Absen Jurnal Johan 2010 Ok

5/27/2018 Absen Jurnal Johan 2010 Ok

1/14

2010 - Johan Page 1

Analisa Keranjang Pasar dengan Algoritma Apriori pada Data Transaksi

Mini Market Lima Bintang

JohanE-mail : [email protected]

ABSTRAK

Algoritma apriori termasuk jenis aturan asosiasi pada data mining. Algoritma apriori atau

association rule miningadalah teknik data mininguntuk menemukan aturan asosiatif antara satu

kombinasi item, dari analisa pembelian di suatu pasar swalayan dapat diketahuinya berapa besar

kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan pengetahuan

tersebut, pemilik pasar swalayan dapat mengatur penempatan barangnya atau merancang kampanye

pemasaran dengan memakai kupon diskon untuk kombinasi barang tertentu. Berdasarkan uji coba

Nilai Support dapat diambil kesimpulan bahwa semakin kecil nilai support maka jumlah itemsetyang dihasilkan semakin banyak, dan jumlah kaidah asosiasi yang dibentuk semakin banyak pula.

Kata kunci : Data Mining, Association Rules, AlgoritmaApriori

ABSTRACT

Apriori is an algorithm provided in association rules in data mining. Apriori or association rule

mining is data mining techniques to discover the associative rules between one combination of

items, from analysis of the purchase in a supermarket can know how likely a customer buys bread

with milk. With this knowledge, a supermarket owner can manage the placement of merchandise or

designing marketing campaigns using a combination of discount coupons for certain items. Based

on the experimental value of Support can be concluded that the smaller the value of support then

the number of itemset generated more and more, and the number of association rules established

more and more also.

Keyword :Data Mining, Association Rules, Apriori Algorithm

I. PENDAHULUANI.1 LATAR BELAKANG

Data mining adalah kombinasisecara logis antara pengetahuan data, dan

analisa statistik yang dikembangkan

dalam pengetahuan bisnis atau suatu

proses yang menggunakan teknikstatistik, matematika, kecerdasan buatan,

tiruan dan machine-learning untuk

mengekstraksi dan mengidentifikasiinformasi yang bermanfaat bagi

pengetahuan yang terkait dari berbagai

database besar.

Algoritma apriori adalahalgoritma analisis keranjang pasar yang

digunakan untuk menghasilkan aturan

asosiasi, dengan pola if-then. Algoritma

apriori menggunakan pendekatan iteratifyang dikenal dengan level-wise search,

dimana k-kelompok produk digunakan

untuk mengeksplorasi (k+1)-kelompok

produk atau (k+1)-itemset.

Dalam penelitian ini peneliti mencoba

menganalisa data transaksi penjualan

pada toko Mini Market Lima BintangPekanbaru. Data yang diambil sebagai

contoh kasus adalah data transaksi

penjualan di mini market. Melalui


2/14

2010 - Johan Page 2

penelitian ini diharapkan dapat ditemukanlangkah-langkah dan masalah (sebagai

model) dalam menerapkan algoritma

apriori ini dan diketahui apakah data

transaksi penjualan mini market cukup

berharga untuk ditambang dengan teknikanalisis data market. Penelitian ini

membahas algoritma apriori, analisis ,

imp

Implementasi sistem analisis

keranjang pasar dengan algoritmaapriori, dan eksperimen penggunaan

sistem dengan data transaksi penjualan

toko Mini Market Lima Bintang

Pekanbaru.

I.2 PERUMUSAN MASALAH

Berdasarkan latar belakang di atas, dapat

dirumuskan masalahnya, sebagai berikut :

1. Bagaimana menganalisa data untukkeperluan strategi pemasaran, desain

katalog dan proses pembuatankeputusan bisnis ?

2. Bagaimana menemukan pola-polahimpunan data yang sifatnyatersembunyi ?

3. Bagaimana menerapkan algoritmaapriori dalam data market ?

Tujuan analisis keranjang pasar padatransaksi penjualan adalah untuk

merancang strategi penjualan atau

pemasaran yang efektif denganmemanfaatkan data transaksi penjualan

yang telah tersedia di perusahaan.

Dengan menggunakan teknologi datamining, orang tidak perlu melakukan

analisis data secara manual, melainkan

dapat menggunakan teknik data mining

untuk ini.

I.3 TUJUAN PENELITITAN

Tujuan analisis keranjang pasar pada

transaksi penjualan adalah untukmerancang strategi penjualan atau

pemasaran yang efektif dengan

memanfaatkan data transaksi penjualanyang telah tersedia di mini market.

Dengan menggunakan teknologi data

mining, orang tidak perlu melakukan

analisis data secara manual, melainkandapat menggunakan teknik data mining

untuk ini. Teknik analisis keranjang pasar

bertujuan untuk menemukan pola yang

berupa produk-produk yang sering dibelibersamaan (atau cenderung muncul

bersama dalam sebuah transaksi) dari

data transaksi yang pada umumnya

berukuran sangat besar. Perusahaan laludapat menggunakan pola ini untuk

menempatkan produk yang sering dibeli

bersamaan ke dalam sebuah area yangberdekatan, merancang tampilan produk

di katalog, merancang kupon diskon(untuk diberikan kepada pelanggan yangmembeli produk tertentu), merancang

penjualan paket produk, dll. Penelitian ini

bertujuan untuk mengaplikasikanalgoritma apriori yang merupakan hasil

penelitian yang baru, sebagai teknik

analisis keranjang pasar. Data yang

diambil sebagai contoh kasus adalah datatransaksi mini market. Melalui penelitian

ini diharapkan dapat ditemukan langkah-

langkah dan masalah (sebagai model)dalam menerapkan algoritma ini dan

diketahui apakah data mini market cukup

berharga untuk ditambang dengan teknik

analisis keranjang pasar.

II. TINJAUAN PUSTAKAKnowledge Discovery and Data

Mining(KDD)adalah proses yang dibantuoleh komputer untuk menggali dan

menganalisis sejumlah besar himpunan

data dan mengekstrak informasi danpengetahuan yang berguna. Data mining

tools memperkirakan perilaku dan tren

masa depan, memungkinkan bisnis untukmembuat keputusan yang proaktif dan

berdasarkan pengetahuan.

Data mining tools mampu menjawabpermasalahan bisnis yang secara

tradisional terlalu lama untuk

diselesaikan. Data mining tools

menjelajah database untuk mencari pola


3/14

2010 - Johan Page 3

tersembunyi, menemukan infomasi yangprediktif yang mungkin dilewatkan para

pakar karena berada di luar ekspektasi

mereka.

Proses dalam KDD adalah prosesyang digambarkan pada dan terdiri dari

rangkaian proses iteratif sebagai berikut:

1. Data cleaning, menghilangkan noise

dan data yang inkonsisten.

2. Data integration, menggabungkan

data dari berbagai sumber data yangberbeda

3. Data selection, mengambil data yang

relevan dengan tugas analisis dari

database

4. Data transformation,

Mentransformasi atau menggabungkandata ke dalam bentuk yang sesuai untuk

penggalian lewat operasi summary atau

aggregation.

5. Data mining, proses esensial untuk

mengekstrak pola dari data dengan

metode cerdas.

6.

Pattern evaluation,mengidentifikasikan pola yang menarik

dan merepresentasikan pengetahuan

berdasarkan interestingness measures.

7. Knowledge presentation, penyajian

pengetahuan yang digali kepada

pengguna dengan menggunakanvisualisasi dan teknik representasi

pengetahuan.

Gambar 2.1 Tahap-tahap Data Mining

Algoritma apriori adalah algoritmaanalisis keranjang pasar yang digunakan

untuk menghasilkan aturan asosiasi,

dengan pola if-then. Algoritma apriori

menggunakan pendekatan iteratif yangdikenal dengan level-wise search, dimana

k-kelompok produk digunakan untukmengeksplorasi (k+1)-kelompok produk

atau (k+1)-itemset.

Beberapa istilah yang digunakan dalam

algoritma apriori antara lain:a. Support (dukungan): probabilitas

pelanggan membeli beberapa produk

secara bersamaan dari seluruhtransaksi. Support untuk aturan

X=>Y adalah probabilitas atributatau kumpulan atribut X dan Y yangterjadi bersamaan.

b. Confidence (tingkat kepercayaan):

probabilitas kejadian beberapa produkdibeli bersamaan dimana salah satu

produk sudah pasti dibeli. Contoh: jika

ada n transaksi dimana X dibeli, dan

ada m transaksi dimana X dan Y dibelibersamaan, maka confidence dari

aturan if X then Y adalah m/n.

c. Minimum support: parameter yangdigunakan sebagai batasan frekuensi

kejadian atausupport count yang harus

dipenuhi suatu kelompok data untukdapat dijadikan aturan.

d. Minimum confidence: parameter yang

mendefinisikan minimum level dari

confidence yang harus dipenuhi olehaturan yang berkualitas.

e. Itemset: kelompok produk.

f. Support count: frekuensi kejadianuntuk sebuah kelompok produk atau

itemset dari seluruh transaksi.

g. Kandidat itemset: itemset-itemset yangakan dihitungsupport count-nya.

h.Large itemset: itemset yang sering

terjadi, atau itemset-itemset yangsudah melewati batas minimum

support yang telah diberikan.

Sedangkan notasi-notasi yang digunakan

dalam algoritma apriori antara lain:


4/14

2010 - Johan Page 4

a. Ck

adalah kandidat k-itemset, dimana k

menunjukkan jumlah pasangan item.

b. Lkadalah large k-itemset.

c. D adalah basis data transaksi penjualan

dimana |D| adalah banyaknya

transaksi di tabel basis data.

Ada dua proses utama yang dilakukan

algoritma apriori, yaitu:

1. Join (penggabungan): untuk

menemukan Lk, C

kdibangkitkan dengan

melakukan proses join Lk-1

dengan

dirinya sendiri, Ck

=Lk-1

*Lk-1,

lalu anggota

Ck

diambil hanya yang terdapat didalam

Lk-1

.

2. Prune (pemangkasan): menghilangkan

anggota Ck

yang memiliki support count

lebih kecil dari minimum support agar

tidak dimasukkan ke dalam Lk.

Tahapan yang dilakukan algoritma aprioriuntuk membangkitkan large itemset

adalah sebagai berikut:

1. Menelusuri seluruh record dibasis data transaksi dan menghitungsupport count dari tiap item. Ini adalah

kandidat 1-itemset, C1.

2. Large 1-itemset L1

dibangun dengan

menyaring C1

dengansupport count yang

lebih besar sama dengan minimum

support untuk dimasukkan kedalam L1.

3. Untuk membangun L2, algoritmaapriori menggunakan proses join untuk

menghasilkan C2.

4. Dari C2, 2-itemset yang memiliki

support count yang lebih besar samadengan minimum support akan disimpan

ke dalam L2.

5. Proses ini diulang sampai tidak ada

lagi kemungkinan k-itemset.

Contoh tahapan pembangkitan C1, L

1, C

2,

L2, C

3, L

3ditunjukkan pada Gambar 2.

Pembangkitan aturan asosiasi dari largeitemset:

Gambar 2.2 Ilustrasi Algoritma Apriori

Dari beberapa large itemset yang

telah ditemukan, dapat dibangkitkan

aturan-aturan asosiasi yang berkualitas.

Syarat aturan asosiasi yang adalah harusmemenuhi minimum support dan

minimum confidence yang telah

ditentukan. Confidence dari setiap aturanyang dibangkitkan dapat dihitung dengan

menggunakan rumus peluang

Confidence(A=>B) = P(B|A) =support_count(AB)/support_count(A)

dengan support_count (AB) adalah

jumlah transaksi yang berisi itemset A

dan B, dan support_count(A) adalahjumlah transaksi yang berisi itemset A.

Berdasarkan rumusan diatas, aturan

asosiasi dapat dibangkitkan denganlangkah:

1. Untuk setiap itemset l, bangkitkan

seluruh subset l yang tidak kosong.

2. Untuk setiap subset s dari l yang tidakkosong, buat aturan s => (l- s) jika

support_count(l)/support_count(s) >=minimum confidence.

Algoritma apriori memiliki

masalah yaitu harus membangkitkan

kandidat itemset, Ck,

dalam jumlah besar.

(Banyaknya Ck

yang dibangkitkan adalah

kombinasi k dari jumlah itemset Lk-1

atau

k

C( itemset Lk-1)

.) Setelah Ck

terbentuk,


5/14

2010 - Johan Page 5

apriori melakukan penelusuran seluruhrecord di basis data untuk menghitung

support count masing-masing itemset

sehingga waktu komputasinya lama.

(Semakin besar jumlah kandidat itemsetsemakin besar komputasinya.)

Bentuk Dasar Aturan Asosiatif

Penting tidaknya suatu aturanassosiatif dapat diketahui dengan dua

parameter, support (nilai penunjang)

yaitu persentase kombinasi item tsb.

dalam database dan confidence(nilaikepastian) yaitu kuatnya hubungan antar

item dalam aturan assosiatif. Aturan

assosiatif biasanya dinyatakan dalam

bentuk :{roti,mentega} -> {susu} (support =

40%, confidence = 50%)Yang artinya : 50% dari transaksi di

database yang memuat item roti dan

mentega juga memuat item susu.

Sedangkan 40% dari seluruh transaksiyang ada di database memuat ketiga item

itu.

Dapat juga diartikan : "Seorangkonsumen yang membeli roti dan

mentega punya kemungkinan 50% untukjuga membeli susu. Aturan ini cukupsignifikan karena mewakili 40% dari

catatan transaksi selama ini."

Analisis asosiasi didefinisikan suatuproses untuk menemukan semua aturan

assosiatif yang memenuhi syarat

minimum untuk support (minimum

support) dan syarat minimum untuk

confidence (minimum confidence).

Metodologi dasar analisis asosiasi terbagimenjadi dua tahap :

1. Analisa pola frekuensi tinggiTahap ini mencari kombinasi item

yang memenuhi syarat minimum dari

nilai support dalam database. Sebagaicontoh, ada database dari transaksi

belanja pasar swalayan seperti berikut :

ID

Transaksi

item terjual

1 Pena, roti, mentega

2 Roti, mentega, telur,

susu3 Buncis, telur, susu

4 Roti, mentega

5 Roti, mentega, kecap,

telur, susu

Syarat minimum dari nilai support untuk

pola frekuensi tinggi dalam contoh iniadalah 30%.

Diketahui bahwa jumlah transaksi yang

memuat {roti,mentega} ada 4 (support

80%), sedangkan jumlah transaksi yangmemuat {roti,mentega,susu} ada 2

(support 40%), transaksi yang memuat

{buncis} hanya 1 (support 20%) dsb.Sehingga diperoleh pola frekuensi tinggi

yang memenuhi syarat minimum nilai

support adalah :

Kombinasi item Support

{roti} 80%

{mentega} 80%

{telur} 60%{susu} 60%

{roti,mentega} 80%

{telur,susu} 60%

{roti,susu} 40%

{mentega,susu} 40%

{roti,telur} 40%

{mentega,telur} 40%

{roti,mentega,susu} 40%

{roti,mentega,telur,susu} 40%

2. Pembentukan aturan assosiatifSetelah semua pola frekuensi

tinggi ditemukan, barulah dicari aturanassosiatif yang memenuhi syarat

minimum untuk confidence dengan

menghitung confidence aturan assosiatifA->B. Dari support pola frekuensi tinggi

A dan B dengan menggunakan rumus

berikut : confidence(A->B) = support(B)

/ support (A U B)Disini A U B adalah union dari pola A

dan B


6/14

2010 - Johan Page 6

Bila syarat minimum untuk confidencedari contoh diatas adalah 50% maka salah

satu aturan assosiatif yang dapat

ditemukan adalah :

{telur,susu} -> {roti,mentega} dengannilai confidence 66.6% karena

support({roti,mentega})/support({roti,mentega,telur,susu}) = 40%/60% = 66.6%

Aturan assosiatif lain yang dapat

ditemukan diantaranya adalah :aturan assosiatif support confidence

{telur,susu} -> {roti,mentega} 40% 66.6%

{roti,mentega} -> {susu} 40% 50%

{mentega,susu} -> {roti} 40% 100%

Perlu dicatat bahwa tahap pertama untuk

mencari pola frekuensi tinggi biasanyapaling banyak menghabiskan waktu

III.METODE PENELITIAN3.1. Kerangka Kerja Penelitian

Kerangka kerja adalah merupakan

prosedur kegiatan, mulai dari awalsampai akhir dari tulisan tesis ini.

Kerangka kerja tersebut digambarkan

seperti berikut ini gambar 3 :

Gambar 3.1 Kerangka Kerja Penelitian

3.2. Data Generation

Metode pengumpulan dataadalah cara-cara dan prosedur yang

dilakukan dalam penelitian untuk

memperoleh data yang dibutuhkan.

Beberapa metode pengumpulan data yang

dilakukan dalam penelitian ini adalah

sebagai berikut :

a.Melakukan observasi dan kajiantentang data transaksi penjualan

toko mini market Lima Bintang.Kajian lapangan ini untuk

mengetahui secara langsung

permasalahan yang ada, sehinggadiharapkan penerapan disain dan

konsep analisa data market

menggunakan algoritma apriori

dapat dilakukan dengan tepat.b. Library Research (tinjauan

kepustakaan)

Library research (tinjauan

kepustakaan) dilakukan untukmengumpulkan informasi tentang

literature dan pedoman dalampenentuan hasil analisa data market

menggunakan algoritma apriori.

c. Laboratory Research(Penelitian Laboratorium)Penelitian laboratorium adalah

untuk pengujian data penentuan

hasil analisa data market yang telahdidapatkan dengan menggunakan

algoritma apriori

3.3. Penentuan Tujuan

Yang menjadi tujuan pada tesis iniuntuk menentukan hasil analisa data

market menggunakan algoritma apriori.

Setelah melakukan kajian, maka sasaranterakhir dari tesis ini adalah sebagai

berikut :

a. Mendisain suatu konsep penentuanhasil analisa data market denganmenggunakan algoritma apriori,sehingga dapat menemukan pola dari

data yang tersembunyi.

b. Memberikan kemudahan atau solusibagi pengambil keputusan dalam

menemukan produk-produk yang

sering dibeli bersamaan dari datatransaksi sehingga dapat

menempatkan produk yang sering

dibeli bersamaan kedalam suatu area

yang berdekatan, merancang tampilan

Data Generation

Literatur

Penentuan Tujuan

Analisa Data

Analisa data dengan algoritma apriori

Implementasi

Pembahasan Hasil


7/14

2010 - Johan Page 7

produk dikatalog, merancang kupondiskon dan lain-lain.

c. Hasil dari penelitian yang dilakukanini nantinya dapat diuji dengan

menggunakan software associationrule.

3.4. LiteraturLiteratur yang dimaksud disini

adalah literatur yang digunakan untuk

mendapatkan suatu cara atau proseduryang akan digunakan untuk menganalisa

data market menggunakan algoritma

apriori agar nantinya dapat diterima oleh

semua pihak yang membutuhkan.

Sumber literatur didapatkan daribuku-buku yang membahas tentang

teknik data mining, analisa data market,algoritma apriori dan jurnal-jurnal dari

web site (internet). Judul buku dan

alamat situs di internet yang dijadikan

sebagai sumber literatur, nantinyadilampirkan pada daftar pustaka di akhir

tesis ini.

Dari hasil studi literatur diketahui ada

penerapan apriori di bidang mini marketuntuk mengelompokkan barang

berdasarkan kecenderungan kemunculan

bersama dalam satu transaksi, juga datamining pada tabel absensi elektronik

untuk mendeteksi kecurangan absensi,

dan analisa keranjang pasar denganalgoritma hash-based pada data transaksi

penjualan apotek.

3.5. Analisa DataData-data yang sudah diperoleh padatahap pengumpulan data, akan dianalisis

pada bagian ini. Berdasarkan hasil kajian

literatur dan observasi lapangan, data

disusun dan dikelompokkan dalambentuk tabel multikriteria sederhana. Hal

ini dimaksudkan untuk mempermudah

dalam analisa dan proses penentuan hasilanalisa data market menggunakan

algoritma apriori.

3.6. Pengolahan Data DenganAlgoritma Apriori

Pada tahap ini akan dilakukan analisa

yaitu; analisa terhadap algoritma apriori

pada data market dari data transaksipenjualan untuk menentukan alternatif

yang terbaik dari sekumpulan alternatifyang ada melalui suatu proses seperti

yang terjadi pada proses yang terstruktur.

3.7. Implementasi

Pada penelitian ini penulis

mengimplementasikan pengujian modeldari hasil analisa data menggunakan

algoritma apriori dengan menggunakan

alat bantu komputer dengan operating

system windows dan menggunakansoftware shoping cart analyzer. Model

yang dirancang ini akan dibuat sebagai

sebuah aplikasi yang siap pakai.

3.8. Pembahasan Hasil

Evaluasi sistem yang telah di uji perlu

dilakukan, dengan tujuan untuk

mengetahui apakah sistem yang diujitersebut sudah sesuai dengan yang

diharapkan. Evaluasi dilakukan dengan

cara membandingkan hasil yangdidapatkan pada tahap implementasi

sistem dengan hasil yang dibuat secara

manual.

IV.ANALISA DAN PERANCANGANTahapan yang cukup penting pada

data mining adalah tahapan data

preparation atau tahapan persiapan data.

Dimana nantinya data yang didapatkanakan dipergunakan pada tahapan

selanjutnya yaitu modelling. Apabiladata yang didapatkan tidak benar makanantinya model yang dihasilkan tidak

akan maksimal hasilnya.

4.1 Data Preparation

Data yang didapatkan merupakandata primer yaitu data yang didapatkan

langsung dari data transaksi penjualan

toko mini market lima bintang pekanbaru,berupa data transaksi penjualan dalam

beberapa bulan.


8/14

2010 - Johan Page 8

Terdapat delapan(8) atribut yangharus diisi yang ada pada transaksi

penjualan toko mini market lima bintang

pekanbaru yaitu :

1.

TanggalKegiatan kapan terjadinya transaksi

2. No_NotaNomor kegiatan transaksi yang harus

diisi disaat transaksi terjadi

3. KonsumenNama pelanggan yang membeli itembarang

4. Nama_BarangPendefinisian item-item barang untukmembedakan item barang yang satu

dengan item barang yang lain.5. QTY6. Jumlah item barang yang dimasukkan

pelanggan ke dalam keranjang

belanjaanya.

7. SatuanBentuk item barang

8. Harga_Satuan(@)Harga per item barang yang dibeli

pelanggan9. JumlahHarga yang harus dibayar oleh

pelanggan

4.1.1 Select Data

Dari 8 atribut yang ada pada data

transaksi penjualan yang dapat dijadikan

parameter pada penelitian ini hanyaNo_Nota dan Nama_Barang. Dimana kita

hanya melihat item barang mana yang

sering dibeli oleh pelanggan.


9/14

2010 - Johan Page 9

Tabel 4.1 Data Transaksi Mini Market

Tanggal No_Nota Konsumen Nama Barang Qty Satuan Harga_Satuan(@) Jumlah

2-Jan-10 1704 Caf Bintang Indomie Goreng

Special

1 Dus Rp 49,000 Rp 49,000

2-Jan-10 1704 Caf Bintang Indomie Kari Ayam 5 Dus Rp 50,000 Rp 250,000

2-Jan-10

1704 Caf Bintang

Indomie Ayam

Bawang

2 Dus Rp 47,000 Rp 94,000

2-Jan-10 1704 Caf Bintang Indomie Soto Medan 2 Dus Rp 46,000 Rp 92,000

2-Jan-10 1704 Caf Bintang Indomie Kaldu Ayam 1 Dus Rp 46,000 Rp 46,000

2-Jan-10 1704 Caf Bintang Indomie Goreng Sate 1 Dus Rp 48,000 Rp 48,000

2-Jan-10 1704 Caf Bintang Indomie Goreng

Pedas

2 Dus Rp 48,000 Rp 96,000

2-Jan-10 1705Warung Restu Tepung Terigu

Tepung Terigu 2 Kg Rp 6,000 Rp 12,000


Tepung Kanji 3 Kg Rp 5,500 Rp 16,500


Super Bubur Rasa Sapi 1 Dus Rp 40,000 Rp 40,000


ABC Mie Semur Pedas 2 Dus Rp 49,000 Rp 98,000

2-Jan-10 1705 Warung Restu Tepung TeriguRoyco Ayam Sachet2 Renceng Rp 6,000 Rp 12,000

2-Jan-10 1705 Warung Restu Tepung TeriguRoyco Sapi Sachet 2 Renceng Rp 6,000 Rp 12,000

2-Jan-10 1705 Warung Restu Tepung TeriguTelor Ayam2 Papan Rp 22,000 Rp 44,000

2-Jan-10 1706 Salon Van Beauty Air Galon SPA 1 Galon Rp 9,500 Rp 9,500

2-Jan-10 1706 Salon Van Beauty Aqua Cup 5 Dus Rp 15,000 Rp 75,000

2-Jan-10 1706 Salon Van Beauty Beras Belida 20Kg 5 Bgks Rp 80,000 Rp 400,000

2-Jan-10 1706 Salon Van Beauty Indomie Goreng

Pedas

5 Bgks Rp 48,000 Rp 240,000

2-Jan-10 1706 Salon Van Beauty Lifebuoy Cair 450ml 5 Bgks Rp 2,000 Rp 10,000

3-Jan-10 1707 Warung Wiwi Milo Sachet 10 Bgks Rp 2,500 Rp 25,000

3-Jan-10 1707 Warung Wiwi Kecap Manis Bango

Refill 85ml

5 Bgks Rp 8,000 Rp 40,000

3-Jan-10 1707 Warung Wiwi Roti Bobo 10 Bgks Rp 1,000 Rp 10,000

3-Jan-10 1707 Warung Wiwi Sampoerna Mild 16 5 Bgks Rp 10,000 Rp 50,000

3-Jan-10 1707 Warung Wiwi Lucky Strike Black 3 Bgks Rp 11,000 Rp 33,000

3-Jan-10 1708 Ridho Jaya Indomilk Susu Kental

Manis Coklat Kaleng

2 klg Rp 5,600 Rp 11,200

3-Jan-10 1708 Ridho Jaya Teh Celup Sari Wangi

@50sch

3 Bgks Rp 6,000 Rp 18,000

3-Jan-10 1708 Ridho Jaya Ajinomoto @500 2 Bgks Rp 7,500 Rp 15,000

3-Jan-10 1708 Ridho Jaya Rinso 900gr 2 Pack Rp 7,500 Rp 15,000

3-Jan-10 1708 Ridho Jaya Telor Ayam 1 Papan Rp 22,000 Rp 22,000

3-Jan-10 1709 MM Masakan

Medan

Roti Bobo 12 Bgks Rp 1,000 Rp 12,000


Medan

Daia Putih 1Kg 1 Kg Rp 18,000 Rp 18,000


Medan

Indomie Kari Ayam 2 Dus Rp 50,000 Rp 100,000


Medan

Indomie Goreng

Special

1 Dus Rp 49,000 Rp 49,000


Medan

Indomie Goreng

Pedas

1 Dus Rp 48,000 Rp 48,000

3-Jan-10 1710 Kedai Kopi Lin's ABC Mie Semur Pedas 2 Dus Rp 49,000 Rp 98,000

3-Jan-10 1710 Kedai Kopi Lin's Telor Ayam 3 Papan Rp 22,000 Rp 66,000

3-Jan-10 1710 Kedai Kopi Lin's Milo Sachet 6 Bgks Rp 2,500 Rp 15,000

3-Jan-10 1710 Kedai Kopi Lin's Indomie Soto Medan 3 Dus Rp 46,000 Rp 138,000


10/14

2010 - Johan Page 10

Support

4.1.2 Pembersihan Data

Pembersihan data biasanya

dipergunakan untuk mengisi data-data

yang masih kosong atau ada kesalahan

pengisian. Pada data mining ada teknik-teknik yang dapat dipergunakan untuk

melakukan pembersihan data. Akan tetapiuntuk penelitian ini, penulis tidak

mempergunakan teknik-teknik pada data

mining tersebut. Karena parameter-

parameter yang ada, dibutuhkan datayang sebenarnya, bukan data yang dibuat

berdasarkan rata-rata yang ada.

4.1.3 Integrasi Data

Data-data yang dikumpulkan

dalam proses transaksi seringkaliditempatkan pada lokasi yang berbeda-

beda. Maka dari itu dibutuhkankemampuan dari sistem untuk dapat

mengumpulkan data dengan cepat.

Tabel 4.2 Contoh Database

Transaksional

No_Fak

tur

Item Bought

1704 Indomie Goreng Special,Indomie Kari Ayam, Indomie

Ayam Bawang, Indomie Soto

Medan, Indomie Kaldu Ayam,Indomie Goreng Sate, Indomie

Goreng Pedas

1705 Tepung Terigu, Tepung Kanji,

Super Bubur Rasa Sapi, ABCMie Semur Pedas, Royco Ayam

Sachet, Royco Sapi Sachet,

Telor Ayam

1706 Air Galon SPA, Aqua Cup,Beras Belida 20Kg, IndomieGoreng Pedas, Lifebuoy Cair

450ml

1707 Milo Sachet, Kecap Manis

Bango Refill 85ml, Roti Bobo,

Sampoerna Mild 16, LuckyStrike Black

1708 Indomilk Susu Kental Manis

Coklat Kaleng, Teh Celup Sari

Wangi @50sch, Ajinomoto

@500, Rinso 900gr, Telor Ayam

1709 Roti Bobo, Daia Putih 1Kg,

Indomie Kari Ayam, Indomie

Goreng Special, Indomie Goreng

Pedas1710 ABC Mie Semur Pedas, Telor

Ayam, Milo Sachet, Indomie

Soto Medan

Dengan menggunakan tabel transaksi

diatas, akan ditunjukkan bagaimana carakerja dari algoritma apriori. Minimum

support(minsupp) yang ditetapkan untuk

menjalankan algoritma ini adalah sebesar20% , dikarenakan akan terjadi transaksi

dengan banyak item sehinggasupportnya

di kecilkan.

Langkah 1 : menelusuri seluruh recorddi basis data transaksi dan menghitung

support count dari tiap item. Ini adalah

kandidat 1-itemset, C1

Tabel 4.3 Candidat 1-itemsetC1

Candidate 1-i temsetSupport Frequen

t

Indomie Goreng

Special

2/7 (28,6%) Ya

Indomie Kari

Ayam

2/7 (28,6%) Ya

Indomie Soto

Medan

2/7 (28,6%) Ya

Roti Bobo 2/7 (28,6%) Ya

ABC Mie Semur

Pedas

2/7 (28,6%) Ya

Milo Sachet 2/7 (28,6%) Ya

Indomie GorengPedas

3/7 (42,8%) Ya

Telor Ayam 3/7 (42,8%) Ya

Indomie AyamBawang

1/7 (14,3%) Tidak

Indomie Kaldu

Ayam

1/7 (14,3%) Tidak

Indomie Goreng

Sate

1/7 (14,3%) Tidak

Jumlah Transaksi Mengandung A

Total Transaksi


11/14


Support

Support

Support =

Support =

Support =

Support =

Support =

Support =

Tepung Terigu 1/7 (14,3%) Tidak

Tepung Kanji 1/7 (14,3%) Tidak

Super Bubur Rasa

Sapi

1/7 (14,3%) Tidak

Royco AyamSachet

1/7 (14,3%) Tidak

Royco Sapi Sachet 1/7 (14,3%) Tidak

Air Galon SPA 1/7 (14,3%) Tidak

Aqua Cup 1/7 (14,3%) Tidak

Beras Belida 20Kg 1/7 (14,3%) Tidak

Lifebuoy Cair

450ml

1/7 (14,3%) Tidak

Kecap Manis

Bango Refill 85ml

1/7 (14,3%) Tidak

Sampoerna Mild

16

1/7 (14,3%) Tidak

Lucky Strike Black 1/7 (14,3%) Tidak

Indomilk Susu

Kental ManisCoklat Kaleng

1/7 (14,3%) Tidak

Teh Celup Sari

Wangi @50sch

1/7 (14,3%) Tidak

Ajinomoto @500 1/7 (14,3%) Tidak

Rinso 900gr 1/7 (14,3%) Tidak

Daia Putih 1Kg 1/7 (14,3%) Tidak

Adapun keterangan dari tabel 4.4 adalah

sebagai berikut.

Nilai Support Indomie Goreng Special

dapat dihitung dengan menggunakan

rumus, yaitu :

Support = 2 / 7 = 28,6 %

Nilai Support Indomie Kari Ayam


rumus, yaitu :

Support = 2 / 7 = 28,6 %

Nilai Support Indomie Soto Medan


rumus, yaitu :

Support = 2 / 7 = 28,6 %

Nilai Support Telor Ayam dapatdihitung dengan menggunakan rumus,

yaitu :

Support = 3 / 7 = 42,8 %

Langkah 2: large1_itemset L1 dibangundengan menyaring C1 (tabel 4.4) dengan

supportcountyang lebih besar atau samadengan minimum support untuk

dimasukkan ke dalam L1

Tabel 4.4 Frequent 1-i temset

L1

Frequent 1-I temset

Indomie Goreng Special 28,6 %

Indomie Kari Ayam 28,6 %

Indomie Soto Medan 28,6 %

Roti Bobo 28,6 %

ABC Mie Semur Pedas 28,6 %

Milo Sachet 28,6 %

Indomie Goreng Pedas 42,8 %

Telor Ayam 42,8 %

Jumlah Indomie Goreng Special

Total Transaksi

2

7

Jumlah Indomie Kari Ayam

Total Transaksi

2

7

Jumlah Indomie Soto Medan

Total Transaksi

2

7

Jumlah Telor Ayam

Total Transaksi

3

7


12/14


Support A,B,C = P(A BC)

Support =

Langkah 3 : untuk membangun L2,algoritma apriori menggunakan proses

join untuk menghasilkan C2.

Untuk candidat 2-itemset, dari 8 item

dapat menghasilkan kombinasi 2-itemset

yang memungkinkan sebanyak :

C82= = 28 kombinasi

Langkah 4 : dari C2 (tabel 4.6), 2-

itemset yang memiliki support count

yang lebih besar atau sama denganminimum support akan disimpan ke

dalam L2.

Tabel 4.5 Frequent 2-itemset

L2

Frequent 2-itemset

Indomie Goreng Special,Indomie Kari Ayam

28,6 %

Indomie Goreng Special,

Indomie Goreng Pedas

28,6 %

Indomie Kari Ayam, Indomie

Goreng Pedas

28,6 %

ABC Mie Semur Pedas, Telor

Ayam

28,6 %

Langkah 5 : proses ini diulang sampai

tidak ada lagi kemungkinan k-itemset

Untuk candidat 3-itemset, dari 4 item

dapat menghasilkan kombinasi 3-itemset

yang memungkinkan sebanyak :

C43= = 4kombinasi

Tabel 4.6 Candidat 3-itemset

C3

Candidate 3- itemset

Support Frequent


Indomie Kari Ayam,

2/7

(28,6%)

Ya

Indomie Goreng Pedas


Indomie Kari Ayam, ABC

Ayam Semur

0/7 (0%) Tidak


Indomie Kari Ayam, Telor

Ayam

0/7 (0%) Tidak

Indomie Kari Ayam,

Indomie Goreng Pedas,

Telor Ayam

0/7 (0%) Tidak

Adapun keterangan dari tabel 4.8 adalah

sebagai berikut.

Nilai Support Indomie Goreng Special,

Indomie Kari Ayam, Indomie Goreng

Pedas dapat dihitung dengan

menggunakan rumus, yaitu :

Support = 2 / 7 = 28,6 %

Tabel 4.7 frequent 3-itemset

Frequent 3-itemset

Indomie Goreng Special, Indomie

Kari Ayam, Indomie Goreng Pedas

28,6 %

Karena tidak memungkinkan lagi

dibentuk frequent4-itemset dari frequent

3-itemset, maka proses pencariandihentikan dan maximalfrequentitemset-

nya adalah {Indomie Goreng Special,

Indomie Kari Ayam, Indomie GorengPedas}. Untuk pembangkitan aturan

asosiasi dari Large itemset, harus

memenuhi minimum support danminimum confidence yang telah

ditentukan. Confidence dari setiap aturan

Jumlah transaksi Indomie Goreng Special AND

Indomie Kari Ayam AND Indomie Goreng Pedas

Total Transaksi

27


13/14


yang dibangkitkan dapat dihitung dengan

menggunakan rumus peluang :

Confidence (A B) = P (B/A) =support

count(A B)/supportcount (A), dengan

support count (A B) adalah jumlahtransaksi yang berisi itemset A dan B,

dan support count (A) adalah jumlah

transaksi yang berisi itemset A.Berdasarkan rumus diatas, aturan asosiasi

dapat dibangkitkan dengan langkah :

support count(l)/support count(s) =

minimum confidence.

4.2Pembangkitan Association RuleSetelah proses penghitungan

confidence selesai dilakukan maka kitadapat menghasilkan association rule

berdasarkan data yang ada. Sebagaicontoh akan dihasilkan association rule

dari 2 itemset seperti yang diperlihatkan

pada tabel 4.10 maka association rule

yang dihasilkan adalah sebagai berikut.

1. Jika konsumen membeli IndomieGoreng Special juga akan membeli

Indomie Kari Ayam , maka nilai

support = 28,6% dan nilai confidence= 100%

- item A dan B dibeli bersamaansebesar 28,6% dari keseluruhandata transaksi yang dianalisis dan

100% dari semua konsumen yang

membeli item A juga membeliitemB.

2. Jika konsumen membeli Roti Bobojuga akan membeli Indomie Goreng

Special, maka nilai support = 14,3%

dan nilai confidence = 50%3. Jika konsumen membeli Indomie

Soto Medan juga akan membeliIndomie Goreng Special, maka nilai

support = 14,3% dan nilai confidence

= 50%4. Jika konsumen membeli Indomie

Goreng Special juga akan membeli

Indomie Goreng Pedas, maka nilai


5. Jika konsumen membeli IndomieGoreng Pedas juga akan membeli

Indomie Goreng Special, maka nilai


= 66,7%6. Jika konsumen membeli IndomieKari Ayam juga akan membeliIndomie Goreng Pedas, maka nilai


= 66,7%

7. Jika konsumen membeli IndomieKari Ayam juga akan membeli

Indomie Soto Medan, maka nilai


8.

Jika konsumen membeli Roti Bobojuga akan membeli Indomie KariAyam, maka nilai support = 14,3%

dan nilai confidence = 50%

9. Jika konsumen membeli Telor Ayamjuga akan membeli Indomie Soto

Medan, maka nilai support = 14,3%

dan nilai confidence = 33,3%

10.Jika konsumen membeli Milo Sachetjuga akan membeli Telor Ayam,

maka nilai support = 14,3% dan nilai

confidence = 50%Sebagai contoh akan dihasilkan

association rule dari 3 itemset seperti

yang diperlihatkan pada tabel 4.8 makaassociation rule yang dihasilkan adalah

sebagai berikut.

- Jika Konsumen membeli IndomieGoreng Special juga akanmembeli Indomie Kari Ayam dan

juga akan membeli Indomie

Goreng Pedas, maka nilaisupport= 28,6% dan nilai confidence =

100%

ArtinyaitemA,B dan C dibeli bersamaansebesar 28,6% dari keseluruhan data

transaksi yang dianalisis dan 100% dari

semua konsumen yang membeli item Adan itemB juga membeli itemC.


14/14


V. KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan penelitian yang penulis

lakukan pada Toko Mini Market LimaBintang Pekanbaru, maka penulis dapat

menarik kesimpulan bahwa data transaksi

penjualan toko mini market Lima Bintang

Pekanbaru dapat ditambang dengan teknik

association rule dan menghasilkan rule-rule

yang bermanfaat bagi perusahaan.

Atas analisis dan pembahasan yangpenulis lakukan pada system analisa data

market maka penulis dapat mengambil

kesimpulan sebagai berikut:

1. Berdasarkan uji coba Nilai Supportdengan nilai support 0.25%, 0.5%.0.75%

dan 1 % dapat diambil kesimpulan bahwa

semakin kecil nilai support maka jumlah

itemset yang dihasilkan semakin banyak,

dan jumlah kaidah asosiasi yang dibentuk

semakin banyak pula.

2. Data transaksi sebaiknya diambil pada

periode-periode tertentu (misalnya awal

tahun, pertengahan tahun, akhir tahun),

sebab aturan-aturan yang dibangkitkan

pola pembelian pelanggan dapat berbedadari satu periode ke periode lainnya.

Aturan-aturan asosiasi yang dihasilkan

tidak selalu mengandung informasi yang

penting (karena sudah umum diketahui),

dan aturan yang berharga adalah yang

berupa informasi baru yang dapat

dimanfaatkan untuk meningkatkan

penjualan.

5.2 Saran

Dari hasil pembahasan ini, makapenulis dapat menyampaikan saran-saran

sebagai berikut:

1. Agar perusahaan dapat memanfaatkan

gudang data mereka untuk informasi

dalam dunia bisnis,

2. Informasi yang ditemukan sebaiknya dapat

diaplikasikan untuk aplikasi manajemen

dan pengambilan keputusan.

DAFTAR PUSTAKA

[1] Gregorius Satia Budhi; Felicia Soedjianto

(2007) APLIKASI DATA MINING

MARKET BASKET ANALYSIS PADA

TABEL DATA ABSENSI

ELEKTRONIK UNTUK MENDETEKSI

KECURANGAN ABSENSI (CHECK-LOCK) KARYAWAN DI

PERUSAHAAN. Jurnal Teknik

Informatika, Fakultas Teknologi Industri,

Universitas Kristen Petra, Surabaya.

[2] Gregorius S. Budhi, Resmana Lim (2005)

PENGGUNAAN METODE FUZZY c-

COVERING UNTUK ANALISA

MARKET BASKET PADASUPERMARKET. Jurnal Teknik

Informatika, Universitas Kristen Petra,Surabaya.

[3] Hwung Su J., Yang Lin W. 2004, CBW:

An Efficient Algorithm for Frequent

Itemset Mining. Proceedings of the 37th

Hawaii International Conference on

System Sciences.[4] Iko Pramudiono (2003), Pengantar Data

Mining Menambang Permata

Pengetahuan di Gunung Data. Ilmu

komputer.com1-4

[5] Marsela Yulitadan Veronica S. Moertini

(2004) ANALISIS KERANJANGPASAR DENGAN ALGORITMA

HASH-BASED PADA DATATRANSAKSI PENJUALAN APOTEK.

Jurnal Ilmu Komputer, Universitas

Katolik Parahyangan, Bandung.

[6] Mewati Ayub (2007) Proses Data

Mining dalam Sistem Pembelajaran

Berbantuan Komputer. Jurnal Sistem

Informasi Vol. 2 No.1.[7] Philips Kokoh Prasetyo (2006) Data

Mining & Knowledge Discovery.

https://philips.wordpress.com/2006/06/22/association-rule-mining.

[8] Ravindra Patel, D. K. Swami and K. R.

Pardasani (2006) Lattice Based

Algorithm for Incremental Mining of

Association Rules. InternationalJournal of Theoretical and Applied

Computer Sciences.

[9] Veronika S. Moertini (2002) DATAMINING SEBAGAI SOLUSI

BISNIS. vol. 7 no.1.

Documents

Absen Jurnal Johan 2010 Ok