APLIKASI PENJADWALAN PENGADAAN BARANG
MENGGUNAKAN ALGORITMA APRIORI
Dahlan Abdullah, Dedi Saputra
Program Studi Teknik Informatika, Fakultas Teknik, Universitas Malikussaleh, Aceh, Indonesia 24354 Email : dahlan@unimal.ac.id
Abstrak
Data mining adalah proses menganalisa data dari perspektif yang berbeda dan menyimpulkannya menjadi informasi-informasi penting yang dapat dipakai untuk
meningkatkan keuntungan, memperkecil biaya
pengeluaran, atau bahkan keduanya. Algoritma apriori
termasuk jenis aturan asosiasi pada data mining.
Algoritma apriori yang bertujuan untuk menemukan
frequent item sets dijalankan pada sekumpulan data. Analisis apriori didefenisikan sebagai suatu proses untuk menemukan semua aturan apriori yang
memenuhi syarat minimum untuk support dan syarat
minimum untuk confidence. Maka dari itu untuk
mengoptimalkan jadwal pengadaan barang agar sesuai dengan kebutuhan yang diinginkan perusahaan dapat
menggunakan salah satu teknik dalam data mining yaitu
algoritma apriori. Data yang digunakan untuk menganalisa dalam penelitian ini adalah data hasil dari proses transaksi jual beli pada Swalayan Sejahtera. Hasil dari analisa menggunakan algoritma apriori ini adalah barang yang sering dibeli bersamaan pada satu kali transaksi. Pada analisa terhadap sejumlah data, bahwa semakin kecil batas transaksi dan minimum
confidence yang ditentukan, semakin banyak pula rules
yang dihasilkan, dengan konsekuensi waktu proses pun akan lebih lama dibandingkan batas transaksi dan
minimum confidence yang lebih besar.
Kata kunci : Apriori, Confidence, Data Mining,
Pengadaan Barang. 1. Pendahuluan
Filosofi pengadaan barang/jasa adalah upaya untuk mendapatkan barang/jasa yang diinginkan dan dilakukan atas dasar pemikiran yang logis dan
sistematis (The system of thought), mengikuti
norma dan etika yang berlaku, berdasarkan metode dan proses pengadaan yang baku (Sanjaya D, 2013).
Data mining adalah proses menganalisa data dari perspektif yang berbeda dan menyimpulkannya menjadi informasi-informasi penting yang dapat
dipakai untuk meningkatkan keuntungan,
memperkecil biaya pengeluaran, atau bahkan
keduanya. Secara teknis, data mining dapat disebut
sebagai proses untuk menemukan korelasi atau
pola dari ratusan atau ribuan field dari sebuah
relasional database yang besar. Kemampuan data
mining untuk mencari informasi bisnis yang berharga dari basis data yang sangat besar, dapat dianalogikan dengan penambangan logam mulia dari lahan sumbernya, teknologi ini dipakai untuk :
a. Prediksi trend dan sifat-sifat bisnis, dimana
data mining mengotomatisasi proses pencarian informasi memprediksi di dalam basis data yang besar.
b. Penemuan pola-pola yang tidak diketahui
sebelumnya, dimana data mining “menyapu”
basis data, kemudian mengidentifikasi pola-pola yang sebelumnya tersembunyi dalam satu sapuan.
Dalam aplikasinya, data mining sebenarnya
merupakan salah satu bagian proses Knowledge
Discovery in Database (KDD) yang bertugas untuk mengekstrak pola atau model dari data dengan menggunakan suatu algoritma yang spesifik (Mabrur, 2012).
Algoritma apriori termasuk jenis aturan asosiasi
pada data mining. Algoritma apriori yang
bertujuan untuk menemukan frequent item sets
dijalankan pada sekumpulan data. Analisis apriori didefenisikan suatu proses untuk menemukan semua aturan apriori yang memenuhi syarat
minimum untuk support dan syarat minimum
untuk confidence (Pane, 2013).
2. Tinjauan Pustaka 2.1. Pengadaan Barang
Bagi orang yang tidak bergelut dalam bidang
bisnis mungkin kata “procurement” agak jarang
atau mungkin tidak pernah didengar. Tetapi manakala kita menyebutkan kata “pembelian”
maka semua orang pasti memahaminya.
Sebahagian besar orang mengartikan bahwa arti
tidak sepenuhnya benar karena dalam bidang
bisnis kata “pembelian” sama dengan purchasing
dimana purchasing tersebut merupakan bagian
dari procurement. Procurement melibatkan
seluruh kegiatan yang vital dalam pengadaan barang atau jasa yang dapat membuat suatu
produsen memproduksi sesuatu atau
menyelesaikan suatu proyek sesuai dengan
keinginan pelanggannya. Procurement memiliki
arti yang lebih luas daripada purchasing karena ia
meliputi seluruh kegiatan yang terjadi dalam beberapa departemen (bagian) (Fitriana, 2012). Pengadaan barang/jasa pada awalnya merupakan
kegiatan praktis, sekarang sudah menjadi
pengetahuan yang dapat dipelajari dan diajarkan.
Pengadaan barang/jasa pada hakikatnya
merupakan upaya pihak pengguna untuk
mendapatkan dan mewujudkan barang/jasa yang diinginkannya, dengan menggunakan metode dan proses tertentu agar dicapai kesepakatan harga, waktu, dan kesepakatan lainnya. Agar hakikat atau esensi pengadaan barang/jasa tersebut dapat dilaksanakan sebaik-baiknya, maka kedua belah pihak yaitu pihak pengguna dan penyedia haruslah selalu berpatokan pada filosofi pengadaan barang/jasa, tunduk kepada etika dan norma pengadaan barang/jasa yang berlaku, mengikuti prinsip-prinsip, metode, dan proses pengadaan barang/jasa yang baku (Sanjaya D, 2013).
Filosofi pengadaan barang/jasa adalah upaya untuk mendapatkan barang/jasa yang diinginkan dan dilakukan atas dasar pemikiran yang logis dan
sistematis (The system of thought), mengikuti
norma dan etika yang berlaku, berdasarkan metode dan proses pengadaan yang baku. Pengadaan barang/jasa melibatkan beberapa pihak, yaitu pihak pembeli atau pengguna dan pihak penjual atau penyedia barang/jasa. Pembeli atau pengguna barang/jasa adalah pihak yang membutuhkan barang/jasa. Dalam pelaksanaan pengadaan, pihak pengguna adalah pihak yang meminta atau memberi tugas kepada pihak penyedia untuk memasok atau membuat barang atau membuat pekerjaan tertentu (Sanjaya D, 2013).
2.2. Data Mining
Data mining adalah proses menganalisa data dari perspektif yang berbeda dan menyimpulkannya menjadi informasi-informasi penting yang dapat
dipakai untuk meningkatkan keuntungan,
memperkecil biaya pengeluaran, atau bahkan keduanya (Mabrur, 2012).
Data mining adalah kegiatan mengekstraksi atau
menambang pengetahuan dari data yang
berukuran/berjumlah besar, informasi inilah yang nantinya sangat berguna untuk pengembangan.
Definisi sederhana dari data mining adalah
ekstraksi informasi atau pola yang penting atau
menarik dari data yang ada di database yang besar
(Susanto, 2014).
Data mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan
mengekstraksi pengetahuan (knowledge) secara
otomatis (Hermawati, 2013).
Data mining merupakan proses semi otomatik yang menggunakan teknik statistik, matematika,
kecerdasan buatan, dan machine learning untuk
mengekstraksi dan mengidentifikasi informasi
pengetahuan potensial dan berguna yang
bermanfaat yang tersimpan di dalam database
besar (Safitri, 2011).
Istilah data mining dan Knowledge Discovery in
Database (KDD) sering kali digunakan secara bergantian untuk menjelaskan proses penggalian informasi tersembunyi dalam suatu basis data yang besar. Sebenarnya kedua istilah tersebut memiliki konsep yang berbeda, tetapi berkaitan satu sama lain. Dan salah satu tahapan dalam keseluruhan
proses KDD adalah data mining (Safitri, 2011).
Kemampuan data mining untuk mencari informasi
bisnis yang berharga dari basis data yang sangat besar, dapat dianalogikan dengan penambangan logam mulia dari lahan sumbernya, teknologi ini dipakai untuk (Mabrur, 2012) :
a. Prediksi trend dan sifat-sifat bisnis, dimana
data mining mengotomatisasi proses pencarian informasi pemprediksi di dalam basis data yang besar.
b. Penemuan pola-pola yang tidak diketahui
sebelumnya, dimana data mining “menyapu”
basis data, kemudian mengidentifikasi pola-pola yang sebelumnya tersembunyi dalam satu sapuan.
2.2.1. Teknik Data Mining
Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual. Perlu diingat bahwa kata
mining sendiri berarti usaha untuk mendapatkan sedikit data berharga dari sejumlah besar data
dasar. Karena itu data mining sebenarnya memiliki
akar yang panjang dari bidang ilmu seperti
kecerdasan buatan (artificial intelligent), machine
learning, statistik dan basisdata. Beberapa teknikyang sering disebut-sebut dalam literatur
data mining antara lain yaitu association rule mining, clustering, klasifikasi, neural network,
genetic algorithm dan lain-lain (Safitri, 2012).
1. Classification
Suatu teknik dengan melihat pada kelakuan dan atribut dari kelompok yang telah didefinisikan. Teknik ini dapat memberikan klasifikasi pada data baru dengan memanipulasi data yang ada yang telah diklasifikasi dan dengan menggunakan hasilnya untuk memberikan sejumlah aturan. Aturan-aturan tersebut digunakan pada data-data baru untuk diklasifikasi. Teknik ini menggunkan
supervised induction, yang memanfaatkan
kumpulan pengujian dari record yang
terklasifikasi untuk menentukan kelas-kelas tambahan. Salah satu contoh yang mudah dan
popular adalah dengan Decision tree yaitu salah
satu metode klasifikasi yang paling populer karena
mudah untuk diinterpretasi. Decision tree adalah
model prediksi menggunakan struktur pohon atau struktur berhirarki.
2. Association
Digunakan untuk mengenali kelakuan dari
kejadian-kejadian khusus atau proses dimana link
asosiasi muncul pada setiap kejadian. Contoh dari aturan assosiatif dari analisa pembelian disuatu pasar swalayan adalah bisa diketahui berapa besar kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan pengetahuan tersebut pemilik pasar swalayan dapat mengatur penempatan barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon untuk kombinasi barang tertentu. Penting tidaknya suatu aturan assosiatif dapat diketahui dengan dua
parameter, support yaitu presentasi kombinasi
atribut tersebut dalam basisdata dan confidence
yaitu kuatnya hubungan antar atribut dalam aturan asosiatif.
3. Clustering
Digunakan untuk menganalisis pengelompokkan berbeda terhadap data, mirip dengan klasifikasi,
namun pengelompokkan belum didefinisikan
sebelum dijalankannya tool data mining. Biasanya
menggunkan metode neural network atau statistik.
Clustering membagi item menjadi
kelompok-kelompok berdasarkan yang ditemukan tool data
mining. Prinsip dari clustering adalah memaksimalkan kesamaan antar anggota satu
kelas dan meminimumkan kesamaan antar cluster.
Clustering dapat dilakukan pada data yang memiliki beberapa atribut yang dipetakan sebagai ruang multidimensi.
2.2.2. Tahapan Data Mining
Dalam aplikasinya, data mining sebenarnya
merupakan bagian dari Knowledge Discovery in
Database (KDD), bukan sebagai teknologi yang
utuh berdiri sendiri. Data mining merupakan suatu
bagian langkah yang penting dalam KDD terutama berkaitan dengan ekstraksi dan perhitungan pola-pola dari data yang ditelah. Seperti yang ditunjukkan pada gambar 1:
Gambar 1. Tahapan Data Mining
Menurut Hermawati (2013), tahapan proses dalam
penggunaan data mining yang merupakan proses
Knowledge Discoveri in Database (KDD) dapat diuraikan sebagai berikut:
a. Memahami domain aplikasi untuk mengetahui dan menggali pengetahuan awal serta apa sasaran pengguna.
b. Membuat target data-set yang meliputi
pemilihan data dan fokus pada sub-set data.
c. Pembersihan dan transformasi data meliputi
eliminasi derau, outliers, missing value, serta
pemilihan fitur dan reduksi dimensi.
d. Penggunaan algoritma data mining yang terdiri
dari asosiasi, sekuensial, klasifikasi,
klasterisasi, dan lain-lain.
e. Interpretasi, evaluasi dan visualisasi pola untuk
melihat apakah ada sesuatu yang baru dan menarik dan dilakukan iterasi jika diperlukan.
3. Metodelogi Penelitian
Metodologi penelitian yang dilakukan adalah sebagai berikut:
a. Metode Studi Literatur
Yaitu dengan cara membaca teori-teori yang berasal dari buku dan artikel yang berasal dari internet yang berhubungan dengan topik pembahasan.
b. Metode Observasi
Yaitu melakukan pengamatan secara langsung jalannya proses yang menjadi tinjauan umum penulis.
c. Wawancara
Yaitu untuk mendapatkan data yang
diperlukan dengan melakukan wawancara langsung dengan narasumber dalam hal ini karyawan perusahaan yang memberikan penjelasan dan data yang berhubungan dengan objek penulisan dalam laporan ini.
START Pembentukan k-itemset Jumlah frekuensi itemset >= batas transaksi Mencari rule Hitung support dan
confidence Rule yang memenuhi mincof? Bentuk aturan asosiasi Item tidak dilakukan iterasi selanjutnya T Y T Y Bukan frekuen itemset Frekuen itemset Aturan asosiasi dihasilkan Batas transaksi dan Minimum confidence End
Gambar 2. Flowchart Algoritma Apriori
4. Hasil dan Pembahasan
Dalam proses perancangan sistem yang berbasis komputer, analisis masalah memegang peranan penting dalam membuat rincian aplikasi yang akan dikembangkan, analisis masalah
merupakan langkah pemahaman persoalan
sebelum mengambil tindakan atau keputusan penyelesaian akhir.
Pada penelitian ini penulis memilih Supermarket Sejahtera Swalayan sebagai obyek penelitian. Sistem informasi penjualan yang diterapkan oleh Sejahtera Swalayan dinilai masih kurang efektif dan efisien, karena data transaksi yang tersimpan bertahun-tahun tidak dimanfaatkan sebaik mungkin. Semakin banyak data, maka swalayan tersebut semakin memerlukan usaha untuk mengolah data-data agar dapat dijadikan informasi yang berguna di masa depan. Oleh karena itu diperlukan sebuah aplikasi yang bisa memanfaatkan kumpulan data yang besar, agar dapat diperoleh informasi yang berguna bagi pengguna di masa depan sehingga penulis merasa perlu mengembangkan suatu aplikasi yang dapat mencari pola yang terjadi pada transaksi konsumen sehingga dapat diketahui produk/barang apa saja yang akan dibeli bersamaan oleh konsumen dengan menggunakan aplikasi data mining dengan teknik analisa keranjang pasar menggunakan algoritma apriori.
Pada analisa sistem baru ini menjelaskan tentang sistem yang akan dibuat yang nantinya akan diterapkan dalam kegiatan menentukan stok barang apa saja yang lebih layak diutamakan untuk dipesan oleh sejahtera swalayan, pada sistem ini setiap pengguna sistem dapat melakukan analisa keranjang pasar terhadap stok barang dari kegiatan transaksi konsumen yang sebelumnya diambil dari data rekaman transaksi yang dihasilkan sistem sebelumnya dan output yang dihasilkan berupa laporan stok barang yang layak untuk dipesan ke distributor pengadaan barang.
Maka untuk membuat sebuah aplikasi database transaksi konsumen membutuhkan perangkat komputer untuk fasilitas entri data yang dibuat. Untuk dapat melakukan hal tersebut
dibutuhkan sebuah program yang dapat
4.1. Desain Sistem 4.1.1. Diagram Konteks
Diagram konteks merupakan bagian dari
Data Flow Diagram (DFD) yang berfungsi
memetakan model lingkungan, yang
dipresentasikan dengan lingkaran tunggal yang mewakili keseluruhan sistem dan merupakan tingkatan tertinggi dalam diagram aliran data dan hanya memuat satu proses dan menunjukkan sistem secara keseluruhan. Adapun diagram konteks dari Penerapan Data Mining Untuk Menganalisis Stok Pengadaan Barang dengan Menggunakan Metode Apriori Studi Kasus : Sejahtera Swalayan yaitu seperti pada gambar berikut :
Admin Aplikasi Penjadwalan Pengadaan Barang Pimpinan Supermarket Input Data Informasi Laporan Akhir
Gambar 3. Diagram Konteks
4.1.2. DFD Level 0
DFD level 0 merupakan perluasan diagram konteks, pada level ini dijelaskan setiap kegiatan yang dapat dilakukan oleh setiap entitas yang ada didalam sistem lebih terperinci. Gambar 4 menjelaskan setiap kegiatan yang terjadi pada level 0. Admin 5.0 Pencarian 1-itemset 6.0 Pencarian 2-itemset 7.0 Pembentukan aturan asosiasi Pimpinan supermarket Batas transaksi Minimum confidence 1-itemset
Calon aturan asosiasi
Laporan akhir tb_itemset1 1-Itemset 1-Itemset tb_itemset2 2-Itemset 2.0 memilih data transaksi tb_tranksaksi 3.0 Memilih data nama barang Data transaksi tb_barang Data transaksi Data barang
Nama barang 2-itemset 4.0 Memilih data penjualan Data penjualan tb_pengadaan Data penjualan 1.0 Mengolah data login data login
Info data login
tb_user Data login admin Data login admin Gambar 4. DFD Level 0
4.2. Pencarian Manual Algoritma Apriori
Tabel 1. Tabel Data Transaksi Untuk Pencarian
Manual
Prinsip melakukan penggalian data tranksaksi di Sejahtera Swalayan menggunakan algoritma apriori adalah sebagai berikut :
1. menentukan batas transaksi. Dalam hal ini,
penulis menetapkan besaran batas
tranksaksi = 3.
Tabel 3. Daftar Kandidat 1-itemset
2. dari daftar 1-itemset di atas, dibuat menjadi
daftar frequent 2-itemset, maka akan didapat hasil sebagai berikut :
Tabel 4. Daftar Kandidat 2-itemset
3. Menghitung nilai support dan confidence dari
masing-masing frequent itemset sehingga
muncul calon aturan asosiasi. Untuk
menghitung support dan confidence
digunakan rumus sebagai berikut :
Tabel 5. Daftar Aturan Asosiasi yang Terbentuk
4. Pilih macam-macam barang yang telah
terbentuk dengan aturan asosiasi tersebut untuk dijadikan daftar pada stok pengadaan
barang.
Tabel 6. Daftar Aturan Asosiasi
4.3. Perancangan User Interface 4.3.1. Login
Form login merupakan form untuk
memverifikasi pemakai untuk dapat mengakses
aplikasi. Pada form login admin harus
memasukkan username dan password dengan benar. Apabila username dan password benar maka admin akan masuk kedalam form utama. Adapun tampilan form login dapat dilihat pada gambar berikut :
Gambar 5. Form Login
4.3.2. Input Data Stok Barang
Form tampilan input data barang berfungsi untuk menginput tanggal, kode barang, nama barang dan jumlah stok. Adapun tampilan form menu input data stok adalah sebagai berikut :
Gambar 6. Form Input Data Stok Barang
4.3.3. Form Menu Lihat Data Stok Barang
Pada form ini berfungsi untuk melihat data stok barang yang dapat melakukan tambah, edit dan hapus pada data stok barang :
Gambar 7. Menu Lihat Data Stok Barang
4.3.4. Menu Lihat Data Tranksaksi
Form Menu data tranksaksi berfungsi untuk menampilkan data tranksaksi penjualan :
Gambar 8. Menu Lihat Data Tranksaksi
4.3.5. Menu Lihat Data 1 Itemset
Form ini berfungsi untuk melihat data 1 itemset yang terbentuk dengan menggunakan algoritma apriori dari data tranksaksi yang diproses :
Gambar 9. Menu Lihat Data 1 Itemset
4.3.6. Menu Analisa Pengadaan Barang
Form ini berfungsi untuk menganalisa data
tranksaksi penjualan barang yang akan
menghasilkan barang yang direkomendasikan untuk dipesan dalam stok pengadaan barang :
4.3.7. Menu Cetak Laporan Data Stok Barang
Form ini berfungsi untuk mencetak laporan data stok barang :
Gambar 11. Menu Cetak Laporan Data Stok Barang
5. Kesimpulan
Dari proses sistem yang telah dilakukan untuk menganalisa data tranksaksi pada data penjualan
barang sehinggai menghasilkan barang
rekomendasi stok pengadaan barang di sejahtera swalayan, maka penulis dapat mengambil kesimpulan :
1. Penerapan Data Mining untuk menganalisis
penjualan barang dengan menggunakan metode apriori merupakan sebuah sistem pencarian aturan asosiasi melalui pengolahan data transaksi pembelian barang dari setiap pembeli, kemudian dicari hubungan antar barang-barang yang dibeli sehingga informasi ini dapat memberikan pertimbangan pada proses untuk melakukan pemesanan stok barang, agar barang yang dipesan sesuai dengan kebutuhan konsumen.
2. Sistem ini mampu mengolah data transaksi
untuk menemukan frequent itemset dan
association rule yang memenuhi batas
transaksi dan mampu menampilkan rules dalam
bentuk teks.
3. Pada analisa terhadap sejumlah data, bahwa
semakin kecil batas transaksi dan minimum
confidence yang ditentukan, semakin banyak
pula rules yang dihasilkan, dengan konsekuensi
waktu proses pun akan lebih lama
dibandingkan batas transaksi dan minimum
confidence yang lebih besar.
6. Daftar Pustaka
[1.] Budiono., Fahmi, A., Pujiono., 2014,
“Penerapan Metode Association Rule Menggunakanalgoritma Apriori Untuk Mengidentifikasi Pola Penyakit Radang Sendi”, Techno.COM, Volume 13, Nomor 2,
Mei 2014: 115-124.
[2.] Fitriana, L., 2012, “Fuzzy-Expert System
Dalam Menyelesaikan Procurement Taks”,
Program Studi Magister (S2), Teknik Informatika, Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara.
[3.] Hermawati., Fajar, A., 2013, “Data Mining”,
Andi, Yogyakarta.
[4.] Mabrur, A,G., Lubis, R., 2012, “Penerapan
Data Mining Untuk Memprediksi Kriteria Nasabah Kredit”, Jurnal Komputer dan
Informatika (Komputa), Edisi 1, Volume 1, Maret 2012.
[5.] Pane, D, K., 2013, “Implementasi Data
Mining Pada Penjualan Produk Elektronik Dengan Algoritma Apriori (Studi Kasus : Kreditplus)”, Pelita Informatika Budi Darma,
Volume IV, Nomor 3, Agustus 2013.
[6.] Safitri, H, R., 2011, “Penerapan Tenik Data
Mining Dengan Metode Smooth Support Vector Machine (SSVM) Untuk Memprediksi Mahasiswa Yang Berpeluang Drop Out”,
Program Studi Magister (S2), Teknik Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Sumatera Utara.
[7.] Sanjaya, D., Siregar, R., Windha., 2013,
“Analisis Yuridis Pengadaan Barang/Jasa Yang Dilakukan Dinas Pendidikan Kota Tanjugbalai”, Jurnal Hukum konomi
Tranparncy Volume 1, No. 2, Feb-Mei 2013.
[8.] Susanto, H., 2014, “Data Mining Untuk
Memprediksi Siswa Berdasarkan Sosial Ekonomi, Motivasi, Kedisiplinan dan Prestasi Masa Lalu”, Jurnal Pendidikan Vokasi,
