ANALISIS DATA POLA PEMBELIAN KONSUMEN DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN SUPERMARKET PAMELLA YOGYAKARTA 1.

Transkripsi

1 ANALISIS DATA POLA PEMBELIAN KONSUMEN DENGAN ALGORITMA APRIORI PADA TRANSAKSI PENJUALAN SUPERMARKET PAMELLA YOGYAKARTA M. Didik R. Wahyudi 1) Fusna Failasufa 2) 1) 2) Teknik Informatika FST UIN Sunan Kalijaga ABSTRAK. Data transaksi suatu supermarket, seperti supermarket, semakin hari semakin banyak dan bertambah. Data ini seringkali hanya disimpan tanpa diolah lebih lanjut, sehingga menjadi informasi yang sangat berguna bagi supermarket tersebut. Data transaksi yang hendak diolah, disimpan dalam data mining. Untuk mengetahui prilaku konsumen dalam membeli barang pada suatu supermarket, dapat dihasilkan dari pengolahan data transaksi harian yang diolah dengan menggunakan algoritma tertentu. Salah satu algoritma yang bisa dipergunakan adalah algoritma apriori. Algoritma apriori dapat dipergunakan untuk mengolah sekumpulan data (data mining) transaksi harian supermarket. Pengolahan untuk menganalisis pola pembelian konsumen Supermarket dapat dilakukan pada setiap cabang, sehingga dengan menerapkan metode tersebut, diharapkan dapat menghasilkan pola aturan asosiasi pembelian konsumen pada setiap cabang Supermarket. Dari pola yang dihasilkan tersebut kemudian dilakukan proses interpretasi menjadi sebuah informasi atau knowledge. Kata Kunci : Data mining, Algoritma apriori, Analisis pola pembelian 1. PENDAHULUAN Pertumbuhan data transaksi pada suatu supermarket semakin bertambah besar setiap hari. Data transaksi tersebut seringkali hanya dipergunakan untuk mengolah data sirkulasi barang dan dibiarkan menumpuk tanpa ada tindakan yang lebih lanjut. Dengan bertambahnya jumlah data pada perusahaan tersebut, maka peran analis untuk menganalisis data secara manual perlu digantikan dengan aplikasi yang berbasis komputer, sehingga proses analisa dan kualitas hasil analisa dapat dilakukan lebih efektif da efisien. Analisis data transaksi ini dapat dilakukan dengan cara implementasi data mining dengan algoritma apriori ke dalam aplikasi untuk analisis pola pembelian konsumen di Supermarket. Dari analisis ini, akan diketahui pola pembelian konsumen pada masing masing cabang. Data mining berisi pencarian trend atau pola yang diinginkan dalam database yang besar untuk membantu pengambilan keputusan di waktu yang akan datang. KDD (Knowledge Discovery in Database) adalah keseluruhan proses konversi data mentah menjadi pengetahuan yang bermanfaat yang terdiri dari serangkaian tahap transformasi meliputi data preprocessing dan postprocessing. Algoritma apriori menggunakan strategi pemangkasan itemset dengan berbasis ukuran support disebut sebagai support based pruning. Strategi pemangkasan dibuat oleh sifat kunci 1

2 ukuran support, support untuk itemset tidak pernah melebihi support subsetnya. Sifat seperti ini dikenal dengan antimonotonic property dari ukuran support. Hal utama dalam teorema algoritma Apriori menggunakan prinsip : Jika sebuah itemset itu frekuen, semua subset dari itemset tersebut pasti juga frekuen. Sebaliknya, jika sebuah itemset infrequent, maka semua transaksi yang berisi itemset tersebut beserta supersetnya tentulah infrequent. 2. METODE PENELITIAN Penelitian ini menggunakan metode eksperimental dengan menerapkan algoritma apriori ke dalam sistem serta menganalisis tren pembelian konsumen pada setiap supermarket dengan karakteristik yang dimiliki pada ketiga supermarket tersebut. Tahapan yang dilakukan dalam penelitian ini adalah sebagai berikut: 1. Seleksi Data (Data Selection). Pemilihan pada data mentah transaksi penjualan yang diperoleh dari setiap cabang Supermarket yang akan digunakan dalam proses data mining. 2. Preprocessing/Cleaning Data. Data yang diambil dilakukan proses preprocessing dan cleaningyang meliputi pembuangan duplikasi data, memperbaiki kesalahan cetak pada data, serta melengkapi value yang masih kosong, serta penambahan field yang diperlukan. 3. Transformation. Proses transformasi data melalui preprocessing/cleaning sehingga menghasilkan data yang siap diolah dengan data mining. 4. Data Mining. Data siap diolah dan diproses dengan data mining untuk pencarian pola menggunakan algoritma apriori, sehingga akan menghasilkan pola pembelian konsumen yang akan menjadi acuan untuk proses interpretation/evaluatin. 5. Interpretation/Evaluation. Pola yang dihasilkan dari proses data mining akan diinterpretasikan menjadi sebuah informasi atau bahkan pengetahuan (knowledge). 3. HASIL PENELITIAN DAN PEMBAHASAN Proses penelitian dilaksanakan dengan tahapan sebagai berikut : 1. Seleksi Data. Data transaksi penjualan diperoleh dalam format excel kemudian di masukkan dalam database untuk proses data mining. Seminar Nasional Matematika, Sains dan Informatika Prosiding

3 2. Preprocessing/Cleaning. Proses membuang data yang terduplikasi serta melengkapi datadata yang masih kosong. Diperoleh data transaksi penjualan seperti berikut : Tabel 1 : Perbandingan data sebelum dan sesudah preprocessing No Cabang Sebelum Preprocessing Sesudah Preprocessing record record dengan jumlah transaksi dan data barang record record dengan jumlah transaksi dan data barang record record dengan jumlah transaksi dan data barang 3. Transformation. Data di import ke dalam database dan dipecah menjadi data transaksi penjualan dan data master barang. 4. Proses Data Mining. Data diolah dengan algoritma apriori. Proses ini menghasilkan rule atau aturan asosiasi pada setiap cabang Supermarket sebagai berikut Tabel 2 : Perbandingan jumlah kandidat 1-itemset pada setiap cabang Supermarket Support (%) Supermarket 1 Supermarket 4 Supermarket 6 1, , , Pada tabel di atas ditunjukkan bahwa Supermarket 1 menghasilkan kandidat 1- itemset paling banyak diantara ketiga cabang yang lain. Berikut ini hasil pengolahan data untuk kandidat 1-itemset tertinggi yang disajikan pada tabel 3 berikut ini : Tabel 3 : Perbandingan kandidat 1-itemset pada setiap cabang Supermarket Cabang Kandidat 1-itemset tertinggi Suppport (%) Supermarket 1 Indomie goreng special 5,9 Pepsodent pg white 75 gr 3,26 Multi roll tom 02 3,21 Gula pasir 1kg 3,08 Sedaap mie goreng 3,08 Supermarket 4 Indomie goreng spc 2,59 Sedaap mie goreng 2,16 Beras kiloan 1,87 Pepsodent white 75 gr 1,8 Gula 1 kg 1,66 Supermarket 6 Indomie goreng special 5,25 Sedap mie goreng 2,28 Multi grafis refill mp-01/40 2,01 Sunlight pouch lime 800 ml 2,01 Gula ½ kg putih 1,85 Seminar Nasional Matematika, Sains dan Informatika Prosiding

4 Dari tabel di atas dapat dilihat bahwa pada semua cabang Supermarket, item INDOMIE GORENG SPECIAL adalah merupakan item yang paling sering dibeli oleh konsumen. Pada Supermarket 1, item yang paling sering dibeli selanjutnya adalah PEPSODENT PG WHITE 75 GR, sedangkan untuk Supermarket 4 dan Supermarket 6 item yang paling sering dibeli selanjutnya adalah SEDAAP MIE GORENG. Berikut ini data hasil pengolahan untuk kandidat 2-itemset pada masing-masing Cabang Supermarket : Tabel 4. Kandidat 2-itemset tertinggi pada masing-masing cabang Supermarket Cabang Kandidat 2-itemset tertinggi Suppport (%) Indomie goreng special, indomei ayam bawang 1,232 Supermarket 1 Indomie goreng special, lifebuoy soap lemon fresh 80 gr 0,572 Indomie goreng special, indomie goreng pedas 0,572 Indomie goreng special, selection kapas 35 gr 0,528 Indomie goreng special, gula pasir 0,5 gr 0,528 Supermarket 4 Supermarket 6 Sedaap mie goreng, sedaap mie ayam bawang 0,36 Pepsodent white 75 gr, gula ½ kg 0,288 Indomie goreng spc, pepsodent white 75 gr 0,216 Indomie goreng spc, sedaap mie goreng 0,144 Indomie goreng spc, beras kiloan 0,144 Indomie goreng special, indomie ayam bawang 1,166 Indomie goreng special, indomie soto mie 1,113 Indomie goreng special, sunlight pouch lime 800 ml 0,689 Sunlight pouch lime 800 ml, pepsodent white 190 gr 0,477 Indomie goreng special, multi grafis refill mp-01/40 0,424 Dari kandidat 2-itemset diatas dapat dihasilkan rule atau aturan asosiasi yang merupakan pola pembelian konsumen pada setiap cabang Supermarket sebagai berikut : Tabel 5 : Hasil pembangkitan Aturan Asosiasi /pola pembelian konsumen pada setiap cabang dan nilai confidence-nya Cabang Kandidat 2-itemset tertinggi Confidence(%) Indomei ayam bawang=> indomie goreng special 60,87 Supermarket 1 Indomie goreng pedas =>indomie goreng special 27,08 Lifebuoy soap lemon fresh 80 gr=>indomie goreng special, 26,53 Selection kapas 35 gr=> indomie goreng special 21,05 Gula pasir 0,5 gr=> indomie goreng special 21,05 Supermarket 4 Supermarket 6 Sedaap mie ayam bawang =>sedaap mie goreng 22,73 Gula ½ kg=> pepsodent white 75 gr 18,18 Sedaap mie goreng=>sedaap mie ayam bawang 16,67 Pepsodent white 75gr=> gula ½ kg 16 Gula ½ kg=>sedaap mie ayam bawang 9,09 Indomie ayam bawang=> indomie goreng special 73,33 Indomie soto mie=> indomie goreng special 67,74 Sunlight pouch lime 800 ml=> indomie goreng special 34,21 Pepsodent white 190 gr=> sunlight pouch lime 800 ml 29,03 Sunlight pouch lime 800 ml=> pepsodent white 190 gr 23,68 4. KESIMPULAN Seminar Nasional Matematika, Sains dan Informatika Prosiding

5 Dari pengujian setiap cabang Pamela Supermarket, menghasilkan aturan sebagai berikut : 1. Untuk pamella Supermarket 1 Itemset tertinggi adalah INDOMIE GORENG SPESIAL, INDOMIE AYAM BAWANG dengan nilai support 1,232%. Artinya 1,232% dari seluruh transaksi mengandung pembelian dengan item INDOMIE GORENG SPESIAL dan INDOMIE AYAM SPECIAL. Aturan asosiasi dengan nilai confidence tertinggi adalah INDOMIE AYAM BAWANG => INDOMIE GORENG SPECIAL dengan nilai confidence 60,87%, yang artinya sebanyak 60,87% konsumen yang membeli INDOMIE AYAM BAWANG juga membeli INDOMIE GORENG SPECIAL. 2. Untuk Supermarket 4 Itemset tertinggi adalah SEDAAP MIE GORENG, SEDAAP MIE AYAM BAWANG dengan nilai support 0,36%. Artinya 0,36% dari seluruh transaksi mengandung pembelian dengan item SEDAAP MIE GORENG dan SEDAAP MIE AYAM BAWANG. Aturan asosiasi dengan nilai confidence tertinggi adalah SEDAAP MIE AYAM BAWANG => SEDAAP MIE GORENG dengan nilai confidence 22,73%, yang artinya sebanyak 22,73% konsumen yang membeli SEDAAP MIE AYAM BAWANG juga membeli SEDAAP MIE GORENG. 3. Untuk Supermarket 6 Itemset tertinggi adalah INDOMIE GORENG SPECIAL, INDOMIE AYAM BAWANG dengan nilai support 1,166%. Artinya 1,166% dari seluruh transaksi mengandung pembelian dengan item INDOMIE GORENG SPECIAL dan INDOMIE AYAM BAWANG. Aturan asosiasi dengan nilai confidence tertinggi adalah INDOMIE AYAM BAWANG => INDOMIE GORENG SPECIAL dengan nilai confidence 73,33%, yang artinya sebanyak 73,33% konsumen yang membeli INDOMIE AYAM BAWANG juga membeli INDOMIE GORENG SPECIAL. Hasil interpretasi knowledge yang diperoleh dari pola pembelian konsumen di atas adalah : 1. Pola pembelian ketiga cabang Supermarket tidak jauh berbeda. Hal ini dapat dilihat dari aturan-aturan yang dihasilkan. Dari ketiga cabang Supermarket, pola yang paling banyak dihasilkan adalah pola pembelian untuk pembelian MIE instan. Seminar Nasional Matematika, Sains dan Informatika Prosiding

6 2. Item yang sering dibeli oleh konsumen pada semua cabang Supermarket adalah INDOMIE GORENG SPECIAL, sehingga persediaan/stok barang untuk item tersebut harus paling banyak daripada stok Mie untuk jenis lain. 3. Untuk pola yang mempunyai nilai confidence tinggi, bisa dijadikan sebagai sarana paket promo untuk dua item yang bersamaan. Misalnya, untuk rule/pola INDOMIE AYAM BAWANG => INDOMIE GORENG SPECIAL, bisa menggabungkan kedua item tersebut menjadi suatu paket promo dengan harga promosi. DAFTAR PUSTAKA Azmi, K. N Data Mining Menggunakan Algoritma Agglomerative Hierarchical Clustering dan Algoritma Apriori pada Data Transaksi Swalayan. Skripsi. UGM Yogyakarta. Dewantara, H Perancangan Aplikasi Data Mining Algoritma Apriori untuk Frekuensi Analisis Keranjang Belanja pada Data Transaksi Penjualan. Skripsi. Universitas Brawijaya Malang. Gunadi, G. (2012). Penerapan Metode Data Mining Market Basket Analysis terhadap Data Penjualan Buku dengan Menggunakan Algoritma Apriori dan Frequent Pattern Growth (FP-Growth). Jurnal. Telematika MKOM. Hermawati, F. A. (2013). Data Mining. Penerbit ANDI Yogyakarta. Kusrini, & Luthfi, E. T Algoritma Data Mining. Penerbit ANDI Yogyakarta. Moertini, V Data Mining sebagai Solusi Bisnis. Penelitian Staf Pengajar Jurusan Ilmu Komputer Universitas Katholik Parahyangan Bandung. Olson, D., & Shi, Y. (2008). Pengantar Ilmu Penggalian Data Bisnis. Salemba Jakarta. Prasetyo, E. (2012). Data Mining Konsep dan Aplikasi Menggunakan Matlab. Penerbit ANDI Yogyakarta. Seminar Nasional Matematika, Sains dan Informatika Prosiding