BAB II TINJAUAN PUSTAKA DAN LANDASAN...

6

BAB II

TINJAUAN PUSTAKA DAN LANDASAN TEORI

2.1 Tinjauan Pustaka

Penelitian mengenai algoritma apriori yang dilakukan oleh Robi Yanto dan

Riri Khoiriyah (2015) yang berjudul “Implementasi Data Mining dengan Metode

Algoritma Apriori dalam Menentukan Pola Pembelian Obat”. Pada penelitian ini

data yang digunakan berupa data transaksi pembelian obat periode Januari dan

Februari 2014 dengan sampel 20 data transaksi yang berisi nama obat saja bukan

taksonomi obat. Hal ini bertujuan agar memudahkan tetap tersedianya berbagai

obat yang cenderung sering dibutuhkan oleh konsumen. Bahasa pemrograman

yang digunakan adalah Visual Basic 6.0 dan database Mysql. Dengan

menggunakan minimum support 40%, diperoleh 6 nama obat yang terpenuhi.

Kemudian dilanjutkan dengan pembentukan kombinasi 2 itemset dan minimum

support yang sama, diperoleh 2 kombinasi itemset saja. Namun ketika dilakukan

kombinasi 3 itemset tidak ada kombinasi yang terpenuhi. Setelah pola frekuensi

tinggi ditemukan, barulah dicari aturan asosisi yang memenuhi syarat minimum

dengan menghitung confidence aturan asosiasi. Sehingga dapat disimpulkan hanya

terdapat 2 kombinasi 2 itemset dengan confidence 75% dan 77,77%.

Penelitian selanjutnya dilakukan oleh Arif Ismail Husin dan Farida

Mulyaningsih (2015) yang berjudul “Penerapan Metode Data Mining Analisis

terhadap Data Penjualan Pakaian dengan Algoritma Apriori”. Pada penelitian ini

data yang digunakan adalah data penjualan pakaian pada tahun 2013 dengan

tujuan untuk menemukan hubungan antar produk yang dibeli secara bersamaan.

Universitas Islam Negeri Sunan Kalijaga (11.12.2019)

7

Tools yang digunakan pada algoritma apriori ini adalah tools Tanagra. Dari data

yang diperoleh selama 1 tahun tersebut dilakukan normalisasi sehingga terlihat

merk pakaian apa saja yang mendapatkan nilai penjualan paling banyak. Dengan

mengelompokkan 3 merk pakaian paling diminati per-bulan-nya, diperoleh 12

pola kombinasi merk pakaian tersebut. Menggunakan nilai minimum support

30% pada kombinasi 2 itemset, hanya menghasilkan 2 kombinasi yang terpenuhi.

Namun setelah dicoba dengan kombinasi 3 itemset tidak ada kombinasi yang

terpenuhi. Kemudian dilakukan pembentukan aturan asosiasi dari 2 kombinasi

yang terpenuhi pada 2 itemset tersebut. Menggunakan minimum confidence 66%,

2 kombinasi tersebut terpenuhi dengan nilai confidence 66,67% dan 80%.

Penelitian selanjutnya dilakukan oleh Heroe Santoso, I Putu Hariyadi dan

Prayitno (2016) yang berjudul “Data Mining Analisa Pola Pembelian Produk

dengan Menggunakan Metode Algoritma Apriori”. Penelitian ini dilakukan

dengan tujuan untuk mengelompokkan data agar dapat mengetahui

kecenderungan transaksi yang muncul bersamaan sehingga menemukan pola

pembeliannya serta bisa dijadikan acuan untuk merancang kupon diskon pada

produk tertentu untuk menarik daya beli konsumen. Data yang digunakan pada

penelitian ini adalah data transakasi pada sebuah swalayan. Tahap pertama yang

dilakukan adalah melakukan normalisasi data transaksi tersebut menjadi 1 item.

Kemudian membuat data transaksi yang telah di normalisasi tersebut dibuat dalam

bentuk tabular. Dengan menggunakan nilai minimum support 2, calon 2 itemset

pada setiap data transaksi dihitung sesuai data tabular sebelumnya dan

menghasilkan 5 k-item. Menggabungkan calon 2 itemset menjadi 3 itemset, hanya

terdapat 1 itemset yang memenuhi minimum support. Kemudian melakukan


8

pembentukan aturan asosiasi dengan menetapkan minimum confidence 60%,

kombinasi 2 itemset yang terpenuhi adalah 7 kombinasi dan kombinasi 3 itemset

yang terpenuhi tidak ada.

Penelitian selanjutnya yang dilakukan Margi Cahyanti, Maulana Mujahidin,

dan Ericks Rachmat Swedi (2017) yang berjudul “Penerapan Algoritma Apriori

Association Rule Untuk Analisa Nilai Mahasiswa Di Universitas Gunadarma”.

Penelitian dilakukan dengan tujuan mencari aturan asosiasi untuk nilai yang

mengulang pada 75 mata kuliah yang telah diambil. Dengan menggunakan

algoritma apriori dan bahasa pemrograman C#, peneliti berhasil membuat aplikasi

yang terkoneksi dengan server akademik Universitas Gunadarma. Hasil dari

penelitian ini adalah dengan confidence sebesar 83,84% dan minimum support

100, sehingga dapat disimpulkan bahwa dengan tingkat kepercayaan ±80%

mahasiswa yang mengulang matakuliah ”Praktikum Algoritma dan

Pemrograman” juga akan mengulang matakuliah "Pengantar Sistem Komputer”.

Penelitian selanjutnya dilkukan oleh Rahmawati Ulfa (2018) yang berjudul

“Implementasi Data Mining Menggunakan Algoritma Apriori untuk Mengetahui

Pola Pembelian Konsumen pada Data Transaksi Penjualan di KPRI UIN Sunan

Kalijaga Yogyakarta”. Tujuan dari penelitian ini adalah untuk mengetahui pola

pembelian produk oleh konsumen pada bulan Januari dan Februari 2018. Data

yang tersedia di normaliasasi agar dapat diolah dengan algoritma apriori. Dengan

menggunakan minimum support = 1, diperoleh data kandidat 1 itemset dan

kandidat 2 itemset. Namun, untuk kandidat 3 itemset tidak ada kandidat data yang

terpenuhi. Setelah mendapatkan kandidat data 2 itemset kemudian melakukan

pembangkitan aturan asosiasi dengan menetapkan minimal confidence 25%. Hasil


9

dari penelitian ini algoritma apriori berhasil diimplementasikan untuk mengetahui

pola pembelian konsumen dari data yang tersedia.

Tabel 2. 1 Tabel penelitian terdahulu

Peneliti

(Tahun)

Objek

penelitian

Metode Judul Hasil

Robi Yanto

dan Riri

Khoiriyah

(2015)

data

transaksi

pembelian

obat

periode

Januari dan

Februari

2014

Algoritma

apriori

Implementasi

Data Mining

dengan Metode

Algoritma

Apriori dalam

Menentukan Pola

Pembelian Obat

Mengetahui pola

pembelian obat

yang sering dibeli

bersamaan.

Arif Ismail

Husin dan

Farida

Mulyaningsih

(2015)

Data

transaksi

pembelian

pakaian

tahun 2013

Algoritma

apriori

Penerapan

Metode Data

Mining Analisis

terhadap Data

Penjualan

Pakaian dengan

Algoritma

Apriori

Mengetahui

hubungan antar

produk yang

dibeli secara

bersamaan.

Heroe

Santoso, I

Putu

Hariyadi dan

Prayitno

(2016)

Data

transaksi

swalayan

Algoritma

apriori

Data Mining

Analisa Pola

Pembelian

Produk dengan

Menggunakan

Metode

Algoritma

Apriori

mengelompokkan

data agar dapat

mengetahui

kecenderungan

transaksi yang

muncul

bersamaan.


10

Tabel 2. 2 Tabel penelitian terdahulu (Lanjutan)

Peneliti

(Tahun)

Objek

penelitian

Metode Judul Hasil

Margi

Cahyanti,

Maulana

Mujahidin,

dan Ericks

Rachmat

Swedi (2017)

Universitas

Gunadarma

Algoritma

apriori

Penerapan

Algoritma

Apriori

Association

Rule Untuk

Analisa Nilai

Mahasiswa Di

Universitas

Gunadarma

tingkat

kepercayaan

±80% mahasiswa

yang mengulang

matakuliah

”Praktikum

Algoritma dan

Pemrograman”

juga akan

mengulang

matakuliah

"Pengantar

Sistem

Komputer”

Rahmawati

Ulfa (2018)

KPRI UIN

Sunan

Kalijaga

Yogyakarta

bulan

Januari dan

Februari

2018

Algoritma

apriori

Implementasi

Data Mining

Menggunakan

Algoritma

Apriori untuk

Mengetahui

Pola Pembelian

Konsumen pada

Data Transaksi

Penjualan di

KPRI UIN

Sunan Kalijaga

Yogyakarta

mengetahui pola

pembelian produk

oleh konsumen

pada bulan

Januari dan

Februari 2018


11

2.2 Landasan Teori

2.2.1 Data Mining

Data mining adalah suatu istilah yang dibuat untuk menguraikan

penemuan pengetahuan didalam database. Data mining adalah proses yang

menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine

learning untuk mengekstraksi dan mengidentifikasikan informasi yang bermanfaat

dan pengetahuan yang terkait dari berbagai database besar. (Turban, dkk. 2005:

Kusrini & Luthfi, 2009).

Menurut Gartner Group data mining adalah suatu proses menemukan

hubungan yang berarti, pola, dan kecenderungan dengan memeriksa dalam

sekumpulan besar data yang tersimpan dalam penyimpanan dengan menggunakan

teknik pengenalan pola seperti teknik statistik dan matematika (Larose, 2005:

Kusrini & Luthfi, 2009).

Data mining merupakan bidang dari beberapa bidang keilmuan yang

menyatukan teknik dari pembelajaran mesin, pengenalan pola, statistik, database,

dan visualisasi untuk penanganan permasalahan pengambilan informasi dari

database besar. (Larose, 2005: Kusrini & Luthfi, 2009).

Data mining juga dapat diartikan sebagai pengekstrakan informasi baru

yang diambil dari bongkahan data besar yang membantu dalam pengambilan

keputusan (Kusrini & Luthfi, 2009).

Istilah data mining dan knowledge discovery in database (KDD) seringkali

digunakan secara bergantian untuk menjelaskan proses penggalian informasi

tersembunyi dalam suatu basis data yang besar. Sebenarnya kedua istilah tersebut


12

memiliki konsep yang berbeda, tetapi berkaitan satu sama lain. Dan salah satu

tahapan dalam keseluruhan proses KDD adalah data mining (Kusrini & Luthfi,

2009).

Gambar 2. 1 Proses Data Mining

Berdasarkan gambar 2.1. proses KDD secara garis besar dapat menjelaskan

sebagai berikut (Fayyad, 1996; Kusrini & Luthfi, 2009).

1. Data Selection

Pemilihan (seleksi) data dari sekumpulan data operasional perlu

dilakukan sebelum tahap penggalian informasi dalam KDD dimulai. Data hasil

seleksi yang akan digunakan untuk proses data mining, disimpan dalam suatu

berkas, terpisah dari basis data operasionalPreprocessing/ Cleaning

2. Pre-processing/ Cleaning

Sebelum proses data mining dapak dilaksanakan, perlu dilakukan

proses cleaning pada data yang menjadi fokus KDD. Proses Cleaning

mencakup antara lain membuang duplikasi data, memeriksa kesalahan pada

data, seperti kesalahan cetak (tipografi). Juga dilakukan proses enrichment,


13

yaitu proses “memperkaya” data yang sudah ada dengan data atau informasi

lain yang relevan dan diperlukan untuk KDD, seperti data atau informasi

eksternal.

3. Transformation

Coding adalah proses transformasi pada data yang telah dipilih

sehingga data tersebut sesuai untuk proses data mining. Proses coding dalam

KDD merupakan proses kreatif dan sangat tergantung pada jenis atau pola

informasi yang akan dicari dalam basis data.

4. Data Mining

Data mining adalah proses mencari pola atau informasi menarik dalam

data terpilih dengan menggunakan teknik atau metode tertentu. Teknik,

metode, atau algoritma dalam data mining sangat bervariasi. Pemilihan metode

atau algoritma yang tepat sangat bergantung pada tujuan dan proses KDD

secara keseluruhan.

5. Interpretation atau Evaluation

Pola informasi yang dihasilkan dari proses data mining perlu

ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang

berkepentingan. Tahap ini merupakan bagian dari proses KDD yang disebut

interpretation. Tahap ini mencakup pemeriksaan apakah pola atau informasi

yang ditemukan bertentanga dengan fakta atau hipotesis yang ada sebelumnya..

Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat

dilakukan, yaitu (Larose, 2005: Kusrini & Luthfi, 2009):


14

1. Deskripsi

Terkadang peneliti dan analisis secara sederhana ingin mencoba

mencari cara untuk menggambarkan pola dan kecenderungan yang terdapat

dalam data. Sebagai contoh, petugas pengumpulan suara mungkin tidak dapat

menemukan keterangan atau fakta bahwa siapa yang tidak cukup profesional

akan sedikit didukung dalam pemilihan presiden. Deskripsi dari pola dan

kecenderungan sering memberikan kemungkinan penjelasan untuk suatu pola

atau kecenderungan.

2. Estimasi

Estimasi hampir sama dengan klasifikasi, kecuali variable target

estimasi lebih ke arah numerik daripada ke arah kategori. Model dibangun

menggunakan record lengkap yang menyediakan nilai dari variabel target

dibuat berdasarkan nilai prediksi. Sebagai contoh, estimasi nilai indeks prestasi

kumulatif mahasiswa program pascasarjana dengan melihat nilai indeks

prestasi mahasiswa tersebut pada saat mengikuti program sarjana.

3. Prediksi

Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa

dalam prediksi nilai dari hasil akan ada di masa mendatang.

Contoh prediksi dalam bisnis dan penelitian adalah:

· Prediksi harga beras dalam tiga bulan yang akan datang.

· Prediksi presentase kenaikan kecelakaan lalu lintas tahun depan jika batas

bawah kecepatan dinaikan.


15

4. Klasifikasi

Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh,

penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu

pendapat tinggi, pendapatan sedang, dan pendapatan rendah. Contoh lain

klasifikasi dalam bisnis dan penelitian adalah:

· Menentukan apakah suatu transaksi kartu kredit merupakan transaksi yang

curang atau bukan.

· Memperkirakan apakah suatu pengajuan hipotek oleh nasabah merupakan

suatu kredit yang baik atau buruk.

· Mendiagnosis penyakit seorang pasien untuk mendapatkan termasuk

kategori penyakit apa.

5. Pengklusteran

Pengklusteran merupakan pengelompokan record, pengamatan, atau

memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan.

Kluster adalah kumpulan record yang memiliki kemiripan satu dengan yang

lainnya dan memiliki ketidakmiripan dengan record-record dalam kluster lain.

6. Asosiasi

Tugas asosiasi dalam data mining adalah menemukan atribut yang

muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis

keranjang belanja.

Contoh asosiasi dalam bisnis dan penelitian adalah:

· Meneliti jumlah pelanggan dari perusahaan telekomunikasi seluler yang

diharapkan untuk memberikan respon positif terhadap penawaran upgrade

layanan yang diberikan.


16

· Menemukan barang dalam supermarket yan dibeli secara bersamaan dan

barang yang tidak pernah dibeli secara bersamaan.

2.2.2 Konsep Analisis Asosiasi

Analisis asosiasi atau association rule mining adalah teknik data mining untuk

menemukan aturan asosiatif antara suatu kombinasi item. Analisis asosiasi dikenal

juga sebagai teknik data mining yang menjadi dasar dari berbagai teknik data

mining lainnya. Secara khusus, salah satu tahap analisis asosisasi yang menarik

perhatian banyak peneliti untuk menghasilkan algoritma yang efisien adalah

analisis pola frekuensi tinggi (frequent pattern mining). Penting tidaknya suatu

aturan asosiasi dapat diketahui dengan dua parameter (Nofiansyah, 2014):

a. Support :

Suatu ukuran yang menunjukkan seberapa besar tingkat dominasi suatu

item/itemset dari keseluruhan transaksi. Ukuran ini menentukan apakah suatu

item/itemset layak untuk dicari confidence tersebut (missal, dari keseluruhan

transaksi yang ada, seberapa tingkat dominasi yang menunjukkan item A dan B

dibeli bersamaan).

b. Confidence :

Suatu ukuran yang menunjukkan hubungan antar 2 item secara

conditional (misal, seberapa sering item B dibeli jika orang membeli item A)

(Kusrini dan Emha, 2009).

Aturan asosiasi biasanya dinyatakan dalam bentuk :

{roti,mentega}->{susu}(support = 40%, confidence = 50%)

Aturan tersebut berarti “50% dari transaksi di database yang memuat item

roti dan mentega juga memuat item susu. Sedangkan 40% dari seluruh


17

transaksi yang ada di database memuat ketiga item itu.” dapat juga diartikan:

“Seorang konsumen yang membeli roti dan mentega punya kemungkinan 50%

untuk juga membeli susu. Aturan ini cukup signifikan karena mewakili 40%

dari catatan transaksi selama ini.”

Aturan sosiasi didefinisikan suatu proses yang menemukan semua

aturan asosiasi yang memenuhi syarat minimum untuk support (minimum

support) dan syarat minimum untuk confidence (minimum confidence).

(Kusrini dan Emha, 2019). Adapun langkah-langkah penyelesaiannya adalah

dengan Assosiant:

1. Analisis pola frekuensi tinggi

Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari

nilai support dalam database. Nilai support sebuah item ditunjukkan pada

rumus (2,1).

��pport(�) = ∑��

�� x 100% (2,1)

Sementara itu, nilai support dari 2 itemset diperoleh dari rumus (2,2).

Support (A,B) = P(A � B)

Support(A,B) = ∑��

�� x 100% (2,2)

2. Pembentukan aturan asosiasi

Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan

asosiasi yang memenuhi syarat minimum untuk confidence dengan menghitung

confidence aturan asosiatif A � B.

Nilai confidence dari aturan A � B ditunjukkan pada rumus (2,3) berikut.

Confidence(A,B) = ∑��

�� x 100% (2,3)


18

2.2.3 Apriori

Algoritma apriori merupakan salah satu algoritma klasik data mining.

Algoritma apriori digunakan agar komputer dapat mempelajari aturan

asosiasi, mencari pola hubungan antar satu atau lebih item dalam suatu dataset.

Langkah atau cara kerja Apriori dapat digambarkan dalam bentuk flowchart

berikut:

Gambar 2. 2 Flowchart Apriori

Dari penggambaran pada flowchart diatas, langkah-langkah algoritma apriori

dapat dijabarkan sebagai berikut :


19

1. Menghitung jumlah transaksi yang akan di proses dengan algoritma apriori

2. Menghitung support kandidat 1-itemset

3. Menentukan minimum support

4. Menyeleksi item yang tidak memenuhi minimum support

5. Mengulangi langkah 2 sampai 4 (jika tidak ada yang memenuhi minimum

support, maka berhenti sampa x-itemset sebelumnya)

6. Menentukan minimum confidence

7. Melakukan aturan asosiasi, yaitu dengan membandingkan nilai confidence

masing-masing itemset dengan minimum confidence.

8. Rule terkuat adalah rule yang memenuhi batas minimum confidence

2.2.4 Python

Python merupakan bahasa pemrograman beraras tinggi yang diciptakan

oleh Guido van Rossum pada tahun 1989 di Amsterdam, Belanda. Meskipun

beraras tinggi namun Python memiliki bahasa yang sederhana yang mudah

dipahami oleh pemula. Kosakata yang terdapat pada Python sangatlah mudah

untuk diingat-ingat. Namun, dibalik kesederhanaan ini, Python mendukung

banyak pustaka yang tersimpan dalam modul-modul. Modul atau disebut juga

pustaka adalah suatu berkas yang bisa berisi kumpulan kelas, fungsi, dan

prosedur, yang bisa diakses dalam mode interaktif atau suatu skrip. Agar suatu

modul bisa digunakan dalam mode interaktif atau suatu skrip, modul harus

diimpor terlebih dahulu. Python juga menyediakan mekanisme untuk mengimpor

sejumlah modul dengan hanya menggunakan sebuah pernyataan import dengan

antarmodul dipisahkan dengan tanda koma. Sejumlah pustaka tersedia antara lain

mendukung jaringan, antarmuka grafis, pencitraan, analisis dan komputasi


20

numeric, hypertext (HTML, XML, dll) akses database, dan berbagai

lainnya.(Kadir, 2015).

Bahasa pemrograman Python adalah pemrograman berorientasi objek yang

memiliki keistimewaan tentang pewarisan dan instansiasi yang ditawarkan pada

bahasa berorientasi objek juga dapat diwujudkan pada Python.


21

BAB III

METODE PENELITIAN

3.1 Objek dan Lokasi Penelitian

Dalam melakukan penelitian tugas akhir ini, dilakukan dengan mengambil

objek penelitian berupa data penjualan pada bulan November dan Desember 2018

Toko Buku Social Agency Baru Ambarukmo yang terletak di Jl. Laksda

Adisucipto No. 22, Papringan, Caturtunggal, Yogyakarta. Toko ini tidak hanya

menjual buku, ada berbagai macam alat tulis yang disediakan.

3.2 Metode Penelitian

Metode yang digunakan pada penelitian tugas akhir ini adalah dengan

metode penelitian terapan. Yaitu menera pkan algoritma apriori pada bahasa

pemrograman python dengan tujuan untuk menganalisa pola pembelian pada Toko

Buku Social Agency Ambarukmo, dimana data yang digunakan adalah data pada

bulan November dan Desember 2018 yang telah dioalah pada tahapan

preprocessing. Dari data tersebut, untuk mendapatkan hasil yang diinginkan harus

melalui dua tahapan. Yaitu pembentukan itemset dengan minimum support yang

telah ditentukan. Selanjutnya menentukan minimum confidence untuk melakukan

pembentukan aturan asosiasi.


22

3.3 Tahap-tahap Penelitian

Tahap-tahap yang dilakukan dalam penelitian ini adalah

1. Pengambilan Data

Pada tahapan ini, penulis mendatangi langsung lokasi penelitian untuk

bertemu pemilik toko dengan agenda meminta izin terkait dengan

pengambilan data. Setelah mendapatkan izin, penulis kemudian

menemui admin yang mengelola data untuk meminta dan menjelaskan

data-data yang dibutuhkan pada penelitian ini.

2. Seleksi Data

Setelah memperoleh data, seleksi data adalah tahapan yang dilakukan

untuk memilih atribut-atribut yang digunakan pada data mentah

transaksi penjualan yang diperoleh dari Toko Buku Social Agency

Ambarukmo.

3. Preprocessing/ Cleaning Data

Dari atribut-atribut data yang telah dipilih pada tahapan sebelumnya,

pada tahap ini duplikasi data dan field yang tidak diperlukan dibuang

untuk mendapatkan hasil data yang dapat diolah pada metode

penelitian ini.

4. Transformation

Pada tahap ini, data siap olah yang dihasilkan pada tahap

preprocessing/cleaning dijadikan satu folder dengan data python yang

kemudian akan dilakukan pemrosesan kedalam tahapan coding.


23

5. Data Mining

Setelah proses transformation, tahapan Data Mining adalah tahapan

inti pada algoritma ini. Pada tahapan ini, penulis melakukan proses

coding dengan bahasa pemrograman python untuk menerapkan metode

apriori pada library yang ada. Tahap ini menghasilkan pola pembelian

konsumen yang akan menjadi acuan untuk prose

interpretation/evaluation.

6. Interpretation/Evaluation

Pola yang dihasilkan dari proses data mining selanjutnya akan

dinterpretasikan menjadi sebuah informasi atau pengetahuan

(knowledge).


24

BAB IV

HASIL DAN PEMBAHASAN

4.1 Pembahasan

Alur penelitian yang telah dibahas pada bab sebelumnya, dapat

diilustrasikan sebagai berikut:

Gambar 4. 1 Alur Penelitian (Ulfa, 2018)

Dari gambar 4.1. diatas, alur penelitian ini dapat diuraikan sebegai berikut:

4.1.1. Seleksi Data

Data transaksi penjualan yang diperoleh dari toko buku Social Agency

Baru Ambarukmo yang berupa data mentah dalam format excel tersebut

dilakukan seleksi data apa saja yang akan dibutuhkan saat proses data mining.

Data tersebut diseleksi karena data yang diperoleh adalah data-data yang belum

beraturan. Berikut adalah contoh data tersebut.


25

Gambar 4. 2 Data Mentah

Seleksi tersebut dilakukan dengan menggunakan bahasa pemrograman python,

yaitu dengan melakukan pemilihan field-field yang dibutuhkan seperti field kode

transaksi dan faktur/ kode barang. Sebelum diolah menggunakan bahasa

pemrograman python, file excel tersebut diubah terlebih dahulu menjadi file csv.

Data yang tidak memiliki faktur/ kode dihilangkan karena merupakan data alat

tulis bukan termasuk data buku. Adapun prosesnya akan disajikan dalam bentuk

potongan kode berikut:

Hasil dari code diatas adalah data asli dengan tanpa header. Hal ini dikarenakan

agar mudah terbaca pada python.


26

Gambar 4. 3 Data awal tanpa header

Kemudian mengambil data yang dibutuhkan saja, yaitu dimulai dari baris ke-7

dan pada kolom ‘Unnamed: 1’.

Sehingga akan menampilkan data sepert pada gambar 4.4 tersebut.

Gambar 4. 4 Data yang dibutuhkan

data yang dibutuhkan diatas masih bebentuk baris, sehingga harus diubah terlebih

dahulu menjadi list. Adapun prosesnya akan disajikan dalam bentuk potongan

kode berikut.


27

Hasil dari proses diatas seperti pada gambar 4.5 berikut.

Gambar 4. 5 Data list

4.1.2. Pre-Processing

Tahap pertama pada tahap pre-processing adalah Labelling. Labelling

adalah proses pelabelan pada data yang sudah terseleksi. Berdasarkan penelitian di

toko buku Social Agency Baru Ambarukmo, buku-buku tersebut di bedakan

menjadi 56 jenis/ kategori. Adapun prosesnya akan disajikan dalam bentuk

potongan kode berikut.


28

Data hasil labelling tersebuta akan ditampilkan seperti pada gambar 4.6 berikut.

Gambar 4. 6 Data labelling

Data labelling diatas masih berbentuk data keseluruhan, sehingga harus

dibedakan antar keranjang agar bisa ditemukan association rule-nya. Adapun

prosesnya akan disajikan dalam bentuk potongan kode berikut.


29

Hasil dari proses data keranjang diatas adalah seperti pada gambar 4.7 berikut.

Gambar 4. 7 Data antar keranjang

Pada algoritma apriori, ketika dalam satu keranjang memiliki dua item yang sama

maka akan dianggap menjadi satu item saja. Sehingga pada preprocessing ini

akan menghapus data duplikat atau data yang serupa dalam satu keranjang.

Adapun prosesnya akan disajikan dalam potongan code berikut.

Hasil dari proses penghilangan data duplikat atau data yang sama pada satu

keranjang akan ditampilkan pada gambar 4.8 berikut.


30

Gambar 4. 8 Data tanpa duplikat

4.1.3. Transformation

Setelah dilakukan pre-processing, langkah selanjutnya adalah

transformation. Pada proses ini adalah dengan memastikan data tersebut sudah

dapat diolah dengan menggunakan algoritma apriori.

4.1.4. Proses Data Mining

Data hasil pre-processing tersebut, kemudian diolah dengan algoritma

apriori pada bahasa pemrograman python. Output dari proses data mining ini

adalah rule atau aturan asosiasi pada data transaksi yang diolah. Berikut adalah

contoh perhitungan manual dengan algoritma apriori yang ditunjukkan pada tabel

4.2.

Tabel 4. 1 Contoh data transaksi penjualan

No.

1. SMP Pelajaran Buku Agama

2. Psikologi Pelajaran Psikotes SMP Buku Agama

3. Pelajaran Peta SMP

4. Peta Gender Novel

5. Pelajaran Peta


31

Pada algoritma apriori, langkah pertama yang dilakukan adalah

menghitung jumlah transaksi yang akan dirproses. Dari tabel 4.2. diketahui

jumlah transaksi pada data tersebut adalah 5 transaksi. Setelah diketahui jumlah

transaksi, langkah selanjutnya adalah menghitung nilai support pada masing-

masing kandidat 1-itemset. Perhitungan nilai support akan ditunjukkan pada tabel

4.3.

Tabel 4. 2 Perhitungan nilai support kandidat 1-itemset

Jenis Buku Support

SMP 3/5 x 100% = 60%

Pelajaran 4/5 x 100% = 80%

Buku Agama 2/5 x 100% = 40%

Psikologi 1/5 x 100% = 20%

Psikotes 1/5 x 100% = 20%

Peta 2/5 x 100% = 40%

Gender 1/5 x 100% = 20%

Novel 1/5 x 100% = 20%

Selanjutnya menentukan minimum support dan menyeleksi item yang

tidak memenuhi. Misal dalam contoh ini, minimum support yang diambil adalah

40%. maka diperoleh item yang masuk dalam frequent itemset untuk k-1 adalah

sebagai berikut:

Tabel 4. 3 Frequent itemset k-1

Jenis Buku Support

SMP 60%

Pelajaran 80%

Buku Agama 40%

Peta 40%


32

Item yang telah terseleksi seperti pada tabel 4.4. tersebut dimasukkan

dalam kandidat k-itemset. Jenis buku Psikologi, Psikotes, Gender dan Novel tidak

memenuhi batas minimum support yang ditentukan, maka dihapus dari himpunan

kandidat itemset. Selanjutnya yaitu melakukan seleksi dan mencari nilai support

untuk kandidat 2 itemset dengan melakukan penggabungan pada kandidat 1

itemset yang sudah terseleksi sebelumnya. Tabel 4.5. menunjukkan perhitungan

nilai support kandidat 2-itemset.


Jenis Buku Support

{SMP, Pelajaran} 3/5 x 100% = 60%

{SMP, Buku Agama} 2/5 x 100% = 40%

{SMP, Peta} 1/5 x 100% = 20%

{Pelajaran, Buku Agama} 2/5 x 100% = 40%

{Pelajaran, Peta} 2/5 x 100% = 40%

{Buku Agama, Peta} 0/5 x 100% = 0%

Perhitungan nilai support untuk 2-itemset sama dengan perhitungan nilai

support untuk 1-itemset, yaitu berpacu pada data transaksi awal. Selanjutnya

adalah proses pemangkasan atau penghapusan itemset yang tidak memenuhi

minimum support yang telah ditentukan sebelumnya. Sehingga diperoleh:

Tabel 4. 5 Frequent 2-itemset

Jenis Buku Support

{SMP, Pelajaran} 60%

{SMP, Buku Agama} 40%

{Pelajaran, Buku Agama} 40%

{Pelajaran, Peta} 40%


33

Selanjutnya adalah mencari support dan menggabungkan kandidat itemset

pada tabel 4.6. dengan dirinya sendiri, sehingga membentuk k-3 seperti pada tabel

4.7.


Jenis Buku Support

{SMP, Pelajaran, Buku Agama} 2/5 x 100% = 40%

{SMP, Pelajaran, Peta} 1/5 x 100% = 20%

{SMP, Buku Agama, Peta} 0/5 x 100% = 0%

Berdasarkan tabel 4.7. tersebut, kandidat 3-itemset yang memenuhi nilai

minimum support hanya {SMP, Pelajaran, Buku Agama}. Sehingga diperoleh:

Tabel 4. 7 Frequent 3-itemset

Jenis Buku Support

{SMP, Pelajaran, Buku Agama} 40%

Setelah semua pola frekuensi tinggi ditemukan, kemudian melakukan

pembentukan aturan asosiasi yang memenuhi syarat minimum confidence dengan

menghitung nilai confidence pada tabel 4.7.

Berdasarkan Tabel 4.2. besarnya nilai confidence dari aturan asosiasi dapat

ditunjukkan pada tabel 4.8. berikut:

Tabel 4. 8 Aturan Asosisasi 3-itemset

Aturan Confidence

{SMP, Pelajaran -> Buku Agama} 2/3 x 100% = 67%

{SMP, Buku Agama -> Pelajaran} 2/2 x 100% = 100%

{Buku Agama, Pelajaran -> SMP} 2/2 x 100% = 100%


34

Selanjutnya adalah menetapkan nilai minimum confidence, misalkan dalam

contoh ini nilai minimum confidence adalah 70%, maka aturan yang terbentuk

adalah dua aturan berikut:

· Jika membeli jenis buku SMP dan Buku Agama, maka akan membeli

Pelajaran

· Jika membeli jenis buku Buku Agama dan Pelajaran, maka akan membeli

SMP

Calon aturan asosiasi dari kandidat 2-itemset dapat dilihat pada tabel 4.9.

Tabel 4. 9 Aturan Asosiasi 2-itemset

Jenis Buku Confidence

{SMP -> Pelajaran} 3/3 x 100% = 100%

{Pelajaran -> SMP} 3/4 x 100% = 75%

{SMP -> Buku Agama} 2/3 x 100% = 67%

{Buku Agama -> SMP} 2/2 x 100% = 100%

{Pelajaran -> Buku Agama} 2/4 x 100% = 50%

{Buku Agama -> Pelajaran} 2/2 x 100% = 100%

{Pelajaran -> Peta} 2/4 x 100% = 50%

{Peta -> Pelajaran} 2/3 x 100% = 67%

Setelah 2 aturan asosiasi tersebut terbentuk, selanjutnya adalah

pembentukan aturan asosiasi final, yaitu penggabungan antara 2 aturan asosiasi

dengan menambahkan nilai support dan confidence.

Tabel 4. 10 Aturan Asosiasi Final

Jenis Buku Support Confidence

{SMP -> Pelajaran} 60% 100%

{Pelajaran -> SMP} 60% 75%

{SMP -> Buku Agama} 40% 67%


35

Tabel 4. 11 Aturan Asosiasi Final (Lanjutan)

Jenis Buku Support Confidence

{Buku Agama -> SMP} 40% 100%

{Pelajaran -> Buku Agama} 40% 50%

{Buku Agama -> Pelajaran} 40% 100%

{Pelajaran -> Peta} 40% 50%

{Peta -> Pelajaran} 40% 67%

{SMP, Buku Agama -> Pelajaran} 40% 100%

{Buku Agama, Pelajaran -> SMP} 40% 100%

Rule terkuat adalah rule yang memenuhi batas minimum confidence.

Berdasarkan tabel 4.10. rule terkuat untuk 2-itemset terdapat pada {SMP ->

Pelajaran} dengan nilai support 60% dan nilai confidence 100%, yang artinya

bahwa 60% dari semua transaksi mengandung itemset {SMP dan Pelajaran} dan

100% transaksi yang mengandung SMP juga mengandung Pelajaran. Sedangkan

untuk 3-itemset ada 2 rule yang sama kuat, yaitu {SMP, Buku Agama ->

Pelajaran} dan {Buku Agama, Pelajaran -> SMP} dengan nilai support 40% dan

nilai confidence 100%.

4.1.5. Iterpretation/ Evaluation

Tahap ini adalah tahap dimana mengubah pola-pola yang dihasilkan oleh

proses data mining menjadi sebuah informasi atau knowledge. Pada contoh kasus

diatas, maka interpretasi yang dapat diambil untuk pola SMP -> Pelajaran

adalah: karena nilai confidence dari aturan tersebut 100%, maka knowledge yang

didapat adalah bahwa setiap pembelian jenis buku SMP, seseorang pasti akan

membeli jenis buku Pelajaran. Sehingga dapat disimpulkan persediaan buku jenis

SMP dan Pelajaran dapat diseimbangkan.


36

4.2. Hasil Penelitian

4.2.1. Penerapan Data Mining pada Python

Langkah pertama dalam penerapan data mining pada bahasa pemrograman

python adalah mendefinisikan variabel batasan dengan beberapa parameter

algoritma apriori yaitu min_support, min_confidence dan min_lift. Min_support

adalah batas minimal dari seberapa sering item tersebut terbeli. Min_confidence

adalah batas minimal kemungkinan kedua item tersebut terbeli secara bersamaan.

Sedangkan min_lift adalah batas minimal kemungkinan pembelian (A->B) lebih

besar daripada pembelian B. Jika lift adalah 1 artinya tidak ada hubungan antara A

dan B, namun jika lift kurang dari 1 artinya produk A dan B tidak mungkin dibeli

secara bersamaan. Pada perhitungan manual, nilai lift diperoleh dari hasil bagi

antara confidence (A->B) dan support B. Isi dari parameter tersebut dapat diubah

sesuai keinginan. Adapun prosesnya akan disajikan dalam bentuk potongan kode

berikut:

Output yang dihasilkan seperti pada gambar 4.9.

Gambar 4. 9 Output hasil awal


37

Selanjutnya melakukan looping dari baris pertama, sehingga dapat terbaca

jelas isi dari hasil tersebut, seperti rule, support, confidence dan lift. Adapun

prosesnya akan disajikan dalam bentuk potongan kode berikut:

Output yang dihasilkan seperti pada gambar 4.10.

Gambar 4. 10 Hasil Akhir

4.2.2. Hasil Pengolahan Data

Hasil dari pengolahan data dengan algoritma apriori pada bahasa

pemrograman python tersebut adalah sebagai berikut:


38

Gambar 4. 11 Hasil November

Gambar 4. 12 Hasil November (Lanjutan)


39




40




41

Gambar 4. 17 Hasil Desember

Gambar 4. 18 Hasil Desember (Lanjutan)


42




43




44



Berdasarkan gambar hasil pengolahan tersebut, dapat dibuat perbandingan

masing-masing bulan dengan menggunakan Flask, sehingga tampilan akan

berbentuk web sebagai berikut:


45

Gambar 4. 25 Association Rule Final Bulan November

Berdasarkan Gambar 4.25 rule terlaris pada bulan November adalah

BUKU AGAMA => ALKISAH dengan support 1.119%. Artinya dari 56 jenis

buku yang terdapat pada toko buku tersebut sebanyak 1.119% konsumen pada

bulan November membeli BUKU AGAMA => ALKISAH. Sedangkan untuk

nilai confidence tertinggi pada bulan November adalah UU => HUKUM yaitu

32.941%. Hal ini menunjukkan tingkat kepercayaan bahwa setiap pembelian jenis

buku UU maka 32.941% akan diikuti membeli jenis buku HUKUM.


46

Gambar 4. 26 Association Rule Final Bulan Desember

Berdasarkan Gambar 4.26 rule terlaris pada bulan Desember adalah

BUKU AGAMA => AL-QURAN dengan support 1.778%. Artinya dari 56 jenis

buku yang terdapat pada toko buku tersebut sebanyak 1.778% konsumen pada

bulan Desember membeli BUKU AGAMA => AL-QURAN. Sedangkan untuk

nilai confidence tertinggi pada bulan Desember adalah CERGAM => TIPS

DAN TRIK yaitu 74.286%. Hal ini menunjukkan tingkat kepercayaan bahwa

setiap pembelian jenis buku CERGAM maka 74.286% akan diikuti membeli

jenis buku TIPS DAN TRIK.


BAB II TINJAUAN PUSTAKA DAN LANDASAN...

Documents

Transcript of BAB II TINJAUAN PUSTAKA DAN LANDASAN...