BAB III METODE PENELITIAN A. Tempat dan Waktu 1. Tempat Penelitian Tempat penelitian merupakan suatu sumber untuk mendapatkan data yang dibutuhkan mengenai masalah yang akan diteliti. Data untuk penelitian ini diperoleh dari data hasil transaksi di Assalam hypermarket. Pemilihan tempat tersebut didasari pertimbangan sebagai berikut : a. Assalam hypermarket merupakan salah satu pusat perbelanjaan di Surakarta yang cukup besar sehingga menarik untuk diteliti. b. Data hasil transaksi di Assalam hypermarket yang besar dengan rata-rata jumlah transaksi mencapi 2000 transaksi perhari. c. Keragaman jenis barang yang ada di Assalam hypermarket yang lebih dari 5000 jenis barang sehingga dapat digunakan untuk melihat keragaman association rule dari berbagai jenis barang tersebut. 2. Waktu Penelitian Data pada penelitian ini yang diambil sebagai data untuk menguji sistem yang akan dibangun akan diambil pada data hasil transaksi bulan September 2013. Transaksi bulan September dipilih karena pada bulan ini transaksi yang terjadi cukup banyak sehingga data transaksi lebih variasi dan dapat mendukung pengujian sistem informasi market basket analysis yang akan dibangun. 41
42 Penelitian ini dilaksanakan dari bulan Oktober 2013 sampai April 2014. Adapun waktu pelaksanaan penelitian ini adalah sebagai berikut: Tabel 3.1 Jadwal Waktu Penelitian Jenis Kegiatan Pengajuan Judul Pengajuan Proposal Perijinan Pengumpulan Data Pembuatan Sistem Pengujian Sistem Penyusunan Laporan 2013 2014 Okt Nov Des Jan Feb Mar Apr B. Jenis Penelitian Menurut Borg and Gall (1989: 624) penelitian pengembangan adalah sebuah proses yang digunakan untuk mengembangkan dan memvalidasi suatu produk sehingga diharapkan dapat menghasilkan suatu produk tertentu serta dapat meguji keefektifan produk tersebut. Oleh karena itu, dalam penelitian ini menggunakan pendekatan Reseach and Development dengan menggunakan aturan linear sequential (waterfall) dikarenakan hasil dari penelitian ini yaitu sistem aplikasi yang dapat digunakan oleh suatu perusahaan untuk menganalisis keefektifan tata letak suatu produk. Menurut Pressman (2010: 28), metode ini terdiri dari empat tahapan, yaitu: analisis, perancangan, pengkodean/pembuatan, dan percobaan/implementasi.
Rekayasa Sistem/Informasi 43 Analisis Perancangan Percobaan/ Implementasi Pengkodean/ pembuatan Gambar 3.1 Linear Sequential Model (Sumber: Pressman, 2010: 29) Adapun pengembangan dari metodologi penelitian yang digunakan dalam pembuatan penelitian ini adalah: 1. Studi Literatur Studi literatur yang digunakan dalam penulisan penelitian ini adalah mengumpulkan bahan referensi mengenai System Market Basket Analysis dengan menggunakan Algoritma Apriori dari berbagai buku, jurnal, artikel dan beberapa referensi lainnya. 2. Analisa Permasalahan Pada tahap ini akan dilakukan analisis dengan teknik market basket pada data transaksi penjualan yaitu struk belanja. 3. Pengumpulan Data Pada tahap ini data yang dikumpulkan berupa data transaksi penjualan produk pada hypermarket. 4. Preposessing Data dan Outliers Mempersiapkan data yang akan dianalisis dan menemukan outliers dari data yang dianalisis. 5. Perancangan Sistem
44 Pada tahap ini dilakukan perancangan antarmuka (interfaces). Proses perancangan dilakukan berdasarkan hasil analisis studi literatur yang telah didapatkan. 6. Pengujian dan Validasi Ahli Pada tahap ini dilakukan proses pengujian dan percobaan terhadap sistem sesuai dengan kebutuhan yang ditentukan sebelumnya serta memastikan program yang dibuat berjalan seperti yang diharapkan. 7. Implementasi Sistem Pada tahap ini dilakukan proses implementasi pengkodean program dalam aplikasi komputer menggunakan bahasa pemrograman yang telah dipilih yang sesuai dengan analisis dan perancangan yang sudah dilakukan. 8. Dokumentasi dan Penyusunan Laporan Pada tahap ini dilakukan pembuatan dokumentasi sistem, lengkap dengan analisis yang diperoleh dan dokumentasi hasil analisis dan implementasi dari algoritma Apriori. Adapun bagan dari proses penelitian ini adalah sebagai berikut: Studi Literatur Analisa Permasalahan Pengumpulan Data Preposessi Data dan Outliers Dokumentasi dan Penyusunan Laporan Implementasi Sistem Pengujian dan Validasi Ahli Perancangan Sistem Gambar 3.2 Bagan Proses Penelitian
45 C. Studi Kasus Hypermarket Assalam merupakan salah satu pusat belanja terbesar di Surakarta yang menjual berbagai macam kebutuhan sehari-hari. Permasalahan yang dihadapi sekarang adalah penjual tidak dapat memperkirakan jumlah pembelian karena wilayah penjualannya yang terlalu luas dan juga konsumen yang beraneka ragam, sehingga sulit untuk menganalisa buying habits dari konsumen. Data yang akan digunakan pada untuk pengujian sistem ini adalah data hasil transaksi pada bulan September 2013 dari hypermarket Assalam. Struktur data meliputi data yang ada pada struk pembelian diantaranya Nomor Transaksi, Nomor Nota, Tanggal Transaksi, Nama Barang, Jumlah Barang, Harga Satuan. D. Analisis Masalah Masalah yang sering dihadapi oleh suatu UMKM retail berbasis tehnologi yaitu jumlah persediaan barang yang tidak sesuai dengan jumlah permintaan konsumen. Hal tersebut akhirnya menimbulkan permasalahan lainnya, yaitu kapasitas gudang akan terus berkurang karena barang-barang yang tidak laku terjual dan akhirnya harus mengeluarkan biaya tambahan untuk peminjaman gudang, konsumen akan pergi mencari UMKM retail berbasis tehnologi lain jika persediaan barang di UMKM retail berbasis tehnologi tersebut tidak ada atau tidak mencukupi. Salah satu cara untuk meminimalisasi permasalahan tersebut adalah dengan Market Basket Analysis, yang berguna untuk menganalisis data penjualan dari
46 suatu UMKM retail berbasis tehnologi, dan hasil yang didapatkan ini nantinya dapat digunakan untuk mengembangkan strategi pemasaran dengan melihat barang-barang mana saja yang sering dibeli oleh konsumen. E. Solusi Permasalahan Setelah melihat permasalahan di atas dan mempelajarinya, maka penulis merancang suatu program aplikasi yang digunakan untuk Market Basket Analysis dengan algoritma apriori untuk menyelesaikan permasalahan tersebut. Program akan dirancang menggunakan bahasa pemrograman PHP (PHP: Hypertext Preprocessor). F. Perancangan Program Aplikasi Pada perancangan program aplikasi Market Basket Analysis ini membutuhkan persyaratan sebagai berikut: 1. Program dibuat dengan menggunakan spesifikasi software: a. Adobe Dreamweaver dan notepad++ untuk user interface, dengan bahasa pemrograman PHP b. MySql untuk database system 2. Metode yang digunakan pada proses Market Basket Analysis adalah Apriori. 3. Data yang akan dianalisis adalah database penjualan barang ataupun jasa dari suatu UMKM retail berbasis tehnologi dan harus bertipe Excel (*.xls).
47 G. Rancangan Layar Market Basket Analysis Layar Market Basket Analysis merupakan layar utama dari program aplikasi ini. Pada layar Market Basket Analysis terdapat beberapa menu, yaitu Data Upload, Analyze, dan Logout. Menu Data Upload digunakan untuk mencari data penjualan yang akan dianalisis. Sedangkan menu Analyze digunakan untuk menampilkan hasil analisis dari data penjualan tersebut pada tabel yang telah disediakan. Menu Logout digunakan untuk kembali ke layar Login. H. Perancangan Program 1. Data yang Digunakan Pada penelitian ini data yang digunakan adalah dataset yang bertipe record, berupa data transaksi penjualan produk pada hypermarket yang berbentuk struk belanjaan. Data awal yang didapat berupa data mentah dari struk belanjaan. Data mentah tersebut akan diubah kedalam bentuk record yang akan menjadi dataset sebanya 4 atribut. Adapun atribut-atribut yang dimaksud yaitu nama produk, jumlah produk, harga produk, total harga. Seluruh atribut pada dataset selanjutnya akan diseleksi pada tahapan praproses data. Data yang diproses dalam jumlah yang besar sehingga diperlukan analisis perancangan program yang lebih sehingga program aplikasi tidak terlalu lama dan berat dalam melakukan proses analisis terhadap data. 2. Praproses Data Tahap praproses data merupakan tahap seleksi data yang bertujuan
48 untuk mendapatkan data yang bersih dan siap untuk digunakan dalam penelitian. Tahapan yang dikerjakan adalah melakukan perubahan terhadap beberapa tipe data pada atribut dataset dengan tujuan untuk mempermudah pemahaman terhadap isi record dan juga melakukan seleksi dengan memperhatikan konsistensi data, missing value dan redundant data. Dari semua atribut tersebut hanya beberapa yang akan digunakan dan dianggap cukup memenuhi untuk dilakukannya penelitian. Adapun atribut tersebut yaitu nama produk dan jumlah produk. Tahap selanjutnya adalah mengubah data mentah menjadi dataset yang berisikan semua kelompok jenis-jenis produk dalam bentuk record. Setelah diubah ke dalam bentuk variabel, semua data mentah struk belanjaan dimasukkan ke dalam jenis-jenis kelompok produk sesuai dengan kelompoknya selanjutnya akan diseleksi untuk mendapatkan atribut-atribut yang berisi nilai yang relevan, tidak missing value dan tidak mengalami redundant data. Ketiga syarat tersebut merupakan syarat awal yang harus dilakukan dalam dalam data mining sehingga akan diperoleh dataset yang bersih untuk digunakan pada tahap mining data. Dikatakan missing value jika atribut-atribut dalam dataset tidak berisi nilai atau kosong, sementara itu data dikatakan redundant jika dalam satu dataset yang sama terdapat lebih dari satu record yang berisi nilai yang sama. 3. Cleaning Data Tahap selanjutnya adalah melakukan cleaning data terhadap data yang memiliki missing value dan redundant data.
49 4. Uji Coba dengan Algoritma Apriori Algoritma Apriori adalah algoritma paling terkenal untuk menemukan pola frekuensi tinggi. Pola frekuensi tinggi adalah pola item di dalam suatu database yang memiliki frekuensi atau support di atas ambang batas tertentu yang disebut dengan istilah minimum support. Pola frekuensi tinggi ini digunakan untuk menyusun aturan assosiatif dan juga beberapa teknik data mining lainnya. Algoritma Apriori dibagi menjadi beberapa tahap yang disebut iterasi atau pass. Tiap iterasi menghasilkan pola frekuensi tinggi dengan panjang yang sama dimulai dari pass pertama yang menghasilkan pola frekuensi tinggi dengan panjang satu. Di iterasi pertama ini, support dari setiap item dihitung dengan mencari dalam database. Setelah support dari setiap item didapat, item yang memiliki support diatas minimum support dipilih sebagai pola frekuensi tinggi dengan panjang 1 atau sering disingkat 1-itemset. Singkatan k-itemset berarti satu set yang terdiri dari k item. 5. Pola Analisis Association Rule pada Algoritma Apriori Algoritma Apriori termasuk jenis aturan asosiasi pada data mining. Selain apriori, yang termasuk pada golongan ini adalah metode generalized rule induction dan algoritma hash based. Aturan yang menyatakan asosiasi antara beberapa atribut sering disebut affinity analysis atau market basket analysis. Analisis asosiasi atau association rule mining adalah teknik data
50 mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Contoh aturan assosiatif dari analisa pembelian di suatu pasar swalayan adalah 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. Analisis asosiasi menjadi terkenal karena aplikasinya untuk menganalisa isi keranjang belanja di pasar swalayan. Analisis asosiasi juga sering disebut dengan istilah market basket analysis. Analisis asosiasi dikenal juga sebagai salah satu teknik data mining yang menjadi dasar dari berbagai teknik data mining lainnya. Khususnya salah satu tahap dari analisis asosiasi yang disebut analisis pola frequensi tinggi (frequent pattern mining) menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien. Penting atau tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter, support (nilai penunjang) yaitu persentase kombinasi item tersebut dalam database dan confidence (nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan asosiatif. Aturan asosiatif 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
51 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 asosiatif yang memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk confidence (minimum confidence). Metodologi dasar analisis asosiasi terbagi menjadi dua tahap: a. Analisa pola frekuensi tinggi Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database. Nilai support sebuah item diperoleh dengan rumus berikut: Sedangkan nilai support dari 2 item diperoleh dari rumus berikut: b. 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
52 Nilai confidence dari aturan A B diperoleh dari rumus berikut: c. Langkah-langkah algoritma pada Association Rule 1) Tentukan batas minimum dalam suatu transaksi 2) Tentukan semua Frekuen Item set Untuk setiap Frekuen Item set lakukan hal sebagai berikut: a) Ambil sebuah unsur, namakanlah s b) Untuk sisanya namakanlah ss-s c) Masukkan unsur-unsur yang telah di umpamakan ke dalam rule If (ss-s) then s d. Contoh dalam perhitungan Ada transaksi seperti yang terlihat dibawah ini. Transaksi Item yang di beli 1 C, E, D 2 A, F, D 3 D, G, B, F 4 E, D, G, B 5 B, A, C 6 F, A, B, G 7 G, D 8 C, G, E 9 F, A, B 10 B, D 1) Pisahkan masing-masing item yang dibeli Item yang di A B C
53 D E F G 2) Kemudian Buat Tabel seperti dibawah ini: Transaksi A B C D E F G 1 0 0 1 1 1 0 0 2 1 0 0 1 0 1 0 3 0 1 0 1 0 1 1 4 0 1 0 1 1 0 1 5 1 1 1 0 0 0 0 6 1 1 0 0 0 1 1 7 0 0 0 1 0 0 1 8 0 0 1 0 1 0 1 9 1 1 0 0 0 1 0 10 0 1 0 1 0 0 0 3) Kemudian hitung jumlah banyaknya pembelian untuk setiap item Transaksi A B C D E F G 1 0 0 1 1 1 0 0 2 1 0 0 1 0 1 0 3 0 1 0 1 0 1 1 4 0 1 0 1 1 0 1 5 1 1 1 0 0 0 0 6 1 1 0 0 0 1 1 7 0 0 0 1 0 0 1 8 0 0 1 0 1 0 1 9 1 1 0 0 0 1 0 10 0 1 0 1 0 0 0 4 6 3 6 3 4 5 4) Tentukan Misalkan kita tentukan = 3, maka kita dapat menentukan frekuen itemset. Dari tabel di atas diketahui total untuk transaksi k = 1, semuanya lebih besar da Maka: F1 = {{A}, {B}, {C}, {D}, {E}, {F}, {G}}
54 Untuk k = 2 (2 unsur), diperlukan tabel untuk tiap-tiap pasang item. Himpunan yang mungkin terbentuk adalah: {A,B}, {A,C}, {A,D}, {A,E}, {A,F}, {A,G}, {B,C}, {B,D}, {B,E}, {B,F}, {B,G}, {C,D}, {C,E}, {C,F}, {C,G}, {D,E},{D,F}, {D,G}, {E,F}, {E,G}, {F,G}. Tabel-tabel untuk calon 2 item set: T A B f T A C f T A D f T A E f 1 0 0 S 1 0 1 S 1 0 1 S 1 0 1 S 2 1 0 S 2 1 0 S 2 1 1 P 2 1 0 S 3 0 1 S 3 0 0 S 3 0 1 S 3 0 0 S 4 0 1 S 4 0 0 S 4 0 1 S 4 0 1 S 5 1 1 P 5 1 1 P 5 1 0 S 5 1 0 S 6 1 1 P 6 1 0 S 6 1 0 S 6 1 0 S 7 0 0 S 7 0 0 S 7 0 1 S 7 0 0 S 8 0 0 S 8 0 1 S 8 0 0 S 8 0 1 S 9 1 1 P 9 1 0 S 9 1 0 S 9 1 0 S 1 0 1 S 1 0 0 S 1 0 1 S 1 0 0 S 3 1 1 0 T A F f T A G f T B C f T B D f 1 0 0 S 1 0 0 S 1 0 1 S 1 0 1 S 2 1 1 P 2 1 0 S 2 0 0 S 2 0 1 S 3 0 1 S 3 0 1 S 3 1 0 S 3 1 1 P 4 0 0 S 4 0 1 S 4 1 0 S 4 1 1 P 5 1 0 S 5 1 0 S 5 1 1 P 5 1 0 S 6 1 1 P 6 1 1 P 6 1 0 S 6 1 0 S 7 0 0 S 7 0 1 S 7 0 0 S 7 0 1 S 8 0 0 S 8 0 1 S 8 0 1 S 8 0 0 S 9 1 1 P 9 1 0 S 9 1 0 S 9 1 0 S 1 0 0 S 1 0 0 S 1 1 0 S 1 1 1 P 3 1 1 3 T B E f T B F f T B G f T C D F
55 1 0 1 S 1 0 0 S 1 0 0 S 1 1 1 P 2 0 0 S 2 0 1 S 2 0 0 S 2 0 1 S 3 1 0 S 3 1 1 P 3 1 1 P 3 0 1 S 4 1 1 P 4 1 0 S 4 1 1 P 4 0 1 S 5 1 0 S 5 1 0 S 5 1 0 S 5 1 0 S 6 1 0 S 6 1 1 P 6 1 1 P 6 0 0 S 7 0 0 S 7 0 0 S 7 0 1 S 7 0 1 S 8 0 1 S 8 0 0 S 8 0 1 S 8 1 0 S 9 1 0 S 9 1 1 P 9 1 0 S 9 0 0 S 1 1 0 S 1 1 0 S 1 1 0 S 1 0 1 S 1 3 3 1 T C E f T C F f T C G f T D E F 1 1 1 P 1 1 0 S 1 1 0 S 1 1 1 P 2 0 0 S 2 0 1 S 2 0 0 S 2 1 0 S 3 0 0 S 3 0 1 S 3 0 1 S 3 1 0 S 4 0 1 S 4 0 0 S 4 0 1 S 4 1 1 P 5 1 0 S 5 1 0 S 5 1 0 S 5 0 0 S 6 0 0 S 6 0 1 S 6 0 1 S 6 0 0 S 7 0 0 S 7 0 0 S 7 0 1 S 7 1 0 S 8 1 1 P 8 1 0 S 8 1 1 P 8 0 1 S 9 0 0 S 9 0 1 S 9 0 0 S 9 0 0 S 1 0 0 S 1 0 0 S 1 0 0 S 1 1 0 S 2 0 1 2 T D F f T D G f T E F f T E G F 1 1 0 S 1 1 0 S 1 1 0 S 1 1 0 S 2 1 1 P 2 1 0 S 2 0 1 S 2 0 0 S 3 1 1 P 3 1 1 P 3 0 1 S 3 0 1 S 4 1 0 S 4 1 1 P 4 1 0 S 4 1 1 P 5 0 0 S 5 0 0 S 5 0 0 S 5 0 0 S 6 0 1 S 6 0 1 S 6 0 1 S 6 0 1 S 7 1 0 S 7 1 1 P 7 0 0 S 7 0 1 S 8 0 0 S 8 0 1 S 8 1 0 S 8 1 1 P 9 0 1 S 9 0 0 S 9 0 1 S 9 0 0 S 1 1 0 S 1 1 0 S 1 0 0 S 1 0 0 S 2 3 0 2
56 T F G f 1 0 0 S 2 1 0 S 3 1 1 P 4 0 1 S 5 0 0 S 6 1 1 P 7 0 1 S 8 0 1 S 9 1 0 S 1 0 0 S 2 Dari tabel-tabel 2 unsur di atas, P artinya item-item yang dijual bersamaan, sedangkan S berarti tidak ada item yang dijual bersamaan atau tidak item set harus lebih besar atau sama Dari tabel diatas, maka didapat: F2 = {{A,B}, {A,F}, {B,D}, {B,F}, {B,G}, {D,G} Kombinasi dari itemset dalam F2, dapat kita gabungkan menjadi calon 3- itemset. Itemset-itemset yang dapat digabungkan adalah itemset-itemset yang memiliki kesamaan dalam k-1 item pertama. Misalnya {A,B} dan {A,F} memiliki itemset k-1 pertama yg sama, yaitu A, maka dapat digabungkan menjadi 3- itemset baru yaitu {A, B, F}. Untuk k = 3 (3 unsur), himpunan yang mungkin terbentuk adalah: {A, B, F}, {B, D, F}, {B, D,G}, {B, F, G} T A B F f T B D F f 1 0 0 0 S 1 0 1 0 S 2 1 0 1 S 2 0 1 1 S 3 0 1 1 S 3 1 1 1 P
57 4 0 1 0 S 4 1 1 0 S 5 1 1 0 S 5 1 0 0 S 6 1 1 1 P 6 1 0 1 S 7 0 0 0 S 7 0 1 0 S 8 0 0 0 S 8 0 0 0 S 9 1 1 1 P 9 1 0 1 S 1 0 1 0 S 10 1 1 0 S 2 1 T B D G f T B F G f 1 0 1 0 S 1 0 0 0 S 2 0 1 0 S 2 0 1 0 S 3 1 1 1 P 3 1 1 1 P 4 1 1 1 P 4 1 0 1 S 5 1 0 0 S 5 1 0 0 S 6 1 0 1 S 6 1 1 1 P 7 0 1 1 S 7 0 0 1 S 8 0 0 1 S 8 0 0 1 S 9 1 0 0 S 9 1 1 0 S 10 1 1 0 S 10 1 0 0 S 2 2 Dari tabelsehingga F4, F5, F6 dan F7 juga merupakan himpunan kosong. 5) Rule yang dipakai adalah if x then y, dimana x adalah antecendent dan y adalah consequent. Berdasarkan rule tersebut, maka dibutuhkan 2 buah item yang mana salah satunya sebagai antecedent dan sisanya sebagai consequent. Dari langkah 4 didapat 1 buah F k yaitu F 2. F 1 tidak disertakan karena hanya terdiri dari 1 item saja. Untuk antecedent boleh lebih dari 1 unsur, sedangkan untuk consequent terdiri dari 1 unsur. 6) Tentukan (ss-s) sebagai antecedent dan s sebagai consequent dari F k yang telah di dapat berdasarkan rule pada langkah 5.
58 Pada F2 didapat himpunan F2 = {{A,B}, {A,F}, {B,D}, {B,F}, {B,G}, {D,G} maka dapat disusun: a) Untuk {A,B}: Jika (ss-s) = A, Jika s = B, Maka If buy A then buy B Jika (ss-s) = B, Jika s = A, Maka If buy B then buy A b) Untuk {A,F}: Jika (ss-s) = A, Jika s = F, Maka If buy A then buy F Jika (ss-s) = F, Jika s = A, Maka If buy F then buy A c) Untuk {B,D}: Jika (ss-s) = B, Jika s = D, Maka If buy B then buy D Jika (ss-s) = D, Jika s = B, Maka If buy D then buy B d) Untuk {B,F}: Jika (ss-s) = B, Jika s = F, Maka If buy B then buy F Jika (ss-s) = F, Jika s = B, Maka If buy F then buy B e) Untuk {B,G}: Jika (ss-s) = B, Jika s = G, Maka If buy B then buy G Jika (ss-s) = G, Jika s = B, Maka If buy G then buy B f) Untuk {D,G}: Jika (ss-s) = D, Jika s = G, Maka If buy D then buy G Jika (ss-s) = G, Jika s = D, Maka If buy G then buy D 7) Dari langkah 6, kita mendapatkan 12 rule yang dapat digunakan yaitu a) If buy A then buy B b) If buy B then buy A
59 c) If buy A then buy F d) If buy F then buy A e) If buy B then buy D f) If buy D then buy B g) If buy B then buy F h) If buy F then buy B i) If buy B then buy G j) If buy G then buy B k) If buy D then buy G l) If buy G then buy D 8) Dari langkah 7 dibuat tabel kandidat asosiasi rule untuk 1 antecedent If antecedent then consequent Support Confidence If buy A then buy B If buy B then buy A If buy A then buy F If buy F then buy A If buy B then buy D If buy D then buy B If buy B then buy F If buy F then buy B If buy B then buy G If buy G then buy B
60 If buy D then buy G If buy G then buy D 9) Hitung support dan confidence. item yang dibeli sekaligus pada If buy A then buy B, ada 3 transaksi. Jumlah seluruh transaksi adalah 10 transaksi, sehingga support-nya adalah: sekaligus pada If buy A then buy B, ada 3 transaksi, sedangkan jumlah transaksi yang membeli A adalah 4 transaksi, sehingga confidence-nya adalah: Sehingga di dapat tabel sebagai berikut: If antecedent then consequent Support Confidence If buy A then buy B (3/10) x 100% = (3/4) x 100% = 75% If buy B then buy A (3/10) x 100% = (3/6) x 100% = 50% If buy A then buy F (3/10) x 100% = (3/4) x 100% = 75% If buy F then buy A (3/10) x 100% = (3/4) x 100% = 75% If buy B then buy D (3/10) x 100% = (3/6) x 100% = 50% If buy D then buy B (3/10) x 100% = (3/6) x 100% = 50% If buy B then buy F (3/10) x 100% = (3/6) x 100% = 50% If buy F then buy B (3/10) x 100% = (3/4) x 100% = 75%
61 If buy B then buy G (3/10) x 100% = (3/6) x 100% = 50% If buy G then buy B (3/10) x 100% = (3/5) x 100% = 60% If buy D then buy G (3/10) x 100% = (3/6) x 100% = 50% If buy G then buy D (3/10) x 100% = (3/5) x 100% = 60% 10) Setelah di dapat support dan confidence untuk masing-masing kandidat, lakukan perkalian antara support dan confidence, dimana confidence-nya diambil 70% ke atas, sehingga di dapat tabel sebagai berikut: If antecedent then consequent Support Confidence Support x confidence If buy A then buy B 33,33% 75% 0.249975 If buy A then buy F 33,33% 75% 0.249975 If buy F then buy A 33,33% 75% 0.249975 If buy F then buy B 33,33% 75% 0.249975 11) Setelah didapat hasil perkalian antara support dan confidence, pilihlah yang hasil perkaliannya paling besar. Hasil paling besar dari perkalian perkalian tersebut merupakan rule yang dipakai pada saat menjual. Karena hasil perkalian dari ke-4 penjualan diatas bernilai sama, maka semuanya bisa dijadikan rule. a) Jika membeli A maka akan membeli B dengan support 33,33% dan confidence 75% b) Jika membeli A maka akan membeli F dengan support 33,33% dan confidence 75% c) Jika membeli F maka akan membeli A dengan support 33,33% dan confidence 75% d) Jika membeli F maka akan membeli B dengan support 33,33% dan confidence 75%
62 6. Perancangan Antarmuka (Interfaces) Sistem Pada perancangan antarmuka sistem ini akan dibahas bagaimana perancangan flowchart sistem dan perancangan tampilan sistem. Adapun penjelasannya adalah sebagai berikut: a. Perancangan Flowchart Sistem Flowchart sistem dibuat untuk menggambarkan bagaimana proses alur keseluruhan sistem bekerja. b. Perancangan Tampilan Sistem Perancangan tampilan digunakan untuk menggambarkan aplikasi yang sebenarnya. Beberapa model tampilan implementasi dalam penelitian ini sebagai berikut: 1) Tampilan Form Input Data Pada tampilan input data ini, terdapat beberapa form yang harus diisi terlebih dahulu yaitu jumlah kolom, posisi baris 1, posisi kolom 1, output dan upload file excel. 2) Tampilan Hasil Analisis Pada tampilan ini akan menampilkan hasil analisi yang berupa angka prosentase dan juga grafik untuk dapat dianalisi menjadi pola tata letak produk berdasarkan asosiasi hasil dari sistem. 3) Tampilan Login dan Keluar Sistem Pada tampilan ini digunakan untuk masuk kedalam sistem dengan menggunakan user dan password yang sudah di generate terlebih dahulu di dalam basis data. Tampilan keluar untuk mengunci sistem
63 dan kembali ke halaman awal dan berguna untuk menjaga keamanan data. I. Focus Group Discussion dan Validasi Ahli Focus Group Discussion dan validasi ahli oleh ahli dilakukan untuk mendapatkan rumusan sistem informasi yang dikembangkan, teoritis, efisiensi, kemungkinan implementasi dan kemenarikan model sistem yang memiliki arah kelayakan yang memadahi. Validasi ahli dilakukan oleh beberapa ahli yang memiliki kemampuan dibidang industri, pendidikan, pemasaran, teknik informatika, pengembang sistem informasi (programmer), dan sistem analis. Adapun ahli pada masing-masing bidang tersebut adalah sebagai berikut: 1. Prof. Dr. Kohar Sulistyadi, M.SIE Rektor Universitas Sahid Surakarta, yang meraih doktor pada bidang teknologi industri pertanian dan dosen Magister Pendidikan Ekonomi Fakultas Keguruan dan Ilmu Pendidikan Universitas Sebelas Maret. 2. Dr. Hery Sawiji, M. Pd. Sekretaris Prodi Magister Pendidikan Ekonomi, yang meraih gelar doktor pada bidang Manajemen Pendidikan di Universitas Negeri Jakarta dan dosen Pendidikan Administrasi Perkantoran Fakultas Keguruan dan Ilmu Pendidikan Universitas Sebelas Maret. 3. Jonet Ariyanto Nugroho, SE., MM. Dosen Pendidikan Ekonomi Bidang Keahlian Khusus Tata Niaga Fakultas Keguruan dan Ilmu Pendidikan Universitas Sebelas Maret, yang
64 meraih gelar Magister Manajemen bidang Manajemen Pemasaran dari Universitas Sebelas Maret. 4. Rosihan Ari Yuana, S.Si, M.Kom. Dosen Pendidikan Teknik Informatika dan Komputer Fakultas Keguruan dan Ilmu Pendidikan Universitas Sebelas Maret, meraih gelar Magister Ilmu Komputer di Universitas Gajah Mada dan pengembang sistem informasi SMS Gateway. 5. Agus Tri Haryanto, S.Kom., M.Cs. Ketua ICT Center FKIP UNS, koordinator tim analis sistem informasi e-administrasi Fakultas Keguruan dan Ilmu Pendidikan Universitas Sebelas Maret. 6. Dwi Hartanto, S. Pd. Staff Programming ICT Center FKIP UNS, pengembang sistem informasi e-administrasi akademik dan e-administrasi layanan di Fakultas Keguruan dan Ilmu Pendidikan Universitas Sebelas Maret. Validasi para ahli di atas, dimaksudkan untuk mendapatkan informasi tentang kemungkinan kelayakan penggunaan sistem informasi market basket analysis. Informasi yang diperoleh dijadikan masukan untuk mengembangkan dan merevisi sistem informasi yang akan dihasilkan menjadi model yang layak untuk diimplementasikan.
65 J. Percobaan dan Implementasi Percobaan dan implementasi digunakan untuk menguji apakah algoritma yang digunakan mampu menganalisis dari data yang telah terupload kedalam sistem. Percobaan untuk menguji kemampuan dari sistem dan kelayakan dari sistem sebelum program diimplementasikan. Fungsi dari percobaan ini yaitu: 1. Mengidentifikasikan masalah-masalah dari penggunaan sistem 2. Menyatakan secara spesifik sasaran yg harus dicapai untuk memenuhi kebutuhan hasil analisis yang diharapkan 3. Memilih alternatif - alternatif metode pemecahan masalah 4. Merencanakan dan menerapkan rancangan sistemnya sesuai dengan yang telah direncanakan dan diharapkan hasil analisis dari sistem yang telah dikembangkan. berikut: K. Tahapan Penelitian Tahapan penelitian secara garis besar dapat digambarkan pada bagan
66 Latar Belakang Masalah Identifikasi Masalah - Data penjualan dari hypermarket yang jumlahnya besar diperlukan analisis data. - Belum ada analisis data secara asosiasi dari data penjualan sehingga perlu menggunakan aplikasi. Rumusan Masalah 1. Bagaimana mendapatkan pola pembelian produk atau penggunaan jasa yang kemudian dapat dikembangkan menjadi strategi pemasaran? 2. Bagaimana mendapatkan model tata letak produk pada hypermarket untuk memudahkan konsumen dalam mencari produk? 3. Bagaimana menghasilkan program aplikasi Market Basket Analysis dengan metode algoritma Apriori menggunakan bahasa pemrograman PHP? Landasan Teori - Market Basket Analysis - Data mining Tujuan 1. Mendapatkan pola pembelian produk atau penggunaan jasa yang kemudian dapat dikembangkan menjadi strategi pemasaran. 2. Mendapatkan model tata letak produk pada hypermarket untuk memudahkan konsumen dalam mencari produk. 3. Menghasilkan program aplikasi Market Basket Analysis dengan metode algoritma Apriori menggunakan bahasa pemrograman PHP. Pengumpulan Data Transaksi - Data Transaksi Penjualan Barang Perancangan Sistem Informasi Dan Pengkodean Pengolahan Data Percobaan Sampling Data Implementasi Seluruh Data Analisis dan Pembahasan Analisis dan Pembahasan Validasi Ahli Kesimpulan dan Saran Gambar 3.3 Alur Tahapan Penelitian