132
IMPLEMENTASI DATA MINING UNTUK MENEMUKAN POLA PEMBELIAN BARANG DI MINIMARKET FRIDA MAGELANG MENGGUNAKAN ALGORITMA APRIORI
Asri Respati1, Uning Lestari2,Erfanti Fatkhiyah3
1,2,3
Teknik Informatika FTI, IST AKPRIND,
asrirespati@gmail.com1, uning@akprind.ac.id2, erfanti@akprind.ac.id3
ABSTRACT
Along with the development of technology, it allows the collection and storage of data may faster, larger capacity, and cheaper prices. But the speed of the proliferation of data is not balanced with the information from the data, so it can be said we have so many data but we have poor information.
Data mining became one real solution for sorting the data into useful information. There is one method that is suitable for determining market strategy in the minimarket business, the method is called Market Basket Analysis using Apriori algorithm. Apriori Algorithm is used, because it is looking for the highest frequency value by means of combining the item with other items, the result of the process of Apriori Algorithm is support value and confidence value.
This research used Frida Magelang Minimarket’s transactions data. The programming
language used is Java.
All of the transaction data were analyzed using the application, and result of a combination items with the highest support and confidence value is combination of ‘Permen Lunak rs Cokelat’
and ‘Aqua btl 600ml’ with support value is 11,43% and confidence value is 100%, which it means that 11,43% of all the transaction showed that ‘Permen Lunak rs Cokelat’ and ‘Aqua btl 600ml’
purchased together, and if consumers buy ‘Permen Lunak rs Cokelat’ then there are 100% likely to buy Aqua btl 600ml also.
Keywords: Minimarket, Apriori, Data Mining.
INTISARI
Seiring dengan perkembangan teknologi, maka memungkinkan melakukan pengumpulan dan penyimpanan data dengan lebih cepat, kapasitas yang lebih besar, dan harga yang lebih murah. Tetapi kecepatan bertambah banyaknya data tersebut tidak diimbangi dengan banyaknya penarikan informasi dari data tersebut, sehingga bisa dikatakan kaya akan data tetapi miskin informasi.
Data mining menjadi salah satu solusi nyata untuk memilah data menjadi suatu informasi yang berguna. Salah satu metode data mining yang paling cocok untuk menentukan strategi penjualan dalam bisnis minimarket adalah metode Analisa Keranjang Belanja, yaitu dengan menggunakan algoritma apriori. Algoritma Apriori digunakan, karena algoritma ini mencai nilai frekuensi tertinggi dengan cara pengkombinasian item dengan item lainnya, hasil dari proses Algoritma Apriori berupa nilai support dan nilai confidence.
Penelitian ini menggunakan data transaksi penjualan di Minimarket Frida Magelang. Bahasa pemrograman yang dipakai adalah JAVA.
Dari data transaksi yang dianalisa menggunakan aplikasi, hasil kombinasi item dengan nilai support dan nilai confidence terbesar adalah kombinasi item Permen lunak rs cokelat dan Aqua btl 600ml dengan nilai support sebesar 11,43% dan nilai confidence sebesar 100%, yang artinya 11,43% dari semua transaksi yang dianalisis menunjukkan bahwa Permen lunak rs cokelat dan Aqua btl 600ml dibeli bersamaan dan jika konsumen membeli Permen lunak rs cokelat maka terdapat 100% kemungkinan akan membeli Aqua btl 600ml juga.
Kata Kunci: Minimarket, Apriori, Data Mining.
133
Seiring dengan perkembangan teknologi, maka memungkinkan melakukan pengumpulan dan penyimpanan data dengan lebih cepat, kapasitas yang lebih besar, dan harga yang lebih murah. Akibat dari perkembangan teknologi itu pula, penumpukan data pun terjadi. Ukuran basis data juga meningkat baik dalam jumlah record (baris data) maupun jumlah atribut pada record. Hal ini didukung oleh perkembangan perangkat keras dan teknologi basis data yang memungkinkan penyimpanan dan pengaksesan data secara efisien dan murah. Tetapi kecepatan bertambah banyaknya data tersebut tidak diimbangi dengan banyaknya penarikan informasi dari data tersebut. Jadi bisa dikatakan kaya akan data, tetapi miskin informasi. Kumpulan data jika dibiarkan begitu saja tidak dapat memberikan nilai tambah berupa informasi yang bermanfaat, dan menimbulkan penumpukan data, kemudian menghabiskan kapasitas yang sangat besar, hal ini kemudian akan menjadi permasalahan dan berujung solusi yaitu menghapus data-data lama. Padahal, data-data lama tersebut dapat dimanfaatkan untuk diambil informasi yang bermanfaat. Maka dari itu, diperlukan Data Mining atau penggalian data untuk memperoleh suatu informasi baru dari banyaknya data-data tersebut, terutama pada bidang bisnis seperti minimarket yang semakin lama semakin banyak persaingan.
Data mining menjadi salah satu solusi nyata untuk memilah data menjadi suatu informasi yang berguna. Salah satu metode data mining yang paling cocok untuk menentukan strategi penjualan dalam bisnis minimarket adalah metode data mining Analisa Keranjang Belanja, yaitu dengan menggunakan algoritma Apriori. Algoritma Apriori merupakan algoritma yang paling terkenal untuk mencari pola frekuensi tertinggi. Pola frekuensi tertinggi yaitu pola-pola item di dalam suatu basis data yang memiliki frekuensi atau nilai support di atas ambang batas tertentu yang disebut dengan istilah minimum support. Pola frekuensi tertinggi inilah yang digunakan untuk menyusun aturan asosiatif dan juga beberapa teknik data mining yang lainnya.
Walaupun akhir-akhir ini banyak dikembangkan algoritma-algoritma yang lebih efisien daripada algoritma Apriori contohnya seperti algoritma FP-Growth, algoritma LCM, algoritma C45, dan sebagainya, tetapi algoritma Apriori tetap menjadi algoritma yang paling banyak diimplementasikan kedalam produk-produk komersial untuk data mining.
Minimarket Frida Magelang masih belum memanfaatkan data mining sebagai salah satu cara untuk menentukan strategi penjualan. Maka dari itu diperlukan sebuah aplikasi data mining yang dapat memilah data menjadi suatu informasi yang berupa keterkaitan pola barang berdasarkan kebiasaan pembeli. Aplikasi data mining yang dibuat menggunakan algoritma Apriori, untuk bahasa pemrogramannya menggunakan JAVA, dan basis data menggunakan MySQL Nantinya aplikasi ini memerlukan data transaksi pembelian barang yang ada pada mesin kasir.
TINJAUAN PUSTAKA
Pustaka-pustaka yang digunakan sebagai acuan dalam penelitian ini antara lain berasal dari jurnal dan skripsi. Penelitan pertama yaitu mengenai implementasi data mining untuk menentukan pola pembelian obat, implementasi menggunakan algoritma apriori dan telah dilakukan oleh Robi Yanto dan Riri Khoiriah (2015) dengan judul “Implementasi Data Mining Dengan Metode Algoritma Apriori Dalam Menentukan Pola Pembelian Obat”, Penelitian ini dilakukan untuk mencari tahu pola pembelian obat pada Apotek Musi Rawas menggunakan algoritma Apriori. Aplikasi yang dibuat menggunakan bahasa pemrograman Visual Basic 6.0. dan database MySql. Berdasarkan penelitian tersebut, hasil perhitungan dengan system yang dibangun adalah : Jika membeli amoxicillin, maka membeli obat Asamefenamat dengan nilai confidence 75%, Jika membeli Cefadroxil, maka membeli Sanmol dengan nilai confidence 77%. Pada penelitian pertama ini, kelemahan aplikasi yang dibuat tidak menyediakan input data transaksi penjualan secara otomatis. Maka dari itu, kelemahan ini menjadi acuan untuk memberikan kelebihan pada aplikasi yang dibuat, yaitu dengan menyertakan input data transaksi secara otomatis menggunakan format data CSV.
134
Penjualan Produk Suku Cadang Motor di Happy Motor Sport Yogyakarta menggunakan Algoritma Apriori.”. Hasil dari analisis apriori untuk menemukan pola penjualan adalah : Jika membeli Oli maka akan dipasangkan bersama Ban Motor dengan support 0.27 dan confidence 0.62 treshold support (TIDAK) dan threshold confidence (TIDAK) artinya bahwa oli dan ban motor tidak bisa disandingkan dalam satu etalase untuk penjualan suku cadang motor, Jika membeli velg maka akan dipasangkan bersama Gear dengan support 0.18 dan confidence 0.28 treshold support (YA) dan threshold confidence (YA) artinya bahwa velg dan gear bisa disandingkan dalam satu etalase untuk penjualan suku cadang, Jika membeli piston kemudian membeli gear dengan support 0.09 dan confidence 0.14 treshold support (YA) dan threshold confidence (TIDAK) artinya bahwa piston dan gear tidak bisa disandingkan dalam satu etalase. Tapi bisa disandingkan dengan suku cadang yang lain kemungkinan akan laku. Kelemahan yang terdapat pada penelitian kedua ini adalah, data yang dianalisis terlalu sedikit untuk data mining, karena jumlah transaksi yang dianalisis hanya 21 transaksi, juga tidak adanya input transaksi penjualan secara otomatis, sehingga menyulitkan manajer dalam menginputkan data transaksi. Maka dari itu, kelemahan ini menjadi acuan untuk memberikan kelebihan pada aplikasi yang akan dibuat, yaitu dengan menyertakan input data transaksi penjualan secara otomatis menggunakan format data CSV, sehingga user tidak perlu menginputkan data satu per satu.
Penelitian yang ketiga yaitu mengenai implementasi data mining pada penjualan produk elektronik, algoritma yang diugunakan sama, yaitu algoritma apriori, bertujuan untuk mengetahui pola pembeli dalam membeli produk elektronik. Penelitian ini dilakukan oleh Dewi Kartika Pane (2013) dengan judul “Implementasi Ddata Mining Pada Penjualan Produk Elektronik Dengan Algoritma Apriori (Studi Kasus : Kreditplus)”. Hasil dari implementasi data mining pada transaksi pembelian barang elektronik adalah : Jika membeli produk ACER maka, akan membeli produk membeli produk SAMSUNG dengan nilai confidence 66,67%, Jika membeli produk SAMSUNG, maka akan membeli produk HP dengan nilai confidence 50%. Pada penelitian yang ketiga ini, kelemahan yang didapat adalah tidak adanya pembuatan aplikasi untuk melakukan analisis data mining menggunakan algoritma apriori, implementasi pada data mining dilakukan dengan menggunakan tools Tanagra versi 1.4. Maka dari itu, kelemahan dari penelitian ini diharapkan menjadi acuan untuk membuat kelebihan, yaitu dibuatnya aplikasi untuk implementasi data mining menggunakan bahasa pemrograman java dan database mysql, yang diharapkan dapat memudahkan manajer untuk menganalisis data transaksi penjualan pada minimarket Frida Magelang.
METODE PENELITIAN
Kebutuhan data yang dibutuhkan dalam pembuatan aplikasi data mining menggunakan algoritma apriori adalah data transaksi penjualan pada minimarket Frida magelang yang meliputi kode transaksi dan nama barang yang dibeli oleh pembeli, aplikasi akan menganalisis data transaksi tersebut menggunakan algoritma apriori dan mengeluarkan output berupa rule.Metode analisa data yang digunakan yakni berdasarkan analisis perancangan UML. Beberapa langkah yang digunakan dalam penelitian ini yaitu : pengenalan tugas akhir, perumusan tugas akhir, menyusun tinjauan pustaka, menentukan tujuan penelitian, pengumpulan data, perancangan aplikasi data mining, pembuatan aplikasi data mining, uji coba dan implementasi, hasil dan kesimpulan, lalu pembuatan laporan.
135
form input data saja. Use Case diagram aplikasi data mining menggunakan algoritma apriori ditunjukkan pada Gambar 1.
Gambar 1. Use Case Diagram Aplikasi
PEMBAHASAN
TAMPILAN HALAMAN UTAMA APLIKASI
Halaman utama adalah tampilan awal pada saat masuk pada aplikasi data miningdengan disertakan login untuk masuk ke aplikasi. Tampilan halaman utamaaplikasi ditunjukkan pada Gambar 2.
Gambar 2. Tampilan Halaman Utama
TAMPILAN HALAMAN INPUT DATA TRANSAKSI
136
Gambar 3. Tampilan Halaman Input Data Transaksi
TAMPILAN HALAMAN ANALISA
Halaman analisis apriori berfungsi untuk menganalisa data transaksi penjualan
menggunakan algoritma apriori, dengan memasukkan nilai minimal confidence, minimal support, dan jumlah transaksi yang akan dianalisa. Tampilan halaman analisa ditunjukkan pada gambar 4.
Gambar 4. Tampilan halaman analisa
HASIL ANALISIS APRIORI
Hasil analisis pada halaman analisis apriori ditunjukkan pada Gambar 5.
Gambar 5. Hasil analisa
137
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴,𝐵) = 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔𝐴𝑑𝑎𝑛𝐵
𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 Dan mencari nilai confidence dengan rumus sebagai berikut :
Confidence = 𝑃 𝐵 𝐴) = 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴𝑑𝑎𝑛𝐵
𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴
Dari hasil tersebut diatas, apabila diambil nilai support dan confidence terbesar, maka hasilnya ditunjukkan pada tabel 1.
Tabel 1. Tabel Hasil Support dan Confidence Terbesar.
Aturan Support Confidence
Jika membeli " Permen lunak rs cokelat " maka akan membeli "Aqua btl 600ml"
11.43% 100%
Jika membeli " Floridina orange 360ml " maka akan membeli " good day chococino "
10% 100%
Jika membeli " sariwangi the celup " maka akan membeli " Goodtime double choc 17gr "
10% 100%
Jika membeli " indomie goreng rendang 80gr " maka akan membeli " Taro 3D potato 200gr "
10% 100%
Jika membeli " Mountea Blackurrent " maka akan membeli " indomie kari ayam "
10% 100%
Dari hasil yang didapat diatas, dapat disarankan pada manajer bahwa stok untuk Permen lunak rs cokelat dan Aqua btl 600ml ditambah, karena merupakan kombinasi item yang paling laku di Minimarket Frida Magelang. Atau rak yang berisi Permen lunak rs cokelat dapat didekatkan dengan rak yang berisi Aqua btl 600ml, diharapkan supaya jumlah pembeli yang membeli keduanya meningkat. Atau juga bisa disarankan diberikan diskon untuk pembelian item Permen lunak rs cokelat dan Aqua btl 600ml. Kemudian pada percobaan kedua juga ditemukan rules dengan kombinasi 3 item dengan nilai confidence dan nilai support terbesar yaitu kombinasi item Permen lunak rs cokelat, Teh pucuk harum 350ml, dan Aqua btl 600ml dengan nilai support 5.71% dan nilai confidence 100%, dari kombinasi 3 item tersebut dapat disarankan kepada manajer untuk memberi diskon pada pembeli apabila pembeli membeli Permen lunak rs cokelat, Teh pucuk harum 350ml dan Aqua btl 600ml. Atau bisa juga dengan memberi bonus Aqua btl 600ml apabila membeli Permen lunak rs cokelat dan Teh pucuk harum 350ml.
KESIMPULAN
Kesimpulan yang dapat diambil dari skripsi ini adalah :
1. Aplikasi data mining menggunakan algoritma apriori dapat membantu manajer dalam menganalisa pola pembelian barang di minimarket Frida Magelang.
2. Aplikasi mampu mengolah data transaksi penjualan untuk menemukan rule yang memenuhi syarat minimum support dan minimum confidence, dan mampu menampilkan output berupa rules dalam bentuk teks.
3. Dengan aplikasi ini dapat diketahui barang apa saja yang sering dibeli bersamaan oleh konsumen di minimarket Frida, yang nantinya informasi ini dapat digunakan oleh manajer dalam menentukan strategi penjualan.
138
DAFTAR PUSTAKA
Kusrini ., Luthfi E,T. 2009. Algoritma Data Mining. Andi Offset, Yogyakarta.
Pane, D.K. 2013. Implementasi Data Mining Pada Penjualan Produk Elektronik Dengan Algoritma Apriori (Studi Kasus : Kreditplus) (Jurnal). STMIK Budidarma, Medan.
Wahid, M. 2016. Aplikasi Data Mining Market Basket Analysis Untuk Menemukan Pola Penjualan Produk Suku Cadang Motor di Happy Motor Sport Yogyakarta Menggunakan Algoritma Apriori. IST AKPRIND, Yogyakarta
