Corresponding Author:
Azlina Mohd Kosnin
Faculty of Social Sciences and Humanities, School of Education, Universiti Teknologi Malaysia
Sultan Ibrahim Chancellery Building, Jalan Iman, 81310 Skudai, Johor, Malaysia
Email: p-azlina@utm.my
Toko Untari Jaya adalah salah satu toko sembako. Dimana T oko Usaha Sembako Untari Jaya adalah salah satu toko
sembako yang memanfaatkan sistem pendataan penjualan dengan sistem pembukuan tanpa adanya pengolahan lebih lanjut
dari data transaksi tersebut. Dimana toko usaha ini sudah melakukan banyak transaksi. Tentunya dalam mempermudah
melakukan pengelolaan penyediaan barang maka perlu diketahui produk apa saja dan itemset antar kaitan barangnya untuk
International Journal of Evaluation and Research in Education (IJERE)
Vol. 99, No. , September 2022,
ISSN: 2252-8822, DOI: 10.11591/ijere.v99i1.paperID 2
membantu menangani penyediaan barang yang dihadapi pemilik. Sembako dapat dibeli di toko sembako, supermarket atau
tempat penyedia sembako lainnya. Setiap hari akan terjadi transaksi penjualan dan pembelian sembako di tempat tersebut.
Oleh karena itu setiap toko atau supermarket harus memiliki sistem pengolahan data agar data transaksi tersebut dapat
digunakan dalam membuat laporan. Laporan dari data transaksi itu akan menghasilkan informasi yang berguna seperti
sembako apa saja yang paling sering dibeli atau sembako yang paling banyak terjual. Di toko banyak terjadi transaksi
penjualan dan pembelian sembako. Data transaksi akan terus bertambah setiap harinya dan di toko tersebut data transaksi
penjualan hanya disimpan sebagai arsip atau pembukuan dan tidak diketahui apa manfaat dari data-data tersebut untuk
selanjutnya. Salah satunya bisnis minimarket saat ini mengalami perkembangan pesat apalagi dengan menggunakan sistem
yang lebih modern memudahkan dalam penghitungan sehingga dapat menggimbagi kebutuhan masyarakat yang tinggi.
Minimarket menawarkan konsep recreational shopping atau wisata belanja yang tidak jauh dari rumah.
Untuk itu semakin bertambahnya jumlah data setiap harinya maka peran analisis secara manual perlu digantikan dengan
aplikasi berbasis komputer sehingga proses analisis dapat lebih mudah dan cepat. Dan juga dalam menentukan promosi yang
tepat, manajer perlu mengenali kondisi pasar dan selera konsumen. Dengan adanya data mining diharapkan dapat membantu
untuk menggali informasi yang terkandung di dalam data transaksi menjadi sebuah pengetahuan (knowledge) yang baru.
Sehingga pemilik usaha dapat membuat promo-promo barang secara bundling untuk meningkatan penjualan, serta
mengetahui barang-barang apa saja yang laku terjual pada periode tertentu.
Menganalisis pola penjualan untuk penataan barang yang memiliki keterkaitan itu penting agar konsumen dengan mudah
mencari barang- barang yang diperlukan. Penataan dengan mendekatkan barang yang memiliki keterkaitan juga
mempermudah untuk mengecek stok barang dan juga mempermudah dalam penambahan barang ketika stok barang
berkurang. Evaluasi penataan barang dapat diselesaikan dengan menggunakan sebuah algoritma. Sebuah algoritma dapat
digunakan untuk mengetahui pola penjualan untuk penataan barang yang saling berkaitan. Misalnya penjualan terbanyak
pada hari senin konsumen a membeli kopi dan gula, konsumen b membeli kopi dan garam, konsumen c membeli kopi dan
gula. Dari ketiga konsumen tersebut dapat diketahui keterkaitan antar produk jadi dalam penempatan barang kopi akan
didekatkan dengan gula. Maka dari itu data penjualan pada toko Jaya perlu dianalisis untuk mengetahui pola pembelian
barang dengan tujuan mengevaluasi penataan barang yang ada saat ini sehingga diharapkan bisa memberikan rekomendasi
penataan barang yang tepat untuk dijadikan sebagai salah satu cara untuk meningkatkan usaha.
Pembelian masyarakat terhadap barang-barang yang ada di Toko Jaya untuk meningkatkan rekomendasi yang tepat
sehingga akan menghasilkan usaha dengan keputusan yang tepat. Seiring dengan perkembangan teknologi ada satu metode
dalam satu cabang pengetahuan yang disebut data mining. Data mining sering disebut sebagai knowledge discovery in
database (KDD) yaitu kegiatan yang meliputi pengumpulan , historis untuk menemukan keteraturan, pola atau hubungan
dalam set data berukuran besar. Data mining digunakan untuk menggali nilai tambah berupa informasi yang tidak diketahui
secara manual dari suatu basis data. Pada proses data mining tahap yang dilakukan adalah data selection, preprocessing,
transformation, data mining dan evaluation. [3] Hasil dari proses data mining dapat digunakan sebagai evaluasi pengambilan
keputusan dimasa depan.
Salah satu bagian dari data mining adalah asosiasi. Asosiasi digunakan untuk melihat pola hubungan. Sebuah rule asosiasi
dikatakan interesting jika nilai support adalah lebih besar dari minimum support dan juga nilai confidence adalah lebih besar
dari minimum confidence. Di dalam algoritma yang ada pada data mining, algoritma yang sering digunakan adalah algoritma
apriori dan algoritma Frequent Pattern Growth (FP-Growth). Fp-Growth merupakan pengembangan dari algoritma apriori. [3]
Salah satu metode data mining yang digunakan dalam penelitian ini adalah association rule. Metode ini dimulai dengan
mencari frequent itemset dan dilanjutkan dengan pembentukan aturan-aturan asosiasi (association rules). Algoritma Frequent
Pattern Growth digunakan untuk menemukan sejumlah frequent itemset data-data transaksi.
Berdasarkan pemaparan di atas penulis mengambil tugas akhir dengan judul “Analisis Data Mining dengan Metode FP-
Growth pada Prediksi Pola Pembelian Konsumen pada Penjualan Sembako (Studi Kasus Toko Untari Jaya)”
2. METHOD PENELITIAN
Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan dan machine
learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari
basis data besar [6]. Data mining juga dapat diartikan sebagai bongkahan data besar dalam membantu pengambilan
keputusan. Data mining bertujuan untuk mendapatkan hubungan atau pola yang dapat memberikan indikasi-
indikasi bermanfaat. Peran data mining dalam bidang kehidupan sangat penting misalnya pada bidang industri,
cuaca, bidang keuangan, cuaca, ilmu dan teknologi.
Pada proses data mining biasa disebut dengan knowledge discovery in database (KDD). KDD merupakan
proses non-trivial secara keseluruhan dalam mengidentifikasi dan mencari pola (pattern) dalam data, dimana pola
yang digunakan bersifat sah, dapat dipahami dan dapat bermanfaat.
International Journal of Evaluation and Research in Education (IJERE)
Vol. 99, No. , September 2022,
ISSN: 2252-8822, DOI: 10.11591/ijere.v99i1.paperID 3
Menurut Fadlina (2014) dalam Junaidi dan Mary (2018) Association rule adalah teknik data mining untuk menemukan
aturan asosiatif antara suatu kombinasi item. Algoritma aturan asosiasi akan menggunakan data latih sesuai dengan
pengertian data mining untuk menghasilkan pengetahuan. Aturan asosiasi yang berbentuk “if…then…” atau “jika…
maka…” merupakan pengetahuan yang dihasilkan dari fungsi aturan asosiasi. Adapun tahapan aturan asosiasi yaitu :
a. Analisa pola frekuensi tinggi
Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database. Nilai support
sebuah item diperoleh dengan rumus berikut :
Total transaksi
b. Sedangkan nilai support dari tiga item diperoleh dari rumus berikut :
Jumlah transaksi
c. Pembentukan aturan assosiatif
Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang memenuhi syarat minimum
confidence. Nilai confidence dapat diperoleh dengan rumus sebagai berikut :
Jumlah transaksi mengandung A, B, dan C
𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 𝑃 (𝐶|𝐵|𝐴) =
Jumlah transaksi
International Journal of Evaluation and Research in Education (IJERE)
Vol. 99, No. , September 2022,
ISSN: 2252-8822, DOI: 10.11591/ijere.v99i1.paperID
4
Apabila Conditional FP-tree merupakan lintasan tunggal (single path), maka didapatkan frequent
itemset dengan melakukan kombinasi item untuk setiap conditional FP-tree. Jika bukan lintasan
tunggal, maka dilakukan pembangkitan FP-growth secara rekursif.
Dalam penelitian ini menerapkan Data Mining aturan asosiasi dengan algoritma FP-Growth dalam
menganalisa data penjualan spare part di TB-Damar untuk mendapatkan pola pelanggaran yang
terjadi.Untuk melakukan penggalian dari data transaksi penjualan spare part, penulis menggunakan
sebuah algoritma yang menjadi dasar dari algoritma-algoritma yang lain yaitu frequent pattern growth
(FP-Growth). Frekuensi kemunculan tiap item dari data transaksi dapat dilihat pada tabel dibawah ini.
Penelitian ini berdasarkan pada tahapan metode menggunakan KDD yang telah dijelaskan sebelumnya,
berikut ini adalah hasilnya:
1 . Data Selection
Pada tahapan data selection ini hanya satu item yang dibeli oleh pelanggan tidak dimasukkan ke
dalamdataset yang akan diolah nanti. Pada data transaksi, seperti pelanggan yang akan mengambil
barang namun membayar dahulu tetapi di kemudian hari tidak dimasukkan ke dalam dataset. Data
Selection ini menggunakan sebuah Tabel pengambilan data dari Bulan Januari dan Bulan Mei Tahun
2022.
Nomor Nama Produk Jumlah Barang Satuan Harga Satuan Jumlah Total
1 Aqua 1500 5 Dus Rp 53.850 Rp 269.250 Rp 269.250
2 Green Facial 6 Dus Rp 13.964 Rp 83.784 Rp 190.994
Jaya Rasa Udang 1 Kotak Rp 45.046 Rp 45.046
Jaya Plus Kentang 1 Kotak Rp 45.046 Rp 45.046
Antangin Syrup 1 Kotak Rp 8.559 Rp 8.559
3 Delux Choco Ring 6 Kotak Rp 53.249 Rp 319.763 Rp 526.013
Hatari Banana 5 Pcs Rp 13.750 Rp 68.750
Hatari Kelapa 5 Pcs Rp 13.750 Rp 68.750
Hatari Coklat 5 Karton Rp 13.750 Rp 68.750
4 Benecol Blckr 1 Dus Rp 34.224 Rp 34.224 Rp 136.896
Benecol Lychee 1 Dus Rp 34.224 Rp 34.224
Benecol Orange 1 Dus Rp 34.224 Rp 34.224
Benecol Stram 1 Dus Rp 34.224 Rp 34.224
5 Dancow Vanila 1 Dus Rp 467.982 Rp 467.982 Rp 1.465.784
Dancow ICoklat 1 Dus Rp 467.982 Rp 467.982
Bear Brand Milk 2 Karton Rp 264.910 Rp 529.820
6 Super See Hong 1 Karton Rp 216.000 Rp 216.000 Rp 216.000
7 Milkita Candy 1 Karton Rp 95.460 Rp 95.460 Rp 195.360
Milkita Coklat 1 Karton Rp 99.900 Rp 99900
2. Data Preprocessing
Pada tahapan preprocessing ini dilakukan proses integrasi data untuk menghubungkan
tabel data stok barang warung, selanjutnya dilakukan data cleaning untuk menghasilkan
dataset yang bersih sehingga dapat digunakan dalam tahap berikutnya yaitu data mining. Ada
beberapa processing sebagai berikut:
a. Pembersihan Data (Data Cleaning)
Pada tahapan data ini yang tidak relevan, missing value, dan redundant harus dibersihkan. Hal ini
dikarenakan data yang relevan, tidak missing value, dan tidak tidak redundant merupakan syarat awal
dalam melakukan data mining. Suatu data dikatakan missing value jika terdapat atribut kosong,
sedangkan data dikatakan redundant jika dalam dataset lebih dari satu record yang berisi nilai yang
sama, yang lebih memenuhi syarat berdasarkan data stok barang warung. Data dinyatakan missing value
yang berisi bila kolom pada atribut yang ada pada dataset yang kosong atau simbol “-“. Jika pada
atribut missing value yang terisi dengan simbol “-“ maka nilai nya harus diganti dengan angka nol. Oleh
karena itu pada datasets yang bersih, kolom yang terisi oleh simbol “-“ diubah menjadi angka nol. Bisa
dilihat pada Tabel 2.
Nomor Nama Produk Jumlah Barang Satuan Harga Satuan Jumlah Total
1 Aqua 1500 5 Dus Rp 53.850 Rp 269.250 Rp 269.250
2 Green Facial 6 Dus Rp 13.964 Rp 83.784 Rp 190.994
Jaya Rasa Udang 1 Kotak Rp 45.046 Rp 45.046
Jaya Plus Kentang 1 Kotak Rp 45.046 Rp 45.046
Antangin Syrup 1 Kotak Rp 8.559 Rp 8.559
3 Delux Choco Ring 6 Kotak Rp 53.249 Rp 319.763 Rp 526.013
Hatari Banana 5 Pcs Rp 13.750 Rp 68.750
Hatari Kelapa 5 Pcs Rp 13.750 Rp 68.750
Hatari Coklat 5 Karton Rp 13.750 Rp 68.750
4 Benecol Blckr 1 Dus Rp 34.224 Rp 34.224 Rp 136.896
Benecol Lychee 1 Dus Rp 34.224 Rp 34.224
Benecol Orange 1 Dus Rp 34.224 Rp 34.224
Benecol Stram 1 Dus Rp 34.224 Rp 34.224
5 Dancow Vanila 1 Dus Rp 467.982 Rp 467.982 Rp 1.465.784
Dancow ICoklat 1 Dus Rp 467.982 Rp 467.982
Bear Brand Milk 2 Karton Rp 264.910 Rp 529.820
6 Super See Hong 1 Karton Rp 216.000 Rp 216.000 Rp 216.000
7 Milkita Candy 1 Karton Rp 95.460 Rp 95.460 Rp 195.360
Milkita Coklat 1 Karton Rp 99.900 Rp 99900
In this section, it is explained the results of research and at the same time is given
the comprehensive discussion. Results can be presented in figures, graphs, tables and others that make
the reader understand easily [14], [15]. The discussion can be made in several sub-sections.
h
E v −E= ¿) (1)
2. m
All symbols that have been used in the equations should be defined in the following text.
4. CONCLUSION
Dari hasil pembahasan yang telah diperoleh, kesimpulan yang dapat diambil selama penelitian
sebagai berikut:
Int J Eval & Res Educ, Vol. 99, No. 1, Month 2099: 1-1x
3Int J Eval & Res Educ ISSN: 2252-8822
1. Data Mining dengan Algoritma FP-Growth dapat diimplementasikan dengan menggunakan database stok
barang warung karena dapat menemukan pola kombinasi itemsets. Sehingga nanti dapat membantu
mengembangkan strategi warung.
2. Algoritma FP-Growth dapat dimanfaatkan dalam proses penjualan, dengan memberikan hubungan antar
data penjualan, dalam hal ini adalah produk yang dibeli sehingga dapat memanfaatkan informasi tersebut
untuk mengambil tindakan bisnis yang sesuai, informasi ini dapat menjadi bahan pertimbangan untuk
menentukan strategi penjualan selanjutnya.
[1] Journal/Periodicals
Basic Format:
J. K. Author, “Title of paper,” Abbrev. Title of Journal/Periodical, vol. x, no. x, pp. xxx-xxx, Abbrev. Month, year, doi: xxx.
Examples:
M. M. Chiampi and L. L. Zilberti, “Induction of electric field in human bodies moving near MRI: An efficient BEM
computational procedure,” IEEE Trans. Biomed. Eng., vol. 58, pp. 2787–2793, Oct. 2011, doi: 10.1109/TBME.2011.2158315.
R. Fardel, M. Nagel, F. Nuesch, T. Lippert, and A. Wokaun, “Fabrication of organic light emitting diode pixels by laser-assisted
forward transfer,” Appl. Phys. Lett., vol. 91, no. 6, Aug. 2007, Art. no. 061103, doi: 10.1063/1.2759475.
[3] Book
Basic Format:
J. K. Author, “Title of chapter in the book,” in Title of His Published Book, X. Editor, Ed., xth ed. City of Publisher, State (only U.S.),
Country: Abbrev. of Publisher, year, ch. x, sec. x, pp. xxx–xxx.
Examples:
A. Taflove, Computational Electrodynamics: The Finite-Difference Time-Domain Method in Computational Electrodynamics II,
vol. 3, 2nd ed. Norwood, MA, USA: Artech House, 1996.
R. L. Myer, “Parametric oscillators and nonlinear materials,” in Nonlinear Optics, vol. 4, P. G. Harper and B. S. Wherret, Eds.,
San Francisco, CA, USA: Academic, 1977, pp. 47–160.
*In the reference list, however, list all the authors for up to six authors. Use et al. only if: 1) The names are not given and 2) List of
authors more than 6. Example: J. D. Bellamy et al., Computer Telephony Integration, New York: Wiley, 2010.
Paper’s should be the fewest possible that accurately describe … (First Author)
4 ISSN: 2252-8822
[4] G. Ocak and A. Yamaç, “Examination of the relationships between fifth graders’ self-regulated learning strategies, motivational
beliefs, attitudes, and achievement,” Educ. Sci. Theory Pract., vol. 13, no. 1, pp. 380–387, 2013.
[5] S. Li and J. Zheng, “The relationship between self-efficacy and self-regulated learning in one-to-one computing environment: The
mediated role of task values,” Asia-Pacific Educ. Res., vol. 27, no. 6, pp. 455–463, 2018, doi: 10.1007/s40299-018-0405-2.
[6] B. J. Zimmerman and A. R. Moylan, “Self-regulation: where metacognition and motivation intersect,” in D. J. Hacker, J.
Dunlosky, and A. C. Graesser, Eds., Handbook of Metacognition in Education, 2009, pp. 299–315.
[7] P. R. Pintrich, D. A. F. Smith, T. Duncan, and W. Mckeachie, A manual for the use of the motivated strategies for learning
questionnaire (MSLQ). Ann Arbor, Michigan, 1991.
[8] M. Pressley and C. B. McCormick, Advanced educational psychology for educators, researchers, and policymakers. New York,
USA: HarperCollins College Publishers, 1995.
[9] A. Bandura, Prentice-Hall series in social learning theory. Social foundations of thought and action: A social cognitive theory .
Prentice-Hall, Inc., 1985.
[10] A. L. Dent and A. C. Koenka, “The relation between self-regulated learning and academic achievement across childhood and
adolescence: a meta-analysis,” Educ. Psychol. Rev., vol. 28, no. 3, pp. 425–474, 2015, doi: 10.1007/s10648-015-9320-8.
[11] T. J. Cleary and A. Kitsantas, “Motivation and self-regulated learning influences on middle school mathematics achievement,”
School Psych. Rev., vol. 46, no. 1, pp. 88–107, 2017.
[12] P. R. Pintrich, “Chapter 14 - The Role of Goal Orientation in Self-Regulated Learning,” in in M. Boekaerts, P. Pintrich, M.
Zeidner, Eds., Handbook of Self-Regulation, San Diego, California: Academic Press, 2000, pp. 451–502.
[13] H. Vonkova and J. Hrabak, “The (in) comparability of ICT knowledge and skill self-assessments among upper secondary school
students: The use of the anchoring vignette method,” Comput. Educ., vol. 85, pp. 191–202, 2015, doi:
10.1016/j.compedu.2015.03.003.
[14] F. Baier, A.-T. Decker, T. Voss, T. Kleickmann, U. Klusmann, and M. Kunter, “What makes a good teacher? The relative
importance of mathematics teachers’ cognitive ability, personality, knowledge, beliefs, and motivation for instructional quality,”
Br. J. Educ. Psychol., vol. 89, no. 4, pp. 767–786, 2019, doi: 10.1111/bjep.12256.
[15] A. M. Flanagan, D. C. Cormier, and O. Bulut, “Achievement may be rooted in teacher expectations: examining the differential
influences of ethnicity, years of teaching, and classroom behaviour,” Soc. Psychol. Educ., vol. 23, pp. 1429–1448, 2020, doi:
10.1007/s11218-020-09590-y.
[16] F. M. van der Kleij, “Comparison of teacher and student perceptions of formative assessment feedback practices and association
with individual student characteristics,” Teach. Teach. Educ., vol. 85, no. 1, pp. 175–189, 2019.
[17] R. G. Brockett and R. Hiemstra, Self-direction in adult learning: Perspectives on theory, research, and practice. London and New
York: Routledge, 2020.
[18] R. Hiemstra and R. G. Brockett, “Reframing the Meaning of Self-Directed Learning: An Updated Modeltt,” in Adult Education
Research Conference Proceedings, 2012, pp. 155–161.
[19] S. Geng, K. M. Y. Law, and B. Niu, “Investigating self-directed learning and technology readiness in blending learning
environment,” Int. J. Educ. Technol. High. Educ., vol. 16, no. 17, pp. 1–22, 2019, doi: 10.1186/s41239-019-0147-0.
[20] J. R. Fraenkel, N. E. Wallen, and H. H. Hyun, How to design and evaluate research in education. New York, USA: McGraw-Hill,
2012.
[21] M. Honey and D. Marshall, “The impact of on-line muti-choice questions on undergraduate student nurses’ learning,” in
Proceedings of the 20th Annual Conference of the Australasian Society for Computers in Learning in Tertiary Education
(ASCILITE), 2003, pp. 236–243.
[22] R. A. Krueger and M. A. Casey, Focus groups: A practical guide for applied research. London: Sage Publications, Inc., 2015.
[23] J. W. Creswell and V. L. P. Clark, “Choosing a mixed methods design,” in Designing and Conducting Mixed Methods Research,
California: Sage Publications, Inc., 2011, pp. 53–106.
[24] E. H. Mahvelati, “Learners’ perceptions and performance under peer versus teacher corrective feedback conditions,” Stud. Educ.
Eval., vol. 70, 2021, doi: 10.1016/j.stueduc.2021.100995.
[25] K. Ismayilova and R. M.Klassen, “Research and teaching self-efficacy of university faculty: Relations with job satisfaction,” Int.
J. Educ. Res., vol. 98, pp. 55–66, 2019, doi: 10.1016/j.ijer.2019.08.012.
Int J Eval & Res Educ, Vol. 99, No. 1, Month 2099: 1-1x
5Int J Eval & Res Educ ISSN: 2252-8822
Azlina Mohd Kosnin received the Ph.D. degree in education from the
University of Newcastle, U.K. She has over 20 years of experience as an Academician with
the Universiti Teknologi Malaysia (UTM), where she is currently an Associate Professor
and the Chair of the School of Education, Faculty of Social Sciences and Humanities. Her
current research interest includes students’ learning and development at various levels and
areas of education. Her publication topics imcluding ecology, educational courses,
educational institutions, engineering education, natural resources, recycling, sustainable
development. She can be contacted at email: p-azlina@utm.my.
Paper’s should be the fewest possible that accurately describe … (First Author)