IMPLEMENTASI DATA MINING PADA PENJUALAN PRODUK ELEKTRONIK DENGAN ALGORITMA APRIORI (STUDI KASUS : KREDITPLUS)

Pelita Informatika Budi Darma, Volume : IV, IV, Nomor: 3, 3, Agustus 2013 2013

ISSN : 23012301-9425

IMPLEMENTASI DATA MINING PADA PENJUALAN PRODUK ELEKTRONIK DENGAN ALGORITMA APRIORI (STUDI KASUS : KREDITPLUS) Dewi Kartika Pane (0911801) Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan Jl. Sisimangaraja No.338 Simpang Limun Medan www.stmik-budidarma.ac.id // Email, [email protected]

ABSTRAK Penjualan produk elektronik, khususnya laptop mengalami peningkatan setiap bulannya, produk yang ditawarkan bermacam merek, merek mempengaruhi masyarakat untuk membeli produk tersebut, untuk mengetahui merek dengan penjualan terbanyak diperlukan algoritma apriori untuk dapat mengetahuinya, dan dengan bantuan tools tanagra, produk dengan penjualan terbanyak dapat diketahui. Algoritma apriori termasuk jenis aturan asosiasi pada data mining. 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 tolak ukur , yaitu : support dan confidence. Support (nilai penunjang) adalah persentase kombinasi item tersebut dalam database, sedangkan confidence (nilai kepastian) adalah kuatnya hubungan antar-item dalam aturan asosiasi. Algoritma apriori dapat membantu untuk pengembangan strategi pemasaran. Kata Kunci : penjualan, produk elektronik, algoritma apriori

1. Pendahuluan 1.1 Latar Belakang Banyaknya persaingan dalam dunia bisnis khususnya dalam industri penjualan, menuntut para pengembang untuk menemukan suatu strategi yang dapat meningkatkan penjualan dan pemasaran produk yang dijual, salah satunya adalah dengan pemanfaatan data penjualan produk elektronik. Dengan adanya kegiatan penjualan setiap hari, data semakin lama akan semakin bertambah banyak. Data tersebut tidak hanya berfungsi sebagai arsip bagi perusahaan, data tersebut dapat dimanfaatkan dan diolah menjadi informasi yang berguna untuk peningkatan penjualan dan promosi produk. Produk Elektronik merupakan barang yang sangat dibutuhkan saat ini, karena barang elektronik sangat membantu manusia dalam melakukan berbagai aktifitas, seperti Televisi yang membantu manusia untuk mendapatkan informasi dan hiburan, dan masih banyak barang elektronik lainnya yang memiliki fungsi yang berbeda-beda untuk mempermudah manusia dalam melakukan berbagai aktifitas. Dari sumber data penjualan Kreditplus, menunjukkan permintaan produk elektronik semakin meningkat. Hal inilah yang dijadikan sebagai dasar pengolahan data mining pada penjualan produk elektronik. Kreditplus merupakan perusahaan pembiayaan beragam produk elektronik yang telah bekerja sama dengan lebih dari 10.000 toko yang tersebar di

Indonesia. Data penjualan pada kredit plus selama ini tidak tersusun dengan baik, sehingga data tersebut hanya berfungsi sebagai arsip bagi perusahaan dan tidak dapat dimanfaatkan untuk pengembangan strategi pemasaran. Algoritma apriori termasuk jenis aturan asosiasi pada data mining, Algoritma Apriori yang bertujuan untuk menemukan frequent item sets dijalankan pada sekumpulan data. Analaisis Apriori didefenisikan suatu proses untuk menemukan semua aturan apriori yang memenuhi syarat minimum untuk support dan syarat minimum untuk confidence 1.2 Rumusan Masalah Adapun rumusan masalah yang akan diambil adalah: 1. Bagaimana menerapkan algoritma apriori untuk mengetahui penjualan produk elektronik yang paling banyak terjual? 2. Apakah algoritma apriori dapat membantu megembangkan strategi pemasaran? 3. Bagaimana mengimplementasikan algoritma apriori pada penjualan produk elektronik dengan Tanagra? 1.3 Batasan Masalah Adapun batasan masalahnya adalah: 1. Implementasian ini dilakukan berdasarkan data penjualan Kredit Plus Medan 1 tahun terakhir, periode april 2012 sampai dengan maret 2013.

Implementasi Data Mining Pada Penjualan Produk Elektronik Dengan Algoritma Apriori (Studi Kasus : Kreditplus). Oleh : Dewi Kartika Pane

25


2. Data penjualan yang di gunakan adalah data penjualan perbulan 3. Produk Elektronik yang dibahas adalah Laptop 4. Penetuan produk yang paling banyak terjual berdasarkan merek 5. Tools yang digunakan adalah Tanagra versi 1,4. 1.4 Tujuan dan Manfaat Penelitian Tujuan dari dilakukannya penelitian ini adalah: Untuk mengetahui sejauh mana algoritma apriori dapat membantu pengembangan strategi pemasaran . Adapun manfaat dari penelitian ini adalah: Membantu perusahaan untuk mengetahui produk elektronik yang paling banyak terjual. 2. Landasan Teori 2.1 Implementasi Implementasi adalah bermuara pada aktivitas, aksi, tindakan, atau adanya mekanisme suatu sistem. Implementasi bukan sekedar aktivitas, tetapi suatu kegiatan yang terencana dan untuk mencapai tujuan kegiatan. Implementasi adalah perluasan aktivitas yang saling menyesuaikan proses interaksi antara tujuan dan tindakan untuk mencapainya serta memerlukan jaringan pelaksana, birokrasi yang efektif. 2.2 Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan didalam 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[1]. 2.3 Algoritma Apriori 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 tolak ukur , yaitu : support dan confidence. Support (nilai penunjang) adalah persentase kombinasi item tersebut dalam database, sedangkan confidence (nilai kepastian) adalah kuatnya hubungan antar-item dalam aturan asosiasi[2]. 1. Analisis Pola Frekuensi Tinggi dengan Algoritma Apriori

ISSN : 23012301-9425

basis data. Nilai support sebuah item diperoleh dengan menggunakan rumus berikut:

Sementara, nilai support dari 2 item diperoleh dengan menggunakan rumus :

Frequent itemset menunjukkan itemset yang memiliki frekuensi kemunculan lebih dari nilai minimum yang ditentukan ( ). Misalkan = 2, maka semua itemsets yang frekuensi kemunculannya lebih dari atau sama dengan 2 kali disebut frequent. Himpunan dari frequent k-itemset dilambangkan dengan Fk. 2. Pembentukan Aturan Asosiasi Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan asosiatif A B. B diperoleh Nilai confidence dari aturan A dengan rumus berikut:

Untuk menentukan aturan asosiasi yang akan dipilih maka harus diurutkan berdasarkan Support × Confidence. Aturan diambil sebanyak n aturan yang memiliki hasil terbesar. 3. Analisa 3.1 Analisa Masalah Pada Kreditplus Medan Data penjualan pada kreditplus selama ini tidak tersusun dengan baik, sehingga data penjualan yang semakin hari semakin banyak tersebut hanya berfungsi sebagai arsip bagi perusahaan dan tidak dapat dimanfaatkan perusahaan untuk pengembangan strategi pemasaran. Oleh sebab itu perusahaan Kreditplus memerlukan sistem untuk mengolah data yang dapat menghasilkan data penjualan produk elektronik yang paling sering dibeli, sehingga produk elektronik yang paling sering dibeli tersebut dapat menjadi acuan untuk mengembangkan strategi pemasaran produk tersebut kepada konsumen. 3.2 Daftar Merek Produk Elektronik Pada Perusahaan Kreditplus Medan Berikut ini adalah daftar merek produk Elektronik, dapat dilihat pada tabel dibawah ini:

Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam Implementasi Data Mining Pada Penjualan Produk Elektronik Dengan Algoritma Apriori (Studi Kasus : Kreditplus). Oleh : Dewi Kartika Pane

26

ISSN : 23012301-9425


Tabel 1 : Daftar Merek Produk Elektronik pada Kreditplus Medan No Merek Jenis . 1. Acer Laptop 2. Asus Laptop 3. HP Laptop 4. Samsung Laptop 5. Lenovo Laptop 6. Zyrex Laptop 7. Bioar Laptop 8. Apple Laptop 9. Toshiba Laptop 10. Hewpa Laptop 11. Dell Laptop 12. Axio Laptop 13. Compaq Laptop 4. Pembahasan Algoritma apriori bertujuan untuk menemukan semua aturan apriori yang memenuhi syarat minimum support (nilai Penunjang), yaitu kombinasi tiap item dalam database. Dan syarat minimum confidence (nilai kepastian), yaitu kuatnya hubungan antar item dalam aturan asosiasi.

Proses pembentukan C1 atau disebut dengan 1 itemset dengan jumlah minimum support = 30% Dengan rumus sebagai berikut: Support(A)

Tabel 3 : Support dari tiap item Itemset Acer Asus HP Samsung Toshiba b.

Kombinasi 2 Itemset Proses pembentukan C2 atau disebut dengan 2 itemset dengan jumlah minimum support = 30% Dapat diselesaikan dengan rumus berikut: Support(A,B) = P(A∩B) Support(A,B)

4.1 Pola Transaksi Penjualan Produk Elektronik Pada Kreditplus Medan Berdasarkan transaksi penjualan produk elektronik pada perusahaan Kreditplus Medan, transaksi tersebut dapat diakumulasikan. Akumulasi transaksi penjualan produk Elektronik pada Kreditplus Medan diperoleh dari penjualan bulanan yang diambil dari 3 teratas laporan bulanan, dapat dilihat dalam tabel dibawah ini :

Tabel 4 : Calon 2-itemset Itemset Acer, Asus Acer , HP Acer, Samsung Acer, Toshiba Asus, Toshiba Asus, Samsung Asus, HP HP,Samsung HP,Toshiba Toshiba,Samsung

Tabel 2 : Pola Transaksi Penjualan Produk Elektronik No. 1 2 3 4 5 6 7 8 9 10 11 12 a.

Itemset Acer, Toshiba, Samsung Toshiba, Acer, Asus Samsung, Toshiba, HP Samsung, Asus, Acer Acer, Samsung, Toshiba Acer, Toshiba, HP Acer, Asus, Toshiba Acer, Asus, HP HP, Samsung, Asus Acer, Samsung, HP Samsung, Acer, Toshiba HP, Asus, Samsung

Pembentukan Itemset Berikut ini adalah penyelesaian dengan contoh kasus berdasarkan data yang sudah disediakan pada tabel 4.2 :

Support 75% 50% 50% 66,67% 58,33%

Jumlah 4 3 4 6 2 2 2 3 2 3

Support 33,33% 25% 50% 16,67% 25% 20% 33,33% 16,67% 33,33%

Minimal support yang ditentukan adalah 30%, jadi kombinasi 2 itemset yang tidak memenuhi minimal support akan dihilangkan, terlihat seperti 27able dibawah ini: Tabel 5 : Minimal Support 2 itemset 30% Itemset Acer, Asus Acer, Samsung Acer, Toshiba HP, Samsung Toshiba, Samsung

Support 33,33% 50% 33,33% 33,33%

c.

Kombinasi 3 Itemset Proses pembentukan C3 atau disebut dengan 3 itemset dengan jumlah minimum support = 30% Dapat diselesaikan dengan rumus berikut:


27


Support(A,B) = P (A Support

maka akan membeli, Acer Jika membeli HP, maka akan membeli Ssmsung Jika membeli Samsung, maka akan membeli HP

)

Tabel 6 : Kombinasi 3 itemset Itemset Acer, Toshiba, HP Acer ,Toshiba,Asus Acer ,Samsung, Toshiba Asus,Acer,HP Asus,HP,Samsung Asus,HP,Toshiba HP,Samsung,Toshiba

Jumlah 1 2 2 1 2 0 1

Support 8,33% 16,67% 16,67% 8,33% 16,67% 0% 8,33%

Karena Kombinasi 3 itemset tidak ada yang memenuhi minimal support, maka 2 kombinasi yang memenuhi untuk pembentukan asosiasi . Pembentukan Aturan Asosiasi Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan asosiatif A→B. Minimal Confidence=60% Nilai Confidence dari aturan A→B diperoleh dengan rumus berikut: ∑ Transaksi mengandung A dan B Confidence = ∑ Transaksi mengandung A Dari kombinasi 2 itemset yang telah ditemukan, dapat dilihat besarnya nilai support, dan confidence dari calon aturan asosiasi seperti tampak pada tabel dibawah ini: Tabel 7 : Aturan Asosiasi Aturan Jika membeli Acer,maka akan membeliAsus Jika membeli Asus, maka akan membeli Acer Jika membeli Acer, maka akan membeli Samsung Jika membeli Samsung, maka akanmembeli Acer Jika membeli Acer, maka akan membeli Toshiba Jika membeli Toshiba,

Confidence 4/9

4/6

ISSN : 23012301-9425

4/6

66,67%

4/8

50%

Aturan Asosiasi Final Aturan asosiasi final terurut berdasarkan minimal support dan minimal confidence yang telah ditentukan, dapat dilihat pada tabel dibawah ini: Tabel 8 : Aturan Asosiasi Final Aturan Jika membeli Acer, maka akan membeli Toshiba Jika membeli Toshiba, maka akan membeli, Acer

Support 50%

Confidence 66,67%

50%

85,714%

Berdasarkan aturan asosiasi diatas,dapat diketahui merek produk elektronk yang paling banyak terjual pada perusahaan Kreditplus Medan,dan dapat dilihat pada grafik berikut ini:

44,44%

66,67%

Gambar 1 : Grafik Hasil Pembentukan Aturan Asosiasi Final PenjualanTerbanyak 5.1 Kesimpulan

5/9

45%

Kesimpulan dari penulisan skripsi ini adalah bahwa:

5/8

40%

6/9

66,67%

6/7

85,714%

Jadi, berdasarkan grafik diatas, merek produk elektronik yang paling banyak terjual adalah Acer dan Toshiba, dengan diketahuinya produk yang paling banyak terjual tersebut, sehingga perusahaan dapat menyusun strategi pemasaran untuk memasarkan produk dengan merek lain dengan meneliti apa kelebihan produk yang paling banyak


28


ISSN : 23012301-9425

terjual tersebut dengan produk lainnya dan dapat menambah persedian Acer dan Toshiba. 5.2 Saran 1. Penjualan produk elektronik paling banyak terjual pada perusahaaan Kreditplus Medan dapat diketahui dengan menggunakan algoritma apriori, dengan melihat produk yang memenuhi minimal support dan minimal confidence, produk yang paling banyak terjual tersebut adalah Acer dan Toshiba, namun dalam penghitungan support dan confidencenya sulit jika data yang diolah dalam jumlah yang besar. 2. Algoritma Apriori dapat membantu mengembangkan strategi pemasaran dengan memberikan saran kepada konsumen. 3. Pengimplementasian Algoritma Apriori pada tanagra dimulai dengan penginputan data penjualan perbulan yang menjadi database pada Ms.Excel, semakin banyak data maka pembuatan tabel tabular akan semakin sulit. Tabel tabular tersebut yang kemudian dikoneksikan ke dalam tools tanagra, dan mulailah pembentukan support dan confidence dan kemudian akan menghasilkan asosiasi final yang memenuhi support dan confidence. Daftar Pustaka [1]. Kusrini, EmhaTaufiqLuthfi, “ALGORITMA DATA MINING”, ANDI, Yogyakarta, 2010 FeriSulianta & Dominikus Juju, “Data Mining – MeramalkanBisnis Perusahaan”, 2010 [2]. Dana Sulistiyo Kusumo, Moch. Arief Bijaksana, Dhinta Darmantoro. Data Mining Dengan Algoritma Apriori Pada RDBMS Oracle,2003,Jurnal Penelitian dan Pengembangan TELEKOMUNIKASI, Juni 2003, Vol. 8 No. 1,3. http://elib.unikom.ac.id/files/disk1/487/jbp tunikompp-gdl-derrisepti-24335-2-babii_dx.pdf, 23 Mei 2013 23 [3]. http://id.wikipedia.org/wiki/Elektronika, Mei 2013 [4]. http://eric.univlyon2.fr/~ricco/tanagra/en/tanagra.html, 23 Mei 2013 [5]. http://id.wikipedia.org/wiki/Microsoft_Excel, 23 Mei 2013


29

IMPLEMENTASI DATA MINING PADA PENJUALAN PRODUK ELEKTRONIK DENGAN ALGORITMA APRIORI (STUDI KASUS : KREDITPLUS)

Recommend Documents