jurnal dedi suhendri 08-081
TRANSCRIPT
PEMBUATAN APLIKASI DATA MINING MARKET BASKET
ANALISIS PADA MINI MARKET BUDIMAN DENGAN
METODE ASSOCIATION RULES
Dedi Suhendri, Eka Praja Wiyata Mandala, S.Kom, M.Kom, Randy Permana,
S.Kom
1) Teknik Informatika, UPI “yptk” , Padang
email: [email protected] 2) Teknik Informatika, UPI “yptk” , Padang
email: [email protected]
3) Teknik Informatika, UPI “yptk” , Padang
email: [email protected]
Abstrak – Begitu pentingnya sebuah informasi dalam kehidupan ini, membuat setiap orang berlomba
mencarinya agar bisa tetap bertahan dan selamat dari kehidupan itu sendiri. Demikian juga bagi
kalangan bisnis khususnya bidang perdagangan, informasi dipakai sebagai bahan analisa yang
bertujuan untuk meningkatkan keuntungan perusahaan, menentukan strategi pemasaran dan lain
sebagainya.
Market basket analysis dengan Association Rules merupakan salah satu cara untuk mencari
pola assosiasi berdasarkan pola belanja yang dilakukan konsumen, sehingga nantinya bisa diketahui
item-item barang apa saja yang dibeli secara bersamaan, dan nantinya bisa dipakai sebagai bahan
analisa dalam pengambilan keputusan, untuk meningkatkan keuntungan atau menentukan strategi
pemasaran. Variable yang digunakan ada dua yaitu support dan confidence.
Kata Kunci : Data Mining, Market Basket Analysis
Nama File Journal : 08101152630081_Dedi Suhendri_Teknik Informatika
1. PENDAHULUAN
1.1 Latar Belakang Masalah
Istilah gelombang informasi pertama kali terdengar
sekitar seperempat abad yang lalu. yang diperkenalkan
oleh Futuris Alvin Toffler melalui bukunya The Thrid
Wave, pada saat itu informasi merupakan hal yang
tidak mudah untuk didapatkan, karena bahan baku
informasi, yaitu data sangat sulit untuk dicari, sulit
didapat, terkadang sangat sulit untuk dimiliki. Kondisi
ini sangat berbanding terbalik pada masa kini, pada
saat data begitu melimpah bahkan disertai dengan
mudahnya cara untuk memperolehnya, dan pada saat
ini pula informasi dipandang sebagai suatu hal yang
sangat penting dan terkadang sangat berharga, karena
dengan menguasai informasi maka dengan mudah
akan dapat mencapai tujuan yang di inginkan,
tentunya dengan usaha yang keras pula. Di era
sekarang ini untuk mendapatkan informasi tidaklah
sulit, sebab banyak sekali media yang menawarkan
beragam informasi yang dapat digunakan untuk
bermacam-macam keperluan.
Demikian penting dan berharganya informasi,
membuat banyak perusahaan berusaha keras mencari
dan mengumpulkan sebanyak mungkin informasi
yang berguna untuk membuat perusahaan tersebut
tetap berdiri. Dan tujuan yang lebih penting adalah
mencari jalan agar keuntungan perusahaan terus
meningkat setiap harinya. Dalam hal ini perusahaan
atau manager dari perusahaan tersebut harus memiliki
kecerdasan bisnis, kecerdasan bisnis yang harus
dimiliki seorang manager adalah mengubah data yang
sangat banyak menjadi memiliki nilai bisnis melalui
laporan analistik yang akurat. Mini Market Budiman
telah menggunakan sistem komputerisasi dalam setiap
transaksi penjualannya sehingga dibutuhkan suatu
aplikasi yang dapat memberikan informasi bagi
penggambil keputusan dengan menggunakan data
transaksi Mini Market.
Salah satu aplikasi yang dapat membantu dalam
pengambilan keputusan adalah data mining. Penulis
menerapkan data mining dengan metode market
basket analysis dimana metode tersebut akan
menganalisa kebiasaan pembeli dengan menemukan
hubungan antara barang yang berbeda pada keranjang
belanja (market basket). Data-data yang sudah
dipersiapkan akan di olah sesuai algoritma apriori
untuk menghasilkan frequen itemsets yang pada
akhirnya menghasilkan association rules dan di
tampilkan dalam bentuk grafik dan tabel. Pengambilan
keputusan dapat mengetahui barang-barang apa saja
yang sering dibeli bersamaan oleh konsumen di Mini
Market Budiman. Berhubungan penulis sedang
melaksanakan tugas akhir, maka penulis mengangkat
topik ini sebagai tema tugas akhir yang berjudul,
“PEMBUATAN APLIKASI DATA MINING
MARKET BASKET ANALISIS PADA MINI
MARKET BUDIMAN DENGAN METODE
ASSOCIATION RULES”.
1.2 Perumusan Masalah
Dalam penelitian masalah ini yang diteliti
dirumuskan dalam masalah yang mencakup:
1. Bagaimana aplikasi data mining ini dapat
membantu penentuan tata letak barang di lihat
dari pola beli kostumer pada Mini Market
Budiman?
2. Bagaimana aplikasi data mining ini dapat
membantu manager dalam mengambil
keputusan seperti penambahan jenis barang?
3. Bagaimana algoritma apriori dirancang dan di
implementasikan dalam pembuatan aplikasi
data mining?
1.3 Tujuan Penelitian
Adapun tujuan penelitian dari tugas akhir ini
adalah:
1. Membuat aplikasi data mining association rule
dengan metode Basket Market Analisys untuk
menentukan tata letak barang pada Mini
Market Budiman.
2. Menemukan pengetahuan tersembunyi dari
sekumpulan data yang ada untuk dijadikan
sebagai bahan pertimbangan bagi manager
Mini Market Budiman dalam mengambil
keputusan.
2. LANDASAN TEORI
2.1 Rekayasa Prangkat Lunak
2.1.1 Pengertian Perangkat Lunak
Simarmata (2010:1) menyatakan bahwa perangkat
lunak adalah instruksi lansung komputer untuk
melakukan pekerjaan dan dapat di temukan di setiap
aspek kehidupan modern dari aplikasi yang kritis
untuk hidup (life-critical), seperti perangkat
pemantauan medis dan pembangkit tenaga listrik
sampai perangkat hiburan, seperti video game.
2.1.2 Pengertian Rekayasa Perangkat Lunak
Menurut Simarmata (2010:1), rekayasa perangkat
lunak adalah sebuah profesi yang dilakukan oleh
seorang perekayasa perangkat lunak yang berkaitan
dengan pembuatan dan pemeliharaan aplikasi
perangkat lunak dengan menerapkan teknologi dan
praktik dari ilmu komputer, manajemen proyek, dan
bidang-bidang lainya.
Menurut Sommerville (2003:4), rekayasa
perangkat lunak merupakan salah satu disiplin ilmu
yang bertujuan mengembangkan sistem perangkat
lunak yang efektif dari segi biaya.
2.2 UML (Unified Modelling Language)
2.2.1 Pengertian UML
UML (Unified Modelling Language) adalah
salah satu alat bantu yang sangat handal di dunia
pengembangan sistem yang berorientasi obyek. Hal
ini disebabkan karena UML menyediakan bahasa
pemodelan visual yang memungkinkan bagi
pengembang sistem untuk membuat cetak biru atas
visi mereka dalam bentuk yang baku, mudah
dimengerti serta dilengkapi dengan mekanisme yang
efektif untuk berbagi (sharing) dan
mengkomunikasikan rancangan mereka dengan yang
lain. Munawar (2005:17)
2.3 Data Mining
2.3.1 Defenisi Data Mining
Data mining adalah suatu istilah yang digunakan
untuk mmenguraikan penemuan pengetahuan dalam
database. Data mining adalah proses yang
menggunakan teknik statistik, matematika, kecerdasan
buatan dan mechine learning untuk mengestaksi dan
mengidentifikasi informasi yang bermanfaat dan
pengetahuan yang terkait dari berbagai database besar
(Turban, dkk.2005/Kusrini,2009).
Menurut Gartner Group data mining adalah suatu
proses menemukan hubungan yang berarti, pola, dan
kecendrungan dengan memeriksa dalam sekumpulan
besar data yang tersimpan dalam penyimpanan dengan
mengunakan teknik pengenalan pola seperti teknik
statistik dan matematika (Larose,2005/Kusrini,2009).
Kemajuan luar biasa yang terus berlanjut dalam
bidang data mining didorong oleh beberapa factor,
antara lain (Larose,2005/Kusrini,2009).
1. Pertumbuhan yang cepat dalam kumpulan data.
2. Penyimpanan data dalam data warehouse,
sehingga seluruh perusahaan memiliki akses ke
dalam database yang andal.
3. Adanya peningkatan akses data melalui
navigasi web dan internet.
4. Tekanan kompetisi bisnis untuk meningkatan
penguasaan pasar dalam globalilasi ekonomi.
5. Perkembangan teknologi perangkat lunak
untuk data mining (ketersedian teknologi).
6. Perkembangan yang hebat dalam kemampuan
komputasi dan pengembangan kapasitas media
penyimpanan.
Dari definisi-definisi yang telah disampaikan, hal
penting yang terkait dengan data mining adalah:
1. Data mining merupakan suatu proses
otomatis terhadap data yang sudah ada.
2. Data yang akan diproses berupa data yang
sangat besar.
3. Tujuan data mining adalah mendapatkan
hubungan atau pola mungkin memberikan
indikasi yang bermanfaat.
2.4 Algoritma A Priori
Algoritma A Priori termasuk jenis aturan asosiasi
pada data mining. Selain A Priori, yang termasuk
pada golongan ini adalah metode generalized rule
induction dan algoritma hash based. Aturan yang
menyatakan asosiasi antara beberapa atribut sering
disebut affinity analysis atau market basket analysis.
2.4.1.Prinsip A Priori
Jika sebuah sebuah item set sering muncul, maka
seluruh subset dari itemset tersebut juga harus sering
muncul dengan cara:
1. Pembangkitan Frequent Itemset.
2. Candidate Generation dan pruning
3. Support Counting
2.4.1 Market Basket Analysis
Menurut Kusrini, Emha Taufiq (2009) Market
basket analysis adalah salah satu dari macam cara
menganalisa data untuk pemasaran. Tujuan dari
Market Basket Analysis ini adalah untuk menentukan,
produk-produk apa saja yang dibeli oleh seorang
konsumen secara bersamaan. Sehingga dapat dipakai
sebagai masukan untuk meningkatkan keefektifan
pemasaran dan strategi penjualan. Sebuah toko atau
supermarket dapat menggunakan informasi ini untuk
meletakkan barang-barang yang biasanya dibeli secara
bersamaan di daerah yang sama. Bagi perusahaan-
perusahaan yang memasarkan barang melalui internet,
dapat menggunakan informasi ini untuk menentukan
desain layout dari barang-barang yang mereka jual
ataupun order form. Sedangkan bagi seorang direct
marketing, dapat menggunakan hasil analisa untuk
menentukan barang-barang terbaru apa saja yang
dapat ditawarkan pada konsumen lamanya.
Pada beberapa kasus, bahwa beberapa item barang
diberi secara bersamaan, pulanya mudah untuk
ditebak, misalnya mentega dibeli bersamaan dengan
roti. Kelebihan dari Market basket Analysis adalah
menggunakan komputer yang mampu melakukan data
mining, seorang manajer tidak perlu lagi berpikir
terlalu banyak mengenai produk apa yang menurut
logika akan dibeli secara bersamaan, karena data
penjualan konsumen akan “memberitahukannya”
sendiri.
2.4.2 Association Rule Analysis
Menurut Kusrini, Emha Taufiq (2009) Association
Rule Mining adalah teknik data mining untuk
menemukan aturan assosiatif antara suatu kombinasi
item. Teknik ini dapat dimanfaatkan secara luas dalam
proses bisnis.
Association rule mining merupakan suatu prosedur
dalam Market Basket Analysis untuk mencari
hubungan antar item dalam suatu data set dan
menampilkannya dalam bentuk Association rules.
Fungsi association rules seringkali disebut dengan
“Market Basket Analysis” yang digunakan untuk
menemukan relasi atau korelasi diantara himpunan
item-item.
Tipe Association rules bisa dinyatakan sebagai
misalnya: “70% dari orang-orang yang membeli mie,
juice dan saus akan membeli juga roti tawar”. Aturan
asosiasi mengcapture item atau kejadian dalam data
berukuran besar yang berisi data transaksi. Dengan
kemajuan teknologi, data penjualan dapat disimpan
dalam jumlah besar yang disebut dengan “Basket
data”. Aturan asosiasi yang didefinisikan pada basket
data digunakan untuk keperluan promosi, desain
catalog, segmentasi customer dan target
pemasaran.Secara tradisional, atauran asosiasi
digunakan untuk menemukan trend bisnis dengan
menganalisa tansaksi costumer.
2.4.3 Support dan Confidence
Menurut Kusrini, Emha Taufiq (2009) Analisa
asosiasi didefinisikan suatu proses untuk menemukan
semua aturan asosiasi yang memenuhi syarat
minimum untuk support ( minimum support ) dan
syarat minimum untuk confidence ( minimum
confidence ). Support ( Nilai Penunjang ) adalah
persentase kombinasi item tersebut dalam database,
sedangkan confidence ( Nilai kepastian ) adalah
kuatnya hubungan antar item dalam aturan asosiasi.
Aturan asosiasi biasanya dinyatakan dalam bentuk:
{roti, mentega} -> {susu}
( support=40%, confidence =50%)
Aturan tersebut berarti “50% dari transaksi aturan
tersebut yang memuat item roti dan mentega juga
memuat item susu sedangkan 40% dari seluruh
transaksi yang ada di database memuat ketiga item
tersebut” . dapat juga diartikan : “Sesorang konsumen
yang membeli roti dan mentega punya kemungkinan
50% untuk membeli susu. Aturan ini cukup signifikan
karena mewakili 40% dari catatan transaksi selama
ini”.
2.5 Bahasa Pemrograman Java
2.5.1 Pengertian Java
Java menurut defenisi dari Sun adalah nama untuk
sekumpulan teknologi untuk membuat dan
menjalankan perangkat lunak pada komputer
standalone ataupun pada lingkungan jaringan.
(M.Shalahudin dan Rosa A. S. ,2009).
2.6 Basisdata (Database)
Basisdata (Database) merupakan komponen
terpenting dalam pembangunan Sistem Informasi,
karena menjadi tempat utuk menampung seluruh data
yang ada dalam sistem.
2.6.1 Pengertian Basisdata
Menurut Ridwan Sanjaya (2005:40) Basisdata
adalah sebuah file yang mengkoordinasi tabel-tabel
data yang saling berhubungan dan memiliki satu
kepentingan yang yang sama sehingga akan
mempermudah pengolahan. Karena database
merupakan kumpulan dari beberapa tabel maka untuk
dapat membuat tabel, database harus dibuat terlebih
dahulu sebagai „induk‟ yang memayungi tabel-tabel di
bawahnya.
Menurut Stephens dan Plew (2000), database
adalah mekanisme yang digunakan untuk menyimpan
informasi atau data. Informasi adalah sesuatu yang
kita gunakan sehari-hari untuk berbagai alasan.
Dengan database, pengguna dapat menyimpan data
secara terorganisasi. Setelah data disimpan, informasi
harus mudah diambil. Kriteria dapat digunakan untuk
mengambil informasi. Cara data disimpan dalam
database menentukan seberapa mudah mencari
informasi berdasarkan banyak kriteria. Data pun harus
mudah ditambahkan ke dalam database, dimodifikasi,
dan dihapus. (Janner Simarmata & Iman
Paryudi,2010).
2.7 MySQL
Adalah sebuah perangkat lunak sistem manajemen
basis data SQL (bahasa Inggris: database management
system) atau DBMS yang multithread, multi-user,
dengan sekitar 6 juta instalasi di seluruh dunia.
MySQL AB membuat MySQL tersedia sebagai
perangkat lunak gratis dibawah lisensi GNU General
Public License (GPL), tetapi mereka juga menjual
dibawah lisensi komersial untuk kasus-kasus dimana
penggunaannya tidak cocok dengan penggunaan GPL.
Tidak sama dengan proyek-proyek seperti Apache,
dimana perangkat lunak dikembangkan oleh
komunitas umum, dan hak cipta untuk kode sumber
dimiliki oleh penulisnya masing-masing, MySQL
dimiliki dan disponsori oleh sebuah perusahaan
komersial Swedia MySQL AB, dimana memegang
hak cipta hampir atas semua kode sumbernya. Kedua
orang Swedia dan satu orang Finlandia yang
mendirikan MySQL AB adalah: David Axmark, Allan
Larsson, dan Michael "Monty" Widenius. Akan tetapi
sekarang MySQL telah dimiliki Oracle setelah
mengakuisisi Sun Microsystem.
( http://id.wikipedia.org/wiki/MySQL )
3 HASIL DAN PEMBAHASAN
3.1 Metodologi Dasar Analisa Asosiasi
Aturan asosiasi dilaksanakan dalam 2 langkah
proses, yaitu :
1. Temukan semua frequent itemset; Berdasarkan
definisi, masing-masing dari itemset maka
muncul sedikitnya dengan frequency sebesar
diberikan dalam minimum support count.
2. Munculkan strong association rule dari frequent
itemset, Berdasarkan definisi, aturan ini harus
memenuhi minimum support dan minimum
confidence.
3.1.1Analisis Pola Frekuensi Tinggi
Tahap ini mencari kombinasi item yang memenuhi
syarat minimum dari nilai support dalam database.
Nilai support sebuah item diperoleh dengan rumus
berikut:
Support (A) = Jumlah transaksi mengandung A
Total transaksi
Sedangkan nilai support dari 2 item diperoleh dari
rumus berikut.
Support (A,B) = P (A ∩ B)
Support (A,B) = ∑ Transaksi mengandung A dan B
∑ Transaksi
3.1.2 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. Didalam masalah
ini proses perhitungan manual yang telah dilakukan
yaitu dari 2-item set dan 3-item set dengan ≥ Φ = 2
adalah
Nilai Confidence dari aturan A→B diperoleh
dari rumus :
Confidence=P(B|A)=ƩTransaksi mengandungA dan B
Ʃ Transaksi Mengandung A
3.2 Pengujian
3.2.1 Pengujian Aplikasi
Pengujian terhadap aplikasi dilakukan untuk
mengetahui sejauh mana aplikasi yang dirancang
tersebut dapat memberikan kemudahan terhadap user,
mengetahui hubungan antar komponen sistem dan
pengujian terhadap aplikasi bahasa pemrograman Java
dalam perancangan aplikasi data mining untuk
mencari pola assosiasi menggunakan metode Market
Basket Analysis.
3.2.1.1 Form Login
Form ini merupakan jendela untuk akses masuk
kedalam sistem aplikasi bahasa pemrograman Java.
Didalamnya terdapat berbagai tombol diantaranya
tombol login. Pada tombol login akan mengecek user
dan password dari user yang akan masuk ke sistem.
Form login dapat dilihat pada Gambar 5.20.
Gambar 5.20 Form Login
3.2.1.2 Form Menu Utama
Form ini merupakan menu utama aplikasi data
mining dalam mencari pola assosiasi menggunakan
metode Market Basket Analysis. Didalam Form menu
utama terdapat berbagai menu diantaranya menu
penjualan, menu penjualan detil, menu analisis, dan
informasi. Pada menu penjualan dan penjualan detil,
user dapat menambah data transaksi yang ada di mini
market, dan pada menu analisis user akan menganalisa
assosiasi dari transaksi yang ada didalam database.
Form Menu utama dapat dilihat pada Gambar 5.21.
Gambar 5.21 Form Menu Utama
3.2.1.3 Form Penjualan
Untuk menggunakan form penjualan klick
penjualan pada menu utama dan kemudian tampil
form penjualan. didalam form penjualan terdapat
nostruk dan tanggal transaksi, yang berguna untuk
mencari jumlah transaksi (count) Gambar 5.22.
Gambar 5.22 Form Penjualan
3.2.1.4 Form Penjualan Detil
Dalam menggunakan form penjualan detil dengan
klick penjualan detil pada menu utama kemudian
tampil form penjualan detil. Berguna untuk
mengentrykan data-data transaksi yang ada, dimana
didalam form penjualan detil terdapat no struk, kode
barang, nama barang, jumlah beli, harga, dan jumlah
bayar. Terdapat juga tombol save untuk menyimpan,
tombol update untuk memperbaharui, tombol delete
untuk menghapus dan tombol close untuk keluar. form
penjualan detil dapat dilihat pada Gambar 5.23.
Gambar 5.23 Form penjualan Detil
3.2.1.5 Form Analisis
Analisis merupakan form untuk melakukan proses
analisa dan melihat hasil dari analisa. Form analisis
dapat digunakan dengan cara klick analisis pada menu
utama kemudian user akan mengentrykan minimum
support dan minimum confidance. Dengan menklik
tombol Analisis, sistem akan memproses data yang
ada di dalam data base. Untuk melihat seluruh hasil
asosiasinya maka minimum support dan
confidencenya di set dengan 0. Form analisis dapat
dilihat pada Gambar 5.24.
Gambar 5.24 Form Analisis
3.2.1.6 Form Informasi
Form ini digunakan untuk memberi informasi
tentang cara menggunakan aplikasi data mining. Dapat
digambarkan seperti Gambar 5.25.
Gambar 5.25 Form Informasi
3.2.2 Pengujian Hasil Analisa Aplikasi
Hasil dari analisa aplikasi data mining dengan
minimum support 5% dan minimum confidence 65%
dapat dilihat pada gambar 5.26.
Gambar 5.26 Hasil Analisa Aplikasi
4 KESIMPULAN
Dari uraian bab-bab sebelumnya di dapatkan
kesimpulan dari aplikasi data mining untuk mencari
pola assosiasi rule menggunakan metode market
basket analysis sebagai berikut :
1. Dengan menerapkan aplikasi data mining Mini
Market Budiman dapat mengatur dan menata tata
letak suatu produk lebih tepat dengan cara
mendekatkan produk yang saling berasosiasi
sehingga memudahkan konsumen dalam
pembelian produk yang di butuhkan dan dapat
meningkatkan penjualan pada Mini Market
Budiman. Produk yang saling berasosiasi dapat
di lihat dari salah satu hasil analisa aplikasi Jika
membeli “ASTOR WAFER” maka akan membeli
“HB YOGURT” dengan Supp 6,67% dan Conf
100%. Yang berarti ASTOR WAFER dan HB
YOGURT memiliki kemunculan 6,67% dari
keseluruhan transaksi dan tingkat kepercayaan
100%.
2. Dari aplikasi data mining ini manajer atau
pembuat keputusan dapat mengetahui barang-
barang apa saja yang dibeli secara bersamaan,
informasi tersebut dapat dipakai sebagai bahan
pertimbangan dalam mengambil keputusan yang
berkaitan dengan peningkatan penjualan pada
Mini Market Budiman dan meningkatkan
keuntungan dari item-item yang banyak terjual.
3. Dengan menggunakan algoritma apriori aplikasi
data mining ini dapat mencari item yang
berasosiasi di dalam suatu database yang
memiliki frequent di atas ambang tertentu.
DAFTAR REFERENSI
Kadir, Abdul. 2009. Mudah Mempelajari Database
MySQL. Yogyakarta: Andi Offset.
Kusrini dan Emha Taufiq Luthfi. 2009. Algoritma
Data Mining. Yogyakarta: Andi
Offse.
Munawar. 2005. Pemodelan Visual dengan UML.
Yogyakarta: Graha Ilmu.
Nugroho, Adi. 2008. Algoritma Dan Struktur Data
Dalam Bahasa Java. Yogyakarta: Andi
Offset.
Sanjaya, Ridwan. 2006. Pengolahan Database
MYSQL 5 Dengan Java 2. Yogyakarta:
Andi Publisher.
Shalahuddin, M dan Rosa A.S. 2009. Belajar
Pemograman dengan Bahasa C++ dan
Java. Bandung: Informatika Bandung.
Simarmata, Janer. 2010. Rekayasa Perangkat Lunak.
Yogyakarta: Andi Offset.
Sommerville, Ian. 2003. Software Engineering:
Rekayasa Perangkat Lunak. Jakarta:
Erlangga.
Susanto, Sani dan Dedy Suryadi. 2010. Pengantar
Data Mining Mengenali Pengetahuan dari
Bongkahan Data. Yogyakarta: Andi Offset.