Metode Temporal Association Rules Untuk (1)
METODE TEMPORAL ASSOCIATION RULES UNTUK
MENEMUKAN POLA ATURAN TEMPORAL
PADA DATA PENJUALAN
Wahju Tjahjo Saputro*1, Edi Winarko2
e-mail: * [email protected], [email protected]
1
INTISARI
Data penjualan di supermarket dapat diolah menjadi informasi yang mengandung
pengetahuan dan bermanfaat bagi manajer dalam mengambil keputusan. Bentuk
informasi yang diteliti berkaitan dengan fungsi asosiasi antar item barang secara
temporal, merupakan salah satu fungsi dalam data mining. Dalam penelitian ini waktu
yang digunakan memanfaatkan tanggal transaksi.
Penelitian ini menggunakan Algoritma Apriori untuk menemukan kandidat
frequent itemset yang memenuhi support count. Selanjutnya frequent itemset yang
memenuhi support count diproses menggunakan metode temporal association rules. Hasil
pengujian menggunakan parameter minsup 0.1 dan minconf 0.2 ditemukan jumlah
temporal rules yang sama pada interval 5 bulan, 9 bulan dan 14 bulan untuk data
member. Pada data nonmember ttidak terbentuk temporal rules untuk semua interval.
Hasil pengujian batasan minsup 0.01 dan minconf 0.05 untuk interval 14 bulan, 9 bulan
dan 5 bulan ditemukan peningkatan jumlah temporal rules pada data member dan
nonmember.
Kata kunci— penjualan, temporal association rules, apriori, data mining
ABSTRACT
Sale data in a supermarket may be processed into information containing
knowledge useful for managers in decision making. The information type examined in the
study related to the temporal function of inter-item association represented one of the
functions in data mining. The time used in the study was the transaction date.
The study used Apriori algorithm to find the candidates of the frequent itemset
that met the existing support count requirements. Subsequently, the frequent itemset
meeting the support count requirement was processed using the method of temporal
association rules. The results of the test using the parameter of minsup 0.1 and minconf
0.2 showed that the number of the temporal rules in the intervals of 9 months, 9 months
and 14 months was the same for member data. There was not any temporal rule in nonmember data for all intervals. The results of the definition of minsup 0.01 and minconf
0.05 for the intervals of 14 months, 9 months and 5 months showed that there was an
increase in the number of the temporal rules in both the member and non-member data.
Key words: sale, temporal association rules, apriori and data mining.
1. PENDAHULUAN
Mencari pola pada data penjualan dapat menggunakan metode asosiasi, dimana merupakan
salah satu metode dalam data mining. Fungsi metode asosiasi yaitu mampu menemukan pola
hubungan antar item barang yang saling berasosiasi (Agrawal dan Srikant, 1994; Fayyad dkk,
1996; Handojo dkk, 2005; Yusuf dkk, 2006). Dalam penggalian pola asosiasi akan ditemukan
atribut yang menunjukkan keadaan barang yang sering muncul bersamaan.
Metode asosiasi sering digunakan untuk menganalisis data transaksi penjualan guna
mengetahui kondisi pasar barang apa saja yang sering dibeli bersama oleh konsumen. Sampai
saat ini metode asosiasi telah berkembang dengan pesat, salah satunya yaitu temporal
association rule (TAR) (Liang dkk, 2005; Winarko dan Roddick, 2005; Li dkk, 2001; Lee dkk,
2001; pughazendi dan Punithavalli, 2011). Metode temporal association rule (TAR) akan
■
1
digunakan dalam penelitian ini untuk menemukan pola temporal pada data penjualan di
Supermarket Mulia Godean Sleman. Temporal association rule merupakan metode untuk
menemukan pola asosiasi antar item yang berkaitan dengan waktu (Liang dkk, 2005).
Permasalahan yang terjadi di Supermarket Mulia di Jl. Godean Km 10 Sleman yaitu,
saat ini belum bisa diketahui pola barang yang terjual bersamaan, hal ini terlihat dari informasi
yang dihasilkan berupa tabel konvensional. Masalah lain yang belum teratasi yaitu barang telah
tersusun rapi dalam rak, namun belum dapat di ketahui pola barang yang terjual terkait dengan
waktu. Misal ketika tahun ajaran baru tiba, seragam sekolah relatif meningkat tajam hingga 95%
di banding hari biasa. Kemudian roti kaleng dan kue akan melonjak tajam sampai 90% pada
masa lebaran, namun mengalami penurunan pada hari biasa.
Kondisi di supermarket menunjukkan beberapa item barang tersedia dalam jumlah
berlebihan, sedangkan untuk item barang yang lain nampak kurang jumlahnya pada rak
penjualan. Hal ini dampak dari permasalahan yang dimiliki oleh supermarket yang belum
mampu menemukan informasi pola barang yang dijual bersamaan terkait dengan waktu.
Berdasarkan uraian diatas penulis tertarik untuk melakukan penelitian data transaksi penjualan
guna menemukan informasi berbasis pengetahuan yang belum diketahui dan bermanfaat guna
mendapatkan temporal rules dari data penjualan terkait dengan tanggal transaksi sebagai atribut
waktu. Data penjualan yang digunakan sebagai obyek penelitian yaitu Agustus 2007 sampai
September 2008 yang diambil dari komputer kasir dan luaran yang dihasilkan berupa temporal
rule dengan interval tanggal transaksi penjualan.
Temporal Association rule dipilih karena mampu menyelesaikan permasalahan asosiasi
antar item untuk barang yang dibeli bersamaan terkait dengan waktu. Pemanfaatan metode TAR
diharapkan mampu mengatasi permasalahan yang saat ini dihadapi Supermaket Mulia, sehingga
di masa mendatang tidak tampak lagi item barang yang dijual dalam jumlah berlebih pada
interval tertentu. Algoritma Apriori dipilih karena mampu menyelesaikan permasalahan asosiasi
antar item untuk barang yang dibeli bersamaan.
2. METODE PENELITIAN
Langkah penyelesaian masalah dilakukan dengan lima tahapan dalam bentuk skema
ditunjukkan pada Gambar 1.
Gambar 1. Tahapan dalam proses temporal association rules
2.1 Data Preprocessing
Tahap pertama dimulai dari data preprocessing, dimana menurut Larose (2005), bagian
ini membutuhkan waktu hampir 60% dari proses data mining mulai dari aspek waktu sampai
aspek aktifitas selama proses data mining secara keseluruhan. Selama tahap data preprocessing
■
2
dilakukan, data yang diperoleh mengalami berbagai berubahan format data. Dimana setiap
perubahan juga dilakukan proses data cleaning pada semua data yaitu data barang, data
member, data penjualan maupun data detail penjualan.
Setelah mengkonversi data dari DBF ke format XLS. Selanjutnya dalam file XLS
dilakukan keseragaman seperti satuan barang, nama barang, id member. Keseragaman record
akan mempermudah dalam proses data mining. Dari format XLS kemudian di konversi ke CSV
untuk di impor ke dalam database MySQL. Keseragaman data dilakukan selama proses
perubahan format data. Tahap melakukan perubahan format data tampak pada Gambar 2.
Gambar 2. Tahap melakukan perubahan format data
Transformasi data berguna untuk menstrukturkan data transaksi menjadi bentuk yang
mudah di proses oleh data mining. Beberapa data dalam database penjualan masih perlu
dilakukan transformasi. Seperti idkategori dimana id yang sama dipakai pada kategori lain,
nama lokasi yang tidak sesuai dengan rak barang. Setelah dilakukan identifikasi ulang terhadap
idkategori dan nama kategori yang sesuai di rak barang. Langkah pertama, pada tabel
penjualan.dbf menghilangkan tanda – (sambung) pada data tanggal dan mengganti dengan spasi
kosong. Langkah kedua, menggabungkan kedua nilai data tanggal dan nofak dengan perintah
SQL, selanjutnya hasil penggabungan di simpan pada tabel baru dengan nama jualan.myd.
Kemudian dari tabel jualan.myd diubah namanya menjadi muliamining.myd yang akan
digunakan sebagai tabel sumber untuk proses data mining.
Data yang telah bersih dari missing value, tidak konsisten dan tidak lengkap (Larose,
2005), selanjutnya dilakukan integrasi data untuk menghasilkan data yang disimpan pada tabel
baru. Kondisi awal data yang tersimpan pada setiap tabel dan telah melewati tahap
preprocessing data, menghasilkan tabel jualan.myd, kategori.myd, barang.myd, detail.myd dan
member.myd. Untuk menyimpan proses kandidat frequent itemset dibuatkan 3 buah tabel yaitu
C1.myd untuk menampung hasil frequent 1-itemset, C2.myd untuk menampung hasil frequent
2-itemset dan C3.myd menampung hasil frequent 3-itemset. Proses dari temporal asscoation
rules dengan menambahkan atribut waktu (Ale dan Rossi, 2000; Liang dkk, 2005) berupa
tanggal transaksi, pada tabel T1.myd untuk menampung tanggal awal sebagai Ts dan T2.nyd
menampung tanggal akhir sebagai Te. Struktur tabel yang siap dilakukan proses data mining
ditunjukkan Gambar 3.
Gambar 3. Potongan isi data tabel muliamining
2.2 Proses Menemukan Frequent Itemset
Menggunakan data pada Tabel 1, misal dicari frequent itemset yang memenuhi support
count, dimana support count ditentukan 2..
Tabel 1. Daftar item barang
No
Nama item barang
1 Asesoris (AS)
■
3
2
3
4
5
6
7
8
9
Alat tulis (AL)
Baju pria (BP)
Baju wanita (BW)
Baju anak (BA)
Perabot (PE)
Sabun mandi (SM)
Sabun cuci (SC)
Snack (SN)
Tabel 2 adalah himpunan itemset D dengan atribut waktu yaitu T. Ada 10 transaksi
yang terlibat terjadi pada waktu yang memiliki lifetime. Dimana T=10 adalah waktu awal dan
T=19 adalah waktu akhir.
Tabel 2. Himpunan itemset D
Transaksi
T1 = {AS, SM, SC, PE}
T2 = {BA, AL, PE,}
T3 = {BP, BW, AS}
T4 = {BP, BW, BA}
T5 = {PE, BW, AS}
T6 = {AS, SN, SM}
T7 = {BA, BP}
T8 = {SM, SC, BA}
T9 = {BW, BA}
T10 = {PE, SM, SN, BW, AS}
Time
10
11
12
13
14
15
16
17
18
19
Selanjutnya dari Tabel 2 dapat direpresentasikan dalam bentuk tabular dengan nilai 0
dan 1, untuk memudahkan proses data mining dalam mencari frequent itemset untuk
menghasilkan temporal rules. Hasil representasi format tabular biner ditunjukkan pada Tabel 3.
Berdasar Tabel 3, Algoritma Apriori digunakan untuk memproses C1 kandidat 1-itemset dengan
cara melakukan scaning, selanjutnya dari L1 digunakan untuk memperoleh kandidat 2-itemset
C2. Kandidat 2-itemset yang tidak menarik dan tidak memenuhi support count di hapus.
Kemudian L2 digunakan untuk mencari kandidat 3-itemset dan kandidat yang menarik serta
memenuhi support count di proses lebih lanjut sampai Ck = 0 atau diperoleh Ck terpanjang.
Proses menemukan frequent itemset ditunjukkan pada Gambar 4 dan Gambar 5 dengan support
count 2.
Tabel 3. Format tabular data transaksi
T
AS AL BP BW BA PE SM SC SN Time
1
1
0
0
0
0
1
1
1
0
10
2
0
1
0
0
1
1
0
0
0
11
3
1
0
1
1
0
0
0
0
0
12
4
0
0
1
1
1
0
0
0
0
13
5
1
0
0
1
0
1
0
0
0
14
6
1
0
0
0
0
0
1
0
1
15
7
0
0
1
0
1
0
0
0
0
16
8
0
0
0
0
1
0
1
1
0
17
9
0
0
0
1
1
0
0
0
0
18
10
1
0
0
1
0
1
1
0
1
19
Pada Gambar 4, hasil dari proses C1 yang diambil untuk proses berikutnya adalah item
yang memenuhi batasan support count 2 yaitu AS, BP, BW, BA, PE, SM, SC dan SN.
Selanjutnya item tersebut masuk sebagai L1. Proses C2 dilakukan dengan cara
mengkombinasikan setiap item yang terdapat pada L1, dan hasil kombinasi ini menghasilkan L2
■
4
yang berisi item dengan support count 2, hasilnya ditunjukkan pada Gambar 5. Tahap
berikutnya melakukan proses C3 dengan cara kombinasi terhadap item yang ada pada L2, dan
hasilnya disimpan pada L3. Itemset yang tidak memenuhi support count akan di pangkas.
Hasil pada L3 terdiri dari item AS, PE dan SM dimana bila membeli {AS,PE} maka
juga membeli {SM} dengan notasi {AS,PE} {SM}, ditunjukkan pada Gambar 5. Selanjutnya
association rules ini diproses dengan metode temporal association rules untuk menemukan pola
aturan temporal.
C1
Database D
L1
T Items
Items Count Items Count
AS
5
AS
5
1 AS, SM, SC, PE
BP
3
AL
1
2 BA, AL, PE
BW
5
BP
3
3 BP, BW, AS
BA
5
BW
5
4 BP, BW, BA
scan D
PE
4
BA
5
5 PE, BW, AS
SM
4
PE
4
6 AS, SN, SM
SC
2
SM
4
7 BA, BP
SN
2
SC
2
8 SM, SC, BA
SN
2
9 BW, BA
10 PE, SM, SN, BW, AS
Gambar 4. Proses kandidat frequent 1-itemset
Gambar 5. Proses kandidat frequent 2-itemset dan 3-itemset
2.3 Proses Temporal Association Rules
Setelah ditemukan frequent 3-itemset yang memenuhi support count 2 yaitu
{AS,PE,SM}. Dimana bila membeli {asesoris,perabot} maka juga membeli {sabun mandi}.
Association rule yang sudah diperoleh kemudian diproses lebih lanjut dengan menambahkan
■
5
informasi tentang waktu yaitu berupa tanggal transaksi [5], sehingga association rule yang
dihasilkan nanti sudah mempunyai waktu interval. Proses penentuan tanggal transaksi
berdasarkan tanggal pertama kali belanja [Ts] dianggap sebagai nilai terkecil dan tanggal
terakhir belanja [Te] dianggap sebagai nilai terbesar, yang berada dalam rentang waktu lifetime
(Ale dan Rossi, 2000; Liang dkk, 2005). Berdasarkan Gambar 5 pada L3, tahap selanjutnya
menambahkan informasi tanggal transaksi pada setiap itemset, sehingga pemetaan setiap itemset
yang berlaku pada tanggal transaksi dan jumlah frekuensi kemunculan tampak pada Tabel 4.
No
1
2
3
Tabel 4. Hasil pemetaan itemset yang memiliki lifetime
Item
Waktu transaksi
Kemunculan dalam lifetime
{AS}
[10, 12, 14, 15, 19]
[10,19]
{PE}
[10, 11, 14, 19]
[10,19]
{SM}
[10,15,17, 19]
[10,19]
Setelah ditemukan jumlah frekuensi kemunculan setiap item dan tanggal transaksi,
langkah berikutnya, dari kombinasi rules yang mengandung itemset pada Gambar 5, dicari
minimum temporal support dan confidence. Proses menghitung minimum temporal support
menggunakan persamaan (Ale dan Rossi, 2000). Dimana jumlah kemunculan {AS,PE} {SM}
/ 10. Nilai 10 adalah jumlah transaksi yang memiliki lifetime. Untuk menghitung confidence
menggunakan persamaan (Han dan Kamber, 2001). Dimana jumlah kemunculan {AS,PE}
{SM} / jumlah kemunculan {AS,PE}. Hasil akhir temporal rules tercantum pada Tabel 5.
Tabel 5. Hasil perhitungan Support dan Confidence
No
TAR
MinTempSup dan MinCon
Prosentase
1 {AS,PE} {SM} Support: 2/10 = 0.2
20%
Confidence: 2/3 = 0.67
67%
Interval waktu terjadi transaksi dimulai dari tanggal pertama ketika belanja [Ts] dan
tanggal terakhir ketika belanja [Te]. Maka setiap aturan yang berasosiasi mempunyai waktu
interval (Ale dan Rossi, 2000; Winarko dan Roddick, 2005). Setelah menambahkan atribut
waktu dan menghitung mintempsup serta confidence hasil akhir TAR ditunjukkan Gambar 6.
( {AS, PE} {SM} (0.2, 0.67 [10, 19] )
Gambar 6. Hasil temporal associtation rules
3. HASIL DAN PEMBAHASAN
Untuk mengimplementasikan rancangan aplikasi digunakan bahasa Java 2 Second
Edition (J2SE) dengan DBMS MySQL. Development tool yang dipakai NetBeans 7.0 dengan
sistem operasi Windows 7 Home Premium. Perangkat keras yang digunakan mempunyai
spesifikasi, HP Pavillion dm3 Intel Core 2 Duo P9300 2.26 GHz, RAM 4GB, sistem operasi 32
bit. Data yang digunakan sebagai sumber tabel muliamining.
Data penjualan yang digunakan menggunakan database mulia dengan tabel muliamining.
Jumlah data penjualan pada tabel muliamining yang siap untuk proses data mining yaitu
1.124.267 record. Percobaan ini untuk memperoleh temporal rules menggunakan Algoritma
Apriori dengan menambahkan atribut waktu (Ale dan Rossi, 2000; Liang dkk, 2005; Mukhlas,
2011). Percobaan ini penulis lakukan untuk mengetahui, apakah temporal association
rules dapat digunakan pada data transaksi penjualan. Kemudian percobaan ini juga
untuk mengukur sejauh mana item barang di beli bersama item barang lain terkait dengan
waktu. Hasil percobaan minsup 0.2 dan minconf 0.3 dengan semua parameter tidak
menghasilkan temporal rules. Sedangkan menggunakan data member mengasilkan 2 temporal
■
6
rules. Pada data nonmember tidak terbentuk temporal rules. Hasil percobaan data penjualan
dengan aplikasi TAR telah dirangkum dan ditunjukkan pada Tabel 6.
Tabel 6. Rangkuman hasil pengujian TAR
No
Interval
Min Min
Sup Conf
1 1 Agust 2007 – 30 Sept 2008 (14 Bulan)
2 1 Agust – 31 Des 2007 (5 Bulan)
0.1
0.2
0.01
0.05
3 1 Jan – 30 Sept 2008 (9 Bulan)
4 1 Agust 2007 – 30 Sept 2008 (14 Bulan)
5 1 Agust – 31 Des 2007 (5 Bulan)
6 1 Jan – 30 Sept 2008 (9 Bulan)
Data
Jml
Terlibat
Rules
Member
2
Nonmember
0
Member
2
Nonmember
0
Member
2
Nonmember
0
Member
7
Nonmember
27
Member
6
Nonmember
18
Member
4
Nonmember
39
Tabel 6 menggunakan minsup = 0.01 dan minconf = 0.05 menunjukkan jumlah
temporal rules yang terbentuk ada peningkatan baik pada data member maupun data
nonmember dibanding minsup = 0.1 dan minconf 0.2. Grafik jumlah temporal rules yang
terbentuk ditunjukkan pada Gambar 7 dan Gambar 8.
2,5
2
1,5
Member
1
0,5
0
14 bulan 9 bulan
5 bulan
Gambar 7. Grafik temporal rules dengan minsup 0.1 dan minconf 0.2
50
40
30
20
10
0
Member
Nonmember
14 bulan 9 bulan
5 bulan
Gambar 8. Grafik temporal rules dengan minsup 0.01 dan minconf 0.05
Tabel 7 menjelaskan konsumen sebagai member dalam membeli busana pria bersama
busana wanita memiliki peluang (support) dibeli bersama sebesar 14.9%, dengan kekuatan
hubungan antar item (confidence) sebesar 56%. Untuk rules busana pria yang dibeli bersama
■
7
busana wanita memiliki prosentase support yang sama namun memiliki kekuatan hubungan
antar item (confidence) lebih rendah yaitu 30.6%. Kedua rules pada Tabel 7, terjadi pada
interval 27 Agustus 2007 – 28 September 2008. Disimpulkan bahwa konsumen sebagai member
lebih memilih membeli busana pria dulu baru membeli busana wanita dengan interval waktu
tersebut, hal ini ditunjukkan dengan confidence sebesar 56%.
Tabel 7. Pengujian minsup = 0.1 dan minconf = 0.2
Rules
1
2
Temporal Rules
{busana pria}{busana wanita}, (S=0.149, C=0.560 [2007-08-27, 2008-09-28])
{busana wanita}{busana pria}, (S=0.149, C=0.306 [2007-08-27, 2008-09-28])
Percobaan kedua menghasilkan temporal rules lebih banyak, ditunjukkan pada Gambar
9. Percobaan ini berhasil mengeluarkan hasil temporal rules seperti yang diharapkan. Percobaan
dengan interval 1 Agustus 2007 – 30 September 2008 untuk data member menghasilkan 4
temporal rules dan data nonmember 27 temporal rules.
Gambar 9. Hasil data mining 1 Agustus 2007 – 30 September 2008
untuk data nonmember
4. KESIMPULAN
Setelah penelitian dilakukan, diperoleh hasil penelitian dengan kesimpulan sebagai
berikut:
1. Jumlah temporal rules yang dihasilkan dengan parameter minsup 0.1 dan minconf 0.2
tampak sama untuk data member pada interval 5 bulan, 9 bulan dan 14 bulan. Pada data
nonmember tidak terbentuk temporal rules pada semua interval.
2. Hasil pengujian dengan batasan yang lebih rendah minsup 0.01 dan minconf 0.05 untuk
interval 14 bulan, 9 bulan dan 5 bulan pada data member ditemukan peningkatan
jumlah temporal rules. Demikian pula hasil pengujian terhadap data nonmember
ditemukan jumlah pola temporal rules yang cukup banyak untuk interval 14 bulan, 9
bulan dan 5 bulan.
3. Terjadi konsistensi nilai support sebesar 14% untuk transaksi busana pria yang dibeli
bersama dengan busana wanita pada interval 14 bulan dan 9 bulan. Namun terjadi
kenaikan nilai support 16% ketika menggunakan interval 5 bulan, karena pada bulan
Agustus terjadi even tahun ajaran baru sedangkan Desember terjadi even libur natal dan
tahun baru.
Confidence 55% tampak konsisten untuk temporal rules {7} {8} yaitu bila membeli busana
pria maka juga membeli busana wanita. Demikian pula confidence 30% tampak konsisten untuk
temporal rule {8} {7}, bila membeli busana wanita maka juga membeli busana pria. Namun
prosentase tersebut terjadi peningkatan ketika menggunakan interval 5 bulan dikarenakan pada
interval 5 bulan terjadi even tahun ajaran baru, liburan natal dan pergantian tahun.
5. SARAN
Penelitian ini memiliki beberapa kekurangan sehingga perlu perbaikan untuk
pengembangan penelitian di masa depan, terutama di bidang temporal association rules.
■
8
1. Data transaksi penjualan yang diperoleh tidak terdapat atribut jam transaksi. Diharapkan
pada penelitian berikutnya mampu lebih detail karena bisa mengetahui pola belanja
berdasarkan waktu pagi, siang atau malam. Sehingga temporal rules yang dihasilkan
selain tanggal transaksi juga terdapat waktu transaksi.
2. Untuk proses data cleaning terdapat beberapa kekurangan. Hendaknya proses entri data
penjualan sebaiknya menggunakan form standar agar pengisian data lebih rinci dan
jelas. Karena dengan data yang benar dan standar akan mempermudah proses data
cleaning. Terutama pada data barang dimana nama dan satuan barang masih dalam satu
atribut, data member tidak menyertakan lokasi desa atau kecamatan, data transaksi
belum ada atribut waktu belanja.
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada Bapak Edi Winarko, Drs., M.Sc., Ph.D.
Universitas Gadjah Mada atas pinjaman buku “Knowledge Discovery from Interval Sequence
Data - Methods for Discovering and Retrieving Temporal Rules” yang sangat membantu dalam
penelitian ini.
DAFTAR PUSTAKA
Agrawal, R., dan Srikant, R., 1994, Fast Algorithm for Mining Association Rules, Proceedings
20th International Confrence VLDB, Santiago Chile, pp. 487 – 499
Ale, J.M., dan Rossi, G.H., 2000, An Approach to Discovering Temporal Association Rules, in
Proceedings of The 2000 ACM Symposium on Applied Computing, pp. 294 – 300
Fayyad, U., Piatetsky-Shapiro, G., dan Smyth, P., 1996, From Data mining to Knowledge
Discovery in Databases, AAAI and The MIT Pres, pp. 37-53
Handojo, A., Satia, B.G., Rusly, H., 2005, Aplikasi Data mining untuk Meneliti Asosiasi
Pembelian Item Barang di Supermarket dengan Metode Market Basket Analysis, Jurnal
Informatika Vol. 6 No. 1, Universitas Kristen Petra, Surabaya
Han, J. dan Kamber, M., 2001, Data Mining: Concepts and Techniques, Morgan Kaufmann
Publisher, San Francisco.
Larose, D.T., 2005, Discovering Knowledge In Data: an Introduction to Data Mining, John
Wiley and Sons., Hoboken, New Jersey, Canada
Lee, C.H., Lin, C.R. dan Chen, M.S., 2001, On Mining General Temporal Association Rules in
a Publication Database, Proceedings IEEE International Conference on Data Mining,
ICDM, San Jose – California, pp. 337 – 344
Liang, Z., Xinming, T., Lin, L. dan Wenliang, J., 2005, Temporal Association Rule Mining
Based on T-Apriori Algorithm and Its Typical Application, Proc. of Int. Symposium on
Spatio-temporal Modelling Spatial Reasoning, analysis, Data mining and Data Fusion
Li, Y., Ning, P., Wang X.S., Jajodia, S., 2001, Discovering Calendar-Based Temporal
Association Rules, In Proceedings of The 8th International Symposium on Temporal
Representation and Reasioning, pp. 111 – 118
Mukhlas, I., 2011, Penggunaan Algoritma T-Apriori Untuk Pencarian Association Rule pada
Data Spasio-Temporal, Proseding Semnas Matematika dan Pendidikan Matematika, pp.
MA77 – MA87
■
9
Pughazendi, N. dan M., Punithavalli, 2011, Temporal Databases and Frequent Pattern Mining
Techniques, International Journal of P2P Network Trends and Technology, July to Aug
Issue 2001, pp. 13 - 17
Winarko, E. dan Roddick, J.F., 2005, Discovering Richer Temporal Association Rule from
Interval-Based Data: Extended Report, Data Warehouse and Knowledge Discovery,
LNCS, 3589, pp. 315 – 325
Yusuf, Y.W., Pratikto, F.R., dan Gerry, T., 2006, Penerapan Data Mining dalam Penentuan
Aturan Asosiasi Antar Jenis Item, Proceding SNATI, pp. E-53 – E-56, 1907-5022.
■
10
MENEMUKAN POLA ATURAN TEMPORAL
PADA DATA PENJUALAN
Wahju Tjahjo Saputro*1, Edi Winarko2
e-mail: * [email protected], [email protected]
1
INTISARI
Data penjualan di supermarket dapat diolah menjadi informasi yang mengandung
pengetahuan dan bermanfaat bagi manajer dalam mengambil keputusan. Bentuk
informasi yang diteliti berkaitan dengan fungsi asosiasi antar item barang secara
temporal, merupakan salah satu fungsi dalam data mining. Dalam penelitian ini waktu
yang digunakan memanfaatkan tanggal transaksi.
Penelitian ini menggunakan Algoritma Apriori untuk menemukan kandidat
frequent itemset yang memenuhi support count. Selanjutnya frequent itemset yang
memenuhi support count diproses menggunakan metode temporal association rules. Hasil
pengujian menggunakan parameter minsup 0.1 dan minconf 0.2 ditemukan jumlah
temporal rules yang sama pada interval 5 bulan, 9 bulan dan 14 bulan untuk data
member. Pada data nonmember ttidak terbentuk temporal rules untuk semua interval.
Hasil pengujian batasan minsup 0.01 dan minconf 0.05 untuk interval 14 bulan, 9 bulan
dan 5 bulan ditemukan peningkatan jumlah temporal rules pada data member dan
nonmember.
Kata kunci— penjualan, temporal association rules, apriori, data mining
ABSTRACT
Sale data in a supermarket may be processed into information containing
knowledge useful for managers in decision making. The information type examined in the
study related to the temporal function of inter-item association represented one of the
functions in data mining. The time used in the study was the transaction date.
The study used Apriori algorithm to find the candidates of the frequent itemset
that met the existing support count requirements. Subsequently, the frequent itemset
meeting the support count requirement was processed using the method of temporal
association rules. The results of the test using the parameter of minsup 0.1 and minconf
0.2 showed that the number of the temporal rules in the intervals of 9 months, 9 months
and 14 months was the same for member data. There was not any temporal rule in nonmember data for all intervals. The results of the definition of minsup 0.01 and minconf
0.05 for the intervals of 14 months, 9 months and 5 months showed that there was an
increase in the number of the temporal rules in both the member and non-member data.
Key words: sale, temporal association rules, apriori and data mining.
1. PENDAHULUAN
Mencari pola pada data penjualan dapat menggunakan metode asosiasi, dimana merupakan
salah satu metode dalam data mining. Fungsi metode asosiasi yaitu mampu menemukan pola
hubungan antar item barang yang saling berasosiasi (Agrawal dan Srikant, 1994; Fayyad dkk,
1996; Handojo dkk, 2005; Yusuf dkk, 2006). Dalam penggalian pola asosiasi akan ditemukan
atribut yang menunjukkan keadaan barang yang sering muncul bersamaan.
Metode asosiasi sering digunakan untuk menganalisis data transaksi penjualan guna
mengetahui kondisi pasar barang apa saja yang sering dibeli bersama oleh konsumen. Sampai
saat ini metode asosiasi telah berkembang dengan pesat, salah satunya yaitu temporal
association rule (TAR) (Liang dkk, 2005; Winarko dan Roddick, 2005; Li dkk, 2001; Lee dkk,
2001; pughazendi dan Punithavalli, 2011). Metode temporal association rule (TAR) akan
■
1
digunakan dalam penelitian ini untuk menemukan pola temporal pada data penjualan di
Supermarket Mulia Godean Sleman. Temporal association rule merupakan metode untuk
menemukan pola asosiasi antar item yang berkaitan dengan waktu (Liang dkk, 2005).
Permasalahan yang terjadi di Supermarket Mulia di Jl. Godean Km 10 Sleman yaitu,
saat ini belum bisa diketahui pola barang yang terjual bersamaan, hal ini terlihat dari informasi
yang dihasilkan berupa tabel konvensional. Masalah lain yang belum teratasi yaitu barang telah
tersusun rapi dalam rak, namun belum dapat di ketahui pola barang yang terjual terkait dengan
waktu. Misal ketika tahun ajaran baru tiba, seragam sekolah relatif meningkat tajam hingga 95%
di banding hari biasa. Kemudian roti kaleng dan kue akan melonjak tajam sampai 90% pada
masa lebaran, namun mengalami penurunan pada hari biasa.
Kondisi di supermarket menunjukkan beberapa item barang tersedia dalam jumlah
berlebihan, sedangkan untuk item barang yang lain nampak kurang jumlahnya pada rak
penjualan. Hal ini dampak dari permasalahan yang dimiliki oleh supermarket yang belum
mampu menemukan informasi pola barang yang dijual bersamaan terkait dengan waktu.
Berdasarkan uraian diatas penulis tertarik untuk melakukan penelitian data transaksi penjualan
guna menemukan informasi berbasis pengetahuan yang belum diketahui dan bermanfaat guna
mendapatkan temporal rules dari data penjualan terkait dengan tanggal transaksi sebagai atribut
waktu. Data penjualan yang digunakan sebagai obyek penelitian yaitu Agustus 2007 sampai
September 2008 yang diambil dari komputer kasir dan luaran yang dihasilkan berupa temporal
rule dengan interval tanggal transaksi penjualan.
Temporal Association rule dipilih karena mampu menyelesaikan permasalahan asosiasi
antar item untuk barang yang dibeli bersamaan terkait dengan waktu. Pemanfaatan metode TAR
diharapkan mampu mengatasi permasalahan yang saat ini dihadapi Supermaket Mulia, sehingga
di masa mendatang tidak tampak lagi item barang yang dijual dalam jumlah berlebih pada
interval tertentu. Algoritma Apriori dipilih karena mampu menyelesaikan permasalahan asosiasi
antar item untuk barang yang dibeli bersamaan.
2. METODE PENELITIAN
Langkah penyelesaian masalah dilakukan dengan lima tahapan dalam bentuk skema
ditunjukkan pada Gambar 1.
Gambar 1. Tahapan dalam proses temporal association rules
2.1 Data Preprocessing
Tahap pertama dimulai dari data preprocessing, dimana menurut Larose (2005), bagian
ini membutuhkan waktu hampir 60% dari proses data mining mulai dari aspek waktu sampai
aspek aktifitas selama proses data mining secara keseluruhan. Selama tahap data preprocessing
■
2
dilakukan, data yang diperoleh mengalami berbagai berubahan format data. Dimana setiap
perubahan juga dilakukan proses data cleaning pada semua data yaitu data barang, data
member, data penjualan maupun data detail penjualan.
Setelah mengkonversi data dari DBF ke format XLS. Selanjutnya dalam file XLS
dilakukan keseragaman seperti satuan barang, nama barang, id member. Keseragaman record
akan mempermudah dalam proses data mining. Dari format XLS kemudian di konversi ke CSV
untuk di impor ke dalam database MySQL. Keseragaman data dilakukan selama proses
perubahan format data. Tahap melakukan perubahan format data tampak pada Gambar 2.
Gambar 2. Tahap melakukan perubahan format data
Transformasi data berguna untuk menstrukturkan data transaksi menjadi bentuk yang
mudah di proses oleh data mining. Beberapa data dalam database penjualan masih perlu
dilakukan transformasi. Seperti idkategori dimana id yang sama dipakai pada kategori lain,
nama lokasi yang tidak sesuai dengan rak barang. Setelah dilakukan identifikasi ulang terhadap
idkategori dan nama kategori yang sesuai di rak barang. Langkah pertama, pada tabel
penjualan.dbf menghilangkan tanda – (sambung) pada data tanggal dan mengganti dengan spasi
kosong. Langkah kedua, menggabungkan kedua nilai data tanggal dan nofak dengan perintah
SQL, selanjutnya hasil penggabungan di simpan pada tabel baru dengan nama jualan.myd.
Kemudian dari tabel jualan.myd diubah namanya menjadi muliamining.myd yang akan
digunakan sebagai tabel sumber untuk proses data mining.
Data yang telah bersih dari missing value, tidak konsisten dan tidak lengkap (Larose,
2005), selanjutnya dilakukan integrasi data untuk menghasilkan data yang disimpan pada tabel
baru. Kondisi awal data yang tersimpan pada setiap tabel dan telah melewati tahap
preprocessing data, menghasilkan tabel jualan.myd, kategori.myd, barang.myd, detail.myd dan
member.myd. Untuk menyimpan proses kandidat frequent itemset dibuatkan 3 buah tabel yaitu
C1.myd untuk menampung hasil frequent 1-itemset, C2.myd untuk menampung hasil frequent
2-itemset dan C3.myd menampung hasil frequent 3-itemset. Proses dari temporal asscoation
rules dengan menambahkan atribut waktu (Ale dan Rossi, 2000; Liang dkk, 2005) berupa
tanggal transaksi, pada tabel T1.myd untuk menampung tanggal awal sebagai Ts dan T2.nyd
menampung tanggal akhir sebagai Te. Struktur tabel yang siap dilakukan proses data mining
ditunjukkan Gambar 3.
Gambar 3. Potongan isi data tabel muliamining
2.2 Proses Menemukan Frequent Itemset
Menggunakan data pada Tabel 1, misal dicari frequent itemset yang memenuhi support
count, dimana support count ditentukan 2..
Tabel 1. Daftar item barang
No
Nama item barang
1 Asesoris (AS)
■
3
2
3
4
5
6
7
8
9
Alat tulis (AL)
Baju pria (BP)
Baju wanita (BW)
Baju anak (BA)
Perabot (PE)
Sabun mandi (SM)
Sabun cuci (SC)
Snack (SN)
Tabel 2 adalah himpunan itemset D dengan atribut waktu yaitu T. Ada 10 transaksi
yang terlibat terjadi pada waktu yang memiliki lifetime. Dimana T=10 adalah waktu awal dan
T=19 adalah waktu akhir.
Tabel 2. Himpunan itemset D
Transaksi
T1 = {AS, SM, SC, PE}
T2 = {BA, AL, PE,}
T3 = {BP, BW, AS}
T4 = {BP, BW, BA}
T5 = {PE, BW, AS}
T6 = {AS, SN, SM}
T7 = {BA, BP}
T8 = {SM, SC, BA}
T9 = {BW, BA}
T10 = {PE, SM, SN, BW, AS}
Time
10
11
12
13
14
15
16
17
18
19
Selanjutnya dari Tabel 2 dapat direpresentasikan dalam bentuk tabular dengan nilai 0
dan 1, untuk memudahkan proses data mining dalam mencari frequent itemset untuk
menghasilkan temporal rules. Hasil representasi format tabular biner ditunjukkan pada Tabel 3.
Berdasar Tabel 3, Algoritma Apriori digunakan untuk memproses C1 kandidat 1-itemset dengan
cara melakukan scaning, selanjutnya dari L1 digunakan untuk memperoleh kandidat 2-itemset
C2. Kandidat 2-itemset yang tidak menarik dan tidak memenuhi support count di hapus.
Kemudian L2 digunakan untuk mencari kandidat 3-itemset dan kandidat yang menarik serta
memenuhi support count di proses lebih lanjut sampai Ck = 0 atau diperoleh Ck terpanjang.
Proses menemukan frequent itemset ditunjukkan pada Gambar 4 dan Gambar 5 dengan support
count 2.
Tabel 3. Format tabular data transaksi
T
AS AL BP BW BA PE SM SC SN Time
1
1
0
0
0
0
1
1
1
0
10
2
0
1
0
0
1
1
0
0
0
11
3
1
0
1
1
0
0
0
0
0
12
4
0
0
1
1
1
0
0
0
0
13
5
1
0
0
1
0
1
0
0
0
14
6
1
0
0
0
0
0
1
0
1
15
7
0
0
1
0
1
0
0
0
0
16
8
0
0
0
0
1
0
1
1
0
17
9
0
0
0
1
1
0
0
0
0
18
10
1
0
0
1
0
1
1
0
1
19
Pada Gambar 4, hasil dari proses C1 yang diambil untuk proses berikutnya adalah item
yang memenuhi batasan support count 2 yaitu AS, BP, BW, BA, PE, SM, SC dan SN.
Selanjutnya item tersebut masuk sebagai L1. Proses C2 dilakukan dengan cara
mengkombinasikan setiap item yang terdapat pada L1, dan hasil kombinasi ini menghasilkan L2
■
4
yang berisi item dengan support count 2, hasilnya ditunjukkan pada Gambar 5. Tahap
berikutnya melakukan proses C3 dengan cara kombinasi terhadap item yang ada pada L2, dan
hasilnya disimpan pada L3. Itemset yang tidak memenuhi support count akan di pangkas.
Hasil pada L3 terdiri dari item AS, PE dan SM dimana bila membeli {AS,PE} maka
juga membeli {SM} dengan notasi {AS,PE} {SM}, ditunjukkan pada Gambar 5. Selanjutnya
association rules ini diproses dengan metode temporal association rules untuk menemukan pola
aturan temporal.
C1
Database D
L1
T Items
Items Count Items Count
AS
5
AS
5
1 AS, SM, SC, PE
BP
3
AL
1
2 BA, AL, PE
BW
5
BP
3
3 BP, BW, AS
BA
5
BW
5
4 BP, BW, BA
scan D
PE
4
BA
5
5 PE, BW, AS
SM
4
PE
4
6 AS, SN, SM
SC
2
SM
4
7 BA, BP
SN
2
SC
2
8 SM, SC, BA
SN
2
9 BW, BA
10 PE, SM, SN, BW, AS
Gambar 4. Proses kandidat frequent 1-itemset
Gambar 5. Proses kandidat frequent 2-itemset dan 3-itemset
2.3 Proses Temporal Association Rules
Setelah ditemukan frequent 3-itemset yang memenuhi support count 2 yaitu
{AS,PE,SM}. Dimana bila membeli {asesoris,perabot} maka juga membeli {sabun mandi}.
Association rule yang sudah diperoleh kemudian diproses lebih lanjut dengan menambahkan
■
5
informasi tentang waktu yaitu berupa tanggal transaksi [5], sehingga association rule yang
dihasilkan nanti sudah mempunyai waktu interval. Proses penentuan tanggal transaksi
berdasarkan tanggal pertama kali belanja [Ts] dianggap sebagai nilai terkecil dan tanggal
terakhir belanja [Te] dianggap sebagai nilai terbesar, yang berada dalam rentang waktu lifetime
(Ale dan Rossi, 2000; Liang dkk, 2005). Berdasarkan Gambar 5 pada L3, tahap selanjutnya
menambahkan informasi tanggal transaksi pada setiap itemset, sehingga pemetaan setiap itemset
yang berlaku pada tanggal transaksi dan jumlah frekuensi kemunculan tampak pada Tabel 4.
No
1
2
3
Tabel 4. Hasil pemetaan itemset yang memiliki lifetime
Item
Waktu transaksi
Kemunculan dalam lifetime
{AS}
[10, 12, 14, 15, 19]
[10,19]
{PE}
[10, 11, 14, 19]
[10,19]
{SM}
[10,15,17, 19]
[10,19]
Setelah ditemukan jumlah frekuensi kemunculan setiap item dan tanggal transaksi,
langkah berikutnya, dari kombinasi rules yang mengandung itemset pada Gambar 5, dicari
minimum temporal support dan confidence. Proses menghitung minimum temporal support
menggunakan persamaan (Ale dan Rossi, 2000). Dimana jumlah kemunculan {AS,PE} {SM}
/ 10. Nilai 10 adalah jumlah transaksi yang memiliki lifetime. Untuk menghitung confidence
menggunakan persamaan (Han dan Kamber, 2001). Dimana jumlah kemunculan {AS,PE}
{SM} / jumlah kemunculan {AS,PE}. Hasil akhir temporal rules tercantum pada Tabel 5.
Tabel 5. Hasil perhitungan Support dan Confidence
No
TAR
MinTempSup dan MinCon
Prosentase
1 {AS,PE} {SM} Support: 2/10 = 0.2
20%
Confidence: 2/3 = 0.67
67%
Interval waktu terjadi transaksi dimulai dari tanggal pertama ketika belanja [Ts] dan
tanggal terakhir ketika belanja [Te]. Maka setiap aturan yang berasosiasi mempunyai waktu
interval (Ale dan Rossi, 2000; Winarko dan Roddick, 2005). Setelah menambahkan atribut
waktu dan menghitung mintempsup serta confidence hasil akhir TAR ditunjukkan Gambar 6.
( {AS, PE} {SM} (0.2, 0.67 [10, 19] )
Gambar 6. Hasil temporal associtation rules
3. HASIL DAN PEMBAHASAN
Untuk mengimplementasikan rancangan aplikasi digunakan bahasa Java 2 Second
Edition (J2SE) dengan DBMS MySQL. Development tool yang dipakai NetBeans 7.0 dengan
sistem operasi Windows 7 Home Premium. Perangkat keras yang digunakan mempunyai
spesifikasi, HP Pavillion dm3 Intel Core 2 Duo P9300 2.26 GHz, RAM 4GB, sistem operasi 32
bit. Data yang digunakan sebagai sumber tabel muliamining.
Data penjualan yang digunakan menggunakan database mulia dengan tabel muliamining.
Jumlah data penjualan pada tabel muliamining yang siap untuk proses data mining yaitu
1.124.267 record. Percobaan ini untuk memperoleh temporal rules menggunakan Algoritma
Apriori dengan menambahkan atribut waktu (Ale dan Rossi, 2000; Liang dkk, 2005; Mukhlas,
2011). Percobaan ini penulis lakukan untuk mengetahui, apakah temporal association
rules dapat digunakan pada data transaksi penjualan. Kemudian percobaan ini juga
untuk mengukur sejauh mana item barang di beli bersama item barang lain terkait dengan
waktu. Hasil percobaan minsup 0.2 dan minconf 0.3 dengan semua parameter tidak
menghasilkan temporal rules. Sedangkan menggunakan data member mengasilkan 2 temporal
■
6
rules. Pada data nonmember tidak terbentuk temporal rules. Hasil percobaan data penjualan
dengan aplikasi TAR telah dirangkum dan ditunjukkan pada Tabel 6.
Tabel 6. Rangkuman hasil pengujian TAR
No
Interval
Min Min
Sup Conf
1 1 Agust 2007 – 30 Sept 2008 (14 Bulan)
2 1 Agust – 31 Des 2007 (5 Bulan)
0.1
0.2
0.01
0.05
3 1 Jan – 30 Sept 2008 (9 Bulan)
4 1 Agust 2007 – 30 Sept 2008 (14 Bulan)
5 1 Agust – 31 Des 2007 (5 Bulan)
6 1 Jan – 30 Sept 2008 (9 Bulan)
Data
Jml
Terlibat
Rules
Member
2
Nonmember
0
Member
2
Nonmember
0
Member
2
Nonmember
0
Member
7
Nonmember
27
Member
6
Nonmember
18
Member
4
Nonmember
39
Tabel 6 menggunakan minsup = 0.01 dan minconf = 0.05 menunjukkan jumlah
temporal rules yang terbentuk ada peningkatan baik pada data member maupun data
nonmember dibanding minsup = 0.1 dan minconf 0.2. Grafik jumlah temporal rules yang
terbentuk ditunjukkan pada Gambar 7 dan Gambar 8.
2,5
2
1,5
Member
1
0,5
0
14 bulan 9 bulan
5 bulan
Gambar 7. Grafik temporal rules dengan minsup 0.1 dan minconf 0.2
50
40
30
20
10
0
Member
Nonmember
14 bulan 9 bulan
5 bulan
Gambar 8. Grafik temporal rules dengan minsup 0.01 dan minconf 0.05
Tabel 7 menjelaskan konsumen sebagai member dalam membeli busana pria bersama
busana wanita memiliki peluang (support) dibeli bersama sebesar 14.9%, dengan kekuatan
hubungan antar item (confidence) sebesar 56%. Untuk rules busana pria yang dibeli bersama
■
7
busana wanita memiliki prosentase support yang sama namun memiliki kekuatan hubungan
antar item (confidence) lebih rendah yaitu 30.6%. Kedua rules pada Tabel 7, terjadi pada
interval 27 Agustus 2007 – 28 September 2008. Disimpulkan bahwa konsumen sebagai member
lebih memilih membeli busana pria dulu baru membeli busana wanita dengan interval waktu
tersebut, hal ini ditunjukkan dengan confidence sebesar 56%.
Tabel 7. Pengujian minsup = 0.1 dan minconf = 0.2
Rules
1
2
Temporal Rules
{busana pria}{busana wanita}, (S=0.149, C=0.560 [2007-08-27, 2008-09-28])
{busana wanita}{busana pria}, (S=0.149, C=0.306 [2007-08-27, 2008-09-28])
Percobaan kedua menghasilkan temporal rules lebih banyak, ditunjukkan pada Gambar
9. Percobaan ini berhasil mengeluarkan hasil temporal rules seperti yang diharapkan. Percobaan
dengan interval 1 Agustus 2007 – 30 September 2008 untuk data member menghasilkan 4
temporal rules dan data nonmember 27 temporal rules.
Gambar 9. Hasil data mining 1 Agustus 2007 – 30 September 2008
untuk data nonmember
4. KESIMPULAN
Setelah penelitian dilakukan, diperoleh hasil penelitian dengan kesimpulan sebagai
berikut:
1. Jumlah temporal rules yang dihasilkan dengan parameter minsup 0.1 dan minconf 0.2
tampak sama untuk data member pada interval 5 bulan, 9 bulan dan 14 bulan. Pada data
nonmember tidak terbentuk temporal rules pada semua interval.
2. Hasil pengujian dengan batasan yang lebih rendah minsup 0.01 dan minconf 0.05 untuk
interval 14 bulan, 9 bulan dan 5 bulan pada data member ditemukan peningkatan
jumlah temporal rules. Demikian pula hasil pengujian terhadap data nonmember
ditemukan jumlah pola temporal rules yang cukup banyak untuk interval 14 bulan, 9
bulan dan 5 bulan.
3. Terjadi konsistensi nilai support sebesar 14% untuk transaksi busana pria yang dibeli
bersama dengan busana wanita pada interval 14 bulan dan 9 bulan. Namun terjadi
kenaikan nilai support 16% ketika menggunakan interval 5 bulan, karena pada bulan
Agustus terjadi even tahun ajaran baru sedangkan Desember terjadi even libur natal dan
tahun baru.
Confidence 55% tampak konsisten untuk temporal rules {7} {8} yaitu bila membeli busana
pria maka juga membeli busana wanita. Demikian pula confidence 30% tampak konsisten untuk
temporal rule {8} {7}, bila membeli busana wanita maka juga membeli busana pria. Namun
prosentase tersebut terjadi peningkatan ketika menggunakan interval 5 bulan dikarenakan pada
interval 5 bulan terjadi even tahun ajaran baru, liburan natal dan pergantian tahun.
5. SARAN
Penelitian ini memiliki beberapa kekurangan sehingga perlu perbaikan untuk
pengembangan penelitian di masa depan, terutama di bidang temporal association rules.
■
8
1. Data transaksi penjualan yang diperoleh tidak terdapat atribut jam transaksi. Diharapkan
pada penelitian berikutnya mampu lebih detail karena bisa mengetahui pola belanja
berdasarkan waktu pagi, siang atau malam. Sehingga temporal rules yang dihasilkan
selain tanggal transaksi juga terdapat waktu transaksi.
2. Untuk proses data cleaning terdapat beberapa kekurangan. Hendaknya proses entri data
penjualan sebaiknya menggunakan form standar agar pengisian data lebih rinci dan
jelas. Karena dengan data yang benar dan standar akan mempermudah proses data
cleaning. Terutama pada data barang dimana nama dan satuan barang masih dalam satu
atribut, data member tidak menyertakan lokasi desa atau kecamatan, data transaksi
belum ada atribut waktu belanja.
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada Bapak Edi Winarko, Drs., M.Sc., Ph.D.
Universitas Gadjah Mada atas pinjaman buku “Knowledge Discovery from Interval Sequence
Data - Methods for Discovering and Retrieving Temporal Rules” yang sangat membantu dalam
penelitian ini.
DAFTAR PUSTAKA
Agrawal, R., dan Srikant, R., 1994, Fast Algorithm for Mining Association Rules, Proceedings
20th International Confrence VLDB, Santiago Chile, pp. 487 – 499
Ale, J.M., dan Rossi, G.H., 2000, An Approach to Discovering Temporal Association Rules, in
Proceedings of The 2000 ACM Symposium on Applied Computing, pp. 294 – 300
Fayyad, U., Piatetsky-Shapiro, G., dan Smyth, P., 1996, From Data mining to Knowledge
Discovery in Databases, AAAI and The MIT Pres, pp. 37-53
Handojo, A., Satia, B.G., Rusly, H., 2005, Aplikasi Data mining untuk Meneliti Asosiasi
Pembelian Item Barang di Supermarket dengan Metode Market Basket Analysis, Jurnal
Informatika Vol. 6 No. 1, Universitas Kristen Petra, Surabaya
Han, J. dan Kamber, M., 2001, Data Mining: Concepts and Techniques, Morgan Kaufmann
Publisher, San Francisco.
Larose, D.T., 2005, Discovering Knowledge In Data: an Introduction to Data Mining, John
Wiley and Sons., Hoboken, New Jersey, Canada
Lee, C.H., Lin, C.R. dan Chen, M.S., 2001, On Mining General Temporal Association Rules in
a Publication Database, Proceedings IEEE International Conference on Data Mining,
ICDM, San Jose – California, pp. 337 – 344
Liang, Z., Xinming, T., Lin, L. dan Wenliang, J., 2005, Temporal Association Rule Mining
Based on T-Apriori Algorithm and Its Typical Application, Proc. of Int. Symposium on
Spatio-temporal Modelling Spatial Reasoning, analysis, Data mining and Data Fusion
Li, Y., Ning, P., Wang X.S., Jajodia, S., 2001, Discovering Calendar-Based Temporal
Association Rules, In Proceedings of The 8th International Symposium on Temporal
Representation and Reasioning, pp. 111 – 118
Mukhlas, I., 2011, Penggunaan Algoritma T-Apriori Untuk Pencarian Association Rule pada
Data Spasio-Temporal, Proseding Semnas Matematika dan Pendidikan Matematika, pp.
MA77 – MA87
■
9
Pughazendi, N. dan M., Punithavalli, 2011, Temporal Databases and Frequent Pattern Mining
Techniques, International Journal of P2P Network Trends and Technology, July to Aug
Issue 2001, pp. 13 - 17
Winarko, E. dan Roddick, J.F., 2005, Discovering Richer Temporal Association Rule from
Interval-Based Data: Extended Report, Data Warehouse and Knowledge Discovery,
LNCS, 3589, pp. 315 – 325
Yusuf, Y.W., Pratikto, F.R., dan Gerry, T., 2006, Penerapan Data Mining dalam Penentuan
Aturan Asosiasi Antar Jenis Item, Proceding SNATI, pp. E-53 – E-56, 1907-5022.
■
10