Author Guidelines for ICOMSET 2015 - "YPTK" Padang

Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015)
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015
Vol. 1, Oktober 2015
ISSN : 2460 – 4690
APLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI
UNGGULAN PRODUK KERAJINAN TANGAN
Lely Prananingrum1*, Budi Utami Fahnun2, Irman Junianto3,
Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma
Jl. Margonda Raya no.100 Depok, Indonesia
Email:[email protected]
Abstrak
Data Mining merupakan penambangan atau penemuan informasi baru dengan mencari pola atau
aturan tertentu dari sejumlah data dalam jumlah besar yang diharapkan dapat mengatasi kondisi
tersebut. Data Mining sendiri memiliki beberapa teknik salah satunya aturan asosiatif (Association
Rule). Algoritma apriori adalah algoritma pengambilan data dengan teknik aturan asosiatif (Association
Rule) untuk menentukan hubungan asosiatif suatu kombinasi item. (Association Rule yang dimaksud
dilakukan melalui mekanisme penghitungan support dan confidence dari suatu hubungan item. Sebuah
rule asosiasi dikatakan interesting jika nilai support lebih besar dari minimum support dan juga nilai
confidence lebih besar dari minimum confidence. Pada penelitian ini dibuat suatu Aplikasi Data Mining
dengan algoritma apriori guna untuk mengelola data kerajinan tangan yang ada, dan juga menganalisis
kemungkinan pertumbuhan produk-produk kerajinan tangan yang baru yang lebih unggul dengan
melakukan klasisifikasi dari data-data kerajinan yang sudah ditemukan.
Kata Kunci : Data Mining, Algoritma Apriori, Kerajinan Tangan, Jawa Barat.
1. PENDAHULUAN
Potensi industri kreatif khususnya kerajinan
belum tergali secara dalam. Kurangnya perhatian
pemerintah terhadap sektor industri kreatif di
Jawa Barat, membuat pelaku industri kreatif
belum tumbuh secara maksimal. Belum
terintegrasinya
lokasi
pengrajin,
belum
tersedianya akses informasi untuk melihat produk
unggulan yang menjadi ciri khas suatu daerah,
juga belum tersedianya sarana untuk menambah
ilmu pengetahuan dalam menciptakan produk
yang kreatitif, inovatif serta bernilai jual tinggi
bagi pengrajin bisa menyebabkan industri
kerajinan akan menurun karena para peminat
kerajinan kesulitan dalam mengakses informasi
untuk
melihat
bagaimana
bentuk
dan
perkembangan produk unggulan masing masing
daerah (Karyadi Yedi, 2013).
Data Mining merupakan penambangan atau
penemuan informasi baru dengan mencari pola
atau aturan tertentu dari sejumlah data dalam
jumlah besar yang diharapkan dapat mengatasi
kondisi tersebut. Data Mining sendiri memiliki
beberapa teknik diantaranya aturan asosiasi.
Teknik asosiasi terdiri dari beberapa metode, dan
algoritma apriori adalah bagian dari metode
asosiasi. Algoritma apriori adalah algoritma
pengambilan data dengan aturan asosiatif1.
(Association rule) untuk menentukan hubungan
asosiatif suatu kombinasi item (Kusrini, 2007).
Association Rule yang dimaksud dilakukan
melalui mekanisme penghitungan support dan
confidence dari suatu hubungan item. Sebuah
rule asosiasi dikatakan interesting jika nilai
support adalah lebih besar dari minimum support
dan juga nilai confidence adalah lebih besar dari
minimum confidence. Algoritma apriori ini akan
cocok untuk diterapkan bila terdapat beberapa
hubungan item yang ingin dianalisa. Salah
satunya bisa diterapkan dalam bidang promosi
dan penentuan strategi pemasaran.
Pengolahan data dan analisis data dengan
menggunakan metode Association Rule untuk
mengelola data kerajinan tangan yang ada, dan
juga menganalisis produk kerajinan tangan yang
paling unggul dengan melakukan klasifikasi dari
data kerajinan yang sudah ditemukan di daerah
Jawa Barat khususnya untuk wilayah kabupaten
atau kota Bekasi, Bogor dan Sumedang.
2. METODE PENELITIAN
Penelitian dapat di deskripsikan sebagai
usaha yang sistematik dan terorganisasi untuk
menyelidiki sebuah masalah spesifik yang terjadi
di lingkungan pekerjaan dan memerlukan solusi.
Metode yang digunakan pada penelitian ini yaitu
:
1. Studi Pustaka
Mengumpulkan data mengenai analisis
sistem, mengumpulkan informasi mengenai
Lely Prananingrum1*, Budi Utami Fahnun2, Irman Junianto3,
Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma
20
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015)
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015
cara kerja proses data mining dalam
memprediksi kerajinan tangan paling unggul di
Jawa Barat khususnya untuk wilayah Bekasi,
Bogor, Sumedang. Studi pustaka mengenai
pengumpulan data dan informasi yang
dibutuhkan dalam penulisan ini penulis
dapatkan dari literatur buku, jurnal, serta situs
di internet yang berhubungan dengan tema
penelitian.
2. Studi Lapangan
Untuk memperoleh data dan informasi
tentang kerajinan yang ada di Jawa Barat,
dilakukan Studi dengan cara mengunjungi tempat
yang akan diteliti dan pengumpulan data
dilakukan secara langsung. hal ini meliputi :
a. Wawancara
Wawancara adalah teknik pengumpulan data
dengan cara mengadakan tanya jawab secara
langsung dengan pihak Jabar Craft Center (JCC)
dan pemilik usaha kerajinan.
b. Observasi
Observasi adalah teknik pengumpulan data
dengan cara melakukan pengamatan secara
langsung dan peninjauan langsung terhadap
permasalahan yang diambil .

Hasil penelitian ini sebagai dasar acuan
untuk menganalisis teknik data mining yang
sedang berjalan ataupun teknik data mining yang
dibutuhkan dalam memprediksi kerajinan tangan
paling unggul di Jawa Barat untuk wilayah
Bekasi, Bogor dan Sumedang
3. PEMBAHASAN

3.1 Algoritma Apriori
Algoritma apriori adalah sebuah algoritma
pencarian pola yang sangat populer dalam teknik
penambangan data (data mining). Algoritma ini
ditujukan untuk mencari kombinasi itemset yang
mempunyai suatu nilai keseringan tertentu sesuai
kriteria atau filter yang diinginkan. Algoritma ini
diajukan oleh R. Agrawal dan R. Srikant tahun
1994.
Hasil dari algoritma apriori dapat
digunakan untuk membantu dalam pengambilan
keputusan pihak manajemen. Algoritma apriori
melakukan pendekatan iteratif yang dikenal
dengan pencarian level-wise, dimana k-itemset
digunakan
untuk
mengeksplorasi
atau
menemukan (k+1)-itemset. Oleh karena itu,
algoritma apriori dibagi menjadi beberapa tahap
yang disebut iterasi. Tiap iterasi menghasilkan
pola frekuensi tinggi (frequent itemset).

3.2 Analisa Asosiasi dengan Algoritma
Apriori
Analisis asosiasi atau association rule
mining adalah teknik data mining untuk
menemukan aturan asosiatif antara suatu
Vol. 1, Oktober 2015
ISSN : 2460 – 4690
kombinasi item. Contoh dari aturan asosiatif dari
analisis pembelian di suatu toko adalah
mengetahui besarnya kemungkinan seorang
pelanggan untuk membeli roti bersamaan dengan
keju. Dengan pengetahuan tersebut, pemilik toko
bisa mengatur penempatan produknya atau
merancang promosi pemasaran menggunakan
kupon diskon untuk kombinasi produk tertentu.
Analisis asosiasi menjadi terkenal karena
aplikasinya untuk menganalisis isi keranjang
belanjaan di pasar swalayan. Analisis asosiasi
juga sering disebut dengan istilah market basket
analysis. Analisis asosiasi dikenal juga sebagai
salah satu teknik data mining yang menjadi dasar
dari berbagai teknik data mining lainnya.
Khususnya, salah satu tahap dari analisis asosiasi
yang disebut analisis pola frekuensi tinggi
(frequent pattern mining) yang menarik perhatian
banyak peneliti untuk menghasilkan algoritma
yang efisien.
Dalam menentukan suatu association rule,
terdapat suatu interestingness measure (ukuran
ketertarikan) yang didapatkan dari hasil
pengolahan data dengan perhitungan tertentu.
Umumnya ada dua ukuran, yaitu:
Support (nilai penunjang/pendukung)
Suatu ukuran yang menunjukkan seberapa besar
tingkat dominasi suatu item/itemset dari
keseluruhan transaksi. Ukuran ini menentukan
apakah suatu item/itemset layak untuk dicari
confidence-nya (missal dari keseluruhan transaksi
yang ada, seberapa besar tingkat dominasi yang
menunjukkan bahwa item A dan B dibeli
bersamaan).
Confidence (nilai kepastian/keyakinan)
Suatu ukuran yang menunjukkan hubungan antar
2 item secara conditional (misal, seberapa sering
item B dibeli jika orang membeli item A).
Kedua ukuran ini nantinya berguna dalam
menentukan interesting association rules, yaitu
untuk dibandingkan dengan batasan (threshold)
yang ditentukan oleh user. Batasan tersebut
umumnya terdiri dari min_support dan
min_confidence, dimana hal tersebut ditempuh
dengan cara sebagai berikut :
Mencari semua frequent itemset yaitu itemset
dengan nilai support ≥ minimum support yang
merupakan ambang batas yang diberikan oleh
user. Dimana itemset itu merupakan himpunan
item yaitu kombinasi produk yang dibeli.
Mencari aturan asosiasi yang confidence dari
frequent itemset yang didapat.
Sedangkan tahap selanjutnya adalah mencari
rule-rule yang sesuai dengan target user yang
didapat dari proses association rule mining
sebelumnya.
Rule-rule
yang
didapat
mendeskripsikan kombinasi itemset yang
dijadikan pertimbangan di dalam membuat
kesimpulan.
Lely Prananingrum1*, Budi Utami Fahnun2, Irman Junianto3,
Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma
21

Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015)
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015
Vol. 1, Oktober 2015
ISSN : 2460 – 4690
Secara terperinci, berikut adalah langkahlangkah proses pembentukan Association Rule
dengan algoritma apriori :
Iterasi pertama support dari setiap item
dihitung dengan menscan database. Support
disini artinya jumlah transaksi dalam database
yang mengandung satu item dalam C1. Setelah
support dari setiap item didapat, Kemudian nilai
support tersebut dibandingkan dengan minimum
support yang telah ditentukan, jika nilainya lebih
besar atau sama dengan minimum support maka
itemset tersebut termasuk dalam large itemset.
Item yang memiliki support di atas minimum
support dipilih sebagai pola frekuensi tinggi
dengan panjang 1 atau sering disebut Large 1itemset atau disingkat L1.
mengandung A dan

Iterasi kedua menghasilkan 2-itemset yang
tiap set-nya memiliki dua item. sistem akan
menggabungkan dengan cara, kandidat 2-itemset
atau disingkat C2 dengan mengkombinasikan
semua candidat 1-itemset (C1). Lalu untuk tiap
item pada C2 ini dihitung kembali masing-masing
support-nya. Setelah support dari semua C2
didapatkan, Kemudian dibandingkan dengan
minimum support. C2 yang memenuhi syarat
minimum support dapat ditetapkan sebagai
frequent itemset dengan panjang 2 atau Large 2itemset (L2).
Itemset yang tidak termasuk dalam large
itemset atau yang tidak memenuhi nilai minimum
support tidak diikutkan dalam iterasi selanjutnya
(di prune).
Setelah itu dari hasil frequent itemset atau
termasuk dalam Large 2-itemset tersebut,
dibentuk aturan asosiasi (association rule) yang
memenuhi nilai minimum support dan confidence
yang telah ditentukan.
3.3 Metodologi Dasar Analisis Asosiasi
1.
Analisis Pola Frekuensi Tinggi
Tahapan ini mencari kombinasi item yang2.
memenuhi syarat minimum dari nilai support
dalam database. Nilai support sebuah item
diperoleh dengan rumus berikut:
3.
Keterangan : JT(A)= Jumlah transaksi yang A
T = Total Transaksi
Sedangkan nilai support dari 2 item diperoleh
dari rumus 2 berikut:
4.
5.
B
T = Total Transaksi
Pembentukan Aturan Assosiatif
Setelah semua pola frekuensi tinggi
ditemukan, barulah dicari aturan assosiatif yang
memenuhi syarat minimum untuk confidence
dengan menghitung confidence aturan assosiatif
A -> B.
Nilai confidence dari aturan A -> B
diperoleh dari rumus berikut:
Keterangan :
JT (A -> B) = Jumlah transaksi yang
mengandung A
dan B
ID
Transaksi
1
Item yang dibeli
Anyaman Pandan, Glass Painting, Lampu
Hias, Kursi Rotan, Tas Kulit Ular
2
Glass Painting, Lampu Hias
3
Anyaman Pandan, Glass Painting, Ukiran
dari Batu
4
Glass Painting, Anyaman Pandan, Boneka
Kain
5
Anyaman Pandan, Ukiran dari Batu,
Keramik
JT
= Jumlah transaksi yang
mengandung A
Sebagai contoh ambil suatu data transaksi seperti
pada tabel berikut.
Table 2.1 Contoh Daftar Transaksi
Berdasarkan Tabel 2.1, terdapat definisidefinisi dari association rule, yaitu.
I adalah himpunan yang tengah dibicarakan
Contoh : { Anyaman Pandan, Boneka Kain,
Glass Painting, …., Ukiran dari Batu }
D adalah Himpunan seluruh transaksi yang
tengah dibicarakan
Contoh : {Transaksi 1, transaksi 2, …, transaksi
5}
Itemset adalah Himpunan item atau item-item di I
Contoh : Ada suatu himpunan X ={A,B,C}
Itemset
nya
:{A};{B}:{C};{A,B};{A,C};{B,C};{A,B,C}
K- itemset adalah Itemset yang terdiri dari k buah
item yang ada pada I. Intinya k itu adalah jumlah
unsur yang terdapat pada suatu Himpunan.
Contoh : 3-itemset adalah yang bersifat 3 unsur
Frequent itemset adalah itemset yang muncul
sekurang-kurangnya “sekian” kali di D. Kata
“sekian” biasanya di simbolkan dengan Ф. Ф
merupakan batas minimum dalam suatu transaksi.
Keterangan : JT (A-> B) = Jumlah transaksi yang
Lely Prananingrum1*, Budi Utami Fahnun2, Irman Junianto3,
Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma
22
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015)
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015
6.
Contoh:
Pertama tentukan Ф = 3, karena jika tidak
ditentukan maka frequent itemset tidak dapat di
hitung. Jika Ф = 3 untuk {Anyaman Pandan,
Glass Painting}. Jika dihitung maka jumlah
transaksi yang membeli Anyaman Pandan
sekaligus membeli Glass Painting adalah 3.
Karena 3 >= 3 maka {Anyaman Pandan, Glass
Painting} merupakan frequent Itemset.
Fk adalah Himpunan semua frequent itemset
yang terdiri dari k-item.
Vol. 1, Oktober 2015
ISSN : 2460 – 4690
Pada Data Flow Diagram (DFD) level ini, proses
yang terjadi pada DFD konteks atau proses yang
ditunjukkan pada gambar 3.1 dikembangkan
menjadi lebih terperinci, yang akan diperlihatkan
pada gambar 3.2 berikut ini.
Analisis Data
Analisa data dilakukan setelah data
terkumpul dan sesuai dengan kebutuhan. Oleh
sebab itu, untuk menghasilkan kesimpulan
berdasarkan aturan (rule) pada analisis data,
diperlukan data transaksi yang telah dibeli
konsumen. Analisis data tersebut dilakukan
berdasarkan teknik aturan asosiasi menggunakan
algoritma apriori dengan beberapa iterasi. Data
yang diambil merupakan data transaksi yang
masuk dan keluar di Dekranasda Provinsi Jawa
Barat khususnya yang bertempat di Jabar Craft
Center (JCC) pada bulan Februari tahun 2013.
Data tersebut adalah data yang mewakili
keseluruhan data transaksi khususnya untuk
wilayah kabupaten atau kota Bekasi, Bogor dan
Sumedang.
Gambar 3.2 DFD Level -1
Perancangan
Data Flow Diagram Konteks (DFD) Level - 0
Data Flow Diagram (DFD) Level – 2
Pada Data Flow Diagram (DFD) level 2 ini, proses yang terjadi pada DFD level - 1
yaitu pada proses data mining dikembangkan
menjadi lebih terperinci, yang akan diperlihatkan
pada gambar 3.3 berikut ini.
Gambar 3.1 DFD Level – 0
Pada DFD level - 0 ini diperlihatkan proses
masukan dan keluaran (input/output). Proses
yang terjadi bermula dari user memasukkan data
transaksi ke dalam sistem data mining, kemudian
memproses dengan beberapa iterasi yang
dilakukan menggunakan algoritma apriori. Yang
akhirnya menghasilkan association rule yang
itemnya saling berhubungan atau berkolerasi dan
berdasarkan rule tersebut user mendapatkan
informasi berupa kombinasi produk atau item
yang sering dibeli oleh konsumen.
Data Flow Diagram (DFD) Level - 1
Lely Prananingrum1*, Budi Utami Fahnun2, Irman Junianto3,
Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma
23
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015)
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015
Gambar 3.3 DFD Level – 2
Gambaran Alur Kerja (Flowchart) Sistem
Vol. 1, Oktober 2015
ISSN : 2460 – 4690
Entity Relationship Diagram (ERD)
Entitas (entity) adalah suatu objek di dunia
nyata yang memiliki atribut atau hal-hal yang
berkaitan yang dapat dijadikan sebuah data.
Hubungan (relationship) adalah aliran antar
entitas yang didefinisikan untuk menyatakan
keterhubungan satu entitas dengan entitas
lainnya. Berikut ini adalah ERD yang
merepresentasikan basis data pada aplikasi ini:
M/N
Barang
Nama Field
Type
Length
Key
Id
Int
2
*
username
varchar
30
password
varchar
30
Transaksi
Kd_barang
Kd_transaksi
Nm_barang
Kd_barang
Kab_kota
Nm_barang
Keteranga
n
Kode
Barang
Nama
Barang
Kabupaten
/Kota
Kab_kota
Gambar 3.5 ERD
Perancangan Basis Data
Perancangan basis data ini berupa
perancangan struktur table barang dan struktur
table transaksi.
Struktur Tabel
Berikut adalah table-tabel yang terdapat
dalam basis data yang digunakan dalam aplikasi.
 Struktur Tabel Admin
Tabel ini berguna untuk menyimpan data
admin, dengan struktur seperti pada table
dibawah ini
Tabel 3.1 Struktur Tabel Admin
Tabel ini berguna untuk menyimpan data
produk, dengan struktur seperti pada table
dibawah ini Struktur Tabel Transaksi.
Gambar 3.4 Flowchart Sistem
Lely Prananingrum1*, Budi Utami Fahnun2, Irman Junianto3,
Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma
24
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015)
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015
Nama
Field
kd_bar
ang
nm_bar
ang
kab_ko
ta
Ke
y
Vol. 1, Oktober 2015
ISSN : 2460 – 4690
Type
Length
Keterangan
varcha
r
text
5
Kode Barang
Gambar 3.6 Struktur Navigasi Aplikasi Data Mining
30
Nama Barang
text
30
Kabupaten/Ko
ta
Perancangan Tampilan Aplikasi
Pada tahap ini, akan dibahas mengenai
perancangan awal tampilan aplikasi.
Tampilan Akses Masuk
Program login program adalah tampilan
awal yang muncul pada saat aplikasi pertama
dijalankan bersamaan dengan tampilan menu
utama, seperti pada gambar di bawah ini.
Tabel 3.2 Struktur Tabel Barang

Tabel ini berguna untuk menyimpan data
penjualan produk, dengan struktur seperti pada
Label 1
Input 1
Nama Field
Type
varchar
Leng
th
5
Ke
y
*
kd_transak
si
kd_barang
nm_barang
kab_kota
varchar
text
text
5
30
30
**
Keterangan
Input 2
Kode
Transaksi
Kode Barang
Nama Barang
Kabupaten/K
ota
tabel dibawah ini.
Tabel 3.3 Struktur Tabel Transaksi
Button 1
Gambar 3.7 Tampilan Halaman
Masuk
Tampilan Menu Beranda
Perancangan Struktur Navigasi Aplikasi Data
Mining
Berikut adalah gambar perancangan menu
utama yang akan muncul setelah pengguna
berhasil login, menu yang ada akan tampil seperti
gambar berikut.
Butt
on 1
Button 2
Logo
Image1
Masuk
Image2
Menu 1
Menu 2
Beranda
Menu 3
Label1
...
...
Label2
Data
Barang
Data
Transaksi
Data
Mining
Bantuan
Tentang
Gambar 3.8 Tampilan Menu Beranda
Keluar
Lely Prananingrum1*, Budi Utami Fahnun2, Irman Junianto3,
Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma
25
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015)
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015
Tampilan Menu Data Barang
Rancangan form ini berguna untuk memasukkan
data barang ke dalam sistem, seperti pada gambar
di bawah ini.
Butt
on 1
Button 2
Logo
Image
Label 1
Label 2
Button 3
Button 4
Combo
Box
Menu 1
Input
Vol. 1, Oktober 2015
ISSN : 2460 – 4690
Gambar 3.11 Tampilan Menu Data Mining
Tampilan Menu Bantuan
Berikut merupakan rancangan tampilan pada
menu bantuan yang menjelaskan tentang fungsi
dan kegunaan menu atau tombol yang terdapat
pada aplikasi
Butt
on 1
Button 2
Logo
Image1
Label1
Menu 2
Tabel
Label2
Menu 1
Menu 3
Menu 2
Menu 3
...
Paginati
on
Label 3
...
...
...
Label 4
Label3
Gambar 3.9 Tampilan Data Barang
Tampilan Menu Data Transaksi
Tampilan dirancang untuk menampilkan
daftar data transaksi yang akan atau telah
dimasukan oleh pengguna, dengan tampilan
seperti pada gambar di bawah ini.
Butt
on 1
Button 2
Logo
Butt
on 1
Label 2
Button 2
Logo
Button 4
Combo
Box
Input
Image2
Button 3
Menu 1
Tampilan Menu Tentang
Berikut rarncangan tampilan menu tentang
yang menjelaskan tentang aplikasi.
Image1
Image
Label 1
Gambar 3.12 Tampilan Menu Bantuan
Menu 1
Menu 2
Menu 2
Tabel
Menu 3
Label1
Menu 3
...
...
Paginati
on
Label 3
...
...
Label2
Label 4
Gambar 3.13 Tampilan Menu Tentang
Gambar 3.10 Tampilan Data Transaksi
Tampilan Menu Data Mining
Berikut adalah perancangan tampilan
yang terdapat pada menu data mining yang
menampilkan hasil dari proses data mining.
Butt
on 1
Button 2
Logo
Image
Label 1
Tampilan Halaman Tambah
Halaman tambah merupakan halaman ketika
pengguna ingin menambahkan data barang atau
data transaksi ke dalam basis data.
Label 2
Butt
on 1
Menu 1
Combo
Box
Button 2
Logo
Input
Image1
Label1
Menu 2
Tabel
Label2
Input1
Label3
Input2
Label4
Input3
Menu 1
Menu 3
Menu 2
...
Paginati
on
Label 3
Menu 3
...
Button3
Label 4
Button4
...
Lely Prananingrum1*, Budi Utami Fahnun2, Irman Junianto3, ...
Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma
Label5
26
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015)
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015
Vol. 1, Oktober 2015
ISSN : 2460 – 4690
Gambar 4.1 Menu Akses Masuk
Gambar 3.14 Tampilan Halaman Tambah
Menu Beranda
Halaman beranda akan tampil ketika
pengguna memasukan username dan password
dengan benar, maka akan masuk pada halaman
beranda yang merupakan halaman pertama yang
akan dilihat oleh pengguna terdapat dalam
aplikasi yang dirancang seperti berikut:
Tampilan Halaman Ubah
Halaman ubah merupakan halaman ketika
pengguna ingin mengubah data barang atau data
transaksi yang sudah ada dalam basis data.
Butt
on 1
Button 2
Logo
Image1
Label1
Label2
Input1
Label3
Input2
Menu 1
Menu 2
Input3
Label4
Menu 3
Button3
Button4
...
...
Label5
Gambar 3.15 Tampilan Halaman Ubah
4. IMPLEMENTASI ANTAR MUKA
Menu Akses Masuk
Halaman ini tampil pertama sekali saat
sistem dijalankan. Halaman akses dapat dilihat
pada gambar di bawah.
Gambar 4.2 Menu Beranda
Menu Data Barang
Halaman ini digunakan untuk memasukkan
data barang ke dalam basis data sistem,
implementasi dari tampilan dapat dilihat pada
gambar dibawah ini.
Gambar 4.3 Menu Data Barang
1*
2
3
Lely Prananingrum , Budi Utami Fahnun , Irman Junianto ,
Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma
27
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015)
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015
Vol. 1, Oktober 2015
ISSN : 2460 – 4690
Menu Data Transaksi
Halaman menu data transaksi digunakan
untuk memasukkan data transaksi ke dalam basis
data sistem, dengan implementasi seperti pada
gambar di bawah ini.
Gambar 4.6 Tampilan Menu Bantuan
Menu Tentang
Halaman ini menjelaskan tentang aplikasi,
dengan implementasi seperti pada gambar di
bawah ini.
Gambar 4.4 Menu Data Transaksi
Menu Data Mining
Halaman menu data mining digunakan
untuk menampilkan hasil proses data mining,
dengan implementasi seperti pada gambar di
bawah ini.
Gambar 4.7 Menu Tentang
Gambar 4.5 Menu Data Mining
Menu Bantuan
Halaman menu bantuan menjelaskan fungsi
yang ada dalam aplikasi, dengan implementasi
seperti pada gambar di bawah ini
PENUTUP
Kesimpulan
Berdasarkan hasil penelitian dan pengujian
aplikasi baik dengan uji mandiri maupun dengan
kuisioner yang telah disebar ke beberapa
responden mendapatkan nilai presentasi sebesar
86,1% menunjukkan bahwa aplikasi sudah
berhasil dibuat untuk pencatatan data barang dan
data
transaksi.
Menganalisis
dan
diimplementasikan dengan algoritma apriori
untuk mendapatkan asosiasi antar barang pada
analisis barang dari data-data yang berhasil
dikumpulkan. Dari hasil asosiasi yang dihasilkan
dapat membantu untuk mengetahui kebiasaan
pembeli. Sehingga dapat digunakan untuk
merencanakan strategi penjualan berdasarkan
jenis barang yang tingkat konsumsinya tinggi
serta dapat membantu merancang peletakkan
produk, merancang dan lain-lain.
Saran
Kesempurnaan dari sistem selalu bersifat
relatif berdasarkan cara pandang dan konsep dari
setiap pemikiran yang berbeda serta memiliki alur
yang bervariasi. Sistem pencatatan dan analisis ini
dilakukan sebagai usaha dalam hal perbaikan dan
pengembangan sistem khususnya pencatatan
transaksi barang pada toko kerajinan tersebut.
Selanjutnya sistem dapat dikembangkan oleh
setiap staf pengurus toko kerajinan khususnya
Lely Prananingrum1*, Budi Utami Fahnun2, Irman Junianto3,
Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma
28
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015)
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015
Vol. 1, Oktober 2015
ISSN : 2460 – 4690
yang menekuni cabang sistem informasi. Untuk
itu dalam tugas akhir ini menyarankan agar staf
pengurus dapat mengembangkan sistem tersebut
dalam
pengembangan
yang
dilakukan
menggunakan algoritma lain yang sejenis.
DAFTAR PUSTAKA
1. Bunafit
Nugroho.
2004.
Aplikasi
Pemrograman Web Dinamis dengan PHP
dan MySQL. Yogyakarta: Gava Media.
2. Connolly, Thomas M. and Carolyn E. Begg.
2005. Database System : A Practical
Approach to Design, Implementation, and
Management Fourth Edition. USA: Addison
Wesley, Longman Inc.,
3. Hoffer, Jeffrey A., Prescott, Mary B. dan
McFadden, Fred R. 2002. Modern Database
Management, Sixth Edition. Prentice Hall,
New Jersey.
4. Kusrini, & Emha Taufiq Luthfi. 2009.
Algoritma - Data Mining. Yogyakarta :
Penerbit Andi.
5. Karyadi, Yedi. 2013. Industri Kreatif Butuh
Perhatian. Suara Karya Online : publikasi
tanggal Jumat, 22 Februari 2013.
http://www.suarakaryaonline.com/news.html?id=321841. Bandung.
6. Marshall B. Romney, Paul John Steinbart.
2006. Accounting Information System,
Ninth Edition, Prentice Hall
7. McLeod, Raymond Jr. and Schell, George.
2004. Sistem Informasi Manajemen. Eighth
Ediotion. Prentice-Hall, Inc. PT INDEKS,
Jakarta
8. Kusrini, & Emha Taufiq Luthfi. 2009.
Algoritma - Data Mining. Yogyakarta :
Penerbit Andi.
9. Wahyu Eko Tyas D. 2008. Penerapan
metode association rule menggunakan
algoritma apriori untuk analisa pola data
hasil tangkapan ikan. Jurnal Program Studi
Ilmu Komputer, Universitas Brawijaya
Malang.
Lely Prananingrum1*, Budi Utami Fahnun2, Irman Junianto3,
Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma
29