Analisa Keranjang Pasar dengan Algoritma Apriori pada Data Transaksi Mini Market Lima Bintang

Analisa Keranjang Pasar dengan Algoritma Apriori pada Data Transaksi Mini Market Lima Bintang Johan E-mail : Johan_mkom@yahoo.com ABSTRAK Algoritma apriori termasuk jenis aturan asosiasi pada data mining. Algoritma apriori atau association rule mining adalah teknik data mining untuk menemukan aturan asosiatif antara satu kombinasi item, dari analisa pembelian di suatu pasar swalayan dapat diketahuinya berapa besar kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan pengetahuan tersebut, pemilik pasar swalayan dapat mengatur penempatan barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon untuk kombinasi barang tertentu. Berdasarkan uji coba Nilai Support dapat diambil kesimpulan bahwa semakin kecil nilai support maka jumlah itemset yang dihasilkan semakin banyak, dan jumlah kaidah asosiasi yang dibentuk semakin banyak pula. Kata kunci : Data Mining, Association Rules, Algoritma Apriori ABSTRACT Apriori is an algorithm provided in association rules in data mining. Apriori or association rule mining is data mining techniques to discover the associative rules between one combination of items, from analysis of the purchase in a supermarket can know how likely a customer buys bread with milk. With this knowledge, a supermarket owner can manage the placement of merchandise or designing marketing campaigns using a combination of discount coupons for certain items. Based on the experimental value of Support can be concluded that the smaller the value of support then the number of itemset generated more and more, and the number of association rules established more and more also. Keyword : Data Mining, Association Rules, Apriori Algorithm I. PENDAHULUAN I.1 LATAR BELAKANG Data mining adalah kombinasi secara logis antara pengetahuan data, dan analisa statistik yang dikembangkan dalam pengetahuan bisnis atau suatu proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, tiruan dan machine-learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat bagi pengetahuan yang terkait dari berbagai database besar. Algoritma apriori adalah algoritma analisis keranjang pasar yang digunakan untuk menghasilkan aturan asosiasi, dengan pola if-then. Algoritma apriori menggunakan pendekatan iteratif yang dikenal dengan level-wise search, dimana k-kelompok produk digunakan untuk mengeksplorasi (k+1)-kelompok produk atau (k+1)-itemset. Dalam penelitian ini peneliti mencoba menganalisa data transaksi penjualan pada toko Mini Market Lima Bintang Pekanbaru. Data yang diambil sebagai contoh kasus adalah data transaksi penjualan di mini market. Melalui 2010 - Johan Page 1

penelitian ini diharapkan dapat ditemukan langkah-langkah dan masalah (sebagai model) dalam menerapkan algoritma apriori ini dan diketahui apakah data transaksi penjualan mini market cukup Implementasi sistem analisis keranjang pasar dengan algoritma apriori, dan eksperimen penggunaan sistem dengan data transaksi penjualan toko Mini Market Lima Bintang Pekanbaru. I.2 PERUMUSAN MASALAH Berdasarkan latar belakang di atas, dapat dirumuskan masalahnya, sebagai berikut : 1. Bagaimana menganalisa data untuk keperluan strategi pemasaran, desain katalog dan proses pembuatan keputusan bisnis? 2. Bagaimana menemukan pola-pola himpunan data yang sifatnya tersembunyi? 3. Bagaimana menerapkan algoritma apriori dalam data market? Tujuan analisis keranjang pasar pada transaksi penjualan adalah untuk merancang strategi penjualan atau pemasaran yang efektif dengan memanfaatkan data transaksi penjualan yang telah tersedia di perusahaan. Dengan menggunakan teknologi data mining, orang tidak perlu melakukan analisis data secara manual, melainkan dapat menggunakan teknik data mining untuk ini. I.3 TUJUAN PENELITITAN Tujuan analisis keranjang pasar pada transaksi penjualan adalah untuk merancang strategi penjualan atau pemasaran yang efektif dengan memanfaatkan data transaksi penjualan yang telah tersedia di mini market. Dengan menggunakan teknologi data mining, orang tidak perlu melakukan analisis data secara manual, melainkan dapat menggunakan teknik data mining untuk ini. Teknik analisis keranjang pasar berharga untuk ditambang dengan teknik analisis data market. Penelitian ini membahas algoritma apriori, analisis, imp bertujuan untuk menemukan pola yang berupa produk-produk yang sering dibeli bersamaan (atau cenderung muncul bersama dalam sebuah transaksi) dari data transaksi yang pada umumnya berukuran sangat besar. Perusahaan lalu dapat menggunakan pola ini untuk menempatkan produk yang sering dibeli bersamaan ke dalam sebuah area yang berdekatan, merancang tampilan produk di katalog, merancang kupon diskon (untuk diberikan kepada pelanggan yang membeli produk tertentu), merancang penjualan paket produk, dll. Penelitian ini bertujuan untuk mengaplikasikan algoritma apriori yang merupakan hasil penelitian yang baru, sebagai teknik analisis keranjang pasar. Data yang diambil sebagai contoh kasus adalah data transaksi mini market. Melalui penelitian ini diharapkan dapat ditemukan langkahlangkah dan masalah (sebagai model) dalam menerapkan algoritma ini dan diketahui apakah data mini market cukup berharga untuk ditambang dengan teknik analisis keranjang pasar. II. TINJAUAN PUSTAKA Knowledge Discovery and Data Mining(KDD) adalah proses yang dibantu oleh komputer untuk menggali dan menganalisis sejumlah besar himpunan data dan mengekstrak informasi dan pengetahuan yang berguna. Data mining tools memperkirakan perilaku dan tren masa depan, memungkinkan bisnis untuk membuat keputusan yang proaktif dan berdasarkan pengetahuan. Data mining tools mampu menjawab permasalahan bisnis yang secara tradisional terlalu lama untuk diselesaikan. Data mining tools menjelajah database untuk mencari pola 2010 - Johan Page 2

tersembunyi, menemukan infomasi yang prediktif yang mungkin dilewatkan para pakar karena berada di luar ekspektasi mereka. Proses dalam KDD adalah proses yang digambarkan pada dan terdiri dari rangkaian proses iteratif sebagai berikut: 1. Data cleaning, menghilangkan noise dan data yang inkonsisten. 2. Data integration, menggabungkan data dari berbagai sumber data yang berbeda 3. Data selection, mengambil data yang relevan dengan tugas analisis dari database 4. Data transformation, Mentransformasi atau menggabungkan data ke dalam bentuk yang sesuai untuk penggalian lewat operasi summary atau aggregation. 5. Data mining, proses esensial untuk mengekstrak pola dari data dengan metode cerdas. 6. Pattern evaluation, mengidentifikasikan pola yang menarik dan merepresentasikan pengetahuan berdasarkan interestingness measures. 7. Knowledge presentation, penyajian pengetahuan yang digali kepada pengguna dengan menggunakan visualisasi dan teknik representasi pengetahuan. Gambar 2.1 Tahap-tahap Data Mining Algoritma apriori adalah algoritma analisis keranjang pasar yang digunakan untuk menghasilkan aturan asosiasi, dengan pola if-then. Algoritma apriori menggunakan pendekatan iteratif yang dikenal dengan level-wise search, dimana k-kelompok produk digunakan untuk mengeksplorasi (k+1)-kelompok produk atau (k+1)-itemset. Beberapa istilah yang digunakan dalam algoritma apriori antara lain: a. Support (dukungan): probabilitas pelanggan membeli beberapa produk secara bersamaan dari seluruh transaksi. Support untuk aturan X=>Y adalah probabilitas atribut atau kumpulan atribut X dan Y yang terjadi bersamaan. b. Confidence (tingkat kepercayaan): probabilitas kejadian beberapa produk dibeli bersamaan dimana salah satu produk sudah pasti dibeli. Contoh: jika ada n transaksi dimana X dibeli, dan ada m transaksi dimana X dan Y dibeli bersamaan, maka confidence dari aturan if X then Y adalah m/n. c. Minimum support: parameter yang digunakan sebagai batasan frekuensi kejadian atau support count yang harus dipenuhi suatu kelompok data untuk dapat dijadikan aturan. d. Minimum confidence: parameter yang mendefinisikan minimum level dari confidence yang harus dipenuhi oleh aturan yang berkualitas. e. Itemset: kelompok produk. f. Support count: frekuensi kejadian untuk sebuah kelompok produk atau itemset dari seluruh transaksi. g. Kandidat itemset: itemset-itemset yang akan dihitung support count-nya. h. Large itemset: itemset yang sering terjadi, atau itemset-itemset yang sudah melewati batas minimum support yang telah diberikan. Sedangkan notasi-notasi yang digunakan dalam algoritma apriori antara lain: 2010 - Johan Page 3

a. C k adalah kandidat k-itemset, dimana k menunjukkan jumlah pasangan item. b. L k adalah large k-itemset. c. D adalah basis data transaksi penjualan dimana D adalah banyaknya transaksi di tabel basis data. Contoh tahapan pembangkitan C 1, L 1, C 2, L 2, C 3, L 3 ditunjukkan pada Gambar 2. Pembangkitan aturan asosiasi dari large itemset: Ada dua proses utama yang dilakukan algoritma apriori, yaitu: 1. Join (penggabungan): untuk menemukan L k, C k dibangkitkan dengan melakukan proses join L k-1 dengan dirinya sendiri, C k =L k-1 *L k-1, lalu anggota C k diambil hanya yang terdapat didalam L k-1. 2. Prune (pemangkasan): menghilangkan anggota C k yang memiliki support count lebih kecil dari minimum support agar tidak dimasukkan ke dalam L k. Tahapan yang dilakukan algoritma apriori untuk membangkitkan large itemset adalah sebagai berikut: 1. Menelusuri seluruh record di basis data transaksi dan menghitung support count dari tiap item. Ini adalah kandidat 1-itemset, C 1. 2. Large 1-itemset L 1 dibangun dengan menyaring C 1 dengan support count yang lebih besar sama dengan minimum support untuk dimasukkan kedalam L 1. 3. Untuk membangun L 2, algoritma apriori menggunakan proses join untuk menghasilkan C 2. 4. Dari C 2, 2-itemset yang memiliki support count yang lebih besar sama dengan minimum support akan disimpan ke dalam L 2. 5. Proses ini diulang sampai tidak ada lagi kemungkinan k-itemset. Gambar 2.2 Ilustrasi Algoritma Apriori Dari beberapa large itemset yang telah ditemukan, dapat dibangkitkan aturan-aturan asosiasi yang berkualitas. Syarat aturan asosiasi yang adalah harus memenuhi minimum support dan minimum confidence yang telah ditentukan. Confidence dari setiap aturan yang dibangkitkan dapat dihitung dengan menggunakan rumus peluang Confidence(A=>B) = P(B A) = support_count(a B) / support_count(a) dengan support_count (A B) adalah jumlah transaksi yang berisi itemset A dan B, dan support_count(a) adalah jumlah transaksi yang berisi itemset A. Berdasarkan rumusan diatas, aturan asosiasi dapat dibangkitkan dengan langkah: 1. Untuk setiap itemset l, bangkitkan seluruh subset l yang tidak kosong. 2. Untuk setiap subset s dari l yang tidak kosong, buat aturan s => (l- s) jika support_count(l)/support_count(s) >= minimum confidence. Algoritma apriori memiliki masalah yaitu harus membangkitkan kandidat itemset, C k, dalam jumlah besar. (Banyaknya C k yang dibangkitkan adalah kombinasi k dari jumlah itemset L k-1 atau k C (Σ itemset Lk-1).) Setelah C k terbentuk, 2010 - Johan Page 4

apriori melakukan penelusuran seluruh record di basis data untuk menghitung support count masing-masing itemset sehingga waktu komputasinya lama. (Semakin besar jumlah kandidat itemset semakin besar komputasinya.) Bentuk Dasar Aturan Asosiatif Penting tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter, support (nilai penunjang) yaitu persentase kombinasi item tsb. dalam database dan confidence(nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan assosiatif. Aturan assosiatif biasanya dinyatakan dalam bentuk : {roti,mentega} -> {susu} (support = 40%, confidence = 50%) Yang artinya : 50% dari transaksi di database yang memuat item roti dan mentega juga memuat item susu. Sedangkan 40% dari seluruh transaksi yang ada di database memuat ketiga item itu. Dapat juga diartikan : "Seorang konsumen yang membeli roti dan mentega punya kemungkinan 50% untuk juga membeli susu. Aturan ini cukup signifikan karena mewakili 40% dari catatan transaksi selama ini." Analisis asosiasi didefinisikan suatu proses untuk menemukan semua aturan assosiatif yang memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk confidence (minimum confidence). Metodologi dasar analisis asosiasi terbagi menjadi dua tahap : 1. Analisa pola frekuensi tinggi Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database. Sebagai contoh, ada database dari transaksi belanja pasar swalayan seperti berikut : ID item terjual Transaksi 1 Pena, roti, mentega 2 Roti, mentega, telur, susu 3 Buncis, telur, susu 4 Roti, mentega 5 Roti, mentega, kecap, telur, susu Syarat minimum dari nilai support untuk pola frekuensi tinggi dalam contoh ini adalah 30%. Diketahui bahwa jumlah transaksi yang memuat {roti,mentega} ada 4 (support 80%), sedangkan jumlah transaksi yang memuat {roti,mentega,susu} ada 2 (support 40%), transaksi yang memuat {buncis} hanya 1 (support 20%) dsb. Sehingga diperoleh pola frekuensi tinggi yang memenuhi syarat minimum nilai support adalah : Kombinasi item Support {roti} 80% {mentega} 80% {telur} 60% {susu} 60% {roti,mentega} 80% {telur,susu} 60% {roti,susu} 40% {mentega,susu} 40% {roti,telur} 40% {mentega,telur} 40% {roti,mentega,susu} 40% {roti,mentega,telur,susu} 40% 2. Pembentukan aturan assosiatif Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif A->B. Dari support pola frekuensi tinggi A dan B dengan menggunakan rumus berikut : confidence(a->b) = support(b) / support (A U B) Disini A U B adalah union dari pola A dan B 2010 - Johan Page 5

Bila syarat minimum untuk confidence dari contoh diatas adalah 50% maka salah satu aturan assosiatif yang dapat ditemukan adalah : {telur,susu} -> {roti,mentega} dengan nilai confidence 66.6% karena support({roti,mentega})/support({roti,me ntega,telur,susu}) = 40%/60% = 66.6% Aturan assosiatif lain yang dapat ditemukan diantaranya adalah : aturan assosiatif support confidence {telur,susu} -> {roti,mentega} 40% 66.6% {roti,mentega} -> {susu} 40% 50% {mentega,susu} -> {roti} 40% 100% Perlu dicatat bahwa tahap pertama untuk mencari pola frekuensi tinggi biasanya paling banyak menghabiskan waktu III. METODE PENELITIAN 3.1. Kerangka Kerja Penelitian Kerangka kerja adalah merupakan prosedur kegiatan, mulai dari awal sampai akhir dari tulisan tesis ini. Kerangka kerja tersebut digambarkan seperti berikut ini gambar 3 : Data Generation Penentuan Tujuan Literatur Analisa Data Analisa data dengan algoritma apriori Implementasi Pembahasan Hasil Gambar 3.1 Kerangka Kerja Penelitian 3.2. Data Generation Metode pengumpulan data adalah cara-cara dan prosedur yang dilakukan dalam penelitian untuk memperoleh data yang dibutuhkan. Beberapa metode pengumpulan data yang dilakukan dalam penelitian ini adalah sebagai berikut : a. Melakukan observasi dan kajian tentang data transaksi penjualan toko mini market Lima Bintang. Kajian lapangan ini untuk mengetahui secara langsung permasalahan yang ada, sehingga diharapkan penerapan disain dan konsep analisa data market menggunakan algoritma apriori dapat dilakukan dengan tepat. b. Library Research (tinjauan kepustakaan) Library research (tinjauan kepustakaan) dilakukan untuk mengumpulkan informasi tentang literature dan pedoman dalam penentuan hasil analisa data market menggunakan algoritma apriori. c. Laboratory Research (Penelitian Laboratorium) Penelitian laboratorium adalah untuk pengujian data penentuan hasil analisa data market yang telah didapatkan dengan menggunakan algoritma apriori 3.3. Penentuan Tujuan Yang menjadi tujuan pada tesis ini untuk menentukan hasil analisa data market menggunakan algoritma apriori. Setelah melakukan kajian, maka sasaran terakhir dari tesis ini adalah sebagai berikut : a. Mendisain suatu konsep penentuan hasil analisa data market dengan menggunakan algoritma apriori, sehingga dapat menemukan pola dari data yang tersembunyi. b. Memberikan kemudahan atau solusi bagi pengambil keputusan dalam menemukan produk-produk yang sering dibeli bersamaan dari data transaksi sehingga dapat menempatkan produk yang sering dibeli bersamaan kedalam suatu area yang berdekatan, merancang tampilan 2010 - Johan Page 6

produk dikatalog, merancang kupon diskon dan lain-lain. c. Hasil dari penelitian yang dilakukan ini nantinya dapat diuji dengan menggunakan software association rule. 3.4. Literatur Literatur yang dimaksud disini adalah literatur yang digunakan untuk mendapatkan suatu cara atau prosedur yang akan digunakan untuk menganalisa data market menggunakan algoritma apriori agar nantinya dapat diterima oleh semua pihak yang membutuhkan. Sumber literatur didapatkan dari buku-buku yang membahas tentang teknik data mining, analisa data market, algoritma apriori dan jurnal-jurnal dari web site (internet). Judul buku dan alamat situs di internet yang dijadikan sebagai sumber literatur, nantinya dilampirkan pada daftar pustaka di akhir tesis ini. Dari hasil studi literatur diketahui ada penerapan apriori di bidang mini market untuk mengelompokkan barang berdasarkan kecenderungan kemunculan bersama dalam satu transaksi, juga data mining pada tabel absensi elektronik untuk mendeteksi kecurangan absensi, dan analisa keranjang pasar dengan algoritma hash-based pada data transaksi penjualan apotek. 3.5. Analisa Data Data-data yang sudah diperoleh pada tahap pengumpulan data, akan dianalisis pada bagian ini. Berdasarkan hasil kajian literatur dan observasi lapangan, data disusun dan dikelompokkan dalam bentuk tabel multikriteria sederhana. Hal ini dimaksudkan untuk mempermudah dalam analisa dan proses penentuan hasil analisa data market menggunakan algoritma apriori. 3.6. Pengolahan Data Dengan Algoritma Apriori Pada tahap ini akan dilakukan analisa yaitu; analisa terhadap algoritma apriori pada data market dari data transaksi penjualan untuk menentukan alternatif yang terbaik dari sekumpulan alternatif yang ada melalui suatu proses seperti yang terjadi pada proses yang terstruktur. 3.7. Implementasi Pada penelitian ini penulis mengimplementasikan pengujian model dari hasil analisa data menggunakan algoritma apriori dengan menggunakan alat bantu komputer dengan operating system windows dan menggunakan software shoping cart analyzer. Model yang dirancang ini akan dibuat sebagai sebuah aplikasi yang siap pakai. 3.8. Pembahasan Hasil Evaluasi sistem yang telah di uji perlu dilakukan, dengan tujuan untuk mengetahui apakah sistem yang diuji tersebut sudah sesuai dengan yang diharapkan. Evaluasi dilakukan dengan cara membandingkan hasil yang didapatkan pada tahap implementasi sistem dengan hasil yang dibuat secara manual. IV. ANALISA DAN PERANCANGAN Tahapan yang cukup penting pada data mining adalah tahapan data preparation atau tahapan persiapan data. Dimana nantinya data yang didapatkan akan dipergunakan pada tahapan selanjutnya yaitu modelling. Apabila data yang didapatkan tidak benar maka nantinya model yang dihasilkan tidak akan maksimal hasilnya. 4.1 Data Preparation Data yang didapatkan merupakan data primer yaitu data yang didapatkan langsung dari data transaksi penjualan toko mini market lima bintang pekanbaru, berupa data transaksi penjualan dalam beberapa bulan. 2010 - Johan Page 7

Terdapat delapan(8) atribut yang harus diisi yang ada pada transaksi penjualan toko mini market lima bintang pekanbaru yaitu : 1. Tanggal Kegiatan kapan terjadinya transaksi 2. No_Nota Nomor kegiatan transaksi yang harus diisi disaat transaksi terjadi 3. Konsumen Nama pelanggan yang membeli item barang 4. Nama_Barang Pendefinisian item-item barang untuk membedakan item barang yang satu dengan item barang yang lain. 5. QTY 6. Jumlah item barang yang dimasukkan pelanggan ke dalam keranjang belanjaanya. 7. Satuan Bentuk item barang 8. Harga_Satuan(@) Harga per item barang yang dibeli pelanggan 9. Jumlah Harga yang harus dibayar oleh pelanggan 4.1.1 Select Data Dari 8 atribut yang ada pada data transaksi penjualan yang dapat dijadikan parameter pada penelitian ini hanya No_Nota dan Nama_Barang. Dimana kita hanya melihat item barang mana yang sering dibeli oleh pelanggan. 2010 - Johan Page 8

Tabel 4.1 Data Transaksi Mini Market Tanggal No_Nota Konsumen Nama Barang Qty Satuan Harga_Satuan(@) Jumlah 2-Jan-10 1704 Café Bintang Indomie Goreng 1 Dus Rp 49,000 Rp 49,000 Special 2-Jan-10 1704 Café Bintang Indomie Kari Ayam 5 Dus Rp 50,000 Rp 250,000 2-Jan-10 1704 Café Bintang Indomie Ayam 2 Dus Rp 47,000 Rp 94,000 Bawang 2-Jan-10 1704 Café Bintang Indomie Soto Medan 2 Dus Rp 46,000 Rp 92,000 2-Jan-10 1704 Café Bintang Indomie Kaldu Ayam 1 Dus Rp 46,000 Rp 46,000 2-Jan-10 1704 Café Bintang Indomie Goreng Sate 1 Dus Rp 48,000 Rp 48,000 2-Jan-10 1704 Café Bintang Indomie Goreng 2 Dus Rp 48,000 Rp 96,000 Pedas 2-Jan-10 1705 Warung Restu Tepung Terigu Tepung Terigu 2 Kg Rp 6,000 Rp 12,000 2-Jan-10 1705 Warung Restu Tepung Kanji Tepung Terigu 3 Kg Rp 5,500 Rp 16,500 2-Jan-10 1705 Warung Restu Super Bubur Tepung Rasa Sapi Terigu 1 Dus Rp 40,000 Rp 40,000 2-Jan-10 1705 Warung Restu ABC Mie Semur Tepung Pedas 2 Terigu Dus Rp 49,000 Rp 98,000 2-Jan-10 1705 Warung Restu Royco Ayam Tepung Sachet Terigu 2 Renceng Rp 6,000 Rp 12,000 2-Jan-10 1705 Warung Restu Royco Sapi Sachet Tepung Terigu 2 Renceng Rp 6,000 Rp 12,000 2-Jan-10 1705 Warung Restu Telor Ayam Tepung Terigu 2 Papan Rp 22,000 Rp 44,000 2-Jan-10 1706 Salon Van Beauty Air Galon SPA 1 Galon Rp 9,500 Rp 9,500 2-Jan-10 1706 Salon Van Beauty Aqua Cup 5 Dus Rp 15,000 Rp 75,000 2-Jan-10 1706 Salon Van Beauty Beras Belida 20Kg 5 Bgks Rp 80,000 Rp 400,000 2-Jan-10 1706 Salon Van Beauty Indomie Goreng 5 Bgks Rp 48,000 Rp 240,000 Pedas 2-Jan-10 1706 Salon Van Beauty Lifebuoy Cair 450ml 5 Bgks Rp 2,000 Rp 10,000 3-Jan-10 1707 Warung Wiwi Milo Sachet 10 Bgks Rp 2,500 Rp 25,000 3-Jan-10 1707 Warung Wiwi Kecap Manis Bango 5 Bgks Rp 8,000 Rp 40,000 Refill 85ml 3-Jan-10 1707 Warung Wiwi Roti Bobo 10 Bgks Rp 1,000 Rp 10,000 3-Jan-10 1707 Warung Wiwi Sampoerna Mild 16 5 Bgks Rp 10,000 Rp 50,000 3-Jan-10 1707 Warung Wiwi Lucky Strike Black 3 Bgks Rp 11,000 Rp 33,000 3-Jan-10 1708 Ridho Jaya Indomilk Susu Kental 2 klg Rp 5,600 Rp 11,200 Manis Coklat Kaleng 3-Jan-10 1708 Ridho Jaya Teh Celup Sari Wangi 3 Bgks Rp 6,000 Rp 18,000 @50sch 3-Jan-10 1708 Ridho Jaya Ajinomoto @500 2 Bgks Rp 7,500 Rp 15,000 3-Jan-10 1708 Ridho Jaya Rinso 900gr 2 Pack Rp 7,500 Rp 15,000 3-Jan-10 1708 Ridho Jaya Telor Ayam 1 Papan Rp 22,000 Rp 22,000 3-Jan-10 1709 MM Masakan Roti Bobo 12 Bgks Rp 1,000 Rp 12,000 Medan 3-Jan-10 1709 MM Masakan Daia Putih 1Kg 1 Kg Rp 18,000 Rp 18,000 Medan 3-Jan-10 1709 MM Masakan Indomie Kari Ayam 2 Dus Rp 50,000 Rp 100,000 Medan 3-Jan-10 1709 MM Masakan Indomie Goreng 1 Dus Rp 49,000 Rp 49,000 Medan Special 3-Jan-10 1709 MM Masakan Indomie Goreng 1 Dus Rp 48,000 Rp 48,000 Medan Pedas 3-Jan-10 1710 Kedai Kopi Lin's ABC Mie Semur Pedas 2 Dus Rp 49,000 Rp 98,000 3-Jan-10 1710 Kedai Kopi Lin's Telor Ayam 3 Papan Rp 22,000 Rp 66,000 3-Jan-10 1710 Kedai Kopi Lin's Milo Sachet 6 Bgks Rp 2,500 Rp 15,000 3-Jan-10 1710 Kedai Kopi Lin's Indomie Soto Medan 3 Dus Rp 46,000 Rp 138,000 2010 - Johan Page 9

4.1.2 Pembersihan Data Pembersihan data biasanya dipergunakan untuk mengisi data-data yang masih kosong atau ada kesalahan pengisian. Pada data mining ada teknikteknik yang dapat dipergunakan untuk melakukan pembersihan data. Akan tetapi untuk penelitian ini, penulis tidak mempergunakan teknik-teknik pada data mining tersebut. Karena parameterparameter yang ada, dibutuhkan data yang sebenarnya, bukan data yang dibuat berdasarkan rata-rata yang ada. 4.1.3 Integrasi Data Data-data yang dikumpulkan dalam proses transaksi seringkali ditempatkan pada lokasi yang berbedabeda. Maka dari itu dibutuhkan kemampuan dari sistem untuk dapat mengumpulkan data dengan cepat. Tabel 4.2 Contoh Database Transaksional No_Fak Item Bought tur 1704 Indomie Goreng Special, Indomie Kari Ayam, Indomie Ayam Bawang, Indomie Soto Medan, Indomie Kaldu Ayam, Indomie Goreng Sate, Indomie Goreng Pedas 1705 Tepung Terigu, Tepung Kanji, Super Bubur Rasa Sapi, ABC Mie Semur Pedas, Royco Ayam Sachet, Royco Sapi Sachet, Telor Ayam 1706 Air Galon SPA, Aqua Cup, Beras Belida 20Kg, Indomie Goreng Pedas, Lifebuoy Cair 450ml 1707 Milo Sachet, Kecap Manis Bango Refill 85ml, Roti Bobo, Sampoerna Mild 16, Lucky Strike Black 1708 Indomilk Susu Kental Manis Coklat Kaleng, Teh Celup Sari Wangi @50sch, Ajinomoto @500, Rinso 900gr, Telor Ayam 1709 Roti Bobo, Daia Putih 1Kg, Indomie Kari Ayam, Indomie Goreng Special, Indomie Goreng Pedas 1710 ABC Mie Semur Pedas, Telor Ayam, Milo Sachet, Indomie Soto Medan Dengan menggunakan tabel transaksi diatas, akan ditunjukkan bagaimana cara kerja dari algoritma apriori. Minimum support (minsupp) yang ditetapkan untuk menjalankan algoritma ini adalah sebesar 20%, dikarenakan akan terjadi transaksi dengan banyak item sehingga supportnya di kecilkan. Langkah 1 : menelusuri seluruh record di basis data transaksi dan menghitung support count dari tiap item. Ini adalah kandidat 1-itemset, C1 Support Jumlah Transaksi Mengandung A Total Transaksi Tabel 4.3 Candidat 1-itemset C1 Candidate 1-itemset Support Frequen t Indomie Goreng 2/7 (28,6%) Ya Special Indomie Kari 2/7 (28,6%) Ya Ayam Indomie Soto 2/7 (28,6%) Ya Medan Roti Bobo 2/7 (28,6%) Ya ABC Mie Semur 2/7 (28,6%) Ya Pedas Milo Sachet 2/7 (28,6%) Ya Indomie Goreng 3/7 (42,8%) Ya Pedas Telor Ayam 3/7 (42,8%) Ya Indomie Ayam 1/7 (14,3%) Tidak Bawang Indomie Kaldu 1/7 (14,3%) Tidak Ayam Indomie Goreng 1/7 (14,3%) Tidak Sate 2010 - Johan Page 10

Tepung Terigu 1/7 (14,3%) Tidak Tepung Kanji 1/7 (14,3%) Tidak Super Bubur Rasa Sapi 1/7 (14,3%) Tidak Royco Ayam 1/7 (14,3%) Tidak Sachet Royco Sapi Sachet 1/7 (14,3%) Tidak Air Galon SPA 1/7 (14,3%) Tidak Aqua Cup 1/7 (14,3%) Tidak Beras Belida 20Kg 1/7 (14,3%) Tidak Lifebuoy Cair 1/7 (14,3%) Tidak 450ml Kecap Manis 1/7 (14,3%) Tidak Bango Refill 85ml Sampoerna Mild 1/7 (14,3%) Tidak 16 Lucky Strike Black 1/7 (14,3%) Tidak Indomilk Susu 1/7 (14,3%) Tidak Kental Manis Coklat Kaleng Teh Celup Sari 1/7 (14,3%) Tidak Wangi @50sch Ajinomoto @500 1/7 (14,3%) Tidak Rinso 900gr 1/7 (14,3%) Tidak Daia Putih 1Kg 1/7 (14,3%) Tidak Adapun keterangan dari tabel 4.4 adalah sebagai berikut. Support = Nilai Support Indomie Goreng Special dapat dihitung dengan menggunakan rumus, yaitu : Support = Support = 2 / 7 = 28,6 % Nilai Support Indomie Kari Ayam dapat dihitung dengan menggunakan rumus, yaitu : Support = Support = Jumlah Indomie Goreng Special Total Transaksi 2 7 Jumlah Indomie Kari Ayam Total Transaksi 2 7 Support = 2 / 7 = 28,6 % Nilai Support Indomie Soto Medan dapat dihitung dengan menggunakan rumus, yaitu : Support = Support = Support = 2 / 7 = 28,6 % Nilai Support Telor Ayam dapat dihitung dengan menggunakan rumus, yaitu : Jumlah Telor Ayam Support = Total Transaksi Support = 3 7 Support = 3 / 7 = 42,8 % Langkah 2 : large1_itemset L1 dibangun dengan menyaring C1 (tabel 4.4) dengan support count yang lebih besar atau sama dengan minimum support untuk dimasukkan ke dalam L1 Tabel 4.4 Frequent 1-itemset L1 Jumlah Indomie Soto Medan Total Transaksi Frequent 1-Itemset Indomie Goreng Special 28,6 % Indomie Kari Ayam 28,6 % Indomie Soto Medan 28,6 % Roti Bobo 28,6 % ABC Mie Semur Pedas 28,6 % Milo Sachet 28,6 % Indomie Goreng Pedas 42,8 % Telor Ayam 42,8 % 2 7 2010 - Johan Page 11

Langkah 3 : untuk membangun L2, algoritma apriori menggunakan proses join untuk menghasilkan C2. Untuk candidat 2-itemset, dari 8 item dapat menghasilkan kombinasi 2-itemset yang memungkinkan sebanyak : C 8 2 = = 28 kombinasi Langkah 4 : dari C2 (tabel 4.6), 2- itemset yang memiliki support count yang lebih besar atau sama dengan minimum support akan disimpan ke dalam L2. Tabel 4.5 Frequent 2-itemset L2 Frequent 2-itemset Indomie Goreng Special, Indomie Kari Ayam Indomie Goreng Special, Indomie Goreng Pedas Indomie Kari Ayam, Indomie Goreng Pedas ABC Mie Semur Pedas, Telor Ayam 28,6 % 28,6 % 28,6 % 28,6 % Langkah 5 : proses ini diulang sampai tidak ada lagi kemungkinan k-itemset Untuk candidat 3-itemset, dari 4 item dapat menghasilkan kombinasi 3-itemset yang memungkinkan sebanyak : C 4 3 = = 4 kombinasi Tabel 4.6 Candidat 3-itemset C3 Candidate 3-itemset Indomie Goreng Special, Indomie Kari Ayam, Support 2/7 (28,6%) Frequent Ya Indomie Goreng Pedas Indomie Goreng Special, Indomie Kari Ayam, ABC Ayam Semur Indomie Goreng Special, Indomie Kari Ayam, Telor Ayam Indomie Kari Ayam, Indomie Goreng Pedas, Telor Ayam Support A,B,C = P(A B C) Support = 0/7 (0%) Tidak 0/7 (0%) Tidak 0/7 (0%) Tidak Adapun keterangan dari tabel 4.8 adalah sebagai berikut. Nilai Support Indomie Goreng Special, Indomie Kari Ayam, Indomie Goreng Pedas dapat dihitung dengan menggunakan rumus, yaitu : Jumlah transaksi Indomie Goreng Special AND Indomie Kari Ayam AND Indomie Goreng Pedas Total Transaksi Support = 2 / 7 = 28,6 % Tabel 4.7 frequent 3-itemset Frequent 3-itemset Indomie Goreng Special, Indomie Kari Ayam, Indomie Goreng Pedas 28,6 % Karena tidak memungkinkan lagi dibentuk frequent 4-itemset dari frequent 3-itemset, maka proses pencarian dihentikan dan maximal frequent itemsetnya adalah {Indomie Goreng Special, Indomie Kari Ayam, Indomie Goreng Pedas}. Untuk pembangkitan aturan asosiasi dari Large itemset, harus memenuhi minimum support dan minimum confidence yang telah ditentukan. Confidence dari setiap aturan 2 7 2010 - Johan Page 12

yang dibangkitkan dapat dihitung dengan menggunakan rumus peluang : Confidence (A B) = P (B/A) = support count (A B)/support count (A), dengan support count (A B) adalah jumlah transaksi yang berisi itemset A dan B, dan support count (A) adalah jumlah transaksi yang berisi itemset A. Berdasarkan rumus diatas, aturan asosiasi dapat dibangkitkan dengan langkah : support count(l)/support count(s) = minimum confidence. 4.2 Pembangkitan Association Rule Setelah proses penghitungan confidence selesai dilakukan maka kita dapat menghasilkan association rule berdasarkan data yang ada. Sebagai contoh akan dihasilkan association rule dari 2 itemset seperti yang diperlihatkan pada tabel 4.10 maka association rule yang dihasilkan adalah sebagai berikut. 1. Jika konsumen membeli Indomie Goreng Special juga akan membeli Indomie Kari Ayam, maka nilai support = 28,6% dan nilai confidence = 100% - item A dan B dibeli bersamaan sebesar 28,6% dari keseluruhan data transaksi yang dianalisis dan 100% dari semua konsumen yang membeli item A juga membeli item B. 2. Jika konsumen membeli Roti Bobo juga akan membeli Indomie Goreng Special, maka nilai support = 14,3% dan nilai confidence = 50% 3. Jika konsumen membeli Indomie Soto Medan juga akan membeli Indomie Goreng Special, maka nilai support = 14,3% dan nilai confidence = 50% 4. Jika konsumen membeli Indomie Goreng Special juga akan membeli Indomie Goreng Pedas, maka nilai support = 14,3% dan nilai confidence = 100% 5. Jika konsumen membeli Indomie Goreng Pedas juga akan membeli Indomie Goreng Special, maka nilai support = 14,3% dan nilai confidence = 66,7% 6. Jika konsumen membeli Indomie Kari Ayam juga akan membeli Indomie Goreng Pedas, maka nilai support = 14,3% dan nilai confidence = 66,7% 7. Jika konsumen membeli Indomie Kari Ayam juga akan membeli Indomie Soto Medan, maka nilai support = 14,3% dan nilai confidence = 50% 8. Jika konsumen membeli Roti Bobo juga akan membeli Indomie Kari Ayam, maka nilai support = 14,3% dan nilai confidence = 50% 9. Jika konsumen membeli Telor Ayam juga akan membeli Indomie Soto Medan, maka nilai support = 14,3% dan nilai confidence = 33,3% 10. Jika konsumen membeli Milo Sachet juga akan membeli Telor Ayam, maka nilai support = 14,3% dan nilai confidence = 50% Sebagai contoh akan dihasilkan association rule dari 3 itemset seperti yang diperlihatkan pada tabel 4.8 maka association rule yang dihasilkan adalah sebagai berikut. - Jika Konsumen membeli Indomie Goreng Special juga akan membeli Indomie Kari Ayam dan juga akan membeli Indomie Goreng Pedas, maka nilai support = 28,6% dan nilai confidence = 100% Artinya item A,B dan C dibeli bersamaan sebesar 28,6% dari keseluruhan data transaksi yang dianalisis dan 100% dari semua konsumen yang membeli item A dan item B juga membeli item C. 2010 - Johan Page 13

V. KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan penelitian yang penulis lakukan pada Toko Mini Market Lima Bintang Pekanbaru, maka penulis dapat menarik kesimpulan bahwa data transaksi penjualan toko mini market Lima Bintang Pekanbaru dapat ditambang dengan teknik association rule dan menghasilkan rule-rule yang bermanfaat bagi perusahaan. Atas analisis dan pembahasan yang penulis lakukan pada system analisa data market maka penulis dapat mengambil kesimpulan sebagai berikut: 1. Berdasarkan uji coba Nilai Support dengan nilai support 0.25%, 0.5%.0.75% dan 1 % dapat diambil kesimpulan bahwa semakin kecil nilai support maka jumlah itemset yang dihasilkan semakin banyak, dan jumlah kaidah asosiasi yang dibentuk semakin banyak pula. 2. Data transaksi sebaiknya diambil pada periode-periode tertentu (misalnya awal tahun, pertengahan tahun, akhir tahun), sebab aturan-aturan yang dibangkitkan pola pembelian pelanggan dapat berbeda dari satu periode ke periode lainnya. Aturan-aturan asosiasi yang dihasilkan tidak selalu mengandung informasi yang penting (karena sudah umum diketahui), dan aturan yang berharga adalah yang berupa informasi baru yang dapat dimanfaatkan untuk meningkatkan penjualan. 5.2 Saran Dari hasil pembahasan ini, maka penulis dapat menyampaikan saran-saran sebagai berikut: 1. Agar perusahaan dapat memanfaatkan gudang data mereka untuk informasi dalam dunia bisnis, 2. Informasi yang ditemukan sebaiknya dapat diaplikasikan untuk aplikasi manajemen dan pengambilan keputusan. DAFTAR PUSTAKA [1] Gregorius Satia Budhi; Felicia Soedjianto (2007) APLIKASI DATA MINING MARKET BASKET ANALYSIS PADA TABEL DATA ABSENSI ELEKTRONIK UNTUK MENDETEKSI KECURANGAN ABSENSI (CHECK- LOCK) KARYAWAN DI PERUSAHAAN. Jurnal Teknik Informatika, Fakultas Teknologi Industri, Universitas Kristen Petra, Surabaya. [2] Gregorius S. Budhi, Resmana Lim (2005) PENGGUNAAN METODE FUZZY c- COVERING UNTUK ANALISA MARKET BASKET PADA SUPERMARKET. Jurnal Teknik Informatika, Universitas Kristen Petra, Surabaya. [3] Hwung Su J., Yang Lin W. 2004, CBW: An Efficient Algorithm for Frequent Itemset Mining. Proceedings of the 37th Hawaii International Conference on System Sciences. [4] Iko Pramudiono (2003), Pengantar Data Mining Menambang Permata Pengetahuan di Gunung Data. Ilmu komputer.com1-4 [5] Marsela Yulita dan Veronica S. Moertini (2004) ANALISIS KERANJANG PASAR DENGAN ALGORITMA HASH-BASED PADA DATA TRANSAKSI PENJUALAN APOTEK. Jurnal Ilmu Komputer, Universitas Katolik Parahyangan, Bandung. [6] Mewati Ayub (2007) Proses Data Mining dalam Sistem Pembelajaran Berbantuan Komputer. Jurnal Sistem Informasi Vol. 2 No.1. [7] Philips Kokoh Prasetyo (2006) Data Mining & Knowledge Discovery. https://philips.wordpress.com/2006/06/22 /association-rule-mining. [8] Ravindra Patel, D. K. Swami and K. R. Pardasani (2006) Lattice Based Algorithm for Incremental Mining of Association Rules. International Journal of Theoretical and Applied Computer Sciences. [9] Veronika S. Moertini (2002) DATA MINING SEBAGAI SOLUSI BISNIS. vol. 7 no.1. 2010 - Johan Page 14