12

BAB III

LANDASAN TEORI

3.1 Tinjauan Studi Penelitian Sebelumnya

Berikut ini beberapa hasil penelitian yang ditemukan oleh para

peneliti terdahulu dalam memecahkan masalah dengan menggunakan

algoritma K-Means :

1. Benri Melpa Metisen dan Herlina Latipa Sari, dalam penelitian ini

menjelaskan tentang pengelompokan penjualan produk dengan objek

penelitian pada swalayan Fadhila. Dalam penelitian ini pada terdapat

masalah dalam pengelompokan produk terjual laris, maupun kurang laris,

sehingga menimbulkan permasalahan yaitu seringnya kekurangan stok

barang yang laku karena penjualannya tinggi. Sehingga peneliti merancang

sebuah aplikasi dengan menerapkan algoritma K-Means dengan output

mengelompokan produk terjual menjai produk laris dan produk kurang

laris, sehingga dapat membantu swalayan Fadhila dalam menentukan stok

barang (Metisen & Sari, 2015).

2. Surmayanti, Hari Marfalino, Ade Rahmi, dalam penelitian ini menjelaskan

tentang penerapan analisis klustering penjualan komputer dengan objek

penelitian ini pada toko Tribuana Komputer kota Solok. Dalam penelitian

ini pada toko tersebut mendapatkan masalah yaitu sulit mendapatkan

informasi strategis seperti tingkat penjualan per-periode, sehingga peneliti

merancang suatu aplikasi dengan menerapkan algoritma K-Means dengan

mengelompokkan barang terjual menjadi barang laris dan barang tidak

laris sehingga membantu mempermudah dalam memprediksi tingkat

penjualan (Surmayanti, Marfalino, & Rahmi, 2015).

3. Apriadi Bahar, Bambang Pramono, Laode Hasnuddin Sagala, dalam

penelitian ini menjelaskan tentang penentuan strategi penjualan alat-alat

tato dengan objek penelitian pada studio SonyXTatto. Dalam penelitian ini

pada tempat tersebut memiliki masalah tertumpuknya data historis

13

penjualan alat tato yang tidak terpakai atau belum termanfaatkan, sehingga

peneliti merancang aplikasi dengan menerapkan algortima K-Means

dengan memanfaatkan data historis penjualan alat yang ada dengan

mengelompokkan data menjadi laris dan tidak laris, sehingga dapat

memudahkan studio tersebut dalam menentukan strategi penjualan toko

online yang berfokus pada produk yang paling baru (Bahar, Pramono, &

Sagala, 2016).

4. Elly Muningsih, Sri Kiswati, dalam penelitian ini menjelaskan tentang

bagaimana mengklaster produk onlineshop dengan menerapkan metode K-

Means dalam menentukan stok barang dengan objek penelitian pada toko

online ragam Jogja. Dalam penelitian ini di toko tersebut memiliki

masalah yaitu banyak produk dan jenis membuat manajemen stok barang

menjadi tidak akurat, sering terjadi kekurangan atau kelebihan produk

tertentu, serta kesulitan dalam penentuan stok barang minimum tiap

barang yang harus dipenuhi berdasarkan permintaan konsumen dengan

permasalahan yang ada, sehingga peneliti merancang aplikasi dengan

menerapkan algoritma K-Means dengan mengelompokkan produk terjual

menjadi paling laku, laku dan kurang laku. Dengan mengelompokkan

produk sehingga toko online ragam Jogja dapat mendapatkan informasi

penentuan stok barang lebih cepat, akurat dalam menentukan stok barang

(Muningsih & Kiswati, 2015).

14

Tabel 0.1 Penelitian Sebelumnya.

No

.

Nama Tahun Judul Masalah Metode /

Algoritma

Hasil

1. - Benri Melpa

Metisen

- Herlina

Latipa Sari

2015 Analisis

Clustering

menggunakan

metode K-

MEANS Dalam

mengelompokka

n Penjualan

Produk Pada

Swalayan

Fadhila.

1. Pemrosesan data

transaksi masih

manual.

2. Swalayan Fadhila

tidak dapat

mengelompokkan

produk yang laris

dan yang tidak laris

dijual.

K-Means Dari penelitian yang telah

dilakukan dengan

mengelompokkan menjadi produk

yang laris dan tidak laris dengan

menerapkan algoritma K-MEANS

dapat memecahkan masalah yang

dihadapi yaitu dapat

menanggulangi kekurangan stok

barang yang laris dan

meminimalisir penumpukkan

produk yang tidak laris.

2. - Surmayanti,

- Hari

2015 Penerpan

Analisis

Sulitnya mendapatkan

informasi-informasi

K-Means 1. Meningkatkan Efektifitas

penjualan laptop di Toko Tri

15

Marfallino

- Ade Rahmi

Clustering Pada

Penjualan

komputer

Dengan

Perancangan

Aplikasi Data

Mining

Menggunakan

Algoritma K-

MEANS (Studi

Kasus Toko Tri

Buana

Komputer Kota

Solok).

strategis seperti tingkat

penjualan per periode.

Buana Komputer yang

sebelumnya masih cenderung

lambat.

2. Memberikan kemudahan

dalam mengolah data

transaksi.

3. Dapat mempermudah pihak

toko dalam memprediksi

tingkat penjualan.

3. - Apriadi

Bahar

- Bambang

Pramono

2016 Penentuan

Strategi

Penjualan Alat-

alat Tatto Di

Menumpuknya historis

data penjualanan yang

tidak termanfaatkan.

K-Means Dengan merancang aplikasi yang

menerapkan algoritma K-Means

dapat mengelompokkan data

penjualan menjadi beberapa

16

- Laode

Hasnuddin

Sagala

Studio

Sonyxtatto

Menggunakan

Metode K-

MEANS

Clustering.

kelompok kriteria sehingga

memudahkan Studio Sonyxtatto

dalam menentukan stategi

penjualan yang berfokus pada

produk yang paling laku.

4. - Elly

Munigsih

- Sri Kiswati

2015 Penerapan

Metode K-

MEANS Untuk

Clustering

Produk Online

Shop Dalam

Penentuan Stok

Barang.

1. Produk yang

bergam dan banyak

jenisnya

menjadikan

managemen stok

yang dilakukan

menjadi tidak

akurat.

2. Mengalami

kesulitan dalam

menentukan jumlah

barang yang harus

K-Means Berdasaarkan penelitian yang

dilakukan dengan merancang

aplikasi yang menerapkan

algoritman K-Means dapat

menyelesaikan masasalah

diantaranya:

1. Dapat mengelompokkan

produk terjual menjadi 3

kriteria yaitu sangat laku, laku

dan kurang laku.

2. Memberikan Informasi lebih

cepat dan akurat dalam

17

di stok dengan

jumlah banyak

sedang dan sedikit

dalam pemenuhan

stok barang.

menentukan stok barang

3. Dengan aplikasi penentuan

stok barang memeberikan

kontribusi lebih baik karena

dapat menampilkan kategori

produk dalam jangka waktu

sesuai yang di inginkan.

18

3.2 Pengertian Sistem

Sistem adalah rangkaian dari dua atau lebih komponen-komponen

yang saling berhubungan, yang berinteraksi untuk mencapai suatu tujuan.

Sebagian besar sistem terdiri dari dari subsistem yang lebih kecil yang

mendukung sistem yang lebih besar (Romney, B, & Steinbart, 2015).

3.2.1 Karakteristik Sistem

Suatu sistem mempunyai ciri-ciri karakteristik yang terdapat

pada sekumpulan elemen yang harus dipahami dalam

mengidentifikasi pembuatan sistem (Hutahaean, 2015). Adapun

karakteristik sistem yang dimaksud adalah sebagai berikut :

a. Komponen Sistem (Component)

Suatu sistem terdiri dari sejumlah komponen yang saling

berinteraksi, yang saling bekerja sama membentuk suatu

komponen sistem atau bagian-bagian dari sistem.

b. Batasan Sistem (Boundary)

Merupakan daerah yang membatasi suatu sistem dengan

sistem yang lain atau dengan lingkungan kerjanya.

c. Subsistem

Bagian-bagian dari sistem yang beraktivitas dan

berinteraksi satu sama lain untuk mencapai tujuan dengan

sasarannya masing-masing.

d. Lingkungan Luar Sistem (Environment)

Suatu sistem yang ada di luar dari batas sistem yang

dipengaruhi oleh operasi sistem.

e. Penghubung Sistem (Interface)

Media penghubung antara suatu subsistem dengan

subsistem lainnya. Adanya penghubung ini memungkinkan

berbagai sumber daya mengalir ari suatu subsistem ke subsistem

lainnya.

19

f. Masukan Sistem (Input)

Energi yang masuk ke dalam sistem, berupa perawatan dan

sinyal. Masukan perawatan adalah energi yang dimasukkan

supaya sistem dapat berinteraksi.

g. Keluaran Sistem (Output)

Hasil energi yang diolah dan diklasifikasikan menjadi

keluaran yang berguna, dan sisa pembuangan.

h. Pengolahan Sistem (Process)

Suatu sistem dapat mempunyai suatu bagian pengolah yang

akan mengubah masukan menjadi keluaran.

i. Sasaran (Objective)

Tujuan yang ingin dicapai oleh sistem, akan dikatakan

berhasil apabila mengenai sasaran atau tujuan.

3.3 Pengertian Data Mining

Cabang ilmu komputer yang relatif baru adalah Data Mining.

Masih menjadi perdebatan dalam menempatkan data mining pada bidang

ilmu yang mana. Ada beberapa pihak yang menyatakan data mining tidak

lebih dari analisis statistik yang berjalan diatas database dan ada pihak yang

mempunyai pendapat bahwa database berperan penting dalam data mining

terutama dalam optimasi querynya (Fadli, 2011).

Gambar 0.1 Tahapan Utama Proses Data Mining (Fadli, 2011).

20

Data mining adalah suatu kegiatan menambang pengetahuan atau

mengekstraksi data yang memiliki ukuran atau jumlah yang besar, informasi

inilah yang nantinya sangat berguna untuk dikembangkan.

Gambar 0.2 Langkah-langkah data mining (Fadli, 2011).

Langkah-langkah dalam melakukan data mining adalah sebagai berikut :

a. Data cleaning yaitu untuk menghilangkan noise data yang tidak

konsisten.

b. Data integration (di mana sumber data yang terpecah dapat

disatukan).

c. Data selection (di mana data yang relevan dengan tugas

analisis dikembalikan ke dalam database).

d. Data transformation (di mana data berubah atau bersatu

menjadi bentuk yang tepat untuk menambang dengan ringkasan

performa atau operasi agresi).

e. Data mining (proses esensial dimana metode yang intelejen

digunakan untuk mengekstrak pola data).

f. Patten evolution (untuk mengidentifikasi pola yang benar-

benar menarik yang mewakili pengetahuan berdasarkan atas

beberapa tindakan yang menarik).

21

g. Knowledge presentation (di mana gambaran teknik visualisasi

dan pengetahuan digunakan untuk memberikan pengetahuan

yang telah ditambang kepada user.

3.3.1 Arsitektur Data Mining

Beberapa arsitektur dalam data mining antara lain :

a. Tempat penyimpanan informasi, seperti : database, data

warehouse, dll.

b. Database server atau data warehouse.

c. Pengetahuan dasar data mining.

d. Mesin data mining.

e. Pola evolusi modul.

f. Graphical user interfaces.

3.3.2 Peran Utama Data Mining

Beberapa pembagian data mining berdasarkan pola seperti

apa yang akan ditambang, yaitu :

a. Estimasi

Estimasi hampir mirip dengan klasifikasi, tetapi estimasi

mempunyai variabel target berupa bilangan numerik (kontinyu)

dan bukan bilangan kategorikal (distrit atau nominal). Estimasi

nilai dari variabel target ditentukan berdasarkan nilai dari

variabel atribut. Algortima yang sering diterapkan dalam

estimasi yaitu Linear Regression, Neural Network, dan lain-lain.

b. Prediksi

Teknik prediksi terkadang digunakan juga untuk klasifikasi.

Tidak hanya untuk prediksi time series karena sifatnya yang bisa

menghasilkan class berdasarkan berbagai atribut yang

disediakan. Semua algoritma yang digunakan dalam estimasi

bisa digunakan untuk algoritma prediksi, dimana

label/target/class bertipe numerik, hanya saja data yang

digunakan merupakan data rentet waktu.

22

c. Klasifikasi

Klasifikasi merupakan algoritma yang menggunakan data

dengan label/class/target berupa nilai nominal (kategorikal).

Sebagai contoh apabila class/label/target adalah pendapatan,

maka target/label/class dapat dibagi menjai 3 kategori yaitu

pendapatan besar, pendapatan sedang, pendapatan rendah.

Algoritma yang sering digunakan dalam klasifikasi antara lain:

Naïve Bayes, K-Nearest Neighbor, C4.5, dan lain-lain.

d. Klastering

Teknik pengklasteran yaitu pengelompokan kasus data, dan

hasil observasi ke dalam suatu class yang mirip. Klaster yaitu

pengelompokan data yang mirip antara satu dengan yang

lainnya, dan perbedaan jika dibandingkan dengan data dari

klaster lainnya. Algoritma klastering ini tidak mempunyai

target/label/class. Algoritma yang sering digunakan dalam

klastering yaitu K-Means, Fuzzy C-Means, K-Medoids, dan lain-

lain.

e. Asosiasi

Teknik asosiasi atau sering disebut market basket analisis

merupakan sebuah algortima yang menemukan atribut yang

muncul secara bersamaan. Algoritma asosiasi akan mencari

aturan yang menghitung hubungan diantara dua atau lebih

atribut. Algoritma yang banyak diterapkan dalam asosiasi yaitu

Apriori, FP-Growth, dan lain-lain.

3.4 Clustering

Clustering merupakan suatu kelompok entitas yang memiliki

persamaan dan memiliki perbedaan entitas dari kelompok lain. Cara kerja

teknik klaster yaitu dengan mengelompokkan objek-objek data (entitas,

kejadian, pola, unit, hasil observasi) atau melakukan pemisahan/

segmentasi/ pemecahan data kedalam sejumlah klaster tertentu. Teknik

23

klaster dapat di aplikasikan keberbagai bidang ilmu di antaranya : Teknik,

Ilmu Komputer, Medis, Astronomi, Sosial, dan Ekonomi (Suprayogi, 2013).

3.5 Algoritma K-Means

Algoritma ini merupakan suatu metode analisis kelompok yang

mengarah kepada pembagian (N) objek kedalam (K) kelompok (klaster),

dimana setiap objek dimiliki oleh sebuah kelompok dengan Mean. Proses

dalam algoritma ini yaitu menemukan pusat centroid (kelompok) dalam

data sebanyak literasi perbaikan yang dilakukan. Konsep algoritma ini

membagi data kedalam kelompok, kelompok yang mempunyai karakteristik

sama akan dijadikan menjadi satu kelompok dan kelompok yang

mempunyai karakteristik yang berbeda dimasukkan kedalam kelompok

yang lainnya (Suprayogi, 2013).

3.5.1 Kelemahan Metode K-Means

Metode ini memiliki beberapa kelemahan (Wakhidah, 2014),

diantaranya :

a. Jumlah klaster sebanyak K harus ditentukan sebelum dilakukan

perhitungan.

b. Bila jumlah data tidak terlalu banyak maka mudah dalam

menentukan centroid awal.

c. Kontribusi dari atribut dalam pengelompokan tidak diketahui

karena semua atribut dianggap mempunyai bobot yang sama.

d. Tidak pernah mengetahui real cluster dengan menggunakan data

yang sama, tetapi dimasukkan dengan cara yang berbeda, mungkin

dapat memproduksi kluster uang berbeda jika jumlah datanya

sedikit.

3.5.2 Proses Algoritma K-Means

Langkah-langkah dalam penerapan algoritma K-Means (Suprayogi,

2013) :

a. Menentukan jumlah kriteria yang di cluster.

b. Mengalokasikan data secara acak kedalam kelompok.

24

c. Menghitung pusat cluster (centroid) dengan Means untuk masing-

masing kelompok. Cara menentukan jarak terdekat centroid dengan

menggunakan rumus :

𝐷(𝑋₂ − 𝑋₁) = ||𝑋₂ − 𝑋₁||² = √∑ |𝑥₂ − 𝑥₁|2𝑝𝑖=1

d. Mengalokasikan data kecentroid terdekat. Rumus untuk

mengalokasikan data centroid terdekat :

𝑎𝑖𝑗 {10

𝑑 = min {𝐷(𝑋𝑖 − 𝐶1)}𝐿𝑎𝑖𝑛𝑦𝑎

Penjelasan :

aij adalah nilai keanggotaan titik Xi ke centroid c1, d adalah jarak

terpendek dari data Xi ke k (kelompok) setelah dibandingkan, dan

c1 adalah centroid ke-1.

e. Selanjutnya lakukan kembali tahap 3, lakukan perulangan hingga

nilai centroid yang dihasilkan tetap dan anggota cluster tidak

berpindah ke cluster lain.

3.6 Analisa Sistem

Analisa sistem didefinisikan sebagaimana memahami dan

menspesifikasikan dengan detail apa yang harus dilakukan oleh sistem.

Analisa sistem sangat bergantung pada teori sistem umum sebagai sebuah

landasan konseptual, yang tujuannya adalah untuk memperbaiki berbagai

fungsi didalam sistem yang sedang berjalan, merancang output yang sedang

digunakan untuk mencapai tujuan yang sama dengan seperangkat input

yang lain.

Tahapan dalam menganalisa sistem adalah sebagai berikut :

a. Definisikan masalah yang mencakup input, proses dan output dari sistem

yang sedang berjalan dan sistem yang akan dibangun.

b. Pahami sistem yang sedang berjalan tersebut dan pahami definisinya.

c. Mencari alternatif yang ditawarkan haruslah terdiri dari beberapa bentuk

yang menunjukkan kelebihan dan kekurangan.

d. Pilih salah satu alternatif yang telah dirumuskan pada tahap sebelumnya.

[3.1]

[3.2]

25

e. Implementasikan alternatif terpilih dari sekian alternatif yang telah

ditawarkan.

f. Mengevaluasi dampak yang ditimbulkan akibat perubahan yang telah

dilakukan terhadap sistem.

3.7 Perancangan Sistem

3.7.1 Unified Modelling Language (UML)

Menurut Mulyani (2016), UML adalah sebuah teknik

pengembangan sistem yang menggunakan bahasa grafis sebagai alat

untuk pendokumentasian dan melakukan spesifikasi pada sistem.

Diagram dalam UML

UML menyediakan beberapa macam diagram untuk memodelkan

aplikasi perangkat lunak berorientasi objek, yaitu :

a. Use Case Diagram

Diagram use case bersifat statis. Diagram ini

memperlihatkan himpunan use case dan aktor-aktor (suatu jenis

khusus dari kelas). Diagram ini terutama sangat penting untuk

mengorganisasi dan memodelkan perilaku suatu sistem yang

dibutuhkan serta diharapkan pengguna.

Tabel 0.2 Simbol Use Case Diagram (Muslihudin & Oktafianto, 2016).

Simbol Nama Keterangan

Use Case

Menjelaskan kegiatan yang

dilakukan actor untuk

mencapai suatu tujuan

tertentu.

Aktor/actor Orang atau pihak yang akan

mengelola sistem.

Asosiasi /

Association

Komunikasi antara actor dan

use case yang berpartispasi

26

pada use case yang memiliki

interkasi dengan actor.

Ekstensi /

Extend

Memberikan opsi eksklusif

pada program.

Include Perintah langsung dieksekusi

tanpa opsi

b. Sequence Diagram

Diagram interkasi dan sequence (urutan) bersifat dinamis.

Dinamis urutan adalah diagram interaksi yang menekankan pada

pengiriman pesan dalam suatu waktu tertentu.

Tabel 0.3 Simbol Sequence Diagram (Muslihudin & Oktafianto, 2016).

Simbol Nama Deskripsi

Aktor/actor Orang atau pihak yang akan

mengelola sistem.

Garis hidup

/ Lifeline

Menyatakan kehidupan suatu objek.

Objek Menyatakan objek yang berinteraksi

pesan.

Boundary Menyatakan objek sebagai tampilan.

Control Menyatakan objek sebagai control.

Nama_objek

Nama_kelas

27

Entity Menyatakan objek sebagai data.

Waktu aktif Menyatakan objek dalam keadaan

aktif dan berinteraksi, semua yang

terhubung dengan waktu aktif ini

adalah tahapan yang dilakukan

didalamnya.

<<create>>

Pesan tipe

create

Menyatakan suatu objek membuat

objek yang lain, arah panah

mengarah pada objek yang dibuat

1:nama_metode()

Pesan tipe

Call

Menyatakan suatu objek memanggil

operasi / metode yang ada pada

objek lain atau dirinya sendiri.

1:masukan

Pesan tipe

send

Menyatakan bahwa suatu objek

mengirim data / masukan informasi

ke objek lainnya, arah panah

mengarah pada objek yang dikirimi.

Pesan tipe

Return

Menyatakan bahwa suatu obejk yang

telah menjalankan suatu operasi /

metode menghasilkan suatu

kembaliaan ke objek tertentu, arah

panah mengarah pada objek yang

menerima kembalian.

<<destroy>>

Pesan tipe

destroy

Menyatakan suatu objek mengahiri

hidup objek yang lain, arah panah

mengarah pada objek yang diakhiri,

sebaiknya jika ada create maka ada

destroy.

28

c. Activity Diagram

Diagram aktivitas bersifat dinamis, diagram aktivitas

adalah tipe khusus dari diagram status yang memperlihatkan

aliran dari suatu aktivitas ke aktivitas lainnya dalam suatu

sistem. Diagram ini terutama penting dalam suatu sistem serta

pemodelan fungsi-fungsi suatu sistem dan memberi tekanan

pada aliran kendali antar objek, didalam aktiviti diagram

terdapat juga beberapa simbol. Berikut ini adalah simbol-simbol

yang ada pada diagram aktivitas, yaitu :

Tabel 0.4 Simbol Activity Diagram (Muslihudin & Oktafianto, 2016).

Simbol Nama Deskripsi

Status awal Status awal aktivitas sistem,

sebuah diagram aktivitas

memiliki sebuah status awal.

Aktivitas

Aktifitas Aktivitas yang dilakukan

sistem, aktivitas biasanya

diawali dengan kata kerja.

Percabangan/

Decision

Asosiasi percabangan dimana

jika ada pilihan aktivitas lebih

dari satu.

Merge Node Titik control ini membawa

beberapa aliran alternatif

menjadi satu aliran keluar.

Status akhir Status akhir yang dilakukam

sistem, sebuah diagram

aktivitas memiliki sebuah

status akhir.

29

Join Suatu cara menyinkronkan

aliran – aliran kendali dengan

batang hitam horizontal

dengan dua atau lebih anak

panah yang menunjuk ke

dalam dan satu anak panah

yang menunjuk keluar.

Fork Mempresentasikan pemisahan

aktivitas digambarkan sebagai

batang hitam horizontal

dengan satu anak panah

menunjuk ke batang dan dua

atau lebih anak panah

menunjuk keluar.

Swinlane Memisahkan organisasi bisnis

yang bertanggung jawab

terhadap aktifivitas yang

terjadi.

d. Class Diagram

Class Diagram menggambarkan struktur sistem dari segi

pendefinisian kelas-kelas yang akan dibuat untuk membangun

sistem. Kelas memiliki apa yang disebut atribut dan metode atau

operasi. Class memiliki tiga area pokok :

- Name

- Atribut

- Methods

Atribut dan Methods dapat memiliki salah satu sifat sebagai

berikut :

30

1. Private,tidak dapat dipanggil dari luar class yang

bersangkutan.

2. Protected,hanya dapat dipanggil oleh class yang bersangkutan

dan anak-anak yang mewarisinya.

3. Public, dapat dipanggil oleh siapa-siapa.

Tabel 0.5 Simbol Class Diagram (Muslihudin & Oktafianto, 2016).

Simbol Keterangan

Kelas pada struktur sistem.

Antarmuka / interface

Nama_interface

Konsep sama interface dalam

pemrograman berorientasi objek.

Asosiasi / assocoation Relasi antarkelas dengan makna

umum.

Asosiasi berarah / directed

association

Relasi antarkelas dengan makna kelas

yang satu digunakan oleh kelas yang

lain.

Generalisasi Relasi antarkelas dengan makna

umum khusus.

Agregasi / agregation Relasi antarkelas dengan makna

semua bagian.

3.8 Aplikasi Pendukung

3.8.1 Rapid Miner

Menurut Fatmawati (2016) RapidMiner merupakan

perangkat lunak yang dibuat oleh Dr. Markus Hofmann dari Institute

of Technology Blanchardstowndan Raif Klinkenberg dari rapid-

i.com dengan tampilan GUI (Graphical User Interface) sehingga

Nama_kelas

+atribut

+operasi()

31

memudahkan pengguna dalam menggunakan perangkat lunak ini.

Perangkat lunak ini bersifat open source dan dibuat dengan

menggunakan bahasa Java dibawah lisensi GNU Public License dan

RapidMiner dapat dijalankan disistem operasi manapun. Dengan

menggunakan RapidMiner, tidak dibutuhkan kemampuan koding

khusus, karena semua fasilitas sudah disediakan (Fatmawati, 2016).

3.8.2 PHP

PHP merupakan suatu bahasa server-slide –scripting yang

menyatu dengan HTML dalam membuat halaman web yang dinamis.

Sintak-sintak dan perintah PHP akan dieksekusi pada server

kemudian hasilnya akan dikirim ke browser dengan format HTML.

Dengan kata lain kode yang tertulis pada PHP tidak akan terlihat

oleh user sehingga keamanan web lebih terjamin (Ritonga, 2015).

3.8.3 XAMPP

Xampp adalah sebuah software yang kompatibel dengan

banyak sistem operasi. Xampp yaitu gabungan dari beberapa

program yang mempunyai fungsi sebagai server yang berdiri sendiri

(localhost). Xampp terdiri dari program MySql Database, Appace

HTTP Server, dan penerjemah yang ditulis dalam bahasa

pemrograman PHP dan Perl (Cahyanti & Purnama, 2012).

3.8.4 Sublime Text

Sublime adalah sebuah teks editor yang hampir mirip

dengan software notepad bawaan windows yang memberikan

fasilitas kaya fitur, cross platform, elegan, mudah dan simpel.

Perangkat lunak ini cukup terkenal dalam kalangan penulis, desainer

dan developer. Sublime mempunyai beberapa keunggulan (Faridl,

2015), yaitu :

a. Dapat mengubah kode pada baris yang berbeda dengan waktu

yang sama.

b. Dapat mengakses file shortcut.

32

c. Dapat membuat tampilan layar menjadi penuh dengan menekan

shift + f11.

3.9 Pengujian Sistem

Pengujian sistem atau system testing adalah serangkaian pengujian

dengan tujuan utamanya untuk menjalankan seluruh elemen sistem yang

dikembangkan. Pengujian dilakukan untuk menemukan dan memperbaiki

sebanyak mungkin kesalahan dalam program sebelum menyerahkan

program kepada kostumer. Salah satu pengujian yang baik adalah pengujian

yang memiliki probabilitas tinggi dalam menenmukan kesalahan (Pressman,

2012).

3.9.1 White-box Testing

Pengujian white-box adalah metode test-case design yang

menggunakan struktur control desain prosedural untuk memperoleh

test-case. Dengan menggunakan metode pengujian white-box,

perekayasa sistem dapat memperoleh test-case yang :

a. Memberikan jaminan bahwa semua jalur independen pada suatu

modul telah digunakan paling tidak satu kali.

b. Menggunakan semua keputusan logis dari sisi true dan false.

c. Mengeksekusi semua batas fungsi loops dan batas

operasionalnya, dan lain-lain.

3.9.2 Black-box Testing

Black-box testing merupakan pengujian yang berpusat pada

kebutuhan fungsional perangkat lunak dimana memungkinkan untuk

memperoleh sekumpulan kondisi input yang secara penuh

memeriksa fungsional dari sebuah aplikasi. Black-box testing

berusaha menemukan kesalahan-kesalahan seperti kesalahan fungsi

dan kesalahan tampilan aplikasi. Black-box testing dapat digunakan

untuk menguji aplikasi konvensional dan aplikasi yang berorientasi

objek.

33

3.10 Kerangka Pemikiran

Tujuan

Dengan menerapkan teknik data mining clustering dengan algoritma K-means

dengan mengelompokkan barang-barang yang terjual menjadi 3 kriteria yaitu :

sangat laku, laku, dan kurang laku, dapat menyelesaikan masalah toko An Nur

dalam menentukan strategi penentuan stok barang.

Masalah

Bagaimana menerapkan teknik data mining clustering sehingga dapat

membantu toko An Nur dalam menentukan strategi penentuan stok barang

menggunakan algoritma K-Means?

Eksperimen

PreProcessing

Data dari toko An Nur

Data

set

Implementasi metode

Clustering K-Means

Mendapat Keputusan

Menghasilkan sebuah

keputusan

Komputasi metode

Komputasi hasil ke aplikasi

Hasil

Mempermudah, Mempercepat, dan meningkatkan ke akuratan dalam

menentukan strategi penentuan stok barang.

Gambar 0.3 Alur kerangka berpikir