artikel implementasi algoritma fp-growth pada...

ARTIKEL

IMPLEMENTASI ALGORITMA FP-GROWTH PADA SISTEM

PENJUALAN COUNTER ERAFONE UNTUK MENINGKATKAN

PENJUALAN DAN MEMINIMALISIR KERUGIAN

Oleh:

KANA FITRIA RAHMAWATI

14.1.03.02.0014

Dibimbing oleh :

1. Ahmad Bagus Setiawan, S.T., M.M., M.Kom.

2. Ardi Sanjaya, M.Kom.

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK

UNIVERSITAS NUSANTARA PGRI KEDIRI

TAHUN 2019

Artikel Skripsi

Universitas Nusantara PGRI Kediri

Kana Fitria Rahmawati | 14.1.03.02.0014 Fakultas Teknik – Teknik Informatika

simki.unpkediri.ac.id || 1||

SURAT PERNYATAAN

ARTIKEL SKRIPSI TAHUN 2019

Yang bertanda tangan di bawah ini:

Nama Lengkap : KANA FITRIA RAHMAWATI

NPM : 14.1.03.02.0014

Telepun/HP : 083845381863

Alamat Surel (Email) : [email protected]

Judul Artikel : Implementasi Algoritma FP-Growth Pada Sistem

Penjualan Counter Erafone untuk Meningkatkan

Penjualan dan Meminimalisir Kerugian.

Fakultas – Program Studi : Teknik – Teknik Informatika

Nama Perguruan Tinggi : Universitas Nusantara PGRI Kediri

Alamat Perguruan Tinggi : Jln. Kh. Ahmad Dahlan No. 76, Mojoroto, Kediri

Dengan ini menyatakan bahwa :

a. artikel yang saya tulis merupakan karya saya pribadi (bersama tim penulis) dan

bebas plagiarisme;

b. artikel telah diteliti dan disetujui untuk diterbitkan oleh Dosen Pembimbing I dan II.

Demikian surat pernyataan ini saya buat dengan sesungguhnya. Apabila di kemudian hari

ditemukan ketidaksesuaian data dengan pernyataan ini dan atau ada tuntutan dari pihak lain,

saya bersedia bertanggungjawab dan diproses sesuai dengan ketentuan yang berlaku.

Mengetahui Kediri, 7 Februari 2019

Pembimbing I

Ahmad Bagus Setiawan, S.T., M.M., M.Kom.

NIDN. 0703018704

Pembimbing II

Ardi Sanjaya, M.Kom.

NIDN. 0706118101

Penulis,

Kana Fitria Rahmawati

NPM. 14.1.03.02.0014

Artikel Skripsi




IMPLEMENTASI ALGORITMA FP-GROWTH PADA SISTEM

PENJUALAN COUNTER ERAFONE UNTUK MENINGKATKAN

PENJUALAN DAN MEMINIMALISIR KERUGIAN

Kana Fitria Rahmawati

14.1.03.02.0014

Fakultas Teknik – Teknik Informatika

[email protected]

Ahmad Bagus Setiawan, S.T., M.M., M.Kom. dan Ardi Sanjaya, M.Kom.

UNIVERSITAS NUSANTARA PGRI KEDIRI

ABSTRAK

Penelitian ini dilatar belakangi hasil pengamatan peneliti bahwa data transaksi penjualan pada

kebanyakan counter handphone hanya dijadikan arsip tanpa adanya pemanfaatan yang lebih efisien.

Bahkan masih banyak counter HP yang perekapan datanya masih menggunakan cara manual. Hal

tersebut mengakibatkan penumpukan arsip yang kemudian menjadi sampah, padahal jika diolah akan

menjadi informasi yang bermanfaat.

Penelitian ini menggunakan salah satu metode data mining, yaitu Association Rule dengan

algoritma Frequent Pattern Growth (FP-Growth) umtuk mengolah data transaksi penjualan menjadi

informasi berupa presentase HP atau aksesoris yang sering terjual dan HP atau aksesoris yang jarang

atau tidak laku terjual. Dengan menggunakan data transaksi penjualan para produsen HP atau

aksesoris dapat membatasi jumlah HP atau aksesoris yang kurang begitu laris dan menambah stok HP

atau aksesoris yang laris terjual. Selain itu dari analisis data penjualan dapat juga ditemukan

kombinasi HP atau aksesoris yang sering terjual secara bersamaan. Tujuan dari penelitian ini adalah

menghasilkan sebuah program atau aplikasi untuk menganalisa data transaksi penjualan dengan

menggunakan lagoritma FP-Growth, berdasarkan nilai minimum frekuensi dan minimum confidence

yang dapat disesuaikan oleh pengguna aplikasi.

Kesimpulan hasil penelitian ini adalah aplikasi yang dapat mengimplementasikan data mining

dengan metode Association Rule dan algoritma FP-Growth untuk menganalisa data transaksi

penjualan dengan baik. Banyaknya variasi data mempengaruhi banyaknya hasil analisa dan nilai

presentasi support dan confidence dari masing-masing kombinasi HP atau aksesoris. Aplikasi juga

dapat memberikan saran penambahan stok barang dan pengurangan stok barang terhadap HP atau

aksesoris yang laris dan yang kurang laku terjual.

KATA KUNCI : Data Mining, Association Rule, FP-Growth, Market Basket Analysis

I. LATAR BELAKANG

Dalam dunia bisnis kerap muncul

berbagai masalah internal, counter hp

merupakan salah satu usaha yang tidak

luput dari masalah-masalah tersebut.

Permasalahan yang sering dihadapi oleh

para produsen HP atau aksesoris adalah

HP atau aksesoris yang tidak terjual

akhirnya mengalami penurunan harga,

tentunya hal tersebut mengakibatkan

kerugian. Counter Erafone merupakan

salah satu produsen HP yang tidak luput

dari masalah tersebut. Dengan adanya

masalah tersebut, para produsen HP

Artikel Skripsi




harus berfikir untuk dapat

mengatasinya. Salah satu strategi yang

dapat digunakan adalah dengan

memanfaatkan teknologi informasi.

Data transaksi penjualan adalah

salah satu data yang dapat diolah. Pada

counter Erafone data tersebut biasanya

hanya disimpan sebagai arsip tanpa

digunakan lagi dan akhirnya terus

menumpuk. Padahal data transaksi

penjualan tersebut dapat diolah

menggunakan data mining untuk meliha

t pola pembelian pelanggan.

“Teknik Market Basket Analysis

(MBA) merupakan teknik yang

mengadaptasi ilmu data mining”

(Kusrini, 2009). MBA merupakan salah

satu contoh dari data mining yang

digunakan untuk menganalisa kebiasaan

konsumen dalam berbelanja. Terknik ini

digunakan untuk merancang strategi

penjualan dan pemasaran suatu barang

melalui pencarian asosiasi atau

hubungan antar item data dari suatu

basis data. Salah satu teknik dalam data

mining yang terkenal dan cocok untuk

MBA adalah Association Rule Mining.

Sedangkan algoritma yang akan

digunakan nantinya adalah algoritma

Frequent Pattern Growth (FP-Growth).

Algoritma ini merupakan

pengembangan dari algoritma Apriori

dimana algoritma FP-Growth dapat

melakukan analisa lebih cepat

dibandingkan algoritma apriori.

Dengan MBA ini nantinya data

transaksi penjualan counter Erafone

akan di analisa untuk menemukan hasil

yaiitu berupa presentase HP atau

aksesoris yang sering terjual dan yang

jarang atau tidak laku terjual. Dengan

menggunakan data tersebut para

produsen HP dapat membatasi jumlah

barang yang kurang begitu laris dan

menambah stok HP atau aksesoris yang

laris terjual.

II. METODE

A. Association Rule

“Association Rule mining

adalah suatu prosedur untuk

mencari hubungan antar item

dalam suatu data set yang

ditemukan” (Han, Kamber,

2006). Association rule di

definisikan sebagi suatu proses

untuk menemukan semua

aturan asosiasi yang memenuhi

syarat minimum untuk support

(minimum support) dan syarat

minimum untuk cinfidence

(minimum confidence). Jika

support-nya ≥ minimum

support dan confidence-nya ≥

minimum confidence, maka

rule tersebut bisa dikatakan

Artikel Skripsi




sebagai interesting rule. Tahap

ini mencari kombinasi item

yang memenuhi syarat

minimum dari nilai support

dalam database. Nilai support

sebuah item diperoleh dengan

perhitungan seperti berikut

(Ngatimin, 2013):

( ) ∑

∑ ( )

Sementara itu, nilai

support dari 2 item diperoleh

dari perhitungan berikut:

( ) ∑

∑ ( )

Setelah semua pola

frekuensi ditemukan, barulah

dicari aturan asosiasi yang

memenuhi syarat minimum

untuk confidence dengan

perhitungan confidence sebagai

berikut:

( | ) ∑

∑ ( )

B. Frequent Pattern Growth

(FP-Growth)

“Frequent pattern growth

algorithm atau yang biasa

disebut dengan FP-Growth

Algorithm adalah suatu

algoritma yang memperkecil

Ukuran data set yang

mempresentasikan frequent

item ke dalam frequent pattern

tree (FP-Tree)” (Han, Kamber,

2006).

Algoritma FP-

Growth merupakan konsep

pembangunan tree dalam

pencarian frequent itemsets. Hal

tersebutlah yang menyebabkan

algoritma FP-Growth lebih

cepat dari lagoritma Apriori.

Karakteristik algoritma FP-

Growth adalah struktur data

yang menggunakan tree atau

disebut dengan Frequent

Pattern Tree (FP-Tree).

Dengan menggunakan FP-Tree,

algoritma FP-Growth dapat

langsug mengekstrak frequent

itemset dari FP-Tree.

III. HASIL DAN KESIMPULAN

Dalam perancangan

program, bahasa pemrograman

yang digunakan adalah C#

denagan Integreted Development

Environment (IDE) menggunakan

Visual Studio 2013. Sedangkan

database yang digunakan adalah

MySQL.

Berikut tampilan program

Aplikasi Counter HP:

A. Tampilan Halaman Login

Halaman login dapat

diakses dengan menekan

tombol login pada menu

Artikel Skripsi




awal. Berikut merupakan

tmpilan halaman login:

Gambar 3.1 Halaman Login

Login dibedakan

menjadi 2 bagian, yaitu login

admin dan login karyawan.

Admin memiliki prioritas

lebih tinggi dan dapat

mengakses keseluruhan

aplikasi, sedangkan karyawan

hanya dapat mengakses data

barang, transaksi penjualan,

dan analisis penjualan saja.

B. Tampilan Halaman Utama

(Home)

Halaman utama

dapat diakses setelah

melakukan login. Perbedaan

dari halaman login adalah

bagian menu yng sudah dapat

diakses sesuai prioritas ketika

login.

Gambar 3.2 Halaman Utama

Pada gambar 3.2

login yang digunakan admin

oleh karenanya semua menu

dapat diakses. Jika

melakukan login karyawan

menu laporan penjualan dan

data karyawan tetap tidak

akan dapat diakses.

C. Tampilan Halaman Data

Barang

Halam data barang

dapat diakses dengan menekan

menu data barang. Berikut

merupakan tampilan halaman

data barang:

Gambar 3.3 Halaman Data Barang

Bagian utama dari

halaman data barang adalah

tabel data barang yang disertai

dengan detail gambar dan

Artikel Skripsi




deskripsinya. Selain itu

terdapat informasi tambahan

berupa jumlah variasi barang

dan jumlah jenis barang. Fitur:

pencaruan data barang, input

data, edit data, dan hapus data.

D. Tampilan Halaman Transaksi

Penjualan

Halaman transaksi

penjualan dapat diakses

dengan menekan menu

transaksi penjualan. Berikut

adalah tampilan halaman

transaksi penjualan:

Gambar 3.4 Halaman

Transaksi Penjualan

Bagian utama dari

halaman transaksi penjualan

adalah tabel data transaksi

harian dilengkapi dengan

detail transaksi serta tabel

detail item apa saja yang

dibeli dalam satu transaksi.

Selain itu terdapat informasi

tambahan berupa jumlah

transaksi keseluruhan dan

jumlah transaksi harian. Fitur:

input data dan hapus data.

E. Tampilan Halaman Analisis

Penjualan

Halaman analisis


dengan menekan menu

analisis penjualan. Berikut


analisis penjualan:

Gambar 3.5 Halaman

Analisis Penjualan

Bagian utama dari

halaman analisis penjualan

adalah tabel hasil perhitungan

algoritma FP-Growth yang

dibagi menjadi dua, yaitu

perhitungan satu itemset dan

perhitungan kombinasi dua

itemset. Selain itu terdapat

informasi tambahan berupa

rekomendasi barang, saran

sistem dalam memproduksi

barang, jumlah keseluruhan

item yang dihitung, dan

frekuensi per-item.

Pada gambar 3.5

diatas minimum frekuensi

diatur 4 sedangkan minimum

Artikel Skripsi




confidence diatur 45%, hasil

yang di dapat sebagai berikut:

Gambar 3.6 Hasil

Itemset 1

Gambar 3.7 Hasil

Kombinasi 2 Itemset

Gambar 3.8 hasil Saran Sistem

Fitur: penentuan minimum

frekuensi dan minimum

confidence.

F. Tampilan Halaman Laporan

Penjualan

Halaman laporan


dengan menekan menu

laporan penjualan. Hak akses

halaman laporan hanya

diberikan kepada admin, oleh

karenanya karyawan tidak

dapat mengakses halaman

laporan penjualan. Berikut


laporan penjualan:

Gambar 3.9 Halaman

Laporan Penjualan

Bagian utama dari

halaman laporan penjualan

adalah tabel penjualan harian

dan detail transaksi dalam

sehari. Selain itu terdapat

informasi tambahan berupa

jumlah laporan harian serta

kinerja karyawan.

G. Tampilan Halaman Data

Karyawan

Halan data

karyawan dapat diakses

dengan menekan menu data

karyawan. Hak akses

halaman data karyawan hanya

diberikan kepada admin, oleh

karenaya karyawan tidak

dapat mengakses halaman

data karyawan. Berikut

adalah tampilan halaman data

karyawan:

Artikel Skripsi




Gambar 3.10 Halaman

Data Karyawan

Bagian utama dalam

halaman data karyawan

adalah tabel data karyawan

dilengkapi dengan detailnya.

Selain itu terdapat informasi

tambahan berupa jumlah

karyawan, data jumlah

gender, dan data jam masuk.

Fitur: diantaranya pencarian

karyawan, input data, edit

data, dan hapus data.

H. Tampilan Halaman Info

Aplikasi

Halaman info

aplikasi dapat diakses dengan

menekan menu info aplikasi.

Halaman info aplikasi adalah

satu-satunya menu yang dapat

diakses bahkan sebelum

login. Berikut adalah

tampilan halaman info

aplikasi:

Gambar 3.11 Halaman

Info Aplikasi

Bagian utama dalam

halaman info aplikasi adalah

Bantuan Aplikasi dan

Tentang Aplikasi. Pada

bagian Bantuan Aplikasi

terdapat empat sub bagian,

yaitu: Bantuan Login,

Bantuan Input, Bantuan Edit,

dan Bantuan hapus.

IV. PENUTUP

A. Simpulan

Berdasarkan

pembahasan dari analisis dan

uji coba yang telah dilakukan,

maka dapat diambil

kesimpulan terhadap

.Aplikasi Counter HP adalah

sebagai berikut:

1. Metode Frequent Pattern

Growth (FP-Growth)

dapat digunakan untuk

menganalisa HP atau

Aksesoris yang paling

diminati pelanggan.

Artikel Skripsi




2. Aplikasi counter HP telah

dapat

mengimplementasikan

data mining metode

Association Rule

algoritma FP-Growth

dengan baik. Hasil dari

aplikasi ini berupa

informasi tingkat

popularitas HP atau

aksesoris yang disukai

pelanggan, kombinasi HP

atau aksesoris yang dibeli

bersamaan setiap

transaksinya,

rekomendasi HP atau

aksesoris yang terlaris,

serta saran dari sistem

untuk menambah data

mengurangi barang

tertentu.

3. Dengan adanya fitur saran

sistem pada Aplikasi

Counter HP pemilik

counter dapat mengetahui

HP atau aksesoris apa saja

yang sebaiknya

ditingkatkan jumlah

stoknya agar mendapat

keuntungan lebih dan

barang mana saja yang

sebaiknya dikurangi

jumlah stoknya agar tidak

terjadi kerugian.

B. Saran

Berdasarkan uraian

kesimpulan diatas, maka

saran yang diharapkan

penulis untuk pengembangan

aplikasi serupa adalah sebagai

berikut:

1. Perlu adanya penambahan

data beberapa bulan agar

mendapat lebih banyak

variasi hasil.

2. Diharapkan untuk

penelitian selanjutnya

dapat menganalisa data

penjualan berdasarkan

bulan dan tahun.

3. Diharapkan terdapat

penambahan halaman

untuk melihat

perkembangan popularitas

HP atau aksesoris.

4. Sistem ini dapat

diterapkan pada kasus lain

serupa.

Artikel Skripsi




V. DAFTAR PUSTAKA

Gunadi, G. & Sesuse, D.I. 2012.

Penerapan Metode Data

Mining Market Basket

Analysis terhadap Data

penjualan Produk Buku

dengan Menggunakan

Algoritma Apriori dan

Frequent Pattern Growth

(FP-Growth): Studi

Kasus Percetakan PT.

Gramedia. Vol. 4, No.1,

Hal 121.

Han & Kamber. 2006. Data

Mining: Concepts and

Techniques, 2nd ed.

Ikhsana, Y. dkk. 2015.

Implementasi Data

Mining dengan

Menggunakan Algoritma

FP-Growth untuk

Menentukan Pola

Penjualan Barang pada

Event Tertentu (Studi

Kasus: Berkah

Swalayan). Jurnal Aksara

Komputer Terapan. Vol.

4. No. 4.

Kusrini & Luthfi, E.T. 2009.

Algoritma Data Mining.

Yogyakarta: Andi.

Maulida, T.A. 2014. Analisa Data

mining Menggunakan

Algoritma Frequent

Pattern Growth pada

Data Transaksi

Penjualan Restoran

Joglo Kampoeng Doloe

Semarang. Universitas

Dian Nuswantoro.

Ngatimin. 2013. Perancangan

Aplikasi E-Comerce

Toko Buku Qisthi dengan

Menggunakan Metode

Market Basket Analysis.

Vol. 5, No. 1.

Samuel, D. 2008. Penerapan

Struktur FP-Tree dan

Algoritma FP-Growth

dalam Optimasi

Penentuan Frequent

Itemset. Institut

Teknologi Bandung.

Sonrisa, S. 2016. Implementasi

Data Mining Terhadap

Penentuan Paket Hemat

Sembako dan Kebutuhan

Harian Menggunakan

Aturan Association Rule

di Primer Koperasi

Kartika Baja Cilegon

dengan Algoritma FP-

Growth. Bandung:

Universitas Komputer

Indonesia.

Turban, E., dkk. 2005. Decicion

Support Systems and

Intelligent Systems.

Yogyakarta: Andi Offset.

artikel implementasi algoritma fp-growth pada...

Documents