dari
-
Upload
muhammad-fazeriansyah -
Category
Documents
-
view
71 -
download
0
Transcript of dari
5/14/2018 dari - slidepdf.com
http://slidepdf.com/reader/full/dari5571ff8c49795991699d85e1 1/9
1.6. Metode Penelitian.
Penyusunan laporan penelitian ini melalui beberapa metode yang dipakai, yaitu :
a. Pengumpulan Data
Dalam pengumpulan data terdiri dari dua kegiatan, yaitu:
o Mengidentifikasi masalah
Mengidentifikasi masalah yang didapatkan diobjek penelitian, sehingga lebih jelas masalah
yang akan dibahas.
o Mengumpulkan data-data yang berhubungan
Dari masalah yang timbul, dilakukan pengumpulan data yang berkaitan dengan masalah yang
diangkat. Pengumpulan data bisa dilakukan dengan metode :
1. Studi Literatur
Setelah dilakukan analisa, maka untuk mengerjakan program diperlukan studi literature
sebagai bahan referensi dalam pembuatan program yang didapat dari dokumentasi buku-buku
dan dokumentasi hasil browsing internet yang berkaitan dengan masalah yang di angkat.
Studi literatur ini dilakukan terhadap berbagai buku yang membahas sistem informasi,
inventori, data mining, sistem pendukung keputusan, OLAP, metode association rule,
pengolahan database dengan menggunakan Interbase, bahasa pemograman delphi 7.
2. Observasi
Penelitian dan analisa langsung terhadap kondisi system yang ada sebelumnya. Kemudian
dilihat kebutuhan pemakai informasi tersebut serta system komputerisasi apakah yang akan
digunakan sesuai dengan kondisi yang ada. Observasi juga mencakup pencarian dan
pengambilan data-data yang akan digunakan dalam perancangan aplikasi baru.
3. Diskusi dan Wawancara
Diskusi dilakukan dengan pimpinan dan pihak-pihak lain yang secara langsung
berhubungan dengan system aplikasi (program) yang akan dikerjakan, maupun pihak yang
berkepentingan secara langsung dengan proyek yang akan dikerjakan, dan dalam hal iniadalah pihak Dealer.
b. Analisis Data
Data yang diperoleh dari pengumpulan data di atas kemudian dikelompokkan dan dianalilis,
untuk menetapkan data mana yang dipakai dan bila terjadi kekurangan data dapat dilakukan
penambahan.
5/14/2018 dari - slidepdf.com
http://slidepdf.com/reader/full/dari5571ff8c49795991699d85e1 2/9
c. Perancangan Sistem
Setelah data terkumpul dan dianalisis kemudian dilakukan perancangan sistem yang terdiri
dari perancangan database dan perancangan tampilan aplikasi.
d. Evaluasi Sistem
Sebelum menuju proses pembuatan aplikasi terlebih dahulu sistem yang telah disusun di
perancangan sistem di evaluasi guna mengetahui kekurangan-kekurangan sementara dari
sistem tersebut.
e. Pembuatan Aplikasi
Dalam proses ini dilakukan pembuatan tampilan sistem, pembuatan database, dan
penyusunan coding program.
f. Pengujian Sistem
Dalam pengujian sistem, aplikasi akan diuji dengan cara memasukkan data yang sudah
diperoleh. Jika masih terjadi kesalahan maka akan diperiksa kembali mulai dari
perancangan sistem sampai didapat hasil yang maksimal.
g. Dokumentasi dan Penyusunan Laporan
Pada tahap ini, setelah melakukan pengujian sistem kemudian dilakukan proses
dokumentasi dan penyusunan laporan yang bertujuan untuk mempermudah pengembangan
selanjutnya.
5/14/2018 dari - slidepdf.com
http://slidepdf.com/reader/full/dari5571ff8c49795991699d85e1 3/9
2.3.1. Algoritma a priori dan Market Basket Analysis.
Algoritma a priori termasuk jenis aturan asosiasi pada data mining. Selain a priori, yang
termasuk pada golongan ini adalah metode Generalized rule Induction dan Algoritma Hash
Based. (Kusrini dan Emha Taufiq Luthfi, 2009:149)
Aturan asosiasi (Association rules) atau analisis afinitas (affinity analysis) berkenaan dengan
‟studi tentang apa bersama apa‟. Ini bisa berupa studi transaksi di supermaket, misalnya
seseorang membeli susu bayi juga membeli sabun mandi. Disini berarti susu bayi bersama
dengan sabun mandi. Karena awalnya berasal dari studi tentang database transaksi pelanggan
untuk menentukan kebiasaan suatu produk dibeli bersama apa, maka aturan asosiasi juga
sering dinamakan market basket analysis (Budi Santoso, 2007:225).
Market basket analysis adalah salah satu cara yang digunakan untuk menganalisis data
penjualan dari suatu perusahaan. Proses ini menganalisis buying habits konsumen dengan
menemukan asosiasi antar item-item yang berbeda yang diletakkan konsumen dalam shoppingbasket. Hasil yang telah didapatkan ini nantinya dapat dimanfaatkan oleh perusahaan retail
seperti toko atau swalayan untuk mengembangkan strategi pemasaran dengan melihat item-
item mana saja yang sering dibeli secara bersamaan oleh konsumen (____, 2008:1).
2.3.2. 2.3.2. Association rule (aturan asosiasi).
Association rule mining adalah suatu prosedur untuk mencari hubungan antar item dalam
suatu data set yang ditentukan. Association Rule meliputi dua tahap:
1. Mencari kombinasi yang paling sering terjadi dari suatu itemset.
2. Mendefinisikan Condition dan result (untuk conditional association rule).
Umumnya dua kepercayaan (interesting measure) yang digunakan dalam menentukan suatu
aturan association rule, yaitu (____, 2010:1):
1. Support: suatu ukuran yang menunjukkan seberapa besar tingkat dominasi suatu item /
itemset dari keseluruhan transaksi. Ukuran ini menentukan apakah suatu item / itemset layak
untuk dicari confidence faktornya.
2. Confidence: suatu ukuran yang menunjukkan hubungan antar 2 item secara conditional
(misal, seberapa sering item B dibeli jika orang membeli item A).
Kedua ukuran ini nantinya berguna dalam menentukan interesting association rules, yaitu
untuk dibandingkan dengan batasan (treshold) yang ditentukan oleh user. Batasan tersebut
umunya terdiri dari min_support dan min_confidence. Bila memenuhi kedua batasan maka
sebuah rule dapat disebut interesting rule.
5/14/2018 dari - slidepdf.com
http://slidepdf.com/reader/full/dari5571ff8c49795991699d85e1 4/9
Confidence adalah rasio antara jumlah transaksi yang meliputi semua item dalam antedent
dan concequent dengan jumlah transaksi yang meliputi semua item dalam antecendent atau
dapat ditulis:
Confidence=jumlahtransaksi dengan item dalam antedent(A)dan concequent(B)
Jumlah transaksi dengan item dalam antedent (A)
Dan biasanya pada istilah antecedent untuk mewakili bagian “jika” dan concequent untuk
mewakili bagian “maka”. (Budi Santoso, 2007:228)
Lift rasio merupakan salah satu cara yang lebih baik untuk melihat kuat tidaknya aturan
asosiasi adalah membandingkan dengan nilai benchmark, dimana kita asumsikan kejadian item
dari concequent dalam suatu transaksi adalah independent dengan kejadian dari antecendent
dari suatu aturan asosiasi. Atau dengan kata lain, bila item-item dalam antecendent dan
concequent saling independent, maka support adalah:
P(antecendent)*P(concequent) = P (consequent)
P(antecendent)
Nilai estimasi dari confidence benchmark dihitung dari suatu aturan yang dihitung dengan:
Confidence benchmark=jumlah transaksi dengan item dalam concequent(B)
Jumlah transaksi dalam database Kita bandingkan confidence terhadap confidence benchmark
dengan melihat rasionya, yang dinamakan lift rasio. Jadi lift rasio adalah perbandingan
antara confidence untuk suatu aturan dibagi dengan confidence, dimana diasumsikanconsequent dan antencedent saling independent Lift rasio = confidence
Benchmark confidence
Nilai lift rasio lebih besar dari 1 menunjukkan adanya manfaat dari aturan tersebut. Lebih
tinggi lift rasio, lebih besar kekuatan asosiasi.(Budi Santoso, 2007: 229-230).
2.4. Data Mining
Data mining adalah suatu proses untuk menemukan suatu interesting knowladge dari
sejumlah data yang ada dalam database sehingga didapatkan suatu pattern tertentu yangdapat disimpan sebagai knowladge baru. Interesting knowladge ini biasanya dikenal dengan
istilah pattern (pola). Ada beberapa metode dalam data mining salah satunya adalah
dengan association rule.
Association rule adalah salah satu model data mining yang digunakan untuk mendapatkan
hubungan ketergantungan antara item pada sekumpulan record.
5/14/2018 dari - slidepdf.com
http://slidepdf.com/reader/full/dari5571ff8c49795991699d85e1 5/9
Misalnya, untuk memprediksi ketergantungan antara dua produk pada sebuah pembelian di
toko retail. Ada dua tahap yang harus dilakukan untuk melakukan proses ini, yaitu (1)
mencari kombinasi yang paling sering terjadi dalah suatu item set (himpunan item), dan (2)
mendefinisikan conditional dan result (akibat).
Dalam association rule, ada beberapa ukuran yang sering digunakan. (1) support, (2) confidence,(3) Improvement, dan (4) Certainly Factor (Hanif, 2009:1)
Selain association rule, metode lain yang bisa dilakukan untuk mendapatkan pola keterhubungan
antara dua object adalah sequential pattern discovery (menemukan pengurutan pola).
Metode ini berusaha untuk mendapatkan hubungan secara sekuensial (berurutan) antar item
yang berada dalam suatu item set dimana masing-masing item berkaitan dalam suatu waktu
kejadian. Misal jika ada seseorang membeli sepatu olah raga, kemudian membeli raket dan tenis,
maka bisa dipastikan dia juga akan membeli jaket olah raga (Haniif, 2009:1).
Data mining dapat dikatakan sebagai hasil dari evolusi teknologi informasi. Yaitu mulai darisistem data (collection), database creation, data management (termasuk storage dan retrieval
dan database transaction processing) dan data analysis and understanding. Situasi dimana
tersedianya data dalam jumlah sangat banyak dan sekaligus sebagai juga kebutuhan akan alat
analisa data yang memadai dideskripsikan juga sebagai data rich but informationpoor situation
(data tersedia dalam jumlah sangat banyak tapi tanpa informasi yang cukup). Program data
mining melakukan analisa data dan dapat menemukan informasi penting mengenai pola
data, dapat memberikan konstribusi besar-besaran pada strategi bisnis, knowledge base, dan
penelittian serta riset medikal (Handoejo Andreas, Dkk, 2008:1-2).
Proses pada data mining ini secara lebih detail terdiri dari lima tahap seperti terdapat padagambar (2.2).
5/14/2018 dari - slidepdf.com
http://slidepdf.com/reader/full/dari5571ff8c49795991699d85e1 6/9
Gambar 2.2. Tahapan-Tahapan Dalam Data Mining. (Handoejo Andreas, Dkk, 2008:1-2).
Tahap-tahapnya dimulai dari pemrosesan raw data (data mentah) sampai pada penyaringan
hingga ditemukannya knowledge, dijabarkan sebagai berikut (Handoejo Andreas, Dkk,
2008:2):
1. Selection, yaitu proses memilih dan memisahkan data berdasarkan beberapa kriteria,
misalnya berdasarkan kota tempat tinggal konsumen.
2. Preprocessing, yaitu mempersiapkan data, dengan cara membersihkan data, informasi
atau field yang tidak dibutuhkan, yang jika dibiarkan hanya akan memperlambat proses
query, misalnya nama pelanggan jika kita sudah mengetahui kode pelanggannya. Selain itu
juga, ditahap ini dilakukan penyeragaman format terhadap data yang tidak konsisten, misalnya
pada suatu field dari suatu tabel, data jenis kelamin diinputkan dengan “L” atau “M”,
sedangkan pada tabel yang lain, data tersebut diinputkan sebagai “P” atau “W”.
3. Transformation, pada tahap ini dilakukan transformasi terhadap data dengan
menambahkan data tertentu sehingga membuat data menjadi lebih muda untuk digunakan dan
dinavigasikan.
4. Data mining, tahap ini dipusatkan untuk mendapatkan pola dari data (extraction of data).
5. Interpretation and evaluation, pola yang telah diidentifikasi oleh sistem kemudian di
terjemahkan/ diintepretasikan menjadi bentuk knowledge yang lebih mudah dimengerti oleh
user untuk membantu pengambilan keputusan, misalnya menunjukan item yang saling
berasosiasi melalui grafik atau bentuk lain yang lebih mudah dimengerti.
2.5. OLAP (On-line Analitytic Processing).
OLAP merupakan salah satu dari teknik data mining. Tidak semua yang dapat digunakan
untuk menganalisa data merupakan data mining. OLAP adalah suatu cara untuk
menampilkan relational data kepada user sebagai salah satu fasilitas untuk memahami data
dan suatu pola yang penting yang terdapat didalamnya. Seperti pada suatu penggambaran,
OLAP bukan merupakan suatu alat yang penting untuk menggambarkan informasi. Metode
OLAP yang sering digunakan berdasarkan multidimensional databases (MDDs). MDDs adalah
suatu representasi data yang memungkinkan pengguna untuk lebih dalam melihat data pada
suatu kesimpulan yang bervariasi. (Nofri Defri Anda, 2002:20)
Operasi-Operasi OLAP (Silfi:2010):
a) Slicing dan dicing.
Slicing dan dicing adalah operasi untuk melihat data sebagai visualisasi dari kubus.
Dengan slicing dan dicing pengguna dapat melihat data dari beberapa perpestif. Slicing
memotong kubus sehingga dapat memfokuskan pada perspektif yang spesifik (pada suatu
5/14/2018 dari - slidepdf.com
http://slidepdf.com/reader/full/dari5571ff8c49795991699d85e1 7/9
dimensi). Sedangkan pada dicing memberikan kemampuan untuk melihat pemilihan data
pada dua dimensi atau lebih, yaitu dengan merotasi cube pada perpekstif yang lain sehingga
pengguna dapat melihat lebih spesifik terhadap data yang di analisa.
b) Roll up dan drill down.
Roll up dan drill down adalah operasi untuk melihat data global atau detail di sepanjang level
hirarki dimensi. Roll up untuk melihat data secara global atau rangkuman (summary). Drill
down memandu pengguna untuk memeperoleh data yang lebih detail. Drill down ini biasa
digunakan untuk menjawab pertanyaan atas suatu kasus tertentu. Misalnya untuk menjawab
pertanyaan ketika sebuah summary number (rata-rata jumlah) di bawah atau di atas harapan.
2.6. Data Warehouse
Data warehouse Adalah kumpulan dari komponen-komponen perangkat keras dan perangkat
lunak yang dapat digunakan untuk mendapatkan analisa yang lebih baik dari data yang
berjumlah sangat besar sehingga dapat membuat keputusan yang baik. Dengan kata lain
sebagai “gudang data”.sedangkan manfaat Data Warehouse biasanya digunakan untuk
(Iwayan, 2008:1):
1. Memahami trend bisnis dan membuat perkiraan keputusan yang lebih baik.
2. Menganalisa informasi mengenai penjualan harian dan membuat keputusan yang cepat dalam
mempengaruhi performance perusahaan. Spesifikasi kebutuhan fungsional informasi secara
teknis menyatakan data apa yang harus disimpan didalam data warehouse untuk memenuhi
analisa yang akan dilakukan oleh pemakai. Ini dapat dinyatakan dalam bentuk pertanyaan
yang harus dapat dijawab oleh data didalam data warehouse, misalnya untuk contoh kita sebagaiberikut:
Berapa besar penjualan dan laba per bulan, per produk, per tipe pelanggan/pembeli (grosir,
pabrikan, industri rumah, atau exportir), jenis industri (dari pelanggan/pembeli), dan
kemana barang pesanan dikirim (propinsi atau nama negera)
Pertanyaan pemakai semacam diatas biasa disebut analisa multi-dimensi (multidimensional
analysis). Besaran (measure) yang ditanyakan (dianalisa) adalah „penjualan‟ dan „laba‟.
Batasan (dimension) dari besaran tersebut adalah bulan (period), produk, tipe pelanggan,
jenis industri, dan tujuan pengiriman (location).
Selain harus memenuhi spesifikasi fungsional dari pemakai, data model untuk data
warehouse yang kita buat (rancang) nantinya harus menampung data dari sumber, yang
biasanya adalah data didalam sistem operasional, misalnya dalam contoh kita adalah sistem
pesanan (sales order system) (Iwayan, 2008:1).
5/14/2018 dari - slidepdf.com
http://slidepdf.com/reader/full/dari5571ff8c49795991699d85e1 8/9
2.7. DSS
Sistem pendukung keputusan (Decision Support System atau DSS) merupakan sistem
informasi interaktif yang meyediakan informasi, permodelan, dan pemanipulasian data,
sistem itu digunakan untuk membantu pengambil keputusan dalam situasi yang semi
terstruktur dan situasi yang tidak terstruktur, dimana tak seorangpun tahu secara pastibagaimana keputusan seharusnya dibuat (Kusrini, 2007:15-16).
DSS biasanya dibangun untuk mendukung solusi atas suatu masalah atau untuk
mengevaluasi suatu peluang. DSS yang seperti itu disebut aplikasi DSS.
Aplikasi DSS digunakan dalam pengambilan keputusan. Aplikasi DSS menggunakan data,
memberikan antarmuka pengguna yang mudah, dan dapat menggabungkan pemikiran
pengambil keputusan. (Kusrini, 2007:39)
Tujuan dari DSS adalah (Kusrini, 2007: 16-17):
a) Membantu manajer dalam pengambilan keputusan atas masalah semi terstruktur.
b) Memberikan dukungan atas pertimbangan manajer dan bukannya dimaksudkan untuk
menggantikan fungsi manajer.
c) Berdaya saing. Manajemen dan pemberdayaan sumber daya perusahaan.
Tekanan persaingan menyebabkan tugas pengambilan keputusan menjadi sulit. Persaingan
tidak hanya pada harga, tetapi juga pada kualitas, kecepatan, kustomasi produk, dan
dukungan pelanggan. Organisasi harus mampu secara sering dan cepat mengubah mode
operasi, merekayasa ulang proses dan struktur, memberdayakan karyawan, serta berinovasi.
Teknolgi pengambilan keputusan bisa menciptakan pemberdayaan yang signifikan dengan
cara memperbolehkan seseorang untuk membuat keputusan yang baik secara cepat, bahkan
jika mereka memiliki pengetahuan yang kurang. Untuk dapat bertahan menghadapi
persaingan tersebut tidak cukup hanya dengan membuat harga menjadi lebih murah,
karena pelanggan juga mencari kepuasan jika membeli suatu barang di toko yang
bersangkutan. Maka pihak manajemen selalu dituntut menemukan ide-ide yang dapat
mempertahankan pelanggan agar tetap setia membeli di CV. Damarlangit tersebut. Salah
satu yang didapat adalah dengan mengetahui pola pembelian beberapa pelanggan yang
berkaitan dengan asosiasi antara barang-barang yang dibeli. Misal banyak pelanggan yangselalu membeli barang A bersamaan dengan barang B. Jika pola pembelian pelanggan
tersebut dapat diketahui, maka pihak manajemen dapat melakukan sesuatu untuk
meningkatkan kepuasan pelanggan dalam membeli suatu produk.
Didalam Al-qur‟an (An- Nisaa‟/ 04 :58) yang berbunyi:
5/14/2018 dari - slidepdf.com
http://slidepdf.com/reader/full/dari5571ff8c49795991699d85e1 9/9
Artinya: “Sesungguhnya Allah menyuruh kamu menyampaikan amanat kepada yang berhak menerimanya, dan (menyuruh kamu) apabila menetapkan hukum di antara manusia supaya
kamu menetapkan dengan adil.
Sesungguhnya Allah memberi pengajaran yang sebaik-baiknya kepadamu.
Sesungguhnya Allah adalah Maha mendengar lagi Maha Melihat” (An- Nisaa‟/ 04 :58).