Tahap – Tahap KDD - Analisis Sistem - Penerapan data mining pada perusahaan ritail pakaian untu

3.1 Analisis Sistem

3.1.2 Tahap – Tahap KDD

Sebelum data tersebut dimasukkan ke dalam sistem untuk dilakukan penambangan data, maka dilakukan terlebih dahulu tahap – tahap dalam KDD ( Knowledge Discovery In Database). Tahap – tahap tersebut akan dijelaskan lebih detail pada penjelasan berikut ini :

3.1.2.1 Pembersihan Data (Data Cleaning)

Proses pembesihan data ini merupakan tahap pertama dalam KDD. Proses ini merupakan proses dimana record yang mengandung data – data yang tidak relevan, tidak konsisten akan dibuang. Pada penelitian ini data transaksi sudah relevan dan konsisten sehingga tidak perlu dilakukan pembersihan data.

3.1.2.2 Integrasi Data (Data Integration)

Integrasi data merupakan penggabungan data dari beberapa sumber. Dalam penelitian ini, peneliti hanya menggunakan satu sumber saja yaitu data transaksi detail dari perusahaan retail XYZ dalam kurun waktu satu tahun sehingga tidak dilakukan proses intergrasi data.

3.1.2.3 Pemilihan Data (Data Selection)

Pada tahap ini akan dilakukan penyeleksian data – data yang akan digunakan dalam penelitian. Pada data transaksi penjualan detail terdapat 19 atribut yaitu noFaktur, kodeBarang, namaBarang, satuan, size, hargaJual, quantity, discount, discountReal, discount2, total, urut, hpp, hppdpp, hargasatuan, sisapesan, statusReturOrder, statusNotaKredit, nourut.

Beberapa atribut data yang diseleksi adalah satuan, size, hargaJual, quantity, discount, discountReal, discount2, total, urut, hpp, hppdpp, hargasatuan, sisapesan, statusReturOrder, statusNotaKredit, nourut. Sehingga setelah dilakukan seleksi data, hanya ada tiga record yang digunakan yaitu noFaktur, kodeBarang dan namaBarang.

Tabel 3. 2 Atribut yang digunakan dalam transaksi No Nama Atribut Keterangan

1 noFaktur Nomor nota transaksi penjualan 2 kodeBarang Kode dari masing masing barang 3 namaBarang Nama dari item barang yang di beli

3.1.2.4 Transformasi Data (Data Transformation)

Tahap transformasi data merupakan tahap dimana data diolah setelah selesai dilakukan pembersihan dan seleksi. Tahap ini akan melakukan pengubahan format data asli ke dalam format data yang sesuai untuk dilakukan proses penambangan data. Pada penelitian ini, peneliti melakukan transformasi data pada table transaksi detail penjualan. Tabel transaksi detail penjualan di ubah menjadi dua kolom yaitu no faktur dan transaksi. Kolom pada noFaktur menyimpan no faktur dari transaksi yang ada, sedangkan kolom transaksi menyimpan data transaksi penjualan berupa nama barang dank ode barang yang dibeli. Sehingga dengan bentuk table yang telah ditransformasikan dapat dengan mudah dilakukan proses data mining.

3.1.2.5 Penambangan data (Data Mining)

a. Menentukan minimum support yang akan digunakan untuk menentukan rule dalam mencari frequent pattern.

Dalam penelitian ini, peneliti menentukan min_supportyaitu : 11 b. Melakukan scanning pada database untuk mendapatkan frekuensi

kemunculan suatu item.

Di bawah ini merupakan gambar dari proses scanning data transaksi untuk menentukan frequent itemset. Proses scanning ini dilakukan terhadap 1818 transaksi penjualan dari 18 kasir yang ada. Dari hasil

scanning tersebut ditemukan 646 jenis item barang yang ada.

c. Melakukan seleksi / pembuangan terhadap item yang memiliki count

kurang dari minimum support yang telah ditentukan. Untuk item yang memenuhi minimum support disimpan dalam list L, dan lakukan sorting secara descending berdasarkan jumlah frekuensi terbesar hingga terkecil.Setelah dilakukan scanning dan dilakukan sorting , terdapat sebanyak 71 item barang yng supportnya memenuhi min_supp yang telah ditentukan seperti yang terdapat pada gambar di bawah ini :

Tabel 3. 3 Item sesuai min_supp

No Nama Barang Kode Barang Frekuensi 1 TAS 034010450 243 2 SINGLET/KAOS CE 032010145 190 3 SINGLET/KAOS 032010135 99 4 KAOS CE 017010250 80 5 SINGLET/KAOS CE 032010185 77 6 KAOS CE 017010210 59 7 CD PAKET/3 PCS 035060100 52 8 SINGLET 032010105 49 9 SINGLET 032010115 43 10 TALI RAMBUT 31020013 42 11 BLAZER 005010420 39 12 KAOS CO 018010250 37 13 KAOS CE 017010300 32 14 TALI RAMBUT 31020011 31 15 BLAZER 005010430 31 16 BLAZER 005010410 29 17 JAM TANGAN 015010200 27 18 BAJU CE 1 001010400 27 19 BAJU CE 001010450 26 20 CARDIGAN 007010320 25 21 CELANA/BAJU CE 008020500 25 22 JAM TANGAN 015010230 25 23 JILBAB 016010160 24 24 CELANA CE PJG 008020400 24 25 JAKET 013010580 23 26 KAOS CO 018010300 23 27 JAM TANGAN 015010170 22

28 CELANA CE 008020430 21 29 BAJU CE 001010430 20 30 BAJU CE 001010480 19 31 BAJU CE 001010440 19 32 JILBAB 016010270 18 33 BLAZER 005010450 17 34 HANDUK S 012020289 17 35 JILBAB 016010210 16 36 SPT X109 030010440 16 37 BLAZER 005010490 15 38 BLAZER 005010460 15 39 SHALL 040010082 15 40 BAJU CE 001010415 15 41 JAKET CE 013010620 15 42 CARDIGAN 007010350 15 43 CARDIGAN 007010330 15 44 KEMEJA CO 021030750 14 45 TP MAKE UP 31270073 14 46 BAJU CE 001010350 14 47 KAOS CE 017010240 14 48 BAJU ANAK 038010300 14 49 BAJU CE 001010420 14 50 BAJU CE 001010410 14 51 JILBAB 016010220 13 52 TALI RAMBUT 31020024 13 53 KAOS CO 018010259 13 54 HANDUK B 012010465 13 55 TP MAKE UP 31270098 13 56 JAM TANGAN 015010240 12 57 BLAZER 005010470 12 58 SISIR 31380048 12 59 SPT ASB 030010260 12 60 ROMPI/BALERO 025010380 12 61 BAJU CE 001010470 12 62 BAJU CE 001010500 12 63 BAJU CE 001010390 12 64 SDL RMT 029010270 12 65 JAKET CE/BALERO JEANS 013010520 11 66 TP MAKE UP 31270110 11 67 TP MAKE UP 31270085 11 68 KAOS CE PJG 017030250 11

69 SPT D09 030010290 11 70 SEPRAI DBL 031021023 11 71 ROMPI/BALERO 025010330 11

d. Membentuk root FP-Tree yang diberi nilai dengan “null”. Selanjutnya melakukan scan yang kedua kalinya untuk cabang dari FP-Tree sesuai dengan urutan transaksi pada list L. Apabila item yang ada pada transaksi berikutnya sudah ada pada transaksi sebelumnya maka nilai

indeks dari item tersebut akan bertambah 1, sedangkan jika item belum ada pada transaksi sebelumnya akan membentuk cabang baru.

e. Melakukan analisa FP-Tree yang telah terbentuk dengan cara mencari

frequent itemsets yang mengandung nilai ai lalu setarakan nilai

frequent itemsets tersebut dengan nilai ai. Setelah disetarakan, jumlahkan kedua nilai support frequent itemsets yang sama. Untuk nilai yang diatas maupun sama dengan minimum support lah yang menjadi rule. Langkah analisa diatas dilakukan berulang untuk semua

subset yang ada pada FP-Tree.

Setelah dilakukan penyetaraan, dari 73 item barang yang memiliki

min_supp lebih dari maupun sama dengan 11, hanya ada 4 rule yang di hasilkan seprti yang terlihat pada gambar di bawah ini :

Tabel 3. 4 Hasil Penyetaraan 1 NODE : SINGLET / KAOS CE(032010185)

Frequent: 77

Path Item Hasil Setelah di Setarakan

TAS(450) : 243, SINGLET/ KAOS CE(145) : 13, SINGLET/ KAOS CE(185)

: 1 =

TAS(450) : 1, SINGLET/ KAOS CE(145) : 1, SINGLET/ KAOS CE(185) : 1

TAS(450) : 243, SINGLET/ KAOS

CE(185) : 1 =

TAS(450) : 4, SINGLET/ KAOS CE(185) : 4

SINGLET/ KAOS CE(145) : 177,

SINGLET/ KAOS CE(185) : 14 =

SINGLET/ KAOS CE(145) : 15, SINGLET/ KAOS CE(185) : 14

SINGLET/ KAOS CE(145) : 177, SINGLET / KAOS CE(135) : 17 ,

SINGLET/ KAOS CE(185) : 1 =

SINGLET/ KAOS CE(145) : 1, SINGLET / KAOS CE(135) : 1 , SINGLET/ KAOS CE(185) : 1

SINGLET / KAOS CE(135) : 71,

SINGLET/ KAOS CE(185) : 2 =

SINGLET / KAOS CE(135) : 2 , SINGLET/ KAOS CE(185) : 2

KAOS CE(250) : 61 , SINGLET/ KAOS

CE(185) : 1 =

KAOS CE(250) : 1 , SINGLET/ KAOS CE(185) : 1

KESIMPULAN :

TAS(450) : 5, SINGLET/ KAOS CE(145) : 16, SINGLET / KAOS CE(135) : 3, KAOS CE(250) : 1, SINGLET/ KAOS CE(185) : 77

Tabel 3. 5 Hasil Penyetaraan 2

NODE : BLAZER (005010420) Frequent : 39

Path Item Hasil Setelah di Setarakan

SINGLET/ KAOS CE(145) : 177 , KAOS CE(250) : 5 , KAOS CE(210) : 2 ,

SINGLET(115) : 1 , BLAZER(420) : 1 =

SINGLET/ KAOS CE(145) : 1 , KAOS CE(250) : 1 , KAOS CE(210) : 1 , SINGLET(115) : 1 ,

BLAZER(420) : 1

SINGLET/ KAOS CE(145) : 177 , SINGLET/ KAOS(135) : 1, BLAZER(420) : 1 =

SINGLET/ KAOS CE(145) : 1 , SINGLET/ KAOS(135) : 1, BLAZER(420) : 1

SINGLET/ KAOS CE(145) : 177 ,

BLAZER(420) : 7 = SINGLET/ KAOS CE(145) : 7, BLAZER(420) : 7

SINGLET/ KAOS CE(185) : 56, CD PAKET / 3 PCS (100) : 2 , BLAZER(420) : 1 =

SINGLET/ KAOS CE(185) : 1, CD PAKET / 3 PCS (100) : 1 , BLAZER(420) : 1

SINGLET/ KAOS CE(185) : 56, BLAZER(420)

: 1 = SINGLET/ KAOS CE(185) : 1, BLAZER(420) : 1

SINGLET/ KAOS CE(145) : 177 , SINGLET/ KAOS CE(185) : 1, BLAZER(420) : 1 =

SINGLET/ KAOS CE(145) : 1 , SINGLET/ KAOS CE(185) : 1, BLAZER(420) : 1

7 SINGLET/ KAOS (135) : 71 , BLAZER(420) : 4 = SINGLET/ KAOS (135) : 4 , BLAZER(420) : 4

KAOS CE(250) : 61, SINGLET( 115) : 2 ,

BLAZER( 420) : 2 =

KAOS CE(250) : 2, SINGLET( 115) : 2 , BLAZER( 420) : 2

9 KAOS CE(250) : 61 , BLAZER(420) : 2 = KAOS CE(250) : 2 , BLAZER(420) : 2

SINGLET/ KAOS CE(145) : 177 , CD PAKET / 3 PCS (100) : 2 , SINGLET(115) : 1,

BLAZER(420) : 1 =

SINGLET/ KAOS CE(145) : 1 , CD PAKET / 3 PCS (100) : 1 , SINGLET(115) : 1, BLAZER(420) : 1

CD PAKET / 3 PCS(100) : 30 , BLAZER( 420)

: 1 = CD PAKET / 3 PCS(100) : 1 , BLAZER( 420) : 1 12 SINGLET(115) : 23, BLAZER( 420) : 1 = SINGLET(115) : 1 , BLAZER( 420) : 1

13 BLAZER(420) : 17 = BLAZER(420) : 17

KESIMPULAN :

CE(250) : 5 , KAOS CE(210) : 1 , SINGLET(115) : 4,

SINGLET/ KAOS(135) : 5, SINGLET/ KAOS CE(185) : 4, CD PAKET / 3 PCS (100) : 2, SINGLET(105) : 1,

BLAZER(420) : 39

Tabel 3. 6 Hasil Penyetaraan 3 NODE : SINGLET/KAOS (032010135)

Frequent: 99

Path Item Hasil Setelah di Setarakan

TAS(450) : 243, SINGLET/ KAOS

(135) : 11 =

TAS(450) : 11, SINGLET/ KAOS (135) : 11

SINGLET/ KAOS CE(145) : 177,

SINGLET/ KAOS (135) : 17 =

SINGLET/ KAOS CE(145) : 17, SINGLET/ KAOS (135) : 17

3 SINGLET/ KAOS(!35) : 71 = SINGLET/ KAOS(!35) : 71

KESIMPULAN :

TAS(450) : 11, SINGLET/ KAOS CE(145) : 17, SINGLET/ KAOS (135) : 99

Tabel 3. 7 Hasil Penyetaraan 4 NODE : SINGLET/KAOS CE (032010145)

Frequent: 190

Path Item Hasil Setelah di Setarakan

TAS(450) : 243, SINGLET/ KAOS

CE(145) : 13 =

TAS(450) : 13, SINGLET/ KAOS CE(145) : 13

KESIMPULAN :

TAS(450) : 13, SINGLET/ KAOS CE(145) : 190

Sehingga dari proses asosiasi data transaksi dihasilkan rule seperti pada gambar di bawah ini :

Tabel 3. 8 Hasil Rule

No RULE :

1 { SINGLET/ KAOS CE(145) ,SINGLET/ KAOS CE(185) }

2 { SINGLET/ KAOS CE(145) , BLAZER (420) }

3 {TAS(450) , SINGLET/ KAOS CE(145) , SINGLET/ KAOS (135) }

4 {SINGLET/ KAOS CE(145), TAS(450) }

3.1.2.6 Evaluation

Tahap ini akan dilakukan evaluasi terhadap ppola yang ditemukan, apakah sesuai degan tujuan awal penelitian yang dilakukan oleh peneliti atau tidak.

3.1.2.7 Knowledge Presentation

Setelah melakukan evaluasi terhadap hasil pola asosiasi yang ditemukan, tahap ini akan dilakukan penterjemahan dengan melakukan pembacaan rule yang dihasilkan. Sehingga hasil dari asosiasi tersebut dapat di mengerti oleh pengguna.

Dalam dokumen Penerapan data mining pada perusahaan ritail pakaian untuk memprediksi ketersediaan jenis barang dengan menggunakan algoritma FP-Growth. (Halaman 42-52)