IJCIT
(Indonesian Journal on Computer and Information Technology)
Journal Homepage: http://ejournal.bsi.ac.id/ejurnal/index.php/ijcit
ABSTRAK
Perlengkapan bayi sangat diperlukan oleh bayi yang baru saja lahir, yang usianya antara 0 hingga 24
bulan. Perlengkapan bayi pada dasarnya selalu diperlukan dan menjadi salah satu kebutuhan dasar
oleh setiap bayi. Setiap hari data transaksi penjualan di Aufa Baby Shop semakin bertambah banyak.
Dalam satu hari data transaksi yang tercatat sebanyak ratusan transaksi dan data tersebut hanya
dijadikan sebatas laporan saja dan tidak dimanfaatkan untuk mengatur strategi penjualan. Seharusnya
data tersebut dimanfaatkan untuk melihat keterikatan setiap jenis barang yang dibeli oleh konsumen
secara bersamaan. Penelitian ini melakukan analisa data dengan menggunakan metode algoritma
apriori, dengan metode tersebut dapat diketahui produk pakaian bayi yang dibeli secara bersamaan
dan paling banyak terjual dengan melihat nilai support dan confidence. Dalam proses pengolahan data
menggunakan perhitungan manual dan software Rapidminer 8.1 untuk menganalisis dataset yang ada
pada Aufa Baby Shop. Hasil dari penelitian ini menggunakan support sebesar 15% dan confidence 30%.
Penelitian ini menghasilkan 8 aturan association rules.
Katakunci: algoritma apriori, association rule, penjualan, produk pakaian bayi
ABSTRACTS
Baby equipment is needed by babies who have just been born, whose age is between 0 until 24 months.
Baby equipment is basically always needed and is one of the basic needs of every baby. Every day the
transaction data on the Aufa Baby Shop increases and the data is not used properly. In one day the
transaction data recorded as many as hundreds of transactions and the data is only used as a report
and not used to regulate sales strategies.The data should be used to see the attachment of each type of
item purchased by consumers simultaneously. This researce is analyzing the data using a priori
algorithm method, with this method, it can be seen that baby clothing products purchased
simultaneously and most sold by looking at the value of support and confidence. In the process of
processing data using manual calculation and Rapidminer 8.1 software to analyze datasets in the Aufa
Baby Shop. The results is used support of 15% and 30% confidence. This study produced 8 rules of
association rules.
Keywords: apriori’s algorithm, association rule, baby cloth products, sales
Jurnal ini dapat diakses secara terbuka dan memiliki lisensi CC-BY-SA
(https://creativecommons.org/licenses/by-sa/4.0/) ©2019 by penulis dan IJCIT
206 | Vol. 4 No.2, November 2019 Hal. 205-214
teknik data mining untuk menemukan aturan membantu dalam penataan barang pada
asosiatif antara suatu k mb n s em”. Toko Aufa Baby Shop
Menurut (Adha, Sianturi, & Siagian, 2017) b. Memperbanyak jumlah stok produk pakaian
data mining berdasarkan proses KDD secara bayi di Toko Aufa Baby Shop yang paling
garis besar dapat dijelaskan sebagai berikut: diminati oleh konsumen.
1) Data Selection c. Mengatur strategi promosi produk pakaian
Pemilihan (seleksi) data dari sekumpulan bayi dengan melihat pola pembelian
data operasional perlu dilakukan sebelum konsumen dalam membeli barang secara
tahap penggalian informasi dalam KDD bersamaan.
dimulai. Data hasil seleksi yang akan
digunakan untuk proses data mining, 2. METODE PENELITIAN
disimpan dalam suatu berkas, terpisah dari
basis data operasional. Langkah-langkah yang akan dilakukan
2) Pre-processing/Cleaning dalam penyelesaian masalah ini tampak pada
Sebelum proses data mining dapat Gambar 2.
dilaksanakan, perlu dilakukan proses
cleaning atau pembersihan pada data yang
menjadi fokus KDD.
3) Transformation
Adalah proses transformasi pada data yang
telah dipilih, sehingga data tersebut sesuai
untuk proses data mining.
4) Data Mining
Data mining adalah proses mencari pola atau
informasi menarik dalam data terpilih
dengan menggunakan teknik atau metode
tertentu.
5) Interpretation/Evaluation
Pola informasi yang dihasilkan dari proses Gambar 2. Tahapan Penelitian
data mining perlu ditampilkan dalam bentuk
yang mudah dimengerti oleh pihak yang Beberapa instrument yang dipakai dalam
berkepentingan. penelitian ini adalah:
a. Instrumen Pokok
Instrument pokok dalam penelitian ini
adalah penulis sendiri. Penulis sebagai
instrument dapat berhubungan langsung
dengan responden yaitu bagian petugas
toko, dan staff kasir yang mengelola data
penjualan produk pakaian bayi serta
memahami berbagai interaksi yang ada.
b. Instrumen Penunjang
Untuk membantu sebagai instrument pokok,
maka penulis membuat instrument
penunjang, yaitu metode wawancara dan
observasi. Setelah wawancara dilakukan,
penulis mendapatkan data-data tentang
Gambar 1. penjualan produk pakaian bayi yaitu
Tahapan Knowledge Discovery in Database sebanyak 17 produk pakaian bayi.
Sumber: (Vulandari, 2017)
Metode penelitian merupakan tahap-tahap
Tujuan dari penelitian ini adalah sebagai penelitian yang sistematis untuk membantu
berikut: penelitian menjadi terarah dengan baik.
a. Memberikan informasi pola pembelian a. Pengumpulan Data
konsumen dan produk yang sering dibeli Penulis mengumpulkan data dari informasi
secara bersamaan sehingga dapat melalui wawancara secara langsung dengan
staff kasir dan pemilik toko Aufa Baby Shop membeli pakaian lebih dari satu akan diolah dan
yang dinilai dapat memberikan keterangan dihitung ke dalam pola transaksi penjualan. Pola
yang berguna dalam penelitian. Data yang transaksi penjualan yang membeli pakaian lebih
akan digunakan dalam penelitian ini adalah dari satu barang, yaitu sebanyak 278 transaksi
data transaksi penjualan produk pakaian bayi dapat dilihat pada Tabel 2.
di Aufa Baby Shop selama 3 bulan yaitu
bulan januari, februari, dan maret tahun Tabel 1. Daftar Produk Pakaian Bayi
2018. No Pakaian Bayi
b. Pengolahan Data Awal 1 Baju Kodok Carter Pack
Jumlah data awal yang diperoleh dari 2 Baju kodok panjang Playfull
pengumpulan data selama 3 bulan yaitu 3 Baju/Celana 40
bulan januari sampai dengan maret 2018
4 Baju/Celana 65.
terdiri dari banyak produk dan transaksi,
namun tidak semua data dapat digunakan 5 Celana pop Aufa Baby/3
dan tidak semua atribut dapat digunakan 6 cln panjang bby arsy M
karena harus melalui beberapa tahap 7 Cln pnjng no 5 polie/2
pengolahan awal data. 8 clna pndek CHUBIE motif L
c. Populasi 9 Setelan kutung XL playfull
Populasi pada penelitian ini adalah produk
10 Setelan Panjang Velvet L
pakaian bayi di Toko Aufa Baby Shop dengan
11 Setelan Panjang Velvet M
jumlah transaksi 908 transaksi dalam bulan
Januari 2018 sampai dengan Maret 2018. 12 Setelan Panjang Velvet S
d. Sampel Penelitian 13 Stelan Pendek Newborn
Sampel yang digunakan dalam penelitian ini 14 stelan pjng L Playfull
data penjualan produk pakaian bayi 15 stelan pjng M playfull
sebanyak 278 transaksi yang dibeli secara 16 Stelan Pjng Newborn
bersamaan di Toko Aufa Baby Shop selama 3
17 stelan pjng S playfull
bulan yaitu bulan Januari 2018 sampai
dengan Maret 2018.
Dalam penelitian ini, penulis menggunakan Tabel 2. Pola Transaksi Penjualan
analisis data kuantitatif merupakan suatu Transaksi Itemset
analisis data yang dipergunakan apabila 46278/KSR/UT Cln pnjg no 5 polie/2,
kesimpulan-kesimpulan yang diperoleh dapat M/0118 Setelan kutung XL playfull
dibuktikan dengan angka-angka dan juga dalam 46279/KSR/UT Baju/Celana 40, Stelan Pjng
perhitungan dipergunakan rumus yang ada M/0118 Newborn, Baju Kodok Carter
hubungannya dengan analisis penulis. Dalam hal Pack
ini akan dipergunakan analisa apriori.
46285/KSR/UT Baju/Celana 40, Stelan Pjng
3. HASIL DAN PEMBAHASAN M/0118 Newborn, Baju Kodok Carter
Pack
Aufa Baby Shop menjual beragam jenis 46288/KSR/UT Baju kodok panjang Playfull,
produk perlengkapan bayi. Jenis produk yang M/0118 Baju Kodok Carter Pack,
dimiliki diantaranya pakaian bayi, sepatu, Stelan Pjng Newborn,
aksesoris bayi, dan perlengkapan ibu hamil. Dari Setelan Panjang Velvet L
beragam jenis produk tersebut, hanya produk
pakaian bayi yang akan di analisa. daftar produk 46289/KSR/UT Baju kodok panjang Playfull,
bayi yang akan dianalisa dapat dilihat pada Tabel M/0118 Baju Kodok Carter, Setelan
1. Panjang Velvet L, Stelan Pjng
Tahap dalam menganalisa data dengan Newborn
algoritma apriori pada penjualan produk pakaian
bayi dimulai dengan menyeleksi data dan 46291/KSR,UT Baju.Celana 40, Stelan Pjng
membersihkan data-data yang akan di analisis, M/0118 Newborn, Baju Kodok Carter
kemudian dicari semua jenis item produk Pack
pakaian bayi yang ada di dalam transaksi
penjualan, selanjutnya setiap transaksi yang
Dari hasil pencarian nilai support memenuhi adalah kombinasi 2 itemset untuk
kombinasi 2 itemset dapat dilihat 4 kombinasi mengolah perhitungan aturan asosiasi.
yang memenuhi syarat minimum support = 15% 3.2 Pembentukan Aturan Asosiasi
yaitu (Baju Kodok Carter Pack, Baju kodok Setelah semua pola frekuensi tinggi
panjang Playfull sebesar 0.194), (Baju Kodok ditemukan, selanjutnya mencari aturan asosiasi
Carter Pack, Setelan Panjang Velvet L sebesar yang memenuhi syarat minimum untuk
0.165), (Baju Kodok Carter Pack, Stelan Pjng confidence. Karena 2 itemset yang memenuhi
Newborn sebesar 0.212), dan (Baju/Celana 40, syarat minimum support, maka nilai confidence
Stelan Pjng Newborn sebesar 0.284). yang dicari 2 kombinasi itemset dengan
men n c n ence n s s → .
c. Kombinasi 3 Itemset Minimum Confidence = 30%. Nilai confidence
Proses pembentukan C3 atau disebut dengan n → e e en n m s
3 itemset dengan jumlah minimum support sebagai berikut:
15%. Dapat diselesaikan dengan rumus
sebagai berikut: n ence P ( )
m ns ks men n n n
( , , n ) m ns ks men n n
m ns ks men n n , n
ns ks Tabel 6. Aturan Asosiasi
Aturan Confidence
Tabel 5. Kombinasi 3 Itemset Jika membeli Baju Kodok 54/124 0.435
Itemset Jumlah Support Carter Pack, maka akan
Baju Kodok Carter 30 0.108 membeli Baju kodok panjang
Pack, Baju kodok Playfull
panjang Playfull,
Jika membeli Baju kodok 54/72 0.750
Setelan Panjang
panjang Playfull, maka akan
Velvet L
membeli Baju Kodok Carter
Baju Kodok Carter 16 0.058 Pack
Pack, Baju kodok
Jika membeli Baju Kodok 46/124 0.371
panjang Playfull,
Carter Pack, maka akan
Stelan Pjng Newborn
membeli Setelan Panjang
Baju kodok panjang 4 0.014 Velvet L
Playfull, Baju/Celana Jika membeli Setelan Panjang 46/70 0.657
40, Baju Kodok Carter Velvet L, maka akan membeli
Pack Baju Kodok Carter Pack
Setelan Panjang 12 0.043 Jika membeli Baju Kodok 59/124 0.476
Velvet L, Stelan Pjng Carter Pack, maka akan
Newborn, Baju Kodok membeli Stelan Pjng
Carter Pack Newborn
Baju/Celana 40, Baju 5 0.018
Jika membeli Stelan Pjng 59/114 0.518
Kodok Carter Pack,
Newborn, maka akan
Setelan Panjang
membeli Baju Kodok Carter
Velvet L
Pack
Stelan Pjng Newborn, 33 0.119
Baju/Celana 40, Baju Jika membeli Baju/Celana 40, 79/99 0.798
Kodok Carter Pack maka akan membeli Stelan
Pjng Newborn
Dari tabel di atas hasil nilai support 3 itemset
tidak mencapai atau memenuhi minimal support Jika membeli Stelan Pjng 79/114 0.693
15% maka proses penghitungan berhenti. Untuk Newborn, maka akan
menghitung pembentukan aturan asosiasi membeli Baju/Celana 40
dibutuhkan nilai support di atas 15% yaitu yang
( )
Berdasarkan grafik diatas, produk pakaian 3.4 Implementasi Algoritma Apriori Pada
bayi di Aufa Baby shop yang paling banyak Software Rapidminer 8.1
terjual adalah Baju Kodok Carter Pack, Baju Setelah hasil perhitungan algoritma apriori
kodok panjang Playfull, Setelan Panjang Velvet L, didapat dengan perhitungan manual melalui
Stelan Pjng Newborn, dan Baju/Celana 40. Microsoft Excel 2010, maka selanjutnya
Dengan diketahuinya produk yang paling banyak melakukan pengimplementasian melalui
terjual dan produk yang sering dibeli secara software Rapidminer versi 8.1. Implementasi ini
bersamaan, pihak Aufa Baby Shop dapat dilakukan untuk pengekstrasian atau penggalian
menggunakannya sebagai informasi dalam informasi, mencocokkan perhitungan manual
mengembangkan strategi promosi atau dengan perhitungan rapidminer agar lebih
pemasaran, dan memberikan informasi untuk akurat. Untuk melakukan implementasi dengan
mengantisipasi kekurangan stok produk pakaian rapidminer, dataset terlebih dahulu di export ke
bayi di kemudian hari. dalam format (.xls). Dibawah ini merupakan
tampilan implementasi dari Rapidminer versi
8.1.
yang dapat mengolah perhitungan algoritma Muflikhah, L., Ratnawati, D. E., & Putri, R. R. M.
apriori. (2018). Data Mining (Pertama). Malang:
UB Press.
5. REFERENSI Putra, D. M. D. U., & Budiono, S. (2017).
Penerapan Data Mining Pada Penjualan
Abdurrahman, G. (2017). Analisis Aturan n’s ke y Men n k n m
Asosiasi Data Transaksi Supermarket Apriori. Jurnal Teknologi Informasi Dan
Menggunakan Algoritma Apriori. Sistem Komputer, 3(2), 164–174.
& Teknologi Informasi Indonesia, 2(2), Putria, N. E. (2018). Data Mining Penjualan
100–111. Tiket Pesawat Menggunakan Algoritma
Adha, N., Sianturi, L. T., & Siagian, E. R. (2017). Apriori Pada Terminal Tiket Batam Tour
Implementasi Data Mining Penjualan & Travel. Computer Based Information
Sabun Dengan Menggunakan Metode System Journal, 6(1), 29–39.
K s s : P . Un eve . https://doi.org/ISSN: 2337-8794
Majalah Ilmiah INTI, 12(2), 219–223. Vulandari, R. T. (2017). Data Mining Teri dan
Badrul, M. (2016). Algoritma Asosiasi Dengan Aplikasi Rapidminer (Pertama).
Algoritma Apriori Untuk Analisa Data Surakarta: Penerbit Gava Media.
Penjualan. Pilar Nusa Mandiri, XII(2), Widiati, E., & Evita Dewi, K. (2014).
121–129. Implementasi Association Rule Terhadap
Elisa, E. (2018). Market Basket Analysis Pada Penyusunan Layout Makanan Dan
Mini Market Ayu Dengan Algoritma Penentuan Paket Makanan Hemat Di RM
Apriori. Jurnal RESTI (Rekayasa Sistem Roso Echo Dengan Algoritma Apriori.
Dan Teknologi Informasi), 2(2), 472–478. Jurnal Ilmiah Komputer Dan Informatika
https://doi.org/10.29207/resti.v2i2.280 (KOMPUTA), 3(2), 96–101.
Listriani, D., Setyaningrum, A. H., & M.A, F. E.
(2016). Penerapan Metode Asosiasi
Menggunakan Algoritma Apriori Pada
Aplikasi Pola Belanja Konsumen ( Studi
Kasus Toko Buku Gramedia Bintaro ).
Jurnal Teknik Informatika Vol 9 No. 2,
Universitas Islam Negeri Jakarta, 9(2),
120–127. Retrieved from
http://journal.uinjkt.ac.id/index.php/ti/a
rticle/view/5602/3619