PENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK

Transkripsi

1 Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 412~ PENERAPAN METODE ASOSIASI GSP DAN APRIORI UNTUK STOK DAN REKOMENDASI PRODUK Elly Muningsih AMIK BSI Yogyakarta elly.emh@bsi.ac.id Abstrak Pengelolaan atau manajemen stok produk yang baik akan menguntungkan pelaku usaha karena pengetahuan tentang produk yang laku dan tidak laku menjadi sesuatu yang sangat penting agar tidak terjadi penumpukan stok yang tidak dibutuhkan. Selain itu pengetahuan rekomendasi produk yang benar untuk pelanggan juga bisa dijadikan acuan keberhasilan pelaku usaha. Memberikan pilihan produk yang sesuai dengan keinginan konsumen akan memberikan kepuasan konsumen dalam berbelanja, sehingga diharapkan konsumen akan menjadi pelanggan yang loyal. Penelitian ini akan membahas tentang stok dan rekomendasi produk dengan menggunakan metode Data Mining Asosiasi yaitu metode Generalized Sequence Pattern (GSP) untuk mengetahui produk yang paling diminati konsumen (produk laku) sehingga stok produk bisa ditambah dan metode Apriori agar dapat memberikan rekomendasi produk yang benar kepada konsumen. Dengan metode GSP diketahui urutan produk batik paling diminati yaitu Blazer Batik ABG (p1), (p3), Bolero Batik Iner (p4), (p5), dan Longdres Batik (p7). Sedangkan dengan metode Apriori diketahui pasangan asosiasi produk yang bisa direkomendasikan adalah Blazer Batik ABG, Bolero Batik Iner dan Longdres Batik. Keywords : stok produk, rekomendasi produk, metode GSP, metode Apriori 1. Pendahuluan Pengelolaan atau manajemen stok dalam suatu perusahaan atau pelaku usaha menjadi hal yang sangat penting. Bagaimana menyeimbangkan produk yang banyak dibeli konsumen dan produk yang kurang disukai konsumen akan menjadikan manajamen stok berjalan baik. yang paling diminati konsumen atau paling laris maka otomatis stok untuk produk harus ditambah, dan sebaliknya. Hal ini dibutuhkan agar tidak terjadi kekurangan produk atau penumpukan stok yang tidak laku. Selain manajemen stok, mengetahui produk yang akan dibeli jika konsumen membeli produk tertentu atau disebut pasangan asosiasi produk juga diperlukan untuk mengetahui rekomendasi produk yang bisa ditawarkan ke konsumen. Rekomendasi produk ini erat kaitannya dengan asosiasi jika membeli produk X maka akan membeli produk Y. Berkaitan dengan manajemen stok dan rekomendasi produk, maka dalam penelitian ini digunakan metode Data Mining. Menurut Tan dalam Prasetyo (2012), Data Mining adalah suatu proses untuk mendapatkan informasi yang bermanfaat dari suatu gudang data base yang besar. Data mining juga diartikan sebagai sebuah inti dari proses Knowledge Discovery in Database (KDD), meliputi dugaan algoritma yang mengeksplor data, membangun model dan menemukan pola yang belum diketahui. (Maimon & Rokach, 2010). Dalam Data Mining ada beberapa pengelompokan metode yang bisa digunakan yaitu Deskripsi, Estimasi, Prediksi, Klasifikasi, Pengklasteran dan Asosiasi (Larose, 2005). Masing-masing kelompok ini memiliki fungsi yang berbedabeda. Dalam penelitian kali ini, metode Data Mining yang digunakan adalah metode Asosiasi. Metode Asosiasi adalah suatu metode yang digunakan untuk menemukan suatu atribut yang muncul dalam satu waktu (Kusrini&Luthfi, 2009). Dalam dunia bisnis metode ini lebih dikenal dengan nama analisis keranjang belanja. Metode Asosiasi yang digunakan dalam penelitian ini adalah metode Generalized Sequence Pattern (GSP) untuk manajemen stok dan metode Apriori yang digunakan untuk rekomendasi produk. Diharapkan dengan penelitian ini dihasilkan suatu rule yang bisa membantu pelaku usaha untuk mengelola stok dengan lebih baik dan dengan rekomendasi produk bisa meningkatkan penjualan. Metode Generalized Sequence Pattern (GSP) merupakan suatu algoritma traversal pertama yang dapat menemukan urutan produk yang sering keluar atau muncul Diterima 31 Januari 2017; Revisi 21 Februari 2017; Disetujui 15 Maret, 2017

2 dengan cara melewati beberapa tahapan (Halawani dkk, 2010). Algoritma GSP ini digunakan pada mining sequence dan sangat baik untuk memecahkan masalah mining sequence yang banyak didasarkan pada sebuah algoritma Apriori. Fungsi utama dari algoritma GSP yaitu menemukan pola sequansial atau urutan (Muningsih, 2016). Sedangkan metode Apriori digunakan untuk menemukan jumlah itemset frekuen. Algoritma ini merupakan pelopor algoritma analisis asosiasi dalam mencari juga menemukan kandidat itemset frekuen dan pembangkit aturan asosiasi yang bisa dibentuk (Prasetyo, 2012). Prinsip algoritma Apriori adalah jika sebuah itemset itu frekuen, maka subset atau bagian dari sebuah itemset tersebut pasti juga frekuen. 2. Metode Penelitian Metode penelitian yang akan dibahas dalam penelitian ini meliputi tujuan penelitian, teknik pengumpulan data dan metode Analisis yang digunakan. A. Tujuan Penelitian Penelitian bertujuan untuk mengetahui produk yang paling laku atau diminati konsumen agar pengelolaan stok dilakukan lebih baik dengan menggunakan metode Asosiasi Generalized Sequence Pattern (GSP). Setelah diketahui pengetahuan pengelolaan stok yang benar, maka memberikan rekomendasi produk untuk konsumen yang membeli produk tertentu dengan menggunakan metode Apriori sehingga diharapkan penjualan produk bisa meningkat. Penelitian ini menggunakan data transaksi penjualan pada salah satu seller marketplace Tokopedia. B. Teknik Pengumpulan Data Dalam penelitian ini, teknik pengumpulan data yang digunakan peneliti ialah dengan melakukan observasi langsung, melakukan wawancara dan mengumpulkan data berupa dokumen yang berkaitan dengan penelitian ini. C. Metode Analisis Penelitian ini menggunakan metode Analisis yaitu metode KDD (Knowledge Discovery in Database). Metode KDD merupakan suatu tahapan atau proses dugaan algoritma yang digunakan dalam mengeksplor data, membangun model juga menemukan pola yang belum diketahui. KDD bersifat otomatis dan didefinisikan juga sebagai suatu pengorganisasian proses untuk mengidentifikasian yang benar, berfungsi untuk menemukan pola dari kumpulan data yang besar dan kompleks (Maimon dan Rokach, 2010 dalam Muningsih, 2015). Tahapan penggunaan metode KDD yaitu : 1) Data Selection Data yang digunakan dalam penelitian adalah data transaksi penjualan seller dari bulan Maret Desember 2015 yang memiliki jumlah 101 data. 2) Preprocessing dan Data Cleansing. Pada tahap ini dilakukan pemilihan data berupa pembersihan data yang dianggap tidak mewakili. Data yang digunakan dalam penelitian hanya transaksi yang berhubungan dengan produk Batik dan dalam satu transaksi pembelian lebih dari satu produk. Dari jumlah data 101, dihasilkan 11 data transaksi dan 11 jumlah item produk yang bisa digunakan dalam penelitian. 3) Transformation. Proses transformasi data dengan cara memberikan kode kepada produk yang digunakan untuk penelitian, ditampilkan pada Tabel 1 berikut ini : Tabel 1. Data dan Kodenya Nama (Batik) Kode Blazer Batik ABG p1 Blazer Batik Dewasa p2 p3 Bolero Batik Iner p4 p ) Data Mining Metode yang digunakan dalam penelitian adalah metode Asosiasi Generalized Sequence Pattern (GSP) untuk mengetahui produk yang paling laku atau disukai konsumen dan metode Apriori yang akan menghasilkan produk yang bisa direkomendasikan kepada konsumen. 5) Interpretation / Evaluation. Diharapkan hasil dari penerapan Data Mining Asosiasi ini bisa memberikan manfaat lebih untuk para pelaku usaha. 3. Pembahasan Transaksi penjualan yang digunakan dalam penelitian ditampilkan pada Tabel 2 seperti berikut ini : KNiST, 30 Maret

3 Tabel 2. Transaksi Penjualan Transaksi Terjual Nama 1 p1, p2 Blazer Batik ABG, Blazer Batik Dewasa 2 p1, p3 Blazer Batik ABG, 3 p3, p4, Bolero Batik Iner 4 p5, p7, Longdres Batik 5 p5, p8, Gamis Batik 6 p1, p9 Blazer Batik ABG, Hem Batik 7 p3, p10, p11, Sarimbit Batik, Blous Batik 8 p5, p7, p9, Longdres Batik, Hem Batik 9 p5, p6, p7, Daster Batik, Longdres Batik 10 p2, p3 Blazer Batik Dewasa, 11 p1, p3, p4 Blazer Batik ABG,, Bolero Batik Iner a. Penerapan Metode Generalized Sequence Pattern (GSP) Langkah dalam penerapan Metode GSP yaitu (Muningsih, 2016) : 1) Hitung jumlah item atau frekuensi produk yang keluar pada transaksi, kemudian tentukan minimum support (dukungan terkecil). Minimum support merupakan nilai minimal dari frekuensi yang diambil untuk batas dukungan yang diinginkan. Minimum support pada penelitian ini adalah 2, ditampilkan pada Tabel 3 Tabel 3. Minimum Support 2 p1 4 p2 2 p3 6 p4 2 p5 3 p6 1 p7 3 p8 1 p9 2 p10 1 p11 1 2) Hapus anggota dengan nilai frekuensi dibawah 2, ditampilkan pada Tabel 4 Tabel 4. minimal 2 p1 4 p2 2 p3 6 p4 2 p5 3 p7 3 p9 2 3) Langkah berikutnya adalah mengkombinasikan elemen-elemen ke dalam dua bagian dan temukan frekuensi tertinggi, ditampilkan pada Tabel 5 seperti Tabel 5. Kombinasi 2 produk p1, p2 1 p1, p3 2 p2, p3 1 p1, p4 1 p2, p4 0 p3, p ) Kemudian hapus nilai frekuensi dibawah 2, dan hasilnya ditampilkan pada Tabel 6 Tabel 6. Kombinasi 2 p1, p3 2 p3, p4 2 p5, p7 3 Dari tabel 6, diketahui bahwa produk yang diminiati atau paling banyak dibeli konsumen adalah produk p1, p3, p4, p5, p7. b. Penerapan Metode Apriori 1. Menentukan batas transaksi. Untuk penerapan Metode Apriori digunakan frequent itemset ( ) = 2, min (support) = 15% dan min (confidence) = 85%. Frequent Itemset menunjukkan itemset yang mempunyai frekuensi kemunculan lebih dari suatu nilai minimum yang sudah ditentukan. Berdasarkan data transaksi, maka diketahui hasil calon 2-itemset sebagai Tabel 7. Itemset Kombinasi Jumlah Blazer Batik ABG, Blazer Batik Dewasa 1 Blazer Batik ABG, 2 Blazer Batik ABG, Bolero Batik Iner 1 Blazer Batik ABG, Sarimbit Batik 1 Blazer Batik Dewasa, 1, Bolero Batik Iner 2, Gamis Batik 1, Sarimbit Batik 1, Blous Batik 1, Daster Batik 1, Longdres Batik 3 Daster Batik, Longdres Batik 1 Longdres Batik, Hem Batik 1 Sarimbit Batik, Blous Batik 1 Tabel 8. Hasil 2-itemset Kombinasi Jumlah Blazer Batik ABG, 2, Bolero Batik Iner 2, Longdres Batik 3 2. Menghitung nilai support dan confidence dari masing-masing frequent itemset sehingga muncul calon aturan asosiasi. KNiST, 30 Maret

4 Untuk menghitung support dan confidence digunakan rumus sseperti berikut ini : Support (A B) = Confidence P ( B A ) = a. Support dan Confidence untuk Blazer Batik ABG, Support Blazer Batik ABG dan Bolero Bolak Balik = = 18,2% Confidence Blazer Batik ABG dan Bolero Bolak Balik = 50% Support dan Blazer Batik ABG = = 18,2% Confidence dan Blazer Batik ABG = 33,4% b. Support dan Confidence untuk Bolero Bolak Balik, Bolero Batik Iner Support dan Bolero Batik Iner = = 18,2% Confidence dan Bolero Batik Iner = = 33,4% Support Bolero Batik Iner dan Bolero Bolak Balik = =18,2% Confidence Bolero Batik Iner dan Bolero Bolak Balik = =100% c. Support dan Confidence untuk Daster Klok, Longdres Batik Support dan Longdres Batik = = 27,3% Confidence dan Longdres Batik = = 100% Support Longdres Batik dan = =27,3% Confidence Longdres Batik dan Daster Klok = =100% Dari perhitungan yang sudah dilakukan, maka di dapat calon aturan asosiasi seperti Tabel 9 No Dari Frequent Itemset 1 Blazer Batik ABG, 2, Blazer Batik ABG 3, Bolero Batik Iner 4 Bolero Batik Iner, 5, Longdres Batik 6 Longdres Batik, Tabel 9. Daftar Calon Aturan Asosiasi Dihasilkan Aturan Asosiasi Jika membeli Blazer Batik ABG, maka akan membeli Jika membeli, maka akan membeli Blazer Batik ABG Jika membeli, maka akan membeli Bolero Batik Iner Jika membeli Bolero Batik Iner, maka akan membeli Jika membeli, maka akan membeli Longdres Batik Jika membeli Longdres Batik, maka akan membeli Support Confidence 2/11 18,2% 2/4 50% 2/11 18,2% 2/6 33,4% 2/11 18,2% 2/6 33,4% 2/11 18,2% 2/2 100% 3/11 27,3% 3/3 100% 3/11 27,3% 3/3 100% Tabel 10. Aturan Final Asosiasi Aturan Asosiasi Final Support Confidence Jika membeli Bolero Batik Iner, maka akan membeli Jika membeli, maka akan membeli Longdres Batik Jika membeli Longdres Batik, maka akan membeli Support x Confidence 18,2% 100% 18,2% 27,3% 100% 27,3% 27,3% 100% 27,3% 4. Simpulan Dari penerapan metode Data Mining Asosiasi yang sudah dilakukan, dihasilkan beberapa kesimpulan yaitu berdasarkan perhitungan dengan metode Generalized Sequence Pattern (GSP), produk yang paling banyak diminati atau laku yaitu produk Blazer Batik ABG,, Bolero Batik Iner, dan Longdres Batik. Sedangkan dengan menggunakan metode Apriori diketahui bahwa rekomendasi produk ke konsumen yaitu menggunakan aturan jika membeli Bolero Batik Iner, maka akan membeli, jika membeli, maka akan membeli Longdres KNiST, 30 Maret

5 Batik dan jika membeli Longdres Batik, maka akan membeli Untuk saran yang bisa peneliti berikan untuk pengembangan penelitian berikutnya agar lebih baik yaitu dibuatnya suatu sistem aplikasi yang menerapkan metode Data Mining Asosiasi ini agar lebih mudah digunakan. Referensi Kusrini., & Luthfi., E.T., (2009). Algoritma Data Mining. Penerbit Andi, Yogyakarta Larose, D. T. (2005). Discovering Knowledge in Data : An Introduction to Data Mining. Hoboken, New Jersey: John Wiley & Sons, Inc. Maimon, O., & Rokach, L. (2010). Data Mining and Knowledge Discovery Handbook. London: Springer Science+Business Media. Muningsih, E., (2015). Penerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop). Prosiding Seminar Nasional Teknologi Informasi dan Komunikasi Terapan 2015 (SEMANTIK 2015), Universitas Dian Nuswantoro. Semarang. Muningsih, E., (2016). Penentuan Rekomendasi dengan Metode Data Mining Asosiasi Generalized Sequence Pattern (GSP). Proceeding Seminar Nasional Riset Teknologi Informasi STMIK AKAKOM Yogyakarta. Yogyakarta. Prasetyo, Eko., (2012). Data Mining Konsep dan Aplikasi Menggunakan Matlab, Penerbit Andi. Yogyakarta. S. M. Halawani, S. Shaik and E. Prasad, Sales Promotion System in E- Commerce using Data Mining Technique. IJCSNS International Journal of Computer Science and Network Security, 10 (5), , KNiST, 30 Maret