ANALISA ALGORITMA APRIORI UNTUK MENENTUKAN MEREK PAKAIAN YANG PALING DIMINATI PADA MODE FASHION GROUP MEDAN

Transkripsi

1 ANALISA ALGORITMA APRIORI UNTUK MENENTUKAN MEREK PAKAIAN YANG PALING DIMINATI PADA MODE FASHION GROUP MEDAN Eka Novita Sari ( ) Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl. Sisingamangaraja 338 Simpang Limun Medan : bpratama435@gmail.com ABSTRAK Penjualan pakaian wanita mengalami peningkatan setiap bulannya, produk yang ditawarkan bermacam merek, untuk mengetahui merek yang paling diminati diperlukan algoritma apriori. dan untuk mendapatkan hasil yang lebih baik digunakan Tools Tanagra. Algoritma apriori termasuk jenis aturan asosiasi pada data mining. Salah satu tahap analisis asosiasi yang menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien adalah analisis pola frequensi tinggi(frequent pattern mining). Penting tidaknya suatu asosiasi dapat diketahui dengan dua tolak ukur, yaitu : support dan confidence. (nilai penunjang) adalah persentase kombinasi item tersebut dalam database, sedangkan confidence (nilai kepastian) adalah kuatnya hubungan antar-item dalam aturan asosiasi. Kata Kunci: Analisa, Merek Pakaian, Algoritma Apriori,, Confidence 1. Pendahuluan Fashion adalah kombinasi atau perpaduan dari gaya atau style dengan desain yang cenderung dipilih, diterima, digemari, dan digunakan oleh mayoritas masyarakat yang bisa memberikan kenyamanan dan membuat lebih baik pada satu waktu tertentu. Beberapa kalangan menganggap fashion sebagai tolak ukur status seseorang dalam bersosialisasi dan tingkat ekonomi. Semakin mahal, berkualitas tinggi dan produksi merek terkenal sebuah busana yang dipakai, maka semakin tinggi pula tingkat ekonomi dan tingkat sosialisasi seseorang tersebut. Data mining adalah metode untuk mencari data terlaris atau paling banyak di butuhkan customer. Data mining merupakan analisis data menggunakan tool untuk menemukan pola dan aturan dalam himpunan data. Perangkat lunak bertugas untuk menemukan pola dengan mengidentifikasi aturan dan fitur pada data dan diharapkan mampu mengenal pola ini dalam data dengan input minimal dari user. Salah satu bentuk pola yang dapat dihasilkan data mining adalah association rule. Association Rule dapat digunakan untuk menemukan hubungan atau sebab akibat. Association rule dapat dihasilkan dengan Algoritma Apriori. Algoritma Apriori yang bertujuan untuk menemukan frequent itemsets dijalankan pada sekumpulan data. Analasis Apriori didefenisikan suatu proses untuk menemukan semua aturan apriori yang memenuhi syarat minimum untuk support dan syarat minimum untuk confidence. adalah nilai penunjang, atau persentase kombinasi sebuah item dalam database. Sedangkan confidence adalah nilai kepastian yaitu kuatnya hubungan antar item dalam sebuah apriori. Confidence bisa dicari setelah pola frekuensi munculnya sebuah item ditemukan. 2. Landasan Teori 2.1 Data Mining Data mining merupakan suatu proses pendukung pengambil keputusan dimana kita mencari pola informasi dalam data. Pencarian ini dapat dilakukan oleh pengguna, misalnya dengan menggunakan query atau dapat dibantu dengan suatu aplikasi yang secara otomatis mencari pola informasi pada basis data. Pencarian ini disebut discovery. Discovery adalah proses pencarian dalam basis data untuk menemukan pola yang tersembunyi tanpa ide yang didapatkan sebelumnya atau hipotesa tentang pola yang ada. Dengan kata lain aplikasi mengambil inisiatif untuk menemukan pola dalam data tanpa pengguna berpikir mengenai pertanyaan yang relevan terlebih dulu. ( Dana Sulistiyo Kusumo, Moch. Arief Bijaksana, Dhinta Darmantoro, Data Mining Dengan Algoritma Apriori Pada RDBMS Oracle,2003) Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan didalam database. Data mining adalah proses yang menggunakan teknik statistic, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang 35

2 terkait dari berbagai database besar.(kusrini, Emha Taufiq Luthfi, 2010 : 3) Berikut ini beberapa defenisi data mining dikutip dari beberapa sumber (Kusrini, Emha Taufiq Luthfi, 2010 : 3) ; 1. Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual. 2. Data mining adalah analisis dari peninjauan kumpulan data untuk menemukan hubungan yang tidak diduga dan meringkas data dengan cara yang berbeda dengan sebelumnya, yang dapat dipahami dan bermanfaat bagi pemilik data. Sedangkan pengertian data mining menurut penulis adalah sebagai berikut ; Data mining adalah suatu proses otomatis data-data yang sangat besar dan bertujuan untuk mendapatkan hubungan atau pola yang memberikan manfaat. Salah satu kesulitan untuk mendefenisikan data mining adalah kenyataan bahwa data mining mewarisi banyak aspek dan teknik dari bidangbidang ilmu yang sudah mapan. 2.2 Apriori Algoritma Apriori adalah suatu algoritma dasar yang diusulkan oleh Agrawal & Srikant pada tahun 1994 untuk penentuan frequent itemsets untuk aturan asosiasi boolean. Algoritma a priori termasuk jenis aturan asosiasi pada data mining. Aturan yang menyatakan asosiasi antara beberapa atribut sering disebut affinity analysis atau market basket analysis. Analisi asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan suatu kombinasi item. Salah satu tahap analisis asosiasi yang menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien adalah analisis pola frequensi tinggi(frequent pattern mining). Penting tidaknya suatu asosiasi dapat diketahui dengan dua tolak ukur, yaitu : support dan confidence. (nilai penunjang) adalah persentase kombinasi item tersebut dalam database, sedangkan confidence (nilai kepastian) adalah kuatnya hubungan antaritem dalam aturan asosiasi. 2.3 Analisis Pola Frekuensi Tinggi dengan Algoritma Apriori Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam basis data. Nilai support sebuah item diperoleh dengan menggunakan rumus berikut: (Kusrini, Emha Taufiq Luthfi, 2010 : ) Untuk mencari nilai support dari 2 item diperoleh dengan menggunakan rumus : Untuk mencari nilai support dari 2 item diperoleh dengan menggunakan rumus : 2.4 Pembentukan Aturan Asosiasi Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan asosiatif A B. Nilai confidence dari aturan A B diperoleh dengan rumus berikut: (Kusrini, Emha Taufiq Luthfi, 2010 : 154) Untuk menentukan aturan asosiasi yang akan dipilih maka harus diurutkan berdasarkan Confidence. Aturan diambil sebanyak n aturan yang memiliki hasil terbesar. 3. Pembahasan 3.1 Penerapan Algoritma Apriori Dalam menganalisa kebutuhan dengan menggunakan algoritma apriori, dapat diketahui pola frekuensi tinggi tentang jenis barang-barang yang paling banyak atau paling sering dibeli konsumen Tetapkan pola frekuensi tinggi 1. Data transaksi Data transaksi merupakan data yang diperoleh dari penjualan harian.berikut ini merupakan representasi dari data transaksi penjualan pakaian wanita pada Mode Fashion Group berdasarkan merek. Tabel 1 : Representasi Transaksi penjualan Transaksi Itemset / bulan 1 Cressida, Damor, Screenplay,, (x)s.m.l, Diel 2 Diel, Chanira, Amary, Levi s, Hoopkins, Zarra 3 Diel, Damor, Hoopkins, Zara, Screenplay, Raspberry 36

3 Tabel Daftar Kandidat dua kombinasi (C2) Tabel Daftar Item Kandidat 2 itemset (L2) Algoritma apriori adalah algoritma yang paling terkenal untuk menemukan pola frekuensi tinggi dalam data mining. Algoritma aepriori dibagi menjadi beberapa tahap yang disebut iterasi. Berikut ini adalah skema Prose Pengolahan Data Menggunakan Algoritma Apriori 2. Penentuan Kandidat Pertama Penentuan Kandidat Pertama diperoleh dari item-item yang terdapat pada representasi data penjualan 6 item yang paling diminati setiap bulanny. Berikut ini adalah tabel item yang menjadi Kandidat pertama; (x) S.M.L, (x) S.M.L, Cressida (x) S.M.L, Damor (x) S.M.L, Diel (x) S.M.L, Hoopkins (x) S.M.L, Screenplay (x) S.M.L, Surfer girl (x) S.M.L, Zara, Cressida, Damor, Diel, Hoopkins, Screenplay, Surfer girl, Zara Cressida, Damor Cressida, Diel Cressida, Hoopkins Cressida, Screenplay Cressida, Surfer girl Cressida, Zara Damor, Diel Damor, Hoopkins Damor, Screenplay Damor, Surfer girl Damor, Zara Diel, Hoopkins Diel, Screenplay Diel, Surfer girl Diel, Zara Hoopkins, Screenplay Hoopkins, Surfer girl Hoopkins, Zara Screenplay, Surfer girl Screenplay, Zara Surfer girl, Zara Item (merek) Item (merek) support (x) S.M.L, 50% (x) S.M.L, Cressida 25% (x) S.M.L, Damor 16,67% (x) S.M.L, Diel 16,67% (x) S.M.L, Hoopkins 33,33% (x) S.M.L, Screenplay 25% (x) S.M.L, Surfer girl 25% (x) S.M.L, Zara 25%, Cressida 33,33%, Damor 33,33%, Diel 16,67%, Hoopkins 33,33%, Screenplay 33,33%, Surfer girl 41,67%, Zara 25% Cressida, Damor 25% Cressida, Diel 25% Cressida, Hoopkins 8,33% Cressida, Screenplay 16,67% Cressida, Surfer girl 25% Cressida, Zara 16,67% Damor, Diel 41,67% Damor, Hoopkins 33,33% Damor, Screenplay 41,67% Damor, Surfer girl 25% Damor, Zara 25% Diel, Hoopkins 25% Diel, Screenplay 41,67% Diel, Surfer girl 25% Diel, Zara 33,33% Hoopkins, Screenplay 33,33% Hoopkins, Surfer girl 16,67% Hoopkins, Zara 41,67% Screenplay, Surfer girl 33,33% Screenplay, Zara 50% Surfer girl, Zara 33,33% Tabel Daftar L2 yang mencapai support min =50% Item (merek) (x) S.M.L, 50% Screenplay, Zara 50% Pembentukan Aturan Asosiasi Setelah semua pola frekuensi tinggi ditemukan. Kemudian dihitung confidence masing-masing kombinasi item. Iterasi berhenti ketika semua item telah dihitung sampai tidak ada kombinasi item lagi. Tabel 4 : Aturan Asosiasi Aturan Asosiasi Table Daftar Aturan Asosiasi Aturan Asosiasi Final Table Daftar Aturan Asosiasi Tabel Daftar Kandidat Pertama (C1) 1. (x) S.M.L Cressida 4. Damor 5. Diel 6. Hoopkins 7. Levi s 8. Logo 9. Raspberry Item 10. Screenplay 11. Surfer girl 12. Zara Tabel 2 : Kandidat Tabel Daftar Item Kandidat Pertama (L1) Item 1. (x) S.M.L 50% 2. 66,67% 3. Cressida 58,33% 4. Damor 58,33% 5. Diel 50% 6. Hoopkins 50% 7. Levi s 33,33% 8. Logo 33,33% 9. Raspberry 25% 10. Screenplay 66,67% 11. Surfer girl 58,33% 12. Zara 58,33% Tabel Daftar L1 yang mencapai support min =50% Item (merek) (x) S.M.L 50% 66,67% Cressida 58,33% Damor 58,33% Diel 50% Hoopkins 50% Screenplay 66,67% Surfer girl 58,33% Zara 58,33% 3. Penentuan Kandidat Kedua Kandidat kombinasi 2 itemset diambil dari kandidat pertama 1 itemset yang mencapai ataupun melebihi support minimal. Tabel 3 : Kandidat Kedua Kombinasi Item (merek) confidence Jika membeli (x)s.m.l, maka 6/6 100% akan membeli Jika membeli, maka 6/8 75% akan membeli (x)s.m.l Jika membeli Zara, maka akan 6/7 85% membeli Screenplay Jika membeli screenplay, maka akan membeli Zara 6/8 75% Kombinasi Item (merek) support confidenc e Jika membeli (x)s.m.l, 50% 100% maka akan membeli Jika membeli, 50% 75% maka akan membeli (x)s.m.l Jika membeli Zara, maka 50% 85% akan membeli Screenplay Jika membeli screenplay, maka akan membeli Zara 50% 75% 4. Algoritma Dan Implementasi 4.1. Algoritma (nilai penunjang) adalah persentase item yang ada dalam database. Input : (x) S.M.L 16DS Amary Batik chic Batik-U Cavalier Chanira Cressida Damor Diel 37

4 Head Hand Heart Hoopkins Levi s Logo Lois Girl Now & Forever O2M OZY batik Raspberry Screenplay Surfer girl Triset Zara Zarra Transaksi per bulan Output : support; Proses : ((x)s.m.l) (Amary) () (Chanira) (Cressida) (Damor) (Diel) support (Hoopkins) (Logo) (OZYbatik) (Raspberry) (Screenplay) (Surfergirl) (Triset) (Zara) (Zarra) If support >= 50% then min support terpenuhi Else Tereliminasi; 4.2 Algoritma Confidence Confidence (nilai kepastian) adalah kuatnya hubungan antar-item dalam aturan asosiasi. Input : Diel Hoopkins Screenplay Output : confidence; Proses : Confidence (Diel, Screenplay) Confidence (Screenplay, diel) Confidence (hoopkins, screenplay) (Live s) Confidence (screenplay, hoopkins) If confidence >= 70% then confidence terpenuhi Else Tereliminasi; 38

5 5. Kesimpulan Dan Saran 5.1 Kesimpulan Berdasarkan penelitian yang telah dilakukan, maka penulis mengambil kesimpulan bahwa; 1. Penerapan algoritma apriori berpedoman pada perhitungan nilai support dan confidence. Dalam proses menghitung nilai support dan confidence akan lebih sulit, jika data yang ingin diolah dalam jumlah besar. 2. Pengaplikasian algoritma apriori menggunakan tools Tanagra versi 1.4 dimulai dengan cara mengimport data penjualan per bulan dalam format tabular menggunakan Microsoft excel. Semakin banyak data, maka semakin sulit dalam membuat format tabular. Karena harus memasukkan data satu per satu. Akan tetapi dalam mencari item (merek) yang paling diminati lebih praktis. [7] 23 mei 2013 [8] microsoft-excel-2007/, 23 Mei Saran Berdasarkan proses yang telah dilakukan, maka penulis memberikan saran sebagai berikut ; 1. Sebaiknya objek penelitian lebih spesifik. 2. Sebaiknya data penjualan yang digunakan adalah data yang lebih besar, sehingga diperoleh hasil yang lebih baik. 3. Sebaiknya para peneliti selanjutnya mencoba tools lain dalam menyelesaikan Tools yang diguanakan tidak harus tanagra versi 1,4 karena tanagra versi 1,4 memiliki kelemahan yaitu pada pembuatan tabel tabular untuk database nya, karena jika data penjualan mencapai ribuan dan item mencapai puluhan bahkan ratusan, maka pembuatan tabel tabular akan semakin sulit. Daftar Pustaka [1] Kusrini, Emha Taufiq Luthfi, Algoritma Data Mining, [2] Feri Sulianta & Dominikus Juju, Jakarta 2010, Data Mining Meramalkan Bisnis Perusahaan, PT. Alex Komputindo Kelompok Gramedia, Anggota IKAPI Jakarta [3] Dana Sulistiyo Kusumo, Moch. Arief Bijaksana, Dhinta Darmantoro. Data Mining Dengan Algoritma Apriori Pada RDBMS Oracle,2003, Jurnal Penelitian dan Pengembangan TELEKOMUNIKASI, Juni 2003, Vol. 8 1, [4] nalisa_info2180.html, 23 Mei 2013 [5] 22 mei 2013 [6] 7 mei