IMPLEMENTASI DATA MINING MENGGUNAKAN ATURAN...

IMPLEMENTASI DATA MINING MENGGUNAKAN ATURAN ASOSIASI

DENGAN ALGORITMA APRIORI TERHADAP PENYUSUNAN

LAYOUT MAKANAN PADA RUMAH MAKAN PADANG

“MURAH MERIAH”

Naskah Publikasi

diajukan oleh :

Oliver Zakaria

11.21.0610

kepada

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER

AMIKOM

YOGYAKARTA

2012

3

IMPLEMENTATION OF DATA MINING USING ASSOCIATION RULES WITH APRIORI

ALGORITHM FOR LAOUT PREPARATION FOOD AT PADANG RESTAURANT

“MURAH MERIAH”

IMPLEMENTASI DATA MINING MENGGUNAKAN ATURAN ASOSIASI

DENGAN ALGORITMA APRIORI TERHADAP PENYUSUNAN LAYOUT MAKANAN PADA RUMAH MAKAN PADANG

“MURAH MERIAH”

Oliver Zakaria Jurusan Teknik Informatika

STMIK AMIKOM YOGYAKARTA

ABSTRACT

Padang’s Restaurants is a buffet restaurant with a concept that requires a person

to take their own food they want to eat according to their individual needs. Padang’s Restaurants “MURAH MERIAH”, preparation of food layout is random and there are no rules that govern the preparation of this buffet food

Any computer-based transactions, preferably stored into the database. The

database will hold all the data and can be further processed to produce a useful information. A restaurant store transactions into the database, the diversity of cuisine or food (products) purchased by each visitor. Using data mining association algorithm, the saved data can be extracted and processed to obtain a new information. With the discovery of this new information is expected to help the manager of the restaurant to determine the pattern of the preparation of the new layout of the buffet food.

The application development using data mining techniques apriori algorithm

association rules can create or define new layout buffet food. Applications perform calculations with the parameter value of support and confidence. Layout new formulation is no longer random by using this application, but the decision to set the remains on the manager of the restaurant. These applications include decision support system, which is directed to the manager to make the layout of the new food.

Keywords: Data Mining, Padang’s Restaurants, Food Layout.

4

1 PENDAHULUAN

Rumah makan padang adalah rumah makan dengan konsep prasmanan yang

menuntut seseorang untuk mengambil sendiri makanan yang ingin mereka makan sesuai

dengan kebutuhan mereka masing-masing. Pada Rumah Makan Padang Murah Meriah,

penyusunan layout makanan dilakukan secara acak dan tidak ada aturan yang mengatur

dalam penyusunan makanan prasmanan ini

Suatu rumah makan menyimpan transaksinya ke dalam database, yaitu

keanekaragaman masakan atau makanan(produk) yang dibeli oleh setiap pengunjung.

Dengan menggunakan Data Mining algoritma asosiasi, data yang tersimpan tersebut

dapat digali dan diolah sehingga mendapatkan sebuah informasi baru. Dengan

penemuan informasi baru ini, diharapkan dapat membantu pihak Manajer rumah makan

untuk menentukan pola penyusunan layout makanan prasmanan yang baru.

Pembuatan aplikasi dengan menggunakan teknik data mining aturan asosiasi

algoritma apriori dapat membuat atau menentukan layout makanan prasmanan yang

baru. Aplikasi melakukan perhitungan dengan parameter nilai support dan confidence.

Layout penyusunan baru sudah tidak acak lagi dengan menggunakan aplikasi ini, tetapi

keputusan untuk mengatur tetap ada di pihak manager rumah makan. Aplikasi ini

termasuk system penunjang keputusan, yang mana ditujukan kepada pihak manager

untuk membuat layout makanan yang baru.

2 DASAR TEORI

2.1 Konsep Sistem Penunjang

Sistem Penunjang Keputusan sering disebut dengan istilah Decision Support

System. Sesuai dengan namanya, secara umum sistem ini akan memberikan

kemampuannya, baik itu dalam memecahkan masalah maupun sebagai media

komunikasi untuk masalah semi terstruktur. Hubungannya dengan penelitian ini adalah

bagaimana suatu sistem yang mendukung peran seorang Manajer Rumah makan dalam

memecahkan masalah yang ada dengan cara memberikan informasi atau usulan yang

menuju suatu keputusan tertentu. Decision Support System bisa berbentuk manual

maupun komputerisasi.

Contoh masalah semi terstruktur pada sebuah Rumah Makan, seperti : control

bahan baku, penjadwalan pembelian bahan baku masakan, manajemen uang,

perencanaan menu baru, konsep tata letak makanan (prasmanan), dan sebagainya.

2.2 Konsep Aturan Asosiasi dengan Algoritma Apriori

Analisis Asosiasi atau Association rule mining adalah sebuah teknik data mining

yang digunakan untuk menemukan aturan asosiatif antara suatu kombinasi item. Contoh

5

dari aturan asosiatif dari analisa pembelian disuatu swalayan adalah diketahuinya berapa

besar kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan

pengetahuan tersebut, pemilik swalayan dapat mengatur letak barang tersebut,

mengkombinasikannya sehingga dapat meningkatkan peluang jual dalam setiap

transaksi. Analisis asosiasi menjadi terkenal karena aplikasinya untuk menganalisis isi

keranjang belanja di swalayan. Analisis asosiasi ini juga sering disebut dengan istilah

Market Basket Analysis.

Ada dua metode utama dalam merepresentasikan tipe data dalam market basket

analysis yaitu format data transaksi dan format data tabular. Format data transaksi

membutuhkan dua field, field ID dan field isi, dimana tiap record merepresentasikan

hanya satu item.

Tabel 2.1 Format Data Transaksi

Field ID Field Isi

1 1 2 . . .

Item 1 Item 2 Item n

.

.

.

Format data transaksi sedikit berbeda dengan format data tabular. Dalam format

data tabular, tiap record merepresentasikan transaksi terpisah, dimana flag field 0/1

sebanyak itemnya.

Tabel 2.2 Format Data Tabular

Transaksi Item 1 Item 2 … Item n

1 2 3 . . .

1 1 0 . . .

0

1

1

.

.

0

0

0

.

.

0

1

1

.

-

2.3 Frequent Itemset, Support, dan Cofidence

Aturan asosiasi berkenaan dengan studi tentang „apa bersama apa‟. Aturan

asosiasi juga ingin memberikan informasi tersebut dalam bentuk hubungan “if-then” atau

“jika-maka”. Aturan ini dihitung dari data yang sifatnya probabilistik (Santoso, 2007: 225-

226).

Pencarian dengan metode asosiasi ini akan mendapatkan hasil yang sesuai dan

akurat dengan menggunakan parameter-parameter yang telah ditetapkan sebagai

batasannya, diantaranya adalah Frequent Itemset, Support, dan Cofidence.

6

Dalam asosiasi terdapat istilah antecedent dan consequent, antecedent untuk

mewakili 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: 226).

1. Frequent Itemset

Itemset adalah set item yang berisi didalam I, dan k-itemset adalah itemsek yang

berisi k items. Itemset frequency adalah jumlah transaksi yang berisi itemset

tertentu. Frequent itemset adalah itemset yang terjadi paling sedikit pada jumlah

tertentu, mempunyai itemset frequency ≥ Φ. Misalkan, Φ = 4, itemset yang terjadi

lebih dari 4 disebut frequent. Notasi set of frequent k-itemsets adalah Fk.

2. Support

Support adalah ukuran yang merepresentasikan tingkat kemunculan atau

dominasi suatu barang atau itemset dari keseluruhan transaksi. Kaitannya

dengan antecedent dan consequent , maka support merupakan rasio antara

jumlah transaksi yang memuat antecedent dan consequent dengan jumlah

transaksi.

3. Confidence

Confidence adalah ukuran yang merepresentasikan hubungan kondisional antar

dua barang (missal seberapa sering susu dibeli ketika orang membeli roti pada

sebuah transaksi). Dengan kata lain Confidence adalah rasio antara jumlah

transaksi yang meliputi semua item dalam antecedent dan consequent dengan

jumlah transaksi yang meliputi semua item dalam antecedent.

Analisis asosiasi dikenal juga sebagai salah satu teknik data mining yang

menjadi dasar dari berbagai teknik data mining lainnya. Khususnya salah satu tahap dari

analisis asosiasi yang disebut analisis pola frequensi tinggi (frequent pattern mining) yang

sering digunakan untuk menghasilkan algoritma yang efisien.

Keterangan :

S = Support

= Jumlah transaksi yang mengandung antecedent dan

consequencent

Σ(T) = Jumlah transaksi

7

Keterangan :

C = Confidence

= Jumlah transaksi yang mengandung antecedent dan

Consequencent

Σ(Ta) = Jumlah transaksi yang mengandung antecedent

Langkah pertama algoritma apriori adalah support dari setiap item dihitung

dengan melihat isi dari 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 melihat kembali 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:

1. Pembentukan kandidat itemset

Kandidat k-itemset dibentuk dari kombinasi (k-1)- itemset yang didapat dari iterasi

sebelumnya. Algoritma apriori dapat dikenali dengan adanya peringkasan kandidat k-

itemset yang subset-nya 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 memeriksa satu persatu database

untuk menghitung jumlah transaksi yang memuat semua item di dalam kandidat k-itemset

tersebut.

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.

8

2.4 Tinjauan Umum

Rumah Makan Padang Murah Meriah sudah cukup terkenal di kawasan

Yogyakarta. Rumah Makan ini sudah memiliki cabang baik dalam kota maupun luar kota,

dengan manajer dan manajemen yang berbeda-beda, tetapi masih dalam satu badan

usaha “Murah Meriah Group”. Cabang-cabangnya diantaranya MM Temon, MM Jl.

Parangtritis, MM UMY Ring Road Barat, MM Wonosari, MM Gamping, MM Jl. Solo, MM

Jl. Taman Siswa, dan masih banyak lagi.

Rumah Makan Padang terkenal dengan konsep prasmanan, dimana para

pengunjung bisa mengambil sendiri makanan yang ingin mereka makan, layaknya

sebuah pasar swalayan dimana pengunjung membeli barang yang mereka beli lalu

membayarnya di kasir.

Rumah Makan Padang Murah Meriah ini memiliki hampir 45 jenis masakan yang

menjadi menu sajian rumah makan ini. Jenis-jenis makanan tersebut disajikan di dua

tempat, yaitu didepan (rak susun) dan di meja samping.

Makanan yang berada di rak susun depan, merupakan menu makanan yang

biasa atau umum berada di rumah makan padang seperti ikan, ayam, rending, dan

berbagai sayuran. Menu disamping adalah menu yang sudah disajikan dalam bentuk

piring seperti gulai kepala ikan, gulai otak, dan sebagainya. Menu disamping ini memang

sudah dipiringkan untuk memudahkan pengunjung agar langsung mengambil sesuai

porsi yang sudah disediakan, apabila tidak diporsikan makan pengunjung pun akan

mengambil sesuka hati mereka, dan pihak kasir akan kebingungan dalam mengkalkulasi

ketika terjadi pembayaran.

Kedua layout sajian prasmanan yang berada di rumah makan padang ini

dilakukan secara manual dan sudah ada sejak dulu. Cara penyajian dilakukan ketika ada

makanan yang sudah selesai proses masak didapur, kemudian segera disajikan di

depan. Dalam proses penataan dilakukan secara bertingkat dan sesuai dengan rak yang

tersedia, yaitu ada dua tingkat. Tingkat pertama sesuai dengan konsep rumah makan

padang pada umumnya, bahwa semua makanan saji yang bersifat kering(goreng)

diletakkan pada rak secara bersusun dengan berjajar empat baris selang-seling, dan

yang berkuah seperti sayur dan aneka sambal berada di tingkat kedua yaitu paling

bawah.

Berikut adalah gambar mengenai tata layout sajian makan (menu depan) yang

terdapat pada Rumah Makan Padang “Murah Meriah”.

9

Gambar 2.1 Layout sajian Makanan (menu depan)

3 ANALISIS DAN PERANCANGAN

Konsep penyajian makanan dengan metode prasmanan, adalah salah satu

metode yang menuntut seorang customer atau pembeli memilih secara langsung apa

yang hendak mereka beli atau makan. Seluruh sajian atau menu makan disusun

sedemikian rupa, dan pembeli dapat memilih sesuai dengan selera dan kebutuhan

mereka. Proses pemilihan makanan inilah yang akan menimbulkan kepadatan disekitar

area pengambilan makanan.

Dengan sebuah analisis dengan metode apriori, akan membentuk sebuah pola

kebiasaan para pembeli dalam mengambil makanan yang sudah disajikan. Pola

kebiasaan ini akan terekam dan disimpan secara berkelanjutan, sehingga dapat menjadi

sebuah rekomendasi kepada pemilik Rumah Makan untuk menata layout makanan

sesuai dengan pola kebiasaan para pembeli tersebut.

3.1 Analisis Data

Dalam setiap kegiatan transaksi yang berlangsung pada Rumah Makan Padang

Murah Meriah akan tercatat ke dalam database. Database akan menampung semua data

transaksi yang terjadi. Data yang tersimpan meliputi no transaksi, tanggal pembelian,

menu dan jumlah yang dibeli, harga, dan total harga yang harus dibayar. Data transaksi

inilah yang digunakan dalam perhitungan apriori yang nantinya akan merujuk pada

keputusan hasil desain layout menu makanan.

3.2 Analisis Kebutuhan Sistem

Kebutuhan sistem dalam pembangunan aplikasi Data Mining Algoritma Apriori

pada penjualan di Rumah Makan Padang “ Murah Meriah “ ini meliputi kebutuhan

perangkat keras (hardware), perangkat lunak (software), informasi dan beberapa

kebutuhan lain yang akan menunjang pembuatan aplikasi ini.

10

3.3 Analisis Kebutuhan fungsional

Kebutuhan fungsional berisi proses-proses apa saja yang akan dilakukan oleh

system atau perumpamaan mengenai fitur-fitur yang ada pada aplikasi ini. Fitur-fitur

tersebut diantaranya:

1. Menginput data transaksi

2. Mengolah data transaksi

3. Mengolah data menu

4. Mencetak layout (perhitungan asosiasi)

5. Mencari hubungan kedekatan

3.4 Analisis Kebutuhan Non Fungsional

Analisis kebutuhan non fungsional dilakukan untuk mengetahui spesifikasi kebutuhan

system. Kebutuhan yang dimaksud diantaranya:

3.4.1 KEBUTUHAN PERANGKAT KERAS (HARDWARE)

Spesifikasi perangkat keras pada laptop (computer) yang digunakan untuk

membangun aplikasi ini adalah sebagai berikut :

1. Procesor : Pentium(R) Dual-Core CPU T4500 @ 2.30GHz

2. Memory : 3,072.00 MB DDR3

3. VGA : Mobile Intel(R) 4 Series Express Chipset Family (DX11)

4. Harddisk : 305244 MB SATA

5. Display : 14” HD (LED)

3.4.2 KEBUTUHAN PERANGKAT LUNAK (SOFTWARE)

Dalam proses pembangunan sistem, dibutuhkan beberapa perangkat lunak.

Perangkat lunak tersebut digunakan untuk menghasilkan aplikasi yang sesuai dengan

perencanaan. Perangkat lunak tersebuat antara lain :

1. Netbeans 7.2 dan Jasper Report

2. XAMPP 1.7.1

3. Sistem Operasi Windows 7 Ultimate 32 bit

11

3.5 Analisis Model

Data input berupa data masukan ketika terjadi transaksi. Berikut adalah contoh

data input yang digunakan untuk proses data mining dalam bentuk tabel item transaksi,

sebagai berikut:

Tabel 3.1 Contoh Data Input Data Transaksi

IdTransaksi NoTransaksi IdMenu NamaMenu Banyak

1 1 44 Telur Bulat Balado/G 1

2 1 17 Kepala Tengiri Super 1

3 1 45 Telur Dadar 1

4 1 15 Ikan Bilih 1

5 2 47 Cucut/Kakap/Tenggiri 1

6 2 5 Ayam Spesial 2

7 2 51 Udang Goreng Sate 1


9 3 2 Ayam Goreng 1

10 3 45 Telur Dadar 1

… … … … …

Berikut akan dijelaskan mengenai tahap-tahap dalam pembentukan layout menu

makan berdasarkan data mining algoritma apriori. Data sebelumnya telah dipisahkan dan

dipilih yang memenuhi criteria yang telah dijelaskan sebelumnya. Tahap-tahap adalah

sebagai berikut :

1. Menyiapkan Data

Data yang telah dirapikan kurang lebih menjadi seperti berikut ini :

Tabel 3.2 Tabel Tampilan Data

IdTransaksi NoTransaksi NoMenu NamaMenu Banyak



3 1 46 Tempe 2

4 1 51 Udang Goreng Sate 1



7 2 39 Pergedel Kentang 3



10 3 46 Tempe 2

11 3 40 Rendang Daging 1



12

14 5 46 Tempe 1

15 5 122 Tahu (1) 1




19 7 40 Rendang Daging 1

20 7 122 Tahu (1) 2

2. Memisahkan masing-masing Item yang dibeli

Dilakukan pemisahan item-item apa saja yang ada pada tabel tersebut.

Tabel 3.3 Item-item yang terbeli

Item yg dibeli

Telur Bulat Balado/G

Ayam Spesial

Tempe

Udang Goreng Sate

Pergedel Kentang

Rendang Daging

Tahu (1)

3. Membuat tabel dengan field data diatas dan menghitung jumlahnya.

Tabel 3.4 Tabel baru beserta jumlahnya

Transaksi Telur Bulat Balado/G

Ayam Spesial Tempe

Udang Goreng Sate

Pergedel Kentang

Rendang Daging Tahu (1)

1 1 1 1 1 0 0 0

2 1 1 0 0 1 0 0

3 1 0 1 0 1 1 0

4 1 0 0 0 1 0 0

5 0 0 1 0 0 0 1

6 1 1 0 0 0 0 0

7 0 1 0 0 0 1 1

5 4 3 1 3 2 2

4. Menentukan nilai minimum ( )

Ditetapkan bahwa = 3, maka semua itemset yang frekuensi kemunculannya

lebih dari atau sama dengan 3 kali disebut frequent.

Berikut adalah tabel k = 2 (2 unsur):

13

Tabel 3.5 Calon 2-Itemset

Kombinasi jumlah

Telur Bulat Balado/G , Ayam Spesial 3

Telur Bulat Balado/G , Tempe 2

Telur Bulat Balado/G , Udang Goreng Sate 1

Telur Bulat Balado/G , Pergedel Kentang 3

Telur Bulat Balado/G , Rendang Daging 1

Telur Bulat Balado/G , Tahu (1) 0

Ayam Spesial , Tempe 1

Ayam Spesial , Udang Goreng Sate 1

Ayam Spesial , Pergedel Kentang 1

Ayam Spesial , Rendang Daging 1

Ayam Spesial , Tahu (1) 1

Tempe , Udang Goreng Sate 1

Tempe , Pergedel Kentang 1

Tempe , Rendang Daging 1

Tempe , Tahu (1) 1

Udang Goreng Sate , Pergedel Kentang 0

Udang Goreng Sate , Rendang Daging 0

Udang Goreng Sate , Tahu (1) 0

Pergedel Kentang , Rendang Daging 1

Pergedel Kentang , Tahu (1) 0

Rendang Daging , Tahu (1) 1

Kombinasi dari itemset dalam F2, dapat kita gabungkan menjadi calon 3-itemset.

Itemset-itemset yang dapat digabungkan adalah itemset-itemset yang memiliki

kesamaan dalam k-1 item pertama. Dari data diatas yang memiliki kesamaan

adalah {Telur Bulat Balado/G , Ayam Spesial} dan {Telur Bulat Balado/G,

Pergedel Kentang}, maka dapat digabung menjadi berikut ini:

Tabel 3.6 Calon 3-Itemset

Kombinasi Jumlah

Telur Bulat Balado/G , Ayam Spesial , Pergedel Kentang 1

Dari tabel-tabel di atas, didapat F3 = { }, karena tidak ada Σ >= Ф sehingga F4,

F5, F6 dan F7 juga merupakan himpunan kosong.

5. Pembentukan Aturan Asosiasi

Berikut adalah aturan yang didapat. Perlu diketahui bahwa “Jika A maka B” tidak

berarti ”Jika B maka A”.

14

Tabel 3.7 Aturan Asosiasi

Kombinasi Support Confident

Telur Bulat Balado/G -> Ayam Spesial 42.86% 60%

Ayam Spesial -> Telur Bulat Balado/G 42.86% 75%

Telur Bulat Balado/G -> Tempe

28.57% 40%

Tempe -> Telur Bulat Balado/G 28.57% 67%

Telur Bulat Balado/G -> Udang Goreng Sate 14.29% 20%

Udang Goreng Sate -> Telur Bulat Balado/G 14.29% 100%

Telur Bulat Balado/G -> Pergedel Kentang 42.86% 60%

Pergedel Kentang -> Telur Bulat Balado/G 42.86% 100%

Telur Bulat Balado/G -> Rendang Daging 14.29% 20%

Rendang Daging -> Telur Bulat Balado/G 14.29% 50%

Ayam Spesial -> Tempe 14.29% 25%

Tempe -> Ayam Spesial 14.29% 33%

Ayam Spesial -> Udang Goreng Sate 14.29% 25%

Udang Goreng Sate -> Ayam Spesial 14.29% 100%

Ayam Spesial -> Pergedel Kentang 14.29% 25%

Pergedel Kentang -> Ayam Spesial 14.29% 33%

Ayam Spesial -> Rendang Daging 14.29% 25%

Rendang Daging -> Ayam Spesial

14.29% 50%

Ayam Spesial -> Tahu (1) 14.29% 25%

Tahu (1) -> Ayam Spesial 14.29% 50%

Tempe -> Udang Goreng Sate 14.29% 33%

Udang Goreng Sate -> Tempe 14.29% 100%

Tempe -> Pergedel Kentang 14.29% 33%

Pergedel Kentang -> Tempe 14.29% 33%

Tempe -> Rendang Daging 14.29% 33%

Rendang Daging -> Tempe 14.29% 50%

Tempe -> Tahu (1) 14.29% 33%

Tahu (1) -> Tempe 14.29% 50%

Pergedel Kentang -> Rendang Daging 14.29% 33%

Rendang Daging -> Pergedel Kentang 14.29% 50%

Rendang Daging -> Tahu (1) 14.29% 50%

Tahu (1) -> Rendang Daging 14.29% 50%

Telur Bulat Balado/G -> Ayam Spesial -> Pergedel Kentang 14.29% 33%

Ayam Spesial -> Pergedel Kentang -> Telur Bulat Balado/G 14.29% 100%

Telur Bulat Balado/G -> Pergedel Kentang -> Ayam Spesial 14.29% 33%

6. Membentuk layout berdasarkan aturan

15

Untuk membentuk layout, data diambil dari aturan asosiasi yang sudah terbentuk

dengan menambahkan parameter (filter) nilai minimum support dan minimum

confident. Misalkan support = 40% dan confident 60%, maka didapat penjelasan

sebagai berikut:

-> Jika mengambil [Telur Bulat Balado/G] maka juga akan mengambil

[Ayam Spesial], dengan nilai Support = 42.857143% dan nilai Confident

= 60.000004%

-> Jika mengambil [Telur Bulat Balado/G] maka juga akan mengambil

[Pergedel Kentang], dengan nilai Support = 42.857143% dan nilai

Confident = 60.000004%

Lalu untuk Layout, tampilan sebagai berikut :

Urutan makanan yang direkomendasikan berdasarkan perhitungan :

1. [Pergedel Kentang] [Telur Bulat Balado/G] [Ayam Spesial]

2. [Ayam Spesial] [Telur Bulat Balado/G] [Pergedel Kentang]


4. [Pergedel Kentang] [Telur Bulat Balado/G] [Ayam Spesial]


3.6 Rancangan Layout

Tampilan Layout berupa tulisan (teks) dan bukan gambar, karena tampilan

adalah hasil dari perhitungan apriori sebelumnya, berikut tampilannya:

Urutan makanan yang direkomendasikan berdasarkan perhitungan :

1. [Rekomendasi Item 1] [Rekomendasi Item 2] [Rekomendasi Item …]





3.7 Rancangan Laporan

Laporan yang akan dibuat meliputi laporan data layout, data menu, dan

transaksi. Ketiga laporan tersebut memiliki desain tampilan yang sama, dan yang

membedakan hanyalah isi dari masing-masing laporan tersebut.

16

LOGO

LAPORAN

Hal.

Gambar 3.1 Desain Laporan

4 IMPLEMENTASI DAN PEMBAHASAN

Form Desain Layout merupakan hasil rekomendasi layout sajian makan

berdasarkan perhitungan menggunakan metode data mining dengan algoritma Apriori.

Gambar 4.1 Form Desain Layout

Min Support adalah nilai minimal support yang diinginkan, dan min Confident

adalah nilai minimal confident yang diinginkan. Kedua inputan hanya bisa menerima

inputan berupa anga dengan digit keberadaan dua. Tombol proses untuk melakukan

perhitungan, dan tombol reset akan menghapus data pada tab hasil dan layout.

Tampilan hasil proses adalah sebagai berikut:

17

Gambar 4.2 Output proses

Pada gambar diatas dapat dilihat ada tiga tab yaitu Tabel transaksi, Hasil, dan

Layout. Dua buah textfield sebagai inputan pengguna. Tab Hasil merupakan hasil proses

prhitungan apriori yang dilakukan oleh sistem. Tab Layout merupakan tampilan dari tabel

tmp dengan pemilihan secara acak. Tabel tmp adalah penjabaran dari tabel hitungan,

yaitu hasil dari proses perhitungan sistem per itemnya.

Dari tab hasil dapat dilihat seperti gambar berikut.

Gambar 4.3 Hasil perhitungan

Dari tampilan ini dapat diketahui bahwa hasil perhitungan sistem, sama dengan

hasil perhitungan manual yang telah dihitung sebelumnya pada bab III, yang hasil

perhitungannya sebagai berikut:

- Telur Bulat Balado/G -> Ayam Spesial , Support = 42.857143%, Confident =

60.000004%

- Telur Bulat Balado/G -> Pergedel Kentang , Support = 42.857143%, Confident =

60.000004%

18

Laporan layout makanan saji merupakan select antara tabel tmp dan tabel menu,

sehingga menghasilkan urutan layout makanan yang direkomendasikan mulai dari no

satu.

5 KESIMPULAN

Dari hasil uji coba yang dilakukan, dapat disimpulkan bahwa sistem pembuatan

layout dengan data mining algoritma apriori assosiasi ini mampu untuk membuat susunan

layout makanan saji agar lebih teratur dan sesuai dengan aturan asosiasi. Dengan hasil

layout yang dibuat, maka penyususnan layout tidak lagi secara acak seperti yang

dilakukan sebelumnya.

Dengan teknik data mining algoritma apriori assosiasi, mampu menggali data

transaksi yang tersimpan dalam database sehingga dapat ditemukan pola hubungan

kedekatan antar makanan (yang terbeli) satu dengan yang lain. Hasil perhitungan sistem

sudah sama dengan perhitungan yang dilakukan secara manual.

19

Perhitungan untuk membentuk layout makanan saji diseleksi berdasarkan nilai

support dan confidence. Semakin tinggi nilai support dan confidence, semakin kuat

hubungan antar menu tersebut. Perhitungan data mining meliputi data transaksi.

Tampilan layout berupa urutan list menu.

6 SARAN

Dalam pembuatan sistem ini, masih ada kekurangan salah satunya adalah tidak

diberikannya izin dari pihak Rumah Makan untuk mengakses database mereka, sehingga

aplikasi ini menggunakan database baru, dan data transaksi diinputkan secara manual.

Dari kesimpulan dan masalah yang ada, penulis memberikan saran-saran

sebagai berikut:

1. Dalam membuat aplikasi, peran database sebagai pusat data sangatlah

penting. Sebaiknya penulis dapat melihat dan menggunakan struktur

database yang sudah ada agar dapat langsung mengakses data-data yang

diperlukan.

2. Print layout makanan saji hanya berupa teks dan urutan makanan saja.

Dapat dikembangkan kemudian hari agar dapat menghasilkan gambar

makanan tersebut.

3. Kekuatan perhitungan apriori adalah ketika nilai support dan confidence

semakin tinggi, maka hubungan kedekatan antar makanan tersebut semakin

kuat. Untuk itu, penulis menyarankan agar pengguna melakukan beberapa

kali penginputan nilai support dan confidence sampai ditemukan hubungan

pola urutan yang sesuai.

20

DAFTAR PUSTAKA

Du, Hangbo, 2010. Data Mining Techniques and aplications : An Introduction. Brendan

George, C&C Offset.

Fatta, Hanif Al, 2007. Analisis & Perancangan Sistem Informasi untuk Keunggulan

Bersaing Perusahaan & Organisasi Modern. Penerbit Andi, Yogyakarta.

Helmy, dan Ridwan Sanjaya, 2003. Pengolahan Database SQL Server 2000 dengan

Java 2. PT Elex Media Komputindo.

Hermawan, Julius, 2005. Membangun Decision Support System. Penerbit Andi,

Yogyakarta.

Kusrini, 2007. Konsep dan Aplikasi Sistem Pendukung Keputusan. Penerbit Andi,

Yogyakarta.

Kusrini, 2007. Strategi Perancangan dan Pengelolaan Basis Data. Penerbit Andi,

Yogyakarta.

Kusrini, dan Emha Taufik Luthfi, 2009. Algoritma Data Mining. Penerbit Andi,

Yogyakarta.

Luthfi Taufiq Emha, 2009. Penerapan Data Mining Algoritma Asosiasi Untuk

Meningkatkan Penjualan. STMIK Amikom, Yogyakarta.

IMPLEMENTASI DATA MINING MENGGUNAKAN ATURAN...

Documents

Transcript of IMPLEMENTASI DATA MINING MENGGUNAKAN ATURAN...