Cynthia Banowaty Pembimbing : Lely Prananingrum, S.Kom., MMSi

Ukuran: px

Mulai penontonan dengan halaman:

Download "Cynthia Banowaty Pembimbing : Lely Prananingrum, S.Kom., MMSi"

Deddy Sugiarto
6 tahun lalu
Tontonan:

1 DATA MINING UNTUK PERANCANGAN PENGAMBILAN KEPUTUSAN PRODUK KERAJINAN MENGGUNAKAN ALGORITMA APRIORI BERBASIS WEBSITE Cynthia Banowaty Pembimbing : Lely Prananingrum, S.Kom., MMSi

2 Latar Belakang Masalah

3 Batasan Masalah Data kerajinan yang digunakan berdasarkan pada kota Cirebon, data-data yang diperoleh tersebut didapatkan dari JCC (Jabar Craft Center) yang berlokasi di kota Bandung. Data yang diambil merupakan data transaksi pembelian produk pada bulan Januari sampai dengan April tahun Aplikasi yang dibuat, ditujukan untuk admin.

4 Tujuan Penulisan Melakukan analisis data kerajinan dan membuat aplikasi data mining dengan algoritma apriori, untuk menentukan pertumbuhan produk kerajinan tangan Cirebon pada suatu toko kerajinan. Membantu proses menentukan produk yang paling banyak diminati yang akan dijadikan produk unggul. Produk unggul tersebut akan digunakan sebagai suatu keputusan yang berguna bagi pemasaran produk kerajinan.

5 Metode Penelitian 1. Studi Pustaka Mempelajari teori-teori data mining. Mencari informasi yang terkait dengan penulisan menggunakan penulusuran internet. 2. Studi Lapangan Pengumpulan Data Perancangan Sistem

6 Proses Data Mining

7 Aturan Asosiasi (Association Rule) Aturan asosiasi (association rule) adalah metode data mining untuk mencari suatu hubungan yang menunjukkan kondisi di dalam satu set data, yang beberapa nilai atribut akan muncul secara bersamaan.

8 Analisa Asosiasi dengan Algoritma Apriori Dalam menentukan suatu association rule, terdapat suatu interestingness measure (ukuran ketertarikan) yang didapatkan dari hasil pengolahan data dengan perhitungan tertentu, yaitu : a. Support (nilai penunjang/pendukung) b. Confidence (nilai kepastian/keyakinan) Kedua ukuran ini nantinya berguna dalam menentukan interesting association rules, yaitu untuk dibandingkan dengan batasan (threshold) yang ditentukan oleh user.

Analisis Pencarian Pola Frekuensi Tinggi : C1 (Kandidat 1-Itemset) Itemset Kode_Barang Support Support_Cou nt(%) Guci Rotan R1 3 3/35 = 8% Tempat tidur bayi rotan R2 1 1/35 = 2% Keranjang buah dari

9 Analisis Pencarian Pola Frekuensi Tinggi : C1 (Kandidat 1-Itemset) Itemset Kode_Barang Support Support_Cou nt(%) Guci Rotan R1 3 3/35 = 8% Tempat tidur bayi rotan R2 1 1/35 = 2% Keranjang buah dari rotan R3 2 2/35 = 5% Keranjang belanja dari rotan R4 2 2/35 = 5% Kerajian bunga rotan R5 1 1/35 = 2% Kursi Rotan R6 2 2/35 = 5% Furniture Rotan R7 8 8/35 = 22% Batik Cap B1 3 3/35 = 8% Batik tulis khas Cirebon B2 4 4/35 = 11% Batik Cirebon B3 4 4/35 = 11% Batik Bordir B4 4 4/35 = 11% Batik Trusmi B /35 = 37% Kaca Patri K1 2 2/35 = 5% Kaca Grafis K2 2 2/35 = 5% Kaca Pasta K3 1 1/35 = 2% Lukisan Kaca K4 4 4/35 = 11% Karpet Eceng Gondok G1 1 1/35 = 2% Tas Eceng Gondok G2 1 1/35 = 2% Lampu Hias LH 1 1/35 = 2% Souvenir SO 8 8/35 = 22% Kaligrafi KL 2 2/35 = 5% Wayang WY 2 2/35 = 5% Relief Tembaga RT 1 1/35 = 2% Meubeul Kayu Jati JT 7 7/35 = 20% Hiasan Dinding HD 2 2/35 = 5% Topeng TP 9 9/35 = 25% Boboko BO 8 8/35 = 22% Kerajinan Kerang A /35 = 34% Lampu Duduk Kulit Kerang LK 3 3/35 = 8% Guci Kerang GK 4 4/35 = 11%

10 Analisis Pencarian Pola Frekuensi Tinggi : L1 (Large 1-itemset) Inisial Itemset Support Support _Count(%) A Furniture Rotan 8 8/35 = 22% B Batik Trusmi 13 13/35 = 37% C Souvenir 8 8/35 = 22% D Meubeul Kayu Jati 7 7/35 = 20% E Topeng 9 9/35 = 25% F Boboko 8 8/35 = 22% G Kerajinan Kerang 12 12/35 = 34% Berdasarkan Tabel 3.3 (C1) yang berisi item-item dengan support yang dimilikinya, selanjutnya dicari L1= {large 1-itemset} dengan memilih item yang memenuhi nilai minimum support 20%. Sehingga didapatkan tabel seperti di atas.

11 Analisis Pencarian Pola Frekuensi Tinggi : C2 (Kandidat 2-itemset) Itemset Support Support_Count (%) {A,B} 1 1/35 = 2% {A,C} 0 0/35 = 0% {A,D} 0 0/35 = 0% {A,E} 1 1/35 = 2% {A,F} 0 0/35 = 0% {A,G} 1 1/35 = 2% {B,C} 2 2/35 = 5% {B,D} 0 0/35 = 0% {B,E} 2 2/35 = 5% {B,F} 1 1/35 = 2% {B,G} 2 2/35 = 5% {C,D} 1 1/35 = 2% {C,E} 2 2/35 = 5% {C,F} 0 0/35 = 0% {C,G} 2 2/35 = 5% {D,E} 2 2/35 = 5% {D,F} 1 1/35 = 2% {D,G} 0 0/35 = 0% {E,F} 1 1/35 = 2% {E,G} 4 4/35 = 11% {F,G} 0 0/35 = 0% Proses selanjutnya yaitu menghasilkan kandidat 2-itemsets atau C2, dengan melalui tahap join (gabung) yaitu dengan mengkombinasikan produk atau item yang ada pada Tabel L1. Selanjutnya akan dihasilkan tabel seperti di samping.

12 Analisis Pencarian Pola Frekuensi Tinggi : L2 (Large 2-itemset) Itemset Support Support_Count (%) B=>C 2 2/35 = 5% C=>B 2 2/35 = 5% B=>E 2 2/35 = 5% E=>B 2 2/35 = 5% B=>G 2 2/35 = 5% G=>B 2 2/35 = 5% C=>E 2 2/35 = 5% E=>C 2 2/35 = 5% C=>G 2 2/35 = 5% G=>C 2 2/35 = 5% D=>E 2 2/35 = 5% E=>D 2 2/35 = 5% E=>G 4 4/35 = 11% G=>E 4 4/35 = 11% Setelah dihitung dan ditemukan support dari tiap kandidat 2- itemsets, maka dengan tahap pemangkasan (prune) yaitu menghilangkan item yang tidak memenuhi nilai minimum support 5% dapat ditetapkan sebagai frequent itemset dengan panjang 2 atau Large 2-itemset (L2), seperti tabel di saming.

13 Pembentukan Aturan Asosiasi (Association Rule) Itemset Support Support_Count (%) Rumus Confidence Confidence (%) B=>C 2 2/35 = 5% (B,C)/B 2/13 = 15% C=>B 2 2/35 = 5% (C,B)/C 2/8 = 25% B=>E 2 2/35 = 5% (B,E)/B 2/13 = 15% E=>B 2 2/35 = 5% (E,B)/E 2/9 = 22% B=>G 2 2/35 = 5% (B,G)/B 2/13 = 15% G=>B 2 2/35 = 5% (G,B)/G 2/12 = 16% C=>E 2 2/35 = 5% (C,E)/C 2/8 = 25% E=>C 2 2/35 = 5% (E,C)/E 2/9 = 22% C=>G 2 2/35 = 5% (C,G)/C 2/8 = 25% Untuk mencari aturan asosiasi dari iterasi terhadap langkahlangkah yang dilakukan sebelumnya, kemudian akan dihitung nilai confidence dari setiap item yang terdapat pada L2 berdasarkan nilai confidence dari aturan A => B diperoleh dari rumus berikut: G=>C 2 2/35 = 5% (G,C)/G 2/12 = 16% D=>E 2 2/35 = 5% (D,E)/D 2/7 = 28% E=>D 2 2/35 = 5% (E,D)/E 2/9 = 22% E=>G 4 4/35 = 11% (E,G)/E 4/9 = 44% G=>E 4 4/35 = 11% (G,E)/G 4/12 = 33%

14 Aturan Asosiasi (Association Rule) No. IF Antecendent ELSE Consequence (X=>Y) Support_Count (%) Confidence (%) 1. Meubeul Kayu Jati => Topeng 2. Topeng => Kerajinan Kerang 3. Kerajinan Kerang => Topeng 2/35 = 5% 2/7 = 28% 4/35 = 11% 4/9 = 44% 4/35 = 11% 4/12 = 33% Selanjutnya dimisalkan nilai minimum confidence = 28%, maka aturan asosiasi yang mungkin terbentuk adalah sebagai berikut: 1. Untuk rule 1, D=>E dapat dibaca Jika membeli Meubeul Kayu Jati, maka akan membeli Topeng dengan support 5% dan confidence 28%. 2. Untuk rule 2, E=>G dapat dibaca Jika membeli Topeng, maka akan membeli Kerajinan Kerang dengan support 11% dan confidence 44%. 3. Untuk rule 3, D=>C dapat dibaca Jika membeli Kerajinan Kerang, maka akan membeli Topeng dengan support 11% dan confidence 33%.

15 Diagram Activity Admin Start Login Tidak Input user dan pass Menu Utama Data Produk List Data Transaksi Proses Data Mining Add, Edit, Delete, Back, Upload Add, Edit, Delete, Back, Upload, Search Input min.confidence, Proses, Delete, Back, Print Simpan Data Produk Simpan Data Transaksi Tampil dan Cetak Hasil End

16 Diagram Use Case Add Edit Data Barang Delete Upload Add Edit Admin Login List Data Transaksi Delete Upload Search min.confidence Proses Analisis Apriori Delete Print

17 Diagram Class Data Produk Login +User: string +Password: string +tampilan() +proses() Menu Utama +Data Produk: string +List Data Transaksi: string +Proses Data Mining: string +tampilan() +proses() +Input Kode Barang: string +Input Nama Barang: string +tampil() +proses() +add() +edit() +delete() +back() +upload() List Data Transaksi +Input ID Transaksi: string +Input Kode Barang: string +Searching: string +tampil() +proses() +add() +edit() +delete() +back() +upload() Proses Data Mining +Input min.confidence: string +proses() +delete() +back() +print() +proses() +tampil()

18 Diagram Sequence Admin Apriori Proses 1 : Input min.support() 2 : Perhitungan Support() 3 : Input min.confidence() 4 : Perhitungan Confidence() 5 : Hasil Suggesti()

19 Alur Kerja (Flowchart) dari Sistem

20 Relasi Antar Tabel

21 Perancangan Struktur Aplikasi Data Mining

22 Halaman Utama

23 Tampilan Login

24 Tampilan Menu Utama

25 Tampilan Data Produk

26 Tampilan List Data Transaksi

27 Halaman Proses Data Mining

28 Kesimpulan Dapat menghasilkan sebuah sistem pendukung keputusan penjualan barang untuk suatu toko kerajinan yang dapat membantu admin toko untuk menyeimbangkan nilai guna barang. Dapat mengetahui barang yang sering dibeli oleh konsumen secara bersamaan. Dapat digunakan sebagai alat bantu meminimalisasi kesalahan dan memungkinkan pihak toko kerajinan memiliki sistem pendukung keputusan penjualan barang yang dapat digunakan untuk mengetahui keterkaitan antar barang yang dibeli oleh konsumen dan meningkatkan pelayanan pada konsumen.

29 Saran Pengembangan dengan menambahkan volume data, penggunaan level confidence dan support yang bervariasi sehingga diperoleh lebih banyak lagi asosiasi antar data. Menambahkan tanggal pada data transaksi, sehingga dapat diketahui seberapa besar pegaruh penjualan dalam waktu tertentu.

dokumen-dokumen yang mirip

Assocation Rule. Data Mining

Assocation Rule. Data Mining Assocation Rule Data Mining Association Rule Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Aturan yang menyatakan