PENGGUNAAN ALGORITMA APRIORI UNTUK MENENTUKAN REKOMENDASI STRATEGI PENJUALAN PADA TOSERBA DIVA SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.) Pada Program Studi Sistem Informasi Oleh : REEZA PALAVA INDAHYAHNI NPM: 11.1.03.03.0215 FAKULTAS TEKNIK (FT) UNIVERSITAS NUSANTARA PERSATUAN GURU REPUBLIK INDONESIA UN PGRI KEDIRI 2015 1
2
3
PENGGUNAAN ALGORITMA APRIORI UNTUK MENENTUKAN REKOMENDASI STRATEGI PENJUALAN PADA TOSERBA DIVA Reeza Palava IndahYahni 11.1.03.03.0215 reza.palava@gmail.com Dr. M.Anas, S.E, M.M, M.Si. dan Daniel Swanjaya M.Kom. UNIVERSITAS NUSANTARA PGRI KEDIRI ABSTRAK Penelitian ini dilatar belakangi oleh pemanfaatan data transaksi penjualan yang tersimpan dalam database belum dimanfaatkan secara maksimal oleh pemilik toserba Diva. Data transaksi ini hanya digunakan untuk kebutuhan administrasi, padahal data tersebut mengandung informasi yang dapat diproses untuk keperluan yang lebih luas. Salah satunya adalah untuk membentuk suatu strategi penjualan yang dapat berguna untuk meningkatkan kepuasan konsumen. Penelitian ini menggunakan metode association rule dengan algoritma Apriori yang dapat digunakan untuk menemukan kombinasi item yang ada pada transaksi penjualan di toserba Diva. Kombinasi item yang dihasilkan dari proses Apriori ini kemudian akan digunakan sebagai bahan rekomendasi strategi promosi penjualan yang berupa pembentukan paket belanja. Hasil dari penelitian ini berupa sistem informasi yang menghasilkan pembentukan paket belanja. Pada data transaksi penjualan bulan November 2014 yang digunakan dalam penelitian pembentukan paket belanja yang dihasilkan terdiri dari Nescafe Coffe Cream UHT 200ML dan Sari Roti Sandwich Coklat. Kesimpulan dari penelitian ini adalah hasil implementasi algoritma Apriori dapat menghasilkan rekomendasi paket belanja yang terdiri dari dua item barang yaitu Nescafe Coffe Cream UHT 200ML dan Sari Roti Sandwich Coklat. Paket belanja yang terbentuk dapat digunakan oleh pemilik sebagai salah satu strategi penjualan untuk meningkatkan kepuasan konsumen. Kata Kunci: Association Rule, Algoritma Apriori, Strategi Promosi Penjualan, Paket Belanja, Pola Keterkaitan 4
I. LATAR BELAKANG Toserba merupakan tempat penyedia barang kebutuhan seharihari mulai dari kebutuhan pokok sampai dengan kebutuhan rumah tangga sehari-hari lainnya, salah satunya adalah Toserba Diva. Terletak di Jl.Kartini No.5 Kayenlor Plemahan, toserba ini merupakan toserba yang paling banyak diminati oleh masyarakat sekitar. Harga yang relatif lebih murah dan barang yang lebih lengkap jika dibandingkan dengan toserba yang lain membuat para konsumen cenderung memilih untuk berbelanja di Toserba Diva ini. Untuk bersaing dengan toserba lain tidak cukup hanya dengan menyediakan barang yang lengkap dan harga yang relatif murah namun juga harus meningkatkan kepuasan konsumen. Untuk meningkatkan kepuasan konsumen dapat dilakukan dengan cara merancang strategi penjualan dengan memanfaatkan data transaksi penjualan yang ada. Dari data transaksi penjualan yang ada ini akan dicari kombinasi item yang mungkin muncul menggunakan salah satu teknik data mining yaitu Association Rule dengan algoritma Apriori. Dari sini dapat diketahui seperti apa pola II. Artikel Skripsi pembelian yang biasa dilakukan oleh konsumen. Setelah mengetahui pola pembelian konsumen kita dapat menyusun startegi penjualan seperti penataan ulang tata letak barang, membuat suatu paket belanja yang terdiri dari beberapa barang, diskon untuk pembelian barang tertentu, dsb. Oleh karena itu dalam penelitian ini akan dibuat sistem rekomendasi strategi penjualan dengan algoritma apriori menggunakan PHP dan mysql yang dapat membantu pemilik toserba untuk menentukan perencanaan strategi promosi penjualan yang efektif yang dapat membantu meningkatkan kepuasaan konsumen pada toserbanya. METODE 1. Association Rule Association rule adalah salah satu teknik utama atau prosedur dalam Market Basket Analysis untuk mencari hubungan antar item dalam suatu data set dan menampilkan dalam bentuk association rule (Santosa, 2007). data Tugas assocition rule dalam mining adalah menemukan atribut atau item yang muncul dalam 2
satu waktu. Pengetahuan yang dihasilkan dari aturan asosiasi nantinya berbentuk if... then atau jika... maka. Dari semua kemungkinan if-then antar item ini akan dipilih aturan yang paling mungkin (most likely) sebagai indikator dari hubungan ketergantungan antar item. Aturan yang paling mungkin akan diketahui dengan cara menggunakan dua parameter yaitu support (nilai penunjang) dan confidence (nilai kepastian). Support adalah nilai dua atau lebih itemset yang dibeli secara bersamaan dari keseluruhan transaksi. Nilai support sebuah item diperoleh dengan rumus berikut: Support A= Sementara itu, nilai support dari 2 item diperoleh dari rumus berikut: Support (A,B) = Confidence adalah ukuran probabilitas adanya itemset A pada suatu transaksi maka juga terdapat itemset B pada transaksi tersebut. Nilai confidence menunjukkan hubungan antar item Artikel Skripsi dalam aturan asosiasi. Nilai confidence dari aturan A =>B diperoleh dari rumus berikut: Confidence = P (B A) = 2. Algoritma Apriori Algoritma Apriori merupakan suatu bentuk algoritma dalam data mining yang akan memeberikan informasi tentang hubungan antar item dalam database yang dapat dimanfaatkan secara luas dalam proses bisnis khusunya dalam proses penjualan. Knowledge algoritma Apriori terletak pada frequent itemset yang telah diketahui sebelumnya, untuk memproses informasi selanjutnya (Erwin, 2009: 26). Adapun dua proses utama yang dilakukan dalam algoritma Apriori : 1. Join (penggabungan) Pada proses ini setiap item dikombinasikan dengan item yang lainnya sampai tidak terbentuk kombinasi lagi. 2. Prune (pemangkasan) Pada proses ini, hasil dari item yang telah dikombinasikan tadi lalu dipangkas dengan menggunakan minimum support yang telah ditentukan oleh user. 3
Pada iterasi ke-k akan ditemukan semua itemset yang memiliki k item, disebut dengan k-itemset. Tiap iterasi terdiri dari dua tahap, yaitu : Gunakan frequent (k-1) itemset untuk membangun kandidat frequent k itemset Gunakan scan database dan pencocokan pola untuk mengumpulkan hitungan untuk kandidat itemset Secara garis besar cara kerja algoritma Apriori adalah: kandidat itemset, Kandidat k-itemset dibentuk dari kombinasi (k-1)-itemset yang didapat dari iterasi sebelumnya. Satu ciri dari algoritma Apriori adalah adanya pemangkasan kandidat k-itemset yang subset-nya yang berisi k-1 item tidak termasuk dalam pola frekuensi database sebanyak k-itemset terpanjang. Tetapkan pola frekuensi tinggi. Pola frekuensi tinggi yang memuat k item atau k-itemset ditetapkan dari kandidat k-itemset yang support-nya lebih besar dari minimum support. Bila tidak didapat pola frekuensi tinggi baru maka seluruh proses dihentikan. Bila tidak, maka k ditambah satu dan kembali ke bagian satu. PERANCANGAN SISTEM Dalam pembuatan sistem rekomendasi strategi penjualan pada Toserb Diva dibutuhkan sebuah rancangan sistem yang akan menjadi tolak ukur pada saat pengerjaan sistem. Data Transaksi tinggi dengan panjang k-1. Penghitungan support dari tiap kandidat k-itemset. Support dari tiap User Sistem Informasi Rekomendasi Strategi Penjualan kandidat k-itemset didapat dengan men-scan database untuk Aturan Asosiasi Rekomendasi Strategi Penjualan Context Diagram menghitung jumlah transaksi yang memuat semua item di dalam kandidat k-itemset tersebut. Ini adalah juga ciri dari algoritma Apriori dimana diperlukan penghitungan dengan scan seluruh 4
User Hasil Rekomendasi Database data_transaksi 2.1 Koneksi &Query 3.1 Aturan Asosiasi data transaksi Aturan Asosiasi DFD Level 0 data trans hasil query 1 Import Data Database 2 Aturan Asosiasi Pola Asosias Tertinggi 3 Rekomendasi Strategi Penjualan DFD Level 1 Proses 1 Rule user 2.2 Itemset Aturan Asosiasi 3.2 Aturan Nilai Tertinggi Itemset 2.3 Itemset > 4 k_itemset 2.4 Aturan Asosiasi Artikel Skripsi Kombinasi item tersebut merupakan hasil dari penggalian data transaksi penjualan dengan menggunakan algortima apriori. Informasi yang dihasilkan oleh sistem inilah yang dapat digunakan untuk menyususun strategi promosi penjualan pada Toserba Diva. Selain pembentukan paket belanja, informasi dari sistem tersebut dapat juga digunakan sebagai perencanaan strategi penjualan lainnya, seperti pemberian sidkon ataupun pembenahan tata letak barang. Sistem yang dibuat ini masih sangat sederhana masih diperlukan pengembangan dari segi fitur maupun informasi yang dihasilkan. Perlu dilakukan peneletian menggunakan metode lain sebagai perbandingan agar mendapatkan hasil yang optimal. kombinasi tertinggi 3.3 Item Rekomendasi Hasil Rekomendasi DFD Level 1 Proses 2 III. HASIL DAN KESIMPULAN Informasi yang dihasilkan oleh sistem adalah berupa pembentukan paket belanja yang terdiri dari dua item barang. user IV. DAFTAR PUSTAKA Anggraeni, H. S. (2013). Aplikasi Data Mining Analisis Data Penjualan Obat Menggunakan Algoritma Apriori. Jurnal Of Informatic and Technology, Vol.2, No.2. (Online), tersedia: http://id.portalgaruda.org, diunduh 20 Oktober 2104 Erwin. (2009). Analisis Market Basket dengan Algoritma Apriori dan FP-Growth. 5
Jurnal Generic, (Online), 2 (4): 26-27, tersedia: http://id.portalgaruda.org, diunduh 22 Oktober 2014 Kazmi, S. (2007). Marketing Management Text and Cases. New Delhi: Exel Books. Kurniasih, F. (2011). Analisa dan Perancangan Data Mining Dengan Metode Market Basket Analysis Untuk Analisa Pola Belanja Konsumen Pada Tendencies Store. Jakarta. (Online), tersedia: http://repository.uinjkt.ac.id, diunduh 25 November 2014 Artikel Skripsi POLA PENJUALAN BARANG DENGAN ALGORITMA APRIORI. Medan: Pelita Budi Darma, Vol VI, No:2. (Online), tersedia: http://pelitainformatika.com, diunduh 1 Desember 2014 Santosa, B. (2007). DATA MINING: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu. Larose, D. T. (2005). Discovering Knowledge in Data An Introdustion to Data Mining (hlm.27-36). Michael J.A. Berry, G. S. (2004). Data Mining Techniques For marketing, Sales, and Costomer Relationship Management Second Edition. Riduan, S. (2014). SISTEM PENDUKUNG KEPUTUSAN ANALISA 6