De PerceptronAplikasi Market Basket Analysis berbasis web

menggunakan Perceptron

oleh:

Yulian Purnama 03/171209/PA/09787

Wim Permana 03/165273/PA/09313

Ditujukan Kepada:

Prof. Drs. H. Subanar Ph.D.

selaku Dosen Pengampu Mata KuliahData Mining dan Data Warehousing

Program Studi Ilmu KomputerFakultas Matematika dan Ilmu Pengetahuan Alam

Universitas Gadjah MadaYogyakarta

2007

1

1. Pendahuluan

Penggunaan komputer sebagai alat untuk menganalisis sebuah fenomena dalam

dunia bisnis dan pemasaran bukan hal yang asing lagi di abad informasi seperti

sekarang. Dengan bantuan komputer, analisis kuantitatif yang dihasilkan akan

lebih cepat dan tepat ketimbang menggunakan kemampuan manusia.

Situs amazon.com menjadi contoh kasus yang baik untuk melihat implementasi

langsung dari analisis yang memanfaatkan komputer. Ketika kita berkunjung ke

situs ini, kita sebagai pengunjung sekaligus pembeli akan melihat informasi

mengenai kecenderungan beli konsumen yang terjadi di sana (Hobbs dkk, 2003).

Misalnya informasi berikut: buyer who bought the book The Lord Of The Ring

also bought the book The Hobbit. Dengan informasi seperti ini, seorang pembeli

yang melakukan transaksi di situs amazon secara tidak langsung akan dirangsang

untuk ikut-ikutan membeli produk yang biasanya dibeli bersama produk yang

sudah dibelinya. Motif utama di balik informasi semacam ini sudah jelas, yakni

untuk meningkatkan laba amazon.com melalui peningkatan penjualan produk-

produknya. Analisis semacam inilah yang dikenal dengan istilah market basket

analysis.

Penelitian di bidang Artificial Neural Network (jaringan syaraf tiruan) termotivasi

oleh sebuah fakta di lapangan yang menunjukkan bahwa otak manusia sebenarnya

melakukan proses komputasi dengan teknik yang jauh berbeda jika dibandingkan

dengan teknik yang dipakai oleh komputer digital. Otak manusia telah diketahui

memiliki kemampuan untuk mengorganisasi komponen-komponennya sehingga

2

dapat menyelesaikan suatu kasus komputasi dengan lebih baik dan lebih cepat

ketimbang komputer digital. Contoh-contoh kasus ini diantaranya; pengenalan

pola, persepsi, dan kendali motorik (Kantardzic, 2003).

Dalam dunia data mining yang memiliki kaitan sangat erat dengan market basket

analysis, perceptron merupakan “alat” yang akan digunakan untuk mempelajari

data yang akan dianalisis. Dengan menggunakan konsep perceptron, kami

berharap agar aplikasi ini dapat menghasilkan analisis yang lebih baik dan akurat

ketimbang tanpa perceptron.

2. Perumusan Masalah

Adapun masalah yang akan dibahas dalam penelitian ini adalah sebagai berikut.

1. Mengembangkan sebuah aplikasi market basket analysis menggunakan konsep

perceptron yang berbasis web (web-based).

2. Output yang akan dihasilkan oleh aplikasi ini adalah beberapa tipe dari

association rules yang berkaitan dengan data hasil pembelian, yaitu; support,

confidence.

3. Tujuan

Berdasarkan permasalahan yang telah dibahas sebelumnya, maka tujuan dari

penelitian ini adalah sebagai berikut.

1. Mengetahui pola pembelian produk atau penggunaan jasa yang biasanya

dilakukan oleh mayoritas pembeli produk atau pengguna jasa.

3

2. Membuat aplikasi market basket analysis yang memanfaatkan konsep

perceptron menggunakan bahasa pemrograman PHP.

4. Manfaat

Manfaat yang bisa diambil dalam penelitian ini adalah sebagai berikut.

1. Membantu pemilik lembaga bisnis (swalayan, perusahaan jasa asuransi, toko

on-line, dsb) untuk menganalisis kecenderungan atau pola konsumsi yang

dimiliki oleh pelanggan masing-masing.

2. Memindahkan aplikasi yang sebelumnya berbasis client (client-based) menjadi

berbasis web (web-based).

3. Mengetahui manfaat konsep perceptron untuk market basket analysis.

5. Metode Penelitian

Metode penelitian yang akan digunakan dalam penelitian ini adalah sebagai

berikut.

1. Pengumpulan data, informasi dan teori-teori mengenai market basket analysis

dan perceptron diperoleh melalui artikel dan buku yang ada di internet.

2. Data yang akan dianalisis oleh aplikasi ini adalah data yang masih bersifat

fiktif. Hal ini kami lakukan dengan alasan bahwa kami lebih fokus untuk

mengembangkan aplikasi yang dapat mengimplementasikan gabungan antara

market basket analysis dengan perceptron bukan pada analisis data nyata yang

terjadi dalam sebuah swalayan atau sejenisnya. Meskipun begitu, tidak tertutup

4

kemungkinan bagi aplikasi ini untuk melakukan analisis terhadap data

semacam itu.

3. Setelah aplikasi berhasil diimplementasikan, akan dilakukan analisis terhadap

output yang dikeluarkan. Analisis akan lebih menekankan pada berhasil-

tidaknya aplikasi ini untuk menghasilkan perhitungan support dan confidence.

6. Tinjauan Pustaka

6.1. Market Basket Analysis

Market Basket Analysis, atau MBA, merupakan salah satu tipe analisis data yang

paling sering digunakan dalam dunia pemasaran (Megaputer, 2007). Tujuan dari

MBA adalah untuk menentukan produk-produk (jasa) apa saja yang paling sering

dibeli atau digunakan sekaligus oleh para pelanggan. Istilah Market Basket

Analysis sendiri datang dari kejadian yang sudah sangat umum terjadi di dalam

pasar swalayan, yakni ketika para pelanggan memasukkan semua barang yang

mereka beli ke dalam keranjang (market basket) yang umumnya telah disediakan

oleh pihak swalayan itu sendiri.

Informasi mengenai produk-produk yang biasanya dibeli secara bersama-sama

oleh para pelanggan dapat memberikan “wawasan” tersendiri bagi para pengelola

toko atau swalayan untuk menaikkan laba bisnisnya (Albion Research, 2007).

Misalnya, seorang manajer toko bisa saja memanfaatkan informasi seperti ini

untuk menempatkan produk-produk yang umumnya dibeli bersama-sama ke

dalam sebuah area yang berdekatan jaraknya. Hal ini bertujuan untuk

5

memudahkan “mayoritas” pembeli agar semakin senang membeli beberapa

produk berlainan sekaligus. Atau sebaliknya, informasi seperti ini justru bisa

dijadikan alasan oleh sang manajer untuk menjauhkan letak satu produk dengan

produk lainnya agar pelanggan secara tidak sadar bisa terpicu untuk membeli

produk-produk lain yang biasanya tidak dibelinya.

Informasi-informasi atau pengetahuan seperti di atas tentunya tidak hanya

bermanfaat di dalam lingkungan pemasaran untuk pasar swalayan saja. Beberapa

bisnis yang bergerak di luar wilayah ini pun bisa menikmati manfaat dari adanya

MBA ini. Sebut saja misalnya; toko-toko virtual yang menjual produk-produknya

secara on-line, bank-bank yang memberikan fasilitas layanan kartu kredit untuk

para nasabahnya, perusahaan penyedia jasa asuransi, restoran fast-food, toko baju,

toko buku, dsb.

6.2. Perceptron

Perceptron adalah program aplikasi yang digunakan untuk mempelajari

konsep/pemahaman mengenai sesuatu (Weisman dan Pollack, 1995). Dengan kata

lain, perceptron dirancang untuk dapat merespon nilai boolean True (1) atau False

(0) yang menjadi masukannya (input).

Secara umum, perceptron merupakan jaringan syaraf tiruan dengan lapisan

tunggal (single layer) yang bobot-bobot dan biasnya bisa dilatih untuk

menghasilkan vektor target secara tepat ketika akan ditampilkan dengan vektor

input yang bersesuaian. Teknik pelatihan yang akan digunakan biasanya disebut

6

the perceptron learning rule. Banyak orang yang tertarik untuk memanfaatkan

perceptron dikarenakan kemampuannya dalam melakukan generalisasi dari

vektor-vektor latihannya, lalu bekerja dengan koneksi-koneksi tersebar secara

acak.

Perceptron menghitung output yang dihasilkannya menggunakan persamaan

berikut ini:

P * W + b > 0

Keterangan:

➢ P adalah vektor input yang dimasukkan ke dalam jaringan

➢ W adalah vektor bobot

➢ b adalah bias

Perceptron dilatih untuk memberikan respon terhadap setiap vektor input dengan

target output yang bernilai 0 atau 1.

Berikut ini adalah algoritma perceptron.

0. Inisialisasi semua bobot dan bias.

(Agar perhitungan menjadi sederhana, set bobot dan bias sama dengan nol)

Set learning rate (α) dengan 0 < α ≤ 1;

(Agar sederhana, set α = 1)

1. Selama kondisi berhenti bernilai false, lakukan langkah-langkah berikut:

i. Untuk setiap pasangan pembelajaran s-t, Kerjakan:

a) set input dengan nilai yang sama dengan vektor input.Xi = Si;

b) Hitung respon untuk unit output:

7

c) Perbaiki bobot dan bias jika terjadi error:

Jika y ≠ t maka:wi(baru) = wi(lama) + α * t * Xib(baru) = b(lama) + α * t

Jika tidak, makawi(baru) = wi(lama)b(baru) = b(lama)

ii. Tes kondisi berhenti. Jika tidak terjadi perubahan bobot pada (i) maka

kondisi berhenti akan bernilai true. Namun jika masih terjadi perubahan

maka kondisi berhenti akan bernilai false.

8

7. Daftar Pustaka

Albion Research Ltd., 2007, Market Basket Analysis, http://www.albionresearch. com/data_mining/market_basket.php (diakses tanggal 25 Mei 2007)

Hoobs, L., Hillson, S., lawande, S., 2003, Oracle 9iR2 Data warehousing, Digital Press, Burlington.

Megaputer, 2007, Market Basket Analysis, http://www.megaputer.com/company/ cases/cambridge_mba.php3 (diakses tanggal 25 Mei 2007)

Kantardzic, Mehmet, 2003, Data Mining: Concepts, Models, Methods, and Algorithms, John Wiley & Sons.

9