Implementasi Data Mining Menggunakan Aturan Association Rule Terhadap Penyusunan Layout Makanan Dan Penentuan Paket Makanan Hemat di Rumah Makan Roso Echo Dengan Algoritma Apriori

(1)

SKRIPSI

Diajukan untuk Menempuh Ujian Akhir Sarjana

ELSA WIDIATI

10110035

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN ILMU KOMPUTER

(2)

(3)

(4)

Nama : Elsa Widiati

Tempat / Tanggal Lahir : Cirebon, 13 November 1992 Jenis Kelamin : Perempuan

Status Pernikahan : Belum Menikah

Agama : Islam

Alamat : Desa Palimanan Timur Blok Petapean Selatan RT 20 RW 07 No.1 Kec. Palimanan Kab. Cirebon 45161

Telepon : 085720205146

Email : elsawidiati@yahoo.com

2. RIWAYAT PENDIDIKAN

(5)

v

KATA PENGANTAR ... iii

DAFTAR ISI ... v

DAFTAR GAMBAR ... ix

DAFTAR TABEL ... x

DAFTAR SIMBOL ... xiii

DAFTAR LAMPIRAN ... xv

BAB 1 PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Perumusan Masalah ... 2

1.3 Maksud dan Tujuan... 2

1.3.1 Maksud ... 2

1.3.2 Tujuan ... 2

1.4 Batasan Masalah ... 3

1.5 Metodologi Penelitian ... 3

1.5.1 Metode Pengumpulan Data ... 4

1.5.2 Metode Pembangunan Perangkat Lunak ... 4

1.6 Sistematika Penulisan ... 6

BAB 2 TINJAUAN PUSTAKA ... 9

2.1 Profil Instuisi ... 9

2.1.1 Sejarah RM. Roso Echo ... 9

2.1.2 Logo ... 10

2.1.3 Struktur Organisasi ... 10

2.1.4 Visi dan Misi ... 12

2.1.4.1 Visi Roso Echo ... 12

2.1.4.2 Misi Roso Echo... 12

(6)

vi

2.2.2.2 Data pada Database dan Hubungannya ... 13

2.2.2.3 Keuntungan dan Kerugian Pemakaian Sistem Database ... 14

2.2.3 Data Mining ... 14

2.2.3.1 Pengertian Data Mining ... 14

2.2.3.2 Konsep Data Mining ... 15

2.2.3.3 Tahapan Data Mining ... 16

2.2.4 Association Rule ... 18

2.2.5 Algoritma A Priori ... 19

2.2.5.1 Pengertian Algoritma A priori ... 19

2.2.5.2 Langkah-langkah Proses Perhitungan Association Rule Dengan Algoritma A priori ... 20

2.2.6 Lift/Improvement Ratio ... 21

2.2.7 Alat-Alat Pemodelan Sistem ... 22

2.2.7.1 Diagram Konteks ... 22

2.2.7.2 Data Flow Diagram (DFD) ... 22

2.2.7.3 Kamus Data ... 23

2.2.7.4 Spesifikasi Proses ... 23

2.2.8 Metode Pengujian Eksperimental ... 24

BAB 3 ANALISIS DAN PERANCANGAN ... 25

3.1 Analisis Sistem ... 25

3.1.1 Analisis Masalah ... 25

3.1.2 Analisis Sumber Data... 26

3.1.3 Analisis Preprocessing Data ... 28

3.1.4 Analsis Kasus Dengan Metode Association Rule ... 31

3.1.5 Contoh Kasus ... 33

(7)

vii

3.1.7.2 Analisis Kebutuhan Perangkat Lunak ... 45

3.1.7.3 Analisis Kebutuhan Perangkat Pikir ... 46

3.1.8 Analisis Kebutuhan Fungsional ... 47

3.2 Perancangan Sistem ... 47

3.2.1 Perancangan Sistem Basis Data ... 47

3.2.1.1 Struktur Tabel ... 47

3.2.2 Perancangan Struktur Menu ... 50

3.2.3 Perancangan Antarmuka ... 51

3.2.3.1 Antarmuka Halaman Utama ... 51

3.2.3.2 Antarmuka Halaman Pemasukan Data Transaksi... 52

3.2.3.3 Antarmuka Halaman Penentuan Aturan Makanan ... 53

3.2.3.4 Antarmuka Halaman Paket Makanan Hemat ... 54

3.2.3.5 Antarmuka Halaman Bantuan ... 55

3.2.3.6 Antarmuka Halaman Tentang Kami ... 56

3.2.4 Perancangan Pesan ... 57

3.2.5 Jaringan Semantik ... 59

3.2.6 Perancangan Prosedural ... 60

3.2.6.1 Preprocessing Data ... 60

3.2.6.2 Cari Frequent Itemset... 61

3.2.6.3 Association Rule ... 62

3.2.6.4 Perhitungan Nilai Lift ... 63

BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM ... 65

4.1 Implementasi Sistem ... 65

4.1.1 Implementasi Perangkat Keras ... 65

4.1.2 Implementasi Perangkat Lunak ... 65

(8)

viii

4.2.1.1 Layout Makanan Data Kelompok 1 ... 70

4.2.1.2 Paket Makanan Hemat Data Kelompok 1 ... 71

4.2.2 Pengujian Data Kelompok 2 ... 72

BAB 5 KESIMPULAN DAN SARAN ... 81

5.1 Kesimpulan ... 81

5.2 Saran... 81

(9)

DAFTAR PUSTAKA

[1] P. D. Sugiyono, Metode Kuantitatif, Kualitatif dan R&D. Alfabeta, 2010.

[2] H.A.Fajar, Data Mining. Andi, 2013.

[3] Ramon A. Mata Toledeo, Pailine K. Cushman, Dasar-dasar Database Relasional. Jakarta : Airlangga, 2007.

[4] J. Han and M. Kamber, Data Mining : Concept and Techniques, 2nd ed. San Fransisco: Morgan Kauffman, 2006.

[5] R. J. A. Little and D. B. Rubin, Statistical Analysis With Missing Data, 2nd ed. Wiley, 2002.

[6] J. K. Kim and J. Shao, Statistical Methods For Handling Incomplete Data. Taylor & Francis Group, 2014.

[7] Kusrini and E. T. Luthfi, Algoritma Data Mining, T. A. Prabawati, Ed. Yogyakarta: Andi, 2009.

[8] B. Santosa, Data Mining, Teknik Pemanfaatan Data Untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu, 2007.

[9] E. W. T. D, "Penerapan Metode Association Rule Menggunakan Algoritma Apriori Untuk Analisa Pola Hasil Tangkapan," Konferensi dan Temu Nasional Teknologi Informasi dan Komunikasi Untuk Indonesia, p. 2, 2008.

[10] J. Santoni, “Implementasi Data Mining Dengan Metode Market Basket Analysis,” Teknologi Informasi dan Pendidikan, vol. 5, p.2, Sep.2012.

(10)

iii

berkah, rahmat dan hidayahNya sehingga penulis dapat menyelesaikan laporan tugas akhir (skripsi) ini dengan baik. Adapun judul dari laporan tugas akhir ini

adalah “IMPLEMENTASI DATA MINING MENGGUNAKAN ATURAN

ASSOCIATION RULE TERHADAP PENYUSUNAN LAYOUT MAKANAN DAN PENENTUAN PAKET MAKANAN HEMAT DI RM. ROSO ECHO DENGAN ALGORITMA APRIORI” yang merupakan salah satu syarat utama untuk memenuhi syarat kelulusan program pendidikan Strata 1 jurusan Teknik Informatika Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia.

Penulis menyadari bahwa dalam penyusunan laporan tugas akhir ini masih jauh dari sempurna dan tidak luput dari banyaknya kesalahan dan kekurangan. Hal iini dikarenakan oleh pengetahuan, pengalaman dan kemampuan penulis yang terbatas. Oleh karena itu, kritik dan saran yang membangun sangat penulis harapkan untuk menyempurnakannya laporan tugas akhir ini.

Dalam penyusunan laporan tugas akhir ini, penulis banyak mendapat bantuan serta dukungan dari berbagai pihak. Oleh karena itu, penulis ingin mengucapkan terima kasih yang sebesar-besarnya kepada :

1. Allah SWT yang telah memberikan segala yang terbaik hingga penulis dapat menyelesaikan laporan tugas akhir ini dengan baik.

2. Kedua orang tua dan seluruh anggota keluarga penulis yang selalu mendoakan serta memberikan dorongan moril dan meteril, motivasi dan semangat sepenuhnya.

(11)

iv

5. Ibu Sufa’atin, S.T, M.Kom., selaku dosen penguji III yang telah memberikan masukan kepada penulis.

6. Bapak Suwarno selaku pemilik RM. Roso Echo yang telah memberikan ijin kepada penulis untuk melakukan penelitian di RM. Roso Echo.

7. Muhammad Yazid Al-Qahar, selaku ketua kelas IF-1 angkatan 2010 yang telah banyak membantu penulis dalam pembuatan aplikasi yang dibangun. 8. Seluruh rekan-rekan kelas IF-1 angkatan 2010 yang telah memberikan

motivasi, doa dan semangat yang membangun kepada penulis.

9. Serta seluruh rekan, teman, dan sahabat yanng telah memberikan dukungan, semangat dan doa kepada penulis selama ini.

Dengan rasa syukur dan kerendahan hati, penulis memberikan rasa hormat yang tak terhingga dan mengucapkan banyak terima kasih kepada orang-orang yang telah membantu terselesaikannya pembuatan hingga terciptanya laporan tugas akhir ini.

Akhir kata, semoga laporan tugas akhir ini dapat dijadikan sumber ilmu pengetahuan dan bermanfaat bagi semua, khususnya pembaca.

Bandung, Agustus 2014

(12)

1 1.1 Latar Belakang

Rumah Makan Roso Echo adalah sebuah rumah makan yang pertama dan satu-satunya di wilayah Cirebon yang menawarkan masakan dan nuansa rumah makan khas jawa. Rumah makan ini terletak di Kabupaten Cirebon, tepatnya di Jl. Sultan Ageng Tirtayasa No. 4 Cempaka, Sumber. Dalam sistem pelayanannya RM. Roso Echo ini menerapkan konsep prasmanan, sehingga konsumen dapat mengambil sendiri makanan yang disajikan di meja prasmanan sesuai dengan kebutuhan dan keinginan konsumen, tanpa harus menunggu makanan disajikan. Selain itu juga, di rumah makan ini konsumen dapat menikmati berbagai nuansa khas jawa yang tidak pernah konsumen temukan di rumah makan lain yang ada di wilayah Cirebon. Hal tersebut tentu saja dapat memberikan kepuasan tersendiri bagi konsumen yang datang ke RM. Roso Echo.

Namun di sisi lain, rumah makan ini masih memiliki kekurangan dalam penyusunan layout makanan prasmanan yang disajikannya, karena penyusunan

(13)

mengingat lokasi rumah makan yang terletak tidak jauh dari kawasan brimob, sehingga pada waktu makan siang rumah makan ini selalu penuh dan menyebabkan antrian panjang pada proses pengambilan makanannya.

Oleh karena itu, untuk mengatasi masalah tersebut, maka perlu dilakukannya suatu “Implementasi Data Mining Menggunakan Aturan Association Rule Terhadap Penyusunan Layout Makanan dan Penentuan Paket Makanan Hemat di Rumah Makan Roso Echo Dengan Algoritma Apriori” agar dapat memudahkan pihak pengelola RM. Roso Echo dalam menentukan pola penyusunan layout makanan yang sesuai dengan pola kebiasaan konsumen dalam mengambil makanan, sekaligus memberikan informasi mengenai paket makanan hemat yang dapat ditawarkan kepada konsumen pada waktu-waktu tertentu.

1.2 Perumusan Masalah

Berdasarkan latar belakang diatas, maka didapatkan suatu perumusan masalah yaitu bagaimana cara mengimplementasikan data mining dengan aturan

association rule dan algoritma apriori untuk menghasilkan informasi penyusunan

layout makanan yang sesuai dengan pola kebiasaan konsumen dalam mengambil makanan dan penentuan paket makanan hemat yang dapat ditawarkan.

1.3 Maksud dan Tujuan 1.3.1 Maksud

Maksud dari penelitian ini adalah untuk mengimplementasikan data mining

menggunakan aturan association rule terhadap penyusunan layout makanan dan penentuan paket makanan hemat di RM. Roso Echo dengan algoritma apriori.

1.3.2 Tujuan

Tujuan yang ingin dicapai adalah sebagai berikut :

(14)

dalam mengambil makanan sehingga dapat meningkatkan pendapatan yang diperoleh oleh pihak pengelola RM. Roso Echo pada setiap harinya.

2. Untuk memberikan informasi kepada pihak pengelola RM. Roso Echo mengenai paket makanan hemat yang dapat ditawarkan kepada konsumen sehingga dapat meminimalisir terjadinya antrian panjang pada waktu-waktu tertentu.

1.4 Batasan Masalah

Batasan masalah yang akan diterapkan terhadap pengimplementasian data mining menggunakan association rule terhadap data transaksi di rumah makan Roso Echo adalah sebagai berikut :

1. Data yang digunakan dalam penelitian ini adalah data lauk-pauk dari data transaksi yang terjadi di RM. Roso Echo selama bulan Oktober sampai dengan Desember 2013.

2. Informasi yang dihasilkan berupa pola penyusunan layout makanan yang sesuai dengan pola kebiasaan konsumen dalam mengambil makanan dan paket makanan hemat yang dapat ditawarkan di RM. Roso Echo.

3. Informasi mengenai paket makanan hemat yang dapat ditawarkan didapat dari perhitungan nilai lift yang digunakan untuk memeriksa korelasi kevalidan antara kombinasi makanan yang dihasilkan dari pembentukan aturan

association rule.

4. Algoritma yang digunakan adalah algoritma apriori.

5. Aplikasi yang akan dibangun berbasis desktop.

6. Sudut pandang pembangunan perangkat lunak ini menggunakan pendekatan analisis terstruktur.

1.5 Metodologi Penelitian

(15)

manual dengan hasil penelitian yang dilakukan melalui suatu sistem atau alat [1]. Metode penelitian ini dibagi menjadi 2 tahap, yaitu tahap pengumpulan data dan tahap pembangunan perangkat lunak.

1.5.1 Metode Pengumpulan Data

Tahap pengumpulan data dalam penyusunan laporan penelitian ini adalah sebagai berikut:

1. Studi Literatur

Tahap studi literatur yaitu mengambil data transaksi dari sistem di RM. Roso Echo selama bulan Oktober sampai dengan Desember 2013 dan mempelajari jurnal-jurnal, buku-buku ataupun dari situs-situs internet mengenai data mining, association rule, serta algoritma apriori.

2. Tahap Observasi

Tahap observasi yaitu dengan mendatangi secara langsung lokasi yang dijadikan tempat penelitian tugas akhir, yang dalam hal ini adalah Rumah Makan Roso Echo yang terletak di Kabupaten Cirebon, tepatnya Jl. Sultan Ageng Tirtayasa No. 4 Cempaka, Sumber, untuk mengetahui sistem penyusunan layout makanan yang telah diterapkan.

3. Tahap Wawancara

Tahap wawancara yaitu dengan mengajukan beberapa pertanyaan secara langsung mengenai sistem penyusunan layout makanan prasmanan yang diterapkan dan paket makanan hemat yang diinginkan di Rumah Makan Roso Echo.

1.5.2 Metode Pembangunan Perangkat Lunak

Metode pembangunan perangkat lunak yang digunakan menggunakan

(16)

Gambar 1.1. Waterfall Menurut Ian Sommerville (1992 : 24)

1. Requirements definition

Pada tahap ini semua kebutuhan yang diperlukan dan yang akan diimplementasikan kedalam sistem dikumpulkan, yang dalam hal ini adalah data lauk pauk dari data transaksi yang terjadi di RM. Roso Echo selama bulan Oktober sampai dengan Desember 2013.

2. System and software design

yaitu tahap melakukan perancangan antarmuka terhadap sistem yang akan dibangun agar mudah dipahami dan diimplementasikan.

3. Implementation and unit testing

yaitu tahap untuk mengimplementasikan perancangan yang telah dibuat kedalam sistem yang sebenarnya, serta melakukan pengujian terhadap sistem yang telah dibangun untuk mengetahui apakah sistem telah mencapai tujuannya atau belum.

Requirements definition

System and software design

Implementation and unit testing

Integration and system testing

(17)

4. Integration and system testing

yaitu tahap untuk menguji terhadap data hasil perhitungan manual dengan data hasil perhitungan sistem yang telah dibangun untuk mengetahui tingkat kekuatan dan keakuratan data yang dihasilkan.

5. Operation and maintenance

yaitu tahap akhir dari suatu perangkat lunak yang digunakan untuk proses pengembangan lebih lanjut terhadap sistem yang telah dibangun.

1.6 Sistematika Penulisan

Sistematika penulisan yang digunakan dalam penyusunan laporan tugas akhir ini adalah sebagai berikut :

BAB 1 PENDAHULUAN

Bab ini membahas mengenai Latar Belakang Masalah, Rumusan Masalah, Maksud dan Tujuan, Batasan Masalah, Metodologi Penelitian, dan Sistematika Penulisan yang digunakan.

BAB 2 TINJAUAN PUSTAKA

Bab ini membahas tentang sejarah, logo, visi misi, struktur organisasi dari Rumah Makan Roso Echo dan berbagai konsep dasar dan teori-teori yang berhubungan dengan judul penelitian, seperti pengertian data, data mining, association rule, algoritma apriori, DFD, kamus data dan spesifikasi proses. BAB 3 ANALISIS DAN PERANCANGAN

Bab ini berisi tentang analisis dan perancangan sistem yang akan dibangun berdasarkan data transaksi yang diperoleh dari Rumah Makan Roso Echo dengan menggunakan data mining dengan aturan association rule dan algoritma apriori. BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM

Bab ini menjelaskan tentang implementasi dan pengujian terhadap tingkat kekuatan dan keakuratan aturan-aturan asosiasi yang telah didapatkan berdasarkan pola penyusunan layout makanan yang telah diterapkan sesuai dengan nilai

(18)

BAB 5 KESIMPULAN DAN SARAN

(19)

(20)

9 2.1 Profil Institusi

2.1.1 Sejarah RM. Roso Echo

Rumah makan Roso Echo merupakan rumah makan yang pertama dan satu-satunya rumah makan di Cirebon yang menyediakan aneka masakan jawa dengan kualitas rasa khas masakan jawa. Rumah makan Roso Echo ini pertama kali di dirikan di Jalan Pangeran Cakrabuana BTN Cempaka Arum A-3, Sumber-Cirebon, pada tanggal 1 September 2006 oleh Ir. Suwarno. Selain menyediakan masakan khas jawa, rumah makan Roso Echo ini menerapkan konsep prasmanan dengan nuansa khas jawa dalam pelayanannya, sehingga memberikan kemudahan bagi para konsumen untuk melihat dan memilih secara langsung menu makanan yang sesuai dengan keinginan dan kebutuhannya tanpa harus menunggu menu makanan disajikan. Selain itu, konsumen juga dapat menikmati nuansa jawa yang belum pernah konsumen dapatkan di rumah makan lain di Cirebon. Hal inilah yang menjadikan rumah makan ini sangat diminati oleh para konsumen dari berbagai daerah yang ada di wilayah Cirebon.

(21)

2.1.2 Logo

Logo Rumah Makan Roso Echo

Gambar 2.1 Logo RM. Roso Echo

Sumber : Rumah Makan Roso Echo

2.1.3 Struktur Organisasi

Sumber : Rumah Makan Roso Echo

Gambar 2.2 Struktur Organisasi RM. Roso Echo

Job description :

1. Pemilik bertanggung jawab penuh terhadap RM. Makan Roso Echo. Tugas dan tanggung jawab :

a. Membuat perencanaan, strategi dan kebijakan yang menyangkut operasi rumah makan.

Pemilik

Manager

Juru Masak Catering & Minuman

Juru Masak

Pelayanan Adm. Keuangan

House Keeping

(22)

b. Menyusun anggaran kebutuhan persediaan bahan baku.

c. Melakukan kontrol secara keseluruhan atas operasi rumah makan.

d. Memegang kendali atas keputusan penting yang bersifat umum berkaitan dengan keuangan.

2. Manager berfungsi untuk membantu pemilik. Tugas dan tanggung jawab : a. Membantu pemilik dalam mengawasi rumah makan.

b. Mengatur setiap bagian yang ada di rumah makan agar menjalankan tugasnya dengan baik.

3. Bagian juru masak memiliki tugas dan tanggung jawab :

a. Memasakan semua menu yang harus di sediakan di meja prasmanan. b. Bertanggung jawab atas pesanan pelanggan.

c. Bertanggung jawab atas hasil masakan. d. Mengontrol persediaan bahan baku.

4. Bagian catering&minuman memiliki tugas dan tanggung jawab : a. Menyiapkan catering untuk pesanan pelanggan.

b. Mengantarkan catering kepada pelanggan.

c. Menyiapkan minuman yang dipesan setiap pelanggan. d. Mengontrol persediaan bahan baku minuman.

5. Bagian pelayananan berfungsi untuk melayani pelanggan. Tugas dan tanggung jawab:

a. Membantu dalam melayani pesanan-pesanan pelanggan.

b. Bertanggung jawab atas kebutuhan piring, sendok, gelas, menu makanan, dan sebagainya.

c. Melayani semua pesanan pelanggan.

6. Bagian adm keuangan bertugas terhadap transaksi pelanggan. Tugas dan tanggung jawab :

a. Bertanggung jawab terhadap hal-hal yang menyangkut keuangan. b. Menghitung pemasukan dan pengeluaran setiap bulannya.

c. Melayani pelanggan dalam pembayaran transaksi.

(23)

a. Bertanggung jawab terhadap kebersihan, baik di luar ataupun didalam lingkungan rumah makan.

b. Membereskan dan membersihkan peralatan makan yang telah pelanggan gunakan.

8. Bagian teknik bertugas dan bertanggung jawab terhadap semua keperluan teknisi yang ada di rumah makan.

2.1.4 Visi dan Misi

2.1.4.1 Visi Roso Echo

Visi RM. Roso Echo adalah :

1. Mendirikan rumah makan dengan suasana konsep alam.

2. Mewujudkan makanan berkualitas, dengan cita rasa makanan tradisional. 2.1.4.2 Misi Roso Echo

Misi RM. Roso Echo adalah :

1. Mengutamakan layanan serta kualitas makanan yang akan disajikan.

2. Berinovasi secara berkala, baik dalam produk maupun sistem penjualan yang diterapkan.

3. Mampu bersaing dengan rumah makan lain yang ada di dalam ataupun di luar wilayah Cirebon.

4. Mengembangan usaha rumah makan tidak hanya di wilayah Cirebon, tapi juga ke seluruh Indonesia.

2.2 Landasan Teori

2.2.1 Data

(24)

karakteristik dari suatu objek yang biasanya dikenal sebagai variabel, field, karakteristik atau fitur.

Salah satu himpunan data (data-set) adalah record data, yaitu data yang terdiri dari sekumpulan record, yang masing-masing terdiri dari satu set atribut yang tetap. Salah satu yang termasuk dalam tipe data record yaitu data transaksi. Data transaksi merupakan sebuah tipe khusus dari record data, dimana tiap record

(transaksi) meliputi satu set item [2].

Tabel 2.1 Contoh data transaksi

2.2.2 Database

2.2.2.1Pengertian Database

Database adalah susunan record data operasional lengkap dari suatu organisasi atau perusahaan yang diorganisir dan disimpan secara terintegrasi

dengan menggunakan metode tertentu dalam komputer sehingga mampu memenuhi informasi yang optimal yang dibutuhkan oleh para pengguna [3].

2.2.2.2Data pada Database dan Hubungannya Ada 3 jenis data pada sistem database, yaitu [3]:

1. Data operasional dari suatu organisasi, berupa data yang disimpan dalam

database.

2. Data masukan (input data), data dari luar sistem yang dimasukkan melalui peralatan input (keyboard) yang dapat merubah data operasional.

(25)

2.2.2.3Keuntungan dan Kerugian Pemakaian Sistem Database Keuntungan [3] :

1. Terkontrolnya kerangkapan data dan inkonsistensi. 2. Terpeliharanya keselarasan data.

3. Data dapat dipakai secara bersama-sama.

4. Memudahkan penerapan standarisasi dan batas-batas pengamanan.

5. Terpeliharanya keseimbangan atas perbedaan kebutuhan data dari setiap aplikasi.

6. Program/data independent. Kerugian :

1. Mahal dalam implementasinya. 2. Rumit/kompleks.

3. Penanganan proses recovery backup sulit.

4. Kerusakan pada sistem basis data dapat mempengaruhi.

2.2.3 Data Mining

2.2.3.1Pengertian Data Mining

Data mining adalah serangkaian proses untuk menggali nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari suatu basis data dengan melakukan penggalian pola-pola dari data dengan tujuan untuk memanipulasi data menjadi informasi yang lebih berharga, yang diperoleh dengan cara mengekstraksi dan mengenali pola yang penting atau menarik dari data yang terdapat dalam basis data.

Data mining juga dikenal dengan nama Knowledge Discovery (mining) in Database (KDD), ektraksi pengetahuan (knowledge extraction). Secara umum, definisi data mining dapat diartikan sebagai berikut [4] :

(26)

2. Ekstraksi dari suatu informasi yang berguna atau menarik (non-trivial, implisit, sebelumnya belum diketahui potensian kegunaannya) pola atau pengetahuan dari data yang di simpan dalam jumlah besar.

3. Eksplorasi dari analisa secara otomatis atau semiotomatis terhadap data-data dalam jumlah besar untuk mencari pola dan aturan yang berarti.

2.2.3.2Konsep Data Mining

Data mining sangat diperlukan terutama dalam mengelola data yang sangat besar untuk memudahkan aktifitas recording suatu transaksi dan untuk proses

data warehousing agar dapat memberikan informasi yang akurat bagi pengguna

data mining. Alasan utama data mining sangat dibutuhkan dalam industri informasi karena tersedianya data dalam jumlah yang besar dan semakin besarnya kebutuhan untuk mengubah data tersebut menjadi informasi dan pengetahuan yang berguna karena sesuai fokus bidang ilmu ini yaitu melakukan kegiatan mengekstraksi atau menambang pengetahuan dari data yang berukuran atau berjumlah besar. Informasi inilah yang nantinya sangat berguna untuk pengembangan. Berikut adalah langkah-langkah dalam data mining [4]:

(27)

1. Data cleaning yaitu untuk menghilangkah noise data yang tidak konsisten. 2. Data integration yaitu menggabungkan beberapa file atau database.

3. Data selection yaitu data yang relevan dengan tugas analisis dikembalikan ke dalam database untuk proses data mining.

4. Data transformation yaitu data berubah atau bersatu menjadi bentuk yang tepat untuk menambang dengan ringkasan performa atau operasi agresi.

5. Data mining yaitu proses esensial dimana metode yang intelejen digunakan untuk mengekstrak pola data.

6. Knowledge Discovery yaitu proses esential dimana metode yang intelejen digunakan untuk mengekstrak pola data.

7. Pattern evolution yaitu untuk mengidentifikasi pola yang benar-benar menarik yang mewakili pengetahuan berdasarkan atas beberapa tindakan yang menarik.

8. Knowledge presentation yaitu gambaran teknik visualisasi dan pengetahuan digunakan untuk memberikan pengetahuan yang telah ditambah kepada user.

2.2.3.3Tahapan Data Mining

Tahapan dalam melakukan data mining salah satunya adalah preprocessing

data. Tahapan ini biasanya diperlukan karena data yang akan digunakan belum baik, yang disebabkan oleh beberapa faktor berikut ini [5]:

1. Incomplete : tidak lengkapnya nilai suatu atribut, tidak lengkapnya atribut-atribut yang penting, atau hanya mempunyai data yang merupakan rekapitulasi.

Contoh : pekerjaan = “ ”

Hal tersebut dapat disebabkan oleh perbedaan kebijakan ketika dapat tersebut dianalisa, bisa juga disebabkan oleh permasalahan yang ditimbulkan oleh manusia, hardware¸atau software.

2. Noisy : mengandung error atau merupakan value yang tidak wajar.

Contoh : gaji “-100”

(28)

3. Inconsisten : mengandung nilai yang saling bertentangan.

Contoh : umur = “42” dan ulang tahun= “02/10/1981”

Masalah ini muncul karena perbedaan sumber data, karena pada data mining

data didapatkan dari banyak sumber dan sangat mungkin terdapat perbedaan persepsi pengolahan data. Selain itu, perbedaan ini muncul karena pelanggaran terhadap fungsional dependency, misalnya melakukan perubahan pada data yang terhubung dengan data lain.

Padahal data yang bisa diterima untuk bisa diproses menjadi informasi atau knowledge adalah data yang mempunyai kualitas diantaranya :

1. Akurat 2. Lengkap 3. Konsisten 4. Relevan 5. Bisa dipervaya

6. Mempunyai nilai tambah 7. Kemudahan untuk dimengerti

Jika data tidak dalam kualitas seperti yang telah diuraikan diatas, maka kualitas analisis data menjadi kurang sehingga hasilnya pun kurang bermakna. Hal tersebut harus dihindarkan karena hasil analisa yang salah dapat berujung pada solusi yang salah. Untuk itu, perlu dilakukan preprocessing data yang bertujuan agar membuat data menjadi lebih berkualitas. Adapun tahapan-tahapannya adalah sebagai berikut :

1. Data Cleaning : mengisi/mengganti nilai-nilai yang hilang, menghaluskan data yang noisy, mengidentifikasi dan menghilangkan data yang tidak wajar, dan menyelesaikan masalah inconsistensi data.

2. Data Integration : menggabungkan beberapa database dan file menjadi satu sehingga didapatkan sumber data yang besar.

3. Data Transformation : normalisasi dan agregasi data.

(29)

5. Data Discretization : merupakan bagian dari data reduction dengan memperhitungkan data yang signifikan, khususnya pada data numerik.

2.2.4 Assosiation Rule

Assocition rule adalah salah satu teknik utama atau prosedur dalam

Market Basket Analysis untuk mencari hubungan antar-item dalam suatu dataset

dan menampilkan bentuk association rule [10]. Association rule (aturan asosiasi) akan menemukan pola tertentu untuk mengasosiasikan data yang satu dengan data yang lain. Untuk mencari association rule dari suatu kumpulan data, tahap pertama yang harus dilakukan adalah mencari frequent itemset terlebih dahulu.

Frequent itemset adalah sekumpulan item yang sering muncul secara bersamaan. Setelah semua pola frequent itemset ditemukan, barulah mencari aturan assosiatif atau aturan keterkaitan yang memenuhi syarat yang telah ditentukan.

Jika diasumsikan bahwa barang yang dijual di swalayan adalah semesta, maka setiap barang akan memiliki boolean variabel yang akan menunjukkan keberadaannya atau tidak barang tersebut dalam satu transaksi atau satu keranjang belanja. Pola boolean yang didapat digunakan untuk menganalisa barang yang dibeli secara bersamaan. Pola tersebut dirumuskan dalam sebuah association rule. Sebagai contoh konsumen biasanya akan membeli kopi dan susu yang ditujukkan sebagai berikut :

Kopi  susu [support = 2%, confidence = 60%]

(30)

2.2.5 Algoritma A priori

2.2.5.1 Pengertian Algortima A priori

Algoritma apriori adalah salah satu algoritma yang melakukan pencarian

frequent itemset dengan menggunakan teknik association rule. Algortima apriori menggunakan pengetahuan frekuensi atribut yang telah diketahui sebelumnya untuk memproses informasi selanjutnya. Pada algoritma apriori, menentukan kandidat yang mungkin muncul dengan cara memperhatikan minimum support

dan minimum confidence. Support adalah nilai pengunjung atau persentase kombinasi sebuah item dalam database.

Nilai support sebuah item diperoleh dengan rumus sebagai berikut [11] :

Support (A) = x 100%...(2.1)

Sedangkan nilai dari support 2 item diperoleh dari rumus berikut :

Support (A,B) = x 100%...(2.2)

Sedangkan confidence adalah nilai kepastian yaitu kuatnya hubungan antar item dalam sebuah apriori. Confidence dapat dicari setelah pola frekuensi menculnya sebuah item ditemukan. Rumus untuk menghitung confidence adalah sebagai berikut :

Confidence = ...(2.3)

Proses utama yang dilakukan dalam algoritma apriori untuk mendapat

frequent itemset yaitu : 1. Join (Penggabungan)

Proses ini dilakukan dengan cara pengkombinasian item dengan item yang lainnya hingga tidak dapat terbentuk kombinasi lagi.

2. Prune (Pemangkasan)

(31)

ditentukan oleh user. Pada iterasi ke-k akan ditemukan semua itemset yang memiliki k item, disebut dengan k-itemset. Tiap iterasi terdiri dari dua tahap, yaitu :

a. Gunakan frequent (k-1) itemset untuk membangun kandidat frequent

k-itemset.

b. Gunakan scan database dan pencocokan pola untuk mengumpulkan hitungan untuk kandidat itemset.

2.2.5.2 Langkah-Langkah Proses Perhitungan Association Rule Dengan Algoritma Apriori

Proses perhitungan association rule terdiri dari beberapa tahap adalah sebagai berikut [12] :

1. Sistem men-scan database untuk mendapat kandidat 1-itemset (himpunan item

yang terdiri dari 1 item) dan menghitung nilai support-nya. Kemudian nilai

support-nya tersebut dibandingkan dengan minimum support yang telah ditentukan. Jika nilainya lebih besar atau sama dengan minimum support, maka itemset tersebut termasuk large itemset.

2. Itemset yang tidak termasuk dalam large itemset tidak diikutkan dalam iterasi selanjutnya (di pangkas).

3. Pada iterasi kedua, sistem akan menggunakan hasil large itemset pada iterasi pertama (L1) untuk membentuk kandidat itemset kedua (L2). Pada iterasi selanjutnya sistem akan menggunakan hasil large itemset pada iterasi sebelumnya (Lk-1) untuk membentuk kandidat itemset berikut (Lk). Sistem akan menggabungkan (join) Lk-1 dengan Lk-1 untuk mendapatkan Lk. Seperti pada iterasi sebelumnya sistem akan menghapus (memangkas) kombinasi

itemset yang tidak termasuk dalam large itemset.

4. Setelah dilakukan operasi join, maka pasangan itemset baru hasil proses join

(32)

5. Proses pembentuk kandidat yang terdiri dari proses penggabungan dan pemangkasan akan terus dilakukan hingga himpunan kandidat itemset-nya

null, atau sudah tidak ada lagi kandidat yang akan terbentuk.

6. Setelah itu, dari hasil frequent itemset tersebut dibentuk association rule yang memenuhi nilai support dan confidence yang telah ditentukan.

7. Pada pembentukan associaton rule, nilai yang sama dianggap sebagai satu nilai.

8. Association rule yang terbentuk harus memenuhi nilai minimum yang telah ditentukan.

9. Untuk setiap large itemset L, cari himpunan bagian L yang tidak kosong. Untuk setiap himpunan bagian tersebut, dihasilkan rule dengan bentuk aB(L-a) jika support-nya (a) lebih besar dari minimum support.

2.2.6 Lift/Improvement Ratio

Lift Ratio adalah parameter penting selain support dan confidence dalam

association rule. Lift ratio mengukur seberapa penting rule yang telah terbentuk berdasarkan nilai support dan confidence. Lift ratio merupakan nilai yang menunjukkan kevalidan proses transaksi dan memberikan informasi apakah benar

item A dibeli bersamaan dengan item B. Lift ratio dapat dihitung dengan rumus :

...(2.4)

Sebuah transaksi dikatakan valid jika mempunyai nilai lift/improvement

(33)

2.2.7 Alat-Alat Pemodelan Sistem

2.2.7.1 Diagram Konteks

Diagram konteks adalah diagram aliran data pada tingkat paling atas yang merupakan penggambaran yang berfungsi untuk memperlihatkan interaksi atau hubungan langsung antara sistem informasi dengan lingkungannya. Diagram konteks menggambarkan sebuah sistem berupa sebuah proses yang berhubungan dengan satu atau beberapa entitas/entity.

2.2.7.2 Data Flow Diagram (DFD)

Data Flow Diagram (DFD) adalah suatu alat pemodelan yang digunakan untuk memodelkan fungsi dari sistem, menggambarkan secara rinci mengenai sistem sebagai jaringan kerja antar fungsi yang berhubungan satu sama lain dengan menunjukkan dari dan kemana data mengalir serta menyimpannya. Pada umumnya dimulai dari 0,1,2,dst. Level ke-0 disebut dengan diagram konteks yang menggambarkan sistem secara global.

Komponen DFD [10]:

Data Flow/Aliran Data diwakili dengan tanda panah. Digunakan untuk menunjukkan pergerakan/aliran dari kumpulan data/informasi dari satu bagian sistem ke sistem lainnya.

Data Storage/penyimpanan data. Merupakan bagian dari DFD yang digunakan untuk menunjukkan suatu kumpulan dari paket data.

Proses, adalah bagian dari DFD yang mengubah satu atau lebih masukan menjadi keluaran-keluaran. Nama lainnya : bubble, function.

(34)

Dapat terdiri dari orang, unit terkait yang berinteraksi. Nama lainnya : terminator

2.2.7.3 Kamus Data

Kamus data adalah suatu penjelasan tertulis mengenai data yang berada dalam database. Kamus data ikut berperan dalam perancangan dan pembangunan sistem informasi karena berfungsi untuk menjelaskan arti aliran data dan menyimpan dalam menggambarkan data flow diagram, menjelaskan spesifikasi nilai dan satuan yang relevan terhadap data yang mengalir dalam sistem tersebut, mendeskripsikan komposisi paket data yang bergerak melalui aliran.

Fungsi kamus data/data dictionary [14]:

1. Menjelaskan arti aliran data dan penyimpanan data dalam DFD.

2. Mendeskripsikan komposisi paket data (elemen data) yang bergerak melalui aliran data.

3. Mendeskripsikan nilai dan satuan (struktur data) yang relevan bagi penyimpanan dan aliran.

4. Mendeskripsikan hubungan detail antar penyimpanan.

Tabel 2.2 Struktur Kamus Data

Nama Data Deskripsi Bentuk Data Struktur data

2.2.7.4 Spesifikasi Proses (Process Specification/PSPEC)

Digunakan untuk mendeskripsikan proses yang terjadi pada level paling rendah dari DFD. Hubungan DFD dengan PSPEC [14]:

1. Semua proses dalam DFD yang tidak dapat dipecah lagi dan harus didefinisikan dalam PSPEC.

2. Aliran data masuk (input) dan keluar (output) dalam DFD dan hubungan ke

(35)

3. Setiap elemen data dalam PSPEC harus : a. Nama dari aliran data atau data store.

b. Atau komponen dalam kamus data atau data store yang berhubungan dalam DFD.

Tabel 2.3 Struktur Spesifikasi Proses

No. Urut Proses Keterangan

No. Proses Nama Proses Source (Sumber) Input

Output

Destination (tujuan) Logika Proses

2.2.8 Metode Pengujian Eksperimental

Metode pengujian eksperimental adalah suatu prosedur penelitian yang dilakukan untuk mengetahui hubungan sebab akibat dua variabel atau lebih dengan mengendalikan pengaruh dari variabel lain. Metode ini dilaksanakan dengan memberikan variabel bebas secara sengaja terhadap objek penelitian untuk mengetahui akibat dari variabel yang terkait. Adapun tujuan dari metode ini adalah untuk menguji efektifitas dan efisiensi dari suatu pendekatan, metode atau teknik, sehingga dapat diketahui apakah hasil yang didapatkan dapat diterapkan dalam objek yang sebenarnya atau tidak. Dalam metode eksperimen, terdapat tiga prinsip dasar yang terdapat dalam desain eksperimen, yaitu [1]:

1. Replikasi, merupakan pengulangan dari ekperimen dasar.

2. Randomization, digunakan pada uji signifikan valid. Uji siginifikan akan valid jika pengamatan didistribusikan secara bebas yang dilakukan dengan pengambilan sampel secara acak.

3. Blocking, merupakan prinsip yang digunakan untuk mengisolasi treatment

(36)

25 BAB 3

ANALISIS DAN PERANCANGAN

3.1 Analisis Sistem

Analisis sistem didefinisikan sebagai penguraian suatu sistem informasi yang utuh kedalam beberapa bagian dengan tujuan untuk mengidentifikasi dan mengevaluasi permasalahan-permasalahan, kesempatan-kesempatan ataupun hambatan-hambatan yang terjadi untuk menghasilkan sebuah solusi guna melakukan perbaikan-perbaikan terhadap sistem yang sedang berjalan. Dalam analisa sistem ini meliputi beberapa bagian, yaitu :

1. Analisis Masalah 2. Analisis Sumber Data 3. Analisis Preprocessing Data

4. Analisis Kasus Dengan Metode Association Rule

5. Analisis Spesifikasi Kebutuhan Perangkat Lunak 6. Analisis Kebutuhan Non-Fungsional

7. Analisis Kebutuhan Fungsional

8. Data Flow Diagram (DFD) 9. Spesifikasi Proses

10.Kamus Data

3.1.1 Analisis Masalah

Berdasarkan hasil pengamatan, diketahui bahwa RM. Roso Echo menerapkan konsep prasmanan dalam pelayanannya. Namun, dalam melakukan penyusunan layout makanan prasmanannya, pihak RM. Roso Echo ini masih melakukannya secara acak dan belum adanya aturan dalam penyusunan layout

(37)

kenyamanan dan kepuasan konsumen pada saat mengambil makanan, sehingga berdampak pada pendapatan yang akan diperoleh oleh pihak pengelola RM. Roso Echo menjadi tidak maksimal pada setiap harinya. Selain itu juga, RM. Roso Echo ini belum memiliki paket makanan hemat yang dapat konsumen nikmati guna meminimalisir terjadinya antrian panjang pada waktu-waktu tertentu.

3.1.2 Analisis Sumber Data

Sumber data yang didapat dalam penelitian ini merupakan data transaksi yang terjadi di RM. Roso Echo selama bulan Oktober sampai dengan Desember 2013. Adapun detail informasi mengenai data transaksi yang digunakan dapat dilihat dalam tabel 3.1 dibawah ini.

Tabel 3.1 Struktur Data transaksi

Dokumen Keterangan

Detail data transaksi Deskripsi : Data ini berisi mengenai transaksi yang terjadi di RM. Roso Echo

Fungsi : Untuk mengetahui jenis makanan yang sering diminati

oleh konsumen.

Format : Microsoft excel (.xls)

Atribut : No Nomor urut

NoTable Nomor meja

NoBill Nomor struk

Date Tanggal pencetakan struk

Server Nama kasir

Time Waktu pencetakan struk

Cetak Pencetak struk

NamaMenu Nama menu yang dibeli

Kategori Kategori menu yang di beli

Qty Jumlah menu yang dibeli

Harga Harga dikalikan dengan qty

SubTotal Total harga menu yang di beli

Pajak Pajak dari rumah makan

GrandTotal Jumlah yang harus dibayar

Cash Jumlah uang yang dibayarkan

ChangeDue Jumlah uang kembalian

Berikut adalah contoh data transaksi sebanyak 20 transaksi yang terjadi di RM. Roso Echo yang akan digunakan untuk proses perhitungan metode

(38)

nama menu, kategori, qty, harga, subtotal, pajak, grabd total, cash, change due. Untuk lebih jelasnya, dapat dilihat pada tabel dibawah ini.

(39)

3.1.3 Analisis Preprocessing Data

Preprocessing data adalah hal yang harus dilakukan dalam proses data mining, karena tidak semua data atau atribut data dalam data digunakan dalam proses data mining. Proses ini dilakukan agar data yang akan digunakan sesuai dengan kebutuhan. Adapun tahapan-tahapan preprocessing data dalam penelitian ini adalah sebagai berikut :

1. Ekstraksi data

(40)

selanjutnya ataupun untuk menyimpan data hasil ekstak tersebut. Dalam penelitian ini, data yang berasal dari flat file berformat microsoft excel (.xls) di ekstrak, kemudian disimpan kedalam sebuah database agar memudahkan dalam proses pengolahan data.

2. Pembersihan data

Proses menghilangkan noise dan menghilangkan data tidak relevan atau inkonsisten disebut pembersihan data. Dalam penelitian ini yaitu menghilangkan data transaksi yang memiliki kategori jenis minuman dan jenis lain-lain. Berikut adalah hasil proses pembersihan data tabel 3.2.

(41)

3. Pemilihan atribut

Pemilihan atribut adalah proses pemilihan atribut data yang akan digunakan, sehingga data tersebut dapat di proses sesuai dengan kebutuhan data mining. Dalam penelitian ini, atribut yang digunakan adalah atribut NoBill dan NamaMenu.

Tabel 3.4 Hasil Pemilihan Atribut

NoBill NamaMenu

006095 Tumisan/Sayur/Urap/Mie 006095 Cumi

006095 Garang Asam 006095 Gorengan/Bacem 006095 Ayam Bakar/Cabe Ijo 006095 Oseng Jamur

006095 Sambal Goreng Daging/Tlr Puyuh 006097 Gorengan/Bacem

006097 Cumi

006097 Nilai Bumbu Acar 006097 Oseng Jamur 006107 Gorengan/Bacem 006107 Ayam Bakar/Cabe Ijo

006107 Sambal Goreng Daging/Tlr Puyuh 006107 Opor Ayam

006107 Oseng Jamur

006115 Ayam Bakar/Cabe Ijo 006115 Oseng Jamur

006115 Tumisan/Sayur/Urap/Mie 006115 Opor Ayam

006115 Sate Jamur

006115 Sambal Goreng Daging/Tlr Puyuh 006116 Ayam Bakar/Cabe Ijo

006116 Sambal Goreng Daging/Tlr Puyuh 006116 Tumisan/Sayur/Urap/Mie

006116 Oseng Jamur 006116 Sate Ati Ampela 006123 Ayam Bakar/Cabe Ijo 006123 Sate Jamur

006123 Tumisan/Sayur/Urap/Mie 006146 Tumisan/Sayur/Urap/Mie 006146 Cumi

006146 Ayam Bakar/Cabe Ijo 006160 Ayam Bakar/Cabe Ijo 006160 Oseng Jamur

006183 Daging Gepuk

006183 Tumisan/Sayur/Urap/Mie 006183 Oseng Jamur

006183 Gorengan/Bacem 006183 Ayam Bakar/Cabe Ijo 006183 Cumi

(42)

006187 Cumi

006187 Sambal Goreng Krecek 006190 Oseng Jamur

006190 Cumi

006190 Gorengan/Bacem 006190 Tumisan/Sayur/Urap/Mie

006190 Sambal Goreng Daging/Tlr Puyuh 006193 Tumisan/Sayur/Urap/Mie

006193 Sambal Goreng Daging/Tlr Puyuh 006193 Opor Ayam

006196 Ayam Bakar/Cabe Ijo 006196 Gorengan/Bacem 006196 Tumisan/Sayur/Urap/Mie 006215 Sate Jamur

006215 Gorengan/Bacem

006215 Sambal Goreng Daging/Tlr Puyuh 006255 Gorengan/Bacem

006255 Oseng Jamur

006255 Sambal Goreng Daging/Tlr Puyuh 006255 Cumi

006288 Daging Gepuk

006288 Gorengan/Bacem 006288 Ayam Bakar/Cabe Ijo 006291 Ayam Bakar/Cabe Ijo 006291 Gorengan/Bacem

006291 Sambal Goreng Daging/Tlr Puyuh 006307 Cumi

006312 Tumisan/Sayur/Urap/Mie 006312 Garang Asam

006315 Ayam Bakar/Cabe Ijo 006315 Oseng Jamur

006315 Tumisan/Sayur/Urap/Mie

3.1.4 Analisis Kasus Dengan Metode Association Rule

Penelitian ini bertujuan untuk mendapatkan informasi mengenai susunan

layout makanan prasmanan yang sebaiknya diterapkan di RM. Roso Echo sesuai dengan pola kebiasaan konsumen dalam mengambil ataupun memilih makanan dan juga untuk membentuk paket makanan hemat yang dapat ditawarkan oleh pihak pengelola RM. Roso Echo kepada konsumen dengan menggunakan metode data mining association rule dengan cara menemukan aturan asosiatif atau pola kombinasi makanan berdasarkan data transaksi, sehingga dapat diketahui makanan apa saja yang sering dibeli secara bersamaan oleh konsumen.

(43)

1. Dari data hasil preprocessing yang telah dilakukan, selanjutnya akan diproses untuk mencari data kandidat itemset (Ck).

2. Apabila kandidat itemset telah ditemukan, maka data kandidat itemset tersebut akan di simpan ke dalam database Ck untuk dilakukan perhitungan nilai

support dengan menggunakan persamaan 2.1 yang ada pada bab 2.

3. Setiap kandidat itemset yang memiliki nilai support lebih kecil dari nilai

minimum support yang telah ditentukan, maka akan diabaikan dan tidak akan digunakan untuk proses selanjutnya. Nilai minimum support ditentukan sesuai keinginan pengguna yang akan memproses data tersebut dengan rentang nilai antara 0 sampai 100 persen.

4. Kandidat itemset yang memiliki nilai support sama dengan atau lebih besar dari nilai minimum support, selanjutnya akan disimpan kedalam database large candidate (Lk) untuk dilakukan proses penggabungan dari setiap itemset yang ada pada database Lk.

5. Selanjutnya dari hasil penggabungan itemset, hitung kembali nilai support

yang dihasilkan dari setiap k-itemset tersebut dengan menggunakan persamaan 2.2 yang ada pada bab 2.

6. Lakukan proses pemangkasan terhadap itemset yang memiliki nilai support

lebih kecil dari nilai minimum support.

7. Lakukan proses 4 sampai 6 secara berulang hingga tidak ada lagi itemset yang dapat dilakukan proses penggabungan atapun pemangkasan, sehingga menghasilkan data frequent itemset.

Setelah data frequent itemset ditemukan proses selanjutnya adalah penentuan association rule yang terbentuk. Berikut adalah tahapan-tahapannya: 1. Dari setiap data frequent itemset yang telah didapat dari proses algoritma

apriori, selanjutnya akan dilakukan proses perhitungan nilai confidence

dengan menggunakan persamaan 2.3 yang ada pada bab 2 untuk menghasilkan data association rule, dimana nilai confidence dapat ditentukan oleh pengguna dengan rentang nilai 0 sampai dengan 100 persen.

(44)

dipangkas (tidak digunakan lagi). Sementara data itemset yang memenuhi standar nilai confidence, akan dijadikan assosiation rule untuk penentuan

layout makanan dan paket makanan hemat.

Dari data association rule yang dihasilkan, selanjutnya akan dilakukan perhitungan nilai lift untuk mengetahui tingkat kekuatan dan keakuratan data

assosiation rule yang akan digunakan untuk paket makanan hemat. Berikut tahapannya:

1. Hitung nilai support A, nilai support B dan nilai support A∩B dari masing -masing data association rule, dimana A melambangkan jika dan B melambangkan maka (A  B) dan A∩B adalah data yang mengandung keduanya (item A dan item B).

2. Hitung nilai lift dari setiap data association rule dengan menggunakan persamaan 2.4 yang ada pada bab 2.

3. Pangkas data assocition rule yang memiliki nilai lift kurang dari sama dengan 1. Data association rule yang memiliki nilai lift yang tidak memenuhi syarat, tidak akan direkomendasikan untuk paket makanan hemat.

4. Data association rule yang memiliki nilai lift lebih besar dari 1, akan direkomendasikan untuk pembentukan paket makanan hemat.

3.1.5 Contoh Kasus

Contoh kasus yang akan dijelaskan dalam subbab ini menggunakan algoritma apriori untuk mencari frequent itemset-nya. Adapun tahapan proses pengerjaan algoritma apriori dalam penelitian ini adalah sebagai berikut :

1. Data yang digunakan adalah data hasil preprocessing.

Berikut adalah data hasil preprocessing yang digambarkan dalam bentuk format data tabular, dimana menu makanan yang memiliki nilai “1” merepresentasikan bahwa menu makanan tersebut dibeli oleh konsumen,

sedangkan menu makanan yang memiliki nilai “0” merepresentasikan bahwa

(45)

Tabel 3.5 Data hasil processing dalam bentuk tabular

Dan berikut adalah daftar menu makanan (item) yang dibeli oleh konsumen berdasarkan data transaksi pada tabel 3.5.

Tabel 3.6 Item-item yang dibeli

Item yang dibeli

Ayam Bakar/Cabe Ijo Cumi

Daging Gepuk Garang Asam Gorengan/Bacem Nila Bumbu Acar

Opor Ayam Oseng Jamur

Sambal Goreng Daging/Tlr Puyuh Sambal Goreng Krecek

Sate Ati Ampela Sate Jamur

Tumisan/Sayur/Urap/Mie

2. Di misalkan nilai minimum support yang digunakan dalam contoh kasus ini adalah sebesar 30% yang diambil dari hasil perhitungan rata-rata 1 itemset

yaitu = = 6,23 ≈ 6 transaksi atau (6/20)* 100% = 30%.

(46)

Tabel 3.7 Kandidat 1-itemset (C1)

NamaMenu Support Count Nilai Support

Ayam Bakar/Cabe Ijo 13 (13/20)*100% = 65%

Cumi 11 (11/20)*100% = 55%

Daging Gepuk 2 (2/20)*100% = 10%

Garang Asam 2 (2/20)*100% =10%

Gorengan/Bacem 11 (11/20)*100% =55%

Nila Bumbu Acar 1 (1/20)*100% = 5%

3. Hilangkan data yang memiliki nilai support kurang dari minimum support

yang ditentukan. Dapat dilihat pada tabel 3.7 diatas terdapat calon kandidat

1-itemset yang memiliki nilai support lebih kecil dari nilai minimal support

(minsup), sehingga perlu dihilangkan pada tabel 3.8.

Tabel 3.8 Large 1-Itemset (L1)

NamaMenu Support Count Nilai Support

(47)

NamaMenu Support

Gorengan/Bacem  Sambal Goreng Daging/Tlr Puyuh 6 (6/20) *100% = 30%

Gorengan/Bacem  Tumisan/Sayur/Urap/Mie 6 (6/20) *100% = 30%

Oseng Jamur  Sambal Goreng Daging/Tlr Puyuh 6 (6/20) *100% = 30%

Oseng Jamur  Tumisan/Sayur/Urap/Mie 7 (7/20) *100% = 35%

Sambal Goreng Daging/Tlr Puyuh 

5 (5/20) *100% = 25%

5. Setelah nilai support dari setiap kombinasi 2-itemset didapat, maka dapat diketahui kombinasi makanan mana saja yang tidak memenuhi nilai minimum support, sehingga harus dihilangkan pada tabel 3.10.

Tabel 3.10 Large 2-itemset (L2)

NamaMenu Supp.count Nilai Support

Ayam Bakar/Cabe Ijo  Cumi 7 (7/20) *100% = 35%

Ayam Bakar/Cabe Ijo Gorengan/Bacem 7 (7/20) *100% = 35%

Ayam Bakar/Cabe Ijo  Oseng Jamur 7 (7/20) *100% = 35%

Ayam Bakar/Cabe Ijo Tumisan/Sayur/Urap/Mie 11 (11/20*100% = 55%

Cumi  Gorengan/Bacem 7 (7/20) *100% = 35%

Cumi  Oseng Jamur 7 (7/20) *100% = 35%

Cumi  Tumisan/Sayur/Urap/Mie 8 (8/20) *100% = 40%

Gorengan/Bacem  Oseng Jamur 6 (6/20) *100% = 30%

Gorengan/Bacem  Sambal Goreng Daging/Tlr Puyuh 6 (6/20) *100% = 30%

Gorengan/Bacem  Tumisan/Sayur/Urap/Mie 6 (6/20) *100% = 30%

Oseng Jamur  Sambal Goreng Daging/Tlr Puyuh 6 (6/20) *100% = 30%

Oseng Jamur  Tumisan/Sayur/Urap/Mie 7 (7/20) *100% = 35%

6. Proses selanjutnya adalah gabungkan kembali kombinasi menu makanan yang ada pada tabel 3.10 untuk menghasilkan kandidat 3-itemset, kemudian hitung nilai support-nya. Kombinasi makanan yang dapat digabungkan adalah kombinasi-kombinasi makanan yang memiliki kesamaan pada k-1 makanan pertama. Berikut adalah hasil penggabungan menu makanan 3-itemset:

Tabel 3.11 Kandidat 3-itemset (C3)

NamaMenu Supp. count Nilai Support

Ayam Bakar/Cabe Ijo, Cumi Gorengan/Bacem 4 (4/20) *100% = 20%

Ayam Bakar/Cabe Ijo, Cumi Oseng Jamur 4 (4/20) *100% = 20%

(48)

Ayam Bakar/Cabe Ijo, Gorengan/Bacem Oseng Jamur 3 (3/20) *100% = 15%

Ayam Bakar/Cabe Ijo, Gorengan/Bacem

Tumisan/Sayur/Urap/Mie

5 (5/20) *100% = 25%

Ayam Bakar/Cabe Ijo, Oseng Jamur

6 (6/20) *100% = 30%

Ayam Bakar/Cabe Ijo, Sambal Goreng Daging/Tlr

Puyuh Tumisan/Sayur/Urap/Mie

3 (3/20) *100% = 15%

Cumi, Gorengan/Bacem Oseng Jamur 5 (5/20) *100% = 25%

Cumi, Gorengan/Bacem Tumisan/Sayur/Urap/Mie 5 (5/20) *100% = 25%

Cumi, Oseng Jamur Tumisan/Sayur/Urap/Mie 5 (5/20) *100% = 25%

Gorengan/Bacem, Oseng Jamur  Sambal Goreng

Daging/Tlr Puyuh

4 (4/20) *100% = 20%

Gorengan/Bacem, Oseng Jamur 

3 (3/20) *100% = 15%

Gorengan/Bacem, Sambal Goreng Daging/Tlr Puyuh 

2 (2/20) *100% = 10%

Oseng Jamur, Sambal Goreng Daging/Tlr Puyuh

4 (4/20) *100% = 20%

7. Dari hasil perhitungan nilai support pada tabel kandidat 3-itemset diatas, dapat diketahui nilai support yang tidak memenuhi nilai minimum support sehingga harus dihilangkan pada tabel 3.12.

Tabel 3.12 Large 3-itemset (L3)

Ayam Bakar/Cabe Ijo, Cumi Tumisan/Sayur/Urap/Mie 7 (7/20) *100% = 35%

6 (6/20) *100% = 30%

8. Hasil pada tabel 3.12 menunjukkan bahwa sudah tidak ada kombinasi makanan yang dapat di lakukan penggabungan kembali, sehingga proses pencarian itemset berhenti.

9. Setelah didapatkan frequent itemset yang lebih besar atau sama dengan nilai

minimum support, maka langkah selanjutnya adalah menghitung nilai

confidence dari frequent itemset tersebut dengan menggunakan persamaan 2.3 yang terdapat dalam bab 2. Dalam contoh kasus ini di misalkan nilai minimum

confidence yang digunakan adalah hasil perhitungan rata-rata nilai cofidence

(49)

10.Hitung nilai confidence dari hasil tabel 3.10. Berikut hasil perhitungannya, dimana perhitungan nilai confidence yang memiliki hasil berupa nilai desimal dengan ketentuan jika nilai angka dibelakang koma lebih besar sama dengan lima, maka akan dibulatkan ke atas, sedangkan nilai angka yang dibelakang koma lebih kecil dari lima akan dibulatkan ke bawah.

Tabel 3.13 Hasil Perhitungan Nilai Confidence L2

NamaMenu Nilai Support Nilai Confidence

Ayam Bakar/Cabe Ijo  Cumi 35% (7/13) *100% = 54%

Gorengan/Bacem  Sambal Goreng Daging/Tlr Puyuh

30% (6/11) *100% = 54%

(50)

11.Dapat dilihat bahwa pada tabel 3.13 terdapat data kombinasi makanan

2-itemset yang memiliki nilai confidence lebih kecil dari minumum confidence

sehingga perlu dihilangkan pada tabel 3.14.

Tabel 3.14 Nilai Confidence (Cf1)

NamaMenu Nilai Support Nilai Confidence

Cumi  Ayam Bakar/Cabe Ijo 35% (7/11) *100% = 64%

Gorengan/Bacem

30% (6/9) *100% = 67%

Sambal Goreng Daging/Tlr Puyuh  Oseng Jamur 30% (6/9) *100% = 67%

Oseng Jamur  Tumisan/Sayur/Urap/Mie 35% (7/10) *100% = 70%

12.Hitung kembali nilai confidence dari data yang ada pada tabel 3.12. Berikut hasil perhitungan yang diperoleh:

Tabel 3.15 Hasil Perhitungan Nilai Confidence L3

NamaMenu Nilai

6/20 = 30% (6/7) *100% = 86%

Ayam Bakar/Cabe Ijo, Tumisan/Sayur/Urap/Mie  Oseng Jamur

6/20 = 30% (6/11) *100% = 54%

Tumisan/Sayur/Urap/Mie, Oseng Jamur  Ayam

Bakar/Cabe Ijo

(51)

13.Dari hasil perhitungan nilai confidence pada tabel 3.15 dapat diketahui bahwa masih terdapat data 3-itemset yang memiliki nilai confidence lebih kecil dari

minimum confidence, sehingga harus dihilangkan.

Tabel 3.16 Nilai Confidence (Cf2)

NamaMenu Nilai

6/20 = 30% (6/7) *100% = 86%

Tumisan/Sayur/Urap/Mie, Oseng Jamur  Ayam

Bakar/Cabe Ijo

6/20 = 30% (6/7) *100% = 86%

14.Terakhir, dari hasil perhitungan nilai confidence dari setiap itemset tersebut dapat diketahui kandidat yang kuat dalam menentukan kombinasi makanan dengan mengkalikan nilai support dengan nilai confidence, sehingga akan dihasilkan aturan asosiasi sebagai berikut:

Tabel 3.17 Aturan Asosiasi

NamaMenu Nilai Support Nilai Confidence Support x Confidence

Cumi  Ayam Bakar/Cabe Ijo 7/20 = 35% 7/11 = 64% 22,4%

Gorengan/Bacem  Ayam Bakar/Cabe

Ijo

Tumisan/Sayur/Urap/Mie  Ayam

Bakar/Cabe Ijo

Gorengan/Bacem

6/20 = 30% 6/9 = 67% 20,1%

Oseng Jamur

6/20 = 30% 6/9 = 67% 20,1%

Oseng Jamur  Tumisan/Sayur/Urap/Mie 7/20 = 35% 7/10 = 70% 26,2%

Ayam Bakar/Cabe Ijo, Cumi

7/20 = 35% 7/7 = 100% 35%

Ayam Bakar/Cabe Ijo,

Tumisan/Sayur/Urap/Mie  Cumi

7/20 = 35% 7/11 = 64% 22,4%

(52)

Bakar/Cabe Ijo

6/20 = 30% 6/7 = 86% 25,8%

Tumisan/Sayur/Urap/Mie, Oseng Jamur 

Ayam Bakar/Cabe Ijo

6/20 = 30% 6/7 = 86% 25,8%

15.Urutkan nama menu yang memiliki hasil perkalian nilai support dengan nilai

confidence mulai dari yang tertinggi hingga terendah. Berikut adalah hasilnya:

Tabel 3.18 Aturan Association Rule Berdasarkan Support x Confidence

NamaMenu Nilai Support Nilai Confidence Support x Confidence

Ayam Bakar/Cabe Ijo

11/20 = 55% 11/13 = 85% 47,7%

Tumisan/Sayur/Urap/Mie  Ayam

Bakar/Cabe Ijo

11/20 = 55% 11/14 = 78% 42,9%

7/20 = 35% 7/7 = 100% 35%

Tumisan/Sayur/Urap/Mie, Cumi  Ayam

Bakar/Cabe Ijo

6/20 = 30% 6/7 = 86% 25,8%

Tumisan/Sayur/Urap/Mie, Oseng Jamur 

Ayam Bakar/Cabe Ijo

6/20 = 30% 6/7 = 86% 25,8%

Ayam Bakar/Cabe Ijo,

7/20 = 35% 7/11 = 64% 22,4%

Cumi  Ayam Bakar/Cabe Ijo 7/20 = 35% 7/11 = 64% 22,4%

Gorengan/Bacem  Ayam Bakar/Cabe

Ijo

7/20 = 35% 7/11 = 64% 22,4%

Cumi  Gorengan/Bacem 7/20 = 35% 7/11 = 64% 22,4%

Gorengan/Bacem  Cumi 7/20 = 35% 7/11 = 64% 22,4%

Cumi  Oseng Jamur 7/20 = 35% 7/11 = 64% 22,4%

Gorengan/Bacem

6/20 = 30% 6/9 = 67% 20,1%

Oseng Jamur

6/20 = 30% 6/9 = 67% 20,1%

(53)

perhitungan nilai support dikali nilai confidence tertinggi, dan berikut adalah hasilnya :

Tabel 3.19 Susunan Layout Makanan Prasmanan

No NamaMenu

6 Sambal Goreng Daging/Tlr Puyuh

17.Setelah penentuan layout makanan prasmanan telah diketahui, selanjutnya hitung nilai lift untuk menentukan paket makanan hemat, dimana kombinasi makanan yang diinginkan oleh pihak pengelola RM. Roso Echo adalah sebanyak 3 kombinasi, sehingga lakukan perhitungan nilai lift dari hasil perhitungan nilai confidence yang berisi 3-itemset. Berikut perhitungan dari data yang ada pada tabel 3.16 dengan menggunakan persamaan 2.3 yang ada pada bab 2:

Tabel 3.20 Perhitungan Nilai Lift

NamaMenu Support

35% 70% 35% (35%)/(35%*70%)

= 1,4 Ayam Bakar/Cabe Ijo,

55% 55% 35% (35%)/(55%*55%) Ayam Bakar/Cabe Ijo, Oseng Jamur

35% 70% 30% (30%)/(35%*70%)

= 1,2 Tumisan/Sayur/Urap/Mie, Oseng

Jamur  Ayam Bakar/Cabe Ijo

35% 65% 30% (30%)/(35%*65%)

= 1,3

(54)

dituliskan satu kali saja dengan memilih menu makanan yang memiliki nilai

lift terbesar. Sedangkan jika paket makanan hemat berisi menu makanan yang berbeda namun memiliki nilai lift yang sama, maka semua paket makanan hemat tersebut akan dipilih. Berikut adalah hasilnya :

Tabel 3.21 Paket Makanan Hemat yang terbentuk

No NamaMenu

1 Ayam Bakar/Cabe Ijo, Cumi Tumisan/Sayur/Urap/Mie

2 Tumisan/Sayur/Urap/Mie, Oseng Jamur  Ayam Bakar/Cabe Ijo

19.Pada tabel 3.21 dapat diketahui bahwa paket makanan yang terbentuk hanya terdiri dari dua jenis, sedangkan pihak pengelola RM. Roso Echo menginginkan banyaknya jenis paket makanan hemat yang ditawarkan adalah sebanyak lima jenis, sehingga nilia minimum support dan nilai minimum confidence sebaiknya lebih diperkecil lagi.

3.1.6 Analisis Spesifikasi Kebutuhan Perangkat Lunak

Spesifikasi kebutuhan perangkat lunak adalah kebutuhan-kebutuhan apa saja yang diperlukan untuk membangun sebuah perangkat lunak sesuai dengan kebutuhan penggunanya. Ada dua bagian dalam spesifikasi kebutuhan perangkat lunak, yaitu SKPL-F (spesifikasi kebutuhan perangkat lunak fungsional) dan SKPL-NF (spesifikasi kebutuhan perangkat lunak non-fungsional). Spesifikasi kebutuhan perangkat lunak dalam penelitian ini adalah sebagai berikut:

3.1.6.1 Spesifikasi kebutuhan perangkat lunak untuk kebutuhan pengguna Spesifikasi kebutuhan perangkat lunak untuk kebutuhan pengguna digunakan untuk mengetahui kebutuhan apa saja yang pengguna inginkan dari sistem yang akan dibangun.

Tabel 3.22 SKPL User Requirement

Kode Kebutuhan

SKPL-F1 Sistem menyediakan layanan import data dari file .xls

SKPL-F2 Sistem dapat menampilkan isi data dari file.xls yang di import.

SKPL-F3 Sistem dapat menemukan dan menampilkan susunan layout makanan yang

(55)

SKPL-F4 Sistem dapat menemukan paket makanan yang dapat di bentuk sesuai dengan

jumlah kombinasi makanan dan jumlah jenis paket makanan hemat yang manager inginkan.

3.1.6.2 Spesifikasi kebutuhan perangkat lunak untuk kebutuhan sistem Spesifikasi kebutuhan perangkat lunak untuk kebutuhan sistem digunakan untuk mengetahui proses apa saja yang harus dilakukan dalam sistem agar dapat memenuhi kebutuhan manager.

Tabel 3.23 SKPL System Requirement

SKPL-F1 Data yang digunakan untuk proses import data adalah data transaksi penjualan berformat .xls

SKPL-F2 1. Sistem dapat menyimpan data import berformat . xls ke dalam database. 2. Sistem dapat melakukan preprocessing data terhadap data yang telah di

import.

3. Sistem dapat menampilkan jumlah transaksi yang ada pada file yang di import.

4. Sistem dapat menampilkan jumlah kemunculan minimum transaksi

berdasarkan rata-rata 1 itemset.

5. Sistem dapat menampilkan jumlah makanan yang direkomendasikan

berdasarkan rata-rata nilai confidence 2 itemset.

6. Sistem dapat menghitung support count dan nilai support dari setiap k-itemset

7. Sistem dapat melakukan pemangkasan terhadap k-itemset yang memiliki nilai support lebih kecil dari jumlah kemunculan minimum.

8. Sistem dapat menghitung nilai confidence dari setiap k-itemset.

9. Sistem dapat melakukan pemangkasan terhadap k-itemset yang memiliki nilai confidence lebih kecil dari jumlah makanan yang direkomendasikan. 10.Sistem dapat menemukan k-itemset yang memiliki nilai support dan nilai

confidence tertinggi hingga terendah untuk menentukan layout makanan.

11.Sistem dapat memasukkan jumlah kombinasi makanan dan yang

diinginkan untuk paket makanan.

12.Sistem dapat memasukkan jumlah jenis paket makanan hemat yang diinginkan.

13.Sistem dapat menghitung nilai lift/improvementratio dari tiap item atau k-itemset.

3.1.7 Analisis Kebutuhan Non Fungsional