TUGAS AKHIR DATA MINING
“IMPLEMENTASI ALGORITMA APRIORI UNTUK
KASUS ASOSIASI PADA DATA PENJUALAN TOKO
KELONTONG X”
Dosen Pembimbing: Hastari Utama, M. Cs
Mata Kuliah: Data Mining
TUGAS AKHIR DATA MINING
“IMPLEMENTASI ALGORITMA APRIORI UNTUK
KASUS ASOSIASI PADA DATA PENJUALAN TOKO
KELONTONG X”
Dosen Pembimbing: Hastari Utama, M. Cs
Mata Kuliah: Data Mining
OLEH:
ANDREAN NURDIANSYAH (13.11.7063)
BAYU TRISNA PRATAMA (13.11.7056)
KHAFIF YASIR AL-FUADY (13.11.7057)
SUNU YOGISWARA (13.11.7106)
LALU MOHAMMAD AFIF FARHAN (13.11.7108)
A. PENDAHULUAN
Persaingan dunia dagang saat ini telah mencapai masa yang luar biasa. Bukan lagi mengikuti perkembangan para konsumen saja yang harus dilakukan saat ini, namun juga sudah merambah ke arah prediksi masa depan tentang apa dan bagaimana penjualan di masa mendatang bisa dioptimalkan hasilnya. Seorang manager sebuah perusahaan atau badan usaha yang bergerak di bidang perdagangan dituntut untuk bisa mengerti kebutuhan konsumen dan bagaimana cara melayani konsumen secara maksimal tanpa pernah sekalipun membiarkan konsumen merasa kecewa atas pelayanan yang kurang memuaskan atau bahkan kecewa karena barang yang dibutuhkan justru tidak ada. Kekurangan dan kesalahan sedikit saja saat ini dapat menyebabkan konsumen beralih.
Oleh sebab itu, saat ini berbagai cara dilakukan untuk dapat melihat bagaimana perilaku konsumen melalui data-data yang telah ada untuk kemudian memprediksi perilaku mereka dikemudian hari. Hal ini bertujuan untuk mencegah adanya kesalahan dan kekurangan dalam pelayanan dan penyediaan barang di masa yang akan datang yang juga akan sekaligus meningkatkan kinerja pelayanan terhadap konsumen.
Untuk itulah data mining diperlukan. Data mining merupakan cabang ilmu pengetahuan yang berguna untuk memilah-milah data demi mendapatkan informasi dari sekumpulan data yang tanpa sebuah perhitungan akan bermakna sia-sia belaka. Salah satu dari cabang ilmu data mining adalah kasus Asosiasi, dimana Asosiasi adalah teknik data mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Aturan asosiasi ini sangat cocok untuk diterapkan dalam perdagangan sebagaimana kasus yang penulis ambil kali ini yaitu analisa data belanja konsumen pada Toko Kelontong X. Dengan asosiasi, hubungan antara item-item yang dibeli pelanggan dapat didapatkan secara rinci.
B. LANDASAN TEORI
1. Analisis Asosiasi dan Aturan Asosiasi
Salah satu bentuk pola yang dapat dihasilkan data mining adalah aturan asosiasi (association rule). Association Rule dapat digunakan untuk menemukan: hubungan atau sebab akibat. Association rule memiliki bentuk LHS RHS dengan interpretasi bahwa jika setiap item dalam LHS (Left Hand Side) dibeli, maka item dalam RHS (Right Hand Side) juga dibeli. Association rule dapat dihasilkan dengan Algoritma Apriori. Salah satu penggunaan Association rule adalah mendukung pengambilan keputusan dalam bidang pemasaran, misalnya untuk mengetahui pola pembelian pelanggan, penentuan tata letak barang dan lain-lain.
Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan asosiatif antara suatu kombinasi item. Contoh dari aturan assosiatif dari analisa pembelian di suatu pasar swalayan adalah dapat diketahuinya berapa besar kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan pengetahuan tersebut pemilik pasar swalayan dapat mengatur penempatan barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon untuk kombinasi barang tertentu. Karena analisis asosiasi menjadi terkenal karena aplikasinya untuk menganalisa isi keranjang belanja di pasar swalayan, analisis asosiasi juga sering disebut dengan istilah
market basket analysis.
Association rule memerlukan suatu variable ukuran yang ditentukan sendiri oleh user untuk menentukan batasan sejauh mana atau sebanyak apa output yang diinginkan user. Untuk itulah diadakan nilai Support dan Confidence. Support dan confidence adalah sebuah ukuran kepercayaan dan kegunaan suatu pola yang telah ditemukan.
2. Algoritma Apriori
nilai pengunjung atau persentase kombinasi sebuah item dalam database. Sedangkan confidence adalah nilai kepastian, yaitu kuatnya hubungan antar item dalam sebuah Apriori. Confidence dapat dicari setelah pola frekuensi munculnya sebuah item ditemukan.
C. STUDI KASUS
Diperoleh sebuah data penjualan di Toko Kelontong X seperti berikut ini:
Dengan detail untuk setiap barangnya ada pada tabel berikut ini:
Tabel 1 – Detail Nama Barang
No Items Keterangan 1 Indomie 2 Ultramilk 3 Sari Rot 4 Hilo 5 Aqua 6 Silver Quin 7 Oreo 8 Beng Beng 9 Chocolatos 10 Wafer Selamat 11 Pilus Garuda 12 Tic Tac 13 Tim Tam 14 kacang garuda
Kita akan mencari aturan-aturan asosiasi dengan algoritma apriori. Min. Support yang digunakan adalah 19 transaksi. Sedangkan Min. Confidence nya adalah 75% atau 0.75. Dari situ kita akan melihat item apa sajakah yang layak untuk masuk ke dalam iterasi selanjutnya.
Tabel 2 – 1 Itemset dengan Supportnya
Item Support Indomie 11
Ultramilk 17 Sari Rot 23
Hilo 27
Aqua 30
Silver Quin 29
Oreo 31
Dari tabel diatas maka yang bisa masuk kedalam iterasi selanjutnya adalah: Sari Roti, Hilo, Aqua, Silver Quin, Oreo, Beng Beng, Chocolatos, Wafer Selamat, Pilus Garuda, Tic Tac, Tim Tam, dan kacang garuda.
Iterasi 1
Pada iterasi 1 dilakukan kombinasi antar 1 item yang sudah ada sebelumnya. Dari hasil kombinasi itu diperoleh beberapa kombinasi yang memenuhi minimum support seperti dalam tabel berikut:
Tabel 3 – 2 Itemset dengan Supportnya
N
o Kombinasi Support No Kombinasi Support
1 Aqua, Oreo 24 26 Pilus Garuda, Aqua 20
2 Aqua, Beng Beng 24 27 Pilus Garuda, Beng Beng 19
3 Aqua, Wafer Selamat 25 28 Pilus Garuda, Wafer Selamat 22
4 Aqua, Tim-Tam 23 29 Pilus Garuda, Tic Tac 19
5 Aqua, Kacang Garuda 25 30 Sari Roti, Aqua 19
6 Beng Beng, Silver Quin 26 31 Sari Roti, Chocolatos 20
7 Beng Beng, Oreo 26 32 Sari Roti, Wafer Selamat 19
8 Beng Beng, Chocolatos 27 33 Silver Quin, Aqua 22
9
Beng Beng, Wafer
Selamat 28 34 Silver Quin, Oreo 22 10 Beng Beng, Tim Tam 26 35 Silver Quin, Beng Beng 26
11
Beng Beng, Kacang
Garuda 28 36 Silver Quin, Chocolatos 22 12 Chocolatos, Oreo 24 37 Silver Quin, Wafer Selamat 24
13
Chocolatos, Wafer
Selamat 27 38 Silver Quin, Kacang Garuda 24
14
Chocolatos, Kacang
Garuda 25 39 Tic Tac, Beng Ben 25 15 Chocolatos, Tim Tam 25 40 Tic Tac, Chocolatos 21
16 Hilo, Silver Quin 22 41 Tic Tac, Wafer Selamat 24
17 Hilo, Oreo 21 42 Tic Tac, Tim Tam 21
18 Hilo, Beng Beng 23 43 Tic Tac, Kacang Garuda 23
19 Hilo, Wafer Selamat 23 44 Tim Tam, Wafer Selamat 26
20 Hilo, Kacang Garuda 23
21 Kacang garuda, Oreo 26
22
Kacang garuda, Wafer
Selamat 28
23
Kacang garuda, Tim
24 Oreo, Wafer Selamat 25
25 Oreo, Tim Tam 24
Item item dari tabel di atas akan disilangkan dalam iterasi ke dua.
Iterasi 2
Pada iterasi dilakukan kombinasi antar 2 itemset yang sudah ada sebelumnya. Dari hasil kombinasi itu diperoleh beberapa kombinasi 3 itemset yang memenuhi minimum support seperti dalam tabel berikut:
Tabel 4 – 3 Itemset dengan Supportnya
No Kombinasi Support No Kombinasi Support
1 Aqua, Beng Beng, Silver Quin 19 45
Oreo, Tim Tam, Beng
Ben 19
2 Aqua, Beng Beng, Oreo 19 46
Oreo, Tim Tam, Wafer
Selamat 19
3 Aqua, Beng Beng, Wafer-Selamat 19 47
Oreo, Wafer Selamat,
Beng Beng 20
4
Aqua, Beng Beng, Kacang Garuda 19
48
Silver Quin, Chocolatos, Wafer Selamat
19
5 Aqua, Chocolatos, Wafer Selamat 19 49
Silver Quin, Kacang
Garuda, Wafer Selamat 19
6 Aqua, Kacang Garuda, Oreo 20 50
Silver Quin, Kacang
Garuda, Tim Tam 19
7 Aqua, Kacang Garuda, Wafer Selamat 20 51 Silver Quin, Tim Tam, Beng Beng 19
8 Aqua, Kacang Garuda, Tim Tam 20 52
Tic Tac, Kacang
Garuda, Wafer Selamat 23
9 Aqua, Oreo, Wafer Selamat 19 53
Tic Tac, Kacang
Garuda, Tim Tam 19
10 Aqua, Oreo, Tim Tam 19 54
Tim Tam, Kacang
Garuda, Wafer Selamat 23
11
Beng Beng, Chocolatos, Silver
Quin 21
12
Beng Beng, Chocolatos, Wafer
Selamat 23
13 Beng Beng, Chocolatos, Tim Tam 21
14
Beng Beng, Chocolatos, Kacang
Garuda 21
Quin
16 Beng Beng, Kacang Garuda, Oreo 21
17
Beng Beng, Kacang Garuda, Wafer
Selamat 22
18 Beng Beng, Kacang Garuda, Tim Tam 23
19 Beng Beng, Tic Tac, Silver Quin 19
20 Beng Beng, Tic Tac, Chocolatos 19
21 Beng Beng, Tic Tac, Wafer Selamat 22
22 Beng Beng, Tic Tac, Tim Tam 19
23 Beng Beng, Tic Tac, Kacang Garuda 20
24
Beng Beng, Tim Tam, Wafer
Selamat 21
25
Beng Beng, Wafer Selamat, Silver
Quin 21
26 Chocolatos, Kacang Garuda, Oreo 19
27
Chocolatos, Kacang Garuda, Wafer
Selamat 21
28 Chocolatos, Kacang Garuda, Tim Tam 22
29 Chocolatos, Tic Tac, Wafer Selamat 19
30 Chocolatos, Tim Tam, Oreo 19
31 Chocolatos, Tim Tam, Wafer Selamat 22
32
Chocolatos, Tim Tam, Kacang
Garuda 22
33
Chocolatos, Wafer Selamat, Tim
Tam 22
34
Chocolatos, Wafer Selamat, Kacang
Garuda 21
35 Hilo, Beng Beng, Silver Quin 19
36 Hilo, Beng Beng, Wafer Selamat 19
37 Hilo, Beng Beng, Kacang Garuda 19
38 Hilo, Kacang Garuda, Wafer Selamat 19
39 Oreo, Beng Beng, Silver Quin 20
40 Oreo, Beng Beng, Chocolatos 20
41 Oreo, Chocolatos, Beng Beng 20
42 Oreo, Chocolatos, Wafer Selamat 20
43 Oreo, Kacang Garuda, Wafer Selamat 20
Item item dari tabel di atas akan disilangkan dalam iterasi ke tiga.
Iterasi 3
Pada iterasi 3 dilakukan kombinasi antar 3 itemset yang sudah ada sebelumnya. Dari hasil kombinasi itu diperoleh beberapa kombinasi 4 itemset yang memenuhi minimum support seperti dalam tabel berikut:
Tabel 5 – 4 Itemset dengan Supportnya
No Kombinasi Support
1 Chocolatos, Kacang Garuda, Wafer Selamat, Tim Tam 19
Karena hasilnya hanya satu maka kita tidak bisa melanjutkan ke iterasi selanjutnya. Iterasi berhenti dengan menghasilkan 4 itemset.
Mendapatkan Rule
Selanjutnya akan dilakukan proses untuk mendapatkan rule-rule nya. Kita akan menggunakan angka minimum confidence yang biasa digunakan yaitu: 0.75 atau 75%.
2-Itemsets
Berikut rule rule yang telah memenuhi syarat dengan confidence > 0.75:
Tabel 6 – 2 Itemset Rule Dengan Nilai Confidencenya
No Rule Confidence 1 {Aqua}==>{Oreo} 0.8
3-Itemsets
Berikut rule rule yang telah memenuhi syarat dengan confidence > 0.75:
Tabel 7 – 3 Itemset Rule Dengan Nilai Confidencenya
No Rule Confidence
1 {Aqua,Beng-Beng}==>{Silver-Quin} 0.79167 2 {Aqua,Beng-Beng}==>{Oreo} 0.79167 3 {Aqua,Beng-Beng}==>{Wafer-Selamat} 0.79167 4 {Aqua,Beng-Beng}==>{kacang-garuda} 0.79167 5 {Aqua,Chocolatos}==>{Wafer-Selamat} 0.86364 6 {Aqua,kacang-garuda}==>{Oreo} 0.8 7 {Aqua,kacang-garuda}==>{Beng-Beng} 0.76 8 {Aqua,kacang-garuda}==>{Wafer-Selamat} 0.8 9 {Aqua,kacang-garuda}==>{Tim-Tam} 0.8 10 {Aqua,Oreo}==>{Beng-Beng} 0.79167 11 {Aqua,Oreo}==>{Wafer-Selamat} 0.79167 12 {Aqua,Oreo}==>{Tim-Tam} 0.79167 13 {Aqua,Oreo}==>{kacang-garuda} 0.83333 14 {Aqua,Silver-Quin}==>{Beng-Beng} 0.86364 15 {Aqua,Tim-Tam}==>{Oreo} 0.82609 16 {Aqua,Tim-Tam}==>{kacang-garuda} 0.86957 17 {Aqua,Wafer-Selamat}==>{Oreo} 0.76 18 {Aqua,Wafer-Selamat}==>{Beng-Beng} 0.76 19 {Aqua,Wafer-Selamat}==>{Chocolatos} 0.76 20 {Aqua,Wafer-Selamat}==>{kacang-garuda} 0.8 21 {Beng-Beng,Chocolatos}==>{Silver-Quin} 0.77778 22 {Beng-Beng,Chocolatos}==>{Wafer-Selamat} 0.85185 23 {Beng-Beng,Chocolatos}==>{Tim-Tam} 0.77778 24 {Beng-Beng,Chocolatos}==>{kacang-garuda} 0.77778 25 {Beng-Beng,kacang-garuda}==>{Silver-Quin} 0.75 26 {Beng-Beng,kacang-garuda}==>{Oreo} 0.75 27 {Beng-Beng,kacang-garuda}==>{Chocolatos} 0.75
28
{Beng-Beng,kacang-garuda}==>{Wafer-Selamat} 0.78571
38 {Beng-Beng,Wafer-Selamat}==>{Silver-Quin} 0.75 39 {Beng-Beng,Wafer-Selamat}==>{Chocolatos} 0.82143 40 {Beng-Beng,Wafer-Selamat}==>{Tic-Tac} 0.75 41 {Beng-Beng,Wafer-Selamat}==>{Tim-Tam} 0.75
42
{Beng-Beng,Wafer-Selamat}==>{kacang-garuda} 0.78571
43 {Chocolatos,kacang-garuda}==>{Oreo} 0.76 44 {Chocolatos,kacang-garuda}==>{Beng-Beng} 0.84
45
{Chocolatos,kacang-garuda}==>{Wafer-Selamat} 0.84
46 {Chocolatos,kacang-garuda}==>{Tim-Tam} 0.88 47 {Chocolatos,Tic-Tac}==>{Beng-Beng} 0.90476 48 {Chocolatos,Tic-Tac}==>{Wafer-Selamat} 0.90476 49 {Chocolatos,Tim-Tam}==>{Oreo} 0.76 50 {Chocolatos,Tim-Tam}==>{Beng-Beng} 0.84 51 {Chocolatos,Tim-Tam}==>{Wafer-Selamat} 0.88 52 {Chocolatos,Tim-Tam}==>{kacang-garuda} 0.88 53 {Chocolatos,Wafer-Selamat}==>{Beng-Beng} 0.85185 54 {Chocolatos,Wafer-Selamat}==>{Tim-Tam} 0.81481
80 {Oreo,Tim-Tam}==>{kacang-garuda} 0.875 81 {Oreo,Wafer-Selamat}==>{Aqua} 0.76 82 {Oreo,Wafer-Selamat}==>{Beng-Beng} 0.8 83 {Oreo,Wafer-Selamat}==>{Chocolatos} 0.8 84 {Oreo,Wafer-Selamat}==>{Tim-Tam} 0.76 85 {Oreo,Wafer-Selamat}==>{kacang-garuda} 0.8 86 {Silver-Quin,Beng-Beng}==>{Oreo} 0.76923 87 {Silver-Quin,Beng-Beng}==>{Chocolatos} 0.80769 88 {Silver-Quin,Beng-Beng}==>{Wafer-Selamat} 0.80769 89 {Silver-Quin,Beng-Beng}==>{kacang-garuda} 0.80769 90 {Silver-Quin,Chocolatos}==>{Beng-Beng} 0.95455 91 {Silver-Quin,Chocolatos}==>{Wafer-Selamat} 0.86364 92 {Silver-Quin,kacang-garuda}==>{Beng-Beng} 0.875
93
{Silver-Quin,kacang-garuda}==>{Wafer-Selamat} 0.79167
94 {Silver-Quin,kacang-garuda}==>{Tim-Tam} 0.79167 95 {Silver-Quin,Oreo}==>{Beng-Beng} 0.90909 96 {Silver-Quin,Tic-Tac}==>{Beng-Beng} 0.95 97 {Silver-Quin,Tim-Tam}==>{Beng-Beng} 0.90476 98 {Silver-Quin,Tim-Tam}==>{kacang-garuda} 0.90476 99 {Silver-Quin,Wafer-Selamat}==>{Beng-Beng} 0.875 100 {Silver-Quin,Wafer-Selamat}==>{Chocolatos} 0.79167
101 {Silver-Quin,Wafer-Selamat}==>{kacang-garuda} 0.79167 102 {Tic-Tac,kacang-garuda}==>{Beng-Beng} 0.86957 103 {Tic-Tac,kacang-garuda}==>{Wafer-Selamat} 0.82609 104 {Tic-Tac,kacang-garuda}==>{Tim-Tam} 0.82609 105 {Tic-Tac,Tim-Tam}==>{Beng-Beng} 0.90476 106 {Tic-Tac,Tim-Tam}==>{kacang-garuda} 0.90476 107 {Tic-Tac}==>{Beng-Beng,Wafer-Selamat} 0.75 108 {Tim-Tam,kacang-garuda}==>{Oreo} 0.75 109 {Tim-Tam,kacang-garuda}==>{Beng-Beng} 0.82143 110 {Tim-Tam,kacang-garuda}==>{Chocolatos} 0.78571 111 {Tim-Tam,kacang-garuda}==>{Wafer-Selamat} 0.82143
4-Itemsets
Berikut rule rule yang telah memenuhi syarat dengan confidence > 0.75:
Tabel 8 – 4 Itemset Rule Dengan Nilai Confidencenya
No Rule Confidence
1 {Chocolatos,kacang-garuda}==>{Wafer-Selamat,Tim-Tam} 0.76 2 {Chocolatos,Tim-Tam,kacang-garuda}==>{Wafer-Selamat} 0.86364 3 {Chocolatos,Tim-Tam}==>{Wafer-Selamat,kacang-garuda} 0.76 4 {Chocolatos,Wafer-Selamat,kacang-garuda}==>{Tim-Tam} 0.90476 5 {Chocolatos,Wafer-Selamat,Tim-Tam}==>{kacang-garuda} 0.86364 6 {Wafer-Selamat,Tim-Tam,kacang-garuda}==>{Chocolatos} 0.82609
D. KESIMPULAN
Kesimpulan yang dapat diambil dari berhasilnya perhitungan di atas adalah:
1. Algortima apriori dapat digunakan untuk menyelesaikan kasus kasus asosiasi pada data mining.
2. Hasil akhir dari algoritma apriori adalah rule-rule yang dapat digunakan sebagai alat penunjang keputusan.
Sedangkan kesimpulan yang dapat diambil dari rule-rule yang telah dihasilkan diatas adalah:
1. Pemilik Toko Kelontong X dapat meningkatkan pembelian/penyediaan stok pada barang-barang yang memiliki nilai support yang tinggi dan memadukannya sesuai dengan rule-rule yang memiliki nilai confidence yang tinggi juga.