1
ANALISA KERANJANG BELANJA DENGAN ATURAN ASOSIASI
MENGGUNAKAN ALGORITMA APRIORI UNTUK STOK
BARANG PADA LISTRIKMART
Siti Maskuroh1
1Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Jl. Nakula I No. 5-11 Semarang, Indonesia
Telp. (024) 3517261. Fax : (024) 3520165 E-mail : sitimaskuroh10@gmail.com1
Abstrak
Sering terjadi kekosongan salah satu stok barang yang sering dibeli secara bersamaan oleh pelanggan, merupakan salah satu faktor dari tidak adanya informasi mengenai kebiasaan belanja konsumen. Sehingga perlu dilakukan penelitian mengenai barang yang sering dibeli secara bersamaan, berdasarkan data transaksi penjualan di Listrikmart dengan teknik association rule. Algoritma association rule yang digunakan dalam penelitian ini adalah algoritma apriori.
Hasil yang didapat dari pengolahan data transaksi penjualan tersebut adalah berupa kombinasi item (itemset) dengan nilai asoosiasi berupa nilai support dan confidence. Semakin tinggi nilai support dan confidence maka semakin kuat nilai keterkaitannya. Banyaknya data pertimbangan akan membuat relasi di tiap barang semakin sedikit, dan besarnya macam penawaran barang. Semakin tinggi nilai support dan confidence maka semakin kecil jumlah rule yang terbentuk, begitu sebaliknya.
Kombinasi item yang dihasilkan dapat menjadi bahan rekomendasi bagi pengusaha ritel dalam menentukan stok barang apa saja yang perlu diperbanyak demi meningkatkan keuntungan.
Kata Kunci: association rule, analisa keranjang belanja, algoritma apriori Abstract
The vacancy stock of one product that happen when the customers are purchasing more than one item at the same time is as a result from lacking information of the customers shopping habit. So it necessary to do research on frequently purchased items simultaneously, based on the sales transaction data in the Listrikmart using association rule technique. Association rule algorithms used in this research is apriori algorithm.
The results of sales transaction data processing is a combination items (itemset) with association value such as support and confidence values. The higher its value of support and confidence so the stronger its association value. The number of data considerations will make a relation in each items getting a bit, the amount kinds of supply of items. The higher its value of support and confidence, the smaller number of rules its form, so on the contrary. The items combination which generated can be used as a recommendation for retailers to determine stock items that need to be multiplied in order to increase profits.
Keywords: Association rule, market basket analysis, apriori algorithm
1. PENDAHULUAN
Listrikmart adalah minimarket yang melayani pembelian alat-alat listrik secara partai (grosir) maupun pembelian alat listrik secara ecer (retail). Usaha ritel atau eceran (retailing) dapat
dipahami sebagai semua kegiatan yang terlibat dalam penjualan barang atau jasa secara langsung kepada konsumen akhir untuk penggunaan pribadi dan bukan penggunaan bisnis [2].
Stok barang merupakan permasalahan operasional yang sering dihadapi oleh
pedagang retail. Jika jumlah stok barang terlalu sedikit dan permintaan tidak dapat dipenuhi karena kekurangan persediaan. Begitu juga jika stok barang terlalu besar, maka akan mengakibatkan kerugian karena harus menyediakan tempat yang lebih besar, terjadinya penyusutan nilai guna barang, serta harus menyediakan biaya tambahan yang terkait dengan biaya stok barang seperti biaya pemeliharaan dan biaya akuntansi [3].
Market Basket Analysis merupakan
salah satu teknik dari data mining yang mempelajari tentang perilaku kebiasaan konsumen dalam membeli barang secara bersamaan dalam satu waktu. Teknik tersebut bisa diterapkan dalam data yang sangat besar seperti data transaksi penjualan [4].
Apriori adalah suatu algoritma yang
sudah sangat dikenal dalam melakukan pencarian frequent itemset dengan menggunakan teknik association rule [3].
Berdasarkan latar belakang diatas, maka penelitian ini akan menerapkan algoritma apriori untuk mengetahui kebiasaan belanja pelanggan sehingga memudahkan dalam stok barang atau order barang.
2. TINJAUAN PUSTAKA 2.1 Definisi Persediaan Barang
Pengertian persediaan menurut Warren Reeve Fess (2005:440) yang di-terjemahkan oleh Aria Farahmita, Amanugrahani dan Taufik Hendrawan yaitu : Digunakan untuk mengindikasi-kan (1) barang dagang yang disimpan untuk kemudian dijual dalam operasi bisnis perusahaan, dan (2) bahan yang digunakan dalam proses produksi atau yang disimpan untuk tujuan itu” [8].
2.2 Tahap Association rule
Meodologi dasar analisis asosiasi terbagi menjadi dua tahap [10] :
1. Analisis pola frekuensi tinggi
Tahapan ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database. Nilai
support sebuah item diperoleh
dengan rumus berikut.
Support (A) = Jumlah transaksi
mengandung A Total Transaksi Sementara itu, nilai support dari 2
item diperoleh dari rumus 2 berikut. Support (A, B) = P (A ∩ B)
Support(A,B) = ∑ Transaksi
mengandung A dan B ∑ Transaksi 2. Pembentukan aturan asosiasi
Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yang memenuhi syarat
minimum untuk confidence dengan
menghitung confidence aturan asosiatif A → B.
Nilai confidence dari aturan A → B diperoleh dari rumus berikut.
Confidence = P(B | A)= ∑ Transaksi mengandung A dan B ∑ Transaksi mengandung A 2.3 Algoritma Apriori
Algoritma apriori termasuk jenis aturan asosiasi pada data mining. Aturan yang menyatakan asosiasi antara beberapa atribut sering disebut affinity analysis atau Market Basket Analysis. Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan suatu kombinasi
3. ANALISA HASIL PENELITIAN 3.1 Aplikasi
Gambar 1. Halaman apriori
Halaman apriori ini merupakan halaman yang digunakan untuk mencari
rule-rule hubungan antar produk yang
sering dibeli secara bersamaan. Memiliki 5 inputan yaitu : import data,
minimum support, minimum confidence, maximum rule, nama file.
3.2 Hasil dan Analisa
Pembahasan ini akan mem-bandingkan
rule yang terbentuk pada setiap
bulannya. Penelitian dilakukan pada bulan juli, agustus, dan september 2014. Bulan juli 115 barang dan 390 transaksi, bulan agustus 66 barang 251 transaksi, september 146 barang dan 390 transaksi, untuk 3 bulan (juli, agustus, september) 170 barang dan 1067 transaksi.
Gambar 2. Rincian rule bulan juni
Gambar 3.Rincian rule bulan agustus
Gambar 4. Rincian Rule bulan september
Rule yang dipilih pada bulan juli,
agustus dan september adalah nilai
minimum support 0.02 dan minimum confidence 0.30, nilai minimum ini
dipilih karena dipilih tengah-tengah antara minimum support dan confidence dari yang terbesar dan terkecil. Jika dipilih minimum support dan confidence yang terkecil meskipun hasil aturan yang diperoleh lebih banyak tapi tingkat kekuatan kebenarannya masih sedikit, sebaliknya jika memilih minimum
confidence yang terlalu besar maka
hanya sedikit aturan yang terbentuk atau bahkan tidak terbentuk.
Aturan yang diperoleh dengan minimum
support 0.02 dan minimum confidence
0.30, aturan ini dianggap yang paling sesui untuk dijadikan pertimbangan stok barang.
Tabel 2. Rule yang dipilih bulan agustus
Tabel 3. Rule yang dipilih bulan september
Barang yang sering dibeli secara bersamaan pada tiap bulannya berbeda-beda, namun ada juga barang yang terus-menerus dibeli secara besamaan yang terjadi pada setiap bulan. Dibuktikan dengan adanya 3 aturan/rule yang selalu ada pada setiap bulannya, sama dengan 3 aturan yang diperoleh dari data 3 bulan dengan minimum
support (0.02) dan confindence (0.30).
Berikut ini rinciannya :
Tabel 4: Rule yang selalu ada setiap bulan
Trafik penjualan yang terjadi pada setiap bulan tidak selalu sama, berdasarkan hasil analisa dalam penelitian ini ditemukannya perbedaan
rule / aturan yang sering dibeli secara
bersamaan pada bulan juli, agustus, dan september. Namun, ada juga barang yang sering dibeli bersamaan secara terus menerus / secara berkala.
Barang yang sering dibeli bersamaan di 3 bulan terakhir yaitu :
1. Jika membeli bestram steker -> maka
membeli bestram kontak (3.8%, 53%)
2. Jika membeli bestram kontak ->
maka membeli bestram steker (3.8%, 42%)
3. Jika membeli fujilight kabel audio ->
maka membeli broco steker (2%, 40%)
Aturan pertama dapat diartikan: seorang konsumen yang membeli bestram steker, punya kemungkinan 3,8% untuk juga membeli bestram kontak, aturan ini mewakili dari 53% dari semua transaksi selama ini.
Atruan ini dapat dimanfaatkan untuk mengatur atau menjaga persediaan stok barang. Misal : order bestram steker sebanyak 100 pcs maka harus order juga bestram kontak sebanyak 53 pcs.
4. KESIMPULAN
Dari analisa yang dilakukan selama 3 bulan terakhir (bulan juli, agustus, september 2014) memperoleh 3 aturan yang selalu terbeli secara bersamaan pada setiap bulan dengan minimum support (0.02) dan confidence (0.30) yaitu : 1. Jika membeli bestram steker -> maka membeli bestram kontak (3.8%, 53%), 2. Jika membeli bestram kontak -> maka membeli bestram steker (3.8%, 42%), 3. Jika membeli fujilight kabel audio -> maka membeli broco steker (2%, 40%).
Hasil dari proses data mining ini dapat digunakan sebagai bahan pertimbangan dalam menentukan stok kedepannya atau menjaga stok barang yang sering dibeli bersamaan di Listrikmart misal : order 100 pcs bestram steker maka order bestram kontak 53pcs.
DAFTAR PUSTAKA
Santosa, and Nasir Widha Setyanto, "Perancangan Aplikasi Data Mining dengan Algoritma Apriori untuk Frekuensi Analisis Keranjang Belanja pada Data Transaksi Penjualan," jrmsi, vol. 1, no. 3, pp. 415 - 426, 2013.
[2] M. Misbakhul Munir, "Analisis Pengaruh Retailing Mix Terhadap Keputusan Pembelian pada Mini Market Permata Di Kecamatan Balapulang," UNIVERSITAS DIPONEGORO, Semarang, Skripsi Fakultas Ekonomi Universitas Diponegoro 2011. [3] Erwin, "Analisis Market Basket
Dengan Algoritma Apriori dan FP-Growth," Jurnal Generic, vol. 4, no. 2, pp. 26 - 30, 2009.
[4] Safar Riduan Pasaribu, "Sistem Pendukung Keputusan Analisa Pola Penjualan Barang dengan Algoritma Apriori (Studi Kasus: Lucky Swalayan)," Pelita Informatika Budi Darma, vol. 6,
no. 2, pp. 119 - 123, 2014.
[5] Denny Haryanto, Yetli Oslan, and Djoni Dwiyana, "Implementasi Analisis Keranjang Belanja Dengan Aturan Asosiasi Menggunakan Algoritma Apriori Pada Penjualan Suku Cadang Motor," Jurnal Buana Informatika, vol. 2, no. 2, pp. 81 - 94, 2011. [6] Goldie Gunadi and Dana Indra
Sensuse, "Penerapan Metode Data Mining Market Basket Analysis Terhadap Data Penjualan Produk Buku dengan Menggunakan Algoritma Apriori dan Frequent Pattern Growth (Fp-growth) : Studi Kasus Percetakan PT. Gramedia,"
Jurnal Telematika Mkom, vol. 4,
no. 1, pp. 118- 132, 2012.
[7] Kennedi Tampubolon, Hoga Saragih, and Bobby Reza, "Implementasi Data Mining
Algoritma Apriori pada Sistem Persediaan Alat-Alat Kesehatan,"
Informasi dan Teknologi Ilmiah (INTI), vol. 1, no. 1, pp. 93 - 106,
2013.
[8] Fitria;, "Pengaruh Inventory Turnover Dan Recievable Turnover Terhadap Laba/Rugi Pada PT. Rutan Cabang Palembang," Universitas Tridinanti, Palembang, 2013.
[9] Fajar Astuti Hermawati, Data
Mining, Putri Christian, Ed.
Yogyakarta, Indonesia: CV Andi Offset, 2013.
[10] Kusrini; Luthfi, Emha Taufiq;,
Algoritma Data Mining, 1st ed.,
Theresia Ari Prabawati, Ed. Yogyakarta, Indonesia: Andi, 2009.
[11] Efori Buulolo, "Implementasi Algoritma Apriori pada Sistem Persediaan Obat (Studi Kasus : Apotik Rumah Sakit Estomihi Medan)," Pelita Informatika Budi
Darma, vol. 4, no. 1, pp. 71 - 83,
2013.
[12] Rizki Muliono, "Perancangan Web E-Commerce Jual Beli Batu Cincin Dengan Algoritma Apriori (Studi Kasus Toko Akik Murah Padang Sidimpuan)," Pelita Informatika
Budi Darma, vol. 7, no. 3, pp. 51 -
56, 2014.
[13] Eka Novita Sari, "Analisa Algoritma Apriori Untuk Menentukan Merek Pakaian yang Paling Diminati pada Mode Fashion Group Medan," Pelita
Informatika Budi Darma, vol. 4,
no. 3, pp. 35 - 39, 2013.
[14] Hapsari Dita Anggraeni, Ragil Saputra, and Beta Noranita, "Aplikasi Data Mining Analisis Data Transaksi Penjualan Obat Menggunakan Algoritma Apriori (
Studi Kasus di Apotek Setya Sehat Semarang)," Journal of Informatics
and Technology, vol. 2, no. 2, pp.
22 - 28, 2013.
[15] Nuqson Masykur Huda, "Aplikasi Data Mining untuk Menampilkan Informasi Tingkat Kelulusan Mahasiswa," Universitas Diponegoro, 2010.
[16] Christian A.D Selang, "Bauran Pemasaran (Marketing Mix) Pengaruhnya Terhadap Loyalitas Konsumen pada Fresh Mart Bahu Mall Manado," EMBA, vol. 1, no. 3, pp. 71 - 80, 2013.
