ANALISIS KERANJANG PASAR MENGGUNAKAN ALGORTIMA PREDICTIVE APRIORI UNTUK MENEMUKAN ATURAN ASOSIASI DI APOTEK SEHAT JAYA
NINDITYA KHARISMA, METTY MUSTIKASARI Undergraduate Program, Information Systems Gunadarma University http://www.gunadarma.ac.id
Keyword : Market Basket Analysis, Association Rule, Apriori Predictive, RapidMiner4.1.
ABSTRACT
Market basket analysis is a way to know the shopping habits of people in one place on goods purchased. Market basket analysis to produce an association rule is performed by applying apriori predictive algorithm. Association rules obtained by a combination of goods with good accuracy value most. This study uses data on precription sales transaction are taken for 56 days at the ‘Apotek Sehat Jaya’. Then the data are grouped according to type of drug and processed using apriori predictive algorithm that will produce the set of goods appear and association rules. Search for association rules in this study using software RapidMiner4.1. The results of data processing will be the rule RapidMiner4.1 accuracy value, support and confidence. Of the rules which is obtained, of the pharmacy can know what items are frequently purchased together by buyers and consumers shopping habits in ‘Apotek Sehat Jaya’.
ABSTRACT Market basket analysis is a way to know the shopping habits of people in one place on goods purchased. Market basket analysis to produce an association rule is performed by applying apriori predictive algorithm. Association rules obtained by a combination of goods with good accuracy value most. This study uses data on precription sales transaction are taken for 56 days at the ‘Apotek Sehat Jaya’. Then the data are grouped according to type of drug and processed using apriori predictive algorithm that will produce the set of goods appear and association rules. Search for association rules in this study using software RapidMiner4.1. The results of data processing will be the rule RapidMiner4.1 accuracy value, support and confidence. Of the rules which is obtained, of the pharmacy can know what items are frequently purchased together by buyers and consumers shopping habits in ‘Apotek Sehat Jaya’. Keyword : Market Basket Analysis, Association Rule, Apriori Predictive, RapidMiner4.1.
ABSTRAKSI Analisis keranjang pasar merupakan suatu cara untuk mengetahui kebiasaan berbelanja masyarakat disuatau tempat terhadap barang yang dibeli. Analisis keranjang pasar menghasilkan suatu aturan asosiasi yang dilakukan dengan menerapkan algoritma predictive apriori. Aturan asosiasi yang diperoleh merupakan kombinasi barang dengan nilai akurasi yang paling baik. Penelitian ini menggunakan data transaksi penjualan menggunakan resep yang diambil selama 56hari di Apotek Sehat Jaya. Kemudian data dikelompokkan sesuai dengan jenis obat dan diolah menggunakan algoritma predictive apriori sehingga menghasilkan himpunan barang yang muncul (frequent itemset) dan aturan asosiasi. Pencarian aturan asosiasi dalam penelitian ini menggunakan perangkat lunak RapidMiner4.1. Hasil pengolahan data dari RapidMiner4.1 akan berupa aturan dengan akurasi, support dan confidence. Dari aturan yang didapat, pihak apotek dapat mengetahui barang apa saja yang sering dibeli bersamaan oleh pembeli dan kebiasaan berbelanja para konsumen di Apotek Sehat Jaya.
Kata Kunci : Analisi Keranjang Pasar, Aturan Asosiasi, Predictive Apriori, RapidMiner4.1.
1.
PENDAHULUAN
mendukung pengolahan data menggunakan
Banyak
algoritma
organisasi atau perusahaan-
perusahan besar telah mengumpulkan data
sebagainya) yang akhirnya tertimbun sia-sia karena tidak dimanfaatkan dengan maksimal. Hampir semua data tersebut dimasukkan dengan menggunakan aplikasi komputer untuk menangani transaksi sehari-hari. Data-data ini
apriori
untuk
mendapatkan aturan asosiasi.
sekian tahun lamanya (data pembelian, data penjualan, data nasabah, data transaksi dan
predictive
Berdasarkan penjelasan diatas maka penulis
tertarik
untuk
membuat
sebuah
penulisan guna melengkapi syarat memperoleh gelar Sarjana berjudul, “Analisis Keranjang Pasar Menggunakan Algoritma Predictive Apriori Untuk Menemukan Pola Belanja Asosiasi Di Apotek Sehat Jaya”.
merupakan sumber yang berharga untuk memunculkan informasi yang tersembunyi dengan proses data mining pola asosiasi metode predictive apriori. [1]
menerapkan analisis pola asosiasi predictive apriori untuk merancang strategi penjualan
Suatu organisasi baik besar maupun kecil dapat dibanjiri dengan berbagai macam data, tidak terkecuali dengan Apotek Sehat Jaya. Apotek Sehat Jaya adalah sebuah badan usaha yang bergerak dibidang penjualan obatobatan berskala kecil menengah. Saat ini pemanfaatan data-data yang dimiliki oleh Apotek Sehat Jaya belum maksimal, baru sebatas untuk pembuatan laporan. Hal ini menarik perhatian penulis untuk menerapkan pola asosiasi predictive apriori kedalam data penjualan yang dimiliki oleh Apotek Sehat Jaya.
atau
pemasaran
yang
efektif
dengan
memanfaatkan data transaksi penjualan yang ada
di
apotek
Sehat
Jaya.
Dengan
menggunakan teknologi data mining, orang tidak perlu melakukan analisis data secara manual yang bertujuan untuk memudahkan menemukan pola berbelanja yang berupa produk-produk yang sering dibeli bersamaan (atau cenderung muncul bersama
dalam
sebuah transaksi) dari data transaksi yang pada umumnya berukuran sangat besar sehingga manajer bisa menyiasati tata letak produk untuk kemudahan konsumen.
Pada menggunakan
penulisan perangkat
ini
penulis
lunak
(software)
RapidMiner4.1. RapidMiner adalah perangkat lunak
Tujuan dari penulisan ini adalah
yang
pembelajaran
digunakan yang
sebagai
open-source
mesin dimana
Data diperoleh dari laporan penjualan Apotek Sehat Jaya pada transaksi yang menggunakan resep pada tanggal 1 Januari 2010 sampai dengan tanggal 28 Februari 2010.
Barang yang ada pada laporan tersebut
data yang disediakan. Aturan asosiasi diolah
dikelompokkan menjadi item atau atribut
dari data dalam bentuk tabel yang terdiri dari
tertentu yang setiap itemnya mewakili barang-
kolom nomor transaksi dan jenis barang, yaitu
barang pada resep obat yang sangat beragam
a atribut (barang) {a₁, a₂, ..., a } dan k transaksi
sehingga menjadi lebih khusus sesuai dengan
(instance). Pada aturan asosiasi mencari
kategorinya.
kombinasi yang paling sering terjadi dari suatu
konsep
Data
analisis
algoritma
diproses keranjang
predictive
menggunakan pasar
dengan
apriori
untuk
itemset
dilakukan
dengan
lunak
(software)
open
source
RapidMiner dengan menganalisis suport dan
Pencarian
aturan
asosiasi
harus
menggunakan parameter sehingga aturan yang didapat akurat. Parameter yang digunakan yaitu support dan confidence.
nilai akurasi yang diperoleh.
2.
hubungan
Parameter Aturan Asosiasi
menerapkan
algoritma predictive apriori yang tersedia pada perangkat
menggambarkan
kondisional dan hasil aturan asosiasi.
mendapatkan aturan asosiasi. Analisis aturan asosiasi
dan
•
Landasan Teori
Support Support adalah suatu ukuran yang
Analisis Keranjang Pasar (Market Basket
mnunjukkan seberapa besar tingkat dominasi
Analysis)
suatu barang atau itemset dari keseluruhan
Analisis keranjang pasar merupakan
transaksi [11].
sebuah analisis terhadap kebiasaan berbelanja dari pembeli pada suatu apotek [4]. Analisis dilakukan
dengan
menemukan
•
Confidence
hubungan
Confidence adalah suatu ukuran yang
antara barang-barang yang telah dibeli secara
menunjukkan hubungan kondisional antar dua
bersamaan.
barang (misal seberapa sering barang B dibeli jika orang membeli barang A) [7].
Analisis Asosiasi (Assocition Analysis) Analisis asosiasi adalah suatu prosedur dalam
analisis
keranjang
pasar
untuk
menemukan aturan asosiasi yang memenuhi
Apriori
syarat minimum untuk support dan confidence (minimum support dan minimum confidence) [6] .
asosiasi
digunakan
mencari
aturan
asosiasi
berdasarkan nilai support dan confidence yang memenuhi minsup dan minconf. Aturan
Aturan Asosiasi (Association Rule) Aturan
Apriori
asosiasi untuk
menemukan hubungan antar barang dari suatu
diperoleh
dengan
confidence yang dihasilkan [3].
melihat
nilai
Predictive Apriori Algoritma ini mencari aturan asosiasi dengan meningkatkan batasan support untuk mendapat aturan terbaik dan dilihat dari ratarata prediksi akurasi yang terbaik (ecpectation predictive accuracy) dan tidak terdapat aturan ganda. Support dan confidence digunakan untuk memaksimalkan rata-rata akurasi aturan pada data yang tidak terlihat.
Tahapan Pemrosesan Aturan Asosiasi •
Pembangkit Kekerapan Himpunan Barang
(Frequent
Itemset
Generation) Frequent itemset generation adalah membangkitkan
semua
memenuhi syarat support
itemset minsupp [5].
yang
Gambar 1 : Algoritma Predictive Apriori [6]
asosiasi dari frequent itemset yang diberikan •
[7], setiap frequent k-itemset mengabaikan Pembangkit
Aturan
(Rule
Generation) Rule generation adalah bagaimana cara untuk mengekstrak secara efisien aturan
anteseden atau konsekuen kosong ( ø →y).
atau
Gambar 2.2 : Metode Rule Generation pada Predictive Apriori [6]
Bayesian
Frequency
Correction
(Perbaikan Frekuensi Bayesian)
RapidMiner4.1
Penelitian ini menganalisis bagaimana confidence dan support membantu mencari prediksi akurasi. Seberapa banyak confidence dikurangi
dengan
melihat
support
menunjukkan
seberapa
dekat
berhubungan
dengan
prediksi
yang
confidence akurasi.
RapidMiner adalah perangkat lunak yang digunakan sebagai mesin pembelajaran yang
open-source
pengolahan
data
dimana menggunakan
mendukung algoritma
predictive apriori untuk mendapatkan aturan asosiasi.
Penelitian ini menggunakan formula Bayessian untuk
mengurangi
confidence.
Bayesian
frequency correction (perbaikan frekuensi bayesian) untuk mendapatkan confidence yang tepat dengan menggunakan pengetahuan prior dari
confidence.
confidence
yang
probabilitas
dari
digunakan.
Prior
adalah
distribusi
dihungkan
dengan
atribut
barang
yang
MySQL MySQL
adalah
perangkat
lunak
database server atau biasa disebut Database Smart. Database ini sangat popular. Dengan menggunakan database ini, data menjadi aman dan berdaya guna. MySQL juga sering digunakan sebagai database dalam membuat website.
langsung digunakan untuk mendapatkan aturan asosiasi. Data akhir terdiri dari atribut dan nilai 3.
PEMBAHASAN
atribut. Atribut merupakan nama barang yang ada pada laporan transaksi menggunakan
Praproses Data •
resep. Data Awal Data awal merupakan data yang
Pemrosesan Data
didapat dari laporan transaksi yang dilakukan
Data akhir yang telah ada dapat
di Apotek Sehat Jaya pada data transaksi
langsung diproses menggunakan perangkat
menggunakan resep selama periode 1 Januari
lunak RapidMiner 4.1 sehingga mendapat hasil
2010 sampai dengan 28 Februari 2010.
aturan asosiasi yang terbaik. Pada penelitian ini, pertama kali menginput data akhir yang
• •
akan
diproses
pada
RapidMiner
menggunakan operator input/output.
Data Akhir Data akhir didapat dari data awal yang
telah diolah sehingga data akhir secara
Gambar 2. Tampilan Sebagian Data Transaksi
dengan
Gambar 3. Tampilan Sebagian Data Pada RapidMiner 4.1 dan filter
Pengolahan data dengan RapidMiner 4.1 melalui
tahapan-tahapan
yang
ada
pada
algoritma predictive apriori, seperti:
algoritma
predictive
apriori
menggunakan dua parameter, yaitu: •N
(jumlah
output
ditampilkan)
atau
penyimpanan
data
diproses dengan default 0) tidak diceklist, karena penelitian ini tidak
Untuk mendapatkan aturan asosiasi dengan
• A (himpunan kelas aturan asosiasi
mencari aturan yang akan digunakan untuk
klasifikasi
tetapi
hanya
mencari aturan yang didapat dengan menggunakan confidence, support,
yang
akan
dan nilai akurasi.
kapasitas pada
saat
pengolahan : 2.147483642e9,
Gambar 4. Pengaturan Parameter pada Algoritma Apriori
Gambar 5. Tampilan Output Algoritma Predictive Apriori Hasil proses data akhir ‘resep’ dengan algoritma predictive apriori maka dari 448 Hasil Pemrosesan Data
aturan diperoleh nilai akurasi berkisar 0.07593
sampai 0.8371. Setelah melakukan penelitian maka
diperoleh
aturan
asosiasi
terbaik
sebanyak 10 aturan karena menunjukkan nilai akurasi yang tinggi (berkisar 0.8) yaitu menunjukkan hubungan barang yang dibeli secara bersama-sama. Dari aturan asosiasi yang didapat, dapat diketahui obat apa saja yang dibeli konsumen secara bersamaan dengan
jumlah
yang
beragam.
Menurut
penelitian ini, obat-obat yang sering dibeli konsumen secara bersama-sama seperti :
4.
PENUTUP
Kesimpulan Pengolahan data dengan algoritma predictive apriori dilakukan dengan dua langkah yaitu frequent itemset dengan panjang sebanyak atribut yang digunakan kemudian dicari nilai support dan confidencenya dan diseleksi sesuai dengan batasan minimum support. Langkah berikutnya mencari kandidat itemset
1. antibiotika, ekspektoran dan analgetik anti
dari aturan dan mencari akurasi dari setiap
piretik
aturan menggunakan distribusi confidence.
2. antibiotika, ekspektoran dan anti asma & bronchodilator
Algoritma predictive apriori memperbaiki pencarian
aturan
secara keseluruhan.
4. analgetik, anti piretik dan vitamin & mineral
Saran
5. antibiotikadan anti parasitik
7. ekspektoran dan antibiotika 8. analgetika dan diuretika
dengan
menggunakan confidence yang telah dihitung
3. anti parasitik dan anti histamin
6. antibiotikadan vitamin & mineral
asosiasi
Pengolahan perangkat
lunak
data
menggunakan
RapidMiner
5
sangat
membantu tetapi harus ditambah dengan informasi yang jelas tentang tahapan dan proses apa saja yang dilakukan oleh algoritma sehingga mendapatkan hasil yang diinginkan.
9. antibiotika, vitamin & mineral dan
Walaupun dengan atribut dan data transaksi
anti_asma & bronchodilator
yang banyak, akan lebih baik jika hasil output
10. antibiotika, anti diare dan vitamin &
dapat ditampilkan menggunakan grafik.
mineral Pembelian yang paling tinggi adalah
DAFTAR PUSTAKA
antibiotika, ekspektoran dan analgetik anti piretik. Hal ini membuktikan bahwa aturan
[1]
Lestari, Tri. 2009. Analisis Keranjang
asosiasi yang diperoleh mewakili kebiasaan
Belanja
membeli obat berdasarkan resep masyarakat di
Penjualan(Studi Kasus Toserba Yogya
sekitar apotek Sehat Jaya.
Pada
Data
Transaksi
Fakultas
Banjar). [2]
Ekonomi
dan
Available:
Luthfi Taufiq Emha. 2009. Penerapan
i.com/component
Mining
Untuk
Algoritma
Meningkatkan
Asosiasi Penjualan.
STMIK Amikom, Yogyakarta. Agustianingsih, Budi. 2008. Analisis Keranjang
Pasar
Menggunakan
Algoritma Predictive Apriori Untuk Mendapatkan
Aturan
Asosiasi
Di
Suatu Minimart Di Kelapa Dua. Skripsi, Fakultas Teknologi Industri, Universitas Gunadarma, Depok. [4]
Data mining : Analisis Keranjang Pasar,
14
Juli
2008.
[Online].
Available: http://pulit.petra.ac.id/journals/informa tics [5]
Masalah pada algoritma predictive apriori,
15
juli
2008.
[online].
Available: http://www.nabble.com [6]
Vipin Kumar Pang Ning Tan, Michael Steinbach,
Introduction
to
Data
Mining edisi ke-1. Pearson Education, 2006. [7]
Sri
Mulyono,
Ekonomi,
Statistika
edisi
ke-1.
untuk Jakarta:
Lembaga Penerbit Fakultas Ekonomi UI, 1991. [8]
Download
rapidminer4.1,
2010.
[Online].
01
Juli
Available:
http://www.rapid-i.com [9]
Tutorial yale, 01 Juli 2010. [Online].
Manajemen, Institut Pertanian Bogor.
Data
[3]
[10]
Manual gui yale, 01 Juli 2010. [Online].
Available:
i.com/component
http://rapid-
http://rapid-
