APLIKASI DATA MINING UNTUK PEMODELAN
PEMBELIAN BARANG DENGAN MENGGUNAKAN
ALGORITMA APRIORI
TUGAS AKHIR
Oleh :
ALMON J UNIOR SIMANJ UNTAK
0734010089
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
Univer sitas Pembangunan Nasional “Veter an”
APLIKASI DATA MINING UNTUK PEMODELAN
PEMBELIAN BARANG DENGAN MENGGUNAKAN
ALGORITMA APRIORI
TUGAS AKHIR
Diajukan Untuk Memenuhi Per syar atan
Dalam Memper oleh Gelar Sar jana Komputer
Pr ogr am Studi Teknik Infor matika
Oleh :
ALMON J UNIOR SIMANJ UNTAK
NPM. 0734010089
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
Univer sitas Pembangunan Nasional “Veter an”
ABSTRAK
Kreativitas pengusaha ritel dalam menentukan strategi pemasaran akan mempengaruhi kemampuan bersaing mereka dengan pengusaha ritel yang lain. Pelayanan yang sesuai dengan perilaku belanja konsumen merupakan hal yang perlu diperhatikan pengusaha demi meningkatkan level kepuasan pelanggan dan laba perusahaan. Metode yang bisa dipergunakan dalam mempelajari perilaku konsumen adalah Market Basket Analysis. Metode ini menghasilkan aturan asosiatif yang diproses dengan menggunakan algoritma apriori. Pada pengerjaan tugas akhir ini, peneliti menggunakan algoritma apriori untuk mengolah data penjualan. Hasil yang didapat dari pengolahan data penjualan tersebut adalah berupa kombinasi item (itemset) dengan nilai asosiasi berupa nilai support, nilai
confidence, dan nilai gabungan. Pada tahap pengujian aplikasi dengan tiga sampel
barang, hasil rule itemset dengan nilai asosiasi tertinggi (strong rule) didapat dalam pengujian untuk item susu Frisian Flag dengan batasan nilai minimum
support dan minimum confidence sebesar 30%, yaitu rule item susu Frisian Flag
dengan item Gulaku Gula Premium 250g dengan nilai minimum support sebesar 91,67% dan minimum confidence sebesar 52,38%. Strong rule yang dihasilkan dapat menjadi bahan rekomendasi bagi pengusaha ritel dalam menentukan penyusunan tata letak barang, dan dalam menentukan stok produk apa saja yang perlu diperbanyak demi meningkatkan keuntungan.
Kata Kunci : Bisnis Ritel, Data Mining, Association Rule, Market Basket Analysis,
KATA PENGANTAR
Segala Puji, Syukur, dan ucapan terimakasih yang tak terhingga, penulis panjatkan kepada Tuhan Yesus Kristus atas setiap berkat, pelajaran, dan hal-hal dari yang paling sederhana sampai paling rumit yang harus dihadapi penulis hingga dapat menyelesaikan Laporan Tugas Akhir ini.
Di balik penyelesaian tugas akhir ini, terdapat banyak pihak yang sudah membantu dan memberikan dukungan kepada penulis. Tak lupa pada kesempatan ini, penulis ingin mengucapkan kepada semua pihak yang telah dengan setia membantu penulis hingga terselesaikannya Laporan Tugas Akhir ini, di antaranya kepada :
1. Kedua Orangtua tercinta, Bapak E. Simanjuntak dan Ibu R. L.Gaol yang selalu setia memberikan dukungan moril, materiil dan spiritual kepada penulis. Terimakasih sudah memberikan cinta yang luar biasa kepada penulis.
2. Adik-adik dari penulis, Beta Sofiana, Desari Natalia, Cheryati Magdalena, Astrid Veronica, dan Hariba Octo Cesar.
3. Ibu Intan Yuniar Purbasari S.Kom., MSc, selaku pembimbing pertama penulis, yang telah meluangkan banyak waktu dan tenaga untuk membimbing penulis. Terimakasih untuk kesabaran, kepercayaan, perhatian, nasihat, dan ilmu pengetahuan yang telah diberikan kepada penulis selama pengerjaan tugas akhir ini.
5. Bapak Ir. R. Purnomo Edi Sasongko, MP., Bapak Basuki Rahmat, S.Si, MT., dan Ibu Dr. Ir. Ni Ketut Sari, MT, selaku penguji pada Ujian Lisan penulis. Terimakasih atas kritik, saran, dan penilaian bapak atas tugas akhir saya.
6. Sahabat satu perjuangan penulis, Taufik Restu Hendrawan dan Reffi Prima Winanjaya. Terimakasih untuk informasi dan dukungan yang diberikan. 7. Sahabat sekaligus saudara yang tak terlupakan bagi penulis, Almarhum
Fariz Agustia Putra.
8. Sahabat sekaligus saudara penulis yang paling kocak, Yudha Delonix R. dan Rashed Mohammad Ramadhan. Tetap berjuang kawan.
9. Saudara dan saudari penulis yang selalu setia menjadi tempat sharing tawa dan tangis : Fransiska Butar-butar, Leon G., Martin S., Riny Purba, Helmy Hedyansyah, Vitra Aditya, Emyl, Singgih, Surya C., Indra dan Yendra. 10.Dianita N., Sahabat karib penulis yang sedikit banyak memberi motivasi
kepada penulis sampai buku ini terselesaikan.
11.Banyak pihak lain yang tak dapat penulis sebutkan satu per satu. Terimakasih atas bantuan dan dukungannya.
Secara khusus, penulis berharap agar laporan ini dapat bermanfaat bagi pembaca. Penulis menyadari bahwa Laporan Tugas Akhir ini masih jauh dari kata sempurna. Oleh karena itu, saran dan kritik yang membangun sangat diharapkan.
Bab III. Metodologi Penelitian………... 32
3.6 Metode Pengembangan Perangkat Lunak……… 36
3.7 Desain Logis………. 40
3.7.1 Diagram Konteks……… 40
3.7.2 DFD Level 0……… 42
3.7.3 DFD Level 1 Proses Pengolahan Data Barang……… 43
3.7.4 DFD Level 1 Proses Pengolahan Data Penjualan…………... 44
3.7.5 DFD Level 1 Proses Pengolahan Data Detil Penjualan…….. 46
3.7.6 DFD Level 1 Proses Olah Support, Confidence, dan Gabungan………... 49
3.7.7 Entity Relationship Diagram………... 52
3.7.8 Desain Tabel……… 54
3.8 Analisis Keputusan………... 56
3.9 Desain Fisik……….. 57
Bab IV. Hasil dan Pembahasan……….. 59
4.1 Proses Penelitian………... 59
4.2 Hasil Penelitian………. 59
4.2.2 Hasil dan Pengujian Aplikasi Pemodelan Pembelian Barang
dengan Algoritma Apriori………... 62
4.3 Pembahasan……….. 73
Bab V. Kesimpulan dan Saran………... 83
5.1 Kesimpulan……… 83
5.2 Saran……….. 83
DAFTAR GAMBAR
Gambar 2.1 Rantai Perdagangan Ritel……….. 7
Gambar 2.2 Penerapan Konsep Ritel……….... 7
Gambar 2.3 Evolusi Teknologi Basis Data………... 15
Gambar 2.4 Knowledge Discovery in Databases……….. 16
Gambar 2.5 Kondisi “rich of data but poor of information”………. 18
Gambar 2.6 Ilustrasi Algoritma Apriori……… 25
Gambar 2.7 Flowchart Algoritma Apriori………. 26
Gambar 2.8 Flowchart kombinasi dua barang………... 27
Gambar 2.9 Flowchart kombinasi tiga barang……….. 28
Gambar 2.10 Flowchart kombinasi empat barang………. 29
Gambar 2.11 Flowchart kombinasi lima barang………... 30
Gambar 2.12 Pseudocode Algoritma Apriori……… 31
Gambar 3.1 Tahap Metodologi FAST……….. 38
Gambar 3.2 Flowchart Aplikasi Pemodelan Pembelian Barang dengan Apriori.. 39
Gambar 3.3 Diagram Konteks Pemodelan Pembelian Barang dengan Apriori… 41 Gambar 3.4 DFD Level 0 Pemodelan Pembelian Barang dengan Apriori……... 42
Gambar 3.5 DFD Level 1 Proses Pengolahan Data Barang……….. 43
Gambar 3.6 DFD Level 1 Proses Pengolahan Data Penjualan………. 45
Gambar 3.7 DFD Level 1 Proses Pengolahan Data Detil Penjualan……… 47
Gambar 3.8 DFD Level 1 Proses olah Support, Confidence, dan Gabungan…... 50
Gambar 3.9 CDM Pemodelan Pembelian barang dengan algoritma Apriori…… 53
Gambar 3.11 Rancangan tampilan Login………. 57
Gambar 3.12 Rancangan Master Data Barang……….. 57
Gambar 3.13 Rancangan Tampilan Proses Algoritma Apriori………. 58
Gambar 3.14 Rancangan Tampilan Laporan Barang Terjual……… 58
Gambar 4.1 Tampilan Login………. 62
Gambar 4.2 Tampilan home dengan pengguna “admin”……….. 63
Gambar 4.3 Tampilan home dengan pengguna “user”………. 63
Gambar 4.4 Tampilan master data barang……… 64
Gambar 4.5 Tampilan pengisian data baru pada master data barang……… 65
Gambar 4.6 Tampilan data transaksi ……… 66
Gambar 4.7 Tampilan pengisian data penjualan baru berupa tanggal jual……... 67
Gambar 4.8 Tampilan pengisian data detail penjualan………. 67
Gambar 4.9 Tampilan pengisian batas nilai min support dan min confidence…. 68 Gambar 4.10 Tampilan nilai asosiasi antar barang dengan proses apriori……… 69
Gambar 4.11 Tampilan grafik asosiasi antar barang………. 70
Gambar 4.12 Tampilan tabel asosiasi antar barang dengan proses apriori……... 70
Gambar 4.13 Tampilan Laporan data barang yang terjual……… 71
Gambar 4.14 Tampilan grafik data barang yang terjual……… 72
Gambar 4.15 Tampilan User Control……… 72
Gambar 4.16 Tampilan tentang kami……… 73
DAFTAR TABEL
Tabel 3.1 Tabel Barang………. 54
Tabel 3.2 Tabel Detail Jual……… 55
Tabel 3.3 Tabel Penjualan………. 55
Tabel 3.4 Tabel Proses……….. 55
Tabel 3.5 Tabel Hasil……….... 56
BAB I PENDAHULUAN
1.1 Latar Belakang
Kemajuan Teknologi Informasi yang pesat menghadirkan tingkat kompetensi yang semakin ketat dalam berbagai aspek kehidupan manusia. Misalnya dalam persaingan pasar, yakni pasar tradisional yang mulai terpinggirkan dengan hadirnya pasar modern. Perkembangan pasar modern yang semakin maju dapat kita lihat dari banyaknya pusat perbelanjaan, distributor, grosir, hypermarket, supermarket, dan minimarket yang dibangun untuk melayani kebutuhan konsumen. Maraknya gedung-gedung perbelanjaan modern seperti itu tidak lepas dari peralihan pola pikir konsumen yang pada mulanya berorientasi pada harga yang murah, kini sudah memperhatikan aspek keamanan, kebersihan, kenyamanan, keramahan dalam pelayanan, kelengkapan jenis dan penempatan rak barang.
pemasaran untuk menarik minat konsumen dan meningkatkan hasil penjualan, misalnya berupa penawaran diskon untuk jenis barang tertentu jika dibeli secara bersamaan. Karena itu, pemilik toko memerlukan suatu sistem yang dapat menghasilkan informasi prediktif tentang kebiasaan dan keinginan konsumen pada umumnya. Sistem tersebut dapat dibentuk dengan mencatat data penjualan dan diproses dengan menggunakan metode pada data mining.
Berlatar belakang pada permasalahan tersebut, penulis mengembangkan sebuah gagasan untuk membuat suatu sistem yang berguna dalam pemodelan pembelian barang, dengan menggunakan teknik association rules pada data
mining. Association Rules sering juga disebut dengan Market Basket Analysis
karena kegunaannya dalam pembuatan model perilaku pembelian barang oleh konsumen, dan dalam menganalisis perilaku konsumen. Algoritma yang dipergunakan sebagai metode dalam pengerjaan Tugas Akhir ini adalah Algoritma Apriori. Sistem ini nantinya diharapkan dapat membantu para pemilik minimarket atau usaha ritel untuk meningkatkan pelayanan dan mencapai hasil penjualan yang memuaskan.
1.2 Rumusan Masalah
Sesuai dengan latar belakang yang telah dijelaskan sebelumnya, maka rumusan masalah dalam penelitian ini adalah :
a. Bagaimana merancang dan menghasilkan suatu sistem pemodelan pembelian barang dengan menggunakan algoritma apriori ?
1.3 Batasan Masalah
Berdasarkan rumusan masalah tersebut, maka masalah dalam penelitian ini dapat dibatasi sebagai berikut :
a. Data barang dan transaksi yang menjadi bahan dalam pengerjaan Tugas Akhir ini merupakan data hasil eksplorasi penulis yang dimasukkan secara manual ke dalam database sistem.
b. Jenis barang yang dicakup merupakan produk yang dijual dalam bisnis eceran (retail), yaitu berupa jenis makanan ringan, minuman, kebutuhan pokok, barang-barang kosmetik, produk kebersihan.
c. Banyak kombinasi barang atau frequent itemset dalam pengerjaan Tugas Akhir ini dibatasi pada 5 item.
d. Database pada aplikasi yang dikerjakan hanya mencakup data barang dan
data transaksi. Customer dan supplier tidak dicantumkan oleh peneliti.
1.4 Tujuan
Adapun tujuan penelitian ini adalah merancang dan membuat suatu sistem pemodelan pembelian barang oleh konsumen yang mengolah data penjualan menjadi informasi prediktif berupa nilai asosiasi antar barang.
1.5 Manfaat
Secara umum, penulis berharap agar sistem yang dihasilkan dalam penelitian ini dapat dimanfaatkan oleh para pemilik minimarket atau toko ritel untuk menentukan penyusunan letak barang secara rapi menurut kombinasi barang yang paling sering dibeli dan saling berhubungan, dengan tujuan meningkatkan pelayanan yang memudahkan konsumen dalam pencarian barang yang diinginkan, meningkatkan hasil penjualan barang dengan strategi pemasaran yang tepat serta menarik minat konsumen.
1.6 Sistematika Penulisan
Sistematika penulisan tugas akhir ini adalah sebagai berikut :
BAB I PENDAHULUAN
Bab ini berisi latar belakang masalah, identifikasi masalah, maksud dan tujuan yang ingin dicapai, batasan masalah, serta sistematika penulisan.
BAB II TINJ AUAN PUSTAKA
Membahas berbagai konsep dasar dan teori-teori yang berkaitan dengan topik masalah yang diambil dan hal-hal yang berguna dalam proses analisis permasalahan.
BAB III METODOLOGI PENELITIAN
BAB IV HASIL DAN PEMBAHASAN
Membahas mengenai pengimplementasian aplikasi yang telah dibuat ke dalam perangkat yang akan digunakan serta melakukan pengujian terhadap aplikasi yang telah diimplementasikan tersebut.
BAB V KESIMPULAN DAN SARAN
BAB II
TINJ AUAN PUSTAKA
Pada bab ini akan dibahas teori tentang konsep bisnis ritel, minimarket, peningkatan standar pelayanan, perilaku konsumen, data mining, pengelompokan data mining, association rules, dan algoritma apriori. Aspek tersebut akan dijelaskan satu per satu oleh peneliti dalam sub bab berikut.
2.1 Konsep Bisnis Ritel
Kata “ritel” berasal dari kata kerja dalam bahasa perancis : retailer yang berarti “to cut of (bahasa inggris)” atau memotong. Bisnis ritel adalah aktivitas bisnis yang menjual jasa dan barang-barang ke konsumen untuk kegunaan pribadi, keluarga, atau konsumsi rumah tangga. Bisnis ritel atau eceran merupakan tahap terakhir dalam suatu rantai saluran distribusi, dimana para pengusaha dan masyarakat terlibat dalam perpindahan fisik dan kepemilikan jasa serta barang dari produsen ke konsumen. Pedagang ritel seringkali berperan sebagai pihak penghubung antara pabrik, tengkulak, dan konsumen. Konsep ritel adalah dengan memborong berbagai jenis barang dalam jumlah yang banyak dan menjualnya dalam jumlah yang kecil. Kita dapat mendefenisikan bisnis ritel sebagai suatu industri yang luas, cepat, dan menyediakan suatu keanekaragaman dalam karakter dan ukuran bisnis yang jarang ditemui di sektor industri yang lain.
supermarket. Perbedaan antara gerai tradisional dan gerai modern terletak pada tata ruang gerai, teknologi informasi, dan pelayanan.
Gambar 2.1 berikut merupakan mata rantai dari alur distribusi barang dari produsen sampai kepada konsumen.
Gambar 2.1. Rantai perdagangan ritel
Dari rantai perdagangan pada gambar 2.1, dapat disimpulkan bahwa bisnis ritel berperan sebagai perantara perdagangan yang memiliki ketergantungan pasokan barang dan jasa kepada produsen/ pemasok.
Gambar 2.2. Penerapan Konsep Ritel (Evans & Berman, 2004) PRODUSEN
DISTRIBUTOR SUB DISTRIBUTOR
PENGUSAHA RITEL
KONSUMEN
Customer Orientation
Coordinated Effort
Value Driven
Goal Orientation
Retailing
Pada gambar 2.2, terdapat 4 prinsip dalam konsep bisnis ritel yang perlu diperhatikan dan diterapkan oleh para pedagang ritel (Joel R Evans, Barry Berman, 2004)”. Prinsip tersebut dijabarkan sebagai berikut :
a. Customer Orientation (berorientasi kepada konsumen), pedagang ritel
menentukan atribut dan kebutuhan konsumen dan berusaha untuk memuaskan kebutuhan tersebut sampai pada titik terpenuh.
b. Coordinated Effort (Usaha yang terkoordinir), pedagang ritel
mengintegrasikan semua aktivitas dan rencana demi memaksimalkan efisiensi.
c. Value-Driven (Harga yang terkendali), pedagang ritel menawarkan
harga yang baik kepada konsumen, apakah itu berupa promosi paket penjualan yang murah ataupun diskon harga barang.
d. Goal Orientation (berorientasi pada target), pedagang ritel menetapkan
target dan kemudian membentuk strategi untuk mencapainya.
internal perusahaan atau keuntungan kompetitif, tetapi menawarkan kerangka perencanaan jangka panjang yang luas.
Satu cara untuk melihat perbedaan di antara jenis pedagang ritel adalah dengan melihat struktur organisasi dalam hal kepemilikan dan kendali. Kebanyakan organisasi ritel dapat dibagi ke dalam 4 kategori : pedagang ritel mandiri, pedagang ritel dalam grup yang kecil, pedagang ritel dalam grup yang besar, dan pedagang ritel konglomerat. Bentuk lain dari kepemilikan bisnis ritel meliputi Franchise (Waralaba), Dealership (Penyaluran), dan Network Marketing (Pemasaran lewat jaringan).
Pedagang ritel mandiri adalah organisasi ritel dalam ukuran kecil yang dimiliki dan diatur oleh perseorangan, dengan jaringan kurang dari 10 toko cabang. Pedagang ritel mandiri biasanya dijalankan oleh seorang wirausahawan yang memilih untuk bekerja untuk diri mereka sendiri, dan akan rentan terhadap kondisi perdagangan yang kurang baik karena mereka tidak memiliki dukungan dana dari organisasi yang besar. Pedagang ritel dalam grup kecil memiliki gerai toko berjumlah sekitar 10 – 50 toko cabang, sedangkan pedagang ritel dalam grup besar memiliki toko berjumlah sekitar 50 – 100 toko.
berbeda dimiliki sebuah perusahaaan induk dengan identitas yang berbeda, yang membentuk sebuah konglomerat perusahaan ritel.
Terlepas dari ukuran besar toko dan jenis ritel yang digeluti, pedagang ritel perlu menerapkan 6 langkah perencanaan strategi sebagai berikut :
a. Menggambarkan jenis bisnis dalam hal kategori barang atau jasa serta tujuan spesifik perusahaan (seperti pelayanan yang penuh atau tanpa ada embel-embel)
b. Tetapkan tujuan jangka panjang dan jangka pendek untuk laba dan penjualan, penguasaan pasar, gambaran atau profil perusahaan, dan lain-lain.
c. Menetapkan target pasar pelanggan berdasarkan karasteristik (seperti jenis kelamin dan tingkat pendapatan) dan kebutuhan (seperti pilihan merek dan produk)
d. Memikirkan keseluruhan rencana panjang yang memberikan arahan secara umum kepada perusahaan dan karyawannya.
e. Menerapkan suatu strategi yang terintegrasi, yang mengombinasikan beberapa faktor seperti lokasi gudang, penyortiran jenis produk, penetapan harga, iklan, dan tampilan luar untuk mencapai target. f. Mengevaluasi pencapaian secara teratur dan mengoreksi kelemahan
atau permasalahan jika ditemukan.
2.1.1 Minimarket
memiliki satu atau dua mesin kasir, dan hanya menjual berbagai jenis produk kebutuhan dasar rumah tangga (Basic necessities). Muncul dan menjamurnya minimarket saat ini dikarenakan perubahan orientasi berbelanja masyarakat, yang dulunya berorientasi pada harga murah, sekarang mulai memperhatikan aspek pelayanan, kenyamanan, dan keamanan dalam berbelanja. Di samping faktor kenyamanan, minimarket memiliki citra harga yang lebih murah, pelayanan yang ramah, kelengkapan jenis dan kualitas barang yang lebih baik, serta memberikan kemudahan bagi konsumen dalam memilih dan menentukan barang yang diinginkan. Selain itu, harga barang yang sudah pasti (fixed cost) sehingga tidak perlu ada kegiatan tawar menawar lagi, dan lokasi toko yang tersebar serta mudah ditemui, menjadi alasan bagi konsumen memilih minimarket sebagai tempat berbelanja untuk menghemat waktu dan tenaga (Harmaizar, dkk, 2006).
Secara kepemilikan, Minimarket dapat dimiliki oleh perorangan maupun secara kongsi. Karena itu, supplier akan sering berhadapan langsung dengan pemiliknya, meskipun pada kondisi tertentu dilayani oleh karyawan atau staf pembeliannya. Minimarket bisa berupa tunggal atau jejaring, dan biasanya berupa toko serba ada yang ukuran gedungnya dan luas tanahnya tidak lebih dari 20 × 20 meter. Karena ruangnya terbatas, isi barang dalam minimarket selalu tampak minimal, dimana setiap item produk hanya ditampilkan 3 unit saja (Frans M. Royan, 2009).
yang tetap, sehingga konsumen dapat menghemat waktu dan tenaga dalam kegiatan belanja. Hal ini juga berdampak pada kegiatan transaksi oleh konsumen, barang yang dibeli bukan sekedar barang yang dibutuhkan tetapi juga diinginkan, sesuai dengan kemampuan atau daya beli konsumen. Dengan demikian, perlu perubahan orientasi agar warung dan toko tradisional mampu bersaing dengan minimarket modern, yaitu dengan menjadi minimarket mandiri.
Kita juga harus membedakan konteks kata kebutuhan dan keinginan dalam bisnis ritel. Kebutuhan konsumen akan suatu jenis barang bisa saja dicatat dan direncanakan ketika konsumen masih di rumah, tetapi keinginan membeli barang yang tidak direncanakan bisa saja secara tiba-tiba muncul ketika konsumen melihat suatu barang. Sehingga dapat kita simpulkan, transaksi pembelian yang dilakukan oleh konsumen di minimarket tidak hanya berdasarkan kebutuhan, tetapi juga berdasarkan keinginan. Karena itu, demi meningkatkan volume dan hasil keuntungan penjualan, pengusaha minimarket perlu menyediakan variasi layanan jasa dan produk dalam berbagai jenis, merek, serta ukuran.
2.1.2 Peningkatan Standar Pelayanan
Dalam rangka memberikan pelayanan kepada pelanggan, minimarket perlu menetapkan standar pelayanan. Standar pelayanan adalah ukuran pelayanan yang baik sebagai suatu proses yang harus dilakukan dalam melayani kebutuhan dan keinginan konsumen (Hartono, 2007).
Adapun standar pelayanan dalam fasilitas sebagai faktor penunjang kenyamanan yang dimaksud adalah sebagai berikut :
b. Peralatan dan perlengkapan minimarket yang memadai. c. Tata ruang yang enak dipandang dan tersusun rapi. d. Tempat parkir luas dan nyaman.
e. Pegawai yang berpenampilan menarik, ramah dan murah senyum.
f. Keanekaragaman dan kelengkapan jenis produk yang ditawarkan kepada pelanggan.
2.1.3 Perilaku Konsumen
Perilaku konsumen dapat diartikan sebagai tindakan langsung yang terlibat dalam mendapatkan, mengkonsumsi, dan menghabiskan produk dan jasa termasuk proses keputusan yang mendahului dan menyusul tindakan tersebut (James F. Engel, 1994). Keseluruhan konsumen adalah konsumen yang berpotensi dalam bisnis ritel, dimana para pengusaha ritel sepantasnya menganalisa dan mengenali kelompok konsumen yang mungkin menjadi konsumen atau pelanggan tetap bagi toko mereka. Sebagai contoh, kelompok masyarakat tersebut dapat digambarkan dalam lokasi geografis mereka, atau dapat dikelompokkan berdasarkan kebutuhan akan jasa maupun produk tertentu. Pertanyaan yang mungkin dapat dianalisis oleh pengusaha ritel berupa : “siapa mereka ?”, “dimana mereka tinggal ?”, “apa yang mereka butuhkan ?”, “apa jenis produk yang mereka sukai ?”, “berapa kisaran usia mereka ?”, “berapa banyak yang dapat mereka belanjakan ?”, “bagaimana cara berbelanja yang mereka sukai ?” (Retail Management Self-Learning Manual).
sekarang telah berperan secara emosional. Konsumen merupakan titik sentral dan barometer bagi pengusaha dalam menentukan kebijakan atau strategi pemasaran pada usaha ritel. Oleh karena itu, industri ritel dituntut agar dapat menciptakan gerai multiformat untuk menangkap seluruh peluang pasar.
Adapun perilaku konsumen dalam bisnis ritel dapat dibagi ke dalam tujuh kategori yang saling berkaitan (Peter & Olson, 1999), yaitu : kontak informasi (information contact), akses dana (fund access), kontak toko (store contact), kontak pada produk (product contact), transaksi (transaction), konsumsi (consumption), dan komunikasi (communication). Aspek kenyamanan dalam toko retail yang menjadi kriteria konsumen dalam memilih tempat berbelanja dibagi ke dalam 3 kelompok, yaitu :
a. Store Image, berkaitan dengan penempatan lokasi, arsitektur,
penempatan logo dan pintu masuk, serta etalase.
b. Store Athmospherics, berkaitan dengan keseluruhan efek emosional
yang diciptakan oleh atribut fisik toko seperti penampilan visual, suara musik, dan aroma ruangan yang menarik.
c. Store Teatrics, berkaitan dengan tema ruangan yang menarik dan
memberikan suasana rekreasi yang spesial bagi konsumen.
2.2 Data Mining
Seiring dengan perkembangan teknologi, kemampuan manusia dalam mengumpulkan dan mengolah data juga mengalami kemajuan. Data mining dapat diartikan sebagai suatu proses ekstraksi informasi yang berguna dan potensial dari sekumpulan data yang secara implisit terdapat dalam suatu database. Informasi yang ditemukan ini selanjutnya dapat diterapkan untuk aplikasi manajemen, melakukan query processing, pengambilan keputusan, dan lain-lain.
Gambar 2.3 merupakan gambaran proses evolusi dari basis data mulai dari tahap pembuatannya pada tahun 1960 sampai dengan saat ini.
Gambar 2.3. Evolusi teknologi basis data (Jiawei Han & Micheline Kamber, 2000)
Pengumpulan data dan pembuatan basis data (1960’an) - pemrosesan file primitif
Sistem manajemen database (1970’an) -sistem jaringan dan dan basis data yang berhubungan
-peralatan pemodelan data
- teknik pengindeksan dan pengelompokan data - bahasa dan pemrosesan kueri
Pergudangan data (data warehousing) dan data mining (Akhir 1980’an - sekarang)
- Teknologi data warehouse dan OLAP - Data mining dan penemuan pengetahuan
Data mining dapat dipandang sebagai sebuah hasil evolusi alami dari teknologi informasi (gambar 2.3). Sebuah alur evolusi dapat disaksikan pada perkembangan kemampuan industri database dalam hal pengumpulan data (data
collection) dan pembuatan basis data (database creation), manajemen data (data
management), serta analisis dan pemahaman data (data analysis and
understanding).
Gambar 2.4. Knowledge Discovery in Databases atau Data mining sebagai sebuah proses dalam penemuan pengetahuan (Jiawei Han & Micheline Kamber, 2000)
Menurut Jiawei Han dan Micheline Kamber (Data Mining : Concept and Techniques, 2000), data mining dalam perannya sebagai proses penemuan pengetahuan memiliki langkah terurut (Gambar 2.4) sebagai berikut :
b. Data Integration (dimana sumber data yang banyak dapat digabungkan)
c. Data Selection (dimana data yang relevan terhadap proses analisis dikembalikan dari basis data)
d. Data Transformation (dimana data diubah atau diperkuat ke dalam format yang sesuai untuk penggalian data dengan membuat ringkasan atau pengumpulan data)
e. Data Mining (sebuah proses yang penting dimana metode pintar diterapkan dengan tujuan untuk menyaring pola data)
f. Pattern Evaluation (untuk mengenali pola menarik yang menyajikan
pengetahuan berdasarkan beberapa tolak ukur ketertarikan)
g. Knowledge Presentation (dimana visualisasi dan teknik penyajian
pengetahuan dipergunakan untuk menghasilkan pengetahuan tergali bagi user).
Data mining merupakan analisis dari peninjauan kumpulan data untuk menemukan hubungan yang tidak diduga dan meringkas data dengan cara yang berbeda dengan sebelumnya, yang dapat dipahami dan bermanfaat bagi pemilik data (Daniel T. Larose, 2005).
Perkembangan teknologi informasi yang pesat menimbulkan dampak yang cukup besar dalam hal pengumpulan dan akumulasi data. Tanpa manajemen data yang baik, akan tercipta suatu kondisi yang sering disebut sebagai “rich of data
but poor of information” (Jiawei Han dan Micheline Kamber, 2000), yaitu kondisi
dimana data yang terkumpul dalam suatu basis data hanya dibiarkan begitu saja dan tidak dipergunakan dengan baik untuk menciptakan suatu aplikasi yang bermanfaat dalam memperoleh informasi yang berharga. Gambar 2.5 berikut merupakan gambaran dimana terjadi kondisi “rich of data but poor of information”.
Data mining adalah suatu proses untuk menguraikan penemuan pengetahuan di dalam database untuk melihat keterkaitan penjualan antar item, dengan menggunakan statistik, matematika, dan kecerdasan buatan yang terkait dengan basis data yang besar. Data mining merupakan konsep utama dalam kecerdasan bisnis (business intelligent) serta pemrosesan analisis secara online (online analytical processing). Data mining memiliki banyak model algoritma yang dapat diterapkan dalam proses bisnis, sebagai metode efektif untuk mencapai nilai positif dalam peningkatan kinerja proses dan keuntungan.
Pada saat ini, data dapat disimpan ke dalam beberapa jenis basis data. Salah satu arsitektur basis data yang muncul adalah gudang data (Data
Warehouse), yaitu sebuah tempat penyimpanan dari suatu sumber data heterogen,
yang terorganisir di bawah sebuah skema gabungan pada lokasi tunggal dengan tujuan mempermudah manajemen dalam pengambilan keputusan (Jiawei Han & Micheline Kamber, 2000).
Arsitektur dari suatu sistem basis data tertentu memiliki komponen utama sebagai berikut (Jiawei Han & Micheline Kamber, 2000) :
a. Basis data (database), gudang data (data warehouse), atau tempat penyimpanan informasi (information repository). Komponen ini memungkinkan adanya penggabungan dan pembersihan pada data. b. Basis data, atau server gudang data. Komponen ini bertanggung jawab
dalam pengambilan data yang relevan, berdasarkan permintaan user. c. Basis pengetahuan (knowledge base), merupakan daerah pengetahuan
d. Mesin data mining (data mining engine), merupakan hal yang penting dalam sistem data mining dan biasanya terdiri atas sejumlah modul fungsional yakni dalam karakterisasi (characterization), analisis asosiasi (association analysis), klasifikasi (classification), analisis penyimpangan dan evolusi (evolution and deviation analysis).
e. Modul evaluasi pola (pattern evaluation module). Komponen ini secara khusus mengerjakan ukuran ketertarikan (interestingness
measures) dan berhubungan dengan modul data mining agar
memusatkan pencarian ke arah pola yang menarik. Modul evaluasi pola dapat digabungkan dengan modul penggalian (mining), tergantung pada implementasi metode data mining yang digunakan.
f. Grafis hubungan antar muka (graphical user interface). Modul ini memperbolehkan user untuk berinteraksi langsung dengan sistem data mining, menyediakan informasi pengarah dalam pencarian, dan melakukan penjelajahan data.
2.2.1 Pengelompokan Data Mining
Data mining dapat dikelompokkan ke dalam beberapa kategori berdasarkan tugas dan fungsinya, yaitu : Deskripsi (Description), Estimasi (Estimation), Prediksi (Prediction), Klasifikasi (Classification), Klasterisasi (Clustering), dan Asosiasi (Association) (Daniel T. Larose, 2006).
objek, dimana label kelas tidak dikenali. Model yang diperoleh dapat diwakilkan dalam beberapa bentuk, seperti aturan klasifikasi (classification rules : if - then), pohon keputusan (decision tree), rumus matematika (mathematical formulae), atau jaringan syaraf tiruan (neural networks).
Klasifikasi dapat digunakan untuk menemukan label kelas dari data objek. Bagaimanapun, dalam sejumlah aplikasi, ada sebuah kemungkinan dimana seseorang lebih memilih untuk meramalkan nilai data yang hilang daripada mencari label kelas. Biasanya pada kasus ini, nilai yang diramalkan adalah data berupa angka secara terperinci disebut dengan prediksi (prediction).
Berbeda dengan klasifikasi dan prediksi, yang menganalisis label kelas pada data, klasterisasi menganalisis objek data tanpa berhubungan dengan suatu label kelas yang dikenal. Objek-objek dikelompokkan berdasarkan prinsip dalam memaksimalkan persamaan dalam kelas (intraclass) dan meminimalkan persamaan antar kelas (interclass). Karena itu, klaster dari objek dibentuk agar sebuah objek di dalam sebuah klaster memiliki persamaan yang tinggi dengan objek lainnya, tetapi akan sangat berbeda jika dibandingkan dengan objek dalam klaster lainnya. Setiap kluster yang terbentuk dapat juga kita defenisikan sebagai kelas dari objek-objek.
2.2.2 Association rules
Association rules (aturan asosiasi) merupakan salah satu dari pengetahuan
yang paling penting dalam data mining yang dapat diartikan sebagai hubungan dan ketergantungan antara sejumlah item (itemsets) dengan menentukan nilai
support dan confidence pada basis data. Aturan asosiasi ingin memberikan
informasi tersebut dalam bentuk hubungan “if-then” atau “jika-maka”.
Penting tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter, support (nilai penunjang) yaitu prosentase kombinasi item tersebut dalam database, dan confidence (nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan assosiatif. Dalam bidang ekonomi, aturan asosiatif telah dipergunakan secara luas dalam mengukur pola konsumsi pelanggan berdasarkan data keranjang belanja (Market basket data), sehingga sering disebut juga dengan analisa keranjang belanja (Market basket analysis). Penggalian aturan asosiatif (associative rules mining) berfungsi untuk menemukan aturan asosiasi yang paling penting dari basis data berukuran besar.
Ada beberapa model aturan asosiasi (association rule) yang sering dipergunakan selama ini, yakni (Jiawei Han & Micheline Kamber, 2000) :
a. Single level association rule, contoh :
komputer software antivirus
b. Multilevel association rule, contoh :
IBM komputer Canon Printer
c. Interdimensional association rule, contoh :
d. Hybrid-dimensional association rule, contoh :
Age (x, 19,..,25), Buys (x, laptop) buys (x, canon printer)
Perbedaan antara interdimensional association rule dan
hybrid-dimensional association rule terdapat pada pengulangan predikat pada sebuah
rule, dimana interdimensional tidak memperbolehkan sementara
hybrid-dimensional memperbolehkan adanya pengulangan predikat.
Rumus untuk mencari nilai support dan confidence pada suatu item adalah sebagai berikut :
a. Support
Support (A B) = jumlah transaksi mengandung A dan B *100 jumlah total transaksi
b. Confidence
Confidence (A B) = jumlah transaksi mengandung A dan B *100
jumlah total A dalam transaksi
c. Gabungan (Combination) = Support * Confidence
Langkah pertama pada association rule adalah menghasilkan semua
itemset yang memungkinkan dengan kemungkinan itemset yang muncul dengan
m-item adalah 2m.
2.2.3 Algoritma Apriori
yang pertama kali ditawarkan oleh Rakesh Agrawal pada tahun 1993. Ide utama pada algoritma apriori adalah dengan membaca database secara berulang. Langkah pada algoritma apriori adalah : pertama - mencari frequent itemset dari basis data transaksi, kedua – menghilangkan itemset dengan frekuensi yang rendah berdasarkan level minimum support yang telah ditentukan sebelumnya, dan terakhir - membuat aturan asosiasi (association rule) dari itemset yang memenuhi ketentuan nilai minimum confidence dalam basis data (Agrawal dan Srikant, 1994).
Algoritma apriori merupakan suatu bentuk algoritma dalam data mining yang akan memberikan informasi tentang hubungan antar item dalam database yang dapat dimanfaatkan secara luas dalam proses bisnis khususnya dalam proses penjualan. Knowledge algoritma apriori terletak pada frequent itemset yang telah diketahui sebelumnya, untuk memproses informasi selanjutnya (Erwin, 2009).
Terdapat dua proses utama pada algoritma apriori (Jiawei Han & Micheline Kamber, 2000), yaitu sebagai berikut :
a. Join (penggabungan)
Dalam proses ini, setiap item dikombinasikan dengan item yang lainnya sampai tidak terbentuk kombinasi lagi
b. Prune (pemangkasan)
Pada proses ini, hasil kombinasi item akan dipangkas dengan menggunakan minimum support yang telah ditentukan oleh pengguna. Algoritma apriori bekerja dengan cara menghasilkan kandidat baru dari
k-itemset pada frequent k-itemset sebelumnya dan menghitung nilai support k-k-itemset
Langkah selanjutnya adalah menghitung minconf mengikuti rumus sesuai yang telah ditentukan. Support tidak perlu dilihat lagi, karena generate frequent itemset didapatkan dari melihat minsup-nya. Bila rule yang didapatkan memenuhi batasan yang ditentukan dan batasan itu tinggi, maka rule tersebut tergolong strong rules. Proses penghitungan dalam algoritma berhenti ketika tidak ada lagi frequent
itemset baru yang dihasilkan. Sebagai contoh dapat kita lihat pada gambar 2.6
berikut.
Gambar 2.6. Ilustrasi algoritma apriori (Muhammad Ikhsan, dkk, 2007)
Dalam gambar 2.6 tersebut, database D merupakan kumpulan dari data transaksi. Dari database D yang telah diolah, diperoleh hasil support pada C1, yakni transaksi untuk item 1 sebanyak 2 kali, item 2 sebanyak 3 kali, item 3 sebanyak 3 kali, item 4 sebanyak 1 kali, item 5 sebanyak 3 kali. Data C1 kemudian dipangkas dengan menggunakan nilai minimal support yang ditentukan oleh user, yakni : minsup ≥ 2 . Hasil pemangkasan tersebut dapat dilihat di tabel
L1, dimana item 4 tidak dimasukkan lagi karena tidak memenuhi nilai minimum
dicantumkan pada tabel C2, kemudian frekuensi kemunculannya diolah dari tabel
database D. Item (1,2) memiliki support sebanyak 1, item (1,3) sebanyak 2, item
(1,5) sebanyak 1, item (2,3) sebanyak 2, item (2,5) sebanyak 3, item (3,5)
sebanyak 2. Data tersebut kemudian dipangkas lagi dengan menggunakan nilai
minum support, dan diperoleh hasil pada tabel L2 : (1,3), (2,3), (2,5), (3,5).
Kombinasi itemset yang ingin diterapkan dalam aplikasi tugas akhir ini dibatasi sampai 5 jumlah barang terasosiasi. Gambaran alur tahapan proses dalam menghasilkan kombinasi itemset pada aplikasi dijelaskan satu persatu dalam gambar flowchart sebagai berikut.
a. Kombinasi dua barang : jumlah barang yang muncul terkombinasi secara bersamaan adalah sebanyak dua barang.
b. Kombinasi tiga barang : jumlah barang yang muncul terkombinasi secara bersamaan adalah sebanyak tiga barang.
Adapun pseudocode algoritma apriori dapat kita pahami dari gambar 2.12.
BAB III
METODOLOGI PENELITIAN
3.1 Desain Penelitian
Desain penelitian adalah tahapan atau gambaran yang akan dilakukan peneliti dalam melakukan penelitian. Dalam pengerjaan tugas akhir ini, adapun tahapan-tahapan desain penelitian yang dilakukan oleh peneliti adalah sebagai berikut:
a. Mengumpulkan data yang diperlukan berupa textbook, paper dan karya ilmiah yang membahas algoritma dalam data mining untuk keperluan bisnis.
b. Setelah dikumpulkan data yang diperlukan, ditentukan data yang akan dipakai pada penelitian ini yaitu berupa textbook, paper dan karya ilmiah yang membahas algoritma apriori.
c. Mempersiapkan alat dan bahan penelitian.
d. Setelah alat dan bahan penelitian disiapkan, langkah selanjutnya membangun perangkat lunak dengan metodologi Framework for the
Aplication of Systems Thinking (FAST).
e. Hasil dari pembangunan perangkat lunak adalah berupa tampilan itemset yang frequent, lengkap dengan nilai minimum support dan minimum
confidence yang memenuhi ketentuan user.
3.2 Metode Pengumpulan Data
a. Obse rvasi merupakan metode pengumpulan data yang dilakukan dengan cara pengamatan secara langsung pada objek yang diteliti. Observasi yang dilakukan peneliti bertujuan untuk menganalisis masalah yang timbul pada toko-toko ritel dan minimarket. Dari hasil observasi, peneliti menemukan sebuah masalah yaitu penempatan rak barang belum berdasarkan asosiasi antar barang sesuai dengan kebutuhan pelanggan, tetapi masih dikelompokkan berdasarkan jenis barang seperti kelompok rak makanan ringan, minuman, kebutuhan pokok, barang-barang kosmetik, dan produk kebersihan.
b. Studi
Pustaka merupakan metode pengumpulan data yang dilakukan dengan cara melakukan observasi langsung pada toko-toko ritel dan minimarket, serta melalui pencarian informasi melalui media internet yang berupa jurnal ilmiah, makalah, maupun artikel lainnya yang mendukung pengerjaan tugas akhir. Data tersebut berupa teori dan perkembangan terkini mengenai konsep bisnis ritel, minimarket, peningkatan standar pelayanan, perilaku konsumen, data mining, pengelompokan data mining, association rules, dan algoritma apriori.
3.3 Defenisi Lingkup (Scope Definition)
Dalam observasi, terlepas dari jenis dan ukuran bisnis ritel, peneliti menemukan sebuah masalah umum yaitu masalah dalam penempatan barang. Dikarenakan jenis bisnis ritel yang sangat luas dalam jenis barangnya, peneliti mempersempit ruang lingkup dalam pengerjaan tugas akhir dimana jenis barang-barang yang dicakup dalam database adalah makanan ringan, minuman, kebutuhan pokok, barang-barang kosmetik, produk kebersihan.
Pada pengerjaan tugas akhir ini, algoritma yang dipergunakan dalam memproses data dan pembuatan aplikasi adalah algoritma apriori, dengan teknik aturan asosiasi (association rules).
3.4 Analisis Masalah (Problem Analysis)
Berdasarkan observasi peneliti, model penempatan barang yang ada di minimarket dan toko retail kebanyakan belum berdasarkan pada asosiasi antar jenis barang yang sesuai dengan kebutuhan pelanggan. Penempatan rak barang pada toko ritel umumnya masih berdasarkan jenis kegunaan barang (Triyono, 2006), misalnya kelompok rak barang minuman, pembersih, bumbu, makanan ringan, kosmetik, dan kebutuhan pokok. Model tersebut masih menyulitkan pelanggan dalam mencari barang yang dibutuhkan, sehingga mengakibatkan kuantitas penjualan dan laba tidak maksimal.
record merupakan catatan daftar barang yang dibeli oleh konsumen dalam satu
transaksi penjualan. Database tersebut dapat diproses dengan suatu teknik pengolahan data untuk mempelajari kebiasaan dan tren belanja konsumen secara umum, sehingga minimarket dapat mencapai level kepuasan konsumen yang maksimal serta laba yang sesuai dengan target.
3.5 Analisis Kebutuhan
Berdasarkan analisis kebutuhan yang dilakukan peneliti untuk pembuatan sistem pemodelan pembelian barang dengan algoritma apriori memerlukan beberapa alat dan bahan dalam penelitian, yaitu :
a) Data yang dibutuhkan sebagai bahan dalam penelitian antara lain : 1) Data barang yang dijual pada minimarket
2) Data transaksi atau penjualan barang
b) Alat penelitian berupa laptop dengan spesifikasi perangkat keras dan perangkat lunak sebagai berikut :
Microsoft Word.
Web Server (Apache, PHPmyadmin). Database MySQL Front.
Macromedia Dreamweaver 8.
Web Browser Mozilla Firefox, Internet Explorer. Power Designer 6.
3.6 Metode Pengembangan Perangkat Lunak
Adapun metode yang digunakan untuk membangun aplikasi pemodelan pembelian barang dalam tugas akhir ini adalah dengan metodologi FAST (Framework for the Aplication of Systems Thinking) (Whitten, 2004). Metodologi FAST dalam tahapannya terbagi menjadi 8 bagian (gambar 3.1), yakni :
a. Defenisi Lingkup (Scope definition) merupakan tahap dimana peneliti mengukur kelayakan proyek dengan menjelaskan ruang lingkup proyek, batasan masalah, dan tujuan dalam proyek.
b. Analisis Masalah (Problem Analysis). Pada tahap ini, peneliti menelusuri masalah secara menyeluruh, dengan batasan masalah yang ditetapkan, sehingga peneliti dapat menentukan solusi yang kreatif dan tepat.
d. Desain Logis (Logical Design). Setelah melengkapi semua kebutuhan dalam pembuatan sistem, selanjutnya peneliti perlu menafsirkan proses bisnis, masalah beserta penyelesaiannya ke dalam model sistem, yakni model data dan model proses yang logis dan tersusun dengan jelas.
e. Analisis keputusan (Decision Analysis), dikenal juga sebagai tahap transisi (transition phase), karena pada tahap ini dilakukan transisi dari perhatian bisnis dan pemilik sistem menjadi perhatian teknologi dari perancang dan pembangun sistem.
f. Desain Fisik (Physical Design), pada tahap ini peneliti membangun desain fisik, desain tampilan (interface), dan desain perangkat lunak.
g. Konstruksi dan Uji Coba (Construction and Testing), merupakan tahapan dimana dilakukan implementasi dan uji coba terhadap aplikasi sistem yang memenuhi spesifikasi kebutuhan dan desain fisik. Database dan tampilan luar (interface) sistem diciptakan dan diuji pada tahap ini.
h. Pemasangan dan Pengiriman (Installation and Delivery). Tahap ini merupakan perubahan dari tahap pembangunan sistem menjadi tahap lingkungan produksi, dimana user dilatih agar mampu menggunakan aplikasi, dan memberikan umpan balik (feedback) berupa saran dan kritik dalam penggunaan aplikasi.
merupakan gambaran proses dari metodologi FAST (Framework for Application
of Systems Thinking).
Gambar 3.1 Tahap metodologi FAST (Bentley & Whitten, 2007)
Kerangka pemikiran dalam pengerjaan tugas akhir ini digambarkan sebagai berikut :
a. Data barang dan transaksi dicakup di dalam satu database.
c. Data transaksi akan digunakan peneliti untuk membangun aplikasi pemodelan pembelian barang dengan menggunakan algoritma apriori.
d. Hasil dari aplikasi pemodelan pembelian barang oleh pelanggan dengan menggunakan algoritma apriori tersebut dapat digunakan sebagai bahan rekomendasi dalam penempatan barang berdasarkan asosiasi antar barang.
e. Penerapan rekomendasi penempatan barang dari aplikasi dapat meningkatkan level kepuasan pelanggan dan laba penjualan.
Alur sistem dalam aplikasi pemodelan pembelian barang dijelaskan pada gambar 3.2.
Alur pada gambar 3.2 merupakan gambaran proses dalam pembuatan aplikasi pemodelan pembelian barang dengan algoritma apriori. Alur tersebut diawali dari pemrosesan database penjualan dengan menggunakan algoritma apriori dengan ketentuan minimum support dan minimum confidence yang diinginkan user. Proses sistem dengan algoritma apriori menghasilkan output berupa aturan asosiasi yaitu support, confidence, dan gabungan.
3.7 Desain Logis
Desain logis merupakan proses validasi kebutuhan-kebutuhan dan konsistensi sistem ke dalam bentuk gambar atau diagram. Adapun desain logis dalam pengerjaan tugas akhir ini direpresentasikan ke dalam model data. Model data tersebut dijabarkan dalam data flow diagram (DFD), tabel dan entity
relationship diagram (ERD).
3.7.1 Diagram Konteks
Diagram konteks pada sistem pemodelan pembelian barang dengan algoritma apriori menggambarkan proses aliran data yang terjadi dalam sistem secara umum. Selanjutnya diagram konteks dapat didekomposisi menjadi data
flow diagram level 0, data flow diagram level 1. Dalam diagram konteks
pembuatan pemodelan pembelian barang dengan algoritma apriori ini terdiri dari satu entitas eksternal admin dan satu entitas eksternal user, sepuluh aliran data, dan satu proses aplikasi apriori.
dapat kita lihat pada gambar 3.3.
Gambar 3.3 Diagram Konteks Pemodelan Pembelian Barang dengan algoritma Apriori
Pada diagram konteks ini (gambar 3.3), admin menginput data barang, data penjualan, data detail penjualan, batas minimum support, batas minimum
confidence, dan nama barang. Data barang, data penjualan, data detail penjualan
dimasukkan ke dalam database oleh admin sedangkan batas minimum support dan batas minimum confidence dimasukkan oleh user melalui aplikasi yang dibangun. Setelah data tersebut dimasukkan, data akan diproses oleh sistem dengan algoritma apriori. Proses pemodelan pembelian barang dengan algoritma apriori menghasilkan output berupa konfirmasi data barang, konfirmasi data penjualan, konfirmasi data detail penjualan, dan hasil support, confidence dan gabungan.
untuk mengetahui kombinasi barang yang sering dibeli secara bersamaan oleh pelanggan.
3.7.2 DFD Level 0
Dekomposisi pada diagram konteks akan menghasilkan data flow diagram level 0 yang memiliki satu entitas eksternal admin dan satu entitas eksternal user, sepuluh aliran data dan empat proses. Empat proses pada data flow diagram level 0 terdiri dari pengolahan data barang, pengolahan data penjualan, pengolahan data detil penjualan, dan proses algoritma apriori (gambar 3.4).
DFD level 0 (gambar 3.4) merupakan rincian alur yang didekomposisi dari diagram konteks. Pada proses 1.1, aliran [data barang] mengalir dari admin menuju ke proses pengolahan data barang dan menghasilkan output [konfirmasi data barang]. Pada proses 1.2, aliran [data penjualan] yang mengalir dari admin ke proses pengolahan data penjualan, menghasilkan output aliran [konfirmasi data penjualan]. Pada proses 1.3, Inputan alur [data detail penjualan] mengalir ke proses pengolahan data detil penjualan, kemudian menghasilkan output berupa aliran [konfirmasi data detil penjualan] kembali menuju admin. Pada proses 1.4, masukan dari user berupa aliran data [batas minimum support dan batas minimum
confidence dan nama barang] mengalir ke proses olah support confidence dan
gabungan dan menghasilkan output aliran [support, confidence dan gabungan].
3.7.3 DFD Level 1 Proses Pengolahan Data Bar ang
Gambar 3.5 DFD Level 1 Proses Pengolahan Data Barang
Peneliti menjelaskan rincian proses gambar 3.5 DFD level 1 tersebut ke dalam proses singkat seperti berikut :
a. Admin - Proses simpan data barang - Data Barang (data store) : aliran [simpan data barang] menuju proses simpan data barang, kemudian diproses dan disimpan ke dalam data store - data barang. Setelah diproses dalam data store, alir [konfirmasi data barang] menjadi output yang dikirimkan menuju admin melalui proses simpan data barang. b. Admin - Proses update data barang – Data Barang (data store) : admin
menginputkan aliran data_barang_terupdate menuju proses update data barang. Aliran tersebut diteruskan dan diproses dalam data store. Hasilnya berupa aliran konfirmasi_update dikembalikan kepada admin sebagai output melalui proses update data barang.
kemudian mengirimkan output berupa aliran konfirmasi delete melaui proses delete data barang menuju admin.
3.7.4 DFD Level 1 Proses Pengolahan Data Penjualan
Gambar 3.6 DFD Level 1 Proses Pengolahan Data Penjualan
a. Admin - Proses simpan data penjualan - Data penjualan (data store). Dari inputan admin aliran data penjualan mengalir ke proses simpan data penjualan. Aliran data penjualan tersebut diproses dan disimpan di data
store penjualan. Data store penjualan selanjutnya mengirimkan konfirmasi
b. Admin - Proses update data penjualan - Data store penjualan. Dari inputan admin, data penjualan terupdate dikirimkan untuk diolah di dalam proses
update data penjualan. Data penjualan terupdate selanjutnya disimpan dan
diproses lagi dalam data store penjualan. Data store penjualan kemudian menghasilkan output berupa alur konfirmasi update yang dikirimkan melalui proses update data penjualan kepada admin.
c. Admin – Proses delete data penjualan – Data store penjualan. Pada proses ini, admin menginputkan data penjualan yang dihapus ke dalam proses
delete data penjualan. Proses ini kemudian mengakses data penjualan yang
akan dihapus pada data store penjualan. Hasil berupa konfirmasi delete kemudian dikirimkan kepada admin melalui proses delete data penjualan.
3.7.5 DFD Level 1 Proses Pengolahan Data Detil Penjualan
Gambar 3.7 DFD Level 1 Proses Pengolahan Data Detil Penjualan
Adapun proses dalam gambar 3.7 tersebut dijelaskan lebih rinci dalam tahapan-tahapan sebagai berikut :
penjualan. Untuk memastikan proses ini, data store detil penjualan kemudian mengirimkan output berupa konfirmasi penyimpanan yang diolah dalam proses simpan data detil penjualan. Proses ini kemudian membentuk konfirmasi data detil penjualan yang selanjutnya disampaikan kepada admin.
b. Proses simpan data detil penjualan - Proses ambil no penjualan - Data
store penjualan. Proses simpan data detil penjualan meminta data alur
request no jual kepada proses ambil no penjualan. Alur data tersebut
kemudian diteruskan kepada data store penjualan. Selanjutnya, data
store penjualan memproses dan mengirimkan output berupa no jual
kepada admin melalui proses ambil no penjualan.
c. Proses simpan data detil penjualan – Proses ambil kode barang – Data
store barang. Hampir sama dengan tahap pada proses ambil no
penjualan, pada tahap ini proses simpan data detil penjualan mengirimkan alur request kode barang untuk diolah dalam proses ambil kode barang, dan diteruskan kepada data store barang. Data
store barang memproses alur tersebut, dan hasil berupa kode barang
kemudian dikirimkan kepada admin melalui proses ambil kode barang. d. Admin - Proses update data detil penjualan - Data store detil
alur konfirmasi update dikirimkan kepada admin melewati proses
update data detil penjualan.
e. Admin - Proses delete data detil penjualan - Data store detil penjualan. Admin dalam tahap ini menginputkan data yang akan dihapus ke dalam proses delete data detil penjualan. Inputan tersebut disampaikan ke dalam data store detil penjualan oleh proses delete data detil penjualan. Sebagai validasi hasil, data store mengirimkan output berupa konfirmasi delete kepada proses data detil penjualan, yang kemudian meneruskannya kepada admin.
3.7.6 DFD Level 1 Proses Olah Suppor t, confidence, dan gabungan
DFD level 0 proses olah support confidence dan gabungan yang didekomposisi akan menghasilkan data flow diagram level 1 proses olah support
confidence dan gabungan. Pada DFD level 1 proses ini terdapat masing-masing
satu entitas eksternal admin dan user, delapan belas aliran data, empat data store, dan empat proses yang terdiri dari request hasil perangkingan berdasarkan support
confidence dan gabungan, olah data proses, olah support dan confidence dan
gabungan, serta olah data kode barang dan jumlah.
Gambar 3.8 DFD Level 1 Proses olah support, confidence, dan gabungan
Penjelasan gambar 3.8 dapat kita lihat pada tahapan dengan alur panah sebagai berikut :
Admin / User Proses Request hasil perangkingan bdsk supp
confidence dan gabungan Proses olah support dan confidence dan
Olah data kode barang dan jumlah Proses olah data proses data
store proses1 Proses olah data proses Proses olah support dan
confidence dan gabungan data store Hasil Proses olah support dan
confidence dan gabungan Proses Request hasil perangkingan bdsk
supp confidence dan gabungan Admin / User.
Pada proses ini, admin / user menginputkan batas min support dan batas min confidence dan kode barang ke dalam proses Request hasil perangkingan bdsk supp confidence dan gabungan. Data tersebut kemudian dikirimkan ke proses olah support dan confidence dan gabungan. Proses olah support dan
confidence dan gabungan tersebut mengirimkan request data kepada proses olah
data proses. Selanjutnya proses olah data proses meneruskan request data kepada proses olah data kode barang dan jumlah. Proses hasil olah data kode barang dan jumlah mengirimkan request no jual kepada data store penjualan, dan mengirim
request kode dan jumlah barang kepada data store detil penjualan. Data store
penjualan memberikan No jual kepada proses oleh data kode barang dan jumlah. Data store detil penjualan memberikan output berupa kode dan jumlah barang untuk diolah dalam proses olah data kode barang dan jumlah. Setelah no jual dan kode dan jumlah barang diolah, proses olah data kode barang dan jumlah mengirimkan output berupa data olahan kepada proses olah data proses. Hasil pengolahan dari proses olah data proses yang berupa kode barang kemudian disampaikan ke dalam data store proses1. Konfirmasi hasil penyimpanan dikembalikan oleh data store proses1 kepada proses olah data proses. Output data hasil penyimpanan oleh proses olah data proses diteruskan kepada proses olah
berupa data support confidence dan gabungan selanjutnya disimpan oleh Proses olah support dan confidence dan gabungan ke dalam data store hasil. Data store hasil mengirimkan output konfirmasi penyimpanan kepada proses olah support dan confidence dan gabungan. Hasil perangkingan yang sebelumnya diminta oleh proses Request hasil perangkingan bdsk supp confidence dan gabungan, sudah diperoleh dan dikirimkan dari proses olah support dan confidence dan gabungan. Proses Request hasil perangkingan bdsk supp confidence dan gabungan di tahap ini, mengolah hasil perangkingan yang didapat untuk memperoleh nilai support
confidence dan gabungan, dan kemudian mengirimkan nilai tersebut kepada
admin / user.
3.7.7 Entity Relationship Diagram (ERD)
Entity relationship diagram (ERD) berfungsi untuk menggambarkan
persepsi dari user yang berisi obyek-obyek dasar beserta hubungannya. Obyek dasar tersebut dikenal sebagai entity, dan hubungan antar obyek disebut dengan
relationship. Struktur umum dari ERD adalah Entitas (entity), Hubungan
(relationship), dan Atribut (attribute). Entity dapat dijabarkan sebagai objek yang ada dan terdefinisikan di dalam suatu organisasi. Objek tersebut dapat berupa abstrak atau nyata, misalnya : manusia, konsep atau suatu kejadian. Setiap entity mempunyai atribut atau karakteristik entity. Sedangkan relationship adalah penghubung antar entity, yang berfungsi untuk mewujudkan pemetaan antar
entity. Terdapat 3 notasi relationship, yaitu : one to one, one to many, dan many to
many. Notasi one to one digunakan untuk menghubungkan satu elemen dalam
many digunakan untuk menghubungkan satu elemen dalam suatu entity dengan
banyak elemen pada entity yang lain. Notasi many to many digunakan untuk menghubungkan banyak elemen dalam suatu entitas dengan banyak elemen dalam entitas yang lain.
Dalam pengerjaan tugas akhir ini, ERD digunakan untuk menginterpretasikan, menentukan dan mendokumentasikan kebutuhan-kebutuhan untuk sistem pemrosesan database. Perancangan sistem ini terdiri dari beberapa
entity yang saling terkait, yaitu:
a. Entity detail jual, berisi atribut No detail.
b. Entity Penjualan, data penjualan dengan atribut NoJual, TglJual, BiayaJual.
c. Entity Proses1, berisi atribut no urut dan nilai.
d. Entity Hasil, berisi atribut no id, support, confidence, gabungan, dan
keterangan.
e. Entity Barang, berisi atribut Kodebrg, NamaBrg, dan HargaBrg.
Keterkaitan antar entity tersebut dapat kita lihat pada gambar Conceptual
Gambar 3.10 PDM Pemodelan pembelian barang dengan algoritma Apriori
3.7.8 Desain Tabel
Adapun tabel dalam pembuatan aplikasi pemodelan pembelian barang dengan algoritma apriori adalah sebagai berikut :
a. Tabel Barang
Berfungsi untuk menyimpan data barang. Tabel 3.1 Tabel Barang
No Nama Field Tipe dan Panjang
Field
Keterangan
1. KodeBrg Varchar (20) Primary Key 2. NamaBrg Varchar (50)
b. Tabel Detail Jual, merupakan tabel penyimpanan detail penjualan. Tabel 3.2 Tabel detail jual
No Nama Field Tipe dan Panjang
Field
Keterangan
1. No_Detail Integer Primary Key 2. Kode_Barang Varchar (20)
3. No_Jual Integer
c. Tabel Penjualan, berfungsi untuk menyimpan data penjualan. Tabel 3.3 Tabel Penjualan
e. Tabel Hasil, berfungsi sebagai tabel dalam penyimpanan data hasil. 2. Support Double Precision
3. Confidence Double Precision 4. Support x Confidence Double Precision 5. Keterangan Varchar (50)
3.8 Analisis Keputusan
3.9 Desain Fisik
Adapun desain fisik yang dijelaskan di bab ini adalah desain model tampilan (user interface). Model tampilan atau antar muka program berfungsi sebagai media interaksi antara pemakai dengan aplikasi. Terdapat beberapa rancangan tampilan pada aplikasi tugas akhir ini, yakni sebagai berikut :
a. Desain tampilan Login
Rancangan tampilan login dapat dilihat pada gambar 3.11.
Gambar 3.11 Rancangan Tampilan Login
Tampilan login berfungsi untuk menjamin keamanan aplikasi, dimana user pada sistem ini harus melakukan login terlebih dahulu.
b. Desain Tampilan
Master Data Barang
Gambar 3.12 Rancangan Master Data Barang
Kode Barang :
Nama Barang :
Harga Barang :
Kode Kategori :
User Name : Password :
Tampilan master data barang berfungsi sebagai media bagi user untuk menginputkan data barang.
c. Desain tampilan Proses algoritma Apriori.
Gambar 3.13 Rancangan Tampilan Proses Algoritma Apriori.
Tampilan proses berfungsi sebagai media bagi user untuk menginputkan batasan nilai dalam asosiasi antar barang yang diinginkan, yaitu nilai minimum support dan minimum confidence.
d. Desain tampilan Laporan Barang Terjual
Gambar 3.14 Rancangan Tampilan Laporan Barang Terjual Laporan Barang Terjual
Cetak Grafik
Tgl Awal :
Tgl Akhir : OK
Masukkan batas minimal support :
Masukkan batas minimal confidence :
Searching
BAB IV
HASIL DAN PEMBAHASAN
4.1 Pr oses Penelitian
Langkah-langkah yang dilakukan dalam pengerjaan tugas akhir “Aplikasi Pemodelan Pembelian Barang dengan Algoritma Apriori” ini adalah sebagai berikut :
- Membuat database barang beserta data penjualannya.
- Membuat script PHP untuk pemodelan barang dengan algoritma apriori. - Membuat script PHP untuk menampilkan hasil apriori.
- Pengujian aplikasi.
4.2 Hasil Penelitian
Adapun hasil dari pengerjaan aplikasi tugas akhir ini dijelaskan oleh peneliti dalam script PHP dan gambar berikut.
4.2.1 Script PHP untuk pemodelan barang dengan algoritma apriori
Script php untuk pemodelan barang dengan algoritma apriori dibagi ke
dalam langkah-langkah sebagai berikut :
• Script untuk mengambil semua kode barang pada semua transaksi :
//select semua item barang pada semua transaksi
$asql = "select Kode_Barang from detail_jual group by Kode_Barang ";
• Script untuk mengambil no jual dari penjualan dan melakukan looping :
• Script untuk mengambil semua no jual dari penjualan :
• Melakukan proses looping dalam looping :
• Script untuk mencari kode barang pada tabel detil_jual berdasarkan
nojual pada tabel penjualan sesuai nojual yang di tunjuk oleh
pointer looping :
//cari kodebrg tsb pada no jual
$csql = "select Kode_Barang from detail_jual where No_Jual = ".$noj." and Kode_Barang = '".$kb."'";
• Script untuk memasukkan data pada table proses1. Jika barang
tersebut ada, maka berikan nilai chit (mis : susu ada 3 maka input chit =3) jika tidak ada maka berikan nilai chit = 0 sesuai dengan no jual yang ditunjuk :
$dsql = "insert into proses1(NoJual,KodeBrg,Nilai) values (".$noj.",'".$kb."',".$chit.")" ;
• Script untuk mengambil kode barang beserta nilainya untuk membuat
tampilan matrik (Tabel 4.1).
$asql = "select Nojual,Kodebrg,nilai from proses1 order by NoJual,kodebrg";
Tabel 4.1 Contoh tabel matrik data penjualan
Jenis Transaksi Gula Kopi Roti Susu
1 0 0 0 1
2 1 1 1 0
3 1 0 0 1
• Script untuk menghitung jumlah total semua transaksi yang mengandung
objek yang dicari :
