penerapan data mining untuk analisis pola pembelian

(1)

i

The Application Of Data Mining To Analysis Customer Purchase Patterns Using A Apriori Algorithm

(Case Study : Diengva Shop Bandar Jaya)

SKRIPSI

Untuk memenuhi syarat mencapai derajat S-1

Diajukan oleh:

KRISMA NUR ANJUMI 16311004

PROGRAM STUDI S1 SISTEM INFORMASI FAKULTAS TEKNIK DAN ILMU KOMPUTER

UNIVERSITAS TEKNOKRAT INDONESIA BANDAR LAMPUNG

2020

(2)

(3)

iii

(4)

(5)

(6)

v

“Man Jadda wa Jadda”

Barang siapa yang bersungguh-sungguh pasti akan mendapatkan hasil.

Barang siapa yang mempersulit orang lain, maka Allah akan mempersulitnya pada hari kiamat.

(HR Bukhari)

Belajar dari kemarin, hidup untuk hari ini, berharap untuk hari besok. Dan yang terpenting adalah jangan sampai berhenti bertanya.

(Albert Einstein)

Jangan pergi mengikuti kemana jalan akan berujung. Buat jalanmu sendiri dan tinggalkanlah jejak.

(Krisma Nur Anjumi)

(7)

vi

HALAMAN PERSEMBAHAN Skripsi ini saya persembahkan untuk :

1. Allah SWT yang telah memberikan rahmat, kesehatan serta hidayah-Nya kepada saya sehingga saya dapat menyelesaikan skripsi saya.

2. Kedua orang tua yang sangat saya cintai dan saya banggakan. Untuk Ayah saya Suhadak Hakum dan Ibu Upik Mayang Sari yang selalu menguatkan dan memberikan semangat serta tidak lupa memberikan doa setiap langkah saya.

3. Untuk adik saya, Aldo Rizky Kusmawan yang selama ini menjadi pendukung saya.

4. Terimakasih untuk Muhammad Iqbhal Putra Oseda yang selalu memberikan support dan mendengarkan keluh kesah saya selama ini.

5. Terimakasih untuk tim sukses dari awal Rahajeng Budiarti, Diah Nuril, Evi Damayanti, Era Astirawa, Erlina Susanti, Hari Yoga, Agus Bayu, Revina Destriana dan Asniati yang selalu memberikan semangat dan mendukung saya.

6. Terimakasih untuk teman SMK saya, Devi Retniasih, Mardhyana, Rani Asmarani, Hasnaini yang selalu memberikan semangat.

7. Terima kasih untuk dosen pembimbing saya Miss Styawati, S.T., M.Cs. yang telah membimbing saya dari awal penyusunan hingga terselesaikannya skripsi ini.

(8)

vii

Nya, penulis dapat menyelesaikan Skripsi dengan judul Penerapan Data Mining Untuk Analisis Pola Pembelian Pelanggan Menggunakan Algoritma Apriori (Studi Kasus : Toko Diengva Bandar Jaya). Skripsi ini disusun untuk memenuhi salah satu syarat menyelesaikan pendidikan Strata 1 pada Fakultas Teknik dan Ilmu Komputer Universitas Teknokrat Indonesia. Penulis menyadari bahwa, tanpa bantuan dan bimbingan dari berbagai pihak, sangatlah sulit bagi penulis untuk menyelesaikan laporan Skripsi ini. Oleh karena itu, penulis mengucapkan terima kasih kepada:

1. Dr. H.M. Nasrullah Yusuf. S.E., M.B.A., selaku Rektor Universitas Teknokrat Indonesia.

2. Dr. H. Mahatir Muhammad, S.E., M.M., selaku Dekan Fakultas Teknik dan Ilmu Komputer Universitas Teknokrat Indonesia.

3. Rusliyawati, S.Kom., M.T.I., selaku Ketua Program Studi S1 Sistem Informasi Fakultas Teknik dan Ilmu Komputer Universitas Teknokrat Indonesia.

4. Styawati, S.T., M.Cs., selaku Dosen Pembimbing yang telah meluangkan waktu untuk membimbing penulis menyelesaikan skripsi ini.

5. Zaenal Abidin, S.Si., S.Kom., MT.selaku Dosen Penguji.

6. Eva Setiawati, S.Kom., selaku pemilik Toko Diengva yang telah banyak membantu dan bekerja sama untuk mengumpulkan data yang penulis perlukan.

Penulis menyadari masih banyak kekurang yang ada pada penyusunan Skripsi ini, untuk itu penulis mengharapkan saran dan masukan agar Skripsi ini dapat sesuai dan maksimal. Semoga Skripsi ini dapat bermanfaat bagi penulis maupun para pembaca.

Bandar lampung, 19 Agustus 2020

Penulis

(9)

viii

Hal

LEMBAR JUDUL ... i

LEMBAR PERSETUJUAN ... ii

LEMBAR PENGESAHAN ... iii

LEMBAR PERNYATAAN ... Error! Bookmark not defined. LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI . Error! Bookmark not defined. MOTTO ... v

HALAMAN PERSEMBAHAN ... vi

KATA PENGANTAR ... vii

DAFTAR ISI ... viii

DAFTAR TABEL ... xi

DAFTAR GAMBAR ... xii

ABSTRAK ... xiii

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang Masalah ... 1

1.2 Rumusan Masalah ... 3

1.3 Batasan Masalah ... 3

1.4 Tujuan Penelitian ... 4

1.5 Manfaat Penelitian ... 4

BAB II LANDASAN TEORI ... 5

2.1 Tinjauan Pustaka ... 5

2.2 Data Mining ... 7

2.3 Analisis ... 9

2.4 Pola ... 9

2.5 Pembelian ... 10

2.6 Pelanggan ... 10

2.7 Association Rule ... 11

2.7.1 Algoritma Apriori... 12

2.7.2 Algoritma FP-Growth ... 13

2.8 Teknik Pengumpulan Data ... 14

2.9.1 Wawancara ... 14

2.9.2 Observasi ... 14

2.9.3 Dokumentasi ... 14

2.9 Tools/Instrumen Penelitian ... 15

(10)

ix

BAB III METODE PENELITIAN ... 16

3.1 Kerangka Penelitian ... 16

3.2 Tahapan Penelitian ... 17

3.3 Instrumen Penelitian ... 19

3.3.1 Data ... 19

3.3.2 Peralatan ... 19

3.4 Metode Pengumpulan Data ... 20

3.4.1 Observasi ... 20

3.4.2 Wawancara ... 20

3.4.3 Dokumentasi ... 20

3.5 Analisis Data ... 21

3.5.1 Pemahaman Data (Data Understanding) ... 21

3.5.2 Pengolahan Data (Data Preaparation) ... 21

3.5.3 Evaluasi (Evaluation) ... 21

3.6 Simulasi Data ... 22

3.6.1 Data Transaksi ... 22

3.6.2 Bentuk Tabular Data Transaksi ... 24

3.6.3 Pembentukan 1 Itemset ... 24

3.6.4 Pembentukan 2 Itemset ... 25

3.6.5 Menghitung Nilai Support x Confidence Algoritma Apriori ... 27

BAB IV HASIL PENELITIAN DAN PEMBAHASAN ... 29

4.1 Implementasi Nilai Minimum Support 2% ... 29

4.1.1 Implementasi Algoritma Apriori Menggunakan Rapid Miner... 29

4.1.2 Implementasi Algoritma Apriori Menggunakan Ms. Excel ... 30

4.1.3 Perbandingan Rapid Miner dengan Ms. Excel ... 60

4.1.4 Implementasi Algoritma FP-Growth Menggunakan Rapid Miner . 61 4.1.5 Perbandingan Algoritma Apriori dan FP-Growth ... 62

4.2 Implementasi Nilai Minimum Support 1% ... 64

4.2.3 Perbandingan Rapid Miner dengan Ms.Excel ... 121

4.2.4 Implementasi FP-Growth Menggunakan Rapid Miner ... 122

4.2.5 Perbandingan Algoritma Apriori dan FP-Growth ... 124

(11)

x

4.3 Implementasi Nilai Minimum Support 0,5% ... 125

4.3.3 Perbandingan Rapid Miner dengan Ms. Excel ... 223

4.3.4 Implementasi Algoritma FP-Growth Menggunakan Rapid Miner 224 4.3.5 Perbandingan Algoritma Apriori dan FP-Growth ... 226

BAB V KESIMPULAN ... 228

5.1 Kesimpulan ... 228

5.2 Saran ... 229

DAFTAR PUSTAKA ... 230

LAMPIRAN ... 232

(12)

xi

Tabel 2.1 StudiLiteratur ... 5

Tabel 3.1 Data Transaksi ... 21

Tabel 3.2 Representasi Data Transaksi ... 22

Tabel 3.3 Bentuk Tabular Data Transaksi ... 23

Tabel 3.4 Hasil Pembentukan 1 Itemset ... 24

Tabel 3.5 Tabel Calon 2 Itemset ... 25

Tabel 3.6 Hasil nilai Support 2 itemset ... 26

Tabel 3.7 Perhitungan Nilai Support dan Confidence ... 26

Tabel 3.8 Kandidat yang Melebihi Nilai Support dan Confidence ... 27 Tabel 4.1 Nilai Support Seluruh Item ... Error! Bookmark not defined.

Tabel 4.2 Item yang memenuhi MinSup 0,5% .... Error! Bookmark not defined.

Tabel 4.3 Kombinasi 2 Itemset MinSup 0,5% ... Error! Bookmark not defined.

Tabel 4.4 Confidence dari 2 Item yang Memenuhi MinSup 0,5% ... Error!

Bookmark not defined.

Tabel 4.5 Kombinasi 3 Item yang memenuhi MinSup dan MinConf ... Error!

Tabel 4.6 Item yang memenuhi MinSup 1% ... Error! Bookmark not defined.

Tabel 4.7 Kombinasi 2 Itemset MinSup 1% ... Error! Bookmark not defined.

Tabel 4.8 Nilai Confidence ... Error! Bookmark not defined.

Tabel 4.9 Item dengan Nilai Support >2% ... Error! Bookmark not defined.

Tabel 4.10 Nilai Support 2 ItemSet ... Error! Bookmark not defined.

Tabel 4.11 Kombinasi 2 ItemSet yang Memenuhi Minimum Support ... Error!

Tabel 4.12 Nilai Confidence 2 Itemset ... Error! Bookmark not defined.

Tabel 4.13 Aturan Asosiasi ... Error! Bookmark not defined.

Tabel 4.14 Perbandingan Algoritma Apriori dan FP-Growth .... Error! Bookmark not defined.

Tabel 4.15 Perbandingan Algoritma Apriori dan FP-Growth (lanjutan) ... Error!

Tabel 4.16 Nilai Akurasi menggunakan Rapid Miner ... Error! Bookmark not defined.

Tabel 4.17 Nilai Akurasi menggunakan Ms. Excel ... Error! Bookmark not defined.

Tabel 4.18 Perbandingan Algoritma Apriori dan FP-Growth ... Error! Bookmark not defined.

(13)

xii

Gambar 2.1 Tampilan Rapid Miner ver 7.1 ... 14 Gambar 3.1 Kerangka Penelitian ... 15 Gambar 3.2 Tahapan Penelitian ... 16 Gambar 4.1 Pembentukkan Proses Algoritma Apriori ... Error! Bookmark not defined.

Gambar 4.2 Memasukkan Nilai Minimum Support dan Minimum Confidence Error! Bookmark not defined.

Gambar 4.3 Hasil Penerapan Algoritma Apriori .. Error! Bookmark not defined.

Gambar 4.4 Penerapan Algoritma Apriori ... Error! Bookmark not defined.

Gambar 4.5 Tabel Algoritma FP-Growth ... Error! Bookmark not defined.

Gambar 4.6 Grafik Algoritma FP-Growth ... Error! Bookmark not defined.

Gambar 4.7 Deksripsi Algoritma FP-Growth ... Error! Bookmark not defined.

Gambar 4.8 Hasil Algoritma Apriori MinSup 1% Error! Bookmark not defined.

Gambar 4.9 Hasil Algoritma FP-Growth MinSup 1% ... Error! Bookmark not defined.

Gambar 4.10 Grafik FP-Growth MinSup 1% ... Error! Bookmark not defined.

Gambar 4.11 Deskripsi FP-Growth 1% ... Error! Bookmark not defined.

Gambar 4.12 Pembentukkan Proses Algoritma FP-Growth Error! Bookmark not defined.

Gambar 4.13 Memasukkan Minimum Support dan Minimum Confidence .... Error!

Gambar 4.14 Grafik Algoritma FP-Growth... Error! Bookmark not defined.

Gambar 4.15 Hasil Penerapan Algoritma FP-Growth ... Error! Bookmark not defined.

Gambar 4.17 Perbedaan Waktu Running ... Error! Bookmark not defined.

(14)

xiii ABSTRAK

PENERAPAN DATA MINING UNTUK ANALISIS POLA PEMBELIAN PELANGGAN MENGGUNAKAN ALGORITMA APRIORI

(STUDI KASUS : TOKO DIENGVA BANDAR JAYA) Oleh:

KRISMA NUR ANJUMI 16311004

Diengva adalah sebuah toko yang menjual berbagai macam barang seperti perlengkapan rumah tangga, peralatan rumah tangga, aksesoris, bucket bunga, baju, tas, sepatu, kosmetik, dan lain-lain. Banyaknya data transaksi pembelian yang ada pada Diengva dapat dijadikan sebagai analisa perilaku pelanggan dalam melakukan pembelian barang. Algoritma Apriori adalah salah satu algoritma pada bidang data mining untuk penggalian aturan asosiasi. Menerapkan Algoritma Apriori sebagai metode untuk mencari pola beli pelanggan pada data transaksi penjualan Toko Diengva menggunakan Rapid Miner. Dengan aturan yang dihasilkan dari penerapan Algoritma Apriori dapat dijadikan sebagai dasar untuk melakukan stok terhadap item-item yang memenuhi nilai minimum support dan minimum confidence. Item-item yang memenuhi aturan tersebut adalah Bulu Mata, Lem Bulu Mata, Soflen, dan Air Soflen. Nilai confidence dari hubungan antar 2 item diatas dapat dikatakan tinggi sehingga hasil aturan tersebut dapat dijadikan sebagai dasar untuk melakukan stok terhadap item-item diatas.

Kata Kunci: Transaski Penjualan, Analisis Pola Pembelian Pelanggan, Algoritma Apriori, Rapid Miner

(15)

1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah

Persaingan di dunia bisnis yang semakin ketat membuat para pelaku bisnis harus berfikir lebih keras dalam menyusun strategi untuk menghadapi persaingan tersebut. Salah satu strategi yang dapat digunakan adalah dengan memanfaatkan teknologi informasi. Teknologi informasi diyakini dapat membatu perusahaan dalam menjalankan bisnisnya. Perusahaan dapat memanfaatkan data yang dihasilkan oleh sistem informasi yang digunakan untuk membantu dalam pengambilan keputusan jika diolah dengan benar, data-data tersebut dapat menghasilkan informasi berharga.

Diengva adalah sebuah toko yang menjual berbagai macam barang seperti perlengkapan rumah tangga, peralatan rumah tangga, aksesoris, bucket bunga, baju, tas, sepatu, kosmetik, dan lain-lain. Didirikan pada tahun 2012 yang beralamatkan di Jalan Merapi Fajar Mataram, Kecamatan Seputih Mataram, Kabupaten Lampung Tengah. Hingga saat ini Diengva mempunyai banyak cabang yaitu di Bandar Lampung, Mesuji dan Bandar Jaya. Transaksi pembelian konsumen yang terjadi setiap hari dapat memperbanyak data transaksi pada Diengvashop yang apabila dibiarkan begitu saja hanya dapat menjadi data arsip. Berdasarkan data pembelian konsumen tersebut dapat diolah menjadi sebuah data yang dapat mendukung pengambilan keputusan. Banyaknya data transaksi pembelian yang ada pada Diengva dapat dijadikan sebagai analisa perilaku pelanggan dalam melakukan pembelian barang. Dalam melakukan pengolahan data tersebut diperlukan sebuah

(16)

algoritma untuk mengelola data transaksi pembelian konsumen yang ada sehingga dapat menghasilkan pola hubungan antar barang yang dibeli konsumen.

Algoritma Apriori adalah salah satu algoritma pada bidang data mining untuk penggalian aturan asosiasi atau yang lebih dikenal dengan istilah association rule mining (ARM). Algoritma Apriori merupakan pendekatan iteratif dimana k- itemset digunakan untuk mengeksplorasi ( k + 1 )-itemset, (Jiwei, H., Kamber, M.,

& Pei, 2011). Association Rule yang dimaksud dilakukan melalui mekanisme penghitungan support dan confidence dari suatu hubungan item. Sebuah rule asosiasi dikatakan interesting jika nilai support adalah lebih besar dari minimum support dan juga nilai confidence adalah lebih besar dari minimum confidence.

Algoritma Apriori ini akan cocok untuk diterapkan bila terdapat beberapa hubungan item yang ingin dianalisa, (Yanto & Khoiriah, 2015).

Beberapa penelitian yang dilakukan oleh penelitian sebelumnya pada transaksi penjualan atau pembelian konsumen menunjukkan bahwa algoritma apriori dapat membantu dalam pembentukkan pola pembelian pelanggan yang dapat digunakan untuk mengembangkan strategi bisnis, hasil penelitian sebelumnya yaitu “Implementasi Data Mining dengan Metode Algoritma Apriori dalam Menentukan Pola Pembelian Obat” pada 2015 oleh Robi Yanto dan Riri Khoiriah untuk mengetahui obat apa saja yang biasa dibeli konsumen menggunakan Algoritma Apriori dengan menunjukkan hasil dapat membantu pola pembelian obat berdasarkan kencenderungan obat yang dibeli konsumen yang terdiri dari 2 itemset obat (Yanto & Khoiriah, 2015) dan penelitian yang berjudul “Implementasi Algoritma Apriori untuk Menganalisis Pola Pembelian Konsumen pada Produk SPA” pada 2016 oleh I Gede Putu Megayasa, I Komang agus Ady Aryanto, I Gede

(17)

Surya Diputra, I Nyoman Arianta, Seftian Rusdiyata, Gede Irawan yang bertujuan menebak target pasar dan algoritma apriori yang diterapkan mampu menunjukan pola pembelian yang memiliki frekuensi paling tinggi, (Megayasa et al., 2016).

Berdarkan latar belakang yang telah dipaparkan oleh penulis diatas maka penulis akan menerapkan Algoritma Apriori pada data transaksi penjualan Tahun 2017-2019 dengan jumlah 1.625 transaksi pada Toko Diengva untuk menemukan pola hubungan itemset yang dapat digunakan untuk mengembangkan strategi bisnis. Penulis akan melakukan penelitian yang berjudul “Penerapan Data Mining Untuk Analisis Pola Pembelian Pelanggan Menggunakan Algoritma Apriori (Studi Kasus : Toko Diengva Bandar Jaya)”.

1.2 Rumusan Masalah

Latar belakang masalah yang telah disampaikan diatas menjadi dasar penulis untuk merumuskan masalah, yaitu :

Bagaimana menerapkan Algoritma Apriori pada data transaksi penjualan untuk mengetahui pola pembelian pelanggan pada Toko Diengva?

1.3 Batasan Masalah

Dalam penelitian yang dilakukan oleh penulis terdapat beberapa batasan masalah, yaitu :

1. Data yang digunakan adalah data transaksi pembelian tahun 2017-2019.

2. Informasi yang dihasilkan adalah berupa pola pembelian barang yang sering dilakukan secara bersamaan.

3. Kombinasi itemset yang digunakan adalah kombinasi 2 itemset.

(18)

1.4 Tujuan Penelitian

Berdasarkan latar belakang yang telah dipaparkan penulis maka tujuan dari penelitian ini, yaitu :

Menerapkan Algoritma Apriori sebagai metode untuk mencari pola beli pelanggan pada data transaksi penjualan Toko Diengva untuk menghasilkan sebuah strategi pemasaran dengan menjaga stok barang yang harus tersedia.

1.5 Manfaat Penelitian

Adapun manfaat yang diharapkan penulis sesuai dengan penelitian yang akan dibuat :

1. Bagi Toko

Membantu toko memprediksi barang apa saja yang sering dibeli pelanggan secara bersamaan. Sehingga toko mampu memprediksi jumlah stok barang yang sering dibeli secara bersamaan oleh pelanggan harus tetap tersedia dan dapat mengembangkan strategi bisnis dari pola pembelian pelanggan yang terbentuk.

2. Bagi Penulis

Menambah ilmu, wawasan, dan pengalaman dalam menerapkan analisis pola pembelian pelanggan menggunakan algoritma apriori pada sebuah toko.

(19)

5 BAB II

LANDASAN TEORI 2.1 Tinjauan Pustaka

Berikut ini adalah tinjauan pustaka yang dilakukan oleh penulis berdasarkan pada penelitian sebelumnya dalam mendukung penelitian yang sedang dilakukan :

Tabel 2.1 Studi Literatur

1.

Judul Penerapan Metode Data Mining Market Basket Analysis Terhadap Data Penjualan Produk Pada Toko Oase Menggunakan Algoritma Apriori Penulis Mateus Paga Tana, Fitri Marisa, Indra Dharma

Wijaya

Tanggal/Tahun 2 Agustus 2018

Tujuan Penelitian Menepatkan produk yang sering dibeli bersamaan kedalam sebuah area yang saling berdekatan.

Permasalahan Data-data penjualan yang semakin lama maka akan semakin besar tidak akan berguna dan bermanfaat jika dibiarkan begitu saja.

Subjek Penelitian Memperbaiki pengambilan keputusan dimasa yang akan datang.

Metode Penelitian Metode yang digunakan adalah Algoritma Apriori.

Hasil Penelitian Mempercepat proses pembentukkan kencenderungan pola kombinasi itemset hasil penjualan produk-produk barang di Toko Oase.

2.

Judul Implementasi Algoritma Apriori untuk Menganalisis Pola Pembelian Konsumen pada Produk SPA

Penulis I Gede Putu Megayasa, I Komang agus Ady Aryanto, I Gede Surya Diputra, I Nyoman Arianta, Seftian Rusdiyata, Gede Irawan

Tanggal/Tahun 27 Agustus 2016 Tujuan Penelitian Menebak target pasar.

Permasalahan Data transaksi penjualan yang terus meningkat agar tidak hanya berfungsi sebagai arsip

Subjek Penelitian Pengolahan data yang dimungkinkan membuat sebuah keputusan dalam menetapkan sebuah kebijakan bisnis.

Metode Penelitian Algoritma Apriori

Hasil Penelitian Menunjukan pola pembelian yang memiliki frekuensi paling tinggi.

(20)

Tabel 2.1 Studi Literatur (Lanjutan)

3.

Judul Penerapan Data Mining Terhadap Penjualan Pipa Pada CV. Gaskindo Sentosa Menggunakan Metode Algoritma Apriori

Penulis Golda TM Napitupul, Anggi Oktaviani, Dahlia Sarkawi, Ita Yulianti

Tanggal/Tahun 4 September 2019

Tujuan Penelitian Memprediksi penjualan pipa.

Permasalahan Kurangnya atau tidak ada (habis) stok persediaan dari jenis pipa yang paling diminati.

Subjek Penelitian Memanfaatkan data history dari semua transakasi yang pernah terjadi di CV. Gaskindo Sentosa Metode Penelitian Algoritma Apriori

Hasil Penelitian Penjualan produk pipa paling banyak terjual yang memenuhi minimal support dan minimal confidencde adalah Stud Anchor, Red Union, Stud Bolt, Union Tee.

4.

Judul Penerapan Data Mining Algoritma Apriori Dalam Sistem Informasi Penjualan

Penulis Novia Lestari Tanggal/Tahun 1 Maret 2017

Tujuan Penelitian Membuat sebuah sistem informasi yang dapat mengimplementasikan algoritma apriori ke dalam sebuah program berorientasi objek yang mempermudah dalam pengaksesan data penjualan.

Permasalahan 1. Bagaimana algoritma apriori dapat membantu mengembangkan strategi pemasaran dengan mengetahui penjualan yang paling banyak terjual secara bersamaan?

2. Bagaimana mengimplementasikan algortima apriori dalam sistem informasi penjualan dengan Bahasa Pemrograman Berorientasi Objek?

Subjek Penelitian Melakukan analisis terhadap transaksi yang terjadi, maka algoritma apriori dapat mengembangkan strategi pemasaran dan meningkatkan penjualan.

Hasil Penelitian Bahan bangunan yang sering dibeli adalah “jika membeli kuas, maka membeli tiner”.

(21)

Tabel 2.1 Studi Literatur (Lanjutan)

5.

Judul Implementasi Data Mining dengan Metode Algoritma Apriori dalam Menentukan Pola Pembelian Obat

Penulis Robi Yanto, Riri Khoiriah Tanggal/Tahun 2015

Tujuan Penelitian Untuk mengetahui obat apa saja yang biasa dibeli konsumen.

Permasalahan Menemukan suatu strategi jitu yang dapat meningkatkan penjualan obat dengan menjaga stok obat yang dibutuhkan konsumen tetap tersedia.

Subjek Penelitian Algortima Apriori diterapkan terhadap data transaksi penjualan obat periode Januari dan Februari 2014.

Hasil Penelitian Dapat membantu pola pembelian obat berdasarkan kencenderungan obat yang dibeli konsumen yang terdiri dari 2 itemset obat.

6.

Judul Analisa Dan Perbandingan Metode Algoritma Apriori Dan FP-Growth Untuk Mencari Pola Daerah Strategis Pengenalan Kampus Studi Kasus STKIP ADZKIA PADANG

Penulis Domi Sepri, M. Afdal Tanggal/Tahun 2017

Tujuan Penelitian Untuk mengetahui strategi yang cocok untuk promosi pendidikan di STKIP ADZKIA PADANG Permasalahan Masih belum maksimalnya jumlah mahasiswa

yang diharapkan dari target instansi.

Subjek Penelitian Algortima Apriori diterapkan terhadap data promosi pendidikan STKIP ADZKIA PADANG Metode Penelitian Algoritma Apriori dan FP-Growth

Hasil Penelitian Dapat membantu menentukan pola promosi pendidikan STKIP ADZKIA PADANG

2.2 Data Mining

Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data Mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar, (Turban, E., 2005).

(22)

Sedangkan menurut (Larose, 2005) data mining merupakan analisis dari peninjauan kumpulan data untuk menemukan hubungan yang biasanya tidak diduga dan meringkas data dengan cara yang berbeda dengan sebelumnya, yang dapat dipahami dan bermanfaat bagi pemiliknya. Data mining juga merupakan bidang dari beberapa bidang keilmuan yang menyatukan teknik dari pembelajaran mesin, pengenalan pola, statistik, dan visualisasi untuk penanganan pengambilan informasi dari database yang besar.

Dari definisi-definisi yang telah disampaikan diatas, hal tepenting yang terkait dengan data mining adalah:

1. Data mining merupakan suatu proses otomatis terhadap data yang sudah ada.

2. Data yang akan diproses merupakan data yang sangat besar

3. Tujuan data mining adalah untuk mendapatkan hubungan atau pola yang mungkin memberikan induksi yang bermanfaat.

Kemajuan luar biasa yang terus berlanjut dalam bidang data mining didorong oleh beberapa faktor, antara lain (Larose, 2005) :

1. Pertumbuhan yang cepat dalam kumpulan data.

2. Penyimpanan dalam data warehouse, sehingga seluruh perusahaan memiliki akses ke dalam database yang andal.

3. Adanya peningkatan akses data melalui navigasi web dan intranet.

4. Tekanan kompetisi bisnis untuk meningkatkan penguasaan pasar dalam globalisasi ekonomi.

5. Perkembangan teknologi perangkat lunak untuk data mining (ketersediaan teknologi).

(23)

6. Perkembangan yang hebat dalam kemampuan komputasi dan pengembangan kapasitas media penyimpanan.

2.3 Analisis

Analisis adalah penguraian suatu pokok atas berbagai bagiannya dan penelaahan bagian itu sendiri serta hubungan antar bagian untuk memperoleh pengertian yang tepat dan pemahaman arti keseluruhan, (Darminto, 2002).

Analisis adalah kegiatan berpikir untuk menguraikan suatu keseluruhan menjadi komponen sehingga dapat mengenal tanda-tanda komponen, hubungannya satu sama lain dan fungsi masing-masing dalam satu keseluruhan yang terpadu, (Komaruddin, 2001).

Aturan analisis yang digunakan ialah market basket analisis dimana aturan tersebut adalah aturan yang menyatakan asosiasi antara beberapa atribut. Karena analisis asosiasi menjadi terkenal karena aplikasinya untuk menganalisis isi keranjang belanja di pasar swalayan, analisis asosiasi ini juga sering disebut market basket analysis, (Kusrini & Luthfi, 2009).

2.4 Pola

Menurut Kamus Besar Bahasa Indonesia (2002) pola adalah suatu system kerja atau cara kerja sesuatu, sedangkan menurut kamus antropologi pola adalah rangkaian unsur-unsur yang sudah mantap mengenai suatu gejala dan dapat dipakai sebagai contoh dalam menggambarkan atau mendeskripsikan gejala itu sendiri, (Suyoto, 2005).

Berdasarkan uraian tersebut, dapat disimpulkan bahwa pola adalah cara kerja yang terdiri dari unsur-unsur terhadap suatu perilaku dan dapat dipakai untuk menggambarkan atau mendeskripsikan gejala perilaku itu sendiri.

(24)

2.5 Pembelian

Pembelian adalah proses perolehan bahan, peralatan dan jasa dari penyalur luar. Kegiatan pembelian digunakan untuk memperoleh bahan, barang dagangan, peralatan, dan jasa untuk memenuhi sasaran produksi dan pasar. (Longnecker, 2006).

Sedangkan pengertian pembelian menurut (Mulyadi, 2008) pembelian adalah serangkaian tindakan untuk mendapatkan barang dan jasa melalui penukaran, dengan maksud untuk digunakan sendiri atau dijual kembali.

Berdasarkan beberapa penjelasan diatas penulis menyimpulkan bahwa pembelian adalah kegiatan untuk mendapatkan kepemilikan atas suatu barang atau penggunaan suatu jasa yang digunakan untuk diri sendiri atau dengan tujuan dijual kembali.

2.6 Pelanggan

Pelanggan adalah orang yang menjadi pembeli produk yang telah dibuat dan dipasarkan oleh sebuah perusahaan, dimana orang ini bukan hanya sekali membeli produk tersebut tetapi berulang-ulang.

Pelanggan suatu perusahaan adalah orang yang membeli dan menggunakan produk perusahaan,(Nasution, 2004).

Dalam (Fajar, 2008) pengertian pelanggan ada tiga yaitu : 1. Pelanggan Internal (Internal Customer)

Merupakan orang yang berada dalam perusahaan dan memiliki pengaruh pada performasi (Performance) pekerjaan atau perusahaan kita.

(25)

2. Pelanggan Antara (Intermedieate Customer)

Merupakan mereka yang bertindak atau berperan sebagai perantara bukan sebagai pemakai akhir produk itu.

3. Pelanggan Eksternal (Eksternal Customer)

Merupakan pembeli atau pemakai akhir produk itu, yang sering disebut- sebut sebagai pelanggan nyata (Real Customer).

2.7 Association Rule

Menurut (Han, J., & Kember, 2001), terdapat dua ukuran kepercayaan yang menunjukan kepastian dan tingkat kegunaan suatu rule yang ditemukan yaitu:

1. Support merupakan suatu ukuran yang menunjukkan seberapa besar dominasi suatu item atau itemset dari keseluruhan transaksi.

2. Confidence adalah suatu ukuran yang menunjukan hubungan antar item secara conditional (misalnya seberapa sering item B dibeli jika orang membeli item A). Pada umumnya association rule yang didapatkan menarik apabila rule tersebut memenuhi baik minimum support maupun minimum confidence yang telah ditentukan oleh user.

Dalam (Kusrini & Luthfi, 2009), metedologi dasar analisis asosiasi terbagi menjadi 2 tahap :

1. Analisis pola frekuensi tinggi

Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database. Nilai support sebuah item diperoleh dengan mengikuti persamaan (2.1) (Kusrini & Luthfi, 2009).

Support (A) = × 100% (2.1)

(26)

Sedangkan nilai support dari 2 item diperoleh dari persamaan (2.2) dan persamaan (2.3) (Kusrini, dkk. 2009).

Support (A,B) = P ( ∩ ) (2.2)

Support ( , ) = ^∑

∑ × 100% (2.3)

2. Pembentukan aturan assosiatif

Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif A B. Nilai confidence dari aturan A B diperoleh dengan persamaan (2.4), (Kusrini & Luthfi, 2009).

Confidence = P (B | A) = ^∑

∑ × 100% (2.4)

2.7.1 Algoritma Apriori

Algoritma apriori termasuk jenis aturan asosiasi pada data mining. Selain apriori, yang termasuk pada golongan ini adalah metode Generalized Rule Induction dan Algoritma Hash Based. Aturan yang menyatakan asosiasi antara beberapa atribut sering disebut affinity analysis atau market basket analysis, (Kusrini & Luthfi, 2009). Langkah-langkah algoritma Apriori menurut (Kusrini &

Luthfi, 2009) sebagai berikut :

1. Tentukan nilai minimum frequent item set yang menunjukkan itemset memiliki frekuensi kemunculan lebih dari nilai minimum yang telah ditentukan (Ф) untuk mendapatkan kandidat 1 itemset.

2. Setelah mendapatkan hasil dari iterasi ke 1, maka akan dilanjutkan untuk mencari kandidat 2 itemset dan selanjutnya. Proses akan terhenti ketika tidak menemukan yang sesuai dengan nilai minimum yang telah ditentukan.

(27)

3. Dari kandidat itemset yang telah diperoleh kemudian dihitung nilai support dan confidence-nya, dengan syarat harus memenuhi nilai minimum support dan confidence yang telah ditentukan.

3. Diperoleh rules yang dapat digunakan sebagai informasi oleh pengguna.

2.7.2 Algoritma FP-Growth

Frequent pattern tree adalah representasi pemasukan data yang dipadatkan dan dibentuk dengan membaca kumpulan data pada suatu transaksi dalam suatu waktu dan memetakan transaksi tersebut ke dalam lintasan FP-Tree. Transaksi yang berbeda dapat memiliki items yang sama, sehingga memungkinkan lintasannya saling menimpa. Semakin banyak lintasan yang menimpa satu sama lain, dengan menggunakan struktur FP-Tree maka proses pemadatan semakin baik, (Tan et al., 2004).

FP-Growth adalah algoritma pencarian frequent itemset yang didapat dari FP-Tree dengan menjelajahi tree dari bawah menuju keatas. Algoritma FP-Growth merupakan pengembangan dari Algoritma Apriori. Sehingga kekurangan dari Algoritma Apriori diperbaiki di Algoritma FP-Growth. Algoritma ini menentukan frequent itemset yang berahiran suffix tertentu dengan menggunakan metode divide and conquer untuk memecah problem menjadi sub problem yang lebih kecil (Jiwei, H., Kamber, M., & Pei, 2011). Algoritma FP-Growth menggunakan konsep pembangunan tree dalam pencarian frequent itemset, tidak menggunakan generate candidate seperti Algoritma Apriori. Hal ini yang menyebabkan algoritma ini lebih cepat dari Algoritma Apriori.

(28)

2.8 Teknik Pengumpulan Data

Teknik pengumpulan data merupakan prioritas utama yang memiliki nilai strategis dalam penelitian, hal ini diungkapkan lantaran tujuan penelitian mendapatkan data-data, baik primer ataupun data sekunder, (Sugiyono, 2013).

2.9.1 Wawancara

Teknik pengumpulan data survei dapat dilakukan dengan menggunakan teknik wawancara yang berupa tanya jawab peneliti dengan responden (narasumber). Wawancara tersebut berupa percakapan langsung (face to face) antara dua pihak atau lebih untuk mendapatkan informasi secara lisan dengan tujuan untuk memperoleh data yang dapat menjelaskan ataupun menjawab suatu permasalahan peneliti, (Hasibuan, 2007).

2.9.2 Observasi

Pada dasarnya teknik observasi digunakan untuk melihat dan mengamati perubahan fenomena-fenomena sosial yang tumbuh dan berkembang atas penilaian tersebut, bagi pelaksana observaser dapat melihat momen tertentu sehingga mampu memisahkan anatar yang perlu dan tidak diperlukan, (Margono, 2007).

2.9.3 Dokumentasi

Dokumentasi adalah suatu cara yang digunakan untuk memperoleh data dan informasi dalam bentu buku, arsip, dokumen, tulisan angka dan gambar yang berupa laporan dan keterangan yang dapat mendukung penelitian, (Sugiyono, 2015).

(29)

2.9 Tools/Instrumen Penelitian

Pada penelitian ini penulis menggunakan Tools sebagai alat penerapan Algoritma Apriori. Tools yang digunakan tersebut adalah Rapid Miner versi 7.1.

Gambar 2.1 adalah tampilan dari Rapid Miner versi 7.1.

Gambar 2.1 Tampilan Rapid Miner ver 7.1n

(30)

16 BAB III

METODE PENELITIAN 3.1 Kerangka Penelitian

Dibawah ini adalah kerangka penelitian yang diajukan oleh penulis sebagai dasar tahapan penelitian yang akan dilakukan:

Berikut ini adalah penjelasan dari kerangka penelitian yang dibuat oleh penulis diatas:

1. Identifikasi masalah yang dilakukan oleh penulis adalah banyaknya data transaksi pembelian pelanggan pada Toko Diengva dapat diolah atau digali untuk menemukan suatu informasi berupa pola beli pelanggan.

2. Algoritma yang penulis gunakan dalam penelitian ini adalah algoritma Apriori menggunakan market basket analysis untuk menganalisis keranjang belanja pelanggan untuk menemukan hubungan antar item-item yang dibeli oleh pelanggan dalam waktu yang bersamaan.

IDENTIFIKASI MASALAH

Transaksi pembelian yang ada pada Diengva dapat dijadikan sebagai analisa perilaku pelanggan dalam melakukan pembelian barang

METODE Algoritma Apriori INSTRUMEN PENELITIAN

Rapid Miner 7.1 HASIL PENELITIAN Pola pembelian pelanggan.

Gambar 3.1 Kerangka Penelitian

(31)

3. Instrumen penelitian yang digunakan oleh penulis dalam membantu mengolah banyaknya data transaksi dari Toko Diengva menggunakan tools Rapid Miner 7.1.

4. Hasil penelitian yang dituju oleh penulis adalah informasi berupa pola beli pelanggan dimana informasi ini dapat dijadikan sebagai dasar pengembangan strategi bisnis.

3.2 Tahapan Penelitian

Berikut ini adalah alur tahapan penelitian yang dilakukan oleh (Megayasa et al., 2016) dan merupakan tahapan yang akan dilakukan oleh penulis :

Gambar 3.2 Tahapan Penelitian

Berikut ini adalah penjelasan dari tahapan penelitian yang dibuat oleh penulis diatas:

PENGUMPULAN DATA

1. Studi Literatur 2. Observasi 3. Wawancara

Dokumentasi

ANALISIS Identifikasi Masalah

PENYELEKSIAN DATA

1. Kategorisasi 2. Pembersihan 3. Transformasi

PENGOLAHAN DATA

Penerapan Algoritma Apriori menggunakan Rapid Miner 7.1

HASIL

(32)

1. Tahap pertama yang penulis lakukan ialah pengumpulan data yaitu pengumpulan data primer melalui wawancara, observasi, dan dokumentasi.

Sedangkan pengumpulan data sekunder penulis lakukan melalui studi literatur.

2. Selanjutnya penulis melakukan analisis dari data yang telah terkumpul dengan mengidentifikasi masalah yang ada dan menemukan solusi atau algoritma yang akan digunakan dalam pengolahan data yang telah penulis dapatkan.

3. Tahap ketiga yaitu penyeleksian data dimana data transaksi yang telah penulis kumpulkan akan melalui tahap kategorisasi dimana data akan diseleksi sesuai kebutuhan, selanjutnya dilakukan pembersihan data terhadap data yang tidak digunakan pada penelitian ini, terakhir data akan di transformasi sehingga dapat di terapkan menggunakan instrumen penelitian yang digunakan oleh penulis pada penelitian ini.

4. Tahap keempat yaitu pengolahan data dengan menerapkan algoritma Apriori menggunakan instrumen penelitian pada penelitian ini yaitu Rapid Miner 7.1 untuk menemukan hubungan berdasarkan nilai minimum support dan minimum confidence dari data yang diolah.

5. Tahap terakhir yaitu menghasilkan informasi berupa hubungan antar dua itemset atau lebih dari data transaksi yang ada sehingga dapat dilihat pola beli pelanggan melalui analisis keranjang belanja (market basket analysis) pembeli.

(33)

3.3 Instrumen Penelitian

Berdasarkan latar belakang masalah yang telah penulis paparkan, maka pada penelitian ini membutuhkan bahan-bahan dan/atau instrumen penelitian demi mendukung jalannya penelitian ini.

3.3.1 Data

Data yang digunakan dalam penelitian ini didasarkan pada dua jenis data yaitu data primer dan data sekunder. Data primer pada penelitian ini didapatkan langsung dari narasumber berupa transaksi penjualan pada Toko Diengva.

Sedangkan data sekunder pada penelitian ini berupa data-data pendukung yang didapatkan melalui pihak lain dalam penulisan landasan teori atau tinjauan pustaka yang diperlukan.

3.3.2 Peralatan

Peralatan dala penelitian ini meliputi kebutuhan perangkat lunak dan kebutuhan perangkat keras. Dibawah ini merupakan kebutuhan dari penelitian ini, diantaranya :

3.3.2.1Kebutuhan Perangkat Lunak

Perangkat lunak yang dibutuhkan pada penilitian ini antara lain adalah sebagai berikut :

1. Microsoft Office Word

Perangkat lunak ini digunakan oleh penulis sebagai alat untuk mengolah laporan hasil penelitian.

2. Microsoft Office Excel

Perangkat lunak ini digunakan oleh penulis sebagai alat untuk pencatatan transaksi penjualan dari Toko Diengva.

(34)

3. Rapid Miner 7.1

Perangkat lunak ini digunakan oleh penulis sebagai alat untuk menerapkan Algoritma Apriori dalam mencari nilai support dan confidence pada data transaksi penjualan dari Toko Diengva.

4. Sistem Operasi Windows 8 3.3.2.2Kebutuhan Perangkat Keras 1. Prosesor Intel (R) Core i3 2. Layar monitor 12”

3. RAM 4096 MB 4. Hardisk 500 GB 5. Keyboard 6. Mouse

3.4 Metode Pengumpulan Data 3.4.1 Observasi

Pengumpulan data dengan mengadakan penelitian di lapangan dengan mengamati proses bisnis yang ada di lapangan.

3.4.2 Wawancara

Wawancara dilakukan kepada pemilik Toko Diengva secara langsung dalam menggali informasi secara lisan berupa tanya jawab secara langsung.

3.4.3 Dokumentasi

Dokumentasi dilakukan untuk mendapatkan data yang sesuai atau valid mengenai informasi yang dibutuhkan oleh penulis, dokumentasi yang dilakukan oleh penulis berupa meyalin (foto kopi) data transaksi penjualan pada Toko Diengva.

(35)

3.5 Analisis Data

Dalam melakukan analisis data pada penelitian ini penulis menggunakan Algoritma Apriori untuk menemukan hubungan antar itemset pada transaksi penjualan dengan langkah-langkah beikut :

3.5.1 Pemahaman Data (Data Understanding)

Data yang digunakan dalam penelitian ini berasal dari data primer. Data transaksi penjualan yang digunakan adalah data transaksi penjualan pada tahun 2017-2019.

3.5.2 Pengolahan Data (Data Preaparation)

1. Tahap pertama yang dilakukan ialah menentukan nilai minimum frequent itemset yang menunjukkan itemset memiliki frekuensi kemunculan lebih dari nilai minimum yang telah ditentukan untuk mendapatkan kandidat 1 itemset.

2. Setelah mendapatkan hasil dari iterasi ke 1, maka akan dilanjutkan untuk mencari kandidat 2 itemset dan selanjutnya. Proses akan terhenti ketika tidak menemukan yang sesuai dengan nilai minimum yang telah ditentukan.

3. Dari kandidat itemset yang telah diperoleh kemudian dihitung nilai support dan confidence-nya, dengan syarat harus memenuhi nilai minimum support dan confidence yang telah ditentukan.

4. Diperoleh rules yang dapat digunakan sebagai informasi oleh pengguna.

3.5.3 Evaluasi (Evaluation)

Dalam tahapan ini akan dilakukan validasi serta pengukuran keakuratan hasil yang dicapai oleh model menggunakan aplikasi Microsoft Office Excel.

(36)

3.6 Simulasi Data

Penulis akan melakukan simulasi data secara manual dan menggunakan aplikasi Ms. Excel untuk menerapkan algoritma Apriori pada data transaksi pembelian di Toko Diengva.

3.6.1 Data Transaksi

Pada simulasi ini data yang digunakan hanyalah tujuh sampel data dan bukan seluruh data. Berikut ini adalah data yang akan digunakan pada simulasi :

Tabel 3.1 Data Transaksi

Transaksi Item

1 Serum Bioaqua, HN Cream, Pensil Alis, Soflen, Air Soflen 2 Set Rantang, Soflen, Air Soflen

3 Tumbler, Air Soflen, Soflen 4 Soflen, Theraskin, Pensil Alis 5 Parfum, Air Soflen, Dolby 6 Air Soflen, Dolby, Temulawak

7 HN Cream, Pensil Alis, Dolby, Sepatu, Lipstik

(37)

Berdasarkan tabel transaksi diatas maka didapat tabel representasi data berupa item yang ada pada transaksi tersebut yaitu :

Tabel 3.2 Representasi Data Transaksi

Transaksi Item

1 Serum Bioaqua

1 HN Cream

1 Pensil Alis

1 Soflen

1 Air Soflen 2 Set Rantang

2 Soflen

2 Air Soflen

3 Tumbler

3 Air Soflen

3 Soflen

4 Soflen

4 Theraskin 4 Pensil Alis

5 Parfum

5 Air Soflen

5 Dolby

6 Air Soflen

6 Dolby

6 Temulawak

7 HN Cream

7 Pensil Alis

7 Dolby

7 Sepatu

7 Lipstik

(38)

3.6.2 Bentuk Tabular Data Transaksi

Selanjutnya apabila dibuat ke dalam bentuk tabular, data transaksi diatas akan terlihat seperti Tabel 3.3.

Tabel 3.3 Bentuk Tabular Data Transakasi

Item Transaksi

1 2 3 4 5 6 7 ∑ Serum Bioaqua (A) 1 0 0 0 0 0 0 1

HN Cream (B) 1 0 0 0 0 0 1 2

Pensil Alis (C) 1 0 0 1 0 0 1 3

Soflen (D) 1 1 1 1 0 0 0 4

Air Soflen (E) 1 1 1 0 1 1 0 5

Set Rantang (F) 0 1 0 0 0 0 0 1

Tumbler (G) 0 0 1 0 0 0 0 1

Theraskin (H) 0 0 0 1 0 0 0 1

Parfum (I) 0 0 0 0 1 0 0 1

Dolby (J) 0 0 0 0 1 1 1 3

Temulawak (K) 0 0 0 0 0 1 0 1

Sepatu (L) 0 0 0 0 0 0 1 1

Lipstik (M) 0 0 0 0 0 0 1 1

3.6.3 Pembentukan 1 Itemset

Berikut ini adalah pembentukan 1 itemset berdasarkan bentuk tabular data transaksi diatas. Dimana pembentukkan 1 itemset bertujuan untuk mengetahui nilai support dari masing-masing item dalam transaksi yang ada. Proses pembentukan 1 itemset dilakukan menggunakan persamaan (2.1) yaitu:

Support (A) = × 100%

Tabel hasil pembentukan 1 itemset dari bentuk data tabular pada Tabel 3.3 dapat dilihat pada Tabel 3.4.

(39)

Tabel 3.4 Hasil Pembentukan 1 Itemset Nama Jumlah Support Serum Bioaqua (A) 1 14,29%

HN Cream (B) 2 28,57%

Pensil Alis (C) 3 42,86%

Soflen (D) 4 57,14%

Air Soflen (E) 5 71,43%

Set Rantang (F) 1 14,29%

Tumbler (G) 1 14,29%

Theraskin (H) 1 14,29%

Parfum (I) 1 14,29%

Dolby (J) 3 42,86%

Temulawak (K) 1 14,29%

Sepatu (L) 1 14,29%

Lipstik (M) 1 14,29%

Setelah terbentuk nilai support dari setiap item maka analis dapat menentukan nilai minimum support (frekuensi kemunculan item) yang akan digunakan, (Kusrini &

Luthfi, 2009). Berdasarkan tabel hasil pembentukkan 1 itemset maka penulis menentukan nilai minimum support yang digunakan adalah 40%. Dimana item yang memenuhi nilai minimum support adalah Pensil Alis (C), Soflen (D), Air Soflen (E), dan Dolby (J).

3.6.4 Pembentukan 2 Itemset

Berdasarkah hasil pembentukkan 1 itemset diatas terdapat 4 item yang lebih besar dari nilai minimum support. Maka himpunan dari kombinasi 2 itemset yang mungkin terbentuk adalah sebagai berikut:

{C,D}, {C,E}, {C,J}, {D,E}, {D,J},

{E,J}

(40)

Berdasarkan himpunan tersebut dapat dibentuk tabel untuk calon 2 itemset, dimana:

T = Transaksi f = frekuensi

p = barang yang dibeli secara bersamaan s = barang yang dibeli secara terpisah

Tabel 3.5 Tabel Calon 2 Itemset

{C,D} {C,E} {C,J}

T C D F T C E F T C J f

1 1 1 p 1 1 1 P 1 1 0 s

2 0 1 s 2 0 1 S 2 0 0 s

3 0 1 s 3 0 1 S 3 0 0 s

4 1 1 p 4 1 0 S 4 1 0 s

5 0 0 s 5 0 1 S 5 0 1 s

6 0 0 s 6 0 0 S 6 0 1 s

7 1 0 s 7 1 0 S 7 1 0 s

∑ 2 ∑ 1 ∑ 0

{D,E} {D,J} {E,J}

T D E F T D J F T E J f

1 1 1 p 1 1 0 S 1 1 0 s

2 1 1 p 2 1 0 S 2 1 0 s

3 1 1 p 3 1 0 S 3 1 0 s

4 1 0 s 4 1 0 S 4 0 0 s

5 0 1 s 5 0 1 S 5 1 1 p

6 0 0 s 6 0 0 S 6 0 1 s

7 0 0 s 7 0 0 S 7 0 0 s

∑ 3 ∑ 0 ∑ 1

Berdasarkan bentuk tabular data calon 2 itemset diatas, dilakukan pencarian nilai support dari 2 itemset. Pencarian nilai support 2 itemset bertujuan untuk mengetahui frekuensi kemunculan 2 itemset dibeli secara bersamaan. Nilai support pada Tabel 3.6 didapat melalui perhitungan menggunakan persamaan (2.3) dibawah ini:

Support ( , ) = ^∑

∑ × 100%

(41)

Tabel 3.6 Hasil nilai Support 2 itemset Kombinasi 2 Itemset Jumlah Support

{C,D} 2 29%

{C,E} 1 14%

{C,J} 0 0%

{D,E} 3 43%

{D,J} 0 0%

{E,J} 1 14%

Telah dijelaskan oleh penulis bahwa nilai minimum support yang digunakan adalah 40% maka kombinasi yang memenuhi nilai minimum support adalah {D,E} karena nilai support nya 43% atau lebih dari 40%.

3.6.5 Menghitung Nilai Support x Confidence Algoritma Apriori

Berdasarkan kombinasi 2 itemset yang terbentuk maka didapat aturan hubungan yang ada yaitu :

1. Jika membeli D maka membeli E 2. Jika membeli E maka membeli D

Selanjutnya menghitung nilai support dan confidence. Berikut ini adalah perhitungan nilai support dan confidence dari aturan yang didapat, dimana nilai support didapat dari persamaan (2.3) dan confidence didapat dari persamaan (2.4)

Support ( , ) = ^∑

∑ × 100%

Tabel 3.7 Perhitungan nilai Support dan Confidence

Support Confidence

Jika membeli D maka

membeli E (3/7)*100% = 43% (3/7)/(4/7)*100% = 75%

Jika membeli E maka

membeli D (3/7)*100% = 43% (3/7)/(5/7)*100% = 60%

(42)

Setelah didapat nilai support dan confidence untuk masing-masing kandidat, dilakukan perkalian antar support dan confidence, dimana kandidat yang diambil adalah kandidat yang memiliki nilai support ≥ 40% dan confidence ≥ 60%, sehingga didapat tabel sebagai berikut:

Tabel 3.8 Kandidat yang Mencapai Nilai Support dan Confidence

Support Confidence Support x

Confidence

Jika membeli D maka membeli E 43% 75% 32%

Jika membeli E maka membeli D 43% 60% 26%

Setelah didapat hasil perkalian antar support dan confidence, maka akan dipilih yang hasil perkaliannya paling besar karena perkalian tersebut merupakan rule yang digunakan saat penjualan. Namun, karena pada hasil perkalian diatas bernilai sama maka semuanya bisa dijadikan rule, yaitu :

1. “Jika membeli Soflen (D) maka membeli Air Soflen (E) dengan support 43% dan confidence 75%”.

2. “Jika membeli Air Soflen (E) maka membeli Soflen (D) dengan support 43% dan confidence 60%”.

Dari dua aturan diatas dapat ditarik kesimpulan apabila melakukan persediaan Soflen maka lakukan persediaan juga terhadap Air Soflen.

(43)

29 BAB IV

HASIL PENELITIAN DAN PEMBAHASAN

4.1 Implementasi Nilai Minimum Support 2%

Untuk mendapatkan pengetahuan yang ingin dicari oleh penulis, penulis menggunakan tools Rapid Miner 7.1 sebagai alat untuk menerapkan Algoritma Apriori dengan minimum support 2% dan minimum confidence 30%.

4.1.1 Implementasi Algoritma Apriori Menggunakan Rapid Miner

Pembentukkan proses Algoritma Apriori pada Rapid Miner dapat dilihat pada gambar 4.1.

Gambar 4. 1 Pembentukkan Proses Algoritma Apriori

Selanjutnya memasukkan nilai minimum support dan minimum confidence pada proses Algoritma Apriori dapat dilihat pada gambar 4.2

Gambar 4. 2 Memasukkan Nilai Minimum Support dan Minimum Confidence

(44)

Dengan menggunakan tools Rapid Miner 7.1 untuk menerapkan Algoritma Apriori dengan nilai minimum support dan minimum confidence yang telah ditentukan menghasilkan aturan seperti pada gambar 4.3.

Gambar 4. 3 Hasil Penerapan Algoritma Apriori

Hasil gambar diatas menunjukkan bahwa terdapat 4 aturan yang memenuhi aturan minimum support 2% dan minimum support 30% dari hasil penerapan Algoritma Apriori menggunakan Rapid Miner 7.1.

4.1.2 Implementasi Algoritma Apriori Menggunakan Ms. Excel

Implementasi Algoritma Apriori menggunakan Ms. Excel bertujuan untuk mencari perbedaan antara penerapan perhitungan didalam Ms. Excel dengan menggunakan tools Rapid Miner 7.1. Perhitungan Nilai Support keseluruhan Data Perhitungan nilai support dilakukan untuk mengetahui nilai kemungkinan kemunculan satu item dalam keseluruhan total transaksi. Tabel 4.1 berikut ini adalah peritungan nilai support Algoritma Apriori dari 1625 data menggunakan Ms.

Excel. Proses pembentukan 1 itemset dilakukan menggunakan persamaan (2.1) yaitu:

(45)

Support (A) = × 100%

Tabel 4.1 Nilai Support Seluruh Item Item Jumlah Nilai Support

Spa 35 2,15%

Scholar 48 2,95%

ParfumTokyo 25 1,54%

TurtleCoral 1 0,06%

ScullopCaramel 2 0,12%

Theraskin 162 9,97%

Celana 42 2,58%

SerumHanasui 33 2,03%

MaskerMata 62 3,82%

MaskerBibir 49 3,02%

Naturgo 146 8,98%

Temulawak 37 2,28%

PensilAlis 153 9,42%

HipUpCream 2 0,12%

Samyuwan 62 3,82%

biogold 1 0,06%

RingHp 10 0,62%

Pingset 6 0,37%

SabunBeras 31 1,91%

KissProft 14 0,86%

CreamRose 8 0,49%

minyakKemiri 1 0,06%

Orotan 9 0,55%

Bando 4 0,25%

Dolby 53 3,26%

HNCream 89 5,48%

BabyLips 1 0,06%

Lipstik 117 7,20%

SkinAqua 1 0,06%

Catokan 86 5,29%

Maskara 70 4,31%

Baju 127 7,82%

Tas 171 10,52%

SponBedak 49 3,02%

Vaseline 30 1,85%

KartuRiseller 4 0,25%

(46)

Mangkok 4 0,25%

Kutek 35 2,15%

ObatJerawat 39 2,40%

FairNPink 13 0,80%

Hena 12 0,74%

AdhaCream 8 0,49%

Eyeliner 199 12,25%

BuluMata 97 5,97%

LemBuluMata 48 2,95%

Dompet 128 7,88%

AirSoflen 80 4,92%

SerumWardah 6 0,37%

Collagen 64 3,94%

Shampo 7 0,43%

Jaket 56 3,45%

Bedak 26 1,60%

MaskerHelloKitty 3 0,18%

Kissproof 9 0,55%

Concealer 1 0,06%

Soflen 98 6,03%

Topi 1 0,06%

Jilbab 46 2,83%

Sepatu 81 4,98%

BodySpa 15 0,92%

Permen 162 9,97%

Parcel 1 0,06%

CetakanAlis 27 1,66%

KeranjangBaju 18 1,11%

Bros 1 0,06%

MinyakBulus 11 0,68%

HairClip 3 0,18%

MakeupTools 2 0,12%

PewarnaRambut 1 0,06%

PenjepitBuluMata 31 1,91%

Liptin 38 2,34%

Botol 36 2,22%

VitaminRambut 2 0,12%

Kuas 2 0,12%

(47)

TasKosmetik 11 0,68%

SabunGove 85 5,23%

TempatSoflen 5 0,31%

SerumAnimate 31 1,91%

SabunPepaya 1 0,06%

MaskerKomedo 26 1,60%

Waterprof 19 1,17%

MaskerHidung 20 1,23%

Masker 60 3,69%

Sendal 60 3,69%

Cristalx 2 0,12%

ParfumLaundry 16 0,98%

Lulur 5 0,31%

Kaos 24 1,48%

Ciput 21 1,29%

Foundation 14 0,86%

RakTas 5 0,31%

JamTangan 57 3,51%

KuasMasker 36 2,22%

BlackWalet 18 1,11%

Gamis 67 4,12%

Tunik 6 0,37%

Aloevera 16 0,98%

PaketZaitun 2 0,12%

Mukena 5 0,31%

SetMakeup 17 1,05%

Gantungan 29 1,78%

BlushOn 16 0,98%

Eyeshadow 23 1,42%

CaseHp 31 1,91%

KotakTisu 2 0,12%

Termos 4 0,25%

VoucerIndosat 22 1,35%

Tumbler 45 2,77%

PastaGigi 14 0,86%

Tongsis 2 0,12%

Amplop 8 0,49%

Wardah 3 0,18%

(48)

Boneka 15 0,92%

JepitanFoto 2 0,12%

RakKosmetik 2 0,12%

Kemeja 1 0,06%

Ertos 3 0,18%

SabunFruitamint 9 0,55%

Benang 2 0,12%

VoucerAxis 16 0,98%

HiasanDinding 18 1,11%

Bunga 4 0,25%

BungkusKado 6 0,37%

CetakanHena 1 0,06%

Dress 3 0,18%

LampuJamur 4 0,25%

Horden 13 0,80%

MesinJahit 8 0,49%

MaskerBioaqua 8 0,49%

BuketBunga 10 0,62%

Headshet 9 0,55%

Kacamata 86 5,29%

Sprei 10 0,62%

PelindungKabel 5 0,31%

KabelData 1 0,06%

Flashdisk 0 0,00%

BBBioaqua 0 0,00%

CreamLeher 0 0,00%

KeripikPisang 0 0,00%

KeripikNanas 0 0,00%

KeripikNangka 0 0,00%

SewaPaperFlower 8 0,49%

SetRantang 2 0,12%

CukaApel 1 0,06%

VoucerXL 8 0,49%

TaliRambut 0 0,00%

Pouch 2 0,12%

Panggangan 3 0,18%

Timbangan 3 0,18%

SendalBulu 2 0,12%

(49)

MaskerRorec 31 1,91%

Panci 4 0,25%

Teko 3 0,18%

Toples 1 0,06%

TempatAqua 3 0,18%

TehSosro 3 0,18%

TakaraPopato 5 0,31%

Kacang 5 0,31%

Sprite 4 0,25%

Pilus 2 0,12%

TelurGabus 1 0,06%

StickBalado 1 0,06%

TempatBumbu 1 0,06%

Wafer 2 0,12%

Fanta 1 0,06%

Coca-Cola 1 0,06%

Kelambu 1 0,06%

Ampau 2 0,12%

KameraKogan 3 0,18%

KotakMakan 1 0,06%

Kalung 49 3,02%

Cincin 36 2,22%

RakSerbaGuna 1 0,06%

Jam 1 0,06%

Mic 3 0,18%

KipasKarakter 8 0,49%

BoxPakaian 1 0,06%

JepitRambut 8 0,49%

AsahanPisau 2 0,12%

PopSocket 7 0,43%

SetRak 2 0,12%

BehelGigi 1 0,06%

Bandana 19 1,17%

JarumPentul 5 0,31%

MaskerBabySkin 2 0,12%

Rantang 3 0,18%

Sisir 2 0,12%

KukuPalsu 6 0,37%

(50)

LemKuku 5 0,31%

Spirulina 22 1,35%

Celengan 5 0,31%

JamDinding 27 1,66%

TaplakMeja 1 0,06%

Sabuk 3 0,18%

Hodie 5 0,31%

Tirai 4 0,25%

Bantal 1 0,06%

Pulpen 2 0,12%

Penghapus 1 0,06%

Gelang 1 0,06%

MaskerRambut 2 0,12%

Charger 3 0,18%

Rokok 4 0,25%

MaskerHanasui 44 2,71%

Pensil 2 0,12%

RakSepatu 2 0,12%

VoucerTelkomsel 1 0,06%

Anting 5 0,31%

Panciset 3 0,18%

MaskerAnimate 4 0,25%

SetBrush 14 0,86%

AlatJahit 2 0,12%

Gelas 1 0,06%

RakBaju 2 0,12%

Parfum 2 0,12%

Makarizo 3 0,18%

Berdasarkan nilai support yang telah terhitung dari keseluruhan data maka nilai minimum suppport yang digunakan oleh penulis adalah 2% untuk lanjut ke tahap perhitungan support 2 ItemSet. Tabel 4.2 berikut ini adalah data yang memenuhi minimum support. Proses pembentukan 2 itemset dilakukan menggunakan persamaan (2.1) yaitu:

Support (A) = × 100%

(51)

Tabel 4. 2 Item dengan Nilai Support ≥ 2%

Item Nilai Support

Spa 2,15%

Scholar 2,95%

Theraskin 9,97%

Celana 2,58%

SerumHanasui 2,03%

MaskerMata 3,82%

MaskerBibir 3,02%

Naturgo 8,98%

Temulawak 2,28%

PensilAlis 9,42%

Samyuwan 3,82%

Dolby 3,26%

HNCream 5,48%

Lipstik 7,20%

Catokan 5,29%

Maskara 4,31%

Baju 7,82%

Tas 10,52%

SponBedak 3,02%

Kutek 2,15%

ObatJerawat 2,40%

Eyeliner 12,25%

BuluMata 5,97%

LemBuluMata 2,95%

Dompet 7,88%

AirSoflen 4,92%

Collagen 3,94%

Jaket 3,45%

Soflen 6,03%

Jilbab 2,83%

Sepatu 4,98%

Permen 9,97%

Liptin 2,34%

Botol 2,22%

SabunGove 5,23%

Masker 3,69%

Sendal 3,69%

JamTangan 3,51%

KuasMasker 2,22%

Gamis 4,12%

Tumbler 2,77%

Kacamata 5,29%

Kalung 3,02%

Cincin 2,22%

MaskerHanasui 2,71%

(52)

a. Perhitungan Nilai Support dari Kombinasi 2 Itemset

Data yang memenuhi minimum support selanjutnya dihitung nilai support dari Kombinasi 2 Itemset untuk mengetahui frekuensi kemunculan 2 item dibeli secara bersamaan menggunakan persamaan (2.2). Tabel 4.3 berikut ini adalah hasil dari perhitungan kombinasi 2 itemset.

Support ( , ) = ^∑

∑ × 100%

Tabel 4. 3 Nilai Support 2 ItemSet

(53)

Tabel 4.3 Nilai Support 2 ItemSet (lanjutan)

(54)

(55)

(56)

(57)

(58)

(59)

(60)

(61)

(62)

(63)

(64)

(65)

(66)

(67)

(68)

(69)

(70)

(71)

(72)

Berdasarkan Tabel 4.10 tersebut maka nilai support dari kombinasi yang memenuhi minimum support yang telah ditentukan adalah sebagai berikut:

Tabel 4. 4 Kombinasi 2 ItemSet yang Memenuhi Minimum Support Kombinasi 2 Itemset Kemunculan

2 Itemset Support A Support (A ∩ B)

BuluMata, LemBuluMata 34 5,97% 2,09%

AirSoflen, Soflen 40 4,92% 2,46%

(73)

b. Perhitungan Nilai Confidence dari Kombinasi 2 Itemset

Berdasarkan kombinase itemset yang memenuhi minimum support maka akan dicari nilai confidence dari kombinasi itemset yang telah memenuhi syarat dimana nilai confidence didapat dari persamaan (2.4)

∑ × 100%

Tabel 4.5 adalah hasil nilai confidence dari 2 itemset.

Tabel 4.5 Nilai Confidence 2 Itemset Kombinasi 2 Itemset Kemunculan

2 Itemset

Support A

Support

(A ∩ B) Confidence BuluMata, LemBuluMata 34 5,97% 2,09% 35,05%

AirSoflen, Soflen 40 4,92% 2,46% 50,00%

Berdasarkan tabel tersebut dapat dikatakan bahwa kedua kombinasi tersebut memenuhi syarat minimum confidence yaitu 30%.

c. Pembentukan Aturan Asosiasi

Berdasarkan item-item yang memenuhi syarat minimum support dan minimum confidence maka dapat dibentuk aturan asosiasi dari item-item tersebut.

berikut ini adalah aturan asosiasi yang terbentuk:

1) Jika membeli BuluMata maka akan membeli LemBuluMata 2) Jika membeli LemBuluMata maka akan membeli BuluMata 3) Jika membeli AirSoflen maka akan membeli Soflen

4) Jika membeli Soflen maka akan membeli AirSoflen

Berdasarkan aturan asosiasi diatas maka dapat dicari kembali nilai support dan confidence dari aturan-aturan yang terbentuk. Tabel 4.6 adalah tabel dari aturan asosiasi.

(74)

Tabel 4. 6 Aturan Asosiasi Kombinasi 2 Itemset Kemunculan

2 Itemset

Support A

Support

(A ∩B) Confidence BuluMata, LemBuluMata 34 5,97% 2,09% 35,05%

LemBuluMata, BuluMata 34 2,95% 2,09% 70,83%

AirSoflen,Soflen 40 4,92% 2,46% 50,00%

Soflen,AirSoflen 40 6,03% 2,46% 40,79%

Dengan terbentuknya aturan asosiasi diatas dan seluruh kombinasi memenuhi minimum support dan minimum confidence maka aturan yang terbentuk adalah:

1) Jika membeli BuluMata maka akan membeli LemBuluMata dengan nilai Support (A ∩B) 2,09% dan nilai confidence 35,05%.

2) Jika membeli LemBuluMata maka akan membeli BuluMata dengan nilai Support (A ∩B) 2,09% dan nilai confidence 70,83%.

3) Jika membeli AirSoflen maka akan membeli Soflen dengan nilai Support (A ∩B) 2,46% dan nilai confidence 50,00%.

4) Jika membeli Soflen maka akan membeli AirSoflen dengan nilai Support (A ∩B) 2,46% dan nilai confidence 40,79%.

4.1.3 Perbandingan Rapid Miner dengan Ms. Excel

Berdasarkan penerapan Algoritma Apriori menggunakan Rapid Miner dan Ms. Excel dapat dilihat bahwa hasil penerapan dari kedua alat tersebut menghasilkan aturan yang sama yaitu:

1) Jika membeli BuluMata maka akan membeli LemBuluMata 2) Jika membeli LemBuluMata maka akan membeli BuluMata 3) Jika membeli AirSoflen maka akan membeli Soflen

4) Jika membeli Soflen maka akan membeli AirSoflen