Data Mining Untuk Menganalisa Pola Penjualan Pestisida dengan Mengunakan Algoritma FP-Growth
Masyuni Hutasuhut*, M Gilang Suryanata, Sri Kusnasari, Muhammad Agung Lesmana Sistem Informasi, STMIK Triguna Dharma, Medan, Indonesia
Email: 1,*[email protected], 2[email protected], 3[email protected], 4[email protected], Email Penulis Korespondensi: [email protected]
Submitted 30-11-2022; Accepted 25-12-2022; Published 30-12-2022 Abstrak
UD. Dimas Tani merupakan salah satu toko yang terletak di Kecamatan Perbaungan di Kabupaten Serdang Bedagai, Sumatera Utara.
Toko ini menjual berbagai macam jenis pestisida. Namun dalam proses pencatatan datanya, toko masih menggunakan sistem manual, sehingga toko tidak dapat mengidentifikasi dan mengklasifikasikan pestisida mana yang memiliki volume penjualan tertinggi. Oleh karena itu, kesulitan yang dihadapi toko adalah produk yang laris manis sering kehabisan stok karena tingginya penjualan. Agar mempermudah pihak UD. Dimas Tani terkait masalah dalam menentukan jenis pestisida yang perlu di stock lebih banyak dan mengatur penempatan pestisida maka dibuatlah sebuah program Data Mining dengan menggunakan metode FP-Growth sebagai metode komputasi untuk menyelesaikan masalah terkait menentukan jenis pestisida yang perlu di stock lebih banyak dan mengatur penempatan pestisida pada UD. Dimas Tani. Hasil dari penelitian ini adalah terciptanya sebuah Sistem Data Mining yang dapat melakukan proses penilaian dengan hasil berupa keputusan dalam menentukan jenis pestisida yang perlu di stock lebih banyak dan mengatur penempatan pestisida yang tepat dan akurat.
Kata Kunci : Fp-Growth; Data Mining; Penjualan; Pestisida
Abstract
UD. Dimas Tani is a shop located in Perbaungan District in Serdang Bedagai Regency, North Sumatra. This shop sells various types of pesticides. However, in the process of recording the data, the store still uses a manual system, so the store cannot identify and classify which pesticides have the highest sales volume. Therefore, the difficulty faced by the store is that it often runs out of stock due to high sales. In order to facilitate the UD. Dimas Tani related to the problem of determining the types of pesticides that need to be in more stock and regulating the placement of pesticides, a Data Mining program was made using the FP-Growth method as a computational method to solve the problem of determining the types of pesticides that need to be in the warehouse and arranging the placement of pesticides at UD. Dimas Tani. The result of this research is the creation of a Data Mining System that can perform a process based on the results in the form of decisions in determining the type of pesticide that needs to be in stock more and the placement of the right and accurate pesticide.
Keywords : Data Mining; Fp-Growth; Sale; Pesticide
1. PENDAHULUAN
Industri perdagangan semakin berkembang dengan data transaksi yang meningkat jumlahnya setiap saat. Persaingan global semacam ini memberi konsumen banyak pilihan, dan konsumen semakin mempertimbangkan biaya, nilai, dan manfaat produk. Perkembangan perdagangan menuntut kelangsungan hidup perusahaan yang ada agar dapat bersaing dengan perusahaan yang sedang berkembang dan terus memperoleh keuntungan [1].
UD. Dimas Tani merupakan salah satu toko yang terletak di Kecamatan Perbaungan di Kabupaten Serdang Bedagai, Sumatera Utara. Toko ini menjual berbagai macam jenis pestisida. Namun dalam proses pencatatan datanya, toko masih menggunakan sistem manual, sehingga toko tidak dapat mengidentifikasi dan mengklasifikasikan pestisida mana yang memiliki volume penjualan tertinggi. Oleh karena itu, kesulitan yang dihadapi toko adalah produk yang laris manis sering kehabisan stok karena tingginya penjualan [2]. Dampak dari permasalahan tersebut adalah, seperti kurangnya persediaan stok produk, adanya produk yang tidak laku terjual dan masih banyak lagi. Jika jumlah persedian produk kurang dapat menyebabkan permintaan tidak dapat terpenuhi sehingga mengakibatkan konsumen kecewa dan dapat membuat konsumen tidak akan kembali lagi.
Data mining merupakan serangkaian proses untuk mencari nilai tambah yang berbentuk informasi yang tidak dapat diperoleh secara manual dari database dengan mengekstraksi dan mengidentifikasi data yang terdapat dalam database. FP-Growth adalah algoritma alternatif, digunakan untuk menentukan kumpulan data yang paling sering muncul (Frequent Itemset) Dalam kumpulan data [3]. Dalam penelitian terdahulu menyimpulkan FP-Growth dapat menjadi solusi untuk beberapa kasus baik bidang ekomomi, pendidikan sosial dan lainnya. Seperti dalam penelitian tetang FP-Growth yang menyimpulkan dengan adanya evaluasi dari penambangan data dapat meningkatkan mutu penjualan dengan memberikan pelayanan maupun rekomendasi kepada penjual dan pembeli bahkan dapat memberikan promosi [4]. Dalam penelitian lain juga mempaparkan tentang FP-Growth untuk pemilihan kelas Semester Pendek [5]. Bahkan untuk bidang Data Mining sudah banyak digunakan seperti untuk evaluasi pelayanan sekolah dalam mengukur tingkat kepuasan dalam [6]. Penilitian lain data mining digunakan membahas pemilihan kelas unggulan [7]. Ilmu penambangan data ini juga digunakan untuk mengestimasi laju pertumbuhan penduduk [8].
2. METODOLOGI PENELITIAN
2.1 Tahapan Penelitian
Tahapan penelitian ini dapat dilihat pada Gambar 1 yang terdiri dari identifikasi masalah dan merumuskan masalah, pengumpulan data melaluli studi literatur, survey lapangan pengumpulan data, mengolah data atau menambang data, kemudian perancangan basis data, perancangan sistem atau aplikasi, penerapan Metode FP-Growth, dan terakhir dilakukan evaluasi pengujian sistem. Seperti yang ditunjukkan pada gambar 1.
Gambar 1. Metode Penelitian 2.2 Penjualan
Menurut Mulyadi, penjualan merupakan aktivitas yang dilakukan oleh penjual dalam menjual barang atau jasa untuk mengharapkan memperoleh laba dari transaksi-transaksi penjualan tersebut dengan kata lain penjualan adalah pengalihan atau pemindahan hak kepemilikan atas barang atau jasa dari pihak penjual kepada pihak pembeli [9].
2.3 Data Mining
Data mining adalah serangkaian proses yang mengekstrak nilai tambah dari bentuk informasi yang tidak diketahui secara manual dalam database [10] [11]. Informasi yang dihasilkan diperoleh dengan mengekstraksi dan mengidentifikasi pola yang signifikan atau menarik dari data yang terdapat dalam database. Data mining terutama digunakan untuk mencari pengetahuan yang terdapat dalam database yang besar, sehingga sering disebut dengan Knowledge Discovery Database (KDD) [12].
2.3.1 Konsep Dasar Data Mining
Serangkaian proses Data mining, adapun konsep memiliki tahap sebagai berikut:
a. Data Selection
Pemilihan data dari sekumpulan data operasional yang perlu dilakukan sebelum tahap penggalian informasi dalam KDD dimulai.
b. Preprocessing
Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses cleaning dengan tujuan untuk membuang duplikasi data, memeriksa data yang inkonsisten, danmemperbaiki kesalahan pada data, seperti kesalahan cetak yang dilakukan proses enrichment, yaitu proses “memperkaya” data yang sudah ada dengan data atau informasi lain yang relevan dan diperlukan untuk KDD, seperti data atau informasi eksternal.
c. Transformation
Yaitu proses coding pada data yang telah dipilih, sehingga data tersebut sesuai untuk proses data mining. Proses coding dalam KDD merupakan proses kreatif dan dangat tergantung pada jenis atau pola informasi yang akan dicari dalam database.
d. Data Mining
Proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu [13].
e. Interpretation / Evaluation
Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian dari proses KDD yang disebut dengan interpretation [7]
[14].
Mengidentifikasi masalah Merumuskan Masalah
Mengumpulkan Data Mengolah Data / Mining Data
Merancang Basis Data Merancang Aplikasi Penerapan Metode FP-Growth
Evaluasi dan Pengujian
2.3.2 Teknik Data Mining a. Deskripsi (Description)
Terkadang peneliti dan analis secara sederhana ingin mencoba mencari data untuk menggambarkan pola dan kecenderungan yang terdapat dalam data. Sebagai contoh, petugas pengumpulan suara mungkin tidak dapat menentukan keterangan atau fakta bahwa siapa yang tidak cukup profesional akan sedikit didukung dalam pemilihan presiden.
b. Estimasi (Estimation)
Estimasi hampir sama dengan klasifikasi, hanya saja variabel target lebih banyak diestimasi daripada klasifikasi.
Model dibangun menggunakan record lengkap yang memberikan nilai variabel target sebagai prediksi.
c. Prediksi (Prediction)
Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam prediksi nilai dari hasil akan ada di masa mendatang.
d. Klasifikasi (Classification)
Klasifikasi adalah fungsi pembelajaran yang memetakan (mengklasifikasi) sebuah unsur (item) data ke dalam salah satu dari beberapa kelas yang sudah didefinisikan.
e. Pengklusteran (Clustering)
Pengelompokan (clustering) adalah tugas deskriptif yang banyak digunakan untuk mengidentifikasi sekumpulan kategori atau cluster terbatas untuk menggambarkan data yang diteliti. Kategori ini dapat saling eksklusif dan lengkap, atau mereka dapat berisi representasi yang lebih kaya, seperti kategori hierarkis atau tumpang tindih. (overlapping).
f. Asosiasi (Association)
Tugas asosiasi dalam data mining adalah menemukan attribut yang muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja
[6] .
2.4 Algoritma Fp-Growth
Algoritma FP-Growth atau frequent pattern growth adalah metode untuk menambang aturan asosiasi. Algoritma ini merupakan pengembangan dari algoritma Apriori, yang mengoreksi kekurangan dari algoritma Apriori melalui algoritma FP-Growth.(FP-Growth) merupakan algoritma alternatif yang dapat digunakan untuk menentukan dataset yang paling sering muncul (frequent itemset) dalam sebuah dataset. [7] [17].
Metodologi dasar aturan asosiasi terbagi menjadi dua tahap:
a. Analisis Pola Frekuensi Tinggi dengan Algoritma Fp-Growth.
Mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam basis data. Rumus untuk menghitung nilai support dari dua item tersebut adalah sebagai berikut:
Support (A) = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴
𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 (1)
Sedangkan nilai support dari 2 item diperoleh dari rumus berikut:
Support(A,B) = Support (P∩B) (2)
Support(A,B) =𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵
𝑁𝑖𝑙𝑎𝑖 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 (3)
b. Pembentukan Aturan Asosiasi
Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yangmemenuhi syarat minimum untuk confidence dengan menghitung confidence aturan asosiatif A U B [11].
Rumus untuk menghitung nilai confidence dari dua item tersebut adalalah sebagai berikut:
Confidence = P(B| (A)=∑ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵
∑ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 (4)
Untuk menentukan aturan asosiasi yang akan dipilih maka harus diurutkan berdasarkan Support × Confidence.
Aturan diambil sebanyak n aturan yang memiliki hasil terbesar [8].
2.5 Pemodelan Sistem
UML (Unified Modelling Language) adalah suatu metode dalam pemodelan secara visual yang digunakan sebagai sarana perancangan sistem berorientasi objek. Awal mulanya, UML diciptakan oleh Object Management Group dengan versi awal 1.0 pada bulan Januari 1997[9].
Diagram use case adalah model fungsional dari sebuah sistem yang menggunakan aktor dan use case. Use case adalah layanan atau fungsi yang disediakan sistem untuk penggunanya [10].
3. HASIL DAN PEMBAHASAN
3.1 Penerapan Algoritma Fp-Growth
Algoritma Fp-Growth yang digunakan merupakan penjelasan langkah-langkah penyelesaian masalah untuk merancang data mining dalam menganalisa pola penjualan pestisida. Berikut penyelesaian dari algoritma Fp-Growth dalam menganalisa pola penjualan pestisida:
Tabel 1. Data Jenis Pestisida
Kode Produk Jenis Produk
P01 Baycrab
P02 Council
P03 Bestnoid
P04 Antracol
P05 Promess
P06 Kalimax
P07 Score
P08 Ares
P09 Vamvyr
P10 Marshall
P11 Pelenum
P12 Rumpas
P13 Pakar
P14 Extradan
P15 Dinda Grow
P16 Sagri
P17 Benfuron
P18 Gramoxone
P19 Ammate
Mencari support 1Itemset seperti berikut:
a. Nilai Support 1 Itemset seperti berikut:
Dengan Rumus:
Support(A)= 𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 X 100
Tabel 2. Calon 1 ItemSet
No Kode Item Frekuensi Kemunculan Support
1 P01 20 (20/40) x 100%=50.00%
2 P02 12 (12/40) x 100%=30.00%
3 P03 10 (10/40) x 100%=25.00%
4 P04 11 (11/40) x 100%=27.50%
5 P05 13 (13/40) x 100%=32.50%
6 P06 9 (9/40) x 100%=22.50%
7 P07 8 (8/40) x 100%=20.00%
8 P08 11 (11/40) x 100%=27.50%
9 P09 1 (1/40) x 100%=2.50%
10 P10 4 (4/40) x 100%=10.00%
11 P11 6 (6/40) x 100%=15.00%
12 P12 5 (5/40) x 100%=12.50%
13 P13 1 (1/40) x 100%=2.50%
14 P14 5 (5/40) x 100%=12.50%
15 P15 4 (4/40) x 100%=10.00%
16 P16 4 (4/40) x 100%=10.00%
17 P17 3 (3/40) x 100%=7.50%
18 P18 2 (2/40) x 100%=5.00%
19 P19 1 (1/40) x 100%=2.50%
Berdasarkan tabel 1 yang berisi item-item dengan nilai Support yang dimilikinya dengan menetapkan minimum Support ≥ 15%, maka item – item yang memiliki nilai Support kurang dari 15% dihilangkan. Hasil dapat terlihat pada tabel 3.
Tabel 3. Nilai Support 1 ItemSet Memenuhi minimum support
No Kode Item Frekuensi Kemunculan Support
1 P01 20 (20/40) x 100%=50.00%
2 P02 12 (12/40) x 100%=30.00%
3 P03 10 (10/40) x 100%=25.00%
4 P04 11 (11/40) x 100%=27.50%
5 P05 13 (13/40) x 100%=32.50%
6 P06 9 (9/40) x 100%=22.50%
7 P07 8 (8/40) x 100%=20.00%
8 P08 11 (11/40) x 100%=27.50%
9 P11 6 (1/40) x 100%=15.00%
Adapun kode transaksi dilakukan penjualan pestisida minimum support ≥15%, adalah sebagai berikut:
Tabel 4. Data Transaksi Penjualan minimum support ≥15%
No TANGGAL TRANSAKSI NAMA PRODUK
1 02/09/2021 P01, P02, P03, P05
2 02/09/2021 P04, P08, P01
3 03/09/2021 P03, P01, P05
4 03/09/2021 P06, P07
5 05/09/2021 P08, P01, P04
6 05/09/2021 P03, P05, P02
7 06/09/2021 P07, P01, P02, P06
8 07/09/2021 P11, P03, P01, P02
9 07/09/2021 P01, P03, P11, P05
10 09/09/2021 P04, P08, P01, P11
11 09/09/2021 P01, P02, P05,
12 10/09/2021 P03, P05
13 12/09/2021 P06, P07, P01
14 14/09/2021 P06, P08
15 15/09/2021 P08, P01, P04
16 16/09/2021 P01, P02
17 16/09/2021 P011, P03, P04
18 16/09/2021 P06, P07, P05
19 17/09/2021 P01, P04
20 18/09/2021 P06, P07, P08
21 18/09/2021 P01, P02
22 19/09/2021 P04, P05, P06
23 20/09/2021 P01,P02,P05, P04
24 20/09/2021 P03, P01, P05
25 22/09/2021 P11
26 22/09/2021 P04, P08
27 23/09/2021 P07, P01, P08
28 26/09/2021 P02
29 26/09/2021 P04, P08, P02
30 28/09/2021 P03, P05
31 28/09/2021 P04, P08, P03
32 29/09/2021 P06, P07, P01, P05
33 30/09/2021 P08, P01, P02
34 30/09/2021 P11, P01, P02
35 30/09/2021 P06, P07, P05
Pembentukan FP-Tree dilakukan berdasarkan data transaksi penjualan pestisida pada Toko UD. Dimas Tani yang terdapat pada Tabel 4. Data Transaksi Penjualan minimum support ≥15%
Gambar 2. FP-Tree Transaksi Tanggal 02/09/2021
Gambar 3. FP-Tree Transaksi Tanggal 03/09/2021
Gambar 4 FP-Tree Transaksi Tanggal 30/09/2021
Pembentukan FP-Tree dilakukan sampai Tanggal 30/09/2021 (4/09/2021-29/09/2021 Tidak digambarkan pada artikel ini) hingga terbentuklah FP-Tree akhir seperti Gambar Setelah mengetahui jumlah kemunculan pada 1 itemset, selanjutnya kita mencari jumlah kemunculan 2 itemset.
b. Nilai Support 2 Itemset seperti berikut:
Dengan Rumus:
Support(A)= 𝐽𝑢𝑚𝑙𝑎ℎ𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵 𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 X 100
Tabel 5. Calon 2 Item Set
No Pola 2 Item Set Frekuensi Kemunculan Nilai Support
1 P01, P02 9 (9/40) x 100% = 22,5%
2 P01, P03 4 (4/40) x 100% = 10%
3 P01, P04 6 (6/40) x 100% = 15%
4 P01, P05 7 (7/40) x 100% = 17,5%
5 P01, P06 3 (3/40) x 100% = 7,5%
6 P01, P07 4 (4/40) x 100% = 10%
7 P01, P08 6 (6/40) x 100% = 15%
8 P01, P11 4 (4/40) x 100% = 10%
9 P02, P03 3 (3/40) x 100% = 7,5%
10 P02, P05 4 (4/40) x 100% = 10%
11 P02, P04 2 (2/40) x 100% = 5%
12 P02, P11 2 (2/40) x 100% = 5%
13 P03, P04 2 (2/40) x 100% = 5%
14 P03, P05 7 (7/40) x 100% = 17,5%
15 P03, P08 1 (1/40) x 100% = 2,5%
16 P03, P10 1 (1/40) x 100% = 2,5%
17 P04, P05 2 (2/40) x 100% = 5%
18 P04, P06 1 (1/40) x 100% = 2,5%
19 P04, P08 7 (7/40) x 100% = 17,5%
20 P04, P09 1 (1/40) x 100% = 2,5%
21 P05, P06 4 (4/40) x 100% = 10%
22 P05, P07 3 (3/40) x 100% = 7,5%
23 P06, P07 7 (7/40) x 100% = 17,5%
24 P06, P08 1 (1/40) x 100% = 2,5%
25 P06, P10 2 (2/40) x 100% = 5%
26 P07, P08 2 (2/40) x 100% = 5%
27 P07, P10 1 (1/40) x 100% = 2,5%
28 P08, P09 1 (1/40) x 100% = 2,5%
29 P08, P10 2 (2/40) x 100% = 5%
30 P08, P11 1 (1/40) x 100% = 2,5%
31 P10, P11 2 (2/40) x 100% = 5%
32 P11, P15 1 (1/40) x 100% = 2,5%
33 P12, P14 4 (4/40) x 100% = 10%
34 P12, P13 1 (1/40) x 100% = 2,5%
35 P13, P14 1 (1/40) x 100% = 2,5%
36 P13, P15 1 (1/40) x 100% = 2,5%
37 P15, P16 2 (2/40) x 100% = 5%
38 P17, P01 1 (1/40) x 100% = 2,5%
39 P17, P02 1 (1/40) x 100% = 2,5%
40 P18, P15 1 (1/40) x 100% = 2,5%
41 P18, P01 1 (1/40) x 100% = 2,5%
42 P18, P07 1 (1/40) x 100% = 2,5%
43 P18, P08 1 (1/40) x 100% = 2,5%
44 P19, P03 1 (1/40) x 100% = 2,5%
45 P19, P04 1 (1/40) x 100% = 2,5%
Berdasarkan Calon 2 Item Set yang berisi item-item dengan nilai Support yang dimilikinya dengan menetapkan minimum Support ≥ 15%, maka item – item yang memiliki nilai Support kurang dari 15% dihilangkan. Hasil dapat terlihat pada tabel berikut:
Tabel 6. Pola Kombinasi 2 ItemSet
No Pola 2 Item Set Frekuensi Kemunculan 𝐀 ∩ 𝐁 Nilai Support
1 P01, P02 9 (9/40) x 100% = 22,5%
2 P01, P04 6 (6/40) x 100% = 15%
3 P01, P05 7 (7/40) x 100% = 17,5%
4 P01, P08 6 (6/40) x 100% = 15%
5 P03, P05 7 (7/40) x 100% = 17,5%
6 P04, P08 7 (7/40) x 100% = 17,5%
7 P06, P07 7 (7/40) x 100% = 17,5%
Dari tahap- tahap yang telah dilakukan sebelumnya memenuhi pola kombinasi 2 itemset yang dibentuk dari item pestisida yang memenuhi nilai support Kemudian akan dihitung nilai confidence dengan aturan minimum confidence 50%
di tentukan dari setiap kombinasi item yang terdapat pada tabel 7. berdasarkan rumus : 𝑐𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑦𝑎𝑛𝑔 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵
𝑗𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑦𝑎𝑛𝑔 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑋 100%
Tabel 7. Perhitungan Nilai Confidence
No Pola 2 Item Set Frekuensi kemunculan A Frekuensi Kemunculan 𝐀 ∩ 𝐁 Nilai Confidence
1 P01, P02 20 9 (9/20) x 100% = 45%
2 P02, P01 12 9 (9/12) x 100% = 75%
3 P01, P04 20 6 (6/20) x 100% = 30%
4 P04, P01 11 6 (6/11) x 100% = 54,5%
5 P01, P05 20 7 (7/20) x 100% = 35%
6 P05, P01 13 7 (7/13) x 100% = 53,8%
7 P01, P08 20 6 (6/20) x 100% = 30%
8 P08, P01 11 6 (6/11) x 100% = 54,5%
9 P03, P05 10 7 (7/10) x 100% = 70%
10 P05, P03 13 7 (7/13) x 100% = 53,8%
11 P04, P08 11 7 (7/11) x 100% = 63,6%
12 P08, P04 11 7 (7/11) x 100% = 63,6%
13 P06, P07 9 7 (7/9) x 100% = 77,7%
14 P07, P06 8 7 (7/8) x 100% = 87,5%
Dengan nilai confidence yang di dapat, kemudian hilangkan nilai confidence yang tidak memenuhi ketentuan kurang dari confidence 50% yaitu sebagai berikut:
Tabel 8. Nilai Minimum Confidence
No Aturan Frekuensi kemunculan A Frekuensi Kemunculan 𝑨 ∩ 𝑩 Nilai Confidence
1 P02, P01 12 9 (9/12) x 100% = 75%
2 P04, P01 11 6 (6/11) x 100% = 54,5%
3 P05, P01 13 7 (7/13) x 100% = 53,8%
4 P08, P01 11 6 (6/11) x 100% = 54,5%
5 P03, P05 10 7 (7/10) x 100% = 70%
6 P04, P08 11 7 (7/11) x 100% = 63,6%
7 P07, P06 8 7 (7/8) x 100% = 87,5%
Dari tahap-tahap yang telah dilakukan sebelumnya memenuhi pola kobinasi 2 itemset, dengan ketentuan minimum support 15% dan minimum confidence 50% maka aturan asosiasi yang terbentuk adalah sebagai berikut:
Tabel 9. Aturan Asosiasi Yang Terbentuk
No Aturan Pestisida Support Confidence
1 P02, P01 Council, Baycrab 30% 75%
2 P04, P01 Antracol, Baycrab 27% 54,5%
3 P05, P01 Promess, Baycrab 32,5% 53,8%
4 P08, P01 Ares, Baycrab 27,5% 54,5%
5 P03, P05 Bestnoid, Promess 25% 70%
6 P04, P08 Antracol, Ares 27% 63,6%
7 P07, P06 Score, Kalimax 20% 87,5%
Dari aturan asosiasi yang terbentuk pada Tabel 2 Nilai Support 1 ItemSet Memenuhi minimum support dan tabel Tabel Aturan Asosiasi Yang Terbentuk maka dapat di ambil kesimpulan sebagai berikut:
a. Pestisida jenis (Baycrab) memiliki tingkat penjulan paling tinggi dengan Support 50% maka (Baycrab) memerlukan banyak stock barang, karna penjualan nya lebih menguntungkan
b. Jika konsumen membeli (Council) maka akan dipasangkan bersama (Baycrab) dengan Support 30% dan Confidence 75%
c. Jika konsumen membeli (Antracol) maka akan dipasangkan bersama (Baycrab) dengan Support 27% dan Confidence 54,5%
d. Jika konsumen membeli (Promess) maka akan dipasangkan bersama (Baycrab) dengan Support 32,5% dan Confidence 53,8%
e. Jika konsumen membeli (Ares) maka akan dipasangkan bersama (Baycrab) dengan Support 27,5% dan Confidence 54,5%
f. Jika konsumen membeli (Bestnoid) maka akan dipasangkan bersama (Promess) dengan Support 25% dan Confidence 70%
g. Jika konsumen membeli (Antracol) maka akan dipasangkan bersama (Ares) dengan Support 27% dan Confidence 63,6%
h. Jika konsumen membeli (Score) maka akan dipasangkan bersama (Kalimax) dengan Support 20% dan Confidence 87,5%
3.2 Implementasi Sistem
Berikut ini adalah implementasi hasil rancangan antar muka (interface) dari sistem yang telah dibuat adalah sebagai berikut:
a. Form Login
Form Login merupakan halaman untuk menginput username dan password dari aplikasi Data Mining ini. Berikut ini adalah tampilan dari FormLogin yaitu sebagai berikut :
Gambar 5 form Login b. Menu Utama
Form Menu Utama adalah halaman utama yang ada pada aplikasi data mining ini. Berikut ini adalah tampilan antarmuka dari Form Menu Utama dari aplikasi Data Mining ini :
Gambar 6 Menu Utama
c.
Data BarangBerikut ini adalah tampilan antarmuka dari Form Data Barang dari aplikasi Data Mining ini :
Gambar 7. Data Barang
d. Form Data Transaksi
Berikut ini adalah tampilan antarmuka dari Form Data Transaksi dari aplikasi Data Mining ini :
Gambar 8. Data Transaksi e. Form Proses FP-Growth 2 item set
Berikut ini adalah tampilan antarmuka Proses Fp-Growth 2 Item set dari aplikasi Data Mining ini :
Gambar 9 Proses FP-Growth 2 item set f. Form Laporan
Berikut ini adalah tampilan antarmuka Laporan dari aplikasi Data Mining ini :
Gambar 10. Bentuk Hasil Laporan
4. KESIMPULAN
Data Mining dengan Algoritma Fp-Growth dapat menganalisa pola penjualan pestisida yang tepat sehingga Dari hasil perhitungan yg dilakukan dengan metode FP-Growth dapat mengetahui jenis pestisida yang paling banyak terjual dan paling sedikit terjual yang berguna untuk UD. Dimas Tani dalam menentukan jenis Pestisida yang perlu di stock lebih banyak dan yang tidak perlu di stock. Dengan adanya sistem yang dibuat dari perhitungan metode FP-Growth mempermudah UD. Dimas Tani dalam menentukan penempatan pestisida dengan mengetahui hubungan antar item.
Aplikasi Data Mining dengan Algoritma Fp-Growth yang telah dirancang dapat diimplementasikan dalam menentukan pola penjualan pestisida untuk mebantu pemilik usaha dalam mengetahui pola-pola penjualan dan sistem yang dirancang sesuai dengan kebutuhan dan keperluan suatu perusahaan sehingga dapat menyelesaikan suatu permasalahan yang terjadi sehingga dapat membuat pola penjualan menjadi lebih efisien dan terstruktur.
REFERENCES
[1] W. N. Setyo, S. Wardhana, J. T. Informatika, F. I. Komputer, dan U. M. Buana, “IMPLEMENTASI DATA MINING PADA PENJUALAN PRODUK DI CV CAHAYA SETYA MENGGUNAKAN ALGORITMA FP-GROWTH,” vol. 12, no. 1, hal. 54–
63, 2019.
[2] J. H. M. Jhoni dan N. C. Medan, “PENERAPAN DATA MINING MENGGUNAKAN ALGORITMA FP-TREE DAN FP- GROWTH PADA DATA TRANSAKSI PENJUALAN OBAT Yuyun Dwi Lestari Program Studi Teknik Informatika , Sekolah Tinggi Teknik Harapan Seminar Nasional Teknologi Informasi dan Komunikasi ( SNASTIKOM 2015 ) ,” no. Snastikom, hal.
60–65, 2015.
[3] K. Erwansyah, “Implementasi Data Mining Untuk Menganalisa Hubungan Data Penjualan Produk Bahan Kimia Terhadap Persedian Stok Barang Menggunakan Algoritma FP ( Frequent Pattern ) Growth Pada PT . Grand Multi Chemicals,” vol. 2, no.
2, hal. 30–40, 2019.
[4] B. S. Pranata dan D. P. Utomo, “Penerapan Data Mining Algoritma FP-Growth Untuk Persediaan Sparepart Pada Bengkel Motor (Study Kasus Bengkel Sinar Service),” Bull. Inf. Technol., vol. 1, no. 2, hal. 83–91, 2020.
[5] M. Yetri dan G. W. Devit, SarjonNurcahyo, “Penerapan Data Mining Dalam Penentuan Pengambilan Semester Pendek Menggunakan Algoritma Fp-Growth (Studi Kasus Di Stmik Triguna Dharma Medan),” Sains dan Komput., vol. 17, no. 1, hal.
39–53, 2018.
[6] M. G. Suryanata, D. H. Pane, dan M. Hutasuhut, “Implementasi Algoritma K-Means Dalam Mengukur Tingkat Kepuasan Siswa Terhadap Pelayanan Sekolah,” J-SISKO TECH (Jurnal Teknol. Sist. Inf. dan Sist. Komput. TGD), vol. 2, no. 2, hal. 118–125, 2019.
[7] M. Hutasuhut, D. Octaviana, dan J. Halim, “Penerapan Data Mining dalam Menganalisa Pola Kelayakan Siswa Pada Kelas Unggulan Menggunakan Algoritma Iterative Dichotomiser 3 ( ID3 ) pada,” vol. 18, no. 2, hal. 154–160, 2019.
[8] P. Purwadi, P. S. Ramadhan, dan N. Safitri, “Penerapan Data Mining Untuk Mengestimasi Laju Pertumbuhan Penduduk Menggunakan Metode Regresi Linier Berganda Pada BPS Deli Serdang,” J. SAINTIKOM (Jurnal Sains Manaj. Inform. dan Komputer), vol. 18, no. 1, hal. 55, 2019, doi: 10.53513/jis.v18i1.104.
[9] N. E. Hidayah, M. Arifin, dan M. S. Erstiawan, “Rancang Bangun Aplikasi Penjualan Kardus Pada Ud. Stardus Surabaya,”
Infotech J., vol. 5, no. 8, hal. 1–8, 2016.
[10] R. Girsang, E. F. Ginting, dan M. Hutasuhut, “Penerapan Algoritma C4 . 5 Pada Penentuan Penerima Program Bantuan Pemerintah Daerah,” vol. 1, hal. 449–459, 2022.
[11] D. Ruth, M. Siregar, F. Sonata, dan M. Yetri, “Analisa Pola Belanja Untuk Meningkatkan Omset Penjualan Menggunakan Algoritma Apriori,” vol. 1, no. November, hal. 876–887, 2022.
[12] S. Adiguno, Y. Syahra, dan M. Yetri, “Prediksi Peningkatan Omset Penjualan Menggunakan Metode Regresi Linier Berganda,”
J. Sist. Inf. Triguna Dharma (JURSI TGD), vol. 1, no. 4, hal. 275, 2022, doi: 10.53513/jursi.v1i4.5331.
[13] I. S. Sitanggang, “Modeling Forest Fire Occurrences in Riau Province, Indonesia using Data Mining Method,” Citeseer. [Daring].
Tersedia pada: https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.674.6725&rep=rep1&type=pdf.
[14] L. K. Sihombing, T. Tugiono, dan U. F. S. Sitorus Pane, “Implementasi Data Mining Dalam Menganalisa Pola Penjualan Roti,”
J. Sist. Inf. Triguna Dharma (JURSI TGD), vol. 1, no. 3, hal. 228–238, 2022.
[15] Yuli Mardi, “Data Mining : Klasifikasi Menggunakan Algoritma C4 . 5 Data mining merupakan bagian dari tahapan proses Knowledge Discovery in Database ( KDD ) . Jurnal Edik Informatika,” J. Edik Inform., vol. 2, 2019.
[16] P. Studi, T. Informatika, U. B. Darma, dan D. Mining, “Implementasi Algoritma FP-Growth Pada Pengenalan Pola Penjualan TIN : Terapan Informatika Nusantara,” vol. 1, no. 9, hal. 438–444, 2021.
[17] N. Arincy dan I. S. Sitanggang, “Association rules mining on forest fires data using FP-Growth and ECLAT algorithm,” 2015 3rd Int. Conf. …, 2015, [Daring]. Tersedia pada: https://ieeexplore.ieee.org/abstract/document/7506520/.
[18] R. Yanto dan R. Khoiriah, “Implementasi Data Mining dengan Metode Algoritma Apriori dalam Menentukan Pola Pembelian Obat,” Creat. Inf. Technol. J., vol. 2, no. 2, hal. 102, 2015, doi: 10.24076/citec.2015v2i2.41.
[19] M, Analisa Perancangan Sistem Berorientasi Objek Dengan UML. Bandung: Informatika, 2019.
