IMPLEMENTASI DATA MINING DENGAN METODE CLUSTERING UNTUK MELAKUKAN COMPETITIVE INTELLIGENCE PERUSAHAAN

Noor Rindho, Suzuki Syofian Teknik Informatika , Universitas mercubuana noor_rindho@yahoo.co.id Abstract - Global economic crisis that began in last year make interfere in business world, it requires that a business manager to design smart strategies for business improvement efforts. One of the important points of that is the consumer. Consumers is one of the supporting element in the business can be more advanced or failed, so the existence of the consumer in a business can’t be unimportant considered. A method can be needed to manage customer data, that can be used to dig up hidden information. This method is known as data mining. With the help of software, data mining will make the process of data analysis to find hidden patterns or rules in the scope of consumer data. On this essay, analysis of data mining is done by clustering methods that use the divisive hierarchical algorithm, which then translated in a software. The software, which will be used for grouping data based on consumer transactions, so that groups can be found - according to the level of consumer groups active transactions. Things have been done and what has not been done through this software development will be reviewed at the end of this essay. Keywords: data mining, clustering methods, divisive hierarchical algorithm

I.

PENDAHULUAN

D

unia bisnis yang terganggu dengan adanya krisis ekonomi global yang dimulai sejak akhir tahun kemarin, menjadikan seorang manager bisnis harus pintar - pintar dalam merancang strategi bisnis untuk kemajuan usahanya. Salah satu poin penting yang tidak boleh dilupakan dalam merancang strategi bisnis adalah konsumen. Konsumen merupakan salah satu unsur penunjang suatu usaha atau bisnis bisa mengalami kemajuan ataupun kemunduran, sehingga dalam hal ini keberadaan konsumen tidak boleh dipandang dengan sebelah mata saja. Untuk mengelola data konsumen ini, dibutuhkan sebuah metode yang bisa digunakan untuk menggali informasi – informasi tersembunyi dari data tersebut. Metode tersebut dikenal dengan data mining. Dengan bantuan perangkat lunak, data mining akan melakukan proses analisa data untuk menemukan pola atau aturan tersembunyi dalam lingkup hinpunan data konsumen tersebut. Pada studi kasus ini, analisa data mining dilakukan dengan metode clustering yang mengunakan algoritma hirarki divisive yang kemudian diterjemahkan dalam sebuah perangkat lunak. Perangkat lunak ini, yang akan digunakan untuk pengelompokan konsumen berdasarkan data transaksi yang dilakukan, sehingga bisa didapatkan kelompok – kelompok konsumen menurut tingkat keaktifan transaksinya. Berdasarkan latar belakang masalah diatas, maka penulis tertarik

II. Metro Pondok Indah Blok 3B Pondok Pinang. Bahasa pemprograman yang digunakan pada studi kasus ini adalah PHP dan XAMPP sebagai aplikasi basis data. guna membentuk kelompok – kelompok customer. • Kemiripan antar data dalam studi kasus ini diterjemahkan sebagai jarak kedekatan antar data dengan titik pusat. A. sehingga menghasilkan klaster-klaster customer yang sesuai dengan tujuan dari studi kasus ini. Aplikasi data mining engine yang akan dibangun hanya menampilkan data hasil penggelompokan customer saja yang berupa tabel dan grafik pengelompokan customer tanpa memberikan keputusan apapun. Basis data yang akan digunakan dalam studi kasus ini adalah basis data customer dan transaksi yang dilakukan saja tanpa A. LANDASAN TEORI • • • • Menerapkan proses data mining untuk pengolahan basis data customer dengan metode clustering menggunakan algoritma hirarkis divisive k-means untuk mengelompokan customer. Memanfaatkan aplikasi data mining untuk melakukan competitive intelligence perusahaan guna pengelompokan customer. 2001) . Batasan Masalah Untuk menghindari salah pengertian dalam penulisan tugas akhir ini dan untuk lebih menfokuskan terhadap permasalahan . B. Jakarta Selatan 12310. 29-A Jl. Aplikasi data mining engine yang akan dibangun hanya bisa membentuk kelompokkelompok customer dari tingkat frekuensi mereka melakukan transaksi. Membangun sebuah aplikasi data mining yang dapat membantu mentranformasikan basis data customer berdasarkan transaksi yang dilakukan menjadi informasi yang berguna. meliputi: • • Competitive intelligence dalam studi kasus ini hanya sebatas untuk melakukan pengelompokan customer berdasarkan data transaksi yang dilakukan saja tanpa melakukan proses competitive intelligence lainnya. Batasan perumusan masalah dalam penulisan studi kasus pada tugas akhir ini. Maksud dan Tujuan Penelitian Maksud dan tujuan dari penelitian tugas akhir ini. maka fokus permasalahan dititik beratkan pada memanfaatkan data mining dengan metode clustering menggunakan algoritma hirarki divisive untuk melakukan competitive intelligence perusahaan. Data Mining Data mining merupakan sebuah analisa dari observasi data dalam jumlah besar untuk menemukan hubungan yang tidak diketahui sebelumnya dan metode baru untuk meringkas data agar mudah dipahami serta kegunaannya untuk pemilik data (David Hand et al. Metode Clustering • . Penggunaan metode clustering dan algoritma hirarki divisive k-means untuk mengetahui kemiripan karakteristik antar data dalam basis data customer berdasarkan transaksi yang dilakukan. • • • • B.untuk meneliti bidang ini dengan mengambil judul “Implementasi Data mining dengan Metode Clustering Untuk Melakukan Competitive Intelligence Perusahaan”. guna pengelompokan customer. yang kemudian akan diolah berdasarkan prosesproses yang ada dalam data mining. Sebagai prototype sistem. adalah: melibatkan basis data lainnya. sehingga seorang customer pada kelompok klaster aktif belum bisa dipastikan bahwa merekalah yang melakukan pembayaran terbesar. studi kasus dilakukan ditoko perhiasan Benteng Jewellery yang beralamat di Mall Pondok Indah 1 lt. 1 blok K no. Penggunaan metode clustering untuk mengelompokan customer dengan menggunakan algoritma hirarki divisive kmeans.

Untuk gambaran sistem pencarian data yang dilakukan selama ini dilakukan pada toko ini (gambar 3. Langkah ini diambil untuk mendefinisikan semua kebutuhan sistem yang akan dibangun secara terperinci. Algoritma Hirarki Divinsive Langkah awal yang dilakukan dalam algoritma hirarki divisive adalah membentuk satu cluster besar yang dapat ditempati oleh semua obyek data. sehingga sangat sulit untuk melakukan tindakan-tindakan . 2) Pemecahaan Masalah Berdasarkan latar belakang masalah diatas. Perumusan Masalah Perumusan masalah merupakan langkah untuk memahami permasalahan terhadap sistem secara lebih dalam. karena data yang ada masih berbentuk data manual dan belum dimanfaatkan secara maksimal.1 Gambaran proses pencarian data customer selama ini pada benteng jewellry. C. ANALISA DAN PERANCANGAN SISTEM A. sehingga diperlukan sebuah sistem yang bisa mendeteksi berapa jumlah customer yang aktif dan yang kurang aktif dalam bertransaksi sebagai sistem pendukung keputusan. Tujuan dari metode clustering adalah untuk mengelompokkan sejumlah data atau objek kedalam klaster sehingga setiap klaster akan terisi data yang semirip mungkin (Budi Santosa. 2007). Permasalahan-permasalahan itu antara lain. satu cluster besar tersebut dipisah – pisahkan menjadi beberapa cluster yang lebih kecil dengan karakteristik data yang mempunyai lebih besar kesamaan satu dengan yang lainnya. maka dibutuhkan sebuah sistem yang mampu mengelola data customer yang dapat memberikan output berupa jumlah customer secara keseluruhan dan kelompokkelompok customer yang menyatakan keaktifan melakukan transaksi sehingga bisa digunakan untuk melakukan customer relationship guna kelancaran kegiatan promosi untuk mempertahankan pangsa pasar sehingga toko ini bisa bertahan ditengah krisis ekonomi global. Tidak diketahui dengan pasti jumlah customer yang aktif dan yang kurang aktif dalam melakukan transaksi. Pada langkah berikutnya. B. 1) Analisa Kebutuhan Data 1) Analisa Permasalahan Dalam kegiatan bisnis untuk mempertahankan area pemasaranya. Atas dasar analis diatas. III. toko Benteng jewellry mengalami beberapa permasalahan-permasalahan yang menyangkut kebutuhan data dan informasi tentang customer. maka penulis tertarik untuk meneliti bidang ini dengan mengambil judul “Implementasi Data mining dengan Metode Clustering Untuk Melakukan Competitive Intelligence Perusahaan” guna pengelompokan customer. yaitu: • • Sulitnya melakukan analisa pemasaran yang efektif karena tidak adanya sistem yang dapat menyajikan data historis sehingga dapat memberikan output tentang berapa banyak jumlah customer yang dimiliki dan kelompok-kelompok customer yang aktif maupun tidak menurut frekuensi transaksinya. sehingga bisa digunakan untuk merancang sebuah strategi bisnis yang efektif guna mempertahankan pangsa pasar dalam persaingan dengan competitor ditengan krisis ekonomi global seperti sekarang ini. Analisa ini bertujuan untuk menghasilkan data yang bisa diintegrasikan dengan analisa data mining yang dikehendaki. sehingga untuk melakukan kegiatankegiatan promosi demi mempertahankan pangsa pasar agar tetap bisa bertahan ditengah krisis ekonomi mengalami beberapa masalahan. Analisa Kebutuhan Sistem Analisa kebutuhan sistem berfungsi untuk mendefinisikan kebutuhan-kebutuhan sistem yang akan dibangun. Terlalu banyaknya competitor usaha. sehingga data yang tidak memiliki kemiripan yang cukup besar berada pada cluster yang terpisah. • promosi maupun pemberian bonus atau diskon kepada setiap customer yang dimiliki dengan tepat. tidak ada fase learning.1) adalah sebagai berikut: Gambar.Clustering adalah salah satu teknik unsupervised learning dimana kita tidak perlu melatih metode tersebut atau dengan kata lain.

6. Adapun proses pembangunan basis data yang sesuai dengan perangkat lunak yang akan dibangun adalah sebagai berikut: • Melakukan pembentukan basis data baru. Komponen perangkat keras yang dibutuhkan oleh sistem adalah sebuah pc atau workstation dengan spesifikasi minimal. 2) Analisa Kebutuhan Perangkat Keras dan Perangkat Lunak Analisa ini mendeskripsikan perangkat yang dibutuhkan dalam pembangunan sistem yang terdiri dari komponen perangkat keras dan perangkat lunak. • Pembentukan tabel – tabel yang dibutuhkan dalam basis data dan menetukan struktur tabelnya. • Proses data integration (integrasi data). • Proses data transformasi (pembentukan data prosesing). proses dan output. metode yang digunakan adalah metode perancangan sistem berorientasi objek dengan (Object Oriented Analysis) dengan menggunakan Unified Modelling Language (UML). • Proses data cleaning (pembersihan data). akan dijelaskan tentang pembangunan perangkat lunak yang telah dirancang sebelumnya pada bab sebelumnya yaitu bab tentang analisa dan peancangan. Implementasi Basis Data Dalam studi kasus ini. sebagai berikut: • Hardware : Processor intel Pentium IV atau lebih. meliputi: A. Implementasi dari perancangan pembangunan perangkat lunak dalam studi kasus ini. • Melakukan penginputan data kedalam setiap tabel yang ada dalam basis data clustering . Karena basis data awal dalam studi kasus ini yang dimiliki berupa basis data dalam bentuk manual.0 C. sistem basis data yang digunakan adalah ApacheFriends XAMPP versi 1. • Analisa kebutuhan data input. • Proses data selection (pemilihan data). HDD 80GB. Perancangan Sistem Dalam perancangan sistem ini. yaitu basis data clustering. RAM 512 atau lebih. Analisa ini meliputi: • Analisa target data.7. IMPLEMENTASI DAN ANALISA HASIL Dalam bab implementasi dan analisa hasil. VGA 12 MB shared. CD-RW/ DVD-RW. Internet Explrer . • Software :  Operating system : windows 98/2000/XP  XAMPP-win32-1. adalah sebagia berikut : Validasi User <<include>> <<include>> Longin Koneksi Data Keserver Form Selamat Datang Tabel Customer <<include>> <<include>> View Data Normal <<include >> Tabel Transaksi <<include>> Tabel Detail Transaksi <<include>> Manager Tabel Barang View Data Frekuensi Klaster <<include>> Menampilkan Jumlah Klaster &<<include>> Titik Pusat awal Hasil Klaster Exit Gambar.Analisa data akan mengidentifikasikan kebutuhan data yang sesuai dengan ketentuan yang diperlukan sistem dari data yang tidak lengkap dan inkonsisten yang biasanya terjadi pada basis data yang ada. Sebagai gambaran sistem yang akan dibangun.2 Usecase diagram sistem yang akan dibangun IV. maka pembentukan basis data dalam studi kasus ini dibuat melalui pembangunan basis data baru dengan melakukan pembentukan tiap tabel yang diperlukan dan pengisian data dengan cara input data satu persatu kedalam sistem basis data yang ada diaplikasi ApacheFriends XAMPP bukan melalui proses export dan import data. Mozilla Firefox 3.6.7  web browser : Ms.

7.1.11. B.56666666667.56666666667/2  1.0. 0+0+0+0+0+0+0+0+0+1+1+1+1+1+ 1+1+2+2+2+4+5+5+6+7+11+11+15/30 2. • Perhitungan titik pusat 1  nilai frekuensi terkecil + nilai mean dari semua data tabel frekuensi/ 2  0+2.1. • Perhitungan titik pusat 3  nilai rata-rata dari semua data tabel frekuensi + nilai frekuensi terbesar / 2.1.0.0.2.1.1 Tabel data frekuensi Dari contoh data frekuensi diatas. maka kemudian diurutkan dari frekuensi paling kecil sampai ke frekuensi terbesarnya. Implementasi Fungsi Pembangunan perangkat lunak data mining dengan metode clustering menggunakan algoritma hirarki divisive untuk pengelompokan customer dalam studi kasus ini.• ini kecuali tabel frekuensi yang merupakan tabel proses dalam studi ini.0.4. yaitu sebagai berikut: Data frekuensinya :0.2. • Perhitungan titik pusat 2 menggunakan hasil perhitungan nilai ratarata (mean) dari semua nilai yang ada pada tabel frekuensi.15. Maka perhitungan pada langkan I ini adalah sebagai berikut: • Perhitungan nilai rata-rata (mean) dari semua nilai yang ada pada tabel frekuensi.  2.78333333333.6.5. .283333333333.0.0. 1.1.2.11. Melakukan pengisian tabel frekuensi yang merupakan data proses dalam studi kasus ini. adalah sebagai berikut: Tabel.56666666667 + 15 /2  8. fungsi – fungsi yang dipakai adalah fungsi untuk menentukan titik-titik pusat yang berguna sebagai pusat-pusat kelompok customer. 2. Fungsi .5.0. Pada langkah ini digunakan perhitungan nilai rata-rata (mean) karena untuk mengantisipasi adanya nilai outline (nilai yang letaknya sangat jauh dari data yang ada) dari data yang ada dalam tabel frekuensi.56666666667. 2007): 1) Lanngkah I Fungsi untuk menentukan titik pusat awal dari semua data customer yang ada berdasarkan transaksi yang dilakukan menggunakan perhitungan nilai ratarata (mean) dari semua data yang ada dalam tabel frekuensi transaksi.1. dengan melakukan pembacaan id_customer yang ada dalam tabel transaksi berdasarkan id_customer yang ada ditabel customer yang dilakukan oleh sistem secara langsung.fungsi tersebut adalah sebagai berikut (santosa.0. Contoh perhitungan langkah I dari sample data frekuensi transaksi customer (tabel 1).

56666666667  Titik pusat 3 = 8. Kemudian melakukan perhitungan titik pusat menggunakan perhitungan median (nilai tengah) untuk mengecek titik pusat pada langkah 1 Jika Nilai sisa bagi = 19mod2 = 1 Karena sisa bagi dari total item 1. untuk menghitung nilai titik pusat 1 pada langkah 2 digunakan perhitungan dengan langkah sebagai berikut: a.56666666667 .56666666667 .2 • Dari data diatas. maka pada langkah 2 ini dilakukan pengecekan ulang perhitungan titik pusat setiap klaster dengan menggunakan perhitungan nilai median (perhitungan nilai tengah).0|1|1.0. Kemudian melakukan perhitungan titik pusat menggunakan perhitungan median (nilai tengah) untuk mengecek titik pusat pada langkah 1 Jika Nilai sisa bagi = 3 mod 2 = 1 Karena sisa bagi dari total item 1.0.646666666666 = 1.78333333333 Setelah pencarian titik pusat klaster pada langkah 1 diketahui hasilnya. sehingga bisa diambil kesimpulan bahwa data-data yang berada dalam rentang titik pusat tersebut merupakan anggotanya. kemudian titik – titik pusat tersebut digunakan untuk menarik anggota dari semua nilai data yang ada pada tabel frekuensi dengan menggunakan sistem perhitungan jarak kedekatan setiap data dengan masing-masing titik pusat tersebut.646666666666.675 2) Langkah II Setelah klaster-klaster pada langkah 1 terbentuk.0.283333333335 / 2 = 0.2.1.920 • Perhitungan rentang tertinggi:  8.1. dimana nilai 5 ≠ 2.0.0.1.2.675 • Sehingga anggota cluster dari titik pusat 2 bisa diambil dari rentang titik frekuensi data : 1.576666666667 .0.2.1.0.2] = 19 item b.Maka hasil titik pusat dari langkah I ini adalah :  Titik pusat 1 = 1.1. Jumlahkan semua item data yang ada pada klaster 1 pada langkah I Num = [4.0.1.5] = 3 item b.5 Dari data diatas.78333333333 .0.0. Kemudian titik pusat dua pada langkah II ini dibandingkan dengan titik pusat dua pada langkah I. Pemakaian perhitungan nilai median karena semua data yang ada sudah diketahui pada langkah 1.2.1. Contoh: Untuk menentukan anggota cluster dari titik pusat 2.0. maka perhitungan titik pusat = ((3/2) +((3/2)-1)/2 = 1  nilai tengahnya berada diantara item ke – 1 yang dibaca dari awal data dan akhir data dari anggota klaster 2 pada langka I = [5|5|5] Jadi nilai titik pusat dua pada langkah II adalah 5.1. yaitu: 0.1.1.1. meliputi : • Perhitungan rentang terendah : 2. Jumlahkan semua item data yang ada pada klaster 1 pada langkah I Num=[0.56666666667 / 2 = 3.10833333333 = 5.5.56666666667 + 3.1.5.0.2. titik pusat 2 pada langkah II ini dihitung dengan cara sebagai berikut: a. maka perhitungan titik pusat = ((19/2) +((19/2)-1)/2 = 9  nilai tengahnya berada diantara item ke – 9 yang dibaca dari awal data dan akhir data dari anggota klaster 1 pada langka I =[0.1.283333333335  Titik pusat 2 = 2.0.0.2 .1.0.2.0.0. dimana nilai 1 ≠ 1.2] Jadi nilai titik pusat satu pada langkah II adalah 1.0.0.0.0. Perhitungan jarak kedekatan dalam langkah 1 ini ditentukan dengan perhitungan selisih antar titik pusat dibagi 2. • Titik pusat 2 Anggota klaster ini pada langkah I adalah : 4.1.920 ≤ anggota cluster titik pusat 2 < 5.0. kemudian hasil selisih titik pusat tersebut ditambahkan pada titik pusat yang lebih kecil dan dikurangkan dengan titik pusat yg lebih besarnya.283333333335 sehingga bisa ditarik kesimpulan bahwa titik pusat masih berubah.1.10833333333 Maka titik tertinggi dari titik pusat 2 adalah 2.1. Contoh perhitungan pada langkah 2 berdasarkan semua data yang ada pada halis langkah I adalah sebagai berikut: • Titik pusat 1 Membaca semua data anggota klaster ini pada langkah I.1.0.0. sehingga tidak ada kekhawatiran munculnya data outline. Kemudian titik pusat satu pada langkah II ini dibandingkan dengan titik pusat satu pada langkah I.1.1. Maka titik terendah dari titik pusat 2 adalah  2.

7. Apabila titik pusat tersebut sudah tidak berubah maka pembentukan klaster customer sudah selesai. Karena hasil titik pusat pada langkah dua ini masih beruba maka dilakukan perhitungan jarak rentang anggota masing – masing cluster. atau aplikasi web broser sejenisnya tetapi harus dengan aplikasi server basis data yaitu XAMMP sudah terinstal pada PC tempat membuka aplikasi ini.11. Untuk menjalankannya. C. hal ini disebabkan karena perangkat lunak ini membutuhkan asupan basis data dalam bentuk tabel untuk bisa melakukan proses clustering. Hasil akhir dari perangkat lunak yang dibangun dalam studi kasus ini berupa tabel pengelompokan customer dan chart-chart presentase dari tabel pengelompokan tersebut. Contoh perhitungan jarak rentang antar data adalah.15 Dari data diatas. Kemudian melakukan perhitungan titik pusat menggunakan perhitungan median (nilai tengah) untuk mengecek titik pusat pada langkah 1 Jika Nilai sisa bagi = 5 mod 2 = 1 Karena sisa bagi dari total item 1.11. • Titik pusat 3 Anggota cluster pada langkah I adalah : 6.11. ataupun strategi-strategi bisnis lainya.11. Jumlahkan semua item data yang ada pada klaster 1 pada langkah I Num = [6. dimana nilai 11 ≠ 8. firefox. Perangkat lunak ini berisi formform tampilan basis data yang telah dinormalisasi. .7. sebagai penentu suatu nilai data masuk pada tiap-tiap klaster yang jarak titik pusatnya paling dekat dengan data. dengan cara membandingkan hasil perhitungan titik pusat langkah ini dengan langkah sebelumnya. yaitu penggunaan perhitungan nilai tengan (median). maka perhitungan titik pusat = ((5/2) +((5/2)-1)/2 = 2  nilai tengahnya berada diantara item ke – 2 yang dibaca dari awal data dan akhir data dari anggota klaster 3 pada langka I = [6. cukup dengan menggunakan aplikasi web browser seperti windows internet explorer. titik pusat 3 pada langkah II ini dihitung dengan cara sebagai berikut: a. sama seperti fungsi yang digunakan pada langkah II. perhitungan ini akan terus berulang sampai titik pusat cluster tidak berubah lagi. Implementasi Sistem Dalam studi kasus ini.15] Jadi nilai titik pusat satu pada langkah II adalah 11. Software yang digunakan untuk membangun perangkat lunak ini adalah kode program PHP dengan server basis data XAMMP. Perangkat lunak ini berfungsi untuk mencari pola-pola yang menarik dari basis data yang berupa nilai frekuensi transaksi untuk mengelompokan customer.78333333333 sehingga bisa ditarik kesimpulan bahwa titik pusat masih berubah. Fungsi dalam langkah ini digunakan untuk mengecek apakah titik pusat klaster yang telah terbentuk pada langkah sebelumnya sudah tidak berubah lagi atau tidak. Kemudian titik pusat tiga pada langkah II ini dibandingkan dengan titik pusat tiga pada langkah I.7|11|11. Tetapi apabila titik pusat masih berubah maka dilakukan perhitungan ulang seperti pada langkah II.1 / 2 = 2 Maka rentang terendah = 5 – 2 = 3  Rentang tertinggi : 11 – 5 / 2 = 3 Maka rentang teringgi = 5 + 3 = 8 Sehingga rentang anggota titik pusat 2  data frekuensi bernilai 3 ≤ anggota klaster 2 pada langkah II < data frekuensi bernilai 8 • Titik pusat 3  Rentang titik pusat 3 = titik pusat 3 – titik pusat 2 / 2 = 11 – 5 / 2 = 3 Maka rentang anggota titik pusat 3 = 11 – 3 = 8  data frekuensi bernilai 8 ≤ anggota klaster 3 pada langkah II 3) Langkah 3 Fungsi yang digunakan pada langkah ini. sebagai berikut: • Titik pusat 1 Rentang titik pusat 1 = Titik pusat 2 – titik pusat 1 / 2 = 5-1 / 2 = 2 Maka rentang anggota titik pusat 1 langkah II = 1 +2 = 3  anggota klaster 1 pada langkah II < data frekuensi bernilai 3 • Titik pusat 2  Rentang terendah = 5 . form tampilan untuk data frekuensi transaksi dan form tampilan dari hasil pengelompokan data customer menjadi beberapa klaster.sehingga bisa ditarik kesimpulan bahwa titik pusat masih berubah. sistem yang dibangun merupakan sebuah perangkat lunak data mining dengan metode clustering menggunakan algoritma hirarki devisive. sehingga dari hasil ini nantinya bisa digunakan oleh user dalam hal ini adalah manager pemasaran dan customer service sebagai pendukung keputusan seperti peningkatan promosi kepada customer-customer yang kurang aktif.15] = 5 item b. flock web browser.

C. • Halaman klaster D. 6) Aplikasi tetap bisa berjalan baik ketika dijalankan pada tiga web browser yang berbeda. Saran Berikut adalah saran yang mungkin perlu dilakukan dalam pengembangan selanjutnya dimasa yang akan datang terhadap aplikasi data mining dengan metode clustering menggunakan algoritma hirarki divisive k-means ini nantinya. misalkan untuk kepentingan memudahkan kegiatan promosi bisa ditambahkan sebuah fasilitas berupa fasilitah pengiriman email kepada customer.KESIMPULAN DAN SARAN A. mulai dari tahap studi pustaka. 1) Dimasa yang akan datang dalam pengembangan selanjutnya. guna lebih memaksimalkan pendukung keputusan yang akan diambil. 2) Dalam studi kasus ini. Misalnya id barang ataupun total harga yang dibayarkan untuk transaksinya. Pengujian Sistem Pengujian sistem digunakan untuk mengecek performan sistem ketika seorang user dalam hal ini manager menjalankan sistem Pengujian ini. studi observasi. • Halaman view data frekuensi. Pengujian pembentukan klaster berdasarkan data. Kesimpulan Berdasarkan studi kasus yang telah dilakukan. mozilla firefox dan flock web browser. • • Pengujian hak akses atau longin. meliputi: 5) Untuk melakukan pembentukan sebuah cluster dibutuhkan sebuah titik pusat yang bisa dicari dari seluruh data yang ada dalam tabel frekuensi transaksi dengan melakukan metode perhitungan nilai rata rata (mean) ataupun perhitungan nilai tengah (median). 2) Informasi dari frekuensi transaksi seorang customer bisa digunakan untuk membangun sebuah sistem yang dapat mentranformasikan data customer menjadi informasi yang berguna untuk melakukan proses competitive intelegent bisnis perusahaan. perancancangan dan implementasi sistem. yaitu internet explorer. 3) Program hanya dirancang untuk satu user saja yaitu manager pemasaran dan customer service. Pada pengembangan selanjutnya disarankan untuk pengambilan data proses tidak hanya berdasarkan satu item saja. • Halaman menu utama dan view data normal. V. sehingga user lain yang tidak sah tidak akan bisa melakukan akses keprogram ini karena username dan password sebagai hak akses sah program hanya dirancang untuk satu user saja dan tidak disediakan fasilitas untuk penambahan hak akses. mungkin juga bisa dilakukan dengan pembacaan lebih dari satu item. Misalnya pendukung keputusan untuk meningkatkan promosi kebeberapa customer yang berada diklaster kurang aktif dan sedang ataupun keputusan untuk memberikan fasilitas yang lebih exclusive maupun pemberian bonus atau diskon kepada customer yang berada di klaster yang aktif. item yang digunakan sebagai data proses dalam pembentuk sebuah cluster hanya didasarkan pada satu item saja yaitu pembacaan frekuensi id customer yang ada ditabel transaksi berdasarkan id customer yang ada ditabel customer. 7) Hasil dari aplikasi ini bisa dijadikan sebagai pendukung keputusan oleh manager terhadap customer – customer yang dimilikinya.Adapun form–form atau halaman–halaman utama yang menjadi isi dari perangkat lunak atau aplikasi ini. maka dari hasil yang didapatkan bisa ditarik kesimpulan sebagai berikut: 1) Metode clustering dengan algoritma hirarki divisive bisa digunakan untuk melakukan pengelompokan customer guna competitive intelegent bisnis perusahaan. sehingga bisa diketahui barang apa saja yang biasa dibeli customer pada sebuah klaster maupun besarnya jumlah total harga yang dibayarkan oleh customer terhadap transaksi yang dilakukannya. Dengan demikian klaster . adalah sebagai berikut: • Halaman longin. 4) Program akan melakukan proses pengupdate-an secara otomatis apabila ada perubahan pada basis data terutama pada tabel transaksi dan tabel customer terhadap nilai-nilai data yang ada ditabel frekuensi transaksi dan juga tabel – tabel hasil proses cluster serta grafik – grafik persentasenya.

Cambridge.com. [4] Ian H. komunikasi pribadi. “Modul 11 – Clustering. Fakultas Teknik Industri”. ilmu computer. [10] Jerry Peter “XAMPP: Paket Apache. “Pemodelan Visual dengan UML”. 2005. Massachusetts London England.Witten dan Eibe Frank. [12] Triswansyah Yuliano “ pengenalan PHP”.japati. algoritma yang digunakan adalah algoritma hirarki divisive yang berfungsi untuk membagi sebuah cluster besar menjadi beberapa cluster kecil. 2007. “software engineering 5th edition”. [3] Howard podeswa. [6] Roger S. -oo0oo[8] Hima Valli Kona. Morgan Kaufmann publishers.net/. “Data Mining: Teknik Pemanfaatan Data Untuk Keperluan Bisnis”. . 2001. [5] Munawar. ilmu komputer. 2001. UII. 2005. McGraw-Hill Companies Inc. Yogyakarta. misalnya untuk meneliti tanggal berapakah biasanya seorang customer melakukan transaksi pembelian dan barang apa saja yang biasa mereka beli sehingga manager bisa menyusun strategi lain dalam pemasaranya. “Association rule mining over multiple database: Partioned and incremental approaches”. 2005. “proses data mining”. [11] Laboratoriun Data Mining. 2003. separti : • Metode market baskel analisis sehingga bisa diketahui pola-pola lain seperti barang apa saja yang menjadi favorit customer dalam sebuah cluster. • Penggunaan algoritma apriori untuk menganalisa kecendrungan seorang customer dalam melakukan transaksi. 2007. posted on 17/08/2006 07. DAFTAR PUSTAKA pramudiono. [7] Thomas Connolly dan Carolyn Begg. “UML for the IT Business Analyst: A Practical Guide to ObjectOriented Requirements Gathering”. 3) Dalam studi kasus ini. dalam pengembangan selanjutnya dimungkinkan menggunakan metode yang lain.57pm. 2005. Graha Ilmu.yang dibentuk tidak hanya tiga klaster tapi mungkin lebih dari pada itu dan informasi yang didapatkanpun menjadi lebih banyak. 2007. PHP dan MySQL Instant”. “Data mining : practical machine learning tools and techniques”. Implementation and Management”. “Principles of data mining”. San Francisco.http://datamining. A Bradford book The MIT Press. Pressman. “Database Systems: A Practical to Desing. Yogyakarta. Graha Ilmu.com. -oo0oo- [9] Iko [1] Budi Santosa. [2] David Hand. Thomson Course Technology PTR. Heikki Mannila dan Padhraic Smyth.

Sign up to vote on this title
UsefulNot useful