bab ii landasan teori - Widyatama Repository

BAB II
LANDASAN TEORI
2.1
Data Mining
2.1.1
Pengertian Data Mining
Kebutuhan dunia bisnis yang ingin mendapatkan nilai tambah dari
data yang telah terkumpul, mendorong penerapan teknik pengolahan data
dari berbagai bidang pengetahuan seperti statistika dan kecerdasan buatan.
Ternyata penerapan teknik tersebut memberikan tantangan baru yang
akhirnya memunculkan metode baru yang disebut data mining. Ada
beberapa definisi data mining yang dikenal dari berbagai sumber,
diantaranya adalah:
1.
Data mining adalah pencarian dan teknik analisa data yang besar
untuk menemukan pola dan aturan yang berarti (Berry & Linoff,
2004).
2.
Data mining adalah teknik untuk menganalisa sekumpulan data yang
besar guna menemukan hubungan yang tidak diduga dan berguna
bagi pemilik data (Hand, 2001).
3.
Data mining adalah proses untuk menemukan pola dan hubungan
dalam suatu data (Hornick, 2007).
4.
Data mining adalah perangkat lunak untuk menemukan pola-pola
tersembunyi dalam database yang besar dan menghasilkan aturanaturan yang digunakan untuk memperkirakan perilaku dimasa depan
(Kadir, 2003).
5.
Data mining adalah suatu proses otomatis atau semi otomatis untuk
menemukan informasi (knowledge) baru dan berpotensi dari
sekumpulan data (Tang & Jamie, 2005).
Berdasarkan beberapa definisi tersebut, dapat disimpulkan bahwa
data mining berkaitan erat dengan penemuan informasi atau pengetahuan
1
yang baru, berpotensi dan tidak terduga dalam suatu database, baik itu
secara otomatis maupun semi otomatis.[1]
2.1.2
Tahapan Data Mining
Terdapat enam tahapan dalam proses data mining. Enam tahapan
data mining tersebut adalah sebagai berikut:
1. Pembersihan data (data cleaning).
Pemberishan data merupakan proses menghilangkan noise
dan data yang tidak konsisten atau data tidak relevan. Pada
umumnya data yang diperoleh, baik dari database suatu perusahaan
maupun hasil eksperimen, memiliki isian-isian yang tidak sempurna
seperti data yang hilang, data yang tidak valid atau juga hanya
sekedar ketik. Selain itu, ada juga atribut-atribut data yang tidak
relevan dengan hipotesa data mining yang dimiliki. Data-yang data
tidak relevan itu juga lebih baik dibuang. Pemberihan data juga akan
mempengaruhi perfomasi dan teknik data mining karena data yang
ditangani akan berkurang jumlah dan kompleksitasnya.
2. Integrasi data (data integration)
Integrasi data merupakan penggabungan data dari berbagai
database ke dalam satu database baru. Tidak jarang data yang
diperlukan untuk data mining tidak hanya berasal dari satu database
tetapi juga berasal dari beberapa database atau file teks. Integrasi
data dilakukan pada atribut-atribut yang mengidentifikasi entitasentitas yang unik seperti atribut nama, jenis produk, nomor
pelanggan dan lainnya. Integrasi data perlu dilakukan secara cermat
karena kesalahan pada integrasi data bisa menghasilkan hasil yang
meyimpang dan bahkan menyesatkan pengambilan aksi nantinya.
Sebagai contoh bila integrasi data berdasarkan jenis produk ternyata
menggabungkan produk dari kategori yang berbeda maka akan
didapatkan korelasi antar produk yang sebenarnya tidak ada.
3. Seleksi data (Data Selection)
Data yang ada pada database sering kali tidak semuanya
dipakai, oleh karena itu hanya data yang sesuai untuk dianalisis yang
akan diambil dari database. Sebagai contoh, sebuah kasus yang
meneliti faktor kecenderungan orang membeli dalam kasus market
basket analisis, tidak perlu mengambil nama pelanggan, cukup
dengan id pelanggan saja.
4. Transformasi data (Data Transformation)
Data ditambah atau digabung ke dalam format yang sesuai
untuk diproses dalam data mining. Beberapa metode data mining
membutuhkan format data yang khusus sebelum bisa diaplikasikan.
Sebagai contoh beberapa metode standar seperti analisis asosiasi dan
clustering hanya bisa menerima input data kategorikal. Karenanya
data berupa angka numerik yang berlanjut perlu dibagi-bagi menjadi
beberapa interval. Proses ini sering disebut transformasi data.
5. Proses Mining
Merupakan suatu proses utama saat metode diterapkan untuk
menemukan pengetahuan berharga dan tersembunyi dari data.
6. Evaluasi Pola (Pattern Evaluation)
Untuk
mengidentifikasi
pola-pola
menarik
kedalam
knowledge based yang ditemukan. 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. Bila ternyata hasil yang diperoleh tidak sesuai hipotesa ada
beberapa alternative yang dapat diambil seperti menjadikannya
umpan balik untuk memperbaiki proses data mining, mencoba
metode data mining lain yang lebih sesuai, atau menerima hasil ini
sebagai suatu hasil yang diluar dugaan yang mungkin bermanfaat.
Ilustrasi dari tahapan-tahapan data mining adalah seperti gambar
dibawah ini.
Gambar 2. 1 Tahapan-tahapan data mining (Han & Kamber, 2006)
2.1.3 Pengelompokan Data Mining
Data mining dibagi menjadi beberapa kelompok berdasarkan tugas
yang dapat di lakukan, yaitu.
1. Deskripsi
Terkadang peneliti dan analisis secara sederhana ingin mencoba
mencari cara untuk menggambarkan pola dan kecendrungan
yang terdapat dalam data. Sebagai contoh, petugas pengumpulan
suara mungkin tidak dapat menemukan keterangan atau fakta
bahwa siapa yang tidak cukup profesional akan sedikit didukung
dalam pemilihan presiden. Deskripsi dari pola dan kecendrungan
sering memberikan kemungkinan penjelasan untuk suatu pola
atau kecendrungan.
2. Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali variabel target
estimasi lebih ke arah numerik dari pada ke arah kategori. Model
dibangun menggunakan record lengkap yang menyediakan nilai
dari variabel target sebagai nilai prediksi. Selanjutnya, pada
peninjauan berikutnya estimasi nilai dari variabel target dibuat
berdasarkan nilai variabel prediksi. Sebagai contoh, akan
dilakukan estimasi tekanan darah sistolik pada pasien rumah
sakit berdasarkan umur pasien, jenis kelamin, berat badan, dan
level sodium darah. Hubungan antara tekanan darah sistolik dan
nilai variabel prediksi dalam proses pembelajaran akan
menghasilkan model estimasi. Model estimasi yang dihasilkan
dapat digunakan untuk kasus baru lainnya.
3. Prediksi
Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali
bahwa dalam prediksi nilai dari hasil akan ada di masa
mendatang.
Contoh prediksi dalam bisnis dan penelitian adalah:
a. Prediksi harga beras dalam tiga bulan yang akan datang.
b. Prediksi presentase kenaikan kecelakaan lalu lintas
tahun depan jika batas bawah kecepatan dinaikan.
Beberapa metode dan teknik yang digunakan dalam klasifikasi
dan estimasi dapat pula digunakan (untuk keadaan yang tepat)
untuk prediksi.
4. Klasifikasi
Dalam klasifikasi, terdapat target variabel kategori. Sebagai
contoh, penggolongan pendapatan dapat dipisahkan dalam tiga
kategori, yaitu pendapatan tinggi, pendapatan sedang, dan
pendapatan rendah.
Contoh lain klasifikasi dalam bisnis dan penelitian adalah:
a.
Menentukan apakah suatu transaksi kartu kredit
merupakan transaksi yang curang atau bukan.
b.
Memperkirakan apakah suatu pengajuan hipotek oleh
nasabah merupakan suatu kredit yang baik atau buruk.
c.
Mendiagnosa
penyakit
seorang
mendapatkan termasuk kategori apa.
5. Pengklusteran
pasien
untuk
Pengklusteran merupakan pengelompokan record, pengamatan,
atau memperhatikan dan membentuk kelas objek-objek yang
memiliki kemiripan.
Kluster adalah kumpulan record yang memiliki kemiripan suatu
dengan yang lainnya dan memiliki ketidakmiripan dengan
record dalam kluster lain.
Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya
variabel target dalam pengklusteran. Pengklusteran tidak
mencoba untuk melakukan klasifikasi, mengestimasi, atau
memprediksi nilai dari variabel target. Akan tetapi, algoritma
pengklusteran mencoba untuk melakukan pembagian terhadap
keseluruhan data menjadi kelompok-kelompok yang memiliki
kemiripan (homogen), yang mana kemiripan dengan record
dalam kelompok lain akan bernilai minimal.
Contoh pengklusteran dalam bisnis dan penelitian adalah:
a. Mendapatkan kelompok-kelompok konsumen untuk
target pemasaran dari suatu produk bagi perusahaan yang
tidak memiliki dana pemasaran yang besar.
b. Untuk tujuan audit akutansi, yaitu melakukan pemisahan
terhadap prilaku finansial dalam baik dan mencurigakan.
c. Melakukan pengklusteran terhadap ekspresi dari gen,
dalam jumlah besar.
6. Asosiasi
Tugas asosiasi dalam data mining adalah menemukan atribut
yang muncul dalam suatu waktu. Dalam dunia bisnis lebih
umum disebut analisis keranjang belanja.
Contoh asosiasi dalam bisnis dan penelitian adalah:
a. Meneliti
jumlah
telekomunikasi
pelanggan
seluler
yang
dari
perusahaan
diharapkan
untuk
memberikan respon positif terhadap penawaran upgrade
layanan yang diberikan.
b. Menemukan barang dalam supermarket yang dibeli
secara bersamaan dan barang yang tidak pernah dibeli
bersamaan.[1]
2.2
Database
Database adalah susunan record data operasional lengkap dari suatu
organisasi atau perusahaan, yang diorganisir dan disimpan secara
terintegrasi dengan menggunakan metode tertentu sehingga mampu
memenuhi informasi yang optimal yang dibutuhkan oleh para pengguna.
Database memiliki entitas, atribut, dan relasi. Entitas adalah objek
yang berbeda yang terdapat pada sebuah database (orang, tempat, benda,
konsep, atau peristiwa). Atribut adalah properti yang menjelaskan beberapa
aspek dari sebuah objek yang ingin direkam. Relasi adalah hubungan antara
suatu entitas dengan entitas lainnya.[2]
2.3
Data
Data adalah sumber informasi yang bentuknya masih mentah.
Menurut Jogianto (1990), data adalah kenyataan yang menggambarkan
suatu kejadian-kejadian dan kesatuan nyata. Data merupakan bentuk jamak
dari datum, berasal dari bahasa Latin yang berarti “sesuatu yang diberikan”.
Dalam penggunaan sehari-hari data berari suatu pernyataan yang diterima
secara apa adanya. Pernyataan ini adalah hasil pengukuran atau pengamatan
suatu variabel yang bentuknya dapat berupa angka, kata-kata, atau citra.
Dalam keilmuan (ilmiah), fakta dikumpulkan menjadi data. Data kemudian
diolah sehingga dapat diutarakan secara jelas dan tepat agar dapat
dimengerti oleh orang lain yang tidak langsung mengalaminya sendiri, hal
ini dinamakan deskripsi.
Secara konseptual, data adalah deskripsi tentang benda, kejadian,
aktivitas, dan transaksi yang tidak mempunyai makna atau tidak
berpengaruh secara langsung kepada pemakai.[2]
2.4
Informasi
Informasi dapat didefinisikan sebagai data yang diolah menjadi
bentuk yang kebih berguna dan lebih berarti bagi penerimanya. Informasi
diperoleh dari kegiatan pengumpulan data. Setelah terkumpul, data
kemudian diolah dan dianalisis serta dipilah-pilah sehingga didapatkan
informasi yang berguna dan sesuai dengan kebutuhan. Kualitas dari sebuah
informasi ditentukan oleh tiga hal yaitu, keakuratan informasi, ketepatan
waktunya (up-to-date), dan relevan dengan keadaan atau kebutuhan.[2]
2.5
Pengertian Pola Belanja Konsumen
Menurut Kamus Besar Bahasa Indonesia pola adalah sistem cara
kerja ataupun bentuk stuktur yang pasti. Maka pola belanja konsumen bisa
diartikan sebagai bentuk struktur dari kegiatan belanja konsumen yang
pasti. Dari pola belanja yang dapat di prediksi ilmiah pembuat keputusan
dapat membuat strategi pemasaran yang lebih efektif.[5]
2.5.1
Faktor-Faktor yang Mempengaruhi Pola Belanja Konsumen
Faktor-faktor yng mempengaruhi pola belanja konsumen perilaku
belanja konsumen menurut Kotler (1993) adalah sebagai berikut:
1. Faktor budaya,
2. Faktor sosial,
3. Faktor pribadi,
4. Faktor psikologis
Budaya merupaka salah satu penentu keinginan dan perilaku
seseorang yang paling mendasar dan sesungguhnya seluruh masyarakat
memiliki stratifikasi sosial dimana kelas sosial menunjukan pilihan
terhadap produk dengan merk yang berbeda-beda.
Keputusan pembelian juga dipengaurhi karakteristik atau ciri-ciri
pribadinya, terutama yang berpengaruh adalah umur dan tahapan dalam
siklus hidup pembeli, pekerjaannya, keadaan ekonominya, gaya hidupnya,
pribadi dan konsep jati dirinya. Pilihan membeli seseorang juga akan
dipengaruhi faktor psikologis utama, yaitu: motivasi, persepsi, proses
belajar, dan kepercayaan dengan sikap.[5]
BUDAYA
SOSIAL
PRIBADI
PSIKOLOGI
Budaya
Kelompok
Umur dan Tahap
Motivasi
Acuan
Daur Hidup
Sub Budaya
Persepsi
Keluarga
Pekerjaan Status
Ekonomi
Kelas Sosial
Pengetahuan
Peran dan Status
Gaya Hidup
Keyakinan dan
Sikap
Kepribadian dan
Konsep Diri
Gambar 2.1 Faktor-faktor yang mempengaruhi tingkah laku konsumen
2.6
Association Rules
Association rule adalah salah satu teknik utama atau prosedur dalam
Market Basket Analysis untuk mencari hubungan antara item dalam suatu
data set dan menampilkan dalam bentuk association rule (Budhi dkk, 2006).
Association rule (aturan asosiatif) akan menemukan pola tertentu yang
mengasosiasikan data yang satu dengan data yang lain. Untuk mencari
association rule dari suatu kumpulan data, tahap pertama yang harus
dilakukan adalah mencari frequent muncul secara bersamaan. Setelah
semua pola frequent itemset ditemukan, barulah mencari aturan asosiatif
atau aturan keterkaitan yang memenyhi syarat yang telah ditentukan.
Jika diasumsikan bahwa barang yang dijual di swalayan adalah
semesta, maka setiap barang akan memiliki bolean variabel yang akan
menunjukan keberadaannya atau tidak barang tersebut dalam satu transaksi
atau satu keranjang belanja. Pola bolean yang didapat digunakan untuk
menganalisis barang yang sering dibeli secara bersamaan. Pola tersebut
dapat dirumuskan dalam sebuah association rule. Sebagai contoh konsumen
biasanya akan membeli kopi dan susu yang ditunjukkan sebagai berikut :
Kopi  susu [support = 2%, confidence = 60%]
Association rule diperlukan suatu variabel ukuran yang ditentukan
sendiri oleh user untuk menentukan batasan sejauh mana atau sebanyak apa
output yang diinginkan user.
Support dan confidence adalah sebuah ukuran kepercayaan dan
kegunaan suatu pola yang telah ditemukan. Nilai support 2% menunjukan
bahwa keseluruhan dari total transaksi konsumen membeli kopi dan susu
secara bersamaan yaitu sebanyak 2%. Sedangkan confidence 60% yaitu
menunjukkan bila konsumen membeli kopi dan pasti membeli susu sebesar
60%.[8]
2.7
Algoritma Apriori
Prinsip assosiation rules atau market basket analisis adalah
menemukan frequent itemset dan membentuk aturan assosiasi berdasarkan
frequent itemset. Algoritma apriori digunakan untuk mencari frequent
itemset. Pengertian frequent itemset disini adalah himpunan item-item yang
memenuhi minimum support. Selanjutnya frequent itemset digunakan untuk
membangun aturan assosiasi.
Algoritma Apriori dalam hal ini adalah salah satu algoritma yang
dapat membantu mengurangi jumlah perulangan pencarian yang harus
dilakukan. Penggunaan algoritma Apriori melibatkan dua tahapan utama
yaitu sebagai berikut:
1. Cari seluruh frequent itemsets. Frequent itemsets adalah itemset-itemset
yang memenuhi treshold/batas minimum kemunculan.
2. Dari frequent itemsets yang terbentuk, dibentuklah association rules yang
memenuhi ketentuan minimum support dan minimum confidence.
Pada algoritma Apriori menentukan kandidat yang mungkin muncul
dengan cara memperhatikan minimum support dan minimum confidence.
Support adalah nilai pengunjung atau persentase kombinasi kombinasi
sebuah item dalam database.
Rumus support adalah sebagai berikut :
Support (A) = jumlah transaksi mengandung A
X 100%
total transaksi
Sedangkan confidence adalah nilai kepastian yaitu kuatnya
hubungan antar item dalam sebuah Apriori. Confidence dapat dicari setelah
pola frekuensi munculnya sebuah item ditemukan. Rumus untuk
menghitung confidence adalah sebagai berikut :
Contoh misalnya ditemukan aturan A  B maka :
Confidence P(B|A) = total transaksi mengandung A dan B
X 100%
transaksi mengandung A
Untuk membentuk kandidat itemset digunakan dua tahap yaitu :
1. Join (penggabungan)
Proses ini dilakukan dengan cara pengkombinasian item dengan item
yang lainnya hingga tidak dapat terbentuk kombinasi lagi.
2. Prune (pemangkasan)
Proses pemangkasan yaitu hasil dari item yang telah
dikombinasikan kemudian dipangkas dengan menggunakan minimum
support yang telah ditentukan oleh user.
Prinsip dari algorima Apriori antara lain :
a. Mengumpulkan item yang tunggal kemudian mencari item yang
terbesar.
b. Dapatkan candidate pairs kemudian hitung large pairs dari masingmasing item.
c. Temukan candidate triplets dari setiap item dan seterusnya.
d. Setiap subset dari sebuah frequent itemset harus menjadi frequent.
Untuk lebih jelasnya, perhatikan gambar 2.1 mengenai contoh ilustrasi
algoritma apriori.
Gambar 2. 2 Contoh Algoritma Apriori
Nilai minimum support yang ditentukan pada gambar 2.1 adalah 2 atau
50%. Flowchart contoh tersebut terlihat pada gambar 2.1 dan penjelasan
tentang contoh ilustrasi algoritma apriori adalah sebagai berikut :
1. Dari database D kemudian dibentuk C1 (kandidat 1-itemset), apabila
itemset pada C1 tidak memenuhi minimum support maka akan
dieliminasi dari L1.
2. Selanjutnya dibangun C2 (kandidat 2-itemset) dengan melakukan cross
itemset yang ada pada L1 (join step). Apabila itemset pada C2 tidak
memenuhi minimum support maka akan dieliminasi dari L2.
3. Kemudian dibangun C3 (kandidat 3-itemset) dengan melakukan cross
itemset yang ada pada L2 (join step). Jika diperhatikan selain itemset
{B,C,E} sebenarnya masih ada itemset {A,C,B} dan {A,C,E} yang bisa
didapatkan dari kombinasi itemset L2. Tetapi kedua itemset tersebut
dipangkas (prune step) karena itemset {C,B} dan {A,E} dieliminasi dari
L2.[3]
2.8
Market Basket Analysis
Market Basket Analysis atau MBA, merupakan salah satu tipe
analisa data yang paling sering digunakan dalam dunia pemasaran. Tujuan
dari Market Basket analysis adalah untuk menentukan produk-produk apa
saja yang paling sering dibeli atau digunakan sekaligus oleh para konsumen.
Proses Market Basket Analysis ini adalah dengan menganalisis buying
habits konsumen dengan menemukan asosiasi antar produk-produk yang
berbeda yang diletakan konsumen dalam shopping basket.
Istilah Market Basket Analysis sendiri datang dari kejadian yang
sudah sangat umum terjadi di dalam pasar swalayan, yakni ketika para
konsumen memasukkan semua barang yang mereka beli ke dalam keranjang
(basket) yang umumnya telah disediakan oleh pihak swalayan itu sendiri.
Informasi mengenai produk yang biasanya dibeli secara bersamaan oleh
para konsumen dapat memberikan “wawasan” tersendiri bagi para
pengelola took atau swalayan untuk menaikkan laba bisnisnya.
Informasi-informasi atau pengetahuan seperti di atas tentunya tidak
hanya bermanfaat di dalam lingkungan pemasaran untuk pasar swalayan
saja. Beberapa bisnis yang bergerak di luar wilayah ini pun bisa menikmati
manfaat dari adanya Market Basket Analysis ini. Sebut saja misalnya; took
virtual yang menjual produk secara online, bank yang memberikan fasilitas
layanan kartu kredit untuk para nasabahnya, toko baju, toko buku, dan lainlain.[4]
2.9
Waterfall Model
Menurut (I Sommerville, 2011) terdapat 5 tahapan pada waterfall
model, yaitu requirement analysis and definition, system and software
design, implementation and unit testing, integration and system testing, dan
operation and maintenance.
Gambar 2. 3 Waterfall Model (I Sommerville, 2011)
a. Requirenment Analysis and Definition
Merupakan tahapan penetapan fitur, kendala, serta tujuan sistem melalui
proses wawancara yang dilakukan dengan pengguna sistem. Proses ini
bertujuan untuk menentukan spesifikasi sistem yang akan dibangun.
b.
Sytem and Software Design
Tahapan ini merupakan tahapan pembentukan suatu arsitektur sistem
berdasarkan yang telah ditentukan pada proses sebelumnya. Tahapan ini
berfungsi sebagai gambaran abstraksi dasar sistem perangkat lunak dan
hubungan-hubungannya.
c.
Implementation and System Testing
Pada tahapan ini dilakukan proses implementasi desain yang telah
dibuat pada tahapan sebelumnya kedalam bentuk program dengan
menggunakan bahasa pemrograman. Setiap unit akan dilakukan
pengujian untuk memastikan semua fungsi dengan yang diharapkan.
d.
Integration and System Testing
Pada tahapan ini setiap unit program akan dilakukan pengintegrasian
antara satu dengan yang lainnya, serta dilakukan proses ujicoba sebagai
satu sistem yang utuh untuk memastikan sistem yang dibangun telah
memenuhi persyaratan yang ada.
e.
Operation and Maintenance
Tahapan ini merupakan tahapan terakhir dimana pada tahapan ini
dilakukan proses penggunaan sistem. Pada tahapan ini dapat dilakukan
perbaikan apabila ada error ditemukan.[6]
2.10
PHP (PHP Hypertext Preprocessor)
Yang dimaksud dengan PHP adalah suatu bahasa pemrograman
yang berfungsi untuk membangun suatu website dinamis. PHP bersifat open
source sehingga dapat dipakai secara cuma-cuma dan mampu berjalan pada
sistem operasi windows maupun linux. Adapun keunggulan yang dimiliki
PHP yaitu :
1. Mudah untuk dipelajari
2. PHP dapat diaplikasikan ke berbagai Operasi Sistem dan dapat di akses
oleh banyak web browser
3. Memiliki tingkat akses yang cepat
4. Bersifat open source
5. Didukung oleh beberapa web server, seperti apache, IIS, lighttod, xitami.
6. Dapat mendukung database , baik yang gratis maupun yang berbayar,
seperti MySQL, PostgreSQL, mSQL, Infomix, SQL Server, Oracle.[7]
2.11
MySql (My Structured Query Language)
MySQL adalah Relational Database Management System (RDBMS)
yang didistribusikan secara gratis dibawah lisensi GPL (General Public
License). Dimana setiap orang bebas untuk menggunakan MySQL, namun
tidak boleh dijadikan produk turunan yang bersifat komersial.MySQL
sebenarnya merupakan turunan salah satu konsep utama dalam
Databasesejak lama yaitu SQL (Structured Query Language). SQL adalah
sebuah konsep pengoperasian database, terutama untuk pemilihan atau
seleksi dan pemasukan datayang memungkinkan pengoperasian data
dikerjakan dengan mudah secara otomatis.
Keandalan suatu sistem database (DBMS) dapat diketahui dari cara
kerja optimizer-nya dalam melakukan proses perintah-perintah SQL, yang
dibuat oleh user maupun program-program aplikasinya. Sebagai
Databaseserver, MySQL dapat dikatakan lebih unggul dibandingkan
Databaseserver lainnya dalam query data. Hal ini terbukti untuk query yang
dilakukan oleh single user, kecepatan queryMySQL bisa sepuluh kali lebih
cepat dari PostgreSQL dan lima kali lebih cepat dibandingkan Interbase.
Penggunaan PHP dan MySQL dapat menjadikan dan memudahkan untuk
pembuatan aplikasi secara gratis dan stabil (dikarenakan banyak komunitas
developer PHP dan MySQL yang berkontribusi terhadap bugs).[7]
2.12
Query
Query adalah kemampuan untuk menampilkan suatu data dari
database dimana data diambil dari tabel-tabel yang ada di dalam database
sesuai dengan kebutuhan. Bahasa query merupakan bahasa khusus yang
digunakan untuk melakukan query pada basis data. Contoh penggunaan
bahasa query adalah SELECT * FORM SERVICE WHERE KD_TIME=2.
Query tersebut meminta untuk menampilkan semua record yang terdapat
pada tabel service dengan KD_TIME=2.[7]