ABSTRAKSI Seiring dengan perkembangan teknologi, semakin berkembang pula kemampuan dalam mengumpulkan dan mengolah data. Oleh karena itu diperlukan se

Transkripsi

1 APPLICATIONS USING DATA MINING ASSOCIATION RULES WITH PRIORI METHOD FOR ANALYSIS OF DATA ON THE MARKET BASKET PHARMACY SALES TRANSACTIONS Leni Meiwati Undergraduate Program, Information Systems Gunadarma University Keyword: market basket analysis, association rule, apriori, java ABSTRACT Along with technological development, growing also in the ability to collect and process data. Therefore we need an application that is able to pick and choose the data that large, so as to obtain useful information. Application of data mining in business management, production control, and market analysis for example, allows obtaining the relationship that can be used to increase sales, or management of resources better. One technique used in data mining is market basket analysis techniques. This technique aims to discover patterns of products are often purchased together or tend to appear together in a transaction. This research aims to create a apikasi data mining using association rules with a priori method as market basket analysis techniques. The data is taken as an example the case of sales transaction data in the pharmacy sector in Perumnas 1. The results of association rules obtained in the form of a combination of drugs that are often purchased by consumers. From these results expected to assist pharmacy management to design a marketing strategy in apoteknya drug. Search this association using Java software and storage media supported by Microsoft Access database that could facilitate users of the aplication. 1

2 ABSTRAKSI Seiring dengan perkembangan teknologi, semakin berkembang pula kemampuan dalam mengumpulkan dan mengolah data. Oleh karena itu diperlukan sebuah aplikasi yang mampu memilah dan memilih data yang besar, sehingga dapat diperoleh informasi yang berguna. Aplikasi data mining pada pengelolaan bisnis, pengendalian produksi, dan analisa pasar misalnya, memungkinkan diperolehnya hubungan yang dapat dimanfaatkan untuk peningkatan penjualan, atau pengelolaan sumber daya dengan lebih baik. Salah satu teknik data mining yang digunakan adalah teknik analisis keranjang pasar. Teknik ini bertujuan untuk menemukan pola berupa produk-produk yang sering dibeli bersamaan atau cenderung muncul bersama dalam sebuah transaksi. Penelitian ini bertujuan untuk membuat sebuah apikasi data mining menggunakan aturan asosiasi dengan metode apriori sebagai teknik analisis keranjang pasarnya. Data yang diambil sebagai contoh kasus adalah data transaksi penjualan disuatu apotek di Perumnas 1. Hasil dari aturan asosiasi yang didapat yaitu berupa kombinasi dari jenis obat yang sering dibeli oleh konsumen. Dari hasil tersebut diharapkan dapat membantu manajemen apotek untuk merancang strategi pemasaran obat di apoteknya. Pencarian asosiasi ini menggunakan perangkat lunak Java dan didukung oleh media penyimpanan database Microsoft Access yang dapat memudahkan pengguna aplikasi. Kata kunci : analisis keranjang pasar,aturan asosiasi, apriori, java. 1. Pendahuluan Latar Belakang Seiring dengan perkembangan teknologi, semakin berkembang pula kemampuan dalam mengumpulkan dan mengolah data. Oleh karena itu diperlukan sebuah aplikasi yang mampu memilah dan memilih data yang besar, sehingga dapat diperoleh informasi yang berguna bagi penggunanya. Aplikasi data mining pada pengelolaan bisnis, pengendalian produksi, dan analisa pasar misalnya, memungkinkan diperolehnya hubungan yang dapat dimanfaatkan untuk peningkatan penjualan, atau pengelolaan sumber daya dengan lebih baik. Banyaknya persaingan dunia bisnis khususnya dalam industri apotek, menuntut para pengembang untuk menemukan suatu strategi yang dapat meningkatkan penjualan. Untuk meningkatkan penjualan produkproduknya, pihak manajemen dari apotek harus melakukan berbagai kebijkankebijakan dengan tujuan menarik para konsumen untuk membeli di apotek 2

3 mereka. Namun untuk melakukan kebijakan tersebut pihak manajemen harus mengetahui terlebih dahulu tentang kebiasaan para konsumen. Untuk mengetahui obat-obat apa saja yang dibeli oleh para konsumen dapat dilakukan dengan menggunakan analisis keranjang pasar yaitu analisis dari kebiasaan membeli konsumen. Pendeteksian mengenai obat-obat yang sering terbeli secara bersamaan disebut association rules (aturan asosiasi). Proses pencarian asosiasi ini menggunakan algoritma apriori, yang berfungsi untuk membentuk kandidat kombinasi item yang mungkin, lalu diuji apakah kombinasi tersebut memenuhi parameter support dan confidence minimum yang merupakan nilai ambang yang diberikan oleh user. Pada penelitian ini, akan dibuat sebuah aplikasi untuk mengelompokkan serta mencari pola dari sebuah produk yang sering muncul bersamaan atau cenderung muncul bersama dalam suatu transaksi yang pada umumnya berjumlah besar menggunakan aplikasi data mining dengan teknik analisa keranjang pasar. Pencarian asosiasi ini menggunakan perangkat lunak Java dan didukung oleh media penyimpanan database Microsoft Access yang dapat memudahkan pengguna aplikasi. Tujuan Penelitian Tujuan dari penelitian ini yaitu membuat aplikasi data mining serta menganalisis hasil yang didapat untuk mengetahui aturan asosiasi berupa kombinasi dari jenis obat yang sering dibeli oleh konsumen pada suatu apotek. Dengan aturan asosiasi ini diharapkan dapat membantu manajemen apotek mengetahui kebiasaan membeli konsumen untuk merancang strategi pemasaran di apoteknya. Metode Penelitian Data penelitian diperoleh dari suatu apotek di Perumnas 1 dengan mengumpulkan data transaksi penjualan resep obat selama dua bulan yaitu bulan Maret dan April. Data tersebut berupa data jenis obat yang terdiri dari 31 jenis obat dan 554 buah nama obat beserta kode obatnya. Obat yang ada pada data transaksi dikelompokkan berdasarkan jenis obat. Proses ini dilakukan karena obat-obat pada data transaksi penjualan yang sangat beragam sehingga menjadikannya lebih khusus sesuai dengan kategorinya yaitu jenis obat. Data diproses dengan menggunakan konsep analisis keranjang pasar dengan algoritma apriori untuk mendapatkan aturan asosiasi. Pencarian aturan asosiasi dimulai dengan penginputan data menggunakan Microsoft Access, pengolahan data dengan algoritma menggunakan perangkat lunak Java 3

4 No Trx Jenis Obat 1 {antibiotik, ekspektoran} mendapatkan aturan asosiasi dari kombinasi barang yang ada. 2 {antibiotik, vitamin&mineral, hemostatik, psikofarmaka} 3 {ekspektoran, vitamin&mineral, hemostatik} 4 {antibiotik, ekspektoran, vitamin&mineral, hemostatik} 5 {antibiotik, ekspektoran, vitamin&mineral} 6 {antibiotik, ekspektoran, psikofarmaka} 7 { psikofarmaka } sehingga diperoleh asosiasi antar item dari suatu basis data transaksi yang memenuhi minimum support dan confidence yang diberikan user. 2. Tinjauan Pustaka Analisis Keranjang Belanja (Market Basket Analysis) Analisis keranjang belanja merupakan sebuah analisis terhadap kebiasaan berbelanja customer[4]. Analisis dilakukan dengan menemukan hubungan antara barang-barang yang telah dibeli. Proses analisis dilakukan dengan memasukkan data pembelian berupa barang-barang yang dibeli biasanya didapat dari nota pembelian. Data keranjang pasar analisis untuk Tabel 2.1 Contoh Transaksi Keranjang Pasar Analisis Asosiasi (Assocition Analysis) Analisis asosiasi adalah suatu prosedur dalam analisis keranjang pasar untuk menemukan aturan asosiasi yang memenuhi syarat minimum support dan minimum confidence. Support Count Support count adalah banyaknya itemset yang sama muncul secara bersamaan pada suatu data transaksi keranjang pasar. Secara umum, aturan asosiasi terdiri dari anteseden dan konsekuen (anteseden X konsekuen Y). Sebagai contoh dari aturan asosiasi adalah {ekspektoran, antibiotik} {vitamin&mineral}, dimana ekspektoran dan antibiotik disebut anteseden dan vitamin&mineral adalah konsekuen. Aturan Asosiasi (Association Rule) Aturan asosiasi[5] digunakan untuk menemukan hubungan antar barang dari suatu data yang disediakan. Aturan 4

5 asosiasi diolah dari yaitu n atribut (barang) {a 1, a 2,, a n } dan k transaksi (instance). Aturan asosiasi dinyatakan dengan (x y), dimana y {a 1, a 2,, a x }, y Ø, dan x y = Ø. Support Support adalah suatu ukuran yang menunjukkan seberapa besar tingkat dominasi suatu barang atau itemset dari keseluruhan transaksi[5]. Berikut adalah contoh perhitungan support dari salah satu transaksi yang diambil dari tabel 2.1. Support, s(x y) =, &, = = 0,3 Confidence Confidence adalah suatu ukuran yang menunjukkan hubungan kondisional antar dua barang (misal seberapa sering barang B dibeli jika orang yang membeli barang A). seluruhan transaksi. Berikut adalah contoh perhitungan confidence dari salah satu transaksi yang diambil dari tabel 2.1. Confidence, ć (x y) =, &, = = 0,67 Algoritma Apriori = = Algoritma apriori [3] adalah algoritma yang paling terkenal untuk menemukan pola frekuensi tinggi. Arti apriori secara umum adalah anggapan atau sikap yang sudah ditentukan sebelum (melihat,menyelidiki) terhadap sesuatu. Algoritma Apriori dibagi menjadi beberapa tahap yang disebut iterasi. 1. Pembentukan kandidat itemset, kandidat k-itemset dibentuk dari kombinasi (k-1)-itemset yang didapat dari iterasi sebelumnya. Satu ciri dari algoritma Apriori adalah adanya pemangkasan kandidat k-itemset yang subsetnya yang berisi k-1 item tidak termasuk dalam pola frekuensi tinggi dengan panjang k Perhitungan support dari tiap kandidat k-itemset. Support dari tiap kandidat k-itemset didapat dengan menscan database untuk menghitung jumlah transaksi yang memuat semua item di dalam kandidat k-itemset tersebut. Ini juga merupakan ciri dari algoritma apriori dimana diperlukan perhitungan dengan scan seluruh database sebanyak k-itemset terpanjang. 3. Tetapkan pola frekuensi tinggi. Pola frekuensi tinggi yang memuat k item atau k-itemset ditetapkan dari kandidat k-itemset yang 5

6 supportnya lebih besar dari minimum support. 4. Bila tidak didapat pola frekuensi tinggi maka seluruh proses dihentikan. Bila tidak, maka k tambah satu dan kembali ke bagian 1. Contoh dari penerapan algoritma Apriori dapat diilustrasikan seperti pada Gambar 2.1. Gambar 3.2 dan Gambar 3.3 beserta keterangan pada masing-masing gambar DFD tersebut. Perancangan Sistem Perancangan proses dari perangkat lunak ini menggunakan pendekatan fungsional yang direpresentasikan menggunakan Data Flow Diagram (DFD). DFD ini digunakan untuk menunjukkan secaraa fisik alur proses dan data pada perangkat lunak yang akan dibuat. Diagram aliran data ini menjelaskan alur prosess mulai dari level 0 sampai dengan level 2. Gambar 2.1 Gambar Ilustrasi Algoritma Aprori 3. Pembahasan Analisis sitem Dalam menganalisis kebutuhan sistem Market Basket Analysis dengan algoritmaa apriori, dirumuskan bahwa pengguna harus diberi fitur untuk memilih, membuka, melihat tabel database(yang berisi data transaksi) yang akan ditambang. Berdasarkan analisis ini lalu dibuat model sisitem dalam bentuk data flow diagram (DFD) level 0 pada Gambar 3.1. Proses penambangan aturan yang mengimplementasikan algoritma apriori, lalu dirinci lebih lanjut ke dalam DFD level 1 dan 2 yang di tunjukan pada Gambar 3.1 DFD tingkat 0 (Contect Diagram) Gambar 3.2 DAD level 1 6

7 Gambar 3.3 DFD level 1.2 Spesifikasi Hardware dan Software yang digunakan Dalam melakukan pengujian ini digunakan spesifikasi hardware dan software sebagai berikut: Spesifikasi Hardware yang digunakan yaitu : Processor : Intel Core 2 Duo Harddisk : 250 Gb Memory : 2 Gb Spesifikasi Software yang digunakan yaitu : 1. Windows XP Professional sebagai sistem operasi. 2. Java sebagai pengolah data. JDK1.6.0 NetBeans IDE Microsoft Access sebagai tempat penyimpanan data. Uji Coba dan Analisa Pengujian pada aplikasi keranjang pasar ini menggunakan 61 buah transaksi yang diambil dari sebuah apotek. Data yang diambil berasal dari transaksi laporan penjualan selama dua bulan, yaitu bulan Maret dan April. Data tersebut berupa data jenis obat yang terdiri dari 31 jenis obat dan 554 buah nama obat beserta kode obatnya. Data akhir ini disimpan pada database dengan nama transaksi penjualan. Struktur database untuk data transaksi penjualan dapat dilihat pada tabel 3.1. ID No Transaksi Kode Obat JenisObat Analgetika anti parasitic Antibiotika anti diabetik oral vitamin & mineral analgetika antibiotika antitusiv dekongestan psikofarmaka vitamin & mineral analgietik anti piretik 7

8 analgetik anti radang anti histamin anti parasitik anti TBC antibiotika ekspektoran Vitamin&minera l Tabel 3.1 Struktur Database untuk Data Transaksi Penjualan Setelah proses dijalankan dengan memasukkan nilai support sebesar 20% dan confidence sebesar 30%, maka asosiasi yang memenuhi syarat hanya ada 5 asosiasi yang terbentuk,seperti terlihat pada gambar 3.4. Ke-5 asosiasi tersebut dapat diterjemahkan sebagai berikut : 1. Support 32,786%, artinya 32,786% dari semua transaksi yang dianalisis menunjukkan bahwa anti parasitik dan antibiotika dibeli bersamaan, sedangkan confidence sebesar 86,956% menyatakan tingkat kepercayaan atau dapat dikatakan jika seorang customer membeli jenis obat antibiotika maka terdapat 86,956% kemungkinan dia akan membeli jenis obat anti parasitik juga. 2. Support 36,06%, artinya 36,06% dari semua transaksi yang dianalisis menunjukkan bahwa anti histamin dan antibiotika dibeli bersamaan, sedangkan confidence sebesar 91,67% menyatakan tingkat kepercayaan atau dapat dikatakan jika seorang customer membeli jenis obat antibiotika maka terdapat 91,67% kemungkinan dia akan membeli jenis obat anti histamin juga. 3. Support 32,79%, artinya 32,79% dari semua transaksi yang dianalisis menunjukkan bahwa antibiotika dan ekspektoran dibeli bersamaan, sedangkan confidence sebesar 41,67% menyatakan tingkat kepercayaan atau dapat dikatakan jika seorang customer membeli jenis obat antibiotika maka terdapat 41,67% kemungkinan dia akan membeli jenis obat ekspektoran juga. 4. Support 32,79%, artinya 32,79% dari semua transaksi yang dianalisis menunjukkan bahwa antibiotika dan vitamin&mineral dibeli bersamaan, sedangkan confidence sebesar 41,67% menyatakan tingkat kepercayaan 8

9 atau dapat dikatakan jika seorang customer membeli jenis obat antibiotika maka terdapat 41,67% kemungkinan dia akan membeli jenis obat vitamin&mineral juga. 5. Support 34,43%, artinya 34,43% dari semua transaksi yang dianalisis menunjukkan bahwa analgetika dan antibiotika dibeli bersamaan, sedangkan confidence sebesar 91,67% menyatakan tingkat kepercayaan atau dapat dikatakan jika seorang customer membeli jenis obat analgetika maka terdapat 91,67% kemungkinan dia akan membeli jenis obat antibiotika juga. Pengetahuan yang dapat ditarik dari ke-5 aturan asosiasi pada gambar 3.4 adalah sebagai berikut : Kesatu, digunakan dalam membantu apotek untuk menyusun layout sebaik mungkin dan sesuai kebutuhan konsumen serta membantu pihak apoteker dalam memudahkan mencari kombinasi obat yang sering di beli. Sebagai contoh (antibiotika anti histamin). Maka analisa yang mungkin didapat adalah kebiasaan pelanggan selain membeli obat antibiotika juga sering kali membeli jenis obat anti histamin secara bersamaan. Sehingga efeknya pada tata letak apotek adalah letak obat antibiotika tidak jauh dari obat anti histamin. Kedua, hasil asosiasi yang didapat juga bias digunakan dalam membantu apotek untuk menetukan keputusan persediaan. Sebagai contoh data yang dipakai adalah (antibiotika anti histamin). Dari data tersebut, dapat diambil kesimpulan seandainya pelanggan biasa membeli obat antibiotika dan anti histamine secara bersamaan, maka apotek setidaknya harus menyediakan kedua obat tersebut dalam jumlah yang lebih banyak dan dengan jumlah yang sama. Ketiga, digunakan untuk melihat hubungan antara penjualan satu produk obat dengan produk obat lainnya, misalkan pencarian pola penjualan obat antibiotika sedemikian rupa sehingga kita dapat mengetahui obat apa saja yang juga dibeli oleh pembeli antibiotika. Dengan demikian kita bisa mengetahui bahwa antibiotika sering dikonsumsi oleh banyak masyarakat pada saat mereka sakit dan antibiotika dapat di kombinasikan dengan obat lain sesuai aturan dari dokter atau pihak apoteker. 9

10 Gambar 3.4 Tampilan Hasil Proses Data 4. Penutup Kesimpulan Setelah proses dijalankan dengan memberikan nilai support sebesar 20% dan confidence sebesar 30%, maka asosiasi yang memenuhi syarat hanya ada 5 asosiasi yang terbentuk. Salah satu nilai support dan confidence tertinggi dari aturan asosiasi yang didapat adalah [anti histamine] [antibiotika] yaitu dengan nilai support sebesar 36,065% dan nilai confidence 91,667%. Sehingga dapat disimpulkan 91,667% dari seorang konsumen yang membeli obat anti histamine juga membeli obat antibiotika dan 36,065% dari semua konsumen membeli keduanya. Dari aturan asosiasi yang didapat diharapkan dapat membantu pengembang untuk mengetahui kebiasaan berbelanja masyarakat dan merancang strategi penjualan berdasarkan jenis obat yang tingkat konsumsinya tinggi. Saran Dari hasil pengolahan data pada bab sebelumnya, ada beberapa saran atau usul tindakan saran kepada pihak manajemen apotek dalam rangka meningkatkan penjualan, yaitu dapat menambah persediaan obat yang ada sesuai jenis obat apa saja yang sering di beli bersamaan oleh konsumen. Terbatasnya volume data yang digunakan serta penggunaan level confidence dan support yang tinggi akan mempengaruhi hasil asosiasi yang menyebabkan sedikitnya pengetahuan yang diperoleh. Disarankan dapat dikembangkan dengan menambahkan level confidence dan support yang bervariasi sehingga diperoleh lebih banyak asosiasi antar data yang dapat menyediakan informasi yang bisa ditindaklajuti atau mengandung informasi yang baru yang dapat dimanfaatkan untuk meningkatkan penjualan. DAFTAR PUSTAKA [1] Kusrini dan Emha Taufiq Luthfi Algoritama Data Mining. ANDI, Yogyakarta. [2]Leo Willyanto Santoso. Pembuatan Perangkat Lunak Data Mining Untuk Pengalian Kaidah Asosiasi Menggunakan Metode Apriori. Universitas Kristen Petra 10

11 [3] Rido, 2008, Contoh Algoritma Apriori. 14 Agustus Online. Available: /09/contohapriori1.doc [4] Data mining : Analisis keranjang pasar. 16 Juli Online. Available: [5] Vipin Kumar Pang Ning Tan, Micheal Steinbach, Introdution to Data Mining, edisi ke-1. Pearson Education,