PENENTUAN POLA BELI KONSUMEN MENGGUNAKAN

ALGORITMA APRIORI DENGAN MARKET BASKET ANALYSIS PADA

INDOMARET CABANG DURI

REPOSITORY

OLEH

SHABADTINI YULIANA SITORUS

NIM. 1403123542

PROGRAM STUDI SISTEM INFORMASI

JURUSAN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS RIAU

PEKANBARU

2019

1

PENENTUAN POLA BELI KONSUMEN MENGGUNAKAN ALGORITMA

APRIORI DENGAN MARKET BASKET ANALYSIS PADA INDOMARET

CABANG DURI

Shabadtini Yuliana Sitorus, Joko Risanto

Mahasiswa Program Studi S1 Sistem Informasi

Jurusan Ilmu Komputer

Fakultas Matematika dan Ilmu Pengetahuan Alam

Kampus Bina Widya Pekanbaru, 28293, Indonesia Shabadtini.yuliana@student.unri.ac.id

ABSTRACT

At this time, data can not be separated from our daily life and are the one of the most

valueable resources. Sales transaction data of Indomaret are very large, so there is a pile

of data that are left out. Even though, the transaction data can produce the important

information for Indomaret. Then data mining is used with market basket analysis

method to process the transaction data so that it can determine consumer buying

patterns. Consumer buying patterns can be used as a reference for marketing strategies.

Analysis is using apriori algorithm. From the research result on transaction data of

Indomaret Jalan Pertanian Duri from September to November 2018 with minimum

support value of 1% and minimum confidence value of 20% resulting four association

rules with item combination up to 2-itemset.

Kata Kunci : Apriori Algorithm, Consumer Buying Pattern, Market Basket Analysis.

ABSTRAK

Saat ini data tidak dapat dipisahkan dari kehidupan sehari-hari dan merupakan salah

satu sumber daya yang sangat berharga. Data-data yang terlibat dalam transaksi

penjualan pada Indomaret sangat banyak, sehingga terjadi tumpukan data yang

dibiarkan begitu saja. Padahal data transaksi tersebut dapat menghasilkan informasi

yang sangat penting bagi Indomaret. Untuk itu digunakanlah data mining dengan

metode market basket analysis untuk mengolah data transaksi tersebut sehingga dapat

menentukan pola beli konsumen. Pola beli konsumen dapat dijadikan sebagai acuan

strategi pemasaran. Penganalisaan dilakukan dengan menggunakan algorima apriori.

Dari hasil penelitian yang dilakukan pada data transaksi Indomaret Jalan Pertanian Duri

pada bulan September sampai November tahun 2018 dengan parameter minimum

support sebesar 1% dan minimum confidence sebesar 20% menghasilkan empat aturan

asosiasi dengan kombinasi item sampai pada 2-itemset.

Kata Kunci : Algoritma Apriori, Market Basket Analysis, Pola Beli Konsumen.

2

PENDAHULUAN

Bisnis retail atau perusahaan yang bergerak di bidang penjualan barang sangat

berkembang pesat di Indonesia. Dengan dibukanya era perdagangan bebas semakin

membuat perusahaan retail menjamur, sehingga banyak terjadi persaingan antar

perusahaan. Persaingan pada bisnis retail ini menuntut para pebisnis dan pengembang

untuk menemukan suatu strategi jitu yang dapat meningkatkan penjualan barang. Untuk

meningkatkan penjualan barang, perusahaan harus memperhatikan bagaimana

karakteristik atau pola beli konsumen.

Analisa pola beli konsumen dapat memanfaatkan teknik data mining

menggunakan algoritma apriori dengan metode market basket analysis. Algoritma

apriori adalah suatu algoritma yang sudah sangat dikenal dalam melakukan pencarian

frequent itemset dengan association rule. Sesuai dengan namanya, algoritma ini

menggunakan knowledge mengenai frequent itemset yang telah diketahui sebelumnya,

untuk memproses informasi selanjutnya (Gemala, Arifin and Yanu, 2012). Sedangkan

market basket analysis bertujuan untuk mengetahui item apa saja yang sering dibeli

secara bersamaan oleh konsumen (Budhi and Soedjianto, 2007). Market basket analysis

memungkinkan perusahaan secara cepat melihat isi dan nilai dari keranjang konsumen

saat berbelanja sehingga dapat diperoleh pengertian akan pola produk yang dibeli

bersamaan.

Penelitian ini diharapkan dapat menghasilkan informasi-informasi yang

bermanfaat bagi perusahaan retail terutama bagi gerai Indomaret Jalan Pertanian Duri

dalam penentuan strategi untuk pemasaran dan penjualan dengan melihat analisa pola

beli konsumen yang dilakukan pada penelitian ini.

METODE PENELITIAN

a. Teknik Pengumpulan Data

Objek penelitian berada pada gerai Indomaret Jalan Pertanian, AH25, Duri

Barat, Kecamatan Mandau, Kabupaten Bengkalis, Riau. Adapun teknik pengumpulan

data yang dilakukan dalam penelitian ini yaitu:

1. Observasi

Dalam hal ini, peneliti secara langsung melakukan observasi di sekitar Indomaret

Jalan Pertanian Duri.

2. Wawancara

Dalam hal ini peneliti melakukan wawancara dengan Bapak Efraim Pasaribu selaku

kepala toko, karyawan dan beberapa konsumen Indomaret Jalan Pertanian Duri.

3. Studi Kepustakaan (Library Research)

Studi kepustakaan merupakan teknik pengumpulan data dengan mencari dan

mengumpulkan bahan-bahan berupa referensi pustaka yang berasal dari buku-buku

tentang system implementasi baik di perpustakaan maupun buku diluar

perpustakaan seperti referensi sistem informasi di internet guna menunjang hasil

penelitian, tata bahasa, maupun pengkajian penelitian.

3

b. Peralatan yang Digunakan

Peralatan yang digunakan dalam penelitian ini terbagi menjadi 2 kategori, yaitu

hardware dan software. Peralatan hardware dapat dilihat pada Tabel 1 dan software

pada Tabel 2.

Tabel 1. Hardware yang digunakan

No Nama Alat

dan Bahan Fungsi Keterangan

1. Laptop Perangkat untuk pembuatan

sistem dan pengerjaan

skripsi

ASUS

2. Printer Mencetak hardcopy skripsi HP Deskjet Ink

Advantage 2135

Tabel 2. Software yang digunakan

No Nama Alat dan

Bahan Fungsi Keterangan

1. Microsoft Office

2007

Pengerjaan skripsi dan

pengolahan data

2. Starl UML Pengerjaan diagram

3. XAMPP Web Server

4. Sublime Text 3 Penulisan kode program

5. MySQL Pengelolaan database

c. Langkah Penyelesaian

Langkah-langkah penyelesaian pada penelitian ini adalah sebagai berikut:

1. Pengumpulan Data.

2. Preprocessing Data.

3. Proses Data Mining.

4. Pembentukan Association Rule.

5. Desain Sistem.

a. Use Case Diagram.

b. Class Diagram.

c. Acivity Diagram.

d. Sequence Diagram.

6. Implementasi.

d. Association Rule

Association rule adalah bentuk jika “kejadian sebelumnya” kemudian

“konsekuensinya”, (IF antecedent, THEN consequent) (Arifin, 2015). Association rule

adalah teknik data mining untuk menemukan aturan asosiatif antara suatu kombinasi

item (Ariana and Asana, 2013).

Didalam Association rule ada dua parameter yang befungsi untuk pembentukan

rules yaitu (Masnur, 2015):

4

1. Support adalah probabilitas konsumen membeli beberapa produk secara

bersamaan dari seluruh transaksi. Ukuran ini menentukan apakah suatu

item/itemset layak untuk dicari nilai confidence-nya.

2. Confidence adalah probabilitas kejadian beberapa barang dibeli bersamaan

dimana salah satu barang sudah pasti dibeli.

Metodologi dasar analisis asosiasi sebagai berikut (Nurchalifatun, 2015):

1. Analisis pola frekuensi tinggi

Tahap ini mencari kombinasi antar item yang memenuhi syarat minimum dari

nilai support dalam database. Nilai support diperoleh dengan menggunakan

persamaan (1):

( )

( )

Nilai support dari 2-itemset diperoleh dengan menggunakan persamaan (2):

( )

( )

2. Pembentukan Association Rule

Setelah semua pola frekuensi tertinggi ditemukan, barulah dicari aturan asosiasi

yang memenuhi syarat mnimum confidence dengan menghitung confidence aturan

asosiatif . Nilai aturan diperoleh dengan menggunakan persamaan (3):

( )

(3)

e. Algoritma Apriori

Algoritma apriori adalah suatu algoritma yang sudah sangat dikenal dalam

melakukan pencarian frequent itemset dengan association rule. Sesuai dengan namanya,

algoritma ini menggunakan knowledge mengenai frequent itemset yang telah diketahui

sebelumnya, untuk memproses informasi selanjutnya (Gemala, Arifin and Yanu, 2012).

Secara garis besar, cara kerja algoritma apriori adalah sebagai berikut:

1. Tentukan minimum support.

2. Iterasi 1: hitung item-item dari support (transaksi yang memuat seluruh item)

dengan men-scan database untuk 1-itemset didapatkan dari 1-itemset apakah

diatas minimum support, apabila telah memenuhi minimum support, 1-itemset

tersebut akan menjadi pola frequent tertinggi.

3. Iterasi 2: untuk mendapatkan 2-itemset, harus dilakukan kombinasi dari k-itemset

sebelumnya, kemudian scan database lagi untuk hitung item-item yang memuat

support. Itemset yang memenuhi minimum support akan dipilih sebagai pola

frequent tinggi dari kandidat.

5

4. Tetapkan nilai k-itemset dari support yang telah memenuhi minimum support dari

k-itemset.

5. Lakukan proses untuk iterasi selanjutnya hingga tidak ada lagi k-itemset yang

memenuhi minimum support.

HASIL DAN PEMBAHASAN

a. Pengumpulan Data

Data yang dipakai dalam penelitian ini adalah data transaksi penjualan pada gerai

Indomaret Jalan Pertanian Duri dalam kurun waktu tiga bulan yaitu pada bulan

September, Oktober, November tahun 2018. Total seluruh transaksi adalah 17.593

transaksi dengan 3.387 data produk.

b. Preprocessing Data

Tahap ini yang perlu dilakukan adalah membuang atribut yang tidak diperlukan

dan membuang data yang terduplikasi. Atribut yang terdapat pada data transaksi awal

adalah ID Transaksi, Tanggal, PLU, Deskripsi, dan QTY. Atribut Tanggal dan QTY

lebih baik dibuang karena tidak diperlukan dalam proses data mining.

c. Proses Data Mining

Tahapan ini akan dilakukan pencarian frequent itemset dengan menggunakan

algoritma apriori. Sebelum melakukan pencarian algoritma apriori adalah menentukan

nilai minimun support sebagai acuan pencarian hasil dari algoritma. Pada penelitian ini,

peneliti menetapkan nilai minimum support-nya adalah sebesar 1% dan nilai minimum

confidence-nya adalah 20%.

Berikut adalah daftar transaksi pada bulan September sampai November tahun

2018:

Tabel 3. Daftar Transaksi September-November 2018 NO PLU DESKRIPSI

1 20008393 SARI ROTI ROTI MANIS ISI KRIM KEJU PCK 72g

1 20067454 AQUA AIR MINERAL BTL 330mL

1 10047844 CIMORY YOGHURT DRINK BLUEBERRY BTL 250mL

... ... ...

... ... ...

4 20010049 SAMPOERNA ROKOK FILTER MILD (PCS) MERAH BKS 16S

4 10016509 NU MINUMAN GREEN TEA HONEY BTL 450Ml

... ... ...

... .... ...

17592 20062974 LOREAL PARIS STUDIO STYLING GEL EXTRM INDESTRUCTIB

17592 10067211 PEPSODENT PASTA GIGI WHITE TUB 225g

17593 20034122 ADINATA NOTE BOOK A5 EXP

17593 20031200 KAO BIORE FACIAL FOAM MENS DOUBLE SCRUB COOL OIL C

Tahap selanjutnya adalah pembentukan 1-itemset dimana setiap produk yang ada

pada Tabel 3 dianggap sebagai kandidat 1-itemset. Hasil pembentukan kandidat 1-

itemset dapat dilihat pada Tabel 4.

6

Tabel 4. Daftar Kandidat 1-itemset NO DESKRIPSI FREK.

1 168 KERUPUK KEMPLANG PCK 180g 14

2 INDOMIE MIE GORENG PLUS SPECIAL PCK 80g 1651

3 SARI ROTI SANDWICH COKLAT PCS 1274

... ... ...

... ... ...

3384 WALLS ICE CREAM SELECTION (68978) COOKIE OREO POT 1

3385 WARDAH WHITE SECRET DAY CREAM TUB 17mL 1

3386 ZWITSAL BABY SHAMPOO NATURAL BTL 100mL 1

3387 ZWITSAL KIDS SHAMPOO BEAUTY PINK BTL 180mL 1

Proses selanjutnya adalah pembentukan C1 atau yang disebut dengan 1-itemset.

Proses pembentukan 1-itemset adalah produk yang terdapat pada Tabel 4 dibatasi

dengan minimum support yang telah ditentukan yaitu 1%. Untuk menghitung nilai

support menggunakan rumus pada persamaan (1).

Contoh untuk menghitung nilai support dari produk pada Tabel 4 dimana

diketahui total seluruh transaksi adalah 17.593 transaksi, sehingga penghitungan nilai

support-nya adalah sebagai berikut:

1. ( )

= 0,08%

Hasil perhitungan nilai support dari kandidat 1-itemset dapat dilihat pada Tabel 5.

Tabel 5. 1-itemset (C1) NO DESKRIPSI FREK. SUPPORT (%)

1 168 KERUPUK KEMPLANG PCK 180g 14 0,080

2 INDOMIE MIE GORENG PLUS SPECIAL PCK 80g 1651 9,384

3 SARI ROTI SANDWICH COKLAT PCS 1274 7,242

... ... ... ...

... ... ... ...

3384 WALLS ICE CREAM SELECTION (68978) COOKIE OREO POT 1 0,006

3385 WARDAH WHITE SECRET DAY CREAM TUB 17mL 1 0,006

3386 ZWITSAL BABY SHAMPOO NATURAL BTL 100mL 1 0,006

3387 ZWITSAL KIDS SHAMPOO BEAUTY PINK BTL 180mL 1 0,006

Setelah diketahui nilai support dari kandidat 1-itemset, selanjutnya dilakukan

pemangkasan (prune) terhadap produk yang mempunyai nilai support dibawah 1%.

Produk yang memiliki nilai support lebih dari sama dengan 1% merupakan frequent 1-

itemset (L1). Hasil frequent 1-itemset (L1) dapat dilihat pada Tabel 6.

Tabel 6. Hasil frequent 1-itemset (L1) NO DESKRIPSI FREK. SUPPORT (%)

1 INDOMIE MIE GORENG PLUS SPECIAL PCK 80g 1651 9,384

2 SARI ROTI SANDWICH COKLAT PCS 1274 7,242

... ... ... ...

... ... ... ...

30 INDOMILK SUSU CAIR UHT PLAIN TPK 1000mL 185 1,052

31 CLAS MILD ROKOK FILTER BKS 16S 184 1,046

32 SPRITE SOFT DRINK PET 1500mL 184 1,046

33 SEDAAP MIE MIE INSTANT SOTO PCK 75g 176 1,000

Selanjutnya dilakukan penggabungan (join) untuk mendapatkan kandidat 2-

itemset yang dibentuk menggunakan hasil frequent 1-itemset (L1). Daftar kandidat 2-

itemset dapat dilihat pada Tabel 7.

7

Tabel 7. Daftar Kandidat 2-itemset NO DESKRIPSI FREK.

1 INDOMIE MIE GORENG PLUS SPECIAL PCK 80g SARI ROTI SANDWICH COKLAT PCS 271

2 INDOMIE MIE GORENG PLUS SPECIAL PCK 80g SAMPOERNA ROKOK FILTER MILD (PCS)

MERAH BKS 16S 108

3 INDOMIE MIE GORENG PLUS SPECIAL PCK 80g BEAR BRAND SUSU ENCER STERIL KLG 189mL 54

... ... ...

... ... ...

524 WALLS ICE CREAM PADDLE POP RAINBOW POWER PCK 55mL ABC JUICE KACANG HIJAU TPK

250Ml 17

525 WALLS ICE CREAM PADDLE POP RAINBOW POWER PCK 55mL INDOMIE MIE GORENG JUMBO

SPECIAL PCK 129g 0

526 POCARI SWEAT MINUMAN ISOTONIK BTL 900mL ABC JUICE KACANG HIJAU TPK 250mL 0

527 POCARI SWEAT MINUMAN ISOTONIK BTL 900mL INDOMIE MIE GORENG JUMBO SPECIAL PCK

129g 0

528 ABC JUICE KACANG HIJAU TPK 250mL INDOMIE MIE GORENG JUMBO SPECIAL PCK 129g 0

Nilai support dari kandidat 2-itemset diperoleh dengan menggunakan rumus

pada persamaan (2). Contoh untuk menghitung nilai support dari produk pada Tabel 7

dimana diketahui total seluruh transaksi adalah 17.593 transaksi, sehingga penghitungan

nilai support-nya adalah sebagai berikut:

1. ( )

= 1,54%

Hasil perhitungan nilai support dari kandidat 2-itemset dapat dilihat pada Tabel 8.

Tabel 8. 2-itemset (C2)

NO DESKRIPSI FREK. SUPPORT

(%)

1 INDOMIE MIE GORENG PLUS SPECIAL PCK 80g SARI ROTI SANDWICH

COKLAT PCS 271 1,540

2 INDOMIE MIE GORENG PLUS SPECIAL PCK 80g SAMPOERNA ROKOK FILTER

MILD (PCS) MERAH BKS 16S 108 0,613

3 INDOMIE MIE GORENG PLUS SPECIAL PCK 80g BEAR BRAND SUSU ENCER

STERIL KLG 189mL 54 0,306

... ... ... ...

... ... ... ...

324 WALLS ICE CREAM PADDLE POP RAINBOW POWER PCK 55mL ABC JUICE

KACANG HIJAU TPK 250mL 17 0,097

325 WALLS ICE CREAM PADDLE POP RAINBOW POWER PCK 55mL INDOMIE MIE

GORENG JUMBO SPECIAL PCK 129g 0 0

326 POCARI SWEAT MINUMAN ISOTONIK BTL 900mL ABC JUICE KACANG HIJAU

TPK 250mL 0 0

527 POCARI SWEAT MINUMAN ISOTONIK BTL 900mL INDOMIE MIE GORENG

JUMBO SPECIAL PCK 129g 0 0

528 ABC JUICE KACANG HIJAU TPK 250mL INDOMIE MIE GORENG JUMBO

SPECIAL PCK 129g 0 0

Setelah diketahui nilai support dari kandidat 2-itemset, selanjutnya dilakukan

pemangkasan (prune) terhadap produk yang mempunyai nilai support dibawah 1%.

Produk yang memiliki nilai support lebih dari sama dengan 1% merupakan frequent 2-

itemset (L2). Hasil frequent 2-itemset (L2) dapat dilihat pada Tabel 9.

8

Tabel 9. Hasil frequent 2-itemset (L2)

NO DESKRIPSI FREK. SUPPORT

(%)

1 INDOMIE MIE GORENG PLUS SPECIAL PCK 80g SARI ROTI SANDWICH COKLAT

PCS 271 1,540

2 SARI ROTI SANDWICH COKLAT PCS AQUA AIR MINERAL BTL 600mL 184 1,046

3 SAMPOERNA ROKOK FILTER MILD (PCS) MERAH BKS 16S AQUA AIR MINERAL

BTL 600mL 179 1,017

4 SARI ROTI SANDWICH COKLAT PCS BEAR BRAND SUSU ENCER STERIL KLG

189mL 176 1,000

d. Pembentukan Association Rule

Setelah semua pola frekuensi tinggi ditemukan, selanjutnya dilakukan

pembentukan association rule A→B yang dibentuk menggunakan hasil frequent 2-

itemset (L2) pada Tabel 9. Setelah melakukan pembentukan association rule,

selanjutnya menghitung nilai confidence dari association rule A→B. Untuk nilai

minimum confidence sebelumnya sudah ditetapkan oleh peneliti yaitu 20%. Nilai

confidence diperoleh dengan menggunakan rumus pada persamaan (3). Pembentukan

association rule dapat dilihat pada Tabel 10.

Tabel 10. Association Rule NO DESKRIPSI ASSOCIATION RULE CONFIDENCE

1

INDOMIE MIE GORENG PLUS

SPECIAL PCK 80g SARI ROTI

SANDWICH COKLAT PCS

Jika membeli INDOMIE MIE

GORENG PLUS SPECIAL PCK 80g

maka akan membeli SARI ROTI

SANDWICH COKLAT PCS

Jika membeli SARI ROTI

SANDWICH COKLAT PCS maka akan membeli INDOMIE MIE

GORENG PLUS SPECIAL PCK 80g

2

SARI ROTI SANDWICH

COKLAT PCS AQUA AIR

MINERAL BTL 600mL

Jika membeli SARI ROTI

SANDWICH COKLAT PCS maka

akan membeli AQUA AIR

MINERAL BTL 600mL

Jika membeli AQUA AIR

MINERAL BTL 600mL maka akan membeli SARI ROTI SANDWICH

COKLAT PCS

3

SAMPOERNA ROKOK FILTER

MILD (PCS) MERAH BKS 16S

AQUA AIR MINERAL BTL

600mL

Jika membeli SAMPOERNA

ROKOK FILTER MILD (PCS)

MERAH BKS 16S maka akan

membeli AQUA AIR MINERAL BTL 600mL

Jika membeli AQUA AIR MINERAL BTL 600mL maka akan

membeli SAMPOERNA ROKOK

FILTER MILD (PCS) MERAH BKS

16S

4

SARI ROTI SANDWICH

COKLAT PCS BEAR BRAND

SUSU ENCER STERIL KLG

189mL

Jika membeli SARI ROTI

SANDWICH COKLAT PCS maka akan membeli BEAR BRAND SUSU

ENCER STERIL KLG 189mL

9

Lanjutan Tabel 10. NO DESKRIPSI ASSOCIATION RULE CONFIDENCE

Jika membeli BEAR BRAND SUSU

ENCER STERIL KLG 189mL maka

akan membeli SARI ROTI SANDWICH

COKLAT PCS

Berikut daftar strong rule yaitu daftar kombinasi yang memenuhi nilai miniminum

support dan nilai minimum confidence:

Tabel 11. Daftar Strong Rule NO ASSOCIATION RULE SUPPORT CONFIDENCE

1

Jika membeli SARI ROTI

SANDWICH COKLAT PCS maka

akan membeli INDOMIE MIE

GORENG PLUS SPECIAL PCK

80g

1,540%

2

Jika membeli AQUA AIR

MINERAL BTL 600mL maka akan membeli SARI ROTI SANDWICH

COKLAT PCS

1,046%

3

Jika membeli AQUA AIR

MINERAL BTL 600mL maka akan

membeli SAMPOERNA ROKOK

FILTER MILD (PCS) MERAH BKS

16S

1,017%

4

Jika membeli BEAR BRAND

SUSU ENCER STERIL KLG 189mL

maka akan membeli SARI ROTI

SANDWICH COKLAT PCS

1,000%

e. Desain Sistem

1. Use Case Diagram

Use case diagram digunakan untuk mengetahui fungsi apa saja yang ada di

dalam sistem informasi dan siapa saja yang berhak menggunakan fungsi-fungsi itu.

Pada sistem ini terdapat satu aktor yaitu User. User bertugas dan memiliki akses untuk

mengimport data, melihat data produk, melihat data transaksi, melakukan perhitungan,

dan melihat hasil perhitungan. Use case diagram dapat dilihat pada Gambar 1.

Gambar 1. Use Case Diagram

10

2. Activity Diagram

Activity diagram adalah diagram yang menggambarkan aliran kerja atau

aktivitas dari sebuah sistem atau proses bisnis atau menu yang ada pada perangkat

lunak. Yang perlu diperhatikan adalah bahwa activity diagram menggambarkan

aktivitas sistem bukan apa yang dilakukan aktor, jadi aktivitas yang dapat dilakukan

oleh sistem. Activity diagram dapat dilihat pada Gambar 2.

Gambar 2. Activity Diagram

3. Class Diagram

Class diagram menggambarkan interaksi antar kelas dalam sebuah sistem. Class

diagram dapat dilihat pada Gambar 3.

Gambar 3. Class Diagram

4. Sequence Diagram

Sequence diagram digunakan untuk memperlihatkan suatu proses operasi antara

satu proses dan lainnya. Diagram yang bersifat dinamis ini merupakan diagram interaksi

11

yang menekankan pada pengiriman pesan dalam suatu waktu tertentu secara berurutan.

Sequence diagram dapat dilihat pada Gambar 4.

Gambar 4. Sequence Diagram

f. Implementasi

1. Tampilan Halaman Dashboard

Gambar 5 merupakan tampilan dashboard yang menampilkan jumlah data

transaksi dan jumlah data produk.

Gambar 5. Tampilan Halaman Dashboard

2. Tampilan Perhitungan

Menu perhitungan terdapat dua pilihan menu yaitu Mulai Perhitungan dan Hasil

Perhitungan. Pada pilihan Mulai Perhitungan akan menampilkan form perhitungan

dimana user diminta untuk memasukkan minimum support. Tampilan perhitungan dapat

dilihat pada Gambar 6.

Gambar 6. Tampilan Perhitungan

12

3. Tampilan Hasil Perhitungan

Tampilan melihat hasil perhitungan akan menampilkan secara rinci hasil

perhitungan. Pada tampilan ini akan menampilkan hasil frequent itemset dan hasil

association rule. Tampilan hasil perhitungan dapat dilihat pada Gambar 7.

Gambar 7. Tampilan Melihat Hasil Perhitungan

KESIMPULAN

Berdasarkan hasil penelitian yang dilakukan dapat ditarik beberapa kesimpulan

yaitu sebagai berikut:

1. Data mining dengan algoritma apriori berhasil diterapkan ke dalam sistem

prototipe yang telah dibuat untuk menentukan pola beli konsumen di Indomaret

Jalan Pertanian Duri. Hal ini dapat dibuktikan bahwa perhitungan manual yang

ditunjukkan pada sub bab pembahasan di bab sebelumnya sama dengan hasil

perhitungan dengan sistem prototipe yang telah dibuat.

2. Dari perhitungan yang telah di bahas sebelumnya menghasilkan empat aturan

asosiasi yang memenuhi nilai minimum support dan nilai minimum confidence

yang telah ditentukan. Kedua asosiasi tersebut dapat diterjemahkan sebagai

berikut:

a. Kombinasi produk SARI ROTI SANDWICH COKLAT PCS, INDOMIE

MIE GORENG PLUS SPECIAL PCK 80g dengan nilai support sebesar

1,540%. Artinya 1,540% dari seluruh transaksi berjumlah 17.593 transaksi

mengandung pembelian dengan produk SARI ROTI SANDWICH COKLAT

PCS dan INDOMIE MIE GORENG PLUS SPECIAL PCK 80g yang dibeli

13

secara bersamaan. Sedangkan memiliki nilai confidence sebesar 21,271%

menyatakan tingkat kepercayaan atau dapat disimpulkan bahwa jika seorang

konsumen membeli SARI ROTI SANDWICH COKLAT PCS maka terdapat

21,271% kemungkinan konsumen tersebut akan membeli dan INDOMIE

MIE GORENG PLUS SPECIAL PCK juga.

b. Kombinasi produk AQUA AIR MINERAL BTL 600mL, SARI ROTI

SANDWICH COKLAT PCS dengan nilai support sebesar 1,046%. Artinya

1,046% dari seluruh transaksi berjumlah 17.593 transaksi mengandung

pembelian dengan produk AQUA AIR MINERAL BTL 600mL dan SARI

ROTI SANDWICH COKLAT PCS yang dibeli secara bersamaan. Sedangkan

memiliki nilai confidence sebesar 20,862% menyatakan tingkat kepercayaan

atau dapat disimpulkan bahwa jika seorang konsumen membeli AQUA AIR

MINERAL BTL 600mL 350mL maka terdapat 20,862% kemungkinan

konsumen tersebut akan membeli SARI ROTI SANDWICH COKLAT PCS

juga.

c. Kombinasi produk AQUA AIR MINERAL BTL 600mL, SAMPOERNA

ROKOK FILTER MILD (PCS) MERAH BKS 16S dengan nilai support

sebesar 1,017%. Artinya 1,017% dari seluruh transaksi berjumlah 17.593

transaksi mengandung pembelian dengan produk AQUA AIR MINERAL

BTL 600mL dan SAMPOERNA ROKOK FILTER MILD (PCS) MERAH

BKS 16S yang dibeli secara bersamaan. Sedangkan memiliki nilai confidence

sebesar 20,295% menyatakan tingkat kepercayaan atau dapat disimpulkan

bahwa jika seorang konsumen membeli AQUA AIR MINERAL BTL 600mL

350mL maka terdapat 20,295% kemungkinan konsumen tersebut akan

membeli SAMPOERNA ROKOK FILTER MILD (PCS) MERAH BKS 16S

juga.

d. Kombinasi produk BEAR BRAND SUSU ENCER STERIL KLG 189mL,

SARI ROTI SANDWICH COKLAT PCS dengan nilai support sebesar 1%.

Artinya 1% dari seluruh transaksi berjumlah 17.593 transaksi mengandung

pembelian dengan produk BEAR BRAND SUSU ENCER STERIL KLG

189mL dan SARI ROTI SANDWICH COKLAT PCS yang dibeli secara

bersamaan. Sedangkan memiliki nilai confidence sebesar 24,824%

menyatakan tingkat kepercayaan atau dapat disimpulkan bahwa jika seorang

konsumen membeli BEAR BRAND SUSU ENCER STERIL KLG 189mL

maka terdapat 24,824% kemungkinan konsumen tersebut akan membeli

SARI ROTI SANDWICH COKLAT PCS juga.

3. Hasil intepretasi knowledge yang diperoleh dari pola beli konsumen diatas adalah

sebagai berikut:

a. Pola yang paling banyak dihasilkan adalah pola pembelian untuk produk roti

dan air mineral. Hal tersebut dapat dilihat dari aturan-aturan yang dihasilkan.

b. Produk yang sering dibeli adalah produk SARI ROTI, AQUA,

SAMPOERNA ROKOK, INDOMIE, dan BEAR BRAND sehingga

persediaan/stok untuk produk tersebut harus paling banyak dari produk lain.

14

c. Untuk produk yang memiliki nilai confidence tertinggi bisa dijadikan sebagai

sarana paket promo untuk dua produk secara bersamaan. Misalnya untuk pola

BEAR BRAND SUSU ENCER STERIL KLG 189mL => SARI ROTI

SANDWICH COKLAT PCS bisa menggabungkan kedua produk tersebut

menjadi satu paket promo dengan harga promosi.

d. Untuk produk yang memiliki nilai support dan nilai confidence yang rendah

sebaiknya persediaan/stok produk tidak terlalu banyak untuk menghindari

produk tidak laku terjual sehingga mengakibatkan produk kadaluarsa.

UCAPAN TERIMA KASIH

Penulis mengucapkan terima kasih kepada bapak Joko Risanto, M.Kom yang telah membimbing, memotivasi serta membantu penelitian dan penulisan karya ilmiah ini.

DAFTAR PUSTAKA

Ariana, A. A. G. B. and Asana, I. M. D. P. (2013) „Analisis Keranjang Belanja Dengan

Algoritma Apriori Pada Perusahaan Retail‟, Seminar Nasional Sistem Informasi

Indonesia, pp. 522–527.

Arifin, R. N. (2015) „Implementasi Algoritma Frequent Pattern Growth ( Fp-Growth )

Menentukan Asosiasi Antar Produk ( Study Kasus Nadiamart )‟. Available at:

http://eprints.dinus.ac.id/id/eprint/16600.

Budhi, G. S. and Soedjianto, F. (2007) „Aplikasi Data Mining Market Basket Analysis

Pada Tabel Data Absensi Elektronik Untuk Mendeteksi Kecurangan Absensi

(Check-Lock) Karyawan Di Perusahaan‟, Jurnal Informatika, 8(2), pp. 119–129.

Gemala, M., Arifin, M. and Yanu, A. A. (2012) „Penerapan Metode Market Basket

Analysis Pada Situs Web E-Commerce (Studi Kasus: Dhian Handicraft

Indonesia)‟, JSIKA, 1(1), pp. 1–15.

Masnur, A. (2015) „Analisa Data Mining Menggunakan Market Basket Analysis untuk

Mengetahui Pola Beli Konsumen‟, 1(2), pp. 32–40.

Nurchalifatun, F. (2015) „Penerapan Metode Asosiasi Data Mining Menggunakan

Algoritma Apriori Untuk Mengetahui Kombinasi Antar Itemset Pada Pondok

Kopi‟. Available at: http://eprints.dinus.ac.id/id/eprint/16842.