Staffsite STMIK PPKIA Pradnya Paramita 7_Association_Rule
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
Vol. 3, No. 2, Oktober 2014, ISSN : 2089-9033
96
IMPLEMENTASI ASSOCIATION RULE TERHADAP PENYUSUNAN
LAYOUT MAKANAN DAN PENENTUAN PAKET MAKANAN HEMAT
DI RM ROSO ECHO DENGAN ALGORITMA APRIORI
Elsa Widiati, S,Kom.1, Kania Evita Dewi, S.Pd., M.Si2
Teknik Informatika-UNIKOM
Jl. Dipatiukur 112-114 Bandung
E-mail : [email protected], [email protected]
ABSTRAK
Penyusunan makan disuatu rumah makan yang
menggunakan pelayanan tipe prasmanan sangat
mempengaruhi antrian pembeli, ini dapat dilihat di
RM. Roso Echo. Penyusunan makanan yang masih
dilakukan pada rumah makan tersebut secara acak
yang mengakibatkan panjangnya antrian calon
pembeli yang dapat mempengaruhi kepuasan calon
pembeli terhadap pelayanan. Maka diperlukan
analisis tentang penyusunan makanan dan
penyusunan paket hemat.
Data mining merupakan suatu teknik untuk
menggali suatu informasi yang tersembunyi dari
suatu kumpulan data. Adapun salah satu metode data
mining yang digunakan dalam penelitian ini adalah
metode association rule. Association rule
merupakan salah satu teknik data mining yang
berfungsi untuk menemukan hubungan antar
variabel yang ada didalam suatu data transaksi.
Hasil dari penelitian ini berupa suatu aplikasi yang
mampu memberikan informasi kepada pihak
pengelola RM.Roso Echo mengenai susunan layout
makanan dan paket makanan hemat yang dapat
diterapkan. Dan berdasarkan hasil pengujian
eksperimental yang telah dilakukan dengan
membandingkan hasil yang didapat antara sistem
dengan perhitungan excel didapatkan suatu
informasi mengenai layout makanan dan paket
makanan hemat yang sama.
Kata Kunci: roso echo, data mining, association
rule, analisis, metode eksperimental
1. PENDAHULUAN
Rumah Makan Roso Echo adalah sebuah rumah
makan yang pertama dan satu-satunya di wilayah
Cirebon yang menawarkan masakan dan nuansa
rumah makan khas jawa. Dalam sistem
pelayanannya RM. Roso Echo ini menerapkan
konsep prasmanan, sehingga konsumen dapat
mengambil sendiri makanan yang disajikan di meja
prasmanan sesuai dengan kebutuhan dan keinginan
konsumen, tanpa harus menunggu makanan
disajikan.
Namun dalam penyusunan layout makanannya, RM.
Roso Echo ini masih melakukannya secara acak dan
belum sesuai dengan pola kebiasaan konsumen
dalam mengambil makanan, sehingga dapat
mengurangi kenyamanan dan kepuasan konsumen
terhadap RM. Roso Echo yang dapat berdampak
pada pendapatan pihak pengelola RM. Roso Echo
menjadi tidak maksimal. Selain itu, di RM. Roso
Echo ini belum terdapat paket makanan hemat yang
dapat ditawarkan kepada konsumen guna
meminimalisir terjadinya antrian panjang pada
waktu-waktu tertentu setiap harinya, terutama pada
waktu makan siang.
Data mining merupakan suatu teknik untuk
menggali suatu informasi yang tersembunyi dari
suatu kumpulan data. Adapun salah satu metode data
mining yang digunakan dalam penelitian ini adalah
metode association rule. Association rule
merupakan salah satu teknik data mining yang
berfungsi untuk menemukan hubungan antar
variabel yang ada didalam suatu data transaksi.
Tujuan penelitian ini adalah untuk menerapkan data
mining untuk mendapatkan susunan makan yang
sesuai dengan kebiasaan pembeli dan susunan paket
hemat yang mungkin dibentuk.
2. ISI PENELITIAN
2.1 Landasan Teori
2.1.1. Data mining
Data mining adalah serangkaian proses untuk
menggali nilai tambah berupa informasi yang selama
ini tidak diketahui secara manual dari suatu basis
data dengan melakukan penggalian pola-pola dari
data dengan tujuan untuk memanipulasi data
menjadi informasi yang lebih berharga, yang
diperoleh dengan cara mengekstraksi dan mengenali
pola yang penting atau menarik dari data yang
terdapat dalam basis data.
Data mining juga dikenal dengan nama
Knowledge Discovery (mining) in Database (KDD),
ektraksi pengetahuan (knowledge extraction). Secara
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
Vol. 3, No. 2, Oktober 2014, ISSN : 2089-9033
umum, definisi data mining dapat diartikan sebagai
berikut [4]:
1. Proses penemuan pola yang menarik dari data
yang tersimpan dalam jumlah besar.
2. Ekstraksi dari suatu informasi yang berguna atau
menarik (non-trivial, implisit, sebelumnya belum
diketahui potensian kegunaannya) pola atau
pengetahuan dari data yang di simpan dalam jumlah
besar.
Eksplorasi dari analisa secara otomatis atau
semiotomatis terhadap data-data dalam jumlah besar
untuk mencari pola dan aturan yang berarti.
2.1.2. Konsep Data mining
Data mining sangat diperlukan terutama dalam
mengelola data yang sangat besar untuk
memudahkan aktifitas recording suatu transaksi dan
untuk proses data warehousing agar dapat
memberikan informasi yang akurat bagi pengguna
data mining. Alasan utama data mining sangat
dibutuhkan dalam industri informasi karena
tersedianya data dalam jumlah yang besar dan
semakin besarnya kebutuhan untuk mengubah data
tersebut menjadi informasi dan pengetahuan yang
berguna karena sesuai fokus bidang ilmu ini yaitu
melakukan kegiatan mengekstraksi atau menambang
pengetahuan dari data yang berukuran atau
berjumlah besar. Informasi inilah yang nantinya
sangat berguna untuk pengembangan. Berikut adalah
langkah-langkah dalam data mining [4]:
Gambar 1. Konsep Data Mining
1.
2.
3.
4.
5.
Data cleaning yaitu untuk menghilangkan noise
data yang tidak konsisten.
Data
integration
yaitu menggabungkan
beberapa file atau database.
Data selection yaitu data yang relevan dengan
tugas analisis dikembalikan ke dalam database
untuk proses data mining.
Data transformation yaitu data berubah atau
bersatu menjadi bentuk yang tepat untuk
menambang dengan ringkasan performa atau
operasi agresi.
Data mining yaitu proses esensial dimana
metode yang intelejen digunakan untuk
mengekstrak pola data.
6.
7.
8.
97
Knowledge Discovery yaitu proses esential
dimana metode yang intelejen digunakan untuk
mengekstrak pola data.
Pattern evolution yaitu untuk mengidentifikasi
pola yang benar-benar menarik yang mewakili
pengetahuan berdasarkan atas beberapa
tindakan yang menarik.
Knowledge presentation yaitu gambaran teknik
visualisasi dan pengetahuan digunakan untuk
memberikan pengetahuan yang telah ditambah
kepada user .
2.1.3. Tahapan Data Mining
Tahapan dalam melakukan data mining salah
satunya adalah preprocessing data. Tahapan ini
biasanya diperlukan karena data yang akan
digunakan belum baik, yang disebabkan oleh
beberapa faktor berikut ini [5]:
1. Incomplete: tidak lengkapnya nilai suatu
atribut, tidak lengkapnya atribut-atribut yang
penting, atau hanya mempunyai data yang
merupakan rekapitulasi.
Contoh: pekerjaan = “ ”
Hal tersebut dapat disebabkan oleh perbedaan
kebijakan ketika dapat tersebut dianalisa, bisa
juga disebabkan oleh permasalahan yang
ditimbulkan oleh manusia, hardware¸atau
software.
2. Noisy: mengandung error atau merupakan value
yang tidak wajar.
Contoh : gaji “-100”
Timbul karena kesalahan entry oleh manusia
atau komputer error , atau karena terdapat
kesalahan ketika proses pengiriman data.
3. Inconsisten: mengandung nilai yang saling
bertentangan.
Contoh : umur = “42” dan ulang tahun =
“02/10/1981”
Masalah ini muncul karena perbedaan sumber
data, karena pada data mining data didapatkan
dari banyak sumber dan sangat mungkin
terdapat perbedaan persepsi pengolahan data.
Selain itu, perbedaan ini muncul karena
pelanggaran terhadap fungsional dependency,
misalnya melakukan perubahan pada data yang
terhubung dengan data lain.
Padahal data yang bisa diterima untuk bisa
diproses menjadi informasi atau knowledge adalah
data yang mempunyai kualitas diantaranya :
1. Akurat
2. Lengkap
3. Konsisten
4. Relevan
5. Bisa dipervaya
6. Mempunyai nilai tambah
7. Kemudahan untuk dimengerti
Jika data tidak dalam kualitas seperti yang
telah diuraikan diatas, maka kualitas analisis data
menjadi kurang sehingga hasilnya pun kurang
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
Vol. 3, No. 2, Oktober 2014, ISSN : 2089-9033
bermakna. Hal tersebut harus dihindarkan karena
hasil analisa yang salah dapat berujung pada solusi
yang salah. Untuk itu, perlu dilakukan preprocessing
data yang bertujuan agar membuat data menjadi
lebih berkualitas. Adapun tahapan-tahapannya
adalah sebagai berikut:
1. Data Cleaning: mengisi/mengganti nilai-nilai
yang hilang, menghaluskan data yang noisy,
mengidentifikasi dan menghilangkan data yang
tidak wajar, dan menyelesaikan masalah
inconsistensi data.
2. Data Integration: menggabungkan beberapa
database dan file menjadi satu sehingga
didapatkan sumber data yang besar.
3. Data Transformation : normalisasi dan agregasi
data.
4. Data Reduction: mengurangi volume data
namun tetap mempertahankan arti dalam hal
hasil analisis data.
5. Data Discretization: merupakan bagian dari
data reduction dengan memperhitungkan data
yang signifikan, khususnya pada data numerik.
2.1.4. Association Rule
Association rule adalah salah satu teknik utama
atau prosedur dalam Market Basket Analysis untuk
mencari hubungan antar-item dalam suatu dataset
dan menampilkan bentuk association rule [10].
Association rule (aturan asosiasi) akan menemukan
pola tertentu untuk mengasosiasikan data yang satu
dengan data yang lain. Untuk mencari association
rule dari suatu kumpulan data, tahap pertama yang
harus dilakukan adalah mencari frequent itemset
terlebih dahulu. Frequent itemset adalah sekumpulan
item yang sering muncul secara bersamaan. Setelah
semua pola frequent itemset ditemukan, barulah
mencari aturan assosiatif atau aturan keterkaitan
yang memenuhi syarat yang telah ditentukan.
Jika diasumsikan bahwa barang yang dijual di
swalayan adalah semesta, maka setiap barang akan
memiliki boolean variabel yang akan menunjukkan
keberadaannya atau tidak barang tersebut dalam satu
transaksi atau satu keranjang belanja. Pola boolean
yang didapat digunakan untuk menganalisa barang
yang dibeli secara bersamaan. Pola tersebut
dirumuskan dalam sebuah association rule. Sebagai
contoh konsumen biasanya akan membeli kopi dan
susu yang ditujukkan sebagai berikut :
Kopi susu [support = 2%, confidence = 60%]
Association rule diperlukan suatu variabel
ukuran yang ditentukan sendiri oleh user untuk
menentukan batasan sejauh mana atau sebanyak apa
output yang diinginkan user . Support dan
Confidence adalah sebuah ukuran kepercayaan dan
kegunaan suatu pola yang telah ditemukan. Nilai
support 2% menunjukkan bahwa keseluruhan dari
total transaksi konsumen membeli kopi dan susu
secara bersamaan yaitu sebanyak 2%. Sedangkan
98
confidence 60% yaitu menunjukkan bila konsumen
membeli kopi dan pasti membeli susu sebesar 60%.
2.1.5. Algoritma Apriori
Algoritma apriori adalah salah satu algoritma
yang melakukan pencarian frequent itemset dengan
menggunakan teknik association rule. Algortima
apriori menggunakan pengetahuan frekuensi atribut
yang telah diketahui sebelumnya untuk memproses
informasi selanjutnya. Pada algoritma apriori,
menentukan kandidat yang mungkin muncul dengan
cara memperhatikan minimum support dan
minimum confidence. Support adalah nilai
pengunjung atau persentase kombinasi sebuah item
dalam database.
Nilai support sebuah item diperoleh dengan rumus
sebagai berikut [11]:
(1)
Sedangkan nilai dari support 2 item diperoleh dari
rumus berikut:
(2)
Sedangkan confidence adalah nilai kepastian
yaitu kuatnya hubungan antar item dalam sebuah
apriori. Confidence dapat dicari setelah pola
frekuensi menculnya sebuah item ditemukan. Rumus
untuk menghitung confidence adalah sebagai
berikut:
(3)
Proses utama yang dilakukan dalam algoritma
apriori untuk mendapat frequent itemset yaitu:
1. Join (Penggabungan)
Proses
ini
dilakukan
dengan
cara
pengkombinasian item dengan item yang
lainnya hingga tidak dapat terbentuk kombinasi
lagi.
2. Prune (Pemangkasan)
Proses pemangkasan yaitu hasil dari item yang
telah dikombinasikan kemudian dipangkas
dengan menggunakan minimum support yang
telah ditentukan oleh user . Pada iterasi ke-k
akan ditemukan semua itemset yang memiliki k
item, disebut dengan k-itemset. Tiap iterasi
terdiri dari dua tahap, yaitu :
a. Gunakan frequent (k-1) itemset untuk
membangun kandidat frequent k-itemset.
b. Gunakan scan database dan pencocokan
pola untuk mengumpulkan hitungan untuk
kandidat itemset.
2.1.6. Langkah-langkah proses perhitungan
association rule dengan algortima apriori
Proses perhitungan association rule terdiri dari
beberapa tahap adalah sebagai berikut [12]:
1. Sistem men-scan database untuk mendapat
kandidat 1-itemset (himpunan item yang terdiri
dari 1 item) dan menghitung nilai support-nya
Kemudian
nilai
support-nya
tersebut
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
Vol. 3, No. 2, Oktober 2014, ISSN : 2089-9033
dibandingkan dengan minimum support yang
telah ditentukan. Jika nilainya lebih besar atau
sama dengan minimum support, maka itemset
tersebut termasuk large itemset.
2. Itemset yang tidak termasuk dalam large itemset
tidak diikutkan dalam iterasi selanjutnya (di
pangkas).
3. Pada iterasi kedua, sistem akan menggunakan
hasil large itemset pada iterasi pertama (L1)
untuk membentuk kandidat itemset kedua (L2).
Pada
iterasi
selanjutnya
sistem
akan
menggunakan hasil large itemset pada iterasi
sebelumnya (Lk-1) untuk membentuk kandidat
itemset
berikut
(Lk).
Sistem
akan
menggabungkan (join) Lk-1 dengan Lk-1 untuk
mendapatkan Lk. Seperti pada iterasi
sebelumnya
sistem
akan
menghapus
(memangkas) kombinasi itemset yang tidak
termasuk dalam large itemset.
4. Setelah dilakukan operasi join, maka pasangan
itemset baru hasil proses join tersebut dihitung
support-nya.
5. Proses pembentuk kandidat yang terdiri dari
proses penggabungan dan pemangkasan akan
terus dilakukan hingga himpunan kandidat
itemset-nya null, atau sudah tidak ada lagi
kandidat yang akan terbentuk.
6. Setelah itu, dari hasil frequent itemset tersebut
dibentuk association rule yang memenuhi nilai
support dan confidence yang telah ditentukan.
7. Pada pembentukan associaton rule, nilai yang
sama dianggap sebagai satu nilai.
8. Association rule yang terbentuk harus
memenuhi nilai minimum yang telah ditentukan.
9. Untuk setiap large itemset L, cari himpunan
bagian L yang tidak kosong. Untuk setiap
himpunan bagian tersebut, dihasilkan rule
dengan bentuk aB jika support-nya (a) lebih
besar dari minimum support.
2.1.7. Lift/Improvement Ratio
Lift Ratio adalah parameter penting selain
support dan confidence dalam association rule. Lift
ratio mengukur seberapa penting rule yang telah
terbentuk berdasarkan nilai support dan confidence.
Lift ratio merupakan nilai yang menunjukkan
kevalidan proses transaksi dan memberikan
informasi apakah benar item A dibeli bersamaan
dengan item B. Lift ratio dapat dihitung dengan
rumus:
99
proses pengerjaan algoritma apriori dalam penelitian
ini adalah sebagai berikut :
1. Data yang digunakan adalah data hasil
preprocessing.
Tabel 1. Data transaksi dalam bentuk tabular
2.
Menentukan item-item yang dibeli dalam data
transaksi tersebut.
Tabel 2. Item-item yang dibeli
Item yang dibeli
Ayam Bakar/Cabe Ijo
Cumi
Daging Gepuk
Garang Asam
Gorengan/Bacem
Nila Bumbu Acar
Opor Ayam
Oseng Jamur
Sambal Goreng Daging/Tlr Puyuh
Sambal Goreng Krecek
Sate Ati Ampela
Sate Jamur
Tumisan/Sayur/Urap/Mie
(L-a)
(4)
Sebuah transaksi dikatakan valid jika
mempunyai nilai lift/improvement lebih dari 1, yang
berarti bahwa dalam transaksi tersebut item A dan
item B benar-benar dibeli secara bersamaan.
2.2. Hasil
Contoh kasus yang akan dijelaskan dalam
subbab ini menggunakan algoritma apriori untuk
mencari frequent itemset-nya. Adapun tahapan
3.
Cari kandidat
supportnya
1-itemset dan hitung nilai
Tabel 3. Kandidat 1-itemset
NamaMenu
Support
Count
Ayam Bakar/Cabe Ijo
13
Cumi
11
Daging Gepuk
2
Garang Asam
2
Gorengan/Bacem
11
Nila Bumbu Acar
1
Opor Ayam
3
Oseng Jamur
10
Sambal Goreng
9
Daging/Tlr Puyuh
Sambal Goreng Krecek 1
Sate Ati Ampela
1
Sate Jamur
3
Tumisan/Sayur/Urap/
14
Mie
Nilai
Support
65%
55%
10%
10%
55%
5%
15%
50%
45%
5%
5%
15%
70%
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
Vol. 3, No. 2, Oktober 2014, ISSN : 2089-9033
4.
Pangkas data yang memiliki nilai support lebih
kecil dari nilai minimum support. Misal nilai
minimum support = 30%.
Tabel 4. Large 1-itemset
NamaMenu
Support
Count
Ayam Bakar/Cabe
13
Ijo
Cumi
11
Gorengan/Bacem
11
Oseng Jamur
10
Sambal Goreng
9
Daging / Tlr Puyuh
Tumisan/Sayur/Urap/ 14
Mie
5.
Nilai
Support
65%
55%
55%
50%
45%
70%
Lakukan penggabungan dari setiap data yang
ada pada tabel 4 untuk mendapatkan kandidat 2itemset.
Tabel 5. Kandidat 2-itemset
NamaMenu
Support
Nilai
count
Support
Ayam Bakar/Cabe Ijo
7
35%
Cumi
Ayam Bakar/Cabe Ijo
7
35%
Gorengan/Bacem
Ayam Bakar/Cabe Ijo
7
35%
Oseng Jamur
Ayam Bakar/Cabe Ijo
5
25%
Sambal Goreng Daging /
Tlr Puyuh
Ayam Bakar/Cabe Ijo
11
55%
Tumisan/Sayur/Urap/Mie
Cumi Gorengan/Bacem
7
35%
Cumi Oseng Jamur
7
35%
Cumi Sambal Goreng
3
15%
Daging / Tlr Puyuh
Cumi Tumisan / Sayur /
8
40%
Urap / Mie
Gorengan/Bacem Oseng
6
30%
Jamur
Gorengan/Bacem Sambal 6
30%
Goreng Daging / Tlr Puyuh
Gorengan/Bacem
6
30%
Tumisan/Sayur/Urap/Mie
Oseng Jamur Sambal
6
30%
Goreng Daging/Tlr Puyuh
Oseng Jamur Tumisan /
7
35%
Sayur / Urap / Mie
Sambal Goreng Daging / Tlr
5
25%
Puyuh Tumisan / Sayur /
Urap / Mie
6. Lakukan pemangkasan kembali terhadap data
yang tidak memenuhi nilai minimum support.
100
Tabel 6. Large 2-itemset
NamaMenu
Support
Nilai
Count
Support
Ayam Bakar/Cabe
7
35%
Ijo Cumi
Ayam Bakar/Cabe
7
35%
Ijo
Gorengan/Bacem
Ayam Bakar/Cabe
7
35%
Ijo Oseng
Jamur
Ayam Bakar/Cabe
11
55%
Ijo Tumisan /
Sayur / Urap / Mie
Cumi
7
35%
Gorengan /
Bacem
Cumi Oseng
7
35%
Jamur
Cumi Tumisan 8
40%
/ Sayur / Urap /
Mie
Gorengan/Bacem
6
30%
Oseng Jamur
Gorengan/Bacem
6
30%
Sambal
Goreng Daging /
Tlr Puyuh
Gorengan/Bacem
6
30%
Tumisan /
Sayur / Urap / Mie
Oseng Jamur
6
30%
Sambal
Goreng Daging /
Tlr Puyuh
Oseng Jamur
7
35%
Tumisan /
Sayur / Urap / Mie
7. Lakukan
proses
penggabungan
dan
pemangkasan hingga tidak ada lagi data yang
dapat digabungkan.
8. 8. Selanjutnya hitung nilai confidence dari
setiap large itemset yang didapat, mulai dari
large 2-itemset.
9. 9. Pangkas data yang memiliki nilai confidence
lebih kecil dari nilai minimum confidence. Misal
nilai minimum confidence = 62%.
Tabel 7. Confidence 2-itemset
NamaMenu
Nilai
Nilai
Support Confidence
Ayam Bakar / Cabe Ijo,
35%
100%
Cumi Tumisan / Sayur
/ Urap / Mie
Ayam Bakar / Cabe Ijo,
35%
64%
Tumisan / Sayur / Urap /
Mie Cumi
Tumisan/Sayur/Urap/Mie, 35%
87%
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
Vol. 3, No. 2, Oktober 2014, ISSN : 2089-9033
Cumi Ayam Bakar /
Cabe Ijo
Ayam Bakar/Cabe Ijo,
Oseng Jamur Tumisan /
Sayur / Urap / Mie
Ayam Bakar / Cabe Ijo,
Tumisan / Sayur / Urap /
Mie Oseng Jamur
Tumisan/Sayur/Urap/Mie,
Oseng Jamur Ayam
Bakar/Cabe Ijo
kesimpulan sistem sudah berjalan sesuai dengan
teori yang dimiliki.
30%
86%
3. PENUTUP
30%
54%
30%
86%
10. Setelah nilai confidence telah didapat,
selanjutnya adalah mengurutkan data yang
memiliki nilai support dan nilai confidence yang
terbesar hingga terkecil untuk mendapatkan
layout makanan.
No
1
2
3
4
5
6
101
Tabel 8. Susunan Layout Makanan
NamaMenu
Ayam Bakar/Cabe Ijo
Tumisan/Sayur/Urap/Mie
Cumi
Oseng Jamur
Gorengan/Bacem
Sambal Goreng Daging/Tlr Puyuh
11. Hitung nilai lift dari data yang memiliki nilai
support dan nilai confidence yang memenuhi
nilai minimum support dan nilai minimum
confidence untuk mendapatkan informasi paket
makanan hemat.
Tabel 9. Paket Makanan Hemat
Paket Makanan Hemat
Ayam Bakar/Cabe Ijo, Cumi
Tumisan/Sayur/Urap/Mie
Tumisan/Sayur/Urap/Mie, Oseng Jamur Ayam
Bakar/Cabe Ijo
2.3. Pembahasan
Berdasarkan hasil association rule dengan
minimum support 30% dan minimum confidence
62% diperoleh susunan yaitu: Ayam bakar/Cabe Ijo,
Tumisan/Sayur/Urap/Mie, Cumi, Oseng Jamur,
Gorengan/Bacem, Sambel Goreng Daging/Telur
Puyuh. Sedangkan untuk paket makanan hemat
bergantung kebutuhan ditentukan dahulu dalam 1
paket diinginkan berapa jenis makanan sehingga dari
data yang dimiliki diperoleh 2 paket makanan.
Untuk menguji apakah yang diperoleh sistem sesuai
atau tidak dengan perhitungan manual maka data
awal di bagi menjadi beberapa kelompok kemudian
setiap kelompok diasosiasikan ternyata dari setiap
kelompok diperoleh hasil yang sama dengan
perhitungan manual. Maka dapat diambil
3.1. Kesimpulan
Berdasarkan hasil analisis dan pengujian yang
telah, maka dapat ditarik suatu kesimpulan bahwa
sistem data mining association rule yang telah
dibangun telah dapat memberikan suatu informasi
mengenai susunan layout makanan yang sesuai
dengan pola kebiasaan konsumen dalam mengambil
makanan serta dapat memberikan rekomendasi paket
makanan hemat yang dapat ditawarkan oleh pihak
pengelola RM. Roso Echo.
3.2. Saran
Adapun saran dalam pengembangan sistem ini
adalah dikarenakan dalam penentuan kandidat selalu
dibutuhkan waktu yang lama, maka perlu dianalisis
algoritma lain yang memakan waktu lebih cepat
dalam menghasilkan kandidat-kandidat dalam setiap
langkah, mengingat data didalam kehidupan
sebenarnya akan selalu bertambah.
DAFTAR PUSTAKA
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
P. D. Sugiyono, Metode Kuantitatif,
Kualitatif dan R&D . Alfabeta, 2010.
H.A.Fajar, Data Mining . Andi, 2013.
Ramon A. Mata Toledeo, Pailine K.
Cushman,
Dasar-dasar
Database
Relasional. Jakarta : Airlangga, 2007.
J. Han and M. Kamber, Data Mining :
Concept and Techniques, 2nd ed. San
Fransisco: Morgan Kauffman, 2006.
R. J. A. Little and D. B. Rubin, Statistical
Analysis With Missing Data , 2nd ed. Wiley,
2002.
J. K. Kim and J. Shao, Statistical Methods
For Handling Incomplete Data . Taylor &
Francis Group, 2014.
Kusrini and E. T. Luthfi, Algoritma Data
Mining, T. A. Prabawati, Ed. Yogyakarta:
Andi, 2009.
B. Santosa, Data
Mining,
Teknik
Pemanfaatan Data Untuk Keperluan Bisnis .
Yogyakarta: Graha Ilmu, 2007.
E. W. T. D, "Penerapan Metode Association
RUle Menggunakan Algoritma Apriori
Untuk Analisa Pola Hasil Tangkapan,"
Konferensi dan Temu Nasional Teknologi
Informasi dan Komunikasi Untuk Indonesia ,
p. 2, 2008.
J. Santoni, “Implementasi Data Mining
Dengan Metode Market Basket Analysis,”
Teknologi Informasi dan Pendidikan , vol. 5,
p.2, Sep.2012.
R. S. Pressman, Software Engineering - A
Practitionar's Approach , 5th ed. McGrawHill International, 2001.
Vol. 3, No. 2, Oktober 2014, ISSN : 2089-9033
96
IMPLEMENTASI ASSOCIATION RULE TERHADAP PENYUSUNAN
LAYOUT MAKANAN DAN PENENTUAN PAKET MAKANAN HEMAT
DI RM ROSO ECHO DENGAN ALGORITMA APRIORI
Elsa Widiati, S,Kom.1, Kania Evita Dewi, S.Pd., M.Si2
Teknik Informatika-UNIKOM
Jl. Dipatiukur 112-114 Bandung
E-mail : [email protected], [email protected]
ABSTRAK
Penyusunan makan disuatu rumah makan yang
menggunakan pelayanan tipe prasmanan sangat
mempengaruhi antrian pembeli, ini dapat dilihat di
RM. Roso Echo. Penyusunan makanan yang masih
dilakukan pada rumah makan tersebut secara acak
yang mengakibatkan panjangnya antrian calon
pembeli yang dapat mempengaruhi kepuasan calon
pembeli terhadap pelayanan. Maka diperlukan
analisis tentang penyusunan makanan dan
penyusunan paket hemat.
Data mining merupakan suatu teknik untuk
menggali suatu informasi yang tersembunyi dari
suatu kumpulan data. Adapun salah satu metode data
mining yang digunakan dalam penelitian ini adalah
metode association rule. Association rule
merupakan salah satu teknik data mining yang
berfungsi untuk menemukan hubungan antar
variabel yang ada didalam suatu data transaksi.
Hasil dari penelitian ini berupa suatu aplikasi yang
mampu memberikan informasi kepada pihak
pengelola RM.Roso Echo mengenai susunan layout
makanan dan paket makanan hemat yang dapat
diterapkan. Dan berdasarkan hasil pengujian
eksperimental yang telah dilakukan dengan
membandingkan hasil yang didapat antara sistem
dengan perhitungan excel didapatkan suatu
informasi mengenai layout makanan dan paket
makanan hemat yang sama.
Kata Kunci: roso echo, data mining, association
rule, analisis, metode eksperimental
1. PENDAHULUAN
Rumah Makan Roso Echo adalah sebuah rumah
makan yang pertama dan satu-satunya di wilayah
Cirebon yang menawarkan masakan dan nuansa
rumah makan khas jawa. Dalam sistem
pelayanannya RM. Roso Echo ini menerapkan
konsep prasmanan, sehingga konsumen dapat
mengambil sendiri makanan yang disajikan di meja
prasmanan sesuai dengan kebutuhan dan keinginan
konsumen, tanpa harus menunggu makanan
disajikan.
Namun dalam penyusunan layout makanannya, RM.
Roso Echo ini masih melakukannya secara acak dan
belum sesuai dengan pola kebiasaan konsumen
dalam mengambil makanan, sehingga dapat
mengurangi kenyamanan dan kepuasan konsumen
terhadap RM. Roso Echo yang dapat berdampak
pada pendapatan pihak pengelola RM. Roso Echo
menjadi tidak maksimal. Selain itu, di RM. Roso
Echo ini belum terdapat paket makanan hemat yang
dapat ditawarkan kepada konsumen guna
meminimalisir terjadinya antrian panjang pada
waktu-waktu tertentu setiap harinya, terutama pada
waktu makan siang.
Data mining merupakan suatu teknik untuk
menggali suatu informasi yang tersembunyi dari
suatu kumpulan data. Adapun salah satu metode data
mining yang digunakan dalam penelitian ini adalah
metode association rule. Association rule
merupakan salah satu teknik data mining yang
berfungsi untuk menemukan hubungan antar
variabel yang ada didalam suatu data transaksi.
Tujuan penelitian ini adalah untuk menerapkan data
mining untuk mendapatkan susunan makan yang
sesuai dengan kebiasaan pembeli dan susunan paket
hemat yang mungkin dibentuk.
2. ISI PENELITIAN
2.1 Landasan Teori
2.1.1. Data mining
Data mining adalah serangkaian proses untuk
menggali nilai tambah berupa informasi yang selama
ini tidak diketahui secara manual dari suatu basis
data dengan melakukan penggalian pola-pola dari
data dengan tujuan untuk memanipulasi data
menjadi informasi yang lebih berharga, yang
diperoleh dengan cara mengekstraksi dan mengenali
pola yang penting atau menarik dari data yang
terdapat dalam basis data.
Data mining juga dikenal dengan nama
Knowledge Discovery (mining) in Database (KDD),
ektraksi pengetahuan (knowledge extraction). Secara
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
Vol. 3, No. 2, Oktober 2014, ISSN : 2089-9033
umum, definisi data mining dapat diartikan sebagai
berikut [4]:
1. Proses penemuan pola yang menarik dari data
yang tersimpan dalam jumlah besar.
2. Ekstraksi dari suatu informasi yang berguna atau
menarik (non-trivial, implisit, sebelumnya belum
diketahui potensian kegunaannya) pola atau
pengetahuan dari data yang di simpan dalam jumlah
besar.
Eksplorasi dari analisa secara otomatis atau
semiotomatis terhadap data-data dalam jumlah besar
untuk mencari pola dan aturan yang berarti.
2.1.2. Konsep Data mining
Data mining sangat diperlukan terutama dalam
mengelola data yang sangat besar untuk
memudahkan aktifitas recording suatu transaksi dan
untuk proses data warehousing agar dapat
memberikan informasi yang akurat bagi pengguna
data mining. Alasan utama data mining sangat
dibutuhkan dalam industri informasi karena
tersedianya data dalam jumlah yang besar dan
semakin besarnya kebutuhan untuk mengubah data
tersebut menjadi informasi dan pengetahuan yang
berguna karena sesuai fokus bidang ilmu ini yaitu
melakukan kegiatan mengekstraksi atau menambang
pengetahuan dari data yang berukuran atau
berjumlah besar. Informasi inilah yang nantinya
sangat berguna untuk pengembangan. Berikut adalah
langkah-langkah dalam data mining [4]:
Gambar 1. Konsep Data Mining
1.
2.
3.
4.
5.
Data cleaning yaitu untuk menghilangkan noise
data yang tidak konsisten.
Data
integration
yaitu menggabungkan
beberapa file atau database.
Data selection yaitu data yang relevan dengan
tugas analisis dikembalikan ke dalam database
untuk proses data mining.
Data transformation yaitu data berubah atau
bersatu menjadi bentuk yang tepat untuk
menambang dengan ringkasan performa atau
operasi agresi.
Data mining yaitu proses esensial dimana
metode yang intelejen digunakan untuk
mengekstrak pola data.
6.
7.
8.
97
Knowledge Discovery yaitu proses esential
dimana metode yang intelejen digunakan untuk
mengekstrak pola data.
Pattern evolution yaitu untuk mengidentifikasi
pola yang benar-benar menarik yang mewakili
pengetahuan berdasarkan atas beberapa
tindakan yang menarik.
Knowledge presentation yaitu gambaran teknik
visualisasi dan pengetahuan digunakan untuk
memberikan pengetahuan yang telah ditambah
kepada user .
2.1.3. Tahapan Data Mining
Tahapan dalam melakukan data mining salah
satunya adalah preprocessing data. Tahapan ini
biasanya diperlukan karena data yang akan
digunakan belum baik, yang disebabkan oleh
beberapa faktor berikut ini [5]:
1. Incomplete: tidak lengkapnya nilai suatu
atribut, tidak lengkapnya atribut-atribut yang
penting, atau hanya mempunyai data yang
merupakan rekapitulasi.
Contoh: pekerjaan = “ ”
Hal tersebut dapat disebabkan oleh perbedaan
kebijakan ketika dapat tersebut dianalisa, bisa
juga disebabkan oleh permasalahan yang
ditimbulkan oleh manusia, hardware¸atau
software.
2. Noisy: mengandung error atau merupakan value
yang tidak wajar.
Contoh : gaji “-100”
Timbul karena kesalahan entry oleh manusia
atau komputer error , atau karena terdapat
kesalahan ketika proses pengiriman data.
3. Inconsisten: mengandung nilai yang saling
bertentangan.
Contoh : umur = “42” dan ulang tahun =
“02/10/1981”
Masalah ini muncul karena perbedaan sumber
data, karena pada data mining data didapatkan
dari banyak sumber dan sangat mungkin
terdapat perbedaan persepsi pengolahan data.
Selain itu, perbedaan ini muncul karena
pelanggaran terhadap fungsional dependency,
misalnya melakukan perubahan pada data yang
terhubung dengan data lain.
Padahal data yang bisa diterima untuk bisa
diproses menjadi informasi atau knowledge adalah
data yang mempunyai kualitas diantaranya :
1. Akurat
2. Lengkap
3. Konsisten
4. Relevan
5. Bisa dipervaya
6. Mempunyai nilai tambah
7. Kemudahan untuk dimengerti
Jika data tidak dalam kualitas seperti yang
telah diuraikan diatas, maka kualitas analisis data
menjadi kurang sehingga hasilnya pun kurang
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
Vol. 3, No. 2, Oktober 2014, ISSN : 2089-9033
bermakna. Hal tersebut harus dihindarkan karena
hasil analisa yang salah dapat berujung pada solusi
yang salah. Untuk itu, perlu dilakukan preprocessing
data yang bertujuan agar membuat data menjadi
lebih berkualitas. Adapun tahapan-tahapannya
adalah sebagai berikut:
1. Data Cleaning: mengisi/mengganti nilai-nilai
yang hilang, menghaluskan data yang noisy,
mengidentifikasi dan menghilangkan data yang
tidak wajar, dan menyelesaikan masalah
inconsistensi data.
2. Data Integration: menggabungkan beberapa
database dan file menjadi satu sehingga
didapatkan sumber data yang besar.
3. Data Transformation : normalisasi dan agregasi
data.
4. Data Reduction: mengurangi volume data
namun tetap mempertahankan arti dalam hal
hasil analisis data.
5. Data Discretization: merupakan bagian dari
data reduction dengan memperhitungkan data
yang signifikan, khususnya pada data numerik.
2.1.4. Association Rule
Association rule adalah salah satu teknik utama
atau prosedur dalam Market Basket Analysis untuk
mencari hubungan antar-item dalam suatu dataset
dan menampilkan bentuk association rule [10].
Association rule (aturan asosiasi) akan menemukan
pola tertentu untuk mengasosiasikan data yang satu
dengan data yang lain. Untuk mencari association
rule dari suatu kumpulan data, tahap pertama yang
harus dilakukan adalah mencari frequent itemset
terlebih dahulu. Frequent itemset adalah sekumpulan
item yang sering muncul secara bersamaan. Setelah
semua pola frequent itemset ditemukan, barulah
mencari aturan assosiatif atau aturan keterkaitan
yang memenuhi syarat yang telah ditentukan.
Jika diasumsikan bahwa barang yang dijual di
swalayan adalah semesta, maka setiap barang akan
memiliki boolean variabel yang akan menunjukkan
keberadaannya atau tidak barang tersebut dalam satu
transaksi atau satu keranjang belanja. Pola boolean
yang didapat digunakan untuk menganalisa barang
yang dibeli secara bersamaan. Pola tersebut
dirumuskan dalam sebuah association rule. Sebagai
contoh konsumen biasanya akan membeli kopi dan
susu yang ditujukkan sebagai berikut :
Kopi susu [support = 2%, confidence = 60%]
Association rule diperlukan suatu variabel
ukuran yang ditentukan sendiri oleh user untuk
menentukan batasan sejauh mana atau sebanyak apa
output yang diinginkan user . Support dan
Confidence adalah sebuah ukuran kepercayaan dan
kegunaan suatu pola yang telah ditemukan. Nilai
support 2% menunjukkan bahwa keseluruhan dari
total transaksi konsumen membeli kopi dan susu
secara bersamaan yaitu sebanyak 2%. Sedangkan
98
confidence 60% yaitu menunjukkan bila konsumen
membeli kopi dan pasti membeli susu sebesar 60%.
2.1.5. Algoritma Apriori
Algoritma apriori adalah salah satu algoritma
yang melakukan pencarian frequent itemset dengan
menggunakan teknik association rule. Algortima
apriori menggunakan pengetahuan frekuensi atribut
yang telah diketahui sebelumnya untuk memproses
informasi selanjutnya. Pada algoritma apriori,
menentukan kandidat yang mungkin muncul dengan
cara memperhatikan minimum support dan
minimum confidence. Support adalah nilai
pengunjung atau persentase kombinasi sebuah item
dalam database.
Nilai support sebuah item diperoleh dengan rumus
sebagai berikut [11]:
(1)
Sedangkan nilai dari support 2 item diperoleh dari
rumus berikut:
(2)
Sedangkan confidence adalah nilai kepastian
yaitu kuatnya hubungan antar item dalam sebuah
apriori. Confidence dapat dicari setelah pola
frekuensi menculnya sebuah item ditemukan. Rumus
untuk menghitung confidence adalah sebagai
berikut:
(3)
Proses utama yang dilakukan dalam algoritma
apriori untuk mendapat frequent itemset yaitu:
1. Join (Penggabungan)
Proses
ini
dilakukan
dengan
cara
pengkombinasian item dengan item yang
lainnya hingga tidak dapat terbentuk kombinasi
lagi.
2. Prune (Pemangkasan)
Proses pemangkasan yaitu hasil dari item yang
telah dikombinasikan kemudian dipangkas
dengan menggunakan minimum support yang
telah ditentukan oleh user . Pada iterasi ke-k
akan ditemukan semua itemset yang memiliki k
item, disebut dengan k-itemset. Tiap iterasi
terdiri dari dua tahap, yaitu :
a. Gunakan frequent (k-1) itemset untuk
membangun kandidat frequent k-itemset.
b. Gunakan scan database dan pencocokan
pola untuk mengumpulkan hitungan untuk
kandidat itemset.
2.1.6. Langkah-langkah proses perhitungan
association rule dengan algortima apriori
Proses perhitungan association rule terdiri dari
beberapa tahap adalah sebagai berikut [12]:
1. Sistem men-scan database untuk mendapat
kandidat 1-itemset (himpunan item yang terdiri
dari 1 item) dan menghitung nilai support-nya
Kemudian
nilai
support-nya
tersebut
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
Vol. 3, No. 2, Oktober 2014, ISSN : 2089-9033
dibandingkan dengan minimum support yang
telah ditentukan. Jika nilainya lebih besar atau
sama dengan minimum support, maka itemset
tersebut termasuk large itemset.
2. Itemset yang tidak termasuk dalam large itemset
tidak diikutkan dalam iterasi selanjutnya (di
pangkas).
3. Pada iterasi kedua, sistem akan menggunakan
hasil large itemset pada iterasi pertama (L1)
untuk membentuk kandidat itemset kedua (L2).
Pada
iterasi
selanjutnya
sistem
akan
menggunakan hasil large itemset pada iterasi
sebelumnya (Lk-1) untuk membentuk kandidat
itemset
berikut
(Lk).
Sistem
akan
menggabungkan (join) Lk-1 dengan Lk-1 untuk
mendapatkan Lk. Seperti pada iterasi
sebelumnya
sistem
akan
menghapus
(memangkas) kombinasi itemset yang tidak
termasuk dalam large itemset.
4. Setelah dilakukan operasi join, maka pasangan
itemset baru hasil proses join tersebut dihitung
support-nya.
5. Proses pembentuk kandidat yang terdiri dari
proses penggabungan dan pemangkasan akan
terus dilakukan hingga himpunan kandidat
itemset-nya null, atau sudah tidak ada lagi
kandidat yang akan terbentuk.
6. Setelah itu, dari hasil frequent itemset tersebut
dibentuk association rule yang memenuhi nilai
support dan confidence yang telah ditentukan.
7. Pada pembentukan associaton rule, nilai yang
sama dianggap sebagai satu nilai.
8. Association rule yang terbentuk harus
memenuhi nilai minimum yang telah ditentukan.
9. Untuk setiap large itemset L, cari himpunan
bagian L yang tidak kosong. Untuk setiap
himpunan bagian tersebut, dihasilkan rule
dengan bentuk aB jika support-nya (a) lebih
besar dari minimum support.
2.1.7. Lift/Improvement Ratio
Lift Ratio adalah parameter penting selain
support dan confidence dalam association rule. Lift
ratio mengukur seberapa penting rule yang telah
terbentuk berdasarkan nilai support dan confidence.
Lift ratio merupakan nilai yang menunjukkan
kevalidan proses transaksi dan memberikan
informasi apakah benar item A dibeli bersamaan
dengan item B. Lift ratio dapat dihitung dengan
rumus:
99
proses pengerjaan algoritma apriori dalam penelitian
ini adalah sebagai berikut :
1. Data yang digunakan adalah data hasil
preprocessing.
Tabel 1. Data transaksi dalam bentuk tabular
2.
Menentukan item-item yang dibeli dalam data
transaksi tersebut.
Tabel 2. Item-item yang dibeli
Item yang dibeli
Ayam Bakar/Cabe Ijo
Cumi
Daging Gepuk
Garang Asam
Gorengan/Bacem
Nila Bumbu Acar
Opor Ayam
Oseng Jamur
Sambal Goreng Daging/Tlr Puyuh
Sambal Goreng Krecek
Sate Ati Ampela
Sate Jamur
Tumisan/Sayur/Urap/Mie
(L-a)
(4)
Sebuah transaksi dikatakan valid jika
mempunyai nilai lift/improvement lebih dari 1, yang
berarti bahwa dalam transaksi tersebut item A dan
item B benar-benar dibeli secara bersamaan.
2.2. Hasil
Contoh kasus yang akan dijelaskan dalam
subbab ini menggunakan algoritma apriori untuk
mencari frequent itemset-nya. Adapun tahapan
3.
Cari kandidat
supportnya
1-itemset dan hitung nilai
Tabel 3. Kandidat 1-itemset
NamaMenu
Support
Count
Ayam Bakar/Cabe Ijo
13
Cumi
11
Daging Gepuk
2
Garang Asam
2
Gorengan/Bacem
11
Nila Bumbu Acar
1
Opor Ayam
3
Oseng Jamur
10
Sambal Goreng
9
Daging/Tlr Puyuh
Sambal Goreng Krecek 1
Sate Ati Ampela
1
Sate Jamur
3
Tumisan/Sayur/Urap/
14
Mie
Nilai
Support
65%
55%
10%
10%
55%
5%
15%
50%
45%
5%
5%
15%
70%
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
Vol. 3, No. 2, Oktober 2014, ISSN : 2089-9033
4.
Pangkas data yang memiliki nilai support lebih
kecil dari nilai minimum support. Misal nilai
minimum support = 30%.
Tabel 4. Large 1-itemset
NamaMenu
Support
Count
Ayam Bakar/Cabe
13
Ijo
Cumi
11
Gorengan/Bacem
11
Oseng Jamur
10
Sambal Goreng
9
Daging / Tlr Puyuh
Tumisan/Sayur/Urap/ 14
Mie
5.
Nilai
Support
65%
55%
55%
50%
45%
70%
Lakukan penggabungan dari setiap data yang
ada pada tabel 4 untuk mendapatkan kandidat 2itemset.
Tabel 5. Kandidat 2-itemset
NamaMenu
Support
Nilai
count
Support
Ayam Bakar/Cabe Ijo
7
35%
Cumi
Ayam Bakar/Cabe Ijo
7
35%
Gorengan/Bacem
Ayam Bakar/Cabe Ijo
7
35%
Oseng Jamur
Ayam Bakar/Cabe Ijo
5
25%
Sambal Goreng Daging /
Tlr Puyuh
Ayam Bakar/Cabe Ijo
11
55%
Tumisan/Sayur/Urap/Mie
Cumi Gorengan/Bacem
7
35%
Cumi Oseng Jamur
7
35%
Cumi Sambal Goreng
3
15%
Daging / Tlr Puyuh
Cumi Tumisan / Sayur /
8
40%
Urap / Mie
Gorengan/Bacem Oseng
6
30%
Jamur
Gorengan/Bacem Sambal 6
30%
Goreng Daging / Tlr Puyuh
Gorengan/Bacem
6
30%
Tumisan/Sayur/Urap/Mie
Oseng Jamur Sambal
6
30%
Goreng Daging/Tlr Puyuh
Oseng Jamur Tumisan /
7
35%
Sayur / Urap / Mie
Sambal Goreng Daging / Tlr
5
25%
Puyuh Tumisan / Sayur /
Urap / Mie
6. Lakukan pemangkasan kembali terhadap data
yang tidak memenuhi nilai minimum support.
100
Tabel 6. Large 2-itemset
NamaMenu
Support
Nilai
Count
Support
Ayam Bakar/Cabe
7
35%
Ijo Cumi
Ayam Bakar/Cabe
7
35%
Ijo
Gorengan/Bacem
Ayam Bakar/Cabe
7
35%
Ijo Oseng
Jamur
Ayam Bakar/Cabe
11
55%
Ijo Tumisan /
Sayur / Urap / Mie
Cumi
7
35%
Gorengan /
Bacem
Cumi Oseng
7
35%
Jamur
Cumi Tumisan 8
40%
/ Sayur / Urap /
Mie
Gorengan/Bacem
6
30%
Oseng Jamur
Gorengan/Bacem
6
30%
Sambal
Goreng Daging /
Tlr Puyuh
Gorengan/Bacem
6
30%
Tumisan /
Sayur / Urap / Mie
Oseng Jamur
6
30%
Sambal
Goreng Daging /
Tlr Puyuh
Oseng Jamur
7
35%
Tumisan /
Sayur / Urap / Mie
7. Lakukan
proses
penggabungan
dan
pemangkasan hingga tidak ada lagi data yang
dapat digabungkan.
8. 8. Selanjutnya hitung nilai confidence dari
setiap large itemset yang didapat, mulai dari
large 2-itemset.
9. 9. Pangkas data yang memiliki nilai confidence
lebih kecil dari nilai minimum confidence. Misal
nilai minimum confidence = 62%.
Tabel 7. Confidence 2-itemset
NamaMenu
Nilai
Nilai
Support Confidence
Ayam Bakar / Cabe Ijo,
35%
100%
Cumi Tumisan / Sayur
/ Urap / Mie
Ayam Bakar / Cabe Ijo,
35%
64%
Tumisan / Sayur / Urap /
Mie Cumi
Tumisan/Sayur/Urap/Mie, 35%
87%
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
Vol. 3, No. 2, Oktober 2014, ISSN : 2089-9033
Cumi Ayam Bakar /
Cabe Ijo
Ayam Bakar/Cabe Ijo,
Oseng Jamur Tumisan /
Sayur / Urap / Mie
Ayam Bakar / Cabe Ijo,
Tumisan / Sayur / Urap /
Mie Oseng Jamur
Tumisan/Sayur/Urap/Mie,
Oseng Jamur Ayam
Bakar/Cabe Ijo
kesimpulan sistem sudah berjalan sesuai dengan
teori yang dimiliki.
30%
86%
3. PENUTUP
30%
54%
30%
86%
10. Setelah nilai confidence telah didapat,
selanjutnya adalah mengurutkan data yang
memiliki nilai support dan nilai confidence yang
terbesar hingga terkecil untuk mendapatkan
layout makanan.
No
1
2
3
4
5
6
101
Tabel 8. Susunan Layout Makanan
NamaMenu
Ayam Bakar/Cabe Ijo
Tumisan/Sayur/Urap/Mie
Cumi
Oseng Jamur
Gorengan/Bacem
Sambal Goreng Daging/Tlr Puyuh
11. Hitung nilai lift dari data yang memiliki nilai
support dan nilai confidence yang memenuhi
nilai minimum support dan nilai minimum
confidence untuk mendapatkan informasi paket
makanan hemat.
Tabel 9. Paket Makanan Hemat
Paket Makanan Hemat
Ayam Bakar/Cabe Ijo, Cumi
Tumisan/Sayur/Urap/Mie
Tumisan/Sayur/Urap/Mie, Oseng Jamur Ayam
Bakar/Cabe Ijo
2.3. Pembahasan
Berdasarkan hasil association rule dengan
minimum support 30% dan minimum confidence
62% diperoleh susunan yaitu: Ayam bakar/Cabe Ijo,
Tumisan/Sayur/Urap/Mie, Cumi, Oseng Jamur,
Gorengan/Bacem, Sambel Goreng Daging/Telur
Puyuh. Sedangkan untuk paket makanan hemat
bergantung kebutuhan ditentukan dahulu dalam 1
paket diinginkan berapa jenis makanan sehingga dari
data yang dimiliki diperoleh 2 paket makanan.
Untuk menguji apakah yang diperoleh sistem sesuai
atau tidak dengan perhitungan manual maka data
awal di bagi menjadi beberapa kelompok kemudian
setiap kelompok diasosiasikan ternyata dari setiap
kelompok diperoleh hasil yang sama dengan
perhitungan manual. Maka dapat diambil
3.1. Kesimpulan
Berdasarkan hasil analisis dan pengujian yang
telah, maka dapat ditarik suatu kesimpulan bahwa
sistem data mining association rule yang telah
dibangun telah dapat memberikan suatu informasi
mengenai susunan layout makanan yang sesuai
dengan pola kebiasaan konsumen dalam mengambil
makanan serta dapat memberikan rekomendasi paket
makanan hemat yang dapat ditawarkan oleh pihak
pengelola RM. Roso Echo.
3.2. Saran
Adapun saran dalam pengembangan sistem ini
adalah dikarenakan dalam penentuan kandidat selalu
dibutuhkan waktu yang lama, maka perlu dianalisis
algoritma lain yang memakan waktu lebih cepat
dalam menghasilkan kandidat-kandidat dalam setiap
langkah, mengingat data didalam kehidupan
sebenarnya akan selalu bertambah.
DAFTAR PUSTAKA
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
P. D. Sugiyono, Metode Kuantitatif,
Kualitatif dan R&D . Alfabeta, 2010.
H.A.Fajar, Data Mining . Andi, 2013.
Ramon A. Mata Toledeo, Pailine K.
Cushman,
Dasar-dasar
Database
Relasional. Jakarta : Airlangga, 2007.
J. Han and M. Kamber, Data Mining :
Concept and Techniques, 2nd ed. San
Fransisco: Morgan Kauffman, 2006.
R. J. A. Little and D. B. Rubin, Statistical
Analysis With Missing Data , 2nd ed. Wiley,
2002.
J. K. Kim and J. Shao, Statistical Methods
For Handling Incomplete Data . Taylor &
Francis Group, 2014.
Kusrini and E. T. Luthfi, Algoritma Data
Mining, T. A. Prabawati, Ed. Yogyakarta:
Andi, 2009.
B. Santosa, Data
Mining,
Teknik
Pemanfaatan Data Untuk Keperluan Bisnis .
Yogyakarta: Graha Ilmu, 2007.
E. W. T. D, "Penerapan Metode Association
RUle Menggunakan Algoritma Apriori
Untuk Analisa Pola Hasil Tangkapan,"
Konferensi dan Temu Nasional Teknologi
Informasi dan Komunikasi Untuk Indonesia ,
p. 2, 2008.
J. Santoni, “Implementasi Data Mining
Dengan Metode Market Basket Analysis,”
Teknologi Informasi dan Pendidikan , vol. 5,
p.2, Sep.2012.
R. S. Pressman, Software Engineering - A
Practitionar's Approach , 5th ed. McGrawHill International, 2001.