IMPLEMENTASI DATA MINING DENGAN ALGORITMA APRIORI PADA TOKO BANGUNAN UD. RUFI SENTOSA JAYA SAMBIREJO - PARE

Artikel Skripsi Universitas Nusantara PGRI Kediri

IMPLEMENTASI DATA MINING DENGAN ALGORITMA APRIORI PADA TOKO BANGUNAN UD. RUFI SENTOSA JAYA SAMBIREJO - PARE

SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.) Pada Jurusan Teknik Informatika Fakultas Teknik UN PGRI Kediri

OLEH :

SUDARWATI NPM : 12.1.03.02.0193

FAKULTAS TEKNIK (FT) UNIVERSITAS NUSANTARA PERSATUAN GURU REPUBLIK INDONESIA UN PGRI KEDIRI 2016

Sudarwati | 12.1.03.02.0193 Teknik – Teknik Informatika

simki.unpkediri.ac.id || 1||








IMPLEMENTASI DATA MINING DENGAN ALGORITMA APRIORI PADA TOKO BANGUNAN UD. RUFI SENTOSA JAYA SAMBIREJO – PARE Sudarwati 12.1.03.02.0193 Teknik – Teknik Informatika [email protected] Resty Wulanningrum, M.Kom. dan Patmi Kasih, M.Kom.

UNIVERSITAS NUSANTARA PGRI KEDIRI

ABSTRAK Penelitian ini dilatar belakangi permasalahan yang terjadi di Toko Bangunan UD. Rufi Sentosa Jaya Sambirejo - Pare yang pelayanannya kurang cepat karena penataan barang yang kurang sesuai atau barang yang mempunyai keterkaitan tidak ditempatkan secara berdekatan. Penumpukan nota penjualan yang kurang dimanfaatkan, dan belum ada penelitian yang bertujuan untuk mengetahui informasi penting guna meningkatkan penjuaalan dan pelayanan. Solusi yang dibuat dalam penelitian ini adalah memanfaatkan data transaksi penjualan (nota) yang terjadi setiap hari, kemudian diolah menggunakan teknik data mining algoritma apriori. Algoritma apriori akan membentuk frequent itemset sebanyak yang telah ditentukan sebelumnya berdasarkan dua parameter yaitu support dan confidence. Tahap pertama yaitu mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database, sehingga semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan asosiasi “jika A maka B“. Hasil yang diperoleh dari perhitungan apriori dengan sample 30 item, transaksi sebanyak 100 nota, nilai threshold support 20% dan niai threshold support x confidence 10% didapatkan hasil kombinasi 2 itemsets yaitu, jika beli Dolusit maka Semen Gresik dengan nilai support 50.98%, confidence 83.87% dan support x confidence 42.76%. Sedangkan hasil kombinasi 3 itemsets yaitu, jika beli Dolusit dan Semen Gresik maka Closet dengan nilai support 23.53%, confidence 85.71% dan support x confidence 20.17%. Hasil hubungan keterkaitan antar barang, dapat dijadikan solusi dari permasalahan yang ada yaitu bisa dimanfaatkan untuk penataan barang pada rak/etalase.

Kata Kunci: association rule, nota penjualan, algoritma apriori, data mining.

I.

lagi di toko itu. Pelayanan bisa cepat

LATAR BELAKANG Pelayanan

bagi

dilakukan jika penempatan barang

pelanggan adalah hal terpenting dalam

yang sering terjual secara bersamaan

sebuah

perdagangan.

itu tempatnya saling berdekatan. Tidak

Pelayanan yang cepat dan ramah akan

hanya itu, jika strategi penempatan

membuat

barang

bisnis

hati

yang

atau

baik

pelanggan

menjadi

nyaman dan tertarik untuk membeli Sudarwati | 12.1.03.02.0193 Teknik – Teknik Informatika

tersusun

dengan

benar,

kemungkinan pelanggan bisa tertarik simki.unpkediri.ac.id || 4||


untuk membeli barang lain yang

dengan menggunakan teknik data

berada di sebelah barang yang telah

mining algoritma apriori.

dibelinya. Hal itu bisa menguntungkan bagi

pemilik

toko,

karena

bisa

Algoritma

apriori

adalah

algoritma market basket analysis yang

melayani pelanggan dengan cepat dan

digunakan

barangnya bisa terjual.

association rule, dengan pola “if

Seperti

permasalahan

yang

then”.

untuk

Market

menghasilkan

basket

analysis

terjadi di Toko Bangunan UD. Rufi

merupakan salah satu teknik dari data

Sentosa Jaya Sambirejo - Pare yang

mining

pelayanannya kurang cepat, karena

perilaku kebiasaan konsumen dalam

pegawai

masih

membeli barang secara bersamaan

bingung dengan penempatan barang.

dalam satu waktu. Teknik tersebut bisa

Dan ada juga barang yang memiliki

diterapkan dalam data yang sangat

hubungan keterkaitan yang tempatnya

besar seperti data transaksi penjualan

tidak saling didekatkan, itu juga

(Marsela, 2004). Untuk membantu

membutuhkan banyak waktu untuk

UD. Rufi Sentosa Jaya Sambirejo –

mencarinya saat melayani pelanggan.

Pare dalam hal penataan barang maka

UD. Rufi Sentosa Jaya Sambirejo –

penulis berkeinginan untuk membuat

Pare tergolong toko yang ramai dan

suatu

mempunyai

pelanggan,

digunakan untuk melakukan hitung

pelayanan

association rule pada barang-barang

membantu

yang dijual di UD. Rufi Sentosa Jaya

pelayanan yang cepat maka penataan

Sambirejo – Pare. Hasil yang diharap

barang yang sering dibeli harus tepat.

bisa membantu UD. Rufi Sentosa Jaya

Itu semua bisa diwujudkan dengan

Sambirejo – Pare dalam melakukan

mengetahui barang-barang apa saja

penataan barang agar barang yang

yang saling berhubungan dan harus

memiliki

diletakkan saling berdekatan. Untuk

secara bersamaan, dapat mengontrol

mengetahui

persediaan barang dan memperoleh

toko

sehingga yang

banyak

membutuhkan

cepat.

penataan

terkadang

Untuk

informasi barang,

memanfaatkan

mengenai kita

data

bisa

berupa

nota-nota

sistem

bantu

keterkaitan

yang

bisa

dapat

terjual

keuntungan yang lebih banyak lagi.

transaksi

penjualan yang terjadi setiap harinya yang

yang mempelajari tentang

penjualan

II. METODE Pendekatan dengan algoritma apriori berusaha untuk secara efisien




menemukan jumlah itemset frekuen.

Aturan yang menyatakan asosiasi

Algoritma ini menjadi pelopor dalam

antara beberapa atribut sering disebut

algoritma

affinity analysis atau market basket

analisis

asosiasi

untuk

menemukan kandidat itemset frekuen

analysis.

dan pembangkitan aturan asosiasi

association rule mining adalah teknik

yang dapat dibentuk. Hal utama dalam

data mining untuk menemukan aturan

teorema

suatu kombinasi

algorima

apriori

Analisis

asosiasi

item.

atau

Salah satu

menggunakan prinsip: “Jika sebuah

tahap analisis asosiasi yang menarik

itemset itu frekuen, semua subset

perhatian

(bagian) dari itemset tersebut pasti

menghasilkan algoritma yang efisien

juga frekuen” (Prasetyo, 2012).

adalah analisis pola frequensi tinggi

Apriori melakukan pendekatan iterative

yang

dikenal

banyak

peneliti

untuk

(frequent pattern mining). Penting

dengan

tidaknya suatu asosiasi dapat diketahui

pencarian level-wise, dimana k-itemset

dengan dua tolok ukur, yaitu : support

digunakan

dan

untuk

mengeksplorasi

confidence.

Support

(k+1)-itemset. Pertama, kumpulan 1-

penunjang)

itemset ditemukan dengan memeriksa

kombinasi

basis

mengakumulasi

database, sedangkan confidence (nilai

penghitungan tiap barang, dan catat

kepastian) adalah kuatnya hubungan

barang

antara-item

data

untuk

tersebut.

dilambangkan Selanjutnya,

Hasilnya

dengan L1

L1.

digunakan

untuk

adalah

(nilai

item

dalam

persentase

tersebut

dalam

aturan asosiasi

(Kusrini, 2009). Metodologi

dasar

analisis

mencari L2, kumpulan 2-itemset yang

asosiasi terbagi menjadi dua tahap :

digunakan untuk mencari L3, dan

1. Analisa pola frekuensi tinggi

seterusnya sampai tidak ada k-itemset yang

dapat

ditemukan

(Agrawal,

1994).

Tahap ini mencari kombinasi item

yang

memenuhi

syarat

minimum dari nilai support dalam

Algoritma apriori adalah suatu

database. Nilai support sebuah item

algoritma dasar yang diusulkan oleh

diperoleh dengan memakai rumus

Agrawal & Srikant pada tahun 1994

berikut:

untuk menentukan Frequent itemsets

Support (A) =

untuk

Jumlah Transaksi Mengandung A

aturan

Algoritma

asosiasi

Apriori

Boolean.

termasuk jenis

X 100%

Total Transaksi

Aturan Asosiasi pada data mining. Sudarwati | 12.1.03.02.0193 Teknik – Teknik Informatika



Sedangkan nilai support dari 2 item diperoleh dari rumus berikut: Support (A,B) = (A n B) = Jumlah Transaksi Mengandung A dan B

…(2)

X 100%

Total Transaksi

Gambar 1: form input min support 2. Pembentukan Aturan Asosiasi Setelah semua pola frekuensi

2. Tampilan Hasil Apriori

tinggi ditemukan, barulah dicari

Berikut ini adalah halaman

aturan assosiatif yang memenuhi

hasil perhitungan dengan algoritma

syarat minimum untuk confidence

Apriori

dengan

hubungan keterkaitan antar barang

menghitung

confidence

yang

menunjukkan

aturan asosiasi “jika A maka B“.

berdasarkan

nilai

yang

Nilai confidence dari aturan “jika A

dimasukkan

pada

Gambar

maka B“

Gambar 2 di bawah ini merupakan

diperoleh dari rumus

berikut :

hasil

Confidence = P(B|A) =

itemsets:

perhitungan

sudah

kombinasi

1.

2

Jumlah Transaksi Mengandung A dan B Jumlah Transaksi Mengandung A

X 100%

III. HASIL DAN KESIMPULAN Dari hasil perancangan sistem menggunakan data mining dengan algoritma apriori hasilnya seperti berikut ini: 1. Tampilan Input Minimum Support Gambar 2: Hasil Apriori 2 itemsets

dan Support x Confidence Berikut ini adalah halaman dari

Hasil kombinasi 3 itemsets

minimum support dan support x

bisa dilihat pada gambar 3 di

confidence, untuk mengetahui hasil

bawah ini:

untuk

dari

memasukkan

nilai

perhitungan

apriori

berdasarkan

nilai

yang

telah

dimasukkan

pada

isian

form.

Gambarnya seperti dibawah ini: Sudarwati | 12.1.03.02.0193 Teknik – Teknik Informatika



penghitungan, sehingga untuk database

yang sangat

besar

membutuhkan waktu yang lama. d. Hasil

yang

diperoleh

perhitungan

apriori

sample

item,

30

sebanyak

100

dari

dengan transaksi

nota,

nilai

threshold support 20% dan niai Gambar 3: Hasil Apriori 3 itemsets

threshold support x confidence 10% didapatkan hasil kombinasi

3. Kesimpulan

2 itemsets yaitu, jika beli Dolusit

Berdasarkan yang

telah

pembahasan

dilakukan

maka Semen Gresik dengan nilai

dengan

support

Algoritma Apriori maka penulis

83.87%

menarik

confidence 42.76%. Sedangkan

beberapa

kesimpulan,

seperti berikut: a. Hasil

50.98%, dan

confidence support

x

hasil kombinasi 3 itemsets yaitu,

perhitungan

dengan

jika beli Dolusit dan Semen

algoritma apriori yang berupa

Gresik maka Closet dengan nilai

kombinasi

itemsets/keterkaitan

support

barang dapat digunakan untuk

85.71%

melakukan

confidence 20.17%.

penataan

barang

23.53%, dan

confidence support

x

dalam rak/etalase. b. Data

mining

dapat

diimplementasikan

dengan

menggunakan

database

IV. DAFTAR PUSTAKA Dewantara, Heru. 2013. Perancangan Aplikasi

Data

mining

Dengan

penjualan bahan bangunan dari

Algoritma apriori Untuk Frekuensi

kumpulan nota-nota penjualan

Analisis Keranjang Belanja Pada

karena

menemukan

Data Transaksi Penjualan (Studi

kecenderungan pola kombinasi

Kasus Di Swalayan Kpri Universitas

itemsets.

Brawijaya).

dapat

c. Data mining dengan algoritma apriori

memiliki

Fakultas

Teknik

Universitas Brawijaya.

kelemahan

karena harus melakukan scan database

setiap


kali simki.unpkediri.ac.id || 85||


Kadir, A. 2008. Dasar Pemrograman Web Dinamis

Menggunakan

PHP.

Yogyakarta: Andi.

Siregar, Sri Rahayu. 2014. Implementasi Data mining Pada Penjualan Tiket Pesawat Menggunakan Algoritma apriori (Studi Kasus: Jumbo Travel

Novrina. 2011. Association Rule. (Online),

Medan). Pelita Informatika Budi

tersedia:

Darma, Volume : VII, Nomor: 1,

http://novrina.staff.gunadarma.ac.id/

Juli 2014.

Downloads/files/21100/Association+ Rule.pdf, diunduh 30 Desember 2015

Suarga.

2012.

Algoritma

dan

Pemrograman. Yogyakarta: Andi.

Oktavianti, Intan. 2014. Pengertian Entity Relationship

Diagram.

(Online),

Sutabri,

T.

2004.

Pemograman

Terstruktur. Yogyakarta: Andi.

tersedia: http://intanstemapal24.blogspot.co.id

Tampubolon, Kennedi. 2013. Implementasi

/2014/08/pengertian-erd-entity-

Data mining Algoritma apriori Pada

relationship.html, diakses 6 Maret

Sistem

2016

Kesehatan. Informasi dan Teknologi

Persediaan

Alat-Alat

Ilmiah (INTI), Volume : I, Nomor : Prasetyo, E. 2012. Data Mining – Konsep dan

Aplikasi

1, Oktober 2013.

Menggunakan

MATLAB. Yogyakarta: Andi.

Santosa, B. 2007. Data Mining : Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu

Sari, Eka Novita. 2013. Analisa Algoritma apriori Untuk Menentukan Merek Pakaian Yang Paling Diminati Pada Mode Fashion Group Medan. Pelita Informatika Budi Darma, Volume : IV, Nomor : 3, Agustus 2013.



IMPLEMENTASI DATA MINING DENGAN ALGORITMA APRIORI PADA TOKO BANGUNAN UD. RUFI SENTOSA JAYA SAMBIREJO - PARE

Recommend Documents