1. bab i pendahuluan

1. BAB I
PENDAHULUAN
1.1. Latar Belakang
Pertumbuhan data yang pesat dari akumulasi data telah menciptakan sebuah
kondisi yang sering disebut “rich of data but poor of information” karena data
yang terkumpul tidak dapat digunakan. Tidak jarang tumpukan data tersebut
dibiarkan begitu saja seakan-akan menjadi “kuburan data” (data tombs) (Han dan
Kamber, 2006). Tumpukan data seperti ini yang menjadi alasan lahirnya konsep
data mining. Data mining merupakan suatu proses yang menggunakan teknik
statistik,
visualisasi,
kecerdasan
buatan
dan
machine-learning
untuk
mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan
yang terkait dari berbagai basis data. Salah satu teknik data mining yang sering
digunakan adalah Association Rules Mining (ARM) (Han dan Kamber, 2006).
ARM dapat menemukan hubungan asosiatif antara data dan menyimpulkan
aturan dari data-data yang ada tersebut. ARM juga digunakan untuk menemukan
pola-pola atau hubungan korelasi antar item yang terdapat dalam data transaksi
untuk menemukan fakta yang tidak diketahui dan tidak diperhatikan sebelumnya
(Han dan Kamber, 2006). ARM yang berhubungan dengan data hasil transaksi
sering disebut Market Basket Analysis (MBA). Selanjutnya pengetahuan
mengenai kecenderungan dan perilaku transaksi pembelian sangat bermanfaat
untuk dapat mengambil keputusan-keputusan strategis. Beberapa keputusan yang
dapat diambil adalah informasi tersebut dapat memberikan sebuah rekomendasi
untuk pengguna/pelanggan lain yang hendak melakukan transaksi (Han dan
Kamber, 2006).
Penjualan berbagai macam barang menjadi lebih mudah sejak munculnya
toko online yang sanggup menjual lebih banyak dari toko tradisional (Hiralall,
2011). Penerapan praktis dari teknologi Internet pada dunia bisnis saat ini sudah
semakin berkembang yaitu berdagang di dunia maya dengan memanfaatkan
Internet yang kerap disebut dengan electronic commerce (e-commerce).
Penerapan e-commerce dapat mengubah kebiasaan pelanggan yang awalnya
memesan dan membeli secara konvensional menjadi secara online (Montana dan
Noor, 2010). Pelanggan tidak sanggup jika harus mencari satu persatu produk atau
item yang ada sehingga dibutuhkan fasilitas untuk mempermudah pengguna
menemukan barang yang sesuai berdasarkan keterkaitan antara barang satu
dengan yang lain yang dibeli pelanggan sebelumnya (Hong dkk., 2009). Alasan
ini yang menjadikan sistem rekomendasi berkembang pesat pada e-commerce
website (Hiralall, 2011) dengan memanfaatkan informasi yang didapat dari data
transaksi yang menumpuk.
Sistem rekomendasi (SR) merupakan salah satu penelitian yang hingga kini
berkembang pesat karena dampak buruk dari informasi yang berkembang dengan
cepat. Jumlah data atau informasi yang disimpan tumbuh hingga melampaui
kapasitas dari pengguna untuk memproses informasi (Agarwal dkk., 2005;
Bogers, 2009). SR yang baik memberikan rekomendasi produk yang mungkin
menarik bagi pengguna yang tidak berencana membeli menjadi membeli lebih
banyak lagi dan akan meningkatkan penjualan (Schafer dkk., 1999).
SR
dapat
menghasilkan
rekomendasi
dengan
berbagai
cara
dan
menggunakan berbagai macam metode, salah satunya adalah memanfaatkan
tumpukan kasus lama atau tumpukan data transaksi lama yang dapat
menghasilkan informasi dengan metode ARM. ARM akan menghasilkan pola
aturan dari data transaksi lama tersebut dan aturan yang dihasilkan dapat
dimanfaatkan untuk rekomendasi (Jannach dkk., 2010). Namun tidak semua
aturan yang dihasilkan dapat menghasilkan sebuah rekomendasi karena aturan
tidak cocok, untuk mengatasi kekurangan ini maka pada penelitian ini akan
dilakukan kombinasi antara metode Multi Level Association Rules Mining (MLARM) dan Case Based Reasoning (CBR). CBR merupakan metode pembelajaran
yang menggunakan langsung pengalaman masa lalu atau kasus untuk
memecahkan masalah baru dalam situasi yang sama dengan yang terakhir (Guo
dkk., 2007). Teknologi CBR sangat menjanjikan dan dapat memperkaya bidang
baru untuk aplikasi e-commerce. Peran utama CBR dalam e-commerce adalah
dukungan penjualan cerdas, yaitu memilih suatu produk dari daftar alternatif yang
paling tepat untuk memenuhi tuntutan pelanggan (Schmitt dan Bergmann, 1999).
Kombinasi metode CBR dengan ML-ARM ini digunakan untuk saling membantu
dalam melakukan proses rekomendasi. CBR dan ML-ARM adalah dua teknik
yang berbeda yang memiliki kelebihan dan kekurangan masing-masing (Ting
dkk., 2010).
Proses
ARM
dalam
penelitian
ini
akan
dilakukan
pada
data
penjualan/transaksi sedangkan proses CBR akan dilakukan pada data barang.
Masukan dari pengguna akan masuk terlebih dahulu pada proses rule based
reasoning (RBR) yang dihasilkan oleh ARM, jika tidak ditemukan aturan yang
sesuai maka akan digunakan proses CBR dengan menghitung similarity antara
fitur barang. Pengkombinasian metode tersebut nantinya diharapkan dapat
menciptakan rekomendasi barang yang dapat menjadi suatu keputusan yang akan
diambil pengguna.
1.2. Rumusan Masalah
Berdasarkan latar belakang permasalahan yang telah dipaparkan, maka
secara garis besar dapat dirumuskan permasalahan yang akan dikaji pada
penelitian ini adalah sebagai berikut :
1) Bagaimana menghasilkan aturan menggunakan metode
Multi Level
Association Rules Mining (ML-ARM) dengan algoritma ML_T2L1 untuk
mendapatkan rekomendasi.
2) Saat aturan yang dihasilkan oleh ML-ARM tidak dapat menghasilkan
rekomendasi, maka bagaimana menggunakan metode Case Based Reasoning
agar tetap bisa menghasilkan rekomendasi.
1.3. Batasan Masalah
Penelitian yang akan dilakukan memiliki batasan masalah sebagai berikut :
1) Data yang digunakan untuk penelitian berasal dari Omus Store yang
pengambilannya dilakukan beberapa tahap sesuai kebutuhan data sistem.
2) Sistem rekomendasi ini akan ditanamkan pada sistem utama e-commerce
Omus.
1.4. Tujuan dan Manfaat Penelitian
Tujuan dari penelitian ini adalah membangun sistem rekomendasi yang
mengkombinasikan metode ML-ARM dan CBR yang membantu menghasilkan
rekomendasi barang kepada pengguna.
Sedangkan manfaat yang diharapkan dari penelitian yang dilakukan adalah
sistem rekomendasi tersebut dapat membantu pengguna untuk menentukan pilihan
barang yang akan dibeli dan dapat mengetahui hasil rekomendasi dari kombinasi
metode ML-ARM dan CBR.
1.5. Metodologi Penelitian
Tahapan-tahap yang dilakukan dalam penelitian ini adalah sebagai berikut:
1) Studi pustaka dan literatur
Tahapan ini dilakukan dengan mengumpulkan, membaca dan memahami
berbagai pustaka dan literatur yang berkaitan dengan peneilitian ini, antara lain
multi level association rules mining, case based reasoning, sistem rekomendasi
dan cross validation.
2) Pengumpulan data
Tahapan ini dilakukan dengan mengumpulkan data yang digunakan dalam
penelitian ini, yaitu data transaksi dan data barang dari Omus Store.
3) Analisis dan perancangan
Penyusunan langkah-langkah, pendefinisian kebutuhan dan pemilihan metode
yang digunakan untuk menghasilkan sebuah rekomendasi mengacu pada
landasan teori maupun penelitian-penelitian sebelumnya yang telah dikaji.
4) Desain sistem dan perangkat lunak
Pembuatan rancangan yang siap diimplementasikan yaitu mengubah
kebutuhan-kebutuhan dan langkah-langkah ke dalam struktur data dengan
menggunakan DFD (Data Flow Diagram) dan ERD (Entity Relational
Diagram). DFD menggambarkan proses-proses yang dilakukan oleh sistem
beserta aliran data yang mengikuti proses sedangkan ERD menjelaskan
gambaran besar data yang dibangun untuk sistem. Selain DFD dn ERD juga
terdapat rancangan arsitektur sistem yang menggambarkan arsitektur clientserver berbasis web.
5) Implementasi
Metode yang digunakan untuk pembangunan sistem rekomendasi dalam
penelitian ini diimplementasikan ke dalam bahasa pemograman PHP. Tahap
implementasi dilakukan dengan menerjemahkan model-model yang dibangun
ke dalam program komputer sesuai dengan kebutuhan pengguna. Sedangkan
untuk DBMS (Data Base Management Sistem) menggunakan MySQL versi
5.0.5.51b
6) Pengujian dan pembahasan
Aturan yang dihasilkan diuji dengan metode cross validation dengan k adalah
5-fold dan mendapatkan akurasi yang tertinggi untuk menentukan minsup dan
minconf. Sistem yang telah diimplementasikan diuji dengan melibatkan
beberapa pengguna, perbandingan hasil rekomendasi akan dilakukan pada
proses rekomendasi dengan aturan dan proses rekomendasi dengan kasus yaitu
membandingkan hasil rekomendasi dari sistem dengan hasil relevan dari
beberapa pengguna.
1.6. Sistematika Penelitian
BAB I
PENDAHULUAN
Bab ini berisi latar belakang, rumusan masalah, batasan masalah,
tujuan dan manfaat, metodologi penelitian dan sistematika penulisan
dalam penyusunan tesis ini.
BAB II
TINJAUAN PUSTAKA
Bab ini berisi hasil kajian terhadap penelitian-penelitian sebelumnya
yang berkaitan dengan ARM, CBR dan sistem rekomendasi sebagai
bahan referensi dalam penelitian ini.
BAB III
LANDASAN TEORI
Bab ini berisi uraian dasar teori yang berkaitan dengan penelitian ini
yang
digunakan
sebagai
referensi
untuk
menyelesaikan
permasalahan dalam penelitian ini.
BAB IV
ANALISIS DAN PERANCANGAN SISTEM
Bab ini berisi analisis dan perancangan sistem yang digunakan
sebagai acuan dalam penyelesaian masalah. Analisis terhadap
preprocessing data, proses pembentukan aturan, proses representasi
kasus dan proses rekomendasi dengan kombinasi metode. Selain itu
juga perancangan sistem yang berupa desain arsitektur sistem,
desain data, desain alur sistem serta desain antar muka.
BAB V
IMPLEMENTASI
Bab ini berisi implementasi kode program dari analisis dan
perancangan yang telah diuraian pada bagian sebelumnya.
BAB VI
HASIL DAN PEMBAHASAN
Bab ini berisi pembahasan hasil, skenario pengujian serta
pembahasan pengujian (analisis hasil percobaan) penelitan yang
telah dilakukan.
BAB VII
KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan dari penelitian yang telah dilakukan dan
saran untuk penelitian selanjutnya.