1
ANALISA POLA BELANJA KONSUMEN MENGGUNAKAN MOTODE ALGORITMA APRIORI BERBASIS WEB
(STUDI KASUS : BISNIS KULINER SUNRICE PEKANBARU)
Renita Junika, Aidil Fitriansyah
Mahasiswa Program Studi S1 Sistem Informasi Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam Kampus Bina Widya Pekanbaru, 28293, Indonesia
[email protected] ABSTRACT
Data mining is an activity of collecting and processing large data that is used to produce useful information. The data processed in data mining uses a technique that combines data analysis methods with existing algorithms in data mining. Data processing can be used in any aspect of the field, including in the culinary field. Sunrice Pekanbaru is a culinary business that is growing and already has a lot of sales transaction data. The data can be processed using an apriori algorithm by applying the existing association rules in data mining. Existing data from the results of consumer spending patterns can be analyzed using the market basket analysis method. The results of the data processing can be used as a source of information for the marketing in the culinary business of Sunrice Pekanbaru because it can find trends in the combination of itemsets from menus that are frequently purchased by customers.
Keywords : Data Mining, Sunrice Pekanbaru, Apriori Algorithm, Association Rules, Market Basket Analysis, Itemsets
ABSTRAK
Data mining adalah sebuah kegiatan pengumpulan dan pengolahan data berukuran besar yang digunakan untuk menghasilkan sebuah informasi bermanfaat. Data yang diolah dalam data mining menggunakan teknik penggabungan metode-metode analisis data dengan algoritma- algoritma yang ada pada data mining. Pengolahan data dapat digunakan dalam aspek bidang apapun termasuk dalam bidang kuliner. Sunrice Pekanbaru merupakan salah satu bisnis kuliner yang sedang berkembang dan sudah banyak memiliki data transaksi penjualan. Data tersebut dapat diolah menggunakan algoritma apriori dengan menerapkan aturan asosiasi yang ada pada data mining. Data yang ada dari hasil pola belanja konsumen tersebut dapat di analisis menggunakan metode market basket analiysis. Hasil dari pengolahan data tersebut dapat dijadikan sumber informasi untuk proses marketing pada bisnis kuliner Sunrice Pekanbaru karena dapat menemukan kecenderungan pola kombinasi itemsets dari menu yang sering dibeli oleh pelanggan.
Kata kunci : Data mining, Sunrice Pekanbaru, Algoritma Apriori, Aturan Asosiasi, Market Basket Analysis, Itemsets
2 PENDAHULUAN
Inovasi dalam bidang teknologi informasi pada sebuah bisnis dapat membantu dalam peningkatan penjualan. Hal tersebut dapat dilakukan dengan mengetahui kondisi pasar pelanggan, dengan cara mengamati dan menganalisis data transaksi penjualan serta kebiasaan transaksi pelanggan.
Sunrice Pekanbaru adalah salah satu bisnis kuliner yang telah berkembang dalam pengelolaan pemasarannya. Pada bisnis kuliner sunrice Pekanbaru, telah terjadi banyak transaksi penjualan dan menghasilkan banyak data. Data tersebut dapat diolah menggunakan algoritma apriori agar menghasilkan pengetahuan atau informasi yang dapat digunakan sebagai bahan manajemen marketing pada bisnis kuliner sunrice tersebut. Dengan penerapan data mining di dalam pengolahan data tersebut diharapkan dapat membantu proses pencarian informasi yang bermanfaat mengenai pola pembelian oleh setiap konsumen.
LANDASAN TEORI
a. Teknik Pengumpulan Data
Pengumpulan data memiliki tujuan untuk mendapatkan informasi dalam menyelesaikan penelitian dan pembuatan sistem. Teknik pengumpulan data yang digunakan dalam penelitian ini adalah dengan cara wawancara. Wawancara dilakukan langsung antara peneliti dengan pemilik bisnis kuliner sunrice Pekanbaru yaitu Yulina Rahma, S.E. Dengan dilakukannya wawancara tersebut maka mendapatkan hasil data penjualan yang sudah ada dari bisnis kuliner sunrice Pekanbaru yang diambil dalam kurun waktu mulai bulan April 2022 sampai dengan Juni 2022.
Wawancara tersebut juga membahas mengenai informasi tentang data produk yang sering dibeli oleh konsumen dan bagaimana pola belanja dari konsumen selama ini. Pola belanja tersebutlah yang akan di analisis menggunakan algoritma apriori yang bertujuan untuk menemukan barang yang sering dibeli.
Data dan informasi yang dikumpulkan dalam penelitian ini tidak hanya bersumber dari bisnis kuliner sunrice itu saja, tetapi informasi-informasi yang digunakan untuk penelitian ini juga di dapatkan dari jurnal-jurnal, buku-buku, dan penelitian terdahulu untuk melengkapi teori dalam pembahasan pada penelitian ini.
b. Data Mining
Data mining, atau sering juga disebut dengan knowledge discovery in database (KDD) adalah teknik penggabungan metode-metode analisis data secara berkesinambungan dengan algoritma-algoritma untuk memproses data berukuran besar. Kagiatan yang meliputi pengumpulan dan pengolahan data ini digunakan untuk menemukan pola keteraturan pada hubungan dalam data yang berukuran besar yang akan menghasilkan informasi yang bermanfaat untuk pengambilan keputusan.(Badrul, 2016)
Tahapan data mining merupakan bagian dari proses pencarian pengetahuan yang mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesa yang ada sebelumnya. Adapun beberapa tahapan yang dilalui data mining adalah sebagai berikut : (Sulianta, 2010)
1. Precise Statement Of The Problem
Mendefinisikan permasalahan yang ingin diketahui disini bermaksud menemukan pertanyaan sebuah masalah yang perlu dijawab menggunakan data mining dengan melibatkan jenis
3 aktivitas yang dibutuhkan. Contohnya seorang nasabah yang berpotensi memiliki rekening expired karna lama tidak digunakan.
2. Initial Exploration
Initial exploration adalah sebuah tahapan untuk mempersiapkan data yang menjadi sumber untuk data mining berupa data cleaning untuk mempelajari polanya. Maksudnya disini yaitu mempersiapkan data untuk diolah ke langkah selanjutnya. Langkah-langkah tersebut ialah pembersihan data, integrasi data, transformasi data, aplikasi teknik data mining, evaluasi pola yang ditemukan, dan yang terakhir presentasi pengetahuan.
3. Model Building and Validation
Model building and validation merupakan tahapan yang memberikan prediksi akurat pada data mining. Dimana data selesai dengan tahapan langkah-langkah untuk selanjutnya dilakukan uji atau validasi keakuratannya terhadap data testing.
4. Deployment
Tahapan ini adalah proses memilih aplikasi yang tepat terhadap data mining untuk membuat prediksi.
Berikut adalah gambar dari tahapan data mining :
Gambar 2.1 Tahapan Data Mining
c. Association Rule
Aturan asosisasi atau biasa disebut juga dengan analisis keranjang belanja (market basket analysis) adalah teknik data mining untuk menemukan pola asosiasi antara suatu kombinasi item.
Aturan asosiasi ini umumnya bersifat if-then yang berfungsi untuk memeriksa semua kemungkinan yang berhubungan antar tiap item. Hasil dari proses ini adalah sejumlah itemset dengan nilai support lebih besar atau sama dengan minimum support yang diberikan. (Listriani et al., 2018)
Dalam penelitian ini aturan asosiasi digunakan untuk melakukan pencarian frequent itemset menggunakan algoritma apriori untuk menentukan nilai support. Peneliti akan menetapkan nilai minimum support sebesar 1% dan maksimum support sebesar 30% untuk membatasi nilai support yang ditemukan untuk proses selanjutnya. Penentuan nilai tersebut menggunakan algoritma apriori dari aturan asosiasi yang telah menetapkan persamaan- persamaan untuk menghitung nilai-nilai dari itemset.
4 d. Market Basket Analysis
Market basket analysis adalah suatu metode analisa atas perilaku konsumen secara spesifik dari suatu golongan/kelompok tertentu. Market Basket Analysis umumnya dimanfaatkan sebagai titik awal pencarian pengetahuan dari suatu transaksi data ketika kita tidak mengetahui pola spesifik apa yang kita cari (Gunadi & Sensuse, 2012). Teknik analisa keranjang pasar ini merupakan teknik yang mengadaptasi ilmu data mining. Teknik ini digunakan untuk merancang suatu strategi penjualan dan pemasaran barang melalui proses pencarian asosiasi atau hubungan antar item data dari suatu basis data relasional.
Market Basket Analysis bertujuan untuk mengetahui hubungan antar produk yang dibeli oleh konsumen dalam satu kali transaksi. Market basket analysis merupakan salah satu bahasan dalam data mining. Dalam Market basket analysis dibutuhkan data transaksi yang cukup besar sehingga pola hubungan antar produk yang didapat semakin valid. Pola hubungan antar produk ini berupa Interesting Rules. Market basket analysis memberikan informasi produk apa saja yang sering dibeli oleh konsumen secara bersamaan. Contohnya jika seorang konsumen membeli senter, maka ia juga akan membeli baterai. Informasi-informasi inilah yang digali dari data mining dengan Market basket analysis. Produk-produk yang sering dibeli secara bersamaan dapat ditempatkan secara berdekatan sehingga konsumen dapat dengan mudah menemukan apa yang konsumen itu cari. Dengan demikian para konsumen akan merasa puas dan penjualan juga akan meningkat.
e. Algoritma Apriori
Algoritma apriori atau sering disebut juga dengan analisis asosiasi (association rule mining) adalah teknik data mining yang digunakan untuk menemukan aturan asosiasi antara suatu kombinasi item. Suatu asosiasi dapat diketahui dengan dua tolak ukur, yaitu : support dan confidence. Support (nilai penunjang) adalah persentase kombinasi item dalam database, sedangkan confidence (nilai kepastian) adalah kuatnya hubungan antar item dalam aturan asosiasi.(Kusrini, 2009)
Berdasarkan konvensi, nilai support dan nilai confidence adalah nilai antara 0% sampai 100% sebanding dengan 0 sampai 1,0. Nilai min_support dan min_confidence ditentukan melalui proses pengamatan dari berapa kali percobaan pada database yang digunakan. Penentuan min_support di lihat dari jumlah item yang terbentuk dari suatu kombinasi, atau bisa ditentukan dari jumlah nilai support yang terbentuk dari kombinasi item yang terbentuk. Nilai min_confidence ditentukan untuk memenuhi pola asosiasi dari hasil aturan yang terbaik dari hasil proses nilai support.(Adie et al., 2016)
Cara kerja dari algoritma apriori itu sendiri adalah sebagai berikut (Ariant, Erfina &
Destria Arianti, 2020) :
1. Tentukan minimum support.
2. Hitung item-item dari support. Setelah itemset didapatkan maka 1-itemset tersebut akan menjadi pola frekuensi tinggi.
3. Tetapkan nilai k-itemset dari support yang telah memenuhi minimum support dari k-itemset untuk mendapatkan nilai confidence.
f. Tahap Asosiasi Algoritma Apriori
Secara umum dalam pembentukan pola asosiasi oleh algoritma apriori ada dua tahapan yaitu pertama, mencari frequent itemset (himpunan item yang memenuhi nilai minimum support).
Kedua, membentuk pola asosiasi dari frequent itemset yang telah didapat dengan menggunakan
5 nilai confidence. Nilai support dari itemset {A,B} dihitung dengan menggunakan persamaan 1 berikut (Badrul, 2016) :
∑ ………..………..…. (1)
Sementara, nilai support dari 2 item diperoleh dengan menggunakan persamaan berikut : ∑
∑ ……….….…… (2)
Menentukan strong rule dari frequent itemset. Hasil dari proses ini adalah semua rule yang memenuhi minimum support dan minimum confidence dari suatu kandidat rule A-B dihitung dengan menggunakan persamaan 3.
∑
∑ ……….…………... (3)
Untuk menentukan aturan asosiasi yang akan dipilih maka harus diurutkan berdasarkan Support x Confidence. Aturan diambil sebanyak n aturan yang memiliki hasil terbesar.
HASIL DAN PEMBAHASAN
a. Proses Data
Proses pengolahan data pada penelitian ini menggunakan algoritma apriori dari aturan asosiasi dalam teknik data mining. Setelah data didapatkan dari proses wawancara yang dilakukan, maka didapatkan data transaksi penjualan pada bisnis kuliner sunrice Pekanbaru sebanyak 5676 data pada bulan April sampai juni 2022. Kemudian data tersebut dilakukan preprocessing agar menghasilkan data yang akurat dan mudah dianalisis untuk proses selanjutnya. Berikut adalah data hasil preprocessing :
Tabel 1. Jumlah Data Hasil Preprocessing Bulan Jumlah
April 1684
Mei 882
Juni 1627
TOTAL 4193
Atribut yang terbentuk setelah setelah data dilakukan preprocessing adalah atribut ID Transaksi, Tanggal, dan Jumlah Orderan. Berikut adalah data transaksi yang di dapat :
Tabel 2. Data Setelah Preprocessing
NO ID TRX TANGGAL ORDERAN
1 17414UAZ 23-06-2022 Spicy Cheese Chicken Rice, Buttermilk Chicken Rice 2 174149JF 23-06-2022 Spicy Chicken Rice, Orange Squash
3 174141UD 23-06-2022 6 WINGS
4 17414U0D 23-06-2022 Spicy Cheese Chicken Rice
…
…
4193 14917L65 01-04-2022 Nashville Chicken Rice
6 Data yang didapat untuk selanjutnya akan dilakukan proses perhitungan. Perhitungan akan lebih mudah apabila digunakan bentuk perhitungan biner (format tabular) dengan memisahkan setiap item/produk dengan kolom dan menghitung jumlah item setiap transaksi.
b. Perhitungan Nilai Itemset
Hasil dari pembentukan nilai itemset ini akan di batasi dengan minimum support yang sudah di sepakati yaitu 1%. Perhitungan nilai support tersebut adalah sebagai berikut :
Begitu seterusnya proses perhitungan berlanjut sampai ditemukannya nilai 1-itemset dari semua item-item yang ada. Berikut adalah hasil dari perhitungan dalam bentuk tabel :
Tabel 3. Hasil Perhitungan 1-itemset
KODE ITEM FREK. Support
A1 BBQ Chicken Rice 1015 24.21%
A2 Spicy Chicken Rice 873 20.82%
A3 Sambal Matah Chicken Rice 441 10.52%
A4 Cajun Chicken Rice 458 10.92%
A5 Nashville Chicken Rice 211 5.03%
A6 Buttermilk Chicken Rice 392 9.35%
Setelah dilakukan perhitungan maka terbentuk nilai support, dan didapat 6 data dari dua kombinasi produk yang memenuhi nilai minimum support yang ditentukan yaitu 1%.
Perhitungan dihentikan sampai frequent 2-itemset saja. Hal itu disebabkan pada perhitungan frequent 3-itemset dan seterusnya tiap kandidat itemset tidak memenuhi nilai minimum support yang telah ditentukan. Maka dari itu perhitungan dilanjutkan pada pembentukan pola asosiasi.
c. Pembentukan Pola Asosiasi
Pembentukan pola asosiasi dilakukan setelah pencarian pola frekuensi tinggi. Dimana hasilnya adalah dari pencarian nilai confidence yang memenuhi nilai minimum support dan nilai minimum confidence. Berikut adalah perhitungan nilai confidence :
( ) 1
1 1 x 100% = 13,00%
( )
1 1 x 100% = 5,22%
( ) 1
1 1 x 100% = 21,58%
( )
1 1 x 100% = 4,14%
( ) 1
x 100% = 20,39%
( ) 1
x 100% = 18,11%
7 Berikut adalah hasil perhitungan nilai confidence dalam bentuk tabel :
Tabel 6. Hasil Perhitungan Nilai Confidence ATRIBUT FREK. Support Confidence
A1, A2 132 3.15% 13.00%
A1, A3 53 1.26% 5.22%
A1, A7 219 5.22% 21.58%
A1, A26 42 1.00% 4.14%
A2, A22 178 4.25% 20.39%
A6, A7 71 1.69% 18.11%
Setelah didapat nilai perhitungan confidence, maka selanjutnya adalah pembentukan pola asosiasi. Dimana pembentukan pola tersebut menghasilkan hubungan kombinasi tiap itemset pada setiap data transaksi. Untuk melakukan pembentukan pola asosiasi pada penilitian ini, peniliti akan menetapkan nilai minimum confidence sebesar 5%. Maka pada hasil perhitungan nilai confidence yang terdapat pada tabel 6 diatas merupakan hasil akhir untuk pembentukan pola asosiasi yang diinginkan karena nilai confidence dari tiap itemset yang ada memenuhi nilai minimum confidence yang telah di tentukan. Berikut adalah hasil pembentukan pola asosiasi dalam bentuk tabel :
Tabel 7. Pembentukan Pola Asosiasi
NO ITEMSET POLA ASOSIASI
1 A1, A2 Jika membeli BBQ Chicken Rice, maka akan membeli Spicy Chicken Rice
2 A1, A3 Jika membeli BBQ Chicken Rice, maka akan membeli Sambal Matah Chicken Rice
3 A1, A7 Jika membeli BBQ Chicken Rice, maka akan membeli Spicy Cheese Chicken Rice
4 A2, A22 Jika membeli Spicy Chicken Rice, maka akan membeli Orange Squash
5 A6, A7 Jika membeli Buttermilk Chicken Rice, maka akan membeli Spicy Cheese Chicken Rice
d. Implementasi
Implementasi dalam penelitian ini diartikan sebagai pembuatan sebuah sistem yang telah di desain sebelumnya. Sistem tersebut berupa sistem perhitungan apriori berbasis web yang di desain menggunakan UML (Unified Modelling Language) untuk menentukan pola belanja konsumen pada bisnis kuliner sunrice Pekanbaru.
Pada halaman login, owner sebagai user harus memasukkan data berupa email address dan password. Setelah data yang dimasukkan berhasil login, maka selanjutnya akan masuk ke halaman home pada sistem. Berikut adalah tampilannya :
8 Gambar 1. Tampilan Halaman Login
Halaman home menampilkan profil dari sistem bisnis kuliner sunrice. Halaman ini juga menampilkan jumlah data produk, data transaksi, dan riwayat hitung yang sudah di proses sebelumnya. Berikut adalah tampilannya :
Gambar 2. Tampilan Halaman Home
Tampilan data sunrice pada dashboard menampilkan halaman data produk dan data transaksi. Berikut adalah tampilannya :
9 Gambar 3. Tampilan Halaman Data Sunrice
Halaman hitung apriori menampilkan proses hitung apriori pada sistem. Proses yang harus dilakukan oleh user adalah menentukan data transaksi yang akan di hitung terlebih dahulu dengan menentukan tanggal dari data. Kemudian user menentukan nilai minimum support dan minimum confidence, lalu melakukan proses hitung. Berikut adalah gambar tampilannya :
Gambar 4. Tampilan Halaman Hitung Apriori
Halaman riwayat hitung menampilkan riwayat perhitungan yang dilakukan oleh user yang tersimpan kedalam database system. Berikut adalah tampilannya :
10 Gambar 5. Tampilan Halaman Riwayat Hitung
KESIMPULAN
Berdasarkan hasil analisa pada penilitian yang dilakukan dengan menerapkan algoritma apriori ini, dapat diambil kesimpulan bahwa algoritma apriori ini dapat di implementasikan dengan menggunakan pola asosiasi yaitu market basket analysis pada penjualan bisnis kuliner Sunrice Pekanbaru, karena dapat menemukan kecenderungan pola kombinasi itemsets dari menu yang sering dibeli oleh pelanggan. Hasil tersebut dapat dijadikan sebagai informasi berharga dalam pengambilan keputusan untuk mempersiapkan menu yang akan disajikan kemudian, dan mempersiapkan stock bahan.
UCAPAN TERIMA KASIH
Penulis mengucapkan banyak terima kasih kepada bapak Adil Fitriansya, S.Kom., MIT. selaku dosen pembimbing skripsi yang telah membimbing, meluangkan waktu, memotivasi, dan membantu dalam penelitian serta penulisan karya ilmiah ini.
DAFTAR PUSTAKA
Abdulloh, R. (2018). 7 in 1 Pemrograman Web untuk Pemula (1st ed.). Gramedia.
Adie Wahyudi Oktavia Gama, I Ketut Gede Darma Putra, I. P. A. B. (2016). Implementasi Algoritma Apriori untuk Menemukan Frequent Itemset Dalam Keranjang Belanja.
Teknologi Elektro, 15(2), 27–32.
Ahmia, M., & Belbachir, H. (2018). Sistem Penjualan Berbasis Web (E-Commerce) Pada Tata Distro Kabupaten Pacitan. Indian Journal of Pure and Applied Mathematics, 49(3), 549–
557.
Ariant, Erfina, A., & Destria Arianti, N. (2020). Penerapan Metode Data mining Terhadap Data Transaksi Penjualan Menggunakan Algoritma Apriori (Studi Kasus: Toko Fasentro Fancy).
Jursistekni.Nusaputra.Ac.Id, 2(3), 14–22. Badrul, M. (2016). Algoritma Asosiasi Dengan Algoritma Apriori Untuk Analisa Data Penjualan. Jurnal Pilar Nusa Mandiri, XII(2), 121–
11 129. http://ejournal.nusamandiri.ac.id/index.php/pilar/article/view/266
Ciptayani, N. R. A. H. P. I. (2018). Aplikasi Pembelajaran Bahasa Pemrograman Berbasis Web.
Just TI, 10, 21–23.
Gunadi, G., & Sensuse, D. I. (2012). Penerapan Metode Data mining Market Basket Analysis Terhadap Data Penjualan Produk Buku Dengan Menggunakan Algoritma Apriori Dan Frequent Pattern Growth ( Fp-G ow ) : Telematika, 4(1), 118–132.
Kurniawan, T. A. (2018). Pemodelan Use Case (UML): Evaluasi Terhadap beberapa Kesalahan dalam Praktik. Jurnal Teknologi Informasi Dan Ilmu Komputer, 5(1), 77.
https://doi.org/10.25126/jtiik.201851610
Kusrini, E. T. L. (2009). Algoritma Data mining (T. A. Prabawati (ed.); 1st ed.). Yogyakarta:
Andi Offset.
Listriani, D., Setyaningrum, A. H., & Eka, F. (2018). Penerapan Metode Asosiasi Menggunakan Algoritma Priori Pada Aplikasi Analisa Pola Belanja Konsuman (Studi Kasus Toko Buku Gramedia Bintaro). Jurnal Teknik Informatika, 9(2), 120–127.
https://doi.org/10.15408/jti.v9i2.5602
Nababan, L. H. M. E. B. (2015). Pengembangan Algoritma Apriori Untuk Pengambilan Keputusan. Jurnal Teknologi Informasi Dan Komunikasi, 4(2), 110–121.
Nugroho, I., Listiyono, H., & Anwar, sariyun naja. (2017). Perancangan Unified Modelling Languageaplikasi Sarana Prasarana Pendukung Pariwisata Kota Semarang. Proceeding SENDI, 2(1), 90–95.
Reza, K. T. H. S. B. (2006). Implementasi Data mining Algoritma Apriori Pada Sistem Persediaan Alat-Alat Kesehatan. Informasi Dan Teknologi Ilmiah (INTI), 66(3), S93-106.
https://doi.org/10.1016/j.ijrobp.2006.07.628
Sulianta, D. J. F. (2010). Data mining : Meramalkan Bisnis Perusahaan. Elex Media Komputindo.
