IMPLEMENTASI ALGORITMA FP-GROWTH PADA MARKET BASKET ANALYSIS STUDI KASUS: MANDIRI MART
TUGAS AKHIR
Diajukan Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Komputer pada
Program Studi Sistem Informasi
Oleh:
ALEX FALEGAS 11553105023
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIM RIAU PEKANBARU
2023
ii
LEMBAR PERSETUJUAN
IMPLEMENTASI ALGORITMA FP-GROWTH PADA MARKET BASKET ANALYSIS STUDI KASUS: MANDIRI MART
TUGAS AKHIR
Oleh:
ALEX FALEGAS 11553105023
Telah diperiksa dan disetujui sebagai laporan Tugas Akhir di Pekanbaru, pada tanggal 10 Januari 2023
Ketua Program Studi Pembimbing
Eki Saputra, S.Kom., M.Kom. Siti Monalisa, ST., M.Kom.
NIP. 1983071620110111008 NIP. 198502142015032004
LEMBAR PENGESAHAN
IMPLEMENTASI ALGORITMA FP-GROWTH PADA MARKET BASKET ANALYSIS STUDI KASUS: MANDIRI MART
TUGAS AKHIR
Oleh:
ALEX FALEGAS 11553105023
Telah dipertahankan di depan sidang dewan penguji
sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau
di Pekanbaru, pada tanggal 22 Desember 2022
Pekanbaru, 22 Desember 2022 Mengesahkan,
Dekan Ketua Program Studi
Dr. Hartono, M.Pd. Eki Saputra, S.Kom., M.Kom.
NIP. 196403011992031003 NIP. 1983071620110111008 DEWAN PENGUJI:
Ketua : Nesdi Evrilyan Rozanda, S.Kom, M.Sc.
Sekretaris : Siti Monalisa, ST., M.Kom.
Anggota 1 : Saide, S.Kom., M.Kom., M.I.M., Ph.D.
Anggota 2 : T. Khairil Ahsyar, S.Kom., M.Kom.
iv
LEMBAR HAK ATAS KEKAYAAN INTELEKTUAL
Tugas Akhir yang tidak diterbitkan ini terdaftar dan tersedia di Perpustakaan Universitas Islam Negeri Sultan Syarif Kasim Riau adalah terbuka untuk umum, de- ngan ketentuan bahwa hak cipta ada pada penulis. Referensi kepustakaan diperke- nankan dicatat, tetapi pengutipan atau ringkasan hanya dapat dilakukan atas izin penulis dan harus dilakukan mengikuti kaedah dan kebiasaan ilmiah serta menye- butkan sumbernya.
Penggandaan atau penerbitan sebagian atau seluruh Tugas Akhir ini harus memperoleh izin tertulis dari Dekan Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau. Perpustakaan dapat meminjamkan Tugas Akhir ini untuk anggotanya dengan mengisi nama, tanda peminjaman dan tanggal pinjam pada form peminjaman.
vi
LEMBAR PERSEMBAHAN
“Bacalah dengan (menyebut) nama Tuhanmu yang telah mencipatakan. Di- a menciptakan manusia dari segumpal darah, bacalah dan Tuhanmulah Yang Ma- ha Pemurah. Yang mengajari manusia dengan perantaraan kalam. Dia mengajari manusia apa yang belum diketahuinya.” (QS. Al – ‘Alaq : 1 - 5).
Alhamdulillahi rabbil alamin, Segala puji bagi Allah SWT yang telah memberikan taufik, hidayah, ilmu pengetahuan, kesehatan, dan kesempatan dalam penyelesaian Tugas Akhir ini.
Tugas Akhir ini penulis persembahkan kepada:
1. Bapak Yusbar Kuti, Ayahanda tercinta sosok pria tangguh yang telah mem- besarkan penulis, memenuhi segala keperluan penulis hingga saat ini, selalu mengorbankan waktu, tenaga untuk anak-anaknya tersayang tanpa mem- perdulikan dirinya sendiri, dan selalu memberikan kasih sayang yang penuh kepada anak-anaknya.
2. Ibu Roskmala Dewi, Ibunda tersayang dan tercinta yang telah melahirkan penulis, membesarkan penulis hingga tumbuh dewasa dengan penuh kasih, tak pernah kata letih yang terucap dari mulutnya, hanya kasih sayang yang selalu diberikannya kepada anak-anaknya tersayang.
3. Yola Ristania Vidiani, Deddy Prikasual, dan Shalia Fani Arzaqa, kakak dan adik penulis yang penulis sayangi, kejar terus cita-cita dan impianmu.
Semoga Allah SWT selalu melimpahkan rahmat, hidayah-Nya dan meli- pat gandakan segala kebaikan yang telah diberikan, sehingga kita menjadi khali- fah yang selalu bersyukur dan selalu berada dijalan yang benar, Aamiin ya rabbal alamiin.
”Ada kalanya kita harus mengambil langkah tejal yang tak dipilih oleh orang lain. Tak selamanya yang beda itu buruk, selama apa yang kita yakini tidak salah di mata agama, bangsa, dan negara. Terus berusaha dan tak lupa mengingat Alla SWT, sehebat apapun kita, tidak ada apa-apanya jika tanpa kasih dan rahmat-Nya.
ALEX FALEGAS
KATA PENGANTAR
Assalamu’alaikum warahmatullahi wabarakatuh.
Alhamdulillah alhamdulillahi rabbil ‘alamin, penulis mengucapkan puji dan syukur kepada Allah SWT atas petunjuk dan hidayah-Nya, sehingga penulis dapat menyelesaikan laporan Tugas Akhir dengan topik “Implementasi Algoritma FP-Growth Pada Market Basket Analysis Studi Kasus: Mandiri Mart”. Shalawat beriring salam terucap buat junjungan alam Nabi Besar Muhammad SAW, Allahum- ma Salli’ala Muhammad Wa’ala Ali Muhammad.
Penulis menyadari bahwa apa yang penulis lakukan dalam penyusunan Tu- gas Akhir ini masih terlalu jauh dari kata sempurna. Oleh karena itu, penulis sa- ngat mengharapkan kritik dan saran yang membangun guna meningkatkan kualtias dalam penyusunan Tugas Akhir ini dimasa yang akan datang, semoga apa yang telah penulis lakukan ini dapat bermanfaat bagi pembaca. Tak lupa penulis juga mengucapkan terima kasih kepada pihak-pihak yang telah membantu dalam penye- lesaian Tugas Akhir ini, baik secara langsung atau tidak langsung. Ucapan terima kasih penulis sampaikan kepada:
1. Bapak Prof. Dr. Hairunas, M.Ag sebagai Rektor Universitas Islam Negeri Sultan Syarif Kasim Riau.
2. Bapak Dr. Hartono, M.Pd sebagai Dekan Fakultas Sains dan Teknologi.
3. Bapak Eki Saputra, S.Kom., M.Kom sebagai Ketua Program Studi Sistem Informasi.
4. Ibu Siti Monalisa, ST., M.Kom sebagai Dosen Pembimbing Tugas Akhir ini.
5. Bapak Arif Marsal, Lc., MA sebagai Dosen Pembimbing Akademik yang selama ini telah memberikan motivasi dan dorongan serta tidak lelah untuk membimbing sejak awal masuk ke Universitas ini.
6. Bapak Nesdi Evrilyan Rozanda, S.Kom., M.Sc Dosen Ketua Sidang Akhir yang telah memberikan kritik, saran, dan masukan sehingga penulis dapat menyelesaikan Tugas Akhir.
7. Bapak Saide, S.Kom., M.Kom., MIM., Ph.D Dosen Penguji I Tugas Akhir yang telah memberi masukan, kritik dan saran, yang membangun sehingga membuat penulis semangat dalam menyelesaikan Tugas Akhir ini.
8. Bapak Tengku Khairil Ashyar, S.Kom., M.Kom Dosen Penguji II Tugas Akhir yang telah memberi arahan dan motivasi selama masa perkuliahan serta selama penyusunan Tugas Akhir.
9. Segenap Dosen dan Karyawan Program Studi Sistem Informasi Fakultas Sains dan Teknologi.
viii
10. Kedua orang tua tercinta yang telah memberikan segalanya, mencurahkan cinta, keikhlasan, perjuangan, dan pengorbanan demi kebahagiaan anak- anaknya, serta menghadirkan semangat dan cita-cita dalam hidup penulis.
11. Kepada teman-teman keluarga SUSKA TUA, Alfi Syahri, Alif Royan, Ah- mad Jaini, Aulia Rahmat, Fakhri Hadi, Imaduddin Syukra, Ilhamri, Kurnia Fadhil Rael, Muhammad Rizaldi, Ripangi, Sirajuddin Usman, Taufiq Ab- dullah, dan Taufiq Qurahman.
12. Temen-teman SIF C’15 yang sama-sama berjuang untuk wisuda, tetap se- mangat, rajin optimis, dan solid.
13. Semua pihak yang tidak dapat penulis sebutkan satu persatu pada kesem- patan ini, yang telah banyak membantu dalam penyelesaian Tugas Akhir ini.
Semoga Allah SWT memberikan pahala yang setimpal atas segala doron- gan, bantuan, dukungan, semangat dan keyakinan yang sudah diberikan kepada penulis untuk menyelesaikan Tugas Akhir ini. Aamiin.
Wassalamu’alaikum warahmatullahi wabarakatuh.
Pekanbaru, 22 Desember 2022 Penulis,
ALEX FALEGAS NIM. 11553105023
IMPLEMENTASI ALGORITMA FP-GROWTH PADA MARKET BASKET ANALYSIS STUDI KASUS: MANDIRI MART
ALEX FALEGAS NIM: 11553105023
Tanggal Sidang: 22 Desember 2022 Periode Wisuda:
Program Studi Sistem Informasi Fakultas Sains dan Teknologi
Universitas Islam Negeri Sultan Syarif Kasim Riau Jl. Soebrantas, No. 155, Pekanbaru
ABSTRAK
Mandiri Mart yang beralamatkan di Jalan Darma merupakan Supermarket yang memenuhi kebu- tuhan . Tingginya angka persaingan menuntut para pelaku bisnis untuk menemukan suatu strategi yang dapat meningkatkan penjualan dengan cara menganalisa data yang tersedia untuk dijadikan sebagai sistem penentuan kebijakan dan pengambilan keputusan strategi bisnis. Agar supermarket dapat memiliki keunggulan yang menarik pembeli dibutuhkan strategi, salah satu strategi yang dapat diambil adalah mengetahui pola transaksi dengan menganalisa data transaksi penjualan.
Market Basket Analysis merupakan bagian dari metode data mining yang menggunakan teknik algoritma FP-Growth untuk mengetahui produk yang berasosiasi. Perhitungan asosiasi produk ditentukan oleh dua parameter yaitu Support (nilai penunjang) dan Confidence (nilai kepastian) dan satu parameter pendukung yaitu Lift Ratio. Penelitian ini menggunakan data dari Mandiri Mart yaitu data transaksi belanja konsumen pada bulan Februari 2022. Tujuan penelitian ini adalah untuk menerapkan algoritma FP-Growth dalam penemuan pola transaksi antar item produk dilihat dari pola belanja konsumen pada data transaksi penjualan yang ada pada Mandiri Mart. Salah satu pola yang dihasilkan dari analisa terdapat data transaksi jika membeli Prendjak Teh Celup Cangkir 25’S maka pelanggan membeli Gulaku Gula Tebu Premium 1Kg dengan nilai Support 3% dan nilai Confidence 87,5%.
Kata Kunci: Association Rule. FP-Growth, Market Basket Analysis.
x
IMPLEMENTATION OF FP-GROWTH ALGORITHM IN MARKET BASKET ANALYSIS CASE STUDY: MANDIRI MART
ALEX FALEGAS NIM: 11553105023
Date of Final Exam: Desember 22th 2022 Graduation Period:
Department of Information System Faculty of Science and Technology
State Islamic University of Sultan Syarif Kasim Riau Soebrantas Street, No. 155, Pekanbaru
ABSTRACT
Mandiri addressed at Jalan Darma is a supermarket that meets the needs of. The high number of competition requires business people to find a strategy that can increase sales by analyzing the available data to be used as a system for determining policies and making business strategy decisions. In order for supermarkets to have an advantage that attracts buyers, a strategy is needed, one of the strategies that can be taken is to find out transaction patterns by analyzing sales transaction data. Market Basket Analysis is a form of data mining method that uses the FP-Growth algorithm technique to determine the associated product. The calculation of product association is determined by two parameters, namely Support (supporting value) and Confidence (certainty value) and one supporting parameter, namely the Lift Ratio. This research uses data from Mandiri Mart, namely consumer shopping transaction data in February 2022. The purpose of this study is to apply the FP-Growth algorithm in finding transaction patterns between product items as seen from consumer spending patterns in sales transaction data at Mandiri Mart. One of the patterns resulting from the analysis is transaction data if you buy Prendjak Teh Celup Cangkir 25’S, you will buy Gulaku Gula Tebu Premium 1KG with a Support value of 3% and a Confidence value of 87.5%.
Keywords: Association Rule, FP-Growth, Market Basket Analysis.
DAFTAR ISI
LEMBAR PERSETUJUAN ii
LEMBAR PENGESAHAN iii
LEMBAR HAK ATAS KEKAYAAN INTELEKTUAL iv
LEMBAR PERNYATAAN v
LEMBAR PERSEMBAHAN vi
KATA PENGANTAR vii
ABSTRAK ix
ABSTRACT x
DAFTAR ISI xi
DAFTAR GAMBAR xiii
DAFTAR TABEL xiv
DAFTAR SINGKATAN xv
1 PENDAHULUAN 1
1.1 Latar Belakang ... 1
1.2 Perumusan Masalah ... 2
1.3 Batasan Masalah ... 3
1.4 Tujuan Penelitian ... 3
1.5 Manfaat Penelitian ... 3
1.6 Sistematika Penulisan ... 3
2 LANDASAN TEORI 4 2.1 Data Mining ... 4
2.1.1 Pengelompokan Data Mining ... 4
2.1.2 Tahapan Data Mining ... 5
2.2 Market Basket Analysis ... 7
2.3 Asosiasi (Association Rule) ... 8
2.4 Algoritma FP-Growth ... 10
xii
2.5 Strategi Penjualan ... 12
2.6 RapidMiner ... 12
2.7 Penelitian Terdahulu ... 13
3 METODOLOGI PENELITIAN 15 3.1 Tahap Penelitian ... 15
3.2 Tahap Perancanaan ... 16
3.3 Tahap Pengumpulan Data ... 16
3.4 Tahap Preprocessing... 17
3.5 Tahap Analisa dan Hasil ... 17
3.6 Tahap Dokumentasi ... 19
4 ANALISA DAN HASIL 20 4.1 Analisis Pendahuluan ... 20
4.2 Pengumpulan Data ... 20
4.3 Preprocessing ... 22
4.3.1 Pemilihan Data (Selection) ... 22
4.3.2 Pembersihan Data (Cleaning) ... 22
4.3.3 Transformasi data (Transformation) ... 24
4.4 Analisa dan Hasil ... 27
4.5 Proses Mining Algoritma FP-Growth ... 28
4.5.1 Pencarian Association Rules Data Transaksi Dengan Algo- ritma FP-Growth Menggunakan Tools RapidMiner ... 28
4.5.2 Hasil dan Pembahasan ... 31
5 PENUTUP 33 5.1 Kesimpulan ... 33
5.2 Saran ... 33 DAFTAR PUSTAKA
LAMPIRAN A HASIL WAWANCARA A - 1
LAMPIRAN B DATA TRANSAKSI MANDIRI MART B - 1 LAMPIRAN C HIMPUNAN DATA TRANSAKSI C - 1
DAFTAR GAMBAR
2.1 Tahapan KDD ... 6
2.2 Contoh Penggunaan RapidMiner (Ristoski, Bizer, dan Paulheim, 2015) ... 13
3.1 Metodologi Penelitian ... 15
3.2 Flowchart Association Rule Algoritma FP-Growth ... 18
4.1 Flowchart Association Rule Algoritma FP-Growth ... 27
4.2 Desain Operator FP-Growth ... 29
4.3 Hasil Association Rule RapidMiner ... 30
xiv
DAFTAR TABEL
4.1 Data Awal Transaksi Mandiri Mart . . . 20 4.2 Dataset Setelah dilakukan Cleaning . . . 22 4.3 Transformation Data Transaksi . . . 25 B.1 Dataset Penelitian . . . B - 1 C.1 Data Transaksi Setelah Selection dan Cleaning . . . C - 1
DAFTAR SINGKATAN
CRM : Customer Relationship Management DBMS : Database Management System FP-Growth : Frequent Pattern Growth
KDD : Knowledege Discovery in Databases MBA : Market Basket Analysis
No : Nomor
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Mandiri Mart merupakan Supermarket yang memenuhi kebutuhan kon- sumen setiap harinya dan pengambilan keputusan yang tepat dalam menentukan strategi-strategi penjualan adalah suatu seharusan. Maka itu, diperlukan sumber informasi yang cukup banyak untuk dapat dianalisis lebih lanjut. Supermarket adalah toko yang menjual produk kebutuhan sehari-hari. Setiap pengujung, pembe- li ataupun konsumen berpartisipasi aktif untuk mengambil barang sendiri tanpa ada yang melayani (Noviasari dkk., 2012).
Membuat keputusan yang tetap dalam menentukan strategi penjualan merupakan suatu keseharusan, diperlukan berbagai jenis informasi untuk di- jadikan sebagai bahan pertimbangan dalam membuat suatu keputusan dengan cara mengumpulkan berbagai data yang diperlukan untuk analisis lebih lanjut (Annur, 2019). Mandiri Mart memiliki cacatan data transaksi yang digunakan untuk lapo- ran penjualan. Selama ini, Mandiri Mart belum menerapkan analisa apapun ter- hadap data transaksi untuk dilakukan penggalian informasi secara lebih mendalam.
Menurut Zulfa (2017), salah satu cara untuk mengetahui bagaimana kondisi pasar (pelanggan) saat ini dapat dilakukan cara dengan mengamati data transaksi. Dibu- tuhkan analisa lebih lanjut agar dapat menghasilkan informasi baru yang selama ini belum diketahui (Erwin, 2009).
Menganalisa data lebih lanjut dapat dilakukan dengan memanfaatkan data transaksi penjualan yang dimiliki, pihak manajemen, perusahaan dapat mengetahui pola kebiasaan pelanggan dan perilaku pelanggan mengenai produk apa saja yang sering dibeli dan jarang dibeli. Association rule merupakan salah satu metode Da- ta Mining (Ardani dan Fitrina, 2016). Association rule bertujuan menemukan pola pembelian produk yang memiliki kecenderungan dibeli secara bersamaan dari se- buah himpunan data (Jayadi dan Patombongi, 2017).
Metode ini menggunakan nilai Support guna melihat persentase kemuncu- lan itemset dari sebuah himpunan data dan nilai Confidence untuk melihat seber- apa kuat hubungan antara item A dan item B (Abaya, 2012). Pada penelitian i- ni peneliti mengusulkan strategi penjualan berbasis Data Mining dengan teknik atau metode Association rule menggunakan bantuan perangkat lunak Microsoft Excel dan RapidMiner. Apabila mengetahui pola transaksi produk maka memu- dahkan pihak perusahaan dalam menentukan strategi penjualan dengan kebiasan konsumen dalam melakukan transaksi. Terdapat beberapa algoritma Association
Rule diantaranya Apriori dan FP-Growth, pada penelitian ini peneliti menggunakan algoritma FP-Growth dalam menentukan frequent itemset.
Marujuk pada penelitian terdahulu, penerapan algoritma FP-Growth ju- ga telah pernah dilakukan oleh Arifin (2015) berjudul “Implementasi Algoritma Frequent Pattern Growth (FP-Growth) menentukan asosiasi antar produk”. Pada penelitian tersebut peneliti melakukan analisa data transaksi untuk mencari infor- masi berguna bagi perusahaan dalam membuat keputusan atau strategi.
Serta penelitian yang berjudul “Penerapan Metode Association Rule untuk Strategi Penjualan Menggunakan Algoritma Apriori”, yang dilakukan oleh Johan, Himilda, dan Auliza (2019). Penelitian ini memiliki tujuan untuk membuat su- atu strategi yang dapat meningkatkan penjualan produk dengan memanfaatkan data transaksi yang diolah menggunakan metode Association Rule.
Strategi penjualan dengan algoritma FP-Growth juga telah pernah diterap- kan sebelumnya oleh Putro dan Gunawan (2019). Pada penelitian tersebut di- lakukan implementasi Association Rule dengan menggunakan algoritma FP-Growth untuk menentukan pola transaksi yang digunakan untuk strategi pemasaran hasil pa- nen tanaman hidroponik pada PT.Hidroponik Agrofarm Bandung (HAB).
Penelitian berjudul “Implementasi Algoritma FP-Growth menggunakan As- sociation Rule pada Market Basket Analysis” yang dilakukan oleh Fitriyani (2015), dalam penelitiannya ini menggunakan FP-Growth untuk menentukan frequent item- set dengan struktur FP-Tree dan Association Rule untuk menentukan Support dan Confidence pada data transaksi untuk dapat mengetahui hubungan antara suatu barang.
Silitonga dan Windarto (2022) juga pernah melakukan penelitian yang berjudul “Impelementasi Market Basket Analysis Menggunakan Association Rule Menerapkan Algoritma FP-Growth”, pada penelitian ini peneliti menggunakan Al- gortima FP-Growth untuk menghasilkan sebuah informasi penting dalam menen- tukan pola letak barang yang sesuai dengan pola letak barang yang sesuai dengan pola beli konsumen.
Berdasarkan latar belakang yang telah diuraikan maka dilakukan penelitian tentang bagaimana mengimplementasikan Algoritma FP-Growth pada Market Bas- ket Analysis dengan studi kasus Mandiri Mart.
1.2 Perumusan Masalah
Berdasarkan dari latar belakang diatas, didapatkanlah perumusan masalah pada penelitan ini yaitu bagaimana menerapkan algoritma FP-Growth untuk mene- mukan pola transaksi yang dapat digunakan untuk strategi pada Mandiri Mart.
3 1.3 Batasan Masalah
Batasan masalah penelitian ini adalah:
1. Data yang digunakan adalah data transaksi penjualan Mandiri Mart, se- banyak 2.142 record data, sebelum dilakukannya Cleaning.
2. Dengan nilai Minimum Support 3% dan nilai Minimum Confidence 60%.
3. Tools yang digunakan dalam penelitian Tugas Akhir ini yaitu Microsoft Ex- cel 2013 dan RapidMiner.
1.4 Tujuan Penelitian
Tujuan dari penelitian ini adalah Implementasi Algoritma FP-Growth pada Market Basket Analysis.
1.5 Manfaat Penelitian
Manfaat penelitian ini adalah memberikan informasi mengenai pola transak- si dengan aturan asosiasi dan membantu pihak Mandiri Mart dalam membuat, dan mengatur strategi.
1.6 Sistematika Penulisan
Sistematika penulisan laporan Tugas Akhir ini sebagai berikut:
BAB 1. PENDAHULUAN
Bab ini berisi gambaran umum dari Tugas Akhir ini yang meliputi : (1) latar belakang masalah; (2) rumusan masalah; (3) batasan masalah; (4) tujuan; (5) manfaat; dan (6) sistematika penulisan.
BAB 2. LANDASAN TEORI
Bab ini membahas teori-teori yang berasal dari jurnal, buku, serta studi ke- pustakaan yang digunakan sebagai landasan teori dalam pembuatan laporan Tugas Akhir.
BAB 3. METODOLOGI PENELITIAN
Bab ini membahas tentang metodologi atau alur penelitian yang digunakan dalam penyusunan Tugas Akhir ini serta metodologi penggunaan Market Basket Analysis (MBA) dan Algoritama FP-Growth.
BAB 4. ANALISA DAN HASIL
Bab ini penulis membahas tentang analisa terhadap data transaksi penjualan pada Mandiri Mart dengan menggunakan algortima FP-Growth dalam menghasilka- n rule produk.
BAB 5. PENUTUP
Bab ini berisikan kesimpulan dari laporan Tugas Akhir yang dibuat dan menjelaskan saran-saran peneliti kepada pembaca.
BAB 2
LANDASAN TEORI
2.1 Data Mining
Data Mining adalah proses analisa data untuk mencari dan menemukan su- atu pola atau informasi dari suatu himpunan data tersebut dengan menggunakan teknik atau metode tertentu (Kamila, Khairunnisa, dan Mustakim, 2019). Data Min- ing mampu menganalisa data besar menjadi suatu informasi yang mempunyai arti bagi pendukung keputusan (Astuti, Hermanto, dan Kaniawulan, 2016). Data Min- ing atau sering disebut dengan Knowledge-discovery in database (KDD) merupakan proses analisa terstruktur yang bertujuan untuk memanfaatkan data dalam basis da- ta dengan mengolahnya sehingga dapat menghasilkan informasi yang bermanfaat bagi perusahaan atau pemilik data (Zanuardi dan Suprayitno, 2018).
Data Mining telah banyak diterapkan diberbagai bidang seperti penelitian, akademik, pemerintahan, dan industri (Meo dan Meko, 2019). Teknologi Data Min- ing adalah gabungan dari beberapa teknologi lainnya yaitu kecerdasan buatan (Ar- tificial Intelegence), visualisasi, statistik, matematika, dan Database Menagement System (DBMS) (Liu, Zhang, Li, dan Sun, 2014).
Han, Kamber, dan Pei (2012) mengungkapkan alasan mengapa diperlukan- nya penggunaan Data Mining yaitu karena pertumbuhan jumlah data yang semakin besar yang dapat dimanfaatkan dengan menganalisa lebih mendalam untuk mem- peroleh informasi dan pengetahuan serta dapat digunakan pada banyak bidang, mu- lai dari manajemen bisnis, kontrol prediksi, kesehatan, dan lainnya. (Widiati dan Dewi, 2016) menuturkan secara luas, Data Mining dapat diartikan sebagai berikut:
1. Proses menemukan pola yang menarik didapat dari data yang tersimpan dalam jumlah yang besar.
2. Ektraksi dari suatu informasi yang berguna (non-trivial, implisit, sebelum- nya belum diketahui potensi dan kegunaanya) pola serta pengetahuan dari data yang disimpan dalam jumlah yang besar.
Ekstraiksi dari analisa secara otomatis maupun semiotomatis terhadap data dalam jumlah besar untuk mencari pola dan aturan yang bermanfaat.
2.1.1 Pengelompokan Data Mining
Data Mining dikelompokan berdasarkan tujuan serta hasil yang ingin dica- pai (Bustami, 2013) dapat dilihat sebagai berikut:
1. Klasifikasi (Classification)
Klasifikasi adalah suatu proses dalam menentukan sebuah Record data baru
5 ke salah satu dari beberapa kategori (atau kelas) yang telah didefinisikan sebelumnya atau yang sering disebut dengan Supervised Learning.
2. Klasterisasi (Clustering)
Tahap mempartisi data-set menjadi beberapa sub-set atau kelompok sedemikian rupa sehingga elemen-elemen dari suatu kelompok tertentu memiliki set properti yang di-share bersama, dengan tingkat similaritas yang tinggi dalam satu kelompok dan tingkat similaritas antar kelompok yang rendah. klasterisasi disebut juga dengan Unsupervised Learning.
3. Aturan Asosiasi (Association Rule)
Tahap dimana mendeteksi kumpulan atribut-atribut yang muncul bersamaan dalam frekuensi yang sering, dan membentuk sejumlah kaidah dar- i kumpulan-kumpulan tersebut.
4. Pola Sekuensial (Sequential Pattern)
Mencari beberapa event yang secara umum terjadi bersama-sama yang berkaitan dengan menemukan pola yang relevan secara statistik antara con- toh data di mana nilai dikirimkan secara berurutan.
5. Regresi (Regression)
Regresi adalah memprediksi nilai dari suatu variabel berkelanjutan yang diberikan berdasarkan nilai dari variabel yang lainnya, dengan mengasum- sikan sebuah model ketergantungan Linier atau Nonlinier.
6. Deviation Detection
Deviation Detection melakukan deteksi anomali secara otomatis dengan tu- juan untuk mengidentifikasi kebiasaan suatu nilai dan menetapkan sejumlah Norm melalui Pattern Discovery.
2.1.2 Tahapan Data Mining
Tahapan Data Mining merupakan suatu rangkaian proses Data Mining yang dapat dibagi menjadi beberapa tahapan yang diilustrasikan atau digambarkan pada Gambar 2.1. Tahap-tahapan tersebut bersifat interaktif, pemakai terlibat langsung atau dengan perantaraan Knowledge Base (Ridwan, Suyono, dan Sarosa, 2013).
Gambar 2.1. Tahapan KDD
Talhalp-talhalp Daltal Mining aldallalh sebalgali berikut (Ridwaln dkk., 2013):
1. Pembersihaln Daltal (Clealning Daltal)
Pembersihaln daltal merupalkaln proses penghalpusaln Noise daln daltal yalng tidalk konsisten altalu jugal daltal yalng tidalk relevaln. Paldal umumnyal daltal yalng diper- oleh balik dalri balsis daltal malupun halsil penelitialn memiliki riwalyalt caltaltaln yalng sempurnal seperti daltal yalng hilalng sebalgialn, tidalk vallid altalupun ke- sallalhaln penulisaln, selalin itu jugal paldal altribut daltal yalng tidalk relevaln de- ngaln hipotesal Daltal Mining yalng dipergunalkaln. daltal-daltal yalng tidalk memi- liki relevalnsi lebih balik daltal tersebut dihilalngkaln. Pembersihaln daltal jugal mempengalruhi kuallitals altalu performal dalri teknik Daltal Mining kalrenal daltal yalng ditalngalni berkuralng jumlalh daln kompleksitalsnyal.
2. Integralsi daltal (Intergraltion Daltal)
Integralsi daltal merupalkaln penggalbungaln daltal dalri berbalgali Daltalbalse kedallalm saltu Daltalbalse yalng balru. Tidalk jalralng daltal yalng diperlukaln untuk Daltal Mining tidalk halnyal beralsall dalri saltu balsis daltal tetalpi jugal bisal saljal beralsall dalri beberalpal balsis daltal.
3. Seleksi daltal (Selection Daltal)
Daltal yalng aldal paldal balsis daltal sering kalli tidalk semualnyal dipergunalkaln, ole- h kalrenal itu halnyal daltal yalng diperlukaln saljal untuk dialnallisis yalng dialmbil
7 dalri balsis daltal. Sebalgali contoh, sebualh kalsus yalng meneliti falktor kecen- derungaln oralng membeli dallalm kalsus alnallisal keralnjalng palsalr, tidalk perlu mengalmbil semual altribut yalng diperlukaln, cukup dengaln ID tralnsalksi daln item yalng terdalpalt didallalmnyal.
4. Tralnsformalsi daltal (Tralnsformaltion Daltal).
Mengubalh altalu menggalbungkaln daltal ke dallalm formalt yalng sesuali dengaln Daltal Mining untuk diproses dallalm Daltal Mining. Beberalpal metode yalng terdalpalt paldal Daltal Mining membutuhkaln formalt daltal yalng khusus sebelum diimplementalsikaln. Sebalgali contoh, beberalpal metode stalndalr seperti alnall- isis alsosialsi daln Clustering halnyal dalpalt menerimal input daltal caltegoricall.
Kalrenalnyal itu daltal berupal numerik yalng berlalnjut perlu dibalgi-balgi menjal- di beberalpal intervall. Proses ini disebut jugal sebalgali tralnsformalsi daltal. 5. Proses Mining
Pemilihaln tujualn dalri proses KDD misallnyal klalsifikalsi, regresi, klalsterisals- i, daln lalin sebalgalinyal. Proses Mining merupalkaln proses untuk menemukaln pengetalhualn sertal informalsi berhalrgal daln tersembunyi dalri sualtu himpunaln daltal dengaln menggunalkaln metode tertentu. Pemilihaln metode altalu allgorit- mal yalng tepalt salngalt bergalntung paldal tujualn, halsil, daln proses KDD secalral keseluruhaln.
6. Evallualsi polal (Palttern Evallualtion).
Mengidentifikalsi polal-polal menalrik kedallalm Knowledge Balsed yalng dite- mukaln. Dallalm talhalp ini halsil dalri teknik Daltal Mining berupal polal-polal yalng khals malupun model prediksi dievallualsi untuk menilali alpalkalh hipotesal yalng aldal memalng telalh tercalpali. Bilal halsil yalng diperoleh ternyaltal tidalk sesuali hipotesal, malkal aldal beberalpal allternaltif yalng dalpalt dialmbil seperti menjaldikalnnyal umpaln ballik untuk memperbaliki proses Daltal Mining, men- cobal metode Daltal Mining lalinnyal yalng lebih sesuali, altalu menerimal halsil ini sebalgali sualtu halsil yalng di lualr dugalaln yalng mungkin saljal bermalnfalalt.
7. Presentalsi pengetalhualn (Knowledge Presentaltion).
Merupalkaln visuallisalsi daln penyaljialn informalsi sertal pengetalhualn menge- nali metode yalng digunalkaln untuk memperoleh pengetalhualn yalng diperoleh penggunal.
2.2 Malrket Balsket Alnallysis
Alnallisis Keralnjalng Palsalr altalu Malrket Balsket Alnallysis (MBAl), altalu jugal dikenall sebalgali Alssocialtion Rule Mining daln alnallisis alfinitals, aldallalh sallalh saltu metode dallalm Daltal Mining (Berry daln Linoff, 2004) yalng digunalkaln untuk mengi-
dentifikalsi hubungaln alntalral kelompok produk, item, altalu kaltegori. Alnallisis ker- alnjalng belalnjal alwall mulalnyal beralsall dalri bidalng pemalsalraln. Alnallisis Keralnjalng Palsalr memudalhkaln peneliti gunal memalhalmi perilalku pelalnggaln melallui produk malnal yalng dibeli secalral bersalmalaln (Alguinis, Forcum, daln Joo, 2013).
Alnallisis keralnjalng palsalr dikenall jugal sebalgali alnallisis alfinitals altalu jugal ser- ing disebut dengaln Alssocialtion Rule Mining, yalng merupalkaln sallalh saltu komponen yalng penting dallalm alnallisal Customer Relaltionship Malnalgement (CRM). Alnallisal keralnjalng palsalr didefenisikaln sebalgali set produk (itemset) yalng dibeli bersalmalaln oleh pelalnggaln dallalm saltu tralnsalksi paldal sebualh Supermalrket.
Alnallisal keralnjalng palsalr memungkinkaln sebualh toko, Supermalrket, swallalyaln, daln ritel secalral cepalt dalpalt melihalt isi daln nilali dalri keralnjalng konsumen salalt berbelalnjal sehinggal dalpalt diperoleh pengertialn polal produk yalng dibeli secalral bersalmalaln altalu alfinitals dalsalr produk. Implementalsi secalral berkelalnjutaln paldal alnal- lisal keralnjalng palsalr dalpalt menghalsilkaln alnallisal interalktif daln memungkinkaln un- tuk mengalnallisal polal pembelialn konsumen sertal mengerti kombinalsi spesifik pro- duk, dalpertemen, merek, kaltegori, daln walktu berbelalnjal (halri daln jalm).
Alnallisis keralnjalng palsalr berfokus paldal balgalimalnal menemukaln polal pembe- lialn dengaln mengekstralksi alsosialsi altalupun kejaldialn yalng terjaldi secalral bersalmalaln dalri daltal tralnsalksi pejuallaln. Metode ini bialsal dipergunalkaln untuk menentukaln pro- duk yalng dibeli secalral bersalmal daln untuk mengaltur taltal letalk produk paldal Super- malrket, ritel, sertal untuk meralncalng straltegi rekomendalsi daln promosi sehinggal dalpalt meningkaltkaln minalt pelalnggaln dallalm berbelalnjal (Alnnie daln Kumalr, 2012) memperluals straltegi pemalsalraln (Guptal daln Malmtoral, 2014).
2.3 Alsosialsi (Alssocialtion Rule)
Alssocialtion Rule aldallalh sallalh saltu metode Daltal Mining untuk menemukaln polal, alsosialsi, altalu struktur kalsuall yalng palling sering muncul dalri sebualh balsis daltal, balik itu berupal balsis daltal tralnsalksionall, relalsionall malupun daltal repositori lalinnyal (Walng daln Chalng, 2019). Albdullalh (2018) menyaltalkaln alnallisal alsosialsi dikenall ju- gal sebalgali sallalh saltu metode Daltal Mining yalng menjaldi tialng dalsalr dalri metode Daltal Mining lalinnyal. Meneralpkaln Daltal Mining dengaln alnallisal alsosialsi bertu- jualn untuk menemukaln informalsi hubungaln alntalral saltu objek dengaln objek lalinnyal dallalm daltal yalng salling berhubungaln dallalm bentuk polal alturaln (Rules). Peneral- paln polal alsosialsi dalpalt memberikaln galmbalraln terhaldalp altribut altalu kalralkter yalng memiliki frekuensi palling sering muncul dallalm sualtu daltal tralnsalksi (Alrdalni daln Fitrinal, 2016).
(Rindengaln, 2012) mengaltalkaln dallalm menentukaln alturaln alsosialsi, terdalpalt
9 sebualh Interestingness Mealsure yalng didalpaltkaln dalri halsil pengolalhaln daltal dengaln perhitungaln tertentu, yalitu:
1. Support
Support aldallalh sebualh ukuraln yalng menunjukkaln tingkaltaln dominalsi item- set dalri keseluruhaln himpunaln daltal tralnsalksi. Ukuraln ini menentukaln al- palkalh itemset lalyalk untuk dicalri Confidence-nyal seperti, dalri keseluruhaln tralnsalksi, seberalpal besalr tingkalt dominalsi yalng menunjukkaln balhwal item Al daln B dibeli secalral bersalmalaln.
2. Confidence
Confidence aldallalh sebualh ukuraln yalng menunjukkaln hubungaln alntalral 2 item secalral kondisionall seperti, jikal oralng membeli item Al, malkal seberal- pal sering item B dibeli.
Alrdalni daln Fitrinal (2016) mengungkalpkaln aldal dual talhalpaln Alssocialtion Rule Mining, yalitu:
1. Penentualn Frequent Itemset
Penentualn frequent Itemset halrus memenuhi Minimum Support (Itemset, Support, daln Confidence).
2. Rule Generaltion
Frequent Itemset digunalkaln untuk mendalpaltkaln polal alturaln alsosialsi. Altu- raln alsosialsi halrus memenuhi syalralt Minimum Support daln Minimum Confi- dence yalng sudalh ditentukaln.
Calral mendalpaltkaln nilali Support item Al dalpalt diperoleh dengaln Per- salmalaln 2.1.
Support(Al) = ∑ TralnsalksiMengalndungItemAl
∑ Tralnsalksi (2.1)
Sedalngkaln untuk menemukaln Support dalri dual item yalitu Item Al daln Item B dalpalt didalpaltkaln dengaln Persalmalaln 2.2.
Support(Al, B) = ∑ TralnsalksiMengalndungItemAl∩B
∑ Tralnsalksi (2.2) Setelalh mendalpaltkaln halsil Minimum Support, lalngkalh berikutnyal aldallalh menemukaln Minimum Confidence yalng merupalkaln ukuraln ketepaltaln sualtu alturaln yalng terdalpalt dallalm item Al daln item B dalpalt menggunalkaln Persalmalaln 2.3.
Con f idence(Al, B) = ∑ TralnsalksiMengalndungItemAl∩B
∑ TralnsalksiAl (2.3)
