ARTIKEL IMPLEMENTASI ALGORITMA FP-GROWTH PADA...
Transcript of ARTIKEL IMPLEMENTASI ALGORITMA FP-GROWTH PADA...
ARTIKEL
IMPLEMENTASI ALGORITMA FP-GROWTH PADA SISTEM
PENJUALAN COUNTER ERAFONE UNTUK MENINGKATKAN
PENJUALAN DAN MEMINIMALISIR KERUGIAN
Oleh:
KANA FITRIA RAHMAWATI
14.1.03.02.0014
Dibimbing oleh :
1. Ahmad Bagus Setiawan, S.T., M.M., M.Kom.
2. Ardi Sanjaya, M.Kom.
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS NUSANTARA PGRI KEDIRI
TAHUN 2019
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Kana Fitria Rahmawati | 14.1.03.02.0014 Fakultas Teknik – Teknik Informatika
simki.unpkediri.ac.id || 1||
SURAT PERNYATAAN
ARTIKEL SKRIPSI TAHUN 2019
Yang bertanda tangan di bawah ini:
Nama Lengkap : KANA FITRIA RAHMAWATI
NPM : 14.1.03.02.0014
Telepun/HP : 083845381863
Alamat Surel (Email) : [email protected]
Judul Artikel : Implementasi Algoritma FP-Growth Pada Sistem
Penjualan Counter Erafone untuk Meningkatkan
Penjualan dan Meminimalisir Kerugian.
Fakultas – Program Studi : Teknik – Teknik Informatika
Nama Perguruan Tinggi : Universitas Nusantara PGRI Kediri
Alamat Perguruan Tinggi : Jln. Kh. Ahmad Dahlan No. 76, Mojoroto, Kediri
Dengan ini menyatakan bahwa :
a. artikel yang saya tulis merupakan karya saya pribadi (bersama tim penulis) dan
bebas plagiarisme;
b. artikel telah diteliti dan disetujui untuk diterbitkan oleh Dosen Pembimbing I dan II.
Demikian surat pernyataan ini saya buat dengan sesungguhnya. Apabila di kemudian hari
ditemukan ketidaksesuaian data dengan pernyataan ini dan atau ada tuntutan dari pihak lain,
saya bersedia bertanggungjawab dan diproses sesuai dengan ketentuan yang berlaku.
Mengetahui Kediri, 7 Februari 2019
Pembimbing I
Ahmad Bagus Setiawan, S.T., M.M., M.Kom.
NIDN. 0703018704
Pembimbing II
Ardi Sanjaya, M.Kom.
NIDN. 0706118101
Penulis,
Kana Fitria Rahmawati
NPM. 14.1.03.02.0014
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Kana Fitria Rahmawati | 14.1.03.02.0014 Fakultas Teknik – Teknik Informatika
simki.unpkediri.ac.id || 2||
IMPLEMENTASI ALGORITMA FP-GROWTH PADA SISTEM
PENJUALAN COUNTER ERAFONE UNTUK MENINGKATKAN
PENJUALAN DAN MEMINIMALISIR KERUGIAN
Kana Fitria Rahmawati
14.1.03.02.0014
Fakultas Teknik – Teknik Informatika
Ahmad Bagus Setiawan, S.T., M.M., M.Kom. dan Ardi Sanjaya, M.Kom.
UNIVERSITAS NUSANTARA PGRI KEDIRI
ABSTRAK
Penelitian ini dilatar belakangi hasil pengamatan peneliti bahwa data transaksi penjualan pada
kebanyakan counter handphone hanya dijadikan arsip tanpa adanya pemanfaatan yang lebih efisien.
Bahkan masih banyak counter HP yang perekapan datanya masih menggunakan cara manual. Hal
tersebut mengakibatkan penumpukan arsip yang kemudian menjadi sampah, padahal jika diolah akan
menjadi informasi yang bermanfaat.
Penelitian ini menggunakan salah satu metode data mining, yaitu Association Rule dengan
algoritma Frequent Pattern Growth (FP-Growth) umtuk mengolah data transaksi penjualan menjadi
informasi berupa presentase HP atau aksesoris yang sering terjual dan HP atau aksesoris yang jarang
atau tidak laku terjual. Dengan menggunakan data transaksi penjualan para produsen HP atau
aksesoris dapat membatasi jumlah HP atau aksesoris yang kurang begitu laris dan menambah stok HP
atau aksesoris yang laris terjual. Selain itu dari analisis data penjualan dapat juga ditemukan
kombinasi HP atau aksesoris yang sering terjual secara bersamaan. Tujuan dari penelitian ini adalah
menghasilkan sebuah program atau aplikasi untuk menganalisa data transaksi penjualan dengan
menggunakan lagoritma FP-Growth, berdasarkan nilai minimum frekuensi dan minimum confidence
yang dapat disesuaikan oleh pengguna aplikasi.
Kesimpulan hasil penelitian ini adalah aplikasi yang dapat mengimplementasikan data mining
dengan metode Association Rule dan algoritma FP-Growth untuk menganalisa data transaksi
penjualan dengan baik. Banyaknya variasi data mempengaruhi banyaknya hasil analisa dan nilai
presentasi support dan confidence dari masing-masing kombinasi HP atau aksesoris. Aplikasi juga
dapat memberikan saran penambahan stok barang dan pengurangan stok barang terhadap HP atau
aksesoris yang laris dan yang kurang laku terjual.
KATA KUNCI : Data Mining, Association Rule, FP-Growth, Market Basket Analysis
I. LATAR BELAKANG
Dalam dunia bisnis kerap muncul
berbagai masalah internal, counter hp
merupakan salah satu usaha yang tidak
luput dari masalah-masalah tersebut.
Permasalahan yang sering dihadapi oleh
para produsen HP atau aksesoris adalah
HP atau aksesoris yang tidak terjual
akhirnya mengalami penurunan harga,
tentunya hal tersebut mengakibatkan
kerugian. Counter Erafone merupakan
salah satu produsen HP yang tidak luput
dari masalah tersebut. Dengan adanya
masalah tersebut, para produsen HP
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Kana Fitria Rahmawati | 14.1.03.02.0014 Fakultas Teknik – Teknik Informatika
simki.unpkediri.ac.id || 3||
harus berfikir untuk dapat
mengatasinya. Salah satu strategi yang
dapat digunakan adalah dengan
memanfaatkan teknologi informasi.
Data transaksi penjualan adalah
salah satu data yang dapat diolah. Pada
counter Erafone data tersebut biasanya
hanya disimpan sebagai arsip tanpa
digunakan lagi dan akhirnya terus
menumpuk. Padahal data transaksi
penjualan tersebut dapat diolah
menggunakan data mining untuk meliha
t pola pembelian pelanggan.
“Teknik Market Basket Analysis
(MBA) merupakan teknik yang
mengadaptasi ilmu data mining”
(Kusrini, 2009). MBA merupakan salah
satu contoh dari data mining yang
digunakan untuk menganalisa kebiasaan
konsumen dalam berbelanja. Terknik ini
digunakan untuk merancang strategi
penjualan dan pemasaran suatu barang
melalui pencarian asosiasi atau
hubungan antar item data dari suatu
basis data. Salah satu teknik dalam data
mining yang terkenal dan cocok untuk
MBA adalah Association Rule Mining.
Sedangkan algoritma yang akan
digunakan nantinya adalah algoritma
Frequent Pattern Growth (FP-Growth).
Algoritma ini merupakan
pengembangan dari algoritma Apriori
dimana algoritma FP-Growth dapat
melakukan analisa lebih cepat
dibandingkan algoritma apriori.
Dengan MBA ini nantinya data
transaksi penjualan counter Erafone
akan di analisa untuk menemukan hasil
yaiitu berupa presentase HP atau
aksesoris yang sering terjual dan yang
jarang atau tidak laku terjual. Dengan
menggunakan data tersebut para
produsen HP dapat membatasi jumlah
barang yang kurang begitu laris dan
menambah stok HP atau aksesoris yang
laris terjual.
II. METODE
A. Association Rule
“Association Rule mining
adalah suatu prosedur untuk
mencari hubungan antar item
dalam suatu data set yang
ditemukan” (Han, Kamber,
2006). Association rule di
definisikan sebagi suatu proses
untuk menemukan semua
aturan asosiasi yang memenuhi
syarat minimum untuk support
(minimum support) dan syarat
minimum untuk cinfidence
(minimum confidence). Jika
support-nya ≥ minimum
support dan confidence-nya ≥
minimum confidence, maka
rule tersebut bisa dikatakan
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Kana Fitria Rahmawati | 14.1.03.02.0014 Fakultas Teknik – Teknik Informatika
simki.unpkediri.ac.id || 4||
sebagai interesting rule. Tahap
ini mencari kombinasi item
yang memenuhi syarat
minimum dari nilai support
dalam database. Nilai support
sebuah item diperoleh dengan
perhitungan seperti berikut
(Ngatimin, 2013):
( ) ∑
∑ ( )
Sementara itu, nilai
support dari 2 item diperoleh
dari perhitungan berikut:
( ) ∑
∑ ( )
Setelah semua pola
frekuensi ditemukan, barulah
dicari aturan asosiasi yang
memenuhi syarat minimum
untuk confidence dengan
perhitungan confidence sebagai
berikut:
( | ) ∑
∑ ( )
B. Frequent Pattern Growth
(FP-Growth)
“Frequent pattern growth
algorithm atau yang biasa
disebut dengan FP-Growth
Algorithm adalah suatu
algoritma yang memperkecil
Ukuran data set yang
mempresentasikan frequent
item ke dalam frequent pattern
tree (FP-Tree)” (Han, Kamber,
2006).
Algoritma FP-
Growth merupakan konsep
pembangunan tree dalam
pencarian frequent itemsets. Hal
tersebutlah yang menyebabkan
algoritma FP-Growth lebih
cepat dari lagoritma Apriori.
Karakteristik algoritma FP-
Growth adalah struktur data
yang menggunakan tree atau
disebut dengan Frequent
Pattern Tree (FP-Tree).
Dengan menggunakan FP-Tree,
algoritma FP-Growth dapat
langsug mengekstrak frequent
itemset dari FP-Tree.
III. HASIL DAN KESIMPULAN
Dalam perancangan
program, bahasa pemrograman
yang digunakan adalah C#
denagan Integreted Development
Environment (IDE) menggunakan
Visual Studio 2013. Sedangkan
database yang digunakan adalah
MySQL.
Berikut tampilan program
Aplikasi Counter HP:
A. Tampilan Halaman Login
Halaman login dapat
diakses dengan menekan
tombol login pada menu
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Kana Fitria Rahmawati | 14.1.03.02.0014 Fakultas Teknik – Teknik Informatika
simki.unpkediri.ac.id || 5||
awal. Berikut merupakan
tmpilan halaman login:
Gambar 3.1 Halaman Login
Login dibedakan
menjadi 2 bagian, yaitu login
admin dan login karyawan.
Admin memiliki prioritas
lebih tinggi dan dapat
mengakses keseluruhan
aplikasi, sedangkan karyawan
hanya dapat mengakses data
barang, transaksi penjualan,
dan analisis penjualan saja.
B. Tampilan Halaman Utama
(Home)
Halaman utama
dapat diakses setelah
melakukan login. Perbedaan
dari halaman login adalah
bagian menu yng sudah dapat
diakses sesuai prioritas ketika
login.
Gambar 3.2 Halaman Utama
Pada gambar 3.2
login yang digunakan admin
oleh karenanya semua menu
dapat diakses. Jika
melakukan login karyawan
menu laporan penjualan dan
data karyawan tetap tidak
akan dapat diakses.
C. Tampilan Halaman Data
Barang
Halam data barang
dapat diakses dengan menekan
menu data barang. Berikut
merupakan tampilan halaman
data barang:
Gambar 3.3 Halaman Data Barang
Bagian utama dari
halaman data barang adalah
tabel data barang yang disertai
dengan detail gambar dan
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Kana Fitria Rahmawati | 14.1.03.02.0014 Fakultas Teknik – Teknik Informatika
simki.unpkediri.ac.id || 6||
deskripsinya. Selain itu
terdapat informasi tambahan
berupa jumlah variasi barang
dan jumlah jenis barang. Fitur:
pencaruan data barang, input
data, edit data, dan hapus data.
D. Tampilan Halaman Transaksi
Penjualan
Halaman transaksi
penjualan dapat diakses
dengan menekan menu
transaksi penjualan. Berikut
adalah tampilan halaman
transaksi penjualan:
Gambar 3.4 Halaman
Transaksi Penjualan
Bagian utama dari
halaman transaksi penjualan
adalah tabel data transaksi
harian dilengkapi dengan
detail transaksi serta tabel
detail item apa saja yang
dibeli dalam satu transaksi.
Selain itu terdapat informasi
tambahan berupa jumlah
transaksi keseluruhan dan
jumlah transaksi harian. Fitur:
input data dan hapus data.
E. Tampilan Halaman Analisis
Penjualan
Halaman analisis
penjualan dapat diakses
dengan menekan menu
analisis penjualan. Berikut
adalah tampilan halaman
analisis penjualan:
Gambar 3.5 Halaman
Analisis Penjualan
Bagian utama dari
halaman analisis penjualan
adalah tabel hasil perhitungan
algoritma FP-Growth yang
dibagi menjadi dua, yaitu
perhitungan satu itemset dan
perhitungan kombinasi dua
itemset. Selain itu terdapat
informasi tambahan berupa
rekomendasi barang, saran
sistem dalam memproduksi
barang, jumlah keseluruhan
item yang dihitung, dan
frekuensi per-item.
Pada gambar 3.5
diatas minimum frekuensi
diatur 4 sedangkan minimum
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Kana Fitria Rahmawati | 14.1.03.02.0014 Fakultas Teknik – Teknik Informatika
simki.unpkediri.ac.id || 7||
confidence diatur 45%, hasil
yang di dapat sebagai berikut:
Gambar 3.6 Hasil
Itemset 1
Gambar 3.7 Hasil
Kombinasi 2 Itemset
Gambar 3.8 hasil Saran Sistem
Fitur: penentuan minimum
frekuensi dan minimum
confidence.
F. Tampilan Halaman Laporan
Penjualan
Halaman laporan
penjualan dapat diakses
dengan menekan menu
laporan penjualan. Hak akses
halaman laporan hanya
diberikan kepada admin, oleh
karenanya karyawan tidak
dapat mengakses halaman
laporan penjualan. Berikut
adalah tampilan halaman
laporan penjualan:
Gambar 3.9 Halaman
Laporan Penjualan
Bagian utama dari
halaman laporan penjualan
adalah tabel penjualan harian
dan detail transaksi dalam
sehari. Selain itu terdapat
informasi tambahan berupa
jumlah laporan harian serta
kinerja karyawan.
G. Tampilan Halaman Data
Karyawan
Halan data
karyawan dapat diakses
dengan menekan menu data
karyawan. Hak akses
halaman data karyawan hanya
diberikan kepada admin, oleh
karenaya karyawan tidak
dapat mengakses halaman
data karyawan. Berikut
adalah tampilan halaman data
karyawan:
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Kana Fitria Rahmawati | 14.1.03.02.0014 Fakultas Teknik – Teknik Informatika
simki.unpkediri.ac.id || 8||
Gambar 3.10 Halaman
Data Karyawan
Bagian utama dalam
halaman data karyawan
adalah tabel data karyawan
dilengkapi dengan detailnya.
Selain itu terdapat informasi
tambahan berupa jumlah
karyawan, data jumlah
gender, dan data jam masuk.
Fitur: diantaranya pencarian
karyawan, input data, edit
data, dan hapus data.
H. Tampilan Halaman Info
Aplikasi
Halaman info
aplikasi dapat diakses dengan
menekan menu info aplikasi.
Halaman info aplikasi adalah
satu-satunya menu yang dapat
diakses bahkan sebelum
login. Berikut adalah
tampilan halaman info
aplikasi:
Gambar 3.11 Halaman
Info Aplikasi
Bagian utama dalam
halaman info aplikasi adalah
Bantuan Aplikasi dan
Tentang Aplikasi. Pada
bagian Bantuan Aplikasi
terdapat empat sub bagian,
yaitu: Bantuan Login,
Bantuan Input, Bantuan Edit,
dan Bantuan hapus.
IV. PENUTUP
A. Simpulan
Berdasarkan
pembahasan dari analisis dan
uji coba yang telah dilakukan,
maka dapat diambil
kesimpulan terhadap
.Aplikasi Counter HP adalah
sebagai berikut:
1. Metode Frequent Pattern
Growth (FP-Growth)
dapat digunakan untuk
menganalisa HP atau
Aksesoris yang paling
diminati pelanggan.
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Kana Fitria Rahmawati | 14.1.03.02.0014 Fakultas Teknik – Teknik Informatika
simki.unpkediri.ac.id || 9||
2. Aplikasi counter HP telah
dapat
mengimplementasikan
data mining metode
Association Rule
algoritma FP-Growth
dengan baik. Hasil dari
aplikasi ini berupa
informasi tingkat
popularitas HP atau
aksesoris yang disukai
pelanggan, kombinasi HP
atau aksesoris yang dibeli
bersamaan setiap
transaksinya,
rekomendasi HP atau
aksesoris yang terlaris,
serta saran dari sistem
untuk menambah data
mengurangi barang
tertentu.
3. Dengan adanya fitur saran
sistem pada Aplikasi
Counter HP pemilik
counter dapat mengetahui
HP atau aksesoris apa saja
yang sebaiknya
ditingkatkan jumlah
stoknya agar mendapat
keuntungan lebih dan
barang mana saja yang
sebaiknya dikurangi
jumlah stoknya agar tidak
terjadi kerugian.
B. Saran
Berdasarkan uraian
kesimpulan diatas, maka
saran yang diharapkan
penulis untuk pengembangan
aplikasi serupa adalah sebagai
berikut:
1. Perlu adanya penambahan
data beberapa bulan agar
mendapat lebih banyak
variasi hasil.
2. Diharapkan untuk
penelitian selanjutnya
dapat menganalisa data
penjualan berdasarkan
bulan dan tahun.
3. Diharapkan terdapat
penambahan halaman
untuk melihat
perkembangan popularitas
HP atau aksesoris.
4. Sistem ini dapat
diterapkan pada kasus lain
serupa.
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Kana Fitria Rahmawati | 14.1.03.02.0014 Fakultas Teknik – Teknik Informatika
simki.unpkediri.ac.id || 10||
V. DAFTAR PUSTAKA
Gunadi, G. & Sesuse, D.I. 2012.
Penerapan Metode Data
Mining Market Basket
Analysis terhadap Data
penjualan Produk Buku
dengan Menggunakan
Algoritma Apriori dan
Frequent Pattern Growth
(FP-Growth): Studi
Kasus Percetakan PT.
Gramedia. Vol. 4, No.1,
Hal 121.
Han & Kamber. 2006. Data
Mining: Concepts and
Techniques, 2nd ed.
Ikhsana, Y. dkk. 2015.
Implementasi Data
Mining dengan
Menggunakan Algoritma
FP-Growth untuk
Menentukan Pola
Penjualan Barang pada
Event Tertentu (Studi
Kasus: Berkah
Swalayan). Jurnal Aksara
Komputer Terapan. Vol.
4. No. 4.
Kusrini & Luthfi, E.T. 2009.
Algoritma Data Mining.
Yogyakarta: Andi.
Maulida, T.A. 2014. Analisa Data
mining Menggunakan
Algoritma Frequent
Pattern Growth pada
Data Transaksi
Penjualan Restoran
Joglo Kampoeng Doloe
Semarang. Universitas
Dian Nuswantoro.
Ngatimin. 2013. Perancangan
Aplikasi E-Comerce
Toko Buku Qisthi dengan
Menggunakan Metode
Market Basket Analysis.
Vol. 5, No. 1.
Samuel, D. 2008. Penerapan
Struktur FP-Tree dan
Algoritma FP-Growth
dalam Optimasi
Penentuan Frequent
Itemset. Institut
Teknologi Bandung.
Sonrisa, S. 2016. Implementasi
Data Mining Terhadap
Penentuan Paket Hemat
Sembako dan Kebutuhan
Harian Menggunakan
Aturan Association Rule
di Primer Koperasi
Kartika Baja Cilegon
dengan Algoritma FP-
Growth. Bandung:
Universitas Komputer
Indonesia.
Turban, E., dkk. 2005. Decicion
Support Systems and
Intelligent Systems.
Yogyakarta: Andi Offset.