PENENTUAN LOKASI BARANG PADA “A Swalayan”
MENGGUNAKAN ASSOCIATION RULE DENGAN
ALGORITMA FP-GROWTH
DETERMINING LOCATION OF GOODS IN “A Swalayan”
USING ASSOCIATION RULE BY FP-GROWTH
ALGORITHM
Ardi Wijaksono1, Heru Agus Santoso2
Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Semarang
1e-mail : [email protected], 2[email protected]
Abstrak
FP-Growth adalah salah satu algoritma yang digunakan untuk menemukan frequent itemset pada sekumpulan data transaksi. Penelitian ini bertujuan untuk membuat sebuah aplikasi data mining menggunakan association rule dengan algoritma fp-growth sebagai acuan untuk menentukan lokasi barang. Data yang diambil dalam penelitian ini adalah data transaksi penjualan pada “A Swalayan”. Hasil dari data mining yang didapat yaitu berupa kombinasi dari item yang sering dibeli oleh konsumen. Dari hasil tersebut diharapkan dapat membantu dalam menentukan lokasi barang sebagai strategi pemasaran.
Kata Kunci : Menentukan Lokasi Barang, FP-Growth,
Abstract
FP-Growth is one of the algorithms used to find frequent itemset in the set of transaction data. This study aims to create an application using a data mining association rule with a fp-growth algorithm as a reference to determine the location of the goods. Data taken in this study is the sales transaction data on "A Swalayan". Results obtained from data mining is a combination of items that are frequently purchased by consumers. From these results are expected to assist in determining the location of items as a marketing strategy.
1. PENDAHULUAN 1.1 Latar Belakang
Perkembangan teknologi informasi saat ini berkembang sangat cepat, pencatatan dan penyimpanan data telah dilakukan oleh semua kalangan tidak terkecuali para pedagang. Komputerisasi memudahkan dalam mencatat dan menyimpan data transaksi penjualan dengan cepat dan dapat menampung dalam jumlah yang sangat banyak. Akan tetapi, hal ini mengakibatkan menumpuknya data dalam jumlah yang besar. Kumpulan data yang sudah menumpuk sering sekali tidak digunakan lagi yang akan semakin bertambah. Namun sebetulnya tumpukan data tersebut masih bisa digunakan dengan mengekstrak informasi-informasi dari tumpukan data tersebut menjadi sebuah informasi penting yang dapat digunakan dalam mengambil keputusan untuk menentukan strategi pemasaran.
Pada “A Swalayan” Pekalongan memiliki beberapa transaksi penjualan barang. Data transaksi tersebut setiap harinya terus bertambah dan data-data transaksi penjualan pada toko tersebut hanya disimpan untuk pembukuan dan belum diketahui manfaat data-data tersebut untuk hal lainnya. Oleh karena itu dibutuhkan sebuah aplikasi yang digunakan untuk memanfaatkan data-data tersebut yang dapat menghasilkan sebuah informasi penting untuk menentukan strategi pemasaran. Teknik untuk mengolah data-data transaksi tersebut salah satunya adalah menggunakan proses data mining dengan metode association rule dengan algoritma frequent pattern-growth.
Data Mining berguna dalam pemenuhan kebutuhan salah satunya adalah kebutuhan informasi yang luas, dan dari informasi yang kita dapat bisa kita gunakan sebagai suatu keputusan atau menentukan
sebuah kualitas dalam menentukan sauatu keputusan. Adapun kumpulan dari sebuah data atau informasi memeiliki banyak potensi untuk dijadikan suatu kesimpulan dalam mengambil sebuah keputusan dengan melakukan analisis dan menggali suatu informasi yang terdapat di dalam sebuah data [1].
Association Rule merupakan salah satu metode yang bertujuan untuk mencari pola yang sering muncul pada banyak transaksi, dimana setiap transaksi terdiri dari beberapa item [2]. Pada metode ini memiliki beberapa algoritma, salah satunya adalah algoritma frequent pattern-growth yaitu algoritma yang menyimpan informasi frequent itemset dalam bentuk struktur prefix-tree atau sering disebut FP-tree.
Dalam penelitian ini akan dibuat suatu aplikasi dengan algoritma FP-Growth yang dapat membantu dalam melihat pola pembelian barang yang paling sering dibeli. Algoritma FP-Growth merupakan algoritma yang sangat efisien dalam pencarian frequent itemset. FP-Growth menggunakan pendekatan yang berbeda dari paradigma yang selama ini sering digunakan yaitu algoritma apriori. Algoritma ini menyimpan informasi mengenai frequent itemset dalam bentuk FP-Tree. Pada FP-Tree yang terbentuk dapat memampatkan data transaksi yang memiliki item yang sama, sehingga dapat mengurangi scan database secara berulang dalam proses mining dan dapat berlangsung lebih cepat [3]. Dengan latar belakang ini maka penulis membuat skripsi yang berjudul “Penentuan lokasi
Barang Pada “A Swalayan”
Menggunakan Association Rule Dengan Algoritma FP-Growth”.
2. LANDASAN TEORI 2.1 Pengertian Data Mining
Data Mining adalah proses untuk mendapatkan informasi dengan melakukan pencarian pola dan relasi-relasi yang tersembunyi di dalam timbunan data yang banyak. Data Mining atau sering disebut sebagai knowledge discovery in database (KDD) adalah kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dalam data berukuran besar. Keluaran Data Mining ini bisa dipakai untuk membantu pengambilan keputusan di masa depan. Pengembangan KDD ini menyebabkan penggunaan pattern recognition semakin berkurang karena telah menjadi bagian Data Mining. [1]
Tahap-tahap Data Mining : 1. Pemilihan data
Tahap pemilihan data dilakukan agar pada penggalian informasi lebih mudah. Hasil seleksi data nantinya akan digunakan untuk proses data mining. 2. Pre-processing
Pre-processing adalah tahap dimana proses pembersihan data dengan memeriksa dan memperbaiki data yang inkonsisten.
3. Transformasi data
Tahap transformasi data bertujuan untuk mengubah ataupun menggabungkan data menjadi format yang sesuai dengan proses data mining.
4. Data mining
Tahap data mining adalah tahap sebuah proses untuk mendapatkan pola atau informasi dari data yang dipilih menggunakan teknik tertentu.
5. Evaluasi
Tahap evaluasi dilakukan untuk memeriksa apakah pola tersebut sudah sesuai dengan fakta yang ada [4].
2.2 Association Rule
Association rule adalah suatu prosedur untuk mencari hubungan antar item dalam suatu kumpulan data yang ditentukan. Dalam menentukan suatu association rule, terdapat suatu ukuran kepercayaan yang didapatkan dari hasil pengolahan data dengan perhitungan tertentu. Association rule memberikan informasi dalam bentuk “if-then” atau “jika-maka”. Biasanya digunakan istilah antecedent untuk mewakili bagian “jika” dan consequent untuk mewakili bagian “maka” [1].
Association rule meliputi dua tahap, yaitu : 1. Mencari kombinasi yang paling sering
terjadi dari suatu itemset.
2. Membangkitkan association rule dari frequent itemset yang telah dibuat sebelumnya.
Gambar.1 Proses Association Rule
2.3 FP-Tree
FP-tree adalah struktur untuk penyimpanan data untuk dipadatkan. FP-tree dibuat dengan cara memetakan data transaksi menjadi sebuah lintasan kedalam FP-tree.
Transaksi yang sudah dipetakan memungkinkan adanya item yang sama, maka lintasan tersebut akan saling menimpa. Banyaknya item yang sama bergantung pada banyaknya data transaksi, dengan begitu pemadatan data dengan FP-tree akan lebih efektif. FP-tree cukup melakukan dua kali scanning data transaksi yang jauh lebih efisien. [1].
Berikut ini adalah contoh tabel dengan semua barang yang dalam satu transaksi sudah disatukan [7].
Tabel.1 Contoh Data Transaksi
No. Transaksi Nama Barang
21020130001 Gula, Kopi, Teh 21020130002 Gula, Kopi, Teh 21020130003 Gula, Susu, Roti 21020130004 Roti, Gula, Air 21020130005 Gula, Susu, Kopi
Kemudian menentukan frekuensi setiap item dari keseluruhan transaksi.
Tabel.2 Nama dan Frequensi Item
Nama Barang Jumlah
Gula 5 Kopi 3 Teh 2 Susu 2 Roti 2 Air 1
Setelah frekuensi setiap item diperoleh, kemudian dibatasi dengan support count. Jika frekuensi item tidak kurang dari support count, maka item tersebut akan dihapus dan tidak dipakai dalam proses data mining. Misalkan ditentukan support count ξ =2, maka hasilnya adalah:
Tabel.3 Nama dan Frequensi Item setelah filter
Nama Barang Jumlah
Gula 5
Kopi 3
Teh 2
Susu 2
Roti 2
Item Air hilang karena frekuensinya tidak lebih dari sama dengan 2. Tahap selanjutnya adalah pembangunan Tree berdasarkan per transaksi dengan item yang telah dibatasi.
Tabel.4 Data Transaksi setelah filter
No. Transaksi
Nama Barang
21020130001 Gula, Kopi, Teh 21020130002 Gula, Kopi, Teh 21020130003 Gula, Roti, Susu 21020130004 Roti, Gula 21020130005 Gula, Kopi, Susu
Pembangunan Tree dari seluruh transaksi tersebut adalah:
Gambar.2 Tree dari 5 transaksi
2.4 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. Karakteristik algoritma FP-Growth adalah struktur data yang digunakan adalah tree yang disebut dengan FP-Tree. Dengan menggunakan Tree, algoritma FP-growth dapat langsung mengekstrak frequent Itemset dari FP-Tree [8].
Langkah selanjutnya adalah tahap pembangkitan conditional pattern base, tahap pembangkitan conditional FP-Tree, dan tahap pencarian frequent itemset. Pada tahap ini dapat dilakukan dengan melihat kembali FP-Tree yang sudah dibuat sebelumnya [7].
Tabel.5 Conditional Pattern Base
Item Conditional Pattern Base
Teh {{Gula, Kopi : 2}}
Susu {{Gula, Kopi : 1}, {Gula, Roti : 1}} Kopi {{Gula : 2}}
Roti {{Gula : 3}}
Tabel.6 Conditional FP-Tree
Item Conditional FP-Tree
Teh {{Gula : 2},{Kopi : 2}, {Gula, Kopi : 2}}
Susu {{Gula : 2}} Kopi {{Gula : 2}} Roti {{Gula : 3}}
Tabel.7 Frequent Itemset
Item Frequent Itemset
Teh {{Gula, Teh : 2},{Kopi, Teh : 2}, {Gula, Kopi, Teh : 2}}
Susu {{Gula, Susu : 2}} Kopi {{Gula, Roti : 2}} Roti {{Gula, Kopi : 3}}
3. METODE PENELITIAN 2.1 Objek Penelitian
Penelitian ini dilakukan untuk menentukan lokasi barang pada “A Swalayan” yang berada di Kedungwuni Kabupaten Pekalongan. Untuk pengumpulan informasi dan data-data yang diperlukan:
2.2 Sumber Data
Untuk mendapatkan data - data yang benar akurat dan relevan sebagai inputan bagi sistem. Adapun metode yang akan digunakan dalam tahap pengumpulan data antara lain :
a. Wawancara
Penulis melakukan wawancara secara langsung kepada Bapak Himawan Adi Pratomo selaku pemilik toko. Metode yang dilakukan penulis dengan tanya jawab langsung mengenai hal yang berkaitan
dengan penjualan barang beserta cara menempatkan barang yang akan dijual. b. Studi pustaka
Adalah penelitian dengan mempelajari karangan ilmiah yang relevan dalam pembahasan ini dan buku – buku yang memiliki keterkaitan dengan masalah yang akan dibahas. Penulis menggunakan beberapa jurnal untuk mendapatkan informasi lebih lanjut
c. Observasi
Observasi dilakukan untuk mendapatkan informasi yang berkaitan dengan tata letak lokasi barang. Metode observasi ini dilakukan secara langsung pengamatan di lokasi toko.
2.3 Metode Pengembangan Sistem
Metode pengembangan sistem yang digunakan yaitu menggunakan metode Association rule dengan algoritma Grwoth (Frequent Pattern Growth). FP-Growth adalah adalah salah satu alternatif algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul (frequent itemset) dalam sebuah kumpulan data. Karakteristik algoritma FP-Growth adalah struktur data yang digunakan adalah tree yang disebut dengan FP-Tree. Algoritma FP-growth dapat langsung mengekstrak frequent Itemset dari FP-Tree [8].
Tahapan-tahapan dalam membuat prototype adalah:
1. Analisa kebutuhan
Pada tahap ini penulis melakukan analisisa kebutuhan dalam menentukan lokasi barang pada “A Swalayan”.
2. Desain sistem
Pada tahap ini penulis mendesain tampilan atau interface aplikasi yang akan digunakan dalam menentukan lokasi barang pada “A Swalayan”.
3. Membuat Prototype
Pada tahap ini penulis melakukan pembuatan aplikasi association rule dengan algoritma fp-growth yang akan menghasilkan sebuah rules barbasis dekstop dengan menggunakan JAVA dan MySQL.
4. Menguji Prototype
Pada tahap ini penulis melakukan pengujian pada aplikasi dengan memberikan masukan pemilihan data transaksi serta memberikan nilai minimum support dan nilai minimum confidence.
4. HASIL & PEMBAHASAN 4.1 Perancangan
Use case Diagram
Gambar.3 Use case Diagram
- Use case data transaksi: merupakan aksi yang dilakukan oleh aktor pengguna yaitu memilih data transaksi berdasarkan tanggal awal transaksi dan tanggal akhir transksi, serta menampilkan data transaksi yang dipilih pada tabel.
- Use case pencarian rules: merupakan aksi yang dilakukan oleh aktor pengguna yaitu menginput nilai minimum support dan nilai minimum confidence serta menampilkan rules pada textarea.
- Use case mengganti password: merupakan aksi dari aktor pengguna yaitu mengganti password user login.
4.2 Halaman utama
Halaman utama pada implementasi aplikasi ini yang terdiri dari 3 halaman yaitu halaman Transaction, halaman Data Mining dan halaman User .
Gambar.4 Halaman Utama
4.2.1 Halaman Transaction
Halaman ini adalah halaman utama dari aplikasi ini yaitu sebuah halaman untuk menampilkan data transaksi berdasarkan tanggal awal dan tanggal akhir yang dipilih oleh pengguna. Misalkan pengguna memberikan input tanggal awal transaksi adalah 9 april 2015 dan tanggal akhir transaksi adalah 10 april 2015 kemudian menekan tombol SUBMIT. Maka pada tabel akan tampil semua data transaksi yang dipilih seperti pada gambar dibawah
Gambar.5 Halaman Transaction
4.2.2 Halaman Data Mining
Gambar.6 Halaman Data Mining
Halaman Data Mining digunakan untuk mengolah data transaksi yang sudah terpilih menjadi sebuah informasi yang berguna untuk menentukan strategi pemasaran. Informasi yang didapat pada halaman ini yaitu sebuah rules yang ditampilkan pada textarea setelah pengguna memberi input nilai minimum support dan nilai minimum confidence kemudian menekan tombol “Proses” seperti pada gambar diatas.
4.2.3 Halaman User
Gambar.7 Halaman User
halaman user berfungsi untuk mengganti password login. Pada halaman ini tidak ada menu untuk menambah user, karena halaman ini hanya dikhususkan untuk mengganti password saja. Apabila pengguna
berhasil mengganti password, maka akan keluar popup yang berisi pesan “ubah berhasil” seperti pada gambar diatas. Dan apabila pengguna gagal dalam mengganti password, maka akan keluar popup yang berisi pesan “password lama salah” seperti pada gambar diatas.
5. KESIMPULAN
Dari hasil kegiatan penelitian yang telah dilakukan oleh penulis dalam Tugas Akhir ini dapat disimpulkan bahwa:
1. Aplikasi dapat di implementasikan pada “A Swalayan” dan dapat membantu untuk menentukan lokasi barang.
2. Data transaksi yang akan diolah dapat ditentukan sendiri oleh pengguna.
3. Lama proses untuk menampilkan data transaksi dan menampilkan rules tergantung dari jumlah transaksi yang dipilih dan nilai minimum support serta nilai minimum confidence.
4. Banyaknya jumlah rules yang dihasilkan tergantung dari banyaknya jumlah transaksi dan nilai minimum support serta nilai minimum confidence.
5. Rules yang dihasilkan dapat menjadi pertimbangan untuk mengambil keputusan dalam menentukan lokasi barang pada “A Swalayan”.
5. SARAN
Adapun saran yang dapat disampaikan untuk pengembangan lebih lanjut agar menjadikan penelitian lebih baik adalah membuat aplikasi ini dapat diakses secara online dan transformasi database tidak perlu dilakukan secara manual. Semoga saran tersebut bisa dijadikan sebagai bahan masukkan yang dapat bermanfaat bagi penelitian-penelitian tahap selanjutnya.
UCAPAN TERIMA KASIH
Atas berkat rahmat Tuhan Yang Maha Esa, penulis dapat menyelesaikan Laporan Tugas Akhir dengan judul, “Penentuan Lokasi Barang Pada ‘A Swalayan’ Menggunakan Association Rule dengan Algoritma FP-Growth”.
Atas tersusunnya Laporan Tugas Akhir ini, penulis tidak lupa mengucapkan terima kasih yang sebesar-besarnya kepada:
1. Dr. Ir. Edi Noersasongko, M.Kom, selaku Rektor Universitas Dian Nuswantoro Semarang.
2. Dr. Abdul Syukur, selaku Dekan Fakultas Ilmu Komputer.
3. Heru Agus Santosa, Ph.D, selaku ketua Program Studi Teknik Informatika – S1. Dan sebagai Dosen Pembimbing Tugas Akhir yang telah memberikan bimbingan dan masukan kepada penulis.
4. Orang tua yang tidak pernah lelah mendo’akan dan memberikan semangat serta nasehat kepada penulis.
5. Semua pihak yang namanya tidak dapat disebutkan satu per satu.
Menyadari keterbatasan dan kekurangan penulis, sangat diharapkan kritik dan saran dari manapun demi meningkatkan perbaikan dan kesempurnaan Laporan Tugas Akhir ini.
Demikian, semoga Laporan Tugas Akhir ini dapat bermanfaat bagi para pembaca yang budiman.
DAFTAR PUSTAKA
[1] Ali Ikhwan, Dicky Nofriansyah dan Sriani, Penerapan Data Mining dengan Algoritma Fp-Growth untuk Mendukung Strategi Promosi Pendidikan ( Studi Kasus Kampus STMIK Triguna Dharma), Sumatra Barat: STMIK TrigunaDharma, 2015.
[2] ANDREAS HANDOJO,
GREGORIUS SATIA BUDHI DAN
HENDRA RUSLY, Aplikasi Data Mining untuk meneliti Asosiasi Pembelian Item Barang di Supermaket dengan Metode Market Basket Analysis, Surabaya: Universitas Kristen Petra, 2013. [3] Arifin dan Rizka Nurul,
IMPLEMENTASI ALGORITMA FREQUENT PATTERN GROWTH (FP-GROWTH) MENENTKAN ASOSIASI ANTAR PRODUK (STUDY KASUS NADIAMART), Semarang: Universitas Dian Nuswantoro, 2015.
[4] Nurdin dan Dewi Astika, PENERAPAN DATA MINING
UNTUK MENGANALISIS
PENJUALAN BARANG DENGAN
MENGGUNAKAN METODE
APRIORI PADA SUPERMARKET SEJAHTERA LHOKSEUMAWE, Aceh: Universitas Malikussaleh, 2015.
[5] Zakaria dan Oliver, IMPLEMENTASI DATA MINING
MENGGUNAKAN ATURAN
ASOSIASI DENGAN
ALGORITMA APRIORI
TERHADAP PENYUSUNAN
LAYOUT MAKANAN PADA
RUMAH MAKAN PADANG
MURAH MERIAH, Yogyakarta: STMIK AMIKOM, 2012.
[6] Frismadani Anggita Priyana dan Acun Kardianawati, DATA MINING
ASOSIASI UNTUK MENENTUKAN CROSS-SELLING PRODUK MENGGUNAKAN ALGORITMA FREQUENT PATTERN-GROWTH PADA KOPERASI KARYAWAN PT. PHAPROS SEMARANG,
Semarang: Universitas Dian Nuswantoro, 2015.
[7] Dyah Pramesthi Larasati, Muhammad Nasrun dan Umar Ali
Ahmad, ANALISIS DAN IMPLEMENTASI ALGORITMA FP-GROWTH PADA APLIKASI SMART UNTUK MENENTUKAN MARKET BASKET ANALYSIS PADA USAHA RETAIL (STUDI KASUS : PT.X), Bandung: Universitas Telkom, 2015.
[8] Ririanti, IMPLEMENTASI ALGORITMA FP-GROWTH PADA
APLIKASI PREDIKSI
PERSEDIAAN SEPEDA MOTOR (STUDI KASUS PT. PILAR DELI LABUMAS), Medan: STMIK Budi Darma, 2015.
[9] Anggrayni dan Yenni, Perancangan Mobile Learning Berbasis J2ME untuk Penyediaan Bahan Ajar Perkuliahan Program Studi Pendidikan Ekonomi, Palembang: Universitas Sriwijaya, 2012.
[10] Ofset dan Andi, Membangun Aplikasi Bisnis Dengan Netbeans 7.1, Yogyakarta: Wahana, 2012. [11] Muhammad Jamil dan Bunyamin,
PENGEMBANGAN APLIKASI SISTEM INFORMASI LAPORAN KEUANGAN WALISANTRI DI PONDOK PESANREN AL-HALIM GARUT, Garut: Sekolah Tinggi Teknologi Garut, 2015.
