Sofyan Hadi
Program Studi Teknik Informatika – Universitas Muhammadiyah Jember
Email: Sofyanjehh@gmail.com
Abstrak
Penataan dan pengelompokan barang di swalayan adalah salah satu bagian dari proses manajemen.
Untuk mengetahui pengelompokkan barang yang paling sering dibeli oleh konsumen membutuhkan
teknik dan cara tertentu yang berhubungan dengan transaksi elektronik dari barang khususnya
transaksi penjualan. Salah satu teknik yang digunakan dalam pencarian data barang yang sering
berkelompok adalah menggunakan algoritma apriori sebagai bagian dari analisis data mining dalam
mencari frekuensi barang-barang yang muncul bersamaan dalam transaksi elektronik.
Adapun teknik yang digunakan dalam penelitian ini adalah algoritma apriori menggunakan
analisis 2 nilai penting yaitu minimum support dan confidence. Dua nilai tersebut digunakan dengan
proses iterasi untuk menemukan setiap kombinasi item barang yang disebut proses join, dan proses
untuk mengeliminasi pengelompokkan barang yang tidak memenuhi minimum support yang disebut
proses prune. Dari teknik – teknik yang disebutkan di atas didapatkan frekuensi dan item barang yang
paling sering muncul bersamaan yang membantu management untuk menata dan mengelompokkan
barang dan mengoptimalkan penataan dan pengelompokkan barang supaya pelanggan merasa
nyaman.
Hasil akhir kesimpulan menggunakan nilai confidence yang menggambarkan secara umum
hubungan atau keterkaitan antar barang dan implementasi algoritma apriori dapat digunakan untuk
menganalisis data transaksi secara keseluruhan, atau pada periode tertentu saja. Dari hasil perhitungan
algoritma juga dapat dianalisis bahwa proses yang membutuhkan sumber daya yang sangat besar dan
waktu analisis yang lama adalah proses join antar item barang. Dengan proses kombinasi item barang
yang semakin banyak menyebabkan kombinasi antar item juga semakin banyak. Hasil akhir
menunjukkan perhitungan 100 item barang membutuhkan waktu yang lebih banyak dibandingkan
perhitungan 20 item barang.
Kata Kunci : Apriori, barang, Association Rule dan penataan
Sebagai contoh dalam dunia bisnis
1. Pendahuluan seperti pada minimarket. Pada minimarket
1.1. Latar Belakang yang setiap harinya terjadi transaksi
penjualan. Hal ini memungkinkan data
Saat ini, perkembangan teknologi telah transaksi yang diperoleh akan menjadi
memberikan pengaruh yang sangat besar banyak dan menumpuk. Jika data
didalam kehidupan manusia. Salah satu dibiarkan saja, maka data tersebut hanya
pengaruh tersebut di bidang informasi akan menjadi sampah yang tidak berarti
yaitudalam aplikasi database. Pada lagi.
aplikasi database, informasi memegang
peranan yangsangat penting dan Oleh karena itu, diperlukan sebuah
dibutuhkan dalam berbagai aspek aplikasi yang mampu memilah dan
kehidupan, baik dalam duniapendidikan, memilih data, sehingga bisa diperoleh
bisnis, perbankan, dan lain-lain. Dengan informasi yang bermanfaat bagi
bermanfaatnya informasitersebut, banyak penggunanya. Pemanfaatan informasi dan
perusahaan berusaha untuk pengetahuan yang terkandung di dalam
mengumpulkan informasi sebanyak banyaknya data tersebut, pada saat ini
banyaknyauntukmendapatkankeuntungany disebut dengan data mining. Data mining
angmaksimal. dimaksudkan untuk memberikan solusi
nyata bagi para pengambil keputusan,
untuk mengembangkan bisnis mereka. dalam penulisan skripsi ini, penulis
Data mining adalah suatu istilah yang memilih judul “Implementasi Data Mining
digunakan untuk menguraikan penemuan Dengan Association Rule Dalam
pengetahuan di dalam database atau sering Pengambilan Keputusan Untuk Korelasi
disebut Knowledge Discovery in Database Pembelian Produk Menggunakan
(KDD). Algoritma Apriori”.
Data mining sudah menjadi obyek 2. Tinjauan Pustaka
penelitian dari banyak peneliti. Wahyu 2.1. Aturan Asosiasi (Association Rule)
(2008) membuat penelitian untuk
menganalisa pola data hasil tangkapan Aturan asosiasi (association rule) adalah
ikan di setiap daerah dengan metode metode data mining untuk mencari
association rule. Selain itu ada penelitian suatuhubungan yang menunjukkan kondisi
lain yang dilakukan oleh Dhanabhakyam di dalam satu set data, yang beberapa
dan Punithavalli (2011) yang menyajikan nilaiatribut akan muncul secara
survei tentang algoritma data mining yang bersamaan. Aturan asosiasi (association
ada untuk analisis keranjang pasar (market rules) atauanalisis afinitas (affinity
basket analysis) dengan mengidentifikasi analysis) berkenaan dengan studi tentang
asosiasi antara berbagai item. Identifikasi „apa bersama apa‟.Ini bisa berupa studi
asosiasi tersebut dapat membantu transaksi di supermarket, misalnya
pengecer memperluas strategi pemasaran seseorang yang membeli susubayi juga
dengan memperoleh informasi tentang membeli sabun mandi. Di sini berarti susu
item yang sering dibeli bersama oleh bayi bersama dengan sabunmandi. Karena
pelanggan. Survei ini sebagai bidang yang awalnya berasal dari studi tentang
luas bagi para peneliti untuk database transaksi konsumen
mengembangkan algoritma data mining untukmenentukan kebiasaan suatu produk
lebih baik. dibeli bersama produk apa, maka aturan
asosiasijuga sering dinamakan market
Dengan demikian, dari beberapa basket analysis.
penelitian yang dilakukan yaitu melalui
database transaksi, dapat diperoleh Tujuan dari Market Basket Analysis
berbagai informasi tentang kebiasaan para ini adalah untuk menentukan produk-
konsumen. Misalnya dapat diketahui produk apa saja yang cenderung sering
produk-produk apa saja yang sering dibeli dibeli oleh para konsumen. Gambaran
secara bersamaan dalam tiap transaksi, mengenai market basket analysis dapat
sebagai contoh: menemukan bahwa dilihat dalam gambar berikut:
produk A biasanya dibeli secara
bersamaan dengan produk B oleh seorang
konsumen pada suatu waktu. Fenomena
mengenai produk-produk yang sering
terbeli secara bersamaan ini disebut
asosiasi (association) antar produk (item).
Untuk mendapatkan informasi tentang
asosiasi antar produk dari suatu database Gambar 2.3 Market Basket Analysis
transaksi, penulis menggunakan algoritma
apriori. Algoritma apriori adalah Pada Gambar 2.3 dijelaskan bahwa sebuah
algoritma market basket analysis yang keranjang diisi dengan berbagai produk
digunakan untuk menghasilkan yang dibeli oleh seseorang di toko.
association rule, dengan pola “if-then” Keranjang ini berisi berbagai macam
atau “jika-maka”. Market basket analysis produk yaitu jus, jeruk, pisang, soda,
merupakan salah satu teknik dari data pembersih jendela, dan deterjen yang
mining yang mempelajari tentang perilaku memberitahu apa yang pelanggan beli
kebiasaan konsumen dalam membeli pada satu perjalanan. Satu keranjang
produk secara bersamaan dalam suatu menceritakan tentang salah satu
waktu. Berdasarkan hal di atas, maka pelanggan, tetapi semua pembelian yang
dilakukan oleh semua pelanggan memiliki 4. Confidence, strength (jika left-
informasi lebih banyak. Pelanggan tidak hand side muncul, seberapa besar
semua sama. Setiap pelanggan membeli right-hand side muncul).
satu set produk yang berbeda, dalam 2.2. Algoritma Apriori
jumlah yang berbeda, pada waktu yang
berbeda setiap hari. Analisa keranjang Algoritma apriori adalah sebuah algoritma
pasar memberikan wawasan ke dalam pencarian pola yang sangat populer
produk dagangan dengan menceritakan dalamteknik penambangan data (data
produk yang cenderung sering dibeli mining). Algoritma ini ditujukan untuk
secara bersama-sama. mencarikombinasi itemset yang
mempunyai suatu nilai keseringan tertentu
2.6.1. Bentuk Umum Aturan sesuai kriteria ataufilter yang diinginkan.
Asosiasi (Association Rule) Algoritma ini diajukan oleh R. Agrawal
dan R. Srikant tahun1994.
Bentuk umum dari Aturan asosiasi
yaitu: Hasil dari algoritma apriori dapat
digunakan untuk membantu dalam
“IF Antecedent ELSE Consequence” pengambilan keputusan pihak manajemen.
atau “X Y” dibaca “Jika A, maka Algoritma apriori melakukan pendekatan
B”. iteratif yang dikenal dengan pencarian
Berikut ini menunjukkan istilah-istilah level-wise, dimana k-itemset digunakan
yang digunakan untuk untuk mengeksplorasi atau menemukan
mempresentasikan setiap bagian dari (k+1)-itemset. Oleh karena itu, algoritma
association rules : apriori dibagi menjadi beberapa tahap
yang disebut iterasi. Tiap iterasi
menghasilkan pola frekuensi tinggi
(frequent itemset).
2.7.1. Analisis Asosiasi dengan
Algoritma Apriori
Gambar 2.4 Bentuk Umum Aturan
Asosiasi Analisis asosiasi atau association rule
mining adalah teknik data mining
Association Rules di atas dapat dibaca untukmenemukan aturan asosiatif
secara sederhana menjadi “jika x antara suatu kombinasi item. Contoh
membeli roti tawar, maka x dari aturan asosiatif dari analisis
kemungkinan 30% juga membeli selai. pembelian di suatu pasar swalayan
Aturan ini cukup signifikan karena adalah mengetahui
mewakili 60% dari catatan transaksi besarnyakemungkinan seorang
yang ada” Dapat juga diartikan : pelanggan untuk membeli roti
“Seorang konsumen yang membeli bersamaan dengan keju.
roti memiliki kemungkinan sebesar Denganpengetahuan tersebut, pemilik
30% untuk juga membeli selai. Dan pasar swalayan bisa mengatur
juga memiliki 60% tingkat penempatan produknyaatau
kepercayaan bahwa roti akan dibeli merancang kampanye pemasaran
bersama dengan selai.” menggunakan kupon diskon untuk
Keterangan istilah : kombinasi produk tertentu.
Gambar 4.4 Halaman Form Data Pada gambar 4.6 terdapat list data
Barang yang berisi Nomor Transaksi dan Item
Nama Barang. Data barang yang
Pada halaman form data barang ini terdapat pada halaman ini telah
dapat dilihat adanya nama barang, dikelompokkan berdasarkan Nomor
jumlah barang, satuan barang dan Transaksi
harga barang. Selain itu terdapat dua
tombol yaitu simpan barang dan batal.
Data barang yang ada di halaman ini
4.3.5. Halaman Implementasi Gambar 4.8 Proses Association Rule
Apriori
Halaman ini digunakan untuk
melakukan proses data mining, adapun
gambar dari implementasi halaman ini
dapat dilihat pada gambar di bawah ini
:
Gambar 4.9 Pola Kombinasi Item
Barang
Dari hasil proses association rule
Gambar 4.7 Halaman Form Kondisi di atas maka akan dihasilkan
Apriori kombinasi item yang Min. Support
dan Min. Confidence sesuai dengan
Pada halaman form kondisi apriori inputan di awal.
terdapat tiga inputan yang terdiri dari
inputan combinasi item yang 4.3.6. Pengujian Sistem
digunakan untuk menentukan kondisi Pengujian sistem dilakukan untuk
combinasi barang yang dijual secara mengetahui rule yang terbentuk
bersamaan, nilai Min. Support dan berdasarkan nilai combinasiitem,
Min. Confidence untuk mengetahui minimum support dan minimum
hasil dari proses data mining dengan confidence yang dimasukkan dengan
algoritma apriori. Hasil proses yang nilai yang berbeda seperti berikut:
ditampilkan pada halaman ini yaitu
rules, keterangan, persentase nilai 1. Jika dimasukkan combinasi item =
support dan confidence. Masing- 2, minimum support = 20% dan
masing rule yang dihasilkan confidence = 60% :
merupakan suatu kombinasi produk Banyak rule yang dihasilkan
yang sering dibeli secara bersama sebesar : 26 rules
pada beberapa transaksi yang terjadi. 2. Jika dimasukkan combinasi item =
Kuatnya kombinasi produk yang dibeli 2, minimum support = 25% dan
ini dapat dilihat pada persentase nilai confidence = 60% :
support. Dan nilai kepastian Banyak rule yang dihasilkan
kombinasi produk ini dibeli dapat sebesar : 26 rules
dilihat dari besarnya persentase nilai 3. Jika dimasukkan combinasi item =
confidence setiap rule. Dengan adanya 2, minimum support = 40% dan
rule yang dihasilkan tersebut, akan confidence = 70% :
mempermudah user dalam mengambil Banyak rule yang dihasilkan
keputusan yang berguna untuk sebesar : 21 rules
meningkatkan pelayanan di Asrjeans. 4. Jika dimasukkan combinasi item =
Pada form tersebut juga terdapat 3, minimum support = 30% dan
tombol proses apriori jika user sudah confidence = 50% :
mengisi data dan menekan tombol Banyak rule yang dihasilkan
proses apriori maka akan sebesar : 7 rules
menampilkan seperti gambar 4.8 di 5. Jika dimasukkan combinasi item =
bawah ini. 3, minimum support = 40% dan
confidence = 70% :
Banyak rule yang dihasilkan
sebesar : 8 rules
Dari beberapa pengujian yang
telah dilakukan, maka dapat dilihat
ringkasan hasil pengujian pada tabel
berikut.
Tabel 4.1 Hasil Pengujian lebih baik dan maksimal diperlukan saran
dari pihak manapun untuk melengkapi
Minim Minimu kekurangan yang ada. Saran dari penulis
Penguj Combin um m Ru yaitu:
ian asi Item Suppor Confide le
t nce 1. Bagi pengembangan selanjutnya
1 2 20% 60% 26 diharapkan untuk dapat menghasilkan
output yang lebih interaktif pada
2 2 25% 60% 26 sistem ini misalkan adanya grafik
3 2 40% 70% 21 batang yang menampilkan rule yang
4 3 40% 70% 8 dihasilkan berdasarkan kombinasi
item yang sering muncul bersama
terhadap persentase nilai support dan
5. Kesimpulan Dan Saran confidence.
5.1. Kesimpulan 2. Penulis mengharapkan untuk pembuat
aplikasi data mining berikutnya, dapat
Berdasarkan pembahasan dan menambahkan algoritma yang lain
implementasi yang dilakukan maka dapat seperti algoritma FP Growth sebagai
diperoleh beberapa kesimpulan: perbandingan untuk mengetahui besar
1. Metode association rule dengan kecepatan dalam proses iterasi.
menggunakan algoritma apriori pada 3. Diharapkan agar perusahaan yang
aplikasi ini, dapat memberikan aturan bergerak dalam bidang bisnis seperti
asosiasi dengan menggunakan nilai minimarket atau swalayan dapat
minimum support dan minimum menggunakan sistem ini untuk
confidence sebagai acuan. membantu pengambilan keputusan
2. Dari hasil pengujian dengan guna meningkatkan pelayanan dan
memasukkan nilai combinasi item, penjualan produk.
minimum support dan confidence yang 4. Dalam sistem ini data produk dan data
berbeda yaitu jika dimisalkan transaksi masih dimasukkan secara
combinasi item 2, minimum support manual. Diharapkan bagi pengembang
20% dan minimum confidence 60%, selanjutnya dapat melakukan input
maka akan menghasilkan rules data produk dan transaksi secara
sebanyak 26 rules. Sedangkan jika otomatis dengan mengakses database
combinasi item 2, minimum support perusahaan secara langsung.
25% dan minimum confidence 60%,
maka akan menghasilkan rules
sebanyak 26 rules. Jadi, semakin kecil Daftar
nilai minimumsupport dan confidence
yang dimasukkan, maka semakin [1]. Berry,MichaelJ.A danLinoff,GordonS.
banyak jumlah rules. 2004.DataMiningTechniques
3. Dari data hasil pengujian yang telah For
diperoleh, dapat diketahui produk apa Marketing,Sales,CustomerRelationship
saja yang sering dibeli secara ManagementSecondEditon.
bersamaan oleh setiap pelanggan. UnitedStatesofAmerica:WileyPublishing
Informasi ini dapat memudahkan para ,Inc.
manajer dalam meningkatkan
penjualan produk di asrjeans dan dapat [2]. Bunafit Nugroho. 2004. Aplikasi
membantu karyawan dalam mengatur Pemrograman Web Dinamis dengan
tata letak barang. PHP
danMySQL.Yogyakarta:GavaMedia.