ASOSIASI DATA MINING PENJUALAN DENGAN MENGGUNAKAN ALGORITMA FP-GROWTH ( STUDI KASUS : MARKET BASKET ANALYSIS (MBA) ) Final Project Data Mining
Oleh Rizal M Noor 117006214
JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS SILIWANGI TASIKMALAYA 2013/2014
1. PENDAHULUAN Bidang ilmu pengetahuan, bisnis dan pemerintahan telah melahirkan tumpukan data yang sangat melimpah. Tumpukan data ini yang akhirnya dikumpulkan dan diolah oleh kemampuan teknologi informasi menjadi beberapa “pengetahuan” baru yang dapat dimanfaatkan. Namun metoda analisis dan pengolahan data yang ada, masih kesulitan dalam menangani data dalam jumlah besar. Sementara, kebutuhan akan informasi dari gudang data ini memaksa untuk lahirnya sebuah teknologi baru yang dapat mengolah data dalam jumlah besar. Maka lahirlah data mining, sebuah teknologi baru yang menjawab kebutuhan ini. Sebuah perusahaan pemasaran dapat mengumpulkan data transaksi dengan cepat sehingga menghasilkan data yang sangat besar. Pertumbuhan data yang pesat itukadang dibiarkanbegitu saja dan tidak digunakan. Dengan data mining atau lebih tepatnya Market Basket Analysis (MBA), data yang banyak itu dapat diolah sehingga didapatkan informasi tersembunyi yang akan menghasilkan knowledge yang berguna untuk pengambilan keputusan para decision maker perusahaan pemasaran tersebut. MBA merupakan salah satu contoh dari data mining yang digunakan untuk menganalisa kebiasaan konsumen dalam berbelanja. MBA bisa menjadi tidak berguna ketika dihadapkan pada data yang kecil, namun akan menghasilkan informasi yang berharga ketika diperlakukan pada data yang besar seperti misalnya data transaksi sebuah supermarket besar. Salah satu teknik dalam data mining yang terkenal dan cocok untuk MBA adalah association rule mining. Association rule mining memiliki beberapa algoritma yang sudah sering digunakan diantaranya algoritma Apriori, FP-Growth, dan CT-PRO yang dimana ketiga algoritma tersebut memiliki kelebihan dan kekurangan masing-masing. Dalam dokumen penelitian ini penulis akan menggunakan algoritma FP-Growth.
2. LANDASAN TEORI 2.1 Data Data merupakan sekumpulan fakta yang nantinya akan menjadi sebuah informasi penting apabila diperlakukan dengan proses tertentu.
Informasi yang didapatkan harus sesuai dengan kebutuhan dan harus dipastikan bahwa informasi tersebut memiliki kualitas yang baik. Ada beberapa faktor yang mempengaruhi kualitas dari sebuah informasi, yaitu keakuratan, kerelevanan, tepat waktu dan penyajiannya. Informasi yang nanti didapatkan atau sering disebut dengan knowledge, harus memiliki nilai yang baik. Informasi ini akan digunakan untuk penentuan keputusan dan kebijakan serta langkah apa yang akan sebaiknya dilakukan selanjutnya, jadi proses dalam mendapatkan informasi ini haruslah menggunakan proses dan teknologi yang dapat dipercaya kebenarannya.
2.2 Data Mining Data Mining adalah sebuah teknologi baru yang memiliki potensi sangat besar dalam penggalian informasi yang tersembunyi. Data mining juga sering didefinisikan sebagai proses ekstraksi informasi prediktif tersembunyi dari database yang sangat besar. Teknologi ini memungkinkan sebuah perusahaan untuk lebih proaktif dalam penyusunan strategi yang efektif dan juga dalam pengambilan keputusan berdasarkan perilaku dan tren masa depan yang dapat diprediksi oleh proses data mining. Secara umum, data mining memiliki istilah populer yaitu Knowledge Discovery from Databases atau disingkat KDD.
2.3 Jenis-jenis Data Mining Menurut Fungsinya Data mining dibagi menjadi beberapa jenis menurut dari fungsinya (Atje Setiawan, 2009), yaitu: a. Konsep atau kelas description b. Association Analysis c. Klasifikasi dan Prediksi d. Cluster Analysis e. Outlier Analysis f.
Evaluation Analysis
2.4 Association Rule Assosiation Rule merupakan suatu proses untuk menemukan semua aturan assosiatif yang memenuhi syarat minimum untuk support
(minsup) dan syarat minimum untuk confidence (minconf) pada sebuah database. Dalam menentukan suatu Association Rule umumnya terdapat dua ukuran kepercayaan (interestingness measure), yaitu support dan confidence. Kedua ukuran ini akan digunakan untuk interesting association rules dengan dibandingkan dengan batasan yang telah ditentukan. Batasan inilah yang terdiri dari minsup dan minconf. Assosiation Rule Mining adalah suatu prosedur untuk mencari hubungan antar item dalam suatu dataset. Dimulai dengan mencari frequent itemset, yaitu kombinasi yang paling sering terjadi dalam suatu itemset dan harus memenuhi minimum support. Dalam tahap ini akan dicari kombinasi item yang memnuhi syarat minimum dari nilai support dalam database. Untuk mendapatkan nilai support untuk sebuah item A dapat diperoleh dari rumus berikut : Jumlah transaksi yang mengandung item A
Support (A) =
(2.1)
Total transaksi
Sementara itu, untuk mencari nilai support dari 2-item dapat diperoleh dari rumus berikut : Support (A,B) = P (A∩ B) =
Jumlah transaksi yang mengandung A dan B Total transaksi
(2.2)
Setelah semua frequent item dan Large itemset ditemukan, dapat dicari semua Association Rules yang memenuhi syarat minimum untuk confidence (minconf) dengan menggunakan rumus berikut ini :
Confidence (AB) = P (B|A) =
Jumlah transaksi yang mengandung A dan B Total transaksi
(2.3)
2.5 Market Basket Analysis Market Basket Analysis adalah salah satu teknik pemodelan dalam data mining berdasarkan teori yang mana jika anda membeli suatu grup
item, anda akan memiliki kemungkinan membeli itemset yang lain (data mining concept and technique, Jiawei Han). Market Basket berdasarkan kumpulan item yang dibeli oleh konsumen dalam sebuah transaksi. Dalam hal ini, kuantitas dari sebuah item yang dibeli konsumen tidak mempengaruhi proses analisis ini. Market Basket Analysis hanya berdasarkan tipe-tipe item yang berbeda, tidak peduli seberapa banyak kuantitasnya. Dalam Market Basket Analysis akan dianalisis akumulasi kumpulan transaksi dari sejumlah besar konsumen dalam periode waktu yang telah berlangsung. Proses ini menganalisis buying habits dari para konsumen dengan menemukan hubungan assosiasi antar item-item yang berbeda yang seringkali dibeli oleh konsumen. Hasil dari proses analisis ini nantinya akan sangat berguna bagi perusahaan retail khususnya seperti toko swalayan dan supermarket untuk mengembangkan strategi pemasaran dan proses pengambilan keputusan dengan melihat item-item berbeda yang sering dibeli secara bersamaan oleh konsumen dalam satu waktu. Beberapa kombinasi item yang sering dibeli konsumen memang terkadang sangat mudah untuk ditebak, contohnya seringkali konsumen membeli susu bayi dan popok secara bersamaan. Pola ini sangat biasa terjadi dan mudah ditebak karena susu bayi dan popok memiliki hubungan yang sangat dekat. Namun terkadang pola seperti deterjen dan telur jarang terfikirkan karena deterjen dan telur tidak mempunyai hubungan sama sekali. Melalui Market Basket Analysis, pola- pola yang terkadang tidak terfikirkan ini dapat ditemukan dengan mudah sehingga akan membantu pengambilan keputusan dan proses pengembangan strategi bagi perusahaan retail. Masalahmasalah seperti kehabisan stok akan diminimalisir dengan diketahuinya pola pembelian konsumen melalui Market Basket Analysis sehingga dapat meningkatkan penjualan perusahaan tersebut.
2.6 Algoritma FP-Growth Algoritma FP-Growth merupakan salah satu alternatif algoritma yang cukup efektif untuk mencari himpunan data yang paling sering muncul (frequent itemset) dalam sebuah kumpulan data yang besar. Algoritma FPGrowth merupakan algoritma Association Rules yang cukup sering dipakai.
Algoritma FP-Growth ini dikembangkan dari algoritma apriori. Algoritma apriori menghasilkan kombinasi yang sangat banyak sehingga sangat tidak efisien. Algoritma FP-Growth ini merupakan salah satu solusi dari algoritma apriori yang memakan waktu yang sangat lama karena harus melakukan pattern matching yang secara berulang-ulang. Sedangkan dalam proses Algoritma FP-Growth terdapat banyak kelebihan yang terbukti sangat efisien karena hanya dilakukan pemetaan data atau scan database sebanyak 2 kali untuk membangun struktur ”tree”. Maka dari itu, Algoritma FP-Growth dikenal juga dengan sebutan algoritma FP-Tree. Dengan menggunakan struktur FP-Tree, algoritma FP-Growth dapat langsung mengekstrak frequent itemset dari susunan FP-Tree yang telah terbentuk.
3. METODE PENELITIAN 3.1 Data Dalam penelitian ini akan digunakan data mentah yaitu sebuah data transaksi penjualan sebuah supermarket dalam suatu periode waktu. Data sekunder ini terdiri dari 4627 jumlah transaksi penjualan dengan 216 jenis item. Tabel 1 Sampel Data Bread
Spices
Biscuits
Deodorant
Canned fruit
Cheese
Break
coffee
...
Beef
fast food True
?
?
?
?
true
?
True
?
?
?
?
True
True
?
?
?
?
True
?
?
True
?
?
?
?
True
True
?
?
?
?
True
True
?
True
True
?
?
?
?
?
?
True
True
True
True
True
?
True
?
True
?
?
True
?
?
True
True
True
True
?
?
True
?
?
?
?
?
?
True
?
?
?
?
?
?
?
?
?
?
True
?
?
?
True
?
?
?
True
True
?
?
?
True
True
True
True
True
True
?
?
True
True
True
?
?
True
True
?
?
?
?
?
True
True
?
?
?
?
?
?
?
?
?
?
True
?
?
?
?
True
True
?
?
True
?
?
?
True
?
True
?
?
?
?
?
?
True
True
?
?
True
True
?
?
?
?
?
?
?
?
?
?
?
?
?
?
True
True
?
?
?
?
?
?
?
?
?
?
True
?
?
?
?
True
?
?
True
True
?
?
True
?
True
True
?
True
?
?
?
?
?
True
?
?
?
?
?
?
?
?
?
?
: : ?
Dalam tabel di atas, baris paling atas menunjukkan item-item yang dijual, sementara baris- baris selanjutnya menunjukkan transaksi pembelian konsumen, setiap baris mewakili satu kali transaksi. Sementara dalam kolom transaksi, kode (true) memiliki arti konsumen membeli item tersebut, sementara kode (?) berarti konsumen tidak membeli item tersebut.
3.2 Metodologi Penelitian Penelitian ini akan dilakukan dengan tahap-tahap yang mengikuti proses Knowledge Discovery from Databases (KDD) sebagai berikut: 1. Data Cleaning 2. Data Integration 3. Data Selection 4. Data Transformation 5. Data Mining 6. Pattern Evaluation 7. Knowledge Presentation 3.3 Pencarian Aturan Asosiasi Menggunakan Algoritma FP-Growth Proses pencarian frequent itemset dengan menggunakan algoritma FP-Growth akan dilakukan dengan cara membangkitkan struktur data tree atau disebut dengan FP-Tree. Metode FP-Growth untuk menghasilkan frequent item melalui pembangunan struktur pohon keputusan dibagi menjadi tiga tahapan utama, yaitu : 1. Tahap pembangkitan conditional pattern base 2. Tahap pembangkitan conditional FP-Tree
?
?
3. Tahap pencarian frequent itemset.
4. HASIL DAN PEMBAHASAN 4.1 Implementasi Software Data transaksi penjualan ini diolah menggunakan software WEKA versi 3.6.4. Untuk bisa menggunakan software ini, data yang digunakan sebagai masukan harus dalam format *.arff atau *.csv. Untuk mengganti format data dapat digunakan pengolah data Microsoft Excel untuk mengganti menjadi format *.csv dan dengan menggunakan software WEKA itu sendiri untuk mengganti menjadi format *.arff.
Gambar 1. Tampilan Utama WEKA 3.6.4 4.2 Preprocessing Sebelum melakukan proses mining terlebih dahulu dilakukan tahap preprocessing, yaitu merubah format data agar dapat digunakan dalam software. Berikut tampilan langkah-langkah dan hasil yang diperoleh:
Gambar 2. Data dengan format *.csv
Gambar 3. Data dengan format *.arff
Gambar 4. Preprocessing
4.3 Hasil Algoritma FP-Growth
Gambar 5. Hasil
Dari hasil yang didapat menggunakan software WEKA 3.6.4 dihasilkan 16 rules dan ditampilkan 10 rules yang paling strong. Berikut rules yang ditemukan : 1. [fruit, frozen foods, biscuits]: 788 ==> [bread and cake]: 723 lift:(1.27) lev:(0.03) conv:(3.35)
2. [fruit, baking needs, biscuits]: 760 ==> [bread and cake]: 696 lift:(1.27) lev:(0.03) conv:(3.28) 3. [fruit, baking needs, frozen foods]: 770 ==> [bread and cake]: 705 lift:(1.27) lev:(0.03) conv:(3.27) 4. [fruit, vegetables, biscuits]: 815 ==> [bread and cake]: 746 lift:(1.27) lev:(0.03) conv:(3.26) 5. [fruit, party snack foods]: 854 ==> [bread and cake]: 779 lift:(1.27) lev:(0.04) conv:(3.15) 6. [vegetables, frozen foods, biscuits]: 797 ==> [bread and cake]: 725 lift:(1.26) lev:(0.03) conv:(3.06) 7. [vegetables, baking needs, biscuits]: 772 ==> [bread and cake]: 701 lift:(1.26) lev:(0.03) conv:(3.01) 8. [fruit, biscuits]:
954 ==>
[bread and
cake]: 866
lift:(1.26) lev:(0.04) conv:(3) 9. [fruit, vegetables, frozen foods]: 834 ==> [bread and cake]: 757 lift:(1.26) lev:(0.03) conv:(3) 10. [fruit, frozen foods]: 969 ==> [bread and cake]: 877 lift:(1.26) lev:(0.04) conv:(2.92)
4.4 Kegunaan Hasil Dari rules yang didapatkan, maka strategi yang dapat digunakan oleh perusahaan pemasaran (swalayan) yaitu : 1. Mengatur penempatan posisi item-item yang saling frequent dengan jarak berdekatan sehingga konsumen dapat lebih mudah berbelanja. 2. Atau dapat pula dengan mengatur penempatan posisi item-item yang saling frequent dengan jarak yang berjauhan dan menempatkan frequent itemset lain diantaranya, sehingga peluang konsumen membeli item lain yang posisinya terletak antara item yang frequent menjadi lebih besar.
5. KESIMPULAN DAN SARAN Berdasarkan penelitian yang telah dilakukan sebelumnya, maka dapat ditarik beberapa kesimpulan sebagai berikut: 1. Dengan menggunakan algoritma FP-Growth dengan bantuan software WEKA 3.6.4 didapatkan hasil berupa aturan (rules) yang merupakan kumpulan frequent itemset dengan nilai confidence yang tinggi. 2. Dengan didapatkannya rules ini maka perusahaan pemasaran dapat menggunakan rules tersebut dalam membuat strategi-strategi untuk meningkatkan penjualan. 3. Hasil implementasi telah dilakukan dengan menghasilkan nilai strong confidence paling tinggi 92 % Saran dari hasil penelitian ini adalah : 1. Penelitian selanjutnya dapat menggunakan data yang lebih besar lagi sehingga rules yang dihasilkan lebih beragam dan lebih berguna untuk pengambilan keputusan. Semakin besar data semakin berguna informasi yang dihasilkan. 2. Penelitian selanjutnya juga bisa mencoba menggunakan algoritma data mining lain sehingga dapat dicari algoritma yang paling efisien dan efektif.
DAFTAR PUSTAKA
Borgelt, Christian. 2005. An Implementation of the FP-Growth Algorithm, (Online), http://fuzzy.cs.uni-magdeburg.de/~borgelt/ (diakses 28 Juni 2011).
Bouckaert, Remco., dkk. 2010. WEKA Manual for Version 3-6-2, (Online), http://kent.dl.sourceforge.net/project/weka/dokumentation/3.6.x/(diakses
5
Agustus 2011).
Coenen, F. 2003. The LUCS-KDD FP-Growth Association Rule Mining Algorithm, (Online), http://www.cxc.liv.ac.uk/~frans/ (diakses 28 Juni 2011).
Erwin. 2009. Analisis Market Basket Dengan Algoritma Apriori dan FP-Growth, (Online), http://uppm.ilkom.unsri.ac.id/ (diakses 5 Juli 2011).
