Data Mining
Data Mining
A. Latar Belakang
Pola konsumsi masyarakat Indonesia mengalami perubahan pada era yang serba digital
ini. Semula masyarakat yang mengola makanannya sendiri, kini masyarakat lebih menyukai
memesan makanan/minuman melalui aplikasi online. Fenomena ini ditunjukkan oleh data
pertumbuhan konsumsi rumah tangga subkelompok restoran dan transportasi yang
meningkat. Semula masing-masing di triwulan IV 2017 sebesar 5,32% dan 5,04% menjadi
5,85% dan 6,14% di triwulan IV 2018. Akan tetapi jika dibandingkan dengan sub kelompok
makanan/minuman selain restoran justru mengalami perlambatan pertumbuhan pada triwulan
IV 2018, dari 5,36% menjadi 4,81% [ CITATION Tim19 \l 1033 ].
Kemudahan yang ditawarkan teknologi menjadi salah satu faktor peralihan pola
konsumsi tersebut. Aplikasi Pemesanan Online harus memiliki sebuah strategi khusus agar
meningkatkan jumlah transaksi pada aplikasi pemesanan tersebut. Salah satu strategi yang
dapat diterapkan adalah urutan daftar menu makanan/minuman yang dijual. Dalam
menentukan daftar urutan menu makanan/minuman tentu memerlukan metode khusus agar
daftar urutan menu makanan/minuman tersebut berpengaruh terhadap jumlah transaksi pada
aplikasi pemesanan online makanan/minuman tersebut. Metode yang dapat diterapkan untuk
menentukan daftar urutan menu makanan/minuman di apikasi online adalah association rule.
Association rule merupakan salah satu metode dalam data mining yang digunakan
untuk mendapatkan aturan asosiatif antara suatu kombinasi barang. Sebagai contoh aturan
asosiatif dari analisis perilaku pembeli makanan/minuman disuatu restoran adalah dapat
diketahuinya berapa besar kemungkinan seorang pelanggan membeli nasi putih bersamaan
dengan rendang. Diterapkannya metode association rule pemilik restoran mendapatkan
informasi mengenai perilaku pelanggan restoran sehingga pemilik restoran dapat menentukan
strategi-strategi pemasaran dengan menggunakan promosi paket kombinasi menu tertentu
atau juga kupon diskon untuk kombinasi menu tertentu. Pada penulisan laporan kali ini
metode association rule digunakan untuk menentukan kombinasi menu tertentu yang paling
bisa memberikan keuntungan paling besar dan menentukan daftar menu di sebuah restoran.
B. Data
Dataset yang digunakan merupakan database dari transaksi di aplikasi pemesanan
online pada sebuah restoran padang. Dataset ini terdiri dari 10 transaksi pelanggan yang
membeli makanan / minuman di sebuah restoran padang.
Ahmad Bihar Isyqi Data Mining C 06211740000110
Support ( A )=
∑ transaksi mengandung A
∑ transaksi
Support ( A ∪ B )=
∑ transaksimengandung A dan B
∑ transaksi
Dalam penelitian ini, telah ditentukan support minimum yaitu 0,4 atau 40%. Hasil
penghitungan support pada data transaksi barang elektronik ditunjukkan pada Tabel 3.
Tabel 3 Nilai Support Pada Transaksi Makanan/Minuman
N
Support Items
o
0 0.4 (Cumi)
1 0.5 (Daun Singkong)
2 0.6 (Es Teh)
3 0.4 (Kikil)
4 0.9 (Nasi Putih)
5 0.6 (Otak)
6 0.5 (Paru)
7 0.4 (Rendang)
8 0.8 (Sayur Nangka)
9 0.4 (Telur Dadar)
10 0.5 (Nasi Putih, Daun Singkong)
11 0.4 (Sayur Nangka, Daun Singkong)
12 0.5 (Nasi Putih, Es Teh)
13 0.5 (Sayur Nangka, Es Teh)
14 0.4 (Nasi Putih, Kikil)
15 0.4 (Sayur Nangka, Kikil)
16 0.6 (Nasi Putih, Otak)
17 0.5 (Nasi Putih, Paru)
18 0.7 (Sayur Nangka, Nasi Putih)
19 0.4 (Nasi Putih, Telur Dadar)
20 0.4 (Paru, Otak)
21 0.4 (Sayur Nangka, Otak)
22 0.4 (Sayur Nangka, Paru)
23 0.4 (Sayur Nangka, Daun Singkong, Nasi Putih)
24 0.4 (Sayur Nangka, Es Teh, Nasi Putih)
25 0.4 (Sayur Nangka, Kikil, Nasi Putih)
26 0.4 (Nasi Putih, Paru, Otak)
27 0.4 (Sayur Nangka, Otak, Nasi Putih)
28 0.4 (Sayur Nangka, Paru, Nasi Putih)
Hasil penghitungan yang ditunjukkan pada Tabel 3, diketahui terdapat 29 kemungkinan
transaksi yang memiliki nilai support lebih dari 40%. Berdasarkan Tabel 3 dapat diketahui
jika transaksi paling banyak yang melibatkan satu item menu adalah transaksi pembelian Nasi
Putih yang mencapai 90% dari seluruh transaksi, sedangkan yang paling sedikit adalah
transaksi penjualan cumi, kikil, rendang, dan telur dadar yang hanya mencapai 40% dari
keseluruhan transaksi. Kemudian untuk transaksi yang melibatkan 2 item menu, transaksi
pembelian oleh pelanggan yang paling sering dilakukan adalah pembelian Nasi Putih dan
Sayur Nangka yang mencapai 70% dari total transaksi, sedangkan yang paling jarang
Ahmad Bihar Isyqi Data Mining C 06211740000110
dilakukan adalah pembelian sayur Nangka dan daun singkong, nasi putih dan kikil, sayur
Nangka dan kikil, nasi putih dan telur dadar, paru dan otak, sayur Nangka dan otak, serta
sayur Nangka dan paru yang hanya 40% dari keseluruhan transaksi. Kemudian untuk
transaksi pembelian oleh pelanggan yang melibatkan 3 item memiliki persentase yang sama,
yaitu sebesar 40%.
Setelah diketahui kombinasi item dengan nilai support yang lebih dari 40%,
selanjutnya akan dicari nilai confidence pada data transaksi makanan/minuman. Confidence
(nilai kepastian) adalah kuatnya hubungan antar item dalam aturan asosiasif. Nilai confidence
dari aturan A -> B dapat dicari dengan persamaan sebagai berikut.
Confidence=P ( B| A ) =
∑ transaksi mengandung A dan B
∑ transaksi mengandung A
Nilai confidence minimum ditetapkan sebesar 0,85 atau 85%. Hasil penghitungan nilai
confidence ditunjukkan pada Tabel 4.
Tabel 4 Nilai Confidence pada Transaksi Makanan/Minuman
N Antecedents Consequents Confidence
o
0 (Daun Singkong) (Nasi Putih) 1.000
1 (Kikil) (Nasi Putih) 1.000
2 (Kikil) (Sayur Nangka) 1.000
3 (Otak) (Nasi Putih) 1.000
4 (Paru) (Nasi Putih) 1.000
5 (Sayur Nangka) (Nasi Putih) 0.875
6 (Telur Dadar) (Nasi Putih) 1.000
(Sayur Nangka, Daun 1.000
7 (Nasi Putih)
Singkong)
8 (Sayur Nangka, Kikil) (Nasi Putih) 1.000
9 (Nasi Putih, Kikil) (Sayur Nangka) 1.000
(Sayur Nangka, Nasi 1.000
10 (Kikil)
Putih)
11 (Paru, Otak) (Nasi Putih) 1.000
12 (Sayur Nangka, Otak) (Nasi Putih) 1.000
13 (Sayur Nangka, Paru) (Nasi Putih) 1.000
Hasil penghitungan yang ditunjukkan pada Tabel 4, diketahui terdapat 14 kemungkinan
transaksi yang memiliki nilai confidence lebih dari 85%. Berdasarkan Tabel 4 dapat diketahui
sebesar 87,5% pada transaksi penjualan makanan/minuman, jika pelanggan membeli sayur
nangka maka juga akan membeli nasi putih. Sisanya, yaitu 100% dari transaksi penjualan
makanan/minuman, jika pelanggan membeli daun singkong saja atau kikil atau otak atau paru
atau dan sebagainya maka akan membeli nasi putih, jika membeli kikil atau nasi putih dan
kikil maka akan membeli sayur nangka, serta jika membeli kikil saja maka akan membeli
nasi putih dan sayur nangka.
Ahmad Bihar Isyqi Data Mining C 06211740000110