Professional Documents
Culture Documents
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.
dikenal dalam melakukan pencarian frequent itemset analisa penjualan barang, ini bertujuan agar pihak
dengan menggunakan tehnik association rule. swalayan memperoleh sistem pendukung keputusan
Algoritma apriori menggunakan knowledge dalam penjualan barang.
mengenai frequent itemset yang telah dikemukakan Untuk mendapatkan pendukung keputusan
sebalumnya, untuk memproses informasi selanjutnya. tersebut swalayan harus melakukan sebuah proses.
Pada algoritma apriori untuk menentukan kandidat- Proses yang akan dilakukan dalam mendukung
kandidat yang muncul dengan cara memperhatikan pengambilan keputusan pada Lucky Swalayan
minimum support (Erwin, Anilis Market Baket dalam hal ini adalah dengan menganalisa data data
Dengan Algoritma Apriori dan FP-Growrh: 2009). jumlah barang yang telah terjual selama 5 tahun
terakhir yang telah diperoleh oleh pihak manajemen
2.2.1 Proses Dalam Algoritma Apriori Lucky Swalayan. Adapun tujuan dari analisa
Adapun dua proses utama yang dilakukan barang tersebut ialah untuk memperoleh barang-
dalam algoritma apriori, yaitu: barang yang prioritas penjualannya paling tinggi
1. Join (penggabungan). selama 5 tahun terakhir, ini dimaksud agar pihak
Pada proses ini setiap item dikombinasikan swalayan memperoleh pendukung keputusan untuk
dengan item yang lainnya sampai tidak pola penjualan barang.
terbentuk kombinasi lagi. Dalam hal ini tidak semua barang-barang
2. Prune (pemangkasan). selama 5 tahun terakhir akan di olah, adapun
Pada proses ini, hasil dari item yang telah batasan-batasan yang dibuat oleh penulis yaitu
dikombinasikan tadi lalu dipangkas dengan barang-barang yang akan di analisa ataupun di olah
menggunakan minimum support yang telah adalah barang yang harganya Rp 2500-5000 dalam
ditentukan oleh user. penjualan barang selama 5 tahun terakhir. Untuk
mengolah data/barang selama 5 tahun terakhir
2.2.2 Analisis Asosiasi Dengan Algoritma Apriori tersebut perlu dengan berbagai metode ataupun
Analisis asosiasi atau association rule mining cara. Dalam hal ini penulis melakukan
adalah teknik data mining untuk menemukan penganalisaan barang dengan Algoritma Apriori
aturan asosiatif antara suatu kombinasi item. dengan menggunakan Mysql dan aplikasinya
Contoh dari aturan asosiatif dari analisis pembelian menggunakan Microsoft visual vasib 6.0
di suatu pasar swalayan adalah mengetahui besarnya
kemungkinan seorang pelanggan untuk membeli roti 3.1 Analisis Asosiasi Dengan Algoritma Apriori
bersamaan dengan susu. Dengan pengetahuan Analisis asosiasi atau association rule mining
tersebut, pemilik pasar swalayan bisa mengatur adalah teknik data mining untuk menemukan
penempatan barangnya atau merancang kampanye aturan asosiatif antara suatu kombinasi item.
pemasaran menggunakan kupon diskon untuk Contoh dari aturan asosiatif dari analisis pembelian
kombinasi barang tertentu.Analisis asosiasi menjadi di suatu pasar swalayan adalah mengetahui besarnya
terkenal karena aplikasinya untuk menganalisis kemungkinan seorang pelanggan untuk membeli roti
isi keranjang belanjaan di pasar swalayan. Analisis bersamaan dengan susu. Dengan pengetahuan
asosiasi juga sering disebut dengan istilah market tersebut, pemilik pasar swalayan bisa mengatur
basket analysis.Analisis asosiasi dikenal juga sebagai penempatan barangnya atau merancang kampanye
salah satu teknik data mining yang menjadi dasar dari pemasaran menggunakan kupon diskon untuk
berbagai teknik data mining lainnya.Khususnya, salah kombinasi barang tertentu.. Analisis asosiasi juga
satu tahap dari analisis asosiasi yang disebut analisis sering disebut dengan istilah market basket analysis.
pola frekuensi tinggi (frequent pattern mining) yang Analisis asosiasi dikenal juga sebagai salah satu teknik
menarik perhatian banyak peneliti untuk data mining yang menjadi dasar dari berbagai teknik
menghasilkan algoritma yang efisien.Penting data mining lainnya. Khususnya, salah satu tahap dari
tidaknya suatu aturan asosiatif bisa diketahui analisis asosiasi yang disebut analisis pola frekuensi
menggunakan dua parameter, support (nilai tinggi (frequent pattern mining) yang menarik
penunjang) yaitu prosentase kombinasi item perhatian banyak peneliti untuk menghasilkan
tersebut dalam database dan confidence (nilai algoritma yang efisien. Penting tidaknya suatu
kepastian) yaitu kuatnya hubungan antar item dalam aturan asosiatif bisa diketahui menggunakan dua
aturan asosiasi parameter, support (nilai penunjang) yaitu
prosentase kombinasi item tersebut dalam
3. Analisa database dan confidence (nilai kepastian) yaitu
Analisa dalam penjualan barang sangat perlu kuatnya hubungan antar item dalam aturan asosiasi.
dilakukan di dalam sebuah swalayan. Analisa ini Analisis asosiasi didefinisikan sebagai suatu proses
berguna untuk mendapatkan pokok pokok untuk menemukan semua aturan asosiasi yang
permasalahan yang sebenarnya menjadi inti memenuhi syarat minimum untuk support
permasalahan, sehingga dapat dirancang tindak (minimum support) dan syarat minimum untuk
lanjut untuk mengatasi permasalahan tersebut. confidence (minimum confidence).
Dalam hal ini Lucky Swalayan perlu melakukan Metodologi dasar analisis asosiasi terbagi menjadi
Sistem Pendukung Keputusan Analisa Pola Penjualan Barang Dengan Algoritma Apriori
120
(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
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