DI SUSUN OLEH :
DOSEN PEMBIMBING:
PENDAHULUAN
Di indonesia Pertumbuhan jual beli semakin pesat , yang di tandai dengan pertumbuhan
pusat grosir ,supermarket dan pasar modern lainnya. Sembako adalah singkatan dari Sembilan
bahan pokok yang terdiri atas berbagai bahan-bahan seperi minuman dan makanan yang secara
umum sangat dibutuhkan dalam kehidupan sehari-hari oleh seluruh manusia. Tanpa sembako
kehidupan manusia dapat terganggu karna sembako merupakan kebutuhan pokok utama.
Bahan pokok yang wajib ada dijual di pasar, berikut adalah darfatar nama sembako Sesuai
dengan keputusan mentri perdagangan No.115/mpp/kep/1998,yaitu antara lain: Sagu ,Beras,
Minyak goreng, Sayuran, Susu, Gula, Tepung terigu, Garam, Minyak tanah, Gas Elpiji, Daging
ayam serta Daging sapi, Dimana bahan-bahan tersebut merupakana kebutuhan sehari-hari
Manusia pada umumnya.
Toko sekar merupakan salah satu penjual sembako yang cukup lengkap dimana toko sekar
mempunyai gudang yang cukup besar untuk menyimpan stok produk sembako. Mencari
keuntungan merupakan tujuan dari oprasional sekaligus mempertahankan kegiatan Oprasional
dalam persaingan dunia bisnis.
Di sisi lain mengalami kerugian dan kehilangan pelanggan, karna apabila ada konsumen yang
membutuhkan salah satu produk yang ada di toko, namun stoknya habis tanpa pemilik toko
ketahui maka pelanggan tersebut beralih ke toko lain.
Penelitian ini menggunakan metode apriori karna metode ini cukup efektif diterapkan dalam
peroses penjualan yang terjadi. selain itu metode ini cukup ringkas dalam proses asosiasi.
Penelitian ini memberi solusi untuk mengetahui barang apa saja yang sering di beli oleh
konsumen, dan tau bagaimana cara mengatur letak penyimpanan barangang sehingga konsumen
mudah untuk mencari barang yang di butuhkan. Sehinnga dapat memberikan manfaat bagi pihak
perusahaan untuk meningkatkan penjualannya.
Berdasarkan latar belakang masalah yang telah dijelaskan di atas maka rumusan masalah
dalam penelitian ini adalah:
Batasan Masalah yang digunakan dalam penelitian adalah untuk menghindari adanya
penyimpangan maupun pelebaran pokok masalah agar penelitian tersebut lebih terarah dan
memudahkan dalam pembahasan sehingga tujuan penelitian akan tercapai. Beberapa batasan
masalah dalam penelitian ini adalah sebagai berikut:
1. Luas lingkup hanya meliputi pola pola penjualan pada toko sekar.
2. Informasi yang disajikan yaitu : jenis barang yang dijual di toko sekar, barang yang terjual
banyak dan mengetahui untung dan rugi penjulan pada toko sekar.
1.4 Tujuan
Sebagai contoh bagaimana kita nantinya lebih bisa menerapkan algoritma apriori ini di
dalam kehidupan sehari hari agar mempermudah kita dalam menentukan untung rugi dalam
suatu usaha.
Untuk lebih memahami tentang algoritma apriori, bagaimana kita menggunakan rumusnya
dengan baik dan benar dan Bagaimana kita nantinya dapat menerapkan metode algoritma
apriori dalam kehidupan kita sehari hari.
BAB II
KAJIAN PUSTAKA
Data mining adalah proses menggali informasi dari data base yang benar dan tersimpan
dengan waktu yang relative lama dengan istilah untuk menemukan pengetahuan yang
tersembunyi di dalam database. Proses yang dilakukan dengan menggunakan teknik statistik dan
machine learning dengan mengekstrasi dan menidentifikasi informasi yang potensial dan
berguna untuk dimanfaatkan yang tersimpan di dalam data baseda dengan ukuran besar.
Menurut Jiawei hand dan Micheline Kamber “Data mining adalah kegiatan menggali dan
menemukan pola pola yang menarik dari data dalam jumlah besar , sumber data yang dapat
digali dalam data mining dapat bersumber dari data base, data warehouse, atau penyimpanan
informasi lainnya’.
Menurut Prescott, Hoffer dan McFadden, “data mining adalah penemuan pengetahuan dengan
menggunakan teknik-teknik yang tergabung dari statistic, tradisional,artificial intelelligence dan
grafik computer”
Menurut Budi sentosa” Data mining juga disebut sebagai knowledge discovery in
database(KDD), KDD adalah kegiatan yang meliputi pengumpulan, pemakaian data historis
untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar”.
Algoritma apriori termasuk jenis aturan assosiasi pada data mining. Algoritma Apriori
yang sangat dikenal untuk menemukan pola frekuensi tinggi. Pola frekuensi tinggi adalah pola
pola item di dalam suatu database yang memiliki frekuensi atau support. Pola frekuensi tinggi
ini digunakan untuk menyusun aturan asosiatif dan juga beberapa teknik data mining lainya.
Aturan yang menyatakan asosiasi antara beberapa atribut sering di sebut sebagai affinity atau
market basket analysis.
Arti apriori secara umum adalah anggapan atau sikap yang sudah di tentukan sebelum
menyelidiki terhadap sesuatu. Oleh karna itulah. Algoritma Apriori termasuk dari jenis aturan
asosiasi pada data mining.
2.3. Sembako
sembako adalah singkatan dari Sembilan bahan pokok. Istilah sembako, sangat akrab di
telinga masyarakat Indonesia. Tentusaja karna hal tersebut sangat dekat dengan kebutuhan
masyarakat. Secara luas sembako adalah hal yang di butuhkan manusia dalam kegiatan
pemenuhan kebutuhan atas pangan, seperti Gula pasir, Tepung terigu, Minyak goreng, Beras ,
Telur ayam, dan Garam.
Unuk menentukan pola penjualanan pada toko seka adalah dapat dilakukan dengan cara
mengelola toko sembako karna factor yang paling dasar bagi usaha sembako yang sukses adalah
cara pengolahan yang baik. Ada beberapa poin yang harus di ketahui antara lain, kebutuhan
pasaar, sistem keuntungan, harga barang,dan memperhatikan permintaan pasar meninggkat dan
harus menyediakan porsi yang meningkat pula sedangkan apabila satu barang minim permintaan
itu artinya tidak perlu untuk menambah stok barang.
Oleh karna itu sangat perlu adanya sistem keuntungan sewajarnya, pengambilan keuntungan
yang baik yakni yang tidak terlalu berlebihan. Biasanya seorang pembeli akan mencari tempat
yang lebih murah walaupun itu hanya selisih sdikit saja.
3. Penlitian terdahulu dilakukan oleh (Santoso, Hariyadi, and Prayitno 2016).”Data Mining
Analisi Pola PembelianProduk Dengan Menggunakan Metode Algoritma Apriori”
Menjelaskan bahwa dengan menggunakan database penjualanan produk baeang untuk
dapat menemukan kecenderungan pola kombinasi itemset untuk pola produk dengan
menggunakn metode algoritma apriori.
Pola Penjualan
Toko Sekar
Pengumpulan Data
Wawancar Observasi
a
Pengolahan Data
Hasil
Pada penelitian ini menggunakan data primer. Data primer didapatkan dari hasil
wawancara dan observasi dilapangan yang sesuai dengan susunan penelitian ini. Wawancara
yang dilakukan kepada pemilik toko sekar, dan selanjutnya dilakukan observasi untuk melihat
kegiatan sehari – hari operasioal toko Sekar. Berikut ini, penjelasan proses pengumpulan data.
3.1.1. Wawancara
Proses pengumpulan data dengan teknik wawancara dilakukan kepada pihak pemiilik
toko Sekar, responden penelitian ini adalah pemilik toko sekar. Peneliti memberikan pertanyaan-
pertanyaan untuk mendapatkan informasi atau data yang di butuhkan oleh peneliti.
3.1.2. Observasi
Proses observasi yang dilakukan pada penelitian ini dengan mengamati secara langsung
kegiatan operasional di toko sekar. Pengamatan dilakukan pada bidang non-akademik. Proses ini
sangat membantu paneliti mandapatkan infoormasi dan data yang akurat.
Untuk mempermudahnya maka kita ubah nama itemnya menjadi kode seperti berikut :
KODE
ITEM ITEM
BERAS B
MINYAK
GORENG MG
MIE INSTAN MI
GULA GU
TELUR TL
GARAM GA
KECAP K
PENYEDAP
RASA PR
TEPUNG TP
SUSU S
Data yang diperoleh diubah kedalam bentuk tabular
Menentukan K-Item set yang memenuhi nilai support yang telah diberikan
4.1.1. Iterasi 1
Tabel 1-iterasi
JUMLAH TRANSAKSI
SUPPORT (A) = MENGANDUNG A
TOTAL TRANSAKSI
KOMBINASI 2 ITEM
NO KOMBINASI ITEM Ʃ TRANSAKSI SUPPORT
1 B, GU 1 0.1
2 B, MG 2 0.2
3 B, TL 4 0.4
4 B, GA 2 0.2
5 B, PR 4 0.4
6 GU, MG 1 0.1
7 GU, TL 2 0.2
8 GU, GA 4 0.4
9 GU, PR 1 0.1
10 MG, TL 4 0.4
11 MG, GA 2 0.2
12 MG, PR 3 0.3
13 TL,GA 3 0.3
14 TL, PR 3 0.3
15 GA, PR 2 0.2
Maka diperoleh :
KOMBINASI 3 ITEM
NO KOMBINASI ITEM Ʃ TRANSAKSI SUPPORT
1 B, TL, PR 4 0.4
NB : Kombinasi 3 itemset diperoleh dari kesamaan dalam k-1 item pertama, dimana k=2
Rumus menghitung support dari tiga item :
Support(A ∩B∩C) = Jumlah transaksi mengandung A,B dan C / Total transaksi
Maka diperoleh :
4.1.4. Iterasi 4
Tabel Iterasi 4
KOMBINASI 3 ITEM
Ʃ
NO KOMBINASI ITEM TRANSAKSI SUPPORT
- - - -
NB : Dikarenakan tidak ada lagi kombinasi yang bisa dibuat, maka iterasi di hentikan.
4.2. Hasil
Pembentukan aturan Asosiasi
Rumus :
CONFIDIENCE = Ʃitem yang dibeli sekaligus / Ʃjumlah transaksi pada bagian antecedent
Pembentukan rule :
Rule yang dipakai adalah “Jika x maka y” dimana x adalah antecedent dan y adalah
consequent
Untuk antecedent boleh lebih dari 1 unsur, sedangkan untuk consequent terdiri dari 1
unsur
Asosiasi Final
aturan yang digunakan adalah aturan yang memilii nilai confidence >= 0.8
Rule Support Confidence Support*Confidence
jika membeli penyedap rasa maka membeli beras 0.4 0.8 0.32
Jika membeli gula maka membeli garam 0.4 0.8 0.32
jika membeli minyak goreng maka membeli telur 0.4 0.8 0.32
jika membeli beras dan telur maka membeli penyedap rasa 0.4 1 0.4
jika membeli beras dan penyedap rasa maka membeli telur 0.4 1 0.4
jika membeli telur dan penyedap rasa maka membeli beras 0.4 1.33333333 0.533333332
Aturan yang digunakan adalah aturan yang memiliki hasil paling besar dari penelitian nilai
support dengan nilai confidience.
Maka didapatkanlah hasil :
“Jika seseorang membeli telur dan penyedap rasa maka kemungkinan terbesar dia juga akan
membeli Beras”
BAB V
KESIMPULAN & SARAN
5.1. Kesimpulan
Berdasarkan hasil analisis dengan algoritma apriori maka penuis menarik sebuah kesimpuan
tersebut nanti dapat kiranya dapat berguna bagi pembaca , sehingga penulisan tesis ini dapat
lebih berguna dan bermanfaat . adapun kesimpulan-kesimpulan tersebut antara lain sebagai
berikut:
1. Dengan algoritma apriori dan pengujian menghasilkan pola kombinasi sebagai ilmu
pengetahuan dan informasi penting dari data penualanan (data barang terjual)
2. Teknik data mining dengan algoritma apriori dapat di imlementasikan pada system
persediaan dengan data yang digunakan adalah data penjualanan (data barang keluar)
3. Hasil yang di peroleh dengan algotitma apriori dapat mengtahui barang yang tejual
banyak per item
4. Data mining dengan algoritma apriori memiliki kelemahan karena harus melakukan acan
data base setiap kali iterasi, sehingga waktu bertambah setiap kali iterasi
5.2. Saran
Perlu di lakukan perbandingan dengan algorita lain, untuk menguji serta mendapatkan
kesimpulan bahwa algoritma apriori bekinerja baik untuk proses dan menemukan pola hubungan
antar item dari suatu basis data dan transaksi
o Penlitian terdahulu dilakukan oleh (Santoso, Hariyadi, and Prayitno 2016).”Data Mining
Analisi Pola PembelianProduk Dengan Menggunakan Metode Algoritma Apriori”
Menjelaskan bahwa dengan menggunakan database penjualanan produk baeang untuk
dapat menemukan kecenderungan pola kombinasi itemset untuk pola produk dengan
menggunakn metode algoritma apriori.
o penelitian terdahulu dilakukan oleh (Riszky and Sadikin 2019)” Data Mining
Menggunakan Algoritma Apriori Untuk Rekomendasi Produk Bagi Pelanggan”
Menjelaskan bahwa penerapan Algoritma apriori dalam merekomendasikan produk bagi
calon pelangan.