Analisis Pola Pembelian Pelanggan Pada Transaksi Pejualan

Dengan Market Basket Analysis

Artikel Ilmiah

Peneliti:

Dita Anjassari (672015074)

Hindriyanto Dwi Purnomo, S.T., MIT., Ph.D.

Program Studi Teknik Informatika

Fakultas Teknologi Informasi

Universitas Kristen Satya Wacana

Salatiga

November 2018

Analisis Pola Pembelian Pelanggan Pada Transaksi Pejualan

Dengan Market Basket Analysis

Artikel Ilmiah

Diajukan kepada

Fakultas Teknologi Informasi

untuk memperoleh Gelar Sarjana Komputer

Peneliti:

Dita Anjassari (672015074)

Hindriyanto Dwi Purnomo, S.T., MIT., Ph.D.

Program Studi Teknik Informatika

Fakultas Teknologi Informasi

Universitas Kristen Satya Wacana

Salatiga

November 2018

1

1. Pendahuluan

Persaingan di dunia bisnis semakin ketat, salah satunya persaingan swalayan

yang membuat manajemen harus berpikir dalam menyusun strategi untuk

menghadapi persaingan tersebut. Sebuah perusahaan perlu menentukan strategi

dalam melayani dan pemasaran produk kepada pelanggan. Hal yang perlu

diperhatikan oleh perusahaan untuk mempertahankan pelanggan adalah dengan

melakukan pendekatan kepada pelanggan karena dapat digunakan untuk

mengetahui perilaku dan kebutuhan pelanggan. Kebutuhan pelanggan juga dapat

diketahui dengan adanya ketersediaan data penjualan oleh swalayan. Pengetahuan

tentang perilaku dan kebutuhan pelanggan dapat digunakan untuk penempatan

produk dalam sebuah swalayan [1].

Perusahaan retail menggunakan pendekatan pola perilaku pelanggan untuk

meningkatkan kualitas pelayanan dan pemasaran kepada pelanggan. Hal ini

dikarenakan sudah banyak bermunculan swalayan lain yang selalu memberikan

kemudahan pelanggan dalam belanja seperti memiliki penataan barang yang rapi

dan bagus. Dengan hal itu manajemen ingin mengetahui keterkaitan antar barang

dibeli pelanggan sehingga dapat memudahkan pelanggan berbelanja [2].

Data transaksi penjualan perusahaan disimpan dan setiap hari data akan

terus bertambah [1]. Data yang tersimpan tersebut tidak hanya berfungsi sebagai

arsip perusahaan tetapi data dapat dimanfaatkan dan diolah menjadi informasi

yang berguna untuk memberikan solusi dalam pengambilan keputusan dan

meningkatkan bisnis perusahaan dengan teknik data mining.

Data mining menggunakan salah satu metodologi yang sering digunakan

untuk menganalisis pola perilaku belanja konsumen membeli barang secara

bersamaan dalam satu waktu yaitu analisis keranjang belanja atau Market Basket

Analysis (MBA). MBA tersebut menggunakan bantuan algoritma apriori, yang

merupakan algoritma untuk menghasilkan association rule. Algoritma apriori juga

bertujuan untuk menemukan sebuah frequent itemset yang dijalankan pada

sekumpulan data. Analisis apriori merupakan suatu proses untuk menemukan

semua aturan apriori yang memenuhi syarat minimum support dan minimum

confidence [3].Teknik tersebut bisa diterapkan dalam data yang sangat besar

seperti data transaksi penjualan.

Pada penelitian ini mengambil kasus pada Samoedra Swalayan, karena

pengaturan tata letak barang pada Samoedra Swalayan masih menggunakan

subjektifitas manajemen dan belum melihat dari segi perilaku pelanggan. Dengan

hal tersebut memanfaatkan data transaksi penjualan Samoedra Swalayan.

Berdasarkan kasus tersebut, maka penelitian ini akan menggunakan Market

Basket Analysis dengan menerapkan algoritma apriori untuk mengetahui

kebiasaan belanja pelanggan sehingga dapat digunakan untuk meningkatkan

2

pelayanan dan pemasaran produk dengan strateginya, yaitu menentukan tata letak

barang dalam Samoedra Swalayan.

2. Tinjauan Pustaka

Terkait dengan topik penelitian, M. Iqbal dan Muatin telah melakukan

penelitian untuk menganalisa data penjualan menggunakan algoritma apriori.

penelitian ini menganilisis data transaksi di bulan ramadhan 2016 karena bulan

tersebut banyak memberikan kontribusi terhadap distro coffepark. Namun, pada

bulan ramadhan tahun 2016 mengalami penurunan dari tahun 2015. Penurunan ini

diakibatkan karena lemah strategi pemasaran, promosi yang tidak inovatif, dan

kurang minat konsumen. Dari permasalahan tersebut pihak distro coffepark

menginginkan rekomendasi promosi dan strategi penjualan yang tepat. Dalam

penelitian ini menggunakan association rule dengan algoritma apriori.

Association rule tersebut teknik data minig untuk menemukan aturan asosiatif

antara suatu kombinasi item. Untuk mengetahui pola frekuensi tinggi kombinasi

item yang memenuhi syarat minimum support setelah semua frekuensi tinggi

ditemukan, lalu dicari aturan asosiasi yang memenuhi confidence aturan asosiatif

dari hasil tersebut. Hasilnya akan terlihat pola pembeli dalam membeli barang.

Kenudian dari hasil tersebut akan membantu pihak distro dalam strategi

pemasaran barang [4].

Gelar Faizal Ramadhan dan Agus Winarno menggunakan algoritma apriori

yang digunakan untuk menentukan menu paket makanan dan minuman pada

Nanamia Pizzeria. Penelitian ini menganalisis pola belanja konsumen terhadap

pembelian makanan dan minuman menggunakan data transaksi penjualan.

Penelitian tersebut menggunakan association rule dengan algoritma apriori.

Algoritma apriori merupakan salah satu metode yang tepat untuk menganalisis

pola perilaku konsumen karena termasuk pada prosedur Market Basket Analysis

sehingga ditemukan pembelian konsumen pada Nanamia Pizzeria dengan syarat

minimum support dan confidence. Dari hasil penelitian ini terbentuk 3 paket

makanan dan minuman [5].

Muhammad Thoriq Agung dan Bowo Nurhadiyono menggunakan algoritma

apriori untuk rekomendasi strategi pemasaran, menghasilkan pendapatan toko,

dan penempatan barang di toko Tombo Ati. Penelitian tersebut menggunakan data

mining dengan algoritma apriori termasuk aturan asosiasi. Data yang diperoleh

dalam penelitian tersebut diseleksi dengan jumlah barang dua atau tiga item saja.

Dari hasil analisis tersebut, yaitu pengaturan tata letak dapat dilakukan dengan

mengetahui nilai support dan nilai confidence [6].

Shonna Chavy Bilqish dan Setia Astuti menganalisis pola pembelian

konsumen dengan algoritma apriori pada Indomaret Indraprasta Semarang.

Penelitian tersebut memanfaatkan data primer yang masih baru yaitu data

transaksi penjualan dari bulan September sampai Oktober tahun 2015. Tujuan

3

dalam penelitian tersebut untuk menyusun strategi dengan menambah persediaan

barang dan menyusun tata letak barang secara berdekatan. Hasil dari analisis

didapat dari pengolahan data transaksi berupa itemset dengan penerapan konsep

analisis asosiasi mining yang diketahui nilai support setiap item, kombinasi item,

dan nilai confidence dalam pembentukan frequent itemset. Maka dapat diketahui

barang yang paling banyak dibeli secara bersamaan oleh konsumen indomaret [3].

Berdasarkan empat penelitian tersebut yang telah membahas tentang data

mining terkait Market Basket Analysis dan algoritma apriori, maka pada penelitian

ini dilakukan untuk meneliti keterkaitan antar barang yang dapat membantu dalam

tata letak barang barang menggunakan algoritma apriori dengan Market Basket

Analysis.

Data mining adalah suatu proses menemukan hubungan yang berarti, pola,

dan kecenderungan dengan memeriksa dengan sekumpulan data yang tersimpan

dalam penyimpanan dengan menggunakan teknik pengenalan pola seperti teknik

statistik dan matematika. Data mining sering disebut sebagai knowledge discovery

in database (KDD) adalah kegiatan yang meliputi pengumpulan, pemakaian data,

historis untuk menemukan keteraturan pola atau hubungan dalam set data

berukuran besar [7].

Menurut, Larose data mining dibagi menjadi beberapa kelompok

berdasarkan tugas, yaitu [7]:

1. Deskripsi

2. Estimasi

3. Prediksi

4. Klasifikasi

5. Pengklusteran

6. Asosiasi

Data mining dibagi menjadi beberapa tahap yang bersifat interaktif,

pemakai terlibat langsung dengan perantaran knowlegde base. Tahap – tahap

digambarkan pada Gambar 1 [8].

4

Gambar 1 Tahap – Tahap Data Mining [8]

Tahap – tahap dalam data mining, meliputi:

1. Pembersihan data (data cleaning)

2. Integrasi data (data integration)

3. Seleksi data (data selection)

4. Transformasi data (data transformation)

5. Proses data mining

6. Evaluasi pola (pattern evaluation)

7. Presentasi pengetahuan (knowledge presentation)

Market Basket Analysis adalah suatu metodologi untuk melakukan analisis

buying habit konsumen dengan menemukan asosiasi antar beberapa item yang

berbeda, yang diletakkan konsumen dalam shopping basket yang dibeli pada suatu

transaksi tertentu. Tujuan dari market basket analysis adalah untuk mengetahui

barang – barang mana yang mungkin akan dibeli secara bersamaan [9].

Market Basket Analysis menggunakan bantuan salah satu algoritma yaitu

algoritma apriori. Algoritma apriori adalah suatu algoritma dasar yang diusulkan

oleh Algrawal dan Srikant pada tahun 1994 untuk penentuan frequent itemset

untuk aturan asosiasi boolean [4]. Frequent itemset biasanya mengacu pada

kumpulan item yang sering muncul bersamaan dalam sebuah data transaksi. Salah

satu tahap analisis asosiasi yang menarik perhatian banyak peneliti untuk

menghasilkan algoritma yang efisien adalah analisis pola frequensi tinggi

(frequent pattern mining). Apriori menggunakan pendekatan iteratif dengan level-

5

wise search dimana k-itemset dipakai unruk mencari (k+1)-itemset. Penting

tidaknya suatu asosiasi dapat diketahui dengan dua tolak ukur, yaitu : support dan

confidence. Support (nilai penunjang) adalah persentase kombinasi item tersebut

dalam database, sedangkan confidence (nilai kepastian) adalah kuatnya hubungan

antara-item dalam aturan asosiasi [10]. Penerapan algoritma apriori pada market

basket analysis dapat digunakan untuk mencari aturan – aturan asosiasi yang

memenuhi batas minimun support dan minimum confidence.

Association rule merupakan teknik data mining untuk mencari pola

hubungan dalam data atau basis data. Yang paling populer yaitu market basket

analysis [11]. Assoiation rule bertujuan mencari pola yang sering muncul diantara

banyak transaksi, dimana setiap transaksi terdiri dari beberapa item, kejadian

dengan mengkuantifikasi dua atribut atau lebih, singkat kata association rule

berbentuk “jika membeli barang a, maka juga membeli barang b”. Selain itu

association rule juga memiliki ukuran support dan confidence untuk memastikan

apakah pola asosiasi yang ditemukan adalah pola yang valid atau tidak dengan

cara pola yang ditemukan harus memenuhi syarat minimal support dan minimal

confidence. Kaidah asosiasi memiliki 2 (dua) tahap, yaitu analisis pola frequent

dan pembentukan kaidah asosiasi [5].

3. Penerapan Market Basket Analysis

Penempatan barang di Swalayan Samoedra merupakan salah satu strategi

dalam meningkatkan pelayanan dan pemasaran barang agar pelanggan tetap

berbelanja di swalayan tersebut. Jika penempatan barang lebih tertata rapi maka

pelanggan tidak akan kesulitan dalam mencari barang yang akan dibeli. Dalam

mewujudkan strategi tersebut akan memanfaatkan dari data transaksi penjualan di

Samoedra Swalayan. Data awal yang diperoleh dari Samoedra Swalayan

merupakan data transaksi penjualan mulai bulan Januari 2017 sampai dengan

Desember 2017. Data tersebut tercatat dalam Ms. Excel namun nomor transaksi

penjualan acak belum diseleksi menjadi data yang siap dipakai dalam penelitian

ini.

Semua data transaksi yang diperoleh akan dilakukan pembersihan data (data

cleaning) yaitu proses pembersihan atribut – atribut yang tidak digunakan dalam

proses data mining dan hanya beberapa atribut yang dapat digunakan. Dalam

kumpulan data terdapat atribut antara lain nomor urut, tanggal transaksi, nomor

transaksi, nama barang, jumlah barang, PPN, harga barang dan harga total

pembelian. Setelah dilakukan proses pembersihan atribut- atribut yang tersisa

adalah nomor urut, nomor transaksi, dan nama barang. Dalam atribut nama barang

dilakukan klustering atau pengelompokan barang berdasarkan kategori agar lebih

mudah dalam analisis proses data mining.

6

Tabel 1 Kategori Barang

A

DUNHILL MILD 20 (BENTOEL)

DJARUM 76 12 KRETEK (D76)

SURYA PROFESSIONAL 16 (GUDANG GARAM)

LA BOLD 12 btg (DJARUM)

SENIOR KRETEK FILTER 12 DJARUM

…

SAMPOERNA A MILD 12 (MLD12) SM12

B

INDOMIE AYAM SPESIAL NEW 68 Gram

(SA) INDOMIE AYAM BAWANG 69 Gram

INDOMIE SOTO MIE 70 Gram

INDOMIE GORENG SPECIAL 85 Gram

MI KIMCHI RAMYUN 116 Gram

…

MIE SEDAP AYAM BAWANG 75 Gram

C

SO KLIN SMART COLOR 800 Gram

SO KLIN SOFTERGENT PURPLE 800 Gram

SO KLIN SOFTERGENT PURPLE 1.8 KG

SO KLIN SMART +SOFTENER 800 Gram

SO KLIN LIQUID VIOLET BLOSSOM 55 ML JUMBO

SCT …

SO KLIN SOFTERGENT RED 800 Gram

… …

BU

PURBASARI LULUR MANDI + PEMUTIH 135 Gram

HERBORIST LULUR BALI MILK 100 Gram

PURBASARI LULUR GREEN TEA WHITENING + VIT E

135 Gram HERBORIST LULUR BALI KIWI 100 Gram

HERBORIST LULUR BALI BENGKOANG 100 Gram

Setelah pembersihan data dan pengelompokan barang berdasarkan kategori,

maka dilakukan integrasi data. Proses ini menggabungkan kategori atau variabel

dalam satu nomor transaksi.

Tabel 2 Integrasi Data

No. No. Transaksi Variabel

1 Jual/970/0001 A,A

2 Jual/970/0002 BT,A

3 Jual/970/0003 W,A

4 Jual/970/0004 A,AA,I,BC,A

5 Jual/970/0005 W,A

6 Jual/970/0006 A,A

7 Jual/970/0007 A,L

8 Jual/970/0008 B,E,AX,AS

9 Jual/970/0009 E,L,E

10 Jual/970/0010 A,A,A

Setelah pembersihan data dilakukan seleksi data (data selection), data mana

saja yang akan digunakan karena tidak semua data akan digunakan dalam

7

penelitian ini. Data transaksi penjualan yang akan diambil begantung pada jumlah

barang atau item yang dibeli oleh pelanggan toko. Jumlah barang dalam data

transaksi penjualan yang akan diambil ialah data transaksi dengan jumlah barang

lebih dari satu.

Tabel 3 Daftar Transaksi Penjualan

No Tanggal No. Transaksi Nama Barang

1 2 Januari 2017 Jual/970/0001 DUNHILL MILD 20 (BENTOEL)

DJARUM 76 12 KRETEK (D76)

2 2 Januari 2017 Jual/970/0002

KIWI SHOE POLISH BLACK 17.5

ML

SURYA PROFESSIONAL 16

(GUDANG GARAM)

3 2 Januari 2017 Jual/970/0003 ADES AIR MINERAL 600 ML

DUNHILL MILD 20 (BENTOEL)

Pada tahap transformasi data, data yang telah diseleksi akan

ditransformasikan sesuai dengan sistem yang akan digunakan dalam analisis data

mining yaitu RapidMiner. Transformasi data ini dilakukan dengan cara mengubah

dalam bentuk data tabular dengan ekstensi *.XLS (Ms.Excel).

Tabel 4 Data Tabular

No. A B C D E …. BU

1 1 0 0 0 0 …. 0

2 0 1 0 0 1 …. 0

3 0 1 0 0 1 …. 0

4 1 0 0 0 0 …. 0

5 1 0 0 0 0 …. 0

6 1 1 0 0 0 …. 0

7 1 0 0 0 0 …. 1

8 0 0 0 1 0 …. 0

9 0 0 0 1 1 …. 0

10 0 0 0 0 1 …. 0

…. …. …. …. …. …. …. ….

2005 0 0 0 0 1 …. 0

Hasil 489 382 320 286 264 …. 2

Hasil dari pengolahan dengan RapidMiner akan didapat beberapa

association rule yang telah memenuhi nilai minimal support dan nilai minimal

confidence yang telah ditentukan.

Market Basket Analysis untuk mengetahui keterkaitan antar barang manakah

yang dibeli secara bersamaan. Dengan penerapan Market Basket Analysis ini akan

dapat membantu perusahaan atau swalayan mengetahui pola pembelian

pelanggan. Samoedra Swalayan dapat menggunakan informasi tersebut dalam

menempatkan produk yang sering dibeli di dalam satu area atau kategori atau

untuk menentukan tata letak barang sesuai karakteristik pelanggan. Market

8

Basket Analysis ini akan menyaring barang dengan tingkat asosiasi antar barang.

Market Basket Analysis untuk menemukan aturan asosiasi yang memenuhi syarat

minimum confidence dan syarat minimum support. Analisis asosiasi adalah

dengan teknik data mining untuk menemukan aturan asosiatif antara suatu

kombinasi item. Kaidah asosiasi untuk penemuan pola antar item dalam transaksi

memiliki 2 tahap, yaitu [5]:

1. Analisis Pola Frequent

Tahap pertama mencari kombinasi item atau itemset didalam database yang

memenuhi nilai minimum support, yang diperoleh dengan rumus pada

persamaan 1 berikut:

Support (A) = (1)

Keterangan:

Support (A) = Nilai pola frekuensi tinggi

Jumlah Transaksi A = Jumlah transaksi yang mengandung A

Total Transaksi = Jumlah semua transaksi

Nilai support dari 2 item diperoleh dari rumus pada persamaan 2:

Support (A,B) = (2)

Support (A,B) = Nilai pola frekuensi tinggi

Jumlah Transaksi A dan B = Jumlah transaksi yang mengandung A dan B

Total Transaksi = Jumlah semua transaksi

2. Pembentukan Kaidah Asosiasi

Selanjutnya mencari kaidah asosiasi yang memenuhi syarat nilai minimum

confidence, dengan rumus pada persamaan 3:

Confidence = (3)

Confidence = Nilai pola frekuensi tinggi

Jumlah Transaksi A dan B = Jumlah transaksi yang mengandung A dan B

Total Transaksi = Jumlah semua transaksi yang mengandung A

Untuk mengetahui hasil analisis pola frequent dengan menghitung nilai

support pada tiap item dan menetapkan nilai minimum support 1%, 1.5%, 2%,

2.5%, 3%, dan 3,5% maka barang dengan frekuensi tinggi akan diketahui, dengan

menggunakan persamaan rumus 1. Transaksi yang mengandung A berjumlah 489

dan total transaksi 2005 maka 489/2005 = 0.24389 (24.39) jadi nilai support dari

air mineral yaitu 24.39% dan seterusnya untuk perhitungan tiap item. Berikut

tabel nilai support itemset:

9

Tabel 5 Nilai Support tiap Item

No. Nama Item Support Count Support Support %

1 A 489 489/2005 24.39

2 B 382 382/2005 19.05

3 C 320 320/2005 15.96

4 D 286 286/2005 14.26

5 E 264 264/2005 13.17

6 F 252 252/2005 12.57

7 G 225 225/2005 11.22

8 H 220 220/2005 10.97

9 I 206 206/2005 10.27

10 J 204 204/2005 10.17

11 K 192 192/2005 9.58

12 L 189 189/2005 9.43

13 M 175 175/2005 8.73

14 N 163 163/2005 8.13

15 O 156 156/2005 7.78

… … … … …

73 BU 2 2/2005 0.10

Keterangan:

A: Rokok AL: Lotion

B: Mie AM: Alat_Mandi

C: Deterjen AN: Teh_Bubuk

D: Kopi_Bubuk AO: Telur

E: Biskuit AP: Sambal_Saus

F: Sabun_Batang AQ: Kecap

G: Shampoo AR: Perlengkapan_dan_Alat_RT

H: Gula AS: Yogurt_Yakult

I: Minyak_Mentega AT: Makanan_Bayi

J: Susu_Kental AU: Minuman_Tradisional

K: Obat AV: Pembersih_Lantai_Toilet

L: Makanan_Ringan AW: Pembersih_Wajah

M: Pasta_Gigi AX: Beras

N: Bumbu_Masak AY: Sosis_Nugget

O: Susu_Cair AZ: Sabun_Cair

P: Permen BA: Deodorant

Q: Pencuci_Piring_Gelas BB: Kopi_Instan

R: Kosmetik BC: Tepung_Bumbu

S: Popok BD: Plastik

T: Teh_Celup BE: Sandal

U: Minuman_Ringan BF: Pengharum_Ruangan_Toilet

V: Teh_Instan BG: ATK

W: Air_Mineral BH: Selai_Olesan

X: Jelly BI: Pemutih_Pakaian

Y: Wafer BJ: Pembersih_Kewanitaan

Z: Pewangi_Pakaian BK: Pembasmi_Serangga

10

AA: Tepung BL: Perawatan_Rambut

AB: Es_Krim BM: Masker_Wajah

AC: Susu_Bubuk BN: Makanan_Kaleng

AD: Perlengkapan_Bayi BO: Semir_Rambut

AE: Roti BP: Keju

AF: Pembalut_Wanita BQ: Perawatan_Kendaraan

AG: Tisu BR: Sirup

AH: Parfum BS: Alat_Kecantikan

AI: Sereal BT: Semir_Sepatu

AJ: Coklat BU: Lulur

AK: Jus

Salah satu minimum support yang ditentukan adalah 3.5% jadi barang yang

memiliki nilai dibawah 3.5% akan dihilangkan, sedangkan barang yang memenuhi

minimum support akan dikombinasikan lagi menjadi 2 item dengan nilai

minimum support yang sama, yaitu 3.5%. Dari tabel diatas ada 37 barang yang

memenuhi minimum support dan masing-masing barang akan dikombinasikan.

Mencari nilai support 2 item dengan menggunakan persamaan rumus 2 dengan

jumlah transaksi yang mengandung A dan B dibagi dengan total transaksi yang

ada pada dataset, transaksi yang mengandung A dan B berjumlah 22 sedangkan

total transaksi 2005 maka 22/2005 = 0.010973 jadi nilai support A dan B yaitu

1.098% dan seterusnya. Minimum support yang ditentukan adalah 3.5% jadi

barang yang memiliki nilai support dibawah 3.5% akan dihilangkan dan

seterusnya sesuai dengan minimum support yang ditentukan, berikut ini barang

yang memenuhi minimum support:

Tabel 6 Nilai Support Itemset

No Itemset Jumlah Min. Support 3.5 %

1 C, F 79 3.94 %

Seteleh mengetahui nilai support pada itemset berfrekuensi tinggi dengan

minimum support yang sudah ditentukan lalu dibentuk aturan asosiasi yang

menyatakan kuatnya hubungan kombinasi itemset pada transaksi, yaitu

confidence. Untuk menentukan aturan asosiasi yang terbentuk minimal itemset

harus memiliki kandidat A dan B pada tabel diatas sudah ditunjukkan 2 kombinasi

item maka 2 kombinasi yang memenuhi untuk pembentukan asosiasi peneliti

menetapkan minimum confidence 30%.

Pada persamaan rumus 3 diatas untuk menentukan nilai confidence pada

aturan asosiasi, jumlah transaksi yang mengandung item F dan C berjumlah 79

dibagi dengan jumlah transaksi yang mengandung item F ada 252 maka 79/252 =

0.31. Jadi, nilai confidence F maka C yaitu 31%. Berikut hasil akhirnya:

Tabel 7 Hasil Akhir dengan Nilai Support dan Nilai Confidence

Hasil Akhir Jumlah Min. Support 3.5% Min. Confidence 30%

Jika membeli F maka

membeli C

79/252 3.94% 31%

11

Pada tabel 3 merupakan hasil nilai support yang memenuhi syarat minimum

support dan nilai confidence yang memenuhi syarat minimum confidence.

4. Hasil dan Pembahasan

Sumber data pada penelitian ini diperoleh dari data transaksi penjualan dari

bulan Januari 2017 sampai Maret 2017 pada Samoedra Swalayan. Data tersebut

akan diproses untuk menghasilkan pengetahuan berupa pola kombinasi item yang

bertujuan untuk mengetahui pola beli pelanggan terhadap beberapa barang yang

nantinya berguna untuk meningkatkan strategi pelayanan dan pemasaran barang.

Data transaksi penjualan selama satu tahun terdapat 2005 transaksi.

Semua data barang yang terdapat di Samoedra Swalayan terdapat 2787

barang. Barang – barang tersebut dipecah menjadi bagian – bagian kecil seperti

kategori atau variabel karena data transaksi penjualan memiliki range yang cukup

luas. Peneliti mengelompokkan nama – nama barang menjadi 73 kategori atau

variabel. Pengolahan data dalam penelitian ini menggunakan kategori barang. Jika

dalam satu transaksi terdapat lebih dari satu barang dan mempunyai kategori yang

sama maka tetap digolongkan menjadi satu kategori.

Data transaksi penjualan diolah dengan pembersihan data (data cleaning),

pengelompokkan berdasarkan kategori, integrasi data, dan ditransformasikan

kedalam bentuk data tabular, kemudian dilakukan proses perhitungan algoritma

apriori untuk menemukan sebuah aturan asosiasi dengan mengetahui nilai support

dan nilai confidence, dengan syarat minimum support dan minimum confidence.

Langkah pertama dengan menentukan minimal nilai support yaitu 3.5%. Langkah

selanjutnya dengan Melakukan iterasi 1 untuk 1-itemset hitung untuk

mendapatkan pola frequent dari support yang memenuhi minimal support. Tabel

5 merupakan hasil perhitungan dari 1-itemset namun tidak semuanya diikutkan

dalam perhitungan selanjutnya karena tidak semua 1-itemset memenuhi minimum

support yaitu 3.5%. 1-itemset yang memenuhi hanya 37 item.

Tabel 8 Hasil 1-itemset No. Nama Item Support Count Support Support %

1 A 489 489/2005 24.39

2 B 382 382/2005 19.05

3 C 320 320/2005 15.96

4 D 286 286/2005 14.26

5 E 264 264/2005 13.17

… … … … …

37 AK 70 70/2005 3.5

Pada iterasi 1 dari nilai support telah didapatkan dari 1-itemset, iterasi 2

untuk 2 itemset atau pembentukan pola frekuensi 2 item, generate k-itemset dari

k-itemset iterasi sebelumnya, dengan melakukan kombinasi dari k-itemset.

12

Tabel 9 Kombinasi 2-itemset Itemset

A,B

A,C

A,D

A,E

A,F

…

BT,BU

Kombinasi 2-itemset yang telah didapatkan seperti tabel 9, dihitung masing-

masing nilai support.

Tabel 10 Nilai Support dari Kombinasi 2-itemset Itemset Support Count Support (%)

A,B 44 2.19

A,C 41 2.045

A,D 43 2.145

A,E 32 1.596

A,F 31 1.546

…

BT,BU 3 0.15

Pengembangan algoritma apriori dengan memangkas k-itemset dengan

menghitung support dari itemset dengan menetapkan minimal support sama

dengan 3.5%. Dari tabel 10, hasil kombinasi dari 2-itemset yang memenuhi

minimal support terdapat pada tabel 6 yaitu kombinasi C,F dengan nilai support

3.94%. Dari hasil yang diperoleh tidak ada lagi kombinasi yang bisa dibentuk

untuk k-itemset berikutnya. Dengan hal itu menandakan bahwa kombinasi 2 item

data tersebut banyak didalam transaksi.

Pembentukan pola aturan asosiasi setelah pola frekuensi tinggi ditemukan.

Pembentukan aturan asosiasi dengan mencari nilai confidence yang memenuhi

syarat minimal untuk confidence. Dengan menghitung aturan asosiasi A ke B.

Dimana support dengan jumlah dari kombinasi antara suatu item dengan item

yang lain sedangkan confidence adalah nilai yang mendefinisikan kuat tidaknya

hubungan antar barang tersebut. Dari tabel 6 yaitu tabel hasil kombinasi dua item,

dapat dilihat besarnya nilai support dan confidence dari calon aturan asosiasi

seperti pada tabel 11 berikut ini:

Tabel 11 Daftar Calon Aturan Asosiasi dari tabel 6 No. Kombinasi Nama Item Confidence Confidence (%)

1 Jika membeli C maka membeli F 79/320 24

2 Jika membeli F maka membeli C 79/252 31

Dengan menetapkan nilai minimal confidence adalah 30% maka aturan

yang bisa terbentuk adalah aturan seperti tabel 7 hanya satu aturan yang terbentuk.

Proses dilakukan dari langkah pertama sampai dengan keempat dengan pengujian

nilai minimal support yang berbeda dan sudah ditetapkan yaitu 1%, 1.5%, 2%,

2.5%, 3%, 3.5%, 3.9% dengan nilai minimal confidence tetap yaitu 30%.

13

Pengujian data – data yang telah dihasilkan berupa pola hubungan

kombinasi antar item dan aturan asosiasi sesuai dengan algoritma apriori yang

sudah dihitung secara manual dengan menggunakan suatu aplikasi, yaitu

RapidMiner.

Gambar 2 Hasil Pengujian Dengan RapidMiner

Hasil pengujian dengan RapidMiner dan rule yang ditampilkan pada

aplikasi sama dengan perhitungan manual dengan minimal support 3.5% dan

minimal confidence 30% yang dilakukan dengan algoritma apriori. Association

rule yang terbentuk ada 2 dengan item atau barang berjumlah 2 dan memiliki nilai

confidence yang berbeda. Selanjutnya diuji lagi dengan nilai minimum support

yang sudah ditentukan yaitu 1%, 1.5%, 2%, 2.5%, 3%, 3.9% dengan nilai minimal

confidence tetap yaitu 30%.

`

14

Tabel 8 Hasil Akhir dengan Nilai Support dan Nilai Confidence No Aturan Support (%) Confidence (%)

1 Jika membeli F maka membeli C 3.9 31

2 Jika membeli F maka membeli C 3.5 31

3 Jika membeli F maka membeli C 3 31

4 Jika membeli N maka membeli B 2.5 33

5 Jika membeli F maka membeli C 2.5 31

6 Jika membeli N maka membeli B 2 33

7 Jika membeli Q maka membeli C 2 32

8 Jika membeli F maka membeli C 2 31

9 Jika membeli Z maka membeli C 1.5 38

10 Jika membeli Y maka membeli E 1.5 37

11 Jika membeli N maka membeli B 1.5 33

12 Jika membeli AA maka membeli H 1.5 32

13 Jika membeli Q maka membeli C 1.5 32

14 Jika membeli F maka membeli C 1.5 31

15 Jika membeli B dan F maka membeli C 1 38

16 Jika membeli Z maka membeli C 1 38

17 Jika membeli Y maka membeli E 1 37

18 Jika membeli N maka membeli B 1 33

19 Jika membeli AA maka membeli H 1 32

20 Jika membeli Q maka membeli C 1 32

21 Jika membeli F maka membeli C 1 31

22 Jika membeli AK maka membeli B 1 30

Dari hasil analisis penelitian diatas, peneliti dapat memberikan masukkan

untuk melihat keterkaitan antara penjualan satu barang dengan barang lainnya.

Melihat barang yang muncul bersamaan melihat kecenderungan konsumen dalam

melakukan transaksi. Pengembangan sistem manajemen Market Basket Analysis

digunakan untuk menampilkan informasi pola pembelian pelanggan yang didapat

dari hasil association rule atau aturan asosiasi dengan perhitungan algoritma

apriori. Perhitungan algoritma apriori ini melakukan tahap iterasi untuk

menghasilkan nilai support dan menentukan itemset yang memenuhi minimum

support. Pada tabel 8 terbentuk aturan asosiasi yang dihasilkan dengan

menetapkan confidence 30% dan hasil dari tahap iterasi, pelanggan cenderung

membeli C dan F dengan menghasilkan nilai support 3.9% dan nilai confidence

31% karena setiap pembelian barang selain keduanya juga mempengaruhi

pembelian antara dua barang tersebut, yaitu C dan F. Dengan mengetahui pola

pembelian pelanggan dari nilai support dan confidence sangat berfungsi untuk

memudahkan pihak manajemen yaitu dapat memperkirakan penambahan stok

barang seperti C dan F karena sering dibeli agar tidak kekurangan stok barang,

dijadikan paket promo atau diskon antara dua barang tersebut karena dengan

adanya promo atau diskon dapat menarik pelanggan untuk membeli sehingga

dapat meningkatkan pemasaran barang dan menguntungkan pendapatan swalayan,

15

dan melakukan pengaturan tata letak swalayan sesuai dengan pola pembelian

barang.

Gambar 3 Tata letak Barang Sekarang

Gambar 4 Saran Tata Letak Barang

Hasil pengaturan ulang tata letak, terdapat perpindahan usulan tata letak

yang didasarkan beberapa pertimbangan strategis. Pertimbangan relasi kedekatan

produk (confidence) dan support. Produk yang memiliki relasi akan didekatkan

untuk menstimulus terjadinya impulse buying. Dalam pengaturan tata letak dapat

dilakukan dengan transaksi yang memiliki confidence tinggi maka barang-barang

akan diletakkan secara berdekatan. Barang dengan support tinggi dapat diletakkan

dibagian depan karena memberikan pengaruh impulse buying. Namun, barang

dengan nilai support tinggi yang memiliki pengaruh besar terhadap produk

lainnya diletakkan di rak bagian belakang. Hal ini dilakukan untuk menstimulus

impulse buying pada produk-produk lain di depannya. Tata letak tersebut juga

16

memperhatikan kedekatan produk yang seragam berdasarkan Keputusan Menteri

Kesehatan Republik Indonesia Nomor 519/MENKES/SK/VI/2008 tentang

Pedoman Penyelenggaraan Pasar Sehat.

Saran perpindahan tata letak berdasarkan penjelasan tersebut, yaitu

memindahkan Q didekat C menggantikan BQ dan di rak seberang AZ, F, G, dan

BL. Hal ini dilakukan berdasarkan hubungan asosiasi yang terbentuk dimana Q

merupakan pemicu pembelian C. F dan C mempunyai nilai support tinggi yaitu

3.9% dan nilai confidence tinggi yaitu 30%, namun dalam tata letak tidak berubah

karena letak sebelumnya tetap dekat meskipun berseberangan dalam rak yang

berbeda.

5. Kesimpulan

Berdasarkan analisis dan pembahasan dari uraian dalam penelitian ini, maka

dapat disimpulkan beberapa hal, hubungan – hubungan keterkaitan barang dengan

barang lainnya dapat digunakan untuk mengatur penempatan barang pada

Samoedra Swalayan dengan menerapkan data mining dan algoritma apriori.

Pengaturan penempatan barang diketahui dari nilai support dan nilai

confidence. Salah satu barang yang mendominasi penjualan adalah C. Q juga

dapat mempengaruhi pembelian C dengan nilai support 2% dan nilai confidence

32%, dengan confidence tinggi sehingga keduanya diletakkan berdekatan. Selain

itu, dengan mengetahui barang yang sering dibeli secara bersamaan oleh

pelanggan maka manajemen perusahaan dapat menyusun tata letak barang secara

berdekatan berdasarkan nilai support dan confidence. Berdasarkan Market Basket

Analysis didapatkan aturan kelompok barang yang harus didekatkan, yaitu B, F

dan C dengan nilai confidence 38%. Namun berdasarkan Keputusan Menteri

Kesehatan Republik Indonesia Nomor 519/MENKES/SK/VI/2008 tentang

Pedoman Penyelenggaraan Pasar Sehat pasangan kelompok barang tersebut harus

dijauhkan mengingat kualitas masing – masing barang.

Dalam penggunaan aplikasi data mining ini dapat membantu analisis pihak

manajer perusahaan untuk mengatur tata letak atau penempatan barang agar

pelanggan mudah dalam melakukan pembelian barang. Selain itu perusahaan juga

dapat mengetahui barang yang sering dibeli sehingga dapat menambah stok

barang, dan barang yang sering dibeli dapat dijadikan promo atau diskon yang

dapat menarik pelanggan. Dengan hal tersebut manager perusahaan dapat

meningkatkan pelayanan terhadap pelanggan dan meningkatkan pemasaran

barang.

17

6. Daftar Pustaka

[1] Santoso, H., Prayitno dan I Putu H, 2016, Data Mining Analisa Pola

Pembelian Produk Dengan Menggunakan Metode Algoritma Apriori,

Teknik Informatika, STMIK AMIKOM, Yogyakarta.

[2] Andari, S. N., Nasir Widha Setyanto dan Remba Yanuar Efranto, 2013,

Alternatif Perbaikan Tata Letak Toko Persada Swalayan Melalui

Pendekatan Perilaku Konsumen Dengan Metode Market Basket Analysis,

Jurusan Teknik Industri, Universitas Brawijaya, Malang.

[3] Chayy, S. B., dan Setia Astuti, 2016, Analisis Pola Pembelian Konsumen

Dengan Algoritma Apriori Pada Indomaret Indraprasta Semarang,

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas

Dian Nuswantoro, Semarang.

[4] Iqbal, M., dan Muatin, 2017, Analisa Keranjang Belanja Konsumen Pada

Data Penjualan Bulan Ramadhan Menggunakan Algoritma Apriori (Studi

Kasus: Distro Coffepark Clothes Pekanbaru), Program Studi Sistem

Informasi, Fakultas Sains dan Teknologi, UIN Sultan Syarif Kasim Riau,

Pekanbaru.

[5] Ramadhan, G. F., dan Agus Winarno, 2016, Penerapan Metode Asosiasi

Data Mining Menggunakan Algoritma Apriori Untuk Menentukan Menu

Paket Makanan Pada Nanamia Pizzeria. Program Studi Sistem Informasi,

Fakultas Ilmu Komputer, Universitas Dian Nuswantoro, Semarang.

[6] Agung, M. T., dan Bowo Nurhadiyono, 2016, Penerapan Data Mining

Pada Data Transaksi Penjualan Untuk Mengatur Penempatan Barang

Menggunakan Algoritma Apriori. Program Studi Teknik Informatika,

Fakultas Ilmu Komputer, Semarang.

[7] Nofriyansah, Dicky, 2014, Konsep Data Mining vs Sistem Pendukung

Keputusan, Yogyakarta: Deepublish.

[8] Han, J., Jian Pei dan Micheline Kamber, 2006, “Data Mining Concepts and

Techniques Third Edition”, United States of America: Morgan Kauffman.

[9] Chaerunnissa, Dessy, dan Edi Mulyanto, 2015, Metode Association Rule

Dalam Menganalisa Pola Belanja Konsumen Pada Data Transaksi

Penjualan Menggunakan Algoritma FP-GROWTH, Program Studi Teknik

Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro,

Semarang.

[10] Kusrini, Emha L., 2009, Algoritma Data Mining. Yogyakarta : Penerbit

Andi.

[11] Anas, Azwar, 2017, Penggalian Kaidah Asosiasi Dalam Memilih Program

Kegiatan Pendukung Mahasiswa STIE-GK Muara Bulian, Jurnal

MEDIASISFO, Vol. 11, No. 1: 709 – 722.