IMPLEMENTASI DATA MINING PENJUALAN SABUN DENGAN MENGGUNAKAN METODE APRIORI ( Studi Kasus : PT. Unilever)

Transkripsi

1 IMPLEMENTASI DATA MINING PENJUALAN SABUN DENGAN MENGGUNAKAN METODE APRIORI ( Studi Kasus : PT. Unilever) Nurul Adha 1, Lince Tomoria Sianturi 2, Edward Robinson Siagian 3 Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpang Limun, Medan ABSTRAK Data mining merupakan proses unt mendapatkan informasi yang berguna dari gudang basis data yang berupa ilmu pengetahuan.penelitian ini melakan analisa data dengan menggunakan data mining dan metode algoritma appriori. Algoritma apriori adalah algoritma yang paling terkenal unt meneman pola frekuensi tinggi. Algoritma apriori dibagi menjadi beberapa tahap yang disebut narasi atau pass Pembentan kandidat itemset, kandidat dibent dari kombinasi (k- 1)-itemset yang didapat dari iterasi sebelumnya. Satu cara dari algoritma apriori adalah adanya pemangkasan kandidat yang subset-nya yang berisi k-1 item tidak termas dalam pola frekuensi tinggi dengan panjang k-1.penjualan prod sabun, mengalami peningkatan setiap bulannya, prod yang ditawarkan bermacam merek, merek mempengaruhi masyarakat unt membeli prod tersebut, unt mengetahui merek dengan penjualan terbanyak diperlan algoritma apriori unt dapat mengetahuinya, dan dengan bantuan tools tanagra, prod dengan penjualan terbanyak dapat diketahui. Algoritma apriori termas jenis aturan asosiasi pada data mining. Salah satu tahap analisis asosiasi yang menarik perhatian banyak peneliti unt menghasilkan algoritma yang efisien adalah analisis pola frequensi tinggi (frequent pattern mining). Penting tidaknya suatu asosiasi dapat diketahui dengan dua tolak ur, yaitu : support dan confidence. Support (nilai penunjang) adalah persentase kombinasi item tersebut dalam database, sedangkan confidence (nilai kepastian) adalah kuatnya hubungan antaritem dalam aturan asosiasi. Algoritma apriori dapat membantu unt pengembangan strategi pemasaran. Kata kunci: Data Mining, Penjualan Sabun, Algoritma Apriori, Association Rules. I. PENDAHULUAN Algoritma apriori pada saat ini telah diimplementasikan keberbagai bidang, salah satunya adalah bidang bisnis atau perdangangan dan bidang pendidikan, bidang bisnis misalnya implementasi data mining algoritma apriori unt sistem penjualan tujuanya unt membantu para pembisnis meningkatkan penjualan prod, Sedangkan di bidang pendidikan misalnya implementasi data mining unt meneman pola hubungan tingkat kelulusan mahasiswa dengan data ind mahasiswa. Teknologi informasi yang semakin lama semakin maju dan setiap saat selalu ada perkembangan sangatlah mempunyai peranan penting dalam segala aspek kehidupan, salah satu aspek yang tidak bisa lepas dari teknologi informasi adalah aspek perekonomian terutama dalam sistem penjualan prod. Banyaknya persaingan dalam dunia bisnis khususnya dalam industri penjualan, menuntut para pengembang unt meneman suatu strategi yang dapat meningkatkan penjualan dan pemasaran prod yang dijual, salah satunya adalah dengan pemanfaatan data penjualan prod sabun. Dengan adanya kegiatan penjualan setiap hari, data semakin lama akan semakin bertambah banyak. Data tersebut tidak hanya berfungsi sebagai arsip bagi perusahaan, data tersebut dapat dimanfaatkan dan diolah menjadi informasi yang berguna unt peningkatan penjualan dan promosi prod. Perlu sebuah kreativitas dan inovasi dari produsen agar penjualan prodnya bisa 219 ditingkatkan, apalagi melihat masyarakat sekarang yang mempunyai tingkat konsumtif tinggi terhadap barang-barang baru. Ada bermacam-macam cara unt mensiasati agar prod yang kita jual bisa meningkat dan diminati para konsumen. Adanya tuntutan maka memunculkan ide-ide baru dalam dunia teknologi informasi, dengan cara membuat aplikasi yang sekiranya bisa membantu para produsen unt meningkatkan penjualan prod. Salah satu caranya adalah memanfaatkan teknik data mining dalam hal ini menggunakan Algoritma Apriori (asosiasi data mining). II. LANDASAN TEORI A. Data Mining Data mining adalah suatu istilah yang digunakan unt meneman pengetahuan yang tersembunyi di dalam database. Istilah data mining dan Knowledge Discovery in Database (KDD) sering kali digunakan secara bergantian unt menjelaskan proses penggalian informasi tersembunyi dalam suatu basis data yang besar. Sebenarnya kedua istilah tersebut memiliki konsep yang berbeda, tetapi berkaitan satu sama lain dan salah satu tahapan dalam keseluruhan proses KDD adalah data mining (Turban-2005 ). Proses KDD secara garis besar dapat dijelaskan sebagai berikut: 1. Data Selection Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakan sebelum tahap penggalian informasi dalam KDD dimulai. Data

2 220 hasil seleksi yang akan digunakan unt proses data mining, disimpan dalam suatu berkas, terpisah dari basis data operasional. 2. Pre-processing/Cleaning Sebelum proses data mining dapat dilaksanakan, perlu dilakan proses cleaning atau pembersihan pada data yang menjadi fokus KDD. 3. Transformation Coding adalah proses transformasi pada data yang telah dipilih, sehingga data tersebut sesuai unt proses data mining. 4. Data Mining Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. 5. Interpretation / Evaluation Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bent yang mudah dimengerti oleh pihak yang berkepentingan. B. Metode Apriori Algoritma apriori adalah salah satu algoritma yang melakan pencarian frequent itemset dengan menggunakan teknik association rule. Algoritma apriori menggunakan pengetahuan frekuensi atribut yang telah diketahui sebelumnya unt memproses informasi selanjutnya. Pada algoritma apriori menentan kandidat yang mungkin muncul dengan cara memperhatikan minimum support dan minimum confidence. Support adalah nilai pengunjung atau persentase kombinasi sebuah item dalam database (Erwin-2009). Rumus support adalah sebagai berikut :. Sedangkan confidence adalah nilai kepercayaan yaitu kuatnya hubungan antar item dalam sebuah Apriori. Confidence dapat dicari setelah pola frekuensi munculnya sebuah item diteman. Berikut rumus confidence : Secara garis besar cara kerja algoritma apriori adalah: 1. Pembentan kandidat itemset, kandidat k- itemset dibent dari kombinasi (k-1)-itemset yang didapat dari iterasi sebelumnya. Satu ciri dari algoritma Apriori adalah adanya pemangkasan kandidat k-itemset yang subset-nya yang berisi k-1 item tidak termas dalam pola frekuensi tinggi dengan panjang k Penghitungan support dari tiap kandidat k- itemset. Support dari tiap kandidat k-itemset didapat dengan men-scan database unt menghitung jumlah transaksi yang memuat semua item di dalam kandidat k-itemset tsb. Ini adalah juga ciri dari algoritme apriori dimana diperlan penghitungan 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 supportnya lebih besar dari minimum support. 4. Bila tidak didapat pola frekuensi tinggi baru maka seluruh proses dihentikan. Bila tidak, maka k ditambah satu dan kembali ke bagian 1. III. ANALISA DAN PEMBAHASAN A. Analisa Masalah Pada tahap analisa ini akan ditampilkan data pola transaksi penjualan prod sabun, Berdasarkan data transaksi pada periode Januari Selanjutnya membuat tabulasi data transaksi. Pada data transaksi penjualan sabun di bent tabel tabular yang akan mempermudah dalam mengetahui berapa banyak item yang ada dibeli dalam setiap transaksi seperti pada tabel berikut: Tabel 1. Format Tabular Data Transaksi Transaksi Lifebuoy Nuvo sunslik rinso molto Jumlah Selanjutnya membent 1 Itemset, Berikut ini adalah penyelesaian berdasarkan data yang sudah disediakan pada tabel 2 proses pembentan C1 atau disebut dengan 1 itemset dengan jumlah minimum support = 30%. Perhitungan dengan rumus diatas menentan prod sabun yang diseleksi sebagai prod sabun yang paling banyak dan sering dibeli dengan berdasarkan jumlah penjualan dengan support minimal 30%.

3 221 Tabel 2. Item set transaksi Pembelian prod T1 {lifebuoy, nuvo, sunslik} T2 {lifebuoy, sunslik} {rinso, molto} (2/5) 0.4 Unt menentan kombinasi 2 item set digunakan rumus sebagai berikut : T3 {lifebuoy, rinso, sunslik} Support (AB) = jumlah transaksi mengandung AB T4 T5 {molto, lifebuoy, rinso, sunslik} {molto, rinso} Selanjutnya menentan perhitungan prod apakah yang paling banyak dibeli oleh konsumen. Disini dipakai minimal support adalah 30%. Jumlah support yang tertingi pada penjualan prod maka akan dikategorikan sebagai prod yang paling banyak dibeli oleh konsumen. Tabel 3. Kombinasi 1 Item set Intemset Support {lifebuoy} (4/5)0.8 {nuvo} (1/5)0.2 {sunslik} (4/5)0.8 {rinso} (3/5)0.6 {molto} (2/5)0.4 Unt menentan item set 1 digunakan rumus sebagai berikut : Support (A) = jumlah transaksi mengandung A Total Transaksi Keterangan : -Jumlah transaksi pada prod lifebuoy = 4 : total support 4:5 = 0.8 -Jumlah transaksi pada prod nuvo = 1 : total support 1:5 = 0.2 -Jumlah transaksi pada prod sunslik = 4 : total support 4:5 = 0.8 -Jumlah transaksi pada prod rinso = 3 : total support 4:5 = 0.6 -Jumlah transaksi pada prod molto = 2 : total support 4:5 = 0.4 Tabel 4. Kombinasi 2 Item set Itemset Support {lifebuoy, sunslik} (4/5) 0.8 {lifebuoy, rinso} (2/5) 0.4 {lifebuoy, molto} (1/5) 0.2 {sunslik, rinso} (2/5) 0.4 {sunslik, molto} (1/5) 0.2 Keterangan : Total Transaksi -Jumlah transaksi pada prod lifebuoy dan sunslik = 4 : total transaksi = 5, maka hasil support 4:5 = 0.8 -Jumlah transaksi pada prod lifebuoy dan rinso = 2 : total transaksi = 5, maka hasil support 1:5 = 0.4 -Jumlah transaksi pada prod lifebuoy dan molto = 4 : total transaksi = 5, maka hasil support 4:5 = 0.2 -Jumlah transaksi pada prod sunslik dan rinso = 3 : total transaksi = 5, maka hasil support 4:5 = 0.4 -Jumlah transaksi pada prod sunslik dan molto = 1 : total transaksi = 5, maka hasil support 4:5 = 0.2 -Jumlah transaksi pada prod rinso dan molto = 2 : total transaksi = 5, maka hasil support 4:5 = 0.4 setelah itu maka proses selanjutnya adalah menghitung confidience pada transaksi A dan transaksi B masing-masing jumlah support. Unt hasil perhitunganya adalah sebagai berikut : Confidience(lifebuoy, sunslik) = 0.8/0.8 = 1 = 100% Confidience(lifebuoy, rinso) = 0.4/0.6 = 0,66 = 66% Confidience(lifebuoy, molto) = 0.2/0.4 = 0,5 = 55% Confidience(sunslik, rinso) = 0.4/0.6 = 0.66 = 66% Confidience(sunslik, molto) = 0.2/0.4 = 0.5 = 55% Confidience(rinso, molto) = 0.4/0.4 = 1 = 100% Berdasarkan Tabel 2, prod yang paling banyak sering dibeli oleh konsumen adalah Lifebuoy dan sunslik dengan support 0.8 pada masing-masing prod. dengan diketahuinya prod yang paling sering dibeli konsumen, maka perusahaan dapat menyusun strategi dalam penentuan pembelian sabun unt menjaga ketersedian sabun yang dibutuhkan konsumen dan juga dapat mengatur tata letak sabun berdasarkan kombinasi itemset sabun yang terbent dengan susunan rapi agar mudah melakan proses penjualan. IV. IMPLEMENTASI Menjalankan aplikasi aplikasi sangat mudah dan seperti menjalankan aplikasi lainnya yang terdapat pada komputer. 1. Klik logo start windows yang berada dipojok kiri paling sudut dari taskbar > Klik all programs > lalu klik aplikasi aplikasi data mining.

4 Pada menu data prod di atas merupakan kumpulan data prod yang akan dijual. Admin harus melakan proses input data prod agar disimpan di dalam database unt keperluan pendataan. Gambar 1. Menjalankan Aplikasi 2. Klik ikon dari aplikasi tersebut maka secara laangsung terbalah aplikasi login aplikasi seperti pada gambar di bawah ini. Gambar 5. Tampilan Data Transaksi Gambar 2. Form login aplikasi. 3. Isikan kolom username dan password lalu klik login maka akan tampil window halaman menu utama aplikasi data mining. 6. Selanjutnya adalah tombol data transaksi. Pada data transaksi merupakan proses transaksi pada prod yang dijual. Tahapan ini perlu dilakan un memperoleh data transaksi pada setiap prod yang terjual. Tujuan lain adalah unt memudahkan proses data mining saat perhitungan. Setelah itu maka akan mas pada sesi aturan seperti gambar di bawah ini: Gambar 3. Form Menu Aplikasi 4. Pada tampilan form menu ini merupakan koleksi daftar menu yang terdapat pada aplikasi data mining yang dibangun. Ada menu data prod, transaksi, aturan, laporan, tentang aplikasi dan terakhir menu exit. Un selanjutnya cara penggunaan data mining adalah dengan mengklik menu data prod agar dapat menginpan data prod yang ada. Gambar 6. Form Menu aturan 7. Pada menu aturan pada gambar 6 adalah proses pembentan aturan dalam perhitungan data mining dengan metode apriori. Pada tahapan ini akan diperoleh hasil penjualann prod yang Id at ur a n Nama prod Jumla h pr od Total tran saks i Suppo rt 01 Lifebuo y 02 Nuvo Sunslik Gambar 4. Form Data Prod

5 Id at ur a n Nama prod Jumla h pr od Total tran saks i 04 Molto Rinso Suppo rt 223 Gambar 7. Form Menu Hasil Laporan prod terjual paling banyak V. KESIMPULAN Kesimpulan dari penulisan penelitian ini adalah: 1. Aplikasi ini sedikit berbeda dengan aplikasi Data Mining dengan Metode Apriori lainya yaitu sistem yang dirancang masih memiliki kekurangan dibandingkan aplikasi aplikasi Data Mining dengan Metode Apriori yang lainnya. 2. Aplikasi Data Mining dengan Metode Apriori ini juga mempunyai tampilan user yang mudah dipahami atau digunakan oleh para pengguna komputer. 3. Aplikasi ini sangat berguna bagi perusahaan unt dapat dijadikan media informasi yang baik dalam proses manajemen penjualan prod. DAFTAR PUSTAKA [1] Heru Dewantara, Purnomo Budi Santoso, and Nasir Widha Setyanto, "Perancangan Aplikasi Data Mining dengan algoritma Apriori unt Frekuensi Analisis Keranjang Belanja pada Data Transaksi Penjual " jrmsi, vol., 1 no.3,pp , [2] Robi Yanto, Riri Khoiriah, "Implementasi Data Mining dengan Metode Algoritma Apriori dalam Menentan Pola Pembelian Obat," STMIK BINA NUSANTARA, Jaya Lublingau, Citec Journal, Vol. 2, No. 2, Februari 2015 April [3] Dewi Kartika Pane, "Implementasi Data Mining pada Penjualan Prod Elektronik dengan Algoritma Apriori (Studi Kasus : Kreditplus),"STMIK BUDIDARMA, Medan, Pelita Informatika Budi Darma, Volume : IV, Nomor: 3, Agustus [4] Almon Junior Simanjuntak, "Aplikasi Data Mining unt Pemodelan Pembelian Barang Menggunakan Algoritma Apriori", [5] Kennedi Tampubolon, Hoga Saragih, dan Bobby Reza, "Implementasi Data Mining algoritma Apriori pada Sistem Persediaan alat-alat Kesehatan", [6] A.A Gede Bagus Mariana dan I Made Dwi Putra Asana, "Analisis Keranjang Belanja dengan Algoritma Apriori pada Perusahaan retail", [7] Wijhah Islamika, "Analisis Asosiasi Data dengan Algoritma Apriori unt Sistem Pendung Keputusan Penjualan barang berbasis WEB," Universitas Islam Negeri Sunan Kalijaga, [8] Larose,Daniel T,2006. Data Mining Meyhods and Models. John Willey & Sons,Inc.New Jersey. [9] Kusrini, Luthfi, E. T., 2009, Algoritma Data Mining, Andi Offset, Yogyakarta. [10] Buulolo, ALGORITMA APRIORI PADA DATA PENJUALAN DI SUPERMARKET, in Seminar Nasional Inovasi dan Teknologi Informasi 2015 (SNITI), 2015, no. September 2015, pp. 4 7.