rekayasa perangkat lunak
Post on 08-Dec-2015
216 Views
Preview:
DESCRIPTION
TRANSCRIPT
PENERAPAN METODE ASSOCIATION RULE MENGGUNAKAN
ALGORITMA APRIORI UNTUK PENENTUAN STRATEGI PROMOSI
PERGURUAN TINGGI
Oleh
Kelompok 6
I LATAR BELAKANG
Ketersediaan detail informasi peningkatan usaha mendorong pengembangan teknik yang secara otomatis mencari dukungan antara item dalam data di dalam database Pemanfaatan data yang ada diadalam sistem informasiuntuk menunjang kegiatan pengambilan keputusan tidak cukup[ hanya mengandalkan data operasional saja diperlukan suatu analisis data untuk menggali potensi ndash potensi informasi yang ada
Para pengambil keputusan berusaha untuk memanfaatkan gudang data yang sudah dimiliki untuk menggali informasi yang berguna membantu mengambil keputusan hal ini mendorong munculnya cabang ilmu baru untuk mengatasi masalah penggalian informasi atau pola yang penting atau menarik data dalam jumlah besar yang disebut dengan data mining
Penggunaan teknik data mining diharapkan dapat memberikan pengetahuan yang sebelumnya tersembunyi didalam gudang data sehingga menjadi informasi yang berbeda
Perguruan tinggi saat ini dituntut untuk memiliki keunggulan bersaing dengan memanfaatkan sumber daya yang dimiliki Selain sumber daya sarana prasaran dan manusia sistem informasi dan strategi promosi adalah salah satu sumber daya yang dapat digunakan untuk meningkatkan keunggulan bersaing da peningkatan perekrutan mahasiswa baru
Sistem informasi dapat digunakan untuk mendapatkan mengolah dan menyebarkan informasi untuk menunjang kegiatan operasional sehari hari sekaligus menunjang kegiatan pengambilan keputusan strategis
Pencarian pola atau hubungan asosiatif dari data yang berskala besar sangat erat kaitannya dengan data mining Data mining adalah suatu proses essensial dimana metode cerdas diaplikasikan untuk mengekstrak pola data
Association rule atau (aturan assosiatif) adalah salah satu teknik utama dalam data miningdan merupakan bentuk yang paling umum dipakai untuk menemukan pattern atau pola dari suatu kumpulan data Association rule (aturan assosiatif) berusaha menemukan aturan aturan tertentu yang mengasosiasikan data yang satu dengan data yang lain Untuk mencari association rule dari suatu kumpulan data pertama-tama kita harus mencari lebih dulu yang disebut frequent itemset ataau sekumpulan item yang sering muncul bersamaan Setelah semua pola frequent itemset ditemukan barulah dicari aturan asosiatif yang memenuhi syarat yang telah ditentukanSalah satu algoritma yang dapat digunakan untuk menemukan association rule adalah algritma apriori imana ciri dasar algoritma ini adalah jika suatu itemset termasuk dalam large itemset maka semua himpunana bagian (subset) dari item set tersebut juga termasuk large itemset Algoritma ini juka termasuk dari 10 algoritma yang sering digunkan untuk algoritma data mining
Oleh karena itu dengan memanfaatkan data induk mahasiswa baru dapat diketahui informasi sebagai penunjang pengaturan strategi untuk fokus promosi akademik untuk perekrutan mahasiswa baru melalui teknikk data mining
II PERUMUSAN MASALAH
Penentuan fokus promosi akademik dalam perekrutan mahasiswa barudapat dilihat dari data induk mahasiswa baru dan juga jumlah penerimaan mahasiswa baru Data mining dapat diharapkan dapat membantu menyajikan informasi tentang penentuan strategi Promosi akademik untuk penentuan mahasiswa baru Dengan menggunakan data induk mahasiswa baru dan jumlah penerimaan mahasiswa baru
Permasalahan yang dibahas adalah penerapan association rule algoritma apriori untuk menghasilkan informasi yang berguna tentang hubungan strategi promosi akademik untuk perekrutan mahasiswa baru dengan data induk mahasiswa baru menggunakan teknik data mining
III BATASAN MASALAH
Adapun batasan masalah pada penelitian ini adalah 1 Data yang digunakan adalah data rekapitulasi penerimaan mahasiswa baru
yang digunakan untuk pembentukan itemset sebagai penentu nilai support dan confidence
2 Program yang digunakan adalah visual basic 6
IV TUJUAN PENELITIAN
Tujuan penelitian yang ingin dicapai dari pelaksanaan dan penulisan ini adalah menerapkan metode association rule algoritma apriori terhadap data induk mahasiswa baru dan jumlah penerimaan mahasiswa baru untuk mendapatkan informasi tentang strategi promosi untuk perekrutan mahasiswa baru
V MANFAAT PENELITIAN
Manfaat yang dapat diambil dalam penelitian ini sebagai dampak hasil yang dibangun adalah sebagai berikut hasil penelitian ini diharapkan dapat digunakan untuk penentuan strategi promosi dalam perekrutan mahasiswabaru dan tingkat kepercayaan masyarakat terhadap perguruan tinggi Diharapkan dengan adanya analisa dan penelitian ini dapat membantu menyajikan informasi tentang hubungan penentuan strategi promosi perekrutan mahasiswa babru dengan data induk mahasiswa Pihak akademik dapat mengatur strategi pormosi dan mengetahui faktor yang mempengaruhi tingkat perekrutan mahasiswa baru
VI RUANG LINGKUP
61 User yang terlibat
User yang terlibat hanya terdiri dari user admin
611 User admin
Jika login sebagai user admin maka user dapat melakukan maintenance yaitu input edit
hapus lihat proses data lihat hasil serta mengubah password dan konfigurasi
62 Fitur-fitur
Fitur yang dimiliki oleh sistem adalah login input data anggota analisis data pengaturan
konfigurasi
621 Fitur login
Fitur login digunakan oleh user untuk masuk ke dalam sistem Fitur ini akan melakukan
pengecekan apakah user sudah terdaftar atau belum dan akan memberikan pesan
kesalahan kalau username dan password yang dimasukkan belum terdaftar atau
passwordnya salah
Jika username dan password yang dimasukkan sudah terdaftar maka sistem akan mencek
apakah user sebagai admin atau user biasa Jika login sebagai user admin maka user
dapat melakukan maintenance yaitu input edit hapus lihat proses data lihat hasil serta
mengubah password dan konfigurasi Jika login sebagai user biasa maka user hanya
dapat melihat hasil yang diproses
622 Input data anggota kriteria
Fitur input data nilai anggota digunakan oleh admin untuk melakukan input data anggota
kriteria Maksud data anggota kriteria disini adalah data anggota berupa nama anggota
berserta nilai dari kriteria-kriteria pemilihan calon raja ratu
623 Lihat data anggota kriteria
Fitur lihat data anggota kriteria digunakan oleh admin untuk melihat mengedit
menghapus dan mencetak data nilai anggota
624 Proses data
Fitur proses data digunakan oleh admin untuk memproses data anggota kriteria dengan
menggunakan Fuzzy C-Means
625 Lihat hasil
Fitur lihat hasil digunakan oleh user untuk melihat hasil proses pengelompokan calon
raja dan ratu Sistem akan memberikan saran untuk menjadikan kelompok anggota
tertentu sebagai calon raja dan ratu Anggota yang dikelompokkan menjadi calon akan
mempunyai status calon raja dan ratu dan disimpan pada database anggota
626 Ubah password
Fitur ubah password digunakan oleh admin untuk mengubah password untuk login yang
berfungsi untuk kerahasiaan dan keamanan
627 Ubah konfigurasi
Fitur ubah konfigurasi digunakan oleh user admin untuk mengubah batasan jumlah
cluster pangkat maksimum iterasi dan error terkecil sesuai kebutuhan
Tabel
Rancangan tabel yang digunakan dalam sistem adalah tabel anggota_kriteria dan tabel
calon_raja_ratu
631 Tabel anggota_kriteria
Tabel anggota_kriteria berisi kode anggota nama anggota beserta nilai-nilai dari kriteria
calon raja dan ratu
632 Tabel calon_raja_ratu
Tabel calon_raja_ratu merupakan tabel yang memuat data hasil pengelompokan anggota oleh Fuzzy C-Means Tabel ini berisi list anggota yang termasuk dan yang tidak termasuk sebagai calon raja dan ratu
VII TINJAUAN PUSTAKA
71 Association Rule
Analisis asosiasi atau association rule mining adalah teknik data mining untuk
menemukan aturan asosiatif antara suatu kombinasi item Contoh dari aturan asosiatif dari
analisis pembelian di suatu pasar swalayan adalah mengetahui besarnya kemungkinan
seorang pelanggan untuk membeli roti bersamaan dengan susu Dengan pengetahuan
tersebut pemilik pasar swalayan bisa mengatur penempatan barangnya atau merancang
kampanye pemasaran menggunakan kupon diskon untuk kombinasi barang tertentu
(Wijoyo 2011)
Analisis asosiasi dikenal juga sebagai salah satu teknik data mining yang menjadi
dasar dari berbagai teknik data mining lainnya Khususnya salah satu tahap dari analisis
asosiasi yang disebut analisis pola frekuensi tinggi (frequent pattern mining) yang
menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien Penting
tidaknya suatu aturan asosiatif bisa diketahui menggunakan dua parameter support (nilai
penunjang) yaitu prosentase kombinasi item tersebut dalam database dan confidence
(nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan asosiasi (Wijoyo 2011)
Persoalan association rule mining terdiri dari dua sub persoalan
a Menemukan semua kombinasi dari item disebut dengan frequent
itemsetsyang memiliki support yang lebih besar daripada minimum
support
b Gunakan frequent itemsets untuk men-generate aturan yang
dikehendakiSemisal ABCD dan AB adalah frequent maka didapatkan
aturan AB -gt CD jika rasio dari support(ABCD) terhadap support(AB)
sedikitnya sama dengan minimum confidence Aturan ini memiliki
minimum support karena ABCD adalah frequent (Ammirudin 2009)
72 Algoritma Apriori
Algoritma Apriori adalah algoritma paling terkenal untuk menemukan pola
frekuensi tinggi Pola frekuensi tinggi adalah pola-pola item di dalam suatu database yang
memiliki frekuensi atau support di atas ambang batas tertentu yang disebut dengan istilah
minimum support Pola frekuensi tinggi ini digunakan untuk menyusun aturan assosiatif
dan juga beberapa teknik data mining lainnya Walaupun akhir-akhir ini dikembangkan
banyak algoritma yang lebih efisien dari Apriori seperti FP-growth LCM dsb tetapi
Apriori tetap menjadi algoritma yang paling banyak diimplementasikan dalam produk
komersial untuk data mining karena dianggap algoritma yang paling mapan (Wibowo
2011)
Algoritma Apriori yang bertujuan untuk menemukan frequent itemsets dijalankan
pada sekumpulan data Analaisis Apriori didefenisikan suatu proses untuk menemukan
semua aturan apriori yang memenuhi syarat minimum untuk support dan syarat minimum
untuk confidence (Syaifullah 2011)
Algoritma Apriori dibagi menjadi beberapa tahap yang disebut iterasi atau pass
Tiap iterasi menghasilkan pola frekuensi tinggi dengan panjang yang sama dimulai dari
pass pertama yang menghasilkan pola frekuensi tinggi dengan panjang satu Di iterasi
pertama ini support dari setiap item dihitung dengan men-scan database Setelah support
dari setiap item didapat item yang memiliki support diatas minimum support dipilih
sebagai pola frekuensi tinggi dengan panjang 1 atau sering disingkat 1-itemset Singkatan
k-itemset berarti satu set yang terdiri dari k item (Wibowo 2011)
Support adalah nilai penunjang atau persentase kombinasi sebuah item dalam
database Rumus support sebagai berikut
Support (A) = (jumlah transaksi mengandung ATotal transaksi) x 100
Sedangkan confidence adalah nilai kepastian yaitu kuatnya hubungan antar item
dalam sebuah apriori Confidence bisa dicari setelah pola frekuensi munculnya sebuah
item ditemukan Rumus untuk menghitung confidence adalah sebagai berikut
Contoh misal ditemukan aturan A1048774B maka
Confidence P(BA) = (Total transaksi mengandung A dan B transaksi
mengandung A) x100
73 Visual Basic 6
Visual Basic dibuat oleh Microsoft merupakan salah satu bahasa pemrograman
berorientasi objek yang mudah dipelajari Selain menawarkan kemudahan visual basic
juga cukup andal untuk digunakan dalam pembuatan berbagai aplikasi terutama aplikasi
database Visual basic merupakan bahasa pemrograman event drive dimana program
akan menunggu sampai ada respon dari userpemakai program aplikasi yang dapat berupa
kejadian atau event misalnya ketika user mengklik tombol atau menekan enter (Wijoyo
2011)
Visual Basic merupakan turunan bahasa BASIC dan menawarkan pengembangan
aplikasi komputer berbasis grafik dengan cepat akses ke basis data menggunakan Data
Access Objects (DAO) Remote Data Objects (RDO) atau ActiveX Data Object (ADO)
serta menawarkan pembuatan kontrol ActiveX dan objek ActiveX Beberapa bahasa skrip
seperti Visual Basic for Applications (VBA) dan Visual Basic Scripting Edition
(VBScript) mirip seperti halnya Visual Basic tetapi cara kerjanya yang berbeda
(vbcomp 2008)
VIII METODE PENELITIAN
81 Identifikasi Masalah
Identifikasi masalah dilakukan dengan obeservasi secara langsung ke
perpustakaan Hulu Sungai Utara
82 Metode Pengumpulan Data
Untuk mendeskripsikan sistem pendukung keputusan ini digunakan beberapa metode
pengumpulan data yaitu
1 Metode wawancara
Merupakan metode pengumpulan data dengan wawancara langsung dengan
kepala kantor dan staff perpustakaan daerah Hulu Sungai Utara
2 Metode kearsipan
Merupakan metode pengumpulan data dengan meminta data-data yang dianggap
perlu untuk pembuatan sistem pendukung keputusan
3 Metode studi pustaka (library research)
Merupakan metode pengumpulan data dengan cara mempelajari tulisan-tulisan
dan bukundashbuku yang berhubungan dengan penentuan anggota potensial
perpustakaan baik dari perpustakaan maupun dari internet
83 Metode Pengembangan Sistem
Metode pengembangan sistem menggunakan Waterfall Model Diagram yang
memiliki tahapan sebagai berikut
1 Requirement
Requirement merupakan tahapan untuk menspesifikasikan ruang lingkup
program Termasuk diantaranya apa input yang diperlukan oleh program dan
bagaimana output yang ingin dihasilkan
2 Analysis
Analysis merupakan tahapan untuk menspesifikasikan bahasa pemrograman
apa yang akan dipakai untuk program serta bagaimana sistem basis datanya
3 Design
Design merupakan tahapan untuk menspesifikasikan alur program serta
algoritma apa yang akan digunakan
4 Coding
Coding merupakan tahapan untuk mengimplementasikan algoritma dari
desain ke dalam bahasa pemrograman
5 Testing
Testing merupakan tahapan untuk mengetahui apakah program yang dibuat
sudah sesuai dengan spesifikasi dari tahap design serta untuk mengetahui
seberapa besar tingkat kepuasan pengguna terhadap program yang dibuat
6 Acceptance
Acceptance adalah tahapan penerimaan program oleh pengguna Tahap ini
memungkinkan kita untuk meminta pendapat dari pengguna tentang
bagaimana program yang telah kita kembangkan Termasuk diantaranya
kelebihan serta kekurangan fitur-fitur program yang dapat digunakan untuk
eksistensi dan pengembangan program lebih lanjut
JADWAL PENELITIAN
NoDeskripsi
Pekerjaan
Bulan 1 Bulan II Bulan III
I II III IV I II III IV I II III IV
1 Identifikasi
Gambar 1 Kerangka penelitian
Wawancara
Kearsipan
Studi pustaka
Metode
pengumpulan data
Metode pengembangan
sistem
Identifikasi
permasalahan
Requirement
Analysis
Design
Coding
Testing
Acceptance
Permasalahan
2 Pengumpulan data
3 Requirement
4 Analisis
5 Design
6 Coding
7 Testing
8 Acceptance
9 Penulisan Laporan
DAFTAR PUSTAKA
Kristiawan A (2009 Maret 19) Pembuatan Sistem Pendukung Keputusan Untuk Menentukan Calon Pelanggan Baru Dengan Metode Fuzzy C-Means Retrieved Agustus 1 2011 from STIKOM DIGITAL LIBRARY INSTITUSIONAL REPOSITORY httpdigilibstikomedudownloadphpid=423ampfn=4546ampcat=Undergraduate
Kusumadewi S d (2004) Aplikasi Logika Fuzzy Untuk Pendukung Keputusan Yogyakarta Graha Ilmu
Turban E (2005) Sistem Pendukung Keputusan dan Sistem Cerdas Yogyakarta Andi
Wikipedia (2011 Agustus 28) CodeIgniter Retrieved September 10 2011 from Wikipedia Ensiklopedia Bebas httpidwikipediaorgwikiCodeIgniter
Wikipedia (2011 Juli 29) XAMPP Retrieved September 10 2011 from Wikipedia Ensiklopedia Bebas httpidwikipediaorgwikiXAMPP
- 61 User yang terlibat
-
- 611 User admin
-
- 62 Fitur-fitur
-
- 621 Fitur login
- 622 Input data anggota kriteria
- 623 Lihat data anggota kriteria
- 624 Proses data
- 625 Lihat hasil
- 626 Ubah password
- 627 Ubah konfigurasi
-
- Tabel
-
- 631 Tabel anggota_kriteria
- 632 Tabel calon_raja_ratu
-
- VIII METODE PENELITIAN
-
- 81 Identifikasi Masalah
- 82 Metode Pengumpulan Data
- 83 Metode Pengembangan Sistem
-
- JADWAL PENELITIAN
- DAFTAR PUSTAKA
-
I LATAR BELAKANG
Ketersediaan detail informasi peningkatan usaha mendorong pengembangan teknik yang secara otomatis mencari dukungan antara item dalam data di dalam database Pemanfaatan data yang ada diadalam sistem informasiuntuk menunjang kegiatan pengambilan keputusan tidak cukup[ hanya mengandalkan data operasional saja diperlukan suatu analisis data untuk menggali potensi ndash potensi informasi yang ada
Para pengambil keputusan berusaha untuk memanfaatkan gudang data yang sudah dimiliki untuk menggali informasi yang berguna membantu mengambil keputusan hal ini mendorong munculnya cabang ilmu baru untuk mengatasi masalah penggalian informasi atau pola yang penting atau menarik data dalam jumlah besar yang disebut dengan data mining
Penggunaan teknik data mining diharapkan dapat memberikan pengetahuan yang sebelumnya tersembunyi didalam gudang data sehingga menjadi informasi yang berbeda
Perguruan tinggi saat ini dituntut untuk memiliki keunggulan bersaing dengan memanfaatkan sumber daya yang dimiliki Selain sumber daya sarana prasaran dan manusia sistem informasi dan strategi promosi adalah salah satu sumber daya yang dapat digunakan untuk meningkatkan keunggulan bersaing da peningkatan perekrutan mahasiswa baru
Sistem informasi dapat digunakan untuk mendapatkan mengolah dan menyebarkan informasi untuk menunjang kegiatan operasional sehari hari sekaligus menunjang kegiatan pengambilan keputusan strategis
Pencarian pola atau hubungan asosiatif dari data yang berskala besar sangat erat kaitannya dengan data mining Data mining adalah suatu proses essensial dimana metode cerdas diaplikasikan untuk mengekstrak pola data
Association rule atau (aturan assosiatif) adalah salah satu teknik utama dalam data miningdan merupakan bentuk yang paling umum dipakai untuk menemukan pattern atau pola dari suatu kumpulan data Association rule (aturan assosiatif) berusaha menemukan aturan aturan tertentu yang mengasosiasikan data yang satu dengan data yang lain Untuk mencari association rule dari suatu kumpulan data pertama-tama kita harus mencari lebih dulu yang disebut frequent itemset ataau sekumpulan item yang sering muncul bersamaan Setelah semua pola frequent itemset ditemukan barulah dicari aturan asosiatif yang memenuhi syarat yang telah ditentukanSalah satu algoritma yang dapat digunakan untuk menemukan association rule adalah algritma apriori imana ciri dasar algoritma ini adalah jika suatu itemset termasuk dalam large itemset maka semua himpunana bagian (subset) dari item set tersebut juga termasuk large itemset Algoritma ini juka termasuk dari 10 algoritma yang sering digunkan untuk algoritma data mining
Oleh karena itu dengan memanfaatkan data induk mahasiswa baru dapat diketahui informasi sebagai penunjang pengaturan strategi untuk fokus promosi akademik untuk perekrutan mahasiswa baru melalui teknikk data mining
II PERUMUSAN MASALAH
Penentuan fokus promosi akademik dalam perekrutan mahasiswa barudapat dilihat dari data induk mahasiswa baru dan juga jumlah penerimaan mahasiswa baru Data mining dapat diharapkan dapat membantu menyajikan informasi tentang penentuan strategi Promosi akademik untuk penentuan mahasiswa baru Dengan menggunakan data induk mahasiswa baru dan jumlah penerimaan mahasiswa baru
Permasalahan yang dibahas adalah penerapan association rule algoritma apriori untuk menghasilkan informasi yang berguna tentang hubungan strategi promosi akademik untuk perekrutan mahasiswa baru dengan data induk mahasiswa baru menggunakan teknik data mining
III BATASAN MASALAH
Adapun batasan masalah pada penelitian ini adalah 1 Data yang digunakan adalah data rekapitulasi penerimaan mahasiswa baru
yang digunakan untuk pembentukan itemset sebagai penentu nilai support dan confidence
2 Program yang digunakan adalah visual basic 6
IV TUJUAN PENELITIAN
Tujuan penelitian yang ingin dicapai dari pelaksanaan dan penulisan ini adalah menerapkan metode association rule algoritma apriori terhadap data induk mahasiswa baru dan jumlah penerimaan mahasiswa baru untuk mendapatkan informasi tentang strategi promosi untuk perekrutan mahasiswa baru
V MANFAAT PENELITIAN
Manfaat yang dapat diambil dalam penelitian ini sebagai dampak hasil yang dibangun adalah sebagai berikut hasil penelitian ini diharapkan dapat digunakan untuk penentuan strategi promosi dalam perekrutan mahasiswabaru dan tingkat kepercayaan masyarakat terhadap perguruan tinggi Diharapkan dengan adanya analisa dan penelitian ini dapat membantu menyajikan informasi tentang hubungan penentuan strategi promosi perekrutan mahasiswa babru dengan data induk mahasiswa Pihak akademik dapat mengatur strategi pormosi dan mengetahui faktor yang mempengaruhi tingkat perekrutan mahasiswa baru
VI RUANG LINGKUP
61 User yang terlibat
User yang terlibat hanya terdiri dari user admin
611 User admin
Jika login sebagai user admin maka user dapat melakukan maintenance yaitu input edit
hapus lihat proses data lihat hasil serta mengubah password dan konfigurasi
62 Fitur-fitur
Fitur yang dimiliki oleh sistem adalah login input data anggota analisis data pengaturan
konfigurasi
621 Fitur login
Fitur login digunakan oleh user untuk masuk ke dalam sistem Fitur ini akan melakukan
pengecekan apakah user sudah terdaftar atau belum dan akan memberikan pesan
kesalahan kalau username dan password yang dimasukkan belum terdaftar atau
passwordnya salah
Jika username dan password yang dimasukkan sudah terdaftar maka sistem akan mencek
apakah user sebagai admin atau user biasa Jika login sebagai user admin maka user
dapat melakukan maintenance yaitu input edit hapus lihat proses data lihat hasil serta
mengubah password dan konfigurasi Jika login sebagai user biasa maka user hanya
dapat melihat hasil yang diproses
622 Input data anggota kriteria
Fitur input data nilai anggota digunakan oleh admin untuk melakukan input data anggota
kriteria Maksud data anggota kriteria disini adalah data anggota berupa nama anggota
berserta nilai dari kriteria-kriteria pemilihan calon raja ratu
623 Lihat data anggota kriteria
Fitur lihat data anggota kriteria digunakan oleh admin untuk melihat mengedit
menghapus dan mencetak data nilai anggota
624 Proses data
Fitur proses data digunakan oleh admin untuk memproses data anggota kriteria dengan
menggunakan Fuzzy C-Means
625 Lihat hasil
Fitur lihat hasil digunakan oleh user untuk melihat hasil proses pengelompokan calon
raja dan ratu Sistem akan memberikan saran untuk menjadikan kelompok anggota
tertentu sebagai calon raja dan ratu Anggota yang dikelompokkan menjadi calon akan
mempunyai status calon raja dan ratu dan disimpan pada database anggota
626 Ubah password
Fitur ubah password digunakan oleh admin untuk mengubah password untuk login yang
berfungsi untuk kerahasiaan dan keamanan
627 Ubah konfigurasi
Fitur ubah konfigurasi digunakan oleh user admin untuk mengubah batasan jumlah
cluster pangkat maksimum iterasi dan error terkecil sesuai kebutuhan
Tabel
Rancangan tabel yang digunakan dalam sistem adalah tabel anggota_kriteria dan tabel
calon_raja_ratu
631 Tabel anggota_kriteria
Tabel anggota_kriteria berisi kode anggota nama anggota beserta nilai-nilai dari kriteria
calon raja dan ratu
632 Tabel calon_raja_ratu
Tabel calon_raja_ratu merupakan tabel yang memuat data hasil pengelompokan anggota oleh Fuzzy C-Means Tabel ini berisi list anggota yang termasuk dan yang tidak termasuk sebagai calon raja dan ratu
VII TINJAUAN PUSTAKA
71 Association Rule
Analisis asosiasi atau association rule mining adalah teknik data mining untuk
menemukan aturan asosiatif antara suatu kombinasi item Contoh dari aturan asosiatif dari
analisis pembelian di suatu pasar swalayan adalah mengetahui besarnya kemungkinan
seorang pelanggan untuk membeli roti bersamaan dengan susu Dengan pengetahuan
tersebut pemilik pasar swalayan bisa mengatur penempatan barangnya atau merancang
kampanye pemasaran menggunakan kupon diskon untuk kombinasi barang tertentu
(Wijoyo 2011)
Analisis asosiasi dikenal juga sebagai salah satu teknik data mining yang menjadi
dasar dari berbagai teknik data mining lainnya Khususnya salah satu tahap dari analisis
asosiasi yang disebut analisis pola frekuensi tinggi (frequent pattern mining) yang
menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien Penting
tidaknya suatu aturan asosiatif bisa diketahui menggunakan dua parameter support (nilai
penunjang) yaitu prosentase kombinasi item tersebut dalam database dan confidence
(nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan asosiasi (Wijoyo 2011)
Persoalan association rule mining terdiri dari dua sub persoalan
a Menemukan semua kombinasi dari item disebut dengan frequent
itemsetsyang memiliki support yang lebih besar daripada minimum
support
b Gunakan frequent itemsets untuk men-generate aturan yang
dikehendakiSemisal ABCD dan AB adalah frequent maka didapatkan
aturan AB -gt CD jika rasio dari support(ABCD) terhadap support(AB)
sedikitnya sama dengan minimum confidence Aturan ini memiliki
minimum support karena ABCD adalah frequent (Ammirudin 2009)
72 Algoritma Apriori
Algoritma Apriori adalah algoritma paling terkenal untuk menemukan pola
frekuensi tinggi Pola frekuensi tinggi adalah pola-pola item di dalam suatu database yang
memiliki frekuensi atau support di atas ambang batas tertentu yang disebut dengan istilah
minimum support Pola frekuensi tinggi ini digunakan untuk menyusun aturan assosiatif
dan juga beberapa teknik data mining lainnya Walaupun akhir-akhir ini dikembangkan
banyak algoritma yang lebih efisien dari Apriori seperti FP-growth LCM dsb tetapi
Apriori tetap menjadi algoritma yang paling banyak diimplementasikan dalam produk
komersial untuk data mining karena dianggap algoritma yang paling mapan (Wibowo
2011)
Algoritma Apriori yang bertujuan untuk menemukan frequent itemsets dijalankan
pada sekumpulan data Analaisis Apriori didefenisikan suatu proses untuk menemukan
semua aturan apriori yang memenuhi syarat minimum untuk support dan syarat minimum
untuk confidence (Syaifullah 2011)
Algoritma Apriori dibagi menjadi beberapa tahap yang disebut iterasi atau pass
Tiap iterasi menghasilkan pola frekuensi tinggi dengan panjang yang sama dimulai dari
pass pertama yang menghasilkan pola frekuensi tinggi dengan panjang satu Di iterasi
pertama ini support dari setiap item dihitung dengan men-scan database Setelah support
dari setiap item didapat item yang memiliki support diatas minimum support dipilih
sebagai pola frekuensi tinggi dengan panjang 1 atau sering disingkat 1-itemset Singkatan
k-itemset berarti satu set yang terdiri dari k item (Wibowo 2011)
Support adalah nilai penunjang atau persentase kombinasi sebuah item dalam
database Rumus support sebagai berikut
Support (A) = (jumlah transaksi mengandung ATotal transaksi) x 100
Sedangkan confidence adalah nilai kepastian yaitu kuatnya hubungan antar item
dalam sebuah apriori Confidence bisa dicari setelah pola frekuensi munculnya sebuah
item ditemukan Rumus untuk menghitung confidence adalah sebagai berikut
Contoh misal ditemukan aturan A1048774B maka
Confidence P(BA) = (Total transaksi mengandung A dan B transaksi
mengandung A) x100
73 Visual Basic 6
Visual Basic dibuat oleh Microsoft merupakan salah satu bahasa pemrograman
berorientasi objek yang mudah dipelajari Selain menawarkan kemudahan visual basic
juga cukup andal untuk digunakan dalam pembuatan berbagai aplikasi terutama aplikasi
database Visual basic merupakan bahasa pemrograman event drive dimana program
akan menunggu sampai ada respon dari userpemakai program aplikasi yang dapat berupa
kejadian atau event misalnya ketika user mengklik tombol atau menekan enter (Wijoyo
2011)
Visual Basic merupakan turunan bahasa BASIC dan menawarkan pengembangan
aplikasi komputer berbasis grafik dengan cepat akses ke basis data menggunakan Data
Access Objects (DAO) Remote Data Objects (RDO) atau ActiveX Data Object (ADO)
serta menawarkan pembuatan kontrol ActiveX dan objek ActiveX Beberapa bahasa skrip
seperti Visual Basic for Applications (VBA) dan Visual Basic Scripting Edition
(VBScript) mirip seperti halnya Visual Basic tetapi cara kerjanya yang berbeda
(vbcomp 2008)
VIII METODE PENELITIAN
81 Identifikasi Masalah
Identifikasi masalah dilakukan dengan obeservasi secara langsung ke
perpustakaan Hulu Sungai Utara
82 Metode Pengumpulan Data
Untuk mendeskripsikan sistem pendukung keputusan ini digunakan beberapa metode
pengumpulan data yaitu
1 Metode wawancara
Merupakan metode pengumpulan data dengan wawancara langsung dengan
kepala kantor dan staff perpustakaan daerah Hulu Sungai Utara
2 Metode kearsipan
Merupakan metode pengumpulan data dengan meminta data-data yang dianggap
perlu untuk pembuatan sistem pendukung keputusan
3 Metode studi pustaka (library research)
Merupakan metode pengumpulan data dengan cara mempelajari tulisan-tulisan
dan bukundashbuku yang berhubungan dengan penentuan anggota potensial
perpustakaan baik dari perpustakaan maupun dari internet
83 Metode Pengembangan Sistem
Metode pengembangan sistem menggunakan Waterfall Model Diagram yang
memiliki tahapan sebagai berikut
1 Requirement
Requirement merupakan tahapan untuk menspesifikasikan ruang lingkup
program Termasuk diantaranya apa input yang diperlukan oleh program dan
bagaimana output yang ingin dihasilkan
2 Analysis
Analysis merupakan tahapan untuk menspesifikasikan bahasa pemrograman
apa yang akan dipakai untuk program serta bagaimana sistem basis datanya
3 Design
Design merupakan tahapan untuk menspesifikasikan alur program serta
algoritma apa yang akan digunakan
4 Coding
Coding merupakan tahapan untuk mengimplementasikan algoritma dari
desain ke dalam bahasa pemrograman
5 Testing
Testing merupakan tahapan untuk mengetahui apakah program yang dibuat
sudah sesuai dengan spesifikasi dari tahap design serta untuk mengetahui
seberapa besar tingkat kepuasan pengguna terhadap program yang dibuat
6 Acceptance
Acceptance adalah tahapan penerimaan program oleh pengguna Tahap ini
memungkinkan kita untuk meminta pendapat dari pengguna tentang
bagaimana program yang telah kita kembangkan Termasuk diantaranya
kelebihan serta kekurangan fitur-fitur program yang dapat digunakan untuk
eksistensi dan pengembangan program lebih lanjut
JADWAL PENELITIAN
NoDeskripsi
Pekerjaan
Bulan 1 Bulan II Bulan III
I II III IV I II III IV I II III IV
1 Identifikasi
Gambar 1 Kerangka penelitian
Wawancara
Kearsipan
Studi pustaka
Metode
pengumpulan data
Metode pengembangan
sistem
Identifikasi
permasalahan
Requirement
Analysis
Design
Coding
Testing
Acceptance
Permasalahan
2 Pengumpulan data
3 Requirement
4 Analisis
5 Design
6 Coding
7 Testing
8 Acceptance
9 Penulisan Laporan
DAFTAR PUSTAKA
Kristiawan A (2009 Maret 19) Pembuatan Sistem Pendukung Keputusan Untuk Menentukan Calon Pelanggan Baru Dengan Metode Fuzzy C-Means Retrieved Agustus 1 2011 from STIKOM DIGITAL LIBRARY INSTITUSIONAL REPOSITORY httpdigilibstikomedudownloadphpid=423ampfn=4546ampcat=Undergraduate
Kusumadewi S d (2004) Aplikasi Logika Fuzzy Untuk Pendukung Keputusan Yogyakarta Graha Ilmu
Turban E (2005) Sistem Pendukung Keputusan dan Sistem Cerdas Yogyakarta Andi
Wikipedia (2011 Agustus 28) CodeIgniter Retrieved September 10 2011 from Wikipedia Ensiklopedia Bebas httpidwikipediaorgwikiCodeIgniter
Wikipedia (2011 Juli 29) XAMPP Retrieved September 10 2011 from Wikipedia Ensiklopedia Bebas httpidwikipediaorgwikiXAMPP
- 61 User yang terlibat
-
- 611 User admin
-
- 62 Fitur-fitur
-
- 621 Fitur login
- 622 Input data anggota kriteria
- 623 Lihat data anggota kriteria
- 624 Proses data
- 625 Lihat hasil
- 626 Ubah password
- 627 Ubah konfigurasi
-
- Tabel
-
- 631 Tabel anggota_kriteria
- 632 Tabel calon_raja_ratu
-
- VIII METODE PENELITIAN
-
- 81 Identifikasi Masalah
- 82 Metode Pengumpulan Data
- 83 Metode Pengembangan Sistem
-
- JADWAL PENELITIAN
- DAFTAR PUSTAKA
-
Oleh karena itu dengan memanfaatkan data induk mahasiswa baru dapat diketahui informasi sebagai penunjang pengaturan strategi untuk fokus promosi akademik untuk perekrutan mahasiswa baru melalui teknikk data mining
II PERUMUSAN MASALAH
Penentuan fokus promosi akademik dalam perekrutan mahasiswa barudapat dilihat dari data induk mahasiswa baru dan juga jumlah penerimaan mahasiswa baru Data mining dapat diharapkan dapat membantu menyajikan informasi tentang penentuan strategi Promosi akademik untuk penentuan mahasiswa baru Dengan menggunakan data induk mahasiswa baru dan jumlah penerimaan mahasiswa baru
Permasalahan yang dibahas adalah penerapan association rule algoritma apriori untuk menghasilkan informasi yang berguna tentang hubungan strategi promosi akademik untuk perekrutan mahasiswa baru dengan data induk mahasiswa baru menggunakan teknik data mining
III BATASAN MASALAH
Adapun batasan masalah pada penelitian ini adalah 1 Data yang digunakan adalah data rekapitulasi penerimaan mahasiswa baru
yang digunakan untuk pembentukan itemset sebagai penentu nilai support dan confidence
2 Program yang digunakan adalah visual basic 6
IV TUJUAN PENELITIAN
Tujuan penelitian yang ingin dicapai dari pelaksanaan dan penulisan ini adalah menerapkan metode association rule algoritma apriori terhadap data induk mahasiswa baru dan jumlah penerimaan mahasiswa baru untuk mendapatkan informasi tentang strategi promosi untuk perekrutan mahasiswa baru
V MANFAAT PENELITIAN
Manfaat yang dapat diambil dalam penelitian ini sebagai dampak hasil yang dibangun adalah sebagai berikut hasil penelitian ini diharapkan dapat digunakan untuk penentuan strategi promosi dalam perekrutan mahasiswabaru dan tingkat kepercayaan masyarakat terhadap perguruan tinggi Diharapkan dengan adanya analisa dan penelitian ini dapat membantu menyajikan informasi tentang hubungan penentuan strategi promosi perekrutan mahasiswa babru dengan data induk mahasiswa Pihak akademik dapat mengatur strategi pormosi dan mengetahui faktor yang mempengaruhi tingkat perekrutan mahasiswa baru
VI RUANG LINGKUP
61 User yang terlibat
User yang terlibat hanya terdiri dari user admin
611 User admin
Jika login sebagai user admin maka user dapat melakukan maintenance yaitu input edit
hapus lihat proses data lihat hasil serta mengubah password dan konfigurasi
62 Fitur-fitur
Fitur yang dimiliki oleh sistem adalah login input data anggota analisis data pengaturan
konfigurasi
621 Fitur login
Fitur login digunakan oleh user untuk masuk ke dalam sistem Fitur ini akan melakukan
pengecekan apakah user sudah terdaftar atau belum dan akan memberikan pesan
kesalahan kalau username dan password yang dimasukkan belum terdaftar atau
passwordnya salah
Jika username dan password yang dimasukkan sudah terdaftar maka sistem akan mencek
apakah user sebagai admin atau user biasa Jika login sebagai user admin maka user
dapat melakukan maintenance yaitu input edit hapus lihat proses data lihat hasil serta
mengubah password dan konfigurasi Jika login sebagai user biasa maka user hanya
dapat melihat hasil yang diproses
622 Input data anggota kriteria
Fitur input data nilai anggota digunakan oleh admin untuk melakukan input data anggota
kriteria Maksud data anggota kriteria disini adalah data anggota berupa nama anggota
berserta nilai dari kriteria-kriteria pemilihan calon raja ratu
623 Lihat data anggota kriteria
Fitur lihat data anggota kriteria digunakan oleh admin untuk melihat mengedit
menghapus dan mencetak data nilai anggota
624 Proses data
Fitur proses data digunakan oleh admin untuk memproses data anggota kriteria dengan
menggunakan Fuzzy C-Means
625 Lihat hasil
Fitur lihat hasil digunakan oleh user untuk melihat hasil proses pengelompokan calon
raja dan ratu Sistem akan memberikan saran untuk menjadikan kelompok anggota
tertentu sebagai calon raja dan ratu Anggota yang dikelompokkan menjadi calon akan
mempunyai status calon raja dan ratu dan disimpan pada database anggota
626 Ubah password
Fitur ubah password digunakan oleh admin untuk mengubah password untuk login yang
berfungsi untuk kerahasiaan dan keamanan
627 Ubah konfigurasi
Fitur ubah konfigurasi digunakan oleh user admin untuk mengubah batasan jumlah
cluster pangkat maksimum iterasi dan error terkecil sesuai kebutuhan
Tabel
Rancangan tabel yang digunakan dalam sistem adalah tabel anggota_kriteria dan tabel
calon_raja_ratu
631 Tabel anggota_kriteria
Tabel anggota_kriteria berisi kode anggota nama anggota beserta nilai-nilai dari kriteria
calon raja dan ratu
632 Tabel calon_raja_ratu
Tabel calon_raja_ratu merupakan tabel yang memuat data hasil pengelompokan anggota oleh Fuzzy C-Means Tabel ini berisi list anggota yang termasuk dan yang tidak termasuk sebagai calon raja dan ratu
VII TINJAUAN PUSTAKA
71 Association Rule
Analisis asosiasi atau association rule mining adalah teknik data mining untuk
menemukan aturan asosiatif antara suatu kombinasi item Contoh dari aturan asosiatif dari
analisis pembelian di suatu pasar swalayan adalah mengetahui besarnya kemungkinan
seorang pelanggan untuk membeli roti bersamaan dengan susu Dengan pengetahuan
tersebut pemilik pasar swalayan bisa mengatur penempatan barangnya atau merancang
kampanye pemasaran menggunakan kupon diskon untuk kombinasi barang tertentu
(Wijoyo 2011)
Analisis asosiasi dikenal juga sebagai salah satu teknik data mining yang menjadi
dasar dari berbagai teknik data mining lainnya Khususnya salah satu tahap dari analisis
asosiasi yang disebut analisis pola frekuensi tinggi (frequent pattern mining) yang
menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien Penting
tidaknya suatu aturan asosiatif bisa diketahui menggunakan dua parameter support (nilai
penunjang) yaitu prosentase kombinasi item tersebut dalam database dan confidence
(nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan asosiasi (Wijoyo 2011)
Persoalan association rule mining terdiri dari dua sub persoalan
a Menemukan semua kombinasi dari item disebut dengan frequent
itemsetsyang memiliki support yang lebih besar daripada minimum
support
b Gunakan frequent itemsets untuk men-generate aturan yang
dikehendakiSemisal ABCD dan AB adalah frequent maka didapatkan
aturan AB -gt CD jika rasio dari support(ABCD) terhadap support(AB)
sedikitnya sama dengan minimum confidence Aturan ini memiliki
minimum support karena ABCD adalah frequent (Ammirudin 2009)
72 Algoritma Apriori
Algoritma Apriori adalah algoritma paling terkenal untuk menemukan pola
frekuensi tinggi Pola frekuensi tinggi adalah pola-pola item di dalam suatu database yang
memiliki frekuensi atau support di atas ambang batas tertentu yang disebut dengan istilah
minimum support Pola frekuensi tinggi ini digunakan untuk menyusun aturan assosiatif
dan juga beberapa teknik data mining lainnya Walaupun akhir-akhir ini dikembangkan
banyak algoritma yang lebih efisien dari Apriori seperti FP-growth LCM dsb tetapi
Apriori tetap menjadi algoritma yang paling banyak diimplementasikan dalam produk
komersial untuk data mining karena dianggap algoritma yang paling mapan (Wibowo
2011)
Algoritma Apriori yang bertujuan untuk menemukan frequent itemsets dijalankan
pada sekumpulan data Analaisis Apriori didefenisikan suatu proses untuk menemukan
semua aturan apriori yang memenuhi syarat minimum untuk support dan syarat minimum
untuk confidence (Syaifullah 2011)
Algoritma Apriori dibagi menjadi beberapa tahap yang disebut iterasi atau pass
Tiap iterasi menghasilkan pola frekuensi tinggi dengan panjang yang sama dimulai dari
pass pertama yang menghasilkan pola frekuensi tinggi dengan panjang satu Di iterasi
pertama ini support dari setiap item dihitung dengan men-scan database Setelah support
dari setiap item didapat item yang memiliki support diatas minimum support dipilih
sebagai pola frekuensi tinggi dengan panjang 1 atau sering disingkat 1-itemset Singkatan
k-itemset berarti satu set yang terdiri dari k item (Wibowo 2011)
Support adalah nilai penunjang atau persentase kombinasi sebuah item dalam
database Rumus support sebagai berikut
Support (A) = (jumlah transaksi mengandung ATotal transaksi) x 100
Sedangkan confidence adalah nilai kepastian yaitu kuatnya hubungan antar item
dalam sebuah apriori Confidence bisa dicari setelah pola frekuensi munculnya sebuah
item ditemukan Rumus untuk menghitung confidence adalah sebagai berikut
Contoh misal ditemukan aturan A1048774B maka
Confidence P(BA) = (Total transaksi mengandung A dan B transaksi
mengandung A) x100
73 Visual Basic 6
Visual Basic dibuat oleh Microsoft merupakan salah satu bahasa pemrograman
berorientasi objek yang mudah dipelajari Selain menawarkan kemudahan visual basic
juga cukup andal untuk digunakan dalam pembuatan berbagai aplikasi terutama aplikasi
database Visual basic merupakan bahasa pemrograman event drive dimana program
akan menunggu sampai ada respon dari userpemakai program aplikasi yang dapat berupa
kejadian atau event misalnya ketika user mengklik tombol atau menekan enter (Wijoyo
2011)
Visual Basic merupakan turunan bahasa BASIC dan menawarkan pengembangan
aplikasi komputer berbasis grafik dengan cepat akses ke basis data menggunakan Data
Access Objects (DAO) Remote Data Objects (RDO) atau ActiveX Data Object (ADO)
serta menawarkan pembuatan kontrol ActiveX dan objek ActiveX Beberapa bahasa skrip
seperti Visual Basic for Applications (VBA) dan Visual Basic Scripting Edition
(VBScript) mirip seperti halnya Visual Basic tetapi cara kerjanya yang berbeda
(vbcomp 2008)
VIII METODE PENELITIAN
81 Identifikasi Masalah
Identifikasi masalah dilakukan dengan obeservasi secara langsung ke
perpustakaan Hulu Sungai Utara
82 Metode Pengumpulan Data
Untuk mendeskripsikan sistem pendukung keputusan ini digunakan beberapa metode
pengumpulan data yaitu
1 Metode wawancara
Merupakan metode pengumpulan data dengan wawancara langsung dengan
kepala kantor dan staff perpustakaan daerah Hulu Sungai Utara
2 Metode kearsipan
Merupakan metode pengumpulan data dengan meminta data-data yang dianggap
perlu untuk pembuatan sistem pendukung keputusan
3 Metode studi pustaka (library research)
Merupakan metode pengumpulan data dengan cara mempelajari tulisan-tulisan
dan bukundashbuku yang berhubungan dengan penentuan anggota potensial
perpustakaan baik dari perpustakaan maupun dari internet
83 Metode Pengembangan Sistem
Metode pengembangan sistem menggunakan Waterfall Model Diagram yang
memiliki tahapan sebagai berikut
1 Requirement
Requirement merupakan tahapan untuk menspesifikasikan ruang lingkup
program Termasuk diantaranya apa input yang diperlukan oleh program dan
bagaimana output yang ingin dihasilkan
2 Analysis
Analysis merupakan tahapan untuk menspesifikasikan bahasa pemrograman
apa yang akan dipakai untuk program serta bagaimana sistem basis datanya
3 Design
Design merupakan tahapan untuk menspesifikasikan alur program serta
algoritma apa yang akan digunakan
4 Coding
Coding merupakan tahapan untuk mengimplementasikan algoritma dari
desain ke dalam bahasa pemrograman
5 Testing
Testing merupakan tahapan untuk mengetahui apakah program yang dibuat
sudah sesuai dengan spesifikasi dari tahap design serta untuk mengetahui
seberapa besar tingkat kepuasan pengguna terhadap program yang dibuat
6 Acceptance
Acceptance adalah tahapan penerimaan program oleh pengguna Tahap ini
memungkinkan kita untuk meminta pendapat dari pengguna tentang
bagaimana program yang telah kita kembangkan Termasuk diantaranya
kelebihan serta kekurangan fitur-fitur program yang dapat digunakan untuk
eksistensi dan pengembangan program lebih lanjut
JADWAL PENELITIAN
NoDeskripsi
Pekerjaan
Bulan 1 Bulan II Bulan III
I II III IV I II III IV I II III IV
1 Identifikasi
Gambar 1 Kerangka penelitian
Wawancara
Kearsipan
Studi pustaka
Metode
pengumpulan data
Metode pengembangan
sistem
Identifikasi
permasalahan
Requirement
Analysis
Design
Coding
Testing
Acceptance
Permasalahan
2 Pengumpulan data
3 Requirement
4 Analisis
5 Design
6 Coding
7 Testing
8 Acceptance
9 Penulisan Laporan
DAFTAR PUSTAKA
Kristiawan A (2009 Maret 19) Pembuatan Sistem Pendukung Keputusan Untuk Menentukan Calon Pelanggan Baru Dengan Metode Fuzzy C-Means Retrieved Agustus 1 2011 from STIKOM DIGITAL LIBRARY INSTITUSIONAL REPOSITORY httpdigilibstikomedudownloadphpid=423ampfn=4546ampcat=Undergraduate
Kusumadewi S d (2004) Aplikasi Logika Fuzzy Untuk Pendukung Keputusan Yogyakarta Graha Ilmu
Turban E (2005) Sistem Pendukung Keputusan dan Sistem Cerdas Yogyakarta Andi
Wikipedia (2011 Agustus 28) CodeIgniter Retrieved September 10 2011 from Wikipedia Ensiklopedia Bebas httpidwikipediaorgwikiCodeIgniter
Wikipedia (2011 Juli 29) XAMPP Retrieved September 10 2011 from Wikipedia Ensiklopedia Bebas httpidwikipediaorgwikiXAMPP
- 61 User yang terlibat
-
- 611 User admin
-
- 62 Fitur-fitur
-
- 621 Fitur login
- 622 Input data anggota kriteria
- 623 Lihat data anggota kriteria
- 624 Proses data
- 625 Lihat hasil
- 626 Ubah password
- 627 Ubah konfigurasi
-
- Tabel
-
- 631 Tabel anggota_kriteria
- 632 Tabel calon_raja_ratu
-
- VIII METODE PENELITIAN
-
- 81 Identifikasi Masalah
- 82 Metode Pengumpulan Data
- 83 Metode Pengembangan Sistem
-
- JADWAL PENELITIAN
- DAFTAR PUSTAKA
-
VI RUANG LINGKUP
61 User yang terlibat
User yang terlibat hanya terdiri dari user admin
611 User admin
Jika login sebagai user admin maka user dapat melakukan maintenance yaitu input edit
hapus lihat proses data lihat hasil serta mengubah password dan konfigurasi
62 Fitur-fitur
Fitur yang dimiliki oleh sistem adalah login input data anggota analisis data pengaturan
konfigurasi
621 Fitur login
Fitur login digunakan oleh user untuk masuk ke dalam sistem Fitur ini akan melakukan
pengecekan apakah user sudah terdaftar atau belum dan akan memberikan pesan
kesalahan kalau username dan password yang dimasukkan belum terdaftar atau
passwordnya salah
Jika username dan password yang dimasukkan sudah terdaftar maka sistem akan mencek
apakah user sebagai admin atau user biasa Jika login sebagai user admin maka user
dapat melakukan maintenance yaitu input edit hapus lihat proses data lihat hasil serta
mengubah password dan konfigurasi Jika login sebagai user biasa maka user hanya
dapat melihat hasil yang diproses
622 Input data anggota kriteria
Fitur input data nilai anggota digunakan oleh admin untuk melakukan input data anggota
kriteria Maksud data anggota kriteria disini adalah data anggota berupa nama anggota
berserta nilai dari kriteria-kriteria pemilihan calon raja ratu
623 Lihat data anggota kriteria
Fitur lihat data anggota kriteria digunakan oleh admin untuk melihat mengedit
menghapus dan mencetak data nilai anggota
624 Proses data
Fitur proses data digunakan oleh admin untuk memproses data anggota kriteria dengan
menggunakan Fuzzy C-Means
625 Lihat hasil
Fitur lihat hasil digunakan oleh user untuk melihat hasil proses pengelompokan calon
raja dan ratu Sistem akan memberikan saran untuk menjadikan kelompok anggota
tertentu sebagai calon raja dan ratu Anggota yang dikelompokkan menjadi calon akan
mempunyai status calon raja dan ratu dan disimpan pada database anggota
626 Ubah password
Fitur ubah password digunakan oleh admin untuk mengubah password untuk login yang
berfungsi untuk kerahasiaan dan keamanan
627 Ubah konfigurasi
Fitur ubah konfigurasi digunakan oleh user admin untuk mengubah batasan jumlah
cluster pangkat maksimum iterasi dan error terkecil sesuai kebutuhan
Tabel
Rancangan tabel yang digunakan dalam sistem adalah tabel anggota_kriteria dan tabel
calon_raja_ratu
631 Tabel anggota_kriteria
Tabel anggota_kriteria berisi kode anggota nama anggota beserta nilai-nilai dari kriteria
calon raja dan ratu
632 Tabel calon_raja_ratu
Tabel calon_raja_ratu merupakan tabel yang memuat data hasil pengelompokan anggota oleh Fuzzy C-Means Tabel ini berisi list anggota yang termasuk dan yang tidak termasuk sebagai calon raja dan ratu
VII TINJAUAN PUSTAKA
71 Association Rule
Analisis asosiasi atau association rule mining adalah teknik data mining untuk
menemukan aturan asosiatif antara suatu kombinasi item Contoh dari aturan asosiatif dari
analisis pembelian di suatu pasar swalayan adalah mengetahui besarnya kemungkinan
seorang pelanggan untuk membeli roti bersamaan dengan susu Dengan pengetahuan
tersebut pemilik pasar swalayan bisa mengatur penempatan barangnya atau merancang
kampanye pemasaran menggunakan kupon diskon untuk kombinasi barang tertentu
(Wijoyo 2011)
Analisis asosiasi dikenal juga sebagai salah satu teknik data mining yang menjadi
dasar dari berbagai teknik data mining lainnya Khususnya salah satu tahap dari analisis
asosiasi yang disebut analisis pola frekuensi tinggi (frequent pattern mining) yang
menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien Penting
tidaknya suatu aturan asosiatif bisa diketahui menggunakan dua parameter support (nilai
penunjang) yaitu prosentase kombinasi item tersebut dalam database dan confidence
(nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan asosiasi (Wijoyo 2011)
Persoalan association rule mining terdiri dari dua sub persoalan
a Menemukan semua kombinasi dari item disebut dengan frequent
itemsetsyang memiliki support yang lebih besar daripada minimum
support
b Gunakan frequent itemsets untuk men-generate aturan yang
dikehendakiSemisal ABCD dan AB adalah frequent maka didapatkan
aturan AB -gt CD jika rasio dari support(ABCD) terhadap support(AB)
sedikitnya sama dengan minimum confidence Aturan ini memiliki
minimum support karena ABCD adalah frequent (Ammirudin 2009)
72 Algoritma Apriori
Algoritma Apriori adalah algoritma paling terkenal untuk menemukan pola
frekuensi tinggi Pola frekuensi tinggi adalah pola-pola item di dalam suatu database yang
memiliki frekuensi atau support di atas ambang batas tertentu yang disebut dengan istilah
minimum support Pola frekuensi tinggi ini digunakan untuk menyusun aturan assosiatif
dan juga beberapa teknik data mining lainnya Walaupun akhir-akhir ini dikembangkan
banyak algoritma yang lebih efisien dari Apriori seperti FP-growth LCM dsb tetapi
Apriori tetap menjadi algoritma yang paling banyak diimplementasikan dalam produk
komersial untuk data mining karena dianggap algoritma yang paling mapan (Wibowo
2011)
Algoritma Apriori yang bertujuan untuk menemukan frequent itemsets dijalankan
pada sekumpulan data Analaisis Apriori didefenisikan suatu proses untuk menemukan
semua aturan apriori yang memenuhi syarat minimum untuk support dan syarat minimum
untuk confidence (Syaifullah 2011)
Algoritma Apriori dibagi menjadi beberapa tahap yang disebut iterasi atau pass
Tiap iterasi menghasilkan pola frekuensi tinggi dengan panjang yang sama dimulai dari
pass pertama yang menghasilkan pola frekuensi tinggi dengan panjang satu Di iterasi
pertama ini support dari setiap item dihitung dengan men-scan database Setelah support
dari setiap item didapat item yang memiliki support diatas minimum support dipilih
sebagai pola frekuensi tinggi dengan panjang 1 atau sering disingkat 1-itemset Singkatan
k-itemset berarti satu set yang terdiri dari k item (Wibowo 2011)
Support adalah nilai penunjang atau persentase kombinasi sebuah item dalam
database Rumus support sebagai berikut
Support (A) = (jumlah transaksi mengandung ATotal transaksi) x 100
Sedangkan confidence adalah nilai kepastian yaitu kuatnya hubungan antar item
dalam sebuah apriori Confidence bisa dicari setelah pola frekuensi munculnya sebuah
item ditemukan Rumus untuk menghitung confidence adalah sebagai berikut
Contoh misal ditemukan aturan A1048774B maka
Confidence P(BA) = (Total transaksi mengandung A dan B transaksi
mengandung A) x100
73 Visual Basic 6
Visual Basic dibuat oleh Microsoft merupakan salah satu bahasa pemrograman
berorientasi objek yang mudah dipelajari Selain menawarkan kemudahan visual basic
juga cukup andal untuk digunakan dalam pembuatan berbagai aplikasi terutama aplikasi
database Visual basic merupakan bahasa pemrograman event drive dimana program
akan menunggu sampai ada respon dari userpemakai program aplikasi yang dapat berupa
kejadian atau event misalnya ketika user mengklik tombol atau menekan enter (Wijoyo
2011)
Visual Basic merupakan turunan bahasa BASIC dan menawarkan pengembangan
aplikasi komputer berbasis grafik dengan cepat akses ke basis data menggunakan Data
Access Objects (DAO) Remote Data Objects (RDO) atau ActiveX Data Object (ADO)
serta menawarkan pembuatan kontrol ActiveX dan objek ActiveX Beberapa bahasa skrip
seperti Visual Basic for Applications (VBA) dan Visual Basic Scripting Edition
(VBScript) mirip seperti halnya Visual Basic tetapi cara kerjanya yang berbeda
(vbcomp 2008)
VIII METODE PENELITIAN
81 Identifikasi Masalah
Identifikasi masalah dilakukan dengan obeservasi secara langsung ke
perpustakaan Hulu Sungai Utara
82 Metode Pengumpulan Data
Untuk mendeskripsikan sistem pendukung keputusan ini digunakan beberapa metode
pengumpulan data yaitu
1 Metode wawancara
Merupakan metode pengumpulan data dengan wawancara langsung dengan
kepala kantor dan staff perpustakaan daerah Hulu Sungai Utara
2 Metode kearsipan
Merupakan metode pengumpulan data dengan meminta data-data yang dianggap
perlu untuk pembuatan sistem pendukung keputusan
3 Metode studi pustaka (library research)
Merupakan metode pengumpulan data dengan cara mempelajari tulisan-tulisan
dan bukundashbuku yang berhubungan dengan penentuan anggota potensial
perpustakaan baik dari perpustakaan maupun dari internet
83 Metode Pengembangan Sistem
Metode pengembangan sistem menggunakan Waterfall Model Diagram yang
memiliki tahapan sebagai berikut
1 Requirement
Requirement merupakan tahapan untuk menspesifikasikan ruang lingkup
program Termasuk diantaranya apa input yang diperlukan oleh program dan
bagaimana output yang ingin dihasilkan
2 Analysis
Analysis merupakan tahapan untuk menspesifikasikan bahasa pemrograman
apa yang akan dipakai untuk program serta bagaimana sistem basis datanya
3 Design
Design merupakan tahapan untuk menspesifikasikan alur program serta
algoritma apa yang akan digunakan
4 Coding
Coding merupakan tahapan untuk mengimplementasikan algoritma dari
desain ke dalam bahasa pemrograman
5 Testing
Testing merupakan tahapan untuk mengetahui apakah program yang dibuat
sudah sesuai dengan spesifikasi dari tahap design serta untuk mengetahui
seberapa besar tingkat kepuasan pengguna terhadap program yang dibuat
6 Acceptance
Acceptance adalah tahapan penerimaan program oleh pengguna Tahap ini
memungkinkan kita untuk meminta pendapat dari pengguna tentang
bagaimana program yang telah kita kembangkan Termasuk diantaranya
kelebihan serta kekurangan fitur-fitur program yang dapat digunakan untuk
eksistensi dan pengembangan program lebih lanjut
JADWAL PENELITIAN
NoDeskripsi
Pekerjaan
Bulan 1 Bulan II Bulan III
I II III IV I II III IV I II III IV
1 Identifikasi
Gambar 1 Kerangka penelitian
Wawancara
Kearsipan
Studi pustaka
Metode
pengumpulan data
Metode pengembangan
sistem
Identifikasi
permasalahan
Requirement
Analysis
Design
Coding
Testing
Acceptance
Permasalahan
2 Pengumpulan data
3 Requirement
4 Analisis
5 Design
6 Coding
7 Testing
8 Acceptance
9 Penulisan Laporan
DAFTAR PUSTAKA
Kristiawan A (2009 Maret 19) Pembuatan Sistem Pendukung Keputusan Untuk Menentukan Calon Pelanggan Baru Dengan Metode Fuzzy C-Means Retrieved Agustus 1 2011 from STIKOM DIGITAL LIBRARY INSTITUSIONAL REPOSITORY httpdigilibstikomedudownloadphpid=423ampfn=4546ampcat=Undergraduate
Kusumadewi S d (2004) Aplikasi Logika Fuzzy Untuk Pendukung Keputusan Yogyakarta Graha Ilmu
Turban E (2005) Sistem Pendukung Keputusan dan Sistem Cerdas Yogyakarta Andi
Wikipedia (2011 Agustus 28) CodeIgniter Retrieved September 10 2011 from Wikipedia Ensiklopedia Bebas httpidwikipediaorgwikiCodeIgniter
Wikipedia (2011 Juli 29) XAMPP Retrieved September 10 2011 from Wikipedia Ensiklopedia Bebas httpidwikipediaorgwikiXAMPP
- 61 User yang terlibat
-
- 611 User admin
-
- 62 Fitur-fitur
-
- 621 Fitur login
- 622 Input data anggota kriteria
- 623 Lihat data anggota kriteria
- 624 Proses data
- 625 Lihat hasil
- 626 Ubah password
- 627 Ubah konfigurasi
-
- Tabel
-
- 631 Tabel anggota_kriteria
- 632 Tabel calon_raja_ratu
-
- VIII METODE PENELITIAN
-
- 81 Identifikasi Masalah
- 82 Metode Pengumpulan Data
- 83 Metode Pengembangan Sistem
-
- JADWAL PENELITIAN
- DAFTAR PUSTAKA
-
625 Lihat hasil
Fitur lihat hasil digunakan oleh user untuk melihat hasil proses pengelompokan calon
raja dan ratu Sistem akan memberikan saran untuk menjadikan kelompok anggota
tertentu sebagai calon raja dan ratu Anggota yang dikelompokkan menjadi calon akan
mempunyai status calon raja dan ratu dan disimpan pada database anggota
626 Ubah password
Fitur ubah password digunakan oleh admin untuk mengubah password untuk login yang
berfungsi untuk kerahasiaan dan keamanan
627 Ubah konfigurasi
Fitur ubah konfigurasi digunakan oleh user admin untuk mengubah batasan jumlah
cluster pangkat maksimum iterasi dan error terkecil sesuai kebutuhan
Tabel
Rancangan tabel yang digunakan dalam sistem adalah tabel anggota_kriteria dan tabel
calon_raja_ratu
631 Tabel anggota_kriteria
Tabel anggota_kriteria berisi kode anggota nama anggota beserta nilai-nilai dari kriteria
calon raja dan ratu
632 Tabel calon_raja_ratu
Tabel calon_raja_ratu merupakan tabel yang memuat data hasil pengelompokan anggota oleh Fuzzy C-Means Tabel ini berisi list anggota yang termasuk dan yang tidak termasuk sebagai calon raja dan ratu
VII TINJAUAN PUSTAKA
71 Association Rule
Analisis asosiasi atau association rule mining adalah teknik data mining untuk
menemukan aturan asosiatif antara suatu kombinasi item Contoh dari aturan asosiatif dari
analisis pembelian di suatu pasar swalayan adalah mengetahui besarnya kemungkinan
seorang pelanggan untuk membeli roti bersamaan dengan susu Dengan pengetahuan
tersebut pemilik pasar swalayan bisa mengatur penempatan barangnya atau merancang
kampanye pemasaran menggunakan kupon diskon untuk kombinasi barang tertentu
(Wijoyo 2011)
Analisis asosiasi dikenal juga sebagai salah satu teknik data mining yang menjadi
dasar dari berbagai teknik data mining lainnya Khususnya salah satu tahap dari analisis
asosiasi yang disebut analisis pola frekuensi tinggi (frequent pattern mining) yang
menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien Penting
tidaknya suatu aturan asosiatif bisa diketahui menggunakan dua parameter support (nilai
penunjang) yaitu prosentase kombinasi item tersebut dalam database dan confidence
(nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan asosiasi (Wijoyo 2011)
Persoalan association rule mining terdiri dari dua sub persoalan
a Menemukan semua kombinasi dari item disebut dengan frequent
itemsetsyang memiliki support yang lebih besar daripada minimum
support
b Gunakan frequent itemsets untuk men-generate aturan yang
dikehendakiSemisal ABCD dan AB adalah frequent maka didapatkan
aturan AB -gt CD jika rasio dari support(ABCD) terhadap support(AB)
sedikitnya sama dengan minimum confidence Aturan ini memiliki
minimum support karena ABCD adalah frequent (Ammirudin 2009)
72 Algoritma Apriori
Algoritma Apriori adalah algoritma paling terkenal untuk menemukan pola
frekuensi tinggi Pola frekuensi tinggi adalah pola-pola item di dalam suatu database yang
memiliki frekuensi atau support di atas ambang batas tertentu yang disebut dengan istilah
minimum support Pola frekuensi tinggi ini digunakan untuk menyusun aturan assosiatif
dan juga beberapa teknik data mining lainnya Walaupun akhir-akhir ini dikembangkan
banyak algoritma yang lebih efisien dari Apriori seperti FP-growth LCM dsb tetapi
Apriori tetap menjadi algoritma yang paling banyak diimplementasikan dalam produk
komersial untuk data mining karena dianggap algoritma yang paling mapan (Wibowo
2011)
Algoritma Apriori yang bertujuan untuk menemukan frequent itemsets dijalankan
pada sekumpulan data Analaisis Apriori didefenisikan suatu proses untuk menemukan
semua aturan apriori yang memenuhi syarat minimum untuk support dan syarat minimum
untuk confidence (Syaifullah 2011)
Algoritma Apriori dibagi menjadi beberapa tahap yang disebut iterasi atau pass
Tiap iterasi menghasilkan pola frekuensi tinggi dengan panjang yang sama dimulai dari
pass pertama yang menghasilkan pola frekuensi tinggi dengan panjang satu Di iterasi
pertama ini support dari setiap item dihitung dengan men-scan database Setelah support
dari setiap item didapat item yang memiliki support diatas minimum support dipilih
sebagai pola frekuensi tinggi dengan panjang 1 atau sering disingkat 1-itemset Singkatan
k-itemset berarti satu set yang terdiri dari k item (Wibowo 2011)
Support adalah nilai penunjang atau persentase kombinasi sebuah item dalam
database Rumus support sebagai berikut
Support (A) = (jumlah transaksi mengandung ATotal transaksi) x 100
Sedangkan confidence adalah nilai kepastian yaitu kuatnya hubungan antar item
dalam sebuah apriori Confidence bisa dicari setelah pola frekuensi munculnya sebuah
item ditemukan Rumus untuk menghitung confidence adalah sebagai berikut
Contoh misal ditemukan aturan A1048774B maka
Confidence P(BA) = (Total transaksi mengandung A dan B transaksi
mengandung A) x100
73 Visual Basic 6
Visual Basic dibuat oleh Microsoft merupakan salah satu bahasa pemrograman
berorientasi objek yang mudah dipelajari Selain menawarkan kemudahan visual basic
juga cukup andal untuk digunakan dalam pembuatan berbagai aplikasi terutama aplikasi
database Visual basic merupakan bahasa pemrograman event drive dimana program
akan menunggu sampai ada respon dari userpemakai program aplikasi yang dapat berupa
kejadian atau event misalnya ketika user mengklik tombol atau menekan enter (Wijoyo
2011)
Visual Basic merupakan turunan bahasa BASIC dan menawarkan pengembangan
aplikasi komputer berbasis grafik dengan cepat akses ke basis data menggunakan Data
Access Objects (DAO) Remote Data Objects (RDO) atau ActiveX Data Object (ADO)
serta menawarkan pembuatan kontrol ActiveX dan objek ActiveX Beberapa bahasa skrip
seperti Visual Basic for Applications (VBA) dan Visual Basic Scripting Edition
(VBScript) mirip seperti halnya Visual Basic tetapi cara kerjanya yang berbeda
(vbcomp 2008)
VIII METODE PENELITIAN
81 Identifikasi Masalah
Identifikasi masalah dilakukan dengan obeservasi secara langsung ke
perpustakaan Hulu Sungai Utara
82 Metode Pengumpulan Data
Untuk mendeskripsikan sistem pendukung keputusan ini digunakan beberapa metode
pengumpulan data yaitu
1 Metode wawancara
Merupakan metode pengumpulan data dengan wawancara langsung dengan
kepala kantor dan staff perpustakaan daerah Hulu Sungai Utara
2 Metode kearsipan
Merupakan metode pengumpulan data dengan meminta data-data yang dianggap
perlu untuk pembuatan sistem pendukung keputusan
3 Metode studi pustaka (library research)
Merupakan metode pengumpulan data dengan cara mempelajari tulisan-tulisan
dan bukundashbuku yang berhubungan dengan penentuan anggota potensial
perpustakaan baik dari perpustakaan maupun dari internet
83 Metode Pengembangan Sistem
Metode pengembangan sistem menggunakan Waterfall Model Diagram yang
memiliki tahapan sebagai berikut
1 Requirement
Requirement merupakan tahapan untuk menspesifikasikan ruang lingkup
program Termasuk diantaranya apa input yang diperlukan oleh program dan
bagaimana output yang ingin dihasilkan
2 Analysis
Analysis merupakan tahapan untuk menspesifikasikan bahasa pemrograman
apa yang akan dipakai untuk program serta bagaimana sistem basis datanya
3 Design
Design merupakan tahapan untuk menspesifikasikan alur program serta
algoritma apa yang akan digunakan
4 Coding
Coding merupakan tahapan untuk mengimplementasikan algoritma dari
desain ke dalam bahasa pemrograman
5 Testing
Testing merupakan tahapan untuk mengetahui apakah program yang dibuat
sudah sesuai dengan spesifikasi dari tahap design serta untuk mengetahui
seberapa besar tingkat kepuasan pengguna terhadap program yang dibuat
6 Acceptance
Acceptance adalah tahapan penerimaan program oleh pengguna Tahap ini
memungkinkan kita untuk meminta pendapat dari pengguna tentang
bagaimana program yang telah kita kembangkan Termasuk diantaranya
kelebihan serta kekurangan fitur-fitur program yang dapat digunakan untuk
eksistensi dan pengembangan program lebih lanjut
JADWAL PENELITIAN
NoDeskripsi
Pekerjaan
Bulan 1 Bulan II Bulan III
I II III IV I II III IV I II III IV
1 Identifikasi
Gambar 1 Kerangka penelitian
Wawancara
Kearsipan
Studi pustaka
Metode
pengumpulan data
Metode pengembangan
sistem
Identifikasi
permasalahan
Requirement
Analysis
Design
Coding
Testing
Acceptance
Permasalahan
2 Pengumpulan data
3 Requirement
4 Analisis
5 Design
6 Coding
7 Testing
8 Acceptance
9 Penulisan Laporan
DAFTAR PUSTAKA
Kristiawan A (2009 Maret 19) Pembuatan Sistem Pendukung Keputusan Untuk Menentukan Calon Pelanggan Baru Dengan Metode Fuzzy C-Means Retrieved Agustus 1 2011 from STIKOM DIGITAL LIBRARY INSTITUSIONAL REPOSITORY httpdigilibstikomedudownloadphpid=423ampfn=4546ampcat=Undergraduate
Kusumadewi S d (2004) Aplikasi Logika Fuzzy Untuk Pendukung Keputusan Yogyakarta Graha Ilmu
Turban E (2005) Sistem Pendukung Keputusan dan Sistem Cerdas Yogyakarta Andi
Wikipedia (2011 Agustus 28) CodeIgniter Retrieved September 10 2011 from Wikipedia Ensiklopedia Bebas httpidwikipediaorgwikiCodeIgniter
Wikipedia (2011 Juli 29) XAMPP Retrieved September 10 2011 from Wikipedia Ensiklopedia Bebas httpidwikipediaorgwikiXAMPP
- 61 User yang terlibat
-
- 611 User admin
-
- 62 Fitur-fitur
-
- 621 Fitur login
- 622 Input data anggota kriteria
- 623 Lihat data anggota kriteria
- 624 Proses data
- 625 Lihat hasil
- 626 Ubah password
- 627 Ubah konfigurasi
-
- Tabel
-
- 631 Tabel anggota_kriteria
- 632 Tabel calon_raja_ratu
-
- VIII METODE PENELITIAN
-
- 81 Identifikasi Masalah
- 82 Metode Pengumpulan Data
- 83 Metode Pengembangan Sistem
-
- JADWAL PENELITIAN
- DAFTAR PUSTAKA
-
kampanye pemasaran menggunakan kupon diskon untuk kombinasi barang tertentu
(Wijoyo 2011)
Analisis asosiasi dikenal juga sebagai salah satu teknik data mining yang menjadi
dasar dari berbagai teknik data mining lainnya Khususnya salah satu tahap dari analisis
asosiasi yang disebut analisis pola frekuensi tinggi (frequent pattern mining) yang
menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien Penting
tidaknya suatu aturan asosiatif bisa diketahui menggunakan dua parameter support (nilai
penunjang) yaitu prosentase kombinasi item tersebut dalam database dan confidence
(nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan asosiasi (Wijoyo 2011)
Persoalan association rule mining terdiri dari dua sub persoalan
a Menemukan semua kombinasi dari item disebut dengan frequent
itemsetsyang memiliki support yang lebih besar daripada minimum
support
b Gunakan frequent itemsets untuk men-generate aturan yang
dikehendakiSemisal ABCD dan AB adalah frequent maka didapatkan
aturan AB -gt CD jika rasio dari support(ABCD) terhadap support(AB)
sedikitnya sama dengan minimum confidence Aturan ini memiliki
minimum support karena ABCD adalah frequent (Ammirudin 2009)
72 Algoritma Apriori
Algoritma Apriori adalah algoritma paling terkenal untuk menemukan pola
frekuensi tinggi Pola frekuensi tinggi adalah pola-pola item di dalam suatu database yang
memiliki frekuensi atau support di atas ambang batas tertentu yang disebut dengan istilah
minimum support Pola frekuensi tinggi ini digunakan untuk menyusun aturan assosiatif
dan juga beberapa teknik data mining lainnya Walaupun akhir-akhir ini dikembangkan
banyak algoritma yang lebih efisien dari Apriori seperti FP-growth LCM dsb tetapi
Apriori tetap menjadi algoritma yang paling banyak diimplementasikan dalam produk
komersial untuk data mining karena dianggap algoritma yang paling mapan (Wibowo
2011)
Algoritma Apriori yang bertujuan untuk menemukan frequent itemsets dijalankan
pada sekumpulan data Analaisis Apriori didefenisikan suatu proses untuk menemukan
semua aturan apriori yang memenuhi syarat minimum untuk support dan syarat minimum
untuk confidence (Syaifullah 2011)
Algoritma Apriori dibagi menjadi beberapa tahap yang disebut iterasi atau pass
Tiap iterasi menghasilkan pola frekuensi tinggi dengan panjang yang sama dimulai dari
pass pertama yang menghasilkan pola frekuensi tinggi dengan panjang satu Di iterasi
pertama ini support dari setiap item dihitung dengan men-scan database Setelah support
dari setiap item didapat item yang memiliki support diatas minimum support dipilih
sebagai pola frekuensi tinggi dengan panjang 1 atau sering disingkat 1-itemset Singkatan
k-itemset berarti satu set yang terdiri dari k item (Wibowo 2011)
Support adalah nilai penunjang atau persentase kombinasi sebuah item dalam
database Rumus support sebagai berikut
Support (A) = (jumlah transaksi mengandung ATotal transaksi) x 100
Sedangkan confidence adalah nilai kepastian yaitu kuatnya hubungan antar item
dalam sebuah apriori Confidence bisa dicari setelah pola frekuensi munculnya sebuah
item ditemukan Rumus untuk menghitung confidence adalah sebagai berikut
Contoh misal ditemukan aturan A1048774B maka
Confidence P(BA) = (Total transaksi mengandung A dan B transaksi
mengandung A) x100
73 Visual Basic 6
Visual Basic dibuat oleh Microsoft merupakan salah satu bahasa pemrograman
berorientasi objek yang mudah dipelajari Selain menawarkan kemudahan visual basic
juga cukup andal untuk digunakan dalam pembuatan berbagai aplikasi terutama aplikasi
database Visual basic merupakan bahasa pemrograman event drive dimana program
akan menunggu sampai ada respon dari userpemakai program aplikasi yang dapat berupa
kejadian atau event misalnya ketika user mengklik tombol atau menekan enter (Wijoyo
2011)
Visual Basic merupakan turunan bahasa BASIC dan menawarkan pengembangan
aplikasi komputer berbasis grafik dengan cepat akses ke basis data menggunakan Data
Access Objects (DAO) Remote Data Objects (RDO) atau ActiveX Data Object (ADO)
serta menawarkan pembuatan kontrol ActiveX dan objek ActiveX Beberapa bahasa skrip
seperti Visual Basic for Applications (VBA) dan Visual Basic Scripting Edition
(VBScript) mirip seperti halnya Visual Basic tetapi cara kerjanya yang berbeda
(vbcomp 2008)
VIII METODE PENELITIAN
81 Identifikasi Masalah
Identifikasi masalah dilakukan dengan obeservasi secara langsung ke
perpustakaan Hulu Sungai Utara
82 Metode Pengumpulan Data
Untuk mendeskripsikan sistem pendukung keputusan ini digunakan beberapa metode
pengumpulan data yaitu
1 Metode wawancara
Merupakan metode pengumpulan data dengan wawancara langsung dengan
kepala kantor dan staff perpustakaan daerah Hulu Sungai Utara
2 Metode kearsipan
Merupakan metode pengumpulan data dengan meminta data-data yang dianggap
perlu untuk pembuatan sistem pendukung keputusan
3 Metode studi pustaka (library research)
Merupakan metode pengumpulan data dengan cara mempelajari tulisan-tulisan
dan bukundashbuku yang berhubungan dengan penentuan anggota potensial
perpustakaan baik dari perpustakaan maupun dari internet
83 Metode Pengembangan Sistem
Metode pengembangan sistem menggunakan Waterfall Model Diagram yang
memiliki tahapan sebagai berikut
1 Requirement
Requirement merupakan tahapan untuk menspesifikasikan ruang lingkup
program Termasuk diantaranya apa input yang diperlukan oleh program dan
bagaimana output yang ingin dihasilkan
2 Analysis
Analysis merupakan tahapan untuk menspesifikasikan bahasa pemrograman
apa yang akan dipakai untuk program serta bagaimana sistem basis datanya
3 Design
Design merupakan tahapan untuk menspesifikasikan alur program serta
algoritma apa yang akan digunakan
4 Coding
Coding merupakan tahapan untuk mengimplementasikan algoritma dari
desain ke dalam bahasa pemrograman
5 Testing
Testing merupakan tahapan untuk mengetahui apakah program yang dibuat
sudah sesuai dengan spesifikasi dari tahap design serta untuk mengetahui
seberapa besar tingkat kepuasan pengguna terhadap program yang dibuat
6 Acceptance
Acceptance adalah tahapan penerimaan program oleh pengguna Tahap ini
memungkinkan kita untuk meminta pendapat dari pengguna tentang
bagaimana program yang telah kita kembangkan Termasuk diantaranya
kelebihan serta kekurangan fitur-fitur program yang dapat digunakan untuk
eksistensi dan pengembangan program lebih lanjut
JADWAL PENELITIAN
NoDeskripsi
Pekerjaan
Bulan 1 Bulan II Bulan III
I II III IV I II III IV I II III IV
1 Identifikasi
Gambar 1 Kerangka penelitian
Wawancara
Kearsipan
Studi pustaka
Metode
pengumpulan data
Metode pengembangan
sistem
Identifikasi
permasalahan
Requirement
Analysis
Design
Coding
Testing
Acceptance
Permasalahan
2 Pengumpulan data
3 Requirement
4 Analisis
5 Design
6 Coding
7 Testing
8 Acceptance
9 Penulisan Laporan
DAFTAR PUSTAKA
Kristiawan A (2009 Maret 19) Pembuatan Sistem Pendukung Keputusan Untuk Menentukan Calon Pelanggan Baru Dengan Metode Fuzzy C-Means Retrieved Agustus 1 2011 from STIKOM DIGITAL LIBRARY INSTITUSIONAL REPOSITORY httpdigilibstikomedudownloadphpid=423ampfn=4546ampcat=Undergraduate
Kusumadewi S d (2004) Aplikasi Logika Fuzzy Untuk Pendukung Keputusan Yogyakarta Graha Ilmu
Turban E (2005) Sistem Pendukung Keputusan dan Sistem Cerdas Yogyakarta Andi
Wikipedia (2011 Agustus 28) CodeIgniter Retrieved September 10 2011 from Wikipedia Ensiklopedia Bebas httpidwikipediaorgwikiCodeIgniter
Wikipedia (2011 Juli 29) XAMPP Retrieved September 10 2011 from Wikipedia Ensiklopedia Bebas httpidwikipediaorgwikiXAMPP
- 61 User yang terlibat
-
- 611 User admin
-
- 62 Fitur-fitur
-
- 621 Fitur login
- 622 Input data anggota kriteria
- 623 Lihat data anggota kriteria
- 624 Proses data
- 625 Lihat hasil
- 626 Ubah password
- 627 Ubah konfigurasi
-
- Tabel
-
- 631 Tabel anggota_kriteria
- 632 Tabel calon_raja_ratu
-
- VIII METODE PENELITIAN
-
- 81 Identifikasi Masalah
- 82 Metode Pengumpulan Data
- 83 Metode Pengembangan Sistem
-
- JADWAL PENELITIAN
- DAFTAR PUSTAKA
-
pertama ini support dari setiap item dihitung dengan men-scan database Setelah support
dari setiap item didapat item yang memiliki support diatas minimum support dipilih
sebagai pola frekuensi tinggi dengan panjang 1 atau sering disingkat 1-itemset Singkatan
k-itemset berarti satu set yang terdiri dari k item (Wibowo 2011)
Support adalah nilai penunjang atau persentase kombinasi sebuah item dalam
database Rumus support sebagai berikut
Support (A) = (jumlah transaksi mengandung ATotal transaksi) x 100
Sedangkan confidence adalah nilai kepastian yaitu kuatnya hubungan antar item
dalam sebuah apriori Confidence bisa dicari setelah pola frekuensi munculnya sebuah
item ditemukan Rumus untuk menghitung confidence adalah sebagai berikut
Contoh misal ditemukan aturan A1048774B maka
Confidence P(BA) = (Total transaksi mengandung A dan B transaksi
mengandung A) x100
73 Visual Basic 6
Visual Basic dibuat oleh Microsoft merupakan salah satu bahasa pemrograman
berorientasi objek yang mudah dipelajari Selain menawarkan kemudahan visual basic
juga cukup andal untuk digunakan dalam pembuatan berbagai aplikasi terutama aplikasi
database Visual basic merupakan bahasa pemrograman event drive dimana program
akan menunggu sampai ada respon dari userpemakai program aplikasi yang dapat berupa
kejadian atau event misalnya ketika user mengklik tombol atau menekan enter (Wijoyo
2011)
Visual Basic merupakan turunan bahasa BASIC dan menawarkan pengembangan
aplikasi komputer berbasis grafik dengan cepat akses ke basis data menggunakan Data
Access Objects (DAO) Remote Data Objects (RDO) atau ActiveX Data Object (ADO)
serta menawarkan pembuatan kontrol ActiveX dan objek ActiveX Beberapa bahasa skrip
seperti Visual Basic for Applications (VBA) dan Visual Basic Scripting Edition
(VBScript) mirip seperti halnya Visual Basic tetapi cara kerjanya yang berbeda
(vbcomp 2008)
VIII METODE PENELITIAN
81 Identifikasi Masalah
Identifikasi masalah dilakukan dengan obeservasi secara langsung ke
perpustakaan Hulu Sungai Utara
82 Metode Pengumpulan Data
Untuk mendeskripsikan sistem pendukung keputusan ini digunakan beberapa metode
pengumpulan data yaitu
1 Metode wawancara
Merupakan metode pengumpulan data dengan wawancara langsung dengan
kepala kantor dan staff perpustakaan daerah Hulu Sungai Utara
2 Metode kearsipan
Merupakan metode pengumpulan data dengan meminta data-data yang dianggap
perlu untuk pembuatan sistem pendukung keputusan
3 Metode studi pustaka (library research)
Merupakan metode pengumpulan data dengan cara mempelajari tulisan-tulisan
dan bukundashbuku yang berhubungan dengan penentuan anggota potensial
perpustakaan baik dari perpustakaan maupun dari internet
83 Metode Pengembangan Sistem
Metode pengembangan sistem menggunakan Waterfall Model Diagram yang
memiliki tahapan sebagai berikut
1 Requirement
Requirement merupakan tahapan untuk menspesifikasikan ruang lingkup
program Termasuk diantaranya apa input yang diperlukan oleh program dan
bagaimana output yang ingin dihasilkan
2 Analysis
Analysis merupakan tahapan untuk menspesifikasikan bahasa pemrograman
apa yang akan dipakai untuk program serta bagaimana sistem basis datanya
3 Design
Design merupakan tahapan untuk menspesifikasikan alur program serta
algoritma apa yang akan digunakan
4 Coding
Coding merupakan tahapan untuk mengimplementasikan algoritma dari
desain ke dalam bahasa pemrograman
5 Testing
Testing merupakan tahapan untuk mengetahui apakah program yang dibuat
sudah sesuai dengan spesifikasi dari tahap design serta untuk mengetahui
seberapa besar tingkat kepuasan pengguna terhadap program yang dibuat
6 Acceptance
Acceptance adalah tahapan penerimaan program oleh pengguna Tahap ini
memungkinkan kita untuk meminta pendapat dari pengguna tentang
bagaimana program yang telah kita kembangkan Termasuk diantaranya
kelebihan serta kekurangan fitur-fitur program yang dapat digunakan untuk
eksistensi dan pengembangan program lebih lanjut
JADWAL PENELITIAN
NoDeskripsi
Pekerjaan
Bulan 1 Bulan II Bulan III
I II III IV I II III IV I II III IV
1 Identifikasi
Gambar 1 Kerangka penelitian
Wawancara
Kearsipan
Studi pustaka
Metode
pengumpulan data
Metode pengembangan
sistem
Identifikasi
permasalahan
Requirement
Analysis
Design
Coding
Testing
Acceptance
Permasalahan
2 Pengumpulan data
3 Requirement
4 Analisis
5 Design
6 Coding
7 Testing
8 Acceptance
9 Penulisan Laporan
DAFTAR PUSTAKA
Kristiawan A (2009 Maret 19) Pembuatan Sistem Pendukung Keputusan Untuk Menentukan Calon Pelanggan Baru Dengan Metode Fuzzy C-Means Retrieved Agustus 1 2011 from STIKOM DIGITAL LIBRARY INSTITUSIONAL REPOSITORY httpdigilibstikomedudownloadphpid=423ampfn=4546ampcat=Undergraduate
Kusumadewi S d (2004) Aplikasi Logika Fuzzy Untuk Pendukung Keputusan Yogyakarta Graha Ilmu
Turban E (2005) Sistem Pendukung Keputusan dan Sistem Cerdas Yogyakarta Andi
Wikipedia (2011 Agustus 28) CodeIgniter Retrieved September 10 2011 from Wikipedia Ensiklopedia Bebas httpidwikipediaorgwikiCodeIgniter
Wikipedia (2011 Juli 29) XAMPP Retrieved September 10 2011 from Wikipedia Ensiklopedia Bebas httpidwikipediaorgwikiXAMPP
- 61 User yang terlibat
-
- 611 User admin
-
- 62 Fitur-fitur
-
- 621 Fitur login
- 622 Input data anggota kriteria
- 623 Lihat data anggota kriteria
- 624 Proses data
- 625 Lihat hasil
- 626 Ubah password
- 627 Ubah konfigurasi
-
- Tabel
-
- 631 Tabel anggota_kriteria
- 632 Tabel calon_raja_ratu
-
- VIII METODE PENELITIAN
-
- 81 Identifikasi Masalah
- 82 Metode Pengumpulan Data
- 83 Metode Pengembangan Sistem
-
- JADWAL PENELITIAN
- DAFTAR PUSTAKA
-
82 Metode Pengumpulan Data
Untuk mendeskripsikan sistem pendukung keputusan ini digunakan beberapa metode
pengumpulan data yaitu
1 Metode wawancara
Merupakan metode pengumpulan data dengan wawancara langsung dengan
kepala kantor dan staff perpustakaan daerah Hulu Sungai Utara
2 Metode kearsipan
Merupakan metode pengumpulan data dengan meminta data-data yang dianggap
perlu untuk pembuatan sistem pendukung keputusan
3 Metode studi pustaka (library research)
Merupakan metode pengumpulan data dengan cara mempelajari tulisan-tulisan
dan bukundashbuku yang berhubungan dengan penentuan anggota potensial
perpustakaan baik dari perpustakaan maupun dari internet
83 Metode Pengembangan Sistem
Metode pengembangan sistem menggunakan Waterfall Model Diagram yang
memiliki tahapan sebagai berikut
1 Requirement
Requirement merupakan tahapan untuk menspesifikasikan ruang lingkup
program Termasuk diantaranya apa input yang diperlukan oleh program dan
bagaimana output yang ingin dihasilkan
2 Analysis
Analysis merupakan tahapan untuk menspesifikasikan bahasa pemrograman
apa yang akan dipakai untuk program serta bagaimana sistem basis datanya
3 Design
Design merupakan tahapan untuk menspesifikasikan alur program serta
algoritma apa yang akan digunakan
4 Coding
Coding merupakan tahapan untuk mengimplementasikan algoritma dari
desain ke dalam bahasa pemrograman
5 Testing
Testing merupakan tahapan untuk mengetahui apakah program yang dibuat
sudah sesuai dengan spesifikasi dari tahap design serta untuk mengetahui
seberapa besar tingkat kepuasan pengguna terhadap program yang dibuat
6 Acceptance
Acceptance adalah tahapan penerimaan program oleh pengguna Tahap ini
memungkinkan kita untuk meminta pendapat dari pengguna tentang
bagaimana program yang telah kita kembangkan Termasuk diantaranya
kelebihan serta kekurangan fitur-fitur program yang dapat digunakan untuk
eksistensi dan pengembangan program lebih lanjut
JADWAL PENELITIAN
NoDeskripsi
Pekerjaan
Bulan 1 Bulan II Bulan III
I II III IV I II III IV I II III IV
1 Identifikasi
Gambar 1 Kerangka penelitian
Wawancara
Kearsipan
Studi pustaka
Metode
pengumpulan data
Metode pengembangan
sistem
Identifikasi
permasalahan
Requirement
Analysis
Design
Coding
Testing
Acceptance
Permasalahan
2 Pengumpulan data
3 Requirement
4 Analisis
5 Design
6 Coding
7 Testing
8 Acceptance
9 Penulisan Laporan
DAFTAR PUSTAKA
Kristiawan A (2009 Maret 19) Pembuatan Sistem Pendukung Keputusan Untuk Menentukan Calon Pelanggan Baru Dengan Metode Fuzzy C-Means Retrieved Agustus 1 2011 from STIKOM DIGITAL LIBRARY INSTITUSIONAL REPOSITORY httpdigilibstikomedudownloadphpid=423ampfn=4546ampcat=Undergraduate
Kusumadewi S d (2004) Aplikasi Logika Fuzzy Untuk Pendukung Keputusan Yogyakarta Graha Ilmu
Turban E (2005) Sistem Pendukung Keputusan dan Sistem Cerdas Yogyakarta Andi
Wikipedia (2011 Agustus 28) CodeIgniter Retrieved September 10 2011 from Wikipedia Ensiklopedia Bebas httpidwikipediaorgwikiCodeIgniter
Wikipedia (2011 Juli 29) XAMPP Retrieved September 10 2011 from Wikipedia Ensiklopedia Bebas httpidwikipediaorgwikiXAMPP
- 61 User yang terlibat
-
- 611 User admin
-
- 62 Fitur-fitur
-
- 621 Fitur login
- 622 Input data anggota kriteria
- 623 Lihat data anggota kriteria
- 624 Proses data
- 625 Lihat hasil
- 626 Ubah password
- 627 Ubah konfigurasi
-
- Tabel
-
- 631 Tabel anggota_kriteria
- 632 Tabel calon_raja_ratu
-
- VIII METODE PENELITIAN
-
- 81 Identifikasi Masalah
- 82 Metode Pengumpulan Data
- 83 Metode Pengembangan Sistem
-
- JADWAL PENELITIAN
- DAFTAR PUSTAKA
-
Acceptance adalah tahapan penerimaan program oleh pengguna Tahap ini
memungkinkan kita untuk meminta pendapat dari pengguna tentang
bagaimana program yang telah kita kembangkan Termasuk diantaranya
kelebihan serta kekurangan fitur-fitur program yang dapat digunakan untuk
eksistensi dan pengembangan program lebih lanjut
JADWAL PENELITIAN
NoDeskripsi
Pekerjaan
Bulan 1 Bulan II Bulan III
I II III IV I II III IV I II III IV
1 Identifikasi
Gambar 1 Kerangka penelitian
Wawancara
Kearsipan
Studi pustaka
Metode
pengumpulan data
Metode pengembangan
sistem
Identifikasi
permasalahan
Requirement
Analysis
Design
Coding
Testing
Acceptance
Permasalahan
2 Pengumpulan data
3 Requirement
4 Analisis
5 Design
6 Coding
7 Testing
8 Acceptance
9 Penulisan Laporan
DAFTAR PUSTAKA
Kristiawan A (2009 Maret 19) Pembuatan Sistem Pendukung Keputusan Untuk Menentukan Calon Pelanggan Baru Dengan Metode Fuzzy C-Means Retrieved Agustus 1 2011 from STIKOM DIGITAL LIBRARY INSTITUSIONAL REPOSITORY httpdigilibstikomedudownloadphpid=423ampfn=4546ampcat=Undergraduate
Kusumadewi S d (2004) Aplikasi Logika Fuzzy Untuk Pendukung Keputusan Yogyakarta Graha Ilmu
Turban E (2005) Sistem Pendukung Keputusan dan Sistem Cerdas Yogyakarta Andi
Wikipedia (2011 Agustus 28) CodeIgniter Retrieved September 10 2011 from Wikipedia Ensiklopedia Bebas httpidwikipediaorgwikiCodeIgniter
Wikipedia (2011 Juli 29) XAMPP Retrieved September 10 2011 from Wikipedia Ensiklopedia Bebas httpidwikipediaorgwikiXAMPP
- 61 User yang terlibat
-
- 611 User admin
-
- 62 Fitur-fitur
-
- 621 Fitur login
- 622 Input data anggota kriteria
- 623 Lihat data anggota kriteria
- 624 Proses data
- 625 Lihat hasil
- 626 Ubah password
- 627 Ubah konfigurasi
-
- Tabel
-
- 631 Tabel anggota_kriteria
- 632 Tabel calon_raja_ratu
-
- VIII METODE PENELITIAN
-
- 81 Identifikasi Masalah
- 82 Metode Pengumpulan Data
- 83 Metode Pengembangan Sistem
-
- JADWAL PENELITIAN
- DAFTAR PUSTAKA
-
Permasalahan
2 Pengumpulan data
3 Requirement
4 Analisis
5 Design
6 Coding
7 Testing
8 Acceptance
9 Penulisan Laporan
DAFTAR PUSTAKA
Kristiawan A (2009 Maret 19) Pembuatan Sistem Pendukung Keputusan Untuk Menentukan Calon Pelanggan Baru Dengan Metode Fuzzy C-Means Retrieved Agustus 1 2011 from STIKOM DIGITAL LIBRARY INSTITUSIONAL REPOSITORY httpdigilibstikomedudownloadphpid=423ampfn=4546ampcat=Undergraduate
Kusumadewi S d (2004) Aplikasi Logika Fuzzy Untuk Pendukung Keputusan Yogyakarta Graha Ilmu
Turban E (2005) Sistem Pendukung Keputusan dan Sistem Cerdas Yogyakarta Andi
Wikipedia (2011 Agustus 28) CodeIgniter Retrieved September 10 2011 from Wikipedia Ensiklopedia Bebas httpidwikipediaorgwikiCodeIgniter
Wikipedia (2011 Juli 29) XAMPP Retrieved September 10 2011 from Wikipedia Ensiklopedia Bebas httpidwikipediaorgwikiXAMPP
- 61 User yang terlibat
-
- 611 User admin
-
- 62 Fitur-fitur
-
- 621 Fitur login
- 622 Input data anggota kriteria
- 623 Lihat data anggota kriteria
- 624 Proses data
- 625 Lihat hasil
- 626 Ubah password
- 627 Ubah konfigurasi
-
- Tabel
-
- 631 Tabel anggota_kriteria
- 632 Tabel calon_raja_ratu
-
- VIII METODE PENELITIAN
-
- 81 Identifikasi Masalah
- 82 Metode Pengumpulan Data
- 83 Metode Pengembangan Sistem
-
- JADWAL PENELITIAN
- DAFTAR PUSTAKA
-
top related