Aplikasi data mining menggunakan algoritma apriori untuk analisis pola penjualan Di XYZ helm.

(1)

APLIKASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI

UNTUK ANALISIS POLA PENJUALAN DI XYZ HELM

Alfonsus Doni Setyawan

ABSTRAK

Data mining merupakan proses untuk menganalisis kumpulan data yang

menghasilkan pengetahuan baru sehingga dapat membantu dalam pengambilan

keputusan. Terdapat metode Association Rule dalam data mining yang dapat

menentukan pola aturan dari kumpulan data. Data dalam penelitian ini bertujuan

untuk mengetahui pola penjualan di XYZ Helm dengan analisis hasil

menggunakan Algoritma Apriori. Penelitian ini diperoleh dari hasil penjualan

helm sejumlah 126 nota transaksi dengan 798 detil penjualan yang kemudian

diolah dengan algoritma tersebut dengan menentukan nilai support dan

confidence. Hasil analisis menunjukan terdapat 4 barang yang lolos dari minimum

support 40% dan minimum confidence 50% dan diharapkan dapat membantu

pemilik usaha dalam mengambil keputusan untuk penjualan selanjutnya.

(2)

DATA MINING APPLICATION USING APRIORI ALGORITHM

FOR ANALYSIS OF SALES PATTERN IN XYZ HELMET

ABSTRACT

Data mining is the process to analyze data sets that produce new knowledge to

help making a decision. There is a method of Association Rule in the data mining

that can determine the rule pattern of the data sets. This research aims to know the

sales pattern in XYZ Helmet using apriori algorithm. The data

were obtained from the results of sales at XYZ helmet that totaled 126

transactions with 798 sales details which were analyzed using the algorithm by

determining the value of support and confidence. According to the result of

analysis, there are 4 items passed minimum support 40% and minimum

confidence 50%. This result is expected to help business owner in deciding next

sales plan.

(3)

APLIKASI DATA MINING

MENGGUNAKAN ALGORITMA APRIORI

UNTUK ANALISIS POLA PENJUALAN

DI XYZ HELM

Skripsi

Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Disusun oleh :

105314096

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

(4)

i

DATA MINING APPLICATION

USING APRIORI ALGORITHM

FOR ANALYSIS OF SALES PATTERN

IN XYZ HELMET

Thesis

Presented as Partial Fullfilment of the Requirements

To Obtain the Computer Bachelor Degree

In Informatics Engineering

By :

105314096

INFORMATICS ENGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATICS ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

(5)

ii

HALAMAN PERSETUJUAN PEMBIMBING

SKRIPSI

APLIKASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI

Dipersiapkan dan ditulis oleh :

105314096

Telah disetujui oleh :

Pembimbing

(6)

iii

HALAMAN PENGESAHAN SKRIPSI

Dipersiapkan dan ditulis oleh :

105314096

Telah dipertahankan di depan Panitia Penguji

Pada tanggal ……… 2016

dan dinyatakan memenuhi syarat

Susunan Panitia Penguji:

Nama Lengkap

Tanda Tangan

Ketua

Drs.Haris Sriwindono M.Kom

...

Sekretaris

Paulina Heruningsih Prima Rosa M.Sc

...

Anggota

Ridowati Gunawan, S.Kom. M.T.

...

Yogyakarta, ………

Fakultas Sains dan Teknologi

Universitas Sanata Dharma

Dekan,

(7)

iv

HALAMAN MOTTO

Jika ada mimpi selalu ada harapan

Jika ada harapan selalu ada usaha

Jika ada usaha selalu ada hasil

Jangan takut bermimpi untuk berhasil

Make dreams come true

(anonymous)

Berusahalah sampai tetes terakhir

Karena hasil tidak akan mengingkari usaha

(anonymous)

Katak selalu melompat kedepan

Walau jalan terjal menanti tak takut untuk melangkah

Hiduplah seperti katak

(8)

v

HALAMAN PERSEMBAHAN

Karya ini aku persembahkan untuk

Tuhan Yesus yang baik telah memberi karunia,

rahmat, dan penyertaanNya.

Bapak yang selalu ada, bahkan saat aku menulis halaman ini

aku percaya bapak ada disini.

Ibu dan adikku yang selalu memberikan

doa dan dukungan.

Dosen pembimbing skripsi yang telah memberikan

bimbingan dengan penuh kesabaran.

Kekasih yang selalu memberi semangat dan harapan

Serta kepada semua orang

(9)

vi

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa skripsi yang saya tulis ini tidak

memuat karya atau bagian karya orang lain, kecuali yang telah disebutkan dalam

daftar pustaka sebagaimana layaknya karya ilmiah.

Yogyakarta, ……… 2016

Penulis,

(10)

vii

ABSTRAK

Data mining merupakan proses untuk menganalisis kumpulan data yang

menghasilkan pengetahuan baru sehingga dapat membantu dalam pengambilan

keputusan. Terdapat metode Association Rule dalam data mining yang dapat

menentukan pola aturan dari kumpulan data. Data dalam penelitian ini bertujuan

untuk mengetahui pola penjualan di XYZ Helm dengan analisis hasil

menggunakan Algoritma Apriori. Penelitian ini diperoleh dari hasil penjualan

helm sejumlah 126 nota transaksi dengan 798 detil penjualan yang kemudian

diolah dengan algoritma tersebut dengan menentukan nilai support dan

confidence. Hasil analisis menunjukan terdapat 4 barang yang lolos dari minimum

support 40% dan minimum confidence 50% dan diharapkan dapat membantu

pemilik usaha dalam mengambil keputusan untuk penjualan selanjutnya.

(11)

viii

DATA MINING APPLICATION USING APRIORI ALGORITHM

FOR ANALYSIS OF SALES PATTERN IN XYZ HELMET

ABSTRACT

Data mining is the process to analyze data sets that produce new knowledge to

help making a decision. There is a method of Association Rule in the data mining

that can determine the rule pattern of the data sets. This research aims to know the

sales pattern in XYZ Helmet using apriori algorithm. The data

were obtained from the results of sales at XYZ helmet that totaled 126

transactions with 798 sales details which were analyzed using the algorithm by

determining the value of support and confidence. According to the result of

analysis, there are 4 items passed minimum support 40% and minimum

confidence 50%. This result is expected to help business owner in deciding next

sales plan.

(12)

ix

PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma

Nama

:

Nomor Mahasiswa

:

105314096

Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan

Universitas Sanata Dharma karya ilmiah saya yang berjudul:

Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan

kepada Perpusatakaan Universitas Sanata Dharma hak untuk menyimpan,

mengalihkan dalam bentuk media lain, mengelolanya di internet atau media lain

untuk kepentingan akademis tanpa perlu meminta ijin dari saya maupun

memberikan royalti kepada saya selama saya tetap mencantumkan nama saya

sebagai penulis.

Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di Yogyakarta

Pada tanggal,………

Yang menyatakan,

(13)

x

KATA PENGANTAR

Puji syukur dan terima kasih penulis panjatkan kepada Tuhan Yesus Kristus

atas segala berkat dan anugerah-Nya sehingga skripsi yang berjudul “APLIKASI

DATA MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK

ANALISIS POLA PENJUALAN DI XYZ HELM” ini dapat diselesaikan dengan

baik. Skripsi ini disusun sebagai salah satu syarat untuk memperoleh gelar sarjana

di Program Studi Teknik Informatika, Fakultas Sains dan Teknologi Universitas

Sanata Dharma Yogyakarta.

Penulisan skripsi ini tentunya dapat selesai berkat dukungan dan bantuan dari

berbagai pihak. Oleh karena itu, penulis ingin mengucapkan banyak terima kasih

kepada :

1.

Bpk. Sudi Mungkasi, Ph.D., selaku Dekan Fakultas Sains dan Teknologi

Universitas Sanata Dharma.

2.

Ibu Dr. Anastasia Rita Widarti, M.Kom selaku Kepala Program Studi Fakultas

Psikologi Universitas Sanata Dharma.

3.

Ibu Ridowati Gunawan, S.Kom, M.T., selaku Dosen Pembimbing Skripsi.

Terima kasih atas kesabarannya dalam membimbing pengerjaan tugas akhir.

4.

Segenap Bapak / Ibu staf pengajar di Fakultas Sains dan Teknologi Universitas

Sanata Dharma, khususnya Program Studi Teknik Informatika. Terima kasih

untuk ilmu dan pelayanan yang telah diberikan.

5.

Bapak, Ibu dan adik yang tercinta. Terima kasih untuk dukungan dan doa yang

(14)

xi

6.

Hilda Muliastu Widesti, pacar yang tersayang. Terima kasih untuk kesabaran,

cinta, dan perhatiannya. Terima kasih telah selalu mengingatkan saat rasa

malas melanda.

7.

Untuk teman-teman di Universitas Sanata Dharma, dan semua teman-teman

lainnya yang selalu memberi dukungan, dan sindiran juga ilmu yang berguna

hingga skripsi saya selesai.

8.

Seluruh pihak yang telah membantu selesainya skripsi ini, yang tidak bisa

disebutkan satu per satu. Terima kasih banyak.

Pada akhirnya penulis menyadari bahwa skripsi ini memiliki banyak

kekurangan. Oleh karena itu, penulis mengharapkan saran dan kritik yang dapat

membuat skripsi ini menjadi lebih baik lagi.

Yogyakarta, ...2016

Penulis

(15)

xii

DAFTAR ISI

HALAMAN JUDUL ... i

HALAMAN PERSETUJUAN PEMBIMBING ... ii

HALAMAN PENGESAHAN

...

iii

HALAMAN MOTTO ... iv

HALAMAN PERSEMBAHAN... v

HALAMAN PERNYATAAN KEASLIAN KARYA ... vi

ABSTRAK ... vii

ABSTRACT ... viii

HALAMAN PERSETUJUAN PUBLIKASI KARYA ILMIAH ... ix

KATA PENGANTAR ... x

DAFTAR ISI ... xii

DAFTAR GAMBAR ... xvi

DAFTAR TABEL... xviii

BAB I

PENDAHULUAN ... 1

1.1.Latar Belakang ... 1

1.2.Rumusan Masalah ... 3

1.3.Tujuan dan Manfaat ... 3

1.4.Batasan Masalah... 3

1.5.Metodologi ... 4

(16)

xiii

BAB II LANDASAN TEORI ... 7

2.1.

Pengertian Data Mining ... 7

2.2.

Proses Penambangan Data ... 7

2.3.

Teknik Penambangan Data ... 9

2.4.

Teknik Asosiasi ... 10

2.5.

Algoritma Apriori ... 12

BAB III ANALISIS DAN DESAIN SISTEM ... 16

3.1.

Identifikasi Sistem ... 16

3.2.

Analisis Sistem ... 17

3.3.

Pemrosesan Data ... 18

3.4.

Use Case Diagram ... 23

3.4.1.

Diagram Use Case ... 23

3.4.2.

Definisi Use Case ... 24

3.5.

Diagram Aktivitas ... 25

3.5.1.

Diagram Aktivitas Menginput Data ... 25

3.5.2.

Diagram Aktivitas Menginput Data Penjualan ... 25

3.5.3.

Diagram Aktivitas Melihat Histori Penjualan ... 26

3.5.4.

Diagram Aktivitas Mencari Rule Penjualan ... 26

3.5.5.

Diagram Aktivitas Melihat Hasil Apriori ... 27

3.6.

Diagram Sekuensial ... 28

3.6.1.

Diagram Sekuensial Menginput Data ... 28

3.6.2.

Diagram Sekuensial Menginput Data Penjualan... 28

(17)

xiv

3.6.4.

Diagram Sekuensial Mencari Rule Penjualan ... 29

3.6.5.

Diagram Sekuensial Melihat Hasil Apriori ... 30

3.7.

ER Diagram ... 30

3.7.1.

Model Data Konseptual... 30

3.7.2.

Model Data Logikal ... 31

3.7.3.

Model Data Fisikal ... 32

3.8.

Desain Program ... 34

BAB IV IMPLEMENTASI SISTEM ... 38

4.1.

Spesifikasi Hardware dan Software ... 38

4.4.1.

Spesifikasi Hardware ... 38

4.4.2.

Spesifikasi Software ... 38

4.2.

Pembuatan Database ... 38

4.3.

Koneksi Java dan MySQL ... 38

4.4.

Implementasi Program ... 40

4.4.1.

Halaman Utama ... 40

4.4.2.

Halaman Barang ... 40

4.4.3.

Halaman Penjualan ... 41

4.4.4.

Halaman Histori Penjualan ... 42

4.4.5.

Halaman Apriori ... 43

4.5.

Pengujian Program ... 50

BAB V ANALISIS SISTEM ... 53

5.1.

Analisis Sistem Pengujian ... 53

(18)

xv

5.3.

Kelebihan dan Kekurangan Program ... 55

5.3.1.

Kelebihan Program... 55

5.3.2.

Kekurangan Program ... 56

BAB VI PENUTUP ... 57

6.1.

Kesimpulan ... 57

6.2.

Saran ... 57

DAFTAR PUSTAKA ... 58

(19)

xvi

DAFTAR GAMBAR

Gambar 2.1 Langkah KDD ... 9

Gambar 3.1 Use Case ... 23

Gambar 3.2 Diagram Aktivitas Menginput Data Barang... 25

Gambar 3.3 Diagram Aktivitas Menginput Data Penjualan ... 25

Gambar 3.4 Diagram Aktivitas Melihat Histori Penjualan ... 26

Gambar 3.5 Diagram Aktivitas Mencari Rule Penjualan... 26

Gambar 3.6 Diagram Aktivitas Melihat Hasil Apriori... 27

Gambar 3.7 Diagram Sekuensial Menginput Data Barang ... 28

Gambar 3.8 Diagram Sekuensial Menginput Data Penjualan ... 28

Gambar 3.9 Diagram Sekuensial Melihat Histori Penjualan ... 29

Gambar 3.10 Diagram Sekuensial Mencari Rule Penjualan ... 29

Gambar 3.11 Diagram Sekuensial Melihat Hasil Apriori ... 30

Gambar 3.12 ER Diagram Konseptual... 30

Gambar 3.13 Desain Menu Utama ... 34

Gambar 3.14 Desain Menu Barang ... 35

Gambar 3.15 Desain Menu Penjualan ... 36

Gambar 3.16 Desain Histori Penjualan ... 37

Gambar 3.17 Desain Menu Apriori ... 37

Gambar 4.1 Halaman Utama ... 40

Gambar 4.2 Halaman Barang ... 41

Gambar 4.3 Halaman Penjualan ... 42

(20)

xvii

Gambar 4.5 Halaman Apriori ... 44

Gambar 4.6 Hasil Analisis ... 45

Gambar 4.7 Data Penjualan... 51

Gambar 4.8 Hasil Rule Program ... 51

Gambar 4.9 Hasil Manual Excel ... 52

(21)

xviii

DAFTAR TABEL

Tabel 2.1 Contoh Transaksi Penjualan... 13

Tabel 2.2 Contoh Penentuan C1... 13

Tabel 2.3 Contoh Kombinasi Data ... 14

Tabel 2.4 Contoh Kombinasi Data ... 15

Tabel 3.1 Atribut Tabel Penjualan_det ... 17

Tabel 3.2 Atribut Untuk Penambangan ... 18

Tabel 3.3 Atribut Tabel Detailpenjualan ... 19

Tabel 3.4 Atribut Tabel Detailpenjualancanvaser ... 20

Tabel 3.5 Definisi Use Case ... 24

Tabel 3.6 Tabel Logikal Warna ... 31

Tabel 3.7 Tabel Logikal Merk ... 31

Tabel 3.8 Tabel Logikal Tipe ... 31

Tabel 3.9 Tabel Logikal Barang... 31

Tabel 3.10 Tabel Logikal Penjualan_det ... 31

Tabel 3.11 Tabel Logikal Penjualan ... 32

Tabel 3.12 Tabel Logikal Pelanggan ... 32

Tabel 3.13 Tabel Fisikal Merk ... 32

Tabel 3.14 Tabel Fisikal Tipe ... 32

Tabel 3.15 Tabel Fisikal Barang ... 33

Tabel 3.16 Tabel Fisikal Penjualan_det ... 33

Tabel 3.17 Tabel Fisikal Penjualan ... 34

(22)

xix

Tabel 5.1 Hasil Pengujian ... 53

(23)

BAB I

PENDAHULUAN

1.1. Latar Belakang

Beberapa tahun terakhir, jumlah kendaraan terutama sepeda motor

meningkat di kota-kota besar. Misalnya, di Yogyakarta, jumlah motor

bertambah banyak setiap tahunnya sejak 2009 (Iskandar, 24 Agustus 2014).

Tidak mengherankan apabila penduduk di kota-kota besar memilih sepeda

motor sebagai alat transportasi utama sebab sepeda motor memudahkan

mereka untuk berpindah dari satu tempat ke tempat yang lain dengan cepat.

Selain itu, sepeda motor juga dapat membantu mereka menghemat waktu

untuk mencapai suatu tempat dibandingkan menggunakan kendaraan umum.

Ketika mengendarai sepeda motor, seseorang wajib menggunakan helm.

Helm merupakan alat pelindung keselamatan yang memiliki fungsi sangat

penting yaitu melindungi pengendara dari kecelakaan yang tidak diinginkan,

seperti jatuh atau terkena benturan. Untuk memaksimalkan fungsi pelindung

keselamatan tersebut, saat ini sudah banyak helm yang dilengkapi fitur

tambahan. Misalnya, ada helm yang dilengkapi dengan kaca ganda (double

visor) sehingga pengendara dapat menghindari sinar matahari yang

menyilaukan ketika mengendarai motor. Ada pula helm yang dilengkapi

dengan kunci pengaman (anti theft system) sehingga tidak mudah dicuri

ketika ditinggalkan di motor.

Pada saat ini, ada berbagai merk dan tipe helm yang beredar di pasaran.

Helm pun semakin menarik dengan aneka pilihan warna, motif, maupun

gambar. Hal ini membuat helm tidak hanya berfungsi sebagai alat pelindung

keselamatan namun juga membuat pengendara motor terlihat gaya.

XYZ Helm merupakan distributor penjualan helm yang melayani

permintaan dari Yogyakarta dan Jawa Tengah. Banyaknya permintaan helm

membuat perusahaan tersebut membutuhkan perangkat lunak untuk

(24)

2

transaksi yang disimpan dalam perangkat lunak tersebut, perusahaan dapat

dengan mudah mengetahui helm yang sesuai dengan permintaan pasar.

Salah satu area penerapan data mining adalah di dalam bidang promosi.

Bila sasaran promosi tidak ditentukan secara baik, dalam arti tidak

diupayakan mencari sasaran promosi yang potensial, maka hanya akan

menghabiskan banyak waktu dan biaya yang seharusnya bisa diminimalisir

melalui pemilihan target promosi yang baik. Salah satu cara yang dapat

diterapkan adalah dengan menerapkan penggunaan data mining. Dengan data

mining, diharapkan dapat mengoptimalkan penjualan. Penjualan barang yang

laku dan kurang laku dipasaran akan terlihat sehingga dengan demikian

barang yang kurang laku dapat dioptimalkan dengan cara obral atau bisa

dipaketkan dengan barang yang laris atau bisa juga dapat dimasukkan ke

dalam bonus penjualan bagi pembeli dengan jumlah banyak.

Algoritma Apriori adalah algoritma pengambilan data dengan aturan

asosiatif (Association rule) untuk menentukan hubungan asosiatif suatu

kombinasi item (Kusrini, 2007). Association Rule yang dimaksud dilakukan

melalui mekanisme penghitungan support dan confidence dari suatu

hubungan item. Sebuah aturan asosiasi dikatakan interesting jika nilai

support adalah lebih besar dari minimum support dan juga nilai confidence

adalah lebih besar dari minimum confidence. Algoritma Apriori ini akan

cocok untuk diterapkan bila terdapat beberapa hubungan item yang ingin

dianalisis. Penggunaan algoritma ini, akan memberikan pengetahuan bagi

pengguna berupa aturan atau pola penjualan yang telah terjadi.

Dari latar belakang tersebut, penulis tertarik menerapkan data mining

dalam penjualan di XYZ helm sehingga memudahkan penentuan hubungan

asosiatif tiap barang yang terjual. Hasil tersebut diharapkan dapat membantu

(25)

3

1.2. Rumusan Masalah

Berdasarkan latar belakang yang telah dijelaskan di atas, maka dapat

dirumuskan masalah, yaitu :

a.

Bagaimana membangun aplikasi data mining untuk analisis pola

penjualan helm di XYZ Helm menggunakan algoritma Apriori?

b.

Bagaimana hasil penggunaan algoritma Apriori untuk analisis pola

penjualan?

1.3. Tujuan dan Manfaat

Adapun tujuan yang ingin dicapai adalah :

Mengetahui analisis pola penjualan helm dengan penerapan data mining

menggunakan algoritma Apriori.

Sedangkan manfaat yang diperoleh adalah :

a.

Bagi Penulis

Dapat menambah pengetahuan dan wawasan lebih lanjut dari

perkuliahan, dan dapat mengaplikasikan ke dalam kasus yang nyata.

b.

Bagi Pengguna

Diharapkan dari penelitian ini, informasi yang diperoleh menjadi

pertimbangan pengguna untuk marketing sehingga barang yang paling

laku atau kurang laku dapat dioptimalkan penjualannya.

1.4.

Batasan Masalah

Agar tidak menyimpang dari permasalahan dan dapat mencapai sasaran

yang diharapkan, maka penulis membatasi permasalahan pada:

a.

Data yang digunakan adalah data penjualan helm bulan Januari sampai

Februari 2015.

b.

Data diperoleh dari basis data program yang telah berjalan di XYZ helm.

c.

Data yang digunakan adalah No Faktur, Kode Item, Nama Item, dan

Jumlah Barang.

d.

Berdasarkan data tersebut, output program adalah pola penjualan helm.

(26)

4

1.5. Metodologi

Metode penelitian yang digunakan dalam penelitian ini adalah studi

kasus dengan langkah-langkah sebagai berikut :

a.

Pengumpulan Data

Pengambilan data dari rekap transaksi penjualan helm pada XYZ

Helm.

b.

Penambangan Data



Data Cleaning (Pembersihan Data)

Pembersihan data adalah langkah awal yang penting dalam

proses mining karena data yang berkualitas dapat memberikan

informasi yang berkualitas pula. Pembersihan data akan dilakukan

pada data yang kosong dan dapat dilakukan dengan cara

penghapusan tuple, mengisi dengan konstanta, atau dengan nilai

rata-rata.



Data Integration (Integrasi Data)

Integrasi data adalah menggabungkan berbagai sumber ke

sebuah tempat penyimpanan data. Hal ini berguna untuk mendeteksi

dan menyelesaikan data yang mengandung konflik sehingga data

yang diperoleh pun menjadi tidak terdapat redundancy.



Data Selection (Seleksi Data)

Data yang relevan diambil dan dianalisis dari sebuah basis data.



Data Transformation (Transformasi Data)

Transformasi data akan dilakukan untuk mengubah data

menjadi bentuk atau satuan yang tepat untuk ditambang. Hal ini

akan terjadi apa bila pada suatu kolom atribut, memiliki satuan

berbeda. Misalnya data nilai rapor yang memiliki data continue

diubah dalam interval tertentu.



Data Mining (Penambangan Data)

Mengaplikasikan metode yang digunakan yaitu Apriori untuk

(27)

5



Pattern Evaluation (Evaluasi Pola)

Mengidentifikasi

pola-pola

data

yang

menarik

untuk

mempresentasikan pengetahuan berdasarkan pengukuran yang

penting.



Knowledge Presentation (Presentasi Pengetahuan)

Teknik visualisasi kepada pengguna untuk mempresentasikan

pengetahuan.

c.

Uji Coba Sistem



Melakukan uji coba pada aplikasi data mining menggunakan

metode Apriori untuk analisis pola penjualan di XYZ secara

keseluruhan terhadap pengguna.



Menganalisis hasil pola yang didapat dengan teknik Apriori dari

perhitungan data yang ada.

1.6. Sistematika Penulisan

Sistematika penulisan laporan tugas akhir ini adalah sebagai berikut :

1.

BAB I PENDAHULUAN

Berisi tentang latar belakang, rumusan masalah, tujuan dan manfaat,

batasan masalah, metodologi penelitian dan sistematika penulisan.

2.

BAB II LANDASAN TEORI

Berisi penjelasan teori-teori yang digunakan sebagai dasar untuk

pembuatan aplikasi.

3.

BAB III ANALISIS DAN DESAIN SISTEM

Berisi tentang analisis sistem yang akan dibuat dengan menerapkan

teori-teori yang telah dipaparkan pada bab sebelumnya. Terdapat

pembuatan desain sistem yang akan dibuat.

4.

BAB IV IMPLEMENTASI SISTEM

Berisi tentang penjelasan implementasi sistem informasi praktek

dokter umum yang meliputi struktur menu sistem dan tampilan

(28)

6

5.

BAB V ANALISIS SISTEM

Berisi tentang analisis hasil dari implementasi sistem. Terdapat

penjelasan tentang hasil uji coba sistem dan kelebihan atau

kekurangan yang ada.

6.

BAB VI PENUTUP

(29)

7

BAB II

LANDASAN TEORI

2.1. Pengertian Data Mining

Data mining (Penambangan Data) adalah suatu proses menemukan

hubungan yang berarti, pola, dan kecenderungan dengan memeriksa dalam

sekumpulan besar data yang tersimpan dalam penyimpanan dengan

menggunakan teknik pengenalan pola seperti teknik statistika dan

matematika (Kusrini dan Luthfi, 2009).

Secara sederhana dapat diartikan bahwa data mining atau yang disebut

juga dengan Knowledge Discovery in Database (KDD) adalah serangkaian

proses untuk mengekstrak pola yang penting atau menarik dari sejumlah data

yang sangat besar berupa pengetahuan yang selama ini tidak diketahui secara

manual.

Data mining muncul setelah banyak dari pemilik data baik perorangan

maupun organisasi mengalami penumpukan data yang telah terkumpul

selama beberapa tahun, misalnya data pembelian, data penjualan, data

nasabah, data transaksi, data akademik, dan sebagainya. Kemudian muncul

pertanyaan dari pemilik data tersebut, apa yang harus dilakukan terhadap

tumpukan data tersebut.

2.2. Proses Penambangan Data (Data Mining)

Data mining merupakan serangkaian proses yang terdiri dari

langkah-langkah sesuai pada Gambar 2.1 :

1.

Pada langkah ini, data yang relevan akan dianalisis yang diambil

dari sebuah basis data. Akan dilakukan analisis korelasi untuk analisis

fitur. Atribut-atribut data akan dicek apakah relevan ataupun atribut yang

mengalami redudansi tidak akan digunakan. Atribut yang diharapkan

adalah atribut yang bersifat independen. Artinya antara atribut satu

(30)

8

2.

Pada langkah ini, noise data yang tidak konsisten akan dihapus. Di

dunia nyata, data cenderung tidak lengkap, noisy, dan tidak konsisten.

Pembersihan data secara rutin mencoba mendeteksi missing values,

memperhalus noise dari luar dengan mengidentifikasi outliers, dan

membenarkan ketidak konsistenan di dalam data.

3.

Pada langkah ini, akan dilakukan penggabungan data dari berbagai

macam sumber data. Data ini akan digabungkan ke dalam penyimpanan

data yang koheren. Macam-macam penyimpanan termasuk multiple

databases, data cubes, atau flat files. Hal-hal yang perlu diperhatikan

dalam integrasi data yaitu integrasi skema, pencocokan objek, redudansi

data.

4.

Pada langkah ini, data ditransformasikan atau dikonsolidasi kedalam

bentuk-bentuk yang sesuai atau tepat untuk ditambang.

5.

Data Mining (Penambangan Data)

Merupakan sebuah proses penting, dimana metode-metode

diaplikasikan dengan tepat untuk mengekstrak pola data.

6.

Mengidentifikasi pola yang sungguh-sungguh menarik untuk

merepresentasikan pengetahuan berdasarkan beberapa pengukuran yang

penting.

7.

Knowledge Presentation (Presentasi Pengetahuan)

Teknik visualisasi dalam merepresentasikan pengetahuan yang

(31)

[image:31.595.86.554.102.702.2]

9

Gambar 2.1. Langkah KDD ( Han & Kamber 2006)

2.3. Teknik Penambangan Data

Penambangan data dibagi menjadi beberapa teknik, seperti :

1.

Association Rule

Teknik mining untuk menemukan aturan assosiatif antara suatu

kombinasi item. Contoh dari aturan assosiatif dari analisa pembelian

di suatu pasar swalayan adalah bisa diketahui berapa besar

kemungkinan seorang pelanggan membeli roti bersamaan dengan

susu. Dengan pengetahuan tersebut pemilik pasar swalayan dapat

mengatur penempatan barangnya atau merancang kampanye

pemasaran dengan memakai kupon diskon untuk kombinasi barang

tertentu. Penting tidaknya suatu aturan assosiatif dapat diketahui

dengan dua parameter, support yaitu persentase kombinasi item

tersebut dalam database dan confidence yaitu kuatnya hubungan

antar item dalam aturan assosiatif.

2.

Classification

Proses untuk menemukan model atau fungsi yang menjelaskan atau

membedakan konsep atau kelas data, dengan tujuan untuk dapat

(32)

10

Model itu sendiri bisa berupa aturan “jika

-

maka”, berupa deci

sion

tree, formula matematis atau neural network.

3.

Clustering

Berbeda dengan association rule mining dan classification dimana

kelas data telah ditentukan sebelumnya, clustering melakukan

pengelompokan data tanpa berdasarkan kelas data tertentu. Bahkan

clustering dapat dipakai untuk memberikan label pada kelas data

yang belum diketahui itu. Karena itu clustering sering digolongkan

sebagai metode unsupervised learning. Prinsip dari clustering adalah

memaksimalkan

kesamaan

antar

anggota

satu

kelas

dan

meminimumkan kesamaan antar kelas/cluster. Clustering dapat

dilakukan pada data yan memiliki beberapa atribut yang dipetakan

sebagai ruang multidimensi.

2.4. Teknik Asosiasi

Teknik asosiasi adalah merupakan suatu metode penambangan data

untuk mencari pola asosiasi yang sering muncul dalam data. Metode ini

popular karena sering digunakan untuk menganalisis keranjang belanja.

Aturan yang terbentuk akan berupa “jika maka” dalam suatu transaksi. Bisa

digambarkan jika membeli barang A maka membeli barang B terjadi dalam

satu transaksi.

Hal penting dalam teknik asosiasi :

1.

Item, Itemset, dan k-Itemset

Sebuah nilai atribut disebut dengan item, kumpulan dari beberapa

item disebut dengan itemset, dan k-itemset adalah itemset yang berisi

k item.

2.

Support

Persentasi dari transaksi yang mengandung seluruh itemset. Semakin

banyak persentasi support yang didapat bisa disimpulkan bahwa item

(33)

11

sebaliknya semakin sedikit support yang diperoleh menandakan item

yang kurang laku.

… (2.1)

3.

Confidence

Persentasi banyaknya A pada transaksi yang mengandung B.

… (2.2)

Support dan confidence adalah parameter yang digunakan untuk

mengukur aturan asosiasi. Aturan asosiasi tersebut dapat diperoleh dari

itemset yang mempunyai support dan confidence lebih besar dari minimum

support (minsup) dan minimum confidence (minconf).

Masalah yang mendasar dalam teknik asosiasi dibagi menjadi dua, yaitu

1.

Menemukan seluruh itemset yang memiliki support >= minsup

Itemset yang memiliki support lebih besar atau sama dengan minsup

disebut dengan large itemset, sedangkan yang memiliki support lebih

kecil dari minimum support disebut dengan small itemset.

2.

Menggunakan large itemset untuk menghasilkan aturan asosiasi yang

diinginkan.

Algoritma yang digunakan dalam teknik asosiasi antara lain :

1.

Apriori

Algoritma ini mencari frequent itemset dari database transaksi

melalui beberapa tahap iterasi.

2.

FP Growth

Algoritma ini berbeda dengan Apriori, tidak perlu melakukan

pencarian kandidat. Data direpresentasikan menggunakan Frequent

Pattern Tree melalui pendekatan devide and conquer untuk mendapat

(34)

12

2.5.Algoritma Apriori

Langkah-langkah dari algoritma Apriori adalah sebagai berikut

(Ulmer,David,2002) :

1.

Set k=1 (menunjuk pada itemset ke-1).

2.

Hitung semua k-itemset (itemset yang mempunyai k item), untuk

mendapatkan candidate 1-itemset.

3.

Hitung support dari semua calon itemset kemudian filter itemset tersebut

berdasarkan perhitungan minimum support, untuk mendapatkan frequent

1-itemset.

4.

Gabungkan semua itemset berukuran k untuk menghasilkan calon

itemset k+1 atau candidate k-itemset.

5.

Set k=k+1.

6.

Ulangi langkah 3-5 sampai tidak ada itemset yang lebih besar yang dapat

dibentuk.

Apriori secara umum adalah mencari frequent itemset dari database

transaksi penjualan melalui beberapa tahap iterasi. Langkah pertama

algoritma ini adalah menghitung kejadian item untuk menentukan large

1-itemset atau frequent 1-itemset. Langkah berikutnya untuk large 1-itemset

tersebut dilakukan penggabungan dari item yang telah lolos seleksi kemudian

itemset yang tidak lolos maka akan dihapus. Langkah berikutnya untuk item

yang telah lolos diiterasi tersebut maka akan digunakan untuk proses

selanjutnya, dan yang tidak lolos akan dihapus. Demikian langkah demi

langkah pencarian kandidat melalui iterasi sehingga memperoleh titik akhir

yang tidak dapat dilakukan iterasi lagi.

Untuk lebih jelasnya berikut ini merupakan contoh penerapan algoritma

(35)

[image:35.595.84.510.114.773.2]

13

Tabel 2.1 Contoh Transaksi Penjualan

Transaksi

Item yang dibeli

1

Susu, Teh, Gula

2

Teh, Gula, Roti

3

Teh, Gula

4

Susu, Roti

5

Susu, Gula, Roti

6

Teh, Gula

7

Gula, Kopi, Susu

8

Gula, Kopi, Susu

9

Susu, Roti, Kopi

10

Gula, Teh, Kopi

Dari table data transaksi tersebut akan dicari pola asosiasi dengan

minimal support lebih dari 20% dan confidence lebih dari 35%. Maka

penyelesaiannya :

1.

Langkah pertama menentukan C1 atau candidate 1-itemset dam

jumlah kemunculan disemua transaksi.

Tabel 2.2 Contoh Penentuan C1

Kombinasi

Jumlah

Teh

5

Gula

8

Kopi

4

Susu

6

Roti

4

Support 1-itemset

-

Support(Teh)

= 5/10 = 50%

-

Support(Gula)

= 8/10 = 80%

-

Support(Kopi)

= 4/10 = 40%

-

Support(Susu)

= 6/10 = 60%

(36)

14

2.

Kumpulkan data item yang mempunyai kemunculan lebih atau sama

dengan 2 sehingga menjadi kombinasi data.

Tabel 2.3 Contoh Kombinasi Data

Kombinasi

Jumlah

Teh, Gula

5

Teh, Kopi

1

Teh, Susu

1

Teh, Roti

1

Gula, Kopi

3

Gula, Susu

4

Gula, Roti

2

Kopi, Susu

3

Kopi, Roti

1

Susu, Roti

3

Support 2-itemset

-

Support(Teh,Gula) = 5/10 = 50%

-

Support(Gula,Kopi) = 3/10 = 30%

-

Support(Gula,Susu) = 4/10 = 40%

-

Support(Gula,Roti) = 2/10 = 20%

-

Support(Kopi,Susu) = 3/10 = 30%

-

Support(Susu,Roti) = 3/10 = 30%

Confidence 2-itemset

-

Confidence(Teh,Gula)

= 5/5 = 100%

-

Confidence(Gula,Kopi)

= 3/8 = 37.5%

-

Confidence(Gula,Susu)

= 4/8 = 50%

-

Confidence(Gula,Roti)

= 2/8 = 25%

-

Confidence(Kopi,Susu)

= 3/4 = 75%

(37)

15

3.

Kemudian buat gabungan antara itemset yang lolos sehingga menjadi

3itemset dan jumlah kemunculan disetiap transaksi.

Tabel 2.4 Contoh Kombinasi Data

Kombinasi

Jumlah

Teh, Gula, Kopi

1

Teh, Gula, Susu

1

Gula, Susu, Kopi

2

Gula, Susu, Roti

0

Gula, Kopi, Roti

0

Kopi, Susu, Roti

1

Support 3-itemset

-

Support(Gula Susu, Kopi) = 2/10 = 20%

Confidence 3-itemset

(38)

16

BAB III

ANALISIS DAN DESAIN SISTEM

3.1.Identifikasi Sistem

XYZ Helm merupakan distributor penjualan helm yang melayani

permintaan helm. Banyak permintaan ini membuat perusahaan memiliki data

penjualan yang terus bertambah setiap harinya. Data tersebut disimpan

didalam bentuk database dengan program penjualan yang telah berjalan. Data

yang disimpan sangat beragam dan sangat banyak. Hal tersebut sebenarnya

dapat berguna bagi pemilik usaha jika diolah lebih dalam untuk menentukan

keterkaitan penjualan dari setiap barang yang ada. Namun untuk menemukan

keterkaitan tersebut tentusaja akan sulit jika harus memilah dari setiap

penjualan yang ada. Masalah ini dapat diatasi dengan adanya penambangan

data karena semua data penjualan yang ada akan diolah oleh sistem sehingga

pemilik usaha dapat melihat keterkaitan dengan mudah.

Sistem ini berfungsi sebagai alat bantu untuk XYZ Helm dalam

menganalisis pola penjualan helm. Sistem ini menggunakan algoritma asosiasi

dan menggunakan teknik apriori. Sistem akan mengolah penjualan, data

barang harus terlebih dahulu dimiliki dan dapat dimasukan pada master barang

yang disediakan. Setiap penjualan yang dilakukan direkap dengan menyimpan

juga data barang yang dijual sehingga dapat diketahui pada setiap nota

penjualan terdapat barang apa saja yang keluar. Data tersebut akan di simpan

dalam database, semakin banyak data yang dimiliki dapat membuat hasil

menjadi semakin baik. Data penjualan yang telah tersimpan akan diolah

dengan teknik apriori. Keluaran dari teknik tersebut akan berupa tingkat

keterkaitan dari barang yang telah dibeli oleh konsumen dari XYZ Helm,

(39)

17

3.2.Analisis Sistem

Langkah-langkah dari algoritma Apriori adalah sebagai berikut

(Ulmer,David,2002) :

1.

2.

mendapatkan candidate 1-itemset.

3.

Hitung support dari semua calon itemset kemudian filter itemset

tersebut

berdasarkan

perhitungan

minimum

support,

untuk

mendapatkan frequent 1-itemset.

4.

5.

Set k=k+1.

6.

Ulangi langkah 3-5 sampai tidak ada itemset yang lebih besar yang

dapat dibentuk.

Data yang akan digunakan untuk penelitian ini adalah data penjualan dari

XYZ Helm. Data tersebut diperoleh dari database program yang telah

berjalan. Jumlah data untuk penelitian ini terdapat 726 record yang tersimpan

[image:39.595.85.524.129.713.2]

dalam tabel penjualan_det. Berikut penjelasan detail atribut tabel tersebut pada

Table 3.1

Table 3.1 Atribut Tabel Penjualan_det

No

Nama Atribut

Keterangan

1

no_faktur

Nomor faktur penjualan

2

kode_item

Kode item yang terjual

3

nama_item

Nama item yang terjual

4

satuan

Satuan item yang terjual

5

harga_jual

Harga jual per item

6

jumlah_barang

Jumlah item yang terjual

7

disc

Diskon penjualan per item

(40)

18

Data pada tabel tersebut masih merupakan data mentah, harus diproses

terlebih dahulu agar dapat dipakai untuk proses penambangan data.

3.3. Pemrosesan Data

Sebelum data dimasukan ke dalam sistem untuk proses penambangan

data, dilakukan pemrosesan awal terlebih dahulu. Pemrosesan tersebut

merupakan serangkaian langkah yang sesuai dengan KDD (Knowlage

Discovery in Database). Tidak semua langkah dilakukan dalam pemrosesan

awal tersebut karena dilihat dari data yang ada. Proses tersebut terdiri dari

langkah-langkah berikut :

1.

Proses seleksi data merupakan pemilihan data yang relevan untuk

penelitian. Pada database awal terdapat banyak atribut dalam tabel yang

tidak diperlukan karena tidak digunakan dalam proses penambangan

data. Sehingga dipilih beberapa atribut pada tabel 3.2.

Tabel 3.2 Atribut Untuk Penambangan

No

Nama Atribut

Keterangan

1

no_faktur

2

kode_item

Kode item yang terjual

3

nama_item

Nama item yang terjual

4

jumlah_barang

Jumlah item yang terjual

2.

Proses pembersihan data merupakan langkah pertama yang harus

dilakukan. Dari data mentah yang ada dilakukan pembersihan dari data

yang tidak relevan. Namun dalam data penjualan ini tidak dilakukan

pembersihan karena data mentah tersebut dapat digunakan seluruhnya.

[image:40.595.87.520.199.697.2]

(41)

19

3.

Proses integrasi data merupakan penggabungan data dari beberapa

sumber. Disini yang diperlukan untuk penambangan data adalah data

penjualan. Sementara data penjualan pada XYZ Helm terdapat dua jenis,

yaitu penjualan yang langsung dari toko dan penjualan canvaser. Untuk

itu diperlukan penggabungan terlebih dahulu dari rekap data penjualan

tersebut.

Tabel 3.3 Atribut Tabel Detailpenjualan

No

Nama Atribut

Keterangan

1

noFaktur

2

kodeBarang

Kode barang yang terjual

3

namaBarang

Nama barang yang terjual

4

satuan

5

hargaJual

Harga jual setelah diskon

6

quantity

Jumlah barang terjual

7

discount

Diskon per barang (%)

8

discountReal

Diskon per barang (Rp)

9

discount2

Diskon kedua per barang (Rp)

10

total

Total harga dari sejumlah barang

11

urut

Urutan barang terjualan

12

hpp

Harga pokok penjualan

13

hppdpp

14

hargasatuan

Harga jual per barang

15

sisapesan

Sisa pesan penjualan

16

statusReturOrder

Status retur pemesanan

17

statusNotaKredit

Status nota kredit penjualan

[image:41.595.85.539.175.646.2]

(42)

20

Tabel 3.4 Atribut Tabel Detailpenjualancanvaser

No

Nama Atribut

Keterangan

1

noFaktur

2

kodeBarang

Kode barang yang terjual

3

namaBarang

Nama barang yang terjual

4

satuan

5

hargaJual

Harga jual setelah diskon

6

quantity

Jumlah barang terjual

7

discount

Diskon per barang (%)

8

discountReal

Diskon per barang (Rp)

9

discount2

Diskon kedua per barang (Rp)

10

total

Total harga dari sejumlah barang

11

urut

Urutan barang terjualan

12

hpp

13

hppdpp

14

hargasatuan

Harga jual per barang

15

sisapesan

Sisa pesan penjualan

16

statusReturOrder

Status retur pemesanan

17

statusNotaKredit

Status nota kredit penjualan

18

noUrut

Urutan penjualan

19

kodeCanvaser

Kode dari canvaser yang menjual

Dari kedua tabel diatas, akan dilakukan penggabungan menjadi satu

tabel untuk diolah. Tabel penggabungan tersebut merupakan tabel

penjualan_det pada Tabel 3.1.

4.

Proses transformasi data merupakan proses pengubahan data

menjadi bentuk atau satuan yang tepat untuk ditambang. Pada data yang

dimiliki tidak memerlukan proses transformasi karena tidak memiliki

data continue karena data yang diambil adalah hasil masukkan program

[image:42.595.86.535.130.673.2]

(43)

21

5.

Data Mining (Penambangan Data)

Proses penambangan data merupakan proses pengolahan data yang

telah didapat dari pemrosesan data. Pengolahan menggunakan algoritma

Apriori sebagai berikut :

1.

2.

mendapatkan candidate 1-itemset.

3.

Hitung support dari semua calon itemset kemudian filter itemset

tersebut berdasarkan perhitungan minimum support, untuk

mendapatkan frequent 1-itemset.

4.

5.

Set k=k+1.

6.

Ulangi langkah 3-5 sampai tidak ada itemset yang lebih besar yang

dapat dibentuk.

6.

Proses evaluasi pola akan dilakukan dengan penggunaan lift ratio

untuk mengukur seberapa penting aturan yang telah didapat dari

program. Nilai ini akan menunjukkan kevalidan informasi apakah barang

A dibeli secara bersamaan dengan barang B, yang diperoleh dari hasil

perhitungan support dan confidence.

… (3.1)

Jika hasil perhitungan lift ratio lebih dari 1 maka dapat dikatakan

bahwa transaksi tersebut valid atau bisa dikatakan bahwa dalam

(44)

22

7.

Knowladge Presentation (Presentasi Pengetahuan)

Proses presentasi pengetahuan akan ditampilkan dalam bentuk

tabel java. Pada tabel tersebut akan ditampilkan asosiasi barang yang

dibeli secara bersamaan dan persentase jumlah support beserta

confidence. Dengan tampilan tersebut akan membantu mempermudah

[image:44.595.86.508.235.624.2]

(45)

23

3.4. Use Case Diagram

1.4.1.

Diagram Use Case

Pada sistem ini aka ada 1 pengguna. Kegiatan yang dapat

dilakukan adalah menginput data, melihat histori penjualan, mencari

rule penjualan, dan melihat hasil apriori. Dari kegiatan yang dapat

dilakukan, terdapat 1 kegiatan yang terdapat keterangan depands on

yang artinya baru dapat dilakukan setelah kegiatan sebelumnya

[image:45.595.84.513.233.680.2]

dikerjakan. Ditunjukan pada Gambar 3.1

Gambar 3.1 Use Case

Menginput

Data Barang

Melihat

Histori

Penjualan

Melihat Hasil

Apriori

Pengguna

Mencari

rule penjualan

<<depands on>>

(46)

24

1.4.2.

Definisi Use Case

Deskripsi dari use case pada Gambar 3.1 dijabarkan dalam Tabel

[image:46.595.82.562.165.726.2]

3.5.

Tabel 3.5 Definisi Use Case

No

Use Case

Deskripsi

1

Menginput Data

Barang

Pengguna dapat menambahkan data barang. Data

tersebut dapat diinputkan sesuai dengan isian yang

telah disediakan pada sistem kemudian akan

tersimpan dalam database.

2

Menginput Data

Penjualan

Pengguna dapat menambahkan data penjualan. Data

tersebut dapat diinputkan sesuai dengan isian yang

telah disediakan pada sistem kemudian akan

tersimpan dalam database.

3

Melihat Histori

Penjualan

Pengguna dapat melihat histori data penjualan. Data

tersebut

diperoleh

dari

database

yang

telah

menyimpan data dari setiap penjualan yang pernah

dilakukan.

4

Mencari Rule

Penjualan

Pengguna dapat mencari rule penjualan. Pada

kegiatan ini sebenarnya pengguna hanya akan

menekan tombol dan pencarian rule akan dilakukan

oleh sistem.

5

Melihat Hasil

Apriori

Pengguna dapat melihat hasil output dari algoritma

apriori. Hasil yang ditampilkan adalah hasil dari

pencarian rule yang telah dilakukan sebelumnya.

Hasil ini akan muncul jika kegiatan Mencari Rule

(47)

25

3.5.Diagram Aktivitas

1.5.1.

Diagram Aktivitas Menginput Data

Menekan tombol Barang Menampilan form barang

Menyimpan ke database Menekan tombol Simpan

Memasukan data sesuai field

[image:47.595.87.506.149.689.2]

Pengguna

Sistem

Gambar 3.2 Diagram Aktivitas Menginput Data Barang

1.5.2.

Diagram Aktivitas Menginput Data Penjualan

Menekan tombol Penjualan

Menampilkan form penjualan

Menyimpan ke database Menekan tombol Simpan

Memasukan data sesuai field

Pengguna

Sistem

(48)

26

1.5.3.

Diagram Aktivitas Melihat Histori Penjualan

Menekan tombol Analisa

Menampilan form histori penjualan

Pengguna

Sistem

[image:48.595.85.510.130.695.2]

Mengambil data dari database

Gambar 3.4 Diagram Aktivitas Melihat Histori Penjualan

1.5.4.

Diagram Aktivitas Mencari Rule Penjualan

Menekan tombol Proses

Pengguna

Sistem

Menampilan form Apriori

Menghitung rule penjualan Menekan tombol Analisa

(49)

27

1.5.5.

Diagram Aktivitas Melihat Hasil Apriori

Pengguna

Sistem

Menampilan form Apriori

Menghitung rule penjualan Menekan tombol Analisa

[image:49.595.83.509.134.650.2]

Menampilkan hasil pola

(50)

28

3.6. Diagram Sekuensial

1.6.1.

Diagram Sekuensial Menginput Data

Mengisi data barang

Form Barang

boudary

Barang

entity

tambahBarang() Menekan

[image:50.595.84.509.129.658.2]

tombol Simpan

Gambar 3.7 Diagram Sekuensial Menginput Data Barang

1.6.2.

Diagram Sekuensial Menginput Data Penjualan

Mengisi data penjualan

Form Penjualan

boudary

Barang entity

tambahBarang() Menekan

tombol Simpan

(51)

29

1.6.3.

Diagram Sekuensial Melihat Histori Penjualan

Form Histori Penjualan

boudary

Barang

entity

getAllDetail()

[image:51.595.84.527.136.647.2]

Menampilkan data penjualan

Gambar 3.9 Diagram Sekuensial Melihat Histori Penjualan

1.6.4.

Diagram Sekuensial Mencari Rule Penjualan

boudary

Barang

entity

getAllDetail()

Form Apriori

boudary

c2() c3()

(52)

30

1.6.5.

Diagram Sekuensial Melihat Hasil Apriori

boudary

Barang

entity

getAllDetail()

Form Apriori

boudary

c2() c3()

[image:52.595.85.556.133.646.2]

Menampilkan hasil pola

Gambar 3.11 Diagram Sekuensial Melihat Hasil Apriori

3.7. ER Diagram

1.7.1.

Model Data Konseptual

pelanggan

beli

barang

punya

merk

punya

tipe

1..* 1..* 1..1 1..*

1..1

1..*

warna

punya

1..1

1..*

(53)

31

1.7.2.

Model Data Logikal

1.

Tabel Warna

Tabel 3.6 Tabel Logikal Warna

Kode_warna

Nama_warna

2.

Tabel Merk

Tabel 3.7 Tabel Logikal Merk

kodemerk

namamerk

3.

Tabel Tipe

Tabel 3.8 Tabel Logikal Tipe

kodetipe

namatipe

kodemerk

4.

Tabel Barang

Tabel 3.9 Tabel Logikal Barang

Kode_

item

Nama_

item

stok Harga_

beli

Harga_

jual

satuan kodemerk kodetipe kodewarna

5.

Tabel Penjualan_det

Tabel 3.10 Tabel Logikal Penjualan_det

No_faktur Kode_item Nama_item satuan Harga_jual Jumlah_

barang

disc Jumlahh_

(54)

[image:54.595.84.552.147.642.2]

32

6.

Tabel Penjualan

Tabel 3.11 Tabel Logikal Penjualan

No_faktur

Tgl_faktur

Total_harga

Diskon

Grand_total

Kode_pel

7.

Tabel Pelanggan

Tabel 3.12 Tabel Logikal Pelanggan

Kode_pel

Nama

Alamat

Kodepos

telp

1.7.3.

Model Data Fisikal

1.

Tabel Merk

Tabel 3.13 Tabel Fisikal Merk

merk

kodemerk (PK)

namamerk

varchar(3)

varchar(40)

2.

Tabel Tipe

Tabel 3.14 Tabel Fisikal Tipe

tipe

kodetipe (PK)

namatipe

kodemerk (FK)

(55)

[image:55.595.89.510.123.633.2]

33

3.

Tabel Barang

Tabel 3.15 Tabel Fisikal Barang

barang

kode_item (PK)

nama_item

stok

harga_beli

harga_jual

satuan

kodemerk (FK)

kodetipe (FK)

kode_warna (FK)

varchar(15)

varchar(30)

int(11)

double

varchar(10)

varchar(4)

4.

Tabel Penjualan_det

Tabel 3.16 Tabel Fisikal Penjualan_det

penjualan_det

no_faktur (FK)

kode_item (FK)

nama_item

satuan

harga_jual

jumlah_barang

disc

jumlah_harga

(56)

34

5.

Tabel Penjualan

Tabel 3.17 Tabel Fisikal Penjualan

penjualan

no_faktur (PK) tgl_faktur total_harga diskon grand_total kode_pel (FK)

varchar(20) varchar(20) double double double varchar(20)

6.

Tabel Pelanggan

Tabel 3.18 Tabel Fisikal Pelanggan

pelanggan kode_pel (PK)

nama alamat kodepos telp

varchar(15) varchar(35) varchar(30) varchar(7) varchar(13)

3.8. Desain Program

[image:56.595.88.507.116.697.2]

1.

Menu Utama

(57)

[image:57.595.82.545.116.644.2]

35

2.

Barang Form

(58)

[image:58.595.83.545.120.641.2]

36

3.

Penjualan Form

(59)

37

4.

DetailPenjualan Form

Gambar 3.16 Desain Histori Penjualan

[image:59.595.84.551.117.681.2]

5.

Apriori Form

(60)

38

BAB IV

IMPLEMENTASI SISTEM

4.1. Spesifikasi hardware dan software

1.1.1.

Spesifikasi hardware

1.

Prosesor Intel Pentium Dual Core

2.

Memori 2 GB

3.

Hardisk 320 GB

1.1.2.

Spesifikasi software

1.

Sistem Operasi Windows 8.1 Pro

2.

JDK1.8.0_65 dan JRE1.8.0_65

3.

Netbeans IDE 6.8

4.

SQLYog

4.2. Pembuatan Database

Pada bagian ini dilakukan pembuatan database baru pada MySQL dengan

bantuan SQLYog untuk menyimpan data-data yang akan digunakan. Adapun

langkah-langkah pembuatan database sebagai berikut :

1.

Membuat database baru dengan nama apriori.

2.

Pilih database yang baru saja dibuat kemudian Create table.

3.

Buat tabel sesuai dengan perancangan yang telah dibuat.

4.3. Koneksi Java dan MySQL

Untuk menjembatani komunikasi data antara Java dengan MySQL perlu

digunakan JDBC (Java Databases Connectivity). Langkah untuk membuat

koneksi untuk keduanya, dengan :

1.

Menambahkan driver dari library Java, yaitu MySQL JDBC Driver

–

mysql-connector-java-5.16.bin.jar.

(61)

39

Pada file koneksi.java ini ada fungsi yang berguna :

1.

koneksiDatabase()

Fungsi ini digunakan untuk mendefinisikan letak dari database

yang akan dituju. Terdapat url, user, password yang akan

digunakan pengisian letaknya.

public class Koneksi {

private static Connection connection;

public Connection con;

public Statement stat;

public static Connection koneksiDatabase() throws SQLException {

if (connection == null) {

DriverManager.registerDriver(new Driver());

String url = "jdbc:mysql://localhost/aprioridataasli";

String user = "root";

String password = "admin";

connection = DriverManager.getConnection(url,user,password);

}

return connection;

}

(62)

40

4.4. Implementasi Program

1.4.1.

Halaman Utama

Halaman utama ini merupakan halaman yang ditampilkan pertama

kali ketika program dijalankan. Pada tampilan halaman ini, terdapat 3

[image:62.595.84.511.207.714.2]

tombol yaitu tombol barang, penjualan, dan analisis.

Gambar 4.1 Halaman Utama

1.4.2.

Halaman Barang

Halaman ini merupakan halaman yang muncul ketika menekan

tombol barang di halaman utama. Halaman ini digunakan untuk

memasukan data barang baru atau melakukan edit untuk barang yang

sudah ada. Barang disini dapat digunakan untuk melakukan penjualan.

Dalam data barang ini, terdapat kode barang yang telah otomatis dari

program, kemudian merk, tipe, warna, dan satuan dalam bentuk combo

box. Lalu terdapat nama barang, stok, ritel setelah ppn, dan beli setelah

(63)

[image:63.595.83.583.109.769.2]

41

Gambar 4.2 Halaman Barang

1.4.3.

Halaman Penjualan

tombol penjualan di halaman utama. Halaman ini digunakan untuk

menambahkan data penjualan. Data penjualan akan digunakan untuk

analisis dengan algoritma apriori. Pertama kali pengguna harus

memasukan pelanggan kemudian akan otomatis diikuti oleh alamat,

jika pelanggan telah ada dalam database. Lalu diikuti dengan

mengisikan barang yang dijual sehingga penjualan dapat di simpan

(64)

[image:64.595.81.575.107.659.2]

42

Gambar 4.3 Halaman Penjualan

1.4.4.

Halaman Histori Penjualan

tombol analisis di halaman utama. Halaman ini digunakan untuk

menampilkan terlebih dahulu histori penjualan sebelum langkah

analisis menggunakan apriori. Disini ditampilkan tabel yang berisi no

faktur, kode barang, nama barang, dan jumlah. Pada tabel ini akan

(65)

[image:65.595.84.577.103.659.2]

43

Gambar 4.4 Halaman Histori Penjualan

1.4.5.

Halaman Apriori

tombol proses di halaman histori penjualan. Halaman ini digunakan

untuk menampilkan analisis dari data penjualan yang ada. Pertama kali

terlihat disini ada nilai minimum support, minimum confidence, dan

count. Nilai minimum support langsung diset sebesar 20%, minimum

confidence diset sebesar 50%, dan count disini terisi 126 sesuai dengan

jumlah penjualan yang ada. Terdapat juga textArea pada halaman ini,

nantinya akan digunakan untuk mengeluarkan hasil analisis algoritma

(66)

[image:66.595.82.557.103.670.2]

44

Gambar 4.5 Halaman Apriori

Ketika telah muncul halaman seperti Gambar 4.5, dapat menekan

tombol Analisis. Tombol ini berfungsi untuk menampilkan data pola

penjualan dari hasil analisis penjualan yang ada. Saat menekan tombol,

tunggu hingga proses selesai karena proses cukup memakan waktu

terlebih jika data penjualan berjumlah banyak. Tidak serta merta Count

sejumlah 126 transaksi tersebut adalah jumlah dari record yang akan

dioleh karena setiap penjualan akan mempunyai banyak barang yang

laku. Sebagai contoh jika pada setiap penjualan ada 5 barang terjual,

maka record yang akan diproses berjumlah 126 dikalikan 5 jadi

jumlahnya 730.

Dapat dilihat pada gambar 4.5, muncul hasil pola dari penjualan

yang ada. Muncul banyak pola penjualan karena minimum support

yang

menjadi

batas

bisa

dibilang

cukup

rendah.

Untuk

memaksimalkan pola, bisa dinaikan juga minimum support dan

(67)

45

Gambar 4.6 Hasil Analisis

Seperti pada Gambar 4.6 diatas, hasil analisis dapat diperoleh dari