BAB II LANDASAN TEORI
2.1
Tinjauan Pustaka Edi
Pranoto(2007)
membuat
aplikasi
sequential
association data mining dengan algoritma generalized sequential pattern. Tujuan dari pembuatan aplikasi ini adalah
membangun
transaksi membantu
suatu
menjadi pelaku
aplikasi
suatu
bisnis
untuk
informasi
dalam
mengolah
sehingga
pengambilan
data dapat
keputusan,
antara lain mengatur tata letak barang dagangan atau penyediaan paket terhadap pasangan barang dagangan yang paling
jarang
dipergunakan
dibeli dalam
oleh
customer.
aplikasi
ini
Metode
adalah
yang metoda
Sequential Association Data Mining, yang menggunakan algoritma Generalized Sequential Pattern. Hasil dari aplikasi ini adalah suatu informasi yang berguna bagi pelaku bisnis, mengenai pasangan item apa saja yang paling banyak dibeli oleh customer dalam kurun waktu tertentu. Dari telah
penelitian
dibuat,
maka
dan
pembangunan
penulis
akan
aplikasi
mencoba
yang
membangun
aplikasi sequential association data mining terhadap data
sekuensial
perpustakaan
sirkulasi
dengan
algoritma
peminjaman
buku
generalized
di
sequential
pattern. Tujuan dari pembangunan aplikasi ini adalah Menggali
informasi
dari
perpustakaan
database
Universitas Atma Jaya yang ada untuk mengetahui pattern asosiasi sekuensial antar item buku berdasarkan data sequential dipergunakan
transaksi dalam
peminjaman aplikasi
buku. ini
Metode
adalah
yang metoda
Sequential Association Data Mining, yang menggunakan 8
algoritma Generalized Sequential Pattern. Hasil dari aplikasi ini adalah
suatu informasi mengenai relasi
antar item buku yang biasa dipinjam secara bersamaan atau
berurutan
informasi
ini
oleh dapat
anggota
perpustakaan,
membantu
pemimpin
dimana
perpustakaan
dalam pengambilan keputusan, salah satunya keputusan pembelian
buku
baru.
Aplikasi
ini
di
bangun
dengan
Microsoft visual c#.net 2005, menggunakan database sQL server 2000.
2.2
Sistem Informasi Perkembangan teknologi informasi yang sudah sangat
maju
sampai
saat
perkembangan
ini
sistem
sangat
berpengaruh
informasi
yang
terhadap
ada.
Sistem
informasi menjadi salah satu kunci sukses dari berbagai organisasi/perusahaan aktivitasnya. (information informasi
untuk
Dampak
positif
menjadi
dari
adalah
technology)
yang
melakukan
tulung
berbagai
perkembangan proses
punggung
data
dunia
IT dan
bisnis
dapat dilakukan dengan cepat, akurat dan tepat waktu. Sedangkan
dampak
negatifnya
akan
timbul
kejahatan
penyelewengan dari penggunaan perangkat keras tersebut. Terlepas dari semua itu, kemajuan teknologi yang dapat mendukung
pengolahan
persaingan
dunia
informasi
bisnis
dan
menjadi ekonomi
alat yang
pemicu semakin
kompetitif. Pada
masa-masa
sekarang
informasi
dilakukan
dengan
ini,
bantuan
untuk
pengolahan
komputer.
Alasan
utama mengapa organisasi membutuhkan sitem informasii yang
baik
dengan
bantuan
komputer
(Computer
Based
Information System) adalah menerima data dari berbagai
9
sumber dari dalam maupun dari luar organisasi (sebagai input), mengolah data untuk menghasilkan informasi, dan memberikan informasi bagi pihak yang berkepentingan. Sistem Informasi merupakan hal yang sangat penting bagi suatu manajemen di dalam pengambilan keputusan. Untuk
memahami
arti
dari
sistem
informasi,
terlebih
dahulu kita harus menngerti dua kata yang menyusunnya yaitu sistem dan informasi. Kata sistem didefinisikan sebagai kumpulan elemen-elemen yang berinteraksi untuk mencapai tujuan tertentu sedangkan kata informasi itu sendiri didefinisikan sebagai data yang diolah menjadi bentuk yang lebih berguna dan lebih berarti bagi yang menerimanya. Pengertian sistem informasi tidak bisa dilepaskan dari
pengertian
sistem
dan
informasi.
Secara
lugas
sistem informasi didefinisikan sebagai kumpulan orang, prosedur, hardware, software yang saling berinteraksi untuk memberikan suatu pelayanan informasi bagi user. Informasi
juga
meliputi
data
atau
sumber
daya
yang
tersedia dalam suatu organisasi/perusahaan yang dapat mempengaruhi hasil kinerja bagian-bagian atau elemenelemen yang ada dalam organisasi/perusahaan. Sistem
Informasi
(SI)
didefinisikan
sebagai
kumpulan elemen yang saling berhubungan satu sama lain yang membentuk satu kesatuan untuk mengintegrasikan , memproses, informasi
dan
menyimpan
(Oetomo,
merupakan berinteraksi
kesatuan secara
2002).
serta
mendistribusikann
Dengan
elemen-elemen sistematis
dan
kata
lain,
yang teratur
SI
saling untuk
menciptakan dan membentuk aliran informasi yang akan
10
mendukung
pembuatan
keputusan
dan
melakukan
kontrol
terhadap jalannya perusahaan. John Burch dan Gary Grudnitski dalam bukunya yang berjudul
“Information
mengemukakan
bahwa
System
sistem
Theory
informasi
and
Practice”
sendiri
terdiri
dari komponen-komponen yang disebut dengan istilah blok bangunan (building Block), yaitu : 1. Blok masukan(input block) Input
mewakili
data
yang
masuk
ke
dalam
sistem informasi. Input disini termasuk metodemetode dan media yang menangkap data yang akan dimasukkan,
yang
dapat
berupa
dokumen-dokumen
dasar. 2. Blok model (model block) Proses/Model adalah sebentuk abstraksi atau representasi merupakan
dari
bentuk
realita.
Proses
penyedarhanaan
nyata/kenyataan.
Proses
biasanya
dari
hal
yang
atau
model
diklasifikasikan ke dalam berbagai cara, misalnya: 1) Model
Prosedural,
pernyataan bersifat yang
deklaratif.
action
harus
adalah Setiap
oriented
diambil
seperangkat
dan
pernyataan
yang
berisi
aksi
sebuah
objek
yang
dikenai aksi. 2) Model
Logika,
model
logika
hal
mendasar
adalah
yang
ada
aturan/rule.
pada
Sebuah
aturan mengandung kondisi yang harus diuji, dan bergantung kepada hasil kondisi. Sebuah aturan
juga
mengandung
diambil.
11
aksi
yang
harus
3) Model
Matematika,
adalah
representasi
kuantitatif realita. 3. Blok keluaran (output block) Produk dari sistem informasi adalah keluaran yang
merupakan
dokumentasi
informasi
yang
berguna
yang
berkulitas
untuk
semua
dan
tingkah
manajeme serta semua pemakai sistem. 4. Blok teknologi (technology block) Teknologi merupakan “kotak alat” dalam sistem informasi.
Teknologi
digunakan
untuk
input, menjalankan model, menyimpan
menerima
dan mengakses
data, menghasilkan dan mengirimkan keluaran dan membantu
pengendalian
dari
sitem
secara
keseluruhan. Teknologi terdiri dari 3 bagian utama yaitu
teknisi
(brainware),
perangkat
keras
(Hardware) dan perangkat lunak (software). 5. Blok basis data (database block) Merupakan
kumpulan
dari
data
yang
saling
berhubungan satu dengan yang lainnya, tersimpan di dalam perangkat keras komputer dan digunakan perangkat lunak untuk memanipulasinya. Data perlu disimpan
didalam
basis
data
untuk
keperluan
penyediaan informasi lebih lanjut. Data didalam basis data perlu diorganisasikan sedemikian rupa, supaya informasi yang dihasilkan berkualitas. Organisasi basis data yang baik juga berguna untuk efisiensi kapasitas penyipanannya. Basis
data
diakses
atau
dimanipulasi
dengan
menggunakan perangkat lunak yang disebut dengan DBMS (Database Management System).
12
6. Blok kendali (control block) Banyak
hal
yang
dapat
merusak
sistem
innformasi, seperti misalnya bencana alam, api, temperatur,
air
debu,
kecurangan-kecurangan,
kegagalan sistem, ketidak-efisienan, sabotase dan lain
sebagainya.
Beberapa
pengendalian
perlu
dirancang dan diterapkan untuk meyakinkan bahwa hal-hal yang dapat merusak sistem dapat dicegah ataupun langsung
bila
terlanjur
diatasi
terjadi
(John
Burch;
kesalahan
dapat
Grudnitski
dalam
Hartono,2005). Sebagai suatu sistem, keenam blok tersebut masingmasing
saling
membentuk
berinteraksi
satu
kesatuan
satu
untuk
dengan
yang
mencapai
lainnya
sasarannya.
Sistem informasi dapat juga didefinisikan sebagai suatu himpunan
orang-orang,
data,
proses
(procedure)
yang
berinteraksi untuk mendukung operesi, management dan informasi
pembuat
informasi
bagi
keputusan pengendali
yang
akan
keputusan
memberikan atau
mengendalikan organisasi. 2.2.1
Jenis-jenis Sistem Informasi
Gambar 2.1 bagian-bagian Sistem Informasi (sumber : Kadir,2003)
13
untul
Sistem informasi dikembangkan untuk tujuan yang berbeda-beda, tergantung pada kebutuhan bisnis. Sistem informasi dapat dibagi menjadi beberapa bagian : 1. Transaction Processing Systems (TPS) TPS
adalah
sistem
informasi
yang
terkomputerisasi yang dikembangkan untuk memproses data
dalam
jumlah
besar
untuk
transaksi
bisnis
rutin seperti daftar gaji dan inventarisasi. TPS berfungsi pada level organisasi yang memungkinkan organisasi
bisa
eksternal.
Data
berinteraksi yang
dengan
dihasilkan
lingkungan
oleh
TPS
dapat
dilihat atau digunakan oleh manajer. 2. Office Automation Systems (OAS) dan Knowledge Work Systems (KWS) OAS dan KWS bekerja pada level knowledge. OAS mendukung
pekerja
menciptakan
data,
yang
pengetahuan
menganalisis
informasi
mentransformasikan
data
baru
biasanya
tidak
melainkan
hanya
sedemikian atau
rupa
untuk
memanipulasikannya
dengan cara-cara tertentu sebelum menyebarkannya secara keseluruhan dengan organisasi dan kadangkadang diluar organisasi. Aspek-aspek OAS seperti word
processing,
scheduling,
dan
spreadsheets,
komunikasi
melalui
electronic voice
mail,
email dan video conferencing. KWS seperti membantu
mendukung ilmuwan,
para insinyur
menciptakan
memungkinkan
mereka
pekerja dan
profesional
doktor
pengetahuan
dengan
baru
mengkontribusikannya
organisasi atau masyarakat. 3. Management Information Sistem (MIS)
14
dan ke
MIS tidak menggantikan TPS , tetapi mendukung spektrum luas
tugas-tugas
dari
TPS,
organisasional
termasuk
analisis
yang
lebih
keputusan
dan
pembuat keputusan. MIS menghasilkan informasi yang digunakan untuk membuat keputusan, dan juga dapat membatu
menyatukan
beberapa
fungsi
informasi
bisnis yang sudah terkomputerisasi (basis data). Sering
disebut
sistem
peringatan
manajemen
(management alerting system) – Haag, 2000; atau sistem pelaporan manajemen (management reporting system) – Zwass, 1998. 4. Decision Support Systems (DSS) DSS hampir sama dengan MIS karena menggunakan basis data sebagai sumber data. DSS bermula dari MIS
karena
pembuat
menekankan
keputusan
pada
fungsi
diseluruh
mendukung
tahap-tahapnya,
meskipun keputusan aktual tetap wewenang eksklusif pembuat keputusan. Dalam DDS terdapat tiga tujuan yang harus di capai yaitu : 9 Membantu manajer dalam pembuatan keputusan untuk memecahkan masalah semiterstruktur. 9 Mendukung keputusan manajer, dan bukannya mengubah atau mengganti keputusan tersebut. 9 Meningkatkan pembuatan
efektivitas keputusan,
menajer dan
dalam
bukannya
peningkatan efisiensi. Tujuan dasar
dari
ini
berkaitan
konsep
DSS,
dengan
yaitu
tiga
struktur
prinsip masalah,
dukungan keputusan, dan efektivitas keputusan.
15
5. Executive Information Systems (EIS) Executive
Information
(EIS)
System
atau
disebut juga sebagai Executive Support System (ESS) adalah sistem berbasis komputer yang interaktif, yang memungkinkan pihak eksekutif untuk mengakses data
dan
informasi,
sehingga
pengidentifikasian
dapat
masalah,
dilakukan
pengeksplorasian
solusi, dan menjadi dasar dalam proses perencanaan yang sifatnya strategis. EIS
mengintegrasikan
data
yang
berasal
dari
sumber data internal maupun eksternal, kemudian melakukan
transformasi
rangkuman
laporan
yang
biasanya
digunakan
eksekutif
untuk
yang
berasal
data
dalam
berguna.
oleh
secara
seluruh
bentuk
Laporan
manajer
mengakses dari
ke
dan
cepat
ini level
laporan
perusahaan
dan
departemen, sehingga dapat diperoleh pengetahuan yang
berguna
bagi
pihak
eksekutif.
Laporan
ini
digunakan untuk menemukan alternatif solusi untuk menekan
permasalahan
manajerial
dan
membuat
perencanaan keputusan untuk perusahaan. 2.3
Data Mining Alasan utama mengapa data mining menarik perhatian
banyak
pihak
yang
bergerak
di
bidang
teknologi
informasi beberapa tahun belakangan ini adalah adanya ketersediaan
data
sekaligus
juga
tersebut
menjadi
Informasi digunakan
adanya
dan dan
dalam
jumlah
kebutuhan
informasi
pengetahuan di
aplikasikan
16
luar
biasa
untuk
yang
besarnya
mengolah
lebih
data
berguna.
yang
diperoleh
dalam
berbagai
dapat bidang,
mulai
dari
manajemen
bisnis,
kontrol
produksi,
dan
sampai kepada analisa pasar. Data evolusi
dapat
mining
teknologi
collection, (termasuk
dikatakan
informasi
database
transaction
mulai
dari
processing),
hasil
dari
sistem
data
data
creation, dan
storage
sebagai
management
retrieval
dan
dan
analysis
data
database and
understanding. Situasi
dimana
tersedianya
data
dalam
jumlah
banyak dan sekaligus juga kebutuhan akan alat analisa data yang memadai dideskripsikan juga sebagai data rich but
information
poor
situation
(data
tersedia
dalam
jumlah yang banyak tapi tanpa informasi yang cukup). Kecepatan
berkembangnya
pengumpulan
dan
penyimpanan data dalam jumlah yang luar biasa banyaknya mengakibatkan
data
tersebut
menjadi
sulit
untuk
dianalisa oleh seorang manusia tanpa bantuan alat bantu yang dapat meng-extract informasi penting yang terkubur di
sejumlah
besar
data
yang
tersedia
yang
dapat
menyebabkan seringkali keputusan-keputusan penting yang diambil
pun
dibuat
tidak
berdasarkan
informasi
yang
didapatkan dari data yang ada, melainkan berdasarkan intuisi
pengambil
keputusan
terjadi
dikarenakan
para
semata,
pengambil
hal
ini
keputusan
sering tidak
memiliki tools yang memadai untuk melakukan pencarian informasi yang akurat dari data yang tersedia. Program
data
mining
melakukan
analisa
data
dan
dapat menemukan informasi penting mengenai pola data, dapat memberikan kontribusi besar-besaran pada strategi bisnis,
knowledge
base,
dan
medical.
17
penelitian
serta
riset
2.4
Definisi Data Mining Data
mengandung
mining
arti
proses
menggali
(mining) pengetahuan / knowledge dari sejumlah besar data,
data
seringkali
mining
disebut
juga
dengan
knowledge mining from databases, knowledge extraction, data/
pattern
analysis,
data
archeology,
dan
data
dredging. Selain itu data mining juga sering digunakan oleh
banyak
orang
sebagai
synonim
dari
Knowledge
Discovery in Databases atau KDD. (Hand, 2001). Teknik
analisa
data
diorentasikan
untuk
dalam
sebanyak
jumlah
dapat
pada
mining
mengerjakan
mungkin,
data
dengan
umumnya yang
tujuan
ada
mining
terhadap data tersebut dapat menghasilkan keputusan dan kesimpulan yang terjamin keakuratannya. Arsitektur utama dari sebuah sistem data mining pada umumnya mengandung unsur-unsur sebagai berikut: 1. Database,
atau
datawarehouse,
media
penyimpanan
informasi : media dalam hal ini bisa jadi berupa data
database, jenis-jenis
warehouse,
penampungan
spreadsheets,
informasi
lainnya.
atau Data
cleaning dan data integration dapat dilakukan pada data tersebut. 2. Database
atau
data
warehouse
:
server
database
atau datawarehouse server bertaggung jawab untuk menyediakan
data
yang
relevan
berdasarkan
permintaan dari user pengguna data mining. 3. Data yang
mining
engine,
menjalankan
yaitu
program
bagian
dari
berdasarkan
software algoritma
yang ada. 4. Pattern
evaluation
module,
yaitu
bagian
dari
software yang berfungsi untuk menemukan pattern
18
atau
pola-pola
yang
terdapat
di
dalam
database
yang diolah sehingga nantinya proses datamining dapat menemukan knowledge yang sesuai. 5. Graphical user interface : bagian ini merupakan sarana antara user dan sistem data mining untuk berkomunikasi, dengan
sistem
dimana
dapat
user
melalui
data
mining
berinteraksi untuk
query,
menyediakan informasi yang dapat membantu dalam pencarian knowledge. Lebih jauh lagi, bagian ini mengijinkan
user
untuk
melakukan
browsing
pada
database dan data warehouse, mengevaluasi pattern yang telah di hasilkan, dan menampilkan pattern tersebut dengan tampilan yang berbeda-beda. Suatu
sistem
data
mining
yang
baik,
seharusnya
dibangun dengan algoritma yang baik, terstruktur, cepat, dan
juga
dapat
menangani
data
dalam
jumlah
besar,
sehingga ketika menangani suatu database dengan ukuran besar
maupun
kecil,
running
time-nya
pun
akan
berkembang secara proporsional. Dengan melakukan data mining, knowledge yang menarik, high level information dapat di extract dari database atau ditampilkan dari berbagai sudut pandang. Data mining pada umumnya bisa dilakukan terhadap segala macam data yang tersimpan baik pada relational database, dataware house, transactional databases, dan tidak tertutup kemungkinan pada sebuah sistem database pada
internet,
seperti
misalnya:
transaksi online.
19
mining
informasi
2.5
Tahapan-Tahapan Data Mining Tahapan-tahapan
pemrosesan
raw
pada
data
data
atau
mining
data
mentah
dimulai
dari
sampai
pada
penyaringan hingga ditemukannya knowledge (Han 2001), dijabarkan sebagai berikut :
Gambar 2.2. Tahap-tahapan dalam data mining (sumber : Han 2001)
1. Selection, data
yaitu
proses
berdasarkan
memilih
beberapa
dan
memisahkan
kriteria,
misalnya
berdasarkan kota tempat tinggal konsumen. 2. Preprocessing,
yaitu
mempersiapkan
data,
dengan
cara membersihkan data, informasi atau field yang tidak dibutuhkan, yang jika dibiarkan hanya akan memperlambat proses query, misalnya nama pelanggan jika Selain
kita itu
penyeragaman
sudah
mengetahui
juga,
di
format
terhadap
kode
tahap
pelanggannya. ini
data
dilakukan yang
tidak
konsisten, misalnya pada suatu field dari suatu tabel, data jenis kelamin diinputkan dengan "L" atau "P", sedangkan pada tabel yang lain, data tersebut diinputkan sebagai "P" atau "W".
20
3. Transformation, dan
select langsung
data
yang
telah
pre-processing digunakan,
melalui
tidak
tapi
proses
begitu
saja
ditransformasikan
terlebih dahulu ke bentuk yang lebih navigable dan useable,
misalnya
dengan
menambahan
fiefd-field
tertentu yang bersifat demografi, seperti propinsi, kota,
atau
informasi
apapun
yang
biasanya
digunakan pada riset pemasaran. 4. Data
tahap
mining,
ini
dipusatkan
untuk
mendapatkan pola dari data (extraction of data). 5. Interpretation
and
evaluation
dalam
proses
ini
pattern atau pola-pola yang telah diidentifikasi oleh
sistem
kemudian
diterjemahkan
/
diinterpretasikan ke dalam bentuk knowledge yang lebih mudah dimengerti oleh user untuk membantu pengambilan
keputusan,
misalnya
menunjukan
item
yang saling berasosiasi melalui grafik atau bentuk lain yang lebih mudah dimengerti. Pada umumnya, data mining dapat digunakan untuk menganalisa
dan
menemukan
empat
tipe
relasi
berikut
(Palace, 1996): 1. Classes, data yang tersedia dapat digunakan untuk menemukan hubungan dari beberapa hal yang ingin diketahui. Sebagai contoh, sebuah restoran dapat melakukan mining terhadap data penjualannya selama periode-periode
tertentu,
untuk
menemukan
kapan
restoran tersebut menerima kunjungan paling banyak dan kunjungan paling sedikit, setelah menemukan restoran
mungkin
dapat
menawarkan
paket-paket
istimewa, mugkin harga makanan dengan harga yang
21
lebih
rendah
pada
jam-jam
sepi
untuk
menarik
pelanggan lebih banyak lagi pada jam-jam tersebut sehingga
nantinya
dapat
meningkatkan
penjualan
dari restoran tersebut secara keseluruhan. 2. Clusters, data item dapat dikelompokan / dipecahpecah kedalam beberapa grup, berdasarkan syarat yang sudah ditentukan. Misalnya data mining dapat langsung
mencari
dan
mengelompokan
konsumen
di
daerah yang mana saja yang mempunyai daya beli tinggi dan yang mana memiliki daya beli rendah. 3. Associations, data dapat di mine untuk menemukan item-item
apa
saja
yang
dibeli
konsumen
yang
saling berasosiasi. Misalnya bila seorang konsumen membeli
kacang
ternyata
konsumen
tersebut
juga
membeli pisang atau minuman kaleng. 4. Sequential
data
patterns,
dapat
di
mine
untuk
menemukan "patterns and trends" yaitu pola belanja konsumen
dan
juga
trend
yang
terjadi
secara
berurutan. Sebagai contoh konsumen yang membeli sebuah
computer
bisa
diperkirakan
akan
membeli
juga software -software game maupun installer. 2.6
Sequential Pattern Seperti yang lelah disebutkan sebelumnya, bahwa
sequential pattern mencari dan menemukan hubungan antar item yang ada pada suatu dataset. Program data mining dengan sequential pattern bertujuan menemukan informasi item-item yang saling berhubungan dalam bentuk rule, dengan
demikian
diterapkan
pada
sequential mining
pattern
sequential
1995).
22
paling
pattern
tepat
(agrawal,
2.6.1
Konsep Dasar Sequential Pattern Inputan datanya merupakan sekumpulan sequence yang
disebut
Setiap
data-sequences.
data
sequential
merupakan suatu daftar dari transaksi-transaksi, dimana setiap
transaksi
setiap
transaksi
transaksinya. dari
suatu
adalah
merupakan
diasosiasikan
Suatu
daftar
untuk
sequential-pattern dari
sekumpulan
menemukan
minimum
support
support
dari
sekumpulan
ditentukan
sebuah
sequential
Umumnya
dengan
waktu
juga
terdiri
item.
sequential
yang
item.
Masalahnya dengan
pattern
oleh
dimana
user,
pattern
merupakan
persentase dari data-sequences yang mengandung suatu pola tertentu. Sebagai contoh: pada database dari suatu perpustakaan
/
peminjaman
buku,
masing-masing
data-
sequences mungkin berkoresponden kepada semua pilihan buku dari seorang customer dan masing-masing transaksi buku-buku yang dipilih oleh customer dalam satu order. Sebuah
sequential
dapat
pattern
menjadi
"5%
dari
customer membeli “Foundation” kemudian “Foundation and Empire” dan kemudian “Second Foundation”. Sebuah data sequential menghubungkan seorang customer yang membeli beberapa buku lainnya dimana termasuk diantara bukubuku yang terdiri dari suatu pola sequential tertentu; Data sequential mungkin juga memiliki buku-buku yang lain dalam transaksi yang sama sebagai salah satu bukubuku dalam pola tersebut. Bagian-bagian dari sequential pattern dapat merupakan sekumpulan dari item sebagai contohnya:
dan
"Foundation"
"Ringworla"
diikuti
kemudian dengan "Foundation and Empire" dan “Ringworld Engineers"
dan
kemudian
diikuti
oleh
"Second
Foundation". Bagaimanapun juga, semua item dalam sebuah
23
bagian dari suatu pola sequential harus terdapat dalam sebuah transaksi untuk data sequential untuk mendukung pola tersebut. Untuk mudahnya dapat diasumsikan bahwa tidak
ada
transaksi
memiliki
lebih
dari
satu
transaksi
yang
sama,
dan
data-sequence dengan
waktu
menggunakan waktu transaksi sebagai pengenal transaksi tersebut Dan dalam hal ini kuantitas dari suatu item dalam sebuah transaksi tidak diperhitungkan. 2.6.2
Algoritma Generalized Sequential Pattern(GSP) Struktur
dasar
dari
algoritma
GSP
yaitu
untuk
menemukan pola sequential. Algoritma GSP ini, melakukan multiple
passes
melalui
data
yang
ada(kumar,
2006).
Fase pertama menentukan support dari masing-masing item yang
mana
termasuk
merupakan item-item
nomor
dari
tersebut
data-sequences
pada
akhir
dari
yang fase
pertama, algoritma ini akan mengetahui atau mendapatkan item
mana
memenuhi
yang
akan
minimum
menjadi
yaitu
frequent,
support.
Masing-masing
yang item
menghasilkan sebuah frequent sequence yang pertama yang terdiri dari item lersebut. Masing-masing subsequence pada setiap fase pada awalnya dimulai dengan sekumpulan calon candidat: suatu frequent-sequence yang ditemukan atau dihasilkan pada fase sebelumnya. Sekumpulan calon candidat tersebut digunakan untuk menghasilkan frequent sequences baru yang berpotensial, yang disebut candidat sequences.
Masing-masing
candidat-sequence
memiliki
lebih dari satu item daripada calon sequence; sehingga semua
candidate
memiliki
item
sequences
dengan
nomor
dalam yang
suatu sama.
fase
Support
akan dari
candidate sequences ini ditemukan selama proses melalui
24
data yang ada. Pada akhir dari fase tersebut, algoritma akan menghasilkan yang mana candidate sequences yang termasuk
dalam
Dimana
frequent.
frequent
candidate
tersebut menjadi calon candidat untuk fase selanjutnya. Dimana
algoritma
tersebut
berakhir
ketika
tidak
ditemukan lagi frequent sequences pada akhir suatu fase, atau ketika Sidak ada lagi candidate sequences yang dihasilkan. Terdapat 2 langkah utama dalam algoritma ini, yaitu candidate generation dan support counting. 2.6.2.1
Candidate Generation
Candidate-candidate tersebut dihasilkan melalui 2 langkah : 1. Join Phase. Dimana candidate sequence dihasilkan dengan
melakukan
antara
L
k −1
proses
dengan
join
dirinya
atau
penggabungan
sendiri.
Sekumpulan
candidate yang dihasilkan dalam proses join ini nantinya akan dinotasikan dalam Ck. Dimana aturan dari fase join ini adalah setiap candidate yang dihasilkan tidak boleh mengandung candidate yang kembar antara satu dengan yang lainnya. 2. Prune
Fase
Phase.
candidate support definisi,
sequence yang
ini yang
telah
semua
melakukan tidak
memenuhi
ditentukan.
candidate
penghapusan
yang
minimum
Berdasarkan
memiliki
jumlah
support yang lebih besar sama dengan dari minimum support yang telah ditentukan disebut frequent, yang
artinya
menjadi candidate
Lk
juga Dimana
dengan
memenuhi Ck
jumlah
syarat
dapat yang
juga sangat
untuk
masuk
mengandung besar
yang
berarti juga akan menyebabkan proses penghitungan
25
Ck selanjutnya akan berjalan sangat lambat. Untuk mengurangi jumlah candidate Ck maka semua Itemset yang tidak frequent tidak mungkin dapat menjadi subset dari frequent k-itemset. Oleh karena itu jika ada sebuah subset dari candidate k-itemset yang tidak termasuk dalam L k −1 maka candidate tidak mungkin frequent juga dan oleh karena itu dapat dihapus dari ck. 2.6.2.2
Counting Candidates
Sementara ada,
juga
melakukan proses melalui data yang
dilakukan
penambahan
jumlah
dari
support
candidate yang termasuk dalam data-sequences. Misalnya, diberikan sekumpulan candidate sequences C dan datasedquence d, disini yang perlu ditemukan adalah semua sequence pada C yang termasuk di dalam d. Berikut adalah algoritma GSP yang akan digunakan untuk menemukan frequent itemset. Dimana output yang akan
dihasilkan
itemset
yang
oleh
memenuhi
program
adalah
minimum
semua
support.
frequent
Adapun
input
yang harus disediakan oleh user antara lain untuk dapat mencapai output yang diinginkan adalah database dari suatu transaksi serta minimum suppot yang ditentukan langsung oleh user. Berikut akan diberikan penjelasan lebih
lanjut
melalui
untuk
menemukan
contoh
sequential
pemakaian pattern.
algoritma Contoh
GSP
berikut
adalah merupakan database transaksi dari sebuah toko buku
dimana
setiap
transaksi
menunjukkan
item
dibeli oleh konsumen dalam suatu waktu tertentu.
26
yang
Tabel 2.1. Tabel contoh data
Dari data pada label 2.1., didapatkan 8 item (A s/d H), 4 customer dan 10 transaksi, dengan diberikan minimum support 50% atau 2 orang customer maka akan diperoleh frequent sequences seperti dibawah ini : F
= {( A)[4], ( B)[4], ( D)[2], ( F )[4]}
F2
= {( AB )[3], ( AF )[3], ( B → A)[2], ( BF )[4], ( D → A)[2],
1
( D → B )[2], ( D → F )[2], ( F → A), [2]} F3
= {( ABF )[3], ( BF → A)[2], ( D → BF )[2], ( D → B → A)[2],
( D → F → A)[2]} F4 = {( D → BF → A)[2]} Dari suatu data sequential di atas dapat digunakan untuk menghasilkan suatu rule yang menjelaskan relasi antara item yang berbeda, sebagai contohnya : transaksi (BF)
terdapat
pada
4
customer
,
sementara
(ABF)
terdapat pada 3 customer. Maka dapat dikatakan bahwa (BF) → (BFA) memiliki confidence 75%. Contoh lainnya yaitu rule (D→BF) → (D→BF→A) memiliki 100% confidence.
27
2.6.3
Confidence Setelah rule frequent itemset telah ditemukan atau
dihasilkan,
maka
akan
dilakukan
proses
untuk
menghasilkan rule yang memenuhi baik minimum confidence, maupun
minimum
support.
Dimana
proses
penghitungan
confidence dilakukan sebagai berikut :
Ket : Algoritma Rule Generation
dimana support _count dari frequent sequence (ABF) adalah semua subsequences dan frequent sequence (ABF) yaitu (A), (B), (F), (AB), (AF), dan (BF), dan support _count (A) adalah ju mlah Iransaksi yang mengandung itemset A. Karena
rule
berikut
dihasilkan
dari
frequent
itemset , maka setiap item pasti juga secara otomatis memenuhi minimum support. Sehingga menghasilkan output rule yang ditampilkan sebagai berikut : 1. Rule 1 : (A)→(ABF)
,tingkat confidence nya = 3/4
= 75%. 2. Rule 2 : (B)→(ABF)
,tingkat confidence nya = 3/4
= 75%. 3. Rule 3 : (F)→(ABF)
,tingkat confidence nya = 3/4
= 75%. 4. Rule 4 : (AB)→(ABF)
,tingkat confidence nya = 3/3
= 100%.
28
5. Rule 5 : (AF)→(ABF)
,tingkat confidence nya = 3/3
= 100%. 6. Rule 6 : (BF)→(ABF)
,tingkat confidence nya = 3/4
= 75%. Sehingga
dapat
dijelaskan
bahwa
transaksi
(BF)
terdapat pada 4 customer , sementara (ABF) terdapat pada 3 customer. Maka dapat dikatakan bahwa (BF) → (BFA) memiliki
75%.
confidence
Contoh
Lairnya
yaitu
rule
(D→BF) → (D→BF→A) memiliki 100% confidence. Misalnya minimum
yang
confidence
ditentukan
adalah
user
80%,
maka hanya rule keempat dan kelima saja yang memenuhi syarat sebagai output bagi user. 2.7
Teknologi .NET Microsoft
.NET
adalah
sebuah
platform
untuk
membangun, menjalankan dan meningkatkan generasi lanjut dari
aplikasi
terdistribusi
(Jaenudin,
2006).
Microsoft .NET memperluas klien, server dan serviceservice yang terdiri atas: 1. Sebuah
model
developer
pemrograman
membangun
yang
XML
aplikasi.Sekumpulan
XML
Web
Web
memungkinkan services
services
dan
seperti
Microsoft .NET 2. My
Services,
menghasilkan
yang aplikasi
membantu yang
terpadu.Sekumpulan
server,
2000,
dan
SQL
Server,
developer simple
termasuk
BizTalk
dan
Windows
Server,
yang
memadukan, menjalankan dan mengoperasikan serta menangani XML Web Services dan aplikasi. 3. Tool seperti Visual Studio.NET untuk membangun XML Web Service dan aplikasi window serta web.
29
4. Piranti
lunak
klien,
seperti
Windows
XP
dan
Windows CE. 2.7.1
.NET Framework Microsoft
platform
.NET
.NET
menjalankan
adalah
untuk
XML
Web
model
pemrograman
dari
membangun,
menyebarkan
dan
Service
dan
aplikasi
(Jaenudin,
2006) .NET Framework menyediakan lingkungan berbasis standar produksi yang tinggi untuk memadukan investasi yang ada dengan aplikasi dan service generasi yang akan datang. .NET Framework terdiri atas dua bagian utama, yaitu CLR dan gabungan kelas library termasuk ASP.NET untuk aplikasi web dan XML Web Services, Windows forms untuk aplikasi klien dan ADO.NET. Visual fondasi
Studio.NET
.NET
lingkungan
Framework.
yang
cerdas,
dibangun .NET
Framework
mudah
menggunakan menyediakan
dikembangkan
untuk
membangun, menyebarkan dan menjalankan XML Web Services yang terdistribusi serta aplikasi. Dalam istilah yang mudah, .NET memisahkan platform Sistem Operasi menjadi dua layer, yaitu sebuah layer pemrograman dan layer eksekusi (Jaenudin, 2006).
30
