artikel pengaturan layout produk berdasarkan historis...

Artikel Skripsi

Universitas Nusantara PGRI Kediri

Yessika Wahyu Hidayah| 13103030057 Fakultas Teknik – Prodi Sistem Informasi

simki.unpkediri.ac.id || 2||

ARTIKEL

Pengaturan Layout Produk Berdasarkan Historis Penjualan

Menggunakan Algoritma Apriori

Oleh:

YESSIKA WAHYU HIDAYAH

13.1.03.03.0057

Dibimbing oleh :

1. ERNA DANIATI, M.Kom.

2. AIDINA RISTYAWAN, M.Kom.

PROGRAM STUDI SISTEM INFORMASI

FAKULTAS TEKNIK

UNIVERSITAS NUSANTARA PGRI KEDIRI

TAHUN 2017

Simki-Techsain Vol. 01 No. 06 Tahun 2017 ISSN : XXXX-XXXX

Artikel Skripsi





Artikel Skripsi




PENGATURAN LAYOUT PRODUK BERDASARKAN HISTORIS

PENJUALAN MENGGUNAKAN ALGORITMA APRIORI

YESSIKA WAHYU HIDAYAH

13.1.03.03.0057

Fakultas Teknik – Prodi Sistem Informasi

Email: [email protected]

Erna Daniati, M.Kom1 dan Aidina Ristyawan, M.Kom

2

UNIVERSITAS NUSANTARA PGRI KEDIRI

Abstrak

Meningkatnya penjualan alat listrik menjadikan keuntungan pemilik/pelaku usaha semakin

bertambah ,namun hal ini juga berdampak pada penumpukan data. Dengan adanya

transaksi penjualan setiap harinya, menjadikan data penjualan yang ada semakin bertambah

banyak. Pada dasarnya kumpulan data tersebut memiliki informasi-informasi bermanfaat

yang bisa digunakan untuk membantu mengambil keputusan dan untuk memperoleh

pengetahuan baru tentang penjualan.

Penelitian ini bertujuan menghasilkan aplikasi pengolahan data yang mampu menyajikan

aturan asosiasi kombinasi barang, menghasilkan aplikasi pengaturan layout produk

berdasarkan historis penjualan menggunakan algoritma apriori dalam pengolahan data

transaksi penjualan alat listrik sehingga dapat digunakan untuk menentukan tingkat rak

barang serta membantu memberi masukan dan pengambilan keputusan yang tepat dan

akurat dalam pengaturan layout produk

Data yang mengalami penumpukan tersebut, untuk selanjutnya diolah dengan salah satu

metode dalam data mining yaitu algoritma apriori yang dapat digunakan untuk

menemukan kombinasi item yang ada pada transaksi penjualan. Kombinasi item yang

dihasilkan dari proses apriori ini kemudian akan digunakan sebagai bahan rekomendasi

strategi promosi penjualan yang berupa layout produk.

Hasil penelitian menunjukkan tingkat rak barang yang terbentuk dari hasil perhitungan

algoritma apriori. Dari hasil perhitungan di dapatkan hasil, terdapat 2 tingkat rak barang

yang memiliki 2 kombinasi itemset barang. Hasil tersebut diketahui dari nilai support x

confidence tertinggi.

Kata kunci : Algoritma Apriori, itemset, nilai support, nilai confidence


Artikel Skripsi




I. LATAR BELAKANG

Maraknya pasar modern yang

menjual alat listrik tidak lepas dari

peralihan pola pikir konsumen yang

mulanya berorientasi pada harga yang

murah, kini sudah memperhatikan aspek

keamanan, kenyamanan dan jenis barang

yang diperjualkan. Untuk meningkatkan

kenyamanan dan kemudahan bagi

konsumen saat belanja dibutuhkan

penataan layout produk, sesuai dengan

pendapat Dhotre (2010:130) bahwa layout

menentukan pengaturan susunan

merchandise yang ditawarkan oleh toko,

dan juga ketersediaan ruang untuk

berjalan (floor space) bagi konsumen.

Sehingga dapat meningkatkan keputusan

pembelian. Dari banyaknya keputusan

pembelian tersebut, berpengaruh pada

tingkat penjualan, maka para pelaku bisnis

harus mampu menyediakan barang sesuai

dengan permintaan, meningkatkan

kualitas produk, penambahan jenis produk

dan juga menganalisis barang apa saja

yang laku terjual. Dengan meningkatnya

penjualan alat listrik menjadikan

keuntungan bagi pemilik / pelaku usaha

yang semakin bertambah , namun hal ini

juga berdampak pada penumpukan data.

Dengan adanya transaksi penjualan setiap

harinya, menjadikan data penjualan yang

ada semakin bertambah banyak. Hal ini

berdampak pada membengkaknya biaya

operasional toko, pemborosan kertas

untuk menulis list pembelian konsumen

,serta belum terklasternya barang

berdasarkan jenis barang yang laku

terjual.

Pada dasarnya kumpulan data

tersebut memiliki informasi-informasi

bermanfaat yang bisa digunakan untuk

membantu mengambil keputusan dan

untuk memperoleh pengetahuan baru

tentang penjualan. Namun pada

kenyataanya para pelaku bisnis belum

mengetahui apa saja manfaat data

penjualan tersebut. Mereka hanya

berpikir, data penjualan yang ada hanya

dapat digunakan sebagai arsip toko,

historis penjualan barang setiap harinya,

serta untuk mengecek stok barang. Data

yang ada dapat diolah sedemikian

rupa,sehingga dapat digunakan sebagai

acuan dalam menentukan suatu strategi

jitu untuk meningkatkan penjualan. Salah

satu caranya adalah dengan tetap

tersediaannya berbagai jenis barang yang

dibutuhkan oleh konsumen.

Dalam penelitian ini memiliki

tujuan masalah antara lain: menghasilkan

aplikasi pengolahan data yang mampu

menyajikan aturan asosiasi kombinasi

barang, menghasilkan aplikasi pengaturan

layout produk berdasarkan historis


Artikel Skripsi




penjualan menggunakan algoritma apriori

dalam pengolahan data transaksi

penjualan alat listrik sehingga dapat

digunakan untuk menentukan tingkat rak

barang serta membantu memberi masukan

dan pengambilan keputusan yang tepat

dan akurat dalam pengaturan layout

produk

Menurut Kusrini (2007:6), data

mining adalah suatu teknik menggali

informasi berharga yang terpendam atau

tersembunyi pada suatu koleksi data

(database) yang sangat besar sehingga

ditemukan suatu pola yang menarik yang

sebelumnya tidak diketahui. Data mining

memiliki 5 peran utama yaitu, estimasi,

prediksi, klasifikasi, clustering, asosiasi.

Dalam data mining terdapat salah satu

algoritma yang mempelajari tentang

hubungan asosiatif suatu kombinasi item,

yaitu algoritma apriori. Penerapan

algoritma apriori dapat membantu dalam

membentuk kandidat kombinasi item.

Algoritma apriori yang bertujuan untuk

menemukan frequent itemsets dijalankan

pada sekumpulan data. Analisis apriori

didefinisikan suatu proses untuk

menemukan semua aturan apriori yang

memenuhi syarat minimum untuk support

dan syarat minimum untuk confidence

(Hermawati,2013:17- 18)

Support adalah nilai dua atau lebih

itemset yang dibeli secara bersamaan dari

keseluruhan transaksi. Nilai support

sebuah item diperoleh dengan rumus

berikut:

(1)

Sementara itu, nilai support dari 2 item

diperoleh dari rumus berikut:

(2)

Confidence adalah ukuran

probabilitas adanya itemset A pada suatu

transaksi maka juga terdapat itemset B

pada transaksi tersebut. Nilai confidence

menunjukkan hubungan antar item dalam

aturan asosiasi. Nilai confidence dari

aturan A =>B diperoleh dari rumus

berikut:

Confidence = P (B | A) =

(3)

Sedangkan untuk menemukan atribut

atau item yang muncul dalam satu waktu

maka dibutuhkan association rule.

Menurut (Santosa, 2007) association rule

adalah salah satu teknik utama atau

prosedur dalam market basket analysis

untuk mencari hubungan antar item dalam

suatu data set dan menampilkan dalam

bentuk association rule. Pengetahuan

yang dihasilkan dari aturan asosiasi


Artikel Skripsi




nantinya berbentuk “if ... then” atau “jika

... maka”. Dari semua kemungkinan if-

then antar item ini akan dipilih aturan

yang paling mungkin (most likely) sebagai

indikator dari hubungan ketergantungan

antar item. Aturan yang paling mungkin

akan diketahui dengan cara menggunakan

dua parameter yaitu support (nilai

penunjang) dan confidence (nilai

kepastian).

II. METODE

Pada penelitian ini menggunakan

metode Algoritma Apriori. Adapun

beberapa langkah penerapan perhitungan

apriori dalam data transaksi penjualan

adalah sebagai berikut

1) Pembentukan itemset

Sebuah itemset merupakan himpunan

beberapa item barang yang ada dalam

transaksi. Calon 1 itemset diambil dari

barang apa saja yang terdapat pada data

transaksi serta jumlahnya.

2) Pola Kombinasi 2 itemset

a. Pembentukan calon kombinasi F2.

Calon 2 itemset merupakan kombinasi 2

item barang yang mungkin terjadi dari

setiap data transaksi barang.

b. Pola kombinasi F2

Merupakan hasil dari kombinasi 2 itemset

yang terjadi dalam sebuah transaksi

c. Filter F2 berdasarkan nilai φ

Kombinasi 2 itemset yang telah terbentuk

akan di filter berdasarkan nilai φ .

Mengingat nilai minimum transaksi (φ)

adalah 3 maka dari calon 2 itemset (F2)

akan diambil kombinasi barang yang

memiliki jumlah transaksi >=3.

3) Perhitungan nilai support dan

confidence

4) Perhitungan nilai support x confidence

5) Perhitungan nilai support x confidence

tertinggi (hasil pengaturan layout

produk)

ANALISIS DAN PERANCANGAN

SISTEM

Analisis Sistem

1) Analisis Sistem Lama

Gambar 1. Flowchart Sistem Lama


Artikel Skripsi




2) Analisis Sistem Baru

Gambar 2. Flowchart Sistem Baru

Perancangan Sistem

1. Use Case Diagram

Gambar 3 Use Case Sistem Pengaturan

Layout Produk

2. Activity Diagram

Gambar 4. Activity Diagram Perhitungan

Sistem


Artikel Skripsi




Gambar 4. Activity Diagram Hasil Layout

Produk

3. Sequence Diagram

Gambar 5. Sequence Diagram Hasil

Layout Produk

III. HASIL DAN KESIMPULAN

Dari hasil perhitungan informasi yang

dihasilkan oleh sistem adalah berupa

pembentukan layout produk yang terdiri

dari dua item barang.

1) F1 (1 itemset )

F1 merupakan data barang yang terdapat

pada data transaksi serta jumlahnya, dapat

diketahui dari data barang apa saja yang

sering terjual. Terdapat 32 record barang

yang termasuk F1.

Tabel 1. Hasil F1

id_barang nm_barang

2 Kabel

15 Elco

7 Transistor

8 Socket

11 Remote

12 Baterai

3 Stop_kontak

16 Steker

1 Lampu

4 Fitingan

10 Solasi_listrik

19 Kawat_email_tembaga

14 IC

13 Resistor

5 Trafo

22 Rangkaian_Kit

26 Panel

20 FlyBack

6 Saklar

17 Jepit_aki

18 Aki

30 Pinset_tekuk

29 Anten


Artikel Skripsi




2) Pola Kombinasi F2

a. Calon Kombinasi F2

Dari hasil F1, maka dapat dicari calon

kombinasi F2. Caranya dengan

menggabungkan F1 dengan jumlah barang

yang terjual tadi. Tabel dibawah ini hanya

menampilkan 20 record barang dari jumlah

keseluruhan record.

Tabel 2. Calon Kombinasi F2

id_

barang

nm_

barang1

id_

barang

nm_

barang

2

7 Transistor 2 Kabel

8 Socket 2 Kabel

11 Remote 2 Kabel

12 Baterai 2 Kabel

3 Stop_kontak 2 Kabel

16 Steker 2 Kabel

1 Lampu 2 Kabel

4 Fitingan 2 Kabel

10 Solasi_listrik 2 Kabel

19

Kawat_email

_

tembaga 2 Kabel

14 IC 2 Kabel

13 Resistor 2 Kabel

5 Trafo 2 Kabel

22

Rangkaian_K

it 2 Kabel

26 Panel 2 Kabel

20 FlyBack 2 Kabel

6 Saklar 2 Kabel

17 Jepit_aki 2 Kabel

18 Aki 2 Kabel

30 Pinset_tekuk 2 Kabel

…. …. …. ….

b. Pola Kombinasi F2

Pola kombinasi F2 diambil dari hasil calon

kombinasi F2 yang terjadi dalam setiap

transaksi.

Tabel 3. Pola Kombinasi F2

id_transaksi barang1 barang2 jumlah

1 15 2 1

1 7 2 1

1 8 2 1

1 11 2 0

1 12 2 0

1 3 2 0

1 16 2 0

1 1 2 0

1 4 2 0

1 10 2 0

1 19 2 0

1 14 2 0

1 13 2 0

1 5 2 0

1 22 2 0

1 26 2 0

1 20 2 0

1 6 2 0

1 17 2 0

1 18 2 0

1 30 2 0

1 29 2 0

1 27 2 0

1 28 2 0

1 25 2 0

1 33 2 0

1 23 2 0

1 24 2 0

1 21 2 0

1 9 2 0

1 31 2 0

1 2 15 1

1 7 15 1

1 8 15 1

…… ….. ….. …..

c. Filter F2 berdasarkan nilai φ

Nilai φ =3 .


Artikel Skripsi




Tabel 4. Hasil Filter F2

barang1 barang2 jumlah

1 10 4

1 16 6

1 2 11

1 20 3

1 25 5

1 28 3

1 3 3

1 33 5

1 4 9

1 5 9

1 6 8

1 8 6

1 9 3

10 1 4

10 19 3

10 2 4

10 25 3

11 12 5

11 20 4

11 3 3

12 11 5

12 16 3

12 3 3

12 6 3

12 8 3

……. ……. ……..

3) Perhitungan nilai support dan

confidence

Menghitung nilai support (A,B)=

Menghitung nilai confidence = P (B | A) =

a. Nilai Support

Tabel 5. Nilai support

barang1 barang2 jumlah support

1 10 4 0.0533

1 16 6 0.0800

1 2 11 0.1467

1 20 3 0.0400

1 25 5 0.0667

1 28 3 0.0400

1 3 3 0.0400

1 33 6 0.0800

1 4 10 0.1333

1 5 9 0.1200

1 6 10 0.1333

1 8 7 0.0933

1 9 4 0.0533

10 1 4 0.0533

10 19 3 0.0400

10 2 4 0.0533

10 25 3 0.0400

11 12 6 0.0800

11 20 4 0.0533

11 3 3 0.0400

12 11 6 0.0800

12 16 3 0.0400

12 26 3 0.0400

12 3 3 0.0400

12 6 3 0.0400

12 8 3 0.0400

13 15 3 0.0400

…. …. …. ….


Artikel Skripsi




b. Nilai Confidence

Tabel 6. Nilai Confidence

barang1 barang2 jumlah support confidence

1 10 4 0.0533 0.1667

1 16 6 0.0800 0.2500

1 2 11 0.1467 0.4583

1 20 3 0.0400 0.1250

1 25 5 0.0667 0.2083

1 28 3 0.0400 0.1250

1 3 3 0.0400 0.1250

1 33 6 0.0800 0.2500

1 4 10 0.1333 0.4167

1 5 9 0.1200 0.3750

1 6 10 0.1333 0.4167

1 8 7 0.0933 0.2917

1 9 4 0.0533 0.1667

10 1 4 0.0533 0.4444

10 19 3 0.0400 0.3333

…. …. …. …. …

4) Perhitungan nilai support x

confidence

Tabel 6. Nilai Support x Confidence

brg1 brg2 jml support

confi

dence hasil

1 10 4 0.0533 0.1667 0.00888889

1 16 6 0.0800 0.2500 0.02000000

1 2 11 0.1467 0.4583 0.06722222

1 20 3 0.0400 0.1250 0.00500000

1 25 5 0.0667 0.2083 0.01388889

1 28 3 0.0400 0.1250 0.00500000

1 3 3 0.0400 0.1250 0.00500000

1 33 6 0.0800 0.2500 0.02000000

1 4 10 0.1333 0.4167 0.05555556

1 5 9 0.1200 0.3750 0.04500000

….. ….. ….. ….. …… ……

5) Perhitungan nilai support x

confidence tertinggi

barang1 barang2 hasil

4 1 0.12121212

8 2 0.10755556

6 1 0.08333333

23 26 0.07757576

13 7 0.07259259

1 2 0.06722222

26 23 0.06564103

7 13 0.06533333

2 1 0.06453333

2 8 0.06453333

9 33 0.06095238

5 1 0.05684211

1 4 0.05555556

1 6 0.05555556

11 12 0.04800000

….. …… …….

Tabel 7. Nilai Support x Confidence

Tertinggi Beserta Nama Barang

brg1

nm_

brg1

brg

2

nm_

brg2 hasil

4 Fitingan 1 Lampu 0.12121212

8 Socket 2 Kabel 0.10755556

6 Saklar 1 Lampu 0.08333333

23 Potensio 26 Panel 0.07757576

13 Resistor 7 Transistor 0.07259259

1 Lampu 2 Kabel 0.06722222

26 Panel 23 Potensio 0.06564103

7 Transistor 13 Resistor 0.06533333

2 Kabel 1 Lampu 0.06453333

2 Kabel 8 Socket 0.06453333

….. ….. …. …. …..


Artikel Skripsi




Tabel 7 menampilkan 10 record teratas dari

hasil perkalian nilai support dan

confidence. Maka pengaturan layout barang

yang terbaik merupakan hasil dari nilai

support x nilai confidence yang tertinggi

dengan data barang1 adalah socket dan

barang 2 adalah kabel yang terdapat pada

baris pertama record .

KESIMPULAN

1. Hubungan-hubungan keterkaitan barang

yang satu dengan barang yang lainnya. Dan

dari hubungan-hubungan keterkaitan

tersebut digunakan untuk mengatur

penempatan barang.

2. Penggunaan aplikasi data mining ini

dapat membantu dalam mengidentifikasi

analisis data mining yang akan digunakan

untuk mengatur penempatan/tata letak

barang. Hal ini dilakukan agar

mempermudah pembeli dalam melakukan

pembelian tanpa bingung harus mencari

barang yang akan dibeli, serta

mempermudah karyawan toko sekaligus

admin toko untuk mencari barang yang

dibutuhkan oleh pembeli .

Saran

Berikut ini adalah saran-saran yang

diperlukan untuk aplikasi pengaturan layout

produk agar lebih berdaya guna:

1. Perlu dilakukannya pengembangan

sistem dengan menggukan model dan

metode yang lain yang mungkin dapat

memberikan kinerja yang lebih baik dan

tingkat keakuratan yang lebih tinggi dan

pemrosesan yang lebih cepat dengan tingkat

kesalahan seminimal mungkin

2. Dalam kasus ini metode Algoritma

Apriori memerlukan data transaksi yang

lebih banyak untuk mendapatkan hubungan

yang akurat antar barang.

3. Pada aplikasi ini hanya sampai

hubungan 2 itemset barang . Untuk

penelitian selanjutnya , diharapkan untuk

sampai pada 3 itemset barang.

IV. DAFTAR PUSTAKA

Bahasa, T. P. (2007). Kamus Besar

Bahasa Indonesia. Jakarta: Balai

Pustaka.

Fajar, R. (2016, Mei 2). Codepolitan.

Retrieved Desember 24, 2016, from

Codepolitan.com:

http://www.codepolitan.com/mengena

l-diagram-uml-uml-unified modelling

languange

Handayani, S. (2011). Perancangan

Aplikasi Penjualan Online Berbasis

Web Pada Sandra Accessories

Menggunakan PHP dan MYSQL.

Naskah Publikasi , 1-10.


Artikel Skripsi




Hermawati, F. (2013). Data Mining.

Yogyakarta: Andi.

Indahyani, R. P. (2015). Penggunaan

Algoritma Apriori Untuk Menentukan

Rekomendasi Strategi Penjualan Pada

Toserba DIVA. Artikel Skripsi

Universitas Nusantara PGRI Kediri ,

1-9.

Kusrini, E. T. (2009). Algoritma Data

Mining. Yogyakarta: Andi.

Melisa, Y. (2012). Pengaruh Bauran

Pemasaran Ritel Terhadap Keputusan

Pembelian Ulang Konsumen Mega

Prima Swalayan Payakumbuh. Jurnal

Manajemen, Volume 01, Nomor 01,

September 2012 , 4.

Oliver Zakaria, K. (2013). Implementasi

Data Mining Terhadap Penyusunan

Layout Makanan Pada Rumah Makan

Padang " Murah Meriah". Seminar

Nasional Teknologi Informasi dan

Multimedia , 1-6.

Olivia. (2015). Perancangan Sistem

Informasi Data Mining Dengan

Algoritma Apriori Untuk Penentuan

Layout Produk Pada PT. Metro

Makmur Nusantara . Medan: STMIK

TIME .

Robi Yanto, R. K. (2015). Implementasi

Data Mining Dengan Metode

Algoritma Apriori Dalam

Menentukan Pola Pembelian Obat.

Citec Journal , 102-113.

Satrio, Z. (n.d.). elib.unikom. Retrieved 12

19, 2016, from elib.unikom.co.id:

http://elib.unikom.ac.id/files/disk1/42

5/jbptunikompp-gdl-zakysatrio-

21220-6-babiii.pdf


artikel pengaturan layout produk berdasarkan historis...

Documents