PROPOSAL SKRIPSI
Disusun Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Komputer
Dari Fakultas Ilmu Komputer Universitas Singaperbangsa Karawang
1
ABSTRAK
“Aplikasi Penyeleksian dan Pengkombinasian Menu Dengan Pendekatan Data
Mining Menggunakan Algoritma A Priori”.
Deden Ahmad Ruhiyat
Program Studi Teknik Informatika
Fakultas Ilmu Komputer Universitas Singaperbangsa Karawang. 2018
Pembimbing: 1. Sofi Defiyanti, M.Kom**
2. Yuyun Umaidah, M.Kom**
Pertumbuhan bisnis makanan dan minuman masih tercatat sebagai pertumbuhan yang
tinggi diberbagai belahan dunia. Pesatnya pertumbuhan di Industri jasa makanan memicu
tumbuhnya berbagai macam cafe. Salah satu cara untuk agar omset penjualan bisa meningkat
adalah dengan cara mencari kombinasi menu yang dikira dapat meningkatkan nilai jual, kemudian
bisa juga dengan menyeleksi makanan atau minuman apa saja yang sering dibeli oleh pembeli.
Data-data historis penjualan tentang menu tersebut dapat di manfaatkan untuk menganalisis menu
favorite cafe tersebut.Teknik Data mining telah banyak digunakan untuk mengatasi permasalahan
yang ada salah satunya dengan penerapan algoritma A-Priori untuk mendapatkan informasi tentang
asosiasi antar produk dari suatu database transaksi. Dalam penelitian ini hasil dari data penjualan
tersebut akan dianalisis menggunakan pendekatan data mining dengan algoritma Apriori yang
digunakan untuk menghasilkan association rule. Association rule (aturan asosiasi) merupakan
salah satu teknik dalam data mining dan merupakan bentuk paling umum dipakai untuk
menemukan pola dari suatu kumpulan data. Dari hasil Association Final pada proses analisis data
mining menggunakan algoritma a priori maka dapat diketahui dua faktor tolak ukur, yaitu support
dan confidance. Support (nilai penunjang) adalah presentase kombinasi item dalam database,
sedangkan confidance (nilai kepastian) adalah kuatnya hubungan antar item dalam aturan asosiasi.
Kata kunci : Kafe, transaksi penjualan makanan, data mining, Algoritma A-Priori
1
ABSTRACT
"Application Selection and Combination Menu With Data Mining Approach Using A Priori
Algorithm".
The growth of food and beverage business is still recorded as high growth in various parts of the
world. The rapid growth in the food service industry triggered the growth of various cafes. One
way to increase sales turnover is to find a menu combination that is supposed to increase the sale
value, and then also by selecting any food or beverage that is often purchased by the buyer.
Historical sales data about the menu can be utilized to analyze the cafe's favorite menu. Data
mining techniques have been widely used to overcome the existing problems one of them with the
application of A-Priori algorithm to obtain information about the association between products
from a transaction database. In this study the results of sales data will be analyzed using data
mining approach with Apriori algorithm used to generate association rule. Association rule is one
of the techniques in data mining and is the most common form used to find patterns from a data
set. From the results of the Final Association in the process of data mining analysis using a priori
algorithm it can be known two benchmarks factors, namely support and confidance. Support is the
percentage of item combinations in a database, whereas confidance is a strong relationship
between items in association rules.
2
KATA PENGANTAR
Puji dan syukur penulis panjatkan kehadirat ALLAH SWT, yang telah
memberikan rahmat dan karunianya. Sehingga penulis dapat menyelesaikan
skripsi ini dengan judul ”Aplikasi Penyeleksian dan Pengkombinasian Menu
Dengan Pendekatan Data Mining Menggunakan Algoritma A Priori”.
Adapun skripsi saya ajukan untuk memenuhi syarat mata kuliah tugas
akhir/skripsi program strata satu, Jurusan Teknik Informatika, Fakultas Ilmu
Komputer, Universitas Singaperbangsa Karawang.
2. Bapak Ade Andri Hendriadi, S.Si., M.Kom. Selaku Dekan Fakultasi Ilmu
Komputer Universitas Singaperbangsa Karawang.
3. Bapak Aris Andri Hendriadi, S.Si., M.Kom. Selaku Wakil Dekan Fakultas
Ilmu Komputer Universitas Singaperbangsa Karawang.
3
6. Bapak Yuyun Umaida, M.Kom. selaku Dosen Pembimbing 2 Skripsi yang
telah memberikan pengarahan dan tuntunan selama penyusunan skripsi.
10. Kekasih tercinta Nureli Padilah yang selalu memberikan dukungan dan
memberikan limpahan doa agar lancar selama proses perkuliahan dan
pembelajaran.
4
Karawang, Juli 2018
Penulis
5
DAFTAR ISI
ABSTRAK................................................................................................................i
ABSTRACT.............................................................................................................ii
KATA PENGANTAR.............................................................................................iii
DAFTAR ISI............................................................................................................v
DAFTAR TABEL.................................................................................................viii
DAFTAR GAMBAR..............................................................................................ix
BAB I.......................................................................................................................1
PENDAHULUAN...................................................................................................1
1.1 Latar Belakang..........................................................................................1
1.2 Identifikasi Masalah..................................................................................2
1.3 Batasan Masalah........................................................................................3
1.4 Tujuan Penelitian.......................................................................................3
1.5 Manfaat Penelititan.........................................................................................3
1.Manfaat Teoritis.............................................................................................3
2.Manfaat Praktis..............................................................................................3
1.6 Metodologi Penelitian...............................................................................4
1.7 Sistematika Penulisan................................................................................4
BAB II......................................................................................................................5
LANDASAN TEORI...............................................................................................5
2.1 Aplikasi.....................................................................................................5
2.1.1 Pengertian Aplikasi Menurut Para Ahli.............................................5
2.2 Basis Data..................................................................................................5
2.3 Microsoft Excel.........................................................................................6
2.3.1 Objek Dalam Microsoft Excel...........................................................6
2.4 Macro.........................................................................................................8
2.5 Data Mining...............................................................................................9
2.6 Asosiasi...................................................................................................10
2.7 Algoritma A Priori...................................................................................11
2.8 Knowledge Discovery In Databases........................................................17
2.9 Tinjauan Studi Penelitian Sebelumnya....................................................19
2.9.1 Perbandingan Dengan Penelitian Sebelummnya.............................19
2.9.2 Perbedaan Hasil Studi Terdahulu Dengan Penelitian Sekarang.......22
2.10 Penelitian sekarang..................................................................................26
BAB III..................................................................................................................27
OBJEK DAN METODOLOGI PENELITIAN......................................................27
3.1 Objek Penelitian......................................................................................27
3.2 Metode Penelitian yang digunakan.........................................................27
3.3 Teknik Pengumpulan data.......................................................................28
3.4 Jenis Data................................................................................................28
3.4.1 Tahapan Penelitian...........................................................................28
3.4.2 Data Mining.....................................................................................29
3.4.3 Interpretation Data...........................................................................29
BAB IV..................................................................................................................30
HASIL DAN PEMBAHASAN..............................................................................30
4.1 Hasil Penelitia..........................................................................................30
4.2 Data cleaning...........................................................................................30
4.2.1 Wawancara.......................................................................................30
4.3 Data integration.......................................................................................31
4.3.1 Analisis.............................................................................................31
4.4 Data Selection..........................................................................................32
4.5 Transformation Data................................................................................33
4.6 Data Maining...........................................................................................33
4.7 Pattern evaluation....................................................................................34
4.8 Knowledge presentation..........................................................................35
4.9 Hasil Algoritma.......................................................................................35
4.10 Menampilkan hasil menu...........................................................................37
BAB V....................................................................................................................41
KESIMPULAN DAN SARAN..............................................................................41
5.1 Kesimpulan..............................................................................................41
5.2 Saran........................................................................................................41
DAFTAR PUSTAKA.............................................................................................42
DAFTAR TABEL Y
TABEL 1.1 HITUNG SUPPORT DAN CONFIDANCE.....................................................17
TABEL 2.2 CONFIDACE MINIMAL............................................................................17
TABEL 3.1 ATURAN ASOSIASI YANG TERBENTUK DENGAN NILAI MINIMUM
SUPPORT 1%...........................................................................................................37
TABEL 4.2 ATURAN ASOSIASI YANG TERBENTUK DENGAN NILAI MINIMUM
SUPPORT 2%...........................................................................................................40
TABEL 5.3 ATURAN ASOSIASI YANG TERBENTUK DENGAN NILAI MINIMUM
SUPPORT 3%...........................................................................................................41
9
DAFTAR GAMBAR
PENDAHULUAN
umum dipakai untuk menemukan pola dari suatu kumpulan data. Dari hasil
Association Final pada proses analisis data mining menggunakan algoritma a
priori maka dapat diketahui dua faktor tolak ukur, yaitu support dan confidance.
Support (nilai penunjang) adalah presentase kombinasi item dalam database,
sedangkan confidance (nilai kepastian) adalah kuatnya hubungan antar item dalam
aturan asosiasi.
120
100
Data transaksi penjualan per
80 hari di Cafe Tunggu
60
40
20
0
Senin Selasa Rabu Kamis Jum'at Sabtu Minggu
2. Bagaimana menyeleksi menu yang sering terjual dan jarang terjual melalui
data transaksi penjualan.
3. Bagaimana mengkombinasi menu-menu yang ada agar menjadi nilai jual
yang bisa meningkatkan omset penjualan, memberikan informasi yang
dibutuhkan oleh seorang manajer dalam pengambilan keputusan mengenai
pilihan menu yang ada.
1.Manfaat Teoritis
a. Penelitian ini dapat menambah wawasan bagi penulis terutama dalam
memahami materi-materi yang berhubungan dengan data mining.
b. Penelitian ini dapat digunakan sebagai referensi dan masukan bagi para
pembaca dalam penelitian-penelitian selanjutnya.
4
2.Manfaat Praktis
Manfaat praktis dari penelitian ini diantaranya :
Bagi perusahaan, memberikan kemudahan kepada pemilik dan manajer dalam
menentukan kombinasi menu apa saja yang bisa menghasilkan nilai jual yang
tinggi.
Pada bab ini berisi kesimpulan dari penelitian yang dilakukan serta
saran-saran yang diperlukan guna untuk mengembangkan
perangkat lunak yang dibangun.
BAB II
LANDASAN TEORI
2.1 Aplikasi
Menurut (Fathansyah. 2012) Basis data terdiri atas 2 kata, yaitu Basis dan
Data. Basis kurang lebih dapat diartikan sebagai markas atau gudang, tempat
bersarang/berkumpul. Sedangkan Data adalah representasi fakta dunia nyata yang
mewakili suatu objek seperti manusia (pegawai, siswa, pembeli, pelanggan),
barang, hewan, peristiwa, konsep, keadaan, dan sebagainya, yang diwujudkan
dalam bentuk angka, huruf, simbol, teks, gambar, bunyi, atau kombinasinya
[ CITATION Fat12 \l 2057 ].
1. Workbook
c. Excel 4.0 XLM macro sheets (lembar kerja macro, sudah lama tapi tetap
digunakan).
d. Excel 5.0 dialog sheets (lembar kerja dialog, sudah lama tapi tetap
digunakan).
2. Worksheets/sheet
sel, dan sel-sel dapat digunakan untuk menampung data dan formula. Dalam satu
sheets terdiri dari 16384 kolom 1048576 baris, sehingga jika 16384 x 1048576
maka worksheet memiliki 17179869184 sel. Nama kolom menggunakan abjad
mulai dari kolom A sampai dengan kolom XFD, dan nama baris menggunakan
angka.
3. Range
Range merupakan kumpulan dari kolom, baris, dan sel yang tertampung
dalam sheet. Selain range sel, anda juga dapat membentuk range sheet yang
terdiri dari beberapa sheet yang dipilih.
4. Sel
5. Chart (Grafik)
Dapat menyimpan grafik pada lembar kerja grafik atau tertempel sebagai
objek pada lembar kerja. Menggunakan lembar kerja grafik adalah opsional, tetapi
dapat membuat sedikit lebih mudah untuk mencetak grafik pada halaman dan
sangat berguna untuk presentasi.
Sebuah sheet XLM Macro (Juga dikenal sebagai sheet MS-Excel 4 macro)
pada dasarnya adalah sebuah worksheet tetapi dengan beberapa default yang
berbeda.Seperti namanya sheet XLM macro dirancang untuk
menampung macro XLM.
10
2.4 Macro
1. Merekam Macro
Perintah-perintah yang dikerjakan dalam excel dapat anda rekam melalui proses
perekaman macro. Mulai dari pengolahan workbook dan worksheet, pemasukan
data input, pembuatan laporan berikut formatnya, penggunaan formula serta
mengolah objek dalam Microsoft excel.
Visual Basic Editor adalah program yang digunakan untuk membuat dan mengedit
kode macro dengan menggunakan bahasa visual basic yang mudah.
Dengan visual basic editor,dapat mengedit macro dan menyalin macro dari satu
modul ke modul lainnya, menyalin macro antara workbook yang berbeda,
mengganti modul yang menyimpan macro, atau mengganti macro.
11
Tujuan pembuatan Macro adalah agar semua perintah yang user berikan
akan direkam oleh aplikasi Excel dengan bahasa Visual Basic dan ditampilkan
pada program bantu Microsoft Visual Basic Edi.
1. Deskripsi
2. Estimasi
Model estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi
lebih ke arah numerik daripada kearah kategori. Model dibangun menggunakan
record lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi.
3. Prediksi
Model prediksi sama seperti model estimasi dan klasifikasi, namun yang
diperhitungkan adalah nilai yang akan ada pada masa mendatang.
4. Klasifikasi
Merupakan metode analisis data yang digunakan untuk membentuk model yang
mendeskripsikan kelas data yang penting, atau model yang memprediksikan trend
data. Klasifikasi digunakan untuk memprediksi kelas data yang bersifat
categorical.
5. Pengklusteran
13
6. Asosiasi
Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam
satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja.
[CITATION Emh09 \l 1057 ].
2.6 Asosiasi
Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul
dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang
belanja. Metode asosiasi membuat aturan berdasarkan kondisi yang sering terjadi.
Aturan yang dibuat untuk data dalam kondisi X, diharapkan dapat diterapkan
untuk data – data lainnya dalam kondisi Y.Contoh asosiasi dalam bisnis dan
penelitian:
1. Meneliti jumlah pelanggan dari perusahaan telekomunikasi seluler yang
diharapkan untuk memberikan respon positif terhadap penawaran upgrade
layanan yang diberikan.
2. Menemukan barang dalam supermarket yang dibeli secara bersamaan
dengan barang yang tidak pernah dibeli secara bersamaan. [CITATION
Emh09 \l 1057 ].
menyusun aturan asosiatif dan juga beberapa teknik data mining. Metodologi
dasar analisis asosiasi terbagi menjadi dua tahap:
Pada rumus diatas menjelaskan bahwa nilai support diperoleh dengan cara
mencari jumlah transaksi yang mengandung item A dibagi dengan jumlah
seluruh transaksi. Sementara itu, nilai support dari 2 item diperoleh dari
rumus berikut:
Support ( A , B ) =P(A ∩B)
Σ Jumlah Transaksi mengandung A dan B
Support ( A , B)=
Σ Transaksi
2. Pembentukan Aturan Asosiasi.
Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan
asosiasi yang memenuhi syarat minimum untuk confidance dengan
menghitung confidance A → B. Nilai confidance dari aturan A → B
diperoleh dari rumus berikut:
Transaksi A B C D E
1 0 0 1 1 1
2 1 0 1 0 0
3 0 1 1 1 0
4 1 0 1 1 1
5 0 0 0 1 1
6 0 1 1 0 1
7 1 1 0 1 0
Σ 3 3 5 5 4
2. Kemudian tentukan ϕ
16
T A D F T B C F
1 0 1 S T A E F
1 0 1 S
2 0 1 S 1 0 1 S
2 1 0 S
3 1 1 P 2 1 0 S
3 0 1 S
4 0 1 S 3 0 0 S
4 1 1 P
5 0 0 S 4 1 1 P
5 0 1 S
6 1 1 P 5 0 1 S
6 0 0 S
7 1 0 S 6 0 1 S
7 1 1 P
Σ 2 7 1 0 S
Σ 2
Σ 1
17
T C
B D F
1 0 1 S
2 0 0 S
3 1 1 P
4 0 1 S
5 0 1 S
6 1 0 S
7 1 1 P
Σ 2
T
1 1 1 P
2 1 0 S
3 1 1 P
4 1 1 P
5 0 1 S
6 1 0 S
7 0 1 S
Σ 3
T D
C E F
1 1 1 P
2 1 0 S
3 1 0 S
4 1 1 P
5 0 1 S
6 1 1 P
7 0 0 S
Σ 3
T
1 1 1 P
2 0 0 S
3 1 0 S
4 1 1 P
5 1 1 P
6 0 1 S
7 1 0 S
Σ 3
18
Kombinasi Jumlah
A, B 1
A, C 1
A, D 2
A, E 1
B, C 2
B, D 2
B, E 1
C, D 3
C, E 3
D, E 3
a. Untuk {C,D}
b. Untuk {C,E}
c. Untuk {D,E}
Han dan Kamber (2006 : 7), lebih spesifik menyatakan istilah Data
Mining dan Knowledge Discovery in Databases (KDD) secara bergantian untuk
menjelaskan proses penggalian informasi tersembunyi dalam suatu kumpulan data
yang besar. Akan tetapi kedua istilah tersebut memiliki konsep yang berbeda,
tetapi berkaitan satu sama lain dan salah satu tahap dalam proses KDD adalah
data mining.
Data mining adalah salah satu langkah dalam proses KDD secara
keseluruhan. Secara umum, data mining digunakan oleh banyak peneliti sebagai
sinonim dari proses KDD. Akhir-akhir ini, data mining dan knowledge discovery
telah diusulkan sebagai nama yang paling memadai untuk keseluruhan proses
KDD. Knowledge Discovery in Databases berkaitan dengan proses penemuan
pengetahuan yang diterapkan pada database. Hal ini juga didefinisikan sebagai
21
proses non-trivial untuk identifikasi data yang valid, baru, berpotensi bermanfaat,
dan akhirnya memiliki pola yang dapat dimengerti. (Kurgan dan Musilek, 2006)
Langkah penting dalam proses KDD dapat dilihat pada gambar 2.3 yang terdiri
dari tahapan-tahapan sebagai berikut:
1) Data cleaning
2) Data integration
22
Proses menambah data yang sudah ada dengan data atau informasi lain
yang relevan atau bisa disebut juga merupakan penggabungan data dari berbagai
database kedalam satu database baru yang dibutuhkan oleh KDD.
3) Data selection
Pemilihan data yang relevan dan dapat dilakukan analisis dari data operasional.
Data hasil pemilihan disimpan dalam database yang terpisah.
4) Data transformation
23
Proses tranformasi data kedalam bentuk format tertentu sehingga data tersebut
sesuai untuk proses data mining. Sebagai contoh beberapa metode standar seperti
analisis asosiasi dan clustering hanya bisa menerima input data kategorikal.
5) Data mining
Proses mencari pola atau informasi menarik dengan menggunakan teknik, metode
atau algoritma tertentu.
6) Pattern evaluation
7) Knowledge presentation
Menampilkan pola informasi yang dihasilkan dari proses data mining, visualisasi
ini membantu mengkomunikasikan hasil data mining dalam bentuk yang mudah
dimengerti.
Adapun hasil dari penelitian ini adalah : Hubungan relasional antar tiap
produk yang dibeli secara bersamaan dapat dirumuskan menggunakan analisa
Association. Selanjutnya hasil metode Market Basket Analysis digunakan sebagai
penawaran kepada konsumen.Dengan pencarian pola relasi penjualan terlebih
dulu sebelum melakukan penawaran, maka penawaran barang yang berpeluang
kecil untuk terbeli akan terabaikan atau tidak ditawarkan.Perancangan Aplikasi
Data Mining Dengan Algoritma Apriori Untuk Frekuensi Analisis Keranjang
Belanja Pada Data Transaksi Penjualan (Studi Kasus di Swalayan KPRI
Universitas Brawijaya).Penelitian ini dibuat oleh Moch Yusuf Pratama dan Amiq
Fahmi dari Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Semarang.
Dalam penelitian ini tools yang digunakan Visual Basic 6.0, untuk metode dalam
jurnal ini menggunakan metode penerapan data mining menggunakan algoritma
apriori. Adapun hasil dari penelitian ini adalah : Sistem data base yang akan
digunakan sebagai dasar pembuatan aplikasi MBA ini dirancang dengan
25
50% menghasilkan aturan paling kuat pada bulan Januari ( 3 Aturan).Analisis Pola
Pembelian Konsumen Dengan Algoritma Apriori Pada Apotek Rahayu
Jepara.Penelitian ini dibuat oleh Riangga Duta Jayapana dan Yuniarsi Rahayu dari
Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Semarang.
Dalam penelitian ini tools yang digunakan WEKA, untuk metode dalam
jurnal ini menggunakan metode penerapan data mining menggunakan algoritma
apriori. Adapun hasil dari penelitian ini adalah : Untuk melakukan analisis data
transaksi penjualan dapat menggunakan data mining dengan algoritma
apriori.Pengolahan dataset apotek Rahayu Jepara menggunakan WEKA dapat
menghasilkan pola frekuensi tinggi yaitu 2 itemset maupun 3 itemset, pola
frekuensi tinggi 2 itemset yang didapat yaitu ”jika membeli obat avarin maka
membeli obat dexa”. Dan pola transaksi 3 itemset yang didapat yaitu “jika
membeli avarin dan troviacol maka membeli obat dexa”.
Data yang digunakan penulis dalam penelitian ini hanya diambil dari data
transaksi periode tahun 2014 saja.Adapun data perbandingan dari jurnal penelitian
sebelumnya yang dituangkan ke dalam bentuk tabel, seperti tabel dibawah ini:
Tabel 2.3 Penelitian Perbandingan sebelumnya
akan terabaikan
atau tidak
ditawarkan.
BAB III
OBJEK DAN METODOLOGI PENELITIAN
Objek penelitian dari aplikasi ini adalah Kafe Tunggu yang beralamat di Jl
Galuh Mas Raya, Karawang, 41361 mengenai peningkatan omset melalui
penyeleksian dan pengkombinasian menu. Berdasarkan observasi yang dilakukan,
Cafe - cafe sekarang banyak menyediakan variasi menu – menu makanan dan
minuman untuk menarik minat konsumen dan meningkatkan omset penjualan cafe
tersebut, penulis berharap dapat membantu atau memberikan kemudahan kepada
manager untuk mencari kombinasi pilihan menu makanan dan minuman.
a. Wawancara : Pada tahap ini melakukan user story atau penjelasan dari
manajer Kafe Tunggu menentukan bagaimana keinginginan manajer tersebut
dapat terpenuhi dengan cara berdiskusi.
1. Data Primer
Data primer adalah data yang diperoleh secara langsung dari sumbernya
melalui teknik wawancara. Cara pengumpulan data primer dapat dilakukan
dengan wawancara langsung dengan pimpinan atau dapat berupa pengamatan
kegiatan sehari-hari suatu objek yang di teliti.Hasilnya dapat berupa data yang
dibutuhkan atau data yang diharapkan untuk melakukan sebuah penelitian, seperti
data transaksi menu dalam periode tertentu yang nantinya akan digunakan sebagai
bahan untuk analisis data mining.
2. Data Sekunder
Data sekunder adalah salah satu data yang digunakan dalam sebuah
penelitian. Data sekunder didapatkan dari pustaka-pustaka yang relevan dengan
34
penelitian yang dilakukan, yaitu seperti literatur tentang data mining dari buku
“Algoritma Data Mining” oleh Kusrini dan Emha Taufiq Luthfi atau literatur lain
seperti jurnal “Riangga Duta Jayapana, Yuniarsi Rahayu, Analisis Pola Pembelian
Konsumen Dengan Algoritma Apriori (Studi Kasus : Apotek Rahayu Jepara)”.
Data yang diterima oleh peneliti adalah data transaksi penjualan menu
dalam periode bulan November tahun 2016. Data yamg diolah pada penelitian ini
sebanyak 368 data transaksi penjualan menu.
2. Penyeleksian Data
Dari data yang sudah didapat oleh peneliti, kemudian dilakukan proses
seleksi data, yakni dengan memilih dan memisahkan data transaksi berdasarkan
jumlah pembelian lebih dari 1 item.
3. Transformasi Data
BAB IV
4.2.1 Wawancara
Informasi yang diperoleh melalui wawancara terhadap manager Kafe
Tunggu. Berdasarkan hasil wawancara diperoleh informasi sebagai berikut:
Nama : Ahmad Hidayat
36
Umur : 38 Tahun
Menurut beliau, Kafe tempat nya bekerja sudah memiliki prospek yang
cukup menjanjikan bila harus bersaing dengan kafe yang lainnya, akan tetapi
menurutnya itu saja tidak cukup, perlu ada inovasi terhadap menu di kafe
tempatnya bekerja agar bisa lebih meningkatkan omset penjualan. Dan
harapannya bila sudah mempunyai nilai lebih atau sesuatu yang berbeda dengan
kafe lainnya, omset penjualan pun akan lebih meningkat dibandingkan
sebelumnya. Dan juga menurutnya pengkombinasian menu ini sangat menarik
untuk dicoba di kafe tunggu ini.
4.3.1 Analisis
Pengumpulan data dan analisis dilakukan dengan tujuan untuk mengetahui
dan menganalisis sistem penjualan makanan dan minuman di Kafe Tunggu
Karawang yang sedang berjalan, sehingga dapat menghasilkan sistem yang lebih
baik dari sebelumnya. Pengumpulan kebutuhan dan analisis dilakukan dengan
cara wawancara langsung kepada manajer yang berhubungan langsung dengan
aplikasi yang dirancang.
Dengan tingginya minat konsumen untuk membeli produk makanan dan
minuman di Kafe Tunggu, maka dibutuhkan sebuah aplikasi agar dapat secara
tepat menyeleksi makanan dan minuman yang banyak diminati oleh konsumen,
agar bias menambah pendapatan pada produk makanan tersebut.
1. Analisis Pendefinisian Masalah
Analisis sistem yang ada saat ini dimana manajer masih melakukan cara
manual untuk melihat hasil penjualan dan pembuatan laporan, perubahan menu
makanan saat pengecekan porsi penjualan menurun sangat jauh dari target yang
diinginkan.
3. Analisis Sistem yang akan diajukan
Analisis sistem yang akan diajukan oeh penulis yang ada saat ini ke dalam
sistem yang akan diajukan oleh penulis akan berbentuk seperti berikut :
a. Admin (user) melakukan input data (insert, delete, edit) yang juga akan
tertera di PC manajer.
b. Laporan hasil penjualan, banyak penjualan, dan informasi kelayakan menu
makanan akan tersusun rapih dengan sistem komputerisasi berikut.
c. Manajer bisa langsung mengecek hasil nya di PC manajer.
d. Pemilik melakukan pengecekan di kantor pusat, yang dikirim oleh
manajer.
1. Menu Makanan : A1, A2, A3, A4, B1, B2, B3, B4, C1, C2, C3, D1, D2
2. Menu Minuman : J, K, L, M, N, O, P, Q
Keterangan:
Pada rumus diatas menjelaskan bahwa nilai support diperoleh dengan cara
mencari jumlah transaksi yang mengandung item A dibagi dengan jumlah
seluruh transaksi. Sementara itu, nilai support dari 2 item diperoleh dari
rumus berikut:
Support ( A , B ) =P(A ∩B)
39
secara manual dapat saja terjadi, meskipun seorang yang sangat ahli dalam
menggunakan Excel. Penyelesaian pekerjaan menggunakan Macro secara
konsisten akan menyelesaikan suatu pekerjaan berdasarkan perintah yang tertulis
dalam kode Macro sehingga tingkat kesalahan yang mungkin timbul sangat kecil.
Kesalahan hanya dapat terjadi jika ada kesalahan perintah pada kode Macro.
Atura
ID Menu Nama Menu Support Confidance
n Ke-
ROTI BAKAR COKELAT → AIR
1 (A1 → N) 1,09% 10,26%
MINERAL
2 (B3 → N) MIE REBUS TELOR → AIR MINERAL 1,09% 11,43%
3 (C1 → K) PISANG GORENG COKELAT → MILO 1,09% 10,53%
PISANG GORENG KEJU → LEMON
4 (C2 → J) 1,09% 14,29%
TEA
5 (D1 → M) NASI GORENG → ES TEH MANIS 1,09% 13,33%
ROTI BAKAR COKELAT KEJU →
6 (A4 → J) 1,36% 10,20%
LEMON TEA
ROTI BAKAR COKELAT KEJU → AIR
7 (A4 → N) 1,36% 10,20%
MINERAL
8 (B2 → O) TAKOYAKI → KOPI HITAM 1,36% 10,64%
9 (B4 → K) MIE GORENG TELOR → MILO 1,36% 13,16%
MIE GORENG TELOR → AIR
10 (B4 → N) 1,36% 13,16%
MINERAL
PISANG GORENG KEJU →
11 (C2 → L) 1,36% 17,86%
CAPUCINO
PISANG GORENG COKELAT KEJU →
12 (C3 → N) 1,36% 15,15%
AIR MINERAL
13 (D1 → K) NASI GORENG → MILO 1,36% 16,67%
NASI GORENG → MILKSHAKE
14 (D1 → P) 1,36% 16,67%
GREEN TEA
15 (D2 → K) NASI GORENG SPESIAL → MILO 1,36% 11,90%
16 (A1 → K) ROTI BAKAR COKELAT → MILO 1,63% 15,38%
ROTI BAKAR KEJU → ES TEH
17 (A2 → M) 1,63% 15,79%
MANIS
18 (A3 → P) ROTI BAKAR STRAWBERY → 1,63% 15,79%
42
MANIS
KENTANG GORENG → MILKSHAKE
53 (B1 → P) 2,99% 25,58%
GREEN TEA
MIE GORENG TELOR → ES TEH
54 (B4 → M) 2,99% 28,95%
MANIS
MIE GORENG TELOR →
55 (B4 → P) 2,99% 28,95%
MILKSHAKE GREEN TEA
PISANG GORENG COKELAT →
56 (C1 → L) 2,99% 28,95%
CAPUCINO
PISANG GORENG COKELAT KEJU →
57 (C3 → P) 2,99% 33,33%
MILKSHAKE GREEN TEA
ROTI BAKAR COKELAT →
58 (A1 → L) 3,26% 30,77%
CAPUCINO
PISANG GORENG COKELAT → ES
59 (C1 → M) 3,26% 31,58%
TEH MANIS
60 (A2 → L) ROTI BAKAR KEJU → CAPUCINO 3,53% 34,21%
ROTI BAKAR COKELAT KEJU →
61 (A4 → L) 3,53% 26,53%
CAPUCINO
NASI GORENG SPESIAL →
62 (B2 → P) 3,53% 30,95%
MILKSHAKE GREEN TEA
ROTI BAKAR STRAWBERY →
63 (A3 → L) 3,80% 24,14%
CAPUCINO
64 (B2 → M) TAKOYAKI → ES TEH MANIS 4,08% 31,91%
CAPUCINO
7 (B2 → M) TAKOYAKI → ES TEH MANIS 4,08% 31,91%
Kemudian masuk ke menu input data, untuk mengolah data nya disitu, disitu juga
ada menu untuk kembali ke menu utama atau langsung ke support & confidance
3.
Gambar 3.2 menu Input Data
Di tampilan input menu ada 3 bagian, bagian pertama menjelaskan menu dengan
memakai ID
Bagian kedua yaitu penginputan menu nya, ketika menu nya tertera di struk
inputkan jumlah menu yang dipesan
BAB V
5.1 Kesimpulan
Pembahasan masalah yang telah dibahas sebelumnya, dapat kita ambil
kesimpulan sebagai berikut:
a. Bahwa penelitian ini ditujukan untuk pengkombinasian menu di kafe
tunggu agar bisa tetap exis dan bertahan dengan persaingan kafe kafe yg lain, agar
hasil dari pengkombinasian ini bisa menjadi pertimbangan manajer,untuk bisa
salah satu nya mendongkrak omset penjualan dan juga disamping itu bisa melihat
menu yg sering terjual dan jarang terjual, trus diharapkan dengan metode
penelitian ini pun manajer tidak kesulitan menggunakan nya, karena pada
dasarnya di kafe tersebut sudah menggunakan excel sebagai data rekap penjualan.
49
5.2 Saran
Untuk selanjutnya bisa melanjutkan dengan membuat aplikasi atau
program pada kasir atau dalam perekapan data penjualan, kemudian saya hanya
menggunakan aplikasi excel macro sederahana sebagai pengujian , mungkin bisa
membuat macro yg bisa lebih bagus lagi baik dari segi tampilan maupun segi
penginputan data.
DAFTAR PUSTAKA
Peranginangin, K. (2006). Aplikasi web dengan php dan mysql. Yogyakarta: Andi.
Pramana, H. W. (2012).
Verman. (2009).
Yuhefizar. (2012).
1.9