BAB III METODE PENELITIAN. A. Tempat dan Waktu. 1. Tempat Penelitian. a. Assalam hypermarket merupakan salah satu pusat perbelanjaan di
|
|
- Liani Kusuma
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB III METODE PENELITIAN A. Tempat dan Waktu 1. Tempat Penelitian Tempat penelitian merupakan suatu sumber untuk mendapatkan data yang dibutuhkan mengenai masalah yang akan diteliti. Data untuk penelitian ini diperoleh dari data hasil transaksi di Assalam hypermarket. Pemilihan tempat tersebut didasari pertimbangan sebagai berikut : a. Assalam hypermarket merupakan salah satu pusat perbelanjaan di Surakarta yang cukup besar sehingga menarik untuk diteliti. b. Data hasil transaksi di Assalam hypermarket yang besar dengan rata-rata jumlah transaksi mencapi 2000 transaksi perhari. c. Keragaman jenis barang yang ada di Assalam hypermarket yang lebih dari 5000 jenis barang sehingga dapat digunakan untuk melihat keragaman association rule dari berbagai jenis barang tersebut. 2. Waktu Penelitian Data pada penelitian ini yang diambil sebagai data untuk menguji sistem yang akan dibangun akan diambil pada data hasil transaksi bulan September Transaksi bulan September dipilih karena pada bulan ini transaksi yang terjadi cukup banyak sehingga data transaksi lebih variasi dan dapat mendukung pengujian sistem informasi market basket analysis yang akan dibangun. 41
2 42 Penelitian ini dilaksanakan dari bulan Oktober 2013 sampai April Adapun waktu pelaksanaan penelitian ini adalah sebagai berikut: Tabel 3.1 Jadwal Waktu Penelitian Jenis Kegiatan Pengajuan Judul Pengajuan Proposal Perijinan Pengumpulan Data Pembuatan Sistem Pengujian Sistem Penyusunan Laporan Okt Nov Des Jan Feb Mar Apr B. Jenis Penelitian Menurut Borg and Gall (1989: 624) penelitian pengembangan adalah sebuah proses yang digunakan untuk mengembangkan dan memvalidasi suatu produk sehingga diharapkan dapat menghasilkan suatu produk tertentu serta dapat meguji keefektifan produk tersebut. Oleh karena itu, dalam penelitian ini menggunakan pendekatan Reseach and Development dengan menggunakan aturan linear sequential (waterfall) dikarenakan hasil dari penelitian ini yaitu sistem aplikasi yang dapat digunakan oleh suatu perusahaan untuk menganalisis keefektifan tata letak suatu produk. Menurut Pressman (2010: 28), metode ini terdiri dari empat tahapan, yaitu: analisis, perancangan, pengkodean/pembuatan, dan percobaan/implementasi.
3 Rekayasa Sistem/Informasi 43 Analisis Perancangan Percobaan/ Implementasi Pengkodean/ pembuatan Gambar 3.1 Linear Sequential Model (Sumber: Pressman, 2010: 29) Adapun pengembangan dari metodologi penelitian yang digunakan dalam pembuatan penelitian ini adalah: 1. Studi Literatur Studi literatur yang digunakan dalam penulisan penelitian ini adalah mengumpulkan bahan referensi mengenai System Market Basket Analysis dengan menggunakan Algoritma Apriori dari berbagai buku, jurnal, artikel dan beberapa referensi lainnya. 2. Analisa Permasalahan Pada tahap ini akan dilakukan analisis dengan teknik market basket pada data transaksi penjualan yaitu struk belanja. 3. Pengumpulan Data Pada tahap ini data yang dikumpulkan berupa data transaksi penjualan produk pada hypermarket. 4. Preposessing Data dan Outliers Mempersiapkan data yang akan dianalisis dan menemukan outliers dari data yang dianalisis. 5. Perancangan Sistem
4 44 Pada tahap ini dilakukan perancangan antarmuka (interfaces). Proses perancangan dilakukan berdasarkan hasil analisis studi literatur yang telah didapatkan. 6. Pengujian dan Validasi Ahli Pada tahap ini dilakukan proses pengujian dan percobaan terhadap sistem sesuai dengan kebutuhan yang ditentukan sebelumnya serta memastikan program yang dibuat berjalan seperti yang diharapkan. 7. Implementasi Sistem Pada tahap ini dilakukan proses implementasi pengkodean program dalam aplikasi komputer menggunakan bahasa pemrograman yang telah dipilih yang sesuai dengan analisis dan perancangan yang sudah dilakukan. 8. Dokumentasi dan Penyusunan Laporan Pada tahap ini dilakukan pembuatan dokumentasi sistem, lengkap dengan analisis yang diperoleh dan dokumentasi hasil analisis dan implementasi dari algoritma Apriori. Adapun bagan dari proses penelitian ini adalah sebagai berikut: Studi Literatur Analisa Permasalahan Pengumpulan Data Preposessi Data dan Outliers Dokumentasi dan Penyusunan Laporan Implementasi Sistem Pengujian dan Validasi Ahli Perancangan Sistem Gambar 3.2 Bagan Proses Penelitian
5 45 C. Studi Kasus Hypermarket Assalam merupakan salah satu pusat belanja terbesar di Surakarta yang menjual berbagai macam kebutuhan sehari-hari. Permasalahan yang dihadapi sekarang adalah penjual tidak dapat memperkirakan jumlah pembelian karena wilayah penjualannya yang terlalu luas dan juga konsumen yang beraneka ragam, sehingga sulit untuk menganalisa buying habits dari konsumen. Data yang akan digunakan pada untuk pengujian sistem ini adalah data hasil transaksi pada bulan September 2013 dari hypermarket Assalam. Struktur data meliputi data yang ada pada struk pembelian diantaranya Nomor Transaksi, Nomor Nota, Tanggal Transaksi, Nama Barang, Jumlah Barang, Harga Satuan. D. Analisis Masalah Masalah yang sering dihadapi oleh suatu UMKM retail berbasis tehnologi yaitu jumlah persediaan barang yang tidak sesuai dengan jumlah permintaan konsumen. Hal tersebut akhirnya menimbulkan permasalahan lainnya, yaitu kapasitas gudang akan terus berkurang karena barang-barang yang tidak laku terjual dan akhirnya harus mengeluarkan biaya tambahan untuk peminjaman gudang, konsumen akan pergi mencari UMKM retail berbasis tehnologi lain jika persediaan barang di UMKM retail berbasis tehnologi tersebut tidak ada atau tidak mencukupi. Salah satu cara untuk meminimalisasi permasalahan tersebut adalah dengan Market Basket Analysis, yang berguna untuk menganalisis data penjualan dari
6 46 suatu UMKM retail berbasis tehnologi, dan hasil yang didapatkan ini nantinya dapat digunakan untuk mengembangkan strategi pemasaran dengan melihat barang-barang mana saja yang sering dibeli oleh konsumen. E. Solusi Permasalahan Setelah melihat permasalahan di atas dan mempelajarinya, maka penulis merancang suatu program aplikasi yang digunakan untuk Market Basket Analysis dengan algoritma apriori untuk menyelesaikan permasalahan tersebut. Program akan dirancang menggunakan bahasa pemrograman PHP (PHP: Hypertext Preprocessor). F. Perancangan Program Aplikasi Pada perancangan program aplikasi Market Basket Analysis ini membutuhkan persyaratan sebagai berikut: 1. Program dibuat dengan menggunakan spesifikasi software: a. Adobe Dreamweaver dan notepad++ untuk user interface, dengan bahasa pemrograman PHP b. MySql untuk database system 2. Metode yang digunakan pada proses Market Basket Analysis adalah Apriori. 3. Data yang akan dianalisis adalah database penjualan barang ataupun jasa dari suatu UMKM retail berbasis tehnologi dan harus bertipe Excel (*.xls).
7 47 G. Rancangan Layar Market Basket Analysis Layar Market Basket Analysis merupakan layar utama dari program aplikasi ini. Pada layar Market Basket Analysis terdapat beberapa menu, yaitu Data Upload, Analyze, dan Logout. Menu Data Upload digunakan untuk mencari data penjualan yang akan dianalisis. Sedangkan menu Analyze digunakan untuk menampilkan hasil analisis dari data penjualan tersebut pada tabel yang telah disediakan. Menu Logout digunakan untuk kembali ke layar Login. H. Perancangan Program 1. Data yang Digunakan Pada penelitian ini data yang digunakan adalah dataset yang bertipe record, berupa data transaksi penjualan produk pada hypermarket yang berbentuk struk belanjaan. Data awal yang didapat berupa data mentah dari struk belanjaan. Data mentah tersebut akan diubah kedalam bentuk record yang akan menjadi dataset sebanya 4 atribut. Adapun atribut-atribut yang dimaksud yaitu nama produk, jumlah produk, harga produk, total harga. Seluruh atribut pada dataset selanjutnya akan diseleksi pada tahapan praproses data. Data yang diproses dalam jumlah yang besar sehingga diperlukan analisis perancangan program yang lebih sehingga program aplikasi tidak terlalu lama dan berat dalam melakukan proses analisis terhadap data. 2. Praproses Data Tahap praproses data merupakan tahap seleksi data yang bertujuan
8 48 untuk mendapatkan data yang bersih dan siap untuk digunakan dalam penelitian. Tahapan yang dikerjakan adalah melakukan perubahan terhadap beberapa tipe data pada atribut dataset dengan tujuan untuk mempermudah pemahaman terhadap isi record dan juga melakukan seleksi dengan memperhatikan konsistensi data, missing value dan redundant data. Dari semua atribut tersebut hanya beberapa yang akan digunakan dan dianggap cukup memenuhi untuk dilakukannya penelitian. Adapun atribut tersebut yaitu nama produk dan jumlah produk. Tahap selanjutnya adalah mengubah data mentah menjadi dataset yang berisikan semua kelompok jenis-jenis produk dalam bentuk record. Setelah diubah ke dalam bentuk variabel, semua data mentah struk belanjaan dimasukkan ke dalam jenis-jenis kelompok produk sesuai dengan kelompoknya selanjutnya akan diseleksi untuk mendapatkan atribut-atribut yang berisi nilai yang relevan, tidak missing value dan tidak mengalami redundant data. Ketiga syarat tersebut merupakan syarat awal yang harus dilakukan dalam dalam data mining sehingga akan diperoleh dataset yang bersih untuk digunakan pada tahap mining data. Dikatakan missing value jika atribut-atribut dalam dataset tidak berisi nilai atau kosong, sementara itu data dikatakan redundant jika dalam satu dataset yang sama terdapat lebih dari satu record yang berisi nilai yang sama. 3. Cleaning Data Tahap selanjutnya adalah melakukan cleaning data terhadap data yang memiliki missing value dan redundant data.
9 49 4. Uji Coba dengan Algoritma Apriori Algoritma Apriori adalah algoritma paling terkenal untuk menemukan pola frekuensi tinggi. Pola frekuensi tinggi adalah pola item di dalam suatu database yang memiliki frekuensi atau support di atas ambang batas tertentu yang disebut dengan istilah minimum support. Pola frekuensi tinggi ini digunakan untuk menyusun aturan assosiatif dan juga beberapa teknik data mining lainnya. Algoritma Apriori dibagi menjadi beberapa tahap yang disebut iterasi atau pass. Tiap iterasi menghasilkan pola frekuensi tinggi dengan panjang yang sama dimulai dari pass pertama yang menghasilkan pola frekuensi tinggi dengan panjang satu. Di iterasi pertama ini, support dari setiap item dihitung dengan mencari dalam database. Setelah support dari setiap item didapat, item yang memiliki support diatas 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. 5. Pola Analisis Association Rule pada Algoritma Apriori Algoritma Apriori termasuk jenis aturan asosiasi pada data mining. Selain apriori, yang termasuk pada golongan ini adalah metode generalized rule induction dan algoritma hash based. Aturan yang menyatakan asosiasi antara beberapa atribut sering disebut affinity analysis atau market basket analysis. Analisis asosiasi atau association rule mining adalah teknik data
10 50 mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Contoh aturan assosiatif dari analisa pembelian di suatu pasar swalayan adalah dapat diketahuinya berapa besar kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan pengetahuan tersebut pemilik pasar swalayan dapat mengatur penempatan barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon untuk kombinasi barang tertentu. Analisis asosiasi menjadi terkenal karena aplikasinya untuk menganalisa isi keranjang belanja di pasar swalayan. Analisis asosiasi juga sering disebut dengan istilah market basket analysis. 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) menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien. Penting atau tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter, support (nilai penunjang) yaitu persentase kombinasi item tersebut dalam database dan confidence (nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan asosiatif. Aturan asosiatif biasanya dinyatakan dalam bentuk: {roti, mentega} {susu} (support = 40%, confidence = 50%) Yang artinya: 50% dari transaksi di database yang memuat item roti dan mentega juga memuat item susu. Sedangkan 40% dari seluruh transaksi yang
11 51 ada di database memuat ketiga item itu. Dapat juga diartikan: Seorang konsumen yang membeli roti dan mentega punya kemungkinan 50% untuk juga membeli susu. Aturan ini cukup signifikan karena mewakili 40% dari catatan transaksi selama ini. Analisis asosiasi didefinisikan suatu proses untuk menemukan semua aturan asosiatif yang memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk confidence (minimum confidence). Metodologi dasar analisis asosiasi terbagi menjadi dua tahap: a. Analisa pola frekuensi tinggi Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database. Nilai support sebuah item diperoleh dengan rumus berikut: Sedangkan nilai support dari 2 item diperoleh dari rumus berikut: b. Pembentukan aturan assosiatif Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif A B
12 52 Nilai confidence dari aturan A B diperoleh dari rumus berikut: c. Langkah-langkah algoritma pada Association Rule 1) Tentukan batas minimum dalam suatu transaksi 2) Tentukan semua Frekuen Item set Untuk setiap Frekuen Item set lakukan hal sebagai berikut: a) Ambil sebuah unsur, namakanlah s b) Untuk sisanya namakanlah ss-s c) Masukkan unsur-unsur yang telah di umpamakan ke dalam rule If (ss-s) then s d. Contoh dalam perhitungan Ada transaksi seperti yang terlihat dibawah ini. Transaksi Item yang di beli 1 C, E, D 2 A, F, D 3 D, G, B, F 4 E, D, G, B 5 B, A, C 6 F, A, B, G 7 G, D 8 C, G, E 9 F, A, B 10 B, D 1) Pisahkan masing-masing item yang dibeli Item yang di A B C
13 53 D E F G 2) Kemudian Buat Tabel seperti dibawah ini: Transaksi A B C D E F G ) Kemudian hitung jumlah banyaknya pembelian untuk setiap item Transaksi A B C D E F G ) Tentukan Misalkan kita tentukan = 3, maka kita dapat menentukan frekuen itemset. Dari tabel di atas diketahui total untuk transaksi k = 1, semuanya lebih besar da Maka: F1 = {{A}, {B}, {C}, {D}, {E}, {F}, {G}}
14 54 Untuk k = 2 (2 unsur), diperlukan tabel untuk tiap-tiap pasang item. Himpunan yang mungkin terbentuk adalah: {A,B}, {A,C}, {A,D}, {A,E}, {A,F}, {A,G}, {B,C}, {B,D}, {B,E}, {B,F}, {B,G}, {C,D}, {C,E}, {C,F}, {C,G}, {D,E},{D,F}, {D,G}, {E,F}, {E,G}, {F,G}. Tabel-tabel untuk calon 2 item set: T A B f T A C f T A D f T A E f S S S S S S P S S S S S S S S S P P S S P S S S S S S S S S S S P S S S S S S S T A F f T A G f T B C f T B D f S S S S P S S S S S S P S S S P S S P S P P S S S S S S S S S S P S S S S S S P T B E f T B F f T B G f T C D F
15 S S S P S S S S S P P S P S P S S S S S S P P S S S S S S S S S S P S S S S S S T C E f T C F f T C G f T D E F P S S P S S S S S S S S S S S P S S S S S S S S S S S S P S P S S S S S S S S S T D F f T D G f T E F f T E G F S S S S P S S S P P S S S P S P S S S S S S S S S P S S S S S P S S S S S S S S
16 56 T F G f S S P S S P S S S S 2 Dari tabel-tabel 2 unsur di atas, P artinya item-item yang dijual bersamaan, sedangkan S berarti tidak ada item yang dijual bersamaan atau tidak item set harus lebih besar atau sama Dari tabel diatas, maka didapat: F2 = {{A,B}, {A,F}, {B,D}, {B,F}, {B,G}, {D,G} 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. Misalnya {A,B} dan {A,F} memiliki itemset k-1 pertama yg sama, yaitu A, maka dapat digabungkan menjadi 3- itemset baru yaitu {A, B, F}. Untuk k = 3 (3 unsur), himpunan yang mungkin terbentuk adalah: {A, B, F}, {B, D, F}, {B, D,G}, {B, F, G} T A B F f T B D F f S S S S S P
17 S S S S P S S S S S P S S S 2 1 T B D G f T B F G f S S S S P P P S S S S P S S S S S S S S 2 2 Dari tabelsehingga F4, F5, F6 dan F7 juga merupakan himpunan kosong. 5) Rule yang dipakai adalah if x then y, dimana x adalah antecendent dan y adalah consequent. Berdasarkan rule tersebut, maka dibutuhkan 2 buah item yang mana salah satunya sebagai antecedent dan sisanya sebagai consequent. Dari langkah 4 didapat 1 buah F k yaitu F 2. F 1 tidak disertakan karena hanya terdiri dari 1 item saja. Untuk antecedent boleh lebih dari 1 unsur, sedangkan untuk consequent terdiri dari 1 unsur. 6) Tentukan (ss-s) sebagai antecedent dan s sebagai consequent dari F k yang telah di dapat berdasarkan rule pada langkah 5.
18 58 Pada F2 didapat himpunan F2 = {{A,B}, {A,F}, {B,D}, {B,F}, {B,G}, {D,G} maka dapat disusun: a) Untuk {A,B}: Jika (ss-s) = A, Jika s = B, Maka If buy A then buy B Jika (ss-s) = B, Jika s = A, Maka If buy B then buy A b) Untuk {A,F}: Jika (ss-s) = A, Jika s = F, Maka If buy A then buy F Jika (ss-s) = F, Jika s = A, Maka If buy F then buy A c) Untuk {B,D}: Jika (ss-s) = B, Jika s = D, Maka If buy B then buy D Jika (ss-s) = D, Jika s = B, Maka If buy D then buy B d) Untuk {B,F}: Jika (ss-s) = B, Jika s = F, Maka If buy B then buy F Jika (ss-s) = F, Jika s = B, Maka If buy F then buy B e) Untuk {B,G}: Jika (ss-s) = B, Jika s = G, Maka If buy B then buy G Jika (ss-s) = G, Jika s = B, Maka If buy G then buy B f) Untuk {D,G}: Jika (ss-s) = D, Jika s = G, Maka If buy D then buy G Jika (ss-s) = G, Jika s = D, Maka If buy G then buy D 7) Dari langkah 6, kita mendapatkan 12 rule yang dapat digunakan yaitu a) If buy A then buy B b) If buy B then buy A
19 59 c) If buy A then buy F d) If buy F then buy A e) If buy B then buy D f) If buy D then buy B g) If buy B then buy F h) If buy F then buy B i) If buy B then buy G j) If buy G then buy B k) If buy D then buy G l) If buy G then buy D 8) Dari langkah 7 dibuat tabel kandidat asosiasi rule untuk 1 antecedent If antecedent then consequent Support Confidence If buy A then buy B If buy B then buy A If buy A then buy F If buy F then buy A If buy B then buy D If buy D then buy B If buy B then buy F If buy F then buy B If buy B then buy G If buy G then buy B
20 60 If buy D then buy G If buy G then buy D 9) Hitung support dan confidence. item yang dibeli sekaligus pada If buy A then buy B, ada 3 transaksi. Jumlah seluruh transaksi adalah 10 transaksi, sehingga support-nya adalah: sekaligus pada If buy A then buy B, ada 3 transaksi, sedangkan jumlah transaksi yang membeli A adalah 4 transaksi, sehingga confidence-nya adalah: Sehingga di dapat tabel sebagai berikut: If antecedent then consequent Support Confidence If buy A then buy B (3/10) x 100% = (3/4) x 100% = 75% If buy B then buy A (3/10) x 100% = (3/6) x 100% = 50% If buy A then buy F (3/10) x 100% = (3/4) x 100% = 75% If buy F then buy A (3/10) x 100% = (3/4) x 100% = 75% If buy B then buy D (3/10) x 100% = (3/6) x 100% = 50% If buy D then buy B (3/10) x 100% = (3/6) x 100% = 50% If buy B then buy F (3/10) x 100% = (3/6) x 100% = 50% If buy F then buy B (3/10) x 100% = (3/4) x 100% = 75%
21 61 If buy B then buy G (3/10) x 100% = (3/6) x 100% = 50% If buy G then buy B (3/10) x 100% = (3/5) x 100% = 60% If buy D then buy G (3/10) x 100% = (3/6) x 100% = 50% If buy G then buy D (3/10) x 100% = (3/5) x 100% = 60% 10) Setelah di dapat support dan confidence untuk masing-masing kandidat, lakukan perkalian antara support dan confidence, dimana confidence-nya diambil 70% ke atas, sehingga di dapat tabel sebagai berikut: If antecedent then consequent Support Confidence Support x confidence If buy A then buy B 33,33% 75% If buy A then buy F 33,33% 75% If buy F then buy A 33,33% 75% If buy F then buy B 33,33% 75% ) Setelah didapat hasil perkalian antara support dan confidence, pilihlah yang hasil perkaliannya paling besar. Hasil paling besar dari perkalian perkalian tersebut merupakan rule yang dipakai pada saat menjual. Karena hasil perkalian dari ke-4 penjualan diatas bernilai sama, maka semuanya bisa dijadikan rule. a) Jika membeli A maka akan membeli B dengan support 33,33% dan confidence 75% b) Jika membeli A maka akan membeli F dengan support 33,33% dan confidence 75% c) Jika membeli F maka akan membeli A dengan support 33,33% dan confidence 75% d) Jika membeli F maka akan membeli B dengan support 33,33% dan confidence 75%
22 62 6. Perancangan Antarmuka (Interfaces) Sistem Pada perancangan antarmuka sistem ini akan dibahas bagaimana perancangan flowchart sistem dan perancangan tampilan sistem. Adapun penjelasannya adalah sebagai berikut: a. Perancangan Flowchart Sistem Flowchart sistem dibuat untuk menggambarkan bagaimana proses alur keseluruhan sistem bekerja. b. Perancangan Tampilan Sistem Perancangan tampilan digunakan untuk menggambarkan aplikasi yang sebenarnya. Beberapa model tampilan implementasi dalam penelitian ini sebagai berikut: 1) Tampilan Form Input Data Pada tampilan input data ini, terdapat beberapa form yang harus diisi terlebih dahulu yaitu jumlah kolom, posisi baris 1, posisi kolom 1, output dan upload file excel. 2) Tampilan Hasil Analisis Pada tampilan ini akan menampilkan hasil analisi yang berupa angka prosentase dan juga grafik untuk dapat dianalisi menjadi pola tata letak produk berdasarkan asosiasi hasil dari sistem. 3) Tampilan Login dan Keluar Sistem Pada tampilan ini digunakan untuk masuk kedalam sistem dengan menggunakan user dan password yang sudah di generate terlebih dahulu di dalam basis data. Tampilan keluar untuk mengunci sistem
23 63 dan kembali ke halaman awal dan berguna untuk menjaga keamanan data. I. Focus Group Discussion dan Validasi Ahli Focus Group Discussion dan validasi ahli oleh ahli dilakukan untuk mendapatkan rumusan sistem informasi yang dikembangkan, teoritis, efisiensi, kemungkinan implementasi dan kemenarikan model sistem yang memiliki arah kelayakan yang memadahi. Validasi ahli dilakukan oleh beberapa ahli yang memiliki kemampuan dibidang industri, pendidikan, pemasaran, teknik informatika, pengembang sistem informasi (programmer), dan sistem analis. Adapun ahli pada masing-masing bidang tersebut adalah sebagai berikut: 1. Prof. Dr. Kohar Sulistyadi, M.SIE Rektor Universitas Sahid Surakarta, yang meraih doktor pada bidang teknologi industri pertanian dan dosen Magister Pendidikan Ekonomi Fakultas Keguruan dan Ilmu Pendidikan Universitas Sebelas Maret. 2. Dr. Hery Sawiji, M. Pd. Sekretaris Prodi Magister Pendidikan Ekonomi, yang meraih gelar doktor pada bidang Manajemen Pendidikan di Universitas Negeri Jakarta dan dosen Pendidikan Administrasi Perkantoran Fakultas Keguruan dan Ilmu Pendidikan Universitas Sebelas Maret. 3. Jonet Ariyanto Nugroho, SE., MM. Dosen Pendidikan Ekonomi Bidang Keahlian Khusus Tata Niaga Fakultas Keguruan dan Ilmu Pendidikan Universitas Sebelas Maret, yang
24 64 meraih gelar Magister Manajemen bidang Manajemen Pemasaran dari Universitas Sebelas Maret. 4. Rosihan Ari Yuana, S.Si, M.Kom. Dosen Pendidikan Teknik Informatika dan Komputer Fakultas Keguruan dan Ilmu Pendidikan Universitas Sebelas Maret, meraih gelar Magister Ilmu Komputer di Universitas Gajah Mada dan pengembang sistem informasi SMS Gateway. 5. Agus Tri Haryanto, S.Kom., M.Cs. Ketua ICT Center FKIP UNS, koordinator tim analis sistem informasi e-administrasi Fakultas Keguruan dan Ilmu Pendidikan Universitas Sebelas Maret. 6. Dwi Hartanto, S. Pd. Staff Programming ICT Center FKIP UNS, pengembang sistem informasi e-administrasi akademik dan e-administrasi layanan di Fakultas Keguruan dan Ilmu Pendidikan Universitas Sebelas Maret. Validasi para ahli di atas, dimaksudkan untuk mendapatkan informasi tentang kemungkinan kelayakan penggunaan sistem informasi market basket analysis. Informasi yang diperoleh dijadikan masukan untuk mengembangkan dan merevisi sistem informasi yang akan dihasilkan menjadi model yang layak untuk diimplementasikan.
25 65 J. Percobaan dan Implementasi Percobaan dan implementasi digunakan untuk menguji apakah algoritma yang digunakan mampu menganalisis dari data yang telah terupload kedalam sistem. Percobaan untuk menguji kemampuan dari sistem dan kelayakan dari sistem sebelum program diimplementasikan. Fungsi dari percobaan ini yaitu: 1. Mengidentifikasikan masalah-masalah dari penggunaan sistem 2. Menyatakan secara spesifik sasaran yg harus dicapai untuk memenuhi kebutuhan hasil analisis yang diharapkan 3. Memilih alternatif - alternatif metode pemecahan masalah 4. Merencanakan dan menerapkan rancangan sistemnya sesuai dengan yang telah direncanakan dan diharapkan hasil analisis dari sistem yang telah dikembangkan. berikut: K. Tahapan Penelitian Tahapan penelitian secara garis besar dapat digambarkan pada bagan
26 66 Latar Belakang Masalah Identifikasi Masalah - Data penjualan dari hypermarket yang jumlahnya besar diperlukan analisis data. - Belum ada analisis data secara asosiasi dari data penjualan sehingga perlu menggunakan aplikasi. Rumusan Masalah 1. Bagaimana mendapatkan pola pembelian produk atau penggunaan jasa yang kemudian dapat dikembangkan menjadi strategi pemasaran? 2. Bagaimana mendapatkan model tata letak produk pada hypermarket untuk memudahkan konsumen dalam mencari produk? 3. Bagaimana menghasilkan program aplikasi Market Basket Analysis dengan metode algoritma Apriori menggunakan bahasa pemrograman PHP? Landasan Teori - Market Basket Analysis - Data mining Tujuan 1. Mendapatkan pola pembelian produk atau penggunaan jasa yang kemudian dapat dikembangkan menjadi strategi pemasaran. 2. Mendapatkan model tata letak produk pada hypermarket untuk memudahkan konsumen dalam mencari produk. 3. Menghasilkan program aplikasi Market Basket Analysis dengan metode algoritma Apriori menggunakan bahasa pemrograman PHP. Pengumpulan Data Transaksi - Data Transaksi Penjualan Barang Perancangan Sistem Informasi Dan Pengkodean Pengolahan Data Percobaan Sampling Data Implementasi Seluruh Data Analisis dan Pembahasan Analisis dan Pembahasan Validasi Ahli Kesimpulan dan Saran Gambar 3.3 Alur Tahapan Penelitian
Assocation Rule. Data Mining
Assocation Rule Data Mining Association Rule Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Aturan yang menyatakan
Lebih terperinciAturan assosiatif biasanya dinyatakan dalam bentuk : {roti, mentega} {susu} (support = 40%, confidence = 50%)
ASSOCIATION RULE (ALGORITMA A PRIORI) 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
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perusahaan ritel yang menyediakan berbagai kebutuhan berkembang pesat bukan hanya di kota besar saja tetapi juga di kota-kota kecil. Untuk memperoleh keuntungan yang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Saat ini, perkembangan teknologi telah memberikan pengaruh yang sangat besar di dalam kehidupan manusia. Salah satu pengaruh tersebut di bidang informasi yaitu dalam
Lebih terperinciIMPLEMENTASI DATA MINING DENGAN ALGORITMA APRIORI PADA TOKO BANGUNAN UD. RUFI SENTOSA JAYA SAMBIREJO - PARE
IMPLEMENTASI DATA MINING DENGAN ALGORITMA APRIORI PADA TOKO BANGUNAN UD. RUFI SENTOSA JAYA SAMBIREJO - PARE SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.)
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Berbagai penemuan terbaru di dalam pengumpulan dan penyimpanan data telah memungkinkan berbagai organisasi untuk mengumpulkan berbagai data (data pembelian, data nasabah,
Lebih terperinciPENERAPAN ALGORITMA APRIORI DALAM MENENTUKAN STRATEGI PENJUALAN MAKANAN RINGAN (Studi Kasus: Toko Pak Herry Templek - Gadungan)
PENERAPAN ALGORITMA APRIORI DALAM MENENTUKAN STRATEGI PENJUALAN MAKANAN RINGAN (Studi Kasus: Toko Pak Herry Templek - Gadungan) SKRIPSI Diajukan Untuk Memenuhi Sebagai Syarat Guna Memperoleh Gelar Sarjana
Lebih terperinciCynthia Banowaty Pembimbing : Lely Prananingrum, S.Kom., MMSi
DATA MINING UNTUK PERANCANGAN PENGAMBILAN KEPUTUSAN PRODUK KERAJINAN MENGGUNAKAN ALGORITMA APRIORI BERBASIS WEBSITE Cynthia Banowaty 11111695 Pembimbing : Lely Prananingrum, S.Kom., MMSi Latar Belakang
Lebih terperinciANALISA DAN PERANCANGAN APLIKASI ALGORITMA APRIORI UNTUK KORELASI PENJUALAN PRODUK (STUDI KASUS : APOTIK DIORY FARMA)
ANALISA DAN PERANCANGAN APLIKASI ALGORITMA APRIORI UNTUK KORELASI PENJUALAN PRODUK (STUDI KASUS : APOTIK DIORY FARMA) Harvei Desmon Hutahaean 1, Bosker Sinaga 2, Anastasya Aritonang Rajagukguk 2 1 Program
Lebih terperinciBAB I PENDAHULUAN. Data mining memungkinkan penemuan pola-pola yang menarik, informasi yang
1 BAB I PENDAHULUAN Bab pendahuluan ini membahas tentang latar belakang masalah yaitu fenomena perkembangan data yang terus bertambah tetapi informasi yang dihasilkan monoton, sehingga diperlukan data
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Perkembangan dan persaingan dalam dunia bisnis perdagangan serta kemajuan teknologi informasi merupakan suatu hal yang saling terkait, dalam ketatnya persaingan pasar
Lebih terperinciImplementasi Data Mining Algoritme Apriori Pada Sistem Penjualan Kusuma Shop
Implementasi Data Mining Algoritme Apriori Pada Sistem Penjualan Kusuma Shop Lutfi Mukaromah 1, Kusumaningtyas 2, Apriliani Galih Saputri 3, Harleni Vionita 4, Rendi Susilo 5,Tri Astuti 6, Lusi Dwi Oktaviana
Lebih terperinciDATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI
DATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI Heroe Santoso 1), I Putu Hariyadi 2), Prayitno 3) 1), 2),3) Teknik Informatika STMIK Bumigora Mataram Jl Ismail Marzuki
Lebih terperinciBAB III ANALISA DAN DESAIN SISTEM
BAB III ANALISA DAN DESAIN SISTEM III.1. Analisis Masalah Dibutuhkannya ketelitian dalam Melihat hasil penjualan minuman pada kedai kopi Uleekareng & Gayo untuk menentukan minuman yang paling diminati
Lebih terperinciANALISA POLA PEMILIHAN PROGRAM STUDI BAGI CALON MAHASISWA DI UNIVERSITAS ABDURRAB MENGGUNAKAN ASSOCIATION RULE
ANALISA POLA PEMILIHAN PROGRAM STUDI BAGI CALON MAHASISWA DI UNIVERSITAS ABDURRAB MENGGUNAKAN ASSOCIATION RULE Diki Arisandi 1, Nofriandi 2 Jurusan Teknik Informatika, FakultTeknik,Universitas Abdurrab
Lebih terperinciAnalisis Aturan Asosiasi Data Transaksi Supermarket Menggunakan Algoritma Apriori
Analisis Aturan Asosiasi Data Transaksi Supermarket Menggunakan Algoritma Apriori Ginanjar Abdurrahman 1) 1) Jurusan Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Jember Jl. Karimata No.
Lebih terperinciPENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN DI MINIMARKET SKRIPSI. Diajukan Untuk Memenuhi Sebagian Syarat Guna
PENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN DI MINIMARKET SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI. yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup banyak digunakan, antara lain
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Penelitian ini menggunakan beberapa sumber pustaka yang berhubungan dengan kasus yang akan diteliti. Pemanfaatan algoritma apriori sudah cukup
Lebih terperinciBAB II TINJAUAN PUSTAKA. pengetahuan di dalam database. Data mining adalah proses yang menggunakan
6 BAB II TINJAUAN PUSTAKA 2.1 Pengertian Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Pelaku bisnis saat ini dituntut selalu inovatif untuk dapat bersaing dengan kompetitor. Bisnis retail seperti Apotek merupakan bisnis dengan persaingan yang sangat
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Kebutuhan akan teori dalam dunia pendidikan sangat besar. Teori banyak di tulis ke dalam sebuah buku maupun jurnal. Pada universitas potensi utama,
Lebih terperinciPengembangan Aplikasi Market Basket Analysis Menggunakan Algoritma Generalized Sequential Pattern pada Supermarket
Pengembangan Aplikasi Market Basket Analysis Menggunakan Algoritma Generalized Sequential Pattern pada Supermarket Gunawan 1), Alex Xandra Albert Sim 2), Fandi Halim 3), M. Hawari Simanullang 4), M. Firkhan
Lebih terperinci2.2 Data Mining. Universitas Sumatera Utara
Basis data adalah kumpulan terintegrasi dari occurences file/table yang merupakan representasi data dari suatu model enterprise. Sistem basisdata sebenarnya tidak lain adalah sistem penyimpanan-record
Lebih terperinciAPLIKASI DATA MINING MARKET BASKET ANALYSIS PENJUALAN SUKU CADANG SEPEDA MOTOR MENGGUNAKAN METODE ASSOCIATION RULES PADA PT. SEJAHTERA MOTOR GEMILANG
APLIKASI DATA MINING MARKET BASKET ANALYSIS PENJUALAN SUKU CADANG SEPEDA MOTOR MENGGUNAKAN METODE ASSOCIATION RULES PADA PT. SEJAHTERA MOTOR GEMILANG EKA FITRIA WULANSARI Program Studi Teknik Informatika,
Lebih terperinciPENERAPAN ALGORITMA APRIORI ASSOCIATION RULE UNTUK ANALISA NILAI MAHASISWA DI UNIVERSITAS GUNADARMA
PENERAPAN ALGORITMA APRIORI ASSOCIATION RULE UNTUK ANALISA NILAI MAHASISWA DI UNIVERSITAS GUNADARMA Margi Cahyanti 1), Maulana Mujahidin 2), Ericks Rachmat Swedia 3) 1) Sistem Informasi Universitas Gunadarma
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada tinjauan pustaka ini akan dibahas tentang konsep dasar dan teori-teori yang mendukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Basis Data (Database) Database
Lebih terperinciANALISA POLA PEMILIHAN PROGRAM STUDI BAGI CALON MAHASISWA DI UNIVERSITAS ABDURRAB MENGGUNAKAN ASSOCIATION RULE
ANALISA POLA PEMILIHAN PROGRAM STUDI BAGI CALON MAHASISWA DI UNIVERSITAS ABDURRAB MENGGUNAKAN ASSOCIATION RULE Diki Arisandi 1, Nofriandi 2 Jurusan Teknik Informatika, FakultTeknik,Universitas Abdurrab
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Bagi para calon mahasiswa cenderung bingung memilih jurusan yang mana yang akan mereka geluti di dunia pendidikan. Sekolah Tinggi Teknologi Sinar
Lebih terperinciPENGGUNAAN MARKET BASKET ANALYSIS DALAM DATA MINING
PENGGUNAAN MARKET BASKET ANALYSIS DALAM DATA MINING Narwati Dosen Fakultas Teknologi Informasi Abstrak Jumlah data yang sangat besar pada suatu perusahaan atau dalam suatu transaksi bisnis, merupakan suatu
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN III.1. Analisis Sistem Analisis sistem yang berjalan pada perusahaan PT. Perintis Perkasa dikelola dengan menggunakan software TDMS (Toyota Dealer Management System). TDMS
Lebih terperinciPENGEMBANGAN SISTEM MANAJEMEN METODE DATA MINING MARKET BASKET ANALYSIS
PENGEMBANGAN SISTEM MANAJEMEN METODE DATA MINING MARKET BASKET ANALYSIS UNTUK MENENTUKAN POLA TATA LETAK PRODUK ( UMKM Retail Assalam Hypermarket Surakarta ) Wiwin Hartanto, Kohar Sulistyadi, Hery Sawiji
Lebih terperinciPENGGUNAAN ALGORITMA APRIORI UNTUK MENENTUKAN REKOMENDASI STRATEGI PENJUALAN PADA TOSERBA DIVA SKRIPSI
PENGGUNAAN ALGORITMA APRIORI UNTUK MENENTUKAN REKOMENDASI STRATEGI PENJUALAN PADA TOSERBA DIVA SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.) Pada Program
Lebih terperinciBAB II TINJAUAN PUSTAKA
6 BAB II TINJAUAN PUSTAKA Pada kajian literatur ini berisi studi pustaka terhadap buku, jurnal ilmiah, penelitian sebelumnya yang berkaitan dengan topik penelitian. Uraian tinjauan pustaka diarahkan untuk
Lebih terperinciJURNAL IMPLEMENTASI DATA MINING PADA TRANSAKSI PENJUALAN BIBIT BUAH DENGAN ALGORITMA APRIORI (STUDI KASUS: UD BUAH ASRI)
JURNAL IMPLEMENTASI DATA MINING PADA TRANSAKSI PENJUALAN BIBIT BUAH DENGAN ALGORITMA APRIORI (STUDI KASUS: UD BUAH ASRI) IMPLEMENTATION DATA MINING OF SALES TRANSACTION FRUIT SEEDLING WITH ALGORITHM APRIORI
Lebih terperinciAPLIKASI DATA MINING UNTUK ANALISIS ASOSIASI POLA PEMBELIAN DENGAN ALGORITMA APRIORI
APLIKASI DATA MINING UNTUK ANALISIS ASOSIASI POLA PEMBELIAN DENGAN ALGORITMA APRIORI SKRIPSI Disusun Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Komputer pada Departemen Ilmu Komputer/ Informatika
Lebih terperinciPENERAPAN METODE ASOSIASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENGETAHUI KOMBINASI ANTAR ITEMSET PADA PONDOK KOPI
PENERAPAN METODE ASOSIASI DATA MINING MENGGUNAKAN ALGORITMA APRIORI UNTUK MENGETAHUI KOMBINASI ANTAR ITEMSET PADA PONDOK KOPI Fitri Nurchalifatun Fakultas Ilmu Komputer, Universitas Dian Nuswantoro, Jl.
Lebih terperinciPENERAPAN ALGORITMA APRIORI UNTUK TRANSAKSI PENJUALAN OBAT PADA APOTEK AZKA
PENERAPAN ALGORITMA APRIORI UNTUK TRANSAKSI PENJUALAN OBAT PADA APOTEK AZKA Winda Aprianti 1), Jaka Permadi 2), Oktaviyani 3) 1)2)3) Teknik Informatika, Politeknik Negeri Tanah Laut Jl. A. Yani Km. 06
Lebih terperinciIMPLEMENTASI DATA MINING ALGORITMA APRIORI PADA PENJUALAN SPAREPART MOTOR DI AHAS PUTRA MOTOR
IMPLEMENTASI DATA MINING ALGORITMA APRIORI PADA PENJUALAN SPAREPART MOTOR DI AHAS PUTRA MOTOR SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer
Lebih terperinciGambar Tahap-Tahap Penelitian
BAB III METODELOGI PENELITIAN Dalam menyelesaikan penelitian ini dibuat beberapa tahapan. Tahap-tahap kegiatan dijelaskan dalam Gambar 3.1 Studi Literatur Pengumpulan Data Retrieve Data Pre-Processing
Lebih terperinciTOKO ONLINE RIRIS DENGAN MENGGUNAKAN METODE APRIORI UNTUK PEMILIHAN JENIS BUNGA SESUAI KEINGINAN CUSTOMER
TOKO ONLINE RIRIS DENGAN MENGGUNAKAN METODE APRIORI UNTUK PEMILIHAN JENIS BUNGA SESUAI KEINGINAN CUSTOMER ARTIKEL SKRIPSI Diajukan Guna Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer (S.Kom)
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Data penjualan pada CV. Auto Medan selama ini tidak tersusun dengan baik, sehingga data penjualan yang semakin hari semakin banyak tersebut hanya
Lebih terperinciBAB IV HASIL DAN UJICOBA. Penerapan Data Mining Market Basket Analysis Terhadap Data Penjualan Produk
BAB IV HASIL DAN UJICOBA IV.1. Tampilan Hasil Berikut ini dijelaskan mengenai tampilan hasil dari perancangan Penerapan Data Mining Market Basket Analysis Terhadap Data Penjualan Produk Elektronik Dengan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Banyak perusahaan baik besar maupun kecil yang dapat mengumpulkan data transaksi dengan cepat serta menghasilkan data yang sangat besar. Pertumbuhan data yang begitu
Lebih terperinciAPLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang)
Hapsari Dita Anggraeni, Ragil Saputra, Beta Noranita APLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang) Hapsari Dita
Lebih terperinciPENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA
PENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA Domma Lingga Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl. Sisingamangaraja
Lebih terperinciBAB V IMPLEMENTASI DAN PENGUJIAN SISTEM
BAB V IMPLEMENTASI DAN PENGUJIAN SISTEM 5.1 Implementasi Sistem Setelah melakukan analisis sistem yang dilakukan pada tahap sebelumnya dan dirancang sedemikian rupa, maka dilakukan tahapan selanjutnya
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM III.1 Analisis Sistem Analisis sistem adalah penguraian dari suatu sistem informasi yang utuh kedalam bagian-bagian komponennya dengan maksud untuk mengidentifikasi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam periode enam tahun terakhir (tahun 2007 2012), jumlah gerai ritel modern di Indonesia mengalami pertumbuhan rata-rata 17,57% per tahun. Pada tahun 2007, jumlah
Lebih terperinciIMPLEMENTASI DATA MINING TERHADAP PENYUSUNAN LAYOUT MAKANAN PADA RUMAH MAKAN PADANG MURAH MERIAH
IMPLEMENTASI DATA MINING TERHADAP PENYUSUNAN LAYOUT MAKANAN PADA RUMAH MAKAN PADANG MURAH MERIAH Oliver Zakaria 1), Kusrini 2) 1) Teknik Informatika STMIK AMIKOM Yogyakarta Jl. Ring Road Utara Condong
Lebih terperinciJurnal Edik Informatika Penelitian Bidang Komputer Sains dan Pendidikan Informatika V1.i1(52-62)
Analisa Pola Peminjaman Buku Perpustakaan Menggun Algoritma Apriori Azwar Anas Program Studi Pendidikan Informatika, STKIP PGRI Sumbar aans_07@yahoo.co.id http://dx.doi.org/10.22202/jei.2014.v1i1.1439
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian merupakan suatu prosedur beserta tahapan-tahapan yang
BAB III METODE PENELITIAN Metode penelitian merupakan suatu prosedur beserta tahapan-tahapan yang tersusun secara jelas dan sistematis guna menyelesaikan suatu permasalahan yang sedang diteliti dengan
Lebih terperinciBAB III ANALISA DAN DESAIN SISTEM
36 BAB III ANALISA DAN DESAIN SISTEM Tahapan ini merupakan tahapan utama dalam penelitian, dalam tahapan pengembangan sistem metode yang akan dipakai adalah Rapid Application Development dan tahapan Data
Lebih terperinciIMPLEMENTASI ALGORITMA APRIORI DALAM MENENTUKAN PERSEDIAAN OBAT
IMPLEMENTASI ALGORITMA APRIORI DALAM MENENTUKAN PERSEDIAAN OBAT Gusti Ahmad Syaripudin 1), Edi Faizal 2) 1) Teknik Informatika STMIK El Rahma Yogyakarta 1) Jl. Sisingamangaraja No. 76, Karangkajen, Brontokusuman,
Lebih terperinciBAB III METODOLOGI PENELITIAN
40 BAB III METODOLOGI PENELITIAN 3.1 DESAIN PENELITIAN Dalam melakukan penelitian, dibutuhkan desain penelitian agar penelitian yang dilakukan dapat berjalan dengan baik. Berikut ini merupakan desain penelitian
Lebih terperinciAPLIKASI MONITORING KETERSEDIAAN STOK BARANG MINIMARKET DENGAN METODE MARKET BASKET ANALYSIS (MBA)
Seminar Nasional Teknologi Informasi dan Multimedia 2016 APLIKASI MONITORING KETERSEDIAAN STOK BARANG MINIMARKET DENGAN METODE MARKET BASKET ANALYSIS (MBA) Sugiyatno 1), Adhika Pramita Widyasari 2) 1),
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Ketersediaan data sudah bukan hal yang sulit diperoleh lagi dewasa ini apalagi ditunjang dengan banyaknya kegiatan yang sudah dilakukan secara komputerisasi.
Lebih terperinciANALISA DATA PENJUALAN OBAT DENGAN MENGGUNAKAN ALGORITMA APRIORI PADA RUMAH SAKIT UMUM DAERAH H. ABDUL MANAN SIMATUPANG KISARAN
ANALISA DATA PENJUALAN OBAT DENGAN MENGGUNAKAN ALGORITMA APRIORI PADA RUMAH SAKIT UMUM DAERAH H. ABDUL MANAN SIMATUPANG KISARAN Chintia Oktavia Simbolon (0911456) Mahasiswa Program Studi Teknik Informatika,
Lebih terperinciBAB I PENDAHULUAN. mahasiswa yang seringkali meminjam buku harus mencari sendiri dirak rak
BAB I PENDAHULUAN I.1 Latar Belakang Perpustakaan merupakan salah satu fasilitas penyedia informasi,sumber ilmu pengetahuan,dan sarana penunjang proses kegiatan belajar bagi pengguna untuk mendapatkan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Pada bab ini akan dijelaskan tahap-tahap yang dilakukan dalam melakukan penelitian. Tahapan penelitian berguna agar pelaksanaan penelitian dapat berjalan dengan baik dan sistematis
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisa Masalah Apotek Rumah Sakit Islam Malahayati merupakan suatu organisasi bisnis yang berkembang di Indonesia. Apotek Rumah Sakit Islam Malahayati bergerak
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.. Analisis Masalah Pada zaman saat ini sepeda motor banyak digunakan di jalanan, banyak masyarakat menggunakan sepeda motor karena kepraktisan di dalam penggunaanya.
Lebih terperinciImplementasi Algoritme Modified-Apriori Untuk Menentukan Pola Penjualan Sebagai Strategi Penempatan Barang Dan Promo
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 10, Oktober 2018, hlm. 3829-3834 http://j-ptiik.ub.ac.id Implementasi Algoritme Modified-Apriori Untuk Menentukan
Lebih terperinciMetodologi Algoritma A Priori. Metodologi dasar algoritma a priori analisis asosiasi terbagi menjadi dua tahap :
Metodologi Algoritma A Priori 1 Kusrini, 2 Emha Taufiq Luthfi 1 Jurusan Sistem Informasi, 2 Jurusan Teknik Informatika 1, 2 STMIK AMIKOM Yogykakarta 1,2 Jl. Ringroad Utara Condong Catur Sleman Yogyakarta
Lebih terperinciPENERAPAN ASSOCIATION RULE PADA DATA PERSEDIAAN BAHAN BAKU DI PRO AB CHICKEN JAMBI
PENERAPAN ASSOCIATION RULE PADA DATA PERSEDIAAN BAHAN BAKU DI PRO AB CHICKEN JAMBI Reny Wahyuning Astuti M.Kom 1),Lucy Simorangkir M.Kom 2), Hendra Wijaya 3) 1), 2)&3) Teknik Informatika, STMIK Nurdin
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Banyaknya permintaan pasar terhadap produk coca-cola membuat PT. Coca-Cola harus menyediakan jumlah produksi yang sesuai dengan permintaan pasar.
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN III.1 Analisis Permasalahan Keputusan selama ini yang dilakukan oleh Toko Buku Sembilan Wali Medan untuk menentukan buku apa saja yang paling potensial dijual berdasarkan
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN III.1. Analisa Masalah Penataan atau penempatan stok barang selama ini yang dilakukan oleh kedai Kopi Uleekareng dan Gayo sangatlah tidak tertata dengan baik dan rapi,
Lebih terperinciPenerapan Association Rule Apriori dalam Aplikasi Business Analytic terhadap Data Kelulusan di UNIVERSITAS SEBELAS MARET (UNS)
Penerapan Association Rule Apriori dalam Aplikasi Business Analytic terhadap Data Kelulusan di UNIVERSITAS SEBELAS MARET (UNS) Benny Arif Pratama Informatika, Fakultas MIPA, Universitas Sebelas Maret Jl.
Lebih terperinciPENERAPAN METODE APRIORI ASOSIASI TERHADAP PENJUALAN PRODUCT COSMETIC UNTUK MENDUKUNG STRATEGI PENJUALAN
PENERAPAN METODE APRIORI ASOSIASI TERHADAP PENJUALAN PRODUCT COSMETIC UNTUK MENDUKUNG STRATEGI PENJUALAN SKRIPSI Diajukan untuk memenuhi salah satu syarat guna memperoleh gelar Sarjana Komputer (S.Kom)
Lebih terperinciJURNAL IMPLEMENTASI DATA MINING PADA PENJUALAN SEPATU DENGAN MENGGUNAKAN ALGORITMA APRIORI
JURNAL IMPLEMENTASI DATA MINING PADA PENJUALAN SEPATU DENGAN MENGGUNAKAN ALGORITMA APRIORI IMPLEMENTATION OF DATA MINING ON THE SALE OF SHOES WITH ALGORITHMS USING APRIORI Oleh : VERNANDA NOVRINI BUDIYASARI
Lebih terperinciUKDW BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Untuk dapat meningkatkan penjualan, pengambil keputusan / manajer toko harus dapat memperhatikan faktor-faktor yang mempengaruhi secara langsung. Salah satu
Lebih terperinciJournal of Informatics and Technology, Vol 2, No 2, Tahun 2013, p
Journal of Informatics and Technology, Vol 2, No 2, Tahun 2013, p 22-28 http://ejournal-s1.undip.ac.id/index.php/joint APLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan Banyaknya persaingan dalam dunia bisnis khususnya dalam industri penjualan, menuntut para pengembang untuk menemukan suatu strategi yang dapat meningkatkan
Lebih terperinciANALISA ALGORITMA APRIORI UNTUK MENENTUKAN MEREK PAKAIAN YANG PALING DIMINATI PADA MODE FASHION GROUP MEDAN
ANALISA ALGORITMA APRIORI UNTUK MENENTUKAN MEREK PAKAIAN YANG PALING DIMINATI PADA MODE FASHION GROUP MEDAN Eka Novita Sari (0911010) Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl.
Lebih terperinciIMPLEMENTASI ALGORITMA APRIORI UNTUK MENENTUKAN PAKET PEMBELIAN (STUDI KASUS : RD SWALAYAN) SKRIPSI
IMPLEMENTASI ALGORITMA APRIORI UNTUK MENENTUKAN PAKET PEMBELIAN (STUDI KASUS : RD SWALAYAN) SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer (S.Kom.)
Lebih terperinciPENERAPAN ALGORTIMA APRIORI PADA DATA MINING UNTUK MENGELOMPOKKAN BARANG BERDASARKAN KECENDERUNGAN KEMUNCULAN BERSAMA DALAM SATU TRANSAKSI.
PENERAPAN ALGORTIMA APRIORI PADA DATA MINING UNTUK MENGELOMPOKKAN BARANG BERDASARKAN KECENDERUNGAN KEMUNCULAN BERSAMA DALAM SATU TRANSAKSI Abstrak Data Mining is the process of extracting knowledge hidden
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI Bab ini akan membahas hal-hal yang mendasari dibuatnya E-Commerce Dolanan Puzzle, bahasa pemrograman, dan tools yang digunakan dalam pembuatan E-Commerce Dolanan Puzzle. 3.1 E-Commerce
Lebih terperinciIMPLEMENTASI DATA MINING ALGORITME APRIORI PADA PENJUALAN SUKU CADANG MOTOR DELTA MOTOR
IMPLEMENTASI DATA MINING ALGORITME APRIORI PADA PENJUALAN SUKU CADANG MOTOR DELTA MOTOR Sigit Bahtiar Aji Saputra 1, Reva Dwiana 2, Wahyu Dewi Nur Oktaviani 3, Royana Dwi Isnaeni 4, Tri Astuti 5, Nurfaizah
Lebih terperinciJURNAL IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI HASIL PENJUALAN BARANG PADA TOKO SINAR BARU DENGAN MENGGUNAKAN ALGORITMA APRIORI
JURNAL IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI HASIL PENJUALAN BARANG PADA TOKO SINAR BARU DENGAN MENGGUNAKAN ALGORITMA APRIORI IMPLEMENTATION OF DATA MINING TO PREDICT RESULTS OF SALES GOODS IN THE
Lebih terperinciANALISIS MARKET BASKET DENGAN ALGORITMA APRIORI (STUDY KASUS TOKO ALIEF)
ANALISIS MARKET BASKET DENGAN ALGORITMA APRIORI (STUDY KASUS TOKO ALIEF) Hernawati STMIK Nusa Mandiri Jl. Kramat Raya No. 18 Rt. 01/Rw. 07 Kwitang, Senen, Jakarta Pusat watiherna27@gmail.com ABSTRAK Dalam
Lebih terperinciBAB II TINJAUAN PUSTAKA. Turban mendefinisikan Decision Support System sebagai sekumpulan
BAB II TINJAUAN PUSTAKA 2.1 Decision Support System Turban mendefinisikan Decision Support System sebagai sekumpulan prosedur berbasis model untuk data pemrosesan dan penilaian guna membantu para pengambilan
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Toko central menjual berbagai macam aksesoris hp untuk masyarakat yang akan membeli. Toko central menyediakan aksesoris hp sesuai dengan banyaknya
Lebih terperinciIMPLEMENTASI ALGORITMA APRIORI PADA APOTEK RMC DALAM MENENTUKAN PERSEDIAAN OBAT
IMPLEMENTASI ALGORITMA APRIORI PADA APOTEK RMC DALAM MENENTUKAN PERSEDIAAN OBAT Gusti Ahmad Syaripudin Teknik Informatika STMIK El-Rahma Yogyakarta e-mail: first234boy@gmail.com Abstract In daily activities,
Lebih terperinciIMPLEMENTASI DATA MINING PADA PENJUALAN TIKET PESAWAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus: Jumbo Travel Medan)
IMPLEMENTASI DATA MINING PADA PENJUALAN TIKET PESAWAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus: Jumbo Travel Medan) Sri Rahayu Siregar ( 0911882) Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciPENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI
PENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI Gunawan 1, Fandi Halim 2, Tony Saputra Debataraja 3, Julianus Efrata Peranginangin 4
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Pengantar Komputer
BAB 1 PENDAHULUAN 1.1 Pengantar Komputer Saat ini komputer dan piranti pendukungnya telah masuk dalam setiap aspek kehidupan dan pekerjaan. Komputer dimanfaatkan dalam segala bidang dikarenakan komputer
Lebih terperinciBAB I PENDAHULUAN. Keberadaan minimarket di kota-kota besar sangat dibutuhkan bagi. masyarakat khususnya di daerah perumahan. Bagi sebagian besar
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Keberadaan minimarket di kota-kota besar sangat dibutuhkan bagi masyarakat khususnya di daerah perumahan. Bagi sebagian besar masyarakat kota, mereka lebih cenderung
Lebih terperinciKata kunci: aplikasi data mining, Association Rule, Apriori, genre lagu, Radio
Aplikasi Data Mining Perhitungan Frekuensi Data Pemutaran lagu dengan metode Association Rule Menggunakan Algoritma Apriori (studi kasus Radio Republik Indonesia ( RRI ) Semarang) Hendra Andhyka Program
Lebih terperinciBAB I PENDAHULUAN. Teknologi Informasi sekarang ini telah digunakan hampir di semua aspek
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Teknologi Informasi sekarang ini telah digunakan hampir di semua aspek kehidupan, contohnya dalam sebuah perusahaan ritel. Dengan sistem yang telah terkomputerisasi,
Lebih terperinciBAB I PENDAHULUAN. yakni teknik mesin, teknik elektro dan teknik informatika. Namun bagi para calon
BAB I PENDAHULUAN I.1. Latar Belakang Sekolah Tinggi Teknologi Sinar Husni (STT. Sinar Husni) memiliki mahasiswa yang mayoritasnya adalah para pekerja, oleh karena itu banyak para pekerja yang melanjutkan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Data Mining Istilah data mining memiliki beberapa padanan, seperti knowledge discovery ataupun pattern recognition. Kedua istilah tersebut sebenarnya memiliki ketepatannnya masing-masing.
Lebih terperinciBAB I PENDAHULUAN. dari pemikiran-pemikiran manusia yang semakin maju, hal tersebut dapat. mendukung bagi pengembangan penyebaran informasi.
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi dan ilmu pengetahuan pada masa globalisasi ini dirasakan telah semakin pesat dan canggih. Semua ini dikarenakan hasil dari pemikiran-pemikiran
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN SISTEM
BAB IV IMPLEMENTASI DAN PENGUJIAN SISTEM 4.1. Implementasi Sistem Tahap implementasi dan pengujian sistem, dilakukan setelah tahap analisis dan perancangan selesai dilakukan. Pada bab ini aan dijelaskan
Lebih terperinci1. BAB 1 PENDAHULUAN. 1.1 Latar Belakang
1. BAB 1 PENDAHULUAN 1.1 Latar Belakang Beasiswa di Universitas Telkom merupakan salah satu bentuk bantuan untuk mahasiswa yang dapat digunakan untuk mendukung keberlangsungan pendidikannya. Beasiswa ini
Lebih terperinciIMPLEMENTASI DATA MINING ASSOCIATION RULE DAN ALGORITMA APRIORI UNTUK ANALISA PEMINJAMAN BUKU PADA PERPUSTAKAAN UPN VETERAN YOGYAKARTA TUGAS AKHIR
IMPLEMENTASI DATA MINING ASSOCIATION RULE DAN ALGORITMA APRIORI UNTUK ANALISA PEMINJAMAN BUKU PADA PERPUSTAKAAN UPN VETERAN YOGYAKARTA TUGAS AKHIR Tugas Akhir ini sebagai salah satu syarat untuk memperoleh
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada tinjauan pustaka ini membahas tentang landasan teori yang medukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Data Mining Data mining adalah kegiatan menemukan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah Identifikasi Masalah Masalah Umum
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah 1.1.1 Identifikasi Masalah 1.1.1.1. Masalah Umum Situasi kondisi perekonomian yang ada pada saat ini menunjukkan adanya perkembangan dunia usaha semakin pesat
Lebih terperinciKLASIFIKASI KECENDERUNGAN PENYAKIT MATA DI JAWA BARAT DENGAN ASSOCIATION RULE DAN NAÏVE BAYES CLASSIFIER
KLASIFIKASI KECENDERUNGAN PENYAKIT MATA DI JAWA BARAT DENGAN ASSOCIATION RULE DAN NAÏVE BAYES CLASSIFIER Zillan Taufiq Budiman 1), Wina Witanti 2), Dian Nursantika 3) 1), 2), 3) Informatika Universitas
Lebih terperinciRANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang)
RANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang) Naufal Farras Hilmy 1, Banni Satria Andoko 2 Program Studi Teknik
Lebih terperinciANALISA POLA DATA HASIL PEMBANGUNAN KABUPATEN MALANG MENGGUNAKAN METODE ASSOCIATION RULE
ANALISA POLA DATA HASIL PEMBANGUNAN KABUPATEN MALANG MENGGUNAKAN METODE ASSOCIATION RULE Dewi Sibagariang 1), Karina Auliasari 2) 1.2) Jurusan Teknik Informatika, Institut Teknologi Nasional Malang Jalan
Lebih terperinci