Disusun Oleh:
1. 1811510849 Ilham Santoso Tionadi
2. 1811510872 Muhammad Fathurrahman
3. 1811511318 Wahyu Noor Hidayat
Disusun Oleh:
1. 1811510849 Ilham Santoso Tionadi
2. 1811510872 Muhammad Fathurrahman
3. 1811511318 Wahyu Noor Hidayat
NIM Nama
1. 1811510849 Ilham Santoso Tionadi
2. 1811510872 Muhammad Fathurrahman
3. 1811511318 Wahyu Noor Hidayat
Disetujui untuk dipertahankan dalam seminar KKP periode semester Genap tahun
ajaran 2021/2022
i
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INFORMASI
UNIVERSITAS BUDI LUHUR
LEMBAR PENGESAHAN
Laporan Kuliah Kerja Praktek ini telah disetujui, disahkan dan direkam secara elektronik
sehingga tidak memerlukan tanda tangan tim penguji.
Tim Penguji:
Penguji : Mepa Kurniasih, S.Kom., M.Kom.
Pembimbing : Mepa Kurniasih, S.Kom., M.Kom.
Ketua Program Studi : Dr. Indra, S.Kom., M.T.I
ii
ABSTRAK
iii
KATA PENGANTAR
Puji syukur atas kehadirat Allah SWT karena berkat Rahmat dan Karunia-Nya
sehingga penulis dapat menyelesaikan penyusununan Laporan Kuliah Kerja Praktek.
Judul yang penulis ajukan adalah “PENJUALAN ANGKRINGAN
MENGGUNAKAN METODE APRIORI DATA MINING DI ANGKRINGAN
MAMPIR DONK”. Laporan KKP ini disusun berdasarkan data yang dikumpulkan.
Adapun diajukannya Laporan KKP ini untuk memenuhi salah satu syarat guna
menempuh Kuliah Kerja Praktek (KKP). Dalam proses penyelesaian laporan KKP ini
penulis ingin menyampaikan terima kasih sebanyak-banyaknya dari berbagai pihak
yang telah memberikan dukungan dan bantuannya, terutama kepada :
1. Allah SWT, Tuhan semesta alam, yang selalu memberikan rahmat, nikmat dan
hidayah-Nya sehingga kami dapat menyelesaikan penyusunan Laporan Kuliah
Kerja Praktek ini dengan baik.
2. Segenap keluarga penulis, khususnya orang tua kami tercinta, yang telah
membantu kami memberikan dukungan baik moral maupun material, dan selalu
memberikan doa restu
3. Bapak Dr. Ir. Wendi Usino, MM., M.Sc selaku Rektor Universitas Budi Luhur.
4. Bapak Dr. Deni Mahdiana, M.M., M.Kom selaku Dekan Fakultas Teknologi
Informasi Universitas Budi Luhur.
5. Bapak Dr. Indra, S.Kom., M.T.I., selaku Ketua Program Studi Teknik Informatika
Fakultas Teknologi Informasi Universitas Budi Luhur.
6. Ibu Mepa Kurniasih, M.Kom., selaku Dosen Pembimbing yang telah membantu
kami serta memberikan arahan dalam penulisan laporan KKP ini.
7. Seluruh Dosen Universitas Budi Luhur yang telah memberikan ilmu yang
bermanfaat bagi penulis selama kuliah.
8. Muhammad Taufiq selaku pemilik usaha Angkringan Mampir Donk yang telah
bersedia memperbolehkan kami melakukan riset.
9. Semua pihak yang terkait, baik secara langsung maupun tidak langsung dalam
iv
penulisan laporan KKP.
Pada akhirnya penulis menyadari bahwa penulisan Laporan Kuliah Kerja
Praktek (KKP) ini belum sepenuhnya sempurna. Oleh karena itu, kritik saran yang
membangun dari pihak lain diharapkan demi perbaikan kesempurnaan KKP ini.
v
DAFTAR ISI
vi
2.8.4 Rancangan Sequence Data Transaksi .......................................................................... 25
2.8.5 Rancangan Sequence Data Mining Apriori.................................................................. 26
2.9 ERD (Entity Relationship Diagram) .................................................................................... 27
2.10 Desain Tabel......................................................................................................................... 33
2.11 Solusi .................................................................................................................................... 34
2.12 Tinjauan Studi ...................................................................................................................... 35
BAB III ANALISIS MASALAH DAN PERANCANGAN SOLUSI .............................................. 38
3.1 Analisis Masalah dan Solusi................................................................................................. 38
3.1.1 Pekerjaan Kerja Praktik ............................................................................................... 38
3.1.2 Teknis Pelaksanaan kerja Praktik ................................................................................ 38
3.1.3 Analisis Kebutuhan Informasi ..................................................................................... 39
3.2 Perancangan Interface Antarmuka ....................................................................................... 39
BAB IV IMPLEMENTASI DAN UJI .............................................................................................. 47
4.1 Implementasi Sistem ............................................................................................................ 47
4.1.1 Uji Coba Sistem dan Program ..................................................................................... 47
4.1.2 Pemeliharaan Sistem.................................................................................................... 48
4.2 Analisis Kebutuhan Sistem .................................................................................................. 48
4.3 Analisis Sistem Baru ........................................................................................................ 49
4.3.1 Analisis Kebutuhan Perangkat Keras .......................................................................... 49
4.3.2 Analisis Kebutuhan Perangkat Lunak.......................................................................... 49
4.4 Pembahasan Interface / Antarmuka ...................................................................................... 50
4.5 Kelebihan dan Kekurangan Aplikasi .................................................................................... 56
BAB V PENUTUP ........................................................................................................................... 57
5.1 Kesimpulan .......................................................................................................................... 57
5.2 Saran ..................................................................................................................................... 58
DAFTAR PUSTAKA ....................................................................................................................... 59
LAMPIRAN PENILAIAN ............................................................................................................... 60
vii
DAFTAR GAMBAR
viii
DAFTAR TABEL
ix
BAB I
PENDAHULUAN
1
interesting jika nilai support adalah lebih besar dari minimum support dan juga nilai
confidence adalah lebih besar dari minimum confidence. Algoritma Apriori ini cocok
untuk diterapkan bila terdapat beberapa hubungan item yang ingin dianalisis.
Penggunaan algortima ini memberikan pengetahuan bagi pengguna berupa aturan atau
pola penjualan yang telah terjadi.
Angkringan Mampir Donk adalah wirausaha dibidang makanan yang berdiri
sejak tahun 2018. Angkringan Mampir Donk menjual berbagai makanan dan minuman
yang disajikan menggunakan konsep angkringan pada umumnya. Seiring berjalanya
waktu dari tahun 2018 hingga saat ini, Angkringan Mampir Donk selalu mencoba
membangun bisnisnya dengan melakukan perubahan perubahan stok sesuai pendataan
manual yang dilakukan setiap hari.
Dengan adanya sistem data mining algoritma apriori ini, Angkringan Mampir
Donk dapat lebih mempermudah untuk mengatur bisnisnya, karena sistem akan
membuat data transaksi dalam menentukan pencarian data yang sering diminati.
2
1.3 Maksud dan Tujuan
Berdasarkan permasalahan yang ada, maksud dan tujuan penelitian yang ingin
dicapai adalah :
3
penelitian dan berusaha menggambarkan serta menginterpretasi objek yang
sesuai dengan fakta secara sistematis, faktual dan akurat.
1.5.2 Observasi
Pengumpulan data dengan meminta data penjualan Angkringan
Mampir Donk pada tanggal 1 Juni 2022 sampai 5 Juni 2022.
BAB I PENDAHULUAN
Bab ini berisi latar belakang, perumusan masalah, tujuan, batasan masalah,
metodologi penelitian, dan sistematika penulisan.
Bab ini membahas tentang tinjauan pustaka yang terkait dengan penelitian ini
dan landasan teori yang digunakan dalam penelitian ini.
4
BAB III ANALISIS MASALAH DAN PERANCANGAN SOLUSI
Pada bab ini membahas mengenai uji coba implementasi program yang telah
disusun atau dirancang sebelumnya berdasarkan algoritma yang digunakan,
spesifikasi hardware dan software yang dibutuhkan, serta analisa pengujian
yang berdasarkan pada hasil percobaan.
BAB V PENUTUP
Dalam bab ini merupakan bab terakhir dari laporan yang peneliti dapat selama
pelaksanaan Kuliah Kerja Praktek (KKP) yang memuat kesimpulan secara
umum dari apa yang telah dibahas dalam laporan ini, serta saran yang
berhubungan dengan sistem yang diharapkan dapat bermanfaat bagi seluruh
pihak
5
BAB II
LANDASAN TEORI
Belajar menjadi enterprenuer muda yang hebat dan cekatan agar dapat
membuka peluang kerja untuk orang lain.
Misi:
2.1.5 Logo
7
2.1.6 Struktur Organisasi
8
Menurut Kelly (2011:10), informasi adalah data yang telah diolah menjadi
sebuah bentuk yang berarti bagi penerimanya dan bermanfaat dalam pengambilan
keputusan saat ini atau saat mendatang. Definisi tersebut merupakan definisi informasi
dalam pemakaian sistem informasi. Sedangkan menurut Carlos Coronel and Steven
Morris (2016:4) informasi adalah hasil dari data mentah yang telah diproses untuk
memberikan hasil di dalamnya.Dari pendapat diatas dapat disimpulkan bahwa
informasi adalah hasil dari data mentah yang telah di olah sehingga mempunya makna.
Secara sederhana dapat diartikan bahwa data mining atau yang disebut juga
dengan Knowledge Discovery in Database (KDD) adalah serangkaian proses untuk
mengekstrak pola yang penting atau menarik dari sejumlah data yang sangat besar
berupa pengetahuan yang selama ini tidak diketahui secara manual.
9
Data mining muncul setelah banyak dari pemilik data baik perorangan maupun
organisasi mengalami penumpukan data yang telah terkumpul selama beberapa tahun,
misalnya data pembelian, data penjualan, data nasabah, data transaksi, data akademik,
dan sebagainya. Kemudian muncul pertanyaan dari pemilik data tersebut, apa yang
harus dilakukan terhadap tumpukan data tersebut.
10
3. Data Integration (Integrasi Data)
Pada langkah ini, akan dilakukan penggabungan data dari berbagai macam sumber
data. Data ini akan digabungkan ke dalam penyimpanan data yang koheren. Macam-
macam penyimpanan termasuk multiple databases, data cubes, atau flat files. Hal-hal
yang perlu diperhatikan dalam integrasi data yaitu integrasi skema, pencocokan objek,
redudansi data.
11
Gambar 2. 3 - Langkah KDD (Han & Kamber 2006)
1. Association Rule
Teknik mining untuk menemukan aturan assosiatif antara suatu kombinasi item.
Contoh dari aturan assosiatif dari analisa pembelian di suatu pasar swalayan adalah
bisa diketahui 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. Penting tidaknya
suatu aturan assosiatif dapat diketahui dengan dua parameter, support yaitu
persentase kombinasi item tersebut dalam database dan confidence yaitu kuatnya
hubungan antar item dalam aturan assosiatif.
12
2. Classification
Proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan
konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari suatu
objek yang labelnya tidak diketahui. Model itu sendiri bisa berupa aturan “jika-
maka”, berupa decision tree, formula matematis atau neural network.
3. Clustering
Berbeda dengan association rule mining dan classification dimana kelas data telah
ditentukan sebelumnya, clustering melakukan pengelompokan data tanpa
berdasarkan kelas data tertentu. Bahkan clustering dapat dipakai untuk
memberikan label pada kelas data yang belum diketahui itu. Karena itu clustering
sering digolongkan sebagai metode unsupervised learning. Prinsip dari clustering
adalah memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan
kesamaan antar kelas/cluster. Clustering dapat dilakukan pada data yan memiliki
beberapa atribut yang dipetakan sebagai ruang multidimensi.
13
item atau kombinasi item yang ada pada database. Nilai support item diperoleh
dengan rumus berikut:
14
Gambar 2. 6 - Nilai Confidence
Rumusan diatas menjelaskan bahwa nilai confidence diperoleh dengan cara
membagi jumlah transaksi yang mengandung item A dan item B dengan jumlah
transaksi yang mengandung item A. Untuk menentukan aturan asisasi yang
akan dipilih maka harus diurutkan berdasarkan Support x Confidence. Aturan
diambil sebanyak n aturan yang memiliki hasil terbesar (Adie Wahyudi Oktavia
Gama, 2016)
Proses seleksi data merupakan pemilihan data yang relevan untuk penelitian. Pada
database awal terdapat banyak atribut dalam tabel yang tidak diperlukan karena tidak
digunakan dalam proses penambangan data.
15
2. Data Cleaning (Pembersihan Data)
Proses pembersihan data merupakan langkah pertama yang harus dilakukan. Dari
data mentah yang ada dilakukan pembersihan dari data yang tidak relevan. Namun
dalam data penjualan ini tidak dilakukan pembersihan karena data mentah tersebut
dapat digunakan seluruhnya.
Proses integrasi data merupakan penggabungan data dari beberapa sumber. Disini
yang diperlukan untuk penambangan data adalah data penjualan. Sementara data
penjualan pada Angkringan Mampir Donk terdapat dua jenis, yaitu penjualan yang
langsung dari toko dan penjualan canvaser. Untuk itu diperlukan penggabungan
terlebih dahulu dari rekap data penjualan tersebut.
Proses transformasi data merupakan proses pengubahan data menjadi bentuk atau
satuan yang tepat untuk ditambang. Pada data yang dimiliki tidak memerlukan proses
transformasi karena tidak memiliki data continue karena data yang diambil adalah hasil
masukkan program sehingga tidak ada data kosong.
Proses penambangan data merupakan proses pengolahan data yang telah didapat dari
pemrosesan data. Pengolahan menggunakan algoritma Apriori sebagai berikut :
16
b. Hitung semua k-itemset (itemset yang mempunyai k item), untuk
mendapatkan candidate 1-itemset.
c. Hitung support dari semua calon itemset kemudian filter itemset tersebut
berdasarkan perhitungan minimum support, untuk mendapatkan frequent 1-
itemset.
d. Gabungkan semua itemset berukuran k untuk menghasilkan calon itemset
k+1 atau candidate k-itemset.
e. Set k=k+1.
f. Ulangi langkah 3-5 sampai tidak ada itemset yang lebih besar yang dapat
dibentuk.
6. Pattern Evaluation (Evaluasi Pola)
Proses evaluasi pola akan dilakukan dengan penggunaan lift ratio untuk mengukur
seberapa penting aturan yang telah didapat dari program. Nilai ini akan menunjukkan
kevalidan informasi apakah barang A dibeli secara bersamaan dengan barang B, yang
diperoleh dari hasil perhitungan support dan confidence.
Jika hasil perhitungan lift ratio lebih dari 1 maka dapat dikatakan bahwa transaksi
tersebut valid atau bisa dikatakan bahwa dalam transaksi tersebut barang A dan B dibeli
secara bersamaan.
Proses presentasi pengetahuan akan ditampilkan dalam bentuk tabel java. Pada tabel
tersebut akan ditampilkan asosiasi barang yang dibeli secara bersamaan dan persentase
17
jumlah support beserta confidence. Dengan tampilan tersebut akan membantu
mempermudah pengguna untuk memahami hasil dari proses penambangan data.
18
Sedangkan menurut Ariani R. Sukamto dalam Taufik (2017) “UML
merupakan bahasa visual untuk pemodelan dan komunikasi mengenai sebuah sistem
dengan menggunakan diagram teks-teks pendukung”.
Pendapat lainnya menurut Fowler, M. dalam (B. O. Lubis, 2016) UML
(Unified Modeling Language) adalah “Keluarga notasi grafis yang didukung oleh
meta-model tunggal, yang membantu pendeskripsian dan desain sistem perangkat
lunak, khususnya sistem yang dibangun menggunakan pemrograman berorientansi
objek (OO). Definisi ini merupakan definisi yang sederhana”.
Jadi UML (Unified Modeling Language) dapat diartikan sebagai bahasa visual
untuk menggambarkan definisi-definisi tentang requirement, membuat analisis dan
desain serta menggambar arsitektur dalam pemrograman berorientasikan objek dengan
menggunakan teks- teks pendukung. Unified Modeling Language (UML) juga
merupakan himpunan struktur dan teknik untuk pemodelan desain program
berorientasi objek (OOP) serta aplikasinya. UML adalah metodologi untuk
mengembangkan sistem OOP dan sekelompok perangkat tool untuk mendukung
pengembangan sistem.
19
Syarat penamaan pada use case adalah nama didefinisikan sesimpel mungkin
dan dapat dipahami. Ada dua hal utama pada use case yaitu pendefinisian apa yang
disebut aktor dan use case.
1. Aktor merupakan orang, proses, atau sistem lain yang berinteraksi dengan
sistem informasi yang akan dibuat di luar sistem informasi yang akan dibuat itu
sendiri, jadi walaupun simbol dari aktor adalah gambar orang, tapi aktor belum
tentu merupakan orang.
2. Use case merupakan fungsionalitas yang disediakan sistem sebagai unit-unit
yang saling bertukar pesan antar unit atau aktor.
Jadi Use Case diagram menggambarkan bagaimana proses-proses yang
dilakukan oleh aktor terhadap sebuah sistem. Use Case Diagram menggambarkan
fungsionalitas yang diharapkan dari sebuah sistem. Use case merupakan sebuah
pekerjaan tertentu, misalnya login, mem-cretate sebuah bukti transaksi, dan
sebagainya. Sebuah aktor adalah sebuah entitas manusia atau mesin yang berinteraksi
dengan sistem untuk melakukan pekerjaan - pekerjaan tertentu.
Berikut adalah simbol-simbol yang ada pada diagram use case menurut Rosa dan
Shalahuddin (2013:156):
No Simbol Keterangan
1 Use Case Fungsionalitas yang disediakan sistem sebagai
unit-unit yang saling bertukar pesan antar unit
atau aktor; biasanya dinyatakan dengan
Nama use case
menggunakan kata kerja di awal frase nama
use case
20
2 Aktor / Actor Orang, proses, atau sistem lain yang
berinteraksi dengan sistem informasi yang akan
dibuat di luar sistem informasi yang akandibuat
itu sendiri, jadi walaupun simbol dari aktor
adalah gambar orang, tapi aktor belum tentu
merupakan orang; biasanya dinyatakan
menggunakan kata benda di awal frase nama
actor
Nama actor
3 Asosiasi / association Komunikasi antar aktor dan use case yang
berpartisipasi pada use case atau use case
memiliki interaksi dengan actor
4 Ekstensi / extend Relasi use case tambahan ke sebuah use case
dimana use case yang ditambahkan dapat
<<extend>> berdiri sendiri walau tanpa use case tambahan
itu; mirip dengan prinsip inheritance pada
pemrograman berorientasi objek; ditambahkan,
misal arah panah mengarah pada use case yang
ditambahkan; biasanya use case yang menjadi
extend-nya merupakan jenis yang sama dengan
use case yang menjadi induknya
5 Generalisasi / generalization Hubungan generalisasi dan spesialisasi (umum-
khusus) antara dua buah use case dimana
fungsi yang satu adalah fungsi yang lebih
umum dari lainnya
6 Menggunakan / include / Relasi use case tambahan ke sebuah use casedi
uses mana use case yang ditambahkan memerlukan
use case ini untuk menjalankan fungsinya atau
<<include>>
sebagai syarat dijalankan use case
21
<<uses>>
Hanya ada satu aktor terlibat dalam aplikasi sistem yaitu user yang melakukan
pengolahan data transaksi dan data mining apriori. Adapun Use Case Diagram sistem
data mining apriori dapat digambarkan seperti gambar 2.8 berikut:
22
Tabel 2. 2 - Simbol-Simbol Activity Diagram
No Simbol Keterangan
1 Status Awal Status awal aktivitas sistem, sebuah diagram
aktivitas memiliki sebuah status awal
23
Gambar 2. 9 - Activity Diagram Administrator
2.8.3 Rancangan Sequence Diagram Login
Sequence diagram menurut Satzinger et al (2010:141) menggambarkan
interaksi antar objek didalam dan disekitar sistem (termasuk pengguna, display,
dan sebagainya) berupa message yang digambarkan terhadap waktu. Sequence
diagram terdiri atas dimensi vertical (waktu) dan dimensi horizontal (objek-
objek yang terkait). Sequence diagram biasa digunakan untuk menggambarkan
skenario atau rangkaian langkah – langkah yang dilakukan sebagai respon dari
sebuah event untuk menghasilkan output tertentu.
24
Sequence diagram login menggambarkan bagaimana aksi dari aktor
terhadap object dan data dalam menggunakan sistem pada proses login, dapat
dilihat pada gambar 2.10 berikut :
25
Gambar 2. 11 - Sequence Diagram Data Transaksi
2.8.5 Rancangan Sequence Data Mining Apriori
Sequence diagram proses data mining apriori menggambarkan
bagaimana aksi dari aktor terhadap object dan data dalam menggunakan sistem
pada proses data mining apriori, dapat dilihat pada gambar 2.12 berikut :
26
2.9 ERD (Entity Relationship Diagram)
Entity Relationship Diagram adalah suatu model jaringan yang menggunakan
susunan data yang disimpan dalam sistem secara abstrak. ERD merupakan model
jaringan data yang menekankan pada struktur-struktur dan relationship data (Sutanta,
2004).
Entity Relation Diagram (ERD) adalah notasi yang digunakan untuk melakukan
aktivitas pemodelan data. Tujuan utama dari Entity Relationship Diagram (ERD)
adalah mewakili objek data dan hubungan mereka (Fathansyah, 2007).
27
Atribut merupakan semua informasi yang berkaitan dengan entitas. Atribut
sering dikenal dengan property dari suatu entitas atau objek. Atribut digambarkan
dalam bentuk lingkaran elips seperti pada tabel 2.1. Macam-macam atribut yaitu:
a. Atribut Sederhana (Simple Attribute)
Atribut sederhana adalah atribut yang nilainya tidak dapat dibagi lagi
menjadi banyak atribut yang lebih kecil. Contoh atribut sederhana yaitu
harga.
b. Atribut Komposit (Composite Attribute)
Atribut komposit adalah atribut gabungan yang nilainya dapat dipecah
menjadi bagian yang lebih kecil atau sering disebut atribut yang terdiri dari
beberapa atribut kecil didalamnya. Contoh atribut komposit adalah alamat,
alamat dapat dipecah lagi yaitu kota, provinsi, kode_pos, dan no-jln.
c. Atribut Bernilai Tunggal (Single Values Attribute)
Atribut bernilai tunggal adalah jenis atribut yang nilainya hanya satu dari
suatu entitas. Contoh atribut bernilai tunggal adalah tanggal_lahir dari entitas
mahasiswa, telah bisa dipastikan bahwa setiap mahasiswa mepunyai satu
tanggal_lahir.
d. Atribut Bernilai Banyak (Multivalues Attribute)
Atribut bernilai banyak adalah jenis atribut yang nilainya lebih dari satu
dalam entitas tertentu. Contoh atribut bernilai banyak adalah hobbi,
dimungkinkan bahwa mahasiswa meiliki lebih dari satu hobbi.
e. Atribut Turunan (Derived Attribute)
Atribut turunan adalah jenis atribut yang nilainya diperoleh dari atribut yang
lain. Contoh atribut adalah masa_bakti dari entitas pegawai. Atribut
28
masa_bakti akan muncul nilainya ketika atribut tanggal_masuk_kerja sudah
ada nilainya.
f. Atribut Identitas (Key Attribute)
Atribut identitas adalah atribut yang dijadikan sebagai kunci pada suatu
tabel. Sifat atribut identitas ini unik, tidak ada yang menyamai, atribut
identitas terdiri dari beberapa jenis yaitu:
Super Key
Super key adalah satu atribut atau kumpulan atribut yang secara unik
mengidentifikasi sebuah baris di dalam relasi atau himpunan dari
satu atau lebih entitas yang dapat digunakan untuk mengidentifikasi
secara unik sebuah entitas dalam set entitas.
Candidate Key
Candidate key adalah atribut yang menjadi determinan yang dapat
dijadikan identitas baris pada sebuah relasi.
Primary Key
Primary key adalah kandidat key yang dipilih untuk mengidentifikasi
baris data secara unik dalam relasi.
Alternative Key
Alternative key adalah kandidat key yang tidak terpilih sebagai
primary key atau atribut untuk menggantikan kunci utama.
Foreign Key
Foreign key adalah atribut dengan domain yang sama yang menjadi
kunci utama sebuah relasi, tetapi pada relasi lain atribut sebagai
atribut biasa.
29
Composite Key
Composite key adalah kunci yang terdiri dari dua atribut atau lebih.
Atributatribut tersebut jika berdiri sendiri tidak menjadi identitas
baris, tetapi bila dirangkaikan menjadi satu kesatuan akan dapat
mengidentifikasikan secara unik.
3. Relasi
Hubungan ditunjukkan dengan garis yang diberi label yang menghubungkan
objek. Sambungan antara objek dan hubungan dibangun dengan menggunakan
kardinalitas dan modalitas. Relasi digambarkan dalam bentuk belah ketupat seperti
pada tabel 2.1. Derajat kardinalitas merupakan penjabaran dari hubungan antar entitas.
Derajat kardinalitas dibagi atas 3 bagian yaitu:
a. Derajat kardinalitas One to One
Derajat kardinalitas one to one terjadi jika satu entitas X hanya berelasi dengan
satu entitas Y, ataupun sebaliknya. Sebagai contoh satu pegawai studi hanya
memiliki satu pendamping.
b. Derajat kardinalitas One to Many
Derajat kardinalitas one to many terjadi jika satu entitas X berelasi dengan
banyak entitas Y, ataupun sebaliknya. Sebagai contoh satu dosen mengampu
banyak mahasiswa.
c. Derajat kardinalitas Many to Many
Derajat kardinalitas many to many terjadi jika banyak entitas X berelasi dengan
banyak entitas Y, ataupun sebaliknya. Sebagai contoh banyak mahasiswa
mengambil banyak matakuliah.
d. Garis
30
Garis adalah tanda garis yang digunakan untuk menghubungkan komponen-
komponen ERD (Yanto, 2016). Garis dapat dilihat pada tabel 2.3.
31
ERD merupakan suatu model untuk menjelaskan hubungan antar data dalam
basis data berdasarkan objek-objek dasar data yang mempunyai hubungan antar relasi.
ERD untuk memodelkan struktur data dan hubungan antar data, untuk
menggambarkannya digunakan beberapa notasi dan simbol. Untuk lebih jelasnya
dapat dilihat pada Gambar 2.13 berikut :
32
2.10 Desain Tabel
Perancangan aplikasi web ini menggunakan basis data My-SQL dimana penulis
membuat sebuah database dengan nama db_penjualan. Database ini terdiri atas 3 tabel
seperti berikut ini :
1. Tabel Login
Tabel login digunakan untuk menyimpan nama admin Adapun rancangannya
seperti pada Tabel 2.4 berikut :
33
3. Tabel Data Mining Apriori
Tabel data mining apriori digunakan untuk menyimpan dan memproses data
mining apriori berdasarkan pada tabel transaksi. Rancangannya dapat dilihat
pada Tabel 2.6 berikut :
2.11 Solusi
Data mining metode apriori merupakan metode yang dapat mempermudah
untuk menentukan sebuah data. Adapun solusi yang dapat diperoleh sebagai berikut:
1. Menentukan data setiap bulannya
2. Membuat laopran menyesuaikan kebutuhan
3. Menggunakan data apriori sebagai penentuan data
4. Dapat membuat analisis data untuk memperoleh laporan yang signifikan
34
2.12 Tinjauan Studi
Banyak penelitian sebelumnya yang telah dilakukan oleh peneliti lain dengan
menggunakan metode algoritma apriori pada market bayes penjualan toko online.
Pada penelitian ini, digunakan beberapa referensi dari buku dan beberapa sumber
ilmiah untuk menjelaskan algoritma apriori. Berikut beberapa penelitian yang
berkaitan dengan metode algoritma apriori :
No Konten Deskripsi
1 Judul Market Basket Analysis Pada Mini Market Ayu
dengan Algoritma Apriori
Penulis Erlin Elisa
Deskripsi Dengan meningkatnya jumlah penjualan maka
ditemukan banyak kekurangan yang terjadi,
diantaranya permasalahan peletakan barang-barang
yang tidak sesuai dengan perilaku kebiasaan
konsumen dalam membeli barang secara bersamaan
dalam satu waktu
2 Judul Penerapan Metode Association Rule Mining Pada
Data Transaksi Penjualain Produk Kartu Perdana
Kuota Internet Menggunakan Algoritma Apriori
Penulis Uci Baetullah
Deskripsi Persaingan antara operator telekomunikasi seluler di
Indonesia didominasi dan dikuasai oleh penguasa
pangsa pasar industri telekomunikasi. Operator
telekomunikasi seluler Telkomsel memiliki
peredaran berjumlah 178 juta unit produk atau
sekitar 45,3%, Selanjutnya diikuti oleh Indosat
Ooredoo sebanyak 96,4 juta unit atau 24,54%, Tri
35
56,8 juta unit disusul XL Axita 50,5 juta unit dan
Smartfreen 11 juta unit.
3 Judul Penerapan Market Basket Analysis Terhadap Data
Penjualan Fashion Pada Perusahaan Dengan
menggunakan Algoritma Apriori
Penulis Nifa Febrianti
Deskripsi Permasalahan yang ada di Toko saat ini, dalam hal
pemanfaatan data transaksi penjualan tersebut hanya
sebatas pembuatan laporan bagi perusahaan lalu
diarsipkan saja, tidak dimanfaatkan untuk dasar
pertimbangan dalam menentukan produk yang akan
dijual dan dipajangkan.
4 Judul Penerapan Algoritma Apriori Untuk Mencari Pola
Penjualan di Coffe Shop
Penulis Gilang Abi Saputro
Deskripsi Promosi yang efektif dapat meningkatkan angka
penjualan. Untukmenentukan dan mengembangkan
promosi agar lebih terarah dan tepatsasaran, kafe
perlu mengidentifikasi pasar sasaran dan motif
pembeli.Salah satu cara untuk mengenalali kondisi
pasar adalah mengetahui selera beli konsumen, yang
dapat diamati melalui data-data transaksipembelian.
Algoritma apriori dapat dimanfaatkan dalam
prosespenjualan, dengan memberikan hubungan
antar data penjualan, dalamhal ini adalah makanan
atau minuman yang dipesan sehingga akandidapat
pola pembelian konsumen.
5 Judul Penggunaan Market Basket Analyis untuk
Mementukan Pola Kompetensi Mahasiswa
Penulis Arief Janoto
36
Deskripsi Umumnya penelaahan kompetensi lulusan dilihat
dari tempat kerja mereka saat ini atau dengan cara
menelusuri dari angket-angket yang diisikan oleh
alumni pada periode tertentu. Namun dibeberapa
perguruan tinggi yang lain kurang dan bahkan tidak
memperhatikannya, mereka hanya mementingkan
dapat penghasilan lulusan dengan Indek Prestasi
Kumulatif (IPK) yang sesuai dengan kebutuhan
pasar tanpa melihat kompetensi yang dimiliki oleh
lulusan tersebut.
37
BAB III
ANALISIS MASALAH DAN PERANCANGAN SOLUSI
38
yang penulis kerjakan selama kuliah kerja praktek berlangsung adalah
sebagai berikut :
39
Gambar 3. 1 – From Login Admin
b. Desain Halaman Utama
Halaman Utama meliputi fitur yang akan di gunakan dalam aplikasi tersebut
untuk mempermudah menjalankan system. Adapun rancangannya dapat dilihat pada
Gambar 3.2 berikut :
40
Gambar 3. 2 – Halaman Utama
c. Desain Halaman Data Transaksi
Halaman data transaksi digunakan untuk menginputkan data transaksi
penjualan Angkringan Mampir Donk dan untuk menampilkan data transaksi yang telah
diinput. Adapun rancangannya dapat dilihat pada Gambar 3.3 berikut :
41
Gambar 3. 3 - From Data Transaksi
Halaman upload data transaksi digunakan untuk menginputkan data yang akan
di proses. Adapun rancangannya dapat dilihat pada Gambar 3.10 berikut :
42
Gambar 3. 4 - Halaman Upload Data Transaksi
43
Gambar 3. 5 - Halaman Data Mining Apriori
f. Desain Halaman Data Hasil
Halaman data hasil digunakan untuk melihat data apriori yang di ambil dari
data proses yang sudah dibuat. Adapun rancangannya dapat dilihat pada Gambar 3.6
berikut :
44
Gambar 3. 6 - Halaman Data Hasil
Halaman rincian data hasil digunakan untuk melihat rincian data yang di
peroleh dari data hasil tersebut. Adapun rancangannya dapat dilihat pada Gambar 3.7
berikut :
45
Gambar 3. 7 - Halaman Rincian Data Hasil
46
BAB IV
IMPLEMENTASI DAN UJI
4.1 Implementasi Sistem
Implementasi data mining menggunakan metode apriori untuk analisis pola
penjualan makanan di Angkringan Mampir Donk adalah sebuah sistem yang dapat
menganalisa pola penjualan pada online shop yang sangat berguna untuk mengetahui
pola dan karakter dari pembeli berdasarkan kombinasi itemset pada transaksi yang
telah dilakukan oleh konsumen. Sistem dijalankan pada web browser dimana dapat
mudah terkoneksikan dengan aplikasi penjualan.
Pada bagian admin dimana semua kegiatan dalam sistem dapat dikontrol penuh
dan dapatmemanipulasi data itemset, data transaksi, dan melakukan analisa terhadap
transaksi dengan menggunakan teknik apriori. Admin juga dapat melakukan
pengeditan dan penghapusan data.
4.1.1 Uji Coba Sistem dan Program
Pada uji coba sistem dan program akan dilakukan beberapa sampel
yaitu data transaksi penjualan Angkringan Mampir Donk. Bagian
Administrator berperan penting dalam manajemen informasi pada aplikasi web
data mining. Administrator dapat melakukan proses login untuk masuk ke
halaman utama admin serta memiliki hak penuh dalam manipulasi data seperti
menginput data itemset, data transaksi, data apriori serta menghapus data.
47
4.1.2 Pemeliharaan Sistem
Tahap pemeliharaan sistem meliputi pemeliharaan database dan
program. Pemeliharaan database dapat dilakukan dengan memperhatikan
sistem keamanan yaitu hak akses terhadap database. Hak akses ke database
terutama pada bagian administrator dibatasi hanya digunakan oleh admin
yang bertanggung jawab. Tanggung jawab administrator pada database
yaitu melindungi data daripenghapusan yang tidak di verifikasi dan juga
pengeditan data yang tidak sesuai. Administrator juga harus memperhatikan
masalah ruang basis data dimana data yang ditampung di dalam database
adalah data valid dan tidak terjadi duplikasi data sehingga ruang
penyimpanan benar-benar bersih dari spam.
Data pengguna yang sudah tidak tedaftar lagi dapat di nonaktifkan atau
dihapus dari database sehingga akan menghemat ruang penyimpanan dan
mempercepat akses ke situs web. Sebahagian penyedia hosting menyediakan
batas daripada kuota database sehingga hal tersebut perlu diperhatikan guna
penginputan data dapat dilakukan tanpa hambatan.
48
4.3 Analisis Sistem Baru
Dengan adanya data mining apriori pada penjualan Angkiringan maka
dapat memberikan keuntungan dalam menganalisa perilaku konsumen, mulai
dari prediksi penjualan, promosi penjualan sehingga pelaku bisnis Angkringan
dapat terbantu atas informasi pola sehingga dapat memberikan sebuah
informasi untuk menarik strategi marketing maupun tekknik promosi yang
dapat di sasar pada konsumen tertentu dengan mudah.
50
Gambar 4. 1 – From Login Administrator
51
Gambar 4. 2 - Halaman Input Data Transaksi
Sebelum melakukan proses apriori, kita masukkan dulu datasetnya dengan
mengklik tombol tambah atau kita bisa menginput dataset nya dengan mengklik tombol
import, dan ikuti petunjuk selanjutnya pada gambar 4.3 berikut:
52
Gambar 4. 3 - Halaman Insert Dataset
3. Halaman Data Proses Apriori
Setelah sudah menginput datasetnya berikutnya pindah ke halaman
perhitungan apriori. Halaman ini digunakan untuk menganalisa data transaksi dengan
metode apriori. Page ini meliputi tanggal awal, tanggal akhir, minimal support,
minimal confidence, dan total transaksi. Tampilannya seperti pada gambar 4.4 berikut:
53
Gambar 4. 4 - Halaman Perhitungan Apriori
Jika sudah mengisi semua atribut yang tersedia, lalu klik hitung untuk
memunculkan dataset hasil apriori yang kita inginkan.
54
Gambar 4. 5 - Halaman Hasil Perhitungan Apriori
Dari data jenis-jenis produk tersebut dengan menerapkan algoritma apriori
dengan menerapkan nilai minimum support dan nilai minimum confidience sesuai
yang diinginkan, sehingga menghasilkan beberapa dataset dari berbagai kombinasi
itemset.
55
Gambar 4. 6 - Tampilan Hasil Data Transaksi
57
5.2 Saran
Adapun saran-saran dari penulis untuk penggunaan website data mining apriori
dapat diperhatikan sebagai berikut :
1. Input data penjualan dapat dibuat lebih universal sehingga dapat
digunakan untuk
data-data penjualan selain penjualan Angkringan.
2. Untuk memproses data mining dapat menggunakan data yang besar untuk
dapat dilihat lebih detail perkembangan pengolahan dari data mining
apriori.
3. Mengembangkan fitur data mining apriori yang dapat digunakan
langsung pada aplikasi penjualan angkringan, sehingga data dapat di
analisa secara realtime.
58
DAFTAR PUSTAKA
Han, J. & Kamber, M. 2006. Second Edition : Data Mining Concepts and Techniques,
Chapter 2.
Iskandar Yoni. 23 Agustus 2014. Pertambahan Jumlah Kendaraan DIY Dari Tahun ke
Tahun. Diakses pada tanggal 27 Agustus 2015 dari tribunnews.com/ regional/
2014/08/23/ pertambahan-jumlah-kendaraan-di-diy-dari-tahun-ke-tahun.
Jayadi, J. and Patombongi, A., 2017.Implementasi Aplikasi Data Mining Pada Apotek
Kimia Farma Bhateramas Menggunakan Algoritma Apriori, Simtek: Jurnal
Sistem Infoperasi dan Teknik Komputer, 2(1),pp.87-95.
Kusrini dan Luthfi. 2009. Algoritma Data Mining. Yogyakarta : Andi Offset.
Midtaqulhuda. 2021. Implementasi Data Mining Menggunakan Metode Apriori Untuk
Analisis Pola Penjualan Barang Fashion Di Toko Online Alldays Mart.
Packianather, M.S., Davies, A., Harraden, S.,Soman, S. and White, J., 2017. Data
mining techniques applied to a manufacturing SME.procedia CIRP, 62, pp. 123-
128. Tan, P.N., Steinbach, M. and kumar, V.,2016. Introduction to data mining.
Pearson Education India.
Sinha, G. and Ghosh, S.M., 2018. Identification of best algorithm in association
rule mining basedon performance. Int. J. Comput. Sci. Mob.Comput, 3(11),
pp.38-45.
Ulmer,David (2002), Mining an Online Auction Data Warehouse.
Wijayanti, A., 2017. Analisis Hasil Implementasi Data Mining Menggunakan
Algoritma Apriori Pada Apotek. Jurnal Edukasi dan Penelitian Informatika
(JEPIN).
59
LAMPIRAN PENILAIAN
60
61
62
63