Sehingga dapat diartikan bahwa informasi adalah data yang sudah diolah untuk keperluan tertentu” Suharsimi Arikunto (2006:118)

BAB II

TINJAUAN PUSTAKA

2.1 Landasan Teori 2.1.1. Aplikasi

“Aplikasi adalah suatu program siap pakai yang dapat digunakan untuk menjalankan sejumlah perintah dari pengguna aplikasi tersebut dengan tujuan memperoleh hasil yang lebih akurat sesuai dengan tujuan pembuatan aplikasi tersebut” (Habibi dan karnovi, 2020:14).

“Aplikasi merupakan suatu intruksi / pernyataan yang ada di suatu perangkat keras (Hardware) baik itu komputer atau smartphone yang di rancang sedemikian rupa agar bisa mengolah suatu masukan (input) menjadi keluaran (output)” (Jogiyanto, 1999:12).

Menurut Ali Zaki dan Smitdev Community (2018:1) “Aplikasi merupakan komponen yang bermanfaat sebagai media untuk menjalankan pengolahan data ataupun berbagai kegiatan lainnya seperti pembuatan ataupun pengolahan dokumen dan file”.

2.1.2. Data

Menurut Nuzulla Agustina (2018:13) “data adalah keterangan mengenai suatu hal yang sudah sering terjadi dan berupa himpunan fakta, angka, grafik tabel, gambar, lambang, kata, huruf, yang menyatakan sesuatu pemikiran, objek, serta kondisi dan situasi”.

Doro Edi (2009:71) “Data merupakan komponen utama dari sistem informasi perusahaan karenasemua informasi untuk pengambilan keputusan berasal dari data. Oleh karena itusudah sewajarnya jika pengolahan data dipandang sebagai kebutuhan primer oleh perusahaan”.

“Data adalah segala fakta dan angka yang dapat dijadikan bahan untuk menyusun suatu informasi. Sehingga dapat diartikan bahwa informasi adalah data yang sudah diolah untuk keperluan tertentu” Suharsimi Arikunto (2006:118).

2.1.3. Penjualan

Menurut Hermawan (2006:27) “bahwa penjualan merupakan Kegiatan terdepan perusahaan di dalam menghasilkan sesuatu dari suatu proses pertukaran yang terjadi dipasar”.

Menurut Sadeli( 2005:27) “Penjualan adalah suatu tindakan untuk menukar barang atau jasa dengan uang dengan cara mempengaruhi orang lain agar mau memiliki barang yang ditawarkan sehingga kedua belah pihak mendapatkan keuntungan dan kepuasan”.

2.1.4. Data Penjualan

Data/laporan penjualan adalah kumpulan dari semua informasi transaksi yang tersusun sebagai bahan informasi dan analisa penjualan. Laporan-laporan tersebut bisa meliputi laporan harian, bulanan, bahkan tahunan. Informasi yang tercantum di laporan harian biasanya berupa data transaksi yang terjadi di setiap harinya.

Data penjualan merupakan catatan transaksi yang dijadikan dalam satu data sebagai laporan penjualan pada suatu perusahaan.

2.1.5. Produk

2.1.4.1. Pengertian Produk

Jerome (1990:218) “The idea of product as potential customer satisfaction is very important”. Yang artinya ide-ide bagus dari produk sebagai potensi kepuasan konsumen akan menjadi sangat penting. Orang memuaskan kebutuhan dan keinginan mereka dengan produk. Biasanya, kata produk menunjukkan suatu pengertian yang berkaitan dengan obyek dan fisik yang nyata. Dan kita biasanya menggunakan istilah produk dan jasa untuk membedakan benda nyata dan obyek yang tidak berwujud.

Sedangkan Philip Kotler (1992:7), “Produk adalah segala sesuatu yang dapat diberikan kepada seorang guna memuaskan suatu kebutuhan atau keinginan”.

2.1.4.2. Produk Laris

Laris merupakan definisi dari (cepat laku), atau amat laku yang biasanya terjadi pada suatu produk. Produk laris merupakan produk yang paling banyak dicari konsumen bedasarkan tingkat musim pada produk, harga yang terjangkau, atau kualitas yang baik.

2.1.4.3. Produk Tidak Laris

Tidak laris (kurang laku) merupakan kebalikan dari definisi laris.

Produk tidak laris merupakan produk yang paling jarang dicari konsumen, hal itu terjadi akibat beberapa faktor yaitu: harga yang kurang terjangkau, kualitas produk yang kurang baik, produk tidak untuk kebutuhan, tidak pada musimnya dan lain-lain.

2.1.4.4. Retur Produk

Menurut Muyadi (2001:3) “sebuah sistem retur pembelian dipergunakan dalam suatu perusahaan untuk pengembalian barang yang sudah dibeli kepada pemasoknya. Barang yang telah diterima pemasok kadang tidak sesuai dengan barang yang sudah dipesan menurut satu order pembelian”.

Syaiful Bahari (2018:5) “retur adalah barang yang diterima kembali oleh pihak pemasok atau distributor atas pengembalian barang dari pihak pengorder karena suatu alasan dan atau sebab tertentu. Sebab barang diretur antara lain karena rusak atau akan habis masa konsumsi, barang tidak sesuai pesanan, atau barang tidak laku ditoko”.

2.1.4.5. Klasifikasi Produk

Klasifikasi Produk dibagi menjadi beberapa kelompok, seperti:

a. Produk berdasarkan ketahananya (Durability) dan Keberwujudannya (Tangibility)

b. Produk Konsumen. Produk Industri.

Tjiptono (2008: 98) mengungkapkan bahwa klasifikasi produk bisa dilakukan dengan berbagai macam sudut pandang. Berdasarkan

berwujud dan tidaknya, produk dapat diklasifikasikan kedalam tiga kelompok utama, antara lain :

1. Barang tidak tahan lama (nondurable goods)

Barang tidak tahan lama adalah barang berwujud yang biasanya habis dikonsumsi dalam satu atau beberapa kali pemakaian.

2. Barang tahan lama (durable goods)Barang tahan lama merupakan barang berwujud yang biasanya bisa bertahan lama dengan banyak pemakaian.

3. Jasa Jasa merupakan aktivitas, manfaat atau kepuasan yang ditawarkan untuk dijual.

2.1.4.1. Indikator Kepuasan Pelanggan

Kotler dan Armstrong (2012: 150) mengemukakan bahwa terdapat beberapa indikator yang dapat mengukur kepuasan pelanggan, indikator tersebut antara lain :

1. Tetap loyal.

2. Membeli produk baru yang ditawarkan.

3. Merekomendasikan produk.

4. Bersedia membayar lebih.

5. Memberi masukan.

2.1.4.2. Pengembangan Aplikasi Klasterisasi Data Penjualan Menggunakan Algoritma K-Means Pada Stock Point PT. Indomarco di Prima Palembang.

Pengembangan Aplikasi Klasterisasi Data Penjualan Menggunakan Algoritma K-Means Pada Stock Point PT. Indomarco di Prima Palembang adalah suatu aplikasi yang bertujuan untuk membantu sistem manajemen perusahaan dalam pengelolaan data penjualan dalam bentuk tingkat penjualan produk yang menghasilkan grafik, sehingga dapat mengetahui produk laris dan tidak laris serta produk yang dikembalikan berdasarkan tingkat penjualan.

Dan meminimalisir penumpukan barang di gudang akibat penyuplaian yang tidak sesuai dengan tingkat penjualan dari setiap kantor cabang.

2.2 Teori Judul

2.2.1. Data Mining

Menurut Turban dalam bukunya yang berjudul ”Decision Support Systems and Intelligent Systems”, data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam basis data.

Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai basis data besar.

Data mining merupakan sebuah analisa dari observasi data dalam jumlah besar untuk menemukan hubungan yang tidak diketahui sebelumnya dan metode baru untuk meringkas data agar mudah dipahami serta kegunaannya untuk pemilik data (David Handet al,2001).

Secara garis besar,data mining dapat dikelompokkan menjadi 2 kategori utama,yaitu:

a). Deskriptive mining,

yaitu proses untuk menemukan karakteristik penting dari data dalam satu basis data. Teknik data mining yang termasuk descriptive mining adalah clustering, asosiation, dan sequential mining.

b). Predictive,

yaitu proses untuk menemukan pola dari data dengan

menggunakan beberapa variable lain di masa depan. Salahsatu teknik yang terdapat dalam predictive mining adalah klasifikasi.

Secara sederhana data mining biasa dikatakan sebagai proses penyaring atau “menambang” pengetahuan dari sejumlah data yang besar.Istilah lain untuk data mining adalah Knowlegde Discovery in Database (KDD). Walaupun data mining sendiri adalah bagian dari tahapan proses KDD seperti yang terlihat pada Gambar 2.1.

Gambar 2.1. KDD (Knowlegde Discovery in Database)

2.2.1.1. Pengelompokan Data Mining

Pengelompokan Data Mining Menurut Larose dalam bukunya yang berjudul ”Discovering Knowledge in Data: An Introduction to Data Mining”, data mining dibagi menjadi beberapa kelompok berdasarkan tugas/pekerjaan yang dapat dilakukan, yaitu :

a). Deskripsi

Terkadang peneliti dan analisis secara sederhana ingin mencoba mencari cara untuk menggambarkan pola dan kecenderungan yang terdapat dalam data. Deskripsi dari pola kecenderungan sering memberikan kemungkinan penjelasan untuk suatu pola atau kecenderungan.

b). Estimasi

Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih ke arah numerik dari pada ke arah kategori. Model dibangun menggunakan baris data (record) lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi. Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel target dibuat berdasarkan nilai variabel prediksi.

c). Prediksi

Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam prediksi nilai dari hasil akan ada di masa mendatang. Beberapa metode dan teknik yang digunakan dalam klasifikasi dan estimasi dapat pula digunakan (untuk keadaan yang tepat) untuk prediksi.

d). Klasifikasi

Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh, penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan tinggi, pendapatan sedang, dan pendapatan rendah.

e). Pengklasteran (Clusterring)

Pengklasteran merupakan pengelompokan record, pengamatan, atau memperhatikan dan membentuk kelas obyek-obyek yang memiliki kemiripan. Klaster adalah kumpulan record yang memiliki kemiripan satu dengan yang lainnya dan memiliki ketidakmiripan record dalam klaster yang lain. Berbeda dengan klasifikasi, pada pengklasteran tidak ada variabel target. Pengklasteran tidak melakukan klasifikasi, mengestimasi, atau memprediksi nilai dari variabel target, akan tetapi, algoritma pengklasteran mencoba untuk melakukan pembagian terhadap keseluruhan data menjadi kelompok-kelompok yang memiliki kemiripan (homogen), yang mana kemiripan record dalam satu kelompok akan bernilai maksimal, sedangkan kemiripan dengan record dalam kelompok lain akan bernilai minimal.

f). Asosiasi

Tugas asosiasi dalam data mining adalah untuk menemukan atribut yang muncul dalam satu waktu. Salah satu implementasi dari asosiasi adalah market basket analysis atau analisis keranjang belanja, sebagaimana yang akan dibahas dalam tesis ini.

2.2.2. Clustering

Clustering merupakan suatu metode untuk mencari dan mengelompokkan data yang kemiripan karakteristik (similarity) antara satu data dengan data yang lain. Clustering merupakan salah satu metode data

mining yang bersifat tanpa arahan (unsupervised), maksudnya metode ini diterapkan tanpa adanya latihan (taining) dan tanpa ada guru (teacher) serta tidak memerlukan target output.

Menurut Widodo (2013:9) Clustering atau klasifikasi adalah metode yang digunakan untuk membagi rangkian data menjadi beberapa group berdasarkan kesamaan-kesamaan yang telah ditentukan sebelumnya.

Cluster adalah sekelompok atau sekumpulan objek-objek data yang similar satu sama yang lain dalam cluster yang sama dan disimilar terhadap objek- objek yang berbeda cluster. Objek akan dikelompokan ke dalam satu atau lebih cluster sehingga objek-objek yang berada salam satu cluster akan mempunyai kesamaan yang tinggi antara satu dengan yang lainnya. Objek- objek dikelompokkan berdasarkan prinsip memaksimalkan kesamaan objek pada cluster yang sama dan memaksimalkan ketidaksamaan pada cluster yang berbeda. Tujuan clustering ini adalah untuk meminimalisasikan objektif function yang di set dalam proses clustering, yang pada umumnya berusaha meminimalisasikan variasi dalam suatu cluster.

2.2.3. Algoritma K-Means

K-Means merupakan algoritma clustering yang berulang-ulang.

Algoritma K-Means dimulai dengam pemilihan secara acak K, K disini merupakan banyaknya cluster yang ingin dibentuk. Kemudian ketetapan nilai- nilai K secara random, untuk sementara nilai tersebut menjadi pusat dari cluster atau biasa disebut dengan centroid, mean atau “means. Hitung jarak setiap data yang ada terhadap masing-masing centroid menggunakan rumus Euclidian hingga ditemukan jarak yang paling dekat dari setip data dengan centroid. Klasifikasikan setiap data berdasarkan kedekatannya dengan centroid. Lakukan langkat tersebut hingga nilai centroid tidak berubah (stabil) (Snati, 2012:54).

Algoritma K-Means merupakan metode non hierarki yang pada awalnya mengambil sebagian banyaknya komponen populasi untuk dijadikan pusat cluster awal. Pada pusat cluster dipilih secara acak dari sekumpulan populasi data. Berikutnya K-Means menguji masing-masing komponen di

dalam populasi data dan menandai komponen tersebut ke salah satu pusat cluster yang telah didefinisikan tergantung dari jarak minimum antar komponen dengan tiap-tiap cluster.

Algoritma K-Means pada dasarnya melakukan dua proses, yakni proses pendeteksi lokasi pusat cluster dan proses pencarian anggota dari tiap- tiap cluster. Cara kerja Algoritma K-Means yaitu :

1. Tentukan k sebagai jumlah cluster yang ingin dibentuk

2. Tentukan k titim pusat cluster (centroid) awal yang dilakukan secara random. Penentuan pada centroid awal dilakukan secara acak atau random dari objek yang tersedia sebanyak k cluster, untuk menghitung centroid cluster ke-i berikutnya, digunakan rumus sebagai berikut:

v =∑^𝑛_𝑖 = 1 X₁ : i = 1,2,3,… . n

n

3. Hitung jarak setiap data ke masing-masing centroid dari masing- masing cluster menggunakan Teori Jarak Euclidean, dengan rumus sebagai berikut :

D(i,j) = J (X_1i – X_1j) +² (X_2i – X_2j) + … + (X_ki – X_kj) ..(1) D(i,j) = Jarak data ke I ke pusat cluster j

X_ki = Data ke i pada atribut data ke k X_kj = Data ke j pada atribut data ke k

4. Alokasikan dari masing – masing objek kedalam centroid paling dekat. Untuk pengalokasian objek kedalam masing – masing cluster pada saat iterasi secara umum dilakukan dengan cara hard k-means dimana secara tegas setiap objek dinyatakan sebagai anggota cluster dengan mengukur jarak kedekatan sifatnya terhadap titik pusat cluster tersebut.

5. Tentukan posisi centroid yang baru dengan cara menghitung nilai rata-rata dari rata rata yang terletak pada centroid yang sama.

6. Kembali ke langkah-3 jika posisi centroid baru dengan centroid lama tidak sama.

2.3 Analisa Sistem

Analisa sistem adalah teknik pemecahan masalah yang menguraikan bagian-bagian komponen dengan mempelajari seberapa bagus bagian-bagian komponen tersebut bekerja dan berinteraksi untuk mencapai tujuan. Analisa sistem merupakan tahapan paling awal dari pengembangan sistem yang menjadi fondasi menentukan keberhasilan sistem informasi yang dihasilkan. Kesuksesan suatu sistem informasi tergantung pada analisis dan perancangan yang baik (Hanif, 2007). Perangkat yang digunakan dalam analisis sistem adalah :

1. Usecase Diagram 2. Activity Diagram 3. Class Diagram 4. Sequence Diagram 2.3.1 Use case Diagram

Use case diagram menggambarkan fungsionalitas yang diharapkan dari sebuah sistem. Yang ditekankan adalah “apa” yang diperbuat sistem, dan bukan “bagaimana”. Sebuah use case merepresentasikan sebuah interaksi antara aktor dengan sistem. Use case merupakan sebuah pekerjaan tertentu, misalnya login ke sistem, meng-create sebuah daftar belanja, dan sebagainya.

Seorang/sebuah aktor adalah sebuah entitas manusia atau mesin yang berinteraksi dengan sistem untuk melakukan pekerjaan-pekerjaan tertentu.

Tabel 2.1 Simbol Use case Diagram

No Simbol Nama Simbol Keterangan

1.

Actor/ Aktor

Actor atau Aktor adalah Abstraction dari orang atau sistem yang lain yang mengaktifkan fungsi dari target sistem. Orang atau sistem bisa muncul dalam beberapa peran. Perlu dicatat bahwa aktor berinteraksi

dengan Use Case, tetapi tidak memiliki kontrol terhadap use case

2.

Use Case

Use Case menggambarkan fungsionalitas yang disediakan sistem sebagai unit-unit yang bertukar pesan antar unit dengan aktor, yang dinyatakan dengan menggunakan kata kerja

3.

Association/Asosiasi

Asosiasi antara aktor dan use case, digambarkan dengan garis tanpa panah yang mengindikasikan siapa atau apa yang meminta interaksi secara langsung dan bukannya mengindikasikan data

4.

Generalization / Generalisasi

Hubungan dimana objek berbagi perilaku dan struktur data dari objek yang ada di atas nya objek induk (ancestor)

5 Include

Include, merupakan di dalam use case lain (required) atau pemanggilan use case oleh use case contohnya adalah pemanggilan sebuah fungsi program

6 Extend

Extend, merupakan perluasan dari use case lain jika kondisi atau syarat terpenuhi

Sumber : Jurnal Hendini Ade (2016:108) 2.3.2 Activity Diagram

Activity diagrams menggambarkan berbagai alir aktivitas dalam sistem yang sedang dirancang, bagaimana masing-masing alir berawal, decision yang mungkin terjadi, dan bagaimana mereka berakhir. Activity diagram juga dapat menggambarkan proses paralel yang mungkin terjadi pada beberapa eksekusi.

Activity diagram merupakan state diagram khusus, di mana sebagian besar state adalah action dan sebagian besar transisi di-trigger oleh selesainya state sebelumnya (internal processing). Oleh karena itu activity diagram tidak menggambarkan behaviour internal sebuah sistem (dan interaksi antar subsistem) secara eksak, tetapi lebih menggambarkan proses-proses dan jalur-jalur aktivitas dari level atas secara umum.

Table 2.2 Simbol Activity Diagram

No Simbol Nama Simbol Keterangan

1. Start Point

Start Point, merupakan awal aktivitas

2. End Point

End Point, akhir aktivitas

3.

Activities Activities, menggambarkan suatu proses atau kegiatan bisnis

4. Decision Points

Decision points,

menggambarkan pilihan

untuk pengambilan

keputusan, true atau false

5. Join

Asosiasi penggabungan dimana lebih dari satu aktivitas digabungkan menjadi satu.

Sumber : Jurnal Hendini Ade (2016:109) 2.3.3 Class Diagram

Class adalah sebuah spesifikasi yang jika diinstansiasi akan menghasilkan sebuah objek dan merupakan inti dari pengembangan dan desain berorientasi objek. Class menggambarkan keadaan (atribut/properti) suatu sistem, sekaligus menawarkan layanan untuk memanipulasi keadaan tersebut (metoda/fungsi). Class diagram menggambarkan struktur dan deskripsi class, package dan objek beserta hubungan satu sama lain seperti containment, pewarisan, asosiasi, dan lain-lain.

Table 2.3 Simbol Class Diagram

No Simbol Nama Simbol Keterangan

1. nama_kelas

+atribut +operasi()

Class/Kelas

Kelas pada struktur sistem

2. Antarmuka/

Interface

Sama dengan konsep interface

dalam pemrograman

berorientasi objek

3.

Association/

Asosiasi

Relasi antarkelas dengan makna umum, asosiasi biasanya juga disertai dengan multiplicity

4.

Association Directed/

Asosiasi Berarah

Relasi antarkelas dengan makna kelas yang satu digunakan oleh kelas yang lain, asosiasi biasanya juga disertai dengan multiplicity

5.

Generalization

Relasi antarkelas dengan makna generalisasi-spesialisasi (umum khusus)

6. ………..>

Dependency/

Ketergantunga n

Relasi antarkelas dengan makna kebergantungan antarkelas

7.

Agregasi /Aggregation

Relasi antar kelas dengan makna semua – bagian (whole- part)

Sumber : Sukamto dan Shalahuddin (2016:146) 2.3.4 Sequence 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 atar dimensi vertikal (waktu) dan dimensi horizontal (objek-objek yang terkait).

Sequence diagram biasa digunakan untuk menggambarkan skenario atau rangkaian langkah-langkah yang dilakukan sebagai respons dari sebuah event untuk menghasilkan output tertentu. Diawali dari apa yang men-trigger aktivitas tersebut, proses dan perubahan apa saja yang terjadi secara internal dan output apa yang dihasilkan.

Table 2.4 Simbol Sequence Diagram

No Simbol Nama Simbol Keterangan

1. Entity Class

Entity Class, merupakan bagian dari sistem yang berisi kumpulan kelas berupa entitas-entitas yang membentuk gambaran awal sistem dan menjadi landasan untuk menyusun basis data

2. Boundary

Class

Boundary Class, berisi kumpulan kelas yang menjadi interfaces atau interaksi antara satu atau lebih aktor dengan sistem, seperti tampilan form entry dan form cetak

3. Control Class

Control Class, suatu objek yang berisi logika aplikasi yang tidak memiliki tanggung jawab kepada entitas, contohnya adalah kalkulasi dan aturan bisnis yang melibatkan berbagai objek

4. Lifeline

Lifeline, garis titik-titik yang terhubung dengan objek sepanjang linelife terdapat activation

Activation, mewakili sebuah eksekusi operasi dari objek panjang kotak ini berbanding

5.

Activation lurus dengan durasi aktivitas sebuah operasi

Sumber : Jurnal Hendini Ade (2016:110)

2.3.5 Penelitian Terdahulu