SISDAS-Laporan Tugas Besar
-
Upload
adhista-triasa -
Category
Documents
-
view
77 -
download
1
Transcript of 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
16 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
22 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
26 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
31 V V V V V V V V V V V V
32 V V V V V V V V V V V
33 V V V V V V V V V
34 V V V V V V V V V
35 V V V V V V V V V V V
36 V V V V V V V V V V
37 V V V V V V V V V V V
38 V V V V V V V
39 V V V V V V V V V V V V
40 V V V V V V V V V V V
41 V V V V V V V V V V V V V V V
42 V V V V V V V V V V V V
43 V V V V V V V V V V
44 V V V V V V V V V V V V
45 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
48 V V V V 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.