APLIKASI PROMOSI PAKET PENJUALAN BARANG

(1)

DENGAN ALGORITMA APRIORI” SKRIPSI

Diajukan Sebagai Salah Satu Syarat Untuk Menyelesaikan Jenjang Strata Satu Pada STMIK BANJARBARU

OLEH

YUSAK TODING BUA 3101 0801 1215

PROGRAM STUDI SISTEM INFORMASI

SEKOLAH TINGGI MANAJEMEN INFORMATIKA & KOMPUTER BANJARBARU (STMIK BANJARBARU)

(2)

i

“APLIKASI PROMOSI PAKET PENJUALAN BARANG PADA

MINIMARKET KUMALA BANJARBARU

DENGAN ALGORITMA APRIORI”

SKRIPSI

Diajukan Sebagai Salah Satu Syarat Untuk Menyelesaikan Jenjang Strata Satu Pada STMIK BANJARBARU

OLEH

YUSAK TODING BUA 3101 0801 1215

PROGRAM STUDI SISTEM INFORMASI

SEKOLAH TINGGI MANAJEMEN INFORMATIKA & KOMPUTER BANJARBARU (STMIK BANJARBARU)

(3)

ii

(STMIK BANJARBARU)

PERSETUJUAN SKRIPSI

Nama : YUSAK TODING BUA

Nim : 3101 0801 1215

Program Studi : Sistem Informasi

Judul Skripsi : Aplikasi Promosi Paket Penjualan Barang Pada Minimarket

Kumala Banjarbaru Dengan Algoritma Apriori

Telah disetujui untuk disidangkan pada Sidang Skripsi Progam Studi Sistem

Informasi Sekolah Tinggi Manajemen Informatika & Komputer Banjarbaru (STMIK

BANJARBARU)

Banjarbaru, 27 Juli 2012

Mengetahui,

Ketua Jurusan Sistem Informasi Pembimbing Utama,

Bahar A.Rahman, ST., M.Kom NIK. 1002 046

Nidia Rosmawanti,M.Kom NIK .1002 031

(4)

iii

PENGESAHAN SKRIPSI

Nim : 3101 0801 1215

Telah disidangkan dan dinyatakan Lulus Sidang Skripsi pada Jenjang Strata Satu

Program Studi Sistem Informasi Sekolah Tinggi Manajemen Informatika dan

Komputer Banjarbaru (STMIK BANJARBARU) pada tanggal 08 Agustus 2012.

SUSUNAN TIM PENGUJI

No NAMA PENGUJI JABATAN TANDA TANGAN

1 Nidia Rosmawanti, M.Kom Ketua

2 Bahar A. Rahman, ST, M.Kom Sekretaris

3 Dra. Hj. Ruliah S., M.Kom Anggota

Banjarbaru, 08 Agustus 2012

Mengetahui : Mengesahkan :

Ketua Jurusan Sistem Informasi, Ketua STMIK Banjarbaru,

Bahar A.Rahman, ST., M.Kom NIK. 1002 046

(5)

iv

PERNYATAAN KEASLIAN SKRIPSI

Nim : 3101 0801 1215

Dengan ini saya menyatakan bahwa dalam Skripsi ini adalah tulisan saya sendiri,

begitu pula kode - kode program yang disertakan pada laporan ini. Dan Skripsi ini

belum pernah diajukan untuk memperoleh gelar kesarjanaan di suatu Perguruan

Tinggi lain, dan sepanjang pengetahuan saya juga tidak terdapat karya atau

pendapat yang sama yang pernah ditulis atau diterbitkan oleh orang lain, kecuali

yang secara tertulis diacu dalam naskah ini dan disebutkan dalam daftar pustaka.

(6)

v Yusak Toding Bua, 3101 0801 1215

Aplikasi Promosi Paket Penjualan Barang Pada Minimarket Kumala Banjarbaru dengan Algoritma Apriori, dibawah bimbingan Nidia Rosmawanti, M.Kom

123+XV hal / 15 tabel / 38 gambar / 7 lampiran / 11 pustaka (2003-2010)

ABSTRAK

Banyak cara di mana sebuah perusahaan, toko, atau pasar untuk meningkatkan penjualan mereka, dan juga strategi yang digunakan. Satu hal tentang strategi yang digunakan oleh manajemen adalah perangkat lunak aplikasi dengan sistem informasi.

Sebuah era yang terus berkembang teknologi informasi setiap kali perlu ke adanya inovasi baru. Agar tak terkesan monoton dalam proses menjual produk dan diharapkan dapat memberikan manfaat bagi mereka yang menggunakan, karena bisa jadi meningkatkan penjualan dengan memberikan rekomendasi kepada pembeli. Untuk pembeli dapat memilih paket barang terkait dengan item sebelumnya dibeli item.

Pelaksanaan pemilihan promosi penjualan paket barang menggunakan algoritma apriori pada penjualan sistem menyediakan manfaat untuk dapat meningkatkan penjualan produk di sebuah perusahaan, toko, atau pasar dengan sistem semakin banyak produk yang ditawarkan masih ada kaitan dengan barang yang telah dibeli oleh pembeli.

(7)

vi Yusak Toding Bua, 3101 0801 1215

Applications Promotion Package Goods At Minimarket Kumala Banjarbaru with Apriori Algorithm, directed by Nidia Rosmawanti, M.Kom

123+XV pages / 15 figures / 38 images / 7 attachments / 11 Bibliography (2003-2010)

ABSTRACT

Many ways in which a company, store, or market to increase their sales, and also the strategy used. One thing about the strategies used by management is the application software with information systems.

An era of growing information technology whenever necessary to a new innovation. So as not to seem monotonous in the process of selling product and is expected to provide benefits for those who use, because it could be to increase sales by providing recommendations to the buyer. For buyers can choose packages of goods relating to items previously purchased items.

The implementation of sales promotion goods package using apriori algorithm on the sale of the system provides benefits to increase product sales in a company, store, or a market with a system that offered more and more products are still no link to the item that was purchased by the buyer.

(8)

vii

KATA PENGANTAR

Segala puji dan syukur kepada Tuhan Yang Maha Kuasa atas segala berkat,

anugerah dan karunia yang telah dilimpahkan-Nya sehingga penulis dapat

tersusunlah Skripsi yang berjudul “ Aplikasi Promosi Paket Penjualan Barang

Pada Minimarket Kumala Banjarbaru dengan Algoritma Apriori “ dalam rangka

menempuh ujian akhir untuk memperoleh gelar Sarjana Komputer pada Jenjang

Strata Satu Program Studi Sistem Informasi di Sekolah Tinggi Manajemen

Informatika & Komputer Banjarbaru..

Penulis menyadari bahwa dalam penulisan laporan ini masih banyak yang

belum lengkap. Hal ini dikarenakan terbatasnya kemampuan yang penulis miliki,

namun demikian penulis berharap masukan berupa saran-saran dan kritik yang

kiranya akan memberikan manfaat bagi rekan-rekan di STMIK Banjarbaru selain

bermanfaat bagi penulis sendiri.

Pada kesempatan ini, penulis mengucapkan terima kasih yang

sebesar-besarnya kepada:

1. Ibu Dra.Hj.Ruliah M.Kom selaku Ketua Yayasan Mandiri yang menaungi

STMIK Banjarbaru

2. Bapak Drs. H. Sushermanto, M.Kom sebagai pimpinan STMIK Banjarbaru.

3. Bapak Bahar A. Rahman, S.T, M.Kom selaku Ketua Jurusan Sistem

Informasi.

4. Nidia Rosmawanti, M.Kom selaku dosen pembimbing yang telah

memberikan banyak bimbingan dan bantuan selama penelitian dan

penyusunan skripsi ini.

5. Ayahanda dan Ibunda tercinta kalian adalah penyemangat dalam hidupku.

serta seluruh keluarga Besar di Tana Toraja, terima kasih untuk doa dan

dukungan yang telah di berikan.

6. Seluruh keluargaku yang berada di Nabire, Biak, Sorong, Sampit,

Balikpapan, Banjarmasin, Batulicin, dan yang tak bisa disebutkan satu

persatu terima kasih karena selalu memberikan dukungan dan semangat

(9)

viii

7. Seluruh teman-teman Jurusan Sistem Informasi, dan sobat-sobat yang lain

terima kasih atas segala bantuan dan dorongan yang diberikan selama

penulisan laporan ini.

8. Seluruh teman – teman yang berada di dalam maupun luar negeri, terima

kasih atas saran – saran dan bantuan ide dan semangatnya.

Akhir kata, penulis mohon maaf atas kekeliruan dan kesalahan yang

terdapat dalam Skripsi ini dan berharap semoga Skripsi ini dapat memberikan

manfaat bagi kemajuan Teknologi Sistem Informasi di Indonesia.

(10)

ix

DAFTAR ISI

Hal

JUDUL ... i

PERSETUJUAN SKRIPSI ... ii

PENGESAHAN SKRIPSI ... iii

PERNYATAAN KEASLIAN SKRIPSI ... iv

ABSTRAK ... v

ABSTRACT ... vi

KATA PENGANTAR ... vii

DAFTAR ISI ... ix

DAFTAR GAMBAR ... xii

DAFTAR TABEL ... xiv

DAFTAR LAMPIRAN ... xv

BAB I PENDAHULUAN ... 1

1.1. Latar Belakang ... 1

1.2. Permasalahan Penelitian ... 2

1.2.1. Identifikasi Masalah ... 2

1.2.2. Ruang Lingkup Masalah ... 2

1.2.3. Rumusan Masalah ... 2

1.3. Tujuan dan Manfaat Penelitian ... 2

1.4 Sistematika Penulisan ... 2

BAB II LANDASAN TEORI DAN KERANGKA PEMIKIRAN ... 4

2.1. Tinjauan Pustaka ... 4

2.2. Landasan Teori ... 5

2.2.1. Data Mining ... 5

2.2.2. Aturan Asosiasi ... 6

(11)

x

2.2.4. Itemset, Support, Confidance ... 7

2.2.5. Information Retrieval ... 8

2.2.6. Unified Modelling Language (UML) ... 9

2.2.6. Embarcedero Delphi 2009 ... 9

2.2.7. Microsoft SQL Server 2008 R2 ... 10

2.3. Kerangka Pemikiran ... 12

BAB III METODE PENELITIAN... 13

3.1. Analisa Kebutuhan ... 13

3.1.1 Metode Pemilihan Sampel ... 13

3.1.2 Metode Pengumpulan Sampel ... 13

3.2. Perancangan Penelitian ... 14

3.2.1. Context Diagram... 15

3.2.2. Use Case Diagra m ... 16

3.2.3. Activity Diagram ... 16

3.2.4. Sequance Diagra m ... 19

3.3. Teknik Analisis ... 21

3.3.1 Analisis Masukan dan Keluaran Sistem ... 21

3.4. Rancangan Sistem ... 25

3.4.1. Desain Database ... 25

3.4.2. Relasi Antar Table ... 27

3.4.3. Desain Interface ... 27

BAB IV HASIL DAN PEMBAHASAN ... 33

4.1. Hasil ... 33

4.1.1 Implementasi ... 33

4.2. Pembahasan ... 37

4.2.1. Pengujian White Box ... 37

4.2.2. Pengujian Black box... 48

4.3. Implikasi Penelitian ... 51

4.3.1. Analisis Precision, Recall, dan F1 ... 51

4.3.2. Hasil Pengukuran Aplikasi ... 54

(12)

xi

4.3.4. Analisis Hasil Uji Coba F1 ... 55

4.3.5. Analisis Hasil Uji Coba User Acceptance ... 56

BAB V KESIMPULAN DAN SARAN ... 60

5.1. Kesimpulan ... 60

5.2. Saran ... 60

DAFTAR PUSTAKA ... 61

(13)

xii

DAFTAR GAMBAR

Hal

Gambar 2. 1 Tampilan IDE Code Gear Delphi 2009 ... 10

Gambar 2. 2 Kerangka Pemikiran ... 12

Gambar 3. 1 Context Diagram ... 15

Gambar 3. 2 Use Case Diagram ... 16

Gambar 3. 3 Activity Diagram Login ... 17

Gambar 3. 4 Activity Diagram Data Master ... 17

Gambar 3. 5 Activity Diagram Transaksi ... 18

Gambar 3. 6 Activity Diagram Pola Asosiasi ... 18

Gambar 3. 7 Sequance Diagram Login ... 19

Gambar 3. 8 Squance Diagram Data Master ... 20

Gambar 3. 9 Squance Diagram Transaksi ... 20

Gambar 3. 10 Squance Diagram Pola Asosiasi ... 21

Gambar 3. 11 Relasi antar tabel ... 27

Gambar 3. 12 Desain Interface Form Utama ... 28

Gambar 3. 13 Desain Interface Form Data Barang ... 28

Gambar 3. 14 Desain Interface Form Transaksi ... 29

Gambar 3. 15 Desain Interface Form Pola Asosiasi ... 29

Gambar 3. 16 Desan Interface Form Cetak Data Barang... 30

Gambar 3. 17 Desain Interface Cetak Data Transaksi ... 30

Gambar 3. 18 Desain Laporan Data Barang ... 31

Gambar 3. 19 Desain Laporan Data Transaksi ... 31

Gambar 3. 20 Desain Laporan Hasil Analisis Apriori ... 32

Gambar 4. 1 Form Utama... 33

Gambar 4. 2 Form Data Barang ... 34

Gambar 4. 3 Form Transaksi Penjualan ... 34

Gambar 4. 4 Form Pola Asosiasi ... 35

Gambar 4. 5 Form Cetak Laporan Data Batang ... 35

Gambar 4. 6 Form Cetak Laporan Data Transaksi ... 36

(14)

xiii

Gambar 4. 8 Laporan Data Transaksi ... 36

Gambar 4. 9 Laporan Hasil Analisis Apriori ... 37

Gambar 4. 10 Diagram Alir Program ... 38

Gambar 4. 11 Grafik Alir Program ... 47

Gambar 4. 12 Tingkat akurasi sistem rekomendasi paket promosi barang... 55

Gambar 4. 13 Hasil kuisioner terhadap pertanyaan pertama ... 57

Gambar 4. 14 Hasil kuisioner terhadap pertanyaan kedua ... 58

Gambar 4. 15 Hasil kuisioner terhadap pertanyaan ketiga ... 58

Gambar 4. 16 Hasil kuisioner terhadap pertanyaan keempat ... 59

(15)

xiv

DAFTAR TABEL

Hal

Tabel 3. 1 Strong Rule Min Sup 2%, Min Conf 50% ... 23

Tabel 3. 2 Tabel Login ... 25

Tabel 3. 3 Tabel Orders ... 25

Tabel 3. 4 Tabel Order Details ... 26

Tabel 3. 5 Tabel Products... 26

Tabel 3. 6 Tabel Results ... 27

Tabel 4. 1 Hasil Pengujian Basis Path ... 48

Tabel 4. 2 Hasil Pengujian Black box Pada Form Utama ... 49

Tabel 4. 3 Hasil Pengujian Black box Pada Form Data Barang ... 49

Tabel 4. 4 Hasil Pengujian Black box Pada Form Transaksi Penjualan... 50

Tabel 4. 5 Hasil Pengujian Black box Pada Form Pola Transaksi ... 50

Tabel 4. 6 Hasil Pengujian Black box Pada Form Cetak Data Barang ... 51

Tabel 4. 7 Hasil Pengujian Black box Pada Form Cetak Data Transaksi ... 51

Tabel 4. 8 Hasil pengukuran rekomendasi promosi paket barang ... 54

(16)

xv

DAFTAR LAMPIRAN

Hal

Lampiran 1. Data Transaksi ... 63

Lampiran 2. Data Itemset ... 89

Lampiran 3. Data 2-itemset ... 90

Lampiran 4. Data Support 2-itemset ... 107

Lampiran 5. Data Support 2-itemset Min 2% dan Nilai Confidence ... 119

Lampiran 6. Contoh Kuesioner Precision Recall ... 121

(17)

1

1.1. Latar Belakang

Seiring perkembangan teknologi informasi yang samakin lama maju dan

berkembang sangatlah mempunyai peran yang sangat penting dalam

pengumpulan, pemrosesan serta pendistribusian data. Demikian juga dalam

bidang usaha perekonomian, teknologi sangat berperan dalam kegiatan jual

beli barang dan jasa.

Perlunya sebuah ide kreatif dan inovatif agar para pengusaha dapat

menjalankan kegiatan bisnisnya berjalan dengan baik dan berkembang. Yang

pada saat ini tingkat penjualan barang ke konsumen sangat tinggi, sehingga

perlu adanya daya tarik konsumen supaya mereka tertarik untuk membeli

sebuah barang.

Demikian juga pada kegiatan usaha minimarket Kumala Banjarbaru,

yang kegiatan usahanya adalah menjual produk-produk keperluan rumah

tangga kepada konsumen. Maka demikian diperlukan sebuah manajemen

produk yang dapat mengelola produk-produk yang dijual, seperti menentukan

stok barang yang akan dipesan, mengetahui tingkat pembelian sebuah barang.

Sehingga minimarket Kumala Banjarbaru dapat meningkatkan pendapatan

usaha yang dijalani.

Salah satu cara yang bisa dilakukan untuk mengetahui kondisi pasar

(konsumen) adalah dengan mengamati data transaksi penjualan. Data

transaksi penjualan disimpan dalam basis data server dalam jumlah yang

sangat besar. Data inilah yang kemudian diolah sehingga dihasilkan laporan

penjualan dan laporan laba rugi swalayan. Tujuan dari data mining yaitu

untuk menemukan hubungan atau pola-pola yang memberikan manfaat ke

pada pihak perusahaan atau organisasi (1). Maka dari itu diusulkanlah sebuah

aplikasi yang dapat membantu pengusaha untuk menentukan strategi

pemasaran menggunakan aturan asosiasi data mining dengan algoritma

(18)

2

1.2. Permasalahan Penelitian 1.2.1. Identifikasi Masalah

Dari latar belakang diatas dapat diidentifikasi masalah yang dapat

diambil, adalah kurangnya minat berbelanja di Minimarket Kumala

Banjarbaru karena karena kurang bersaingnya promosi yang diberikan.

1.2.2. Ruang Lingkup Masalah

Adapun ruang lingkup permasalahan yang akan dibahas, antara lain :

1. Aplikasi ini merupakan Aplikasi tambahan untuk mencari pola asosiasi

transaksi penjualan pada Minimarket Kumala Banjarbaru.

2. Aplikasi ini akan menghasilkan sebuah informasi yang akan digunakan

untuk pengambilan keputusan.

1.2.3. Rumusan Masalah

Bagaimana membuat sebuah aplikasi rekomendasi promosi paket

penjualan barang pada Minimarket Kumala Banjarbaru menggunakan

algoritma apriori.

1.3. Tujuan dan Manfaat Penelitian

Adapun tujuan dari penulisan tugas akhir ini adalah membuat aplikasi

rekomendasi promosi paket penjualan barang pada Minimarket Kumala

Banjarbaru menggunakan algoritma apriori.

Manfaat dari penulisan tugas akhir ini adalah menyediakan aplikasi

rekomendasi promosi paket penjualan barang pada Minimarket Kumala

Banjarbaru untuk meningkatkan kegiatan penjualan barang.

1.4 Sistematika Penulisan

Sistematika penulisan pada laporan pkl ini adalah sebagai berikut:

BAB I PENDAHULUAN

Berisi latar belakang masalah, perumusan masalah, batasan masalah,

tujuan penelitian, manfaat penelitian, metodologi pemecahan masalah,

(19)

BAB II LANDASAN TEORI

Pada bab ini menguraikan tentang Teori-teori dasar yang akan

digunakan sebagai landasan dalam penyusunan skripsi ini. Teori-teori

yang dimaksud adalah seputar : pengertian data mining, aturan

asosiasi, algoritma apriori, information retrieval, UML, Delphi 2009

dan Ms. SQL Server 2008 R2.

BAB III METODOLOGI DAN PERANCANGAN SISTEM

Bab ini berisi analisa kebutuhan dan rancangan sistem yang digunakan,

meliputi (diagram konteks, use case diagram, sequence diagram,

activity diagram, perancangan database, dan desain antarmuka) dan

yang terakhir teknik analisis.

BAB IV IMPLEMENTASI DAN UJI COBA SISTEM

Bab ini menjelaskan tentang penerapan rancangan program ke dalam

bahasa pemrograman, analisis hasil.

BAB V KESIMPULAN DAN SARAN

Berisi kesimpulan dari seluruh rangkaian penelitian dan saran-saran

(20)

4

BAB II

LANDASAN TEORI DAN KERANGKA PEMIKIRAN

2.1. Tinjauan Pustaka

Yogi Yusuf W., F. Rian Pratikto, Gerry T. (2006) dari Jurusan Teknik

Industri Universitas Katolik Parahyangan Bandung, meneliti tentang

penerapan data mining dalam penentuan aturan asosiasi antar jenis item.

Penelitian ini menyimpulkan bahwa data mining dapat membantu manajemen

dalam tindakan pengambilan keputusan berupa data-data masa lalu.

Muhammad Afif Syaifullah (2010) dari Jurusan Teknik Informatika

STMIK AMIKOM Yogyakarta, meneliti tentang implementasi data mining

algoritma Apriori pada sistem penjualan. Penelitian ini menyimpulkan bahwa

teknik data mining dengan algoritma apriori dapat diimplementasikan pada

sistem penjualan. Dengan aplikasi yang berbasis teknologi informasi

dihasilkan sebuah metode yang bisa meningkatkan penjualan dengan cara

memberikan saran kepada konsumen.

Eko Wahyu Tyas D (2008) dari Program Studi Ilmu Komputer

Universitas Brawijaya Malang, meneliti tentang penerapan metode

association rule menggunakan algoritma Apriori untuk analisa pola data hasil

tangkapan ikan. Penelitian ini menyimpulkan bahwa Metode Association

Rule dengan menggunakan algoritma Apriori dapat digunakan untuk

menyelesaikan permasalahan data tangkapan ikan. Setiap daerah memiliki

pola dan kecenderungan yang berbeda-beda. Hal ini ditunjukkan oleh

perbedaan rule yang dihasilkan dalam proses pengujian dengan nilai

(21)

2.2. Landasan Teori

2.2.1. Data Mining

Data mining memiliki hakikat sebagai disiplin ilmu yang tujuan

utamanya adalah untuk menemukan, menggali atau menambang

pengetahuan dari data atau informasi yang kita miliki. Banyak definisi

bagi istilah data mining, antara lain :

1. Data Mining adalah suatu istilah yang digunakan untuk menguraikan

penemuan pengetahuan didalam database. Data Mining adalah

proses yang menggunakan teknik statistik, matematika, kecerdasan

buatan, dan machine learning untuk mengekstrasi dan

mengidentifikasi informasi yang bermanfaat dan pengetahuan yang

terkait dari berbagai database besar. (2)

2. Data Mining merupakan bidang dari bebrapa bidang keilmuan yang

menyatukan teknik dari pembelajaran mesin, pengenalan pola,

statistik, database dan visualisasi untuk penanganan permasalahan

pengambilan informsi dari database yang besar. (3)

Menurut Larose (2005), terdapat enam fungsi dalam data mining, yaitu

1. Fungsi deskripsi

Adapun tahap-tahap penggunaan data mining mengacu pada Kusrini

dan Luthfi (2009), sebagai berikut

1. Data Selection, pemilihan data dari sekumpulan data operasional

perlu dilakukan sebelum tahap penggalian informasi dimulai. Data

yang telah diseleksi akan dipisahkan dari basis data operasional.

2. Pre-Processing / Cleaning, mencakup antara lain membuang

duplikasi data, memeriksa data yang inkonsisten dan memperbaiki

(22)

6

3. Transformation, Pengkodeaan adalah proses tranformasi pada data

yang telah dipilh sehingga data tersebut sesuai untuk proses data

mining.

4. Data Mining, Proses mencari pola atau informasi menarik dalam data

terpilih menggunakan teknik atau metode tertentu.

5. Interpretation, Pola informasi yang dihasilkan dari proses data

mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh

pihak yang berkepentingan.

2.2.2. Aturan Asosiasi

Association rules digunakan untuk menemukan hubungan di antara data

atau bagaimana suatu kelompok data mempengaruhi suatu keberadaan data

yang lain (4). Aturan yang menyatakan asosiasi antara atribut sering

disebut affinity analysis atau market basket analysis. Analisis asosiasi

dikenal juga sebagai salah satu teknik data mining, sehingga menarik para

peneliti untuk menghasilkan algoritma yang efesien dalam pencarian pola

frekuensi tinggi.

Dalam association rules, suatu kelompok item dinamakan itemset.

Support dari itemset X adalah persentase transaksi di D yang mengandung

X, biasa ditulis dengan supp(X). Pencarian association rules dilakukan

melalui dua tahap yaitu pencarian frequent itemset dan penyusunan rules.

Jika support suatu itemset lebih besar atau sama dengan minimum support

σ, maka itemset tersebut dapat dikatakan sebagai frequent itemset atau

frequent pattern yang tidak memenuhi dinamakan infrequent. Confidence

adalah nilai ukuran seberapa besar valid tidaknya suatu association rules.

Confidence suatu rule R (X= > Y) adalah proporsi dari semua transaksi

yang mengandung baik X maupun Y dengan yang mengandung X, biasa

ditulis sebagai conf(R). Sebuah association rule dengan confidence sama

atau lebih besar dari minimum confidence γ dapat dikatakan sebagai valid

(23)

2.2.3. Algoritma Apriori

Apriori adalah suatu algoritma yang sudah sangat dikenal dalam

melakukan pencarian frequent itemset dengan menggunakan teknik

association rule. (6).

Algoritma ini dicetuskan oleh Agrawal. Ide dasarnya adalah

menghitung pola kemunculan item yang muncul dalam data transaksi

dengan beberapa iterasi. Iterasi ke i berarti mendapatkan semua frequent

i-itemset (suatu itemset yang jumlah item anggotanya sejumlah i). Langkah

umum tiap iterasi adalah menghasilkan candidate itemset kemudian

dihitung nilai support dari tiap candidate. Untuk menghasilkan candidate,

pada dasarnya dapat dilakukan dengan menyusun kombinasi item-item

yang sudah ditemukan sebelumnya. Algoritma ini didasari oleh hukum

Apriori, jika sebuah itemset ternyata infrequent, maka seharusnya

superset-nya juga infrequent sehingga tidak perlu diperiksa lagi.

Pada iterasi pertama, setiap jenis item yang ditemukan dalam data

dijadikan candidate untuk frequent 1-itemsets. Sedangkan candidate di

iterasi berikutnya didapatkan dari frequent itemset yang ditemukan di

iterasi sebelumnya. Proses akan berhenti jika tidak ada lagi kombinasi

candidate yang bisa dibuat. (6)

2.2.4. Itemset, Support, Confidance

Association rule selalu berkenaan dengan sekumpulan item, karena

itulah kumpulan dari item-item disebut itemset. Bila dalam aturan asosiasi

terdapat n jenis item, maka itu dapat disebut n itemset. Untuk menentukan

anggota itemset dimulai dari yang terkecil 1itemset, 2 itemset, 3 itemset,

sampai n itemset.

Support (nilai penunjang) adalah presentase kombinasi item dalam

sekumpulan data. Nilai support sebuah item dapat diperoleh dengan

membagi jumlah item dengan jumlah transaksi.

(24)

8

Sedangkan untuk mendapatkan nilai support dari dua itemset atau lebih

dengan cara membagi gabungan itemset dengan jumlah transaksi.

∑ _∑

Confidance (nilai kepastian) adalah presentase nilai kekuatan hubungan

antar item dalam association rule. Nilai Confidance suatu itemset dapat

diperoleh dengan cara membagi jumlah transaksi yang mengandung

beberapa itemset dengan jumlah transaksi itemset pertama.

| ∑ _∑

2.2.5. Information Retrieval 1. Precision (Ketepatan)

Precision ialah perbandingan jumlah dokumen relevan yang

didapatkan sistem dengan jumlah seluruh dokumen yang terambil oleh

sistem baik relevan maupun tidak relevan.

2. Recall (Perolehan)

Recall merupakan istilah yang digunakan untuk dokumen

terpanggil yang relevan dengan pertanyaan (query) yang dimasukkan

pengguna dalam suatu sistem temu balik informasi.

....(2.2)

....(2.3)

(25)

3. F -Measure (F1)

F-Measure adalah salah satu metrik evaluasi umum yang

digunakan mengevaluasi performa algoritma. Nilai F-Measure yang

seimbang antara precision dan recall didapatkan dengan memberikan nilai

beban = 2.

2.2.6. Unified Modelling Language (UML)

Unified Modelling Language (UML) adalah sebuah "bahasa" yg

telah menjadi standar dalam industri untuk visualisasi, merancang dan

mendokumentasikan sistem piranti lunak. UML menawarkan sebuah

standar untuk merancang model sebuah sistem. Dengan menggunakan

UML kita dapat membuat model untuk semua jenis aplikasi piranti lunak,

dimana aplikasi tersebut dapat berjalan pada piranti keras, sistem operasi

dan jaringan apapun, serta ditulis dalam bahasa pemrograman apapun.

Tetapi karena UML juga menggunakan class dan operation dalam konsep

dasarnya, maka ia lebih cocok untuk penulisan piranti lunak dalam bahasa

bahasa berorientasi objek seperti C++, Java, C# atau VB.NET. Walaupun

demikian, UML tetap dapat digunakan untuk modeling aplikasi prosedural

dalam VB atau C. (Dharwiyanti & Wahono, 2003)

2.2.6. Embarcedero Delphi 2009

Delphi 2009 adalah versi delphi yang diperkenalkan oleh perusahaan

software Embarcadero Technologies yang telak mengakuisisi aplikasi

delphi yang sebelumnya dimiliki Borland. Delphi 2009 adalah aplikasi

development tool yang digunakan nuntuk membuat aplikasi berbasis

windows dan web secara cepat dan mudah, antara lain :

a. Aplikasi databse klien yang dapat mengakses langsung ke database

server.

b. Aplikasi server.

c. Aplikasi web.

d. Website dan webservices

e. ActiveX control.

(26)

10

Delphi 2009 memiliki fitur terbaru yang tidak dimiliki oleh versi

sebelumnya adalah :

a. VCL Control baru

VCL (Visual Control Library) Delphi 2009 mendukung tampilan

Windows Vista dan Windows 7 dari Microsoft.

b. Dukungan Unicode pada IDE dan VCL

Berfungsi menterjemahkan karakter dari satu wilayah ke wilayah lain.

Sebagai contoh, bila pengembang berada di Indonesia dan klien berada

di Jepang, aplikasi yang dibuat dapat langsung di alihkan ke karakter

Jepang.

c. Dua fitur utama bahasa baru “Generics and Anonymous Method”.(Wahana Komputer, 2009).

Gambar 2. 1 Tampilan IDE Code Gear Delphi 2009

2.2.7. Microsoft SQL Server 2008 R2

Microsoft SQL Server 2008 R2 adalah platform data yang paling

canggih, terpercaya, dan terukur dirilis hingga saat ini. Membangun

kesuksesan dari SQL Server 2008, SQL Server 2008 R2 telah membuat

dampak pada organisasi di seluruh dunia dengan kemampuan yang

inovatif, memberdayakan pengguna akhir melalui self-service business

(27)

administrator (DBA) dan pengembang aplikasi, dan skala untuk

mengakomodasi data yang paling menuntut beban kerja. (7)

SQL Server 2008 sangatlah handal, dan memiliki berbagai fitur

penting yang dibutuhkan oleh perusahaan dan para database administrator,

seperti :

1. Ringan dan mudah untuk diinstall : file instalasi dari software ini bisa

dibilang cukup kecil dan tidak membutuhkan waktu yang lama untuk

didownload. Proses instalasi pun terbilang mudah dan cepat jika

dibandingkan dengan kompetitor lainnya.

2. Administrasi yang mudah : dengan SQL Server 2008 ini, sudah bukan

zamannya lagi melakukan tune up manual kepada database Anda supaya

dapat berjalan dengan lancar seperti yang diharapkan. Micorosoft

menyediakan berbagai update dan patch secara otomatis untuk SQL Server

2008 yang menjadikan performa database Anda akan selalu tinggi dengan

menggunakan software ini.

3. Tersedia sebuah alat management gratis : jika Anda ingin mencoba

untuk mengatur lebih dalam dan lebih detail lagi tentang sistem database

Anda, bisa saja. Microsoft menyediakan SQL Server Management Studio

Express yang bisa Anda koneksikan untuk mengatur database SQL Server

2008 Anda.

4. Terkoneksi dengan baik dengan Visual Studio Express Edition : tidak

perlu lagi untuk berurusan dengan berbagai text yang membuat pusing.

Visual Studio sekarang bisa Anda koneksikan langsung secara grafis

dengan software ini. Mudah dan cepat.

5. Mudah dipakai : selesai di-install, Anda dapat langsung menggunakan

database tanpa masalah. Ingin mengekspor database Anda ke luar server?

(28)

12

2.3. Kerangka Pemikiran

Gambar 2. 2 Kerangka Pemikiran

RESULT

Aplikasi promosi paket penjualan barang pada Minimarket Kumala Banjarbaru

SOFTWARE MEASUREMENT

User Acceptance Precision, Recall, F-Measure

SOFTWARE IMPLEMENTATION

Minimarket Kumala Banjarbaru

SOFTWARE DEVELOPMENT

UML Code Gear

Delphi 2009

Microsoft SQL Server 2008 R2

Whitebox Blackbox

APPROACH

Algoritma Apriori PERMASALAHAN

(29)

13

BAB III

METODE PENELITIAN

3.1. Analisa Kebutuhan

3.1.1 Metode Pemilihan Sampel

Sistem pencarian pola asosiasi ini dibangun dengan menggunakan

algoritma Apriori yang akan digunakan pada Minimarket Kumala

Banjarbaru.

Tujuan analisis kebutuhan untuk mendefinisikan fungsi yang akan

digunakan, input serta output sistem.

3.1.2 Metode Pengumpulan Sampel

Metode yang digunakan dalam pengumpulan data untuk penelitian

adalah dengan menggunakan metode observasi.

a) Observasi

Observasi digunakan dengan melihat secara langsung kegiatan

transaksi penjualan.

b) Kepustakaan (Library Research)

Merupakan teknik pengambilan data dengan cara membaca serta

mempelajari lisensi buku-buku yang berhubungan dengan objek yang

diteliti, serta informasi yang ada di media internet. Guna mendapatkan

teori dan konsep yang dapat digunakan dalam mendukung suatu

penelitian.

a. Wawancara (Interview)

Wawancara memungkinkan analis sistem sebagai petanya untuk

mengumpulkan data, secara tatap muka langsung dengan orang yang

diwawancarai.

Wawancara yang dilakukan dengan cara tanya jawab dengan sumber

data yaitu para pelanggan yang berbelanja di minimarket Kumala

(30)

14

3.2. Perancangan Penelitian

1. Tahapan Masalah (Problem)

Pada tahapan ini akan membahas tentang permasalahan yang ada

pada penelitian, permasalahan yang ada adalah Pengambilan keputusan

manajemen penjualan masih secara manual hanya dengan pengamatan

yang subyektif.

2. Tahapan Pendekatan (Approach)

Pada tahapan ini akan membahas tentang pendekatan yang

digunakan dalam pembuatan aplikasi, yaitu dengan association rule data

mining menggunakan algoritma Apriori

3. Tahapan Pengembangan (Software Development)

Pada tahapan ini akan membahas tentang pengembangan aplikasi,

yaitu meliputi proses perancangan Storyboard dan Unified Modeling

Language (UML). Setelah proses perancangan selesai, maka dilanjutkan

dengan proses coding untuk pembuatan aplikasi sistem penunjang

keputusan, proses coding yang ada dalam membuat aplikasi sistem

penunjang keputusan ini yaitu dengan menggunakan Code Gear Delphi

2009. Setelah itu dilanjutkan lagi dengan proses penguji atau proses

testing pada aplikasi tersebut menggunakan Whitebox dan Blackbox.

Dengan menggunakan metode pengujian Whitebox, perekayasa sistem

dapat melakukan test case yang dapat memberikan jaminan bahwa semua

jalur independen pada suatu modul telah digunakan paling tidak satu kali.

Dan pengujian Blackbox merupakan pengujian interface oleh pengguna

setelah sistem selesai dibuat dan di uji coba kepada pengguna. Metode

pengujian ini didasarkan pada spesifikasi sistem, dalam sistem ini

pengujian dilakukan dengan mengujikan semua navigasi yang ada,

pengujian ini memastikan apakah proses-proses yang dilakukan

menghasilkan output yang sesuai dengan rancangan yang dibuat.

4. Tahapan Penerapan (Software Implementasi)

Pada tahapan ini akan membahas tentang implementasi, aplikasi

pencarian pola asosiasi ini akan diterapkan pada Minimarket Kumala

(31)

5. Tahapan Pengukuran (Software Measurement)

Kuisioner (user acceptance) merupakan pengujian yang dilakukan

secara objektif dimana program aplikasi akan diuji secara langsung

kepada pegawai minimarket Kumala Banjarbaru dengan membuat

kuesioner mengenai kepuasan user dengan kandungan point syarat user

friendly.

Aplikasi diimplementasikan untuk mendapatkan data Precission

Recall & F1 yang mana data tersebut adalah data tentang kecocokan

(antara permintaan informasi dengan jawaban terhadap permintaan itu.

6. Tahapan Hasil (Result)

Pada tahapan ini akan membahas tentang hasil yang merupakan

tujuan akhir yang ingin dicapai, yaitu terciptanya aplikasi pencarian pola

asosiasi dengan menggunakan metode yang dapat membantu manajemen

penjualan mengambilan keputusan.

3.2.1. Context Diagram

Diagram konteks memberikan gambaran umum mengenai interaksi

yang terjadi antara administrator, sistem, dan database. Diagram konteks

dari sistem ini ditunjukan pada gambar 3.1.

(32)

16

3.2.2. Use Case Diagram

Gambar dibawah ini menjelaskan bagaimana interaksi administrator

dalam login, menginput data user, data barang, data transaksi dan

menginputkan aturan asosiasi (minimum transaksi, minimum support,

minimum confidence).

Gambar 3. 2 Use Case Diagram

3.2.3. Activity Diagram

Activity diagram menggambarkan berbagai alir aktifitas dalam sebuah

sistem yang sedang dirancang, bagaimana masing-masing alir berawal,

decision yang mungkin terjadi dan bagaimana mereka berakhir. Activity

diagram juga dapat menggambarkan proses parallel yang mungkin terjadi

pada beberapa eksekusi.

uc Use Case

SISTEM APRIORI

Administrator

Login

Data Produk

Data Transaksi

(33)

Gambar 3. 3 Activity Diagram Login

Activity Diagram Login menjelaskan proses sistem pengenalan pengguna

aplikasi. Dimana user harus memasukan username dan password yang dimiliki.

Gambar 3. 4 Activity Diagram Data Master

Activity Diagram Data Master menjelaskan proses penginputan data

master yang digunakan untuk pemrosesan algoritma apriori.

act Domain Model

Masukan Username dan Passw ord

Diterima Ditolak

Masukan Barcode

Input data Baru Tampilkan Data

(34)

18

Gambar 3. 5 Activity Diagram Transaksi

Activity Diagram Transaksimenjelaskan proses penginputan transaksi

pembelian barang.

Gambar 3. 6 Activity Diagram Pola Asosiasi

Activity Diagram Transaksi menjelaskan proses pencarian pola asosiasi

data mining menggunakan algoritma apriori untuk mendapatkan kombinasi item act Domain Model

Masukan Barcode / Nama Barang

Masukan Jumlah Barang

Tambah Item

Masukan Uang Bayar

Masukan Min Transaksi, Min Support & Min

Confidence

Cari Kombinasi Itemset yang memenuhi syarat

Hitung Support dan Confidence Item

(35)

3.2.4. Sequance Diagram

Sequence diagram menggambarkan interaksi antar objek di dalam dan

di sekitar sistem (termasuk pengguna, display, dan sebagainya) berupa

message yang digambarkan terhadap waktu. Sequence diagram terdiri atas

waktu dan objek-objek terkait. Sequence diagram biasa digunakan untuk

menggambarkan scenario atau rangkaian langkah-langkah yang dilakukan

sebagai respons dari sebuah event untuk menghasilkan output tertentu, proses

dan perubahan apa saja yang terjadi secara internal dan output apa yang

dihasilkan.

Gambar 3. 7 Sequance Diagram Login

Pada sequance diagram login, administrator melakukan proses login

dengan cara memasukan username dan password pada form login,

kemudian sistem akan melakukan verifikasi ke dalam database, apabila

login diterima maka akan muncul pesan login berhasil dan dapat

melanjutkan ke proses selanjutnya. Jika login ditolak maka akan muncul

pesan kesalahan dan tidak dapat melanjutkan ke proses selanjutnya sampai

login diterima.

sd Domain Model

Administrator Form Sistem Database

Masukan Username dan Password()

Login()

Cek data()

(36)

20

Gambar 3. 8 Squance Diagram Data Master

Pada sequance diagram data master user dapat melakukan beberapa jenis

kegiatan yang terdapat dalam sequance diagram, antarlain melihat data,

menambah data, mengedit data dan menghapus data dari database.

Gambar 3. 9 Squance Diagram Transaksi

(37)

Pada sequance diagram data transaksi, user dapat melakukan beberapa

jenis kegiatan yang terdapat dalam sequance diagram, antarlain melihat

memasukan item barang, menambah item, serta proses pembayaran.

Gambar 3. 10 Squance Diagram Pola Asosiasi

Pada sequance diagram Pola Asosiasi, user dapat melakukan beberapa

jenis kegiatan yang terdapat dalam sequance diagram, antarlain melihat

memasukan minimal transaksi, minimal support dan minimal confidance,

kemudian hasil dari algoritma ditampilkan.

3.3. Teknik Analisis

3.3.1 Analisis Masukan dan Keluaran Sistem

Data pada penelitian ini terdiri dari data barang, data transaksi. Hasil

analisis masukan dari data adalah :

1. Data Barang

Masukan dari data barang adalah kode barang, nama barang, harga jual,

harga retail, dan satuan barang.

2. Data Transaksi

Data transaksi dibagi menjadi dua bagian :

a. Data Transaksi

Masukan dari data transaksi adalah kode transaksi, total bayar, bayar,

kembali, tanggal dan jam.

b. Data Detil Transaksi sd Domain Model

Administrator Form Sistem Database

Input Min Transaksi, Min Support, Min Confidence()

Koneksi Database()

Proses Apriori()

Menampilkan Hasil()

(38)

22

Masukan dari data detil transaksi adalah kode transaksi, kode barang,

jumlah dan total harga.

Untuk analisa sendiri menggunakan data sample pada range

01/10/2011 sampai 31/12/2011 dimana data yang digunakan berjumlah 718

data transaksi yang dapat dilihat pada Lampiran 1 dan 113 data barang

(itemset) yang dapat dilihat pada Lampiran 2.

Setelah data transaksi dan data barang terkumpul, maka dibuatlah

kombinasi antar 2 item / 2-itemset dengan frequent itemset = 3, data

2-itemset yang memenuhi kriteria frequent itemset dapat dilihat pada

Lampiran 3.

Untuk tahap selanjutnya adalah mencari nilai support dan confidence

dari itemset yang telah ditetapkan.

A. Support

Minimal support yang ditentukan adalah 2%. Support dapat dihitung

dengan menggunakan rumus :

∑ _∑

Data nilai support dari 2-itemset dapat dilihat pada Lampiran 4.

B. Confidance

Setelah data frequent itemset dengan nilai support yang telah didapatkan

tahap selanjutnya adalah menghitung confidence. Minimal confidence yang

ditentukan adalah 50%.

| ∑ _∑

(39)

C. Final Aturan Asosiasi (Strong Rule)

Strong rule digunakan untuk mencari kombinasi itemset terkuat.

Tabel 3. 1 Strong Rule Min Sup 2%, Min Conf 50%

Item1 Item2 Support Confidence

POND"S WHITE BFF 100ML PEPSODENT WHITE 190GR 2,79% 66,67%

DETTOL SOAP ORG 120GR

4+1 SURF ACTIVE CLEAN 1 KG 3,34% 66,67%

GILLETE VECTOR HRG

PROMOSI PEPSODENT WHITE 190GR 2,37% 62,96%

PANTENE SHP HARI FALL

750ML POND"S WHITE BFF 100ML 2,51% 62,07%

DETTOL HW SENSITIVE 200 ML

SURF SCTIVE CLEAN LF.2

KG 2,65% 61,29%

WAFLE CRUNCOX 19*11GR WALL"S MAGNUM

ALMOND WALLS 70G 2,65% 61,29%

NATA DE COCO 110G MARJAN COCO PANDAN

630ML 3,20% 60,53%

POND"S WHITE BFF 100ML PANTENE SHP HARI FALL

750ML 2,51% 60,00%

SPRITE 1,5 LITER JUMBO COCA-COLA 1,5 LITER

JUMBO 2,92% 58,33%

ULTRA MILK CHOCO

1000ML CHARM B.FIT EMW ISI 5 3,48% 55,56%

DC BALITA MADU 3+DHA 800GR

WIPOL CLASIC PINE

REFFIL 900ML 2,23% 55,17%

BANGO MANIS REF.600 ML SAMBAL

PDS.INDFT.BTL.BSR.340ML 2,09% 53,57%

CHARM B.FIT EMW ISI 5 ULTRA MILK CHOCO

1000ML 3,48% 53,19%

FANTA APPLE 1.5 LT COCA-COLA 1,5 LITER

JUMBO 2,23% 50,00%

SURF ACTIVE CLEAN 1 KG DETTOL SOAP ORG 120GR

4+1 3,34% 50,00%

Dari data pada tabel 3.1 dapat kita ambil beberapa alternatif kombinasi

itemset yang dapat dijadikan sebagai promosi paket barang, sebagai berikut :

1. JIKA membeli POND"S WHITE BFF 100ML MAKA akan membeli

PEPSODENT WHITE 190GR dengan SUPPORT 2,79 % dan

(40)

24

2. JIKA membeli DETTOL SOAP ORG 120GR 4+1 MAKA akan membeli

SURF ACTIVE CLEAN 1 KG dengan SUPPORT 3,34 % dan

CONFIDENCE 66,67 %

3. JIKA membeli GILLETE VECTOR HRG PROMOSI MAKA akan

membeli PEPSODENT WHITE 190GR dengan SUPPORT 2,37 % dan

CONFIDENCE 62,96 %

4. JIKA membeli PANTENE SHP HARI FALL 750ML MAKA akan

membeli POND"S WHITE BFF 100ML dengan SUPPORT 2,51 % dan

CONFIDENCE 62,07 %

5. JIKA membeli DETTOL HW SENSITIVE 200 ML MAKA akan membeli

SURF SCTIVE CLEAN LF.2 KG dengan SUPPORT 2,65 % dan

CONFIDENCE 61,29 %

6. JIKA membeli WAFLE CRUNCOX 19*11GR MAKA akan membeli

WALL"S MAGNUM ALMOND WALLS 70G dengan SUPPORT 2,65 %

dan CONFIDENCE 61,29 %

7. JIKA membeli NATA DE COCO 110G MAKA akan membeli MARJAN

COCO PANDAN 630ML dengan SUPPORT 3,20 % dan CONFIDENCE

60,53 %

membeli WIPOL CLASIC PINE REFFIL 900ML dengan SUPPORT 2,23

% dan CONFIDENCE 55,17 %

12.JIKA membeli BANGO MANIS REF.600 ML MAKA akan membeli

SAMBAL PDS.INDFT.BTL.BSR.340ML dengan SUPPORT 2,09 % dan

(41)

13.JIKA membeli CHARM B.FIT EMW ISI 5 MAKA akan membeli 3.4.1. Desain Database

1. Tabel Login

Nama Tabel : Login

Fungsi : Untuk informasi login pengguna

Kunci utama : username

Tabel 3. 2 Tabel Login

Nama Field Tipe Data Keterangan

username Varchar(50) Nama user(PK)

Password Varchar(50) Kata kunci

2. Tabel Orders

Nama Tabel : Orders

Fungsi : Untuk menampung data transaksi

Kunci utama : OrderID

Tabel 3. 3 Tabel Orders

OrderID Int Kode Transaksi (PK)

TotalBayar Real Total Bayar

Bayar Real Bayar

(42)

26

Tanggal Date Tanggal Transaksi

Jam Time Jam Transaksi

3. Tabel Oder Details

Nama Tabel : Order Details

Fungsi : Untuk menampung data item transaksi

Kunci utama : -

Tabel 3. 4 Tabel Order Details

OrderID Int Kode Transaksi (FK)

ProductID Int Kode Barang (FK)

Harga Real Harga Barang

Jumlah Int Jumlah Pembelian

Total Real Total Harga

4. Tabel Products

Nama Tabel : Products

Fungsi : Untuk menampung data produk/barang

Kunci utama : ProductID

Tabel 3. 5 Tabel Products

ProductID Int Kode Barang (PK)

Barcode Varchar(20) Barcode Barang

NamaBarang Varchar(50) Nama Barang

HargaJual Real Harga Jual Supplier

HargaRetail Real Harga Jual Toko

Satuan Varchar(10) Satuan Barang

5. Tabel Results

Nama Tabel : Results

Fungsi : Untuk menampung data hasil proses algoritma

(43)

Tabel 3. 6 Tabel Results

ItemA Varchar(50) Item A Apriori

ItemB Varchar(50) Item B Apriori

Support Real Nilai Support

Kombinasi A dan B

Confidence Real Nilai Confidence

Kombinasi A dan B

3.4.2. Relasi Antar Table

Perancangan database dari sistem yang digambarkan sebagai berikut:

Gambar 3. 11 Relasi antar tabel

3.4.3. Desain Interface

Desain interface “Aplikasi Promosi Paket Penjualan Barang Pada

Minimarket Kumala Banjarbaru Dengan Algoritma Apriori” yang akan dibangun

adalah sebagai berikut :

(44)

28

1. Desain Form Utama

SISTEM APRIORI

Gambar 3. 12 Desain Interface Form Utama

Keterangan :

Pada form utama terdapat panel login yang digunakan untuk identifikasi

pemakai. Setelah aplikasi menerima username dan password yang diinputkan oleh

user maka menu aplikasi dapat digunakan.

2. Desain Form Data Barang

Form Barang

Barcode Nama Barang H. Jual H. Retail Product ID

Text

(45)

Keterangan :

Pada form ini enam komponen , empat buah tombol aksi (simpan,

batal dan hapus) dan pencarian.

3. Desain Form Transaksi

Transaksi

Barcode Nama Barang Harga Jumlah Total

Text

Gambar 3. 14 Desain Interface Form Transaksi

Keterangan :

Pada form ini empat komponen inputan (Barcode, nama barang,

jumlah, dan pembayaran), dua buah tombol aksi (tambah item dan simpan

data).

4. Desain Form Pola Asosiasi

Application Title

99 99 99 999999

Min. Transaksi Min. Support Min. Confidence Jumlah Transaksi PROSES

Tutup Cetak

(46)

30

Keterangan :

Pada form ini tiga komponen inputan (minimum transaksi, minimum

support, minimum confidence), dan tombol proses.

5. Desain Form Cetak Data Barang

Cetak Data Barang

Text Seluruh Data

Pilih Data (ProductID)

Cetak

Tutup

Gambar 3. 16 Desan Interface Form Cetak Data Barang

Keterangan :

Pada form ini digunakan untuk mencetak laporan data barang

6. Desain Form Cetak Data Transaksi

Cetak Transaksi

Enter Text Pilih Data (OrderID)

Cetak

Tutup

Gambar 3. 17 Desain Interface Cetak Data Transaksi

Keterangan :

(47)

7. Desain Interface Laporan Data Barang

Laporan Data Barang

ProductID Barcode Nama Barang Harga Jual Harga Retail Satuan

999999 999999 xxxxxxxxxxxxx

xxxxxxxxxxxx 999999 999999 xxxxxx

999999 999999 xxxxxxxxxxxxx

xxxxxxxxxxxx 999999 999999 xxxxxx

Gambar 3. 18 Desain Laporan Data Barang

Keterangan :

Pada desain laporan ini digunakan untuk mencetak laporan data

barang

8. Desain Interface Laporan Data Transaksi

Data Transaksi

ProductID Barcode Harga Jual Harga Retail

999999 999999 999999 999999

Gambar 3. 19 Desain Laporan Data Transaksi

Keterangan :

Pada desain laporan ini digunakan untuk mencetak laporan data

(48)

32

9. Desain Interface Laporan Hasil Analisis Apriori

Hasil Analisis Apriori

Item A Item B Support (%) Confidence (%)

999999 999999 999999 999999

Gambar 3. 20 Desain Laporan Hasil Analisis Apriori

Keterangan :

Pada desain laporan ini digunakan untuk mencetak laporan hasil

(49)

33

BAB IV

HASIL DAN PEMBAHASAN

4.1. Hasil

Perangkat keras yang digunakan membuat dan menjalankan program adalah

sebagai berikut :

1. Perangkat Keras:

- Intel Core i5 2400K 3,3 Ghz

- RAM 6 GB

- HDD 2,2 TB

- Monitor Minimal Resolution 1024 X 768

2. Perangkat Lunak:

- Sistem Operasi Windows 7

- Embarcadero Code Gear Delphi 2009

- Microsoft SQL Server 2008 R2

- Microsoft SQL Management Studio

- Microsoft SQL Server Native Client 10 ODBC

4.1.1 Implementasi 1. Form Utama

Pada form utama terdapat beberapa fungsi, diantaranya adalah sebagai

form login dan menu utama.

(50)

34

2. Form Data Barang

Form data barang merupakan form data master, dimana berfungsi

menyimpan informasi data produk yang akan di jual.

Gambar 4. 2 Form Data Barang

3. Form Transaksi Penjualan

Form data transaksi penjualan merupakan form yang berfungsi sebagai

menyimpan data transaksi penjualan, dimana data penjualan tersebut akan di

proses menggunakan algoritma apriori.

(51)

4. Form Pola Asosiasi

Form pola asosiasi merupakan form yang bertugas untuk mencari pola

transaksi dari data penjualan. Form pola asosiasi ini menggunakan algoritma

apriori untuk memproses datanya.

Gambar 4. 4 Form Pola Asosiasi

5. Form Cetak Laporan Data Barang

Form ini mempunyai fungsi untuk membuat laporan data barang.

(52)

36

6. Form Cetak Data Transaksi

Form ini mempunyai fungsi untuk membuat laporan data transaksi.

Gambar 4. 6 Form Cetak Laporan Data Transaksi

7. Laporan Data Barang

Gambar 4. 7 Laporan Data Barang

Pada laporan data barang digunakan untuk melaporkan data seperti

productID, barcode, nama barang, harga jual, harga retail, dan satuan barang.

8. Laporan Data Transaksi

(53)

...(4.1)

9. Laporan Hasil Analisis Apriori

Gambar 4. 9 Laporan Hasil Analisis Apriori

Pada laporan hasil analisis apriori ini digunakan untuk melaporkan data seperti

Item A dan Itemnh B beserta nilai support dan confidence.

4.2. Pembahasan

4.2.1. Pengujian White Box

White box testing merupakan metode perancangan test case yang

menggunakan struktur kontrol dari perancangan prosedural untuk mendapatkan

test case. Dengan menggunakan metode white box, analis sistem akan dapat

memperoleh test case yang:

1. Menjamin seluruh independent path di dalam modul yang dikerjakan

sekurang-kurangnya sekali

2. Mengerjakan seluruh keputusan logikal

3. Mengerjakan seluruh loop yang sesuai dengan batasannya

4. Mengerjakan seluruh struktur data internal yang menjamin validitas

Dalam hal ini, pengujian tidak dilakukan terhadap keseluruhan program

tetapi hanya dilakukan pada sampel pengujian untuk pemilihan paket promosi

penjualan.

Pengukuran kuantitatif terhadap kompleksitas logis suatu program

(kompleksitas siklomatis) dari grafik alir dapat diperoleh dengan perhitungan:

(54)

38

Dimana :

E = jumlah edge grafik alir yang ditandakan dengan gambar panah

N = Jumlah simpul grafik alir yang ditandakan dengan gambar lingkaran

Dibawah ini adalah pengujian dari pemilihan paket promosi penjualan

menggunakan algoritma apriori data mining.

Gambar 4. 10 Diagram Alir Program Start

Input Variable

Proses

Hasil Paket Promosi Penjualan

(55)

procedure TForm1.btn1Click(Sender: TObject);

var i,j,k,l,temp, part1, part2 : integer;

min_confidence,min_support, support, confidence,total_transaksi, min_transaksi :

real;

H1, H2, H3, H4, keluar : boolean ;

antecedent, konklusi : string;

awal, akhir: string;

x,y : Integer;

begin

Memo1.Clear;

x:= StrToInt(edt1.Text);

y:= StrToInt(EdtMinConfidence.Text);

if (x< = 0) or (x> 100) then

EdtMinConfidence.SetFocus;

end

else

begin

min_transaksi := StrToInt(EdtMinTransaksi.text);

min_support := StrToInt(edt1.Text);

min_confidence := StrToFloat(EdtMinConfidence.Text);

(56)

40

' FROM Orders ';

Open;

edtEdtTotalTransaksi.Text := Fields[0] .AsString;

total_transaksi := Fields[0] .AsInteger;

//= = = = = = = = = = = Hapus data terdahulu= = = = = = = = = = = = = = = = = //

Close;

SQL.Text := 'DROP TABLE Results';

try

ExecSQL;

except

end;

Close;

SQL.Text :=

' CREATE TABLE Results ( '+

' ItemA Varchar(50), '+

' ItemB Varchar(50), '+

' Supp REAL, '+

' conf REAL)';

try

ExecSQL;

except

end;

(57)

(58)

(59)

' (SELECT COUNT(O.ORDERID) '+

' FROM ORDERS O '+

' WHERE (SELECT COUNT (*) FROM [ORDER DETAILS] D '+

' WHERE D.PRODUCTID IN (');

for i := 1 to C-1 do

SQL.Add (' P.ITEM' + IntToStr(i) + ', ');

SQL.Add(' Q.ITEM' + IntToStr(C-1) + ') '+

' AND D.ORDERID= O.ORDERID) > = '+ IntToStr(C) + ') '+

' FROM C'+ IntToStr(C-1) + ' P, C'+ IntToStr(C-1) + ' Q '+

' WHERE Q.ITEM'+ IntToStr(C-1) + ' > P.ITEM' + IntToStr(C-1) );

SQL.Add(' AND P.ITEM' + IntToStr(i) + ' > P.ITEM' + IntToStr(i-1) );

SQL.Add(' ORDER BY ');

SQL.Add (' P.ITEM' + IntToStr(i) + ', ');

SQL.Add(' Q.ITEM' + IntToStr(C-1));

try

ExecSQL;

except

end;

//hapus isi tabel yg tidak memenuhi syarat

Close;

SQL.Text := ' DELETE FROM C'+ IntToStr(C) + ' WHERE JML < = '+

FloatToStr(min_transaksi);

try

ExecSQL;

except

(60)

(61)

if temp = k then

begin

dm.qry2.SQL.Text := DM.qry2.SQL.Text + Fields[temp] .AsString +

' and ';

temp := temp + 2

end else

begin

dm.qry2.SQL.Text := DM.qry2.SQL.Text + F ields[temp] .AsString + '

and ';

temp := temp + 1

end

end;

DM.qry2.SQL.Text := copy(DM.qry2.SQL.Text,1,

length(DM.qry2.SQL.Text)-7);

DM.qry2.Open;

part1 := FieldByName('jml').AsInteger;

part2 := DM.qry2.FieldByName('jml').AsInteger;

//jika nilai confidence minimum terpenuhi

support := part1/total_transaksi*100;

confidence := ((part1*100)/part2);

H1 := support> = min_support;

H2 := confidence> = min_confidence;

H3 := support> 0;

H4 := confidence> 0;

(62)

(63)

Memo1.Lines.Add(antecedent + konklusi);

Memo1.Lines.Add('');

end;

//else ShowMessage('Tidak ada kombinasi item yang mememuhi syarat');

end;

Next;

//end; //end of while not eof

end;

ShowMessage('Proses Selesai');

end;

end; //end of with query do

rzbtbtn1.Enabled:= True;

end;

Gambar 4. 11 Grafik Alir Program 1

2

3

4

5

6

7

(64)

48

Cyclomatic Complexity Direkomendasikan agar jangan sampai kompleksitas

tiap unit / komponen terkecil sistem melebihi nilai 10, apabila melebihi

disarankan dipecah kembali. Kompleksitas Siklomatis (Cyclomatic Complecity)

merupakan ukuran kuantitatif kompleksitas logis suatu program. Dari grafik

alir yang ditunjukkan pada gambar 4.10 dapat dihitung kompleksitas

siklomatinya sebagai berikut:

V(G) = 8 – 5 + 2 = 5

Basis path yang dihasilkan dari jalur independent secara linier :

Path 1 = 1-2-3-4-5-6-7-2 Path 2 = 1-2-3-4-5-6-7-8

Hasil test case terhadap basis path sebagai berikut:

Tabel 4. 1 Hasil Pengujian Basis Path

Path Input Proses Output Hasil Uji

Tidak ada data yang

memenuhi kriteria

Berdasarkan hasil pengujian tersebut maka fungsi-fungsi telah memenuhi syarat.

4.2.2. Pengujian Black box

Pengujian black box digunakan untuk menguji fungsi-fungsi khusus dari

perangkat lunak yang dirancang. Pada teknik pengujian black box kebenaran

(65)

dari data atau kondisi masukan yang diberikan untuk fungsi yang ada tanpa

melihat bagaimana proses untuk mendapatkan keluaran tersebut.

Untuk pengujian menggunakan teknik black box dapat ditampilkan

sebagai berikut :

Tabel 4. 2 Hasil Pengujian Black box Pada Form Utama

No Input/event Proses Output Hasil

Uji

1 Username

dan

password

Inputan sesuai dengan data Menampilkan

menu item

sesuai

2 Username

dan

password

Inputan tidak sesuai dengan data Munculkan

pesal kesalahan

sesuai

Dari hasil pengujian blackbox, form menu utama sudah berfungsi dengan

benar.

Tabel 4. 3 Hasil Pengujian Black box Pada Form Data Barang

Uji

1 Simpan Data Proses simpan data.

Tampilkan

Dari hasil pengujian blackbox, form data barang sudah berfungsi dengan

(66)

50

Tabel 4. 4 Hasil Pengujian Black box Pada Form Transaksi Penjualan

Uji

1 Tambah Item Proses simpan data iten.

Tampilkan

Pesan tambah

lagi

Sesuai

2 Tidak

Tambah Item Kalkulasi jumlah harga semua

item

Total Bayar Sesuai

3. Simpan

Transaksi Proses simpan data

Tampilkan

Tabel 4. 5 Hasil Pengujian Black box Pada Form Pola Transaksi

Jalankan proses algoritma apriori

Rekomendasi

promosi paket

penjualan

barang

Sesuai

2 Print Tampilkan laporan hasil proses

algoritma apriori

Laporan paket

barang sesuai

Dari hasil pengujian blackbox, form pola transaksi sudah berfungsi

(67)

Tabel 4. 6 Hasil Pengujian Black box Pada Form Cetak Data Barang

Tampilkan Laporan Laporan data

barang Sesuai

Dari hasil pengujian blackbox, form cetak data barang sudah berfungsi

dengan benar.

Tabel 4. 7 Hasil Pengujian Black box Pada Form Cetak Data Transaksi

Uji

1 Input

orderID Tampilkan Laporan

Laporan data

transaksi Sesuai

Dari hasil pengujian blackbox, form cetak data transaksi sudah berfungsi

dengan benar.

4.3. Implikasi Penelitian

4.3.1. Analisis Precision, Recall, dan F1

Pengukuran hasil penelitian ini menggunakan metode precision, recall dan

F1. Data yang digunakan untuk melakukan pengukuran didapatkan dari hasil

survey yang berupa data hasil kuesioner yang didapat dari 30 orang responden.

Data yang didapat dari hasil kuesioner data paket promosi barang yang dianggap

sesuai (relevan) atau yang tidak sesuai dengan keinginan user (irrelevant), dan

paket promosi barang yang sesuai akhirnya dipilih oleh user.

Data yang sudah terkumpul dari hasil kuesioner tersebut akan diolah

menggunakan metode precision and recall. Hal ini berguna untuk mencari nilai

F1, yaitu nilai tingkat akurasi dari sistem rekomendasi. Nilai F1 adalah berupa

nilai 0-1 (nol-satu), semakin tinggi nilai F1, maka sistem rekomendasi tersebut

(68)

52

...(4.2)

...(4.3) Precision dapat dihitung dengan menggunakan rumus :

Sedangkan recall dapat dihitung dengan menggunakan rumus :

Dimana,

P = Precision

R = Recall

X = Jumlah rekomendasi relevan yang terpilih

Y = Jumlah rekomendasi terpilih yang tidak relevan

Z = Jumlah rekomendsi relevan yang tidak terpilih

Untuk nilai F1 ≥ 0,6 adalah nilai akurasi tinggi, sedangkan F1 < 0,6 adalah nilai

akurasi rendah.

Koresponden 1:

X = 5, Y = 4, Z = 6

Sehingga F1 dapat dihitung:

Precision = X / (X+Y) = 5 / (5+4) = 0,556

Recal = X / (X+Z) = 5 / (5+6) = 0,455

F1 = 2 PR / (P+R)

= (2 x 0,556 x 0,455) / (0,556+0,455)

= 0,5

Dengan nilai F1 = 0,5, maka tingkat akurasi sistem rekomendasi adalah rendah.

Koresponden 2:

X = 8, Y = 2, Z = 5

Precision = X / (X+Y) = 8 / (8+2) = 0,8

Recal = X / (X+Z) = 8 / (8+5) = 0,615

F1 = 2 PR/ (P+R)

= (2 x 0,8 x 0,615) / (0,7+0,615)

= 0,696

(69)

Koresponden 3:

X = 3, Y = 8, Z = 4

Precision = X / (X+Y) = 3 / (3+8) = 0,273

Recal = X / (X+Z) = 3 / (3+4) = 0,429

F1 = 2 PR / (P+R)

= (2 x 0,273x 0,429) / (0,273+ 0,429)

= 0,333

Dengan nilai F1 = 0,333, maka tingkat akurasi sistem rekomendasi adalah rendah.

Koresponden 4:

X = 7, Y = 3, Z = 5

Precision = X / (X+Y) = 7 / (7+3) = 0,7

Recal = X / (X+Z) = 7 / (7+5) = 0,583

F1 = 2 PR/ (P+R)

= (2 x 0,7x 0,583) / (0,7+ 0,583)

= 0,636

Dengan nilai F1 = 0,636, maka tingkat akurasi sistem rekomendasi adalah tinggi.

Koresponden 5:

X = 8, Y = 4, Z = 3

Precision = X / (X+Y) = 8 / (8+4) = 0,667

Recal = X / (X+Z) = 8 / (8+3) = 0,727

F1 = 2 PR/ (P+R)

= (2 x 0,667 x 0,727) / (0,667+ 0,727)

= 0,696

(70)

54

4.3.2. Hasil Pengukuran Aplikasi

Berikut ini adalah hasil dari kuesioner precision recall :

Tabel 4. 8 Hasil pengukuran rekomendasi promosi paket barang

RESPONDEN KE - X Y Z P R F1 AKURASI

4.3.3. Analisis Tingkat Akurasi Sistem Rekomendasi (F1)

Pengukuran dilakukan dengan menggunakan analisa hasil kuesioner

dengan metode precision, recall dan F1. Nilai precision, recall dan F1

ditunjukkan dengan nilai presentase, sistem rekomendasi dianggap akurat jika

memiliki F1 yang tinggi. Semakin tinggi nilai F1 mendekati angka 1 (satu) berarti

(71)

memberikan rekomendasi paket promosi barang sesuai dengan yang diinginkan

oleh pengguna sistem.

4.3.4. Analisis Hasil Uji Coba F1

Dari data hasil pengukuran sistem rekomendasi pemilihan sekolah yang

telah dilakukan terhadap 30 orang responden yang ada pada tabel 4.6, didapati

hasil 18 orang memperoleh rekomendasi dengan akurasi tinggi dan 12 orang

mendapat akurasi rendah. Sehingga tingkat akurasi sistem rekomendasi pemilihan

sekolah dari hasil survey penelitian yang dilakukan dapat dihitung :

Tingkat akurasi sistem rekomendasi Pemilihan sekolah menengah atas

dapat dilihat melalui diagram lingkaran di bawah ini :

Gambar 4. 12 Tingkat akurasi sistem rekomendasi paket promosi barang

40%

60%