Penerapan Data Mining Penjualan Sepatu Menggunakan Metode Algoritma Apriori
Penerapan Data Mining Penjualan Sepatu Menggunakan Metode Algoritma Apriori
Abstract – Through the sales shoes activity every day, the data of the sales will be increase. The data was not
only function as an archive for the company, data can be harnessed and processed into useful information to
improve the sale of products shoes. The availability of sales data is not used optimaly, because there is no the
support system decision and methods that can be used to design a business strategy to boost sales. Engineering
processing data that used in this research was a priori algorithm and to get better results used tools tanagra
version 1.4. Apriori algorithm including the types of regulations association on the mining. One of the stages
analysis that attracts attention many researchers to produce a priori algorithm efficient is analysis pattern
frequency a association were identified with two benchmark namely support and confidence. Based on the
results of research , shoes most attractive to new balance is (91,67 %), adidas (75 %), geox (50 %), nike (41.67
%) and palladium (41.67 %)
I. PENDAHULUAN
Persaingan yang terjadi dalam dunia bisnis memaksa
para pelaku bisnis untuk selalu memikirkan II. METODOLOGI PENELITIAN
strategis-strategis dan terobosan yang dapat Metode yang digunakan dalam penelitian ini adalah
menjamin kelangsungan dari bisnis yang penerapan data mining pada penjualan sepatu
dijalankannya. Dalam rangka menghadapi dengan menggunakan algoritma apriori. Untuk
persaingan bisnis dapat meningkatkan penjualan dan mengetahui pola kombinasi item dan itemset
pemasaran produk yang dijual , salah satunya adalah frekuensi tinggi sehingga dapat dijadikan sebagai
dengan pemanfaatan data penjualan produk. faktor pengambilan keputusan dalam memprediksi
Dengan adanya kegiatan penjualan setiap hari, data persedian barang sepatu.
penjualan sepatu semakin lama akan semakin Menurut Hermawati (2013:3) Data mining adalah
bertambah banyak. Data tidak hanya berfungsi proses yang memperkerjakan satu atau lebih teknik
pembelajaran komputer (machine learning) untuk
sebagai arsip bagi perusahaan, data dapat
menganalisis dan mengekstraksi pengetahuan
dimanfaatkan dan diolah menjadi informasi yang
(knowledge) secara otomatis.
berguna untuk meningkatan penjualan produk Data mining merupakan proses iterative dan
sepatu. interaktif untuk menemukan pola atau model baru
Beberapa permasalahan yang sering muncul yang sempurna, bermanfaat dan dapat dimengerti
mengenai penjualan sepatu yaitu perusahan sulit dalam suatu database yang sangat besar (massive
mendapatkan informasi yang update seperti tingkat database). Data mining berisi pencarian trend atau
penjualan perperiode. Ketersediaan data penjualan pola yang diinginkan dalam database besar untuk
yang besar tidak digunakan secara maksimal karena membantu pengambil keputusan diwaktu yang akan
belum adanya sistem pendukung keputusan dan datang, pola-pola ini dikenali perangkat tertentu
metode yang dapat digunakan untuk merancang yang dapat memberikan suatu analisa data yang
sebuah strategi bisnis dalam meningkatkan berguna dan berwawasan yang kemudian dapat
penjualan. dipelajari dengan lebih teliti, yang mungkin saja
Menurut Husin dan Mulyaningsih (2015) Data yang menggunakan perangkat pendukung keputusan yang
tersimpan dan sudah tidak digunakan lagi dengan lain.
jumlah data yang dikumpulkan dan disimpan dalam Menurut Kursini dan Taufiq (2009:10) Data mining
basis data berukuran besar, dibutuhkan sebuah dibagi menjadi beberapa kelompok berdasarkan
metode atau teknik yang dapat merubah tumpukan tugas yang dapat dilakukan, yaitu Deskripsi,
data tersebut menjadi sebuah informasi yang Estimasi, Prediksi, Klasifikasi, Pengklusteran dan
berharga yang bermanfaat untuk pengambilan Asosiasi.
keputusan bisnis dengan menggunakan perhitungan Menurut Kursini dan Taufiq (2009:149) Algoritma
data dengan algoritma apriori. Apriori termasuk jenis aturan asosiasi pada data
mining. Selain aprior, yang termasuk pada golongan
ini adalah metode Generalized Rule Induction dan Berdasarkan dari tabel diatas jumlah penjualan
Algoritma Hasd Based. Analisis asosiasi atau sepatu yang paling banyak terjual adalah Nike
association rulemining teknik data mining untuk terjual 110, New Balance terjual 102, Adidas terjual
menemukan aturan asossiatif antara suatu kombinasi 99
item.
Analisis asosiasi dikenal juga sebagai salah satu Tabel 2. Data Penjualan Bulan Februari
teknik data mining yang menjadi dasar dari berbagai
teknik data mining lainnya. Salah satu tahap analisis No Nama Barang Jumlah
asosiasi yang menarik perhatian untuk menghasilkan 1 Geox 56
algoritma yang efisien adalah analisis pola frekuensi 2 Nike 105
tinggi. Penting tidaknya suatu aturan asosiatif dapat 3 Puma 26
diketahui dengan dua parameter, yaitu support dan 4 Armany Jeans 31
confidence. Support (nilai penunjang) adalah 5 Palladium 54
persentase kombinasi item tersebut dalam database, 6 Adidas 96
sedangkah confidence (nilai kepastian) adalah 7 Krickers 41
kuatnya hubungan antar-item dalam aturan asosiasi. 8 New Balance 100
Menurut Faradillah(2013:65) Tanagra merupakan Sumber : Penelitian (2016)
salah satu software data mining yang didalamnya Berdasarkan dari tabel diatas jumlah penjualan
disediakan beberapa metode data mining mulai dari sepatu yang paling banyak terjual adalah Nike
mengekplorasi analisis data, pembelajaran statistik, terjual 105, New Balance terjual 100, Adidas terjual
pembelajaran mesin, dan data mining kebanyakan. 96
Tanagra suatu software berbasis open source dimana
Tabel 3. Data Penjualan Bulan Maret
semua orang dapat mengakses source code, dan
menambahkan algoritma mereka sendiri, sejauh dia
No Nama Barang Jumlah
setuju dan menyesuaikan dengan lisensi 1 Geox 80
pendistribusian software. 2 Nike 95
Tahapan penelitian yang di lakukan sebagai berikut: 3 Puma 35
4 Armany Jeans 37
5 Palladium 82
6 Adidas 103
7 Krickers 47
8 New Balance 108
Sumber : Penelitian (2016)
Berdasarkan dari tabel diatas jumlah penjualan
sepatu yang paling banyak terjual adalah New
Balance terjual 108, Adidas terjual 103, Nike terjual
95
Tabel 7. Data Penjualan Bulan Juli Tabel11. Data Penjualan Bulan Nopember
100
Aturan Confiden 80
Jika membeli sepatu New Balance, Maka 60
akan membeli Adidas 8/11 72,73% 40
Jika membeli sepatu Adidas, Maka akan
20
0
membeli New Balance 8/9 88,89% Support
Jika membeli sepatu New Balance, Maka
akan membeli Nike 4/11 36,36% Confiden
Jika membeli sepatu Nike, Maka akan
membeli New Balance 4/5 80%
Jika membeli sepatu New Balance, Maka
akan membeli Geox 5/11 45,45%
Jika membeli sepatu Geox, Maka akan
membeli New Balance 5/6 83,33%
Jika membeli sepatu New Balance, Maka
Sumber : Penelitian (2016)
akan membeli Palladium 5/11 45,45%
Gambar 2. Diagram Hasil Asosiasi
Jika membeli sepatu Palladium, Maka
akan membeli New Balance 5/5 100%
Jika membeli sepatu Adidas, Maka akan Pengujian data yang telah dihasilkan berupa pola
membeli Nike 4/9 44,44% hubungan kombinasi antara items dan aturan asosiasi
Jika membeli sepatu Nike, Maka akan sesuai dengan Algoritma Apriori dilakukan
membeli Adidas 4/5 80%
pengujian menggunakan Tanagra versi 1.4.
Tabel 19. Confidence Aturan Asosiasi
Sumber : Penelitian (2016)
Sup Confi
Aturan port den
Jika membeli sepatu New Balance, Maka 66,6 72,73
akan membeli Adidas 7% %
Jika membeli sepatu Adidas, Maka akan 66,6 88,89
membeli New Balance 7% %
Jika membeli sepatu Nike, Maka akan 33,3
membeli New Balance 3% 80%
Sumber : Penelitian (2016)
Jika membeli sepatu Geox, Maka akan 41,6 83,33
membeli New Balance 7% % Gambar 3. Tanagra yang terkoneksi Database
Jika membeli sepatu Palladium, Maka 41,6
akan membeli New Balance 7% 100%
Jika membeli sepatu Nike, Maka akan 33,3
membeli Adidas 3% 80%
Tabel 20. Hasil Asosiasi
Sumber : Penelitian (2016)
IV. KESIMPULAN
Data mining dan algoritma apriori sangat berguna
untuk mengetahui hubungan frekuensi penjualan
sepatu yang paling diminati oleh konsumen,
sehingga dapat dijadikan sebagai informasi yang
sangat berharga dalam pengambil keputusan untuk
mempersiapkan stok jenis sepatu apa saja yang
diperlukan dikemudian hari, Algoritma Apriori
membantu mengembangkan strategi penjualan
sepatu, Berdasarkan dari hasil penelitian, sepatu
yang paling diminati adalah New Balance (91,67
Sumber : Penelitian (2016) %), Adidas (75 %) , Geox (50 %), Nike (41.67
Gambar 6. Hasil Pembentukan Itemset
%) dan Palladium (41.67 %).
Berdasarkan gambar diatas merupakan pengujian
untuk menghasilkan jenis item dan pola kombinasi REFERENSI
dua itemset Faradillah,Sarah.(2013)Implementasi Data Mining
untuk Pengenalan Karakteristik Transaksi
Customer dengan Menggunakan
algoritma C4.5: 63-70
Hermawati, Fajar Astuti.(2013)Data Mining.
Yogyakarta: Andi
Husin, Al dan Mulyaningsih, F.(2015). Penerapan
Metode Data Mining Analisis Terhadap
Data Penjualan Pakaian Dengan
Algoritma Apriori:374-385
Kursini dan Emha Taufiq Luthfi.(2009)Data
Mining. Yogyakarta: Andi
Sari, Dewi Puspita. (2015). Data Mining Perkiraan
Sumber : Penelitian (2016) Produksi Spanduk dengan Algoritma
Gambar 7. Pembentukan support & Confidence Apriori (Studi Kasus: CV. Mentati
Persada Medan): 33-41.