WIXLIB

PENERAPAN DATA MINING PADA DATA TRANSAKSIPENJUALAN UNTUK MENGATUR PENEMPATAN BARANGMENGGUNAKAN ALGORITMA APRIORIMuhammad Thoriq Agung1), Bowo Nurhadiyono2)Program Studi Teknik Informatika-S1, Fakultas Ilmu KomputerUniversitas Dian NuswantoroJl. Nakula I No. 5-11 Semarang 50131Telp : (024) 3517261, Fax : (024) 3250165Email : toryck.rokudaime@gmail.com1, masowo68@gmail.com2AbstrakDalam persaingan dunia bisnis sekarang ini menuntut para pelakunya untuk senantiasamengembangkan bisnis mereka dan juga agar selalu bertahan dalam persaingan. Untuk mencapaihal itu, ada beberapa hal yang bisa dilakukan yaitu dengan meningkatkan kualiatas produk,penambahan jenis produk, dan pengurangan biaya operasional perusahaan. Untuk memenuhikebutuhan tersebut terdapat beberapa hal yang bisa dijalankan salah satunya dengan melakukananalisis data perusahaan. Dalam data mining terdapat beberapa algoritma atau metode yang dapatdilakukan, salah satunya yaitu algoritma apriori yang termasuk dalam aturan asosiasi dalam datamining. Algoritma apriori yang bertujuan untuk menemukan frequent item sets pada sekumpulandata. Algoritma apriori didefinisikan suatu proses untuk menemukan suatu aturan apriori yangmemenuhi syarat minimum untuk support dan syarat minimum untuk confidence. Tujuan dari tugasakhir ini adalah untuk mengetahui apakah algoritma apriori dapat mengembangkan penjualan danstrategi pemasaran serta mengetahui hubungan antar barang guna menentukan penempatanbarang. Kesimpulan dari pembuatan tugas akhir ini adalah mengidentifikasi barang-barang yangdibeli secara bersamaan kemudian digunakan untuk mengatur penempatan/tata letak barang.Kata Kunci : Data Mining, Algoritma Apriori, Support, ConfidenceAbstractIn the competitive world of business requires the perpetrators to continue grow their business andalso to always survive in the competition. To achieve that, there are some things you can do byincreasing the quality of products, additional types of products, and reduction operating company’scost. To meet these needs, there are several things that can be run either by analyzing corporatedata. In data mining there are several algorithms or methods that can be done, one of which isapriori algorithm included in the association rules in data mining. Apriori algorithm that aims to

find frequent item sets in the collection of data. Apriori algorithms defined a process to find apriorirule that meets the minimum requirements for the support and the minimum requirements forconfidence. The purpose of this thesis was to determine whether apriori algorithm to develop salesand marketing strategies as well as determine the relationship between the item in order todetermine the placement of items. Conclusion of making this thesis is to identify the items arepurchased simultaneously then used to adjust the placement / layout of items.Keywords : Data Mining, Apriori Algorithm, Support, Confidence1. PENDAHULUAN1.1 Latar BelakangDalam persaingan dunia bisnissekarang ini menuntut para pelakunyauntuk senantiasa mengembangkan bisnismereka dan juga agar selalu bertahandalam persaingan. Untuk mecapai hal itu,ada beberapa hal yang bisa dilakukanyaitu dengan meningkatkan kualiatasproduk, penambahan jenis produk, danpengurangan biaya operasial perusahaan.Untuk memenuhi kebutuhan tersebutterdapat beberapa hal yang bisadijalankansalahsatunyadenganmelakukan analisis data perusahaan.peningkatan pendapatan toko, pihatterkait mengambil keputusan untukmenentukan strategi pemasaran produkyang akan dijual. Dengan data-data yangtelah tersedia dapat dijadikan sebagaisistem pengambilan keputusan untuksolusi bisnis serta dukungan infrastrukturdi bidang teknologi yang merupakanpenyebab munculnya suatu teknologi datamining. Data mining berguna untukmemberikansolusikepadaparapengambil keputusan dalam bisnis gunameningkatkan bisnis perusahaan.Toko Tombo Ati merupakan sebuahtoko yang bergerak dalam bidangpenjualan peralatan rumah tangga yangmemiliki sistem seperti pada swalayanyaitu pembeli mengambil sendiri barangyang akan dibeli. Dari data penjualanpada toko tombo ati selama ini tidaktersusun dengan baik, sehingga datatersebut hanya berfungsi sebagai arsipbagi toko dan tidak dapat dimanfaatkanuntuk pengembangan strategi pemasaran.Dalam data mining terdapat beberapaalgoritma atau metode yang dapatdilakukan salah satunya yaitu algoritmaapriori yang termasuk dalam aturanasosiasi dalam data mining. Algoritmaapriori yang bertujuan untuk menemukanfrequent item sets pada sekumpulan data.Algoritma apriori didefinisikan suatuproses untuk menemukan suatu aturanapriori yang memenuhi syarat minimumuntuk support dan syarat minimum untukconfidence.Dalam rangka menghadapi persaingandalam pemasaran guna menghasilkan

1.2 Maksud dan TujuanTujuan yang ingin dicapai dari penulisantugas akhir ini yaitu untuk mengetahuihubungan antar barang yang akandigunakan untuk membantu dalampenempatan barang, serta menghasilkanaplikasi yang dapat digunakan untukmenerapkan algoritma apriori.2. METODE2.1 Data MiningData mining adalah suatu istilah yangdapat digunakan untuk menguraikanpenemuan pengetahuan didalam database.Data mining adalah proses yangmenggunakan teknik statistik, matematika,kecerdasan buatan, dan machine masiyangbermanfaat dan pengetahuan yang terkaitdari berbagai database besar.2.2 Teknik Data Mining1. Association RulesAssociation rules (aturan asosiasi)atau affinity analysis (analisisafinita) berkenaan dengan studitentang “apa bersama apa”.Aturan asosiasi juga seringdinamakan market basket nginmemberikan informasi dalambentuk hubungan “if-then” atau“jika-maka”. Aturan ini dihitungdaridatayangsifatnyaprobabilistic2. ClusteringClustering termasuk metode yangsudah cukup dikenal dan banyakdipakai dalam data mining.Sampai sekarang para ilmuwandalam bidang data inining masihmelakukan berbagai usaha untukmelakukanperbaikanmodelclustering karena metode yangdikembangkan sekarang masihbersifat heuristic. Usaha-usahauntuk menghitung jumlah clusteryang optimal dan pengklasteranyang paling baik masih ekarang, tidak bisa menjaminhasilpengklasteransudahmerupakan hasil yang optimal.Namun, hasil yang dicapaibiasanya sudah cukup bagus darisegi praktis.3. DeskripsiTerkadang peneliti dan analissecara sederhana ingin rungan yang terdapatdalam data. Sebagai contoh,petugaspengumpulansuaramungkin tidak dapat menentukanketerangan atau fakta bahwa siapayang tidak cukup professionalakan sedikit didukung dalampemilihan presiden. Deskripsi daripola dan kecenderungan seringmemberikankemungkinanpenjelasan untuk suatu pola ataukecenderungan4. EstimasiEstimasi hampir sama denganklasifikasi, kecuali variable targetestimasi lebih kearah numerik daripada kearah kategori. Modeldibangun menggunakan recordlengkap yang menyediakan nilaidari variable target prediksi.Selanjutnya, pada peninjauanberikutnya estimasi nilai darivariable target dibuat berdasarkannilai variable prediksi. Sebagaicontoh akan dilakukan estimasitekanan darah sistolik pada pasienrumah sakit berdasarkan umurpasien, jenis kelamin, indeks beratbadan, dan level sodium darah.Hubungan antara tekanan darah

sistolik dan nilai variable prediksidalam proses pembelajaran akanmenghasilkan model estimasi.Model estimasi yang dihasilkandapat digunakan untuk kasus barulainnya5. PrediksiPrediksi hampir sama denganklasifikasi dan estimasi, kecualibahwa dalam prediksi nilai darihasil aka nada dimasa mendatang.Sebagai contoh prediksi hargaberas dalam tiga bulan yang akandatang, serta contoh lain seperticontohprediksipresentasikenaikan kecelakaan lalu lintastahun depan jika batas bawahkecepatan dinaikkan. Beberapametodedanteknikyangdigunakan dalam klasifikasi danestimasi dapat pula digunakan(untuk keadaan yang tepat) untukprediksi6. KlasifikasiDalam klasifikasi, terdapat targetvariable kategori. Sebagai contohpenggolongan pendapatan dapatdipisahkan dalam tiga npendapatan rendah.2.3 Algoritma AprioriAlgoritma apriori termasuk jenisaturan asosiasi pada data mining. Aturanyangmenyatakanasosiasiantarabeberapa atribut sering disebut affinityanalysis atau market basket analysis.Analisis asosiasi atau association rulemining adalah teknik data mining untukmenemukan aturan suatu kombinasi item.Salah satu tahap analisis asosiasi yangmenarik perhatian banyak peneliti untukmenghasilkan algoritma yang efisienadalah analisis pola frenkuensi tinggi(frequent pattern mining).pentingtidaknya suatu asosiasi dapat diketahuidenga dua tolak ukur, yaitu : support danconfidence. Support (nilai penunjang)adalah persentase kombinasi item tersebutdalam database, sedangkan confidence(nilai kepastian) adalahkuatnyahubungan antar item dalam aturanasosiasi.Tahap awal dalam algoritma aprioriadalah analisis pola frekuensi tinggi yaitudengan cara mencari kombinasi item yangmemenuhi syarat minimum dari nilaisupport dalam basis data, Nilai supportsebuah item diperoleh dengan rumusberikut :Frequent itemset menunjukkan itemsetyang memiliki frekuensi kemunculanlebih dari nilai minimum yang ditentukan .Tahapselanjutnyaadalahpembentukan aturan asosiasi, yaitusetelahsemua pola frekuensi tinggiditemukan, barulah dicari aturan nghitungconfidence A B. Nilai confidence dariaturan A B diperoleh rumus berikut :Untuk menentukan aturan asosiasiyang akan dipilih maka harus diurutkanberdasarkan support x confidence. Aturandiambil sebanyak n aturan yang memilikihasil terbesar.

3. HASIL DAN PEMBAHASAN3.1 Pengumpulan DataPada penelitian ini sumber data yangdigunakan berasal dari data transaksipenjualan pada toko tombo ati. Datatersebut akan diproses guna menghasilkanpengetahuan yang bisa digunakan sebagaipengembangan strategi bisnis. Data awalyang diperoleh dari toko tombo ati masihberupa nota-nota transaksi penjualan acakyang belum diseleksi menjadi data yangsiap dipakai dalam penelitian ini.3.2 Penyeleksian DataSetelah data selesai dikumpulkan makadilakukan penyeleksian pada notatransaksi penjualan yang telah diperolehdari toko tombo ati. Pada tahappenyeleksiandatainidilakukanpemilahan nota-nota transaksi penjualankarena tidak semua nota-nota tersebutakan digunakan dalam penelitian ini.Nota-nota transaksi penjualan yang akandiambil bergantung pada jumlah barangatau item yang dibeli oleh pelanggan toko.Jumlah barang dalam nota transaksipenjualan yang akan diambil ialah notatransaksi dengan jumlah barang dua dantiga barang atau item saja.3.3 Preprocessing/CleaningSetelah data telah diseleksi, pada notanotatransaksipenjualantersebutdilakukan preprocessing/cleaning yaituproses pembersihan atribut-atribut yangtidak digunakan dalam proses datamining dan hanya beberapa atribut-atributyang dapat digunakan. Dalam notatransaksi penjualan terdapat beberapaatribut antara lain nomor nota, tanggaltransaksi, kode barang, nama barang,jumlah barang, harga perbarang, hargasubtotal barang, total harga pembelian.Setelah dilakukan proses pembersihanatribut-atribut yang tersisa adalah nomornota, tanggal transaksi, dan nama barang.Dalam atribut nama barang dilakukanpembulatan nama barang karena dalambarang-barang yang tersebut merupakansatu jenis barang namum terdapatperbedaan seperti pada ukuran, merk, dansebagainya maka dilakukan pembulatannama agar lebih mudah dalam analisisproses data mining yang akan dilakukan.3.4 Transformasi DataPada tahap ini dilakukan transformasidata sesuai dengan sistem yang akandigunakan dalam analisis data mining.Transformasi ini dilakukan dengan caramemasukkandata-datatransaksipenjualan ke dalam aplikasi data mining.Tabel 1. Daftar Transaksi PenjualanNoTanggal TransaksiNo. NotaNama Barang1.1 Februari 201510036Ember, Gayung2.1 Februari 201510038Dispenser, Pisau3.1 Februari 201510040Piring, Sendok, Garpu4.2 Februari 201510042Sapu, Alat Pel5.3 Februari 201510045Garpu, Sendok6.3 Februari 201510046Saringan Santan, Sendok, Piring7.4 Februari 201510048Piring, Mangkuk, Teko