Computer Based Information System Journal: Nformasi Rtikel Diterima Redaksi: Februari 2019 Diterbitkan Online: Maret 2019
Computer Based Information System Journal: Nformasi Rtikel Diterima Redaksi: Februari 2019 Diterbitkan Online: Maret 2019
01 (2019) : MARET P a g e | 35
INFORMASI ARTIKEL A B S T R A C T
Diterima Redaksi: Februari 2019 Data mining merupakan teknik penambangan informasi dan
Diterbitkan Online: Maret 2019 pengetahuan berharga dari suatu database yang besar jumlahnya.
Data mining mampu menganalisa data yang besar menjadi informasi
berupa pola yang mempunyai makna sebagai alat pendukung
keputusan. Salah satu teknik data mining yang dapat digunakan
KATA KUNCI adalah association data mining atau yang biasa disebut dengan
istilah market basket analysis. Market basket didefinisikan sebagai
data mining, market basket analysis, suatu itemset yang dibeli secara bersamaan oleh pelanggan dalam
algoritma apriori, produk rumah suatu transaksi. Market basket analysis adalah suatu alat yang ampuh
tungga untuk pelaksanaan strategi cross-selling. Metode ini dimulai dengan
mencari sejumlah frequent itemset dan dilanjutkan dengan
pembentukan aturan-aturan asosiasi (association rules). Dalam
KORESPONDENSI penelitian ini akan digunakan algoritma Apriori untuk membantu
E-mail: fengrata19@gmail.com menemukan sejumlah aturan asosiasi dari kumpulan data transaksi
penjualan produk rumah tangga di Toko Horas, sehingga output yang
dihasilkan dari penelitian ini dapat menjadi bahan pertimbangan
dalam menerapkan strategi penjualan yang lebih baik.
3. Tahap ketiga: Model building and Metodologi dasar analisis asosiasi terbagi
validation. menjadi dua tahap :
http://ejournal.upbatam.ac.id/index.php/cbis
CBIS JOURNAL - VOL. 07 NO. 01 (2019) : MARET P a g e | 39
menghasilkan algoritma yang efisien adalah
analisis pola frequensi tinggi(frequent
Support (A) =
pattern mining). Penting tidaknya suatu
Jumlah Transaksi Mengandung A asosiasi dapat diketahui dengan dua tolok
Total Transaksi ukur, yaitu : support dan confidence.
Support (nilai penunjang) adalah persentase
kombinasi item tersebut dalam database,
Sedangkan nilai dari support dua item sedangkan confidence (nilai kepastian)
diperoleh dari rumus berikut : adalah kuatnya hubungan antara-item
dalam aturan asosiasi. (Kusrini,
EmhaTaufiq Luthfi,2009 : 149)
Support(A,B)= (A B) =
Bentuk algoritma dari metode Apriori
Jumlah Transaksi Mengandung A & B dapat dituliskan sebagai berikut:
Total Transaksi
L1 = {frequent itemset with one element}
2. Pembentukan Aturan Asosiasi
for (k=2; Lk-1; k++)
Setelah semua pola frekuensi tinggi
{
ditemukan, barulah dicari aturan assosiatif
yang memenuhi syarat minimum untuk Ck = apriori-gen(Lk-1); //pembuatan
confidence dengan menghitung confidence kandidat baru
aturan asosiasi “ jika A maka B “. Nilai
for all transactions t
confidence dari aturan “ jika A maka B “
diperoleh dari rumus berikut : {
4. Implementasi
Tahap ini merupakan tahap dimana peneliti
memberikan hasil pengolahan data kepada
pihak Toko Horas sehingga dapat
digunakan sebagai alat dalam pendukung
keputusan bisnis yang dapat digunakan
untuk menentukan jenis barang yang harus
diprioritaskan jumlahnya agar tidak terjadi
potensi kehilangan pendapatan.
V. Kesimpulan
Berdasarkan hasil pengujian yang
peneliti peroleh dari penelitian ini,
disimpulkan bahwa jenis produk yang paling
laris di Toko Horas adalah bangku, panci
dan baskom. Penelitian ini juga
menghasilkan fakta bahwa adanya
kecenderungan pembeli untuk membeli jenis
barang tertentu saat membeli barang di Toko
Horas seperti pembeli bangku dan panci
http://ejournal.upbatam.ac.id/index.php/cbis
CBIS JOURNAL - VOL. 07 NO. 01 (2019) : MARET P a g e | 43
akan membeli baskom saat berbelanja di Daftar Pustaka
Toko Horas. Dengan diketahuinya aturan
asosiasi berikut, pihak Toko Horas dapat Pane, D. K. (2013). Implementasi Data Mining
menyusun strategi pemasaran produk Pada Penjualan Produk Elektronik
dengan meneliti apa kelebihan jenis produk Dengan Algoritma Apriori. Pelita
tertentu dan dapat menambah persediaan Informasi Budi Darma Volume IV No 3,
barang yang menjadi pasangan aturan 25-29.
asosiasinya. S, F. L., & Santana, J. (n.d.). Data Mining :
Meramalkan Bisnis Perusahaan .
VI. Saran Jakarta: Penerbit PT. Elex Media
Peneliti menyarankan pihak Toko Horas Komputindo.
untuk beralih ke sistem penulisan faktur Santosa, B. (2007). Data Mining : Teknik
secara digital agar mempermudah efisiensi Pemanfaatan Data untuk Keperluan
proses bisnis dan pelayanan kepada Bisnis. Graha Ilmu.
customer. Di sisi lain, data transaksi yang Tampubolon, K., Saragih, H., & Reza, B. (2013).
dihasilkan sistem juga dapat dimanfaatkan Implementasi Data Mining Algoritma
untuk memprediksi aturan asosiasi dan tren Apriori Pada Sistem Persediaan Alat-
produk yang sedang digemari oleh customer Alat Kesehatan. Informasi dan
sehingga pihak Toko Horas dapat Teknologi Ilmiah (INTI), 93-106.
melakukan penyediaan stok terlebih dahulu Kursrini. (2007). Penerapan Algoritma Apriori
agar penjualan tidak terganggu dan tetap Pada Data Mining Untuk
stabil. Mengelompokkan Barang Berdasarkan
Kecenderungan Kemunculan Bersama
Ucapan Terima Kasih Dalam Satu Transaksi. Yogyakarta: E-
Dalam penelitian ini, kami selaku pihak
learning Center STMIK AMIKOM .
peneliti ingin berterima kasih kepada pihak Toko
Horas yang telah memperbolehkan kami untuk
melakukan penelitian dan diizinkan untuk
memakai data transaksi mereka.
http://ejournal.upbatam.ac.id/index.php/cbis