PENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI UNTUK MENEMUKAN POLA DATA PENJUALAN ACCESSORIES HANDPHONE

PENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI UNTUK MENEMUKAN POLA DATA PENJUALAN ACCESSORIES HANDPHONE Natalia Silalahi Dosen Tetap AMIK STIEKOM Jln. Adam Mallik No. 28 Rantauprapat, Sumatera Utara-Indonesia Telp: 062425307 http://www.amikstiekomsu.ac.id //Email: natali.cieechan.silalahi@gmail.com ABSTRAK Data mining adalah serangkaian proses yang menggali nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu kumpulan data. untuk mengetahui suatu itemset yang dibeli secara bersamaan dalam satu transaksi tunggal digunakan teknik association rule dan algoritma apriori sebagai pembuatan kandidat kombinasi item yang mungkin berdasar aturan tertentu lalu diuji apakah kombinasi item tersebut memenuhi syarat support minimum yang kemudian dipakai untuk membuat aturan-aturan yang memenuhi syarat confidence minimum. Dalam penelitian ini algoritma apriori dan association rule digunakan untuk menemukan aturan asosiasi dari penjualan aksesoris handphone, yang digunakan sebagai pola dalam pertimbangan persediaan stok dan pendistribusian aksesoris handphone yang lebih efektif. Kata kunci: Data Mining, Algoritma Apriori, Association Rule 1.Pendahuluan Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu (Kusrini dan Emha Taufiq Luthfi, 2009). Teknik data mining untuk menemukan aturan asosiatif atau hubungan antara item disebut dengan association rule mining. Salah satu algoritma yang dapat digunakan untuk menemukan association rule adalah algoritma apriori. Keluaran dari data mining bisa dipakai untuk memperbaiki pengambilan keputusan dimasa depan. Oleh karena itu untuk mengetahui item aksesoris apa saja yang dibeli oleh para supplier, dapat dilakukan dengan menggunakan teknik analisis keranjang pasar yaitu analisa dari kebiasaan pembelian konsumen dalam satu transaksi tunggal. Untuk mengetahui aksesoris yang sering terbeli secara bersamaan disebut association rule (aturan asosiasi). Proses pencarian asosiasi atau hubungan antar item data ini diambil dari suatu basis data relasional. Salah satu teknik dalam proses tersebut menggunakan algoritma apriori, yang berfungsi sebagai pembentuk kandidat kombinasi item yang mungkin lalu diuji apakah kombinasi tersebut memenuhi syarat parameter support dan confidence minimum yang merupakan nilai ambang yang diberikan oleh pengguna. 1.2 Perumusan Masalah Berdasarkan uraian latar belakang, maka masalah yang akan dibahas dalam penelitian ini adalah sebagai berikut: 1. Bagaimana menemukan aturan asosiatif dan membentuk pola kombinasi itemsets dengan menggunakan algoritma apriori dari data penjualan barang acsesoris handphone? 2. Bagaimana menghasilkan rules dari pola kombinasi itemsets yang interesting? 3. Bagaimana pola data penjualan barang yang dihasilkan dari penerapan metode association rule menggunakan algoritma apriori? 1.3 Batasan Masalah Agar pembahasan tidak lepas dari latar belakang dan perumusan masalah, maka penulis membatasi masalah yang dibahas yaitu sebagai berikut: 1. Menggunakan data mining algoritma apriori untuk menemukan pola kombinasi itemsets dan association rule untuk menemukan rules pola data penjualan accessories handphone. 2. Data yang digunakan dalam pengolahan data adalah invoice tahun 2013. 3. Pengujian data menggunakan tools data mining Tanagra versi 1.4.50. 1.4 Tujuan Penelitian Beberapa tujuan yang ingin dicapai dalam penelitian ini yaitu sebagai berikut: 1. Memamahami konsep association rule dengan algoritma apriori untuk menemukan pola data penjualan aksesoris. 2. Menemukan informasi pola data penjualan aksesoris yang dapat membantu dalam prediksi persediaan aksesoris sesuai dengan data penjualan berdasarkan invoice. 3. Merancang data mining dengan algoritma apriori untuk menyelesaikan masalah. 4. Mengimplementasikan association rule dengan algoritma apriori pada data penjualan aksesoris untuk mengekstrak pengetahuan, informasi penting dan menarik dari database. 114

5. Menguji metode association rule dengan algoritma apriori untuk menemukan pola data penjualan aksesoris. mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesis yang ada sebelumnya. 1.5 Manfaat Penelitian Manfaat dari penelitian ini adalah Mengaplikasikan algoritma apriori dalam menemukan pola data penjualan accessories handphone. 2. Landasan Teori 2.1 Knowledge Discovery In Databases (KDD) KDD didefenisikan sebagai ekstraksi informasi potensial, implisit dan tidak dikenal dari sekumpulan data. Proses knowledge discovery in database melibatkan hasil proses data mining (proses pengekstrakan kecenderungan suatu pola data), kemudian mengubah hasilnya secara akurat menjadi informasi yang mudah dipahami (Kennedi Tampubolon et al, 2013). Proses KDD secara garis besar dapat dijelaskan sebagai berikut (Kusrini, Emha Taufiq Luthfi, 2009) : 1. Data Selection Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi dalam KDD. Data hasil seleksi yang akan digunakan untuk proses data mining, disimpan dalam suatu berkas, terpisah dari basis data operasional. 2. Pre-processing/ Cleaning Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses cleaning pada data yang menjadi fokus KDD. Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data yang inskosisten, dan memperbaiki kesalah pada data, seperti kesalahn cetak (tipografi). Juga dilakukan proses enrichment, yaitu informasi lain yang relevan dan diperlukan untuk KDD, seperti data atau informasi eksternal. 3. Transformation Coding adalah proses transformasi pada data yang telah dipilih sehingga data tersebut sesuai untuk proses data mining. Proses coding dalam KDD merupakan proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam basis data. 4. Data mining Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. Teknik, metode, atau algoritma dalam data mining sangat bervariasi. Pemilihan metode atau algoritma yang tepat sangan bergantung pada tujuan dan proses KDD secara keseluruhan. 5. Interpretation/ Evaluation Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian dari proses KDD yang disebut interpretation. Tahap ini Gambar 2.1 Proses KDD 2.2 Data Mining Data mining menurut David Hand, Heikki Mannila, dan Padhraic Smyt dari MIT adalah analisa terhadap data (biasanya data yang berukuran besar) untuk menemukan hubungan yang jelas serta menyimpulkan yang belum diketahui sebelumnya dengan cara terkini dipahami dan berguna bagi pemilik data tersebut (Prabowo Pudjo Widodo et al, 2013). Data mining bukanlah suatu bidang yang sama sekali baru, data mining memiliki akar yang panjang dari bidang ilmu seperti kecerdasan buatan (artificial intelligent), meachine learning, statistik, database, dan juga information retrieval. 2.2.1 Pengelompokan Data mining Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat dilakukan, yaitu (Efori Buulolo, 2013): 1. Deskripsi Terkadang peneliti dan analisis secara sederhana ingin mencoba mencari cara untuk menggambarkan pola dan kecendrungan yang terdapat dalam data. Sebagai contoh, petugas pengumpulan suara mungkin tidak dapat menemukan keterangan atau fakta bahwa siapa yang tidak cukup profesional akan sedikit didukung dalam pemilihan presiden. Deskripsi dari pola dan kecendrungan sering memberikan kemungkinan penjelasan untuk suatu pola atau kecenderungan. 2. Estimasi Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih ke arah numerik daripada ke arah kategori. Model dibagun menggunakan record lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi. Selanjutnya, pada peninjauan berikutnnya estimasi nilai dari variabel target dibuat berdasarkan nilai variabel prdiksi. Sebagai contoh, akan dilakukan estimasi tekanan darah sistolik pada pasien rumah sakit berdasarkan umur pasien, jenis kelamin, indeks berat badan, dan level sodium darah. Hubungan antara tekanan darah sistoliak dan nilai 115

variabel prediksi dalam proses pembelajaran akan menghasilkan model estimasi. Model estimasi yag dihasilkan dapat digunakan untuk kasus baru lainnya. 3. Prediksi Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam prediksi nilai dari hasil akan ada di masa mendatang. Contoh prediksi dalam bisnis dan penelitian adalah: a. Prediksi harga beras dalam tiga bulan yang akan datang. b. Prediksi persentasi kenaikan kecelakaan lalu lintas tahun depan jika batas bawah kecepatan dinaikan. Beberapa mode dan teknik yang digunakan dalam klasifikasi dan estimasi dapat pula digunakan(untik keadaan yang tepat) untuk prediksi. 4. Klasifikasi Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan tinggi, pendapatan sedang, dan pendapatan rendah. Contoh lain klasifikasi dalam bisnis dan penelitian adalah: a. Menentukan apakah suatu transaksi kartu kredit merupakan transaksi yang curang atau tidak. b. Memperkirakan apakah suatu pengajuan hipotek oleh nasabah merupakan suatu kredit yang baik atau buruk. c. Mendiagnosis penyakit seorang pasien untuk mendapatkan termasuk kategori penyakit apa. 5. Pengklusteran Pengkluteran merupakan pengelompokan record, pengamatan, atau memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan. Kluster adalah kumpulan record yang memiliki kemiripan satu dengan yang lainnya dan memiliki ketidakmiripan dengan record-record dalam kluster lain. Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variabel target dalam pengklusteran. Pengklusteran tidak mencoba untuk melakukan klasifikasi, mengestimasi, atau memprediksi nilai dari variabel target. Akan tetapi, algoritma pengklusteran mencoba untuk melakukan pembagian terhadap keseluruhan data menjadi kelompok-kelompok yang memiliki kemiripan (homogeny), yang mana kemiripan dalam satu kelompok akan bernilai maksimal, sedangkan kemiripan dengan record dalam kelompok lain akan bernilai minimal. Contoh pengklusteran dalam bisnis dan penelitian adalah: a. Mendapatkan kelompok-kelompok konsumen untuk target pemasaran dari satu suatu produk bagi perusahaan yang tidak memiliki dana pemesaran yang besar. b. Untuk tujuan audit akuntansi, yaitu melakukan pemisahan terhadap perilaku financial dalam baik dan mencurigakan. c. Melakukan pengklusteran terhadap ekspresi dari gen, untuk mendapatkan kemiripan perilaku dari gen dalam jumlah besar. 6. Asosiasi. Tugas asosiasi dalam data mining adalah menemukan attribut yang muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja. Contoh asosiasi dalam bisnis dan penelitian adalah: a. Meneliti jumlah pelanggan dari perusahaan telekomunikasi seluler yang diharapkan untuk memberikan respon positif terhadap penawaran upgrade layanan yang diberikan. b. Menentukan barang dalam supermarket yang dibeli secara bersamaan dan yang tidak pernah dibeli secara bersamaan. 2.2.2 Langkah-langkah Mining Ada empat tahap yang dilalui dalam data mining antara lain (Kennedi Tampubolon, 2013) : 1. Tahap pertama: Precise statement of the problem (mendefinisikan permasalahan yang ingin diketahui). Misalnya ingin mengetahui apakah seorang customer berpotensi memiliki kredit macet, atau mengidentifikasi seorang customer apakah akan pindah ke kompetitor bisnis kita, dan lain sebagainya. Setelah menemukan pertanyaan bisnis yang perlu dijawab oleh data mining, selanjutnya tentukan tipe tugas untuk menjawab pertanyaan bisnis tersebut. Tugas dasar yang menjadi dasar algoritma data mining adalah klasifikasi, regresi, segmentasi, asosiasi dan sequence analisis. 2. Tahap kedua: Initial Exploration (Mempersiapkan data yang menjadi sumber untuk data mining termaksud data cleaning untuk mempelajari polanya). Setelah menemukan defenisi masalah, langkah berikutnya adalah mencari data yang mendukung defenisi masalah. Menentukan porsi data yang digunakan men-training data mining berdasarkan algoritma data mining yang telah dibuat. Setelah persiapan data selesai dilakukan, langkah berikutnya adalah memberikan sebagian data kedalam algoritma data mining. 3. Tahap ketiga: Model building and validation. Validasi apakah data mining memberikan prediksi yang akurat. Setelah training data selesai dilakukan, data mining tersebut perlu di- uji atau di-validasi keakuratannya terhadap data testing. 4. Tahap ke-empat: Deployment. Tahap ini memilih aplikasi yang tepat terhadap data mining untuk membuat prediksi. 2.3 Associatio Rule Association rule mining adalah teknik data mining untuk menemukan aturan asosiasi antara suatu kombinasi item (Goldie Gunadi, Dana Indra Sensuse, 2012). Aturan asosiasi (association rules) atau analisis afinitas (affinity analysis) berkenaan dengan tentang 116

apa bersama apa. Ini bisa berupa studi transaksi di supermarket misalnya orang yang membeli susu bayi juga membeli sabun mandi. 2.3.1 Tahapan Association Rule 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 (Kennedi Tampubolon et al, 2013). 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. Nilai support item diperoleh degan memakai rumus berikut: Jumlah transaksi mengandung A Support (A )= (1) Total transaksi hasil large itemset pada iterasi selanjutnnya akan (1) menggunakan hasil large itemset pada iterasi sedangkan nilai dari support dari dua item sebelumnya (L diperoleh dari rumus berikut: k-1) untuk membentuk kandidat Jumlah transaksi mengandung A dan B itemset bertikut (L k ). Sistem akan Support(A,B)= Total transaksi menggabungakan (join) L k-1 dengan L k-1 untuk (2) mendapatkan L k, seperti pada iterasi (2) sebelumnya 2. Pembentukan aturan assosiatif sistem akan menghapus (prune) kombinasi itemset Setelah semua pola frekuensi tinggi ditemukan, yang tidak termasuk dalam large itemset. barulah dicari aturan assosiatif yang memenuhi 4. Setelah dilakukan operasi join, maka pasangan syarat minimum untuk confidence dengan itemset baru hasil proses join tersebut dihitung menghitung confidence aturan asosiasi jika A supportnya. maka B. Nilai confidence dari aturan jika A 5. Proses pembentuk kandidat yang terdiri dari proses maka B diperoleh dari rumus berikut: join dan prune akan terus dilakukan hingga himpunan kandidat itemsetnya null, atau sudah Confidence= Jumlah transaksi mengandung A dan B P(A B)= Total transaksi mengandung A 2.3.1.1 Lift Rasio Salah satu cara yang lebih baik untuk melihat kuat tidaknya aturan asosiasi adalah dengan nilai benchmark, diasumsikan kejadian item dari consequent dalam suatu transaksi adalah independent dengan kejadian dari antecedent dari suatu aturan asosiasi. Nilai estimasi dari confidence benchmark dihitungan dari suatu aturan dengan persamaan sebagai berikut (Budi Santoso,2007): confidence benchmark = jumlah transaksi dengan item dalam consequent (4) Jumlah transaksi dalam database Bandingkan confidence terhadap confidence benchmark dengan melihat rasionya. Jadi lift rasio adalah perbandingan antara confidence untuk suatu aturan dibagi dengan confidence, dimana diasumsikan consequent dan antecedent saling independent, dengan persamaan sebagai berikut: confidence Lift rasio = (5) benchmark confidence 2.3.2 Langkah-LangkahProses Perhitungan Association Rule Proses perhitungan association rule terdiri dari beberapa tahap adalah sebagai berikut (Eko Wahyu Tyas d, 2008): 1. Sistem men-scan database untuk mendapat kandidat 1-itemset (himpunan item yang terdiri dari 1 item) dan menghiung nilai supportnya. Kemudian nilai supportnya tersebut dibandingkan dengan minimum support yang telah ditentukan, jika nilainya lebih besar atau sama dengan minimum support maka itemset tersebut termasuk dalam large itemset. 2. Itemset yang tidak termasuk dalam large itemset tidak diikutkan dalam iterasi selanjutnya ( di prune). 3. Pada iterasi kedua sistem akan menggunakan hasil large itemset pada iterasi pertama (L 1 ) untuk membentuk kandidat itemset kedua (L 2 ). Pada iterasi selanjutnnya sistem akan menggunakan (3) tidak ada lagi kandidat yang akan dibentuk. (3) 6. Setelah itu, dari hasil frequent itemset tersebut dibentuk association rule yang memenuhi nilai support dan confidence yang telah ditentukan. 7. Pada pembentukan association rule, nilai yang sama dianggap sebagai satu nilai. 8. Assosiation rule yang terbentuk harus memenuhi nilai minimum yang telah ditentukan. 9. Untuk setiap large itemset L, kita cari himpunan bagian L yang tidak kosong untuk setiap himpunan bagian tersebut, dihasilkan rule dengan bentuk ab (L-a) jika supportnya (L) dan supportnya (a) lebih besar dari minimum support. 2.4 Algoritma Apriori Apriori adalah suatu algoritma yang sudah sangat dikenal dalam melakukan pencarian frequent itemset dengan menggunakan teknik association rule. Pada algoritma apriori untuk menentukan kandidatkandidat yang mungkin muncul dengan cara memperhatikan minimum support (Erwin, 2009). Algoritma apriori dibagi menjadi beberapa tahap yang disebut narasi atau pass: 1. Pembentukan kandidat itemset, kandidat k-itemset dibentuk dari kombinasi (k-1) itemset yang didapat dari iterasi sebelumnya. Satu cara dari algoritma 117

apriori adalah adanya pemangkasan kandidat k- itemset yang subset-nya yang berisi k-1 item tidak termasuk dalam pola frekuensi tinggi dengan panjang k-1. 2. Penghitungan support dari tiap kandidat k-itemset. Support dari tiap kandidat k-itemset didapat dengan menscan database untuk menghitung jumlah transaksi yang memuat semua item didalam kandidat k-itemset tersebut. Ini adalah juga ciri dari algoritma apriori dimana diperlukan penghitungan dengan cara seluruh database sebanyak k-itemset terpanjang. 3. Tetapkan pola frekuensi tinggi. Pola frekuensi tinggi yang memuat k item atau k-itemset ditetapkan dari kandidat k-itemset yang supportnya lebih besar dari minimum support. 4. Bila tidak didapat pola frekuensi tinggi baru maka seluruh proses dihentikan. Bila tidak, maka k ditambah satu dan kembali bagian 1. Penerapan algoritma apriori dapat diilustrasikan melalui gambar berikut: Gambar 2.2 Ilustrasi Algoritma Apriori PEMBAHASAN 3.1 Analisa Data Analisa data dilakukan pada data penjualan berdasarkan invoice, dengan tujuan untuk menemukan pola data penjualan barang untuk mengetahui kombinasi antar item (aksesories) yang terjual secara bersamaan dalam satu transaksi penjualan. Berikut adalah sebagaian data real penjualan barang dalam penelitian ini. Tabel 3.1 Data Real Barang Berdasarkan Invoice No. Faktur Nama Barang 13-00001132 Batt Box 1100mah IX4, Batt Box 13600mah IX6, Srg Gal Tab P3200 ION Book V2 Orange, Srg Gal Tab P3200 ION Book V2, Book V3 Brown, Srg Ipad Air Tatu KissMe Black, Srg Ipad Air Tatu KissMe Red, Srg Ipad New Belk Trifold, Srg Sam Gal Tab T230 V4 Black, Srg Sam Gal Tab T230 V4 Brown, Srg 13-00002134 Sam Gal Tab T230 V4 Grey, Srg Sam Gal Tab T330 V4 White, Srg Tab T311 ION Book Rotate + Wallet Black, Srg Tab T311 ION Book Rotate + Wallet D.Blue A/G Ipad Air, A/G Sam Gal Tab P3200, A/G Sam Gal s4 0.3mm Glass, Power Kit 6in1, Book V3, Srg Sam Gal I9152 Flip Cover Ori99 Artic Blue, T230 V4 Brown, Srg Sam Gal Tab T230 V4 Red, Srg Sam Gal Tab T230 V4 White, Srg Sam Gal Tab T330 V4 Red, Srg Sam Gal Tab T330 V4 White, Srg XiooM i MI3 V4 Black, Srg Gal Tab Black, Srg Gal Tab Brown, Srg Gal Tab 3.2.2 Analisa Pola Frekuensi Tinggi Pertama kali adalah dengan memisahkan semua nama item barang yang ada dalam data yang akan diolah, tahap ini akan mencari item yang memenuhi syarat minimum dari nilai support dalam database. Nilai support minimum diperoleh dengan menggunakan rumus pada persamaan (1) sebagai berikut: Support(AG Ipad Air ) = 3 20 =15% Support(Batt 9300 Kepter B. berry ori) = 1 20 =5% Tabel 4.2 merupakan tabel beberapa jenis item barang yang ada dalam invoice dengan nilai support dan support %, seperti pada tabel 3.2 berikut ini: Tabel 3.2 Keterangan Jenis Item Barang Nama Barang Supp Suppor ort t(%) A/G Ipad Air 3 15 A/G Sam Gal 67106 2 10 A/G Sam Gal i9082 Grand 3 15 A/G Sam Gal Tab P3200 2 10 A/G Sam Gal s4 0.3mm Glass 6 30 Batt 9300 Kepter B.berry ori 1 5 Batt Box 1100mah IX4 3 15 Batt Box 13600mah IX6 support menjelaskan jumlah kemunculan atau presentasi setiap item dalam seluruh invoice sedangkan support(%) adalah jumlah item yang didapatkan dari nilai support di bagi dengan jumlah total transaksi yang dikalikan dengan seratus 118

persen(%). Berikut adalah tabel jenis item yang memenuhi nilai support minimum yaitu 20 persen(%): Tabel 3.3 Pola Kombinasi Satu Itemset Nama Barang Support Support(%) A/G Sam Gal s4 0.3mm Glass 6 30 Batt Box 136000mah IX6 Cable Data Samsung Galaxy Note ori Power Kit 6in1 Srg BB Z 3 ION 5 25 B4 Black Srg Gal Tab P3200 ION Book V2 Srg Gal Tab P3200 ION Book V2 Red Srg Gal Tab T311 8 40 ION Book V2 Srg Gal Tab T311 6 30 ION Book V3 Brown Srg Gal Tab T311 5 25 ION Book V3 Srg Ipad Air Tatu 5 25 KissMe Red Srg Sam Gal 5 25 I9152 Flip Cover Ori99 Artic Blue T230 V4 Black T230 V4 Brown T230 V4 D.Blue T230 V4 Grey T230 V4 Red T330 V4 D.Grey T330 V4 Red T330 V4 White Srg Gal Tab P3200 ION Book V3 Black 9 45 5 25 6 30 8 40 Srg Gal Tab P3200 ION Book V3 Brown Srg Gal Tab P3200 ION Book 6 30 5 25 V3 white Tabel 3.3 merupakan data item barang yang memenuhi nilai support minimum dari 66 items dalam keseluruhan invoice yang digunakan dalam pengolah data maka dihasilkan 23 items yang memenuhi syarat minimum support yaitu 20 persen(%), data hasil kombinasi satu itemset akan digunakan untuk membentuk pola kombinasi itemset berikutnya. 3.2.2.1 Pembentukan Pola Kombinasi Dua Itemsets pembentuk pola kombinasi dua itemset yaitu dengan cara join, yaitu menggabungkan setiap items pada pola sebelumnya menjadi kombinasi dua, dimana nilai support didapat dengan menggunakan rumus pada persamaan dua (2) dengan salah satu perhitungan items sebagai berikut: Support (A/G Sam Gal s4 0.3mm Glass Power Kit 6in1 ) = (AB)= 2 = 10% 20 A mewakili item yang berada sebelum tanda baca koma, dan B mewakili item yang berada setelah tanda baca koma. maka itemset yang memenuhi nilai support minimal adalah sebagai berikut Tabel 3.4 Pola Kombinasi Dua Itemsets Nama Barang Srg BB Z 3 ION B4 Black, Book V2 Book V2, Srg Gal Tab T311 ION Book V3 Brown Book V2, Srg Sam Gal Tab T230 V4 Brown Book V2, Srg Sam Gal Tab T330 V4 White Book V2, Srg Gal Tab Brown Book V3 Brown, Srg Gal Tab T230 V4 Brown T230 V4 Black, T230 V4 Brown T230 V4 Brown, Srg Tab P3200 ION Book V3 Brown, Srg Gal Tab P3200 ION Book V3 Black, Srg Gal Tab Brown Suppor Support( t(a B) %) 6 30 119

T330 V4 White, T230 V4 Brown 5 25 3.2.3 Pembentukan Association Rule Setelah semua pola frekunsi tinggi ditemukan, maka dilanjutkan dengan pencarian association rule yang memenuhi syarat minimum untuk confidence, dengan cara menghitung confidence aturan dari asosiasi jika A maka B. Confidence adalah nilai yang mendefinisikan kuat tidaknya hubungan antara item-item yang berkombinasi. Perhitungan confidence menggunakan rumus pada persamaan (3) dengan perhitungan sebagai berikut: Confidence (Srg BB Z 3 ION B4 Black Srg Gal Tab T311 ION Book V2 ) = 4 = 80% 5 Selain dengan menghitung confident, menghitung nilai lift juga adalah salah satu cara untuk melihat kuat tidaknya hubungan antara rule yang berkombinasi. Setelah ditemukan nilai confident suatu rule, maka digunakan rumus pada persamaan (4) dan dilanjutkan dengan rumus persamaan (5) maka nilai lift rasio dari perhitungan calon association rule dapat dilihat seperti pada tabel 3.5 berikut ini: Tabel 3.5 Nilai Lift Rasio dari Calon Association Rule Dua Itemsets Nama Barang Jika dibeli Srg BB Z 3 ION B4 Black: maka akan T311 ION Book V2 T311 ION Book V2 : maka akan dibeli T230 V4 Brown T311 ION Book V3 Brown: maka akan T230 V4 Brown Jika dibeli Srg Sam Gal Tab T230 V4 Black: maka akan dibeli T230 V4 Brown Black: maka akan Brown Lift 2,0000 0 1,6666 7 1,4815 6 2,2222 2 3,3333 3 Sup port % Confid ence (%) 20 80 20 75 20 66,67 20 100 20 100 Jika dibeli Srg Sam Gal Tab T330 V4 White: maka akan dibeli T230 V4 Brown T311 ION Book V3 Brown: maka akan T311 ION Book V2 Jika dibeli Srg Sam Gal Tab T230 V4 Brown: maka akan T311 ION Book V2 Brown:maka akan T311 ION Book V2 Brown: maka akan dibeli T230 V4 Brown Brown: maka akan Black 1,3888 9 25 62,5 1,6666 7 1,6667 5 20 66,67 30 66,67 1,6666 7 20 66,67 1,4814 8 3,3333 3 20 66,67 20 66,67 Dari hasil pembentukan association rule yang diperoleh dapat dilihat bahwa dari 20 sampel transaksi (invoice) dan 66 item aksesoris handphone, dihasilkan 11 rules yang interesting dengan support minimum 20%, confidence minimum 60% dan lift rasio lebih besar dari 1. Salah satu association rule yang dihasilkan adalah Jika dibeli Srg BB Z 3 ION B4 Black: maka akan T311 ION Book V2, support= 20%, confidence=80%. Artinya yaitu 80% dari transaki yang memuat Srg BB Z 3 ION B4 Black juga memuat Book V2 sedangkan 20% dari seluruh transaksi yang ada memuat kedua item aksesoris tersebut. Dapat juga diartikan bahwa jika sebuah supplier membeli Srg BB Z 3 ION B4 Black maka memiliki kemungkinan 80% untuk membeli Book V2 dengan nilai 20% kemungkinan dua item tersebut terbeli secara bersamaan dan nilai liftnya adalah 2,00000. Format tabular data Data dalam bentuk 0 dan 1, dimana 1 menunjukkan bahwa adanya barang aksesoris yang terbeli dalam invoice dan sebaliknya 0 menunjukkan 120

Hf Remax RM 575 Hf Remax RM 535 Jurnal Ilmiah INFOTEK, Vol 1, No 1, Februari 2016 Cable Data Samsung Galaxy Note ori bahwa item tidak terbeli dalam invoice. berikut adalah beberapa sampel dari format tabular data. Bentuk Data Dalam Format Tabular Cable Data Iphone ori Batt Box 7800mah IX5 Batt Box 6200mah IX8 Batt Box 5800mah Z1 Batt Box 13600mah IX6 Batt Box 1100mah IX4 Batt 9300 Kepter B.berry ori A/G Sam Gal s4 0.3mm Glass A/G Sam Gal Tab P3200 A/G Sam Gal i9082 Grand A/G Sam Gal 67106 A/G Ipad Air No.Faktur 13-00000132 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 13-00000134 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 13-00000135 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 13-00000136 0 1 0 1 1 0 1 0 1 0 0 0 1 0 0 13-00000138 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 13-00000135 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 13-00000132 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 13-00000139 0 0 0 0 1 0 0 0 0 0 0 0 0 1 1 13-00000132 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 13-00000136 0 0 1 0 0 0 0 0 0 0 0 1 1 0 0 13-00000131 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 13-00000133 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 13-00000137 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 13-00011307 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 13-00011312 0 0 0 0 0 0 1 1 0 1 1 0 0 0 0 13-00011311 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 13-00011368 1 1 0 0 1 0 0 0 0 0 0 0 0 0 0 13-00011390 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 13-00013112 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 13-00011329 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4.2 Pengujian Pengujian dilakukan untuk membuktikan apakah hasil dari kombinasi item dan aturan asosiasi yang telah dilakukan pada bab sebelumnya sudah sesuai dengan perhitungan algoritma apriori yang sebenarnya. Frequent. Gambar berikut adalah tampilan jendela parameter untuk analisa pola frekuensi tinggi. Gambar 4.1 Tampilan Parameter Frequent Itemsets Setelah parameter ditentukan dan klik tombol button Ok, pada frequent itemsets klik kanan pilih excute dan klik kanan view maka akan tampil hasil perhitungan frequent itemsets dengan nilai support minimum adalah 20%, Tampilan pola dapat dilihat pada gambar berikut: Gambar 4.2 Tampilan Hasil Pengujian Satu Item dan Kombinasi Dua Itemset Pengujian pada gambar 4.2 menghasilkan sebanyak 33 itemsets yang merupakan gabungan dari satu item dan kombinasi dua itemset, hasil terdiri dari dua atribut yaitu description untuk menggambarkan jenis item dan support adalah nilai dari presentasi banyaknya jumlah jenis items dibagikan dengan jumlah transaksi yang digunakan dalam pengolahan data. Selanjutnya adalah tampilan pengujian khusus untuk pola kombinasi dua itemsets, pada frequent itemsets parameter Min length sama dengan 2 dan Max length sama dengan 2. Berikut adalah gambar tampilan Pola kombinasi dua itemsets. 4.2.1 Pengujian Untuk Pola Kombinasi Itemsets Parameter Min Support adalah 0,20, dengan Max Support 1, Min length sama dengan 1 dan Max length sama dengan 2 dengan Itemset type adalah 121

Gambar 4.3 Tampilan Hasil Pola Kombinasi Dua Itemsets Pada gambar 4.3 tampak 10 itemsets yang dihasilkan khusus untuk pola kombinasi dua itemsets dengan minimum support adalah 20persen(%). Pola kombinasi dari setiap items terbentuk dari satu item yang memenuhi nilai support. Setelah semua nilai pola frekuensi tinggi di temukan, maka selanjutnya adalah perhitungan assosition rules. Gambar 4.5 adalah tampilan dari hasil pengujian rules yang dihasilkan dari nilai parameter yang ditentukan. Terdapat dua atribut baru yaitu antecedent dan consequent, istilah antecedent untuk mewakili bagaian jika dan consequent untuk mewakili bagian maka. Untuk mengukur kekuatan aturan asosiasi ini digunakan ukuran confidence dan lift ratio. Untuk menghasilkan aturan asosiatif yang lebih bervarisi maka dapat dilakukan dengan memberikan nilai support dan confident yang lebih kecil, pemberian nilai support dan confident memperngaruhi jumlah rule yang dihasilkan. Berikut adalah rule yang di hasilkan dengan support min=15 dan confident min=45 adalah sebagai berikut: 4.2.3 Pengujian Untuk Menghasilkan Rules Untuk melakukan proses pengujian assosiation rules diawali dengan memilih menu association dan pilih submenu A Apriori lalu klik drag dan letakan pada define status 1, maka akan tampil penentuan parameter sebagai berikut: Gambar 4.6 Tampilan Hasil Association Rule Pengujian Ke Dua Gambar 4.4 Tampilan Association Rule Parameter Association rule parameter adalah tampilan menu untuk menentukan nilai support, confidence dan lift dari data, minimum support yang diharapkan adalah 20 persen(%), confidence sama dengan 60 persen(%) dan nilai lift sama dengan 1, adapun hasil yang dihasilkan dengan parameter yang telah ditentukan setelah di execute lalu view adalah sebagai berikut: Gambar 4.5 Tampilan Hasil Association Rule Dari Pengujian Dari gambar 4.6 merupakan hasil dari pengujian dengan memperkecil nilai support min dan confident min, semakin kecil nilai ambangnya maka rule yang dihasilkan akan semakin bervariasi juga. Dengan total invoice adalah 20, 66 item, support=15%, confident=45% maka dihasilkan 136 rule yang dengan pola kombinasi yang dihasilkan sebanyak tiga kombinasi. KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan hasil pengujian dan analisis dari penerapan association rule dengan algortma apriori untuk menemukan pola data penjualan accessories handphone pada maka dapat di tarik kesimpulan sebagai berikut: 1. Penerapan association rule dengan algoritma apriori dapat digunakan untuk menyelesaikan permasalahan dalam menemukan pola data penjualan aksesoris handphone yang menghasilkan pola kombinasi sebagai acuan dalam persediaan stok aksesoris handphone. 2. Pola data penjualan yang dihasilkan dengan min support 20 persen(%), min confidence 60 persen(%) adalah pola kombinasi dua items. 122

3. Dari data hasil pengujian yang telah diperoleh, dapat diketahui aksesoris apa saja yang sering muncul di dalam transaksi. Dengan demikian informasi ini dapat memudahkan dalam menyediakan stok dan pendistribusikan aksesoris. 5.2 Saran Berdasarkan hasil penelitian ini, ada beberapa saran yang dapat dilakukan guna pengembangan penelitian ini untuk menjadi lebih baik, di antaranya sebagai berikut: 1. Data yang digunakan dalam pengolahan sebaiknya dikelompokkan berdasarkan bulan dan merek handphone, karena adanya tingkat perkembangan yang pesat akan kebutuhan aksesoris handphone berdasarkan merek tersebut. 2. Disarankan untuk menggunakan min support dan min confidence yang lebih bervariasi sehingga pola yang dihasilkan lebih memiliki kombinasi yang lebih banyak. 3. Sebaiknya dilakukan perbandingan dengan menggunakan algoritma lain, untuk mengukur tingkat kinerja dan hasil yang diperoleh, apakah algoritma apriori sudah baik dalam penemuan pola penjualan aksesoris handphone. Apriori Untuk Analisa Pola Data Hasil Tangkapan Ikan.e-Indonesia Initiative 2008. 10. Erwin (2013). Analisis Market Basket Dengan Algoritma Apriori Dan Fp-Growth. Jurnal Generic Vol.4 No.2 11. Budi Santoso (2007). Data Mining, Teknik Pemanfaatan Data Untuk Keperluan Bisnis. Yogyakarta. Penerbit Graha Ilmu. Daftar Pustaka 1. Fadlina (2014). Data Mining Untuk Analisa Tingkat Kejahatan Jalanan Dengan Algoritma Association Rule Metode Apriori. Informasi dan Teknologi Ilmiah (INTI). Volume III Nomor I. 2. Kennedi Tampubolon et al (2013). Implementasi Data Mining Algortima Apriori Pada Sistem Persediaan Alat-Alat Kesehatan. Informasi dan Teknologi Ilmiah (INTI). Volume I Nomor I. 3. Kusrini, Emha Taufiq Luthfi (2009). Algoritma Data Mining.Yogyakarta. Penerbit Andi. 4. Prabowo Pudjo Widodo et al (2013). Penerapan Data Mining Dengan Matlab. Bandung. Penerbit Rekayasa Sains. 5. Dewi Kartika Pane (2013). Implementasi Data Mining Pada Penjualan Produk elektronik Dengan Algoritma Apriori.Pelita Informatika Budi Darma. Volume IV Nomor 3. 6. Efori Buulolo (2013). Implementasi Algortima Apriori Pada Sistem Persediaan Obat. Pelita Informati Budi Darma. Volume IV Nomor I. 7. Seni Susanto dan Dedy Suryadi (2010). Pengantar Data Mining. Yogyakarta. Penerbit Andi. 8. Goldie Gunadi, Dana Indra Sensuse (2012). Penerapan Metode Data Mining Market Basket Analysis Terhadap Data Penjualan Produk Buku Dengan Menggunkan Algoritma Apriori Dan Frequent Pattern Growth (FP-Growth). Telematika MKOM Vol.4 No.I. 9. Eko Wahyu Tyas d (2008). Penerapan Metode Association Rule Menggunakan Algoritma 123