1
BAB I PENDAHULUAN 1.1. Latar Belakang Seiring dengan perkembangan zaman, persaingan di dunia bisnis dan teknologi semakin berkembang pesat. Sehingga membuat para pelaku bisnis berlomba-lomba untuk mengembangkan bisnis mereka dengan memanfaatkan teknologi yang ada dan juga agar bisnis mereka dapat selalu bertahan dan berkembang dalam pesatnya persaingan. Untuk memenuhi keinginan konsumen, para pelaku bisnis harus meningkatkan kualitas produk, penambahan jenis produk yang disukai dan yang paling sering dibeli oleh konsumen. Dalam menghadapi persaingan pasar untuk menghasilkan peningkatan pendapatan toko, pihak terkait harus menentukan strategi pemasaran produk yang dijual. Para pelaku bisnis juga harus mengetahui pola pembelian konsumen. Dari pola pembelian konsumen bisa membantu dan memudahkan para karyawan toko untuk mengetahui barang apa saja yag paling serig dibeli secara bersamaan, karena dari pola pembelian konsumen para karyawan dapat meyusun penempatan barang. Association rule adalah teknik data mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Dengan mengetahui pola pembelian konsumen pemilik toko dapat mengatur penempatan barang. Algoritma Apriori termasuk jenis Aturan Asosiasi pada data mining. Aturan yang menyatakan asosiasi antara beberapa atribut sering
2
disebut affinity analysis atau market basket analisis. Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan suatu kombinasi item. Salah satu tahap analisis asosiasi yang menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien adalah analisis pola frequensi tinggi (frequent pattern mining). Penting tidaknya suatu asosiasi dapat diketahui dengan dua tolok ukur, yaitu : support dan confidence. Support (nilai penunjang) adalah persentase kombinasi item tersebut dalam database, sedangkan confidence (nilai kepastian) adalah kuatnya hubungan antara-item dalam aturan asosiasi. (Kusrini, 2009 : 149) Dari uraian di atas, penulis menganggap pentingnya penerapan data mining dengan menggunakan algoritma apriori. Data mining adalah suatu proses menemukan hubungan. Yang berarti, pola dan kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan pola seperti teknik statistik dan matematika (Larose, 2006). Sedangkan penerapan algoritma apriori dalam sebuah aplikasi pada data mining digunakan untuk mengetahui pola pembelian konsumen pada Alfamart. Dari aplikasi tersebut akan dihasilkan sebuah informasi yang bermanfaat untuk toko.
1.2. Rumusan Masalah Berdasarkan latar belakang masalah di atas maka rumusan masalah dalam penelitian ini adalah bagaimana penerapan metode data mining untuk analisis pola pembelian konsumen dengan menggunakan algoritma apriori?
3
1.3. Batasan Masalah Adapun batasan masalah dalam penelitian ini adalah: 1. Data yang digunakan adalah data transaksi penjualan selama tiga tahun yaitu dari bulan Januari 2014 sampai Desember 2016 2. Analisis ini digunakan untuk memberikan informasi tentang pola pembelian produk yang paling sering dibeli secara bersamaan oleh konsumen.
1.4. Tujuan Penelitian Tujuan dari peneltian ini adalah sebagai berikut: 1. Untuk menentukan pola pembelian konsumen dengan menggunakan metode Association rule (aturan asosiasi) dan algoritma apriori sehingga dapat mengembangkan strategi pemasaran dalam penjualan barang. 2. Untuk meningkatkan pelayanan konsumen dengan cara menempatkan barang yang sering dibeli konsumen dengan cara bersamaan ditempat yang berdekatan.
1.5. Manfaat Penelitian Ada pun beberapa manfaat yang didaptakan dalam penelitian ini adalah sebagai berikut: 1. Mempermudah konsumen dalam memilih dan mengambil barang yang ingin dibeli. 2. Membantu para karyawan toko untuk mengetahui jenis produk yang paling sering dibeli oleh konsumen secara bersamaan.
4
1.6 Metodelogi Penelitian 1.6.1 Tempat Dan Waktu Penelitian 1.6.1.1 Tempat penelitian Lokasi penelitian adalah alfamart Singkut 2 yang beralamat di JL Lintas Sumatera, RT 02, Bukit Tigo, Singkut, Sarolangun, Jambi. 1.6.1.2 Waktu penelitian Penelitian dilakukan selama bulan September 2016 sampai dengan bulan Februari 2016. 1.6.2 Data Penelitian 1.6.2.1 Alat dan Bahan Dalam melakukan penelitian ini kebutuhan perangkat dan sistem dalam analisis pola pembelian kosumen dengan algoritma apriori, alat dan bahan yang digunakan adalah sebagai berikut: 1)
Perangkat Keras (hardware) terdiri dari: a. Laptop HP EliteBook 6930p b. RAM 4 GB c. Hardisk 230 GB d. Flashdisk 8 GB e. Printer Canon IP2770
2) Perangkat Lunak (software) terdiri dari: a. OS Microsoft Windows 7 b. Microsoft Word 2010 c. WEKA
5
1.6.3 Metode Penelitian Penelitian ini menerapkan metode pendekatan penelitian kuantitatif. Penelitian kuantitatif adalah suatu penelitian yang pada dasarnya menggunakan pendekatan deduktif-induktif. Pendekatan ini diambil dari suatu kerangka teori, gagasan para ahli, maupun pemahaman peneliti berdasarkan
pengalamannya,
permasalahan-permasalahan
kemudian
beserta
dikembangkan
menjadi
pemecahan-pemecahannya
yang
diajukan untuk memperoleh pembenaran (verifikasi) atau penolakan dalam bentuk dukungan data empiris dilapangan. Dengan kata lain, dalam penelitian kuantitatif penelitian diambil dari paradigma teoritik menuju data, dan berakhir pada penerimaan atau penolakan terhadap teori yang digunakan. Penelitian kuantitatif bertumpu sangat kuat pada pengumpulan data berupa angka hasil pengukuran. 1.6.4 Metode Pengumpulan Data Adapun
metode
pengumpula
data
yang
digunakan
dalam
meyelesaikan penelitian tugas akhir ini, antara lain : 1. Pengamatan (Observasi) Dalam proses ini penulis melakukan pengamatan secara langsung terhadap tempat kegiatan penelitian sehingga dapat memberikan informasi yang tepat. Dan informasi yang di hasilkan akan lebih lebih objektif dan teliti.
6
2. Wawancara (Interview) Teknik wawancara (interview) merupakan suatu teknik pengumpulan data yang dilakukan dengan cara tanya jawab atau berbicara secara langsung dengan pihak-pihak yang terkait dengan penelitian yang akan dilakukan. Dalam hal ini penulis melakukan tanya jawab secara langsung kepada pihak Alfamart Singkut 2. 3. Studi Pustaka (Literature) Untuk dapat mengumpulkan data yang diperlukan, maka cara yang penulis lakukan adalah dengan mencari dan mempelajari data-data dari buku-buku, jurnal penelitian sebelumnya, dan dari referensi lain yang berhubungan dengan jurnal peulisan laporan penelitian. 1.6.5 Tehnik Analisa Data Analisa data adalah proses mencari dan menyusun secara sistematis data yang diperoleh dari hasil pengamatan (observasi), wawancara (interview) dan studi pustaka (literature) dengan cara mengorganisasikan data ke dalam kategori, menjabarkan ke dalam unit-unit, melakukan sintesa, menyusun kedalam pola, memilih mana yang penting dan yang akan dipelajari, dan membuat kesimpulan sehingga mudah dipahami oleh diri sendiri dan orang lain. Dalam analisis data kualitatif dilakukan secara interaktif dan berlangsung secara terus-menerus pada setiap tahapan penelitian sehingga sampai tuntas. Komponen dalam analisis data :
7
1. Reduksi data Data yang diperoleh dari laporan jumlahnya cukup banyak, untuk itu maka perlu dicatat secara teliti dan rinci. Mereduksi data berarti merangkum, memilih hal-hal pokok, memfokuskan pada hal-hal yang penting, dicari tema dan polanya. 2. Penyajian Data Penyajian data penelitian kualitatif bisa dilakukan dalam bentuk uraian singkat, bagan, hubungan antar kategori, dan sejenisnya. 3. Verifikasi atau Penyimpulan Data Kesimpulan awal yang dikemukakan masih bersifat sementara, dan akan berubah bila ditemukan bukti-bukti yang kuat yang mendukung pada tahap berikutnya. Tetapi apabila kesimpulan yang dikemukakan pada tahap awal, didukung oleh bukti-bukti yang valid dan konsisten saat peneliti kembali kelapangan mengumpulkan data, maka kesimpulan yang dikemukakan merupakan kesimpulan yang kredibilitas. 1.6.6 Prosedur Penelitian Adapun dalam menganalisis data dalam penerapan data mining ini meggunakan tahapan Knowledge Discovery In Database (KDD) yang terdiri dari beberapa tahapan (Bramer dan Max,2007), yaitu sebagai berikut: 1. Data Selection (Seleksi Data) Dimana data yang relevan dengan tugas analisis dikembalikan kedalam database.
8
2. Pre-Processing/Cleaning Biasanya terdapat data yang kurag bagus untuk dimasukkan dalam kelengkapan data perusahaan karena hanya akan dianggap tidak valid bahkan untuk data yang hilang. Sehingga data yang seperti itu lebih baik dibuang. 3. Transformation Beberapa teknik data mining memerlukan format data yang khusus sebelum bisa digunakan dan disebarluaskan. Dalam tahap ini, dilakukan pula pemilihan data yang dibutuhkan oleh teknik data mining yang akan dipakai. Tahap inilah yang akan menentukan kualitas dari data mining. 4. Data Mining Proses esensial dimana metode yang intelijen digunakan untuk mengekstrak pola data. 5. Evaluation (Evaluasi Pola) Dalam tahap ini hasil dari teknik data mining berupa pola-pola yang khas maupun model prediksi dievaluasi untuk menilai apakah hipetesis yang ada memang tercapai. 6. Presentation (Presentasi Pola) Tahap terakhir dari proses data mining adalah bagaimana formulasi keputusa atau aksi dari hasil analisis dari data mining. Dalam presentasi ini, visualisasi juga dapat membantu megkomunikasikan hasil dari data mining.
9
1.7 Sistematika Penulisan Sistematika penulisan skripsi ini memberika penjelasan garis besar penelitian ini secara jelas supaya dapat terlihat lebih berhubungan yang disusun dalam kerangka bab da sub-bab. Adapun sistematika penulisannya adalah sebagai berikut: BAB I
PENDAHULUAN Dalam bab ini penulis meguraika latar belakang, perumusan masalah, batasan masalah, tujuan dan mafaat, metodologi penulisa laporan, serta sistematika penulisan.
BAB II
TINJAUAN PUSTAKA Bab ini membahas tentang tinjauan pustaka yag digunakan dalam penelitian antara lain landasan teori.
BAB III ANALISA DATA MINING Bab ini membahas tahapan awal dari proses knowledge discovery in database (KDD) meliputi tahapan data cleaning, data integration, data selection, data transformation, data mining, evaluation, dan precentation sesuai teknik dan algoritma yang digunakan. BAB IV HASIL DAN PEMBAHASAN Bab ini membahas dan menjelaskan hasil dari proses data mining yang dilakukan dengan menguraika teknik dan algoritma data
10
minig yang digunakan dalam penelitian, sertamenampilkan hasil data mining menggunakan software data mining weka. BAB V
KESIMPULAN DAN SARAN Pada bab terakhir ini penulis akan membuat dan mengambil kesimpulan dari pembahasan sebelumnya dan mencoba untuk megutarakan
saran
yang mungkin
dapat
dijadikan bahan
pertimbangan bagi Alfamart Cabang Singkut 2 dalam pengambila keputusan.
11
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Umum 2.1.1 Profil Alfamart Pola perilaku pembelian konsumen merupakan hal-hal yang mendasari konsumen untuk membuat keputusan pembelian. Biasanya untuk barang berharga jual rendah (low involvemet) proses pengambilan keputusan dilakukan dengan mudah, sedangkan untuk barang berharga jual tinggi (high involvement) proses pengambilan keputusan dilakukan dengan pertimbangan yang matang. Dan juga pola pembelian konsumen, juga tergantung pada kebutuhuhan konsumen tersebut. Jadi pola pembelian konsumen tergantung terhadap kebutuhan dan harga jual barang yang dibutuhkan. Dari pola tersebut data transaksi penjualan langsung tersimpan pada database yang dimiliki oleh alfamart. Dahulu alfamart tidak melakukan pendataan pelanggan, sehingga pembeli manapun dapat melakukan pembelian. Namun demikian, untuk meingkatkan pelayanan. Pembeli dapat menanyakan apakah barang yang dicari tersedia disana, masih ada berapa unit, dan berapa harganya. Setiap barang yang sudah dibeli tidak dapat ditukar atau dikembalikan, dan setiap pembelian harus dilakukan secara tunai atau debit. Meskipun data pembeli tidak dicatat, namun setiap struk belanja yang dicetak diberi kode. Kode tersebut terdiri dari masingmasing dua digit tanggal, bulan, tahun, dan tiga digit nomor urut. Cotoh kode =
12
“120916056” berarti, transaksi terjadi pada tanggal 12 september 2016 di nomor urut 056. Namun sekarang, seiring dengan pertumbuhan gerai toko alfamart yang cepat dengan transaksi lebih dari 40 transaksi struk perbulan ,dapat terlaksana karena didukung oleh sistem terintegrasi pada setiap poin of sales (POS) kasir disemua gerai yang mencakup sistem penjualan, persediaan, dan penerimaan barang. teknologi di pos kasir yang sudah dibangun telah memenuhi kebutuhan perkembangan dan transaksi di masa depan. Untuk mempercepat pelayanan dan keyamanan belanja dikasir, alfamart menggunakan pemandaian scanner barcode, pembayaran kini pun telah memberikan kemudahan bagi konsumen dengan menggunakan BCA debit,Mandiri debit dan berbagai macam bank yang tercantum. Dalam diadakan distribusi barang ,alfamart menerapkan digital packing system dan tail gate system pada pusat distribusinya. kedua sistem dan tail gate system pada setiap distribusinya. keduan sistem ini mempercepat dan meningkatkan efisiensi proses pengambilan barang dari rak penyimpanan dan pemuatan barang ke armada pengirim maupun barang di gerai alfamart.
2.2 Landasan Teori 2.2.1 Data Mining Menurut Turbanet (2005), data mining adalah suatu istilah yang digunakan untuk menemukan pengetahuan yang tersembunyi di dalam database. Data mining merupakan proses semi otomatik yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan
13
mengidentifikasi
informasi
pengetahuan
potensial
dan
berguna
yang
bermanfaat yang tersimpan di dalam database besar. Menurut Larose (2006), data mining merupakan analisis dari peninjauan kumpulan data untuk menemukan hubungan yang tidak diduga da meringkas data dengan cara yang berbeda dengan sebelumnya, yang dapat dipahami dan bermanfaat bagi pemilik data. Dan juga data mining merupakan bidang dari beberapa keilmuan yang menyatukan tehnik dari pembelajaran mesin, pengenalan pola, statisti, database, dan visualisasi untuk penanganan permasalahan pengambilan informasi dari database yang besar. Teknik yang digunakan dalam penelitian ini adalah Association rules. Association rules (aturan asosiasi) atau affinity analysis (analisis afinitas) berkenaan dengan studi tentang “apa bersama apa”. Sebagai contoh dapat berupa berupa studi transaksi di supermarket, misalnya seseorang yang membeli susu bayi juga membeli sabun mandi. Pada kasus ini berarti susu bayi bersama dengan sabun mandi. Karena awalnya berasal dari studi tentang database transaksi pelanggan untuk menentukan kebiasaan suatu produk dibeli bersama produk apa, maka aturan asosiasi juga sering dinamakan market basket analysis. 2.2.2 Analisis Dalam Kamus Bahasa Indonesia Kontemporer karangan Peter (2002) menjabarkan pengertian analisis sebagai berikut:
14
a.
Analisis adalah penyelidikan terhadap suatu peristiwa (perbuatan,karangan dan sebagainya) untuk mendapatkan fakta yang tepat (asal usul, sebab, penyebab sebenarnya, dan sebagainya).
b.
Analisis
adalah penguraian pokok persoalan atas bagian-bagian,
penelaahan bagian-bagian tersebut dan hubungan antar bagian untuk mendapatkan
pengertian
yang
tepat
dengan
pemahaman
secara
keseluruhan. c.
Analisis adalah penjabaran (pembentangan) sesuatu hal, dan sebagainya setelah ditelaah secara seksama.
d.
Analisis adalah proses pemecahan masalah yang dimulai dengan hipotesis (dugaan, dan sebagainya) sampai terbukti kebenarannya melalui beberapa kepastian (pengamatan, percobaan, dan sebagainya).
2.2.3 Pola Pembelian Pola pembelian terdiri dari dua kata pola dan pembelian. Pola memiliki arti yaitu bentuk. Sedangkan pembelian mempunyai kata dasar beli yang berarti memperoleh sesuatu melalui penukaran dengan uang, maka pola pembelian adalah bentuk pembelian menggunakan uang yang dilakukan oleh seseorang untuk mendapatkan barang yang diinginkan. 2.2.4 Konsumen Menurut Tatik (2003:12), konsumen adalah setiap orang pemakai barang dan/jasa yang tersedia dalam masyarakat, baik bagi kepentingan diri sendiri, keluarga, orang lain,dan maupun makhluk hidup lain dan tidak untuk diperdagangkan. Konsumen dapat dikelompokkan yakni konsumen antara dan
15
konsumen akhir. Konsumen antara adalah distributor, agen dan pengecer. Mereka
membeli
barang
bukan
untuk
dipakai,
melainkan
untuk
diperdagangkan. Sedangkan pengguna barang adalah konsumen akhir. Yang dimaksud konsumen akhir adalah konsumen akhir memperoleh barang atau jasa bukan untuk dijual kembali, melainkan untuk digunakan, baik bagi kepentingan dirinya sendiri, keluarga, orang lain dan makhluk hidup lain. 2.2.5 Algoritma Apriori Menurut Agrawal & Srikant (1994), algoritma apriori adalah suatu algoritma dasar yang diusulkan untuk menentukan Frequent item sets untuk aturan asosiasi Boolean. Algoritma Apriori termasuk jenis Aturan Asosiasi pada data mining. Aturan yang menyatakan asosiasi antara beberapa atribut sering disebut affinity analysis atau market basket analysis. Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan suatu kombinasi item. Salah satu tahap analisis asosiasi yang menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien adalah analisis pola frequensi tinggi (frequent pattern mining). Penting tidaknya suatu asosiasi dapat diketahui dengan dua tolok ukur, yaitu : support dan confidence. Support (nilai penunjang) adalah persentase kombinasi item tersebut dalam database, sedangkan confidence (nilai kepastian) adalah kuatnya hubungan antara-item dalam aturan asosiasi. Algoritma apriori dibagi menjadi beberapa tahap yang disebut narasi atau pass. 1.
Pembentukan kandidat itemset. Kandidat k-itemset dibentuk dari kombinasi (k-1)-itemset yang didapat dari iterasi sebelumnya. Satu cara
16
dari algoritma apriori adalah pemangkasan kandidat k-itemset yang subsetnya berisi k-1 item tidak termasuk dalam pola frekuensi tinggi dengan panjang k-1. 2.
Penghitungan support dari tiap kandidat k-itemset. Support dari tiap kandidat k item set didapat dengan menscan database untuk menghitung jumlah transaksi yang memuat semua item didalam kandidat k-itemset tersebut. Ini adalah juga ciri dari algoritma apriori dimana diperlukan penghitungan dengan cara seluruh database sebanyak k-itemset terpanjang.
3.
Tetapkan pola frekuensi tinggi. Pola frekuensi tinggi yang memuat k item atau k-itemset ditetapkan dari kandidat k-itemset yang supportnya lebih besar dari minimum support.
4.
Bila tidak didapat pola frekuensi tinggi baru maka seluruh proses dihentikan. Metodologi dasar analisis asosiasi pada algoritma apriori terbagi menjadi
dua tahap : 1. Analisa pola frekuensi tinggi Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database. Nilai support sebuah item diperoleh dengan memakai rumus berikut: Support (A) = Jumlah Transaksi Mengandung A Total transaksi Sedangkan nilai dari support dua item diperoleh dari rumus berikut:
17
Support (A,B) = (A∩B) Jumlah Transaksi Mengandung A Dan B Total Transaksi 2. Pembentukan Aturan Asosiasi Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan asosiasi “ jika A maka B “. Nilai confidence dari aturan “ jika A maka B “ diperoleh dari rumus berikut : Confidence = P(B|A) = Jumlah Transaksi Mengandung A Dan B Jumlah Transaksi Mengandung A Sumber: Agung, Muhamad Toriq dan Bowo Nurhadiyono. Jurnal “ Penerapan Data Mining Pada Data Transaksi Penjualan Untuk Mengatur Penempatan Barang Menggunakan Algoritma Apriori”. Dari (https://core.ac.uk/ download /pdf/35382308 .pdf) 2.2.6 Data Menurut Turban (2010, p41), data adalah deskripsi dasar dari benda, peristiwa, aktivitas dan transaksi yang direkam, dikelompokkan, dan disimpan tetapi belum terorganisir untuk menyampaikan arti tertentu. Menurut Inmon (2005, p493), data adalah kumpulan dari fakta, konsep, atau instruksi pada penyimpanan yang digunakan untuk komunikasi, perbaikan dan diproses secara otomatis yang mempresentasikan informasi yang dapat di mengerti oleh manusia. Menurut (Al-Bahra, 2005, Hal:8), data dapat berupa catatan-catatan dalam kertas, buku, atau tersimpan sebagai file dalam database. Data akan menjadi
18
bahan dalam suatu proses pengolahan data. Oleh karena itu, suatu data belum dapat berbicara banyak sebelum diolah lebih lanjut. Proses pengolahan data terbagi menjadi tiga tahapan, yang disebut dengan siklus pengolahan data (Data Processing Cycle) yaitu : 1.Pada tahapan Input Yaitu dilakukan proses pemasukan data ke dalam komputer lewat media input (Input Devices). 2.Pada tahapan Processing Yaitu dilakukan proses pengolahan data yang sudah dimasukkan, yang dilakukan oleh alat pemroses (Process Devices) yang dapat berupa proses perhitungan, perbandingan, pengendalian, atau pencarian distorage. 3.Pada tahapan Output Yaitu dilakukan proses menghasilkan output dari hasil pengolahan data ke alat output (Output Devices) yaitu berupa informasi. Berdasarkan teori para ahli diatas dapat disimpulkan bahwa, data adalah deskripsi dasar dari benda, peristiwa, aktivitas dan transaksi yang direkam, dikelompokkan, dan disimpan dalam jumlah yang besar tetapi belum diolah. 2.2.7 Transaksi Transaksi adalah transfer/perpindahan barang dari satu tahap ke tahap lain melalui teknologi yang terpisah. Satu tahapan selesai dan tahap berikutnya dimulai. Transaksi adalah perpindahan barang, jasa, informasi, pengetahuan dll, dari satu tempat (komunitas) ke tempat (komunitas) lain atau pemindahan
19
barang dari produsen ke konsumen, atau pemindahan barang dari satu individu ke individu yang lain. Kesimpulan dari materi diatas adalah bahwa transaksi merupakan tindakan yang diperlukan untuk menetapkan, memelihara dan atau mengubah hubungan sosial.
Meliputi
pembentukan
dan
upaya
mempertahankan
kerangka
kelembagaan dimana proses transaksi ekonomi bisa terjadi. 2.2.8 Penjualan Menurut Marwan A (1986), penjualan adalah suatu usaha yang terpadu untuk mengembangkan rencana- rencana strategis yang diarahkan pada usaha pemuasan kebutuhan dan keinginan pembeli guna mendapatkan penjualan yang menghasilkan laba .Penjualan merupakan sumber hidup suatu perusahaan, karena dari perusahaan dapat diperoleh laba serta suatu usaha memikat konsumen yang diusahakan untuk mengetahui daya tarik mereka sehingga dapat mengetahui hasil produk yang dihasilkan. Menurut Winardi (1982), penjualan adalah suatu transfer hak atas bendabenda. Dari penjelasan tersebut dalam memindahkan atau mentransfer barang dan jasa diperlukan orang-orang yang bekerja di bidang penjualan seperti pelaksanaan dagang, agen, wakil pelayanan, dan wakil pemasaran.
2.3 Penelitian Sebelumnya Penelitian dalam bidang serupa telah dilakukan oleh Fusna Failasufa (2014) dalam penelitiannya yang berjudul Penerapan Data Mining Untuk Analisis Pola Pembelian Konsumen Dengan Algoritma Apriori Pada Data Transaksi
20
Penjualan (Studi Kasus : Pamella Supermarket). Pada penelitian yang dilakukan oleh Fusna Failasufa diperoleh kesimpulan: 1. Data Mining dengan Algoritma Apriori berhasil diterapkan ke dalam aplikasi analisis pola pembelian konsumen di Pamella Supermarket. Hal ini dapat dibuktikan bahwa perhitungan manual yang ditunjukkan pada sub bab pembahasan di bab sebelumnya sama dengan perhitungan denganaplikasi yang ditunjukkan pada halaman lampiran. Penelitian selanjutnya dilakukan oleh Riangga Duta Jayapana dan Yuniarsi Rahayu (2015) dalam penelitian yang berjudul Analisis Pola Pembelian Konsumen Dengan Algoritma Apriori Pada Apotek Rahayu Jepara. Pada penelitian yang dilakukan oleh Riangga Duta Jayapana dan Yuniarsi Rahayu diperoleh kesimpulan: 1. Untuk melakukan analisis data transaksi penjualan dapat menggunakan data mining dengan algoritma apriori. 2. Pengolahan dataset apotek Rahayu Jepara menggunakan WEKA dapat menghasilkan pola frekuensi tinggi yaitu 2 itemset maupun 3 itemset, pola frekuensi tinggi 2 itemset yang didapat yaitu “jika membeli obat avarin maka membeli obat dexa”. Dan pola transaksi 3 itemset yang didapat yaitu “Jika membeli avarin dan troviacol maka membeli obat dexa”. 2.4 Kerangka Berfikir Berdasarakan uraian diatas, maka kerangka berfikir dalam penelitian untuk mengetahui pola pembelian konsumen dapat digambarkan sebagai berikut:
21
Permasalahan Penerapan Data Mining Untuk Analisis Pola Pembelian Konsumen Dengan Algoritma Apriori Pada Data Transaksi Penjualan Di Alfamart
Wawancara (Interview)
Pengamatan (Observasi)
Studi Pustaka (Literature)
Menggunakan metode Association rules dan agoritma Apriori
Akan menghasilkan pola frekuensi penempatan produk yang paling sering dibeli oleh konsumen secara bersamaan
Gambar 2.1 Kerangka Berfikir
22
BAB V KESIMPULAN DAN SARAN 1.1 Kesimpulan Setelah melewati beberapa proses data mining, maka dihasilkan beberapa hubungan keterkaitan antara barang yang satu dengan barang yang lainnya. Dari hubungan-hubungan keterkaitan tersebut dapat digunanakan untuk mengatur penempatan barang. Pengaturan penempatan barang dapat diketahui melalui nilai support dan nilai confidence. Penempatan barang berdasarkan pada nilai confidence suatu barang. Apabila barang- barang yang memiliki nilai confidence tinggi diletakkan bersebelahan, karena dengan tingginya nilai confidence antar kedua barang atau lebih, maka barang-barang tersebut memungkinan dibeli secara bersamaan.
5.2 Saran Berdasarkan penelitia diatas, maka perlu adanya saran bagi peneliti sebagai bahan pertimbangan, adapun diantaranya sebagai berikut: 1. Dengan adanya penelitian ini diharapkan dapat memberikan ide atau masukan dalam menentukan pola pembelian konsumen kearah yang lebih baik. 2. Diharapkan agar dapat bermanfaat dan menjadi bahan pertimbangan bagi para karyawan Alfamart cabang Singkut 2 dalam menentukan penempatan barang berdasarkan nilai confidence yang telah dihasilkan.
