SISTEM INFORMASI PENJUALAN BAHAN BANGUNAN MENGUNAKAN METODE MARKET BASKET ANALISIS (MBA)
Moh. Nur romadlon / Hindarto
[email protected]/[email protected]
Kebutuhan masyarakat akan bahan-bahan bangunan didaerah Sidoarjo khususnya di daerah Sidokerto Buduran dalam beberapa tahun terakhir terus mengalami peningkatan. Lokasi UD. Fajar Mulia yang cukup strategis, karena dekat dengan Kampung dan Perumahan-Perumahan. Letak yang tak jauh dari Kota Sidoarjo memungkinkan pembeli dari luar Kampung tersebut datang membeli bahan bangunan ke UD. Fajar Mulia. Dalam dunia perdagangan yang selalu dinamis dan penuh persaingan para pelakunya harus selalu memikirkan cara-cara untuk terus survive dan jika mungkin mengembangkan usaha mereka.
Analisa market basket atau association rule mining atau analisis asosiasi adalah teknik data mining untuk menemukan aturan assosiatif antarasuatu kombinasi item. Contoh aturan assosiatif dari analisa pembelian di suatu pasar swalayan adala dapat diketahuinya berapa besar kemungkinan seorang pelanggan membeli roti bersamaan dengan susu
Hasil yang akan ditampilkan sesuai dengan rancangan yang telah dibuat Form menu utama memiliki dua jalur akses. Masing-masing pengguna dapat memiliki akses yang berbeda, sesuai dengan penggunaan username dan password. Tingkatan pengguna dibedakan menjadi hak akses admin dan pimpinan, Pada halaman form utama pengguna diminta untuk login terlebih dahulu, kemudian baru dapat mengakses form sesuai dengan login masing-masing. Bagi pengguna, admin berhak menginput, mengubah dan menghapus pengolahan data, Bagi pengguna pimpinan dapat mengakses halaman form utama,terdapat menu perhitungan.
Kata Kunci : Analisa, market basket, association rule mining
BAB I PENDAHULUAN
1.1 Latar Belakang
Kebutuhan masyarakat akan bahan-bahan bangunan didaerah Sidoarjo khususnya di daerah Sidokerto Buduran dalam beberapa tahun terakhir terus mengalami peningkatan. Lokasi UD. Fajar Mulia yang cukup strategis, karena dekat dengan Kampung dan Perumahan-Perumahan. Letak yang tak jauh dari Kota Sidoarjo memungkinkan pembeli dari luar Kampung tersebut datang membeli bahan bangunan ke UD. Fajar Mulia. Dalam dunia perdagangan yang selalu dinamis dan penuh persaingan para pelakunya harus selalu memikirkan cara-cara untuk terus
survive dan jika mungkin mengembangkan usaha mereka.
Dalam rangka menghadapi persaingan bisnis dan meningkatkan pendapatan usaha, pimpinan maupun manajemen dalam suatu usaha tersebut di tuntut untuk dapat mengambil
keputusan yang tepat dalam menentukan strategi penjualan. Untuk dapat melakukan hal tersebut, suatu usaha membutuhkan sumber informasi yang cukup banyak untuk dapat di analisis lebih lanjut menentukan strategi penjualan.
Pihak usaha tersebut mengharapkan adanya teknologi yang mampu menghasilkan suatu informasi yang siap digunakan untuk membantu mereka dalam mengambil keputusan strategis perusahaan. Mereka ingin mengetahui produk apa yang harus ditingkatkan, seberapa besar pencapaian hasil yang diperoleh oleh perusahaan. Untuk memenuhi kebutuhan-kebutuhan pengusaha, banyak cara yang dapat ditempuh. Salah satunya adalah dengan melakukan pemanfaatan data perusahaan (Data Mining).
operasional perusahaan, dan peningkatan efektifitas pemasaran serta keuntungan. Agar bisa memenuhi kebutuhan -kebutuhan bisnis di atas banyak cara yang dapat ditempuh salah satunya adalah dengan melakukan analisis data kebutuhan.
1.2 Rumusan Masalah
Adapun masalah yang akan dibahas dalam penelitian ini adalah sebagai berikut :
1. Bagaimana mengembangkan sebuah analisa market basket yang berkaitan dengan transaksi penjualan bahan bangunan dengan menggunakan algoritma apriori. 2. Bagaimana output yang akan
dihasilkan dari kaidah asosiasi yang berkaitan dengan data penjualan yaitu nilai-nilai support dan confidence.
1.3 Batasan Masalah
Batasan masalah dalam pengolahan data mining adalah mengenai metode analisa market basket dalam transaksi penjualan menggunakan Algoritma Apriori. Data yang diambil yaitu data transaksi satu bulan yang kemudian dikelompokkan menurut kategori barang dengan nilai minimum confidence sebesar 60% .
1.4 Tujuan Penelitian
Adapun tujuan penelitian ini adalah:
1. Mempelajari sebuah aplikasi analisa market basket yang berkaitan dengan data transaksi penjualan menggunakan algoritma apriori di tempat penjualan bahan bangunan.
2. Mengidentifikasi beberapa tipe dari kaidah asosiasi yang berkaitan dengan data transaksi penjualan yaitu nilai support dan confidence. 3. Membuat program yang dapat
digunakan oleh pemilik usaha dalam membantu mendapatkan informasi-informasi penting sehubungan dengan tugasnya dalam pengambilan keputusan
berdasarkan fakta yang ada secara cepat dan tepat.
BAB II
TINJAUAN PUSTAKA
2.1 Penelitian Terdahulu
Demi kesempurnaan penelitian, maka penulis perlu melakukan perbandingan untuk mengetahui gambaran dari penelitian terdahulu. Berdasarkan penelitian terdahulu yang dilakukan oleh Noor Fauziyah (2012) dengan judul “ Penggunaan Algoritma Apriori Untuk Analisa Market Basket Pada Apotek (Studi Kasus Pada Kimia Farma Apotek) ’’ Penelitian tersebut memberikan kesimpulan bahwa aplikasi data mining mampu mengolah data transaksi yang disediakan oleh user untuk menemukan frequent itemset dan association rule yang memenuhi syarat minimum support berdasarkan item yang ada dalam bentuk grafik dan teks. Aplikasi ini memberitahukan asosiasi barang apa yang sering dibeli bersamaan oleh konsumen di Apotek yang nantinya informasi ini dapat memberikan pertimbangan dalam pengambilan keputusan guna pembelian barang dan pengaturan pada rak Apotek.
Tabel 2.1 Perbandingan penelitian Penelitian
Terdahulu
Penelitian Sekarang
Penggunaan
Algoritma Apriori Untuk Analisa Market Basket Pada Apotek (Studi Kasus Pada Kimia Farma Apotek)
Sistem Informasi Penjualan Bahan Bangunan
Menggunakan
Metode Market Basket Analisis (MBA)
Menggunakan
software Microsoft Basic 6.0
Menggunakan
software Netbeans IDE 7.0.1
Mengambil data penjualan selama 3 bulan
Mengambil data penjualan selama 1 bulan
Menggunakan
metode data mining Market Basket Analisis (MBA)
Menggunakan
Bertujuan untuk mengetahui barang apa saja yang sering dibeli secara bersamaan oleh konsumen sehingga memberikan
pertimbangan dalam pengambilan
keputusan guna pembelian barang dan pengaturan pada rak Apotek.
Bertujuan untuk mengetahui barang apa saja yang sering dibeli oleh konsumen secara bersamaan sehingga
memudahkan bagi pemilik usaha dalam mengambil keputusan guna pembelian barang, pengaturan rak took dan promo barang.
2.2 Data Mining
2.2.1 Pengertian Data Mining
Data Mining didefinisikan sebagai sebuah proses untuk menemukan hubungan, pola, dan trend baru yang bermakna dengan menyaring data yang sangat besar, yang tersimpan dalam penyimpanan, menggunakan teknik pengenalan pola seperti teknik statik dan matematika.
Selain definisi tersebut, beberapa definisi juga diberikan seperti tertera dibawah ini :
“Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual”
“Data mining adalah analisa otomatis dari data yang berjumlah besar atau kompleks dengan tujuan untuk menemukan pola atau kecenderungan yang penting yang biasanya tidak disadari keberadaannya”
Dari definisi-definisi yang telah disampaikan, hal penting yang terkait dengan data mining adalah:
1. Data mining merupakan suatu proses otomatis terhadap data yang sudah ada.
2. Data yang akan diproses berupa data yang sangat besar.
3. Tujuan dari data mining adalah mendapatkan hubungan atau pola yang mungkin memberikan indikasi yang bermanfaat.
Hubungan yang dicari dalam data mining dapat berupa hubungan antara dua
atau lebih dalam satu dimensi, misalnya dalam dimensi produk, kita dapat melihat keterkaitan pembelian suatu produk dengan produk yang lain. Selain itu hubungan juga dapat dilihat antara 2 atau lebih atribut dan 2 atau lebih obyek.
Sementara itu penemuan pola merupakan keluaran lain dari data mining. Misalkan sebuah perusahaan yang akan meningkatkan faslitas kartu kredit dari pelanggan, maka perusahaan akan mencari pola dari pelanggan-pelanggan yang ada untuk mengetahui pelanggan yang potensial dan pelanggan yang tidak potensial.
Data mining bukanlah suatu bidang yang sama sekali baru. Salah satu kesulitan untuk mendefinisikan data mining adalah kenyataan bahwa data mining merupakan irisan dari berbagai disiplin ilmu yang ada dalam ilmu pengetahuan. Gambar berikut menjelaskan dimanakah sebenarnya data mining berada.
Gambar 2.1 Irisan Data Mining Dari berbagai disiplin ilmu (Santoso,B,2007) data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang bisa dilakukan, yaitu :
1. Deskripsi
Suatu cara untuk
menggambarkan / mendeskripsikan pola dan trend yang tersimpandalam data. Sebagai contoh, petugas pengumpulan suara mungkin tidak dapat menemukan keterangan atau fatwa bawa siapa yang tidak cukup profesional akan sedikit didukung dalam pemilian presiden. Deskripsi dari pola dan kecenderungan sering memberikan kemungkinan penjelasan untuk suatu pola atau kecenderungan. 2. Estimasi
yang lebih ke arah numerik daripada kategori. Model dibangun menggunakan record lengkap yang menyediakan nilai dari variabel target sebagai nilai produksi. Misalnya, akan dilakukan estimasi tekanan darah sistolik dari pasien ruma sakit berdasrkan umur pasien, jenis kelamin, indeks berat badan, dan level sodium darah. Contoh lainnya adalah estimasi nilai indeks prestasi komulatif mahasiswa program pascasarjana dengan mengikuti program sarjana. 3. Prediksi
Prediksi memilki kemiripan dengan estimasi dan klasifikasi. Hanya saja, prediksi hasilnya menunjukkan sesuatu yang belum terjadi (mungkin terjadi di masa depan). Misalnya, ingin diketahui prediksi harga beras 3 bulan yang akan datang, prediksi presentase kenaikan kecelakaan lalu lintas tahun depan jika batas bawa kecepatan dinaikkan.
4. Klasifikasi
Dalam klasifikasi variabel, tujuan bersifat katagorik. Misalnya,kita akan mengklasifikasi pendapatan dalam 3 kelas, yaitu pendapatan tinggi pendapatan sedang, dan pendapatan rendah. Contoh lain adala ketika ingin dilakukan diagnosis teradap penyakit seorang pasien untuk mengetaui kategori penyakitnya, menentukan apakah suatu transaksi kartu kredit merupakan transaksi yang curang atau bukan.
5. Clustering
Clustering lebih kearah pengelompokkan record, pengamatan atau kasus dalam kelas yang memiliki kemiripan. Sebuah cluster adalah kumpulan record yang memiliki kemiripan satu denga yang lain dan memiliki ketidakmiripan dengan record-record dalam cluster yang lain. Pengclusteran berbeda dengan klasifikasi yaitu tidak adanya variabel target dalam pengclusteran. Pengclusteran tidak mencoba untuk melakukan klasifikasi, mengestimasi, atau memprediksi nilai dari variabel
6. Analisa Market Basket
Mengidentfikasi hubungan antara berbagai peristiwa yang terjadi pada suatu waktu. Pendekatan tersebut menekankan sebuah kelas masalah yang dicirikan dengan analisa keranjang pasar. Dalam bidang eceran ada suatu usaa untuk mengidentifikasi produk-produk apa yang terjual dan pada tingkat seperti apa.
Gambar 2.2 Beberapa Kelompok dalam data mining
2.2.2 Tahapan Dalam Data Mining Data-data yang ada tidak dapat langsung diolah dengan menggunakan sistem data mining. Data-data tersebut harus dipersiapkan terlebih dahlu agar hasil yang diperoleh dapat lebih maksimal, dan waktu komputasinya lebih minimal. Proses persiapan data ini sendiri dapat menapai 60% dari keseluruhan proses dalam data mining.
Gambar 2.3 Tahapan dalam data mining
Tahap-tahapnya dimulai dari pemrosesan raw data atau data mentah sampai pada penyaringan hingga ditemukannya knowledge, dijabarkan sebagai berikut :
1. Data Selection Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi dalam KDD dimulai. Data hasil seleksi yang akan
digunakan untuk proses data mining, disimpan dalam suatu berkas, terpisah dari basis data operasional.
2. Pre-processing / Cleaning Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses cleaning pada data yang menjadi fokus KDD. Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi). Juga dilakukan proses enrichment, yaitu proses “memperkaya” data yang sudah ada dengan data atau informasi lain yang relevan dan diperlukan untuk KDD,seperti data atau informasi eksternal.
3. Transformation Coding adalah proses transformasi pada data yang telah dipilih, sehingga data tersebut sesuai untuk proses data mining. Proses coding dalam KDD merupakan proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam basis data.
4. Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. Teknik, metode, atau algoritma dalam data mining sangat bervariasi. Pemilihan metode atau algoritma yang tepat sangat bergantung pada tujuan dan proses KDD secara keseluruhan. 5. Interpretation/ Evaluation Pola
informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian dari proses KDD yang disebut dengan interpretation. Tahap ini mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesa yang ada sebelumnya. 2.3 Market Basket Analisis
2.3.1 Pengertian Market Basket Analisis
Analisa market basket atau
association rule mining atau analisis asosiasi adalah teknik data mining untuk Deskripsi
Estimasi
Analisa Market
Data Mining
Cluste ring
Klasifi
menemukan aturan assosiatif antarasuatu kombinasi item. Contoh aturan assosiatif dari analisa pembelian di suatu pasar swalayan adala 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 kapan diskon untuk barang tertentu. Analisis asosiasi dikenal juga sebagai salah satu teknik data mining yang menjadi dasar dari berbagai teknik data mining lainnya. Khususnya salah satu taap dari analisis asosiasi yang disebut analisis pola frequensi tinggi menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien.
Penting tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter, support (nilai penunjang) yaitu presentase kombinasi item tersebut dalam database dan confidence (nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan assosiatif.
Aturan assosiatif biasanya dinyatakan dalam bentuk b:
(roti, mentega) (susu) (support = 40% confidence = 50%)
Yang artinya : 50% dari transaksi di database yang memuat item roti dan mentega juga memuat item susu.
Sedangkan 40% dari seluruh transaksi yang ada di database memuat ketiga item itu.
Dapat juga diartikan : “Seorang konsumen yang membeli roti dan mentega punya kemungkinan 50% untuk juga membeli susu. Aturan ini cukup signifikan karena mewakili 40% dari catatan transaksi selama ini.”
Analisis asosiasi didefinisikan suatu proses untuk menemukan semua aturan assosiatif yang memenui syarat minimum untuk support (minimum support) dan syarat minimum untuk
confidence (minimum confidence). Pada umumnya Analisa Market Basket dapat diaplikasikan pada :
1. Transaksi kartu kredit : barang – barang yang diebli menggunakan kartu kredit dapat menjadi analisa atau produk sejenis lainnya yang juga dibeli secara bersamaan.
2. Transaksi Supermarket : kombinasi dari barang – baeang yang telah dibeli oleh pelanggan dapat digunakan untuk menentukan peletakan posisi barang di rak.
3. Transaksi produk telekomunikasi : fasilitas yang saling berhubungan (seperti nada sela tampilan nama pemanggil, fungsi multimedia, kamera, koneksi dan lain – lain) membantu7 menentukan paket dan fungsi dari suatu produk.
4. Transaksi perbankan : Pola dari pelayanan yang digunakan nasabah digunakan oleh pihak bank untuk menawarkan pelayanan yang jugfa banyak digunakan oleh nasaba lainnya.
5. Transaksi asuransi : kombinasi yang tidak lazim dari sebuah klaim asuransi menunjukkan terjadinya kecurangan sebuah klaim (klaim fiktif / rekayasa). 6. Prosedur absensi mesin : kombinasi
yang tidak lazim dari jam kedatnagan menunjukkan terjadinya kecurangan dalam proses absensi.
7. Catatan medis pasien : kombiansi tertentu dari suatu kondisi dapat menggambarkan bertambahnya resiko dari suatu penyakit.
2.3.2 Konsep Market Basket Analisis
Gambar 2.4 Ilustrasi tentang konsep market basket analisis
barang seperti roti, susu, sereal, telur, mentega, gula, dan sebagainya. Sebuah keranjang memberitahukan kepada kita tentang apa saja yang telah dibeli oleh seorang konsumen dalam satu waktu. Sebuah daftar belanjaan yang lengkap yang diperoleh konsumen memberikan kita informasi yang sangat banyak, dan ini dapat menjelaskan barang-barang apa saja yang paling penting dari bisnis penjualan yaitu “apa barang yang dibeli konsumen dan kapan”.
Setiap konsumen membeli barang-barang yang berbeda, dalam jumlah berbeda dan dalam waktu yang berbeda pula. Market Basket Analisis menggunakan informasi apa yang dibeli oleh konsumen untuk menyediakan tanda atau informasi yaitu siapa mereka dan mengapa mereka melakukan pembelian barang tersebut? Market Basket Analisis menyediakan tentang pengertian barang dagangan dengan memberitahukan kepada kita produk-produk mana saja yang memungkinkan untuk dibeli dalam waktu yang bersamaan dan produk mana yang lebih disetujui untuk dipromosikan. 2.3.3 Tiga Level Market Basket Data
Market Basket Data adalah data transaksi yang menjelaskan tiga perbedaan entitas yang mendasar yaitu : 1. Customer
2. Order / Pembelian 3. Items (barang-barang)
Pengenalan konsumen setiap saat membuat mungkin untuk dikenali secara cepat, seperti frekuensi pembelian yang dilakukan oleh konsumen. Tiga level dari Market Basket Data yang penting secara cepat dapat memahami permintaan. Ada beberapa pengukuran, yaitu :
1. Berapa rata-rata pembelian barang yang dilakukan konsumen?
2. Berapa rata-rata barang yang khusus setiap pembelian?
3. Berapa rata-rata barang setiap pembelian?
4. Untuk barang tertentu, proporsi konsumen apa yang telah membeli barang tertentu?
5. Untuk barang tertentu, berapa rata-rata dari setiap pembelian konsumen yang termasuk dalam barang tersebut? 6. Untuk barang tertentu, berapa rata-rata
jumlah pembelia dalam suatu pembelian ketika barang tersebut dibeli?
2.3.4 Association Rule
Association Rule adalah bentuk jika “kejadian sebelumnya” maka “konsekuensinya”, (IF antecedent, THEN consequent). Bersamaan dengan perhitungan aturan support dan confidence. Association Rule adalah teknik data mining untuk menentukan aturan associatif antara suatu kombinasi item. Contoh dari Association Rule dari analisa pembelian di suatu pasar swalayan adalah bisa diketahui berapa besar kemungkinan seorang konsumen membeli roti bersamaan dengan susu. Dengan pengetahuan tersebut, pemilik pasar swalayan dapat mengatur tempat barangnya atau merancang kampanye pemasarannya dengan memakai kupon diskon untuk kombinasi barang tertentu. 2.3.5 Association Rule Mining
Association Rule Mining adalah suatu prosedur untuk mencari hubungan antar item dari suatu data set yang ditentukan. (Han, kambler, 2001). Dalam dunia bisnis lazim dikenal dengan istilah affinity analysis.Tugas dari association rule adalah mencari aturan yang tidak mencakup hubungan antara dua atau lebih atribut. Association Rule meliputi dua tahap (Ulmer, David, 2002) :
1. Mencari suatu kombinasi yang sering terjadi dalam suatu item set.
2. Mendifinisikan Condition dan Result (untuk conditional association rule).
Dalam menetukan Association Rule, terdapat suatu ukuran ketertarikan yang didapatkan dari hasil pengolahan data dengan perhitungan tertentu. Umumnya ada dua ukuran yaitu :
seluruh transaksi yang ada, seberapa besar tingkat dominasi yang menunjukkan bahwa item A dan B dibeli secara bersamaan).
2. Confidence : Suatu ukuran yang menunjukkan hubungan antar 2 item secara conditional. (missal, seberapa sering item B dibeli, jika orang membeli item A).
Kedua ukuran ini nantinya berguna untuk menentukan interesting association rule, yaitu untuk dibandingkan dengan batasan (threshold) yang ditentukan oleh user. Batasan tersebut umumnya terdiri dari min_support, dan min_confidence.
2.3.6 Metodologi Dasar Association Rule
Metodologi dasar analisis asosiasi dibagi menjadi dua tahap : 1. Analisa pola frekuensi tinggi
Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database. Nilai support sebuah item diperoleh dengan rumus berikut :
( )
Sedangkan nilai support dari 2 item dperoleh dari rumus berikut :
( ) ( )
( )
Keterangan :
Support = Suatu ukuran yang menunjukkan seberapa besar tingkat dominasi suatu item /itemset dari seluruh transaksi
P = Gabungan kombinasi item A dan item B
A = Nama itemset A B = Nama itemset B
2. Pembentukan aturan assosiatif Setelah sesuai pola frekuensi tinggi ditentukan, barulah dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif A B
Nilai confidence dari aturan A B diperoleh dari rumus berikut : ( )
Keterangan :
Confidence = suatu ukuran yang menunjukkan hubungan antar 2 item secara conditional
2.3.7 Lift / Improvemet Ratio
Lift Ratio adalah parameter penting selain support dan confidence dalam association rule. Lift Ratio mengukur seberapa penting rule yang telah terbentuk berdasarkan nilai support dan confidence. Lift Ratio merupakan nilai yang mnenunjukkan kevalidan proses transaksi dan memberikan informasi apakah benar produk A dibeli bersamaan dengan produk B.
Lift / Improvement Ratio dapat dihitung dengan rumus :
( ) ( ) ( )
Sebuah transaksi bisa dikatakan valid jika nilai improvement ratio lebih dari 1, yang berarti dalam satu transaksi produk A dan B benar-benar dibeli secara bersamaan.
( )
Sehingga nilai Improvementnya adalah 0,94. Artinya bahwa rule tersebut kurang baik, karena rule yang baik mempunyai nilai Improvement lebih dari 1.
2.4 Algoritma Apriori
Algoritma Apriori adalah algoritma paling terkenal untuk menemukan pola frekuensi tinggi. Pola frekuensi tinggi adalah pola-pola item di dalam suatu database yang memiliki frekuensi atau support di atas ambang batas tertentu yang disebut dengan istilah minimum support. Pola frekuensi tinggi ini digunakan untuk menyusun aturan assosiatif dan juga beberapa teknik data mining lainnya.
sama dimulai dari pass pertama yang menghasilkan pola frekuensi tinggi dengan panjang satu. Di iterasi pertama ini, support dari setiap item dihitung dengan men-scan database. Setelah support dari setiap item didapat, item yang memiliki support diatas minimum support dipilih sebagai pola frekuensi tinggi dengan panjang 1 atau sering disingkat 1-itemset.
Iterasi kedua menghasilkan 2-itemset yang tiap set-nya memiliki dua item. Pertama dibuat kandidat 2-itemset dari kombinasi semua 1-itemset. Lalu untuk tiap kandidat 2-itemset ini dihitung support-nya dengan men-scan database. Support disini artinya jumlah transaksi dalam database yang mengandung kedua item dalam kandidat 2-itemset. Setelah support dari semua kandidat 2-itemset didapatkan, kandidat 2-itemset yang memenuhi syarat minimum support dapat ditetapkan sebagai 2-itemset yang juga merupakan pola frekuensi tinggi dengan panjang 2.
Untuk selanjutnya pada iterasi ke-k dapat dibagi lagi menjadi beberapa bagian :
1. Pembentukan kandidat itemset, Kandidat k-itemset dibentuk dari kombinasi (k-1)-itemset yang didapat dari iterasi sebelumnya. Satu ciri dari algoritma Apriori adalah adanya pemangkasan kandidat k-itemset yang subset-nya yang berisi k-1 item tidak termasuk dalam pola frekuensi tinggi dengan panjang k-1.
2. Penghitungan support dari tiap kandidat k-itemset. Support dari tiap kandidat k-itemset didapat dengan men-scan database untuk menghitung jumlah transaksi yang memuat semua item di dalam kandidat k-itemset tsb. Ini adalah juga ciri dari algoritme Apriori dimana diperlukan penghitungan dengan scan seluruh database sebanyak k-itemset terpanjang.
3. Tetapkan pola frekuensi tinggi. Pola frekuensi tinggi yang memuat k item atau k-itemset ditetapkan dari kandidat
k-itemset yang support-nya lebih besar dari minimum support.
4. Bila tidak didapat pola frekuensi tinggi baru maka seluruh proses dihentikan. Bila tidak, maka k ditambah satu dan kembali ke bagian awal.
Contoh dari penerapan algoritma Apriori diilustrasikan di Gambar berikut :
Tabel 2.1 penerapan algoritma apriori Di sini minimum support adalah 50% atau minimal support-nya adalah 2. Pada iterasi pertama, item yang support-nya atau count-support-nya dibawah 2 dieliminasi dari 1-itemset L1. Kemudian kandidat 2-itemset C2 dari iterasi kedua dibentuk dari cross product item-item yang ada di L1. Setelah kandidat 2-itemset itu dihitung dari database, ditetapkan 2-itemset L2. Proses serupa berulang di iterasi ketiga, tetapi perhatikan bahwa selain {2,3,5} yang menjadi kandidat 3-itemset C3 sebenarnya ada juga 3-itemset {1,2,3} dan {1,3,5} yang dapat diperoleh dari kombinasi item-item di L2, tetapi kedua itemset itu dipangkas karena {2,3} dan {1,5} tidak ada di L2. Proses ini berulang sampai tidak ada lagi kandidat baru yang dapat dihasilkan di iterasi ke 4.
BAB III
METODOLOGI PENELITIAN
3.1 Lokasi dan waktu Penelitian
Lokasi penelitian ini bertempat d UD. Fajar Mulia jln. Randu Asri No. 02 Sidokerto Buduran Sidoarjo yang dilaksanakan pada bulan April 2015.
3.2 Alat dan Bahan 3.2.1 Alat
1. Seperangkat laptop DELL Inspiron dengan spesifikasi processor Intel Pentium CPU B940 2.00 GHz, 2GB RAM
2. Sistem Operasi Windows 7 Pro 3. Borland Delphi 7
4. My SQL 3.2.2 Bahan
1. Data – data penjualan selama bulan April 2015
3.3 Tahap Pengumpulan Data
Teknik pengumpulan data yang digunakan dalam penelitian skripsi adalah :
1. Pengamatan (observasi
Yaitu suatu teknik pengumpulan data yang di peroleh dengan jalan melakukan pengamatan dan pencatatan secara langsung pada obyek yang di teliti.
2. Studi Literatur
Yaitu melalui berbagai artikel yang didapat di internet dan buku – buku referensi yang menunjang pembuatan aplikasi ini.
3. Wawancara (Interview)
Melakukan tanya jawab secara langsung dengan memberikan beberapa pertanyaan kepada orang yang berkaitan dengan permasalahan seputar obyek penelitian untuk memperoleh keterangan yang relevan.
3.4 Analisa
3.4.1 Analisa Sistem
Analisa sistem dapat didefinisikan sebagai penguraian dari suatu sistem yang utuh kedalam bagian-bagian komponennya dengan maksud untuk mengidentifikasi dan mengevaluasi
permasalahan-permasalahan,
kesempatan-kesempatan, hambatan-hambatan yang terjadi dan kebutuhan-kebutuhan yang dibutuhkan sehingga dapat diusulkan perbaikan-perbaikan. Atau secara lebih mudahnya analisa sistem adalah penelitian atas sistem yang telah ada dengan tujuan untuk merancang sistem baru atau diperbarui. Tahap analisis ini merupakan tahap yang sangat kritis dan sangat penting, karena kesalahan kesalahan di tahap ini juga menyebabkan kesalahan ditahap selanjutnya. Tugas utama analisis sistem dalam tahap ini adalah menemukan menemukan kesalahan-kesalahan dari sistem yang berjalan sehingga dapat diusulkan perbaikan.
3.4.2 (Diagram Konteks)
Gambar 3.1 DFD Level 0 pada sistem
Dalam context diagram, dapat dilihat bahwa manajer melakukan pengiriman data login, pengiriman
add/delete/edit user, memasukkan
inputan min transaksi (support) dan min -confidence. Pengiriman proses-proses tersebut akan diproses oleh sistem MBA
dan sistem akan mengirimkan validasi
data login, data user yang dilakukan perubahan, data transaksi, dan report association rule. Sedangkan untuk karyawan hanya dapat melakukan pengiriman data login dan mengimport data transaksi. Kemudian sistem MBA
melakukan pengiriman validasi data login dan data transaksi. Untuk lebih jelasnya akan di gambarkan pada DFD level 0.
3.4.3 Data Flow Diagram (DFD) Level 1
Gambar 3.2 DFD Level 1 Proses yang terjadi pada DFD level 1 dari
context diagram sistem MBA dapat dijelaskan sebagai berikut:
1) Proses 1 Login
a) Manajer dan karyawan memasukkan username dan
password
b) Tabel T.User memberikan konfirmasi username dan
password
c) Sistem mengirimkan validasi login
terhadap manajer dan karyawan 2) Proses 2 Usersetting
a) Manajer mengirimkan perintah
add, delete, edit user kepada sistem
b) Sistem mengirimkan data user dan menyimpan ke dalam tabel T.User 3) Proses 3 Import data
a) Karyawan memilih data eksternal yang akan di proses
b) Sistem melakukan pembuatan
database dengan tabel T.transaksi dan T. detail transaksi
c) Sistem mengambil data detail transaksi dari T. detail transaksi d) Sistem menampilkan data yang
telah di import kepada manajer dan karyawan
4) Proses 4 Generate frequent itemsets a) Tabel T.transaksi dan T.
detail_transaksi mengirimkan perintah pembentukan frequent tinggi kepada sistem
b) Sistem mebuat aturan hubungan barang dan menyimpan ke dalam tabel T.Rule
5) Proses 5 Generate association rule
a) Manajer menginput min transaksi (support) dan min confidence b) Sistem mengambil bentuk aturan
dari tabel T.Rule
c) Sistem memberi report association rule kepada Manajer
3.4.4 Relasi Antar Tabel
Hubungan data antar tabel dalam database disebut relasi. Relasi digunakan untuk meringkas data yang ada dalam database, adapun gambar dari relasi antar tabel dapat dilihat di bawah ini:
Gambar 3.3 Relasi antar tabel
BAB IV
HASIL PENELITIAN DAN PEMBAHASAN
4.1 Hasil Penelitian.
Hasil yang akan ditampilkan sesuai dengan rancangan yang telah dibuat.
1. Form menu utama memiliki dua jalur akses. Masing-masing pengguna dapat memiliki akses yang berbeda, sesuai dengan penggunaan username dan password. Tingkatan pengguna dibedakan menjadi hak akses admin dan pimpinan.
2. Pada halaman form utama pengguna diminta untuk login terlebih dahulu, kemudian baru dapat mengakses form sesuai dengan login masing-masing. Bagi pengguna, admin berhak menginput, mengubah dan menghapus pengolahan data.
4.2 Pembahasan
1. Implentasi Program
Gambar 4.1. Form Login
Pada saat aplikasi dijalankan, tampilan pertama kali yang muncul adalah Form Login. Login ini untuk menentukan user yang akan mengakses aplikasi tersebut, dan sekaligus memfilter apakah user yang masuk tersebut apakah Administrator atau Operator.
Masukkan username dan password pada kotak isian yang sudah tersedia, kemudian tekan tombol login, apabila username dan password yang dimasukkan benar maka akan tampil Form Utama. Tekan tombol cancel untuk batal login dan keluar dari aplikasi.
Gambar 4.2. Form Utama (menu) Form ini adalah form utama dari aplikasi yang berisi beberapa tab dan tombol menu, antara lain; tab user berisi menu Master User dan Hak Akses, tab analisa berisi menu Impor File, Analisa Hasil dan Historis, tab utility berisi menu Ganti Password, serta tab aplikasi berisi menu About dan Keluar.
Gambar 4.3. Form Master User (data operator)
Form master user berfungsi untuk menginput user yang dapat mengakses aplikasi ini. Tekan tombol tambah, masukkan nama operator, username, password dan level pada kotak isian yang tersedia kemudian tekan tombol simpan untuk menyimpan hasil inputan.
BAB V PENUTUP 5.1 Kesimpulan
Kesimpulan yang dapat ditarik setelah melakukan analisis dan pengujian terhadap sistem yang dibangun adalah : 1. Aplikasi yang dibangun dapat
membantu UD. Fajar Mulia sebagai gambaran untuk pengambilan keputusan toko dalam rangka mendapatkan pola dari penjualan barang.
2. Sistem yang dibangun dapat mengurangi penumpukan data yang kurang dimanfaatkan sebelumnya. 5.2 Saran
Berdasarkan kesimpulan diatas maka menyarankan sebagai berikut : 1. Sesuai sengan penggunaan kebutuhan
informasi dan selanjutnya, disarankan agar sistem ini nantinya dapat dikembangkan lagi.
DAFTAR PUSTAKA
Budhi, Gregorius S., Leo W. Santoso dan Edward Susanto. 2006, Metode Market Basket Analysis menggunakan Algoritma Pincer Search untuk Sistem Pembantu Pengambilan Keputusan. Yogyakarta.
Hariyanto, Bambang Ir, MT. 2004, Sistem Manajemen Basis Data. Bandung: Informatika.
JEDI. 2007. JENI: Pengenalan Pemrograman 2. Jakarta: Jardiknas.
Larman, Craig. 2002, Applying UML and Patterns: An Introduction to Object-Oriented Analysis and Design and Iterative Development (3rd Edition). NJ : Prentice Hall.
Nugroho, Adi. 2004, Konsep Pengembangan Sistem Basis Data. Bandung : Informatika.
Purbo, Onno W. 2001, Mengenal eCommerce. Jakarta : PT Elex Media Komputindo.
Pramudiono, Iko. 2003, Pengantar Data Mining: Menambang Permata Pengetahuan di Gunung Data. IlmuKomputer.com.
