BAB 1

PENDAHULUAN

1.1 Latar Belakang Masalah

Dewasa ini fungsi komputer semakin dimanfaatkan baik pada perusahaan

menengah ke atas maupun pada perusahaan kecil. Adapun fungsi dari komputer

itu sendiri adalah mengolah data – data yang ada menjadi suatu informasi yang

berguna bagi perusahaan, dimana sistem pengolahan data menggunakan

komputer ini disebut dengan sistem informasi.

Sistem Informasi biasanya digunakan untuk menghasilkan informasi –

informasi yang bersifat manajerial dan terstruktur yang biasanya dimanfaatkan

oleh sekelompok orang pada tingkatan tertentu dalam menjalankan perusahaan.

Dengan berkembangnya kapasitas dan kompleksitas suatu perusahaan

maka memungkinkan terjadinya berbagai masalah yang sifatnya semi terstruktur,

sehubungan dengan masalah tersebut maka dari sistem informasi yang ada

dikembangkanlah suatu konsep basis data baru yang disebut dengan data

warehouse (gudang data) yang menyediakan data pendukung keputusan bagi

end user untuk mengambil keputusan atas permasalahan yang dihadapi oleh

perusahaan.

Dewasa ini sejalan dengan perkembangan teknologi informasi maka

semakin banyak perusahaan yang mempercayakan pengambilan keputusan

dengan sistem yang berbasis komputer, yaitu Data Mining Modelling. Dengan

mempercayakan pengambilan keputusan dari Data Mining Modelling untuk

mengolah data warehouse, maka dapat membantu perusahaan menghindari

resiko – resiko yang merugikan.

1
 2

Diharapkan dengan diterapkannya pengolahan data yang berukuran

relative besar (data warehouse) menggunakan model mining pada kasus – kasus

tertentu, mampu menjadi standar yang tepat dalam menganalisis kelompok –

kelompok data yang berhubungan berdasarkan keadaan alami datanya,

sehingga dapat menjadi representasi yang tepat secara metodologi di kemudian

hari.

Setiap analisis pada data yang besar secara manual, biasanya akan

mengalami kesulitan dalam menganalisa datanya. Sebelum analisis dimulai,

biasanya data dikelompokkan berdasarkan entity atau constraint tertentu. Proses

ini jika dilakukan secara manual, tentu akan memakan waktu dan tenaga yang

cukup banyak tergantung dari besar kecilnya data yang ingin dianalisis.

Salah satu analisis yang mungkin dilakukan adalah melihat pola beli

konsumen dari waktu ke waktu

1.2. Maksud

Berdasarkan permasalahan diatas maka diperlukan suatu sistem

pendukung untuk mempermudah dalam menganalisa dan mempresentasikan

knowledge, sehingga keputusan yang diambil menjadi mudah. Dalam hal ini

bermanfaat dalam mengelompokkan data berdasarkan entity tertentu dengan

menggunakan data warehouse yang menyediakan gudang data untuk

mendukung dalam pengambilan keputusan, kemudian diolah menggunakan

mining untuk melihat adanya pola tertentu yang diharapkan dapat membantu

dalam analisis data yang dibutuhkan.

Maka analisis kelompok data yang ada menggunakan suatu metode, yaitu

K-Means Partitional Clustering. Dengan metode tersebut diharapkan

 3

pengelompokan data dapat dianalisis sehingga dapat menjadi suatu representasi

yang tepat dikemudian hari.

Metode data mining yang ada saat ini sudah banyak, tetapi masing –

masing metode mempunyai kecocokan tersendiri pada kasus yang dihadapi.

Dalam kasus ini digunakan K-Means Partitional Clustering, proses penganalisaan

dilihat dari suatu kelompok data. Pada metode clustering, proses penganalisaan

dilihat dari pengelompokan data secara spontan yang terjadi berdasarkan

keadaan masing – masing data, tanpa diberikan kelas – kelasnya terlebih

dahulu.

Proses clustering diawali dengan penetapan nilai central data (nilai mean).

Hasil dari pengelompokan data ditampilkan dalam bentuk visual, yang

menggambarkan k banyak cluster. Sehingga pengamatan terhadap data yang

mirip dapat dijadikan sebagai pertimbangan dalam mengambil keputusan.

Secar garis besar, sistem ini memiliki rumusan masalah sebagai berikut :

1. Bagaimana penerapan metode K-Means Partitional Clustering sebagai

salah satu metode data mining.

2. Apakah Algoritma K-means mampu memperlihatkan pola beli

konsumen

3. Apakah algoritma K-Means mampu memperlihatkan pengelompokan

data yang terjadi berdasarkan keadaan alami data tanpa pendefinisian

kelas data terlebih dahulu.

1.3. Tujuan

Berdasarkan maksud yang telah dikemukakan, maka penuli bertujuan

untuk :
 4

a. Membuat suatu sistem yang dapat memperlihatkan pola beli

pola beli konsumen

b. Menerapkan metode K-Means Partitional Clustering didalam

suatu penerapan data mining sehingga pengamatan terhadap data

yang mirip dapat dijadikan sebagai pertimbangan dalam mengambil

keputusan

1.4. Batasan Masalah

1. Sistem menggunakan Metode K-Means Partitional Clustering untuk

menangani data pembelian

2. Sistem mampu menampilkan tampilan grafik (visual) dari hasil

clustering

3. Data yang digunakan berupa data simulasi atau rekayasa

1.5. Sistematika

Penulisan skripsi ini akan meliputi hal-hal sebagai berikut :

BAB 1 PENDAHULUAN

Bab ini berisikan antara lain latar belakang masalah, maksud,

tujuan, batasan masalah serta sistematika dari skripsi ini.

BAB 2 LANDASAN TEORI

Dalam bab ini diuraikan mengenai data warehouse, ciri-ciri, model

konseptual, data mining, proses data mining, teknik data mining

serta metode data mining secara umum dan juga akan diuraikan

mengenai Visual Basic .Net 2005, Oracle 10g dan Dundas Chart

sebagai komponen tambahan Visual Basic .Net 2005

 5

BAB 3 ANALISIS DAN PERANCANGAN

Dalam bab ini diuraikan mengenai gambaran umum perangkat

yang digunakan, struktur tabel data mentah, struktur tabel data

warehouse, desain input, desain output dan Flowchart system.

BAB 4 IMPLEMENTASI DAN PEMBAHASAN

Dalam bab ini akan diuraikan mengenai implementasinya dalam

bahasa pemrograman Visual Basic .NET 2005 dan hasil uji coba

penyelesaian K-Means Clustering berupa hasil perhitungan dan

grafik hasil akhir perhitungan.

BAB 5 KESIMPULAN DAN SARAN

Bab ini berisi kesimpulan dan saran-saran dari skripsi yang telah

dibuat