2findra.dewi@uajy.ac.id
3150708547@students.uajy.ac.id
Abstrak - Persaingan bisnis yang semakin ketat manually, and there is no overall analysis of sales data. This
mengharuskan para pemilik bisnis untuk berpikir kritis causes stockpile of unsold items and undetected out of stock
untuk menjaga kepuasan pelanggan dan meningkatkan items. Another problem that arises is the promo offering for
penjualan produk. Toko Surya Baru adalah toko serba customer. The shop owner has difficulties in analyzing what
ada (toserba) yang menjual kebutuhan sehari-hari. items that sold quickly and what items are bought together in
Pencatatan persediaan barang dan penjualan masih one transaction. The system is built to handle the transaction
dilakukan secara manual, serta belum ada analisis process, equipped with a recommendation system to
terhadap data penjualan secara menyeluruh. Hal ini recommend the number of item’s purchases using Fuzzy
menyebabkan ada barang yang menumpuk karena kurang Tsukamoto and promos offerings using the Apriori
laku dan ada barang yang kosong. Masalah lain yang algorithm. By knowing what items are purchased together,
timbul adalah pemberian promo bagi para pelanggan. the system provides promo recommendations that suit the
Pemilik toko kesulitan dalam menganalisis barang apa customer’s needs. This system has been successfully built
saja yang laku terjual dengan cepat dan sulit menganalisis and resulting optimal predictions, thus helping the
barang apa saja yang dibeli bersamaan dalam sekali management in making decisions.
transaksi. Sistem yang dibangun untuk menangani proses
transaksi, dilengkapi dengan sistem rekomendasi jumlah Key words: Recommendation System, Promo, Purchase of
pembelian barang menggunakan Fuzzy Tsukamoto dan Goods, Apriori, Fuzzy Tsukamoto
pemberian promo menggunakan algoritma Apriori.
Dengan mengetahui barang apa saja yang dibeli secara I. PENDAHULUAN
bersamaan, sistem memberikan rekomendasi promo yang
sesuai dengan kebutuhan pelanggan. Sistem ini telah Persaingan bisnis yang semakin ketat mengharuskan
berhasil dibangun dan menghasilkan prediksi yang para pemilik bisnis untuk berpikir kritis untuk menjaga
optimal, sehingga membantu pihak manajemen dalam kepuasan pelanggan dan meningkatkan penjualan
mengambil keputusan. produk. Kemampuan untuk memperkirakan volume
penjualan secara akurat sangat penting guna
Kata-kata kunci: Sistem Rekomendasi, Promo, kelangsungan hidup bisnis[1]. Peningkatan penjualan
Pembelian Barang, Apriori, Fuzzy produk juga dapat dilakukan dengan promosi, diperlukan
Tsukamoto strategi promosi yang efisien dan efektif[2][3]. Promosi
yang tepat akan memengaruhi keberlanjutan jangka
Abstract - Increasing business competition requires business
panjang dari penjualan. Dengan mengetahui pola
owners to think critically to maintain customer satisfaction
and increase product sales. Toko Surya Baru is a pembelian pelanggan, manajemen dapat menentukan
convenience store (department store) that sells daily strategi penjualan terkait dengan promosi, prediksi
necessities. Inventory and sales recording are still done
Penerapan Algoritma Apriori … | Adithama, S.P., Dewi, F.K.S., Hariyadi, E., 261 – 270 261
JUITA: Jurnal Informatika e-ISSN: 2579-8901; Volume 8, Nomor 2, November 2020
persediaan produk, dan kombinasi produk yang akan dibeli secara bersamaan, sistem akan menarik
dijual [4] [5]. kesimpulan yang akan memberikan rekomendasi promo
Toko Surya Baru adalah toko serba ada (toserba) yang sesuai dengan kebutuhan pelanggan. Hasil dari
yang menjual kebutuhan sehari-hari. Masalah yang promo diinformasikan kepada pelanggan melalui SMS
dihadapi oleh pemilik toko adalah pencatatan persediaan (Short Message Service) dan e-mail.
barang dan penjualan yang masih dilakukan secara Pembangunan sistem rekomendasi yang paling
manual, serta belum ada analisis terhadap data penjualan populer menggunakan algoritma Association Rule [13].
secara menyeluruh. Hal ini menyebabkan ada barang Algoritma apriori digunakan agar sistem dapat
yang menumpuk karena kurang laku dan ada barang mempelajari aturan asosiasi untuk mencari pola
yang kosong. Masalah nyata yang sering muncul pada hubungan antar item, maka sistem ini dibangun
toko ritel adalah sulitnya menentukan jumlah pembelian menggunakan algoritma Apriori. Berdasarkan hasil
barang yang tepat yang akan dibeli untuk bulan penelitian sebelumnya, algoritma Apriori mampu
berikutnya [6]. Melakukan pembelian persediaan barang menggali informasi pada data dan dapat menampilkan
berdasarkan data yang tidak akurat dan ketidakpastian hubungan antar atributnya [14]. Algoritma Apriori ini
dapat memicu kekurangan persediaan, kelebihan sudah banyak diterapkan dalam berbagai penelitian
persediaan, dan biaya lain yang menyebabkan masalah sebelumnya, digunakan untuk memprediksi pola
keuangan [7][8]. Masalah lain yang timbul adalah pembelian obat pada apotek [14][15], pola belanja
pemberian promo bagi pelanggan. Karena proses bisnis pelanggan pada toko buku[16], pola pembelian pada
dilakukan secara manual, maka pemilik toko kesulitan toko ritel di India[17][18], rekomendasi pemberian
dalam menganalisis barang apa saja yang laku terjual promo pada restaurant[19], dan penjualan suku cadang
dengan cepat dan barang apa saja yang dibeli bersamaan. motor[20].
Proses pemberian promo masih dilakukan dengan cara Salah satu cara untuk memprediksi jumlah pembelian
berdiskusi dengan pihak internal. Agar perkiraan barang adalah Fuzzy Inference System (FIS)
pembelian barang valid dan pemberian promo tidak menggunakan metode Fuzzy Tsukamoto[6]. Metode
berdasarkan intuisi, maka diperlukan suatu sistem Fuzzy Tsukamoto mampu memberikan rekomendasi dan
rekomendasi yang mendukung pengambilan keputusan. perkiraan jumlah persediaan barang[21]. Berdasarkan
Meningkatnya jumlah pelanggan dan aktivitas penelitian sebelumnya, metode Fuzzy Tsukamoto
pembelian akan menghasilkan sejumlah besar data digunakan dalam prediksi persediaan barang pada
histori yang berharga. Data histori transaksi yang telah perusahaan ritel karena metode ini sangat sederhana dan
terakumulasi ini dapat dimanfaatkan untuk membantu mudah dipahami [6][7]. Hasil penelitian menggunakan
dalam menemukan hubungan pembelian antar berbagai Fuzzy Tsukamoto memiliki hasil yang lebih baik dan
barang[9]. Sistem rekomendasi belajar dari pelanggan efisien dalam memprediksi jumlah persediaan barang di
dan mencari kombinasi barang yang sering dibeli toko ritel [8]. Metode ini sudah diterapkan dalam
bersamaan. Kemudian barang-barang tersebut berbagai penelitian sebelumnya, digunakan untuk
ditawarkan sebagai rekomendasi kepada pelanggan. meramalkan permintaan distribusi trafo pada perusahaan
Metode promosi ini digunakan oleh pengecer di seluruh rekayasa tenaga di Bangladesh[22], menentukan jumlah
dunia [10][11]. Selain itu, perlu adanya peningkatan produksi kain tenun [7], penentuan jumlah produksi
strategi persediaan barang sehingga tidak ada barang beras pada kilang padi[23], dan prediksi jumlah produksi
yang menumpuk atau sebaliknya tidak dapat memenuhi minyak inti sawit [24].
permintaan pasar. Perlu dikembangkan model untuk
mengontrol persediaan minimum pada waktu dan II. METODE
kondisi tertentu, yang mendukung dalam membuat
Metode penelitian ini membahas langkah-langkah
keputusan tentang berapa banyak jumlah barang yang
yang dilakukan dari awal hingga penelitian selesai dan
harus dibeli di bulan berikutnya [8][12].
mendapatkan hasil yang diinginkan. Langkah-langkah
Sistem informasi dibangun untuk menangani proses
tersebut terdiri dari:
transaksi, juga dilengkapi dengan sistem rekomendasi
untuk jumlah pembelian barang dan promo bagi A. Analisis Kebutuhan
pelanggan. Untuk pengadaan barang, sistem Metode ini dilakukan dengan menganalisis data dan
memberikan rekomendasi berapa jumlah barang yang informasi yang diperoleh dengan cara studi literatur,
dibutuhkan untuk pembelian selanjutnya. Untuk promo, wawancara dan observasi. Analisis kebutuhan
sistem rekomendasi dibuat berdasarkan riwayat transaksi menghasilkan kebutuhan fungsionalitas sistem, use case
penjualan. Dengan mengetahui barang apa saja yang diagram dan entity relationship diagram.
262 Penerapan Algoritma Apriori … | Adithama, S.P., Dewi, F.K.S., Hariyadi, E., 261 – 270
JUITA: Jurnal Informatika e-ISSN: 2579-8901; Volume 8, Nomor 2, November 2020
Penerapan Algoritma Apriori … | Adithama, S.P., Dewi, F.K.S., Hariyadi, E., 261 – 270 263
JUITA: Jurnal Informatika e-ISSN: 2579-8901; Volume 8, Nomor 2, November 2020
Gambar 3 adalah tampilan halaman proses aturan asosisasi yang dapat terbentuk. Kemudian
rekomendasi yang terdapat tiga fungsi utama yaitu Buat dilakukan perhitungan confidence, hasilnya dapat dilihat
Promo, Notifikasi Email dan Notifikasi SMS. Button pada Tabel III.
Buat Promo digunakan oleh pelanggan untuk menambah
data promo hasil rekomendasi. Button Notifikasi Email
dan Button Notifikasi SMS digunakan oleh pengguna
untuk melakukan pemberitahuan kepada 10 hingga 15
pelanggan yang memiliki transaksi paling banyak di toko.
Isi pesannya adalah promo yang berlaku dan periode
waktu berlangsungnya promo.
Tabel I merupakan contoh dari 10 data transaksi,
dengan nilai minimum support sebesar 25% akan
diperoleh hasil yang memenuhi minimum support
seperti pada Tabel II. Dari seluruh itemsets yang Gambar 1. Potongan kode process data untuk proses
metode apriori
terbentuk, kemudian dilakukan pemisahan menjadi
antecedent dan consequent, untuk menentukan seluruh
264 Penerapan Algoritma Apriori … | Adithama, S.P., Dewi, F.K.S., Hariyadi, E., 261 – 270
JUITA: Jurnal Informatika e-ISSN: 2579-8901; Volume 8, Nomor 2, November 2020
TABEL I
DATA TRANSAKSI
No Item
1 Kemeja Cole, Celana Carvil, Tas Ransel A-One
2 Sandal Ardiles, Tas Ransel A-One, Kaos Kaki Mundo, Sepatu Adidas ABC
3 Kemeja Cole, Sepatu Adidas ABC, Buku Kiky, Bolpoin Zebra
4 Tas Ransel A-One, Sandal Ardiles, Buku Kiky, Tempat Pensil Harvest
5 Sepatu Adidas ABC, Susu Dancow, Tisu Paseo, Kemeja Cole
6 Celana Carvil, Kemeja Cole, Tas Ransel A-One, Sandal Ardiles
7 Sepatu Adidas ABC, Tas Ransel A-One, Buku Kiky, Celana Carvil, Tisu Paseo, Bolpoin Zebra
8 Celana Carvil, Tas Ransel A-One, Tisu Paseo, Susu Dancow
9 Tas Ransel A-One, Sandal Ardiles, Susu Dancow, Kemeja Cole
10 Susu Dancow, Sandal Ardiles, Tisu Paseo, Celana Carvil, Kemeja Cole
TABEL II
SELURUH FREQUENT HASIL ITERASI
Itemset Support
Kemeja Cole, Celana Carvil 30%
Kemeja Cole, Tas Ransel A-One 30%
Kemeja Cole, Sandal Ardiles 30%
Kemeja Cole, Susu Dancow 30%
Celana Carvil, Tas Ransel A-One 40%
Celana Carvil, Tisu Paseo 30%
Tas Ransel A-One, Sandal Ardiles 40%
Tisu Paseo, Susu Dancow 40%
TABEL III
HASIL PERHITUNGAN CONFIDENCE
Itemset Support Item Support Antecedent Confidence
Kemeja Cole => Sandal Ardiles 30 60 50%
Kemeja Cole=>Celana Carvil 30 60 50%
Kemeja Cole=> Tas Ransel A-One 30 60 50%
Kemeja Cole=>Susu Dancow 30 60 50%
Celana Carvil=> Tas Ransel A-One 40 50 80%
Celana Carvil=>Tisu Paseo 30 50 60%
Celana Carvil=>Kemeja Cole 30 50 60%
Tas Ransel A-One =>Sandal Ardiles 30 70 43%
Tas Ransel A-One =>Kemeja Cole 30 70 43%
Tas Ransel A-One =>Celana Carvil 40 70 57%
Sandal Ardiles=>Kemeja Cole 30 50 60%
Sandal Ardiles=> Tas Ransel A-One 40 50 80%
Tisu Paseo=>Celana Carvil 30 40 75%
Susu Dancow=>Kemeja Cole 30 40 75%
Tisu Paseo=>Susu Dancow 30 40 75%
Susu Dancow=>Tisu Paseo 30 40 75%
Minimum confidence adalah 70%, sehingga item- Python, hasil keluarannya dapat dilihat pada Gambar 4.
item di Tabel III yang memiliki nilai confidence kurang Dapat disimpulkan bahwa saat seorang pelanggan
dari 70% akan dihilangkan, sehingga hasilnya dapat melakukan pembelian produk Celana Carvil maka
dilihat di Tabel IV. Hasil pada Tabel IV memiliki enam kemungkinan untuk melakukan pembelian produk Tas
aturan asosiasi berdasarkan parameter yang telah Ransel A-One adalah sebesar 40%, dapat dilihat dari
ditentukan. Saat dilakukan pengujian pada program di nilai support menunjukkan nilai 0.400.
Penerapan Algoritma Apriori … | Adithama, S.P., Dewi, F.K.S., Hariyadi, E., 261 – 270 265
JUITA: Jurnal Informatika e-ISSN: 2579-8901; Volume 8, Nomor 2, November 2020
TABEL IV
HASIL ATURAN ASOSIASI
Itemset Support Item Support Antecedent Confidence
Celana Carvil=> Tas Ransel A-One 40 50 80%
Sandal Ardiles=> Tas Ransel A-One 40 50 80%
Tisu Paseo=>Celana Carvil 30 40 75%
Susu Dancow=>Kemeja Cole 30 40 75%
Tisu Paseo=>Susu Dancow 30 40 75%
Susu Dancow=>Tisu Paseo 30 40 75%
B. Implementasi Fuzzy Tsukamoto secara umum bentuk model Fuzzy Tsukamoto adalah
IF(X IS A) and (Y IS B) Then (Z IS C), dimana A, B,
Implementasi metode ini langsung diterapkan pada
dan C adalah himpunan fuzzy. Aturan yang berlaku
bahasa pemrograman PHP. Pada kasus ini penjualan
dalam kasus ini adalah:
berarti jumlah barang yang berhasil dijual kepada
pembeli, persediaan berarti jumlah barang yang saat ini [R1] If penjualan banyak dan persediaan turun, Then
ada di gudang, dan pembelian berarti jumlah pembelian pembelian banyak.
barang yang harus dibeli oleh pemilik toko pada bulan [R2] If penjualan sedikit dan persediaan naik, Then
berikutnya. Kedua variabel ini (penjualan dan persediaan pembelian sedikit.
barang) dipilih menjadi variabel input dalam model [R3] If penjualan banyak dan persediaan naik, Then
dalam penelitian ini karena di studi kasus yang diangkat, pembelian sedikit.
pemilik toko menggunakan kedua variabel ini sebagai [R4] If penjualan sedikit dan persediaan turun, Then
dasar untuk melakukan pembelian suatu barang. pembelian sedikit
Dikarenakan di studi kasus ini adalah sebuah toserba
maka ketika melakukan perhitungan satuan pengukuran Dalam kasus ini terdapat tiga variabel fuzzy yang akan
yang digunakan adalah satuan pengukuran terkecil. dimodelkan, dimana masing-masing nilai minimum dan
Sebagai contoh adalah produk susu yang mempunyai maksimum (nilai batas) dari grafik fungsi keanggotaan
satuan pengukuran terkecil adalah kardus/buah. Contoh diperoleh dari hasil wawancara terhadap pemilik toko
yang lain misalnya tas yang mempunyai satuan yang menjadi pengguna dalam sistem ini. Hal ini
pengukuran terkecil adalah buah. dilakukan karena pemilik toko mempunyai informasi
Diketahui data penjualan, pembelian dan persediaan mengenai jumlah minimum dan maksimum penjualan
untuk produk Susu Dancow pada bulan November tahun serta persediaan barang-barang yang ada di toserba.
2019 yaitu penjualan terbesar sebanyak 8 kardus/hari, a. Penjualan, terdiri dari dua himpunan yaitu banyak
penjualan terkecil sebanyak 0 kardus/hari, persediaan dan sedikit. Gambar 5 merupakan grafik fungsi
terbanyak sebesar 18 kardus/hari, persediaan terkecil keanggotaannya.
sebesar 3 kardus/hari, pembelian terbesar sebanyak 25
kardus/hari dan pembelian terkecil sebanyak 0
kardus/hari. Berapa jumlah pembelian Susu Dancow
untuk bulan Desember apabila persediaan saat ini
terdapat 15 kardus dan rerata penjualan pada bulan
November tahun 2019 adalah 3 kardus?
Proses fuzzifikasi adalah proses yang mengubah
masukan sistem yang mempunyai nilai tegas menjadi
variabel linguistik menggunakan fungsi keanggotaan Gambar 5. Fungsi keanggotaan variabel penjualan
yang disimpan di dalam basis pengetahuan fuzzy.
Pembentukan basis pengetahuan Fuzzy (Rule) yaitu
266 Penerapan Algoritma Apriori … | Adithama, S.P., Dewi, F.K.S., Hariyadi, E., 261 – 270
JUITA: Jurnal Informatika e-ISSN: 2579-8901; Volume 8, Nomor 2, November 2020
Nilai keanggotaan:
Gambar 7. Fungsi keanggotaan variabel pembelian
8−3
μPenjualanSedikit (3) = = 0.625 Fungsi keanggotaan (persamaan 5 dan 6):
8−0
1 Z≤0
3−0 25−Z
μPenjualanBanyak (3) = = 0.375 μPembelianSedikit (Z) = {25−0 0 < Z < 25 (5)
8−0 0 Z ≥ 25
1 Z≤0
b. Persediaan, terdiri dari dua himpunan yaitu naik dan Z−0
μPembelianBanyak (Z) = {25−0 0 < Z < 25 (6)
turun. Gambar 6 merupakan grafik fungsi
keanggotaannya. 0 Z ≥ 25
Fungsi keanggotaan (persamaan 3 dan 4): Inferensi yaitu proses dengan menggunakan fungsi
1 X≤0 aplikasi MIN untuk mendapatkan nilai α-predikat setiap
18−X
μPersediaanTurun (X) = {18−3 3 < X < 18 (3) rule (α1, α2, α3, α4,…,αn). Kemudian masing-masing nilai α-
0 X ≥ 18 predikat ini digunakan untuk menghitung keluaran hasil
0 X≤0 inferensi secara tegas (crisp). Masing-masing nilai rule
X−3 (z1, z2, z3, z4… zn).
μPersediaanNaik (X) = {18−3 3 < X < 18 (4)
[R1] If penjualan banyak dan persediaan turun, Then
1 X ≥ 18
Nilai keanggotaan: pembelian banyak
αpredikat1 = μPenjualanBanyak(3) ∩ μPersediaanTurun(15)
18 − 15 = min (0.625, 0.2) = 0.2
μPersediaanTurun (15) = = 0.2 Himpunan Pembelian Banyak = 5
18 − 3
[R2] If penjualan sedikit dan persediaan naik, Then
15 − 3 pembelian sedikit
μPersediaanNaik (15) = = 0.8 αpredikat2 = μPenjualanSedikit(3) ∩ μPersediaanNaik(15) =
18 − 3
min (0.625, 0.8) = 0.625
c. Pembelian, terdiri dari dua himpunan yaitu banyak Himpunan Pembelian Sedikit = 9.375
dan sedikit. Gambar 7 merupakan grafik fungsi [R3] If penjualan sedikit dan persediaan naik, Then
keanggotaannya. pembelian sedikit
αpredikat3 = μPenjualanBanyak(3) ∩ μPersediaanNaik(15) =
min (0.375, 0.8) = 0.375
Himpunan Pembelian Sedikit = 15.625
[R4] If penjualan sedikit dan persediaan turun, Then
pembelian sedikit
αpredikat4 = μPenjualanSedikit(3) ∩ μPersediaanTurun(15) =
min (0.625, 0.2) = 0.2
Himpunan Pembelian Sedikit = 20
Penerapan Algoritma Apriori … | Adithama, S.P., Dewi, F.K.S., Hariyadi, E., 261 – 270 267
JUITA: Jurnal Informatika e-ISSN: 2579-8901; Volume 8, Nomor 2, November 2020
268 Penerapan Algoritma Apriori … | Adithama, S.P., Dewi, F.K.S., Hariyadi, E., 261 – 270
JUITA: Jurnal Informatika e-ISSN: 2579-8901; Volume 8, Nomor 2, November 2020
Penerapan Algoritma Apriori … | Adithama, S.P., Dewi, F.K.S., Hariyadi, E., 261 – 270 269
JUITA: Jurnal Informatika e-ISSN: 2579-8901; Volume 8, Nomor 2, November 2020
neuro fuzzy inference system in demand forecasting for Applications to Predict Total Production of PKO (Palm
power engineering company,” Int. J. Ind. Syst. Eng., vol. Kernel Oil),” J. Phys. Conf. Ser., vol. 1339, no. 1, pp. 1–
18, no. 2, pp. 237–255, 2014. 10, 2019.
[23] Fajriana, Safwandi, and A. Pratama, “Implementasi [25] I. D. M. Widia, S. Rosalin, S. R. Asriningtias, and E.
Fuzzy Tsukamoto Dalam Penentuan Produksi Beras Di Sonalitha, “Pemilihan Pemasok dan Penentuan Jumlah
Kilang Padi Peumakmu Gampong Aceh Utara,” in Order Bahan Baku pada UMKM Batik Menggunakan
Konferensi Nasional Teknologi Informasi dan Fuzzy dan Analytical Hierarchy Process (AHP),” in
Aplikasinya, 2016, pp. 1–7. Seminar Nasional Sistem Informasi, 2019, no. September,
[24] D. Kartika, M. Pratiwi, and R. L. Gema, “Fuzzy Logic pp. 2045–2055.
270 Penerapan Algoritma Apriori … | Adithama, S.P., Dewi, F.K.S., Hariyadi, E., 261 – 270