Market Basket Analysis Menggunakan Association Rule dan Algoritma Apriori Pada Produk Penjualan Barang

(1)

Market Basket Analysis **Menggunakan Association Rule dan Algoritma Apriori Pada Produk Penjualan Barang**

Elfira Umar, Danny Manongga, Ade Iriani^*

Fakultas Teknologi Informasi, Magister Sistem Informasi, Universitas Kristen Satya Wacana, Salatiga, Indonesia Email: ¹972019010@Student.uksw.edu ²danny.manongga@uksw.edu,^3,*ade.iriani@uksw.edu

Email PenulisKorespondensi: ade.iriani@uksw.edu

Abstrak−Market Basket Analysis merupakan pembelajaran untuk mengatur asosiasi dalam pengolahan data diberbagai bidang.

Tujuan utama dari Market Basket Analysis dalam bidang penjualan yaitu untuk menyampaikan pesan penting terhadap perusahaan agar dapat mengetahui pola perilaku memasukan barang kedalam keranjang belanja yang dilakukan konsumen sehingga pihak mitra dapat membuat suatu keputusan. Dalam penelitian ini digunakan Algoritma Apriori untuk memperhitungkan perubahan yang terjadi pada data. Penelitian ini membahas tentang teknik data mining dalam menganalisis barang apa saja yang paling sering dibeli dalam waktu bersamaan oleh konsumen sehingga dapat merubah peletakan barang yang saling berdekatan untuk meningkatkan efek impulse buying. Hasil yang diperoleh yaitu 5 rules dimana salah satu rule memperoleh nilai confidence tertinggi jika membeli rokok maka barang yang dominan diambil secara bersamaan yaitu telur dengan memperoleh nilai confidence yang dapat memenuhi syarat confidence tertinggi yaitu 67%.

Kata Kunci: Market Basket Analysis; Algoritma Apriori; Data Minig; Nilai Confidence

Abstract−Market Basket Analysis is a learning to manage the association in data management in various fields. The main purpose of Market Basket Analysis in sales is to send the important message for the company to know the behavior patterns in entering the purchase, so that the company are able to take decision. This research used Algoritm Apriori to count the data change. This study discussed about the data mining technique in analyze every purchase that the most take by the consumer at same time, in order to change the purchase placement that close together to increase the effect of impulse buying. The result was 5 rules which the first rule got the highest confidence value, if buy cigarette then the dominant items that take together was egg with confidence value which can fulfill the criteria of the highest confidence is 67%

Keywords: Basket Analysis; Algoritma Apriori; Data Minig; Confidence Value

1. PENDAHULUAN

Perubahan yang terjadi dalam dunia bisnis yang kian pesat mendorong kita agar berusaha keras dalam menghadapi perkembangan teknologi yang semakin maju. Teknologi yang terus maju membuat kita harus terus melakukan perubahan dengan mengikuti perkembangan teknologi saat ini. Kemajuan teknologi harus sejalan dengan kemampuan manusia dalam melakukan perubahan (update) setiap waktu. Semakin besar suatu perusahaan tentunya akan semakin besar data yang dimiliki. Data-data tersebut antara lain data konsumen, data penjualan, data transaksi pembelian, data penggajian, dll. Semua data transaksi tersebut biasanya disimpan oleh perusahaan dalam database center. Namun banyak perusahaan yang tidak mengetahui betapa pentingnya tumpukan data-data yang diperoleh perusahaan dalam bertransaksi dan beraktifitas. Perusahaan memandang data-data tersebut hanya sebagai arsip atau berkas-berkas yang tidak terpakai dan bisa dihancurkan kapan saja oleh perusahaan. Hal tersebut merupakan pandangan yang salah, sebab data-data tersebut bisa diberdayakan menggunakan tool data mining yang bisa digunakan utuk meramalkan strategi bisnis dan meningkatkan perusahaan di masa depan. Data transaksi penjualan dapat berguna bagi perusahaan dengan mengolah kembali data tersebut sehingga dapat menghasilkan sebuah informasi yang bermanfaat bagi perusahaan serta dapat membantu perusahaan dalam menentukan proses pengambilan keputusan.

Data mining yaitu proses pengumpulan informasi yang bermanfaat dari suatu data yang diolah sehingga dapat menghasilkan informasi yang berguna bagi perusahaan. Data mining disebut juga sebagai proses untuk memperoleh informasi penting dari database yang besar yang kemudian diolah agar menghasilkan sebuah informasi baru sehingga membantu perusahaan dalam proses pengambilan keputusan [1]. Pengolahan data transaksi pada Mitra Swalayan Salatiga dengan memafaatkan metode association rule sehingga dapat mengetahui informasi pembelian produk atau barang yang dilakukan oleh konsumen pada waktu yang bersamaan. Sehingga perusahaan dapat menggunakan informasi yang diperoleh untuk melakukan perubahan terhadap sistem penjualan atau pemasaran serta mengatur penempatan produk dalam toko agar mudah dijangkau oleh konsumen.

Terdapat beberapa algoritma yang digunakan untuk melakukan Market Basket Analysis. Algoritma yang paling umum digunakan adalah algoritma Apriori. Algoritma Apriori pertama kali diusulkan oleh R. Agrawal dan R. Srikant pada tahun 1994 Algoritma ini didasarkan pada frequent itemsets yang diketahui sebelumnya [2].

Penelitian lain menggunakan Market Basket Analysis dan Association Rule menunjukan bahwa keterkaitan pembelian produk oleh konsumen sangat penting untuk meningkatkan penjualan produk pada sebuah toko.

Penelitian selanjutnya membandingkan algoritma Apriori, FP-Growth, dan Squeezer. Hasil yang didapatkan bahwa algoritma Apriori memiliki waktu proses yang paling cepat dan menghasilkan pola pembelian yang lebih banyak dibandingkan algoritma lainnya [3]. Selanjutnya penelitian menggunakan algoritma Association Rules Networks. Dalam penelitiannya, ia secara visual menunjukkan tingkat keterkaitan antara setiap dua barang di masyarakat yang berbeda. Informasi ini memberi gambaran tentang barang yang dikumpulkan bersamaan dalam

(2)

Elfira Umar, Copyright © 2022, MIB, Page 1368 dataset. Selanjutnya, ia menerapkan teknik yang berbeda untuk menganalisis communities of products yang ditemukan. Untuk menemukan barang mana yang memainkan peran utama dalam masyarakat dan menggunakan dencity of networks [4].

Penelitian oleh Mateus Paga Tana dan Fitri Marisa pada tahun 2018 dengan judul Penerapan Data Mining Market Basket Analysis Terhadap Data Penjualan Produk Pada Toko Oase Menggunakan Algoritma Apriori.

Tujuan dari penelitian ini adalah untuk dapat membantu dalam memperbaiki pengambilan keputusan dimasa yang akan datang. Salah satu manfaat dari pengambilan keputusan ini adalah penyusunan katalog produk pada supermarket seperti produk yang paling banyak terjual diletakkan ditempat yang mudah dicari dan begitu juga dengan produk yang sering diterjual secara bersamaan maka produk tersebut perlu diletakkan pada tempat. Hasil dari proses data mining yaitu pola pembelian produk yang sering dibeli bersamaan. Pola ini dapat digunakan untuk menempatkan produk yang sering dibeli bersamaan kedalam sebuah area yang saling berdekatan, merancang tampilan produk di katalog. Penerapan Algoritma Apriori pada teknik Data Mining sangat efisien dan dapat mempercepat proses pembentukan kecenderungan pola kombinasi itemset hasil penjualan Produk-produk barang di Toko OASE yaitu dengan support dan confidence tertinggi adalah Rokok, kopi Snack, mie goreng, Nabati [5].

Analisis Market Basket Dengan Algoritma Hash-Based Pada Transaksi Penjualan (Studi Kasus: TB.

Menara) oleh Feresia Panjaitan dan Ade Surahman pada Tahun 2020. Hasil penelitian ini adalah ditemukannya 2 Frequent itemset yaitu asbes, karet asbes, paku payung dengan support 93 dan keramik, semen holcim, semen nat keramik dengan support 75. Association rules yang terbentuk yaitu ketika membeli karet asbes maka membeli asbes confidence 96%. Ketika membeli karet asbes maka membeli paku payung confidence 93%. Ketika membeli asbes dan karet asbes maka membeli paku payung confidence 93%. Ketika membeli asbes dan paku payung maka membeli karet asbes confidence 96%. Ketika membeli paku payung dan karet asbes maka membeli asbes confidence 96% [6].

Penelitian lain yang terkait juga dilakukan oleh Erlin Elisa pada tahun 2018 dengan judul Market Basket Analysis Pada Mini Market Ayu Dengan Algoritma Apriori. Analisis keranjang pasar dengan Algoritma Apriori merupakan salah satu metode data mining yang bertujuan untuk mencari pola assosiasi berdasarkan pola belanja yang dilakukan konsumen, sehingga bisa diketahui item-item barang apa saja yang dibeli secara bersamaan, Hasil dari penelitian ini menemukan Nilai support dan confidence tertinggi adalah Minyak dan Susu dengan nilai support 42,85% dan confidence 85,71% [7].

Penelitian yang dilakukan oleh Salam, Zeniarja. Dkk. Pencarian Pola Asosiasi Penataan Barang Dengan Menggunakan Perbandingan Algoritma Apriori dan FP-Growth. Hasil perbandingan algoritma Apriori dan FP- Growth untuk mencari pola asosiasi terhadap penataan barang dengan menggunakan data penjualan bulan November, Desember 2017 dan Januari 2018 menunjukan FP-Growth dapat menemukan aturan asosiasi lebih banyak dari pada Apriori karena proses pada FP-Growth yang tidak membutuhkan beberapa iterasi pada prosesnya sehingga aturan asosiasi yang di dapat lebih banyak, Diantara kedua algoritma asosiasi rule algoritma FP-Growth memiliki tingkat ke akurasian lebih besar dari pada apriori serta Proses dari algoritma FP-Growth lebih cepat dari pada algoritma apriori [8].

Berdasarkan penjelasan yang telah disebutkan di atas, penelitian ini menggunakan algoritma Apriori dengan memanfaatkan Market Basket Analysis untuk mengetahui keterkaitan pembelian barang pada Mitra Swalayan Salatiga menggunakan Association Rules. Mitra Swalayan merupakan toko yang menyediakan berbagai macam peralatan rumah tangga, produk kecantikan, obat-obatan serta berbagai macam snack. Mitra swalayan terletak di kota Salatiga dan mempunyai omset yang cukup besar. Semakin banyaknya pertumbuhan pelaku bisnis seperti minimarket maka semakin banyak pesaing dalam mendapatkan pelanggan. Sistem terkomputerisasi sudah digunakan oleh Mitra swalayan saat ini dalam setiap proses transaksi penjualannya, sistem tersebut digunakan hanya mencatat transaksi penjualan biasa. Sehingga perusahaan membutuhkan proses analisis untuk mengetahui keterkaitan pembelian produk oleh konsumen sehingga dapat membantu perusahaan dalam pengambilan keputusan. Dengan hasil penelitian yang diperoleh diharapkan dapat membantu perusahaan dalam mengatur strategi tata letak produk-produk agar saling berdekatan, sehingga dapat mempengaruhi prospek beli dari konsumen semakin tinggi. Hal tersebut dinilai dapat mempermudah pembeli dalam memilih barang yang akan dimasukan kedalam keranjang belanja serta dapat meningkatkan pola pembelian yang tidak terencana oleh konsumen. Impulse buying juga akan berpengaruh pada peningkatan penjualan produk pada Mitra Swalayan Salatiga dan dapat mengetahui produk- produk yang paling banyak terjual dan produk yang minim pejualannya, sehingga perusahaan dapat menempatkan produk yang paling laku terjual di deretan depan sehingga dapat membantu konsumen dalam melakukan pembelian.

Berbeda dengan penelitian sebelumnya dan penelitian ini yaitu pada lokasi penelitian dan data yang digunakan dalam penelitian. Penelitian saat ini yaitu “Penerapan Market Basket Analysis menggunakan metode Association Rules dan Algoritma Apriori pada Mitra Salatiga”. Dengan tujuan agar dapat mengubah penataan barang dalam toko. Penelitian ini melakukan analisis pada produk-produk yang dibeli pada waktu yang bersamaan, agar dapat mengetahui dominan produk yang dibeli dalam waktu yang bersamaan. Data yang mendukung dalam penelitian yaitu data transaksi pembelian barang yang dilakukan oleh konsumen kemudian diolah dan dianalisis sehingga dapat mengetahui informasi keterkaitan produk-produk yang dibeli secara bersamaan. Sehingga dapat mengubah tata letak displaynya saling berdekatan sehingga menimbulkan efek impulse buying (pembelian yang tidak direncanakan oleh pembeli).

(3)

2. METODOLOGI PENELITIAN

2.1 TahapanPenelitian

Menurut Sugiyono (2017), metode penelitian merupakan cara ilmiah untuk mendapatkan data dengan tujuan dan kegunaan tertentu. Berdasarkan hal tersebut terdapat empat kata kunci yang perlu diperhatikan yaitu cara ilmiah, data, tujuan dan kegunaan [16]. Berdasarkan pengertian yang telah dijelaskan maka metode penelitian adalah suatu cara ilmiah atau teknik yang digunakan demi memperoleh data mengenai suatu objek dari penelitan yang memiliki tujuan untuk memecahkan suatu permasalahan. Penelitian ini dibagi menjadi 6 tahapan yaitu : 1) pengumpulan data, 2) preprocessing data, 3) menentukan minimum support, 4) mencari nilai confidence, 5) menghasilkan rule dan, 6) pengujian hasil.

Gambar 1. Alur Penelitian 2.2 Data Mining

Data mining merupakan sebuah proses penambangan dari data yang digunakan agar mendapatkan sebuah informasi yang akan diolah agar menemukan pola yang belum diketahui sebelumnya. Sehingga dapat membantu perusahaan dalam menentukan suatu keputusan. Data mining disebut juga bagian dari knowledge discovery database (KDD). Tahapan dari data mining antara lain [9]:

a)

Pembersihan data: proses cleaning terhadap data yang eror untuk menjadi sebuah data yang konsisten untuk dapat diolah pada tahap selanjutnya.

b)

Integrasi data: kombinasi data dari banyaknya database yang telah di celaning untuk melakukan integrasi sehingg digabungkan dalam basis data baru.

c)

Transformation: pada tahap ini data akan dipilih untuk melakukan perubahan formatnya agar sesuai dengan teknik dan metode yang dipakai.

d)

Data mining: inti sari dari sebuah proses data untuk memperoleh pola-pola baru dari data yang belum diketahui sebelumnya (data tersembunyi)

e)

Evaluasi pola: melakukan evaluasi informasi yang dapat digunakan untuk membuat keputusan.

2.3 Market Basket Analysis

Affinity analysis atau Market Basket Analysis yaitu aturan yang menentukan asosiasi antara berapa atribut dan juga bagian dari aplikasi pembelajaran terbaik di industri ritel. Metode ini digunakan untuk menganalisis perilaku pembelian konsumen dimasa lalu utuk mengetahui barang yang di ambil secara bersamaan oleh pembeli. Market Basket Analysis dengan tujuan utama untuk mengetahui keterkaitan (relationship) antar produk yang dibeli oleh pembeli dalam satu hari transaksi. Market Basket Analysis (MBA) juga dikenal sebagai asosiasi aturan pembelajaran atau analisis afinitas, adalah teknik penambangan data yang dapat digunakan di berbagai bidang, seperti pemasaran, bioinformatika, bidang pendidikan, ilmu nuklir dan lain sebagainya [10]. Tujuan Market Basket Analysis adalah berguna untuk meningkatkan efektivitas teknik promosi dan penjualan menggunakan data pelanggan atau penjualan yang sudah tersedia untuk perusahaan ritel [11]. Dengan mengetahui produk manakah yang dibeli secara bersamaan membantu perusahaan dan mneggunakan informasi untuk menempatkan produk yang sering terjual secara bersamaan di dalam satu area [12].

2.4 Association Rule

Analisis asosiasi atau Association rule mining adalah teknik dari data mining yang bertujuan untuk menemukan pola aturan asosiasi antara suatu kombinasi item. Sebagai langkah utama dalam association rules adalah mengetahui seberapa sering kombinasi item yang muncul dalam database yang biasa disebut sebagai frequent patterns. Ada dua rujukan dalam association rule, yaitu:

MULAI

PENGUMPULAN DATA

PREPROCESSING DATA

MENENTUKAN MINIMUM SUPPORT

DIPEROLEH 1-ITEMSET DAN K-ITEMSET (GABUNGKAN)

MENCARI NILAI CONFFIDENCE

MENGHASILKAN / MEMPEROLEH RULE

PENGUJIAN HASIL MENGGUNAKAN SOFTWARE RAPID MINER

SELESAI

(4)

b. Confidence: nilai kepastian yaitu kuatnya hubungan antar itemset. Confidence dapat dicari setelah pola frekuensi munculnya sebuah itemset ditemukan. [14]

2.5 Algoritma Apriori

Menurut Avendi Algoritma Apriori yaitu algoritma yang termasuk dalam menentukan pola aturan asosiasi pada data mining, dan algoritma paling sering dipakai oleh penelitian dalam melakukan pencarian frequent itemset dengan assocition rules, serta kemudahan dalam proses penerapanya dan tampilan visualisasi datanya yang mudah dimengerti [15]. Algorimta apriori memiliki 2 proses utama antara lain:

a)

Analisa pola frekuensi tinggi (frequent pattern mining) tahap ini mencari kombiasi item yang memenuhi syarat minimum dari nilai support dalam database.

b)

Pembentukan aturan assosiatif tapah ini mencari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan assosatif A → B.

c)

Penting tidaknya suatau aturan asosiasi dapat diketahui dengan dua parameter yaitu paramer support (nilai penunjang) merupakan presentase dari kombinasi item dalam database dan parameter confidence (nilai kepastian) adalah kuatnya hubungan antar item dam aturan asosiasi.

3. HASIL DAN PEMBAHASAN

3.1 Pengumpulan Data

3.1.1 Data Transaksi Penjualan

Data transaksi penjualan pada penelitian sekarang menggunakan sample data transaksi pembelian barang pada Mitra Swalayan Salatiga data transaksi yang saling berkaitan dengan berbagai macam jenis barang yang dibeli oleh konsumen. adapun data transaksi toko dapat dilihat pada tabel 1.

Tabel 1. Pola Transaksi Penjualan Barang Transaksi Item yang di beli

1 Gula, Beras 2 Telur, Kopi, Rokok 3 Minyak Goreng, Teh, Beras 4 Tepung, Beras, Kopi 5 Aqua, Indomie Rebus, Kopi 6 Beras, Susu, Sabun Mandi 7 Indomie Rebus, Roti, Aqua 8 Teh, Beras, Aqua

9 Minyak Goreng, Tepung, The 10 Beras, Gula, Gas, Minyak Goreng 11 kopi, Rokok

12 Rokok, Gula, Indomie Goreng 13 Gas, Kopi, Gula

14 Indomie Goreng, Telur, Rokok 15 kopi, Aqua, Indomie Rebus 16 Tepung, Minyak Goreng, Gas 17 Gas, Teh, Tepung

18 Teh, Gula, Kopi, Beras 19 Indomie Goreng, Tepung, Beras 20 Gas, Gula, Beras

21 Telur, Rokok 22 Kopi, Indomie Rebus 23 Susu, Sabun Mandi Roti 24 Beras, Indomie Goreng, Susu 25 Aqua, Rokok, Indomie Rebus, Susu 26 Gas, Susu, Teh, Minyak Goreng 27 tepung, Beras, Susu

28 Aqua,Susu, Beras, Minyak Goreng 29 Indomie Rebus, Indomie Goreng, Beras 30 Susu, Roti, Kopi

31 Aqua, Rokok, Indomie Rebus 32 Beras, Rokok, Gas

33 Indomie Rebus, Roti, Gula, Susu

34 Indomie Goreng, Susu, Rokok, Minyak Goreng 35 Beras, Gula, Kopi, The

36 Teh, Kopi, Gas

(5)

37 Gas, Minyak Goreng 38 Teh, Minyak Goreng 39 Tepung, Beras, Gas

40 Minyak Goreng, Beras, Kopi 41 Gas, Kopi, Indomie Goreng 42 Indomie rebus, Rokok, Telur 43 Gas, Beras, Sabun Mandi 44 Kopi, Indomie Goreng, Telur 45 Aqua, Rokok, Telur

46 Rokok, Aqua

47 Telur, Beras

48 Minyak Goreng, Susu, Beras

49 Indomie Goreg, Indomie Rebus, Aqua, Beras 50 Beras, Minyak Goreng

51 Indomie Goreng, Indomie Rebus, Roti 52 Beras, Telur, Aqua

53 Rokok, Indomie Goreng 54 Indomie Rebus Kopi, Gas 55 Susu, Telur, Beras, Rokok

56 Teh, Gula

57 Kopi, Berras, Miyak Goreng 58 Gas, Tepung, Beras 59 Teh, Gula, Kopi, Susu

60 Indomie Goreng, Indomie Rebus, Beras, Roti

3.2 Preprocessing Data

Pada preprocessing data menentukan tabulator dari data transaksi penjualan. Format tabulator merupakan perhitungan berapa banyak kemunculan dari setiap item penjualan di Mitra Swalayan Salatiga. Format tabulator dapat dilihat pada table 2.

Tabel 2. Format Tabulator Transaksi

No/Tgl AQUA BERAS GAS GULA INDOMIE REBUS

INDOMIE

GORENG KOPI MINYAK GORENG

1 0 1 0 1 0 0 0 0

2 0 0 0 0 0 0 1 0

3 0 1 0 0 0 0 0 1

4 0 1 0 0 0 0 1 0

5 1 0 0 0 1 0 1 0

6 0 1 0 0 0 0 0 0

7 1 0 0 0 1 0 0 0

8 1 1 0 0 0 0 0 0

9 0 0 0 0 0 0 0 1

10 0 1 1 1 0 0 0 1

11 0 0 0 0 0 0 1 0

12 0 0 0 1 0 1 0 0

13 0 0 1 1 0 0 1 0

14 0 0 0 0 0 1 0 0

15 1 0 0 0 1 0 1 0

16 0 0 1 0 0 0 0 1

17 0 0 1 0 0 0 0 0

18 0 1 0 1 0 0 1 0

19 0 1 0 0 0 1 0 0

20 0 1 1 1 0 0 0 0

21 0 0 0 0 0 0 0 0

22 0 0 0 0 1 0 1 0

23 0 0 0 0 0 0 0 0

24 0 1 0 0 0 1 0 0

25 1 0 0 0 1 0 0 0

26 0 0 1 0 0 0 0 1

27 0 1 0 0 0 0 0 0

28 1 1 0 0 0 0 0 1

29 0 1 0 0 1 1 0 0

30 0 0 0 0 0 0 1 0

31 1 0 0 0 1 0 0 0

32 0 1 1 0 0 0 0 0

33 0 0 0 1 1 0 0 0

(6)

REBUS

INDOMIE

GORENG KOPI MINYAK GORENG

34 0 0 0 0 0 1 0 1

35 0 1 0 1 0 0 1 0

36 0 0 1 0 0 0 1 0

37 0 0 1 0 0 0 0 1

38 0 0 0 0 0 0 0 1

39 0 1 1 0 0 0 0 0

40 0 1 0 0 0 0 1 1

41 0 0 1 0 0 1 1 0

42 0 0 0 0 1 0 0 0

43 0 1 1 0 0 0 0 0

44 0 0 0 0 0 1 1 0

45 1 0 0 0 0 0 0 0

46 1 0 0 0 0 0 0 0

47 0 1 0 0 0 0 0 0

48 0 1 0 0 0 0 0 1

49 1 1 0 0 1 0 0 0

50 0 1 0 0 0 0 0 1

51 0 0 0 0 1 1 0 0

52 1 1 0 0 0 0 0 0

53 0 0 0 0 0 1 0 0

54 0 0 1 0 1 0 1 0

55 0 1 0 0 0 0 0 0

56 0 0 0 1 0 0 0 0

57 0 0 0 0 0 0 1 0

58 0 1 1 0 0 0 0 0

59 0 0 0 1 0 0 1 0

60 0 1 0 0 1 1 0 0

JML 11 26 14 10 13 11 17 12

No. ROKOK ROTI SABUN MANDI SUSU TEH TELUR TEPUNG

1 0 0 0 0 0 0 0

2 1 0 0 0 0 1 0

3 0 0 0 0 1 0 0

4 0 0 0 0 0 0 1

5 0 0 0 0 0 0 0

6 0 0 1 1 0 0 0

7 0 1 0 0 0 0 0

8 0 0 0 0 1 0 0

9 0 0 0 0 1 0 1

10 0 0 0 0 0 0 0

11 1 0 0 0 0 0 0

12 1 0 0 0 0 0 0

13 0 0 0 0 0 0 0

14 1 0 0 0 0 1 0

15 0 0 0 0 0 0 0

16 0 0 0 0 0 0 1

17 0 0 0 0 1 0 1

18 0 0 0 0 1 0 0

19 0 0 0 0 0 0 1

20 0 0 0 0 0 0 0

21 1 0 0 0 0 1 0

22 0 0 0 0 0 0 0

23 0 1 1 1 0 0 0

24 0 0 0 1 0 0 0

25 1 0 0 1 0 0 0

26 0 0 0 1 1 0 0

27 0 0 0 1 0 0 1

28 0 0 0 1 0 0 0

29 0 0 0 0 0 0 0

30 0 1 0 1 0 0 0

31 1 0 0 0 0 0 0

32 1 0 0 0 0 0 0

33 0 1 0 1 0 0 0

34 1 0 0 1 0 0 0

35 0 0 0 0 1 0 0

36 0 0 0 0 1 0 0

(7)

37 0 0 0 0 0 0 0

38 0 0 0 0 1 0 0

39 0 0 0 0 0 0 1

40 0 0 0 0 0 0 0

41 0 0 0 0 0 0 0

42 1 0 0 0 0 1 0

43 0 0 1 0 0 0 0

44 0 0 0 0 0 1 0

45 1 0 0 0 0 1 0

46 1 0 0 0 0 0 0

47 0 0 0 0 0 1 0

48 0 0 0 1 0 0 0

49 0 0 0 0 0 0 0

50 0 0 0 0 0 0 0

51 0 1 0 0 0 0 0

52 0 0 0 0 0 1 0

53 1 0 0 0 0 0 0

54 0 0 0 0 0 0 0

55 1 0 0 1 0 1 0

56 0 0 0 0 1 0 0

57 0 0 0 0 0 0 0

58 0 0 0 0 0 0 1

59 0 0 0 1 1 0 0

60 0 1 0 0 0 0 0

JML 14 6 3 13 11 9 8

3.3 Menentukan Minimum Support 3.3.1 Analisis Pola Frekuensi Tinggi

Pada bagian selanjutnya melakukan pencarian kombinasi dari setiap itemset produk yang memenuhi syarat nilai minimum support yang telah ditentukan. Pembentukan proses C1 dari data tabel 2 yang dimana 1 itemset dengan jumlah minimum support sama dengan 10% dengan rumus :

Support (A) = Jumlah Transaksi mengandung A Total Transaksi

Tabel 3. Support Dari Setiap itemset

No Nama 1 itemset Jumlah Support%

5 Aqua 11 18%

1 Beras 26 43%

12 Gas 14 23%

10 Gula 10 17%

4 Indomie Rebus 13 22%

8 Indomie Goreng 11 18%

2 Kopi 17 28%

14 Minyak Goreng 12 20%

9 Rokok 14 23%

11 Roti 6 10%

6 Sabun Mandi 3 5%

7 Susu 13 22%

15 Teh 11 18%

3 Telur 9 15%

13 Tepung 8 13%

Selanjutnya menentukan nilai support dari minimum support yang telah ditentukan dapat dilihat pada tabel Tabel 4. Daftar jenis itemset dengan nilai minimum support yang telah ditentukan

No Nama 1 Itemset Jumlah Support%

1 Aqua 11 18%

2 Beras 26 43%

3 Gas 14 23%

4 Gula 10 17%

5 Indomie Rebus 13 22%

6 Indomie Goreng 11 18%

7 Kopi 17 28%

8 Minyak Goreng 12 20%

9 Rokok 14 23%

(8)

10 Roti 6 10%

11 Susu 13 22%

12 The 11 18%

13 Telur 9 15%

14 Tepung 8 13%

Pada tabel 4 merupakan tabel data item jenis barang yang telah diseleksi sesuai dengan nilai minimum support yang telah ditentukan. Data diatas digunakan untuk menentukan kombinasi item serta menentukan nilai support dan confidence.

3.3.2 Pembentukan Pola Kombinasi Dua Items

Pembentukan pola frekuensi dua items diperoleh dari setiap items jenis barang yang memenuhi minimal support dengan cara mengkombinasi semua items kedalam dua kombinasi. Hasil dari kombinasi kedua items ditampilkan pada tabel 5.

Tabel 5. Pola Kombinasi Dua Itemsset

1 Aqua, Beras 4 7%

2 Aqua, Gas 0 0%

3 Aqua, Gula 0 0%

4 Aqua, Indomie Rebus 6 10%

5 Aqua, Indomie Goreng 0 0%

6 Aqua, Kopi 2 3%

7 Aqua, Minyak Goreng 1 2%

8 Aqua, Rokok 4 7%

9 Aqua, Roti 1 2%

10 Aqua, Sabun Mandi 0 0%

11 Aqua, Susu 2 3%

12 Aqua, The 1 2%

13 Aqua, Telur 2 3%

14 Aqua, Tepung 0 0%

15 Beras, Gas 6 10%

16 Beras, Gula 5 8%

17 Beras, Indomie Rebus 3 5%

18 Beras, Indomie Goreng 4 7%

19 Beras, Kopi 4 7%

20 Beras, Minyak Goreng 6 10%

21 Beras, Rokok 2 3%

22 Beras, Roti 1 2%

23 Beras, Susu 6 10%

24 Beras, The 4 7%

25 Beras, Telur 3 5%

26 Beras, Tepung 5 8%

27 Gas, Gula 3 5%

28 Gas, Indomie Rebus 1 2%

29 Gas, Indomie Goreng 1 2%

30 Gas, Kopi 4 7%

31 Gas, Minyak Goreng 4 7%

32 Gas, Rokok 1 2%

33 Gas, Roti 0 0%

34 Gas, Susu 1 2%

35 Gas, The 3 5%

36 Gas, Telur 0 0%

37 Gas, Tepung 4 7%

38 Gula, Indomie Rebus 1 2%

39 Gula, Indomie Goreng 1 2%

40 Gula, Kopi 4 7%

41 Gula, Minyak Goreng 1 2%

42 Gula, Rokok 1 2%

43 Gula, Roti 1 2%

44 Gula, Susu 2 3%

45 Gula, The 4 7%

46 Gula, Telur 0 0%

47 Gula, Tepung 0 0%

48 Indomie Rebus, Indomie Goreng 3 5%

49 Indomie Rebus, Kopi 4 7%

50 Indomie Rebus, Minyak Goreng 0 0%

(9)

51 Indomie Rebus, Rokok 3 5%

52 Indomie Rebus, Roti 4 7%

53 Indomie Rebus, Susu 2 3%

54 Indomie Rebus, The 0 0%

55 Indomie Rebus, Telur 1 2%

56 Indomie Rebus, Tepung 0 0%

57 Kopi, Indomie Goreng 2 3%

58 Indomie Goreng, Minyak Goreng 1 2%

59 Indomie Goreng, Rokok 4 7%

60 Roti, Indomie Goreng 2 3%

61 Indomie Goreng, Susu 2 3%

62 Indomie Goreng, The 0 0%

63 Indomie Goreng, Telur 2 3%

64 Indomie Goreng, Tepung 1 2%

65 Kopi, Minyak Goreng 1 2%

66 Kopi, Rokok 2 3%

67 Kopi, Roti 1 2%

68 Kopi, Susu 2 3%

69 Kopi, The 4 7%

70 Kopi, Telur 2 3%

71 Kopi, Tepung 1 2%

72 Minyak Goreng, Rokok 1 2%

73 Minyak Goreng, Roti 0 0%

74 Minyak Goreng, Susu 4 7%

75 Minyak Goreng, The 4 7%

76 Minyak Goreng, Telur 0 0%

77 Minyak Goreng, Tepung 2 3%

78 Rokok, Roti 0 0%

79 Rokok, Susu 3 5%

80 Rokok, The 0 0%

81 Rokok, Telur 6 10%

82 Rokok, Tepung 0 0%

83 Roti, Susu 3 5%

84 Roti, The 0 0%

85 Roti, Telur 0 0%

86 Roti, Tepung 0 0%

87 Susu, The 2 3%

88 Susu, Telur 1 2%

89 Susu, Tepung 1 2%

90 Teh, Telur 0 0%

91 Teh, Tepung 2 3%

92 Telur, Tepung 0 0%

Pada tabel 5 diatas adalah pola kombinasi dua item yang merupakan hasil dari kombinasi dari semua jenis item.

3.4 Mencari Nilai Confidence

Pembentukan C2 dari dua itemset dengan jumlah minimum support sama dengan 10% dan minimum confidence 40% dengan rumus:

Support P (AᴖB) = Jumlah transaksi mengandung A dan B Total Transaksi

Tabel 6. Kombinasi dua item

1 Aqua, Indomie Rebus 6/11 55%

2 Indomie Rebus, Aqua 6/11 55%

3 Gas, Beras 6/26 43%

4 Minyak Goreng, Beras 6/12 50%

5 Susu, Beras 6/13 46%

6 Rokok, Telur 6/9 67%

7 Telur, Rokok 6/9 67%

3.5 Memperoleh Rule

3.5.1 Menentukan Aturan asosiasi

(10)

Elfira Umar, Copyright © 2022, MIB, Page 1376 Setelah menemukan semua nilai dari frekuensi tinggi, selanjutnya adalah mencari aturan asosiasi (A,B) yang memenuhi syarat nilai minimum confidence. Penentuan nilai aturan Association Rules, dengan mencari nilai confidence. Yang mana nilai support merupakan jumlah dari kombinasi antara items, sedangkan confidence merupakan nilai yang mendefinisikan seberapa kuatnya hubungan antara item-item tersebut. Berikut ini menentukan aturan associatif denga rumus :

Confodece = P(B|A) = Jumlah transaksi mengandung A dan B Jumlah transaksi mengandung A

Tabel 7. Aturan Associatif

Aturan Confidence Support

Jika melakukan pembelian aqua maka akan membel i

indomie rebus 6/11 55%

Jika membeli indomie rebus makan barang yang akan

dibeli secara bersamaan adalah aqua 6/11 55%

Jika Membeli Gas Maka Membeli Beras 6/26 43%

Jika Membeli Minyak Goreng Maka Membeli Beras 6/12 50%

Jika Membeli Susu Maka Membeli Beras 6/13 46%

Jika membeli rokok maka barang yang akan diambil

secara bersamaan yaitu telur 6/9 67%

Jika melakukan pembelian produk telur maka akan

membeli rokok 6/9 67%

3.6 Pengujian Hasil

Pada tahap ini akan melakukan uji coba pola kombinasi dari itemset yang diperoleh dari perhitungan manual maka dilakukan pengujian menggunakan software Rapidminer. Pada proses ini diuji menggunakan data tabulator dari excel. Menurut Hendrian (2018), menyimpulkan Rapid Miner adalah sebuah lingkungan machine learning data mining, text mining dan predictive analytics. Rapid Miner dapat dijalankan disistem operasi manapun. Dengan menggunakan Rapid Miner, tidak dibutuhkan kemampuan koding khusus, karena semua fasilitas sudah disediakan.

Rapid Miner dikhususkan untuk penggunaan data mining [17]. Berikut akan ditampilkan hasil proses pengujian menggunakan rapidminer.

Gambar 2. Proses Itemset Data Tabulator

Kombinasi dua item dengan minimum support 10% dan nilai confidence 40% dapat dilihat pada gambar 3.

Gambar 3. Hasil Itemset 2

Berikut adalah tampilan view grafik pada tools rapidminer dapat dilihat pada gambar 4 berikut ini:

(11)

Berikutnya adalah tampilan hasil aturan asosiasi dari uji coba menggunakan rapidmier. Gambar dibawah menunjukan hasil pengujian association rule menggunakan tools rapidminer menunjukan hasil yang diperoleh sama dengan hasil perhitungan manual dengan syarat nilai minimum support yang digunakan 10% dan nilai confidence 40% yang memperoleh 7 rules seperti yang terlihat pada gambar 5.

Gambar 5. Association Rules

4. KESIMPULAN

Semakin besar suatu perusahaan tentunya akan semakin besar data yang dimiliki. Data-data tersebut antara lain data konsumen, data penjualan, data transaksi pembelian, data penggajian. Semua data transaksi tersebut biasanya disimpan oleh perusahaan dalam database center. Namun banyak perusahaan yang tidak mengetahui betapa pentingnya tumpukan data-data yang diperoleh perusahaan dalam bertransaksi dan beraktifitas. Salah satunya yaitu Mitra Swalayan Salatiga, perusahaan memandang data-data tersebut hanya sebagai arsip atau berkas-berkas yang tidak terpakai dan bisa dihancurkan kapan saja oleh perusahaan. Hal tersebut merupakan pandangan yang salah, sebab data-data tersebut bisa diberdayakan menggunakan tool data mining yang bisa digunakan utuk meramalkan strategi bisnis dan meningkatkan perusahaan di masa depan. Data transaksi penjualan pada Mitra Swalayan Salatiga dapat berguna bagi perusahaan dengan mengolah kembali data tersebut sehingga dapat menghasilkan sebuah informasi yang bermanfaat bagi perusahaan serta dapat membantu perusahaan dalam menentukan proses pengambilan keputusan. Dataset yang diperoleh dari data transaksi penjualan Mitra Swalayan Salatig kemudian data diolah untuk mendapatkan data tabulator sehingga memperoleh data perhitungan manual menggunakan excel. Selanjutnya melakukan pengolahan data menggunaka metode Market Basket Analysis (MBA) untuk mengetahui kebiasaan membeli konsumen dalam membeli produk pada 1 (satu) kali transaksi.

Association rule yaitu bagian dari data mining untuk menemukan aturan assosiatif antara suatu kombinasi item dan perhitungan nilai support dan confidence sehingga dapat mengetahui seberapa besar kemungkinan konsumen membeli barang secara bersamaan. Penelitia ini menghasilkan 5 rules yaitu, jika membeli aqua maka barang yang akan diambil dalam satu kali transaksi yaitu indomie rebus nilai confidence yang diperoleh 55%, jika membeli gas maka membeli beras degan confidence yang diperoleh 43%, jika membeli minyak goreng maka membeli beras nilai confidence yang diperoleh 50%, jika produk susu yang dibeli maka akan membeli beras dengan nilai confidence yang diperoleh 46 % dan, jika membeli rokok maka barang yang akan dibeli bersamaan yaitu telur dengan syarat confidence tertinggi yaitu 67%.

REFERENCES

[1] J. Suntoro, “22-DATA MINING Algoritma dan Implementasi Menggunakan Bahasa Pemrograman PHP,” DATA Min.

Algoritm. dan Implementasi Menggunakan Bhs. Pemrograman PHP, vol. 9, no. 9, pp. 259–278, 2019.

[2] A. Rifqy Alfiyan, A. Hafidzul Kahfi, M. Rizky Kusumayudha, and M. Rezki, “Analisis Market Basket Dengan Algoritma Apriori Pada Transaksi Penjualan Di Freshfood,” IJCIT (Indonesian J. Comput. Inf. Technol., vol. 4, no. 1, pp. 1–8, 2019.

[3] S. Qomariyah, “Perbandingan Algoritma Fp-Growth, Apriori, Dan Squeezer Pada Analisis Perilaku Konsumen Di Minimarket K1Mart Its,” Diss. Inst. Teknol. Sepuluh Nop., 2017.

[4] P. S. Sarjana, D. Statistika, F. Matematika, and D. A. N. S. Data, “TUGAS AKHIR – SS 141501 MARKET BASKET ANALYSIS MENGGUNAKAN ALGORITMA APRIORI , FUZZY c-COVERING , DAN ASSOCIATION RULES NETWORKS DI K1 MART ITS ZUMARSIYAH MAHSYARI,” 2018.

[5] M. P. Tana, F. Marisa, and I. D. Wijaya, “Penerapan Metode Data Mining Market Basket Analysis Terhadap Data Penjualan Produk Pada Toko Oase Menggunakan Algoritma Apriori,” J I M P - J. Inform. Merdeka Pasuruan, vol. 3, no.

(12)

[6] F. Panjaitan, A. Surahman, and T. D. Rosmalasari, “Analisis Market Basket Dengan Algoritma Hash-Based Pada Transaksi Penjualan (Studi Kasus: Tb. Menara),” J. Teknol. dan Sist. Inf., vol. 1, no. 2, pp. 111–119, 2020, [Online].

Available: http://jim.teknokrat.ac.id/index.php/JTSI

[7] “Erlin Elisa,” Mark. Basket Anal. Pada Mini Mark. Ayu Dengan Algoritm. Apriori, vol. Vol. 2 No., no. ISSN : 2580- 0760 (media online), p. Terbit online pada laman web jurnal : http://jurna, 2018.

[8] A. Salam, J. Zeniarja, W. Wicaksono, and L. Kharisma, “Pencarian Pola Asosiasi Untuk Penataan Barang Dengan Menggunakan Perbandingan Algoritma Apriori Dan Fp-Growth (Study Kasus Distro Epo Store Pemalang),” Dinamik, vol. 23, no. 2, pp. 57–65, 2019, doi: 10.35315/dinamik.v23i2.7178.

[9] “Data Mining : Definis, Fungsi, Metode dan Penerapannya.” [Online]. Available:

https://www.jagoanhosting.com/blog/apa-itu-data-mining/

[10] M. Kaur and S. Kang, “Market Basket Analysis: Identify the Changing Trends of Market Data Using Association Rule Mining,” Procedia Comput. Sci., vol. 85, no. Cms, pp. 78–85, 2016, doi: 10.1016/j.procs.2016.05.180.

[11] Y. Akbar and M. J. Hakim, “Market Basket Analysis Menggunakan Algoritma Apriori Berbasis Bahasa R (Studi Kasus Transretail Indonesia),” CKI SPOT, vol. 11, no. 2, pp. 173–180, 2018.

[12] A. Muzakir and L. Adha, “Market Basket Analysis (Mba) Pada Situs Web E-Commerce Zakiyah Collection,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 7, no. 2, p. 459, 2016, doi: 10.24176/simet.v7i2.755.

[13] A. Chandra, “Peningkatan Performa Algoritma Apriori Untuk Aturan Asosiasi Data Mining,” Semnasteknomedia, no. 2, pp. 85–90, 2017.

[14] S. Sinaga and A. M. Husein, “Penerapan Algoritma Apriori dalam Data Mining untuk Memprediksi Pola Pengunjung pada Objek Wisata Kabupaten Karo,” J. Teknol. dan Ilmu Komput. Prima, vol. 2, no. 1, pp. 49–54, 2019, doi:

10.34012/jutikomp.v2i1.461.

[15] T. Evendi and R. F. A. Aziza, “300969-Penerapan-Algoritma-Apriori-Untuk-Menemu-D7a1Ce63,” Teknokompak, vol.

13, no. 1, pp. 18–23, 2019.

[16] Prof. Dr. Sugiyono, “Metode Penelitian Kuantitatif, Kualitatif, dan R&D – MPKK,” 2017. [Online]. Available:

https://cvalfabeta.com/product/metode-penelitian-kuantitatif-kualitatif-dan-rd-mpkk/

[17] Hendrian,“penegertian rapidminer,”2018, [Online]. Available:

https://www.google.com/search?q=penegertian+rapidminer+menurut+hendrian&oq=penegertian+rapidminer+menurut +hendrian&aqs=chrome..69i57j33i10i160l2.12401j1j7&sourceid=chrome&ie=UTF-8