• Tidak ada hasil yang ditemukan

Analisis Perbandingan Algoritma Apriori dan Algoritma FP-Growth untuk Korelasi Pembelian Produk (Studi Kasus : Sumber Swalayan Medan)

N/A
N/A
Protected

Academic year: 2016

Membagikan "Analisis Perbandingan Algoritma Apriori dan Algoritma FP-Growth untuk Korelasi Pembelian Produk (Studi Kasus : Sumber Swalayan Medan)"

Copied!
107
0
0

Teks penuh

(1)

ANALISIS PERBANDINGAN ALGORITMA APRIORI DAN

ALGORITMA FP-GROWTH UNTUK KORELASI

PEMBELIAN PRODUK ( STUDI KASUS:

SUMBER SWALAYAN MEDAN)

SKRIPSI

EVA CRISTY YULIANA MANURUNG

111421034

PROGRAM STUDI EKSTENSI S1 ILMU KOMPUTER

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

(2)
(3)

i

ANALISIS PERBANDINGAN ALGORITMA APRIORI DAN ALGORITMA FP-GROWTH UNTUK KORELASI PEMBELIAN PRODUK

( STUDI KASUS: SUMBER SWALAYAN MEDAN)

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Ilmu Komputer

EVA CRISTY YULIANA MANURUNG 111421034

PROGRAM STUDI EKSTENSI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA MEDAN

(4)

Judul : ANALISIS PERBANDINGAN ALGORITMA

APRIORI DAN ALGORITMA FP-GROWTH UNTUK

KORELASI PEMBELIAN PRODUK (STUDI KASUS:

SUMBER SWALAYAN MEDAN)

Kategori : SKRIPSI

Nama : EVA CRISTY YULIANA MANURUNG

Nomor Induk Mahasiswa : 111421034

Program Studi : EKSTENSI S1 ILMU KOMPUTER

Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

Maya Silvi Lydia B.Sc, M.Sc Dr. Poltak Sihombing, M.Kom

NIP. 19740127 200212 2 001 NIP. 19620217 199103 1 001

Diketahui/disetujui oleh

Program Studi Ekstensi S1 Ilmu Komputer

Ketua,

Dr. Poltak Sihombing, M.Kom

(5)

iii

PERNYATAAN

ANALISIS PERBANDINGAN ALGORITMA APRIORI DAN ALGORITMA

FP-GROWTH UNTUK KORELASI PEMBELIAN PRODUK

( STUDI KASUS: SUMBER SWALAYAN MEDAN)

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa

kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.

Medan, Januari 2014

Eva Cristy Yuliana Manurung

(6)

PENGHARGAAN

Puji syukur penulis panjatkan Tuhan Yang Maha Esa, karena atas berkat dan

kasih-Nya penulis mampu menyelesaikan Skripsi ini.

Skripsi ini dikerjakan sebagai salah satu syarat guna memperoleh gelar Sarjana

Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi Universitas

Sumatera Utara. Penulis mengungkapkan rasa terima kasih dan penghargaan kepada :

1. Bapak Prof. Dr. Muhammad Zarlis selaku Dekan Fakultas Ilmu Komputer dan

Teknologi Informasi Universitas Sumatera Utara.

2. Bapak Dr. Poltak M.Kom, selaku Ketua Program Studi Ilmu Komputer

sekaligus Dosen Pembimbing I yang telah memberikan banyak bimbingan,

saran, serta motivasi dalam pengerjaan skripsi ini.

3. Ibu Maya Silvi Lydia B.Sc, M.Sc selaku Sekretaris Program Studi S1 Ilmu

Komputer sekaligus pembimbing II yang telah memberikan masukan,

bimbingan, saran dan motivasi kepada penulis.

4. Bapak Dr. Nasruddin Noer M.Eng.Sc sebagai Dosen Pembanding I yang telah

memberikan kritik dan saran yang membangun bagi penulis.

5. Ibu Dian Rachmawati S.Si, M.Kom sebagai Dosen Pembanding II yang telah

memberikan kritik dan saran yang membangun bagi penulis.

6. Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi

Universitas Sumatera Utara berserta para pegawai yang bertugas di Program

Studi Ilmu Komputer FASILKOM-TI USU.

7. Orang tua tercinta, Ayahanda J. Manurung dan Ibunda tercinta M. Malau,

kakanda Jones Manurung, adinda Ayub Manurung atas semua doa, dukungan,

(7)

v

8. Seluruh sahabat buat Evi, Bella, Deni, Bora, Fenni, Jouhon, Bang Wahyu, buat

adik-adikku: Leni, Vivien, Ester, Yohana, Nugraha, Anwar, Lidia, Claudia,

Meli atas doa dan dukungannya.

9. Keluarga besar Ekstensi Ilmu Komputer, khususnya semua teman dan sahabat

angkatan 2011 yang tidak dapat disebutkan satu persatu, terima kasih atas

segala dukungan, doa dan kerja samanya selama ini.

Semoga Tuhan Yang Maha Esa membalas semua kebaikan kepada semua

pihak yang telah memberikan dukungan kepada penulis dalam menyelesaikan skripsi

ini.

Penulis,

(8)

Penelitian ini bertujuan untuk mendapatkan korelasi dari jenis produk-produk yang

sering dibeli secara bersamaan dalam suatu waktu dan menganalisis perbandingan waktu yang diperlukan di dalam menemukan frequent itemset dengan algoritma apriori dan FP Growth. Penelitian ini dengan menggunakan proses data mining dengan metode Association Rule dengan algoritma Apriori dan algoritma FP-Growth. Langkah-langkah yang diperlukan untuk memperoleh frequent itemsets menggunakan algoritma Apriori berbeda dengan langkah-langkah dengan menggunakan algoritma

FP-Growth. penelitian ini menyajikan rule dari aturan asosiasi dan perbandingan

waktu antara algoritma Apriori dan algoritma FP-Growth. Waktu yang diperoleh

dengan menggunakan Algotitma FP-Growth lebih cepat daripada Algoritma Apriori.

Kata kunci: data mining, Association Rule, algoritma Apriori, algoritma

(9)

vii

ANALYZE COMPARISON OF APRIORI ALGORITHM AND FP-GROWTH

ALGORITHM FOR CORRELATION BUYING PRODUCTS

(STUDY CASE: SUMBER SWALAYAN MEDAN)

ABSTRACT

This research aimed to get correlation of kinds product that often bought together in

the same time and analyze the comparation time to find frequent itemsets. The method

of this research is association rjule with aapriori algorithm and FP-Growth algorithm.

The steps of apriori algorithm are different with FP-Growth algorithm. This research

contains rule of association rule and comparison time of apriori algorithm and

FP-Growth algorithm. The time of apriori algorithm faster than FP-FP-Growth algorithm.

(10)

DAFTAR ISI

Hal.

PERSETUJUAN ii

PERNYATAAAN iii

PENGHARGAAN iv

ABSTRAK vi

ABSTRACT vii

DAFTAR ISI viii

DAFTAR TABEL xi

DAFTAR GAMBAR xiii

BAB 1 PENDAHULUAN

1.1 Latar Belakang 1

1.2 Rumusan Masalah 2

1.3 Batasan Masalah 2

1.4 Tujuan Penelitian 3

1.5 Manfaat Penelitian 3

1.6 Metodologi Penelitian 4

1.7 Sistematika Penulisan 5

BAB 2 TINJAUAN PUSTAKA 7

2.1 DataBase 7

(11)

ix

2.3 Association Rule 10

2.4 Algoritma Apriori 12

2.5 Algoritma Fp-Growth 12

BAB 3 ANALISIS DAN PERANCANGAN SISTEM 16

3.1 Analisis Kebutuhan 16

3.1.1 Analisis Data dengan Apriori 17

3.1.2 Pengelompokan Daftar Produk 19

3.1.3 Analisis Pencarian Pola Frekuensi Tinggi 21

3.1.4 Pembentukan Aturan Asosiasi 33

3.1.5 Analisis Data Dengan FP-Growth 35

3.2 Perancangan Sistem 49

3.2.1 Data Flow Diagram(DFD) 49

3.2.2 DFD Level 0 50

3.2.3 DFD Level 1 Apriori 51

3.2.4 DFD Level 1 FP-Growth 52

3.2.5 Flowchart Algoritma 53

3.3 Perancangan Sistem 57

3.4. Perancangan Tampilan Antarmuka 58

3.4.2 Form Login 59

3.4.3 Menu Utama 59

3.4.4 Transaksi 60

3.4.5 Olah Barang 61

3.4.6 Perancangan Proses Apriori 62

3.4.6 Perancangan Proses FP-Growth 63

3.4.7 Perancangan Output FP-Growth 64

3.4.8 Perancangan Output dengan Apriori 64

BAB 4 IMPLEMENTASI DAN PENGUJIAN

(12)

BAB 5 KESIMPULAN DAN SARAN 73

5.1 Kesimpulan 73

(13)

xi

DAFTAR TABEL

Hal.

Tabel 3.1 Tabel Data Transaksi 18

Tabel 3.2 Tabel Data Produk 19

Tabel 3.3 Tabel C1 22

Tabel 3.4 Tabel L1 24

Tabel 3.5 Tabel C2 27

Tabel 3.5 Tabel L2 33

Tabel 3.7 Tabel Pembentukan Korelasi Produk 34

Tabel 3.8 Tabel Pembentukan Aruran Asosiasi 34

Tabel 3.9 Tabel Data Barang Fp-Growth 35

Tabel 3.10 Tabel Transaksi 37

Tabel 3.11 Tabel Data Barang 58

Tabel 3.12 Tabel Transaksi Barang 58

(14)

Hal.

Gambar 2.1 Arsitektur Data Mining 8

Gambar 2.2 Langkah-Langkah Algoritma FP-Growth 14

Gambar 3.1 Diagram Ishikawa 17

Gambar 3.2 TID 1 38

Gambar 3.3 TID 2 39

Gambar 3.4 TID 3 40

Gambar 3.5 TID 4 41

Gambar 3.6 TID 5 42

Gambar 3.7 TID 6 43

Gambar 3.8 TID 7 44

Gambar 3.9 TID 8 45

Gambar 3.10 TID 9 46

Gambar 3.11 TID 10 47

Gambar 3.12 Kondisi TID untuk Ya 48

Gambar 3.13 DFD Level 0 50

Gambar 3.14 DFD Level 1 Apriori 51

Gambar 3.15 DFD Level 1 FP-Growth 52

Gambar 3.16 Flowchart Algoritma Apriori 53

Gambar 3.17 Flowchart Algoritma Apriori(lanjutan) 54

Gambar 3.18 Flowchart Algoritma FP-Growth 55

Gambar 3.19 Flowchart Algoritma FP-Growth(lanjutan) 56

Gambar 3.20 Flowchart Sistem 57

(15)

xiii

Gambar 3.22 Perancangan Menu Utama 60

Gambar 3.23 Perancangan Transaksi 60

Gambar 3.24 Perancangan Olah Barang 61

Gambar 3.25 Perancangan Proses Mining dengan Apriori 62

Gambar 3.26 Perancangan Proses Mining dengan FP-Growth 63

Gambar 3.27 Tampilan Output FP-Growth 64

Gambar 3.28 Tampilan Output Apriori 64

Gambar 4.1 Tampilan login 67

Gambar 4.2 Proses Mining dengan Apriori 1 68

Gambar 4.3 Proses Mining dengan Apriori 2 69

Gambar 4.4 Proses Mining dengan FP-Growth 1 70

(16)
(17)

ABSTRAK

Penelitian ini bertujuan untuk mendapatkan korelasi dari jenis produk-produk yang

sering dibeli secara bersamaan dalam suatu waktu dan menganalisis perbandingan waktu yang diperlukan di dalam menemukan frequent itemset dengan algoritma apriori dan FP Growth. Penelitian ini dengan menggunakan proses data mining dengan metode Association Rule dengan algoritma Apriori dan algoritma FP-Growth. Langkah-langkah yang diperlukan untuk memperoleh frequent itemsets menggunakan algoritma Apriori berbeda dengan langkah-langkah dengan menggunakan algoritma

FP-Growth. penelitian ini menyajikan rule dari aturan asosiasi dan perbandingan

waktu antara algoritma Apriori dan algoritma FP-Growth. Waktu yang diperoleh

dengan menggunakan Algotitma FP-Growth lebih cepat daripada Algoritma Apriori.

Kata kunci: data mining, Association Rule, algoritma Apriori, algoritma

(18)

BAB 1

PENDAHULUAN

1.1Latar Belakang

Perusahaan ritel yang menyediakan berbagai kebutuhan berkembang pesat bukan

hanya di kota besar saja tetapi juga di kota-kota kecil. Untuk memperoleh keuntungan

yang maksimal banyak hal yang dilakukan perusahaan. Dimana, perusahaan berusaha

untuk menarik minat konsumen sehinnga dibutuhkan informasi yang

sebanyak-banyaknya. Informasi dapat dilihat dari transaksi penjualan yang tersimpan dalam

database.

Kumpulan data transaksi yang begitu besar sering kali hanya disimpan di

dalam suatu database dan kurang digali pemanfaatannya. Data penjualan tersebut bisa diolah lebih lanjut sehingga didapatkan informasi baru. Misalnya, dari informasi

dapat dilihat barang yang dibeli secara bersamaan. Pengetahuan tersebut dapat

digunakan sebagai pemasaran produk yang saling melengkapi dan membuat posisi

rak barang-barang yang dijual pada perusahaan ritel. Teknologi data mining sebagai solusi bagi para pengambil keputusan seperti manajer dalam menentukan strategi

pemasaran dan korelasi antara barang yang dibeli oleh konsumen sehingga dapat

meningkatkan pelayanan pada konsumen.

Proses data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan algoritma. Pemilihan fungsi atau algoritma yang

tepat sangat bergantung pada tujuan dan proses pencarian pengetahuan secara

(19)
(20)

berapa besar kemungkinan seorang pelanggan membeli roti bersamaan dengan

mentega. Dengan pengetahuan tersebut, pemilik swalayan dapat mengatur

penempatan barangnya dan merancang kampanye pemasaran dengan memakai kupon

diskon untuk kombinasi barang tertentu.

Banyak peneliti yang menjadikan data mining sebagai objek penelitiannya. Pathresia (2012) di dalam penelitiannya menggunakan teknik market basket analysis dengan menggunakan algoritma Apriori untuk memperoleh korelasi produk yang sering dibeli secara bersamaan pada swalayan. Selain itu juga Ahmad (2012) dalam

penelitiannya memanfaatkan data transaksi yang banyak tersimpan dengan

menggunakan Algoritma FP-Growth untuk membuat strategi dan kebijakan dalam

berbisnis. Demikian juga Erwin(2009) dalam penelitiannya menganalisis market

basket dengan algoritma Apriori dan Algoritma FP-Growth.

Banyak metode yang digunakan dalam data mining, yaitu estimation, prediction, classification, clustering, Association. Penelitian ini menggunakan association rule demgan menggunakan algoritma Apriori dan FP Growth. Kedua algoritma tersebut digunakan untuk mengetahui korelasi antara barang yang diminati

oleh konsumen yang tersimpan dalam database. Setelah diperoleh frequent itemsets, maka diambil suatu aturan dan kemudian menganalisis perbandingan waktu kedua

algoritma tersebut.

1.2Rumusan Masalah

Setelah melihat latar belakang masalah yang telah diuraikan maka rumusan masalah

dalam penelitian ini adalah bagaimana membuat perbandingan algoritma Apriori dan

algoritma FP Growth di dalam penambangan data dalam database untuk korelasi pembelian produk.

(21)

Adapun batasan masalah dalam penelitian ini adalah sebagai berikut:

1. Data yang diinput merupakan transaksi penjualan produk yang dibeli

selama 3 bulan di minimarket

2. Informasi berdasarkan produk yang dibeli konsumen secara bersamaan

3. Menggunakan korelasi dari 2 jenis produk yang dijual dengan parameter

support dan confidence. Dimana nilai maksimum support 0.3 dan maksimum confidence 1.

4. Jenis barang dalam penelitian ini yaitu: makanan dan minuman, produk

pembersih dan pewangi konsumen(hygiene care), pembersih dan pewangi pakaian.

5. Analisis dilihat dengan perbandingan waktuuntuk menemukan frequent itemset

6. Menggunakan bahasa pemrograman PHP dan penyimpanan data di MySql.

1.4Tujuan Penelitian

Tujuan dari penelitian ini adalah:

1. Mendapatkan korelasi dari jenis produk-produk yang sering dibeli secara

bersamaan dalam suatu waktu

2. Mengimplementasikan hasil dari korelasi jenis produk-produk ke dalam

sebuah aplikasi data mining pada pembelian produk menggunakan algoritma apriori dan FP Growth

3. Menganalisis perbandingan waktu yang diperlukan di dalam menemukan

frequent itemset dengan algoritma apriori dan FP Growth.

1.5Manfaat Penelitian

(22)

1. Dapat mempermudah mengetahui informasi pembelian produk yang sering

dibeli oleh konsumen secara bersamaan

2. Untuk mengetahui pencarian data yang sering muncul (frequent itemset) kemudian dapat diambil kesimpulan

3. Untuk mengatur tata letak produk yang sering dibeli secara bersamaan oleh

konsumen supaya diletakkan secara berdekatan

4. Untuk mengetahui perbandingan waktu yang dibutuhkan dalam menemukan

korelasi produk pembelian

1.6Metodologi Penelitian

Dalam menyusun tugas akhir ini penulis melakukan beberapa penerapan metode

penelitian untuk menyelesaikan permasalahan. Adapun metode penelitian yang

dilakukan adalah dengan cara:

1. Studi literature

Mempelajari konsep-konsep dasar mengenai data mining dan algoritma asosiasi yaitu algoritma apriori dan FP-Growth yang terdapat pada beberapa

sumber literatur. Sumber literatur berupa buku teks, paper, dan jurnal.

2. Metode Pengembangan Perangkat Lunak

2.1 Analisis Kebutuhan

Dalam tahap ini mengumpulkan semua kebutuhan yang diperlukan dalam

membangun perangkat lunak yang berupa data transaksi. Kemudian

melakukan analisa pengolahan data untuk menghasilkan suatu informasi

berupa pola (pattern) dengan teknik asosiasi (association rule).

2.2 Desain Sistem

Dalam proses desain sistem bertujuan untuk merealisasikan hasil analisis ke

(23)

dan dalam perancangan prosedur yang akan diterapkan dalam perangkat

lunak berdasarkan teknik asosiasi dengan algoritma apriori dan FP Growth.

3. Implementasi dan Pengujian

Pada tahapan ini menerapkan source code program untuk dijadikan hasil akhir yaitu perangkat lunak yang seutuhnya. Kemudian dilakukan proses

pengujian dengan memasukkan data transaksi, selanjutnya diketahui data

mana yang sering muncul (frequent itemset) secara bersamaan sesuai minimum support dan confidence yang diberikan. Kemudian, membandingkan waktu yang diperlukan oleh algoritma apriori dan algoritma

FP Growth.

4. Dokumentasi

Tahap dokumentasi ini berupa penulisan skripsi yang menjelaskan proses

analisis perbandingan algoritma Apriori dengan Algoritma FP Growth.

1.7Sistematika Penulisan

Peyusunan laporan tugas akhir ini menggunakan kerangka pembahasan yang

terbentuk dalam susunan bab, yang dapat dijelaskan sebagai berikut:

BAB 1 : PENDAHULUAN

Bab ini berisikan tentang latar belakang masalah, rumusan masalah,

batasan masalah, tujuan dan manfaat penelitian, metode penelitian, dan

sistematika penulisan.

(24)

Bab ini berisikan tentang landasan teori yang mendukung perancangan

aplikasi yang akan dibangun.

BAB 3 : ANALISIS DAN PERANCANGAN SISTEM

Bab ini membahas mengenai analisa data yang akan diproses

berdasarkan analisis asosiasi dengan algoritma apriori kemudian

membuat DFD, flowchart, struktur tabel dan merancang tampilan dari aplikasi datamining.

BAB 4 : IMPLEMENTASI DAN PENGUJIAN SISTEM

Bab ini akan membahas tentang implementasi dari sistem yang dibuat

berdasarkan hasil analisis dan perancangan sistem yang telah dibuat.

Kemudian dilakukan pengujian sistem untuk mengetahui apakah sistem

dapat berjalan sesuai tujuan dan harapan perancangan.

BAB 5 : KESIMPULAN DAN SARAN

Bab ini berisi tentang kesimpulan dan saran yang diberikan untuk

perbaikan sistem sehingga menjadi lebih baik dan bermanfaat bagi

pengguna maupun pembaca skripsi.

BAB 2

LANDASAN TEORI

(25)

Basis data adalah kumpulan terintegrasi dari occurences file/table yang merupakan representasi data dari suatu model enterprise. Sistem basisdata sebenarnya tidak lain adalah sistem penyimpanan-record secara komputer (elektronis). Basis data sendiri dapat digambarkan sebagai suatu lemari file yang berisi berbagai kumpulan file data yang terkomputerisasi. Pemilik lemari file tentu saja dapat melakukan berbagai bentuk tindakan terhadap sistem yang dimilikinya, seperti berikut ini.

1. Penambahan file baru

2. Penambahan data pada file yang ada 3. Pengambilan data dari file yang ada 4. Pemutakhiran data dalam file yang ada 5. Penghapusan data dari file yang ada

6. Penghapusan file yang sudah tidak diperlukan

Perangkat lunak yang didesain untuk membantu dalam hal pemeliharaan dan

utilitas kumpulan data dalam jumlah besar atau untuk memudahkan pengelolaan

database disebut DBMS (Database Management System).

2.2 Data Mining

Data mining adalah sejumlah proses pencarian pola dari data-data dengan jumlah yang sangat banyak yang tersimpan dalam suatu tempat penyimpanan dengan

menggunakan teknologi pengenal data, teknik statistik, dan matematik. Data mining sebagai proses untuk menemukan korelasi atau pola dari ratusan atau ribuan field dari sebuah relasional database yang besar. Data mining dapat diartikan sebagai serangkaian proses untuk menggali nilai tambah berupa pengetahuan yang selama ini

tidak diketahui secara manual dari suatu kumpulan data[6].

Hubungan yang dicari dalam data mining dapat berupa hubungan antara dua atau lebih dalam satu dimensi. Penemuan pola merupakan keluaran dari data mining[4]. Misalnya suatu perusahaan ritel yang akan meningkatkan penjualan produk, maka perusahaan akan mencari pola dari pelanggan yang ada untuk

(26)

yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan,

pola atau hubungan dalam set berukuran besar[3].

2.2.1 Arsitektur Data mining

Arsitektur data mining dapat dilihat pada gambar berikut:

Knowledge base

Data cleaning & data integration fltering

Gambar 2.1 Arsitektur Data Mining

Keterangan :

1. Data cleaning (Pembersihan Data) : untuk membuang data yang tidak

konsisten dan noise

2. Data integration : penggabungan data dari beberapa sumber

3. Data Mining Engine : Mentranformasikan data menjadi bentuk yang sesuai

untuk di mining

4. Pattern evaluation : untuk menemukan pengetahuan yang bernilai melalui

knowledge base

5. Graphical User Interface (GUI) : untuk end user

Graphical User Interface (GUI)

Pattern Evaluation

Data Mining Engine

(27)

2.2.2 Pengelompokan Data Mining

Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat dilakukan, yaitu:

1. Deskripsi

Deskripsi dari pola dan kecenderungan sering memberikan kemungkinan

penjelasan untuk suatu pola atau kecenderungan.

2. Estimasi

Pada estimasi, model dibangun menggunakan record lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi. Selanjutnya,

pada peninjauan berikutnya estimasi nilai dari variabel target dibuat

berdasarkan nilai variabel prediksi.

3. Prediksi

Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa

dalam prediksi nilai dari hasil akan ada di masa mendatang.

4. Klasifikasi

Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh

penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu

pendapatan tinggi, pendapatan sedang, dan pendapatan rendah.

5. Pengklusteran

Pengklusteran merupakan pengelompokkan record, pengamatan, atau memperhatikan dan membentuk kelas objek-objek yang memiliki

kemiripan.

6. Asosiasi

Tugas utama dalam data mining adalah menemukan atribut yang muncul dalam suatu waktu. Dalam dunia bisnis lebih umum disebut analisis

keranjang belanja.

2.3 Association Rule

Aturan asosiasi atau association rule adalah teknik data mining untuk menemukan aturan asosiatif antara suatu korelasi item. Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul bersamaan dalam suatu waktu. Contoh aturan

(28)

kemungkinan seorang pelanggan membeli kopi bersamaan dengan gula. Dengan

pengetahuan tersebut, pemilik pasar swalayan dapat mengatur penempatan

produknya atau merancang kampanye pemasaran dengan memakai kupon diskon

untuk korelasi barang tertentu.

Analisis asosiasi dikenal juga sebagai salah satu teknik data mining yang menjadi dasar dari berbagai teknik data mining lainnya. Secara khusus, salah satu tahap analisis asosiasi yang menarik banyak peneliti untuk menghasilkan algoritma

yang efisien adalah analisis pola frekuensi tinggi (frequent pattern mining). Penting tidaknya suatu aturan asosiatif dapat diketahui dengan dua parameter, yaitu support dan confidence. Support adalah presentasi kombinasi item tersebut dalam database, sedangkan confidence adalah nilai probability suatu item akan dibeli bersama item lain.

2.4 Algoritma Apriori

Apriori adalah suatu algoritma yang sudah sangat dikenal dalam melakukan pencarian frequent itemset dengan menggunakan teknik association rule. Algoritma Apriorimenggunakan knowledge mengenai frequent itemset yang telah diketahui sebelumnya untuk memproses informasi selanjutnya pada

algoritma Apriori untuk menentukan kandidat-kandidat yang mungkin muncul dengan cara memperhatikan minimum support[1].

Adapun dua proses utama yang dilakukan dalam algoritma Apriori, yaitu: 1. Join (penggabungan).

Pada proses ini setiap item dikombinasikan dengan item yang lainnya sampai tidak terbentuk kombinasi lagi.

2. Prune (pemangkasan).

Pada proses ini, hasil dari item yang telah dikombinasikan tadi lalu dipangkas dengan menggunakan minimum support yang telah ditentukan oleh user. Dua proses utama tersebut merupakan langkah yang akan dilakukan untuk mendapat

frequent itemset (Erwin).Contoh:

(29)

Aturan tersebut berarti “50% dari transaksi di database yang memuat item kopi dan gula dan juga memuat item roti. Sedangkan 40% dari seluruh transaksi yang ada di database memuat ketiga item tersebut. Langkah-langkah algoritma Apriori dibuat dengan diagram alir sebagai berikut. Secara terperinci, berikut adalah

langkah-langkah proses pembentukan Association Rule dengan algoritma apriori[6]:

1. Di iterasi pertama ini, support dari setiap item dihitung dengan men-scan database. Support artinya jumlah transaksi dalam database yang mengandung satu item dalam C1. Setelah support dari setiap item diperoleh, kemudian nilai support tersebut dibandingkan dengan minimum support yang telah ditentukan, jika nilainya lebih besar atau sama dengan minimum support maka itemset tersebut termasuk dalam large itemset. Item yang memiliki support di atas minimum support dipilih sebagai pola frekuensi tinggi dengan panjang 1 atau sering disebut Large 1-itemset atau disingkat L1.

2. Iterasi kedua menghasilkan 2-itemset yang tiap set-nya memiliki dua item. Sistem akan menggabungkan dengan cara, kandidat 2-itemset atau disingkat C2 dengan mengkombinasikan semua candidat 1-itemset (C1). Lalu untuk tiap item pada C2 ini dihitung kembali masing-masing support-nya. Setelah support dari semua C2 didapatkan, Kemudian dibandingkan dengan minimum support. C2 yang memenuhi syarat minimum support dapat ditetapkan sebagai frequent itemset dengan panjang 2 atau Large 2-itemset (L2).

3. Itemset yang tidak termasuk dalam large itemset atau yang tidak memenuhi nilai minimum support tidak diikutkan dalam iterasi selanjutnya (prune).

4. Setelah itu dari hasil frequent itemset atau termasuk dalam Large 2-itemset tersebut, dibentuk aturan asosiasi (association rule) yang memenuhi nilai minimum support dan confidence yang telah ditentukan.

Pseudocode Algoritma Apriori (Erwin, 2009):

Ck: Candidate itemset of size k Lk: frequent itemset of size k

Input :

D, a database of a transactions;

(30)

threshold

Output : L, frequent itemsets in D Mtehod :

Ct = subset (Ck,t); //get the subsets of t that are candidates

for each candidate c Ct

2.5 Algoritma FP Growth

Algoritma FP-Growth merupakan pengembangan dari algoritma Apriori. Sehingga

kekurangan dari algoritma Apriori diperbaiki oleh algoritma FP-Growth. Frequent Pattern Growth (FP-Growth) adalah salah satu alternatif algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul (frequent itemset) dalam sebuah kumpulan data. Pada algoritma Apriori diperlukan generate candidate untuk mendapatkan frequent itemsets. Akan tetapi, di algoritma FP-Growth generate candidate tidak dilakukan karena FP-Growth menggunakan konsep pembangunan tree dalam pencarian frequent itemsets. Hal tersebutlah yang menyebabkan algoritma FP-Growth lebih cepat dari algoritma Apriori. Karakteristik algoritma FP-Growth adalah struktur data yang digunakan adalah tree yang disebut dengan FP-Tree. Dengan menggunakan FP-Tree, algoritma FP-growth dapat langsung mengekstrak frequent Itemset dari FP-Tree.

Metode FP-Growth dapat dibagi menjadi 3 tahapan utama yaitu sebagai [3]: 1. Tahap pembangkitan conditional pattern base,

Conditional Pattern Base merupakan subdatabase yang berisi prefix path (lintasan prefix) dan suffix pattern (pola akhiran). Pembangkitan conditional pattern base didapatkan melalui FP-Tree yang telah dibangun sebelumnya. 2. Tahap pembangkitan conditional FP-Tree

(31)

besar sama dengan minimum support count akan dibangkitkan dengan Conditional FP-Tree

3. Tahap pencarian frequent itemset

Apabila Conditional FP-Tree merupakan lintasan tunggal (single path), maka didapatkan frequent itemset dengan melakukan kombinasi item untuk setiap Conditional FP-Tree.

Gambar 2.2 Langkah-Langkah Algoritma FP-Growth

Jika bukan lintasan tunggal, maka dilakukan pembangkitan FP-Growth secara rekursif. Pseuducode FP-Growth sebagai berikut: Pseudocode algoritma FP-Growth (Erwin, 2009):

Pseuducode dapat dijelaskan sebagai berikut:

Input : FP-Tree Tree

Output : Rt sekumpulan lengkap pola frequent

Method : FP-growth (Tree, null) Procedure : FP-growth (Tree, _)

02: then untuk tiap kombinasi (dinotasikan _)

dari node-node dalam path do

03: bangkitkan pola _ _ dengan support dari node-node dalam _;

04: else untuk tiap a1 dalam header dari Tree do

(32)

2.6.1 Analisis frekuensi tinggi

Tahapan ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database. Nilai support sebuah item diperoleh dengan rumus berikut:

Suport (A) =

x 100 %

Sedangkan nilai support dari 2 item diperoleh dari rumus 2 berikut: Suport (A,B) =

x 100 %

2.6.2. Pembentukan aturan assosiatif

Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang

memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif A B.

Nilai confidence dari aturan A B diperoleh dari rumus berikut:

Confidence (A,B) =

x 100 %

2.7 Penelitian Terdahulu

Penelitian yang menggunakan algoritma apriori dan algoritma FP-Growth antara lain

penelitian yang telah dilakukan Aritonang(2012) melakukan penelitian mengenai

pengambilan keputusan untuk menentukan korelasi pembelian produk yang

menggunakan algoritma apriori untuk mengetahui data yang sering muncul dan

mengetahui aturan tata letak produk dimana data yang diperoleh dari indomaret

medan.

Penelitian yang dilakukan Erwin(2009) dengan menggunakan Algoritma

Apriori dan Algoritma FP-Growth. Penggunaan FP-Tree yang digunakan bersamaan

(33)

generation, yaitu dengan melakukan scanning database secara berulang-ulang unuk menentukan frequent itemset. Penelitian ini juga menyajikan pembahasan mengenai perbandingan kompleksitas waktu antara algoritma FP-Growth dan diperoleh bahwa

waktu yang diperlukan algoritma FP-Growth untuk proses mining lebih cepat dibandingkan apriori.

Selain itu juga Ahmad(2012) dalam penelitiannya memanfaatkan data

transaksi yang banyak tersimpan dengan menggunakan algoritma FP-Growth untuk

membuat strategi dan kebijakan dalam berbisnis. Hasil dari penelitian itu yaitu

diperoleh aturan asosiasi denan menggunakan menggunakan algoritma FP-Growth.

BAB 3

ANALISIS DAN PERANCANGAN

Sebelum dilakukan perancangan sistem, terlebih dahulu dilakukan analisis sistem.

Analisis sistem yang akan dibangun meliputi analisis pengguna sistem, analisis

kebutuhan. Selanjutnya melakukan tahap perancangan sistem untuk membangun

aplikasi datamining. Pada tahap perancangan sistem, akan dibahas perancangan Data Flow Diagram (DFD), perancangan alur kerja sistem (flowchart), perancangan fungsi-fungsi program yang akan digunakan dan perancangan antarmuka pemakai (user interface).

3.1 Analisis Kebutuhan

Analisis kebutuhan adalah suatu proses yang sistematik dari pengembangan

kebutuhan. Dalam analisis kebutuhan perlu dilakukan suatu perencanaan,

pengumpulan data dan analisis data. Analisis kebutuhan dengan menggunakan

diagram fishbone/ishikawa. Diagram ishikawa digunakan untuk menolong menemukan akar penyebab masalah atau untuk mengidentifikasi kemungkinan

(34)

Belum menggunakan metode Asosiasi belum menggunakan sistem Dengan penggalian data

Pengambilan keputusan belum

Dengan metode association rule

Produk Pembelian

Gambar 3.1 Diagram Ishikawa

3.1.1 Analisis Data dengan Apriori

Analisa data dilakukan setelah data terkumpul dan sesuai dengan kebutuhan sistem.

Oleh sebab itu, untuk menghasilkan kesimpulan berdasarkan aturan (rule) pada analisis data, diperlukan data transaksi yang telah dibeli konsumen. Analisis data

tersebut dilakukan berdasarkan teknik aturan asosiasi menggunakan algoritma apriori dengan beberapa iterasi atau langkah-langkah.

Analisa data dengan menggunakan algoritma apriori dapat dilakukan dengan

beberapa tahap, dimulai dengan pengelompokan data transaksi pada table 3.1. Data

yang diambil merupakan data transaksi pembelian produk pada bulan Mei-Juli tahun

Method Machine

Penentuan korelasi Pembelian Produk Swalayan

(35)

2013 pada Sumber Swalayan. Data tersebut adalah data yang mewakili keseluruhan

data transaksi sebanyak 20 transaksi dan dapat dilihat pada Tabel 3.1.

Tabel 3.1 Data Transaksi

ID_Transaksi Item yang dibeli

1 Yakult, molto, rinso, olay, nutrijell, SGM, Paseo mini, sari roti

2 Close up, sari roti, yakult, dove, pantene, paseo mini, Boom,

sabun ekonomi

3 Gulaku, sari roti, yakult, mie gelas, aqua botol sedang, potato,

sariwangi

4 Chitos, aqua btl sdg, potato, boom, relaxa, sarden

5 Mie sedap, telur ayam, kisspray, yakult, pulphi, detol, Promina

6 indomie, telur ayam, molto, rinso, bu cream jeruk nipis, dove

7 Kacang 2 kelinci, aqua btl sdg, nutrijell, downy, daia, detol

8 SGM, Johnson baby powder, molto, rinso, alpenliebe, paseo mini,

9 Downy, daia, telur ayam, indomie, lays, sarden, sariroti, pepsodent

10 detol, kacang 2 kelinci, aqua btl sdg, SGM, pantene

11 Luwak white coffee, sari roti, molto, boom, ponds pembersih

muka, cossons baby

12 Sensodyne, mie sedap, telur ayam, sari ayu, garam, johnsons baby

powder

13 Mie sedap, telur ayam, aqua btl sdg, Vaseline, potato,sensodyne

14 Sari roti, yakult, mie sedap, telur, sari wangi, pulphi, cheetos

15 Mie sedap, telur ayam, aqua btl sedang, Vaseline, potato,

sensodyne

(36)

chitos

17 Downy, daia, johnsons baby powder, SGM, garnier, mie gelas,

ponds pencuci muka

Tabel 3.2 Data Transaksi(lanjutan)

Id_Transaksi Item yang dibeli

18 Daia, aqua btl sedang, downy, mie gelas, olay, close up, Vaseline

19 Sariwangi, gulaku, kisspray, daia, sariroti, downy

20 SGM, Johnsons baby powder, downy, mie gelas, daia, mie gelas,

Maybelline, potato

3.1.2 Pengelompokkan Daftar Produk Berdasarkan Data Transaksi

Terdapat 20 transaksi yang masing- masing transaksi terdapat beberapa produk atau

item yang dibeli oleh konsumen. Untuk itu item yang dibeli diberikan kode produk untuk mempermudah dalam pencarian rule seperti tabel berikut:

Tabel 3.3 Data Produk

NO Item_Set Jumlah_item

1 Close up 2

2 Sensodyne 2

3 Ponds Pembersih muka 2

4 Olay 2

5 Garnier 1

6 Sari ayu 1

7 Telur ayam 7

8 Garam 1

9 Vaseline 2

(37)

Tabel 3.4 Data Produk(lanjutan)

No Itemset Jumlah_Item

(38)

Tabel 3.5 Data Produk(lanjutan)

No Itemset Jumlah_Item

35 Lays 1

36 Pulphi 2

37 Aqua botol sedang 8

38 Indomie 2

39 Mie sedap 5

40 Mie gelas 5

41 Potato 4

42 Chitos 3

43 Detol 3

44 Dove 3

45 Pepsodent 1

3.1.3 Analisis Pencarian Pola Frekuensi Tinggi

Misalkan diberikan nilai minimum support = 20% (Ф=4 dari 20 transaksi) dan kemudian dilakukan pencarian nilai support pada masing-masing item dengan rumus:

Support =

x

(39)
(40)

Boom 4/20* 100 = 0.2%

Berdasarkan Tabel yang berisi item-item dengan support yang dimilikinya, selanjutnya cari L1={large 1-itemset} dengan memilih item yang memenuhi nilai minimum support ≥15% seperti pada tabel 3.8.

Tabel 3.8 L1 (Large 1-itemset)

Item set Support

(41)

Yakult 0.3%

Downy 0.3%

Molto 0.25%

Johnsons Baby Powder 0.2%

SGM 0.15%

Rinso 0.25%

Daia 0.2%

Boom 0.3%

Gulaku 0.2%

Sariwangi 0.15%

Sari roti 0.2%

Aqua botol 0.35%

Mie Sedap 0.4%

Mie gelas 0.25%

Potato 0.25%

Chitos 0.2%

Detol 0.15%

Dove 0.15%

Langkah 3

(42)

Tabel 3.9 C2 (Kandidat item set)

Tabel 3.10 C2 (lanjutan)

(43)
(44)
(45)
(46)
(47)

130 Daia Chitos 0/20* 100 = 0

131 Daia Sariwangi 1/20* 100 = 0.05

132 Daia aqua btl sdg 3/20* 100 = 0.15

133 Daia mie sedap 0/20* 100 = 0

134 Daia sari roti 2/20* 100 = 0.1

135 Daia mie gelas 3/20* 100 = 0.15

136 Boom mie gelas 0/20* 100 = 0

Tabel 3.15 (lanjutan)

No Item 1 Item 2 Confidence

137 Boom mie sedap 0/20* 100 = 0

138 Boom Potato 0/20* 100 = 0

139 Boom sari roti 2/20* 100 = 0.1

140 Boom Chitos 1/20* 100 = 0.05

141 Boom Gulaku 0/20* 100 = 0

142 Boom aqua btl sdg 1/20* 100 = 0.05

143 Boom Detol 0/20* 100 = 0

144 Boom Dove 1/20* 100 = 0.05

145 Boom Sariwangi 0/20* 100 = 0

146 Gulaku Detol 0/20* 100 = 0

147 Gulaku mie gelas 2/20* 100 = 0.1

148 Gulaku Potato 2/20* 100 = 0.1

149 Gulaku Dove 0/20* 100 = 0

150 Gulaku sari roti 2/20* 100 = 0.1

151 Gulaku Chitos 1/20* 100 = 0.05

(48)
(49)

180 mie sedap mie gelas 0/20* 100 = 0

Langkah 4

Setelah dihitung dan ditemukan support dari tiap kandidat 2-itemsets pada Tabel 3.8 sampai Tabel 3.1 maka dengan tahap pemangkasan (prune) yaitu menghilangkan item yang tidak memenuhi nilai minimum support ≥20% dapat dihasilkan pada table 3.17.

Tabel 3.17 L2 (Large 2-itemset)

Item 1 Item 2 Support

Gulaku Sariwangi 0.15

Aqua btl sdg Potato, 0.15

aqua btl sdg Potato 0.2

aqua btl sdg mie gelas 0.2

mie gelas Potato 0.15

3.1.4 Pembentukan Aturan Asosiasi

Untuk mencari aturan asosiasi dari iterasi terhadap langkah-langkah yang dilakukan

(50)

Confidence = P (A B) =

x 100 %

Tabel 3.18 Pembentukan Korelasi Produk

Item 1 Item 2 Confidence

Dimisalkan confidence 60 %, aturan yang terbentuk :

Tabel 3.19 Pembentukan Aturan Asosiasi

No Rule ( Korelasi Produk ) Support Confidence

1 Jika Konsumen Membeli telur ayam, maka membeli mie sedap

25 %

0.71

2 Jika Konsumen Membeli yakult, maka membeli sari roti

25 %

0.66

3 Jika Konsumen Membeli downy, maka membeli daia

25 %

1

(51)

4 Jika Konsumen Membeli molto, maka membeli rinso

25 %

0.8

5 Jika Konsumen Membeli janson baby powder, maka membeli SGM

15 %

0.75

Tabel 3.20 Pembentukan Aturan Asosiasi(Lanjutan)

No Rule(Korelasi Produk) Suport Confidence

6 Jika Konsumen Membeli gulaku, maka membeli sariwangi

15 %

1

7 Jika Konsumen Membeli

sariwangi, maka membeli sari roti

30 %

0.75

8 Jika Konsumen Membeli mie gelas, maka membeli potato

30 % 0.6

3.1.5 Analisis Data dengan FP-Growth

Pada tahap ini, untuk mempermudah dalam pembuatan tree, maka nama barang dibuat

dengan menggunakan abjad seperti pada tabel 3.9.

Tabel 3.21 Data Barang

(52)

Tabel 3.22 Data Barang(lanjutan)

No Item_Set Kode_Item

(53)

Tabel 3.23 Data Barang(lanjutan)

No Item_Set Kode_Item

39 Mie Sedap Ms

Tabel 3.24 Tabel Transaksi

TID Item

Pada tahap ini, diambil contoh data 10 transaksi. Diberikan batasan minimum support

0.2 dan confidence 0.75.

(54)

1. Pembacaan TID 1: Lintasan {} Ya, Bo,Ri,Sg, Pa, Mo, L

{ Root}

Ya:1

Bo:1

Ri:1

Sg:1

Pa:1

Mo:1

Gambar 3.2 TID 1

2. Pembacaan TID 2

{Root}

Y

B

R

S

P

M

(55)

Gambar 3.3 TID 2

3. Pembacaan TID 3

{Root}

S

A B

o Y

(56)

Gambar 3.4 TID 3

4. Pembacaan TID 4

{Root}

S

S

A B

o Y

(57)

Gambar 3.5 TID 4

5. Pembacaan TID 5

{Root}

T

P

D

S

S

A B

o P a Y

B

(58)

Gambar 3.6 TID 5

6. Pembacaan TID 6

{Root}

T

P

D

S

S

A B

o

S P a Y

B

R

(59)

Gambar 3.7 TID 6

7. Pembacaan TID

{Root}

N u

A

D

T

P

D

S

S

A B

o

S P a

Do Y

B

R

S

(60)

Gambar 3. 8 TID 7

8. Pembacaan TID 8

{Root}

S

P N

u

A

T

P

D

S

S

A B

o

S P a

Do Y

B

R

S

(61)
(62)

Gambar 3.10 TID 9

10.Pembacaan TID 10

(63)

Gambar 3.11 TID 10

Kemudian dicari frequent list nya dengan melihat kondisi FP-Growth dari item yang digambarkan dengan tree berikut.

1. Kondisi FP-Growth untuk Ya

(64)

Gambar 3.12 Kondisi FP-Growth Untuk Ya

Nilai Kemunculan yang bersamaan dengan Ya:

{Te,Ya},{Ya,Aq},{Do,Ya},{Ya,Bo},{Ya,Pa},{Ya,Pe},{Ya,Sr}. Dalam Association rule, minimal frequent itemset yang dihitung terdapat 2 item, jika membeli A maka membeli B.setelah diperoleh frequent itemset, maka membuat rule dengan

menghitung confidencenya ≥ 60 %. Karena perhitungan nya sangat banyak, maka penulis mengambil contoh dari frequent itemset {Ya,Sr}.

Ya Sr = 4/6 = 0.66

Sr Ya = 4/7 = 0.57

Dari perhitungan confidence terhadap pola diatas maka Association rule yang

memenuhi syarat confidence ≥ 60 % adalah:

1. Ya Sr ( jika konsumen membeli Yakult maka membeli Sari roti dengan

nilai confidence 0.66).

3.2 Perancangan Sistem

Perancangan sistem adalah suatu pengindentifikasian kebutuhan fungsional dalam

mempersiapkan rancangan implementasi yang bertujuan untuk mendesain sistem

dalam memenuhi kebutuhan user sistem. Perancangan sistem terdiri dari pembuatan flowchart sistem, perancangan database, dan perancangan antarmuka pemakai (user interface).

3.2.1 Data Flow Diagram (DFD)

T

D

(65)

Data Flow Diagram (DFD) adalah suatu model logika data atau proses yang dibuat untuk menggambarkan dari mana asal data dan kemana tujuan data yang keluar dari

sistem, dimana data disimpan, proses apa yang menghasilkan data tersebut dan

interaksi antara data yang tesimpan serta proses yang dikenakan pada data tersebut.

DFD menunjukan hubungan antar data pada sistem dan proses pada sistem.

Pada sistem ini digunakan DFD level-0, DFD Level-1, untuk penjelasan lebih

(66)

1.0 Info hasil pola pembelian produk

Gambar 3.13 DFD Level 0

Pada DFD Level 0, merupakan proses dalam sistem yang dirancang. User memasukan data transaksi ke dalam sistem, kemudian data transaksi diproses di dalam sistem

dengan melalui beberapa iterasi dengan menggunakan masing-masing algoritma yaitu

Algoritma Apriori dan algoritma FP-Growth. kemudian menghasilkan association rule yang merupakan korelasi pembelian produk yang merupakan informasi yang berguna. Setelah rule diperoleh, maka dilakukan perbandingan waktu antara kedua

algoritma dengan menggunakan sistem tersebut.

(67)

Gambar 3.14 DFD Level-1(Apriori)

Pada DFD level-1, proses yang terjadi lebih terperinci lagi bila dibandingkan pada

diagram Level-0. User menginput data transaksi dan diproses di sistem dengan

menggunakan masing-masing algoritma, yaitu algoritma Apriori dimulai dengan

proses login, kemudian dilakukan pengelolan data barang dan data transaksi barang

dan menginput nilai minimum suport dan confidence sehingga memperoleh hasil pola

(68)

Start 3.2.4 DFD Level 1 (FP-Growth)

user

Info hasil pola pembelian produk

Gambar 3.15 DFD Level 1(FP-Growth)

User menginput data transaksi dan diproses di sistem dengan menggunakan algoritma

FP-Growth dimulai dengan proses login, kemudian dilakukan pengelolan data barang

dan data transaksi barang dan menginput nilai minimum suport dan confidence

sehingga memperoleh hasil pola pembelian produk.

3.2.5 Flowchart Algoritma

(69)
(70)

Tabel L2 Terbentuk P1

If confidence > = min confidence

Tabel L2 yang confidence > = min

confidence Y

Kesimpulan hasil asosiasi terbentuk

End

T P1

Gambar 3.17 Flowchart Algoritma Apriori ( lanjutan )

(71)

P2

Kombinasi barang 1 dan kombinasi barang 2

hasil perhitungan = jumlah_ kombinasi/ jumlah_ barang

Apakah hasil perhitungan > = confidence

Nilai confidence, hasil perhitungan, dan support

(72)
(73)

Input data barangI

Perancangan flowchart sistem, dimulai dengan menginput data barang. Kemudian dilakukan penambangan data dengan masing-masing algoritma, yang pertama dengan

algoritma Apriori. Setelah dilakukan proses mining maka diperoleh hasil dalam

bentuk kombinasi barang pembelian. Setelah itu dilakukan penambangan data dengan

algoritma FP-Growth. setelah dilakukan proses, maka diperoleh hasil dalam bentuk

kombinasi barang. Lalu setelah diperoleh hasil dari kedua algoritma maka dilakukan

perbandingan waktu antara kedua algoritma. Kemudian diperoleh waktu yang lebih

cepat antara kedua algoritma. Kemudian selesai(end).

3.3 Perancangan Basis Data

Pada perancanngan basis data terdapat perancangan struktur table barang dan

struktur table transaksi.

3.3.1 Struktur tabel

Dalam struktur table, table-tabel yang digunakan di database adalah sebagai

berikut:

1. Struktur Tabel Barang

Tabel barang berguna untuk menyimpan data barang penjualan. Struktur tabel

(74)

Login to Admin

Username Password

Tabel 3.25 Data Barang

Nama Field Type Length Keterangan

id_barang(*) Integer 10

Nama_barang Varchar 30

2. Struktur Tabel Transaksi

Tabel Transaksi berguna untuk menyimpan data transaksi penjualan. Struktur

Tabel transaksi dapat dilihat tabel 3.13.

Tabel 3.26 Data Transaksi

Nama Field Type Length Keterangan

id_transaksi(*) Integer 10 Id Transaksi

kode_transaksi Integer 10 Kode Transaksi

tgl_transaksi Date 5 Tgl Transaksi

id_barang(**) Integer 10 Id Barang

Keterangan : * = Primary Key

** = Foregn Key

3.4 Perancangan Tampilan Antarmuka

Perancangan tampilan program dari aplikasi datamining yang akan dibuat adalah sebagai berikut :

(75)

Menu Utama

Projek: Datamining Supermarket Algoritma Apriori dan FPGrowth Tanggal : xx-xx-xx

About Me Barang Transaksi

Untuk masuk ke dalam sistem, terlebih dahulu memasukan username(1) dan

password(2), dan jika keduanya sudah sesuai maka klik login. Dan sudah dapat masuk

ke sistem.

3.4.2 Perancangan Menu Utama

Gambar 3.22 Perancangan Menu Utama

Keterangan gambar:

3. Nama Projek Datamining Supermarket Algoritma Apriori dan FP-Growth

4. Tanggal

5. Menu home

6. About me, menu tentang penulis

7. Menu barang berisikan menginput dan penyimpanan nama barang

8. Menu transaksi berisikan pengolahan transaksi barang

9. Menu logout untuk keluar dari sistem

10. Algoritma Apriori, untuk proses mining dengan algoritma Apriori

11. Algoritma FP-Growth, untuk proses mining dengan algoritma FP-Growth

12. Halaman admin

Pada menu utama, terdapat beberapa sub menu, yaitu: home, about me, barang,

transaksi, dan logout. Terdapat juga tombol untuk proses mining dengan algoritma

apriori dan algoritma FP-Growth. Menu barang digunakan untuk mengolah barang.

(76)

3.4.3 Perancangan Transaksi

Gambar 3.23 Perancangan Data Transaksi

Pada Perancangan Transaksi terdapat tanggal transaksi. Di dalam pengelolaan

transaksi, dapat menambah transaksi dengan mengklik yang ditandai no 5, dan dapat

melihat data transaksi yang sudah di input, dengan memilih kode transaksi yang

ditandai no 2, dan dapat memilih kode transaksi sesuai yang diinginkan dengan cara

mengklik search ditandai no 3.No 4 adalah no nama barang yang diinput, sedangkan no 5 adalah kode transaksi, No 6 Tanggal transaksi, no 7 nama-nama barang, no 8

adalah options delete dan edit yaitu untuk menghapus atau mengedit nama barang.

3.4.4 Perancangan Olah Barang

Transaksi

Projek: Datamining Supermarket Algoritma Apriori dan FPGrowth Tanggal : xx-xx-xx

About Me Barang Transaksi

No Kode Transaksi Tanggal Transaksi Transaksi Barang Options

1

Projek: Datamining Supermarket Algoritma Apriori dan FPGrowth Tanggal : xx-xx-xx

About Me Barang Transaksi

Id Barang Nama Barang Options

1 3

4 5 6

(77)

Scanning Data Transaksi Dengan Algoritma Apriori

Algoritma Apriori Scanning Data Transaksi Dengan Algoritma Apriori

Minimum support

Minimum confidence

Jumlah transaksi

Gambar 3.24 Perancangan Olah Barang

Pada perancangan olah barang, dapat menambah, mengedit, dan menghapus data

barang. Dengan cara menginput nama barang yang ditandai no 5, untuk menampilkan

barang yang sudah diinput dapat mengklik publish yang ditandai no 3 , dan untuk

membatalkan dengan dengan mengklik cansel yang ditandai no 2. No 4 merupakan id barang, dan no. 5 merupakan nama barang yang sudah diinput, dan pada no 6

merupakan options dimana nama barang yang sudah diinput dapat dihapus dengan

mengklik delete dan dapat diedit dengan mengklik edit.

3.4.5 Perancangan Apriori

1

2

(78)

Gambar 3.25 Perancangan Proses Mining dengan Algoritma Apriori

Pada proses mining Apriori, dengan menginput minimum support yang ditandai no 5,

minimum confidence yang ditandai no 2, dan jumlah transaksi yang ditandai no 3,

kemudian kirm queri yang ditandai no 4. Maka tampil output, yaitu rule yang

dihasilkan dengan menggunakan apriori.

3.4.6 Perancangan FP-Growth

(79)

Scanning Data Transaksi Dengan Algoritma FP-Growth

Algoritma FP-Growth Scanning Data Transaksi Dengan Algoritma FP-Growth

Minimum support

Pada proses mining FP-Growth, dengan menginput minimum support yang ditandai

no 1, minimum confidence yang ditandai no 2, dan jumlah transaksi yang ditandai no

3, setelah semua diinput kemudian kirm queri yang ditandai no 4. Maka tampil output,

yaitu rule yang dihasilkan dengan menggunakan FP-Growth.

3.4.7 Perancangan Tampilan Out put FP-Growth

Setelah dikirm queri, maka tampil minimum confidence, minimum support, jumlah

transaksi, dan tampil table kesimpulan(rule) dengan menggunakan apriori yang berisi

kombinasi item yang sering dibeli konsumen. Waktu proses filtering juga tampil.

1

2

3

4

Algoritma FP-Growth

Scanning Data Transaksi Dengan Algoritma FP-Growth

Minimum support : xx Minimum confidence : xx

Jumlah transaksi : xx Tabel Kesimpulan

Waktu proses filtering : xx

1

(80)

Setelah dikirim queri data yang sudah diinput, maka tampil table kesimpulan berupa

kombinasi barang dengan menggunakan algoritma FP-Growth yang ditandai no. 1,

dan waktu proses filtering yang ditandai no. 2.

3.4.8 Perancangan Tampilan Out Put Apriori

Setelah dikirm queri, maka tampil minimum confidence, minimum support, jumlah

transaksi, dan tampil table kesimpulan(rule) dengan menggunakan FP-Growth yang

berisi kombinasi item yang sering dibeli konsumen. Waktu proses filtering juga

tampil.

Setelah dikirim queri maka tampil output dengan menggunakan algoritma FP-Growth.

yang berupa Tabel kesimpulan yang ditandai no. 1. Tabel kesimpulan berisi korelasi

barang pembelian yang merupakan informasi yang sangat berguna. Waktu proses

dfiltering juga muncul yang ditandai no.2.

BAB 4

IMPLEMENTASI

Algoritma Apriori Scanning Data Transaksi Dengan Algoritma Apriori

Minimum support : xx Minimum confidence : xx

Jumlah transaksi : xx

Tabel Kesimpulan

Waktu proses filtering : xx

Gambar 3.28 Out Put Algoritma Apriori

1

(81)

Setelah melalui tahap perancangan sistem kemudian dilanjutkan ke tahap

implementasi dan pengujian. Implementasi ini harus berdasarkan pada perancangan

ditahap sebelumnya. Dalam mengimplementasikan sistem ini, dibutuhkan 3 buah

komponen, yang meliputi kebutuhan hardware (perangkat keras), software (perangkat lunak), dan brainware (unsur manusia). Sedangkan dalam pengujian dilakukan terhadap hasil association rule yang dimasukkan dengan nilai minimum support dan minimum confidence yang berbeda.

4.1 Implementasi

Implementasi adalah suatu prosedur yang dilakukan untuk menyelesaikan sistem yang

ada dalam dokumen rancangan sistem yang telah disetujui dan telah diuji, menginstal

dan memulai menggunakan sistem baru yang diperbaiki.

4.2 Persiapan Teknis

Dalam implementasi dari program data mining ini membutuhkan perangkat keras (hardware) dan perangkat lunak (software). Adapun hardware dan software yang akan dibutuhkan adalah sebagai berikut :

1. Perangkat Keras ( Hardware )

1. Micro processor minimal Pentium 4

2. Harddisk minimal 40 GB

3. RAM berkapasitas 512MB

4. Monitor Super VGA 14 inchi

5. Keyboard

2. Perangkat Lunak yang digunakan dalam membangun sistem ini yaitu:

1. PHP

2. XAMPP ( MySQL )

(82)

Brainware merupakan faktor manusia yang menangani fasilitas komputer yang ada. Faktor ini mutlak diperlukan karena aplikasi ini memerlukan perawatan atau

maintenance, baik perawatan hardware maupun software. Aplikasi ini tidak dapat beroperasi sendiri tanpa adanya instruksi dari user. User diperlukan untuk proses update data dan proses menjalankan proses lainnya.

4.3 Menjalankan Aplikasi

Setelah semua persiapan teknis dilakukan, selanjutnya menjalankan aplikasi data

mining dengan teknik association rule menggunakan algoritma apriori ini dapat dilakukan. Untuk dapat menjalankannya, terlebih dahulu install aplikasi data mining pada personal computer (PC) atau laptop kemudian buka aplikasi pada menu start program.

(83)

Gambar 4.1 Tampilan login

Admin dapat masuk ke system dengan memasukan username dan password, lalu

menekan tombol login.

4.3.5 Proses Mining dengan Algoritma Apriori

Untuk melihat perbandingan waktu antara Algoritma Apriori dan Algoritma

FP-Growth, maka dilakukan 3 kali pengujian tergadap sistem yang sudah dibuat.

(84)

Proses mining dengan menggunakan apriori, dengan minimum support 0.15 dan

minimumconfidence 0.60 dan jumlah transaksi 20 dalam waktu 7.2 detik.

Gambar 4.3 Proses Mining dengan Apriori

Proses mining dengan menggunakan apriori, dengan minimum support 0.25 dan

minimum confidence 0.75 dan jumlah transaksi 300 menghasilkan 1 rule dalam

(85)

4.3.4 Proses Mining dengan FP-Growth

Gambar 4.4 Proses Mining dengan Algoritma FP Growth

Bentuk rule yang dihasilkan dengan FP-Growth dalam waktu 1.09 detik. Dengan

(86)

Gambar 4.5 Proses Mining dengan Algoritma FP-Growth.

Bentuk rule yang dihasilkan dengan FP-Growth dalam waktu 28 detik. Dengan

minimum support 0.15 dan minimum confidence 0.8 dan jumlah transaksi 300.

Perbandingan waktu Algoritma Apriori dan Algoritma FP-Growth dapat dilihat pada

tabel 4.1.

Tabel 4.1 Perbandingan Waktu Algoritma Apriori dan Algoritma FP-Growth

Algoritma Min Support Min Confidence Waktu

(detik)

Jlh Transaksi

Apriori 0.15 0.6 7 20

Apriori 0.15 0.8 63 300

Apriori 0.25 0.75 5.6 300

FP-Growth 0.15 0.6 3.6 20

FP-Growth 0.15 0.8 28 300

(87)

Dengan melihat table 4.1, waktu yang diperlukan untuk mendapatkan korelasi barang

pembelian dengan menggunakan algoritma apriori dan FP-Growth, maka waktu yang

(88)

BAB 5

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan pembahasan, implementasi dan pengujian dari sistem, diperoleh beberapa

kesimpulan:

1. Metode Association Rule dengan menggunakan Algoritma Apriori dan Algoritma FP-Growth dengan parameter support dan confidence dapat memperoleh korelasi barang pembelian untuk lebih meningkatkan penjualan

maupun dalam hal promosi barang yang dapat meningkatkan pendapatan yang

lebih besar lagi bagi pemilik minimarket.

2. Dari hasil pengujian dapat dilihat, bahwa waktu yang diperlukan Algoritma

FP-Growth lebih cepat bila dibandingkan Algoritma Apriori untuk

memperoleh hasil korelasi barang pembelian.

5.2Saran

Untuk memperoleh hasil yang lebih maksimal dan lebih baik lagi, diperlukan

saran dari berbagai pihak. Adapun saran dari penulis yaitu:

1. Bagi pengembang berikutnya agar dapat langsung mengolah data langsung

mengakses database perusahaan secara langsung.

2. Bagi pengembang berikutnya agar menggunakan lebih dari 2 kombinasi

(89)

DAFTAR PUSTAKA

[1]. Aritonang Pathresia. 2012. Implementasi Data Mining dengan Association Rule dalam pengambilan keputusan Untuk korelasi pengambilan Produk Menggunakan Algoritma Apriori. Skripsi: Ekstensi S1 Ilmu Komputer Universitas Sumatera Utara.

[2]. Berry J.A. Michael, Linoff Gordon. 1997. Data Mining Techniques. New York: Wiley Computer Publishing.

[3]. Erwin. 2009. Analisis Market Basket dengan Algoritma Apriori dan Algoritma FP-Growth. Jurnal Generik, hal. 26-30.

[4]. Goldie Gunadi, Dana Indra Sensue. (2012), penerapan metode data mining market basket analysis terhadap data penjualan produk bukudengan menggunakan algoritma apriori danfrequent pattern growth (fp-growth) : studi kasus percetakan pt. gramedia. Jurnal Telematika MKOM Vol. 1 hal. 118-132.

[5]. Kadir, Abdul. 2008. Dasar Perancangan dan Implementasi Database

Relasional. Yogyakarta: Andi

[6]. Kusrini, Emma Taufiq Luthfi. 2009. Algoritma Data Mining. Yogyakarta: Andi

[7]. Olson David, Yong Shi. 2007. Introduction to Business Data Mining. The McGraw-Hill: New York.

(90)

[9]. Thomas Connoly, Carolyn Begg. 2005. Database Systems A Practical Approach to Design, Implementation, and MAnagement. Addison-Wesley: New York.

[10]. Suprasetyo Fendi Achmad.Market Basket Analysis Menggunakan Algoritma Frequent-Pattern-Growth Pada Data Transaksi Penjualan Barang Hariandi Swalayan XYZ. Skripsi: Sistem Informasi Fakultas Teknik Universitas Negeri Gorontalo

(91)

LAMPIRAN

Listing program aplikasi data mining menggunakan algoritma apriori dan FP-Growth adalah sebagai berikut:

1. Proses pembuatan tabel C1

$ld_barang=$data['id_barang'];

$count_barang = mysql_query("SELECT count(*) AS jum_barang FROM transaksi_barang where id_barang='$ld_barang' and kode_transaksi <=

'$jum_transaksi'") or die(mysql_error());

$array_count_barang = mysql_fetch_array($count_barang);

$distinc_transaksi = mysql_query("select count(distinct(kode_transaksi)) as jum_transaksi

from transaksi_barang where kode_transaksi <= '$jum_transaksi'");

$array_count_transaksi = mysql_fetch_array($distinc_transaksi);

$support =

$array_count_barang['jum_barang']/$array_count_transaksi['jum_transaksi'];

$sql_rows_support = mysql_query("SELECT * FROM support_apriori WHERE id_barang='$ld_barang' and nilai_support='$support'");

if(mysql_num_rows($sql_rows_support)){

echo '';

} else {

$insert_support = mysql_query("INSERT INTO support_apriori VALUES ('', '$ld_barang', '$support')");

}

$l++;

(92)

2. Proses pembuatan tabel C2

$TRecord = mysql_query("SELECT a.*,b.* FROM barang a, support_apriori b where a.id_barang=b.id_barang and b.nilai_support >= '$min_support'

order By a.id_barang ASC") or die(mysql_error());

$j=1;

while($data=mysql_fetch_array($TRecord))

$i=$data['id_barang'];

$TRecord2 = mysql_query("SELECT a.*,b.* FROM barang a, support_apriori b where a.id_barang=b.id_barang

and b.nilai_support >= '$min_support' order By a.id_barang ASC") or die(mysql_error());

while($data2=mysql_fetch_array($TRecord2)){

$id_barang2=$data2['id_barang'];

$nilai_support = $min_support;

if($i!=$id_barang2){

$sql_cek_kombinasi = mysql_query("SELECT * FROM kombinasi_apriori WHERE id_barang='$i' and id_kombinasi='$id_barang2'

and support_count='$nilai_support'");

if(mysql_num_rows($sql_cek_kombinasi)){

echo '';

Gambar

Gambar 3.1 Diagram Ishikawa
Tabel 3.1 Data Transaksi
Tabel 3.2 Data Transaksi(lanjutan)
Tabel 3.10 C2 (lanjutan)
+7

Referensi

Dokumen terkait

Jenis penelitian ini adalah jenis penelitian eksperimental murni dengan menggunakan tikus putih jantan yang diinduksi vaksin Difteri Pertusis Tetanus untuk melihat

Peranan yang ditorehkan Lasykar Hizbullah di Priangan memiliki arti penting bagi perjuangan kemerdekaan Indonesia antara lain: pertama, keterlibatan mereka

Untuk melaksanakan misi “Mengembangkan ekonomi daerah yang kompetitif dan berbasis kerakyatan” , Dinas Tenaga Kerja Kabupaten Tangerang untuk untuk periode RPJMD

Intervensi yang dilakukan penulis pada An.Z yaitu: 1) Observasi keadaan umum dan vital sign pasien bertujuan untuk mengetahui keadaan umum pasien, tanda-tanda vital

Terdapat pengaruh yang signifikan dari pemahaman terhadap politik dan identifikasi kepartaian secara simultan terhadap perilaku memilih generasi.. muda pada pemilu

Mengacu pada tabel 1 hasil pengukuran suhu, kelembaban dan pencahayaan dengan angka kuman lantai ruangan sebelum dan sesudah desinfeksi dengan menggunakan desinfektan fenol

P., 2015, 'Karakterisasi Ekstrak Kasar Enzim Selulase dari Isolat Bakteri Selulolitik (Bacillus subtilis strain SF01) Asal Limbah Ampas Tebu', Skripsi , Sarjana

Bahwa dalam rangka menjaga kepentingan masyarakat terutama yang berhubungan dengan perlindungan dan pelayanan pemeriksaan dan /atau pengujian alat-alat