PENERAPAN DATA MINING UNTUK PENGELOMPOKAN MINAT KONSUMEN TERHADAP PRODUK LG MOBILE PALEMBANG

Transkripsi

1 PENERAPAN DATA MINING UNTUK PENGELOMPOKAN MINAT KONSUMEN TERHADAP PRODUK LG MOBILE PALEMBANG Rino Riandi Agustin 1, M. Akbar, M.IT. 2, Siti Sa uda, M.kom. 3 Mahasiswa Universitas BinaDarma 1, Dosen Universitas BinaDarma 2, Dosen Universitas BinaDarma 3 Program Studi Informatika, Fakultas Ilmu Komputer, Universitas Binadarma Jl.Ahmad Yani No.12 Plaju Palembang Pos-el : rinoriandi@gmail.com 1, muhamad.akbar@binadarma.ac.id 2 siti_sauda@binadarma.ac.id 3 Abstract : The variety of brands, types and models of mobile phones that are offered provide plenty of choice for consumers. So do not rule out a consumer will switch other perceived kemerek have advantages compared with the previously used brand. The ability of the technology to store data, process data, extract the data, analyze the data, and summarize data to produce an information that support the decision of the election it is still lacking. With the existence of this problem then comes techniques and new knowledge in processing the data into information. Judging from the number of consumer interest towards mobile phone is probably the application of data mining by the method of clustering and K -Means algorithm can help PT. LG Mobile Palembang in the grouping of consumer interest. Keywords: Data Mining, Clustering,Weka, Algoritma K-Means. Abstrak : Bervariasinya merek, jenis, serta model handphone yang ditawarkan memberikan banyak pilihan bagi konsumen. Sehingga tidak menutup kemungkinan seorang konsumen akan beralih kemerek lain yang dirasakan memiliki kelebihan disbanding dengan merek yang dipakai sebelumnya. Kemampuan teknologi untuk menyimpan data, mengolah data, mengekstrak data, menganalis data, dan meringkas data untuk menghasilkan sebuah informasi yang menunjang kegiatan pemilihan keputusan dirasa masih kurang. Dengan adanya masalah ini maka munculah teknik dan ilmu baru dalam mengolah data menjadi informasi. Dilihat dari banyaknya minat konsumen terhadap telfon genggam mungkin penerapan data mining dengan metode clustering dan algoritma K-Means dapat membantu PT. LG Mobile Palembang dalam pengelompokan minat konsumen. Kata kunci : Data Mining, Clustering,Weka, Algoritma K-Means. 1. PENDAHULUAN Pesatnya perkembangan dunia teknologi dan informasi saat ini, berdampak pada kebutuhan informasi yang akurat serta cepat didalam kehidupan sehari-hari. Dimana teknologi informasi sangat berperan penting dalam kehidupan sekarang dan yang akan datang. Hal ini bisa dilihat dari pemanfaatan teknologi dalam bidang apapun yang memudahkan kinerja manusia. Akan tetapi teknologi yang canggih sering sekali tidak diimbangi dengan penyajian informasi yang memadai. Data yang cukup besar juga terkadang akan sulit diolah menjadi informasi yang akurat, karena masih banyak kekurangan dari berbagai aspek. Kemampuan sebuah teknologi untuk menyimpan data, mengolah data, mengekstrak data, menganalis data, dan 1

2 meringkas data guna menghasilkan sebuah informasi yang menunjang kegiatan pemilihan keputusan dirasa masih kurang. Dengan munculnya masalah ini maka timbul lah teknik dan ilmu baru dalam mengolah data menjadi informasi. Salah satunya dengan teknik Data Mining untuk mengatasi suatu masalah penggalian informasi atau pola yang penting atau menarik data dalam jumlah yang besar. Data mining bisa memberikan pengetahuan-pengetahuan yang sebelumnya tersembunyi di dalam gudang data sehingga dapat menjadi informasi yang berharga. Data mining dalam prosesnya menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengektraksi dan mengidentifikasi informasi yang bermanfaat serta suatu pengetahuan yang terkait dari berbagai database yang besar (Turban, dkk. 2005). Kemajuan teknologi informasi juga dirasakan oleh Produk LG Mobile Pelembang, karena perusahaan ini memiliki database yang besar. Sehingga dalam pengolahan data yang besar tersebut perusahaan memerlukan teknologi untuk mengetahui informasi yang dibutuhkan dalam meningkatkan kinerja dan pendapatan dari hasil usaha. LG Mobile Palembang merupakan sebuah perusahaan yang bergerak dibidang penjualan produk handphone, dan produk yang dimiliki LG Mobile sendiri memiliki bermacam-macam tipe handphone. Oleh karena itu, perusahaan ini sering mengalami kendala dalam penentuan jumlah penyediaan tipe jenis barang karena konsumen memiliki selera berbeda dalam tipe pembelian handphone, dan dengan penerapan data mining untuk pengelompokan minat konsumen diharapkan dapat membantu LG Mobile Palembang dalam mempertimbangkan kemungkinan sebuah produk sebelum dijual. Data mining merupakan solusi untuk memprediksi produk-produk yang diminati oleh konsumen, agar dapat meminimalisir kerugian dan bertumpuknya suatu produk yang berdampak buruk bagi perusahaan. Dengan adanya masalah dan solusi tersebut untuk mengatasi keadaan dimana perusahaan LG Mobile Palembang membutuhkan sebuah informasi untuk memprediksi suatu produk. Untuk mengimplementasikan penulis tertarik dengan masalah tersebut, sehingga penulis akan menuangkan penelitiannya dalam bentuk penulisan skripsi yang berjudul Penerapan Data Mining Untuk Pengelompokan Minat Konsumen Terhadap Produk PT. LG. 2

3 2. TINJAUAN PUSTAKA 2.1. Produk Menurut Fandy Tjiptono (2008), Atribut Produk adalah unsur-unsur produk yang dipandang penting oleh konsumen dan dijadikan dasar pengambilan keputusan. Atribut Produk meliputi merek, kemasan, jaminan(garansi), pelayanan,dan sebagainya Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bemanfaat dan pengetahuan yang terkait dari berbagai database besar (Kusrini & Luthfi. 2009) Clustering Clustering termasuk metode yang sudah cukup dikenal dan banyak dipakai dalam data mining. Sampai sekarang para ilmuwan dalam bidang data mining masih melakukan berbagai usaha untuk melakukan perbaikan model clustering karena metode yang dikembangkan sekarang masih bersifat heuristic. Usaha-usaha untuk menghitung jumlah cluster yang optimal dan pengklasteran yang paling baik masih terus dilakukan. Gambar 2.1. Clustering 2.4. Algoritma K-Means Dalam statistik dan mesin pembelajaran K-means merupakan metode analisis kelompok yang mengarah pada permatisian N objek pengamatan dalam K kelompok (cluster) dimana setiap objek pengamatan dimiliki oleh sebuah kelompok dengan mean (rata -rata) terdekat.1. Data Barang, yaitu berisi data produk. Atribut yang ada dapat dilihat dalam tabel tabel Penerapan Clustering K-Means memisahkan data ke k daerah bagian yang terpisah, dimana k adalah bilangan integer positif. Algoritma K-Means sangat terkenal karena kemudahan dan kemampuannya untuk mengklasifikasi data besar dan outlier dengan sangat cepat. Berikut adalah langkah-langkah algoritma K-Means : 1. Penentuan pusat cluster awal Pusat awal cluster didapatkan dari data sendiri bukan dengan menentukan titik 3

4 baru, yaitu dengan menrandom pusat awal dari data. 2. Perhitungan jarak dengan pusat cluster Untuk mengukur jarak antara data dengan pusat cluster digunakan Euclidian distance. Algoritma perhitungan jarak data dengan pusat cluster 3. Pengelompokkan data Jarak hasil perhitungan akan dilakukan perbandingan dan dipilih jarak terdekat antara data dengan pusat cluster, jarak ini menunjukkan bahwa data tersebut berada dalam satu kelompok dengan pusat cluster terdekat. 4. Penentuan pusat cluster baru Untuk mendapatkan pusat cluster baru bisa dihitung dari rata-rata nilai anggota cluster dan pusat cluster. Pusat cluster baru = x1+x2+x3..+xn+xp Jumlah+1 Dimana : x1,x2,x3,.xn=anggota cluster xp = pusat lama 2.5. WEKA Weka adalah aplikasi data mining open source berbasis java. Aplikasi ini dikembangkan pertama kali oleh Universita Waikato di Selandia Baru. Weka terdiri dari koleksi algoritma machine learning yang dapat digunakan untuk melakukan generalisasi/formulasi dari sekumpulan data sampling. 3 ANALISIS DATA MINING 3.1 Analisis Data Analisis data dilakukan untuk memperoleh gambaran sistem yang akan dibuat dan langkah-langkah dalam model arsitektur sistem mengikuti proses dari Knowledge Discovery in Database (KDD) Data Selection Data dalam penelitian ini bersumber dari PT. LG Mobile Palembang. Adapun data tersebut terdiri dari data barang, dan data store name mulai dari tahun Type_hp Atribut Model_Hanphone Keterangan Type produk/barang Nama model Handphone Tabel 3.1 Tabel Atribut Data Barang Data Store Name, yaitu data yang berisi nama toko yang menjual produkproduk LG Mobile. Atribut dapat dilihat dalam table 3.2 Id_Toko District Store_Nm Nm_Hp Atribut Kode Toko Keterangan Wilayah/Tempat Store Nama Toko Nama Model Handphone Tabel 3.2 Tabel Atribut Store Name 4

5 Data pegawai, yaitu data yang berisi promoter atau pegawai yang menjual produk. Data ini hanya menyimpan kode pegawai. Atribut Keterangan CRI_ID Kode Pegawai Nm_Pegawai Nama Pegawai Tabel 3.3 Tabel Atribut Pegawai Pre-processing Langkah-langkah yang dilakukan dalam tahapan pre-processing menghasilkan dataset yang bersih ( clean) sehingga dapat digunakan dalam tahap selanjutnya yaitu mining dengan tujuan mendapatkan pola nilai yang terjadi dalam seluruh semester yang telah dilalui. Data Cleaning merupakan tahap pembersihan data merupakan tahap awal dari KDD Data Cleaning Pada proses Data Cleaning di dapat beberapa atribut yang akan digunakan untuk proses mining berikutnya. Adapun atributatribut tetap terbagi menjadi 2 kelompok data yaitu data toko dan data barang. Tabel 3.4 Data yang mengandung missing value Tabel 3.5 Data yang relevan dan tidak redundant Tabel 3.5 diatas menggambarkan data yang mengandung missing value dan tidak relevan dibersihkan sehingga diperoleh data yang sudah relevan sehingga dapat diproses ke tahap mining berikuntya. 5

6 Integrasi Data Integrasi Data, merupakan penggabungan data dari berbagai sumber. Adapun dataset dari toko yang digunakan barasal dari berbagai sumber yang nantinya digabungkan menjadi satu tabel. Toko -id_toko : Char -distrik : Char Pegawai -pegawai : Char NewTable -id_toko : Char -distrik : Char -store_nm : Gambar 3.6. Integrasi Data Tabel pegawai memiliki atribut yang terdiri dari id pegawai dan nama pegawai. Data ini nantinya diintegrasikan dengan tabel toko yang sudah relevan sehingga tabel toko memiliki kelengkapan data yang lebih informatif. Tabel 3.7 Dataset Integrasi Transformasi Data Tahap transformasi data yaitu tahap dimana data dirubah menjadi bentuk yang sesuai untuk data mining. Jika data belum terbentuk menjadi data yang dapat diproses mining, maka harus dilakukan tahap cleaning. Dalam proses ini jika diperlukan dapat ditambahkan atribut bantu diluar atribut yang sudah ada dari data yang di dapat. 4. HASIL DAN PEMBAHASAN Proses Clustering Algoritma K- Means Pada tahap ini akan dilakukan proses utama yaitu segmentasi data nilai yang diakses dari database yaitu sebuah metode clustering algoritma K-Means. Berikut ini merupakan diagram flowchart dari algoritma K-Means. 1. N data : data set yang akan diolah sebanyak N data dimana N data tersebut terdiri dari atribut-atributnya N(D690, D855, D335, D295) 2. K centroid : Inisialisasi dari pusat cluster data adalah sebanyak K dimana pusat-pusat awal tersebut digunakan sebagai banyaknya kelas yang akan tercipta. Centroid didapatkan secara random dari N data set yang ada. 3. Euclidian Distance: merupakan jarak yang didapat dari perhitungan antara 6

7 semua N data dengan K centroid dimana akan memperoleh tingkat kedekatan dengan kelas yang terdekat dengan populasi data tersebut. titik x = (x1, x2, x3,... xn) dan titik y = (y1, y2, y3,... yn) adalah: Dimana, x : Titik data pertama, y : Titik data kedua, n : Jumlah karakteristik (attribut) dalam terminologi data mining, d(x,y) : Euclidian distance yaitu jarak antara data pada titik x dan titik y 4. Pengelompokkan data: setelah sejumlah populasi data tersebut menemukan kedekatan dengan salah satu centroid yang ada. 5. Update centroid baru: tiap kelas yang telah tercipta tadi melakukan update centroid baru. 6. Batas iterasi: apabila dalam proses clustering belum optimal namun sudah memenuhi batas iterasi maksimum, maka proses dihentikan. 4.2 Proses Data Mining Menggunakan WEKA Setelah dijelaskan proses penerapan data mining dengan teknik clustering secara teroritis pada penjelasan diatas, maka kali ini akan dijelaskan proses data mining secara aplikatif dimana proses data mining yang akan dilakukan menggunakan software data mining WEKA V Gambar 4.1 Tampilan Awal Aplikasi WEKA Langkah pertama yang dilakukan untuk meng-import data kedalam WEKA Gambar 4.2 Menu Utama WEKA Explorer 7

8 Kemudian lanjutkan dengan mengklik menu open file lalu pilih data yang akan dibuka selanjutnya pilih open. Hasil dari grafik keseluruhan dapat ditampilkan dengan mengklik menu pilihan yang bertuliskan visualize all pada kolom selected attribute yang terletak dibawah tabel dan akan menghasilkan tampilan seperti pada gambar 4.5 Gambar 4.3 Menu import data Tampilah hasil dari import data tadi berupa pengelompokan 5 atribut berdasarkan database yang ada yaitu Tanggal Penjualan, Nama Toko, Tipe Hp, Nama Pegawai, dan ID pegawai. Gambar 4.5 Grafik Atribut Keseluruhan Proses berikutnya yaitu penggunaan metode Clustering yang dapat digunakan sebagai penentu nilai cluster yang telah diproses. Gambar 4.4 Import data Penjualan Dari hasil import data penjualan dapat kita lihat hasil dari jumlah data per-atribut. Cara menampilkan tabel data dari atribut-atribut yang ada dengan mengklik satu persatu atribut yang akan dipilih. Gambar 4.6 Proses Cluster Setelah algoritma telah di pilih pastikan pada kolom cluster mode ditandai pada menu yang bertuliskan use training set, setelah itu lanjutkan dengan mengklik start 8

9 Gambar 4.7 Use Training Set Hasil dari use training set menampilkan hasil dari clusterer output yang berisikan nilai cluster centroids berdasarkan 5 atribut yang digunakan. 4.3 Interpretation / Evaluation Interpretation atau Evalution merupakan pola informasi yang dapat dihasilkan dari proses data mining yang telah dilakukan, berdasarkan hasil tabel dan grafik yang dibahas pada penjelasan sebelumnya. Dari seluruh data penjualan produk yang sering terjual pada produk dapat dilihat dari tabel pada atribut store name yaitu Erafon Megastore. Sedangkan type hp yaitu type D335 yang paling di minati oleh konsumen. Berikut adalah grafik Cluster dari setiap atribut. Gambar 4.8 Classes to Clusters Store Name Gambar 4.8 menampilkan pengelompokan clustering yang terdiri dari 2 iterasi, bertujuan untuk menunjukkan proses iterasi dan class pada cluster dengan jumlah record pada store name.. Gambar 4.9 Grafik Cluster Gambar 4.9 menampilkan grafik cluster yang terdiri dari beberapa atribut yang telah di-cluster pada tools yang terdapat pada WEKA, bertujuan untuk menunjukkan peng-clusteran dalam sebuah data dengan jumlah record yang ada. 9

10 5. SIMPULAN DAN SARAN 5.1 Kesimpulan Setelah melalui tahap-tahap proses analisis data dan penerapan data mining dengan menggunakan aplikasi Weka maka dapat diambil kesimpulan sebagai berikut: 1. Penerapan data mining dengan teknik clustering dan algorima K-Means yang telah dilakukan menghasilkan sebuah informasi mengenai data prediksi pengelompokan minat konsumen terhadap produk LG Mobile Palembang. 2. Informasi mengenai data penjualan yang dihasilkan dari penerapan data mining yang dilakukan. 3. Semakin kecil batasan nilai data transaksi penjualan yang ditentukan maka semakin sedikit pula pola/aturan yang dapat dihasilkan dan waktu yang diperlukan lebih sedikit. 4. Store yang paling banyak melakukan penjualan produk LG dari hasil analisa data mining adalah Erafon Megastore dan produk yang sering diminati konsumen adalah jenis tipe hape D335 yaitu LG Bello Saran Berdasarkan kesimpulan yang telah diuraikan di atas, maka ada beberapa saran perlu disampaikan sebagai berikut : 1. Pada penelitian selanjutnya dapat mencoba menggunakan dataset yang berbeda dan dengan jumlah data yang lebih besar lagi sehingga prediksi pengelompokan minat konsumen terhadap produk yang dihasilkan lebih akurat. 2. Pada penelitian yang akan dating, dapat menggunakan teknik data mining dan algoritma lainnya ataupun juga menggabungkan menjadi dua teknik data mining sehingga akan menghasilkan hasil yang variatif dan tentunya bernilai informasi yang tinggi. 3. Penelitian ini disarankan dapat menjadi bahan referensi yang dipergunakan dan dikembangkan untuk penenlitian selanjutnya. DAFTAR RUJUKAN Anamida Weka, 0/WEKA, diakses tgl 12 Juni Fandy Tjiptono,2008, Strategi Bisnis Pemasaran. Andi. Yogyakarta. Kusrini & Luthfi Algoritma Data Mining. Yogyakarta: Andi Offset. Kotler, Philip and Gary Armstrong Prinsip-prinsip Pemasaran. Edisi 10

11 12. Jilid 1. Jakarta: Erlangga. Larose Data Mining. Yogyakarta: Andi Offset. Pramudiono, I Apa itu Data Mining? Diakses tanggal 24 juli dari Santoso, Budi Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis, Graha Ilmu, Yogyakarta. Turban. dkk., 2005, Decision Support System and Intelligent System (Sistem Pendukung Keputusan dan Sistem Cerdas), Andi, Yogyakarta. 11