Analisis Pola Pembelian Pelanggan Pada Transaksi Pejualan
Dengan Market Basket Analysis
Artikel Ilmiah
Peneliti:
Dita Anjassari (672015074)
Hindriyanto Dwi Purnomo, S.T., MIT., Ph.D.
Program Studi Teknik Informatika
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Salatiga
November 2018
Analisis Pola Pembelian Pelanggan Pada Transaksi Pejualan
Dengan Market Basket Analysis
Artikel Ilmiah
Diajukan kepada
Fakultas Teknologi Informasi
untuk memperoleh Gelar Sarjana Komputer
Peneliti:
Dita Anjassari (672015074)
Hindriyanto Dwi Purnomo, S.T., MIT., Ph.D.
Program Studi Teknik Informatika
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Salatiga
November 2018
1
1. Pendahuluan
Persaingan di dunia bisnis semakin ketat, salah satunya persaingan swalayan
yang membuat manajemen harus berpikir dalam menyusun strategi untuk
menghadapi persaingan tersebut. Sebuah perusahaan perlu menentukan strategi
dalam melayani dan pemasaran produk kepada pelanggan. Hal yang perlu
diperhatikan oleh perusahaan untuk mempertahankan pelanggan adalah dengan
melakukan pendekatan kepada pelanggan karena dapat digunakan untuk
mengetahui perilaku dan kebutuhan pelanggan. Kebutuhan pelanggan juga dapat
diketahui dengan adanya ketersediaan data penjualan oleh swalayan. Pengetahuan
tentang perilaku dan kebutuhan pelanggan dapat digunakan untuk penempatan
produk dalam sebuah swalayan [1].
Perusahaan retail menggunakan pendekatan pola perilaku pelanggan untuk
meningkatkan kualitas pelayanan dan pemasaran kepada pelanggan. Hal ini
dikarenakan sudah banyak bermunculan swalayan lain yang selalu memberikan
kemudahan pelanggan dalam belanja seperti memiliki penataan barang yang rapi
dan bagus. Dengan hal itu manajemen ingin mengetahui keterkaitan antar barang
dibeli pelanggan sehingga dapat memudahkan pelanggan berbelanja [2].
Data transaksi penjualan perusahaan disimpan dan setiap hari data akan
terus bertambah [1]. Data yang tersimpan tersebut tidak hanya berfungsi sebagai
arsip perusahaan tetapi data dapat dimanfaatkan dan diolah menjadi informasi
yang berguna untuk memberikan solusi dalam pengambilan keputusan dan
meningkatkan bisnis perusahaan dengan teknik data mining.
Data mining menggunakan salah satu metodologi yang sering digunakan
untuk menganalisis pola perilaku belanja konsumen membeli barang secara
bersamaan dalam satu waktu yaitu analisis keranjang belanja atau Market Basket
Analysis (MBA). MBA tersebut menggunakan bantuan algoritma apriori, yang
merupakan algoritma untuk menghasilkan association rule. Algoritma apriori juga
bertujuan untuk menemukan sebuah frequent itemset yang dijalankan pada
sekumpulan data. Analisis apriori merupakan suatu proses untuk menemukan
semua aturan apriori yang memenuhi syarat minimum support dan minimum
confidence [3].Teknik tersebut bisa diterapkan dalam data yang sangat besar
seperti data transaksi penjualan.
Pada penelitian ini mengambil kasus pada Samoedra Swalayan, karena
pengaturan tata letak barang pada Samoedra Swalayan masih menggunakan
subjektifitas manajemen dan belum melihat dari segi perilaku pelanggan. Dengan
hal tersebut memanfaatkan data transaksi penjualan Samoedra Swalayan.
Berdasarkan kasus tersebut, maka penelitian ini akan menggunakan Market
Basket Analysis dengan menerapkan algoritma apriori untuk mengetahui
kebiasaan belanja pelanggan sehingga dapat digunakan untuk meningkatkan
2
pelayanan dan pemasaran produk dengan strateginya, yaitu menentukan tata letak
barang dalam Samoedra Swalayan.
2. Tinjauan Pustaka
Terkait dengan topik penelitian, M. Iqbal dan Muatin telah melakukan
penelitian untuk menganalisa data penjualan menggunakan algoritma apriori.
penelitian ini menganilisis data transaksi di bulan ramadhan 2016 karena bulan
tersebut banyak memberikan kontribusi terhadap distro coffepark. Namun, pada
bulan ramadhan tahun 2016 mengalami penurunan dari tahun 2015. Penurunan ini
diakibatkan karena lemah strategi pemasaran, promosi yang tidak inovatif, dan
kurang minat konsumen. Dari permasalahan tersebut pihak distro coffepark
menginginkan rekomendasi promosi dan strategi penjualan yang tepat. Dalam
penelitian ini menggunakan association rule dengan algoritma apriori.
Association rule tersebut teknik data minig untuk menemukan aturan asosiatif
antara suatu kombinasi item. Untuk mengetahui pola frekuensi tinggi kombinasi
item yang memenuhi syarat minimum support setelah semua frekuensi tinggi
ditemukan, lalu dicari aturan asosiasi yang memenuhi confidence aturan asosiatif
dari hasil tersebut. Hasilnya akan terlihat pola pembeli dalam membeli barang.
Kenudian dari hasil tersebut akan membantu pihak distro dalam strategi
pemasaran barang [4].
Gelar Faizal Ramadhan dan Agus Winarno menggunakan algoritma apriori
yang digunakan untuk menentukan menu paket makanan dan minuman pada
Nanamia Pizzeria. Penelitian ini menganalisis pola belanja konsumen terhadap
pembelian makanan dan minuman menggunakan data transaksi penjualan.
Penelitian tersebut menggunakan association rule dengan algoritma apriori.
Algoritma apriori merupakan salah satu metode yang tepat untuk menganalisis
pola perilaku konsumen karena termasuk pada prosedur Market Basket Analysis
sehingga ditemukan pembelian konsumen pada Nanamia Pizzeria dengan syarat
minimum support dan confidence. Dari hasil penelitian ini terbentuk 3 paket
makanan dan minuman [5].
Muhammad Thoriq Agung dan Bowo Nurhadiyono menggunakan algoritma
apriori untuk rekomendasi strategi pemasaran, menghasilkan pendapatan toko,
dan penempatan barang di toko Tombo Ati. Penelitian tersebut menggunakan data
mining dengan algoritma apriori termasuk aturan asosiasi. Data yang diperoleh
dalam penelitian tersebut diseleksi dengan jumlah barang dua atau tiga item saja.
Dari hasil analisis tersebut, yaitu pengaturan tata letak dapat dilakukan dengan
mengetahui nilai support dan nilai confidence [6].
Shonna Chavy Bilqish dan Setia Astuti menganalisis pola pembelian
konsumen dengan algoritma apriori pada Indomaret Indraprasta Semarang.
Penelitian tersebut memanfaatkan data primer yang masih baru yaitu data
transaksi penjualan dari bulan September sampai Oktober tahun 2015. Tujuan
3
dalam penelitian tersebut untuk menyusun strategi dengan menambah persediaan
barang dan menyusun tata letak barang secara berdekatan. Hasil dari analisis
didapat dari pengolahan data transaksi berupa itemset dengan penerapan konsep
analisis asosiasi mining yang diketahui nilai support setiap item, kombinasi item,
dan nilai confidence dalam pembentukan frequent itemset. Maka dapat diketahui
barang yang paling banyak dibeli secara bersamaan oleh konsumen indomaret [3].
Berdasarkan empat penelitian tersebut yang telah membahas tentang data
mining terkait Market Basket Analysis dan algoritma apriori, maka pada penelitian
ini dilakukan untuk meneliti keterkaitan antar barang yang dapat membantu dalam
tata letak barang barang menggunakan algoritma apriori dengan Market Basket
Analysis.
Data mining adalah suatu proses menemukan hubungan yang berarti, pola,
dan kecenderungan dengan memeriksa dengan sekumpulan data yang tersimpan
dalam penyimpanan dengan menggunakan teknik pengenalan pola seperti teknik
statistik dan matematika. Data mining sering disebut sebagai knowledge discovery
in database (KDD) adalah kegiatan yang meliputi pengumpulan, pemakaian data,
historis untuk menemukan keteraturan pola atau hubungan dalam set data
berukuran besar [7].
Menurut, Larose data mining dibagi menjadi beberapa kelompok
berdasarkan tugas, yaitu [7]:
1. Deskripsi
2. Estimasi
3. Prediksi
4. Klasifikasi
5. Pengklusteran
6. Asosiasi
Data mining dibagi menjadi beberapa tahap yang bersifat interaktif,
pemakai terlibat langsung dengan perantaran knowlegde base. Tahap – tahap
digambarkan pada Gambar 1 [8].
4
Gambar 1 Tahap – Tahap Data Mining [8]
Tahap – tahap dalam data mining, meliputi:
1. Pembersihan data (data cleaning)
2. Integrasi data (data integration)
3. Seleksi data (data selection)
4. Transformasi data (data transformation)
5. Proses data mining
6. Evaluasi pola (pattern evaluation)
7. Presentasi pengetahuan (knowledge presentation)
Market Basket Analysis adalah suatu metodologi untuk melakukan analisis
buying habit konsumen dengan menemukan asosiasi antar beberapa item yang
berbeda, yang diletakkan konsumen dalam shopping basket yang dibeli pada suatu
transaksi tertentu. Tujuan dari market basket analysis adalah untuk mengetahui
barang – barang mana yang mungkin akan dibeli secara bersamaan [9].
Market Basket Analysis menggunakan bantuan salah satu algoritma yaitu
algoritma apriori. Algoritma apriori adalah suatu algoritma dasar yang diusulkan
oleh Algrawal dan Srikant pada tahun 1994 untuk penentuan frequent itemset
untuk aturan asosiasi boolean [4]. Frequent itemset biasanya mengacu pada
kumpulan item yang sering muncul bersamaan dalam sebuah data transaksi. Salah
satu tahap analisis asosiasi yang menarik perhatian banyak peneliti untuk
menghasilkan algoritma yang efisien adalah analisis pola frequensi tinggi
(frequent pattern mining). Apriori menggunakan pendekatan iteratif dengan level-
5
wise search dimana k-itemset dipakai unruk mencari (k+1)-itemset. 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
antara-item dalam aturan asosiasi [10]. Penerapan algoritma apriori pada market
basket analysis dapat digunakan untuk mencari aturan – aturan asosiasi yang
memenuhi batas minimun support dan minimum confidence.
Association rule merupakan teknik data mining untuk mencari pola
hubungan dalam data atau basis data. Yang paling populer yaitu market basket
analysis [11]. Assoiation rule bertujuan mencari pola yang sering muncul diantara
banyak transaksi, dimana setiap transaksi terdiri dari beberapa item, kejadian
dengan mengkuantifikasi dua atribut atau lebih, singkat kata association rule
berbentuk “jika membeli barang a, maka juga membeli barang b”. Selain itu
association rule juga memiliki ukuran support dan confidence untuk memastikan
apakah pola asosiasi yang ditemukan adalah pola yang valid atau tidak dengan
cara pola yang ditemukan harus memenuhi syarat minimal support dan minimal
confidence. Kaidah asosiasi memiliki 2 (dua) tahap, yaitu analisis pola frequent
dan pembentukan kaidah asosiasi [5].
3. Penerapan Market Basket Analysis
Penempatan barang di Swalayan Samoedra merupakan salah satu strategi
dalam meningkatkan pelayanan dan pemasaran barang agar pelanggan tetap
berbelanja di swalayan tersebut. Jika penempatan barang lebih tertata rapi maka
pelanggan tidak akan kesulitan dalam mencari barang yang akan dibeli. Dalam
mewujudkan strategi tersebut akan memanfaatkan dari data transaksi penjualan di
Samoedra Swalayan. Data awal yang diperoleh dari Samoedra Swalayan
merupakan data transaksi penjualan mulai bulan Januari 2017 sampai dengan
Desember 2017. Data tersebut tercatat dalam Ms. Excel namun nomor transaksi
penjualan acak belum diseleksi menjadi data yang siap dipakai dalam penelitian
ini.
Semua data transaksi yang diperoleh akan dilakukan pembersihan data (data
cleaning) yaitu proses pembersihan atribut – atribut yang tidak digunakan dalam
proses data mining dan hanya beberapa atribut yang dapat digunakan. Dalam
kumpulan data terdapat atribut antara lain nomor urut, tanggal transaksi, nomor
transaksi, nama barang, jumlah barang, PPN, harga barang dan harga total
pembelian. Setelah dilakukan proses pembersihan atribut- atribut yang tersisa
adalah nomor urut, nomor transaksi, dan nama barang. Dalam atribut nama barang
dilakukan klustering atau pengelompokan barang berdasarkan kategori agar lebih
mudah dalam analisis proses data mining.
6
Tabel 1 Kategori Barang
A
DUNHILL MILD 20 (BENTOEL)
DJARUM 76 12 KRETEK (D76)
SURYA PROFESSIONAL 16 (GUDANG GARAM)
LA BOLD 12 btg (DJARUM)
SENIOR KRETEK FILTER 12 DJARUM
…
SAMPOERNA A MILD 12 (MLD12) SM12
B
INDOMIE AYAM SPESIAL NEW 68 Gram
(SA) INDOMIE AYAM BAWANG 69 Gram
INDOMIE SOTO MIE 70 Gram
INDOMIE GORENG SPECIAL 85 Gram
MI KIMCHI RAMYUN 116 Gram
…
MIE SEDAP AYAM BAWANG 75 Gram
C
SO KLIN SMART COLOR 800 Gram
SO KLIN SOFTERGENT PURPLE 800 Gram
SO KLIN SOFTERGENT PURPLE 1.8 KG
SO KLIN SMART +SOFTENER 800 Gram
SO KLIN LIQUID VIOLET BLOSSOM 55 ML JUMBO
SCT …
SO KLIN SOFTERGENT RED 800 Gram
… …
BU
PURBASARI LULUR MANDI + PEMUTIH 135 Gram
HERBORIST LULUR BALI MILK 100 Gram
PURBASARI LULUR GREEN TEA WHITENING + VIT E
135 Gram HERBORIST LULUR BALI KIWI 100 Gram
HERBORIST LULUR BALI BENGKOANG 100 Gram
Setelah pembersihan data dan pengelompokan barang berdasarkan kategori,
maka dilakukan integrasi data. Proses ini menggabungkan kategori atau variabel
dalam satu nomor transaksi.
Tabel 2 Integrasi Data
No. No. Transaksi Variabel
1 Jual/970/0001 A,A
2 Jual/970/0002 BT,A
3 Jual/970/0003 W,A
4 Jual/970/0004 A,AA,I,BC,A
5 Jual/970/0005 W,A
6 Jual/970/0006 A,A
7 Jual/970/0007 A,L
8 Jual/970/0008 B,E,AX,AS
9 Jual/970/0009 E,L,E
10 Jual/970/0010 A,A,A
Setelah pembersihan data dilakukan seleksi data (data selection), data mana
saja yang akan digunakan karena tidak semua data akan digunakan dalam
7
penelitian ini. Data transaksi penjualan yang akan diambil begantung pada jumlah
barang atau item yang dibeli oleh pelanggan toko. Jumlah barang dalam data
transaksi penjualan yang akan diambil ialah data transaksi dengan jumlah barang
lebih dari satu.
Tabel 3 Daftar Transaksi Penjualan
No Tanggal No. Transaksi Nama Barang
1 2 Januari 2017 Jual/970/0001 DUNHILL MILD 20 (BENTOEL)
DJARUM 76 12 KRETEK (D76)
2 2 Januari 2017 Jual/970/0002
KIWI SHOE POLISH BLACK 17.5
ML
SURYA PROFESSIONAL 16
(GUDANG GARAM)
3 2 Januari 2017 Jual/970/0003 ADES AIR MINERAL 600 ML
DUNHILL MILD 20 (BENTOEL)
Pada tahap transformasi data, data yang telah diseleksi akan
ditransformasikan sesuai dengan sistem yang akan digunakan dalam analisis data
mining yaitu RapidMiner. Transformasi data ini dilakukan dengan cara mengubah
dalam bentuk data tabular dengan ekstensi *.XLS (Ms.Excel).
Tabel 4 Data Tabular
No. A B C D E …. BU
1 1 0 0 0 0 …. 0
2 0 1 0 0 1 …. 0
3 0 1 0 0 1 …. 0
4 1 0 0 0 0 …. 0
5 1 0 0 0 0 …. 0
6 1 1 0 0 0 …. 0
7 1 0 0 0 0 …. 1
8 0 0 0 1 0 …. 0
9 0 0 0 1 1 …. 0
10 0 0 0 0 1 …. 0
…. …. …. …. …. …. …. ….
2005 0 0 0 0 1 …. 0
Hasil 489 382 320 286 264 …. 2
Hasil dari pengolahan dengan RapidMiner akan didapat beberapa
association rule yang telah memenuhi nilai minimal support dan nilai minimal
confidence yang telah ditentukan.
Market Basket Analysis untuk mengetahui keterkaitan antar barang manakah
yang dibeli secara bersamaan. Dengan penerapan Market Basket Analysis ini akan
dapat membantu perusahaan atau swalayan mengetahui pola pembelian
pelanggan. Samoedra Swalayan dapat menggunakan informasi tersebut dalam
menempatkan produk yang sering dibeli di dalam satu area atau kategori atau
untuk menentukan tata letak barang sesuai karakteristik pelanggan. Market
8
Basket Analysis ini akan menyaring barang dengan tingkat asosiasi antar barang.
Market Basket Analysis untuk menemukan aturan asosiasi yang memenuhi syarat
minimum confidence dan syarat minimum support. Analisis asosiasi adalah
dengan teknik data mining untuk menemukan aturan asosiatif antara suatu
kombinasi item. Kaidah asosiasi untuk penemuan pola antar item dalam transaksi
memiliki 2 tahap, yaitu [5]:
1. Analisis Pola Frequent
Tahap pertama mencari kombinasi item atau itemset didalam database yang
memenuhi nilai minimum support, yang diperoleh dengan rumus pada
persamaan 1 berikut:
Support (A) = (1)
Keterangan:
Support (A) = Nilai pola frekuensi tinggi
Jumlah Transaksi A = Jumlah transaksi yang mengandung A
Total Transaksi = Jumlah semua transaksi
Nilai support dari 2 item diperoleh dari rumus pada persamaan 2:
Support (A,B) = (2)
Support (A,B) = Nilai pola frekuensi tinggi
Jumlah Transaksi A dan B = Jumlah transaksi yang mengandung A dan B
Total Transaksi = Jumlah semua transaksi
2. Pembentukan Kaidah Asosiasi
Selanjutnya mencari kaidah asosiasi yang memenuhi syarat nilai minimum
confidence, dengan rumus pada persamaan 3:
Confidence = (3)
Confidence = Nilai pola frekuensi tinggi
Jumlah Transaksi A dan B = Jumlah transaksi yang mengandung A dan B
Total Transaksi = Jumlah semua transaksi yang mengandung A
Untuk mengetahui hasil analisis pola frequent dengan menghitung nilai
support pada tiap item dan menetapkan nilai minimum support 1%, 1.5%, 2%,
2.5%, 3%, dan 3,5% maka barang dengan frekuensi tinggi akan diketahui, dengan
menggunakan persamaan rumus 1. Transaksi yang mengandung A berjumlah 489
dan total transaksi 2005 maka 489/2005 = 0.24389 (24.39) jadi nilai support dari
air mineral yaitu 24.39% dan seterusnya untuk perhitungan tiap item. Berikut
tabel nilai support itemset:
9
Tabel 5 Nilai Support tiap Item
No. Nama Item Support Count Support Support %
1 A 489 489/2005 24.39
2 B 382 382/2005 19.05
3 C 320 320/2005 15.96
4 D 286 286/2005 14.26
5 E 264 264/2005 13.17
6 F 252 252/2005 12.57
7 G 225 225/2005 11.22
8 H 220 220/2005 10.97
9 I 206 206/2005 10.27
10 J 204 204/2005 10.17
11 K 192 192/2005 9.58
12 L 189 189/2005 9.43
13 M 175 175/2005 8.73
14 N 163 163/2005 8.13
15 O 156 156/2005 7.78
… … … … …
73 BU 2 2/2005 0.10
Keterangan:
A: Rokok AL: Lotion
B: Mie AM: Alat_Mandi
C: Deterjen AN: Teh_Bubuk
D: Kopi_Bubuk AO: Telur
E: Biskuit AP: Sambal_Saus
F: Sabun_Batang AQ: Kecap
G: Shampoo AR: Perlengkapan_dan_Alat_RT
H: Gula AS: Yogurt_Yakult
I: Minyak_Mentega AT: Makanan_Bayi
J: Susu_Kental AU: Minuman_Tradisional
K: Obat AV: Pembersih_Lantai_Toilet
L: Makanan_Ringan AW: Pembersih_Wajah
M: Pasta_Gigi AX: Beras
N: Bumbu_Masak AY: Sosis_Nugget
O: Susu_Cair AZ: Sabun_Cair
P: Permen BA: Deodorant
Q: Pencuci_Piring_Gelas BB: Kopi_Instan
R: Kosmetik BC: Tepung_Bumbu
S: Popok BD: Plastik
T: Teh_Celup BE: Sandal
U: Minuman_Ringan BF: Pengharum_Ruangan_Toilet
V: Teh_Instan BG: ATK
W: Air_Mineral BH: Selai_Olesan
X: Jelly BI: Pemutih_Pakaian
Y: Wafer BJ: Pembersih_Kewanitaan
Z: Pewangi_Pakaian BK: Pembasmi_Serangga
10
AA: Tepung BL: Perawatan_Rambut
AB: Es_Krim BM: Masker_Wajah
AC: Susu_Bubuk BN: Makanan_Kaleng
AD: Perlengkapan_Bayi BO: Semir_Rambut
AE: Roti BP: Keju
AF: Pembalut_Wanita BQ: Perawatan_Kendaraan
AG: Tisu BR: Sirup
AH: Parfum BS: Alat_Kecantikan
AI: Sereal BT: Semir_Sepatu
AJ: Coklat BU: Lulur
AK: Jus
Salah satu minimum support yang ditentukan adalah 3.5% jadi barang yang
memiliki nilai dibawah 3.5% akan dihilangkan, sedangkan barang yang memenuhi
minimum support akan dikombinasikan lagi menjadi 2 item dengan nilai
minimum support yang sama, yaitu 3.5%. Dari tabel diatas ada 37 barang yang
memenuhi minimum support dan masing-masing barang akan dikombinasikan.
Mencari nilai support 2 item dengan menggunakan persamaan rumus 2 dengan
jumlah transaksi yang mengandung A dan B dibagi dengan total transaksi yang
ada pada dataset, transaksi yang mengandung A dan B berjumlah 22 sedangkan
total transaksi 2005 maka 22/2005 = 0.010973 jadi nilai support A dan B yaitu
1.098% dan seterusnya. Minimum support yang ditentukan adalah 3.5% jadi
barang yang memiliki nilai support dibawah 3.5% akan dihilangkan dan
seterusnya sesuai dengan minimum support yang ditentukan, berikut ini barang
yang memenuhi minimum support:
Tabel 6 Nilai Support Itemset
No Itemset Jumlah Min. Support 3.5 %
1 C, F 79 3.94 %
Seteleh mengetahui nilai support pada itemset berfrekuensi tinggi dengan
minimum support yang sudah ditentukan lalu dibentuk aturan asosiasi yang
menyatakan kuatnya hubungan kombinasi itemset pada transaksi, yaitu
confidence. Untuk menentukan aturan asosiasi yang terbentuk minimal itemset
harus memiliki kandidat A dan B pada tabel diatas sudah ditunjukkan 2 kombinasi
item maka 2 kombinasi yang memenuhi untuk pembentukan asosiasi peneliti
menetapkan minimum confidence 30%.
Pada persamaan rumus 3 diatas untuk menentukan nilai confidence pada
aturan asosiasi, jumlah transaksi yang mengandung item F dan C berjumlah 79
dibagi dengan jumlah transaksi yang mengandung item F ada 252 maka 79/252 =
0.31. Jadi, nilai confidence F maka C yaitu 31%. Berikut hasil akhirnya:
Tabel 7 Hasil Akhir dengan Nilai Support dan Nilai Confidence
Hasil Akhir Jumlah Min. Support 3.5% Min. Confidence 30%
Jika membeli F maka
membeli C
79/252 3.94% 31%
11
Pada tabel 3 merupakan hasil nilai support yang memenuhi syarat minimum
support dan nilai confidence yang memenuhi syarat minimum confidence.
4. Hasil dan Pembahasan
Sumber data pada penelitian ini diperoleh dari data transaksi penjualan dari
bulan Januari 2017 sampai Maret 2017 pada Samoedra Swalayan. Data tersebut
akan diproses untuk menghasilkan pengetahuan berupa pola kombinasi item yang
bertujuan untuk mengetahui pola beli pelanggan terhadap beberapa barang yang
nantinya berguna untuk meningkatkan strategi pelayanan dan pemasaran barang.
Data transaksi penjualan selama satu tahun terdapat 2005 transaksi.
Semua data barang yang terdapat di Samoedra Swalayan terdapat 2787
barang. Barang – barang tersebut dipecah menjadi bagian – bagian kecil seperti
kategori atau variabel karena data transaksi penjualan memiliki range yang cukup
luas. Peneliti mengelompokkan nama – nama barang menjadi 73 kategori atau
variabel. Pengolahan data dalam penelitian ini menggunakan kategori barang. Jika
dalam satu transaksi terdapat lebih dari satu barang dan mempunyai kategori yang
sama maka tetap digolongkan menjadi satu kategori.
Data transaksi penjualan diolah dengan pembersihan data (data cleaning),
pengelompokkan berdasarkan kategori, integrasi data, dan ditransformasikan
kedalam bentuk data tabular, kemudian dilakukan proses perhitungan algoritma
apriori untuk menemukan sebuah aturan asosiasi dengan mengetahui nilai support
dan nilai confidence, dengan syarat minimum support dan minimum confidence.
Langkah pertama dengan menentukan minimal nilai support yaitu 3.5%. Langkah
selanjutnya dengan Melakukan iterasi 1 untuk 1-itemset hitung untuk
mendapatkan pola frequent dari support yang memenuhi minimal support. Tabel
5 merupakan hasil perhitungan dari 1-itemset namun tidak semuanya diikutkan
dalam perhitungan selanjutnya karena tidak semua 1-itemset memenuhi minimum
support yaitu 3.5%. 1-itemset yang memenuhi hanya 37 item.
Tabel 8 Hasil 1-itemset No. Nama Item Support Count Support Support %
1 A 489 489/2005 24.39
2 B 382 382/2005 19.05
3 C 320 320/2005 15.96
4 D 286 286/2005 14.26
5 E 264 264/2005 13.17
… … … … …
37 AK 70 70/2005 3.5
Pada iterasi 1 dari nilai support telah didapatkan dari 1-itemset, iterasi 2
untuk 2 itemset atau pembentukan pola frekuensi 2 item, generate k-itemset dari
k-itemset iterasi sebelumnya, dengan melakukan kombinasi dari k-itemset.
12
Tabel 9 Kombinasi 2-itemset Itemset
A,B
A,C
A,D
A,E
A,F
…
BT,BU
Kombinasi 2-itemset yang telah didapatkan seperti tabel 9, dihitung masing-
masing nilai support.
Tabel 10 Nilai Support dari Kombinasi 2-itemset Itemset Support Count Support (%)
A,B 44 2.19
A,C 41 2.045
A,D 43 2.145
A,E 32 1.596
A,F 31 1.546
…
BT,BU 3 0.15
Pengembangan algoritma apriori dengan memangkas k-itemset dengan
menghitung support dari itemset dengan menetapkan minimal support sama
dengan 3.5%. Dari tabel 10, hasil kombinasi dari 2-itemset yang memenuhi
minimal support terdapat pada tabel 6 yaitu kombinasi C,F dengan nilai support
3.94%. Dari hasil yang diperoleh tidak ada lagi kombinasi yang bisa dibentuk
untuk k-itemset berikutnya. Dengan hal itu menandakan bahwa kombinasi 2 item
data tersebut banyak didalam transaksi.
Pembentukan pola aturan asosiasi setelah pola frekuensi tinggi ditemukan.
Pembentukan aturan asosiasi dengan mencari nilai confidence yang memenuhi
syarat minimal untuk confidence. Dengan menghitung aturan asosiasi A ke B.
Dimana support dengan jumlah dari kombinasi antara suatu item dengan item
yang lain sedangkan confidence adalah nilai yang mendefinisikan kuat tidaknya
hubungan antar barang tersebut. Dari tabel 6 yaitu tabel hasil kombinasi dua item,
dapat dilihat besarnya nilai support dan confidence dari calon aturan asosiasi
seperti pada tabel 11 berikut ini:
Tabel 11 Daftar Calon Aturan Asosiasi dari tabel 6 No. Kombinasi Nama Item Confidence Confidence (%)
1 Jika membeli C maka membeli F 79/320 24
2 Jika membeli F maka membeli C 79/252 31
Dengan menetapkan nilai minimal confidence adalah 30% maka aturan
yang bisa terbentuk adalah aturan seperti tabel 7 hanya satu aturan yang terbentuk.
Proses dilakukan dari langkah pertama sampai dengan keempat dengan pengujian
nilai minimal support yang berbeda dan sudah ditetapkan yaitu 1%, 1.5%, 2%,
2.5%, 3%, 3.5%, 3.9% dengan nilai minimal confidence tetap yaitu 30%.
13
Pengujian data – data yang telah dihasilkan berupa pola hubungan
kombinasi antar item dan aturan asosiasi sesuai dengan algoritma apriori yang
sudah dihitung secara manual dengan menggunakan suatu aplikasi, yaitu
RapidMiner.
Gambar 2 Hasil Pengujian Dengan RapidMiner
Hasil pengujian dengan RapidMiner dan rule yang ditampilkan pada
aplikasi sama dengan perhitungan manual dengan minimal support 3.5% dan
minimal confidence 30% yang dilakukan dengan algoritma apriori. Association
rule yang terbentuk ada 2 dengan item atau barang berjumlah 2 dan memiliki nilai
confidence yang berbeda. Selanjutnya diuji lagi dengan nilai minimum support
yang sudah ditentukan yaitu 1%, 1.5%, 2%, 2.5%, 3%, 3.9% dengan nilai minimal
confidence tetap yaitu 30%.
`
14
Tabel 8 Hasil Akhir dengan Nilai Support dan Nilai Confidence No Aturan Support (%) Confidence (%)
1 Jika membeli F maka membeli C 3.9 31
2 Jika membeli F maka membeli C 3.5 31
3 Jika membeli F maka membeli C 3 31
4 Jika membeli N maka membeli B 2.5 33
5 Jika membeli F maka membeli C 2.5 31
6 Jika membeli N maka membeli B 2 33
7 Jika membeli Q maka membeli C 2 32
8 Jika membeli F maka membeli C 2 31
9 Jika membeli Z maka membeli C 1.5 38
10 Jika membeli Y maka membeli E 1.5 37
11 Jika membeli N maka membeli B 1.5 33
12 Jika membeli AA maka membeli H 1.5 32
13 Jika membeli Q maka membeli C 1.5 32
14 Jika membeli F maka membeli C 1.5 31
15 Jika membeli B dan F maka membeli C 1 38
16 Jika membeli Z maka membeli C 1 38
17 Jika membeli Y maka membeli E 1 37
18 Jika membeli N maka membeli B 1 33
19 Jika membeli AA maka membeli H 1 32
20 Jika membeli Q maka membeli C 1 32
21 Jika membeli F maka membeli C 1 31
22 Jika membeli AK maka membeli B 1 30
Dari hasil analisis penelitian diatas, peneliti dapat memberikan masukkan
untuk melihat keterkaitan antara penjualan satu barang dengan barang lainnya.
Melihat barang yang muncul bersamaan melihat kecenderungan konsumen dalam
melakukan transaksi. Pengembangan sistem manajemen Market Basket Analysis
digunakan untuk menampilkan informasi pola pembelian pelanggan yang didapat
dari hasil association rule atau aturan asosiasi dengan perhitungan algoritma
apriori. Perhitungan algoritma apriori ini melakukan tahap iterasi untuk
menghasilkan nilai support dan menentukan itemset yang memenuhi minimum
support. Pada tabel 8 terbentuk aturan asosiasi yang dihasilkan dengan
menetapkan confidence 30% dan hasil dari tahap iterasi, pelanggan cenderung
membeli C dan F dengan menghasilkan nilai support 3.9% dan nilai confidence
31% karena setiap pembelian barang selain keduanya juga mempengaruhi
pembelian antara dua barang tersebut, yaitu C dan F. Dengan mengetahui pola
pembelian pelanggan dari nilai support dan confidence sangat berfungsi untuk
memudahkan pihak manajemen yaitu dapat memperkirakan penambahan stok
barang seperti C dan F karena sering dibeli agar tidak kekurangan stok barang,
dijadikan paket promo atau diskon antara dua barang tersebut karena dengan
adanya promo atau diskon dapat menarik pelanggan untuk membeli sehingga
dapat meningkatkan pemasaran barang dan menguntungkan pendapatan swalayan,
15
dan melakukan pengaturan tata letak swalayan sesuai dengan pola pembelian
barang.
Gambar 3 Tata letak Barang Sekarang
Gambar 4 Saran Tata Letak Barang
Hasil pengaturan ulang tata letak, terdapat perpindahan usulan tata letak
yang didasarkan beberapa pertimbangan strategis. Pertimbangan relasi kedekatan
produk (confidence) dan support. Produk yang memiliki relasi akan didekatkan
untuk menstimulus terjadinya impulse buying. Dalam pengaturan tata letak dapat
dilakukan dengan transaksi yang memiliki confidence tinggi maka barang-barang
akan diletakkan secara berdekatan. Barang dengan support tinggi dapat diletakkan
dibagian depan karena memberikan pengaruh impulse buying. Namun, barang
dengan nilai support tinggi yang memiliki pengaruh besar terhadap produk
lainnya diletakkan di rak bagian belakang. Hal ini dilakukan untuk menstimulus
impulse buying pada produk-produk lain di depannya. Tata letak tersebut juga
16
memperhatikan kedekatan produk yang seragam berdasarkan Keputusan Menteri
Kesehatan Republik Indonesia Nomor 519/MENKES/SK/VI/2008 tentang
Pedoman Penyelenggaraan Pasar Sehat.
Saran perpindahan tata letak berdasarkan penjelasan tersebut, yaitu
memindahkan Q didekat C menggantikan BQ dan di rak seberang AZ, F, G, dan
BL. Hal ini dilakukan berdasarkan hubungan asosiasi yang terbentuk dimana Q
merupakan pemicu pembelian C. F dan C mempunyai nilai support tinggi yaitu
3.9% dan nilai confidence tinggi yaitu 30%, namun dalam tata letak tidak berubah
karena letak sebelumnya tetap dekat meskipun berseberangan dalam rak yang
berbeda.
5. Kesimpulan
Berdasarkan analisis dan pembahasan dari uraian dalam penelitian ini, maka
dapat disimpulkan beberapa hal, hubungan – hubungan keterkaitan barang dengan
barang lainnya dapat digunakan untuk mengatur penempatan barang pada
Samoedra Swalayan dengan menerapkan data mining dan algoritma apriori.
Pengaturan penempatan barang diketahui dari nilai support dan nilai
confidence. Salah satu barang yang mendominasi penjualan adalah C. Q juga
dapat mempengaruhi pembelian C dengan nilai support 2% dan nilai confidence
32%, dengan confidence tinggi sehingga keduanya diletakkan berdekatan. Selain
itu, dengan mengetahui barang yang sering dibeli secara bersamaan oleh
pelanggan maka manajemen perusahaan dapat menyusun tata letak barang secara
berdekatan berdasarkan nilai support dan confidence. Berdasarkan Market Basket
Analysis didapatkan aturan kelompok barang yang harus didekatkan, yaitu B, F
dan C dengan nilai confidence 38%. Namun berdasarkan Keputusan Menteri
Kesehatan Republik Indonesia Nomor 519/MENKES/SK/VI/2008 tentang
Pedoman Penyelenggaraan Pasar Sehat pasangan kelompok barang tersebut harus
dijauhkan mengingat kualitas masing – masing barang.
Dalam penggunaan aplikasi data mining ini dapat membantu analisis pihak
manajer perusahaan untuk mengatur tata letak atau penempatan barang agar
pelanggan mudah dalam melakukan pembelian barang. Selain itu perusahaan juga
dapat mengetahui barang yang sering dibeli sehingga dapat menambah stok
barang, dan barang yang sering dibeli dapat dijadikan promo atau diskon yang
dapat menarik pelanggan. Dengan hal tersebut manager perusahaan dapat
meningkatkan pelayanan terhadap pelanggan dan meningkatkan pemasaran
barang.
17
6. Daftar Pustaka
[1] Santoso, H., Prayitno dan I Putu H, 2016, Data Mining Analisa Pola
Pembelian Produk Dengan Menggunakan Metode Algoritma Apriori,
Teknik Informatika, STMIK AMIKOM, Yogyakarta.
[2] Andari, S. N., Nasir Widha Setyanto dan Remba Yanuar Efranto, 2013,
Alternatif Perbaikan Tata Letak Toko Persada Swalayan Melalui
Pendekatan Perilaku Konsumen Dengan Metode Market Basket Analysis,
Jurusan Teknik Industri, Universitas Brawijaya, Malang.
[3] Chayy, S. B., dan Setia Astuti, 2016, Analisis Pola Pembelian Konsumen
Dengan Algoritma Apriori Pada Indomaret Indraprasta Semarang,
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas
Dian Nuswantoro, Semarang.
[4] Iqbal, M., dan Muatin, 2017, Analisa Keranjang Belanja Konsumen Pada
Data Penjualan Bulan Ramadhan Menggunakan Algoritma Apriori (Studi
Kasus: Distro Coffepark Clothes Pekanbaru), Program Studi Sistem
Informasi, Fakultas Sains dan Teknologi, UIN Sultan Syarif Kasim Riau,
Pekanbaru.
[5] Ramadhan, G. F., dan Agus Winarno, 2016, Penerapan Metode Asosiasi
Data Mining Menggunakan Algoritma Apriori Untuk Menentukan Menu
Paket Makanan Pada Nanamia Pizzeria. Program Studi Sistem Informasi,
Fakultas Ilmu Komputer, Universitas Dian Nuswantoro, Semarang.
[6] Agung, M. T., dan Bowo Nurhadiyono, 2016, Penerapan Data Mining
Pada Data Transaksi Penjualan Untuk Mengatur Penempatan Barang
Menggunakan Algoritma Apriori. Program Studi Teknik Informatika,
Fakultas Ilmu Komputer, Semarang.
[7] Nofriyansah, Dicky, 2014, Konsep Data Mining vs Sistem Pendukung
Keputusan, Yogyakarta: Deepublish.
[8] Han, J., Jian Pei dan Micheline Kamber, 2006, “Data Mining Concepts and
Techniques Third Edition”, United States of America: Morgan Kauffman.
[9] Chaerunnissa, Dessy, dan Edi Mulyanto, 2015, Metode Association Rule
Dalam Menganalisa Pola Belanja Konsumen Pada Data Transaksi
Penjualan Menggunakan Algoritma FP-GROWTH, Program Studi Teknik
Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro,
Semarang.
[10] Kusrini, Emha L., 2009, Algoritma Data Mining. Yogyakarta : Penerbit
Andi.
[11] Anas, Azwar, 2017, Penggalian Kaidah Asosiasi Dalam Memilih Program
Kegiatan Pendukung Mahasiswa STIE-GK Muara Bulian, Jurnal
MEDIASISFO, Vol. 11, No. 1: 709 – 722.