IMPLEMENTASI DATA MINING UNTUK MENEMUKAN POLA PEMBELIAN BARANG DI MINIMARKET FRIDA MAGELANG MENGGUNAKAN ALGORITMA APRIORI Asri Respati1 , Uning Lestari2 ,Erfanti Fatkhiyah3
nal SCRIPT Vol. 4 No. 2 Juni 2017
ISSN: 2338-6304
IMPLEMENTASI DATA MINING UNTUK MENEMUKAN POLA PEMBELIAN BARANG DI
MINIMARKET FRIDA MAGELANG MENGGUNAKAN ALGORITMA APRIORI
1
2
Asri Respati , Uning Lestari ,Erfanti Fatkhiyah
3
1,2,3
Teknik Informatika FTI, IST AKPRIND,
1
2
3
asrirespati@gmail.com , uning@akprind.ac.id , erfanti@akprind.ac.id
ABSTRACT
Along with the development of technology, it allows the collection and storage of data may
faster, larger capacity, and cheaper prices. But the speed of
the proliferation of data is not
balanced with the information from the data, so it can be said we have so many data but we have
poor information.
Data mining became one real solution for sorting the data into useful information. There is
one method that is suitable for determining market strategy in the minimarket business, the method
is called Market Basket Analysis using Apriori algorithm. Apriori Algorithm is used, because it is
looking for the highest frequency value by means of combining the item with other items, the result
of the process of Apriori Algorithm is support value and confidence value.
This research used Frida Magelang Minimarket’s transactions data. The programming
language used is Java.
All of the transaction data were analyzed using the application, and result of a combination
items with the highest support and confidence value is combination of ‘Permen Lunak rs Cokelat’
and ‘Aqua btl 600ml’ with support value is 11,43% and confidence value is 100%, which it means
that 11,43% of all the transaction showed that ‘Permen Lunak rs Cokelat’ and ‘Aqua btl 600ml’
purchased together, and if consumers buy ‘Permen Lunak rs Cokelat’ then there are 100% likely to
buy Aqua btl 600ml also.
Keywords: Minimarket, Apriori, Data Mining.
INTISARI
Seiring dengan perkembangan teknologi, maka memungkinkan melakukan pengumpulan
dan penyimpanan data dengan lebih cepat, kapasitas yang lebih besar, dan harga yang lebih
murah. Tetapi kecepatan bertambah banyaknya data tersebut tidak diimbangi dengan banyaknya
penarikan informasi dari data tersebut, sehingga bisa dikatakan kaya akan data tetapi miskin
informasi.
Data mining menjadi salah satu solusi nyata untuk memilah data menjadi suatu informasi
yang berguna. Salah satu metode data mining yang paling cocok untuk menentukan strategi
penjualan dalam bisnis minimarket adalah metode Analisa Keranjang Belanja, yaitu dengan
menggunakan algoritma apriori. Algoritma Apriori digunakan, karena algoritma ini mencai nilai
frekuensi tertinggi dengan cara pengkombinasian item dengan item lainnya, hasil dari proses
Algoritma Apriori berupa nilai support dan nilai confidence.
Penelitian ini menggunakan data transaksi penjualan di Minimarket Frida Magelang.
Bahasa pemrograman yang dipakai adalah JAVA.
Dari data transaksi yang dianalisa menggunakan aplikasi, hasil kombinasi item dengan nilai
support dan nilai confidence terbesar adalah kombinasi item Permen lunak rs cokelat dan Aqua btl
600ml dengan nilai support sebesar 11,43% dan nilai confidence sebesar 100%, yang artinya
11,43% dari semua transaksi yang dianalisis menunjukkan bahwa Permen lunak rs cokelat dan
Aqua btl 600ml dibeli bersamaan dan jika konsumen membeli Permen lunak rs cokelat maka
terdapat 100% kemungkinan akan membeli Aqua btl 600ml juga.
Kata Kunci: Minimarket, Apriori, Data Mining.
PENDAHULUAN
132
nal SCRIPT Vol. 4 No. 2 Juni 2017
ISSN: 2338-6304
Seiring dengan perkembangan teknologi, maka memungkinkan melakukan pengumpulan
dan penyimpanan data dengan lebih cepat, kapasitas yang lebih besar, dan harga yang lebih
murah. Akibat dari perkembangan teknologi itu pula, penumpukan data pun terjadi. Ukuran basis
data juga meningkat baik dalam jumlah record (baris data) maupun jumlah atribut pada record. Hal
ini didukung oleh perkembangan perangkat keras dan teknologi basis data yang memungkinkan
penyimpanan dan pengaksesan data secara efisien dan murah. Tetapi kecepatan bertambah
banyaknya data tersebut tidak diimbangi dengan banyaknya penarikan informasi dari data tersebut.
Jadi bisa dikatakan kaya akan data, tetapi miskin informasi. Kumpulan data jika dibiarkan begitu
saja tidak dapat memberikan nilai tambah berupa informasi yang bermanfaat, dan menimbulkan
penumpukan data, kemudian menghabiskan kapasitas yang sangat besar, hal ini kemudian akan
menjadi permasalahan dan berujung solusi yaitu menghapus data-data lama. Padahal, data-data
lama tersebut dapat dimanfaatkan untuk diambil informasi yang bermanfaat. Maka dari itu,
diperlukan Data Mining atau penggalian data untuk memperoleh suatu informasi baru dari
banyaknya data-data tersebut, terutama pada bidang bisnis seperti minimarket yang semakin lama
semakin banyak persaingan.
Data mining menjadi salah satu solusi nyata untuk memilah data menjadi suatu informasi
yang berguna. Salah satu metode data mining yang paling cocok untuk menentukan strategi
penjualan dalam bisnis minimarket adalah metode data mining Analisa Keranjang Belanja, yaitu
dengan menggunakan algoritma Apriori. Algoritma Apriori merupakan algoritma yang paling
terkenal untuk mencari pola frekuensi tertinggi. Pola frekuensi tertinggi yaitu pola-pola item di dalam
suatu basis data yang memiliki frekuensi atau nilai support di atas ambang batas tertentu yang
disebut dengan istilah minimum support. Pola frekuensi tertinggi inilah yang digunakan untuk
menyusun aturan asosiatif dan juga beberapa teknik data mining yang lainnya.
Walaupun akhir-akhir ini banyak dikembangkan algoritma-algoritma yang lebih efisien
daripada algoritma Apriori contohnya seperti algoritma FP-Growth, algoritma LCM, algoritma C45,
dan sebagainya, tetapi algoritma Apriori tetap menjadi algoritma yang paling banyak
diimplementasikan kedalam produk-produk komersial untuk data mining.
Minimarket Frida Magelang masih belum memanfaatkan data mining sebagai salah satu
cara untuk menentukan strategi penjualan. Maka dari itu diperlukan sebuah aplikasi data mining
yang dapat memilah data menjadi suatu informasi yang berupa keterkaitan pola barang
berdasarkan kebiasaan pembeli. Aplikasi data mining yang dibuat menggunakan algoritma Apriori,
untuk bahasa pemrogramannya menggunakan JAVA, dan basis data menggunakan MySQL
Nantinya aplikasi ini memerlukan data transaksi pembelian barang yang ada pada mesin kasir.
TINJAUAN PUSTAKA
Pustaka-pustaka yang digunakan sebagai acuan dalam penelitian ini antara lain berasal
dari jurnal dan skripsi. Penelitan pertama yaitu mengenai implementasi data mining untuk
menentukan pola pembelian obat, implementasi menggunakan algoritma apriori dan telah dilakukan
oleh Robi Yanto dan Riri Khoiriah (2015) dengan judul “Implementasi Data Mining Dengan Metode
Algoritma Apriori Dalam Menentukan Pola Pembelian Obat”, Penelitian ini dilakukan untuk mencari
tahu pola pembelian obat pada Apotek Musi Rawas menggunakan algoritma Apriori. Aplikasi yang
dibuat menggunakan bahasa pemrograman Visual Basic 6.0. dan database MySql. Berdasarkan
penelitian tersebut, hasil perhitungan dengan system yang dibangun adalah : Jika membeli
amoxicillin, maka membeli obat Asamefenamat dengan nilai confidence 75%, Jika membeli
Cefadroxil, maka membeli Sanmol dengan nilai confidence 77%. Pada penelitian pertama ini,
kelemahan aplikasi yang dibuat tidak menyediakan input data transaksi penjualan secara otomatis.
Maka dari itu, kelemahan ini menjadi acuan untuk memberikan kelebihan pada aplikasi yang dibuat,
yaitu dengan menyertakan input data transaksi secara otomatis menggunakan format data CSV.
Penelitian kedua yaitu mengenai analisis apriori untuk menemukan pola penjualan pada
produk suku cadang motor, algoritma yang digunakan dalam penelitian ini adalah algoritma apriori,
penelitian ini dilakukan di Happy Motor Sport Yogyakarta. Penelitian ini dilakukan oleh Muhammad
Wahid dengan judul “Aplikasi Data Mining Market Basket Analysis Untuk Menemukan Pola
133
nal SCRIPT Vol. 4 No. 2 Juni 2017
ISSN: 2338-6304
Penjualan Produk Suku Cadang Motor di Happy Motor Sport Yogyakarta menggunakan Algoritma
Apriori.”. Hasil dari analisis apriori untuk menemukan pola penjualan adalah : Jika membeli Oli
maka akan dipasangkan bersama Ban Motor dengan support 0.27 dan confidence 0.62 treshold
support (TIDAK) dan threshold confidence (TIDAK) artinya bahwa oli dan ban motor tidak bisa
disandingkan dalam satu etalase untuk penjualan suku cadang motor, Jika membeli velg maka
akan dipasangkan bersama Gear dengan support 0.18 dan confidence 0.28 treshold support (YA)
dan threshold confidence (YA) artinya bahwa velg dan gear bisa disandingkan dalam satu etalase
untuk penjualan suku cadang, Jika membeli piston kemudian membeli gear dengan support 0.09
dan confidence 0.14 treshold support (YA) dan threshold confidence (TIDAK) artinya bahwa piston
dan gear tidak bisa disandingkan dalam satu etalase. Tapi bisa disandingkan dengan suku cadang
yang lain kemungkinan akan laku. Kelemahan yang terdapat pada penelitian kedua ini adalah, data
yang dianalisis terlalu sedikit untuk data mining, karena jumlah transaksi yang dianalisis hanya 21
transaksi, juga tidak adanya input transaksi penjualan secara otomatis, sehingga menyulitkan
manajer dalam menginputkan data transaksi. Maka dari itu, kelemahan ini menjadi acuan untuk
memberikan kelebihan pada aplikasi yang akan dibuat, yaitu dengan menyertakan input data
transaksi penjualan secara otomatis menggunakan format data CSV, sehingga user tidak perlu
menginputkan data satu per satu.
Penelitian yang ketiga yaitu mengenai implementasi data mining pada penjualan produk
elektronik, algoritma yang diugunakan sama, yaitu algoritma apriori, bertujuan untuk mengetahui
pola pembeli dalam membeli produk elektronik. Penelitian ini dilakukan oleh Dewi Kartika Pane
(2013) dengan judul “Implementasi Ddata Mining Pada Penjualan Produk Elektronik Dengan
Algoritma Apriori (Studi Kasus : Kreditplus)”. Hasil dari implementasi data mining pada transaksi
pembelian barang elektronik adalah : Jika membeli produk ACER maka, akan membeli produk
ASUS dengan nilai confidence 44%, Jika membeli produk ASUS, maka akan membeli produk
ACER dengan nilai confidence 66%, Jika membeli produk ACER, maka akan membeli produk
SAMSUNG dengan nilai confidence 45%, Jika membeli produk SAMSUNG. Maka akan membeli
produk ACER dengan nilai confidence 40%, Jika membeli produk ACER, maka akan membeli
produk TOSHIBA dengan nilai confidence 66,67%, Jika membeli produk TOSHIBA, maka akan
membeli produk ACER dengan nilai confidence 85,714%, Jika membeli produk HP, maka akan
membeli produk SAMSUNG dengan nilai confidence 66,67%, Jika membeli produk SAMSUNG,
maka akan membeli produk HP dengan nilai confidence 50%. Pada penelitian yang ketiga ini,
kelemahan yang didapat adalah tidak adanya pembuatan aplikasi untuk melakukan analisis data
mining menggunakan algoritma apriori, implementasi pada data mining dilakukan dengan
menggunakan tools Tanagra versi 1.4. Maka dari itu, kelemahan dari penelitian ini diharapkan
menjadi acuan untuk membuat kelebihan, yaitu dibuatnya aplikasi untuk implementasi data mining
menggunakan bahasa pemrograman java dan database mysql, yang diharapkan dapat
memudahkan manajer untuk menganalisis data transaksi penjualan pada minimarket Frida
Magelang.
METODE PENELITIAN
Kebutuhan data yang dibutuhkan dalam pembuatan aplikasi data mining menggunakan
algoritma apriori adalah data transaksi penjualan pada minimarket Frida magelang yang meliputi
kode transaksi dan nama barang yang dibeli oleh pembeli, aplikasi akan menganalisis data
transaksi tersebut menggunakan algoritma apriori dan mengeluarkan output berupa rule.Metode
analisa data yang digunakan yakni berdasarkan analisis perancangan UML. Beberapa langkah
yang digunakan dalam penelitian ini yaitu : pengenalan tugas akhir, perumusan tugas akhir,
menyusun tinjauan pustaka, menentukan tujuan penelitian, pengumpulan data, perancangan
aplikasi data mining, pembuatan aplikasi data mining, uji coba dan implementasi, hasil dan
kesimpulan, lalu pembuatan laporan.
User dalam system yang diusulkan dibagi menjadi dua, yaitu manajer dan karyawan.
Manajer memiliki akses untuk menginputkan data baik secara manual maupun melalui file CSV,
dan memiliki kemampuan untuk mengakses form analisis apriori. Karyawan hanya bisa mengakses
134
nal SCRIPT Vol. 4 No. 2 Juni 2017
ISSN: 2338-6304
form input data saja. Use Case diagram aplikasi data mining menggunakan algoritma apriori
ditunjukkan pada Gambar 1.
Gambar 1. Use Case Diagram Aplikasi
PEMBAHASAN
TAMPILAN HALAMAN UTAMA APLIKASI
Halaman utama adalah tampilan awal pada saat masuk pada aplikasi data miningdengan
disertakan login untuk masuk ke aplikasi. Tampilan halaman utamaaplikasi ditunjukkan pada
Gambar 2.
Gambar 2. Tampilan Halaman Utama
TAMPILAN HALAMAN INPUT DATA TRANSAKSI
Halaman input data transaksi adalah halaman yang berfungsi untuk menginputkan data
transaksi penjualan yang berupa nomor, kode transaksi, dan nama barang yang dibeli. Tampilan
halaman input data transaksi ditunjukkan pada Gambar 3.
135
nal SCRIPT Vol. 4 No. 2 Juni 2017
ISSN: 2338-6304
Gambar 3. Tampilan Halaman Input Data Transaksi
TAMPILAN HALAMAN ANALISA
Halaman analisis apriori berfungsi untuk menganalisa data transaksi penjualan
menggunakan algoritma apriori, dengan memasukkan nilai minimal confidence, minimal support,
dan jumlah transaksi yang akan dianalisa. Tampilan halaman analisa ditunjukkan pada gambar 4.
Gambar 4. Tampilan halaman analisa
HASIL ANALISIS APRIORI
Hasil analisis pada halaman analisis apriori ditunjukkan pada Gambar 5.
Gambar 5. Hasil analisa
Data-data transaksi tersebut dianalisis dengan menggunakan algoritma apriori yang
memiliki rumus sebagai berikut :
136
nal SCRIPT Vol. 4 No. 2 Juni 2017
ISSN: 2338-6304
𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵
𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖
Dan mencari nilai confidence dengan rumus sebagai berikut :
𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵
Confidence = 𝑃 𝐵 𝐴) =
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴, 𝐵) =
𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴
Dari hasil tersebut diatas, apabila diambil nilai support dan confidence terbesar, maka hasilnya
ditunjukkan pada tabel 1.
Tabel 1. Tabel Hasil Support dan Confidence Terbesar.
Aturan
Support
Confidence
Jika membeli " Permen lunak rs cokelat "
maka akan membeli "Aqua btl 600ml"
Jika membeli " Floridina orange 360ml "
maka akan membeli " good day chococino "
Jika membeli " sariwangi the celup " maka
akan membeli " Goodtime double choc 17gr
"
Jika membeli " indomie goreng rendang
80gr " maka akan membeli " Taro 3D potato
200gr "
Jika membeli " Mountea Blackurrent " maka
akan membeli " indomie kari ayam "
11.43%
100%
10%
100%
10%
100%
10%
100%
10%
100%
Dari hasil yang didapat diatas, dapat disarankan pada manajer bahwa stok untuk Permen
lunak rs cokelat dan Aqua btl 600ml ditambah, karena merupakan kombinasi item yang paling laku
di Minimarket Frida Magelang. Atau rak yang berisi Permen lunak rs cokelat dapat didekatkan
dengan rak yang berisi Aqua btl 600ml, diharapkan supaya jumlah pembeli yang membeli
keduanya meningkat. Atau juga bisa disarankan diberikan diskon untuk pembelian item Permen
lunak rs cokelat dan Aqua btl 600ml. Kemudian pada percobaan kedua juga ditemukan rules
dengan kombinasi 3 item dengan nilai confidence dan nilai support terbesar yaitu kombinasi item
Permen lunak rs cokelat, Teh pucuk harum 350ml, dan Aqua btl 600ml dengan nilai support 5.71%
dan nilai confidence 100%, dari kombinasi 3 item tersebut dapat disarankan kepada manajer untuk
memberi diskon pada pembeli apabila pembeli membeli Permen lunak rs cokelat, Teh pucuk harum
350ml dan Aqua btl 600ml. Atau bisa juga dengan memberi bonus Aqua btl 600ml apabila membeli
Permen lunak rs cokelat dan Teh pucuk harum 350ml.
KESIMPULAN
Kesimpulan yang dapat diambil dari skripsi ini adalah :
1. Aplikasi data mining menggunakan algoritma apriori dapat membantu manajer dalam
menganalisa pola pembelian barang di minimarket Frida Magelang.
2. Aplikasi mampu mengolah data transaksi penjualan untuk menemukan rule yang
memenuhi syarat minimum support dan minimum confidence, dan mampu menampilkan
output berupa rules dalam bentuk teks.
3. Dengan aplikasi ini dapat diketahui barang apa saja yang sering dibeli bersamaan oleh
konsumen di minimarket Frida, yang nantinya informasi ini dapat digunakan oleh manajer
dalam menentukan strategi penjualan.
4. Pada proses analisa dapat diketahui bahwa semakin kecil nilai input minimum support dan
confidence, maka semakin banyak rules yang dihasilkan, dibuktikan dengan percobaan
pertama diinputkan minimum support 7% dan minimum confidence 70% menghasilkan 14
rules, percobaan kedua dengan menginputkan minimum support 5% dan minimum
confidence 60% menghasilkan 24 rules, percobaan ketiga dengan menginputkan minimum
support 8% minimum confidence 80% menghasilkan 5 rules.
137
nal SCRIPT Vol. 4 No. 2 Juni 2017
ISSN: 2338-6304
DAFTAR PUSTAKA
Kusrini ., Luthfi E,T. 2009. Algoritma Data Mining. Andi Offset, Yogyakarta.
Pane, D.K. 2013. Implementasi Data Mining Pada Penjualan Produk Elektronik Dengan Algoritma
Apriori (Studi Kasus : Kreditplus) (Jurnal). STMIK Budidarma, Medan.
Wahid, M. 2016. Aplikasi Data Mining Market Basket Analysis Untuk Menemukan Pola Penjualan
Produk Suku Cadang Motor di Happy Motor Sport Yogyakarta Menggunakan Algoritma Apriori. IST
AKPRIND, Yogyakarta
Yanto, R ., Khoiriah, R. 2015. Implementasi Data Mining dengan Metode Algoritma Apriori dalam
Menentukan Pola Pembelian Obat (Jurnal). Sistem Informasi STMIK Bina Nusantara Jaya,
Lubuklingau.
138
ISSN: 2338-6304
IMPLEMENTASI DATA MINING UNTUK MENEMUKAN POLA PEMBELIAN BARANG DI
MINIMARKET FRIDA MAGELANG MENGGUNAKAN ALGORITMA APRIORI
1
2
Asri Respati , Uning Lestari ,Erfanti Fatkhiyah
3
1,2,3
Teknik Informatika FTI, IST AKPRIND,
1
2
3
asrirespati@gmail.com , uning@akprind.ac.id , erfanti@akprind.ac.id
ABSTRACT
Along with the development of technology, it allows the collection and storage of data may
faster, larger capacity, and cheaper prices. But the speed of
the proliferation of data is not
balanced with the information from the data, so it can be said we have so many data but we have
poor information.
Data mining became one real solution for sorting the data into useful information. There is
one method that is suitable for determining market strategy in the minimarket business, the method
is called Market Basket Analysis using Apriori algorithm. Apriori Algorithm is used, because it is
looking for the highest frequency value by means of combining the item with other items, the result
of the process of Apriori Algorithm is support value and confidence value.
This research used Frida Magelang Minimarket’s transactions data. The programming
language used is Java.
All of the transaction data were analyzed using the application, and result of a combination
items with the highest support and confidence value is combination of ‘Permen Lunak rs Cokelat’
and ‘Aqua btl 600ml’ with support value is 11,43% and confidence value is 100%, which it means
that 11,43% of all the transaction showed that ‘Permen Lunak rs Cokelat’ and ‘Aqua btl 600ml’
purchased together, and if consumers buy ‘Permen Lunak rs Cokelat’ then there are 100% likely to
buy Aqua btl 600ml also.
Keywords: Minimarket, Apriori, Data Mining.
INTISARI
Seiring dengan perkembangan teknologi, maka memungkinkan melakukan pengumpulan
dan penyimpanan data dengan lebih cepat, kapasitas yang lebih besar, dan harga yang lebih
murah. Tetapi kecepatan bertambah banyaknya data tersebut tidak diimbangi dengan banyaknya
penarikan informasi dari data tersebut, sehingga bisa dikatakan kaya akan data tetapi miskin
informasi.
Data mining menjadi salah satu solusi nyata untuk memilah data menjadi suatu informasi
yang berguna. Salah satu metode data mining yang paling cocok untuk menentukan strategi
penjualan dalam bisnis minimarket adalah metode Analisa Keranjang Belanja, yaitu dengan
menggunakan algoritma apriori. Algoritma Apriori digunakan, karena algoritma ini mencai nilai
frekuensi tertinggi dengan cara pengkombinasian item dengan item lainnya, hasil dari proses
Algoritma Apriori berupa nilai support dan nilai confidence.
Penelitian ini menggunakan data transaksi penjualan di Minimarket Frida Magelang.
Bahasa pemrograman yang dipakai adalah JAVA.
Dari data transaksi yang dianalisa menggunakan aplikasi, hasil kombinasi item dengan nilai
support dan nilai confidence terbesar adalah kombinasi item Permen lunak rs cokelat dan Aqua btl
600ml dengan nilai support sebesar 11,43% dan nilai confidence sebesar 100%, yang artinya
11,43% dari semua transaksi yang dianalisis menunjukkan bahwa Permen lunak rs cokelat dan
Aqua btl 600ml dibeli bersamaan dan jika konsumen membeli Permen lunak rs cokelat maka
terdapat 100% kemungkinan akan membeli Aqua btl 600ml juga.
Kata Kunci: Minimarket, Apriori, Data Mining.
PENDAHULUAN
132
nal SCRIPT Vol. 4 No. 2 Juni 2017
ISSN: 2338-6304
Seiring dengan perkembangan teknologi, maka memungkinkan melakukan pengumpulan
dan penyimpanan data dengan lebih cepat, kapasitas yang lebih besar, dan harga yang lebih
murah. Akibat dari perkembangan teknologi itu pula, penumpukan data pun terjadi. Ukuran basis
data juga meningkat baik dalam jumlah record (baris data) maupun jumlah atribut pada record. Hal
ini didukung oleh perkembangan perangkat keras dan teknologi basis data yang memungkinkan
penyimpanan dan pengaksesan data secara efisien dan murah. Tetapi kecepatan bertambah
banyaknya data tersebut tidak diimbangi dengan banyaknya penarikan informasi dari data tersebut.
Jadi bisa dikatakan kaya akan data, tetapi miskin informasi. Kumpulan data jika dibiarkan begitu
saja tidak dapat memberikan nilai tambah berupa informasi yang bermanfaat, dan menimbulkan
penumpukan data, kemudian menghabiskan kapasitas yang sangat besar, hal ini kemudian akan
menjadi permasalahan dan berujung solusi yaitu menghapus data-data lama. Padahal, data-data
lama tersebut dapat dimanfaatkan untuk diambil informasi yang bermanfaat. Maka dari itu,
diperlukan Data Mining atau penggalian data untuk memperoleh suatu informasi baru dari
banyaknya data-data tersebut, terutama pada bidang bisnis seperti minimarket yang semakin lama
semakin banyak persaingan.
Data mining menjadi salah satu solusi nyata untuk memilah data menjadi suatu informasi
yang berguna. Salah satu metode data mining yang paling cocok untuk menentukan strategi
penjualan dalam bisnis minimarket adalah metode data mining Analisa Keranjang Belanja, yaitu
dengan menggunakan algoritma Apriori. Algoritma Apriori merupakan algoritma yang paling
terkenal untuk mencari pola frekuensi tertinggi. Pola frekuensi tertinggi yaitu pola-pola item di dalam
suatu basis data yang memiliki frekuensi atau nilai support di atas ambang batas tertentu yang
disebut dengan istilah minimum support. Pola frekuensi tertinggi inilah yang digunakan untuk
menyusun aturan asosiatif dan juga beberapa teknik data mining yang lainnya.
Walaupun akhir-akhir ini banyak dikembangkan algoritma-algoritma yang lebih efisien
daripada algoritma Apriori contohnya seperti algoritma FP-Growth, algoritma LCM, algoritma C45,
dan sebagainya, tetapi algoritma Apriori tetap menjadi algoritma yang paling banyak
diimplementasikan kedalam produk-produk komersial untuk data mining.
Minimarket Frida Magelang masih belum memanfaatkan data mining sebagai salah satu
cara untuk menentukan strategi penjualan. Maka dari itu diperlukan sebuah aplikasi data mining
yang dapat memilah data menjadi suatu informasi yang berupa keterkaitan pola barang
berdasarkan kebiasaan pembeli. Aplikasi data mining yang dibuat menggunakan algoritma Apriori,
untuk bahasa pemrogramannya menggunakan JAVA, dan basis data menggunakan MySQL
Nantinya aplikasi ini memerlukan data transaksi pembelian barang yang ada pada mesin kasir.
TINJAUAN PUSTAKA
Pustaka-pustaka yang digunakan sebagai acuan dalam penelitian ini antara lain berasal
dari jurnal dan skripsi. Penelitan pertama yaitu mengenai implementasi data mining untuk
menentukan pola pembelian obat, implementasi menggunakan algoritma apriori dan telah dilakukan
oleh Robi Yanto dan Riri Khoiriah (2015) dengan judul “Implementasi Data Mining Dengan Metode
Algoritma Apriori Dalam Menentukan Pola Pembelian Obat”, Penelitian ini dilakukan untuk mencari
tahu pola pembelian obat pada Apotek Musi Rawas menggunakan algoritma Apriori. Aplikasi yang
dibuat menggunakan bahasa pemrograman Visual Basic 6.0. dan database MySql. Berdasarkan
penelitian tersebut, hasil perhitungan dengan system yang dibangun adalah : Jika membeli
amoxicillin, maka membeli obat Asamefenamat dengan nilai confidence 75%, Jika membeli
Cefadroxil, maka membeli Sanmol dengan nilai confidence 77%. Pada penelitian pertama ini,
kelemahan aplikasi yang dibuat tidak menyediakan input data transaksi penjualan secara otomatis.
Maka dari itu, kelemahan ini menjadi acuan untuk memberikan kelebihan pada aplikasi yang dibuat,
yaitu dengan menyertakan input data transaksi secara otomatis menggunakan format data CSV.
Penelitian kedua yaitu mengenai analisis apriori untuk menemukan pola penjualan pada
produk suku cadang motor, algoritma yang digunakan dalam penelitian ini adalah algoritma apriori,
penelitian ini dilakukan di Happy Motor Sport Yogyakarta. Penelitian ini dilakukan oleh Muhammad
Wahid dengan judul “Aplikasi Data Mining Market Basket Analysis Untuk Menemukan Pola
133
nal SCRIPT Vol. 4 No. 2 Juni 2017
ISSN: 2338-6304
Penjualan Produk Suku Cadang Motor di Happy Motor Sport Yogyakarta menggunakan Algoritma
Apriori.”. Hasil dari analisis apriori untuk menemukan pola penjualan adalah : Jika membeli Oli
maka akan dipasangkan bersama Ban Motor dengan support 0.27 dan confidence 0.62 treshold
support (TIDAK) dan threshold confidence (TIDAK) artinya bahwa oli dan ban motor tidak bisa
disandingkan dalam satu etalase untuk penjualan suku cadang motor, Jika membeli velg maka
akan dipasangkan bersama Gear dengan support 0.18 dan confidence 0.28 treshold support (YA)
dan threshold confidence (YA) artinya bahwa velg dan gear bisa disandingkan dalam satu etalase
untuk penjualan suku cadang, Jika membeli piston kemudian membeli gear dengan support 0.09
dan confidence 0.14 treshold support (YA) dan threshold confidence (TIDAK) artinya bahwa piston
dan gear tidak bisa disandingkan dalam satu etalase. Tapi bisa disandingkan dengan suku cadang
yang lain kemungkinan akan laku. Kelemahan yang terdapat pada penelitian kedua ini adalah, data
yang dianalisis terlalu sedikit untuk data mining, karena jumlah transaksi yang dianalisis hanya 21
transaksi, juga tidak adanya input transaksi penjualan secara otomatis, sehingga menyulitkan
manajer dalam menginputkan data transaksi. Maka dari itu, kelemahan ini menjadi acuan untuk
memberikan kelebihan pada aplikasi yang akan dibuat, yaitu dengan menyertakan input data
transaksi penjualan secara otomatis menggunakan format data CSV, sehingga user tidak perlu
menginputkan data satu per satu.
Penelitian yang ketiga yaitu mengenai implementasi data mining pada penjualan produk
elektronik, algoritma yang diugunakan sama, yaitu algoritma apriori, bertujuan untuk mengetahui
pola pembeli dalam membeli produk elektronik. Penelitian ini dilakukan oleh Dewi Kartika Pane
(2013) dengan judul “Implementasi Ddata Mining Pada Penjualan Produk Elektronik Dengan
Algoritma Apriori (Studi Kasus : Kreditplus)”. Hasil dari implementasi data mining pada transaksi
pembelian barang elektronik adalah : Jika membeli produk ACER maka, akan membeli produk
ASUS dengan nilai confidence 44%, Jika membeli produk ASUS, maka akan membeli produk
ACER dengan nilai confidence 66%, Jika membeli produk ACER, maka akan membeli produk
SAMSUNG dengan nilai confidence 45%, Jika membeli produk SAMSUNG. Maka akan membeli
produk ACER dengan nilai confidence 40%, Jika membeli produk ACER, maka akan membeli
produk TOSHIBA dengan nilai confidence 66,67%, Jika membeli produk TOSHIBA, maka akan
membeli produk ACER dengan nilai confidence 85,714%, Jika membeli produk HP, maka akan
membeli produk SAMSUNG dengan nilai confidence 66,67%, Jika membeli produk SAMSUNG,
maka akan membeli produk HP dengan nilai confidence 50%. Pada penelitian yang ketiga ini,
kelemahan yang didapat adalah tidak adanya pembuatan aplikasi untuk melakukan analisis data
mining menggunakan algoritma apriori, implementasi pada data mining dilakukan dengan
menggunakan tools Tanagra versi 1.4. Maka dari itu, kelemahan dari penelitian ini diharapkan
menjadi acuan untuk membuat kelebihan, yaitu dibuatnya aplikasi untuk implementasi data mining
menggunakan bahasa pemrograman java dan database mysql, yang diharapkan dapat
memudahkan manajer untuk menganalisis data transaksi penjualan pada minimarket Frida
Magelang.
METODE PENELITIAN
Kebutuhan data yang dibutuhkan dalam pembuatan aplikasi data mining menggunakan
algoritma apriori adalah data transaksi penjualan pada minimarket Frida magelang yang meliputi
kode transaksi dan nama barang yang dibeli oleh pembeli, aplikasi akan menganalisis data
transaksi tersebut menggunakan algoritma apriori dan mengeluarkan output berupa rule.Metode
analisa data yang digunakan yakni berdasarkan analisis perancangan UML. Beberapa langkah
yang digunakan dalam penelitian ini yaitu : pengenalan tugas akhir, perumusan tugas akhir,
menyusun tinjauan pustaka, menentukan tujuan penelitian, pengumpulan data, perancangan
aplikasi data mining, pembuatan aplikasi data mining, uji coba dan implementasi, hasil dan
kesimpulan, lalu pembuatan laporan.
User dalam system yang diusulkan dibagi menjadi dua, yaitu manajer dan karyawan.
Manajer memiliki akses untuk menginputkan data baik secara manual maupun melalui file CSV,
dan memiliki kemampuan untuk mengakses form analisis apriori. Karyawan hanya bisa mengakses
134
nal SCRIPT Vol. 4 No. 2 Juni 2017
ISSN: 2338-6304
form input data saja. Use Case diagram aplikasi data mining menggunakan algoritma apriori
ditunjukkan pada Gambar 1.
Gambar 1. Use Case Diagram Aplikasi
PEMBAHASAN
TAMPILAN HALAMAN UTAMA APLIKASI
Halaman utama adalah tampilan awal pada saat masuk pada aplikasi data miningdengan
disertakan login untuk masuk ke aplikasi. Tampilan halaman utamaaplikasi ditunjukkan pada
Gambar 2.
Gambar 2. Tampilan Halaman Utama
TAMPILAN HALAMAN INPUT DATA TRANSAKSI
Halaman input data transaksi adalah halaman yang berfungsi untuk menginputkan data
transaksi penjualan yang berupa nomor, kode transaksi, dan nama barang yang dibeli. Tampilan
halaman input data transaksi ditunjukkan pada Gambar 3.
135
nal SCRIPT Vol. 4 No. 2 Juni 2017
ISSN: 2338-6304
Gambar 3. Tampilan Halaman Input Data Transaksi
TAMPILAN HALAMAN ANALISA
Halaman analisis apriori berfungsi untuk menganalisa data transaksi penjualan
menggunakan algoritma apriori, dengan memasukkan nilai minimal confidence, minimal support,
dan jumlah transaksi yang akan dianalisa. Tampilan halaman analisa ditunjukkan pada gambar 4.
Gambar 4. Tampilan halaman analisa
HASIL ANALISIS APRIORI
Hasil analisis pada halaman analisis apriori ditunjukkan pada Gambar 5.
Gambar 5. Hasil analisa
Data-data transaksi tersebut dianalisis dengan menggunakan algoritma apriori yang
memiliki rumus sebagai berikut :
136
nal SCRIPT Vol. 4 No. 2 Juni 2017
ISSN: 2338-6304
𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵
𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖
Dan mencari nilai confidence dengan rumus sebagai berikut :
𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵
Confidence = 𝑃 𝐵 𝐴) =
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴, 𝐵) =
𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴
Dari hasil tersebut diatas, apabila diambil nilai support dan confidence terbesar, maka hasilnya
ditunjukkan pada tabel 1.
Tabel 1. Tabel Hasil Support dan Confidence Terbesar.
Aturan
Support
Confidence
Jika membeli " Permen lunak rs cokelat "
maka akan membeli "Aqua btl 600ml"
Jika membeli " Floridina orange 360ml "
maka akan membeli " good day chococino "
Jika membeli " sariwangi the celup " maka
akan membeli " Goodtime double choc 17gr
"
Jika membeli " indomie goreng rendang
80gr " maka akan membeli " Taro 3D potato
200gr "
Jika membeli " Mountea Blackurrent " maka
akan membeli " indomie kari ayam "
11.43%
100%
10%
100%
10%
100%
10%
100%
10%
100%
Dari hasil yang didapat diatas, dapat disarankan pada manajer bahwa stok untuk Permen
lunak rs cokelat dan Aqua btl 600ml ditambah, karena merupakan kombinasi item yang paling laku
di Minimarket Frida Magelang. Atau rak yang berisi Permen lunak rs cokelat dapat didekatkan
dengan rak yang berisi Aqua btl 600ml, diharapkan supaya jumlah pembeli yang membeli
keduanya meningkat. Atau juga bisa disarankan diberikan diskon untuk pembelian item Permen
lunak rs cokelat dan Aqua btl 600ml. Kemudian pada percobaan kedua juga ditemukan rules
dengan kombinasi 3 item dengan nilai confidence dan nilai support terbesar yaitu kombinasi item
Permen lunak rs cokelat, Teh pucuk harum 350ml, dan Aqua btl 600ml dengan nilai support 5.71%
dan nilai confidence 100%, dari kombinasi 3 item tersebut dapat disarankan kepada manajer untuk
memberi diskon pada pembeli apabila pembeli membeli Permen lunak rs cokelat, Teh pucuk harum
350ml dan Aqua btl 600ml. Atau bisa juga dengan memberi bonus Aqua btl 600ml apabila membeli
Permen lunak rs cokelat dan Teh pucuk harum 350ml.
KESIMPULAN
Kesimpulan yang dapat diambil dari skripsi ini adalah :
1. Aplikasi data mining menggunakan algoritma apriori dapat membantu manajer dalam
menganalisa pola pembelian barang di minimarket Frida Magelang.
2. Aplikasi mampu mengolah data transaksi penjualan untuk menemukan rule yang
memenuhi syarat minimum support dan minimum confidence, dan mampu menampilkan
output berupa rules dalam bentuk teks.
3. Dengan aplikasi ini dapat diketahui barang apa saja yang sering dibeli bersamaan oleh
konsumen di minimarket Frida, yang nantinya informasi ini dapat digunakan oleh manajer
dalam menentukan strategi penjualan.
4. Pada proses analisa dapat diketahui bahwa semakin kecil nilai input minimum support dan
confidence, maka semakin banyak rules yang dihasilkan, dibuktikan dengan percobaan
pertama diinputkan minimum support 7% dan minimum confidence 70% menghasilkan 14
rules, percobaan kedua dengan menginputkan minimum support 5% dan minimum
confidence 60% menghasilkan 24 rules, percobaan ketiga dengan menginputkan minimum
support 8% minimum confidence 80% menghasilkan 5 rules.
137
nal SCRIPT Vol. 4 No. 2 Juni 2017
ISSN: 2338-6304
DAFTAR PUSTAKA
Kusrini ., Luthfi E,T. 2009. Algoritma Data Mining. Andi Offset, Yogyakarta.
Pane, D.K. 2013. Implementasi Data Mining Pada Penjualan Produk Elektronik Dengan Algoritma
Apriori (Studi Kasus : Kreditplus) (Jurnal). STMIK Budidarma, Medan.
Wahid, M. 2016. Aplikasi Data Mining Market Basket Analysis Untuk Menemukan Pola Penjualan
Produk Suku Cadang Motor di Happy Motor Sport Yogyakarta Menggunakan Algoritma Apriori. IST
AKPRIND, Yogyakarta
Yanto, R ., Khoiriah, R. 2015. Implementasi Data Mining dengan Metode Algoritma Apriori dalam
Menentukan Pola Pembelian Obat (Jurnal). Sistem Informasi STMIK Bina Nusantara Jaya,
Lubuklingau.
138