See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/330243131

Implementasi Big Data Analytics Berbasis Machine Learning pada Industri

Ritel: a literature review

Article · January 2019

CITATIONS READS

0 7,961

1 author:

Bagus Prabowo Aji

3 PUBLICATIONS   0 CITATIONS   

SEE PROFILE

All content following this page was uploaded by Bagus Prabowo Aji on 09 January 2019.

The user has requested enhancement of the downloaded file.

 Implementasi Big Data Analytics (BDA) berbasis machine
learning pada industri retail: a literature review
Bagus Prabowo Aji

Abstract—Kehadiran teknologi informasi dan menurut Wamba et al (2015) bigdata terkait dengan 5Vs:

komputerisasi pada sistem penjualan retail meningkatkan volume, variety, velocity, veracity dan value. Volume

minat dunia usaha dalam pemanfaatan BDA. Sehingga berkaitan dengan ukuran data yang semakin besar seiring

diperlukan ulasan mengenai artikel penelitian yang dapat dengan peningkatan kapasitas perangkat penyimpanan data

menjawab tantangan bisnis retail. Penulisan ulasan artikel (Chen dan Zhang, 2014) Variety berkenaan dengan

disini menggunakan metode pendekatan qualitative content pengambilan data yang dapat diperoleh dari berbagai macam

analysis yang diusulkan oleh Mayring (2014). Tujuannya sumber data, seperti sosial media, internet of things (IoT),

adalah untuk memberikan gambaran mengenai kasus, dan atau sensor dalam format data yang terstruktur maupun tidak

metode apa saja yang dapat digunakan dalam implementasi terstruktur (Tan et al.,2015). Velocity berhubungan dengan

BDA berbasis machine learning pada industri retail. kecepatan data untuk ditransfer baik secara real-time, stream-

lines atau per-batch (Assunção et al.,2015). Veracity

Keywords—big data analytics, data mining, retail menekankan pada kualitas, dan tingkat kepercayaan data

industry, clustering, machine learning, market basket yang berkaitan dengan sumber data (Gandomi dan Haider,

analysis, social media analytics, hadoop. 2105). Value berkenaan dengan proses “revealing

underexploited value” dari bigdata, guna mendukung

1. Introduction
pengambilan keputusan (IDC, 2012; Oracle, 2012 dikutip
Kehadiran industri retail berbasis corporate chain store
oleh T.Nguyen et al., 2017). Sementara Manyika.J et al.,
yang terintegrasi dengan sistem Point of Sales (PoS) dan
(2012) dalam laporan McKinsey institute menyatakan,
komputasi awan (cloud computing) membuat persaingan
pemanfaatan big data pada bisnis dapat memberikan
usaha semakin ketat. Terlebih dengan meningkatnya tren
keuntungan seperti pada gambar 1.1
belanja online menyebabkan peningkatan transaksi penjualan

yang mengakibatkan pertambahan volume data penjualan

pada database perusahaan. Hal ini menuntut pengusaha untuk

dapat memaksimalkan segala sumber daya, guna memenuhi

keinginan konsumen, serta meningkatkan keuntungan.

Salah satu teknik analisis data yang dapat digunakan Fig 1.1 keuntungan pemanfaatan Big Data dalam bisnis

dengan pemanfaatan volume data yang terus bertambah Disisi lain, Hackeling.G, (2014) menyatakan bahwa

adalah BDA. Menurut Tsai et al., (2015) big data analytics “machine learning is the design and study of software

melibatkan penggunaan “advanced analytics technique” artifacts that use past experience to make future decision”.

untuk meng-ekstrak informasi berharga dari data yang besar, Machine learning digunakan untuk menyelesaikan masalah

guna membantu pengambilan keputusan. Sementara, komplek dengan jumlah data yang besar, dan terdapat banyak
variabel. Dimana machine learning menggunakan algoritma umum. Pada tahap ini teknik skimming (membaca cepat)

yang dapat meningkatkan performa secara adaptif, seiring dilakukan untuk mencari gagasan utama dan sudut pandang

dengan bertambahnya jumlah sampel data yang diberikan. artikel. Proses disini juga untuk menilai apakah artikel yang

Penelitian mengenai BDA mulai banyak dipubikasikan diseleksi menarik untuk dibaca lebih lanjut secara lengkap.

pada tahun 2015, namun studi yang membahas tentang 2.3 Pemilihan kategori

penggunaan metode dalam BDA berbasis machine learning Tahap ini bertujuan mengkonsep kerangka kerja guna

untuk industri retail masih jarang. Oleh karena itu, diperlukan mengklasifikasi analytics category, serta technique pada

review paper mengenai implementasi BDA berbasis machine artikel yang akan dilakukan review. Klasifikasi kerangka

learning pada industri retail. kerja disajikan pada tabel 2.1 dan gambar 2.1

Tujuan dari penulisan artikel disini adalah untuk Tabel 2.1 klasifikasi kerangka kerja

mengetahui pada kasus dan menggunaka teknik apa, BDA Analytics category: Demand/sales forecasting,

berbasis machine learning dapat dimanfaatkan untuk clustering product, market basket

mendukung pengambilan keputusan di industri retail? analysis, sentiment analytics

2. Review method Technique: Time series, ARM, supervised

Metode yang digunakan untuk penulisan disini adalah machine learning, unsupervised

qualitative content analysis approach yang diusulkan oleh machine learning (K-means,

Mayring (2014). Terdapat empat tahapan proses iterasi yaitu: bipartite graph clustering), social

pengumpulan materi/artikel, analisa diskriptif, pemilihan network mining (text mining)

kategori, dan evaluasi materi.

2.1 Pengumpulan materi/artikel

Pencarian artikel dengan berbagai kombinasi kata kunci,

yaitu pencarian artikel dengan kata kunci yang berhubungan

dengan big data analytics dan retail: big data, hadoop, data

analytics, machine learning, data mining, association rule

mining, clustering, machine learning, predictive analytics,

time series, walmart, tesco, consumer purchasing prediction,

corporate chain store, retail, product inventory, sales Fig 2.1 klasifikasi kerangka kerja

forecasting, demand forecasting, tata letak rak minimarket,

2.4 Evaluasi materi
pengelompokan penjualan.
Evaluasi materi disini bertujuan untuk menggali lebih
2.2 Analisa diskriptif
dalam klasifikasi artikel berdasar analytics category dan
Analisa diskriptif adalah proses analisa awal artikel yang
technique, sekaligus melakukan evaluasi proses. Sehingga
digunakan untuk menunjukkan gambaran artikel secara
didapatkan jurnal penelitian yang sesuai dengan tujuan pengambilan keputusan dalam penyusunan jadwal pergantian

penulisan artikel. shift karyawan, demi meningkatkan service level terhadap

3. Result and discussion pelanggan.

BDA berbasis supervised machine learning dengan teknik Selain itu dalam industri retail, BDA dengan teknik social

time series umum digunakan. Seperti pada kasus peramalan media analytics (text mining) umum digunakan. He. W et al.,

penjualan perusahaan Walmart (Hansoor.A.S & Patil.A (2016) menilai popularitas antara perusahaan Walmart dan

2015), dan peramalan permintaan national dried nuts and Costco, serta memprediksi penjualan produk terlaris

fruit company-Turkey (Işlek.I & Öğüdücü.Ş.G 2015). berdasarkan setengah juta data cuitan twitter. Hasil studi

Dimana kedua studi memanfaatkan HDFS (hadoop menunjukkan, meskipun kata “Walmart” sering muncul pada

distributed file system), dan map reduce untuk proses transfer kicauan di twitter (lebih popular), akan tetapi pelanggan lebih

data, serta R sebagai bahasa pemrogaman. Hasil studi banyak membahas mengenai produk muffin yang dijual

menunjukkan, peramalan menggunakan machine learning Cosco. Meskipun demikian, metode text mining rentan

mampu menurunkan error rate (MAPE) secara signifikan terhadap spam, yang dapat memunculkan ambiguitas hasil

dari 49% menjadi 17%. Namun demikian, metode peramalan analisa.

dengan time series tidak mampu membedakan perubahan 4. Conclusion

permintaan pasar secara mendadak (Knaub.J.S, 2015). Penulisan literature review menggunakan metode

Teknik lain dalam BDA berbasis machine learning yang qualitative content analysis telah menjawab tujuan, serta

umum digunakan pada industri retail adalah associate rule memberikan gambaran lengkap mengenai kasus, dan metode

mining (ARM). Khattak.A.M et al., (2010) membandingkan apa saja dalam big data analytics yang dapat dimanfaatkan

hasil analisa antara software weka, dan XL-miner, guna untuk mendukung pengambilan keputusan pada industri

mengetahui kebiasaan belanja konsumen. Sehingga retail. Sementara kelemahan metode disini adalah, klasifikasi

manajemen industri retail dapat menentukan tata letak kerangka kerja bersifat interpretasi dan subjektif. Sehingga

produk, dan strategi marketing (diskon) untuk meningkatkan dapat memicu bias mengenai hasil artikel yang diulas oleh

transaksi pembelian konsumen. penulis.

Disamping itu, Metisen.B.M & Sari.H.L (2015) 5. Future direction

memanfaatkan BDA berbasis machine learning untuk Dari hasil review paper, studi mengenai pemanfaatan BDA

pengelompokan (kluster K-means) produk laris dan tidak berbasis machine learning untuk penentuan produk yang

laris. Sementara, Khattak.A.M et al., (2010) menggunakan dapat ditawarkan pada e-commerce, klasifikasi supplier

teknik kluster K-Means. Dimana hasil studi menunjukkan, (pemilihan pemasok) pada industri retail, serta story telling

jumlah transaksi, dan nominal belanja konsumen pada dengan visualisasi 3D belum dilakukan. Sehingga penelitian

industri retail mencapai puncak ketika sore hari antara jam kedepan dapat difokuskan pada masalah tersebut.

16.00-17.00. Informasi disini dapat digunakan untuk

6. References Metisen, B. M., & Sari, H. L. (2015). Analisis Clustering

Chen, C. P., & Zhang, C. Y. (2014). Data-intensive Menggunakan Metode K-Means Dalam

applications, challenges, techniques and Pengelompokkan Penjualan Produk Pada Swalayan

technologies: A survey on Big Data. Information Fadhila. Media Infotama, 11(2).

Sciences, 275, 314-347. Mayring, P. (2014). Qualitative content analysis: theoretical

Harsoor, A.S. and Patil, A., 2015. Forecast of sales of foundation, basic procedures and software solution.

walmart store using big data applications. IJRET: Nguyen, T., Li, Z. H. O. U., Spiegler, V., Ieromonachou, P.,

International Journal of Research in Engineering & Lin, Y. (2017). Big data analytics in supply chain

and Technology. management: A state-of-the-art literature

Hackeling.G.(2014). Mastering machine learning with scikit- review. Computers & Operations Research.

learn, Packt publishing Ltd, 35 Livery street, Tsai, C. W., Lai, C. F., Chao, H. C., & Vasilakos, A. V.
(2015). Big data analytics: a survey. Journal of Big
Birmingham B3 2PB,UK. Data, 2(1), 21.

He, W., Shen, J., Tian, X., Li, Y., Akula, V., Yan, G., & Tao, Wamba, S. F., Akter, S., Edwards, A., Chopin, G., &

R. (2015). Gaining competitive intelligence from Gnanzou, D. (2015). How ‘big data’can make big

social media data: evidence from two largest retail impact: Findings from a systematic review and a

chains in the world. Industrial Management & Data longitudinal case study. International Journal of

Systems, 115(9), 1622-1636. Production Economics, 165, 234-246.

İşlek, İ., & Öğüdücü, Ş. G. (2015, June). A retail demand

forecasting model based on data mining techniques.

In Industrial Electronics (ISIE), 2015 IEEE 24th

International Symposium on (pp. 55-60). IEEE.

James Manyika, Michael Chui, Brad Brown, Jacques Bughin,

Richard Dobbs, Charles Roxburgh, Angela Hung

Byers. (2012). Big data: The Next Frontier for

Innovation, Competition, and Productivity,

McKinsey Global Institute

Khattak, A. M., Khan, A. M., Lee, S., & Lee, Y. K. (2010).

Analyzing association rule mining and clustering on

sales day data with xlminer and weka. International

Journal of Database Theory and Application, 3(1),

13-22.

View publication stats