prediksi pemesanan menu pada report point of sales...
TRANSCRIPT
PREDIKSI PEMESANAN MENU PADA REPORT
POINT OF SALES SAMBAPOS V4 MENGGUNAKAN
METODE ASOSIASI.
(STUDI KASUS : PT. PLANETMAS ADIDAYA BOGA)
Skripsi
Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Komputer (S.Kom)
Oleh:
ANDHIKA MULYA PRADANA
1711091000008
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI
SYARIF HIDAYATULLAH
JAKARTA
2018M/1439
ii UIN SYARIF HIDAYATULLAH JAKARTA
PERNYATAAN ORISINALITAS
DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENAR-BENAR
HASIL KARYA SAYA SENDIRI YANG BELUM PERNAH DIAJUKAN
SEBAGAI SKRIPSI ATAU KARYA ILMIAH PADA PERGURUAN TINGGI
ATAU LEMBAGA MANAPUN.
Tanggerang, Juni 2018
Penulis
iii UIN SYARIF HIDAYATULLAH JAKARTA
LEMBAR PENGESAHAN
iv UIN SYARIF HIDAYATULLAH JAKARTA
KATA PENGANTAR
حمن الل بسم حيم الر الر
Assalamu’alaikum Wr. Wb.
Syukur Alhamdulillah, segala puja dan puji penulis curahkan kehadirat
Allah SWT atas segala hidayah, rahmat dan karunia-Nya sehingga penulis
mampu menyelesaikan skripsi ini dengan baik. Sholawat dan salam tak lupa penulis
curahkan kepada junjungan baginda Nabi besar Muhammad SAW, beserta
keluarga, para sahabat serta seluruh umatnya.
Skripsi yang berjudul Prediksi Pemesanan Menu Pada Report point of
Sales Sambapos V4 Menggunakan Metode Asosiasi merupakan salah satu tugas
akhir wajib bagi mahasiswa sebagai persyaratan untuk mendapatkan gelar Sarjana
Komputer (S.Kom) pada program studi Teknik Informatika, Fakultas Sains dan
Teknologi, Universitas Islam Negeri Syarif Hidayatullah Jakarta.
Dalam penyusunan skripsi ini penulis mendapatkan bayak bimbingan,
bantuan, dan support dari berbagai pihak. Oleh karena itu, pada lembar kata
pengantar ini penulis ingin mengucapkan terimakasih kepada :
1. Allah. SWT dengan izin dan kuasa-Nya penulis bisa menyelesaikan skripsi
ini, walaupun memang sedikit lebih lama dari seharusnya.
2. Bapak Isnu dan Ibu Ritha selaku orang tua penulis yang selalu mendoakan,
mengajarkan tentang kehidupan, memberikan semangat, motivasi dan
selalu mencurahkan kasih sayang dan perhatiannya kepada penulis, sehigga
penulis bisa seperti sekarang ini. Untuk Uni dan adik-adikku, Putri dan Rafi
terimaksih atas doa dan semangatnya kepada penulis.
3. Bapak Dr. Agus Salim, M.Si selaku dekan Fakultas Sains dan Teknologi.
v UIN SYARIF HIDAYATULLAH JAKARTA
4. Ibu Arini, ST. MT. selaku ketua program studi Teknik Informatika dan
Bapak Feri Fahrianto, M.Sc. selaku sekretaris program studi Teknik
Informatika.
5. Ibu Arini, M.T selaku dosen pembimbing I dan Bapak Feri Fahrianto, M.Sc
selaku dosen pembimbing II yang secara kooperatif telah meluangkan
waktu dan memberikan bimbingan, bantuan, semangat dan motivasi kepada
penulis. Walaupun penulisan penelitian ini sedikit lebih lama dari
seharusnya, namun tim dosen pembimbing selalu mengingatkan dan
mendorong penulis untuk menyelesaikan skripsi ini.
6. Seluruh dosen atas bimbingan dan ilmunya yang luar biasa sehingga penulis
bisa melakukan penelitian seperti ini, staf karyawan fakultas sains dan
teknologi yang telah memberikan bantuan dan kejasama dari awal
perkuliahan.
7. Sahabat-sahabat seperjuangan 7 tahun sekaligus partner in crime penulis
yaitu Shally Syajar Angesti, Rahmi Haryani, Bramasto Raharjo, terimakasih
atas selalu ada dan berjuang bersama. Ridwan Muchlis, Riyan Prima, Ade
Nunung, Eis Fitri Akmeliny, Desvira Sari Adji, terimakasih atas semangat,
kebersamaan dan keceriaan selama dari masih di CCIT-FTUI hingga
konversi bersama ke FST-UIN. Anak-anak kosjok terimakasih atas
semangat dan keceriaan, senang di saat senang dan senang di saat susah,
persahabat sudah terjain selama 9 tahun akan terus hingga tua dan pikun.
8. Bapak Muhammad Ikra SE, MM selaku Direktur Utama di PT. Planetmas
Adidaya Boga yang mengizinkan penulis untuk melaksanakan penelitian,
memberikan topik ini, serta memberikan arahan dan dukungan yang baik
secara moral maupun secara teknis.
9. Bapak Mercy Hendra, selaku mentor serta rekan kerja yang memberikan
semangat dan ilmunya untuk penulis sehingga dapat menyelesaikan
penelitian ini.
10. Dan semua pihak yang terlibat secara langsung maupun tidak atas
terselesaikannya skripsi ini.
vi UIN SYARIF HIDAYATULLAH JAKARTA
11. Karyawan di PT. PLANETMAS ADIDAYA BOGA yang telah banyak
membantu di dalam maupun di luar selama pelaksanaan penelitian ini.
Semoga kebaikan dan bantuan yang sudah diberikan kepada penuliskiranya
dicatat sebagai amal baik oleh Allah SWT. Penulis menyadari bahwa skripsi ini
jauh dari kata sempurna, oleh karena itu penulis sangat mengharapkan kritik dan
saran yang bersifat membangun dari pembaca ke alamat email
Yang terakhir, semoga skripsi ini dapat memberi manfaat bagi kita semua.
Aamiin Aamiin ya Rabbal Alamiin.
Al Afwa minkum.
Wassalamu’alaikum Wr.Wb.
Tangerang, Juni 2018
Andhika Mulya Pradana
NIM. 171109100008
vii UIN SYARIF HIDAYATULLAH JAKARTA
PERNYATAAN PERSETUJUAN PUBLIKASI
viii UIN SYARIF HIDAYATULLAH JAKARTA
Nama : Andhika Mulya Pradana
Program Studi : Teknik Informatika
Judul : PREDIKSI PEMESANAN MENU PADA REPORT POINT
OF SALES (POS) SAMBAPOS V4 MENGGUNAKAN
METODE ASOSIASI
(STUDI KASUS : PT. PLANETMAS ADIDAYA BOGA)
ABSTRACT Kebutuhan akan informasi yang akurat dan cepat sangatlah dibutuhkan di dalam
proses bisnis rumah makan Fishstreat yang semakin berkembang. Pada awalnya,
rumah makan Fishstreat masih menggunakan pencatatan secara manual di dalam
proses bisnisnya. Kemudian penulis menyarankan penelitian untuk beralih
menggunakan aplikasi Point of Sales (POS) SambaPOS v4 yang merupakan
aplikasi POS restoran freeware untuk menunjang proses bisnisnya. Apriori adalah
suatu algoritma yang sudah sangat dikenal dalam melakukan pencarian frequent
itemset dengan aturan asosiasi. Aturan asosiasi yang terbentuk akan diseleksi
berdasarkan nilai minimal support dan confidence. Support adalah tingkat
kemunculan suatu barang dari semua transaksi, semakin tinggi nilai support yang
dimiliki, maka semakin sering muncul, sedangkan confidence adalah kekuatan
hubungan antar item, artinya semakin tinggi confidence, maka semakin tinggi
kekuatan hubungan antar item, yang artinya kemungkinan antar item tersebut dibeli
secara bersamaan sangat tinggi. Aturan asosiasi yang memenuhi syarat minimal
support dan confidence akan ditampilkan dan aturan asosiasi inilah yang akan
dibuat menu paket.
Kata Kunci : Point of Sales, SambaPOS, Aturan Asosiasi, Apriori, Support,
Confidance.
ix UIN SYARIF HIDAYATULLAH JAKARTA
DAFTAR ISI
PREDIKSI PEMESANAN MENU PADA REPORT POINT OF SALES
SAMBAPOS V4 MENGGUNAKAN METODE ASOSIASI. ................................ i
PERNYATAAN ORISINALITAS....................................................................... ii
LEMBAR PENGESAHAN ................................................................................ iii
KATA PENGANTAR ........................................................................................ iv
PERNYATAAN PERSETUJUAN PUBLIKASI................................................ vii
ABSTRACT ..................................................................................................... viii
DAFTAR ISI ...................................................................................................... ix
DAFTAR GAMBAR ......................................................................................... xii
DAFTAR TABEL ............................................................................................ xiii
DAFTAR LAMPIRAN ..................................................................................... xiv
BAB I PENDAHULUAN ................................................................................... 1
1.1 Latar Belakang ...................................................................................... 1
1.2 Perumusan Masalah ............................................................................... 4
1.3 Batasan Masalah .................................................................................... 4
1.4 Tujuan Penelitian ................................................................................... 5
1.5 Manfaat Penelitian ................................................................................. 6
1.5.1 Bagi Penulis ....................................................................................... 6
1.5.2 Bagi Pengguna ................................................................................... 6
1.5.3 Bagi Universitas ................................................................................. 6
1.6 Sistematika Penulisan ............................................................................ 7
1.7 Metode Penelitian .................................................................................. 7
1.7.1 Metode Pengumpulan Data ............................................................. 7
1.7.2 Proses Data Mining ........................................................................ 8
BAB 2 LANDASAN TEORI .............................................................................. 9
2.1 Point Of Sales (POS) ............................................................................. 9
2.1.1 Pengertian Point Of Sales ............................................................... 9
2.1.2 Perkembangan Point Of Sales ......................................................... 9
2.1.3 Jenis-jenis Point Of Sales.............................................................. 12
x UIN SYARIF HIDAYATULLAH JAKARTA
2.1.4 Kelebihan Dan Kekurangan Point Of Sales.................................. 15
2.1.5 SambaPOS ................................................................................... 17
2.1.6 Konsep System Poin Of Sales ....................................................... 18
2.2 Database Management System ............................................................. 24
2.2.1 Pengertian Database Management System .................................... 24
2.2.2 Macam Macam Atau Contoh DBMS (Database Management
System) 25
2.2.3 Tujuan DBMS (Database Management System) ........................... 28
2.2.4 Komponen DBMS (Database Management System) ..................... 30
2.3 Data Mining ........................................................................................ 31
2.3.1 Pengertian Data Mining ................................................................ 31
2.3.2 Pengenalan Pola, Data Mining, dan Machine Learning ................. 32
2.3.3 Tahap-Tahap Data mining ............................................................ 33
2.3.4 Metode Data Mining ..................................................................... 36
2.3.5 Lift Ratio ...................................................................................... 39
2.4 Algoritma Apriori ................................................................................ 40
2.5 Support dan Confidence ....................................................................... 41
2.6 Sistem Pendukung Keputusan .............................................................. 42
2.7 Metode Pengumpulan Data .................................................................. 45
2.9.1 Wawancara ................................................................................... 45
2.9.2 Observasi...................................................................................... 45
2.9.3 Studi Pustaka ................................................................................ 45
2.8 Studi Literatur ..................................................................................... 45
BAB III METODOLOGI PENELITIAN .......................................................... 58
3.1 Metode Pengumpulan Data .................................................................. 58
3.1.1 Studi Lapangan ............................................................................. 58
3.1.2 Studi Pustaka ................................................................................ 58
3.2 Analisis Masalah ................................................................................. 58
3.3 Gambaran Umum Perhitungan ............................................................. 59
3.4 Blok Diagram ...................................................................................... 59
3.5 Penerapan Algoritma Apriori ............................................................... 61
3.5.1 Preproses ...................................................................................... 61
xi UIN SYARIF HIDAYATULLAH JAKARTA
3.5.2 Penyaringan Kata ......................................................................... 62
3.5.3 Membuat Representasi Biner ........................................................ 63
3.5.4 Menghitung Kandidat Itemset 1 .................................................... 63
3.5.5 Menghitung Kandidat Itemset 2 .................................................... 64
3.5.6 Menghitung Kandidat Itemset 3 .................................................... 64
3.5.7 Pola Asosiasi ................................................................................ 64
BAB IV IMPLEMENTASI PERHITUNGAN .................................................. 65
4.1 Implementasi Perhitungan.................................................................... 65
4.2.1 Preproses ...................................................................................... 65
4.2.2 Membuat Penyaringan Kata .......................................................... 77
4.2.3 Membuat Representasi Biner ........................................................ 79
4.2.4 Menghitung Kandidat 1 Itemset .................................................... 80
4.2.5 Menghitung Kandidat 2 Itemset .................................................... 82
4.2.6 Menghitung Kandidat 3 Itemset .................................................... 83
4.2.7 Pola Asosiasi ................................................................................ 84
4.2 Tahap Implementasi ............................................................................ 85
4.3.1 Perangkat Keras ............................................................................ 85
4.3.1 Perangkat Lunak ........................................................................... 85
BAB V HASIL ................................................................................................. 87
5.1 Hasil .................................................................................................... 87
BAB VI KESIMPULAN DAN SARAN ........................................................... 91
6.1 Kesimpulan ......................................................................................... 91
6.2 Saran ................................................................................................... 91
DAFTAR PUSTAKA ........................................................................................ 93
LAMPIRAN 1 ................................................................................................... 96
LAMPIRAN 2 ................................................................................................... 98
LAMPIRAN 3 ................................................................................................. 115
LAMPIRAN 4 ................................................................................................. 117
LAMPIRAN 5 ................................................................................................. 118
xii UIN SYARIF HIDAYATULLAH JAKARTA
DAFTAR GAMBAR
Gambar 2. 1 Mesin POS 1990 .......................................................................... ..11
Gambar 2. 2 Point Of Sales Modern ................................................................... 11
Gambar 2. 3 Hardware POS .............................................................................. 14
Gambar 2. 4 Kerangka Proses Aplikasi POS ...................................................... 18
Gambar 2. 5 DBMS Mengelola Interaksi Antara End User Dan Basis Data ........ 19
Gambar 2. 6 Versi Dari .NET Frameworks ..................................................... ..23
Gambar 2. 7 DBMS Mengelola Interaksi Antara End User Dan Basis Data ....... 29
Gambar 2. 8 The Database System Environment ................................................ 31
Gambar 2. 9 Data mining merupakan irisan dari berbagai disiplin ...................... 33
Gambar 2. 10 Tahap penemuan Knowledge Data Discovery (KDD ................... 34
Gambar 3. 1 Blok Diagram ................................................................................ 60
Gambar 3. 2 Data Awal Setelah Di Convert ....................................................... 61
Gambar 3. 3 Seleksi Data ................................................................................... 62
Gambar 4. 1 Grafik Nilai Support ...................................................................... 81
Gambar 5. 1 Grafik Aturan Asosiasi .................................................................. 87
xiii UIN SYARIF HIDAYATULLAH JAKARTA
DAFTAR TABEL
Tabel 2.1 Studi Litelatur Sejenis. ....................................................................... 51
Tabel 3.1 Contoh Penyaringan Kata. .................................................................. 63
Tabel 4.1 Data Awal Setelah di Convert. ........................................................... 66
Tabel 4.2 Seleksi Data ....................................................................................... 71
Tabel 4.3 Data Yang Akan Digunakan. .............................................................. 77
Tabel 4.4 Penyaringan Kata. .............................................................................. 78
Tabel 4.5 Tabel Transaksi. ................................................................................. 79
Tabel 4.6 Representasi Biner. ............................................................................ 80
Tabel 4.7 Kandidat 1 itemset. ............................................................................. 81
Tabel 4.8 Calon Kandidat 1 itemset. .................................................................. 82
Tabel 4.9 Kandidat 2 itemset. ............................................................................. 83
Tabel 4.10 Menghitung Kandidat 3 itemset. ....................................................... 84
Tabel 4.11 Pola Asosiasi. ................................................................................... 85
Tabel 5.1 Aturan Asosiasi. ................................................................................. 88
xiv UIN SYARIF HIDAYATULLAH JAKARTA
DAFTAR LAMPIRAN
Lampiran 1 Hasil Wawancara. ........................................................................... 96
Lampiran 2 Sumber Data CSV ........................................................................... 98
Lampiran 3 Antarmuka SambaPOS V4. ........................................................... 115
Lampiran 4 Surat Bimbingan Skripsi. .............................................................. 117
Lampiran 5 Surat Keterangan Riset. ................................................................. 119
1
UIN Syarif Hidayatullah Jakarta
BAB I
PENDAHULUAN
1.1 Latar Belakang
PT. Planetmas Adidaya Boga cabang Depok sebagai salah satu restoran
kelas menengah yang berada di pinggiran ibu kota, menyajikan menu makanan
westernfood. Berdiri sejak tahun 2015 di kawasan Jalan Ir. Juanda, Depok, Jawa
Barat. Menurut berita food.detik.com, restoran ini selalu dipenuhi pelanggan,
mulai dari para pekerja kantoran hingga mahasiswa, terutama saat jam makan
siang. Setiap harinya kurang lebih terdapat 100 transaksi penjualan, bahkan
ketika akhir pekan bisa lebih banyak dibandingkan hari biasa.
Restoran ini buka setiap hari mulai pukul 10.00 sampai 22.00 WIB. Fish
Streat memiliki berbagai macam menu diantaranya Fish And Chips dan Fish
And Pasta dengan 2 macam pilihan sauce dan minuman.
Selain itu dengan adanya kegiatan penjualan setiap hari, data semakin lama
akan semakin bertambah banyak. Data yang disimpan pada report point of sales
sambapos v4 berbentuk data transaksi dan hanya berfungsi sebagai arsip bagi
restoran, data tersebut dapat dimanfaatkan dan diolah menjadi informasi yang
berguna untuk pening-katan penjualan dan promosi menu. Semakin banyak data
transaksi yang tersimpan hanya menjadi arsip dan kurang memiliki daya guna
yang lebih bermanfaat. Data inilah yang kemudian diolah sehingga dihasilkan
laporan penjualan.
Penelitian ini dilakukan dengan menggunakan data transaksi penjualan
bulan April tanggal 1 tahun 2018 pada PT. Planetmas Adidaya Boga cabang
Depok. Hasil yang didapat yaitu keterkaitan antar dua kombinasi menu.
Untuk meningkatkan penjualan pada sebuah restoran, maka diperlukan
sebuah langkah promosi yang dapat meningkatkan kepuasan konsumen karena
dalam industri restoran, kepuasan konsumen menjadi hal yang sangat penting.
Kepuasan konsumen adalah perasaan senang atau kecewa seseorang yang
berasal dari perbandingan antara kesannya terhadap kinerja (hasil) suatu produk
2
UIN Syarif Hidayatullah Jakarta
dengan harapannya. Salah satu langkah promosi yang dapat dilakukan oleh
sebuah industri restoran adalah dengan cara membuat menu paket yang
tentunya memiliki harga yang lebih murah dari pada jika harus membeli per
item sehinga konsumen akan merasa lebih senang dengan adanya menu tersebut
(Philip Kotler, 1997:36).
Pada penelitian kali ini akan membuat prediksi yang mampu menganalisa
pola pembelian pelanggan PT. Planetmas Adidaya Boga dalam memilih
kombinasi menu apa saja yang dipesan secara bersamaan dalam satu transaksi
menggunakan aturan asosiasi dengan algoritma apriori. Analisa pola pembelian
dilakukan terhadap data transaksi satu hari terdapat 100 lebih data transaksi.
Dalam industri rumah makan, pasti terjadi seuatu transaksi, dan semua
transaksi tersebut tercatat dalam catatan transaksi yang mempunyai jumlah dan
ukuruan data yang sangat besar. Agar data tersebut bisa memberikan informasi
yang bermanfaat, maka dilakukan proses data mining. Data mining merupakan
serangkaian proses untuk menggali nilai tambah dari sekumpulan data berupa
pengetahuan, dimana sebelumnya data tersebut tidak diketahui secara manual
(Kusrini, 2007).
Pada penelitian sebelumnya. Kajian penelitian: Dr. Lana Sularto, SE,
M.MSI, Dr. Wardoyo, SE, MM, Tristyanti Yusnitasari, S.Kom (2015)
Penelitian ini berupaya untuk membangun dan mengimplementasikan aplikasi
akuntansi dan point of sales (POS) yang khusus dibangun untuk UKM rumah
makan di wilayah Jabodetabek. Pada penelitian sebelumnya. Kajian penelitian:
Hendy Thomas Herman, Silvia Rostianingsih, Alexander Setiawan (2017)
Kebutuhan akan informasi yang akurat dan cepat sangatlah dibutuhkan di dalam
proses bisnis rumah makan Dapur Rinjani yang semakin berkembang. Pada
kajian penelitian: Dr. Suryo Widodo, M.Pd dan Ardi Sanjaya, M.Kom (2017)
Diperlukan suatu aplikasi untuk menganalisis keranjang pasar data transaksi
penjualan bibit buah dengan menggunakan data mining sebagai suatu teknik
analisis data yang dapat membantu pengusaha memperoleh pengetahuan proses
sekuensial linear. Dwi Sofyan Priambudi (2017) Penelitian yang di dasari oleh
3
UIN Syarif Hidayatullah Jakarta
banyaknya persaingan didunia bisnis menuntut para pengembang perusahaan
untuk menemukan suatu strategi yang dapat meningkatkan penjualan dan
pemasaran produk yang dijual, salah satunya adalah dengan memanfaatkan data
transaksi. Winda Aprianti, Jaka Permadi, dan Oktaviani (2017) Penelitian ini
didasari oleh banyaknya transaksi penjualan sehari-hari menimbulkan
penumpukan data, karena banyaknya transaksi penjualan yang terjadi setiap
harinya. Upaya peningkatkan penjualan sebuah apotek dapat dilakukan dengan
cara mengolah data transaksi yang menumpuk menjadi sebuah informasi yang
berguna. Yasmiati, Wahyudi, Andi Susilo (2016) Penelitian ini didasari akan
setiap perguruan tinggi pada umumnya memiliki data-data akademik seperti
data mahasiswa, data nilai mahasiswa, data jadwal kuliah, data dosen, data
evaluasi dosen, dan data realisasi perkuliahan. Data evaluasi dosen masih
berbentuk dokumen cetak dan diinput ke dalam berkasberkas lembar sebar
(spreadsheet). Data nilai mahasiswa dan data hasil evaluasi belum pernah
dianalisis lebih mendalam dengan menggunakan teknik data mining.
Ristianingruum dan Sulastri (2017) Bengkel Ahass Akmal Jaya Motor
Purwodadi adalah salah satu bengkel resmi honda yang berada di kecamatan
Danyang Kabupaten Purwodadi. Pemilik Ahass Akmal Jaya Motor terkadang
mengalami kesulitan untuk mengetahui seberapa banyak suku cadang dan jasa
yang telah terjadi dalam satu transaksi, sehingga pemilik masih
manual/spekulasi dalam pembelanjaan suku cadang. Implementasi Data Mining
pada AHASS Akmal Jaya ini bisa menghasilkan rules/aturan asosiatif yang bisa
dilihat dan dianalisis hasilnya, sehingga pemilik bisa melihat seberapa tinggi
frekuensi suku cadang dan jasa apa saja yang sering terjadi. Despitaria, Herry
Sujaini, dan Tursina (2016) melakukan analisis asosiasi pada data transaksi obat
menggunakan Algoritma Apriori. Analisis dilakukan dengan membandingkan
hasil analisis asosiasi dengan Algoritma Apriori dan analisis tanpa
menggunakan metode.
Adapun penulis mengusulkan beberapa hal dalam penelitian ini yang
membedakan dan menjadi keunikan dibandingkan dengan penelitian
sebelumnya adalah sebagai berikut :
4
UIN Syarif Hidayatullah Jakarta
1. Dengan prediksi pemesanan menu pada report point of sales SambaPOS
V4 dengan aturan asosiasi menggunakan algoritma apriori bisa
diterapkan untuk memberikan rekomendasi dalam membuat menu
paket?
2. Dengan menggunakan report point of sales dengan metode asosiasi
pihak manajerial maupun pengelola di restoran Fish Streat dapat
mengetahui keterkaitan antar menu yang dipesan secara bersamaan.
Selain itu pengelola dapat menemukan menu yang paling banyak
diminati konsumen berdasarkan nilai minimal support dan minimal
confidence yang ditentukan.
Di lihat dari berbagai masalah yang ada maka penulis melakukan penelitian
“PREDIKSI PEMESANAN MENU PADA REPORT POINT OF SALES
SAMBAPOS V4 MENGGUNAKAN METODE ASOSIASI.”.
1.2 Perumusan Masalah
Berdasarkan latar belakang yang telah diuraikan di atas, maka penulis
merumuskan beberapa masalah yang akan dibahas sebagai berikut:
1. Apakah aturan asosiasi dengan menggunakan algoritma apriori bisa
diterapkan untuk memberikan rekomendasi dalam membuat menu
paket?
2. Bagaimana prediksi pola pemesanan customer dalam 1 hari?
1.3 Batasan Masalah
Bedasarkan rumusan masalah yang telah diuraikan di atas. Maka penulis
dengan maksud agar penelitian menjadi lebih terarah, maka terdapat beberapa
batasan-batasan masalah yang harus dirumuskan. Sehingga penelitian ini nantinya
tidak keluar dari batasan-batasannya.
Dalam penelitian ini, masalah yang akan diteliti dibatasi sesuai dengan judul
yang telah diajukan. Judul yang diajukan adalah PREDIKSI PEMESANAN
MENU PADA REPORT POINT OF SALES SAMBAPOS V4
MENGGUNAKAN METODE ASOSIASI.
5
UIN Syarif Hidayatullah Jakarta
1. Data yang diambil berasal dari data penjualan PT. Planetmas Adidaya Boga
yang berada di jalan kemiri muka beji, Depok, Jawa Barat.
2. Data diambil dari transaksi yang terjadi tanggal 1 bulan April 2018 dari
menu regular yang disajikan di PT. Planetmas Adidaya Boga.
3. Penelitian ini hanya membahas prediksi pemesanan menu pada report point
of sales sambapos v4 dengan aturan asosiasi menggunakan algoritma
apriori.
4. Perhitungan hanya menggunakan data record 180 menit yang terdapat 135
data transaksi.
5. Metode asosiasi digunakan pada data yang di ambil pada data record selama
180 menit pada portion normal pada waktu pagi jam 10.00 WIB sampai
dengan pukul 13.00 WIB berdasarkan ticket id.
6. Prediksi pemesanan menu pada report point of sales sambapos v4, hanya
dilakukan pada portion normal.
7. Pola asosiasi, hanya menggunakan nilai min support, dan nilai min
confidence.
8. Belum mampu untuk mengolah data yang sangat besar.
1.4 Tujuan Penelitian
Tujuan dari dilakukannya penilitian ini adalah :
1. Untuk mengetahui aturan asosiasi melalui prediksi pemesanan menu
menggunakan algoritma apriori bisa diterapkan dalam memberikan
rekomendasi untuk membuat menu paket.
2. Untuk mengetahui pola pemesanan menu dalam 1 hari.
6
UIN Syarif Hidayatullah Jakarta
3. Mengimplementasikan metode aturan asosiasi menggunakan algoritma
apriori untuk menemukan keterkaitan antar menu yang dipesan secara ber-
samaan di PT. Planetmas Adidaya Boga.
1.5 Manfaat Penelitian
Berdasarkan pemasalahan dan tujuan dari penulisan yang sudah disebutkan, maka
di antara manfaat yang dapat diambil pada penulisan ini adalah sebagai berikut:
1.5.1 Bagi Penulis
Manfaat-manfaat yang penulis dapatkan dari penulisan ini yaitu:
a. Memperdalam pemahaman tentang penggunaan point of sales pada report
data transaksi khususnya sambapos v4.
b. Menghasilkan pustaka perangkat lunak alternatif berupa aplikasi point of
sales system diharapkan dapat meningkatkan efektifitas teknologi
informasi.
c. Menerapkan ilmu-ilmu yang diperoleh selama kuliah seperti, Struktur
Data, Algoritma dan Pemrogaman, dan Sistem Basis Data.
d. Untuk memenuhi salah satu syarat kelulusan strata satu (S1) Program Studi
Teknik Informatika Fakultas Sains dan Teknologi.
e. Sebagai portofolio untuk penulis yang berguna untuk masa yang akan
datang.
1.5.2 Bagi Pengguna
Manfaat-manfaat yang dapat pengguna rasakan dari sistem yang dibuat yaitu:
a. Dapat mengetahui pola pemesanan menu yang sering di pesan secara
bersamaan oleh customer.
b. Manfaat dari penelitian ini adalah mempermudah pihak management
retoran dalam merekomendasikan menu paket.
1.5.3 Bagi Universitas
Manfaat yang diperoleh universitas yaitu :
a. Mengetahui kemampuan mahasiswa dalam menguasai materi yang telah
diperoleh selama masa kuliah.
7
UIN Syarif Hidayatullah Jakarta
b. Mengetahui kemampuan mahasiswa dalam menerapkan ilmunya dan
sebagai bahan evaluasi.
1.6 Sistematika Penulisan
Dalam penulisan skripsi ini dibagi menjadi lima bab, yang secara singkat
akan diuraikan sebagai berikut:
BAB I : Pendahuluan
Membahas latar belakang, identifikasi masalah, batasan masalah, tujuan
penelitian, manfaat penelitian, metodelogi penelitian dan sistematika
penulisan.
BAB II : Landasan Teori
Memaparkan teori-teori yang didapat dari sumber-sumber yang relevan
untuk digunakan sebagai panduan dalam penelitian.
BAB III : Metodologi Penelitian
Bab ini berisi tentang metode pengumpulan data, analisis masalah,
gambaran umum perhitungan, blok diagram, dan penerapan algoritma
apriori.
BAB IV: Implementasi Perhitungan
Bab ini berisi tentang implementasi perhitungan dari apa yang telah
disusun atau dirancang pada bab sebelumnya.
BAB V : Hasil
Bab ini menjelaskan tentang hasil implementasi dari perhitungan
manual.
BAB VI : Kesimpulan Dan Saran
Bab ini mengemukakan kesimpulan yang diambil dari hasil penelitian dan
perhitungan, serta saran-saran untuk pengembangan selanjutnya, agar dapat
dilakukan perbaikan-perbaikan di masa yang akan datang.
1.7 Metode Penelitian
1.7.1 Metode Pengumpulan Data
a. Studi Lapangan (Field Research).
8
UIN Syarif Hidayatullah Jakarta
Studi lapangan yang dilakukan adalah observasi dan
wawancara. Observasi dan wawancara dilakukan kepada
narasumber ahli untuk mengetahui informasi mengenai pos
system, sambapos v4 dan metode asosiasi.
b. Studi Pustaka.
Studi kepustakaan dilakukan dengan cara mengkaji
buku-buku teori yang berhubungan dengan penelitian ini
dengan tujuan untuk mengumpulkan teori-teori dasar
sebagai sumber penulisan skripsi ini. Dan melakukan
pengkajian pada penelitian-penelitian sejenis yang sudah ada
sebelumnya dengan menggunakan buku, skripsi, jurnal, dan
paper yang berhubungan dengan penelitian yang akan
dilakukan. Selain itu peneliti juga menggunakan sarana
internet untuk mendapatkan informasi yang berhubungan
dengan penelitian ini.
1.7.2 Proses Data Mining
Proses data mining metode asosiasi menggunakan algoritma apriori.
9
UIN Syarif Hidayatullah Jakarta
BAB 2
LANDASAN TEORI
2.1 Point Of Sales (POS)
2.1.1 Pengertian Point Of Sales
Pengertian dari Point Of Sale (POS) yaitu merupakan kegiatan yang
berorientasi pada penjualan serta sistem yang membantu proses transaksi.
Setiap POS terdiri dari hardware berupa (Terminal/PC, Receipt Printer,
Cash Drawer, Terminal pembayaran, Barcode Scanner) dan software berupa
(Inventory Management, Pelaporan, Purchasing, Customer Management,
Standar Keamanan Transaksi, Return Processing) dimana kedua komponen
tersebut digunakan untuk setiap proses transaksi. POS akan menjadi sangat
penting di dunia bisnis karena POS diibaratkan berupa terminal uang
dimana tempat menerima pembayaran dari pembeli kepada pedagang,
karena pembayaran tersebut merupakan indikator bagi pebisnis untuk
mengukur tingkat pendapatan mereka (Axopos, 2015).
POS atau Point of Sales adalah sistem pencatatan transaksi
penjualan dan menjadi tempat bertemunya dunia usaha dengan customernya
saat terjadi proses penjualan. Suatu tampilan POS mempunyai ciri yang
khas, diantaranya adalah adanya kemudahan pengisian item penjualan
dalam format berbentuk grid (baris dan kolom) serta kemampuan untuk
melakukan perhitungan nilai penjualan. Mengikuti perkembangan Web 2.0
diharapkan POS ini bisa dijadikan suatu layanan di Web. Pengembangan
POS berbasis web akan sangat menguntungkan, terutama karena
mendukung multi platform operating system. Aplikasi hanya diletakkan di
server sehingga bisa diakses dari komputer manapun sehingga diharapkan
memberikan kemudahan untuk pengembangan perusahaan (Cosmas
Haryawan, 2009).
2.1.2 Perkembangan Point Of Sales
Awalnya Electronic Cash Registersl (ECR) yang diprogram dan
dikembangkan dalam software proprietary masih terbatas dalam fungsi
10
UIN Syarif Hidayatullah Jakarta
dan kemampuan komunikasi. Pada bulan Agustus tahun 1973, IBM
mengumumkan 3650 dan 3660 Sistem Store yang ada, pada dasarnya
– kerangka utama komputer dikemas sebagai a store back end yang
bisa mengontrol 128 IBM 3653/3663 Point of Sale Register. Sistem ini
adalah penggunaan komersial pertama dari teknologi client-server,
peer-to-peer komunikasi, Local Area Network (LAN) cadangan
simultan, dan inisialisasi terpencil. Pada pertengahan tahun 1974,
sistem tersebut telah terpasang di Toko Pathmark di New Jersey dan
Dillards Department Store.
The programabilitas dari sistem tersebut memungkinkan pengecer
untuk lebih kreatif. Pada tahun 1979, Gene Mosher Old Canal Cafe di
Syracuse, New York adalah menggunakan Point of Sale Software
ditulis oleh Mosher yang beroperasi pada Apple II untuk menerima
pesanan pelanggan di depan pintu masuk restoran itu kemudian
mencetak lengkap rincian persiapan di dapur. Dengan proses seperti di
tempat, pelanggan sering akan melanjutkan ke meja mereka untuk
menemukan makanan mereka sudah menunggu mereka. Perangkat
lunak ini juga termasuk tenaga kerja dan biaya makanan laporan real
time.
Pada tahun 1985, Mosher memperkenalkan warna pertama layar
sentuh antarmuka didorong POS. Software ini dioperasikan pada Atari
ST, yang warna-tingkat konsumen pertama di dunia komputer grafis.
Pada akhir abad ke-20, promosi Mosher tentang paradigma software
dipatenkan un ini telah menyebabkan adopsi di seluruh dunia oleh
banyak produsen kasir dan lainnya Point of Sale pengembang
perangkat lunak sebagai standar de facto untuk POS Software Systems
(InovaPos).
11
UIN Syarif Hidayatullah Jakarta
Gambar 2.1 Mesin POS Tahun 1990
Perkembangan Point of Sales pada awalnya adalah sebuah mesin
kasir atau biasa disebut dengan Cash Register yang merupakan suatu
mesin semacam kalkulator yang dilengkapi laci uang dan pencetak bukti
pembelian, struk atau invoice. Seiring perkembangan dan kemajuan
teknologi, fungsi cash register kurang memenuhi kebutuhan untuk usaha
yang memerlukan detail laporan rugi laba, stok barang, dan kebutuhan
custom lainnya. ada sebagian merek cash register yang kini juga
menambahkan beberapa fitur untuk melengkapi permintaan konsumen,
meskipun penggunaan cash register lebih banyak digunakan oleh usaha
menengah yang tidak membutuhkan detail laporan penjualan maupun
stok barang.
12
UIN Syarif Hidayatullah Jakarta
2.2 Gambar Point Of Sales Modern
Point of sales juga sering biasa disebut dengan istilah lain seperti
mesin kasir, program kasir, program took inventory system, aplikasi
toko, retail system dan lainnya, yang pada dasarnya sama dengan fungsi
fungsi yang sama pula, yaitu untuk memudahkan kasir dalam hal
bertransaksi dengan pelanggan.
Media Point Of Sales dibutuhkan beberapa perangkat, seperti
PC/Komputer atau laptop, Printer Kasir, Laci uang (Cash Drawer),
Scanner barcode, Pole display, MSR (Magnetic Stripe Reader) dan
Software. Ada juga beberapa PC Touch screen yang sudah dilengkapi
dengan beberapa perangkat tersebut diatas atau biasa disebut PC POS
yang lebih memberikan kecanggihan dan lebih praktis, atau sebuah
Monitor PC Touch screen yang sudah dilenggkapi dengan Software
POS.
2.1.3 Jenis-jenis Point Of Sales
Ada berbagai jenis point of sales sistem. Mereka berkisar dari
perangkat off-the-rak sederhana dengan software standar untuk sistem
yang sangat disesuaikan dengan input dan output perangkat khusus.
Terkecil tetapi belum tentu sistem yang paling sederhana dapat
menjadi ponsel pintar standar dengan sebuah aplikasi yang terhubung
ke sistem ritel melalui jaringan telepon seluler. toko-toko eceran kecil
mungkin memiliki titik of sale terminal mandiri untuk menangkap
transaksi lokal dan memberikan output ke beberapa jenis sistem
pembukuan seperti QuickBooks. Sebagai ukuran dari kenaikan bisnis
ritel, seperti department store, toko, restoran hotel atau kasino begitu
ukuran sistem untuk mendukung bisnis dan kompleksitasnya
meningkat.
13
UIN Syarif Hidayatullah Jakarta
Di sisi hardware mungkin ada berbagai perangkat input seperti
scanner genggam untuk barcode dan RFID tag, timbangan untuk
menimbang produk, perangkat nirkabel untuk mobilitas dan perangkat
yang lebih khusus lainnya. Di sisi output mungkin ada perangkat lain
selain printer penerimaan khas. Misalnya, printer diperlukan di dapur
dan bar di industri perhotelan. bisnis ritel besar memerlukan berbagai
printer lebel untuk rak lebel dan produk.
Trend terbaru adalah untuk beralih ke tablet sebagai perangkat
yang digunakan oleh personil penjualan untuk menjawab pertanyaan
pelanggan dan mengambil pembayaran. Penggunaan perangkat
standar dengan kemampuan software baru mereka mengurangi
kebutuhan untuk perangkat khusus, sehingga mengurangi biaya
penggantian dan perbaikan. ponsel pintar juga sedang diberikan
kepada pelanggan sebagai terminal pribadi mereka sendiri point-of-
sale saat mereka melakukan belanja mereka. Ketika mereka selesai
berbelanja item dalam keranjang belanja yang sudah ditangkap dan
dibutuhkan sedikit waktu bagi pelanggan untuk memeriksa.
a) Mesin POS (Point Of Sales)
Mesin POS (Point Of Sales) adalah seperangkat system
computer yang terdiri atas system operasi, software dan hardware
yang didesain khusus dengan dilengkapi beberapa alat atau device agar
bias membantu mempercepat proses transaksi jual beli. Poin Of Sales
terminal biasanya digunakan di supermarket maupun di department
store. Alat POS ini terdiri dari keyboard yang berfusngsi untuk
memasukkan data barang yang dijual, layer display yang berfungsi
suntuk tampilan data, serta alat cek yang berfungsi untuk mengecek
tanda terima bagi konsumen atau pembeli. Alat tambahan dalam POS
(Point Of Sales) ialah automatic tag reader atau optical character
recognition (OCR). Tag reader adalah alat yang dipakai untuk
mengenali atau membaca label yang menempel pada barang yang
ditulis dengan huruf OCR serta bar code.
14
UIN Syarif Hidayatullah Jakarta
Gambar 2.3 Hardware POS
Sumber : http://www.ilmu-ekonomi-id.com/2017/03/mesin-pos-
point-of-sales.html
(Diakses 13 Febuari 2018)
b) Software POS
Software atau perangkat lunak ialah program ataupun sekumpulan
instruksi yang dirancang sedemikian rupa sehingga POS (Point Of
Sales) bisa berjalan sesuai dengan fungsi dan keinginan dari pengguna
computer.
Terdapat 2 Macam Sofware POS :
a) Software paket, yaitu software paket yang sudah jadi serta siap
pakai, pada software paket terdapat fungsi standar sehingga setiap
user yang sistemnya sama atau cocok bias digunakan.
b) Software taylor made, yaitu software yang dibuat khusus untuk
pemakai dimana sistemnya memiliki keunikan dan kebutuhan
untuk memperluar kemampuan software tersebut.
c) Komponen Hardware pada POS (Point Of Sales)
1. CPU (Central Processing Unit) terdiri dari mainboard,
processor, memory, harddisk.
2. Monitor CRT atau LCD.
3. Customer Display untuk menyajikan informasi kepada
customer.
4. Mini printer untuk mencetak struk dan slip.
15
UIN Syarif Hidayatullah Jakarta
5. Cash drawer, laci untuk menyimpan uang yang dapat
membuka otomatis setelah transaksi.
6. Barcode printer, untuk mencetak barcode, barcode
scanner, untuk membaca isi barcode.
7. Model touchscreen, media pemasukan data dengan
sentuhan jari di monitor.
8. Programmable keyboard adalah keyboard yang setiap
tombolnya dapat diprogram isinya.
9. MCR (magnetic card reader) membaca data yang
tersimpan pada kartu magnet (kredit card, ATM dsb)
10. Modem, untuk mengirim dan menerima data via kabel
telepon- finger scan, alat untuk membaca sidik jari.
2.1.4 Kelebihan Dan Kekurangan Point Of Sales
Kelebihan Point of Sales :
1. Dari sudut pandang pelanggan transaksi yang lebih cepat dan
lebih akurat, mengurangi jumlah waktu pelanggan harus
menghabiskan memeriksa atau menunggu dalam antrean.
2. Jika Anda berada di bisnis restoran dapat mempercepat proses
pemesanan dengan mengirimkan informasi langsung ke dapur
yang memungkinkan para juru masak untuk menjadi lebih
efisien. Daun ini lebih banyak waktu untuk staf waiter untuk
melayani pelanggan.
3. Dari sudut back office pandang, informasi lebih lanjut tersedia
untuk menjalankan bisnis. Persediaan lebih mudah dilacak. Hal
ini dapat mengurangi waktu yang dibutuhkan untuk menyusun
ulang produk, memastikan ada produk yang tersedia untuk
membeli. Hal ini juga dapat membantu mengidentifikasi
produk yang hilang atau rusak.
4. Sistem POS juga dapat memberikan data pelanggan yang
berharga untuk mendukung pemasaran. Anda tahu persis apa
16
UIN Syarif Hidayatullah Jakarta
item jual dan dalam jumlah berapa. Mereka juga memberikan
informasi kepada sistem akuntansi yang lebih tepat waktu dan
akurat. Bahkan mungkin mengurangi waktu yang dibutuhkan
untuk pembukuan dan akuntansi.
5. Sistem POS juga dapat memberikan data pelanggan yang
berharga untuk mendukung pemasaran. Anda tahu persis apa
item jual dan dalam jumlah berapa. Mereka juga memberikan
informasi kepada sistem akuntansi yang lebih tepat waktu dan
akurat. Bahkan mungkin mengurangi waktu yang dibutuhkan
untuk pembukuan dan akuntansi.
6. Layanan point of sales ini dapat diterapkan dan dimanfaatkan
pada berbagai bidang termasuk layanan pembelian barang.
Penerapan solusi bisnis tersebut merupakan komitmen dalam
meningkatkan keunggulan kompetitif pelanggan korporatnya
dalam hal efisiensi, efektivitas, kinerja, serta pengembangan.
Analisa dan Perancangan Aplikasi POS untuk Mendukung
manajemen bisnis. Hal ini tentunya menjadi bagian dari upaya
dalam peningkatan kualitas layanan sekaligus membawa
manfaat bagi pelayanan pelanggan.
7. Internet adalah salah satu teknologi yang sangat pesat
perkembangannya dan sudah merupakan simbol dari cara
berkomunikasi secara bebas, tanpa dibatasi ruang, jarak dan
waktu. Informasi yang disajikan pun tidak terbatas pada teks dan
gambar saja. Melainkan juga suara dan animasi gambar yang
membuatnya menjadi interaktif. Dengan ditunjang oleh berbagai
kelebihan yang dimiliki oleh internet, diantaranya biaya koneksi
yang relatif terjangkau dan ketersediaan informasi yang tidak
terbatas, internet kini menjadi alternatif utama untuk memenuhi
segala kebutuhan terutama kebutuhan akan informasi.
Berdasarkan hal tersebut, maka dirancanglah suatu sistem
manajement data transaksi yang terkomputerisasi untuk mempermudah
17
UIN Syarif Hidayatullah Jakarta
perusahaan dalam mengelola data transaksi, sekaligus mendukung
kegiatan point of sales dan penyetokan barang. Adapun tujuan dari
penelitian ini yaitu melakukan analisis dan perancangan aplikasi point of
sales (POS) untuk mendukung sistem manajement data transaksi yang
dapat membantu para pengusaha kecil dan menengah dalam pengelolaan
data.
Adapun kekurangan dari point of sales sebagai berikut yang bisa
menjadi referensi dan pertimbangan bagi para pebisnis
yang ingin menggunakan sistem kasir POS, sebagai
berikut ini:
1. Bila memakai software jadi, kemungkinan akan terjadi
ketidaksesuaian program dengan kebijakan
pabrikan yang nantinya akan menjadi kendala bagi pengguna atau
pengelola usaha.
2. Biaya tidak murah alias cukup mahal dengan men- develop dari
awal. Hal ini pengecualian bagi program yang memang sudah jadi
dan bisa langsung digunakan.
3. Karena berbentuk software, tentu hal yang paling dikhawatirkan
adalah mudahnya perangkat lunak ini diserang virus. Sekalinya
terkena virus yang berbahaya, data dapat terancam hilang, baik itu
Point of Sales software free atau yang berbayar.
4. Dalam mengaplikasikannya dibutuhkan hardware pendukung
seperti printer, cash drawer, pc, monitor dan tentunya biaya yang
cukup mahal.
2.1.5 SambaPOS
SambaPos adalah aplikasi Point of Sales (POS) SambaPOS v4
yang merupakan aplikasi POS restoran freeware yang khusus untuk
memudahkan pengelolaan restoran. Aplikasi ini dapat digunakan
sebagai tracking order receiving dan receive payment. Fitur yang tidak
kalah menarik dari aplikasi ini adalah pengguna dapat dengan bebas
meng-input berbagai barang semaksimal mungkin. Aplikasi ini
18
UIN Syarif Hidayatullah Jakarta
membutuhkan Net Framework versi 4 untuk dapat dijalankannya
SambaPOS V4.
2.1.6 Konsep System Poin Of Sales
Analisa dan perancangan aplikasi point of sales (POS) yang baik
adalah aplikasi yang mencakup semua scope/ruang lingkup yang
ditentukan. Tentu saja aspek integrasi antara bagian dalam suatu aplikasi
POS sangatlah penting, dimana data dalam aplikasi POS saling berinteraksi
dalam meningkat-kan kecepatan, akurasi dan kemudahan.
Gambar 2.4. Kerangka Konsep Aplikasi POS
Gambar 2.4 diatas menujukkan kerangka konsep analisa dan
perancangan aplikasi POS. Kerangka konsep ini menggambarkan
bagaimana proses aplikasi POS ini dibuat. Pembuatan aplikasi POS ini
dimulai dari pengumpulan data dengan observasi dan wawancara hingga
diimplementasikannya aplikasi POS ini. Dengan adanya proses yang baik
inilah diharapkan aplikasi POS yang dibangun tepat guna dan dapat
mengakomodasi seluruh kegiatan/ proses bisnis yang terjadi.
Skema pemetaan hubungan input, proses dan output dapat terlihat
pada gambar dibawah ini. Input yaitu data yang ada yang akan dimasukkan
kedalam aplikasi, proses yaitu hal yang sedang berlangsung dan berkaitan
dengan bisnis proses yang ada dan output yang meliputi laporan dari setiap
kegiatan yang ada.
19
UIN Syarif Hidayatullah Jakarta
Gambar 2.5 Skema Pemetaan Aplikasi POS
Dari gambar diatas, dapat dilihat antara input, proses dan output
saling berinteraksi. Hal tersebut didapatkan tentunya dalam pengumpulan
kebutuhan sistem (requirement gathering) melalui hasil observasi dan
wawancara.
Algoritma apriori merupakan algoritma pertama dan sering digunakan
untuk menemukan aturan asosiasi di dalam aplikasi data mining
dengan teknik aturan asosiasi. Tujuan dari algoritma apriori adalah
untuk menemukan aturan (rule) yang memenuhi minimum support
yang telah ditetapkan sebelumnya dan memenuhi nilai confidence
yang disyaratkan (Witten dan Frank, 2005). Data adalah bahan baku
informasi dan dikumpulkan dalam suatu basis data (database) agar
pengumpulan, penyimpanan, pemeliharaan, pengolahan, dan
pengamananya dapat dilaksanakan secara efektif dan effisien
diperlukan manajemen data, sehingga suatu informasi tersebut dapat
menjadi informasi yang tepat guna, tepat waktu, akurat dan relevan.
a) Sedangkan transaksi merupakan bagian dari pengeksekusian
sebuah program yang melakukan pengaksesan basis data dan
bahkan juga melakukan serangkaian perubahan data.
Pelaksanaan sebuah transaksi akan berpeluang untuk
mengganggu integrasi basis data yang membuat kondisi data
20
UIN Syarif Hidayatullah Jakarta
atau hubungan antar data berada dalam keadaan salah atau
tidak seperti seharusnya. Untuk menjamin agar integritas tetap
terpelihara, setiap transaksi harus memiliki sifat atomik,
konsisten, terisolasi, dan bertahan. DBMS yang kita gunakan
harus bisa menjamin bahwa setiap satuan transaksi harus dapat
dikerjakan secara utuh atau tidak sama sekali.
Algoritma apriori merupakan algoritma pertama dan sering
digunakan untuk menemukan aturan asosiasi di dalam aplikasi data mining
dengan teknik aturan asosiasi. Tujuan dari algoritma apriori adalah untuk
menemukan aturan (rule) yang memenuhi minimum support yang telah
ditetapkan sebelumnya dan memenuhi nilai confidence yang disyaratkan
(Witten dan Frank, 2005).
1. ATOMIK: Dimana semua operasi dalam transaksi harus
bekerja secara utuh/total atau tidak bekerja sama sekali (artinya
pekerjaan transaksi tidak boleh dikerjakan sebagian).
2. CONSISTEN: Dampak eksekusi dari sebuah transaksi harus
menjamin keadaan data yg konsisten.
3. ISOLASI: Pada sejumlah Transaksi yang terjadi secara
bersamaan, setiap transaksi tidak boleh terpengaruh transaksi
lainnya yang juga sedang berjalan walaupun berhubungan atau
menujun pada database yang sama. Hasil transaksi sementara
harus terjaga dan terlindungi dari eksekusi-eksekusi yang lain.
4. DURABILITY: Setelah terjadinya transaksi maka akan diikuti
update atau perubahan data pada database, maka perubahan
21
UIN Syarif Hidayatullah Jakarta
tersebut harus tetap bertahan dan dianggap paling valid dan
konsisten.
Sebuah transaksi adalah unit eksekusi program yang mengakses dan
mungkin mungkin mengubah beberapa item data. Suatu transaksi
harus melihat database yang konsisten. Selama eksekusi transaksi,
database mungkin tidak konsisten. Ketika sebuah transaksi dianggap
commit maka database harus konsisten.
Dua hal yang berkaitan dengan manajemen transaksi:
a) Kegagalan fungsi (Failures), terdiri dari kegagalan perangkat keras
(hardware) dan system crash.
b) Eksekusi beberapa transaksi secara bersamaan.
Untuk menjaga integritas data, database sistem harus menjamin:
Atomicity. Jika semua operasi pada sebuah transaksi sukses
maka transaksi dianggap sukses, jika salah satu operasi pada
suatu transaksi gagal maka transaksi dianggap gagal.
Consistency. Eksekusi sebuah transaksi secara terisolasi
bertujuan untuk menjaga konsistensi database.
Isolation. Meskipun ada beberapa transaksi yang berlangsung
bersamaan, masing-masing transaksi tidak boleh mengetahui
transaksi lain yang sedang berlangsung. Hasil transaksi
sementara harus disembunyikan dari transaksi lain yang sedang
berlangsung. Sehingga, untuk pasangan transaksi Ti dan Tj,
22
UIN Syarif Hidayatullah Jakarta
yang terlihat oleh Ti adalah Tj selesai melakukan eksekusi
sebelum Ti mulai, atau Tj memulai eksekusi setelah Ti selesai.
Durability. Setelah sebuah transaksi sukses dilakukan,
perubahan-perubahan yang dibuatnya terhadap database
bersifat permanen, bahkan jika terjadi kegagalan sistem.
Microsoft Dot Net Framework atau lebih dikenal dengan singkatan dot
net (tidak berhubungan dengan domain .net) merupakan sebuah perangkat
lunak kerangka kerja yang berjalan utamanya pada sistem operasi Microsoft
Windows, saat ini .NET Framework umumnya telah terintegrasi dalam
distribusi standar Windows (mulai dari Windows Server 2003 dan versi-versi
Windows yang lebih baru). Kerangka kerja ini menyediakan sejumlah besar
pustaka pemrograman komputer dan mendukung beberapa bahasa
pemrograman serta interoperabilitas yang baik sehingga memungkinkan
bahasa-bahasa tersebut berfungsi satu dengan lain dalam pengembangan
sistem. Berbeda halnya dengan tipikal aplikasi konvensional umumnya,
program yang ditulis dengan memanfaatkan .NET Framework berjalan pada
lingkungan perangkat lunak melalui Common Language Runtime, dan bukan
perangkat keras secara langsung. Hal ini memungkinkan aplikasi yang dibuat
di atas .NET secara teoretis dapat berjalan pada perangkat keras apapun yang
didukung oleh .NET Framework. Perangkat lunak ini adalah kunci penawaran
utama dari Microsoft, dan dimaksudkan untuk digunakan oleh sebagian besar
aplikasi-aplikasi baru yang dibuat untuk platform Windows.
Pada dasarnya, .NET Framework memiliki 2 komponen utama: CLR
dan .NET Framework Class Library.
Program - program yang ditulis untuk .NET Framework dijalankan
pada suatu lingkungan software yang mengatur persyaratan-persyaratan
runtime program. Runtime environment ini, yang juga merupakan suatu
bagian dari .NET Framework, dikenal sebagai Common Language Runtime
(CLR). CLR menyediakan penampilan dari application virtual machine,
sehingga para programmer tidak perlu mengetahui kemampuan CPU tertentu
23
UIN Syarif Hidayatullah Jakarta
yang akan menjalankan program. CLR juga menyediakan layanan-layanan
penting lainnya seperti jaminan keamanan, pengaturan memori, garbage
collection dan exception handling / penanganan kesalahan pada saat runtime.
Class library dan CLR ini merupakan komponen inti dari .NET Framework.
Kerangka kerja itu pun dibuat sedemikian rupa agar para programmer dapat
mengembangkan program komputer dengan jauh lebih mudah, dan juga untuk
mengurangi kerawanan aplikasi dan juga komputer dari beberapa ancaman
keamanan.
Solusi-solusi program pembentuk class library dari .NET Framework
mengcover area yang luas dari kebutuhan program pada bidang user interface,
pengaksesan data, koneksi basis data, kriptografi, pembuatan aplikasi berbasis
web, algoritma numerik, dan komunikasi jaringan. Fungsi-fungsi yang ada
dalam class library dapat digabungkan oleh programmer dengan kodenya
sendiri untuk membuat suatu program aplikasi baru.
Microsoft memulai pengembangan .NET Framework di akhir 1990
dengan nama awal Next Generation Windows Services (NGWS). Pada akhir
2000 versi beta .NET 1.0 dirilis
Versi 3.0 dari .NET Framework disertakan di Windows Server 2008
dan Windows Vista. Version 3.5 disertakan di Windows 7, dan bisa juga
diinstall di Windows XP maupun Windows Server 2003. Pada 12 April 2010
.NET Framework 4 dirilis bersamaan dengan applikasi Visual Studio 2010.
.NET Framework terdiri dari dua versi yaitu mobile dan embedded.
Versi mini dari framework .NET Compact Framework, tersedia untuk
platform smartphone khususnya Windows CE dan Windows Mobile. .NET
24
UIN Syarif Hidayatullah Jakarta
Micro Framework lebih ditargetkan untuk device yang membutuhkan kinerja
tinggi.
Gambar 2.6 Versi Dari .NET Frameworks
2.2 Database Management System
2.2.1 Pengertian Database Management System
Menurut Date, Sistem Basis Data adalah system
terkomputerisasi yang tujuan utamanya adalah memelihara informasi
dan membuat informasi tersebut tersedia saat dibutuhkan. DBMS adalah
perangkat lunak yang didesain untuk membantu dalam hal pemeliharaan
dan utilitas kumpulan data dalam jumlah besar. DBMS dapat menjadi
alternative penggunaan secara khusus untuk aplikasi, semisal
penyimpana n data dalam fiel dan menulis kode aplikasi yang spesifik
untuk pengaturannya.
DBMS ialah perantara untuk user dengan basis data, untuk dapat
berinteraksi dengan DBMS dapat memakai bahasa basis data yang
sudah ditentukan oleh perusahaan DBMS. Bahasa basis data umumnya
terdiri dari berbagai macam instruksi yang diformulasikan sehingga
instruksi tersebut dapat diproses oleh DBMS.
Perintah atau instruksi tersebut umumnya ditentukan oleh user
adapun bahasa yang digunakan dibagi kedalam 2 macam diantaranya
sebagai berikut:
a) DDL“DataDefinitionLanguage”
Yang pertama ialah bahasa DDL atau kepanjangan Data
Definition Languange yaitu dipakai untuk
menggambarkan desain dari basis data secara
menyeluruh. DDL “Data Definition Language” dapat
dipakai untuk membuat tabel baru, memuat indeks
maupun mengubah tabel. Hasil dari kompilasi DDL akan
disimpan di kamus data.
25
UIN Syarif Hidayatullah Jakarta
b) DML“DataManipulationLanguage”
Dan yang kedua ialah DML atau kepanjangannya Data
Manipulation Language yaitu dipakai untuk
memanipulasi dan pengambilan data pada suatu basis
data, misalnya seperti penambahan data yang baru ke
dalam suatu basis data, menghapur data pada suatu basis
data dan mengubah data pada suatu basis data.
Tinjauan sejarah DBMS
Generasi pertama DBMS didesain oleh Charles Bachman di
perusahaan General Electric pada awal tahun 1960, disebut s
ebagai Penyimpanan Data Terintegrasi (Integrated Data Store).
Dibentuk dasar untuk model data jaringan yang kemudian
distandardisasi oleh Conference on Data System Languages
(CODASYL). Bachman kemudian menerima ACM Turing Award
(Penghargaan semacam Nobel pada ilmu komputer) di tahun 1973. Dan
pada akhir 1960, IBM mengembangkan sistem manajemen informasi
(Information Management System) DBMS. IMS dibentuk dari
representasi data pada kerangka kerja yang disebut dengan model data
hirarki. Dalam waktu yang sama, dikembangkan sistem SABRE sebagai
hasil kerjasama antara IBM dengan perusahaan penerbangan Amerika.
Sistem ini memungkinkan user untuk mengakses
data yang sama pada jaringan komputer.
2.2.2 Macam Macam Atau Contoh DBMS (Database Management
System)
Adapun beberapa macam dan contoh dari DBMS diantaranya sebagai
berikut:
1. MySQL
MySQL adalah sebuah perangkat lunak sistem manajemen basis
data SQL atau DBMS yang multithread, multi-user, dengan sekitar
6 juta instalasi di seluruh dunia. MySQL AB membuat MySQL
26
UIN Syarif Hidayatullah Jakarta
tersedia sebagai perangkat lunak gratis dibawah lisensi GNU
General Public License (GPL), tetapi mereka juga menjual dibawah
lisensi
komersial untuk kasus-kasus dimana penggunaannya tidak cocok
dengan penggunaan GPL Tidak sama dengan proyek-proyek seperti
Apache, dimana perangkat lunak dikembangkan oleh komunitas
umum, dan hak cipta untuk kode sumber dimiliki oleh penulisnya
masing-masing, MySQL dimiliki dan disponsori oleh sebuah
perusahaan komersial Swedia MySQL AB, dimana memegang hak
cipta hampir atas semua kode sumbernya. Kedua orang Swedia dan
satu orang Finlandia yang mendirikan MySQL AB adalah: David
Axmark, Allan Larsson, dan Michael "Monty" Widenius.
a) Kelebihannya
Free/gratis
Selalu stabil dan cukup tangguh
Keamanan yang cukup baik
Sangat mendukung transaksi dan dukungan dari banyak
komunitas
Sangat fleksibel dengan berbagai macam program
Perkembangan yang cepat
b) Kekurangannya
Kurang mendukung koneksi bahasa pemerograman
misalnyasepertiVisualBasic“VB”,Foxpro, Delphi sebeb
koneksi ini dapat menyebabkan field yang dibaca harus
sesuai dengan koneksidari bahasa pemerograman visual
tersebut.
Data yang dapat ditangani belum besar dan belum
mendukung widowing function.
2. Oracle
27
UIN Syarif Hidayatullah Jakarta
Basis data Oracle adalah basis data relasional yang terdiri dari
kumpulan data dalam suatu sistem manajemen basis data RDBMS.
Perusahaan perangkat lunak Oracle memasarkan jenis
basis data ini untuk bermacam-macam aplikasi yang bisa berjalan
pada banyak jenis dan merk perangkat keras komputer (platform).
Basis data Oracle ini pertama kali dikembangkan oleh Larry
Ellison, Bob Miner dan Ed Oates lewat perusahaan konsultasinya
bernama Software Development Laboratories (SDL) pada tahun
1977. Pada tahun 1983, perusahaan ini berubah nama menjadi
Oracle Corporation sampai sekarang.
a) Kelebihannya
Terdapat beragam fitur yang bisa memenuhi tuntutan
fleksibilitas dari organisasi atau perusahaan yang besar.
Bisa mendayagunakan lebih dari satu server dan
penyimpanan data dengan cukup mudah.
Performa pemerosesan transaksi yang sangat tinggi.
b) Kekurangannya
Pemakaiannya membutuhkan dana atau biaya karena mahal
dan diperlukan DBA yang cukup handal sebab DBMS ini
cukup rumit.
3. Microsoft SQL server
Microsoft SQL Server adalah sebuah sistem manajemen basis data
relasional (RDBMS) produk Microsoft. Bahasa kueri utamanya
adalah Transact-SQL yang merupakan implementasi dari SQL
standar ANSI/ISO yang digunakan oleh Microsoft dan Sybase.
Umumnya SQL Server digunakan di dunia bisnis yang memiliki
basis data berskala kecil sampai dengan menengah, tetapi
kemudian berkembang dengan digunakannya SQL Server pada
basis data besar. Microsoft SQL Server dan Sybase/ASE dapat
berkomunikasi lewat jaringan dengan menggunakan protokol TDS
(Tabular Data Stream). Selain dari itu, Microsoft SQL Server juga
28
UIN Syarif Hidayatullah Jakarta
mendukung ODBC (Open Database Connectivity), dan
mempunyai driver JDBC untuk bahasa pemrograman Java. Fitur
yang lain dari SQL Server ini adalah kemampuannya untuk
membuat basis data mirroring dan clustering.
a) Kelebihannya
DBMS ini sangat cocok untuk perusahaan mikro, menengah
hingga perusahaan besar karena mampu mengelola data
yang besar.
Mempunyai kelebihan untuk men-mange user serta tiap
usernya dapat diatur hak aksesnya terhadap pengaksesan
data base oleh DBA.
Tingkat pengamanan datanya sangat baik.
Dapat melakukan atau memiliki back-up, recovery dan
rollback data.
Kelebihan lainnya mempunyai kemampuan membuat
database mirroring dan juga clustering.
b) Kekurangannya
Hanya bisa berjalan pada platform OS “Operasi system”
Microsoft windows.
Perangkat lunak “software” ini berilisensi dan tentunya
pemakaiannya membutuhkan biaya yang tergolong cukup
mahal.
2.2.3 Tujuan DBMS (Database Management System)
Database merupakan komponen dasar dari sebuah sistem
informasi dan pengembangan serta penggunaannya sebaiknya
dipandang dari perspektif kebutuhan organisasi yang lebih besar. Oleh
karena itu siklus hidup sebuah system informasi organisasi berhubungan
dengan siklus hidup sistem database yang mendukungnya. Sistem
Manajemen Basis Data adalah perangkat lunak yang mendukung
manajemen data dalam jumlah besar. DBMS menyediakan akses data
29
UIN Syarif Hidayatullah Jakarta
yang efisien, kebebasan data, integritas data, keamanan, dan
pengembangan aplikasi yang cepat, mendukung akses bersamaan dan
perbaikan dari kerusakan.
Adapun tujuan DBMS (Database Management System) yaitu:
Dapat digunakan secara bersama.
Kecepatan serta kemudahan dalam mengakses data.
Efisiensi ruang penyimpanan data.
Untuk menangani data dalam jumlah yang besar atau banyak.
Untuk menghilangkan duplikasi dan juga inkonsistensi data.
Untuk keamanan data.
Dapat membantu membuat manajemen data lebih efisien dan
efektif.
Bahasa querynya memungkinkan untuk memperoleh jawaban
dengan cepat melalui perintah-perintah khusus untuk queri.
Membantu end users mengakses lebih banyak data yang
terorganisir secara lebih baik.
Dapat memperlihatkan gambaran terintegrasi terhadap operasi
organisasi Gambaran luas.
Mengurangi terjadinya inkonsistensi data.
Gambar 2.7 DBMS Mengelola Interaksi Antara End User Dan
Basis Data
30
UIN Syarif Hidayatullah Jakarta
(Sumber : http://eprints.dinus.ac.id/6320/1/c-2-SBD.pdf)
2.2.4 Komponen DBMS (Database Management System)
Komponen utama DBMS dapat dibagi menjadi 4 macam:
a) Perangkat Keras (Hardware)
Komputer
Perangkat pendukung
b) Perangkat Lunak (Software)
System operasi
Software DBMS
Software program
Aplikasi dan utility
c) Data
Kumpulan dari fakta-fakta yang disimpan pada basis data.
d) Pengguna (User)
Administrator sistem
Administrator basis data (DBA)
Perancang basis data
Sistem analis dan programmer
Pemakai (end user)
31
UIN Syarif Hidayatullah Jakarta
Gambar 2.8 The Database System Environment
(Sumber : http://eprints.dinus.ac.id/6320/1/c-2-SBD.pdf)
2.3 Data Mining
2.3.1 Pengertian Data Mining
Secara sederhana data mining adalah penambangan atau
penemuan informasi baru dengan mencari pola atau aturan tertentu dari
sejumlah data yang sangat besar (Davies, 2004). Data mining juga
disebut sebagai serangkaian proses untuk menggali nilai tambah berupa
pengetahuan yang selama ini tidak diketahui secara manual dari suatu
kumpulan data (Pramudiono, 2007). Data mining, sering juga disebut
sebagai knowledge discovery in database (KDD). KDD adalah kegiatan
yang meliputi pengumpulan, pemakaian data, historis untuk
menemukan keteraturan, pola atau hubungan dalam set data berukuran
besar (Santoso, 2007).
Data mining adalah kegiatan menemukan pola yang menarik
dari data dalam jumlah besar, data dapat disimpan dalam database, data
warehouse, atau penyimpanan informasi lainnya. Data mining berkaitan
dengan bidang ilmu – ilmu lain, seperti database system, data
warehousing, statistik, machine learning, information retrieval, dan
komputasi tingkat tinggi. Selain itu, data mining didukung oleh ilmu lain
seperti neural network, pengenalan pola, spatial data analysis, image
database, signal processing (Han, 2006). Data mining didefinisikan
sebagai proses menemukan pola-pola dalam data. Proses ini otomatis
atau seringnya semiotomatis. Pola yang ditemukan harus penuh arti dan
pola tersebut memberikan keuntungan, biasanya keuntungan secara
ekonomi. Data yang dibutuhkan dalam jumlah besar (Witten, 2005).
Karakteristik data mining sebagai berikut
Data mining berhubungan dengan penemuan sesuatu yang
tersembunyi dan pola data tertentu yang tidak diketahui
sebelumnya.
32
UIN Syarif Hidayatullah Jakarta
Data mining biasa menggunakan data yang sangat besar.
Biasanya data yang besar digunakan untuk membuat hasil
lebih dipercaya.
Data mining berguna untuk membuat keputusan yang kritis,
terutama dalam strategi (Davies, 2004).
Berdasarkan beberapa pengertian tersebut dapat ditarik
kesimpulan bahwa data mining adalah suatu teknik menggali informasi
berharga yang terpendam atau tersembunyi pada suatu koleksi data
(database) yang sangat besar sehingga ditemukan suatu pola yang
menarik yang sebelumnya tidak diketahui. Kata mining sendiri berarti
usaha untuk mendapatkan sedikit barang berharga dari sejumlah besar
material dasar. Karena itu data mining sebenarnya memiliki akar yang
panjang dari bidang ilmu seperti kecerdasan buatan (artificial
intelligent), machine learning, statistik dan database. Beberapa metode
yang sering disebutsebut dalam literatur data mining antara lain
clustering, classification, association rules mining, neural network,
genetic algorithm dan lain-lain (Pramudiono, 2007).
2.3.2 Pengenalan Pola, Data Mining, dan Machine Learning
Pengenalan pola adalah suatu disiplin ilmu yang mempelajari cara-cara
mengklasifikasikan obyek ke beberapa kelas atau kategori dan mengenali
kecenderungan data. Tergantung pada aplikasinya, obyek-obyek ini bisa
berupa pasien, mahasiswa, pemohon kredit, image atau signal atau
pengukuran lain yang perlu diklasifikasikan atau dicari fungsi regresinya
(Santoso, 2007). Data mining, sering juga disebut knowledge discovery in
database (KDD), adalah kegiatan yang meliputi pengumpulan, pemakaian
data historis untuk menemukan keteraturan, pola atau hubungan dalam set
data berukuran besar. Keluaran dari data mining ini bisa dipakai untuk
memperbaiki pengambilan keputusan di masa depan. Sehingga istilah
pattern recognition jarang digunakan karena termasuk bagian dari data
mining (Santoso, 2007). Machine Learning adalah suatu area dalam
artificial intelligence atau kecerdasan buatan yang berhubungan dengan
33
UIN Syarif Hidayatullah Jakarta
pengembangan teknik-teknik yang bisa diprogramkan dan belajar dari data
masa lalu. Pengenalan pola, data mining dan machine learning sering
dipakai untuk menyebut sesuatu yang sama. Bidang ini bersinggungan
dengan ilmu probabilitas dan statistik kadang juga optimasi. Machine
learning menjadi alat analisis dalam data mining. Bagaimana bidangbidang
ini berhubungan bisa dilihat dalam gambar 2.4 (Santoso, 2007).
Gambar 2.9 Data mining merupakan irisan dari berbagai disiplin.
2.3.3 Tahap-Tahap Data mining
Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi
beberapa tahap yang diilustrasikan di Gambar 2.8. Tahap-tahap
tersebut bersifat interaktif, pemakai terlibat langsung atau dengan
perantaraan knowledge base.
34
UIN Syarif Hidayatullah Jakarta
Gambar 2.10 Tahap penemuan Knowledge Data Discovery
(KDD) (Han, 2006).
Tahap-tahap data mining ada 6 yaitu :
1. Pembersihan data (data cleaning)
Pembersihan data merupakan proses menghilangkan noise dan
data yang tidak konsisten atau data tidak relevan. Pada umumnya
data yang diperoleh, baik dari database suatu perusahaan
maupun hasil eksperimen, memiliki isian-isian yang tidak
sempurna seperti data yang hilang, data yang tidak valid atau
juga hanya sekedar salah ketik. Selain itu, ada juga atribut-
atribut data yang tidak relevan dengan hipotesa data mining yang
dimiliki. Data-data yang tidak relevan itu juga lebih baik
dibuang. Pembersihan data juga akan mempengaruhi performasi
dari teknik data mining karena data yang ditangani akan
berkurang jumlah dan kompleksitasnya.
2. Integrasi data (data integration)
35
UIN Syarif Hidayatullah Jakarta
Integrasi data merupakan penggabungan data dari berbagai
database ke dalam satu database baru. Tidak jarang data yang
diperlukan untuk data mining tidak hanya berasal dari satu
database tetapi juga berasal dari beberapa database atau file teks.
Integrasi data dilakukan pada atribut-aribut yang
mengidentifikasikan entitas-entitas yang unik seperti atribut
nama, jenis produk, nomor pelanggan dan lainnya. Integrasi data
perlu dilakukan secara cermat karena kesalahan pada integrasi
data bisa menghasilkan hasil yang menyimpang dan bahkan
menyesatkan pengambilan aksi nantinya. Sebagai contoh bila
integrasi data berdasarkan jenis produk ternyata
menggabungkan produk dari kategori yang berbeda maka akan
didapatkan korelasi antar produk yang sebenarnya tidak ada.
3. Seleksi Data (Data Selection)
Data yang ada pada database sering kali tidak semuanya dipakai,
oleh karena itu hanya data yang sesuai untuk dianalisis yang
akan diambil dari database. Sebagai contoh, sebuah kasus yang
meneliti faktor kecenderungan orang membeli dalam kasus
market basket analysis, tidak perlu mengambil nama pelanggan,
cukup dengan id pelanggan saja.
4. Transformasi data (Data Transformation)
Data diubah atau digabung ke dalam format yang sesuai untuk
diproses dalam data mining. Beberapa metode data mining
membutuhkan format data yang khusus sebelum bisa
diaplikasikan. Sebagai contoh beberapa metode standar seperti
analisis asosiasi dan clustering hanya bisa menerima input data
kategorikal. Karenanya data berupa angka numerik yang
berlanjut perlu dibagibagi menjadi beberapa interval. Proses ini
sering disebut transformasi data.
5. Proses mining
36
UIN Syarif Hidayatullah Jakarta
Merupakan suatu proses utama saat metode diterapkan untuk
menemukan pengetahuan berharga dan tersembunyi dari data.
6. Evaluasi pola (pattern evaluation)
Untuk mengidentifikasi pola-pola menarik kedalam knowledge
based yang ditemukan. Dalam tahap ini hasil dari teknik data
mining berupa pola-pola yang khas maupun model prediksi
dievaluasi untuk menilai apakah hipotesa yang ada 14 memang
tercapai. Bila ternyata hasil yang diperoleh tidak sesuai hipotesa
ada beberapa alternatif yang dapat diambil seperti
menjadikannya umpan balik untuk memperbaiki proses data
mining, mencoba metode data mining lain yang lebih sesuai,
atau menerima hasil ini sebagai suatu hasil yang di luar dugaan
yang mungkin bermanfaat.
7. Presentasi pengetahuan (knowledge presentation)
Merupakan visualisasi dan penyajian pengetahuan mengenai
metode yang digunakan untuk memperoleh pengetahuan yang
diperoleh pengguna. Tahap terakhir dari proses data mining
adalah bagaimana memformulasikan keputusan atau aksi dari
hasil analisis yang didapat. Ada kalanya hal ini harus melibatkan
orang-orang yang tidak memahami data mining. Karenanya
presentasi hasil data mining dalam bentuk pengetahuan yang
bisa dipahami semua orang adalah satu tahapan yang diperlukan
dalam proses data mining. Dalam presentasi ini, visualisasi juga
bisa membantu mengkomunikasikan hasil data mining (Han,
2006).
2.3.4 Metode Data Mining
Dengan definisi data mining yang luas, ada banyak jenis metode
analisis yang dapat digolongkan dalam data mining.
a) Association rules
37
UIN Syarif Hidayatullah Jakarta
Association rules (aturan asosiasi) atau affinity analysis (analisis
afinitas) berkenaandengan studi tentang “apa bersama apa”. Sebagai
contoh dapat berupa berupa studi transaksi di supermarket, misalnya
seseorang yang membeli susu bayi juga membeli sabun mandi. Pada
kasus ini berarti susu bayi bersama dengan sabun mandi. Karena
awalnya berasal dari studi tentang database transaksi pelanggan untuk
menentukan kebiasaan suatu produk dibeli bersama produk apa, maka
aturan asosiasi juga sering dinamakan market basket analysis. Aturan
asosiasi ingin memberikan informasi tersebut dalam bentuk hubungan
“if-then”atau“jika-maka”.Aturaninidihitungdaridatayangsifatnya
probabilistik (Santoso, 2007).
Analisis asosiasi dikenal juga sebagai salah satu metode data
mining yang menjadi dasar dari berbagai metode data mining lainnya.
Khususnya salah satu tahap dari analisis asosiasi yang disebut analisis
pola frekuensi tinggi (frequent pattern mining) menarik perhatian
banyak peneliti untuk menghasilkan algoritma yang efisien. Penting
tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter,
support (nilai penunjang) yaitu prosentase kombinasi item tersebut.
dalam database dan confidence (nilai kepastian) yaitu kuatnya hubungan
antar item dalam aturan assosiatif. Analisis asosiasi didefinisikan suatu
proses untuk menemukan semua aturan assosiatif yang memenuhi syarat
minimum untuk support (minimum support) dan syarat minimum untuk
confidence (minimum confidence) (Pramudiono, 2007).
Ada beberapa algoritma yang sudah dikembangkan mengenai
aturan asosiasi, namun ada satu algoritma klasik yang sering dipakai
yaitu algoritma apriori. Ide dasar dari algoritma ini adalah dengan
mengembangkan frequent itemset. Dengan menggunakan satu item dan
secara rekursif mengembangkan frequent itemset dengan dua item, tiga
item dan seterusnya hingga frequent itemset dengan semua ukuran.
Untuk mengembangkan frequent set dengan dua item, dapat
38
UIN Syarif Hidayatullah Jakarta
menggunakan frequent set item. Alasannya adalah bila set satu item
tidak melebihi support minimum, maka sembarang ukuran itemset yang
lebih besar tidak akan melebihi support minimum tersebut. Secara
umum, mengembangkan set dengan fc-item menggunakan frequent set
dengan k – 1 item yang dikembangkan dalam langkah sebelumnya.
Setiap langkah memerlukan sekali pemeriksaan ke seluruh isi database.
Dalam asosiasi terdapat istilah antecedent dan consequent, antecedent
untukmewakili 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).
Langkah pertama algoritma apriori adalah, support dari setiap
item dihitung dengan men-scan 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 men-scan 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 :
39
UIN Syarif Hidayatullah Jakarta
1. Pembentukan kandidat itemset Kandidat k-itemset dibentuk
dari kombinasi (k-1)-itemset yang didapat dari iterasi sebelumnya. Satu
ciri dari algoritma apriori adalah adanya pemangkasan kandidat k-
itemset yang subset-nya yang 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 men-scan database untuk
menghitung jumlah transaksi yang memuat semua item di dalam
kandidat k-itemset tersebut. Ini adalah juga ciri dari algoritma apriori
yaitu diperlukan penghitungan dengan scan seluruh database sebanyak
k-itemset terpanjang.
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.
(Pramudiono, 2007).
2.3.5 Lift Ratio
Lift Ratio adalah parameter penting selain support dan
confidence dalam association rule. Lift Ratio mengukur seberapa
penting rule yang telah terbentuk berdasarkan nilai support dan
confidence, Lift Ratio merupakan nilai yang menunjukkan kevalidan
proses transaksi dan memberikan informasi apakah benar produk A
dibeli bersamaan dengan produk B.
Lift Ratio dapat dihitung dengan rumus :
Lift Ratio = Support (A) x Support (B)
Sebuah transaksi dikatakan valid jika mempunyai nilai lift
lebih dari 1, yang berarti bahwa dalam transaksi tersebut, produk A dan
B benar – benar dibeli secara bersamaan.
Support(A∩B)
40
UIN Syarif Hidayatullah Jakarta
2.4 Algoritma Apriori
Algoritma apriori merupakan algoritma pertama dan sering digunakan
untuk menemukan aturan asosiasi di dalam aplikasi data mining dengan teknik
aturan asosiasi. Tujuan dari algoritma apriori adalah untuk menemukan aturan
(rule) yang memenuhi minimum support yang telah ditetapkan sebelumnya dan
memenuhi nilai confidence yang disyaratkan (Witten dan Frank, 2005).
Algoritma apriori termaksud jenis aturan asosiasi pada data mining.
Analisis asosiasi adalah teknik data mining untuk menemukan aturan asosiatif
antara suatu kombinasi item. Algoritma yang paling populer dikenal sebagai
Apriori dengan paradigma generate and test, yaitu pembuatan kandidat
kombinasi item yang mungkin berdasar aturan tertentu lalu diuji apakah
kombinasi item tersebut memenuhi syarat support minimum (Santosa,2007).
Langkah pertama algoritma apriori adalah, mendapatkan support dari
setiap item dihitung dengan men-scan 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 men-scan
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, 2003).
Untuk selanjutnya iterasi iterasi ke - k dapat dibagi lagi menjadi
beberapa bagian :
a. Pembentukan kandidat itemset
Kandidat k-itemset dibentuk dari kombinasi (k-1)-itemset yang didapat
dari iterasi sebelumnya. Satu ciri dari algoritma apriori adalah adanya
41
UIN Syarif Hidayatullah Jakarta
pemangkasan kandidat k-itemset yang subset-nya yang berisi k-1 item tidak
termasuk dalam pola frekuensi tinggi dengan panjang k-1.
b. Penghitungan support dari tiap kandidat k-itemset
Support dari tiap kandidat k-itemset didapat dengan men-scan database
untuk menghitung jumlah transaksi yang memuat semua item di dalam kandidat
k-itemset tersebut. Ini adalah juga ciri dari algoritma apriori yaitu diperlukan
penghitungan dengan scan seluruh database sebanyak k-itemset terpanjang.
c. 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.
(Pramudiono, 2003).
2.5 Support dan Confidence
Support adalah ukuran yang merepresentasikan tingkat kemunculan
atau dominasi suatu barang atau itemset dari keseluruhan transaksi. Rumus
support sebagai berikut:
Sedangkan nilai support dari 2 item diperoleh dari rumus berikut:
42
UIN Syarif Hidayatullah Jakarta
Sedangkan confidence adalah nilai kepastian yaitu kuatnya
hubungan antar item dalam sebuah apriori. Confidence bisa dicari setelah
pola frekuensi
munculnya sebuah item ditemukan dengan menghitung confidence aturan
assosiatif A B
2.6 Sistem Pendukung Keputusan
Sistem pendukung keputusan (SPK) adalah bagian dari sistem
informasi berbasis komputer termasuk sistem berbasis pengetahuan atau
manajemen pengetahuan yang dipakai untuk mendukung pengambilan
keputusan dalam suatu organisasi atau perusahaan. Dapat juga dikatakan
sebagai sistem komputer yang mengolah data menjadi informasi untuk
mengambil keputusan dari masalah semi terstruktur yang spesifik.
Menurut Moore dan Chang, SPK dapat digambarkan sebagai sistem
yang berkemampuan mendukung analisis ad hoc data, dan pemodelan
keputusan, berorientasi keputusan, orientasi perencanaan masa depan, dan
digunakan pada saat-saat yang tidak biasa.
Sistem pendukung keputusan merupakan penggabungan sumber-
sumber kecerdasan individu dengan kemampuan komponen untuk
memperbaiki kualitas keputusan. Sistem Pendukung Keputusan juga
merupakan sistem informasi berbasis komputer untuk manajemen
pengambilan keputusan yang menangani masalah-masalah semi struktur
(Keen dan Scoot Morton, 1978).
Dengan pengertian diatas dapat dijelaskan bahwa SPK bukan
merupakan alat pengambilan keputusan, melainkan merupakan sistem yang
membantu pengambil keputusan dengan melengkapi mereka dengan
43
UIN Syarif Hidayatullah Jakarta
informasi dari data yang telah diolah dengan relevan dan diperlukan untuk
membuat keputusan tentang suatu masalah.
Menurut (Azhar, 1995), dari pengertian SPK maka dapat ditentukan
karakteristik antara lain:
a. Mendukung proses pengambilan keputusan, menitik beratkan
pada management by perception.
b. Adanya interface manusia atau mesin di mana manusia (user)
tetap memegang kontrol proses pengambilan keputusan.
c. Mendukung pengambilan keputusan untuk membahas masalah
terstruktur, semi terstruktur dan tak struktur.
d. Memiliki kapasitas dialog untuk memperoleh informasi sesuai
dengan kebutuhan
e. Memiliki subsistem-subsistem yang terintegrasi sedemikian rupa
sehingga dapat berfungsi sebagai kesatuan item.
f. Membutuhkan struktur data komprehensif yang dapat melayani
kebutuhan informasi seluruh tingkatan manajemen.
Sistem pendukung keputusan (SPK) mulai dikembangkan pada
tahun 1960-an, tetapi istilah sistem pendukung keputusan itu sendiri baru
muncul pada tahun 1978, yang diciptakan oleh G. Anthony Gorry dan
Micheal S.Scott Morton, keduanya adalah profesor di MIT. Hal itu mereka
lakukan dengan tujuan untuk menciptakan kerangka kerja guna
mengarahkan aplikasi komputer kepada pengambilan keputusan
manajemen.
Sementara itu, perintis sistem pendukung keputusan yang lain dari
MIT, yaitu Peter G.W. Keen yang bekerja sama dengan Scott Morton telah
44
UIN Syarif Hidayatullah Jakarta
mendefenisikan tiga tujuan yang harus dicapai oleh sistem pendukung
keputusan, yaitu:
a. Sistem harus dapat membantu manajer dalam membuat keputusan
guna memecahkan masalah semi terstruktur.
b. Sistem harus dapat mendukung manajer, bukan mencoba
menggantikannya.
c. Sistem harus dapat meningkatkan efektivitas pengambilan
keputusan manajer.
Tujuan-tujuan tersebut mengacu pada tiga prinsip dasar sistem
pendukung keputusan (Kadarsah, 1998), yaitu:
a. Struktur masalah
Untuk masalah yang terstruktur, penyelesaian dapat dilakukan
dengan menggunakan rumus-rumus yang sesuai, sedangkan untuk masalah
terstruktur tidak dapat dikomputerisasi. Sementara itu, sistem pendukung
keputusan dikembangkan khususnya untuk menyelesaikan masalah yang
semi-terstruktur.
b. Dukungan keputusan
Sistem pendukung keputusan tidak dimaksudkan untuk
menggantikan manajer, karena komputer berada di bagian terstruktur,
sementara manajer berada dibagian tak terstruktur untuk memberikan
penilaian dan melakukan analisis. Manajer dan komputer bekerja sama
sebagai sebuah tim pemecah masalah semi terstruktur.
c. Efektivitas keputusan
Tujuan utama dari sistem pendukung keputusan bukanlah
mempersingkat waktu pengambilan keputusan, tetapi agar keputusan yang
dihasilakn dapat lebih baik.
45
UIN Syarif Hidayatullah Jakarta
2.7 Metode Pengumpulan Data
2.9.1 Wawancara
Wawancara merupakan pertemuan antara dua orang untuk bertukar
informasi dan ide melalui tanya jawab sehingga dapat dikonstruksikan
makna dalam suatu topik tertentu. Wawancara digunakan oleh peneliti
untuk menilai keadaan sesorang, misalnya untuk mencari data tentang
variabel latar belakang murid, orang tua, pendidikan, perhatian, atau
sikap terhadap sesuatu (Setyawan : 2013).
2.9.2 Observasi
Di dalam artian penelitian, observasi adalah mengadakan
pengamatan secara langsung, observasi dapat dilakukan dengan tes,
kuesioner, ragam gambar, dan rekam suara. Pedoman observasi berisi
sebuah daftar jenis kegiatan yang mungkin timbul dan akan diamati
(Setyawan 2013).
2.9.3 Studi Pustaka
Diambil dari kamus besar bahasa Indonesia, bahwa studi memiliki
arti penelitian ilmiah, sedangkan pustaka adalah koleksi buku, majalah,
dan bahan kepustakaan lainnya yang disimpan untuk dibaca, dipelajari,
dibicarakan. Berdasarkan makna 2 kata tersebut bahwa studi pustaka
adalah melakukan pembelajaran terhadap koleksi dokumen-dokumen
penelitian ilmiah.
2.8 Studi Literatur
Pada penelitian ini studi literatur sejenis digunakan oleh penulis sebagai
bahan untuk mengevaluasi dan sekaligus referensi penelitian yang akan
dilakukan. Hal ini dimaksudkan agar ada perbedaan pada penelitian ini
dibandingkan dengan penelitian-penelitian sebelumnya dan menjadi penelitian
yang bermanfaat.
Berikut adalah literatur sejenis yang digunakan dan perbedaannya dengan
penelitian ini :
46
UIN Syarif Hidayatullah Jakarta
1. Pengembangan Perangkat Lunak Point of Sales (POS) dan Akuntansi untuk
UMKM Rumah Makan oleh Dr. Lana Sularto, SE, MMSI, Dr. Wardoyo,
SE, MM, Tristyanti Yusnitasari, SKom.
Penelitian ini berupaya untuk membangun dan mengimplementasikan
aplikasi akuntansi dan point of sales (POS) yang khusus dibangun untuk
UKM rumah makan di wilayah Jabodetabek. Tahapan yang akan
dilaksanakan sesuai dengan siklus pengembangan sistem pada umumnya,
yaitu analisa sistem, perancangan sistem, implementasi sistem dan evaluasi
sistem.
Dalam tahap analisa sistem, analisa yang telah dilaksanakan meliputi
analisa prosedur, analisa dokumen, dan analisa laporan yang dihasilkan.
Dalam tahap ini dilakukan penyebaran kuesioner untuk mengidentifikasi
kebutuhan pengguna. Kuesioner dibagikan kepada 179 rumah makan di
JABODETABEK. Data hasil kuesioner kemudian diolah menggunakan
metode Quality Function Deployment. Pada tahap perancangan sistem,
telah dilaksanakan proses spesifikasi mendetail atas solusi yang dipilih pada
proses analisa sistem.
Perancangan menggunakan pemodelan Unified Modelling Language
(UML). Tahap berikutnya yaitu implementasi sistem, telah dibangun
aplikasi POS dan akuntansi berbasis web yang dapat juga dijalankan secara
offline, untuk selanjutnya dilakukan pengujian, pembuatan dokumentasi,
serta diakhiri dengan evaluasi penerapan perangkat lunak akuntansi yang
baru dengan diukur menggunakan lima point skala Likert. Data yang
diperoleh dari responden akan diolah menggunakan aplikasi SPSS dan
Microsoft Excel untuk keperluan analisis. Temuan ini disajikan dengan
menggunakan statistik deskriptif, uji-t sample paired test, dan metode
Importance Performance Analysis (IPA). Masalah yang ditimbulkan dalam
Faktor-faktor tersebut muncul karena kedua pemilik belum memaksimalkan
pemanfaatan komputer untuk pencatatan akuntansi. Pencatatan pada Nasi
Pecel Khas Madiun Mbak Ira masih menggunakan Microsoft Word yang
merupakan program pengolah kata, dan hanya dilakukan jika akan
47
UIN Syarif Hidayatullah Jakarta
mengajukan permohonan kredit ke bank. Pencatata pada Soto Ngawi hanya
ditulis dengan tangan dengan menggunakan buku folio. Berdasarkan hal itu
diperlukan sebuah Perangkat lunak akuntansi yang ada di pasaran saat ini
masih dianggap terlalu rumit pemakainnya, dan tidak spesifik untuk
kebutuhan mereka. Seluruh permasalahan di atas akan dapat diatasi jika
kedua rumah makan tersebut melakukan pencatatan akuntansi dengan
memanfaatkan program aplikasi yang dirancang khusus untuk rumah
makan. Perangkat lunak akuntansi yang mudah digunakan, akan banyak
membantu dalam pengelolaan usaha mereka, kebutuhan untuk pengelolaan
dana dan pelaporan keuangan akan mudah diperoleh. Dengan semakin
berkembangnya perusahaan, pencatatan yang lebih cepat dan akurat akan
menjadi sangat dibutuhkan. Pencatatan yang sudah dilakukan saat ini
mungkin belum terasa merepotkan, namun seiring dengan perkembangan
usaha, akan semakin banyak pencatatan yang harus dilakukan, maka
semakin kewalahan kedua mitra dalam melakukan pengelolaan keuangan,
oleh karena itu, pemanfaatan perangkat lunak akuntansi menjadi sangat
penting untuk segera diselenggarakan.
2. Pembuatan Aplikasi Point of Sales untuk Rumah Makan Dapur Rinjani oleh
Hendy Thomas Herman, Silvia Rostianingsih, Alexander Setiawan.
Kebutuhan akan informasi yang akurat dan cepat sangatlah dibutuhkan
di dalam proses bisnis rumah makan Dapur Rinjani yang semakin
berkembang. Saat ini, rumah makan Dapur Rinjani masih menggunakan
pencatatan secara manual di dalam proses bisnisnya. Pada penelitian ini
akan dibuat sebuah aplikasi pemesanan berbasis web yang dapat diakses
melalui mobile device yang berada pada jaringan lokal. Pembuatan aplikasi
ini menggunakan framework PHP Laravel, Javascript, HTML sebagai
bahasa pemrograman pada web pemesanan restoran, dan mySQL sebagai
databasenya.
Berdasarkan pengujian sistem yang dilakukan, sistem dapat melakukan
pengecekan login, menampilkan pesanan, mengatur user dan member,
melakukan reservasi, menambahkan promo, mengganti status pesanan di
48
UIN Syarif Hidayatullah Jakarta
dapur dan menampilkan laporan penjualan dan stok. Karena itu di dalam
penelitian ini akan dilakukan Dengan penggunaan aplikasi POS yang
diintegrasikan dengan device Android, ketika pesanan diterima oleh
pelayan, maka dilakukan pengecekan terlebih dahulu untuk stock menu
yang dipesan lalu data pesanan tersebut akan langsung masuk ke bagian
dapur serta bagian kasir. Dengan demikian, dapat menghemat waktu yang
dibutuhkan untuk memproses pesanan dan juga mengurangi kemungkinan
human error yang dapat terjadi.
3. Implementasi Data Mining Pada transaksi Penjualan Bibit Buah Dengan
Algoritma Apriori Oleh Dr. Suryo Widodo, M.Pd dan Ardi Sanjaya, M.Kom.
Penelitian ini dilatar belakangi pada UD Buah Asri yang memliki
banyak data transaksi yang belum dimanfaatkan dengan baik. Yang mana data
transaksi tersebut sebenarnya dapat diolah untuk menghasilkan informasi-
informasi yang bernilai manfaat dalam meningkatkan mutu dan pelayanan.
Diperlukan suatu aplikasi untuk menganalisis keranjang pasar data
transaksi penjualan bibit buah dengan menggunakan data mining sebagai suatu
teknik analisis data yang dapat membantu pengusaha memperoleh pengetahuan
proses sekuensial linear dengan bahasa pemrograman PHP dan basis data
MySQL. Algoritma yang digunakan sebagai proses utama dari analisis
keranjang pasar adalah algoritma apriori dengan menggunakan parameter
minimum support, minimum confidence, dan periode bulan transaksi penjualan
untuk menemukan aturan asosiasi. Aplikasi data mining menghasilkan aturan
asosiasi antar item, dan memberikan output berupa informasi produk yang
sering terjual.
4. Strategi Penjualan Produk PT. Mayora Menggunakan Metode Apriori dan
Implementasi Data Mining Oleh Dwi Sofyan Priambudi.
Penelitian yang di dasari oleh banyaknya persaingan didunia bisnis
menuntut para pengembang perusahaan untuk menemukan suatu strategi
yang dapat meningkatkan penjualan dan pemasaran produk yang dijual,
salah satunya adalah dengan memanfaatkan data transaksi. Permasalahan
pada penelitian ini adalah bagaimana membuat sebuah aplikasi yang dapat
membantu pengembang peruhasaan dalam menentukan strategi pemasaran
49
UIN Syarif Hidayatullah Jakarta
dengan memanfaatkan data transaksi. Metode yang digunakan dalam hal ini
adalah metode apriori (asosiasi data mining) yang bias diterapkan dalam
bidang promosi dan penentuan strategi pemasaran. Kesimpulan pada
penelitian ini 1. algoritma apriori dapat diterapkan untuk mengetahui
produk makanan dan minuman pada perusahaan mayora yang paling
banyak terjual. 2. algoritma apriori dapat membantu sales dalam
menentukan barang apa saja yang akan dibawa oleh sales. 3. algoritma
apriori dapat membantu megembangkan strategi pemasaran PT. Mayora.
5. Penerapan Algoritma Apriori Untuk Transaksi Penjualan Obat Pada Apotek
Azka. Oleh Winda Aprianti, Jaka Permadi, dan Oktaviani.
Penelitian ini didasari oleh banyaknya transaksi penjualan sehari-hari
menimbulkan penumpukan data, karena banyaknya transaksi penjualan yang
terjadi setiap harinya. Upaya peningkatkan penjualan sebuah apotek dapat
dilakukan dengan cara mengolah data transaksi yang menumpuk menjadi
sebuah informasi yang berguna. Informasi yang berguna dapat dimanfaatkan
untuk membuat sebuah kebijakan bisnis, yaitu dengan menerapkan informasi
tesebut menjadi sebuah strategi bisnis. Analisis transaksi penjualan bertujuan
untuk merancang strategi penjualan atau pemasaran yang efektif dengan
memanfaatkan data transaksi penjualan yang telah tersedia di Apotek. Selain
itu penggunaan Teknik analisis ini juga dapat menemukan pola berupa produk-
produk yang sering dibeli bersamaan dalam sebuah transaksi. Pengolahan data
untuk memperoleh informasi mengenai pola-pola dapat dilakukan dengan data
mining, yaitu Association Rules. Algoritma Apriori yang merupakan salat satu
metode Association Rules cocok untuk diterapkan bila terdapat beberapa
hubungan item yang ingin dianalisis (Tampubolon, 2013). Penerapan algoritma
apriori untuk menghasilkan informasi yang berguna telah dilakukan oleh
beberapa peneliti, diantaranya adalah Tampubolon dkk (2013), Budiono dkk
(2014), Fajri (2016).
Berdasarkan hasil penelitian sebelumnya menunjukkan bahwa algoritma
Apriori mampu menggali informasi pada data dan dapat menampilkan
hubungan antar atributnya. Oleh karena itu, penelitian ini akan menerapkan
Algoritma Apriori pada bidang kesehatan dan penentuan pola pembelian obat.
50
UIN Syarif Hidayatullah Jakarta
Pengolahan data mining untuk mengetahui obat apa saja yang dibeli oleh para
konsumen, dapat dilakukan dengan teknik analisis dari kebiasaan membeli
komsumen.
6. Data Mining Pengembangan Aplikasi Data Mining Dengan Aalgoritma
C4.5 Dan Apriori Di Fakultas Teknologi Informatika Universitas Respati
Oleh Yasmiati, Wahyudi, Andi Susilo.
Penelitian ini didasari akan Setiap perguruan tinggi pada umumnya
memiliki data-data akademik seperti data mahasiswa, data nilai mahasiswa,
data jadwal kuliah, data dosen, data evaluasi dosen, dan data realisasi
perkuliahan. Pada Universitas Respati Indonesia (URINDO), data masih
diinput dan dihitung secara manual pada dokumen cetak. Dari dokumen
cetak, kemudian akan diinput ke dalam basis data oleh staf di fakultas.
Jumlah data mahasiswa baru dari tahun ke tahun memiliki kecenderungan
meningkat. Data evaluasi dosen masih berbentuk dokumen cetak dan
diinput ke dalam berkasberkas lembar sebar (spreadsheet). Data nilai
mahasiswa dan data hasil evaluasi belum pernah dianalisis lebih mendalam,
biasanya hanya dibuatkan grafik yang menunjukkan tren atau
kecenderungan Indeks Prestasi Kumulatif dari mahasiswa atau dari dosen.
Berdasarkan latar belakang tersebut, maka penelitian ini akan meneliti
bagaimana hubungan data nilai mahasiswa dengan data hasil evaluasi dosen
yang telah dilakukan oleh mahasiswa dengan menggunakan teknik-teknik
penambangan data yaitu algoritma Apriori dan C4.5 pada URINDO.
7. Implementasi Data Mining Menggunakan Algoritma Apriori Oleh
Ristianingruum dan Sulastri.
Bengkel Ahass Akmal Jaya Motor Purwodadi adalah salah satu
bengkel resmi honda yang berada di kecamatan Danyang Kabupaten
Purwodadi. Pemilik Ahass Akmal Jaya Motor terkadang mengalami
kesulitan untuk mengetahui seberapa banyak suku cadang dan jasa yang
telah terjadi dalam satu transaksi, sehingga pemilik masih manual/spekulasi
dalam pembelanjaan suku cadang. Implementasi Data Mining pada AHASS
Akmal Jaya ini bisa menghasilkan rules/aturan asosiatif yang bisa dilihat
51
UIN Syarif Hidayatullah Jakarta
dan dianalisis hasilnya, sehingga pemilik bisa melihat seberapa tinggi
frekuensi suku cadang dan jasa apa saja yang sering terjadi. Maka dari itu,
dilakukan analisis dan pengujian, diharapkan bisa memberikan informasi
mengenai pola transaksi dan mengetahui jasa dan suku cadang apa yang
sering muncul dari AHASS Akmal Jaya Motor. Sehingga bisa membantu
pemilik dalam mengambil keputusan untuk melakukan pembelian suku
cadang apa saja yang perlu dibeli.
8. Analisis Asosiasi pada Transaksi Obat Menggunakan Data Mining dengan
Algoritma Apriori Oleh Despitaria, Herry Sujaini, dan Tursina.
Penelitian ini dilakukan dengan melakukan analisis asosiasi pada
data transaksi obat menggunakan Algoritma Apriori. Analisis dilakukan
dengan membandingkan hasil analisis asosiasi dengan Algoritma Apriori
dan analisis tanpa menggunakan metode. Hasil analisis ini dilakukan
pengujian dari data mining yaitu lift. Analisis asosiasi dengan 2-itemset
menggunakan Algoritma Apriori terhadap 700 data (209 transaksi
penjualan) menghasilkan 6 kaidah/aturan dengan 2 aturan yang
menghasilkan nilai lift 2.09 dan 1.3 dengan waktu 12 detik. Analisis asosiasi
dengan 3-itemset menggunakan Algoritma Apriori terhadap 200 data (62
transaksi penjualan) menghasilkan 33 kaidah/aturan dengan nilai lift kurang
dari 1 dengan waktu 23 detik. Sehingga dapat disimpulkan bahwa
Algoritma Apriori dapat digunakan untuk menganalisis kebiasaan belanja
konsumen untuk menghasilkan kaidah/aturan yang berisi kombinasi antar
obat.
Tabel 2. 1 Studi Literatur Sejenis.
No Nama Penulis Judul Perbedaan
Literatur Sejenis Penulis
1. Dr. Lana
Sularto, SE,
MMSI, Dr.
Wardoyo, SE,
Pengembangan
Perangkat Lunak
Point of Sales
(POS) dan
Aplikas akutansi yang
di pakai spss.
Penelitian ini
berupaya untuk
Aplikasi yang
dihasilkan berbasis
desktop.
52
UIN Syarif Hidayatullah Jakarta
MM, Tristyanti
Yusnitasari,
SKom. 2015.
Universitas
Gunadarma.
Akuntansi untuk
UMKM Rumah
Makan.
mengetahui sistem dan
prosedur pencatatan
keuangan mulai dari
pencatatan, penyajian
laporan keuangan, dan
penilaian kesehatan
usaha.
Aplikasi yang di
pakai adalah
restoPOS
sambaPOS v4.
Pengguna
mendapatkan
laporan semaksimal
mungkin, karena
adanya custom
report.
2 Hendy Thomas
Herman, Silvia
Rostianingsih,
Alexander
Setiawan.
2017.
Universitas
Kristen Petra.
Pembuatan
Aplikasi Point of
Sales untuk
Rumah Makan
Dapur Rinjani.
Aplikasi pemesanan
berbasis web yang
dapat diakses melalui
mobile device yang
berada pada jaringan
lokal.
Pembuatan aplikasi ini
menggunakan
framework PHP
Laravel, Javascript,
HTML sebagai bahasa
pemrograman pada
web pemesanan
restoran, dan mySQL
sebagai databasenya.
Aplikasi berbasis
desktop.
Pembuatan aplikasi
ini menggunakan
Microsoft .NET
framework Bahasa
C++, dan
SQLServer sebagai
databasenya.
3 Dr. Suryo
Widodo, M.Pd
dan Ardi
Sanjaya,
M.Kom. 2017.
Implementasi
Data Mining Pada
transaksi
Penjualan Bibit
Buah Dengan
Bahasa
pemrograman
PHP dan basis
data MySQL.
Menggunakan
report sambaPOS
basis data SQL
Management
Studio.
53
UIN Syarif Hidayatullah Jakarta
Universitas
Nusantara
PGRI Kediri.
Algoritma
Apriori.
Rancangan
sistem data
mining pada
transaksi
penjualan bibit
buah
menggunakan
algoritma
apriori di UD
Buah Asri.
Data mining
menggunakan
report sambaPOS
pada transaksi
penjualan di PT.
Planetmas Adidaya
Boga.
4
Dwi Sofyan
Priambudi.
2017
Strategi
Penjualan
Produk PT.
Mayora
Menggunakan
Metode Apriori
dan
Implementasi
Data Mining.
Penelitian ini untuk
membantu
mengetahui produk
makanan dan
minuman yang paling
laku di satu
kecamatan sehingga
dapat membantu
pengembang
perusahaan untuk
menentukan strategi
penjualan produk
makanan dan
minuman yang tidak
begitu laku di
kecamatan tersebut.
Data transaksi
yang digunakan
adalah data yang di
peroleh dari
Penelitian ini untuk
membantu pihak
menejemen untuk
mengetahui pola
pemesanan
customer secara
bersamaan, untuk
memprediksi menu
paket berdasarkan
menu yang di pesan
di restoran cabang
fishstreat depok.
Data transaksi yang
digunakan diperoleh
dari penjualan satu
cabang depok.
Metode apriori
menggunakan
kombinasi 3 itemset.
54
UIN Syarif Hidayatullah Jakarta
penjualan sales di satu
kecamatan.
Metode Apriori
untuk mencari nilai
support tiap
itemset dan support
itemset yang
memenuhi minimum
support akan
hitung menggunakan
perhitungan
kombinasi 2 itemset.
5 Winda
Aprianti, Jaka
Permadi, dan
Oktaviani.
2017.
Politeknik
Negeri Tanah
Laut.
Penerapan
Algoritma
Apriori Untuk
Transaksi
Penjualan Obat
Pada Apotek
Azka.
Algoritma Apriori
pada bidang
kesehatan dan
penentuan pola
pembelian obat.
Aplikasi Penerapan
Algoritma Apriori
untuk Transaksi
Penjualan Obat Pada
Apotek Azka
dibangun
menggunakan bahasa
pemrograman Visual
Basic dan database
MySQL.
Algoritma Apriori
pada bidang
restoran.
Penerapan
algoritma apriori
untuk transaksi
penjualan restoran
dengan
menggunakan
report sambaPOS.
Memperoleh
pengetahuan
berupa pola
transaksi di 3
waktu, jam
55
UIN Syarif Hidayatullah Jakarta
Memperoleh
pengetahuan berupa
pola-pola transaksi
penjualan obat dalam
periode bulan
tertentu.
operational pagi,
siang, dan malam.
6 Yasmiati,
Wahyudi, Andi
Susilo. 2016.
Universitas
Respati
Indonesia.
Pengembangan
Aplikasi Data
Mining Dengan
Aalgoritma C4.5
Dan
Apriori Di
Fakultas
Teknologi
Informatika
Universitas
Respati
Indonesia.
Pengembangan
Aplikasi Data
mining.
Algoritma
menggunakan 2,
yaitu C4.5 dan
Apriori.
Studi Kasus
Fakultas
Teknologi
Universitas
Respati
Indonesia.
Penerapan
data mining
pada report
sambaPOS.
Algoritma
yang
digunakan 1
yaitu Apriori.
Studi Kasus
PT.
Planetmas
Adidaya
Boga.
7 Ristianingruum
dan Sulastri.
2017.
Universitas
Stikubank.
Implementasi
Data Mining
Menggunakan
Algoritma
Apriori.
Bahasa
computer yang
digunakan
adalah bahasa
R.
Analisis dan
pengujian,
memberikan
informasi
mengenai pola
Analisis dan
pengujian,
memberikan
informasi
mengenai
pola
transaksi dan
mengetahui
makanan dan
minuman apa
yang sering
56
UIN Syarif Hidayatullah Jakarta
transaksi dan
mengetahui jasa
dan suku
cadang apa
yang sering
muncul dari
AHASS Akmal
Jaya Motor.
Sehingga bisa
membantu
pemilik dalam
mengambil
keputusan untuk
melakukan
pembelian suku
cadang apa
saja yang perlu
dibeli.
muncul dari
restoran
fishstreat
Dapat
membantu
manajer
dalam
mengambil
keputusan
untuk
menentukan
menu paket.
8 Despitaria,
Herry Sujaini,
dan Tursina.
2016.
Universitas
Tanjungpura.
Analisis
Asosiasi pada
Transaksi Obat
Menggunakan
Data Mining
dengan
Algoritma
Apriori.
Analisis
asosiasi dengan
2-itemset
menggunakan
Algoritma
Apriori.
Analisis
asosiasi dengan
3-itemset
menggunakan
Algoritma
Apriori
Analisis
asosiasi
dengan 3-
itemset
menggunakan
Algoritma
Apriori.
57
UIN Syarif Hidayatullah Jakarta
terhadap 200
data (62
transaksi
penjualan)
menghasilkan
33
kaidah/aturan
dengan nilai lift
kurang dari 1
dengan waktu
23 detik.
Berdasarkan studi literatur di atas, pada penelitian ini penulis berfokus pada
prediksi pemesanan menu pada report point of sales (sambaPOS) menggunakan
metode aturan asosiasi di PT. Planetmas Adidaya Boga.
58
58 UIN Syarif Hidayatullah Jakarta
BAB III
METODOLOGI PENELITIAN
3.1 Metode Pengumpulan Data
3.1.1 Studi Lapangan
Ada 2 cara yang dilakukan dalam studi lapangan pada penelitian ini
yaitu wawancara, dan observasi.
a. Wawancara
Wawancara dilakukan untuk memperoleh informasi dan pendapat
tentang kondisi management data transaksi yang ada di ruah makan
fishstreat. Berikut adalah pemilik rumah makan fshstreat yang berhasil
diwawancarai :
1. Muhammad Ikra, S.E, M.M (Direktur Utama PT. Planetmas
Adidaya Boga)
Hasil dan teks wawancara terlampir pada bagian Lampiran 1.
b. Observasi
Observasi dilakukan dengan cara pengamatan langsung dan
mengidentifikasi permasalahan yang ada PT. Planetmas Adidaya Boga
cabang depok.
3.1.2 Studi Pustaka
Untuk mendapatkan referensi-referensi yang relevan dengan objek
yang diteliti, penulis melakukan pencarian melalui perpustakaan, toko
buku, maupun e-book yang tersedia secara online. Informasi-informasi
yang didapatkan akan digunakan sebagai penyusunan landasan teori
serta prediksi pemesanan menu dengan metode asosiasi. Referensi-
referensi yang digunakan oleh penulis dapat dilihat di Daftar Pustaka.
3.2 Analisis Masalah
SambaPOS merupakan aplikasi point of sales restopos yang mampu
mencatat semua transaksi restoran. Dalam fungsi utamanya yaitu mencatat
data transaksi penjualan berupa menu makanan dan minuman yang terjual
dari restaurant fishstreat. Pencatatan data transaksi yang belum
59
59 UIN Syarif Hidayatullah Jakarta
dimaksimalkan dari beberapa menu makanan dan minuman dengan
mengetahui pola pemesanan customer sehingga dapat membantu
manajemen restoran untuk menentukan menu paket. Analisis masalah
bertujuan untuk mengidentifikasi kebutuhan perhitungan yang diperlukan
sebagai tahapan dasar analisis perhitungan yang dibangun. Algoritma
apriori merupakan algoritma pertama dan sering digunakan untuk
menemukan aturan asosiasi di dalam aplikasi data mining dengan teknik
aturan asosiasi. Tujuan dari algoritma apriori adalah untuk menemukan
aturan (rule) yang memenuhi minimum support yang telah ditetapkan
sebelumnya dan memenuhi nilai confidence yang disyaratkan (Witten dan
Frank, 2005).
3.3 Gambaran Umum Perhitungan
Perhitungan yang dibangun menggunakan hasil report point of sales
sambapos v 4. Kemudian data berupa .csv akan diolah melalui perhitungan
manual Microsoft Excel untuk memprediksi menu makanan yang di pesan
pada industri restoran dengan menggunakan algoritma apriori. Analisis
perhitungan ini membutuhkan 3 input, yaitu data transaksi penjualan, nilai
minimal support dan nilai minimal confidence. Kemudian analisis
perhitungan akan memproses dengan algoritma apriori untuk menghasilkan
aturan asosiasi. Aturan asosiasi yang terbentuk akan diseleksi berdasarkan
nilai minimal support dan confidence. Aturan asosiasi yang memenuhi
syarat minimal support dan confidence akan ditampilkan dan aturan asosiasi
inilah yang akan dibuat menu paket.
Sumber data pada perhitungan kali ini diambil dari data transaksi
tanggal 1 bulan April 2018 seperti nama makanan, jenis minuman, yang
terdapat dalam transaksi pelanggan. Data hanya diambil dari transaksi menu
regular yang disediakan oleh pihak restoran Fishstreat.
3.4 Blok Diagram
Secara keseluruhan proses ini dapat dilihat pada blok diagram
merupakan langkah perhitungan manual dengan algoritma apriori dapat
60
60 UIN Syarif Hidayatullah Jakarta
dilihat pada gambar 3.1. dimana untuk selanjutnya akan diterapkan pada
penerapan perhitungan algoritma apriori.
Gambar 3.1 Blok Diagram
Proses
Penemuan
Knowledge
(Gambar 2.10)
Mulai
Preproses
(Tabel 4.1)
Penyaringan
Kata (Tabel 4.4)
Membuat Representasi Biner
(Tabel 4.6)
Menentukan nilai minimum
dan menghitung kandidat 2
itemset (Tabel 4.9)
Menghitung kandidat 1
itemset
(Tabel 4.7)
Pola Asosiasi (Tabel 4.11)
Menghitung kandidat 3 itemset,
menentukan nilai minimum
confidence (Tabel 4.10,) Selesai
61
UIN Syarif Hidayatullah Jakarta
3.5 Penerapan Algoritma Apriori
Berikut merupakan penerapan algoritma apriori untuk pencarian Association
Rules dengan 184 data dimana hanya 35 data transaksi berdasarkan record selama
180 menit. Pada waktu operational pukul 10.00 WIB sampai dengan pukul 13.00
WIB. Dengan ketentuan nilai untuk nilai minimum support ≥16% dan nilai
minimum confidence adalah ≥40%.
3.5.1 Preproses
Pada tahap ini merupakan tahap awal dengan menyiapkan sumber
data pada penelitian kali ini diambil dari data transaksi tanggal 1 april 2018
seperti nama makanan, jenis minuman, yang terdapat dalam transaksi
pelanggan. Data hanya diambil dari transaksi menu regular yang disediakan
oleh pihak restoran Fishstreat.
Data awal yang akan diproses melalui csv builder pada menu
sambapos, antarmuka report sambapos V4 bisa di lihat di Lampiran 3. Yang
kemudian di convert menjadi file data bertipe (*.csv). Data yang telah
diubah menjadi format csv dapat dilihat pada lampiran 2.
Gambar 3.2 Data Awal Setelah Di Convert.
Kemudian dari data yang sudah di convert menjadi (.csv) tersebut
hanya diambil source time, order number, name, dan portion seperti pada
gambar 3.3.
62
UIN Syarif Hidayatullah Jakarta
Gambar 3.3 Seleksi Data
3.5.2 Penyaringan Kata
Pada tahap ini yaitu dilanjutkan dengan membuat kamus kata, kamus
kata disini yaitu berfungsi untuk menyaring kata. Kamus penyaring kata
menggunakan database kata yang sudah dibuat dan disimpan ke dalam tabel
seperti pada tabel 3.3. Menggunakan 11 menu makanan dan 8 menu minuman.
Agar memudahkan untuk tahapan perhitungan metode asosiasi.
FOOD
FC FISH AND CHIPS
FR FISH n RICE
FPC FISH N PASTA CREAMY SAUCE
FPCM FISH N PASTA CHEESE MELT
SAUCE
63
UIN Syarif Hidayatullah Jakarta
FPM FISH N PASTA MARINARA
FF FRENCH FRIES
CCF CHIKEN CREAMY FETTUCINE
MC MAC n CHEESE
SPS SEAFOOD PLATTER SMALL
SPB SEAFOOD PLATTER BIG
RC RICE CURRY
BEVERAGES
T ICE TEA
LT LEMON TEA
LCT LYCHEE TEA
GT GREEN TEA
O ORANGE
SJ SOURSOP JUICE
BCT BLACK CURRANT TEA
MW MINERAL WATER Tabel 3.1 Contoh Penyaringan Kata.
Dari data kamus penyaring kata yang sudah dibuat, kemudian
dicocokan satu persatu dengan data transaksi yang diinputkan. Dapat dilihat
tahapan penggunaan penyaring kata. Pada Tabel 4.4.
3.5.3 Membuat Representasi Biner
Tahap ini yaitu membuat tabel untuk melakukan perhitungan jumlah
pemesanan menu pada masing-masing transaksi dengan memisahkan masing-
masing transaksi perlanggan dimana setiap menu dipisahkan dengan kolom dan
menghitung jumlah menu pada setiap transaksi, apabila pada setiap pemesanan
terdapat 1 menu yang di masukkan maka dihitung 1 dan jika pada setiap
pemesanan tidak ada menu yang dimasukkan maka dihitung 0. Perhitungan
seperti pada tabel 4.6.
3.5.4 Menghitung Kandidat Itemset 1
Kemudian dari perhitungan yang diperoleh pada tahap representasi
biner selanjutnya dilakukan tahap untuk menghitung kandidat 1 itemset
Menentukan nilai minimum support (𝜙). Ditetapkan bahwa nilai minimum
support (𝜙) = 3, maka semua itemset yang frekuensi kemunculannya sama
dengan atau lebih dari 3 disebut frequent. Dilihat dari tabel 4.7, dari jumlah
perhitungan kandidat 1 itemset yang didapat tidak semua dapat memenuhi
64
UIN Syarif Hidayatullah Jakarta
karena jumlah semua itemset frekuensi kemunculannya atau jumlah
kemunculannya tidak semua lebih dari 3.
3.5.5 Menghitung Kandidat Itemset 2
Kemudian dilanjutkan dengan perhitungan kandidat 2 itemset. Pada
tahap ini pada setiap menu dan frekuensi masing-masing kombinasi
dihitung sesuai dengan data pada tabel. Perhitungan masih sama dengan
kandidat 1 itemset yaitu dari kombinasi 2 itemset menu dihitung jumlahnya
sesuai dengan data pada Tabel 4.9.
3.5.6 Menghitung Kandidat Itemset 3
Perhitungan masih sama dengan kandidat 1 itemset dan 2 itemset yaitu
dari kombinasi 3 itemset menu dihitung jumlahnya sesuai dengan kemunculan
menu pada Tabel 4.10.
3.5.7 Pola Asosiasi
Dari perhitungan dapat menemukan pola asosiasi, dapat dilihat pada
tabel 4.11.
65
UIN Syarif Hidayatullah Jakarta
BAB IV
IMPLEMENTASI PERHITUNGAN
4.1 Implementasi Perhitungan
Di dalam setelah melakukan tahap analisis dan perancangan perhitungan,
maka tahap selanjutnya adalah mengimplementasikan hasil perancangan
tersebut ke dalam sebuah perhitungan manual untuk menentukan pola asosiasi
antar menu makanan yang dipesan. Perhitungan manual dapat menghitung data
transaksi barang dari file report sambapos berbentuk (.csv) yang selanjutnya
diolah ke dalam perhitungan yang dapat melakukan proses data mining dari data
pemesanan dengan menentukan nilai min support, min confidence, jumlah pola
dan pilihan sorting yang akan ditampilkan dimana terdapat dua pilihan yaitu
berdasarkan nilai support dan confidence namun sebelumnya data yang
berbentuk teks diubah terlebih dahulu ke dalam data biner setelah itu data baru
akan diproses. Kemudian akan terbentuk hasil pola pemesanan menu yang
dipesan yang tersimpan juga dalam bentuk file data berupa teks.
4.2.1 Preproses
Pada implementasi data penjualan mengguanakan report “sambaPOS
v4”denganmenggunakandata transaksi pemesanan selama 1 hari yang telah
diproses secara manual untuk memperoleh prediksi pemesanan menu yang di
pesan secara bersamaan yang dapat dilihat pada lampiran 2. Pada tahap ini
merupakan tahap awal dengan menyiapkan data transaksi, dimana data
transaksi awal yang dimaksud yaitu date time, date, time, ticket number,
username, order number, calculateprice yang diinputkan ke dalam point of
sales sambapos v4.
Data awal yang akan diproses yaitu file report sambaPOS yang
kemudian di convert menggunakan cvs builder menjadi file data bertipe (*.csv).
Data yang telah diubah menjadi format csv dapat dilihat pada Tabel 4.1.
66
UIN Syarif Hidayatullah Jakarta
Tabel 4.1 Data Awal Setelah di Convert.
Kemudian dari data yang sudah di convert menjadi .csv tersebut
hanya diambil source time, order number, name, dan portion seperti pada
Tabel 4.2.
Time OrderNumber Name Portion Portion
10:10 AM 23920 FISH N'CHIPS Normal Normal
10:10 AM 23920 FISH n RICE Normal Normal
10:10 AM 23920 ICE TEA Normal Normal
10:23 AM 23921 FISH n RICE GrabFood GrabFood
10:24 AM 23922 FISH N'CHIPS Normal Normal
10:24 AM 23922 FISH n RICE Normal Normal
10:24 AM 23922 MAC n CHEESE Normal Normal
10:25 AM 23922 ICE TEA Normal Normal
10:25 AM 23922 PLAIN ICE TEA Normal Normal
67
UIN Syarif Hidayatullah Jakarta
10:43 AM 23928 FISH n RICE Takeaway Takeaway
10:30 AM 23923 FISH N'CHIPS Normal Normal
10:30 AM 23923 FISH N PASTA CREAMY SAUCE Normal Normal
10:30 AM 23923 MINERAL WATER Normal Normal
10:30 AM 23923 PLAIN ICE TEA Normal Normal
10:30 AM 23923 LEMON TEA Normal Normal
10:31 AM 23923 LYCHEE TEA Normal Normal
10:31 AM 23924 FISH N'CHIPS Normal Normal
10:31 AM 23924 FISH n RICE Normal Normal
10:31 AM 23924 FISH N PASTA MARINARA SAUCE Normal Normal
10:31 AM 23924 MINERAL WATER Normal Normal
10:31 AM 23924 GREEN TEA Normal Normal
10:31 AM 23924 LYCHEE TEA Normal Normal
10:32 AM 23925 FISH N'CHIPS GoFood GoFood
10:39 AM 23926 FISH N PASTA MARINARA SAUCE GoFood GoFood
10:39 AM 23926 FISH N PASTA CREAMY SAUCE GoFood GoFood
10:39 AM 23926 FISH N'CHIPS GoFood GoFood
10:41 AM 23927 FISH N'CHIPS GoFood GoFood
10:41 AM 23927 FISH N PASTA CHEESE MELT SAUCE GoFood GoFood
10:49 AM 23929 FISH N PASTA MARINARA SAUCE GoFood GoFood
10:49 AM 23929 FISH N PASTA CREAMY SAUCE GoFood GoFood
10:49 AM 23929 FISH N'CHIPS GoFood GoFood
10:52 AM 23930 FISH N'CHIPS Normal Normal
10:52 AM 23930 FISH N PASTA MARINARA SAUCE Normal Normal
10:52 AM 23930 CHIKEN CREAMY FETTUCINE Normal Normal
10:52 AM 23930 ICE TEA Normal Normal
10:52 AM 23930 LEMON TEA Normal Normal
10:56 AM 23931 LEMON TEA Normal Normal
10:57 AM 23931 FISH n RICE Normal Normal
11:02 AM 23932 MINERAL WATER Normal Normal
11:03 AM 23933 FISH N'CHIPS GoFood GoFood
11:05 AM 23934 FISH N'CHIPS GrabFood GrabFood
11:06 AM 23935 FISH N PASTA CHEESE MELT SAUCE Normal Normal
11:06 AM 23935 MAC n CHEESE Normal Normal
11:06 AM 23935 MINERAL WATER Normal Normal
11:06 AM 23935 LYCHEE TEA Normal Normal
11:06 AM 23935 BLACK CURRANT TEA Normal Normal
11:06 AM 23936 FISH N'CHIPS Normal Normal
11:07 AM 23936 LEMON TEA Normal Normal
68
UIN Syarif Hidayatullah Jakarta
11:07 AM 23936 LYCHEE TEA Normal Normal
11:15 AM 23937 FISH FRIES GoFood GoFood
11:18 AM 23938 MAC n CHEESE GoFood GoFood
11:18 AM 23939 FISH N'CHIPS GoFood GoFood
11:26 AM 23940 FISH N'CHIPS GoFood GoFood
11:26 AM 23940 FISH n RICE GoFood GoFood
11:26 AM 23940 FISH FRIES GoFood GoFood
11:26 AM 23941 FISH N'CHIPS Normal Normal
11:26 AM 23941 FISH N PASTA CHEESE MELT SAUCE Normal Normal
11:26 AM 23941 HOT TEA Normal Normal
11:26 AM 23941 PLAIN HOT TEA Normal Normal
11:57 AM 23952 FISH N PASTA CREAMY SAUCE Takeaway
11:30 AM 23942 CHIKEN CREAMY FETTUCINE Takeaway
11:30 AM 23942 MINERAL WATER Normal
11:34 AM 23943 FISH N PASTA MARINARA SAUCE GoFood
11:38 AM 23944 FISH n RICE GrabFood
11:30 AM 23942 FISH N PASTA CHEESE MELT SAUCE Normal
11:55 AM 23950 FISH N PASTA CREAMY SAUCE Normal
11:55 AM 23950 RICE CURRY Normal
11:55 AM 23950 MINERAL WATER Normal
11:55 AM 23950 LEMON TEA Normal
12:29 PM 23970 LEMON TEA Normal
11:51 AM 23942 FISH N PASTA CHEESE MELT SAUCE Normal
11:29 AM 23942 FISH N'CHIPS Normal
11:53 AM 23945 ICE TEA Normal
11:53 AM 23946 FISH N'CHIPS Normal
11:53 AM 23946 FISH N PASTA CHEESE MELT SAUCE Normal
11:53 AM 23946 MINERAL WATER Normal
11:54 AM 23946 PLAIN ICE TEA Normal
11:54 AM 23946 LYCHEE TEA Normal
12:21 PM 23966 Takeaway Box Normal
11:54 AM 23947 FISH N'CHIPS Normal
11:54 AM 23947 MAC n CHEESE Normal
11:54 AM 23947 ICE TEA Normal
1:17 PM 24000 Takeaway Box Normal
12:42 PM 23978 FRENCH FRIES Normal
12:42 PM 23978 ICE TEA Normal
11:54 AM 23948 FISH N'CHIPS GrabFood
11:54 AM 23948 FISH n RICE GrabFood
69
UIN Syarif Hidayatullah Jakarta
11:55 AM 23949 FISH N PASTA MARINARA SAUCE GrabFood
12:41 PM 23973 Takeaway Box Normal
11:30 AM 23942 FISH n RICE Normal
11:56 AM 23951 FISH N'CHIPS Normal
11:56 AM 23951 FISH n RICE Normal
11:56 AM 23951 FISH N PASTA MARINARA SAUCE Normal
11:57 AM 23951 ICE TEA Normal
11:57 AM 23951 GREEN TEA Normal
11:57 AM 23951 LEMON TEA Normal
12:16 PM 23964 MINERAL WATER Normal
11:57 AM 23953 FISH N'CHIPS Normal
11:57 AM 23953 FISH n RICE Normal
11:57 AM 23953 FISH N PASTA CREAMY SAUCE Normal
11:57 AM 23953 LEMON TEA Normal
11:57 AM 23953 LYCHEE TEA Normal
11:57 AM 23954 FISH N'CHIPS GrabFood
11:57 AM 23954 FISH n RICE GrabFood
11:58 AM 23955 FISH N PASTA MARINARA SAUCE GoFood
11:58 AM 23955 FISH n RICE GoFood
11:58 AM 23955 FISH N'CHIPS GoFood
12:00 PM 23956 FISH N PASTA CREAMY SAUCE GoFood
12:00 PM 23956 FISH N'CHIPS GoFood
12:02 PM 23957 FISH N'CHIPS GoFood
12:01 PM 23958 FISH N'CHIPS Normal
12:01 PM 23958 FISH N PASTA CHEESE MELT SAUCE Normal
12:01 PM 23958 GREEN TEA Normal
12:01 PM 23958 LYCHEE TEA Normal
12:03 PM 23959 FISH N'CHIPS Normal
12:03 PM 23959 FISH N PASTA CHEESE MELT SAUCE Normal
12:03 PM 23959 CHIKEN CREAMY FETTUCINE Normal
12:03 PM 23959 MAC n CHEESE Normal
12:03 PM 23959 LEMON TEA Normal
12:03 PM 23959 LYCHEE TEA Normal
12:14 PM 23963 HOT TEA Normal
12:05 PM 23960 FISH N'CHIPS GoFood
12:08 PM 23961 FISH N'CHIPS GrabFood
12:12 PM 23962 FISH N PASTA MARINARA SAUCE Normal
12:12 PM 23962 FISH N PASTA CREAMY SAUCE Normal
12:12 PM 23962 FISH N PASTA CHEESE MELT SAUCE Normal
70
UIN Syarif Hidayatullah Jakarta
12:12 PM 23962 LEMON TEA Normal
12:12 PM 23962 LYCHEE TEA Normal
12:18 PM 23965 FISH N PASTA CHEESE MELT SAUCE Normal
12:18 PM 23965 CHIKEN CREAMY FETTUCINE Normal
12:18 PM 23965 MINERAL WATER Normal
12:18 PM 23965 ICE TEA Normal
12:23 PM 23967 FISH N'CHIPS Normal
12:23 PM 23967 FISH N PASTA CREAMY SAUCE Normal
12:23 PM 23967 FISH N PASTA CHEESE MELT SAUCE Normal
12:23 PM 23967 RICE CURRY Normal
12:23 PM 23967 ICE TEA Normal
12:52 PM 23986 MINERAL WATER Normal
12:28 PM 23968 FISH N'CHIPS Normal
12:28 PM 23968 FISH N PASTA CHEESE MELT SAUCE Normal
12:28 PM 23968 MAC n CHEESE Normal
12:28 PM 23968 LYCHEE TEA Normal
12:28 PM 23968 ORANGE Normal
12:28 PM 23968 SOURSOP JUICE Normal
12:29 PM 23969 FISH N'CHIPS Normal
12:29 PM 23969 FISH N PASTA CREAMY SAUCE Normal
12:29 PM 23969 ICE TEA Normal
12:29 PM 23969 BLACK CURRANT TEA Normal
12:31 PM 23971 FISH N PASTA CREAMY SAUCE GoFood
12:37 PM 23972 FISH N'CHIPS Normal
12:37 PM 23972 FISH n RICE Normal
12:37 PM 23972 FISH N PASTA CHEESE MELT SAUCE Normal
12:37 PM 23972 FISH N PASTA MARINARA SAUCE Normal
12:37 PM 23972 HOT TEA Normal
12:37 PM 23972 PLAIN HOT TEA Normal
12:37 PM 23972 BLACK CURRANT TEA Normal
12:41 PM 23974 FISH N'CHIPS GoFood
12:41 PM 23974 FISH N PASTA CREAMY SAUCE GoFood
12:41 PM 23975 FISH N'CHIPS Normal
12:41 PM 23975 FISH n RICE Normal
12:41 PM 23975 FISH N PASTA MARINARA SAUCE Normal
12:41 PM 23975 MINERAL WATER Normal
12:41 PM 23975 ICE TEA Normal
12:41 PM 23976 MINERAL WATER Normal
12:42 PM 23977 FISH N PASTA CREAMY SAUCE GoFood
71
UIN Syarif Hidayatullah Jakarta
12:43 PM 23979 FISH N'CHIPS GoFood
12:43 PM 23979 FRENCH FRIES GoFood
1:55 PM 24029 FISH N'CHIPS Normal
1:55 PM 24029 CHIKEN CREAMY FETTUCINE Normal
1:55 PM 24029 MINERAL WATER Normal
1:55 PM 24029 HOT TEA Normal
1:56 PM 24029 LYCHEE TEA Normal
1:56 PM 24029 SOURSOP JUICE Normal
12:44 PM 23980 FISH N PASTA CREAMY SAUCE Normal
12:44 PM 23980 PLAIN ICE TEA Normal
12:46 PM 23981 FISH N'CHIPS Normal
12:46 PM 23981 FISH N PASTA CHEESE MELT SAUCE Normal
12:46 PM 23981 ICE TEA Normal
12:46 PM 23981 BLACK CURRANT TEA Normal
1:46 PM 24025 FISH N PASTA MARINARA SAUCE Normal
1:46 PM 24025 FISH N PASTA CREAMY SAUCE Normal
1:46 PM 24025 ICE TEA Normal
1:38 PM 24020 LYCHEE TEA Normal
1:24 PM 24009 PLAIN ICE TEA Normal
12:46 PM 23982 LEMON TEA Normal
1:02 PM 23992 FISH N'CHIPS Normal
1:02 PM 23992 FISH N PASTA MARINARA SAUCE Normal
1:02 PM 23992 MAC n CHEESE Normal
1:02 PM 23992 FRENCH FRIES Normal
1:02 PM 23992 LEMON TEA Normal
12:47 PM 23983 FISH N'CHIPS Normal
12:47 PM 23983 FISH N PASTA CREAMY SAUCE Normal
12:47 PM 23983 ICE TEA Normal
12:47 PM 23983 GREEN TEA Normal
1:24 PM 24010 Takeaway Box Normal
12:49 PM 23984 FISH n RICE GoFood
12:49 PM 23984 FISH FRIES GoFood
12:50 PM 23985 FISH n RICE GoFood
12:50 PM 23985 FISH N PASTA CREAMY SAUCE GoFood
12:55 PM 23987 FISH N'CHIPS GrabFood
12:57 PM 23988 FISH N'CHIPS Takeaway
12:58 PM 23988 CHIKEN CREAMY FETTUCINE Takeaway
12:58 PM 23988 BLACK CURRANT TEA Normal
Tabel 4.2 Seleksi Data
72
UIN Syarif Hidayatullah Jakarta
Seleksi data yang digunakan, melalui data record selama 180 menit,
terdapat 135 data yang kemudian terdapat 35 transaksi. Dimana dilihat pada
portion terdapat kata normal, atau dengan kata lain customer yang
melakukan pemesanan dine in, dilihat dapat memesan menu makanan dan
minuman. Tidak termasuk gofood, dan takeaway, karena tidak bisa memilih
menu minuman. Agar penelitian mengetahui pola pemesana makanan dan
minuman secara bersamaan oleh customer untuk mengetahui prediksi
pemesanan menu yang di pesan. Maka hanya diambil source portion
“Normal”.
No Time OrderNumber Name Portion Transaksi
1
10:10
AM 23920 FISH N'CHIPS Normal
1 2
10:10
AM 23920 FISH n RICE Normal
3
10:10
AM 23920 ICE TEA Normal
4
10:24
AM 23922 FISH N'CHIPS Normal
2
5
10:24
AM 23922 FISH n RICE Normal
6
10:24
AM 23922 MAC n CHEESE Normal
7
10:25
AM 23922 ICE TEA Normal
8
10:25
AM 23922 PLAIN ICE TEA Normal
9
10:30
AM 23923 FISH N'CHIPS Normal
3
10
10:30
AM 23923 FISH N PASTA CREAMY SAUCE Normal
11
10:30
AM 23923 MINERAL WATER Normal
12
10:30
AM 23923 PLAIN ICE TEA Normal
13
10:30
AM 23923 LEMON TEA Normal
14
10:31
AM 23923 LYCHEE TEA Normal
15
10:31
AM 23924 FISH N'CHIPS Normal
4 16
10:31
AM 23924 FISH n RICE Normal
17
10:31
AM 23924
FISH N PASTA MARINARA
SAUCE Normal
73
UIN Syarif Hidayatullah Jakarta
18
10:31
AM 23924 MINERAL WATER Normal
19
10:31
AM 23924 GREEN TEA Normal
20
10:31
AM 23924 LYCHEE TEA Normal
21
10:52
AM 23930 FISH N'CHIPS Normal
5
22
10:52
AM 23930
FISH N PASTA MARINARA
SAUCE Normal
23
10:52
AM 23930 CHIKEN CREAMY FETTUCINE Normal
24
10:52
AM 23930 ICE TEA Normal
25
10:52
AM 23930 LEMON TEA Normal
26
10:56
AM 23931 LEMON TEA Normal 6
27
10:57
AM 23931 FISH n RICE Normal
28
11:02
AM 23932 MINERAL WATER Normal 7
29
11:06
AM 23935
FISH N PASTA CHEESE MELT
SAUCE Normal
8
30
11:06
AM 23935 MAC n CHEESE Normal
31
11:06
AM 23935 MINERAL WATER Normal
32
11:06
AM 23935 LYCHEE TEA Normal
33
11:06
AM 23935 BLACK CURRANT TEA Normal
34
11:06
AM 23936 FISH N'CHIPS Normal
9 35
11:07
AM 23936 LEMON TEA Normal
36
11:07
AM 23936 LYCHEE TEA Normal
37
11:26
AM 23941 FISH N'CHIPS Normal
10 38
11:26
AM 23941
FISH N PASTA CHEESE MELT
SAUCE Normal
39
11:26
AM 23941 HOT TEA Normal
40
11:26
AM 23941 PLAIN HOT TEA Normal
41
11:30
AM 23942
FISH N PASTA CHEESE MELT
SAUCE Normal
11 42
11:55
AM 23950 FISH N PASTA CREAMY SAUCE Normal
43
11:55
AM 23950 RICE CURRY Normal
74
UIN Syarif Hidayatullah Jakarta
44
11:55
AM 23950 MINERAL WATER Normal
45
11:55
AM 23950 LEMON TEA Normal
46
12:29
PM 23970 LEMON TEA Normal
12 47
11:51
AM 23942
FISH N PASTA CHEESE MELT
SAUCE Normal
48
11:29
AM 23942 FISH N'CHIPS Normal
49
11:53
AM 23945 ICE TEA Normal 13
50
11:53
AM 23946 FISH N'CHIPS Normal
14
51
11:53
AM 23946
FISH N PASTA CHEESE MELT
SAUCE Normal
52
11:53
AM 23946 MINERAL WATER Normal
53
11:54
AM 23946 PLAIN ICE TEA Normal
54
11:54
AM 23946 LYCHEE TEA Normal
55
12:21
PM 23966 Takeaway Box Normal
56
11:54
AM 23947 FISH N'CHIPS Normal
15 57
11:54
AM 23947 MAC n CHEESE Normal
58
11:54
AM 23947 ICE TEA Normal
59 1:17 PM 24000 Takeaway Box Normal
60 12:42
PM 23978 FRENCH FRIES Normal 16
61 12:42
PM 23978 ICE TEA Normal
62 11:30
AM 23942 FISH n RICE Normal 17
63 11:56
AM 23951 FISH N'CHIPS Normal
18
64 11:56
AM 23951 FISH n RICE Normal
65
11:56
AM 23951
FISH N PASTA MARINARA
SAUCE Normal
66
11:57
AM 23951 ICE TEA Normal
67
11:57
AM 23951 GREEN TEA Normal
68
11:57
AM 23951 LEMON TEA Normal
69
12:16
PM 23964 MINERAL WATER Normal 19
70
11:57
AM 23953 FISH N'CHIPS Normal 20
75
UIN Syarif Hidayatullah Jakarta
71
11:57
AM 23953 FISH n RICE Normal
72
11:57
AM 23953 FISH N PASTA CREAMY SAUCE Normal
73
11:57
AM 23953 LEMON TEA Normal
74
11:57
AM 23953 LYCHEE TEA Normal
75
12:01
PM 23958 FISH N'CHIPS Normal
21 76
12:01
PM 23958
FISH N PASTA CHEESE MELT
SAUCE Normal
77
12:01
PM 23958 GREEN TEA Normal
78
12:01
PM 23958 LYCHEE TEA Normal
79
12:03
PM 23959 FISH N'CHIPS Normal
22
80
12:03
PM 23959
FISH N PASTA CHEESE MELT
SAUCE Normal
81
12:03
PM 23959 CHIKEN CREAMY FETTUCINE Normal
82
12:03
PM 23959 MAC n CHEESE Normal
83
12:03
PM 23959 LEMON TEA Normal
84
12:03
PM 23959 LYCHEE TEA Normal
85
12:14
PM 23963 HOT TEA Normal 23
86
12:12
PM 23962
FISH N PASTA MARINARA
SAUCE Normal
24
87
12:12
PM 23962 FISH N PASTA CREAMY SAUCE Normal
88
12:12
PM 23962
FISH N PASTA CHEESE MELT
SAUCE Normal
89
12:12
PM 23962 LEMON TEA Normal
90
12:12
PM 23962 LYCHEE TEA Normal
91
12:18
PM 23965
FISH N PASTA CHEESE MELT
SAUCE Normal
25 92
12:18
PM 23965 CHIKEN CREAMY FETTUCINE Normal
93
12:18
PM 23965 MINERAL WATER Normal
94
12:18
PM 23965 ICE TEA Normal
95
12:23
PM 23967 FISH N'CHIPS Normal 26
96
12:23
PM 23967 FISH N PASTA CREAMY SAUCE Normal
76
UIN Syarif Hidayatullah Jakarta
97
12:23
PM 23967
FISH N PASTA CHEESE MELT
SAUCE Normal
98
12:23
PM 23967 RICE CURRY Normal
99
12:23
PM 23967 ICE TEA Normal
100
12:52
PM 23986 MINERAL WATER Normal 27
101
12:28
PM 23968 FISH N'CHIPS Normal
28
102
12:28
PM 23968
FISH N PASTA CHEESE MELT
SAUCE Normal
103
12:28
PM 23968 MAC n CHEESE Normal
104
12:28
PM 23968 LYCHEE TEA Normal
105
12:28
PM 23968 ORANGE Normal
106
12:28
PM 23968 SOURSOP JUICE Normal
107
12:29
PM 23969 FISH N'CHIPS Normal
29 108
12:29
PM 23969 FISH N PASTA CREAMY SAUCE Normal
109
12:29
PM 23969 ICE TEA Normal
110
12:29
PM 23969 BLACK CURRANT TEA Normal
111
12:37
PM 23972 FISH N'CHIPS Normal
30
112
12:37
PM 23972 FISH n RICE Normal
113
12:37
PM 23972
FISH N PASTA CHEESE MELT
SAUCE Normal
114
12:37
PM 23972
FISH N PASTA MARINARA
SAUCE Normal
115
12:37
PM 23972 HOT TEA Normal
116
12:37
PM 23972 PLAIN HOT TEA Normal
117
12:37
PM 23972 BLACK CURRANT TEA Normal
118
12:41
PM 23975 FISH N'CHIPS Normal
31
119
12:41
PM 23975 FISH n RICE Normal
120
12:41
PM 23975
FISH N PASTA MARINARA
SAUCE Normal
121
12:41
PM 23975 MINERAL WATER Normal
122
12:41
PM 23975 ICE TEA Normal
77
UIN Syarif Hidayatullah Jakarta
123
12:41
PM 23976 MINERAL WATER Normal 32
124 1:55 PM 24029 FISH N'CHIPS Normal
33
125 1:55 PM 24029 CHIKEN CREAMY FETTUCINE Normal
126 1:55 PM 24029 MINERAL WATER Normal
127 1:55 PM 24029 HOT TEA Normal
128 1:56 PM 24029 LYCHEE TEA Normal
129 1:56 PM 24029 SOURSOP JUICE Normal
130
12:44
PM 23980 FISH N PASTA CREAMY SAUCE Normal 34
131
12:44
PM 23980 PLAIN ICE TEA Normal
132
12:46
PM 23981 FISH N'CHIPS Normal
35 133
12:46
PM 23981
FISH N PASTA CHEESE MELT
SAUCE Normal
134
12:46
PM 23981 ICE TEA Normal
135
12:46
PM 23981 BLACK CURRANT TEA Normal
Tabel 4.3 Data Yang Akan Digunakan
Tabel 4.3 ini terdapat data record dalam waktu 180 menit dalam satu
hari dan diambil 35 transaksi, dimana pada data record terdapat berbagai jenis
pemesanan menu makanan dan minuman berdasarkan source order number .
4.2.2 Membuat Penyaringan Kata
Pada tahap ini yaitu dilanjutkan dengan membuat kamus kata, kamus
kata disini yaitu berfungsi untuk menyaring kata.
Terdapat 11 menu food dan 8 menu beverages yang disimpan atau
disingkat untuk penyaringan kata. Berikut merupakan contoh penggunaan
penyaring kata.
FOOD
FC FISH AND CHIPS
FR FISH n RICE
FPC FISH N PASTA CREAMY SAUCE
FPCM FISH N PASTA CHEESE MELT
SAUCE
FPM FISH N PASTA MARINARA
FF FRENCH FRIES
CCF CHIKEN CREAMY FETTUCINE
78
UIN Syarif Hidayatullah Jakarta
MC MAC n CHEESE
SPS SEAFOOD PLATTER SMALL
SPB SEAFOOD PLATTER BIG
RC RICE CURRY
BEVERAGES
T ICE TEA
LT LEMON TEA
LCT LYCHEE TEA
GT GREEN TEA
O ORANGE
SJ SOURSOP JUICE
BCT BLACK CURRANT TEA
MW MINERAL WATER Tabel 4.4 Penyaringan Kata
Untuk mempermudah hitungan, maka nama item kita simbolkan ke
dalam huruf abjad seperti pada Tabel 4.4.
Kamus penyaring kata menggunakan data transaksi yang sudah dibuat
dan disimpan ke dalam tabel seperti pada Tabel 4.4. Dibawah ini terdapat 35 data
transaksi yang terdapat dalam data record selama 180 menit., dimana pada setiap
data transaksi terdapat berbagai jenis menu pemesanan. Lihat tabel 4.5.
TABEL TRANSAKSI
Transaksi Item
1 FC, FR, T
2 FC, FR, MC, TEA
3 FC, FPC, MW, T, LT, LCT
4 FC, FR, FPM, MW, GT, LCT
5 FC, FPM, CCF, T, LT
6 LT, FR
7 MW
8 FCPM, MC, MW, LCT, BCT
9 FC, LT, LCT
10 FC, FPCM, TEA
11 FCPM, FCP, RC, MW, LT
12 FCPM, FC, T
13 T
14 FC, FCPM, MW, T, LCT
15 FC, MC, T
79
UIN Syarif Hidayatullah Jakarta
16 FF, T
17 FR
18 FC, FR, FPM, T, GT, LT
19 MW
20 FC, FR, FPC, LT, LCT
21 FC, FPCM, GT, LCT
22 FC, FPCM, CCF, MC, LT, LCT
23 T
24 FPM, FPC, FPCM, LT, LCT
25 FPCM, CCF, MW, T
26 FC, FPC, FPCM, RC, T
27 MW
28 FC, FCPCM, MC, LCT, O, SJ
29 FC, FPC, T, BCT
30 FC, FR, FPCM, FPM, T, BCT
31 FC, FR, FPM, MW, T
32 MW
33 CCF, MW, T, LCT, SJ
34 FPC, T
35 FC, FPCM, T, BCT Tabel 4.5 Tabel Transaksi
4.2.3 Membuat Representasi Biner
Kemudian membuat tabel untuk melakukan perhitungan jumlah
transaksi pada masing-masing menu dengan memisahkan masing-masing menu
makanan dimana setiap menu dipisahkan dengan kolom dan menghitung
jumlah pemesanan pada setiap transaksi, apabila pada setiap transaksi terdapat
1 menu yang di masukkan maka dihitung 1 dan jika pada setiap transaksi tidak
ada menu yang dimasukkan maka dihitung 0. Dapat dilihat pada Tabel 4.6.
80
UIN Syarif Hidayatullah Jakarta
Tabel 4.6 Representasi Biner.
4.2.4 Menghitung Kandidat 1 Itemset
Kemudian dari perhitungan yang diperoleh pada reprentasi biner
pada Tabel 4.6 selanjutnya dilakukan tahap seleksi untuk menghitung
kandidat 1 itemset. Dapat dilihat pada Tabel 4.7.
1- itemset
Pattern Support Support%
FC 21 60.00
FR 11 31.43
FPC 9 25.71
FPCM 12 34.29
FPM 10 28.57
FF 2 5.71
CCF 3 8.57
FC FR FPC FPCM FPM FF CCF MC SPS SPB RC T LT LCT GT O SJ BCT MW
1 1 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
2 1 0 1 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0
3 1 0 1 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 1
4 1 1 0 0 1 0 0 0 0 0 0 0 0 1 1 0 0 0 1
5 1 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0
7 1 1 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
8 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 1 1
9 1 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0
10 1 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
11 0 0 1 1 0 0 0 0 0 0 1 0 1 0 0 0 0 0 1
12 1 1 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
13 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
14 1 0 0 1 0 0 0 0 0 0 0 1 0 1 0 0 0 0 1
15 1 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0
16 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0
17 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
18 1 1 0 0 1 0 0 0 0 0 0 1 1 0 1 0 0 0 0
19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
20 1 1 1 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0
21 1 0 0 1 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0
22 1 0 0 1 0 0 1 1 0 0 0 0 1 1 0 0 0 0 0
23 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
24 0 0 1 1 1 0 0 0 0 0 0 0 1 1 0 0 0 0 0
25 0 0 0 1 0 0 1 0 0 0 0 1 0 0 0 0 0 0 1
26 1 0 1 1 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0
27 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
28 1 0 0 0 1 0 0 1 0 0 0 0 0 0 1 1 1 0 0
29 1 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0
30 1 1 0 1 1 0 0 0 0 0 0 1 0 0 0 0 0 1 0
31 1 1 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1
32 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
33 0 0 0 0 0 0 1 0 0 0 0 1 0 1 0 0 1 0 1
34 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
35 1 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0
JUMLAH 21 11 9 12 10 2 3 3 0 1 2 18 7 10 4 1 2 4 11
TRANSAKSITABEL REPRESENTASI BINER
81
UIN Syarif Hidayatullah Jakarta
MC 3 8.57
SPS 0 0.00
SPB 1 2.86
RC 2 5.71
T 18 51.43
LT 7 20.00
LCT 10 28.57
GT 4 11.43
O 1 2.86
SJ 2 5.71
BCT 4 11.43
MW 11 31.43 Tabel 4.7 Kandidat 1 itemset
Di ilustrasikan sebagar grafik diagram seperti pada Gambar 4.1.
Gambar 4.1 Grafik Nilai Support
Kemudian pada kandidat 1 itemset yang telah terdapat pada Table
4.7, tahap selanjutnya untuk menentukan nilai minimum support (𝜙).
Ditetapkan bahwa nilai minimum support (𝜙) = 3, maka semua itemset yang
frekuensi kemunculannya sama dengan atau lebih dari 3 disebut frequent.
Dilihat dari Tabel 4.7, dari jumlah perhitungan kandidat 1 itemset yang
didapat tidak semua dapat memenuhi karena jumlah semua itemset
frekuensi kemunculannya atau jumlah pesanan tidak semua lebih dari
minimum support 24%. Maka untuk kombinasi 1 itemset yang memenuhi
0
5
10
15
20
25
NILAI SUPPORT
82
UIN Syarif Hidayatullah Jakarta
support minimal adalah pada table 4.7 dengan semua warna gelap. Dari
perhitungan dengan rumus:
Tabel 4.8 Calon Kandidat Itemset 1.
4.2.5 Menghitung Kandidat 2 Itemset
Kemudian dilanjutkan dengan perhitungan kandidat 2 itemset. Pada
tahap ini pada menu dan frekuensi masing-masing kombinasi dihitung
sesuai dengan data pada perhitungan seperti pada Tabel 4.9.
2-ITEMSET
Pattern Support Support% Confidence%
Pattern Support Support%
FC 21 60.00
FR 11 31.43
FPC 9 25.71
FPCM 12 34.29
FPM 10 28.57
FF 2 5.71
CCF 3 8.57
MC 3 8.57
SPS 0 0.00
SPB 1 2.86
RC 2 5.71
T 18 51.43
LT 7 20.00
LCT 10 28.57
GT 4 11.43
O 1 2.86
SJ 2 5.71
BCT 4 11.43
MW 11 31.43
1- itemset
83
UIN Syarif Hidayatullah Jakarta
FC->FR 6 17.14 28.57
FC->FPC 3 8.57 14.29
FC->FPCM 9 25.71 42.86
FC->FPM 4 11.43 19.05
FC->T 7 20.00 33.33
FC->LCT 7 20.00 63.64
FC->MW 4 11.43 36.36
FR->FPC 1 2.86 9.09
FR->FPCM 2 5.71 18.18
FR->FPM 4 11.43 36.36
FR->T 5 14.29 45.45
FR->LCT 2 5.71 18.18
FR->MW 2 5.71 18.18
FPC->FPCM 3 8.57 33.33
FPC->FPM 0 0.00 0.00
FPC->T 4 11.43 44.44
FPC->LCT 3 8.57 33.33
FPC->MW 1 2.86 11.11
FPCM->FPM 3 8.57 25.00
FPCM->T 6 17.14 50.00
FPCM->LCT 4 11.43 33.33
FPCM->MW 2 5.71 16.67
FPM->T 3 8.57 30.00
FPM->LCT 1 2.86 10.00
FPM->MW 2 5.71 20.00 Tabel 4.9 Kandidat 2 itemset.
Berdasarkan Tabel yang berisi item-item dengan support yang
dimilikinya, selanjutnya cari L2 = {large 2-Itemset} dengan memilih item
yang memenuhi Support (%)≥16 % seperti pada Tabel 4.9.
4.2.6 Menghitung Kandidat 3 Itemset
Dari hasil kombinasi 2 itemset tersebut terdapat beberapa kombinasi
yang memenuhi dari nilai minimum support yang telah ditentukan yaitu
16% jadi yang frekuensi kemunculannya atau jumlah transaksi dari
kombinasi 2 itemset tersebut yang jumlahnya lebih dari atau sama dengan
16% adalah yang dipakai untuk digabungkan menjadi calon 3 itemset.
3-ITEMSET
84
UIN Syarif Hidayatullah Jakarta
Pattern Support Support%
FC->FPCM->LCT 3 8.57
FC->FPCM->T 6 17.14
FC->FPC->T 4 11.43
FC->FPCM->LCT 3 8.57
FC->FPCM->LCT 3 8.57 Tabel 4.10 Menghitung Kandidat 3 itemset.
Dari Tabel 4.10, didapat kombinasi 3 itemset tersebut hanya 1 yang
memenuhi minimum support yang telah ditentukan yaitu ≥16%, karena
tidak memenuhi minimal support yang telah di tentukan maka FC->FPCM-
>LCT, FC->FPC->T, FC->FPCM->LCT dan FC->FPCM->LCT
merupakan himpunan kosong.
4.2.7 Pola Asosiasi
Dibawah ini merupakan pola asosiasi yang ditemukan Perlu
diketahui bahwa “JikaAmaka B” tidak berarti ”JikaBmakaA”. Lihat
Tabel 4.11. Berikut adalah aturan yang didapat.
ATURAN ASOSIASI
Pattern Support Support% Confidence%
FC->FR 6 17.14 28.57
FC->FPC 3 8.57 14.29
FC->FPCM 9 25.71 42.86
FC->FPM 4 11.43 19.05
FC->T 7 20.00 33.33
FC->LCT 7 20.00 63.64
FC->MW 4 11.43 36.36
FR->FPC 1 2.86 9.09
FR->FPCM 2 5.71 18.18
FR->FPM 4 11.43 36.36
FR->T 5 14.29 45.45
FR->LCT 2 5.71 18.18
FR->MW 2 5.71 18.18
FPC->FPCM 3 8.57 33.33
FPC->FPM 0 0.00 0.00
FPC->T 4 11.43 44.44
FPC->LCT 3 8.57 33.33
FPC->MW 1 2.86 11.11
85
UIN Syarif Hidayatullah Jakarta
FPCM->FPM 3 8.57 25.00
FPCM->T 6 17.14 50.00
FPCM->LCT 4 11.43 33.33
FPCM->MW 2 5.71 16.67
FPM->T 3 8.57 30.00
FPM->LCT 1 2.86 10.00
FPM->MW 2 5.71 20.00
FC->FPCM->LCT 3 8.57 50
FC->FPCM->T 6 17.14 100
FC->FPC->T 4 11.43 44.44
FC->FPCM->LCT 3 8.57 75
FC->FPCM->LCT 3 8.57 42.86 Tabel 4.11 Pola Asosiasi.
4.2 Tahap Implementasi
4.3.1 Perangkat Keras
Perangkat keras yang penulis gunakan dalam pembuatan aplikasi ini
adalah sebuah laptop dengan spesifikasi sebagai berikut:
1. Processor Intel(R) Core(TM) i3-4030U CPU @ 1.9 GHz
2. RAM 4 GB
3. HDD 500 GB
Selain itu dalam pengimplementasian sistem penulis menggunakan
smartphone berbasis Android dengan spesifikasi sebagai berikut:
1. Android 8.1.1 Oreo
2. Octa Core 2.3 GHz Exynos 8895 or Snapdragon 835 processor
3. RAM 6 GB
4. Penyimpanan internal 64 GB
5. Baterai 3300mAh
4.3.1 Perangkat Lunak
Perangkat lunak yang penulis gunakan dalam pembuatan aplikasi ini
adalah sebagai berikut:
1. SambaPOS v4
2. Microsoft .NET Frameworks
3. SQL Server
4. Notepad ++
86
UIN Syarif Hidayatullah Jakarta
5. Jude
6. Microsoft Excel
87
UIN Syarif Hidayatullah Jakarta
BAB V
HASIL
5.1 Hasil
Pada bab ini akan dibahas mengenai hasil dari implementasi
perhitungan pola asosiasi pemesanan menu, dimana dari hasil jumlah data
transaksi penjualan untuk membuktikan bahwa hasil rule dari pola asosiasi
transaksi penjualan yang telah diproses menggunakan perhitungan secara
manual mendapatkan hasil prediksi pemesanan menu yang di pesan oleh
customer. Berikut gambar grafik 5.1 Aturan asosiasi yang terbentuk.
Gambar 5.1 Grafik Aturan Asosiasi.
Untuk membentuk layout, data diambil dari aturan asosiasi yang
sudah terbentuk dengan menambahkan parameter (filter) nilai minimum
support dan minimum confidence. Misalkan support ≥ 11% dan confidence
≥40%, maka didapat penjelasan pada Tabel 5.1 berikut:
Aturan Asosiasi
No Menu Support% Confidence%
1 FC->FPCM 25.71% 42.86%
2 FC->LCT 20.00% 64%
0.00%
20.00%
40.00%
60.00%
80.00%
100.00%
120.00%
FC->
FPC
M
FC->
LCT
FC->
FPC
M->
T
FR->
T
FPC
->T
FPC
M->
T
FC->
FPC
M->
T
FC->
FPC
->T
1 2 3 4 5 6 7 8
Aturan Asosiasi
Aturan Asosiasi Support% Aturan Asosiasi Confidence%
88
UIN Syarif Hidayatullah Jakarta
3 FC->FPCM->T 17.14% 100%
4 FR->T 14.29% 45.45%
5 FPC->T 11.43% 44.44%
6 FPCM->T 17.14% 50%
7 FC->FPCM->T 17.14% 100%
8 FC->FPC->T 11.43% 44.44% Tabel 5.1 Hasil Aturan Asosiasi.
1. Menu berisi menu Fish And Chips dan Fish And Pasta
Chesse Melted dengan support 25.71% dan confidence
42.86%.
2. Menu berisi menu Fish And Chips dan Lychee Tea dengan
support 20% dan confidence 64%.
3. Menu berisi menu Fish And Chips, Fish And Pasta Chesse
Melted, dan Tea dengan support 17.14% dan confidence
100%.
4. Menu berisi menu Fish And Rice dan Tea dengan support
14.29% dan confidence 45.45%.
5. Menu berisi menu Fish And Pasta Creamy dan Tea dengan
support 11.43% dan confidence 44.44%.
6. Menu berisi menu Fish And Pasta Chesse Melted dan Tea
dengan support 17.14% dan confidence 50%.
7. Menu berisi menu Fish And Chips, Fish And Pasta Chesse
Melted, dan Tea dengan support 17.14% dan confidence
100%.
8. Menu berisi menu Fish And Chips dan Fish And Pasta
Creamy, dan Tea dengan support 11.43% dan confidence
44.44%.
Dari menu hasil prediksi pertama, didapatkan kombinasi menu
antara Fish And Chips dengan Fish And Pasta Chesse Melted dengan nilai
support 25.71% dan confidence 42.86%. Ini berarti bahwa 25.71% dari
keseluruhan transaksi terdapat menu yang mengandung menu Fish And
Chips dan Fish And Pasta Chesse Melted. Dan 25.71% orang yang membeli
89
UIN Syarif Hidayatullah Jakarta
Fish And Chips akan memesan Fish And Pasta Chesse Melted. Bisa juga di
artikan 42.86% orang yang membeli Fish And Pasta Chesse Melted, dia
juga akan memesan Fish And Chips, dan kedua item tersebut bisa dijadikan
dalam satu menu paket untuk langkah promosi karena 25.71% dari seluruh
transaksi yang ada mengandung kedua item tersebut.
Dari hasil prediksi yang kedua, didapatkan hasil menu paket yang
berisi menu Fish And Chips dan Lychee Tea dengan support 20% dan
confidence 64,%. Ini berarti bahwa 20% dari seluruh transaksi terdapat
menu Fish and Chips dan Lychee Tea, sedangkan 64% orang yang memesan
Lychee Tea juga akan memesan Fish And Chips.
Sedangkan dari menu hasil prediksi yang ketiga didapatkan hasil
menu paket yang berisi menu Fish And Chips, Fish And Pasta Chesse
Melted , dan Tea dengan support 17.14% dan confidence 100%. Ini berarti
bahwa sebanyak 17.14% dari keseluruhan transaksi, orang akan membeli
kombinasi menu yang terdiri dari Fish And Chips, Fish And Pasta, dan Tea.
Dan kemungkinan orang yang membeli Tea membeli juga Fish And Chips
dan Fish And Pasta Chesse Melted sebesar 100%.
Sedangkan dari menu hasil prediksi yang keempat didapatkan hasil
menu paket yang berisi menu Fish And Rice, dan Tea dengan support
14.29% dan confidence 45.45%. Ini berarti bahwa sebanyak 14.29% dari
keseluruhan transaksi, orang akan membeli kombinasi menu yang terdiri
dari Fish And Rice, dan Tea. Dan kemungkinan orang yang membeli Tea
untuk membeli juga Fish And Rice sebesar 45.45%.
Sedangkan dari menu hasil prediksi yang kelima didapatkan hasil
menu paket yang berisi menu Fish And Pasta Creamy, dan Tea dengan
support 11.43% dan confidence 44.44%. Ini berarti bahwa sebanyak
11.43% dari keseluruhan transaksi, orang akan membeli kombinasi menu
yang terdiri dari Fish And Pasta Creamy, dan Tea. Dan kemungkinan orang
90
UIN Syarif Hidayatullah Jakarta
yang membeli Tea untuk membeli juga Fish And Pasta Creamy sebesar
44.44%.
Sedangkan dari menu hasil prediksi yang keenam didapatkan hasil
menu paket yang berisi menu Fish And Pasta Chesse Melted, dan Tea
dengan support 17.14% dan confidence 50%. Ini berarti bahwa sebanyak
17.14% dari keseluruhan transaksi, orang akan membeli kombinasi menu
yang terdiri dari Fish And Pasta Chesse Melted, dan Tea. Dan kemungkinan
orang yang membeli Tea untuk membeli juga Fish And Pasta Chesse Melted
sebesar 50%.
Sedangkan dari menu hasil prediksi yang ketujuh didapatkan hasil
menu paket yang berisi menu Fish And Chips, Fish And Pasta Chesse
Melted, dan Tea dengan support 17.14% dan confidence 100%. Ini berarti
bahwa sebanyak 17.14% dari keseluruhan transaksi, orang akan membeli
kombinasi menu yang terdiri dari Fish And Chips, Fish And Pasta Chesse
Melted, dan Tea. Dan kemungkinan orang yang membeli Tea untuk
membeli juga Fish And Chips dan Fish And Pasta Chesse Melted sebesar
100%.
Sedangkan dari menu hasil prediksi yang kedelapan didapatkan hasil
menu paket yang berisi menu Fish And Chips dan Fish And Pasta Creamy,
dan Tea dengan support 11.43% dan confidence 44.44%. Ini berarti bahwa
sebanyak 11.43% dari keseluruhan transaksi, orang akan membeli
kombinasi menu yang terdiri dari Fish And Chips dan Fish And Pasta
Creamy, dan Tea. Dan kemungkinan orang yang membeli untuk membeli
juga Fish And Chips dan Fish And Pasta Creamy sebesar 44.44%.
91
UIN Syarif Hidayatullah Jakarta
BAB VI
KESIMPULAN DAN SARAN
6.1 Kesimpulan
Dari hasil penelitian yang dilakukan, dapat disimpulkan:
1. Aturan asosiasi dengan menggunakan algoritma apriori bisa digunakan
dalam membuat rekomendasi menu paket dengan cara menganalisa data
penjualan. Hal ini sudah dibuktikan dengan prediksi pemesanan menu yang
dibuat pada penelitian kali ini mampu membuat rekomendasi menu paket
dengan menganalisa data penjualan dengan algoritma apriori untuk
membentuk aturan asosiasi berdasarkan nilai minimal support dan
confidence.
2. Dengan prediksi pemesanan menu pada report point of sales menggunakan
metode asosiasi ini pihak manajerial maupun pengelola di restoran Fish
Streat cabang Depok dapat mengetahui keterkaitan antar menu yang dipesan
secara bersamaan.
3. Selain itu pengelola dapat menemukan menu yang paling banyak diminati
konsumen. Prediksi pemesanan menu ini mampu membuat rekomendasi
menu paket dengan menggunakan report SambaPOS dengan algoritma
apriori untuk membentuk aturan asosiasi berdasarkan nilai minimal support
dan confidence.
6.2 Saran
Penulis menyadari bahwa penelitian yang telah dilaksanakan masih terdapat
kekurangan di dalamnya. Oleh karena itu penulis menyarankan bahwa :
1. Untuk pengembangan selanjutnya, bisa dilakukan dengan cara
menggabungkan aplikasi sambapos ini dengan aplikasi algorima apriori
sehingga dari aplikasi Point Of Sales bisa langsung dilakukan analisa terhadap
data penjualan.
2. Perhitungan yang telah dibuat masih dibutuhkan beberapa saran sebagai
pengembangan perhitungan ke arah yang lebih baik, yaitu: Membuat sistem
92
UIN Syarif Hidayatullah Jakarta
untuk mengolah data yang sudah diujicoba dengan cara manual, agar proses
dapat dilakukan oleh sistem untuk mempersingkat waktu pengolahan data.
93
UIN Syarif Hidayatullah Jakarta
DAFTAR PUSTAKA
Berry, M.J.A., (2004). Data Mining Techniques, John Wiley & Sons.”
Kasim, Azhar. 1995. Teori Pembuatan Keputusan. Depok: Universitas Indonesia..
Santosa, B., 2007; Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis,
Graha Ilmu; Yogyakarta.
Hermawati, Fajar Astuti. 2013. Data Mining. Yogyakarta: Andi Offset.
Meiwati, L. 2010. Aplikasi data mining menggunakan aturan asosiasi dengan metode
apriori untuk analisis keranjang pasar pada data transaksi penjualan
apotek.http://library.gunadarma.ac.id.
Tampubolon, Kennedi dkk.(2013). Implementasi Data Mining Algoritma Apriori
Pada Sistem Persediaan Alat-alat Kesehatan. Jurnal Informasi dan Teknologi
Ilmiah (INTI), Vol. I , No.1 Bulan Oktober 2013.
Bonai, Denny Henrry. 2011. Sistem Pendukung Keputusan Analisis Pola
Pembelian Produk Dengan Metode Algoritma apriori.
Yulianti, Emma. 2012. Sharia Banking Information : System Analysis And
Design. Depok: CEP-CCIT FTUI.
Cosmas Haryawan, 2009. Aplikasi Point of Sales dengan Bisnis Model Web 2.0
Menggunakan Pustaka ActiveWidgets dan Metode Ajax. Yogyakarta:
STIMIK AKAKOM
Fajar Astuti Hermawan.2013.Data Mining: Edisi Pertama.Yokyakarta : Andi.
Randolf. 2008. Penerapan Metode Kaidah Asosiasi pada Data Transaksi
Minimarket dengan Menggunakan Algoritma A Priori. http://lib.ui.ac.id.
Santoso, Leo Willyanto.2011. Pembuatan Perangkat Lunak Data Mining Untuk
Penggalian Kaidah Asosiasi Menggunakan Metode A Priori.
Syaifullah, M.A. 2010. Implementasi Data Mining Algoritma A Priori pada Sistem
Penjualan. http://repository.amikom.ac.id.
Kusrini dan Luthfi, E.T.2009. Algoritma Data Mining. Yogyakarta: ANDI.
94
UIN Syarif Hidayatullah Jakarta
Despitaria, Herry Sujaini, dan Tursina. 2016. Analisis Asosiasi pada Transaksi Obat
Menggunakan Data Mining dengan Algoritma Apriori. Pontianak:
Universitas Tanjungpura.
Ristianingruum dan Sulastri. 2017. Implementasi Data Mining Menggunakan
Algoritma Apriori. Semarang: Universitas Stikubank.
Yasmiati, Wahyudi, Andi Susilo. 2016. Pengembangan Aplikasi Data Mining
Dengan Aalgoritma C4.5 Dan Apriori Di Fakultas Teknologi Informatika
Universitas Respati Indonesia. Jakarta: Universitas Respati Indonesia.
Winda Aprianti, Jaka Permadi, dan Oktaviani. 2017. Penerapan Algoritma Apriori
Untuk Transaksi Penjualan Obat Pada Apotek Azka. Kalimantan
Selatan:Politeknik Negeri Tanah Laut.
Dwi Sofyan Priambudi. 2017. Strategi Penjualan Produk PT. Mayora
Menggunakan Metode Apriori dan Implementasi Data Mining. Kediri:
Universitas Negeri PGRI Kediri.
Dr. Suryo Widodo, M.Pd dan Ardi Sanjaya, M.Kom. 2017. Implementasi Data Mining
Pada transaksi Penjualan Bibit Buah Dengan Algoritma Apriori. Kediri:
Universitas Nusantara.
Hendy Thomas Herman, Silvia Rostianingsih, Alexander Setiawan. 2017.
Pembuatan Aplikasi Point of Sales untuk Rumah Makan Dapur Rinjani.
Surabaya: Universitas Kristen Petra.
Dr. Lana Sularto, SE, MMSI, Dr. Wardoyo, SE, MM, Tristyanti Yusnitasari,
SKom. 2015. Pengembangan Perangkat Lunak Point of Sales (POS) dan
Akuntansi untuk UMKM Rumah Makan. Depok: Universitas Gunadarma.
95
UIN Syarif Hidayatullah Jakarta
96
UIN Syarif Hidayatullah Jakarta
LAMPIRAN 1
1. Hasil Wawancara
Narasuber : Bapak Muhammad Ikra, S.E, M.M
Jabatan : Direktur Utama
Lokasi : PT. Planetmas Adidaya Boga
Poin – poin wawancara :
a. Apakah rumah makan fishstreat pada awalnya kewalahan dalam
mengelola system penjualan yang masih manual?
Jawaban :
Iya, karena pada saat menggunakan system penjualan yang masih manual,
banyak terjadi kesalahan dalam system pemesanan rumah makan
fishstreat.
b. Apa saja potensi-potensi kesalahan ketika masih menggunakan system
pemesanan manual.
Jawaban :
1. Kesalahan dalam menu makanan yang dipesan.
2. Kesalahan dalam komunikasi pemesanan dengan customer.
3. Kesalahan dalam penghitungan jumlah makanan yang harus
dibayar oleh customer.
c. Apakah di PT. Planetmas Adidaya Boga sudah ada susunan alur informasi
dari sejak customer melakukan pemesanan hingga pada saat customer
membayar.
Jawaban :
Sudah ada, akan tetapi masih pelaksaannya masih manual, maka banyak
terjadi kesalahan dalam proses penjualan.
d. Bagaimana cara menejemen menentukan strategi untuk membuat menu
paket?
Jawaban :
97
UIN Syarif Hidayatullah Jakarta
Untuk pemilihan menu paket belum bisa di ketahui. Dikarenakan belum
ada pengolahan data transaksi yang dapat membantu manajemen untuk
pengambilan keputusan terhadap menu paket yang pas.
e. Bagaimana mengetahui pola pembelian customer?
Jawaban:
Dengan prediksi pemesanan menu pada report point of sales
menggunakan metode apriori ini pihak manajerial maupun pengelola di
restoran FishStreat dapat mengetahui keterkaitan antar menu yang dipesan
secara bersamaan.
f. Apakah rumah makan fishstreat membutukan penerapan data mining
dengan menggunakan metode asosiasi?
Jawaban:
Kami membutuhkan penerapan data mining dengan metode asosiasi. Agar
dapat memprediksi pemesanan untuk menu paket yang akan di buat. Maka
dari itu diperlukan menganalisis data transaksi yang dapat mengetahui
berapa jumlah menu favorit dan jumlah minuman yang sering muncul
bersamaan dalam pemesanan oleh customer.
98
UIN Syarif Hidayatullah Jakarta
LAMPIRAN 2
No Time OrderNumber Name Portion
1 10:10 AM 23920 FISH N'CHIPS Normal
2 10:10 AM 23920 FISH n RICE Normal
3 10:10 AM 23920 ICE TEA Normal
4 10:24 AM 23922 FISH N'CHIPS Normal
5 10:24 AM 23922 FISH n RICE Normal
6 10:24 AM 23922 MAC n CHEESE Normal
7 10:25 AM 23922 ICE TEA Normal
8 10:25 AM 23922 PLAIN ICE TEA Normal
9 10:30 AM 23923 FISH N'CHIPS Normal
10 10:30 AM 23923 FISH N PASTA CREAMY SAUCE Normal
11 10:30 AM 23923 MINERAL WATER Normal
12 10:30 AM 23923 PLAIN ICE TEA Normal
13 10:30 AM 23923 LEMON TEA Normal
14 10:31 AM 23923 LYCHEE TEA Normal
15 10:31 AM 23924 FISH N'CHIPS Normal
16 10:31 AM 23924 FISH n RICE Normal
17 10:31 AM 23924 FISH N PASTA MARINARA SAUCE Normal
18 10:31 AM 23924 MINERAL WATER Normal
19 10:31 AM 23924 GREEN TEA Normal
20 10:31 AM 23924 LYCHEE TEA Normal
21 10:52 AM 23930 FISH N'CHIPS Normal
22 10:52 AM 23930 FISH N PASTA MARINARA SAUCE Normal
23 10:52 AM 23930 CHIKEN CREAMY FETTUCINE Normal
24 10:52 AM 23930 ICE TEA Normal
25 10:52 AM 23930 LEMON TEA Normal
26 10:56 AM 23931 LEMON TEA Normal
27 10:57 AM 23931 FISH n RICE Normal
28 11:02 AM 23932 MINERAL WATER Normal
29 11:06 AM 23935 FISH N PASTA CHEESE MELT SAUCE Normal
30 11:06 AM 23935 MAC n CHEESE Normal
31 11:06 AM 23935 MINERAL WATER Normal
32 11:06 AM 23935 LYCHEE TEA Normal
33 11:06 AM 23935 BLACK CURRANT TEA Normal
34 11:06 AM 23936 FISH N'CHIPS Normal
35 11:07 AM 23936 LEMON TEA Normal
36 11:07 AM 23936 LYCHEE TEA Normal
99
UIN Syarif Hidayatullah Jakarta
37 11:26 AM 23941 FISH N'CHIPS Normal
38 11:26 AM 23941 FISH N PASTA CHEESE MELT SAUCE Normal
39 11:26 AM 23941 HOT TEA Normal
40 11:26 AM 23941 PLAIN HOT TEA Normal
41 11:30 AM 23942 FISH N PASTA CHEESE MELT SAUCE Normal
42 11:55 AM 23950 FISH N PASTA CREAMY SAUCE Normal
43 11:55 AM 23950 RICE CURRY Normal
44 11:55 AM 23950 MINERAL WATER Normal
45 11:55 AM 23950 LEMON TEA Normal
46 12:29 PM 23970 LEMON TEA Normal
47 11:51 AM 23942 FISH N PASTA CHEESE MELT SAUCE Normal
48 11:29 AM 23942 FISH N'CHIPS Normal
49 11:53 AM 23945 ICE TEA Normal
50 11:53 AM 23946 FISH N'CHIPS Normal
51 11:53 AM 23946 FISH N PASTA CHEESE MELT SAUCE Normal
52 11:53 AM 23946 MINERAL WATER Normal
53 11:54 AM 23946 PLAIN ICE TEA Normal
54 11:54 AM 23946 LYCHEE TEA Normal
55 12:21 PM 23966 Takeaway Box Normal
56 11:54 AM 23947 FISH N'CHIPS Normal
57 11:54 AM 23947 MAC n CHEESE Normal
58 11:54 AM 23947 ICE TEA Normal
59 1:17 PM 24000 Takeaway Box Normal
60 12:42 PM 23978 FRENCH FRIES Normal
61 12:42 PM 23978 ICE TEA Normal
62 11:30 AM 23942 FISH n RICE Normal
63 11:56 AM 23951 FISH N'CHIPS Normal
64 11:56 AM 23951 FISH n RICE Normal
65 11:56 AM 23951 FISH N PASTA MARINARA SAUCE Normal
66 11:57 AM 23951 ICE TEA Normal
67 11:57 AM 23951 GREEN TEA Normal
68 11:57 AM 23951 LEMON TEA Normal
69 12:16 PM 23964 MINERAL WATER Normal
70 11:57 AM 23953 FISH N'CHIPS Normal
71 11:57 AM 23953 FISH n RICE Normal
72 11:57 AM 23953 FISH N PASTA CREAMY SAUCE Normal
73 11:57 AM 23953 LEMON TEA Normal
74 11:57 AM 23953 LYCHEE TEA Normal
75 12:01 PM 23958 FISH N'CHIPS Normal
100
UIN Syarif Hidayatullah Jakarta
76 12:01 PM 23958 FISH N PASTA CHEESE MELT SAUCE Normal
77 12:01 PM 23958 GREEN TEA Normal
78 12:01 PM 23958 LYCHEE TEA Normal
79 12:03 PM 23959 FISH N'CHIPS Normal
80 12:03 PM 23959 FISH N PASTA CHEESE MELT SAUCE Normal
81 12:03 PM 23959 CHIKEN CREAMY FETTUCINE Normal
82 12:03 PM 23959 MAC n CHEESE Normal
83 12:03 PM 23959 LEMON TEA Normal
84 12:03 PM 23959 LYCHEE TEA Normal
85 12:14 PM 23963 HOT TEA Normal
86 12:12 PM 23962 FISH N PASTA MARINARA SAUCE Normal
87 12:12 PM 23962 FISH N PASTA CREAMY SAUCE Normal
88 12:12 PM 23962 FISH N PASTA CHEESE MELT SAUCE Normal
89 12:12 PM 23962 LEMON TEA Normal
90 12:12 PM 23962 LYCHEE TEA Normal
91 12:18 PM 23965 FISH N PASTA CHEESE MELT SAUCE Normal
92 12:18 PM 23965 CHIKEN CREAMY FETTUCINE Normal
93 12:18 PM 23965 MINERAL WATER Normal
94 12:18 PM 23965 ICE TEA Normal
95 12:23 PM 23967 FISH N'CHIPS Normal
96 12:23 PM 23967 FISH N PASTA CREAMY SAUCE Normal
97 12:23 PM 23967 FISH N PASTA CHEESE MELT SAUCE Normal
98 12:23 PM 23967 RICE CURRY Normal
99 12:23 PM 23967 ICE TEA Normal
100 12:52 PM 23986 MINERAL WATER Normal
101 12:28 PM 23968 FISH N'CHIPS Normal
102 12:28 PM 23968 FISH N PASTA CHEESE MELT SAUCE Normal
103 12:28 PM 23968 MAC n CHEESE Normal
104 12:28 PM 23968 LYCHEE TEA Normal
105 12:28 PM 23968 ORANGE Normal
106 12:28 PM 23968 SOURSOP JUICE Normal
107 12:29 PM 23969 FISH N'CHIPS Normal
108 12:29 PM 23969 FISH N PASTA CREAMY SAUCE Normal
109 12:29 PM 23969 ICE TEA Normal
110 12:29 PM 23969 BLACK CURRANT TEA Normal
111 12:37 PM 23972 FISH N'CHIPS Normal
112 12:37 PM 23972 FISH n RICE Normal
113 12:37 PM 23972 FISH N PASTA CHEESE MELT SAUCE Normal
101
UIN Syarif Hidayatullah Jakarta
114 12:37 PM 23972 FISH N PASTA MARINARA SAUCE Normal
115 12:37 PM 23972 HOT TEA Normal
116 12:37 PM 23972 PLAIN HOT TEA Normal
117 12:37 PM 23972 BLACK CURRANT TEA Normal
118 12:41 PM 23975 FISH N'CHIPS Normal
119 12:41 PM 23975 FISH n RICE Normal
120 12:41 PM 23975 FISH N PASTA MARINARA SAUCE Normal
121 12:41 PM 23975 MINERAL WATER Normal
122 12:41 PM 23975 ICE TEA Normal
123 12:41 PM 23976 MINERAL WATER Normal
124 1:55 PM 24029 FISH N'CHIPS Normal
125 1:55 PM 24029 CHIKEN CREAMY FETTUCINE Normal
126 1:55 PM 24029 MINERAL WATER Normal
127 1:55 PM 24029 HOT TEA Normal
128 1:56 PM 24029 LYCHEE TEA Normal
129 1:56 PM 24029 SOURSOP JUICE Normal
130 12:44 PM 23980 FISH N PASTA CREAMY SAUCE Normal
131 12:44 PM 23980 PLAIN ICE TEA Normal
132 12:46 PM 23981 FISH N'CHIPS Normal
133 12:46 PM 23981 FISH N PASTA CHEESE MELT SAUCE Normal
134 12:46 PM 23981 ICE TEA Normal
135 12:46 PM 23981 BLACK CURRANT TEA Normal
136 1:46 PM 24025 FISH N PASTA MARINARA SAUCE Normal
137 1:46 PM 24025 FISH N PASTA CREAMY SAUCE Normal
138 1:46 PM 24025 ICE TEA Normal
139 1:38 PM 24020 LYCHEE TEA Normal
140 1:24 PM 24009 PLAIN ICE TEA Normal
141 12:46 PM 23982 LEMON TEA Normal
142 1:02 PM 23992 FISH N'CHIPS Normal
143 1:02 PM 23992 FISH N PASTA MARINARA SAUCE Normal
144 1:02 PM 23992 MAC n CHEESE Normal
145 1:02 PM 23992 FRENCH FRIES Normal
146 1:02 PM 23992 LEMON TEA Normal
147 12:47 PM 23983 FISH N'CHIPS Normal
148 12:47 PM 23983 FISH N PASTA CREAMY SAUCE Normal
149 12:47 PM 23983 ICE TEA Normal
150 12:47 PM 23983 GREEN TEA Normal
151 1:24 PM 24010 Takeaway Box Normal
152 1:00 PM 23990 FISH N PASTA CHEESE MELT SAUCE Normal
102
UIN Syarif Hidayatullah Jakarta
153 1:00 PM 23990 MINERAL WATER Normal
154 1:00 PM 23990 BLACK CURRANT TEA Normal
155 1:00 PM 23990 LYCHEE TEA Normal
156 1:17 PM 23999 FISH N PASTA MARINARA SAUCE Normal
157 1:17 PM 23999 FISH N PASTA CHEESE MELT SAUCE Normal
158 1:17 PM 23999 ICE TEA Normal
159 1:17 PM 23999 LYCHEE TEA Normal
160 1:18 PM 24002 FISH N'CHIPS Normal
161 1:18 PM 24002 FISH N PASTA CHEESE MELT SAUCE Normal
162 1:18 PM 24002 CHIKEN CREAMY FETTUCINE Normal
163 1:18 PM 24002 MAC n CHEESE Normal
164 1:18 PM 24002 ICE TEA Normal
165 1:19 PM 24002 LEMON TEA Normal
166 1:20 PM 24003 FISH N'CHIPS Normal
167 1:20 PM 24003 FISH n RICE Normal
168 1:20 PM 24003 MINERAL WATER Normal
169 1:20 PM 24003 LYCHEE TEA Normal
170 1:21 PM 24004 FISH n RICE Normal
171 1:21 PM 24004 FISH N PASTA CREAMY SAUCE Normal
172 1:21 PM 24004 GREEN TEA Normal
173 2:03 PM 24032 Takeaway Box Normal
174 1:21 PM 24005 FISH n RICE Normal
175 1:22 PM 24005 FISH N PASTA CHEESE MELT SAUCE Normal
176 1:22 PM 24005 ICE TEA Normal
177 2:21 PM 24041 Takeaway Box Normal
178 1:23 PM 24007 FISH N'CHIPS Normal
179 1:23 PM 24007 FISH N PASTA CREAMY SAUCE Normal
180 1:23 PM 24007 FISH N PASTA CHEESE MELT SAUCE Normal
181 1:23 PM 24007 MINERAL WATER Normal
182 1:23 PM 24007 HOT TEA Normal
183 1:23 PM 24007 ICE TEA Normal
184 1:29 PM 24012 FISH n RICE Normal
185 1:29 PM 24012 FISH N PASTA MARINARA SAUCE Normal
186 1:29 PM 24012 FISH N PASTA CREAMY SAUCE Normal
187 1:29 PM 24012 MINERAL WATER Normal
188 1:30 PM 24013 FISH N PASTA MARINARA SAUCE Normal
189 1:30 PM 24013 FRENCH FRIES Normal
190 1:30 PM 24013 FISH N PASTA CREAMY SAUCE Normal
191 1:30 PM 24013 LYCHEE TEA Normal
103
UIN Syarif Hidayatullah Jakarta
192 12:44 PM 23980 FISH N'CHIPS Normal
193 12:44 PM 23980 ICE TEA Normal
194 1:33 PM 24015 LEMON TEA Normal
195 1:34 PM 24016 FISH n RICE Normal
196 1:34 PM 24016 FISH N PASTA MARINARA SAUCE Normal
197 1:34 PM 24016 FISH N PASTA CREAMY SAUCE Normal
198 1:34 PM 24016 FRENCH FRIES Normal
199 1:34 PM 24016 ICE TEA Normal
200 1:34 PM 24016 LEMON TEA Normal
201 1:34 PM 24016 LYCHEE TEA Normal
202 1:37 PM 24019 FISH n RICE Normal
203 1:37 PM 24019 ICE TEA Normal
204 2:18 PM 24039 Takeaway Box Normal
205 2:05 PM 24034 FRENCH FRIES Normal
206 1:34 PM 24017 FISH N'CHIPS Normal
207 1:34 PM 24017 CHIKEN CREAMY FETTUCINE Normal
208 1:34 PM 24017 ICE TEA Normal
209 1:34 PM 24017 MINERAL WATER Normal
210 1:38 PM 24021 FISH n RICE Normal
211 1:38 PM 24021 GREEN TEA Normal
212 1:38 PM 24021 LYCHEE TEA Normal
213 2:22 PM 24043 MINERAL WATER Normal
214 1:39 PM 24022 FISH N PASTA CHEESE MELT SAUCE Normal
215 1:39 PM 24022 FRENCH FRIES Normal
216 1:39 PM 24022 MINERAL WATER Normal
217 1:39 PM 24022 LEMON TEA Normal
218 1:39 PM 24022 SOURSOP JUICE Normal
219 1:40 PM 24023 FISH N'CHIPS Normal
220 1:40 PM 24023 MAC n CHEESE Normal
221 1:40 PM 24023 GREEN TEA Normal
222 2:11 PM 24036 Takeaway Box Normal
223 1:44 PM 24024 FISH N'CHIPS Normal
224 1:44 PM 24024 FISH N PASTA MARINARA SAUCE Normal
225 1:44 PM 24024 FISH N PASTA CREAMY SAUCE Normal
226 1:44 PM 24024 FISH N PASTA CHEESE MELT SAUCE Normal
227 1:44 PM 24024 RICE CURRY Normal
228 1:44 PM 24024 ICE TEA Normal
229 1:44 PM 24024 LEMON TEA Normal
230 1:44 PM 24024 LYCHEE TEA Normal
231 1:49 PM 24026 FISH N'CHIPS Normal
104
UIN Syarif Hidayatullah Jakarta
232 1:49 PM 24026 MAC n CHEESE Normal
233 1:49 PM 24026 MINERAL WATER Normal
234 1:49 PM 24026 COCACOLA Normal
235 1:49 PM 24026 SOURSOP JUICE Normal
236 1:11 PM 23996 PLAIN ICE TEA Normal
237 1:11 PM 23996 ICE TEA Normal
238 1:16 PM 23998 FISH N'CHIPS Normal
239 1:16 PM 23998 FISH N PASTA CHEESE MELT SAUCE Normal
240 1:16 PM 23998 MAC n CHEESE Normal
241 1:16 PM 23998 MINERAL WATER Normal
242 1:18 PM 24001 HOT TEA Normal
243 1:50 PM 24027 ICE TEA Normal
244 1:51 PM 23980 PLAIN ICE TEA Normal
245 2:03 PM 24033 Takeaway Box Normal
246 2:20 PM 24040 FISH N'CHIPS Normal
247 2:20 PM 24040 FISH n RICE Normal
248 2:20 PM 24040 FISH N PASTA CREAMY SAUCE Normal
249 2:20 PM 24040 FISH N PASTA CHEESE MELT SAUCE Normal
250 2:20 PM 24040 MAC n CHEESE Normal
251 2:20 PM 24040 PLAIN HOT TEA Normal
252 2:20 PM 24040 LEMON TEA Normal
253 2:20 PM 24040 BLACK CURRANT TEA Normal
254 2:21 PM 24040 LYCHEE TEA Normal
255 2:41 PM 24050 LEMON TEA Normal
256 2:22 PM 24044 FISH N PASTA CREAMY SAUCE Normal
257 2:22 PM 24044 FISH N PASTA CHEESE MELT SAUCE Normal
258 2:22 PM 24044 BLACK CURRANT TEA Normal
259 2:22 PM 24044 HOT TEA Normal
260 2:30 PM 24045 FISH N PASTA CREAMY SAUCE Normal
261 2:30 PM 24045 MAC n CHEESE Normal
262 2:30 PM 24045 MINERAL WATER Normal
263 2:30 PM 24045 LEMON TEA Normal
264 2:30 PM 24046 FISH N'CHIPS Normal
265 2:30 PM 24046 FISH n RICE Normal
266 2:30 PM 24046 FISH N PASTA CREAMY SAUCE Normal
267 2:30 PM 24046 MAC n CHEESE Normal
268 2:30 PM 24046 PLAIN ICE TEA Normal
269 2:30 PM 24046 LYCHEE TEA Normal
270 3:11 PM 24071 Takeaway Box Normal
271 3:01 PM 24066 LEMON TEA Normal
105
UIN Syarif Hidayatullah Jakarta
272 2:35 PM 24047 FISH N'CHIPS Normal
273 2:35 PM 24047 FISH N PASTA MARINARA SAUCE Normal
274 2:35 PM 24047 FISH N PASTA CHEESE MELT SAUCE Normal
275 2:35 PM 24047 ICE TEA Normal
276 2:35 PM 24047 LEMON TEA Normal
277 2:35 PM 24047 BLACK CURRANT TEA Normal
278 2:37 PM 24048 FISH N PASTA MARINARA SAUCE Normal
279 2:37 PM 24048 CHIKEN CREAMY FETTUCINE Normal
280 2:38 PM 24048 ICE TEA Normal
281 2:40 PM 24049 FISH N'CHIPS Normal
282 2:41 PM 24049 FISH N PASTA MARINARA SAUCE Normal
283 2:41 PM 24049 FISH N PASTA CHEESE MELT SAUCE Normal
284 2:41 PM 24049 ICE TEA Normal
285 2:46 PM 24055 FISH N PASTA MARINARA SAUCE Normal
286 2:46 PM 24055 ICE TEA Normal
287 2:42 PM 24051 FISH N'CHIPS Normal
288 2:42 PM 24051 FISH N PASTA MARINARA SAUCE Normal
289 2:42 PM 24051 LEMON TEA Normal
290 2:42 PM 24051 BLACK CURRANT TEA Normal
291 2:43 PM 24052 FISH N PASTA CHEESE MELT SAUCE Normal
292 2:43 PM 24052 FRENCH FRIES Normal
293 2:43 PM 24052 ICE TEA Normal
294 2:43 PM 24053 LEMON TEA Normal
295 2:55 PM 24060 FISH N'CHIPS Normal
296 2:56 PM 24062 GUAVA JUICE Normal
297 2:46 PM 24054 FISH N'CHIPS Normal
298 2:46 PM 24054 FISH N PASTA MARINARA SAUCE Normal
299 2:46 PM 24054 MINERAL WATER Normal
300 2:46 PM 24054 LEMON TEA Normal
301 2:53 PM 24057 MINERAL WATER Normal
302 2:54 PM 24059 FISH N PASTA MARINARA SAUCE Normal
303 2:54 PM 24059 ICE TEA Normal
304 2:54 PM 24059 HOT TEA Normal
305 2:56 PM 24061 FISH N'CHIPS Normal
306 2:56 PM 24061 GREEN TEA Normal
307 2:56 PM 24061 LEMON TEA HOT Normal
308 3:05 PM 24068 MINERAL WATER Normal
309 3:09 PM 24070 FRENCH FRIES Normal
106
UIN Syarif Hidayatullah Jakarta
310 3:24 PM 24074 Takeaway Box Normal
311 2:56 PM 24063 FISH N'CHIPS Normal
312 2:56 PM 24063 FISH N PASTA CREAMY SAUCE Normal
313 2:56 PM 24063 LEMON TEA Normal
314 2:56 PM 24063 LYCHEE TEA Normal
315 2:58 PM 24064 FISH N'CHIPS Normal
316 2:58 PM 24064 RICE CURRY Normal
317 2:58 PM 24064 MINERAL WATER Normal
318 3:03 PM 24067 FISH N PASTA CREAMY SAUCE Normal
319 3:03 PM 24067 ICE TEA Normal
320 3:04 PM 24067 MINERAL WATER Normal
321 3:19 PM 24072 FISH N'CHIPS Normal
322 3:19 PM 24072 LEMON TEA Normal
323 3:19 PM 24072 SOURSOP JUICE Normal
324 3:20 PM 24073 FISH N'CHIPS Normal
325 3:20 PM 24073 FISH N PASTA MARINARA SAUCE Normal
326 3:20 PM 24073 FISH N PASTA CHEESE MELT SAUCE Normal
327 3:20 PM 24073 LEMON TEA Normal
328 3:37 PM 24076 MINERAL WATER Normal
329 3:38 PM 24078 FRENCH FRIES Normal
330 3:29 PM 24075 FISH N PASTA CHEESE MELT SAUCE Normal
331 3:29 PM 24075 MAC n CHEESE Normal
332 3:29 PM 24075 LEMON TEA Normal
333 3:29 PM 24075 LYCHEE TEA Normal
334 3:37 PM 24077 FISH N PASTA MARINARA SAUCE Normal
335 3:37 PM 24077 FISH N PASTA CREAMY SAUCE Normal
336 3:37 PM 24077 ICE TEA Normal
337 3:37 PM 24077 GREEN TEA Normal
338 3:42 PM 24082 FISH N PASTA MARINARA SAUCE Normal
339 3:42 PM 24082 FISH N PASTA CHEESE MELT SAUCE Normal
340 3:42 PM 24082 GREEN TEA Normal
341 3:42 PM 24082 LEMON TEA Normal
342 3:49 PM 24083 FISH N'CHIPS Normal
343 3:50 PM 24083 FISH N PASTA CHEESE MELT SAUCE Normal
344 3:50 PM 24083 LEMON TEA Normal
345 3:50 PM 24083 LYCHEE TEA Normal
346 3:50 PM 24084 FISH N'CHIPS Normal
347 3:50 PM 24084 FISH N PASTA CHEESE MELT SAUCE Normal
348 3:50 PM 24084 CHIKEN CREAMY FETTUCINE Normal
107
UIN Syarif Hidayatullah Jakarta
349 3:50 PM 24084 RICE CURRY Normal
350 3:50 PM 24084 ICE TEA Normal
351 3:50 PM 24084 PLAIN ICE TEA Normal
352 3:50 PM 24084 LYCHEE TEA Normal
353 3:51 PM 24085 FISH N PASTA CREAMY SAUCE Normal
354 3:51 PM 24085 LEMON TEA Normal
355 3:51 PM 24085 LYCHEE TEA Normal
356 4:14 PM 24086 FISH N'CHIPS Normal
357 4:14 PM 24086 FISH N PASTA CHEESE MELT SAUCE Normal
358 4:14 PM 24086 ICE TEA Normal
359 4:33 PM 24091 ICE TEA Normal
360 4:16 PM 24087 FISH N PASTA CREAMY SAUCE Normal
361 4:16 PM 24087 FISH N PASTA CHEESE MELT SAUCE Normal
362 4:16 PM 24087 FRENCH FRIES Normal
363 4:16 PM 24087 ICE TEA Normal
364 4:16 PM 24087 PLAIN ICE TEA Normal
365 4:25 PM 24088 FISH N PASTA CREAMY SAUCE Normal
366 4:25 PM 24088 CHIKEN CREAMY FETTUCINE Normal
367 4:25 PM 24088 ICE TEA Normal
368 4:25 PM 24088 LYCHEE TEA Normal
369 4:29 PM 24089 ICE TEA Normal
370 4:30 PM 24090 FISH N'CHIPS Normal
371 4:30 PM 24090 FISH N PASTA CREAMY SAUCE Normal
372 4:30 PM 24090 GREEN TEA Normal
373 4:30 PM 24090 LEMON TEA Normal
374 4:30 PM 24090 LYCHEE TEA Normal
375 4:34 PM 24092 FISH N'CHIPS Normal
376 4:34 PM 24092 FISH n RICE Normal
377 4:34 PM 24092 ICE TEA Normal
378 4:54 PM 24105 Takeaway Box Normal
379 4:36 PM 24094 MINERAL WATER Normal
380 4:36 PM 24094 LYCHEE TEA Normal
381 4:38 PM 24095 FISH N PASTA MARINARA SAUCE Normal
382 4:38 PM 24095 CHIKEN CREAMY FETTUCINE Normal
383 4:38 PM 24095 FRENCH FRIES Normal
384 4:38 PM 24095 LEMON TEA Normal
385 4:38 PM 24095 LYCHEE TEA Normal
386 4:40 PM 24097 FISH N'CHIPS Normal
387 4:40 PM 24097 FISH N PASTA CREAMY SAUCE Normal
388 4:40 PM 24097 MINERAL WATER Normal
108
UIN Syarif Hidayatullah Jakarta
389 4:40 PM 24097 LEMON TEA Normal
390 4:42 PM 24098 LEMON TEA Normal
391 5:08 PM 24112 FISH N'CHIPS Normal
392 5:08 PM 24112 FISH N PASTA CREAMY SAUCE Normal
393 5:08 PM 24112 CHRUNCY FRIED CALAMARY Normal
394 5:08 PM 24112 ICE TEA Normal
395 5:12 PM 24115 FISH N PASTA MARINARA SAUCE Normal
396 5:12 PM 24115 LYCHEE TEA Normal
397 5:12 PM 24115 RICE CURRY Normal
398 5:14 PM 24116 FISH N PASTA MARINARA SAUCE Normal
399 5:14 PM 24116 CHIKEN CREAMY FETTUCINE Normal
400 5:14 PM 24116 SEAFOOD PLATTER SMALL Normal
401 5:14 PM 24116 ICE TEA Normal
402 5:14 PM 24116 LEMON TEA Normal
403 5:14 PM 24117 FISH N PASTA MARINARA SAUCE Normal
404 5:14 PM 24117 SEAFOOD PLATTER SMALL Normal
405 5:14 PM 24117 RICE CURRY Normal
406 5:14 PM 24117 LEMON TEA Normal
407 5:15 PM 24117 PLAIN HOT TEA Normal
408 5:15 PM 24118 FISH N'CHIPS Normal
409 5:15 PM 24118 GRILLED SHRIMPS Normal
410 5:15 PM 24118 COCACOLA Normal
411 5:15 PM 24118 ICE TEA Normal
412 5:18 PM 24120 FISH N'CHIPS Normal
413 5:18 PM 24120 LEMON TEA Normal
414 5:33 PM 24125 FISH N'CHIPS Takeaway
415 5:18 PM 24121 FISH N PASTA CREAMY SAUCE Normal
416 5:18 PM 24121 FISH N'CHIPS Normal
417 5:18 PM 24121 MINERAL WATER Normal
418 5:18 PM 24121 ICE TEA Normal
419 5:18 PM 24121 LYCHEE TEA Normal
420 5:37 PM 24127 FISH N'CHIPS Normal
421 5:37 PM 24127 LYCHEE TEA Normal
422 5:47 PM 24135 ICE TEA Normal
423 6:26 PM 24162 ICE TEA Normal
424 6:26 PM 24162 CHIKEN CREAMY FETTUCINE Normal
425 5:40 PM 24130 FISH N PASTA CREAMY SAUCE Normal
426 5:40 PM 24130 GRILLED CALAMARY Normal
427 5:40 PM 24130 MINERAL WATER Normal
428 5:40 PM 24130 GREEN TEA Normal
109
UIN Syarif Hidayatullah Jakarta
429 5:41 PM 24131 FISH N'CHIPS Normal
430 5:41 PM 24131 FISH n RICE Normal
431 5:41 PM 24131 ICE TEA Normal
432 5:41 PM 24131 PLAIN ICE TEA Normal
433 5:41 PM 24132 FISH N'CHIPS Normal
434 5:41 PM 24132 FISH N PASTA CREAMY SAUCE Normal
435 5:41 PM 24132 PLAIN ICE TEA Normal
436 5:41 PM 24132 LEMON TEA Normal
437 5:45 PM 24134 FISH N PASTA MARINARA SAUCE Normal
438 5:45 PM 24134 FISH N PASTA CREAMY SAUCE Normal
439 5:45 PM 24134 MINERAL WATER Normal
440 5:45 PM 24134 HOT TEA Normal
441 5:45 PM 24134 PLAIN ICE TEA Normal
442 5:45 PM 24134 PLAIN HOT TEA Normal
443 5:58 PM 24141 SEAFOOD PLATTER SMALL Normal
444 5:50 PM 24137 FISH N PASTA CREAMY SAUCE Normal
445 5:50 PM 24137 CHRUNCY FRIED CALAMARY Normal
446 5:50 PM 24137 CHIKEN CREAMY FETTUCINE Normal
447 5:50 PM 24137 MINERAL WATER Normal
448 5:50 PM 24137 MINERAL WATER Normal
449 5:50 PM 24137 FANTA Normal
450 5:50 PM 24137 BLACK CURRANT TEA Normal
451 5:59 PM 24143 SEAFOOD PLATTER SMALL Normal
452 5:59 PM 24143 BLACK CURRANT TEA Normal
453 5:52 PM 24138 FISH N PASTA MARINARA SAUCE Normal
454 5:52 PM 24138 FISH N PASTA CREAMY SAUCE Normal
455 5:52 PM 24138 LEMON TEA Normal
456 5:52 PM 24138 BLACK CURRANT TEA Normal
457 6:27 PM 24164 MINERAL WATER Normal
458 5:55 PM 24140 FISH N PASTA CREAMY SAUCE Normal
459 5:55 PM 24140 BLACK CURRANT TEA Normal
460 5:55 PM 24140 SOURSOP JUICE Normal
461 6:16 PM 24152 FISH N PASTA CREAMY SAUCE Normal
462 5:59 PM 24142 FISH N PASTA MARINARA SAUCE Normal
463 5:59 PM 24142 FISH N PASTA CREAMY SAUCE Normal
464 5:59 PM 24142 GREEN TEA Normal
465 5:59 PM 24142 LYCHEE TEA Normal
466 6:02 PM 24146 FISH N'CHIPS Normal
467 6:02 PM 24146 CHIKEN CREAMY FETTUCINE Normal
468 6:02 PM 24146 SEAFOOD PLATTER BIG Normal
110
UIN Syarif Hidayatullah Jakarta
469 6:02 PM 24146 GRILLED SHRIMPS Normal
470 6:02 PM 24146 HOT TEA Normal
471 6:03 PM 24146 ICE TEA Normal
472 6:31 PM 24169 SOURSOP JUICE Normal
473 6:42 PM 24176 ICE TEA Normal
474 6:06 PM 24147 SEAFOOD PLATTER BIG Normal
475 6:06 PM 24147 MINERAL WATER Normal
476 6:06 PM 24147 LYCHEE TEA Normal
477 6:07 PM 24148 FISH N PASTA CREAMY SAUCE Normal
478 6:14 PM 24149 FISH N'CHIPS Normal
479 6:15 PM 24149 FISH N PASTA MARINARA SAUCE Normal
480 6:15 PM 24149 FISH N PASTA CREAMY SAUCE Normal
481 6:15 PM 24149 PLAIN HOT TEA Normal
482 6:15 PM 24149 LEMON TEA Normal
483 6:23 PM 24159 FISH N'CHIPS Takeaway
484 6:15 PM 24150 FISH N'CHIPS Normal
485 6:15 PM 24150 FISH N PASTA MARINARA SAUCE Normal
486 6:15 PM 24150 ICE TEA Normal
487 7:08 PM 24196 FISH N'CHIPS Normal
488 7:08 PM 24196 FISH N PASTA MARINARA SAUCE Normal
489 7:08 PM 24196 MINERAL WATER Normal
490 7:08 PM 24196 PLAIN HOT TEA Normal
491 7:14 PM 24201 SEAFOOD PLATTER SMALL Normal
492 7:14 PM 24201 LEMON TEA Normal
493 7:22 PM 24208 FISH N'CHIPS Normal
494 7:22 PM 24208 CHIKEN CREAMY FETTUCINE Normal
495 7:22 PM 24208 ICE TEA Normal
496 7:22 PM 24209 FISH N PASTA MARINARA SAUCE Normal
497 7:22 PM 24209 FISH N PASTA CREAMY SAUCE Normal
498 7:22 PM 24209 LEMON TEA Normal
499 7:22 PM 24209 BLACK CURRANT TEA Normal
500 7:22 PM 24209 SOURSOP JUICE Normal
501 7:28 PM 24210 FISH N'CHIPS Normal
502 7:28 PM 24210 FISH N PASTA CREAMY SAUCE Normal
503 7:28 PM 24210 ICE TEA Normal
504 7:28 PM 24210 LYCHEE TEA Normal
505 7:30 PM 24211 FISH N'CHIPS Normal
506 7:30 PM 24211 FISH N PASTA CREAMY SAUCE Normal
507 7:30 PM 24211 SEAFOOD PLATTER SMALL Normal
508 7:30 PM 24211 ICE TEA Normal
111
UIN Syarif Hidayatullah Jakarta
509 7:30 PM 24211 LYCHEE TEA Normal
510 7:31 PM 24213 FISH N'CHIPS Normal
511 7:31 PM 24213 FISH N PASTA MARINARA SAUCE Normal
512 7:31 PM 24213 CHRUNCY FRIED CALAMARY Normal
513 7:31 PM 24213 MINERAL WATER Normal
514 7:48 PM 24220 FISH N PASTA MARINARA SAUCE Normal
515 7:48 PM 24220 CHIKEN CREAMY FETTUCINE Normal
516 7:48 PM 24220 LEMON TEA Normal
517 7:49 PM 24221 FISH N'CHIPS Normal
518 7:49 PM 24221 FISH N PASTA MARINARA SAUCE Normal
519 7:49 PM 24221 FISH N PASTA CREAMY SAUCE Normal
520 7:49 PM 24221 RICE CURRY Normal
521 7:49 PM 24221 HOT TEA Normal
522 7:49 PM 24221 GREEN TEA Normal
523 7:49 PM 24221 BLACK CURRANT TEA Normal
524 7:49 PM 24221 LYCHEE TEA Normal
525 7:49 PM 24221 SOURSOP JUICE Normal
526 7:49 PM 24222 FISH N'CHIPS Normal
527 7:49 PM 24222 FISH N PASTA MARINARA SAUCE Normal
528 7:49 PM 24222 CHIKEN CREAMY FETTUCINE Normal
529 7:50 PM 24222 SEAFOOD PLATTER SMALL Normal
530 7:50 PM 24222 MINERAL WATER Normal
531 7:50 PM 24222 PLAIN HOT TEA Normal
532 7:50 PM 24222 LEMON TEA Normal
533 7:50 PM 24222 LYCHEE TEA Normal
534 7:57 PM 24223 FISH N'CHIPS Normal
535 7:57 PM 24223 FISH N PASTA CREAMY SAUCE Normal
536 7:57 PM 24223 SEAFOOD PLATTER SMALL Normal
537 7:57 PM 24223 GRILLED SHRIMPS Normal
538 7:58 PM 24223 MINERAL WATER Normal
539 7:58 PM 24223 GREEN TEA Normal
540 7:59 PM 24223 ORANGE Normal
541 8:06 PM 24227 SEAFOOD PLATTER SMALL Normal
542 8:06 PM 24227 GRILLED SHRIMPS Normal
543 8:06 PM 24227 ICE TEA Normal
544 8:07 PM 24228 FISH N PASTA CREAMY SAUCE Normal
545 8:09 PM 24230 FISH N PASTA MARINARA SAUCE Normal
546 8:09 PM 24230 SEAFOOD PLATTER SMALL Normal
547 8:09 PM 24230 MINERAL WATER Normal
548 8:09 PM 24230 ICE TEA Normal
112
UIN Syarif Hidayatullah Jakarta
549 8:53 PM 24258 SEAFOOD PLATTER SMALL Takeaway
550 8:15 PM 24231 FISH N PASTA MARINARA SAUCE Normal
551 8:15 PM 24231 FISH N PASTA CREAMY SAUCE Normal
552 8:15 PM 24231 GREEN TEA Normal
553 8:15 PM 24231 BLACK CURRANT TEA Normal
554 8:19 PM 24232 FISH N'CHIPS Normal
555 8:19 PM 24232 FISH n RICE Normal
556 8:19 PM 24232 FISH N PASTA MARINARA SAUCE Normal
557 8:19 PM 24232 FISH N PASTA CREAMY SAUCE Normal
558 8:19 PM 24232 MINERAL WATER Normal
559 8:19 PM 24232 ICE TEA Normal
560 8:19 PM 24232 PLAIN HOT TEA Normal
561 8:19 PM 24232 LEMON TEA Normal
562 8:19 PM 24232 BLACK CURRANT TEA Normal
563 8:19 PM 24232 LYCHEE TEA Normal
564 8:21 PM 24233 FISH N'CHIPS Normal
565 8:21 PM 24233 SEAFOOD PLATTER SMALL Normal
566 8:21 PM 24233 GRILLED CALAMARY Normal
567 8:21 PM 24233 GREEN TEA Normal
568 8:21 PM 24233 LEMON TEA Normal
569 9:06 PM 24263 Takeaway Box Normal
570 9:11 PM 24266 LEMON TEA Normal
571 8:21 PM 24234 FISH N PASTA MARINARA SAUCE Normal
572 8:21 PM 24234 FISH N PASTA CREAMY SAUCE Normal
573 8:22 PM 24234 ICE TEA Normal
574 8:22 PM 24234 LEMON TEA Normal
575 8:22 PM 24235 FISH N'CHIPS Normal
576 8:22 PM 24235 FRENCH FRIES Normal
577 8:22 PM 24235 ICE TEA Normal
578 8:22 PM 24235 PLAIN ICE TEA Normal
579 8:22 PM 24236 FISH N PASTA CREAMY SAUCE Normal
580 8:22 PM 24236 GRILLED SHRIMPS Normal
581 8:22 PM 24236 ICE TEA Normal
582 8:22 PM 24236 LEMON TEA Normal
583 8:59 PM 24259 FRENCH FRIES Normal
584 8:24 PM 24238 FISH N PASTA MARINARA SAUCE Normal
585 8:24 PM 24238 FISH N PASTA CREAMY SAUCE Normal
586 8:24 PM 24238 PLAIN ICE TEA Normal
587 8:24 PM 24238 LYCHEE TEA Normal
588 8:26 PM 24239 FISH N PASTA MARINARA SAUCE Normal
113
UIN Syarif Hidayatullah Jakarta
589 8:26 PM 24239 FISH N PASTA CREAMY SAUCE Normal
590 8:26 PM 24239 MINERAL WATER Normal
591 8:26 PM 24239 LEMON TEA Normal
592 8:26 PM 24239 SOURSOP JUICE Normal
593 7:58 PM 24223 CHIKEN CREAMY FETTUCINE Normal
594 8:27 PM 24240 FISH N'CHIPS Normal
595 8:27 PM 24240 LEMON TEA Normal
596 8:27 PM 24240 LYCHEE TEA Normal
597 8:27 PM 24241 FISH N'CHIPS Normal
598 8:27 PM 24241 FISH N PASTA MARINARA SAUCE Normal
599 8:27 PM 24241 FISH N PASTA CREAMY SAUCE Normal
600 8:28 PM 24241 HOT TEA Normal
601 8:28 PM 24241 LYCHEE TEA Normal
602 8:28 PM 24241 SOURSOP JUICE Normal
603 8:49 PM 24255 LYCHEE TEA Normal
604 8:28 PM 24243 FISH N'CHIPS Normal
605 8:29 PM 24243 FISH N PASTA CREAMY SAUCE Normal
606 8:29 PM 24243 MINERAL WATER Normal
607 8:29 PM 24243 LEMON TEA Normal
608 8:29 PM 24244 FISH N PASTA CREAMY SAUCE Normal
609 8:29 PM 24244 FISH N PASTA MARINARA SAUCE Normal
610 8:29 PM 24244 LEMON TEA Normal
611 8:52 PM 24257 LYCHEE TEA Normal
612 8:32 PM 24245 FISH N'CHIPS Normal
613 8:32 PM 24245 SEAFOOD PLATTER SMALL Normal
614 8:32 PM 24245 GRILLED CALAMARY Normal
615 8:32 PM 24245 MINERAL WATER Normal
616 8:34 PM 24246 SEAFOOD PLATTER BIG Normal
617 8:34 PM 24246 MINERAL WATER Normal
618 8:34 PM 24246 LEMON TEA Normal
619 8:33 PM 24247 LYCHEE TEA Normal
620 8:38 PM 24248 FISH N'CHIPS Normal
621 8:38 PM 24248 FISH n RICE Normal
622 8:38 PM 24248 MINERAL WATER Normal
623 8:38 PM 24248 PLAIN HOT TEA Normal
624 8:41 PM 24250 FISH N'CHIPS Normal
625 8:41 PM 24250 FISH N PASTA MARINARA SAUCE Normal
626 8:41 PM 24250 PLAIN HOT TEA Normal
627 8:44 PM 24251 SEAFOOD PLATTER SMALL Normal
628 8:44 PM 24251 SEAFOOD PLATTER BIG Normal
114
UIN Syarif Hidayatullah Jakarta
629 8:44 PM 24251 ICE TEA Normal
630 9:02 PM 24261 FISH N PASTA MARINARA SAUCE Normal
631 9:02 PM 24261 FISH N PASTA CREAMY SAUCE Normal
632 9:02 PM 24261 HOT TEA Normal
633 9:02 PM 24261 MINERAL WATER Normal
634 9:05 PM 24262 FISH N PASTA MARINARA SAUCE Normal
635 9:07 PM 24264 FISH N PASTA CREAMY SAUCE Normal
636 9:07 PM 24264 LEMON TEA Normal
637 9:07 PM 24264 BLACK CURRANT TEA Normal
638 9:07 PM 24265 FISH N'CHIPS Normal
639 9:07 PM 24265 FISH N PASTA CREAMY SAUCE Normal
640 9:07 PM 24265 LEMON TEA Normal
641 9:07 PM 24265 LYCHEE TEA Normal
642 9:45 PM 24271 LYCHEE TEA Normal
115
UIN Syarif Hidayatullah Jakarta
LAMPIRAN 3
Antarmuka Aplikasi Point Of Sales SambaPOS V4
Antarmuka Log In
Setiap pengguna harus melalui proses login sebelum masuk ke menu
utama. Username dan password dibutuhkan pada proses login ini. Disini
penulis memasukkan password sebagai admin.
Navigasi Menu Admin
116
UIN Syarif Hidayatullah Jakarta
Gambar di atas adalah navigasi menu untuk pengguna dengan
jabatan sebagai admin. Dan navigasi menu untuk pengguna dengan
jabatan sebagai Admin adalah seperti gambar di bawah ini.
Antarmuka Menu Report
Ini adalah antarmuka yang akan muncul setelah pengguna berhasil
login sebagai admin. Setelah memasuki menu report Data yang
ditampilkan adalah data work period, item sales report, inventory report,
cost report yang mana merupakan informasi tentang data transaksi yang
tersedia, dalam item sales report terdapat data yang bisa di customize
pada hari dan bulan tertentu. Yang pada penelitian kali ini hanya data
transaksi yang terjadi tanggal 1 bulan April 2018. Untuk prediksi
pemesanan menu.
117
UIN Syarif Hidayatullah Jakarta
LAMPIRAN 4
118
UIN Syarif Hidayatullah Jakarta
LAMPIRAN 5