Dokumen - Tips - Algoritma Data Mining Menggunakan Aturan Asosiasi Dengan Metode Apriori
Dokumen - Tips - Algoritma Data Mining Menggunakan Aturan Asosiasi Dengan Metode Apriori
MAKALAH
diajukan untuk memenuhi salah satu tugas Mata Kuliah Data Mining
Kelas 6A
Anggota Kelompok :
Asep Sudirman
Erna Haerani
107006001
107006005
Asep Kurniawan
107006023
Firman Cahyana
107006025
Kicep Sutisna
107006026
107006035
Bayu Gumilar
107006039
Ramma Yudha
107006046
FAKULTAS TEKNIK
JURUSAN TEKNIK INFORMATIKA
UNIVERSITAS SILIWANGI
TASIKMALAYA
2013
KATA PENGANTAR
Puji dan syukur Tim Penulis panjatkan kepada Tuhan Yang Maha Esa atas rahmatNya yang telah dilimpahkan kepada Tim Penulis sehingga Tim Penulis dapat
menyelesaikan makalah yang berjudul Algoritma Data Mining Asosiasi dengan
menggunakan Metode Apriori yang merupakan salah satu tugas Mata Kuliah Data Mining.
Dalam menyelesaikan makalah ini, Tim Penulis telah banyak mendapat bantuan
dan masukan dari berbagai pihak. Oleh karena itu, dalam kesempatan ini Tim Penulis ingin
menyampaikan terimakasih kepada :
1. Bapak Acep Irham, Gufroni, M,Eng. selaku Dosen Mata Kuliah Data Mining yang telah
mmbimbing kami dalam pengerjaan makalah ini.
2. Kedua Orangtua yang telah membina, mendidik dan membesarkan saya.
3. Teman-teman sekelompok dan juga teman sekelas, serta Pihak-pihak lainnya yang tidak
dapat Penulis sebutkan satu persatu yang telah turut membantu sehingga makalah ini dapat
terselesaikan dengan baik dalam waktu yang tepat.
Penulis menyadari bahwa penyusunan makalah ini masih jauh dari kesempurnaan, mudahmudahan dapat memberikan manfaat bagi Tim Penulis khususnya dan umumnya kepada
para pembaca sekalian. Akhir kata Tim Penulis berharap mendapatkan kritik dan saran
yang bersifat membangun untuk pembuatan makalah selanjutnya yang lebih baik lagi.
Penulis
DAFTAR ISI
Kata Pengantar................................................................................................................ i
1
Daftar Isi......................................................................................................................... ii
Bab I Pendahuluan
A. Latar Belakang ................................................................................................... 1
B. Rumusan Masalah............................................................................................... 2
C. Tujuan Makalah.................................................................................................. 3
Bab II Pembahasan
A.
B.
C.
D.
Rumusan Masalah............................................................................................... 1
Tujuan Makalah.................................................................................................. 2
Latar Belakang ................................................................................................... 1
Rumusan Masalah............................................................................................... 1
Tujuan Makalah.................................................................................................. 2
Tujuan Makalah.................................................................................................. 2
Latar Belakang ................................................................................................... 1
Rumusan Masalah............................................................................................... 1
BAB I
PENDAHULUAN
A. Latar Belakang
Ketersediaan data sudah bukan hal yang sulit diperoleh lagi dewasa ini apalagi
ditunjang dengan banyaknya kegiatan yang sudah dilakukan secara komputerisasi.
Namun data ini seringkali diperlakukan hanya sebagai rekaman tanpa pengolahan
lebih lanjut sehingga tidak mempunyai nilai guna lebih untuk keperluan masa
mendatang. Analisa dari tiap koleksi data tersebut akan menghasilkan pengetahuan
atau informasi, misalnya berupa pola dan kaidah asosiasi yang terjadi pada data. Pola
dan kaidah asosiasi bisa terjadi pada berbagai jenis data baik data ekonomi, keuangan,
kesehatan dan lain-lain.
Penggalian kaidah asosiasi mempunyai peranan penting dalam proses pengambilan
keputusan. Tahapan besar dari proses Data Mining adalah mengidentifikasikan
frequent itemset dan membentuk kaidah asosiasi dari itemset tersebut. Kaidah
asosiasi digunakan untuk menggambarkan hubungan antar item pada tabel data
transaksional.
Tapi semakin berkembangnya teknologi komputer di dunia industri, semakin pesat
pula perkembangan ukuran data tabel transaksional yang dihasilkan. Dan pada data
tabel transaksional yang besar (VLDB, Very Large Database) tersebut, proses
pencarian frequent itemset sangatlah sulit. Dari kondisi tersebut, sudah banyak
algoritma yang dibentuk untuk mencari kaidah asosiasi. Tetapi keterbatasan tetap saja
ada. Keterbatasan yang paling mencolok adalah diperlukannya pembacaan basis data
secara berulang yang mengurangi kinerja algoritma tersebut. Sehingga diperlukan
suatu algoritma yang sangat efisien yang bisa meminimalisasi pembacaan basis data,
sehingga bisa mengoptimasi waktu yang dibutuhkan.
Perangkat lunak yang dibuat ini menggunakan suatu algoritma yang menyimpan data
tabel transaksional di memory pada pembacaan awal. Sehingga untuk proses
selanjutnya pembacaan basis data dapat dikurangi. Sifat ini tentu saja menguntungkan
algoritma tersebut.
Banyak teori dan pendekatan yang dikembangkan untuk memperoleh hasil penemuan
kaidah asosiasi dan pola. Salah satu metode yang dikembangkan yaitu dengan
menggunakan metode apriori. Beberapa dari metode sebelumnya melakukan pencarian
3
itemset
dengan
pendekatan
graf
asosiasi
yang
memiliki
kelemahan
pada
B. Rumusan Masalah
Masalah yang akan dibahas dalam makalah ini adalah :
1. Apa Deskripsi Organisasi?
2. Bagaimana Investigasi Situasi dan Stakeholder?
3. Bagaimana Analisis Lingkungan Eksternal Bisnis Organisasi?
4. Bagaimana Analisis Lingkungan Internal Bisnis Organisasi?
5. Bagaimana Analisis Lingkungan Internal dan Eksternal Sistem dan Teknologi
Informasi?
6. Bagaimana Penetapan Target Sistem dan Teknologi Informasi?
C. Tujuan Makalah
Tujuan dari penulisan makalah ini adalah untuk :
1. Mengetahui Deskripsi Organisasi.
2. Mengetahui Investigasi Situasi dan Stakeholder.
3. Mengetahui Analisis Lingkungan Eksternal Bisnis Organisasi.
4. Mengetahui Analisis Lingkungan Internal Bisnis Organisasi.
5. Mengetahui Analisis Lingkungan Internal dan Eksternal Sistem dan Teknologi
Informasi.
6. Mengetahui Penetapan Target Sistem dan Teknologi Informasi.
4
BAB II
PEMBAHASAN
A. Algoritma A Priori
Algoritma a priori termasuk jenis aturan assosiasi pada data mining. Selain a priori
yang termasuk pada golongan ini adalah metode Generalized Rule Induction dan
Algoritma Hash Based.
dari analisa pembelian di suatu pasar swalayan adalah dapat diketahuinya berapa besar
kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan
pengetahuan tersebut pemilik pasar swalayan dapat mengatur penempatan barangnya
atau merancang kampanye pemasaran dengan memakai kupon diskon untuk
kombinasi barang tertentu. Karena analisis asosiasi menjadi terkenal karena aplikasinya
untuk menganalisa isi keranjang belanja di pasar swalayan, analisis asosiasi juga sering
disebut dengan istilah market basket analysis.
Analisis asosiasi dikenal juga sebagai salah satu teknik data mining yang menjadi
dasar dari berbagai teknik data mining lainnya. Khususnya salah satu tahap dari
analisis asosiasi yang disebut analisis
pola
frequensi
tinggi
(frequent
pattern
mining) menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien.
Penting tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter,
support (nilai penunjang) yaitu persentase kombinasi item tersebut dalam database
dan confidence (nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan
asosiasi.
Aturan asosiasi biasanya dinyatakan dalam bentuk :
{roti, mentega} -> {susu} (support = 40%, confidence = 50%)
Yang artinya : "50% dari transaksi di database yang memuat item roti dan mentega
juga memuat item susu. Sedangkan 40% dari seluruh transaksi yang ada di database
memuat ketiga item itu."
Dapat juga diartikan : "Seorang konsumen yang membeli roti dan mentega punya
kemungkinan 50% untuk juga membeli susu. Aturan ini cukup signifikan karena
mewakili 40% dari catatan transaksi selama ini."
Analisis asosiasi didefinisikan suatu proses untuk menemukan semua aturan asosiasi
yang memenuhi syarat minimum untuk support (minimum support) dan syarat
minimum untuk confidence (minimum confidence).
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:
Support( A)
Total Transaksi
sedangkan nilai support dari 2 item diperoleh dari rumus 2 berikut :
Support ( A, B) P( A B)
Support ( A, B)
seperti
Data pada Tabel 5.1 dalam database transaksional biasa direpresentasikan dalam
bentuk seperti tampak pada Tabel 5.2
Transaksi
1
1
1
2
2
2
3
3
4
4
5
5
5
6
6
7
7
7
8
8
8
9
9
9
10
10
10
Dan bila kita bentuk dalam bentuk tabular, data transaksi akan tampak seperti pada
Tabel 5.3.
Format Tabular Data Transaksi
Transaksi
1
2
3
4
5
6
7
8
9
10
Teh
1
1
1
0
0
1
0
0
0
1
Gula
1
1
1
0
1
1
1
1
0
1
Kopi
0
0
0
0
0
0
1
1
1
1
Susu
1
0
0
1
1
0
1
1
1
0
Roti
0
1
0
1
1
0
0
0
1
0
Jika
A, maka B ( A-7B)
Jika B maka A
Definisi ini tidak berlaku untuk aturan trivial seperti :
Jika beans dan Squash Maka beans
Seorang analis mungkin hanya akan mengambil aturan yang memiliki support
dan/atau confidence yang tinggi. Aturan yang kuat adalah aturan-aturan yang melebihi
kriteria support dan/atau confidence minimum. Misalnya seorang analist
menginginkan aturan yang memiliki support lebih dari 20% dan confidence lebih
dari 35%.
Sebuah itemset adalah himpunan item-item yang ada dalam I, dan k-itemset adalah
itemset yang berisi k item. Misalnya {Teh, Gula) adalah sebuah 2-itemset dan {Teh,
Gula, Roti) merupakan 3- itemset.
Frequent Itemset menunjukkan itemset yang memiliki frekuensi kemunculan lebih dari
nilai minimum yang telah ditentukan (). Misalkan = 2, maka semua itemset yang
frekuensi kemunculannya lebih dari atau sama dengan 2 kali disebut frequent.
Himpunan dari frequent k-itemset dilambangkan dengan Fk.
Tabel 5.4 berikut ini menujukkan calon 2-itemset
dari data transaksi pada Tabel 5.1.
Calon 2-itemset
Kombinasi
Teh, Gula
Teh, Kopi
Teh, Susu
Teh, Roti
Gula, Kopi
Gula, Susu
Gula, Roti
Kopi, Susu
Kopi, Roti
Susu, Roti
Jumlah
5
1
1
1
3
4
2
3
1
3
F2 =
Calon 3-itemset
Kombinasi
Teh, Gula, Kopi
Teh, Gula, Susu
Gula, Susu, Kopi
Gula, Susu, Roti
Gula, Kopi, Roti
Kopi, Susu, Roti
Jumlah
1
1
2
0
0
1
Kombinasi dari itemset dalam F2 dapat kita gabungkan menjadi calon 3-itemset.
Itemset- itemset dari F2 yang dapat digabungkan adalah itemset-itemset yang memiliki
kesamaan dalam k-1
item pertama. Calon 3-itemset yang dapat dibentuk dari F2 seperti tampak pada Tabel
5.5.
Dengan demikian F3 = {{Gula, Susu, Kopi}}, karena hanya kombinasi inilah yang
memiliki frekeunsi
kemunculan >= .
Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yang
memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan
assosiatif A -7 B
Dari F3 yang
telah ditemukan, dapat dilihat besarnya nilai support dan confidence dari calon aturan
asosiasi seperti tampak pada Tabel 5.6.
Calon Aturan Asosiasi dari F3
Aturan
Confidence
50%
Jika membeli Gula dan Susu 2/4
Maka
akan membeli
Jika membeli
Gula Kopi
dan Kopi 2/3
67%
Maka
akan membeli
Jika membeli
Kopi Susu
dan Susu 2/3
67%
membeli Kopi
dan
Sementara itu calon aturan asosiasi dari F2 bisa dilihat pada tabel 5.7
Aturan Asosiasi
Aturan
Jika membeli Teh
Confidence
5/5
100%
Maka
akan membeli
Jila membeli
Gula Gula
5/8
62.5%
Maka
akan membeli
Jika membeli
Gula Teh
3/8
37.5%
Maka
akan membeli
Jika membeli
Kopi Kopi
3/4
75%
Maka
akan membeli
Jika membeli
Gula Gula
4/8
50%
Maka
akan membeli
Jika membeli
Susu Susu
4/6
67%
Maka
akan membeli
Jika membeli
Gula Gula
2/8
25%
Maka
akan membeli
Jika membeli
Roti Roti
2/4
50%
3/4
75%
Maka
akan membeli
Jika membeli
Susu Susu
3/6
50%
Maka
akan membeli
Kopiakan 3/6
Jika membeli
Susu Maka
50%
membeli
Roti Roti
Jika membeli
75%
3/4
dan aturan asosiasi final terurut berdasarkan Support x Confidence terbesar dapat
dilihat pada Table 5.8.
Aturan Asosiasi Final
SUPPORT x
ATURAN
Jika
membeli
SUPPORT 100%
CONFIDENC CONFIDENC
Teh 50%
62.50%
67%
75%
75%
75%
67%
67%
Tabel Orders menyimpan transaksi yang terjadi dalam suatu perusahaan sedangkan
tabel Order Details menjelaskan prodecur apa saja yang terbeli dalam masing-masing
transaksi pada tabel Orders.
Langkah yang dilakukan dalam pembuatan aplikasi mining aturan asosisasi dengan
algoritma apriori pada penelitian ini dijelaskan dalam flowchart yang tampak pada
Gambar 5.2, Gambar 5.3, Gambar 5.4
dan Gambar 5.5
Gambar 5.2 Flowchart Program untuk mendapatkan kombinasi yang memenuhi (1)
File aplikasi dan source code dapat di peroleh dalam CD yang disertakan dalam
buku ini. Untuk dapat menjalankan aplikasi ini, komputer harus terinstal SQL Server
2000.
Kode program ditulis dengan bahasa pemrograman Borland Delphi 6. Aplikasi ini
berjalan diatas sistem operasi Microsoft Windows.
Aplikasi ini membutuhkan database Northwind, yaitu database default saat menginstal
SQL Server 2000. Setelah SQL Server terinstal, masukkan database Northwind
dalam ODBC. Berikut ini adalah langkah yang harus dilakukan untuk menambahkan
database Northwind dalam ODBC:
1. Buka Control Panel Administrative Tool Data Source (ODBC). Fasilitas ini
2. Pada form ODBC, tekan tombol Add. Form ini dapat dilihat pada Gambar 5.8
3. Pada Form Create New Data Source pilih Driver SQL Server dan tekan Tombol
4. Pada Form Create a New Data Source to SQL Server masukkan name
dimana
databasenya
diletakkan kemudian
halaman
pemilihan database,
ganti database
default
seperti tampak pada Gambar 5.11, kemudian tekan Tombol Next dan di halaman
berikutnya
tekan Tombol Finish.
1.
2.
13.73 %
5.
13.95 %
6.
18.75 %
10. JIKA membeli 54 MAKA akan membeli 30 dengan SUPPORT 0.72 % dan
CONFIDENCE
16.67 %
11. JIKA membeli 31 MAKA akan membeli 72
dengan SUPPORT 0.72 % dan CONFIDENCE
12.76 %
12. JIKA membeli 72 MAKA akan membeli 31
dengan SUPPORT 0.72 % dan CONFIDENCE
15.79 %
13. JIKA membeli 60 MAKA akan membeli 71 dengan SUPPORT 0.72 % dan
CONFIDENCE
12.76 %
14. JIKA membeli 71 MAKA akan membeli 60 dengan SUPPORT 0.72 % dan
CONFIDENCE
14.29 %
terhadap produk tersebut dari tabel Order Details yang memenuhi minimum transaksi
dan dimasukkan ke dalam tabel C1. Tabel Order Details dan tabel C1 dapat dilihat
pada lampiran 2, sedangkan minimum transaksi ditentukan oleh user pada form
aplikasi, dan dalam hal ini diambil nilai minimum transaksi sebesar 5.
2. Membuat kombinasi item-item pada tabel C1 dan dimasukkan ke dalam
tabel C2 menjadi
calon 2-itemset. Pada langkah ini dilakukan pula penghitungan frekuensi transaksi
yang
mengandung kombinasi item-item tersebut. Kombinasi item yang memiliki frekuensi
transaksi kurang dari nilai minimum_transaksi
dihapus dari tabel C2. Isi dari tabel C2 dapat dilihat pada lampiran 2.
3. Membuat kombinasi item-item pada tabel C2 dan dimasukkan ke tabel C3
dan sebaliknya
5. dari masing-masing bentuk aturan asosiasi pada seluruh record yang ada
Aplikasi ini sudah dapat digunakan untuk mencari aturan asosiasi sampai tingkat nantecedent. Tetapi karena data dalam database belum terlalu banyak, maka aturan
asosiasi yang ditemukan baru sampai 1-anteced
BAB III
PEMBAHASAN CONTOH KASUS
Data mining adalah suatu istilah yang digunakan un- tuk menguraikan penemuan
pengetahuan di dalam database. Data mining merupakan bagian integral dari
Knowledge Discovery in Database (KDD), di- mana mencakup keseluruhan
proses konversi data mentah menjadi informasi yang berguna. Data min- ing
adalah proses yang menggunakan teknik statistic, matematika, kecerdasan buatan,
dan machine learn- ing untuk mengekstraksi dan mengidentifikasi infor- masi
yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar [4].
Dengan adanya sistem komputerisasi pada setiap transaksi di semua bidang saat
ini dan tersedianya suatu perangkat keras untuk menyimpan data yang besar, data
mining dapat digunakan untuk menam- bang suatu informasi penting yang dapat
dihasilkan dari basis data tersebut. Proses ini dapat membantu dalam pengambilan
keputusan bagi pengguna.
2
dari nilai minimum support (minsup) yang telah di- tentukan sebelumnya.
Himpunan dari frequent k- itemset dilambangkan dengan Fk .
Aturan asosiasi merupakan ekspresi AB, dengan A
dan B adalah itemset.
Support=
Confidence=
Tugas dari Data Mining adalah untuk menghasil- kan semua aturan asosiasi pada
suatu tabel transak- sional, yang mempunyai nilai support lebih dari min- sup.
Aturan tersebut juga harus mempunyai confi- dence yang lebih besar dari
mincof.
Data yang diambil sebagai contoh adalah data transaksi penjualan obat disuatu
apotek. Terdapat 5 jenis obat yang berbe- da, yang dianggap sebagai 5 item.
Setiap item dino- tasikan dengan inisial yang berbeda. Misalnya jenis obat
Antibiotik diberi inisial huruf A, seperti terlihat pada tabel 1. Kemudian semua
inisial tersebut di ma- sukkan ke dalam himpunan I = A,B,C,D,E. Data tabel
transaksional D (table 2) terdiri dari 7 transaksi pen- jualan obat dimana tiap
transaksi penjualan terdiri dari beberapa obat yang terdapat pada table 1.
Jenis Obat
Antibiotik
Ekspektoran
Vitamin&Miner
Hemostatik
Psikofarmaka
Inisial
A
B
C
D
E
Tabel 1
Tabel 3 berikut ini menunjukkan salon 2-itemset dari data transaksi pada tabel 2.
4
Ta bel 3:
Algoritma Apriori
Tabel 4: Calon 3-itemset
Confidence
02/04/2010 50%
02/03/2010 67%
02/03/2010 67%
02/03/2010 67%
02/02/2010 100%
02/03/2010 67%
1.
2.
3.
atau
k-itemset
ditetapkan
dari
kandidat
k-itemset
yang
support Itemset
57,14%
A,B
42,86% AC, BC, CD
28,57% AD, AE, ABC,
4.
Bila tidak didapat pola frekuensi tinggi maka seluruh proses dihentikan. Bila
tidak, maka k tambah satu dan kembali ke bagian 1.
Contoh dari penerapan algoritma Apriori dapat di- ilustrasikan seperti pada
Gambar 2.
Pengujian pada aplikasi keranjang pasar ini menggunakan 61 buah transaksi yang
diambil dari sebuah apotek. Data yang diam- bil berasal dari transaksi laporan
penjualan selama dua bulan, yaitu bulan Maret dan April. Data terse- but berupa
data obat yang terdiri dari 31 jenis obat dan 554 buah nama obat beserta kode
obatnya. Da- ta akhir ini disimpan pada database dengan nama transaksi penjualan.
Sebelum proses analisis dilakukan, nama-nama jenis obat yang digunakan di
ganti dengan se- buah inisial dengan tujuan agar lebih ringkas dalam
penulisannya. Pada tabel 7 merupakan tabel yang berisi keterangan dari inisial
yang akan digunakan untuk menggantikan nama-nama jenis obat yang ada.
Tabel 7: Keterangan Inisial yang akan Digunakan
Pada penelitian ini beberapa nilai awal maupun asumsi yang digunakan analisis
data sebagai berikut
:
minsup : 20%
mincof : 50%
Dari hasil pengolahan terhadap 61 transaksi, de- ngan menggunakan algoritma
apriori untuk masalah penggalian asosiasi didapat hasil sebagai berikut :
Iterasi 1 :
1.
Font Bold
2.
Iterasi 2 :
1. menentukan kandidat 2-itemset dengan menentukan support dan confidence.
Da- ta untuk kandidat frequent 2-itemset dis- ajikan dalam tabel 9, berisi data
yang telah dipangkas pada pencarian frequent 2- itemset dengan memenuhi syarat
minsup sebesar 20%.
Tabel 10: Support_count untuk kandidat 2-itemset, minsup 20%
Iterasi 3 :
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Jenis Obat
X1 X5
X1 X17
X1 X31
X2 X17
X5 X9
X5 X17
X5X21
X9 X17
X10X17
X14 X17
X17X19
X17 X21
X17X29
X17X31
Jumlah
12
21
14
13
13
17
14
21
16
12
14
20
19
24
Support (%)
20%
34%
23%
21%
21%
28%
23%
34%
26%
20%
23%
33%
31%
39%
11
1.
support
dan
Setelah
No
Jenis Obat
Jml Sup (%)
1
X1 X17X 31
11
18%
2
X1 X2X17
6
9.8%
3
X5 X19X31
5
8.2%
4
X17 X19X21
7
11.5%
5
X17 X19X31
7
11.5%
dibandingkan
dengan
6
X17 X21 X31
10 minsup
16.4% =
yang memenuhi syarat hanya ada 8 asosiasi, seperti terlihat pada tabel 11. Ke-8
asosiasi tersebut dapat diterjemahkan sebagai berikut :
1.
2.
Support 23%, artinya 23% dari semua transak- si yang dianalisis menunjukkan
bahwa anal- getika dan vitamin&mineral dibeli bersamaan, sedangkan confidence
sebesar 56% menyatakan tingkat kepercayaan atau dapat dikatakan jika seorang
konsumen membeli jenis obat analgeti- ka maka terdapat 56% kemungkinan dia akan
membeli jenis obat vitamin&mineral juga.
3.
Support 21%, artinya 21% dari semua transaksi yang dianalisis menunjukkan
bahwa anal- getik anti piretik dan antibiotika dibeli bersamaan, sedangkan
12
4.
Support 21%, artinya 21% dari semua transak- si yang dianalisis menunjukkan
bahwa anti asma&bronchodilator dan anti histamin dibeli bersamaan, sedangkan
confidence sebesar 65% menyatakan tingkat kepercayaan atau dapat dikatakan
jika seorang konsumen membeli je- nis obat anti asma&bronchodilator maka
terda- pat 65% kemungkinan dia akan membeli jenis obat anti histamin juga.
5.
Support 28%, artinya 28% dari semua transak- si yang dianalisis menunjukkan
bahwa an- ti asma&bronchodilator dan antibiotika dibeli bersamaan, sedangkan
confidence sebesar 85% menyatakan tingkat kepercayaan atau dapat
dikatakan
jika
seorang
konsumen
membeli
je-
nis
obat
anti
asma&bronchodilator maka terda- pat 85% kemungkinan dia akan membeli jenis
obat antibiotika juga.
6.
7.
atau dapat dikatakan jika seorang konsumen membeli jenis obat anti histamin maka terdapat 91.3% kemungkinan dia akan membeli jenis obat
antibiotika juga.
8.
Aturan
1.
Sup (%)
34%
23%
21%
21%
28%
adalah
23% sebagai
34%
26%
berikut :
Jika membeli obat analgetika maka akan mem- beli obat antibiotika dengan
support 34% dan confidence 84%
2.
Jika membeli obat analgetika maka akan mem- beli obat vitamin&mineral dengan
support 23% dan confidence 56%
3.
Jika membeli obat analgetik anti piretik maka akan membeli antibiotika dengan
support 21% dan confidence 81.3%
4.
Jika membeli obat anti asma&bronchodilator maka akan membeli obat anti
14
5.
6.
Jika
membeli
obat
anti
7.
Jika membeli obat anti histamin maka akan membeli antibiotika dengan support
34% dan confidence 91.3%
8.
Jika membeli obat anti parasitik maka akan membeli antibiotika dengan support
26% dan confidence 76.2%
Pengetahuan yang dapat ditarik dari ke-8 aturan asosiasi pada tabel 12 adalah
sebagai berikut :
Kesatu, digunakan dalam membantu apotek un- tuk menyusun layout sebaik
mungkin dan sesuai ke- butuhan konsumen serta membantu pihak apoteker dalam
memudahkan mencari kombinasi obat yang sering di beli. Sebagai contoh
(antibiotika anti his- tamin). Maka analisa yang mungkin didapat adalah kebiasaan
pelanggan selain membeli obat antibioti- ka juga sering kali membeli jenis obat
anti histamin secara bersamaan. Sehingga efeknya pada tata letak apotek adalah
letak obat antibiotika tidak jauh dari obat anti histamin.
Kedua, hasil asosiasi yang didapat juga bisa di- gunakan dalam membantu
apotek untuk menetukan keputusan persediaan. Sebagai contoh data yang dipakai adalah (antibiotika anti histamin). Dari da- ta tersebut, dapat diambil
kesimpulan seandainya pelanggan biasa membeli obat antibiotika dan an- ti
histamine secara bersamaan, maka apotek seti- daknya harus menyediakan
15
kedua obat tersebut dalam jumlah yang lebih banyak dan dengan jumlah yang
sama.
Ketiga, digunakan untuk melihat hubungan antara penjualan satu produk obat
dengan produk obat lain- nya, misalkan pencarian pola penjualan obat antibiotika sedemikian rupa sehingga kita dapat menge- tahui obat apa saja yang
juga dibeli oleh pembeli antibiotika. Dengan demikian kita bisa mengetahui
bahwa antibiotika sering dikonsumsi oleh banyak masyarakat pada saat mereka
sakit dan antibiotika dapat di kombinasikan dengan obat lain sesuai atu- ran dari
dokter atau pihak apoteker.
Sehingga dapat
disimpulkan 91.3% dari se- orang konsumen yang membeli obat anti histamine
juga membeli obat antibiotika dan 34% dari semua konsumen membeli keduanya.
16
Dari aturan asosiasi yang didapat diharapkan da- pat membantu pengembang
untuk mengetahui kebi- asaan berbelanja masyarakat dan merancang strategi
penjualan berdasarkan jenis obat yang tingkat kon- sumsinya tinggi.
B. Saran
Volume data yang digunakan untuk uji coba dis- arankan ditambah serta
penggunaan nilai support dan nilai confidence yang bervariasi sehingga da- pat
menghasilkan lebih banyak asosiasi antar da- ta yang dapat mengandung
informasi penting yang lebih bermanfaat.
Dari hasil pengolahan data beberapa saran atau usul tindakan saran
kepada pihak manajemen apotek dalam rangka meningkatkan penjualan, yaitu
dapat menambah persediaan obat yang ada sesuai jenis obat apa saja yang sering
di beli bersamaan oleh kon- sumen.
17
DAFTAR PUSTAKA
[1] Leni Meiwati dan Metty Mustikasari. Aplikasi data mining menggunakan aturan
asosiasi dengan metode apriori untuk analisis keranjang pasar pada data transaksi penjualan
apotek. Jurnal Ilmiah, Jurusan Sistem Informasi Fakultas Ilmu Komputer dan
Teknologi Informasi, Universitas Gunadarma, Depok, 2013.
[2] Data mining : Analisis keranjang pasar, 16 Juli 2010.
[3] Budi Agustianingsih. Analisis keranjang pasar menggunakan algoritma
predictive apriori untuk mendapatkan aturan asosiasi di suatu minimart di kelapa
dua. Skripsi, Fakultas Teknologi Indus- tri, Universitas Gunadarma, Depok, 2008.
[4] Kusrini dan Emha Taufiq Luthfi. Algoritma Data Mining. ANDI, Yogyakarta,
2009.
[5] Leo Willyanto Santoso. Pembuatan perangkat lu- nak data mining untuk
pengalian kaidah asosiasi menggunakan metode apriori. Universitas Kris- ten
Petra.
[6] Steinbach M. Kumar V. Tan, P. N.. Introdution to Data Mining. Pearson
Education, 1 edition, 2006.
[7] member IEEE Zaki. M.J. Scalable algorithm for association mining. In IEEE
Transaction on Knowledge and Data engineering, volume 12, May/June 2000.