Pelita Informatika Budi Darma, Volume : VI, Nomor: 2, April 2014 ISSN : 2301-9425

SISTEM PENDUKUNG KEPUTUSAN ANALISA POLA

PENJUALAN BARANG DENGAN ALGORITMA
APRIORI (STUDI KASUS: LUCKY SWALAYAN)
Safar Riduan Pasaribu (0911129)

Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan

Jl. Sisingamangaraja No.338 Simpang Limun Medan
www.stmik-budidarma.ac.id //email:Safarpasaribu@gmail.com

ABSTRAK

Analisis asosiasi adalah teknik data mining untuk menemukan aturan asosiatif antara suatu kombinasi
item. Adapun teknik yang digunakan dalam penelitian ini adalah algoritma apriori menggunakan 2 nilai
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 pengelompokan barang yang tidak memenuhi minimum support yang disebut proses prune. Dari
teknik-teknik yang disebutkan diatas didapatkan frekuensi dan item barang yang paling sering muncul
bersamaan yang membantu management untuk menata dan mengelompokan barang dan mengoptimalkan
persediaan produk.

Kata kunci: Algoritma Apriori, SPK, Pola Penjualan

1. Pendahuluan membeli barang secara bersamaan dalam satu

Pasar swalayan merupakan sarana atau tempat waktu. Teknik tersebut bisa diterapkan dalam data
penyedia barang kebutuhan sehari-hari mulai dari yang sangat besar seperti data transaksi penjualan.
sembilan bahan pokok sampai kebutuhan rumah Dalam teknik data mining terdapat beberapa
tangga lainnya,cotohnya di Lucky Swalayan setiap algoritma untuk menyelesaikannya. antara lain
harinya terjadi beberapa transaksi penjualan. Data algoritma hash-based, algoritma FP-Growth dan
transaksi penjualan akan terus bertambah setiap algoritma apriori. Dalam penelitian ini penulis
harinya. Semakin banyak data transaksi yang akan menggunakan algoritma apriori. Dalam
tersimpan menyebabkan penyimpanan data yang penelitian ini akan dibuat suatu sistem pendukung
sangat besar. keputusan analisa pola pejualan barang dengan
Dalam data transaksi penjualan tersebut, pemilik algoritma apriori dengan menggunakan Visual
swalayan kurang mengetahui barang apa saja yang Basic dan SQL server yang dapat membantu
pola penjualannya paling tinggi selama 5 tahun pemilik swalayan dalam pengambilan keputusan.
terakhir. Data penjualan selama 5 terakhir.
tersebut bisa diolah kembali untuk 2. Landasan Teori
menghasilkan/membuktikan barang apa saja yang 2.1 Sistem Pendukung Keputusan
pola penjualannya paling tinggi. Hasil dari Sistem pendukung keputusan atau DSS
pengolahan data tersebut bisa menjadi informasi- (Decision SupportSystem) merupakan
informasi yang bermanfaat yang bisa digunakan systeminformasi interaktif yang menyediakan
untuk pengambilan suatu keputusan dan untuk informasi, pemodelan, dan pemanipulasian data.
memperoleh pengetahuan. Pengolahan data Sistem itu digunakan untuk membantu
tersebut bisa dilakukan dengan menggunakan pengambilan keputusan dalam situasi yang
teknik-teknik tertentu. Salah satu teknik yang semiterstruktur dan situasi yang tidak terstruktur, di
digunakan dalam pengolahan data tersebut adalah mana tak seorang pun tahu secara pasti bagaimana
dengan menggunakan metode algoritma apriori. keputusan seharusnya dibuat(Alter, 2002). Konsep
Sistem pendukung keputusan perlu di terapakan, DSS dikemukakan pertama kali oleh Scott-Morton
supaya pemilik swalayan terbantu dalam pada tahun 1971 (Turban, McLean, dan Wetherbe,
pengambilan keputusan. Dalam hal ini penulis 1999). Beliau mendefinisikan cikal bakal DSS
membuat suatu sistem pendukung keputusan untuk tersebut sebagai sistem bebasis computer yang
menganalisa pola penjualan barang denga interaktif, yang membantu pengambil kep[utusan
Algoritma Apriori. Algoritma apriori adalah dengan mengunakan data dan model untuk
algoritma market basket analysis yang digunakan memecahkan persoala-persoalan yang tidak
untuk menghasilkan association rule, dengan pola terstruktur (Abdul Kadir, 2003: 116).
if then . Market basket analysis merupakan salah
satu teknik dari data mining yang mempelajari 2.2 Algoritma Apriori
tentang perilaku kebiasaan konsumen dalam Apriori adalah suatu algoritma yang sudah sangat
Sistem Pendukung Keputusan Analisa Pola Penjualan Barang Dengan Algoritma Apriori
119
(Studi Kasus: Lucky Swalayan). Oleh : Safar Riduan Pasaribu
Pelita Informatika Budi Darma, Volume : VI, Nomor: 2, April 2014
dikenal dalam melakukan pencarian frequent itemset
dengan menggunakan tehnik association rule.
Algoritma apriori menggunakan knowledge
mengenai frequent itemset yang telah dikemukakan
sebalumnya, untuk memproses informasi selanjutnya.
Pada algoritma apriori untuk menentukan kandidat-
kandidat yang muncul dengan cara memperhatikan
minimum support (Erwin, Anilis Market Baket
Dengan Algoritma Apriori dan FP-Growrh: 2009).
2.2.1 Proses Dalam Algoritma Apriori
Adapun dua proses utama yang dilakukan
dalam algoritma apriori, yaitu:
1. Join (penggabungan).
Pada proses ini setiap item dikombinasikan
dengan item yang lainnya sampai tidak
terbentuk kombinasi lagi.
2. Prune (pemangkasan).
Pada proses ini, hasil dari item yang telah
dikombinasikan tadi lalu dipangkas dengan
menggunakan minimum support yang telah
ditentukan oleh user.
2.2.2 Analisis Asosiasi Dengan Algoritma Apriori
Analisis asosiasi atau association rule mining
adalah teknik data mining untuk menemukan
aturan asosiatif antara suatu kombinasi item.
Contoh dari aturan asosiatif dari analisis pembelian
di suatu pasar swalayan adalah mengetahui besarnya
kemungkinan seorang pelanggan untuk membeli roti
bersamaan dengan susu. Dengan pengetahuan
tersebut, pemilik pasar swalayan bisa mengatur
penempatan barangnya atau merancang kampanye
pemasaran menggunakan kupon diskon untuk
kombinasi barang tertentu.Analisis asosiasi menjadi
terkenal karena aplikasinya untuk menganalisis
isi keranjang belanjaan di pasar swalayan. Analisis
asosiasi juga sering disebut dengan istilah market
basket analysis.Analisis asosiasi dikenal juga sebagai
salah satu teknik data mining yang menjadi dasar dari
berbagai teknik data mining lainnya.Khususnya, salah
satu tahap dari analisis asosiasi yang disebut analisis
pola frekuensi tinggi (frequent pattern mining) yang
menarik perhatian banyak peneliti untuk
menghasilkan algoritma yang efisien.Penting
tidaknya suatu aturan asosiatif bisa diketahui
menggunakan dua parameter, support (nilai
penunjang) yaitu prosentase kombinasi item
tersebut dalam database dan confidence (nilai
kepastian) yaitu kuatnya hubungan antar item dalam
aturan asosiasi
3. Analisa
Analisa dalam penjualan barang sangat perlu
dilakukan di dalam sebuah swalayan. Analisa ini
berguna untuk mendapatkan pokok pokok
permasalahan yang sebenarnya menjadi inti
permasalahan, sehingga dapat dirancang tindak
lanjut untuk mengatasi permasalahan tersebut.
Dalam hal ini Lucky Swalayan perlu melakukan
Sistem Pendukung Keputusan Analisa Pola Penjualan Barang Dengan Algoritma Apriori
(Studi Kasus: Lucky Swalayan). Oleh : Safar Riduan Pasaribu
ISSN : 2301-9425
analisa penjualan barang, ini bertujuan agar pihak
swalayan memperoleh sistem pendukung keputusan
dalam penjualan barang.
Untuk mendapatkan pendukung keputusan
tersebut swalayan harus melakukan sebuah proses.
Proses yang akan dilakukan dalam mendukung
pengambilan keputusan pada Lucky Swalayan
dalam hal ini adalah dengan menganalisa data data
jumlah barang yang telah terjual selama 5 tahun
terakhir yang telah diperoleh oleh pihak manajemen
Lucky Swalayan. Adapun tujuan dari analisa
barang tersebut ialah untuk memperoleh barang-
barang yang prioritas penjualannya paling tinggi
selama 5 tahun terakhir, ini dimaksud agar pihak
swalayan memperoleh pendukung keputusan untuk
pola penjualan barang.
Dalam hal ini tidak semua barang-barang
selama 5 tahun terakhir akan di olah, adapun
batasan-batasan yang dibuat oleh penulis yaitu
barang-barang yang akan di analisa ataupun di olah
adalah barang yang harganya Rp 2500-5000 dalam
penjualan barang selama 5 tahun terakhir. Untuk
mengolah data/barang selama 5 tahun terakhir
tersebut perlu dengan berbagai metode ataupun
cara. Dalam hal ini penulis melakukan
penganalisaan barang dengan Algoritma Apriori
dengan menggunakan Mysql dan aplikasinya
menggunakan Microsoft visual vasib 6.0
3.1 Analisis Asosiasi Dengan Algoritma Apriori
Analisis asosiasi atau association rule mining
adalah teknik data mining untuk menemukan
aturan asosiatif antara suatu kombinasi item.
Contoh dari aturan asosiatif dari analisis pembelian
di suatu pasar swalayan adalah mengetahui besarnya
kemungkinan seorang pelanggan untuk membeli roti
bersamaan dengan susu. Dengan pengetahuan
tersebut, pemilik pasar swalayan bisa mengatur
penempatan barangnya atau merancang kampanye
pemasaran menggunakan kupon diskon untuk
kombinasi barang tertentu.. Analisis asosiasi juga
sering disebut dengan istilah market basket analysis.
Analisis asosiasi dikenal juga sebagai salah satu teknik
data mining yang menjadi dasar dari berbagai teknik
data mining lainnya. Khususnya, salah satu tahap dari
analisis asosiasi yang disebut analisis pola frekuensi
tinggi (frequent pattern mining) yang menarik
perhatian banyak peneliti untuk menghasilkan
algoritma yang efisien. Penting tidaknya suatu
aturan asosiatif bisa diketahui menggunakan dua
parameter, support (nilai penunjang) yaitu
prosentase kombinasi item tersebut dalam
database dan confidence (nilai kepastian) yaitu
kuatnya hubungan antar item dalam aturan asosiasi.
Analisis asosiasi didefinisikan sebagai suatu proses
untuk menemukan semua aturan asosiasi yang
memenuhi syarat minimum untuk support
(minimum support) dan syarat minimum untuk
confidence (minimum confidence).
Metodologi dasar analisis asosiasi terbagi menjadi
120
Pelita Informatika Budi Darma, Volume : VI, Nomor: 2, April 2014 ISSN : 2301-9425

dua tahap. 3 Odol

a. Analisis Pola Frekuensi Tinggi
Tahapan ini mencari kombinasi item yang 4 Sabun
memenuhi syarat minimum dari nilai support dalam 4 Odol
database. Nilai support sebuah item diperoleh dengan 4 Parfum
rumus berikut.
Jumlah transaksi mengandung A 4 Biskuit
Support (A) = ... ...
Total transaksi ... ...
Sedangkan nilai support dari 2 item diperoleh dari ... ...
rumus 2 berikut.
Support (A, B) = P (A B) Jika dibuat dalam bentuk tabular, data
Transaksi mengandung A dan B transaksi akan terlihat seperti pada tabel
Support (A, B) = sebagai berikut.
Transaksi Tabel 3 : Transaksi
Tran Sika Bis Dete
shamp
Sebagai contoh penulis mengambil sample sactio
n
t
gigi
kui
t
r
gen
odo
l
Sabu
n o parfum
database dari transaksi penjualan selama 5 tahun
0 0
terakhir pada Lucky swalayan seperti di tunjukan 1 0 0 1 1 1

pasa tabel berikut: 2 1 0 0 1 0 1 0

Tabel 1 : Tabel Transaksi 3 0 1 0 1 0 1 1
Transaksi Goods sold 4 0 1 0 1 1 0 1
1 goods sold 5 1 1 0 0 0 1 1
2 detergen, sabun, odol 6 0 0 0 1 0 1 1
3 Sikat gigi,shampo,odol 7 0 0 1 0 1 0 1
4 odol,parfum, ,shampo 8 1 1 0 0 0 1 0
5 sabun, odol, parfum, biskuit 9 0 1 0 1 0 0 0
6 sabun, odol, parfum, biskuit 10 0 1 1 0 1 1 0
7 shampo,sikat gigi, biskuit, parfum 11 1 1 0 0 0 1 0
8 parfum, odol 12 1 1 0 1 0 1 0
9 detergen, parfum, odol 13 0 1 1 1 1 0 1
10 shampo,sikat gigi, biskuit
11 biskuit, odol
Misalnya, D adalah himpunan transaksi yang
direpresentasikan dalam tabel , di mana masing-
12 sabun,detergen, biskuit, shampo masing transaksi T dalam D merepresentasikan
13 Sikat gigi, biskuit, shampo himpunan item yang berada dalam I. Misalnya,
kita memiliki himpunan item A (misalnya
14 Sikat gigi, biskuit, shampo,odol
biskuit dan shampo) dan himpunan item lain B
(misalnya sirup). Kemudian, aturan asosiasi akan
Data dalam database transaksional tersebut di atas
berbentuk :
biasa direpresentasikan dalam bentuk seperti yang
terlihat pada tabel berikut ini. Jika A, maka B (A B)
Tabel 2 : Representasi data transaksi dalam data
transaksional
Di mana antecedent A dan consequent B
Transaction goods sold merupakan subset dari I, sedangkan A dan B
1 Detegen merupakan mutually exclusive. Definisi tersebut
tidak berlaku untuk aturan trivial seperti :
1 Sabun
Jika biskuit dan shampo maka shampo.Seorang analis
1 Odol mungkin hanya akan mengambil aturan yang
2 Sikat gigi memiliki support dan atau confidence yang tinggi.
Aturan yang kuat adalah aturan-aturan yang melebihi
2 Shampo
kriteria support dan atau confidence minimum.
2 Odol Misalnya, seorang analis menginginkan aturan yang
3 Odol memiliki support lebih dari 20% dan confidence lebih
dari 35%.
3 Parfum
Sistem Pendukung Keputusan Analisa Pola Penjualan Barang Dengan Algoritma Apriori
121
(Studi Kasus: Lucky Swalayan). Oleh : Safar Riduan Pasaribu
Pelita Informatika Budi Darma, Volume : VI, Nomor: 2, April 2014 ISSN : 2301-9425

Sebuah itemset adalah himpunan item yang Dengan demikian, F3 = {{sikat gigi, biskuit,
ada dalam I, dan k itemset adalah itemset yang berisi shampo}} karena hanya kombinasi itulah yang
k item. Misalnya, (shampo, biskuit) adalah sebuah 2 memiliki frekuensi kemunculan > = .
itemset dan (detergen, sabun, odol) merupakan 3
itemset. Frequent itemset menunjukkan itemset yang Tabel 6 : Calon Aturan Asosiasi dari F3
memiliki frekuensi kemunculan lebih dari nilai Rule cofidence
minimum yang telah ditentukan (). Misalkan = If buy sirup, biskuit, then 4/5 80%
4, maka semua itemset yang frekuensi shampo
kemunculannya lebih dari 4 kali disebut frequent. If buy sirup, shampo, then 4/5 80%
Himpunan dari frequent k itemset dilambangkan biskuit
dengan Fk.
If buy biskuit, shampo, then 4/6 66.7%
sikat gigi
Tabel 4 : Lanjutan Tabel Calon 2 Itemset
Misalnya, ditetapkan nilai confidence minimal
Combination count
adalah 80% sehingga aturan yang bisa terbentuk
Sikat gigi, biskuit 5 adalah aturan dengan 2 antecedent berikut.
Sikat gigi, detergen 1
Sikat gigi, odol 1 If buy sikat gigiand biskuit, then buy shampo
Sikat gigi, sabun 0 If buy sikat gigi and shampo, then buy biskuit
Sikat gigi, shampo 5
Sikat gigi, parfum 1 Sementara itu, calon aturan asosiasi dari
Biskuit, detergen 3 F2 bisa dilihat dalam tabel berikut.
Biskuit, odol
5
Biskuit, sabun Tabel 7 : Calon Aturan Asosiasi dari F2
Biskuit, shampo 3
Rule Confidence
Biskuit, detergen 6
detergen, odol 4 If buy sikat gigi, then buy 05/6 83.3%
detergen, sabun 2 biskuit
detergen, shampo 4 If buy biskuit, then buy 05/10 50%
detergen, detergen 1 sikat gigi
odol, sabun 2 If buy sikat gigi, then buy 05/6 83.3%
odol, shampo 3 shampo
odol, detergen 3
sabun, shampo If buy shampo, then buy 05/8 71.4%
4 sikat gigi
sabun, detergen
shampo, detergen 1 If buy biskuit, then buy 05/10 50%
3 odol
2 If buy odol, then buy 05/8
biskuit 62.5%
Dari data tersebut di atas, diterapkan nilai = 4 If buy biskuit, then buy 05/10 60%
sehingga : shampo
F2 = {{ Sikat gigi, biskuit}, { Sikat gigi, shampo}, If buy shampo, then buy 06/7 85.7%
{biskuit, odol}, {biskuit, shampo}, {biskuit, parfum}, biskuit
{detergen, sabun}, {odol, parfum}}. Kombinasi dari
If buy biskuit, then buy 04/10 40%
itemset dalam F2 bisa digabungkan menjadi calon 3
parfum
itemset. Itemset itemset dari F2 yang bisa
digabungkan adalah itemset-itemset yang memiliki If buy parfum, then buy 04/6 66.7%
kesamaan dalam k-1 item pertama. biskuit
Calon 3 itemset yang bisa dibentuk dari F2 adalah If buy detergen, then buy 04/5 80%
seperti yang terlihat pada sabun
tabel berikut. If buy sabun, then buy 04/5 80%
broccoli
Tabel 5 : Calon 3 itemset If buy odol, then buy 04\8 50%
Combination count parfum
Sikat gigi, biskuit, shampo 4 If buy parfum, then buy 04\5 66.7%
Biskuit, odol, shampo 2 odol
Biskuit, odol, parfum 3
Biskuit, shampo, parfum 2 Sementara itu, aturan asosiasi final berurut
berdasarkan support x. Confidence terbesar dapat
Sistem Pendukung Keputusan Analisa Pola Penjualan Barang Dengan Algoritma Apriori
122
(Studi Kasus: Lucky Swalayan). Oleh : Safar Riduan Pasaribu
Pelita Informatika Budi Darma, Volume : VI, Nomor: 2, April 2014 ISSN : 2301-9425

dilihat dalam tabel berikut. [4]. Kusrini, M.Kom. Strategi Perancangan

Dan Pengelolaan Basis Data. Penerbit
Tabel 8 : Tabel Aturan Asosiasi Andi Yogyakarta(2006).
Rule confidence [5]. Pemograman PHP dan MySQL, 2011
[6]. Janner simarmata, iman paryudi, 2006
If buy shampo, then buy biskuit 6/7 85.%
[7]. LPKBM MADCOMS Madiun, 2002
If buy sikat gigi then buy shampo 5/6 83.% [8]. http://digilib.ittelkom.ac.id/images.
[9]. (http://elib.unikom.ac.id/download.php?id=8
If buy sikat gigi then buy biskuit 5/6 83.% 3184
[10]. http://www.scribd.com/doc/141114192/De
If buy detergen, then buy sabun 4/5 80% finisi-Dan-Simbol-Flowchart
If buy sabun, then buy detergen 4/5 80%
If buy sirup, biskuit, then shampo 4/5 80%
If buy sirup,shampo, then biskuit 4/5 80%

4. Kesimpulan Dan Saran

4.1 Kesimpulan
Berdasarkan pembahasan dan implementasi
program yang mengacu pada rumusan masalah
yang ada yaitu bagaimana Lucky Swalayan dapat
mengolah data dengan cepat dan akurat serta
membuat suatu sistem pendukung keputusan
menggunakan algoritma apriori, maka dapat
diambil beberapa kesimpulan bahwa Program
ini dapat digunakan untuk mengolah data
penjualan yang begitu banyak menjadi suatu
alternatif keputusan dimana dapat
membantu pemilik swalayan melihat produk
mana yang sering di beli dan membantu
karyawan dalam dalam tata letak barang,
sehingga barang-barang yang sering di beli
bersamaan dapat di letakan berdekatan dan barang
yang jarang di beli bisa dibuat diskon agar menarik
minat pembeli.

4.2 Saran
Kesempurnaan dari suatu sistem selalu
bersifat relatif berdasarkan cara pandang dan
konsep dari setiap pemikiran yang berbeda serta
memiliki alur yang bervariasi. Karena sistem ini
dibangun berdasarkan alur pemikiran penulis,
maka untuk hasil yang lebih baik dan maksimal
di perlukan saran dari pihak manapun untuk
melengkapi kekurangan yang ada. Saran dari penulis
yaitu: Bagi peneliti selanjutnya diharapkan untuk
dapat menghasilkan output yang lebih interaktif
pada sistem ini misalkan dibuat tata letak produk
ditampilkan foto produk yang sudah tertata.

Daftar Pustaka

[1]. Abdul Kadir, 2003 Sistem informasi

[2]. Jurnal ,Erwin, Anilis Market Baket Dengan
Algoritma Apriori dan FP-Growrh: 2009).
[3]. Adi Nugroho. Analisi dan perancangan
sistem informasi dengan metodologi
berorientasi objek. Penerbit informatika
bandung (2005).
Sistem Pendukung Keputusan Analisa Pola Penjualan Barang Dengan Algoritma Apriori
123
(Studi Kasus: Lucky Swalayan). Oleh : Safar Riduan Pasaribu