DEWAN REDAKSI Penanggungjawab dan Penasehat Anggota …jurnal.stmikelrahma.ac.id/assets/file/Ni...

DEWAN REDAKSI

Penanggungjawab dan Penasehat Ketua STMIK EL RAHMA Eko Riswanto, S.T, M.Cs.

Ketua Dewan Redaksi Suparyanto, S.T, M.Eng

Anggota Dewan Redaksi

Minarwati, S.T, M.Cs

Wahyu Widodo, S.Kom, M.Kom Yuli Praptomo PHS, S.Kom, M.Cs

Penyunting Ahli

Andri Syafriyanto, S.Kom., M.Cs.

Suparyanto, S.T, M.Eng Eko Riswanto, ST., M.Cs.

Penyunting Pelaksana

Jamhari, A.Md Asih Winantu, S.Kom, M.Cs

Momon Muzakkar, ST., M.Eng

Desain Cover dan Administrasi

Amir Muhtarom, S.Kom

Mitra Bestari

Muhammad Sholeh, S.T.,MT Dahlan Abdullah, S.T, M.Kom

Bahar, S.T. M.Kom.

KATA PENGANTAR

Puji syukur redaksi panjatkan kehadirat Allah SWT karena dengan limpahan rahmat dan hidayah-Nya, Jurnal FAHMA dapat hadir kemballi dihadapan pembaca yang budiman. Pada kesempatan ini, rekdaksi mengajak para pembaca untuk berpartisipasi bagi kelangsungan Jurnal FAHMA dengan mengirimkan naskah hasil penelitian maupun hasil pengabdian masyarakat.

Ternyata mencari naskah penelitian yang “layak terbit” tidak semudah yang

dibayangkan. Apalagi untuk memenuhi kriteria yang diinginkan dewan redaksi, namun demikian redaksi tetap berusaha mendapatkan naskah dengan sistem “jemput bola” kepada para dosen maupun mahasiswa S2 yang telah melakukan penelitian dan pengabdian masyarakat. Hasil penelitian mahasiswa S1 yang layak dan berkualitas serta arahan pembimbing pun dapat disajikan dalam jurnal ini. Semua itu dimaksudkan sebagai upaya Jurnal FAHMA dapat terbit berkala dan menyuguhkan informasi teknologi dan ilmu komputer dihadapan pembaca.

Edisi FAHMA Volume 16 Nomor 2 Mei 2018 kali ini menyajikan berbagai hasil

penelitian dari beberapa dosen. Diantaranya dalam bidang penerapan algoritma oleh Ni Kadek Sukerti, Andri Syafrianto, Harliana dan Umar Zaky, bidang aplikasi jaringan oleh Minarwati, bidang Sistem Pendukung Keputusan oleh Asih Winantu, Rofiq Muhdan Siregar, bidang image processing oleh Thomas Edyson Tarigan, Febri Nova Lenti, dan FX. Henry Nugroho, Syamsu Windarti

Akhirnya selamat membaca artikel-artikel yang kami sajikan, semoga bermanfaat

dan dapat menambah pengetahuan pembaca. Amin.

Salam dari Redaksi

DAFTAR ISI Halaman Sampul Halaman Susunan Dewan Redaksi Kata Pengantar Daftar Isi PENENTUAN PEMILIHAN POLA MENU MELALUI PENERAPAN ALGORITMA APRIORI Ni Kadek Sukerti ........................................................................................................

1 – 9

IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR (KNN) DALAM MENGKLASIFIKASIKAN MAHASISWA KKL DI STMIK EL RAHMA YOGYAKARTA Andri Syafrianto ……..…….....................................................................................

10 – 19

OPTIMASI K-MEANS DALAM MENENTUKAN JUMLAH KELOMPOK SISWA TAHFIDZ AL-QUR’AN Harliana .......................................................................................................................

20 – 27

MEMBANGUN APLIKASI JARINGAN MIKROTIK BERBASIS PC ROUTER Minarwati .....................................................................................................................

28 – 42

FOREX EXPERT ADVISOR MENGGUNAKAN INDIKATOR MACD DAN EMA FX. Henry Nugroho, Syamsu Windarti ..................................................................

43 – 52

ANALISIS PENGARUH PADDING CITRA BITMAP 24 BIT TERHADAPKEBUTUHAN MEMORI PENYIMPANAN Thomas Edyson Tarigan, Febri Nova Lenti .......................................................... PENERAPAN FUZZY MULTI ATTRIBUTE DECISION MAKING UNTUK PENILAIAN KOMPETENSI DOSEN Asih Winantu, Rofiq Muhdan Siregar …………………………………...… IMPLEMENTASI ALGORITMA KODE HUFFMAN UNTUK EFISIENSI PENYIMPANAN CITRA (STUDI KASUS WEBSITE INTEESHIRT) Umar Zaky …………………………………...……………………………..

53 – 59

60 – 82

83 – 92

FAHMA – Jurnal Teknologi dan Ilmu Komputer Vol. 16, No 2, Mei 2018

1

PENENTUAN PEMILIHAN POLA MENU MELALUI PENERAPAN ALGORITMA APRIORI

Ni Kadek Sukerti

Sistem Informasi STMIK STIKOM Bali Jl. Raya Puputan Renon No. 86 Denpasar-Bali, 0361-244445

e-mail: [email protected]

Abstract Kemajuan teknologi berakibat langsung terhadap perkembangan pariwisata khususnya di pulau

Nusa Penida. Rumah makan dan penginapan bermunculan seiring meningkatnya kunjungan wisatawan domestik maupun asing. Penelitian ini bertujuan untuk analisa data dengan menggunakan Data Mining dan metode Algoritma Apriori. Penerapan Data Mining di dalam penjualan berguna untuk meminimalisir banyaknya waktu maupun biaya yang dihabiskan hanya untuk menentukan pemilihan target pembelian menu yang diminati. Implementasi data mining menggunakan algoritma Apriori pada Resto Ayu Nadi dan yang menjadi populasi penelitian ini adalah data- data transaksi penjualan menu dalam dua bulan terakhir. Dengan nilai minumum support 40% dan nilai minimum confidence 85% menghasilkan aturan asosiasi dua itemset yang terpilih terhadap menu yang ada. Hasil penelitian ini diharapkan dapat memberikan informasi yang bermanfaat bagi pemilik resto Ayu Nadi dalam melakukan pengambilan keputusan manajerial, terutama dalam penentuan pola menu dan membantu dalam tata letak menu. Keywords—Data Mining, Algoritma Apriori, Resto, Itemset PENDAHULUAN

Kemajuan teknologi berakibat langsung terhadap perkembangan pariwisata khususnya di pulau Nusa Penida. Rumah makan dan penginapan mulai bermunculan seiring meningkatnya kunjungan wisatawan domestik maupun asing untuk menikmati alam nusa penida. Resto Ayu Nadi terletak di banjar Sental Kawan, Nusa Penida termasuk rumah makan yang ramai dikunjungi oleh wisatawan asing karena menu yang disajikan beragam terutama ikan laut. Dengan jumlah karyawan 7 orang mampu melayani pengunjung setiap hari hampir 40-50 orang. Resto ini sudah berdiri hampir 5 tahun tentunya dengan perubahan beberapa menu sampai saat ini. Beragam menu yang disiapkan tidak semuanya dipesan oleh pengunjung, adakalanya beberapa menu hampir tidak pernah dipesan atau jarang dipesan.

Penerapan Data Mining di dalam penjualan berguna untuk meminimalisir banyaknya waktu maupun biaya yang dihabiskan hanya untuk menentukan pemilihan target pembelian menu yang diminati. Dalam persaingan di dunia bisnis, khususnya rumah makan, para pemilik resto diharapkan mampu menemukan strategi yang mampu menarik banyak pelanggan demi kemajuan resto tersebut. Diantaranya selalu menyediakan menu yang paling banyak dipesan atau dibutuhkan oleh konsumen. Penerapan Algoritma Apriori dapat membantu dalam membentuk kandidat kombinasi item, kemudian dilakukan pengujian apakah kombinasi tersebut memenuhi parameter support dan confidence minimum yang merupakan nilai ambang yang diberikan oleh pengguna. Jika memenuhi parameter support dan confidence maka hasil tersebut dapat membantu dalam penentuan pola menu dan membantu tata letak menu berdasarkan kencenderungan konsumen memilih menu. Data transaksi yang digunakan pada resto Ayu Nadi selama satu bulan dengan sampel 14 data transaksi. Beberapa penelitian sebelumnya yang berkaitan


2

dengan penelitian ini dijelaskan pada tinjauan pustaka. Dengan dilakukannya penelitian ini diharapkan dapat memberikan hasil berupa informasi yang dapat bermanfaat bagi pemilik resto Ayu Nadi dalam melakukan pengambilan keputusan manajerial, terutama dalam penentuan pola menu dan juga dapat membantu dalam tata letak menu.

Beberapa studi/penelitian yang telah dilakukan sebelumnya yang berkaitan dengan penerapan Algoritma Apriori, dan menjadi referensi dalam penulisan penelitian ini diantaranya [1] Implementasi Data Mining dengan Metode Algoritma Apriori dalam Menentukan Pola Pembelian Obat. Sistem yang dibangun ditujukan untuk pemenuhan dalam penentuan pola pembelian obat dengan menggunakan bahasa pemrograman Visual Basic 6.0 dan database MySQL pada studi kasus di sektor kesehatan. Hasil pengujian dengan Algoritma Apriori dan sistem yang dibangun menunjukan hasil yang telah memenuhi kebutuhan dalam penentuan pola pembelian obat berdasarkan kecenderungan pembelian obat oleh pelanggan. Dibandingkan dengan sistem yang sedang berjalan kinerja tersebut ditunjukan pada efektifitas informasi dari sistem tentang penentuan pola pembelian obat untuk ketersediaan obat dan tata letak obat untuk memudahkan dalam mengetahui keberadaan obat. [2] Pengembangan Sistem Rekomendasi Penelusuran Buku dengan Penggalian Association Rule Menggunakan Algoritma. Melakukan analisa terhadap histori dari transaksi peminjaman buku yang ada. Pemilihan data histori sebagai bahan analisa dikarenakan dari data ini bisa digali pola asosiasi antar buku yang dipinjam pada transaksi-transaksi yang ada. Hasil transaksi peminjaman buku dengan strong association (keterkaitan yang kuat) antar buku dalam transaksi yang digunakan sebagai rekomendasi peminjaman buku yang membantu pengguna mendapatkan rekomendasi buku lain ketika pengguna melihat rincian dari buku yang dipilih atau hendak dipinjam. Dari hasil uji coba pada penelitian ini, ditemukan bahwa semakin besar minimum support (minsup) dan minimum confidence (minconf), semakin sedikit waktu yang dibutuhkan untuk menghasilkan rekomendasi serta semakin sedikit rekomendasi yang diberikan, namun rekomendasi yang diberikan berasal dari transaksi yang sering muncul.

Penentuan Association Rule Pada Pemilihan Program Studi Calon Mahasiswa Baru Menggunakan Algoritma Apriori Studi Kasus Pada Universitas Widyatama Bandung (Fitrah Rumaisa, 2012). Diketahui mulai tahun 2001 Universitas Widyatama memiliki 11 program studi. Pada Penerimaan Mahasiswa Baru, calon mahasiswa diperbolehkan memilih maksimal 3 (tiga) pilihan program studi. Selama ini, belum pernah diketahui rule pemilihan program studi yang dilakukan oleh calon mahasiswa. Sehingga strategi khusus yang dilakukan dalam kegiatan promosi. Salah satu alternatif solusi dari masalah tersebut menerapkan teknik data mining, sehingga dapat dilakukan penelusuran pada data historis untuk mengidentifikasi pola data yang dimiliki terhadap subyek yang diteliti yang didasarkan pada sifat-sifat data yang teridentifikasi sebelumnya [3].

Penerapan Metode Data Mining Market Basket Analysis terhadap data penjualan produk buku dengan menggunakan Algoritma Apriori dan Frequent Pattern Growth [4]. Melakukan penelitian menggunakan metode Data Mining dengan Algoritma Apriori dan FP Growth dalam menentukan strategi penjualan dan pemasaran yang efektif pada PT gramedia. Dimana Algoritma Apriori dan FP Growth adalah algoritma yang digunakan untuk membantu menemukan sejumlah aturan asosiasi dari basis data transaksi penjualan produk buku. Pada aturan asosiasi algortima FP growth menemukan hubungan antara itemset dengan tingkat kekuatan aturan Asosiasi Support dan Confidence sebesar 0,273 sedangkan pada aturan asosiasi Algoritma Apriori menemukan hubungan antar itemset dengan tingkat kekuatan aturan Asosiasi Support dan Confidence sebesar 0,725. Sehingga disimpulkan bahwa dengan Algoritma Apriori dapat membantu dalam menentukan strategi penjualan dan pemasaran buku.


3

METODE PENELITIAN

Penelitian yang dilaksanakan terdiri dari beberapa tahapan (gambar 1) Proses pengumpulan data dilakukan dengan dua cara yaitu: studi kepustakaan dan studi lapangan. Studi kepustakaan dilakukan untuk memahami penerapan Data Mining seperti mengumpulkan teori-teori yang berhubungan dengan Data Mining dan studi lapangan dilakukan mendapatkan data penelitian. Data yang diperoleh akan dianalisa untuk mengetahui kebutuhan dalam proses Asosiasi data dalam penyelesaian masalah. Pada tahap pengolahan data terlebih dahulu melakukan identifikasi masalah yang ada dan sering dihadapi oleh pihak Resto Ayu Nadi, untuk kemudian mendeskripsikan masalah-masalah tersebut untuk diperoleh solusinya. Tahap selanjutnya dilakukan analisa masalah menggunakan teknik data mining dengan algoritma Apriori untuk mendapatkan hasil sebagai tujuan yang akan dicapai.

Gambar 1. Metode Penelitian

Definisi Data Mining menurut Han Jiaei dan M. Kamber adalah proses mengekstraksi pola-pola yang menarik (implisit, tidak diketahui sebelumnya, dan berpotensi untuk dapat dimanfaatkan) dari data yang berukuran besar. Data Mining mampu menangani jumlah data kecil sampai dengan data yang berukuran besar, mempunyai banyak dimensi serta mampu menangani data dengan kompleksitas tinggi. Terdapat model atau mode yang digunakan untuk melakukan proses penggalian informasi terhadap data-data yang ada. Menurut IBM model Data Mining dapat dibagi menjadi 2 bagian yaitu Verification Model dan Discovery Model. a. Verification Model dimana data-data yang ada pada model ini hanya digunakan untuk membuktikan mendukung perkiraan (Hypothesis) yang telah diambil sebelumnya. Jadi model ini sepenuhnya tergantung pada kemampuan user untuk melakukan analisa terhadap permasalahan yang ingin digali dan diperoleh informasinya. b. Discovery Model dimana pada model ini sistem secara langsung menemukan informasi-informasi penting yang tersembunyi dalam suatu data yang besar. Data-data yang ada kemudian dipilah-pilah untuk menemukan suatu pola, trend yang ada, dan keadaaan umum pada saat itu tanpa adanya campur tangan dan tuntunan dari pengguna. Hasil temuan ini menyatakan fakta-fakta yang ada dalam datadata yang ditemukan dalam waktu yang sesingkat rnungkin.


4

Data Mining bersifat dependen terhadap aplikasi terkait, ini berarti untuk aplikasi basis data yang berbeda, maka teknik Data Mining yang digunakannya mungkin juga akan berbeda. Hal ini dikarenakan terdapat kelebihan dan kekurangan dari masing-masing metode pencarian informasi, sehingga kita harus menyesuaikan antara keperluan dan kebutuhan akan informasi dengan penerapan teknik pencarian yang akan digunakan. Data-data yang ada, tidak dapat langsung diolah dengan menggunakan sistem data mining. Data-data tersebut harus dipersiapkan terlebih dahulu agar hasil yang diperoleh dapat lebih maksimal, dan waktu komputasinya lebih minimal. Adapun tahapan-tahapan yang harus dilalui dalam proses Data Mining (gambar 2)antara lain:

Gambar 2. Tahapan Data Mining

Association Rule digunakan untuk menemukan pola yang menggambarkan kekuatan ciri-ciri asosiasi di dalam data. Association Rule salah satu metode yang umum digunakan untuk mencari hubungan antar item. Dalam menentukan suatu Association Rule terdapat ukuran yang menyatakan bahwa suatu informasi atau knowledge dianggap menarik. Ukuran ini didapatkan dari hasil pengolahan data dengan perhitungan tertentu. Untuk mengukur interestingness measure, dapat digunakan variabel seperti berikut : a. Support : suatu ukuran yang menunjukkan berapa besar tingkat dominasi suatu item

atau itemset dari keseluruhan transaksi. Ukuran ini menentukan apakah suatu item atau itemset layak dicari confidence-nya.

b. Confidence : suatu ukuran yang menunjukkan hubungan antar dua item secara conditional.

Beberapa simbol yang akan membantu untuk menerapkan Association Rule, yaitu : a. Association Rule : implikasi yang dimisalkan dengan bentukX -> Y, dimana X dan

Y saling disjoin (X ∩ Y). b. Support count (σ(X)) : jumlah transaksi yang memuat itemset tertentu. c. Support (s(X->Y)) : tingkat intensitas kemunculan gabungan rule (X U Y) pada

Association Rule diseluruh data set. d. Confidence (c(X<- Y)) : tingkat intensitas kemunculan item Y pada transaksi yang

memuat X. Adapun persamaaan matematis dari support dan confidence yaitu:


5

Algoritma Apriori digunakan untuk menemukan frequent itemset yang dijalankan pada

sekempulan data. Pada iterasi ke –k, akan ditemukan semua itemset yang memiliki k item yang disebut dengan k-itemset. Tiap iterasi terdiri dari dua tahap, yaitu gunakan frequent (k-1)-itemset untuk membangun kandidat frequent k-itemset dan gunakan scan database dan pencocokan pola untuk mengumpulkan hitungan untuk kandidat itemset.

Gambar 3. Flowchart Algoritma Apriori

HASIL DAN PEMBAHASAN Analisa Data

Algoritma apriori bertujuan untuk menemukan semua aturan apriori yang memenuhi syarat minimum support (nilai Penunjang), yaitu kombinasi tiap item dalam database. Dan syarat minimum confidence (nilai kepastian), yaitu kuatnya hubungan antar item dalam aturan asosiasi. Adapun tahapan dalam menggunakan algoritma apriori ditunjukkan pada gambar 4


6

Gambar 4. Flowchat dengan algoritma apriori

Pola Transaksi Pemilihan Menu Berdasarkan transaksi di Resto Ayu Nadi dapat diakumulasikan dari penjualan bulanan yang diambil dari 2 teratas laporan bulanan, dapat dilihat dalam tabel 1

Tabel 1. Pola Transaksi di Resto Ayu Nadi

Jika dibuat dalam bentuk tabular, data tansaksi pada tabel 1 akan terlihat seperti tabel 2

Tabel 2. Format tabular data transaksi

Pembentukan Pola Frekuensi Tinggi

Selanjutnya akan ditunjukkan (tabel 3) calon 2-itemset dari data transaksi berdasarkan data yang telah ada. Tahapan ini menentukan kombinasi item yang memenuhi syarat


7

minimum dari nilai support dalam database. Dimana, nilai support untuk dua itemset menggunakan persamaan dibawah:

(A,B) =

Aturan yang kuat salah satunya aturan-aturan yang melebihi kriteria support dan/atau confidence minimum. Misalnya dengan mengambil nilai support ≥ 20% dan confidence ≥ 35%

Tabel 3. Pembentukan 2-itemset

Frequent itemset menunjukkan itemset yang memiliki frekuensi kemunculan lebih dari nilai

minimum yang telah ditentukan (ɸ). Untuk penelitian ini diambil ɸ=4, maka semua itemset yang frekuensi kemunculannya lebih dari 4 kali disebut Frequent, dan ditunjukkan pada tabel 4 nilai support minimum 40% yang diperoleh dari dua itemset.

Tabel 4 Minimum Support dari 2 Itemset

Pembentukan Aturan Asosiasi Setelah semua pola frekuensi tinggi ditemukan, selanjutnya mencari aturan asosiasi yang

memenuhi syarat minimum confidence dengan aturan asosiasi A B untuk dua itemset menggunakan persamaan dibawah:

Confidence=P(B|A)=

Nilai minimum confidence diambil = 85%, sehingga akan dihasilkan seperti tabel 5

Tabel 5. Minimum confidence dari 2 Itemset


8

Hasil dari aturan asosiasi dengan nilai minimum confidence =85%, untuk dua itemset didapatkan hasil seperti tabel 6

Tabel 6. Hasil Aturan Asosiasi

Berdasarkan Tabel 6, menu di Resto Ayu Nadi yang paling sering dibeli oleh konsumen adalah, ikan bakar dan kerupuk, sehingga pemilik resto dapat menyusun strategi dalam penentuan menu pilihan konsumen dan tetap menjaga stok makanan agar selalu tersedia. Serta dapat mengatur tata letak menu berdasarkan kombinasi itemset menu yang terbentuk. Hasil yang diperoleh berupa data statistik seperti yang tertera pada gambar dibawah:

KESIMPULAN

Kesimpulan dari penelitian ini adalah Proses penentuan pola menu di Resto Ayu Nadi dapat dilakukan dengan menerapkan data mining dengan metode algoritma appriori, untuk melihat hasil dari kecenderungan konsumen dalam memilih menu berdasarkan kombinasi dua itemset. Sehingga konsumen merasa nyaman dengan paket menu yang telah disiapkan dan tata letak yang berdekatan makin memudahkan pencarian menu. Hasil penelitian ini menunjukkan bahwa dengan nilai minumum support 40% dan nilai minimum confidence 85% menghasilkan aturan asosiasi dua itemset yang terpilih terhadap menu yang ada. Dari hasil uji coba pada penelitian ini, ditemukan bahwa semakin besar minimum support (minsup) dan minimum confidence (minconf), semakin sedikit waktu yang dibutuhkan untuk menghasilkan rekomendasi serta semakin sedikit rekomendasi yang diberikan, namun rekomendasi yang diberikan berasal dari transaksi yang sering muncul. SARAN

Saran yang dapat diberikan untuk pengembangan ke depan adalah menggunakan algoritma appriori dengan item set yang lebih dari dua dan memanfaatkan algoritma association data mining lainya seperti Generalized Rule Iduction maupun Algoritma Hash Based.


9

DAFTAR PUSTAKA [1] Robi Yanto dan Riri Khoiriah. Implementasi Data Mining dengan Metode Algoritma

Apriori dalam Menentukan Pola Pembelian Obat. Citec Journal, Vol. 2, No. 2, 2015. [2] Nugroho Wandi, Rully A. Hendrawan, dan Ahmad Mukhlason. Pengembangan Sistem

Rekomendasi Penelusuran Buku dengan Penggalian Association Rule Menggunakan Algoritma Apriori (Studi Kasus Badan Perpustakaan dan Kearsipan Provinsi Jawa Timur). Jurnal Teknik ITS Vol. 1, ISSN: 2301-9271, 2012.

[3] Fitrah Rumaisa, S.T., M.Kom. Penentuan Association Rule Pada Pemilihan Program Studi Calon Mahasiswa Baru Menggunakan Algoritma Apriori Studi Kasus Pada Universitas Widyatama Bandung. Seminar Nasional Aplikasi Teknologi Informasi. ISSN: 1907-5022 Yogyakarta, 15-16 Juni 2012.

[4] Gunadi, G. dan Sensuse, D., I. Penerapan Metode Data Mining Market Basket Analysis terhadap data penjualan produk buku dengan menggunakan Algoritma Apriori dan Frequent Pattern Growth (FP-Growth), Jurnal TELEMATIKA MKOM, Vol. 4, No. 1, hal 118-132. 2012.

DEWAN REDAKSI Penanggungjawab dan Penasehat Anggota …jurnal.stmikelrahma.ac.id/assets/file/Ni...

Documents

Transcript of DEWAN REDAKSI Penanggungjawab dan Penasehat Anggota …jurnal.stmikelrahma.ac.id/assets/file/Ni...