apriori 1
DESCRIPTION
jTRANSCRIPT
-
IMPLEMENTASI DATA MINING MENGGUNAKAN ATURAN ASOSIASI
DENGAN ALGORITMA APRIORI TERHADAP PENYUSUNAN
LAYOUT MAKANAN PADA RUMAH MAKAN PADANG
MURAH MERIAH
Naskah Publikasi
diajukan oleh :
Oliver Zakaria
11.21.0610
kepada
SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
AMIKOM
YOGYAKARTA
2012
-
2
-
3
IMPLEMENTATION OF DATA MINING USING ASSOCIATION RULES WITH APRIORI
ALGORITHM FOR LAOUT PREPARATION FOOD AT PADANG RESTAURANT
MURAH MERIAH
IMPLEMENTASI DATA MINING MENGGUNAKAN ATURAN ASOSIASI
DENGAN ALGORITMA APRIORI TERHADAP PENYUSUNAN LAYOUT MAKANAN PADA RUMAH MAKAN PADANG
MURAH MERIAH
Oliver Zakaria Jurusan Teknik Informatika
STMIK AMIKOM YOGYAKARTA
ABSTRACT
Padangs Restaurants is a buffet restaurant with a concept that requires a person
to take their own food they want to eat according to their individual needs. Padangs Restaurants MURAH MERIAH, preparation of food layout is random and there are no rules that govern the preparation of this buffet food
Any computer-based transactions, preferably stored into the database. The
database will hold all the data and can be further processed to produce a useful information. A restaurant store transactions into the database, the diversity of cuisine or food (products) purchased by each visitor. Using data mining association algorithm, the saved data can be extracted and processed to obtain a new information. With the discovery of this new information is expected to help the manager of the restaurant to determine the pattern of the preparation of the new layout of the buffet food.
The application development using data mining techniques apriori algorithm
association rules can create or define new layout buffet food. Applications perform calculations with the parameter value of support and confidence. Layout new formulation is no longer random by using this application, but the decision to set the remains on the manager of the restaurant. These applications include decision support system, which is directed to the manager to make the layout of the new food.
Keywords: Data Mining, Padangs Restaurants, Food Layout.
-
4
1 PENDAHULUAN
Rumah makan padang adalah rumah makan dengan konsep prasmanan yang
menuntut seseorang untuk mengambil sendiri makanan yang ingin mereka makan sesuai
dengan kebutuhan mereka masing-masing. Pada Rumah Makan Padang Murah Meriah,
penyusunan layout makanan dilakukan secara acak dan tidak ada aturan yang mengatur
dalam penyusunan makanan prasmanan ini
Suatu rumah makan menyimpan transaksinya ke dalam database, yaitu
keanekaragaman masakan atau makanan(produk) yang dibeli oleh setiap pengunjung.
Dengan menggunakan Data Mining algoritma asosiasi, data yang tersimpan tersebut
dapat digali dan diolah sehingga mendapatkan sebuah informasi baru. Dengan
penemuan informasi baru ini, diharapkan dapat membantu pihak Manajer rumah makan
untuk menentukan pola penyusunan layout makanan prasmanan yang baru.
Pembuatan aplikasi dengan menggunakan teknik data mining aturan asosiasi
algoritma apriori dapat membuat atau menentukan layout makanan prasmanan yang
baru. Aplikasi melakukan perhitungan dengan parameter nilai support dan confidence.
Layout penyusunan baru sudah tidak acak lagi dengan menggunakan aplikasi ini, tetapi
keputusan untuk mengatur tetap ada di pihak manager rumah makan. Aplikasi ini
termasuk system penunjang keputusan, yang mana ditujukan kepada pihak manager
untuk membuat layout makanan yang baru.
2 DASAR TEORI
2.1 Konsep Sistem Penunjang
Sistem Penunjang Keputusan sering disebut dengan istilah Decision Support
System. Sesuai dengan namanya, secara umum sistem ini akan memberikan
kemampuannya, baik itu dalam memecahkan masalah maupun sebagai media
komunikasi untuk masalah semi terstruktur. Hubungannya dengan penelitian ini adalah
bagaimana suatu sistem yang mendukung peran seorang Manajer Rumah makan dalam
memecahkan masalah yang ada dengan cara memberikan informasi atau usulan yang
menuju suatu keputusan tertentu. Decision Support System bisa berbentuk manual
maupun komputerisasi.
Contoh masalah semi terstruktur pada sebuah Rumah Makan, seperti : control
bahan baku, penjadwalan pembelian bahan baku masakan, manajemen uang,
perencanaan menu baru, konsep tata letak makanan (prasmanan), dan sebagainya.
2.2 Konsep Aturan Asosiasi dengan Algoritma Apriori
Analisis Asosiasi atau Association rule mining adalah sebuah teknik data mining
yang digunakan untuk menemukan aturan asosiatif antara suatu kombinasi item. Contoh
-
5
dari aturan asosiatif dari analisa pembelian disuatu swalayan adalah diketahuinya berapa
besar kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan
pengetahuan tersebut, pemilik swalayan dapat mengatur letak barang tersebut,
mengkombinasikannya sehingga dapat meningkatkan peluang jual dalam setiap
transaksi. Analisis asosiasi menjadi terkenal karena aplikasinya untuk menganalisis isi
keranjang belanja di swalayan. Analisis asosiasi ini juga sering disebut dengan istilah
Market Basket Analysis.
Ada dua metode utama dalam merepresentasikan tipe data dalam market basket
analysis yaitu format data transaksi dan format data tabular. Format data transaksi
membutuhkan dua field, field ID dan field isi, dimana tiap record merepresentasikan
hanya satu item.
Tabel 2.1 Format Data Transaksi
Field ID Field Isi
1 1 2 . . .
Item 1 Item 2 Item n
.
.
.
Format data transaksi sedikit berbeda dengan format data tabular. Dalam format
data tabular, tiap record merepresentasikan transaksi terpisah, dimana flag field 0/1
sebanyak itemnya.
Tabel 2.2 Format Data Tabular
Transaksi Item 1 Item 2 Item n
1 2 3 . . .
1 1 0 . . .
0
1
1
.
.
0
0
0
.
.
0
1
1
.
-
2.3 Frequent Itemset, Support, dan Cofidence
Aturan asosiasi berkenaan dengan studi tentang apa bersama apa. Aturan
asosiasi juga ingin memberikan informasi tersebut dalam bentuk hubungan if-then atau
jika-maka. Aturan ini dihitung dari data yang sifatnya probabilistik (Santoso, 2007: 225-
226).
Pencarian dengan metode asosiasi ini akan mendapatkan hasil yang sesuai dan
akurat dengan menggunakan parameter-parameter yang telah ditetapkan sebagai
batasannya, diantaranya adalah Frequent Itemset, Support, dan Cofidence.
-
6
Dalam asosiasi terdapat istilah antecedent dan consequent, antecedent untuk
mewakili bagian jika dan consequent untuk mewakili bagian maka. Dalam analisis
ini, antecedent dan consequent adalah sekelompok item yang tidak punya hubungan
secara bersama (Santoso, 2007: 226).
1. Frequent Itemset
Itemset adalah set item yang berisi didalam I, dan k-itemset adalah itemsek yang
berisi k items. Itemset frequency adalah jumlah transaksi yang berisi itemset
tertentu. Frequent itemset adalah itemset yang terjadi paling sedikit pada jumlah
tertentu, mempunyai itemset frequency . Misalkan, = 4, itemset yang terjadi
lebih dari 4 disebut frequent. Notasi set of frequent k-itemsets adalah Fk.
2. Support
Support adalah ukuran yang merepresentasikan tingkat kemunculan atau
dominasi suatu barang atau itemset dari keseluruhan transaksi. Kaitannya
dengan antecedent dan consequent , maka support merupakan rasio antara
jumlah transaksi yang memuat antecedent dan consequent dengan jumlah
transaksi.
3. Confidence
Confidence adalah ukuran yang merepresentasikan hubungan kondisional antar
dua barang (missal seberapa sering susu dibeli ketika orang membeli roti pada
sebuah transaksi). Dengan kata lain Confidence adalah rasio antara jumlah
transaksi yang meliputi semua item dalam antecedent dan consequent dengan
jumlah transaksi yang meliputi semua item dalam antecedent.
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 frequensi tinggi (frequent pattern mining) yang
sering digunakan untuk menghasilkan algoritma yang efisien.
Keterangan :
S = Support
= Jumlah transaksi yang mengandung antecedent dan
consequencent
(T) = Jumlah transaksi
-
7
Keterangan :
C = Confidence
= Jumlah transaksi yang mengandung antecedent dan
Consequencent
(Ta) = Jumlah transaksi yang mengandung antecedent
Langkah pertama algoritma apriori adalah support dari setiap item dihitung
dengan melihat isi dari database. Setelah support dari setiap item didapat, item yang
memiliki support lebih besar dari 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.
Iterasi kedua menghasilkan 2-itemset yang tiap set-nya memiliki dua item.
Pertama dibuat kandidat 2-itemset dari kombinasi semua 1-itemset. Lalu untuk tiap
kandidat 2-itemset ini dihitung support-nya dengan melihat kembali database. Support
artinya jumlah transaksi dalam database yang mengandung kedua item dalam kandidat
2-itemset. Setelah support dari semua kandidat 2-itemset didapatkan, kandidat 2-itemset
yang memenuhi syarat minimum support dapat ditetapkan sebagai 2-itemset yang juga
merupakan pola frekuensi tinggi dengan panjang 2. (Pramudiono, 2007)
Untuk selanjutnya iterasi iterasi ke-k dapat dibagi lagi menjadi beberapa bagian:
1. Pembentukan kandidat itemset
Kandidat k-itemset dibentuk dari kombinasi (k-1)- itemset yang didapat dari iterasi
sebelumnya. Algoritma apriori dapat dikenali dengan adanya peringkasan kandidat k-
itemset yang subset-nya berisi k-1 item, tidak termasuk dalam pola frekuensi tinggi
dengan panjang k-1.
2. Penghitungan support dari tiap kandidat k-itemset
Support dari tiap kandidat k-itemset didapat dengan memeriksa satu persatu database
untuk menghitung jumlah transaksi yang memuat semua item di dalam kandidat k-itemset
tersebut.
3. Tetapkan pola frekuensi tinggi
Pola frekuensi tinggi yang memuat k-item atau k-itemset ditetapkan dari kandidat k-
itemset yang support-nya lebih besar dari minimum support. Kemudian dihitung
confidence masing-masing kombinasi item. Iterasi berhenti ketika semua item telah
dihitung sampai tidak ada kombinasi item lagi.
-
8
2.4 Tinjauan Umum
Rumah Makan Padang Murah Meriah sudah cukup terkenal di kawasan
Yogyakarta. Rumah Makan ini sudah memiliki cabang baik dalam kota maupun luar kota,
dengan manajer dan manajemen yang berbeda-beda, tetapi masih dalam satu badan
usaha Murah Meriah Group. Cabang-cabangnya diantaranya MM Temon, MM Jl.
Parangtritis, MM UMY Ring Road Barat, MM Wonosari, MM Gamping, MM Jl. Solo, MM
Jl. Taman Siswa, dan masih banyak lagi.
Rumah Makan Padang terkenal dengan konsep prasmanan, dimana para
pengunjung bisa mengambil sendiri makanan yang ingin mereka makan, layaknya
sebuah pasar swalayan dimana pengunjung membeli barang yang mereka beli lalu
membayarnya di kasir.
Rumah Makan Padang Murah Meriah ini memiliki hampir 45 jenis masakan yang
menjadi menu sajian rumah makan ini. Jenis-jenis makanan tersebut disajikan di dua
tempat, yaitu didepan (rak susun) dan di meja samping.
Makanan yang berada di rak susun depan, merupakan menu makanan yang
biasa atau umum berada di rumah makan padang seperti ikan, ayam, rending, dan
berbagai sayuran. Menu disamping adalah menu yang sudah disajikan dalam bentuk
piring seperti gulai kepala ikan, gulai otak, dan sebagainya. Menu disamping ini memang
sudah dipiringkan untuk memudahkan pengunjung agar langsung mengambil sesuai
porsi yang sudah disediakan, apabila tidak diporsikan makan pengunjung pun akan
mengambil sesuka hati mereka, dan pihak kasir akan kebingungan dalam mengkalkulasi
ketika terjadi pembayaran.
Kedua layout sajian prasmanan yang berada di rumah makan padang ini
dilakukan secara manual dan sudah ada sejak dulu. Cara penyajian dilakukan ketika ada
makanan yang sudah selesai proses masak didapur, kemudian segera disajikan di
depan. Dalam proses penataan dilakukan secara bertingkat dan sesuai dengan rak yang
tersedia, yaitu ada dua tingkat. Tingkat pertama sesuai dengan konsep rumah makan
padang pada umumnya, bahwa semua makanan saji yang bersifat kering(goreng)
diletakkan pada rak secara bersusun dengan berjajar empat baris selang-seling, dan
yang berkuah seperti sayur dan aneka sambal berada di tingkat kedua yaitu paling
bawah.
Berikut adalah gambar mengenai tata layout sajian makan (menu depan) yang
terdapat pada Rumah Makan Padang Murah Meriah.
-
9
Gambar 2.1 Layout sajian Makanan (menu depan)
3 ANALISIS DAN PERANCANGAN
Konsep penyajian makanan dengan metode prasmanan, adalah salah satu
metode yang menuntut seorang customer atau pembeli memilih secara langsung apa
yang hendak mereka beli atau makan. Seluruh sajian atau menu makan disusun
sedemikian rupa, dan pembeli dapat memilih sesuai dengan selera dan kebutuhan
mereka. Proses pemilihan makanan inilah yang akan menimbulkan kepadatan disekitar
area pengambilan makanan.
Dengan sebuah analisis dengan metode apriori, akan membentuk sebuah pola
kebiasaan para pembeli dalam mengambil makanan yang sudah disajikan. Pola
kebiasaan ini akan terekam dan disimpan secara berkelanjutan, sehingga dapat menjadi
sebuah rekomendasi kepada pemilik Rumah Makan untuk menata layout makanan
sesuai dengan pola kebiasaan para pembeli tersebut.
3.1 Analisis Data
Dalam setiap kegiatan transaksi yang berlangsung pada Rumah Makan Padang
Murah Meriah akan tercatat ke dalam database. Database akan menampung semua data
transaksi yang terjadi. Data yang tersimpan meliputi no transaksi, tanggal pembelian,
menu dan jumlah yang dibeli, harga, dan total harga yang harus dibayar. Data transaksi
inilah yang digunakan dalam perhitungan apriori yang nantinya akan merujuk pada
keputusan hasil desain layout menu makanan.
3.2 Analisis Kebutuhan Sistem
Kebutuhan sistem dalam pembangunan aplikasi Data Mining Algoritma Apriori
pada penjualan di Rumah Makan Padang Murah Meriah ini meliputi kebutuhan
perangkat keras (hardware), perangkat lunak (software), informasi dan beberapa
kebutuhan lain yang akan menunjang pembuatan aplikasi ini.
-
10
3.3 Analisis Kebutuhan fungsional
Kebutuhan fungsional berisi proses-proses apa saja yang akan dilakukan oleh
system atau perumpamaan mengenai fitur-fitur yang ada pada aplikasi ini. Fitur-fitur
tersebut diantaranya:
1. Menginput data transaksi
2. Mengolah data transaksi
3. Mengolah data menu
4. Mencetak layout (perhitungan asosiasi)
5. Mencari hubungan kedekatan
3.4 Analisis Kebutuhan Non Fungsional
Analisis kebutuhan non fungsional dilakukan untuk mengetahui spesifikasi kebutuhan
system. Kebutuhan yang dimaksud diantaranya:
3.4.1 KEBUTUHAN PERANGKAT KERAS (HARDWARE)
Spesifikasi perangkat keras pada laptop (computer) yang digunakan untuk
membangun aplikasi ini adalah sebagai berikut :
1. Procesor : Pentium(R) Dual-Core CPU T4500 @ 2.30GHz
2. Memory : 3,072.00 MB DDR3
3. VGA : Mobile Intel(R) 4 Series Express Chipset Family (DX11)
4. Harddisk : 305244 MB SATA
5. Display : 14 HD (LED)
3.4.2 KEBUTUHAN PERANGKAT LUNAK (SOFTWARE)
Dalam proses pembangunan sistem, dibutuhkan beberapa perangkat lunak.
Perangkat lunak tersebut digunakan untuk menghasilkan aplikasi yang sesuai dengan
perencanaan. Perangkat lunak tersebuat antara lain :
1. Netbeans 7.2 dan Jasper Report
2. XAMPP 1.7.1
3. Sistem Operasi Windows 7 Ultimate 32 bit
-
11
3.5 Analisis Model
Data input berupa data masukan ketika terjadi transaksi. Berikut adalah contoh
data input yang digunakan untuk proses data mining dalam bentuk tabel item transaksi,
sebagai berikut:
Tabel 3.1 Contoh Data Input Data Transaksi
IdTransaksi NoTransaksi IdMenu NamaMenu Banyak
1 1 44 Telur Bulat Balado/G 1
2 1 17 Kepala Tengiri Super 1
3 1 45 Telur Dadar 1
4 1 15 Ikan Bilih 1
5 2 47 Cucut/Kakap/Tenggiri 1
6 2 5 Ayam Spesial 2
7 2 51 Udang Goreng Sate 1
8 3 5 Ayam Spesial 1
9 3 2 Ayam Goreng 1
10 3 45 Telur Dadar 1
Berikut akan dijelaskan mengenai tahap-tahap dalam pembentukan layout menu
makan berdasarkan data mining algoritma apriori. Data sebelumnya telah dipisahkan dan
dipilih yang memenuhi criteria yang telah dijelaskan sebelumnya. Tahap-tahap adalah
sebagai berikut :
1. Menyiapkan Data
Data yang telah dirapikan kurang lebih menjadi seperti berikut ini :
Tabel 3.2 Tabel Tampilan Data
IdTransaksi NoTransaksi NoMenu NamaMenu Banyak
1 1 44 Telur Bulat Balado/G 1
2 1 5 Ayam Spesial 1
3 1 46 Tempe 2
4 1 51 Udang Goreng Sate 1
5 2 44 Telur Bulat Balado/G 1
6 2 5 Ayam Spesial 1
7 2 39 Pergedel Kentang 3
8 3 44 Telur Bulat Balado/G 1
9 3 39 Pergedel Kentang 2
10 3 46 Tempe 2
11 3 40 Rendang Daging 1
12 4 44 Telur Bulat Balado/G 1
13 4 39 Pergedel Kentang 2
-
12
14 5 46 Tempe 1
15 5 122 Tahu (1) 1
16 6 44 Telur Bulat Balado/G 1
17 6 5 Ayam Spesial 1
18 7 5 Ayam Spesial 1
19 7 40 Rendang Daging 1
20 7 122 Tahu (1) 2
2. Memisahkan masing-masing Item yang dibeli
Dilakukan pemisahan item-item apa saja yang ada pada tabel tersebut.
Tabel 3.3 Item-item yang terbeli
Item yg dibeli
Telur Bulat Balado/G
Ayam Spesial
Tempe
Udang Goreng Sate
Pergedel Kentang
Rendang Daging
Tahu (1)
3. Membuat tabel dengan field data diatas dan menghitung jumlahnya.
Tabel 3.4 Tabel baru beserta jumlahnya
Transaksi Telur Bulat Balado/G
Ayam Spesial Tempe
Udang Goreng Sate
Pergedel Kentang
Rendang Daging Tahu (1)
1 1 1 1 1 0 0 0
2 1 1 0 0 1 0 0
3 1 0 1 0 1 1 0
4 1 0 0 0 1 0 0
5 0 0 1 0 0 0 1
6 1 1 0 0 0 0 0
7 0 1 0 0 0 1 1
5 4 3 1 3 2 2
4. Menentukan nilai minimum ( )
Ditetapkan bahwa = 3, maka semua itemset yang frekuensi kemunculannya
lebih dari atau sama dengan 3 kali disebut frequent.
Berikut adalah tabel k = 2 (2 unsur):
-
13
Tabel 3.5 Calon 2-Itemset
Kombinasi jumlah
Telur Bulat Balado/G , Ayam Spesial 3
Telur Bulat Balado/G , Tempe 2
Telur Bulat Balado/G , Udang Goreng Sate 1
Telur Bulat Balado/G , Pergedel Kentang 3
Telur Bulat Balado/G , Rendang Daging 1
Telur Bulat Balado/G , Tahu (1) 0
Ayam Spesial , Tempe 1
Ayam Spesial , Udang Goreng Sate 1
Ayam Spesial , Pergedel Kentang 1
Ayam Spesial , Rendang Daging 1
Ayam Spesial , Tahu (1) 1
Tempe , Udang Goreng Sate 1
Tempe , Pergedel Kentang 1
Tempe , Rendang Daging 1
Tempe , Tahu (1) 1
Udang Goreng Sate , Pergedel Kentang 0
Udang Goreng Sate , Rendang Daging 0
Udang Goreng Sate , Tahu (1) 0
Pergedel Kentang , Rendang Daging 1
Pergedel Kentang , Tahu (1) 0
Rendang Daging , Tahu (1) 1
Kombinasi dari itemset dalam F2, dapat kita gabungkan menjadi calon 3-itemset.
Itemset-itemset yang dapat digabungkan adalah itemset-itemset yang memiliki
kesamaan dalam k-1 item pertama. Dari data diatas yang memiliki kesamaan
adalah {Telur Bulat Balado/G , Ayam Spesial} dan {Telur Bulat Balado/G,
Pergedel Kentang}, maka dapat digabung menjadi berikut ini:
Tabel 3.6 Calon 3-Itemset
Kombinasi Jumlah
Telur Bulat Balado/G , Ayam Spesial , Pergedel Kentang 1
Dari tabel-tabel di atas, didapat F3 = { }, karena tidak ada >= sehingga F4,
F5, F6 dan F7 juga merupakan himpunan kosong.
5. Pembentukan Aturan Asosiasi
Berikut adalah aturan yang didapat. Perlu diketahui bahwa Jika A maka B tidak
berarti Jika B maka A.
-
14
Tabel 3.7 Aturan Asosiasi
Kombinasi Support Confident
Telur Bulat Balado/G -> Ayam Spesial 42.86% 60%
Ayam Spesial -> Telur Bulat Balado/G 42.86% 75%
Telur Bulat Balado/G -> Tempe
28.57% 40%
Tempe -> Telur Bulat Balado/G 28.57% 67%
Telur Bulat Balado/G -> Udang Goreng Sate 14.29% 20%
Udang Goreng Sate -> Telur Bulat Balado/G 14.29% 100%
Telur Bulat Balado/G -> Pergedel Kentang 42.86% 60%
Pergedel Kentang -> Telur Bulat Balado/G 42.86% 100%
Telur Bulat Balado/G -> Rendang Daging 14.29% 20%
Rendang Daging -> Telur Bulat Balado/G 14.29% 50%
Ayam Spesial -> Tempe 14.29% 25%
Tempe -> Ayam Spesial 14.29% 33%
Ayam Spesial -> Udang Goreng Sate 14.29% 25%
Udang Goreng Sate -> Ayam Spesial 14.29% 100%
Ayam Spesial -> Pergedel Kentang 14.29% 25%
Pergedel Kentang -> Ayam Spesial 14.29% 33%
Ayam Spesial -> Rendang Daging 14.29% 25%
Rendang Daging -> Ayam Spesial
14.29% 50%
Ayam Spesial -> Tahu (1) 14.29% 25%
Tahu (1) -> Ayam Spesial 14.29% 50%
Tempe -> Udang Goreng Sate 14.29% 33%
Udang Goreng Sate -> Tempe 14.29% 100%
Tempe -> Pergedel Kentang 14.29% 33%
Pergedel Kentang -> Tempe 14.29% 33%
Tempe -> Rendang Daging 14.29% 33%
Rendang Daging -> Tempe 14.29% 50%
Tempe -> Tahu (1) 14.29% 33%
Tahu (1) -> Tempe 14.29% 50%
Pergedel Kentang -> Rendang Daging 14.29% 33%
Rendang Daging -> Pergedel Kentang 14.29% 50%
Rendang Daging -> Tahu (1) 14.29% 50%
Tahu (1) -> Rendang Daging 14.29% 50%
Telur Bulat Balado/G -> Ayam Spesial -> Pergedel Kentang 14.29% 33%
Ayam Spesial -> Pergedel Kentang -> Telur Bulat Balado/G 14.29% 100%
Telur Bulat Balado/G -> Pergedel Kentang -> Ayam Spesial 14.29% 33%
6. Membentuk layout berdasarkan aturan
-
15
Untuk membentuk layout, data diambil dari aturan asosiasi yang sudah terbentuk
dengan menambahkan parameter (filter) nilai minimum support dan minimum
confident. Misalkan support = 40% dan confident 60%, maka didapat penjelasan
sebagai berikut:
-> Jika mengambil [Telur Bulat Balado/G] maka juga akan mengambil
[Ayam Spesial], dengan nilai Support = 42.857143% dan nilai Confident
= 60.000004%
-> Jika mengambil [Telur Bulat Balado/G] maka juga akan mengambil
[Pergedel Kentang], dengan nilai Support = 42.857143% dan nilai
Confident = 60.000004%
Lalu untuk Layout, tampilan sebagai berikut :
Urutan makanan yang direkomendasikan berdasarkan perhitungan :
1. [Pergedel Kentang] [Telur Bulat Balado/G] [Ayam Spesial]
2. [Ayam Spesial] [Telur Bulat Balado/G] [Pergedel Kentang]
3. [Ayam Spesial] [Telur Bulat Balado/G] [Pergedel Kentang]
4. [Pergedel Kentang] [Telur Bulat Balado/G] [Ayam Spesial]
5. [Ayam Spesial] [Telur Bulat Balado/G] [Pergedel Kentang]
3.6 Rancangan Layout
Tampilan Layout berupa tulisan (teks) dan bukan gambar, karena tampilan
adalah hasil dari perhitungan apriori sebelumnya, berikut tampilannya:
Urutan makanan yang direkomendasikan berdasarkan perhitungan :
1. [Rekomendasi Item 1] [Rekomendasi Item 2] [Rekomendasi Item ]
2. [Rekomendasi Item 1] [Rekomendasi Item 2] [Rekomendasi Item ]
3. [Rekomendasi Item 1] [Rekomendasi Item 2] [Rekomendasi Item ]
4. [Rekomendasi Item 1] [Rekomendasi Item 2] [Rekomendasi Item ]
5. [Rekomendasi Item 1] [Rekomendasi Item 2] [Rekomendasi Item ]
3.7 Rancangan Laporan
Laporan yang akan dibuat meliputi laporan data layout, data menu, dan
transaksi. Ketiga laporan tersebut memiliki desain tampilan yang sama, dan yang
membedakan hanyalah isi dari masing-masing laporan tersebut.
-
16
LOGO
LAPORAN
Hal.
Gambar 3.1 Desain Laporan
4 IMPLEMENTASI DAN PEMBAHASAN
Form Desain Layout merupakan hasil rekomendasi layout sajian makan
berdasarkan perhitungan menggunakan metode data mining dengan algoritma Apriori.
Gambar 4.1 Form Desain Layout
Min Support adalah nilai minimal support yang diinginkan, dan min Confident
adalah nilai minimal confident yang diinginkan. Kedua inputan hanya bisa menerima
inputan berupa anga dengan digit keberadaan dua. Tombol proses untuk melakukan
perhitungan, dan tombol reset akan menghapus data pada tab hasil dan layout.
Tampilan hasil proses adalah sebagai berikut:
-
17
Gambar 4.2 Output proses
Pada gambar diatas dapat dilihat ada tiga tab yaitu Tabel transaksi, Hasil, dan
Layout. Dua buah textfield sebagai inputan pengguna. Tab Hasil merupakan hasil proses
prhitungan apriori yang dilakukan oleh sistem. Tab Layout merupakan tampilan dari tabel
tmp dengan pemilihan secara acak. Tabel tmp adalah penjabaran dari tabel hitungan,
yaitu hasil dari proses perhitungan sistem per itemnya.
Dari tab hasil dapat dilihat seperti gambar berikut.
Gambar 4.3 Hasil perhitungan
Dari tampilan ini dapat diketahui bahwa hasil perhitungan sistem, sama dengan
hasil perhitungan manual yang telah dihitung sebelumnya pada bab III, yang hasil
perhitungannya sebagai berikut:
- Telur Bulat Balado/G -> Ayam Spesial , Support = 42.857143%, Confident =
60.000004%
- Telur Bulat Balado/G -> Pergedel Kentang , Support = 42.857143%, Confident =
60.000004%
-
18
Laporan layout makanan saji merupakan select antara tabel tmp dan tabel menu,
sehingga menghasilkan urutan layout makanan yang direkomendasikan mulai dari no
satu.
5 KESIMPULAN
Dari hasil uji coba yang dilakukan, dapat disimpulkan bahwa sistem pembuatan
layout dengan data mining algoritma apriori assosiasi ini mampu untuk membuat susunan
layout makanan saji agar lebih teratur dan sesuai dengan aturan asosiasi. Dengan hasil
layout yang dibuat, maka penyususnan layout tidak lagi secara acak seperti yang
dilakukan sebelumnya.
Dengan teknik data mining algoritma apriori assosiasi, mampu menggali data
transaksi yang tersimpan dalam database sehingga dapat ditemukan pola hubungan
kedekatan antar makanan (yang terbeli) satu dengan yang lain. Hasil perhitungan sistem
sudah sama dengan perhitungan yang dilakukan secara manual.
-
19
Perhitungan untuk membentuk layout makanan saji diseleksi berdasarkan nilai
support dan confidence. Semakin tinggi nilai support dan confidence, semakin kuat
hubungan antar menu tersebut. Perhitungan data mining meliputi data transaksi.
Tampilan layout berupa urutan list menu.
6 SARAN
Dalam pembuatan sistem ini, masih ada kekurangan salah satunya adalah tidak
diberikannya izin dari pihak Rumah Makan untuk mengakses database mereka, sehingga
aplikasi ini menggunakan database baru, dan data transaksi diinputkan secara manual.
Dari kesimpulan dan masalah yang ada, penulis memberikan saran-saran
sebagai berikut:
1. Dalam membuat aplikasi, peran database sebagai pusat data sangatlah
penting. Sebaiknya penulis dapat melihat dan menggunakan struktur
database yang sudah ada agar dapat langsung mengakses data-data yang
diperlukan.
2. Print layout makanan saji hanya berupa teks dan urutan makanan saja.
Dapat dikembangkan kemudian hari agar dapat menghasilkan gambar
makanan tersebut.
3. Kekuatan perhitungan apriori adalah ketika nilai support dan confidence
semakin tinggi, maka hubungan kedekatan antar makanan tersebut semakin
kuat. Untuk itu, penulis menyarankan agar pengguna melakukan beberapa
kali penginputan nilai support dan confidence sampai ditemukan hubungan
pola urutan yang sesuai.
-
20
DAFTAR PUSTAKA
Du, Hangbo, 2010. Data Mining Techniques and aplications : An Introduction. Brendan
George, C&C Offset.
Fatta, Hanif Al, 2007. Analisis & Perancangan Sistem Informasi untuk Keunggulan
Bersaing Perusahaan & Organisasi Modern. Penerbit Andi, Yogyakarta.
Helmy, dan Ridwan Sanjaya, 2003. Pengolahan Database SQL Server 2000 dengan
Java 2. PT Elex Media Komputindo.
Hermawan, Julius, 2005. Membangun Decision Support System. Penerbit Andi,
Yogyakarta.
Kusrini, 2007. Konsep dan Aplikasi Sistem Pendukung Keputusan. Penerbit Andi,
Yogyakarta.
Kusrini, 2007. Strategi Perancangan dan Pengelolaan Basis Data. Penerbit Andi,
Yogyakarta.
Kusrini, dan Emha Taufik Luthfi, 2009. Algoritma Data Mining. Penerbit Andi,
Yogyakarta.
Luthfi Taufiq Emha, 2009. Penerapan Data Mining Algoritma Asosiasi Untuk
Meningkatkan Penjualan. STMIK Amikom, Yogyakarta.
PENDAHULUANDASAR TEORIKonsep Sistem PenunjangKonsep Aturan Asosiasi dengan Algoritma AprioriFrequent Itemset, Support, dan CofidenceTinjauan Umum
Analisis DAN PERANCANGANAnalisis DataAnalisis Kebutuhan SistemAnalisis Kebutuhan fungsionalAnalisis Kebutuhan Non FungsionalKebutuhan Perangkat Keras (hardware)Kebutuhan Perangkat Lunak (software)
Analisis ModelRancangan LayoutRancangan Laporan
IMPLEMENTASI DAN PEMBAHASANKesimpulanSaranDaftar Pustaka