PENENTUAN LOKASI BARANG PADA A Swalayan MENGGUNAKAN ASSOCIATION RULE DENGAN ALGORITMA FP-GROWTH

Transkripsi

1 PENENTUAN LOKASI BARANG PADA A Swalayan MENGGUNAKAN ASSOCIATION RULE DENGAN ALGORITMA FP-GROWTH DETERMINING LOCATION OF GOODS IN A Swalayan USING ASSOCIATION RULE BY FP-GROWTH ALGORITHM Ardi Wijaksono 1, Heru Agus Santoso 2 FakultasIlmuKomputer, Universitas Dian Nuswantoro Semarang 1 dunia_ardi@yahoo.com, 2 heru.agus.santoso@dsn.dinus.ac.id Abstrak FP-Growth adalahs alah satu algoritma yang digunakan untuk menemukan frequent item set pada sekumpulan data transaksi. Penelitian ini bertujuan untuk membuat sebuah aplikasi data mining menggunakan association rule dengan algoritma fp-growth sebagai acuan untuk menentukan lokasi barang. Data yang diambil dalam penelitian ini adalah data transaksi penjualan pada A Swalayan.Hasil dari data mining yang didapat yaitu berupa kombinasi dari item yang sering dibeli oleh konsumen. Sebagai contoh, dengan Minimum Support 1% dan Minimum Confidence 50% diperoleh Maksimal 1000 rule. Dari hasil tersebut diharapkan dapat membantu dalam menentukan lokasi barang sebagai strategi pemasaran. Kata Kunci--lokasi barang, FP-Growth, association rule, swalayan Abstract FP-Growth is one of the algorithms used to find frequent itemset in the set of transaction data. This study aims to create an application using a data mining association rule with afp-growth algorithm as a reference to determine the location of the goods. Data taken in this study is the sales transaction data on "A Swalayan". Results obtained from data mining is a combination of items that are frequently purchased by consumers. With 1% Minimun Support and 50% Minimum Confidence can be obtained 1000 maximum of rules. From these results are expected to assist in determining the location of items as a marketing strategy. Keywords goods location, FP-Growth, association rule, supermarket 1. PENDAHULUAN Perkembangan teknologi informasi saat ini berkembang sangat cepat, pencatatan dan penyimpanan data telah dilakukan oleh semua kalangan tidak terkecuali para pedagang.komputerisasi memudahkan dalam mencatat dan menyimpan data transaksi penjualan dengan cepat dan dapat menampung dalam jumlah yang sangat banyak. Akan tetapi, hal ini mengakibatkan menumpuknya data dalam jumlah yang besar. Kumpulan data yang sudah menumpuk sering sekali tidak digunakan lagi yang akan semakin bertambah. Namun sebetulnya tumpukan data tersebut masih bisa digunakan dengan mengekstrak informasi-informasi dari tumpukan data tersebut menjadi sebuah informasi penting yang dapat digunakan dalam mengambil keputusan untuk menentukan strategi pemasaran. Pada A Swalayan Pekalongan memiliki beberapa transaksi penjualan barang. Data transaksi tersebut setiap harinya terus bertambah dan data-data transaksi penjualan pada took tersebut hanya disimpan untuk pembukuan dan belum diketahui manfaat data-data tersebut untuk hal lainnya. Oleh karena itu dibutuhkan sebuah aplikasi yang digunakan untuk memanfaatkan data-data tersebut yang dapat menghasilkan sebuah informasi penting untuk menentukan strategi pemasaran. Teknik

2 untuk mengolah data-data transaksi tersebut salah satunya adalah menggunakan proses data mining dengan metode association rule dengan algoritma frequent pattern-growth. Data Mining berguna dalam pemenuhan kebutuhan salah satunya adalah kebutuhan informasi yang luas, dan dari informasi yang kita dapat bisa kita gunakan sebagai suatu keputusan atau menentukan sebuah kualitas dalam menentukan sauatu keputusan. Adapun kumpulan dari sebuah data atau informasi memeiliki banyak potensi untuk dijadikan suatu kesimpulan dalam mengambil sebuah keputusan dengan melakukan analisis dan menggali suatu informasi yang terdapat di dalam sebuah data [1]. Association Rule merupakan salah satu metode yang bertujuan untuk mencari pola yang sering muncul pada banyak transaksi, dimana setiap transaksi terdiri dari beberapa item [2]. Pada metode ini memiliki beberapa algoritma, salah satunya adalah algoritma frequent pattern-growth yaitu algoritma yang menyimpan informasi frequent itemset dalam bentuk struktur prefix-tree atau sering disebut FP-tree. Dalam penelitian ini akan dibuat suatu aplikasi dengan algoritma FP-Growth yang dapat membantu dalam melihat pola pembelian barang yang paling sering dibeli. Perbedaan dengan penelitian sebelumnya [1,2,3,4], penelitian ini diaplikasikan untuk penentuan lokasi barang di super market dengan algoritma FP-Growth. Algoritma FP-Growth merupakan algoritma yang sangat efisien dalam pencarian frequent itemset. FP-Growth menggunakan pendekatan yang berbeda dari paradigma yang selama ini sering digunakan yaitu algoritma apriori. Algoritma ini menyimpan informasi mengenai frequent itemset dalam bentuk FP-Tree. Pada FP-Tree yang terbentuk dapat memampatkan data transaksi yang memiliki item yang sama, sehingga dapat mengurangi scan database secara berulang dalam proses mining dan dapat berlangsung lebih cepat [3]. 2.METODE PENELITIAN Data Mining adalah proses untuk mendapatkan informasi dengan melakukan pencarian pola dan relasi-relasi yang tersembunyi di dalam timbunan data yang banyak. Data Mining atau sering disebut sebagai knowledge discovery in database (KDD) adalah kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dalam data berukuran besar. Keluaran Data Mining ini bisa dipakai untuk membantu pengambilan keputusan di masa depan. Pengembangan KDD ini menyebabkan penggunaan pattern recognition semakin berkurang karena telah menjadi bagian Data Mining. [1]Tahap-tahap Data Mining meliputi pemilihan data, Pre-processing, transformasi data, data mining, dan evaluasi [4]. Association rule adalah suatu prosedur untuk mencari hubungan antar item dalam suatu kumpulan data yang ditentukan. Dalam menentukan suatu association rule, terdapat suatu ukuran kepercayaan yang didapatkan dari hasil pengolahan data dengan perhitungan tertentu. Association rule memberikan informasi dalam bentuk if-then atau jika-maka. Biasanya digunakan istilah antecedent untuk mewakili bagian jika dan consequent untuk mewakili bagian maka [1].Association rule meliputi dua tahap, yaitu : 1. Mencari kombinasi yang paling sering terjadi dari suatu itemset. 2. Membangkitkan association rule dari frequent itemset yang telah dibuat sebelumnya. FP-tree adalah struktur untuk penyimpanan data untuk dipadatkan. FP-tree dibuat dengan cara memetakan data transaksi menjadi sebuah lintasan kedalam FP-tree. Transaksi yang sudah dipetakan memungkinkan adanya item yang sama, maka lintasan tersebut akan saling menimpa. Banyaknya item yang sama bergantung pada banyaknya

3 data transaksi, dengan begitu pemadatan data dengan FP-tree akan lebih efektif. FPtree cukup melakukan dua kali scanning data transaksi yang jauh lebih efisien. [1,5,6]. Berikut ini adalah contoh tabel dengan semua barang yang dalam satu transaksi sudah disatukan [7]. Tabel.1Contoh Data Transaksi No. Transaksi Nama Barang Gula, Kopi, Teh Gula, Kopi, Teh Gula, Susu, Roti Roti, Gula, Air Gula, Susu, Kopi Kemudianmenentukanfrekuensisetiapitemdarikeseluruhantransaksi. Tabel.2 Nama dan Frequensi Item Nama Barang Jumlah Gula 5 Kopi 3 Teh 2 Susu 2 Roti 2 Air 1 Setelahfrekuensisetiapitemdiperoleh, kemudiandibatasidengansupportcount.jikafrekuensi item tidakkurangdarisupportcount, makaitemtersebutakandihapusdantidakdipakaidalam proses data mining. Misalkanditentukansupportcount ξ =2, makahasilnyaadalah: Tabel.3 Nama dan Frequensi Itemsetelah filter Nama Barang Jumlah Gula 5 Kopi 3 Teh 2 Susu 2 Roti 2 Item Air hilangkarenafrekuensinyatidaklebihdarisamadengan 2. TahapselanjutnyaadalahpembangunanTreeberdasarkan per transaksidenganitem yang telahdibatasi. Tabel.4Data Transaksi setelah filter No. Nama Barang Transaksi Gula, Kopi, Teh Gula, Kopi, Teh Gula, Roti, Susu Roti, Gula Gula, Kopi, Susu Pembangunan Treedariseluruhtransaksitersebutadalah:

4 Gambar.1Tree dari 5 transaksi 2.4 FP-Growth Frequent Pattern 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.karakteristik algoritma FP-Growth adalah struktur data yang digunakan adalah tree yang disebut dengan FP-Tree. Dengan menggunakan FP-Tree, algoritma FP-growth dapat langsung mengekstrak frequent Itemset dari FP-Tree [8].Langkah selanjutnya adalah tahap pembangkitan conditional pattern base, tahap pembangkitan conditional FP-Tree, dan tahap pencarian frequent itemset. Pada tahap ini dapat dilakukan dengan melihat kembali FP-Tree yang sudah dibuat sebelumnya [7]. Tabel.5Conditional Pattern Base Item Conditional Pattern Base Teh {{Gula, Kopi : 2}} Susu {{Gula, Kopi : 1}, {Gula, Roti : 1}} Kopi {{Gula : 2}} Roti {{Gula : 3}} Tabel.6Conditional FP-Tree Item Conditional FP-Tree Teh {{Gula : 2},{Kopi : 2}, {Gula, Kopi : 2}} Susu {{Gula : 2}} Kopi {{Gula : 2}} Roti {{Gula : 3}} Tabel.7Frequent Itemset Item Frequent Itemset Teh {{Gula, Teh : 2},{Kopi, Teh : 2}, {Gula, Kopi, Teh : 2}} Susu {{Gula, Susu : 2}} Kopi {{Gula, Roti : 2}} Roti {{Gula, Kopi : 3}} 2.5ObjekPenelitian Penelitian ini dilakukan untuk menentukan lokasi barangpada A Swalayan yang berada dikedungwuni Kabupaten Pekalongan.Untuk pengumpulan informasi dan datadata yang diperlukan: 2.6MetodePengembanganSistem

5 Metode pengembangan sistem yang digunakan yaitu menggunakan metode Association rule dengan algoritma FP-Grwoth(Frequent Pattern Growth). FP-Growth adalah salah satu alternative algoritma yang dapat digunakan untuk menentukan himpunan data yang paling seringmuncul (frequent itemset) dalamsebuahkumpulan data.karakteristik algoritma FP-Growth adalah struktur data yang digunakan adalah tree yang disebut dengan FP-Tree. Algoritma FP-growth dapat langsung mengekstrak frequent Itemset dari FP-Tree [8]. 3. HASIL & PEMBAHASAN Halaman utama pada implementasi aplikasi ini yang terdiri dari 3 halaman yaitu halaman Transaction, halaman Data Mining dan halaman User.Halaman ini adalah halaman utama dari aplikasi ini yaitu sebuah halaman untuk menampilkan data transaksi berdasarkan tanggal awal dan tanggal akhir yang dipilih oleh pengguna. Misalkan pengguna memberikan input tanggal awal transaksi adalah 9 april 2015 dan tanggal akhir transaksi adalah 10 april 2015 kemudian menekan tombol SUBMIT. Maka pada tabel akan tampil semua data transaksi yang dipilih seperti pada gambar dibawah Gambar.4 Halaman Transaction Halaman Data Miningdigunakanuntukmengolah data transaksi yang sudah terpilihmenjadisebuahinformasi yang bergunauntukmenentukanstrategipemasaran. Informasi yang didapatpadahalamaniniyaitusebuahrules yang ditampilkanpadatextareasetelahpenggunamemberi inputnilai minimum supportdannilai minimum confidencekemudianmenekantombol Proses seperti pada gambar diatas. Gambar.5 Halaman User halaman user berfungsi untuk mengganti password login. Pada halaman ini tidak ada menu untuk menambah user, karena halaman ini hanya dikhususkan untuk mengganti password saja. Apabila pengguna berhasil mengganti password, maka akan keluar popup yang berisi pesan ubah berhasil seperti pada gambar diatas. Dan apabila pengguna gagal dalam mengganti password, maka akan keluar popup yang berisi pesan password lama salah seperti pada gambar diatas. 4. KESIMPULAN

6 Dari hasil kegiatan penelitian yang telah dilakukan oleh penulis dalam Penelitian ini dapat disimpulkan bahwa aplikasi dapat di implementasikan pada A Swalayan dan dapat membantu untuk menentukan lokasi barang.sebagai contoh, dengan Minimum Support 1% dan Minimum Confidence 50% diperoleh Maksimal 1000rule untuk menentukan lokasi barang yang dijual. lama proses untuk menampilkan data transaksi dan menampilkan rules tergantung dari jumlah transaksi yang dipilih dan nilai minimum support serta nilai minimum confidence. 5. SARAN Adapun saran yang dapat disampaikan untuk pengembangan lebih lanjutagar menjadikan penelitian lebih baik adalah membuat aplikasi ini dapat diakses secara online dan transformasi database tidak perlu dilakukan secara manual. Semoga saran tersebut bisa dijadikan sebagai bahan masukkan yang dapat bermanfaat bagi penelitianpenelitian tahap selanjutnya. DAFTAR PUSTAKA [1] Ali Ikhwan, Dicky Nofriansyah Dan Sriani, Penerapan Data Mining Dengan Algoritma Fp-Growth Untuk Mendukung Strategi Promosi Pendidikan ( Studi Kasus Kampus Stmik Triguna Dharma), Sumatra Barat: Stmik Trigunadharma, [2] Andreas Handojo, Gregorius Satia Budhi Dan Hendra Rusly, Aplikasi Data Mining Untuk Meneliti Asosiasi Pembelian Item Barang Di Supermaket Dengan Metode Market Basket Analysis, Surabaya: Universitas Kristen Petra, [3] Arifin Dan Rizka Nurul, Implementasi Algoritma Frequent Pattern Growth (Fp- Growth) Menentkan Asosiasi Antar Produk (Study Kasus Nadiamart), Semarang: Universitas Dian Nuswantoro, [4] Nurdin Dan Dewi Astika, Penerapan Data Mining Untuk Menganalisis Penjualan Barang Dengan Menggunakan Metode Apriori Pada Supermarket Sejahtera Lhokseumawe, Aceh: Universitas Malikussaleh, [5] Zakaria Dan Oliver, Implementasi Data Mining Menggunakan Aturan Asosiasi Dengan Algoritma Apriori Terhadap Penyusunan Layout Makanan Pada Rumah Makan Padang Murah Meriah, Yogyakarta: Stmik Amikom, [6] Frismadani Anggita Priyana Dan Acun Kardianawati, Data Mining Asosiasi Untuk Menentukan Cross-Selling Produk Menggunakan Algoritma Frequent Pattern-Growth Pada Koperasi Karyawan Pt. Phapros Semarang, Semarang: Universitas Dian Nuswantoro, [7] Dyah Pramesthi Larasati, Muhammad Nasrun Dan Umar Ali Ahmad, Analisis Dan Implementasi Algoritma Fp-Growth Pada Aplikasi Smart Untuk Menentukan Market Basket Analysis Pada Usaha Retail (Studi Kasus : Pt.X), Bandung: Universitas Telkom, [8] Ririanti, Implementasi Algoritma Fp-Growth Pada Aplikasi Prediksi Persediaan Sepeda Motor (Studi Kasus Pt. Pilar Deli Labumas), Medan: Stmik Budi Darma, 2015.