Pelita Informatika Budi Darma, Volume : ViI, Nomor: 3, Agustus 2014 ISSN : 2301-9425

PERANCANGAN WEB E-COMMERCE JUAL BELI BATU CINCIN

DENGAN ALGORITMA APRIORI (STUDI KASUS
TOKO AKIK MURAH PADANG SIDIMPUAN)
Rizki Muliono

Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan

Jl. Sisingamangaraja No.338 Simpang Limun Medan
www.stmik-budidarma.ac.id //rizkimuliono@gmail.com

ABSTRAK

Saat ini e-commerce telah menjadi sebuah konsep yang berpengaruh besar dalam dunia perdagangan
baik lokal dan dunia pasar interntional dimana pembayaran juga telah menggunakan online payment yang
menjadim keamanan dalam bertransaksi seperti PayPal. Market Basket Analysis (MBA) adalah salah satu
analisa yang bertujuan untuk menemukan barang yang dibeli bersama dalam transaksi dengan memanfaatkan
data transaksi yang ada. Penelitian ini bertujuan untuk membangun sebuah sistem penjualan online dengan
menerapkan analisa algoritma apriori. Algoritma ini dimulai dengan mencari sejumlah frequent itemset dan
dilanjutkan dengan pembentukan aturan-aturan asosiasi (association rules). Algoritma Apriori adalah
algoritma yang sangat populer untuk menemukan sejumlah frequent itemset dari data-data transaksi yang
tersimpan dalam basis data.
Dalam penelitian ini algoritma Apriori digunakan untuk membantu menemukan sejumlah aturan
asosiasi dari basis data transaksi penjualan produk batu cincin di Toko Akik Murah Padangsidimpuan,
sehingga untuk selanjutnya dapat digunakan sebagai pertimbangan dalam membuat strategi pemasaran dan
penjualan yang efektif.

Kata kunci : E-commerce, Paypal, Market Basket Analysis, Apriori

1. Pendahuluan kebijakan dan strategi bisnis melalui analisa dengan

Seiring dengan hadirnya internet akhir-
akhir ini yaitu salah satunya metode transaksi yang
di lakukan secara online mulai berkembang pesat,
bahkan sampai pada beberapa aspek dan kegiatan
yang biasa dilakukan secara konvensional sekarang
dilakukan dengan menggunakan sistem online.
Menurut Esprit yang dikutip oleh Whiteley, e-
commerce adalah konsep umum setiap bentuk dari
transaksi bisnis atau pertukaran informasi yang
dilakukan dengan menggunakan teknologi
komunikasi dan informasi. E-commerce digunakan
antar perusahaan, antara perusahaan dengan
pelanggan mereka, atau antara perusahaan dengan
administrasi publik. E-commerce terdiri dari
perdagangan produk, jasa dan barang-barang
elektronik. Dalam bentuknya yang paling jelas, e-
commerce menjual produk kepada konsumen secara
online, tapi faktanya jenis bisnis apa pun yang
dilakukan secara elektronik adalah e-commerce.
Sederhananya, e-commerce adalah membuat,
mengelola, dan meluaskan hubungan komersial
secara online.
Penelitian ini dilakukan untuk Mengetahui
bagaimana konsep e-commerce diterapkan dalam
sistem jual-beli dan menganalisa algoritma Apriori
untuk memanfaatkan data transaksi yang tersimpan
pada database web e-commerce Toko Akik Murah
guna mengetahui jumlah dan kombinasi item
kategori batu yang banyak terjual secara bersamaan
sebagai bahan pertimbangan dalam membuat
Perancangan Web E-Commerce Jual Beli Batu Cincin Dengan Algoritma Apriori (Studi Kasus
Toko Akik Murah Padang Sidimpuan). Oleh : Rizki Muliono
algoritma Apriori serta mengetahui cara
perancangan desain web e-commerce jual beli batu
cincin pada Toko Akik Murah.
2. Landasan Teori
2.1 E-Commerce
Menurut Jony Wong (2010:33) :
Pengertian electronic e-commerce adalah
pembelian, penjualan dan pemasaran barang serta
jasa melalui sistem elektronik. seperti televisi, radio
dan jaringan komputer atau internet. E-commerce
meliputi transfer dana secara elektronik, pertukaran
dan pengumpulan data. semua diatur dalam sistem
manajemen inventori otomatis. [1]
2.1.1 Klasifikasi E-Commerce
E-Commerce dapat dibagi menjadi
beberapa jenis yang memiliki karakteristik berbeda-
beda yaitu:
1. Business to Business (B2B)
Business to Business e-Commerce memiliki
karakteristik :
a. Trading partners yang sudah diketahui dan
umumnya memiliki hubungan (relationship) yang
cukup lama. Informasi hanya dipertukarkan dengan
partner tersebut.
b. Pertukaran data (data exchange)
berlangsung berulang-ulang dan secara berkala,
misalnya setiap hari, dengan format data yang
51
Pelita Informatika Budi Darma, Volume : ViI, Nomor: 3, Agustus 2014
sudah disepakati bersama. Dengan kata lain, servis
yang digunakan sudah tertentu.
c. Salah satu pelaku dapat melakukan
inisiatif untuk mengirimkan data, tidak harus
menunggu parternya.
d. Model yang umum digunakan adalah peer-to-
peer, dimana processing intelligence dapat
didistribusikan di kedua pelaku bisnis.
2. Business to Consumer (B2C)
Business to Consumer E-Commerce memiliki
karakteristik sebagai berikut:
a. Terbuka untuk umum, dimana informasi
disebarkan ke umum.
b. Servis yang diberikan bersifat umum (generic)
dengan mekanisme yang dapat digunakan oleh
khalayak ramai.
c. Servis diberikan berdasarkan permohonan (on
demand).
d. Pendekatan client/server sering digunakan
dimana diambil asumsi client consumer)
menggunakan sistem yang minimal (berbasis
Web) dan processing (business procedure)
diletakkan di sisi server.
3. Consumen to consumen (C2C)
Dalam C2C seseorang menjual produk
atau jasa ke orang lain. Dapat juga disebut sebagai
pelanggan ke palanggan yaitu orang yang menjual
produk dan jasa ke satu sama lain seperti situs
lelang online.
4. Comsumen to Business (C2B)
Dalam C2B konsumen memeritahukan
kebutuhan atas suatu produk atau jasa tertentu, dan
para pemasok bersaing untuk menyediakan produk
atau jasa tersebut ke konsumen. [2]
2.1.2 Keuntungan E-Commerce
Menurut M.Suyanto (2003:51) : sekaligus oleh para konsumen. Proses Market
keuntungan yang didapat dalam perdagangan e-
commerce adalah:
1. Bagi Perusahaan, memperpendek jarak,
perluasan pasar, perluasan jaringan mitra bisnis
dan efisiensi, dengan kata lain mempercepat
pelayanan ke pelanggan, dan pelayanan lebih
responsif, serta mengurangi biaya-biaya yang
berhubungan dengan kertas, seperti biaya pos
surat, pencetakan, report, dan sebagainya
sehingga dapat meningkatkan pendapatan.
2. Bagi Consumen, efektif, aman secara fisik dan
flexible.
3. Bagi Masyarakat Umum, mengurangi polusi
dan pencemaran lingkungan, membuka peluang
kerja baru, menguntungkan dunia akademis,
meningkatkan kualitas SDM.
2.1.3 Kerugian E-Commerce
Menurut M.Suyanto (2003:52) : ada
beberapa kerugian yang didapat dalam perdagangan
e-commerce diantaranya:
Perancangan Web E-Commerce Jual Beli Batu Cincin Dengan Algoritma Apriori (Studi Kasus
Toko Akik Murah Padang Sidimpuan). Oleh : Rizki Muliono
ISSN : 2301-9425
1. Meningkatkan Individualisme, pada
perdagangan elektronik seseorang dapat
bertransaksi dan mendapatkan barang/jasa yang
diperlukan tanpa bertemu dengan siapapun.
2. Terkadang Menimbulkan Kekecewaan, apa
yang dilihat dilayar monitor komputer kadang
berbeda dengan apa yang dilihat secara kasat
mata.
2.1.4 Manfaat E-Commerce
Menurut M.Suyanto (2003:49): Berikut
adalah beberapa manfaat yang bisa diperoleh
sebuah perusahaan dari dilakukannya kegiatan e-
commerce:
1. Dapat memperluas daerah pemasaran hingga ke
pasar internasional.
2. Dapat mengurangi biaya pembuatan,
pemrosesan, pendistribusian, penyimpanan, dan
pencarian informasi yang menggunakan kertas.
3. Dapat memperkecil biaya komunikasi.
4. Memungkinkan interaksi yang lebih dekat
dengan konsumen, meskipun melalui media
perantara.
5. Memungkinkan konsumen berbelanja kapan
pun konsumen ingin.
6. Konsumen bisa mendapatkan informasi yang
relevan dari detail produk yang ingin dibeli
dalam hitungan detik.[3]
2.2 Market Basket Analysis
Menurut Megaputer, (2007) : Market
Basket Analysis atau MBA, merupakan salah satu
tipe analisis data yang paling sering digunakan
dalam dunia pemasaran. Tujuan dari Market Basket
Analysis adalah untuk menentukan produk-produk
apa saja yang paling sering dibeli atau digunakan
Basket Analysis ini adalah dengan menganalisis
buying habits konsumen dengan menemukan
asosiasi antar produk-produk yang berbeda yang
diletakkan konsumen dalam shopping basket. [4]
2.3 Algoritma apriori
Menurut kusrini & emha taufiq luthfi
(2009:149-152) : Algoritma apriori termasuk jenis
aturan assosiasi pada data mining. Selain apriori
yang termasuk pada golongan ini adalah metode
Generalized Rule Induction dan Algoritma Hash
Based. Aturan yang menyatakan asosiasi antara
beberapa atribut sering disebut sebagai affinity
analysis atau market basket analysis.[6]
Persoalan association rule mining terdiri
dari dua sub persoalan :
a. Menemukan semua kombinasi dari item, disebut
dengan frequent itemsets,yang memiliki support
yang lebih besar daripada minimum support.
b. Gunakan frequent itemsets untuk men-generate
aturan yang dikehendaki. Semisal, ABCD dan
AB adalah frequent, maka didapatkan aturan
AB CD jika rasio dari support(ABCD)
52
Pelita Informatika Budi Darma, Volume : ViI, Nomor: 3, Agustus 2014
terhadap support(AB) sedikitnya sama dengan
minimum confidence. Aturan ini memiliki
minimum support karena ABCD adalah
frequent.
Gambar 1 : Ilustrasi Algoritma Apriori
2.4 Association Rules
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
Support(A)=
Jumlah transaksimengandung A
Total Transaksi
sedangkan nilai support dari 2 item diperoleh dari
rumus 2 berikut :
Perancangan Web E-Commerce Jual Beli Batu Cincin Dengan Algoritma Apriori (Studi Kasus
Toko Akik Murah Padang Sidimpuan). Oleh : Rizki Muliono
ISSN : 2301-9425
2. Pembentukan aturan Asosiasi
3. Pembahasan
3.1 Analisis Algoritma Apriori
Algoritma Apriori menggunakan
pengetahuan frekuensi atribut yang telah diketahui
sebelumnya untuk memproses informasi
selanjutnya. Pada algoritma Apriori menentukan
kandidat yang mungkin muncul dengan cara
memperhatikan minimum support dan minimum
confidence. Support adalah nilai pengunjung atau
persentase kombinasi sebuah item dalam database.
Rumus support adalah sebagai berikut :
Sedangkan confidence adalah nilai
kepastian yaitu kuatnya hubungan antar item dalam
sebuah Apriori. Confidence dapat dicari setelah
pola frekuensi munculnya sebuah item ditemukan.
Rumus untuk menghitung confidence adalah
sebagai berikut :
Contoh misalnya ditemukan aturan AB maka:
Prinsip dari Algoritma Apriori antara lain :
[1].Mengumpulkan item yang tunggal kemudian
mencari item yang terbesar.
[2].Dapatkan candidate pairs kemudian hitung
large pairs dari masing-masing item.
[3].Temukan candidate triplets dari setiap item dan
seterusnya.
[4].Setiap subset dari sebuah frequent itemset harus
menjadi frequent.
3.2 Tahapan Perhitungan Algoritma Apriori
1. Tahapan pertama dalam perhitungan Algoritma
Apriori untuk menemukan association rules
yaitu menuliskan data transaksi yang terjadi
dalam periode tertentu. Data transaksi yang
dimisalkan yaitu seperti dalam tabel berikut :
Tabel 1 : Daftar Transaksi Pembelian
berdasarkan kategori batu
Transaksi Item yang dibeli
0001 Kecubung, Zambrud, Kalimaya,
Ruby
0002 Kecubung
0003 Kecubung, Zambrud, Ruby
0004 Kecubung, Kalimaya, Sapphire
0005 Kecubung, Sapphire
0006 Kecubung, Kalimaya, Sapphire
0007 Kecubung, Zambrud, Kalimaya,
Sapphire
53
Pelita Informatika Budi Darma, Volume : ViI, Nomor: 3, Agustus 2014 ISSN : 2301-9425

0008 Kecubung, Zambrud, Kalimaya, 0004 1 0 1 1 0

Ruby 0005 1 0 0 1 0
0009 Kecubung, Zambrud, Kalimaya, 0006 1 0 1 1 0
Sapphire 0007 1 1 1 1 0
0010 Kecubung, Kalimaya, Sapphire 0008 1 1 1 0 1
0009 1 1 1 1 0
[5]. Membuat representasi data transaksi dalam 0010 1 0 1 1 0
database transaksional. Jumla
Pada tahapan ini memecah item set menjadi 10 5 6 6 3
h
single item dalam transaksi. Namun tahapan ini
bisa menjadi alternatif. [7]. Langkah berikutnya adalah membuat
kombinasi 2 itemsets pada setiap kategori batu
Tabel 2 : Representasi data transaksi dalam dan frekuensi masing-masing kombinasi
database transaksional dihitung sesuai dengan data tabular pada tabel.
Transaksi Item yang dibeli Pola kombinasi yang didapatkan dapat dilihat
0001 Kecubung pada tabel 4 :
0001 Zambrud Tabel 4 : Pola Kombinasi 2 Itemsets
0001 Kalimaya Pola Kombinasi 2 Itemsets F2 Qty
0001 Ruby Kecubung Zambrud 5
0002 Kecubung Kecubung Kalimaya 6
0003 Kecubung Kecubung Sapphire 6
0003 Zambrud Kecubung Ruby 3
0003 Ruby Zambrud Kalimaya 3
0004 Kecubung Zambrud Sapphire 2
0004 Kalimaya Zambrud Ruby 3
0004 Sapphire Kalimaya Sapphire 5
0005 Kecubung Kalimaya Ruby 1
0005 Shappire Sapphire Ruby 0
0006 Kecubung
0006 Kalimaya [8]. Setelah frekuensi masing-masing itemsets
0006 Shappire ditemukan, langkah selanjutnya menyeleksi
0007 Kecubung frekuensi yang lebih besar atau sama dengan
0007 Zambrud batas minimal yang telah ditentukan. Misalnya
0007 Kalimaya ditentukan batas minimal support 3.
0007 Sapphire Tabel 5 : Seleksi Kombinasi Itemsets
0008 Kecubung Pola Kombinasi 2 Itemsets F2 Qty
0008 Zambrud Kecubung Zambrud 5
0008 Kalimaya Kecubung Kalimaya 6
0008 Ruby Kecubung Sapphire 6
0009 Kecubung Kecubung Ruby 3
0009 Zambrud Zambrud Kalimaya 3
0009 Kalimaya Zambrud Sapphire 2
0009 Sapphire Zambrud Ruby 3
0010 Kecubung Kalimaya Sapphire 5
0010 Kalimaya Kalimaya Ruby 1
0010 Sapphire Sapphire Ruby 0

[6]. Tahapan berikutnya adalah membuat tabel [9]. Tahapan selanjutnya adalah menganalisa tabel
tabular untuk melakukan perhitungan jumlah 5, terdapat beberapa baris yang diberi arsir,
transaksi di masing-masing kategori batu. Tabular garis tersebut adalah itemsets yang tidak
ini dapat dilihat pada memenuhi batas minimum dari jumlah
Tabel 3 : Tabulasi Transaksi pembelian frekuensi yang telah ditentukan. Langkah
ID berikutnya adalah dengan membuat 3 itemset
Kecub Zambr Kalim Sapph Ru yang sesuai dengan susunan kombinasi yang
Transa
ung ud aya ire by baru atau dapat dilihat dalam tabel 6 :
ksi
0001 1 1 0 0 1 Tabel 6 : Calon 3 Itemsets
0002 1 0 0 0 0 Pola Kombinasi 2 Itemsets F2 Qty
0003 1 1 0 0 1 Kecubung Zambrud 5
Kecubung Kalimaya 6
Perancangan Web E-Commerce Jual Beli Batu Cincin Dengan Algoritma Apriori (Studi Kasus 54
Toko Akik Murah Padang Sidimpuan). Oleh : Rizki Muliono
Pelita Informatika Budi Darma, Volume : ViI, Nomor: 3, Agustus 2014 ISSN : 2301-9425

Kecubung Sapphire 6 then buy Zambrud

Kecubung Ruby 3 3 If buy Kalimaya 3/10=30
Zambrud Kalimaya 3 and Zambrud, % 3/3=100
Zambrud Ruby 3 then buy %
Kalimaya Sapphire 5 Kecubung
4 If buy Kecubung 3/10=30
[10]. Tabel kombinasi 2 itemsets pada table 6 and Zambrud, % 3/5=60%
adalah kombinasi yang memenuhi batas then buy Ruby
minimal support. 5 If buy Kecubung 3/10=30
3/3=100
Tabel 7 : Kombinasi 3 Itemsets and Ruby, then %
%
Pola Kombinasi 3 Itemsets Qty buy Zambrud
kecubung, Zambrud , Kalimaya 3 6 If buy Ruby and 3/10=30
3/3=100
kecubung, Zambrud , Sapphire 2 Zambrud, then %
%
kecubung, Zambrud,Ruby 3 buy Kecubung
Zambrud, Kalimaya , Ruby 1
minimum confidence nya adalah 60%
Zambrud, Kalimaya , Sapphire 2
maka aturan yang ditemukan sebagai berikut :
Kalimaya, Sapphire , Ruby 0 If buy Kecubung and Zambrud, then buy Kalimaya
[11]. Pembentukan aturan assosiatif If buy Kecubung and Zambrud, then buy Ruby
Setelah semua pola frekuensi tinggi ditemukan, Jumlah confidence dari pola kombinasi 2
barulah dicari aturan assosiatif yang memenuhi itemsets F2 yang memenuhi minimal support yaitu
syarat minimum untuk confidence dengan terlihat dari tabel 9 :
menghitung confidence aturan assosiatif A B Tabel 9 : Seleksi Minimum Confidence
Nilai confidence dari aturan A B diperoleh dari
rumus 3 berikut:

If buy Atecendent, then Consequent

Perhitungan rumus Confidence:
Transaksi mengandung A dan B = 3 (lihat pada
tabel 4.7)
Transaksi mengandung A = 5 (lihat tabel 6),
maka :
Confidence = 3/5 x 100% = 60%
Sedang untuk Support :

Perhitungan rumus Support:

Transaksi mengandung A dan B = 3 (lihat pada [13]. Senyeleksi jumlah minimal confidence.
tabel 4.7) Dari tabel diatas maka dapat dihitung aturan
Transaksi seluruhnya= 10 (lihat tabel 1), maka : asosiasi final nya, yaitu Support Confidence
Support = 3/10 x 100% = 30% seperti pada tabel 10 :
[12]. Kombinasi 3 itemset F3 yang memenuhi Tabel 10. Final Association Rule
adalah kombinasi Kecubung-Zambrud-Kalimaya
dan kombinasi Kecubung-Zambrud-Ruby karena
kombinasi tersebut memenuhi syarat support 3.
Berdasarkan tabel 7 maka persentase confidence
yang terbentuk adalah :

Tabel 8 : Persentase Confidence 3 itemsets

N
Aturan Sup Conf
o
1 If buy Kecubung 3/10=30
and Zambrud, %
3/5=60%
then buy
Kalimaya
2 If buy Kecubung 3/10=30
3/6=50%
and Kalimaya, %
Perancangan Web E-Commerce Jual Beli Batu Cincin Dengan Algoritma Apriori (Studi Kasus 55
Toko Akik Murah Padang Sidimpuan). Oleh : Rizki Muliono
Pelita Informatika Budi Darma, Volume : ViI, Nomor: 3, Agustus 2014 ISSN : 2301-9425

[4]. [4]http://library.binus.ac.id/eColls/eThesis/B
ab2/2010-1-00498 MTIF%20Bab%202.pdf.
[5]. [5]Penerapan Association Rule mining :
http://digilib.its.ac.id/public/ITS-Master-
10465-Paper.pdf, diakses 16-05-2013.
[6]. [6] kusrini & emha Taufiq Luthfi : Algoritma
Data Mining,2009

Tabel final association rule menjelaskan tentang

support dan confidence dari masing-masing
kombinasi 2 itemsets dan 3 itemsets.

4. Kesimpulan
Beberapa kesimpulan yang dapat diambil
dari hasil penelitian ini adalah :
1. Aplikasi web yang dibangun merupakan
aplikasi yang dapat membantu kegiatan
meningkatkan kenyamanan pelanggan dalam
melakukan transaksi.
2. Penggunaan algoritma apriori mempunyai
kelemahan dalam jumlah transaksi yang
dianalisa, karena untuk memperoleh hasil yang
maksimal jumlah data transaksi yang dianalisa
harus mencapai ribuan bahkan jutaan transaksi.
3. Pembayaran dengan menggunakan online
Payment Paypal di indonesia sendiri masih
banyak yang belum paham dan currency-nya
belum mendukung untuk nilai tukar IDR
(Indonesia Rupiah).

Daftar Pustaka

[1]. http://books.google.co.id/books?isbn=97927
81196 diakses 08-05-201.
[2]. [2]http://elearning.amikom.ac.id/index.php/d
ownload/materi/190302001-st108-
1/2009/11/20091121_e-commerce-1.ppt,
diakses 06-05-2013.
[3]. [3]strategi periklanan pada e-commerce
perusahaan top dunia Oleh m.suyanto
(amikom yogyakarta). http://
books.google.co.id/books?isbn=9795339621
diakses diakses 08-05-2013.

Perancangan Web E-Commerce Jual Beli Batu Cincin Dengan Algoritma Apriori (Studi Kasus 56
Toko Akik Murah Padang Sidimpuan). Oleh : Rizki Muliono