SISTEM PENDUKUNG KEPUTUSAN PENJUALAN BARANG
MENGGUNAKAN ALGORITMA APRIORI
NASKAH PUBLIKASI
diajukan oleh
Dirga S Chaniago
13.11.6854
kepada
FAKULTAS ILMU KOMPUTER
UNIVERSITAS AMIKOM YOGYAKARTA
YOGYAKARTA
2017
1
SISTEM PENDUKUNG KEPUTUSAN PENJUALAN BARANG
MENGGUNAKAN ALGORITMA APRIORI
Dirga S Chaniago
1), Bambang Sudaryatno
2)1)S1 Informatika Universitas Amikom Yogyakarta
Jl Ringroad Utara, Condongcatur, Depok, Sleman, Yogyakarta Indonesia 55283
Email : dirga.c@students.amikom.ac.id1), bambang_s@amikom.ac.id2) Data mining is the science that already developing a
much hearts analyzing the data, prayer one thing in data mining techniques used for designing a development strategy review hearts Sales or marketing. The apriori algorithm is praying hearts formation data mining algorithms Association rules. association rule from decision support systems sales of goods intended for review found Patterns Purchases of goods which is often done by the same Operates consumer hearts over specific time periods on the data Transactions typically sized very big with on eventually using rules asosiasi. so that or convenience store owners anticipate And make vacancy And Discounts packaged goods against goods certain influential because canthe consumer And Revenue service. singer study aims to review the algorithms apply apriori into a system that is easier and more fast And Accurate calculations hearts. Final Results from the calculation of operating sales manager Singer describes the linkages or beetween relations goods which one with the others.
Keywords: Data mining, Association rules, Apriori Algorithm, Decision Support System.Consumen
1. Pendahuluan 1.1. Latar Belakang
Saat ini penggunaan Teknologi Informasi sangat berkembang pesat di berbagai aspek kehidupan masyarakat , penggunaannya yang mudah serta keakuratan data yang di hasilkan Teknologi Informasi membuat sebagian masayarakat menggunakan Teknologi Informasi , Salah satu aspek yang tidak bisa lepas dari penggunaan Teknologi Informasi adalah aspek perekonomian , terutama dalam sistem penjualan barang dalam suatu swalayan atau toko . Pasar swalayan merupakan sarana atau tempat penyedia barang kebutuhan sehari-hari. setiap harinya pasti akan terjadi beberapa transaksi penjualan dan data transaksi. Dalam transaksi penjualan tersebut ada beberapa pemilik swalayan yang kurang mengetahui barang apa saja yang terjual atau yang paling banyak di beli oleh pelanggan selama kurun waktu periode tertentu , sehingga dapat terjadi kekosongan barang di dalam swalayan karna jumlah inventori (stok barang) dan permintaan tidak dapat terpenuhi secara seimbang karna tidak mengetahui pola pembelian barang yang di lakukan oleh konsumen . Untuk mengatasi masalah ini , di perlukan sutu sistem yang dapat membantu pemilik swalayan dalam mengambil keputusan mengenai jenis barang
dan permintaan barang yang harus di stok dalam jumlah lebih banyak dari barang lainnya , sehingga jumlah
inventori (stok barang) dan permintaan dapat terpenuhi secara
seimbang agar tidak terjadi penyusutan nilai guna barang dan pemilik swalayan tidak mengalami kerugian . Salah satu metode yang di gunakan dalam sistem pendukung keputusan tersebut adalah dengan menggunakan metode algoritma apriori. algoritma Apriori adalah merupakan salah satu teknik dari datamining yang mempelajari perilaku kebiasaan konsumen dalam membeli barang secara bersamaan dalam satu waktu. teknik tersebut dapat di gunakan untuk menemukan pola assosiasi rule dengan tingkat kepercayaan tertentu. Sehingga dapat memberikan solusi bagi pemilik toko untuk menyediakan barang barang yang harus di sediakan dan merancang tampilan produk di katalog merancang kupon diskon (untuk di berikan kepada pelanggan yang membeli produk tertentu), tingkat kepercayaan ditentukan oleh manajer melalui minimum support dan minimum confidence yang ideal adalah 20% untuk minimum support.
1.2. Tinjauan Pustaka
Penelitian sebelumnya terkait penerapan data mining assosiation rule dengan algoritma apriori untuk dapat mengolah data dan menemukan patern atau pola penjualan , diantaranya adalah : [1].
1. 1. Penelitian yang dilakukan oleh (Wijhah Islamika 2015) Penjelasan Penelitian : Dalam Penelitian ini Wijhah Islamika melakukan analisis asosiasi data dangan algoritma apriori sebagai sistem pendukung keputusan penjualan barang yang berbasis web dengan menghasilkan association rule pola
if-then dimana k-itemset digunakan untuk mengeksplorasi
itemset dengan melakukan pendekatan iterative yang dikenal dengan pencarian level-wise.[2].
2. Penelitian yang dilakukan oleh (Denny Henrry Bonai 2011) Penjelasan Penelitian : Dalam penelitian ini dalam penelitian ini akan menggunakan algoritma apriori. Dalam penelitian ini akan dibuat suatu sistem pendukung keputusan analisa pola pembelian produk dengan metode algoritma apriori dengan menggunakan Visual Basic dan SQL server . Adapun teknik yang digunakan dalam penelitian ini adalah algoritma apriori menggunakan 2 nilai analisis 2 nilai penting yaitu minimum
support dan confidence. Dua nilai tersebut digunakan dengan
proses iterasi untuk menemukan setiap kombinasi item barang yang disebut proses join dan proses untuk mengeliminasi pengelompokan barang yang disebut proses prune. Setelah membaca jurnal-jurnal dan penelitian yang sudah dilakukan
2
diatas sebagai studi literature dan penelusuran ilmiah, maka peneliti semakin mengetahui banyak hal mengenai data mining terutama bagaimana sebuah algoritma apriori bisa digunakan dalam mempelajari market basket analisis atau perilaku belanja konsumen dengan aturan asosiasi sebuah data bisa diolah sebagai sebuah informasi sehingga dapat bermanfaat untuk masa yang akan mendatang. Penelitian yang telah pernah di lakukan sebelumnya oleh peneliti di atas tersebut dilihat dari aspek ekonomi masih kurang sempurna , dengan menggunakan web membuat biaya operasional semakin bertambah karna adanya keluaran biaya yang harus di keluarkan untuk membayar sewa internet selama waktu tertentu , sehingga masih kurang effisien dalam proses operasional , dalam penelitian ini juga tidak menampilkan data transaksi ke dalam form yang telah Masuk kedalam database , hanya langsung berada di form analisis tidak dapat
menampilkan data data transaksi di form output aplikasi . Berdasarakan hasil dari penelitian yang telah di lakukan
sebelumnya , terdapat sejumlah keunggulan dari pembuatan aplikasi ini , yaitu peneliti membuat aplikasi Sistem
Pendukung Keputusan Penjualan Barang dengan
Menggunakan Algoritma Apriori , dengan menggunakan Bahasa pemrograman Java Desktop dan database MYSQL sehingga dapat mengurangi biaya operasional dalam penggunaannya , selain itu tampilan data transaksi yang tidak terdapat dalam penelitian sebelumnya di tampilkan dalam aplikasi ini. Selain itu sistem ini dapat melakukan transaksi penjualan serta olah data penjualan.[3].
3. Analisis dan Perancangan 3.1. Analisis Sistem
3.2 Identifikasi Masalah
Dalam membuat suatu Sistem Informasi , tahap pertama yang di lakukan dalam proses analisis adalah dengan menentukan permasalahan yang terjadi dalam sistem , sehingga sistem yang akan di buat lebih baik dari sistem yang ada sebelumnya.
3.2.1 Analisis Pieces
Untuk menyelesaikan permasalahan yang telah di uraikan sebelumnya , untuk menentukan sebuah sistem di perlukan analisis sebagai alat ukur untuk menentukan langkah langkah yang harus di ambil , berikut ini adalah analisis PIECES :
3.2.1.1 Analisis Kinerja ( Performance )
Tabel 3.1 Analisis Kinerja
3.2.1.2 Analisis Informasi ( Information ) Tabel 3.2 Analisis Informasi No Faktor Hasil Analisis
1 Akurasi Keakuratan data masih kurang , karna sering terjadi kesalahan dalam pencatatan penjualan , misalnya : Pemilik kesulitan dalam melakukan penjualan barang karna data penjualan yang terjual masih menggunakan metode manual meskipun telah memiliki nota sehingga sering terjadi pembelian barang yang tidak perlu.
2 Relevan
Informasi yang di hasilkan telah sesuai dengan yang di harapkan , namun masih kurang optimal . contoh : masih sulit mencari / mengecek data penjualan atau persediaan data barang
3 Time Line Informasi untuk melakukan
pembelian barang dari supplier memerlukan waktu yang lama karna data penjualan barang yang
terjual masih di hitung
menggunakan alat tulis / manual .
3.2.1.3 Analisis Ekonomi ( Economy )
Tabel 3.3 Analisis Economy No Faktor Hasil Analisis
1 Biaya
Sistem lama tidak dapat
memprediksi barang apa saja yang
harus di sediakan untuk
menyeimbangkan jumlah barang di dalam inventory (stok barang) dan
No Faktor Analisis
1 Throughpout (
jumlah produksi )
Pembuatan Laporan masih manual , sering terjadi kesalahan dalam pencatatan sehingga memerlukan waktu 10 – 20 menit dalam pembuatan laporan. 2 Respon Time ( waktu) Memerlukan waktu -+ 2-3 menit dalam melakukan transaksi sehingga pembuatan laporan menjadi terlambat
3
jumlah permintaan sehingga sering terjadi penyusutan nilai guna barang (barang yang tidak terjual)
Sehingga akan menambah biaya pembelian barang.
3.2.1.4 Analisis Pengendalian ( Control ) Tabel 3.4 Analisis Control
No Faktor Hasil Analisis
1 Pengendalian
Terhadap Hak
Akses
Tidak adanya perlindungan terhadap data yang ada
sehingga dapat terjadi
kehilangan data dan perubahan data yang tidak di ketahui oleh pemilik.
3.2.1.5 Analisis Efisiensi ( Effisiency ) Tabel 3.5 Analisis Effisiency
3.2.1.6 Analisis Pelayanan ( Services ) Tabel 3.6 Analisis Service No Faktor Hasil Analisis
1 Pelayanan
Kurangnya peningkatan pelayanan terhadap konsumen karna sistem belum mampu mengetahui untuk memenuhi permintaan barang yang di beli konsumen
3.3.2.1 Perangkat Keras ( Hardware )
adalah semua bagian fisik komputer, dan dibedakan dengan data yang berada di dalamnya atau yang beroperasi di dalamnya, dan dibedakan denganperangkat lunak (software) yang menyediakan instruksi untuk perangkat keras dalam menyelesaikan tugasnya.
Spesifikasi perangkat keras ( hardware ) untuk membuat aplikasi ini adalah :
1. Processor : Intel Pentium core2 duo or higher
2. Ram : 2 GB
3. Harddisk : 240gb
4. Monitor : 19’
5. Mouse
6. Keyboard
3.3.2.2 Perangkat Lunak (Software )
Kebutuhan software yang di gunakan dalam pembuatan sistem informasi ini adalah :
1. Sistem Operasi Windows 7 Ultimate
2. Java NetBeans 8.0.1 3. My Sql
4. Xampp
3.5.1 Perancangan Model
3.5.1.1 Bagan Alur Algoritma Apriori
Gambar 3.1 Rancangan Bagan Alur Algoritma Apriori
3.5.1.1.1 Contoh Penggunaan Algoritma Apriori untuk Pencarian Association Rule
Pada bagian ini akan di jelaskan penggunaan algoritma Apriori untuk menganalisis data belanja pada data transaksi penjualan , Berikut ini merupakan contoh database transaksi dari sebuah toko , setiap transaksi menunjukkan item yang di beli oleh konsumen dalam waktu secara bersamaan
3.5.1.1.1.1 Tahapan Perhitungan Algoritma Apriori
1. Tahapan pertama dalam perhitungan Algoritma Apriori untuk menemukan association rules yaitu menuliskan data transaksi yang terjadi dalam periode tertentu. Data transaksi yang dimisalkan yaitu seperti dalam tabel berikut :
Tabel 3.7 Daftar Transaksi
Transaksi Item
1 Susu, Mentega, Kopi, Gula
2 Susu
3 Susu, Mentega, Gula
4 Susu, Kopi, Teh
5 Susu, Teh
6 Susu, Kopi, Teh
7 Susu, Mentega, Kopi, Teh
8 Susu, Mentega, Kopi, Gula
No Faktor Hasil Analisis
1 Jumlah sumber daya yang di gunakan
Sistem lama kurang Eficiency karna memerlukan beberapa orang dan waktu yang lama dalam proses penyediaan stok barang masih menggunakan metode manual sehingga terjadi pengeluaran biaya untuk membeli alat tulis serta tenaga
4
9 Susu, Mentega, Kopi, Teh
10 Susu Kopi, Teh
2. Tahapan berikutnya adalah membuat tabel tabular untuk melakukan perhitungan jumlah kunjungan di masing-masing barang . Tabular ini dapat dilihat pada Tabel 3.8.
Tabel 3.8 Tabulasi Representasi dari Data Transaksi
Transaksi Susu Mentega Kopi Teh Gula
1 1 1 0 0 1 2 1 0 0 0 0 3 1 1 0 0 1 4 1 0 1 1 0 5 1 0 0 1 0 6 1 0 1 1 0 7 1 1 1 1 0 8 1 1 1 0 1 9 1 1 1 1 0 10 1 0 1 1 0 Jumlah 10 5 6 6 3
3. Langkah berikutnya adalah membuat kombinasi 2 itemsets pada setiap barang dan frekuensi masing-masing kombinasi dihitung sesuai dengan data tabular pada tabel. Pola kombinasi yang didapatkan dapat dilihat pada tabel 3.9 :
Tabel 3.9. Pola Kombinasi 2 Itemsets
Pola Kombinasi 2 Itemsets Jumlah
Susu – Mentega 5 Susu – Kopi 6 Susu – Teh 6 Susu – Gula 3 Mentega – Kopi 3 Mentega – Teh 2 Mentega – Gula 3 Kopi – Teh 5 Kopi – Gula 1 Teh – Gula 0
4. Setelah frekuensi masing-masing itemset ditemukan, langkah selanjutnya menyeleksi frekuensi yang lebih besar atau sama dengan batas minimal yang telah ditentukan. Misalnya ditentukan batas minimal support ≥ 3
Tabel 3.10 Eliminasi Kombinasi Itemset
Pola Kombinasi 2 Itemsets Jumlah
Susu – Mentega 5 Susu – Kopi 6 Susu – Teh 6 Susu – Gula 3 Mentega – Kopi 3 Mentega – Teh 2 Mentega – Gula 3 Kopi – Teh 5 Kopi – Gula 1 Teh – Gula 0
5. Tahapan selanjutnya adalah menganalisa tabel 3.10 ,
terdapat beberapa baris yang diberi garis hitam, garis tersebut adalah itemset yang tidak memenuhi batas minimum dari jumlah frekuensi yang telah ditentukan. 6. berikutnya adalah dengan membuat 3 itemset yang sesuai
dengan susunan kombinasi yang telah di tetapkan . 7. Kombinasi 3 itemset yang memenuhi adalah kombinasi
Susu-Mentega-Kopi dan kombinasi Susu-Mentega-Teh karena kombinasi tersebut memenuhi syarat support ≥ 3. maka persentase confidence yang terbentuk adalah :
Tabel 3.11 Persentase Confidence 3 Itemset
No Aturan Confidence
1 Jika Susu dan Mentega, maka Kopi
3/5 60%
2 Jika Susu dan Kopi, maka Mentega
3/6 50%
3 Jika ke Kopi dan Mentega, maka Susu
3/3 100%
Jumlah confidence dari pola kombinasi 2 itemset yang memenuhi minimal support yaitu terlihat dari tabel 3.14 :
Tabel 3.12 Eleminasi Minimum Confidence
No Kombinasi 2 Itemsets Confidence
1 Jika Membeli Susu maka Membeli Mentega
5/10 50%
2 Jika Membeli Mentega maka
Membeli Susu
5/5 100%
3 Jika Membeli Susu maka Membeli Kopi
6/10 60% 4 Jika Membeli Kopi maka Membeli
Susu
6/6 100%
5 Jika Membeli Susu maka ke Membeli Teh
6/10 60% 6 Jika Membeli Teh maka Membeli
Susu
6/6 100%
7 Jika Membeli Susu maka ke Membeli Gula
3/10 30% 8 Jika Membeli ke Gula maka
Membeli Susu
3/3 100%
9 Jika Membeli Mentega maka
Membeli Kopi
3/5 60%
10 Jika Membeli Kopi maka Membeli Mentega
3/6 50%
5
Membeli Gula
12
Jika Membeli Gula maka Membeli Mentega3/3 100%
13
Jika Membeli Kopi maka Membeli Teh5/5 100%
14
Jika Membeli Teh maka Kopi 5/6 83%8. Misalkan ditetapkan nilai confidence minimal adalah 60% maka terlebih dahulu kita menyeleksi jumlah minimal
confidence. Dari tabel diatas maka dapat dihitung aturan
asosiasi finalnya, yaitu Support dan Confidence seperti pada tabel 3.15 :
Tabel 3.13 Final Association Rule
No Aturan Supp Conf
1 Jika Membeli Mentega maka Membeli Susu
50% 100%
2 Jika Membeli Susu maka
Membeli Kopi
60% 60%
3 Jika Membeli Kopi maka
Membeli Susu
60% 100%
4 Jika Membeli Susu maka
Membeli Teh
60% 60%
5 Jika Membeli Teh maka
Membeli Susu
60% 100%
6 Jika Membeli Gula maka
Membeli Susu
30% 100%
7 Jika Membeli Mentega maka Membeli Kopi
30% 60%
8 Jika Membeli Mentega maka Membeli Gula
30% 60%
9 Jika Membeli Gula maka
Membeli Mentega
30% 100%
10 Jika Membeli Kopi maka
Membeli Teh
50% 100%
11 Jika Membeli Teh maka
Membeli Kopi
50% 83%
13 Jika Membeli Susu dan
Mentega, maka Membeli Gula
50% 60%
14 Jika Membeli susu dan
Mentega maka Membeli Gula
30% 60%
Tabel final association rule menjelaskan Hasil perhitungan support pada tabel final association rule didapatkan dari jumlah kunjungan dengan kombinasi barang A dan B dibagi dengan total barang A. Sedangkan confidence didapatkan dari jumlah barang kombinasi A dan B dibagi dengan total transaksi yang ada. Hasil dari perhitungan menggunakan rumus support dan confidence itulah yang menjadi hasil akhir dari algoritma apriori.
4. Implementasi dan Pembahasan
4.1 Pembuatan Database
Gambar 4.1 Pembuatan Database
Setelah membuat database , langkah selanjutnya adalah membuat table table dari database yang telah di buat , table ini berfungsi sebagai tempat menyimpan data atau informasi yang saling berkaitan antar tabel satu dengan tabel yang lain . Berikut ini tabel yang akan di buat oleh penulis.
4.2 Relasi Antar Tabel
Gambar 4.7 Relasi Antar Tabel 4.3 Implementasi Interface ( Antarmuka ) Program
Setelah pembuatan database , langkah selanjutnya adalah pembuatan program interface , Interface ( Antarmuka )
, Dalam penelitian ini interface dan program tidak di bahas
secara keseluruhan , hanya membahas beberapa contoh
interface dan program.
4.3.1 Tampilan Halaman Login
Gambar 4.2 Tampilan Menu Login 4.3.2 Tampilan Menu Penjualan
6 3. Penutup
5.1. Kesimpulan
Dari hasil perancangan dan penelitian sampai dengan penyelesaian pembuatan Sistem Pendukung Keputusan ini , penulis menarik kesimpulan sebagai berikut :
1. Untuk mengetahui barang barang apa saja yang di beli atau terjual secara bersamaan oleh konsumen , penulis membuat sebuah program aplikasi system pendukung keputusan penjualan barang dengan menggunakan algoritma apriori dengan bantuan aplikasi java netbeans dan Microsoft SQL Server
2. Sistem Pendukung Keputusan yang di buat dapat memberikan solusi bagi pemilik toko untuk menyediakan barang barang yang harus di sediakan dan merancang tampilan produk di katalog , merancang kupon diskon (untuk di berikan kepada pelanggan yang membeli produk tertentu), merancang penjualan paket dan lain lain 3. Hasil dari Sistem Pendukung Keputusan bisa menjadi
tolak ukur bagi pemilik toko untuk mengambil suatu keputusan untuk menyediakan barang barang yang di perlukan oleh konsumen sehingga tidak terjadi kekurangan stok barang dan penyusutan nilai guna barang.
4. Memperkecil kemungkinan untuk mengalami kerugian akibat pembelian barang yang tidak sesuai dengan kebutuhan konsumen.
5.2 Saran
Saran yang ingin penulis sampaikan adalah sebagai berikut :
1. Perlu adanya perbaikan untuk mengembangkan dan menyempurnakan aplikasi Sistem Pendukung Keputusan ini seperti untuk mencetak laporan hasil analisis yang di keluarkan
2. Agar Sistem dapat berjalan dengan baik dan dapat di gunakan secara terus menerus , maka perlu di lakukan perawatan dan pemeliharaan secara berkala terhadap perangkat keras maupun perangkat lunak .
Daftar Pustaka
[1] Bonai, H. B. (2011). Sistem Pendukung Keputusan Analisis Pola Pembelian Produk Dengan Metode Algoritma Apriori. Sistem Pendukung Keputusan Analisis
Pola Pembelian Produk Dengan Metode Algoritma Apriori, http://repository.upnyk.ac.id/1100/1/SKROP.pdf.
[Diakses 23 Oktober 2016].
[2] Fatta, H. A. (2009). Analisis dan Perancangan Sistem
Informasi. Yogyakarta: C.V ANDI OFFSET.
[3] Islamika, W. (2015). Analisis Asosisasi Data Dengan Algoritma Apriori Untuk Sistem Pendukung Keputusan.
Analisis Asosisasi Data Dengan Algoritma Apriori Untuk
Sistem Pendukung Keputusan, http://digilib.uin- suka.ac.id/15440/2/10651058_bab-i_iv-atau-v_daftar-pustaka.pdf. [Diakses 23 Oktober 2016].
[4] Kusrini. (2007). Konsep dan Aplikasi Sistem Pendukung Keputusan. Dalam Kusrini, Konsep dan Aplikasi Sistem
Pendukung Keputusan. Yogyakarta: C.V ANDI OFFSET.
[5] Luthfi, K. d. (2009). Algoritma Data Mining. Yogyakarta: C.V ANDI OFFSET.
[6] Rini, S. A, " Universitas Sunan Kalijaga, "Implementasi Algoritma Apriori Untuk Menganalisis Keranjang Belanja Konsumen Pada Data Transaksi Penjualan Supermarket.
Implementasi Algoritma Apriori Untuk Menganalisis Keranjang Belanja Konsumen Pada Data Transaksi Penjualan Supermarket, [Online]. Available: http://repository.uin-suska.ac.id/663/1/2011_2011168.pdf. [Diakses 3 Januari 2017]
[7]Fairuz,E.S, "Analisis Sistem Informasi - DiagramAlirData,".2010[Online].Available:http://library.b inus.ac.id/eColls/eThesisdoc/Bab2HTML/2011200855SIB ab2001/page25.html. [Diakses 20 Maret 2017].
Daftar Biodata Penulis
Dirga S Chaniago , memperoleh gelar Sarjana Komputer
(S.Kom), Program Studi S1 Informatika Universitas Amikom Yogyakarta, lulus tahun 2017.
Bambang Sudaryatno, memperoleh gelar Sarjana (S1), di
Universitas Pembangunan Nasional pada tahun 1986. Memperoleh gelar Magister Manajemen di STIE Artha Bodhi Iswara pada tahun 2004. Saat ini menjadi Dosen tetap di Universitas Amikom Yogyakarta.
