Metode FP-Growth untuk Promosi Produk

pada Pabrik Krupuk Mekar Jaya Cirebon

Proposal Pengajuan Judul Skripsi

WILDAN HAKIM

14516879

PROGRAM STUDI TEKNIK INFORMATIKA

SEKOLAH TINGGI ILMU KOMPUTER (STIKOM) POLTEK

CIREBON
 2020

1. 1 Latar Belakang

Produk pada suatu perusahaan atau suatu pabrik umumnya bermacam-macam jenisnya,
bentuknya, kemasannya ataupun rasa dari produk itu sendiri. Produk olahan seperti makanan dan
minuman tentunya memiliki peminatnya masing-masing. Ada beberapa produk yang dibelil bersamaan
ataupun yang dibeli secara terpisah atau dibeli sendiri. Produk yang dibeli dapat dianalisis dengan
menggunakan suatu metode, untuk diketahui suatu pola pembelian produknya, pola tersebut akan
menghasilkan pengetahuan berupa produk mana yang paling sering dibeli secara bersamaan. Dari
pengetahuan tersebut, pemilik usaha dapat mempertimbangkan strategi yang tepat untuk membuat stok
barang dan membuat strategi promosi, misalnya seperti beli satu gratis satu dan sebagainya. Analisis
yang dapat mengetahui suatu produk yang sering dibeli ialah dengan data mining.

Data mining atau penambangan data adalah suatu proses untuk menemukan informasi baru
dari sekumpulan dataset yang tersedia. Informasi ini dapat berupa relasi antar variabel atau pola data
tertentu yang tidak diketahui sebelumnya [6]. Data mining memiliki banyak kegunaan, salah satunya
adalah association rule. Association rule adalah metode yang bertujuan untuk menunjukkan nilai
asosiatif antara jenis-jenis produk yang dibeli oleh pelanggan sehingga terlihatlah suatu pola berupa
produk apa saja yang sering dibeli oleh palanggan tersebut[ CITATION Rin18 \l 1033 ].

FP-Growth merupakan metode pertambangan frequent itemset tanpa calon generasi. FP-
Growth membangun struktur data (FP-Tree) untuk mengekstrak database transaksi. FP Growth
melakukan database hanya dua kali. Di scan pertama, semua item yang frequent dan jumlah support
berasal diurutkan dari support yang terbesar dalam setiap transaksi. Di scan kedua, item di setiap
transaksi digabung menjadi FP-Tree dan item (node) yang muncul di transaksi yang berbeda dihitung.
Setiap node berhubungan dengan item dan jumlah nya. Node dengan label yang sama dihubungkan
oleh pointer yang disebut node-link [ CITATION Lus17 \l 1033 ].

Pabrik Krupuk Mekar Jaya yang beralamat di Blok Tanah Baru Utara no. 260, RT/RW
015/002. Desa Panembahan, Kecamatan Plered, Kabupaten Cirebon ini merupakan produsen beberapa
jenis krupuk. Produk-produknya diantaranya adalah cemilan sosis goreng, krupuk seblak, krupuk
pedas, krupuk aci dan sebagainya dengan berbagai ukuran kemasan produk. Pabrik ini selalu melayani
banyak transaksi per harinya, terutama jika memasuki bulan Ramadhan dan Hari Raya Idul Fitri,
transaksinya akan meningkat sampai dua kali lipat dari hari biasa.
 Pabrik ini memproduksi banyak produk krupuk, produk-produknya tersebut cukup diminati
masyarakat, dan beberapa produknya sering dibeli bersamaan. Memasuki bulan Ramadhan dan Hari
Raya Idul Fitri, pabrik cukup mengalami kesulitan untuk menentukan stok produk dan strategi promosi
yang tepat karena pabrik belum melakukan analisis data penjualan produknya. Analisis data
menggunakan data mining akan menghasilkan pengetahuan berupa pola pembelian konsumen pada
produk yang sering dibeli terpisah dan dibeli bersamaan. Analisis yang akan dihasilkan diharapkan
dapat membantu pabrik dalam menentukan stok produk dan strategi promosi yang tepat.

1. 2 Identifikasi Masalah

Berdasarkan latar belakang diatas, penulis mengidentifikasikan beberapa masalah yang akan
dijadikan bahan penelitian penulis, yakni sebagai berikut :

1. Belum diketahuinya pola pembelian produk oleh konsumen.

2. Belum adanya system yang dapat menganalisis data penjualan produk sehingga dapat
membantu pemilik pabrik dalam menentukan stok produk dan strategi promosi yang tepat.
1. 3 Batasan Masalah

Batasan masalah dalam penelitian ini adalah :

1. Data yang diambil adalah data transaksi pembelian satu bulan terakhir, yakni bulan Mei 2020.
2. Hasil akhir dari metode ini adalah adanya system yang dapat mengetahui kombinasi antara dua
produk yang sering dibeli oleh konsumen.

1. 4 Tinjauan Pustaka
No Penulis (tahun) Judul jurnal Metode Perbandingan
Penerapan Data Mining Membuat keputusan promosi
Rintho Rante Rerung dengan Memanfaatkan Association produk berdasarkan produk
1
(2018) Metode Association Rule Rule yang sering dibeli[ CITATION
untuk Promosi Produk Rin18 \l 1033 ].
Penerapan Metode
Association Rule Mining
Menemukan strategi yang tepat
untuk Analisis dan
Association untuk pemasaran produk
2 Faisal (2018) Implementasi Teknik Data
Rule Unilever Indonesia[ CITATION
Mining dalam Memprediksi
Placeholder1 \l 1033 ].
Strategi Pemasaran Produk
Unilever
Pencarian Frequent Itemset Association Menemukan pola pembelian
Lusa Indah Prahartiwi pada Analisis Keranjang Rule dan produk yang dibeli bersamaan
3
(2017) Belanja Menggunakan algoritma FP dalam keranjang yang sama
Algoritma FP Growth Growth [ CITATION Lus17 \l 1033 ].
Menghasilkan sistem
rekomendasi buku yang lebih
Book Recommender System Algoritma
optimal dengan
Hani Febri Mustika dan Using Genetic Algorithm genentik dan
4 menggabungkan association
Aina Musdholifah (2019) and Association Rule Association
rule dan algoritma
Mining Rule
genetik[ CITATION Mus19 \l 1033
].

Algoritma
Menghasilkan analisis data
M. Sinthuja, Dr. N. Research of Improved FP- Improved FP-
yang lebih efisien dari metode
5 Puviarasan, dan Dr. P. Growth (IFP) Algorithm in Growth dan
algoritma FP Growth[ CITATION
Aruna Association Rules Mining Association
Sin18 \l 1033 ].
Rule

1. 5 Metode FP-Growth
 Dalam bidang keilmuan data mining, terdapat suatu metode yang dinamakan association rule.
Metode ini sering juga dinamakan dengan market basket analysis. Association rule mining adalah suatu
prosedur untuk mencari hubungan antar item dalam suatu dataset yang ditentukan. Association rule
meliputi dua tahap :

1. Mencari kombinasi yang paling sering terjadi dari suatu itemset.

2. Mendefinisikan condition dan result (conditional association rule).

Dalam menentukan suatu association rule, terdapat suatu interestingness measure (ukuran
kepercayaan) yang didapatkan dari hasil pengolahan data dengan perhitungan tertentu. Umumnya ada
tiga ukuran, yaitu:

1. Support: yaitu suatu ukuran yang menunjukkan seberapa besar tingkat dominasi suatu item/
itemset dari keseluruhan transaksi. Ukuran ini akan menentukan apakah suatu item/itemset
layak untuk dicari confidence-nya (misal, dari seluruh transaksi yang ada, seberapa besar
tingkat dominasi yang menunjukkan bahwa item A dan B dibeli bersamaan) dapat juga
digunakan untuk mencari tingkat dominasi item tunggal. Secara umum dapat ditulis seperti
persamaan berikut :

Support ( A → B )=Probabilitas ( A → B )

2. Confidence: yaitu suatu ukuran yang menunjukkan hubungan antar dua item secara conditional
(misal, seberapa sering item B dibeli jika orang membeli item A). Secara umum dapat ditulis
seperti persamaan berikut :
Support( A → B)
Confidence ( A → B )=
Support ( A)
3. Improvement: yaitu suatu ukuran yang menunjukan besarnya kemungkinan dua item dapat
dibeli secara bersamaan. Lebih jelasnya dapat dilihat pada persamaan berikut :

Support ( A → B)
Improvement ( A → B )=
Support ( A ) × Support (B)

[ CITATION Rin18 \l 1033 ].

Algoritma FP-Growth merupakan metode pertambangan frequent itemset tanpa calon

generasi. FP-Growth membangun struktur data (FP-Tree) untuk mengekstrak database transaksi. FP
Growth melakukan database hanya dua kali. Di scan pertama, semua item yang frequent dan jumlah
support berasal diurutkan dari support yang terbesar dalam setiap transaksi. Di scan kedua, item di
setiap transaksi digabung menjadi FP-Tree dan item (node) yang muncul di transaksi yang berbeda
dihitung. Setiap node berhubungan dengan item dan jumlah nya. Node dengan label yang sama
dihubungkan oleh pointer yang disebut node-link. Tahapan dasar dalam metode FP-Growth terdiri dari
dua tahap, yaitu: Conditional Pattern Base, Conditional FP-Tree, Frequent Pattern [ CITATION Lus17 \l
1033 ]

Langkah-langkah metode FP-Growth:

1. Scan Database pertama, kemudian hitung nilai support untuk menentukan nilai support dari
setiap itemset. Itemset yang tidak memenuhi syarat minimum support akan di hilangkan.
2. Itemset yang memperoleh nilai support lebih dari nilai minimum support di urutkan secara
menurun
3. Scan Database yang kedua untuk membentuk FP-Tree
4. Pembangkitan Conditional Pattern Base yang berisi prefix path (lintasan prefix) dan suffix
pattern
5. Jumlahkan nilai support dari setiap item pada conditional pattern base, selanjutnya item yang
memiliki nilai support yang lebih besar sama dengan dari minimum support akan di bangkitkan
dengan conditional fp-tree. Apabila conditional FP-Tree merupakan lintasan tunggal,maka
didapatkan frequent itemset dengan melakukan kombinasi item untuk setiap conditional fp-tree.
Jika bukan lintasan tunggal, maka dilakukan pembangkitan FP-Growth secara rekursif
[ CITATION Lus17 \l 1033 ].
1. 6 Lokasi dan Jadwal Penelitian
1. 6. 1 Lokasi Penelitian
Penelitian ini akan berlokasi di Pabrik Krupuk Mekar Jaya yang beralamat di Blok
Tanah Baru Utara no. 260, RT/RW 015/002. Desa Panembahan, Kecamatan Plered,
Kabupaten Cirebon.
1. 6. 2 Jadwal Penelitian

No Nama Kegiatan Februari

1 2 3 4
1 Sosialisasi tugas akhir
2 Pengajuan Proposal
3 Pengajuan Proposal On-line

Daftar Pustaka
[1] R. R. Rerung, "Penerapan Data Mining dengan Memanfaatkan Metode Association Rule untuk
Promosi Produk," JTERA - Jurnal Teknologi Rekayasa, Vol. 3, No. 1, Juni 2018, pp. 89-98, 2018.
[2] L. I. Prahartiwi, "Pencarian Frequent Itemset pada Analisis Keranjang Belanja Menggunakan
Algoritma FP Growth," INFORMATION SYSTEM FOR EDUCATORS AND PROFESSIONALS
Vol. 2, No. 1, Desember 2017, pp. 1-10, 2017.
[3] Faisal, "PENERAPAN METODE ASSOCIATION RULE MINING UNTUK ANALISIS DAN
IMPLEMENTASI TEKNIK DATA MINING DALAM MEMPREDIKSI STRATEGI
PEMASARAN PRODUK UNILEVER," Jurnal INSTEK, vol. 3, no. 1, pp. 151-160, 2018.
[4] H. F. Mustika and A. Musdholifah, "Book Recommender System Using Genetic Algorithm and
Association Rule Mining," Computer Engineering and Applications, vol. 8, no. 2, pp. 85-92, 2019.
[5] M. Sinthuja, N. Puviarasan and P. Aruna, "Research of Improved FP-Growth (IFP) Algorithm in
Association Rules Mining," International Journal of Engineering Science Invention (IJESI), vol. 2,
no. NCIOT 2018, pp. 24-31, 2018.
[6] Suyanto, DATA MINING UNTUK KLASIFIKASI DAN KLASTERISASI DATA, Bandung:
Penerbit INFORMATIKA, 2019.