PERSONIFIKASI WEB E-COMMERCE MENGGUNAKAN BASKET ALGORITMA DARI DATA MINING

Transkripsi

1 Proceeding PESAT (Psikologi, Ekonoi, Sastra, Arsitektur & Sipil) Vol.3 Oktober 2009 Universitas Gunadara Depok, 2-22 Oktober 2009 ISSN: PERSONIFIKASI WEB E-COMMERCE MENGGUNAKAN BASKET ALGORITMA DARI DATA MINING Radhiaty 2 Nurullah Husufa 3 Juningsi D.F.J Letik 4 Tri Wahyu W. 5 I Wayan Siri Wicaksana,2,3,4 Progra Magister, Universitas Gunadara 5 Pusat Studi Teknologi Siste Inforasi, Universitas Guandara radhiaty@gail.co, 2 nurul_husufa@yahoo.co, 3 jenny_letik@yahoo.co, 4 5 widya_ayub@yahoo.co, iwayan@staff.gunadara.ac.id ABSTRAK Dengan seakin bertabahnya julah transaksi database sangat penting untuk ebuat data tersebut lebih beranfaat bagi perusahaan dala eningkatkan laba. Metode data ining bisa digunakan untuk engolah data dengan cara engelopokkan asing-asing pebeli dan epelajari tingkah laku pebeli dala elakukan transaksi. Dengan inforasi yang dihasilkan dari data ining setiap pebeli akan eperoleh inforasi sesuai dengan kebutuhannya. Teknik arket basket analysis adalah salah satu teknik data ining yang bertujuan untuk eneukan produk-produk yang sering dibeli bersaaan dari data transaksi, ini sangat diperlukan untuk enentukan aturan asosiasi. Aturan asosiasi adalah suatu pola kecenderungan pebeli dala berbelanja barang. Dengan pola pebelian barang inilah dapat dilakukan strategi strategi peasaran untuk enentukan barang apa yang akan dijual dan bagaiana cara supaya proses penjualan lebih baik. Salah satu teknik yang bisa digunakan pada proses ining aturan asosiasi adalah enggunakan algorita pincer-search. Kata kunci: aturan asosiasi, data ining,, e-coerce, arket basket analysi, pincer-search ABSTRACT With the increasing of aount databases transaction, it s iportant to ake the data useful for the copany to get ore revenue. Methods of data ining can be used to processing data with classify the user groups and to learn fro their behavior. With the collected inforation changes and optiizations can be applied to the Web application to hit the users requireents. Market basket analysis (MBA) is one of data ining techniques aied to find ites purchased together in a transaction by exploiting existing data transactions, it s iportant to know the association rules. Association rule is a path of user when the transaction happen. With this path, we can think arketing strategy to choices what s goods is being sell dan what ways to increase selling. Pincer-search is one of ethod for the association rule. Keywords: association rule, data ining, e-coerce, arket basket analysis, pincer- search PENDAHULUAN Pada uunya kesibukan asyarakat ebuat asyarakat enggan untuk berbelanja secara B6 tradisional lagi yaitu dengan cara engunjungi toko atau tepat perbelanjaan. Hal itu akan enghabiskan waktu yang cukup Personifikasi Web E-Coerce Menggunakan

2 Proceeding PESAT (Psikologi, Ekonoi, Sastra, Arsitektur & Sipil) Vol. 3 Oktober 2009 Universitas Gunadara Depok, 2-22 Oktober 2009 ISSN: banyak apabila harus pergi ke tepat perbelanjaan. Belanja sudah enjadi suatu kebutuhan bagi asyarakat untuk eenuhi kebutuhan hidup atau kegearan ereka. Oleh karena itu dengan adanya internet dapat eudahkan asyarakat elakukan suatu transaksi perdagangan elalui suatu website-website e-coerce. Banyaknya jenis produk yang ditawarkan pada website-website e- coerce ebuat tujuan ingin eenuhi kebutuhan belu bisa terwujud, karena tidak sesuai dengan keinginan dari konsuen. Untuk eudahkan engetahui kebiasaan atau pola tingkah laku konsuen dala berbelanja elalui e-coerce dibutuhkan suatu siste yang dapat endeteksi produk-produk apa saja yang sering dibeli oleh konsuen. Pada paper ini Penulis berkeinginan untuk engatasi perasalahan engenai cara yang lebih efektif untuk eproosikan suatu produk dilihat dari kebiasaan atau pola tingkah laku konsuen dala berbelanja, yaitu dengan eanfaatkan etode Data Mining, khususnya etode Market Basket Analysis. Metode ini bertujuan untuk enganalisa database transaksi pada website e- coerce secara otoatis, guna endeteksi dan eneukan inforasi engenai produk-produk yang sering bersaaan ataupun dala jangka waktu tertentu. Dengan enerapkan etode tersebut akan eudahkan konsuen encari produk yang diinginkan serta ebantu eproosikan produkproduk baru dilihat dari kebiasaan konsuen dala ebeli. Banyaknya jenis produk dan jasa yang ditawarkan, belu tentu dibutuhkan oleh setiap konsuen. Pencarian produk dan jasa yang tepat bagi konsuen tentu akan enghabiskan waktu konsuen padahal tujuan e-coerce itu sendiri untuk engheat waktu bagi setiap konsuen agar tidak perlu ketepat perbelanjaan. Untuk engatasi perasalahan tersebut digunakan etode data ining, khususnya etode arket basket analisis yang digunakan untuk engetahui pola pebelian produk/jasa dari setiap konsuen, diana proses ini bertujuan untuk eproosikan produk/jasa tertentu kepada setiap konsuen sesuai dengan kebiasaan setiap konsuen saat ereka elakukan transaksi pebelian produk/jasa yang dibutuhkan. Knowledge Discovery dan Data Mining Knowledge Discovery secara sederhana dapat dikatakan sebagai proses engekstrak atau enggali (ining) pengetahuan/inforasi yang berharga (interesting knowledge) dari sejulah besar data baik yang disipan di dala database, data warehouse aupun edia penyipanan inforasi lainnya. Seentara itu data ining erupakan salah satu tahap yang terdapat di dala Knowledge Discovery [4]. Discretization Histogra Analysis Histogra enggunakan etode binning guna eperkirakan distribusi data dan juga untuk ereduksi julah data. Pada histogra, data dibagi bagi enjadi subset subset data yang dinaakan bucket. Sebuah bucket bisa berupa sebuah value tertentu atau bisa juga erepresentasikan continuous ranges dari sekelopok data [3]. MaxDiff Histogra adalah salah satu etode Discretization Histogra. Pada etode ini batasan tiap bucket ditentukan dengan cara eperhitungkan selisih dari sepasang data yang bersebelahan. Isi tiap bucket ditentukan dengan ruus β -. Selaa selisih dua pasang data asih lebih Personifikasi Web E-Coerce Menggunakan B7

3 Proceeding PESAT (Psikologi, Ekonoi, Sastra, Arsitektur & Sipil) Vol.3 Oktober 2009 Universitas Gunadara Depok, 2-22 Oktober 2009 ISSN: kecil atau saa dengan β -, aka sekelopok data tersebut ada pada bucket yang saa, bila tidak, saatnya ebuat bucket baru [4]. Market Basket Analysis Market Basket Analysis erupakan sebuah analisis terhadap kebiasaan custoer berbelanja pada superarket dengan cara eneukan asosiasi dan korelasi di antara berbagai aca ite yang diasukkan custoer di dala shopping basket ereka. Secara lebih spesifik Market Basket Analysis bertujuan untuk engetahui ite apa saja yang sering dibeli bersaaan oleh custoer. ite di sini diartikan sebagai berbagai aca produk atau barang pada superarket [5, 6]. Association Rule Analysis Association Rule Analysis adalah suatu prosedur dala Market Basket Analysis untuk encari hubungan antar ite dala suatu data set dan enapilkannya dala bentuk Association Rules [4]. Pincer Search Pincer-Search dikebangkan oleh Dao- I Lin dan Zvi M. Kede pada tahun 997 [7]. Algorita ini dinaakan Two-Way Search karena eakai 2 cara pendekatan, yaitu top down serta botto up. Dala prosesnya arah pencarian utaa dari Pincer search adalah botto up, saa seperti algorita Apriori, keudian secara concurrent dilakukan pencarian secara top down, yaitu Maxiu Frequent Candidat Set (MFCS) yang enghasilkan output berupa Maxiu Frequent Set. METODE PENELITIAN Data ining erupakan proses analisa dari sekupulan data yang sangat besar dengan elakukan pengaatan untuk eneukan adanya hubungan-hubungan yang tidak terduga sebelunya dan untuk erangku data yang enjadi bentuk yang udah diengerti dan berguna bagi peilik data (Hand, 200). Masalah penting dala data ining adalah enentukan aturan asosiasi [2]. Aturan asosiasi digunakan untuk engetahui kebiasaan pebeli saat elakukan pebelian ite-ite yang akan enggabarkan seberapa sering ite tertentu dibeli pada waktu yang bersaaan. Contoh aturan asosiasi : bir => keripik (80%) enyatakan 4 dari 5 pebeli saat ebeli bir juga akan ebeli keripik. Aturan ini bisa berguna untuk penentuan harga ite, proosi atau penentuan tata letak dari ite. Setelah aturan asosiasi didapat, aka harus diketahui frekuensi dari setiap iteset yang dihasilkan dari aturan asosiasi. Proses pencarian frekuensi dari setiap iteset akan ebutuhkan waktu yang laa jika iteset yang didapat sangat banyak sekali, untuk itu diperlukan algorita yang bisa epercepat proses penghitungan frekuensi iteset. Algorita pincer-search erupakan salah satu algorita yang bisa digunakan untuk epercepat penghitungan frekuensi dari iteset selain algorita hash-based. Masalah pada aturan asosiasi ialah enentukan seua aturan yang eiliki nilai support dan confidence elebihi nilai iniu support dan iniu confidence yang telah ditentukan sebelunya. Untuk enentukan aturan asosiasi ada 2 langkah [3]:. Meneukan frequent itesets. 2. Mebangkitkan aturan asosiasi Maxiu frequent set (MFS) adalah kupulan dari seua axial frequent itesets (Sebuah iteset dikatakan axial frequent itesets jika frequent nya paling tinggi ). Sebuah iteset dikatakan frequent jika dan B8 Personifikasi Web E-Coerce Menggunakan

4 Proceeding PESAT (Psikologi, Ekonoi, Sastra, Arsitektur & Sipil) Vol. 3 Oktober 2009 Universitas Gunadara Depok, 2-22 Oktober 2009 ISSN: hanya jika ia erupakan bagian dari axial frequent itesets. Sangat penting untuk eneukan MFS pada langkah awal karena ini akan eningkatkan efiensi. Cara yang efisien untuk ebangkitkan aturan asosiasi adalah dengan eeriksa MFS nya terlebih dahulu, keudian eeriksa apakah aturan yang ditetapkan telah eenuhi confidence. Meneukan frequent itesets Pincer-Search dikebangkan oleh Dao-I Lin dan Zvi M. Kede pada tahun 997 [7]. Algorita ini dinaakan Two-Way Search karena eakai 2 cara pendekatan, yaitu top down serta botto up. Dala prosesnya arah pencarian utaa dari Pincer search adalah botto up, saa seperti algorita Apriori, keudian secara concurrent dilakukan pencarian secara top down, yaitu Maxiu Frequent Candidat Set (MFCS) yang enghasilkan output berupa Maxiu Frequent Set. Gabar. Pincer-search [7] Keterangan gabar: * Angka bercetak tebal ewakili candidat yang frequent * Angka bergaris bawah ewakili candidat MFCS pertaa yang infrequent * Angka bercetak iring adalah candidat yang diprune dengan enggunakan MFCS * Tulisan dengan coretan ditengahnya ewakili candidat yang frequent tapi Personifikasi Web E-Coerce Menggunakan dihilangkan dengan MFS, dan tidak dikebalikan oleh recovery procedure * Iteset dengan garis yang elingkarinya ewakili Maxiu Frequent Iteset. Mebangkitkan aturan asosiasi Untuk ebangkitkan aturan asosiasi digunakan algorita apriori. Algorita apriori akan digunakan untuk encari itesets terbesar dan ebuat aturan asosiasi. Pada algortia apriori untuk encari iteset terbesar, proses akan berhenti untuk setiap perhitungan ite yang terjadi dan eilih ite yang support-nya lebih besar dari insupp keudian prosedur akan ebangkitkan 2-itesets berdasarkan -itesets yang eiliki nilai support lebih besar. Setelah itesets didapat, itesets ini akan digunakan untuk ebuat aturan enggunakan iniu confidence, incof. PEMBAHASAN Pada bagian pebahasan ini akan dibahas engenai penerapan dari etode yang dipakai. Siste ini akan enggunakan algorita Pincer Search untuk elakukan analisa arket basket pada data penjualan website e- coerce dala periode tertentu. Dala hal ini contoh website e- coerce yang dipakai adalah website yang enjual obat-obatan seperti apotek. Pada website e-coerce ini akan diteukan inforasi-inforasi yang berguna dala enganalisa data yaitu seperti inforasi asosiasi antar jenis obat yang dibeli konsuen, packing obat yang disukai konsuen, kapan obat-obat tertentu banyak dibeli, dan lain-lain. Data-data tersebut dipersiapkan elalui proses cleaning dan di transforasi ke bentuk yang dapat diolah siste. Selanjutnya data diolah enggunakan algortia pincer search sehingga enghasilkan frequent B9

5 Proceeding PESAT (Psikologi, Ekonoi, Sastra, Arsitektur & Sipil) Vol.3 Oktober 2009 Universitas Gunadara Depok, 2-22 Oktober 2009 ISSN: iteset dan pada akhirnya akan enghasilkan association rules. Dengan enggunakan association rules dapat engetahui barang-barang apa saja yang sering dibeli bersaaan. Inforasi ini akan eberikan pertibangan tabahan bagi pengabil keputusan saat pengabilan keputusan, dala hal ini siste itu sendiri. Siste website e-coerce ini didisain dala tiga odul dan satu database penyipan data - data seentara dan Rules yang dihasilkan, yaitu:. Modul Pre-Processing Data, digunakan untuk erubah data transaksi penjualan obat pada tabel Invoice, Invoice Detail dan Product, sesuai dengan periode tertentu yg dipilih, enjadi sebuah tabel Transaksi Copact yang eiliki attribut - attribut sebagai berikut: Date, CInvoiceNu, CPCode, Nae. 2. Modul Proses adalah odul utaa dari siste ini, digunakan untuk erubah data - data pada tabel Transaksi Copact enjadi Tabel Rules enggunakan Algorita Pincer Search. Tabel Rules berisi attribut - attribut sebagai berikut: Id, Cobination, Rules, SupportPercent, ConfidencePercent. 3. Modul Post-Processing, digunakan untuk enapilkan rule - rule asosiasi yang dihasilkan pada tabel Rules kedala bentuk teks aupun grafik. Berikut ini adalah flowchart proses Pincer Search dala Modul Proses : Gabar 3: Flowchart Prosedur Pincer Search Untuk enguji kebenaran hasil proses dari siste yang dibuat digunakan data sapel yang ada pada paper Fast Algoriths for Mining Association Rules [6], buku Data Mining: Concepts and Techniques [8], paper Pincer-Search: A New Algorith for Discovering the Maxiu Frequent Sets [3] dan dissertasi Fast Algoriths for Discovering the Maxiu Frequent Set [4]. Hasil pengujian perbandingan ini enunjukkan bahwa proses generate Frequent Iteset telah benar. Hal ini berarti bahwa Algorita Pincer Search telah diprogra dengan baik dan benar. Salah satu contohnya dapat dilihat pada gabar - gabat berikut ini: Gabar 2: Blok Diagra Siste B20 Personifikasi Web E-Coerce Menggunakan

6 Proceeding PESAT (Psikologi, Ekonoi, Sastra, Arsitektur & Sipil) Vol. 3 Oktober 2009 Universitas Gunadara Depok, 2-22 Oktober 2009 ISSN: Gabar 4. Isi tabel pebantu proses L, L2, L3 dan L4 setelah proses generate Frequent Iteset dengan iniu support = 2. Sapel data dari dissertasi berjudul Fast Algoriths for Discovering the Maxiu Frequent Set [7] Gabar 5: Database sederhana dan proses generate Frequent Iteset dari dissertasi berjudul Fast Algoriths for Discovering the Maxiu Frequent Set [7] Seentara itu hasil pengujian Antar-Muka dapat dilihat pada gabar - gabar berikut ini: Gabar 6: Antar-Muka untuk enyusun tabel custo yang akan dianalisa, dari tabel Invoice, Invoice Detail dan Product Gabar 7: Antar-Muka untuk eilih tabel custo dan erubahnya enjadi Tabel Transaksi Copact Gabar 8: Antar-Muka untuk eilih Miniu Support dan elakukan proses Pincer Search Gabar 9: Antar-Muka tapilan Rules secara grafis Gabar 0: Antar-Muka tapilan Rules dala teks (Miniu Confidence = 25 %) Personifikasi Web E-Coerce Menggunakan Gabar : Antar-Muka tapilan Rules dala teks (Miniu Confidence = 25 %) (lanjutan) B2

7 Proceeding PESAT (Psikologi, Ekonoi, Sastra, Arsitektur & Sipil) Vol.3 Oktober 2009 Universitas Gunadara Depok, 2-22 Oktober 2009 ISSN: Setelah dilakukan pengujian antar-uka dan kebenaran hasil proses, selanjutnya akan dilakukan pengujian syste oleh calon peakai. Siste ini diuji oleh peilik Apotik sekaligus Apoteker dari Apotik yang digunakan data transaksi penjualannya. Hasil pengujian dapat dilihat pada tabel berikut ini: Tabel. Hasil Penilaian dari Calon Peakai N o Kriteria Nil ai (*) Keakuratan hasil 50 Association Rules 2 Desain Antar Muka 40 3 Keudahan Penggunaan 40 Siste 4 Tingkat Kegunaan dari 50 Inforasi yang dihasilkan Hasil Rata - Rata: 45 Tabel 2. Hasil Pengujian Kecepatan Proses untuk data 2 bulan Ju l ah Da ta Tr an sa ksi 30 6 Ba ran g 56 9 Mi ni u Su pp ort 6 Julah Frequent Itesets (kobinas i 2 ke atas) kobinasi 2 = 5 kobinasi 3 = L a a Pr os es ja 4 en it 48 de tik Ju lah Rule s 6 La a Pro ses deti k Tabel 3. Hasil Pengujian Kecepatan Proses untuk data 4 bulan (*) Nilai: 0 Sangat Buruk s/d 50 Sangat Baik Untuk engetahui apakah proses dari siste berjalan dengan baik, aka perlu dilakukan pengujian terhadap kecepatan proses dari siste. Uji coba kecepatan proses siste ini dilakukan untuk data 2 bulan dan data 4 bulan. Berikut ini ditapilkan tabel hasil pengujian kecepatan proses dari siste. Ju l ah Da ta Tra nsa ksi 54 4 Ba ran g 77 6 Mi ni u Su pp ort Generate Frequent Julah Frequent Itesets (kobinasi 2 ke atas) kobinasi 2 = 2 kobinasi 2 = 3 kobinasi 2 = 5 kobinasi kobinasi 2 = 29 kobinasi 3 = 0 kobinasi 4 = La a Pr os es 5 5 ja 5 ja 30 en it 48 de tik Generate Ju lah Rule s La a Pros es detik detik 2 detik 2 detik B22 Personifikasi Web E-Coerce Menggunakan

8 Proceeding PESAT (Psikologi, Ekonoi, Sastra, Arsitektur & Sipil) Vol. 3 Oktober 2009 Universitas Gunadara Depok, 2-22 Oktober 2009 ISSN: PENUTUP Kesipulan Keapuan siste elakukan custoisasi terhadap data transaksi yang akan diproses eberikan tingkat fleksibilitas lebih tinggi kepada user dala enggali inforasi yang diinginkan. Dari perbandingan hasil Frequent Iteset yang dibuat oleh siste dan contoh sapel database yang ada pada literatur, dapat disipulkan bahwa siste ini telah diprogra dengan baik dan benar. Aturan asosiasi yang digunakan penting adanya untuk engetahui keterkaitan antar ite yang telah dibeli oleh pebeli saat elakukan transaksi. Keterkaitan ite sangat diperlukan untuk eprediksi ite-ite yang dibeli secara bersaaan atau dibeli saat waktu tertentu oleh pebeli karena hal ini bisa dijadikan acuan bagi penjual dala enyediakan stok ite dan eningkatkan laba yang didapat. Penggunanaan algorita pincer-search untuk epercepat proses dari algorita apriori, karena pencarian k-itesets akan eerlukan waktu yang laa untuk data yang sangat banyak sedangkan algorita pincer-search akan epercepat peneuan k-iteset terakhir dengan enggunakan etode Maxiu Frequent Candidat Set (MFCS). Dengan enganalisa rules yang dihasilkan oleh siste, ditabah dengan pendapat dari calon peakai, dapat disipulkan bahwa inforasi yang dihasilkan oleh siste cukup enarik (interesting) dan berguna bagi pihak apotik sebagai peakai. DAFTAR PUSTAKA [] Agrawal, Rakesh, Raakrishnan Srikant, 994, Fast Algoriths for Mining Association Rules, Proceeding Of The 994 International Conference Very Large Data Bases, Santiago, Chile, Septeber 994. [2] Han, Jiawei, Micheline Kaber, 200, Data Mining: Concepts and Techniques, Morgan Kaufann [3] Lin, Dao-I, Zvi M. Kede, 997, Pincer-Search: A New Algorith for Discovering the Maxiu Frequent Sets, Proceeding Of The 6 th International Conference On Extending Database Technology (EDBT). [4] Lin, Dao-I, 998, Fast Algoriths for Discovering the Maxiu Frequent Set, Dissertation, Departent of Coputer Science, New York University. [5] Berry, Michael J.A. and Gordon Linoff, Data Mining Techniques: For Marketing, Sales, and Custoer, John Wiley & Sons, New York,997. [6] Agrawal, Rakesh, Toasz Iielinsky, Arun Swai, Mining Association Rules between Sets Of Ites In Large Databases, Proceeding Of The 993 ACM SIGMOD Conference, Washington DC, USA, May 993 asalah asosiasi [7] Agrawal, Rakesh, Raakrishnan Srikant, Fast algoriths for ining association rules.proceeding Of The 994 International Conference Very Large Data Bases, Santiago, Chile,Septeber 994. [8] Hand, David, Heikki Mannila, Padhraic Syth, Priciples Of Data Mining, The MIT Press, 200. Personifikasi Web E-Coerce Menggunakan B23