BAB  I 

PENDAHULUAN

 

1.1  Latar Belakang

Seiring berjalannya waktu, perkembangan dan kemajuan infrastruktur di Indonesia dapat dikategorikan sangat pesat. Salah satu faktor pendukung utama adalah teknologi informasi. Teknologi informasi memudahkan pengguna dalam memperoleh informasi secara cepat dan akurat. Dengan kelebihan tersebut, teknologi informasi telah merambah dunia bisnis. Salah satu contoh nyata dari fenomena ini adalah bisnis kafe.

Saat ini, usaha kafe berkembang pesat di Indonesia. Hal ini dibuktikan dengan meningkatnya pembangunan kafe, karena kafe telah menjadi bagian dari gaya hidup masyarakat saat ini. Banyaknya kafe yang bermunculan memenuhi kebutuhan masyarakat, terutama di kalangan muda-mudi. Ditambah lagi, suasana kafe yang nyaman serta dilengkapi dengan fasilitas pendukung, seperti wifi gratis dan beragam sajian makanan, memberikan kesan positif bagi pelanggan.

Jakusong merupakan salah satu cafe yang terdapat di kota Rantauprapat dengan tempat yang strategis dan nyaman sehingga sering dikunjungi pelanggan. Dengan semakin banyaknya cafe yang bermunculan, persaingan menjadi semakin ketat. Untuk dapat bertahan dan memenangkan persaingan, pemilik cafe perlu memahami minat pelanggan terhadap produk makanan dan minuman yang dijual. Sehingga perlu dilakukan suatu strategi untuk memenangkan pasar khususnya pada penjualan produk di cafe jakusong ini. Dengan strategi yang bagus sebuah produk


akan terjual dengan cepat agar penjualan dapat meningkat, sehingga tercapai laba maksimum sebagaimana menjadi tujuan perusahaan.

Selama ini data transaksi penjualan pada cafe Jakusong hanya dimasukkan kedalam Basis Data dan tidak digunakan, membuat Memory Database semakin penuh. Jika sudah penuh maka data transaksi penjualan yang sudah lama dihapus  Padahal, data tersebut dapat dimanfaatkan dan diolah menjadi informasi yang berguna untuk peningkatan penjualan produk maupun inovasi produk. Dalam hal ini, analisi data transaksi perlu dilakukan untuk mendapatkan pola penjualan. Dengan adanya informasi mengenai pola penjualan, cafe Jakusong dapat mengetahui apa yang paling sering dibeli oleh pelanggan. Sehingga dari pola pesanan pelanggan juga, pengambilan keputusan bisa dilakukan oleh pihak cafe yang berhubungan dengan produk yang akan dijual.

Namun, menganalisis pola pesanan secara manual dapat menjadi tugas yang sulit dan memakan waktu, terutama jika cafe memiliki banyak transaksi setiap harinya. Oleh karena itu, dibutuhkan teknik yang efesien untuk mengekstraksi pola pesanan dari data transaksi dalam jumlah besar.

Dalam penelitian ini menggunakan Algoritma FP-Growth yaitu dengan memberikan hubungan antar item dalam data penjualan. Dalam hal ini adalah makanan dan minuman yang dipesan sehingga akan didapatkan pola pesanan pelanggan. Penerapan Algoritma FP-Growth, membantu dalam membentuk kandidat kombinasi item yang mungkin terjadi, kemudian dilakukan pengujian apakah kombinasi tersebut memenuhi minimum support dan minimum confidence yang merupakan nilai ambang batas yang diberikan oleh pengguna. Sehingga menghasilkan informasi yang nantinya dapat menjadi dasar pengambilan keputusan oleh pihak cafe Jakusong.

Terkadang hasil dari pengolahan data dengan cara sederhana tidak mendapatkan hasil yang efektif karena besarnya volume data yang diolah dan kesulitan untuk melihat asosiasi antara penjualan barang yang satu dengan yang lain. Dengan ini, perlu adanya suatu sistem yang dapat membantu secara cepat dan tepat. Pemanfaatan informasi dan pengetahuan yang terkandung dalam banyaknya data tersebut, sering disebut dengan data mining.

Data mining merupakan proses penggalian dan analisis data yang bertujuan untuk menemukan pola–pola tersembunyi, hubungan, atau informasi yang bermanfaat dari kumpulan data yang besar dan kompleks. Algoritma Frequent Pattern Growth (FP-Growth) merupakan salah satu alternatif algoritma yang digunakan untuk mencari himpunan data yang paling sering muncul (frequent itemset) dalam kumpulan data yang besar.. Algoritma FP-Growth menggunakan konsep pembangunan tree, yang biasa disebut FP-Tree (pohon keputusan) (Sry Rahayu Situmorang et al., n.d.).

Beberapa penelitian terdahulu yang melakukan hal serupa yaitu sebuah studi kasus yang dilakukan oleh (Novianda, Munawir dan Ezha Ardevita, 2023), yang membahas tentang penerapan metode frequent pattern growth pada Mulana caffe. Penelitian ini dilatar belakangi karena pada Mulana coffe tersebut terdapat berbagai macam variasi menu, sehingga membuat pelanggan bingung ketika akan membeli atau memilih menu yang tersedia. Oleh karena itu, dibutuhkan sebuah rekomendasi paket menu makanan dan minuman agar bermanfaat terutama untuk pelanggan yang baru pertama kali berkunjung ke coffee shop tersebut. Pada menelitian ini digunakan data transaksi sebanyak 5 menu yang merupakan hasil filter dari total transaksi selama tiga bulan. Hasil dari penelitian ini menggunakan nilai minimum support yaitu 50% dan nilai minimum confidence yaitu 80%, sehingga akan menghasilkan salah satu rules tertinggi pada 2-itemset yaitu pelanggan memesan lemon tea dan sager dengan confidence mencapai 98.9% dan pada 3-itemset yaitu pelanggan memesan lemon tea, sager dan indomie goreng dengan confidence yaitu 96,6%.

Sehingga berdasarkan dari uraian masalah dan penelitian terdahulu, maka penulis tertarik mengangkat judul penelitian : “Analisis Pola Pesanan Makanan dan Minuman di Cafe Jakusong Menggunakan Metode FP-Growth”.  

1.2 Identifikasi Masalah

Berdasarkan latar belakang masalah yang telah diuraikan di atas, maka identifikasi masalah yang dijadikan bahan penelitian yaitu sebagai berikut:

1.     Di cafe Jakusong Basis Data Pemesanan disimpan dan tidak digunakan, membuat memory Database semakin penuh.

2.     Pola pemesanan berkaitan dengan minat penggunjung cafe Jakusong.

3.     Analisis pola pemesanan dapat dilakukan dengan teknik Knowledge Discovery in Database.

1.3  Rumusan Masalah

Adapun rumusan masalah pada penelitian ini adalah sebagai berikut :

1.     Bagaimana Analisa pola pembelian yang sedang berlangsung.

2.     Bagaimana analisis pola pemesanan di cafe Jakusong menggunakan metode FP-Growth.

3.     Bagaimana evaluasi analisis pola pemesanan di cafe Jakusong metode FP-Growth menggunakan RapidMiner.

1.4  Batasan Masalah

Adapun batasan masalah pada penelitian ini adalah :

1.     Data yang digunakan adalah data transaksi penjualan selama 3 bulan yaitu pada bulan Januari, Februari dan Maret tahun 2024.

2.     Data yang digunakan adalah menu yang terjual setiap hari selama 3 bulan   tersebut.

3.     Data dikumpulkan dan diolah menggunakan Microsoft Excel.

4.     Tahapan pencarian hasil frequent itemset (association rule) akan dilakukan menggunakan RapidMiner.

1.5  Tujuan Penelitian

Berdasarkan perumusan masalah di atas, maka tujuan yang akan dicapai dalam penelitian ini adalah sebagai berikut :

1.     Menjelaskan pola pembelian yang sedang berlangsung.

2.     Menganalisis pola pemesanan di cafe Jakusong menggunakan metode FP-Growth.

3.     Mengevaluasi analisis pola pemesanan di cafe jakusong menggunakan metode FP-Growth menggunakan RapidMiner.

1.6  Manfaat Penelitian

Adapun manfaat penelitian yang dilakukan adalah :

1.     Dapat membantu cafe Jakusong untuk mengetahui kombinasi menu apa saja yang dibeli secara bersamaan oleh pelanggan dalam satu waktu.

2.     Dapat membantu pihak kafe untuk menentukan rekomendasi paket menu.

3.     Sebagai bahan informasi bagi peneliti untuk menambah keilmuan tentang algoritma fp-growth

1.7  Sistematika Penulisan

Adapun sistematika penulisan dalam penelitian ini adalah sebagai berikut:

 

BAB I : PENDAHULUAN

Pada bab ini berisi tentang latar belakang, identifikasi masalah, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian dan sistematika penulisan.

 

BAB II : LANDASAN TEORI

Bab ini berisikan teori yang berupa pengertian dan definisi yang diambil dari kutipan jurnal yang berkaitan dengan penyusunan laporan skripsi serta beberapa literature review yang berhubungan dengan penelitian.

 

BAB III : ANALISA MASALAH DAN PERANCANGAN SISTEM

Bab ini berisikan tahapan penelitian yang akan dilakukan mulai dari pengumpulan data, perancangan skema menggunakan flowchart analisis pola pembelian makanan dan minuman menggunakan metode FP-Growth.


 


BAB II

LANDASAN TEORI

 

2.1  Data Mining

Data mining adalah proses menemukan korelasi baru, pola dan tren dengan memilah sejumlah besar data yang disimpan dalam repositori, menggunakan teknologi pengenalan pola serta statistic dan teknik matematika. Data mining, sering disebut juga knowledge discovery in database (KDD), adalah kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar (Nurohim, 2022).

Data mining secara sederhana merupakan teknik menemukan pola yang berguna dalam data, ada beragam definisi dan kriteria untuk data mining. Data mining juga disebut sebagai penemuan pengetahuan, pembelajaran mesin, dan analisis prediktif (Tachi & Andri, 2021).

Dari definisi diatas dapat disimpulkan bahwa Data mining merupakan Teknik pengumpulan, pemakaian data dengan menggunakan statistik, machine learning dalam mengidentifikasi suatu informasi yang bermanfaat.

Data Mining merupakan metode untuk menemukan informasi tersembunyi dalam database dan bagian dari proses Knowledge Discovery in Databases (KDD) untuk menemukan informasi dan pola yang berguna dalam data. Secara umum, Data Mining dibagi menjadi dua kategori utama (Eka Pratiwi et al., 2022). Yaitu :

1.      Prediktif


Proses untuk menemukan karakteristik penting dari data dalam satu basis data. Teknik data mining yang termasuk descriptive mining adalah clustering, asosiation, dan sequential mining.

2.     Deskriptif

Proses untuk menemukan pola dari data dengan menggunakan beberapa variable lain di masa depan. Salah satu teknik yang terdapat dalam predictive mining   adalah klasifikasi. Secara sederhana data mining biasa dikatakan sebagai proses  penyaring atau “menambang” pengtahuan dari sejumlah data yang besar.

2.2.1 Knowledge Discovery in Database (KDD)

Knowledge Discovery in Database (KDD) yang semua prosesnya adalah kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dengan set data yang berukuran besar (Luki Hernando, 2019)

Proses dalam KDD adalah proses yang terdiri dari rangkaian proses iteratif sebagai berikut :

1.     Pembersihan Data (Data Cleaning)

Proses ini dapat digunakan untuk membuang atau menghilangkan noise yang bersifat tidak konsisten.

2.     Integrasi Data (Data Integration)

Proses ini digunakan untuk menggabungkan data dari sumber yang berbeda format maupun platform yang kemudaian dapat diintegrasikan dalam suatu database.

3.     Seleksi Data (Data Selection)

Data yang terdapat di dalam database kemudian diseleksi atau direduksi dengan berbagai teknik agar data yang diambil data yang relevan dengan tugas analis dari database.

4.     Transformasi Data (Data Transformation)

Proses ini bertugas mentransformasi atau menggabungkan data ke dalam bentuk yang sesuai untuk penggalian lewat operasi summary atau aggregation.

5.     Penambangan Data (Data Mining)

Data-data yang telah ada diseleksi atau ditransformasi ditimbang dengan berbagai teknik, proses esensial untuk mengekstrak pola dari data dengan metode cerdas.. Proses Data Mining merupakan proses mencari pola atau informasi menarik dalam data dengan menggunakan fungsi-fungsi tertentu.

6.     Evaluasi Pola dan Presentasi Pengetahuan (Pattern evaluation and Knowledge presentation)

Tahap ini merupakan bagian dari proses pencarian pengetahuan yang mencakup pemeriksaan pola-pola, apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesa yang sebelumnya.


 

 

2.2.2 Pengelompokkan Data Mining

Data mining dibagi menjadi 6 kelompok Adapun penjabarannya yaitu :

a.      Estimation (Estimasi)

Estimasi adalah teknik dimana satu-satunya cara untuk menentukan jumlah populasi adalah  dengan  menggunakan  data  historis  dari  masa  sebelumnya. Estimasi  dipakai jika atribut dan  classnya mempunyai type numeric.

b.     Forcasting (Peramalan)

Metode  yang  satu  ini  digunakan  untuk  memprediksi  masa  depan  berdasarkan  masalalu dan masa sekarang. Forcasting dipakai jika atribut dan classnya mempunyai type numeric dan memiliki time series.

c.      Clasification (Klasifikasi)

Teknik  penambangan  data  untuk  menganalisis  data  berdasarkan  korelasi  dan  sifatkarakter  relatif  terhadap  data  sampel.  Jika  atribut numerik  atau  nominal  tetapi kelasnya nominal, klasifikasi digunakan.

d.     Clustering (Klastering)

Clustering disebut juga sebagai segmentasi, clustering merupakan salah satu metode data mining berfungsi  untuk  mengidentifikasi  kelompok  dari  suatu  produk  atau barang yang memiliki karakteristik khusus. pada clustering tidak memiliki label dan atributnya bertype numeric.

e.      Association (Asosiasi)

Tujuan dari  metode  Association  yaitu mencari  gabungan item satau  produk yang kerap muncul secara bersamaan ataupun mengidentifikasi hubungan dari setiap data.

Jadi apa bila menerima  sebuah  dataset  (kumpulan  dari  banyak  data)  kemudian ingin melakukan pengelolahan data, maka langkah awal untuk menentukan metode dan algoritmanya  yaitu  dengan  menganalisis  karakteristik  data  tersebut berdasarkan  atribut dan classnya yang sesuai dengan ciri ciri dari setiap algoritma yang sudah dijelaskan diparagraf sebelumnya. Data yang dimaksud yaitu data yang terstruktur mempunyai barisdan kolom (Komariyah et al., 2023).

2.1.3       Association rule

Association rule merupakan suatu proses pada data mining untuk memenuhi syarat minimum support dan confidence pada sebuah database yang bertujuan untuk menemukan hubungan antar item dalam suatu kumpulan data (Sukma Maula et al., 2024).

Tujuan dari Assosiation rules adalah untuk menunjukkan nilai hubungan antara jenis produk  yang  dibeli  oleh  pelanggan  dan  memberikan kemampuan bagi mereka untuk mengamati pola dalam bentuk produk yang sering dibeli oleh pelanggan (Dewi & Suarna, 2024).

Analisis asosiasi atau association data mining merupakan salah satu metode dalam data mining untuk menemukan aturan asosiatif pada kombinasi item atau hubungan antar atribut. Analisis keranjang belanja atau association rule mining adalah salah satu metode data mining yang berfokus untuk menemukan pola pembelian dengan mengekstrak asosiasi atau data transaksi di sebuah toko. Analisis aturan asosiasi berguna untuk menemukan hubungan antar item dalam suatu data yang besar. Hubungan antar item yang ditemukan akan dipresentasikan dalam bentuk aturan asosiasi atau association rule atau set aturan yang sering muncul (Nurohim, 2022).

Ada dua pengukuran penting dalam metode asosiasi, yaitu support dan confidence, support dapat diartikan sebagai seberapa sering nilai X muncul terhadap keseluruhan baris data. Support dapat ditulis rumus berikut :

Support (X) =                                                                            (1)

Sementara nlai support untuk 2 item menggunakan rumus berikut :

Confidence (X→Y) =                                                             (2)

Sementara confidence dapat diartikan sebagai seberapa banyak transaksi yang berisikan X   Y terhadap keseluruan transaksi yang berisikan X. Confidence dapat ditulis dengan rumus berikut :

Confidence (X → Y) =                                                           (3)

Confidence merupakan ukuran kekuatan sebuah aturan asosiasi. Jika nilai confidance yang dihasilkan X → Y adalah 80%, maka artinya sebanyak 80% transaksi yang berisikan X maka akan berisikan juga Y.

Lift ratio dapat menjadi ukuran untuk menentukan validasi aturan asosiasi yang diperoleh melalui perbandingan antara rule confidence dan nilai Benchmark confidence. Benchmark confidence itu sendiri berupa perbandingan antara jumlah semua item yang menjadi konsekuen dari keseluruhan jumlah transaksi. Untuk menghitung nilai benchmark confidence digunakan rumus berikut: 

Benchmark =                                                                 (4)

Perhitungan yang digunakan pada persamaan benchmark sama dengan perhitungan nilai support, jadi bisa disimpulkan benchmark merupakan support dari produk konsekuen. Sementara itu, untuk menghitung nilai lift ratio menggunakan rumus berikut:

Lift Ratio =                                                   (5)

Aturan asosiasi dinyatakan valid jika nilai lift ratio lebih besar dari 1 dan semakin tinggi nilai lift ratio, maka aturan yang terbentuk akan semakin valid (Achmad et al., 2023).

Keterangan :

N                     : Jumlah seluruh transaksi

frq(X)              : Jumlah transaksi mengandung X

frq(Y)              : Jumlah transaksi mengandung Y

frq(X,Y)          : Jumlah transaksi mengandung X dan Y

2.2.4 Tujuan Data Mining

Tujuan dari data mining adalah untuk menemukan kebenaran atau kesimpulan yang dapat diperoleh melalui analisis data dengan tujuan mencari pola dan kesamaan dalam sekumpulan data yang telah dipilah dengan cermat. Terdapat beberapa tujuan utama dari data mining (Risqi Ananda et al., 2023) yaitu:

a.      Sebagai sarana untuk memberikan penjelasan (explanatory) terhadap suatu kondisi atau fenomena.

b.     Sebagai sarana untuk mengonfirmasi (confirmatory) suatu hipotesis atau asumsi melalui analisis data.

c.      Sebagai sarana untuk prediksi (predictive) suatu kejadian atau fenomena yang mungkin terjadi di masa depan melalui analisis data.

d.     Sebagai sarana preskriptif (prescriptive) untuk memberikan rekomendasi atau saran terhadap suatu kejadian atau fenomena yang terjadi.

2.2.5 Langkah – Langkah Proses Aturan Asosiasi

Aturan asosiasi terdiri dari beberapa tahap sebagai berikut (Mulya, 2019):

a.      Sistem men-scan database untuk mendapatkan kandidat 1-itemset (himpunan item yang terdiri dari 1 item) dan menghitung nilai supportnya. Kemudian nilai supportnya tersebut dibandingkan dengan minimum support yang telah ditentukan, jika nilainya lebih besar atau sama dengan minimum support maka itemset tersebut termasuk dalam large itemset.

b.     Itemset yang tidak termasuk dalam large itemset tidak diikutkan dalam iterasi selanjutnya (diprune).

c.       Pada iterasi kedua sistem akan menggunakan hasil large itemset pada iterasi pertama (L1) untuk membentuk kandidat itemset kedua (L2). Pada iterasi selanjutnya sistem akan menggunakan hasil large itemset pada iterasi selanjutnya akan menggunakan hasil itemset pada large iterasi sebelumnya (Lk-1) untuk membentuk kandidat itemset berikut (Lk). Sistem akan menggabungkan (join) Lk-1 dengan Lk-1 untuk mendapatkan Lk, seperti pada

iterasi sebelumnya sistem akan menghapus (prune) kombinasi itemset yang tidak termasuk dalam large itemset.

d.     Setelah dilakukan operasi join, maka pasangan itemset baru hasil proses join tersebut dihitung supportnya.

e.      Proses pembentuk kandidat yang terdiri dari proses join dan prune akan terus dilakukan hingga himpunan kandidat itemsetnya null, atau sudah tidak ada lagi kandidat yang akan dibentuk.

f.      Setelah itu, dari hasil frequent itemset tersebut dibentuk association rule yang memenuhi nilai support dan confidance yang telah ditentukan.

g.     Pada pembentukan association rule, nilai yang sama dianngap sebagai satu nilai.

h.     Association rule yang terbentuk harus memenuhi nilai minimum yang telah ditentukan.

i.       Untuk setiap large itemset L, kita cari himpunan bagian L yang tidak kosong. Untuk setiap himpunan bagian tersebut, dihasilkan rule dengan bentuk aB(L-a) jika supportnya (L) dan supportnya (a) lebih besar dari minimum support.

 

2.2  Algoritma FP-Growth

FP-Growth merupakan pengembangan dari algoritma Apriori. Sehingga kekurangan dari algoritma Apriori diperbaiki oleh algoritma FP-Growth. Frequent Pattern Growth (FP-Growth) adalah salah satu alternatif algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul (frequent itemset) dalam sebuah kumpulan data. Pada algoritma Apriori diperlukan generate candidate untuk mendapatkan frequent itemsets. Akan tetapi, di algoritma FP-Growth generate candidate tidak dilakukan karena FP-Growth menggunakan konsep pembangunan tree dalam pencarian frequent itemset. Hal tersebutlah yang menyebabkan algoritma FP-Growth lebih cepat dari algoritma Apriori (Sihombing et al., 2022).

Karakteristik algoritma FP-Growth adalah struktur data yang digunakan adalah tree yang disebut dengan FP-Tree. Dengan menggunakan FP-Tree, algoritma FP-Growth dapat langsung mengekstrak frequent Itemset dari FP-Tree Apriori (Sihombing et al., 2022).

 Untuk menentukan frequent Itemset pada data transaksi tersebut, dapat dilakukan langkah-langkah berikut ini  :

1.     Menentukan Minimum Support.

2.     Menentukan Header Frequent Itemset

3.     Membuat FP-Tree

4.     Membuat Conditional Pattern berdasarkan FP-Tree

5.     Menentukan Frequent Item-set

Setelah FP-Tree terbentuk, barulah melakukan tiga tahapan utama dalam algoritma FP-Growth (Wibowo & Jananto, 2020).

1.     Tahap Pembangkitan Conditional Pattern Base Conditional pattern base merupakan hasil dari lintasan FP-Tree yang terbentuk dengan mempertimbangkan item dengan support count terkecil atau anak root terakhir.

2.     Tahap Pembangkitan Conditional FP-Tree Pertama yang dilakukan pada tahap ini ialah menentukan minimum support. Selanjutnya, menjumlahkan support count setiap item pada conditional pattern base. Hasil penjumlahan yang memenuhi minimum support akan dibangkitkan kembali dengan conditional FP-Tree.

3.     Tahap Pembangkitan Frequent Itemset Frequent Itemset dibentuk berdasarkan kombinasi setiap item dalam FP-Tree berupa rule. Apabila dalam FP-Tree terdapat item yang sama pilih support count dengan nilai terkecil.

 

2.2.1  Struktur FP-Tree

FP-tree dibangun dengan memetakan setiap data transaksi kedalam setiap lintasan tertentu dalam FP-tree, karena dalam setiap transaksi yang dipetakan mungkin ada transaksi yang memiliki item yang sama, maka lintasannya memungkinkan untuk saling menimpa. Semakin banyak data transaksi yang memiliki item yang sama, maka proses pemampatan dengan struktur data FP-tree semakin efektif. Kelebihan dari FP-tree adalah hanya memerlukan dua kali pemindaian data transaksi yang terbukti sangat efisien (Munanda & Monalisa, 2021).

2.3  Flowchart

Flowchart atau sering disebut dengan diagram alir merupakan suatu jenis diagram yang merepresentasikan algoritma atau langkah-langkah instruksi yang berurutan dalam sistem. seorang analis sistem menggunakan flowchart sebagai bukti dokumentasi untuk menjelaskan gambaran logis sebuah sistem yang akan dibangun kepada programmer. Dengan begitu, flowchart dapat membantu untuk memberikan solusi terhadap masalah yang bisa saja terjadi dalam membangun sistem. Pada dasarnya, flowchart digambarkan dengan menggunakan simbol-simbol. Setiap simbol mewakili suatu proses tertentu. Sedangkan untuk menghubungkan satu proses ke proses selanjutnya digambarkan dengan menggunakan garis penghubung. Dengan adanya flowchart, setiap urutan proses dapat digambarkan menjadi lebih jelas. Selain itu, ketika ada penambahan proses baru dapat dilakukan dengan mudah menggunakan flowchart ini. Setelah proses membuat flowchart selesai, maka giliran programmer yang akan menerjemahkan desain logis tersebut kedalam bentuk program dengan berbagai bahasa pemrograman yang telah disepakati (Rosaly et al., n.d., 2019).

Tabel 2.1. Simbol-simbol Flowchart

 

No

Simbol

Nama

Fungsi Simbol

1.

 

 

Terminal

Simbol untuk permulaan atau akhir darti suatu program.

2.

 

 

 

 

 

Output/Input

Simbol yang menyatakan proses input dan output tanpa tergantung dengan jenis peralatannya.

3.

 

 

 

Process

Simbol yang menunjukkan pengolahan yang dilakukan Komputer.

4.

 

 

 

Decision

Simbol untuk kondisi yang akan menghasilkan beberapa kemungkinan jawaban / aksi.

5.

 

 

Connector

Simbol keluar / masuk prosedur atau proses dalam lembar / halaman yang sama.

6.

 

Offline Connector

 Simbol keluar / masuk prosedur 

 atau proses dalam lembar /

 halaman yang lain.

7.

 

 

 

 

Predefined Process

 Simbol untuk mempersiapkan

 penyimpanan yang akan

 digunakan sebagai tempat.

 pengolahan didalam storage.

8.

 

 

Manual Input

 Simbol untuk pemasukan 

 data secara manual on-line

 keyboard.

9.

 

            

        

 

Disk and On-line Storage

 Simbol      untuk     menyatakan

 input berasal dari disk atau

 output di simpan ke disk.

 

10.

 

       

 

     Document

 Simbol yang menyatakan  

 input berasal dari dokumen

 dalam bentuk kertas atau

 output di cetak dikertas.

11.

 

 

Arus/Flow

 Penghubung antara prosedur /  

 Proses.

Sumber (Wandi Al-hafiz et al., n.d., 2020)

2.4  Rapidminer

Rapidminer merupakan aplikasi yang berfungsi sebagai sarana pembelajaran dalam ilmu data mining dan dikembangkan oleh perusahaan yang ahli dalam berbagai tahapan data besar seperti bisnis komersial, penelitian, pendidikan, dan pembelajaran. Rapidminer memiliki beragam solusi pembelajaran termasuk pengelompokan, klasifikasi, asosiasi, dan analisis regresi (Sukma Maula et al., 2024).

Tools yang relevan digunakan terkait penelitian yang berhubungan dengan data mining ialah RapidMiner. RapidMiner merupakan software open source dengan tampilan UI/UX yang mudah dipahami oleh banyak kalangan. RapidMiner termasuk perangkat lunak open source, dirancang menggunakan program Java dengan lisensi GNU Public LIcense serta perangkat ini juga dapat dioperasikan di berbagai sistem operasi. RapidMiner bisa dimanfaatkan dalam berbagai konteks, baik dalam lingkup bisnis dan komersial maupun untuk keperluan penelitian, pendidikan, pelatihan, pengembangan prototipe yang cepat, dan pembangunan aplikasi. Alat ini juga dapat mendukung semua aspek dari proses pembelajaran matematika, mulai dari pengumpulan data hingga visualisasi hasil, serta validasi dan optimalisasi (Destriyanah et al., 2024).

 

 

 

 

2.5  Penelitian terdahulu

Penelitian sebelumnya merupakan usaha peneliti untuk melakukan perbandingan dan menemukan inspirasi baru untuk penelitian selanjutnya, antara lain:

Tabel 2.2. Penelitian Terdahu

No.

Nama

Tahun

Judul

Metode

Penelitian

Kesimpulan

1.

Lilis Sry Rahayu Situmorang, Meri Sri Wahyuni, M.Syaifuddin

2022

Implementasi Metode Fp-Growth Dalam Menganalisa Pola Penjualan

Obat Pada Apotek

Metode Fp-Growth

proses penjualan di Apotek Pelita 3 masih bersifat manual yaitu dengan cara tulis tangan, sehingga pihak apotek masih sulit dalam

mendapatkan informasi data pola penjualan obat.

Salah satu teknik dalam data mining yang dapat dilakukan untuk mengetahui pola penjualan yaitu dengan aturan assosiasi metode Fp-Growth. Hasil dari penelitian ini yaitu berupa sistem yang dapat mempermudah pihak Apotek Pelita 3 dalam menentukan pola penjualan obat dengan cepat dan tepat menggunakan Fp-Growth.

2.

Lusi Suryadi,

Ngajiyanto,

Novia Eka Pratiwi,

Ferly Ardhy,

Pakartika Riswanto

2022

Penerapan Data  Mining Prediksi Penjualan Mebel Terlaris

Menggunakan Metode  K-Neartest Neighbor (K-NN)

(Studi Kasus : Toko zerita Meubel)

Metode  K-Neartest Neighbor (K-NN)

Penelitian ini menghasilkan sebuah sistem

algoritma k nearest neighbor pada teknik data mining yang membantu untuk memprediksi

penjualan produk telaris pada toko Zerita Meubel.

KNN dapat menprosedur yang berbasis matematis untuk mengevaluasi penjualan meuble toko

Zerita untuk menjadi sebuah keterangan klasifikasi.

 

3.

Riska Destriyanah,

Kaslani, Edi Wahyudin,

Gifthera Dwilestari,

Mulyawan

2024

 

Penerapan Algoritma FP-Growth Untuk  Menentukan Pola

Pembelian Makanan di

Warmindo

Algoritma FP-Growth

Pada penelitian ini ditemukan beberapa hasil

aturan asosiasi yang nantinya akan digunakan sebagai bahan pengambilan keputusan untuk kemajuan Perusahaan

dan mendatangkan laba atau keuntungan. Hasil dari penelitian ini berupa aturan asosiasi menggunakan algoritma

FP-Growth yang bertujuan untuk memberikan rekomendasi dua items atau menu kepada pelanggan dengan

menggunakan nilai minimum support 30% dan minimum confidence 80% .

 

4.

Alexander Radityo Wibowo, Arief Jananto

2020

Implementasi Data Mining Metode  Asosiasi Algoritma

FP-Growth Pada Perusahan Ritel

Algoritma

FP-Growth

Metodologi yang digunakan untuk

pemecahan masalah dalam penelitian ini adalah CRISP-DM (CRoss-Industry Standard Process

for Data Mining). Dan menggunakan teknik data mining association.

Dari hasil

penelitian, perhitungan menggunakan algoritma FP-Growth dengan parameter minimum

support 0.04 dan confidence 0.2 secara manual dan menggunakan tools Rstudio untuk 100

transaksi pertama telah menghasilkan rule asosiasi yang sama.

 

5.

Intan Sukma Maula, Edi Wahyudin, Edi Tohidi, Kaslani, Tati Suprapti

2023

Analisis Pola Penjualan Batik Pekalongan Menggunakan

Algoritma FP-Growth

Algoritma FP-Growth

penelitian ini bertujuan untuk

mendapatkan pola pembelian konsumen terhadap jenis produk batik menggunakan algoritma FP-Growth untuk

menentukan himpunan data yang sering muncul (frequent itemset) dalam dataset. Berdasarkan hasil pengujian,

diperoleh 12 aturan asosiasi (Association rules) yang terbentuk dengan nilai minimum support = 0.01, minimum

confidence = 0.8, dan lift = 1.0. Dengan aturan tersebut, penelitian ini menghasilkan implikasi yang signifikan

terhadap pola pembelian konsumen, meningkatkan strategi pemasaran, dan membantu dalam pengelolaan

inventaris serta pengambilan keputusan berdasarkan data yang tersedia.

 

 

 BAB III

ANALISA MASALAH DAN PERANCANGAN SISTEM

 

3.1 Sejarah Singkat Perusahaan

            Cafe Jakusong merupakan salah satu cafe yang terletak di Jl. Ksatria, Rantauprapat, Kec. Rantau Utara, Kab. Labuhanbatu, Sumatera Utara menyediakan berbagai jenis makanan dan minuman dengan harga yang terjangkau. Dengan fasilitas cafe Jakusong yang free wifi, parkir yang luas, serta tersediaan nya pilihan tempat baik in door maupun out door membuat cafe Jakusong menjadi tempat sasaran dari berbagai kalangan dan usia.

            Cafe Jakusong berdiri sejak tahun 2020 didirikan oleh Ahmad Khairi Simangunsong awalnya cafe ini bernama “Jakumen” yang berarti jajanan kuliner medan. Seiring berjalannya waktu, setelah berjalan kurang lebih 6 bulan cafe ini berganti nama menjadi “Jakusong” yang berarti jajanan kuliner by simangunsong. Alasan mengganti nama karena ada arti dan singkatan yang kurang sesuai dari sebelum nya.

            Cafe Jakusong buka setiap hari dari pukul 10.00 sampai dengan pukul 24.00 dapat digunakan untuk rapat, perayaan ulang tahun dan juga acara-acara lainnya. Target cafe Jakusong adalah masyarakat dengan tingkat ekonemi menengah namun


tidak menutup kemungkinan bagi kalangan atas untuk melakukan pembelian di Cafe Jakusong.

3.2  Visi dan Misi Perusahaan

1.     Visi

Menjadikan Cafe Jakusong sebagai tempat dan rasa untuk dikenang bagi para pelanggan, yang memiliki cita rasa tersendiri dengan memberikan pelayanan yang terbaik

2.     Misi

a.      Berkomitmen untuk membentuk tim yang solid yang dapat melayani secara professional serta mempunyai etika bisnis yang baik

b.     Menyajikan menu-menu terbaik yang dinikmati para pelanggan

c.      Menyediakan tempat yang sejuk dan nyaman sehingga menjadikan restoran sebagai pilihan utama

 

3.3  Stuktur Organisasi

Struktur Organisasi adalah satu susunan dan hubungan antara tiap bagian serta posisi yang ada pada suatu organisasi atau perusahaan dalam menjalankan kegiatan operasional untuk mencapai suatu tujuan. Untuk memberikan arah dan pembagian tanggung jawab yang jelas dalam  pengelolaan  usaha  cafe, maka Cafe Jakusong membangun  struktur  organisasi  sebagai berikut :

Waiters

Kasir

Owner

Chef

Barista

Gambar 3.1 Struktur Organisasi Cafe Jakusong

3.4  Tugas dan Tanggung Jawab Bagian Organisasi

1.     Owner

Tugas Owner

a.      Membuat keputusan strategis

b.     Mengawasi seluruh operasi cafe

c.      Mengelolah keuangan, anggaran dan pengeluaran

d.     Merekrut dan melatih staf

e.      Menangani masalah pelanggan

f.      Melakukan invetarisasi dan memesan barang

2.     Barista

Tugas Barista

a.      Menyiapkan dan menyajikan kopi dan minuman lainnya

b.     Menjaga kebersihan dan keteraturan area keja

c.      Mengelola peralatan kopi

3.     Chef

Tugas Chef

a.      Menyiapkan bahan makanan

b.     Memasak dan menyiapkan makanan

c.      Menjaga kebersihan dapur

d.     Bertanggung jawab dengan kualitas bahan baku

4.     Waiters

Tugas Waiters

a.      Mengambil pesanan dari pelanggan

b.     Menyajikan makanan dan minuman ke meja pelanggan

c.      Membersihkan meja dan area pelanggan

d.     Memberikan layanan pelanggan yang rama

5.     Kasir

Tugas Kasir

a.      Mengelola transaksi penjualan

b.     Menyediakan struk pembayaran

c.      Mengelola laci kas dan laporan penjualan harian

d.     Menjawab pertanyaan pelanggan mengenai menu dan harga

 

 

 

3.5 Teknik Pengumpulan Data

Teknik pengumpulan data yang digunakan dalam penelitian ini adalah:

1.     Studi Literatur

Studi literatur yaitu studi yang dilakukan peneliti dalam mencari teori-teori yang bersangkutan dengan suatu penelitian yang dilakukan. Seperti teori-teori data mining, teori algoritma fp-growth , ataupun teori-teori yang bersangkutan lainnya yang mencakup penelaahan buku, artikel jurnal, laporan penelitian, disertasi, tesis, dan sumber-sumber informasi lainnya yang tersedia secara publik maupun dari database ilmiah.

2.     Wawancara

Wawancara dengan Pemilik/Owner dari Cafe Jakusong yaitu Ahmad Khairi Simangunsong. Dalam tahap ini, menjelaskan tentang proses bagaimana untuk mengetahui menu makanan dan minuman apa saja yang harus disiapkan lebih banyak untuk membuat menu makanan dan minuman yang paling sering dibeli oleh konsumen.

3.     Proses Data Mining

Pada tahap ini ialah memilih teknik data mining yang akan digunakan. Pada penelitian ini teknik data mining yang digunakan adalah teknik asosiasi. Pemodelan bertujuan untuk mencari aturan asosiasi, nantinya aturan asosiasi tersebut digunakan sebagai titik acuan untuk menentukan kombinasi item menu makanan dan minuman

3.6 Algoritma FP-Growth untuk pola pemesanan pada xyz

Pada penelitian ini akan dibahas bagaimana pencarian frequent itemset menggunakan algoritma FP-Growth. FP-Tree digunakan bersamaan dengan algoritma FP-Growth untuk menentukan frequent itemset (data yang paling sering muncul) dari sebuah dataset. Untuk menentukan frequent itemset pada data transaksi tersebut, dapat digambarkan dalam blok diagram sebagai berikut:

 

Pembentukan Fp-tree

 

 

Menentukan Header Frequent Itemset

Membuat Conditional Pattern Berdasarkan Fp-tree

Menghasilkan Frequent Itemset

Menentukan Minimum Support & Confidence

 

Dataset

 

Gambar 3.1 Blok Diagram Algoritma FP-Growth

1.     Dataset dalam konteks algoritma FP-Growth adalah sekumpulan data transaksi yang berisi item-item yang dibeli bersama-sama dalam setiap transaksi.

2.     Menentukan nilai minimum support dan confidence adalah langkah penting dalam algoritma FP-Growth dan algoritma asosiasi lainnya untuk mengekstraksi aturan asosiasi yang bermanfaat dari dataset transaksi. Minimum Support merupakan ambang batas minimum jumlah itemset yang diperbolehkan, jika jumlah item-nya di bawah ambang batas maka item tersebut akan dieliminasi.

3.     Menentukan Header Frequent Itemset  adalah langkah penting dalam algoritma FP-Growth untuk membangun struktur data FP-Tree. Header table (header frequent itemset) membantu mengorganisir item-item yang sering muncul dan memfasilitasi pencarian jalur dalam FP-Tree.

4.     FP-tree dibentuk oleh sebuah akar yang diberi label null, sekumpulan pohon yang beranggotakan item-item tertentu dan sebuah tabel frequent header.

5.     Conditional pattern base (basis pola kondisional) adalah subset dari FP-Tree yang digunakan untuk menambang frequent itemset bersyarat. Untuk setiap item yang sering muncul, kita membangun conditional pattern base, yang merupakan kumpulan jalur (path) dalam FP-Tree yang mengandung item tersebut. Dari conditional pattern base ini, kita kemudian membangun conditional FP-Tree.

6.     Menentukan frequent itemset, dihasilkan dari aturan asosiasi yang memenuhi nilai minimum support.

 

 

3.7 Pemodelan

Pada penelitian ini akan dilakukan pemodelan menggunakan algoritma Fp-Growth untuk pengolahan pola penjualan. Teknik data mining yang dipilih dalam penelitian ini adalah teknik asosiasi. Proses pemodelan memiliki tujuan yaitu mencari aturan asosiasi, yang mana aturan asosiasi nantinya dijadikan tolak ukur untuk melihat beberapa kombinasi item makanan dan minuman yang paling sering dibeli oleh konsumen. Hal tersebut dapat mempermudah pihak kafe untuk membuat keputusan bisnis lainnya seperti membuat rekomendasi paket menu. Adapun langkah-langkah pembentukan model data mining dengan algoritma Fp-Growth adalah :

1.     Menentukan data yang akan diproses. Data yang di uji adalah data transaksi penjualan menu makanan dan minuman di cafe Jakusong pada bulan Januari, Februari dan Maret 2024.

2.     Menentukan minimum support dan minimum confidence.

 

3.8 Pengujian

Pengujian dilakukan untuk mengetahui hasil perhitungan yang dianalisa dan untuk mengetahui apakah fungsi bekerja dengan baik atau tidak. Setelah data dihitung secara manual, kemudian data diuji menggunakan tools RapidMiner untuk menghasilkan apakah hasil perhitungan manual dengan hasil yang diperoleh Rapidminer sama atau tidak.

 

 


Post a Comment

Lebih baru Lebih lama