Implementasi Algoritma Apriori Untuk Menentukan Pola Pembelian Produk

(1)

Implementasi Algoritma Apriori Untuk Menentukan Pola Pembelian Produk

Moch. Dwi Febrianto, Aji Supriyanto^*

Fakultas Teknologi Informasi dan Industri, Teknik Informatika, Universitas Stikubank (Unisbank), Semarang, Indonesia Email: ¹mochdwifebri24@gmail.com, ^2,*ajisup@edu.unisbank.ac.id

Email Penulis Korespondensi : ajisup@edu.unisbank.ac.id Submitted 03-12-2022; Accepted 25-12-2022; Published 30-12-2022

Abstrak

Flanker Distro atau disebut dengan Flanker Flag Shop adalah salah satu nama distro yang bergerak pada bidang penjualan berbagai jenis t-shirt, jaket, dan topi bertema balap. Masalah yang terjadi di Flanker distro adalah pola penjualan yang belum terbentuk membuat pemilik mengalami kesusahan dalam menentukan produk apa saja yang harus disediakan dalam waktu tertentu serta data transaksi yang tersimpan hanya dijadikan arsip saja, padahal data transaksi tersebut dapat diolah dan dijadikan informasi yang bermanfaat untuk menentukan strategi bisnis kedepannya. Banyaknya data transaksi penjualan yang ada, akan sulit jika data tersebut dianalisis secara manual, maka untuk mengatasi masalah tersebut diperlukan suatu sistem untuk mengolah data tersebut secara otomatis sehingga mudah untuk mendapatkan pola penjualan. Hasil dari pemrosesan tersebut akan menghasilkan informasi transaksi untuk membantu mengetahui pola penjualan produk. Dalam implementasinya akan dibuat dalam bentuk aplikasi web yang menggunakan metode pemodelan UML(Unified Modeling Language) dan algoritma apriori yaitu dengan memberikan hubungan antar item dalam data penjualan. Dalam hal ini adalah produk yang dibeli oleh konsumen sehingga akan didapatkan pola pembelian konsumen. Penerapan Algoritma Apriori, membantu dalam membentuk kandidat kombinasi item yang mungkin terjadi, kemudian dilakukan pengujian apakah kombinasi tersebut memenuhi parameter support dan confidence minimum yang merupakan nilai ambang batas yang diberikan oleh pengguna. Pengujian dilakukan dengan data transaksi Flanker distro setiap bulannya dari rentang waktu bulan Januari sampai Juli tahun 2022 dengan jumlah data sebanyak 316 data transaksi penjualan. Hasil analisis didapat setelah dilakukan perhitungan asosiasi rule dengan menggunakan aturan minimum support 5 dan minimum confidence 30%. Sehingga nantinya akan menghasilkan informasi yang dapat menjadi dasar pemilik Flanker distro untuk menentukan strategi bisnis serta melakukan produksi produk pada bulan, semester, dan tahun berikutnya.

Kata Kunci: Apriori; Pembelian; Produk; Sistem; Implementasi; Asosiasi; Distro; Transaksi Abstract

Flanker Distro or known as Flanker Flag Shop is one of the names of distros engaged in the sale of various types of racing-themed t- shirts, jackets and hats. The problem that occurs in Flanker distro is that sales patterns have not yet been formed, making the owner experience difficulties in determining what products must be provided at a certain time and the stored transaction data is only used as an archive, even though the transaction data can be processed and used as useful information to determine future business strategy.

With the large number of existing sales transaction data, it will be difficult if the data is analyzed manually, so to overcome this problem a system is needed to process the data automatically so that it is easy to get sales patterns. The results of this processing will produce transaction information to help determine product sales patterns. The implementation will be made in the form of a web application that uses the UML (Unified Modeling Language) modeling method and the a priori algorithm by providing relationships between items in sales data. In this case, it is a product purchased by a consumer so that a consumer buying pattern will be obtained. The application of the Apriori Algorithm helps in forming possible item combination candidates, then testing whether the combination meets the minimum support and confidence parameters which are the threshold values given by the user. The test was carried out with monthly Flanker distro transaction data from January to July 2022 with a total of 316 sales transaction data. The results of the analysis are obtained after calculating the association rule using the minimum support rule of 5 and a minimum confidence of 30%. So that later it will produce information that can be the basis for Flanker distro owners to determine business strategies and carry out product production in the following months, semesters and years.

Keywords: Apriori; Purchase; Product; System; Implementation; Association; Distros; Transaction

1. PENDAHULUAN

Seiring berjalannya waktu usaha penjulanan baju cukup berkembang pesat di Indonesia. Hal ini dibuktikan dengan meningkatnya usaha distro-distro yang tersebar di berbagai kota, karena distro sudah menjadi salah satu kebutuhan bagi masyarakat pada saat ini yang ingin mencari berbagai outfit pakaian yang ingin dikenakan. Banyaknya distro yang bermunculan ini menjadi kebutuhan masyarakat terutama dikalangan muda-mudi dan ditambah lagi dengan suasana distro yang nyaman. Salah satunya adanya wifi gratis kemudian tempatnya yang bersih dan rapi berbeda dengan kita belanja di pasar sehingga memberikan kesan positif bagi pelanggannya khususnya bagi kalangan muda.

Flanker Distro adalah salah satu nama distro yang bergerak pada bidang penjualan berbagai jenis baju, jaket, dan merchandise bertema balap untuk pria dan Wanita yang beralamatkan di jalan Lingkar Selatan Pulo Rembang, Jawa Tengah. Persaingan di dunia bisnis, sungguhlah tidak mudah, khususnya pada industri penjualan baju agar menarik minat pelanggan terhadap produk T-shirt, jaket dan topi yang dijual. Sehingga perlu dilakukan suatu strategi untuk memenangkan pasar khususnya pada penjualan produk di Flanker distro ini. Dengan strategi yang bagus sebuah produk akan terjual dengan cepat agar penjualan dapat meningkat, sehingga tercapai keuntungan maksimum sebagaimana menjadi tujuan dari pemilik Flanker distro. Selama ini pemanfaatan data transaksi penjualan pada Flanker distro hanya disimpan sebagai arsip. Padahal, data tersebut dapat dimanfaatkan dan diolah menjadi sebuah informasi yang berguna untuk membuat strategi penjualan maupun membuat inovasi produk yang akan datang. Dalam hal ini, perlu dilakukan

(2)

analisis data transaksi untuk mendapatkan pola penjualan. Dengan adanya informasi mengenai pola penjualan, Flanker distro dapat mengetahui apa yang paling sering dibeli oleh konsumen. Sehingga dari pola pembelian konsumen juga, pengambilan keputusan bisa dilakukan oleh pihak Flanker distro yang berhubungan dengan produk yang akan dijual.

Banyaknya data transaksi penjualan yang ada, tentu akan sulit jika data tersebut dianalisis dan diolah secara manual.

Dengan demikian perlu adanya suatu sistem yang dapat membantu secara cepat dan juga tepat. Pemanfaatan informasi dan pengetahuan yang terkandung dalam banyaknya data tersebut, sering disebut dengan data mining. Data Mining adalah proses pengumpulan sekaligus menyaring data dengan memanfaatkan kumpulan data yang sangat besar tentu saja dengan serangkaian proses guna mendapatkan informasi yang penting dari kumpulan data tersebut [1].

Jika sistem tidak dibuat maka akan sulit bagi Flanker distro dalam mencari pola penjualan produk dan data penjualan yang ada tidak bisa dimanfaatkan secara optimal sehingga mengakibatkan menurunnya omset usaha karena tidak bisa menentukan produk apa saja yang harus di sediakan dalam waktu tertentu.

Dalam penelitian ini menggunakan Algoritma apriori yang bisa dimanfaatkan dalam proses transaksi penjualan, yaitu dengan memberikan hubungan antar data transaksi penjualan [2]. Penerapan Algoritma Apriori, membantu dalam membentuk kandidat kombinasi item yang mungkin terjadi, kemudian dilakukan pengujian apakah kombinasi tersebut memenuhi parameter support dan confidence minimum yang merupakan nilai ambang batas yang diberikan oleh pengguna. Salah satu kelebihan menggunakan algoritma apriori yaitu memiliki pola frekuensi yang tinggi. Pola frekuensi ini 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 ini digunakan untuk menyusun aturan asosiatif beserta teknik data mining. Dengan aturan asosiatif tersebut maka akan diperoleh pola pembelian konsumen.

Perbedaan penelitian ini dengan penelitian-penelitian terdahulu adalah pada penerapaannya. Penelitian terdahulu masih menerapkan algoritma apriori dengan cara dihitung secara manual ataupun dengan bantuan machine learning seperti Kaggle dan lain-lain. Pada penelitian ini dibuat suatu sistem berbasis web yang dapat melakukan perhitugan analisis pola pembelian dengan algoritma apriori.

Harapan saya dari adanya penelitian ini adalah pihak distro bisa memanfaatkan sistem yang telah dibuat dengan cara menggunakan data hasil perhituang pola pembelian produk untuk mengambil strategi bisnis yang dapat menguntungkan usahanaya. Dalam hal ini data tersebut bisa jadi bahan pertimbangan membuat set outfit produk yang ingin dijual dan untuk memastikan strategi penjualan produk yang akan datang..

2. TAHAPAN-TAHAPAN PENELITIAN

2.1 Tahap Pengumpulan Data

Data yang digunakan dalam penelitian ini adalah data transaksi penjualan produk di Flanker disto dari rentang waktu bulan Januari sampai Juli tahun 2022 dengan jumlah data sebanyak 316 data transaksi.

2.2 Tahap Analisis Sistem a. Analisis Permasalahan

Permasalahan yang terjadi pada Flanker distro berkaitan dengan penjualan yaitu:

a. Data transaksi yang tersimpan hanya dijadikan arsip saja, padahal data transaksi tersebut dapat diolah dan dijadikan informasi yang bermanfaat untuk menentukan strategi bisnis kedepannya.

b. Pola penjualan yang belum terbentuk membuat pemilik mengalami kesusahan dalam menentukan produk apa saja yang harus disediakan dalam waktu tertentu.

Guna mengatasi permasalah tersebut, maka dibutuhkan suatu sistem data mining dengan menggunakan metode algoritma apriori agar dapat digunakan untuk menentukan pola penjualan produk di Flanker distro.

b. Analisis Kebutuhan Perangkat Keras

Perangkat keras yang digunakan dalam pengembangan sistem implementasi algoritma apriori untuk menentukan pola penjualan produk di flanker distro yaitu, Perangkat PC/Laptop, Processor Intel core i3, Memori ram 4 GB, HDD 500 GB, LCD 15

2.3 Tahapan Data Mining

Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan teknik statistic, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar [3]. Tahapan data mining yang digunakan dalam implementasi algoritma apriori untuk menentukan pola penjulan produk di flanker distro yaitu:

a. Data Cleaning

Pembersihan data merupakat proses menghasilkan noise dan data yang tidak konsisten atau data tidak relevan. Tahap ini mengambil data record penjulan Flanker distro.

b. Data Integration

Integrasi data merupakan penggabungan data dari banyak database ke dalam satu basis data baru. Tahap ini menggabungkan data penjualan Flanker distro pada bulan pada bulan februari 2022 sampai juni 2022.

(3)

c. Data Selection

Data yang ada pada database seringkali tidak semuanya dipakai, oleh karena itu hanya data yang sesuai yang untuk dianalisis yang akan diambil.

d. Data Transformation

Data diubah atau digbungkan ke dalam format yang sesuai untuk diproses dalam data mining. Tahap ini mengubah data penjualan pada Flanker distro menjadi bentuk decimal dan integer ke dalam tabel MySQL sehingga nantinya dapat dilakukan perhitungan dengan algoritma apriori.

e. Proses Mining

Merupakan proses utama untuk mendapatkan pengetahuan baru dari data yang tersembunyi dari data. Tahap ini menerapkan metode apriori dalam pola penjualan produk. Tahapan proses mining penerapan data mining untuk mengolah data transaksi penjualan di Flanker distro dengan algoritma apriori adalah sebagai berikut:

1. Langkah yang pertama Algoritma MBA (Market Baket Analysis) yaitu menentukan besarnya besaran nilai minimum support dan confidence. Dalam hal ini penulis menetapkan besaran nilai support = 5 dan confidence = 30. Market Basket Analysis ini bertujuan untuk mengetahui itemset apa saja yang dibeli [4]. Tujuan dari Market Basket Analysis ini digunakan untuk menentukan produk manakah yang dibeli pelanggan dalam waktu bersamaan, dimana nama dari metode ini diambil dari kebiasaan pelanggan menaruh barang mereka ke keranjang atau kedalam daftar belanja (market basket) [5].

2. Langkah yang kedua menerapkan algoritma apriori. Apriori adalah salah satu algoritma untuk melakukan pencarian frequent itemset dengan association rules. Algoritma apriori menggunakan pendekatan level – wise search, dimana k-itemset digunakan untuk memperoleh (k+1) itemset [6]. Perhitungan dilakukan dengan menyusun semua frequent itemset yaitu itemset yang memiliki minimum support = 5 yang telah ditentukan sebelumnya.

saksi Total tran

A mengandung Transaksi

Support _ (1)

saksi Total tran

A B mengandung Transaksi

B A

Support _

)

(  (2)

3. Langkah selanjutnya menghitung nilai confidence dari masing-masing frequent itemset sehingga muncul calon Association rule. Association rule merupakan konsep menarik pada data mining untuk menemukan asosiasi atau keterkaitan antar data [7]. Suatu kelompok item dalam Association rule dinamakan itemset. Support adalah nilai penunjang atau suatu persentase yang menunjukkan besarnya tingkat kombinasi itemset dari transaksi keseluruhan.

Nilai ini menentukan layak atau tidaknya suatu itemset untuk dicari nilai confidence-nya. Apabila nilai support suatu itemset lebih besar atau sama dengan nilai minimum support, maka itemset dapat disebut sebagai frequent itemset, yang tidak memenuhi disebut infrequent [8]. Association rule diperoleh dengan rumus sebagai berikut:

A mengandung Transaksi

A B mengandung Transaksi

B A Support

_ ) _

(  (3)

4. Pilih aturan asosiasi yang memenuhi minimum support dan minimum confidence.

f. Pattern Evaluation

Menelaah informasi yang dapat digunakan untuk membuat keputusan. Dalam hal ini menentukan aturan asosiasi yang memenuhi minimum support dan minimum confidence.

g. Presentasi pengetahuan

Merupakan visualisasi dan penyajian dari metode yang digunakan. Tahap ini menampilkan hasil Analisa metode apriori dalam bentuk tabel di dalam sistem sehingga pengguna mudah dalam memahami hasil pola penjualan.

2.4 Tahap Perancangan Sistem 2.4.1 UML

Unified Modeling Language (UML) adalah salah satu standar bahasa yang banyak digunakan di dunia industri untuk mendefinisikan requirement, membuat analisis dan desain, serta menggambarkan arsitektur dalam pemrograman berorientasi objek [9]. Menurut Sukamto dan Shalahuddin, “Unified Modeling Language (UML) adalah salah satu standar bahasa yang banyak digunakan di dunia industri untuk mendefinisikan requirement, membuat analisis dan desain, serta menggambarkan arsitektur dalam pemrograman berorientasi objek [10]. Perancangan implementasi algoritma apriori untuk menentukan pola pembelian produk di Flanker distro dibuat dengan menggunakan UML.

a. Use Case Diagram

Use case diagram merupakan pemodelan untuk melakukan (behavior) sistem informasi yang akan dibuat. Use case digunakan untuk mengetahui fungsi apa saja yang ada di dalam sebuah sistem informasi dan siapa saja yang berhak menggunakan fungsi-fungsi itu [11].

(4)

Gambar 1. Use Case Diagram

Gambar 1 menjelaskan admin melakukan login ke aplikasi data mining implementasi algoritma apriori untuk menentukan pola pembelian produk di Flanker disto dengan cara login kemudian mengelola data transaksi penjualan, melakukan proses transaksi penjualan dan didapatkan hasil proses transaksi berupa pola pembelian produk atau logout.

b. Class Diagram

Class diagram adalah diagram yang digunakan untuk merepresentasikan kelas, komponen-komponen kelas dan hubungan antara masing-masing kelas. Selain itu class diagram mendeskripsikan jenis-jenis objek dalam sistem dan berbagai macam hubungan statis yang terdapat di antara mereka. Class diagram juga juga menunjukkan property dan operasi sebuah kelas serta batasan-batasan yang terdapat dalam hubungan-hubungan objek tersebut [12]. Sedangkan menurut Sukamto dan Shalahuddin, “diagram kelas atau class diagram menggambarkan struktur sistem dari segi pendefinisian kelas-kelas yang akan dibuat untuk membangun sistem” [13]. Class diagram implementasi algoritma apriori untuk menentukan pola pembelian produk di Flanker distro dapat dilihat pada gambar 2.

Gambar 2. Class Diagram

Gambar 2 menjelaskan class diagram rancangan awal database dari sistem implementasi algoritma apriori untuk menentukan pola pembelian produk yang setiap tabelnya memiliki koneksi kecuali tabel user.

(5)

c. Activity Diagram

Menurut Sukamto dan Shalahuddin, “diagram aktivitas atau activity diagram menggambarkan workflow (aliran kerja) atau aktivitas dari sebuah sebuah sistem atau proses bisnis atau menu yang ada pada perangkat lunak. diagram aktivitas menggambarkan aktivitas sistem bukan apa yang dilakukan aktor, jadi aktivitas yang dapat dilakukan oleh sistem” [14]. Activity diagram implementasi algoritma apriori untuk menentukan pola pembelian produk di Flanker distro dapat dilihat pada gambar 3.

Gambar 3. Activity Diagram

Gambar 3 menjelaskan admin melakukan login ke sistem dengan memasukan username dan password kemudian mengelola data transaksi pembelian produk, melakukan proses data transaksi pembelian produk dan didapatkan hasil pola pembelian produk dengan metode algoritma apriori atau logout.

d. Sequence Diagram

Menurut Sukamto dan Shalahuddin, “diagram sekuen menggambarkan kelakuan objek pada use case dengan mendeskripsikan waktu hidup objek dengan massage yang dikirimkan dan diterima antar objek [15]. Sequnce Diagram implementasi algoritma apriori untuk menentukan pola pembelian produk di Flanker distro dapat dilihat pada gambar 4.

Gambar 4. Sequence Diagram

Gambar 4 menjelaskan admin mengelola data transaksi pembelian produk di Flanker distro, dan memasukan nilai minimum support dan minimum confidence pada sistem apriori sehingga didapatkan hasil proses pola pembelian produk berupa itemset yang terbentuk dengan metode apriori.

2.4.2 Rancangan Database

MySQL adalah sistem manajemen database SQL yang bersifat open source dan paling popular saat ini. Sistem database MySQL mendukung beberapa fitur seperti multithreaded, multiuser dan SQL database management system (DBMS) [16]. MySQL merupakan software database opensource yang sering digunakan untuk mengolah basis data yang

(6)

menggunakan bahasa SQL [17]. Database implementasi algoritma apriori untuk menentukan pola pembelian produk di Flanker distro terdiri dari 7 tabel yaitu tabel transaksi, tabel itemset1, tabel itemset2, tabel itemset3, tabel user, tabel confidence dan tabel process_log.

a. Tabel Transaksi

Tabel transaksi pada tabel 1 digunakan untuk menyimpan data transaksi penjualan yang ada pada Flanker distro.

Tabel 1. Tabel Database Transaksi

No Field Name Type Size Keterangan

1 Id Int 200 ID

2 Transaction_date Date 200 Tanggal Transaksi

3 Produk Text 11 Produk

Tabel 1 menjelaskan rancangan tabel database transaksi yang terdiri dari 3 field, yaitu: id, transaction_date, dan produk.

b. Tabel Itemset1

Tabel itemset1 pada tabel 2. digunakan untuk menyimpan data itemset1 pada proses apriori.

Tabel 2. Tabel Database Itemset1

1 Produk Varchar 200 Produk 1

2 Jumlah Int 11 Jumlah

3 Support Double Support

4 Lolos Tinyint 4 Lolos

5 Id_process Int 11 Id Process

Tabel 2 menjelaskan rancangan tabel database itemset-1 yang terdiri dari 5 field, yaitu: produk, jumlah, support, lolos, dan id_process.

c. Tabel Itemset2

Tabel itemset2 pada tabel 3 digunakan untuk menyimpan data itemset2 pada proses apriori.

1 Produk1 Varchar 200 Produk 1

Tabel 3 menjelaskan rancangan tabel database itemset-2 yang terdiri dari 6 field, yaitu: produk1, produk2, jumlah, support, lolos, dan id_process.

d. Tabel Itemset3

Tabel itemset3 pada tabel 4 digunakan untuk menyimpan data itemset3 pada proses apriori.

Tabel 4 menjelaskan rancangan tabel database itemset-3 yang terdiri dari 7 field, yaitu: produk1, produk2, produk3, jumlah, support, lolos, dan id_process.

e. Tabel Confidence

Tabel confidence pada tabel 5 digunakan untuk menyimpan data pemrosesan dengan metode apriori.

(7)

Tabel 5. Tabel Database Confidence

1 Kombinasi1 Varchar 255 Kombinasi 1

2 Kombinasi2 Varchar 255 Kombinasi 2

3 Support_xUy Double Support x gabungan y

4 Support_x Double Support x

5 Confidence Double Confidence

7 Min_support Double Minimum Support

8 Min_confidence Double Minimum Support

9 Nilai_uji_lift Double Nilai Uji Lift

10 Korelasi_rule Varchar 100 Korelasi Rule

11 Id_process Int 11 ID Process

12 Jumlah_a Int 11 Jumlah a

13 Jumlah_b Int 11 Jumlah b

14 Jumlah_ab Int 11 Jumlah ab

15 Px Double PX

16 Py Double PY

17 Pxuy Double P X irisan Y

18 From_itemset Int 11 From Itemset

Tabel 5 menjelaskan rancangan tabel database confidence yang terdiri dari 5 field, yaitu: kombinasi1, kombinasi2, support_xUy, support_x, confidence, lolos, min_support, min_confidence, nilai_uji_lift, korelasi_rule, id_process, jumlah_a, jumlah_b, jumlah_ab, Px, Py, dan Pxuy.

f. Tabel User

Tabel user pada tabel 6 digunakan untuk menyimpan data username dan password admin ketika login.

Tabel 6. Tabel Database User

1 Id Int 11 ID

2 Username Varchar 200 Username

3 Nama Varchar 200 Nama

4 Password Text Password

5 Level Tinyint 4 Level Login

6 Last_login Date Last Login

7 Inactive Tinyint 4 Inactive

Tabel 6 menjelaskan rancangan tabel database user yang terdiri dari 7 field, yaitu: id, username, nama, password, level, last_login, dan inactive.

g. Tabel Process_log

Tabel process_log pada tabel 7 digunakan untuk menyimpan data riwayat atau history hasil perhitungan pola pembelian produk dengan algoritma apriori.

Tabel 7. Tabel Database Process_log

1 Id Int 11 ID

2 Start_date Date Start Date

3 End_date Date End Date

4 Min_Support Double Minimum Support

5 Min_Confidence Double Minimum Confidence

Tabel 2 menjelaskan rancangan tabel database process_log yang terdiri dari 5 field, yaitu: id, start_date, end_date, min_support, dan min_confidence.

3. HASIL DAN PEMBAHASAN

3.1 Tampilan Sistem

Rancangan UML, database, dan kode program di implementasikan menjadi sebuah sistem yang fungsinya sama dengan hasil yang telah dianalisis dan dirancang sebelumnya. Rumus perhitungan rule asosiasi dengan algoritma apriori di

(8)

implementasikan ke dalam sistem yang telah dibuat, sehingga delam mencari pola pembelian produk tidak perlu dilakukan secara manual namun dapat dilakukan dengan sistem yang hasilnya lebih akurat dan menghemat waktu.

Gambar 5. Halaman Utama

Gambar 5 menampilkan halaman utama dari sistem implementasi algoritma apriori untuk menentukan pola penjualan produk di Flanker distro.

Gambar 6. Halaman Proses Apriori

Gambar 6 merupakan halaman proses apriori yang digunakan untuk melakukan proses apriori pada data transaksi penjualan produk di Flanker distro yang sudah di upload sebelumnya. Untuk mencari pola pembelian produk dengan algoritma apriori, user hanya perlu mengisi nilai min_support, min_confidence, dan tanggal rentang waktu transaksi kemudian klik tombol proses.

3.2 Pembahasan Algoritma Apriori Dengan Sistem yang Telah Dibuat

Prinsip melakukan proses apriori menggunakan sistem yang telah dibuat dengan data transaksi di Flanker distro adalah sebagai berikut :

a. Diketahui data transaksi pada Flanker distro sebanyak 316 transaksi pada rentang waktu bulan Januari – Juli tahun 2022. Proses perhitungan apriori dilakukan sebanyak 7 di uji setiap bulan.

b. Menetukan batas transaksi, besaran support minimal = 5 dan confidence minimal = 30%. Sebagai contoh menggunakan data transaksi pada bulan januari sebanyak 33 transaksi.

c. Dari itemset 1 yang memenuhi support minimal = 5, seperti gambar 5.1 dan menjadi kandidat itemset 1 sebanyak 12 item.

Gambar 7. Itemset 1 yang Lolos

(9)

Gambar 7 menjelaskan hasil kandidat Iitemset-1 dari data transaksi yang memenuhi minimal support.

Perhitungan dilakukan dengan cara membagi antara jumlah kemunculan item dengan jumlah semua transaksi dikali 100%.

d. Dari itemset 2 yang memenuhi support minimal = 5, seperti gambar 5.2 dan menjadi kandidat itemset 2 sebanyak 6 item.

Perhitungan dilakukan dengan cara membagi antara jumlah kemunculan item A dan B dengan jumlah semua transaksi dikali 100%.

e. Dari itemset 3 yang memenuhi support minimal = 5, seperti gambar 5.2 dan menjadi kandidat itemset 3 sebanyak 1 item.

Perhitungan dilakukan dengan cara membagi antara jumlah kemunculan item A, B, dan C dengan jumlah semua transaksi dikali 100%.

f. Dari confidence itemset 2 yang memenuhi confidence minimal = 30%, seperti gambar 5.4 sebanyak 12.

Gambar 10. Confidence Itemset 2

Gambar 10 menjelaskan hasil confidence Iitemset-2 dari data transaksi itemset 2 yang memenuhi minimal support. Perhitungan dilakukan dengan cara membagi antara jumlah kemunculan item A dan B dengan jumlah kemunculan item A dikali 100%.

g. Dari confidence itemset 3 yang memenuhi confidence minimal = 30%, seperti gambar 5.5 sebanyak 6.

Gambar 11. Confidence Itemset 3

(10)

Gambar 11 menjelaskan hasil confidence Iitemset-2 dari data transaksi itemset 3 yang memenuhi minimal support. Perhitungan dilakukan dengan cara membagi antara jumlah kemunculan item A, B dan C dengan jumlah kemunculan item A dikali 100%.

h. Dari nilai confidence itemset 2 dan 3 maka diperoleh hasil rule asosiasi, seperti gambar 5.6 sebanyak 18 rule. Analisis pola pembelian terbentuk jika korelasi rule dinyatakan posistif.

Gambar 12. Hasil Rule

Gambar 12 menjelaskan nilai confidence itemset 2 dan 3 yang dinyatakan lolos maka diperoleh hasil rule asosiasi sebanyak 18 rule.

3.3 Hasil Penelitian

Hasil penelitian diperoleh dengan cara melakukan perhitungan rule asosiasi menggunakan sistem yang telah dibuat pada data transaksi Flanker distro setiap bulannya dalam rentang waktu bulan Januari - Juli 2022 sehingga nantinya akan menghasilkan analisis pola pembelian produk. Adapun dalam mencari pola pembelian produk dilakukan dengan bantuan sistem yang telah dibuat sebelumnya dengan aturan nilai support minimal 5 dan nilai confidence minimal 30%, sehingga di dapatkan hasil analisis sebagai berikut:

Gambar 13. Grafik Pola Pembelian Produk

Gambar 12 menjelaskan grafik pola pembelian produk yang terbentuk dari proses perhitungan rule asosiasi menggunakan sistem yang telah dibuat dengan metode algoritma apriori. Salah satu contoh pola pembelian produk yang terbentuk pada bulan januari adalah jika konsumen membeli Hodie Speed Worker R , T-Shirt Speed Worker, maka konsumen juga akan membeli T-Shirt Never Slow. Dengan adanya data pola pembelian produk tersebut dapat menjadi dasar pemilik Flanker distro untuk menentukan strategi bisnis serta melakukan produksi produk pada bulan, semester, dan tahun berikutnya.

(11)

4. KESIMPULAN

Penelitian ini berhasil menganalisis data transaksi Flanker distro setiap bulannya dari rentang waktu bulan Januari sampai Juli tahun 2022 dengan jumlah data sebanyak 316 data transaksi penjualan. Algoritma apriori mampu dugunakan untuk menentukan pola pembelian produk oleh konsumen dengan melihat kecenderungan konsumen melakukan transaksi. Hasil analisis didapat setelah dilakukan perhitungan asosiasi rule dengan menggunakan aturan minimum support 5 dan minimum confidence 30% sehingga menghasilkan 18 aturan asosiasi pada bulan Januari, 18 aturan asosiasi pada bulan Februari, 42 aturan asosiasi pada bulan Maret, 23 aturan asosiasi pada bulan April, 4 aturan asosiasi pada bulan Mei, 4 aturan asosiasi pada bulan Juni, dan 24 aturan asosiasi pada bulan Juli. Salah satu contohnya yaitu pada bulan Juni jika konsumen membeli T-Shirt Confexscreen, maka konsumen juga akan membeli T-Shirt Antyrisk. Dari data hasil analisis yang diperoleh, dapat diketahui produk apa saja yang sering dibeli secara bersamaan oleh konsumen. Informasi ini dapat digunakan oleh pihak Flanker distro dalam membuat keputusan bisnis serta membuat set outfit pada bulan yang akan datang.

REFERENCES

[1] S. J. Tamba dan E. Buulolo, “IMPLEMENTASI ALGORITMA APRIORI PADA SISTEM PERSEDIAAN BUAH-BUAHAN (STUDI KASUS : LOTTE MART WHOLESALE MEDAN),” Pelita Informatika: Informasi dan Informatika, vol. 8, no. 2, hlm.

277–282, Okt 2019, Diakses: Nov 26, 2022. [Daring]. Available: http://ejurnal.stmik- budidarma.ac.id/index.php/pelita/article/view/1842

[2] A. Pujianto, S. Megira, H. Afif, dan K. Kusrini, “SISTEM REKOMENDASI PAKET MAKANAN MENGGUNAKAN ALGORITMA APRIORI PADA PENYETAN BU TINI,” SEMNASTEKNOMEDIA ONLINE, vol. 6, no. 1, hlm. 1-2–31, Feb 2018, Diakses: Nov 26, 2022. [Daring]. Available: https://ojs.amikom.ac.id/index.php/semnasteknomedia/article/view/2053 [3] NIM. 13540268 YULIA RIZKI AMALIA, “PENERAPAN DATA MINING UNTUK PREDIKSI PENJUALAN PRODUK

ELEKTRONIK TERLARIS MENGGUNAKAN METODE K-NEAREST NEIGHBOR (Studi Kasus : PT. Bintang Multi Sarana Palembang),” 2018, Diakses: Nov 26, 2022. [Daring]. Available: http://perpustakaan.ac.id

[4] K. N. Wijaya, R. Firsandaya Malik, S. Nurmaini, M. I. Komputer, F. Ilmu, dan K. Unsri, “Analisa Pola Frekuensi Keranjang Belanja Dengan Dengan Perbandingan Algoritma Fp-Growth (Frequent Pattern Growth) dan Eclat pada minimarket,” JATISI (Jurnal Teknik Informatika dan Sistem Informasi), vol. 7, no. 2, hlm. 364–373, Agu 2020, doi: 10.35957/JATISI.V7I2.380.

[5] M. Gemala, M. Arifin, ) Achmad, dan Y. Aliffianto, “PENERAPAN METODE MARKET BASKET ANALYSIS PADA SITUS WEB E-COMMERCE (STUDI KASUS: DHIAN HANDICRAFT INDONESIA) 1)”.

[6] W. Aprianti, K. A. Hafizd, M. R. Rizani, J. T. Informatika, P. Negeri, dan T. Laut, “Implementasi Association Rules dengan Algoritma Apriori pada Dataset Kemiskinan,” Limits: Journal of Mathematics and Its Applications, vol. 14, no. 2, hlm. 145–155, Des 2017, doi: 10.12962/LIMITS.V14I2.2933.

[7] N. F. Ulfha dan R. Amin, “IMPLEMENTASI DATA MINING UNTUK MENGETAHUI POLA PEMBELIAN OBAT MENGGUNAKAN ALGORITMA APRIORI,” Komputasi: Jurnal Ilmiah Ilmu Komputer dan Matematika, vol. 17, no. 2, hlm.

396–402, Jul 2020, doi: 10.33751/KOMPUTASI.V17I2.2156.

[8] T. Badriyah, R. Fernando, dan I. Syarif, “Sistem Rekomendasi Content Based Filtering Menggunakan Algoritma Apriori,”

Konferensi Nasional Sistem Informasi (KNSI) 2018, vol. 0, no. 0, Mar 2018, Diakses: Nov 26, 2022. [Daring]. Available:

http://jurnal.atmaluhur.ac.id/index.php/knsi2018/article/view/414

[9] R. AS dan M. Shalahuddin, “Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objek) Edisi Revisi,” Informatika, Bandung, 2019.

[10] R. A. Sukamto dan M. Shalahuddin, Rekayasa Perangkat Lunak: Terstruktur dan Berorientasi Objek Edisi Revisi, Revisi. 2018.

[11] L. Penelitian, P. Pembelajaran, P. Kepada Masyarakat, A. Soleh, dan I. Agus, “RANCANG BANGUN APLIKASI PREDIKSI SERVICE BERKALA KENDARAAN PELANGGAN PT. ASTRA INTERNASIONAL DAIHATSU BERBASIS WEB,”

Prosiding Seminar Nasional Darmajaya, vol. 1, no. 1, hlm. 273–281, Okt 2017, Diakses: Nov 26, 2022. [Daring]. Available:

https://jurnal.darmajaya.ac.id/index.php/PSND/article/view/777

[12] S. Mulyani, Sistem Informasi Manajemen Rumah Sakit: Analisis dan Perancangan. 2016.

[16] A. Darmadji, L. D. Prasojo, Y. Riyanto, F. A. Kusumaningrum, dan Y. Andriansyah, “Publications of Islamic University of Indonesia in Scopus Database: A bibliometric assessment,” COLLNET Journal of Scientometrics and Information Management, vol. 12, no. 1, hlm. 109–131, Jan 2018, doi: 10.1080/09737766.2017.1400754.

[17] A. Subagia, “Membangun Aplikasi Web dengan Metode OOP, Jakarta: PT,” Elex Media Komputindo Kelompok Gramedia, 2018.