1
M. Didik R. Wahyudi1) Fusna Failasufa2)
1) 2)
Teknik Informatika FST UIN Sunan Kalijaga
ABSTRAK. Data transaksi suatu supermarket, seperti Pamella supermarket, semakin hari semakin banyak dan bertambah. Data ini seringkali hanya disimpan tanpa diolah lebih lanjut, sehingga menjadi informasi yang sangat berguna bagi supermarket tersebut. Data transaksi yang hendak diolah, disimpan dalam data mining. Untuk mengetahui prilaku konsumen dalam membeli barang pada suatu supermarket, dapat dihasilkan dari pengolahan data transaksi harian yang diolah dengan menggunakan algoritma tertentu. Salah satu algoritma yang bisa dipergunakan adalah algoritma apriori. Algoritma apriori dapat dipergunakan untuk mengolah sekumpulan data (data mining) transaksi harian supermarket Pamella. Pengolahan untuk menganalisis pola pembelian konsumen Pamella Supermarket dapat dilakukan pada setiap cabang, sehingga dengan menerapkan metode tersebut, diharapkan dapat menghasilkan pola aturan asosiasi pembelian konsumen pada setiap cabang Pamella Supermarket. Dari pola yang dihasilkan tersebut kemudian dilakukan proses interpretasi menjadi sebuah informasi atau knowledge.
Kata Kunci : Data mining, Algoritma apriori, Analisis pola pembelian
1. PENDAHULUAN
Pertumbuhan data transaksi pada suatu supermarket semakin bertambah besar setiap hari.
Data transaksi tersebut seringkali hanya dipergunakan untuk mengolah data sirkulasi barang dan
dibiarkan menumpuk tanpa ada tindakan yang lebih lanjut. Dengan bertambahnya jumlah data
pada perusahaan tersebut, maka peran analis untuk menganalisis data secara manual perlu
digantikan dengan aplikasi yang berbasis komputer, sehingga proses analisa dan kualitas hasil
analisa dapat dilakukan lebih efektif da efisien. Analisis data transaksi ini dapat dilakukan
dengan cara implementasi data mining dengan algoritma apriori ke dalam aplikasi untuk analisis
pola pembelian konsumen di Pamella Supermarket. Dari analisis ini, akan diketahui pola
pembelian konsumen pada masing – masing cabang.
Data mining berisi pencarian trend atau pola yang diinginkan dalam database yang besar
untuk membantu pengambilan keputusan di waktu yang akan datang. KDD (Knowledge
Discovery in Database) adalah keseluruhan proses konversi data mentah menjadi pengetahuan
yang bermanfaat yang terdiri dari serangkaian tahap transformasi meliputi data preprocessing
dan postprocessing.
Algoritma apriori menggunakan strategi pemangkasan itemset dengan berbasis ukuran
Seminar Nasional Matematika, Sains dan Informatika 2015 2 Prosiding
ukuran support, support untuk itemset tidak pernah melebihi support subsetnya. Sifat seperti ini
dikenal dengan antimonotonic property dari ukuran support. Hal utama dalam teorema algoritma
Apriori menggunakan prinsip : “Jika sebuah itemset itu frekuen, semua subset dari itemset
tersebut pasti juga frekuen. Sebaliknya, jika sebuah itemset infrequent, maka semua transaksi
yang berisi itemset tersebut beserta supersetnya tentulah infrequent”.
2. METODEPENELITIAN
Penelitian ini menggunakan metode eksperimental dengan menerapkan algoritma apriori
ke dalam sistem serta menganalisis tren pembelian konsumen pada setiap supermarket dengan
karakteristik yang dimiliki pada ketiga supermarket tersebut. Tahapan yang dilakukan dalam
penelitian ini adalah sebagai berikut:
1. Seleksi Data (Data Selection). Pemilihan pada data mentah transaksi penjualan yang
diperoleh dari setiap cabang Pamella Supermarket yang akan digunakan dalam proses data
mining.
2. Preprocessing/Cleaning Data. Data yang diambil dilakukan proses preprocessing dan
cleaningyang meliputi pembuangan duplikasi data, memperbaiki kesalahan cetak pada
data, serta melengkapi value yang masih kosong, serta penambahan field yang diperlukan.
3. Transformation. Proses transformasi data melalui preprocessing/cleaning sehingga
menghasilkan data yang siap diolah dengan data mining.
4. Data Mining. Data siap diolah dan diproses dengan data mining untuk pencarian pola
menggunakan algoritma apriori, sehingga akan menghasilkan pola pembelian konsumen
yang akan menjadi acuan untuk proses interpretation/evaluatin.
5. Interpretation/Evaluation. Pola yang dihasilkan dari proses data mining akan
diinterpretasikan menjadi sebuah informasi atau bahkan pengetahuan (knowledge).
3. HASILPENELITIANDANPEMBAHASAN
Proses penelitian dilaksanakan dengan tahapan sebagai berikut :
1. Seleksi Data. Data transaksi penjualan diperoleh dalam format excel kemudian di
Seminar Nasional Matematika, Sains dan Informatika 2015 3 Prosiding
2. Preprocessing/Cleaning. Proses membuang data yang terduplikasi serta melengkapi
data-data yang masih kosong. Diperoleh data-data transaksi penjualan seperti berikut :
Tabel 1 : Perbandingan data sebelum dan sesudah preprocessing
No Cabang Pamella Sebelum Preprocessing Sesudah Preprocessing
1. Pamella1 24.679 record 18.563 record dengan jumlah transaksi 2.272 dan 5.712 data barang
2. Pamella4 9.693 record 6.185 record dengan jumlah transaksi 1.388 dan 3.278 data barang
3 Pamella6 16.417 record 11.557 record dengan jumlah transaksi 1.887 dan 5.173 data barang
3. Transformation. Data di import ke dalam database dan dipecah menjadi data transaksi
penjualan dan data master barang.
4. Proses Data Mining. Data diolah dengan algoritma apriori. Proses ini menghasilkan rule
atau aturan asosiasi pada setiap cabang Pamella Supermarket sebagai berikut
Tabel 2 : Perbandingan jumlah kandidat 1-itemset pada setiap cabang Pamella Supermarket
Pada tabel di atas ditunjukkan bahwa Pamella Supermarket 1 menghasilkan kandidat
1-itemset paling banyak diantara ketiga cabang yang lain. Berikut ini hasil pengolahan data
untuk kandidat1-itemset tertinggi yang disajikan pada tabel 3 berikut ini :
Tabel 3 : Perbandingan kandidat 1-itemset pada setiap cabang Pamella Supermarket
Cabang Kandidat 1-itemset tertinggi Suppport (%)
Pamella Supermarket 1 Indomie goreng special 5,9
Pepsodent pg white 75 gr 3,26
Multi roll tom 02 3,21
Gula pasir 1kg 3,08
Sedaap mie goreng 3,08
Pamella Supermarket 4 Indomie goreng spc 2,59
Sedaap mie goreng 2,16
Beras kiloan 1,87
Pepsodent white 75 gr 1,8
Gula 1 kg 1,66
Pamella Supermarket 6 Indomie goreng special 5,25
Sedap mie goreng 2,28
Multi grafis refill mp-01/40 2,01
Sunlight pouch lime 800 ml 2,01
Gula ½ kg putih 1,85
Support (%) Pamella Supermarket 1 Pamella Supermarket 4 Pamella Supermarket 6
1,5 27 8 11
1,8 22 4 6
2 17 2 4
Seminar Nasional Matematika, Sains dan Informatika 2015 4 Prosiding
Dari tabel di atas dapat dilihat bahwa pada semua cabang Pamella Supermarket, item
INDOMIE GORENG SPECIAL adalah merupakan item yang paling sering dibeli oleh
konsumen. Pada Pamella Supermarket 1, item yang paling sering dibeli selanjutnya adalah
PEPSODENT PG WHITE 75 GR, sedangkan untuk Pamella Supermarket 4 dan Pamella
Supermarket 6 item yang paling sering dibeli selanjutnya adalah SEDAAP MIE GORENG.
Berikut ini data hasil pengolahan untuk kandidat 2-itemset pada masing-masing Cabang
Pamella Supermarket :
Tabel 4. Kandidat 2-itemset tertinggi pada masing-masing cabang Pamella Supermarket
Cabang Kandidat 2-itemset tertinggi Suppport (%)
Pamella Supermarket 1
Indomie goreng special, indomei ayam bawang 1,232
Indomie goreng special, lifebuoy soap lemon fresh 80 gr 0,572
Indomie goreng special, indomie goreng pedas 0,572
Indomie goreng special, selection kapas 35 gr 0,528
Indomie goreng special, gula pasir 0,5 gr 0,528
Pamella Supermarket 4
Sedaap mie goreng, sedaap mie ayam bawang 0,36
Pepsodent white 75 gr, gula ½ kg 0,288
Indomie goreng spc, pepsodent white 75 gr 0,216
Indomie goreng spc, sedaap mie goreng 0,144
Indomie goreng spc, beras kiloan 0,144
Pamella Supermarket 6
Indomie goreng special, indomie ayam bawang 1,166
Indomie goreng special, indomie soto mie 1,113
Indomie goreng special, sunlight pouch lime 800 ml 0,689
Sunlight pouch lime 800 ml, pepsodent white 190 gr 0,477
Indomie goreng special, multi grafis refill mp-01/40 0,424
Dari kandidat 2-itemset diatas dapat dihasilkan rule atau aturan asosiasi yang merupakan
pola pembelian konsumen pada setiap cabang Pamella Supermarket sebagai berikut :
Tabel 5 : Hasil pembangkitan Aturan Asosiasi /pola pembelian konsumen pada setiap
cabang dan nilai confidence-nya
Cabang Kandidat 2-itemset tertinggi Confidence(%)
Pamella Supermarket 1
Indomei ayam bawang=> indomie goreng special 60,87
Indomie goreng pedas =>indomie goreng special 27,08
Lifebuoy soap lemon fresh 80 gr=>indomie goreng special, 26,53
Selection kapas 35 gr=> indomie goreng special 21,05
Gula pasir 0,5 gr=> indomie goreng special 21,05
Pamella Supermarket 4
Sedaap mie ayam bawang =>sedaap mie goreng 22,73
Gula ½ kg=> pepsodent white 75 gr 18,18
Sedaap mie goreng=>sedaap mie ayam bawang 16,67
Pepsodent white 75gr=> gula ½ kg 16
Gula ½ kg=>sedaap mie ayam bawang 9,09
Pamella Supermarket 6
Indomie ayam bawang=> indomie goreng special 73,33
Indomie soto mie=> indomie goreng special 67,74
Sunlight pouch lime 800 ml=> indomie goreng special 34,21
Pepsodent white 190 gr=> sunlight pouch lime 800 ml 29,03
Sunlight pouch lime 800 ml=> pepsodent white 190 gr 23,68
Seminar Nasional Matematika, Sains dan Informatika 2015 5 Prosiding
Dari pengujian setiap cabang Pamela Supermarket, menghasilkan aturan sebagai berikut :
1. Untuk pamella Supermarket 1
Itemset tertinggi adalah INDOMIE GORENG SPESIAL, INDOMIE AYAM BAWANG
dengan nilai support 1,232%. Artinya 1,232% dari seluruh transaksi mengandung
pembelian dengan item INDOMIE GORENG SPESIAL dan INDOMIE AYAM
SPECIAL. Aturan asosiasi dengan nilai confidence tertinggi adalah INDOMIE AYAM
BAWANG => INDOMIE GORENG SPECIAL dengan nilai confidence 60,87%, yang
artinya sebanyak 60,87% konsumen yang membeli INDOMIE AYAM BAWANG juga
membeli INDOMIE GORENG SPECIAL.
2. Untuk Pamella Supermarket 4
Itemset tertinggi adalah SEDAAP MIE GORENG, SEDAAP MIE AYAM BAWANG
dengan nilai support 0,36%. Artinya 0,36% dari seluruh transaksi mengandung pembelian
dengan item SEDAAP MIE GORENG dan SEDAAP MIE AYAM BAWANG. Aturan
asosiasi dengan nilai confidence tertinggi adalah SEDAAP MIE AYAM BAWANG =>
SEDAAP MIE GORENG dengan nilai confidence 22,73%, yang artinya sebanyak 22,73%
konsumen yang membeli SEDAAP MIE AYAM BAWANG juga membeli SEDAAP MIE
GORENG.
3. Untuk Pamella Supermarket 6
Itemset tertinggi adalah INDOMIE GORENG SPECIAL, INDOMIE AYAM BAWANG
dengan nilai support 1,166%. Artinya 1,166% dari seluruh transaksi mengandung
pembelian dengan item INDOMIE GORENG SPECIAL dan INDOMIE AYAM
BAWANG. Aturan asosiasi dengan nilai confidence tertinggi adalah INDOMIE AYAM
BAWANG => INDOMIE GORENG SPECIAL dengan nilai confidence 73,33%, yang
artinya sebanyak 73,33% konsumen yang membeli INDOMIE AYAM BAWANG juga
membeli INDOMIE GORENG SPECIAL.
Hasil interpretasi knowledge yang diperoleh dari pola pembelian konsumen di atas adalah :
1. Pola pembelian ketiga cabang Pamella Supermarket tidak jauh berbeda. Hal ini dapat
dilihat dari aturan-aturan yang dihasilkan. Dari ketiga cabang Pamella Supermarket,
pola yang paling banyak dihasilkan adalah pola pembelian untuk pembelian MIE
Seminar Nasional Matematika, Sains dan Informatika 2015 6 Prosiding
2. Item yang sering dibeli oleh konsumen pada semua cabang Pamella Supermarket
adalah INDOMIE GORENG SPECIAL, sehingga persediaan/stok barang untuk item
tersebut harus paling banyak daripada stok Mie untuk jenis lain.
3. Untuk pola yang mempunyai nilai confidence tinggi, bisa dijadikan sebagai sarana
paket promo untuk dua item yang bersamaan. Misalnya, untuk rule/pola INDOMIE
AYAM BAWANG => INDOMIE GORENG SPECIAL, bisa menggabungkan kedua
item tersebut menjadi suatu paket promo dengan harga promosi.
DAFTAR PUSTAKA
Azmi, K. N. 2012. Data Mining Menggunakan Algoritma Agglomerative Hierarchical
Clustering dan Algoritma Apriori pada Data Transaksi Swalayan. Skripsi. UGM
Yogyakarta.
Dewantara, H. 2013. Perancangan Aplikasi Data Mining Algoritma Apriori untuk Frekuensi
Analisis Keranjang Belanja pada Data Transaksi Penjualan. Skripsi. Universitas
Brawijaya Malang.
Gunadi, G. (2012). Penerapan Metode Data Mining Market Basket Analysis terhadap Data
Penjualan Buku dengan Menggunakan Algoritma Apriori dan Frequent Pattern Growth
(FP-Growth). Jurnal. Telematika MKOM .
Hermawati, F. A. (2013). Data Mining. Penerbit ANDI Yogyakarta.
Kusrini, & Luthfi, E. T. 2009. Algoritma Data Mining. Penerbit ANDI Yogyakarta.
Moertini, V. 2002. Data Mining sebagai Solusi Bisnis. Penelitian Staf Pengajar Jurusan Ilmu
Komputer Universitas Katholik Parahyangan Bandung .
Olson, D., & Shi, Y. (2008). Pengantar Ilmu Penggalian Data Bisnis. Salemba Jakarta.
Prasetyo, E. (2012). Data Mining Konsep dan Aplikasi Menggunakan Matlab. Penerbit ANDI
Yogyakarta.
