prediksi pemesanan menu pada report point of sales...

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

[email protected].

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

mailto:[email protected]

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



3.5.7 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



4.2.7 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


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


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


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


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


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


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


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


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


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


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.

http://3.bp.blogspot.com/-4kqBpZfgEdg/VP2wypGoQhI/AAAAAAAAARs/So3LkXWqr6I/s1600/posTC.jpg

12


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


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


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.

http://www.ilmu-ekonomi-id.com/2017/03/mesin-pos-point-of-sales.html

http://www.ilmu-ekonomi-id.com/2017/03/mesin-pos-point-of-sales.html

15


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


(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)

http://eprints.dinus.ac.id/6320/1/c-2-SBD.pdf

31


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.

http://eprints.dinus.ac.id/6320/1/c-2-SBD.pdf

32


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


karena jumlah semua itemset frekuensi kemunculannya atau jumlah

kemunculannya tidak semua lebih dari 3.


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.


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


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


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 MAC n CHEESE Normal Normal


10:25 AM 23922 PLAIN ICE TEA Normal Normal

67


10:43 AM 23928 FISH n RICE Takeaway Takeaway


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 PASTA MARINARA SAUCE Normal Normal


10:31 AM 23924 GREEN 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



10:41 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



10:52 AM 23930 FISH N PASTA MARINARA SAUCE Normal Normal

10:52 AM 23930 CHIKEN CREAMY FETTUCINE Normal Normal







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 BLACK CURRANT TEA Normal Normal



68



11:15 AM 23937 FISH FRIES GoFood GoFood

11:18 AM 23938 MAC n CHEESE 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 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 LEMON TEA Normal

12:29 PM 23970 LEMON TEA Normal


11:29 AM 23942 FISH N'CHIPS Normal

11:53 AM 23945 ICE TEA 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 MAC n CHEESE Normal



12:42 PM 23978 FRENCH FRIES Normal

12:42 PM 23978 ICE TEA Normal

11:54 AM 23948 FISH N'CHIPS GrabFood


69


11:55 AM 23949 FISH N PASTA MARINARA SAUCE GrabFood


11:30 AM 23942 FISH n RICE Normal



11:56 AM 23951 FISH N PASTA MARINARA SAUCE Normal


11:57 AM 23951 GREEN TEA Normal


12:16 PM 23964 MINERAL WATER Normal



11:57 AM 23953 FISH N PASTA CREAMY SAUCE Normal


11:57 AM 23953 LYCHEE TEA Normal

11:57 AM 23954 FISH N'CHIPS 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


12:01 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 CHIKEN CREAMY FETTUCINE Normal

12:03 PM 23959 MAC n CHEESE Normal



12:14 PM 23963 HOT TEA Normal


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


70











12:23 PM 23967 RICE CURRY Normal







12:28 PM 23968 ORANGE Normal

12:28 PM 23968 SOURSOP JUICE Normal




12:29 PM 23969 BLACK CURRANT TEA Normal



12:37 PM 23972 FISH n RICE Normal




12:37 PM 23972 PLAIN HOT TEA Normal





12:41 PM 23975 FISH n RICE Normal






71



12:43 PM 23979 FRENCH FRIES GoFood






1:56 PM 24029 SOURSOP JUICE Normal


12:44 PM 23980 PLAIN ICE TEA Normal









1:24 PM 24009 PLAIN ICE TEA Normal





1:02 PM 23992 FRENCH FRIES Normal





12:47 PM 23983 GREEN TEA Normal


12:49 PM 23984 FISH n RICE GoFood

12:49 PM 23984 FISH FRIES GoFood

12:50 PM 23985 FISH n RICE GoFood


12:55 PM 23987 FISH N'CHIPS GrabFood

12:57 PM 23988 FISH N'CHIPS Takeaway

12:58 PM 23988 CHIKEN CREAMY FETTUCINE Takeaway


Tabel 4.2 Seleksi Data

72


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


2

5

10:24


6

10:24

AM 23922 MAC n CHEESE Normal

7

10:25


8

10:25

AM 23922 PLAIN ICE TEA Normal

9

10:30


3

10

10:30

AM 23923 FISH N PASTA CREAMY SAUCE Normal

11

10:30

AM 23923 MINERAL WATER Normal

12

10:30


13

10:30

AM 23923 LEMON TEA Normal

14

10:31

AM 23923 LYCHEE TEA Normal

15

10:31


4 16

10:31


17

10:31

AM 23924

FISH N PASTA MARINARA

SAUCE Normal

73


18

10:31


19

10:31

AM 23924 GREEN TEA Normal

20

10:31


21

10:52


5

22

10:52

AM 23930


SAUCE Normal

23

10:52

AM 23930 CHIKEN CREAMY FETTUCINE Normal

24

10:52


25

10:52


26

10:56

AM 23931 LEMON TEA Normal 6

27

10:57


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


31

11:06


32

11:06


33

11:06

AM 23935 BLACK CURRANT TEA Normal

34

11:06


9 35

11:07


36

11:07


37

11:26


10 38

11:26

AM 23941


SAUCE Normal

39

11:26

AM 23941 HOT TEA Normal

40

11:26

AM 23941 PLAIN HOT TEA Normal

41

11:30

AM 23942


SAUCE Normal

11 42

11:55


43

11:55

AM 23950 RICE CURRY Normal

74


44

11:55


45

11:55


46

12:29

PM 23970 LEMON TEA Normal

12 47

11:51

AM 23942


SAUCE Normal

48

11:29


49

11:53

AM 23945 ICE TEA Normal 13

50

11:53


14

51

11:53

AM 23946


SAUCE Normal

52

11:53


53

11:54


54

11:54


55

12:21

PM 23966 Takeaway Box Normal

56

11:54


15 57

11:54


58

11:54


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


18

64 11:56


65

11:56

AM 23951


SAUCE Normal

66

11:57


67

11:57

AM 23951 GREEN TEA Normal

68

11:57


69

12:16

PM 23964 MINERAL WATER Normal 19

70

11:57

AM 23953 FISH N'CHIPS Normal 20

75


71

11:57


72

11:57


73

11:57


74

11:57


75

12:01

PM 23958 FISH N'CHIPS Normal

21 76

12:01

PM 23958


SAUCE Normal

77

12:01

PM 23958 GREEN TEA Normal

78

12:01

PM 23958 LYCHEE TEA Normal

79

12:03


22

80

12:03

PM 23959


SAUCE Normal

81

12:03

PM 23959 CHIKEN CREAMY FETTUCINE Normal

82

12:03

PM 23959 MAC n CHEESE Normal

83

12:03


84

12:03


85

12:14

PM 23963 HOT TEA Normal 23

86

12:12

PM 23962


SAUCE Normal

24

87

12:12

PM 23962 FISH N PASTA CREAMY SAUCE Normal

88

12:12

PM 23962


SAUCE Normal

89

12:12


90

12:12


91

12:18

PM 23965


SAUCE Normal

25 92

12:18

PM 23965 CHIKEN CREAMY FETTUCINE Normal

93

12:18

PM 23965 MINERAL WATER Normal

94

12:18


95

12:23

PM 23967 FISH N'CHIPS Normal 26

96

12:23


76


97

12:23

PM 23967


SAUCE Normal

98

12:23

PM 23967 RICE CURRY Normal

99

12:23


100

12:52


101

12:28


28

102

12:28

PM 23968


SAUCE Normal

103

12:28

PM 23968 MAC n CHEESE Normal

104

12:28


105

12:28

PM 23968 ORANGE Normal

106

12:28

PM 23968 SOURSOP JUICE Normal

107

12:29


29 108

12:29


109

12:29


110

12:29

PM 23969 BLACK CURRANT TEA Normal

111

12:37


30

112

12:37

PM 23972 FISH n RICE Normal

113

12:37

PM 23972


SAUCE Normal

114

12:37

PM 23972


SAUCE Normal

115

12:37

PM 23972 HOT TEA Normal

116

12:37

PM 23972 PLAIN HOT TEA Normal

117

12:37


118

12:41


31

119

12:41

PM 23975 FISH n RICE Normal

120

12:41

PM 23975


SAUCE Normal

121

12:41

PM 23975 MINERAL WATER Normal

122

12:41


77


123

12:41


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


35 133

12:46

PM 23981


SAUCE Normal

134

12:46


135

12:46


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


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


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


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


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


support minimal adalah pada table 4.7 dengan semua warna gelap. Dari

perhitungan dengan rumus:

Tabel 4.8 Calon Kandidat Itemset 1.


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%


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


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.


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



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


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


5. Jude

6. Microsoft Excel

87


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


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


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


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


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


untuk mengolah data yang sudah diujicoba dengan cara manual, agar proses

dapat dilakukan oleh sistem untuk mempersingkat waktu pengolahan data.

93


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


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


96


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


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


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



6 10:24 AM 23922 MAC n CHEESE Normal


8 10:25 AM 23922 PLAIN ICE TEA Normal


10 10:30 AM 23923 FISH N PASTA CREAMY SAUCE Normal

11 10:30 AM 23923 MINERAL WATER Normal


13 10:30 AM 23923 LEMON TEA Normal

14 10:31 AM 23923 LYCHEE TEA Normal



17 10:31 AM 23924 FISH N PASTA MARINARA SAUCE Normal


19 10:31 AM 23924 GREEN TEA Normal




23 10:52 AM 23930 CHIKEN CREAMY FETTUCINE Normal






29 11:06 AM 23935 FISH N PASTA CHEESE MELT SAUCE Normal




33 11:06 AM 23935 BLACK CURRANT TEA Normal




99




39 11:26 AM 23941 HOT TEA Normal

40 11:26 AM 23941 PLAIN HOT TEA Normal



43 11:55 AM 23950 RICE CURRY Normal



46 12:29 PM 23970 LEMON TEA Normal














60 12:42 PM 23978 FRENCH FRIES Normal

61 12:42 PM 23978 ICE TEA Normal






67 11:57 AM 23951 GREEN TEA Normal









100


76 12:01 PM 23958 FISH N PASTA CHEESE MELT SAUCE Normal

77 12:01 PM 23958 GREEN TEA Normal





82 12:03 PM 23959 MAC n CHEESE Normal




86 12:12 PM 23962 FISH N PASTA MARINARA SAUCE Normal

87 12:12 PM 23962 FISH N PASTA CREAMY SAUCE Normal











98 12:23 PM 23967 RICE CURRY Normal







105 12:28 PM 23968 ORANGE Normal





110 12:29 PM 23969 BLACK CURRANT TEA Normal


112 12:37 PM 23972 FISH n RICE Normal


101




116 12:37 PM 23972 PLAIN HOT TEA Normal















131 12:44 PM 23980 PLAIN ICE TEA Normal






















102









































103










































104




234 1:49 PM 24026 COCACOLA Normal






































105


























296 2:56 PM 24062 GUAVA JUICE Normal











307 2:56 PM 24061 LEMON TEA HOT Normal



106









































107










































108






393 5:08 PM 24112 CHRUNCY FRIED CALAMARY Normal







400 5:14 PM 24116 SEAFOOD PLATTER SMALL Normal









409 5:15 PM 24118 GRILLED SHRIMPS Normal

410 5:15 PM 24118 COCACOLA Normal




414 5:33 PM 24125 FISH N'CHIPS Takeaway












426 5:40 PM 24130 GRILLED CALAMARY Normal



109






















449 5:50 PM 24137 FANTA Normal



















468 6:02 PM 24146 SEAFOOD PLATTER BIG Normal

110
















483 6:23 PM 24159 FISH N'CHIPS Takeaway


























111

































540 7:59 PM 24223 ORANGE Normal









112


549 8:53 PM 24258 SEAFOOD PLATTER SMALL Takeaway








































113










































114
















115


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


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


LAMPIRAN 4

118


LAMPIRAN 5

prediksi pemesanan menu pada report point of sales...

Documents