J-TIFA
( Jurnal Teknologi Informatika )
Abstrak
Persaingan dalam bisnis khususnya dalam bisnis perdagangan semakin banyak. Agar dapat meningkatkan penjualan produk
yang dijual, para pelaku harus mempunyai strategi. Salah satu cara yang bisa dilakukan adalah dengan memanfaatkan data
transaksi penjualan. Data penjualan tersebut dapat diolah hingga didapatkan informasi yang berguna bagi peningkatan
penjualan. Teknologi yang dapat digunakan dalam hal ini adalah data mining. Data mining adalah kegiatan pengolahan data
untuk menemukan hubungan dalam suatu data yang berjumlah besar. Suatu metode yang dapat digunakan dalam data mining
adalah association rule mining. Association rule mining adalah salah satu metode data mining yang dapat mengidentifikasi
hubungan kesamaan antar item. Algoritma yang paling sering dipakai dalam metode ini salah satunya ialah algoritma apriori.
Algoritma apriori digunakan untuk mencari kandidat aturan asosiasi. Aturan kombinasi produk berhasil ditemukan dengan
penerapan metode assosiation rules menggunakan algoritma apriori dan telah diuji menggunakan tools tanagra. Semua rule
yang dihasilkan pada penelitian ini memiliki nilai lift ratio lebih dari 1 sehingga dapat digunakan sebagai acuan dalam
membuat strategi penjualan.
Abstract
Competition in business, especially in the trading business more and more. In order to increase sales of the products,
businessman must have a strategy. A things we can do is to use sales transaction data. The sales data can be processed so we
will get information of increasing sales. The technology that can be used in this case is data mining. Data mining, often also
called knowledge discovery in database (KDD), is a data processing activity to find relationships in a large amount of data. A
method that can be used in data mining is association rule mining. Association rule mining is one method of data mining that
can identify the similarity relationships between items. One of the most frequently used algorithms in this method is the
apriori algorithm. Apriori algorithm is used to find candidate association rules. The product combination rules have been
found by applying the association rules method using apriori algorithm and have been tested using tanagra tools. All rules
produced in this study have a lift ratio value of more than 1 so it can be used as a reference in making sales strategies.. ©
2019 J-Tifa. All rights reserved
Riwayat Artikel: Menerima(06 Oktober 2019), Revisi (12 November 2019), Diterima (12 Desember 2019), Online (Februari 2020)
2
ISSN: 2654-2617 (Cetak)
Jurnal Teknologi Informatika (J-TIFA) V.2.No.2 September 2019 ISSN: 2654-2633(Online)
Riwayat Artikel: Menerima(06 Oktober 2019), Revisi (12 November 2019), Diterima (12 Desember 2019), Online (Februari 2020)
3
ISSN: 2654-2617 (Cetak)
Jurnal Teknologi Informatika (J-TIFA) V.2.No.2 September 2019 ISSN: 2654-2633(Online)
dalam bentuk kelompok. Semakin banyak objek yang Perhitungannya juga Diikuti dengan perhitungan
memiliki kemiripan satu sama lain di suatu cluster pada aturan support serta confidence. Contoh aturan
dan mememukan perbedaan yang besar pada cluster assosiatif dapat digambarkan misalnya pada suatu
maka kualitas proses anlisis cluster semakin baik. toserba diketahui seseorang membeli keju dan tepung
dalam waktu bersamaan. Maka dengan demikian
6. Asosiasi pemilik toko dapat mengatur penempatan barangnya
Dalam proses asosiasi bertujuan untuk mengukur serta memungkinkan si pemilik toko untuk
dan menemukan suatu data atau item yang memiliki mengadakan penjualan dengan menggunakan kupon
keterkaitan antar item. diskon dan mengkombinasikan barang tertentu.
Disini kita dapat melihat Berguna atau tidaknya
Selain proses data mining ada juga tahapan yang penggunaan aturan asosiatif ini dengan melihat
dilakukan oleh data mining, tahapan proses data adanya dua parameter yaitu antara support dan
mining tersebut dimulai dari seleksi data, confidence. Support disini yaitu sebagai “nilai
selanjutnya pebaikan data, transformasi, data mining, penunjang” dalam presentase gabungan dari beberapa
serta interpretasi yang akan menghasilkan keluaran item suatu produk pada database. Sedangkan
berupa pengetahuan yang baru sehingga dapat confidance yaitu “nilai kepastian” adalah nilai yang
memberikan maanfaat dan konstribusi yang sangat berguna untuk menentukan adanya kesinambungan
baik yang mudah dimengerti dan digunakan. antar item dalam suatu aturan asosiasi Dalam aturan
assosiasi biasanya dinyatakan dalam bentuk(Kusrini,
Luthfi, 2009):
1) Support
Pada assosiation rule support adalah presentasi
gabungan item pada database, jika di dalamnya
terdapat item A dan B maka support yaitu proporsi
dari transaksi dalam database yang mengandung A
dan B. Berikut adalah Rumus untuk mencari nilai
support dari dua item (Kusrini, Luthfi, 2009;
Kusumo, Bijaksana, & Darmantoro, 2016)
Gambar 1. Tahapan data mining
Support ( A, B ) = P( A ∩ B ) …………………….(1)
Riwayat Artikel: Menerima(06 Oktober 2019), Revisi (12 November 2019), Diterima (12 Desember 2019), Online (Februari 2020)
4
ISSN: 2654-2617 (Cetak)
Jurnal Teknologi Informatika (J-TIFA) V.2.No.2 September 2019 ISSN: 2654-2633(Online)
3 1 1 0 0 1 …
5 0 1 0 0 1 …
Berikut adalah rumus untuk mencari nilai …
6 1 0 0 1 1
benchmark confidence sebagi berikut :
7 1 1 0 0 0 …
…
8 0 0 0 0 0
Benchmark Confidence = …………………...…(6) …
9 0 0 0 0 1
10 0 0 0 0 0 …
…
11 0 0 0 0 0
4. Alogoritma Apriori 12 1 0 1 1 0 …
…
13 1 0 0 0 1
Algoritma apriori adalah salah satu algoritma
14 0 1 0 0 0 …
yang sering digunakan dalam data mining. Algoritma
apriopri digunakan agar komputer dapat mempelajari 15 1 1 0 0 0 …
…
25 0 0 0 1 0
… … … … … … …
5. Data Penelitian
Riwayat Artikel: Menerima(06 Oktober 2019), Revisi (12 November 2019), Diterima (12 Desember 2019), Online (Februari 2020)
5
ISSN: 2654-2617 (Cetak)
Jurnal Teknologi Informatika (J-TIFA) V.2.No.2 September 2019 ISSN: 2654-2633(Online)
Tabel 3 Item dengan minimal support 20% 1. Air mineral, Mie instan, Telur 10,3%
Riwayat Artikel: Menerima(06 Oktober 2019), Revisi (12 November 2019), Diterima (12 Desember 2019), Online (Februari 2020)
6
ISSN: 2654-2617 (Cetak)
Jurnal Teknologi Informatika (J-TIFA) V.2.No.2 September 2019 ISSN: 2654-2633(Online)
minimum support=20% seperti yang telah 7.2. Analisis Hasil Lift Ratio terhadap Hasil Rule
ditentukan, maka pencarian nilai support dihentikan
dan 2 kombinasi yang memenuhi untuk pembentukan Berdasarkan tabel 7 berikut lift ratio untuk semua
asosiasi rule yang berhasil dibentuk memiliki nilai lebih besar
dari 1 (lift ratio >1). Hal ini menunjukan bahwa
semua rule tersebut bersifat kuat dan valid.
7. Penerapan Metode Assosiation Rule untuk
Tabel 7 Lift ratio tiap rule
stategi penjulan menggunakan Algoritma Apriori
Lift
No Aturan Support Confidence
Ratio
Jika membeli
7.1. Pembentukan Aturan Asosiasi mie instan, 1,53
1. 33,33% 76,92%
maka akan %
Setelah semua pola frekuensi tinggi didapat, membeli telur
selanjutnya dicari aturan asosiasi yang memenuhi Jika membeli
syarat minimum confidence dengan menghitung telur, maka akan 1,53
2. 33,33% 66,66%
confidence aturan asosiatif A→B. membeli mie %
instan
Minimal confidence = 60%
Jika membeli
Nilai Confidence dari aturan A→B dapat diperoleh
shampoo, maka 1,81
dengan rumus berikut: 3. 26,66% 72,72%
akan membeli %
sabun
Jika membeli
sabun maka 1,81
4. 26,66% 66,66%
akan membeli %
shampoo
Dari kombinasi 2 itemset yang telah ditemukan, Jika membeli
2,38
besarnya nilai support dan confidence dari calon 5. kopi, maka akan 23,33% 87,50%
%
membeli susu
aturan asosiasi dapat dilihat pada tabel dibawah ini:
Jika membeli
2,38
6. susu, maka akan 23,33% 63,63%
Tabel 6 Aturan asosiasi final %
membeli kopi
No Aturan Support Confidence
Riwayat Artikel: Menerima(06 Oktober 2019), Revisi (12 November 2019), Diterima (12 Desember 2019), Online (Februari 2020)
7
ISSN: 2654-2617 (Cetak)
Jurnal Teknologi Informatika (J-TIFA) V.2.No.2 September 2019 ISSN: 2654-2633(Online)
8.2. Saran
Referensi
Riwayat Artikel: Menerima(06 Oktober 2019), Revisi (12 November 2019), Diterima (12 Desember 2019), Online (Februari 2020)