ANALISIS KERANJANG PASAR MENGGUNAKAN ALGORTIMA PREDICTIVE APRIORI UNTUK MENEMUKAN ATURAN ASOSIASI DI APOTEK SEHAT JAYA 1.NINDITYA KHARISMA ninditya@student.gunadarma.ac.id 2.METTY MUSTIKASARI metty@staff.gunadarma.ac.id Jurusan Sistem Informasi Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma ABSTRACT Market basket analysis is a way to know the shopping habits of people in one place on goods purchased. Market basket analysis to produce an association rule is performed by applying apriori predictive algorithm. Association rules obtained by a combination of goods with good accuracy value most. This study uses data on precription sales transaction are taken for 56 days at the Apotek Sehat Jaya. Then the data are grouped according to type of drug and processed using apriori predictive algorithm that will produce the set of goods appear and association rules. Search for association rules in this study using software RapidMiner4.1. The results of data processing will be the rule RapidMiner4.1 accuracy value, support and confidence. Of the rules which is obtained, of the pharmacy can know what items are frequently purchased together by buyers and consumers shopping habits in Apotek Sehat Jaya. Keyword : Market Basket Analysis, Association Rule, Apriori Predictive, RapidMiner4.1.
ABSTRAKSI Analisis keranjang pasar merupakan suatu cara untuk mengetahui kebiasaan berbelanja masyarakat disuatau tempat terhadap barang yang dibeli. Analisis keranjang pasar menghasilkan suatu aturan asosiasi yang dilakukan dengan menerapkan algoritma predictive apriori. Aturan asosiasi yang diperoleh merupakan kombinasi barang dengan nilai akurasi yang paling baik. Penelitian ini menggunakan data transaksi penjualan menggunakan resep yang diambil selama 56hari di Apotek Sehat Jaya. Kemudian data dikelompokkan sesuai dengan jenis obat dan diolah menggunakan algoritma predictive apriori sehingga menghasilkan himpunan barang yang muncul (frequent itemset) dan aturan asosiasi. Pencarian aturan asosiasi dalam penelitian ini menggunakan perangkat lunak RapidMiner4.1. Hasil pengolahan data dari RapidMiner4.1 akan berupa aturan dengan akurasi, support dan confidence. Dari aturan yang didapat, pihak apotek dapat mengetahui barang apa saja yang sering dibeli bersamaan oleh pembeli dan kebiasaan berbelanja para konsumen di Apotek Sehat Jaya. Kata Kunci : Analisi Keranjang Pasar, Aturan Asosiasi, Predictive Apriori, RapidMiner4.1. 1. PENDAHULUAN Banyak organisasi atau perusahaanperusahan besar telah mengumpulkan data sekian tahun lamanya (data pembelian, data penjualan, data nasabah, data transaksi dan sebagainya) yang akhirnya tertimbun sia-sia karena tidak dimanfaatkan dengan maksimal. Hampir semua data tersebut dimasukkan dengan menggunakan aplikasi komputer untuk menangani transaksi sehari-hari. Data-data ini merupakan sumber yang berharga untuk memunculkan informasi yang tersembunyi dengan proses data mining pola asosiasi metode predictive apriori. [1] Suatu organisasi baik besar maupun kecil dapat dibanjiri dengan berbagai macam data, tidak terkecuali dengan Apotek Sehat Jaya. Apotek Sehat Jaya adalah sebuah badan usaha yang bergerak dibidang penjualan obatobatan berskala kecil menengah. Saat ini pemanfaatan data-data yang dimiliki oleh Apotek Sehat Jaya belum maksimal, baru sebatas untuk pembuatan laporan. Hal ini menarik perhatian penulis untuk menerapkan pola asosiasi predictive apriori kedalam data penjualan yang dimiliki oleh Apotek Sehat Jaya. Pada penulisan ini penulis menggunakan perangkat lunak (software) RapidMiner4.1. RapidMiner adalah perangkat lunak yang digunakan sebagai mesin pembelajaran yang open-source dimana mendukung pengolahan data menggunakan
algoritma predictive apriori untuk mendapatkan aturan asosiasi. Berdasarkan penjelasan diatas maka penulis tertarik untuk membuat sebuah penulisan guna melengkapi syarat memperoleh gelar Sarjana berjudul, Analisis Keranjang Pasar Menggunakan Algoritma Predictive Apriori Untuk Menemukan Pola Belanja Asosiasi Di Apotek Sehat Jaya. kategorinya. Data diproses menggunakan konsep analisis keranjang pasar dengan algoritma predictive apriori untuk mendapatkan aturan asosiasi. Analisis aturan asosiasi dilakukan dengan menerapkan algoritma predictive apriori yang tersedia pada perangkat lunak (software) open source RapidMiner dengan menganalisis suport dan nilai akurasi yang diperoleh. Tujuan dari penulisan ini adalah menerapkan analisis pola asosiasi predictive apriori untuk merancang strategi penjualan atau pemasaran yang efektif dengan memanfaatkan data transaksi penjualan yang ada di apotek Sehat Jaya. Dengan menggunakan teknologi data mining, orang tidak perlu melakukan analisis data secara manual yang bertujuan untuk memudahkan menemukan pola berbelanja yang berupa produk-produk yang sering dibeli bersamaan (atau cenderung muncul bersama dalam sebuah transaksi) dari data transaksi yang pada umumnya berukuran sangat besar sehingga manajer bisa menyiasati tata letak produk untuk kemudahan konsumen. Data diperoleh dari laporan penjualan Apotek Sehat Jaya pada transaksi yang menggunakan resep pada tanggal 1 Januari 2010 sampai dengan tanggal 28 Februari 2010. Barang yang ada pada laporan tersebut dikelompokkan menjadi item atau atribut tertentu yang setiap itemnya mewakili barangbarang pada resep obat yang sangat beragam sehingga menjadi lebih khusus sesuai dengan 2. Landasan Teori Analisis Keranjang Pasar (Market Basket Analysis) Analisis keranjang pasar merupakan sebuah analisis terhadap kebiasaan berbelanja dari pembeli pada suatu apotek [4]. Analisis dilakukan dengan menemukan hubungan antara barang-barang yang telah dibeli secara bersamaan. Analisis Asosiasi (Assocition Analysis) Analisis asosiasi adalah suatu prosedur dalam analisis keranjang pasar untuk menemukan aturan asosiasi yang memenuhi syarat minimum untuk support dan confidence (minimum support dan minimum confidence) [6]. Aturan Asosiasi (Association Rule) Aturan asosiasi digunakan untuk menemukan hubungan antar barang dari suatu data yang disediakan. Aturan asosiasi diolah dari data dalam bentuk tabel yang terdiri dari kolom nomor transaksi dan jenis barang, yaitu a atribut (barang) {a₁, a₂,..., a } dan k transaksi (instance). Pada aturan asosiasi mencari
kombinasi yang paling sering terjadi dari suatu itemset dan menggambarkan hubungan kondisional dan hasil aturan asosiasi. Parameter Aturan Asosiasi predictive accuracy) dan tidak terdapat aturan ganda. Support dan confidence digunakan untuk memaksimalkan rata-rata akurasi aturan pada data yang tidak terlihat. Pencarian aturan asosiasi harus menggunakan parameter sehingga aturan yang didapat akurat. Parameter yang digunakan yaitu support dan confidence. Support Support adalah suatu ukuran yang mnunjukkan seberapa besar tingkat dominasi suatu barang atau itemset dari keseluruhan transaksi [11]. Confidence Confidence adalah suatu ukuran yang menunjukkan hubungan kondisional antar dua barang (misal seberapa sering barang B dibeli jika orang membeli barang A) [7]. Apriori Apriori mencari aturan asosiasi berdasarkan nilai support dan confidence yang memenuhi minsup dan minconf. Aturan asosiasi diperoleh dengan melihat nilai confidence yang dihasilkan [3]. Predictive Apriori Algoritma ini mencari aturan asosiasi dengan meningkatkan batasan support untuk mendapat aturan terbaik dan dilihat dari ratarata prediksi akurasi yang terbaik (ecpectation
Tahapan Pemrosesan Aturan Asosiasi Pembangkit Kekerapan Himpunan Barang (Frequent Itemset Generation) Frequent itemset generation adalah membangkitkan semua itemset yang memenuhi syarat support minsupp [5]. Gambar 1 : Algoritma Predictive Apriori [6]
Pembangkit Aturan (Rule Generation) Rule generation adalah bagaimana cara untuk mengekstrak secara efisien aturan asosiasi dari frequent itemset yang diberikan [7], setiap frequent k-itemset mengabaikan anteseden atau konsekuen kosong ( atau ø y). Gambar 2.2 : Metode Rule Generation pada Predictive Apriori [6] Bayesian Frequency Correction (Perbaikan Frekuensi Bayesian) Penelitian ini menganalisis bagaimana confidence dan support membantu mencari prediksi akurasi. Seberapa banyak confidence dikurangi dengan melihat support yang menunjukkan seberapa dekat confidence berhubungan dengan prediksi akurasi. Penelitian ini menggunakan formula Bayessian untuk mengurangi confidence. Bayesian frequency correction (perbaikan frekuensi bayesian) untuk mendapatkan confidence yang tepat dengan menggunakan pengetahuan prior dari confidence. Prior adalah distribusi confidence yang dihungkan dengan probabilitas dari atribut barang yang digunakan. RapidMiner4.1 RapidMiner adalah perangkat lunak yang digunakan sebagai mesin pembelajaran yang open-source dimana mendukung pengolahan data menggunakan algoritma predictive apriori untuk mendapatkan aturan asosiasi.
MySQL Data Akhir MySQL adalah perangkat lunak database server atau biasa disebut Database Smart. Database ini sangat popular. Dengan menggunakan database ini, data menjadi aman dan berdaya guna. MySQL juga sering digunakan sebagai database dalam membuat website. Data akhir didapat dari data awal yang telah diolah sehingga data akhir secara langsung digunakan untuk mendapatkan aturan asosiasi. Data akhir terdiri dari atribut dan nilai atribut. Atribut merupakan nama barang yang ada pada laporan transaksi menggunakan resep. Pemrosesan Data 3. PEMBAHASAN Praproses Data Data Awal Data awal merupakan data yang didapat dari laporan transaksi yang dilakukan di Apotek Sehat Jaya pada data transaksi menggunakan resep selama periode 1 Januari 2010 sampai dengan 28 Februari 2010. Data akhir yang telah ada dapat langsung diproses menggunakan perangkat lunak RapidMiner 4.1 sehingga mendapat hasil aturan asosiasi yang terbaik. Pada penelitian ini, pertama kali menginput data akhir yang akan diproses pada RapidMiner dengan menggunakan operator input/output. Gambar 2. Tampilan Sebagian Data Transaksi
Gambar 3. Tampilan Sebagian Data Pada RapidMiner 4.1 dan filter Pengolahan data dengan RapidMiner 4.1 melalui tahapan-tahapan yang ada pada algoritma predictive apriori, seperti: Untuk mendapatkan aturan asosiasi dengan algoritma predictive apriori menggunakan dua parameter, yaitu: N (jumlah output yang akan ditampilkan) atau kapasitas penyimpanan data pada saat pengolahan : 2.147483642e9, A (himpunan kelas aturan asosiasi diproses dengan default 0) tidak diceklist, karena penelitian ini tidak mencari aturan yang akan digunakan untuk klasifikasi tetapi hanya mencari aturan yang didapat dengan menggunakan confidence, support, dan nilai akurasi. Gambar 4. Pengaturan Parameter pada Algoritma Apriori
Gambar 5. Tampilan Output Algoritma Predictive Apriori 5. antibiotikadan anti parasitik Hasil Pemrosesan Data Hasil proses data akhir resep dengan algoritma predictive apriori maka dari 448 aturan diperoleh nilai akurasi berkisar 0.07593 sampai 0.8371. Setelah melakukan penelitian maka diperoleh aturan asosiasi terbaik sebanyak 10 aturan karena menunjukkan nilai akurasi yang tinggi (berkisar 0.8) yaitu menunjukkan hubungan barang yang dibeli secara bersama-sama. Dari aturan asosiasi yang didapat, dapat diketahui obat apa saja yang dibeli konsumen secara bersamaan dengan jumlah yang beragam. Menurut penelitian ini, obat-obat yang sering dibeli konsumen secara bersama-sama seperti : 1. antibiotika, ekspektoran dan analgetik anti piretik 2. antibiotika, ekspektoran dan anti asma & bronchodilator 3. anti parasitik dan anti histamin 4. analgetik, anti piretik dan vitamin & mineral 6. antibiotikadan vitamin & mineral 7. ekspektoran dan antibiotika 8. analgetika dan diuretika 9. antibiotika, vitamin & mineral dan anti_asma & bronchodilator 10. antibiotika, anti diare dan vitamin & mineral Pembelian yang paling tinggi adalah antibiotika, ekspektoran dan analgetik anti piretik. Hal ini membuktikan bahwa aturan asosiasi yang diperoleh mewakili kebiasaan membeli obat berdasarkan resep masyarakat di sekitar apotek Sehat Jaya. 4. PENUTUP Kesimpulan Pengolahan data dengan algoritma predictive apriori dilakukan dengan dua langkah yaitu frequent itemset dengan panjang sebanyak
atribut yang digunakan kemudian dicari nilai support dan confidencenya dan diseleksi sesuai dengan batasan minimum support. Langkah berikutnya mencari kandidat itemset dari aturan dan mencari akurasi dari setiap aturan menggunakan distribusi confidence. Algoritma predictive apriori memperbaiki pencarian aturan asosiasi dengan menggunakan confidence yang telah dihitung secara keseluruhan. Saran Pengolahan data menggunakan perangkat lunak RapidMiner 5 sangat membantu tetapi harus ditambah dengan informasi yang jelas tentang tahapan dan proses apa saja yang dilakukan oleh algoritma sehingga mendapatkan hasil yang diinginkan. Walaupun dengan atribut dan data transaksi yang banyak, akan lebih baik jika hasil output dapat ditampilkan menggunakan grafik. DAFTAR PUSTAKA [1] Lestari, Tri. 2009. Analisis Keranjang Belanja Pada Data Transaksi Penjualan(Studi Kasus Toserba Yogya Banjar). Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor. [2] Luthfi Taufiq Emha. 2009. Penerapan Data Mining Algoritma Asosiasi Untuk Meningkatkan Penjualan. STMIK Amikom, Yogyakarta. [3] Agustianingsih, Budi. 2008. Analisis Keranjang Pasar Menggunakan Algoritma Predictive Apriori Untuk Mendapatkan Aturan Asosiasi Di Suatu Minimart Di Kelapa Dua. Skripsi, Fakultas Teknologi Industri, Universitas Gunadarma, Depok. [4] Data mining : Analisis Keranjang Pasar, 14 Juli 2008. [Online]. Available: http://pulit.petra.ac.id/journals/informa tics [5] Masalah pada algoritma predictive apriori, 15 juli 2008. [online]. Available: http://www.nabble.com [6] Vipin Kumar Pang Ning Tan, Michael Steinbach, Introduction to Data Mining edisi ke-1. Pearson Education, 2006. [7] Sri Mulyono, Statistika untuk Ekonomi, edisi ke-1. Jakarta: Lembaga Penerbit Fakultas Ekonomi UI, 1991. [8] Download rapidminer4.1, 01 Juli 2010. [Online]. Available: http://www.rapid-i.com [9] Manual gui yale, 01 Juli 2010. [Online]. Available: http://rapidi.com/component [10] Tutorial yale, 01 Juli 2010. [Online]. Available: http://rapidi.com/component