Jurnal 1618079
Jurnal 1618079
ABSTRAK
Toko Kalibaru Mart merupakan toko sembako (sembilan bahan pokok) yang menjual berbagai barang
kebutuhan masyarakat secara umum. Tanpa sembako masyarakat bisa saja terganggu karena sembako merupakan
kebutuhan pokok utama. Dalam proses penempatan suatu barang pada toko Kalibaru Mart masih dilakukan secara
manual oleh pemilik toko. Banyaknya toko sembako yang lebih modern membuat usaha kecil milik pribadi mulai
ditinggalkan oleh konsumennya.
Pada penelitian yang dikembangkan ini peneliti menggunakan algoritma apriori untuk melakukan analisis
terhadap transaksi penjualan pada toko Kalibaru Mart yang bertujuan untuk mengetahui suatu pola kecenderungan
seorang konsumen dalam membeli suatu barang yang memilik keterkaitan dalam berbelanja. Proses yang
dilakukan dalam penelitian ini adalah mencari suatu kombinasi 2-itemset dan 3-itemset dari 1-itemset yang telah
dinyatakan lolos dari minimum support. Setelah didapatkan pola frekuensi tinggi dari kombinasi 2-itemset dan 3-
itemset dibentuklah suatu aturan asosiatif dari nilai minimum confidence yang telah di tentukan.
Hasil dari pengujian yang dilakukan oleh peneliti dengan menerapkan algoritma apriori pada sistem yang
dibuat menghasilkan aturan asosiatif sebanyak 2 pola pada kombinasi 2-itemset dengan nilai minimum support
40% dan minimum confidence 30% pada pengujian 10 data transaksi penjualan pada toko Kalibaru Mart.
Kata Kunci : Apriori, Aturan Asosiatif, Itemset, Data Transaksi Penjualan
1
1.3 BATASAN MASALAH digunakan Association Rule (aturan asosiasi),
Adapun batasan masalah dalam yaitu teknik data mining untuk menemukan aturan
pembuatan aplikasi analisa data transaksi asosiasi suatu kombinasi item. Proses pencarian
penjualan sebagai berikut: asosiasi menggunakan bantuan algoritma apriori
1. Data yang digunakan adalah data yang untuk menghasilkan pola kombinasi item dan
diambil dari data transaksi penjualan dari rules sebagai ilmu pengetahuan dan informasi
toko Kalibaru Mart periode tanggal 1 penting dari data transaksi penjualan. Hasil
September sampai 30 September 2019 yang penelitian ini berupa aplikasi untuk menganalisa
beralamat di Jl. Terusan Wisnuwardhana No pola belanja yang mana pola yang dihasilkan
11 Malang. dapat dijadikan rekomendasi dalam menentukan
2. Metode yang digunakan dalam strategi penjualan oleh pihak Gramedia [2].
mengembangkan penelitian ini adalah Selanjutnya di tahun 2015 Muhammad
algoritma apriori. Thoriq Agung dan Bowo Nurhadiyono melakukan
3. Platform yang digunakan dalam penelitian yang berjudul Penerapan Data Mining
mengembangkan penelitian ini adalah Pada Data Transaksi Penjualan menemukan
berbasis web. frequent itemset pada sekumpulan data. Pada
4. Bahasa pemerograman yang digunakan untuk penelitian ini sumber data yang digunakan berasal
mengembangkan penelitian ini menggunakan dari data transaksi penjualan pada toko tombo ati.
PHP versi 5.5.19 dan database yang Setelah data selesai dikumpulkan maka dilakukan
digunakan MySQL versi 6.0. penyeleksian pada nota transaksi penjualan yang
5. Pada aplikasi analisis data transaksi telah diperoleh. Pada tahap penyeleksian data ini
penjualan memunculkan hasil dari analisa dilakukan pemilahan nota-nota transaksi
data transaksi penjualan menggunakan penjualan dari toko tombo ati. Dari hasil
algortima apriori. penelitian yang dilakukan dapat disimpulkan
2. TINJAUAN PUSTAKA bahwa dalam pengaturan tata letak dapat
2.1 Penelitian Terkait dilakukan dengan transaksi yang memiliki nilai
Penelitian yang dilakukan oleh Agus confidence tinggi maka barang-barang yang
Nursikuwagus dan Tono Hartono di tahun 2016 terdapat dalam transaksi tersebut akan diletakan
yang berjudul Implementasi Algoritma Apriori secara berdekatan [3].
Untuk Analisis Penjualan Dengan Berbasis Web Selanjutnya penelitian yang dilakukan Fitri
untuk memberikan laporan hasil penelitian Nurchailifatun di tahun 2015 yang berjudul
mengenai implementasi algoritma apriori untuk Penerapan Metode Asosiasi Data Mining
analisis penjualan. Pada proses yang dilakukan Menggunakan Algoritma Apriori Untuk
pada implementasi perangkat lunak ini terdapat Mengetahui Kombinasi Antar Itemset Pada
beberapa langkah seperti penentuan masalah, Pondok Kopi. Untuk itu, sebelumnya perlu
identifikasi dan penyelesaian resiko, melakukan perencanaan inventory dengan baik,
pengembangan dan test, serta perencanaan siklus sebab inventory yang tidak mencukupi juga
berikutnya. Transaksi yang telah dilakukan, dapat mempengaruhi tingkat penjualan. Untuk
dilihat pola perkembangannya. Pembelian yang mengetahui kebutuhan inventory, dapat dilakukan
dilakukan oleh pembeli dapat dijadikan data analisis pasar untuk mencari tahu serangkaian
acuan untuk membuat analisis persediaan produk itemitem apa saja yang dibeli secara bersamaan
selanjutnya. Setiap langkah pada tahapan tersebut oleh para konsumen melalui data transaksi.
digunakan untuk memetakan permasalahan yang Dengan penerapan metode Market Basket
ada hingga terbentuknya suatu aplikasi sesuai Analysis (MBA) dan algoritma Apriori, dapat
kebutuhan. Sebagai hasil dari penelitian ini adalah dilakukan analisis pada data transaksi sehingga
aplikasi berdasarkan algoritma apriori yang terdiri menemukan informasi mengenai pola beli
dari pemilihan Itemset dan aturan asosiasi. konsumen dan direpresentasikan dalam bentuk
Keluaran dari perangkat lunak ini digunakan aturan asosiasi. Berdasarkan data transaksi
untuk data acuan stok barang serta penjualan pada Pondok Kopi, dilakukan analisis
mengotomatisasi perhitungan analisis penjualan menggunakan algoritma apriori dengan parameter
barang [1]. minimum support sebesar 5% dan minimum
Penelitian selanjutnya dilakukan oleh Dewi confidence sebesar 30%. Hasil dari penelitian
Listriani dan kawan-kawan di tahun 2016 yang tersebut menghasilkan 7 aturan asosiasi dengan
berjudul Penerapan Metode Asosiasi kombinasi item terbesar sampai 2-itemset [4].
Menggunakan Algoritma Apriori Pada Aplikasi Penelitian selanjutnya dilakukan oleh
Analisa Pola Belanja Konsumen untuk mencari Helmanatun Nisa Wulandari dan Nur Wijayaning
pola pada konsumen saat belanja pada toko buku Rahayu di tahun 2014 yang berjudul Pemanfaatan
gramedia. Dengan memanfaatkan data transaksi Algoritma Apriori untuk Perancangan Ulang Tata
penjualan yang telah tersimpan dalam database, Letak Barang di Toko Busana. Dalam penelitian
pihak manajemen dapat mengetahui kebiasaan yang dilakukan penulis menggunakan algoritma
pelanggan atau perilaku pelanggan mengenai apa Apriori untuk menganalisis pola belanja
saja buku yang sering dibeli. Cara mengetahui konsumen (market basket analysis) di toko busana
buku-buku yang dibeli secara bersamaan, dapat muslimah karena pertimbangan masih sedikitnya
2
penelitian dalam konteks serupa. Hasil penelitian Confidence = P(A | B) = (Σ Transaksi
berupa sistem berbasis web yang menghasilkan Mengandung A dan B)/(Σ Transaksi
aturan asosiasi sehingga penataan ulang bisa A)..…………………………..Persamaan (3).
dilakukan secara dinamis. Pengujian dengan 3. METODE PENELITIAN
dataset baru dan perbandingan dengan Weka 3.1 Analisis Sistem
membuktikan bahwa sistem berhasil menerapkan Analisis adalah sikap atau perhatian terhadap
algoritma Apriori. Keberhasilan dinilai sesuatu (benda, fakta, fenomena) sampai mampu
berdasarkan kesamaan aturan asosiasi pada Weka menguraikan menjadi bagian-bagian, serta
dengan aturan asosiasi pada sistem. Penataan mengenal kaitan antarbagian tersebut dalam
ulang berdasarkan data transaksi selama bulan Juli
keseluruhan. Analisis dapat juga diartikan sebagai
2012 dengan minimum support 3% dan
confidence 20% menunjukkan perlunya kemampuan memecahkan atau menguraikan
perubahan tata letak barang yang termasuk dalam suatu materi atau informasi menjadi komponen-
kategori Dalaman Jilbab [5]. komponen yang lebih kecil sehingga lebih mudah
2.2 DASAR TEORI dipahami. Tujuannya untuk menemukan dan
2.2.1 Data Mining mendapatkan solusi dari dari permasalahan yang
Definisi sederhana dari data mining adalah terjadi.
ekstraksi informasi atau pola yang penting atau Aplikasi Analisis Data Transaksi Penjualan
menarik dari data yang ada di database yang besar. adalah suatu aplikasi analisis yang dapat
Dalam jurnal ilmiah, data mining juga dikenal membantu pemilik toko mengetahui
dengan nama Knowledge Discovery in Database kecenderungan seorang konsumen dalam
(KDD). Data mining didefinisikan sebagai satu set membeli suatu barang yang memilik keterkaitan
teknik yang digunakan secara otomatis untuk dalam berbelanja. Selain itu juga pemilik toko
mengeksplorasi secara menyeluruh dan membawa dapat menyesuaikan penempatan suatu barang
ke permukaan relasi-relasi yang kompleks pada dagangan pada suatu rak yang memiliki
set data yang sangat besar. Set data yang kaitannya, seperti penempatan roti tawar dan
dimaksud di sini adalah set data yang berbentuk selai. Pemilik toko juga dapat menempatkan
tabulasi, seperti yang banyak diimplementasikan barang dagangan ke posisi dekat pintu masuk agar
dalam teknologi manajemen basis data relasional. pelanggan lebih mudah mengambil barang yang
Akan tetapi, teknik-teknik data mining dapat juga
diinginkan.
diaplikasikan pada representasi data yang lain,
seperti domain data spatial, berbasis teks, dan Dalam pembuatan aplikasi analisis data
multimedia atau citra [6]. transaksi penjualan penulis menggunakan
2.2.2 Association Rule platform website. Website merupakan produk
Asscoation Rule Mining adalah teknik data teknologi informasi yang terbilang paling populer,
mining untuk menemukan aturan asosiatif antara namun terkadang banyak website yang hadir
suatu kombinasi item [7]. Metodologi dasar tanpa kualitas yang bagus sehingga tidak dapat
analisis asosiasi terbagi menjadi dua tahap menyampaikan informasi yang dibawa. Kualitas
a) Analisa pola frekuensi tinggi sebuah website tentunya tergantung kepada
Tahap ini mencari kombinasi item yang pengujian dan pengawasan terhadap kualitas
memenuhi syarat minimum dari nilai support website itu sendiri [8].
dalam database. Nilai support sebuah item 3.2 Algoritma Apriori
diperoleh dengan rumus seperti pada Perancangan pada algoritma apriori
Persamaan 1. merupakan langkah – langkah atau step by step
Support (A) = (Σ Transaksi Mengandung dari proses algoritma apriori dimana pada
A)/(Σ Transaksi)…………….Persamaan (1). langkah-langkah tediri dari input, proses dan
Setelah mendapatkan 1-itemset, untuk output. Berikut adalah langkah – langkahnya:
mencari kombinasi 2-itemset dilakukan 1) Input
kombinasi dari 1-itemset yang telah a) Data transaksi penjualan yang diambil
dinyatakan lolos dengan rumus seperti pada dari toko Kalibaru Mart.
Persamaan 2. b) Tentukan minimal support dan minimal
Support (A ∩ B) = (Σ Transaksi Mengandung confidence. Dimana minimal support
A dan B)/(Σ Transaksi) ….......Persamaan (2). dan minimal confidence akan digunakan
b) Pembentukan aturan asosiatif sebagai nilai threshold.
Setelah semua pola frekuensi tinggi 2) Proses
ditemukan, barulah dicari aturan assosiatif a) Menghitung iterasi-1 : hitung semua item
yang memenuhi syarat minimum untuk untuk mendapatkan nilai support
confidence dengan menghitung confidence (transaksi yang memuat seluruh item)
aturan assosiatif A B Nilai confidence dari dengan cara men-scan database. Setelah
aturan A B diperoleh dari rumus seperti 1-itemset didapatkan, dari 1-itemset
pada Persamaan 3. apakah diatas atau sama dengan minimal
support. Apabila telah memenuhi syarat
3
minimal support maka item tersebut confidence dari hasil iterasi-2 dan iterasi-
dinyatakan lolos dan akan menjadi pola 3 yang memenuhi syarat atau telah
frekuensi tinggi. dinyatakan lolos.
b) Menghitung iterasi-2 : untuk e) Hitung nilai confidence dari 3-itemset
mendapatkan 2-itemset dilakukan dan 2-itemset yang telah dinyatakan
dengan cara mengkombinasikan dari 1- lolos sebagai pola frekuensi tinggi.
itemset yang telah dinyatakan lolos pada Untuk rumus mencari nilai confidence
proses sebelumnya. Kemudian dilakukan dapat dilihat pada Persamaan 3
proses untuk mendapatkan nilai support f) Apabila nilai confidence lebih besar atau
dengan cara men-scan database untuk sama dengan nilai minimal confidence
mendapatkan nilai support. Apabila maka item tersebut memenuhi syarat
minimal support dari 2-itemset atau dinyatakan lolos.
memenuhi syarat maka dinyatakan lolos. 3) Output
c) Menghitung iterasi-3 : untuk a) Pembentukan aturan assosiatif dari
mendapatkan 3-itemset dilakukan kombinasi 2-itemset dan 3-itemset yang
kombinasi dari 2-itemset yang telah telah dinyatakan lolos
dinyatakan lolos sebagai pola frekuensi 3.3 Struktur Menu
tinggi. Setelah dilakukan kombinasi Struktur menu pada sistem yang dibuat
dihitung kembali nilai support. merupakan blok diagram yang menunjukkan
Kemudian dari minimal support yang urutan pengaksesan fungsi program dari aplikasi
didapat jika lebih besar dari nilai yang dibuat. Berikut adalah struktur menu untuk
threshold maka dinyatakan lolos. platform web dapat dilihat pada Gambar 1.
d) Setelah semua frekuensi tinggi
ditemukan, maka mencari nilai
Aplikasi Analisis
Data Transaksi
Penjualan
Login Admin
4
Mulai Mulai
TIDAK
YA YA
YA
TIDAK
Proses pembentukan
Aturan
aturan assosiasi dengan
Selesai Asosiasi
nilai confidence
transaksi dengan cara import from exel setelah itu Gambar 3 Flowchart algoritma
user memasukkan nilai minimal support dan Pada Gambar 3 menjelaskan tentang alur dari
minimal confidence. Kemudian dilakukan proses algoritma apriori yang digunakan dalam
perhitungan dengan menggunakan algoritma pembuatan sistem yang dibangun. Diawali dari
apriori. Setelah dilakukan perhitungan start lalu scan database data transaksi penjualan
terbentuklah suatu aturan asosiatif sesuai dengan untuk mendapatkan nilai support dari tiap item
nilai minimal support dan minimal confidence. setelah itu seleksi item yang telah memenuhi
Jika ingin mengulang maka inputkan kembali syarat S >= Minimal Support. Jika tidak
nilai minimal support dan nilai minimal memenuhi syarat item tidak digunakan untuk
confidence. iterasi selanjutnya. Kemudian proses selanjutnya
3.5 Flowchart Algoritma pembentukan C1, C2, dan C3 sesuai dengan hasil
Flowchart algoritma merupakan suatu bagan seleksi pada tahap sebelumnya. Setelah dilakukan
yang menjelaskan urutan proses dari algoritma iterasi dilanjutkan dengan pembentukan suatu
apriori. Seperti Gambar 3. aturan asosiatif dengan nilai confidence yang telah
di tentukan.
4. HASIL DAN PEMBAHASAN
4.1 Hasil
1) Halaman Login
Menu halaman login terdapat 2 text box yang
dapat diisi dan 1 button untuk melakukan proses
login ke dalam admin seperti yang ditunjukkan
pada Gambar 4.
5
2) Halaman Dashboard Menu halaman proses apriori terdapat 2 text
Menu halaman admin terdapat beberapa box yang berfungsi untuk mengisi nilai minimal
menu utama diantaranya adalah menu halaman support dan minimal confidence dan 2 button.
dashboard, data transaksi, proses apriori dan Pada button “proses” untuk melakukan proses
profile. Menu halaman dashboard merupakan perhitungan dan pada button “export hasil
menu yang menampilkan informasi penggunaan analisa” untuk mengekspor hasil analisa kedalam
dari sistem aplikasi yang dibuat. Ditunjukan pada bentuk excel pada sistem yang dibuat dengan
Gambar 5. menggunakan algoritma apriori. Ditunjukkan
pada Gambar 8.
6
Hapus data transaksi Tgl Keterangan
√ √ No Nota
penjualan Transaksi Barang
Hasil analisa √ √ 12, Rokok
Perhitungan algortima sampoerna mild
√ √
apriori 16 merah, Tokai
Proses logout √ √ korek api
Proses login √ √ Rokok 234 dji
Keterangan : sam soe 12,
Symbol √ : Berhasil PJ010919062 2019/09/01 Rokok
Symbol x : Tidak Berhasil sampoerna mild
4.2.2 Perhitungan Algoritma Apriori 16 merah, Tokai
Perhitungan algoritma apriori penulis korek api
mengambil 10 data sampel dari total 1,069 data 2) Proses pembentukan C1 atau disebut dengan
transaksi penjualan pada toko Kalibaru Mart. 1-itemset dengan menggunakan nilai
Dengan 10 data sampel dilakukan perhitungan threshold minimal support 40%. Ditunjukkan
sesuai dengan algoritma apriori. Untuk langkah– pada Gambar 10.
langkah perhitungan dapat dilihat sebagai berikut.
1) Menyiapkan data transaksi penjualan.
Dimana penulis menggunakan 10 data
transaksi penjualan yang di tunjukkan pada
Tabel 2.
Tabel 2 Data Transaksi Penjualan
Tgl Keterangan
No Nota
Transaksi Barang
Rokok LA16,
PJ010919004 2019/09/01
Tokai korek api
Rokok
sampoerna mild
PJ010919005 2019/09/01 16 merah, Teh
kotak melati
200ml
PJ010919014 2019/09/01 Teh kotak melati
200ml, Ardath
Aice obor vanila,
PJ010919017 2019/09/01 Teh kotak melati Gambar 10 Pembentukan C1
200ml. 3) Proses pembentukan C2 atau disebut 2-
Teh kotak melati itemset. Untuk pembentukan C2 didapat
200ml, Indocafe dengan cara mengkombinasikan 1-itemset
coffemix 3/1 yang telah dinyatakan lolos. Dapat dilihat
PJ010919021 2019/09/01 GX10SS, Good pada Gambar 11.
day chococinno
3 in 1 20g, Aice
milk
Rokok
Gambar 11 Pembentukan C2
PJ010919029 2019/09/01 sampoerna mild 4) Membentuk suatu aturan assosiatif dengan
16 merha, Tokai
korek api mencari nilai confidence dari pola frekuensi
Rokok surya tinggi yang telah memenuhi syarat. Proses
gudang garam pembentukan aturan assosiatif dapat dilihat
12, Rokok pada Gambar 12 dengan nilai minimal
PJ010919034 2019/09/01 confidence 30%.
sampoerna mild
16 merah, Tokai
korek api
Rokok surya
gudang garam Gambar 12 Pembentukan aturan asosiatif
PJ010919036 2019/09/01
12, Tokai korek Berikut adalah hasil analisa dari pembentukan
api aturan asosiatif.
PJ010919050 2019/09/01 Rokok surya 1) Jika pelanggan memebeli Rokok Sampoerna
gudang garam Mild 16 Merah, maka kemungkinan
7
pelanggan juga membeli Tokai Korek Api [4] Nurchalifatun, F. 2015. Penerapan Metode
dengan nilai minimal confidence 100%. Asosiasi Data Mining Menggunakan
2) Jika pelanggan membeli Tokai Korek Api, Algoritma Apriori Untuk Mengetahui
maka kemungkinan pelanggan juga membeli Kombinasi Antar Itemset Pada Pondok
Rokok Sampoerna Mild 16 Merah dengan KOPI. Fakultas Ilmu Komputer, Universitas
nilai minimal confidence 71,43%. Dian Nuswantoro.
5. KESIMPULAN DAN SARAN [5] Wulandari, H. N., & Rahayu, N. W. 2014.
5.1 Kesimpulan Pemanfaatan Algoritma Apriori untuk
Kesimpulan yang dapat penulis sampaikan Perancangan Ulang Tata Letak Barang di
setelah melakukan proses perancangan dan Toko Busana. Jurnal Fakultas Hukum UII.
pengujian pada sistem menggunakan algoritma [6] Siregar, AM., dkk. 2012. DATA MINING:
apriori adalah sebagai berikut : Pengolahan Data Menjadi Informasi dengan
1) Proses menentukan suatu pola dari pelanggan RapidMiner. Sukoharjo: Kekata Publisher.
pada toko Kalibaru Mart dapat diketahui [7] Nofriansyah, D. 2014. KONSEP DATA
dengan menerapkan data mining dengan MINING VS SISTEM PENDUKUNG
algoritma apriori. Dengan menggunakan KEPUTUSAN. Yogyakarta: Deepublish.
algoritma tersebut dapat diketahui [8] Wibowo, S. A., Pranoto, Y. A., Widodo, K.
kecenderungan konsumen dalam membeli A., & Rokhman, M. M. 2019. EVALUASI
suatu barang dengan menentukan kombinasi WEBSITE SEKOLAH MENENGAH
dari 2-itemset dan 3-itemset. ATAS DI PROPINSI JAWA TIMUR
2) Hasil pengujian yang dilakukan, peneliti DENGAN PENDEKATAN EVALUASI
menggunakan 10 data transaksi penjualan BERBASIS KONTEN. Jurnal Mnemonic,
dengan nilai minimal support 40% dan 2(2), 5-8.
minimal confidence 30%. Dari hasil yang
diuji didapat suatu aturan asosiatif sebanyak
2 aturan asosiatif dari kombinasi 2-itemset.
5.2 Saran
Untuk penelitian selanjutnya dapat
dikembangkan lebih lanjut agar aplikasi yang
dibuat dengan menggunakan algoritma apriori
menjadi lebih baik lagi. Adapun beberapa saran
yang dapat disampaikan adalah sebagai berikut :
1) Pengembangan aplikasi selanjutnya dapat
memanfaatkan data mining dengan
menerapkan metode Association Rule dengan
algoritma yang berbeda seperti Generalized
Rule Induction dan Hash Based Algorithm.
2) Penambahan 1 algoritma pada aplikasi yang
telah dibuat dapat menentukan perbandingan
antara 2 algoritma yang digunakan sehingga
pembaca dapat mengetahui penggunaan
algoritma mana yang lebih optimal dalam
menyelesaikan suatu masalah.
DAFTAR PUSTAKA
[1] Nursikuwagus, A., & Hartono, T. 2016.
Implementasi Algoritma Apriori Untuk
Analisis Penjualan Dengan Berbasis Web.
Simetris: Jurnal Teknik Mesin, Elektro dan
Ilmu Komputer, 7(2), 701-706.
[2] Listriani, D., Setyaningrum, A. H., & Eka,
F. 2016. Penerapan Metode Asosiasi
Menggunakan Algoritma Apriori Pada
Aplikasi Analisa Pola Belanja Konsumen
(Studi Kasus Toko Buku Gramedia Bintaro).
Jurnal Teknik Informatika, 9(2).
[3] Agung, M. T., & Nurhadiyono, B. 2015.
Penerapan Data Mining pada Data Transaksi
Penjualan untuk Mengatur Penempatan
Barang Menggunakan Algoritma Apriori.
Universitas.