Universitas Kristen Maranatha
vi
ABSTRAK
Salah satu strategi pemasaran yang dapat digunakan untuk meningkatkan volume
penjualan suatu produk adalah cross selling. Penentuan cross selling produk dapat
dilakukan dengan menerapkan Analisis Keranjang Pasar.
Analisis Keranjang
Pasar
adalah suatu metode yang digunakan untuk
menemukan korelasi an
tara satu
barang dengan barang lainnya yang terdapat dalam suatu periode transaksi.
Analisis Keranjang Pasar
terdiri atas
dua tahap yaitu,
tahap
pencarian
frequent
itemset
berdasarkan nilai
minimum support
dan
tahap
penyusunan
aturan (
rules
)
berdasarkan nilai
minimum confidence
.
Aturan
(rules)
yang dihasilkan dari
analisis
ini nantinya dapat digunakan dalam penentuan
cross
-selling
produk.
ABSTRACT
One o
f marketing strategy that can
be used to escalating
sales volume is cross
selling. Cross selling decision can be achieved by using Market Basket Analysis.
Market Basket Analysis itself is a method to find
relationships between products
that consist of two phase
.
First phase is, find all frequent itemset based on
minimum support values, and the second phase is bulding rules based on
minimum confidence values. Later on, these rules could be used to decide whi
ch
product to cross sell.
Universitas Kristen Maranatha
viii
DAFTAR ISI
LEMBAR PENGESAHAN ...
i
PERNYATAAN PUBLIKASI LAPORAN PENELITIAN ...
ii
PERNYATAAN ORISINALITAS LAPORAN PENELITIAN ...
iii
PRAKATA
... iv
ABSTRAK ...
vi
ABSTRACT ...
vii
DAF
TAR ISI
...
viii
DAFTAR GAMBAR
...
xi
DAFTAR TABEL
...
xii
DAFTAR KODE
...
xiii
BAB I
...
1
PENDAHULUAN
...
1
1.1 Latar Belakang ... 1
1.2Rumusan Masalah ... 2
1.3Tujuan ... 2
1.4Batasan Masalah ... 2
1.5Sistematika Penyajian ... 2
BAB II
... 3
LANDASAN TEORI ... 3
2.1 Marketing Automation ... 3
2.2 Cross Selling ... 3
2.3 Penggalian Data (Data Mining) ... 3
2.4 Gudang Data (Data Warehouse) ... 4
2.4.1 Skema Data Warehouse ... 4
2.4.1.1 Skema Star ... 5
2.4.1.2 Skema Snowflakes ... 5
2.6 Association Rules Mining ... 6
2.7WEKA ... 9
BAB III
... 10
ANALISIS DAN DESAIN
... 10
3.1Analisis ... 10
3.1.1Kerangka Analisis ... 10
3.1.2Pemilihan Data ... 11
3.1.3 Preproses Data ... 11
3.1.4 Data Warehousing ... 13
3.1.4.1 Entity Relationship Diagram(ERD) ... 13
3.1.4.2 Pemodelan Data Warehouse ... 13
3.1.5. Penggalian Data ... 14
3.1.5.1Perhitungan Manual ... 14
3.1.5.1.1 Analisis Nilai Support Item danItemset ... 15
3.1.5.1.2 Analisis Frequent Itemset ... 23
3.1.5.1.3Analisis Nilai Confidence dan Association Rules ... 24
3.1.5.2Menggunakan WEKA ... 27
3.1.5.2.1Pembentukan Dataset ... 27
3.1.5.2.2 Dataset Filtering ... 28
3.1.5.2.3Association Rules Mining ... 29
3.2Gambaran Keseluruhan Aplikasi ... 30
3.2.1 Persyaratan Antarmuka Eksternal ... 30
3.2.2Antarmuka Perangkat Keras ... 30
3.2.3Antarmuka Perangkat Lunak ... 31
3.2.4 Fitur –Fitur Produk Perangkat Lunak ... 31
3.2.4.1 Fitur Menampilkan Kemungkinan Cross-selldari 1Masukan ... 31
3.2.4.1.1Tujuan ... 31
3.2.4.1.2Urutan Stimulus / Respon ... 31
3.2.4.1.3Persyaratan Fungsional yang Berhubungan ... 31
3.2.4.2 Fitur Menampilkan Kemungkinan Cross-selldari 2 Masukan ... 32
3.2.4.2.1Tujuan ... 32
3.2.4.2.2 Urutan Stimulus /Respon ... 32
3.2.4.2.3Persyaratan Fungsional yang Berhubungan ... 32
3.2.5Disain Antarmuka Pengguna ... 33
3.2.5.1 Halaman 1 Input (2 item) ... 33
Universitas Kristen Maranatha
x
BAB IV
...
36
PENGEMBANGAN PERANGKAT LUNAK
...
36
4.1 Implementasi Class/ Modul ... 36
4.1.1 Kelas AnalisisWEKA ... 36
4.1.2 Kelas AnalisisManual ... 37
4.1.3 Kelas ComboValue ... 37
4.2 Implementasi Data Warehouse ... 37
4.2.1Tabel tbTransaksi ... 37
4.2.2Tabel tbBarang ... 38
4.2.3Tabel tbKategori ... 38
4.2.4Tabel tbMerk ... 39
4.2.5Tabel tbSupplier ... 39
4.2.6Tabel tbAnalisis ... 39
4.3Implementasi Antarmuka ... 39
4.3.1 Halaman 1 Input (2 Item) ... 40
4.3.2 Halaman 2 Input (3 Item) ... 43
BAB V
...
47
TESTING DAN EVALUASI SISTEM
...
47
5.1 Rencana Pengujian ... 47
5.2 Pelaksanaan Pengujian ... 47
5.2.1 Pengujian Halaman 1 Input (2 Item) ... 47
5.2.2 Pengujian Halaman 2 Input (3 Item) ... 49
BAB VI ...
51
KESIMPULAN DAN SARAN
...
51
6.1 Kesimpulan ... 51
6.2 Saran ... 51
DAFTAR GAMBAR
Gambar 2.1 Contoh skema
star
... 5
Gambar 2.2 Contoh skema
snowflakes
... 6
Gambar
3.1
Kerangka penelitian
...
10
Gambar
3.2
Contoh data transaksi dengan jumlah barang minus
...
12
Gambar
3.3
Contoh data transaksi dengan kode barang tidak sesuai format
...
12
Gambar 3.4 ERD
data warehouse ... 13
Gambar 3.5 Skema
Star data warehouse
sistem ...
14
Gambar 3.6 Screenshot
tahapan pembentukan dataset pada WEKA
... 28
Gambar 3.7 Screenshot
dataset sebelum dikonversi pada WEKA
... 28
Gambar 3.8
Screenshot dataset sesudah dikonversi pada WEKA
... 29
Gambar 3.9
Screenshot association rules mining pada WEKA
... 30
Gambar 3.10
Desain halaman
1
Input
...
33
Gambar
3.11
Desain halaman
2
Input
...
34
Gambar 4.1 Implementasi
class
aplikasi
... 36
Gambar 4.2 Implementasi
data warehouse ... 37
Gambar 4.3
Hasil implementasi halaman
1
Input sebelum data diolah
...
40
Gambar
4.4
Hasil implementasi halaman
1
Input sesudah data diolah
...
40
Gambar 4.5 Hasil implementasi
halaman
2
Input sebelum data diolah
...
43
Universitas Kristen Maranatha
xii
DAFTAR TABEL
Tabel
2.1
Contoh data transaksi
... 7
Tabel 2.2 Contoh hasil nilai
support
... 7
Tabel 2.3 Contoh hasil association rules
...
8
Tabel
3.1
Contoh data transaksi
...
14
Tabel 3.2 Nilai
support setiap
item
... 16
Tabel 3.3 Nilai
support itemset
... 16
Tabel 3.4 Hasil analisis
frequent itemset
... 23
Tabel 3.5
Hasil analisis nilai confidence
...
24
Tabel 3.6
Association rules yang valid
... 26
Tabel
4.1
Deskripsi tabel tbTransaksi
...
38
Tabel
4.2
Deskripsi tabel tbBarang
... 38
Tabel 4.3 Deskripsi tabel t
bKategori
... 38
Tabel
4.4
Deskripsi tabel tbMerk
... 39
Tabel 4.5 Deskripsi
tabel tbSupplier
...
39
Tabel
4.6
Deskripsi tabel tbAnalisis
... 39
Tabel 5
.1 Tabel rencana pengujian
... 47
Tabel 5.2 Tabel pengujian halaman 1 input (2
item
)
... 48
Tabel 5.3 Tabel pengujian data halaman 1 input (2
item
)
...
48
Tabel 5.4 Tabel pengujian halaman 2 input (3
item
)
... 49
DAFTAR KODE
Potongan kode 4.1 Halaman 1 input (2
item
)
...
41
Potongan kode 4.2 Halaman 1 input (2
item
)
...
42
Potongan kode 4.3 Halaman 2 Input (3
Item
)
...
44
Potongan
kode 4.4 Halaman 2 Input (3
Item
)
... 45
Universitas Kristen Maranatha
51
BAB VI
KESIMPULAN
DAN SARAN
Pada bab ini akan dibahas mengenai hasil kesimpulan dan saran dari
penerapan association rules pada analisis keranjang pasar dalam penentuan
cross-selling produk.
6.1 Kesimpulan
Kesimpulan yang dicapai dalam pembuatan aplikasi ini adalah :
1.
Dari 54164 data transaksi tidak ada kemungkinan yang terbentuk apabila
nilai minimum support lebih besar dari 5% dan
nilai minimum confidence
lebih besar dari 65%
2.
aturan – aturan yang dihasilkan dari penerapan
market basket analysis
dapat digunakan sebagai acuan dalam penentuan cross-selling produk.
6.2 Saran
Pembuatan aplikasi untuk menerapkan
market basket analysis dalam
penentuan
cross-selling produk masih berbasis
desktop
saja. Selain dapat
dikembangkan dengan perangkat lain, sebaiknya aplikasi ini ditambah fitur
analisis
data mining yang lain. Sehingga informasi yang didapatkan lebih
DAFTAR
PUSTAKA
Chasin, J. (2003).
Implementation of A Cross
-
Selling S
trategy for A Large
Midwestern Healthcare Equipment Company.
Illnois: Southern Illinois University
Carbondale.
Rouse, M. (2007, March 3).
What is marketing automation
. Dipetik October 3,
2013, dari TechTarget: http://searchcrm.techtarget.com/definition/marketing
-automation
Cohen, M. (2004, June). Exploiting response model
-
optimizing cross
-
sell and
up
-
sell opportunities in banking. Information Systems
, 327
-
341.
Olson, D., & Shi, Y. (2008).
Pengantar Ilmu Penggalian Data Bisnis.
Jakarta:
Salemba Empat.
Kantardzic, M. (2011).
Data Mining Concepts Models, Methods, and Algorithms.
New Jersey: John Wiley & Sons.
Ruldeviyani, Y., & Fahrian, M. (2008). Implementasi Algoritma
–
Algoritma
Association Rules Sebagai Bagian dari Pengembangan Data Mining Algorithm
s.
Konferensi Nasional Sistem dan Informatika
, 244
-
248.
Tama, B. A. (2012).
Cross
-
Selling: Perangkat Utama Customer Relationship
Management (CRM) Untuk Meningkatkan Loyalitas Pelanggan.
Universitas
Sriwijaya, Fakultas Ilmu Komputer. Inderalaya: Universitas Sriwijaya.
Agrawal, R., & Srikant, R. (1994). Fast algorithms for mining association rules.
Universitas Kristen Maranatha
53
The University of Waikato. (t.thn.).
How can I use transactional data in Weka?
Dipetik
November
15,
2013,
dari
WEKA
Wikispaces:
http://weka.wikispaces.com/How+can+I+use+transactional+data+in+Weka%3F
The University of Waikato. (t.thn.).
Use Weka in your Ja
va code
. Dipetik
November
15,
2013,
dari
WEKA
Wikispaces:
http://weka.wikispaces.com/Use+WEKA+in+your+Java+code
Emanuel, A. W., Wardoyo, R., Istiyanto, J. E., & Mustofa, K. (2010). Success
Factors of OSS Projects from Sourceforge using Datamining Associat
ion Rule.
The Second International Conference on Distributed Frameworks and
Applications , 141
-
148.
Emanuel, A. W., Wardoyo, R., Istiyanto, J. E., & Mustofa, K. (2010). Success
Rules of OSS Projects using Datamining 3
-
Itemset Association Rules.
Internatio
nal Journal of Computer Science Issue (IJCSI)
, 71
-
80.
Handojo, A., Budi, G. S., & Rulsy, H. (2004).
Aplikasi Data Mining untuk
Meneliti Asosiasi Pembelian Item Barang di Supermarket dengan Metode Market
Basket Analysis.
Univesitas Kristen Petra, Jurusan
Teknik Informatika. Surabaya:
Universitas Kristen Petra.
Kumar, V., & Chadha, A. (2012). Mining Association Rules in Student’s
Assessment Data.
nternational Journal of Computer Science Issues
, 9
, 211
-
216.
M. C., L. C., & D., A. K. (2012). Market Basket Analysis for a Supermarket based
on Frequent Itemset Mining .
International Journal of Computer Science Issues
,
257
-
264.
Hackathorn, R., & Inmon, W. (1994).
Using the data warehouse.
Wiley
-
QED
54
Poe, V., Brobst, S., & Klauer, P. (1997).
Buildin
g a data warehouse for decision
support.
Prentice
-
Hall, Inc.
Putra Handal Indotama. (2009, June 23).
WEKA
-
Data Mining. Dipetik
November 15, 2013, dari Putra Handal Indotama Web site: http://pentaho.phi