Pelita Informatika Budi Darma, Volume : IV, Nomor: 3, Agustus 2013 ISSN : 2301-9425

IMPLEMENTASI DATA MINING PADA PENJUALAN PRODUK

ELEKTRONIK DENGAN ALGORITMA APRIORI
(STUDI KASUS : KREDITPLUS)

Dewi Kartika Pane (0911801)

Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan

Jl. Sisimangaraja No.338 Simpang Limun Medan
www.stmik-budidarma.ac.id // Email, kartikapane@yahoo.com

ABSTRAK

Penjualan produk elektronik, khususnya laptop mengalami peningkatan setiap bulannya, produk yang
ditawarkan bermacam merek, merek mempengaruhi masyarakat untuk membeli produk tersebut, untuk
mengetahui merek dengan penjualan terbanyak diperlukan algoritma apriori untuk dapat mengetahuinya, dan
dengan bantuan tools tanagra, produk dengan penjualan terbanyak dapat diketahui. Algoritma apriori termasuk
jenis aturan asosiasi pada data mining. Salah satu tahap analisis asosiasi yang menarik perhatian banyak peneliti
untuk menghasilkan algoritma yang efisien adalah analisis pola frequensi tinggi(frequent pattern mining).
Penting tidaknya suatu asosiasi dapat diketahui dengan dua tolak ukur , yaitu : support dan confidence. Support
(nilai penunjang) adalah persentase kombinasi item tersebut dalam database, sedangkan confidence (nilai
kepastian) adalah kuatnya hubungan antar-item dalam aturan asosiasi. Algoritma apriori dapat membantu untuk
pengembangan strategi pemasaran.

Kata Kunci : penjualan, produk elektronik, algoritma apriori

Indonesia. Data penjualan pada kredit plus selama

1. Pendahuluan
1.1 Latar Belakang
Banyaknya persaingan dalam dunia bisnis
khususnya dalam industri penjualan, menuntut para
pengembang untuk menemukan suatu strategi yang
dapat meningkatkan penjualan dan pemasaran
produk yang dijual, salah satunya adalah dengan
pemanfaatan data penjualan produk elektronik.
Dengan adanya kegiatan penjualan setiap hari, data
semakin lama akan semakin bertambah banyak.
Data tersebut tidak hanya berfungsi sebagai arsip
bagi perusahaan, data tersebut dapat dimanfaatkan
dan diolah menjadi informasi yang berguna untuk
peningkatan penjualan dan promosi produk.
Produk Elektronik merupakan barang yang
sangat dibutuhkan saat ini, karena barang elektronik
sangat membantu manusia dalam melakukan
berbagai aktifitas, seperti Televisi yang membantu
manusia untuk mendapatkan informasi dan hiburan,
dan masih banyak barang elektronik lainnya yang
memiliki fungsi yang berbeda-beda untuk
mempermudah manusia dalam melakukan berbagai
aktifitas. Dari sumber data penjualan Kreditplus,
menunjukkan permintaan produk elektronik
semakin meningkat. Hal inilah yang dijadikan
sebagai dasar pengolahan data mining pada
penjualan produk elektronik.
Kreditplus merupakan perusahaan pembiayaan
beragam produk elektronik yang telah bekerja sama
dengan lebih dari 10.000 toko yang tersebar di
ini tidak tersusun dengan baik, sehingga data
tersebut hanya berfungsi sebagai arsip bagi
perusahaan dan tidak dapat dimanfaatkan untuk
pengembangan strategi pemasaran.
Algoritma apriori termasuk jenis aturan
asosiasi pada data mining, Algoritma Apriori yang
bertujuan untuk menemukan frequent item sets
dijalankan pada sekumpulan data. Analaisis Apriori
didefenisikan suatu proses untuk menemukan
semua aturan apriori yang memenuhi syarat
minimum untuk support dan syarat minimum untuk
confidence
1.2 Rumusan Masalah
Adapun rumusan masalah yang akan diambil
adalah:
1. Bagaimana menerapkan algoritma apriori untuk
mengetahui penjualan produk elektronik yang
paling banyak terjual?
2. Apakah algoritma apriori dapat membantu
megembangkan strategi pemasaran?
3. Bagaimana mengimplementasikan algoritma
apriori pada penjualan produk elektronik dengan
Tanagra?
1.3 Batasan Masalah
Adapun batasan masalahnya adalah:
1. Implementasian ini dilakukan berdasarkan data
penjualan Kredit Plus Medan 1 tahun terakhir,
periode april 2012 sampai dengan maret 2013

Implementasi Data Mining Pada Penjualan Produk Elektronik Dengan Algoritma Apriori 25
(Studi Kasus : Kreditplus). Oleh : Dewi Kartika Pane
Pelita Informatika Budi Darma, Volume : IV, Nomor: 3, Agustus 2013
2. Data penjualan yang di gunakan adalah data
penjualan perbulan
3. Produk Elektronik yang dibahas adalah Laptop
4. Penetuan produk yang paling banyak terjual
berdasarkan merek
5. Tools yang digunakan adalah Tanagra versi 1,4.
1.4 Tujuan dan Manfaat Penelitian
Tujuan dari dilakukannya penelitian ini adalah:
Untuk mengetahui sejauh mana algoritma apriori
dapat membantu pengembangan strategi pemasaran
. Adapun manfaat dari penelitian ini adalah:
Membantu perusahaan untuk mengetahui produk
elektronik yang paling banyak terjual.
2. Landasan Teori
2.1 Implementasi
Implementasi adalah bermuara pada aktivitas,
aksi, tindakan, atau adanya mekanisme suatu
sistem. Implementasi bukan sekedar aktivitas, tetapi
suatu kegiatan yang terencana dan untuk mencapai
tujuan kegiatan. Implementasi adalah perluasan
aktivitas yang saling menyesuaikan proses interaksi
antara tujuan dan tindakan untuk mencapainya serta
memerlukan jaringan pelaksana, birokrasi yang
efektif.
2.2 Data Mining
Data mining adalah suatu istilah yang
digunakan untuk menguraikan penemuan
pengetahuan didalam database. Data mining adalah
proses yang menggunakan teknik statistik,
matematika, kecerdasan buatan, dan machine
learning untuk mengekstraksi dan mengidentifikasi
informasi yang bermanfaat dan pengetahuan yang
terkait dari berbagai database besar[1].
2.3 Algoritma Apriori
Algoritma apriori termasuk jenis aturan asosiasi
pada data mining. Aturan yang menyatakan asosiasi
antara beberapa atribut sering disebut affinity
analysis atau market basket analysis. Analisis
asosiasi atau association rule mining adalah teknik
data mining untuk menemukan aturan suatu
kombinasi item. Salah satu tahap analisis asosiasi
yang menarik perhatian banyak peneliti untuk
menghasilkan algoritma yang efisien adalah analisis
pola frequensi tinggi(frequent pattern mining).
Penting tidaknya suatu asosiasi dapat diketahui
dengan dua tolak ukur , yaitu : support dan
confidence. Support (nilai penunjang) adalah
persentase kombinasi item tersebut dalam database,
sedangkan confidence (nilai kepastian) adalah
kuatnya hubungan antar-item dalam aturan
asosiasi[2].
1. Analisis Pola Frekuensi Tinggi dengan
Algoritma Apriori
Implementasi Data Mining Pada Penjualan Produk Elektronik Dengan Algoritma Apriori
(Studi Kasus : Kreditplus). Oleh : Dewi Kartika Pane
ISSN : 2301-9425
Tahap ini mencari kombinasi item yang
memenuhi syarat minimum dari nilai support dalam
basis data. Nilai support sebuah item diperoleh
dengan menggunakan rumus berikut:
Sementara, nilai support dari 2 item diperoleh
dengan menggunakan rumus :
Frequent itemset menunjukkan itemset yang
memiliki frekuensi kemunculan lebih dari nilai
minimum yang ditentukan ( ). Misalkan = 2,
maka semua itemsets yang frekuensi
kemunculannya lebih dari atau sama dengan 2 kali
disebut frequent. Himpunan dari frequent k-itemset
dilambangkan dengan Fk.
2. Pembentukan Aturan Asosiasi
Setelah semua pola frekuensi tinggi ditemukan,
barulah dicari aturan asosiasi yang memenuhi
syarat minimum untuk confidence dengan
menghitung confidence aturan asosiatif A B.
Nilai confidence dari aturan A B diperoleh
dengan rumus berikut:
Untuk menentukan aturan asosiasi yang akan
dipilih maka harus diurutkan berdasarkan Support
× Confidence. Aturan diambil sebanyak n aturan
yang memiliki hasil terbesar.
3. Analisa
3.1 Analisa Masalah Pada Kreditplus Medan
Data penjualan pada kreditplus selama ini tidak
tersusun dengan baik, sehingga data penjualan yang
semakin hari semakin banyak tersebut hanya
berfungsi sebagai arsip bagi perusahaan dan tidak
dapat dimanfaatkan perusahaan untuk
pengembangan strategi pemasaran.
Oleh sebab itu perusahaan Kreditplus
memerlukan sistem untuk mengolah data yang
dapat menghasilkan data penjualan produk
elektronik yang paling sering dibeli, sehingga
produk elektronik yang paling sering dibeli tersebut
dapat menjadi acuan untuk mengembangkan
strategi pemasaran produk tersebut kepada
konsumen.
3.2 Daftar Merek Produk Elektronik Pada
Perusahaan Kreditplus Medan
Berikut ini adalah daftar merek produk
Elektronik, dapat dilihat pada tabel dibawah ini:
26
Pelita Informatika Budi Darma, Volume : IV, Nomor: 3, Agustus 2013 ISSN : 2301-9425

Tabel 1 : Daftar Merek Produk Elektronik pada Proses pembentukan C1 atau disebut dengan
Kreditplus Medan 1 itemset dengan jumlah minimum support = 30%
No Merek Jenis Dengan rumus sebagai berikut:
. Support(A)
1. Acer Laptop
2. Asus Laptop
3. HP Laptop
4. Samsung Laptop Tabel 3 : Support dari tiap item
5. Lenovo Laptop
6. Zyrex Laptop Itemset Support
7. Bioar Laptop Acer 75%
8. Apple Laptop Asus 50%
9. Toshiba Laptop HP 50%
10. Hewpa Laptop Samsung 66,67%
11. Dell Laptop Toshiba 58,33%
12. Axio Laptop
13. Compaq Laptop b. Kombinasi 2 Itemset
Proses pembentukan C2 atau disebut dengan
4. Pembahasan 2 itemset dengan jumlah minimum support = 30%
Algoritma apriori bertujuan untuk menemukan Dapat diselesaikan dengan rumus berikut:
semua aturan apriori yang memenuhi syarat Support(A,B) = P(A∩B)
minimum support (nilai Penunjang), yaitu Support(A,B)
kombinasi tiap item dalam database. Dan syarat
minimum confidence (nilai kepastian), yaitu
kuatnya hubungan antar item dalam aturan asosiasi.

4.1 Pola Transaksi Penjualan Produk Elektronik Tabel 4 : Calon 2-itemset

Pada Kreditplus Medan
Berdasarkan transaksi penjualan produk
Itemset Jumlah Support
elektronik pada perusahaan Kreditplus Medan,
Acer, Asus 4 33,33%
transaksi tersebut dapat diakumulasikan. Akumulasi
Acer , HP 3 25%
transaksi penjualan produk Elektronik pada
Acer, Samsung 4
Kreditplus Medan diperoleh dari penjualan bulanan
yang diambil dari 3 teratas laporan bulanan, dapat Acer, Toshiba 6 50%
dilihat dalam tabel dibawah ini : Asus, Toshiba 2 16,67%
Asus, Samsung 2 25%
Tabel 2 : Pola Transaksi Penjualan Produk Asus, HP 2 20%
Elektronik HP,Samsung 3 33,33%
HP,Toshiba 2 16,67%
No. Itemset Toshiba,Samsung 3 33,33%
1 Acer, Toshiba, Samsung
Minimal support yang ditentukan adalah
2 Toshiba, Acer, Asus 30%, jadi kombinasi 2 itemset yang tidak
3 Samsung, Toshiba, HP memenuhi minimal support akan dihilangkan,
4 Samsung, Asus, Acer terlihat seperti 27able dibawah ini:
5 Acer, Samsung, Toshiba
6 Acer, Toshiba, HP Tabel 5 : Minimal Support 2 itemset 30%
7 Acer, Asus, Toshiba
Itemset Support
8 Acer, Asus, HP
Acer, Asus 33,33%
9 HP, Samsung, Asus Acer, Samsung
10 Acer, Samsung, HP Acer, Toshiba 50%
11 Samsung, Acer, Toshiba HP, Samsung 33,33%
12 HP, Asus, Samsung Toshiba, Samsung 33,33%

a. Pembentukan Itemset c. Kombinasi 3 Itemset

Berikut ini adalah penyelesaian dengan Proses pembentukan C3 atau disebut dengan
contoh kasus berdasarkan data yang sudah 3 itemset dengan jumlah minimum support = 30%
disediakan pada tabel 4.2 : Dapat diselesaikan dengan rumus berikut:

Implementasi Data Mining Pada Penjualan Produk Elektronik Dengan Algoritma Apriori 27
(Studi Kasus : Kreditplus). Oleh : Dewi Kartika Pane
Pelita Informatika Budi Darma, Volume : IV, Nomor: 3, Agustus 2013 ISSN : 2301-9425

maka akan membeli,

Support(A,B) = P (A ) Acer
Support Jika membeli HP, maka 4/6 66,67%
akan membeli Ssmsung
Jika membeli Samsung, 4/8 50%
maka akan membeli HP

Tabel 6 : Kombinasi 3 itemset Aturan Asosiasi Final

Itemset Jumlah Support Aturan asosiasi final terurut berdasarkan

Acer, Toshiba, HP 1 8,33% minimal support dan minimal confidence yang
Acer ,Toshiba,Asus 2 16,67% telah ditentukan, dapat dilihat pada tabel
Acer ,Samsung, Toshiba 2 16,67% dibawah ini:
Asus,Acer,HP 1 8,33%
Asus,HP,Samsung 2 16,67% Tabel 8 : Aturan Asosiasi Final
Asus,HP,Toshiba 0 0%
HP,Samsung,Toshiba 1 8,33% Aturan Support Confidence
Jika membeli Acer, maka 50% 66,67%
Karena Kombinasi 3 itemset tidak ada yang akan membeli Toshiba
memenuhi minimal support, maka 2 kombinasi Jika membeli Toshiba, 50% 85,714%
yang memenuhi untuk pembentukan asosiasi . maka akan membeli,
Acer
Pembentukan Aturan Asosiasi
Berdasarkan aturan asosiasi diatas,dapat
Setelah semua pola frekuensi tinggi diketahui merek produk elektronk yang paling
ditemukan, barulah dicari aturan asosiasi yang banyak terjual pada perusahaan Kreditplus
memenuhi syarat minimum untuk confidence Medan,dan dapat dilihat pada grafik berikut ini:
dengan menghitung confidence aturan asosiatif
A→B.
Minimal Confidence=60%
Nilai Confidence dari aturan A→B diperoleh
dengan rumus berikut:
∑ Transaksi mengandung A dan
B
Confidence =
∑ Transaksi mengandung A
Dari kombinasi 2 itemset yang telah
ditemukan, dapat dilihat besarnya nilai support, dan
confidence dari calon aturan asosiasi seperti tampak
pada tabel dibawah ini:
Tabel 7 : Aturan Asosiasi

Aturan Confidence
Jika membeli 4/9 44,44%
Acer,maka akan Gambar 1 : Grafik Hasil Pembentukan Aturan
membeliAsus Asosiasi Final PenjualanTerbanyak
Jika membeli Asus, 4/6 66,67%
maka akan membeli 5.1 Kesimpulan
Acer
Jika membeli Acer, 5/9 45% Kesimpulan dari penulisan skripsi ini adalah
maka akan membeli bahwa:
Samsung
Jika membeli Samsung, 5/8 40% Jadi, berdasarkan grafik diatas, merek produk
maka akanmembeli elektronik yang paling banyak terjual adalah Acer
Acer dan Toshiba, dengan diketahuinya produk yang
Jika membeli Acer, 6/9 66,67% paling banyak terjual tersebut, sehingga perusahaan
maka akan membeli dapat menyusun strategi pemasaran untuk
Toshiba memasarkan produk dengan merek lain dengan
Jika membeli Toshiba, 6/7 85,714% meneliti apa kelebihan produk yang paling banyak
Implementasi Data Mining Pada Penjualan Produk Elektronik Dengan Algoritma Apriori 28
(Studi Kasus : Kreditplus). Oleh : Dewi Kartika Pane
Pelita Informatika Budi Darma, Volume : IV, Nomor: 3, Agustus 2013 ISSN : 2301-9425

terjual tersebut dengan produk lainnya dan dapat

menambah persedian Acer dan Toshiba.

5.2 Saran
1. Penjualan produk elektronik paling banyak
terjual pada perusahaaan Kreditplus Medan
dapat diketahui dengan menggunakan
algoritma apriori, dengan melihat produk yang
memenuhi minimal support dan minimal
confidence, produk yang paling banyak terjual
tersebut adalah Acer dan Toshiba, namun
dalam penghitungan support dan
confidencenya sulit jika data yang diolah
dalam jumlah yang besar.
2. Algoritma Apriori dapat membantu
mengembangkan strategi pemasaran dengan
memberikan saran kepada konsumen.
3. Pengimplementasian Algoritma Apriori pada
tanagra dimulai dengan penginputan data
penjualan perbulan yang menjadi database
pada Ms.Excel, semakin banyak data maka
pembuatan tabel tabular akan semakin sulit.
Tabel tabular tersebut yang kemudian
dikoneksikan ke dalam tools tanagra, dan
mulailah pembentukan support dan confidence
dan kemudian akan menghasilkan asosiasi
final yang memenuhi support dan confidence.

Daftar Pustaka

[1]. Kusrini, EmhaTaufiqLuthfi, “ALGORITMA

DATA MINING”, ANDI, Yogyakarta, 2010
FeriSulianta & Dominikus Juju, “Data Mining
– MeramalkanBisnis Perusahaan”, 2010
[2]. Dana Sulistiyo Kusumo, Moch. Arief
Bijaksana, Dhinta Darmantoro. Data Mining
Dengan Algoritma Apriori Pada RDBMS
Oracle,2003,Jurnal Penelitian dan
Pengembangan TELEKOMUNIKASI, Juni
2003, Vol. 8 No. 1,3.
http://elib.unikom.ac.id/files/disk1/487/jbp
tunikompp-gdl-derrisepti-24335-2-babii_d-
x.pdf, 23 Mei 2013
[3]. http://id.wikipedia.org/wiki/Elektronika, 23
Mei 2013
[4]. http://eric.univ-
lyon2.fr/~ricco/tanagra/en/tanagra.html, 23
Mei 2013
[5]. http://id.wikipedia.org/wiki/Microsoft_Excel,
23 Mei 2013

Implementasi Data Mining Pada Penjualan Produk Elektronik Dengan Algoritma Apriori 29
(Studi Kasus : Kreditplus). Oleh : Dewi Kartika Pane