market basket analysis swalayan

ANALISA PENINGKATAN PENJUALAN PRODUK MENGGUNAKAN METODE MARKET BASKET ANALYSIS PADA PERBAIKAN LAYOUT DALAM ASSOCIATION RULES DI MINIMARKET ALFAMART JALAN DAMAI, SLEMAN, YOGYAKARTAMuhammad Havis Yusuf (10522287), Aryo Jati Kuncoro (105222304)Praktikum Analisa Keputusan dan Data Mining Teknik Industri FTI UII

ABSTRAKNowadays, competition in the retail store bussiness is very tight so that necessary to determines a strategies in order to increase competitiveness, one of which is to determine the pattern of consumer behavior. Market basket analysis is one kind method to determine the pattern of consumer behavior, the market basket analysis can be seen buying patterns when customers buy products that are purchased at the same time so that the management can make changes of layout in the store that can increase the amount of sales of products less desirable. From this research conducted in Alfamart minimarket on Jalan Damai, Ngaglik, Sleman obtained a rule that consumers who make purchases at department 4 (personal care) and department 9 (drugs) then most likely will buy the product in 10 departments (household goods) with confidence value of 50%, support value of 3, and lift ratio of 5.Kata Kunci: Layout, Market Basket Analysis, Support, Confidence, Lift Ratio.PENDAHULUANPerkembangan usaha ritel atau pasar eceran yang begitu pesat, berdampak semakin tingginya persaingan memperebutkan pangsa pasar pada dunia usaha saat ini. Perusahaan yang ingin berhasil dalam persaingan pada era saat ini harus memiliki strategi perusahaan yang dapat memahami perilaku konsumen. Perusahaan yang baik adalah yang memahami betul siapa konsumennya dan bagaimana mereka berperilaku. Pemahaman mengenai siapa konsumennya akan menuntun para pengusaha kepada keberhasilan. Di era sekarang ini pertumbuhan pada sektor ritel menyebabkan semakin ketatnya persaingan yang terjadi antara para pengusaha ritel. Data satistik menyatakan bahwa angka pertumbuhan usaha ritel di Indonesia menempati urutan kedua se-Asia Pasifik dengan angka pertumbuhan 14-15 persen per tahun Minimarket Alfamart merupakan salah satu toko ritel yang menjual berbagai kebutuhan pokok sehari-hari seperti makanan dan minuman, peralatan rumah tangga, kebutuhan pribadi, dan lain-lain. Alfamart saat ini banyak sekali terdapat di kota-kota bahkan hingga ke pelosok Indonesia, pada tahun 2010 terdapat lebih dari 3500 gerai Alfamart yang tersebar di seluruh Indonesia, dengan jumlah gerai yang banyak maka masyarakat dapat dengan mudah berbelanja di minimarket tersebut, sehingga diperlukan sebuah analisis perilaku konsumen yang dilakukan oleh pengusaha minimarket Alfamart untuk nantinya dapat merumuskan strategi bisnis yang berguna untuk meningkatkan profit/ keuntungan usaha ritel tersebut. Dalam menyusun strategi bisnis tersebut pengusaha dapat melakukan analisis dengan mempelajari pola perilaku konsumen. Pola tersebut dapat diketahui dengan memanfaatkan data transaksi yang kemudian diolah untuk mendapatkan pola dari barang yang sering dibeli secara bersamaan. Proses untuk menemukan pola-pola tersebut memerlukan suatu konsep yang di sebut dengan Data Mining. Terdapat banyak metode di dalam data mining yang jika dapat diterapkan dalam proses bisnis, akan memberikan nilai positif bagi peningkatan kinerja proses bisnis tersebut yang berujung pada peningkatan keuntungan dari bisnis tersebut. Salah satu metode yang seringkali digunakan adalah metode asosiasi atau association rule. Data-data yang dihasilkan dari proses penjualan/ data transaksi diolah dengan association rule untuk mengetahui informasi keterkaitan pembelian produk yang dilakukan oleh pembeli. Di dalam bidang usaha ritel metode association rule ini lebih dikenal dengan istilah Analisa Keranjang Belanja atau Market Basket Analysis. Market Basket Analysis adalah suatu metode analisa atas perilaku konsumen secara spesifik dari suatu golongan / kelompok tertentu. Sumber data dari market basket analysis dapat bersumber dari daftar transaksi pelanggan, yaitu struk belanja pembelian suatu barang oleh konsumen. Market basket analysis umumnya dimanfaatkan sebagai titik awal pencarian pengetahuan dari suatu transaksi data ketika kita tidak mengetahui pola spesifik apa yang kita cari. Proses ini dapat menganalisis pola pembelian pelanggan dengan cara menemukan hubungan antara produk-produk yang berbeda yang dibeli oleh konsumen dalam keranjang belanjanya secara bersamaan dalam satu kali transaksi, sebagai contoh apabila pelanggan membeli roti dan susu maka biasanya ia juga membeli keju. Sehingga sebuah toko ritel dapat menggunakan informasi ini untuk nantinya dapat dimanfaatkan oleh pengusaha toko ritel tersebut untuk mengembangkan strategi pemasaran dengan melihat produk-produk mana saja yang kemungkinan dibeli secara bersamaan oleh konsumen dalam satu kali transaksi, salah satu strategi yang dapat dilakukan adalah dengan menata ulang layout pada toko ritel.Rumusan masalah Rumusan masalah pada analisis ini adalah:1. Bagaimana hubungan asosiatif yang terjadi antar item di minimarket Alfamart Jalan Damai ?2. Bagaimanakah solusi permasalahan layout untuk penempatan produk pada minimarket Alfamart Jalan Damai berdasarkan analisis AR-MBA ?

TINJAUAN PUSTAKADefinisi dan Konsep Market Basket AnalysisMarket Basket Analysis merupakan salah satu metode atau teknik yang sering digunakan dan paling bermanfaat untuk lingkungan marketing. Tujuan dari Market Basket Analysis ini adalah untuk menentukan produk manakah yang pelanggan beli dalam waktu bersamaan, di mana nama dari metode ini diambil dari kebiasaan pelanggan menaruh barang mereka ke keranjang atau kedalam daftar belanja (market basket). Dengan mengetahui produk manakah yang dibeli secara bersamaan akan dapat sangat membantu pengusaha toko ataupun perusahaan lainnya. Sebuah toko juga dapat menggunakan informasi ini untuk menempatkan produk yang sering terjual secara bersamaan di dalam satu area atau kategori, sehingga pengusaha toko dapat merubah layout dari toko mereka.

Definisi dan Konsep Association RuleAssociation rule merupakan sebuah aturan tertentu atau rules yang menyatakan sebuah hubungan korelasi antara tingkat kemunculan beberapa atribut dalam sebuah database. Association Rule adalah bentuk jika kejadian sebelumnya kemudian konsekuensinya. (IF antecedent, THEN consequent). Bentuk umum dari association rules adalah : A1....., An -> B Yang artinya bahwa pelanggan yang membeli produk A juga mempunyai peluang yang cukup besar untuk membeli produk B. Bentuk lain yang lebih kompleks dari association rule adalah : A, C -> B, D Yang artinya bahwa pelanggan yang membeli produk A dan C juga mempunyai kecenderungan untuk membeli produk B dan D. Salah satu masalah dalam pencarian asoociation rule adalah sangat banyaknya kemungkinan ditemukannya rules yang belum tentu merupakan rules yang baik dan dapat dipercaya Untuk mengetahui mana rule yang baik maka terdapat suatu parameter untuk menilai kualitas dari association rules yang akan dihasilkan, yaitu support, confidence, dan improvement/ lift ratio (Firdhana, 2005). Bersamaan dengan perhitungan aturan support dan confidence. Pola asosiasi menjadi salah satu fungsionalitas yang paling menarik dalam penggalian data (Kumar dan Wahidabanu, 2007)

Support dan ConfidenceSupport merupakan prosentase dari record-record yang mengandung kombinasi dari item dibandingkan dengan jumlah total dari record-record. Dengan kata lain support merupakan probabilitas sebuah transaksi yang mengandung item A dan B dengan bentuk association rules adalah A->B, misalnya support item A dan B adalah sebesar 0,4 maka dapat dikatakan 40% dari total transaksi di database memuat item A dan B. Meskipun begitu, support merupakan proses pengukuran kualitas association rule yang belum komplit. Akan timbul pertanyaan apakah nilai support 40% dari sebuah kombinasi item A dan B merupakan rule yang baik ? Hal ini mungkin mempunyai arti bahwa 40% dari semua pelanggan membeli kedua item A dan B, dan tidak ada satupun yang membeli item B tanpa membeli item A. Pada kasus tersebut nilai confidence sebesar 100% karena konsumen yang membeli item A pasti juga akan membeli item B secara bersamaan. Sehingga confidence dari sebuah association rule adalah support dari kombinasi atau keseluruhan dibagi dengan support untuk kondisi ( if ).

Support = p(A B ) = Jumlah Transaksi Yang Memuat A Dan BTotal Jumlah Transaksi

Confidence = P(B / A) = Support (AB)P(A)

Kedua nilai support dan confidence merupakan parameter yang digunakan untuk menentukan apakah sebuah rule baik atau tidak. Akan tetapi, terdapat beberapa saat bahwa kedua perhitungan tersebut menghasilkan rule yang tidak valid, meskipun keduanya mempunyai nilai yang tinggi. Oleh karena itu ada satu parameter yang digunakan untuk mengetahui apakan rule tersebut valid atau tidak, parameter ini disebut Improvement/ Lift Ratio. Rule yang baik dan valid dapat dilihat dari nilai lift rationya yang berjumlah 1.Algoritma apriori adalah suatu algoritma yang sudah sangat dikenal dalam melakukan pencarian frequent itemset dengan menggunakan teknik association rule (Moertini, Veronika dan Marsela Yulita. 2007). Algoritma Apriori menggunakan knowledge mengenai frequent itemset yang telah diketahui sebelumnya, untuk memproses informasi selanjutnya. Pada algoritma apriori untuk menentukan kandidat-kandidat yang mungkin muncul dengan cara memperhatikan minimum support. Adapun dua proses utama yang dilakukan dalam algoritma Apriori, yaitu :1. Join (penggabungan). Pada proses ini setiap item dikombinasikan dengan item yang lainnya sampai tidak terbentuk kombinasi lagi.2. Prune (pemangkasan). Pada proses ini, hasil dari item yang telah dikombinasikan tadi lalu dipangkas dengan menggunakan minimum support yang telah ditentukan oleh user.

Software Microsoft Excel dan XLMinerMicrosoft Excel adalah General Purpose Electronic Spreadsheet yang bekerja dibawahSistem Operasi Windows.Microsoft Excel dapat digunakan untuk menghitung angka-angka,bekerja dengan daftar data, dan menganalisa data-data serta mempresentasikannya ke dalam bentukgrafik/diagram.XlMiner merupakan sebuah software yang digunakan untuk melakukan data mining secara matematis didalam excel. XLMinermenyediakan solusiyangstatistik untuk memecahkan masalah dalam data mining. Software ini dapat memuat klasifikasi, regresi pohon , neural networks, association rule, metode jarak terdekat.

Kajian InduktifDalam melakukan penelitian ini juga mengkaji beberapa karya tulis diantaranya adalah pada sebuah jurnal yang berjudul Penerapan Metode Market Basket Analysis Pada Situs Web E-Commerce yang ditulis oleh Medina Gemala pada tahun 2010 menjelaskan tentang salah satu kegunaan Association Rule dengan penggunaan analisis Market Basket untuk mengetahui perilaku konsumen pada situs web e-commerce sehingga dapat mengetahui produk-produk apa saja yang dibeli oleh konsumen dan pola pembelian produk-produk yang dilakukan oleh konsumen tersebut. Dalam penelitian tersebut peneliti menggunakan algoritma apriori dalam pencarian association rulenya dan hasil dari penelitian tersebut dapat digunakan oleh pihak manajemen untuk mengatur layout pada katalog yang sesuai dengan karakteristik konsumen. Perbedaannya dengan penelitian kami adalah objek penelitiannya, dimana pada jurnal tersebut objeknya adalah e-commerce atau yang lebih dikenal dengan toko online sedangkan pada penelitian kami adalah toko ritel, yaitu berupa minimarket dan hasil dari penelitian kami dapat menjadi input dalam melakukan penataan layout tata letak produk-produk yang dijual.Selain itu juga mengkaji karya tulis lain yang berupa jurnal yang berjudul Analisis Keranjang Pasar Dengan Algoritma Hash-Based Pada Data Transaksi Penjualan Apotek yang ditulis pada tahun 2004 oleh Marsela Yulita dan Veronica S Moertini menjelaskan tentang penggunaan algoritma hash-based untuk mengetahui pola pembelian obat oleh konsumen. Pada penelitian tersebut, pengambilan data juga dibedakan menjadi 3 periode, yaitu pada 3 hari di minggu pertama, 3 hari di minggu kedua dan, 3 hari pada minggu ketiga karena peneliti berkeyakinan bahwa perbedaan periode tersebut akan menghasilkan pola pembelian yang berbeda pula. Hasil dari penelitian tersebut adalah pola pembelian yang berbeda di tiap periode pengambilan data. Selain itu peneliti juga menyimpulkan bahwa algoritma hash-based berkinerja lebih baik dibandingkan dengan algoritma apriori. Perbedaan dengan penelitian yang kami lakukan adalah dalam pengambilan data transaksi hanya dalam 1 periode waktu saja, dan juga algoritma yang digunakan adalah algoritma apriori.

METODE PENELITIANObjek PenelitianDalam penelitian Association Rule Market Basket Analysis ini yang menjadi objek penelitiannya adalah Minimarket Alfamart yang berlokasi di Jl. Damai, Prujakan RT. 01, Ngaglik, Sleman, Daerah Istimewa Yogyakarta.

Metode Pengumpulan DataPenelitian dilakukan melalui pengambilan sekelompok sampel dimana dapat mewakili populasi dengan mengumpulakan struk belanja minimal 100 struk, dimana struk tersebut memenuhi syarat pre-processing data yaitu tidak menggunakan data transaksi yang gagal, tidak menggunakan data transaksi yang hanya terdapat satu item, dan juga tidak menggunakan data transaksi yang hanya terdapat departemen yang sama dalam satu transaksi. Diharapkan sampel yang digunakan dalam analisis cluster dapat mewakili populasi yang ada, karena analisis ini menjadi baik jika sampel representatif. Sampel yang bersifat representatif terhadap populasi ini juga kami yakini unutk menambah harapan dapat mewakili populasi.

Tahapan PenelitianTahap dalam melakukan penelitian yaitu mencari rumusan masalah terhadap tempat yang menjadi penelitian dari penataan layout produk, lalu melakukan observasi terhadap tempat penelitian secara langsung di Alfamart Jalan Damai dimana tahap pengumpulan struk belanja dilakukan, kemudian penataan layout produk awal diamati untuk menjadi perbandingan dengan penataan layout baru, setelah didapatkan data sebanyak 100 struk belanja dari konsumen maka dilakukan rakapitulasi data dan pre-processing data, dari data yang sudah direkapitulasi maka dilakukan pengolahan dan perhitungan menggunakan SOFTWARE XLMINER dengan mencari hasil dari rule yang terbentuk. Masing-masing rule yang didapat kemudian dianalisis untuk melihat produk mana saja yang menjadi konsumen behaviour. Setelah itu kemudian membuat layout rekomendasi berdasarkan hasil analisis.

HASIL DAN PEMBAHASAN

Rekapitulasi Dari Pengumpulan dataTabel 1. Rekapitulasi 100 Struk BelanjaID TransaksiJenis Barang

1sari roti sampoernaaqua botol

2top 3 in 1ultra uhtsari rotiantangin

3MM nutriboostsampoernapocari sweatultra teh

4formula sgyou c 1000

5fisherman exsalonpasstrepsils

6sampoernaaqua botol

7ades botolchitatocheetos

8a cot budssampoerna

9sari roti telur

10djarumyou c 1000

11vixal blueenervon c

12pocari sweatsoftexsampoena

13freshteadunhill

14milogg merah

15sari roti gillettestrepsilsantangin

16miwon teha cot buds

17big colatanggo

18kenkopilothappydent white

19big colamarlboro

20wallsclub mild

21wallslotte

22rexonapisau

23gg merahbig lemon

24pucuk harum tehsilverqueen

25big colans chrispy

26marlborotwisterultra teh

27paramexaqua botol

28sampoernatabloid pulsa

29tessamitra pouch

30djarum mitra pouch

31sampoernasosro teh

32gg merahbig cola

33sinde jambuwalls

34sinde nisin wafer

35indomiegerry

36nescafeselamat

37gg merahpulpy

38telurkara santanmilo

39indomiesampoerna

40sari roti aqua botol

41milokit katfitbar nuts

42pocari sweatsari rotidjarum

43indomietelurmilo

44vegeta herbalkopiko

45daiasoftex

46aqua botolfullo

47indomieaqua botol

48paroti tawarmesesaqua botol

49sari roti kurang asem

50dji sam soewalls

51wallsjo'e jelly

52attack softenervita sunny

53aqua botolred mildsedap mieroti tawar

54kopi abckapal api ginsengcap botol hijauaqua botol

55nescafeclas mildfresteared mild

56bear brandenervon cfatigon

57roti tawarsosro teh

58tropical pouchindomieyou c 1000

59pond'smilo

60sampoernatessa

61s-26 promilbeng beng

62indomietelurroycopepsodent

63oral-bH&Smilo

64vapegladeaqua botol

65kis grapetessa

66marlboropocari sweat

67nescafeultra tehsari roti

68sampoernacocktail lighterchitato

69indomiefloridinasusu bendera

70ultra tehmaterai

71wallstake-it

72oreogillette

73mitra pouchpixy

74marlborobeng beng

75selamataqua gelas

76happytosdettolkraft caketolak anginparotiyupivivadaia

77pulpytanggo

78bendera uhtvoltarenbiore

79marinashinzuisuguswalls

80a cot budsdownyloreal

81aqua botolantangintanggo

82teh tong tjigerry

83sampoernafrozzneo hormovitonkraft cake

84aqua botolboncabechitatofrench fries

85attack softenerbioresunsilkpepsodent

86ultra uhtsupermiroma biskuitmarlborosari rotipocari sweatsampoernaclear shampoosmaxescofutami

87nyam-nyamcap botol hijaubebelac

88lauriersasa

89tolak anginsampoerna

90indomieindofood sambalaqua botol

91marlborobaby oilsari roti

92mamy pokosari rotilorealshampoo cussons

93marlborosari rotimesesgoodtimewallssilverqueenbuavita

94shinzuicussonskapasoreo

95pepsodentvaselineelips vitamin

96indomievitaciminsalonpassusu benderaindofood sambalcaplang kayu putih

97lucky strikekoyo cabebaygonclear shampoo

98vicksteh nukino larutan penyegar

99aqua gelassoftexlaurier

100greensandspond's

Tabel 2. Informasi Departemen Data Departemen

Departemen 1makananTop 3 in 1, tanggo, lotte, silverqueen, ns chrispy, twister, nisin wafer, gerry, selamat, kit kat, fitbar nuts, fullo, jo'e jelly, beng beng, take-it, oreo, kraft cake, roma biskuit, nyam-nyam, goodtime

Departemen 2minumanAqua botol, mm nutriboost, pocari sweat, ultra teh, you c 1000, ades botol, freshtea, milo, miwon teh, big cola, big lemon, pucuk harum teh, sosro teh, sinde, nescafe, pulpy, ultra uht, bear brand, aqua gelas, bendera uht, esco, futami, buavita, teh nu, kino larutan penyegar, greensands

Departemen 3snackchitato, cheetos, happytos, french fries, smax,

Departemen 4perlengkapan pribadiformula SG, a cot buds, softex, gillette, rexona, tessa, vitta sunny, pond's, pepsodent, oral-b, H&S, pixy, dettol, viva, biore, marina, shinzui, loreal, sunsilk, clear shampoo, laurier, baby oil, mamy poko, cussons, kapas, vaseline

Departemen 5kebutuhan rttelur, indomie, sedap mie, supermi, mitra pouch, kara santan, tropical pouch, royco, boncabe, sasa, indofood sambal

Departemen 6minuman bubukkapal api ginseng, kopi abc, cap botol hijau, s-26 promil, susu bendera, teh tong tji, bebelac

Departemen 7rotisari roti, roti tawar, meses, paroti

Departemen 8dekat kasirsampoerna, djarum, dunhill, gg merah, marlboro, club mild, dji sam soe, red mild, clas mild, cocktail lighter, materai, lucky strike

Departemen 9obatantangin, salonpas, enervon c, strepsils, paramex, vegeta herbal, fatigon, tolak angin, voltaren, neo hormoviton, elips vitamin, vitacimin, caplang kayu putih, koyo cabe, vicks

Departemen 10perlengkapan RTvixal blue, pisau, daia, attack softener, vape, glade, downy, baygon

Departemen 11alat tuliskenko, pilot,

Departemen 12eskrimWalls

Departemen 13majalah/korantabloid pulsa

Departemen 14permenfisherman ex, happydent white, kurang asem, kis grape, sugus, yupi, frozz, lotte

Tabel 3. Penamaan DepartemanID TransaksiJenis Barang

1dept 7 dept 8dept 2

2dept 1dept 2dept 7dept 9


4dept 4dept 2

5dept 14dept 9dept 9

6dept 8dept 2

7dept 2dept 3dept 3

8dept 4dept 8

9dept 7 dept 5

10dept 8dept 2

11dept 10dept 9


13dept 2dept 8

14dept 2dept 8

15dept 7 dept 4dept 9dept 9

16dept 2dept 4

17dept 2dept 1


19dept 2dept 8

20dept 12dept 8

21dept 12dept 14

22dept 4dept 10

23dept 8dept 2

24dept 2dept 1

25dept 2dept 1


27dept 9dept 2

28dept 8dept 13

29dept 4dept 5

30dept 8 dept 5

31dept 8dept 2

32dept 8dept 2

33dept 2 dept 12

34dept 2 dept 1

35dept 5dept 1

36dept 2dept 1

37dept 8dept 2


39dept 5dept 8

40dept 7 dept 2




44dept 9dept 14

45dept 10dept 4

46dept 2dept 1

47dept 5dept 2


49dept 7 dept 14

50dept 8dept 12

51dept 12dept 1

52dept 10dept 4





57dept 7dept 2


59dept 4dept 2

60dept 8dept 4

61dept 62dept 1




65dept 14dept 4

66dept 8dept 2




70dept 2dept 8

71dept 12dept 1

72dept 1dept 4

73dept 5dept 4

74dept 8dept 1

75dept 1dept 2

76dept 3dept 4dept 1dept 9dept 7dept 14dept 4dept 10

77dept 2dept 1





82dept 6dept 1




86dept 2dept 5dept 1dept 8dept 7dept 2dept 8dept 4dept 3dept 2dept 2


88dept 4dept 5

89dept 9dept 8




93dept 8dept 7dept 7dept 1dept 12dept 1dept 2



96dept 5dept 9dept 9dept 6dept 5dept 9




100dept 2dept 4

Tabel 4. Bilangan BinerID TransaksiDept 1Dept 2Dept 3Dept 4Dept 5Dept 6Dept 7Dept 8Dept 9Dept 10Dept 11Dept 12Dept 13Dept 14

101000011000000

211000010100000

301000001000000

401010000000000

500000000100000

601000001000000

701100000000000

800010001000000

900001010000000

1001000001000000

1100000000110000

1201010001000000

1301000001000000

1401000001000000

1500010010100000

1601010000000000

1711000000000000

1800000000001001

1901000001000000

2000000001000100

2100000000000101

2200010000010000

2301000001000000

2411000000000000

2511000000000000

2611000001000000

2701000000100000

2800000001000010

2900011000000000

3000001001000000

3101000001000000

3201000001000000

3301000000000100

3411000000000000

3510001000000000

3611000000000000

3701000001000000

3801001000000000

3900001001000000

4001000010000000

4111000000000000

4201000011000000

4301001000000000

4400000000100001

4500010000010000

4611000000000000

4701001000000000

4801000010000000

4900000010000001

5000000001000100

5110000000000100

5200010000010000

5301001011000000

5401000100000000

5501000001000000

5601000000100000

5701000010000000

5801001000000000

5901010000000000

6000010001000000

6110000100000000

6200011000000000

6301010000000000

6401000000010000

650010000000001

6601000001000000

6701000010000000

6800100001000000

6901001100000000

7001000001000000

7110000000000100

7210010000000000

7300011000000000

7410000001000000

7511000000000000

7610110010110001

7711000000000000

7801010000100000

7900010000000101

8000010000010000

8111000000100000

8210000100000000

8310000001100001

8401101000000000

8500010000010000

8611111011000000

8710000100000000

8800011000000000

8900000001100000

9001001000000000

9100010011000000

9200010010000000

9311000011000100

9410010000000000

9500010000100000

9600010001110000

9700010001110000

9801000000100000

9901010000000000

10001010000000000

Analisis Hasil Pengolahan Data dari Sudut Pandang Consumer BehaviournyaHasil dari rekapitulasi data di atas kemudian dilakukan pengolahan data menggunakan software XL Miner. XlMiner merupakan sebuah software yang digunakan untuk melakukan data mining secara matematis didalam excel. XLMinermenyediakan solusiyangstatistik untuk memecahkan masalah dalam data mining. Software ini dapat memuat klasifikasi, regresi pohon , neural networks, association rule, metode jarak terdekat. Hasil pengolahan data bisa dilihat sebagai berikut.Tabel 5. DataData

Input DataSheet3!$C$2:$P$102

Data FormatBinary Matrix

Minimum Support3

Minimum Confidence %50

# Rules13

Overall Time (secs)1

Pada tabel 5 diatas ditentukan minimum support sebesar 3 pada software XL Miner. Hal ini berarti jumlah kominasi item tersebut minimal ada 3 dalam total seluruh belanja (100 struk). Dan minimum confident sebesar 50% berarti kuatnya hubungan antar item dalam aturan asosiatif memiliki nilai kepastian minimal 50%. Dari hasil perhitungan software terbentuk 13 rules.Tabel 6. RuleRule #Conf. %Antecedent (a)Consequent (c)Support(a)Support(c)Support(a U c)Lift Ratio

150Dept 4, Dept 9=>Dept 1061035

280Dept 10=>Dept 4103182,58064

375Dept 10, Dept 9=>Dept 443132,41935

460Dept 6=>Dept 152532,4

583,33Dept 7, Dept 8=>Dept 265651,48809

650Dept 2, Dept 7=>Dept 8103451,47058

775Dept 1, Dept 7=>Dept 245631,33928

862,5Dept 7=>Dept 21656101,11607

960Dept 3=>Dept 255631,07142

1060Dept 1, Dept 8=>Dept 255631,07142

1158,82Dept 8=>Dept 23456201,05042

1256Dept 1=>Dept 22556141

1352,94Dept 5=>Dept 2175690,94537

Pada tabel 6 di atas bisa dilihat rule 1 diketahui bahwa apabila konsumen membeli barang di dept 4 dan dept 9 punya kemungkinan 50% untuk juga membeli barang di dept 10 dengan support dept 4 dan dept 9 sebesar 6 yang berarti 6 kali dari 100 transaksi atau 6% dari database transaksi; support dept 10 sebesar 10 yang berarti 10 kali dari 100 transaksi atau 10% dari database transaksi; support a dan c sebesar 3 yang berarti 3 kali dari 100 transaksi atau 3% dari database transaksi dengan nilai lift ratio sebesar 5 yang berarti >1 maka transaksi dinyatakan valid. Pada rule 2 diketahui bahwa apabila konsumen membeli barang di dept 10 punya kemungkinan 80% untuk juga membeli barang di dept 10 dengan support dept 10 sebesar 10 yang berarti 10 kali dari 100 transaksi atau 10% dari database transaksi; support dept 4 sebesar 31 yang berarti 31 kali dari 100 transaksi atau 31% dari database transaksi; support a dan c sebesar 8 yang berarti 8 kali dari 100 transaksi atau 8% dari database transaksi dengan nilai lift ratio sebesar 2,58 yang berarti >1 maka transaksi dinyatakan valid.Pada rule 3 diketahui bahwa apabila konsumen membeli barang di dept 10 dan dept 9 punya kemungkinan 75% untuk juga membeli barang di dept 4 dengan support dept 10 dan dept 9 sebesar 4 yang berarti 4 kali dari 100 transaksi atau 4% dari database transaksi; support dept 10 sebesar 31 yang berarti 31 kali dari 100 transaksi atau 31% dari database transaksi; support a dan c sebesar 3 yang berarti 3 kali dari 100 transaksi atau 3% dari database transaksi dengan nilai lift ratio sebesar 2,41 yang berarti >1 maka transaksi dinyatakan valid.Pada rule 4 diketahui bahwa apabila konsumen membeli barang di dept 6 punya kemungkinan 60% untuk juga membeli barang di dept 1 dengan support dept 6 sebesar 5 yang berarti 5 kali dari 100 transaksi atau 5% dari database transaksi; support dept 1 sebesar 25 yang berarti 25 kali dari 100 transaksi atau 25% dari database transaksi; support a dan c sebesar 3 yang berarti 3 kali dari 100 transaksi atau 3% dari database transaksi dengan nilai lift ratio sebesar 2,4 yang berarti >1 maka transaksi dinyatakan valid. Pada rule 5 diketahui bahwa apabila konsumen membeli barang di dept 7 dan dept 8 punya kemungkinan 83,33% untuk juga membeli barang di dept 2 dengan support dept 7 dan dept 8 sebesar 6 yang berarti 6 kali dari 100 transaksi atau 6% dari database transaksi; support dept 2 sebesar 56 yang berarti 56 kali dari 100 transaksi atau 56% dari database transaksi; support a dan c sebesar 5 yang berarti 5 kali dari 100 transaksi atau 5% dari database transaksi dengan nilai lift ratio sebesar 1,48 yang berarti >1 maka transaksi dinyatakan valid.Pada rule 6 diketahui bahwa apabila konsumen membeli barang di dept 2 dan dept 7 punya kemungkinan 50% untuk juga membeli barang di dept 8 dengan support dept 2 dan dept 7 sebesar 10 yang berarti 10 kali dari 100 transaksi atau 10% dari database transaksi; support dept 2 sebesar 34 yang berarti 34 kali dari 100 transaksi atau 34% dari database transaksi; support a dan c sebesar 5 yang berarti 5 kali dari 100 transaksi atau 5% dari database transaksi dengan nilai lift ratio sebesar 1,47 yang berari >1 maka transaksi dinyatakan valid.Pada rule 7 diketahui bahwa apabila konsumen membeli barang di dept 1 dan dept 7 punya kemungkinan 75% untuk juga membeli barang di dept 2 dengan support dept 1 dan dept 7 sebesar 4 yang berarti 4 kali dari 100 transaksi atau 4% dari database transaksi; support dept 2 sebesar 56 yang berarti 56 kali dari 100 transaksi atau 56% dari database transaksi; support a dan c sebesar 3 yang berarti 3 kali dari 100 transaksi atau 3% dari database transaksi dengan nilai lift ratio sebesar 1,33 yang berarti >1 maka transaksi dinyatakan valid.Pada rule 8 diketahui bahwa apabila konsumen membeli barang di dept 7 punya kemungkinan 62,5% untuk juga membeli barang di dept 2 dengan support dept 7 sebesar 16 yang berarti 16 kali dari 100 transaksi atau 16% dari database transaksi; support dept 2 sebesar 56 yang berarti 56 kali dari 100 transaksi atau 56% dari database transaksi; support a dan c sebesar 10 yang berarti 10 kali dari 100 transaksi atau 10% dari database transaksi dengan nilai lift ratio sebesar 1,11 yang berarti >1 maka transaksi dinyatakan valid.Pada rule 9 diketahui bahwa apabila konsumen membeli barang di dept 3 punya kemungkinan 60% untuk juga membeli barang di dept 2 dengan support dept 3 sebesar 5 yang berarti 5 kali dari 100 transaksi atau 5% dari database transaksi; support dept 2 sebesar 56 yang berarti 56 kali dari 100 transaksi atau 56% dari database transaksi; support a dan c sebesar 3 yang berarti 3 kali dari 100 transaksi atau 3% dari database transaksi dengan nilai lift ratio sebesar 1,07 yang berarti >1 maka transaksi dinyatakan valid.Pada rule 10 diketahui bahwa apabila konsumen membeli barang di dept 1 dan dept 8 punya kemungkinan 60% untuk juga membeli barang di dept 2 dengan support dept 1 dan 8 sebesar 5 yang berarti 5 kali dari 100 transaksi atau 5% dari database transaksi; support dept 2 sebesar 56 yang berarti 56 kali dari 100 transaksi atau 56% dari database transaksi; support a dan c sebesar 3 yang berarti 3 kali dari 100 transaksi atau 3% dari database transaksi dengan nilai lift ratio sebesar 1,07 yang berarti >1 maka transaksi dinyatakan valid.Pada rule 11 diketahui bahwa apabila konsumen membeli barang di dept 8 punya kemungkinan 58,82% untuk juga membeli barang di dept 2 dengan support dept 8 sebesar 34 yang berarti 34 kali dari 100 transaksi atau 34% dari database transaksi; support dept 2 sebesar 56 yang berarti 56 kali dari 100 transaksi atau 56% dari database transaksi; support a dan c sebesar 20 yang berarti 20 kali dari 100 transaksi atau 20% dari database transaksi dengan nilai lift ratio sebesar 1,05 yang berarti >1 maka transaksi dinyatakan valid.Pada rule 12 diketahui bahwa apabila konsumen membeli barang di dept 1 punya kemungkinan 56% untuk juga membeli barang di dept 2 dengan support dept 1 sebesar 25 yang berarti 25 kali dari 100 transaksi atau 25% dari database transaksi; support dept 2 sebesar 56 yang berarti 56 kali dari 100 transaksi atau 56% dari database transaksi; support a dan c sebesar 14 yang berarti 14 kali dari 100 transaksi atau 14% dari database transaksi dengan nilai lift ratio sebesar 1 yang berarti >1 maka transaksi dinyatakan valid.Pada rule 13 diketahui bahwa apabila konsumen membeli barang di dept 5 punya kemungkinan 52,94% untuk juga membeli barang di dept 2 dengan support dept 5 sebesar 17 yang berarti 17 kali dari 100 transaksi atau 17% dari database transaksi; support dept 2 sebesar 56 yang berarti 56 kali dari 100 transaksi atau 56% dari database transaksi; support a dan c sebesar 9 yang berarti 9 kali dari 100 transaksi atau 9% dari database transaksi dengan nilai lift ratio sebesar 0,94 yang berarti

Documents

market basket analysis swalayan