ALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN Devi Sugianti Program Studi Sistem Informasi,STMIK Widya Pratama Jl. Patriot 25 Pekalongan Telp (0285)427816 email :
[email protected]
ABSTRAK Pekalongan dijuluki sebagai kota batik, batik merupkan produk unggulan Di Pekalongan terdapat 631 unit usaha batik, dengan jumlah pekerja 9.444 dan nilai investasi Rp 24.230.9207 dalam juta pada tahun 2010. Permasalahan yang sering dihadapi oleh pengusaha batik di kota Pekalongan adalah menentukan area pemasaran yang tepat untuk produk baru yang telah dibuat. Data mining dapat menguraikan penemuan pengetahuan didalam database dengan menggunakan teknik machine learning. Algoritma nearest neighbor dapat digunakan untuk mencari solusi untuk kasus yang baru dari sejumlah kasus lama, untuk mencari solusi yang hapir mirip dengan kasus lama. Variable yang digunakan untuk mengetahui area pemasaran seperti: harga, motif ,warna, model dan jenis kain. Kata Kunci: area pemasaran, produk batik, nearest neighbor 1. PENDAHULUAN Pekalongan dijuluki sebagai kota batik. Produk batik menduduki peringkat pertama dalam produk unggulan di Kota Pekalongan. Hasil produksi batik Pekalongan juga menjadi salah satu penopang perekonomian Kota Pekalongan. Corak dan warna yang khas dari produk batik Pekalongan telah menjadikan kerajinan batik Pekalongan semakin dikenal. Industri ini memberikan sumbangan yang besar terhadap kemajuan perekonomian di Pekalongan dengan mayoritas dari home industry. Di Pekalongan terdapat 631 unit usaha batik, dengan jumlah pekerja 9.444 dan nilai investasi Rp 24.230.9207 dalam juta pada tahun 2010 (dinas perindustrian kota Pekalongan. Permasalahan yang dihadapi oleh pengusaha batik Pekalongan salah satunya adalah menentukan area pemasaran untuk produk yang baru dihasilkan. Tidak semua konsumen di area pemasaran menanggapi dengan baik produk baru tersebut, karena tidak sesuai dengan daya beli dan selera masyarakat di sekitar area pemasarannya. Dengan adanya data mining dapat mampu mengatasi permasalahan yang ada. ). Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar. (Turban.2005) Untuk dapat memecahkan kasus area pemasaran untuk produk baru menggunakan metode nearest neighbor dan menggunakan variable :motif, harga, warna, model, dan kain. 1.2 Data Mining “data mining “ merupakan analisis dari peninjauan kumpulan data untuk menemukan hubungan yang tidak diduga dan meringkas data dengan cara yang berbeda dengan sebelumnya, yang dapat dipahami dan bermanfaat bagi pemilik data (Daniel Larose.2005). Dan salah satu tahapan dalam proses knowledge discovery in databases KDD adalah data mining (Han J.Kamber.2001) dapat dilihat pada gambar yang, terdiri dari tahapan-tahapan sebagai berikut (Han J Kamber.2001)
[Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012]
1
Gambar Data mining sebagai tahapan dalam proses KDD (Sumber : Han dan Kamber, Data Mining : Concepts and Techniques , Second Edition. 2006:6) 1.
Data Cleaning Proses cleaning antara lain membuang duplikasi data, memeriksa data yang tidak konsisten, dan memperbaiki kesalahan pada data, seperti kesalahan penulisan. Data Integration Proses menambah data yang sudah ada dengan data atau informasi lain yang relevan dan dibutuhkan oleh KDD. Data Selection Pemilihan data yang relevan dan dapat dilakukan analisis dari data operasional. Data hasil pemilihan disimpan dalam database yang terpisah. Data Transformation Proses transformasi data kedalam bentuk tertentu sehingga data tersebut sesuai untuk proses data mining. Data Mining Proses mencari pola atau informasi menarik dengan menggunakan teknik, metode atau algoritma tertentu. Pattern Evaluation Mengidentifikasi pola-pola yang benar-benar menarik dari hasil data mining. Untuk mengidentifikasi pola-pola menarik kedalam knowledge based yang ditemukan. Knowledge presentation Merupakan visualisasi dan penyajian pengetahuan mengenai metode yang digunakan untuk memperoleh pengetahuan yang diperoleh pengguna.
2.
3.
4. 5. 6.
7.
1.3 NEAREST NEIGHBOR adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada. Misalkan diinginkan untuk mencari solusi terhadap seorang pasien baru dengan menggunakan solusi dari pasien terdahulu. Untuk mencari kasus pasien mana yang akan digunakan maka dihitung kedekatan kasus pasien baru dengan semua kasus pasien lama. Kasus pasien lama dengan kedekatan terbesar-lah yang akan diambil solusinya untuk digunakan pada kasus pasien baru (Kusrini, Emha Taufiq Luthfi.2009)
2
[Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012]
Seperti tampak pada Gambar 2, terdapat dua pasien lama A dan B. Ketika ada pasien Baru, maka solusi yang akan diambil adalah solusi dari pasien terdekat dari pasien Baru. Seandainya d1 adalah kedekatan antara pasien Baru dan pasien A, sedangkan d2 adalah kedekatan antara pasien Baru dengan pasien B. Karena d2 lebih dekat dari d1 maka solusi dari pasien B lah yang akan digunakan untuk memberikan solusi pasien Baru. Adapun rumus untuk melakukan penghitungan kedekatan antara dua kasus adalah sebagai berikut:
keterangan: T: Kasus Baru S: Kasus yang ada dalam penyimpanan n: jumlah atribut dalam setipa kasus i : atribut individu antara 1 s.d n f : fungsi similarity atribut I antara kasus T dan kasus S w : bobot yang diberikan pada atribut ke i 2. METODE PENELITIAN 2.1 Jenis Penelitian Langkah-langkah penelitian yang dilakukan adalah perumusan masalah, penentuan teknik yang akan digunakan, pemrosesan data, transformasi data, analisa hasil dan penarikan kesimpulan. Preproses data dilakukan, karena data yang didapatkan masih dalam keadaan berantakan dan harus diolah lagi terlebih dahulu, sebelum memasuki proses data selanjutnya. Setelah data ditransormasi atau diolah, kemudian masuk kepada tahap analisis data. Dari data training yang telah dianalisis, kemudian dibuat prediksi klasifikasi untuk kemungkinan-kemungkinan yang akan datang bagi data testing jenis yang sama. 2.2 Populasi dan Sampel Dari data penggrajin batik dikota Pekalongan terdapat 631 usaha diambil sampel untuk beberapa unit usaha dengan pengrajin dengan batik jenis tulis. Ada sekitar 10 unit usaha. Dengan pengambilan data secara acak. 3. HASIL DAN PEMBAHASAN Dalam menentukan area pemasaran produksi batik menggunakan atribut : 1. Harga 2. Motif 3. Warna 4. Model 5. Kain Tabel 1. penentuan harga: Range Keterangan 20.000- 100.000
Murah
101.000-500.000
Sedang
501.000- tak terhingga
mahal
Dalam penentuan motif terdapat 2: a. Motif pesisir b. Motif kraton Dalam penentuan warna terdapat 2: a. Warna tua b. Warna menyala Dalam penentuan model terdapat 2: a. Model resmi b. Model santai Dalam penentuan kain terdapat 3: a. Sutra b. Primis [Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012]
3
c. dobby Pembobotan Pembobotan atribut dapat dilihat dalam tabel berikut ini Tabel 2 pembobotan atribut: Atribut Bobot Harga
0.2
Motif
1
Warna
0.8
Model
0.6
Kain
0.4
Kedekatan nilai Kedekatan antar nilai dapat dilihat dari tabel seperti berikut: Tabel 3. Kedekata nilai atribut harga Nilai 1 Nilai 2 kedekatan Murah
Murah
1
Murah
Sedang
0,5
Murah
Mahal
0,25
Sedang
Murah
0,5
Sedang
Sedang
1
Sedang
Mahal
0,5
Mahal
Murah
0,25
Mahal
Sedang
0,5
Mahal
Mahal
1
Tabel 4 kedekatan motif Nilai 1 Nilai 2
Kedekatan
Pesisir
Pesisir
1
Pesisir
Kraton
0,5
Kraton
Pesisir
0,5
Kraton
Kraton
1
Tabel 5. Kedekatan warna Nilai 1 Nilai 2
Kedekatan
Warna Tua
Warna Tua
1
Warna Tua
Warna Muda
0,5
4
[Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012]
Warna muda
Warna muda
1
Warna muda
Warna Tua
0,5
Table 6 Kedekatan Model Nilai 1 Nilai 2
Kedekatan
Resmi
Resmi
1
Resmi
Santai
0,5
Santai
Santai
1
Santai
Resmi
0,5
Table 7 Kedekatan Kain Nilai 1 Nilai 2
kedekatan
Sutra
Sutra
1
Sutra
Doby
0,5
Sutra
Premis
0,25
Doby
Sutra
0,5
Doby
Doby
1
Doby
Premis
0,5
Premis
Sutra
0,25
Premis
Doby
0,5
Premis
Premis
1
Terdapat tabel 8. kasus yang telah ada: NO Harga Motif Warna
Model
Kain
Kota Pemasaran
1
Murah
Pesisir
Muda
Resmi
Sutra
Purwokerto
2
Murah
Kraton
Tua
Santai
Premis
Yogyakarta
3
Sedang
Kraton
Tua
Santai
Doby
Solo
4
Sedang
Pesisr
muda
Santai
Premis
Tegal
5
Mahal
Pesisir
Muda
Resmi
Premis
Cilacap
Misal akan diproduksi sebuah batik dengan cirri-ciri seperti berikut: Harga : murah Motif : kraton Warna : muda Model : resmi Kain : doby Maka pemasaran yang cocok adalah? [Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012]
5
Untuk memprediksi pemasaran yang cocok dengan cirri –ciri produksi yang ada 1. Untuk menghitung kedekatan kasus baru dengan kasus no 1. Diketahui: A : Kedekatan dengan atribut harga
B
C
D
E
F
G
H
I
J
:
1
:
Bobot atribut harga
:
0,2
:
Kedekatan dengan atribut motif
:
0,5
:
Bobot atribut motif
:
1
:
Kedekatan dengan atribut warna
:
1
:
Bobot atribut warna
:
0.8
:
Kedekatan dengan model
:
1
:
Bobot atribut model
:
0.6
:
Kedekatan dengan kain
:
0.5
:
Bobot kain
:
0.4
Menghitung jarak kedekatan:
6
[Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012]
2.
Untuk menghitung kedekatan kasus baru dengan kasus no 2. Diketahui: A : Kedekatan dengan atribut harga
B
C
D
E
F
G
H
I
J
:
1
:
Bobot atribut harga
:
0,2
:
Kedekatan dengan atribut motif
:
1
:
Bobot atribut motif
:
1
:
Kedekatan dengan atribut warna
:
0.5
:
Bobot atribut warna
:
0.8
:
Kedekatan dengan model
:
0.5
:
Bobot atribut model
:
0.6
:
Kedekatan dengan kain
:
0.5
:
Bobot kain
:
0.4
[Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012]
7
3.
Untuk menghitung kedekatan kasus baru dengan kasus no 3. Diketahui: A : Kedekatan dengan atribut harga
B
C
D
E
F
G
H
I
J
8
:
0.5
:
Bobot atribut harga
:
0,2
:
Kedekatan dengan atribut motif
:
1
:
Bobot atribut motif
:
1
:
Kedekatan dengan atribut warna
:
0.5
:
Bobot atribut warna
:
0.8
:
Kedekatan dengan model
:
0.5
:
Bobot atribut model
:
0.6
:
Kedekatan dengan kain
:
1
:
Bobot kain
:
0.4
[Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012]
4.
Untuk menghitung kedekatan kasus baru dengan kasus no 4. Diketahui: A : Kedekatan dengan atribut harga
B
C
D
E
F
G
H
I
J
5.
:
0.5
:
Bobot atribut harga
:
0,2
:
Kedekatan dengan atribut motif
:
0.5
:
Bobot atribut motif
:
1
:
Kedekatan dengan atribut warna
:
1
:
Bobot atribut warna
:
0.8
:
Kedekatan dengan model
:
0.5
:
Bobot atribut model
:
0.6
:
Kedekatan dengan kain
:
0.5
:
Bobot kain
:
0.4
Untuk menghitung kedekatan kasus baru dengan kasus no 5 [Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012]
9
Diketahui: A : Kedekatan dengan atribut harga
B
C
D
E
F
G
H
I
J
:
0.25
:
Bobot atribut harga
:
0,2
:
Kedekatan dengan atribut motif
:
0.5
:
Bobot atribut motif
:
1
:
Kedekatan dengan atribut warna
:
1
:
Bobot atribut warna
:
0.8
:
Kedekatan dengan model
:
1
:
Bobot atribut model
:
0.6
:
Kedekatan dengan kain
:
0.5
:
Bobot kain
:
0.4
Untuk produk baru dengan kreteria seperti harga murah, motif kraton, warna muda, model resmi, dan kain dobby. Maka jarak yang paling dekat adalah Purwokerto, dengan jarak 0,77 4. Kesimpulan Algoritma nearest neighbor dapat membantu permasalahan yang terjadi pada pengusaha batik di kota Pekalongan dalam membantu untuk menentukan area pemasaran dan dapat memberikan hasil analisa pemasaran. Dengan menggunakan kasus lama atau data pemasaran yang sudah pernah ada, untuk mengetahui area pemasaran untuk produk baru yang ditelah diproduksi. Atribut yang digunakan harga, motif dan warna, model,
10
[Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012]
kain. Atribut harga mempunyai range mahal, sedang dan murah. Atribut motif terdapat pesisir dan kraton, sedangkan untuk atribut warna terdapat dua yaitu warna tua dan warna muda, untuk model terdapat dua model yaitu model resmi, dan model santai. 6. Daftar Pustaka Han, J. Kamber, M 2001 data mining: concepts and technique. San Francisco: Morgan Kaufmann Publisher Kusrini, Emha Taufiq Luthfi.2009 Algoritma data mining, Andi,Yogyakarta Larose, Daniel T.2005. Discovering Knowledge in data :an Introduction to data mining. John willey& sonc,inc Turban, E dkk 2005 Decicion support systems and intelligent system Yogyakarta: andi Offset
[Jurnal Ilmiah ICTech Vol.x No.1 Januari 2012]
11
