1 LATAR BELAKANG DAN MASALAH

1.1 LATAR BELAKANG MASALAH

1.2

RUMUSAN MASALAH

Berdasarkan dari latar belakang penelitian tersebut maka penulis dapat mengidentifikasi

beberapa masalah yang akan diteliti adalah:

1. Bagaimana mengelola data pelanggan yang terdaftar dalam aplikasi e-commerce?

2. Bagaimana mengelola data produk yang di jual dan menampilkannya dalam catalog yang

tersusun rapid an di kelompokkan dalam beberapa kategori sehingga pelanggan dapat

mencari produk yang di inginkan dengan nyaman?

3. Bagaimana sistem dapat menganalisis profil pelanggan sehingga dapat mempromosikan

produk yang tepat kepada pelanggan?

4. Bagaimana sistem dapat membuat laporan hasil penjualan, keuntungan yang di dapat dan

menganalisis tingkat laku atau tidaknya suatu produk yang di jual?

1.3

BATASAN MASALAH

Dengan maksud agar pembahasan dan penyusunan laporan tugas ini dapat dilakukan secara

terarah dan tidak menyimpang serta sesuai dengan apa yang diharapkan. Batasan-batasan

masalah antara lain :

1. Sistem yang di bangun berbasis web

1.4

TUJUAN

Tujuan dari tugas akhir ini adalah untuk membuat sebuah sistem yang diharapkan dapat

meningkatkan penjualan toko sumber ilmu dan memperluas pangsa pasar karena dapat di akses

oleh semua orang.

1.5 MANFAAT

Bagi Toko Sumber Ilmu

 Permasalahan kapasitas ruang dapat teratasi.

 Pangsa Pasar menjadi luas karena dapat di akses oleh semua orang.

1.6 STUDI PUSTAKA

Menurut pendapat Rayport dan Jaworski, e-commerce adalah pertukaran yang dimediasi oleh

teknologi antara beberapa kelompok (individual atau organisasi) secara elektronik berbasiskan

aktivitas intraorganisasional atau interorganisasional yang menfasilitasi pertukaran tersebut.

Sedangkan menurut pendapat Award, e-commerce adalah pemasaran, pembelian, dan penjualan

produk atau jasa pada internet. E-commerce dapat didefinisikan dalam beberapa perspektif,

antara lain :

 Perspektif komunikasi

Pada perspektif ini e-commerce merupakan kemampuan untuk menyampaikan produk,

jasa, informasi atau pembayaran via networks seperti internet atau www.

 Perspektif interface

 Perspektif proses bisnis

E-commerce melibatkan aktivitas yang secara langsung mendukung perdagangan secara

elektronik dengan menggunakan koneksi network

 Perspektif online

E-commerce adalah lingkungan elektronik yang memungkinkannya untuk membeli dan

menjual produk, jasa, dan informasi pada internet.

 Perspektif structural

E-commerce melibatkan banyak media seperti data, teks, web page, internet, telephony,

dan desktop video.

1. Elemen-elemen E-commerce

Yang termasuk dalam element-element e-commerce :

1.1 Networking

Networking atau jaringan merupakan beberapa computer yang saling berhubungan dan

saling tukar menukar informasi dan terkoneksi melalui sebuah kartu jaringan dan jalur

komunikasi,yang terdiri dari jaringan local atau lebih dikenal dengan LAN dan jaringan

internet yang banyak digunakan untuk jaringan LAN atau lokal terdapat berbagai jenis

jaringan seperti jaringan Bus, Token, Star, dan yang lain yang cocok untuk digunakan,

selain itu juga jaringan merupakan bagian yang penting untuk mementukan baik atau

tidaknya suatu jaringan, untuk dapat diakses dalam jaringan baik jaringan lokal maupun

2.1 Security (keamanan)

Security atau keamanan merupakan bagian yang penting, karena menyangkut masalah

keamanan data user dan juga keamanan server kita, masalah seperti enkripsi data pada

saat transaksi memakai kartu kredit.

3.1 Web programming dan web design

Kedua masalah ini dalam pelaksanaannya dapat dikerjakan oleh satu orang atau dibagi

dua, untuk web programming dikhususkan dalam bahasa pemrogramman dan untuk web

design khususnya untuk mendesain halaman web atau penganturan gambar,warna

maupun tata letak suatu web dari segi keindahan dan dinamis.

4.1 Bussiness Online

Maksud dari business online ini yaitu menyangkut bagaimana cara pengolahan

perusahaan mulai dari manajemen, administrasi keuangan dan lainnya, yang semua itu

merupakan suatu strategi dalam menarik konsumen atau pelanggan untuk datang ke toko.

5.1 Cyberlaw

Cyberlaw merupakan hukum yang mengatur pelanggan didunia internet,seperti mencuri

nomer kartu kredit yang merupakan kejahatan internet, cyberlaw ini harus didikung oleh

pihak yang berwajib dinegara kita, karena apabila di negara kita belum diterapkan sistem

cyberlaw, maka para pelanggan akan berpindah tempat untuk menjaga keamanan mereka.

2. Sistem Rekomendasi

Sistem Rekomendasi adalah sebuah perangkat lunak yang menawarkan suatu pilihan suatu

sebuah rekomendasi yang sesuai dengan individu pengguna. Sistem Rekomendasi telah

digunakan pada beberapa bidang, termasuk e-commerce, pendidikan dan organisasi manajemen

pengetahuan.

Sistem Rekomendasi dapat dikategorikan kedalam teknologi sistem informasi, yaitu

sebagai jenis sistem pendukung keputusan (SPK) untuk konsumen (Grenci dan Todd 2002).

Ketika menggunakan system rekomendasi, pelanggan menyediakan masukan pada sistem

( yaitu, kebutuhan dan kendala terkait dengan produk yang diinginkan atau penilaian yang

dilakukan sebelumnya terhadap sebuah produk ) untuk digunakan sebagai kriteria dalam mencari

produk dan menghasilkan saran dan rekomendasi bagi pelanggan.

Sistem rekomendasi juga menunjukan kesamaan dengan sistem berbasis pengetahuan (KBS)

karena diperlukan untuk menjelaskan penalaran yang dilakukan kepada pengguna sehingga

mereka akan mempercayai kompetensi dari system rekomendasi tersebut dan menerima

rekomendasi yang di berikan (Gregor dan Benbasat 1999; wang dan benbasat 2004). Selain itu,

system rekomendasi dirancang untuk memahami individu kebutuhan pengguna tertentu

(pelanggan) yang mereka layani. Keyakinan pengguna tentang sejauh mana sistem memahami

mereka..

Dalam menyediakan sebuah produk yang sesuai dengan selera atau minat pengguna, system

rekomendasi menggunakan sebuah algoritma prediksi beberapa diantaranya adalah berbasis

pengguna dan berbasis item. Sebuah rekomendasi perlu menggunakan algoritma prediksi secara

efisien sehingga akan memberikan sebuah rekomendasi yang akurat kepada pengguna. Jika

pengguna menyukai sebuah item, maka rekomendasi didefinisikan sebagai daftar item n

sehubungan dengan puncak-n prediksi dari set item yang tersedia.

2.1 Pendekatan Algoritma Rekomendasi

Ada beberapa metode yang umum untuk merumuskan rekomendasi keduanya, yaitu

pendekatan berbasis konten (Ballabanovic dan Sholam, 1997;. Kalles et al, 2003), dan

colaborative filtering (Herlocker et al, 2000;. Hofmann, 2003).

Algoritma colaborative filtering didasarkan pada tujuan untuk mengidentifikasi pengguna

yang memiliki kepentingan dan preferensi yang relevan dengan menghitung persamaan dan

perbedaan antara profil pengguna (Herlocker et al, 2004). Ide di balik metode ini, mungkin

bermanfaat untuk berkonsultasi dengan perilaku pengguna lain yang berbagi minat yang sama

atau relevan dan yang pendapatnya dapat dipercaya.

Disebut kolaboratif atau sosial karena sistem ini benar-benar memanfaatkan kesamaan

minat pengguna untuk memberikan informasi yang sesuai dan spesifik untuk setiap individu

Profil atau preferensi pengguna ini berisi penilaian pengguna tersebut terhadap item-item

yang telah ditemui sebelumnya.

Metode ini pertama kali diimplementasikan oleh Patty Maes, et. Al, dengan mengatakan

bahwa sistem dengan metode ini mampu melakukan otomatisasi proses penyampaian

rekomendasi secara word of mouth (mulut ke mulut), yang terjadi ketika seseorang untuk

mendapatkan rekomendasi. Prinsipnya, system ini menggunakan korelasi statistic untuk menilai

kemiripan pengguna satu dengan yang lain, kemudian memprediksi nilai sebuah informasi

bagi pengguna berdasarkan korelasi tersebut.

Pendekatan user-item collaborative filtering menggunakan hasil penilaian setiap user

atau pengguna terhadap item-item dan menyimpannya dalam sebuah catatan profil atau

preferensi pengguna. Korelasi antar pengguna kemudian dihitung berdasarkan

penilaian-penilaiannya tersebut. Hasil korelasi itu kemudian digunakan untuk memprediksi nilai sebuah

item bagi pengguna yang belum menilai item tersebut.

Hal pertama yang dilakunan adalah pembentukan lingkungan (neighborhood), yaitu

dengan n-best neighbors. N-best neighbor dilakukan dengan menetapkan jumlah neighbor

terlebih dulu lalu memasukkan neighbor sejumlah n yang skor kedekatannya paling tinggi.

Setelah lingkungan atau neighborhood terbentuk, sistem dapat memprediksi nilai sebuah

item bagi Agus menggunakan nilai korelasinya. Algoritma ini mempelajari terlebih dulu

bagaimana setiap pengguna dalam lingkungan ini menilai sebuah item, kemudian menghitung

rata-rata semua nilai item untuk kemudian memprediksi nilai item tersebut bagi Agus.

Gambar 2.3 Pembentukan lingkungan (neighborhood ) untuk Agus

2.3 Ukuran Similiarity

Nilai kesamaan yang akan disajikan berdasarkan koefisien korelasi pearson, sebuah matrik

dari relevansi antara dua buah vektor (Pearson, 1900). Ketika nilai-nilai dari vektor-vektor yang

didasarkan pada user ( user-based collaborative filtering ), sedangkan bila mereka berhubungan

dengan model suatu item maka disebut dengan kesamaan yang berbasis item ( item-based

collaborative filtering ). Ukuran kesamaan dapat secara efektif digunakan untuk

menyeimbangkan pentingnya peringkat dalam algoritma prediksi dan oleh karena itu untuk

meningkatkan akurasi ada beberapa kesamaan algoritma yang telah digunakan : cosine vector

similarity, Pearson correlation, Spearman correlation, entropy-based uncertainty measure and

mean-squared difference. Breese et al (1998) menunjukkan bahwa korelasi pearson melakukan

lebih baik dari algoritma cosine vector similarity, sementara Herlock et al. (1999) menunjukkan

bahwa korelasi pearson melakukan lebih baik dari Spearman correlation, entropy-based

uncertainty measure and mean-squared difference. Menurut pernyataan ini korelasi pearson

dipilih untuk menghitung kesamaan antar user dengan memanfaatkan nilai rating secara eksplisit.

Rating secara eksplisit mengidentifikasi preferensi pengguna untuk suatu item tertentu.

Pengguna diminta oleh agen antar muka untuk memberikan rating untuk item yang pernah

dilihat. Nilai rating berkisar dari 1 sampai 5 dengan 1 mengekspresikan terbesar keengganan

untuk item dan 5 mengekspresikan keingginan terbesar untuk item tersebut. Nilai rating ini

selanjutnya akan dicatat oleh sistem dan akan digunakan untuk membangun model pengguna.

Kesamaan akan dihitung atas bagian-bagian dari dua vektor yang berasal dari salah satu

Gambar1 Matrik User-Item

Jika set item yang pengguna ux dan uy sama-sama nilai adalah didefinisikan sebagai I’ =

{ix : x = 1,2,...,n’ /\ n’ <= n}, dimana n adalah jumlah item di dalam database, maka kesamaan

antara dua pengguna didefinisikan sebagai koefisien korelasi baris ux dan uy di dalam matrik

user-item. dengan membagi kovarians kedua baris dengan perkalian simpangan bakunya maka

diberikan sebuah persamaan sebagai berikut :

2.4 Algoritma Prediksi

Algoritma prediksi (Breese et al, 1998) mencoba menebak rating pengguna. Pengguna ini

akan disebut sebagai pengguna aktif dan item yang di akan ditebak nilai ratingnya di sebut item

rangka memberikan prediksi. Berikut ini merupakan algoritma prediksi user-based collaborative

filtering dimana terdapat jumlah rata-rata pengguna aktif. Adjustment di sini adalah penyesuaian

berdasarkan jumlah dari rating pengguna lain mengenai item aktif 6. dimana similiarity mereka

dengan pengguna aktif. Pada algoritma prediksi yang diberikan oleh persamaan 6 dimana m’

adalah jumlah pengguna yang mempunyai nilai rating terhadap item dan adalah peringkat

1.7

GAMBARAN SISTEM

Proses eperasional dari e-commerce secara detail bias di gambarkan sebagai berikut :

 Konsumen melihat situs web melalui alamat yang telah di tentukan

 Konsumen melakukan pemilihan produk di website dan melakukan pemesanan dari

produk yang dipilih. Konsumen juga memberikan data-data pribadi dan juga data-data

alamat pengiriman secara lengkap.

 Setelah memilih produk, konsumen kemudian melakukan pembayaran sesuai dengan

sistem pembayaran yang telah ditetapkan. Sistem pembayaran ini disesuaikan dengan

sistem yang ada di toko. Secara umum, sistem pembayaran yang ada di toko terdiri dari

beberapa metode, di antaranya adalah:

melalui setoran tunai di Bank, transfer melalui ATM, Internet Banking,

ataupun Mobile Banking.

b. Cash on Delivery. Adalah pembayaran yang dilakukan di tempat pada saat pengiriman produk. Model pembayaran semacam ini biasanya dilakukan untuk

konsumen yang sudah dikenal terlebih dahulu karena sudah melakukan transaksi

sebelumnya.

 Pengelola toko online kemudian melakukan verifikasi apakah pembayaran yang

dilakukan sudah benar atau belum. Proses verifikasi ini penting untuk menghindari

berbagai penipuan pembayaran. Verifikasi dilakukan dengan melakukan pengecekapan

apakah pembayaran sudah masuk di rekening perusahaan atau belum. Baru kemudian

order diproses.

 Setelah dipastikan bahwa pembayaran telah terjadi, pengelola toko online kemudian

melakukan pengecekan stok barang.

 Setelah barang ada, selanjutnya adalah melakukan pengiriman ke alamat penerima yang

telah ditetapkan oleh pembeli. Pengiriman bisa jadi dilakukan ke alamat pembeli, ataupun

jika dilakukan sebagai hadiah, maka dikirim ke alamat penerima hadiah.

 Pengiriman dilakukan oleh kurir, baik kurir perusahaan ataupun kurir dari pihak ketiga

yang ditunjuk. Kurir mendokumentasikan melalui foto penerimaan barang sebagai tanda

bukti, ataupun meminta tanda tangan dari penerima. Bukti penerimaan ini kemudian

disimpan, dan bisa juga dikirim copy-nya kepada pembeli melalui email.

Untuk melakukan proses rekomendasi hal pertama yang dilakukan oleh sistem ialah

membandingkan profil member terhadap beberapa referensi karakteristik yang telah dimiliki

sistem, lalu mencoba untuk memprediksi rating suatu item yang mungkin disukai dan belum

dirating oleh member. Setelah nilai prediksi di dapat maka selanjutnya direkomendasikan

produk-produk yang menurut prediksi sistem produk tersebut di minati atau sesuai dengan selera

member.

Dalam rangka untuk mencari perbandingan antar member atau mencari nilai kemiripan

antar member maka cara yang akan dilakukan adalah dengan menghitung nilai korelasi diantara

member tersebut.

Gambar 3.6 Matrik User-Item

Jika set item yang member ux dan uy sama-sama nilai adalah didefinisikan sebagai I’ =

{ix : x = 1,2,...,n’ /\ n’ <= n}, dimana n adalah jumlah item di dalam database, maka kesamaan

antara dua member didefinisikan sebagai koefisien korelasi baris ux dan uy di dalam matrik

user-item.

Setelah nilai korelasi telah didapat, maka selanjutnya akan dibatasi jumlah neighbor

dalam neighborhood ( lingkungan yang akan digunakan untuk proses prediksi ) dengan

satu-persatu setiap member dan setiap item, akan tetapi bisa saja perhitungan tidak akan terjadi karena

sistem hanya akan menghitung yang pernah memiliki riwayat yang sama dengan riwayat

pembelian atau peratingan member yang akan diprediksi. Berikut ini adalah prosedur dalam

pembentukan neighbourhood.

Gambar 3.7 Prosedur Pembentukan Neighborhood

Tahap selanjutnya adalah membuat prediksi rating terhadap produk yang belum dirating

oleh member, untuk dijadikan sebagai produk rekomendasi. Pada proses ini sistem akan

menghitung nilai prediksi semua rating item yang di miliki oleh user yang berada di dalam

neighborhood akan tetapi yang tidak di miliki oleh member aktif, kemudian mengurutkannya

dari yang terbesar. Item yang akan menjadi produk rekomendasi adalah produk yang memiliki

nilai prediksi 4 keatas karena rekomendasi ini adalah didasarkan pada kesesuaian dengan selera

member. Prosedur ini digambarkan sebagai berikut :

Gambar 3.8 Prosedur Proses Pembentukan Rekomendasi

1.8 METODOLOGI PENELITIAN

Metodologi penelitian yang di gunakan dalam penulisan ini adalah:

 Metode sutdi kepustakaan

Kajian literatus atas peramalan forecasting di dapatkan dari perpustakaan, internet

dan sumber lainnya.

Ambil produk yang telah dinilai member tetangga tapi belum dinilai user aktif

Ambil member potensial

Ambil nilai rating member potensial

 Metode penelitian percobaan

Pengujian aplikasi yang di rancang untuk diterapkan pada Toko Sumber Ilmu