PROPOSAL SKRIPSI
Disusun Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Komputer
Dari Fakultas Ilmu Komputer Universitas Singaperbangsa Karawang
i
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
i
ABSTRACT
"Application Selection and Combination Menu With Data Mining Approach Using A Priori
Algorithm".
Deden Ahmad Ruhiyat*
Informatics Engineering Program
Faculty of Computer Science University of Singaperbangsa Karawang. 2018
Advisor: 1. Sofi Defiyanti, M.Kom**
2. Yuyun Umaidah, M.Kom**
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.
ii
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.
Dalam menyusun laporan ini penulis banyak memperoleh bantuan serta
bimbingan dari berbagai pihak. Oleh karena itu penulis ingin mengucapkan terima
kasih kepada :
iii
10. Kekasih tercinta Nureli Padilah yang selalu memberikan dukungan dan
memberikan limpahan doa agar lancar selama proses perkuliahan dan
pembelajaran.
11. Rekan-rekan mahasiswa Fakultas Ilmu Komputer Universitas
Singaperbangsa Karawang yang telah memberikan motivasi kepada
penulis sehingga terwujudnya skripsi ini.
Serta seluruh pihak yang telah banyak membantu dalam menyelesaikan
skripsi ini. Semoga segala bantuan yang tidak ternilai harganya ini mendapat
imbalan di sisi Allah SWT sebagai amal ibadah.
Penulis menyadari bahwa dalam menyusun laporan ini masih banyak
kekurangan dari segi penulisan , bahasa dan penyusunan,dan jauh dari sempurna.
Untuk itu penulis sangat mengharapkan kritik dan saran yang sifatnya
membangun guna sempurnanya laporan ini.Penulis berharap semoga laporan ini
dapat bermanfaat bagi penulis khususnya dan bagi pembaca umumnya.
Penulis
iv
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 ............................................................................................. 4
1.6 Metodologi Penelitian .............................................................................. 4
1.7 Sistematika Penulisan ............................................................................... 4
BAB II ..................................................................................................................... 6
LANDASAN TEORI .............................................................................................. 6
2.1 Aplikasi .................................................................................................... 6
2.1.1 Pengertian Aplikasi Menurut Para Ahli ............................................ 6
2.2 Basis Data ................................................................................................. 6
2.3 Microsoft Excel ........................................................................................ 7
2.3.1 Objek Dalam Microsoft Excel .......................................................... 7
2.4 Macro........................................................................................................ 9
2.5 Data Mining ............................................................................................ 10
2.6 Asosiasi .................................................................................................. 11
v
2.7 Algoritma A Priori .................................................................................. 12
2.8 Knowledge Discovery In Databases ....................................................... 18
2.9 Tinjauan Studi Penelitian Sebelumnya ................................................... 20
2.9.1 Perbandingan Dengan Penelitian Sebelummnya ............................ 20
2.9.2 Perbedaan Hasil Studi Terdahulu Dengan Penelitian Sekarang ..... 22
2.10 Penelitian sekarang ................................................................................. 27
BAB III ................................................................................................................. 28
OBJEK DAN METODOLOGI PENELITIAN ..................................................... 28
3.1 Objek Penelitian ..................................................................................... 28
3.2 Metode Penelitian yang digunakan ........................................................ 28
3.3 Teknik Pengumpulan data ...................................................................... 28
3.4 Jenis Data ............................................................................................... 29
3.4.1 Tahapan Penelitian .......................................................................... 29
3.4.2 Data Mining .................................................................................... 30
3.4.3 Interpretation Data .......................................................................... 30
BAB IV ................................................................................................................. 31
HASIL DAN PEMBAHASAN ............................................................................. 31
4.1 Hasil Penelitia......................................................................................... 31
4.2 Data cleaning .......................................................................................... 31
4.2.1 Wawancara ...................................................................................... 31
4.3 Data integration ...................................................................................... 32
4.3.1 Analisis............................................................................................ 32
4.4 Data Selection ......................................................................................... 33
4.5 Transformation Data ............................................................................... 34
4.6 Data Maining .......................................................................................... 34
4.7 Pattern evaluation ................................................................................... 35
4.8 Knowledge presentation ......................................................................... 36
4.9 Hasil Algoritma ...................................................................................... 36
4.10 Menampilkan hasil menu .......................................................................... 42
BAB V................................................................................................................... 45
KESIMPULAN DAN SARAN ............................................................................. 45
5.1 Kesimpulan ............................................................................................. 45
vi
5.2 Saran ....................................................................................................... 45
DAFTAR PUSTAKA ........................................................................................... 46
vii
DAFTAR TABEL
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
viii
ix
DAFTAR GAMBAR
1
2
120
100
80
Data transaksi penjualan per
60 hari di Cafe Tunggu
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.
2.1 Aplikasi
Aplikasi merupakan suatu subkelas perangkat lunak komputer yang
memanfaatkan kemampuan komputer langsung untuk melakukan suatu tugas yang
diinginkan pengguna. Biasanya dibandingkan dengan perangkat lunak sistem
yang mengintegrasikan berbagai kemampuan komputer.
2.1.1 Pengertian Aplikasi Menurut Para Ahli
Terdapat beberapa teori yang mendefinisikan Aplikasi yang dikemukakan
oleh beberapa para ahli, diantaranya adalah :
a) Menurut (Pramana, 2012)Aplikasi adalah satu unit perangkat lunak yang
dibuat untuk melayani kebutuhan akan beberapa aktivitas seperti sistem
perniagaan, game, pelayanan masyarakat, periklanan, atau semua proses yang
hampir dilakukan manusia.
b) Menurut Shelly, Cashman, (Verman, 2009) aplikasi adalah seperangkat
intruksi khusus dalam komputer yang di rancang agar kita menyelesaikan tugas-
tugas tertentu.
c) Menurut (Yuhefizar, 2012) Aplikasi merupakan program yang
dikembangkan untuk memenuhi kebutuhan pengguna dalam menjalankan
pekerjaan tertentu.
Jadi Aplikasi merupakan sebuah program yang di buat dalam sebuah
perangkat lunak dengan komputer untuk memudahkan pekerjaan atau tugas-tugas
tertentu seperti penerapan, penggunaan dan penambahan data yang dibutuhkan.
6
7
kerja (yang besarnya dibatasi oleh memori). Ada empat jenis sheet atau lembar
kerja dalam Microsoft excel yaitu :
a. Worksheet (lembar kerja)
b. Chart sheets (lembar kerja grafik/diagram)
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
Worksheets adalah lembar kerja Microsoft excel yang digunakan untuk
mengolah data yang sering disebut juga sheets. Lembar kerja ini mengandung sel-
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
Sel merupakan perpotongan antara kolom dan baris yang mempunyai
nama. Nama sel dialmbilkan dari gabungan nama dan kolom dan baris itu sendiri.
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.
6. Sheet XLM Macro
Sebuah sheet XLM Macro (Juga dikenal sebagai sheet MS-Excel 4 macro)
pada dasarnya adalah sebuah worksheet tetapi dengan beberapa default yang
9
2.4 Macro
Menurut (Madcoms, 2013) Macro merupakan rangkaian perintah-perintah
dan fungsi yang tersimpan dalam modul Microsoft Visual Basic Editor dan dapat
dijalankan sewaktu-waktu jika dibutuhkan untuk melakukan suatu pekerjaan.
Microsoft excel mempunyai dua built-in bahasa pemograman macro, yaitu
XLM dan Visual Basic for Applications (VBA). Bahasa asli XLM Macro sudah
lama dan telah digantikan oleh VBA. VBA dapat digunakan untuk membuat
otomatisasi pekerjaan dalam Microsoft office, sehingga dapat menghemat waktu
dan tenaga. Dalam Microsoft excel penggunaan Visual Basic for
Applications dapat melalui jendela Visual Basic Editor yang dikenal dengan
penggunaan bahasa macro nya.Menurut Madcoms (2013 : 11)
Pembuatan Macro dalam Microsoft excel dapat dilakukan dengan cara :
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.
2. Menggunakan Visual Basic Editor
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.
Macro atau biasa juga dikenal dengan istilah Visual Basic
for Application (VBA) merupakan pengembangan bahasa pemrograman Visual
Basic yang diterapkan dalam aplikasi Excel. Berbeda dengan program
pengembang Visual Basic, pemrograman yang dibuat menggunakan Macro hanya
dapat dibangun dan digunakan pada aplikasi Excel. Program yang dibuat
menggunakan Macro tidak dapat berjalan, sebelum Anda menjalankan Excel
10
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
Pengklusteran merupakan pengelompokan record, pengamatan atau
memperhatikan dan membentuk kelas objek-objek yang yang memiliki kemiripan.
Berbeda dengan klasifikasi, pengklusteran tidak ada variabel targetnya, jika ada
kemiripan pada nilai varibel dalam satu kluster akan bernilai maksimal, namun
jika tidak ada kemiripan dengan kluster lain makan akan bernilai minimum.
6. Asosiasi
Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam
satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja.
(Kusrini & Luthfi, 2009).
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. (Kusrini &
Luthfi, 2009).
12
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:
2. Kemudian tentukan ϕ
Misalkan kita tentukan ϕ = 3, maka semua itemset yang frekuensi kemunculannya
lebih atau sama dengan 3 kali disebut frequent. Dari tabel diatas diketahui total ϕ
untuk transaksi k = 1, semuanya lebih besar dari ϕ, maka : F₁ = {{A}, {B}, {C},
{D}, {E}}
Untuk k = 2 (untuk menunjukan 2 itemset), diperlukan tabel untuk masing-masing
pasang item. Himpunan yang mungkin terbentuk adalah: {A,B}, {A,C}, {A,D},
{A,E}, {B,C}, {B,D}, {B,E}, {C,D}, {C,E}, {D,E}.
T A B F T A C F
1 0 0 S 1 0 1 S
2 1 0 S 2 1 1 P
3 0 1 S 3 0 1 S
4 1 0 S 4 1 1 P
5 0 0 S 5 0 0 S
6 0 1 S 6 0 1 S
7 1 1 p 7 1 0 S
Σ 1 Σ 2
15
T A D F T B C F
T A E F
1 0 1 S 1 0 1 S
1 0 1 S
2 1 0 S 2 0 1 S
2 1 0 S
3 0 1 S 3 1 1 P
3 0 0 S
4 1 1 P 4 0 1 S
4 1 1 P
5 0 1 S 5 0 0 S
5 0 1 S
6 0 0 S 6 1 1 P
6 0 1 S
7 1 1 P 7 1 0 S
7 1 0 S
Σ 2 Σ 2
Σ 1
T B D F T C D F
1 0 1 S 1 1 1 P
2 0 0 S 2 1 0 S
3 1 1 P 3 1 1 P
4 0 1 S 4 1 1 P
5 0 1 S 5 0 1 S
6 1 0 S 6 1 0 S
7 1 1 P 7 0 1 S
Σ 2 Σ 3
T C E F T D E F
1 1 1 P 1 1 1 P
2 1 0 S 2 0 0 S
3 1 0 S 3 1 0 S
4 1 1 P 4 1 1 P
5 0 1 S 5 1 1 P
6 1 1 P 6 0 1 S
7 0 0 S 7 1 0 S
Σ 3 Σ 3
16
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
data mining karena data yang ditangani akan berkurang jumlah dan
kompleksitasnya.
2) Data integration
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.
Tahapan cleaning dan integration pada KDD mengasumsikan bahwa integrator
data harus menghapus noise dari data awal secara paralel dengan
mengintegrasikan beberapa data set. (M. Brian Blake, 2009)
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
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.
20
5) Data mining
Proses mencari pola atau informasi menarik dengan menggunakan teknik, metode
atau algoritma tertentu.
6) Pattern evaluation
Mengidentifikasi pola-pola yang benar-benar menarik dari hasil data mining.
Dalam tahap ini hasil dari teknik data mining berupa pola-pola yang khas maupun
model prediksi dievaluasi untuk menilai apakah hipotesa yang ada memang
tercapai atau tidak.
7) Knowledge presentation
Menampilkan pola informasi yang dihasilkan dari proses data mining, visualisasi
ini membantu mengkomunikasikan hasil data mining dalam bentuk yang mudah
dimengerti.
1. Informasi yang diberikan dari setiap aplikasi yang dibuat pada penelitian
sebelumnya masing-masing berbeda. Dalam penelitian yang penulis rancang akan
memberikan informasi data pada perusahaan yang bergerak di bidang makanan.
2. Pada penelitian Analisis Pola Pembelian Konsumen Dengan Algoritma
Apriori Pada Apotek Rahayu Jepara menggunakan tools WEKA. Sedangkan
untuk penelitian yang akan dilakukan penulis menggunakan tools Rapidminer
untuk pengujian otomatis , tools Notepad++ yang berbasis web dan menggunakan
MySQL untuk pengolahan data dan menggunakan teknologi intranet.
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
dapat melakukan
pengaturan ulang
tata letak rak barang
guna meningkatkan
penjualan barang.
Hapsari Dita Algoritma Apriori Berdasarkan
Anggraeni, Ragil pengujian yang telah
Saputra, dan Beta dilakukan,
Noranita “Aplikasi dihasilkan aplikasi
Data Mining Analisis data mining yang
Data Transaksi dibangun
Penjualan Obat menggunakan
Menggunakan proses sekuensial
Algoritma Apriori linear dengan bahasa
(Studi Kasus di pemrograman PHP
Apotek Setya Sehat dan basis data
Semarang)” (Jurnal 4) MySQL. Aplikasi
data mining
menggunakan aturan
asosiasi dengan
algoritma apriori
menyajikan
informasi hubungan
pembelian obat
dengan nilai support
dan confidance
tertinggi pada bulan
Januari yaitu
hubungan pembelian
antara jenis obat
kardiovaskuler dan
obat cerna,
hubungan pembelian
antara obat
analgesik,
antimikroba dan
obat cerna,
hubungan pembelian
antara jenis
analgesik, obat
topikal kulit dan
obat cerna. Pada
bulan Februari
menghasilkan
hubungan pembelian
paling kuat yaitu
antara jenis obat
darah dan analgesik.
26
Bulan Maret
menghasilkan dua
aturan pembelian
obat yaitu hubungan
pembelian antara
jenis obat mata dan
obat nafas serta
hubungan pembelian
antara jenis
analgesik, obat
topikal kulit, dan
obat nafas.
Nilai minimum
support 6 dan
minimum confidance
40% merupakan
nilai yang dapat
menghasilkan aturan
paling kuat pada
bulan Februari (1
Aturan) dan Maret
(2 Aturan),
sedangkan nilai
minimum support 6
dan minimum
confidance 50%
menghasilkan aturan
paling kuat pada
bulan Januari ( 3
Aturan).
Riangga Duta Algoritma Apriori Untuk melakukan
Jayapana, Yuniarsi analisis data
Rahayu “Analisis Pola transaksi penjualan
Pembelian Konsumen dapat menggunakan
Dengan Algoritma data mining dengan
Aprirori Pada Apotek algoritma apriori.
Rahayu Jepara” Pengolahan dataset
(Jurnal 5) 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
27
BAB III
OBJEK DAN METODOLOGI PENELITIAN
hal apa saja yang akan diobservasi agar kegiatan observasi menghasilkan
sesuai dengan yang diharapkan.
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
30
31
BAB IV
HASIL DAN PEMBAHASAN
4.2.1 Wawancara
Informasi yang diperoleh melalui wawancara terhadap manager Kafe
Tunggu. Berdasarkan hasil wawancara diperoleh informasi sebagai berikut:
Nama : Ahmad Hidayat
32
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)
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:
𝛴 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵
𝐶𝑜𝑛𝑓𝑖𝑑𝑎𝑛𝑐𝑒 𝑃(B|A) =
𝛴 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴
1. Langkah pertama tuliskan data transaksi yang terjadi dalam periode tertentu.
Data yang dituliskan yaitu data transaksi pembelian menu makanan dan
minuman di Kafe Tunggu Karawang selama bulan November 2016. Data yang
diolah berjumlah 334 data transaksi.
2. Langkah berikutnya adalah membuat tabel tabulasi (count). Data yang
berjumlah 334 kemudian disajikan dalam bentuk tabel tabulasi untuk
melakukan perhitungan banyaknya pembelian untuk setiap item.
3. Langkah berikutnya menentukan nilai ϕ (thou) yang merupakan batas
minimum dalam suatu transaksi. Nilai ϕ ditentukan dari banyak transaksi.
4. Langkah selanjutnya hitung nilai support 2 itemset yang sudah diseleksi
sebelumnya menggunakan nilai ϕ. Contoh nya sebagai berikut:
- Support (A1, L) = 12/368 * 100% = 3,26 %
- Support (B2, M) = 14/368 * 100% = 3,80 %
- Perhitungan selanjutnya ada di lampiran.
5. Langkah selanjutnya hitung nilai confidance nya. Contoh nya sebagai
berikut:
- Confidance (A1, L) = 12/39 * 100% = 30,76 %
- Confidance (B2, M) = 14/47 * 100% = 29,78 %
- Perhitungan selanjutnya ada di lampiran.
Berdasarkan pemodelan algoritma apriori menggunakan perhitungan tersebut
dengan menetapkan minimun support 1% dan minimum confidance 10% hasil
yang didapat yaitu ada 64 rules dari 334 transaksi pembelian menu makanan dan
minuman di Kafe Tunggu Karawang.
Tabel 4.1 Aturan Asosiasi yang terbentuk dengan nilai minimum Support 1%
Aturan
ID Menu Nama Menu Support Confidance
Ke-
ES TEH MANIS
25 (A2 → L) ROTI BAKAR KEJU → 3,53% 34,21%
CAPUCINO
26 (A4 → L) ROTI BAKAR COKELAT KEJU 3,53% 26,53%
→ CAPUCINO
27 (B2 → P) NASI GORENG SPESIAL → 3,53% 30,95%
MILKSHAKE GREEN TEA
28 (A3 → L) ROTI BAKAR STRAWBERY → 3,80% 24,14%
CAPUCINO
29 (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
43
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
KESIMPULAN DAN SARAN
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.
b. Memudahkan pembeli untuk memesan karena harga nya pun berbeda di
bandingkan bila pembeli membeli makanan/minuman tanpa kombinasi,harga
kombinasi lebih murah.
c. Serta dapat meminta pendapat dan penilaian dari pembeli yang
mengunjungi kafe untuk pengkombinasian menu,karena setiap pembeli berhak
memberikan penilaian agar kafe menjadi lebih baik,makanan kombinasi yang ada
pada menu kemungkinan laku terjual dan kita bisa merubah daftar menu
kombinasi yang bisa disesuaikan oleh pembeli agar terlihat menarik untuk
menarik banyak pembeli.
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).
46
47
Verman. (2009).
Yuhefizar. (2012).
48
49