ABSTRAK
Menghadapi persaingan bisnis dan untuk meningkatkan pendapatan perusahaan, sebuah unit usaha dituntut untuk
dapat mengambil keputusan yang tepat dalam menentukan strategi penjualan dan pembelian suku cadang
sepeda motor yang akan dijual. Hal yang dibutuhkan dalam upaya tersesebut adalah ketersediaan data yang
melimpah, kebutuhan akan informasi (atau pengetahuan) sebagai pendukung pengambilan keputusan untuk
membuat solusi bisnis dan dukungan infrastruktur di bidang teknologi informasi. Maka perlu diterapkan data
mining yang dimaksudkan untuk memberikan solusi nyata bagi perusahaan dalam mengembangkan bisnis
penjualan dan pembelian suku cadang sepeda motor. Untuk mendapatkan hasil yang maksimal maka diterapkan
Association Rule yang bekerja dengan cara mencari dan menemukan pola-pola yang berasosiasi diantara produk-
produk yang dijual, misalnya menemukan bahwa barang X biasanya dibeli bersamaan dengan barang Y oleh
seorang konsumen pada suatu waktu tertentu dengan sejumlah pembelian bersama.
Kata kunci : Data Mining, Assosiation Rule, Apriori, Suku Cadang Sepeda Motor
158
KeTIK 2015
Konferensi Nasional Pengembangan Teknologi Informasi dan Komunikasi
untuk menemukan keteraturan, pola atau hubungan asosiasi yang menarik perhatian banyak peneliti
dalam set data berukuran besar. untuk menghasilkan algoritma yang efisien adalah
Menurut Fajar Astuti Hermawati (2013:3) analisis pola frequensi tinggi (frequent pattern
Data mining adalah proses yang memperkerjakan satu mining). Penting tidaknya suatu asosiasi dapat
atau lebih teknik pembelajaran komputer (machine diketahui dengan dua tolak ukur, yaitu : support dan
learning) untuk menganalisis dan mengekstraksi confidence. Support (nilai penunjang) adalah
pengetahuan (knowledge) secara otomatis. persentase kombinasi item tersebut dalam database,
Data mining adalah kegiatan menemukan sedangkan confidence (nilai kepastian) adalah
pola yang menarik dari data dalam jumlah besar, data kuatnya hubungan antara-item dalam aturan asosiasi.
dapat disimpan dalam database, data warehouse, atau Algoritma apriori termasuk jenis aturan
penyimpanan informasi lainnya. Data mining asosiasi pada data mining. Selain apriori, yang
berkaitan dengan bidang ilmu-ilmu lain, seperti termasuk pada golongan ini adalah metode
database system, data warehousing, statistik, machine Generallized Rule Induction dan algoritma hash
learning, information retrieval, dan komputasi tingkat based.
tinggi. Selain itu, data mining didukung oleh ilmu Analisis asosiasi dikenal juga sebagai salah
lain seperti neural network, pengenalan pola, spatial satu teknik data mining yang menjadi dasar berbagai
data analysis, image database, signal processing. Data teknik data mining lainnya. Secara khusus, salah satu
mining didefenisikan sebagai proses menemukan tahap analisis asosiasi yang menarik perhatian banyak
pola-pola dalam data. Proses ini otomatis atau peneliti untuk menghasilkan algoritma yang efisien
seringnya semi otomatis. adalah analisis pola frekuensi tinggi (frequent pattern
mining).
3.Metode Association Rule Penting tidaknya suatu aturan asosiatif dapat
Analisis asosiasi atau association rule diketahui dengan dua parameter, yaitu support dan
mining adalah teknik data mining untuk menemukan confidence. Support (nilai penunjang) adalah
aturan asosiasi anatara kombinasi item, contoh dari persentase kombinasi item tersebut dalam database,
aturan asosiasi dari analisa pembelian sparepart motor sedangkan confidence (nilai kepastian) adalah
pada suatu perusahaan adalah dapat diketahui berapa kuatnya hubungan antar item dalam aturan asosiasi.
besar kemungkinan seseorang membeli selang rem Aturan asosiasi biasanya dinyatakan dalam bentuk :
cakram depan bersamaan dengan stang kemudi. {gir set, piston}ĺ{bohlam lampu depan}
Dengan pengetahuan tersebut pemilik toko dapat (support = 40%, confidence =50%)
mengatur stock barang dam promosi harga barang Aturan tersebut berarti “50% dari transaksi
guna menarik konsumen sehingga meningkatkan di database yang memuat item ring piston dan filter
penjualan toko tersebut. Aturan asosiasi akan udara juga memuat item bohlam lampu depan.
menggunakan data latihan, sesuai dengan pengertian Sedangkan 40% dari seluruh transaksi yang ada di
data mining, untuk menghasilkan pengetahuan. database memuat ketiga item tersebut”.
Pengetahuan untuk mengetahui item-item belanja Dapat juga diartikan “seorang konsumen
yang sering dibeli secara bersamaan dalam suatu yang membeli gir set dan piston punya kemungkina
waktu. Aturan asosiasi yang berbentuk “if…then…” 50% untuk juga membeli bohlam lampu depan
atau “jika…maka…” merupakan pengetahuan yang Aturan ini cukup signifikan karena mewakili 40%
dihasilkan dari fungsi Aturan Asosiasi (Seni Susanto dari catatan transaksi selama ini”.
dan Dedy Suryadi, 2010). Analisis asosiasi didefenisikan suatu proses
Analisis asosiasi dikenal juga sebagai salah untuk menentukan semua aturan asosiasi yang
satu teknik data mining yang menjadi dasar dari memenuhi syarat minimum untuk support (minimum
berbagai teknik data mining lainya. Khususnya salah support) dan syarat minimum untuk confidence
satu tahap dari analisis asosiasi yang disebut analisis (minimum confidence).
pola frekuensi tinggi (frequent pattern mining) Metodologi dasar analisis asosiasi terbagi
menarik perhatian banyak peneliti untuk menjadi dua tahap :
menghasilkan algoritma yang efesien.
1. Analisis Pola Frekuensi Tinggi
4.Algoritma Apriori Tahapan ini mencari kombinasi item yang
Algoritma apriori adalah suatu algoritma memenuhi syarat minimum dari nilai support dalam
dasar yang diusulkan oleh Agrawal & Srikant pada database. nilai support sebuah item diperoleh dengan
tahun 1994 untuk menentukan Frequent itemsets rumus berikut :
untuk aturan asosiasi Boolean. Algoritma Apriori
termasuk jenis Aturan Asosiasi pada data mining. support
support (A)=JT(A)/T
(A)=JT(A)/T X 100%
X 100%
Aturan yang menyatakan asosiasi antara beberapa
atribut sering disebut affinity analysis atau market keterangan :
basket analysis. Analisis asosiasi atau association rule JT(A) = jumlah transaksi yang mengandung A
mining adalah teknik data mining untuk menemukan T = total
aturan suatu kombinasi item. Salah satu tahap analisis
159
KeTIK 2015
Konferensi Nasional Pengembangan Teknologi Informasi dan Komunikasi
Sedangkan nilai support dari 2 item Gir set, lampu belakang jupiter Z, v-belt,
9
diperoleh dari rumus 2 berikut : bohlam belakang vega, saringan udara
10 Gir depan, kabel kopling, busi sein
Gir belakang, kampas rem depan, relay
support (A,B)=P(AĺB)=JT(AĺB)/T X 100% 11
starter, bohlam belakang vega
Kabel gas, gir belakang, kampas rem depan,
keterangan : 12
ban depan xeon, kabel kopling
JT(AĺB) = jumlah transaksi yang mengandung Kabel kopling, kabel gas, kampas rem
A dan B 13
belakang
T = total Kabel spidometer, saringan udara, filter
14
udara, bohlam belakang vega
2. Pembentukan Aturan Asosiatif Kampas kopling, bohlam belakang vega,
Setelah semua pola frekuensi tinggi ditemukan, 15
saringan udara, piston, gir set
barulah dicari aturan assosiatif yang memenuhi syarat Kampas rem depan, gir depan, relay starter,
minimum untuk confidence dengan menghitung 16
gir belakang, ring piston
confidence aturan assosiatif AĺB.Nilai confidence Kampas rem belakang, v-belt, bohlam sein,
dari aturan AĺB diperoleh dari rumus berikut : 17
ban depan xeon, lampu belakang jupiter Z
Piston, filter udara, saringan udara, bohlam
18
belakang vega, kabel spidometer
confidence (A,B)=P(AĺB)=(JT(AĺB))/(JT(A)) X 100%
Relay starter, saringan udara, bohlam
19
belakang vega, gir set
keterangan : 20 Ring piston, gir set, saringan udara, piston
JT (AĺB) = jumlah transaksi yang mengandung (Sumber : CV. Radixia)
A dan B
JT = jumlah transaksi yang mengandung A 6. Pengelompokkan Daftar Produk
Berdasarkan Data Transaksi
5. Analisa Data Dengan Algoritma Apriori Dari tabel diatas terdapat 20 transaksi yang
Analisa data dilakukan setelah data masing-masing transaksi terdapat beberapa produk
terkumpul dan sesuai dengan kebutuhan sistem ini. atau itemyang dibeli oleh konsumen. Untuk itu item
Oleh karena itu, untuk menghasilkan kesimpulan yang dibeli diberikan kode produk untuk
berdasarkan aturan (rule) pada analisis data, mempermudah dalam pencarian rule (aturan) seperti
diperlukan data transaksi yang telah dibeli konsumen. tabel berikut :
Analisis data tersebut dilakukan berdasarkan teknik
aturan asosiasi menggunakan Algoritma Apriori Tabel Data Produk
dengan beberapa iterasi atau langkah-langkah. Data No Nama Produk Kode Produk
yang diambil merupakan data transaksi pembelian 1 Ban depan xeon A
produk pada Oktober 2014 di sebuah perusahaan. 2 Bohlam belakang Vega B
Data tersebut adalah data sampel dari data transaksi 3 Lampu belakang Jupiter Z C
sebanyak 20 transaksi dan dapat dilihat pada Tabel 4 v-belt D
dibawah. 5 Filter udara E
6 Saringan udara F
Tabel Data Transaksi 7 Bohlam sein G
Tran Item yang dibeli 8 Busi sein H
saksi 9 Gir set I
Ban depan xeon, v-belt, bohlam sein, bohlam 10 Gir depan J
1
belakang vega, lampu belakang jupiter Z 11 Gir belakang K
Bohlam belakang Vega, kabel spidometer, 12 Kabel gas L
2
kampas kopling, ban depan xeon, gir set 13 Kabel kopling M
Lampu belakang Jupiter Z, filter udara, 14 Kabel spidometer N
3
saringan udara, v-belt
15 Kampas kopling O
v-belt, bohlam sein, kabel gas, ban depan
4 16 Kampas rem depan P
xeon, bohlam belakang vega
17 Kampas rem belakang Q
5 Filter udara, saringan udara, ring piston
18 Piston R
Saringan udara, kabel kopling, ban depan
6 19 Relay starter S
xeon, piston
20 Ring piston T
Bohlam sein, piston, kampas rem belakang,
7
ban depan xeon, busi sein
7. Analisa Pola Frekuensi Tinggi
Busi sein, bohlam sein, lampu belakang
8 Dari tabel diatas mencari quantity (jumlah)
jupiter Z
diberikan nilai minimum Ɏ = 2 dari 20 transaksi.
160
KeTIK 2015
Konferensi Nasional Pengembangan Teknologi Informasi dan Komunikasi
161
KeTIK 2015
Konferensi Nasional Pengembangan Teknologi Informasi dan Komunikasi
162
KeTIK 2015
Konferensi Nasional Pengembangan Teknologi Informasi dan Komunikasi
163
KeTIK 2015
Konferensi Nasional Pengembangan Teknologi Informasi dan Komunikasi
164
KeTIK 2015
Konferensi Nasional Pengembangan Teknologi Informasi dan Komunikasi
165
KeTIK 2015
Konferensi Nasional Pengembangan Teknologi Informasi dan Komunikasi
Rapid miner 6.0 ini menunjukkan bahwa hasil dan stock sparepart dengan teknik Association Rule,
perhitungan manual dengan menggunakan algoritma maka didapat beberapa kesimpulan sebagai berikut :
Apriori dengan hasil proses pada Rapid miner 6.0 1. Penerapan data mining untuk mengolah
sama dan laporan yang diharapkan mampu membantu penempatan sparepart dan Stock sparepart dapat
memberikan keputusan bagi CV. Radixia dalam dilakukan dengan mengelompokkan sparepart
menyusun keranjang barang/rak untuk sparepart yang yang mempunyai asosiasi antar produk dan dapat
dimanfaatkan oleh perusahaan, sehingga
lebih sering di beli oleh konsumen dan menjadi bahan
perusahaan dapat menganalisis buying habits
pertimbangan bagi CV. Radixia dalam persediaan (kebiasaan membeli).
suku cadang motor untuk kelangsungan usahanya. 2. Dengan menerapkan teknik Association rule
Hasil dari keluaran asosiasi sebanyak 20 transaksi pada data mining, toko/perusahaan yang bergerak
dapat dilihat pada gambar berikut : dibidang penjualan, dapat mengetahui produk
yang paling sering dibeli oleh konsumen.
3. Dengan algoritma Apriori yang diterapkan maka
konsumen dengan mudah mencari produk yang
diinginkan.
Daftar Pustaka
Prasetyo, Eko. (2012). Data Mining : Konsep dan
Aplikasi Menggunakan Matlab(edisi 1).
Yogyakarta: Andi.
Rezqiwati. (April 2009). Data Mining - Proses,
Tahapan dan Penerapannya. h.5-7. Ditemukenali
10 Maret 2015, dari
https://rezqiwati.wordpress.com/2009/04
Hendrayudi. (2010). Dasar-Dasar Pemrograman:
Microsoft Visual Basic 2008(edisi1). Bandung:
Satu Nusa.
Hermawati, Fajar Astuti. (2009). Data Mining.
Yogyakarta: Andi.
Santosa, Budi. (2007). Data Mining : Teknik
Pemanfaatan Data Untuk KeperluanBisnis Teori
dan Aplikasi (edisi 1). Yogyakarta: Graha Ilmu.
Prasetyo, Eko. (2014). Data Mining : Mengolah Data
Mining Menjadi InformasiMenggunakan Matlab
(edisi 1). Yogyakarta: Andi.
8.Kesimpulan
Berdasarkan penelitian yang dilakukan
mengenai perancangan dan implementasi penerapan
data mining untuk mengolah penempatan sparepart
166