PENERAPAN DATA MINING UNTUK ANALISIS POLA PEMBELIAN PRODUK MENGGUNAKAN ALGORITMA APRIORI PADA DATA TRANSAKSI PENJUALAN (Studi Kasus : Koperasi Guru Banjar (KGB))
Karina Nursyafani Adhi, Acep Irham Gufroni, dan Husni Mubarok Teknik Informatika Universitas Siliwangi Tasikmalaya Email :
[email protected] ABSTRACT Koperasi Guru Banjar (KGB) has two business units, saving and loan unit and retail unit. The income of the retail unit was not optimal because there is no proper business strategy yet. Therefore, any strategies to increase profits are necessary, such as the ability to understand consumers. By understanding the consumer we can determine the possibility of a customer to buy a product simultaneously with other products. With such information, the owners can maximize their profits. Data mining is used to find patterns that often appear in the data, for example, to search a group of frequently purchased items at the same time on transaction data. One of the data mining model that can be used to search the group of frequently purchased items at the same time in the transaction data is the association model, with the priori algorithm. Priori algorithm is used to find frequent itemset that meet the minsup then get a rule that meet the minconf of the frequent itemset earlier, the results of the rule can be used as a pattern. With these functions, Koperasi Guru Banjar can find out the products purchasing patterns from each consumers, and the result from the pattern can be used as a strategy to improve the service of Koperasi Guru Banjar. Keywords: Koperasi Guru Banjar, Data Mining, Pattern, Association, Apriori.
ABSTRAK Koperasi Guru Banjar (KGB) mempunyai dua unit kerja yaitu simpan pinjam dan unit niaga, pada unit niaga penghasilan yang didapatkan tidak maksimal dikarenakan belum ada strategi bisnis yang tepat. Dengan demikian, diperlukan strategi untuk meningkatkan keuntungan yang diperoleh. Salah satu usaha tersebut adalah kemampuan untuk memahami konsumen. Dengan memahami konsumen pemilik dapat mengetahui besarnya kemungkinan seorang pelanggan untuk membeli suatu barang bersamaan dengan barang yang lain. Dengan pengetahuan tersebut pemilik koperasi dapat memaksimalkan keuntungan yang diperoleh. Data mining berfungsi untuk mencari pola-pola yang sering muncul dalam data, misalnya digunakan untuk pencarian kelompok barang yang sering dibeli bersamaan pada data transaksi . Salah satu model data mining yang dapat digunakan dalam pencarian kelompok barang yang sering dibeli bersamaan pada data transaksi adalah model asosiasi dengan algoritma yang digunakan algoritma apriori. Algoritma apriori digunakan untuk mencari frequent itemset yang memenuhi minsup kemudian mendapatkan rule yang memenuhi minconf dari frequent itemset tadi yang hasil dari rule tersebut dapat dijadikan sebagai pola. Dengan fungsi tersebut Koperasi Guru Banjar dapat mengetahui pola pembelian produk dari setiap konsumen, dan dari pola yang dihasilkan tersebut dapat dijadikan sebagai strategi bisnis untuk meningkatkan pelayanan dari Koperasi Guru Banjar. Kata kunci : Koperasi Guru Banjar, Data Mining, Pola, Asosiasi, Apriori.
I.
Pendahuluan Koperasi adalah kegiatan ekonomi rakyat yang berskala kecil, dengan bidang usaha yang secara mayoritas merupakan kegiatan usaha kecil dan perlu dilindungi untuk mencegah persaingan usaha yang tidak sehat. Usaha untuk mencapai tingkat margin yang lebih tinggi, merupakan motivasi bagi pemilik untuk meningkatkan mutu pelayanan dan diversifikasi produk yang ditawarkan (Widiastuti, Dwi dan Nelly Soi, 2014). Salah satu usahanya adalah membuat strategi bisnis agar dapat meningkatkan mutu pelayanan dikoperasi. Koperasi Guru Banjar (KGB) mempunyai dua unit kerja yaitu simpan pinjam dan niaga, pada unit niaga penghasilan yang didapatkan tidak maksimal dikarenakan belum ada strategi bisnis yang tepat. Dengan demikian, diperlukan strategi untuk meningkatkan keuntungan yang diperoleh. Salah satunya adalah kemampuan untuk memahami konsumen. Dengan memahami konsumen pemilik dapat mengetahui besarnya kemungkinan seorang pelanggan untuk membeli suatu barang bersamaan dengan barang yang lain. Dengan pengetahuan tersebut pemilik koperasi dapat memaksimalkan keuntungan yang diperoleh. Data mining merupakan suatu proses penggalian data dengan memanfaatkan kumpulan data dengan ukuran yang cukup besar melalui serangkaian proses untuk mendapatkan
informasi yang berharga dari data tersebut. Data mining merupakan proses yang interaktif atau terotomatisasi untuk menemukan pola (pattern) data tersebut dan memprediksi kelakuan (trend) dimasa mendatang berdasarkan pola data tersebut (Feri Sulianta & Dominikus Juju dalam Borusasada, Maina, 2015). Data mining juga berfungsi untuk mencari pola-pola yang sering muncul dalam data, misalnya digunakan untuk pencarian kelompok barang yang sering dibeli bersamaan pada data transaksi (Prasetyo, Philips Kokoh, 2006). Salah satu model data mining yang dapat digunakan dalam pencarian kelompok barang yang sering dibeli bersamaan pada data transaksi adalah model asosiasi dengan algoritma yang digunakan algoritma apriori. Dengan fungsi tersebut Koperasi Guru Banjar dapat mengetahui pola pembelian produk dari setiap konsumen, dan dari pola yang dihasilkan tersebut dapat dijadikan sebagai strategi bisnis untuk meningkatkan pelayanan dari Koperasi Guru Banjar. Sehubungan dengan alasan tersebut maka dilakukan penelitian yaitu penerapan data mining untuk analisis pola pembelian produk menggunakan algoritma apriori pada data transaksi penjualan untuk mengetahui produk mana yang tingkat daya beli konsumen paling tinggi dan besarnya kemungkinan seorang pelanggan untuk membeli suatu barang
1
bersamaan dengan barang yang lain sebagai salah satu solusi dalam menentukan strategi pemasaran produk untuk meningkatkan keuntungan dari Koperasi Guru Banjar. Batasan masalah pada penelitian ini diantaranya data yang diolah adalah data transaksi penjualan Koperasi Guru Banjar dari bulan Januari sampai bulan Desember 2014, algoritma data mining yang digunakan dalam penelitian ini algoritma apriori, analisis ini digunakan untuk memberikan informasi tentang pola pembelian produk yang sering dibeli bersamaan oleh konsumen. Tujuan dari penelitian ini adalah untuk menerapkan data mining dalam analisis pola pembelian produk menggunakan algoritma apriori di Koperasi Guru Banjar, membantu untuk mengetahui pola produk yang sering dibeli bersamaan oleh konsumen, memberikan solusi dalam bentuk pola-pola untuk menentukan strategi pemasaran produk, sehingga dapat meningkatkan pelayanan dan keuntungan dari Koperasi Guru Banjar. Manfaat dari penelitian ini adalah untuk membantu dalam pengambilan keputusan untuk menentukan strategi pemasaran yang efektif, membantu mempersiapkan dalam meningkatkan persediaan barang untuk penjualan selanjutnya. II. Landasan Teori A. Data Mining Menurut Larose dan Gartner Group (dalam Nurdin, Dewi Astika, 2015) data mining adalah suatu proses menemukan hubungan yang berarti, pola, dan kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimspan dalam penyimpanan dengan menggunakan teknik pengenalan pola seperti teknik statistik dan matematika. B. CRISP-DM (CRoss-Industry Standard Process for Data Mining) CRISP-DM merupakan suatu konsorsium perusahaan yang didirikan oleh Komisi Eropa pada tahun 1996 dan telah ditetapkan sebagai proses standar dalam data mining yang dapat diaplikasikan di berbagai sektor industri.
Gambar 2.1 Siklus CRISP-DM (Chapman, 2000) Menurut Chapman (dalam Minartiningtyas, Arie, 2012) berikut ini adalah enam tahap siklus hidup pengembangan data mining : 1. Business Understanding Tahap pertama adalah memahami tujuan dan kebutuhan dari sudut pandang bisnis. 2. Data Understanding Tahap ini dimulai dengan pengumpulan data yang kemudian akan dilanjutkan dengan proses untuk mendapatkan pemahaman yang mendalam tentang data.
3.
4.
5.
6.
Data Preparation Pada tahap akan dilakukan data cleaning, construct data, dan data transformation untuk kemudian dijadikan masukan dalam tahap pemodelan. Modeling Dalam tahap ini akan dilakukan pemilihan dan penerapan berbagai teknik pemodelan dan beberapa parameternya akan disesuaikan untuk mendapatkan nilai yang optimal. Evaluation Pada tahap ini akan dilakukan evaluasi terhadap keefektifan dan kualitas model sebelum digunakan dan menentukan apakah model dapat mencapat tujuan yang ditetapkan pada fase awal (Business Understanding). Deployment Pada tahap ini, pengetahuan atau informasi yang telah diperoleh akan diatur dan dipresentasikan dalam bentuk khusus sehingga dapat digunakan oleh pengguna.
C. Apriori Menurut Mason, dkk (dalam Nurdin, Dewi Astika, 2015) algoritma apriori digunakan untuk mencari frequent itemset yang memenuhi minsup kemudian mendapatkan rule yang memenuhi minconf dari frequent itemset tadi. Menurut Kusrini dan Luthfi (dalam Nurdin, Dewi Astika, 2015), metodologi dasar analisis asosiasi 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 rumus berikut:
Sementara itu, nilai support dari 2 item diperoleh dari rumus 2 berikut.
2.
Pembentukan aturan assosiatif Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif A →B Nilai confidence dari aturan A →B diperoleh dari rumus berikut:
D. Aturan Asosiasi (Association Rule) Menurut Han (dalam Widiastuti, Dwi dan Nelly Soi, 2014), aturan asosiasi (association rule) adalah metode data mining untuk mencari suatu hubungan yang menunjukkan kondisi di dalam satu set data, yang beberapa nilai atribut akan muncul secara bersamaan. III. Metodologi Penelitian ini dibagi menjadi dua tahapan utama yaitu : 1. Persiapan proses data mining, terdiri dari business understanding, data understanding, dan data preparation. 2. Proses data mining, terdiri dari modeling dan evaluation.
2
b.
Construct Data Construct data bertujuan untuk menghasilkan atribut baru sesuai kebutuhan data mining. Dalam penelitian ini tidak perlu penambahan atribut dikarenakan sudah lengkap sesuai yang dibutuhkan. c. Data Transformation Data Transformation bertujuan untuk mengubah format data sesuai kebutuhan. Sebelum data dicari support dan confidence-nya agar memudahkan dalam pencarian dan pengolahan data, data terlebih dahulu diubah kedalam bentuk tabel tabulasi. B. Proses Data Mining 1. Modeling a. Algoritma Apriori
Gambar 3.1. Diagram Penelitian A. Persiapan Data Mining 1. Business Understanding Tahap pertama adalah memahami tujuan dan kebutuhan dari sudut pandang bisnis. Pihak dari KGB belum mengetahui betul pola penyimpanan produk yang sesuai dan belum dapat mengatur persediaan produk dengan baik, maka dari itu Koperasi Guru Banjar membutuhkan strategi untuk pola penyimpanan produk dari yang sering dibeli secara bersaman dan mengendalikan persediaan produk agar ketersediaan barangnya terjaga dengan baik. Kemudian dilakukan studi pustaka dengan mencari jurnal dan melihat dari skripsi terdahulu sebagai referensi untuk mendapatkan teori-teori dari permasalahan yang telah didapatkan, sebagai panduan dalam mencari solusi dari permasalahan yang ada. 2. Data Understanding Tahap ini dimulai dengan pengumpulan data yang kemudian akan dilanjutkan dengan proses untuk mendapatkan pemahaman yang mendalam tentang data. Dalam penelitian ini data yang diberikan adalah data dari bulan Januari sampai dengan Desember 2014 terdapat 1943 data transaksi dan 642 data barang. Data tersebut memiliki 17 atribut yaitu nomor urut, tanggal, nomor transaksi, nomor faktur, kode barang, nama barang, kode pembeli, nama pembeli, jumlah barang, harga satuan, jumlah harga, diskon, ppn, total, tunai, kredit, dan harga pokok. 3. Data Preparation a. Data Cleaning Pada data cleaning sebelum data digunakan data perlu di bersihkan terlebih dahulu, fungsinya untuk membuang atribut yang tidak dibutuhkan (Rokhim, Abdul, Kusrini dan Emha Taufiq Luthfi, 2015). Terdapat 1943 data transaksi dan 642 data barang, memiliki 17 atribut. Berikut ini adalah kolom dan baris data yang di cleaning beserta alasan mengapa mengalami proses cleaning. Kolom “nomor urut, tanggal, nomor faktur, kode barang, kode pembeli, nama pembeli, jumlah barang, harga satuan, jumlah harga, diskon, ppn, total tunai, kredit, harga pokok”. Kolom-kolom ini dihilangkan karena kolom ini tidak diperlukan terhadap atribut pencarian pola produk yang sering dibeli bersamaan, serta memiiki baris data yang tidak lengkap. Telah ditemukan 15 kolom yang tidak diperlukan, kolom yang digunakan yaitu kolom nama barang dan nomor transaksi untuk data yang digunakan karena tidak ada data yang dihilangkan maka jumlah data masih seperti data awal yaitu 1943 transaksi dan 642 barang.
Gambar 3.2. Flowchart Algoritma Apriori b.
Aturan Asosiasi (Association Rules)
Gambar 3.3. Flowchart Aturan Asosiasi 2.
Evaluation Tahap ini dilakukan untuk mengevaluasi model dan meninjau kembali langkah-langkah yang telah diambil untuk memastikan apakah langkah-langkah tersebut sudah sesuai dengan kriteria yang sudah ditentukan. C. Penyebaran (Depployment) Pada tahap ini pengetahuan atau informasi yang telah diperoleh akan diatur dan dipresentasikan dalam bentuk
3
khusus sehingga dapat digunakan oleh pengguna. Tahap deployment dapat berupa pembuatan laporan sederhana atau mengimplementasikan proses data mining yang berulang dalam perusahaan. IV. Hasil Dan Pembahasan A. Proses Data Mining 1.
Modeling
Pada tahap modeling dilakukan proses algoritma apriorinya, tahap ini adalah pencarian frekuensi itemset dan pencarian rules dari satu tahun 2014 beserta pencarian frekuensi itemset dan pencarian rules perbulannya. Dalam jurnal ini diambil contoh pencarian frekuensi itemset dan pencarian rules pada satu tahun 2014. a.
Pembentukan Kandidat 1 Itemset.
Pada tahap ini dibentuk kandidat 1 itemset yang akan di proses dengan mencari nilai support per item untuk mengetahui nilai yang memenuhi standar minimum support. Minimum support yang digunakan untuk seluruh proses perhitungan adalah ≥ 10%, karena jika minimum support terlalu kecil pembuatan kombinasinya akan sangat banyak sehingga pencarian pola frekuensi akan lama dan memakan waktu, sedangkan jika minimum support terlalu besar maka pencarian pola frekuensi akan berkurang, jumlah itemsetnya tidak akan mencapai 3 itemset. Rumus untuk mencari support 1 itemset adalah :
Pada pembentukan kandidat 1 itemset 1 tahun ini terdapat 1943 transaksi dan 642 barang, untuk mencari nilai support pertama-tama dihitung total jumlah per produk pada transaksi tahun 2014, kemudian dihitung nilai supportnya dengan menggunakan rumus pencarian support. Berikut adalah hasil pembentukan kandidat 1 itemset : Tabel 4.1 Pembentukan Kandidat 1 Itemset
Tabel 4.2 Pembentukan Frekuensi 1 Itemset Nama Barang
Jumlah Barang dari Keseluruhan Transaksi 1 tahun
ABC KOPI SUSU 31 GR BIMOLI 1000 ML REFILL BIMOLI 2000 ML REFILL GULA PASIR 1/2 KG INDOMIE GORENG INDOMIE RASA AYAM BAW LUWAK WHITE KOFFIE OR MINYAK GORENG SEGITIGA BIRU 1/2 KG SUNLIGHT 400 ML REFIL
233 213 248 644 239 199 262 285 417 534
Nama Barang
ABC KOPI SUSU 31 GR BIMOLI 1000 ML REFILL BIMOLI 2000 ML REFILL GULA PASIR 1/2 KG INDOMIE GORENG INDOMIE RASA AYAM BAW LUWAK WHITE KOFFIE OR MINYAK GORENG SEGITIGA BIRU 1/2 KG SUNLIGHT 400 ML REFIL
Nilai Support
233 213 248 644 239
(233/1943)*100% = 11,99% (213/1943)*100% = 10,96% (248/1943)*100% = 12,76% (644/1943)*100% = 33,14% (239/1943)*100% = 12,30%
199
(109/1943)*100% = 10,24%
262
(262/1943)*100% = 13,48%
285 417 534
(285/1943)*100% = 14,67% (417/1943)*100% = 21,46% (534/1943)*100% = 27,48%
Tabel 4.1 adalah sebagian dari proses perhitungan pencarian support 1 itemset yang terdapat pada transaksi tahun 2014, proses perhitungan ini dilakukan pada seluruh produk yang terdapat pada transaksi 1 tahun 2014. Dari hasil tabel 4.1 dengan minimum support ≥ 10% maka terdapat 10 item yang melebihi nilai minimum support yaitu baris yang diberi warna kuning. Untuk lebih jelas melihat hasil dari item yang memenuhi standar minimum support 1 itemset dapat dilihat pada tahap pembetukan frekuensi 1 itemset. b. Pembentukan Frekuensi 1 Itemset Setelah melakukan pembentukan kandidat 1 itemset, kemudian dari hasil tabel 4.1 dibentuk frekuensi 1 itemsetnya untuk mengetahui item-item mana saja yang memenuhi standar minimum support pada tahap sebelumnya.
11,99% 10,96% 12,76% 33,14% 12,30% 10,24% 13,48% 14,67% 21,46% 27,48%
Tabel 4.2 adalah hasil dari pembuatan kandidat 1 itemset pada tabel 4.1 yang memenuhi standar minimum support, kemudian dari tabel 4.2 tersebut akan dibuat sebagai acuan untuk pembentukan kandidat 2 itemset. c. Pembentukan Kandidat 2 Itemset Pada tahap ini akan dibentuk kandidat 2 itemsetnya, dengan cara melihat dari hasil pembentukan frekuensi 1 itemset yang kemudian item yang terdapat pada tabel frekuensi 1 itemset tersebut dibuat kombinasi 2 itemsetnya dengan cara menggabungkan 2 item menjadi satu. Rumus pencarian support 2 itemset adalah :
Untuk pembentukan kandidat 2 itemset pada transaksi 1 tahun pertama-tama melihat terlebih dahulu hasil dari tabel 4.2, kemudian dari tabel tersebut dibuat gabungan dua itemnya. Setelah dibuat gabungan antara dua item, kemudian hitung jumlah keseluruhan transaksi yang mengandung 2 itemset tersebut pada transaksi 1 tahun 2014, selanjutnya dihitung nilai supportnya menggunakan rumus untuk pencarian support 2 itemset. Tabel 4.3 Pembentukan Kandidat 2 Itemset Nama Barang
Jumlah Barang dari Keseluruhan Transaksi 1 tahun
Nilai Support
GULA PASIR 1/2 KG, MINYAK GORENG GULA PASIR 1/2 KG, SEGITIGA BIRU 1/2 KG GULA PASIR 1/2 KG, SUNLIGHT 400 ML REFIL SEGITIGA BIRU 1/2 KG, SUNLIGHT 400 ML REFIL
Jumlah Barang
Nilai Support
216
(216/1943)*100% = 11,12%
302
(302/1943)*100% = 15,54%
306
(306/1943)*100% = 15,75%
201
(201/1943)*100% = 10,34%
Tabel 4.3 adalah sebagian proses perhitungan dari pencarian support 2 itemset, diperoleh 45 kombinasi 2 itemset, lakukan perhitungan yang sama sampai kombinasi 2 itemset yang ke 45. Dari tabel 4.3 dengan minimum support ≥ 10% diperoleh 4 kombinasi 2 item yang memenuhi standar minimum support yaitu baris yang diberi warna kuning. Untuk lebih jelas melihat hasil dari pencarian support 2 itemset dapat dilihat pada pembentukan frekuensi 2 itemset. d. Pembentukan Frekuensi 2 Itemset Setelah melakukan pembentukan kandidat 2 itemset, kemudian dari hasil tabel 4.3 dibentuk frekuensi 2 itemsetnya untuk mengetahui gabungan 2 item mana saja yang memenuhi standar minimum support 2 itemset pada tahap sebelumnya. Tabel 4.4 Pembentukan Frekuensi 2 Itemset Nama Barang GULA PASIR 1/2 KG, MINYAK GORENG GULA PASIR 1/2 KG, SEGITIGA BIRU 1/2 KG GULA PASIR 1/2 KG, SUNLIGHT 400 ML REFIL
Jumlah Barang
Nilai Support
216 302 306
11,12% 15,54% 15,75%
4
SEGITIGA BIRU 1/2 KG, SUNLIGHT 400 ML REFIL
201
10,34%
Tabel 4.4 adalah hasil dari pencarian minimum support 2 itemset yang memenuhi standar minimum support , kemudian dari tabel 4.4 tersebut akan dibuat sebagai acuan untuk pembentukan kandidat 3 itemset. e. Pemebentukan Kandidat 3 Itemset Setelah ditemukan hasil yang memenuhi standar minimum support pada frekuensi 2 itemset, kemudian dari hasil tersebut dibentuk kandidat 3 itemsetnya dengan cara menggabungkan 3 item dari hasil frekuensi 2 itemset. Selanjutnya dihitung support dari setiap item. Rumus pencarian support 3 itemset adalah :
Pada proses pembentukan kandidat 3 itemset, dibentuk dahulu kombinasi 3 itemsetnya dengan cara menggabungkan hasil pada tabel 4.4 menjadi gabungan 3 item. Setelah itu hitung jumlah keseluruhan transaksi yang mengandung kombinasi 3 itemset tersebut pada transaksi tahun 2014, lalu hitung nilai supportnya menggunakan rumus pencarian support 3 itemset. Tabel 4.5 Pembentukan Kandidat 3 Itemset Nama Barang GULA PASIR 1/2 KG, MINYAK GORENG, SEGITIGA BIRU 1/2 KG GULA PASIR 1/2 KG, MINYAK GORENG, SUNLIGHT 400 ML REFIL GULA PASIR 1/2 KG, SEGITIGA BIRU 1/2 KG, SUNLIGHT 400 ML REFIL SEGITIGA BIRU 1/2 KG, SUNLIGHT 400 ML REFIL, MINYAK GORENG
Jumlah Barang
Nilai Support
142
(142/1943)*100% = 7,31%
102
(102/1943)*100% = 5,25%
163
(163/1943)*100% = 8,39%
85
(85/1943)*100% = 4,37%
Tabel 4.5 adalah hasil dari pembentukan 3 itemset, dari pembentukan 3 itemset tersebut diperoleh 4 kombinasi 3 itemset. Dari tabel 4.5 tidak ada kombinasi 3 itemset yang melebihi standar minimum support, maka pencarian itemset berhenti sampai disini dan frekuensi itemset yang digunakan untuk pencarian aturan asosiasi adalah frekuensi 2 itemset. f. Pembentukan Aturan Asosiasi (Association Rules) Pada tahap ini akan di bentuk rules yaitu menentukan aturan asosiasi antara kombinasi item. Cara untuk menentukan rules mula-mula mencari confidence terlebih dahulu setelah itu hasil dari confidence dikalikan dengan hasil supportnya dan diambil nilai yang paling besar , hasil akhir itulah yang dijadikan sebagai aturan asosiasi. Rumus confidence yaitu :
Standar minimum confidence yang digunakan untuk seluruh pencarian confidence yaitu ≥ 40%, karena bila nilai minimum confidence dinaikan maka ada pencarian confidence yang tidak memenuhi standar minimum sama sekali, dan bila diperkecil nilainya maka rules yang diperoleh akan sangat banyak. Ada dua tahap untuk pencaria rules yaitu: 1) Seleksi Minimum Confidence Pola frekuensi tinggi telah diperoleh yaitu frekuensi 2 itemset yang terdapat pada tabel 4.4, dari pola frekuensi tinggi tersebut lalu dibuat aturan asosiasinya yaitu dibentuk ke dalam “if…then…” atau “jika…maka…”. Setelah dibuat ke dalam bentuk “jika..maka..” lakukan berulang pada pola
yang sama tetapi ubah item awal dari pola tersebut dengan item yang lain yang ada pada pola tersebut agar diketahui nilai confidence tiap itemnya, setelah itu hitung nilai confidencenya menggunakan rumus pencarian confidence. Tabel 4.6 Seleksi Minimum Confidence Aturan
Support
Jika membeli GULA PASIR 1/2 KG maka membeli MINYAK GORENG Jika membeli MINYAK GORENG maka membeli GULA PASIR 1/2 KG Jika membeli GULA PASIR 1/2 KG maka membeli SEGITIGA BIRU 1/2 KG Jika membeli SEGITIGA BIRU 1/2 KG maka membeli GULA PASIR 1/2 KG Jika membeli GULA PASIR 1/2 KG maka membeli SUNLIGHT 400 ML REFIL Jika membeli SUNLIGHT 400 ML REFIL maka membeli GULA PASIR 1/2 KG Jika membeli SEGITIGA BIRU 1/2 KG maka membeli SUNLIGHT 400 ML REFIL Jika membeli SUNLIGHT 400 ML REFIL maka membeli SEGITIGA BIRU 1/2 KG
(216/1943)*100% = 11,12% (216/1943)*100% = 11,12%
(216/644)*100% = 33,54% (216/285)*100% = 75,79%
Confidence
(302/1943)*100% = 15,54%
(302/644)*100% = 46,89%
(302/1943)*100% = 15,54%
(302/417)*100% = 72,42%
(306/1943)*100% = 15,75%
(306/644)*100% = 47,52%
(306/1943)*100% = 15,75%
(306/534)*100% = 57,30%
(201/1943)*100% = 10,34%
(201/417)*100% = 48,20%
(201/1943)*100% = 10,34%
(201/534)*100% = 37,64%
Dari tabel 4.6 dengan minimum confidence ≥ 40% terdapat 6 kombinasi item yang memenuhi standar minimum confidence yaitu baris yang diberi warna kuning. 2) Aturan Asosiasi Akhir Setelah diperoleh hasil dari seleksi minimum confidence, kemudian cari aturan asosiasi akhirnya, dengan cara dari nilai confidence yang diperoleh pada tabel 4.6 dikalikan dengan nilai support tiap kombinasi item. Kemudian untuk menentukan aturan asosiasi pilih hasil perkalian yang paling besar. Tabel 4.7 Aturan Asosiasi Akhir Aturan Jika membeli MINYAK GORENG maka membeli GULA PASIR 1/2 KG Jika membeli GULA PASIR 1/2 KG maka membeli SEGITIGA BIRU 1/2 KG Jika membeli SEGITIGA BIRU 1/2 KG maka membeli GULA PASIR 1/2 KG Jika membeli GULA PASIR 1/2 KG maka membeli SUNLIGHT 400 ML REFIL Jika membeli SUNLIGHT 400 ML REFIL maka membeli GULA PASIR 1/2 KG Jika membeli SEGITIGA BIRU 1/2 KG maka membeli SUNLIGHT 400 ML REFIL
Support x Confidence 11,12% × 75,79% = 8,43%
Support
Confidence
11,12%
75,79%
15,54%
46,89%
15,54% × 46,89% = 7,29%
15,54%
72,42%
15,54% ×72,42% = 11,26%
15,75%
47,52%
15,75% × 47,52% = 7,48%
15,75%
57,30%
15,75% × 57,30% = 9,02%
10,34%
48,20%
10,34% × 48,20% = 4,99%
Setelah didapat hasil dari aturan asosiasi akhir pada tabel 4.7 terdapat 1 pola yang dapat digunakan yaitu jika membeli SEGITIGA BIRU 1/2 KG maka membeli GULA PASIR 1/2 KG dengan support = 15,54% dan confidence = 72,42%. Proses di atas dilakukan juga pada data transaksi bulan Januari sampai Desember 2014. 2. Evaluation Berdasarkan hasil dari proses data mining menggunakan algoritma apriori, hasil yang diperoleh sudah sesuai dengan tujuan pada tahap awal (Business Understanding) karena dilihat dari hasil rules yang didapat bisa dijadikan strategi bisnis, strategi-strategi bisnis yang diperoleh dapat dilihat pada poin pembentukkan strategi.
5
B. Penyebaran (Depployment) 1. Hasil Pola Produk yang Sering Dibeli Bersamaan Setelah melewati proses algoritma apriori, berdasarkan asssociation rule yang dihasilkan diperoleh 13 pola (pattern), berikut ini pola yang diperoleh pada transaksi 1 tahun : a. 1 Tahun. Pada transaksi 1 tahun pola yang dihasilkan sebagai berikut, jika konsumen membeli SEGITIGA BIRU 1/2 KG maka akan membeli GULA PASIR 1/2 KG, besar kemungkinan konsumen membeli kedua barang tersebut adalah sebesar support = 15,54% dan besar kemungkinan konsumen akan membeli GULA PASIR 1/2 KG saat membeli SEGITIGA BIRU 1/2 KG adalah sebesar confidence = 72,42%. Berikut ini pola produk yang diperoleh pada transaksi perbulan dari Januari sampai Desember 2014 : b. Bulan Januari. Pada bulan Januari pola yang dihasilkan sebagai berikut, jika konsumen membeli SEGITIGA BIRU 1/2 KG, dan GULA PASIR 1/2 KG maka akan membeli MINYAK GORENG, besar kemungkinan konsumen membeli ketiga barang tersebut adalah sebesar support = 10,49% dan besar kemungkinan konsumen akan membeli MINYAK GORENG saat membeli SEGITIGA BIRU 1/2 KG, dan GULA PASIR 1/2 KG adalah sebesar confidence = 5,41%. c. Bulan Februari. Pada bulan Februari pola yang dihasilkan sebagai berikut, jika konsumen membeli SEGITIGA BIRU 1/2 KG maka akan membeli GULA PASIR 1/2 KG, besar kemungkinan konsumen membeli kedua barang tersebut adalah sebesar support = 16,67% dan besar kemungkinan konsumen akan membeli GULA PASIR 1/2 KG saat membeli SEGITIGA BIRU 1/2 KG adalah sebesar confidence = 71,43%. d. Bulan Maret. Pada bulan Maret pola yang dihasilkan sebagai berikut, jika konsumen membeli DETTOL RE-ENERGIZE maka akan membeli SUNLIGHT 400 ML REFIL, besar kemungkinan konsumen membeli kedua barang tersebut adalah sebesar support = 11,05% dan besar kemungkinan konsumen akan membeli SUNLIGHT 400 ML REFIL saat membeli DETTOL RE-ENERGIZE adalah sebesar confidence = 90,48%. e. Bulan April. Pada bulan April pola yang dihasilkan sebagai berikut, jika konsumen membeli MINYAK GORENG dan GULA PASIR 1/2 KG maka akan membeli SUNLIGHT 400 ML REFIL, besar kemungkinan konsumen membeli ketiga barang tersebut adalah sebesar support = 11,18% dan besar kemungkinan konsumen akan membeli SUNLIGHT 400 ML REFIL saat membeli MINYAK GORENG dan GULA PASIR 1/2 KG adalah sebesar confidence = 54,55%. f. Bulan Mei. Pada bulan Mei pola yang dihasilkan sebagai berikut, jika konsumen membeli SEGITIGA BIRU 1/2 KG maka akan membeli GULA PASIR 1/2 KG, besar kemungkinan konsumen membeli kedua barang tersebut adalah sebesar support = 16,84% dan besar kemungkinan konsumen akan membeli GULA PASIR 1/2 KG saat membeli SEGITIGA BIRU 1/2 KG adalah sebesar confidence = 75,00%.
g.
Bulan Juni. Pada bulan Juni pola yang dihasilkan sebagai berikut, jika konsumen membeli SEGITIGA BIRU 1/2 KG dan GULA PASIR 1/2 KG maka akan membeli SUNLIGHT 400 ML REFIL, besar kemungkinan konsumen membeli ketiga barang tersebut adalah sebesar support = 10,50% dan besar kemungkinan konsumen akan membeli SUNLIGHT 400 ML REFIL saat membeli SEGITIGA BIRU 1/2 KG dan GULA PASIR 1/2 KG adalah sebesar confidence = 46,67%. h. Bulan Juli. Pada bulan Juli pola yang dihasilkan sebagai berikut, jika konsumen membeli SEGITIGA BIRU 1/2 KG maka akan membeli GULA PASIR 1/2 KG, besar kemungkinan konsumen membeli kedua barang tersebut adalah sebesar support = 16,49% dan besar kemungkinan konsumen akan membeli GULA PASIR 1/2 KG saat membeli SEGITIGA BIRU 1/2 KG adalah sebesar confidence = 83,78%. i. Bulan Agustus. Pada bulan Agustus pola yang dihasilkan sebagai berikut, jika konsumen membeli SEGITIGA BIRU 1/2 KG maka akan membeli GULA PASIR 1/2 KG, besar kemungkinan konsumen membeli kedua barang tersebut adalah sebesar support = 17,99% dan besar kemungkinan konsumen akan membeli GULA PASIR 1/2 KG saat membeli SEGITIGA BIRU 1/2 KG adalah sebesar confidence = 71,43%. j. Bulan September. Pada bulan September pola yang dihasilkan sebagai berikut, jika konsumen membeli SEGITIGA BIRU 1/2 KG maka akan membeli GULA PASIR 1/2 KG, besar kemungkinan konsumen membeli kedua barang tersebut adalah sebesar support = 16,18% dan besar kemungkinan konsumen akan membeli GULA PASIR 1/2 KG saat membeli SEGITIGA BIRU 1/2 KG adalah sebesar confidence = 65,12%. k. Bulan Oktober. Pada bulan Oktober pola yang dihasilkan sebagai berikut, jika konsumen membeli SEGITIGA BIRU 1/2 KG maka akan membeli GULA PASIR 1/2 KG, besar kemungkinan konsumen membeli kedua barang tersebut adalah sebesar support = 13,60% dan besar kemungkinan konsumen akan membeli GULA PASIR 1/2 KG saat membeli SEGITIGA BIRU 1/2 KG adalah sebesar confidence = 73,91%. l. Bulan November. Pada bulan November pola yang dihasilkan sebagai berikut, jika konsumen membeli SEGITIGA BIRU 1/2 KG dan SUNLIGHT 400 ML REFIL maka akan membeli GULA PASIR 1/2 KG, besar kemungkinan konsumen membeli ketiga barang tersebut adalah sebesar support = 10,49% dan besar kemungkinan konsumen akan membeli GULA PASIR 1/2 KG saat membeli SEGITIGA BIRU 1/2 KG dan SUNLIGHT 400 ML REFIL adalah sebesar confidence = 46,88%. m. Bulan Desember. Pada bulan Desember pola yang dihasilkan sebagai berikut, jika konsumen membeli SEGITIGA BIRU 1/2 KG maka akan membeli GULA PASIR 1/2 KG, besar kemungkinan konsumen membeli kedua barang tersebut adalah sebesar support = 10,45% dan besar kemungkinan konsumen akan membeli GULA PASIR
6
1/2 KG saat membeli SEGITIGA BIRU 1/2 KG adalah sebesar confidence = 66,67%. 2. Pembentukan Strategi Berdasarkan pola-pola yang diperoleh dari hasil aturan asosiasi, dapat dibentuk menjadi strategi bisnis untuk Koperasi Guru Banjar. a. Berdasarkan pola yang diperoleh dari hasil aturan asosiasi dapat diketahui, produk-produk apa saja yang sering dibeli tiap bulannya, sehingga stok produk tersebut dapat diatur ketersediaanya, jadi tidak perlu menunggu sampai stok produk habis lalu membeli persediaan lagi, untuk pengendalian persediaan bisa menggunakan model SCM (Supply Chain Management). Menurut Simchi-Levi, David, Philip Kaminsky, dan Edith (dalam Ramdan ,Salis, 2013) Supply Chain Management diartikan sebagai rangkaian pendekatan yang digunakan untuk mengintegrasikan pemasok, produsen, gudang dan toko secara efektif agar persediaan barang dapat diproduksi dan didistribusi pada jumlah yang tepat, ke lokasi yang tepat, dan pada waktu yang tepat sehingga biaya keseluruhan sistem dapat diminimalisir selagi berusaha memuaskan kebutuhan dan layanan. b. Berdasarkan pola yang diperoleh dari hasil aturan asosiasi dapat diketahui, produk-produk mana saja yang sering dibeli secara bersamaan oleh konsumen, sehingga pengaturan atau penempatan produk dapat diatur dengan menempatkannya secara berdampingan. V. Kesimpulan dan Saran A. Kesimpulan Setelah melewati proses algoritma apriori, berdasarkan asssociation rule yang dihasilkan diperoleh 13 pola (pattern), berikut ini pola yang diperoleh pada transaksi 1 tahun : 1. 1 Tahun. Pada transaksi 1 tahun pola yang dihasilkan sebagai berikut, jika konsumen membeli SEGITIGA BIRU 1/2 KG maka akan membeli GULA PASIR 1/2 KG, besar kemungkinan konsumen membeli kedua barang tersebut adalah sebesar support = 15,54% dan besar kemungkinan konsumen akan membeli GULA PASIR 1/2 KG saat membeli SEGITIGA BIRU 1/2 KG adalah sebesar confidence = 72,42%. Berikut ini pola produk yang diperoleh pada transaksi perbulan dari Januari sampai Desember 2014 : 2. Bulan Januari. Pada bulan Januari pola yang dihasilkan sebagai berikut, jika konsumen membeli SEGITIGA BIRU 1/2 KG, dan GULA PASIR 1/2 KG maka akan membeli MINYAK GORENG, besar kemungkinan konsumen membeli ketiga barang tersebut adalah sebesar support = 10,49% dan besar kemungkinan konsumen akan membeli MINYAK GORENG saat membeli SEGITIGA BIRU 1/2 KG, dan GULA PASIR 1/2 KG adalah sebesar confidence = 5,41%. 3. Bulan Februari. Pada bulan Februari pola yang dihasilkan sebagai berikut, jika konsumen membeli SEGITIGA BIRU 1/2 KG maka akan membeli GULA PASIR 1/2 KG, besar kemungkinan konsumen membeli kedua barang tersebut adalah sebesar support = 16,67% dan besar kemungkinan konsumen akan membeli GULA PASIR 1/2 KG saat membeli SEGITIGA BIRU 1/2 KG adalah sebesar confidence = 71,43%.
4.
Bulan Maret. Pada bulan Maret pola yang dihasilkan sebagai berikut, jika konsumen membeli DETTOL RE-ENERGIZE maka akan membeli SUNLIGHT 400 ML REFIL, besar kemungkinan konsumen membeli kedua barang tersebut adalah sebesar support = 11,05% dan besar kemungkinan konsumen akan membeli SUNLIGHT 400 ML REFIL saat membeli DETTOL RE-ENERGIZE adalah sebesar confidence = 90,48%. 5. Bulan April. Pada bulan April pola yang dihasilkan sebagai berikut, jika konsumen membeli MINYAK GORENG dan GULA PASIR 1/2 KG maka akan membeli SUNLIGHT 400 ML REFIL, besar kemungkinan konsumen membeli ketiga barang tersebut adalah sebesar support = 11,18% dan besar kemungkinan konsumen akan membeli SUNLIGHT 400 ML REFIL saat membeli MINYAK GORENG dan GULA PASIR 1/2 KG adalah sebesar confidence = 54,55%. 6. Bulan Mei. Pada bulan Mei pola yang dihasilkan sebagai berikut, jika konsumen membeli SEGITIGA BIRU 1/2 KG maka akan membeli GULA PASIR 1/2 KG, besar kemungkinan konsumen membeli kedua barang tersebut adalah sebesar support = 16,84% dan besar kemungkinan konsumen akan membeli GULA PASIR 1/2 KG saat membeli SEGITIGA BIRU 1/2 KG adalah sebesar confidence = 75,00%. 7. Bulan Juni. Pada bulan Juni pola yang dihasilkan sebagai berikut, jika konsumen membeli SEGITIGA BIRU 1/2 KG dan GULA PASIR 1/2 KG maka akan membeli SUNLIGHT 400 ML REFIL, besar kemungkinan konsumen membeli ketiga barang tersebut adalah sebesar support = 10,50% dan besar kemungkinan konsumen akan membeli SUNLIGHT 400 ML REFIL saat membeli SEGITIGA BIRU 1/2 KG dan GULA PASIR 1/2 KG adalah sebesar confidence = 46,67%. 8. Bulan Juli. Pada bulan Juli pola yang dihasilkan sebagai berikut, jika konsumen membeli SEGITIGA BIRU 1/2 KG maka akan membeli GULA PASIR 1/2 KG, besar kemungkinan konsumen membeli kedua barang tersebut adalah sebesar support = 16,49% dan besar kemungkinan konsumen akan membeli GULA PASIR 1/2 KG saat membeli SEGITIGA BIRU 1/2 KG adalah sebesar confidence = 83,78%. 9. Bulan Agustus. Pada bulan Agustus pola yang dihasilkan sebagai berikut, jika konsumen membeli SEGITIGA BIRU 1/2 KG maka akan membeli GULA PASIR 1/2 KG, besar kemungkinan konsumen membeli kedua barang tersebut adalah sebesar support = 17,99% dan besar kemungkinan konsumen akan membeli GULA PASIR 1/2 KG saat membeli SEGITIGA BIRU 1/2 KG adalah sebesar confidence = 71,43%. 10. Bulan September. Pada bulan September pola yang dihasilkan sebagai berikut, jika konsumen membeli SEGITIGA BIRU 1/2 KG maka akan membeli GULA PASIR 1/2 KG, besar kemungkinan konsumen membeli kedua barang tersebut adalah sebesar support = 16,18% dan besar kemungkinan konsumen akan membeli GULA PASIR
7
1/2 KG saat membeli SEGITIGA BIRU 1/2 KG adalah sebesar confidence = 65,12%. 11. Bulan Oktober. Pada bulan Oktober pola yang dihasilkan sebagai berikut, jika konsumen membeli SEGITIGA BIRU 1/2 KG maka akan membeli GULA PASIR 1/2 KG, besar kemungkinan konsumen membeli kedua barang tersebut adalah sebesar support = 13,60% dan besar kemungkinan konsumen akan membeli GULA PASIR 1/2 KG saat membeli SEGITIGA BIRU 1/2 KG adalah sebesar confidence = 73,91%. 12. Bulan November. Pada bulan November pola yang dihasilkan sebagai berikut, jika konsumen membeli SEGITIGA BIRU 1/2 KG dan SUNLIGHT 400 ML REFIL maka akan membeli GULA PASIR 1/2 KG, besar kemungkinan konsumen membeli ketiga barang tersebut adalah sebesar support = 10,49% dan besar kemungkinan konsumen akan membeli GULA PASIR 1/2 KG saat membeli SEGITIGA BIRU 1/2 KG dan SUNLIGHT 400 ML REFIL adalah sebesar confidence = 46,88%. 13. Bulan Desember. Pada bulan Desember pola yang dihasilkan sebagai berikut, jika konsumen membeli SEGITIGA BIRU 1/2 KG maka akan membeli GULA PASIR 1/2 KG, besar kemungkinan konsumen membeli kedua barang tersebut adalah sebesar support = 10,45% dan besar kemungkinan konsumen akan membeli GULA PASIR 1/2 KG saat membeli SEGITIGA BIRU 1/2 KG adalah sebesar confidence = 66,67%. B. Saran Penelitian ini dapat dikembangan lebih lanjut seperti menggunakan metode atau algoritma asosiasi selain apriori, seperti FP-Growth karena FP-Growth merupakan perkembangan dari algoritma apriori sehingga dapat dilihat kelebihan dan kekurangan antara keduanya. DAFTAR PUSTAKA Borusasada, Maina. (2015). Data Mining. [Online]. Tersedia: http://mainaardi.blogspot.co.id/ [16 November 2015] Minartiningtyas, Arie. (2012). CRISP-DM. [Online]. Tersedia: http://informatika.web.id/category/data-mining/ [03 Desember 2015] Nurdin, Dewi Astika. (2015). Penerapan Data Mining Untuk Menganalisis Penjualan Barang Dengan Menggunakan Metode Apriori Pada Supermarket Sejahtera Lhokseumawe. Techsi. (6). 134-155 Prasetyo, Philips Kokoh. (2006). Data Mining Task. [Online]. Tersedia: https://philips.wordpress.com/2006/01/23/datamining-task/ [16 November 2015] Rokhim, Abdul, Kusrini dan Emha Taufiq Luthfi. (2015). Analisis Kelulusan Mahasiswa Jurusan Informasi STMIK AMIKOM Yogyakarta. EKSPLORA INFORMATIKA. (4). 155-163 Widiastuti, Dwi dan Nelly Soi. (2014). Analisis Perbandingan Algoritma Apriori dan FP-Growth Pada Transaksi Koperasi. UG Jurnal. (8). 21-24
8
