sisdas-laporan tugas besar

APLIKASI DATA MINING UNTUK MENGANALISIS PERILAKU PENGUNJUNG MINIMARKET ALIFMART DENGAN METODE

ASSOCIATION RULE ANALYSISJl. St Delanggu-Juwiring Km 2, Padangan, Wonosari, Klaten (0271) 5872828

Dosen Pengampu : Cahyono Sigit Pramudyo, M.T.

Di Susun Oleh :

1. Arum Tri Utami 09660001

2. Ali Maskur 09660011

3. Tiastono Taufiq 09660020

4. Adhista Triasa Renggananta 09660029

5. Arifiani Putranti 09660040

TEKNIK INDUSTRIFAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI SUNAN KALIJAGAYOGYAKARTA

2012

ABSTRAK

Berbagai tuntutan bagi seorang pengambil keputusan untuk dapat melihat

peluang-peluang yang dapat meningkatkan penjualan produk di perusahaannya

sudah mulai bermunculan. Pengambil keputusan perlu memakai suatu sistem

yang dapat mendukungnya dalam mengambil keputusan secara cepat dan juga

tepat. Ilmu pengetahuan atas suatu produk dapat digunakan oleh perusahaan

untuk meningkatkan penjualan. Salah satu cara untuk mendapatkan ilmu

pengetahuan tersebut adalah dengan melakukan data mining. Data yang

diperlukan diambil dari data transaksi penjualan selama periode tertentu dan

diolah sehingga menghasilkan association rules dari barang dalam transaksi.

Aplikasi ini menggunakan aplikasi Virtual Basic dan Microsoft Access. Dengan

menggunakan aplikasi ini, pengambil keputusan dapat mengetahui barang apa

saja yang sering dibeli bersamaan oleh konsumen di minimarket.

Kata Kunci: Association Rules, Data Mining, Pengambilan Keputusan

BAB I

PENDAHULUAN

1.1. Latar Belakang

Pada umumnya perusahaan mengumpulkan informasi melalui sistem

database yang berguna untuk menampung data transaksi, kemudian nantinya

data tersebut diolah sehingga dapat diketahui tingkat dan volume suatu

penjualan dan pembelian pada suatu waktu tertentu, sehingga seorang manajer

perusahaan dapat mengatur strategi pemasaran bagi perusahaannya.

Terkadang hasil dari pengolahan data dengan cara sederhana (query) tidak

mendapatkan hasil yang efektif karena demikian besarnya volume data yang

diolah dan kesulitan untuk melihat asosiasi antara penjualan barang yang satu

dengan yang lain.

Dengan demikian perlu adanya suatu sistem yang dapat mendukung

manajer dalam mengambil keputusan secara cepat dan juga tepat. Oleh karena

itu diperlukan suatu sistem pengolahan database dengan aplikasi data mining

dengan metode asssociation rules yang bekerja dengan cara mencari dan

menemukan pola–pola yang berasosiasi diantara produk-produk yang

ditawarkan/dipasarkan, seperti halnya yang harus dilakukan oleh pemilik

usaha minimarket di berbagai wilayah, yang setiap tahunnya memiliki

pertumbuhan yang cukup tinggi.

Perkembangan minimarket yang cukup pesat ini mengakibatkan

munculnya sebuah persaingan yang tidak dapat dihindari lagi. Untuk dapat

bertahan dalam menghadapi masalah tersebut, pihak minimarket tidak cukup

hanya dengan memberi pelayanan yang maksimal kepada pelanggan saja,

melainkan dengan menguasai peningkatan teknologi modern. Akibatnya, para

pengambil keputusan harus mampu melihat peluang-peluang yang dapat

membuat penjualan bisnisnya meningkat drastis. Pengambil keputusan

diwajibkan menggunakan suatu sistem yang nantinya dapat mendukung dalam

pengambilan keputusan secara tepat dan cepat. Salah satunya adalah data

mining dengan menggunakan teknik assosiation rule analysis, yang pada

akhirnya hasil yang diperoleh dari proses data mining ini dapat dijadikan

sebagai ilmu baru yang dapat digunakan oleh pemilik minimarket untuk

meningkatkan penjualan produk-produknya.

Sebagai contoh adalah jika seorang manajer minimarket mampu

mengetahui produk apa saja yang biasa dibeli pelanggan secara bersamaan,

maka tindakan yang paling tepat adalah dengan menata posisi rak-rak produk

sesuai dengan informasi dan pengetahuan yang telah didapatkannya tadi.

Misalnya produk A diletakkan berdekatan atau justru berjauhan dengan

produk B. Hal ini dikarenakan kedua produk tersebut sering dibeli bersamaan.

Langkah lain yang dapat dilakukan oleh seorang manajer adalah dengan

melakukan iklan terhadap produk yang berasosiasi tersebut secara besar-

besaran. Dengan menggunakan aplikasi ini, pengambil keputusan dapat

mengetahui produk apa saja yang sering dibeli bersamaan oleh pelanggan di

minimarket. Dengan demikian, adanya data mining terhadap produk-produk di

minimarket, mampu mengetahui dengan lebih baik bagaimana harus menata

rak-rak atau posisi produknya dan juga melakukan iklan terhadap produk

tersebut agar dapat meningkatkan penjualan produk.

1.2. Perumusan Masalah

Berdasarkan latar belakang di atas, untuk meningkatkan penjualan

produk-produk minimarket, maka bagaimana cara melakukan analisa produk-

produk minimarket Alifmart dengan menggunakan metode association rule

analysis?

1.3. Tujuan

Adapun tujuan dari penelitian mengenai aplikasi data mining untuk

menganalisis perilaku pengunjung minimarket alifmart dengan metode

association rule analysis adalah sebagai berikut:

1. Sebagai ilmu baru yang dapat digunakan oleh pemilik minimarket

untuk meningkatkan penjualan produk-produknya.

2. Untuk mengetahui dengan lebih baik bagaimana harus menata rak-rak

atau posisi penempatan produk.

3. Untuk membantu dalam merekomendasikan produk mana yang harus

ditawarkan terhadap pelanggan terlebih dahulu sehingga dapat

meningkatkan penjualan produk.

1.4. Manfaat

Manfaat yang dapat diperoleh dari penelitian kali ini adalah sebagai

berikut:

1. Membantu manajer minimarket Alifmart dalam mengetahui

perilaku dan keinginan pelanggan ketika berbelanja, yaitu dengan

cara menata rak-rak atau posisi penempatan produk secara tepat dan

2. Mampu merekomendasikan produk apa saja yang harus ditawarkan

kepada pelanggan, sehingga dapat meningkatkan penjualan produk

minimarket.

1.5. Batasan dan Asumsi

1.5.1. Batasan

Adapun batasan-batasan dalam penelitian di minimarket

Alifmart kali ini adalah sebagai berikut:

1. Penelitian ini hanya dilakukan di minimarket Alifmart, Jl. St

Delanggu-Juwiring Km 2, Padangan, Wonosari, Klaten.

2. Penelitian ini dilakukan pada waktu-waktu tetentu

disesuaikan dengan waktu peneliti dan perusahaan.

1.5.2. Asumsi

Adapun asumsi-asumsi dalam penelitian di minimarket Alifmart

kali ini adalah sebagai berikut:

1. Data yang diperoleh dianggap sudah mencukupi kebutuhan.

2. Aplikasi yang dihasilkan dianggap mampu membantu pihak

minimarket dalam proses pengambilan keputusan.

BAB II

DASAR TEORI

2.1. Data Mining

T.Larose (2004) mengatakan bahwa Data mining (DM) adalah

serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data

berupa pengetahuan yang selama ini tidak diketahui secara manual. Patut

diingat bahwa kata mining sendiri berarti usaha untuk mendapatkan sedikit

barang berharga dari sejumlah besar material dasar. Karena itu DM

sebenarnya memiliki akar yang panjang dari bidang ilmu seperti kecerdasan

buatan (artificial intelligent), machine learning, statistik dan basis data.

Beberapa teknik yang sering disebut-sebut dalam literatur DM antara lain :

clustering, classification, association rule mining, neural network, dan

genetic algorithm. Perkembangan DM yang pesat tidak dapat lepas dari

perkembangan teknologi informasi yang memungkinkan data dalam jumlah

besar terakumulasi.

Data mining bukanlah suatu bidang yang sama sekali baru. Salah

satu kesulitan untuk mendefinisikan data mining adalah kenyataan bahwa

data mining mewarisi banyak aspek dan teknik dari bidang-bidang ilmu yang

sudah mapan terlebih dulu. Berawal dari beberapa disiplin ilmu, data mining

bertujuan untuk memperbaiki teknik tradisional sehingga bisa menangani:

1. Jumlah data yang sangat besar.

2. Dimensi data yang tinggi.

3. Data yang heterogen dan berbeda bersifat.

2.2. Association Rule

Menurut T.Larose (2004), analisis asosiasi atau association rule

mining adalah teknik data mining untuk menemukan aturan assosiatif antara

suatu kombinasi item. Contoh aturan assosiatif dari analisa pembelian di suatu

pasar swalayan adalah dapat diketahuinya berapa besar kemungkinan seorang

pelanggan membeli roti bersamaan dengan susu. Dengan pengetahuan tersebut

pemilik pasar swalayan dapat mengatur penempatan barangnya atau

merancang kampanye pemasaran dengan memakai kupon diskon untuk

kombinasi barang tertentu.

Analisis asosiasi menjadi terkenal karena aplikasinya untuk

menganalisa isi keranjang belanja di pasar swalayan. Analisis asosiasi juga

sering disebut dengan istilah market basket analysis. Analisis asosiasi dikenal

juga sebagai salah satu teknik data mining yang menjadi dasar dari berbagai

teknik data mining lainnya. Khususnya salah satu tahap dari analisis asosiasi

yang disebut analisis pola frekuensi tinggi (frequent pattern mining) menarik

perhatian banyak peneliti untuk menghasilkan algoritma yang efisien. Penting

tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter, support

(nilai penunjang) yaitu persentase kombinasi item tersebut dalam database

dan confidence (nilai kepastian) yaitu kuatnya hubungan antar item dalam

aturan assosiatif. Metodologi dasar analisis asosiasi terbagi menjadi dua

tahap :

a. Analisa 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 ATotal Transaksi

Sedangkan nilai support dari 2 item diperoleh dari rumus berikut:

Support ( A ∩ B )= JumlahTransaksi Mengandung A ∩BTotalTransaksi

b. Pembentukan aturan assosiatif

Setelah semua pola frekuensi tinggi ditemukan, barulah dicari

aturan assosiatif yang memenuhi syarat minimum untuk confidence

dengan menghitung confidence aturan assosiatif A B. Nilai confidence

dari aturan A B diperoleh dari rumus berikut:

Confidence=P ( B∨A )= JumlahTransaksi Mengandung A dan BJumlahTransaksi Mengandung A

BAB III

METODOLOGI PENELITIAN

3.1. Obyek Penelitian

Obyek penelitian kali ini adalah produk-produk yang dibeli pelanggan

di minimarket Alifmart yang berlokasi di Jl. St Delanggu-Juwiring Km 2,

Padangan, Wonosari, Klaten (0271) 5872828.

3.2. Waktu Penelitian

Penelitian dilakukan selama 1 kali survei, yaitu pada hari Selasa,

tanggal 1 Mei 2012.

3.3. Data yang digunakan

Data-data yang digunakan dalam penelitian kali ini adalah sebagai berikut:

1. Data produk yang dibeli pelanggan supermarker Alifmart.

2. Data jumlah pelanggan.

3.4. Mekanisme Pengumpulan Data

a. Observasi

Observasi dilakukan untuk pencarian data-data yang bersifat umum.

Observasi dilakukan dengan pengamatan langsung terhadap konsumen di

minimarket Alifmart, Klaten.

b. Wawancara

Melakukan wawancara secara langsung dengan pihak-pihak yang

berkompeten dan terkait secara langsung untuk melakukan pengambilan

data sesuai dengan penelitian.

c. Study Pustaka

Identifikasi Masalah & Pengumpulan Data

Analisis DataPerancangan Program

Pengujian & Implementasi

Kesimpulan

Mulai

Selesai

Studi pustaka dilakukan dengan penelusuran referensi baik dari

buku, media massa, web site, maupun segala bentuk referensi yang

berkaitan dengan tema dalam studi kasus.

3.5. Kerangka Penelitian

BAB IV

PERANCANGAN SISTEM CERDAS

4.1. Pengumpulan Data

Tabel 4.1. Keterangan Produk

Produk Keterangan

A Detergen

B Softener

C Pemutih Baju

D Sabun Colek

E Pelembut Spray

F Sikat Baju

G Sabun Cuci Piring dan Gelas

H Sabun Mandi

I Sikat Gigi

J Shampo

K Facial Foam

L Pasta Gigi

M Mouthwash

N Alat Cukur

O Conditioner

P Lotion

Q Parfume

R Deodorant

S Minyak Rambut

T Cologne

Tabel 4.2. Hasil Pengamatan

Kon

sum

en

A B C D E F G H I J K L M N O P Q R S T

1 V V V

2 V V

3 V V V V V V

4 V V V

5 V V

6 V V V

7 V V V V V

8 V V

9 V V V V V V

10 V V V

11 V V V V V V V

12 V V V

13 V V V

14 V V V V V V V

15 V V V V V V V V V


17 V V V V V V V V

18 V V V V V V V V

19 V V V V V

20 V V V V V V V V V V V

21 V V V V V V V V V V V V V V V


23 V V V V V V V V V V

24 V V V V V V V

25 V V V V V V V V V V V V


27 V V V V V V V V

28 V V V

29 V V V V V V V V

30 V V V V V V V V








38 V V V V V V V



41 V V V V V V V V V V V V V V V





46 V V V V V V V V

47 V V V V V V V V


49 V V V V V

50 V V V V V

∑ 25 20 18 20 22 16 23 18 19 24 23 15 17 20 21 20 15 21 18 21

Menentukan Frequent Item Set (Φ) dan nilai k = 2

Terlebih dahulu kita menentukan Ф = 12, maka kita dapat

menentukan frekuen itemset. Dari tabel di bawah ini diketahui total Ф

untuk transaksi k = 2.

Tabel 4.3. Candidate 2-Itemsites

Kombinasi Jumlah Kombinasi Jumlah KombinasiJumla

hKombinasi Jumlah

AB 10 BD 6 CG 9 DK 8

AC 10 BE 7 CH 7 DL 8

AD 11 BF 8 CI 10 DM 6

AE 13 BG 7 CJ 8 DN 9

AF 9 BH 8 CK 11 DO 7

AG 12 BI 7 CL 9 DP 9

AH 9 BJ 8 CM 6 DQ 3

AI 10 BK 13 CN 10 DR 10

AJ 12 BL 6 CO 9 DS 7

AK 12 BM 11 CP 8 DT 12

AL 4 BN 10 CQ 4 EF 6

AM 7 BO 7 CR 9 EG 10

AN 11 BP 8 CS 9 EH 12

AO 10 BQ 6 CT 11 EI 13

AP 9 BR 8 DE 10 EJ 13

AQ 7 BS 9 DF 7 EK 14

AR 9 BT 6 DG 10 EL 9

AS 10 CD 8 DH 10 EM 11

AT 12 CE 12 DI 11 EN 10

BC 8 CF 5 DJ 11 EO 11

EP 8 GM 7 IN 10 KS 12

EQ 11 GN 11 IO 7 KT 12

ER 8 GO 9 IP 7 LM 7

ES 11 GP 8 IQ 7 LN 7

ET 15 GQ 10 IR 9 LO 8

FG 6 GR 9 IS 10 LP 8

FH 5 GS 8 IT 12 LQ 4

FI 4 GT 11 JK 12 LR 6

FJ 8 HI 10 JL 6 LS 6

FK 12 HJ 11 JM 9 LT 8

FL 5 HK 10 JN 13 MN 8

FM 4 HL 9 JO 11 MO 5

FN 5 HM 9 JP 11 MP 8

FO 9 HN 12 JQ 8 MQ 6

FP 5 HO 5 JR 13 MR 8

FQ 5 HP 8 JS 9 MS 6

FR 9 HQ 6 JT 10 MT 8

FS 9 HR 7 KL 7 NO 8

FT 8 HS 8 KM 8 NP 10

GH 9 HT 9 KN 12 NQ 6

GI 12 IJ 9 KO 10 NR 9

GJ 12 IK 10 KP 12 NS 10

GK 9 IL 7 KQ 9 NT 9

GL 7 IM 6 KR 11 OP 7

Kombinasi Jumlah Kombinasi Jumlah Kombinasi Jumla Kombinasi Jumlah

h

OQ 7 PQ 9 QR 10 RT 9

OR 10 PR 8 QS 4 ST 8

OS 11 PS 4 QT 5

OT 9 PT 8 RS 9

Tabel 4.4. Nilai Asosiasi k = 2

If Antecedent, then Consequent

Support Confidence Nilai Asosiasi

If buy A, then buy E (13/50) x 100% = 26 % (13/25) x 100% = 52% 0.1352

If buy E, then buy A (13/50) x 100% = 26 % (13/22) x 100% = 59.1% 0.1537

If buy A, then buy G (12/50) x 100% = 24% (12/25) x 100% = 48% 0.1152

If buy G, then buy A (12/50) x 100% = 24% (12/23) x 100% = 52.17% 0.1252

If buy A, then buy J (12/50) x 100% = 24% (12/25) x 100% = 48% 0.1152

If buy J, then buy A (12/50) x 100% = 24% (12/24) x 100% = 50% 0.1200

If buy A, then buy K (12/50) x 100% = 24% (12/25) x 100% = 28% 0.0672

If buy K, then buy A (12/50) x 100% = 24% (12/23) x 100% = 52.17% 0.1252

If buy A, then buy T (12/50) x 100% = 24% (12/25) x 100% = 28% 0.0672

If buy T, then buy A (12/50) x 100% = 24% (12/21) x 100% = 57.14% 0.1299

If buy C, then buy E (12/50) x 100% = 24% (12/18) x 100% = 66.67% 0.1600

If buy E, then buy C (12/50) x 100% = 24% (12/22) x 100% = 54.55% 0.1309

If buy D, then buy T (12/50) x 100% = 24% (12/20) x 100% = 60% 0.1440

If buy T, then buy D (12/50) x 100% = 24% (12/21) x 100% = 57.14% 0.1371

If buy E, then buy H (12/50) x 100% = 24% (12/22) x 100% = 54.55% 0.1309

If buy H, then buy E (12/50) x 100% = 24% (12/18) x 100% = 66.67% 0.1600

If buy E, then buy I (13/50) x 100% = 26% (13/22) x 100% = 59.1% 0.1537

If buy I, then buy E (13/50) x 100% = 26% (13/19) x 100% = 68.42% 0.1779

If buy E, then buy J (13/50) x 100% = 26% (13/22) x 100% = 59.1% 0.1537

If buy J, then buy E (13/50) x 100% = 26% (13/24) x 100% = 54.17% 0.1407

If buy E, then buy K (14/50) x 100% = 28% (14/22) x 100% = 63.64% 0.1782

If buy K, then buy E (14/50) x 100% = 28% (14/23) x 100% = 60.87% 0.1704

If buy E, then buy T (15/50) x 100% = 30% (15/22) x 100% = 68.18% 0.2045

If buy T, then buy E (15/50) x 100% = 30% (15/21) x 100% = 71.43% 0.2143

If buy F, then buy K (12/50) x 100% = 24% (12/16) x 100% = 75% 0.1800

If buy K, then buy F (12/50) x 100% = 24% (12/23) x 100% = 52.17% 0.1250

If buy G, then buy I (12/50) x 100% = 24% (12/24) x 100% = 50% 0.1200

If buy I, then buy G (12/50) x 100% = 24% (12/19) x 100% = 63.16% 0.1516

If buy G, then buy J (12/50) x 100% = 24% (12/24) x 100% = 50% 0.1200

If buy J, then buy G (12/50) x 100% = 24% (12/24) x 100% = 50% 0.1200

If buy H, then buy N (12/50) x 100% = 24% (12/18) x 100% = 66.67% 0.1600

If buy N, then buy H (12/50) x 100% = 24% (12/20) x 100% = 60% 0.1440

If buy I, then buy T (12/50) x 100% = 24% (12/19) x 100% = 63.16% 0.1516

If buy T, then buy I (12/50) x 100% = 24% (12/21) x 100% = 57.14% 0.1371

If buy J, then buy K (12/50) x 100% = 24% (12/24) x 100% = 50% 0.1200

If buy K, then buy J (12/50) x 100% = 24% (12/23) x 100% = 52.17% 0.1252

If buy J, then buy N (13/50) x 100% = 26% (13/24) x 100% = 54.17% 0.1408

If buy N, then buy J (13/50) x 100% = 26% (13/20) x 100% = 65% 0.1690

If buy J, then buy R (13/50) x 100% = 26% (13/24) x 100% = 54.17% 0.1408

If buy R, then buy J (13/50) x 100% = 26% (13/21) x 100% = 61.9% 0.1609

If buy K, then buy N (12/50) x 100% = 24% (12/23) x 100% = 52.17% 0.1252

If buy N, then buy K (12/50) x 100% = 24% (12/20) x 100% = 60% 0.1440

If buy K, then buy P (12/50) x 100% = 24% (12/23) x 100% = 52.17% 0.1252

If buy P, then buy K (12/50) x 100% = 24% (12/20) x 100% = 60% 0.1440

If buy K, then buy S (12/50) x 100% = 24% (12/23) x 100% = 52.17% 0.1252

If buy S, then buy K (12/50) x 100% = 24% (12/18) x 100% = 66.67% 0.1600

If buy K, then buy T (12/50) x 100% = 24% (12/23) x 100% = 52.17% 0.1252

If buy T, then buy K (12/50) x 100% = 24% (12/21) x 100% = 57.14% 0.1371

Setelah mendapatkan hasil perkalian antara support dan confidence, maka

rule yang dipakai pada saat menjual produk tersebut berdasarkan nilai confidence

minimal sebesar 60% adalah sebagai berikut:

1. Jika membeli C (Pemutih), maka akan membeli E (Pelembut Spray).

2. Jika membeli H (Sabun Mandi), maka akan membeli E (Pelembut Spray).

3. Jika membeli I (Sikat gigi), maka akan membeli E (Pelembut Spray).

4. Jika membeli E (Pelembut Spray), maka akan membeli K (Facial Foam).

5. Jika membeli K (Facial Foam), maka akan membeli E (Pelembut Spray).

6. Jika membeli E (Pelembut Spray), maka akan membeli T (Cologne).

7. Jika membeli T (Cologne), maka akan membeli E (Pelembut Spray).

8. Jika membeli F (Sikat), maka akan membeli K (Facial Foam).

9. Jika membeli H (Sabun Mandi), maka akan membeli N (Alat Cukur).

10. Jika membeli N (Alat Cukur), maka akan membeli O (Conditioner).

11. Jika membeli R (Deodorant), maka akan membeli J (Shampoo).

12. Jika membeli S (Minyak Rambut), maka akan membeli K (Facial Foam).

Menentukan Frequent Item Set (Φ) dan nilai k = 3

Untuk k = 3 (3 unsur), produk yang digunakan adalah produk-

produk yang memiliki nilai confidence minimal 60 %. Produk tersebut

adalah produk C, E, F, H, I, J, K, N, O, R, S, dan T.

Terlebih dahulu kita menentukan Ф = 8, maka kita dapat

menentukan frekuen itemset. Dari tabel di bawah ini diketahui total Ф

untuk transaksi k = 3.

Tabel 4.5. Candidate 3-Itemsites

Kombinasi Jumlah Kombinasi Jumlah Kombinasi Jumlah

AE, G 6 EH, T 7 KN, T 6

AE, J 9 EI, J 8 KP, S 5

AE, K 9 EI, K 9 KP, T 7

AE, T 9 EI, T 8 KS, T 6

AG, J 7 EJ, K 9

AG, K 6 EJ, T 9

AG, T 6 EK, T 10

AJ, K 6 GI, J 6

AJ, T 7 JK, N 8

AK, T 7 JK, R 6

EH, I 8 JN, R 7

EH, J 9 KN, P 6

EH, K 8 KN, S 9

Tabel 4.6. Nilai Asosiasi k = 3

If Antecedent, then Consequent

Support Confidence Nilai Asosiasi

If buy AE, then buy J (9/50) x 100% = 18 % (9/13) x 100% = 69.23% 0.1246

If buy AE, then buy K (9/50) x 100% = 18 % (9/13) x 100% = 69.23% 0.1246

If buy AE, then buy T (9/50) x 100% = 18 % (9/13) x 100% = 69.23% 0.1246

If buy EH, then buy I (8/50) x 100% = 16% (8/12) x 100% = 66.67% 0.1070

If buy EH, then buy J (9/50) x 100% = 18% (9/12) x 100% = 75% 0.1350

If buy EH, then buy K (8/50) x 100% = 16% (8/12) x 100% = 66.67% 0.1070

If buy EI, then buy J (8/50) x 100% = 16% (8/13) x 100% = 61.54% 0.0980

If buy EI, then buy K (9/50) x 100% = 18% (9/13) x 100% = 69.23% 0.1246

If buy EI, then buy T (8/50) x 100% = 16% (8/13) x 100% = 61.54% 0.0980

If buy EJ, then buy K (9/50) x 100% = 18% (9/13) x 100% = 69.23% 0.1246

If buy EJ, then buy T (9/50) x 100% = 18% (9/13) x 100% = 69.23% 0.1246

If buy EK, then buy T (10/50) x 100% = 20% (10/16) x 100% = 62.50% 0.1250

If buy JK, then buy N (8/50) x 100% = 16% (8/12) x 100% = 66.67% 0.1060

If buy KN, then buy S (9/50) x 100% = 18% (9/12) x 100% = 75% 0.1350

Setelah mendapatkan hasil perkalian antara support dan confidence,

maka rule yang dipakai pada saat menjual produk tersebut berdasarkan nilai

confidence minimal sebesar 69% adalah sebagai berikut:

1. Jika membeli A (Deterjen) dan E (Pelembut Spray), maka akan membeli J

(Shampo).

2. Jika membeli A (Deterjen) dan E (Pelembut Spray), maka akan membeli K

(Facial Foam).

3. Jika membeli A (Deterjen) dan E (Pelembut Spray), maka akan membeli T

(Cologne).

4. Jika membeli E (Pelembut Spray) dan H (Sabun Mandi), maka akan membeli

J (Shampo).

5. Jika membeli E (Pelembut Spray) dan I (Sikat Gigi), maka akan membeli K

(Facial Foam).

6. Jika membeli E (Pelembut Spray) dan J (Shampo), maka akan membeli K

(Facial Foam).

7. Jika membeli E (Pelembut Spray) dan J (Shampo), maka akan membeli T

(Cologne).

8. Jika membeli K (Facial Foam) dan N (Alat Cukur), maka akan membeli S

(Minyak Rambut).

4.2. Perancangan Aplikasi

Bahasa pemrograman yang digunakan untuk melakukan

implementasi adalah Virtual Basic (VB). Sedangkan sebagai database

digunakan Microsoft Access. Tampilan awal dapat dilihat pada gambar

berikut:

BAB V

ANALISA DAN PEMBAHASAN

Assosiation rule mining mencari dan menemukan hubungan antar item

yang ada pada suatu dataset. Program data mining dengan association rule

bertujuan menemukan informasi item-item yang saling berhubungan dalam

bentuk rule. Dengan demikian association rule paling tepat diterapkan pada

market basket analysis. Jika diasumsikan bahwa semesta sebagai suatu kumpulan

item yang tersedia di toko, maka setiap item memiliki boolean variable yang

merepresentasikan keberadaan atau ketidakberadaan dari item tersebut. Setiap

transaksi kemudian dapat direpresentasikan oleh suatu nilai boolean yang

diberikan pada setiap variabel. Nilai boolean tersebut bisa dianalisa untuk pola

belanja yang menunjukan item yang sering dibeli bersamaan. Pola tersebut dapat

direpresentasikan dengan bentuk association rule. Sebagai contoh, konsumen

yang biasanya membeli pemutih juga membeli pelembut spray ditunjukan sebagai

berikut:

Pemutih→ Pelembut Spray [ support=24 % ,Confidence=66.67 % ]

Support dan confidence adalah dua ukuran kepercayaan yang menunjukan

kepastian dan tingkat kegunaan suatu rule yang ditemukan. Support 24% di atas

mengatakan bahwa hasil analisa dari semua transaksi yang ada menunjukan

Pemutih dan Pelembut Spray dibeli secara bersamaan. Confidence 66.67%

menunjukan bahwa 66.67% dari pembeli yang membeli Pemutih juga pasti

membeli Pelembut Spray tersebut. Pada umumnya association rule yang

ditemukan dikatakan menarik apabila rule tersebut memenuhi baik minimum

support maupun minimum confidence yang telah ditentukan oleh user.

BAB VI

KESIMPULAN

6.1. Kesimpulan

Berdasarkan hasil penelitian mengenai perilaku konsumen terhadap

produk-produk di minimarket Alifmart menggunakan metode Assosiation

Rule, maka dapat diambil kesimpulan sebagai berikut:

1. Dengan aplikasi ini dapat diketahui asosiasi barang apa saja yang

sering dibeli bersamaan oleh konsumen di minimarket yang nantinya

informasi ini dapat memberikan pertimbangan tambahan bagi manajer

dalam pengambilan keputusan guna pembelian barang dan pengaturan

barang pada rak supermaket.

2. Dari hasil pengolahan data yang dilakukan, maka diperoleh kedekatan

antara produk satu dengan produk yang lain. Dengan hasil asosiasi

yang menghasilkan nilai support x confidence yang tervesar yaitu

sebagai berikut:

Produk yang dibeli Produk yang direkomendasikan

Pemutih Pelembut Spray

Sabun Mandi Pelembut Spray atau alat cukur

Sikat Gigi Pelembut Spray

Pelembut Spray Facial Foam atau cologne

Facial Foam Pelembut Spray

Cologne Pelembut Spray

Sikat Facial Foam

Alat Cukur Conditioner

Deodorant Shampo

Minyak Rambut Facial Foam

6.2. Saran

Adapun saran yang dapat diberikan kepada pihak minimarket Alifmart

adalah sebagai berikut:

1. Sebaiknya pihak minimarket Alifmart menyusun produk-produk yang

dimiliki dalam sebuah rak yang sesuai dengan kebutuhan konsumen

terbanyak atau yang sering dibeli.

2. Pihak Alifmart lebih aktif dalam memberikan rekomendasi produk lain

kepada konsumen berdasarkan saran yang sudah diberikan.

DAFTAR PUSTAKA

T.Larose, D. (2004). DISCOVERING KNOWLEDGE IN DATA An Introduction

to Data Mining. Data Mining , 180-198.

sisdas-laporan tugas besar

Documents