IMPLEMENTASI METODE ALGORITMA APRIORI PADA SISTEM PENDUKUNG KEPUTUSAN ORDER BARANG Evi Nadya Prisilla, Andi Farmadi 2, Heru Kartika Candra 3 1Mahasiswa Prog. Studi Ilmu Komputer Fakultas MIPA Universitas Lambung Mangkurat 2Dosen Prog. Studi Ilmu Komputer Fakultas MIPA Universitas Lambung Mangkurat 3Dosen Politeknik Banjarmasin Jl. A. Yani Km 36 Banjarbaru, Kalimantan selatan Email: laprisilla@gmail.com Abstract The rapid development of information and technology has brought a change in mindset of decision and an analysis pattern of information and technology which has become a means to assist human beings in solving both small and big problems. Hardwarestoresstilluse thetraditional way ofengineeringgoodsordersso thatthe inefficiency oftimeand reports.data mining is a technique to gain knowledge from the data, one the methodsof data miningisassociationwhere this techniqueis usefultofindtheassociativerulealgorithmprioribetweenacombinationof items.in this research, the process of extracting data on sales transactions was occupied. The results obtained from a study using the technique of association by applying apriori algorithm were some rules, and one selected rule with the highest result of multiplying the value of support and confidence if buy B0006 then buy B0001 was 0.047; thus, the transaction of Hardware Banjarbaru Store applied the rule, that was: if you bought skirt, you would buy blouse. Keyword : Association, Apriori Algorithm, Desktop Abstrak Pesatnya perkembangan teknologi informasi telah membawa perubahan pola pikir keputusan dan pola analisa teknologi informasi yang saat ini menjadi sebuah sarana untuk membantu manusia dalam menyelesaikan berbagai persoalan baik yang ringan maupun berat. Toko Hardware masih menggunakan cara tradisional dalam teknik order barang sehingga kurang efisiennya waktu dan laporan yang dibuat. Data mining merupakansalahsatuteknikuntukmenggalipengetahuandari data, salahsatumetode data mining adalah asosiasi dimana teknik ini berguna untuk menemukan aturan asosiatif dengan algoritma apriori antara suatu kombinasi item. Pada penelitian ini dilakukan proses penggalian data tentang transaksi penjualan. Hasil yang diperoleh dari penelitian menggunakan teknik asosiasi dengan menggunakan algoritma apriori adalah diperolehnya beberapa rule dan dipilih salah satu rule yang memiliki nilai hasil perkalian support dan confidence tertinggi if buy B0006 then buy B0001 paling besar yaitu 0,047, maka untuk transaksi pada Implementasi Algoritma Apriori pada SP K Order Barang (Evi Nadya Prisilla) 46
Toko Hardware Banjarbaru menggunakan rule tersebut, yaitu: Jika membeli Rok maka akan membeli Blus. Kata kunci: Asosiasi, Algoritma Apriori, Desktop 1. PENDAHULUAN Pesatnya perkembangan teknologi informasi telah membawa perubahan pola pikir keputusan dan pola analisa teknologi informasi yang saat ini menjadi sebuah sarana untuk membantu manusia dalam menyelesaikan berbagai persoalan baik yang ringan maupun berat. Diantara beberapa permasalahan yang ada yaitu tentang bidang pemesanan barang. Toko mempunyai teknik atau cara tersendiri, tetapi banyak toko yang belum menerapkan cara-cara ilmiah dalam menganalisa teknik order barang, kebanyakan mereka masih menggunakan cara tradisional atau berdasarkan feeling. Ketersediaan informasi transaksi pelanggan mendorong pengembangan teknik yang secara otomatis mencari hubungan antara item dalam data di database. Database penjualan menyimpan jumlah record transaksi penjualan yang sangat besar. Setiap record memberikan daftar item yang dibeli oleh pelanggan dalam satu transaksi. Banyaknya persaingan dalam dunia bisnis, menuntut para pengembang untuk menemukan suatu strategi yang dapat meningkatkan penjualan. Toko Hardware yang bergerak dalam penjualan pakaian saat ini belum memanfaatkan cara-cara ilmiah dalam teknik pengorderan barang. Oleh karena itu disini penulis tertarik untuk mengangkat masalah order barang pada toko ini, yang tadi masih menggunakan cara tradisional menggunakan Algoritma Apriori. 2. METODOLOGI PENELITIAN 2.1 ProsedurPenelitian 2.1.1 Data Preparation Pada tahap ini struktur basis data akan dipersiapkan sehingga mempermudah proses mining. Proses preparation ini mencakup tiga hal utama yaitu: 1. Data Selection Memilih data yang akan digunakan dalam proses data mining. Dalam proses ini dilakukan juga pemilihan atribut-atribut yang disesuaikan dengan proses data mining. Dalam penelitian kali ini, data yang digunakan sudah berupa data yang siap pakai, artinya data yang didapatkan sudah berupa target data. Berikut merupakan gambaran dari data yang didapatkan. Tabel 1. Data Awal No. Transaksi Tanggal KodeBarang NamaBarang Qty 201401-0001 01/01/2014 B0007 Blazer 1 Implementasi Algoritma Apriori pada SP K Order Barang (Evi Nadya Prisilla) 47
201401-0002 01/01/2014 B0008 Dress 1 201401-0002 01/01/2014 B0001 Blus 1 : : : : : : : : : : 201407-0574 30/07/2014 B0005 Kemeja Hardware 1 201407-0574 30/07/2014 B0004 Celana Jeans 1 2. Data Preprocessing Memastikan kualitas data yang telah dipilih pada tahap data selection, pada tahap ini masalah yang harus dihadapi adalah noisy data dan missing values. Proses cleaning data peludilakukan agar data bersihdariduplikasi data, data yang tidakkonsisten, ataukesalahancetak.sehingga data yang telahmelewati proses inisiapuntuk di proses di data mining. Padapenelitianini, data yang digunakanadalah data yang sudahkonsisten, sehinggatidakadaproses pembersihan data. 3. Data Transformation Padatahapinihalpertama yang dilakukanadalahintegrasi data yaknitahappenggabungan data dariberbagaitabel. Dari tabeldiatasmenampilkan data transaksi dengan atribut no.transaksi, tanggal, kode_barang, nama_barang dan qty sehinggaakandilakukanpenggabungan data dengan hanya menggunakan atribut kode_nota, kode_barang dan jumlah saja. Padatahapintegrasi data ini, akandipakai data atribut yang telah di olahsebelumnya, danmenjadikansemuaatributtersebutbeserta data recordmenjadisatutabel. Berikutadalahtabelhasildariintegrasi data. Tabel 2. Penggabungan Data Kode_nota kode_barang Jumlah 201401-0001 B0007 1 201401-0002 B0008 1 201401-0002 B0001 1 : : : : : : 201407-0574 B0005 1 201407-0574 B0004 1 2.1.2 Data Mining Setelah data dalam bentuk 1 tabel didapatkan, maka proses selanjutnya yaitu melakukan proses data mining, dimana proses dilakukan dengan mengasosiasikan data. Berikut adalah langkah-langkah pengerjaan menggunakan asosiasi: Tabel 3. Data Awal Perhitugan Kode_nota kode_barang Jumlah 201401-0001 B0007 1 Implementasi Algoritma Apriori pada SP K Order Barang (Evi Nadya Prisilla) 48
201401-0002 B0008 1 201401-0002 B0001 1 : : : : : : 201407-0574 B0005 1 201407-0574 B0004 1 Dari data awal tersebut didapat kandidat pertama (C1) Tabel 4. Kandidat Pertama (C1) B0001 1668 B0002 261 B0003 99 B0004 235 B0005 135 B0006 299 B0007 45 B0008 514 B0009 303 B0010 107 B0011 115 B0012 45 B0013 65 B0014 34 B0015 93 B0016 41 Ditetapkan threshold = 50, maka kandidat yang nilai nya kurang dari 50 akan dihapus. Tabel 5. Hasil Kandidat Pertama (L1) B0001 1668 B0002 261 B0003 99 B0004 235 B0005 135 B0006 299 B0008 514 B0009 303 B0010 107 B0011 115 B0013 65 B0015 93 Dari tabel diatas, didapat kandidat kedua (C2) Tabel 6. Kandidat Kedua (C2) B0001 B0002 137 B0001 B0003 29 B0001 B0004 92 B0001 B0005 68 B0001 B0006 186 B0001 B0008 193 B0001 B0009 73 B0001 B0010 36 B0001 B0011 10 B0001 B0013 15 B0001 B0015 19 B0002 B0003 4 B0002 B0004 13 B0002 B0005 5 B0002 B0006 22 B0002 B0008 41 B0002 B0009 19 B0002 B0010 2 B0002 B0011 3 B0002 B0013 2 B0002 B0015 3 B0003 B0004 8 B0003 B0005 2 B0003 B0006 2 B0003 B0008 11 B0003 B0009 15 B0003 B0010 2 B0003 B0011 0 B0003 B0013 6 B0003 B0015 0 B0004 B0005 17 B0004 B0006 18 B0004 B0008 29 B0004 B0009 23 B0004 B0010 5 B0004 B0011 10 Implementasi Algoritma Apriori pada SP K Order Barang (Evi Nadya Prisilla) 49
B0004 B0013 6 B0004 B0015 3 B0005 B0006 10 B0005 B0008 13 B0005 B0009 35 B0005 B0010 11 B0005 B0011 10 B0005 B0013 0 B0005 B0015 3 B0006 B0008 78 B0006 B0009 35 B0006 B0010 7 B0006 B0011 13 B0006 B0013 2 B0006 B0015 2 B0008 B0009 38 B0008 B0010 16 B0008 B0011 16 B0008 B0013 7 B0008 B0015 14 B0009 B0010 17 B0009 B0011 30 B0009 B0013 1 B0009 B0015 2 B0010 B0011 2 B0010 B0013 4 B0010 B0015 4 B0011 B0013 4 B0011 B0015 14 B0013 B0015 1 Setelah ditetapkan threshold menghasilkan data dari kandidat kedua Tabel 7. Hasil Kandidat Kedua (L2) B0001 B0002 137 B0001 B0004 92 B0001 B0005 68 B0001 B0006 186 B0001 B0008 193 B0006 B0008 78 Dari tabel diatas, didapat kandidat ketiga (C3) Tabel 8. Kandidat Ketiga (C3) B0001 B0002 B0004 3 B0001 B0002 B0005 4 B0001 B0002 B0006 19 B0001 B0002 B0008 27 B0002 B0004 B0005 0 B0002 B0004 B0006 1 B0002 B0004 B0008 1 B0004 B0005 B0006 2 B0004 B0006 B0008 3 B0005 B0006 B0008 1 Pada tabel diatas sebagai kandidat ketiga (C3), nilai countlebih kecil dari nilai minimum support atau threshold yaitu sama dengan 50, maka nilai yang diambil sebagai perhitungan hubungan data transaksi yaitu pada tabel kandidat kedua. 2.1.3 Pola Setelah teknik asosiasi dilakukan lalu akan dilanjutkan proses algoritma apriori. Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database. Nilai support sebuah item diperoleh dengan rumus berikut: Support (A) = Jumlah Transaksi Mengandung A Total Transaksi (1) Implementasi Algoritma Apriori pada SP K Order Barang (Evi Nadya Prisilla) 50
sedangkan nilai support dari 2 item diperoleh dari rumus berikut: Support (A, B) = Jumlah Transaksi Mengandung A dan B Total Transaksi (2) Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif A B. Nilai confidence dari aturan A B diperoleh dari rumus berikut: Jumlah Transaksi mengandung A dan B Confidence = P(A B) = (3) Jumlah Transaksi mengandung A [2] Tabel 9.Support dan confidence If antecedent then consequent Support Confidence If buy B0001 then buy B0002 (137/2425) = 0,06 (137/1668) = 0,08 If buy B0002 then buy B0001 (137/2425) = 0,06 (137/261) = 0,52 If buy B0001 then buy B0004 (92/2425) = 0,04 (92/1668) = 0,06 If buy B0004 then buy B0001 (92/2425) = 0,04 (92/235) = 0,39 If buy B0001 then buy B0005 (68/2425) = 0,03 (68/1668) = 0,04 If buy B0005 then buy B0001 (68/2425) = 0,03 (68/135) = 0,50 If buy B0001 then buy B0006 (186/2425) = 0,08 (186/1668) = 0,11 If buy B0006 then buy B0001 (186/2425) = 0,08 (186/299) = 0,62 If buy B0001 then buy B0008 (193/2425) = 0,08 (193/1668) = 0,12 If buy B0008 then buy B0001 (193/2425) = 0,08 (193/514) = 0,38 Dari tabel di atas untuk masing-masing kandidat, maka dilakukan perkalian antara nilai support dan confidencenya diambil 0,5 ke atas, sehingga didapat tabel sebagai berikut: Tabel 10. Hasil Perkalian Support dan confidence If antecedent then consequent Support Confidence S x C If buy B0002 then buy B0001 0,06 0,52 0,029 If buy B0005 then buy B0001 0,03 0,50 0,014 If buy B0006 then buy B0001 0,08 0,62 0,047 2.1.4 Interpretasi Dari tabel di atas didapatkan bahwa nilai perkalian dari rule if buy B0006 then buy B0001 paling besar yaitu 0,047, maka untuk transaksi pada Toko Hardware Banjarbaru menggunakan rule tersebut, yaitu: Jika membeli Rok maka akan membeli Blus Jadi dapat disimpulkan bahwa pembeli biasanya membeli pakaian di Toko Hardware Banjarbaru berkisar antara rok dan blus atau sejenisnya. 2.1.5 Pengetahuan Tahapinimerupakanbagianakhirdari proses KDD dimanadilakukanpemeriksaanapakahpolaatauinformasi yang Implementasi Algoritma Apriori pada SP K Order Barang (Evi Nadya Prisilla) 51
ditemukanbertentangandenganfakta yang ada. Polainformasi yang dihasilkandari proses data mining harusditampilkandalambentuk yang mudahdimengertiolehpihak yang berkepentingan. 3. HASIL DAN PEMBAHASAN Pembahasan diperlukan untuk mengetahui apakah hasil dari penelitian sudah dapat menyelesaikan permasalahan atau belum. Pada penelitian ini dibuat sebuah sistem pendukung keputusan order barang menggunakan metode algoritma apriori dengan data transaksi penjualan. Hasil dari metode ini diperoleh dari perhitungan menggunakan Ms. Excel dan Aplikasi yang sudah dibangun dengan hasil yang sama dan 100% benar. Nilai threshold50 digunakan sebagai nilai yang paling sesuai untuk proses ini, karena dapat menghasilkan nilai support dan confidence yang memiliki nilai 0,5 keatas sebagai nilai standar yang sudah disesuaikan didalam source code. Setelah itu muncul hasil kombinasi item satu dengan yang lainnya yang memenuhi nilai threshold yang telah diinputkan dan yang tidak memenuhi nilai threshold dihapus sehingga tidak dimasukkan ke proses selanjutnya. Setelah proses pencarian kombinasi selesai, lanjut ke proses pencarian nilai count yang sesuai threshold, lalu dihitung support dan confidencenya. Berdasarkan hasil diatas didapatkan bahwa nilai perkalian dari rule if buy B0006 then buy B0001 paling besar yaitu 0,047, maka untuk transaksi pada Toko Hardware Banjarbaru menggunakan rule tersebut, yaitu: Jika membeli Rok maka akan membeli Blus Dari penelitian yang berdasarkan data transaksi penjualan Toko Hardware dari Januari 2014 Juli 2014 ini didapat informasi berupa keputusan bahwa barang yang sering dibeli konsumen kemungkinan berkisar antara rok dan blus, sehingga untuk kedepannya pada proses order barang pihak manajemen toko dapat menggunakan keputusan dari sistem yang telah dibangun ini. 3.1 Interface Aplikasi Yang Dibangun 1. Form Data Transaksi Form data transaksi digunakan untuk menambah data penjualan dengan mengimport data dari bentuk excel ke dalam database atau menginput data langsung melalui form input data barang, dan menghapus data barang. Data transaksi juga dapat mencari data yang ingin dicari. Implementasi Algoritma Apriori pada SP K Order Barang (Evi Nadya Prisilla) 52
Gambar 1. Form Data Transaksi 2. Form Proses Form Proses digunakanuntuk proses perhitungan data penjualan menggunakan teknik asosiasi dan Algoritma Apriori. Inputkan nilai threshold, lalu klik pada button proses, secara otomatis sistem akan menjalankan programnya untuk pencarian kombinasi itemset. Gambar 2. Form Proses Implementasi Algoritma Apriori pada SP K Order Barang (Evi Nadya Prisilla) 53
3. Form Laporan Kumpulan jurnal Ilmu Komputer (KLIK) Form Laporan Data Hasildigunakanuntukmencetak data transaksi dan hasil perhitungan. Gambar 3. Form Laporan Data Transaksi Gambar 4. Form Laporan Data Hasil Implementasi Algoritma Apriori pada SP K Order Barang (Evi Nadya Prisilla) 54
4. SIMPULAN Kumpulan jurnal Ilmu Komputer (KLIK) Kesimpulan yang diperolehdaripenelitianiniadalah: 1. Teknik data mining dengan metode Algoritma Apriori dapat diimplementasikan pada toko Hardware dengan salah satu cara perhitungan menggunakan Ms. Excel dan memperoleh hasil: If antecedent then consequent Support Confidence S x C If buy B0002 then buy B0001 0,06 0,52 0,029 If buy B0005 then buy B0001 0,03 0,50 0,014 If buy B0006 then buy B0001 0,08 0,62 0,047 2. Sistem yang dibuatmampumelakukanpenggalian data menjadiinformasiberupa kombinasi item barang satu dengan yang lainnya untuk barang yang sering dibeli pelanggan, sebagai berikut: 3. Dari tabel diatas didapatkan bahwa nilai perkalian dari rule if buy B0006 then buy B0001 paling besar yaitu 0,047, maka untuk transaksi pada Toko Hardware Banjarbaru menggunakan rule tersebut, yaitu: Jika membeli Rok maka akan membeli Blus DAFTAR PUSTAKA [1] Prisilla, Evi Nadya, Implementasi Metode Algoritma Apriori pada Sistem Pendukung Keputusan Order Barang (Studi Kasus: Hardware Banjarbaru), Skripsi Program StudiIlmuKomputer, UniversitasLambungMangkurat, Banjarbaru, 2014. [2] Kusrini, danluthfi E,T.Algoritma Data Mining. Yogyakarta :Andi Offset, 2009. [3] Larose, D. T.Discovering Knowledge in Data. An Itroduction to Data Mining. New Jersey : John Wiley & Sons, 2005. [4] Sigit. 2013. Tahapan Knowledge Discovery In Database (KDD). http://sigitprabowoo.blogspot.com/2013/04/data-mining-tahap-tahapanknowladge.html (diakses pada tanggal 3 September 2014) Implementasi Algoritma Apriori pada SP K Order Barang (Evi Nadya Prisilla) 55