12 3.1 Tinjauan Studi Penelitian Sebelumnya
Berikut ini beberapa hasil penelitian yang ditemukan oleh para peneliti terdahulu dalam memecahkan masalah dengan menggunakan algoritma K-Means :
1. Benri Melpa Metisen dan Herlina Latipa Sari, dalam penelitian ini menjelaskan tentang pengelompokan penjualan produk dengan objek penelitian pada swalayan Fadhila. Dalam penelitian ini pada terdapat masalah dalam pengelompokan produk terjual laris, maupun kurang laris, sehingga menimbulkan permasalahan yaitu seringnya kekurangan stok barang yang laku karena penjualannya tinggi. Sehingga peneliti merancang sebuah aplikasi dengan menerapkan algoritma K-Means dengan output mengelompokan produk terjual menjai produk laris dan produk kurang laris, sehingga dapat membantu swalayan Fadhila dalam menentukan stok barang (Metisen & Sari, 2015).
2. Surmayanti, Hari Marfalino, Ade Rahmi, dalam penelitian ini menjelaskan tentang penerapan analisis klustering penjualan komputer dengan objek penelitian ini pada toko Tribuana Komputer kota Solok. Dalam penelitian ini pada toko tersebut mendapatkan masalah yaitu sulit mendapatkan informasi strategis seperti tingkat penjualan per-periode, sehingga peneliti merancang suatu aplikasi dengan menerapkan algoritma K-Means dengan mengelompokkan barang terjual menjadi barang laris dan barang tidak laris sehingga membantu mempermudah dalam memprediksi tingkat penjualan (Surmayanti, Marfalino, & Rahmi, 2015).
3. Apriadi Bahar, Bambang Pramono, Laode Hasnuddin Sagala, dalam penelitian ini menjelaskan tentang penentuan strategi penjualan alat-alat tato dengan objek penelitian pada studio SonyXTatto. Dalam penelitian ini pada tempat tersebut memiliki masalah tertumpuknya data historis
penjualan alat tato yang tidak terpakai atau belum termanfaatkan, sehingga peneliti merancang aplikasi dengan menerapkan algortima K-Means dengan memanfaatkan data historis penjualan alat yang ada dengan mengelompokkan data menjadi laris dan tidak laris, sehingga dapat memudahkan studio tersebut dalam menentukan strategi penjualan toko online yang berfokus pada produk yang paling baru (Bahar, Pramono, & Sagala, 2016).
4. Elly Muningsih, Sri Kiswati, dalam penelitian ini menjelaskan tentang bagaimana mengklaster produk onlineshop dengan menerapkan metode K-Means dalam menentukan stok barang dengan objek penelitian pada toko online ragam Jogja. Dalam penelitian ini di toko tersebut memiliki masalah yaitu banyak produk dan jenis membuat manajemen stok barang menjadi tidak akurat, sering terjadi kekurangan atau kelebihan produk tertentu, serta kesulitan dalam penentuan stok barang minimum tiap barang yang harus dipenuhi berdasarkan permintaan konsumen dengan permasalahan yang ada, sehingga peneliti merancang aplikasi dengan menerapkan algoritma K-Means dengan mengelompokkan produk terjual menjadi paling laku, laku dan kurang laku. Dengan mengelompokkan produk sehingga toko online ragam Jogja dapat mendapatkan informasi penentuan stok barang lebih cepat, akurat dalam menentukan stok barang (Muningsih & Kiswati, 2015).
Tabel 0.1 Penelitian Sebelumnya.
No .
Nama Tahun Judul Masalah Metode /
Algoritma Hasil 1. - Benri Melpa Metisen - Herlina Latipa Sari 2015 Analisis Clustering menggunakan metode K-MEANS Dalam mengelompokka n Penjualan Produk Pada Swalayan Fadhila. 1. Pemrosesan data transaksi masih manual. 2. Swalayan Fadhila tidak dapat mengelompokkan produk yang laris dan yang tidak laris dijual.
K-Means Dari penelitian yang telah
dilakukan dengan
mengelompokkan menjadi produk yang laris dan tidak laris dengan menerapkan algoritma K-MEANS dapat memecahkan masalah yang dihadapi yaitu dapat menanggulangi kekurangan stok barang yang laris dan meminimalisir penumpukkan produk yang tidak laris.
2. - Surmayanti, - Hari 2015 Penerpan Analisis Sulitnya mendapatkan informasi-informasi
K-Means 1. Meningkatkan Efektifitas penjualan laptop di Toko Tri
Marfallino - Ade Rahmi Clustering Pada Penjualan komputer Dengan Perancangan Aplikasi Data Mining Menggunakan Algoritma K-MEANS (Studi Kasus Toko Tri Buana
Komputer Kota Solok).
strategis seperti tingkat penjualan per periode.
Buana Komputer yang sebelumnya masih cenderung lambat.
2. Memberikan kemudahan dalam mengolah data transaksi.
3. Dapat mempermudah pihak toko dalam memprediksi tingkat penjualan. 3. - Apriadi Bahar - Bambang Pramono 2016 Penentuan Strategi Penjualan Alat-alat Tatto Di Menumpuknya historis data penjualanan yang tidak termanfaatkan.
K-Means Dengan merancang aplikasi yang menerapkan algoritma K-Means dapat mengelompokkan data penjualan menjadi beberapa
- Laode Hasnuddin Sagala Studio Sonyxtatto Menggunakan Metode K-MEANS Clustering.
kelompok kriteria sehingga memudahkan Studio Sonyxtatto dalam menentukan stategi penjualan yang berfokus pada produk yang paling laku.
4. - Elly Munigsih - Sri Kiswati 2015 Penerapan Metode K-MEANS Untuk Clustering Produk Online Shop Dalam Penentuan Stok Barang. 1. Produk yang bergam dan banyak jenisnya menjadikan managemen stok yang dilakukan menjadi tidak akurat. 2. Mengalami kesulitan dalam menentukan jumlah barang yang harus
K-Means Berdasaarkan penelitian yang dilakukan dengan merancang aplikasi yang menerapkan algoritman K-Means dapat menyelesaikan masasalah diantaranya:
1. Dapat mengelompokkan produk terjual menjadi 3 kriteria yaitu sangat laku, laku dan kurang laku.
2. Memberikan Informasi lebih cepat dan akurat dalam
di stok dengan jumlah banyak sedang dan sedikit dalam pemenuhan stok barang.
menentukan stok barang 3. Dengan aplikasi penentuan
stok barang memeberikan kontribusi lebih baik karena dapat menampilkan kategori produk dalam jangka waktu sesuai yang di inginkan.
3.2 Pengertian Sistem
Sistem adalah rangkaian dari dua atau lebih komponen-komponen yang saling berhubungan, yang berinteraksi untuk mencapai suatu tujuan. Sebagian besar sistem terdiri dari dari subsistem yang lebih kecil yang mendukung sistem yang lebih besar (Romney, B, & Steinbart, 2015).
3.2.1 Karakteristik Sistem
Suatu sistem mempunyai ciri-ciri karakteristik yang terdapat pada sekumpulan elemen yang harus dipahami dalam mengidentifikasi pembuatan sistem (Hutahaean, 2015). Adapun karakteristik sistem yang dimaksud adalah sebagai berikut :
a. Komponen Sistem (Component)
Suatu sistem terdiri dari sejumlah komponen yang saling berinteraksi, yang saling bekerja sama membentuk suatu komponen sistem atau bagian-bagian dari sistem.
b. Batasan Sistem (Boundary)
Merupakan daerah yang membatasi suatu sistem dengan sistem yang lain atau dengan lingkungan kerjanya.
c. Subsistem
Bagian-bagian dari sistem yang beraktivitas dan berinteraksi satu sama lain untuk mencapai tujuan dengan sasarannya masing-masing.
d. Lingkungan Luar Sistem (Environment)
Suatu sistem yang ada di luar dari batas sistem yang dipengaruhi oleh operasi sistem.
e. Penghubung Sistem (Interface)
Media penghubung antara suatu subsistem dengan subsistem lainnya. Adanya penghubung ini memungkinkan berbagai sumber daya mengalir ari suatu subsistem ke subsistem lainnya.
f. Masukan Sistem (Input)
Energi yang masuk ke dalam sistem, berupa perawatan dan sinyal. Masukan perawatan adalah energi yang dimasukkan supaya sistem dapat berinteraksi.
g. Keluaran Sistem (Output)
Hasil energi yang diolah dan diklasifikasikan menjadi keluaran yang berguna, dan sisa pembuangan.
h. Pengolahan Sistem (Process)
Suatu sistem dapat mempunyai suatu bagian pengolah yang akan mengubah masukan menjadi keluaran.
i. Sasaran (Objective)
Tujuan yang ingin dicapai oleh sistem, akan dikatakan berhasil apabila mengenai sasaran atau tujuan.
3.3 Pengertian Data Mining
Cabang ilmu komputer yang relatif baru adalah Data Mining. Masih menjadi perdebatan dalam menempatkan data mining pada bidang ilmu yang mana. Ada beberapa pihak yang menyatakan data mining tidak lebih dari analisis statistik yang berjalan diatas database dan ada pihak yang mempunyai pendapat bahwa database berperan penting dalam data mining terutama dalam optimasi querynya (Fadli, 2011).
Data mining adalah suatu kegiatan menambang pengetahuan atau mengekstraksi data yang memiliki ukuran atau jumlah yang besar, informasi inilah yang nantinya sangat berguna untuk dikembangkan.
Gambar 0.2 Langkah-langkah data mining (Fadli, 2011).
Langkah-langkah dalam melakukan data mining adalah sebagai berikut : a. Data cleaning yaitu untuk menghilangkan noise data yang tidak
konsisten.
b. Data integration (di mana sumber data yang terpecah dapat disatukan).
c. Data selection (di mana data yang relevan dengan tugas analisis dikembalikan ke dalam database).
d. Data transformation (di mana data berubah atau bersatu menjadi bentuk yang tepat untuk menambang dengan ringkasan performa atau operasi agresi).
e. Data mining (proses esensial dimana metode yang intelejen digunakan untuk mengekstrak pola data).
f. Patten evolution (untuk mengidentifikasi pola yang benar-benar menarik yang mewakili pengetahuan berdasarkan atas beberapa tindakan yang menarik).
g. Knowledge presentation (di mana gambaran teknik visualisasi dan pengetahuan digunakan untuk memberikan pengetahuan yang telah ditambang kepada user.
3.3.1 Arsitektur Data Mining
Beberapa arsitektur dalam data mining antara lain :
a. Tempat penyimpanan informasi, seperti : database, data warehouse, dll.
b. Database server atau data warehouse. c. Pengetahuan dasar data mining. d. Mesin data mining.
e. Pola evolusi modul. f. Graphical user interfaces. 3.3.2 Peran Utama Data Mining
Beberapa pembagian data mining berdasarkan pola seperti apa yang akan ditambang, yaitu :
a. Estimasi
Estimasi hampir mirip dengan klasifikasi, tetapi estimasi mempunyai variabel target berupa bilangan numerik (kontinyu) dan bukan bilangan kategorikal (distrit atau nominal). Estimasi nilai dari variabel target ditentukan berdasarkan nilai dari variabel atribut. Algortima yang sering diterapkan dalam estimasi yaitu Linear Regression, Neural Network, dan lain-lain. b. Prediksi
Teknik prediksi terkadang digunakan juga untuk klasifikasi. Tidak hanya untuk prediksi time series karena sifatnya yang bisa menghasilkan class berdasarkan berbagai atribut yang disediakan. Semua algoritma yang digunakan dalam estimasi bisa digunakan untuk algoritma prediksi, dimana label/target/class bertipe numerik, hanya saja data yang digunakan merupakan data rentet waktu.
c. Klasifikasi
Klasifikasi merupakan algoritma yang menggunakan data dengan label/class/target berupa nilai nominal (kategorikal). Sebagai contoh apabila class/label/target adalah pendapatan, maka target/label/class dapat dibagi menjai 3 kategori yaitu pendapatan besar, pendapatan sedang, pendapatan rendah. Algoritma yang sering digunakan dalam klasifikasi antara lain: Naïve Bayes, K-Nearest Neighbor, C4.5, dan lain-lain.
d. Klastering
Teknik pengklasteran yaitu pengelompokan kasus data, dan hasil observasi ke dalam suatu class yang mirip. Klaster yaitu pengelompokan data yang mirip antara satu dengan yang lainnya, dan perbedaan jika dibandingkan dengan data dari klaster lainnya. Algoritma klastering ini tidak mempunyai target/label/class. Algoritma yang sering digunakan dalam klastering yaitu K-Means, Fuzzy C-Means, K-Medoids, dan lain-lain.
e. Asosiasi
Teknik asosiasi atau sering disebut market basket analisis merupakan sebuah algortima yang menemukan atribut yang muncul secara bersamaan. Algoritma asosiasi akan mencari aturan yang menghitung hubungan diantara dua atau lebih atribut. Algoritma yang banyak diterapkan dalam asosiasi yaitu Apriori, FP-Growth, dan lain-lain.
3.4 Clustering
Clustering merupakan suatu kelompok entitas yang memiliki persamaan dan memiliki perbedaan entitas dari kelompok lain. Cara kerja teknik klaster yaitu dengan mengelompokkan objek-objek data (entitas, kejadian, pola, unit, hasil observasi) atau melakukan pemisahan/ segmentasi/ pemecahan data kedalam sejumlah klaster tertentu. Teknik
klaster dapat di aplikasikan keberbagai bidang ilmu di antaranya : Teknik, Ilmu Komputer, Medis, Astronomi, Sosial, dan Ekonomi (Suprayogi, 2013). 3.5 Algoritma K-Means
Algoritma ini merupakan suatu metode analisis kelompok yang mengarah kepada pembagian (N) objek kedalam (K) kelompok (klaster), dimana setiap objek dimiliki oleh sebuah kelompok dengan Mean. Proses dalam algoritma ini yaitu menemukan pusat centroid (kelompok) dalam data sebanyak literasi perbaikan yang dilakukan. Konsep algoritma ini membagi data kedalam kelompok, kelompok yang mempunyai karakteristik sama akan dijadikan menjadi satu kelompok dan kelompok yang mempunyai karakteristik yang berbeda dimasukkan kedalam kelompok yang lainnya (Suprayogi, 2013).
3.5.1 Kelemahan Metode K-Means
Metode ini memiliki beberapa kelemahan (Wakhidah, 2014), diantaranya :
a. Jumlah klaster sebanyak K harus ditentukan sebelum dilakukan perhitungan.
b. Bila jumlah data tidak terlalu banyak maka mudah dalam menentukan centroid awal.
c. Kontribusi dari atribut dalam pengelompokan tidak diketahui karena semua atribut dianggap mempunyai bobot yang sama. d. Tidak pernah mengetahui real cluster dengan menggunakan data
yang sama, tetapi dimasukkan dengan cara yang berbeda, mungkin dapat memproduksi kluster uang berbeda jika jumlah datanya sedikit.
3.5.2 Proses Algoritma K-Means
Langkah-langkah dalam penerapan algoritma K-Means (Suprayogi, 2013) :
a. Menentukan jumlah kriteria yang di cluster.
c. Menghitung pusat cluster (centroid) dengan Means untuk masing-masing kelompok. Cara menentukan jarak terdekat centroid dengan menggunakan rumus :
𝐷(𝑋₂ − 𝑋₁) = ||𝑋₂ − 𝑋₁||² = √∑
𝑝|𝑥₂ − 𝑥₁|
2𝑖=1
d. Mengalokasikan data kecentroid terdekat. Rumus untuk mengalokasikan data centroid terdekat :
𝑎𝑖𝑗 {1
0
𝑑 = min {𝐷(𝑋𝑖 − 𝐶1)}
𝐿𝑎𝑖𝑛𝑦𝑎
Penjelasan :
aij adalah nilai keanggotaan titik Xi ke centroid c1, d adalah jarak terpendek dari data Xi ke k (kelompok) setelah dibandingkan, dan c1 adalah centroid ke-1.
e. Selanjutnya lakukan kembali tahap 3, lakukan perulangan hingga nilai centroid yang dihasilkan tetap dan anggota cluster tidak berpindah ke cluster lain.
3.6 Analisa Sistem
Analisa sistem didefinisikan sebagaimana memahami dan menspesifikasikan dengan detail apa yang harus dilakukan oleh sistem. Analisa sistem sangat bergantung pada teori sistem umum sebagai sebuah landasan konseptual, yang tujuannya adalah untuk memperbaiki berbagai fungsi didalam sistem yang sedang berjalan, merancang output yang sedang digunakan untuk mencapai tujuan yang sama dengan seperangkat input yang lain.
Tahapan dalam menganalisa sistem adalah sebagai berikut :
a. Definisikan masalah yang mencakup input, proses dan output dari sistem yang sedang berjalan dan sistem yang akan dibangun.
b. Pahami sistem yang sedang berjalan tersebut dan pahami definisinya. c. Mencari alternatif yang ditawarkan haruslah terdiri dari beberapa bentuk
yang menunjukkan kelebihan dan kekurangan.
d. Pilih salah satu alternatif yang telah dirumuskan pada tahap sebelumnya. [3.1]
e. Implementasikan alternatif terpilih dari sekian alternatif yang telah ditawarkan.
f. Mengevaluasi dampak yang ditimbulkan akibat perubahan yang telah dilakukan terhadap sistem.
3.7 Perancangan Sistem
3.7.1 Unified Modelling Language (UML)
Menurut Mulyani (2016), UML adalah sebuah teknik pengembangan sistem yang menggunakan bahasa grafis sebagai alat untuk pendokumentasian dan melakukan spesifikasi pada sistem.
Diagram dalam UML
UML menyediakan beberapa macam diagram untuk memodelkan aplikasi perangkat lunak berorientasi objek, yaitu :
a. Use Case Diagram
Diagram use case bersifat statis. Diagram ini memperlihatkan himpunan use case dan aktor-aktor (suatu jenis khusus dari kelas). Diagram ini terutama sangat penting untuk mengorganisasi dan memodelkan perilaku suatu sistem yang dibutuhkan serta diharapkan pengguna.
Tabel 0.2 Simbol Use Case Diagram (Muslihudin & Oktafianto, 2016).
Simbol Nama Keterangan
Use Case Menjelaskan kegiatan yang dilakukan actor untuk mencapai suatu tujuan tertentu.
Aktor/actor Orang atau pihak yang akan mengelola sistem.
Asosiasi / Association
Komunikasi antara actor dan use case yang berpartispasi
pada use case yang memiliki interkasi dengan actor.
Ekstensi / Extend
Memberikan opsi eksklusif pada program.
Include Perintah langsung dieksekusi tanpa opsi
b. Sequence Diagram
Diagram interkasi dan sequence (urutan) bersifat dinamis. Dinamis urutan adalah diagram interaksi yang menekankan pada pengiriman pesan dalam suatu waktu tertentu.
Tabel 0.3 Simbol Sequence Diagram (Muslihudin & Oktafianto, 2016).
Simbol Nama Deskripsi
Aktor/actor Orang atau pihak yang akan mengelola sistem.
Garis hidup / Lifeline
Menyatakan kehidupan suatu objek.
Objek Menyatakan objek yang berinteraksi pesan.
Boundary Menyatakan objek sebagai tampilan.
Control Menyatakan objek sebagai control. Nama_objek
Entity Menyatakan objek sebagai data.
Waktu aktif Menyatakan objek dalam keadaan aktif dan berinteraksi, semua yang terhubung dengan waktu aktif ini adalah tahapan yang dilakukan didalamnya.
<<create>> Pesan tipe create
Menyatakan suatu objek membuat objek yang lain, arah panah mengarah pada objek yang dibuat
1:nama_metode()
Pesan tipe Call
Menyatakan suatu objek memanggil operasi / metode yang ada pada objek lain atau dirinya sendiri.
1:masukan Pesan tipe send
Menyatakan bahwa suatu objek mengirim data / masukan informasi ke objek lainnya, arah panah mengarah pada objek yang dikirimi. Pesan tipe
Return
Menyatakan bahwa suatu obejk yang telah menjalankan suatu operasi / metode menghasilkan suatu kembaliaan ke objek tertentu, arah panah mengarah pada objek yang menerima kembalian.
<<destroy>> Pesan tipe destroy
Menyatakan suatu objek mengahiri hidup objek yang lain, arah panah mengarah pada objek yang diakhiri, sebaiknya jika ada create maka ada destroy.
c. Activity Diagram
Diagram aktivitas bersifat dinamis, diagram aktivitas adalah tipe khusus dari diagram status yang memperlihatkan aliran dari suatu aktivitas ke aktivitas lainnya dalam suatu sistem. Diagram ini terutama penting dalam suatu sistem serta pemodelan fungsi-fungsi suatu sistem dan memberi tekanan pada aliran kendali antar objek, didalam aktiviti diagram terdapat juga beberapa simbol. Berikut ini adalah simbol-simbol yang ada pada diagram aktivitas, yaitu :
Tabel 0.4 Simbol Activity Diagram (Muslihudin & Oktafianto, 2016).
Simbol Nama Deskripsi
Status awal Status awal aktivitas sistem, sebuah diagram aktivitas memiliki sebuah status awal.
Aktivitas
Aktifitas Aktivitas yang dilakukan sistem, aktivitas biasanya diawali dengan kata kerja.
Percabangan/ Decision
Asosiasi percabangan dimana jika ada pilihan aktivitas lebih dari satu.
Merge Node Titik control ini membawa beberapa aliran alternatif menjadi satu aliran keluar. Status akhir Status akhir yang dilakukam
sistem, sebuah diagram aktivitas memiliki sebuah status akhir.
Join Suatu cara menyinkronkan aliran – aliran kendali dengan batang hitam horizontal dengan dua atau lebih anak panah yang menunjuk ke dalam dan satu anak panah yang menunjuk keluar.
Fork Mempresentasikan pemisahan
aktivitas digambarkan sebagai batang hitam horizontal dengan satu anak panah menunjuk ke batang dan dua atau lebih anak panah menunjuk keluar.
Swinlane Memisahkan organisasi bisnis yang bertanggung jawab terhadap aktifivitas yang terjadi.
d. Class Diagram
Class Diagram menggambarkan struktur sistem dari segi pendefinisian kelas-kelas yang akan dibuat untuk membangun sistem. Kelas memiliki apa yang disebut atribut dan metode atau operasi. Class memiliki tiga area pokok :
- Name - Atribut - Methods
Atribut dan Methods dapat memiliki salah satu sifat sebagai berikut :
1. Private,tidak dapat dipanggil dari luar class yang bersangkutan.
2. Protected,hanya dapat dipanggil oleh class yang bersangkutan dan anak-anak yang mewarisinya.
3. Public, dapat dipanggil oleh siapa-siapa.
Tabel 0.5 Simbol Class Diagram (Muslihudin & Oktafianto, 2016).
Simbol Keterangan
Kelas pada struktur sistem.
Antarmuka / interface
Nama_interface
Konsep sama interface dalam pemrograman berorientasi objek.
Asosiasi / assocoation Relasi antarkelas dengan makna umum.
Asosiasi berarah / directed association
Relasi antarkelas dengan makna kelas yang satu digunakan oleh kelas yang lain.
Generalisasi Relasi antarkelas dengan makna
umum khusus.
Agregasi / agregation Relasi antarkelas dengan makna semua bagian.
3.8 Aplikasi Pendukung 3.8.1 Rapid Miner
Menurut Fatmawati (2016) RapidMiner merupakan perangkat lunak yang dibuat oleh Dr. Markus Hofmann dari Institute of Technology Blanchardstowndan Raif Klinkenberg dari rapid-i.com dengan tampilan GUI (Graphical User Interface) sehingga Nama_kelas
+atribut +operasi()
memudahkan pengguna dalam menggunakan perangkat lunak ini. Perangkat lunak ini bersifat open source dan dibuat dengan menggunakan bahasa Java dibawah lisensi GNU Public License dan RapidMiner dapat dijalankan disistem operasi manapun. Dengan menggunakan RapidMiner, tidak dibutuhkan kemampuan koding khusus, karena semua fasilitas sudah disediakan (Fatmawati, 2016). 3.8.2 PHP
PHP merupakan suatu bahasa server-slide –scripting yang menyatu dengan HTML dalam membuat halaman web yang dinamis. Sintak-sintak dan perintah PHP akan dieksekusi pada server kemudian hasilnya akan dikirim ke browser dengan format HTML. Dengan kata lain kode yang tertulis pada PHP tidak akan terlihat oleh user sehingga keamanan web lebih terjamin (Ritonga, 2015). 3.8.3 XAMPP
Xampp adalah sebuah software yang kompatibel dengan banyak sistem operasi. Xampp yaitu gabungan dari beberapa program yang mempunyai fungsi sebagai server yang berdiri sendiri (localhost). Xampp terdiri dari program MySql Database, Appace HTTP Server, dan penerjemah yang ditulis dalam bahasa pemrograman PHP dan Perl (Cahyanti & Purnama, 2012).
3.8.4 Sublime Text
Sublime adalah sebuah teks editor yang hampir mirip dengan software notepad bawaan windows yang memberikan fasilitas kaya fitur, cross platform, elegan, mudah dan simpel. Perangkat lunak ini cukup terkenal dalam kalangan penulis, desainer dan developer. Sublime mempunyai beberapa keunggulan (Faridl, 2015), yaitu :
a. Dapat mengubah kode pada baris yang berbeda dengan waktu yang sama.
c. Dapat membuat tampilan layar menjadi penuh dengan menekan shift + f11.
3.9 Pengujian Sistem
Pengujian sistem atau system testing adalah serangkaian pengujian dengan tujuan utamanya untuk menjalankan seluruh elemen sistem yang dikembangkan. Pengujian dilakukan untuk menemukan dan memperbaiki sebanyak mungkin kesalahan dalam program sebelum menyerahkan program kepada kostumer. Salah satu pengujian yang baik adalah pengujian yang memiliki probabilitas tinggi dalam menenmukan kesalahan (Pressman, 2012).
3.9.1 White-box Testing
Pengujian white-box adalah metode test-case design yang menggunakan struktur control desain prosedural untuk memperoleh test-case. Dengan menggunakan metode pengujian white-box, perekayasa sistem dapat memperoleh test-case yang :
a. Memberikan jaminan bahwa semua jalur independen pada suatu modul telah digunakan paling tidak satu kali.
b. Menggunakan semua keputusan logis dari sisi true dan false. c. Mengeksekusi semua batas fungsi loops dan batas
operasionalnya, dan lain-lain. 3.9.2 Black-box Testing
Black-box testing merupakan pengujian yang berpusat pada kebutuhan fungsional perangkat lunak dimana memungkinkan untuk memperoleh sekumpulan kondisi input yang secara penuh memeriksa fungsional dari sebuah aplikasi. Black-box testing berusaha menemukan kesalahan-kesalahan seperti kesalahan fungsi dan kesalahan tampilan aplikasi. Black-box testing dapat digunakan untuk menguji aplikasi konvensional dan aplikasi yang berorientasi objek.
3.10 Kerangka Pemikiran
Tujuan
Dengan menerapkan teknik data mining clustering dengan algoritma K-means dengan mengelompokkan barang-barang yang terjual menjadi 3 kriteria yaitu : sangat laku, laku, dan kurang laku, dapat menyelesaikan masalah toko An Nur
dalam menentukan strategi penentuan stok barang. Masalah
Bagaimana menerapkan teknik data mining clustering sehingga dapat membantu toko An Nur dalam menentukan strategi penentuan stok barang
menggunakan algoritma K-Means?
Eksperimen
PreProcessing
Data dari toko
An Nur Data set Implementasi metode Clustering K-Means Mendapat Keputusan Menghasilkan sebuah keputusan Komputasi metode Komputasi hasil ke aplikasi Hasil
Mempermudah, Mempercepat, dan meningkatkan ke akuratan dalam menentukan strategi penentuan stok barang.
