D-56. Keyword: Data mining, association rule, FP-Growth, cooperative, package. Oleh karena itu, untuk dapat mengatasi permasalahanpermasalah

Transkripsi

1 D-56 IMPLEMENTASI DATA MINING TERHADAP PENENTUAN PAKET HEMAT SEMBAKO DAN KEBUTUHAN HARIAN MENGGUNAKAN ATURAN ASSOCIATION RULE DI PRIMER KOPERASI KARTIKA BAJA CILEGON DENGAN ALGORITMA FP-GROWTH Shativa Sonrisa 1, Adam Mukharil Bachtiar 2 Universitas Komputer Indonesia Jalan Dipati Ukur No , Coblon, Bandun, Jawa Barat,Indonesia, shativasonrisa@mail.com 1, adammb@mail.com 2 Abstrak Primer Koperasi Kartika Baja adalah sebuah usaha perdaanan baran dan jasa di Kodim 0623 Cileon. Dalam sistem pelayanannya, Koperasi ini menerapkan konsep layaknya minimarket pada umumnya. Namun belakanan ini, pembelian sembako maupun kebutuhan harian lainnya tinkat penjualannya lebih tini dibandinkan penjualan baran lain di koperasi. Di sisi lain, pembeli inin membeli beberapa sembako dan kebutuhan harian sekalius denan hara yan lebih murah sedankan Primer Koperasi Kartika Baja kadan meneluarkan paket dan kadan tidak meneluarkan paket. Hal ini disebabkan karena saat Primer Koperasi Kartika Baja meneluarkan paket, paket tersebut tidak terlalu diminati oleh pembeli karena paket yan disediakan tidak terlalu menarik minat pembeli. Oleh karena itu, untuk dapat menatasi permasalahan tersebut, perlu dilakukannya implementasi data minin terhadap penentuan paket menunakan aturan association rule denan aloritma Fp-Growth. Aloritma Fp-Growth diunakan untuk menali informasi yan ada una memprediksi kombinasi baran yan dibeli secara bersamaan. Berdasarkan hasil penelitian, sistem yan dibanun dapat membantu koperasi denan memberikan informasi baran-baran yan dapat ditentukan sebaai bentuk paket. Kata Kunci Data Minin, association rule, FP-Growth, koperasi, paket. Abstract Primer Koperasi Kartika Baja is a business trade in oods and services in Kodim 0623 Cileon. In the service system, the Cooperative is to apply concepts like minimarket in eneral. But lately, buyin roceries and other daily needs hiher sales rate than sales of other oods in the cooperative. On the other hand, the buyer wants to buy some basic needs and daily needs at once with a cheaper price, while the Primer Koperasi Kartika Baja sometimes issued a packae and sometimes does not issue the packae. This is because when the Primer Koperasi Kartika Baja issued a packae, the packae is not very attractive to buyers because the packae provided does not particularly interest buyers. Therefore, in order to overcome these problems, it needs to be an implementation of data minin to determine effective packae usin the rules of association rule with Fp-Growth alorithm. Fp- Growth alorithm used to di up the information in the sales transaction data in order to predict which combinations of the most frequently purchased items at the same time and prize that demand by buyers. Based on the research results, a system built can help the cooperative by providin information items that can be defined as a form of packae. Keyword: Data minin, association rule, FP-Growth, cooperative, packae I. PENDAHULUAN Dalam sistem pelayanannya, Koperasi ini menerapkan konsep layaknya minimarket pada umumnya. Namun, pembeli inin membeli beberapa sembako dan kebutuhan harian sekalius denan hara yan lebih murah sedankan Primer Koperasi Kartika Baja kadan meneluarkan paket dan kadan tidak meneluarkan paket.hal ini disebabkan karena saat Primer Koperasi Kartika Baja meneluarkan paket, paket tersebut tidak terlalu diminati oleh pembeli karena paket yan disediakan tidak terlalu menarik minat pembeli. Oleh karena itu, untuk dapat menatasi permasalahanpermasalah tersebut, perlu dilakukannya suatu Implementasi data minin terhadap penentuan paket hemat sembako dan kebutuhan harian menunakan aturan association rule di Primer Koperasi Kartika Baja Cileon denan aloritma Fp- Growth. Karena data minin dapat membantu kita melihat baran mana yan memiliki keterkaitan satu sama lain.

2 D-57 I. DASAR TEORI Berikut ini akan dijelaskan dasar-dasar teori yan diunakan dalam penelitian ini. 2.1 Data Minin Data minin serin jua disebut knowlede discovery in database (KDD), adalah keiatan yan meliputi penumpulan, pemakaian data historis untuk menemukan keteraturan, pola atau hubunan dalam set data berukuran besar. Keluaran dari data minin ini bisa dipakai untuk memperbaiki penambilan keputusan di masa depan. Sehina istilah pattern reconition sekaran jaran diunakan karena ia temasuk baian dari data minin [1]. Berikut adalah lankah-lankah dalam data minin, bisa dilihat seperti pada Gambar 1 [1]: Support = P (A B) = (1) b. Confident: Confident dihasilkan dari seberapa kuat hubunan produk yan sudah dibeli. Confident dapat dirumuskan sebaai berikut [2]: Confidence = P (B / A) = (2) 2.3 FP-Growth Aloritma yan sama denan apriori, Fp-Growth mulai denan menhitun item tunal sesuai denan jumlah kemunculan item yan ada di dalam dataset. Setelah proses perhitunan selesai maka akan dibuat struktur pohon pada tahap kedua. Pohon yan dibuat mulanya koson yan nantinya akan diisi denan hasil dari dataset yan telah didapat sebelumnya. Kunci untuk mendapatkan struktur pohon yan bisa didapatkan denan proses lebih cepat untuk mencari item set yan besar menjadi sedikit denan diurutkan secara descendin dari frekuensi yan ada di dalam dataset tersebut [3]. Gambar 1. Konsep Data Minin 2.2 Association Rule Aturan asosiasi (Association rules) atau analisis afinitas (affinity analysis) berkenaan denan studi tentan apa bersama apa. Ini bisa berupa studi transaksi di supermarket, misalnya seseorran yan membeli susu bayi jua membeli sabun mandi. Di sini berarti susu bayi bersama denan sabun mandi. Karena awalnya berasal dari studi tentan database transaksi pelanan untuk menentukan kebiasaan suatu produk dibeli bersama produk apa, maka aturan asosiasi jua serin dinamakan market basket analysis [1]. Umumnya ada dua ukuran yaitu [2]: a. Support: suatu ukuran yan menunjukan seberapa besar tinkat dominasi suatu item/itemset dari keseluruhan transaksi. Support merupakan matrik pertama yan ditetapkan dalam analisis keranjan pasar, yan merupakan probabilitas dari asosiasi. Support dapat dirumuskan sebaai berikut [2]: II. PEMBAHASAN 3.1 Business Understandin Pemahaman bisnis ini merupakan tahap pertama dalam CRISP-DM. Di dalamnya terdapat beberapa tahap lai yan meliputi: a. Penentuan tujuan bisnis Primer Koperasi Kartika Baja dalam proses bisnisnya memiliki tujuan bisnis yaitu dapat mensejahterakan dan memenuhi setiap kebutuhan para pembelinya. b. Menilai situasi Pada tahapan ini, dapat dilihat apakah situasi di Primer Koperasi Kartika Baja memunkinkan untuk menentukan paket sembako dan kebutuhan harian menunakan aplikasi yan telah dibuat. Berikut ini adalah spesifikasi perankat keras yan ada di Primkop Kartika Baja, dapat dilihat pada tabel 1: Tabel 1. Spesifikasi Perankat Keras No Perankat Keras Spesifikasi 1 Monitor LCD 14 2 Processor Intel Dual Core 2.93 GHz 3 RAM 1 GB 4 Harddisk 250 GB 5 VGA 512 MB c. Penentuan sasaran data minin Tujuan dari penetapan data minin dalam penentuan paket sembako dan kebutuhan harian adalah membantu KOMURNIKKOP dalam menentukan paket yan dapat menarik minat pembeli.

3 D Data Understandin Untuk memahami data, ada beberapa tahapan yan harus dilakukan diantaranya sebaai berikut: a. Menumpulkan data awal Data dalam penelitian ini adalah sample data transaksi penjualan di Primkop Kartika Baja yan berasal dari nota transaksi penjualan yan dimasukan ke dalam file berbentuk Microsoft excel (.xlsx). Hara_satuan Jumlah dibeli Hara satuan masinmasin baran Jumlah keseluruhan hara baran 3.3 Data Preparation Sebelum diproses, ada beberapa tahapan untuk mempersiapkan data, diantaranya: a. Cleanin data Dalam tahap pembersihan data ini, data yan memiliki jenis selain SEMBAKO, MKN, MNM, dan ROKOK dan yan menandun paket akan dihapus serta data transaksi yan hanya memiliki data tunal jua akan dihapus sebab data tunal tidak perlu diunakan dalam proses selanjutnya karena dapat dilihat bahwa data tunal tidak memiliki hubunan atau keterkaitan denan antar baran lainnya. b. Pemilihan atribut Atribut yan akan dipakai hanya no_transaksi dan kode_baran. No_transaksi di sini berfunsi untuk menunjukkan urutan transaksi sekalius sebaai pembeda antar transaksi. Sedankan kode_baran berfunsi sebaai identitas masin-masin baran yan telah dibeli oleh pembeli. 3.4 Modellin Dalam proses ini, untuk melihat banyaknya variasi data yan diperoleh, nilai minimum support yan akan diunakan adalah yan bernilai 2. Jika hasil dari minimum support bilanan decimal, maka harus dibulatkan ke atas. Hasil dari perhitunan support count bisa dilihat dalam Tabel 2 berikut: Tabel 2 Support Count b. Menjelaskan data Data transaksi awal diambil dari nota penjualan yan terddapat di Primkop Kartika Baja yan telah dipindahkan dalam file Microsoft Excel (.xlsx). Keteranan Funsi Untuk menetahui baran yan serin dibeli oleh pembeli Forma Microsoft Excel (.xlsx) t Atribu No_transaksi Urutan penjualan t Nama_baran Nama baran yan dibeli Kode_baran Kode tiap-tiap baran Jenis Jenis tiap-tiap baran Qty Jumlah baran ya Kode_Baran Support Count 7 SM-55 8 MK SM-57 5 SM SM MN Lalu hapus Kode_Baran yan support count-nya tidak memenuhi nilai yan telah ditentukan, seperti pada Tabel 3: Tabel 3 Baran yan memenuhi nilai minimum support Kode_Baran Support Count 7 SM-55 8

4 D-59 MK SM-57 5 SM SM Setelah itu, urutkan kode baran sesuai nilai priority-nya, dapat dilihat pada Tabel 4: Tabel 4 Penurutan sesuai nilai priority Kode_Baran Support Priority Count SM SM SM MK SM Data transaksi yan menandun baran yan telah memenuhi minimum support dan priority-nya diurutkan sesuai nomor transaksinya, seperti pada Tabel 5: Tabel 5 Data yan memenuhi minimum support dan priority No. Transaksi Kode Baran 5001 SM SM MK SM SM SM SM SM SM SM SM SM SM SM SM SM SM MK SM SM SM SM SM FP-Tree Berikut ini adalah pembuatan FP-Tree data transaksi penjualan Primkop Kartika Baja: 1) FP-Tree untuk No_Transaksi 5001: SM-55,, SM-57, MK-161. FP-Tree yan dihasilkan bisa dilihat pada ambar 2: Gambar 2 FP-Tree No_Transaksi ) FP-Tree untuk No_Transaksi 5002: SM-55, SM-57. FP- Tree yan dihasilkan bisa dilihat pada ambar 3: Gambar 3 FP-Tree No_Transaksi 5002 Pembuatan FP-Tree dilakukan hina no transaksi terakhir dan didapatkan FP-Tree akhir seperti pada ambar 4:

5 D-60 MK-161 SM-57 SM-141 {SM-55:2, :2} {SM-55:4, :3} {SM-55:4, :2} {:2} {SM-55:5} c. Tahap pembankitan frequent pattern enerate Pada tahap ini, akan menentukan frequent pattern enerate dari conditional FP-Tree yan telah ada. Hasil setiap conditional FP-Tree dapat dilihat pada tabel 8: Tabel 8 Frequent Pattern Generate Gambar 4 Hasil akhir FP-Tree Setelah membuat FP-Tree data transaksi yan ada, maka akan diterapkan aloritma FP-Growth untuk mencari frequent itemset yan sinifikan. Berikut adalah lankahlankah utama dalam aloritma FP-Growth: a. Tahap pembankitan conditional pattern base Pembankitan ini didapatkan melalui hasil FP-Tree seluruhnya, denan mencari support count terkecil sesuai denan penurutan priority dan telah didapat yaitu: SM- 336, MK-161, SM-57, MK-141,, SM-55. Hasil conditional pattern base dapat dilihat pada Tabel 6: Kode_Baran SM-336 MK-161 SM-57 SM-141 Tabel 6 Conditional Pattern Base {SM-55: 3} Conditional Pattern Base {SM-55,,SM-141: 1}, {SM-55, SM-141:1} {SM-55,, SM-57: 1}, {SM-55,, SM-141:1} {SM-55, : 3}, {SM-55: 1}, {, SM-141: 1} {SM-55, : 2}, {SM-55: 2}, {: 2} b. Tahap pembankitan conditional FP-Tree Pada tahap ini, akan dibuat tree untuk masin-masin kode baran, lalu setiap kode baran yan support countnya lebih atau sama denan minimum support akan dibankitkan denan conditional FP-Tree. Setelah mendapatkan hasil conditional FP-Tree dari setiap frequent itemset.,dapat dilihat hasilnya pada tabel 7: Tabel 7 Conditional FP-Tree Kode_Baran Conditional FP-Tree SM-336 {SM-55: 2} Kode_Baran SM-336 MK-161 SM-57 SM-141 Frequent Pattern Generate {SM-336, SM-55:2} {MK-161, SM-55:2}, {MK-161, :2}, {MK-161, SM-55, :2} {SM-57, SM-55:4}, {SM-57, SM- 227:3}, {SM-57, SM-55, SM- 227:3} {SM-141. SM-55:4}, {SM-141, :4}, {SM-141, SM-55, SM- 227:2} {, SM-55:5} Dari hasil frequent itemset yan didapat pada tabel 8 di atas, akan di enerate untuk mendapatkan rule denan minimum support 2 dan minimum confidence 60% denan masin-masin itemset dikombinasikan denan itemset lain. Berikut hasil perhitunan minimum confidence, dapat dilihat pada tabel 9: Tabel 9 Rule yan memenuhi minimum confidence Rule Minimum Confidence SM-336 SM-55 (2/2)*100% = 100% MK-161 SM-55 (2/2)*100% = 100% MK-161 (2/2)*100% = 100% MK-161 SM-55, (2/2)*100% = 100% SM-57 SM-55 (4/5)*100% = 80% SM-57 (3/5)*100% = 60% SM-57 SM-55, (3/5)*100% = 60% SM-141 SM-55 (4/6)*100% = 66% SM-141 (4/6)*100% = 66% SM-141 SM-55, (2/6)*100% = 33% SM-55 (5/7)*100% = 71% Berdasarkan tabel stok baran yan ada, maka kode baran yan didapat harus dikonversi menjadi nama baran seperti yan ada pada tabel 10:

6 D-61 Tabel 10 Tabel Konversi Kode_Baran Nama_Baran Hara SM-336 SEGITIGA BIRU Rp MK-161 INDOMIE Rp GORENG MACKEREL Rp SM-55 BERAS Rp SM-57 BIMOLI 1000ML Rp SM-141 GULA PUTIH Rp Sehina didapatkan hasil rules pemaketan produk seperti yan terdapat pada tabel 11: Tabel 11 Hasil rule untuk pemaketan produk Isi Rule SEGITIGA BIRU (1 PCS) BERAS (1 KARUNG) INDOMIE GORENG (1 PCS) BERAS (1 KARUNG) INDOMIE GORENG (1 PCS) INDOMIE GORENG (1 PCS) BERAS (1 KARUNG), BIMOLI 200ML (1 PCS) BERAS (1 KARUNG) BIMOLI 200ML (1 PCS) BIMOLI 200ML (1 PCS) BERAS (1 KARUNG), GULA PUTIH (1 KG) BERAS (1 KARUNG) GULA PUTIH (1 KG) BERAS (1 KARUNG) Hara Rp Rp Rp Rp Rp Rp Rp Rp Rp Rp Setelah mendapatkan hasil rules, maka lankah selajutnya adalah membuat pemaketan produk dari rules yan telah didapatkan. Pihak Primkop Kartika Baja sendiri memberi beberapa batasan untuk pembuatan paket, diantaranya: 1. Jumlah baran yan dipaketkan dalam satu paket adalah tia baran. 2. Jumlah setiap baran dalam suatu paket hanya berjumlah satu. 3. Jumlah hara setiap paket tidak lebih dari Rp ,- dan tidak kuran dari Rp ,- 4. Paket yan akan dibuat adalah dua paket. 5. Perantian paket dilakukan setiap dalam periode per bulan. Dari batasan yan ada, pemaketan yan terbentuk dapat dilihat di tabel 12: Tabel 12 Paket yan terbentuk Paket Isi Paket PAKET 1 1. INDOMIE GORENG (1 PCS) 2. BERAS (1 KARUNG) 3. Total Hara Rp PAKET 2 1. BIMOLI 200ML (1 PCS) 2. BERAS (1 KARUNG) 3. Total Hara Rp II. HASIL PENGUJIAN Hasil perhitunan rule yan ada di aplikasi dapat dilihat pada Gambar 5: Gambar 5 Hasil Perhitunan Proram Lalu hasil rule dikonversi aar nama baran dan hara paket muncul. Seperti yan dapat dilihat pada hasil paket yan ada di proram pada Gambar 6:

7 D-62 Candidate Generation, Netherlands: Kluwer Academic Publishers, Gambar 6 Hasil Paket Perhitunan Proram III. PENUTUP Berdasarkan hasil yan telah didapat dari implementasi dan penujian sistem data minin yan dibanun menunakan metode association rule dan aloritma FP-Growth, maka didapat kesimpulan sebaai berikut: 1. Aplikasi yan dibanun dapat membantu pihak Primer Koperasi Kartika Baja denan memberikan informasi baran-baran yan dapat ditentukan sebaai bentuk paket. 2. Aplikasi dapat memberikan pertimbanan perekomendasian hara pada aturan pemaketan untuk stratei penjualan berikutnya. Sedankan beberapa saran yan dapat disarankan untuk penembanan lebih lanjut, diantaranya: 1. Dalam menentukan frequent pattern bisa dibandinkan denan aloritma lain aar bisa dijadikan pacuan aloritma mana yan lebih efektif dalam menentukan frequent pattern. UCAPAN TERIMA KASIH Dalam pembuatan paper, penulis banyak dibantu oleh berbaai pihak sehina dapat menyelesaikan paper ini, untuk itu penulis menucap terima kasih untuk 1. Ahmad Sopian, S.Kom yan telah memberi banyak masukan 2. Teman-teman dari Teknik Informatika Unikom REFERENSI [1] B. Santosa, Data Minnin, dalam Teknik Pemanfaat Data Untuk Keperluan Bisnis, Yoyakarta, Graha Ilmu, [2] W. A. Triyanto, V. Suhartono dan H. H., Analisis Keranjan Pasar Menunakan K-Medoids dan FP-Growth, Jurnal Psedocode.ISSN , vol. 2, [3] J. Han, J. Pei, Y. Yin dan R. Mao, Minin Frequent Pattern without