Penerapan Data Mining Untuk Memprediksi
PENERAPAN DATA MININGPADA PERUSAHAAN RITAIL PAKAIAN
UNTUK MEMPREDIKSI KETERSEDIAAN JENIS BARANG
DENGAN MENGGUNAKAN ALGORITMA FP-GROWTH
Elisabet Septyana Eka Enykawati, 115314011
Fakultas Sains dan Teknologi, Universitas Sanata Dharma Yogyakarta
ABSTRAK- Data mining merupakan salah satu proses yang digunakan untuk menemukan
informasi dalam sekumpulan data. Informasi yang dihasilkan tersebut berupa pola yang dapat
digunakan sebagai acuan dalam penentuan keputusan. Dalam data mining terdapat beberapa
teknik dimana penggunannya disesuaikan pada masalah yang ada. Pada permasalahan prediksi
jenis barang yang tersedia dalam perusahaan retail digunakan teknik association rule. Dalam
penelitian ini penulis menggunakan algoritma FP –Growth yang digunakan untuk membantu
dalam proses analisa dari sekumpulan data penjualan. Hasil akhir dari proses pengolahan data
penjualan adalah pola asosiasi. Pola asosiasi yang dimaksud adalah hubungan suatu barang
terjual bersamaan dengan barang apa dalam transaksi penjualan. Hasil analisa dari pola tersebut
dapat direkomendasikan kepada pemilik perusahaan sebagai acuan dalam pengambilan
keputusan dalam penyediaan jenis barang untuk meningkatkan penjualan.
Kata kunci : data mining, algoritma asosiasi, FP-Growth.
I. PENDAHULUAN
a. Latar Belakang
Perkembangan teknologi informasi
yang berpengaruh besar pada pertumbuhan
bisnis
Perusahaan
bersaing
untuk
menciptakan inovasi baru untuk menarik
masyarakat. Aset utama dari sebuah
perusahaan tersebut adalah kepuasan
konsumen terhadap ketersediaan produk
yang ada. Tidak tersedianya barang yang di
cari berpengaruh pada kepuasan konsumen
serta pendapatan perusahaan. Oleh karena
itu dibutuhkan suatu prediksi untuk
mengetahui jenis barang yang harus tersedia
dalam perusahaan. Prediksi jenis barang
yang harus tersedia dapat diketahui dengan
mengamati data transaksi penjualan. Di
dalam data mining terdapat beberapa teknik
salah satunya adalah teknik association rule.
Teknik association rule dapat memberikan
gambaran / pola – pola tertentu yang sering
muncul bersamaan.Dalam teknik association
rule terdapat sebuah algoritma FP –Growth
yang dapat digunakan menentukan prediksi
jenis barang yang harus tersedia .
Algoritma FP –Growth merupakan
pengembangan dari algoritma apriori.
Algoritma apriori membutuhkan scanning
data berulang untuk menentukan frequent
itemset. Algoritma FP –Growth yang hanya
membutuhkan sebanyak dua kali scanning
untuk menentukan frequent itemset. Dalam
menentukan frequent Itemset pada algoritma
FP –Growth digunakan pohon prefix yang
biasa disebut FP –tree. Penggunaan FP –tree
akan mempercepat dalam proses penentuan
frequent Itemset. Apabila frequent Itemset
tersebut memiliki nilai kurang dari min_sup,
maka frequent Itemset tidak akan digunakan.
Selanjutnya frequent Itemset yang berada
di atas min_sup maupun sama dengan
min_sup digunakan. Hasil akhir dari proses
tersebut berupa pola produk yang sering
dibeli oleh konsumen.
b. Rumusan Masalah
1. Bagaimana menerapkan algoritma FPGrowth
dalam memprediksi jenis
barang yang harus tersedia pada
perusahaan XYZ ?
2. Apakah penerapan dari algoritma FPGrowth dapat memberikan hasil yang
akurat dalam memprediksi jenis barang
yang harus tersedia dalam perusahaan
XYZ tersebut ?
c. Tujuan Penelitian
1. Membantu perusahaan XYZ dalam
memprediksi jenis barang yang harus
tersedia dengan menggunakan algoritma
FP- Growth
2. Menguji keakuratan algoritma FPGrowth dalam jenis barang yang harus
tersedia dalam perusahaan XYZ.
d. Batasan Masalah
1. Data yang digunakan adalah data
transaksi penjualan perusahaan XYZ
yang bergerak di bidang retail.
2. Data awal barang disumsikan dengan
jumlah 200.
3. Teknik Asosiasi yang digunakan untuk
analisis data yaitu menggunakan
algoritma FP – Growth
e. Metode Penelitian
Penelitian
ini
digunakan
beberapa
metodologi penelitian yaitu :
1. Metode Pengumpulan Data
2. Metode Analisis Data
II. LANDASAN TEORI
a. Pengertian Data Mining
Data mining
adalah proses
mengolah data, dimana data sebagai
masukan yang diproses akan menghasilkan
output yang tidak hanya berisi informasi
namun ada sebuah pengetahuan yang dapat
di ambil. Dari pengetahuan yang didapatkan
akan diolah menjadi wisdom yang sangat
bermanfaat.
b. Proses Data Mining
Gambar 2. 1 Proses Data Mining (Jiawei
Han,2011)
Data
Cleaning
yaitu
proses
menghilangkan noise dan data yang tidak
konsisten. Data Integration yaitu proses
dimana data dari berbagai sumber
digabungkan. Data Selection yaitu proses
penyeleksian data yang akan digunakan.
Data Transformation yaitu proses data
ditransformasikan dan digabungkan ke
dalam sebuah bentuk yang sesuai dengan
data mining. Data mining yaitu proses
mencari pola atau informasi dalam data.
Evaluation yaitu penerjemahan pola yang
dihasilkan dari data mining. Knowledge
Presentation yaitu proses visualisasi yang
digunakan untuk memberikan gambaran
pada pihak yang terkait.
c. Algoritma Frequent Pattern Growth
Algoritma
FP-Growth
adalah
algoritma yang menggunakan teknik
association rule. Algoritma ini lebih cepat
daripada algoritma apriori. Pada algoritma
apriori dilakukan iterasi secara berulang kali
sehingga membutuhkan waktu yang lama
untuk menyelesaikan. Algoritma apriori
tidak dapat menangani data yang besar,
sehingga algoritma FP-Growth dapat
dijadikan sebagai solusi bagi permasalahan
pada algoritma apriori yaitu masalah
candidate set generation and test.
Beberapa istilah dalam algoritma
FP-Growth :
: kumpulan dari
1.
item – item yang ada dalam transaksi
database
2.
: transaksi yang
ada dalam database dimana
merupakan
transaksi
yang
mengandung item yang berada pada I.
3. Support dari pattern A adalah angka dari
transaksi yang mengandung item A di
dalam DB.
4. A merupakan sebuah frequent pattern
jika nilai dari support A tidak kurang
dari min_sup yang telah ditentukan
sebelumnya.
Dalam algoritma FP-Growth dikenal
pula istilah frequent pattern tree( FP-tree)
yaitu struktur pohon prefix yang digunakan
untuk mendesain struktur frequent pattern
mining secara efisien. Setiap node pada
pohon diisi dengan 1 item. Setiap anak dari
node merepresentasikan item yang berbeda
dengan item yang ada pada induk. Sebuah
root dalam pohon diinisialisasikan dengan
nilai null. Dengan menggunakan FP-Tree,
algoritma FP-growth dapat langsung
mengekstrak frequent Itemset.
Langkah algoritma FP-growth :
1. Menentukan min_sup yang akan
digunakan untuk menentukan rule.
2. Melakukan scanning pada data untuk
mendapatkan frekuensi item.
3. Seleksi item yang memiliki count kurang
dari min_sup yang telah ditentukan.
Item yang sesuai min_sup disimpan
dalam list L, dan lakukan sorting secara
descending.
4. Membentuk root FP-Tree yang diberi
nilai dengan “null”.
5. Scan yang kedua untuk cabang dari FPTree sesuai dengan urutan transaksi pada
list L. Nilai indeks dari item tersebut
akan bertambah 1 apabila item sudah ada
pada transaksi sebelumnya, apabila item
belum ada pada transaksi sebelumnya
akan membentuk cabang baru.
6. Berdasarkan
list L pisahkan tiap
frequent itemsets tanpa pengulangan.
7. Mengalisa FP-Tree yang telah terbentuk
dengan cara mencari frequent itemsets
yang mengandung nilai ai lalu setarakan
nilai frequent itemsets dengan nilai ai.
Jumlahkan kedua nilai support frequent
itemsets yang sama. Nilai yang diatas
maupun sama dengan min_ sup lah yang
menjadi rule. Lakukan berulang untuk
semua subset yang ada pada FP-Tree.
d. Lift Ratio
Lift Ratio merupakan ukuran yang
digunakan
untuk
mengukur
tingkat
keakuratan sebuah rule yang dihasilkan dari
proses asosiasi.
Istilah yang digunakan dalam Lift
Ratio adalah sebagai berikut :
a. Antecedent adalah sebab. Antecedent
adalah item yang menjadikan item
consequent.
b. Consequent adalah akibat. Consequent
item barang yang dibeli karena suatu
barang telah dibeli.
Dimanaconfidence :
∑
∑
Antecedent
disimbolkan
dengan
A
sedangkan consequent disimbolkan dengan
C
Sedangkan expected confidence :
∑
∑
Nilai dari Lift Ratio dapat dibaca
sebagai berikut :
a. Lift Ratio > 1 maka A dan C muncul
lebih sering dari yang diharapkan
b. Lift Ratio = 1 maka A dan C muncul
hampir selalu bersamaan
c. Lift Ratio< 1 maka A dan C muncul
lebih jarang dari yang diharapkan
III. ANALISA DAN PEMBAHASAN
Pengujian dilakukan pada data transaksi
selama 3 hari yang memiliki jumlah item
dan jumlah data transaksi yang berbeda.
Pengujian
dilakukan
dengan
menggunakan min_sup 1.5 % dari total
transaksi yang ada
Tabel 3.1 Hasil proses tanggal 1
untuk menjalankan proses tersebut adalah 2
detik.
Tabel 3.3 Hasil proses tanggal 3
Pada saat peneliti data transaksi tanggal 1
April 2015 dengan jumlah data transaksi
sebanyak 2245 dan jenis barang sebanyak
91
terdapat empat buah rule yang
dihasilkan. Dari keempat rule yang
dihasilkan terdapat satu buah rule yang
memiliki nilai keakuratan tinggi yaitu
kode K.KAKI(640) dan ACC(700) dengan
support kedua barang tersebut adalah 0.56
persen, besar confidence adalah 0.589 ,besar
nilai lift ratio adalah 4.08119. Waktu yang
dibutuhkan untuk melakukan proses tersebut
adalah 2 detik.
Tabel 3.2 Hasil proses tanggal 2
Pada saat peneliti data transaksi tanggal 3
April 2015 dengan jumlah data transaksi
sebanyak 2684 dan jenis barang sebanyak
91 terdapat 7 buah rule yang dihasilkan.
Dari ketujuh rule yang dihasilkan terdapat
satu buah rule yang memiliki nilai
keakuratan tinggi yaitu adalah kode
K.KAKI(640)
dan ACC(700) dengan
support kedua barang tersebut adalah 0.52
persen, besar confidence adalah 0.553, besar
nilai lift ratio adalah 3.92659. Waktu yang
dibutuhkan untuk melakukan proses tersebut
adalah 3 detik
Tabel 3.4 Rule dengan nilai keakuratan
tinggi
Pada saat peneliti data transaksi tanggal 2
April 2015 dengan jumlah data transaksi
sebanyak 2450 dan jenis barang sebanyak
89 terdapat 6 buah rule yang dihasilkan.
Dari keenam rule yang dihasilkan terdapat
satu buah rule yang memiliki nilai
keakuratan tinggi yaitu K.KAKI(640) dan
ACC(700) dengan support kedua barang
tersebut adalah 0.34
persen, besar
confidence adalah 0.415, besar nilai lift ratio
adalah 3.23806. Waktu yang dibutuhkan
Dari beberapa uji coba yang telah
dilakukan terdapat sebuah rule yang selalu
memiliki nilai keakuratan tinggi yaitu
barang K.KAKI(640) dengan ACC(700).
Melalui nilai keakuratan data tersebut dapat
dijadikan sebagai prediksi dalam penyediaan
barang dalam perusahaan tersebut.
Ketika tanggal 1 April 2015 rule yang
memiliki nilai akurasi tinggi adalah
K.KAKI(640) dan ACC(700).
Di
asumsikan jumlah dari masing – masing
jenis barang adalah 200. Pada tanggal
tersebut penjualan K.KAKI(640) adalah
sebesar 56 sehingga memiliki sisa item 144,
sedangkan penjualan item ACC(700) adalah
sebesar 165 sehingga memiliki sisa item 35.
Pada tanggal 2 April 2015 rule tersebut
juga memiliki tingkat keakuratan tertinggi.
Penjualan K.KAKI(640) adalah sebesar 34 ,
sisa item dari hari sebelumnya adalah 144,
sehingga memiliki sisa item pada tanggal 2
adalah 110, sedangkan penjualan item
ACC(700) adalah sebesar 139 namun sisa
item pada tanggal sebelumnya hanya 35.
Oleh karena itu dilakukan penambahan item
sebesar 200 seperti stok awal, sehingga sisa
dari item tersebut adalah 96.
Pada tanggal 3 April 2015 rule tersebut
juga memiliki tingkat keakuratan tertinggi.
Penjualan K.KAKI(640) adalah sebesar 52 ,
sisa item dari hari sebelumnya adalah 110,
sehingga memiliki sisa item pada tanggal 3
adalah 58, sedangkan penjualan item
ACC(700) adalah sebesar 252 namun sisa
item pada tanggal sebelumnya hanya 96.
Oleh karena itu dilakukan penambahan item
sebesar 200 seperti stok awal, sehingga sisa
dari item tersebut adalah 44.
Dengan melihat penjelasan di atas, rule
yang dihasilkan dari proses asosiasi sangat
membantu perusahaan untuk menentukan
jenis barang apa yang harus ditambahkan.
Seperti hasil di atas, jenis ACC(700) selalu
membutuhkan penambahan barang untuk
hari berikutnya sesuai dengan hasil yang
telah diprediksi.
IV. KESIMPULAN DAN SARAN
Kesimpulan yang dapat diambil dari
penelitian ini adalah :
1. Algoritma Frequent Pattern Growth
(FP-Growth) dapat digunakan untuk
melakukan pendekteksian jenis barang
yang harus tersedia. Dengan melihat rule
yang dihasilkan dari proses asosiasi
dalam uji coba, item - item yang ada
merupakan sebuah prediksi item akan di
beli di kemudian hari. Item tersebut yang
harus di prioritaskan untuk di sediakan
dalam perusahaan tersebut.
2. Nilai dari min_sup berpengaruh pada
pola yang dihasilkan. Semakin tinggi
nilai min_sup semakin sedikit rule yang
dihasilkan, semakin kecil min_sup maka
rule yang dihasilkan semakin banyak.
3. Besar nilai support dan confidence
berpengaruh
pada
keakuratan
menggunakan lift ratio. Ketika suatu
rule memiliki support yang tinggi dan
confidence yang tinggi maka rule
tersebut memiliki tingkat akurasi yang
besar, rule tersebut dapat dijadikan
sebagai prediksi. Apabila suatu rule
memiliki support yang rendah dan
confidence yang rendah maka rule
tersebut memiliki tingkat akurasi yang
rendah yaitu memiliki nilai kurang dari
1, dan rule tersebut tidak dapat dijadikan
sebagai prediksi. Sedangkan Apabila
suatu rule memiliki support yang rendah
dan confidence yang tinggi maka rule
tersebut kemungkinan memiliki nilai
akurasi yang tinggi dan dapat dijadikan
sebagai prediksi.
4. Waktu
yang
dibutuhkan
untuk
menyelesaikan proses bergantung pada
jumlah transaksi. Semakin banyak data
transaksi dan semakin kecil min_sup
maka waktu yang dibutuhkan semakin
besar.
Saran yag dapat penulis sampaikan
untuk penelitian ini adalah :
1. Penulis berharap agar sistem ini
dapat dikembangkan sehingga dapat
digunakan dengan data yang berasal
dari luar database seperti .csv, dll
2. Penulis berharap agar sistem ini
dikembangkan
agar
dapat
menggunakan data transaksi dalam
database lebih dari satu tabel.
DAFTAR PUSTAKA
Agrawal,Rakesh,Ramakrishnan,
Srikant.
Fast
Algoritms
for
Mining
Association Rules, IBM Almaden
Research Center 650 Harry Road,
Sn Jose, CA 95120
Han, J dan Kamber, M. 21001. Data Mining
: Concepts and Techniques.
Morgan Kaufman. San Fransisco.
Han,J.,Pie, J., Y,Yin. 2000.Mining Frequent
Patterns
without
Candidate
Generation, School of Computing
Science Simon Fraser University.
Hill,Mc Graw. 2007 The
Reference Java Seventh Edition.
Fomby
Complete
Tom. July 2013. Association
Rules(Aka Affinity Analysis or
Market
Basket
Analysis).
Department
of
Economics
Southern Methodist University
Dallas, Texas 75275.
Tim Dosen USD. Quick Sort dan Merge
Sort. Jurusan Teknik Informatika USD
McNicholas.P.D., T.B. Murphy, M.
O’Regan. Standardising the Lift of
an Association Rule. Department
of Statistic, Trinity College Dublin,
Ireland.
Sudiadiarta, I Gede, Market Basket Analysis
Menggunakan Algoritma Frequent
Pattern
Growth(FP-Growth)
Untuk
Situs
E-Commerce.
Universitas
Sanata
Dharma
Yogyakarta : Skripsi, 2006
Nurdiyanto, Amin. Penenerapan Algoritma
Apriori Untuk Pencarian Pola
Asosiasi Barang Pada Data
Transaksi Penjualan(Studi Kasus
Pada Toko “Kafe Swalayan”).
Universitas
Sanata
Dharma
Yogyakarta : Skripsi : 2009.
www.solver.com/association-rules-example
https://en.m.wikipedia.org/wiki/Lift_(data_
mning)
UNTUK MEMPREDIKSI KETERSEDIAAN JENIS BARANG
DENGAN MENGGUNAKAN ALGORITMA FP-GROWTH
Elisabet Septyana Eka Enykawati, 115314011
Fakultas Sains dan Teknologi, Universitas Sanata Dharma Yogyakarta
ABSTRAK- Data mining merupakan salah satu proses yang digunakan untuk menemukan
informasi dalam sekumpulan data. Informasi yang dihasilkan tersebut berupa pola yang dapat
digunakan sebagai acuan dalam penentuan keputusan. Dalam data mining terdapat beberapa
teknik dimana penggunannya disesuaikan pada masalah yang ada. Pada permasalahan prediksi
jenis barang yang tersedia dalam perusahaan retail digunakan teknik association rule. Dalam
penelitian ini penulis menggunakan algoritma FP –Growth yang digunakan untuk membantu
dalam proses analisa dari sekumpulan data penjualan. Hasil akhir dari proses pengolahan data
penjualan adalah pola asosiasi. Pola asosiasi yang dimaksud adalah hubungan suatu barang
terjual bersamaan dengan barang apa dalam transaksi penjualan. Hasil analisa dari pola tersebut
dapat direkomendasikan kepada pemilik perusahaan sebagai acuan dalam pengambilan
keputusan dalam penyediaan jenis barang untuk meningkatkan penjualan.
Kata kunci : data mining, algoritma asosiasi, FP-Growth.
I. PENDAHULUAN
a. Latar Belakang
Perkembangan teknologi informasi
yang berpengaruh besar pada pertumbuhan
bisnis
Perusahaan
bersaing
untuk
menciptakan inovasi baru untuk menarik
masyarakat. Aset utama dari sebuah
perusahaan tersebut adalah kepuasan
konsumen terhadap ketersediaan produk
yang ada. Tidak tersedianya barang yang di
cari berpengaruh pada kepuasan konsumen
serta pendapatan perusahaan. Oleh karena
itu dibutuhkan suatu prediksi untuk
mengetahui jenis barang yang harus tersedia
dalam perusahaan. Prediksi jenis barang
yang harus tersedia dapat diketahui dengan
mengamati data transaksi penjualan. Di
dalam data mining terdapat beberapa teknik
salah satunya adalah teknik association rule.
Teknik association rule dapat memberikan
gambaran / pola – pola tertentu yang sering
muncul bersamaan.Dalam teknik association
rule terdapat sebuah algoritma FP –Growth
yang dapat digunakan menentukan prediksi
jenis barang yang harus tersedia .
Algoritma FP –Growth merupakan
pengembangan dari algoritma apriori.
Algoritma apriori membutuhkan scanning
data berulang untuk menentukan frequent
itemset. Algoritma FP –Growth yang hanya
membutuhkan sebanyak dua kali scanning
untuk menentukan frequent itemset. Dalam
menentukan frequent Itemset pada algoritma
FP –Growth digunakan pohon prefix yang
biasa disebut FP –tree. Penggunaan FP –tree
akan mempercepat dalam proses penentuan
frequent Itemset. Apabila frequent Itemset
tersebut memiliki nilai kurang dari min_sup,
maka frequent Itemset tidak akan digunakan.
Selanjutnya frequent Itemset yang berada
di atas min_sup maupun sama dengan
min_sup digunakan. Hasil akhir dari proses
tersebut berupa pola produk yang sering
dibeli oleh konsumen.
b. Rumusan Masalah
1. Bagaimana menerapkan algoritma FPGrowth
dalam memprediksi jenis
barang yang harus tersedia pada
perusahaan XYZ ?
2. Apakah penerapan dari algoritma FPGrowth dapat memberikan hasil yang
akurat dalam memprediksi jenis barang
yang harus tersedia dalam perusahaan
XYZ tersebut ?
c. Tujuan Penelitian
1. Membantu perusahaan XYZ dalam
memprediksi jenis barang yang harus
tersedia dengan menggunakan algoritma
FP- Growth
2. Menguji keakuratan algoritma FPGrowth dalam jenis barang yang harus
tersedia dalam perusahaan XYZ.
d. Batasan Masalah
1. Data yang digunakan adalah data
transaksi penjualan perusahaan XYZ
yang bergerak di bidang retail.
2. Data awal barang disumsikan dengan
jumlah 200.
3. Teknik Asosiasi yang digunakan untuk
analisis data yaitu menggunakan
algoritma FP – Growth
e. Metode Penelitian
Penelitian
ini
digunakan
beberapa
metodologi penelitian yaitu :
1. Metode Pengumpulan Data
2. Metode Analisis Data
II. LANDASAN TEORI
a. Pengertian Data Mining
Data mining
adalah proses
mengolah data, dimana data sebagai
masukan yang diproses akan menghasilkan
output yang tidak hanya berisi informasi
namun ada sebuah pengetahuan yang dapat
di ambil. Dari pengetahuan yang didapatkan
akan diolah menjadi wisdom yang sangat
bermanfaat.
b. Proses Data Mining
Gambar 2. 1 Proses Data Mining (Jiawei
Han,2011)
Data
Cleaning
yaitu
proses
menghilangkan noise dan data yang tidak
konsisten. Data Integration yaitu proses
dimana data dari berbagai sumber
digabungkan. Data Selection yaitu proses
penyeleksian data yang akan digunakan.
Data Transformation yaitu proses data
ditransformasikan dan digabungkan ke
dalam sebuah bentuk yang sesuai dengan
data mining. Data mining yaitu proses
mencari pola atau informasi dalam data.
Evaluation yaitu penerjemahan pola yang
dihasilkan dari data mining. Knowledge
Presentation yaitu proses visualisasi yang
digunakan untuk memberikan gambaran
pada pihak yang terkait.
c. Algoritma Frequent Pattern Growth
Algoritma
FP-Growth
adalah
algoritma yang menggunakan teknik
association rule. Algoritma ini lebih cepat
daripada algoritma apriori. Pada algoritma
apriori dilakukan iterasi secara berulang kali
sehingga membutuhkan waktu yang lama
untuk menyelesaikan. Algoritma apriori
tidak dapat menangani data yang besar,
sehingga algoritma FP-Growth dapat
dijadikan sebagai solusi bagi permasalahan
pada algoritma apriori yaitu masalah
candidate set generation and test.
Beberapa istilah dalam algoritma
FP-Growth :
: kumpulan dari
1.
item – item yang ada dalam transaksi
database
2.
: transaksi yang
ada dalam database dimana
merupakan
transaksi
yang
mengandung item yang berada pada I.
3. Support dari pattern A adalah angka dari
transaksi yang mengandung item A di
dalam DB.
4. A merupakan sebuah frequent pattern
jika nilai dari support A tidak kurang
dari min_sup yang telah ditentukan
sebelumnya.
Dalam algoritma FP-Growth dikenal
pula istilah frequent pattern tree( FP-tree)
yaitu struktur pohon prefix yang digunakan
untuk mendesain struktur frequent pattern
mining secara efisien. Setiap node pada
pohon diisi dengan 1 item. Setiap anak dari
node merepresentasikan item yang berbeda
dengan item yang ada pada induk. Sebuah
root dalam pohon diinisialisasikan dengan
nilai null. Dengan menggunakan FP-Tree,
algoritma FP-growth dapat langsung
mengekstrak frequent Itemset.
Langkah algoritma FP-growth :
1. Menentukan min_sup yang akan
digunakan untuk menentukan rule.
2. Melakukan scanning pada data untuk
mendapatkan frekuensi item.
3. Seleksi item yang memiliki count kurang
dari min_sup yang telah ditentukan.
Item yang sesuai min_sup disimpan
dalam list L, dan lakukan sorting secara
descending.
4. Membentuk root FP-Tree yang diberi
nilai dengan “null”.
5. Scan yang kedua untuk cabang dari FPTree sesuai dengan urutan transaksi pada
list L. Nilai indeks dari item tersebut
akan bertambah 1 apabila item sudah ada
pada transaksi sebelumnya, apabila item
belum ada pada transaksi sebelumnya
akan membentuk cabang baru.
6. Berdasarkan
list L pisahkan tiap
frequent itemsets tanpa pengulangan.
7. Mengalisa FP-Tree yang telah terbentuk
dengan cara mencari frequent itemsets
yang mengandung nilai ai lalu setarakan
nilai frequent itemsets dengan nilai ai.
Jumlahkan kedua nilai support frequent
itemsets yang sama. Nilai yang diatas
maupun sama dengan min_ sup lah yang
menjadi rule. Lakukan berulang untuk
semua subset yang ada pada FP-Tree.
d. Lift Ratio
Lift Ratio merupakan ukuran yang
digunakan
untuk
mengukur
tingkat
keakuratan sebuah rule yang dihasilkan dari
proses asosiasi.
Istilah yang digunakan dalam Lift
Ratio adalah sebagai berikut :
a. Antecedent adalah sebab. Antecedent
adalah item yang menjadikan item
consequent.
b. Consequent adalah akibat. Consequent
item barang yang dibeli karena suatu
barang telah dibeli.
Dimanaconfidence :
∑
∑
Antecedent
disimbolkan
dengan
A
sedangkan consequent disimbolkan dengan
C
Sedangkan expected confidence :
∑
∑
Nilai dari Lift Ratio dapat dibaca
sebagai berikut :
a. Lift Ratio > 1 maka A dan C muncul
lebih sering dari yang diharapkan
b. Lift Ratio = 1 maka A dan C muncul
hampir selalu bersamaan
c. Lift Ratio< 1 maka A dan C muncul
lebih jarang dari yang diharapkan
III. ANALISA DAN PEMBAHASAN
Pengujian dilakukan pada data transaksi
selama 3 hari yang memiliki jumlah item
dan jumlah data transaksi yang berbeda.
Pengujian
dilakukan
dengan
menggunakan min_sup 1.5 % dari total
transaksi yang ada
Tabel 3.1 Hasil proses tanggal 1
untuk menjalankan proses tersebut adalah 2
detik.
Tabel 3.3 Hasil proses tanggal 3
Pada saat peneliti data transaksi tanggal 1
April 2015 dengan jumlah data transaksi
sebanyak 2245 dan jenis barang sebanyak
91
terdapat empat buah rule yang
dihasilkan. Dari keempat rule yang
dihasilkan terdapat satu buah rule yang
memiliki nilai keakuratan tinggi yaitu
kode K.KAKI(640) dan ACC(700) dengan
support kedua barang tersebut adalah 0.56
persen, besar confidence adalah 0.589 ,besar
nilai lift ratio adalah 4.08119. Waktu yang
dibutuhkan untuk melakukan proses tersebut
adalah 2 detik.
Tabel 3.2 Hasil proses tanggal 2
Pada saat peneliti data transaksi tanggal 3
April 2015 dengan jumlah data transaksi
sebanyak 2684 dan jenis barang sebanyak
91 terdapat 7 buah rule yang dihasilkan.
Dari ketujuh rule yang dihasilkan terdapat
satu buah rule yang memiliki nilai
keakuratan tinggi yaitu adalah kode
K.KAKI(640)
dan ACC(700) dengan
support kedua barang tersebut adalah 0.52
persen, besar confidence adalah 0.553, besar
nilai lift ratio adalah 3.92659. Waktu yang
dibutuhkan untuk melakukan proses tersebut
adalah 3 detik
Tabel 3.4 Rule dengan nilai keakuratan
tinggi
Pada saat peneliti data transaksi tanggal 2
April 2015 dengan jumlah data transaksi
sebanyak 2450 dan jenis barang sebanyak
89 terdapat 6 buah rule yang dihasilkan.
Dari keenam rule yang dihasilkan terdapat
satu buah rule yang memiliki nilai
keakuratan tinggi yaitu K.KAKI(640) dan
ACC(700) dengan support kedua barang
tersebut adalah 0.34
persen, besar
confidence adalah 0.415, besar nilai lift ratio
adalah 3.23806. Waktu yang dibutuhkan
Dari beberapa uji coba yang telah
dilakukan terdapat sebuah rule yang selalu
memiliki nilai keakuratan tinggi yaitu
barang K.KAKI(640) dengan ACC(700).
Melalui nilai keakuratan data tersebut dapat
dijadikan sebagai prediksi dalam penyediaan
barang dalam perusahaan tersebut.
Ketika tanggal 1 April 2015 rule yang
memiliki nilai akurasi tinggi adalah
K.KAKI(640) dan ACC(700).
Di
asumsikan jumlah dari masing – masing
jenis barang adalah 200. Pada tanggal
tersebut penjualan K.KAKI(640) adalah
sebesar 56 sehingga memiliki sisa item 144,
sedangkan penjualan item ACC(700) adalah
sebesar 165 sehingga memiliki sisa item 35.
Pada tanggal 2 April 2015 rule tersebut
juga memiliki tingkat keakuratan tertinggi.
Penjualan K.KAKI(640) adalah sebesar 34 ,
sisa item dari hari sebelumnya adalah 144,
sehingga memiliki sisa item pada tanggal 2
adalah 110, sedangkan penjualan item
ACC(700) adalah sebesar 139 namun sisa
item pada tanggal sebelumnya hanya 35.
Oleh karena itu dilakukan penambahan item
sebesar 200 seperti stok awal, sehingga sisa
dari item tersebut adalah 96.
Pada tanggal 3 April 2015 rule tersebut
juga memiliki tingkat keakuratan tertinggi.
Penjualan K.KAKI(640) adalah sebesar 52 ,
sisa item dari hari sebelumnya adalah 110,
sehingga memiliki sisa item pada tanggal 3
adalah 58, sedangkan penjualan item
ACC(700) adalah sebesar 252 namun sisa
item pada tanggal sebelumnya hanya 96.
Oleh karena itu dilakukan penambahan item
sebesar 200 seperti stok awal, sehingga sisa
dari item tersebut adalah 44.
Dengan melihat penjelasan di atas, rule
yang dihasilkan dari proses asosiasi sangat
membantu perusahaan untuk menentukan
jenis barang apa yang harus ditambahkan.
Seperti hasil di atas, jenis ACC(700) selalu
membutuhkan penambahan barang untuk
hari berikutnya sesuai dengan hasil yang
telah diprediksi.
IV. KESIMPULAN DAN SARAN
Kesimpulan yang dapat diambil dari
penelitian ini adalah :
1. Algoritma Frequent Pattern Growth
(FP-Growth) dapat digunakan untuk
melakukan pendekteksian jenis barang
yang harus tersedia. Dengan melihat rule
yang dihasilkan dari proses asosiasi
dalam uji coba, item - item yang ada
merupakan sebuah prediksi item akan di
beli di kemudian hari. Item tersebut yang
harus di prioritaskan untuk di sediakan
dalam perusahaan tersebut.
2. Nilai dari min_sup berpengaruh pada
pola yang dihasilkan. Semakin tinggi
nilai min_sup semakin sedikit rule yang
dihasilkan, semakin kecil min_sup maka
rule yang dihasilkan semakin banyak.
3. Besar nilai support dan confidence
berpengaruh
pada
keakuratan
menggunakan lift ratio. Ketika suatu
rule memiliki support yang tinggi dan
confidence yang tinggi maka rule
tersebut memiliki tingkat akurasi yang
besar, rule tersebut dapat dijadikan
sebagai prediksi. Apabila suatu rule
memiliki support yang rendah dan
confidence yang rendah maka rule
tersebut memiliki tingkat akurasi yang
rendah yaitu memiliki nilai kurang dari
1, dan rule tersebut tidak dapat dijadikan
sebagai prediksi. Sedangkan Apabila
suatu rule memiliki support yang rendah
dan confidence yang tinggi maka rule
tersebut kemungkinan memiliki nilai
akurasi yang tinggi dan dapat dijadikan
sebagai prediksi.
4. Waktu
yang
dibutuhkan
untuk
menyelesaikan proses bergantung pada
jumlah transaksi. Semakin banyak data
transaksi dan semakin kecil min_sup
maka waktu yang dibutuhkan semakin
besar.
Saran yag dapat penulis sampaikan
untuk penelitian ini adalah :
1. Penulis berharap agar sistem ini
dapat dikembangkan sehingga dapat
digunakan dengan data yang berasal
dari luar database seperti .csv, dll
2. Penulis berharap agar sistem ini
dikembangkan
agar
dapat
menggunakan data transaksi dalam
database lebih dari satu tabel.
DAFTAR PUSTAKA
Agrawal,Rakesh,Ramakrishnan,
Srikant.
Fast
Algoritms
for
Mining
Association Rules, IBM Almaden
Research Center 650 Harry Road,
Sn Jose, CA 95120
Han, J dan Kamber, M. 21001. Data Mining
: Concepts and Techniques.
Morgan Kaufman. San Fransisco.
Han,J.,Pie, J., Y,Yin. 2000.Mining Frequent
Patterns
without
Candidate
Generation, School of Computing
Science Simon Fraser University.
Hill,Mc Graw. 2007 The
Reference Java Seventh Edition.
Fomby
Complete
Tom. July 2013. Association
Rules(Aka Affinity Analysis or
Market
Basket
Analysis).
Department
of
Economics
Southern Methodist University
Dallas, Texas 75275.
Tim Dosen USD. Quick Sort dan Merge
Sort. Jurusan Teknik Informatika USD
McNicholas.P.D., T.B. Murphy, M.
O’Regan. Standardising the Lift of
an Association Rule. Department
of Statistic, Trinity College Dublin,
Ireland.
Sudiadiarta, I Gede, Market Basket Analysis
Menggunakan Algoritma Frequent
Pattern
Growth(FP-Growth)
Untuk
Situs
E-Commerce.
Universitas
Sanata
Dharma
Yogyakarta : Skripsi, 2006
Nurdiyanto, Amin. Penenerapan Algoritma
Apriori Untuk Pencarian Pola
Asosiasi Barang Pada Data
Transaksi Penjualan(Studi Kasus
Pada Toko “Kafe Swalayan”).
Universitas
Sanata
Dharma
Yogyakarta : Skripsi : 2009.
www.solver.com/association-rules-example
https://en.m.wikipedia.org/wiki/Lift_(data_
mning)