20. implementasi data mining pada penjualan produk elektronik dengan algoritma apriori (studi kasus ...

Pelita Informatika Budi Darma, VolumePelita Informatika Budi Darma, VolumePelita Informatika Budi Darma, VolumePelita Informatika Budi Darma, Volume : : : : I I I IV, Nomor: 3V, Nomor: 3V, Nomor: 3V, Nomor: 3, , , , Agustus Agustus Agustus Agustus 2012012012013333 ISSN : ISSN : ISSN : ISSN : 2301230123012301----9425942594259425

Implementasi Data Mining Pada Penjualan Produk Elektronik Dengan Algoritma Apriori

(Studi Kasus : Kreditplus). Oleh : Dewi Kartika Pane

25

IMPLEMENTASI DATA MINING PADA PENJUALAN PRODUK

ELEKTRONIK DENGAN ALGORITMA APRIORI

(STUDI KASUS : KREDITPLUS)

Dewi Kartika Pane (0911801)

Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan Jl. Sisimangaraja No.338 Simpang Limun Medan

www.stmik-budidarma.ac.id // Email, [email protected]

ABSTRAK

Penjualan produk elektronik, khususnya laptop mengalami peningkatan setiap bulannya, produk yang

ditawarkan bermacam merek, merek mempengaruhi masyarakat untuk membeli produk tersebut, untuk

mengetahui merek dengan penjualan terbanyak diperlukan algoritma apriori untuk dapat mengetahuinya, dan

dengan bantuan tools tanagra, produk dengan penjualan terbanyak dapat diketahui. Algoritma apriori termasuk

jenis aturan asosiasi pada data mining. Salah satu tahap analisis asosiasi yang menarik perhatian banyak peneliti

untuk menghasilkan algoritma yang efisien adalah analisis pola frequensi tinggi(frequent pattern mining).

Penting tidaknya suatu asosiasi dapat diketahui dengan dua tolak ukur , yaitu : support dan confidence. Support

(nilai penunjang) adalah persentase kombinasi item tersebut dalam database, sedangkan confidence (nilai

kepastian) adalah kuatnya hubungan antar-item dalam aturan asosiasi. Algoritma apriori dapat membantu untuk

pengembangan strategi pemasaran.

Kata Kunci : penjualan, produk elektronik, algoritma apriori

1. Pendahuluan

1.1 Latar Belakang

Banyaknya persaingan dalam dunia bisnis

khususnya dalam industri penjualan, menuntut para

pengembang untuk menemukan suatu strategi yang

dapat meningkatkan penjualan dan pemasaran

produk yang dijual, salah satunya adalah dengan

pemanfaatan data penjualan produk elektronik.

Dengan adanya kegiatan penjualan setiap hari, data

semakin lama akan semakin bertambah banyak.

Data tersebut tidak hanya berfungsi sebagai arsip

bagi perusahaan, data tersebut dapat dimanfaatkan

dan diolah menjadi informasi yang berguna untuk

peningkatan penjualan dan promosi produk.

Produk Elektronik merupakan barang yang

sangat dibutuhkan saat ini, karena barang elektronik

sangat membantu manusia dalam melakukan

berbagai aktifitas, seperti Televisi yang membantu

manusia untuk mendapatkan informasi dan hiburan,

dan masih banyak barang elektronik lainnya yang

memiliki fungsi yang berbeda-beda untuk

mempermudah manusia dalam melakukan berbagai

aktifitas. Dari sumber data penjualan Kreditplus,

menunjukkan permintaan produk elektronik

semakin meningkat. Hal inilah yang dijadikan

sebagai dasar pengolahan data mining pada

penjualan produk elektronik.

Kreditplus merupakan perusahaan pembiayaan

beragam produk elektronik yang telah bekerja sama

dengan lebih dari 10.000 toko yang tersebar di

Indonesia. Data penjualan pada kredit plus selama

ini tidak tersusun dengan baik, sehingga data

tersebut hanya berfungsi sebagai arsip bagi

perusahaan dan tidak dapat dimanfaatkan untuk


Algoritma apriori termasuk jenis aturan

asosiasi pada data mining, Algoritma Apriori yang

bertujuan untuk menemukan frequent item sets

dijalankan pada sekumpulan data. Analaisis Apriori

didefenisikan suatu proses untuk menemukan

semua aturan apriori yang memenuhi syarat

minimum untuk support dan syarat minimum untuk

confidence

1.2 Rumusan Masalah

Adapun rumusan masalah yang akan diambil

adalah:

1. Bagaimana menerapkan algoritma apriori untuk

mengetahui penjualan produk elektronik yang

paling banyak terjual?

2. Apakah algoritma apriori dapat membantu

megembangkan strategi pemasaran?

3. Bagaimana mengimplementasikan algoritma

apriori pada penjualan produk elektronik dengan

Tanagra?

1.3 Batasan Masalah

Adapun batasan masalahnya adalah:

1. Implementasian ini dilakukan berdasarkan data

penjualan Kredit Plus Medan 1 tahun terakhir,

periode april 2012 sampai dengan maret 2013.




26

2. Data penjualan yang di gunakan adalah data

penjualan perbulan

3. Produk Elektronik yang dibahas adalah Laptop

4. Penetuan produk yang paling banyak terjual

berdasarkan merek

5. Tools yang digunakan adalah Tanagra versi 1,4.

1.4 Tujuan dan Manfaat Penelitian Tujuan dari dilakukannya penelitian ini adalah:

Untuk mengetahui sejauh mana algoritma apriori

dapat membantu pengembangan strategi pemasaran

. Adapun manfaat dari penelitian ini adalah:

Membantu perusahaan untuk mengetahui produk

elektronik yang paling banyak terjual.

2. Landasan Teori

2.1 Implementasi

Implementasi adalah bermuara pada aktivitas,

aksi, tindakan, atau adanya mekanisme suatu

sistem. Implementasi bukan sekedar aktivitas, tetapi

suatu kegiatan yang terencana dan untuk mencapai

tujuan kegiatan. Implementasi adalah perluasan

aktivitas yang saling menyesuaikan proses interaksi

antara tujuan dan tindakan untuk mencapainya serta

memerlukan jaringan pelaksana, birokrasi yang

efektif.

2.2 Data Mining

Data mining adalah suatu istilah yang

digunakan untuk menguraikan penemuan

pengetahuan didalam database. Data mining adalah

proses yang menggunakan teknik statistik,

matematika, kecerdasan buatan, dan machine

learning untuk mengekstraksi dan mengidentifikasi

informasi yang bermanfaat dan pengetahuan yang

terkait dari berbagai database besar[1].

2.3 Algoritma Apriori Algoritma apriori termasuk jenis aturan asosiasi

pada data mining. Aturan yang menyatakan asosiasi

antara beberapa atribut sering disebut affinity

analysis atau market basket analysis. Analisis

asosiasi atau association rule mining adalah teknik

data mining untuk menemukan aturan suatu

kombinasi item. Salah satu tahap analisis asosiasi

yang menarik perhatian banyak peneliti untuk

menghasilkan algoritma yang efisien adalah analisis

pola frequensi tinggi(frequent pattern mining).

Penting tidaknya suatu asosiasi dapat diketahui

dengan dua tolak ukur , yaitu : support dan

confidence. Support (nilai penunjang) adalah

persentase kombinasi item tersebut dalam database,

sedangkan confidence (nilai kepastian) adalah

kuatnya hubungan antar-item dalam aturan

asosiasi[2].

1. Analisis Pola Frekuensi Tinggi dengan

Algoritma Apriori

Tahap ini mencari kombinasi item yang

memenuhi syarat minimum dari nilai support dalam

basis data. Nilai support sebuah item diperoleh

dengan menggunakan rumus berikut:

Sementara, nilai support dari 2 item diperoleh

dengan menggunakan rumus :

Frequent itemset menunjukkan itemset yang

memiliki frekuensi kemunculan lebih dari nilai

minimum yang ditentukan ( ). Misalkan = 2,

maka semua itemsets yang frekuensi

kemunculannya lebih dari atau sama dengan 2 kali

disebut frequent. Himpunan dari frequent k-itemset

dilambangkan dengan Fk.

2. Pembentukan Aturan Asosiasi

Setelah semua pola frekuensi tinggi ditemukan,

barulah dicari aturan asosiasi yang memenuhi

syarat minimum untuk confidence dengan

menghitung confidence aturan asosiatif A B.

Nilai confidence dari aturan A B diperoleh

dengan rumus berikut:

Untuk menentukan aturan asosiasi yang akan

dipilih maka harus diurutkan berdasarkan Support

× Confidence. Aturan diambil sebanyak n aturan

yang memiliki hasil terbesar.

3. Analisa

3.1 Analisa Masalah Pada Kreditplus Medan

Data penjualan pada kreditplus selama ini tidak

tersusun dengan baik, sehingga data penjualan yang

semakin hari semakin banyak tersebut hanya

berfungsi sebagai arsip bagi perusahaan dan tidak

dapat dimanfaatkan perusahaan untuk


Oleh sebab itu perusahaan Kreditplus

memerlukan sistem untuk mengolah data yang

dapat menghasilkan data penjualan produk

elektronik yang paling sering dibeli, sehingga

produk elektronik yang paling sering dibeli tersebut

dapat menjadi acuan untuk mengembangkan

strategi pemasaran produk tersebut kepada

konsumen.

3.2 Daftar Merek Produk Elektronik Pada

Perusahaan Kreditplus Medan

Berikut ini adalah daftar merek produk

Elektronik, dapat dilihat pada tabel dibawah ini:




27

Tabel 1 : Daftar Merek Produk Elektronik pada

Kreditplus Medan

No

.

Merek Jenis

1. Acer Laptop

2. Asus Laptop

3. HP Laptop

4. Samsung Laptop

5. Lenovo Laptop

6. Zyrex Laptop

7. Bioar Laptop

8. Apple Laptop

9. Toshiba Laptop

10. Hewpa Laptop

11. Dell Laptop

12. Axio Laptop

13. Compaq Laptop

4. Pembahasan

Algoritma apriori bertujuan untuk menemukan

semua aturan apriori yang memenuhi syarat

minimum support (nilai Penunjang), yaitu

kombinasi tiap item dalam database. Dan syarat

minimum confidence (nilai kepastian), yaitu

kuatnya hubungan antar item dalam aturan asosiasi.

4.1 Pola Transaksi Penjualan Produk Elektronik

Pada Kreditplus Medan

Berdasarkan transaksi penjualan produk

elektronik pada perusahaan Kreditplus Medan,

transaksi tersebut dapat diakumulasikan. Akumulasi

transaksi penjualan produk Elektronik pada

Kreditplus Medan diperoleh dari penjualan bulanan

yang diambil dari 3 teratas laporan bulanan, dapat

dilihat dalam tabel dibawah ini :

Tabel 2 : Pola Transaksi Penjualan Produk

Elektronik

a. Pembentukan Itemset

Berikut ini adalah penyelesaian dengan

contoh kasus berdasarkan data yang sudah

disediakan pada tabel 4.2 :

Proses pembentukan C1 atau disebut dengan

1 itemset dengan jumlah minimum support = 30%

Dengan rumus sebagai berikut:

Support(A)

Tabel 3 : Support dari tiap item

Itemset Support

Acer 75%

Asus 50%

HP 50%

Samsung 66,67%

Toshiba 58,33%

b. Kombinasi 2 Itemset



Dapat diselesaikan dengan rumus berikut:

Support(A,B) = P(A∩B)

Support(A,B)

Tabel 4 : Calon 2-itemset

Itemset Jumlah Support

Acer, Asus 4 33,33%

Acer , HP 3 25%

Acer, Samsung 4 Acer, Toshiba 6 50%

Asus, Toshiba 2 16,67%

Asus, Samsung 2 25%

Asus, HP 2 20%

HP,Samsung 3 33,33%

HP,Toshiba 2 16,67%

Toshiba,Samsung 3 33,33%

Minimal support yang ditentukan adalah

30%, jadi kombinasi 2 itemset yang tidak

memenuhi minimal support akan dihilangkan,

terlihat seperti 27able dibawah ini:

Tabel 5 : Minimal Support 2 itemset 30%

Itemset Support

Acer, Asus 33,33%

Acer, Samsung Acer, Toshiba 50%

HP, Samsung 33,33%

Toshiba, Samsung 33,33%

c. Kombinasi 3 Itemset



Dapat diselesaikan dengan rumus berikut:

No. Itemset

1 Acer, Toshiba, Samsung

2 Toshiba, Acer, Asus

3 Samsung, Toshiba, HP

4 Samsung, Asus, Acer

5 Acer, Samsung, Toshiba

6 Acer, Toshiba, HP

7 Acer, Asus, Toshiba

8 Acer, Asus, HP

9 HP, Samsung, Asus

10 Acer, Samsung, HP

11 Samsung, Acer, Toshiba

12 HP, Asus, Samsung




28

Support(A,B) = P (A )

Support

Tabel 6 : Kombinasi 3 itemset

Itemset Jumlah Support

Acer, Toshiba, HP 1 8,33%

Acer ,Toshiba,Asus 2 16,67%

Acer ,Samsung, Toshiba 2 16,67%

Asus,Acer,HP 1 8,33%

Asus,HP,Samsung 2 16,67%

Asus,HP,Toshiba 0 0%

HP,Samsung,Toshiba 1 8,33%

Karena Kombinasi 3 itemset tidak ada yang

memenuhi minimal support, maka 2 kombinasi

yang memenuhi untuk pembentukan asosiasi .

Pembentukan Aturan Asosiasi

Setelah semua pola frekuensi tinggi

ditemukan, barulah dicari aturan asosiasi yang

memenuhi syarat minimum untuk confidence

dengan menghitung confidence aturan asosiatif

A→B.

Minimal Confidence=60%

Nilai Confidence dari aturan A→B diperoleh

dengan rumus berikut:

∑ Transaksi mengandung A dan

B

Confidence =

∑ Transaksi mengandung A

Dari kombinasi 2 itemset yang telah

ditemukan, dapat dilihat besarnya nilai support, dan

confidence dari calon aturan asosiasi seperti tampak

pada tabel dibawah ini:

Tabel 7 : Aturan Asosiasi

Aturan Confidence

Jika membeli

Acer,maka akan

membeliAsus

4/9 44,44%

Jika membeli Asus,

maka akan membeli

Acer

4/6 66,67%

Jika membeli Acer,

maka akan membeli

Samsung

5/9 45%

Jika membeli Samsung,

maka akanmembeli

Acer

5/8 40%

Jika membeli Acer,

maka akan membeli

Toshiba

6/9 66,67%

Jika membeli Toshiba, 6/7 85,714%

maka akan membeli,

Acer

Jika membeli HP, maka

akan membeli Ssmsung

4/6 66,67%

Jika membeli Samsung,

maka akan membeli HP

4/8 50%

Aturan Asosiasi Final

Aturan asosiasi final terurut berdasarkan

minimal support dan minimal confidence yang

telah ditentukan, dapat dilihat pada tabel

dibawah ini:

Tabel 8 : Aturan Asosiasi Final

Aturan Support Confidence

Jika membeli Acer, maka

akan membeli Toshiba

50% 66,67%

Jika membeli Toshiba,

maka akan membeli,

Acer

50% 85,714%

Berdasarkan aturan asosiasi diatas,dapat

diketahui merek produk elektronk yang paling

banyak terjual pada perusahaan Kreditplus

Medan,dan dapat dilihat pada grafik berikut ini:

Gambar 1 : Grafik Hasil Pembentukan Aturan

Asosiasi Final PenjualanTerbanyak

5.1 Kesimpulan

Kesimpulan dari penulisan skripsi ini adalah

bahwa:

Jadi, berdasarkan grafik diatas, merek produk

elektronik yang paling banyak terjual adalah Acer

dan Toshiba, dengan diketahuinya produk yang

paling banyak terjual tersebut, sehingga perusahaan

dapat menyusun strategi pemasaran untuk

memasarkan produk dengan merek lain dengan

meneliti apa kelebihan produk yang paling banyak




29

terjual tersebut dengan produk lainnya dan dapat

menambah persedian Acer dan Toshiba.

5.2 Saran

1. Penjualan produk elektronik paling banyak

terjual pada perusahaaan Kreditplus Medan

dapat diketahui dengan menggunakan

algoritma apriori, dengan melihat produk yang

memenuhi minimal support dan minimal

confidence, produk yang paling banyak terjual

tersebut adalah Acer dan Toshiba, namun

dalam penghitungan support dan

confidencenya sulit jika data yang diolah

dalam jumlah yang besar.

2. Algoritma Apriori dapat membantu

mengembangkan strategi pemasaran dengan

memberikan saran kepada konsumen.

3. Pengimplementasian Algoritma Apriori pada

tanagra dimulai dengan penginputan data

penjualan perbulan yang menjadi database

pada Ms.Excel, semakin banyak data maka

pembuatan tabel tabular akan semakin sulit.

Tabel tabular tersebut yang kemudian

dikoneksikan ke dalam tools tanagra, dan

mulailah pembentukan support dan confidence

dan kemudian akan menghasilkan asosiasi

final yang memenuhi support dan confidence.

Daftar Pustaka

[1]. Kusrini, EmhaTaufiqLuthfi, “ALGORITMA

DATA MINING”, ANDI, Yogyakarta, 2010

FeriSulianta & Dominikus Juju, “Data Mining

– MeramalkanBisnis Perusahaan”, 2010

[2]. Dana Sulistiyo Kusumo, Moch. Arief

Bijaksana, Dhinta Darmantoro. Data Mining

Dengan Algoritma Apriori Pada RDBMS

Oracle,2003,Jurnal Penelitian dan

Pengembangan TELEKOMUNIKASI, Juni

2003, Vol. 8 No. 1,3.

http://elib.unikom.ac.id/files/disk1/487/jbp

tunikompp-gdl-derrisepti-24335-2-babii_d-

x.pdf, 23 Mei 2013

[3]. http://id.wikipedia.org/wiki/Elektronika, 23

Mei 2013

[4]. http://eric.univ-

lyon2.fr/~ricco/tanagra/en/tanagra.html, 23

Mei 2013

[5]. http://id.wikipedia.org/wiki/Microsoft_Excel,

23 Mei 2013

20. implementasi data mining pada penjualan produk elektronik dengan algoritma apriori (studi kasus ...

Education