PERANCANGAN APLIKASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI DENGAN METODE MARKET BASKET ANALYSIS PADA SITUS WEB E-COMMERCE DI TIEH HANDICRAFT

Transkripsi

1 PERACAGA APLIKASI DATA MIIG MEGGUAKA ALGORITMA APRIORI DEGA METODE MARKET BASKET AALYSIS PADA SITUS WEB E-COMMERCE DI TIEH HADICRAFT Pramuditha Sri Puspa Dewi, H. Irfan Darmawan, Hendra Gunawan Teknik Informatika Universitas Siliwangi Tasikmalaya pramudithasp@gmail.com ABSTRACT In an effort to increase the volume of sales of a product in an e-commerce, the comfort level of service to customers is one of the factors that are important and need to be considered by the company. So, company must make a practical step by approaching the customer to be aware of how the behavior of customers in the deal. In this final project regarding creation of data mining application systems on web sites that are used to determine the pattern of customer transactions. This system is expected to assist the company in managing the customers catalog layout, so the comfort level of customers satisfied because the system seems to know their customers better. aturally, the sale of a product will increase because customers feel pampered. This final testing of the customer transaction data ecommerce web sites were calculated using Market Basket Analysis, which is one of data mining techniques are used to determine the support and confidence is entered by the company to later mining process so as to generate association rules from customer transaction data. Association rules generated are used to build a personalized system for customers and can be considered for the company to set the location of product catalogs in e-commerce website and inform them of any unusual items customers purchased through the transaction history. The conclusion of this thesis is to produce information on items purchased together in the sales process on Tieh Handicraft to adjustment of a model for future sales. Keyword: Data Mining, E-Commerce, Market Basket Analysis. ABSTRACT Dalam upaya untuk meningkatkan volume penjualan dalam e - commerce, tingkat kenyamanan pelayanan kepada pelanggan adalah salah satu faktor yang penting dan perlu dipertimbangkan oleh perusahaan. Jadi, perusahaan harus membuat langkah praktis dengan mendekati pelanggan untuk mengetahui bagaimana perilaku konsumen dalam kesepakatan tersebut. Dalam tugas akhir ini mengenai pembuatan aplikasi data mining di situs web yang digunakan untuk menentukan pola transaksi. Sistem ini diharapkan dapat membantu perusahaan dalam mengelola tata letak katalog pelanggan, sehingga tingkat kenyamanan pelanggan puas karena sistem tampaknya tahu pelanggan mereka lebih baik. Tentu, penjualan akan meningkat karena pelanggan merasa dimanjakan. Pengujian akhir dari data e-commerce transaksi situs web dihitung menggunakan Market Analysis Basket, yang merupakan salah satu data teknik pertambangan digunakan untuk menentukan support dan confidence yang dimasukkan oleh perusahhan untuk proses penambangan nanti sehingga menghasilkan aturan asosiasi dari Data transaksi. Aturan asosiasi yang dihasilkan digunakan untuk membangun sistem bagi pelanggan dan dapat dipertimbangkan untuk perusahaan untuk menetapkan lokasi katalog di website e -commerce dan menginformasikan dari setiap item yang tidak biasa pelanggan membeli melalui transaksi. Kesimpulan dari penelitian ini adalah untuk menghasilkan informasi tentang barang yang dibeli bersama-sama dalam proses penjualan pada Tieh Handicraft untuk penyesuaian model untuk penjualan di masa mendatang. Kata kunci : data mining, e-commerce, Market Basket Analysis. I. Pendahuluan Sistem penjualan menggunakan internet sudah banyak dipakai di banyak kalangan, namun hasilnya belum maksimal. Contohnya penggunaan layanan internet sepert jejaring sosial Facebook atau blog, bahkan telah menggunakan e-commerce untuk melakukan interaksi kepada pelanggan. Seperti halnya peningkatan volume, sifat E- Commerce bisnis ke konsumen (B2C) telah berkembang sejak awal web komersil secara efektif sebagai sebuah jendela belanja elektronik, dengan pengunjung bisa melihat dan jasa yang tersedia. Tieh Handicraft merupakan perusahaan yang bergerak dalam bidang kerajinan dan kebutuhan rumah tangga. Produk yang dibuat seperti tempat tisu kotak, toples, lampion, dan lain sebagainya. Tieh Handicraft sebagai perusahaan yang tepat untuk diterapkannya metode market Basket Analysis karena masih menggunakan media pemasaran manual seperti brosur, dan media elektronik sederhana berupa facebook. Oleh sebab itu diperlukan adanya sebuah metode yang diterapkan untuk menyelesaikan permasalahan seperti, penjualan barang yang kurang maksimal. Market Basket Analysis merupakan salah satu teknik dari data mining yang digunakan untuk menentukan manakah yang akan dibeli oleh pelanggan secara bersamaan dengan melakukan analisa terhadap daftar transaksi pelanggan. Dengan mengetahui - tersebut, maka sebuah sistem e-commerce dapat memudahkan dalam dalam pengambilan keputusan untuk informasi mengenai pola belanja konsumen serta dapat membantu dalam meningkatkan persediaan barang untuk penjualan selanjutnya. Batasan masalah yang dirumuskan antara lain: a. Perancangan E-commerce ini hanya sebatas media pemesanan, penjualan, dan pembayaran melalui transaksi online. b. Informasi yang diperoleh berupa yang sering dibeli oleh konsumen secara bersamaan berdasarkan dari frekuensi dengan menggunakan metode market basket analysis c. Data yang digunakan adalah data transaksi penjualan pada Tieh Handicraft pada tanggal november sampai dengan 8 november 204. d. Penulisan tugas akhir ini tidak membahas tentang keamanan database dan arsitektur jaringan yang dipakai secara mendetail. e. Aplikasi ini merupakan simulasi dari data transaksi yang ada di Tieh handicraft. f. Pada penulisan ini tidak membandingkan antara metode data mining satu dengan metode yang lainnya.

2 Adapun tujuan dari penelitian adalah sebagai berikut :. Mengimplementasikan Data Mining pada database transaksi penjualan item kerajinan. 2. Menerapkan algoritma Apriori untuk menetukan frekuensi tinggi itemset untuk memprediksi persediaan barang diwaktu yang akan datang. 3. Dapat membantu untuk mengetahui data yag sering dibeli oleh konsumen secara bersamaan. 4. Dapat memberikan solusi dalam menentukan strategi dalam pemasaran yang akan dibeli oleh konsumen sehingga dapat meningkatkan pelayanan. Adapun manfaat yang didapat dari penelitian ini adalah :. Dapat memudahkan dalam dalam pengambilan keputusan untuk informasi mengenai pola belanja konsumen serta dapat membantu dalam meningkatkan persediaan barang untuk penjualan selanjutnya. 2. Sebagai bahan masukan untuk mendukung pengambilam keputusan strategi pemasaran yang efektif. II Landasan Teori A. E-commerce Definisi E-commerce menurut kamus bahasa inggris adalah perdagangan elektronik atau e-dagang (bahsa inggris: electronic commerce) yaitu penyebaran, pembelian, penjualan, pemasaran barang dan jasa melalui system elektronil seperti internet atau televise, www dan jaringan computer lainnya (Sunarto, 2009). B. Data Mining Ada beberapa definisi data mining yang dikenal dari berbagai sumber, diantaranya :. data mining adalah proses menemukan pola yang menarik, dan pengetahuan dari data yang berjumlah besar. (Han, Jiawei, 20). 2. data mining adalah proses pencarian melalui data dengan jumlah yang besar, dalam sebuah usaha untuk menemukan pola, tren, dan hubungan. (Dunston dan Yager, 2008). 3. data mining adalah sebuah cara untuk mendapatkan kecerdasan pasar dari data dengan jumlah yang besar. (keating dan Berry, 2008). 4. data mining adalah proses pencarian pola tersembunyi dari berbagai database. (liu, sandra S. dan Chen, Jie, 2009). Berdasarkan beberapa pengertian di atas, dapat disimpulkan bahwa data mining adalah suatu proses analisis untuk menggali informasi yang tersembunyi dengan menggunakan statistik dan artificial intelligence di dalam suatu database dengan ukuran sangat besar, sehingga ditemukan suatu pola dari data yang sebelumnya tidak diketahui, dan pola tersebut direpresentasikan dengan grafik komputer agar mudah dimengerti. C. Market Basket Analysis Metode association rules atau juga dikenal dengan nama market basket analysis, digunakan untuk menemukan aturan asosiatif antara suatu kombinasi item atau barang (Tang dan Jamie, 2005). Metode association rules termasuk kedalam model deskripsi dan jenis pembelajarannya adalah unsupervised learning. Metode ini dapat digunakan untuk mengidentifikasi itemitem yang mungkin dibeli secara bersamaan dengan lain. Metode association rules mempunyai dua tahapan yaitu, menemukan frequent itemset dan membentuk assosiation rules (Hornick, 2006). D. Algoritma Apriori Algoritma apriori adalah suatu algoritma dasar yang diusulkan oleh Agrawal & Srikant pada tahun 994 untuk menentukan Frequent itemsets untuk aturan asosiasi Boolean. Algoritma Apriori termasuk jenis Aturan Asosiasi pada data mining. Aturan yang menyatakan asosiasi antara beberapa atribut sering disebut affinity analysis atau market basket analysis. Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan suatu kombinasi item. Salah satu tahap analisis asosiasi yang menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien adalah analisis pola frequensi tinggi(frequent pattern mining). Penting tidaknya suatu asosiasi dapat diketahui dengan dua tolok ukur, yaitu : support dan confidence. Support (nilai penunjang) adalah persentase kombinasi item tersebut dalam database, sedangkan confidence (nilai kepastian) adalah kuatnya hubungan antara-item dalam aturan asosiasi. (Kusrini, Emha Taufiq Luthfi,2009 : 49) E. RAD Rancang bangun website e-commerce dengan metode market basket analysis ini menerapkan metodologi pengembangan sistem Rapid Application Development (RAD). Metode ini diperkenalkan oleh James Martin pada tahun 99 (Roger S Pressman, 2003). Tahapan-tahapan penelitian adalah sebagai berikut : prencanaan syarat, workshop design, implementasi. III Metodologi Dalam menyusun tugas akhir ini menggunakan metodologi pengembangan sistem Rapid Application Development (RAD). A. Fase Perencanaan Syarat (Requirement Palnning) Dalam tahap ini peneliti dan pihak Tieh Handicraf bertemu untuk mengidentifikasi tujuan-tujuan aplikasi atau sistem serta mengidentifikasi kebutuhan informasi yang ditimbulkan dari tujuan-tujuan tersebut. Adapun hasil analisis kebutuhan sistem meliputi kebutuhan masukan, kebutuhan keluaran serta spesifikasi perangkat keras (hardware) dan spesifikasi perangkat lunak (software).. Kebutuhan Masukan a. Data Pesanan b. Data Produk c. Data Promosi d. Data Kategori e. Data Komentar f. Data Ongkos Kirim g. Data Informasi h. Data Market Basket Analysis 2. Kebutuhan Keluaran a. Informasi Pesanan b. Informasi Produk c. Informasi Promosi d. Informasi Kategori e. Informasi Komentar f. Informasi Ongkos Kirim g. Laporan Penjualan h. Market Basket Analysis 2

3 . Analisa System Berjalan Konsumen kasir Strategi penjualan Laporan Penjualan Gambar Proses Pengolahan Data Transaksi 2. Analisa System Usulan konsumen 2 Aplikasi Data Mining e-commerce Strategi Penjualan Gambar 2 Proses Pengolahan Data Transaksi Sistem Usulan 3. Tujuan Data Mining Tujuan dari penelitian ini adalah untuk mengetahui pola belnja konsumen dengan menggali informasi mengenai assosiasi dari database yang meliputi data transaksi penjualan pada Tieh Handicraf. Informasi tersebut nantinya dapat digunakan untuk mendukung pengambilan keputusan yang strategis, seperti pengaturan penempatan yang baru, atau design web untuk promosi. 4. Prinsip Kerja Metode Market Basket Analysis Metode market basket analysis atau disebut juga dengan metode association rule memiliki dua tahapan untuk menemukan informasi (knowladge) dari suatu database. Tahapan pertama adalah menemukan frequent itemset dan tahapan kedua adalah membentuk aturan assosiasi berdasarkan frequent itemset. Langkah yang akan dilakukan adalah sebagai berikut.. Mencari frequent itemset Pada tahap ini mencari kombinasi item yang memenuhi syarat support dalam database transaksi. Rumus perhitungan support adalah sebagai berikut : Support (A) = jumlahtransaksimengandunga X 00 jumlah transaksi Tabel Frekuensi Kombinasi -itemset Kombinasi Item Frekuensi Item Set Support Aksesoris 5 6,2 kipas 2 6,45 Baju laptop 3 9,67 Tempat tissue 4 2,90 Lampion 9 29,03 Rak 4 2,90 Sandal 3 9,67 Sepatu 4 2,90 Tas 5 6,2 Toples 5 6,2 Tutup galon 3 9,67 Pada tabel itemset yang memenuhi adalah itemset Aksesoris, Sandal, Sepatu, Rak, Lampion, Tas, Kipas, Toples, Tutup Laptop, Tempat Tissue, Tutup Galon.. Itemset tersebut dimasukkan sebagai kandidat 2 itemset. Tabel 2 C (kandidat 2-itemset) Kombinasi Item Support Aksesoris 6,2 kipas 6,45 Baju laptop 9,67 Tempat tissue 2,90 Lampion 29,03 Rak 2,90 Sandal 9,67 Sepatu 2,90 Tas 6,2 Toples 6,2 Tutup galon 9,67 Pada tabel 2 merupakan tabel kandidat 2 itemset inilah yang akan digunakan untuk sebagai dasar pembentukan kombinasi 2 itemset. Tabel 3 frekuensi kombinasi 2-itemset Kombinasi item Frekuensi Support itemset Aksesoris, Kipas 0 0 Aksesoris, Baju Laptop 3,3 Aksesoris, Tempat Tissue 0 0 Aksesoris, Lampion 3,3 Aksesoris, Rak 0 0 Aksesoris, Sandal 0 0 Aksesoris, Sepatu 0 0 Aksesoris, Tas 0 0 Aksesoris, Toples 3,3 Aksesoris, Tutup Gallon 0 0 Kipas, Baju Laptop 0 0 Kipas, Tempat Tissue 3,3 Kipas, Lampion 0 0 Kipas, Rak 3,3 Kipas, Sandal 0 0 Kipas, Sepatu 0 0 Kipas, Tas 0 0 Kipas, Toples 0 0 Kipas, Tutup Gallon 0 0 Baju Laptop, Tempat Tissue 0 0 Baju Laptop, Lampio 0 0 Baju Laptop, Rak 0 0 Baju Laptop, Sandal 0 0 Baju Laptop, Sepatu 0 0 Baju Laptop, Tas 3,3 Baju Laptop, Toples 0 0 Baju Laptop, Tutup Gallon 0 0 Tempat Tissue, Lampion 3,3 Tempat Tissue, Rak 3,3 Tempat Tissue, Sandal 0 0 Tempat Tissue, Sepatu 0 0 Tempat Tissue, Tas 3,3 Tempat Tissue, Toples 2 6,25 Tempat Tissue, Tutup Gallon 0 0 Lampion, Rak 0 0 Lampion, Sandal 3,3 Lampion, Sepatu 0 0 Lampion, Tas 0 0 Lampion, Toples 3,3 Lampion, Tutup Gallon 0 0 Rak, Sandal 0 0 Rak, Sepatu 0 0 Rak, Tas 3,3 Rak, Toples 0 0 Rak, Tutup Galon 3,3 Sandal, Sepatu 3,3 3

4 Sandal, Tas 0 0 Sandal, Toples 0 0 Sandal, Tutup Galon 0 0 Sepatu, Tas 2 6,25 Sepatu, Toples 3,3 Sepatu, Tutup Galon 0 0 Tas, Toples 0 0 Tas, Tutup Galon 0 0 Toples, Tutup Galon 0 0 Pada tabel 3 itemset yang frequent itemsetnya yang ada nilainya, dimasukkan kedalam table c2 (kandidat 2 itemset). Seperti yang ada di tabel 4 Tabel 4 C2 (kandidat 2-itemset) Kombinasi item Frekuensi itemset Support Aksesoris, Baju Laptop 3,3 Aksesoris, Lampion 3,3 Aksesoris, Toples 3,3 Kipas, Tempat Tissue 3,3 Kipas, Rak 3,3 Baju Laptop, Tas 3,3 Tempat Tissue, Lampion 3,3 Tempat Tissue, Rak 3,3 Tempat Tissue, Tas 3,3 Tempat Tissue, Toples 2 6,25 Lampion, Sandal 3,3 Lampion, Toples 3,3 Rak, Tas 3,3 Rak, Tutup Galon 3,3 Sandal, Sepatu 3,3 Sepatu, Tas 2 6,45 Sepatu, Toples 3,3 2. Membentuk aturan assosiasi Setelah semua frequent itemset telah diketahui, selanjutnya adalah membentuk aturan assosiasi yang memenuhi nilai confidence. Untuk mengetahui nilai confidence perhitungannya adalah sebagai berikut : Confidence : P(A B)= TransaksiMengandungAdanB X 00% TransaksiMengandungA Confidence {aksesoris baju laptop} = /5 x 00% = 20% Confidence { aksesoris lampion} = /5 x 00% = 20% Confidence { aksesoris toples} = /5 x 00% = 20% Confidence { kipas tempat tissue} = /4 x 00% = 25% Confidence { kipas rak} = /2 x 00% = 50% Confidence { baju laptop tas} = /3 x 00% = 33,33% Confidence { tempat tissue lampion} = /4 x 00% = 25% Confidence { tempat tissue rak} = /4 x 00% = 25% Confidence { tempat tissue tas} = /4 x 00% = 25% Confidence { tempat tissue toples} = 2/4 x 00% = 50% Confidence { lampion sandal} = /9 x 00% =.% Confidence { lampion toples} = /5 x 00% = 20% Confidence { rak tas} = /4 x 00% = 25% Confidence { rak tutup galon} = /4 x 00% = 25% Confidence { sandal sepatu} = /3x 00% = 33.33% Confidence { sepatu tas} = 2/4 x 00% = 50% Confidence { sepatu toples} = /4 x 00% = 25% { aksesoris lampion} = [support 3,3%, confidence 20%] { aksesoris toples} = [support 3,3%, confidence 20%] { kipas tempat tissue} = [support 3,3%, confidence 25%] { kipas rak} = [support 3,3%, confidence 50%] { baju laptop tas} = [support 3,3%, confidence 33.33%] { tempat tissue lampion} = [support 3,3%, confidence 25%] { tempat tissue rak} = [support 3,3%, confidence 25%] { tempat tissue tas} = [support 3,3%, confidence 25%] { tempat tissue toples} = [support 6,25%, confidence 50%] { lampion sandal} = [support 3,3%, confidence.%] { lampion toples} = [support 3,3%, confidence 20%] { rak tas} = [support 3,22%, confidence 25%] { rak tutup galon} = [support 3,22%, confidence 25%] { sandal sepatu} = [support 3,22%, confidence 33.33%] { sepatu tas} = [support 6,25%, confidence 50%] { sepatu toples} = [support 3,22%, confidence 25%] B. Fase Perancangan (Workshop Design). Entity relation diagram (ERD) judul *id_banner password ama_lengkap no_tlp level tanggal pesan url Banner Mengisi Kota Mengisi Produk Melihat hubungi modul subjek gambar Tgl_posting *username blokir *id_hubungi nama *id_ dibeli Id_kategori gambar *id_kota *id_kategori ama_ ama_kota _seo Mempunyai Kategori ama_kategori Ongkos_kirim deskripsi Tgl_masuk harga stok berat Mempunyai Kategori_seo ama_kostumer alamat *id_orders Tgl_order Status_order telepon orders Memiliki Jam_order Gambar 3 ERD Kamus data : *id, username, password Kategori : *id_kategori, nama_kategori, kategori_seo Produk : *id_, **id_kategori, nama_, _seo, deskripsi, berat, gambar, harga, stok, tgl_masuk, dibeli orders : *id_order, nama_kostumer, alamat, telepon, , status_order, jam_order, **id_kota banners : *id_banner, judul, url, gambar, tgl_posting Komentar : *id_hubungi, nama, , subjek, pesan, tanggal Kota : *id_kota, nama_kota, ongkos_kirim Id_kota Sehingga aturan assosiasi yang dihasilkan dari tabel 4 adalah sebagai berikut : {aksesoris baju laptop} = [support 3,3%, confidence 20%] 4

5 Keterangan : * 2. Diagram Kontek Hak Akses Data l Data Kategori Produk Data Produk Data Pesanan Data Ongkos Kirirm Data Komentar Data Informasi : primary key ** : foreign key Aplikasi Data Mining Web E-commerce Data Pencarian Info Produk Info Kategori Produk Info Produk Terbaru Info Promo Baru Info Produk Terbaik Info Detail Produk Info Keranjang Belanja Data Pencarian Konsumen 5. Flowchart Login Masukkan username dan password Page? Yes Page o Star o Akses e-commerce Memilih Produk yang diinginkan Merubah Keranjang Yes Mengisi Data keranjang belanja Edit Data Info Info Kategori Produk Info Produk Info Pesanan Info Ongkos Kirirm Info Komentar Info Informasi Info Produk Info Kategori Produk Info Produk Terbaru Info Promo Baru Info Produk Terbaik Info Detail Produk Gambar 4 Diagram Kontek Pengunjung Delete Data Aktif dan menonaktifkan account Logout 3. DFD Level Data admin Login Data admin admin 2 Manajemen Modul Data modul modul Data pesanan 4 Data Data 3 View Data Konsumen Data 3 Kategori Produk Data kategori kategori Data Data kategori Data pesanan 5 pesanan Data pesanan orders Data kota Data profil 6 Ongkos kirim Data komentar 9 Komentar Data komentar banner Data cara pembelian Data kota Gambar 5 DFD Level * DFD level 2 proses 4 (MBA) Data Produk 2. Menghitung ilai Frequent itemet ilai Frequent itemset 2.2 Menghitung Market basket Analysis kota Data orders Hasil Market Basket Analysis ilai penjualan Data informasi 0 Informasi 7 profil Data market basket analysis Data laporan orders admin Gambar 6 DFD level 2 proses 4 (MBA) laporan 8 Cara pembelian 2 MBA Gambar 7 Flowchart IV Hasil Pembahasan A. Listing algoritma apriori Prinsip assosiation rules atau market basket analysis adalah menemukan frequent itemset dan membentuk aturan assoiasi berdasarkan frequent itemset (Tang dan Jamie, 2005). Algoritma Apriori digunakan untuk mencari frequent itemset. Pengertian frequent itemset disini adalah himpunan item-item yang memenuhi minimum support. Selanjutnya frequent itemset digunakan untuk membangun aturan assosiasi. Berikut adalah pseudocode dari algoritma apriori : $item = $r[nama_]; $belian = $r[jumlah]; $item_loop = (pow($item,2) + $item) / 2; //tringular number foreach ($item_array as $ia_key => $ia_value){ foreach ($total_per_item as $tpi_key => $tpi_value) if ((strpos($ia_key, $tpi_key)!== false)){ echo "[+] $ia_key($ia_value) --> $tpi_key($tpi_value) => ". $ia_value / $tpi_value."\r\n"; list($itemx, $itemy) = explode('_', $ia_key); if ($itemx == $tpi_key) {$theitem = $itemy; else {$theitem = $itemx; } echo " Confidence ". round($ia_value / $tpi_value * 00, 2)."% yang membeli $tpi_key juga membeli $theitem\r\n\r\n"; } } B. Implementasi Perangkat Lunak Implementasi perangkat lunak merupakan suatu proses pengubahan spesifikasi system menjadi system yang dapat dijalankan. Antarmukan pada aplikasi data mining ini antara lain :. Halaman Utama (admin) Halaman ini merupakan cakupan dari seluruh form yang ada pada sistem, antara lain menu home, manajemen modul, kategori,, pesanan, ongkos kirim, profil, cara End 5

6 pembelian, komentar, informasi, MBA, ganti password. Tampilan menu utama untuk user yang login. Gambar 8 Halaman Utama (menu) 2. Halaman Utama Konsumen Gambar 9 Halaman Utama Konsumen 3. Antar Muka Keranjang Belanja Gambar 0 Antar Muka Keranjang Belanja 5. Antar Muka MBA o Rancangan Proses Isi username dan password manajemen modul kategori pesanan ongkos kirim profil cara pembelian komentar informasi laporan MBA ganti password Hasil Yang Diharapkan Masuk ke menu utama aplikasi manajeman modul Input manajemen modul akan kategori Input kategori akan Input akan diedit atau dihapus pesanan Input pesanan akan ongkos kirim Input ongkos kirim akan profil Input profil akan diedit atau dihapus cara pembelian Input cara pembelian akan komentar Input komentar akan informasi Input informasi akan laporan Input laporan akan MBA Input MBA akan diedit atau dihapus ganti password Input ganti password akan Hasil Gambar Antar Muka MBA C. Pengujian Perangkat Lunak Pada tahap ini pengujian sistem ini dengan menggunakan metode pngujian unit dengan pendekatan black-box testing. Cara pengujian yang dilakukan dengan menjalankan aplikasi yaitu melakukan input data dan melihat outputnya apakah sesuai dengan proses yang diharapkan. D. Kelebihan dan Kekurangan Setelah dilakukan pengujian aplikasi, dapat dihasilkan kelebihan dan kekurangan dari aplikasi ini. Kelebihan dari aplikasi ini adalah :. Aplikasi ini dapat mengetahui pola pembelian konsumen dan dapat melakukan proses pengklasifikasian terhadap yang bersangkutan mulai dari pengumpulan data, penyajian hasil data yang diolah. 2. Menghasilkan pola kombinasi itemset dan rules sebagai ilmu pengetahuan dan informasi penting dari data penjualan 3. Dengan mendapatkan nilai confidence tertinggi, aplikasi ini dapat membantu merecomendasikan perbaikan untuk tata letak yang ada di toko. 6

7 Sedangkan kekurangan dari aplikasi ini adalah :. Dalam menganalisa jumlah transaksi yang banyak mempunyai kelemahan, karena untuk memperoleh hasil yang maksimal jumlah data transaksi yang dianalisa harus mencapai puluhan bahkan ratusan transaksi. 2. aplikasi ini tidak menyajikan laporan dalam bentuk report V. Kesimpulan dan Saran A. Kesimpulan Dari penelitian dan tulisan yang telah penulis uraikan, maka dapat ditarik kesimpulan sebagai berikut :. Aplikasi web yang dibangun merupakan aplikasi yang dapat membantu kegiatan konsumen dalam melakukan transaksi, khususnya untuk mengetahui pola pembelian konsumen dan melakukan proses pengklasifikasian terhadap yang bersangkutan, mulai dari pengumpulan data, penyajian hasil data yang diolah. 2. Metode market basket analysis dapat diterapkan dalam sebuah aplikasi yang bertujuan untuk meningkatkan penjualan sebuah dengan mengetahui manakah yang sering dibeli konsumen, sehingga dapat mempermudah untuk mengatur layout catalog best seller sesuai karakteristik konsumen mereka. 3. Penggunaan metode market basket analysis mempunyai kelemahan dalam jumlah data transaksi yang dianalisa, karena untuk memperoleh hasil yang maksimal jumlah data transaksi yang dianalisa harus mencapai puluhan bahkan ratusan transaksi. diterbitkan. Jakarta : fakultas Sains dan Teknologi Universitas Islam egri Syarif Hidayatullah. Jiawei Han, Michelin Kamber Data Mining ; Concepts and Techniques, Morgan Kaufmann Publishers, Champaign ; CA94. Kusrini dan Luthfi, E. T., Algoritma Data Mining. Yogyakarta : Penerbit Andi. Kusrini dan Emha taufiq Luthfi, Algoritma data mining, penerbit andi, 2009Medina Gemala (202). Penerapan metode market basket analysis pada situs web e- commerce Pressman, Roger S Rekayasa Perangkat Lunak Pendekatan Praktisi-Buku Satu, Yogyakarta : Andi Yogyakarta : xx hlm. Sunarto, Andi., Seluk Beluk E-commerce. Gerai Ilmu, Jogjakarta. Tri Lestari Analisis Keranjang Belanja Pada Data Transaksi Penjualan. Skripsi, tidak diterbitkan. Bogor : Departemen Manajemen Fakultas Ekonomi Dan Manajemen Institute Pertanian Bogor.. B. Saran Penelitian dan aplikasi ini tentu saja masih mempunyai kekurangan. Masih banyak hal yang dapat dilakukan untuk mengembangkan aplikasi ini agar menjadi lebih baik.. Sesuai dengan penggunaan aplikasi e-commerce ini dan selanjutnya, disarankan agar sistem ini nantinya dapat dikembangkan lagi. 2. Untuk pemeliharaan sistem informasi ini, perlu adanya evaluasi secara rutin sehingga dapat dilihat apakah perlu diadakan perbaikan atau penyempurnaan kembali. 3. Penelitian ini masih memerlukan pengembangan lebih lanjut untuk mendapatkan hasil yang lebih optimal dengan cara melakukan penelitian mamakai metode data mining yang lain. Ataupun membandingkan hasil metode data mining yang satu denga metode yang lainnya sehingga didapatkan hasil komparasi yang baik. DAFTAR PUSTAKA Adriani, Dian, Pengenalan Pemograman E-Commerce Dengan PHP Dan MySQL, e-commerce.pdf. Devi Dinda Setiawati (2009). Penggunaan metode apriori untuk analisa kerankang pasar pada data transaksi penjualan minimarket menggunakan java dan mysql. Feri sulianti dan dominikus juju (200). Data mining, meramalkan bisnis perusahaan. Jakarta. Penerbit elex media komputindo Friday, K. 20. Analisa dan perancangan data mining dengan merode market basket analysis untuk analisa pola belanja konsumen pada tendencies store. Skripsi, tidak 7