BAB I PENDAHULUAN 1.1 Latar Belakang Dalam periode enam tahun terakhir (tahun 2007 2012), jumlah gerai ritel modern di Indonesia mengalami pertumbuhan rata-rata 17,57% per tahun. Pada tahun 2007, jumlah usaha ritel modern di Indonesia masih sebanyak 10.365 gerai. Kemudian pada tahun 2011 mencapai 18.152 gerai tersebar hampir di seluruh kota di Indonesia. Menurut Asosiasi Perusahaan Ritel Indonesia (Aprindo), pertumbuhan ekonomi tahun 2015 adalah sebesar 5,8%, sehingga pertumbuhan bisnis ritel di Indonesia dapat mencapai dua kali lipatnya, yaitu 12%. Semakin maraknya ritel modern tentu saja menimbulkan persaingan sesama ritel modern tersebut. Selain itu, maraknya ritel modern memudahkan konsumen untuk memilih ritel yang disukai dan cocok dengan keinginan konsumen. Konsumen dengan mudah bisa berganti ritel modern yang dikunjungi, atau tetap loyal dengan satu ritel karena sudah merasa cocok. (Apip, 2013). Pengusaha harus saling bersaing satu sama lain dalam mencari celah untuk memperoleh pelanggan, membuat pelanggan merasa cocok dengan sebuah merek ritel. Maraknya toserba (toko serba ada) yang sedang menjadi trend hampir diseluruh kota-kota di Indonesia, merupakan dampak dari perubahan kecenderungan konsumen dalam berbelanja. Misalnya dalam bentuk minimarket seperti Indomaret, Alfamaret, Circle-K bahkan hingga yang berbentuk hypermarket seperti Giant, Carrefour dan Hypermart. Semakin ketatnya persaingan dalam mencari pasar konsumen, untuk itu para pengusaha ditekan untuk menemukan dan melakukan peningkatan dengan berbagai cara. Tujuannya adalah untuk memaksimalkan penjualan dan mencapai nilai ke-efektif-an sehingga dapat memenangkan kompetisi penjualan. Salah satu metode improvement yang dapat dilakukan adalah dengan mengolah seluruh data transaksi untuk menemukan kecendrungan-kecendrungan yang lazim terjadi. Adanya pengolahan seluruh data ini, muncul kendala yang harus hadapi, yaitu jumlah transaksi yang ditemui per-harinya sangatlah besar. 1
2 Sehingga dibutuhkan metode-metode yang efektif untuk menemukan strategi pemasaran yang baik, salah satunya dengan memanfaatkan data mining. Han dan Kamber (2006) menyebutkan data mining adalah salah satu cara untuk ekstraksi serangkaian pola informasi dari sejumlah data besar yang tersedia. Kemudian Tan dkk. (2006) menyebutkan data mining juga dapat menemukan pola-pola yang tidak mungkin akan pernah diketahui. Sehingga pengelolaan data transaksi yang jumlahnya sangat besar perharinya dapat dipermudah dan dipercepat dibandingkan dengan menggunakan analisa manual, serta dengan melakukan penggalian informasi tersebut akan lebih efektif dan efisien. Penggalian informasi lain seperti trend dari produk-produk, pola pembelian produk secara bersamaan, hingga ketertarikan terhadap produk dari metode Market Basket Analysis. Gutierrez (2006) menyebutkan metode Market Basket Analysis adalah proses analisa pada level data transaksi yang dapat meningkatkan produktifitas bisnis. Gambarannya berupa kecendrungan kelompok item (terdiri dari 2 item atau lebih) yang dibeli oleh seorang konsumen dalam satu transaksi penjualan. Metode ini mampu menemukan sebuah trend penjualan, pengelompokan produk umum atau mudah ditebak dan bahkan dapat menemukan trend yang tidak pernah terfikirkan sebelumnya. Contoh dalam menemukan pengelompokan produk umum atau mudah ditebak yaitu, pembelian makanan ringan bebas lemak beserta diet soda secara bersamaan. Contoh dalam menemukan trend yang tidak pernah terfikirkan yaitu, pembelian pasta gigi dan ikan tuna. Melalui pola-pola tersebut pengusaha dapat menangkap peluang penjualan yang pesaing lewatkan. Market Basket Analysis didasarkan pada analisis dari kebiasaan konsumen dengan mencari asosiasi dan korelasi antar item berbeda yang dilakukan pada satu transaksi yang sama oleh konsumen. Dalam menentukan aturan asosiasi diperlukan adanya tingkat kepercayaan yang didapatkan dari hasil pengolahan data dengan perhitungan, yang umum di gunakan adalah support dan confidence. Dalam perangkat lunak Market Basket Analysis komersial, algoritma umum yang digunakan adalah algoritma Apriori. Prinsip Apriori adalah, jika sebuah item set infrequent, maka itemset yang
3 infrequent tidak perlu lagi dieksplorasi superset-nya sehingga jumlah kandidat yang harus diperiksa menjadi berkurang (Han dan Kamber, 2006). Namun algoritma Apriori memiliki beberapa kelemahan seperti, nilai efisiensi yang kurang apabila digunakan untuk menangani data transaksi yang berjumlah besar, dan mengabaikan jumlah variant item dalam setiap transaksi penjualan. Algoritma apriori juga sulit mendeteksi kejadian langka yang berpotensi untuk peluang yang besar. Dibutuhkan nilai minimum support rendah namun confidence yang tinggi, agar sebuah aturan asosiasi yang langka dapat dideteksi. Aturan-aturan akan muncul dalam jumlah yang sangat besar, jika syarat tersebut diaplikasikan pada algoritma apriori. Selain algoritma Apriori, telah banyak metode data mining yang digunakan, salah satunya dengan menggunakan algoritma CT-Pro. Gopalan dan Sucahyo (2004) menyebutkan CT-Pro merupakan pengembangan dari metode FP-Growth, dimana CT-Pro memiliki tree dengan jumlah node lebih sedikit dibanding FP-Growth. Jumlah tree yang lebih sedikit dikarenakan salah satu kelemahan dari algoritma FP-Growth adalah overhead dalam membangun banyak FP-Tree kondisional dalam tahap mining. Faktor tersebut mengurangi performa algoritma ketika pola bertambah panjang dan atau minimal support bertambah kecil, sehingga membutuhkan waktu yang lebih panjang dan proses pembangunan tree secara berulang. Dibandingkan dengan FP- Growth, Apriori memiliki beberapa kelemahan seperti keharusan untuk melakukan pattern matching secara berulang-ulang yang menyebabkan proses mining memakan waktu semakin lama dan untuk data yang lebih besar akan menghasilkan kombinasi yang sangat banyak. 1.2 Perumusan Masalah Melihat latar belakang permasalahan, maka masalah yang dirumuskan adalah sebagai berikut : 1. Bagaimana implementasi algoritma CT-Pro dan algoritma apriori pada proses Market Basket Analysis pada data transaksi? 2. Bagaimana perbedaan rule-rule yang dihasilkan oleh algoritma CT-Pro dan algoritma Apriori?
4 3. Bagaimana perbandingan performansi dari penerapan algoritma CT-Pro dan algoritma Apriori pada proses Market Basket Analysis? 1.3 Batasan Masalah Diperlukan adanya batasan masalah agar permasalahan tidak terlalu luas. Permasalah yang akan diteliti adalah sebagai berikut : 1. Studi kasus dilakukan pada data transaksi penjualan dari swalayan Koperasi Mahasiswa Universitas Gadjah Mada (Kopma UGM). 2. Proses yang dilakukan adalah pengimplementasian algoritma CT-Pro dan algoritma Apriori untuk pembentukan association rules. 3. Membandingkan hasil algoritma CT-Pro dan algoritma Apriori dengan parameter waktu eksekusi, nilai confidence, nilai support, rule yang dihasilkan masing-masing algoritma. 4. Data yang akan diolah adalah data yang telah dilakukan prepocesing terlebih dahulu, yaitu data bersih yang hanya berupa data transaksi penjualan dan tertata dalam database rapi. 1.4 Tujuan Penelitian Berdasarkan rumusan diatas, tujuan yang ingin penulis capai dalam tugas akhir ini adalah sebagai berikut : 1. Menerapkan algoritma CT-Pro dan algoritma Apriori pada proses Market Basket Analysis. 2. Menganalisa association rule yang dihasilkan algoritma CT-Pro dan algoritma Apriori. 3. Menganalisa performansi dari implementasi algoritma CT-Pro dan algoritma Apriori dengan parameter waktu eksekusi, nilai confidence, dan nilai support. 1.5 Manfaat Penelitian Manfaat dari penelitian ini adalah sebagai berikut : 1. Mengetahui hasil perbandingan performansi algoritma CT-Pro dan algoritma Apriori pada proses Market Basket Analysis.
5 2. Mengetahui informasi berupa asosiasi antar item dan berapa besar asosiasi keterkaitan antar item tersebut. 3. Memberikan alternatif selain algoritma apriori untuk menentukan association rule pada Market Basket Analysis. 1.6 Metode Penelitian Metode penelitian yang akan digunakan pada penelitian ini adalah sebagai berikut: 1. Studi Literatur Mencari dan mengumpulkan informasi serta teori mengenai algoritma aturan asosiasi dengan struktur data Compressed FP-Tree dengan algoritma CT-Pro dan algoritma Apriori dalam Market Basket Analysis. 2. Analisis Metode dan Pengumpulan Data Menganalisis pemecahan dari permasalahan dengan mengunakan teori algoritma Apriori dan algoritma CT-Pro yang telah dipelajari pada tahap sebelumnya, serta mengumpulkan data transaksi yang diperlukan. 3. Perancangan Antarmuka Desain antarmuka dirancang agar user dimudahkan dalam pengaksesan sistem dan informasi yang diberikan dapat dengan mudah dimengerti oleh user. 4. Implementasi Merealisasikan sistem dari rancangan yang telah dibuat, sekaligus menerapkan algoritma CT-Pro rule mining pada proses association rules. Sistem direalisasikan dengan menggunakan bahasa pemrograman JAVA. 5. Pengujian dan Analisis Hasil Melakukan pengujian pada sistem yang telah dibuat dengan inputan berupa data transaksi penjualan, nilai minimum support, dan minimum confidence. Kemudian, melihat perbandingan performansi algoritma berdasarkan waktu, pengaruh support serta confidence pada rule, dan association rules yang dihasilkan.
6 6. Dokumentasi dan Pelaporan Melakukan dokumentasi selama proses penelitian dan pelaporan proses yang telah dilakukan. 1.7 Sistematika Penulisan Secara garis besar, sistematika penulisan pada penelitian ini adalah sebagai berikut : Bab I. Pendahuluan Bab ini berisi tentang latar belakang masalah, rumusan masalah, batasan masalah, tujuan dan manfaat penelitian, metodologi penelitian yang digunakan dan sistematika penulisan yang digunakan. Bab II. Tinjauan Pustaka Bab ini berisi uraian-uraian penelitian terkait implementasi algoritma CT-Pro dan algoritma Apriori pada Market Basket Analysis dan menghubungkannya dengan masalah penelitian yang akan diteliti. Bab III. Landasan Teori Bab ini berisi pembahasan materi-materi serta teori yang menjadi dasar pada Tugas Akhir ini, yaitu mengenai data mining, association rule, algoritma CT-Pro dan algoritma Apriori. Bab IV. Analisis dan Rancangan Sistem Bab ini berisi analisis terhadap tools serta algoritma apriori dan CT-Pro yang digunakan dalam pembuatan aplikasi Market Basket Analysis, serta perancangan diagram use case, diagram aktifitas dan tampilan antarmuka aplikasi. Bab V. Implementasi Bab ini berisi tentang pengkodean dalam rangka pengimplementasian hasil analisis dan perancangan sistem yang akan dibuat. Bab VI. Hasil Pengujian dan Pembahasan Bab ini berisi pembahasan tentang pengujian pada aplikasi yang dibuat dan hasil yang diperoleh serta pembahasan mengenai kinerja algoritma serta aplikasi baik kelebihan, kekurangan maupun kesalahan yang terjadi selama proses pengujian.
7 Bab VII. Kesimpulan Bab ini berisi kesimpulan hasil penelitian dan pembahasan yang perlu diperhatikan, serta berisi saran dari penulis untuk pengembangan lebih lanjut.