BAB III
PEMBAHASAN
3.1 Analisa Sistem 3.1.1 Profile Instansi
Old City Wear House didirikan pada tahun 2009, yang beralamatkan di Jl. Kebalen Wetan no. 32 Malang. Old City Wear House bergerak dibidang penjualan berbagai produk pakaian dengan desain-desain yang menarik dan unik, Old City Wear House berawal dari pembuatan produk untuk merchandise dari band-band kota malang. Namun setelah banyaknya peminat dari produk-produk Old City Wear House mulailah mengembangkan hasil produk pakaian untuk segala jenis model pakaian yang di buat.
3.1.2 Blog Diagram Sistem yang Akan Dibangun
Gambar 3.1 Blog Diagram Sistem yang akan dibangun
Pada sistem yang akan dibangun ini pengguna di haruskan untuk melakukan login agar dapat memberikan rekomendasi sesuai pengguna, pada proses sistem rekomendasi ini untuk proses perhitungan dengan metode hybrid (content based-collaborative) dan simple addtive weighting ini berfungsi secara lanjutan, namun pada proses rekomendasi dengan pembobotan bersifat pilihan. Tergantung pengguna akan melakukan pemilihan rekomendasi yang diinginkan, namun dalam kedua proses rekomendasi tersebut memiliki perbedaan dimana pada sistem rekomendasi dengan metode hybrid (content based-collaborative) adalah untuk memudahkan dalam mencari dan memilih pakaian yang akan dibeli sedangkan pada metode simple addtive weighting adalah mempermudah pengguna dalam memutuskan pakaian rekomendasi yang akan dibeli. 3.2 Analisa Masalah
Banyaknya permasalahan yang telah dialami konsumen saat melakukan transaksi pada media online, konsumen sering mengalami kesulitan dalam mencari maupun memilih pakaian yang sesuai dengan apa yang di inginkan. Sehingga konsumen terkadang membutuhkan waktu yang lama dalam penyeleksian pakaian yang sesuai dengan keinginannya dan memilih salah satu pakaian yang akan dibeli. Karena permasalah-permasalahan tersebut mengkibatkan menurunnya daya beli konsumen terhadap pakaian khusunya pada toko Old City Wear House.
merupakan solusi terbaik untuk permasalahan yang sering dihadapi oleh konsumen. Dimana sistem akan membantu konsumen dalam mencari pakaian dan dapat membantu memilihkan pakaian yang sesuai dengan keinginannya. Dengan mengadopsi sistem pendukung keputusan dalam sistem yang akan dibangun akan dapat membantu konsumen dalam memutuskan pakaian yang akan dibeli, sehingga segala permasalahan konsumen dalam pembelian pakaian secara online dapat teratasi dengan efektif dan efisien. Tidak menutup kemungkinan dengan sebuah solusi baru ini akan dapat meningkatkan daya beli konsumen dalam melakukan pembelian secara online.
Dalam penyaringan informasi pada sistem rekomendasi ini dengan menggunakan metode hybrid (content based-collaborative filtering) dan untuk pembobotan menggunakan SAW (simple additive weighting). Dengan menggabungkan beberapa metode ini maka akan dapat memberikan hasil rekomendasi yang sesuai dengan keinginan konsumen. Karena dalam penyaringan informasi untuk metode hybrid (content based-collaborative filtering) menggunakan profil pengguna dan aktifitas transaksi pembelian pakaian. Sehingga konsumen tidak akan kesulitan dalam mencari, memilih, dan memutuskan terhadap pakaian yang akan dibeli.
3.3 Analisa Kebutuhan Sistem (Database)
1. History data transaksi pembelian dari tahun 2010-2013.
2. Dengan total record dataset tahun 2010-2013 berjumlah 1036 record.
3. Total data user sebanyak 250 record.
3.4 Pemodelan Metode
3.4.1 Content Based Filtering
Content-based filtering akan menyaring informasi berdasarkan atribut-atribut rekomendasi setiap pengguna yang diperoleh dari aktifitas pembelian pakaian sebagai preferensi. Sistem akan mencari dan menyaring pengguna lain yang memiliki kesamaan atribut rekomendasi berdasarkan data yang tersimpan dalam database.
Begitu pula bagi pengguna yang telah melakukan transaksi maka akan secara otomatis proses pengupdatean terhadap atribut rekomendasi bagi pengguna yang telah melakukan transaksi sesuai dengan transaksi terakhir yang dilakukannya. Kemudian dari hasil atribut rekomendasi setiap pengguna yang telah melakukan login akan dihitung kedekatan antar pengguna berdasarkan nilai-nilai atribut rekomendasinya.
kesamaam dengan nilai terbesar akan di jadikan kandidat rekomendasi. Namun berdasarkan 5 kandidat tersebut akan di ambil data history pembelian pakaian, dan history pakaian tersebutlah yang akan di rekomendasikan terhadap pengguna yang telah melakukan login tersebut.
Algoritma nearest neighbor akan mencari jarak terbesar dengan melakukan perhitungan antara kedekatan nilai atribut dan bobot atribut. Berikut adalah tahapan-tahapan penentuan jarak terbesar menggunakan nearest neighbor :
1. Menghitung kedekatan kasus baru dengan kasus lama yang telah dilakukan oleh user sebelumnya.
2. Menentukan nilai kedekatan atribut individu baru dengan atribut individu lama.
3. Menentukan bobot setiap jenis atribut.
4. Menghitung jarak yaitu jumlah perkalian nilai kedekatan atribut individu setiap kasus dengan bobot atribut kemudian dibagi dengan jumlah bobot masing-masing atribut.
5. Memilih kasus dengan kedekatan terdekat. Kedekatan terdekat ditentukan berdasarkan nilai jarak tertinggi yang dihasilkan.
berikut adalah tabel kedekatan atribut dan bobot pada metode content based filtering, bobot pada variabel diberikan berdasarkan pakaian terpopuler pada pembelian pakaian atau hasil transaksi tertinggi, berikut adalah data pembelian terpopuler :
Tabel 3.1 Pencarian Pembobotan
Produk Populer Kategori model warna motif kelaminjenis harga ID-BFW-TS upper body rendah netral cukup laki - laki murahcukup ID-JJFDM-TS upper body sedang sekunder banyak laki - laki cukup murah ID-SCHC-TS upper body sedang primer sedikit laki - laki murah ID-DYSSTET-TS upper body tinggi netral banyak laki - laki murahcukup ID-FFSCHC-TS upper body sedang netral cukup laki - laki murah
Modus (Tertinggi) 5 3 3 2 5 3
Persen 23.81 14.29 14.29 9.52 23.81 14.29
Bobot 1 0.8 0.8 0.6 1 0.8
Maka dari hasil tabel pembelian pakaian terpopuler atau pembelian terbanyak akan di jadikan data pembobotan pada proses rekomendasi pakaian.
Tabel 3.2 Bobot Variabel No. Variabel Bobot
1 Kategori 1
2 Model 0.8
3 Warna 0.8
4 Motif 0.6
5 Jenis Kelamin 1
Untuk mengukur jarak maupun bobot antar variabel dan atribut. Bobot jarak ini diberikan nilai antara 0 sampai dengan 1. Nilai 0 artinya jika atribut tidak berpengaruh dan sebaliknya nilai 1 jika atribut sangat berpengaruh. Adapun nilai jarak setiap variabel dapat dilihat pada tabel berikut ini.
Tabel 3.3 Kedekatan Nilai Atribut Kategori No. Nilai 1 Nilai 2 Nilai Kedekatan
1 Upper Body Upper Body 1
2 Lower Body Lower Body 1
3 Upper Body Lower Body 0.5
4 Lower Body Upper Body 0.5
Nilai kedekatan antara atribut nilai 1 dengan nilai 2 jika memiliki kesamaan maka bernilai 1 dan jika berbeda bernilai 0,5. Nilai diperoleh dari pembagian banyak data atribut.
Tabel 3.4 Kedekatan Nilai Atribut Model No. Nilai 1 Nilai 2 Nilai Kedekatan
1 Tinggi Tinggi 1
2 Sedang Sedang 1
3 Rendah Rendah 1
4 Tinggi Sedang 0.75
5 Tinggi Rendah 0.5
6 Sedang Tinggi 0.75
7 Sedang Rendah 0.75
8 Rendah Tinggi 0.5
9 Rendah Sedang 0.75
makan nilai kedekatan bernilai 0,5. Nilai diperoleh dari pembagian banyak data atribut panjang range nilai untuk nilai kedekatan.
Tabel 3.5 Kedekatan Nilai Atribut Warna
No. Nilai 1 Nilai 2 Nilai Kedekatan
1 Primer Primer 1
2 Sekunder Sekunder 1
3 Tersier Tersier 1
4 Netral Netral 1
5 Primer Sekunder 0.8
6 Primer Tersier 0.6
7 Primer Netral 0.2
8 Sekunder Primer 0.8
9 Sekunder Tersier 0.8
10 Sekunder Netral 0.6
11 Tersier Primer 0.6
12 Tersier Sekunder 0.8
13 Tersier Netral 0.8
14 Netral Primer 0.2
15 Netral Sekunder 0.6
16 Netral Tersier 0.8
Nilai kedekatan antara atribut nilai 1 dengan nilai 2 jika memiliki kesamaan maka bernilai 1 dan jika berbeda 1 tingkat makan akan bernilai 0,8 , kemudian jika nilai 1 dengan nilai 2 memiliki perbedaan 2 tingkat makan nilai kedekatan bernilai 0,6 dan untuk perbedaan dengan 3 tingkat maka bernilai 0.2 Nilai diperoleh dari pembagian banyak data atribut panjang range nilai untuk nilai kedekatan.
Tabel 3.6 Kedekatan Nilai Atribut Motif
No. Nilai 1 Nilai 2 Nilai Kedekatan
1 Sedikit Sedikit 1
2 Cukup Cukup 1
3 Banyak Banyak 1
No. Nilai 1 Nilai 2 Nilai Kedekatan
8 Banyak Sedikit 0.5
9 Banyak Cukup 0.75
4 Sedikit Cukup 0.75
5 Sedikit Banyak 0.5
6 Cukup Sedikit 0.75
7 Cukup Banyak 0.75
Nilai kedekatan antara atribut nilai 1 dengan nilai 2 jika memiliki kesamaan maka bernilai 1 dan jika berbeda 1 tingkat makan akan bernilai 0,75 , kemudian jika nilai 1 dengan nilai 2 memiliki perbedaan 2 tingkat maka nilai kedekatan bernilai 0,5. Nilai diperoleh dari pembagian banyak data atribut panjang range nilai untuk nilai kedekatan.
Tabel 3.7 Kedekatan Nilai Atribut Jenis Kelamin No. Nilai 1 Nilai 2 Nilai Kedekatan
1 Laki-Laki Laki-Laki 1
2 Perempuan Perumpuan 1
3 Laki-Laki Perumpuan 0.5
4 Perempuan Laki-Laki 0.5
Nilai kedekatan antara atribut nilai 1 dengan nilai 2 jika memiliki kesamaan maka bernilai 1 dan jika berbeda bernilai 0,5. Nilai diperoleh dari pembagian banyak data atribut.
Tabel 3.8 Kedekatan Nilai Atribut Harga
No. Nilai 1 Nilai 2 Nilai Kedekatan
1 Murah Murah 1
2 Cukup Murah Cukup murah 1
3 Mahal Mahal 1
4 Sangat Mahal Sangat Mahal 1
5 Murah Cukup Murah 0.8
No. Nilai 1 Nilai 2 Nilai Kedekatan
6 Murah Mahal 0.6
7 Murah Sangat Mahal 0.2
8 Cukup Murah Murah 0.8
9 Cukup Murah Mahal 0.8
10 Cukup Murah Sangat Mahal 0.6
11 Mahal Murah 0.6
12 MAHAL Cukup Murah 0.8
13 Mahal Sangat Mahal 0.8
14 Sangat Mahal Murah 0.2
15 Sangat mahal Cukup Murah 0.6
16 Sangat Mahal Mahal 0.8
Nilai kedekatan antara atribut nilai 1 dengan nilai 2 jika memiliki kesamaan maka bernilai 1 dan jika berbeda 1 tingkat makan akan bernilai 0.8, kemudian jika nilai 1 dengan nilai 2 memiliki perbedaan 2 tingkat makan nilai kedekatan bernilai 0,6 dan untuk perbedaan dengan 3 tingkat maka bernilai 0.2 Nilai diperoleh dari pembagian banyak data atribut panjang range nilai untuk nilai kedekatan.
Penentuan atribut dan bobot ini digunakan untuk menghitung nilai kedekatan antara item-item yang akan di rekomendasikan kepada konsumen.
3.4.2 Collaborative Filtering
colaborative filtering dilakukan dengan melihat rating suatu transaksi pembelian item yang telah di lakukan oleh pengguna.
Untuk proses perhitungan rating berdasarkan data transaksi yang dilakukan oleh pengguna yang di rekomendasikan berdasarkan hasil metode content based filtering dengan menggunakan formula perhitungan rating. Berikut adalah tahapan-tahapan perhitungan pada metode collaborative filtering :
1. Mengumpulkan data rating yang di berikan oleh pengguna sebelumnya berdasarkan pakaian yang di rekomendasi dari proses content based filtering.
2. Hitung semua nilai rating setiap item yang diberikan dengan menggunakan rumus sebagai berikut.
Rating = Frekuensi Pembelian dari setiap item
100 = Nilai maksimum dari nilai rekomendasi tertinggi 100
5 = Nilai maksimum rating yang diberikan oleh pengguna
1 = Nilai maksimum transaksi pembelian pakaian pada
Nilai rating transaksi pembelian pakaian dapat dilihat pada tabel 3.9 dengan panjang rating transaksi pembelian = 22/5 = 4,4
Tabel 3.9 Nilai Rating Transaksi Pembelian Range Total Transaksi Rating
17.7 – 22 5
13.1 - 17.6 4
8.9 - 13.2 3
4.5 - 8.8 2
1 - 4.4 1
3. Dari perhitungan akan di lihat data yang memiliki nilai tertinggi
dan data tersebut akan dijadikan rekomendasi kepada pengguna.
3.4.3 SAW (Simple Additive Weighting)
Terkadang dari hasil rekomendasi pakaian yang telah diberikan terlalu banyak, sehingga konsumen menjadi bingung memilih dari hasil rekomendasi. Maka sistem pendukung keputusan ini akan memecahkan permasalah konsumen untuk mendukung pengambilan keputusan dalam pemilihan pakaian yang telah direkomendasikan. Sistem ini akan membantu konsumen untuk memilih pakaian yang terbaik berdasarkan keinginan konsumen saat ini dengan menggunakan metode simple additive weighting.
proses perangkingan. Berikut adalah tabel kreteria dan bobot pada metode simple additive weighting :
Tabel 3.10 Kriteria
No. Kriteria Keterangan
1 C1 Model
2 C2 Warna
3 C3 Motif
4 C4 Harga
Dari masing masing kriteria tersebut akan di tentukan bobot-bobotnya. Pada bobot terdiri dari enam bilangan fuzzy, yaitu sangat rendah (SR), rendah (R), sedang (S), tengah (T1), tinggi (T2), dan sangat tinggi(ST).
Gambar 3.2 Bilangan fuzzy untuk bobot
Berdasarkan gambar 3.2, bilangan fuzzy dapat dikonversikan ke bilangan crips. Untuk lebih jelas data bobot di bentuk dalam tabel di bawah ini.
Tabel 3.11 Bobot No. Bilangan Fuzzy Nilai
1 Sangat Rendah 0
2 Rendah 0.2
Keterangan :
- SR =Sangat Rendah
- R = Rendah
- S = Sedang
- T1 = Tengah
- T2 = Tinggi
Tabel 3.11 Bobot (Lanjutan) No. Bilangan Fuzzy Nilai
3 Sedang 0.4
4 Tengah 0.6
5 Tinggi 0.8
6 Sangat Tinggi 1
Pada setiap kriteria memiliki nilai masing-masing, berikut ini adalah nilai-nilai dari setiap kriteria :
1. Kriteria Model (C1)
Pada variabel model terdiri dari tiga bilangan fuzzy, yaitu Rendah (R), Sedang (S), dan Tinggi (T).
Tabel 3.12 Kriteria Model No. Model Pakaian (C1) Nilai
1 Rendah 0.333
2 Sedang 0.666
3 Tinggi 1
Untuk model pakaian rendah ini memiliki kualitas bahan kain biasa dan tingkat desain rendah, model pakaian sedang memiliki kualitas bahan kain bagus dan tingkat desain tinggi, dan model pakaian tinggi kualitas bahan kain terbaik dan tingkat desain sangat tinggi.
2. Kriteria Warna (C2)
Tabel 3.13 Kriteria Warna
No. Warna Pakaian (C2) Bilangan Fuzzy Nilai
1 Warna Primer Rendah 0.25
2 Warna Sekunder Cukup 0.5
3 Warna Tersier Tinggi 0.75
4 Warna Netral Sangat Tinggi 1
Warna primer terdiri dari merah, biru, dan kuning, warna sekunder merupakan warna campuran dari warna dasar warna primer, warna tersier merupakan warna campuran dari warna primer dan sekunder, sedangkan warna netral warna campuran hitam dan putih dengan warna tersier.
3. Kriteria Motif (C3)
Pada variabel motif terdiri dari tiga bilangan fuzzy, yaitu Sedikit (S), Cukup (C), dan Banyak (B).
Tabel 3.14 Kriteria Motif
No. Motif Pakaian (C3) Nilai
1 Sedikit 0.333
2 Cukup 0.666
3 Banyak 1
4. Kriteria Harga (C4)
Pada variabel harga terdiri dari empat bilangan fuzzy, yaitu Murah (M), Cukup Murah (CM), Mahal (Mh), dan Sangat Mahal (SMh).
Tabel 3.15 Kriteria Harga
No. Harga Pakain (C4) Bilangan Fuzzy Nilai
1 Harga <= Rp. 100.000 Murah 0.25
2 Rp. 100.000 > Harga <=Rp.200.000 Cukup Murah 0.5 3 Rp. 200.000 > Harga<=300.000 Mahal 0.75 4 Harga > Rp.300.000 Sangat Mahal 1
Adapun tahapan-tahapan perhitungan pada pemodelan sistem pendukung keputusan dengan menggunakan metode SAW (Simple Additive Weighting) berikut adalah tahapan-tahapannya :
1. Rating dari setiap alternative pada setiap kriteria
2. Rubah dalam bentuk matrik keputusan berdasarkan data dari setiap kriteria
3. Tentukan bobot terhadap setiap kriteria pakaian tersebut.
4. Proses normalisasi pada data setiap kriteria dengan menggunakan rumus sebagai berikut :
Minij = Nilai minimum dari setiap baris dan kolom
Xij = Baris dan kolom dari matrik
rij = Nilai rating kinerja ternormalisasi
berdasarkan kriteria yang ada maka kriteria akan di olah berdasarkan tabel 3.16.
Tabel 3.16 Pengolahan Kriteria No. Kriteria Cost Benefit
1 Model -
2 Warna -
3 Motif -
4 Harga
-Hitung untuk perangkingan dari setiap item atau alternatif menggunakan rumus sebagai berikut :
Vi = Rangking untuk setiap alternatif
wj = Nilai bobot dari setiap kriteria
rij = Nilai rating kinerja ternormalisasi
Nilai terbesar pada perhitungan adalah yang terpilih sebagai alternatif terbaik bagi pengguna.
3.5 Flowchart
pada rancangan aplikasi ini adalah gambaran flowchart sistem rekomendasi atau gambar alur aplikasi yang akan dibangun.
3.5.1 Proses Content Based Filtering
Berikut ini adalah flowchart bagaimana menentukan kesamaan (similarity) kedekatan antar pengguna menggunakan nearest neighbor.
Gambar 3.3 Flowchart Content Based Filtering
langsung menghitung proses kedekatan antar user baru dengan user lainnya, setelah di ketahui nilai kedekatan antar user tersebut akan dicari 5 kandidat user terdekat. Berdasarkan 5 kandidat tersebut akan dicari history transaksi pembelian pakaian yang akan direkomendasikan dan simpan pada database.
3.5.2 Proses Penggabungan Content Based Filtering dan
Collaborative Filtering
Berdasarkan hasil rekomendasi dengan algoritma nearest neighbor kemudian hitung dengan metode collaborative filtering. Pada proses collaborative filtering ini sistem akan langsung mengambil data kandidat pakaian rekomendasi dari perhitungan content based filtering di dalam database, kemudian akan dihitung berdasarkan rating transaksi. Maka tiap-tiap pakaian akan memiliki nilai rekomendasi dan pakaian hasil rekomendasi adalah 5 pakaian dengan nilai tertinggi.
3.5.3 Proses Simple Additive Weighting
Untuk proses perhitungan rekomendasi dengan metode simple additive weighting user harus menginputkan data bobot pakaian yang telah di rekomendasikan kepada user dengan metode hybrid (content based-collaborative). Kemudian sistem akan melakukan proses perhitungan dengan melakukan normalisasi pada setiap alternative, berdasarkan hasil perankingan dengan nilai tertinggi akan dijadikan pakaian rekomendasi yang terbaik bagi user.
3.6 Studi Kasus
Tabel 3.17 Contoh History Penjualan Pakaian
No. Id Transaksi Id User Sku Qty Date Order
1 NT-0102101 ID-20-OCWH ID-BFW-TS 1 2010-01-02 06:35:23 2 NT-0105102 ID-35-OCWH ID-WEAL-TS 1 2010-01-05 22:51:53 3 NT-0106103 ID-33-OCWH ID-MCJS-PTS 1 2010-01-06 22:18:10 4 NT-0106104 ID-50-OCWH ID-ODMY-TS 1 2010-01-06 10:03:24 5 NT-0109105 ID-37-OCWH ID-DYSSTET-TS 1 2010-01-09 12:56:50 6 NT-0115106 ID-73-OCWH ID-CSLOCWH-TS 1 2010-01-15 08:32:06 7 NT-0116107 ID-30-OCWH ID-BFW-TS 1 2010-01-16 17:23:34 8 NT-0120108 ID-80-OCWH ID-ODMY-TS 1 2010-01-20 17:12:56 9 NT-0120109 ID-77-OCWH ID-FFSCHC-TS 1 2010-01-20 09:31:43 10 NT-01231010 ID-79-OCWH ID-DYSSTET-TS 1 2010-01-23 19:13:51 11 NT-01251011 ID-44-OCWH ID-BECA-PTS 1 2010-01-25 13:35:55 12 NT-01261012 ID-40-OCWH ID-DKSM-TS 1 2010-01-26 09:19:52 13 NT-01271013 ID-40-OCWH ID-BFW-TS 1 2010-01-27 19:05:37 14 NT-01271014 ID-24-OCWH ID-ODMY-TS 1 2010-01-27 11:51:13 15 NT-01291015 ID-13-OCWH ID-PETB-TS 1 2010-01-29 01:23:43 16 NT-02051016 ID-25-OCWH ID-FFSCHC-TS 1 2010-02-05 12:24:58 17 NT-02051017 ID-56-OCWH ID-DYSSTET-TS 1 2010-02-05 13:36:52 18 NT-02071018 ID-57-OCWH ID-WEAL-TS 1 2010-02-07 11:16:30 19 NT-02091019 ID-106-OCWH ID-BFW-TS 1 2010-02-09 21:16:12 20 NT-02101020 ID-10-OCWH ID-TSBE-PTS 1 2010-02-10 19:01:32 21 NT-02101021 ID-87-OCWH ID-SBFH-TS 1 2010-02-10 18:47:24 22 NT-02111022 ID-16-OCWH ID-ODMY-TS 1 2010-02-11 13:52:27 23 NT-02121023 ID-37-OCWH ID-YKHC-TS 1 2010-02-12 13:41:30 24 NT-02151024 ID-137-OCWH ID-WEGY-PTS 1 2010-02-15 06:25:39
No. Id Transaksi Id User Sku Qty Date Order
25 NT-02181025 ID-61-OCWH ID-FFSCHC-TS 1 2010-02-18 11:29:45 26 NT-02201026 ID-64-OCWH ID-DYSSTET-TS 1 2010-02-20 16:53:22 27 NT-02201027 ID-43-OCWH ID-ODMY-TS 1 2010-02-20 06:54:22 28 NT-02211028 ID-55-OCWH ID-BFW-TS 1 2010-02-21 17:44:25 29 NT-02231029 ID-134-OCWH ID-BECA-PTS 1 2010-02-23 09:27:46 30 NT-02251030 ID-79-OCWH ID-DKSM-TS 1 2010-02-25 04:41:13 31 NT-02261031 ID-20-OCWH ID-WEGY-PTS 1 2010-02-26 08:59:52 32 NT-02271032 ID-102-OCWH ID-YKHC-TS 1 2010-02-27 10:12:24 33 NT-02271033 ID-19-OCWH ID-WEAL-TS 1 2010-02-27 11:26:46 34 NT-02281034 ID-45-OCWH ID-ODMY-TS 1 2010-02-28 16:27:53 35 NT-03041035 ID-77-OCWH ID-SBFH-TS 1 2010-03-04 13:07:57 36 NT-03051036 ID-60-OCWH ID-TSBE-PTS 1 2010-03-05 08:45:52 37 NT-03051037 ID-53-OCWH ID-BFW-TS 1 2010-03-05 02:13:01 38 NT-03071038 ID-42-OCWH ID-LYDK-TS 1 2010-03-07 07:46:49 39 NT-03081039 ID-54-OCWH ID-WEAL-TS 1 2010-03-08 19:12:55 40 NT-03101040 ID-31-OCWH ID-BECA-PTS 1 2010-03-10 05:15:30 41 NT-03131041 ID-89-OCWH ID-CGVGXE-SP 1 2010-03-13 03:04:40 42 NT-03131042 ID-35-OCWH ID-WEGY-PTS 1 2010-03-13 12:20:16 43 NT-03171043 ID-48-OCWH ID-KDRFP-PTS 1 2010-03-17 01:47:38 44 NT-03181044 ID-52-OCWH ID-YKHC-TS 1 2010-03-18 16:15:27 45 NT-03211045 ID-146-OCWH ID-CSLOCWH-TS 1 2010-03-21 07:40:16 46 NT-03231046 ID-135-OCWH ID-DKSM-TS 1 2010-03-23 19:03:57 47 NT-03251047 ID-130-OCWH ID-TSBE-PTS 1 2010-03-25 03:18:24 48 NT-03261048 ID-10-OCWH ID-BFW-TS 1 2010-03-26 18:17:42 49 NT-03291049 ID-64-OCWH ID-CSLOCWH-TS 1 2010-03-29 04:34:36 50 NT-04031050 ID-84-OCWH ID-WEAL-TS 1 2010-04-03 03:41:18
Jika pengguna baru dengan id pengguna ID-251-OCWH melakukan login maka item manakah yang dapat di rekomendasikan kepada pengguna tersebut. Maka untuk mendapatkan hasil rekomendasi dengan metode hybrid content based filtering, collaborative filtering dan pembobotan menggunakan SAW (simple additive weighting).
Pengguna dengan ID-251-OCWG memiliki atribut rekomendasi sebagai berikut.
No. Variabel Jenis Atribut
1 Kategori Upper Body
2 Model Sedang
3 Warna Netral
4 Motif Cukup
5 Jenis Kelamin Laki-laki
6 Harga Cukup Murah
Dengan di ketahui atribut rekomendasi dari pengguna baru maka akan dicari pengguna lama yang memiliki kesamaan atribut rekomendasi dengan pengguna baru. Adapun beberap contoh pengguna lama dengan atribut rekomendasinya.
Tabel 3.19 Atribut Rekomendasi Pengguna Lama
id-User Sku Kategori Model Warna Motif KelaminJenis Harga
ID-2-body rendah netral sedikit Perempuan Murah
ID-3-OCWH
ID-DKALNT-TS
upper
body tinggi tersier cukup Laki-laki
cukup
body sedang sekunder sedikit Laki-laki
cukup murah
ID-5-OCWH
ID-SPLG-TS upperbody sedang tersier cukup Laki-laki murahcukup
ID-6-body tinggi netral banyak Laki-laki murahcukup
ID-7-body rendah sekunder sedikit Laki-laki murahcukup
ID-8-OCWH
ID-BHTD-TS
upper
body sedang sekunder cukup Laki-laki Murah
Tabel 3.19 Atribut Rekomendasi Pengguna Lama (Lanjutan)
id-User Sku Kategori Model Warna Motif KelaminJenis Harga
ID-9-OCWH
ID-SRRD-TS
upper
body sedang primer cukup Laki-laki
ID-10-OCWH ID-DKBW-PTS lowerbody tinggi tersier cukup Laki-laki sangatmahal
ID-11-OCWH
ID- TOCWHRD-TS
upper
body rendah primer sedikit Laki-laki
cukup murah
Berdasarkan data atribut rekomendasi pengguna lama tersebut, maka akan dilihat bagaimana kedekatan atau kesamaan antara pengguna baru dengan pengguna lama berdasarkan kedekatan atribut atau karakter dari pakaian yang di sukai oleh pengguna.
Langkah berikutnya adalah menghitung nilai similarity antara user baru dengan user lama. Maka akan ditentukan terlebih dahulu nilai dari kedekatan setiap atribut dan bobotnya. Menghitung kedekatan user baru dengan user no. ID-2-OCWH :
a. Kedekatan nilai atribut kategori : upper body dengan upper body = 1
b. Bobot atribut kategori = 1
c. Kedekatan nilai atribut model : sedang dengan rendah = 0.75 d. Bobot atribut model = 0.8
e. Kedekatan nilai atribut warna : netral dengan netral = 1 f. Bobot atribut warna = 0.8
g. Kedekatan nilai atribut motif : cukup dengan sedikit = 0.75 h. Bobot atribut motif = 0.6
i. Kedekatan nilai atribut jenis kelamin : laki-laki dengan perempuan = 0.5
k. Kedekatan nilai atribut harga : cukup murah dengan murah = 0.8 l. Bobot atribut harga = 0.8
Tabel 3.20 Kedekatan Antar Pengguna
Id-User Kategori Model Warna Motif Jenis Kelamin Harga
ID-2-OCWH 1 0.75 1 0.75 0.5 0.8
ID-3-OCWH 1 0.75 0.8 1 1 1
ID-4-OCWH 1 1 0.6 0.75 1 1
ID-5-OCWH 1 1 0.8 1 1 1
ID-6-OCWH 1 0.75 1 0.75 1 1
ID-7-OCWH 0.5 0.75 0.6 0.75 1 1
ID-8-OCWH 1 1 0.6 1 1 0.8
ID-9-OCWH 1 1 0.2 1 1 1
ID-10-OCWH 0.5 0.75 0.8 1 1 0.6
ID-11-OCWH 0.5 0.75 0.2 0.75 1 1
Setelah diketahui hasil kedekatan antar pengguna lama dengan pengguna baru, kemudian dihitung nilai kedekatannya seperti berikut.
Similarity (t,s) =
=
=
=
Di atas adalah nilai hasil kedekatan dari antara pengguna baru dengan pengguna dengan Id-user ID-2-OCWH, untuk melihat hasil kedekatan pengguna yang lain dapat dilihat tabel 3.21.
Id-User Kedekatan * Bobot Total Bobot Hasil
ID-2-OCWH 3.99 5 0.798
ID-3-OCWH 4.64 5 0.928
ID-4-OCWH 4.53 5 0.906
ID-5-OCWH 4.84 5 0.968
ID-6-OCWH 4.65 5 0.93
ID-7-OCWH 3.83 5 0.766
ID-8-OCWH 4.52 5 0.904
ID-9-OCWH 4.36 5 0.872
ID-10-OCWH 3.82 5 0.764
ID-11-OCWH 3.51 5 0.702
Dari tabel diatas akan di ambil dari 5 nilai kedekatan terbesar, kedekatan terbesar antara pengguna baru dengan pengguna lama di antaranya adalah pengguna dengan Id-user 3-OCWH, 4-OCWH, ID-5-OCWH, ID-6-OCWH, dan ID-8-OCWH. Berdasarkan hasil kedekatan antar pengguna tersebut akan di ambil data history pembelian pakaian yang telah dilakukan oleh pengguna dan akan dijadikan kandidat pakaian yang akan direkomendasikan, kemudian di cari hasil peratingan dengan menggunakan metode collaborative filtering. Berikut adalah data history pembelian pakaian pengguna dari hasil perhitungan dengan metode content based filtering.
Tabel 3.22 History Pembelian Pakaian Pengguna Rekomendasi
Id-User Sku
ID-5-OCWH ID-CGSTBW-SP ID-SPLG-TS ID-6-OCWH ID-HOHLS-TS
ID-BSBOWCH-TS ID-7-OCWH ID-DODHC-TS
ID-BXARBC-SP ID-8-OCWH ID-BHTD-TS
Jika dalam dalam history pakaian yang akan di rekomendasikan memiliki kesamaan pembelian maka akan dijadikan satu, misalkan pembelian oleh pengguna dengan id-user ID-3-OCWH dengan pembelian pakaian ID-CGSTBW-SP dan id-user ID-5-OCWH dengan pembelian pakaian ID-CGSTBW-SP. Berikut ini adalah data kandidat pakaian yang akan direkomendasikan dengan proses perhitungan metode collaborative filtering.
Tabel 3.23 Kandidat Pakaian Rekomendasi
Sku Total Transaksi
ID-SEPK-BG 9
ID-CGSTBW-SP 10
ID-DKALNT-TS 8
ID-OLCBD-TS 10
ID-SPLG-TS 7
ID-HOHLS-TS 8
ID-BSBOWCH-TS 6
ID-DODHC-TS 20
ID-BXARBC-SP 10
ID-BHTD-TS 10
Proses hitung pakaian rekomendasi berdasarkan rating untuk setiap item yang akan direkomendasikan :
=
=
Di atas merupakan proses perhitungan nilai rekomendasi pakaian ID-SEPK-BG, untuk produk-produk rekomendasi lainnya dapa dilihat pada tabel 3.24.
Tabel 3.24 Hasil Rekomendasi Sku Nilai Rekomendasi
ID-DODHC-TS 100
ID-SEPK-BG 60
ID-CGSTBW-SP 60
ID-OLCBD-TS 60
ID-BXARBC-SP 60
ID-BHTD-TS 60
ID-DKALNT-TS 40
ID-SPLG-TS 40
ID-HOHLS-TS 40
ID-BSBOWCH-TS 40
Hasil rekomendasi dengan nilai 5 tertinggi akan dijadikan rekomendasi kepada pengguna dan ditampilkan pada halaman rekomendasi. Dari tabel 3.24 produk yang akan di rekomendasikan adalah DODHC-TS, SEPK-BG, CGSTBW-SP, OLCBD-TS, dan ID-BXARBC-SP.
berdasarkan keadaan saat ini, sehingga pengguna melakukan perhitungan pembobotan pada pakaian yang telah di rekomendasi.
Tabel 3.25 Data Pakaian Pembobotan
Sku Model Warna Motif Harga
ID-SEPK-BG Sedang Tersier cukup cukup murah ID-CGSTBW-SP Sedang Tersier cukup mahal
ID-OLCBD-TS Sedang sekunder sedikit cukup murah ID-DODHC-TS Tinggi Netral banyak cukup murah ID-BXARBC-SP Rendah sekunder sedikit cukup murah
Berdasarkan data tabel 3.25 untuk setiap kriteria perlu di rubah dalam bentuk bilangan fuzzy agar dapat memudah dalam menghitung dari setiap produk yang akan di jadikan alternatif.
Tabel 3.26 Konversi Nilai Fuzzy Dari Kriteria
Alternatif Kriteria
C1 C2 C3 C4
A1 0.666 0.75 0.666 0.5
A2 0.666 0.75 0.666 0.75
A3 0.333 0.5 0.333 0.5
A4 1 1 1 0.5
A5 0.333 0.5 0.333 0.5
Ubah data rating setiap kriteria ke dalam bentuk matriks keputusan X seperti berikut.
0.666 0.75 0,666 0.5
X = 0.333 0.5 0.333 0.5
1 1 1 0.5
0.333 0.5 0.333 0.5
Langkah selanjutnya pengguna telah menentukan bobot dari pakaian yang akan dibeli sebagai berikut.
Tabel 3.27 Bobot Pakaian Kriteria Bobot Nilai
Model Rendah 0.2
Warna Sangat Tinggi 1
Motif Tengah 0.6
Harga Tinggi 0.8
Menormalisasi matriks X menjadi matriks R berdasarkan satu persamaan. Untuk model pakaian termasuk ke dalam atribut keuntungan (benefit), karena semakin besar nilai di anggap semakin baik.
r11 = 0.666
r21 = 0.666
r31 = 0.333
r51 = 0.333
untuk setiap matrik perlu dilakukan normalisasi untuk menentukan nilai kriteria pada setiap alternatif lebih mudah, berikut merupakan hasil normalisasi setiap kriteria.
0.666 0.75 0,666 1
0.666 0.75 0.666 0.667
R = 0.333 0.5 0.333 1
1 1 1 1
0.333 0.5 0.333 1
Setelah proses konversi dan normaliasi selesai, melakukan perangkingan terhadap setiap alternatif sebagai berikut.
V1 = (0.2) (0.666) + (1) (0.75) + (0.6) (0.666) + (0.8) (1)
= 0.133 + 0.75 + 0.4 + 0.8
= 2.0828
V2 = (0.2) (0.666) + (1) (0.75) + (0.6) (0.666) + (0.8) (0.667)
= 0.133 + 0.75 + 0.4 + 0.533
= 1.8161
V3 = (0.2) (0.333) + (1) (0.5) + (0.6) (0.333) + (0.8) (1)
= 0.067 + 0.5 + 0.2 + 0.8
= 1.5664
= 0.2 + 1 + 0.6 + 0.8
= 2.6
V5 = (0.2) (0.333) + (1) (0.5) + (0.6) (0.333) + (0.8) (1)
= 0.067 + 0.5 + 0.2 + 0.8
= 1.5664
Nilai terbesar ada pada V4 sehingga alternatif A4 (ID-DODHC-TS)
adalah yang terpilih sebagai alternatif terbaik. Sehingga menjadi pilihan pengguna untuk pakaian yang akan di beli.
Tabel 3.28 Ranking Pakaian
Rangking Id Produk Nilai Akhir
1 ID-DODHC-TS 2.6000
2 ID-SEPK-BG 2.0828
3 ID-CGSTBW-SP 1.8161
4 ID-OLCBD-TS 1.5664
5 ID-BXARBC-SP 1.5664
3.7 Context Diagram (Level 0)
Laporan Pemesanan Setup Page
Setup Pemesanan Setup Data Pakaian
Setup Data User
Login Setup Pembelian Pakaian
Setup Perangkingan Pembelian Sistem Rekomendasi Pakaian
Register Login 0
SPK (Rekomendasi Pakaian)
+ Administrator
User (Pembeli)
Gambar 3.6 Context Diagram
3.8 Data Flow Diagram (Level 1)
Data Pakaian
3.8.1 Subproccess Login (Level 2)
Gambar 3.8 Subprocces Login
Subproccess login level 2 menjelaskan tentang 2 jenis Login yaitu administrator dan user (pembeli). Jadi ketika pengguna melakukan login memasuki 2 jenis halaman berbeda sesuai dengan jenis akses pengguna tersebut.
3.8.2 Subproccess Setup Data Pakaian (Level 2)
Delete Data
Subproccess Setup Data Pakaian level 2 ini menjelaskan bagaiman proses administrator dalam melakukan entry data pakaian, dalam proses entry data pakaian ini terdapat proses insert, update, dan delete.
3.8.3 Subproccess Setup Data User (Level 2)
Delete Data
Gambar 3.10 Subproccess Setup Data User
3.8.4 Subproccess Setup Pemesanan (Level 2)
Gambar 3.11 Subproccess Setup Pemesanan
Subproccess Setup Data Pemesanan level 2 ini berfungsi untuk administrator jika ingin melakukan konfirmasi pembelian yang telah dilakukan oleh user atau melihat data transaksi.
3.8.5 Subproccess Setup Page (Level 2)
Delete Data
Subproccess Setup Page level 2 ini berfungsi untuk mengolah halaman depan . Pada subproccess page ini hanya dapat digunakan oleh pengguna dengan level user sebagai administrator saja.
3.8.6 Subproccess Register (Level 2)
Cari Data User
Gambar 3.13 Subproccess Register
Subproccess Setup Register level 2 ini di peruntukan bagi pengguna yang ingin membuat akun baru, dan pada sistem ini ada authentication user sehingga tidak akan ada user yang sama.
3.8.7 Subproccess Setup Pembelian (Level 2)
Check Out
Subproccess Setup Pembelian level 2 ini adalah proses untuk melakukan transaksi yang dilakukan oleh pengguna. Dijelaskan pada proses di atas user dapat melakukan belanja dengan menggunakan keranjang belanja, sehingga user akan nyaman dalam melakukan pembelian barang.
3.8.8 Subproccess Setup Rekomendasi Pakaian (Level 2)
Pakaian Rekomendasi
Gambar 3.15 Subproccess Setup Rekomendasi Pakaian
terhadap user. Dimana dalam proses tersebut di jelaskan bagaimana dengan perhitungan dengan metode content based filtering dan collaborative filtering.
3.8.9 Subproccess Setup Perangkingan Pakaian (Level 2)
View Data
Gambar 3.16 Subproccess Setup Perangkingan Pakaian
3.8.10 Subproccess Setup Data Laporan (Level 2)
[Laporan Pemesanan] [Data Transaksi]
Hasil Laporan Kategori Laporan
[Setup Data Laporan]
Administrator tb_transaksi
Administrator
10.1 Entry Data
Laporan
10.2 Cari Data Transaksi
10.3 Tampilkan &
Cetak Data
Gambar 3.17 Subproccess Setup Data Laporan
Subproccess Setup Data Laporan level 2, pada proses ini merupakan proses pencetakan data transaksi. Dan pada pencetakan data transaksi ini ada kategori laporan yang akan di cetak, jadi pihak administrator akan lebih mudah dalam menampilkan laporan transaksi.
3.9 Entity Relationship diagram
ID_PAKAIAN = ID_PAKAIAN
Gambar 3.18 Entity Relationship Diagram
Berikut ini adalah perancangan database pada aplikasi sistem rekomendasi pakaian adalah sebagai berikut.
Tabel 3.28 Page
Field Type Keterangan
ID_PAGE int Primary Key
Tabel 3.29 Pakaian
Field Type Keterangan
ID_PAKAIAN varchar(50) Primary Key
NAMA text
TANGGAL datetime
HARGA float
BERAT Int
KATEGORI varchar(50)
MODEL varchar(50)
WARNA varchar(50)
MOTIF varchar(50)
JENIS_KELAMIN varchar(50) HARGA_RC varchar(50)
Tabel 3.30 Ranking
Field Type Keterangan
ID_RANGKING Text Primary Key ID_USER varchar(50)
ID_PAKAIAN varchar(50)
NILAI float
TANGGAL datetime
STATUS Text
Tabel 3.31 Rekomendasi
Field Type Keterangan
ID_REKOMENDASI text Primary Key
ID_USER varchar(50)
ID_PAKAIAN varchar(50)
TANGGAL datetime
STATUS text
Tabel 3.32 Transaksi
Field Type Keterangan
ID Int Primary Key
ID_TRANSAKSI Text
ID_USER varchar(50) ID_PAKAIAN varchar(50)
JUMLAH Int
TANGGAL datetime
Tabel 3.33 User
Field Type Keterangan
ID_USER varchar(50) Primary Key
NAMA_DEPAN text
NAMA_BELAKANG text
EMAIL text
TANGGAL_LAHIR datetime
PASSWORD text
KELAMIN varchar(50)
ROLE int
TELPON text
ALAMAT int
KOTA text
PROVINSI text
3.10 Perancangan Desain Interface 3.10.1 Halaman Rekomendasi
Halaman rekomendasi merupakan tampilan untuk pengguna akan membeli produk pakaian. Item rekomensi akan muncul ketika pengguna sudah melakukan login.
Gambar 3.19 Halaman Rekomendasi
MENU HEADER
FOOTER
3.11 Halaman Perhitungan SAW
Halaman perhitungan SAW ini merupakan halaman yang digunakan membantu memutuskan pakaian yang akan dibeli oleh pengguna berdasarkan hasil rekomendasi pakaian yang telah diberikan.
Gambar 3.20 Halaman Perhitungan SAW
MENU HEADER
FOOTER
HASIL PERANGKINGAN NILAI BOBOT
