91 BAB 4 PERANCANGAN DATA MINING 4.1 Penerjemahan

BAB 4
PERANCANGAN DATA MINING
4.1
Penerjemahan Permasalahan Bisnis Menjadi Permasalahan Data Mining
Supaya dapat menyelesaikan permasalahan bisnis yang ada dengan bantuan data
mining, langkah awal yang harus dilakukan adalah menerjemahkan permasalahan bisnis
yang ada menjadi salah satu bentuk permasalahan yang dapat diselesaikan melalui data
mining, yakni antara lain :
•
Classification
•
Estimation
•
Prediction
•
Affinity Grouping
•
Clustering
•
Description dan Profiling
Berdasarkan proses analisis yang telah dilakukan sebelumnya, ditemukan
permasalahan
bisnis
yang
sedang
dihadapi
perusahaan.
Tabel
berikut
ini
menggambarkan tujuan bisnis, permasalahan, kebutuhan informasi serta permasalahan
dan jenis algoritma data mining yang akan digunakan.
91
92
Tabel 4.1 Tujuan, Kebutuhan Informasi, dan Permasalahan Data Mining
Tujuan Bisnis
Analisis Masalah
Membuka
kesempatan untuk
melakukan
penetrasi produkproduk lainnya
Kurangnya
informasi mengenai
produk-produk
yang dapat
dikombinasikan
Kebutuhan
Informasi
Informasi tentang
pola pembelian
pelanggan yang
dapat mendukung
kesempatan untuk
melakukan crossselling
Manfaat
Mengetahui hubungan
antara pembelian suatu
produk dengan produk
lainnya, yang dilakukan
oleh pelanggan
berdasarkan wilayah
demografi dan kategori
kelompok pelanggan
Permasalahan
Data Mining
Algoritma Data Mining
yang Digunakan
Affinity
Grouping
Microsoft Association
Rules
93
Setelah menerjemahkan persoalan bisnis yang ada menjadi persoalan data
mining, selanjutnya pada tahap awal ini juga akan ditentukan bagaimana hasil dari
proses data mining akan disampaikan. Karena perancangan data mining ini bertujuan
untuk membantu pihak manajemen perusahaan dalam mempelajari pola perilaku
pelanggan secara terus-menerus, dan merupakan salah satu bentuk usaha untuk
mendukung pelaksanaan strategi CRM, hasil dari perancangan data mining ini akan
diintegrasikan menjadi sebuah analytical application yang dapat dijalankan secara
reguler untuk mempelajari dan melakukan scoring terhadap perilaku pembelian
pelanggan.
4.2
Pemilihan Sumber Data untuk Proses Mining
Setelah permasalahan bisnis diformulasikan menjadi permasalahan data mining,
langkah berikutnya adalah pemilihan sumber data yang akan dijadikan sebagai sumber
pembuatan model. Berdasarkan arsitektur sistem informasi yang berjalan, sumber data
yang akan digunakan dalam proses perancangan data mining ditetapkan diambil dari
data mart penjualan yang merupakan bagian dari data warehouse. (lihat gambar 4.1).
Skema bintang data mart penjualan dapat dilihat pada gambar 4.2. Penetapan ini
dilakukan dengan mempertimbangkan beberapa faktor berikut ini :
•
Data yang berada dalam data mart sudah melewati proses pembersihan dan
pengintegrasian, sehingga merupakan data akhir yang dapat memberikan gambaran
utuh mengenai suatu proses bisnis.
•
Data yang tersimpan dalam data mart bersifat historis.
94
•
Data mart penjualan menyimpan seluruh data historis mengenai transaksi pembelian
yang dilakukan oleh pelanggan, yang merupakan sumber utama dalam mempelajari
pola perilaku pembelian pelanggan.
Arsitektur operational database, datawarehouse, data mart, dan data mining yang
diusulkan terlihat pada gambar di bawah ini.
Gambar 4.1 Arsitektur Operational Database, Data Warehouse, Data Mart, dan Data
Mining yang Diusulkan
4.3
Pengenalan Sumber Data
Berikut ini adalah struktur skema bintang dari data mart penjualan yang akan
digunakan untuk proses data mining.
95
DimDate
DateKey
EnglishDayNameOfWeek
DayNumberOfWeek
DayNumberOfMonth
DimSalesPerson
DayNumberOfYear
SalesPersonKey
EnglishMonthName
SalesPersonNumber
MonthNumberOfYear
FirstName
CalendarYear
MiddleName
MaterialKey
LastName
MaterialNumber
Title
Division
HireDate
MaterialType
MaritalStatus
MaterialGroup
Gender
MaterialDescription
Phone
UnitOfMeasure
MobilePhone
BasePrice
StartDate
EndDate
DimMaterial
ListPrice
FactSales
DateKey
StartDate
EndDate
CustomerKey
SalesPersonKey
SalesOfficeKey
MaterialKey
SalesOrderNumber
DimCustomer
CustomerKey
CustomerNumber
CustomerGroup
DistributionChannel
Region
City
SalesOrderLineNumber
SalesQuantity
DimSalesOffice
SalesAmount
SalesOfficeKey
DiscountAmount
SalesOfficeName
Description
StartDate
EndDate
Address
SalesDistrict
Name
Phone
Fax
StartDate
EndDate
Gambar 4.2 Skema Bintang Data Mart Penjualan
96
Dari data mart penjualan tersebut, dapat dilihat tabel metadata sebagai berikut:
Tabel 4.2 Metadata Tabel Dimensi DimDate
Nama Field
Tipe Data
Ukuran
Int
-
Varchar
15
DayNumberOfWeek
Int
-
Urutan hari dalam 1 minggu
DayNumberOfMonth
Int
-
Tanggal
DayNumberOfYear
Int
-
Urutan hari dalam 1 tahun
EnglishMonthName
Varchar
15
MonthNumberOfYear
Int
-
Urutan bulan dalam 1 tahun
Quarter
Int
-
Urutan kuartal dalam tahun
berjalan
Varchar
4
Tahun
DateKey
EnglishDayNameOfWeek
CalendarYear
Keterangan
Surrogate Key untuk tabel
dimensi waktu
Nama hari
Nama bulan
Primary Key : DateKey
Foreign Key : Katerangan
:
Tabel dimensi ini menampilkan data mengenai keterangan waktu terjadinya transaksi
pada PT. Dos Ni Roha. Ada lima komponen waktu yang disimpan antara lain hari,
tanggal, bulan, kuartal, serta tahun yang berjalan. Tabel ini memiliki field DateKey
sebagai primary key.
97
Tabel 4.3 Metadata Tabel Dimensi DimCustomer
Nama Field
Tipe Data
Ukuran
Int
-
Surrogate Key untuk tabel
dimensi pelanggan
Char
6
Kode pelanggan
CustomerGroup
Varchar
30
Kategori kelompok pelanggan
DistributionChannel
Varchar
20
Jenis saluran distribusi
pelanggan
Region
Varchar
30
Wilayah propinsi pelanggan
City
Varchar
35
Kota lokasi pelanggan
Address
Varchar
150
Alamat pelanggan
SalesDistrict
Varchar
6
Kode area pelanggan
Name
Varchar
70
Nama pelanggan
Phone
Varchar
16
Nomor telepon
Fax
Varchar
16
Nomor faximile
StartDate
Datetime
-
Periode awal berlakunya record
EndDate
Datetime
-
Periode akhir berlakunya record
CustomerKey
CustomerNumber
Keterangan
Primary Key : CustomerKey
Foreign Key : Keterangan
:
Tabel dimensi ini menampilkan data pelanggan yang dimiliki oleh PT. Dos Ni Roha.
Atribut data yang disimpan tersebut meliputi grup customer, identitas customer, dan
lokasi, yang diperuntukan bagi pelanggan. Tabel ini memiliki field CustomerKey sebagai
primary key.
98
Tabel 4.4 Metadata Tabel Dimensi DimSalesPerson
Nama Field
Tipe Data
Ukuran
Int
-
Surrogate Key untuk tabel
dimensi sales person
Char
6
Kode sales person
FirstName
Varchar
35
Nama depan sales person
MiddleName
Varchar
35
Nama tengah sales person
LastName
Varchar
35
Nama belakang sales person
Title
Varchar
15
Gelar akademis sales person
HireDate
Datetime
-
Tanggal sales person mulai
bekerja
MaritalStatus
Char
1
Status menikah
Gender
Char
1
Jenis kelamin
Phone
Varchar
16
Nomor telepon
MobilePhone
Varchar
16
Nomor mobile phone
StartDate
Datetime
-
Periode awal berlakunya record
EndDate
Datetime
-
Periode akhir berlakunya record
SalesPersonKey
SalesPersonNumber
Keterangan
Primary Key : SalesPersonKey
Foreign Key : Keterangan
:
Tabel dimensi ini menampilkan data mengenai tenaga penjual (sales person) yang
dimiliki oleh PT. Dos Ni Roha. Atribut data yang disimpan tersebut meliputi deskripsi
umum dan keterangan awal waktu sales person mulai dipekerjakan. Tabel ini memiliki
field SalesPersonKey sebagai primary key.
99
Tabel 4.5 Metadata Tabel Dimensi DimSalesOffice
Nama Field
Tipe Data
Ukuran
Int
-
SalesOffice
Varchar
20
Nama kantor cabang
Description
Varchar
30
Deskripsi
StartDate
Datetime
-
Periode awal berlakunya record
EndDate
Datetime
-
Periode akhir berlakunya record
SalesOfficeKey
Keterangan
Surrogate Key untuk tabel
dimensi Sales Office
Primary Key : SalesOfficeKey
Foreign Key : Keterangan
:
Tabel dimensi menampilkan data mengenai setiap kantor cabang yang dimiliki oleh PT.
Dos Ni Roha. Tabel ini memiliki field SalesOfficeKey sebagai primary key.
Tabel 4.6 Metadata Tabel Dimensi DimMaterial
Nama Field
Tipe Data
Ukuran
Int
-
Surrogate Key untuk tabel
dimensi produk
Char
6
Kode produk
Division
Varchar
20
Kategori divisi yang menangani
produk
MaterialType
Varchar
20
Jenis produk
MaterialGroup
Varchar
9
Kategori kelompok produk
MaterialDescription
Varchar
40
Deskripsi produk
MaterialKey
MaterialNumber
Keterangan
100
UnitOfMeasure
Varchar
10
Satuan ukuran produk
BasePrice
Numeric
-
Harga dasar
ListPrice
Numeric
-
Harga jual
StartDate
Datetime
-
Periode awal berlakunya record
EndDate
Datetime
-
Periode akhir berlakunya record
Primary Key : MaterialKey
Foreign Key : Keterangan
:
Tabel ini menampilkan seluruh data mengenai produk milik para principal yang
didistribusikan oleh PT. Dos Ni Roha. Atribut data yang disimpan meliputi deskripsi
produk, harga yang didapatkan dari principal, serta harga jual ke konsumen. Tabel ini
memiliki field MaterialKey sebagai primary key.
Tabel 4.7 Metadata Tabel Dimensi FactSales
Nama Field
Tipe Data
Ukuran
Keterangan
DateKey
Int
-
Key Date
CustomerKey
Int
-
Key Customer
SalesPersonKey
Int
-
Key SalesPerson
SalesOfficeKey
Int
-
Key SalesOffice
MaterialKey
Int
-
Key Material
SalesOrderNumber
Char
10
Nomor penjualan
SalesOrderLineNumber
Char
10
Nomor detil penjualan
101
SalesQuantity
Numeric
-
Jumlah kuantitas penjualan
SalesAmount
Numeric
-
Jumlah nominal penjualan
DiscountAmount
Numeric
-
Jumlah nominal diskon
Primary Key : DateKey, CustomerKey, SalesPersonKey, SalesOfficeKey, MaterialKey,
S alesOrderNumber, SalesOrderLineNumber
Foreign Key : DateKey, CustomerKey, SalesPersonKey, SalesOfficeKey, MaterialKey
Keterangan
:
Tabel fakta ini menampilkan data mengenai transaksi-transaksi penjualan yang terjadi
pada PT. Dos Ni Roha. Pada tabel ini DateKey menjadi foreign key yang
menghubungkan tabel ini dengan tabel DimDate, CustomerKey menjadi foreign key
yang menghubungkan tabel ini dengan tabel DimCustomer, SalesPersonKey menjadi
foreign key yang menghubungkan tabel ini dengan tabel DimSalesPerson, SalesOffice
menjadi foreign key yang menghubungkan tabel ini dengan tabel DimSalesOffice, serta
MaterialKey menjadi foreign key yang menghubungkan tabel ini dengan tabel
DimMaterial
Berikut ini kesimpulan mengenai data yang ada di dalam tabel-tabel dimensi dan
fakta dalam data mart penjualan :
•
Tabel dimensi DimCustomer memuat data mengenai pelanggan yang dimiliki
perusahaan, dimana setiap record merupakan snapshot mengenai kondisi pelanggan
pada waktu tertentu.
•
Tabel dimensi DimSalesPerson memuat data mengenai salesperson yang dimiliki
perusahaan, dimana setiap record merupakan snapshot mengenai kondisi
salesperson pada waktu tertentu.
102
•
Tabel dimensi DimMaterial memuat data mengenai produk yang didistribusikan
perusahaan, dimana setiap record merupakan snapshot mengenai produk pada waktu
tertentu.
•
Tabel dimensi DimSalesOffice memuat data mengenai kantor cabang perusahaan,
dimana setiap record merupakan snapshot mengenai kantor cabang pada waktu
tertentu.
•
Tabel dimensi DimDate adalah tabel dimensi yang memuat keterangan waktu,
dimana setiap record merepresentasikan satu hari dalam sebuah periode waktu.
•
Tabel fakta FactSales memuat data mengenai transaksi penjualan kepada pelanggan,
dimana masing-masing record menggambarkan setiap detil dari transaksi penjualan.
4.4
Pembuatan Model Set
Setelah mendapatkan pemahaman mengenai data-data yang akan digunakan,
langkah selanjutnya yang harus dilakukan adalah mempersiapkan data-data sumber
tersebut untuk diproses. Persiapan yang harus dilakukan tersebut antara lain :
4.4.1
Pengubahan Bentuk data
Setiap jenis algoritma data mining membutuhkan masukan dari sumber data
untuk proses training model, yang disusun berdasarkan struktur format tertentu. Oleh
karena itu, pada tahap ini dilakukan pembentukan terhadap data sumber yang akan
digunakan. Berdasarkan jenis algoritma data mining yang telah dipilih, yaitu Microsoft
Association Rules, data masukan yang akan digunakan harus direpresentasikan ke dalam
bentuk case table dan nested table.
103
Gambar 4.3 Contoh Bentuk Nested Table
Case table yang akan dirancang berisikan atribut-atribut pelanggan yang
melakukan transaksi, sementara nested table memuat data tentang produk yang dibeli
pelanggan dalam transaksi.
Untuk membentuk data sumber sesuai dengan format yang dibutuhkan, dua buah
view atas data mart penjualan diperlukan. Berikut ini spesifikasi dari dua buah view
yang akan dibuat.
Tabel 4.8 Metadata View vCase
Nama Field
Field Sumber
Tabel
Sumber
Keterangan
CustomerGroup
CustomerGroup
DimCustomer
Kelompok kategori
pelanggan
Region
Region
DimCustomer
Wilayah propinsi
pelanggan
CustomerName
CustomerName
DimCustomer
Nama pelanggan
104
SalesOrderNumber SalesOrderNumber
FactSales
Nomor penjualan
(digunakan untuk
menghubungkan case table
dengan nested table)
Tabel 4.9 Metadata View vNested
Nama Field
Field Sumber
Tabel
Sumber
FactSales
Keterangan
Nomor penjualan
SalesOrderNumber
SalesOrderNumber
MaterialDescription
MaterialDescription DimMaterial Nama produk
Gambar 4.4 Hasil Tampilan Nested Table dari View yang Dibentuk
4.4.2
Menentukan Time Frame Data
Selain pembentukan data sesuai dengan struktur format yang dibutuhkan oleh
algoritma data mining, kriteria data yang akan digunakan untuk proses training model
berdasarkan periode waktu juga perlu ditentukan. Karena model data mining yang akan
105
dibuat bertujuan untuk memberikan gambaran mengenai pola perilaku pelanggan
berdasarkan kategori dan wilayah lokasi pelanggan pada waktu tertentu, batasan periode
waktu atas data yang akan digunakan ditentukan oleh user sendiri.
4.5
Perbaikan dan Transformasi Data
Tahap ini bertujuan untuk memperbaiki dan melakukan transformasi yang
diperlukan terhadap data agar mendapatkan bentuk dan kualitas data yang memadai
untuk digunakan dalam proses pembuatan model data mining. Namun, karena data yang
digunakan untuk membuat model data mining berasal dari data mart yang merupakan
bagian dari data warehouse, dimana sebelumnya sudah melewati proses pembersihan,
tahap ini tidak lagi diperlukan.
4.6
Pembuatan Model Data Mining
Pada tahap perancangan ini dilakukan pembuatan model data mining sesuai
dengan algoritma yang akan digunakan. Model yang akan dibuat bertujuan untuk
menunjukkan hubungan suatu produk dengan kemunculan produk lainnya berdasarkan
kondisi demografi serta kelompok pelanggan tertentu. Berikut ini spesifikasi dari
struktur model data mining yang akan dibangun dan parameter yang digunakan
106
Tabel 4.10 Spesifikasi Struktur Model Data Mining yang Dibangun
Nama Field
Key Input Predict
Content Type
Data Type
Keterangan
CustomerGroup
X
Discrete
Text
Digunakan sebagai masukan untuk memprediksi produk
CustomerName
X
Discrete
Text
Digunakan sebagai masukan untuk memprediksi produk
Region
X
Discrete
Text
Digunakan sebagai masukan untuk memprediksi produk
Key
Text
Field ini merupakan case key, diabaikan oleh algoritma
Key
Text
SalesOrderNumber
X
MaterialDescription
X
Merupakan target prediksi, namun juga digunakan
X
X
sebagai masukan untuk memprediksi produk lainnya
Tabel 4.11 Spesifikasi Parameter Model Data Mining yang Dibangun
Nama Parameter
Nilai Parameter
Keterangan
Minimum_Support
0,03
Persentase jumlah kemunculan minimal itemset untuk mendukung setiap pola aturan.
Minimum_Probability
0,4
Nilai probabilitas minimum dari setiap pola aturan
107
Parameter
minimum_support
menentukan
persentase
minimum
jumlah
kemunculan itemset untuk mendukung kemunculan suatu pola aturan. Parameter
minimum_probability menentukan nilai minimum probabilitas dari setiap pola untuk
diidentifikasi.
Nilai yang diberikan untuk kedua parameter tersebut harus disesuaikan dengan
jumlah data sumber yang digunakan untuk pemrosesan data mining. Berikut ini
beberapa ketentuan yang harus diperhatikan dalam menentukan nilai parameter
minimum_support :
•
Semakin kecil nilai support, semakin banyak kapasitas memory yang dibutuhkan dan
semakin lama waktu pemrosesan karena data yang terlibat dalam proses
pembentukan pola semakin banyak.
•
Semakin besar nilai support, semakin sedikit kapasitas memory yang dibutuhkan dan
semakin cepat pemrosesan, namun lebih sedikit pola aturan yang teridentifikasi
karena semakin sedikit data yang terlibat dalam pencarian pola.
Beberapa ketentuan yang harus diperhatikan dalam menentukan nilai parameter
minimum_probability, antara lain:
•
Semakin kecil nilai probability, semakin banyak rule yang tidak berguna akan
teridentifikasi dalam pemrosesan data, sehingga menyebabkan nilai probabilitas dari
setiap pola yang dihasilkan semakin rendah.
•
Semakin besar nilai probability, semakin sedikit rule yang tidak berguna akan
teridentifikasi dalam pemrosesan data, sehingga menyebabkan rule yang mungkin
berguna tidak teridentifikasi.
108
Untuk parameter minimum_support, nilai yang ditetapkan sebesar 0,03. Nilai ini
merupakan nilai default dari Microsoft SQL Server 2005, karena nilai ini telah teruji
sebagai nilai optimal untuk mendukung waktu pemrosesan data yang relatif cepat. Untuk
parameter minimum_probability, nilai yang ditetapkan sebesar 0,4, karena nilai ini
merupakan nilai default dari Microsoft SQL Server 2005, karena nilai ini telah teruji
sebagai nilai optimal untuk menghasilkan rule yang berguna.
Berikut ini query DMX yang dijalankan untuk pembuatan model data mining:
CREATE MINING MODEL [Model_Name]
(
Region TEXT DISCRETE,
CustomerGroup TEXT DISCRETE,
CustomerName TEXT DISCRETE,
SalesOrderNumber TEXT DISCRETE,
Purchases TABLE PREDICT
(
MaterialDescription TEXT KEY
)
) USING MICROSOFT_ASSOCIATION_RULES (MINIMUM_SUPPORT=0.03,
MINIMUM_PROBABILITY=0.4)
Berikut ini query DMX yang dijalankan untuk melakukan training terhadap
model yang telah dibentuk:
INSERT INTO [Model_Name]
(CustomerGroup, Region, CustomerName, SalesOrderNumber,
Purchases(SKIP, MaterialDescription))
SHAPE { OPENQUERY([Data_Source_Name],[Case_Table_Query]) }
APPEND
( { OPENQUERY([Data_Source_Name],[Nested_Table_Query]) }
RELATE SalesOrderNumber TO SalesOrderNUmber
) AS Purchases
109
Berikut ini contoh tampilan pola-pola yang dihasilkan dari model data mining
yang telah dibangun:
Gambar 4.5 Contoh Pola-Pola Aturan yang Dihasilkan Model Data Mining
4.7
Penerapan Model Data Mining
Pada tahap ini akan dilakukan perancangan aplikasi berbasiskan web yang dapat
digunakan oleh para eksekutif perusahaan untuk melihat pola-pola yang terdapat di
dalam model data mining. Aplikasi tersebut akan dirancang menggunakan Microsoft
ASP.NET dan komponen pendukung seperti Dundas Map for ASP.NET.
Perancangan aplikasi tersebut dilakukan dengan mempertimbangkan berbagai
faktor seperti kemudahan user dalam menggunakan aplikasi, serta tampilan yang bersifat
user friendly.
110
4.7.1
Use Case Diagram
Berikut ini diagram use case dari aplikasi berbasis web yang akan dirancang :
ud Use Case Admin
CRM Analytic Portal
Login
Create User
Account
Administrator
Change Password
Delete User
Account
Gambar 4.6 Use Case Diagram untuk Administrator
111
ud Use Case View3
CRM Analytic Portal
Change
Password
Login
Create Mining
Model
Train Mining Model
User
Delete Mining
Model
View Customer
Distribution
View Model By
Customer Group
View Model By
Customer Name
Make Prediction
Gambar 4.7 Use Case Diagram untuk User
112
4.7.2
Navigation Diagram
Berikut ini navigation diagram yang menggambarkan struktur alur tampilan
layar. Pada aplikasi berbasiskan web ini, digambarkan tiga buah diagram, yaitu
navigation diagram untuk menu utama, user, serta administrator.
Login
Klik Menu Login
Klik Menu Home
Home
Close Page
Open Page
About Us
Klik Menu About Us
Contact Us
Klik Menu Contact Us
Career
Klik Menu Career
Gambar 4.8 Navigation Diagram Menu Utama
113
114
Home
[Login Successful]
Klik Menu Logout
Create User
Klik Menu Create User
Change Password
Klik Menu Change
Password
Delete User
Klik Menu Delete User
Gambar 4.10 Navigation Diagram untuk Administrator
115
4.7.3
Rancangan Layar Aplikasi Web
Gambar 4.11 Rancangan Layar Halaman Home
Halaman ini merupakan halaman utama yang pertama kali akan muncul ketika
user mengakses aplikasi. Di halaman ini terdapat beberapa link, antara lain About Us
untuk melihat profil perusahaan, Contact Us untuk melihat daftar kontak dari setiap
cabang perusahaan, dan link Career untuk mengakses halaman informasi tentang
kesempatan karir. Pada halaman ini juga terdapat link untuk melakukan login. User
harus melakukan login terlebih dahulu untuk dapat mengakses halaman utama user.
116
Gambar 4.12 Rancangan Layar Halaman About Us
Halaman ini memuat informasi mengenai profil perusahaan secara umum. User
tidak perlu melakukan login untuk dapat mengakses halaman ini. Pada halaman ini juga
terdapat beberapa link untuk mengakses halaman utama, daftar kontak setiap kantor
cabang, dan kesempatan karir.
117
Gambar 4.13 Rancangan Layar Halaman Contact Us
Halaman ini memuat daftar kontak seluruh cabang perusahaan. User tidak perlu
melakukan login untuk dapat mengakses halaman ini. Pada halaman ini juga terdapat
beberapa link untuk mengakses halaman utama, profil perusahaan, dan kesempatan karir.
118
Gambar 4.14 Rancangan Layar Halaman Career
Halaman ini memuat informasi kontak ke bagian HRD perusahaan untuk
mencoba kesempatan berkarir. User tidak perlu melakukan login untuk dapat mengakses
halaman ini. Pada halaman ini juga terdapat beberapa link untuk mengakses halaman
utama, profil perusahaan, serta daftar kontak setiap kantor cabang.
119
Header
Home
About Us
Image
Contact Us
Career
UserId
xxxxx
Password
xxxxx
Login
Footer
Gambar 4.15 Rancangan Layar Halaman Login
Untuk dapat masuk ke halaman utama, user harus melakukan login terlebih
dahulu. Hal ini bertujuan supaya orang yang berkepentingan tidak dapat mengakses
aplikasi ini. Pada halaman ini user dapat melakukan login dengan memasukan userID
dan password yang dimilikinya untuk dilakukan validasi. Ada dua jenis user yang
menggunakan aplikasi ini, yaitu administrator dan user biasa. Apabila login berhasil,
user akan di-redirect ke halaman utama, tapi jika login tidak berhasil, pesan konfirmasi
yang menyatakan bahwa user tidak memiliki akses ke halaman utama akan muncul.
120
Header
Home
Customer Analysis
Prediction
Administration
Logout
20%
Map Control
20%
20%
Combo Model
xxxxx
20%
Combo Kategori
xxxxx
20%
Deskripsi
Footer
Gambar 4.16 Rancangan Layar Halaman Customer Distribution
Halaman ini memuat informasi mengenai persebaran pelanggan yang terdapat di
seluruh Indonesia. Di halaman ini terdapat sebuah combo model, dimana user dapat
memilih model yang telah dibuat sebelumnya sesuai dengan yang diinginkan. Setelah
memilih model, terdapat sebuah combo kategori dimana user dapat memilih kategori
pelanggan yang diinginkan untuk melihat persebarannya di seluruh Indonesia. Terdapat
juga kolom deskripsi yang berisi informasi mengenai pelanggan dipilih oleh user.
Setelah itu, sebuah peta Indonesia yang akan menampilkan persebaran pelanggan yang
dipilih user di berbagai daerah di seluruh Indonesia beserta dengan jumlahnya akan
muncul. Di samping peta tersebut juga ada sebuah diagram pie yang berisi informasi
121
perbandingan persebaran pelanggan di masing-masing daerah dalam bentuk persentase.
Apabila user menekan salah satu daerah di peta tersebut, user akan di-redirect ke
halaman Customer Group Details.
Header
Home
Customer Analysis
Image
Prediction
Administration
Old Password
xxxxx
New Password
xxxxx
Logout
Confirm Password xxxxx
Change
Password
Footer
Gambar 4.17 Rancangan Layar Halaman Change Password
Halaman ini digunakan untuk mengubah password user. User yang ingin
mengubah password-nya terlebih dahulu harus memasukkan password lamanya, setelah
itu user diminta untuk memasukkan password baru yang diinginkan sebanyak dua kali.
Setelah tombol Change Password ditekan, pengecekan apakah data yang dimasukkan
sudah benar atau belum akan dilakukan. Apabila password lama dan barunya telah diisi
dengan benar, password yang lama akan berubah menjadi password baru sesuai dengan
yang dimasukkan sebelumnya.
122
Header
Home
Customer Analysis
Image
Prediction
Administration
UserId
xxxxx
Password
xxxxx
User Type
Logout
Administrator
User
Create User
Footer
Gambar 4.18 Rancangan Layar Halaman Create User
Halaman ini digunakan untuk memasukkan user account baru. User terlebih
dahulu diminta untuk memasukkan User ID dan password yang diinginkan, serta
memilih User Type dimana terdapat dua pilihan, yaitu Administrator atau User. Setelah
tombol Create User ditekan, account user yang baru akan masuk ke dalam database,
sehingga user baru tersebut dapat melakukan login ke dalam aplikasi.
123
Gambar 4.19 Rancangan Layar Halaman Delete User
Halaman ini digunakan untuk menghapus account user yang ada. Di halaman ini
terdapat sebuah list yang berisi users yang sudah ada. Kemudian, admin akan diminta
untuk memilih user dari list tersebut yang akan dihapus. Apabila tombol Delete User
ditekan, user yang sudah dipilih tersebut akan dihapus dari list dan database, sehingga
user tersebut tidak memiliki hak lagi untuk mengakses aplikasi ini.
124
Gambar 4.20 Rancangan Layar Halaman Create Model
Halaman ini digunakan untuk membuat sebuah model baru yang akan digunakan
untuk training data. User akan diminta untuk memasukkan nama model dan periode
yang diinginkan. Setelah tombol Create Model ditekan, model baru yang akan
digunakan untuk training data sesuai dengan periode yang telah ditentukan akan
dihasilkan.
125
Gambar 4.21 Rancangan Layar Halaman Delete Model
Halaman ini digunakan untuk menghapus model-model yang telah dibuat
sebelumnya. Di halaman ini terdapat sebuah list yang berisi model-model yang sudah
ada sebelumnya. Kemudian, user akan diminta untuk memilih model yang terdapat di
dalam list tersebut yang ingin dihapus. Setelah tombol Delete Model ditekan, model
yang telah dipilih dari list tersebut akan dihapus dari list dan database, sehingga model
tersebut tidak dapat digunakan lagi.
126
Header
Home
Customer Analysis
Prediction
Administration
Logout
Model A
Model B
Model C
Image
Available Model(s)
Training Data Period DD
MM
YYYY
until
DD
MM
YYYY
Train Model
Footer
Gambar 4.22 Rancangan Layar Halaman Train Model
Halaman ini digunakan untuk training model-model yang sudah dibuat
sebelumnya. Di halaman ini terdapat sebuah list yang berisi model-model yang sudah
ada. Kemudian, user akan diminta untuk memilih model yang ada di dalam list tersebut.
Setelah model dipilih, user diminta untuk memasukkan periode training data yang
diinginkan. Setelah tombol Train Model ditekan, model yang terpilih tersebut akan
berubah dengan periode yang baru.
127
Gambar 4.23 Rancangan Layar Halaman Customer Group Details
Halaman ini memuat informasi mengenai pelanggan berdasarkan kategorinya di
daerah tertentu yang dipilih melalui peta persebaran pelanggan yang terdapat di halaman
Customer Distribution. User dapat melakukan analisis terhadap perilaku pembelian
pelanggan berdasarkan kategorinya di daerah tersebut. User akan diminta untuk
memasukkan nilai–nilai Minimum Support, Minimum Probability, Minimum Importance,
dan Filter Rules yang diinginkan, serta user dapat memilih sorting data yang diinginkan.
Setelah tombol Refresh ditekan, akan muncul sebuah tabel di bawahnya yang berisi
informasi mengenai perilaku pembelian pelanggan berdasarkan kategorinya yang sesuai
dengan nilai-nilai yang telah dimasukkan sebelumnya.
128
Header
Home
Customer Analysis
Image
Prediction
Model
xxxxx
Region
xxxxx
Group
xxxxx
Name
xxxxx
Administration
Logout
Min Support
99
Sort By
xxxxx
Min Probability
99
Filter Rules
xxxxx
Min Importance
99
Leading
XXX
XXX
Refresh
Depending
Support
Probability
Importance
xxx
99
99
99
xxx
99
99
99
xxx
99
99
99
xxx
99
99
99
Footer
Gambar 4.24 Rancangan Halaman Customer Details
Halaman ini memuat informasi mengenai pelanggan secara individu di daerah
tertentu. User dapat melakukan analisis terhadap perilaku pembelian pelanggan secara
individu dengan memilih model, daerah, kategori, dan nama dari pelanggan yang
diinginkan. Setelah itu, user diminta untuk memasukkan nilai-nilai Minimum Support,
Minimum Probability, Minimum Importance, dan Filter Rules yang diinginkan, serta
user dapat memilih sorting data yang diinginkan. Setelah tombol Refresh ditekan,
sebuah tabel di bawah akan terisi. informasi mengenai perilaku pembelian pelanggan
tersebut yang sesuai dengan nilai-nilai yang telah dimasukkan sebelumnya.
129
Header
Home
Customer Analysis
Image
Prediction
Model
xxxxx
Region
xxxxx
Group
xxxxx
Name
xxxxx
Product Group
xxxxx
Administration
Product Name
Logout
Add
xxxxx
xxxxx
xxxxx
xxxxx
Item(s)
Predict
Product
Support
Probability
Adjusted Probablity
XXX
99
99
99
XXX
99
99
99
XXX
99
99
99
XXX
99
99
99
Footer
Gambar 4.25 Rancangan Halaman Prediction
Halaman ini memuat informasi mengenai prediksi kemungkinan produk yang
akan dibeli oleh pelanggan. User akan diminta untuk memasukkan model, daerah,
kategori, dan nama dari pelanggan yang diinginkan. Kemudian, user diminta untuk
memilih kategori produk yang diinginkan dari combo Product Group, serta memilih
nama-nama produk yang ingin diprediksi dari combo Product Name. Apabila tombol
Add ditekan, nama produk yang kita pilih akan masuk ke dalam list di bawahnya.
130
Setelah tombol Predict ditekan, sebuah tabel di bawahnya yang berisi informasi hasil
prediksi sesuai dengan produk-produk yang ada di dalam list di atasnya akan muncul.
4.7.4
Sequence Diagram
Berikut ini diagram sequence dari aplikasi berbasis web yang akan dirancang :
sd Login1
:AccountMgr
User
«asp page»
create
:Login
Entry UserID
Entry Password
Click Login Button
Validate(UserID,Password)
Gambar 4.26 Sequence Diagram Login
131
Gambar 4.27 Sequence Diagram Create User Account
132
sd Change Password
:AccountMgr
:User
«asp page»
Create
:Change Password
Entry Old Password
Entry New Password
Entry Confirmed New Password
Click Change Button
UpdatePassword(UserID,OldPassword,NewPassword)
Gambar 4.28 Sequence Diagram Change Password
133
Gambar 4.29 Sequence Diagram Delete User Account
Gambar 4.30 Sequence Diagram Create Mining Model
134
sd Train Mining Model
:MiningModelMgr
:User
«asp page»
Create
:Train Mining
Model
:List Model Name
Create
Get Model Name
Return
Choose Model Name
Select
Entry Date
Return
Click Train Button
Result= ValidateDate
[Result= True]: RemoveRulesFromModel(Model Name)
TrainModel
Gambar 4.31 Sequence Diagram Train Mining Model
135
sd Delete Mining Model
:MiningModelMgr
:User
«asp page»
Create
:Delete Mining
Model
:List Model Name
Create
Get Model Name
Return
Choose Model Name
Select
Return
Click Delete Button
DeleteModel(Model Name)
Gambar 4.32 Sequence Diagram Delete Mining Model
136
sd Make Prediction
:MiningModelMgr
:Customer
:Product
:User
Create
«asp page»
:Make Prediction
Create
:List Model Name
Get Model Name
Return
:List Cutomer
Name
Create
Get Customer Name
Return
:List Product
Group
Create
Get Product Group Name
Return
Create
:List Product
Name
Get Product Name
Return
:List Items
Create
Choose Model Name
Select
Return
Choose Region Name
Choose Group Name
Choose Customer Name
Select
Return
loop
Choose Product Group
Select
Return
Choose Product Name
Select
Return
Click Add Button
Add Item
Click Predict Button
GetPrediction(Model Name, Region Name,
Group Name, Customer Name, Product
Group, Product Name)
Return
Gambar 4.33 Sequence Diagram Make Prediction
137
sd View Customer Distribution
:MiningModelMgr
:User
«asp page»
Create
:Customer
Distribution
:List Model Name
Create
Get Model Name
Return
loop
Choose Model Name
Select
Return
Choose Category
Get Region Data(Model Name, Category Name)
Return
Refresh Map
Refresh Chart
Gambar 4.34 Sequence Diagram View Customer Distribution
138
sd View Model By Customer Name
:MiningModelMgr
:Customer
:User
«asp page»
Create
:Customer Details
:List Model Name
Create
Get Model Name
Return
:List Cutomer Name
Create
Get Customer Name(Region Name, Group Name)
Return
Choose Model Name
Select
Return
Choose Region Name
Choose Group Name
Choose Customer Name
Select
Return
Entry Min Support
Entry Min Probability
Entry Importance
Choose Sorting Criteria
Entry Filter Rules
Click Refresh Button
GetRulesFromCustomer(Model Name, Region Name, Group
Name, Customer Name, Min Support, Min Probability, Min
Importance, Sorting Criteria, Filter Rules)
Return
Gambar 4.35 Sequence Diagram View Model By Customer Name
139
sd View Model By Customer Group
:MiningModelMgr
:User
«asp page»
Create
:Customer Group
Details
GetRulesFromGroup(Region
Name, Group Name)
Entry Min Support
Entry Min Probability
Entry Importance
Choose Sorting Criteria
Entry Filter Rules
Click Refresh Button
GetRulesFromGroup(MinSupport,
MinProb, Importance,
SortingCriteria, Filter Rules)
Return
Gambar 4.36 Sequence Diagram View Model By Group
4.7.5
Kebutuhan Sumber Daya
Dalam mendukung perancangan aplikasi data mining berbasiskan web ini,
diperlukan dukungan sumber daya yang memadai untuk memastikan aplikasi ini
berfungsi secara optimal. Berikut ini diuraikan kebutuhan yang diperlukan baik dari segi
teknologi maupun personil yang dianggap memegang peranan penting.
140
4.7.5.1 Kebutuhan Perangkat Keras
Berikut ini adalah spesifikasi perangkat keras yang dibutuhkan sebagai persiapan
implementasi aplikasi yang akan dibangun.
Tabel 4.12 Spesifikasi Perangkat Keras yang Dibutuhkan di Komputer Server
Perangkat Keras
Processor
Kebutuhan
Intel Pentium III 600 MHz
( dianjurkan 1GHz atau lebih )
Memory (RAM)
512 MB ( dianjurkan 1GB atau lebih )
Harddisk space
80 GB atau lebih
Monitor
VGA dengan resolusi 800x600
Pointing device
Microsoft Mouse atau Compatible Mouse
CD ROM drive
Tidak ada spesifikasi khusus
Tabel 4.13 Spesifikasi Perangkat Keras yang Dibutuhkan di Komputer Client
Perangkat Keras
Kebutuhan
Processor
Intel Pentium II 500 MHz atau lebih tinggi
Memory (RAM)
128 MB atau lebih
Harddisk space
40 GB atau lebih
Monitor
VGA dengan resolusi 800x600
Pointing device
Microsoft Mouse atau Compatible Mouse
CD ROM drive
Tidak ada spesifikasi khusus
141
4.7.5.2 Kebutuhan Perangkat Lunak
Berikut ini adalah spesifikasi perangkat lunak yang dibutuhkan sebagai persiapan
implementasi aplikasi yang akan dibangun.
Tabel 4.14 Spesifikasi Perangkat Lunak yang Dibutuhkan di Komputer Server
Perangkat Lunak
Kebutuhan Minimum
Operating System
Windows 2000 Server SP 4
Database
SQL Server 2005 Enterprise dan Analysis Service
Tabel 4.15 Spesifikasi Perangkat Lunak yang Dibutuhkan di Komputer Client
Perangkat Lunak
Kebutuhan Minimum
Operating System
Windows XP Home Edition atau lebih tinggi
Application
Microsoft Internet Explorer 4.01 SP 2 atau lebih tinggi
(atau aplikasi browser lainnya)
4.7.5.3 Kebutuhan SDM
Dalam mengoperasikan aplikasi ini tidak diperlukan adanya tambahan personil
khusus sebagai end user, namun untuk pengembangan aplikasi dan pemeliharaannya,
diperlukan seorang Database Administrator (DBA) untuk melakukan maintenance basis
data yang merupakan fondasi aplikasi data mining.