3.1.5. Implementasi Aplikasi
Tahap implementasi dilakukan untuk mewujudkan model dan desain transformasi desain yang telah dibuat menjadi bentuk model
AARP 1.0 yang nyata. Pada tahap implementasi ini dilakukan juga verifikasi. Verifikasi dilakukan untuk menguji keluaran output aplikasi
dan pelacakan kesalahan sistem debugging.
3.1.6. Transformasi Desain
AARP 1.0 menggunakan bahasa pemograman Java yang terintegrasi dalam perangkat lunak Eclipse 3.7.2 dalam bundle Android
Developer Tools v21.1 sebagai desain Graphic User Interface. Manajemen basis data yang digunakan adalah MySQL 5.5 XAMPP 1.8.1
dengan koneksi yang digunakan adalah java database connection JDBC. Semua perangkat lunak yang digunakan tersebut dijalankan pada sebuah
perangkat komputer notebook dengan spesifikasi, prosesor Intel Core i3, memori RAM 4GB. Kapasitas hardisk 320 GB.
4. Pengembangan Sistem
Setelah dilakukan perancangan sistem AARP 1.0, maka selanjutnya dilakukan pengembangan terhadap rancangan sistem tersebut.
4.1. Analisis Association Rules Mining Support, Confidence, Improvement
Association rules merupakan salah satu teknik didalam data mining untuk menentukan hubungan antar item dalam suatu dataset sekumpulan data yang
telah ditentukan. Konsep ini sendiri diturunkan dari terminologi market basket analysis, yaitu pencarian hubungan dari beberapa produk di dalam transaksi
pembelian. Teknik ini mencari kemungkinan kombinasi yang sering muncul frequent dari suatu itemset sekumpulan item. Ada dua langkah didalam
algoritma ini. Langkah pertama adalah melakukan perhitungan untuk menemukan frequent itemsets dan langkah kedua mencari kaidah asosiasi rules
dari sekumpulan frequent itemsets tadi. Sebelum dilakukan perhitungan association rules, terlebih dahulu dilakukan perhitungan frequent itemset.
Frequent itemset dilakukan untuk menentukan rules berdasarkan treshold batasan minimal nilai support yang ditentukan user Bayu 2010.
4.2. Next Sequential Product
Next sequential product adalah produk selanjutnya yang mungkin akan diminta oleh customer pada transaksi berikutnya setelah melakukan suatu
transaksi. Penentuan next sequential product dilakukan dengan memanfaatkan rules yang sudah dihasilkan dari analisis association rules mining. Pada
penelitian ini next sequential product merupakan produk yang memiliki nilai keterkaitan confidence tertinggi terhadap produk yang dibeli oleh customer
pada transaksi terakhir. Next sequential product ditentukan dengan menentukan kombinasi produk yang telah dibeli customer dengan nilai confidence tertinggi.
4.3. Analisis Prakiraan Waktu Time Series Pembelian Next Sequential
Product Prakiraan pembelian next sequential product merupakan analisis prakiraan
waktu saat terjadinya transaksi berikutnya dimana customer akan membeli next sequential product tersebut. Analisis tersebut dilakukan dengan menggunakan
metode prakiraan moving average. Moving average MA adalah adalah jenis moving average paling sederhana dan tidak menggunakan pembobotannya
dalam perhitungan. Meskipun sederhana, MA cukup efektif dalam menentukan trend yang sedang terjadi di market. Cara pembacaannya pun sederhana. Pada
penelitian ini objek yang akan dihitung prakiraannya adalah termasuk next sequential product dengan memanfaatkan data waktu transaksi yang pernah
dilakukan oleh customer dengan menggunakan formulasi moving average. Adapun formula SMA dapat dilihat pada Gambar 4.
1 n
i i
n
D MA
n
=
=
∑
Gambar 4. Formula Moving Average n = banyaknya periode dalam moving average
Di = pembelian pada periode ke i
4.4. Sumber Data Transaksi
Dalam menentukan strategi cross-selling, data yang digunakan adalah transaksi penjualan salah satu Industri ban terkemuka di Indonesia yang menjual
lebih dari 2000 jenis item ke pasar domestik maupun internasional. Data ini diperoleh dari data penjualan kepada seluruh distributor dalam negeri selama
periode satu tahun.
4.5. Pre-Processing Data
Tahapan pre-processing dilakukan terhadap 3121 records, dengan mengubah data penjualan ke dalam bentuk biner. Pengubahan data ke dalam
bentuk biner dilakukan untuk mempercepat dan mempermudah perhitungan cross selling yang akan dilakukan dengn menggunakan aplikasi. Data biner yang
diperoleh sebanyak 552 record. Jumlah record biner tersebut adalah sama dengan jumlah transaksi yang terjadi selama periode satu tahun. Total jenis
produk yang akan diperhitungkan sebanyak 193 jenis produk. Setiap produk diberi kode mulai dari 1-193 untuk mempermudah aplikasi dalam memproses
data. Total konsumen dalam data transaksi penjualan adalah 46 konsumen. Setiap konsumen diberi kode mulai dari 1-46. Bentuk tabel biner dapat dilihat
pada Tabel 1. Pada tabel tersebut data biner adalah semua cell yang berwarna abu-abu.
Tabel 1. Fragmen Bentuk Tabel Biner Pada Pre-Processing Data Konsumen
Periode Items
1 2
3 4
5
1 1
1 1
2 3
4 1
1 5
6 7
1 8
1 1
9 1
1 10
1 11
1 12
5. Pengolahan Hasil
Hasil yang diperoleh untuk menjawab tujuan pertama adalah telah diselesaikannya aplikasi berbasis mobile yang dapat digunakan untuk melakukan
perhitungan serta analisis cross selling. Aplikasi tersebut mampu memberikan hasil sebagai berikut :
1. Perhitungan Frequent Item Set
2. Perhitungan Nilai Komponen Association Rules Mining Support,
Confidence, dan Improvement Hasil rules yang diperoleh berdasarkan pengolahan data menggunakan
AARP 1.0 dapat dilihat pada Tabel 2. Tabel 2. Rules Hasil Pengolahan Data Menggunakan AARP 1.0
Treshold Rules
Treshold Rules
35 24
31 34
1 23
51 33
1 22
75 32
2 21
122 31
4 20
166 30
6 19
269 29
7 18
407 28
8 17
661 27
12 16
1018 26
15 15
1742 25
20 14
2891
Data pada tabel tersebut dapat di proyeksikan pada grafik Grafik 5 untuk mempermudah pemahaman pada pengaruh presentase treshold terhadap jumlah
rules yang diperoleh.
Gambar 5. Grafik Rules Parameter batasan treshold yang akan dicapai dalam menjalankan proses
pencarian asosiasi ini adalah support minimal sebesar 14 dan confidence minimal sebesar 14. Pemilihan parameter tersebut dilakukan dengan cara trial
and error untuk mendapatkan itemset dan rules. Hal ini dilakukan karena data dengan jumlah yang relatif besar, pemilihan parameter yang terlalu kecil akan
memakan waktu yang lama dan membutuhkan alokasi memori perangkat mobile yang lebih banyak.
Berdasarkan metode trial and error, maka didapatkan bahwa batas treshold tertinggi dimana rules masih dapat diperoleh adalah pada 34. Penggunaan
treshold diatas 34 tidak menghasilkan rules. Hal tersebut menunjukkan bahwa nilai confidence tertinggi yang dapat diharapkan oleh perusahaan dari penjualan
semua produknya adalah sebesar 34 dengan 1 rules.
Hasil selanjutnya yang diperoleh untuk menjawab tujuan kedua adalah aplikasi cross selling berbasis mobile yang telah dibuat sudah diimplementasikan
sistem pengambilan keputusan yang mampu menentukan pembelian selanjutnya yang akan dilakukan oleh konsumen dan prakiraan waktu konsumen membeli
produk tersebut.
Aplikasi mampu menampilkan Next Sequential Product pada saat input produk yang dibeli dimasukkan. Salah satu contoh adalah bila konsumen dengan
kode 1 melakukan pembelian produk dengan kode 17 dan treshold support yang diberikan sebesar 25, maka aplikasi akan menampilkan bahwa konsumen 1 akan
membeli juga produk 34 dan produk 58 dengan besar kemungkinan senilai 90,61. Kombinasi yang ditampilkan oleh aplikasi tersebut adalah kombinasi
dengan nilai confidence tertinggi yang berdasarkan kepada rules yang di dalamnya terdapat produk dengan kode 17.
Aplikasi juga mampu untuk menentukan item apa yang kemungkinan akan dibeli oleh konsumen pada periode berikutnya yang diramalkan. Metode
peramalan atau lebih dikenal dengan istilah prakiraan dilakukan dengan menggunakan Simple Moving Average. Periode default yang telah diprogram ke
dalam aplikasi adalah 4 periode. Periode tersebut dapat ditentukan secara manual oleh user pada antarmuka aplikasi. Selain menampilkan prakiraan produk yang
akan dibeli oleh konsumen pada periode yang diramalkan, aplikasi juga akan menampilkan tingkat error prakiraan yang dilakukan oleh aplikasi. Salah satu
kriteria untuk menilai teknik forecasting adalah perhitungan akurasi. Perhitungan akurasi yang lazim digunakan adalah Mean Absolute Percentage Error. Produk
yang akan ditampilkan oleh aplikasi pada periode yang diramalkan adalah produk yang memiliki tingkat error yang paling rendah berurutan hingga tingkat error
paling tinggi. Tingkat error ini akan ditampilkan dalam persen error yaitu Mean Absolute Percentage Error MAPE. MAPE tersebut merupakan ukuran
kesalahan relatif. MAPE menyatakan persentase kesalahan hasil peramalan terhadap permintaan aktual selama perioda tertentu yang akan memberikan
informasi persentase kesalahan terlalu tinggi atau terlalu rendah. Semakin besar nilai MAPE menunjukkan bahwa tingkat error pada perhitungan prakiraan
semakin tinggi sehingga tingkat kepercayaan semakin rendah. Sebaliknya prakiraan akan dianggap semakin baik semakin dapat dipercaya bila nilai MAPE
semakin kecil. Aplikasi juga akan menampilkan next sequential product untuk produk yang telah diramalkan. Metode untuk menentukan next sequential product
yang digunakan sama dengan metode untuk menentukan next sequential product sebelumnya.
6. Kelebihan dan Kekurangan Aplikasi
6.1. Kelebihan Aplikasi
Aplikasi AARP 1.0 memiliki kelebihan yaitu pengguna dapat menggunakannya dimana dan kapan saja selama pengguna membawa perangkat
mobile nya yang telah terinstalasi aplikasi cross selling ini. Aplikasi ini telah dibuat sedemikian rupa agar dapat digunakan semudah mungkin oleh pengguna.
Aplikasi ini dibuat dalam Bahasa Indonesia sehingga dapat membantu mempermudah penggunaan lokal.
6.2. Kekurangan Aplikasi
Aplikasi AARP 1.0 hanya terintegrasi salah satu metode analisis prakiraan time series yaitu moving average, sehingga aplikasi ini memiliki kekurangan
yaitu belum mampu memberikan hasil analisis prakiraan yang telah dibandingkan akurasinya dengan metode-metode prakiraan lainnya. Aplikasi
belum terintegrasi jaringan secara online melalui jaringan internet.
