Strategi Penjualan Dengan Mengetahui Pola Pembelian Pelanggan Terhadap Data Penjualan Menggunakan Algoritma Apriori

Jurnal Informatika & Komputasi Vol.
17 - Nomor 1 - April 2023

ISSN: 1412-0232
STRATEGI PENJUALAN DENGAN MENGETAHUI POLA PEMBELIAN

PELANGGAN TERHADAP DATA PENJUALAN MENGGUNAKAN
ALGORITMA APRIORI
Rini Sulistiyowati1, Sonya Legis2,Dany Yudha Krisna3
Jurusan Sistem Informasi, Universitas Indonesia Membangun123
rini.sulistiyowati@inaba.ac.id1, sonya legis@gmail.com2, dani.yudha@inaba.ac.id3
ABSTRAK
Semakin banyaknya persaingan dalam dunia bisnis khususnya dalam industri penjualan,
menuntut para pelaku perusahaan untuk menemukan suatu strategi yang dapat meningkatkan penjualan
dan pemasaran produk yang dijual, salah satunya adalah dengan pemanfaatan data penjualan produk.
Data transaksi yang dimiliki sebuah toko atau swalayan setiap harinya pasti bertambah, namun sering
kali ditemukan fakta bahwa data transaksi tersebut disimpan begitu saja dan tidak dimanfaatkan. Hal
inilah terjadi pada Toko Sabar Collection, dimana data transaksi yang ada selama ini tidak digunakan
dengan baik, padahal kumpulan data transaksi tersebut, memiliki potensi informasi-informasi yang bisa
diolah untuk menghasilkan pengetahuan baru yang bermanfaat. Pengolahan data transaksi ini bisa
dilakukan dengan teknik data mining. Salah satu teknik pada data mining yang dapat digunakan adalah
dengan metode aturan asosiatif (association rule). Salah satu algoritma pengambilan data dengan aturan
asosiatif adalah algoritma Apriori. Algoritma ini berfungsi untuk menentukan hubungan asosiatif suatu
kombinasi item dan cocok diterapkan bila terdapat beberapa hubungan item yang ingin dianalisis.
Tujuan penelitian ini adalah menerapkan data mining pada data transaksi bulan Februari 2022 hingga
April 2022 yang ada di Toko Sabar Collection. Proses pengolahan data mining dilakukan menggunakan
aplikasi rapidminer dengan sampel berjumlah 97 data transaksi penjualan diperoleh hasil 12 rules
asosiasi, dengan aturan asosiasi yang memiliki nilai lift terbesar adalah aturan “Jika membeli Kaos
Pendek dan Kemeja Panjang, maka membeli Celana Jeans Panjang”, dan aturan “Jika membeli Kaos
pendek dan Gesper, maka membeli Celana Jeans Panjang” dengan nilai lift 2,66.
Kata Kunci: Algoritma Apriori, Aturan Asosiasi, Data Mining, Penjualan, Strategi.
ABSTRACK
Increasing competition in the business world, especially in the sales industry, requires
company actors to find a strategy that can increase sales and marketing of products sold, one of which
is by utilizing product sales data. Transaction data owned by a shop or supermarket must increase every
day, but it is often found that the transaction data is simply stored and not utilized. This is what
happened to Sabar Collection Store, where the existing transaction data has not been used properly,
even though the transaction data collection has the potential for information that can be processed to
produce useful new knowledge. This transaction data processing can be done with data mining
techniques. One technique in data mining that can be used is the associative rule method. One of the
data collection algorithms with associative rules is the Apriori algorithm. This algorithm serves to
determine the associative relationship of a combination of items and is suitable to be applied when there
are several item relationships to be analyzed. The purpose of this research is to apply data mining to
transaction data from February 2022 to April 2022 at Sabar Collection Store. The data mining
processing process is carried out using the rapidminer application with a sample of 97 sales transaction
data obtained from 12 association rules, with the association rules that have the greatest lift value being
the rule "If you buy a Short T-shirt and a Long Shirt, then buy Long Jeans", and the rule " If you buy
short T-shirts and buckles, then buy long jeans with a lift value of 2.66.
Rini Sulistiyowati,Sonya Legis,Dany Yudha Krisna

12 Prodi Sistem Informasi, Universitas Inaba,Jakarta
Jurnal Informatika & Komputasi Vol. 17 - Nomor 1 - April 2023
ISSN: 1412-0232
Keywords: Apriori Algorithm, Association Rules, Data Mining, Sales, Strategy.
I. PENDAHULUAN
Perkembangan ekonomi yang menempatkan produk yang sering
semakin pesat di Indonesia membuat dibeli ke dalam sebuah area yang
persaingan antar perusahaan semakin berdekatan, merancang tampilan
ketat. Semakin banyaknya persaingan produk di katalog, merancang kupon
dalam dunia bisnis khususnya dalam diskon bagi pelanggan yang membeli
industri penjualan, menuntut para produk tertentu, merancang penjualan
pelaku perusahaan untuk menemukan paket produk, dan sebagainya.
suatu strategi yang dapat meningkatkan (Anggraeni et al., 2013). Tentunya hal
penjualan dan pemasaran produk yang tersebut membuat atau menemukan
dijual, salah satunya adalah dengan pengetahuan baru bagi pelaku
pemanfaatan data penjualan produk. perusahaan, sehingga mereka dapat
Dengan adanya kegiatan penjualan memanfaatkan keuntungan yang lebih
setiap hari, data semakin lama akan dari analisis pola tersebut.
semakin bertambah banyak. Data Untuk menemukan pola tersebut
tersebut tidak hanya berfungsi sebagai dalam suatu dataset dapat
arsip bagi perusahaan, data tersebut menggunakan nilai minimum support
dapat dimanfaatkan dan diolah menjadi dan nilai confidence. Nilai minimum
informasi yang berguna untuk support digunakan untuk menentukan
peningkatan penjualan dan promosi Frequent Itemset, sedangkan nilai
produk. Cara untuk mendapatkan confidence digunakan untuk
informasi berharga dari data transaksi menentukan Strong Association Rule.
adalah dengan menggunakan metode Algoritma apriori dapat digunakan
data mining. pada data transaksi sehingga algoritma
Salah satu metode data mining ini sangat cocok untuk diterapkan bila
adalah aturan asosiasi dengan terdapat beberapa hubungan item yang
melakukan analisis suatu transaksi ingin dianalisis. Dalam penggunaan
penjualan. Analisis transaksi penjualan algoritma apriori ini dapat memberikan
bertujuan untuk merancang strategi pengetahuan bagi pengguna, dan hasil
penjualan atau pemasaran yang efektif analisis asosiasi ini dapat digunakan
dengan memanfaatkan data transaksi untuk mengetahui produk mana yang
penjualan yang telah tersedia di laku terjual secara bersamaan.
perusahaan. Selain itu, penggunaan Sehingga akan terlihat produk mana
teknik analisis ini juga dapat yang memiliki minat tinggi untuk
menemukan pola berupa produk- dibeli dan produk yang memiliki minat
produk yang sering dibeli bersamaan rendah untuk dibeli.
atau produk yang cenderung muncul Toko Sabar Collection merupakan
bersama dalam sebuah transaksi dari salah satu toko yang menjual berbagai
data transaksi yang pada umumnya jenis pakaian dan perlengkapan pria,
berukuran besar. Perusahaan lalu dapat seperti pakaian dalam, kaos import,
menggunakan pola ini untuk kemeja, celana jeans, sweater, ikat
Prodi Sistem Informasi, Universitas Inaba,Jakarta
13
ISSN: 1412-0232
pinggang, jaket, topi, dompet, dan guna meningkatkan penjualan pada

lainnya. Dalam melakukan transaksi Toko Sabar Collection yang menurun.
penjualan tersebut, Toko Sabar Dalam menyusun strategi penjualan,
Collection masih menggunakan cara peneliti memanfaatkan data transaksi
manual, dimana semua data transaksi penjualan di bulan Februari hingga
dicatat dalam sebuah buku penjualan. April 2022 untuk diolah kembali
menggunakan teknik data mining.
Menurut Billyam Anugerah yang Berdasarkan beberapa algoritma data
merupakan pemilik dari Toko Sabar mining, peneliti memutuskan untuk
Collection, semenjak tahun 2022 menggunakan algoritma apriori, karena
tepatnya dari bulan Juli hingga menurut Robby Takdirillah algoritma
September Toko Sabar Collection apriori memiliki aturan-aturan asosiasi
mengalami penurunan jumlah transaksi dengan tingkat kekuatan yang lebih
penjualan dibandingkan pada awal- tinggi dibandingkan dengan yang
awal bulan tahun 2022. Hal ini dihasilkan oleh algoritma FP-Growth,
dikarenakan pada Toko Sabar namun waktu eksekusi dengan
Collection belum memanfaatkan sama menggunakan apriori lebih lama
sekali data transaksi yang ada dan dibandingkan dengan FP-Growth.
masih menggunakan cara konvensional
untuk mengetahui minat konsumen Berdasarkan uraian diatas, maka
dalam membeli barang. Selain itu penulis sangat tertarik untuk
dalam persediaan stok barang, masih melakukan penelitian dan menjadikan
dijumpai beberapa barang yang sudah sebagai bahan laporan tugas akhir
berubah warnanya menjadi kusam. Hal semester dan mengambil judul berupa
ini dikarenakan kurangnya minat “Strategi Penjualan Dengan
pembeli terhadap barang tersebut, dan Mengetahui Pola Pembelian
juga tidak sesuainya perhitungan saat Pelanggan Terhadap Data Penjualan
pengambilan barang dari distributor, Menggunakan Algoritma Apriori
sehingga mengakibatkan terjadinya (Study Kasus: Toko Sabar
penumpukan barang yang cukup Collection)”.
signifikan.
II. KAJIAN TEORI
Dari beberapa masalah tersebut,
maka diperlukan sebuah pengetahuan A. Data Mining
dari data transaksi yang ada, dengan
Data mining adalah
harapan agar data tersebut mampu
penambangan atau penemuan
menghasilkan informasi-informasi
informasi baru dengan mencari pola
yang bermanfaat dan dapat digunakan
atau aturan tertentu dari sejumlah data
untuk meningkatkan minat beli
yang sangat besar (Riskiono & Pasha,
konsumen serta menerapkan strategi
2020). Data mining juga disebut
penjualan yang lebih baik.
sebagai serangkaian proses untuk
menggali nilai tambah berupa
Dari permasalahan yang terjadi,
pengetahuan yang selama ini tidak
peneliti bersama pihak Toko Sabar
diketahui secara manual dari suatu
Collection mengusulkan untuk
kumpulan data (Darwis et al., 2020).
menyusun sebuah strategi penjualan
ISSN: 1412-0232
B. Knowledge Discovery In yang sudah ada dengan data atau

Database (KDD) informasi lain yang relevan dan
diperlukan untuk KDD, seperti
Knowledge Discovery in
data atau informasi eksternal.
Database (KDD) merupakan proses
analisis yang dilakukan secara 3. Transformasi (Transformation)
terstruktur untuk memperoleh Pada fase ini yang dilakukan
informasi yang benar, baru, bermanfaat adalah mentransformasi bentuk
dan menemukan pola dari data yang data yang belum memiliki entitas
besar dan komplek (Zanuardi & yang jelas ke dalam bentuk data
Suprayitno, 2018). yang valid atau siap untuk
dilakukan proses Data Mining.
4. Data Mining
Pada fase ini yang dilakukan
adalah menerapkan algoritma atau
metode pencarian pengetahuan.
5. Interpretasi/Evaluasi
Pada fase terakhir ini yang
dilakukan adalah proses
pembentukan keluaran yang
Gambar 2.1 Tahap-Tahap mudah dimengerti yang bersumber
Knowledge Discovery Database pada proses Data Mining Pola
(KDD) informasi.
C. Association Rule
Pada proses Knowledge
Discovery Database (KDD) terdapat Association rules dalam market
beberapa fase yaitu sebagai berikut basket analysis merupakan proses
(Rahmawati and Merlina, 2018): algoritma asosiasi yang bekerja
1. Seleksi Data (Selection) menemukan keterkaitan atau hubungan
Sebelum tahap penggalian antar barang dalam satu transaksi.
informasi dalam KDD perlu Contohnya untuk mencari seberapa
dilakukan pemilihan data dari besar kemungkinan dibelinya bedak
sekumpulan data. Yang digunakan dan lipstik dalam waktu bersamaan
untuk proses data. (Rumahorbo & Arnomo, 2020).
2. Pemilihan Data Terdapat metodologi dasar
(Preprocessing/Cleaning) analisis asosiasi adalah sebagai berikut:
Proses Preprocessing (Elisa, 2018)
mencakup antara lain membuang
duplikasi data, memeriksa data a. Analisis Pola Frekuensi Tinggi
yang inkonsisten, dan Pada tahap ini
memperbaiki kesalahan pada data, mendapatkan gabungan item
seperti kesalahan cetak (tipografi). yang syarat minimum dari nilai
Juga dilakukan proses enrichment, support terpenuhi dalam
yaitu proses “memperkaya” data database. Nilai support sebuah
15
ISSN: 1412-0232
item diperoleh dengan rumus itemset yang kurang dari

berikut: minimum confidence.
c. Menentukan Lift/Improvement
Rasio
Lift Ratio adalah parameter
Rumus 2.1 Support Itemset-1 penting selain support dan
confidence dalam Association
Sedangkan nilai support dari 2 Rule. Lift Ratio mengukur
item diperoleh dari rumus seberapa penting rule yang
berikut. telah terbentuk berdasarkan
nilai support dan confidence.
Lift ratio merupakan nilai yang
menunjukkan kevalidan proses
transaksi dan memberikan
Rumus 2.2 Support Itemset-2 informasi apakah benar item
dibeli bersamaan dengan item
Untuk mencari nilai support lainnya. Cara kerja metode ini
dari 3 item diperoleh dari rumus adalah membagi confidence
berikut. dengan expected confidence.
Confidence dapat dihitung
dengan rumus sebelumnya:
Rumus 2.3 Support Itemset-3

Antecedent merupakan
b. Pembentukan Aturan Asosiasi sebab yang menjadikan item
Setelah semua frekuensi consequent. Sedangkan
tinggi ditemukan, selanjutnya Consequent adalah sebuah
mencari aturan asosiasi yang akibat atau juga item yang akan
memenuhi syarat minimum dibeli setelah membeli
untuk confidence dengan Antecedent. Nilai dari expected
menghitung confidence aturan confidence dapat dihitung
asosiasi A ke B. Nilai dengan rumus:
confidence dari aturan A ke B
diperoleh dengan rumus
berikut: Rumus 2.5 Nilai Expected
Confidence
Lift/Improvement Ratio dapat
dihitung dengan Rumus:
Rumus 2.4 Nilai Confidence
Setelah perhitungan rumus

diatas, selanjutnya menentukan
nilai minimum confidence, lalu Rumus 2.6 Nilai Lift Ratio
hilangkan atau eliminasi
ISSN: 1412-0232
Ukuran Lift Rasio berada Analysis untuk mencari aturan-aturan

kisaran nilai 0 dan tak hingga. asosiasi yang memenuhi batas
Adapun keterangannya adalah minimum support dan minimum
sebagai berikut: confidence (Kusrini & Luthfi, 2009).
1. Jika Lift = 1, maka antara Algoritma ini ditujukan untuk mencari
item A dan B saling kombinasi itemset yang mempunyai
independen. Sehingga suatu nilai keseringan tertentu sesuai
tidak ada hubungan kriteria atau filter yang diinginkan
keeratan antara A dan B. (Kusrini & Luthfi, 2009).
2. Jika Lift > 1, maka antara
Nilai minimum support dan nilai
item A dan B memiliki
minimum confidence ditentukan untuk
hubungan keeratan positif,
melihat batas bawah hasil yang akan
dimana B bergantung
dipilih. Nilai minimum support dan
positif terhadap A.
nilai minimum confidence ditentukan
3. Jika Lift < 1, maka antara oleh peneliti sesuai dengan data yang
item A dan B memiliki diolah. Semakin tinggi nilai minimum
hubungan keeratan negatif, support dan nilai minimum confidence,
dimana B bergantung maka jumlah rule yang dihasilkan
negatif terhadap A. semakin sedikit (Istrat & Lalic, 2017).
Nilai lift yang baik ketika Algoritma ini dimulai dengan
nila lift > 1. Maka pada nilai ini menemukan frekuensi itemset yang
proses transaksi dikatakan valid hanya beranggotakan 1-item, kemudian
karena keadaan keeratan antar dilanjutkan dengan 2-item hingga k-
item saling positif. Nilai Lift item (Singh & Ram, 2013).
rasio lebih besar dari 1 akan
menunjukkan adanya manfaat III. METODOLOGI
dari aturan ini. Lebih tinggi PENELITIAN
nilai Lift rasio, lebih besar Penelitian ini menggunakan
kekuatan asosiasinya (Santosa, metode analisis deskriptif dan proses
2007). pendekatan kuantitatif yang mana pada
Ketiga ukuran ini nantinya penelitian ini memiliki penekanan pada
berguna dalam menentukan interesting data numerik atau angka dan hasil
Association Rules, yaitu untuk datanya ditampilkan dengan
dibandingkan dengan batasan perhitungan persentase.
(threshold) yang ditentukan oleh user.
A. Desain Penelitian
Batasan tersebut umumnya terdiri dari
minimum support dan minimum Dalam desain penelitian, peneliti
confidence. memaparkan hasil desain penelitian
yang telah dibuat dengan cara yang
D. Algoritma Apriori
terstruktur agar dapat diambil sebagai
Algoritma apriori adalah salah acuan untuk melakukan peneliti dan
satu algoritma yang dapat digunakan membantu peneliti pada saat proses
pada penerapan Market Basket penelitian, desain penelitian juga
17
ISSN: 1412-0232
sangat berperan penting sebagai Pada tahapan ini penulis

pedoman bagi peneliti mengolah data-data yang sudah
dikumpulkan pada tahapan
sebelumnya. Pengolahan data
tersebut dilakukan secara
bertahap dan berurutan sesuai
dengan tahapan-tahapan pada
proses KDD.
5. Hasil dan Pembahasan
Pada tahapan ini penulis
memaparkan hasil analisis data
yang telah diolah pada proses
pengolahan data.
6. Kesimpulan dan Saran
Gambar 3.1 Desain Penelitian Pada tahapan ini penulis
menyampaikan kesimpulan dan
Penjelasan yang dapat dijabarkan juga saran terkait hasil dari
dari desain penelitian diatas, yaitu: penelitian yang telah dilakukan.
1. Persiapan
Pada tahapan ini penulis
melakukan persiapan dengan B. Metode Pengumpulan Data
mengidentifikasi permasalahan
yang dialami oleh Toko Sabar Pada penelitian ini metode
Collection. pengumpulan data yang digunakan,
yaitu:
2. Tinjauan Kepustakaan
Pada tahapan ini penulis 1. Observasi. Dalam penelitian ini,
mengumpulkan jurnal-jurnal penulis melakukan pengamatan
atau sumber lainnya yang akan secara langsung pada data
dijadikan rujukan dalam transaksi penjualan di Toko Sabar
penelitian yang dilakukan. Collection.
3. Pengumpulan Data 2. Wawancara. Dilakukan dengan
pihak terkait yakni pemilik Toko
Pada tahapan ini penulis Sabar Collection sehingga didapat
melakukan pengumpulan data- permasalahan yang terjadi selama
data yang dibutuhkan sebagai ini.
objek penelitian. Pengumpulan
3. Studi kepustakaan dengan
data dilakukan dengan
membaca jurnal-jurnal yang
melakukan observasi secara
terkait.
langsung ke tempat penelitian
dan wawancara terhadap C. Metode Analisis Data
pemilik Toko Sabar Collection. Metode pengolahan data yang
Data yang diberikan berupa dilakukan dalam penelitian ini, yaitu
data transaksi penjualan untuk mengikuti pengolahan data mining
diolah. yang ada pada Knowledge Discovery
4. Pengolahan Data Mining in Database (KDD), agar diperoleh
ISSN: 1412-0232
hasil informasi yang sesuai dengan Semua atribut yang ada

urutannya. Tahapan-tahapannya pada data penjualan diantaranya
sebagai berikut: field Nama Barang, Kategori
Barang, Kuantiti, Harga Satuan,
1. Seleksi Data (Data Selection)
No. Transaksi, Tanggal, dan
Tahapan ini merupakan
Jumlah.
langkah awal dalam melakukan
pemilihan data mentah pada 2. Preprocessing/Cleaning Data
data transaksi penjualan yang Selanjutnya adalah
diperoleh dari Toko Sabar melakukan preprocessing data
Collection, yang akan pada data yang sudah terpilih
digunakan dalam proses data sebelumnya. Data transaksi
mining. Sumber data yang penjualan yang telah
digunakan dalam penelitian ini didapatkan akan dibersihkan
berasal dari data transaksi dari atribut yang tidak
penjualan dari bulan Februari diperlukan untuk proses mining
hingga April 2022 yang dan memperbaiki data yang
berjumlah 3.200 transaksi, dan duplikat. Atribut yang akan
yang dijadikan sampel pada digunakan untuk proses mining
penelitian ini berjumlah 97 data adalah atribut No. Transaksi,
transaksi yang dipilih secara dan Kategori Barang, maka
acak. selain dari itu akan dibersihkan.
Pada penelitian ini hanya Sehingga data set yang
menggunakan data-data yang dihasilkan pada tahap ini
memiliki setidaknya 2 jenis terlihat pada gambar di bawah
barang per transaksi penjualan, ini.
artinya jika ada transaksi yang
hanya berjumlah 1 jenis barang
yaitu orang yang membeli
hanya 1 item barang, maka
tidak akan diproses. Berikut
sampel data transaksi penjualan
yang didapat seperti terlihat
pada Gambar 3.2.
Gambar 3.3 Daftar Transaksi

Tahap Preprocesing/Cleaning
Data
3. Transformation
Data yang telah
dibersihkan dan diperbaiki pada
Gambar 3. 2 Sampel Data penelitian ini akan
Transaksi Penjualan ditransformasikan ke dalam file
19
ISSN: 1412-0232
terpisah dengan format Excel memenuhi syarat minimum

(.xls) dalam bentuk format nilai confidence.
tabular, sehingga data tersebut
layak dan siap untuk dilakukan
proses mining. 5. Interpretation/Evaluation
Setelah medapatkan pola
penjualan dari proses data
mining, tahapan berikutnya
ialah tahapan
Interpretation/Evaluation.
Tahapan ini merupakan bagian
dari proses KDD yang
mencakup pemeriksaan apakah
Gambar 3.4 Daftar Transaksi pola atau informasi yang
Dalam Bentuk Format ditemukan dalam proses data
Tabular mining sesuai dengan hipotesis
yang ada sebelumnya. Pola
4. Data Mining informasi yang dihasilkan dari
Pada tahap ini, data yang proses data mining perlu
sudah siap diolah akan ditampilkan dalam bentuk yang
dilakukan proses data mining mudah oleh pihak yang
yaitu proses pencarian pola berkepentingan. Dalam metode
menggunakan algoritma apriori Association Rule, pola atau
dengan menggunakan aplikasi informasi yang dihasilkan dari
Rapidminer. Hasil dari tahapan proses data mining adalah
ini adalah pola pembelian berupa rules yang didapat dari
konsumen yang akan menjadi perhitungan algoritma apriori.
acuan untuk proses selanjutnya
yaitu pada proses
interpretation/evaluation. IV. HASIL DAN PEMBAHASAN
Adapun tahapan
pengerjaan metode algoritma A. Implementasi Menggunakan
dalam penelitian ini adalah RapidMiner
sebagai berikut:
a. Analisis pola frekuensi Di bawah ini merupakan
tinggi langkah-langkah kerja
Mencari kombinasi pengimplementasian data mining
antar item yang memenuhi menggunakan RapidMiner, yaitu
syarat minimum nilai sebagai berikut:
support. 1. Import Data ke RapidMiner
b. Pembentukan aturan Pada tahap ini yang
asosiasi dilakukan adalah mempersiapkan
Setelah menemukan data yang akan diolah, yaitu data
pola frekuensi tinggi, dicari transaksi penjualan dari bulan
association rules yang Februari hingga April 2022.
ISSN: 1412-0232
Untuk pembuatan data format digunakan seperti pada gambar

tabular menggunakan Microsoft berikut ini.
Excel. Kemudian lakukan
Importing tabel Microsoft Excel
yang telah dibuat ke dalam Local
Repository, seperti pada gambar
di bawah ini:
Gambar 4. 2 Susunan Operator
Untuk Algoritma Apriori
Dalam pengujian algoritma
apriori menggunakan nilai
minimum support dan confidence
yang telah ditentukan.
Pengaturan nilai minimum
support terdapat pada operator
FP-Growth. Cara untuk
memasukkan nilai minimum
support yaitu, dengan mengklik
Gambar 4.1 Importing Data
Kedalam Repository
2. Susunan Operator Algoritma

Apriori
Pada tahap ini yang
dilakukan adalah drag and drop
tabel Data Form Tabular ke
dalam process. Sehingga
operator database muncul
dalam main process.
Selanjutnya, masukkan
operator-operator yang akan
digunakan dengan cara drag and Gambar 4.3 Parameter FP-
drop ke dalam area process. Growth
Operator yang digunakan antara
lain: Numerical to Binominal, operator FP-Growth, kemudian
FP-Growth, dan Create isi nilai minimum support pada
Assotiation Rule. Kemudian kolom min support. Dalam
hubungkan database dengan penelitian ini peneliti
operator Numerical to menentukan nilai minimum
Binominal, lalu hubungkan support 30% (0,3) seperti pada
juga setiap operator sampai gambar dibawah ini.
result. Sehingga tampilan
susunan operator yang
21
ISSN: 1412-0232
Kemudian untuk mengatur bawah ini.

nilai minimum confidence
terdapat pada operator Create
Association Rule. Cara untuk
memasukkan nilai minimum
confidence yaitu, dengan
mengklik operator Create
Association Rule, kemudian isi
nilai minimum confidence pada
kolom min confidence. Dalam
penelitian ini peneliti
menentukan nilai minimum
confidence 80% (0,8) seperti Gambar 4.5 Pembentukan
pada gambar dibawah ini. Kombinasi Itemset Dengan
Nilai Minimum Support 30%
Pada gambar 4.5 di atas,

item dengan nilai support
tertinggi adalah Kaos Pendek, ini
berarti dari data penjualan selama
bulan Februari hingga April
tahun 2022, item inilah yang
paling banyak dibeli oleh
konsumen. Item selanjutnya yang
juga memiliki nilai support
tertinggi berikutnya adalah
Gesper, Kemeja Panjang, Celana
Jeans Panjang, Kaos Import, dan
Gambar 4.4 Parameter
seterusnya. Dari nilai minimum
Create Association Rule
support yang ditentukan yaitu
30%, jumlah itemset yang
terbentuk sampai dengan 3
itemset, dimana kombinasi
3. Hasil Algoritma Apriori
barang pada 3 itemset terbentuk 2
Tahap ini adalah tahap terakhir rule, yaitu:
dari proses data mining RapidMiner 1. Kaos Pendek, Gesper, dan
dimana setelah semua operator Celana Jeans Panjang
terhubung kemudian klik icon play, dengan nilai support dari
maka akan tampil hasil pengujian dari itemset ini adalah 0,299,
setiap kombinasi nilai minimum sehingga dibulatkan menjadi
support dan nilai minimum 0,3 yang berarti terdapat
confidence terhadap 97 data transaksi sekitar 30% dari keseluruhan
penjualan di Toko Sabar Collection. transaksi yang mengandung
Pembentukan itemset dan rules yang ketiga item tersebut dalam
dihasilkan bisa dilihat pada gambar di satu transaksi.
ISSN: 1412-0232
2. Kaos Pendek, Kemeja mewakili 85,29% dari

Panjang, dan Celana Jeans sampel data transaksi yang
Panjang dengan nilai support ada”.
dari itemset ini adalah 0,299, 2. Aturan 2: “Jika seorang
sehingga dibulatkan menjadi pelanggan membeli Celana
0,3 yang berarti terdapat Jeans Panjang, maka
sekitar 30% dari keseluruhan dengan kemungkinan
transaksi yang mengandung 35,05% ia akan membeli
ketiga item tersebut dalam Kaos Pendek juga. Hal ini
satu transaksi. cukup signifikan karena
mewakili 91,89% dari
Untuk hasil pembentukan
sampel data transaksi yang
aturan asosiasi yang memenuhi
ada”.
nilai confidence 80% bisa
dilihat pada gambar 4.6 berikut 3. Aturan 3: “Jika seorang
ini. pelanggan membeli Kaos
Kerah, maka dengan
kemungkinan 30,93% ia
akan membeli Celana Jeans
Pendek juga. Hal ini cukup
signifikan karena mewakili
88,24% dari sampel data
transaksi yang ada”.
4. Aturan 4: “Jika seorang
pelanggan membeli Celana
Jeans pendek, maka dengan
Gambar 4.6 Hasil kemungkinan 30,93% ia
Pembentukan Rules Dengan akan membeli Kaos Kerah
Nilai Minimum Confidence juga. Hal ini cukup
80% signifikan karena mewakili
90,91% dari sampel data
Dari gambar di atas, transaksi yang ada”.
pembentukan aturan asosiasi 5. Aturan 5: “Jika seorang
atau rules yang dihasilkan pelanggan membeli Celana
dengan nilai minimum Jeans Panjang, maka
confidence 30% dan nilai dengan kemungkinan
minimum confidence 80% 31,96% ia akan membeli
adalah sebanyak 12 rules, yaitu: Kemeja Panjang juga. Hal
1. Aturan 1: “Jika seorang ini cukup signifikan karena
pelanggan membeli Kaos mewakili 83,78% dari
Pendek dan Celana Jeans sampel data transaksi yang
Panjang, maka dengan ada”.
kemungkinan 30% ia akan 6. Aturan 6: “Jika seorang
membeli Gesper juga. Hal pelanggan membeli Kemeja
ini cukup signifikan karena Panjang, maka dengan
23
ISSN: 1412-0232
kemungkinan 31,96% ia Jeans Panjang dan Kemeja

akan membeli Celana Jeans Panjang, maka dengan
Panjang juga. Hal ini cukup kemungkinan 30% ia akan
signifikan karena mewakili membeli Kaos Pendek juga.
81,58% dari sampel data Hal ini cukup signifikan
transaksi yang ada”. karena mewakili 93,55%
7. Aturan 7: “Jika seorang dari sampel data transaksi
pelanggan membeli Celana yang ada”.
Jeans Panjang, maka 12. Aturan 12: “Jika seorang
dengan kemungkinan pelanggan membeli Kaos
30,92% ia akan membeli Pendek dan Celana Jeans
Gesper juga. Hal ini cukup Panjang, maka dengan
signifikan karena mewakili kemungkinan 30% ia akan
81,08% dari sampel data membeli Kemeja Panjang
transaksi yang ada”. juga. Hal ini cukup
8. Aturan 8: “Jika seorang signifikan karena mewakili
pelanggan membeli Kaos 85,29% dari sampel data
Pendek dan Kemeja transaksi yang ada”.
Panjang, maka dengan
kemungkinan 30% ia akan
membeli Celana Jeans Salah satu rules yang
Panjang juga. Hal ini cukup memiliki nilai confidence
signifikan karena mewakili tertinggi adalah, jika membeli
100% dari sampel data Kaos Pendek dan gesper, maka
transaksi yang ada”. akan membeli Celana Jeans
9. Aturan 9: “Jika seorang Panjang, dengan nilai confidence
pelanggan membeli Kaos 1, yang berarti setiap konsumen
Pendek dan Gesper, maka yang membeli item Kaos Pendek
dengan kemungkinan 30% dan Gesper, juga membeli item
ia akan membeli Celana Celana Jeans Panjang dengan
Jeans Panjang juga. Hal ini nilai kepastian sebesar 100%.
cukup signifikan karena Pengujian aturan asosiatif
mewakili 100% dari sampel yang telah terbentuk diuji dengan
data transaksi yang ada”. menggunakan lift rasio.
10. Aturan 10: “Jika seorang Pengujian dilakukan dengan
pelanggan membeli Celana tujuan memastikan ke-12 aturan
Jeans Panjang dan Gesper, asosiatif yang terbentuk apakah
maka dengan kemungkinan layak untuk dijadikan informasi
30% ia akan membeli Kaos penunjang strategi penjualan.
Pendek juga. Hal ini cukup Dari ke-12 aturan asosiatif
signifikan karena mewakili tersebut setelah diuji semuanya
96,67% dari sampel data memiliki nilai lift yang
transaksi yang ada”. memenuhi standar kelayakan,
11. Aturan 11: “Jika seorang dan bisa dikatakan bahwa ke-12
pelanggan membeli Celana aturan asosiatif tersebut
ISSN: 1412-0232
mempunyai keterkaitan antar asosiasi tersebut sudah layak

satu item dengan item yang lain. untuk digunakan sebagai
Dari ke-12 aturan asosiatif penunjang informasi dalam
tersebut, aturan asosiatif yang strategi penjualan.
memiliki nilai lift terbesar adalah
aturan “Jika membeli Kaos B. Rekomendasi Hasil Penelitian
Pendek dan Kemeja Panjang,
maka membeli Celana Jeans Rekomendasi hasil penelitian
Panjang”, dan aturan “Jika adalah pendapat peneliti yang telah
membeli Kaos pendek dan dipertimbangkan berdasarkan
Gesper, maka membeli Celana temuan-temuan hasil penelitian.
Jeans Panjang” dengan nilai lift Berdasarkan hasil penelitian yang
2,66. didapat, peneliti memberikan
Sebuah aturan asosiatif beberapa rekomendasi sebagai
bisa dinyatakan memiliki berikut:
keterkaitan satu sama lain
berdasarkan nilai lift, nilai lift 1. Pihak toko dapat menempatkan
sama dengan 1 atau lebih dari produk-produk yang ada di
satu bisa disimpulkan bahwa dalam aturan-aturan asosiasi
aturan tersebut memiliki yang didapat secara berdekatan,
keterkaitan yang kuat antar satu agar pelanggan dapat tertarik
sama lain. Sedangkan apabila juga untuk membeli produk
nilai lift kurang dari 1 maka tersebut.
aturan tersebut tidak memiliki 2. Pihak toko dapat menerapkan
keterkaitan antar satu sama lain strategi penjualan kombinasi
atau kekuatan asosiatifnya produk yang diperoleh dari
rendah (Wicaksana, aturan-aturan asosiasi yang
Ambarwati, Baskoro, & didapat. Misalnya, bundling
Aprilla, 2013), sehingga tidak product (celana jeans panjang,
bisa dijadikan informasi kemeja panjang dan gesper
penunjang strategi penjualan. akan dijual menjadi satu paket
Hasil aturan asosiasi yang hemat), buy 2 get 1 (jika
terlihat pada gambar 4.6, dapat membeli 2pcs celana jeans
diketahui bahwa produk Kaos panjang, akan mendapat 1pcs
Pendek memiliki keterkaitan kaos pendek), dan diskon
yang sangat kuat dengan produk (mendapat diskon 5%
Kemeja Panjang, Celana Jeans jika membeli celana jeans
Panjang, dan Gesper. Dari hasil panjang diatas 3pcs).
pengecekan informasi yang ada 3. Pihak toko dapat menambah
berdasarkan dataset, output dari jumlah ketersediaan stok lebih
nilai support dan confidence banyak untuk produk yang ada
yang dihasilkan. Sehingga dari dialam aturan-aturan asosiasi
hasil pengujian tersebut bisa yang terbentuk. Sehingga akan
dinyatakan bahwa aturan meminimalisir terjadinya
25
ISSN: 1412-0232
penumpukan barang secara data yang diperoleh. Untuk

signifikan. memperbaiki kekurangan dan untuk
penyempurnaan penelitian ini penulis
V. PENUTUP memberikan beberapa saran sebagai
berikut:
A. Kesimpulan
Berdasarkan pembahasan yang 1. Bagi Toko Sabar Collection
telah dilakukan dengan algoritma Toko Sabar Collection dapat
apriori dan pengujian dengan aplikasi menggunakan hasil asosiasi
RapidMiner, maka peneliti menarik pada saat penataan display
beberapa kesimpulan sebagai berikut: produk yang dilakukan pada
1. Proses penentuan pola penelitian ini. Sehingga dapat
pembelian produk/barang dapat meningkatkan penjualan
dilakukan dengan menerapkan produknya.
data mining dengan metode 2. Bagi penelitian selanjutnya
algoritma apriori. Dengan Penulis menyadari bahwa
metode algoritma apriori masih terdapat kekurangan
penentuan pola pembelian dalam melakukan penelitian,
produk atau barang dapat penelitian selanjutnya
dilakukan dengan melihat hasil diharapkan dapat melakukan
dari kecenderungan konsumen analisis pola perilaku pelanggan
membeli produk berdasarkan dengan jumlah data transaksi
kombinasi itemset. yang lebih besar dan jangka
2. Penerapan Algoritma Apriori waktu yang lebih lama dengan
pada teknik data mining sangat subjek penelitian yang berbeda.
efisien membeli Celana Jeans
Panjang, dengan nilai VI. DAFTAR PUSTAKA
confidence 1, yang berarti 1. Buulolo, E. (2020). Data
setiap konsumen yang membeli Mining Untuk Perguruan
item Kaos Pendek dan Gesper, Tinggi (Cetakan Pe; H. A.
juga membeli item Celana Jeans Susanto & A. Y. Wati, Eds.).
Panjang dengan nilai kepastian Yogyakarta:CV.BUDI
sebesar 100%. UTAMA.
3. Strategi pemasaran yang dapat 2. Elisa, E. (2018). Market Basket
diusulkan pada ritel tersebut Analysis Pada Mini Market
antara lain meletakkan item-item Ayu Dengan Algoritma
sesuai dengan rules yang
Apriori. Jurnal RESTI
didapatkan secara berdekatan, dan
(Rekayasa Sistem dan
menawarkan produk-produk
Teknologi Informasi), 2(2),
dalam bundling.
472-478.
B. Saran
3. Informatika, J. R. (2019).
Penulis menyadari adanya PENERAPAN DATA
kekurangan dalam penulisan ini. Hal MINING TERHADAP
tersebut karena keterbatasan penulis PENJUALAN PIPA PADA CV
dalam hal waktu, pengetahuan, dan . 1(4), 167–172.
ISSN: 1412-0232
4. Luhur, U. B., Raya, J. C., Utara,

P., & Selatan, J. (2020).
Implementasi Data Mining
Menggunakan Algoritma
Apriori Untuk Meningkatkan
Pola Penjualan Obat 1,2. 7(2).

27

Strategi Penjualan Dengan Mengetahui Pola Pembelian Pelanggan Terhadap Data Penjualan Menggunakan Algoritma Apriori

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Strategi Penjualan Dengan Mengetahui Pola Pembelian Pelanggan Terhadap Data Penjualan Menggunakan Algoritma Apriori

Diunggah oleh

Hak Cipta:

Format Tersedia

Jurnal Informatika & Komputasi Vol.

17 - Nomor 1 - April 2023

STRATEGI PENJUALAN DENGAN MENGETAHUI POLA PEMBELIAN

Rini Sulistiyowati,Sonya Legis,Dany Yudha Krisna

Keywords: Apriori Algorithm, Association Rules, Data Mining, Sales, Strategy.

pinggang, jaket, topi, dompet, dan guna meningkatkan penjualan pada

B. Knowledge Discovery In yang sudah ada dengan data atau

item diperoleh dengan rumus itemset yang kurang dari

Rumus 2.3 Support Itemset-3

Setelah perhitungan rumus

Ukuran Lift Rasio berada Analysis untuk mencari aturan-aturan

sangat berperan penting sebagai Pada tahapan ini penulis

hasil informasi yang sesuai dengan Semua atribut yang ada

Gambar 3.3 Daftar Transaksi

terpisah dengan format Excel memenuhi syarat minimum

Untuk pembuatan data format digunakan seperti pada gambar

2. Susunan Operator Algoritma

Kemudian untuk mengatur bawah ini.

Pada gambar 4.5 di atas,

2. Kaos Pendek, Kemeja mewakili 85,29% dari

kemungkinan 31,96% ia Jeans Panjang dan Kemeja

mempunyai keterkaitan antar asosiasi tersebut sudah layak

penumpukan barang secara data yang diperoleh. Untuk

4. Luhur, U. B., Raya, J. C., Utara,

Rini Sulistiyowati,Sonya Legis,Dany Yudha Krisna

Anda mungkin juga menyukai