PENERAPAN DATA MINING METODE APRIORI DALAM ANALISIS KECENDRUNGAN PEMBELIAN KONSUMEN GROCERY SHOP
Erlin Elisa1), Tukino2) Koko Handoko3)
1,2,3 Teknik dan Komputer, Universitas Putera Batam
email: [email protected], [email protected], [email protected] Abstract
Wholesale stores are a promising retail business today, judging from the movement of their businesses which are increasingly loved by the public because prices are relatively cheaper compared to supermarkets, supermarkets and minimarkets, this business must be able to meet consumer demand so that they are not inferior to similar businesses, including In managing the placement of types of goods on shelves, so far transaction data has been left unattended without being utilized to obtain new information. This study aims to apply the Apriori algorithm datamining technique in analyzing consumer purchasing tendencies at one of the Grocery Shops in Cipta Asri housing, the method used is an in-depth analysis of customer transactions on data that is already owned and data comes from various sources of information. The results obtained from processing sales transaction data in the form of itemset with the application of the concept of datamining association analysis are known to have a support value of 20% and 80% confidence, the results obtained where the combination of goods that are often purchased with Milk, Rice and snacks with each support value of 22.39 %, 83.33% confidence then Rice, Soft drink and Snack support value of 20.90%, Confidence 73.68%.
Keywords: Grocery, Transaction, Datamining, Apriori Algorithm
1. PENDAHULUAN
Salah satu bisnis yang baik untuk dijalankan saat ini adalah bisnis retail, dimana usaha ini sangat menjanjikan karena perputaran penjualan di bisnis ini sangat cepat sesuai dengan permintaan pasar. Berdasarkan kepada Data Pertumbuhan Ritel Ritel Indonesia tetap aktif di CEIC, CEIC melaporkan data Pertumbuhan Ritel Indonesia September 2022 sebesar 5,5%. Rekor ini lebih tinggi dari sebelumnya 4,9% dari Agustus 2022. Data Pertumbuhan Ritel Ritel Indonesia diperbarui setiap bulan dan rata-rata 8,1% dari Januari 2011 hingga September 2022 berdasarkan 141 observasi.
Seperti contoh usaha retail di kota Batam juga meningkat pendapatan setiap tahunnya, hal ini dapat dilihat dari Konsumsi domestik tumbuh sebesar 4,66% pada triwulan II 2022, lebih tinggi dari triwulan sebelumnya yang tumbuh sebesar 1,79%. Peningkatan ini disebabkan meningkatnya mobilitas orang karena peraturan perjalanan memoderasi aktivitas keuangan di
luar rumah dan aktivitas belanja selama musim Ramadhan - Idul Fitri. Meningkatnya mobilitas masyarakat dikonfirmasi oleh Google Mobility Report di sektor pusat perbelanjaan (ritel).
Tentunya ini juga merupakan angin segar oleh Grocery shop Cipta Asri. Toko grosir ini merupakan grosir satu-satunya yang ada pada perumahan cipta asri, dimana saat ini telah banyak memiliki pelanggan terutama penghuni perumahan, yang berlangganan ke grosir ini untuk memenuhi kebutuhan pokok sehari-hari.
Selain karena barang yang dijual murah, akses ke sana juga memudahkan masyarakat kompleks.
Oleh karena itu dalam meningkatkan pelayanan kepada konsumen, toko harus mampu memenuhi permintaan pelanggan setiap harinya dan tata letak barang di toko tentunya juga harus seefisien mungkin untuk kenyamanan pengunjung dalam mencari kebutuhan barangnya.
Saat ini Grocery shop Cipta Asri belum memanfaatkan data-data transaksi selama ini untuk di analisis guna menemukan pola
informasi baru tentang perilaku pelanggan, data yang telah ada dibiarkan begitu saja dan kalau sudah lama memenuhi media penyimpanan akan di hapus secara permanen, padahal data tersebut bisa di manfaatkan untuk keuntungan toko sendiri.
Oleh karena itu, agar data transaksi penjualan dapat berguna maka digunakan metode data mining dengan algoritma apriori association rule menggunakan data transaksi penjualan yang berasal dari barang yang dibeli oleh konsumen dalam waktu yang bersamaan untuk mendapatkan informasi permintaan pasar, serta digunakan sebagai gambaran untuk mengurangi stok barang-barang yang tidak laku di pasar, dan menggunakan informasi hasil analisis untuk mengatur penempatan barang sesuai dengan perilaku pembelian konsumen.
Penelitian serupa telah dilakukan menganalisis penempatan pembelian pada Toko Desa Surya Pudak. Ini menjelaskan bagaimana produk ditempatkan di supermarket dan barang apa yang sering dibeli bersama oleh konsumen [1] menggunakan Algoritma Apriori [2]. Selain itu pemanfaatan algoritma ini dilakukan untuk strategi promosi toko sehingga hasil penelitian sebelumnya dapat menjadi pertimbangan dalam perluasan pasar [3].
Penambangan Data (KDD) [4] telah banyak kita lihat di terapkan di berbagai bidang.
Analisis hasil bisa digunakan untuk pendorong pengambilan keputusan [5], [6]. Menggali data merupakan sebuah analisis yang ditujukan untuk mengidentifikasi ciri dan aturan dalam data [7], [8]. Penambangan data melibatkan penggalian informasi dari kumpulan data dan teknik yang terkait dengan statistik, pembelajaran mesin, dan sistem manajemen basis data [9],[10].
Salah satu algoritma yang menggunakan teknik aturan asosiatif untuk mencari kerapatan himpunan elemen dimana aturan algoritma ini menggunakan informasi frekuensi atribut yang diketahui sebelumnya untuk memproses informasi tambahan [11], [12], [13], [14].
Dalam studi lain, algoritma apriori digunakan untuk menghasilkan pola komposit objek. Hasil dari teknik aturan asosiasi dapat menggambarkan hubungan antar elemen produk dalam kombinasi kelompok produk [6], [15].
Jumlah item yang dapat didukung oleh sistem pemberi rekomendasi menggunakan metode pencarian pola antar item event [16].
Aturan asosiasi banyak digunakan untuk menganalisis transaksi penjualan termasuk penelitian di toko untuk inventaris [17]. Aturan asosiasi dapat digunakan untuk menentukan hubungan antar item yang diperoleh secara bersamaan [14]. Teknik ini digunakan biasanya untuk penelitian di bidang penjualan seperti melihat karakteristik seseorang dalam memilih variasi minuman kopi [18]. Penelitian sebelumnya juga menunjukkan bahwa teknik penambangan data ini digunakan untuk mendapatkan aturan dari kombinasi item, sehingga analisis asosiasi sangat menarik bagi para peneliti karena dapat menciptakan langkah yang efisien melalui penambangan pola reguler [19].
2. METODE PENELITIAN
Berikut adalah rancangan kegiatan penelitian ini:
Gambar 1. Metode Rancangan Kegiatan Penelitian
Tahap 1 Perencanaan
Tahap 2 Analisis Pemasalahan
Tahap 3 Collect Data Tahap 4
Pengolahan Data Tahap 5
Evaluasi
Penelitian ini mengambil tempat pada sebuah grocery shop terbesar dan laris di area perumahan kota batam. Pada tahap 1 perencanaan aktivitas yang dilakukan adalah identifikasi permasalahan yang ada di objek penelitian kemudian melakukan penentuan data yang akan digunakan untuk analisis serta menentukan jadwal penelitian ini. Kemudian lanjut ke tahap ke 2 analisis permasalahan, setelah diketahui permasalahan pada objek penelitian maka dilanjutkan dengan melakukan tahap 3 pengumpulan data atau collect data, dalam hal ini data yang akan di kumpulkan adalah data transaksi selama ini, setelah data terkumpul tahap ke 4 akan dilaksanakan dengan pengolahan data dengan metode apriori.
Metodologi dasar aturan asosiasi adalah sebagai berikut [20].
1. Analisis Pola Frekuensi Tinggi
Aturan asosiasi atau analisis asosiasi adalah teknik penambangan data yang menentukan aturan asosiasi yang terbentuk di antara kombinasi. Metodologi dasar aturan asosiasi adalah sebagai berikut.
Support A = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖
Untuk nilai support dari 2 item atau lebih diperoleh dengan rumus berikut:
Support (A,B) = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝑏 𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖
Rumus 1. Perhitungan support 2. Pembentukan Aturan Asosiasi
Segera setelah nilai support dari pola frekuensi tinggi ditentukan, pencarian aturan asosiasi yang nilai kepercayaannya memenuhi persyaratan minimum dilanjutkan. Nilai kepercayaan dari aturan "jika A, maka B" dapat ditemukan dengan menggunakan rumus berikut:
𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 𝑃(𝐵|𝐴) =𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵 𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴
Rumus 2. Perhitungan confidence
Kemudian hasil data yang di oleh pada tahap ke 5 akan di evaluasi hasil rules asosiasi
yang terjadi selama proses transaksi penjualan selama ini.
3. HASIL DAN PEMBAHASAN
Pada penelitian ini kami menggunakan minimum nilai support 20% dan Confidence 80% dari data uji sebanyak 100 data. Berikut proses perhitungan algoritma Apriori.
1. Menentukan Item Set a. 1 - Item Set
Dari jumlah transaksi yang ada dilakukan perhitungan nilai support sehingga didapat hasil berikut.
Tabel 1. Support Transaksi 1-Item Set Kode
Produk Item Jumlah Support
P01 Susu 36 53,73%
P02 Beras 31 46,27%
P03 Soft Drink 46 68,66%
P04 Air Mineral 28 41,79%
P05 Snacks 42 62,69%
P06 Roti 10 14,93%
P07 Home Care 28 41,79%
P08 Mie Instant 24 35,82%
P09 Bumbu 15 22,39%
P10 Kopi 22 32,84%
P11 Obat 12 17,91%
P12 teh 8 11,94%
P13 Minyak 5 7,46%
Karena menggunakan minimum nilai support 20% maka tabel C1 yang memenuhi syarat adalah.
Tabel 2. 1-Item Set Kode
Produk Item Jumlah Support
P01 Susu 36 53,73%
P02 Beras 31 46,27%
P03 Soft
Drink 46 68,66%
P04 Air
Mineral 28 41,79%
P05 Snacks 42 62,69%
P07 Home
Care 28 41,79%
P08 Mie
Instant 24 35,82%
P09 Bumbu 15 22,39%
P10 Kopi 22 32,84%
b. 2 Item set
Kombinasi 2 item set yang memenuhi syarat minimum support 20% adalah.
Tabel 3. 2 -Item Set Kode
Produk Item 1 Item 2 Jumlah Sup port P01,P02 Susu Beras 18 26,8
7%
P01,P03 Susu Soft
Drink 20 29,8
5%
P01,P05 Susu Snack 24 35,8 2%
P02,P03 Beras Soft
Drink 19 28,3
6%
P02,P05 Beras Snack 24 35,8 2%
P03,P04
Soft Drink
Air
Mineral 23 34,3 3%
P03,P05
Soft
Drink Snack 25 37,3 1%
P03,P07
Soft Drink
Home
Care 16 23,8
8%
P03,P08
Soft Drink
Mie
Instant 15 22,3 9%
P03,P10
Soft
Drink Kopi 16 23,8
8%
P04,P05 Air Miner
al
Snack 14 20,9
0%
P05,P07 Snack Home
Care 17 25,3
7%
c. 3-Item Set
Proses selanjutnya mengombinasikan 3 item set dengan masih menggunakan nilai support 20%, nilai yang di bawah minimum support akan di hilangkan sehingga memperoleh hasil berikut.
Tabel 4. 3 -Item Set Kode
Produk
Item 1
Item
2 Item 3 Jum- lah
Sup port P01,P02,P5 Susu Beras Snacks 15
22, 39
% P02,P3,P05 Bera
s
Soft
Drink Snacks 14 20,
90
% 2. Membentuk Aturan Asosiasi
Setelah himpunan ditemukan dengan menganalisis pola dengan frekuensi tertinggi, langkah selanjutnya adalah menyusun aturan asosiasi yang memenuhi syarat dengan nilai kepercayaan minimal 80%. Yaitu;
𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 (Susu, Beras, Snacks |Susu, Beras)
=15
18 = 0,833
𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 (Susu, Softdrink, Snacks |Beras, Soft Drink)
=14
19= 0,736
Sehingga diperoleh hasil akhir final rules dari nilai support 20% dan Confidence 80% yang telah ditentukan sebelumnya dapat dilihat.
Tabel 5. Final Rules
No Rules Support Confidence 1
Jika Membeli Susu, Beras maka akan membeli Snack
22,39% 83,33%
2
Jika Membeli Beras, Soft Drink maka akan membeli Snacks
20,90% 73,68%
4. KESIMPULAN
Dari analisis data transaksi yang telah di proses dengan metode algoritma apriori, dengan minimum nilai support 20% dan nilai untuk confidence 80% maka di dapat hasil item yang sering di beli secara bersamaan yaitu Susu, Beras dan snack dengan masing-masing nilai support 22,39%, confidence 83,33% kemudian Beras, Softdrink dan Snack nilai support 20,90%, Confidence 73,68%. Sehingga dari hasil tersebut dapat memberikan informasi baru dalam penyiapan stok barang dan tata letak barang di etalase grocery Shop.
5. REFERENSI
[1] S. R. Agustini, “Analisis dan Penerapan Algoritma Apriori Terhadap Penempatan Barang Pada Toko Surya Desa Pudak,”
vol. 1, no. April, pp. 59–69, 2022.
[2] Z. Abidin, A. K. Amartya, and A. Nurdin,
“PENERAPAN ALGORITMA
APRIORI PADA PENJUALAN SUKU CADANG KENDARAAN RODA DUA (Studi Kasus: Toko Prima Motor Sidomulyo),” J. Teknoinfo, vol. 16, no. 2,
p. 225, 2022, doi:
10.33365/jti.v16i2.1459.
[3] R. Y. 2 Rizky Kurniawan1, “Edusaintek:
Jurnal Pendidikan, Sains dan Teknologi,”
vol. 9, no. 2, pp. 472–487, 2022.
[4] I. A. Darmawan, M. F. Randy, I.
Yunianto, M. M. Mutoffar, and M. T. P.
Salis, “Penerapan Data Mining Menggunakan Algoritma Apriori Untuk Menentukan Pola Golongan Penyandang Masalah Kesejahteraan Sosial,” Sebatik, vol. 26, no. 1, pp. 223–230, 2022, doi:
10.46984/sebatik.v26i1.1622.
[5] Putria Narti Eka, “Data Mining Penjualan Tiket Pesawat Menggunakan Algoritma Apriori Pada Terminal Tiket Batam Tour
& Travel,” CBIS J., vol. 06, no. 01, pp.
29–39, 2018.
[6] 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.
[7] M. A. Setiawan and I. S. Maghfirah,
“DECODE : Jurnal Pendidikan Teknologi Informasi,” Decod. J.
Pendidik. Teknol. Inf., vol. 1, no. 1, pp.
33–42, 2021.
[8] P. B. N. Setio, D. R. S. Saputro, and Bowo Winarno, “Klasifikasi dengan Pohon Keputusan Berbasis Algoritme C4.5,” in PRISMA (Prosiding Seminar Nasional Matematika), 2020, vol. 3.
[9] R. Sovia, M. Yanto, and J. Nursam,
“Perancangan Aplikasi E-News Berbasis Android dan Web (Studi Kasus RRI Stasiun Padang),” vol. 10, no. 1, pp. 42–
48, 2020.
[10] D. R. Ente, S. A. Thamrin, S. Arifin, H.
Kuswanto, and A. Andreza, “Klasifikasi Faktor-Faktor Penyebab Penyakit Diabetes Melitus Di Rumah Sakit Unhas Menggunakan Algoritma C4.5,” Indones.
J. Stat. Its Appl., vol. 4, no. 1, pp. 80–88, 2020, doi: 10.29244/ijsa.v4i1.330.
[11] S. Hadija, E. Irawan, and I. S. Damanik,
“Penerapan Data Mining Pada Pola Penjualan Barang di Minimarket Menggunakan Algoritma Apriori Application of Data Mining on Patterns of Sales of Goods in Minimarkets Using the Apriori Algorithm,” JOMLAI (Journal Mach. Learn. Artif. Intell., vol.
1, no. 4, 2022, doi:
10.55123/jomlai.v1i4.1668.
[12] N. Rahmawati, Y. Novia Nasution, F.
Deny, and T. Amijaya, “Aplikasi Data Mining Market Basket Analysis untuk Menemukan Pola Pembelian di Toko Metro Utama Balikpapan,” J.
EKSPONENSIAL, vol. 8, no. 1, pp. 1–8,
2017.
[13] I. Qoniah and A. T. Priandika, “Analisis Market Basket Untuk Menentukan Asossiasi Rule Dengan Algoritma Apriori (Studi Kasus: Tb. Menara),” J.
Teknol. dan Sist. Inf., vol. 1, no. 2, pp. 26–
33, 2020.
[14] N. A. Hasibuan et al., “Implementasi Data Mining Untuk Pengaturan Layout,”
vol. 4, no. 4, pp. 6–11, 2018.
[15] F. A. Sianturi, “Penerapan Algoritma Apriori Untuk Penentuan Tingkat Pesanan,” J. Mantik Penusa, vol. 2, no. 1, pp. 50–57, 2018.
[16] A. Ikhwan, “A Novelty of Data Mining for FP-Growth Algorithm,” Int. J. Civ.
Eng. Technol., vol. 9, no. 7, pp. 1660–
1669, 2018.
[17] J. Dongga, A. ` Sarungallo, N. Koru, and G. Lante, “Implementasi Data Mining Menggunakan Algoritma Apriori Dalam Menentukan Persediaan Barang (Studi Kasus: Toko Swapen Jaya Manokwari),”
G-Tech J. Teknol. Terap., vol. 7, no. 1, pp. 119–126, 2023, doi:
10.33379/gtech.v7i1.1938.
[18] F. Edi, N. Saputro, and F. S. Nugraha,
“Prediksi Penjualan Kopi Berdasarkan Cuaca Menggunakan Association Rule dan Algoritma FP-Growth,” vol. 17, no.
1, pp. 1–8, 2023.
[19] V. N. Budiyasari, P. Studi, T.
Informatika, F. Teknik, U. Nusantara, and P. Kediri, “Implementasi Data Mining Pada Penjualan kacamata Dengan Menggunakan Algoritma Apriori,”
Indones. J. Comput. Inf. Technol., vol. 2, no. 2, pp. 31–39, 2018.
[20] H. Santoso, I. P. Hariyadi, and Prayitno,
“Data Mining Analisa Pola Pembelian Produk,” Semin. Nas. Teknol. Inf. dan Multimed., vol. x, no. 1, pp. 19–24, 2017.
