document.pdf

Penerapan Data Mining dengan Algoritma Apriori untuk

Mendukung Strategi Promosi Pendidikan

Gunadi Widi Nurcahyo1

Universitas Putra Indonesia YPTK Jl. Raya Lubuk Begalung Padang. Sumatera Barat, Telp (0751)- 775246 Fax. (0751)-71913

e-mail: [email protected]

Abstrak

Setiap perusahaan maupun organisasi yang ingin tetap bertahan perlu untuk menentukan

strategi promosi yang tepat. Penentuan strategi promosi yang tepat akan dapat mengurangi biaya

promosi dan mencapai sasaran promosi yang tepat. Salah satu cara yang dapat dilakukan untuk

penentuan strategi promosi adalah dengan menggunakan teknik data mining. Teknik data mining yang

digunakan dalam hal ini adalah dengan menggunakan algoritma Apriori. Algoritma Apriori adalah

algoritma pengambilan data dengan aturan asosiatif untuk menentukan hubungan asosiatif suatu

kombinasi item. Penelitian dilakukan dengan mengamati beberapa variabel penelitian yang sering

dipertimbangkan oleh perguruan tinggi dalam menentukan sasaran promosinya yaitu asal sekolah,

daerah, jurusan, dan waktu sekolah. Hasil penelitian ini adalah berupa suatu perangkat lunak dengan

mengimplementasikan algoritma Apriori yang dapat digunakan untuk menentukan nilai support dan

confidence untuk tiap item.

Kata kunci: Data Mining, Algoritma Apriori

Abstract

Any company or organization that wants to survive needs to determine the appropriate

promotional strategies. Determination of appropriate promotional strategies will be able to reduce costs

and achieve targeted promotional campaign proper. One way that can be done to determine campaign

strategy is to use data mining techniques. Data mining techniques used in this case is to use the Apriori

algorithm. Apriori algorithm is a sampling algorithm with associative rules to determine the associative

relationships of a combination of items. The study was conducted by observing some variables that are

considered by colleges to determine the origin of the promotion targeting schools, regions, departments ,

and school time. The results are in the form of a software to implement the Apriori algorithm that can be

used to determine the value of support and confidence for each item.

Keywords: Data Mining, Apriori Algorithm

1. Pendahuluan

Data Mining adalah proses ekstraksi informasi dari kumpulan data melalui penggunaan algoritma

dan teknik yang melibatkan bidang ilmu statistik, mesin pembelajaran, dan sistem manajemen database

(Feelders, Daniels, dan Holsheimer, 2000 dalam jayanthi Ranjan, 2005). Data Mining digunakan untuk

ekstraksi informasi penting yang tersembunyi dari dataset yang besar. Dengan adanya data mining maka

akan didapatkan suatu permata berupa pengetahuan di dalam kumpulan data data yang banyak jumlahnya.

Salah satu area penerapan data mining adalah di dalam bidang promosi. Bila sasaran promosi tidak

ditentukan secara baik, dalam arti tidak diupayakan mencari sasaran promosi yang potensial, maka hanya

akan menghabiskan banyak waktu dan biaya yang seharusnya bisa diminimalisir melalui pemilihan target

promosi yang baik. Salah satu cara yang dapat diterapkan adalah dengan menerapkan penggunaan data

mining.

Algoritma apriori adalah algoritma pengambilan data dengan aturan asosiatif (Association rule )

untuk menentukan hubungan asosiatif suatu kombinasi item (Kusrini, 2007). Association Rule yang

dimaksud dilakukan melalui mekanisme penghitungan support dan confidence dari suatu hubungan item.

Sebuah rule asosiasi dikatakan interesting jika nilai support adalah lebih besar dari minimum support dan

juga nilai confidence adalah lebih besar dari minimum confidence. Algoritma apriori ini akan cocok untuk

68

diterapkan bila terdapat beberapa hubungan item yang ingin dianalisa. Salah satunya yang bisa diterapkan

adalah di dalam bidang promosi dan penentuan strategi pemasaran.

Pada saat ini tiap perguruan tinggi pasti berusaha untuk mendapatkan strategi promosi yang efektif

dan efisien dalam mendapatkan calon mahasiswa baru ditengah ketatnya persaingan antar Perguruan

Tinggi. Untuk promosi pada Perguruan Tinggi dapat didukung dengan menggunakan algoritma Apriori

untuk menentukan target promosi yang potensial. Variabel atau item yang dapat dijadikan sebagai tolok

ukur penganalisaan data diantaranya adalah asal sekolah, daerah asal, jurusan, dan waktu sekolah. Melalui

penerapan algoritma apriori maka akan dapat disajikan suatu gambaran mengenai hubungan antara asal

sekolah, daerah asal, jurusan, dan waktu sekolah terhadap keputusan mahasiswa untuk menjadi

mahasiswa suatu perguruan tinggi. Sehingga ke depan setiap perguruan tinggi bisa lebih memfokuskan

diri terhadap target promosi yang dirasakan cukup potensial.

Agar penelitian ini lebih terarah dan tujuan yang diharapkan dapat tercapai, maka peneliti

menetapkan batasan batasan terhadap masalah yang diteliti. Dalam penelitian ini peneliti memberikan batasan sebagai berikut : penelitian ini khusus membahas tentang strategi promosi pendidikan pada suatu

perguruan tinggi, data yang diamati diharapkan adalah data selama 6 tahun terakhir. kriteria peniliaian

yang akan dikaji adalah untuk mengkaji sasaran promosi pendidikan yang efektif bagi perguruan tinggi,

dan variabel yang dipakai di dalam penilaian ini adalah mengenai asal sekolah, Daerah asal, jurusan, dan

Waktu sekolah. Nilai confidence yang akan dihitung adalah nilai confidence untuk 2 itemset dan 3

itemset. Untuk kategori 2 itemset yang akan dijadikan tolok ukur dalam pencarian nilai support dan

confidence adalah variabel: Asal Sekolah Jurusan, Asal Sekolah Waktu, Daerah Jurusan, Daerah Waktu, dan Jurusan Waktu. Untuk kategori 3 itemset yang akan dijadikan tolok ukur dalam pencarian nilai support dan confidence adalah variabel: Sekolah Jurusan Waktu dan Daerah Jurusan Waktu.

2. Metodologi Penelitian

Metodologi penelitian dilakukan dengan mengumpulkan data terlebih dahulu. Proses

pengumpulan data dilakukan dengan dua cara yaitu : studi kepustakaan dan studi lapangan. Studi

kepustakaan dilakukan untuk memahami penerapan data mining seperti mengumpulkan teori-teori yang

berhubungan dengan data mining dan studi lapangan dilakukan mendapatkan data penelitian. data yang

diamati diharapkan adalah data selama 6 tahun terakhir. Data penelitian seperti : Asal Sekolah Jurusan, Asal Sekolah Waktu, Daerah Jurusan, Daerah Waktu, dan Jurusan Waktu.

3. Analisis dan Hasil

3.1 Analisis

Data Mining adalah proses ekstraksi informasi dari kumpulan data melalui penggunaan

algoritma dan teknik yang melibatkan bidang ilmu statistik, mesin pembelajaran, dan sistem manajemen

database (Feelders, Daniels, dan Holsheimer, 2000 dalam jayanthi Ranjan, 2005). Data Mining adalah

digunakan untuk ekstraksi informasi penting yang tersembunyi dari dataset yang besar. Pada beberapa

tahun belakangan ini, kemajuan dari beberapa bidang ilmu pengetahuan seperti science, business, dan lain

lain telah melahirkan koleksi database yang terus meningkat. Kumpulan data yang demikian banyak dapat didayagunakan untuk mendukung pengambilan keputusan (Lamine, Nhien, dan Tahar, 2007).

Menurut Jurnal Penerapan Algoritma Apriori pada Data Mining Untuk Mengelompokkan Barang Berdasarkan Kecenderungan Kemunculan Bersama Dalam Satu Transaksi (Kusrini, 2007), Algoritma apriori termasuk jenis aturan assosiasi pada data mining.

Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan

aturan assosiatif antara suatu kombinasi item. Contoh dari aturan assosiatif dari analisa pembelian di

suatu pasar swalayan adalah dapat diketahuinya berapa besar kemungkinan seorang pelanggan membeli

roti bersamaan dengan susu. Dengan pengetahuan tersebut pemilik pasar swalayan dapat mengatur

penempatan barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon untuk

kombinasi barang tertentu.

Karena analisis asosiasi menjadi terkenal karena aplikasinya untuk menganalisa isi keranjang

belanja di pasar swalayan, analisis asosiasi juga sering disebut dengan istilah market basket analysis.

Analisis asosiasi didefinisikan sebagai suatu proses untuk menemukan semua aturan assosiatif

yang memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk

confidence (minimum confidence).

69

Penerapan Data Mining untuk Strategi Promosi Pendidikan (Gunadi Widi Nurcahyo)

Metodologi dasar analisis asosiasi terbagi menjadi dua tahap :

3.1.1 Analisa pola frekuensi tinggi

Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam

database. Nilai support item diperoleh dengan Persamaan 1.

Support (A) = ...................[Persamaan 1]

sedangkan nilai support dari 2 item diperoleh dari Persamaan 2.

Support (A, B) = P ( A B) = .[Persamaan 2]

3.1.2 Pembentukan aturan assosiatif Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang memenuhi

syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif A B. Nilai confidence dari aturan A B diperoleh dari Persamaan 3.

Confidence = P (A | B) = ..[Persamaan 3]

3.1.3 Contoh Algoritma Apriori untuk Pencarian Association Rule Misalkan terdapat data transaksi seperti yang ditunjukkan pada Tabel 1

Tabel 1 Data Item Transaksi

Transaction ID Item Set

1 Item A, Item C, Item D

2 Item B, Item C, Item E

3 Item A, Item B, Item C, Item E

4 Item B, Item E

Misalkan diinginkan minimum support : 50% (2 dari 4 transaksi)

Langkah 1: Mencari nilai support untuk masing masing itemset. Seperti yang ditunjukkan pada Tabel 2 L1={large 1-itemset}

Tabel 2 Nilai Support untuk 1 Item Set

Itemset Support

A 50%

B 75%

C 75%

D 25%

E 75%

Langkah 2: Mencari kandidat itemset untuk L2:

2.1 : Gabungkan itemset pada L1 (algoritma apriori-gen)

{ A B, A C, A D, A E, B C, B D, B E, C D, C E, D E}

2.2 : Hapus yang tidak ada dalam itemset

Itemset { B D, DE} dihapus karena tidak ada dalam itemset

Langkah 3: Hitung nilai Support untuk masing- masing itemset. Hasilnya dapat ditunjukkan pada Tabel 3.

Jumlah Transaksi Mengandung A

Total Transaksi

Jumlah Transaksi Mengandung A dan B

Total Transaksi

Jumlah Transaksi Mengandung A dan B

Jumlah Transaksi Mengandung A

70


Itemset Support

A B 25 %

A C 50 %

A D 25 %

A E 25%

B C 50%

B E 75%

C D 25%

C E 50%

Langkah 4: tentukan item set yang memenuhi minimum support. Hasilnya dapat ditunjukkan pada tabel 4.

L2 { large 2-itemset}

Tabel 4 Anggota 2 Item Set yang Memenuhi Minimum Support

Itemset Support

A C 50 %

B C 50%

B E 75%

C E 50%

Langkah 5 : Ulangi langkah 2-4

Langkah 5.1, Gabungkan itemset pada L2 & L2. Hasilnya dapat ditunjukkan pada Tabel 5.

Tabel 5 Anggota 3 Item Set

Itemset Hasil Gabungan (3 itemset)

A C + B C A C B

A C + B E A C B, A C E, A B E

A C + C E A C E

B C + B E B C E

B C + C E B C E

B E + C E B C E

Langkah, 5. 2, Hapus yang tidak ada dalam itemset : { A C E }

Langkah 6 : Hitung support dari setiap kandidat itemset L3

Hasilnya dapat ditunjukkan pada Tabel 6


Itemset Support

A B C 25 %

A B E 25 %

B C E 50 %

Langkah 7 : L3 { large 3-itemset } { B C E}

Langkah 8 : STOP karena sudah tidak ada lagi kandidat untuk 4-itemset.

Untuk mencari aturan asosiasi diperlukan juga minconf

Misal minconf : 75 %, aturan asosiasi yang mungkin terbentuk dapat ditunjukkan pada Tabel 7.

Tabel 7 Nilai confidence untuk Tiap Item Set

Aturan (X Y) Sup(X Y) Sup(X) Confidence

B C E 50% 50% 100% B E C 50% 75% 66.67%

71


C E B 50% 50% 100% A C 50% 50% 100 % C A 50% 75% 66.67% B C 50% 75% 66.67% C B 50% 75% 66.67% B E 75% 75% 100% E B 75% 75% 100% C E 50% 75% 66.67% E C 50% 75% 66.67%

Proses kerja dari Algoritma Apriori dapat dilihat pada gambar 1.

Gambar 1 Rancangan Umum Penerapan Algoritma Apriori

Gambar 1 memperlihatkan rancangan umum dari sistem yang menerapkan algoritma apriori

yang akan dirancang dalam mendukung strategi promosi pendidikan pada suatu perguruan tinggi. Dalam

rancangan ini dapat digambarkan bahwa proses dimulai dari pemasukan data mahasiswa, di mana atribut

utama yang akan dianalisa adalah meliputi data asal sekolah, daerah asal, jurusan, dan waktu sekolah.

Berdasarkan data data yang ada, kemudian akan dicari nilai support untuk masing masing item. Hasil pencarian dari nilai support ini kemudian akan bisa ditentukan frequent item set. Berdasarkan pada

frequent item set yang ada kemudian akan dihitung nilai confidence untuk masing masing frequent item set. Kemudian berdasarkan nilai support dan confidence untuk frequent item set akan dihasilkan suatu

association rule.

3.2 Hasil

Pada saat pertama kali menjalankan Perangkat Lunak Apriori ini, maka akan dijumpai tampilan

berikut ini seperti yang dapat dilihat pada Gambar 2.

Gambar 2 Tampilan Menu Utama

Menu utama pada program di atas terdiri dari menu File, Menu Data, Menu Laporan, dan Setting.

Menu File terdiri dari sub menu Log In, Log Out dan Keluar. Menu Data terdiri dari sub menu

72

Mahasiswa, 1 Item set, 2 Item set, 3 Item set, dan 4 Item Set. Menu Laporan terdiri dari sub menu Nilai

Support / Confidence Total, Rule / Knowledge. Menu Setting terdiri dari sub menu Pengguna.

Terlebih dahulu diisikan data mahasiswa pada form yang sudah disediakan seperti yang diperlihatkan

pada gambar 3.

Gambar 3 Tampilan form pengisian data mahasiswa

Kemudian berdasarkan data mahasiswa yang telah diketikkan sebelumnya, maka dapat dianalisa nilai

support untuk 1 item set seperti yang terlihat pada gambar 4

Gambar 4 Nilai support untuk 1 item set

Langkah berikutnya, adalah menghitung nilai support untuk 2 item set berdasarkan frequent item set yang

telah diperoleh pada langkah 2. Seperti yang diperlihatkan pada gambar 5.

Gambar 5 Tampilan nilai support untuk 2 item set

Setelah dihitung nilai support untuk 2 item set, maka langkah selanjutnya adalah mencari nilai support

untuk 3 item set, berdasarkan frequent item set yang telah diperoleh pada langkah 3. Seperti yang

diperlihatkan pada gambar 6.

73


Gambar 6 Tampilan nilai support untuk 3 item set

Kemudian kita juga dapat melihat nilai support dan confidence masing masing item set seperti yang diperlihatkan pada gambar 7 dan melihat rule yang dihasilkan seperti yang diperlihatkan pada gambar 8.

Gambar 7 Nilai Support / Confidence Gambar 8 Tampilan Rule yang Dihasilkan

3. Hasil dan Diskusi

Setelah dilakukan perbandingan ternyata sistem yang dirancang dengan menggunakan algoritma

apriori dapat menghasilkan keputusan promosi yang singkat dan tepat. Karena knowledge yang dihasilkan

dapat memberikan laporan yang bermanfaat untuk bagian akademik dan pihak yayasan serta pihak pihak lain yang membutuhkannya. Dibandingkan dengan sistem lama maka sistem dengan menggunakan

algoritma Apriori ini mempunyai beberapa kelebihan sebagai berikut. Pada hal pengolahan Data,

penggunaan Algoritma Apriori untuk pengolahan data promosi pada perguruan tinggi dapat dilakukan

dengan lebih cepat dibandingkan dengan pengolahan data secara manual / tidak menggunakan suatu

teknik tertentu. Pada hal pencarian Informasi, penggunaan algoritma apriori membuat pencarian informasi

cepat, karena pada laporan yang didapat sudah disajikan suatu bentuk rule yang berisikan nilai support

dan confidence sehingga dapat semakin membantu dalam penentuan keputusan promosi. Pada sistem

yang lama pencarian informasi memakan waktu yang lama, karena bentuk laporan yang ada tidak memuat

data yang lengkap, dan tidak terperinci.

Dari rule yang ada dapat dijelaskan sebagai berikut: hasil pengujian dilakukan untuk mencari nilai

support dan confidence untuk masing masing item. Dari hasil pengujian menunjukkan bahwa tidak terdapat perbedaan antara hasil perhitungan manual dengan hasil perhitungan dengan menggunakan

perangkat lunak. Untuk memastikan apakah hasil perhitungan dengan perangkat lunak telah mendapatkan

hasil yang diinginkan maka penulis kemudian membandingkannya dengan program algoritma hasil

unduhan yang sifatnya non customized. Berdasarkan hasil perbandingan juga tidak menunjukkan adanya

perbedaan. Nilai confidence yang dicari adalah merupakan nilai confidence untuk 2 item set dan 3 item

set. Dengan adanya nilai support dan confidence maka akan dapat membantu pihak manajemen

perguruan tinggi dalam hal pengambilan keputusan di bidang promosi pendidikan. Sebagai contoh, SMA

A menjadi target promosi yang sangat potensial karena memiliki nilai minimum support yang cukup

besar yaitu 25% artinya adalah bahwa dari seluruh mahasiswa perguruan tinggi, maka 25 % nya adalah

berasal dari SMA. Bila fokus promosi mau lebih dipertajam lagi maka kita dapat melihat bahwa

74

konsentrasi yang cukup dominan di SMA A adalah di bidang IPS yang memiliki nilai minimum

confidence sebesar 75%. Artinya dari keseluruhan siswa SMA A yang masuk ke suatu perguran tinggi

maka 75% nya adalah berasal dari jurusan IPS sedangkan jurusan IPA hanya mencapai 25% dari total

keseluruhan siswa SMA A yang masuk ke perguruan tinggi. Dengan adanya hasil analisis dengan

menggunakan Algoritma Apriori ini maka pihak manajemen dapat lebih memfokuskan diri pada sasaran

promosi yang paling potensial sehingga dapat lebih menghemat anggaran untuk biaya promosi.

4. Kesimpulan dan Saran

Adapun kesimpulan dari hasil penelitian adalah sebagai berikut. algoritma Apriori dapat

diterapkan untuk mendukung strategi promosi pendidikan pada Perguruan Tinggi. Informasi yang

berkaitan dengan pelaksanaan promosi dapat tersedia dengan cepat, sehingga pihak manajemen dapat

melakukan pengambilan keputusan dengan cepat. Pelaksanaan promosi pendidikan pada perguruan tinggi

sangat dibantu dengan adanya penerapan algoritma Apriori ini sehingga diharapkan efektifitas

pelaksanaan promosi pendidikan akan dapat semakin ditingkatkan. Penerapan algoritma Apriori yang

dilakukan melalui perangkat lunak yang dirancang terbukti menujukkan hasil yang sama dibandingkan

dengan melakukan perhitungan secara manual ataupun dengan perangkat lunak sejenis. Hal ini dibuktikan

melalui perhitungan nilai support dan confidence yang menunjukkan hasil yang sama. Adapun saran

dari hasil penelitian adalah sebagai berikut : algoritma apriori ini dapat diterapkan dalam proses

pelaksanaan promosi dan proses lainnya yang dapat melibatkan hubungan antar beberapa item dalam

lingkungan lainnya tidak hanya terbatas pada lembaga pendidikan saja seperti misalnya pada strategi

cross market analysis. Selanjutnya penulis juga menyarankan agar dapat membandingkan metode

pengambilan keputusan dengan menggunakan algoritma apriori ini dengan teknik yang lainnya.

Daftar Pustaka

[1] Abdallah Alashqur, Mining Association Rule: A Database Perspective, International Journal of Computer Science and Network Security, Vol 8 No. 12, December 2008, Page 69 74, HTTP:// paper.ijcsns.org/07_book/200812/20081211.pdf

[2] David J. Hand, Data Mining: Statistic and More?, American Statistical Association, May 1998 Vol. 52, No. 2, Page 112 118, HTTP:// amscampus.cib.unibo.it/archive/00001164/01/Hand98.pdf

[3] E.W.T. Ngai, Li Xiu, dan D.C.K. Chau, Application of Data Mining Technique in Customer Relationship Management: A Literature Review and classification, Journal Elsevier (2009), Page 2592 2602, HTTP:// 163.17.12.2/.../Application%20of%20data%20mining%20techniques%20%20%20%20in%

[4] Jayanthi Ranjan (2007), Application of Data Mining Technique in Pharmaceutical Industry, Journal of Theoritical and Applied Information Technology, Page 61 67, HTTP:// www.jatit.org/volumes/research-papers/Vol3No4/7vol3no4.pdf

[5] Kusrini (2007), Penerapan Algoritma Apriori pada Data Mining untuk Mengelompokkan Barang Berdasarkan Kecenderungan Kemunculan Bersama dalam Satu Transaksi, Page 1 16, HTTP:// dosen.amikom.ac.id/.../Publikasi%20Apriori-Kusrini_Feb-07_.pdf

[6] Kusrini and Emha Taufiq Luthfi, Algoritma Data Mining, Yogyakarta: Penerbit Andi, 2009, Page 149 176

[7] Lamine, M.A, Nhien-An LK, and Tahar M.K, Distributed Frequent Itemsets Mining in Heterogenous Platforms, Journal of Engineering, Computing, and Architecture Volume 1, Issue 2, 2007, Page 1 12, HTTP:// www.scientificjournals.org/journals2007/articles/1239.pdf

[8] Sarjon D. and Mohd Noor MD Sap (2001), Mining Association Rule From Large Databases, Jurnal Tekologi Maklumat Jilid 13, Bil. 2, page 16 37, HTTP:// eprints.utm.my/8764/1/MohdNoorMdSap2001_MiningAssociationRuleFromLarge.pdf

[9] U. Fayyad, Gregory P.S, and P. Smyth, From Data Mining to Knowledge Discovery in Database, American Association for Artificial Intelligence (1996), Page 37 54, HTTP://citeseer.ist.psu.edu/283224.html

[10] Yudho Giri Sucahyo (2003), Pengantar Data Mining, IlmuKomputer.Com, HTTP://ilmukomputer.com/2008/11/25 mengenal-data-mining/

document.pdf

Documents

Transcript of document.pdf