View of ANALISIS DALAM MENENTUKAN STOK BARANG MASUK DARI SUPPLIER PADA BLIBLI.COM MEDAN MENGGUNAKAN METODE ASSCOATION RULE DENGAN ALGORITMA APRIORI

(1)

603

ANALISIS DALAM MENENTUKAN STOK BARANG MASUK DARI SUPPLIER PADA BLIBLI.COM MEDAN MENGGUNAKAN METODE ASSCOATION RULE DENGAN

ALGORITMA APRIORI

Delima Sitanggang¹⁾, Oktoberto Perangin-angin^1),Esther Mayorita Nababan¹), Meri Natasia Napitupulu¹), Evta Indra¹)

1Fakultas Teknologi dan Ilmu Komputer, Universitas Prima Indonesia, Medan email: [email protected], [email protected], [email protected], [email protected], [email protected]

Abstract

The divisions that support the service production business continue to be developed, so as to provide more benefits for the organizers. One part that continues to be researched is the determination of suppliers of goods for production companies, because a good supplier will not only maximize cooperative relations, but also supply quality raw materials, as well as provide convenience in the process of importing goods. in the previous calculations the minimum support value that had been determined was 3.5%, so the researcher formed 1 itemset where the support value met the percentage in the category (accessories 5.8%), (cigarette 11.4%), (cooking ingredients 23.1%), (electronic 30.9%), (food 28.1%), (gagdet,46.6%), (healthy&beauty 12.4%), and y(kids&baby 4.2%) , in the formation of 2 itemsets where those containing A are combined with those containing item B which fulfill the percentages on (electronics, food 19.3%) , (gadgets, cooking ingredients 23.9%), (gagdet, electronics 37.6%) , and (gagdet, food 19.3%) in the formation of 3 itemsets with support (A,B,C) there is no item value that meets the minimum support value and for the minimum confidence value in this study 40% in the establishment of a rule or association of 2 itemsets that meet confidence (cigarettes, kids baby 52.6%), and (kids babies, accessories 47.6%), for the establishment of a 3 itemset association rule that meets the minimum confidence value (kids babies, electronics, accessories 47.6%), (kids baby, fozen food, accessories 47.6%), (food, gadgets, kids baby 95.2%), (kids baby, fozen food, cooking ingredients 47.6%).

Keywords: Apriori Algorithm, Association rule, stock, data transactions

1. PENDAHULUAN

Perkembangan teknologi informasi saat ini menawarkan berbagai kemudahan terhadap banyak hal, termasuk industri jasa atau produksi [1]–[9]. Pihak penyelenggara ataupun organisasi akan memperoleh keuntungan lebih dari pertumbuhan berkelanjutan komponen pendukung industri jasa produksi [10].

Pembelajaran mesin, klasifikasi pola, statistik, basis data, dan visualisasi semuanya digunakan dalam penambangan data untuk mengekstraksi informasi dari kumpulan data besar. Selain itu, data mining adalah metode untuk mengekstraksi informasi terkait dari kumpulan data besar dengan menemukan pola di dalamnya [11]–[13].

Ketersediaan bahan baku merupakan salah satu faktor penting yang harus diperhatikan agar proses produksi dapat berlangsung. Upaya yang dapat dilihat kukan perusahaan dalam memenuhi kebutuhan bahan baku yaitu bekerja sama dengan supplier [14].

Pertukaran untuk meminta MUA → Premium Delux Paket adalah 41,3% sehingga cenderung diselesaikan dengan menggunakan teknik aturan association rule dan melihat rata-rata setiap kelompok yang berdampak paling besar menggunakan perhitungan yang disimpulkan [15], [16].

Berdasarkan data dari pesanan sebelumnya, algoritma ini membuat kombinasi item dengan nilai frekuensi. Algoritma apriori

(2)

604

adalah algoritma yang paling terkenal untuk menentukan pola frequensi tinggi. Dalam penelitian ini, hasil algoritma apriori dapat digunakan untuk menjadi bahan pertimbangan dalam membuat strategi pemasaran, pengoptimalan penjualan, serta sebagai bahan pertimbangan untuk melakukan penyetokan ulang algoritma apriori adalah salah satu algoritma pada data mining untuk mencari frequent item-item set pada transaksional database. Algoritma apriori pertama kali diperkenalkan oleh Agarwal dan Srikant untuk mencari frequent tertinggi dari suatu database dan sekumpulan data [17]–[21]. Proses normalisasi digunakan untuk menilai signifikasi atribut data dan mengubanya agar sesuai dengan rentang yang ditentukan.

2. METODE PENELITIAN

Penelitian ini akan melalui beberapa tahapan prosedur kerja, adapun prosedur kerja penelitian ini adalah sebagai berikut:

Gambar 1. Prosedur Kerja

Seperti dapat dilihat pada gambar diatas.

Prosedur kerja tersebut diantaranya adalah pra pemrosesan dengan memilih, menormalkan, dan mentransformasikan data yang dilanjutkan dengan menggunakan metode pengumpulan data yang akan digunakan dalam penelitian ini meliputi observasi, wawancara, dan kajian pustaka.

Algoritma apriori digunakan pada tahap selanjutnya untuk membantu penerapan metode aturan asosiasi, dan tahap terakhir menentukan aturan untuk memecahkan masalah penelitian.

2.1 Pre-processing

Untuk mendapatkan hasil terbaik dari data mining, tahapan yang dikenal sebagai pre- processing sangatlah penting. Algoritma berjalan lebih cepat saat data diproses terlebih dahulu.

Normalisasi adalah salah satu langkah pra- pemrosesan.

2.1.1 Memilih Data

Tahap memilih data merupakan tahap penting yang dilakukan untuk mengubah data mentah yang dikumpulkan dari berbagai sumber menjadi informasi yang digunakan untuk penanganan lebih lanjut.

2.1.2 Normalisasi Data

Signifikansi atribut data harus tetap dalam rentang yang ditentukan untuk dinormalisasi. Tujuan dari normalisasi untuk memastikan bahwa setiap kolom dalam tabel ditugaskan dengan benar dan database hanya memiliki satu kolom setiap nama dan nilai [22].

2.1.3 Transformasi Data

Data mining merupakan sebuah inti dari proses Knowledge Discovery In Database (KDD). Meliputi dugaan algoritma yang mengeksplor data, membangun model dan menentukan pola yang belum diketahui [23].

2.2 Identifikasi Association rule

Sebuah pendekatan untuk penambangan data yang dikenal sebagai aturan asosiasi

(3)

605

mencari urutan asosiatif antara berbagai kombinasi item. Association rule atau aturan asosiasi, tidak lepas dari analisis asosiasi dimana konsep sebab akibat atau antecedant-consequent menjadi poin penting dalam menghasilkan aturan-aturan asosiasi [24].

2.3 Perhitungan Menggunakan Algoritma Apriori

Enam langkah dari algoritma apriori disebut sebagai iterasi atau lintasan: cari tahu berapa banyak dukungan yang dimiliki setiap kandidat k-itemset dengan membuat itemset.

Mengamati kumpulan data dan menentukan jumlah transaksi yang berisi semua item dalam kumpulan memberikan dukungan untuk kumpulan k-item potensial [16].

Association rules salah satu tugas data mining deskriptif yang bertujuan untuk menemukan aturan asosiasi antar item data adalah aturan asosiasi. Mengetahui seberapa sering kombinasi item muncul dalam database juga dikenal sebagai pola yang sering adalah langkah paling penting dalam mengembangkan aturan asosiasi [25], [26].

Menggunakan aturan asosiasi, algoritma apriori mencari kumpulan item yang sering.

Algoritma apriori menggunakan strategi pencarian level-wise dimana (k+1)-itemset diperoleh dari k-itemset. Prosedur ini diulang sampai tidak ada lagi kemungkinan kombinasi [27], [28].

3. HASIL DAN PEMBAHASAN

Memiliki stok barang masuk yang dapat ditawarkan pada customer untuk menentukan stok barang masuk dari supplier. Data jenis-jenis stok barang masuk dapat dilihat pada tabel 1.

Tabel 1. Jenis Stok Barang Masuk No ID Kate-

gori Kategori Items

1. IK01 Health &

Beauty

Pasta gigi, shampoo, molto, sunglight, lifebuoy, sabun cuci muka.

2. IK02 Electronics Printer, infokus, handset, earphone.

3. IK03 Gadget Handphone, tablet, laptop

4. IK04 Cookingng Ingredients

Minyak goreng, snack

5. IK05 Food Susu, mie instan, minuman kaleng

6. IK06 Fashion

Alat-alat kecantikan, bedak, parfum, anting, hand body

7. IK07 Cigarette Rokok, rokok elektrik 8. IK08 Kids & Baby

Baju anak-anak, bedak bayi, dan

perlengkapan bayi 9. IK09 Accessories

Wifol, pembasmi serangga, one push vape, hit

10. IK10 Frozen Food Nugget, eskrim 11. IK11 Pet Food Makanan burung,

anjing kucing 12. IK12 Books Buku-buku pelajaran,

novel

13. IK13 Automotive Alat-alat sparepart motor dan mobil Kajian pemesanan barang masuk menggunakan data transaksi yang diarsipkan sejak 3 januari 2019 hingga 30 desember 2021.

Seperti halnya setiap transaksi yang dilakukan pada hari dan tanggal yang sama di satukan data selama 3 (tiga) tahun sebanyak 497 data yang sudah diolah dan disatukan dengan tujuan mempermudah pengolahan data agar tidak terlihat ambigu atau kurang jelas. Gambar arsip data transaksi dapat dilihat pada Gambar 2.

Gambar 2. Arsip Data Transaksi Pemesanan

(4)

606

Langkah selanjutnya adalah mengurutkan data transaksi ke dalam algoritma apriori setelah data selesai diproses.

3.1. Pembentukan 1 itemset

Pada perhitungan algoritma apriori penting tidaknya suatu aturan asosiasi dapat diketahui dengan dua parameter support dan confidience.

Sebelum melakukan perhitungan K1, terlebih dahulu tentukan nilai bantuan dasar atau angka dan nilai kepastian dasar. Membentuk K1, atau satu set item sebagai berikut:

Langkah pertama pada penelitian ini nilai minimum confidence dan support masing- masing adalah 40% dan 3,5%. Tabel data itemset ditunjukkan pada Tabel 2 untuk setiap nilai support:

Tabel 2. Hasil Perhitungan 1 itemset

Items

Jumlah Transaksi Yang

Mengandung Item

Support

Accessories 29 5,8%

Automotive 1 0,20%

Books 1 0,20%

Cigarete 57 11,4%

Cooking

Ingridients 115 23,1%

Electronic 154 30,9%

Fashion 1 0,20%

Food 140 28,1%

Frozen Food

16 3,21%

Gagdet 232 46,6%

Healthy&Be auty

62 12,4%

Kids&Baby 56 4,2%

Pet Food 1 0,20%

Nilai support untuk setiap item dapat dilihat pada tabel diatas. Setelah mengerjakan nilai bantuan, semuanya memenuhi nilai bantuan yang telah ditentukan sebelumnya. Alhasil,

perhitungan bisa dilanjutkan untuk menentukan kombinasi dua item.

3.2 Pembentukan 2 itemset

Pada titik ini, semua item digabungkan menjadi dua kombinasi berbeda, yang tercantum dalam daftar ini sebagai item A dan B. Hasil perhitungan kedua itemset ditunjukkan pada Tabel 3:

Tabel 3. Hasil Perhitungan 2 itemset

No Items

Jumlah Transaksi Yang Mengandung

Item

Support

1

Gadget ,

Electronic 41 8,20%

2

gadget,cooking

ingredients 26 5,20%

3 electronic,food 21 4,20%

4 Gadget , Food 21 4,20%

Hasil dalam perhitungan 2 seperti yang terlihat pada tabel diatas, kombinasi atau pembentukan dua itemset menghasilkan satu aturan asosiasi. Proses perhitungan dihentikan hingga terbentuk dua itemset karena tidak dapat membentuk kombinasi lagi.

3.3 Implementasi Apriori pada Python

Pada titik ini, library pandas diimpor untuk menampilkan kumpulan data, dan pembacaan kumpulan data excel berlanjut.

Gambar 3 menggambarkan hasil output.

Gambar 3. Output Read File

(5)

607

Skrip berikut ini digunakan untuk mengimplementasikannya secara apriori pada Python dengan nilai dukungan minimum 35%

setelah membaca dataset dan menghasilkan hasil yang ditunjukkan pada Gambar 4.

Gambar 4. Output Nilai Support 1 Itemset

Pada tahap ini langkah yang telah di ambil adalah mengimport library pandas untuk menampilkan 1 informasi itemset yang sudah met help dan dilanjutkan dengan perusing dataset yang berhasil. Gambar 3.5 menggambarkan hasil membaca.

df = pd. Dataframe adalah perintah untuk menampilkan satu set item dengan dukungan untuk sembilan set item.

Gambar 5. Output Nilai Support 2 Itemset

Pada titik ini, library panda diimpor untuk menampilkan dua data kumpulan item yang telah menerima dukungan, dan membaca kumpulan data Excel berlanjut. df = pd dataframe adalah perintah yang menampilkan dua kumpulan item dengan dukungan untuk empat kumpulan item.

3.5 Pembentukan Rule Asosiasi

Gambar 6 menggambarkan nilai penentuan urutan asosiasi, nilai tampilan hasil

konversi, nilai dukungan perusahaan, dan nilai confidence dari himpunan item aturan asosiasi 1.

Aturan dibuat pada tahap ini.

Gambar 6. Nilai Support 1 Itemset

Pada titik ini, nilai kepercayaan ditentukan dengan menggunakan aturan atau urutan asosiasi. Gambar 7 dan 8 menggambarkan klasifikasi nilal-nilai support dan nilai confidence yang dibentuk dari pembentukan 2 itemset association rules.

Gambar 7. Nilai support 2 itemset

Ada tiga urutan asosiasi yang diperoleh dari kumpulan itemset 2, dan perhitungan menunjukkan bahwa empat urutan asosiasi telah dihasilkan.

(6)

608

Gambar 8. Nilai confidence 2 itemset

Setelah perhitungan nilai confidence, sejumlah kombinasi yang tidak memenuhi nilai confidence minimum diterapkan. Nilai kepercayaan yang diterapkan adalah 40%;

akibatnya, nilai kepercayaan minimum akan dihapus untuk kombinasi yang tidak mencukupi.

Gambar 8 menggambarkan hasil confidence untuk pembentukan aturan asosiasi.

Rekomendasi paket pernikahan yang memiliki dukungan minimal 3,5 persen dan kepercayaan 40 persen tunduk pada aturan atau perintah asosiasi berikut:

1. Jika pesanan stok barang masuk gadget maka akan memesan juga cooking ingredients.

2. Jika pesanan stok barang masuk electronics maka akan memesan juga food.

3. Jika pesanan stok barang masuk gadget maka akan memesan juga electronics.

4. Jika pesanan stok barang masuk gadget maka akan memesan juga food

4. KESIMPULAN

Berdasarkan hasil dari penelitian yang telah dilakukan pada stok barang masuk pada blibli.com Medan. Penelitian ini menggunakan metode algoritma apriori untuk menentukan stok barang masuk. Terdapat 4 stok barang masuk yaitu gadget dan cooking ingredients yang sering dipesan oleh customer. Terdapat data

transaksi pemesanan sebesar 8,20% untuk kategori electronics dan food terdapat data transaksi pemesanan sebesar 5,20% untuk kategori gadget dan electronics. Terdapat data transaksi pemesanan sebesar 4,20% dan untuk kategori gadget dan food terdapat data transaksi pemesanan sebesar 4,20%.

5. REFERENSI

[1] V. M. M. Siregar and E. D. Siringo- Ringo, “Decision Support System to Determine Scholarship Recipients Using the Electre Method,” COSTA J.

(Computer Sci. Technol. Appl. Journal), vol. 1, no. 2, pp. 39–49, 2023.

[2] V. M. M. Siregar, K. Sinaga, E. Sirait, A.

S. Manalu, and M. Yunus,

“Classification of Customer Satisfaction Through Machine Learning : An Artificial Neural Network Approach,”

IOTA, vol. 3, no. 3, pp. 273–282, 2023, doi: 10.31763/iota.v3i3.643.

[3] E. Damanik and I. M. Siregar,

“PENGEMBANGAN SISTEM

CUSTOMER RELATIONSHIP

MANAGEMENT BERBASIS WEB PADA PT. TERUS MEGA TARA JAKARTA,” J. Tek. Inf. dan Komput., vol. 4, no. 1, pp. 60–69, 2021, doi:

10.37600/tekinkom.v4i1.278.

[4] V. M. M. Siregar and H. Sugara,

“SISTEM PENDUKUNG KEPUTUSAN

PEMILIHAN SEPEDA MOTOR

BEKAS MENGGUNAKAN METODE WASPAS,” J. Tek. Inf. dan Komput., vol.

5, no. 2, p. 263, Dec. 2022, doi:

10.37600/tekinkom.v5i2.393.

[5] P. D. P. Adi, V. M. M. Siregar, and A.

Kitagawa, “Soil moisture sensor based on Internet of Things LoRa,” IOTA, vol. 1, no. 2, pp. 120–132, 2021, doi:

10.31763/iota.v1i2.495.

[6] P. Dani, P. Adi, N. E. Mustamu, V.

Marudut, M. Siregar, and V. Sihombing,

“Drone simulation for agriculture and LoRa based approach,” IOTA, vol. 01, no. 4, pp. 221–235, 2021, doi:

(7)

609

10.31763/iota.v1i4.501.

[7] H. Sugara, V. M. M. Siregar, K. Sinaga, M. A. Hanafiah, and H. D. Pardede,

“SAW and Electre Methods Implementation for Scholarship Awardee Decision,” IOTA, vol. 01, no. 4, pp. 209–

220, 2021, doi: 10.31763/iota.v1i4.496.

[8] V. M. M. Siregar, “Decision Support System for Determining the Priority of Procurement of Goods with Electre Method,” Comput. Sci. Technol. Appl. J., vol. 1, no. 2, pp. 49–59, 2023.

[9] A. S. Manalu, I. M. Siregar, N. J.

Panjaitan, and H. Sugara, “RANCANG BANGUN INFRASTRUKTUR CLOUD COMPUTING DENGAN OPENSTACK

PADA JARINGAN LOKAL

MENGGUNAKAN VIRTUALBOX,” J.

Tek. Inf. dan Komput., vol. 4, no. 2, p.

303, Dec. 2021, doi:

10.37600/tekinkom.v4i2.335.

[10] L. Utari and R. Agustriani, “Penerapan Metode Simple Additive Weighting Untuk Merekomendasikan Penentuan Supplier Bahan Baku Kertas,” Teknois J.

Ilm. Teknol. Inf. dan Sains, vol. 9, no. 1, pp. 43–52, Sep. 2019, doi:

10.36350/jbs.v9i1.3.

[11] P. Kasih, “Pemodelan Data Mining Decision Tree Dengan Classification Error Untuk Seleksi Calon Anggota Tim Paduan Suara,” Innov. Res. Informatics, vol. 1, no. 2, pp. 63–69, 2019, doi:

10.37058/innovatics.v1i2.918.

[12] J. Gladju, B. S. Kamalam, and A.

Kanagaraj, “Applications of data mining and machine learning framework in aquaculture and fisheries: A review,”

Smart Agric. Technol., vol. 2, p. 100061,

Dec. 2022, doi:

10.1016/j.atech.2022.100061.

[13] T. Uçar and A. Karahoca,

“Benchmarking data mining approaches for traveler segmentation,” Int. J. Electr.

Comput. Eng., vol. 11, no. 1, pp. 409–

415, 2021, doi:

10.11591/ijece.v11i1.pp409-415.

[14] N. A. Sinaga and A. T. Purba,

“Penerapan Algoritma C.45 Untuk Memprediksi Tingkat Kepuasan Mahasiswa Terhadap Politeknik Bisnis Indonesia,” J. TEKINKOM, vol. 4, no. 2, pp. 245–254, 2021.

[15] D. Sitanggang, N. A. Br S. Muham, S. H.

Rangkuti, S. P. Zalukhu, and E. Indra,

“PENERAPAN DATA MINING

UNTUK REKOMENDASI PAKET

PERNIKAHAN MENGGUNAKAN

METODE ALGORITMA APRIORI,” J.

Tek. Inf. dan Komput., vol. 5, no. 1, p.

130, Jun. 2022, doi:

10.37600/tekinkom.v5i1.509.

[16] W. Aprianti, K. A. Hafizd, and M. R.

Rizani, “Implementasi Association Rules dengan Algoritma Apriori pada Dataset Kemiskinan,” Limits J. Math. Its Appl., vol. 14, no. 2, p. 57, 2017, doi:

10.12962/limits.v14i2.2933.

[17] I. Firnando, V. Wijaya, E. Yanto, and D.

Jollyta, “Implementasi Algoritma Apriori Dan Forecasting Pada Transaksi Penjualan,” J. Mantik Penusa, vol. 3, no.

3, pp. 25–29, 2019.

[18] M. D. Febrianto and A. Supriyanto,

“Implementasi Algoritma Apriori Untuk Menentukan Pola Pembelian Produk,”

JURIKOM (Jurnal Ris. Komputer), vol.

9, no. 6, p. 2010, Dec. 2022, doi:

10.30865/jurikom.v9i6.5230.

[19] M. Safar and I. Suana, “PENERAPAN ALGORITMA APRIORI DALAM ANALISIS DATA PENJUALAN DI KOPERASI CENDEKIA MAN INSAN CENDEKIA JAMBI,” vol. 2, no. 1, pp.

187–193, 2021.

[20] Lismardiana, H. Mawengkang, and E.

Budhiarti Nababan, “Pengembangan Algortima Apriori Untuk Pengambilan Keputusan,” Jurnalteknologi Informasidan Komun., vol. 4, no. 2, pp.

110–121, 2015.

[21] S. P. Tamba, M. D. Batubara, W. Purba, M. Sihombing, V. M. Mulia Siregar, and J. Banjarnahor, “Book data grouping in

(8)

610

libraries using the k-means clustering method,” J. Phys. Conf. Ser., vol. 1230, no. 1, p. 012074, Jul. 2019, doi:

10.1088/1742-6596/1230/1/012074.

[22] W. Purba, S. Tamba, and J. Saragih,

“The effect of mining data k-means clustering toward students profile model drop out potential,” J. Phys. Conf. Ser., vol. 1007, p. 012049, Apr. 2018, doi:

10.1088/1742-6596/1007/1/012049.

[23] A. M. Husein, M. Harahap, S. Aisyah, W. Purba, and A. Muhazir, “The implementation of two stages clustering (k-means clustering and adaptive neuro fuzzy inference system) for prediction of medicine need based on medical data,” J.

Phys. Conf. Ser., vol. 978, p. 12019, Mar.

2018, doi: 10.1088/1742- 6596/978/1/012019.

[24] D. Sitanggang et al., “Diagnosing chicken diseases using fuzzy Tsukamoto web-based expert system,” IOP Conf.

Ser. Mater. Sci. Eng., vol. 505, no. 1, p.

012086, Jul. 2019, doi: 10.1088/1757- 899X/505/1/012086.

[25] Ristianingrum and Sulastri,

“IMPLEMENTASI DATA MINING

MENGGUNAKAN ALGORITMA

APRIORI,” pp. 372–382, 2017.

[26] M. S. Sandy, H. Setiawan, U. Indahyanti, F. Sains, and D. Teknologi, “Analisis Data Mining Produk Retail Menggunakan Metode Asosiasi Dengan Menerapkan Algoritma Apriori,” vol. 4, no. 2, pp. 384–391, 2023.

[27] S. Nurajizah, “Analisa Transaksi Penjualan Obat menggunakan Algoritma Apriori,” INOVTEK Polbeng - Seri Inform., vol. 4, no. 1, p. 35, 2019, doi:

10.35314/isi.v4i1.938.

[28] A. SUBHAN, “PENERAPAN DATA MINING UNTUK MENENTUKAN POTENSI HUJAN HARIAN DENGAN

MENGGUNAKAN ALGORITMA

NAIVE BAYES,” Universitas Dian Nuswantoro, 2017.