Analisa Customer Service System Menggunakan Metode Data Mining Dengan Algoritma FP-Growth (Studi Kasus Di PT Batamindo Investment Cakrawala)

Transkripsi

1 Analisa Customer Service System Menggunakan Metode Data Mining Dengan Algoritma FP-Growth (Studi Kasus Di PT Batamindo Investment Cakrawala) Hilda Herasmus STT Ibnu Sina; Jl.Teuku Umar Lubuk Baja; telp/fax : / Program Studi Teknik Informatika, STT Ibnu Sina, Batam hildaherasmus@gmail.com 37 Abstrak Banyaknya data permintaan pelanggan yang ditampung melalui sistim Customer Service Online System (CSOS) dalam melakukan pelayanan kepada rutin kepada pelanggan di Kawasan Industri Batamindo (KIB). Data tersebut dapat diolah lebih lanjut menjadi suatu informasi yang berguna bagi Manajemen dalam pengambilan keputusan. Dengan adanya data Mining diharapkan dapat membantu PT KIB dalam menggali informasi yang terkandung didalam suatu permintaan pelayanan menjadi sebuah pengetahuan (knowledge) yang baru. Association Rule, yaitu suatu prosedur dalam Market Analysis untuk mencari pengetahuan berupa hubungan kebiasaan pelanggan dalam meminta pelayanan berupa perbaikan gedung, informasi data dan konsultasi. Algoritma FP Growth merupakan algoritma yang sangat efisien dalam mencari frequent itemset dalam sebuah kumpulan data dengan membangkitkan struktur prefix-tree. Data yang diolah adalah data permintaan pelanggan dari tahun 2016 dengan jumlah data 264 permintaan. Kata kunci Pelayanan Pelanggan, data mining, association rule, algoritma fp-growth, fp-tree. 1. PENDAHULUAN Perkembangan teknologi pada saat ini telah mempengaruhi semua aktivitas manusia dan memberikan pengaruh positif terhadap produktifitas kerja disegala aspek kehidupan. Banyaknya persaingan dalam dunia bisnis khususnya industri penjualan menuntut para pengembang menemukan suatu strategi yang dapat meningkatkan penjualan dan pemasaran produk yang dijualnya (Dewi Kartika, 2013). Perkembangan dalam teknologi pengumpulan dan penyimpanan data serta pengolahan dengan dengan lebih cepat telah memudahkan organisasi untuk mengumpulkan sejumlah data berukuran besar sehingga menghasilkan informasi yang sangat berguna. Data Mining adalah suatu proses untuk memperoleh informasi penting yang sangat berguna dari informasi yang sebelumnya tidak diketahui dan pengetahuan yang diperoleh informasi yang berharga dan dapat dimengerti dari sebuah data (Yi Zeng et al, 2015). Algoritma Data Mining diketahui sebagai pengolah data yang dapat mengolah data dalam jumlah yang besar. Karena ketersediaan sejumlah besar data dan kebutuhan untuk mengubah data tersebut menjadi informasi yang berguna dan pengetahuan. Data Mining telah berkembang menjadi teknik yang paling banyak digunakan di masyarakat secara keseluruhan (Hamsathvani et al, 2014). Secara umum, teori FP-Growth telah digunakan dalam banyak aplikasi seperti medicine, pharmacology, business industry, banking, market research, engineering design, meteorology, vibration analysis dan bidang pekerjaan lainnya. Data Mining adalah suatu proses untuk mengevaluasi dari persepsi yang berbeda dan di simpulkan menjadi sebuah informasi yang berguna. Kumpulan dari informasi yang sangat berguna ini bisa digunakan untuk membuat strategi bisnis untuk meningkatkan keuntungan (Shivam Sidhu et al, 2014). Algoritma FP- Growth adalah bagian dari teknik asosiasi pada Data Mining. FP-Growth sendiri adalah salah satu alternatif Algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul (frequest itemset) dalam sekumpulan data (Ali Ikhwan et al, 2015). Jurnal Teknik Ibnu Sina (JT-IBSI)

2 38 Analisa Customer Service System Menggunakan Metode Data Mining Dengan Algoritma FP-Growth (Studi Kasus Di PT Batamindo Investment Cakrawala) 2. METODE PENELITIAN 2.1 Knowledge Discovery in Database (KDD) Knowledge Discovery in Database (KDD) adalah proses menentukan informasi yang berguna serta pola-pola yang ada dalam data. Data Mining merupakan salah satu langkah dari serangkaian proses iterative KDD. Tahapan proses KDD dapat dilihat pada gambar 2.1(Ali Ikhwan et al, 2015). Gambar 1. Tahapan proses KDD Awalnya Data Mining juga dikenal dengan nama Knowledge Discovery in Database (KDD). Knowledge Discovery in Databases adalah proses mencari dan mengidentifikasi pola (pattern) dalam database. Pola yang ditemukan bersifat valid, potentially useful (sangat nyata digunakan) dan ultimately understandable (bisa digunakan dengan segala aspek) Data Mining adalah ekstraksi informasi atau pola penting atau menarik dari data yang ada di database yang besar (Abdullah Saad Almalaise Alghamdi, 2011). Menurut Rizka NA (2011), Proses KDD secara garis besar terdiri dari: 1. Data Selection Pada proses ini dilakukan pemilihan himpunan data, menciptakan himpunan data target, atau memfokuskan pada subset variable (sampel data) dimana penemuan (discovery) akan dilakukan. Hasil seleksi disimpan dalam suatu berkas yang terpisah dari basis data operasional. 2. Pre-Processing dan Cleaning Data Pre-Processing dan Cleaning Data dilakukan membuang data yang tidak konsisten dan noise, duplikasi data, memperbaiki kesalahan data, dan bisa diperkaya dengan data eksternal yang relevan. 3. Transformation Proses ini mentransformasikan atau menggabungkan data ke dalam yang lebih tepat untuk melakukan proses mining dengan cara melakukan peringkasan (agregasi) 4. Data Mining Proses Data Mining yyaitu proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik, metode atau algoritma tertentu sesuai dengan tujuan dari proses KDD secara keseluruhan 5. Interpretation / Evaluasi Proses untuk menerjemahkan pola-pola yang dihasilkan dari Data Mining. Mengevaluasi (menguji) apakah pola atau informasi yang ditemukan bersesuaian atau bertentangan dengan fakta atau hipotesa sebelumnya. Pengetahuan yang diperoleh dari pola-pola yang terbentuk dipresentasikan dalam bentuk visualisasi Data Mining Istilah Data Mining dan KDD sering kali digunakan secara bersamaan untuk menjelaskan proses pencarian Knowledge yang tersembunyi di dalam Database. Sebenarnya, kedua istilah tersebut memiliki konsep yang berbeda akan tetapi berkaitan satu sama lainnya. Dan, salah satu tahapan dalam keseluruhan proses KDD adalah Data Mining.

3 Herasmus 39 Perkembangan Data Mining (DM) yang pesat tidak dapat lepas dari perkembangan teknologi informasi yang memungkinkan data dalam jumlah besar terakumulasi (Kavitha. M dan Tamil Selvi ST, 2016). Menarik untuk diingat bahwa kata Mining sendiri berarti usaha mendapatkan sedikit barang berharga dari sejumlah besar material dasar. Dari definisi-definisi itu, dapat dilihat ada beberapa faktor yang mendefinisikan Data Mining : 1. Data Mining adalah proses otomatis terhadap data yang dikumpulkan di masa lalu. 2. Data Mining memiliki objek berupa data yang berjumlah besar dan kompleks. 3. Data Mining memiliki untuk menemukan hubungan-hubungan atau pola-pola yang mungkin memberikan indikasi yang bermanfaat 4. Data Mining bukanlah suatu bidang yang sma sekali baru yang memiliki banyak aspek dan teknik dari bidang-bidang ilmu yang lainnya Tahapan dalam Data Mining Menurut Ali Ikhwan et al 2015), ada empat tahap yang dilalui dalam Data Mining antara lain: 1. Precise statement of the problem Sebelum mengakses perangkat lunak Data Mining, seorang analis harus memiliki kejelasan perihal pertanyaan apa yang akan ingin dijawabnya. Jika tidak ada formula yang tepat untuk problematika yang ada maka itu hanya akan membuang-buang waktu dan uang dalam membuat solusinya. 2. Initial Exploration Tahap ini dimulai dengan mempersiapkan data yang juga termasuk kedalam proses Data Mining Cleaning (misalnya : mengedentifikasi dan menyikirkan data yang dikodekan salah), transformasi data, memilih subset record, data set dan langkah awal dari seleksi proses. Mendeskripsikan dan memvisualisasikan data adalah kunci dari tahap ini. 3. Model building and validation Tahap ini melibatkan pertimbangan terhadap ragam permodelan dan memilih yang terbaik bagi performasi prediktif. 4. Deployment Memilih aplikasi yang tepat berikut permodelan untuk membuat (Generate) prediksi Pengelompokan Data Mining Menurut Rizka NA (2011), berdasarkan tugas yang dapat dilakukan, maka Data Mining dibagi menjadi beberapa Kelompok Proses, yaitu : 1. Kelompok Proses Deskripsi. Untuk melihat gambaran dari keadaan berdasarkan data yang tersedia. 2. Kelompok Proses Estimasi Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih kearah numerik daripada kearah kategori. Estimasi memberikan perkiraan terhadap informasi yang ada dan memberikan perkiraan ke depan berdasarkan informasi atau data yang telah ada. Model Estimasi yang dihasilkan dapat digunakan untuk kasus baru lainnya. 3. Kelompok Proses Prediksi Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam prediksi nilai dari hasil akan ada di masa mendatang. 4. Kelompok Proses Klasifikasi Dalam proses klasifikasi ditentukan oleh variabel kategori. Sebagai contoh, penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan tinggi, pendapatan sedang dan pendapatan rendah. 5. Kelompok Proses Pengklusteran Pengklusteran merupakan pengelompokan record, pengamatan atau memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan Jurnal Teknik Ibnu Sina (JT-IBSI), Sekolah Tinggi Teknik Ibnu sina Batam

4 40 Analisa Customer Service System Menggunakan Metode Data Mining Dengan Algoritma FP-Growth (Studi Kasus Di PT Batamindo Investment Cakrawala) 6. Kelompok Proses Asosiasi Proses Asosiasi adalah untuk menemukan atribut yang muncul dalam satu waktu. Di dalam proses Asosiasi ada terdapat analisis aosiasi yang disebut dengan pola Frequent Pattern Mining (Pola Frekuensi Tinggi). Penting atau tidaknya suatu aturan asosiasi dapat diketahui dari dua parameter yatiu support (nilai penunjang) yaitu berupa persentase kombinasi item tersebut dalam database dan nilai Confidence. 2.3 Tahapan Asosiasi Analisis Asosiasi dikenal juga sebagai salah satu teknik Data Mining yang menjadi dasar dari berbagai teknik Data Mining lainnya. Khususnya salah satu tahap dari analisis asosiasi yang disebut analisis pola frequensi tinggi (frequent pattern mining) menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien. Penting tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter, support (nilai penunjang) yaitu persentase. Kombinasi item tersebut dalam database dan confidence. Tahapan dalam analisa Asosiasi adalah sebagai berikut : 1. Data Preparation. Data cleaning dan preparation merupakan proses krusial yang memembutuhkan 80% usaha untuk merekayasa data. Proses preparation data terdiri dari tiga aspek, yakni: a. Melengkapkan data yang tidak lengkap (incomplete), yaitu data yang kekurangan nilai atribut atau hanya mengandung agregat data (contoh : address = " "). b. Membersihkan data Noise, yaitu data yang masih mengandung error dan outliers. c. Membersihkan data yang tidak konsisten (inconsistent), yaitu data yang mengandung discrepansi dalam code. 2. Proses Preparation dalam sistem Mining dapat memilih data yang relevan dan mengurangi data yang tidak berkualitas sehingga akan lebih efisien karena menghasilkan dataset yang lebih sedikit daripada dataset yang asli Algoritma FP-Growth FP-Growth adalah salah satu alternatif algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul (frequent itemset) dalam sebuah kumpulan data. FP-growth menggunakan pendekatan yang berbeda dari paradigma yang digunakan pada algoritma Apriori (Ali Ikhwan et al, 2015). FP-Growth adalah salah satu alternatif algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul (frequent item set) dalam sekumpulan data. Algoritma FP-Growth merupakan pengembangan dari algoritma Apriori. FP-Growth adalah metode yang sering itemset pertambangan tanpa Generasi calon. Ini membangun sebuah struktur data yang sangat padat (FP-tree) untuk kompres database transaksi asli Aplikasi Teknik Data Mining Aplikasi teknik Data Mining sendiri hanya merupakan salah satu bagian dari proses Data Mining. Ada beberapa teknik Data Mining yang sudah umum dipakai. Kita akan membahas lebih jauh mengenai teknik-teknik yang ada di sesi berikutnya. Perlu diperhatikan bahwa ada kalanya teknik-teknik Data Mining umum yang tersedia di pasar tidak mencukupi untuk melaksanakan Data Mining di bidang tertentu atau untuk data tertentu. Sebagai contoh akhir-akhir ini dikembangkan berbagai teknik Data Mining baru untuk penerapan di bidang bio informatika seperti analisa hasil microarray untuk mengidentifikasi DNA dan fungsi-fungsinya Pengumpulan Data Data penelitian ini dikumpulkan dari observasi, buku buku dan situs yang berhubungan dengan Data Mining khususnya untuk prediksi atau peramalan. Dalam hal ini penulis mengambil database pada perusahaan perbankan yang Go Public Indonesia. Sampel yang digunakan dalam penelitian ini adalah Permintan Pelanggan pada salah satu perusahaan Pengelola Kawasan

5 Herasmus 41 Industri yang memiliki kriteria tertentu. Metode pengambilan sampel yang digunakan adalah purposive sampling di mana pengambilan perusahaan sampel dilakukan berdasarkan kriteria yaitu: 1. Permintaan pelanggan yang ada di Kawasan Industri Batamindo tahun 2016, 2. Perusahaan bergerak dalam bidang Industri, 3. Data Permintaan dan Pelayanan Pelanggan dari setiap divisi. Data yang digunakan dalam penelitian ini yaitu data sekunder berupa laporan permintaan pelanggan tahunan yang didapat melalui Customer Service Online System tahun Analisa Masalah. Dari hasil studi literatur yang dilakukan dan data-data yang dikumpulkan, Selanjutnya dilakukan tahapan analisis. Pada tahap ini, dianalisa lebih mendalam tentang prediksi jumlah pelayanan yang diberikan kepada pelanggan Pengolahan Data dengan Algoritma Dari hasil pengumpulan data selanjutnya dilakukan analisis untuk menentukan variabelvariabel yang akan dijadikan input pada Software RapidMiner Studio 7.4. Dimana variablevariabel yang ada diolah sesuai jumlah permintaan dari setiap pelanggan Pengolahan Data dengan Software RapidMiner Studio 7.4 Pada tahap ini data diolah dan variabel yang sudah diperoleh akan diproses dengan menggunakan bantuan Software RapidMiner Studio 7.4. Data yang didapatkan berdasarkan permintaan pelanggan setiap hari, yang dikelompokan berdasarkan pelayanan yang disediakan oleh setiap bagian di perusahaan Evaluasi Akhir Pada tahap evaluasi akhir, hasil dari pengolahan data dengan bantuan Software RapidMiner Studio 7.4 untuk memperoleh nilai statistic yang akan dibandingkan dengan hasil prediksi yang selama ini dilakukan dengan sistem rata-rata (Mean). Sehingga kita dapat menarik suatu kesimpulan terhadap hasil prediksi mana yang lebih mendekati, atau errornya yang lebih kecil. Penelitian adalah pekerjaan ilmiah yang bermaksud mengungkapkan rahasia ilmu secara obyektif, dengan dibentengi bukti-bukti yang lengkap dan kokoh. Pengertian masalah penelitian yang dapat diangkat untuk diteliti secara ilmiah memiliki unsur-unsur sebagai berikut: a. Pendekatan ilmiah masalah penelitian harus tampak dan dirasakan sebagai suatu tantangan bagi peneliti untuk dipecahkan dengan mempergunakan keahlian atau kemampuan profesionalnya b. Masalah penelitian merupakan kondisi yang menunjukkan kesenjangan (gap) antara peristiwa atau keadaan nyata (das sain) dengan tolok ukur tertentu (das sollen) sebagai kondisi ideal atau seharusnya bagi peristiwa atau keadaan tertentu. c. Masalah penelitian adalah keraguan yang timbul terhadap suatu peristiwa atau keadaan tertentu berupa kesangsian tentang tingkat kebenarannya suatu peristiwa atau keadaan Untuk membantu peneliti muda dalam usaha mennyeleksi dan merumuskan masalah dan submasalah yang patut dibahas secara ilmiah d. Masalah penelitian sedapat mungkin menghasilkan sesuatu yang baru. e. Masalah penelitian harus dipilih yang dapat dihimpun datanya secara lengkap dan obyektif. f. Masalah penelitian tidak boleh terlalu luas, tetapi juga tidak boleh terlalu sempit. Di dalam melakukan penelitian untuk mendapatkan hasil yang maksimal, penulis mengikuti Metode Penelitian yang telah ditetapkan. Metodologi Penelitian ini dibuat untuk mengidentifikasi permasalahan, analisa permasalahan dan untuk mencari penyelesaian masalah di dalam strategi Pelayanan Pelanggan di Kawasan Industri Batamindo. Dalam Metodologi Penelitian ada urutan kerangka kerja yang harus diikuti. Urutan kerangka kerja ini merupakan gambaran dari langkah-langkah yang harus dilalui agar penelitian Jurnal Teknik Ibnu Sina (JT-IBSI), Sekolah Tinggi Teknik Ibnu sina Batam

6 42 Analisa Customer Service System Menggunakan Metode Data Mining Dengan Algoritma FP-Growth (Studi Kasus Di PT Batamindo Investment Cakrawala) bisa berjalan dengan baik. Ini sangat perlu ditetapkan supaya penelitian dapat dilakukan dengan terstruktur. Langkah yang akan dilakukan harus mencakup mulai dari mempelajari masalah sampai dengan adanya suatu sistem yang dapat dihasilkan sehingga masalah dapat teratasi. Maka di sini akan ditetapkan beberapa tahapan yang ada pada gambar 2 (Ali Ikhwan et al, 2015) Pengumpulan Data Analisa Data Analisa Sistem Perancangan Sistem Implementasi Sistem Pengujian Sistem Gambar 2. Kerangka kerja 3. HASIL DAN PEMBAHASAN 3.1 Pembentukan Frequent Pattern Tree (FP-Tree) Setelah item item frequent didapat yang memenuhi nilai support count maka pembangkitan FP Tree dapat dilakukan. data akan diolah secara manual sesuai dengan konsep data mining dengan menggunakan algoritma frequent pattern growth (FP Growth). Setelah data diurut dapat kita lanjut pada tahap pembangkitan FP Tree. Pembacaan TID 1 atau transaksi pertama, lalu dilanjutkan pembacaan TID 2 (transaksi kedua), dan dilanjutkan transaksi selaanjutnya hingga transaksi terakhir. Dengan menggunakan Frequent Pattern Growth maka dapat dilanjutkan dengan proses pembangkit FP Tree dari data permintaan pelanggan yang digunakan, pembacaan TID atau pembangkit FP Tree dapat dilihat dari penjalasan berikut : Pembacaan TID 1 Pada transaksi pertama atau TID 1 itemnya adalah { FA, DA, CA } yang kemudian membentuk lintasan FA, DA, CA. sehingga terbentuk lintasan -FA, DA, CA dengan support count awal 1, pembacaan TID 1 dapat dilihat pada gambar 3. lalu dilanjutkan dengan pembacaan TID 2. FA :1 DA:1 CA:1 Gambar 3. Hasil Pembentukan FP Tree Setelah Pembacaan TID 1

7 Herasmus 43 Pembacaan TID 2 Pada transaksi kedua atau TID 2 terdapat item {FA}, sehingga support count bertambah menjadi {FA:2, DA:1,CA:1). Pembacaan TID 2 dapat dilihat pada gambar 4. yang akan dilanjutkan pembacaan TID 3. FA :2 DA:1 DA:1 DA:2 DA:2 FA :1 CA:1 CA:2 CA:2 CA:1 TID 2 TID 3 TID 4 Gambar 4.Hasil Pembentukan FP Tree Setelah Pembacaan TID 2, TID 3 dan TID 4 Pembentukan TID 3 Pada transaksi ketiga atau TID 3 terdapat item {FA, DA, CA}, sehingga terjadi penambahan support count pada lintasan yang sudah ada menjadi {FA:3, DA:2, CA:2}, pembacaan TID 3 dapat dilihat pada gambar 4., yang akan dilanjutkan pembacaan TID 4. Pembacaan TID 4 Pada transaksi keempat atau TID 4 terdapat item {DA, FA, CA} yang kemudian menambah lintasan transaksi baru dengan support count {DA:1, FA:1, CA:1}, pembentukan FP-Tree dari TID 4 dapat dilihat pada gambar 4., yang akan dilanjutkan pembacaan TID 5 Pembacaan TID 5 Pada transaksi kelima atau TID 5 terdapat item {FA, DA, CA}, pembentukan FP Tree dari TID 5 terjadi penambahan support account menjadi {FA:4, DA:3, CA:3,, Pembacaan TID 5 dapat dilihat pada gambar 4.5, yang akan dilanjutkan pembacaan TID 6. FA :4 DA:1 FA :4 DA:2 FA :5 DA:2 DA:3 FA :1 DA:3 FA :2 FA :2 CA:3 CA:1 CA:3 CA:2 CA:4 CA:2 TID 5 TID 6 TID 7 Gambar 5. Hasil Pembentukan FP Tree Setelah Pembacaan TID 5, TID 6, dan TID 7 Pembacaan TID 6 Pada transaksi keenam atau TID 6 terdapat item {DA, FA, CA}, sehingga menambah support count pada simpul menjadi {DA:2, FA:2, CA:2}, pembentukan FP Tree dari TID 6 dapat dilihat pada gambar 5., yang akan dilanjutkan pembacaan TID 7. Pembacaan TID 7 Pada transaksi ketujuh atau TID 7 terdapat item {FA, DA, CA} sehingga terjadi penambahan support count pada simpul menjadi{fa:5,, CA:4}. Pembentukan FP Tree dari TID 7 dapat dilihat pada gambar 5., dilanjutkan pembacaan TID 8. Pembacaan TID 8 Pada transaksi kedelapan atau TID 8 terdapat item {DA, FA, CA}, sehingga terjadi penambahan support count pada simpul menjadi {DA:3, FA:2, CA:2} pembentukan FP Tree dari TID 8 dapat dilihat pada gambar 6. Jurnal Teknik Ibnu Sina (JT-IBSI), Sekolah Tinggi Teknik Ibnu sina Batam

8 44 Analisa Customer Service System Menggunakan Metode Data Mining Dengan Algoritma FP-Growth (Studi Kasus Di PT Batamindo Investment Cakrawala) Pembacaan TID 9 Pada transaksi kedelapan atau TID 9 itemnya adalah {DA, FA, CA} sehingga terjadi penambahan support count pada simpul menjadi {, FA:3, CA:3}, pembentukan FP Tree dari TID 9 dapat dilihat pada gambar 6. FA :5 DA:3 FA :5 FA :6 FA :2 DA:5 CA:4 CA:2 CA:4 CA:3 CA:5 CA:3 TID 8 TID 9 TID 10 Gambar 6. Hasil Pembentukan FP Tree Setelah Pembacaan TID 8, TID 9 dan TID 10 Pembacaan TID 10 Pada transaksi kedelapan atau TID 10 itemnya adalah {FA, DA, CA} yang menambah support count pada simpul menjadi {FA:6, DA:5, CA:5}, pembentukan FP Tree dari TID 10 dapat dilihat pada gambar 6. Ada 10 pembacaan TID dari hasil transaksi dengan terbentuknya 10 FP Tree. Setelah proses pembangkitan FP Tree ini, proses penerapan FP Growth dapat dilanjutkan Penerapan FP Growth Setelah dilakukan pembangunan FP Tree dari sekumpulan transaksi yang telah dilakukan, pada tahapan di atas maka dilanjutkan dengan tahap FP Growth untuk mencari frequent itemset yang memenuhi syarat. Langkah FP Growth ini sebanyak 3 langkah utama yaitu Conditional Pattern Base, pembangkitan Conditional FP Tree, dan pencarian Frequent Itemset Pembangkitan Conditional Pattern Base Setiap simpul dalam FP-Tree mengandung tiga informasi penting yaitu label item yang menginformasikan jenis item yang direpresentasikan simpul tersebut, support count yang merepresentasikan jumlah lintasan transaksi yang melalui simpul tersebut dan pointer penghubung yang menghubungkan simpul-simpul dengan label item sama antar lintasan yang ditandai dengan garis putus-putus. Tabel Header FP-Tree Kode Frekuensi Pointer FA 9 DA 9 CA 8 Gambar 7. Pembangkitan Conditional FP-Tree

9 Herasmus 45 Tabel 1. Conditional Pattern Base Item Conditional Pattern Base FA {} DA {FA:6} CA {(FA:6, DA:5, CA:5), (, FA:3)} Pembangkitan Conditional FP-Tree Setelah mencari frequent itemset untuk beberapa akhiran (Suffix). Untuk menentukan frequent itemset, maka perlu ditentukan terlebih dahulu lintasan yang berakhiran dengan Support Count terkecil. Pada tahap pembangkitan Conditional Pattern Base dilakukan melalui cabang pohon dengan Support Count terkecil, yaitu CA berturut-turut ditentukan juga yang berakhiran DA dan FA. Untuk membangkitkan Conditional FP-Tree, maka harus dibuang lintasan yang mengandung Suffix CA, DA dan FA. Hal ini akan dijelaskan dari gambar di bawah ini. FA :6 FA :6 FA :6 DA:5 DA:5 CA DA FA Gambar 8. Conditional FP Tree dengan Suffix CA, DA dan FA Pada Gambar 8. ini merupakan lintasan transaksi yang berakhiran CA, terlihat dengan pembacaan CA sebanyak 8 kali dari 2 lintasan, pada lintasan pertama CA melewati jalur FA, DA dan masuk ke CA, lintasan ke dua dari masuk DA, FA dan langsung masuk ke CA. Proses dalam membangkitkan Conditionall Pattern Base yang mengandung Suffix DA dapat dilihat juga pada gambar 8. Pada gambar 8. ini merupakan lintasan transaksi yang berakhiran DA, terlihat dengan pembacaan DA sebanyak 6 kali pada seluruh lintasan, dan melewati 2 jalur utama. Pada jalur pertama CA langsung masuk ke DA sebanyak 6 transaksi, lintasan kedua dari masuk ke DA sebanyak 1 transaksi. Proses dalam membangkitkan Conditionall Pattern Base yang mengandung Suffix FA dapat dilihat pada gambar 8. Pada gambar 8. ini merupakan lintasan transaksi yang berakhiran CA, terlihat dengan pembacaan DA sebanyak 9 kali pada dua lintasan, dan melewati 2 jalur utama. Pada lintasan pertama langsung masuk ke FA sebanyak 6 transaksi, dan ke dua dari masuk ke DA sebanyak 4 transaksi Pencarian Frequent Itemset Setelah memeriksa Frequent Itemset untuk akhiran (Suffix), maka dapatlah hasil secara keseluruhan yang terlihat dalam tabel 2. Suffix CA DA FA Tabel 2. Tabel Hasil Frequent Itemset Frequent set {CA}, {CA, DA}, {CA, FA}, {CA, DA, FA} {DA}, {DA, CA}, {DA,FA} {FA} Pencarian Association Rules dilakukan melalui dua tahap yaitu pencarian frequent itemset dan penyusutan rules. Penting tidaknya suatu Association Rules dapat diketahui dengan dua parameter, yaitu Support (nilai penunjang) dengan nilai Minimum Support 80 % dan Confidence (nilai kepastian) dengan Minimum Confidence 50 %. Support adalah ukuran yang menunjukan tingkat dominasi itemset dari keseluruhan transaksi. Jurnal Teknik Ibnu Sina (JT-IBSI), Sekolah Tinggi Teknik Ibnu sina Batam

10 46 Analisa Customer Service System Menggunakan Metode Data Mining Dengan Algoritma FP-Growth (Studi Kasus Di PT Batamindo Investment Cakrawala) Setelah didapat Frequent Itemset, selanjutnya membuat rules dengan cara menghitung confidence dari tiap kombinasi rule. Dari 18 itemset yang dihasilkan pada tabel 4.3 Itemset yang dihitung minimal berisi dua item dari semua rule yang dihasilkan jika A maka B, yang terdiri dari 12 subsets, yaitu : {CA, DA}, {CA, FA}, {CA, DA, FA}, {CA, FA, DA},{DA, CA}, {DA,FA}, {DA, CA, FA}, {CA, FA, CA}, {FA,CA}, {FA, DA}, {FA, CA, DA}, {FA, DA, CA}. Hanya kombinasi yang lebih besar atau sama dengan minimum confidence yang akan diambil atau strong association rule saja. Rumus untuk menghitung Support dan confidence menggunakan rumus: Jumlah Transaksi yang Mengandung Adan B Support(A, B) = x 100% Total Transaksi Jumlah Transaksi yang Mengandung A dan B Confidence(A B) = x 100% Jumlah Transaksi yang Mengandung A Perhitungan nilai Support setiap Association Rule yang dilalui, maka didapat hasil yang dapat dilihat pada tabel 3. Tabel 3. Perhitungan Nilai Support Setiap Association Rule No Jika Maka Support (% ) 1 CA DA 8/10 = 80 % 2 CA FA 8/10 = 80 % 3 CA DA,FA 8/10 = 80 % 4 DA CA 8/10 = 80 % 5 DA FA 8/10 = 80 % 6 DA FA, CA 8/10 = 80 % 7 DA,CA FA 8/10 = 80 % 8 FA CA 8/10 = 80 % 9 FA DA 8/10 = 80 % 10 FA CA, DA 8/10 = 80 % 11 FA DA, CA 8/10 = 80 % 12 FA, DA CA 8/10 = 80 % Adapun perhitungan nilai Confidence setiap association rule yang dilalui maka diperolehlah hasil secara ke seluruhan yang terlihat dalam tabel 4. Tabel. 4. Perhitungan Confidence Setiap Assosiation Rule No Jika Maka Confidence (%) 1 CA DA 8/8 = 100 % 2 CA FA 8/8 = 100 % 3 CA DA,FA 8/8 = 100 % 4 DA CA 8/9 = 89 % 5 DA FA 8/9 = 89 % 6 DA FA, CA 8/9 = 89 % 7 DA,CA FA 8/8 = 100 % 8 FA CA 8/9 = 89 % 9 FA DA 8/9 = 89 % 10 FA CA, DA 8/9 = 89 % 11 FA DA, CA 8/9 = 89 % 12 FA, DA CA 8/8 = 100 %

11 Herasmus 47 Setelah diketahui hasil Support dan Confidence, maka kita akan menggabungkan hasilnya seperti dapat kita lihat pada tabel 4. hasil dari evaluasi keseluruhan Association Rule yang didapat. Tabel 5. Hasil Evaluasi Rules No Jika Maka Support (% ) Confidence (%) 1 CA DA 80% 100% 2 CA FA 80% 100% 3 CA DA,FA 80% 100% 4 DA CA 80% 89% 5 DA FA 80% 89% 6 DA FA, CA 80% 89% 7 DA,CA FA 80% 100% 8 FA CA 80% 89% 9 FA DA 80% 89% 10 FA CA, DA 80% 89% 11 FA DA, CA 80% 89% 12 FA, DA CA 80% 100% 4. SIMPULAN Dari tahap-tahap yang telah dilakukan di atas, maka dapat diambil kesimpulan sebagai berikut: Rule 1 : If ada permintaan untuk perbaikan Commercial area then ada permintaan untuk Dormitory area dengan tingkat kepercayaan 100 % dan didukung oleh 80% dari data keseluruhan. Rule 2 : If ada permintaan untuk perbaikan di Commercial area then ada permintaan untuk Factory area dengan tingkat kepercayaan 100 % dan didukung oleh 80% dari data keseluruhan. Rule 3 : If ada permintaan untuk perbaikan di Commercial area then maka akan ada permintaan untuk Dormitory dan Factory area dengan tingkat kepercayaan 100 % dan didukung oleh 80% dari data keseluruhan. Rule 4 : If ada permintaan untuk perbaikan di Dormitory area then akan ada permintaan untuk Factory area dengan tingkat kepercayaan 89 % dan didukung oleh 80% dari data keseluruhan. Rule 5 : If ada permintaan untuk perbaikan di Dormitory area then ada permintaan untuk Factory area dengan tingkat kepercayaan 89 % dan didukung oleh 80% dari data keseluruhan. Rule 6 : If ada permintaan untuk perbaikan di Dormitory area then ada permintaan untuk Factory dan Comercial area dengan tingkat kepercayaan 89 % dan didukung oleh 80% dari data keseluruhan. Rule 7 : If ada permintaan untuk perbaikan di Dormitory dan Commercial area then ada permintaan untuk Factory area dengan tingkat kepercayaan 100% dan didukung oleh 80% dari data keseluruhan. Rule 8 : If ada permintaan untuk perbaikan di Factory area then ada permintaan untuk Comercial area dengan tingkat kepercayaan 89 % dan didukung oleh 80% dari data keseluruhan. Jurnal Teknik Ibnu Sina (JT-IBSI), Sekolah Tinggi Teknik Ibnu sina Batam

12 48 Analisa Customer Service System Menggunakan Metode Data Mining Dengan Algoritma FP-Growth (Studi Kasus Di PT Batamindo Investment Cakrawala) Rule 9 : If ada permintaan untuk perbaikan di Factory area then maka akan ada permintaan untuk Dormitory area dengan tingkat kepercayaan 89 % dan didukung oleh 80% dari data keseluruhan. Rule 10 : If ada permintaan untuk perbaikan di Factory area then maka akan ada permintaan untuk Dormitory dan Commercial area dengan tingkat kepercayaan 89 % dan didukung oleh 80% dari data keseluruhan. Rule 11 : If ada permintaan untuk perbaikan di Factory area then maka akan ada permintaan untuk Dormitory dan Comercial area dengan tingkat kepercayaan 100 % dan didukung oleh 80% dari data keseluruhan. Rule 12 : If ada permintaan untuk perbaikan di Factory dan Dormitory area then maka akan ada permintaan untuk Commercial Area dengan tingkat kepercayaan 100 % dan didukung oleh 80% dari data keseluruhan. Setelah diuraikan rule yang ada, dapat dibuktikan bahwa dengan menggunakan aplikasi Rapidminer 7.4 dapat dianalisa Permintaan Pelanggan pada PT Batamindo Investment Cakrawala dengan FP Growth. Dengan tingkat kepercayaan yang didapat dan didukung oleh persentase keseluruhan data, bisa diprediksi berapa jumlah permintaan pelanggan selanjutnya. DAFTAR PUSTAKA Dewi Kartika Pane, Implementasi Data Mining pada Penjualan Produk Elektronika dengan Algoritma Apriori (Studi Kasus: Kreditplus), Pelita Informatika Budi Dharma, Volume : IV, Nomor : 3, Agustus Yi Zheng et al, Research of Improved FP-Growth Algoritm in Association Rules Mining, Hindawi Publishing Corporation Scientific Programming Volume 2015, Article ID , 6 pages M.Hamsathvani et al, Survey on Infrequent Weighted Itemset Mining Using FP Growth, International Journal of Advanced Research in Electrical, Electronics and Instrumentation Engineering (An ISO 3297: 2007 Certified organization) Vol. 3, Issue 11, November Shivam Sidhu, FP Growth Algorithm Implementation, International Journal of Computer Applications ( ) Volume 93 No.8, May A.Arthi Priadharsni dan Dr. E. Ramaraj, Comparative Study of Revised FP Growth, Weighted Apriori and Fuzzy Apriori Algorithm, International Journal of Engineering Trends and Technology (IJETT) Volume 13 Number 6 Jul Wiem Taktak dan Yahya Slimani, MS-FP-Growth : A multi support version of FP-Growth Algoritma. International Jurnal of Hybrid Information Technology Vol. 7 No.3 (2014), pp dot.doi.org/ /ijhit Ali Ikhwan et al, Penerapan Data Mining dengan Algoritma FP-Growth untuk Mendukung Strategi Promosi Pendidikan (Studi Kasus Kampus STMIK Triguna Dharma), Magister Ilmu Komputer Universitas Putra Indonesia YPTK Padang, Program Studi Sistem Komputer, STMIK Triguna Dharma Sumbar. Abdullah Saad Almalaise Alghamdi, Efficient Implementation of FP Growth Algorithm-Data Mining on Medical Data, IJCSNS International Journal of Computer Science and Network Security, VOL.11 No.12, December 2011, Chairman of CIT Faculty of Computing and Information Technology King Abdulaziz University, Jeddah Kingdom of Saudi Arabia. Rizka Nurul Arifin, Implementasi Algoritma Frequent Pattern Growth (FG-Growth) menentukan asosiasi antar produk (study kasus Nadiamart) M.Kavitha and S.T.Tamil Selvi, Comparative Study on Apriori Algorithm and Fp Growth Algorithm with Pros and Cons, International Journal of Computer Science Trends and Technology (I JCS T) Volume 4 Issue 4, Jul - Aug 2016.

13 Herasmus 49 Goldie Gunadi dan Dana Indra Sensuse, Penerapan Metode Data Mining market Basket Analysis terhadap data penjualan produk buku dengan menggunakan Algoritma Apriori dan Frequent Pattern Growth (Fp-Growth) : Studi Kasus Percetakan PT. Gramedia M.Eka Septa Eljandi et al, Perancangan Data Warehouse dan penerapan Data Mining menggunakan Algoritma FP-Tree dan FP-Growth untuk penyusunan produk pada PT Zhulian Palembang Jurnal Teknik Ibnu Sina (JT-IBSI), Sekolah Tinggi Teknik Ibnu sina Batam