IMPLEMENTASI ALGORITMA APRIORI UNTUK MENGANALISA POLA PEMBELIAN PRODUK PADA DATA TRANSAKSI PENJUALAN 1 Wendi Wirasta, 2 Zaki Prasasti 1 Program Studi Teknik Informatika, STMIK LPKIA Bandung 2 Program Studi Sistem Informasi, STMIK LPKIA Bandung Jl. Soekarno Hatta No.456 Kota Bandung, Jawa Barat 40266 Tlp. (022) 7564283, Fax.(022) 7564282 1 wendi@lpkia.ac.id, 2 zakiprasasti@fellow.lpkia.ac.id ABSTRAK Algoritma Apriori adalah algoritma yang termasuk ke dalam kelompok asosiasi pada data mining, apriori sendiri digunakan untuk melakukan pencarian frequent itemset untuk mendapatkan aturan asosiasi, Apriori menggunakan pendekatan secara iterative yang disebut juga sebagai level-wish search dimana k-itemset digunakan untuk mencari (k+1)-itemset. Dalam menentukan suatu aturan asosiasi, terdapat suatu ukuran ketertarikan (interestingness measure) yang didapatkan dari hasil pengolahan data dengan data perhitungan tertentu. Pada umumnya terdapat dua ukuran ketertarikan dalam aturan asosiasi, yaitu Support dan Confidence. Setiap perusahaan maupun organisasi yang ingin tetap bertahan dalam persaingan bisnis perlu untuk menentukan strategi dalam bisnis yang tepat. Setiap transaksi yang dicatat perusahaan setiap harinya akan menghasilkan tumpukan data, maka dari itu perlunya untuk menganalisa kembali data transaksi penjualan untuk memperoleh pengetahuan atau informasi berupa pola-pola penjualan dalam periode bulan tertentu menggunakan Algoritma Apriori. Kata Kunci : Data Mining, Asosisasi, Algoritma Apriori, Data Transaksi I. PENDAHULUAN Informasi menjadi sebuah elemen penting dalam perkembangan masyarakat maupun organisasi, sehingga informasi tersebut perlu digali lebih dalam dari data yang jumlahnya besar. Penggalian informasi atau pola yang penting atau menarik sebuah informasi dari data dalam jumlah besar dengan memanfaatkan gudang data atau data histori hasil proses bisnis perusahaan. Proses penggalian ini menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai basis data besar, disebut juga sebagai data mining [1]. Salah satu metode data mining adalah aturan asosiasi dengan mengalaisis himpunan data transaksi penjualan. Analisa data transaksi penjualan bertujuan untuk merancang strategi penjualan atau pemasaran yang efektif dengan memanfaatkan histori data transaksi yang tersedia. Selain itu penggunaan teknik analisis ini dapat menemukan pola berupa produk apa saja yang sering dibeli atau cenderung muncul dalam himpunan transaksi yang sangat besar. Dalam metode asosiasi terdapat beberapa algoritma atau metode yang dapat digunakan untuk melakukan pencarian pola pembelian konsumen terhadap barang yang akan dibeli salah satunya yaitu algoritma apriori. Algoritma apriori adalah algoritma yang digunakan dalam melakukan pencarian frequent itemset untuk mendapatkan aturan asosiasi [2], Untuk dapat menentukan aturan asosiasi dari suatu kumpulan data, tahap pertama yang harus dilakukan adalah mencari frequent itemset, Frequent itemset adalah sekumpulan item yang sering muncul secara bersamaan. Penting tidaknya suatu asosiasi dapat diketahui dengan dua tolak ukur, yaitu support dan confidence. Maka dari itu perusahaan dapat menggunakan dan menganalisa data transaksi dengan algoritma apriori untuk mencari pola pembelian produk dan menggunakannya untuk merancang strategi stock bahan makanan atau minuman, merancang kupon diskon untuk produk tertentu dan penjualan paket produk dan lain sebagainya. II. DASAR TEORI II.1. Definisi Data Mining Istilah data mining memiliki beberapa pedanan, seperti knowledge discovery ataupun pattern recignition. Kedua istilah tersebut sebenarnya 1
memiliki ketepatannya masing-masing. Istilah knowledge discovery atau penemuan pengetahuan tepat digunakan karena tujuan utama dari data mining memang untuk mendapatkan pengetahuan yang masih tersembunyi di dalam bongkahan data. Istilah pattern recognition atau pengenalan pola pun tepat untuk digunakan karena pengetahuan yang hendak digali memang berbentuk pola-pola yang mungkin juga masih perlu digali dari dalam bongkahan data yang tengah dihadapi. [3] II.1. Algoritma Apriori Apriori adalah algoritma yang digunakan dalam melakukan pencarian frequent itemset untuk mendapatkan aturan asosiasi [4]. Sesuai dengan namanya, algoritma ini menggunakan prior knowledge mengenai frequent itemset properties yang telah diketahui sebelumnya untuk memproses informasi selanjutnya. Apriori menggunakan pendekatan secara iterative yang disebut juga sebagai level-wish search dimana kitemset digunakan untuk mencari (k+1)- itemset. Pertama-tama dicari set dari frequent 1- itemset, set ini dinotasikan sebagai L 1. L 1 yaitu large itemset pertama yang digunakan untuk menemukan L 2, kemudian set dari frequent 2 itemset digunakan untuk menemukan L 3, dan seterusnya sampai tidak ada lagi frequent k- itemset yang dapat ditemukan. Large itemset adalah itemset yang sering terjadi atau itemset - itemset yang sudah melewati batas minimum support yang telah ditentukan. II.2. Association Rule Mining Association rules mining adalah suatu prosedur untuk mencari hubungan antar item suatu dataset yang telah ditentukan [4]. Dalam menentukan suatu aturan asosiasi, terdapat suatu ukuran ketertarikan (interestingness measure) yang didapatkan dari hasil pengolahan data dengan data perhitungan tertentu. Pada umumnya terdapat dua ukuran ketertarikan dalam aturan asosiasi, yaitu : 1. Support adalah probabilitas konsumen membeli beberapa produk secara bersamaan dari jumlah seluruh transaksi [2]. Ukuran ini menentukan apakah suatu item/itemset layak untuk dicari nilai confidence-nya (misal dari keseluruhan transaksi yang ada, seberapa besar tingkat dominasi yang menunjukkan bahwa item X dan Y dibeli bersamaan). 2. Confidence atau tingkat kepercayaan merupakan probabilitas kejadian beberapa produk yang dibeli bersamaan dimana salah satu produk sudah pasti dibeli (misal, seberapa sering item Y dibeli apabila konsumen membeli item X) [2]. Kedua ukuran (support dan confidence) berguna dalam menentukan aturan asosiasi, yaitu untuk dibandingkan dengan batasan (threshold) yang ditentukan oleh pengguna. Batasan tersebut umumnya terdiri atas minimum support sebagai batasan minimum dari nilai support dan minimum confidence sebagai batasan minimum dari nilai confidence. Langkah-langkah dalam pembentukan aturan asosiasi meliputi dua tahap, yaitu : 1. Analisis pola frekuensi tinggi Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam basis data. Support untuk aturan X => Y adalah probabilitas atribut atau kumpulan atribut X dan Y yang terjadi bersamaan dalam suatu transaksi. [2] Bentuk persamaan matematika dari nilai support [4] adalah : Support (X => Y) = P (X Y) Dengan keterangan : 1. X => Y = item yang muncul bersamaan 2. P ( X Y ) = probabilitas transaksi yang mengandung X dan Y dibagi dengan jumlah transaksi seluruhnya. 2. Pembentukan aturan asosiasi Setelah semua pola frekuensi tinggi ditemukan, kemudian dicari aturan asosiasi yang memenuhi syarat minimum untuk confidence dengan menghitung confidence dari aturan if X then Y. Bentuk rumus matematika dari confidence [4] adalah : Confidence (X => Y) = P (X Y) Dengan keterangan : 1. X => Y = item yang muncul bersamaan 2. P ( Y X ) = probabilitas jumlah transaksi yang mengandung X dan Y dibagi dengan jumlah transaksi yang mengandung X. 2
Gambar III.1 Model Generic Diagram II.3. Metodologi Pengembangan Sistem Pada penelitian ini menggunakan metodologi pengembangan sistem Global Extreme Programming, Extreme Programming (XP) dikenal dengan metode atau technical how to bagaimana suatu tim teknis mengembangkan perangkat lunak secara efisien melalui berbagai prinsip dan teknik praktis pengembangan perangkat lunak. XP menjadi dasar bagaimana tim bekerja sehari-hari. Global Extreme Programming yaitu pengembangan dari XP (Extreme Programming) Life Cycle, dalam Global Extreme Programming terdapat lima fase yaitu Exploration (eksplorasi), Planning (Perencanaan), Iteration (Iterasi), Production (Produksi) dan Maintenance (Pemeliharaan). [5] II.4. Analisis Functional Requirement Analisis Functional Requirement Merupakan penjelasan tentang layanan yang perlu disediakan oleh sistem, bagaimana sistem menerima dan mengolah masukan, dan bagaimana sistem mengatasi situasi-situasi tertentu. Selain itu kadang-kadang juga secara jelas menentukan apa yang tidak dikerjakan oleh sistem. Functional requirement menggambarkan system requirement secara detil seperti input, output dan pengecualian yang berlaku. [6] II.5. Analisis Non-Functional Requirement Analisis kebutuhan non-fungsional Secara umum berisi batasan-batasan pada pelayanan atau fungsi yang disediakan oleh sistem. Termasuk di dalamnya adalah batasan waktu, batasan proses pembangunan, standarstandar tertentu. Karena berkaitan dengan kebutuhan sistem secara keseluruhan, maka kegagalan memenuhi kebutuhan jenis ini berakibat pada sistem secara keseluruhan. [6] II.6. Unified Modeling language (UML) UML (Unified Modeling Language) adalah Metodologi kolaborasi antara metoda-metoda Booch, OMT (Object Modeling Technique), serta OOSE (Object Oriented Software Enggineering) dan beberapa metoda lainnya, merupakan metodologi yang paling sering digunakan saat ini untuk analisa dan perancangan sistem dengan metodologi berorientasi objek mengadaptasi maraknya penggunaan bahasa pemrograman berorientasi objek (OOP). [7] III. ANALISA DAN PERANCANGAN III.1. Model Generic Diagram Pada tahap ini akan menjelaskan Proses tahapan dari Model Generic Diagram seperti pada Gambar III.1 yang dimana tahapannya sebagai berikut : III.1.1 Identifikasi Permasalahan Pada fase ini yang pertama adalah memfokuskan untuk mengidentifikasi permasalahan yang timbul, menentukan solusi dan melakukan pengambilan data transaksi perusahaan. Pada penelitian ini dilakukan di Fifteen Cafe yang dimana perusahaan tersebut bergerak di bidang kuliner, data transaksi Fifteen Cafe yang akan di analisa dan siap untuk di olah adalah data transaksi pada bulan Mei 2016 s/d April 2017 yang jumlahnya sebanyak 21.494 Record. [6] 3
III.1.2 Analisa dan Implementasi Perangkat Lunak Pada tahap ini akan di lakukan 3 tahap proses utama yang dimana tahap tahap ini di rumuskan atau didapatkan sesuai dengan fase pada metodologi pengembangan sistem Global Extreme Programming, fase yang dimaksud adalah fase Planning Phase (Fase Perencanaan) dan Iteration Fase (Fase Iterasi), ketiga tahapan tersebut yaitu : b. Tahap proses analisa kebutuhan Functional Requirements merupakan penjelasan tentang layanan yang perlu disediakan oleh sistem, bagaimana sistem menerima dan mengolah masukkan dan bagaimana sistem mengatasi situasi situasi tertentu dan pada kebutuhan Non-Functional Requirements sendiri adalah mengatasi batasan batasan pada pelayanan atau fungsi yang disediakan oleh sistem seperti batasan waktu proses, keamanan sistem, bagaimana agar sistem dapat digunakan dan mudah dimengerti oleh end user dan lain sebagainya. c. Tahap Proses analisa metode akan dijelaskan pada Poin 2.1, secara garis bersar proses ini adalah untuk menentukan metode pengembangan perangkat lunak yang cocok untuk masalah yang sedang di hadapi, pada penelitian ini menggunakan Algoritma Apriori karena algoritma apriori sendiri adalah sebuah metode yang termasuk ke dalam Asosiasi pada Data Mining yang berfungsi untuk melakukan pencarian pola pola / kombinasi Item, dan konsep secara detail di bahas pada Poin II.1 dan II.2. d. Tahap proses Implementasi Desain dan Coding, pada tahap ini semua hasil analisa dari tahap sebelumnya akan direalisasikan dan diimplementasikan dan output-nya akan menghasilkan satu perangkat lunak yang akan membantu menyelesaikan masalah yang telah dipaparkan sebelumnya. III.1.3 Metode Penyelesaian Masalah Pada tahap ini adalah bagaimana peranan metode dalam membantu pada proses Implementasi Perangkat Lunak untuk menghasilkan output yang dapat menyelesaikan permasalahan yang terjadi, pada penelitian ini menggunakan Algoritma Apriori yang dimana ada dua tahapan proses untuk menghasilkan hasil analisa, yaitu : a. Analisa Pencarian Pola / Frequent Pada proses ini pertama harus melakukan import data ke dalam database dengan syarat data yang di import harus melaui tahap cleaning data terlebih dahulu, lalu membatasi nilai minium support dan confidence setelah itu data akan di proses menggunakan aturan Algoritma Apriori dan outputnya menghasilkan kombinasi item, lalu data akan di proses untuk sort sesuai dengan jumlah minimum support dengan teknik association rule dengan menggunakan rumus sebagai berikut : Support (X => Y) = P (X Y) b. Perhitungan Nilai Kepastian / Confidence Pada proses ini data yang telah di proses sebelumnya akan di hitung nilai kepastiannya sesuai dengan probabilitas atau peluang pada itemset, lalu menampilkan output itemset yang memenuhi nilai confidence, rumus untuk mencari nilai confidende sebagai berikut : Confidence (X => Y) = P (X Y) III.1.4 Pengujian Proses pengujian adalah proses dimana perangkat lunak yang telah di buat di uji apakah sesuai dengan analisa sebelumnya, setelah itu stakeholder menilai apakah proses ini perangkat lunak sudah sesuai atau tidak, apabila selesai maka perangkat lunak akan masuk tahap small release dimana perangkat lunak menjadi versi pertama yang sewaktu waktu dapat menambah fitur sesuai permintaan stakeholder, apabila tidak sesuai maka akan kembali ke proses analisa dan implementasi. III.2. Perancangan Tabel Data Cleaning Proses data cleaning sangatlah penting untuk melakukan proses analisa, pada penelitian ini konsep atau format tabel data ditunjukkan pada Tabel III.1, tabel tersebut harus dipenuhi agar proses analisa berjalan dengan baik dan akurat,format tabel data yang dimaksud sebagai berikut : Tabel III.1 Tabel Format Cleaning Data Tanggal Kode Nama Qty Transaksi Produk Produk value value value value 4
Tabel IV.2 Sample Data yang memenuhi nilai support No Jumlah 1 Butter Rice Salmon Ice Tea 18 2 cream soup Ice Tea 12 3 Ice Tea Local Sirloin Steak 14 Gambar III.2 Use Case Diagram III.3. Perancangan Sistem Berdasarkan perancangan Generic Diagram pada Gambar III.1, untuk perancangan sistem menggunakan konsep Object Oriented dan kebutuhan sistem digambarkan dengan usecase diagram seperti pada Gambar III.2. III.3.1. Use Case Diagram Dalam menganalisa kebutuhan perangkat lunak sesuai dengan notasi use case diagram pada Gambar III.2 ada 2 (dua) aktor yang akan terlibat dalam Perangkat Lunak yaitu Administrator dan Management. Semua aktor sangat berperan membantu proses analisa yang akan dilakukan oleh perangkat lunak agar dapat berjalan dengan baik. Berdasarkan Gambar III.2 maka usecase dibagi menjadi sebagai berikut : a. Use case Mengelola Users dan Mengelola Transaksi akan melayani Aktor Administrator. b. Use case Analisa Apriori, Import Transaksi, Mengeloa Produk akan melayani Aktor Management. c. dan Usecase Verifikasi Akun akan melayani Aktor Administrator dan Management IV. IMPLEMENTASI Pada tahap pengujian analisa data menggunakan data pada bulan Agustus 2016 sampai dengan September 2016 dengan ketentuan minimum jumlah Support 10 dan Confidence 50%, hasilnya adalah pada Total transaksi pada bulan tersebut sebanyak 789 Transaksi, Total yang memenuhi Nilai Support Sebanyak 188 hasil ini didapatkan sesuai dengan rumus support pada aturan asosiasi dijelaskan pada poin II.2 bagian A dan sample outputnya seperti pada tabel IV.2 dan Total yang memenuhi nilai Confidence sebanyak 20 hasil ini didapatkan sesuai dengan rumus confidence pada aturan asosiasi dijelaskan pada poin II.2 bagian B dan sample outputnya seperti pada Tabel IV.3 dan Gambar IV.1. V. KESIMPULAN Berdasarkan analisa, perancangan dan implementasi, sesuai dengan proses model generik diagram maka dapat ditarik kesimpulan bahwa penerepan algoritma apriori dapat menampilkan pola kombinasi produk seusi nilai support dan confidence sesuai aturan asosiasi sesuai data transaksi yang di proses, pada pengujian ini mengugnakan data transaksi pada bulan Agustus 2016 sampai dengan September 2016 dengan ketentuan minimum Support 70 dan Confidence 100% dapat menghasilkan 2 (dua) kombinasi itemset yang memenuhi nilai support yaitu : 1. Ice Tea Lychee Ice Tea Dengan Nilai Support sebanyak 72 2. Mango Mango Peach) Dengan Nilai Support sebanyak 70 Dan menghasilkan 2 (dua) kombinasi itemset yang memenuhi nilai confidence yaitu : 1. Ice Tea Lychee Ice Tea Dengan Nilai Confidence 100% 2. Mango Mango Peach Dengan Nilai Confidence 100% DAFTAR PUSTAKA [1] T. Efraim, J. E. Aronson and T.-P. L., Decision Support Systems and Intelligent System, Yogyakarta: Andi, 2005. [2] H. D. Anggraeni,. R. Saputra and B. Noranita, "APLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang)," Jurnal Masyarakat Informatika, pp. 1-8, 2013. [3] P. Sani Susanto and S. Dedy Suryadi, Pengantar Data Mining mengenali bongkahan data, Yogyakarta: Andi, 2010. [4] J. Han and M. Kamber, Data Mining: Concepts and Techniques, San Francisco: Morgan Kaufmann Publisher, 2006. [5] R. Ferdiana, Rekayasa Perangkat Lunak Yang Dinamis Dengan Global Extreme Programming, Yogyakarta: Andi Publisher, 2012. 5
[6] I. Sommerville, Software Engineering 6TH Edition, United States: Addison Wesley Publishing Company, 2005. [7] A. Nugroho, Rekayasa Perangkat Lunak Menggunakan UML Dan Java, Yogyakarta: Andi Publisher, 2009. No Tabel IV.3 Sample Data Final Association Rule. Probabilitas A/B Jumlah Jumlah item Probabilitas A/B Nilai Confidence 1 Butter Rice Butter Rice 18 27 66,7% Salmon Ice Tea Salmon 2 cream soup Ice Tea cream soup 12 21 57,4% 3 Ice Tea Local Local Sirloin 14 26 53,85% Sirloin Steak Steak Visualisasi Data Final Association Rule. Butter Rice Salmon Ice Tea => Butter Rice Salmon cream soup Ice Tea => cream soup Ice Tea Local Sirloin Steak => Local Sirloin Steak 100 0 All Gambar IV.1 Visualisasi Data Final Association Rule 6