Anda di halaman 1dari 6

Pelita Informatika Budi Darma, Volume : VI, Nomor: 1, Maret 2014

ISSN : 2301-9425

IMPLEMENTASI ALGORITMA FP-GROWTH PADA APLIKASI


PREDIKSI PERSEDIAAN SEPEDA MOTOR (STUDI KASUS
PT. PILAR DELI LABUMAS)
Ririanti (0911654)
Mahasiswa Program Studi Teknik Informatika STMIK Budi Darma Medan
Jl. Sisingamangaraja No. 338 Sp. Limun Medan
www.stmik-budidarma.ac.id // Email : ririn.mutzzz@yahoo.com
ABSTRAK
Suatu sistem yang handal dibutuhkan untuk membantu menentukan banyaknya persediaan untuk
perusahaan atau organisasi agar menghasilkan informasi berkualitas. Informasi itu dapat memebantu manusia
dalam mengambil sebuah keputusan ataupun suatu kebijakan. Salah satu metode yang dapat digunakan dalam
menentukan banyaknya persediaan yang disediakan adalah data mining. Data mining adalah serangkaian
proses untuk menggali nilai tambah dari suatu kumpulan data yang dapat menghasilkan informasi yang
bermanfaat dan pengetahuan. Ada banyak algoritma yang terdapat di dalam data mining, salah satunya
algoritma fp-growth. Algoritma fp-growth adalah salah satu algoritma terpopuler untuk menemukan sejumlah
frequent itemset dari data-data transaksi.
Melalui proses mining dengan algoritma fp-growth ini maka akan di peroleh jenis sepeda motor mana
yang lebih banyak terjual, dan berapa banyak persediaan yang di perlukan perusahaan untuk menyediakan
sepeda motor. Karena banyaknya persediaan mempengaruhi modal yang harus di keluarkan untuk persediaan
dan perawatan. Persediaan yang terlalu banyak akan memakan banyak tempat dan mengurangi laba.
Kata kunci : Persediaan , Sepeda motor, Data mining, Algoritma FP-Growth
1. Pendahuluan
1.1. Latar Belakang Masalah
Sepeda Motor merupakan salah satu produk
transportasi yang pertumbuhannya amat pesat dalam
beberapa tahun terakhir ini. Perkembangan yang
begitu cepat dengan tingkat persaingan yang semakin
berat mengarahkan setiap Perusahaan harus
memandang kedepan dalam menentukan langkahnya
dan bagaimana usaha dan cara untuk mencapainya.
Persediaan (inventori) merupakan permasalahan
operasional yang sering dihadapi oleh perusahaan.
Jika jumlah persediaan terlalu sedikit dan permintaan
tidak dapat dipenuhi karena kekurangan persediaan,
maka akan mengakibatkan konsumen merasa kecewa
dan dan ada kemungkinan konsumen tidak akan
kembali lagi. Begitu pula jika persediaan terlalu
banyak, maka akan mengakibatkan kerugian dan harus
menyediakan tempat yang luas, juga harus
menyediakan tambahan yang terkait seperti biaya
pemeliharaan dan biaya akuntansi. Persediaan
merupakan salah satu asset terpenting dalam banyak
perusahaan karena nilai persediaan mencapai 40% dari
seluruh investasi modal.
Ada berbagai macam cara dan teknis dalam
pemenuhan kebutuhan termasuk kebutuhan akan
informasi yang seluas-luasnya. Informasi dibutuhkan
untuk mengambil suatu keputusan, menentikan
prediksi, menentukan kualitas atau hanya sekedar
untuk pengetahuan dan lain sebagainya. Kumpulan
data sejatinya memiliki banyak potensi untuk dapat
diambil suatu kesimpulan, seperti pengambilan

keputusan, melakukan analisis dan menggali informasi


yang ada di data tersebut. Salah satu cabang teknologi
informasi, data mining hadir sebagai solusi untuk
mengolah data menjadi informasi yang berguna.
Teknologi data mining memiliki berbagai macam
algoritma untuk penyelesaian masalah yang
berhubungan dengan data. Tujuan dari data mining
yaitu untuk menemukan hubungan atau pola-pola
yang memberikan manfaat pada pihak perusahaan atau
organisasi. Data mining menggunakan pendekatan
discovery based yaitu dimana pencocokan pola
(pattern-matching) dan algoritma digunakan untuk
menemukan relasi-relasi kunci di dalam data yang di
eksplorasi.
Dalam skripsi ini akan dibahas implementasi
salah satu algoritma dalam data mining, yaitu
algoritma frequent Pattern-Growth (FP-Growth).
Algoritma ini adalah bagian dari teknik asosiasi pada
data mining. FP-Growth salah satu altenatif algoritma
yang dapat digunakan untuk menentukan himpunan
data yang paling sering mucul (frequent itemset)
dalam sekumpulan data. Karakteristik algoritma FPGrowth adalah struktur data yang digunakan dalam
tree yang disebut FP-Tree. Dengan menggunakan FPTree, algoritma FP-Growth dapat langsung
mengekstrak frequent itemset dari FP-Tree.
1.2 Perumusan Masalah
Didalam menyelesaikan skripsi ini penulis
merumuskan beberapa rumusan masalah yang akan di
bahas berdasarkan latar belakang masalah yang ada.

Implementasi Algoritma FP-Growth Pada Aplikasi Prediksi Persediaan Sepeda Motor (Studi 139
Kasus
PT. Pilar Deli Labumas). Oleh : Ririanti

Pelita Informatika Budi Darma, Volume : VI, Nomor: 1, Maret 2014

Adapun perumusan masalah dalam penyelesaian


skripsi ini adalah sebagai berikut :
1. Bagaimana menganalisis prediksi persediaan
sepeda motor?
2. Bagaimana mengimplementasikan algoritma FPGrowth pada prediksi persediaan sepeda motor ?
3. Bagaimana merancang aplikasi prediksi
persediaan sepeda motor ?
1.3

Batasan Masalah
Berdasarkan rumusan masalah di atas maka
permasalahan yang akan dibahas akan dibatasi dengan
batasan masalah berikut :
1. Data yang digunakan adalah data penjualan nyata
yang dapat direpresentasikan sebagai data induk
penjualan sepeda motor.
2. Data yang di gunakan sebagai bahan prediksi
persediaan sepeda motor honda pada PT. Pilar
Deli Labumas pada 4 bulan terakhir.
3. Hanya membahas tentang sepeda motor matic.
4. Menggunakan tools pemrograman Visual
bassic.net dan Database Mysql

1.4
Tujuan Dan Manfaat Penelitian
1.4.1
Tujuan Penelitian
Adapun tujuan dari penulisan Skripsi ini adalah
:
1.
Untuk menganalisis prediksi persediaan
sepeda motor dengan menggunakan algoritma
FP-Growth.
2.
Untuk mengimplementasikan alggoritma FPGrowth pada prediksi persediaan sepeda motor.
3.
Untuk merancang aplikasi prediksi persediaan
sepeda motor
1.4.2
1.
2.
3.

Manfaat Penelitian
Adapun manfaat yang dapat diperoleh dari
penulisan skripsi ini adalah :
Mengetahui algoritma FP-Growth dapat
memberikan alternatif pengetahuan tentang
prediksi persediaan sepeda motor.
Menghasilkn aplikasi yang berguna untuk
mengetahui prediksi stok sepeda motor.
Menjadikan aplikasi ini dapat digunakan
perusahaan untuk menentukan persediaan.

2. Landasan Teori
2.1. Aplikasi
Aplikasi adalah suatu subkelas perangkat lunak
komputer yang memanfaatkan kemampuan komputer
langsung untuk melakukan suatu tugas yang
diinginkan pengguna. Heri Sismoro [1]. Biasanya
dibandingkan dengan perangkat lunak sistem yang
mengintegrasikan berbagai kemampuan komputer,
tapi tidak secara langsung menerapkan kemampuan
tersebut untuk mengerjakan suatu tugas yang
menguntungkan pengguna. Contoh utama perangkat
lunak aplikasi adalah pengolah kata, lembar kerja, dan

ISSN : 2301-9425

pemutar media. beberapa aplikasi yang digabung


bersama menjadi suatu paket kadang disebut sebagai
suatu paket atau suite aplikasi (application suite).
Contohnya adalah Microsoft Office dan Open
Office.org, yang menggabungkan suatu aplikasi
pengolah kata, lembar kerja, serta beberapa aplikasi
lainnya.
2.2. Prediksi
Pengertian Prediksi adalah sama dengan
ramalan atau perkiraan. Menurut kamus besar bahasa
Indonesia, prediksi adalah hasil dari kegiatan
memprediksi atau meramal atau memperkirakan.
Prediksi bisa berdasarkan metode ilmiah ataupun
subjektif belaka. Ambil contoh, prediksi cuaca selalu
berdasarkan data dan informasi terbaru yang
didasarkan pengamatan termasuk oleh satelit.
Begitupun prediksi gempa, gunung meletus ataupun
bencana secara umum. Namun, prediksi seperti
pertandingan sepakbola, olahraga, dll umumnya
berdasarkan pandangan subjektif dengan sudut
pandang sendiri yang memprediksinya.
2.3. Persediaan
Persediaan adalah barang yang dimiliki untuk
dijual atau untuk diproses selanjutnya dijual.
Berdasarkan pengertian di atas maka perusahaan jasa
tidak memiliki persediaan, perusahaan dagang hanya
memiliki persediaan barang dagang sedang
perusahaan industri memiliki 3 jenis persediaan yaitu
persediaan bahan baku, persediaan barang dalam
proses dan persediaan barang jadi (siap untuk dijual).
Dalam laporan keuangan, persediaan merupakan hal
yang sangat penting karena baik laporan Rugi atau
Laba maupun Neraca tidak akan dapat disusun tanpa
mengetahui nilai persediaan. Kesalahan dalam
penilaian persediaan akan langsung berakibat
kesalahan dalam laporan Rugi atauLaba maupun
neraca.
2.4. Sepeda Motor
Definisi Sepeda Motor. Definisi bisa
diibaratkan arti, maksud tentang sesuatu. Seperti
misalnya dalam artikel ini mengulas tentang sepeda
motor. Maka maksud dari sepeda motor itu apa,
penjelasannya seperti apa, sehingga orang yang belum
tahu, bisa mendapatkan sedikit informasi
atau
gambaran terkait sepeda motor itu sendiri.Berdasarkan
data dari wikipedia terkait definisi sepeda motor yaitu
kendaraan beroda dua yang ditenagai oleh sebuah
mesin. Rodanya sebaris dan pada kecepatan tinggi
sepeda motor tetap tidak terbalik dan stabil
disebabkan oleh gaya giroskopik; pada kecepatan
rendah pengaturan berkelanjutan setangnya oleh
pengendara memberikan kestabilan. Sementara
menurut Kamus Besar Bahasa Indonesia sepeda motor
adalah sepeda besar yang dijalankan oleh motor.
3.

Algoritma FP-Growth

Implementasi Algoritma FP-Growth Pada Aplikasi Prediksi Persediaan Sepeda Motor (Studi 140
Kasus
PT. Pilar Deli Labumas). Oleh : Ririanti

ISSN : 2301-9425

Pelita Informatika Budi Darma, Volume : VI, Nomor: 1, Maret 2014

FP-Growth adalah salah satu alternatif


algoritma yang dapat digunakan untuk menentukan
himpunan data yang paling sering muncul (frequent
itemset) dalam sekumpulan data. David Samuel[5].
Struktur data yang digunakan untuk mencari frequent
itemset dengan algoritma FP-Growth adalah perluasan
dari sebuah pohon prefix, yang biasa disebut FP-Tree.
Dengan menggunakan FP-Tree, algoritma FP-Growth
dapat langsung mengekstrak frequent itemset dari FPTree yang telah dibentuk dengan menggunakan
prinsip devided and conquer.
Bentuk Algoritma FP-Growth
Input : FP-Tree Tree
Output : Rt Sekumpulan lengkap pola frequent
Proses : FP-Growth (Tree,)
If tree mengandung single path p
Then
untuk
tiap
kombinasi
(dinotasikan ) dari node-node
dalam
Else untuk tiap a1dalam header dari tree
Do
{
Bangkitkan pola
Bangun = a1 dengan support = a1
support
If tree =
Then panggil FP-Growth (Tree, )
}}
Algoritma Algoritma FP-Growth dibagi menjadi
tiga langkah utama, namun terlebih dahulu dilakukan
pembentukan pohon dengan menggunakan algoritma
FP-Tree. Langkah-langkah algoritma FP-Growth
yaitu :
1. Pembentukan Pohon dengan FP-Tree
FP-Tree merupakan struktur penyimpanan data
yang dimampatkan. FP-Tree dibangun dengan
memetakan setiap data transaksi ke dalam setiap
lintasan tertentu dalam FP-Tree. Karena dalam
setiap transaksi yang dipetakan, mungkin ada
transaksi yang memiliki item yang sama, maka
lintasannya memungkinkan untuk saling menimpa.
Semakin banyak data transaksi yang memiliki item
yang sama, maka proses pemampatan dengan
struktur data FP-tree semakin efektif. Kelebihan
dari FP-tree adalah hanya memerlukan dua kali
pemindaian data transaksi yang terbukti sangat
efisien.
Tabel 1 : Transaksi Data Mentah
Tid
Transaksi
1
Vario, Hitam, Jari
2
Vario, Hitam, Pelak
3
Vario, Merah, Pelak
4
Vario, Merah, Jari
5
Beat, Hitam, Jari
6
Beat,Hitam, Jari
7
Beat, Hitam, Jari
8
Beat, Putih, Jari

9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

Beat, Putih, Jari


Beat, Merah, Pelak
Beat, Merah, Jari
Beat, Pink, Pelak
Beat, Pink, Jari
Beat, Pink, Jari
Beat, Pink, Jari
Spacy, Pink, Pelak
Spacy, Pink, Jari
Spacy, Putih, Jari
Spacy, Putih, Jari
Scoopy, Hitam, Pelak
Scoopy, Hitam, Jari
Scoopy, Merah, Pelak
Scoopy, Merah, Jari
Scoopy, Merah, Jari
Scoopy, Merah, Jari

Maka langkah selanjutnya adalah membentuk


pohon FP-Tree sebagai berikut:
gambar di bawah ini memberikan ilustrasi
mengenai pembentukan FP-tree setelah pembacaan
TID 1
NULL
Vario=1
Hitam=1
Pelak=

Gambar 1: Hasil pembentukan FP-tree setelah


pembacaan TID 1
didapat setelah melakukan TID 1, yaitu berisi
Null Vario=1 Hitam=1 pelak=1

Gambar 2 : Hasil pembentukan FP-tree setelah


pembacaan TID 2
Gambar didapat setelah melakukan TID 2,
yaitu berisi Null Vario=2 Hitam=2 Jari=1

Implementasi Algoritma FP-Growth Pada Aplikasi Prediksi Persediaan Sepeda Motor (Studi 141
Kasus
PT. Pilar Deli Labumas). Oleh : Ririanti

Pelita Informatika Budi Darma, Volume : VI, Nomor: 1, Maret 2014

Gambar 3 : Hasil pembentukan FP-tree


setelah pembacaan TID 3
Gambar didapat setelah melakukan TID 3,
yaitu berisi Null Vario=3 Merah=1 pelak=1
Dari frequent itemset yang didapat dari
pembentikan Fp-Tree dan FP-Growth maka dapat
dihitung nilai Support dan Confidence sebagai berikut
:
Support(Vario,Hitam,Pelak)=Count(Vario,Hitam,Pela
k)/Jumlah Transaksi
=1/25
Support(Vario,Merah,Pelak)=Count(Vario,Merah,Pela
k)/Jumlah Transaksi
=1/25
Support (Beat,Merah,Pelak) =Count
(Beat,Merah,Pelak)/Jum
lah Transaksi
=1/25
Support (Beat,Pink,Pelak)
=Count
(Beat,Pink,Pelak)/Jumla
h Transaksi
=1/25
Support (Spacy,Pink,Pelak) =Count
(Spacy,Pink,Pelak)/Jum
lah Transaksi
=1/25
Sedangkan
untuk
confidence
atau
nilai
kepercayaannya adalah sebagai berikut :
confidence (Vario,Hitam,Pelak) =Count
(Vario,Hitam,Pelak)/
Count Pelak
=1/7
confidence (Vario,Merah,Pelak) =Count
(Vario,Merah,Pelak)/
Count Pelak
=1/7
confidence (Beat,Merah,Pelak) =Count
(Beat,Merah,Pelak)/
Count Pelak
=1/7
confidence (Beat,Pink,Pelak) =Count
(Beat,Pink,Pelak)/
Count Pelak
=1/7

ISSN : 2301-9425

confidence (Spacy,Pink,Pelak) =Count


(Spacy,Pink,Pelak)/
Count Pelak
=1/7
confidence (Scoopy,Hitam,Pelak) =Count
(Scoopy,Hitam,Pelak)
/ Count Pelak
=1/7
confidence (Scoopy,Merah,Pelak) =Count
(Scoopy,Merah,Pelak
)/ Count Pelak
=1/7
Setelah di dapat nilai support dan confidence
dari keseluruhan kombinasi pada datawarehouse
dengan perhitungan fp-tree dan FP-Growth maka
didapat niai support dan confidence yang paling tinggi
dan akurat yaitu kombinasi {Beat, Hitam, Jari } ,
{Beat,Pink,Jari}
,
{Scoopy,Hitam,Jari}
yang
mempunyai nilai support : 3/25 = 0,12 dan nilai
confidence : 3/18 = 0,16

4. Perancangan
a. Form Utama
Form utama merupakan halaman yang
pertama kali muncul pada saat program dijalankan.
Form ini terdiri dari 2 pilihan menu yaitu input data
penjuaan dan proses mining dengan algoritma fpgrowth.

Gambar 4 : Form Utama


b. Form Penginputan Penjualan Sepeda Motor
Form ini digunakan untuk penginputan datadata penjualan mulai dari jenis sepeda motor, tipe
sepeda motor, warna sepeda motor, jenis roda sepeda
motor, banyak nya penjualan perbulan nya dan
persediaan awal dan akhirnya. Setelah dilakukan
penginputan, data harus disimpan telebih dahulu, lalu
lanjut ke proses mining untuk mengetahui banyaknya
persediaan
atau
dapat
membatalkan
untuk
membatalkan penyimpanan.

Implementasi Algoritma FP-Growth Pada Aplikasi Prediksi Persediaan Sepeda Motor (Studi 142
Kasus
PT. Pilar Deli Labumas). Oleh : Ririanti

ISSN : 2301-9425

Pelita Informatika Budi Darma, Volume : VI, Nomor: 1, Maret 2014

Gambar 7 : Form Output


5.

Gambar 5 : Form Penginputan Aplikasi data


mining
c. Form Proses Mining
Form ini adalah lanjutan pada tahap
sebelumnya, pada form akan tampil data-data yang
telah disimpan, lalu kita inputkan minimum support
countnya. Untuk melanjutkan ketahap berikutnya,
tekan tombol hitung growth . berikut adalah tampilan
form proses mining.

Kesimpulan
Dari hasil analisis yang telah dilakukan, maka
dapat diambil beberapa kesimpulan diantaranya
sebagai berikut :
1. Menganalisis prediksi persediaan sepeda motor
dapat dilakukan dengan melihat laporan
penjualan, banyaknya sepeda motor yang terjual
akan membuat persediaan sepeda motor
berkurang sehingga pihak perusahaan harus
dapat memprediksi banyaknya persediaan yang
harus disediakan untuk kedepannya.
2. Untuk mengimplementasikan algoritma fpgrowth pada aplikasi prediksi persediaan sepeda
motor dapat dilihat dari banyak nya item yang
terjual, lalu membuat rangaian tree dengan fptree untuk mengetahui banyaknya frequent
itemset yang terjadi.
3. Untuk merancang aplikasi prediksi persediaan
sepeda motor dapat menggunakan bahasa
pemrograman Visual Basic.net dan database
mysql.
6.

Gambar 6 : Form Proses Mining


d. Form Output
Form ini berisi hasil akhir dari sistem,
banyak nya jumlah persediaan dapat kita lihat pada
form ini. Berikut adalah tampilan form output
persediaan sepeda motor.

SARAN
Berdasarkan hasil penelitian, ada beberapa saran
yang dapat dilakukan guna pengembangan sistem ini
menjadi lebih baik, diantaranya sebagai berikut :
1. Untuk mendapatkan data induk , dapat
menggunakan data penjualan sepeda motor dari
bulan ke bulan.
2. Data penjualan yang di ambil dari PT. Pilar Deli
Labumas selama 4 bulan , dapat dijadikan
perbandingan disetiap bulan nya, apakah
mengalami
peningkatan
penjualan
atau
penurunan.
3. Skripsi ini dapat lebih dikembangkan tidak hanya
pada penjualan sepeda motor matic saja.
4. Aplikasi diracang meggunakan Visual Basic.Net
dan database Mysql.

DAFTAR PUSTAKA
1.
2.
3.
4.

5.

Heri Sismoro ,2005, Pengantar logika


informatika, algoritma dan pemrograman
komputer, Andi, Yogyakarta
Kusrini
dan
Emha
Taufiq
Luthfi,
2009,ALGORITMA DATA MINING, Andi
,Yogyakarta
Budi Santosa, 2007, Data mining : Teknik
pemanfaatan data untuk keperluan bisnis,
Graha Ilmu
Jiawei Han and Micheline Kamber, 2000, Data
mining : concepts and tehniques : Chapter 6.
Mining asosiation Rules In Large Data Bases,
Simon Fraser University
David Samuel, Penerapan Stuktur FP-Tree dan
Algoritma FP-Growth dalam Optimasi

Implementasi Algoritma FP-Growth Pada Aplikasi Prediksi Persediaan Sepeda Motor (Studi 143
Kasus
PT. Pilar Deli Labumas). Oleh : Ririanti

Pelita Informatika Budi Darma, Volume : VI, Nomor: 1, Maret 2014

ISSN : 2301-9425

Penentuan Frequent Itemset , Sekolah Teknik


Elektro dan Informatika Institut Teknologi
Bandung

Implementasi Algoritma FP-Growth Pada Aplikasi Prediksi Persediaan Sepeda Motor (Studi 144
Kasus
PT. Pilar Deli Labumas). Oleh : Ririanti