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: dedi_suhendri@rocketmail.com 2) Teknik Informatika, UPI “yptk” , Padang

email: Eka_Praja@yahoo.com

3) Teknik Informatika, UPI “yptk” , Padang

email: Randi.Permana@rocketmail.com

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.