Abstrak
Dalam persaingan dunia bisnis sekarang ini menuntut para pelakunya untuk senantiasa
mengembangkan bisnis mereka dan juga agar selalu bertahan dalam persaingan. Untuk mencapai
hal itu, ada beberapa hal yang bisa dilakukan yaitu dengan meningkatkan kualiatas produk,
penambahan jenis produk, dan pengurangan biaya operasional perusahaan. Untuk memenuhi
kebutuhan tersebut terdapat beberapa hal yang bisa dijalankan salah satunya dengan melakukan
analisis data perusahaan. Dalam data mining terdapat beberapa algoritma atau metode yang dapat
dilakukan, salah satunya yaitu algoritma apriori yang termasuk dalam aturan asosiasi dalam data
mining. Algoritma apriori yang bertujuan untuk menemukan frequent item sets pada sekumpulan
data. Algoritma apriori didefinisikan suatu proses untuk menemukan suatu aturan apriori yang
memenuhi syarat minimum untuk support dan syarat minimum untuk confidence. Tujuan dari tugas
akhir ini adalah untuk mengetahui apakah algoritma apriori dapat mengembangkan penjualan dan
strategi pemasaran serta mengetahui hubungan antar barang guna menentukan penempatan
barang. Kesimpulan dari pembuatan tugas akhir ini adalah mengidentifikasi barang-barang yang
dibeli secara bersamaan kemudian digunakan untuk mengatur penempatan/tata letak barang.
Abstract
In the competitive world of business requires the perpetrators to continue grow their business and
also to always survive in the competition. To achieve that, there are some things you can do by
increasing the quality of products, additional types of products, and reduction operating companys
cost. To meet these needs, there are several things that can be run either by analyzing corporate
data. In data mining there are several algorithms or methods that can be done, one of which is
apriori algorithm included in the association rules in data mining. Apriori algorithm that aims to
find frequent item sets in the collection of data. Apriori algorithms defined a process to find apriori
rule that meets the minimum requirements for the support and the minimum requirements for
confidence. The purpose of this thesis was to determine whether apriori algorithm to develop sales
and marketing strategies as well as determine the relationship between the item in order to
determine the placement of items. Conclusion of making this thesis is to identify the items are
purchased simultaneously then used to adjust the placement / layout of items.
1. PENDAHULUAN
Toko Tombo Ati merupakan sebuah Dalam data mining terdapat beberapa
toko yang bergerak dalam bidang algoritma atau metode yang dapat
penjualan peralatan rumah tangga yang dilakukan salah satunya yaitu algoritma
memiliki sistem seperti pada swalayan apriori yang termasuk dalam aturan
yaitu pembeli mengambil sendiri barang asosiasi dalam data mining. Algoritma
yang akan dibeli. Dari data penjualan apriori yang bertujuan untuk menemukan
pada toko tombo ati selama ini tidak frequent item sets pada sekumpulan data.
tersusun dengan baik, sehingga data Algoritma apriori didefinisikan suatu
tersebut hanya berfungsi sebagai arsip proses untuk menemukan suatu aturan
bagi toko dan tidak dapat dimanfaatkan apriori yang memenuhi syarat minimum
untuk pengembangan strategi pemasaran. untuk support dan syarat minimum untuk
confidence.
Dalam rangka menghadapi persaingan
dalam pemasaran guna menghasilkan
1.2 Maksud dan Tujuan bersifat heuristic. Usaha-usaha
Tujuan yang ingin dicapai dari penulisan untuk menghitung jumlah cluster
tugas akhir ini yaitu untuk mengetahui yang optimal dan pengklasteran
hubungan antar barang yang akan yang paling baik masih terus
digunakan untuk membantu dalam dilakukan. Denga demikian
penempatan barang, serta menghasilkan menggunakan metode yang
aplikasi yang dapat digunakan untuk sekarang, tidak bisa menjamin
menerapkan algoritma apriori. hasil pengklasteran sudah
merupakan hasil yang optimal.
2. METODE Namun, hasil yang dicapai
2.1 Data Mining biasanya sudah cukup bagus dari
Data mining adalah suatu istilah yang segi praktis.
dapat digunakan untuk menguraikan 3. Deskripsi
penemuan pengetahuan didalam database. Terkadang peneliti dan analis
Data mining adalah proses yang secara sederhana ingin mencoba
menggunakan teknik statistik, matematika, mencari data untuk
kecerdasan buatan, dan machine learning menggambarkan pola dan
untuk mengekstraksi dan kecenderungan yang terdapat
mengidentifikasi informasi yang dalam data. Sebagai contoh,
bermanfaat dan pengetahuan yang terkait petugas pengumpulan suara
dari berbagai database besar. mungkin tidak dapat menentukan
keterangan atau fakta bahwa siapa
2.2 Teknik Data Mining yang tidak cukup professional
1. Association Rules akan sedikit didukung dalam
Association rules (aturan asosiasi) pemilihan presiden. Deskripsi dari
atau affinity analysis (analisis pola dan kecenderungan sering
afinita) berkenaan dengan studi memberikan kemungkinan
tentang apa bersama apa. penjelasan untuk suatu pola atau
Aturan asosiasi juga sering kecenderungan
dinamakan market basket analysis 4. Estimasi
(analisis keranjang belanja), Estimasi hampir sama dengan
Aturan Asosiasi ingin klasifikasi, kecuali variable target
memberikan informasi dalam estimasi lebih kearah numerik dari
bentuk hubungan if-then atau pada kearah kategori. Model
jika-maka. Aturan ini dihitung dibangun menggunakan record
dari data yang sifatnya lengkap yang menyediakan nilai
probabilistic dari variable target prediksi.
2. Clustering Selanjutnya, pada peninjauan
Clustering termasuk metode yang berikutnya estimasi nilai dari
sudah cukup dikenal dan banyak variable target dibuat berdasarkan
dipakai dalam data mining. nilai variable prediksi. Sebagai
Sampai sekarang para ilmuwan contoh akan dilakukan estimasi
dalam bidang data inining masih tekanan darah sistolik pada pasien
melakukan berbagai usaha untuk rumah sakit berdasarkan umur
melakukan perbaikan model pasien, jenis kelamin, indeks berat
clustering karena metode yang badan, dan level sodium darah.
dikembangkan sekarang masih Hubungan antara tekanan darah
sistolik dan nilai variable prediksi denga dua tolak ukur, yaitu : support dan
dalam proses pembelajaran akan confidence. Support (nilai penunjang)
menghasilkan model estimasi. adalah persentase kombinasi item tersebut
Model estimasi yang dihasilkan dalam database, sedangkan confidence
dapat digunakan untuk kasus baru (nilai kepastian) adalah kuatnya
lainnya hubungan antar item dalam aturan
5. Prediksi asosiasi.
Prediksi hampir sama dengan Tahap awal dalam algoritma apriori
klasifikasi dan estimasi, kecuali adalah analisis pola frekuensi tinggi yaitu
bahwa dalam prediksi nilai dari dengan cara mencari kombinasi item yang
hasil aka nada dimasa mendatang. memenuhi syarat minimum dari nilai
Sebagai contoh prediksi harga support dalam basis data, Nilai support
beras dalam tiga bulan yang akan sebuah item diperoleh dengan rumus
datang, serta contoh lain seperti berikut :
contoh prediksi presentasi
kenaikan kecelakaan lalu lintas
tahun depan jika batas bawah
kecepatan dinaikkan. Beberapa
Frequent itemset menunjukkan itemset
metode dan teknik yang
yang memiliki frekuensi kemunculan
digunakan dalam klasifikasi dan
lebih dari nilai minimum yang ditentukan .
estimasi dapat pula digunakan
Tahap selanjutnya adalah
(untuk keadaan yang tepat) untuk
pembentukan aturan asosiasi, yaitu
prediksi
setelahsemua pola frekuensi tinggi
6. Klasifikasi
ditemukan, barulah dicari aturan asosiasi
Dalam klasifikasi, terdapat target
yang memenuhi syrat minimum
variable kategori. Sebagai contoh
confidence dengan menghitung
penggolongan pendapatan dapat
confidence AB. Nilai confidence dari
dipisahkan dalam tiga kategori,
aturan AB diperoleh rumus berikut :
yaitu pendapatan tinggi,
pendapatan sedang, dan
pendapatan rendah.
3.6 Interpretation/Evaluation
Hasil dari analisis data mining diatas confidence tinggi maka barang-barang
dapat digunakan untuk berbagai yang terdapat dalam transaksi tersebut
keperluan dalam penjualan, salah satunya akan diletakan secara berdekatan.
yaitu untuk mengatur penempatan barang Kemudian transaksi yang memiliki nilai
atau tata letak barang. Dari hasil diatas support tinggi akan diletakkan dibagian
dapat disimpulkan bahwa dalam ujung/awal karena barang-barang dalam
pengaturan tata letak dapat dilakukan transaksi tersebut merupakan barang yang
dengan transaksi yang memiliki nilai paling sering dibeli.
DAFTAR PUSTAKA
[1] Dewi Kartika Pane. 2013.
Implementasi Data Mining Pada
Penjualan Produk Elektronik
Dengan Algoritma Apriori.
[2] Denny Haryanto, Yetli Oslan, Djoni
Dwiyana. 2011. Implementasi
Analisis Keranjang Belanja Dengan
Aturan Asosiasi Menggunakan
Algoritma Apriori Pada Penjualan
Suku Cadang Motor, Jurnal Buana
Informatika, Universitas Kristen.
[3] Heru Dewantara, Purnomo Budi
Santosa, Nasir Widha Setyanto.
Perancangan Aplikasi Data Mining
Dengan Algoritma Apriori Untuk
Frekuensi Analisis Keranjang
Belanja Pada Data Transaksi
Penjualan.
[4] Devi Dinda Setiawati. Penggunaan
Metode Apriori Untuk Analisa
Keranjang Pasar Pada Data
Transaksi Penjualan Minimarket
Menggunakan Java & MySql
[5] Kusrini.2010. Algoritma Data
Mining, Andi, Yogyakarta.
[6] Davies and Paul Beynon. 2004,
Database Systems Third Edition,
Palgrave Macmillan, New York.