Implementasi Data Mining Untuk Pengaturan Layout Swalayan Delimas Lestari Kencana Dengan Menggunakan Dengan Menggunakan
Algoritma K-Means Clustering
Dwi Retno Lestari
Program Studi Teknik Informatika, STMIK Budi Darma, Medan, Indonesia Jalan Sisingamangaraja No. 338 Medan, Indonesia
Abstrak
Swalayan adalah salah satu tempat berbelanja yang dapat memberikan kenyamanan, kebersihan, kecepatan dan kerapian produk untuk konsumennya. Banyak konsumen yang lebih memilih berbelanja di swalayan daripada di pasar tradisional karena swalayan dapat memberikan kenyamanan dan kerapian produknya, akan tetapi tidak sedikit dari konsumen yang mengeluhkan masalah tata letak (layout) produk yang ada di swalayan. Penentuan tata letak (layout) produk pada swalayan merupakan hal penting yang harus diperhatikan oleh pihak manajemen swalayan. Pada skripsi ini akan dijelaskan bagaimana implementasi algoritma k-means clustering berdasarkan kebiasaan konsumen berbelanja untuk menghasilkan suatu model tata letak (layout) merk produk berdasarkan jenis produknya. Penelitian ini menggunakan data yang diperoleh dari struk-struk belanja pada swalayan Delimas Lestari Kencana Lubuk Pakam. Algoritma k-means clustering digunakan untuk mempartisi data ke dalam cluster sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam kelompok lain. Hasil dari penelitian ini menghasilkan sebuah model tata letak (layout) merk produk berdasarkan jenis produknya yang dapat memudahkan konsumen dalam mendapatkan barang yang dibutuhkan.
Kata Kunci: Tata Letak , k-means ,clustering, vb net2008.
Abstract
Supermarkets are one of the shopping places that can provide comfort, cleanliness, speed and neatness of products for consumers. Many consumers prefer shopping at supermarkets than in traditional markets because supermarkets can provide comfort and neatness of their products, but not a few of consumers complain about product layout in supermarkets.
Determination of product layout (layout) at supermarkets is an important thing that must be considered by the supermarket management. In this thesis, we will explain how the implementation of the k-means clustering algorithm is based on consumer shopping habits to produce a product brand layout based on the type of product. This study uses data obtained from shopping receipts at the Delimas Lestari Kencana Lubuk Pakam supermarket. K-means clustering algorithm is used to partition data into clusters so that data that has the same characteristics is grouped into one and the same cluster of data that has different characteristics grouped into other groups. The results of this study produce a product brand layout (layout) based on the type of product that can facilitate consumers in getting the needed items.
Keywords: Layout, k-means, clustering, vb net2008.
1. PENDAHULUAN
Seiring dengan pertumbuhan ekonomi Indonesia yang maju dan berkembang pesat khususnya di kota besar maupun kota kecil, telah terjadi perubahan diberbagai sektor, termasuk dibidang industri dan produksi serta pada kegiatan eceran di Indonesia yang telah berkembang menjadi usaha yang berskala besar. Perkembangan bisnis eceran yang pesat ini tidak lepas dari faktor meningkatnya jumlah penduduk Indonesia dan juga meningkatkan jumlah pendapatan perkapita penduduk Indonesia yang menyebabkan taraf hidup masyarakat Indonesia semakin meningkat. Hal ini membawa dampak kepada pola prilaku belanja seseorang, dimana semakin meningkatnya taraf hidup seseorang maka tuntutan akan tempat berbelanja yang nyaman dan dapat menyediakan segala kebutuh konsumen dalam satu lokasi semakin dibutuhkan. Swalayan adalah salah satu tempat berbelanja yang dapat memberikan kenyamanan, kebersihan, kecepatan, dan kerapian produk dan konsumennya.
Perkembangan usaha tempat berbelanja seperti swalayan pada saat ini sangat pesat, sehingga persaingan tempat perbelanjaan menjadi sangat komperatif. Berbagai cara diterapkan melalui strategi pemasaran yang efektif dengan tujuan yaitu untuk menang dalam persaingan. Penguasaan akan pasar dalam dunia bisnis merupakan faktor yang sangat penting agar usaha yang dijalankan tetap eksis dan bahkan jika mungkin dapat bekembang lebih luas lagi. Konsumen yang berbelanja di swalayan biasanya memiliki alasan mengapa mereka memilih berbelanja di swalayan. Terkadang semakin besar suatu swalayan diperlukan pola penyusunan dan tata letak (layout) yang dapat meningkatkan kemudahan pada costumer yang berbelanja pada swalayan. Karena banyaknya letak produk yang tidak sesuai dengan susunan yang sesuai dengan urutan atau jenis dan karakteristik merk produk.
Dari beberapa teknik clustering yang paling sederhana dan umun dikenal adalah clustering K-Means. K- Means merupakan salah satu metode data clustering non hirarki yang memparisi data kedalam cluster sehingga data memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokkan kedalam kelompok lain.
2. LANDASAN TEORI
2.1 Data Mining
Nama data mining sebenarnya mulai dikenal sejak tahun 1990, ketika pekerjaan pemanfaatan data menjadi sesuatu yang penting dalam berbagai bidang, mulai dari bidang akedemik, bisnis, hingga medis ( Gorunescu, 2011 ). Data mining dapat diterapkan pada berbagai bidang yang mempunyai sejumlah data, tetapi karena wilayah penelitian dengan sejarah yang belum lama, dan belum melewati masa ‘remaja’, maka data mining masih diperdebatkan posisi bidang pengetahuan yang memilikinya. Maka Daryl Pregibon menyatakan bahwa “ data mining adalah campuran dari statistik, kecerdasan buatan, dan riset basis data” yang masi berkembang. Terlepas dari ‘remaja’- nya data mining,ternyata data mining diproyeksikan menjadi jutaan dolar didunia industri pada tahun 2000, sedangkan pada tahun yang sama, ternyata data mining dipandang sebelah mata oleh sejumlah peneliti sebagai dirty word in statistics. Mereka adalah orang-orang yang tidak memandang data mining sebagai sesuatu yang menarik bagi mereka pada saat itu.
2.2 Klasifikasi
Salah satu tugas yang dapat dilakukan dengan data mining adalah pengklasifikasian. Klasifikasi pertama kali diterapkan pada bidang tanaman yang mengklasifikasi suatu spesies tertentu, seperti yang dilakukan oleh Carolus von Linne (atau dikenal dengan nama Carolus Linnaeus) yang pertama kali mengklasifikasi spesies berdasarkan karakteristik fisik. Selanjutnya dia dikenal sebagai bapak klasifikasi. Dalam klasifikasi terdapat target variabel kategori. Metode-metode / model-model yang telah dikembangkan oleh periset untuk menyelesaikan kasus klasifikasi antara lain [6]:
2.3 Layout
Menurut Rende [7] dikatakan bahwa “ Layout (tata letak ) merupakan satu keputusan penting yang menentukan efisiensi sebuah operasi dalam jangka panjang”. Sedangkan menurut James [8] layout didefenisikan sebagai perencanaan dan intelerasi yang paling efektif dan efisien antar operator, peralatan dari bagian penerimaan sampai ke bagian pengiriman produk jadi. Menurut Terry [9] layout dipandang sebagai proses penentuan kebutuhan ruangan secara terperinci guna menyiapkan sususan yang praktis dari faktor-faktor fisik yang dianggap perlu untuk pelaksanaan kerja perkantoran dengan biaya yang layak. Penyakit zika atau virus zika adalah sejenis virus yang berasal dari keluarga Flaviviridae dari genus Flavivirus. Keluarga Flaviviridae merupakan keluarga virus yang menyebar melalui vector arthropoda, yang paling utama adalah nyamuk. Virus zika dapat dikatakan cukup berbahaya meskipun belum ada kasus yang menunjukan bahwa virus ini dapat berujung kematian, tetapi banyak kasus serius yang dialami oleh orang yang terinfeksi virus. Salah satu bahaya virus zika apabila terinfeksi adalah timbulnya penyakit zika atau demam zika. Bisa dibilang, ini merupakan jenis penyakit yang umum diderita oleh semua orang baik anak-anak maupun dewasa, yang terinfeksi virus zika [3].
2.4 Algoritma K-Means Clustering
K-Means merupakan salah satu metode clustering non hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih cluster. Metode ini mempartisi data ke dalam cluster sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik yang berbeda di kelompokkan ke dalam cluster yang lain. Secara umum algoritma dasar dari K-Means Clustering adalah sebagai berikut :
1. Tentukan jumlah cluster
2. Alokasikan data ke dalam cluster secara random
3. Hitung centroid/ rata-rata dari data yang ada di masing-masing cluster 4. Alokasikan masing-masing data ke centroid/ rata-rata terdekat 5. Kembali ke step 3, apabila masih ada data yang berpindah cluster.
Atau apabila perubahan nilai threshold yang ditentukn atau apabila perubahan nilai pada objective function yang digunakan di atas nilai threshold yang ditentukan. Distance space digunakan untuk menghitung jarak antara data dan centroid. Adapun persamaan yang dapat digunakan salah satunya yaitu Euclidean Distance Space. Euclidean distance space sering digunakan dalam perhitungan jarak, hal ini dikarenakan hasil yang diperoleh merupakan jarak terpendek antara dua titik yang diperhitungkan.
3. ANALISA DAN PEMBAHASAN
Setiap lembaga mempunyai sistem operasional yang setiap transaksi kegiatan operasinya selalu dicatat dan didokumentasikan. Pendokumentasian setiap transaksi sangat berguna bagi lembaga tersebut untuk segala
keperluan. Data-data tersebut tersimpan dalam sebuah basis data berkepastian besar. Bagi perusahaan, data data yang tersimpan di basis data dan dapat dimanfatkan untuk membuat laporan penjualan, kontrol inventaris, dan sebagainya, yang pada akhirnya dapat digunakan untuk mengetahui kondisi keuangan perusahaan. Selain kebutuhan pada hal tersebut, perusahaan juga perlu mengetahui pola grafik jumlah produksi berdasarkan data- data produksi yang sudah diketahui sebelumnya, perkiraan nilai penjualan dan layout swalayan , serta pola pembelian konsumen, analisis kebutuhan pasar yang sangat signifikan dalam sumbangan laba perusahaan, dan sebagainya. Semua hal tersebut bisa didapatkan dengan memanfaatkan data-data yang sudah ada di dalam basis data. xDalam statistik dan mesin pembelajaran. Pengelompokan K-Means merupakan metode analisi kelompok yang mengarah pada pemartisian N objek pengamatan ke dalam K kelompok ( cluster ) di mana setiap objek pengamatan dimiliki oleh sebuah kelompok dengan mean (rata-rata) terdekat, mirip dengan algoritma Expactation Maximization untuk Gaussian Mixture di mana keduanya mencoba untuk menemukan pusat dari kelompok dalam data sebanyak iterasi perbaikan yang dilakukan oleh kedua algoritma..
K-Means adalah salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih cluster. Metode ini mempartisi data ke dalam cluster sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai katakteristik yang berbeda dikelompokkan ke dalam cluster yang lain. Tahapan clustering dengan menggunakan K-Means dimulai dengan pembentukan cluster dimana penulis di sini membagi cluster maksimal sesuai dengan jumlah dataset, karena nantinya setiap cluster yang diinputkan dapat memilih data sheet untuk menentukan nilai centroid akan tetapi dengan syaraf nilai centroid tidak dapat muncul dengan nilai yang sama. Kemudian dilakukan proses perhitungan jarak dari centroid dengan menggunakan Euclidean Distance, dimana centroid diperoleh dari objek dataset yang telah diinputkan.
Tabel 1. Data Penentuan Jenis Produk Swalayan No Struk
Ke-
Makanan
Ringan Minuman Buah-
Buahan Perawatan Bahan Dapur
Bahan
Makanan Perlengkapan Obat-
obatan Rokok
1 Struk 1 6 8 0 1 1 0 4 4 0
2 Struk 2 0 1 0 0 0 0 1 0 0
3 Struk 3 0 1 0 1 4 1 1 0 0
4 Struk 4 1 0 0 1 0 0 0 0 0
5 Struk 5 2 5 0 0 0 0 5 0 0
6 Struk 6 1 0 0 0 0 1 0 0 0
7 Struk 7 1 0 0 0 2 0 1 0 0
8 Struk 8 1 0 0 1 0 1 1 0 1
9 Struk 9 0 0 0 0 3 1 1 0 0
10 Struk 10 1 0 1 2 3 0 2 0 0
11 Struk 11 0 0 0 0 0 1 0 0 0
12 Struk 12 0 0 0 0 0 1 0 0 0
13 Struk 13 0 0 0 0 0 0 0 0 0
14 Struk 14 0 0 0 0 0 0 1 0 0
Adapun hasil dari centroid dari masing-masing cluster yang telah diiinputkan (missal penginputan 3 cluster) berdasarkan pengelompokan jenis produk yang dapat dilihat pada tabel 4.3 berikut ini :
1. Parameter Produk
Tabel 2. Centroid Parameter Produk
Cluster Centroid
Centroid Produk Makanan Ringan
C1 6
C2 5
C3 0
Centroid Produk Minuman
C1 8
C2 3
C3 2
Centroid Produk Buah-buahan
C1 0
C2 16
C3 29
Centroid Produk Perawatan
C1 1
C2 3
C3 2 Centroid Produk Bahan Dapur
C1 11
C2 3
C3 20
Centroid Produk Minuman
C1 1
C2 5
C3 8
Centroid Produk Perlengkapan
C1 4
C2 3
C3 2
Centroid Produk Obat-obatan
C1 4
C2 32
C3 16
Centroid Produk Rokok
C1 3
C2 17
C3 5
Penghitungan jarak berdasarkan parameter produk antara jarak data terhadap nilai centroid masing-masing cluster menggunakan rumus euclidiance distance yaitu:
1. Jarak antara struk pertama dengan centroid pertama (C1) d (1,1) = √(6 - 6) 2 = √ (0) 2 = 0
2. Jarak antara struk pertama dengan centroid kedua (C2) d (1,2) = √(6 -5) 2 = √ (1) 2 = 1
3. Jarak antara struk pertama dengan centroid ketiga (C3) d (1,3) = √(6 - 0) 2 = √ (6) 2 = 6
Penghitungan jarak data berdasarkan paramater produk makanan ringan dengan centroid masing-masing cluster pada 6 record selanjutnya akan disajikan dalam bentuk Tabel 3. berikut :
Table 3. Hasil Perhitungan Jarak Dengan Parameter Produk Makanan Ringan Masing- Masing Cluster
No Struk Ke- C1 C2 C3
1 Struk 1 0 1 6
2 Struk 5 1 0 5
3 Struk 7 6 5 0
4 Struk 10 5 4 1
5 Strruk 13 6 5
5
0
6 Struk 14 6 0
Setelah melakukan penghitungan jarak data dengan masing-masing cluster, tahapan selanjutnya adalah mengelompokkan jarak terkecil atau minimum disetiap masing-masing cluster. Seperti pada Tabel 3, untuk data yang pertama atau struk pertama jarak yang terkecil yaitu 0 dan terletak pada (C1). Maka data pertama akan menjadi anggota dari cluster pertama. Untuk lebih jelasnya anggota data awal untuk masing-masing cluster akan disajikan pada Tabel - tabel berikut:
Tabel 3. Anggota Data Masing-Masing Cluster
Struk Ke- C1 C2 C3
Produk Makanan Ringan Struk 1
Struk 5 Struk 7 Struk 10 Struk 13 Struk 14
Produk Minuman Struk 1
Struk 5 Struk 7 Struk 10 Struk 13 Struk 14
Produk Buah-buahan Struk 1
Struk 5 Struk 7 Struk 10 Struk 13 Struk 14
Produk Perawatan Struk 1
Struk 5 Struk 7 Struk 10 Struk 13 Struk 14
Produk Bahan Dapur Struk 1
Struk 5 Struk 7 Struk 10 Struk 13 Struk 14
Produk Bahan Makanan Struk 1
Struk 5 Struk 7 Struk 10 Struk 13 Struk 14
Produk Perleengkapan Struk 1
Struk 5 Struk 7 Struk 10 Struk 13 Struk 14
Produk Obat-obatan Struk 1
Struk 5 Struk 7 Struk 10 Struk 13 Struk 14
Produk Rokok Struk 1
Struk 5 Struk 7 Struk 10 Struk 13 Struk 14
4. KESIMPULAN
Adapun kesimpulan yang diperoleh dari penulis adalah sebagai berikut:
1. Dengan menerapkan algoritma K-Means Clustering didapatkan sebuah model tata letak layout merk produk di Swalayan Delimas Lestari Kencana, sehingga dapat memudahkan konsumen dalam menemukan merk produk yang akan dibelinya.
2. Penentuan tata letak merk produk berdasarkan jenis produknya terbagi menjadi 3 cluster, yaitu cluster C1, cluster C2, dan cluster C3, yang telah dilakukan penghitungan dengan menggunakan algoritma K-Mens Clustering, sehingga dapat diketahui pada cluster ke berapa penempatan merk produk berdasarkan jenis produknya di Swalayan Delimas Lestari Kencana..
REFERENCES
[1] Usman Haryajo, Implementasi, Yogyakarta: PT. Erlangga, 2012 [2] Tachjan Pratama, Implementasi, Jakarta: PT. Erlangga, 2013
[3] Eko Prasetyo, Data Mining Konsep Aplikasi Menggunakan Matlab, Yogyakarta: ANDI, 2012 [4] Jogiyanto HM, Analisa dan Desain Sistem Informasi, Yogyakarta: Erlangga, 2008
[5] Gordon Setiawan, Pengaturan Dalam Suatu Sistem, Jakarta: Erlangga, 2012 [6] Adibyo Suharji, Pengaturan Layout Sistem, Yogyakarta: Andi, 2013 [7] James Kartanegara, Sistem Tata Letak Bangunan, Bandung: Erlangga 2013
