BAB II

STUDI PUSTAKA

2.1. Kajian Keislaman

Kepuasan pembeli atau konsumen akan pelayanan merupakan sejauh mana
manfaat suatu produk dirasakan sesuai dengan apa yang diharapkan oleh pembeli.
Bagi seorang muslim dalam mencapai tingkat kepuasan harus memperhatikan
beberapa hal, yaitu barang yang dikonsumsi adalah halal, baik secara zatnya
ataupun cara memperolehnya.
Agama Islam telah mengatur segala aspek kehidupan yang di firmankan
oleh Allah SWT di dalam Al Quran sebagai pedoman hidup bagi umat manusia,
sehingga manusia dapat menyelesaikan segala aspek permasalahan kehidupan
begitupun dalam aspek berniaga atau jual beli, Maka dari itu segala aktivitas
hidupa pasti akan senantiasa berkaitan dengan tuntunan yang telah ada dalam Al
Quran.
Dalam mengembangkan bisnis tentunya terdapat berbagai macam tenik
ataupun strategi penjualan yang relevan. Profit pendapatan pun perlu dilakukan
dengan cara yang halal bukan menghalalkan segala cara. Tujuan tidak hanya
mencari profit setinggi-tingginya, namun juga harus dapat memperoleh
keuntungan dan manfaat kepada pihak internal dan eksternal. Salah satu caranya
adalah dengan memahami pola belanja pembeli supaya dapat memberikan
pelayanan yang terbaik.

‫َقاَل َم ا َم َّك ِّنى ِفيِه َر ِّبى َخ ْيٌر َفَأِع يُنوِنى ِبُقَّوٍة َأْج َع ْل َبْيَنُك ْم َو َبْيَنُهْم َر ْد ًم ا‬

“Apa yang telah dianugerahkan Tuhanku kepadaku lebih baik (daripada

imbalanmu), maka bantulah aku dengan kekuatan, agar aku dapat membuatkan
dinding penghalang antara kamu dan mereka.”[Q.S Al-Kahfi:59]

Seperti yang tertuang dalam Q.S Al-Kahfi ayat 95 sudah sepatutnya

seseorang atau kelompok saling membantu dengan mempersiapkan segala sesuatu
yang diperlukan orang-orang. Sesuai dengan makna dari ayat di atas penelitian ini
berupaya untuk mempersiapkan dalam menyediakan produk yang ada dibuthkan
café tersebut segala tantangan pola belanja pembeli yang berubah, sehingga bisa
memenuhi segala kebutuhan akan obat-obatan terhadap masyarakat.

2.2. Landasan Teori Umum

2.2.1. Kafe/Café
Kafe adalah tempat yang biasanya menjual makanan dan minuman
terkadang juga dilengkapi dengan hiburan yaitu musik sehingga mayoritas orang
menjadikan kafe sebagai tempat untuk relaksasi diri.

2.3. Landasan Teori Keinformatikaan

2.3.1. Data Mining
Data mining adalah sebuah isilah yang sering digunakan dalam
menguraikan penemuan suatu pengetahuan di dalam basis data. Data mining
sendiri merupakan proses yang menggunakan teknik matematika, statistika,
kecerdasan buatan serta pembelajaran mesin ketika mengekstraksi informasi yang
berharga terkait dari basis data yang cukup besar (Chaerunnissa & Mulyanto,
2014).
Sedangkan menurut Gartner Group data mining merupakan sebuah proses
dalam menemukan hubungan yang berarti, pola serta kecenderungan dalam
memeriksa sekumpulan data dalam jumlah banyak yang tersimpan di media
penyimpanan dengan menerapkan teknik matematika dan statistika. Data mining
mewarisi aspek dan teknik dari berbagai bidang ilmu pengetahuan seperti terlihat
pada gambar 2.1 di bawah. (Patombongi, 2017).
 Gambar 2.1 Bidang Ilmu Data Mining (Patombongi, 2017)
Dari kedua pengertian di atas dapat disimpulkan bahwa data mining adalah
proses ektraksi informasi maupun pola yang berharga atau menarik dari suatu data
yang besar. Data yang sebelumnya tidak terlalu memiliki manfaat akan diolah
sedemikian rupa supaya menjadi bermanfaat dengan melakukan penggalian pola-
pola dari kumpulan data tersebut sehingga lahirlah informasi yang bermanfaat.
Hal yang cukup penting berkaitan dengan data mining menurut Kusrini
adalah sebagai berikut (Listriani et al., 2018) :
1. Data mining adalah sebuah proses otomatis terhadap data yang sudah ada
sebelumnya.
2. Tujuan dari data mining adalah supaya memperoleh hubungan maupun pola
yang memungkinkan dapat mengindikasikan hal yang bermanfaat.
3. Data yang akan diproses atau diolah oleh data mining berupa data dalam
jumlah yang sangat besar.

2.3.2. Kelompok Data Mining

Data mining sendiri memiliki peran dan tujuan penggunaan yang berbeda-
beda, oleh sebab itu data mining dibagi menjadi beberapa kelompok berdasarkan
tugas yang bisa dilakukannya. Pengelompokkan data mining menurut Larose yang
tertera pada suatu artikel jurnal adalah sebagai berikut (Patombongi, 2017) :
1. Deskripsi
 Deskripsi merupakan teknik dalam mencari cara untuk menggambarkan
pola pada data. Deskripsi dari pola sering memberikan kemungkinan penjelasan
untuk suatu pola.
2. Estimasi
Estimasi mirip dengan klasifikasi, akan tetapi variabel target estimasi lebih
cenderung ke arah numerikal dari pada ke arah kategorikal.
3. Prediksi
Perilaku yang diperikrakan pada masa yang akan datang akan di prediksi
dalam bentuk data perilaku yang telah diklasifikasikan.

4. Asosiasi
Diterapkan untuk mengenali kelakuan dari kejadian-kejadian khusus dimana
hubungan asosiasi muncul pada setiap kejadian.
5. Klasifikasi
Klasifikasi adalah sebuahu teknik melihat pada kelakuan atribut dari
kelompok yang telah didefinisikan.
6. Pengklusteran
Diterapkan dalam menganalisis pengelompokan berbeda terhadap data,
mirip dengan klasifikasi, namun pengelompokan belum didefinisikan sebelum
dijalankanya proses data mining. Pengklusteran membagi item menjadi
kelompok-kelompok berdasarkan yang ditemukan oleh data mining.
2.3.3. Tahapan Data Mining
Data mining memiliki beberapa tahapan yang perlu dilakukan ketika
mengektraksi suatu data yang besar supaya hasil yang dikeluarkan dapat
bermanfaat bagi pihak yang berkepentingan. Tahapan data mining dalam KDD
(Knowledge Discovery in Database) meliputi (Anggraeni et al., 2013) :
 Gambar 2.2 Tahapan Data Mining (Anggraeni et al., 2013)
1. Seleksi Data
Seleksi data merupakan proses pemilihan data dari beberapa data
operasional atau data yang berkaitan dengan tujuan data mining. Data yang
digunakan dalam proses data mining disimpan dalam berkas atau media yang
terpisah dari basis data.

2. Pre Processing and Cleaning

Proses cleaning atau pembersihan merupakan proses membuang duplikasi
data, memeriksa data yang salah, dan memperbaiki kesalahan pada data.
Begitupun dengan proses enrichment, yaitu memperkaya data yang sudah ada
dengan data atau informasi yang lebih relevan dan diperlukan pada proses data
mining.
3. Transformasi Data
Transfoormasi data ke dalam bentuk data yang valid untuk dilakukan proses
data mining. Coding ialah proses transformasi pada data yang dipilih, sehingga
data tersebut sesuai dan siap untuk proses dalam data mining.

4. Data Mining
Data mining merupakan suatu proses mencari informasi menarik dalam data
terpilih dengan menggunakan teknik tertentu. Algoritma yang digunakan dalam
data mining bermacam-macam. Pemilihan metode atau algoritma yang tepat
sangat bergantung pada tujuan dan proses data mining.
5. Interpretasi dan Evaluasi
Pola informasi yang dihasilkan dari proses data mining ditampilkan dalam
bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini
meliputi pemeriksaan apakah pola atau informasi yang berhasil ditemukan
bertentangan dengan fakta yang ada sebelumnya.

2.3.4. Aturan Asosiasi

Aturan asosiasi atau bisa disebut juga dengan association rules adalah
aturan kombinasi ataupun hubungan diantara item. Aturan asosiasi sendiri
merupakan teknik data mining dalam menemukan aturan asosiatif diantara suatu
kombinasi item. Aturan asosiasi bisa dikatakan sebuah prosedur dalam mencari
hubungan antar item pada sebuah dataset yang ditentukan (Febrian et al., 2018).
Tugas dari aturan asosiasi pada data mining adalah menemukan aturan
yang tidak mengandung hubungan antara dua atau lebih atribut. Suatu aturan
asosiasi yang berhasil terbentuk dikemas dalam bentuk pengetahuan “if then” atau
“jika maka”. Aturan asosiasi sendiri dibuat meliputi dua tahap, yaitu (Febrian et
al., 2018):
1. Mencari kombinasi yang paling sering terjadi dari sebuah itemset yang ada.
2. Mendefinisikan kondisi dan keputusan untuk aturan asosiasi kondisional.
Pembentukan aturan asosiasi dihasilkan berdasarkan mencari nilai support
dan nilai confidence. Nilai support diperlukan untuk menganalisa pola frekuensi
tertinggi dengan mencari kombinasi item yang memenuhi syarat minimal nilai
support. Dalam menghitung nilai support terdapat dua rumus, rumus yang pertama
digunakan untuk menghitung nilai support dengan satu item.
Jumlah transaksi A
Support ( A ) = ....(2.1)
Total transaksi

Sedangkan untuk rumus kedua digunakan untuk menghitung nilai support dengan
dua item lebih.
Jumlah transaksi A dan B
Support ( A ∩ B )= ....(2.2)
Total transaksi
 Nilai confidence diperlukan untuk pembentukan aturan asosiasi
berdasarkan pola frekuensi tertinggi dari nilai support sudah ditemukan. Dalam
menghitung nilai confidence digunakan rumus sebagai berikut :
Jumlah transaksi A dan B
Confidence=P ( B| A )= ....(2.3)
Jumlah transaksi A

Nilai confidence yang digunakan dalam pembentukan aturan asosiasi adalah nilai
confidence yang memenuhi nilai minimum confidence (Takdirillah, 2020).

2.3.5. Algoritma FP-Growth

Algoritma Frequent Pattern Growth (FP-Growth) adalah salah satu
algoritma hasil perkembangan dari algoritma apriori. FP-Growth ini memperbaiki
kekurangan-kekurangan dari algoritma sebelumnya, yakni apriori. Algoritma FP-
Growth adalah salah satu alternatif algoritma yang bisa dipergunakan dalam
menentukan himpunan data yang paling sering muncul atau biasa dikenal frequent
itemset dari sekumpulan data. Algoritma FP-Growth menggunakan konsep pohon
atau tree dalam pencarian pola frekuensi tertinggi yang biasa disebut dengan FP-
Tree. Dari FP-Tree tersebutlah maka dapat diketahui pola frekuensi tertingginya
(Chaerunnissa & Mulyanto, 2014).
Frequent Pattern Tree (FP-Tree) diterapkan secara bersamaan dengan
algoritma FP-Growth dalam mencari itemset yang mempunyai frekuensi tertinggi.
FP-Growth membangun konstruksi data dari FP-Tree yang telah dikompresi
sehingga dapat mengurangi data asli. FP-Growth akan melakukan pemindaian
pada basis data sebanyak dua kali. Dari pemindaian yang pertama, maka akan
diperoleh frekuensi dari satu itemset. Untuk pemindaian yang kedua dapat
menyaring item yang tidak memiliki frekuensi dari basis data. FP-Tree dihasilkan
secara bersamaan selama pemindaian basis data. Barulah bisa diperoleh aturan
asosiasi dengan menggunakan FP-Tree (Ghozali et al., 2017).
FP-tree dibangun dengan memetakan setiap data transaksi kedalam setiap
lintasan atau path tertentu dalam FP-tree, karena dalam setiap transaksi yang
dipetakan mungkin ada transaksi yang memiliki item yang sama, maka
lintasannya memungkinkan untuk saling menimpa. Setiap simpul pada FP-Tree
mencakup tiga field, yaitu (Ghozali et al., 2017):
1. Item-name yang menginformasikan item yang telah direpresentasikan oleh
simpul tersebut.
2. Count yang mempresentasikan jumlah transaksi yang melalui simpul
tersebut.
3. Node-link yang menghubungkan simpul-simpul dengan item-name yang
sama atau null apabila kosong.
FP-Tree disusun seperta akar yang menjalar dalam mengilustrasikan frekuensi
transaksi antar item. Contoh dari FP-Tree dapat dilihat pada gambar di bawah ini.

Gambar 2.3 Contoh FP-Tree (Miraldi et al., 2014)

Terdapat tiga langkah utama dalam pengerjaan algoritma frequent pattern
growth, yaitu sebagai berikut (Mahmudah & Aribowo, 2014):
1. Langkah pembangkitan conditional pattern base. Conditional pattern base
adalah sub dari basis data yang berisikan prefix path (lintasan prefix) dan
suffix pattern (pola akhiran). Pembangkitan conditional pattern base
diperoleh melalui FP-Tree yang sudah dibangun sebelumnya.
2. Langkah pembangkitan conditional fp-tree. Pada langkah kedua ini nilai
support dari setiap item pada masing-masing conditional pattern base
dihitung, kemudian masing-masing item yang mempunyai nilai support
lebih besar atau sama dengan nilai minimal support akan dibangkitkan
kembali dengan conditional fp-tree.
3. Langkah pencarian frequent itemset jika conditional fp-tree merupakan path
single (lintasan tunggal), maka diperoleh frequent itemset dengan
melakukan kombinasi item untuk setiap conditional fp-tree. Sedangkan jika
bukan lintasan tunggal, maka dilakukan pembngkitan fp-growth secara
rekursif.

2.3.6. PHP
PHP (Hypertext Preprocessor) merupakan bahasa pemrograman yang
umum dipergunakan dalam server-side scripting. PHP sendiri adalah bahasa
pemrograman yang sederhana namun powerfull dan cocok diterapkan pada server
web. Bahasa PHP bisa berjalan pada segala sistem operasi yang mendukung
seperti Linux, Windows dan juga Mac OS atau bisa dikatakan PHP merupakan
Bahasa lintas platform. Fitur yang dimiliki oleh bahas PHP diantaranya adalah
open source, sederhana, didukung oleh banyak pustaka dan juga framework serta
mendukung multi paradigm design (Harismawan et al., 2018).

2.3.7. MySQL
MySQL adalah basis data server yang berlisensi open source dan sangat
populer dikalangan pengguna teknologi. MySQL juga memiliki berbagai fasilitas
API sesuai dengan kebutuhan penggunanya supaya perangkat lunak yang
digunakannya dapat dengan mudah terhubung dengan basis data. Sehingga
memungkinkan berbagai macam perangkat lunak yang dibangun dengan berbagai
macam bahasa pemrograman dapat mengakses basis data MySQL. MySQL
merupakan suatu basis data yang dapat mengandung satu atau lebih tabel. Tabel
sendiri terdiri atas sekumpulan baris dan setiap baris dapat memiliki beberapa
kolom (Palit et al., 2015).

2.3.8. Bootstrap
Bootstrap adalah suatu framework atau pustaka CSS yang dapat
memudahkan para pengembang dalam membangun aplikasi web secara responsif
secara cepat dan mudah. Bootstrap sendiri terdiri atas CSS dan Javascript yang
dibundle dalam plugin JQuery dalam menghasilkan grid, layout, tabel, form,
modal, button, dropdown interaksi user dan lain sebagainya (Afifa, 2018).

2.4. Kajian Penelitian Terdahulu

Dalam penelitian ini penulis juga mengkaji beberapa penelitian terdahulu
yang dijadikan sebagai bahan rujukan dan referensi penelitian, sebagai berikut :

Tabel 2.1 Kajian Penelitian Terdahulu

No Judul Jurnal/Vol/Tahun Ringkasan
1 METODE Dari hasil analisa pola frekuensi yang
ASSOCIATION RULE dihasilkan oleh proses data mining
DALAM pola transaksi yang dihasilkan dapat
MENGANALISA POLA dijadikan sebuah rekomendasi dalam
BELANJA KONSUMEN DINUS menentukan keputusan memberikan
PADA DATA Vol 1 paket pembelian atau bundling dan
TRANSAKSI 2014 bisa juga digunakan untuk tata letak
PENJUALAN layout atau promosi
MENGGUNAKAN produk untuk meningkatkan penjualan
ALGORITMA FP- di Swalayan Gelael Candi Semarang.
GROWTH
2 PENGGUNAAN Hasil analisis dan aplikasi Datamining
ALGORITMA FP- menggunakan Algoritma Frequent
GROWTH UNTUK Pattern Growth dapat disimpulkan
MENEMUKAN bahwa : a. Melakukan perhitungan
ATURAN ASOSIASI dalam proses Datamining
PADA DATA JSTIE menggunakan Algoritma Frequent
TRANSAKSI Vol 2 Pattern Growth yang menghasilkan
PENJUALAN OBAT DI 2014 association rule. b. Menampilkan hasil
APOTEK (Studi Kasus : mencari association rule dengan
APOTEK UAD) Algoritma Frequent Pattern Growth. c.
Telah berhasil melakukan analisa data
transaksi obat di apotek yang
dilakukan pada bulan Januari 2011.
3 Analisa Pola Belanja SIMETRIS Hasil akurasi untuk menentukan
Menggunakan Algoritma Vol 8 rekomendasi produk kepada pelanggan
Fp Growth, Self 2017 yang didapat dari penelitian
Organizing Map (Som) ini dapat diukur dengan menggunakan
Dan K Medoids Lift Ratio. Lift Ratio merupakan nilai
yang menunjukkan kevalidan proses
transaksi dan memberikan informasi
apakah benar produk A dibeli
bersamaan dengan produk B. Sebuah
transaksi dikatakan valid jika
mempunyai nilai Lift Ratio lebih dari
1, yang berarti bahwa dalam transaksi
tersebut, produk A dan B benar-benar
dibeli secara bersamaan. Lift Ratio
 mengukur seberapa penting rule yang
telah terbentuk berdasarkan nilai
support dan confidence. Untuk
eksperimen ditentukan nilai Minimum
Support adalah 10% - 100% dan nilai
Minimum Confidence 10% - 100%
4 Penerapan Data Mining Data Mining dengan Algoritma FP-
Menggunakan Algoritma Growth dapat diimplementasikan
Fp-Tree Dan Fp-Growth dengan menggunakan database
Pada Data Transaksi penjualan obat karena dapat
Penjualan Obat menemukan pola kombinasi itemsets.
Sehingga informasi
SNASTIKOM tersebut dapat membantu
Vol 1 mengembangkan strategi penjualan
2015 terhadap konsumen. Metode
Association Rule dengan
menggunakan Algoritma FP-Growth
dengan parameter support dan
confidence dapat memperoleh korelasi
barang pembelian untuk lebih
meningkatkan penjualan
5 IMPLEMENTASI Algoritma FP-Growth dapat
ALGORITMA FP- digunakan di dalam kasus
GROWTH UNTUK perekomendasian buku dan
INFORMATIKA
SISTEM memperoleh hasil keluaran berupa
Vol 10
REKOMENDASI BUKU rekomendasi buku yang terkait.
2014
DI PERPUSTAKAAN Tingkat keakuratan FP-Growth dalam
UKDW memberikan rekomendasi buku adalah
sebesar 60.78%.