Implementasi Algoritme Modified-Apriori Untuk Menentukan Pola Penjualan Sebagai Strategi Penempatan Barang Dan Promo

  

Vol. 2, No. 10, Oktober 2018, hlm. 3829-3834 http://j-ptiik.ub.ac.id

Implementasi Algoritme Modified-Apriori Untuk Menentukan Pola

Penjualan Sebagai Strategi Penempatan Barang Dan Promo

_{1 2 3} Vania Nuraini Latifah , Muhammad Tanzil Furqon , Nurudin Santoso

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 3} Email: vanianuraini@student.ub.ac.i nurudin.santoso@ub.ac.id

  

Abstrak

  Pola penjualan merupakan salah satu cara yang dapat digunakan untuk menentukan strategi penjualan yang berupa penempatan barang dan promo, dengan melihat seberapa sering suatu barang dibeli secara bersamaan pada sebuah toko retail. Data mining digunakan untuk menganalisis data yang berukur besar untuk menemukan hubungan antara data dan dapat menghasil informasi yang berguna untuk pengguna. Sehingga pada penelitian ini menggunakan data transaksi penjualan untuk menentukan pola penjualan dengan menggunakan association rule dan algoritme Modified-Apriori. Association rule merupakan metode untuk mencari hubungan menarik yang tersembunyi dalam data yang besar dengan menggunakan perhitungan nilai support dan confidence. Algortime modified Apriori adalah pengembangan dari algoritme Apriori yang melakukan pencarian frequent itemset dengan proses penggabungan (join) dan pemangkasan (prune). Algortime Modified-Apriori menghasilkan efisiensi waktu yang lebih cepat dengan menggunakan hashMap dibandingkan dengan algoritme Apriori. Hasil dari penelitian ini didapatkan nilai minimum support tertinggi yaitu 9% dan nilai minimum confidence tertinggi yaitu 80%. Panjang itemset yang dihasilkan adalah 2-itemset dan 3-itemset. Pengujian dengan menggunakan lift ratio didapatkan rule yang memiliki nilai lebih dari 1.

  Kata kunci: data mining, association rule, Modified-Apriori, pola penjualan.

  

Abstract

Sales pattern is one of the methods that can be used to determine sales strategy such as the products

placement and promo, by seeing on how often an item purchased simultaneously in a retail store. Data

mining is used for analyzing the big data to find inter-data connection and to generate useful

informations for the users. So, this study used sales transaction data to determine sales pattern by using

association rule and algorithm Modified-Apriori. Association rule is a method used for finding unique

connection hid in big data by using the calculation of the value of support and confidence. Algorithm

modified Apriori is the development of the Apriori algorithm which searches frequent itemset and

joining and pruning process, then as a result, it produces faster time efficiency by using HashMap

technique instead of Apriori algorithm. The results obtained from this study are the highest value of the

minimum support is 9% and the highest value of minimum confidence is 80%. The length of the itemset

are 2-itemset and 3-itemset. Test which used lift ratio generates rule which has value of more than 1.

  Keywords: data mining, association rule, Modified-Apriori, sales pattern.

  retail sejenis lainnya.

1. PENDAHULUAN Transaksi yang banyak dalam satu hari pada

  sebuah toko retail membuat sebuah perusahaan Persaingan di dunia bisnis saat ini sulit untuk menentukan strategi penjualan yang khususnya pada bidang retail sangat berkembang baik dalam hal pembuatan paket promo yang pesat dengan ditunjukkan banyaknya berupa penggabungan (bundle) barang dan

  supermarket , minimarket dan toko swalayan

  penempatan barang. Strategi penjualan dapat yang ada saat ini. Untuk itu perusahaan dituntut dibuat dengan mengetahui kebiasaan konsumen membuat sebuah strategi penjualan yang dapat dalam membeli barang. Dengan strategi membantu meningkatkan angka penjualan penjualan tersebut diharapkan dapat sehingga dapat bersaing dengan perusahaan

  Fakultas Ilmu Komputer Universitas Brawijaya

2829 meningkatkan angka penjualan suatu toko retail.

  Algoritme Modified-Apriori adalah algoritme pengambilan data untuk mencari pola hubungan antar barang dengan aturan asosiatif sehingga didapatkan suatu kombinasi item. Algoritme Modified-Apriori ini akan cocok untuk diterapkan bila terdapat beberapa hubungan item yang ingin dianalisis. Salah satunya dapat diterapkan pada perusahaan retail untuk menganalisis keterkaitan antar barang pada data transaksi penjualan.

  Dari penelitian yang telah dilakukan sebelumnya yang ditulis oleh Kaushal Vyas, dan Shilpa (Vyas & Sherasiya, 2016), penelitian tersebut menggunakan algortime Modified- Apriori untuk menganalisis keterkaitan antar barang menggunakan data pola penjualan. Penelitian sejenis dilakukan oleh Ashish Shah

  algoritme Modified-Apriori ditunjukkan dari diagram alir pada Gambar 1.

  value untuk menyimpan data. Proses dari

  Modified-Apriori adalah hasil modifikasi dari algoritme Apriori untuk mencari pola hubungan antara satu atau lebih item dengan menggunakan teknik hash yang membagi dataset menjadi beberapa bagian (Vyas & Sherasiya, 2016). Teknik hash yang digunakan adalah HashMap dengan menggunakan key dan

  2.3. Modified-Apriori

  ( | ) = ℎ ℎ ⁽²⁾

  confidence dapat dilakukan dengan menggunakan Persamaan 2.

  menunjukkan hubungan antar 2-item yaitu seberapa sering item Y muncul didalam transaksi yang mengandung X (C, Baskoro, Ambarwati, & Wicaksana, 2013). Untuk mencari nilai

  2.2.2 Confidence Confidence adalah suatu nilai yang

  ( ∩ ) = ℎ ₍₁₎

  berada dari keseluruhan transaksi (C, Baskoro, Ambarwati, & Wicaksana, 2013). Untuk mencari nilai support digunakan Persamaan 1.

  itemset

  menggambarkan seberapa sering suatu item atau

  Support merupakan nilai yang

  dengan batasan yang telah ditentukan yaitu minimum support dan minimum confidence.

  confidence . Nilai tersebut akan dibandingkan

  . Digunakan nilai untuk menentukan association rule dengan menggunakan perhitungan nilai support dan

  rule berbentuk ^{if X then Y}

  mencari hubungan istimewa yang terdapat dalam data yang besar (C, Baskoro, Ambarwati, & Wicaksana, 2013). Implikasi dari association

  Association rule adalah metode untuk

  Dengan permasalahan tersebut, perusahaan harus mengetahui pola penjualan barang untuk mengetahui keterkaitan antar barang yang sering dibeli secara bersamaan. Dengan mengetahui pola penjualan dapat digunakan sebagai rekomendasi oleh perusahaan untuk menentukan strategi penempatan barang dan pembuatan promo. Dari masalah tersebut dibuatlah suatu sistem untuk mengetahui pola penjualan barang dengan menggunakan algoritme Modified- Apriori.

  Apriori untuk menganalisis keranjang belanja konsumen. Dari kedua penelitian yang telah dilakukan dapat disimpulkan bahwa algoritme Modified-Apriori cocok digunakan untuk menentukan pola penjualan dengan menganalisis keterkaitan antar barang yang sering dibeli secara bersamaan oleh konsumen.

  (Shah, 2016) dengan menggunakan Modified-

2. DASAR TEORI

2.2. Association Rule

2.2.1. Support

  Gambar 2. Diagram Alir Sistem Pola Penjualan Gambar 1. Diagram Alir Algoritme Modified- Apriori

  Berdasarkan diagram alir pada Gambar 2, alur dari sistem dimulai dengan menginputkan Modified-Apriori akan mengurangi jumlah data transaksi penjualan, minimum support dan iterasi untuk meningkatkan kinerja sistem. minimum confidence. Tujuan utama dari algoritme ini adalah untuk

  Proses pertama yaitu algoritme Modified- meningkatkan efisiensi dan mengurangi waktu Apriori, pada proses ini dilakukan untuk menghasilkan frequent itemsets. penggabungan (join) dari beberapa item dan

2.4. Lift Ratio

  memasukan kedalam HashMap sebagai key dan

  value kemudian dilakukan pemangkasan (prune)

  Nilai lift ratio digunakan untuk menentukan untuk item yang tidak memenuhi nilai minimum kekuatan dari rule. Rule dikatakan kuat jika support sesuai nilai yang telah diinputkan. memiliki nilai lift ratio lebih dari 1 (Santosa,

  Proses dari algoritme Modified-Apriori akan 2007). Nilai lift ratio dapat dihitung menghasilkan kandidat rule. menggunakan Persamaan 3.

  Proses kedua adalah pembentukan rule

  ( , )

  dengan menghitung nilai support dan

  (3) = ℎ ( , ) confidence . Proses pembentukan rule akan

  menghasilkan rule yang telah memenuhi nilai Nilai benchmark confidence dapat dihitung minimum confidence. menggunakan Persamaan 4.

  3.1. Halaman Antar Muka Utama ℎ ( , ) =

  

ℎ Antar muka halaman utama adalah antar

(4)

  muka yang digunakan untuk user menginputkan file, nilai minimun support dan confidence yang

3. IMPLEMENTASI

  akan digunakan sebagai batasan dalam menentukan pola penjualan. Pada antar muka Pada penelitian ini menggunakan Modified- halaman utama juga akan menampilkan data

  Apriori untuk menghasilkan sebuah rule yang pada tabel yang berisi nomer transaksi, item akan dijadikan sebagai pola penjualan. Data pembelian dan jumlah transaksi. Implementasi yang digunakan pada penelitian ini berjumlah antar muka halaman utama ditunjukkan pada 485 data transaksi penjualan. Proses dari sistem Gambar 3. pola penjualan ditunjukkan pada Gambar 2.

  Gambar 3. Halaman Antar Muka Utama

  Dari grafik pada Gambar 5. didapatkan hasil yaitu jumlah rule tertinggi dihasilkan dari minimum support terkecil yaitu 5% dan jumlah

  3 Dari hasil pengujian tersebut didapatkan hasil analisis yang ditunjukkan pada Gambar 6.

  6 5 80%

  Jumlah rule 1 40% 29 2 50% 18 3 60% 12 4 70%

  Pengujian Minimum confidence (%)

  Tabel 2. Pengujian pengaruh nilai minimum confidence

  nilai minimum confidence ditunjukkan pada Tabel 2.

  rule yang dihasilkan. Hasil pengujian pengaruh

  Pengujian nilai minimum confidence dilakukan dengan menginputkan 5 nilai minimum confidence yang berbeda dan nilai minimum support 5% untuk diketahui jumlah

  4.1.2. Pengujian Pengaruh Nilai Minimum Confidence terhadap Jumlah Rule

  dihasilkan dan sebaliknya semakin besar nilai minimum support maka semakin sedikit rule yang dihasilkan.

  support maka semakin banyak rule yang

  Sehingga semakin kecil nilai minimum

  rule terendah dihasilkan dari minimum support terbesar yaitu 9%.

  Gambar 5. Grafik Hasil Analisis Pengujian Pengaruh Nilai Minimum Support Terhadap Jumlah Rule

  3.2. Halaman Antar Muka Hasil

  2 Dari hasil pengujian tersebut didapatkan hasil analisis yang ditunjukkan pada Gambar 5.

  5 4 8% 3 5 9%

  18 2 6% 7 3 7%

  (%) Jumlah rule 1 5%

  Pengujian Minimum support

  Tabel 1. Pengujian Pengaruh Nilai Minimum Support Terhadap Jumlah Rule

  yang dihasilkan. Hasil pengujian pengaruh nilai minimum support ditunjukkan pada Tabel 1.

  confidence 50% untuk diketahui jumlah rule

  Pengujian nilai minimum support dilakukan dengan menginputkan 5 nilai minimum support yang berbeda dan nilai

  Support terhadap Jumlah Rule

  4.1. Pengujian Algoritme

  Gambar 4. Halaman Antar Muka Hasil 4. PENGUJIAN DAN ANALISIS

  Antar muka halaman hasil adalah antar muka yang digunakan untuk menampilkan hasil dari proses menentukan pola penjualan. Pada halaman ini ditampilkan nilai minimum support dan confidence dari inputan user pada halaman utama, waktu proses, jumlah rekomendasi, rule yang dihasilkan beserta nilai support, confidence dan nilai lift ratio dan hasil analisis. Implementasi antar muka halaman hasil ditunjukkan pada Gambar 4.

4.1.1. Pengujian Pengaruh Nilai Minimum

  Gambar 6. Grafik Hasil Analisis Pengaruh Nilai Minimum Support Terhadap Jumlah Rule

  support

  Care 3,006

  3,883 5 54,55% Soap → Laundry

  4 58,44% Soap → Tooth Care

  Care → Soap 3,883

  Shampoo → Soap 4,199 3 61,64% Tooth

  → Tooth Care 4,08 2 66,67% Hair

  Ratio 1 61,40% Hair Shampoo

  Tabel 4. Pengujian Lift Ratio Pengujian Confidence Rule Lift

  minimum support 7% dan minimum confidence 50% dan dihasilkan 5 rule. Hasil pengujian lift ratio ditunjukkan pada Tabel 4.

  lift ratio dilakukan dengan menggunakan nilai

  Pengujian lift ratio merupakan pengujian yang dilakukan terhadap rule yang terbentuk untuk mengetahui kekuatan dari rule. Pengujian

  4.2. Pengujian Lift Ratio

  yang digunakan maka semakin pendek panjang itemset yang dihasilkan dan sebaliknya semakin kecil nilai minimum support yang digunakan maka semakin panjang itemset yang dihasilkan.

  Sehingga semakin besar nilai minimum

  Dari grafik pada Gambar 6. didapatkan hasil yaitu jumlah rule tertinggi dihasilkan dengan minimum confidence terkecil yaitu 40% dan jumlah rule terendah dihasilkan dengan minimum confidence terbesar yaitu 80%.

  itemset terpendek dihasilkan dari minimum support tertinggi 9% yaitu 2-itemset.

  Dari grafik pada Gambar 7. didapatkan hasil pengujian yaitu panjang itemset terpanjang dihasilkan dengan minimum support terkecil yaitu 5% dengan panjang 3-itemset dan panjang

  Gambar 7. Grafik Hasil Analisis Pengaruh Nilai Minimum Support Terhadap Panjang Itemset

  Dari hasil pengujian tersebut didapatkan hasil analisis yang ditunjukkan pada Gambar 7.

  1 5% 3-itemset 2 6% 2-itemset 3 7% 2-itemset 4 8% 2-itemset 5 9% 2-itemset

  Panjang itemset

  Pengujian Minimum support (%)

  Tabel 3. Pengujian Pengaruh Nilai Minimum Support Terhadap Panjang Itemset

  Pengujian nilai minimum support terhadap panjang itemset dilakukan dengan menginputkan 5 nilai minimum support yang berbeda dan nilai minimum confidence 50% untuk diketahui panjang itemset yang dihasilkan. Hasil pengujian pengaruh nilai minimum support terhadap panjang itemset ditunjukkan pada Tabel 3.

  Support terhadap Panjang Itemset

  rule yang dihasilkan.

  yang dihasilkan dan sebaliknya semakin kecil nilai minimum confidence maka semakin banyak

  confidence maka semakin sedikit jumlah rule

  Sehingga semakin besar nlai minimum

4.1.3. Pengujian Pengaruh Nilai Minimum

  Dari hasil pengujian tersebut didapatkan analisis hasil pengujian lift ratio yang ditunjukkan pada Gambar 8.

  Iqbal, M. (2016). Pencarian Pola

  Vyas, K., & Sherasiya, S. (2016). Modified Apriori Algorithm Using Hash Based Technique. IJARIIE, 2(3), 1229-1234.

  Conference on Applied and Theoretical Computing and Communication Technology (iCATccT) , 747-752.

  Shah, A. (2016). Association Rule Mining with Modified Apriori Algorithm using Top down Approach. International

  International Conference on Uncertainty Reasoning and Knowledge Engineering , 196-199.

  Setiabudi, D. H., Budhi, G. S., Purnama, I. W., & Noertjahyana, A. (2011). Data Mining Market Basket Analysis’ Using Hybrid-Dimension Association Rules, Case Study in Minimarket X.

  Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu.

  461-464. Santosa, B. (2007). Data Mining: Teknik

  Conference on Information and Communication Technology (ICoICT) ,

  Nengsih, W. (2015). A Comparative Study on Market Basket Analysis and Apriori Association Technique. International

  Kecenderungan Pengambilan Mata Kuliah Menggunakan Algoritme Apriori. Malang: Universitas Brawijaya.

  Penerapan Metode Association Rule Menggunakan Algoritma Apriori Pada Simulasi Prediksi Hujan Wilayah Kota Bandung. Jurnal Ilmiah Teknologi Informasi Terapan , 221-227.

  Gambar 8. Grafik Hasil Analisis Lift Ratio Dari grafik pengujian pada Gambar 8.

  Fauzy, M., W, K. R., & Asror, I. (2016).

  C, A. D., Baskoro, D. A., Ambarwati, L., & Wicaksana, I. S. (2013). Belajar Data Mining dengan RapidMiner. Jakarta: -.

  6. DAFTAR PUSTAKA

  Terdapat saran yang dapat dilakukan untuk penelitian selanjutnya yaitu, menambahkan data yang digunakan sehingga dapat dihasilkan nilai minimum support yang lebih besar dan kombinasi dari panjang itemset yang lebih dari 3-itemset.

  2. Hasil dari penelitian ini memiliki nilai minimum support tertinggi yaitu 9% dan menghasilkan rule berjumlah 2. Minimum confidence tertinggi yaitu 80% dan mengjasilkan rule berjumlah 3. Panjang itemset yang terbentuk yaitu 2-itemset dan 3-itemset. Didapatkan rule yang memiliki nilai lift ratio lebih dari 1.

  Apriori untuk menentukan pola penjualan menggunakan teknik hash yaitu HashMap. Proses dari algoritme Modified-Apriori sama dengan proses pada algoritme Apriori, perbedaannya hanya pada saat pembentukan itemset. Pada Modified- Apriori penyimpanan itemset menggunakan key dan value dengan menggunakan HashMap sehingga menghasilkan waktu proses yang lebih cepat dibandingkan dengan menggunakan algoritme Apriori.

  Dari penelitian yang telah dilakukan untuk menentukan pola penjualan dengan menggunakan algoritme Modified-Apriori didapatkan beberapa kesimpulan sebagai berikut.

  Nilai confidence yang tinggi belum tentu menghasilkan nilai lift ratio yang tinggi, karena nilai lift ratio menggambarkan keseimbangan antara frekuensi kemunculan item secara independen dengan frekuensi kemunculan secara bersamaan sedangkan nilai confidence menggambarkan tingkat kepercayaan item pada rule tersebut muncul secara bersamaan.

  rekomendasi untuk penempatan barang dan promo.

  consequent yang kuat. Rule yang memiliki nilai lift ratio tinggi dapat digunakan sebagai

  didapatkan rule yang memiliki nilai lift ratio lebih dari 1. Hasil pengujian ini menunjukan bahwa semua rule yang dihasilkan memiliki keterikatan antara item antecedent dan