Mohammad Badrul
Abstrak
Setiap perusahaan maupun organisasi yang ingin tetap bertahan perlu untuk
menentukan strategi marketing yang tepat. Data penjualan produk yang dilakukan oleh
perusahaan lambat laun akan menghasilkan tumpukan data. Tumpukan data ini jika tidak di
lakukan anlisa hanya akan menjadi masalah untuk perusahaan. Data penjualan barang yang
terdiri berbagai merk dari data barang yang ada diperusahaan diperlukan untuk di kelompokkan
atau di kategorikan. Salah satunya dengan melihat penjualan. Untuk itu diperlukan penentuan
periode data yang akan digunakan, metode pengelompokan data dari transaksi yang ada dan
dilakukan pengelompokan dari data yang sering muncul atau frequent itemset, kemudian dibuat
dalam format tabular untuk kemudian diolah dengan algoritma apriori. Manfaat penelitian ini
untuk perusahaan antara lain untuk melihat keterkaitan antara penjualan satu produk dengan
produk yang lainnya, Melihat barang atau produk yang muncul secara bersamaan, melihat
kecenderungan konsumen dalam melakukan transaksi. Hal ini sangat berfungsi untuk
melakukan promosi penjualan yang akan dilakukan oleh bagian marketing dengan melihat hasil
dari algoritma apriori tersebut.
kumpulan data yang besar menggunakan akan informasi atau pengetahuan sebagai
data mining (Kurniawati, 2014). sarana pendukung dalam pengambilan
Data mining dapat mengolah informasi dari keputusan baik bagi individu, organisasi,
kumpulan data yang sangat besar dan perusahaan dan pemerintahan.
dalam melakukan pencarian data Banyaknya data, ditambah dengan
membentuk pola yang biasa disebut dengan kebutuhan untuk alat analisis data yang kuat,
association rule/market basket analysis telah digambarkan sebagai kaya data tapi
(Kurniawati, 2014). Market basket analysis miskin informasi. Jumlah data yang tumbuh
adalah suatu metode analisa atas perilaku secara cepat, dikumpulkan dan disimpan
konsumen secara spesifik dari suatu dalam repositori data yang besar dan banyak,
golongan/kelompok tertentu. Market basket telah jauh melampaui kemampuan manusia
analysis umumnya dimanfaatkan sebagai untuk memahami data-data tesebut tanpa
titik awal pencarian pengetahuan dari suatu mampu mengelolah data tersebut. Akibatnya,
transaksi data ketika kita tidak mengetahui data yang dikumpulkan dalam repositori data
pola spesifik apa yang kita cari (Gunadi, yang besar menjadi ”kuburan data” (Han &
2012). Kebutuhan market basket analysis Kamber, 2007).
berawal dari keakuratan dan manfaat Hal ini melatarbelakangi lahirnya suatu
yang dihasilkannya dalam wujud aturan cabang ilmu pengetahuan baru yaitu data
assosiasi (association rules). Yang mining. Data mining adalah untuk
dimaksud dengan association rules adalah mengekstrasikan atau “menambang”
pola-pola keterkaitan data dalam basis data. pengetahuan dari kumpulan banyak data
Data inilah yang nantinya akan di analisis (Han dan Kamber, 2007). Data mining adalah
seorang analisis data untuk menemukan pola teknik yang merupakan gabungan metode-
dari data penjualan yang sudah terkumpul metode analisis data secara
setiap hari guna untuk melakukan proses berkesinambungan dengan algoritma-
pengambilan keputusan. Association rule algoritma untuk memproses data berukuran
yang dimaksud dilakukan melalui besar. Data mining merupakan proses
mekanisme penghitungan support dan menemukan informasi atau pola yang penting
confidence dari suatu hubungan item. dalam basis data berukuran besar dan
Sebuah rule asosiasi dikatakan interesting merupakan kegiatan untuk menemukan
jika nilai support adalah lebih besar dari informasi atau pengetahuan yang berguna
minimum support dan juga nilai confidence secara otomatis dari data yang jumlahnya
adalah lebih besar dari minimum confidence besar. Data mining, sering juga disebut
(Nurcahyo, 2012). knowledge discovery in database (KDD),
Pada penelitian ini, penulis akan melakukan adalah kegiatan yang meliputi pengumpulan,
analisis terhadap data transaksi yang sudah pemakaian data historis untuk menemukan
dilakukan dengan mekanisme perhitungan pola keteraturan, pola hubungan dalam set
nilai support dan confident dari suatu data berukuran besar (Santosa, 2007).
hubungan item, yang nantinya hasil nilai Keluaran dari data mining ini dapat dijadikan
support dan confident yang yang ada akan untuk memperbaiki pengambilan keputusan
digunakan untuk proses pengambilan di masa depan. Dalam data mining data
keputusan oleh pihak manajemen untuk disimpan secara elektronik dan diolah secara
meningkatkan strategi pemasaran. otomatis, atau setidaknya disimpan dalam
A. Data Mining komputer. Data mining adalah tentang
Data mining telah menarik banyak perhatian menyelesaikan masalah dengan menganalisa
dalam dunia sistem informasi dan dalam data yang telah ada dalam database (Witten
masyarakat secara keseluruhan dalam & Frank, 2011).
beberapa tahun terakhir, karena ketersediaan Siklus hidup proyek data mining menurut
luas dalam jumlah besar data dan kebutuhan Cross-Industry Standart Proses for Data
segera untuk mengubah data tersebut Mining (CRISP-DM) yang dikembangkan
menjadi informasi yang berguna dan tahun 1996 terbagi dalam 6 fase. Berikut
pengetahuan. Informasi dan pengetahuan siklus hidup proyek data mining,
yang diperoleh dapat digunakan untuk a. Fase Pemahaman Bisnis (Business
aplikasi mulai dari pasar analisis, deteksi Understanding Phase) yang terdiri dari
penipuan, dan retensi pelanggan, untuk penentuan tujuan proyek dan kebutuhan
pengendalian produksi dan ilmu pengetahuan secara detail dalam lingkup bisnis atau
eksplorasi (Han & Kamber, 2007). Adanya unit penelitian secara keseluruhan.
ketersediaan data yang melimpah, kebutuhan
S(Speaker,Flasdisk)
∑
∑
Sumber : Penelitian tahun 2017
S(Keyboard,Flasdisk) Gambar 1. Algoritma support
∑
∑
S(Keyboard,Mouse)
∑
∑
Sumber : Penelitian tahun 2017
Gambar 2. Hasil Algoritma Support
S(Mouse,Flasdisk)
∑ 2. Algoritma Confidence
∑ Algoritma penentuan Confidence dapat dilihat
pada Algoritma dibawah ini yang terdiri dari
input, output dan proses. Berikut algoritma
dari algoritma confident If support ≥ 60% beberapa item dalam lingkungan lainnya
then min. Confidence terpenuhi Else tidak hanya terbatas pada perusahaan
eliminasi. Dan berikut hasil dari pennerapan saja seperti misalnya pada strategi cross
menggunakan Tanagra market analysis. Selanjutnya penulis juga
menyarankan agar dapat membandingkan
metode pengambilan keputusan dengan
menggunakan algoritma apriori ini dengan
teknik yang lainnya seperti algoritma FP
Growth atau dengan penambahan data yang
lebih banyak atau periode sesuai dengan
kebutuhan analisis perusahaan.
Sumber : Penelitian tahun 2017
Gambar 3. Algoritma Confident
Referensi
Dawson, C. W. (2009). Projects in Computing
and Information System A Student's
Guide. England: Addison-Wesley.