Mohammad Badrul
Program Studi Sistem Informasi
Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri Jakarta
Jl. Damai No. 8 Warung Jati Barat Margasatwa Jakarta Selatan.
Telp. (021) 78839513 Fax. (021) 78839421
mohammad.mbl@nusamandiri.ac.id
Abstract Each company or organization that mining. Salah satu tahap analisis asosiasi yang
wants to survive needs to determine the right menarik perhatian banyak peneliti untuk
business strategy. Data sales of products made by menghasilkan algoritma yang efisien adalah
the company will eventually generate mountains of analisis pola frequensi tinggi (frequent pattern
data. So it is very unfortunate if not analyzed back. mining). Penting tidaknya suatu asosiasi dapat
products offered variety with a wide range of diketahui dengan dua tolak ukur , yaitu : support
products, and sometimes the brand influence dan confidence. Support (nilai penunjang) adalah
people to buy the product, to know the products persentase kombinasi item tersebut dalam
with the highest sales and the linkage of products database, sedangkan confidence (nilai kepastian)
with each laiinya needed one existing algorithms adalah kuatnya hubungan antar-item dalam
in data mining algorithms are algorithms priori to aturan asosiasi. Algoritma apriori dapat
be informed, and with the help of Tanagra membantu untuk pengembangan strategi
applications, products which appear pemasaran.
simultaneously knowable. Priori algorithms
including the type of association rules in data Kata Kunci: Asosiasi, apriori, penjualan
mining. One association analysis phase which
attracted the attention of many researchers to PENDAHULUAN
produce efficient algorithms is the analysis of
patterns of high frequency (frequent pattern Semakin banyaknya persaingan dalam
mining). Important or not an association can be dunia bisnis khususnya dalam industri penjualan
identified by the two benchmarks, namely: support menuntuk pihak manajemen untuk putar otak
and confidence. Support (support value) is the mencari peluang untuk tetap berkecimpung
percentage of the combination of these items in the dalam bisnisnya. Untuk menyiasati hal tersebut,
database, while confidence (value certainty) is a tentunya pihak manajemen harus mampu
strong relationship between the items in the rules menganalisasuatu data yang ada untuk di jadikan
of association. Priori algorithm can be helpful for bahan acuan untuk menganalisa data tersebut.
the development of marketing strategies. Ketersediaan detail informasi transaksi
pelanggan mendorong pengembangan teknik
Intisari Setiap perusahaan maupun organisasi yang secara otomatis mencari hubungan
yang ingin tetap bertahan perlu untuk antaraitem dalam data di database. Sebagai
menentukan strategi dalam bisnis yang tepat. contoh data didapat dari scanner bar-code di
Data penjualan produk yang dilakukan oleh supermarket. Database penjualan menyimpan
perusahaan lambat laun akan menghasilkan jumlah record transaksi penjualan yang sangat
tumpukan data. Sehingga sangat disayangkan jika besar. Setiap record memberikan daftar item
tidak di analisa kembali. produk yang barang yang dibeli oleh pelanggan dalam
ditawarkan bermacam dengan berbagai macam satutransaksi. Manager mungkin akan tertarik
produk, dan terkadang merk mempengaruhi untuk mengetahui jika beberapa kelompok item
masyarakat untuk membeli produk tersebut, barang secara konsisten dibeli secarabersama.
untuk mengetahui produk dengan penjualan Manager dapat menggunakan data tersebut
terbanyak dan keterkaitan produk satu dengan dalam pengaturan layout toko untuk meletakkan
yang laiinya diperlukan salah satu algoritma yang item barang secara optimaldengan keterkaitan
ada di algoritma data mining yaitu algoritma satu dengan lainnya, dapat pula digunakan dalam
apriori untuk dapat mengetahuinya, dan dengan promosi, atau dalam design katalog dan untuk
bantuan aplikasi tanagra, produk yang muncul mengidentifikasi segmen pelanggan berdasar
secara bersamaan dapat diketahui. Algoritma pola pembelian.
apriori termasuk jenis aturan asosiasi pada data
inilah yang nantinya akan di analisis seorang Hal ini melatarbelakangi lahirnya suatu
analisis data untuk menemukan pola dari data cabang ilmu pengetahuan baru yaitu data mining.
penjualan yang sudah terkumpul setiap hari guna Data mining adalah untuk mengekstrasikan atau
untuk melakukan proses pengambilan keputusan. “menambang” pengetahuan dari kumpulan
Association Rule yang dimaksud dilakukan banyak data(Han&Kamber, 2007). Data mining
melalui mekanisme penghitungan support dan adalah teknik yang merupakan gabungan
confidence dari suatu hubungan item. Sebuah rule metode-metode analisis data secara
asosiasi dikatakan interesting jika nilai support berkesinambungan dengan algoritma-algoritma
adalah lebih besar dari minimum support dan untuk memproses data berukuran besar. Data
juga nilai confidence adalah lebih besar dari mining merupakan proses menemukan informasi
minimum confidence(Nurcahyo,2013). Proses atau pola yang penting dalam basis data
pencarian asosiasi ini menggunakan algoritma berukuran besar dan merupakan kegiatan untuk
apriori, yang berfungsi untuk membentuk menemukan informasi atau pengetahuan yang
kandidat kombinasi item yang mungkin, lalu diuji berguna secara otomatis dari data yang
apakah kombinasi tersebut memenuhiparameter jumlahnya besar(Kusrini, 2009). Data mining,
support dan confidence minimum yang sering juga disebut knowledge discovery in
merupakan nilai ambang yang diberikan oleh database (KDD), adalah kegiatan yang meliputi
user. pengumpulan, pemakaian data historis untuk
Pada penelitian ini, penulis akan menemukan pola keteraturan, pola hubungan
melakukan analisis terhadap data transaksi yang dalam set data berukuran besar. Keluaran dari
sudah dilakukan dengan mekanisme perhitungan data mining ini dapat dijadikan untuk
nilai support dan confident dari suatu hubungan memperbaiki pengambilan keputusan di masa
item, yang nantinya hasil nilai support dan depan. Dalam data mining data disimpan secara
confident yang yang ada akan digunakan untuk elektronik dan diolah secara otomatis, atau
proses pengambilan keputusan oleh pihak setidaknya disimpan dalam komputer. Data
manajemen untuk meningkatkan strategi mining adalah tentang menyelesaikan masalah
pemasaran. dengan menganalisa data yang telah ada dalam
database (Kusrini, 2009).
BAHAN DAN METODE Siklus hidup proyek data mining menurut
Cross-Industry Standart Proses for Data
a. Data Mining Mining(CRISP-DM)yang dikembangkan tahun
Data mining telah menarik banyak 1996 terbagi dalam 6 fase (Kusrini, 2009).
perhatian dalam dunia sistem informasi dan Berikut gambar dari Siklus hidup proyek data
dalam masyarakat secara keseluruhan dalam mining
beberapa tahun terakhir, karena ketersediaan 1. Fase Pemahaman Bisnis (Business
luas dalam jumlah besar data dan kebutuhan Understanding Phase)
segera untuk mengubah data tersebut menjadi a. Penentuan tujuan proyek dan kebutuhan
informasi yang berguna dan pengetahuan(Witten, secara detail dalam lingkup bisnis atau unit
2012). Informasi dan pengetahuan yang penelitian secara keseluruhan.
diperoleh dapat digunakan untuk aplikasi mulai b. Menerjemahkan tujuan dan batasan
dari pasar analisis, deteksi penipuan, dan retensi menjadi formula dari permasalahan data
pelanggan, untuk pengendalian produksi dan mining.
ilmu pengetahuan eksplorasi(Han&Kamber, c. Menyiapkan strategi awal untuk mencapai
2007). Adanya ketersediaan data yang melimpah, tujuan.
kebutuhan akan informasi atau pengetahuan 2. Fase pemahaman data (Data Understanding
sebagai sarana pendukung dalam pengambilan Phase)
keputusan baik bagi individu, organisasi, a. Mengumpulkan data.
perusahaan dan pemerintahan. b. Menggunakan analisis penyelidikan data
Banyaknya data, ditambah dengan untuk mengenali lebih lanjut data dan
kebutuhan untuk alat analisis data yang kuat, pencarian pengetahuan awal.
telah digambarkan sebagai kaya data tapi miskin c. Mengevaluasi kualitas data.
informasi.Jumlah data yang tumbuh secara cepat, d. Jika diinginkan, pilih sebagian kecil group
dikumpulkan dan disimpan dalam repositori data data yang mungkin mengundang pola dari
yang besar dan banyak, telah jauh melampaui permasalahan.
kemampuan manusia untuk memahami data-data 3. Fase pengolahan data (Data Preparation
tesebut tanpa mampu mengelolah data tersebut. Phase)
Akibatnya, data yang dikumpulkan dalam a. Siapkan data awal, kumpulkan data yang
repositori data yang besar menjadi ”kuburan akan digunakan untuk keseluruhan fase
data” (Han&Kamber, 2007). berikutnya. Fase ini merupakan pekerjaan
PENUTUP