BAB 3 ANALISA SISTEM Pada perancangan suatu sistem diperlakukan analisa yang tepat, sehingga proses pembuatan sistem dapat berjalan dengan lancar dan sesuai seperti yang diinginkan. Setelah dilakukan analisis perlu adanya desain sistem (design interface) yang bertujuan untuk memberikan gambaran tentang jalannya sistem tersebut. 3.1 Analisis Masalah Perkembangan teknologi semakin hari semakin berkembang dengan pesat. Kemajuan teknologi memunculkan banyak aplikasi-aplikasi berbasis web yang dapat menampilkan berbagai macam informasi digital. Aplikasi- aplikasi berbasis web ini tidak menutup kemungkinan terdapat kemiripan informasi yang diberikan. Aplikasi penentuan pelanggan potensial untuk mengetahui mana pelanggan yang potensial, mana yang tidak berdasarkan transaksi yang ada dengan data yang telah disimpan dalam database. Sistem yang berjalan saat ini masih secara manual. Analisa sistem berjalan ini dilakukan bertujuan untuk mengetahui permasalahan yang ditimbulkan oleh sistem yang berjalan pada saat ini. Permasalahan tersebut dapat digunakan untuk menganalisis kebutuhan pengguna terhadap sistem yang baru. Kemudian, setelah permasalahan dan kebutuhan sistem dianalisis dengan baik, maka hasil analisis tersebut dapat digunakan sebagai dasar untuk perancangan sistem yang baru, sehingga dapat dihasilkan sistem baru yang dapat memenuhi kebutuhan pengguna. Tabel 0.1 Analisa masalah pencarian pelanggan potensial No Analisa Sistem yang Sistem yang Diusulkan Masalah Berjalan (Planning) (existing) 29
1 Kebutuhan 1. Saat ini untuk penentuan pelanggan potensial masih dilakukan secara manual dan sangat menghabiskan banyak waktu, ada kemungkinan juga pelanggan yang terpilih belum tepat 2. Saat ini belum ada cara untuk mempertahankan pelanggan agar selalu senang bertransaksi terhadap produk yang ada, maka dibutuhkan inovasi baru untuk menyenangkan pelanggan sehingga ingin selalu bertransaksi sehinggan menguntungkan owner atau perusahaan. 1. Dengan adanya sistem ini Dengan banyaknya jumlah pelanggan yang ada sulit untuk menentukan pelanggan dengan tepat dan cepat sesuai karakter yang diharapkan. Sehingga agar bisa memilih pelanggan yang potensial secara tepat cepat dibutuhkan aplikasi penentuan pelanggan potensial ini. 2. Dengan adanya sistem ini diharapkan dapat membuat pelanggan selalu senang bertransaksi pada produk yang ada karena adanya pemberian reward terhadap pelanggaan yang sering melakukan transaksi. 30
2 Kelebihan 1.Sistem ini sudah menjadi kebiasaan bagi pengguna (owner dan staff) 3 Kekurangan 1.Sistem yang diguanakan masih secara manual 1. Menyediakan ketersediann data dan integritas data 2. Menjadikan pekerjaan yang lebih efektif 1. Perlu adanya adaptasi terhadap sistem ini 3.2. Analisis Persyaratan Untuk membangun sebuah sistem, perlu dilakukan sebuah tahap analisis kebutuhan sistem. Analisis kebutuhan sistem dapat dikelompokkan menjadi dua bagian yaitu: kebutuhan fungsional dan kebutuhan non-fungsional. 3.2.1. Persyaratan Fungsional Persyaratan fungsional sistem adalah aktifitas dan pelayanan yang harus dimiliki oleh sebuah sistem berupa input,proses,output, maupun penyimpanan data (Harahap, 2013) Adapun Persyaratan Fungsional yang dibutuhkan yaitu: D 1. Pengguna memasukkan input data berupa transaksi 2. Sistem melakukan clustering atau pengelompokan data pelanggan berdasarkan transaksi setiap pelanggan yang baru saja diupdate 3. Sistem harus mampu menentukan strategi penjualan yaitu memberikan reward untuk pelanggan dengan posisi cluster teratas. 3.2.2. Persyaratan Non-Fungsional 31
Persyaratan non-fungsional sistem merupakan persyaratan apa yang harus dilakukan sistem. Beberapa persyaratan non-fungsional yang harus dipenuhi oleh sistem yang dirancang adalah sebagai berikut: 1. Performa Sistem yang akan dibangun harus dapat menunjukkan hasil dari proses penentuan pelanggan potensial 2. Mudah dipelajari dan digunakan Sistem yang akan dibangun harus sederhana dan mudah dipelajari oleh pengguna (user) 3. Dokumentasi Sistem yang akan dibangun dapat menyimpan saran kata yang ditambahkan oleh pengguna (user) ke dalam database 4. Hemat biaya Sistem yang akan dibangun tidak memerlukan perangkat tambahan dalam proses eksekusinya 3.3. Analisis Pencarian Pelanggan potensial Data pencarian sebuah informasi, kecepatan merupakan salah satu faktor yang penting. Dalam mempercepat pencarian informasi. Pengguna tidak perlu dengan cara manual untuk mengetahui pelanggan yang akan dicari sesuai karakteristik, sehingga hal ini sangat efektif untuk meningkatkan kecepatan pencarian sebuah informasi. 3.3.1. Cara Kerja Pencarian Pelanggan potensial Adapun cara kerja pencarian pelanggan potensial adalah sebagai berikut: 1. Misalkan user ingin mencari siapa pelanggan yang potensial yang ada pada periode tertentu 2. User memilih pada periode kapan ingin melihat pelanggan yang potensial dengan mengetikan tanggal 32
3. Kemudian proses clusetering akan berjalan dengan mengambil data yang sesuai antara tanggal yang ditentukan misal periode dari bulan januari 2017 sampai dengan saat ini. 4. Maka akan ditampilkan data yang mendapatkan pelanggan potensial sesuai karakter dan periode yang ditentukan. 3.3.2. Hasil Analisis pengambil keputusan Dari analisis pengambil keputusan di atas, saat mengambil data sesuai karakteristik oleh user dengan data yang ada pada database informasi, dalam mengambil keputusan membutuhkan algoritma clustering yang bekerja untuk melakukan pengelompokan data, sehingga dapat menghasilkan penentuan data yang tepat sesuai karakter yang ditentukan. 3.3.3. Analisis Algoritma K-Means Clustering Pada analisis tentang clustering untuk penentuan pelanggan potensial sebelumnya, ketika proses pengelompokan data membutuhkan algoritma clustering untuk pengelompokan data sesuai karakter-karakter yang diinput dari user dengan database informasi data transaski. Untuk itu berikut merupakan analisa terhadap pencarian Clustering dengan menggunakan Algoritma K-Means Clustering dalam pengelompokan data. Pada artikel yang diterbitkan Elsevier Data clustering: 50 years beyond K- means (Jain, 2009) diungkapkan bahwa pengorganisasian data ke dalam suatu kluster merupakan suatu model yang paling mendasar untuk pemahaman dan pembelajaran. Analisis kluster adalah studi formal untuk mengelompokkan, atau clustering benda-benda sesuai dengan karakteristik yang diukur berdasarkan kemiripan satu sama lain. Clustering adalah pengelompokan menggunakan teknik unsupervised learning dimana tidak diperlukan pelatihan pada metode tersebut atau dengan kata lain, tidak ada fase learning serta tidak menggunakan pelabelan pada setiap kelompok. Pada jurnal yang sama diungkapkan pula perihal penggunakan K- 33
means sebagai algoritma yang sejak dulu bahkan sampai saat ini cukup handal digunakan untuk proses clustering. Algoritma K Means Clustering merupakan metode clustering berbasis jarak yang membagi data-data ke dalam sejumlah cluster dimana proses clustering tersebut dilakukan dengan memperhatikan kumpulan dari data-- data yang akan dikelompokkan. Pada algoritma ini, pusat cluster atau centroid dipilih pada tahap awal secara acak dari sekumpulan koleksi (populasi) data. Kemudian K-- Means menguji masing-- masing komponen didalam populasi data dan menandai komponen tersebut ke salah satu centroid yang telah didefinisikan sebelumnya berdasarkan jarak minimum antara komponen (data) dengan masing-- masing centroid. Posisi centroid akan dihitung kembali sampai semua komponen data dikelompokkan ke setiap centroid dan terakhir akan terbentuk posisi centroid baru. Iterasi ini akan terus dilakukan sampai tercipta kondisi konvergen.. 3.3.4. Cara Kerja Algoritma K-Means 1. Menentukan centroid dari cluster Jika jumlah data (N) lebih kecil dari jumlah cluster (K) maka kita masukkan setiap data menjadi centroid dari cluster. Setiap centroid memiliki sebuah nomor cluster. Jika jumlah data lebih besar dari jumlah cluster, maka untuk setiap data kita hitung jarak terhadap seluruh centroid hingga mendapatkan jarak minimum (terdekat). Jika kita tidak yakin mengenai lokasi centroid, lakukan pendekatan mengenai letak centroid berdasarkan data terkini. Lalu masukkan semua data pada centroid baru tersebut. Proses ini berulang sampai tidak ada lagi data yang dipindahkan pada cluster lainnya. Secara matematis perulangan ini dapat dibuktikan secara konvergen. Adapun cara kerja algoritma dalam melakukan pencarian pelanggan potensial adalah sebagai berikut: 1. Definisikan jumlah K cluster. 34
2. Inisialisasi K pusat cluster (centroid) sebagai seed points (prototipe cluster awal). Centroid ini dapat diperoleh secara acak atau dipilih dari K objek data pertama. 3. Untuk setiap komponen data, hitung dan tandai jarak (distance) ke centroid awal kemudian masukkan data tersebut ke centroid yang paling dekat jaraknya 2 4. Hitung dan ubah kembali centroid tiap cluster sebagai rata-- rata dari seluruh anggota kelompok (group) cluster tersebut. 5. Cek semua data kembali dan taruh setiap data yang terdekat dengan centroid baru. Jika anggota tiap cluster tidak berubah (konvergen), maka langkah berhenti dan jika masih berubah, kembali ke langkah 2. Berikut adalah flowchart algoritma K-Means Clusetring pada Penentuan pelanggan potensial. Pada gambar 3.1 merupakan penjelasan dari algoritma K-Means Clusetring, flowchart ini menjelaskan bagaimana metode K-Means Clustering mendapatkan output yang berupa posisi centroid tiap cluster. 35
Begin Definisika n jumlah cluster K Tentukan centroid Hitung jarak objek data ke centroid Ada objek yang berpindah kelompok? end Kelompokan objek data berdasarkan jarak minimum ke centroid Gambar 0.1 Flowchart cara kerja Algoritma K-Means Clustering pada pencarian pelanggan potensial 3.3.5. Hasil Analisis Algoritma K-Means Clustering Berdasarkan analisis cara kerja di atas, menunjukkan bahwa algoritma K-Means Clustering juga dapat digunakan dengan baik pada penentuan pelanggan potensial. 36