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 [email protected]
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.