Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 10, Oktober 2018, hlm. 3829-3834 http://j-ptiik.ub.ac.id Implementasi Algoritme Modified-Apriori Untuk Menentukan Pola Penjualan Sebagai Strategi Penempatan Barang Dan Promo Vania Nuraini Latifah 1, Muhammad Tanzil Furqon 2, Nurudin Santoso 3 Program Studi Teknik Informatika, Email: 1 vanianuraini@student.ub.ac.id, 2 m.tanzil.furqon@gmail.com, 3 nurudin.santoso@ub.ac.id Abstrak Pola penjualan merupakan salah satu cara yang dapat digunakan untuk menentukan strategi penjualan yang berupa penempatan barang dan promo, dengan melihat seberapa sering suatu barang dibeli secara bersamaan pada sebuah toko retail. Data mining digunakan untuk menganalisis data yang berukur besar untuk menemukan hubungan antara data dan dapat menghasil informasi yang berguna untuk pengguna. Sehingga pada penelitian ini menggunakan data transaksi penjualan untuk menentukan pola penjualan dengan menggunakan association rule dan algoritme Modified-Apriori. Association rule merupakan metode untuk mencari hubungan menarik yang tersembunyi dalam data yang besar dengan menggunakan perhitungan nilai support dan confidence. Algortime modified Apriori adalah pengembangan dari algoritme Apriori yang melakukan pencarian frequent itemset dengan proses penggabungan (join) dan pemangkasan (prune). Algortime Modified-Apriori menghasilkan efisiensi waktu yang lebih cepat dengan menggunakan hashmap dibandingkan dengan algoritme Apriori. Hasil dari penelitian ini didapatkan nilai minimum support tertinggi yaitu 9% dan nilai minimum confidence tertinggi yaitu 80%. Panjang itemset yang dihasilkan adalah 2-itemset dan 3-itemset. Pengujian dengan menggunakan lift ratio didapatkan rule yang memiliki nilai lebih dari 1. Kata kunci: data mining, association rule, Modified-Apriori, pola penjualan. Abstract Sales pattern is one of the methods that can be used to determine sales strategy such as the products placement and promo, by seeing on how often an item purchased simultaneously in a retail store. Data mining is used for analyzing the big data to find inter-data connection and to generate useful informations for the users. So, this study used sales transaction data to determine sales pattern by using association rule and algorithm Modified-Apriori. Association rule is a method used for finding unique connection hid in big data by using the calculation of the value of support and confidence. Algorithm modified Apriori is the development of the Apriori algorithm which searches frequent itemset and joining and pruning process, then as a result, it produces faster time efficiency by using HashMap technique instead of Apriori algorithm. The results obtained from this study are the highest value of the minimum support is 9% and the highest value of minimum confidence is 80%. The length of the itemset are 2-itemset and 3-itemset. Test which used lift ratio generates rule which has value of more than 1. Keywords: data mining, association rule, Modified-Apriori, sales pattern. 1. PENDAHULUAN Persaingan di dunia bisnis saat ini khususnya pada bidang retail sangat berkembang pesat dengan ditunjukkan banyaknya supermarket, minimarket dan toko swalayan yang ada saat ini. Untuk itu perusahaan dituntut membuat sebuah strategi penjualan yang dapat membantu meningkatkan angka penjualan sehingga dapat bersaing dengan perusahaan retail sejenis lainnya. Transaksi yang banyak dalam satu hari pada sebuah toko retail membuat sebuah perusahaan sulit untuk menentukan strategi penjualan yang baik dalam hal pembuatan paket promo yang berupa penggabungan (bundle) barang dan penempatan barang. Strategi penjualan dapat dibuat dengan mengetahui kebiasaan konsumen dalam membeli barang. Dengan strategi penjualan tersebut diharapkan dapat Fakultas Ilmu Komputer Universitas Brawijaya 2829
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2830 meningkatkan angka penjualan suatu toko retail. Algoritme Modified-Apriori adalah algoritme pengambilan data untuk mencari pola hubungan antar barang dengan aturan asosiatif sehingga didapatkan suatu kombinasi item. Algoritme Modified-Apriori ini akan cocok untuk diterapkan bila terdapat beberapa hubungan item yang ingin dianalisis. Salah satunya dapat diterapkan pada perusahaan retail untuk menganalisis keterkaitan antar barang pada data transaksi penjualan. Dari penelitian yang telah dilakukan sebelumnya yang ditulis oleh Kaushal Vyas, dan Shilpa (Vyas & Sherasiya, 2016), penelitian tersebut menggunakan algortime Modified- Apriori untuk menganalisis keterkaitan antar barang menggunakan data pola penjualan. Penelitian sejenis dilakukan oleh Ashish Shah (Shah, 2016) dengan menggunakan Modified- Apriori untuk menganalisis keranjang belanja konsumen. Dari kedua penelitian yang telah dilakukan dapat disimpulkan bahwa algoritme Modified-Apriori cocok digunakan untuk menentukan pola penjualan dengan menganalisis keterkaitan antar barang yang sering dibeli secara bersamaan oleh konsumen. Dengan permasalahan tersebut, perusahaan harus mengetahui pola penjualan barang untuk mengetahui keterkaitan antar barang yang sering dibeli secara bersamaan. Dengan mengetahui pola penjualan dapat digunakan sebagai rekomendasi oleh perusahaan untuk menentukan strategi penempatan barang dan pembuatan promo. Dari masalah tersebut dibuatlah suatu sistem untuk mengetahui pola penjualan barang dengan menggunakan algoritme Modified- Apriori. itemset berada dari keseluruhan transaksi (C, Baskoro, Ambarwati, & Wicaksana, 2013). Untuk mencari nilai support digunakan Persamaan 1. Jumlah transaksi yang mengandung A dan B support (A B) = Total transaksi 2.2.2 Confidence Confidence adalah suatu nilai yang menunjukkan hubungan antar 2-item yaitu seberapa sering item Y muncul didalam transaksi yang mengandung X (C, Baskoro, Ambarwati, & Wicaksana, 2013). Untuk mencari nilai confidence dapat dilakukan dengan menggunakan Persamaan 2. Jumlah transaksi yang mengandung A dan B Confidence (B A) = Jumlah transaksi yang mengandung A 2.3. Modified-Apriori Modified-Apriori adalah hasil modifikasi dari algoritme Apriori untuk mencari pola hubungan antara satu atau lebih item dengan menggunakan teknik hash yang membagi dataset menjadi beberapa bagian (Vyas & Sherasiya, 2016). Teknik hash yang digunakan adalah HashMap dengan menggunakan key dan value untuk menyimpan data. Proses dari algoritme Modified-Apriori ditunjukkan dari diagram alir pada Gambar 1. (1) (2) 2. DASAR TEORI 2.2. Association Rule Association rule adalah metode untuk mencari hubungan istimewa yang terdapat dalam data yang besar (C, Baskoro, Ambarwati, & Wicaksana, 2013). Implikasi dari association rule berbentuk if X then Y. Digunakan nilai untuk menentukan association rule dengan menggunakan perhitungan nilai support dan confidence. Nilai tersebut akan dibandingkan dengan batasan yang telah ditentukan yaitu minimum support dan minimum confidence. 2.2.1. Support Support merupakan nilai yang menggambarkan seberapa sering suatu item atau
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2831 Gambar 1. Diagram Alir Algoritme Modified- Apriori Modified-Apriori akan mengurangi jumlah iterasi untuk meningkatkan kinerja sistem. Tujuan utama dari algoritme ini adalah untuk meningkatkan efisiensi dan mengurangi waktu untuk menghasilkan frequent itemsets. 2.4. Lift Ratio Nilai lift ratio digunakan untuk menentukan kekuatan dari rule. Rule dikatakan kuat jika memiliki nilai lift ratio lebih dari 1 (Santosa, 2007). Nilai lift ratio dapat dihitung menggunakan Persamaan 3. lift ratio = Confidence (A,B) Benchmark Confidence (A,B) (3) Nilai benchmark confidence dapat dihitung menggunakan Persamaan 4. Benchmark Confidence (A, B) = Jumlah transaksi yang mengandung B Total Transaksi 3. IMPLEMENTASI (4) Pada penelitian ini menggunakan Modified- Apriori untuk menghasilkan sebuah rule yang akan dijadikan sebagai pola penjualan. Data yang digunakan pada penelitian ini berjumlah 485 data transaksi penjualan. Proses dari sistem pola penjualan ditunjukkan pada Gambar 2. Gambar 2. Diagram Alir Sistem Pola Penjualan Berdasarkan diagram alir pada Gambar 2, alur dari sistem dimulai dengan menginputkan data transaksi penjualan, minimum support dan minimum confidence. Proses pertama yaitu algoritme Modified- Apriori, pada proses ini dilakukan penggabungan (join) dari beberapa item dan memasukan kedalam HashMap sebagai key dan value kemudian dilakukan pemangkasan (prune) untuk item yang tidak memenuhi nilai minimum support sesuai nilai yang telah diinputkan. Proses dari algoritme Modified-Apriori akan menghasilkan kandidat rule. Proses kedua adalah pembentukan rule dengan menghitung nilai support dan confidence. Proses pembentukan rule akan menghasilkan rule yang telah memenuhi nilai minimum confidence. 3.1. Halaman Antar Muka Utama Antar muka halaman utama adalah antar muka yang digunakan untuk user menginputkan file, nilai minimun support dan confidence yang akan digunakan sebagai batasan dalam menentukan pola penjualan. Pada antar muka halaman utama juga akan menampilkan data pada tabel yang berisi nomer transaksi, item pembelian dan jumlah transaksi. Implementasi antar muka halaman utama ditunjukkan pada Gambar 3.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2832 3 7% 5 4 8% 3 5 9% 2 hasil analisis yang ditunjukkan pada Gambar 5. Gambar 3. Halaman Antar Muka Utama 3.2. Halaman Antar Muka Hasil Antar muka halaman hasil adalah antar muka yang digunakan untuk menampilkan hasil dari proses menentukan pola penjualan. Pada halaman ini ditampilkan nilai minimum support dan confidence dari inputan user pada halaman utama, waktu proses, jumlah rekomendasi, rule yang dihasilkan beserta nilai support, confidence dan nilai lift ratio dan hasil analisis. Implementasi antar muka halaman hasil ditunjukkan pada Gambar 4. Gambar 4. Halaman Antar Muka Hasil 4. PENGUJIAN DAN ANALISIS 4.1. Pengujian Algoritme 4.1.1. Pengujian Pengaruh Nilai Minimum Support terhadap Jumlah Rule Pengujian nilai minimum support dilakukan dengan menginputkan 5 nilai minimum support yang berbeda dan nilai confidence 50% untuk diketahui jumlah rule yang dihasilkan. Hasil pengujian pengaruh nilai minimum support ditunjukkan pada Tabel 1. Tabel 1. Pengujian Pengaruh Nilai Minimum Support Terhadap Jumlah Rule Pengujian Minimum Jumlah rule support (%) 1 5% 18 2 6% 7 Gambar 5. Grafik Hasil Analisis Pengujian Pengaruh Nilai Minimum Support Terhadap Jumlah Rule Dari grafik pada Gambar 5. didapatkan hasil yaitu jumlah rule tertinggi dihasilkan dari minimum support terkecil yaitu 5% dan jumlah rule terendah dihasilkan dari minimum support terbesar yaitu 9%. Sehingga semakin kecil nilai minimum support maka semakin banyak rule yang dihasilkan dan sebaliknya semakin besar nilai minimum support maka semakin sedikit rule yang dihasilkan. 4.1.2. Pengujian Pengaruh Nilai Minimum Confidence terhadap Jumlah Rule Pengujian nilai minimum confidence dilakukan dengan menginputkan 5 nilai minimum confidence yang berbeda dan nilai minimum support 5% untuk diketahui jumlah rule yang dihasilkan. Hasil pengujian pengaruh nilai minimum confidence ditunjukkan pada Tabel 2. Tabel 2. Pengujian pengaruh nilai minimum confidence Pengujian Minimum Jumlah rule confidence (%) 1 40% 29 2 50% 18 3 60% 12 4 70% 6 5 80% 3 hasil analisis yang ditunjukkan pada Gambar 6.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2833 Gambar 6. Grafik Hasil Analisis Pengaruh Nilai Minimum Support Terhadap Jumlah Rule Dari grafik pada Gambar 6. didapatkan hasil yaitu jumlah rule tertinggi dihasilkan dengan minimum confidence terkecil yaitu 40% dan jumlah rule terendah dihasilkan dengan minimum confidence terbesar yaitu 80%. Sehingga semakin besar nlai minimum confidence maka semakin sedikit jumlah rule yang dihasilkan dan sebaliknya semakin kecil nilai minimum confidence maka semakin banyak rule yang dihasilkan. 4.1.3. Pengujian Pengaruh Nilai Minimum Support terhadap Panjang Itemset Pengujian nilai minimum support terhadap panjang itemset dilakukan dengan menginputkan 5 nilai minimum support yang berbeda dan nilai minimum confidence 50% untuk diketahui panjang itemset yang dihasilkan. Hasil pengujian pengaruh nilai minimum support terhadap panjang itemset ditunjukkan pada Tabel 3. Tabel 3. Pengujian Pengaruh Nilai Minimum Support Terhadap Panjang Itemset Pengujian Minimum support (%) Panjang itemset 1 5% 3-itemset 2 6% 2-itemset 3 7% 2-itemset 4 8% 2-itemset 5 9% 2-itemset hasil analisis yang ditunjukkan pada Gambar 7. Gambar 7. Grafik Hasil Analisis Pengaruh Nilai Minimum Support Terhadap Panjang Itemset Dari grafik pada Gambar 7. didapatkan hasil pengujian yaitu panjang itemset terpanjang dihasilkan dengan minimum support terkecil yaitu 5% dengan panjang 3-itemset dan panjang itemset terpendek dihasilkan dari minimum support tertinggi 9% yaitu 2-itemset. Sehingga semakin besar nilai minimum support yang digunakan maka semakin pendek panjang itemset yang dihasilkan dan sebaliknya semakin kecil nilai minimum support yang digunakan maka semakin panjang itemset yang dihasilkan. 4.2. Pengujian Lift Ratio Pengujian lift ratio merupakan pengujian yang dilakukan terhadap rule yang terbentuk untuk mengetahui kekuatan dari rule. Pengujian lift ratio dilakukan dengan menggunakan nilai minimum support 7% dan minimum confidence 50% dan dihasilkan 5 rule. Hasil pengujian lift ratio ditunjukkan pada Tabel 4. Tabel 4. Pengujian Lift Ratio Pengujian Confidence Rule Lift Ratio 1 61,40% Hair 4,08 Shampoo Tooth Care 2 66,67% Hair 4,199 Shampoo Soap 3 61,64% Tooth 3,883 Care Soap 4 58,44% Soap 3,883 Tooth Care 5 54,55% Soap Laundry Care 3,006
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2834 analisis hasil pengujian lift ratio yang ditunjukkan pada Gambar 8. menghasilkan rule berjumlah 2. Minimum confidence tertinggi yaitu 80% dan mengjasilkan rule berjumlah 3. Panjang itemset yang terbentuk yaitu 2-itemset dan 3-itemset. Didapatkan rule yang memiliki nilai lift ratio lebih dari 1. Terdapat saran yang dapat dilakukan untuk penelitian selanjutnya yaitu, menambahkan data yang digunakan sehingga dapat dihasilkan nilai minimum support yang lebih besar dan kombinasi dari panjang itemset yang lebih dari 3-itemset. Gambar 8. Grafik Hasil Analisis Lift Ratio Dari grafik pengujian pada Gambar 8. didapatkan rule yang memiliki nilai lift ratio lebih dari 1. Hasil pengujian ini menunjukan bahwa semua rule yang dihasilkan memiliki keterikatan antara item antecedent dan consequent yang kuat. Rule yang memiliki nilai lift ratio tinggi dapat digunakan sebagai rekomendasi untuk penempatan barang dan promo. Nilai confidence yang tinggi belum tentu menghasilkan nilai lift ratio yang tinggi, karena nilai lift ratio menggambarkan keseimbangan antara frekuensi kemunculan item secara independen dengan frekuensi kemunculan secara bersamaan sedangkan nilai confidence menggambarkan tingkat kepercayaan item pada rule tersebut muncul secara bersamaan. 5. KESIMPULAN Dari penelitian yang telah dilakukan untuk menentukan pola penjualan dengan menggunakan algoritme Modified-Apriori didapatkan beberapa kesimpulan sebagai berikut. 1. Dengan menggunakan algoritme Modified- Apriori untuk menentukan pola penjualan menggunakan teknik hash yaitu HashMap. Proses dari algoritme Modified-Apriori sama dengan proses pada algoritme Apriori, perbedaannya hanya pada saat pembentukan itemset. Pada Modified- Apriori penyimpanan itemset menggunakan key dan value dengan menggunakan HashMap sehingga menghasilkan waktu proses yang lebih cepat dibandingkan dengan menggunakan algoritme Apriori. 2. Hasil dari penelitian ini memiliki nilai minimum support tertinggi yaitu 9% dan 6. DAFTAR PUSTAKA C, A. D., Baskoro, D. A., Ambarwati, L., & Wicaksana, I. S. (2013). Belajar Data Mining dengan RapidMiner. Jakarta: -. Fauzy, M., W, K. R., & Asror, I. (2016). Penerapan Metode Association Rule Menggunakan Algoritma Apriori Pada Simulasi Prediksi Hujan Wilayah Kota Bandung. Jurnal Ilmiah Teknologi Informasi Terapan, 221-227. Iqbal, M. (2016). Pencarian Pola Kecenderungan Pengambilan Mata Kuliah Menggunakan Algoritme Apriori. Malang: Universitas Brawijaya. Nengsih, W. (2015). A Comparative Study on Market Basket Analysis and Apriori Association Technique. International Conference on Information and Communication Technology (ICoICT), 461-464. Santosa, B. (2007). Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu. Setiabudi, D. H., Budhi, G. S., Purnama, I. W., & Noertjahyana, A. (2011). Data Mining Market Basket Analysis Using Hybrid-Dimension Association Rules, Case Study in Minimarket X. International Conference on Uncertainty Reasoning and Knowledge Engineering, 196-199. Shah, A. (2016). Association Rule Mining with Modified Apriori Algorithm using Top down Approach. International Conference on Applied and Theoretical Computing and Communication Technology (icatcct), 747-752. Vyas, K., & Sherasiya, S. (2016). Modified Apriori Algorithm Using Hash Based Technique. IJARIIE, 2(3), 1229-1234.