ABSTRAK
Nowadays, competition in the retail store bussiness is very tight so that necessary to determines a
strategies in order to increase competitiveness, one of which is to determine the pattern of consumer behavior.
Market basket analysis is one kind method to determine the pattern of consumer behavior, the market basket
analysis can be seen buying patterns when customers buy products that are purchased at the same time so that
the management can make changes of layout in the store that can increase the amount of sales of products less
desirable. From this research conducted in Alfamart minimarket on Jalan Damai, Ngaglik, Sleman obtained a
rule that consumers who make purchases at department 4 (personal care) and department 9 (drugs) then most
likely will buy the product in 10 departments (household goods) with confidence value of 50%, support value
of 3, and lift ratio of 5.
Kata Kunci: Layout, Market Basket Analysis, Support, Confidence, Lift Ratio.
PENDAHULUAN
Perkembangan usaha ritel atau pasar eceran yang begitu pesat, berdampak semakin
tingginya persaingan memperebutkan pangsa pasar pada dunia usaha saat ini. Perusahaan
yang ingin berhasil dalam persaingan pada era saat ini harus memiliki strategi perusahaan
yang dapat memahami perilaku konsumen. Perusahaan yang baik adalah yang memahami
betul siapa konsumennya dan bagaimana mereka berperilaku. Pemahaman mengenai siapa
konsumennya akan menuntun para pengusaha kepada keberhasilan. Di era sekarang ini
pertumbuhan pada sektor ritel menyebabkan semakin ketatnya persaingan yang terjadi
antara para pengusaha ritel. Data satistik menyatakan bahwa angka pertumbuhan usaha ritel
di Indonesia menempati urutan kedua se-Asia Pasifik dengan angka pertumbuhan 14-15
persen per tahun
Minimarket Alfamart merupakan salah satu toko ritel yang menjual berbagai
kebutuhan pokok sehari-hari seperti makanan dan minuman, peralatan rumah tangga,
kebutuhan pribadi, dan lain-lain. Alfamart saat ini banyak sekali terdapat di kota-kota
bahkan hingga ke pelosok Indonesia, pada tahun 2010 terdapat lebih dari 3500 gerai
Alfamart yang tersebar di seluruh Indonesia, dengan jumlah gerai yang banyak maka
masyarakat dapat dengan mudah berbelanja di minimarket tersebut, sehingga diperlukan
sebuah analisis perilaku konsumen yang dilakukan oleh pengusaha minimarket Alfamart
untuk nantinya dapat merumuskan strategi bisnis yang berguna untuk meningkatkan profit/
keuntungan usaha ritel tersebut.
Dalam menyusun strategi bisnis tersebut pengusaha dapat melakukan analisis
dengan mempelajari pola perilaku konsumen. Pola tersebut dapat diketahui dengan
memanfaatkan data transaksi yang kemudian diolah untuk mendapatkan pola dari barang
yang sering dibeli secara bersamaan. Proses untuk menemukan pola-pola tersebut
memerlukan suatu konsep yang di sebut dengan Data Mining. Terdapat banyak metode di
dalam data mining yang jika dapat diterapkan dalam proses bisnis, akan memberikan nilai
positif bagi peningkatan kinerja proses bisnis tersebut yang berujung pada peningkatan
keuntungan dari bisnis tersebut. Salah satu metode yang seringkali digunakan adalah
metode asosiasi atau association rule. Data-data yang dihasilkan dari proses penjualan/ data
transaksi diolah dengan association rule untuk mengetahui informasi keterkaitan pembelian
produk yang dilakukan oleh pembeli. Di dalam bidang usaha ritel metode association rule
ini lebih dikenal dengan istilah Analisa Keranjang Belanja atau Market Basket Analysis.
Market Basket Analysis adalah suatu metode analisa atas perilaku konsumen secara
spesifik dari suatu golongan / kelompok tertentu. Sumber data dari market basket analysis
dapat bersumber dari daftar transaksi pelanggan, yaitu struk belanja pembelian suatu barang
oleh konsumen. Market basket analysis umumnya dimanfaatkan sebagai titik awal
pencarian pengetahuan dari suatu transaksi data ketika kita tidak mengetahui pola spesifik
apa yang kita cari. Proses ini dapat menganalisis pola pembelian pelanggan dengan cara
menemukan hubungan antara produk-produk yang berbeda yang dibeli oleh konsumen
dalam keranjang belanjanya secara bersamaan dalam satu kali transaksi, sebagai contoh
apabila pelanggan membeli roti dan susu maka biasanya ia juga membeli keju. Sehingga
sebuah toko ritel dapat menggunakan informasi ini untuk nantinya dapat dimanfaatkan oleh
pengusaha toko ritel tersebut untuk mengembangkan strategi pemasaran dengan melihat
produk-produk mana saja yang kemungkinan dibeli secara bersamaan oleh konsumen dalam
satu kali transaksi, salah satu strategi yang dapat dilakukan adalah dengan menata ulang
layout pada toko ritel.
Rumusan masalah
Rumusan masalah pada analisis ini adalah:
1. Bagaimana hubungan asosiatif yang terjadi antar item di minimarket Alfamart Jalan
Damai ?
2. Bagaimanakah solusi permasalahan layout untuk penempatan produk pada minimarket
Alfamart Jalan Damai berdasarkan analisis AR-MBA ?
TINJAUAN PUSTAKA
Definisi dan Konsep Market Basket Analysis
Market Basket Analysis merupakan salah satu metode atau teknik yang sering digunakan
dan paling bermanfaat untuk lingkungan marketing. Tujuan dari Market Basket Analysis ini
adalah untuk menentukan produk manakah yang pelanggan beli dalam waktu bersamaan, di
mana nama dari metode ini diambil dari kebiasaan pelanggan menaruh barang mereka ke
keranjang atau kedalam daftar belanja (market basket). Dengan mengetahui produk
manakah yang dibeli secara bersamaan akan dapat sangat membantu pengusaha toko
ataupun perusahaan lainnya. Sebuah toko juga dapat menggunakan informasi ini untuk
menempatkan produk yang sering terjual secara bersamaan di dalam satu area atau kategori,
sehingga pengusaha toko dapat merubah layout dari toko mereka.
P(A)
Kedua nilai support dan confidence merupakan parameter yang digunakan untuk
menentukan apakah sebuah rule baik atau tidak. Akan tetapi, terdapat beberapa saat bahwa
kedua perhitungan tersebut menghasilkan rule yang tidak valid, meskipun keduanya
mempunyai nilai yang tinggi. Oleh karena itu ada satu parameter yang digunakan untuk
mengetahui apakan rule tersebut valid atau tidak, parameter ini disebut Improvement/ Lift
Ratio. Rule yang baik dan valid dapat dilihat dari nilai lift rationya yang berjumlah ≥ 1.
Algoritma apriori adalah suatu algoritma yang sudah sangat dikenal dalam
melakukan pencarian frequent itemset dengan menggunakan teknik association rule
(Moertini, Veronika dan Marsela Yulita. 2007). Algoritma Apriori menggunakan
knowledge mengenai frequent itemset yang telah diketahui sebelumnya, untuk memproses
informasi selanjutnya. Pada algoritma apriori untuk menentukan kandidat-kandidat yang
mungkin muncul dengan cara memperhatikan minimum support. Adapun dua proses utama
yang dilakukan dalam algoritma Apriori, yaitu :
1. Join (penggabungan). Pada proses ini setiap item dikombinasikan dengan item yang
lainnya sampai tidak terbentuk kombinasi lagi.
2. Prune (pemangkasan). Pada proses ini, hasil dari item yang telah dikombinasikan tadi
lalu dipangkas dengan menggunakan minimum support yang telah ditentukan oleh user.
Kajian Induktif
Dalam melakukan penelitian ini juga mengkaji beberapa karya tulis diantaranya adalah pada
sebuah jurnal yang berjudul “Penerapan Metode Market Basket Analysis Pada Situs Web E-
Commerce” yang ditulis oleh Medina Gemala pada tahun 2010 menjelaskan tentang salah
satu kegunaan Association Rule dengan penggunaan analisis Market Basket untuk
mengetahui perilaku konsumen pada situs web e-commerce sehingga dapat mengetahui
produk-produk apa saja yang dibeli oleh konsumen dan pola pembelian produk-produk yang
dilakukan oleh konsumen tersebut. Dalam penelitian tersebut peneliti menggunakan
algoritma apriori dalam pencarian association rulenya dan hasil dari penelitian tersebut
dapat digunakan oleh pihak manajemen untuk mengatur layout pada katalog yang sesuai
dengan karakteristik konsumen. Perbedaannya dengan penelitian kami adalah objek
penelitiannya, dimana pada jurnal tersebut objeknya adalah e-commerce atau yang lebih
dikenal dengan toko online sedangkan pada penelitian kami adalah toko ritel, yaitu berupa
minimarket dan hasil dari penelitian kami dapat menjadi input dalam melakukan penataan
layout tata letak produk-produk yang dijual.
Selain itu juga mengkaji karya tulis lain yang berupa jurnal yang berjudul “Analisis
Keranjang Pasar Dengan Algoritma Hash-Based Pada Data Transaksi Penjualan Apotek”
yang ditulis pada tahun 2004 oleh Marsela Yulita dan Veronica S Moertini menjelaskan
tentang penggunaan algoritma hash-based untuk mengetahui pola pembelian obat oleh
konsumen. Pada penelitian tersebut, pengambilan data juga dibedakan menjadi 3 periode,
yaitu pada 3 hari di minggu pertama, 3 hari di minggu kedua dan, 3 hari pada minggu ketiga
karena peneliti berkeyakinan bahwa perbedaan periode tersebut akan menghasilkan pola
pembelian yang berbeda pula. Hasil dari penelitian tersebut adalah pola pembelian yang
berbeda di tiap periode pengambilan data. Selain itu peneliti juga menyimpulkan bahwa
algoritma hash-based berkinerja lebih baik dibandingkan dengan algoritma apriori.
Perbedaan dengan penelitian yang kami lakukan adalah dalam pengambilan data transaksi
hanya dalam 1 periode waktu saja, dan juga algoritma yang digunakan adalah algoritma
apriori.
METODE PENELITIAN
Objek Penelitian
Dalam penelitian Association Rule – Market Basket Analysis ini yang menjadi objek
penelitiannya adalah Minimarket Alfamart yang berlokasi di Jl. Damai, Prujakan RT. 01,
Ngaglik, Sleman, Daerah Istimewa Yogyakarta.
Tahapan Penelitian
Tahap dalam melakukan penelitian yaitu mencari rumusan masalah terhadap tempat
yang menjadi penelitian dari penataan layout produk, lalu melakukan observasi terhadap
tempat penelitian secara langsung di Alfamart Jalan Damai dimana tahap pengumpulan
struk belanja dilakukan, kemudian penataan layout produk awal diamati untuk menjadi
perbandingan dengan penataan layout baru, setelah didapatkan data sebanyak 100 struk
belanja dari konsumen maka dilakukan rakapitulasi data dan pre-processing data, dari data
yang sudah direkapitulasi maka dilakukan pengolahan dan perhitungan menggunakan
SOFTWARE XLMINER dengan mencari hasil dari rule yang terbentuk. Masing-masing
rule yang didapat kemudian dianalisis untuk melihat produk mana saja yang menjadi
konsumen behaviour. Setelah itu kemudian membuat layout rekomendasi berdasarkan hasil
analisis.
HASIL DAN PEMBAHASAN
pocari
42 sweat sari roti djarum
43 indomie telur milo
vegeta
44 herbal kopiko
45 daia softex
46 aqua botol fullo
47 indomie aqua botol
paroti
48 tawar meses aqua botol
49 sari roti kurang asem
50 dji sam soe walls
51 walls jo'e jelly
attack
52 softener vita sunny
53 aqua botol red mild sedap mie roti tawar
54 kopi abc kapal api cap botol hijau aqua
ID
Transaks
i Jenis Barang
ginseng botol
55 nescafe clas mild frestea red mild
56 bear brand enervon c fatigon
57 roti tawar sosro teh
tropical
58 pouch indomie you c 1000
59 pond's milo
60 sampoerna tessa
s-26
61 promil beng beng
62 indomie telur royco pepsodent
63 oral-b H&S milo
64 vape glade aqua botol
65 kis grape tessa
66 marlboro pocari sweat
67 nescafe ultra teh sari roti
68 sampoerna chitato
cocktail
ID
Transaks
i Jenis Barang
lighter
69 indomie floridina susu bendera
70 ultra teh materai
71 walls take-it
72 oreo gillette
mitra
73 pouch pixy
74 marlboro beng beng
75 selamat aqua gelas
tolak
76 happytos dettol kraft cake angin paroti yupi viva daia
77 pulpy tanggo
bendera
78 uht voltaren biore
79 marina shinzui sugus walls
80 a cot buds downy loreal
81 aqua botol antangin tanggo
ID
Transaks
i Jenis Barang
82 teh tong tji gerry
neo
83 sampoerna frozz hormoviton kraft cake
french
84 aqua botol boncabe chitato fries
attack
85 softener biore sunsilk pepsodent
sari pocari clear
86 ultra uht supermi roma biskuit marlboro roti sweat sampoerna shampoo smax esco futami
nyam- cap botol
87 nyam hijau bebelac
88 laurier sasa
89 tolak angin sampoerna
indofood
90 indomie sambal aqua botol
91 marlboro baby oil sari roti
mamy shampoo
92 poko sari roti loreal cussons
93 marlboro sari roti meses goodtime walls silverque buavita
ID
Transaks
i Jenis Barang
en
94 shinzui cussons kapas oreo
95 pepsodent vaseline elips vitamin
indofo caplang
susu od kayu
96 indomie vitacimin salonpas bendera sambal putih
lucky clear
97 strike koyo cabe baygon shampoo
kino larutan
98 vicks teh nu penyegar
99 aqua gelas softex laurier
100 greensands pond's
Top 3 in 1, tanggo, lotte, silverqueen, ns chrispy, twister, nisin wafer, gerry, selamat, kit kat, fitbar nuts,
Departemen 1 makanan fullo, jo'e jelly, beng beng, take-it, oreo, kraft cake, roma biskuit, nyam-nyam, goodtime
Departemen 2 minuman Aqua botol, mm nutriboost, pocari sweat, ultra teh, you c 1000, ades botol, freshtea, milo, miwon teh, big
Data Departemen
cola, big lemon, pucuk harum teh, sosro teh, sinde, nescafe, pulpy, ultra uht, bear brand, aqua gelas,
bendera uht, esco, futami, buavita, teh nu, kino larutan penyegar, greensands
Departemen 3 snack chitato, cheetos, happytos, french fries, smax,
formula SG, a cot buds, softex, gillette, rexona, tessa, vitta sunny, pond's, pepsodent, oral-b, H&S, pixy,
perlengkapan dettol, viva, biore, marina, shinzui, loreal, sunsilk, clear shampoo, laurier, baby oil, mamy poko, cussons,
Departemen 4 pribadi kapas, vaseline
telur, indomie, sedap mie, supermi, mitra pouch, kara santan, tropical pouch, royco, boncabe, sasa, indofood
Departemen 5 kebutuhan rt sambal
Departemen 6 minuman bubuk kapal api ginseng, kopi abc, cap botol hijau, s-26 promil, susu bendera, teh tong tji, bebelac
Departemen 7 roti sari roti, roti tawar, meses, paroti
sampoerna, djarum, dunhill, gg merah, marlboro, club mild, dji sam soe, red mild, clas mild, cocktail
Departemen 8 dekat kasir lighter, materai, lucky strike
antangin, salonpas, enervon c, strepsils, paramex, vegeta herbal, fatigon, tolak angin, voltaren, neo
Departemen 9 obat hormoviton, elips vitamin, vitacimin, caplang kayu putih, koyo cabe, vicks
perlengkapan
Departemen 10 RT vixal blue, pisau, daia, attack softener, vape, glade, downy, baygon
Departemen 11 alat tulis kenko, pilot,
Departemen 12 eskrim Walls
Departemen 13 majalah/koran tabloid pulsa
Departemen 14 permen fisherman ex, happydent white, kurang asem, kis grape, sugus, yupi, frozz, lotte
Data Departemen
1 0 1 0 0 0 0 1 1 0 0 0 0 0 0
2 1 1 0 0 0 0 1 0 1 0 0 0 0 0
3 0 1 0 0 0 0 0 1 0 0 0 0 0 0
4 0 1 0 1 0 0 0 0 0 0 0 0 0 0
ID
Transaks
i Dept 1 Dept 2 Dept 3 Dept 4 Dept 5 Dept 6 Dept 7 Dept 8 Dept 9 Dept 10 Dept 11 Dept 12 Dept 13 Dept 14
5 0 0 0 0 0 0 0 0 1 0 0 0 0 0
6 0 1 0 0 0 0 0 1 0 0 0 0 0 0
7 0 1 1 0 0 0 0 0 0 0 0 0 0 0
8 0 0 0 1 0 0 0 1 0 0 0 0 0 0
9 0 0 0 0 1 0 1 0 0 0 0 0 0 0
10 0 1 0 0 0 0 0 1 0 0 0 0 0 0
11 0 0 0 0 0 0 0 0 1 1 0 0 0 0
12 0 1 0 1 0 0 0 1 0 0 0 0 0 0
13 0 1 0 0 0 0 0 1 0 0 0 0 0 0
14 0 1 0 0 0 0 0 1 0 0 0 0 0 0
15 0 0 0 1 0 0 1 0 1 0 0 0 0 0
16 0 1 0 1 0 0 0 0 0 0 0 0 0 0
17 1 1 0 0 0 0 0 0 0 0 0 0 0 0
18 0 0 0 0 0 0 0 0 0 0 1 0 0 1
19 0 1 0 0 0 0 0 1 0 0 0 0 0 0
20 0 0 0 0 0 0 0 1 0 0 0 1 0 0
ID
Transaks
i Dept 1 Dept 2 Dept 3 Dept 4 Dept 5 Dept 6 Dept 7 Dept 8 Dept 9 Dept 10 Dept 11 Dept 12 Dept 13 Dept 14
21 0 0 0 0 0 0 0 0 0 0 0 1 0 1
22 0 0 0 1 0 0 0 0 0 1 0 0 0 0
23 0 1 0 0 0 0 0 1 0 0 0 0 0 0
24 1 1 0 0 0 0 0 0 0 0 0 0 0 0
25 1 1 0 0 0 0 0 0 0 0 0 0 0 0
26 1 1 0 0 0 0 0 1 0 0 0 0 0 0
27 0 1 0 0 0 0 0 0 1 0 0 0 0 0
28 0 0 0 0 0 0 0 1 0 0 0 0 1 0
29 0 0 0 1 1 0 0 0 0 0 0 0 0 0
30 0 0 0 0 1 0 0 1 0 0 0 0 0 0
31 0 1 0 0 0 0 0 1 0 0 0 0 0 0
32 0 1 0 0 0 0 0 1 0 0 0 0 0 0
33 0 1 0 0 0 0 0 0 0 0 0 1 0 0
34 1 1 0 0 0 0 0 0 0 0 0 0 0 0
35 1 0 0 0 1 0 0 0 0 0 0 0 0 0
36 1 1 0 0 0 0 0 0 0 0 0 0 0 0
ID
Transaks
i Dept 1 Dept 2 Dept 3 Dept 4 Dept 5 Dept 6 Dept 7 Dept 8 Dept 9 Dept 10 Dept 11 Dept 12 Dept 13 Dept 14
37 0 1 0 0 0 0 0 1 0 0 0 0 0 0
38 0 1 0 0 1 0 0 0 0 0 0 0 0 0
39 0 0 0 0 1 0 0 1 0 0 0 0 0 0
40 0 1 0 0 0 0 1 0 0 0 0 0 0 0
41 1 1 0 0 0 0 0 0 0 0 0 0 0 0
42 0 1 0 0 0 0 1 1 0 0 0 0 0 0
43 0 1 0 0 1 0 0 0 0 0 0 0 0 0
44 0 0 0 0 0 0 0 0 1 0 0 0 0 1
45 0 0 0 1 0 0 0 0 0 1 0 0 0 0
46 1 1 0 0 0 0 0 0 0 0 0 0 0 0
47 0 1 0 0 1 0 0 0 0 0 0 0 0 0
48 0 1 0 0 0 0 1 0 0 0 0 0 0 0
49 0 0 0 0 0 0 1 0 0 0 0 0 0 1
50 0 0 0 0 0 0 0 1 0 0 0 1 0 0
51 1 0 0 0 0 0 0 0 0 0 0 1 0 0
52 0 0 0 1 0 0 0 0 0 1 0 0 0 0
ID
Transaks
i Dept 1 Dept 2 Dept 3 Dept 4 Dept 5 Dept 6 Dept 7 Dept 8 Dept 9 Dept 10 Dept 11 Dept 12 Dept 13 Dept 14
53 0 1 0 0 1 0 1 1 0 0 0 0 0 0
54 0 1 0 0 0 1 0 0 0 0 0 0 0 0
55 0 1 0 0 0 0 0 1 0 0 0 0 0 0
56 0 1 0 0 0 0 0 0 1 0 0 0 0 0
57 0 1 0 0 0 0 1 0 0 0 0 0 0 0
58 0 1 0 0 1 0 0 0 0 0 0 0 0 0
59 0 1 0 1 0 0 0 0 0 0 0 0 0 0
60 0 0 0 1 0 0 0 1 0 0 0 0 0 0
61 1 0 0 0 0 1 0 0 0 0 0 0 0 0
62 0 0 0 1 1 0 0 0 0 0 0 0 0 0
63 0 1 0 1 0 0 0 0 0 0 0 0 0 0
64 0 1 0 0 0 0 0 0 0 1 0 0 0 0
65 0 0 1 0 0 0 0 0 0 0 0 0 1
66 0 1 0 0 0 0 0 1 0 0 0 0 0 0
67 0 1 0 0 0 0 1 0 0 0 0 0 0 0
68 0 0 1 0 0 0 0 1 0 0 0 0 0 0
ID
Transaks
i Dept 1 Dept 2 Dept 3 Dept 4 Dept 5 Dept 6 Dept 7 Dept 8 Dept 9 Dept 10 Dept 11 Dept 12 Dept 13 Dept 14
69 0 1 0 0 1 1 0 0 0 0 0 0 0 0
70 0 1 0 0 0 0 0 1 0 0 0 0 0 0
71 1 0 0 0 0 0 0 0 0 0 0 1 0 0
72 1 0 0 1 0 0 0 0 0 0 0 0 0 0
73 0 0 0 1 1 0 0 0 0 0 0 0 0 0
74 1 0 0 0 0 0 0 1 0 0 0 0 0 0
75 1 1 0 0 0 0 0 0 0 0 0 0 0 0
76 1 0 1 1 0 0 1 0 1 1 0 0 0 1
77 1 1 0 0 0 0 0 0 0 0 0 0 0 0
78 0 1 0 1 0 0 0 0 1 0 0 0 0 0
79 0 0 0 1 0 0 0 0 0 0 0 1 0 1
80 0 0 0 1 0 0 0 0 0 1 0 0 0 0
81 1 1 0 0 0 0 0 0 1 0 0 0 0 0
82 1 0 0 0 0 1 0 0 0 0 0 0 0 0
83 1 0 0 0 0 0 0 1 1 0 0 0 0 1
84 0 1 1 0 1 0 0 0 0 0 0 0 0 0
ID
Transaks
i Dept 1 Dept 2 Dept 3 Dept 4 Dept 5 Dept 6 Dept 7 Dept 8 Dept 9 Dept 10 Dept 11 Dept 12 Dept 13 Dept 14
85 0 0 0 1 0 0 0 0 0 1 0 0 0 0
86 1 1 1 1 1 0 1 1 0 0 0 0 0 0
87 1 0 0 0 0 1 0 0 0 0 0 0 0 0
88 0 0 0 1 1 0 0 0 0 0 0 0 0 0
89 0 0 0 0 0 0 0 1 1 0 0 0 0 0
90 0 1 0 0 1 0 0 0 0 0 0 0 0 0
91 0 0 0 1 0 0 1 1 0 0 0 0 0 0
92 0 0 0 1 0 0 1 0 0 0 0 0 0 0
93 1 1 0 0 0 0 1 1 0 0 0 1 0 0
94 1 0 0 1 0 0 0 0 0 0 0 0 0 0
95 0 0 0 1 0 0 0 0 1 0 0 0 0 0
96 0 0 0 1 0 0 0 1 1 1 0 0 0 0
97 0 0 0 1 0 0 0 1 1 1 0 0 0 0
98 0 1 0 0 0 0 0 0 1 0 0 0 0 0
99 0 1 0 1 0 0 0 0 0 0 0 0 0 0
100 0 1 0 1 0 0 0 0 0 0 0 0 0 0
Analisis Hasil Pengolahan Data dari Sudut Pandang Consumer Behaviournya
Hasil dari rekapitulasi data di atas kemudian dilakukan pengolahan data menggunakan
software XL Miner. XlMiner merupakan sebuah software yang digunakan untuk melakukan
data mining secara matematis didalam excel. XLMiner menyediakan solusi yang statistik
untuk memecahkan masalah dalam data mining. Software ini dapat memuat klasifikasi,
regresi pohon , neural networks, association rule, metode jarak terdekat. Hasil pengolahan
data bisa dilihat sebagai berikut.
Tabel 5. Data
Data
Pada tabel 5 diatas ditentukan minimum support sebesar 3 pada software XL Miner. Hal ini
berarti jumlah kominasi item tersebut minimal ada 3 dalam total seluruh belanja (100 struk).
Dan minimum confident sebesar 50% berarti kuatnya hubungan antar item dalam aturan
asosiatif memiliki nilai kepastian minimal 50%. Dari hasil perhitungan software terbentuk
13 rules.
Tabel 6. Rule
Pada tabel 6 di atas bisa dilihat rule 1 diketahui bahwa apabila konsumen membeli barang
di dept 4 dan dept 9 punya kemungkinan 50% untuk juga membeli barang di dept 10 dengan
support dept 4 dan dept 9 sebesar 6 yang berarti 6 kali dari 100 transaksi atau 6% dari
database transaksi; support dept 10 sebesar 10 yang berarti 10 kali dari 100 transaksi atau
10% dari database transaksi; support a dan c sebesar 3 yang berarti 3 kali dari 100 transaksi
atau 3% dari database transaksi dengan nilai lift ratio sebesar 5 yang berarti >1 maka
transaksi dinyatakan valid.
Pada rule 2 diketahui bahwa apabila konsumen membeli barang di dept 10 punya
kemungkinan 80% untuk juga membeli barang di dept 10 dengan support dept 10 sebesar
10 yang berarti 10 kali dari 100 transaksi atau 10% dari database transaksi; support dept 4
sebesar 31 yang berarti 31 kali dari 100 transaksi atau 31% dari database transaksi; support
a dan c sebesar 8 yang berarti 8 kali dari 100 transaksi atau 8% dari database transaksi
dengan nilai lift ratio sebesar 2,58 yang berarti >1 maka transaksi dinyatakan valid.
Pada rule 3 diketahui bahwa apabila konsumen membeli barang di dept 10 dan dept 9
punya kemungkinan 75% untuk juga membeli barang di dept 4 dengan support dept 10 dan
dept 9 sebesar 4 yang berarti 4 kali dari 100 transaksi atau 4% dari database transaksi;
support dept 10 sebesar 31 yang berarti 31 kali dari 100 transaksi atau 31% dari database
transaksi; support a dan c sebesar 3 yang berarti 3 kali dari 100 transaksi atau 3% dari
database transaksi dengan nilai lift ratio sebesar 2,41 yang berarti >1 maka transaksi
dinyatakan valid.
Pada rule 4 diketahui bahwa apabila konsumen membeli barang di dept 6 punya
kemungkinan 60% untuk juga membeli barang di dept 1 dengan support dept 6 sebesar 5
yang berarti 5 kali dari 100 transaksi atau 5% dari database transaksi; support dept 1
sebesar 25 yang berarti 25 kali dari 100 transaksi atau 25% dari database transaksi; support
a dan c sebesar 3 yang berarti 3 kali dari 100 transaksi atau 3% dari database transaksi
dengan nilai lift ratio sebesar 2,4 yang berarti >1 maka transaksi dinyatakan valid.
Pada rule 5 diketahui bahwa apabila konsumen membeli barang di dept 7 dan dept 8
punya kemungkinan 83,33% untuk juga membeli barang di dept 2 dengan support dept 7
dan dept 8 sebesar 6 yang berarti 6 kali dari 100 transaksi atau 6% dari database transaksi;
support dept 2 sebesar 56 yang berarti 56 kali dari 100 transaksi atau 56% dari database
transaksi; support a dan c sebesar 5 yang berarti 5 kali dari 100 transaksi atau 5% dari
database transaksi dengan nilai lift ratio sebesar 1,48 yang berarti >1 maka transaksi
dinyatakan valid.
Pada rule 6 diketahui bahwa apabila konsumen membeli barang di dept 2 dan dept 7
punya kemungkinan 50% untuk juga membeli barang di dept 8 dengan support dept 2 dan
dept 7 sebesar 10 yang berarti 10 kali dari 100 transaksi atau 10% dari database transaksi;
support dept 2 sebesar 34 yang berarti 34 kali dari 100 transaksi atau 34% dari database
transaksi; support a dan c sebesar 5 yang berarti 5 kali dari 100 transaksi atau 5% dari
database transaksi dengan nilai lift ratio sebesar 1,47 yang berari >1 maka transaksi
dinyatakan valid.
Pada rule 7 diketahui bahwa apabila konsumen membeli barang di dept 1 dan dept 7
punya kemungkinan 75% untuk juga membeli barang di dept 2 dengan support dept 1 dan
dept 7 sebesar 4 yang berarti 4 kali dari 100 transaksi atau 4% dari database transaksi;
support dept 2 sebesar 56 yang berarti 56 kali dari 100 transaksi atau 56% dari database
transaksi; support a dan c sebesar 3 yang berarti 3 kali dari 100 transaksi atau 3% dari
database transaksi dengan nilai lift ratio sebesar 1,33 yang berarti >1 maka transaksi
dinyatakan valid.
Pada rule 8 diketahui bahwa apabila konsumen membeli barang di dept 7 punya
kemungkinan 62,5% untuk juga membeli barang di dept 2 dengan support dept 7 sebesar 16
yang berarti 16 kali dari 100 transaksi atau 16% dari database transaksi; support dept 2
sebesar 56 yang berarti 56 kali dari 100 transaksi atau 56% dari database transaksi; support
a dan c sebesar 10 yang berarti 10 kali dari 100 transaksi atau 10% dari database transaksi
dengan nilai lift ratio sebesar 1,11 yang berarti >1 maka transaksi dinyatakan valid.
Pada rule 9 diketahui bahwa apabila konsumen membeli barang di dept 3 punya
kemungkinan 60% untuk juga membeli barang di dept 2 dengan support dept 3 sebesar 5
yang berarti 5 kali dari 100 transaksi atau 5% dari database transaksi; support dept 2
sebesar 56 yang berarti 56 kali dari 100 transaksi atau 56% dari database transaksi; support
a dan c sebesar 3 yang berarti 3 kali dari 100 transaksi atau 3% dari database transaksi
dengan nilai lift ratio sebesar 1,07 yang berarti >1 maka transaksi dinyatakan valid.
Pada rule 10 diketahui bahwa apabila konsumen membeli barang di dept 1 dan dept 8
punya kemungkinan 60% untuk juga membeli barang di dept 2 dengan support dept 1 dan 8
sebesar 5 yang berarti 5 kali dari 100 transaksi atau 5% dari database transaksi; support
dept 2 sebesar 56 yang berarti 56 kali dari 100 transaksi atau 56% dari database transaksi;
support a dan c sebesar 3 yang berarti 3 kali dari 100 transaksi atau 3% dari database
transaksi dengan nilai lift ratio sebesar 1,07 yang berarti >1 maka transaksi dinyatakan
valid.
Pada rule 11 diketahui bahwa apabila konsumen membeli barang di dept 8 punya
kemungkinan 58,82% untuk juga membeli barang di dept 2 dengan support dept 8 sebesar
34 yang berarti 34 kali dari 100 transaksi atau 34% dari database transaksi; support dept 2
sebesar 56 yang berarti 56 kali dari 100 transaksi atau 56% dari database transaksi; support
a dan c sebesar 20 yang berarti 20 kali dari 100 transaksi atau 20% dari database transaksi
dengan nilai lift ratio sebesar 1,05 yang berarti >1 maka transaksi dinyatakan valid.
Pada rule 12 diketahui bahwa apabila konsumen membeli barang di dept 1 punya
kemungkinan 56% untuk juga membeli barang di dept 2 dengan support dept 1 sebesar 25
yang berarti 25 kali dari 100 transaksi atau 25% dari database transaksi; support dept 2
sebesar 56 yang berarti 56 kali dari 100 transaksi atau 56% dari database transaksi; support
a dan c sebesar 14 yang berarti 14 kali dari 100 transaksi atau 14% dari database transaksi
dengan nilai lift ratio sebesar 1 yang berarti >1 maka transaksi dinyatakan valid.
Pada rule 13 diketahui bahwa apabila konsumen membeli barang di dept 5 punya
kemungkinan 52,94% untuk juga membeli barang di dept 2 dengan support dept 5 sebesar
17 yang berarti 17 kali dari 100 transaksi atau 17% dari database transaksi; support dept 2
sebesar 56 yang berarti 56 kali dari 100 transaksi atau 56% dari database transaksi; support
a dan c sebesar 9 yang berarti 9 kali dari 100 transaksi atau 9% dari database transaksi
dengan nilai lift ratio sebesar 0,94 yang berarti <1 maka transaksi dinyatakan tidak valid
atau item tidak benar-banar terbeli secara bersamaan.
Dept 6 Dept 10
Dept 4
Dept 9
Dept 4
Dept 5
Dept 14
Dept 2
Dept 3
Dept 1
Dept 11
Dept 8
Dept 12 Dept 7 Dept 13
Dept 4
Dept 14
Dept 9
Dept 4
Dept 1
Dept 5
Dept 2
Dept 3
Dept 6
Dept 11
Dept 8
Dept 12 Dept 7 Dept 13
Gambar 2 di atas adalah layout rekomendasi berdasarkan hasil analisis sifat konsumen. Pada
layout rekomendasi ini, departemen yang dipindahkan dari tempat awal ke tempat
rekomendasi adalah departemen 3, departemen 6, departemen 14 dan departemen 1. Alasan
pemindahan departemen adalah untuk mendekatkan item yang kurang laku seperti
departemen 3 yang berisi snack untuk didekatkan dengan departemen yang paling diminati
konsumen yaitu departemen 2 yang berisi minuman. Pendekatan departemen 2 dan 3
bermaksud agar konsumen yang membeli minuman juga mengambil barang departemen 3
yang berisi snack sehingga bisa meningkatkan penjualan item pada departemen 3.
Kesimpulan
Kesimpulan dari penelitian ini adalah :
1. Dari hasil pengolahan data dapat dilihat bahwa dengan nilai lift ratio yang besar berarti
menandakan rule tersebut kemungkinan sangat besar terjadi, seperti dalam hal ini pada
rule 1 konsumen melakukan pembelian produk pada departemen 4 (perlengkapan
pribadi) dan departemen 9 (obat-obatan) maka besar kemungkinan akan membeli produk
pada departemen 10 (perlengkapan rumah tangga), karena memiliki nilai lift ratio yang
paling besar dibandingkan dengan seluruh rule yang ada, yaitu sebesar 5.
2. Dalam melakukan perubahan layout, kami melakukan pemindahan departemen 3 (snack),
departemen 6 (minuman bubuk/sachet), dan departemen 14 (permen) ke dekat
departemen 2 (minuman) dimaksudkan agar membuat produk – produk yang dijual di
departemen tersebut menjadi lebih laku dan diminati konsumen, dan juga pada
departemen 6 dan 14 tersebut dipisah menjadi 2 tempat agar penempatan produk tidak
hanya di satu tempat saja.
Saran
Saran yang dapat diberikan dalam penelitian yang telah dilakukan yaitu diharapkan pihak
manajemen Alfamart Jalan Damai yaitu:
1. Memperbaiki layout sesuai yang disarankan untuk meningkatkan penjualan terhadap
produk-produk yang kurang diminati.
2. Diharapkan penelitian terhadap minat konsumen dalam pembelian suatu produk bisa
dilakukan secara berkala dengan tujuan untuk mengoptimalkan penjualan terhadap
semua produk.
3. Untuk penelitian selanjutnya, dalam melakukan pegolahan data selain menggunakan
software XL Miner, bisa juga dilakukan dengan software RapidMiner.
DAFTAR PUSTAKA
Erwin. 2009. Analisis Market Basket Dengan Algoritma Apriori dan FP-Growth. Jurnal
Generic Vol IV 2: 26-30
Goldie Gunadi, Dana Indra Sensuse. 2012. Penerapan Metode Data Mining Market Basket
Analysis Terhadap Data Penjualan Produk Buku Dengan Menggunakan Algoritma
Apriori Dan Frequent Pattern Growth (Fp-Growth) : Studi Kasus Percetakan PT.
Gramedia. Jurnal Telematika MKOM Vol.4 1: 118-132
Marsela Yulita, Veronica S Moertini. 2004. Analisis Keranjang Pasar Dengan Algoritma
Hash-Based Pada Data Transaksi Penjualan Apotek. Integral Vol 9 3: 132-148
Medina Gemala. 2010. Penerapan Metode Market Basket Analysis Pada Situs Web E-
Commerce
Winda Miranti. 2010. Analisis Perilaku Pembelian Dengan Menggunakan Market Basket
Analysis Pada Usaha Ritel (Studi Kasus Karima Swalayan, Bogor)