APPLICATIONS USING DATA MINING ASSOCIATION RULES WITH
PRIORI METHOD FOR ANALYSIS OF DATA ON THE MARKET
BASKET PHARMACY SALES TRANSACTIONS
Leni Meiwati
Undergraduate Program, Information Systems Gunadarma University
http://www.gunadarma.ac.id
Keyword: market basket analysis, association rule, apriori, java ABSTRACT
Along with technological development, growing also in the ability to collect and process data. Therefore we need an application that is able to pick and choose the data that large, so as to obtain useful information. Application of data mining in business management, production control, and market analysis for example, allows obtaining the relationship that can be used to increase sales, or management of resources better. One technique used in data mining is market basket analysis techniques. This technique aims to discover patterns of products are often purchased together or tend to appear together in a transaction.
This research aims to create a apikasi data mining using association rules with a priori method as market basket analysis techniques. The data is taken as an example the case of sales transaction data in the pharmacy sector in Perumnas 1. The results of association rules obtained in the form of a combination of drugs that are often purchased by consumers. From these results expected to assist pharmacy management to design a marketing strategy in apoteknya drug. Search this association using Java software and storage media supported by Microsoft Access database that could facilitate users of the aplication.
ABSTRAKSI
Seiring dengan perkembangan teknologi, semakin berkembang pula kemampuan dalam mengumpulkan dan mengolah data. Oleh karena itu diperlukan sebuah aplikasi yang mampu memilah dan memilih data yang besar, sehingga dapat diperoleh informasi yang berguna. Aplikasi data mining pada pengelolaan bisnis, pengendalian produksi, dan analisa pasar misalnya, memungkinkan diperolehnya hubungan yang dapat dimanfaatkan untuk peningkatan penjualan, atau pengelolaan sumber daya dengan lebih baik. Salah satu teknik data mining yang digunakan adalah teknik analisis keranjang pasar. Teknik ini bertujuan untuk menemukan pola berupa produk-produk yang sering dibeli bersamaan atau cenderung muncul bersama dalam sebuah transaksi.
Penelitian ini bertujuan untuk membuat sebuah apikasi data mining menggunakan aturan asosiasi dengan metode apriori sebagai teknik analisis keranjang pasarnya. Data yang diambil sebagai contoh kasus adalah data transaksi penjualan disuatu apotek di Perumnas 1. Hasil dari aturan asosiasi yang didapat yaitu berupa kombinasi dari jenis obat yang sering dibeli oleh konsumen. Dari hasil tersebut diharapkan dapat membantu manajemen apotek untuk merancang strategi pemasaran obat di apoteknya. Pencarian asosiasi ini menggunakan perangkat lunak Java dan didukung oleh media penyimpanan database Microsoft Access yang dapat memudahkan pengguna aplikasi.
Kata kunci : analisis keranjang pasar,aturan asosiasi, apriori, java. 1. Pendahuluan
Latar Belakang
Seiring dengan perkembangan teknologi, semakin berkembang pula kemampuan dalam mengumpulkan dan mengolah data. Oleh karena itu diperlukan sebuah aplikasi yang mampu memilah dan memilih data yang besar, sehingga dapat diperoleh informasi yang berguna bagi penggunanya. Aplikasi data mining pada pengelolaan bisnis, pengendalian produksi, dan analisa pasar misalnya, memungkinkan diperolehnya hubungan
yang dapat dimanfaatkan untuk peningkatan penjualan, atau pengelolaan sumber daya dengan lebih baik.
Banyaknya persaingan dunia bisnis khususnya dalam industri apotek, menuntut para pengembang untuk menemukan suatu strategi yang dapat meningkatkan penjualan. Untuk meningkatkan penjualan produk-produknya, pihak manajemen dari apotek harus melakukan berbagai kebijkan-kebijakan dengan tujuan menarik para konsumen untuk membeli di apotek
mereka. Namun untuk melakukan kebijakan tersebut pihak manajemen harus mengetahui terlebih dahulu tentang kebiasaan para konsumen. Untuk mengetahui obat-obat apa saja yang dibeli oleh para konsumen dapat dilakukan dengan menggunakan analisis keranjang pasar yaitu analisis dari kebiasaan membeli konsumen. Pendeteksian mengenai obat-obat yang sering terbeli secara bersamaan disebut association rules (aturan asosiasi). Proses pencarian asosiasi ini menggunakan algoritma apriori, yang berfungsi untuk membentuk kandidat kombinasi item yang mungkin, lalu diuji apakah kombinasi tersebut memenuhi parameter support dan confidence minimum yang merupakan nilai ambang yang diberikan oleh user.
Pada penelitian ini, akan dibuat sebuah aplikasi untuk mengelompokkan serta mencari pola dari sebuah produk yang sering muncul bersamaan atau cenderung muncul bersama dalam suatu transaksi yang pada umumnya berjumlah besar menggunakan aplikasi data mining dengan teknik analisa keranjang pasar. Pencarian asosiasi ini menggunakan perangkat lunak Java dan didukung oleh media penyimpanan database Microsoft Access yang dapat memudahkan pengguna aplikasi.
Tujuan Penelitian
Tujuan dari penelitian ini yaitu membuat aplikasi data mining serta menganalisis hasil yang didapat untuk mengetahui aturan asosiasi berupa kombinasi dari jenis obat yang sering dibeli oleh konsumen pada suatu apotek. Dengan aturan asosiasi ini diharapkan dapat membantu manajemen apotek mengetahui kebiasaan membeli konsumen untuk merancang strategi pemasaran di apoteknya.
Metode Penelitian
Data penelitian diperoleh dari suatu apotek di Perumnas 1 dengan mengumpulkan data transaksi penjualan resep obat selama dua bulan yaitu bulan Maret dan April. Data tersebut berupa data jenis obat yang terdiri dari 31 jenis obat dan 554 buah nama obat beserta kode obatnya. Obat yang ada pada data transaksi dikelompokkan berdasarkan jenis obat. Proses ini dilakukan karena obat-obat pada data transaksi penjualan yang sangat beragam sehingga menjadikannya lebih khusus sesuai dengan kategorinya yaitu jenis obat. Data diproses dengan menggunakan konsep analisis keranjang pasar dengan algoritma apriori untuk mendapatkan aturan asosiasi. Pencarian aturan asosiasi dimulai dengan penginputan data menggunakan Microsoft Access, pengolahan data dengan algoritma menggunakan perangkat lunak Java
sehingga diperoleh asosiasi antar item dari suatu basis data transaksi yang memenuhi minimum support dan confidence yang diberikan user.
2. Tinjauan Pustaka
Analisis Keranjang Belanja (Market
Basket Analysis)
Analisis keranjang belanja merupakan sebuah analisis terhadap kebiasaan berbelanja customer[4]. Analisis dilakukan dengan menemukan hubungan antara barang-barang yang telah dibeli. Proses analisis dilakukan dengan memasukkan data pembelian berupa barang-barang yang dibeli biasanya didapat dari nota pembelian. Data keranjang pasar analisis untuk
mendapatkan aturan asosiasi dari kombinasi barang yang ada.
Tabel 2.1 Contoh Transaksi Keranjang Pasar
Analisis Asosiasi (Assocition Analysis) Analisis asosiasi adalah suatu prosedur dalam analisis keranjang pasar untuk menemukan aturan asosiasi yang memenuhi syarat minimum support dan minimum confidence.
Support Count
Support count adalah banyaknya itemset yang sama muncul secara bersamaan pada suatu data transaksi keranjang pasar. Secara umum, aturan asosiasi terdiri dari anteseden dan konsekuen (anteseden X konsekuen Y). Sebagai contoh dari aturan asosiasi adalah {ekspektoran, antibiotik} {vitamin&mineral}, dimana ekspektoran dan antibiotik disebut anteseden dan vitamin&mineral adalah konsekuen.
Aturan Asosiasi (Association Rule) Aturan asosiasi[5] digunakan untuk menemukan hubungan antar barang dari suatu data yang disediakan. Aturan No Trx Jenis Obat 1 {antibiotik, ekspektoran} 2 {antibiotik, vitamin&mineral, hemostatik, psikofarmaka} 3 {ekspektoran, vitamin&mineral, hemostatik} 4 {antibiotik, ekspektoran, vitamin&mineral, hemostatik} 5 {antibiotik, ekspektoran, vitamin&mineral} 6 {antibiotik, ekspektoran, psikofarmaka} 7 { psikofarmaka }
asosiasi diolah dari yaitu n atribut (barang) {a1, a2, …, an} dan k transaksi
(instance). Aturan asosiasi dinyatakan dengan (x y), dimana y {a1, a2, …, ax},
y≠ Ø, dan x ∩ y = Ø.
Support
Support adalah suatu ukuran yang menunjukkan seberapa besar tingkat dominasi suatu barang atau itemset dari keseluruhan transaksi[5]. Berikut adalah contoh perhitungan support dari salah satu transaksi yang diambil dari tabel 2.1.
Support, s(x y) = = , & , = = 0,3 Confidence
Confidence adalah suatu ukuran
yang menunjukkan hubungan kondisional antar dua barang (misal seberapa sering barang B dibeli jika orang yang membeli barang A). seluruhan transaksi. Berikut adalah contoh perhitungan confidence dari salah satu transaksi yang diambil dari tabel 2.1. Confidence, ć (x y) = = , & , = = 0,67 Algoritma Apriori
Algoritma apriori [3] adalah algoritma yang paling terkenal untuk menemukan pola frekuensi tinggi. Arti apriori secara umum adalah anggapan atau sikap yang sudah ditentukan sebelum (melihat,menyelidiki) terhadap sesuatu. Algoritma Apriori dibagi menjadi beberapa tahap yang disebut iterasi.
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 subsetnya yang berisi k-1 item tidak termasuk dalam pola frekuensi tinggi dengan panjang k-1.
2. Perhitungan support dari tiap kandidat k-itemset. Support dari tiap kandidat k-itemset didapat dengan menscan database untuk menghitung jumlah transaksi yang memuat semua item di dalam kandidat k-itemset tersebut. Ini juga merupakan ciri dari algoritma apriori dimana diperlukan perhitungan 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
su m 4. B ti di ta 1 C A p Gamb 3. Pemb Analisis D sistem M algoritma pengguna membuka berisi ditamban dibuat m flow diag 3.1. Pro mengimp lalu dirin level 1 upportnya minimum sup Bila tidak d inggi mak ihentikan. ambah satu d . Contoh dari Apriori dapat ada Gambar bar 2.1 Gamba Ap bahasan sitem Dalam men Market Bas a apriori, a harus dibe a, melihat data tran ng. Berdasar model sisitem gram (DFD) oses penam plementasika nci lebih la dan 2 yan lebih be pport. idapat pola ka seluruh Bila tidak, dan kembali penerapan t diilustrasik r 2.1. ar Ilustrasi A prori nganalisis sket Analys dirumuska ri fitur untuk tabel data saksi) yan rkan analisi m dalam be ) level 0 pad mbangan atu an algoritm anjut ke da ng di tunju esar dari frekuensi h proses maka k i ke bagian algoritma kan seperti Algoritma kebutuhan is dengan an bahwa k memilih, abase(yang ng akan is ini lalu entuk data da Gambar uran yang ma apriori, alam DFD ukan pada Gamb ketera DFD t Peran lunak fungsi mengg DFD secara perang Diagr proses level 2 Gamb bar 3.2 da angan pada tersebut. ncangan Sis Perancang ini me ional ya gunakan Da ini digunak a fisik alur gkat lunak am aliran d s mulai dar 2. bar 3.1 DFD t Gambar n Gambar masing-ma tem gan proses d nggunakan ang dire ata Flow Dia
kan untuk r proses da k yang a data ini men i level 0 sa tingkat 0 (Con r 3.2 DAD lev 3.3 beser asing gamba dari perangk pendekata epresentasika agram (DFD menunjukka an data pad akan dibua njelaskan alu ampai denga ntect Diagram el 1 rta ar kat an an D). an da at. ur an m)
Gambar 3.3 DFD level 1.2
Spesifikasi Hardware dan Software yang digunakan
Dalam melakukan pengujian ini digunakan spesifikasi hardware dan software sebagai berikut:
Spesifikasi Hardware yang digunakan yaitu :
Processor : Intel Core 2 Duo Harddisk : 250 Gb
Memory : 2 Gb
Spesifikasi Software yang digunakan yaitu :
1. Windows XP Professional sebagai sistem operasi. 2. Java sebagai pengolah data.
• JDK1.6.0
• NetBeans IDE 6.8 3. Microsoft Access sebagai
tempat penyimpanan data. Uji Coba dan Analisa
Pengujian pada aplikasi keranjang pasar ini menggunakan 61 buah transaksi yang diambil dari sebuah apotek. Data yang diambil berasal dari transaksi laporan
penjualan selama dua bulan, yaitu bulan Maret dan April. Data tersebut berupa data jenis obat yang terdiri dari 31 jenis obat dan 554 buah nama obat beserta kode obatnya. Data akhir ini disimpan pada database dengan nama ‘transaksi penjualan’. Struktur database untuk data transaksi penjualan dapat dilihat pada tabel 3.1. ID No Transaksi Kode Obat JenisObat 1 1 1 Analgetika 2 1 10 anti parasitic 3 1 17 Antibiotika 4 1 6 anti diabetik oral 5 1 31 vitamin & mineral 6 2 1 analgetika 7 2 17 antibiotika 8 2 18 antitusiv 9 2 19 dekongestan 10 2 29 psikofarmaka 11 2 31 vitamin & mineral 12 3 2 analgietik‐anti piretik
13 3 3 analgetik‐anti radang 14 3 9 anti histamin 15 3 10 anti parasitik 16 3 14 anti TBC 17 3 17 antibiotika 18 3 21 ekspektoran … … … … … … … … 35 0 61 31 Vitamin&minera l
Tabel 3.1 Struktur Database untuk Data Transaksi Penjualan
Setelah proses dijalankan dengan memasukkan nilai support sebesar 20% dan confidence sebesar 30%, maka asosiasi yang memenuhi syarat hanya ada 5 asosiasi yang terbentuk,seperti terlihat pada gambar 3.4. Ke-5 asosiasi tersebut dapat diterjemahkan sebagai berikut :
1. Support 32,786%, artinya 32,786% dari semua transaksi yang dianalisis menunjukkan bahwa anti parasitik dan antibiotika dibeli bersamaan, sedangkan confidence sebesar 86,956% menyatakan tingkat kepercayaan atau dapat dikatakan jika seorang customer membeli jenis obat antibiotika
maka terdapat 86,956% kemungkinan dia akan membeli jenis obat anti parasitik juga.
2. Support 36,06%, artinya 36,06% dari semua transaksi yang dianalisis menunjukkan bahwa anti histamin dan antibiotika dibeli bersamaan, sedangkan confidence sebesar 91,67% menyatakan tingkat kepercayaan atau dapat dikatakan jika seorang customer membeli jenis obat antibiotika maka terdapat 91,67% kemungkinan dia akan membeli jenis obat anti histamin juga.
3. Support 32,79%, artinya 32,79% dari semua transaksi yang dianalisis menunjukkan bahwa antibiotika dan ekspektoran dibeli bersamaan, sedangkan confidence sebesar 41,67% menyatakan tingkat kepercayaan atau dapat dikatakan jika seorang customer membeli jenis obat antibiotika maka terdapat 41,67% kemungkinan dia akan membeli jenis obat ekspektoran juga.
4. Support 32,79%, artinya 32,79% dari semua transaksi yang dianalisis menunjukkan bahwa antibiotika dan vitamin&mineral dibeli bersamaan, sedangkan confidence sebesar 41,67% menyatakan tingkat kepercayaan
atau dapat dikatakan jika seorang customer membeli jenis obat antibiotika maka terdapat 41,67% kemungkinan dia akan membeli jenis obat vitamin&mineral juga. 5. Support 34,43%, artinya 34,43%
dari semua transaksi yang dianalisis menunjukkan bahwa analgetika dan antibiotika dibeli bersamaan, sedangkan confidence sebesar 91,67% menyatakan tingkat kepercayaan atau dapat dikatakan jika seorang customer membeli jenis obat analgetika maka terdapat 91,67% kemungkinan dia akan membeli jenis obat antibiotika juga.
Pengetahuan yang dapat ditarik dari ke-5 aturan asosiasi pada gambar 3.4 adalah sebagai berikut :
• Kesatu, digunakan dalam membantu apotek untuk menyusun layout sebaik mungkin dan sesuai kebutuhan konsumen serta membantu pihak apoteker dalam memudahkan mencari kombinasi obat yang sering di beli. Sebagai contoh (antibiotika Æ anti histamin). Maka analisa yang mungkin didapat adalah kebiasaan pelanggan selain membeli obat antibiotika juga sering kali membeli jenis obat anti histamin secara bersamaan. Sehingga
efeknya pada tata letak apotek adalah letak obat antibiotika tidak jauh dari obat anti histamin.
• Kedua, hasil asosiasi yang didapat juga bias digunakan dalam membantu apotek untuk menetukan keputusan persediaan. Sebagai contoh data yang dipakai adalah (antibiotika Æ anti histamin). Dari data tersebut, dapat diambil kesimpulan seandainya pelanggan biasa membeli obat antibiotika dan anti histamine secara bersamaan, maka apotek setidaknya harus menyediakan kedua obat tersebut dalam jumlah yang lebih banyak dan dengan jumlah yang sama. • Ketiga, digunakan untuk melihat
hubungan antara penjualan satu produk obat dengan produk obat lainnya, misalkan pencarian pola penjualan obat antibiotika sedemikian rupa sehingga kita dapat mengetahui obat apa saja yang juga dibeli oleh pembeli antibiotika. Dengan demikian kita bisa mengetahui bahwa antibiotika sering dikonsumsi oleh banyak masyarakat pada saat mereka sakit dan antibiotika dapat di kombinasikan dengan obat lain sesuai aturan dari dokter atau pihak apoteker.
Gambar 3.4 Tampilan Hasil Proses Data
4. Penutup Kesimpulan
Setelah proses dijalankan dengan memberikan nilai support sebesar 20% dan confidence sebesar 30%, maka asosiasi yang memenuhi syarat hanya ada 5 asosiasi yang terbentuk. Salah satu nilai support dan confidence tertinggi dari aturan asosiasi yang didapat adalah [anti histamine]Î[antibiotika] yaitu dengan nilai support sebesar 36,065% dan nilai confidence 91,667%. Sehingga dapat disimpulkan 91,667% dari seorang konsumen yang membeli obat anti histamine juga membeli obat antibiotika dan 36,065% dari semua konsumen membeli keduanya.
Dari aturan asosiasi yang didapat diharapkan dapat membantu pengembang untuk mengetahui kebiasaan berbelanja masyarakat dan merancang strategi penjualan berdasarkan jenis obat yang tingkat konsumsinya tinggi.
Saran
Dari hasil pengolahan data pada bab sebelumnya, ada beberapa saran atau usul tindakan saran kepada pihak manajemen apotek dalam rangka meningkatkan penjualan, yaitu dapat menambah persediaan obat yang ada sesuai jenis obat apa saja yang sering di beli bersamaan oleh konsumen. Terbatasnya volume data yang digunakan serta penggunaan level confidence dan support yang tinggi akan mempengaruhi hasil asosiasi yang menyebabkan sedikitnya pengetahuan yang diperoleh.
Disarankan dapat dikembangkan dengan menambahkan level confidence dan support yang bervariasi sehingga diperoleh lebih banyak asosiasi antar data yang dapat menyediakan informasi yang bisa ditindaklajuti atau mengandung informasi yang baru yang dapat dimanfaatkan untuk meningkatkan penjualan.
DAFTAR PUSTAKA
[1] Kusrini dan Emha Taufiq Luthfi. 2009. Algoritama Data Mining. ANDI,
Yogyakarta.
[2]Leo Willyanto Santoso. Pembuatan Perangkat Lunak Data Mining Untuk Pengalian Kaidah Asosiasi Menggunakan Metode Apriori. Universitas Kristen Petra
[3] Rido, 2008, Contoh Algoritma Apriori. 14 Agustus 2010. |Online|. Available: http://ridobelajar.files.wordpress.com/2008 /09/contohapriori1.doc
[4] Data mining : Analisis keranjang pasar. 16 Juli 2010. |Online|. Available: http://puslit.petra.ac.id/journals/informatic
[5] Vipin Kumar Pang Ning Tan, Micheal Steinbach, Introdution to Data Mining, edisi ke-1. Pearson Education,2006.
