bab iii landasan teori 3.1 tinjauan studi penelitian
TRANSCRIPT
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:
NaΓ―ve 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 :
π·(πβ β πβ) = ||πβ β πβ||Β² = ββ |π₯β β π₯β|2ππ=1
d. Mengalokasikan data kecentroid terdekat. Rumus untuk
mengalokasikan data centroid terdekat :
πππ {10
π = min {π·(ππ β πΆ1)}πΏππππ¦π
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 β 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 βscripting 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