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.



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.



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.



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.



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).



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



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).



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:



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).

dari

Documents

Transcript of dari