PEMANFAATAN DATA MINING UNTUK MENGETAHUI POLA PEMBELIAN MASYARAKAT PADA SALAH SATU MINIMARKET DI KOTA MAKASSAR Sadly Syamsuddin, Nasaruddin Program StudiSistemInformasi, STMIK Dipanegara, Makassar e-mail: sadlyg2@gmail.com, nasaruddin@gmail.com Abstrak Data mining adalah proses mencari informasi yang jauh lebih berharga dari informasi pada umumnya, dimana informasi tersebut ditemukan dari proses menambang data yang berjumlah banyak. Pada penelitian ini kami mengangkat contoh data transaksi pembelian masyarakat Makassar di wilayah Bumi Tamalanrea Permai (BTP) tepatnya pada minimarket alfamart cabang SMA 21 BTP yang bila penelitian ini diimplementasikan lebih lanjut ke pihak pemilik minimarket maka hasilnya dapat digunakan untuk mengetahui pola transaksi yang ada dan dapat digunakan menjadi bahan pertimbangan untuk penentuan posisi rak produk yang di jual di Minimarket tersebut. Metode yang digunakan pada pembahasan jurnal ini adalah algoritma apriori, algoritma ini digunakan untuk menemukan pola frekuensi tinggi dimana pola frekuensi tinggi merupakan pola-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 tersebut dapat digunakan untuk menyusun aturan assosiatif dan juga beberapa teknik data mining lainnya. Hasil penelitian menunjukkan Algortima dapat berjalan dengan baik dalam melihat pola pembelian masyarakat dan dengan mengetahui pola tersebut pihak pengguna dapat menjadikannya alat penentuan posisi rak produk yang dijual di minimarketnya. Kata kunci Data Mining, Apriori, Pola Pembelian Masyarakat Abstract Data mining is the process of finding information that is far more valuable than the information in general, where the information found on the data mining process are numerous. In this study, we raised the example of data purchases Makassar communities in the regions of the Earth Tamalanrea Permai (BTP) precisely on minimarket alfamart branch SMA 21 BTP when this research is implemented further to the owner minimarket then the results can be used to determine the pattern of existing transactions and can used into consideration for positioning the shelves of products sold in the Minimarket. The method used in the discussion of this paper is the algorithm priori, this algorithm is used to find patterns of high frequency where the pattern of high frequency are patterns of items in a database that has a frequency or support above a certain threshold called the minimum term support, pattern the high frequencies can be used to draw up the rules associative and also some other data mining techniques. The results showed algorithms can work well in the community and know the buying patterns to determine the pattern of the users can make positioning equipment rack products sold in minimarketnya. Keywords Data Mining, Apriori, Public Purchasing Patterns Received June1 st,2012; Revised June25 th, 2012; Accepted July 10 th, 2012
1. PENDAHULUAN Saat ini organisasi atau perusahaan yang ada di Makassar dituntut agar dapat mengambil keputusan yang tepat dalam menentukan dan melaksanakan strategi penjualan, strategi pemasaran atau strategi bisnis yang digunakannya melihat kondisi persaingan tinggi dan dinamis di kota Makassar. Salah satunya adalah persaingan antar perusahaan-perusahaan minimarket yang ada di kota Makassar. Seperti yang kita lihat perusahaan minimarket tersebut tiap harinya semakin menambah cabangnya dan tentunya semakin hari memiliki data transaksi yang terus bertambah dan semakin besar. Namun dengan data yang begitu besar tersebut beberapa pihak perusahaan belum menggunakannya secara maksimal bahkan mungkin tidak jarang data tersebut hanya dibiarkan begitu saja tanpa pemrosesan yang lebih lanjut. Pertanyaannya sekarang, apakah data tersebut akan dibiarkan menggunung, tidak berguna lalu dibuang, ataukah kita dapat me- nambang -nya untuk mencari emas atau berlian yaitu informasi yang berguna untuk organisasi atau perusahaan kita. Dari permasalahan tersebut maka kami bermaksud melakukan kajian lebih lanjut mengenai bagaimana memproses data transaksi penjualan di salah satu minimarket di kota Makassar tersebut yang nantinya dapat memberikan informasi mengenai pola pembelian masyarakat yang dapat dijadikan bahan analisis untuk menentukan posisi rak yang cocok pada produk-produk yang dijual di minimarket tersebut. Teknologi yang digunakan dalam kajian ini adalah teknologi data mining, dimana Data miningadalah proses pemilihan atau menambang pengetahuan dari sekumpulan data dalam jumlah yang banyak. Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui [1].Data Mining adalah proses ekstraksi informasi dari kumpulan data melalui penggunaan algoritma dan teknik yang melibatkan bidang ilmu statistik, mesin pembelajaran, dan sistem manajemen database [2]. Dalam data mining yang dikembangkan penulis menggunakan algoritma Apriori sebagai metode analisisnya. Algoritma apriori adalah algoritma pengambilan data dengan aturan asosiatif (Association rule) untuk menentukan hubungan asosiatif suatu kombinasi item [3]. Association Rule yang dimaksud dilakukan melalui mekanisme penghitungan support dan confidence dari suatu hubungan item. Sebuah rule asosiasi dikatakan interesting jika nilai support adalah lebih besar dari minimum support dan juga nilai confidence adalah lebih besar dari minimum confidence. Algoritma apriori ini akan cocok untuk diterapkan bila terdapat beberapa hubungan item yang ingin dianalisa. Seperti pada kasus yang kita angkat dalam kajian ini yaitu hubungan antara produk-produk yang terjual bersamaan pada satu nota transaksi. 2. METODE PENELITIAN Pengertian dan Karakteristik Data Mining Data miningadalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar. Data mining, sering juga disebut sebagai knowledge discovery in database (KDD) adalah kegiatan yang meliputi pengumpulan, pemakaian data, historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar. Data miningdidefinisikan sebagai proses menemukan pola-pola dalam data. Proses ini otomatis atau seringnya semiotomatis. Pola yang ditemukan harus penuh arti dan pola tersebut memberikan keuntungan, biasanya keuntungan secara ekonomi. Data yang dibutuhkan dalam jumlah besar [3]. Data miningberhubungan dengan penemuan sesuatu yang tersembunyi dan pola dat tertentu yang tidak diketahui sebelumnya. Data miningbiasa menggunakan data yang sangat besar. Data miningberguna untuk membuat keputusan yang kritis, terutama dalam strategi [3]. Pengenalan Pola, Data Mining, dan Machine Learning Keluaran dari data mining ini bisa dipakai untuk memperbaiki pengambilan keputusan di masa depan. Sehingga istilah pattern recognition jarang digunakan karena termasuk bagian
dari data mining [4]. Machine Learning adalah suatu area dalam artificial intelligence atau kecerdasan buatan yang berhubungan dengan pengembangan teknik-teknik yang bisa diprogramkan dan belajar dari data masa lalu. Algoritma Apriori. Algoritma apriori adalah salah satu algoritma yang melakukan pencarian frequent itemset dengan menggunakan teknik association rule [6]. Untuk mencari association rule dari suatu kumpulan data, tahap pertama yang harus dilakukan adalah mencari frequent itemset terlebih dahulu. Frequent itemset adalah sekumpulan item yang sering muncul secara bersamaan. Penting tidaknya suatu asosiasi dapat diketahui dengan dua tolak ukur, yaitu support dan confidence. Support adalah nilaipenunjang atau persentase kombinasi sebuah item dalam database, sedangkan confidence adalah nilai kepastian yaitu kuatnya hubungan antar item dalam aturan asosiasi. Proses utama yang dilakukan dalam algoritma apriori untuk mendapat frequent itemset [6] yaitu : a. Join (penggabungan). Proses ini dilakukan dengan cara pengkombinasian item dengan yang item lainya hingga tidak bisa terbentuk kombinasi lagi. b. Prune (pemangkasan). Proses pemangkasan yaitu hasil dari item yang telah dikombinasikan kemudian dipangkas dengan menggunakan minimum support yang telah ditentukan. Konsep Aturan Asosiasi Rule. Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan asosiasi antara kombinasi item. Contoh dari aturan asosiasi dari analisa pembelian di suatu pasar swalayan adalah dapat diketahui berapa besar kemungkinan seseorang 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. Metodologi dasar Analisis Asosiasi Rule a. Analisis Pola Frekuensi Tinggi Tahapan ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database. Nilai support sebuah item diperoleh dengan rumus berikut: [7] Support A = Jumlah Transaksi Mengandung A (1) Total Transaksi Sedangkan nilai support dari 2 item diperoleh dari rumus 2 berikut. [7] Support (A,B) = Σ Transaksi Mengandung A dan B (2) Σ Transaksi b. Pembentukan Aturan Asosiasi Pembentukan Aturan Asosiasi Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan asosiasif jika A maka B. Nilai confidence dari aturan jika A maka B diperoleh dari rumus berikut : [7] Confidence P (B A) = Σ Transaksi Mengandung A dan B (3) Σ Transaksi Mengandung A 3. HASIL DAN PEMBAHASAN Implementasi Data Mining Algoritma Apriori Pada salah satu cabang Minimarket X kita mengambil data sampel sebanyak 6 buah data yang transaksinya kurang lebih seperti pada table 1 berikut:
Tabel 1. Data Transaksi salah satu cabang Minimarket X Id_transaksi Item Pembelian (Jenis Barang) 1 Pena, Roti, Mentega 2 Roti, Mentega, Telur, Susu 3 Buncis, Telur, Susu 5 Roti, Mentega 6 Roti, Mentega, Kecap, Telur, Susu Misal minimum dari nilai support pola frekuensi tinggi adalah 2, maka iterasi adalah seperti berikut: a. Iterasi 1 Untuk 1-itemset hitung dan mining database untuk mendapatkan pola frequent dari support Tabel 2. Tabel 1-itemset (C 1) Itemset Support Count Support Roti 4 80% Mentega 4 80% Telur 3 60% Susu 3 60% Buncis 1 60% Kecap 1 20% Pena 1 20% Dapatkan k-itemset dari support yang memenuhi minimum support, kemudian pilih k- itemset sebagai pola frequent tinggi: Tabel 3. Pola Frequent (Fi) Itemset Support Count Support Roti 4 80% Mentega 4 80% Telur 3 60% Susu 3 60% b. Iterasi 2 Pada iterasi sebelumnya pola frequent dari support telah didapatkan dari 1-itemset, untuk 2- itemset, generate k-itemset dari k-itemset iterasi sebelumnya, dengan melakukan kombinasi dari k-itemset tersebut. Tabel 4. Kombinasi dari k-itemset (C 2) Iternset Roti, Mentega Roti, Telur Roti, Susu Entega, Telur Mentega, Susu Telur, Susu C2 adalah itemset dari kombinasi k-itemset dari iterasi sebelumnya, setelah didapatkan k- itemset tersebut, hitung masing-masing item frequent dan scan database dan dapatkan frequent item dari support Tabel 5. 2-itemset (C 2) Roti, Mentega 4 80% Roti, Telur 2 40% Roti, Susu 2 40% Entega, Telur 2 40%
Mentega, Susu 2 40% Telur, Susu 3 60% Pengembangan algoritma apriori dengan memangkas k-itemset dengan menghitung suppport dari itemset, salah satu itemset yang tidak muncul dalam database {telur,buncis} dari C2, sehingga dipangkas menjadi lebih menghemat memory. Berikut table Pola frequent tinggi diatas minimum support untuk 2-itemset Tabel 6. Pola Frequent Tinggi (F 2) Roti, Mentega 4 80% Roti, Telur 2 40% Roti, Susu 2 40% Entega, Telur 2 40% Mentega, Susu 2 40% Telur, Susu 3 60% c. Iterasi 3 Tabel 7. Kombinasi dari k-itemset (C 3) Iternset Roti, Mentega, Telur Roti, Mentega, Susu Mentega, Telur, Susu Tabel 8. 3-itemset dari scan database (C 3) Roti, Mentega, Telur 40% 2 Roti, Mentega, Susu 40% 2 Mentega, Telur, Susu 40% 2 Kandidat 3-itemset yang telah memenuhi minimum support, itemset tersebut akan menjadi acuan untuk k-itemset selanjutnya. Tabel 4.9: 3-itemset untuk pola frequent tinggi (F 3) Roti, Mentega, Telur 40% 2 Roti, Mentega, Susu 40% 2 Mentega, Telur, Susu 40% 2 d. Iterasi 4 Gambar 9. kombinasi 3-itemset untuk k-itemset (C 4) Iternset Roti, Mentega, Telur, Susu Mining dabatase untuk mendapatkan itemset dari support, itemset yang memenuhi minimum support dipilih sebagai pola frequent tinggi Tabel 10. Pola Frequent Tinggi (F 4) Roti, Mentega, Telur, Susu 40% 2 Tidak ada lagi kombinasi yang bisa dibentuk untuk k-itemset berikutnya, proses berhenti, pola frequent tinggi yang ditemukan adalah Roti,Mentega,Telur,Susu. Artinya untuk enam buah data yang di-mining ditemukan informasi bahwa tingkat kemungkinan yang tinggi untuk pembelian secara bersamaan adalah Roti,Mentega,Telur,Susu.
4. KESIMPULAN DataMining dapat di implementasikan dengan menggunakan database penjualan produk barang di minimarket yang ada di kota Makassar yang dapat dimanfaatkan untuk dapat menemukan kecenderungan pola kombinasi itemsets sehingga hasilnya bisa dijadikan sebagai informasi untuk mengetahui prilaku konsumen dalam membeli produk barang secara bersamaan. Informasi prilaku konsumen tersebut dapat dijadikan alat bantu keputusan pimpnan dalam menentukan penempatan saling berdekatan, membantu untuk mengetahui produk barang yang jarang dibeli konsumen dan sebagai alat alternative dalam meningkatkan strategi pemasaran dengan cara membuat diskon barang yang jarang dibeli tersebut untuk menarikminat konsumen. 5. SARAN Penelitian selanjutnya diharapkan dapat mengintegrasikan metode apriori dengan metode lain sehingga proses kerjanya bisa lebih cepat, karena kelemahan dari metode ini adalah sistem harus melakukan scan database setiap kali iterasi, sehingga waktu yang diperlukan bertambah dengan makin banyak iterasi. UCAPAN TERIMA KASIH Penulismengucapkanterimakasihkepada xxx yang telahmemberidukungan financial terhadappenelitianini. DAFTAR PUSTAKA [1] Michael B. & Gordon S.L. 2004, Data Mining Techniques For marketing sales and customer relationship management, John Willey & SonsInc. [2] Ranjan, J., 2007, Application of Data Mining Technique in Pharmaceutical Industry, Journal of Theoritical and Applied Information Technology, Vol 3, hal 61 67. [3] Davies, and Paul Beynon, 2004, Database System Third Edition, Palgrave Macmillan, New York. [4] Santoso,B.,2007, Data Mining : Teknik pemanfaatan data untuk keperluan bisnis, Graha Ilmu, Yogyakarta. [6] Erwin, 2009, Analisis Market Basket dengan Algoritma Apriori dan FP-Growth,Jurnal Generik Vol.4 no 2. [7] Heroe Santoso dkk., 2016, Data Mining Analisa Pola Pembelian Produk dengan Menggunakan Metode Algoritma Apriori, STMIK AMIKOM Yogyakarta,Seminar Nasional Teknologi Informasi dan Multimedia 2016 ISSN : 2302-3805.