BAB 3
ANALISIS MASALAH DAN PERANCANGAN SISTEM
3.1 Latar Belakang Permasalahan
Perkembangan teknologi database terjadi dengan sangat cepat. Penemuan teknologi On Line Transaction Processing (OLTP) memungkinkan perusahaan mencatat semua transaksi yang berkaitan dengan proses pencatatan data secara automatisasi. Semakin lama OLTP yang digunakan oleh perusahaan maka data yang dicatat juga semakin banyak jumlahnya, terutama bagi perusahaan yang berskala cukup besar. Data tersebut sudah mulai dimanfaatkan oleh perusahaan untuk acuan mengambil keputusan bisnis pada perusahaan.
Dewasa ini banyak perusahaan medis yang mulai memikirkan bagaimana mengolah data yang telah dicatat. Perusahaan selama ini hanya mengamati, menerka, ataupun hanya memanfaatkan data tersebut untuk laporan tertulis. Perkembangan pengolahan data kemudian dilakukan, namun belum adanya metode yang tepat dalam mengolah membuat perusahaan melakukan pengolahan manual secara statistik. Pengolahan manual akan mengalami kesulitan ketika data yang akan dianalisis terlalu banyak. Kemungkinan terjadi kesalahan dalam perhitungan menjadi semakin besar sehingga akan mempengaruhi tingkat akurasi hasil pengolahan. Selain itu waktu yang diperlukan untuk melakukan pengolahan pun akan menjadi lama, sehingga kurang efisien.
Perusahaan medis kemudian menggunakan software statistik untuk meningkatkan efektifitas dan efisiensi pengolahan data tersebut. Namun software
tersebut tidak mampu memenuhi kebutuhan perusahaan. Perusahaan membutuhkan analisis-analisis khusus terhadap data yang ada. Analisis itu mencakup analisis pola pembelian (buying pattern) dan analisis faktor penyebab terjadinya pembelian pada customer (customer buying orientation).
Karena jumlah data yang banyak, keterbatasan pengolahan data manual secara statistik, dan kemampuan software statistik yang terbatas, maka banyak perusahaan medis menghadapi masalah dalam melakukan analisis data. Akibatnya, tidak dapat ditemukan informasi-informasi baru yang berguna untuk meningkatkan penjualan perusahaan. Setelah dilakukan wawancara dengan pimpinan beberapa perusahaan medis, maka dicetuskan sebuah solusi teknik yaitu data mining untuk mengatasi masalah tersebut.
3.2 Analisis Permasalahan
Permasalahan yang dialami perusahaan medis sesungguhnya tidak hanya terbatas pada pengolahan data. Inti permasalahan sebenarnya bermula dari evolusi dunia bisnis akibat persaingan yang begitu ketat antar perusahan segala bidang. Pesatnya perkembangan dunia bisnis membuat sesama perusahaan medis bersaing dengan sangat ketat, bahkan banyak perusahaan medis yang tidak mampu bertahan. Evolusi strategi perusahaan kemudian berubah dari konsep berfokus kepada produk (product centric) menjadi konsep berfokus kepada pelanggan (customer centric).
Pakem-pakem manajemen kemudian diterapkan pada perusahaan medis. Salah satunya adalah CRM (Customer Relationship Management). CRM berfokus kepada pelanggan, seperti bagaimana meningkatkan “nilai” dari pelanggan yang ada,
mempertahankan pelanggan yang ada, dan memperoleh pelanggan-pelanggan baru. Syarat mutlak untuk menjalankan konsep CRM adalah dengan mengetahui karakteristik customer yang didapatkan dari analisis data dengan proses data mining (Kotler dan Amstrong, 2003, pp140-149).
Jadi inti permasalahan sesungguhnya adalah bagaimana perusahaan medis bisa mengoptimalkan proses analisis data mereka guna mendapatkan informasi karakteristik customer sehingga konsep CRM menjadi strategi untuk bersaing dalam dunia bisnis.
3.3 Solusi Permasalahan
Penemuan teknik data mining untuk menganalisis data guna menemukan informasi-informasi baru dan melakukan prediksi sangat menjawab kebutuhan permasalahan. Data mining dapat diterapkan dalam database mulai skala menengah sampai besar. Sudah terbukti penerapan data mining menjadikan proses analisis data menjadi lebih efektif dan efisien. Dengan data mining, perusahaan dapat mengetahui pola perilaku pembelian produk pada customer (buying pattern) yang dapat digunakan untuk menunjang strategi CRM pada perusahaan.
Dengan dilatarbelakangi oleh permasalahan yang ada dan dengan ditemukannya teknik data mining maka perancangan model data mining untuk aplikasi predict buying pattern secara konseptual dapat dilihat pada Gambar 3.1.
Tahapan utama perancangan model data mining untuk memprediksi pola perilaku pembelian produk pada customer (buying pattern) adalah sebagai berikut.
65 Keterangan : Æ Bagian yang dikerjakan dalam skripsi ini
Gambar 3.1
M odel Konseptual Perancangan M odel Data Mining untuk Aplikasi Predictive M odel Buying Pattern
Data warehouse
Peranc angan Model
Data Mining
Aplikasi Back-end
(Data Mining)
PT. XYZ
Business Proc ess
+
TI Sistem Berjalan
OLTP
Apli kasi Front-end
(Predictive model) Web-based Applicati on PDA Applicati on Desktop Applicati on Model Data Mining
Gambar 3.2
Tahapan utama perancangan aplikasi data mining untuk predictive model Keempat tahap tersebut adalah sebagai berikut.
• Analisis kebutuhan data untuk aplikasi yang akan dibuat. • Analisis teknik data mining yang akan digunakan.
• Perancangan aplikasi data warehouse
• Perancangan aplikasi data mining (predictive model).
3.3.1 Analisis Kebutuhan Data
Berdasarkan permasalahan yang ada dan landasan teori yang digunakan, maka data yang dibutuhkan dalam perancangan aplikasi data mining untuk predictive model buying pattern ini adalah sebagai berikut.
Analisis kebutuhan data
Perancangan aplikasi data warehouse
Perancangan aplikasi data mining (predictive model)
1. Data MsCustomer
Nama kolom tabel MsCustomer pada Tabel 3.1. Tabel MsCustomer berisi semua data mengenai pelanggan yang merupakan masukan bagi program aplikasi.
1. Kode_Pelanggan 7. Alamat 13. Nama Customer Profile 5
2. Tipe_Pelanggan 8. No_Telepon 14. Nama Customer Profile 6
3. Kode_Penghasilan 9. Nama Customer Profile 1 15. Nama Customer Profile 7
4. Nama 10. Nama Customer Profile 2 16. Nama Customer Profile 8
5. Umur 11. Nama Customer Profile 3
6. Jenis Kelamin 12. Nama Customer Profile 4
Tabel 3.1 Karakteristik Tabel MsCustomer
Customer profile pada tabel data pelanggan bergantung pada kelengkapan dan ketersediaan data pada database yang digunakan dalam aplikasi ini dimana jumlahnya dapat dibatasi sesuai dengan kegunaan field data pada proses analisis data mining.
Primary Key : Kode_Pelanggan
Foreign Key : Tipe_Pelanggan + Kode_Penghasilan
Column Name Data Type Length
Kode_Pelanggan Varchar 50 Tipe_Pelanggan Varchar 50 Kode_Penghasilan Varchar 50 Nama Char 50 Umur Int 4 Jenis_Kelamin Char 10 Alamat Varchar 50
2. Data MsProduk
Nama kolom tabel MsProduk pada Tabel 3.2. Tabel MsProduk berisi semua data mengenai produk yang merupakan masukan bagi program aplikasi.
1. Kode_Produk 7. Nama Pengelompokan 3 13. Nama Pengelompokan 9
2. Tipe_Produk 8. Nama Pengelompokan 4 14. Nama Pengelompokan 10
3. Nama Produk 9. Nama Pengelompokan 5 15. Nama Pengelompokan 11
4. Harga 10. Nama Pengelompokan 6 16. Nama Pengelompokan 12
5. Nama Pengelompokan 1 11. Nama Pengelompokan 7
6. Nama Pengelompokan 2 12. Nama Pengelompokan 8
Tabel 3.3 Karakteristik Tabel MsProduk
Nama Pengelompokan pada tabel MsProduk bergantung pada kelengkapan dan ketersediaan data pada database yang digunakan dalam aplikasi ini dimana jumlahnya dapat dibatasi sesuai dengan kegunaan field data pada proses analisis Data mining.
Primary Key : Kode_Produk Foreign Key : Kode_Produk
Column Name Data Type Length
Kode_Produk Varchar 50 Tipe_Produk Varchar 50 Nama Char 50 Jumlah Int 4 Satuan Varchar 50 Harga Int 4 Keterangan Varchar 50 Tabel 3.4 Tabel MsProduk
3. Data Transaksi
Nama kolom tabel Transaksi pada Tabel 3.3. Tabel Transaksi berisi semua data mengenai transaksi penjualan perusahaan yang merupakan masukan bagi program aplikasi.
1. Kode Waktu 5. Unit Terjual 9. Nama Pengelompokan 3
2. Kode Transaksi 6. Total Bayar 10. Nama Pengelompokan 4
3. Kode Pelanggan 7. Nama Pengelompokan 1 11. Nama Pengelompokan 5
4. Kode Produk 8. Nama Pengelompokan 2 12. Nama Pengelompokan 6
Tabel 3.5 Karakteristik Tabel Transaksi
Nama pengelompokan pada tabel Transaksi bergantung pada kelengkapan dan ketersediaan data pada database yang digunakan dalam aplikasi ini dimana jumlahnya dapat dibatasi sesuai dengan kegunaan field data pada proses analisis data mining.
Primary Key : Kode_Transaksi
Foreign Key : Kode_Pelanggan + Kode_Produk + No_Kasir
Column Name Data Type Length
Tanggal Datetime 8 Kode_Transaksi Varchar 50 Kode_Pelanggan Varchar 50 Kode_Produk Varchar 50 No_Kasir Varchar 50 Unit_Terjual Int 4 Bayar Int 4 Total_Bayar Int 4 Tabel 3.6 Tabel Transaksi
4. Data TipePelanggan
Nama kolom tabel TipePelanggan pada Tabel 3.4. Tabel TipePelanggan berisi semua data mengenai tipe pelanggan yang merupakan masukan bagi program aplikasi.
1. Tipe Pelanggan 2. Jenis Pelanggan
Tabel 3.7 Karakteristik Tabel TipePelanggan Primary Key : Tipe_Pelanggan
Foreign Key : Tipe_Pelanggan
Column Name Data Type Length Tipe_Pelanggan Varchar 50 Jenis_Pelanggan Varchar 50 Tabel 3.8 Tabel TipePelanggan 5. Data KodePenghasilan
Nama kolom tabel KodePenghasilan pada Tabel 3.5. Tabel KodePenghasilan berisi semua data mengenai tipe penghasilan pelanggan yang merupakan masukan bagi program aplikasi.
1. Tipe Penghasilan 2. Jenis Penghasilan
Tabel 3.9 Karakteristik Tabel KodePenghasilan Primary Key : Tipe_Pelanggan
Foreign Key : Tipe_Pelanggan
Column Name Data Type Length Kode_Penghasilan Varchar 50 Jenis_Penghasilan Varchar 50 Tabel 3.10 Tabel KodePenghasilan
6. Data TipeProduk
Nama kolom tabel TipeProduk pada Tabel 3.6. Tabel TipeProduk berisi semua data mengenai tipe produk yang merupakan masukan bagi program aplikasi.
1. Tipe Produk 2. Jenis Produk
Tabel 3.11 Karakteristik Tabel TipeProduk Primary Key : Tipe_Produk
Foreign Key : Tipe_Produk
Column Name Data Type Length Tipe_Produk Varchar 50 Jenis_Produk Varchar 50 Tabel 3.12 Tabel TipeProduk 7. Data Kasir
Nama kolom tabel kasir pada Tabel 3.7. Tabel Kasir berisi semua data mengenai kasir yang bekerja pada perusahaan yang merupakan masukan bagi program aplikasi.
1. No. Kasir 2. Nama Kasir
Tabel 3.13 Karakteristik Tabel Kasir Primary Key : Tipe_Pelanggan
Foreign Key : Tipe_Pelanggan Column Name Data Type Length
No_Kasir Varchar 50
Nama Varchar 50
Gambar 3.3 Entity Relationship Diagram (ERD) Database DataMining
3.3.2 Analisis Teknik Data Mining
Teknik data mining yang digunakan dalam pembuatan aplikasi data mining adalah logika apriori dan teknik association rule. Logika apriori mencari setiap pasangan berurut sesuai dengan variabel yang ditentukan untuk mencari karakteristik customer. Setiap pasangan berurut tersebut difilterisasi pada teknik association rule sesuai dengan minimum support (coverage) yang telah ditentukan sebelumnya. Apabila pasangan-pasangan berurut tersebut jumlahnya tidak memenuhi angka minimum support (coverage), maka teknik association rule tidak dapat dijalankan. Hasil dari proses filterisasi tersebut dinamakan frequent closed
itemset. Setelah itu frequent closed itemset kembali difilterisasi dengan minimum confidence (accuracy) untuk mendapatkan kesimpulan dari teknik association rule.
Sedangkan untuk menentukan besaran angka pada minimum support (coverage) dan minimum confidence (accuracy) digunakan metode runge-kutta orde tiga. Pertama-tama data akan dihitung besaran bobotnya berdasarkan pasangan berurut yang telah difilterisasi pada teknik association rule sesuai dengan minimum support (coverage). Kemudian nilai bobot tersebut diinput sebagai nilai titik yang dicari dengan metode runge-kutta orde tiga. Dilakukanlah iterasi sebanyak jumlah pengurangan nilai titik yang dicari dengan titik awal (nilai nol), kemudian hasil tersebut dibagi dengan 100 untuk mendapatkan nilai keakuratan dalam besaran perseratus (percent).
3.4 Perancangan Aplikasi Data Warehouse
Aplikasi data warehouse merupakan aplikasi yang dibuat sebelum aplikasi data mining (predictive model) dengan tujuan menghasilkan data yang diperlukan untuk proses aplikasi data mining (predictive model). Perancangan aplikasi data warehouse terdiri dari tiga tahapan yang dapat dilihat pada Gambar 3.4.
Gambar 3.4 Tahapan Perancangan Aplikasi Data Warehouse Tahap-tahap tersebut adalah sebagai berikut.
• Proses extract-transform-loading (ETL).
Kondisi data (OLTP) perusahaan medis sekarang ini hanya berupa proses pencatatan data sebagai laporan tertulis. Pada awalnya data tidak dicatat secara komputerisasi Perkembangan pengolahan data kemudian dilakukan menjadi pencatatan data secara terkomputerisasi, namun data tersebut tercatat dalam file-file pada software Excell. Untuk pembuatan predictive model, harus dilakukan proses merubah data (OLTP) ke dalam bentuk data warehouse. Proses awal data menuju bentuk data warehouse adalah extract-transform-loading (ETL). Garis besar prosesnya adalah merubah data yang berupa file-file Excell menjadi sebuah database. Kemudian database tersebut ditampung dalam sebuah software database. Software database yang digunakan adalah SQL Server 2000. Database
Pembuatan Metadata Database
Pembuatan OLAP Cubes
Proses Extract-Transform-Loading (ETL)
Pembuatan Datamarts Database
hasil proses extract-transform-loading (ETL) kemudian diberi nama “DataMining”.
Gambar 3.5 Proses Extract – Transform – Loading (ETL)
• Pembuatan metadata database
Metadata database adalah gambaran secara fisik tabel database, berisikan karakteristik dari tabel database tersebut. Karakteristik tabel database tersebut berupa primary key, nama kolom, dan tipe jenis data dari setiap kolom pada database tersebut. Proses ini dilakukan pada software SQL Server Enterprise Manager dan program aplikasi yang dibuat.
Tahap-tahap yang dilakukan adalah sebagai berikut Mulai.
Menghubungkan aplikasi dengan SQL Server Enterprise Manager. Menghubungkan aplikasi dengan database DataMining.
Mengambil semua keterangan metadata dari tabel yang dipilih pada program aplikasi.
Memasukan semua keterangan metadata ke dalam program aplikasi. Menyimpan semua keterangan metadata ke dalam program aplikasi. Menampilkan semua keterangan metadata pada layar program aplikasi. Akhir.
• Pembuatan datamarts database.
Proses ini digunakan untuk membuat OLAP cubes dimana data-datanya diperoleh dengan cara melakukan join tabel-tabel yang terdapat pada database DataMining, proses ini dilakukan pada software SQL Server Enterprise Manager dan program aplikasi yang dibuat.
Tahap-tahap yang dilakukan adalah sebagai berikut Mulai.
Menghubungkan aplikasi dengan SQL Server Enterprise Manager. Menghubungkan aplikasi dengan database DataMining.
Mengabungkan semua tabel yang terdapat dalam database yang digunakan.
Mengambil semua data dari tabel-tabel yang telah digabungkan. Memasukan semua data ke dalam aplikasi yang digunakan.
Menyimpan semua data ke dalam datamarts pada program aplikasi. Menampilkan semua data pada layar program aplikasi.
• Pembuatan Entity Relationship Diagram (ERD)
Entity Relationship Diagram (ERD) merupakan diagram hubungan antara tabel-tabel dalam database. Cara yang paling umum untuk menampilkan Entity Relationship Diagram (ERD)adalah dengan menggunakan skema bintang (Star Schema). Proses pembuatan Entity Relationship Diagram (ERD) dilakukan pada software SQL Server Enterprise Manager dan program aplikasi yang dibuat.
Tahap-tahap yang dilakukan adalah sebagai berikut. Mulai.
Menghubungkan aplikasi dengan SQL Server Enterprise Manager. Menghubungkan aplikasi dengan database DataMining.
Membuat diagram baru pada SQL Server Enterprise Manager. Mengatur hubungan semua tabel pada database DataMining.
Menyimpan hasil Entity Relationship Diagram DataMining ke dalam program aplikasi.
Menampilkan hasil Entity Relationship Diagram DataMining ke dalam program aplikasi.
Gambar 3.6 Hasil Entity Relationship Diagram pada SQL Server Entreprise Manager
• Pembuatan OLAP cube.
OLAP cube merupakan struktur multidimensional dari data. OLAP cube dibangun dari sejumlah tabel. Cara yang paling umum untuk membangun struktur multidimensional adalah dengan menggunakan skema bintang. Skema bintang terdiri dari suatu tabel fakta dan beberapa tabel dimensi yang dihubungkan ke tabel fakta tersebut. Tabel-tabel yang diperlukan dalam proses pembuatan OLAP cube ini adalah sebagai berikut.
1. Tabel Transaksi (tabel fakta) 2. Tabel MsProduk
3. Tabel MsCustomer 4. Tabel KodePenghasilan
5. Tabel TipePelanggan
Gambar 3.7 Hasil dari pembuatan OLAP Cube Tahap-tahap yang dilakukan adalah sebagai berikut.
Mulai.
Menghubungkan aplikasi dengan SQL Server Analysis Manager.
Menghubungkan aplikasi dengan database DataMining yang digunakan. Membuat cube baru pada SQL Server Analysis Manager.
Menggabungkan tabel Transaksi dengan tabel MsProduk, tabel MsCustomer, tabel KodePenghasilan, tabel TipePelanggan.
Mengatur status tabel fakta dan tabel dimensi.
Menyimpan hasil dari proses pembuatan OLAP Cube pada program aplikasi.
Menampilkan hasil dari proses pembuatan OLAP Cube pada program aplikasi.
Akhir.
3.5 Perancangan Aplikasi Data Mining (Predictive Model)
Aplikasi data mining (predictive model) menggunakan sebuah layar Multi Documents Interface (MDI) parent dengan empat buah layar MDI child, dua buah layar Single Document Interface (SDI). Hierarki menu-menu yang terdapat pada aplikasi data mining (predictive model) dapat terlihat pada Gambar 3.7.
Gambar 3.8 Hierarki Menu-Menu pada Layar Utama Layar Utama Menu File Menu Login Menu Data Warehouse Menu Metadata Menu Data Marts Menu Report Menu Top 10 Products Menu Top 10 Customers Menu Mining Menu About
Layar Connection to Database
Menu
Change Password
MenuExit Menu Entity
Relationship Diagram Menu OLAP Cube Menu Classified Customers Menu Customer Characteristic Prediction
3.5.1 Rancangan Layar Connection to Database
Rancangan layar pada Gambar 3.8 menampilkan pilihan-pilihan database yang tersedia pada SQL Server 2000 untuk digunakan dalam aplikasi ini.
Gambar 3.9 Rancangan Layar Connection to Database
3.5.2 Rancangan Layar Utama
Rancangan layar utama pada Gambar 3.9 menampilkan lima buah menu yaitu: Menu File, Menu Data Warehouse, Menu Report, Menu Mining, Menu About.
Gambar 3.10 Rancangan Layar Utama
Mining Application X
File Data Warehouse Report Mining About
Connection to Database X Server Cancel Connect Database Username
Database
Password3.5.3 Rancangan Layar Menu File • Rancangan Layar Menu Login
Rancangan layar menu login pada Gambar 3.10 menampilkan pertanyaan berguna untuk hak akses penggunaan program aplikasi ini.
Gambar 3.11 Rancangan Layar Login
• Rancangan Layar Menu Change Password
Rancangan layar menu change password pada Gambar 3.11 menampilkan pertanyaan berguna untuk merubah password dari username yang bersangkutan.
Gambar 3.12 Rancangan Layar Change Password
Change Password x
Old Password
Cancel Ok
New Password
Re-Type New Password
User Login X
Username
Cancel Ok
• Rancangan Layar Menu Exit
Rancangan layar menu exit pada Gambar 3.12 menampilkan pertanyaan apakah user ingin keluar dari aplikasi ini.
Gambar 3.13 Rancangan Layar Menu Exit
3.5.4 Rancangan Layar Menu Data Warehouse
• Rancangan layar menu metadata tabel MsCustomer
Rancangan layar menu metadata tabel MsCustomer pada Gambar 3.13 menampilkan metadata tabel MsCustomer dan keterangan tipe jenis data.
Gambar 3.14 Rancangan Layar Menu Metadata Tabel MsCustomer Metadata Table MsCustomer X
Gambar Fisik Metadata Table MsCustomer Keterangan Tipe Jenis Data Mining Application x
Are you sure want to exit ? Ok
• Rancangan Layar Menu Metadata Tabel MsProduk
Rancangan layar menu metadata tabel MsProduk pada Gambar 3.14 menampilkan metadata tabel MsProduk dan keterangan tipe jenis data.
Gambar 3.15 Rancangan Layar Menu Metadata Tabel MsProduk
• Rancangan Layar Menu Metadata Tabel MsTransaksi
Rancangan layar menu metadata tabel MsTransaksi pada Gambar 3.15 menampilkan metadata tabel MsTransaksi dan keterangan tipe jenis data.
Gambar 3.16 Rancangan Layar Menu Metadata Tabel MsTransaksi Metadata Table MsTransaksi X
Gambar Fisik Metadata Table MsTransaksi Keterangan Tipe Jenis Data
Metadata Table MsProduk X
Gambar Fisik Metadata Table MsProduk Keterangan Tipe Jenis Data
• Rancangan Layar Menu Metadata Tabel TipePelanggan
Rancangan layar menu metadata tabel TipePelanggan pada Gambar 3.16 menampilkan metadata tabel TipePelanggan dan keterangan tipe jenis data.
Gambar 3.17 Rancangan Layar Menu Metadata Tabel TipePelanggan
• Rancangan Layar Menu Metadata Tabel TipePenghasilan
Rancangan layar menu metadata tabel TipePenghasilan pada Gambar 3.17 menampilkan metadata tabel TipePenghasilan dan keterangan tipe jenis data.
Gambar 3.18 Rancangan Layar Menu Metadata Tabel TipePenghasilan Metadata Table TipePenghasilan X
Gambar Fisik Metadata Table TipePenghasilan Keterangan Tipe Jenis Data
Metadata Table TipePelanggan X
Gambar Fisik Metadata Table TipePelanggan Keterangan Tipe Jenis Data
• Rancangan Layar Menu Metadata Tabel TipeProduk
Rancangan layar menu metadata tabel TipeProduk pada Gambar 3.18 menampilkan metadata tabel TipeProduk dan keterangan tipe jenis data.
Gambar 3.19 Rancangan Layar Menu Metadata Tabel TipeProduk
• Rancangan Layar Menu Metadata Tabel Kasir
Rancangan layar menu metadata tabel Kasir pada Gambar 3.19 menampilkan metadata tabel Kasir dan keterangan tipe jenis data.
Gambar 3.20 Rancangan Layar Menu Metadata Tabel Kasir
Metadata Table Kasir X
Gambar Fisik Metadata Table Kasir Keterangan Tipe Jenis Data
Metadata Table TipeProduk X
Gambar Fisik Metadata Table TipeProduk Keterangan Tipe Jenis Data
• Rancangan Layar Menu Data Marts
Rancangan layar menu data marts Gambar 3.18 menampilkan tampilan data marts yang merupakan gabungan dari semua tabel yang ada dalam database DataMining disertai keterangan tentang data marts tersebut.
Gambar 3.21 Rancangan Layar Menu Data Marts
• Rancangan Layar Menu EntityRelationship Diagram
Rancangan layar menu Entity Relationship Diagram pada Gambar 3.19 menampilkan tampilan gambar fisik Entity Relationship Diagram database DataMining, disertai keterangan mengenai Entity Relationship Diagram tersebut
Gambar 3.22 Rancangan Layar Menu Entity Relationship Diagram
Entity Relationship Diagram Database DataMining X
Gambar Entity Relationship Diagram Keterangan Entity Relationship Diagram
Data Marts Database DataMining X
Gambar Table Data Marts
Keterangan Data Marts
• Rancangan Layar Menu OLAP Cube
Rancangan layar menu OLAP cube pada Gambar 3.20 menampilkan tampilan gambaran fisik OLAP cube yang dilihat melalui cube editor, disertai keterangan mengenai OLAP cube tersebut.
Gambar 3.23 Rancangan Layar Menu OLAP Cube 3.5.5 Rancangan Layar Menu Report
• Rancangan Layar Menu Top 10 Products
Rancangan layar menu top 10 products pada Gambar 3.21 menampilkan daftar 10 nama produk dengan jumlah penjualan tertinggi sesuai dengan database.
Gambar 3.24 Rancangan Layar Menu Top 10 Products Top 10 Products X
1 2 10
TOP 10 PRODUCTS
Nama Produk Keterangan
OLAP Cube DataMining X
Gambar OLAP Cube Keterangan OLAP Cube
Menu ini menampilkan 10 nama produk yang dengan jumlah penjualan tertinggi berdasarkan database yang ada. Data diperoleh dari tabel MsProduk yang di-join dengan tabel Transaksi. Tahap-tahap yang dilakukan adalah sebagai berikut.
Mulai.
Menghubungkan aplikasi dengan SQL Server Enterprise Manager. Menghubungkan aplikasi dengan database yang digunakan.
Mengambil 10 data produk teratas berdasarkan pengelompokan produk dari tabel MsProduk di-join dengan tabel Transaksi berdasarkan column Kode_Produk, kemudian diurutkan berdasarkan jumlah pada column Unit_Terjual secara descending (dari besar ke kecil).
Memasukan data yang diambil ke dalam layar menu Top 10 Products. Menampilkan data pada layar menu Top 10 Products pada aplikasi. Akhir.
• Rancangan Layar Menu Top 10 Buyers
Rancangan layar menu top 10 Buyers pada Gambar 3.22 menampilkan daftar 10 nama pembeli dengan jumlah pembelian tertinggi sesuai dengan database.
Gambar 3.25 Rancangan Layar Menu Top 10 Buyers
Menu ini menampilkan 10 nama pembeli yang dengan jumlah pembelian tertinggi berdasarkan database yang ada. Data diperoleh dari tabel MsCustomer yang di-join dengan tabel Transaksi. Tahap-tahap yang dilakukan adalah sebagai berikut.
Mulai.
Menghubungkan aplikasi dengan SQL Server Enterprise Manager. Menghubungkan aplikasi dengan database yang digunakan.
Mengambil 10 data nama teratas berdasarkan pengelompokan nama dari tabel MsCustomer di-join dengan tabel Transaksi berdasarkan column Kode_Pelanggan, kemudian diurutkan berdasarkan jumlah pada column Unit_Terjual secara descending (dari besar ke kecil).
Memasukan data yang diambil ke dalam layar menu Top 10 Buyers.
Top 10 Buyers X 1 2 10 TOP 10 BUYERS Nama Keterangan
Menampilkan data pada layar menu Top 10 Buyers pada aplikasi. Akhir.
• Rancangan Layar Menu Classified Customers
Rancangan layar menu Classified Customers pada Gambar 3.23 menampilkan seluruh data pembeli dengan diklasifikasikan sesuai dengan jumlah pembelanjaan dan lama menjadi customer sesuai dengan database.
Gambar 3.26 Rancangan Layar Menu Classified Customers
Data diperoleh dari tabel MsCustomer yang di-join dengan tabel TipePelanggan. Tahap-tahap yang dilakukan adalah sebagai berikut.
Mulai.
Menghubungkan aplikasi dengan SQL Server Enterprise Manager. Menghubungkan aplikasi dengan database yang digunakan.
Mengambil semua data berdasarkan pengelompokan Jenis_Pelanggan dari tabel MsCustomer di-join dengan tabel TipePelanggan berdasarkan Classified Customers X
1 2 10
Classified Customers
Level Nama Alamat Level A = X Orang Level B = Y Orang Level C = Z Orang
column Kode_Tipe_Pelanggan, kemudian diurutkan secara descending (dari besar ke kecil).
Memasukan data yang diambil ke dalam layar menu Classified Customers. Menampilkan data pada layar menu Classified Customers pada aplikasi. Akhir.
3.5.6 Rancangan Layar Menu Mining
• Rancangan Layar Menu Customer Characteristic Prediction
Rancangan layar menu Customer Characteristic Prediction pada Gambar 3.24 menampilkan pilihan-pilihan nama produk berdasarkan database MsProduk. Kemudian layar akan menampilkan hasil dari prediksi berupa Tipe Customer, Tipe Penghasilan, Range Umur, Jenis Kelamin serta Confidence. Confidence disini berarti keakuratan hasil prediksi.
Gambar 3.27 Rancangan Layar Menu Customer Characteristic Prediction
3.5.7 Rancangan Layar Menu About
Rancangan layar menu About pada Gambar 3.25 menampilkan informasi mengenasi aplikasi Mining ini
Gambar 3.28 Rancangan Layar Menu About
Customer Characteristic Prediction X
Customer Characteristic Prediction
Nama Produk : Confidence : Customer Character : Tipe Customer : Tipe Penghasilan : Range Umur : Jenis Kelamin : ▼
About Mining Application X
Mining Application Version 1.0 Licensed to
Anwar Salim (0600655870) Universitas Bina Nusantara 2007 Teknik Informatika dan Matematika
