atau web log file tersebut juga memiliki standarisasi format, dimana format tersebut dapat memudahkan dalam proses data mining. Format standart dari web access log adalah [remotehost rfc931 authuser[date] “request” status bytes],

dimana :

a.Remote Host adalah nama host atau alamat IP dari Client

b.Rfc931 adalah log dari user. c.Authuser adalah nama user.

d.[date] adalah tanggal dan waktu dimana client melakukan request e.Status adalah kode HTTP yang dikirimkan kembali ke user (client) f.Bytes adalah jumlah byte dokumen yang dikirimkan ke user (client). Contoh dari Web Access Log :

127.0.0.1 - frank [10/Oct/2000:13:55:36 -0700] "GET /apache_pb.gif HTTP/1.0" 200 2326

2.4.1 Pemr osesan Web Usage Mining

Dalam implementasi Web Usage Mining ada 3 fase yang harus dilakukan untuk mendapatkan pustaka–pustaka maupun sumber informasi yaitu:

a. Tahap Preprocessing

Tahapan Preprocessing ini adalah tahapan awal untuk memulai proses keseluruhan dari Web Usage Mining. Tahapan ini sangat penting sekali untuk melakukan standarisasi data dan juga menghilangkan bagian–bagian data tertentu yang tidak diperlukan dalam proses mining. Tahapan Preprocessing ini terbagi atas beberapa tahap, yakni:

• Data Cleaning, tahapan ini berfungsi untuk membersihkan file

(25)

• User Identification, dalam tahapan ini berfungsi untuk proses

pengidentifikasian user, dalam realitanya, beberapa user memungkinkan untuk menggunakan komputer (host) yang sama.

• Session Identification, tahapan ini dimulai setelah user

terindentifikasi, halaman yang diakses juga harus dibagi ke dalam sesi tertentu agar dapat tercipta sesi tunggal untuk setiap user yang mengakses.

• Path Completion, tahapan ini untuk melengkapi path yang

mungkin belum lengkap karena tersimpan pada filelog.

• Transaction Identification, tahapan ini untuk mengindentifikasi sejumlah sesi tertentu untuk menghasilkan proses transaksi yang dilakukan oleh user.

b. Tahap Pattern Discovery

Pada tahap kedua dari web usage mining adalah pencarian pola akses yang dilakukan oleh user atau pengguna aplikasi. Pada tahap ini adalah tahap yang paling penting dan sangat menentukan keluaran dari proses web usage mining. Pada tahap ini juga memiliki beberapa algoritma dan

teknik yakni:

• Statistical Analysis adalah teknik analisa statistik merupakan

(26)

15

dihasilkan adalah pola akses user yang dilihat dari waktu akses untuk setiap harinya.

• Association Rules, teknik ini dapat diterapkan pada Web Usage

Mining, contoh keluaran yang dapat dihasilkan yaitu mengenai

pola akses terhadap halaman-halaman dalam web, dimana dapat diketahui halaman mana saja yang selalu diakses secara bersamaan oleh user. Hal tersebut dapat digunakan sebagai dasar untuk merancang atau menyusun kembali halaman web agar lebih efektif. • Clustering, merupakan proses mengelompokkan sekumpulan

object fisik maupun abstrak ke dalam kelas tertentu berdasarkan

kesamaannya. Dalam kaitannya dengan web usage mining, teknik clustering sering digunakan untuk menentukan segmentasi pasar

pengunjung suatu situs e-commerce berdasarkan kesamaan pola akses maupun demografinya.

• Classification, merupakan proses pengelompokan berdasarkan

kelas yang sudah didefinisikan sebelumnya. Proses classification terbagi menjadi dua, yaitu proses membangun model sesuai dengan kelas yang sudah ditentukan dan proses menerapkan model untuk mengklasifikasikan sekumpulan data.

• Sequential Pattern, digunakan untuk menganalisa pola urutan

(27)

• Dependency Modeling, berusaha mencari ketergantungan antara

satu variabel dengan variabel yang lainnya dalam web. Hal ini berguna untuk memprediksikan pola di masa mendatang.

c. Tahap Pattern Analysis

Pada tahap ke tiga ini, yakni Pattern analysis merupakan fase terakhir dalam web usage mining. Pada fase ini, dilakukan proses visualisasi hasil analisis pola yang telah dilakukan pada langkah sebelumnya. Penyajian data menjadi hal yang penting dalam langkah ini, dimana penyajian data tentunya tergantung pada kebutuhan user dan bisnis. Dari hasil visualisasi tersebut, dapat dilakukan suatu keputusan (action) misalnya keputusan untuk mengubah tampilan suatu website, melakukan optimasi navigasi website, meningkatkan kemampuan website dengan melakukan caching halaman-halaman tertentu yang sering dikunjungi.

2.5 Data Warehouse

Data warehouse adalah sebuah sistem yang mengambil dan menggabungkan data secara periodik dari sistem sumber data ke penyimpanan data bentuk dimensional atau normal (Rainardi, 2008). Data warehouse merupakan penyimpanan data yang berorientasi objek, terintegrasi, mempunyai varian waktu dan menyimpan data dalam bentuk nonvolatile sebagai pendukung manejemen dalam proses pengambilan keputusan (Han, 2006). Data warehouse menyatukan dan menggabungkan data dalam bentuk multidimensi. Pembangunan data warehouse meliputi pembersihan data, penyatuan data dan transformasi data dan

(28)

17

Selain itu data warehouse mendukung On-line Analitycal Processing (OLAP), sebuah alat yang digunakan untuk menganalisis secara interaktif dari bentuk multidimensi yang mempunyai data yang rinci. Sehingga dapat memfasilitasi secara efektif data generalization dan data mining. Banyak metode-metode data mining yang lain seperti asosiasi, klasifikasi, prediksi dan clustering, dapat diintegrasikan dengan operasi OLAP untuk meningkatkan proses mining yang interaktif dari beberapa level abstraksi. Oleh karena itu data warehouse menjadi platform yang penting untuk data analisis dan OLAP untuk dapat menyediakan

platform yang efektif untuk proses data mining.

Empat karakteristik dari data warehouse meliputi:

1. Subject oriented: sebuah data warehouse disusun dalam subjek utama, pelanggan, suplier, produk dan sales. Meskipun data warehouse terkonsentrasi pada operasi harian dan proses transaksi dalam perusahaan, data warehouse fokus pada pemodelan dan analisis data untuk pembuat keputusan. Oleh karena itu data warehouse mempunyai karakter menyediakan secara singkat dan sederhana gambaran seputar subjek lebih detail yang dibuat dari data luar yang tidak berguna dalam proses pendukung keputusan.

2. Integrated: data warehouse biasanya dibangun dari bermacam-macam sumber yang berbeda, seperti database relasional, flat files dan on-line transaction records. Pembersihan dan penyatuan data diterapkan untuk

(29)

3. Time Variant: data disimpan untuk menyajikan informasi dari sudut pandang masa lampau (misal 5–10 tahun yang lalu). Setiap struktur kunci dalam data warehouse mempunyai elemen waktu baik secara implisit maupun eksplisit.

4. Nonvolatile: sebuah data warehouse secara fisik selalu disimpan terpisah dari data aplikasi operasional. Penyimpanan yang terpisah ini, data warehouse tidak memerlukan proses transaksi, recovery dan mekanisme pengendalian konkurensi. Biasanya hanya membutuhkan dua operasi dalam akses data yaitu initial load of data dan access of data Dari pengertian tersebut, sebuah data

warehouse merupakan penyimpanan data tetap sebagai implementasi fisik dari

(30)

19

data bersih. Berdasarkan siapa yang memindahkan data, ETL dapat dibedakan menjadi empat seperti yang dapat dilihat pada gambar 2.2, yaitu :

1. Proses ETL menarik data keluar dengan query tertentu di source system database secara periodik.

2. Triggers pada source system mendorong data keluar. Triggers adalah Suatu SQL statement yang dijalankan setiap ada perintah insert, update atau delete dalam tabel.

3. Penjadwalan proses dalam source system untuk mengekspor data secara periodik. Hal ini mirip dengan proses yang pertama namun query disimpan dalam data source.

4. Sebuah log reader yang bertugas membaca log dalam source system untuk mengidentifikasi perubahan data. Log reader merupakan program yang membaca log file. Setelah dibaca, kemudian data dipindahkan keluar ke tempat

penyimpanan yang lain.

Gambar 2.2 Kategori ETL berdasarkan siapa yang menjalankan.

Berdasarkan dimana proses pembangkitan ETL, ETL dibedakan menjadi tiga macam seperti yang digambarkan pada gambar 2.3, yaitu :

(31)

server sendiri, sehingga tidak menggunakan sumber daya dari data warehouse

server atau data source server. Namun hal ini lebih mahal karena harus

menambah server lagi.

B. ETL dijalankan dalam data warehouse server. Pendekatan ini dapat digunakan jika mempunyai kapasitas lebih dalam data warehouse server atau jika mempunyai iddle time ketika data warehouse tidak digunakan (misal pada waktu malam). Pendekatan ini lebih murah dibandingkan pendekatan pertama karena tidak membutuhkan tambahan server.

C. ETL dijalankan pada server data source. Pendekatan ini diimplementasikan ketika membutuhkan real time data warehousing. Dengan kata lain, jika data dalam source system berubah, perubahan ini dilakukan juga ke dalam data warehouse. Hal ini dapat dilakukan dengan penggunaan trigger dalam source

system.

Gambar 2.3 Kategori ETL berdasarkan tempat dijalankan

(32)

21

pengguna, control sistem, audit sistem dan metadata. Secara sederhana data warehouse dapat digambarkan seperti gambar 2.4:

Gambar 2.4 Gambaran data warehouse secara sederhana

Dalam hal ini, data warehouse hanya mempunyai sebuah ETL dan sebuah datastore. Source system bukan merupakan bagian dari data warehouse sistem. Hal ini merupakan minimum dari sebuah data warehouse. Jika satu komponen diambil sudah bukan merupakan data warehouse lagi (Rainardi, 2008).

2.6 Linear Feedback Shift Register (LFSR)

Suatu Linear Feedback Shift Register (LFSR) adalah suatu mekanisme untuk menghasilkan sekuens bit biner. Register memiliki sebarisan sel yang ditentukan oleh vektor inisialisasi yakni, biasanya, menjadi kunci rahasia. Tingkah laku register diatur oleh sebuah counter (clock). Pada setiap saat isi sel dari register digeser (shift) ke kanan sejauh satu posisi, dan hasil operasi XOR terhadap subset dari isi sel ditempatkan pada sel paling kiri. Satu bit dari output biasanya diturunkan selama prosedur update ini.

Gambar 2.5 Linear Feedback Shift Register (LFSR)

(33)

(pad) feedback (bit tertentu yang digunakan, dalam Gambar di atas tap adalah bit pertama dan bit kelima) sekuens yang dihasilkan dapat memiliki performansi yang baik secara statistik. Akan tetapi, sekuens yang dihasilkan oleh LFSR tunggal tidak cukup aman karena sebuah kerangka matematik yang kuat telah dikembangkan selama bertahun-tahun yang memungkinkan analisis yang mudah terhadap hasil tersebut. Namun demikian, LFSR sangat berguna sebagai blok bangunan dalam sistem yang lebih aman.

Suatu shift register cascade merupakan sebuah set dari LFSR yang dihubungkan bersama-sama dengan cara tertentu sedemikian hingga perlakuan dari LFSR sebelumnya dalam bentuk aliran yang menyerupai air terjun. Sifat dan tingkah laku yang saling tergantung ini biasanya ditempuh dengan menggunakan satu LFSR untuk mengontrol LFSR berikutnya. Sebagai contoh, satu register mungkin melangkah lebih dulu satu fase jika output register di depannya adalah 1 dan maju dua langkah jika hasil = 0. Beberapa konfigurasi yang berbeda mungkin dan pemilihan parameter tertentu nampaknya menawarkan tingkat keamanan yang baik. Sesuai dengan sifat keaktifannya, LFSR yang digunakan dapat terbagi menjadi dua jenis, yaitu :

1. LFSR yang selalu aktif.

2. LFSR yang hanya akan aktif kalau di-clock oleh LFSR lain.

Beberapa jenis generator yang hanya menggunakan LFSR yang selalu aktif adalah :

(34)

23

d. Multispeed Inner-Product Generator. e. Gollmann Cascade.

Sedangkan, beberapa jenis generator yang menggunakan kedua jenis LFSR di atas adalah :

a. Beth-Piper Stop-and-Go Generator. b. Alternating Stop-and-Go Generator. c. Bilateral Stop-and-Go Generator.

Selain itu, terdapat suatu generator yang menggunakan LFSR yang di-clock oleh dirinya sendiri. Generator ini disebut sebagai Self-Decimated Generators.

2.6.1 Alter nating Stop-and-Go Generator

Generator ini menggunakan tiga buah LFSR dengan panjang yang berbeda. LFSR-2 di-clock ketika output dari LFSR-1 adalah 1, LFSR-3 di-clock ketika output dari LFSR-1 adalah 0. Output dari generator ini adalah hasil XOR dari LFSR-2 dan LFSR-3.

Generator ini memiliki sebuah periode yang panjang dan kompleksitas linier yang besar.

(35)

2.6.2 Bilater al Stop-and-Go Gener ator

Generator ini menggunakan dua buah LFSR, keduanya dengan panjang n. Output dari generator adalah hasil XOR dari output dari setiap LFSR. Jika output dari LFSR-2 pada waktu t – 1 adalah 0 dan output pada waktu t – 2 adalah 1, maka LFSR-2 tidak di-clock pada waktu t. Kebalikannya, jika output dari LFSR-1 pada waktu t – 1 adalah 0 dan output pada t – 2 adalah 1 dan jika LFSR-1 di-clock pada waktu t, maka LFSR-2 tidak di-clock pada waktu t.

Kompleksitas linier dari generator ini jika ditinjau secara kasar sama dengan periodenya.

Ga mbar 2.7 Sketsa gambar Bilateral Stop-and-Go Generator

2.6.3 Linear Feedback Shift Register (LFSR)

(36)

25

register digeser (shift) ke kanan sejauh satu posisi, dan hasil operasi XOR terhadap subset dari isi sel ditempatkan pada sel paling kiri. Satu bit dari output biasanya diturunkan selama prosedur update ini.

LFSR cepat dan mudah untuk diimplementasikan baik secara hardware maupun secara software. Dengan pemilihan yang cermat terhadap alat kontrol (pad) feedback (bit tertentu yang digunakan, dalam Gambar di atas tap adalah bit pertama dan bit kelima) sekuens yang dihasilkan dapat memiliki performansi yang baik secara statistik. Akan tetapi, sekuens yang dihasilkan oleh LFSR tunggal tidak cukup aman karena sebuah kerangka matematik yang kuat telah dikembangkan selama bertahun-tahun yang memungkinkan analisis yang mudah terhadap hasil tersebut. Namun demikian, LFSR sangat berguna sebagai blok bangunan dalam sistem yang lebih aman.

(37)

baik. Sesuai dengan sifat keaktifannya, LFSR yang digunakan dapat terbagi menjadi dua jenis, yaitu :

f. Geffe Generator. g. Jennings Generator. h. Threshold Generator.

i. Multispeed Inner-Product Generator. j. Gollmann Cascade.

d. Beth-Piper Stop-and-Go Generator. e. Alternating Stop-and-Go Generator. f. Bilateral Stop-and-Go Generator.

2.6.4 Linear Feedback Shift Register (LFSR)

(38)

27

register digeser (shift) ke kanan sejauh satu posisi, dan hasil operasi XOR terhadap subset dari isi sel ditempatkan pada sel paling kiri. Satu bit dari output biasanya diturunkan selama prosedur update ini.

LFSR cepat dan mudah untuk diimplementasikan baik secara hardware maupun secara software. Dengan pemilihan yang cermat terhadap alat kontrol (pad) feedback (bit tertentu yang digunakan, dalam Gambar di atas tap adalah bit pertama dan bit kelima) sekuens yang dihasilkan dapat memiliki performansi yang baik secara statistik. Akan tetapi, sekuens yang dihasilkan oleh LFSR tunggal tidak cukup aman karena sebuah kerangka matematik yang kuat telah dikembangkan selama bertahun-tahun yang memungkinkan analisis yang mudah terhadap hasil tersebut. Namun demikian, LFSR sangat berguna sebagai blok bangunan dalam sistem yang lebih aman.

(39)

baik. Sesuai dengan sifat keaktifannya, LFSR yang digunakan dapat terbagi menjadi dua jenis, yaitu :

k. Geffe Generator. l. Jennings Generator. m. Threshold Generator.

n. Multispeed Inner-Product Generator. o. Gollmann Cascade.

g. Beth-Piper Stop-and-Go Generator. h. Alternating Stop-and-Go Generator. i. Bilateral Stop-and-Go Generator.

2.7 Data Flow Diagr am

(40)

29

suatu sistem. Meskipun diberi nama Data Flow Diagram, namun penekanan pada DFD lebih pada prosesnya, bahkan DFD merupakan salah satu alat pemodelan proses dari sistem yang paling sering digunakan.

2.8 Definisi PHP

PHP merupakan satu bahasa pemrograman dalam pembuatan web. PHP bersifat server side dan bisa dikoneksikan dengan database seperti MySQL, PostgreSQL, SQL server, Oracle dsb. Karena PHP bersifat server side, maka

untuk dapat menjalankan PHP pada browser, maka diharuskan terlebih dahulu menginstall web server yang bisa anda dapatkan secara gratis dari internet, misalnya Apache, PHP Triad, PWS, Wammp, Xampp, dsb.

PHP juga dapat disatukan dengan kode HTML dan dijalankan dalam server side. Artinya Semua sintaks yang kita berikan akan sepenuhnya dijalankan

pada server sedangkan yang dikirimkan ke browser (client side) hanya hasilnya saja. Secara khusus, PHP dirancang untuk membangun sebuah web yang dinamis. Artinya, ia dapat membentuk suatu tampilan berdasarkan permintaan yang up to date. Misalnya isi database ditampilkan ke dalam halaman web. Pada prinsipnya,

(41)

Nama File: Coba.php

<html> <head> <title>Mencoba Hal Baru </title></head> <body> <? //teks php

Echo “Sandra Eka Sartono 0734010095”; ?> <body></html> Maka hasilnya seperti ini :

Gambar 2.10 Hasil Dari Coba.php 2.8.1 Kelebihan PHP

Beberapa kelebihan PHP dari bahasa pemrograman web, antara lain: a. Bahasa pemrograman PHP adalah sebuah bahasa script yang tidak

melakukan sebuah kompilasi dalam penggunaanya.

b. Web Server yang mendukung PHP dapat ditemukan dimanapun dari mulai apache, IIS, Lighttpd, hingga Xitami dengan konfigurasi yang relatif mudah.

c. Dalam sisi pengembangan lebih mudah, karena banyaknya milis-milis dan developer yang siap membantu dalam pengembangan.

d. Dalam sisi pemahamanan, PHP adalah bahasa scripting yang paling mudah karena memiliki referensi yang banyak.

(42)

31

runtime melalui console serta juga dapat menjalankan perintah-perintah system

2.9 Penger tian jQuer y

jQuery adalah javascript library, jQuery mempunyai semboyan “write less, do more”. jQuery dirancang untuk memperingkas kode-kode javascript.

JQuery adalah javascript library yang cepat dan ringan untuk menangani dokumen HTML, menangani event, membuat animasi dan interakasi ajax. JQuery dirancang untuk mengubah cara anda menulis javascript. Sebelum memulai mempelajari jQuery, harus mempunyai pengetahuan dasar mengenai HTML, CSS dan Javascript.

Library jQuery mempunyai kemampuan:

• Kemudahan mengakses elemen-elemen HTML • Memanipulasi elemen HTML dan CSS

• Penanganan event HTML • Efek-efek javascript dan animasi • Modifikasi HTML DOM • AJAX

• Menyederhanakan kode javascript lainnya

(43)

digunakan untuk penanganan event, interaksi Ajax yang cepat. jQuery ini dirancang untuk mengubah cara menulis JavaScript.

2.10 Penger tian Ajax

Ajax adalah salah satu cara agar web yang dibuat bisa berinteraksi seperti aplikasi desktop, dalam arti halaman web tersebut bisa mengambil data dari server tanpa harus me-load ulang seluruh halaman. Seperti bila menggunakan Gmail dengan fungsi standard, ketika mengklik salah satu email, web tidak perlu meload ulang seluruh halaman, hanya cukup merubah elemen tampilan email saja.

Ajax merupakan singkatan dari Asyncronous Javascript and XML, server dan klien berinteraksi secara asinkron di belakang halaman menggunakan fungsi transport XMLHttpRequest yang disediakan oleh javascript, sehingga tampilan

(44)

BAB III

ANALISIS DAN PERANCANGAN SISTEM

Bab ini menjelaskan tentang analisis dan perancangan dalam membangun aplikasi Penerapan Metode Web Usage Mining Pada Prototype Ecommerce, Analisis meliputi analisis data mining pada aplikasi, analisis lingkungan sistem serta analisis dalam membangun aplikasi.

3.1 Analisis Kebutuhan Sistem

a. Gambar an Sistem E-commerce Toko Online Secar a Umum

Secara umum, pada sub bab ini akan dibahas mengenai analisa dan perancangan sistem penjualan (e-commerce) sederhana yang dilengkapi dengan Metode Web Usage Mining untuk n pada sistem e-commerce. Pada sistem ini tidak hanya terfokus pada penerapan metode Web Usage Mining saja, namun juga berfokus bagaimana cara agar sistem penjualan dapat termanajemen dengan baik, sistem yang akan dirancang mengadopsi dari sistem–sistem yang hampir mirip dengan sistem penjualan distributor, yang dimiliki oleh perusahaan–perusahaan distributor, yang kemudian dirumuskan menjadi sebuah sistem baru yang lebih efisien dan tentunya lebih user friendly. Selain itu penerapan metode Web Usage Mining digunakan untuk mendapatkan suatu pola pada alur distribusi penjualan

(45)

a. Proses penjualan barang kepada konsumen/outlet, proses penjualan ini berfungsi sebagai proses transaksi penjualan antara konsumen dengan perusahaan. Dalam proses ini output yang didapatkan adalah faktur pembelian, namun pada tahap penjualan ini ada dua cara untuk memproses penjualan yakni, customer/outlet secara langsung memesan via online atau langsung memesan ke toko, jika customer memesan via online, maka customer harus mendaftarkan dulu ke website, ketika form pendaftaran

diterima , akan di validasi terlebih dahulu oleh perusahaan. Setelah customer order, akan mendapatkan nomor invoice, nomor invoice tersebut

akan diproses oleh pihak perusahaan, dan pesanan akan dikirimkan oleh sales perusahaan terdekat di cabang area. Untuk cara kedua yakni pemesanan langsung ke toko, pada order kali ini, administrator/owner perusahaan bisa memasukkan order penjualan dan langsung mendapatkan nomor faktur.

b. Proses Pengelolaan konsumen/outlet baru, proses pendaftaran ini berfungsi untuk mengelola client/konsumen, mulai dari pembuatan identitas client baru.

c. Proses pendaftaran distributor, dimaksudkan agar manajemen barang- barang penyedia distributor mampu tercatat dengan baik.

(46)

35

Dalam pengoperasiannya aplikasi ini, administrator dapat mengisikan terlebih dahulu data–data barang yang akan dijual kepada konsumen, setelah melakukan pengisian barang barulah proses penjualan bisa dilakukan. Setelah melakukan proses penjualan maka akan tercetak faktur penjualan, faktur penjualan ini menjadi salah satu kunci untuk mengolah data–data yang digunakan untuk bahan dalam penerapan metode web usage mining.

Dalam bagian hak akses aplikasi terdapat 2 hak akses user yang menjadi pelaku proses bisnis ini yakni konsumen dan administrator, dimana masing-masing pelaku bisnis memiliki hak akses yang berbeda–beda. Pada hak akses customer/outlet, hanya diberikan hak untuk melakukan proses order barang. Pada

(47)

b. Gambar an Pr oses Pener apan Web Usage Mining E-commerce Aplikasi

Gambar 3.1 Gambaran Umum Proses Web Usage Mining

Pada gambar 3.1 dijelaskan gambaran umum proses penerapan web usage mining, pertama pengunjung mengunjungi aplikasi penjualan sehingga akan

terciptanya log record baru, log record ini berisi tentang informasi IP address, user agent atau browser yang digunakan pada saat akses serta waktu akses atau

waktu kunjungan, log record juga bisa meliputi penyimpanan kata kunci/keyword yang digunakan oleh pengunjung sebagai kata kunci untuk mencari barang.

Pada proses berikutnya yakni tahap preprocessing dengan tahapan data cleaning, pada tahapan data cleaning ini adalah proses pembersihan data atau log

yang tidak relevan seperti teks multimedia maupun script CSS dan javascript. Pada proses selanjutnya proses intergrated data, dimana data akan dilakukan proses penggabungan dengan proses ETL (Ekstract, Transform, Load), dimana proses ini merupakan proses penggabungan dari semua tabel dan mengilangkan bagian-bagian atribut dari tabel yang tidak diperlukan, dan hanya mengambil atribut yang pokok.

Setalah data sudah digabungkan, masuk ke proses selanjutnya yakni proses dengan teknik statistical analys dimana teknik ini menyajikan data pola akses user yang disediakan dalam bentuk sajian grafik yang menjadi parameter analisis.

(48)

37

Teknik berikutnya yakni assosiation rules yakni mencari halaman yang diakses secara bersama-sama, pada teknik ini akan diterapkan pada halaman barang. Teknik yan terakhir yakni teknik untuk menentukan segmentasi pasar pada aplikasi berdasarkan kesamaa pola, teknik ini akan di dapatkan pada pola transaksi.

Tahap terakhir yakni tahap patern analysis, pada tahap ini akan divisualisasikan hasil dari proses mining berupa pembuatan grafik sajian data, agar bisa menjadi acuan dalam optimasi barang maupun optimasi kinerja aplikasi, sehingga pada fase terakhir ini membutuhkan hubungan relasi antar beberapa proses guna mendapatkan data dapat terintregrasi dengan baik, berikut adalah proses hubungan tersebut:

1. Hubungan aplikasi dengan kunjungan pengunjung,

a. Kunjungan trafik pada website. Pada trafik ini bisa memantau / mengindentifikasi pengunjung yang datang, akan menggunakan sistem log dan data tersebut di simpan di dalam file text.

b. Laporan waktu kunjungan rata–rata pengunjung pada aplikasi, sehingga dapat mengetahui waktu kunjungan yang tepat, sehingga dapat mengoptimasi, jam berapa aplikasi ini paling banyak dikunjungi.

(49)

d. Browser yang sering digunakan oleh pengunjung. Fungsi ini nantinya dapat mengetahui pengunjung yang mengunjungi menggunakan browser apa saja, dari browser handphone ataukah dengan browser PC.

e. Hasil log keyword pencarian pengunjung, dalam log pencarian dimaksudkan agar sistem dapat mengetahui keyword yang dipakai oleh pengunjung dalam mencari barang yang diinginkan, dalam hal ini dimaksudkan agar administrator lebih tepat dalam menggunakan keyword yang sering digunakan oleh pengunjung. Sehingga barang akan mudah muncul ketika di searching.

2. Hubungan penjualan produk dengan berparameter katagori barang

Dengan menggunakan hubungan ini, proses penjualan yang sudah terjadi akan dilakukan proses mining dengan melihat terlebih dahulu sample dari setiap masing–masing katagori barang, kemudian dari katagori barang tersebut dijadikan sebagai parameter untuk acuan menggali data pada pemesanan setiap transaksi. Sehingga output-nya, berupa sample data, yang menjadi bahan perbandingan dan menghasilkan katagori mana yang paling banyak dipesan.

3. Hubungan antara kota customer outlet dengan proses penjualan.

(50)

39

4. Hubungan antara barang dengan proses penjualan

Bermanfaat untuk menggali informasi barang yang paling laris dipasaran, serta mengetahui berapa stok yang dibutuhkan dari persediaan barang tersebut.

5. Hubungan kota atau area dengan proses penjualan

Hubungan ini bermanfaat untuk mengetahui daerah-daerah mana yang memiliki potensi order yang cukup besar, dalam hal ini total akan diketahui area mana yang memiliki potensi pasar yang besar, disertai dengan produk apa yang paling diminati diarea tersebut.

6. Hubungan supplier dengan proses penjualan

Dalam hubungan ini supplier berperan penting dalam penyetokan barang, supplier memberikan produknya, masing-masing produk akan dipasarkan, sehingga dapat mengatahui supplier mana yang barangnya paling diminati di pasaran.

3.2 Context Diagram

Merupakan Proses yang mewakili keseluruhan proses yang ada dalam aplikasi toko online dengan diterapkan metode web usage mining.

Lihat Produk

(51)

3.3 Data Flow Diagr am Untuk Pr oses Web Usage Mining

Pada sub bab ini akan dijelaskan bagaimana alur data yang akan diterapkan pada prototype ecommerce.

3.3.1 DFD Level 0 Pr oses Pener apan WUM Prototype Ecommerce

Load Log Pageview barang

Lihat Produk

Faktur

Load Data W arehouse

Load Data W are house

Simpan Data

Gambar 3.3 DFD Level 0 Prototype Ecommerce WUM

Pada DFD Level 0 ini adalah proses keseluruhan yang terjadi pada prototype ecommerce ini, dimana terdapat beberapa proses diantara proses

(52)

41

Pada proses berikutnya yakni proses log barang dimana pada proses ini digunakan untuk menyimpan pageview barang yang dilanjutkan pada proses penyimpanan log. Proses berikutnya yakni proses order transaksi yakni dilakukan oleh outlet, pada proses ini data-data dari warehouse akan di-load pada proses transaksi, dari proses tersebut dilakukan penyimpanan hasil transaksi ke dalam data penjualan, dalam transaksi tersebut akan menyimpan data berupa nomor invoice transaksi, kemudian barulah dari owner ecommerce akan melakukan

proses validasi transaksi, pada proses ini, akan meng-load data penjualan berupa nomor invoice, yang akan diproses selanjutnya untuk mendapat nomor faktur.

Proses Report WUM ini berfungsi untuk menampilkan grafik yang didapatkan oleh proses report WUM ini, pada proses awalnya owner me-request terlebih dahulu dan report akan dikeluarkan oleh proses ini.

3.3.2 DFD Level 1 Penyimpanan Log

Data textfile

Simpan Log Kunjungan _{Log Kunjungan} Data Log

Outlet

1 Simpan

Textfile 2

Convert Query MySLQL

Gambar 3.4 DFD Level 1 Penyimpanan Log

(53)

3.3.3 DFD Level 1 Pr oses Or der Transaksi

Simpan Transaksi

List Barang Dipilih Load Data Warehouse Transaksi

Outlet Data Warehouse Data Penjualan

1

Ga mbar 3.5 DFD Level 1 Proses Order Transaksi

Pada DFD Level 1 Proses order transaksi pada Gambar 3.5 ditunjukkan bahwa outlet memulai transaksi dengan melalui proses pemilihan barang terlebih dahulu, data barang tersebut di-load pada database warehouse, setelah melakukan proses pemilihan barang maka akan terjadi list barang yang akan diproses lanjut dalam pembuatan invoice, proses pembuatan ini masuk pada proses create invoice dan transaksi tersebut akan disimpan pada data penjualan.

3.3.4 DFD Level 1 Pr oses Validasi Tr ansaksi

Faktur

Gambar 3.6 DFD Level 1 Proses Validasi Transaksi

Pada DFD Level 1 Validasi Transaksi digunakan sebagai proses owner ecommerce untuk melakukan validasi pada order penjualan yang dilakukan oleh

(54)

43 dimana metode web usage mining diterapkan pada prototype ecommerce agar bisa membantu dalam menganalisa proses transaksi yang terjadi pada prototype ecommerce. Proses pertama yakni proses Preprocessing dimana akan dilakukan

data cleaning, dari data cleaning akan di import kedalam proses ETL, dimana proses ETL akan menghasilkan sebuah data yang kemudian dapat diproses ke Pattern Discovery dan Statistical Analys. Dari proses tersebut akan menghasilkan

(55)

3.4 Analisis Kebutuhan

Pada bagian ini akan dirumuskan kebutuhan sistem yang akan menjadi dasar dalam perancangan sistem Penerapan Web Usage Mining Pada Toko Online. 3.4.1 Spesifikasi Kebutuhan Sistem

Spesifikasi kebutuhan sistem aplikasi menjelaskan mengenai level pengguna aplikasi dan hak aksesnya serta masukan dan keluaran sistem aplikasi. 3.4.2 Level Pengguna dan Hak Akses

Dalam proses level pengguna ini termasuk dalam tahapan preprocessing yakni User Identification, aplikasi mampu mengindentifikasi pengguna yang login ke dalam aplikasi. Dalam hal ini, terdapat 2 hak akses yakni:

a. Customer/Oper ator dapat menggunakan proses order secara online. b. Administrator dapat menggunakan semua fasilitas, seperti entry data,

edit data kecuali faktur–faktur penjualan, untuk fasilitas yang lain yakni

fitur untuk melihat laporan–laporan dari hasil transaksi dalam penjualan musiman berkala secara caturwulan. Administrator dapat mengakses laporan dari data hasil proses Web Usage Mining.

3.5 Per ancangan Basis Data (Database)

(56)

45

3.5.1 Conceptual Data Model (CDM)

Pada Sub bab ini membahas hubungan antara data-data yang ada dalam konsep DFD pada sub bab 3.5, dimana didalamnya terdapat beberapa entity dan relasi yang mencerminkan struktur kebutuhan data yang dibutuhkan oleh sistem yang akan dibuat, berikut adalah Conceptual Data Model (CDM):

Menyuplay

Va riable characters (255 ) Va riable characters (255 ) Va riable characters (255 ) Integer

Va riab le characters (255 ) Va riab le characters (255 ) Va riab le characters (15) Iden tifier_1

Vari abl e characters (10 0) Date

Va riable characters (100 ) Long variable cha racters (25 5) Va riable characters (20)

Vari abl e characters (10 0) Text

Vari abl e characters (15 ) Vari abl e characters (15 ) Vari abl e characters (50 ) Vari abl e characters (15 ) Iden tifier_1

Variab le ch aracte rs (150) Variab le ch aracte rs (32) Variab le ch aracte rs (32) Variab le ch aracte rs (50) Text

Va riable characters (100 ) Integer Vari abl e characters (50 )

< Identi fier_1 <pi>

Ga mbar 3.8 Conceptual Data Model (CDM) 3.5.2 Physical Data Model (PDM)

(57)

Barang

Gambar 3.9 Physical Data Model (PDM) 3.5.3 Basis Data

Berikut ini adalah adalah hasil generate dari PDM ke dalam database MySQL, sehingga akan tercipta beberapa tabel sebagai berikut:

a. Tabel Barang

(58)

47

Tabel 3.1 Basis Data Barang

b. Tabel Gambar Barang

Pada Tabel ini akan menyimpan file gambar yang digunakan untuk menampilkan gambar barang, sehingga mempermudah dalam penyimpanan gambar barang.

Tabel 3.2 Basis Data Gambar Barang

No Tabel Kolom Tipe Data Keterangan

1 Image_gambar Id_Image Integer Primary key

2 Kode_brg Varchar (100)

3 Judul_image Varchar (225)

4 Link Varchar (225)

5 Harga_beli_brg Integer

6 Harga_jual_brg Integer

7 Stok_brg Integer

8 Tgl_masuk_brg Timestamp

9 Jenis_satuan Varchar (30)

10 Isi_per_satuan Integer

11 Deskipsi_brg Varchar (255)

12 Keyword_brg Varchar (255)

13 Short_des_Brg Varchar (255)

14 Page_view_brg Integer

15 Visitor_brg Integer

16 Enable_brg Varchar (5)

17 Hot_item_brg Varchar (5)

(59)

c. Tabel Golongan Katagori Barang

Tabel golongan katagori barang ini adalah untuk menyimpan informasi katagori barang pada barang. Sehingga barang nanti bisa dikategorikan.

Tabel 3.3 Basis Data Golongan Katagori Barang

d. Tabel Data Sales

Pada Tabel ini berisi data sales yang bekerja pada sistem ini. Tabel 3.4 Basis Data Sales

b. Tabel Data Outlet / Customer

Pada tabel ini berisi tentang data outlet dimana data outlet akan digunakan sebagai penyimpan data customer yang terdaftar pada sistem. Pada tabel outlet ini saling berelasi dengan tabel tb_sales ,dan tabel area sehingga tercipta sebuah foreign Key Kode_area.

1 Golongan_brg Kode_gol Integer Primary key

2 Nama_Gol Varchar (100)

3 Tgl_entry_gol Date

1 Tb_Sales Id_sal Integer Primary key

2 Kode_Area Varchar (100)

3 Alamat_sal MediumText

4 Nama_sal Varchar (150)

6 Telp_sal Varchar (20)

(60)

49

Tabel 3.5 Basis Data Outlet / Customer

c. Tabel Data Supplier

Berisi tentang data dari supplier atau distributor menyuplai barang. Tabel 3.6 Basis Data Supplier

d. Tabel Data Operator/Administrator

Perancangan data operator ini digunakan untuk login multi admin, sehingga admin dapat diakses lebih dari satu orang.

1 Outlet Kode_Cus Integer Primary key

2 Id_sal Integer

3 Kode_area Integer

4 Nama_cus Varchar (100)

6 Username_Cus Varchar (30)

7 Pass_cus Varchar (50)

8 Alamat_Cus LongText

9 Kota_cus Varchar(50)

10 CP_Cus Varchar(15)

11 Telp_Cus Varchar(15)

12 Tgl_join_cus Date

13 Last_Login_cus TimeStamp

14 Status_cus Varchar (30)

15 Ip_Last_Login_cus Varchar (30)

1 Supplier kode_sup Integer Primary key

2 Nama_sup Varchar (100)

3 Alamat_sup LongText

4 Telp_sup Varchar (15)

5 Fax_sup Varchar (15)

6 Email_sup Varchar (50)

7 Kontak_sup Varchar (15)

(61)

Tabel 3.7 Basis Data Operator

e. Tabel Data Order Penjualan

Pada Tabel ini menyimpan data transaksi yang dilakukan oleh customer dan divalidasi oleh administrator. Pada tabel ini berelasi dengan tabel Outlet dan Operator sehingga menghasilkan foreign key yakni Kode_cus dan Id_op sebagai administrator yang mengakses.

Tabel 3.8 Basis Data Order Penjualan

f. Tabel Data Pemesanan Order

Tabel ini digunakan untuk menyimpan data-data barang dan keterangan barang yang akan diproses pada transaksi penjualan, pada tabel pemesanan

1 Tb_Penjualan Faktur Integer Primary key

2 Kode_cus Varchar (5)

3 Id_Op Varchar (75)

4 NOTA_JUAL Date

6 Jenis_bayar_Jual Date

7 Tgl_trak_jual Integer

8 Tgl_Lunas_jual Integer

9 Harga_Total_Jual Integer

1 Operator Id_Op Integer Primary key