PENERAPAN DATA MINING UNTUK PENGELOMPOKAN MINAT KONSUMEN TERHADAP PRODUK LG MOBILE PALEMBANG

PENERAPAN DATA MINING UNTUK PENGELOMPOKAN MINAT KONSUMEN TERHADAP PRODUK LG MOBILE PALEMBANG Rino Riandi Agustin1, M. Akbar, M.IT.2, Siti Sa’uda, M.kom.3 Mahasiswa Universitas BinaDarma1, Dosen Universitas BinaDarma2, Dosen Universitas BinaDarma3 Program Studi Informatika, Fakultas Ilmu Komputer, Universitas Binadarma Jl.Ahmad Yani No.12 Plaju Palembang

Pos-el : [email protected], [email protected] [email protected]

Abstract : The variety of brands , types and models of mobile phones that are offered provide plenty of choice for consumers . So do not rule out a consumer will switch other perceived kemerek have advantages compared with the previously used brand . The ability of the technology to store data , process data , extract the data , analyze the data , and summarize data to produce an information that support the decision of the election it is still lacking . With the existence of this problem then comes techniques and new knowledge in processing the data into information . Judging from the number of consumer interest towards mobile phone is probably the application of data mining by the method of clustering and K -Means algorithm can help PT . LG Mobile Palembang in the grouping of consumer interest . Keywords: Data Mining, Clustering,Weka, Algoritma K-Means.

Abstrak : Bervariasinya merek, jenis, serta model handphone yang ditawarkan memberikan banyak pilihan bagi konsumen. Sehingga tidak menutup kemungkinan seorang konsumen akan beralih kemerek lain yang dirasakan memiliki kelebihan disbanding dengan merek yang dipakai sebelumnya. Kemampuan teknologi untuk menyimpan data, mengolah data, mengekstrak data, menganalis data, dan meringkas data untuk menghasilkan sebuah informasi yang menunjang kegiatan pemilihan keputusan dirasa masih kurang. Dengan adanya masalah ini maka munculah teknik dan ilmu baru dalam mengolah data menjadi informasi. Dilihat dari banyaknya minat konsumen terhadap telfon genggam mungkin penerapan data mining dengan metode clustering dan algoritma K-Means dapat membantu PT. LG Mobile Palembang dalam pengelompokan minat konsumen. Kata kunci : Data Mining, Clustering,Weka, Algoritma K-Means.

1.

yang memudahkan kinerja manusia. Akan

PENDAHULUAN

tetapi teknologi yang canggih sering sekali Pesatnya

dunia

tidak diimbangi dengan penyajian informasi

teknologi dan informasi saat ini, berdampak

yang memadai. Data yang cukup besar juga

pada kebutuhan informasi yang akurat serta

terkadang

cepat

informasi yang akurat, karena masih banyak

didalam

perkembangan

kehidupan

sehari-hari.

Dimana teknologi informasi sangat berperan penting dalam kehidupan sekarang dan yang akan datang. Hal ini bisa dilihat dari pemanfaatan teknologi dalam bidang apapun

akan

sulit

diolah

menjadi

kekurangan dari berbagai aspek. Kemampuan sebuah teknologi untuk menyimpan

data,

mengolah

data,

mengekstrak data, menganalis data, dan

Penerapan Data Mining Untuk Pengelompokan Minat Konsumen Terhadap Produk LG Mobile Palembang (Rino) |

1

meringkas data guna menghasilkan sebuah

merupakan

informasi

bergerak

yang

menunjang

kegiatan

sebuah

perusahaan

dibidang

penjualan

yang produk

pemilihan keputusan dirasa masih kurang.

handphone, dan produk yang dimiliki LG

Dengan munculnya masalah ini maka timbul

Mobile sendiri memiliki bermacam-macam

lah teknik dan ilmu baru dalam mengolah

tipe handphone. Oleh karena itu, perusahaan

data menjadi informasi. Salah satunya

ini

dengan teknik Data Mining untuk mengatasi

penentuan jumlah penyediaan tipe jenis

suatu masalah penggalian informasi atau

barang karena konsumen memiliki selera

pola yang penting atau menarik data dalam

berbeda dalam tipe pembelian handphone,

jumlah yang besar. Data mining bisa

dan dengan penerapan data mining untuk

memberikan pengetahuan-pengetahuan yang

pengelompokan minat konsumen diharapkan

sebelumnya tersembunyi di dalam gudang

dapat membantu LG Mobile Palembang

data sehingga dapat menjadi informasi yang

dalam

berharga.

sebuah produk sebelum dijual. Data mining

Data

mining

dalam

prosesnya

menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengektraksi dan mengidentifikasi informasi yang

bermanfaat serta suatu

pengetahuan yang terkait dari berbagai database yang besar (Turban, dkk. 2005). Kemajuan teknologi informasi juga

sering

mengalami

kendala

mempertimbangkan

merupakan

solusi

produk-produk konsumen,

untuk

yang

agar

dalam

kemungkinan

memprediksi

diminati

dapat

oleh

meminimalisir

kerugian dan bertumpuknya suatu produk yang berdampak buruk bagi perusahaan. Dengan adanya masalah dan solusi tersebut untuk mengatasi keadaan dimana perusahaan

LG

Mobile

Palembang

membutuhkan

sebuah

informasi

untuk

memprediksi

suatu

produk.

Untuk

Pelembang, karena perusahaan ini memiliki

mengimplementasikan

penulis

tertarik

database yang besar. Sehingga dalam

dengan masalah tersebut, sehingga penulis

pengolahan

akan

dirasakan

oleh

data

Produk

yang

LG

besar

Mobile

tersebut

menuangkan

penelitiannya

dalam

perusahaan memerlukan teknologi untuk

bentuk penulisan skripsi yang berjudul

mengetahui

“Penerapan

informasi

yang

dibutuhkan

Data

Mining

dalam meningkatkan kinerja dan pendapatan

Pengelompokan

dari hasil usaha. LG Mobile Palembang

Terhadap Produk PT. LG”.

Minat

Untuk

Konsumen


2

2.

TINJAUAN PUSTAKA

2.1.

Produk Menurut Fandy Tjiptono (2008),

Atribut Produk adalah unsur-unsur produk yang dipandang penting oleh konsumen dan dijadikan dasar pengambilan keputusan. Atribut Produk meliputi merek, kemasan, jaminan(garansi), pelayanan,dan sebagainya. 2.2.

2.4.

Data Mining

digunakan

Algoritma K-Means Dalam

Data mining adalah suatu istilah yang

Gambar 2.1. Clustering

dan

mesin

pembelajaran K-means merupakan metode

menguraikan

analisis kelompok yang mengarah pada

penemuan pengetahuan di dalam database.

permatisian N objek pengamatan dalam K

Data

yang

kelompok (cluster) dimana setiap objek

menggunakan teknik statistik, matematika,

pengamatan dimiliki oleh sebuah kelompok

kecerdasan buatan, dan machine learning

dengan mean (rata-rata) terdekat.1.

untuk mengekstraksi dan mengidentifikasi

Barang, yaitu berisi data produk. Atribut

informasi yang bemanfaat dan pengetahuan

yang ada dapat dilihat dalam tabel tabel 1.

yang terkait dari berbagai database besar

2.4.1

mining

untuk

statistik

adalah

proses

(Kusrini & Luthfi. 2009). 2.3.

Data

Penerapan Clustering K-Means memisahkan data ke k

Clustering

daerah bagian yang terpisah, dimana k

Clustering termasuk metode yang

adalah bilangan integer positif. Algoritma

sudah cukup dikenal dan banyak dipakai

K-Means sangat terkenal karena kemudahan

dalam data mining. Sampai sekarang para

dan kemampuannya untuk mengklasifikasi

ilmuwan dalam bidang data mining masih

data besar dan outlier dengan sangat cepat.

melakukan berbagai usaha untuk melakukan

Berikut adalah langkah-langkah algoritma

perbaikan model clustering karena metode

K-Means :

yang dikembangkan sekarang masih bersifat heuristic. Usaha-usaha untuk menghitung jumlah

cluster

yang

optimal

dan

pengklasteran yang paling baik masih terus

1. Penentuan pusat cluster awal Pusat awal cluster didapatkan dari data sendiri bukan dengan menentukan titik

dilakukan. Penerapan Data Mining Untuk Pengelompokan Minat Konsumen Terhadap Produk LG Mobile Palembang (Rino) |

3

baru, yaitu dengan menrandom pusat awal

generalisasi/formulasi dari sekumpulan data

dari data.

sampling.

2. Perhitungan jarak dengan pusat cluster

3

Untuk mengukur jarak antara data

ANALISIS DATA MINING

3.1 Analisis Data

dengan pusat cluster digunakan Euclidian

Analisis

data

dilakukan

untuk

distance. Algoritma perhitungan jarak data

memperoleh gambaran sistem yang akan

dengan pusat cluster

dibuat dan langkah-langkah dalam model

3. Pengelompokkan data

arsitektur sistem mengikuti proses dari

Jarak

hasil

perhitungan

akan

dilakukan perbandingan dan dipilih jarak

Knowledge Discovery in Database (KDD). 3.1.1 Data Selection

terdekat antara data dengan pusat cluster,

Data dalam penelitian ini bersumber

jarak ini menunjukkan bahwa data tersebut

dari PT. LG Mobile Palembang. Adapun

berada dalam satu kelompok dengan pusat

data tersebut terdiri dari data barang, dan

cluster terdekat.

data store name mulai dari tahun 2015.

4. Penentuan pusat cluster baru

Atribut

Untuk mendapatkan pusat cluster baru bisa dihitung dari rata-rata nilai

Type_hp

Type produk/barang

Model_Hanphone

Nama model Handphone

anggota cluster dan pusat cluster. Pusat cluster baru = x1+x2+x3…..+xn+xp

Keterangan

Tabel 3.1 Tabel Atribut Data Barang

Jumlah+1

Data Store Name, yaitu data yang

Dimana :

berisi nama toko yang menjual produk-

x1,x2,x3,….xn=anggota cluster

produk LG Mobile. Atribut dapat dilihat

xp

dalam table 3.2

2.5.

= pusat lama WEKA

Atribut

Weka adalah aplikasi data mining

Keterangan

Id_Toko

Kode Toko

open source berbasis java. Aplikasi ini

District

Wilayah/Tempat Store

dikembangkan pertama kali oleh Universita

Store_Nm

Nama Toko

Waikato di Selandia Baru. Weka terdiri dari

Nm_Hp

Nama Model Handphone

koleksi algoritma machine learning yang dapat

digunakan

untuk

melakukan

Tabel 3.2 Tabel Atribut Store Name


4

Data pegawai, yaitu data yang berisi promoter

atau

pegawai

yang

menjual

produk. Data ini hanya menyimpan kode pegawai. Atribut

Keterangan

CRI_ID

Kode Pegawai

Nm_Pegawai

Nama Pegawai

Tabel 3.4 Data yang mengandung missing value

Tabel 3.3 Tabel Atribut Pegawai 3.1.1

Pre-processing Langkah-langkah

yang

dilakukan

dalam tahapan pre-processing menghasilkan dataset yang bersih (clean) sehingga dapat digunakan dalam tahap selanjutnya yaitu mining dengan tujuan mendapatkan pola nilai yang terjadi dalam seluruh semester yang

telah

merupakan

dilalui. tahap

Data

Cleaning

pembersihan

data

merupakan tahap awal dari KDD. 3.1.2.1 Data Cleaning Pada proses Data Cleaning di dapat beberapa atribut yang akan digunakan untuk proses mining berikutnya. Adapun atribut-

Tabel 3.5 Data yang relevan dan tidak redundant Tabel 3.5 diatas menggambarkan data yang mengandung missing value dan tidak relevan dibersihkan sehingga diperoleh data yang sudah relevan sehingga dapat diproses ke tahap mining berikuntya.

atribut tetap terbagi menjadi 2 kelompok data yaitu data toko dan data barang.


5

3.1.2.2 Integrasi Data Integrasi

Data,

3.1.2 Transformasi Data merupakan

Tahap transformasi data yaitu tahap

penggabungan data dari berbagai sumber.

dimana data dirubah menjadi bentuk yang

Adapun dataset dari toko yang digunakan

sesuai untuk data mining. Jika data belum

barasal dari berbagai sumber yang nantinya

terbentuk menjadi data yang dapat diproses

digabungkan menjadi satu tabel.

mining,

maka

harus

dilakukan

tahap

cleaning. Dalam proses ini jika diperlukan Toko -id_toko : Char -distrik : Char -store_nm : Pegawai Char -pegawai -type_hp : Char Integer nm_pegawai : CharGambar 3.6.

dapat ditambahkan atribut bantu diluar NewTable -id_toko : Char -distrik : Char -store_nm : Char -type_hp : Integer Integrasi-pegawai Data : char

atribut yang sudah ada dari data yang di dapat. 4. HASIL DAN PEMBAHASAN 4.1.1 Proses Clustering Algoritma KMeans Pada tahap ini akan dilakukan proses

Tabel pegawai memiliki atribut yang

utama yaitu segmentasi data nilai yang

terdiri dari id pegawai dan nama pegawai.

diakses dari database yaitu sebuah metode

Data ini nantinya diintegrasikan dengan

clustering algoritma K-Means. Berikut ini

tabel toko yang sudah relevan sehingga tabel

merupakan diagram flowchart dari algoritma

toko memiliki kelengkapan data yang lebih

K-Means.

informatif.

1. N data : data set yang akan diolah sebanyak N data dimana N data tersebut terdiri dari atribut-atributnya N(D690, D855, D335, D295) 2. K centroid : Inisialisasi dari pusat cluster data adalah sebanyak K dimana pusat-pusat awal tersebut digunakan sebagai banyaknya kelas yang akan

Tabel 3.7 Dataset Integrasi

tercipta. Centroid didapatkan secara random dari N data set yang ada. 3. Euclidian Distance: merupakan jarak yang didapat dari perhitungan antara


6

semua N data dengan K centroid dimana akan memperoleh tingkat kedekatan dengan kelas yang terdekat dengan

4.2 Proses Data Mining Menggunakan WEKA Setelah dijelaskan proses penerapan

populasi data tersebut.

data mining dengan teknik clustering secara

titik x = (x1, x2, x3, ... xn) dan titik y =

teroritis pada penjelasan diatas, maka kali

(y1, y2, y3, ... yn) adalah:

ini akan dijelaskan proses data mining secara aplikatif dimana proses data mining yang akan dilakukan menggunakan software data mining WEKA V.3.7.12.

Dimana, x : Titik data pertama, y : Titik data kedua, n : Jumlah karakteristik (attribut) dalam terminologi data mining, d(x,y) : Euclidian distance yaitu jarak antara data pada titik x dan titik y 4. Pengelompokkan sejumlah

data:

setelah

data

tersebut

populasi

menemukan kedekatan dengan salah satu centroid yang ada.

Gambar 4.1 Tampilan Awal Aplikasi WEKA Langkah pertama yang dilakukan untuk meng-import data kedalam WEKA

5. Update centroid baru: tiap kelas yang telah tercipta tadi melakukan update centroid baru. 6. Batas iterasi: apabila dalam proses clustering belum optimal namun sudah memenuhi batas iterasi maksimum, maka proses dihentikan. Gambar 4.2 Menu Utama WEKA Explorer


7

Kemudian lanjutkan dengan mengklik

Hasil dari grafik keseluruhan dapat

menu open file lalu pilih data yang akan

ditampilkan dengan mengklik menu pilihan

dibuka selanjutnya pilih open.

yang bertuliskan visualize all pada kolom selected attribute yang terletak dibawah tabel dan akan menghasilkan tampilan seperti pada gambar 4.5

Gambar 4.3 Menu import data Tampilah hasil dari import data tadi berupa

pengelompokan

berdasarkan

database

5

yang

atribut ada

Gambar 4.5 Grafik Atribut Keseluruhan

yaitu

Tanggal Penjualan, Nama Toko, Tipe Hp, Nama Pegawai, dan ID pegawai.

Proses berikutnya yaitu penggunaan metode Clustering yang dapat digunakan sebagai penentu nilai cluster yang telah diproses.

Gambar 4.4 Import data Penjualan Dari hasil import data penjualan dapat kita

Gambar 4.6 Proses Cluster

lihat hasil dari jumlah data per-atribut. Cara menampilkan tabel data dari atribut-atribut

Setelah algoritma telah di pilih pastikan

yang ada dengan mengklik satu persatu

pada kolom cluster mode ditandai pada

atribut yang akan dipilih.

menu yang bertuliskan use training set, setelah itu lanjutkan dengan mengklik start


8

4.3 Interpretation / Evaluation Interpretation atau Evalution merupakan pola informasi yang dapat dihasilkan dari proses data mining yang telah dilakukan, berdasarkan hasil tabel dan grafik

yang

sebelumnya.

dibahas

pada

penjelasan

Dari seluruh data penjualan

produk yang sering terjual pada produk

Gambar 4.7 Use Training Set

dapat dilihat dari tabel pada atribut store Hasil

dari

use

training

set

menampilkan hasil dari clusterer output yang

berisikan

nilai

cluster

centroids

berdasarkan 5 atribut yang digunakan.

Gambar 4.8 Classes to Clusters Store Name Gambar

4.8

menampilkan

pengelompokan clustering yang terdiri dari 2 iterasi, bertujuan untuk menunjukkan proses iterasi dan class pada cluster dengan jumlah record pada store name.

name yaitu Erafon Megastore. Sedangkan type hp yaitu type D335 yang paling di minati oleh konsumen. Berikut adalah grafik Cluster dari setiap atribut.

. Gambar 4.9 Grafik Cluster Gambar

4.9

menampilkan

grafik

cluster yang terdiri dari beberapa atribut yang telah di-cluster pada tools yang terdapat pada WEKA, bertujuan untuk menunjukkan peng-clusteran dalam sebuah data dengan jumlah record yang ada.


9

5.

SIMPULAN DAN SARAN

berbeda dan dengan jumlah data yang

5.1

Kesimpulan

lebih

Setelah melalui tahap-tahap proses

pengelompokan

besar

lagi

sehingga minat

prediksi konsumen

analisis data dan penerapan data mining

terhadap produk yang dihasilkan lebih

dengan menggunakan aplikasi Weka maka

akurat.

dapat diambil kesimpulan sebagai berikut: 1.

Penerapan

data

mining

dengan

2.

Pada penelitian yang akan dating, dapat menggunakan teknik data mining dan

teknik clustering dan algorima K-Means

algoritma

yang telah dilakukan menghasilkan sebuah

menggabungkan menjadi dua teknik data

informasi

prediksi

mining sehingga akan menghasilkan

pengelompokan minat konsumen terhadap

hasil yang variatif dan tentunya bernilai

produk LG Mobile Palembang.

informasi yang tinggi.

2.

mengenai

data

lainnya

ataupun

juga

Informasi mengenai data penjualan

3. Penelitian ini disarankan dapat menjadi

yang dihasilkan dari penerapan data mining

bahan referensi yang dipergunakan dan

yang dilakukan.

dikembangkan

3.

selanjutnya.

Semakin kecil batasan nilai data

untuk

penenlitian

transaksi penjualan yang ditentukan maka DAFTAR RUJUKAN

semakin sedikit pula pola/aturan yang dapat dihasilkan dan waktu yang diperlukan lebih

Anamida. 2011. Weka,

sedikit. 4.

http://www.scribd.com/doc/4901452

Store yang paling banyak melakukan

0/WEKA, diakses tgl 12 Juni 2015.

penjualan produk LG dari hasil analisa data mining adalah Erafon Megastore dan produk yang sering diminati konsumen adalah jenis

Fandy

Tjiptono,2008,

Strategi

Bisnis

Pemasaran. Andi. Yogyakarta.

tipe hape D335 yaitu LG Bello. 5.2. Saran Berdasarkan kesimpulan yang telah diuraikan di atas, maka ada beberapa saran

Kusrini & Luthfi. 2009. Algoritma Data Mining. Yogyakarta: Andi Offset.

perlu disampaikan sebagai berikut : 1. Pada

penelitian

selanjutnya

dapat

mencoba menggunakan dataset yang

Kotler, Philip and Gary Armstrong. 2008. Prinsip-prinsip Pemasaran. Edisi


10

12. Jilid 1. Jakarta: Erlangga.

Larose. 2005. Data Mining. Yogyakarta: Andi Offset.

Pramudiono, I. 2006. Apa itu Data Mining? Diakses tanggal 24 juli 2015. dari http://datamining.japati.net/cgibin/indodm.cgi.

Santoso, Budi. 2007. “Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis”, Graha Ilmu, Yogyakarta.

Turban. dkk., 2005, Decision Support System

and

Intelligent

System

(Sistem Pendukung Keputusan dan Sistem Cerdas), Andi, Yogyakarta.


11

PENERAPAN DATA MINING UNTUK PENGELOMPOKAN MINAT KONSUMEN TERHADAP PRODUK LG MOBILE PALEMBANG

Recommend Documents