PENERAPAN DATA MINING UNTUK MENGOLAH DATA …

Seminar Nasional Teknologi Informasi dan Multimedia 2015STMIK AMIKOM Yogyakarta, 6-8 Februari 2015

ISSN : 2302-3805

2.1-109

PENERAPAN DATA MINING UNTUK MENGOLAH DATA IMPOR –EKSPOR IKAN DENGAN MENGGUNAKAN METODE ASSOCIATION

RULE

Ratih Puspasari1), Irma Yanti Buluran2)

1), 2) Manajemen Informatika Universitas Potensi Utama3)Sistem Informasi Universitas Potensi Utama

Jl .K.L. Yos Sudarso Km. 6,5 No. 3A Tanjung Mulia MedanEmail : [email protected])

ABSTRAKPenerapan data mining pada penelitian ini merupakanpenerapan yang dilakukan untuk mengolah data impordan data ekspor ikan. Algoritma yang digunakan untukmendapatkan rule based minning adalah associationrule. Penerapan data mining dengan metode associationrule dirancang dengan vb.net 2010 dan database sqlserver 2008. Proses mining ini dilakukan untukmengambil informasi support dan confidence, dimanapada penelitian ini data impor dan ekspor yang diolahuntuk membantu perusahaan dalam menentukan letakatau posisi penyimpanan produk impor dan eksporberdasarkan tujuan Negara impor dan ekspor tersebut.Metode association rule ini sangat sesuai untukpengklasifikasian item-item transaksi yang ada. Makaaplikasi yang akan dirancang ini diharapkan dapatmembantu proses data mining untuk pengolahan dataimpor – ekspor ikan.

Keyword : Data Mining, Metode Association Rule

1. Pendahuluan

Pemanfaatan data yang ada di dalam sistem informasiuntuk menunjang kegiatan pengambilan keputusan.Tidak cukup hanya menghandalkan data operasionalsaja. Dibutuhkan suatu analisis data untuk menggalipotensi – potensi informasi yang sudah ada. Parapengambil keputusan atau Decission Maker berusahauntuk menggali informasi yang berguna membantumengambil keputusan. Hal ini mendorong munculnyacabang ilmu baru untuk mengatasi masalah penggalianinformasi atau pola yang penting atau menarik dari datadalam jumlah besar, yang kita sebut sebagai DataMining.

Pada Stasiun Karantina Ikan, Pengendalian Mutu danKeamanan Hasil Perikanan Kelas I Medan II terdapatproses penelitian impor dan ekspor ikan, dimana dalamproses tersebut akan menghasilkan realisasi datapenelitian impor – ekspor ikan sebagai informasi yangbermutu untuk pengetahuan yang bermanfaat sebagaiacuan rincian hasil kerja dari penelitian ikan yang akandiimpor dan diekspor oleh stasiun karantina ikan .

Dengan Penerapan data mining di dalam pengolahandata impor – ekspor ikan pada Stasiun Karantina Ikan,Pengendalian Mutu dan Keamanan Hasil PerikananKelas I Medan II akan sangat membantu proses kerja

dari kegiatan impor – ekspor ikan, sehingga tidakmembutuhkan waktu yang lama dalam proses penggaliandata di gudang database.Sesuai dengan judul yang diambil oleh penulis, makapenulis mengidentifikasi masalahnya sebagai berikut:1. Minimnya waktu untuk menggali informasi yang

berharga dari proses impor dan ekspor ikan.2. Sulitnya memahami aplikasi pengolahan data mining

dengan metode association rules.3. Banyaknya informasi yang berharga harus diterapkan

ke dalam database.Adapun yang menjadi tujuan dalam penulisan penelitianini adalah:1. Untuk membangun sebuah sistem yang dapat

memberikan informasi yang berharga tentangpengolahan data impor dan ekspor.

2. Untuk merancang penerapan data mining yang dapatdigunakan untuk memberikan informasi tentang hasilpenelitian ikan impor dan ekspor

3. Menjadi aplikasi pendukung bagi Perusahaan danpegawai lainnya untuk mendapatkan informasidengan cepat dan mudah.

2. Pembahasan

Data mining merupakan proses yang menggunakanteknik statistic, matematika, kecerdasan buatan danmachine learning untuk mengekstraksi danmengidentifikasi informasi yang bermanfaat danpengetahuan yang terkait dari berbagai database besar.Algoritma asosiasi merupakan suatu bentuk algoritmadalam data mining yang memberikan informasihubungan antar item data di database.[2]Beberapa teknik dan sifat data mining adalah sebagaiberikut :a. Classification (Predictive)b. Clustering (Descriptive)c. Association Rule Discovery (Descriptive)d. Sequential Pattern Discovery (Descriptive)e. Regression (Predictive)f. Deviation Detection (Predictive)[3]Kaidah Asosiasi atau Association rules merupakanmendeteksi kumpulan atribut – atribut yang munculbersamaan (co-occur) dalam frekuensi yang sering, danmembentuk sejumlah kaidah dari kumpulan – kumpulantersebut.


ISSN : 2302-3805

2.1-110

Association rule merupakan sebuah ekspresi implikasiyang berbentuk X→Y, dimana X dan Y merupakandisjoint itemset (X∩Y)=Ø. Contoh : {Pena, Tinta} ® {Jus}.Dalam association rule, kita dapat menghitung supportdan confidence. Confidence menyatakan seberapa seringitem-item Y muncul dalam transaksi yang berisi X.

Tujuan dari association rule mining adalah untukmmenemukan semua aturan yang mempunyai support ≥minsup dan confidence ≥ minconf . Pendekatan brute-force untuk association rule mining menggunakanpendekatan dengan menghitung support dan confidencedari semua kemunginan rule.[3]Contoh : Jika diketahui data transaksi pada table 1berikut:Tabel 1. Tabel Transaksi

Id_Trans Items1 Bread, Milk2 Bread, Diaper, Beer, Eggs3 Milk, Diaper, Beer, Coke4 Bread, Milk, Diaper, Beer5 Bread, Milk, Diaper, Coke

Maka support dan confidence dari association rulesebagai berikut :{Milk, Diaper}®{Beer} (s = 0.4, c = 0.67){Milk, Beer}®{Diaper} (s = 0.4, c = 1.0){Diaper, Beer}®{Milk} (s = 0.4, c = 0.67){Beer}®{Milk, Diaper} (s = 0.4, c = 0.67){Diaper}®{Milk, Beer} (s = 0.4, c = 0.5){Milk}®{Diaper, Beer} (s = 0.4, c = 0.5)

Semua rule di atas merupakan partisi biner dariitemset yang sama : {Milk, Diaper, Beer}. Rule yangberasal dari itemset yang sama mempunyai support yangidentik tetapi mempunyai confidence yang berbeda,sehingga kita dapat memasangkan ulang untuk keperluansupport dan confidence. Dari observasi denganmenggunakan contoh di atas maka dapat digunakanpendekatan dua langkah yaitu :1. FrequentItemset Generation

Yaitu membangkitkan semua itemset s yang support3

minsup.2. Rule Generation

Yaitu membangkitkan rule dengan confidence tinggidari setiap frequentitemset, dimana setiap rulemerupakan partisi biner dari sebuahfrequentitemset.[3]Representasi pengetahuan merupakan metode yang

digunakan untuk penerapan data mining terhadap prosespengolahan data impor dan data ekspor. Dimana metodeyang digunakan adalah metode asociation rule, denganmetode ini penulis dapat melakukan klasifikasian dariproses pengolahan data khususnya pengklasifikasianproduk impor dan ekspor yang terjadi dalam transaksiyang bersamaan berdasarkan negara impor dan negaraekspor. Basis pengetahuan yang diterapkan dalam sistemmining ini akan digunakan untuk menentukan prosespenggalian informasi baru dari gudang data yangmenumpuk. Hasil yang diperoleh setelah melakukanpenerapan aplikasi dengan data mining yaitu denganmelakukan proses mining data impor dan ekspor yang

telah dieksekusi dalam perhitungan support danconfidence. Tabel transaksi impor dan tabel transaksiekspor sebagai sample data untuk mengetahui penerapanmining berdasarkan association rule adalah sepertiditunjukkan oleh tabel 2 dan tabel 3 dibawah ini:

Tabel 2. Transaksi impor

Tabel 2 adalah tabel transaksi impor yang terjadiselama 1 bulan. Namun item produk yang terdapat didalam transaksi impor telah diinisialisasikan oleh penulisagar mudah dalam proses perhitungan dengan metodeassociation rules-nya.Inisialisasinya yaitu :A = FISHERY PRODUCTSB = FROZEN AND COOKED FISHC = FROZEN SEA FISHD = FROZEN AQUATIC PRODUCTE = SALTED AQUATIC PRODUCTF = SALTED JELLYFISHG = SHELLFISH PRODUCTSH = FROZEN CRAB MEAT


ISSN : 2302-3805

2.1-111

Tabel 3. Representasi Biner untuk Data TransaksiImpor

Data transaksi impor pada tabel 1 dapat diubahrepresentasinya menjadi biner seperti pada tabel 3 setiapbaris berkorelasi dengan transaksi yang dilakukan; setiapkolom berkorelasi dengan satu item (produk). Nilaiuntuk item adalah 1 jika item tersebut ada di dalam datatransaksi, atau 0 jika item tidak ada di dalam datatransaksi.

Selanjutnya untuk menentukan nilai support danconfidence dari data transaksi impor, penulismenggunakan aturan asosiasi dengan bentuk pernyataanimplikasi X→Y, dimana X dan Y adalah itemset yanglepas (disjoint), yang memenuhi persyaratan X∩Y={}.Kekuatan aturan asosiasi dapat diukur dengan supportdan confidence. Support digunakan untuk menentukanseberapa banyak aturan dapat diterapkan pada set data,sedangkan confidence digunakan untuk menentukanseberapa sering item di dalam Y muncul dalam transaksiyang berisi X. definisi formal untuk metrik asosiasitersebut adalah sebagai berikut:

Support,s(X→Y)= …………..(1)

Confidence,c(X→Y)= ………(2)Dimana N adalah jumlah transaksi dalam set data. UntukX =[B,C], dan Y[D], jumlah transaksi yang berisiX Y=[B,C,D] ada 12, dan total jumlah transaksi N ada119, sehingga support untuk aturan X→Y menjadis(X→Y) = 12/119 = 0.1. sedangkan confidence aturandidapatkan dengan membagi jumlah X Y=[B,C,D]

dengan jumlah support untuk X=[B,C],untuk (X Y)

= 12, dan (X) = 43 sehingga confidence c(X→Y) =12/43 = 0.27=27%.

Berdasarkan persamaan (2) dari data transaksi imporyang dipakai sebagai sampel perhitungan data miningdengan association rule, maka diketahui supportminimumnya sebesar 0.1, sehingga nilai supcountditunjukkan pada Tabel 4, 5, 6.

Tabel 4. Calon Frequent- 1 ItemSet

Tabel 5. Daftar Frequent 1-Itemset

Tabel 6. Calon Frequent 2-Itemset


Tabel 8. Daftar Calon Frequent 3-Itemset




ISSN : 2302-3805

2.1-112

Dari Tabel 9 bahwa dengan 4 itemset tidak efisiendengan data impor yang ada. Sehingga rule penyusunanitem produk berdasarkan 3-itemset saja, dalam hal inipenulis memilih support minimumnya adalah 0.07 = 7%,calon association rule akan diketahui dengan caramenghitung confidence berdasarkan nilai support darifrequent itemsetnya, ditunjuukan pada table 7,8,9.

……………. (3)Keterangan :C = Confidence

Berdasarkan persamaan (3) maka didapatkan nilaiconfidence ditunjukkan pada Tabel 11.

Tabel 11. Daftar Calon Association Impor Rule

Berdasarkan persamaan (3) Dari daftar calon associationrule di atas, pilih itemset yang mencapai nilai minimumsupport dan confidence. Dimana penulis memilihminconf≤14%.

Tabel 12. Daftar Association Rule Impor

Proses di atas adalah proses mining data secara manualdengan menggunakan data perusahaan Stasiun KarantinaIkan Kelas I Medan II, diambil data impor ikan padabagian teknis untuk bulan februari 2014.

Dari rule di atas dapat dilakukan penyusunanletak penyimpanan produk berdasarkan nilai support danconfidence yang telah melewati batas minimum supportdan confindence.

Dari data yang sudah ada, penulis melakukanscanning data dan membuat sampel data impor.Kemudian penulis melakukan mining dengan merancangaplikasi mining dengan hasil minimum support adalah0.07 dan minimum confidence adalah 0.14 (14%).

Tabel 13. Transaksi Ekspor

Tabel 13 adalah tabel transaksi ekspor yangterjadi selama 1 bulan. Namun item produk yangterdapat di dalam transaksi ekspor telah diinisialisasikanoleh penulis agar mudah dalam proses perhitungandengan metode association rules-nya.Inisialisasinya yaitu :A = Frozen Yellow Fin TunaB = Crab Sheel MealC = Crab Shell Flake TypeD = Fresh FishE = FROZEN CuttlefishF = Frozen Soft Shell CrabG = Frozen Head on Black Tiger PrawnH = Frozen Head on Cat Tiger PrawnI = IQF Giant OctopusJ=IQF Whole Cleaned Soft Cuttlefish

Tabel 14. Representasi Biner untuk Data TransaksiEkspor

Data transaksi ekspor pada tabel 13 dapat diubahrepresentasinya menjadi biner seperti pada tabel 14.setiap baris berkorelasi dengan transaski yang dilakukan;setiap kolom berkorelasi dengan satu item (produk).Nilai untuk item adalah 1 jika item tersebut ada di dalamdata transaksi, atau 0 jika item tidak ada di dalam datatransaksi.

Untuk X =[H,I], dan Y[J], jumlah transaksi yangberisi X Y=[H,I,J] ada 20, dan total jumlah transaksi Nada 93, sehingga support untuk aturan X→Y menjadis(X→Y) = 20/93 = 0.21. sedangkan confidence aturandidapatkan dengan membagi jumlah X Y=[H,I,J]


ISSN : 2302-3805

2.1-113

dengan jumlah support untuk X=[H,I],untuk (X Y) =

20, dan (X) = 37 sehingga confidence c(X→Y) = 20/37= 0.54 = 54% .

Berdasarkan persamaan (2) dari data transaksiekspor yang dipakai sebagai sampel perhitungan datamining dengan association rule, maka diketahui supportminimumnya sebesar 0.2, sehingga nilai supcountditunjukkan pada Tabel 15,16,17.

Tabel 15. Calon Frequent- 1 ItemSet


Tabel 17. Calon Frequent 2-Itemset

Dari daftar Tabel 17 pilih itemset yang memiliki nilaibatas count support ≥ 0.2. Agar diketahui daftarfrequent-2 itemset, ditunjukkan pada Tabel 18dan 19



Dari Tabel 19 di atas dapat dilihat yang dapat menjadidaftar frequent-3 itemset adalah H,I,J ( Frozen Head onCat Tiger Prawn, IQF Giant Octopus dan IQF WholeCleaned Soft Cuttlefish), ditunjukkan pada Tabel 20.


Dari Tabel 20 di atas dapat ditentukan daftar calonassociation rule berdasarkan persamaan (3) makadidapatkan nilai confidence ditunjukkan pada Tabel 21.

Tabel 21. Daftar Calon Association Ekspor Rule

Dari daftar calon association rule di atas, pilih itemsetyang mencapai nilai minconf-nya. Dimana penulismemilih nilai minimum confidencenya ≥ 54%,ditunjukkan pada Tabel 22.

Tabel 22. Daftar Association Ekspor Rule

Proses di atas adalah proses mining data secara manualdengan menggunakan data perusahaan Stasiun KarantinaIkan Kelas I Medan II, diambil data ekspor ikan padabulan februari 2014. Data ekspor tersebut penulisdapatkan dari petugas teknis. Dari rule di atas dapatdilakukan penyusunan letak penyimpanan produkberdasarkan nilai support dan confidence yang telahmelewati batas minimum support dan confindence. Daridata yang sudah ada, penulis melakukan scanning datadan membuat sampel data ekspor. dengan jangkauanhasil minimum support adalah 0.2 dan minimumconfidence adalah 0.54 (54%).

Uji Coba Sistem

Gambar 1. Tampilan Hasil Uji Association RuleMining

Gambar 2. Tampilan Hasil Rules Association

3. KesimpulanDari hasil mining data impor produk yang terbanyakyang sering muncul dalam transaksi impor adalah


ISSN : 2302-3805

2.1-114

Frozen And Cooked Fish, Frozen Sea Fish, danFrozen Aquatic Product. Sedangkan dari hasilmining ekspor yang terbanyak yang sering munculdalam transaksi ekspor adalah Frozen Head On CatTigerPrawn, IQF Giant Octopus, dan IQF WholeCleaned Soft Cuttlefish dan nilai confidence dariproduk impor paling besar adalah 90%. Begitu jugapada data ekspor terdapat aturan asosiasi rule yangmemiliki nilai confidence 88% dapat dilihat padagambar 1.

Daftar Pustaka[1] Dian Wirdasari dan Ahmad Calam, 2011, Penerapan Data

Mining Untuk Mengolah Data Penempatan Buku DiPerpustakaan SMK TI PAB 7 Lubuk Pakam Dengan MetodeAssociation Rule, Jurnal, Medan, Universitas Sumatera Utara.

[2] Emha Taufik, Luthfi, 2009, Penerapan Data Mining AlgoritmaAsosiasi Untuk Meningkatkan Penjualan, jurnal, Yogyakarta,STMIK AMIKOM Yogyakarta

[3] Hermawati, Fajar Astuti, 2013, Data Mining, Surabaya

Biodata Penulis

Ratih Puspasari, memperoleh gelar Sarjana Komputer(S.Kom), Jurusan Sistem Informasi STMIK PotensiUtama, lulus tahun 2007. Memperoleh gelar MagisterKomputer (M.Kom) Program Pasca Sarjana MagisterKomputer UPI YPTK Padang, lulus tahun 2010.Saat inimenjadi Dosen di Universitas Potensi Utama.

Irma Yanti Buluran, memperoleh gelar SarjanaKomputer (S.Kom), Jurusan Sistem InformasiUniversitas Potensi Utama, lulus tahun 2014.

PENERAPAN DATA MINING UNTUK MENGOLAH DATA …

Documents

Transcript of PENERAPAN DATA MINING UNTUK MENGOLAH DATA …