DATA MINING UNTUK PENJUALAN PRODUK SUPERMARKET MENGGUNAKAN METODE APRIORI PADA PT. BATU MUTIARA INDAH

92
57

BAB III
PEMBAHASAN

3.1 Profile Instansi
PT. Batu Mutiara Indah yang sering di kenal dengan supermarket batu plaza berdiri pada tahun 1997 dan beralamat di Jl. Gajah Mada 1 Batu. Terletak di dekat obyek wisata alun-alun kota batu sehingga supermarket batu plaza mempunyai letak yang sangat strategis untuk menunjang kegiatan bisnis. Pendirian supermarket batu plaza dilatar-belakangi oleh perkembangan kota batu sehingga dibutuhkan sarana belanja bagi masyarakat umum yang betul-betul memihak masyarakat umum baik konsumen, pedagang serta pelaku ekonomi di lingkungan sekitar Kota Batu. Supermarket batu plaza memiliki nuansa yang berbeda dengan minimarket-minimarket yang sudah ada, juga memiliki filosofi dan orientasi yang berbeda.

3.2 Analisa Masalah
PT.Batu Mutiara Indah yang lebih dikenal dengan supermarket batu plaza merupakan salah satu unit usaha yang bergerak dalam bidang perdagangan kebutuhan pokok yang diharapkan dapat menyediakan kebutuhan pokok sehari-hari bagi masyarakat pada umumnya dengan kualitas baik dan harga yang terjangkau. Dimana perusahaan ini dituntut
untuk memberi pelayanan kepada konsumen dan mempermudah konsumen dalam pembelian barang, sehingga dapat menentukan strategi penjualan yang tepat dan akurat. Supermarket batu plaza terdapat beberapa permasalahan yang kerap muncul mengenai penjualan barang dan perusahaan sulit mendapatkan informasi-informasi strategis seperti tingkat penjualan per periode. Ketersediaan data penjualan yang besar di supermarket batu plaza tidak digunakan semaksimal mungkin, sehingga data penjualan tersebut tidak dimanfaatkan secara optimal dan belum adanya sistem yang dapat menyelesaikan permasalahan saat ini untuk merancang sebuah strategi bisnis dalam meningkatkan penjualan.
Maka dengan dibangun sistem untuk membuat analisis terhadap data transaksi pembelian barang untuk mengetahui pola dan hubungan keterkaitan antar data. Dari pola yang dihasilkan dapat diketahui hubungan antar data dalam pembelian barang dengan nilai support dan confidence yang telah ditentukan sebelumnya. Pola yang dihasilkan dapat memberikan informasi yang berharga bagi pihak terkait. Dalam sistem ini digunakan algoritma association rules mining untuk mendapatkan frequent itemset. Hal ini bertujuan untuk menemukan asosiasi dan hubungan antar item dalam kumpulan data transaksi pembelian barang.

3.3 Pemodelan Sistem
Dalam pembuatan data mining ini metode yang digunakan aturan asosiasi menggunakan algoritma association rules mining. Metode ini digunakan untuk mencari hubungan dalam data pembelian barang.
Untuk melakukan analisa terhadap data transaksi pembelian barang dilakukan proses sebagai berikut:
Sistem menerima data dari transaksi pembelian barang yang telah tersimpan di dalam database
Pengguna memasukkan nilai minimum support dan minimum confidence.
Sistem men-scan database untuk mendapatkan kandidat 1-itemset dan menghitung nilai supportnya.
Nilai support dibandingkan dengan nilai minimal confidence yang ditentukan. Jika nilainya lebih besar atau sama dari minimal confidence maka termasuk dalam large itemset.
Nilai yang memenuhi large itemset diikutkan dalam iterasi selanjutnya, tetapi jika tidak memenuhi, maka tidak diikutkan.
Pada iterasi kedua, sistem menggunakan hasil dari large itemset dari iterasi pertama untuk membentuk kandidat 2-itemset. Untuk iterasi selanjutnya sistem menggunakan large itemset dari iterasi sebelumnya untuk memebentuk itemset berikutnya.
Sistem menggabungkan antara 1-itemset dengan 2-itemset yang memenuhi large itemset. Jika gabungan dari item tersebut tidak memenuhi large itemset, maka akan dihapus.
Dari hasil frequet itemset tersebut diperoleh association rule dengan nilai confidence yang memenuhi nilai minimal confidence dan minimal confidence.
Data TransaksiAturan asosiasiMin Support & Min_ConfidencePreprocessing :Data Cleaning Data IntegrationData TransformationProses algoritma aprioriData TransaksiAturan asosiasiMin Support & Min_ConfidencePreprocessing :Data Cleaning Data IntegrationData TransformationProses algoritma aprioriBerikut ini akan dijelaskan mengenai diagram blok dari sistem yang akan dibuat:
Data Transaksi
Aturan asosiasi
Min Support & Min_Confidence
Preprocessing :
Data Cleaning
Data Integration
Data Transformation

Proses algoritma apriori
Data Transaksi
Aturan asosiasi
Min Support & Min_Confidence
Preprocessing :
Data Cleaning
Data Integration
Data Transformation

Proses algoritma apriori

Gambar 3.1 Diagram Blok Sistem

Data transaksi penjualan di ambil dari database sebagai input data yang akan diproses. Selain itu juga diinputkan minimal support dan minimal confidence sebagai syarat aturan asosiasi yang akan dibentuk.
Sebelum proses Data Minning dapat dilaksanakan, perlu dilakukan proses cleaning mencakup antara lain, membuang atribut data yang tidak diperlukan, duplikasi data, data integration penggabungan sumber-sumber data, data transformasi data dalam bentuk data set yang dapat di proses.
Tabel 3.1 Contoh : Awal Data Transaksi Penjualan
NOTRANS
URUTAN
KODE_BARANG
NAMA_BARANG
SATUAN
HRG_
JUAL
QTY
TGL_TRANS
DISKON
JML_
RETUR
TS01201300001
1
0JCE010-030
Susu Cair Indomilk Stroberi 195ml
Pcs
2237.55
1
01/01/2013
0
0
TS01201300001
2
0BGTT001-077
Gula KBA
Kg
8600
1
01/01/2013
0
0
TS01201300001
3
0BGTT001-077
Gula KBA
Kg
8600
1
01/01/2013
0
0
TS01201300001
4
0MMB024-030
Indomie Goreng Kriuk Bawang
Pcs
1354.56
2
01/01/2013
0
0
TS01201300002
1
0MMB024-030
Pcs
1354.56
2
01/01/2013
0
0
TS01201300002
2
0MMB024-030
Pcs
1354.56
2
01/01/2013
0
0
TS01201300002
3
0JCE010-030
Pcs
2237.55
1
01/01/2013
0
0
TS01201300003
1
0RBK005-083
Roti Tawar
BH
7000
1
01/01/2013
0
0
TS01201300003
2
0JCE010-030
Pcs
2237.55
1
01/01/2013
0
0
TS01201300003
3
0JCE010-030
Pcs
2237.55
1
01/01/2013
0
0

Tabel 3.2 Contoh : Data Transaksi Penjualan yang sudah di cleaning
NOTRANS
URUTAN
KODE_BARANG
NAMA_BARANG
SATUAN
HRG_
JUAL
QTY
TGL_TRANS
DISKON
JML_
RETUR
TS01201300001
1
0JCE010-030
Pcs
2237.55
1
01/01/2013
0
0
TS01201300001
2
0BGTT001-077
Gula KBA
Kg
8600
1
01/01/2013
0
0
TS01201300001
3
0BGTT001-077
Gula KBA
Kg
8600
1
01/01/2013
0
0
TS01201300001
4
0MMB024-030
Pcs
1354.56
2
01/01/2013
0
0
TS01201300002
1
0MMB024-030
Pcs
1354.56
2
01/01/2013
0
0
TS01201300002
2
0MMB024-030
Pcs
1354.56
2
01/01/2013
0
0
TS01201300002
3
0JCE010-030
Pcs
2237.55
1
01/01/2013
0
0
TS01201300003
1
0RBK005-083
Roti Tawar
BH
7000
1
01/01/2013
0
0
TS01201300003
2
0JCE010-030
Pcs
2237.55
1
01/01/2013
0
0
TS01201300003
3
0JCE010-030
Pcs
2237.55
1
01/01/2013
0
0

Tabel 3.3 Contoh : Data Transaksi Penjualan yang sudah di Integration
NOTRANS
KODE_BARANG
NAMA_BARANG
TS01201300001
0JCE010-030
TS01201300001
0BGTT001-077
Gula KBA
TS01201300001
0MMB024-030
TS01201300002
0MMB024-030
TS01201300002
0JCE010-030
TS01201300003
0RBK005-083
Roti Tawar
TS01201300003
0JCE010-030

Tabel 3.4 Contoh : Data Transformation
ATRIBUT
KETERANGAN
NOTRANS
Nomor transaksi yang dimiliki setiap transaksi pembelian konsumen.
KODE_BARANG
Kode barang yang dimiliki barang yang ada di supermarket batu plaza.
NAMA_BARANG
Merupakan nama barang yang ada di supermarket batu plaza.

Data tersebut dilakukan proses data mining yaitu pencarian pola penjualan menggunakan algoritma association rules mining sampai batas maksimal tiga item.
Setelah proses selesai maka didapatkan hasil berupa aturan asosiasi yang memenuhi kriteria minimal support dan minimal confidence yang diinputkan.
PT. Batu Mutiara Indah data yang diberikan sudah di export dalam bentuk exel. Sedangkan dalam penelitian ini digunakan database MySQL. Untuk itu sebelum proses pembentukan dataset, dilakukan konversi data dari exel ke database MySQL. Tidak semua data harus dikonversi, tetapi hanya tabel yang berhubungan langsung dengan transaksi yaitu tabel penjualan dan detil penjualan.
Pada mulanya data transaksi asli terdiri dari berbagai macam kolom, misalnya kolom nomer transaksi, kode barang, nama barang, harga, jumlah item, dan sebagainya. Padahal dalam penelitian ini seluruh data pada kolom tersebut tidak dibutuhkan semua. Untuk itu dilakukan penghapusan pada data yang dianggap tidak perlu akan proses data mining bisa berjalan lebih cepat. Langkah ini ditempuh dalam pembentukan dataset yang dibutuhkan aplikasi data mining.
Dataset adalah objek yang merepresentasikan sekumpulan data dan relasinya. Strukturnya mirip dengan data di database. Tabel 3.1 adalah dataset yang akan digunakan dalam proses data mining. Dataset terdiri dari 2 data tabel, Tabel penjualan dan item_penjualan. Kedua data tabel saling berhubungan melalui data relation penjualan-item_penjualan. Tabel 3.1 dibawah ini menjelaskan struktur dataset.
Tabel 3.5. Struktur Dataset
Atribut
Type Data
NOTRANS
Varchar
KODE_BARANG
Date
NAMA_BARANG
Varchar

Dua tabel yang membentuk dataset dihubungkan oleh ID yaitu kolom Notrans. Dimana setiap record (item data) Notrans pada Tabel penjualan minimal mempunyai satu record Notrans pada Tabel Item_Penjualan. Gabungan data dari kedua tabel ini nanti yang akan dilakukan pencarian pola penjualan barang.

3.4 Tahap-Tahap Iterasi dalam Algoritma Apriori
Iterasi Pertama
Hitung nilai minimun support dan setiap item.
Scan database.
Maka didapat pola frekuensi tinggi 1-itemset.
PiIih pola frekuensi tinggi 1-itemset.
Iterasi Kedua
Buat kandidat 2-itemset dan kombinasi 1-itemset yang telah didapat pada iterasi sebelumnya.
Hitung nilai minimum support 2-itemset.
Nilai minimum support yang memenuhi syarat minimum support.
Tentukan pola frekuensi tinggi 2-itemset.
Iterasi ke-k
Pembentukan k-itemset (dibentuk dengan kombinasi (k-i) item set)
Hitung minimum support dan kandidat (k-1)-itemset.
Tetapkan pola frekuensi tinggi.
Bila tidak didapat pola frekuensi tinggi, maka proses dihentikan, bila masih ditemukan pola frekuensi tinggi maka k ditambah satu dan kembali kebagian 1.

3.5 Flowchart Sistem Apriori
MulaiScan DatabaseSupA"B= Σ Transaksi Mengandung A dan B Σ Transaksi Mengandung Ax100%SelesaiHasil sudah terbentuk itemsetTYMin SuppMin ConfConf PA"B = Transaksi Mengandung A dan B Transaksi Mengandung Ax 100%ItemsetMulaiScan DatabaseSupA"B= Σ Transaksi Mengandung A dan B Σ Transaksi Mengandung Ax100%SelesaiHasil sudah terbentuk itemsetTYMin SuppMin ConfConf PA"B = Transaksi Mengandung A dan B Transaksi Mengandung Ax 100%ItemsetDari iterasi-iterasi sebelumnya maka dapat di gambarkan bagan sebagai berikut :
Mulai
Scan Database
SupA"B= Σ Transaksi Mengandung A dan B Σ Transaksi Mengandung Ax100%

Selesai
Hasil sudah terbentuk itemset
T
Y
Min Supp
Min Conf
Conf PA"B = Transaksi Mengandung A dan B Transaksi Mengandung Ax 100%

Itemset
Mulai
Scan Database
SupA"B= Σ Transaksi Mengandung A dan B Σ Transaksi Mengandung Ax100%

Selesai
Hasil sudah terbentuk itemset
T
Y
Min Supp
Min Conf
Conf PA"B = Transaksi Mengandung A dan B Transaksi Mengandung Ax 100%

Itemset

Gambar 3.2 Flowchart Sistem Apriori

Penjelasan dari flowchart diatas adalah sebagai berikut :
Pengguna sistem menginputkan nilai minimum support dan minimum confidence dari keyboard.
Data transaksi di scan dan dilakukan pembentukan kandidat item untuk di cari nilai support yang memunuhi kriteria di atas minimum support yang telah diinputkan sebelumnya. Proses ini dilakukan secara terus-menerus dan berulang-ulang sampai data terscan semua.
Seluruh kandidat item yang terbentuk dari langkah 2 akan dilakukan pembentukan Strong Rules atau aturan asosiasi yang memenuhi kriteria di atas nilai minimum confidence. Proses ini dilakukan secara berulang-ulang sehingga seluruh kandidat item habis.

3.6 Analisa Perangkat Lunak
3.6.1 Deskripsi Umum Perangkat Lunak
Perangkat Lunak yang dikembangkan dalam Aplikasi Data Mining ini berbasis dekstop, dengan database lokal.
Pengguna dalam aplikasi adalah pihak penentu kebijakan dalam analisis keranjang pasar sehingga dapat diambil langkah-Iangkah strategis guna meningkatkan tingkat penjualan pada supermarket. Untuk menjaga kerahasiaan data, maka pengguna dibatasi hanya kepada pihak yang berwenang menggunakan data detail transaksi dari data transaksi tahunan.
Sebagai suatu rangkaian proses, data mining dibagi dalam beberapa tahap seperti yang sudah diterangkan pada sub bab 3.2. Begitu juga dalam membangun perangkat lunak diperlukan tahapan-tahapan dan analisis, perancangan sampai aplikasi.Sehingga dalam membangun Aplikasi Data Mining, tahapan data mining sejalan dengan tahapan dalam membangun perangkat lunak. Analisis dan tahapan data mining menjadi acuan dalam analisis dan perancangan Aplikasi Data Mining ini.
3.6.2 Spesifikasi Kebutuhan Fungsional
Spesifikasi kebutuhan fungsional pada aplikasi data mining ini merujuk pada kebutuhan akan perancangan data mining, seperti yang tertera berikut ini :
Dapat menggabungkan data yang akan diproses mining dan data transaksi dari data barang.
Dapat menghapus data-data yang tidak relevan serta atribut yang tidak dipakai.
Dapat merubah data menjadi data yang siap diproses.
Dapat memproses data untuk di mining meliputi;
Hubungan tingkat penjuaan dengan data barang masuk.
Hubungan tingkat penjuaan dengan data suplier.
Dapat menampilkan hasil proses mining dengan nilai support dan confidence.

3.7 Studi Kasus
Studi kasus disini menggambarkan cara perhitungan dalam mencari pola dan hubungan keterkaitan antar barang, dengan mengolah data-data penjualan yang didapat dari data transaksi penjualan di Supermarket Batu Plaza sebagai acuan perhitungan.
3.7.1 Sumber Data
Contoh proses mining untuk mengetahui hubungan tingkat penjualan pada supermarket. Misal data seperti pada tabel 3.2
Tabel 3.6 Transaksi Penjualan
No
NOTRANS
PENJUALAN
1
TS01201300001
Susu Cair Indomilk Stroberi 195ml Cair Indomilk Stroberi 195ml,Gula KBA, Telor 1/2kg, Indomie Goreng Kriuk Bawang
2
TS01201300002
Indomie Goreng Kriuk Bawang, Gula KBA, Susu Cair Indomilk Stroberi 195ml
3
TS01201300003
Roti Tawar, Susu Cair Indomilk Stroberi 195ml, Gula KBA, Meisis Ceres Milk 90gr
4
TS01201300004
Selai Harry Strawberry, Roti Tawar, Kopi 41Susu Jahe, Gula KBA, Blue Band 200gr
5
TS01201300005
Susu Cair Indomilk Stroberi 195ml, Gula KBA, Kopi 41Susu Jahe, Indomie Goreng Kriuk Bawang
6
TS01201300006
Rinso Anti Noda 450gr , Cheese Snack , Gula KBA, Susu Cair Indomilk Stroberi 195ml, Roti Tawar
7
TS01201300007
Indomie Goreng Kriuk Bawang, Blue Band 200gr, Cheese Snack
Tabel 3.6 Transaksi Penjualan (Lanjutan)
No
NOTRANS
PENJUALAN
8
TS01201300008
Indomie Goreng Kriuk Bawang, Kopi 41Susu Jahe, Roti Tawar, Gula KBA
9
TS01201300009
Susu Cair Indomilk Stroberi 195ml, Gula KBA, Roti Tawar, Kopi 41Susu Jahe
10
TS01201300010
Roti Tawar, Selai Harry Strawberry, Blue Band 200gr, Susu Cair Indomilk Stroberi 195ml
11
TS01201300011
Susu Cair Indomilk Stroberi 195ml, Meisis Ceres Milk 90gr, Gula KBA, Roti Tawar
12
TS01201300012
Rinso Anti Noda 450gr , Kopi 41Susu Jahe, Cheese Snack
13
TS01201300013
Indomie Goreng Kriuk Bawang, Telor 1/2kg, Cheese Snack , Surya 12
14
TS01201300014
Gula KBA, Susu Cair Indomilk Stroberi 195ml, Kopi 41Susu Jahe, Indomie Goreng Kriuk Bawang
15
TS01201300015
Kopi 41Susu Jahe, Gula KBA, Indomie Goreng Kriuk Bawang
16
TS01201300016
Blue Band 200gr, Roti Tawar, Meisis Ceres Milk 90gr
17
TS01201300017
Selai Harry Strawberry, Roti Tawar, Indomie Goreng Kriuk Bawang, Susu Cair Indomilk Stroberi 195ml, Gula KBA
18
TS01201300018
Indomie Goreng Kriuk Bawang, Kopi 41Susu Jahe, Cheese Snack
19
TS01201300019
Cheese Snack , Rinso Anti Noda 450gr , Surya 12

Tabel 3.6 Transaksi Penjualan (Lanjutan)
No
NOTRANS
PENJUALAN
20
TS01201300020
Susu Cair Indomilk Stroberi 195ml, Gula KBA, Blue Band 200gr, Meisis Ceres Milk 90gr, Selai Harry Strawberry, Roti Tawar
21
TS01201300021
Indomie Goreng Kriuk Bawang, Telor 1/2kg, Kopi 41Susu Jahe, Gula KBA
22
TS01201300022
Indomie Goreng Kriuk Bawang, Blue Band 200gr, Roti Tawar
23
TS01201300023
Gula KBA, Susu Cair Indomilk Stroberi 195ml, Indomie Goreng Kriuk Bawang, Telor 1/2kg
24
TS01201300024
Gula KBA, Kopi 41Susu Jahe, Susu Cair Indomilk Stroberi 195ml, Cheese Snack
25
TS01201300025
Susu Cair Indomilk Stroberi 195ml, Roti Tawar, Selai Harry Strawberry, Gula KBA
26
TS01201300026
Indomie Goreng Kriuk Bawang, Telor 1/2kg, Roti Tawar, Gula KBA, Susu Cair Indomilk Stroberi 195ml
27
TS01201300027
Rinso Anti Noda 450gr , Kopi 41Susu Jahe, Surya 12, Susu Cair Indomilk Stroberi 195ml, Gula KBA
28
TS01201300028
Indomie Goreng Kriuk Bawang, Telor 1/2kg, Cheese Snack , Surya 12
29
TS01201300029
Meisis Ceres Milk 90gr, Gula KBA, Susu Cair Indomilk Stroberi 195ml, Roti Tawar, Kopi 41Susu Jahe, Indomie Goreng Kriuk Bawang
30
TS01201300030
Roti Tawar, Selai Harry Strawberry, Susu Cair Indomilk Stroberi 195ml, Kopi 41Susu Jahe, Gula KBA, Indomie Goreng Kriuk Bawang

3.7.2 Menentukan Minimal Support dan Minimal Confidence
Pada studi kasus kali ini ditetapkan batas nilai minimal support sebesar 5% dan nilai minimum confidence sebesar 14%. Dan untuk mempermudah proses selanjutnya data di filter dengan minimal support 5%, kemudian dari banyaknya jumlah nilai confidence dibawah 14%, maka untuk membatasi dengan menentukan minimal nilai confidence 14%.
3.7.3 Membuat Tabel Tabular
Tahapan berikutnya adalah membuat tabel tabular untuk melakukan perhitungan jumlah pembelian di masing-masing transaksi.
Tabel 3.7 Contoh Tabel Tabular
Trans
Nama Barang
Support
Jumlah
1
1830x 100%=60%
18
2
Gula KBA
2130x 100%=70%
21
3
Roti Tawar
1530x 100%=50%
15
4
Meisis Ceres Milk 90gr
530x 100%=17%
5
5
Blue Band 200gr
630x 100%=20%
6
6
Selai Harry Strawberry
630x 100%=20%
6
7
Kopi 41Susu Jahe
1330x 100%=43%
13

Tabel 3.7 Contoh Tabel Tabular (Lanjutan)
Trans
Nama Barang
Support
Jumlah
11
Surya 12
330x 100%=10%
3
12
Telor 1/2kg
630x 100%=20%
6
8
1630x 100%=53%
16
9
Cheese Snack
830x 100%=27%
8
10
Rinso Anti Noda 450gr
530x 100%=17%
5

Untuk menentukan support pada L1 dengan menggunakan rumus:
Support A = Transaksi A Transaksix 100%
Contoh: menentukan nilai support pada Nama Barang Susu Cair Indomilk Stroberi 195ml
Support A = Transaksi A Transaksix 100% = 1830x 100%=60%
3.7.4 Mencari Kandidat Itemset L2
Langkah berikutnya adalah membuat kombinasi 2 itemsets pada setiap data barang dan frekuensi masing-masing kombinasi dihitung sesuai dengan data tabular pada tabel. Hasil dari kombinasi 2 itemsets, ditentukan data yang memenuhi syarat minimal support 5% dengan menggunakan rumus :
Support A"B = Transaksi A dan B Transaksix 100%
Tabel 3.8 Contoh Data Trankasi 2 Itemset
A
B
--> A,B
Supp L2
Gula KBA
10
33%

Telor 1/2kg
2
7%

6
20%

3
10%

Kopi 41Susu Jahe
5
17%

Roti Tawar
6
20%

Blue Band 200gr
1
3%

2
7%

Cheese Snack
1
3%
Gula KBA
Telor 1/2kg
2
7%

7
23%

7
23%

2
7%

Blue Band 200gr
2
7%

Kopi 41Susu Jahe
5
17%

Roti Tawar
5
17%

1
3%

Cheese Snack
1
3%

Contoh: menentukan nilai support pada kode barang Susu Cair Indomilk Stroberi 195ml dan Gula KBA, seperti yang ada pada transaksi di bawah ini:
=1030x 100%=33%
3.7.5 Mencari Kandidat Itemset L3
Langkah berikutnya adalah membuat kombinasi 3 itemsets pada setiap data barang dan frekuensi masing-masing kombinasi dihitung sesuai dengan data tabular pada tabel. Hasil dari kombinasi 3 itemsets, ditentukan data yang memenuhi syarat minimal support 5% dengan menggunakan rumus :
Support A"B= Transaksi A dan B Transaksix 100%
Tabel 3.9 Contoh Data Trankasi 3 Itemset
A
B
C
A,B,C
Support
Gula KBA
2
7%

2
7%

Kopi 41Susu Jahe
2
7%

Roti Tawar
2
7%
Kopi 41Susu Jahe
2
7%
Gula KBA
Roti Tawar
2
7%

Kopi 41Susu Jahe
2
7%

3
10%
Telor 1/2kg
Cheese Snack
Surya 12
2
7%
Tabel 3.9 Contoh Data Trankasi 3 Itemset (Lanjutan)
A
B
C
A,B,C
Support
Telor 1/2kg
Cheese Snack
2
7%

Surya 12
2
7%

Gula KBA
2
7%
Roti Tawar
2
7%

Gula KBA
2
7%
Kopi 41Susu Jahe
Gula KBA
2
7%

3.7.6 Mencari Nilai Confidence Pada L2 dan L3
Untuk menentukan nilai confidence L2 didapat dari rumus :
Confidence PAB = Transaksi mengandung A dan B Transaksi Ax 100%
Data nilai confidence L2 yang telah diseleksi berdasarkan nilai minimal support secara keseluruhan bisa dilihat pada tabel dibawah ini :
Tabel 3.10 Tabel Data Confidence L2
A
B
--> A,B
--> A
Supp L2
Conf L2
Gula KBA
10
18
33%
56%

Telor 1/2kg
2
18
7%
11%

6
18
20%
33%

Tabel 3.10 Tabel Data Confidence L2 (Lanjutan)
A
B
--> A,B
--> A
Supp L2
Conf L2

3
18
10%
17%

Kopi 41Susu Jahe
5
18
17%
28%

Kopi 41Susu Jahe
5
18
17%
28%

Roti Tawar
6
18
20%
33%

2
18
7%
11%
Gula KBA
Telor 1/2kg
2
21
7%
10%

7
21
23%
33%

7
21
23%
33%

2
21
7%
10%

Blue Band 200gr
2
21
7%
10%

Kopi 41Susu Jahe
5
21
17%
24%

Roti Tawar
5
21
17%
24%
Roti Tawar
5
15
17%
33%

Gula KBA
7
15
23%
47%

2
15
7%
13%

Blue Band 200gr
2
15
7%
13%

Kopi 41Susu Jahe
4
15
13%
27%

3
15
10%
20%

A
B
--> A,B
--> A
Supp L2
Conf L2

3
15
10%
20%
Gula KBA
2
5
7%
40%

Roti Tawar
3
5
10%
60%
Blue Band 200gr
Roti Tawar
3
6
10%
50%

2
6
7%
33%
Roti Tawar
3
6
10%
50%

Kopi 41Susu Jahe
2
6
7%
33%

Gula KBA
4
6
13%
67%

Blue Band 200gr
2
6
7%
33%

3
6
10%
50%

2
6
7%
33%
Kopi 41Susu Jahe
Gula KBA
6
13
20%
46%

5
13
17%
38%

Roti Tawar
2
13
7%
15%

Cheese Snack
3
13
10%
23%

2
13
7%
15%

A
B
--> A,B
--> A
Supp L2
Conf L2
Gula KBA
5
16
17%
31%

3
16
10%
19%

Blue Band 200gr
2
16
7%
13%

Cheese Snack
4
16
13%
25%

Kopi 41Susu Jahe
3
16
10%
19%

Roti Tawar
3
16
10%
19%

Telor 1/2kg
5
16
17%
31%

Surya 12
2
16
7%
13%
Cheese Snack
Surya 12
3
8
10%
38%
Gula KBA
2
5
7%
40%

2
5
7%
40%

Surya 12
2
5
7%
40%
Telor 1/2kg
Cheese Snack
2
6
7%
33%

Surya 12
2
6
7%
33%

Gula KBA
2
6
7%
33%

Untuk menentukan nilai confidence L3 didapat dari rumus :
Confidence PAB = Transaksi mengandung A,B dan C Transaksi Ax 100%
Data nilai confidence L3 yang telah diseleksi berdasarkan nilai minimal support secara keseluruhan bisa dilihat pada tabel dibawah ini :
Tabel 3.11 Tabel Data Confidence L3
A
B
C
A,B,C
--> A
Support
L3
Conf
L3
Gula KBA
2
18
7%
11%

2
18
7%
11%

Kopi 41Susu Jahe
2
18
7%
11%

Roti Tawar
2
18
7%
11%
Kopi 41Susu Jahe
2
18
7%
11%
Gula KBA
Roti Tawar
2
21
7%
10%

Kopi 41Susu Jahe
2
21
7%
10%

3
21
10%
14%

A
B
C
A,B,C
--> A
Support
L3
Conf
L3
Telor 1/2kg
Cheese Snack
Surya 12
2
6
7%
33%
Telor 1/2kg
Cheese Snack
2
16
7%
13%

Surya 12
2
16
7%
13%

Gula KBA
2
16
7%
13%
Roti Tawar
2
15
7%
13%

Gula KBA
2
15
7%
13%
Kopi 41Susu Jahe
Gula KBA
2
13
7%
15%

3.7.7 Menentukan Aturan Asosiasi
Berdasarkan perhitungan di atas akan terbentuk assosiasi dengan minimal support 5% dan minimal confidence 14%. Assosiasi yang terbentuk adalah sebagai berikut :

Large 1:
Table 3.12 Aturan Asosiasi L1 Memenuhi Syarat
Trans
Nama Barang
Support
1
1830x 100%=60%
2
Gula KBA
2130x 100%=70%
3
Roti Tawar
1530x 100%=50%
4
530x 100%=17%
5
Blue Band 200gr
630x 100%=20%
6
630x 100%=20%
7
Kopi 41Susu Jahe
1330x 100%=43%
8
1630x 100%=53%
9
Cheese Snack
830x 100%=27%
10
530x 100%=17%
11
Surya 12
330x 100%=10%
12
Telor 1/2kg
630x 100%=20%

Large 2:
A
B
--> A,B
--> A
Supp
L2
Conf
L3
Gula KBA
10
18
33%
56%

6
18
20%
33%

3
18
10%
17%

Kopi 41Susu Jahe
5
18
17%
28%

Roti Tawar
6
18
20%
33%
Gula KBA
7
21
23%
33%

7
21
23%
33%

Kopi 41Susu Jahe
5
21
17%
24%

Roti Tawar
5
21
17%
24%
Roti Tawar
5
15
17%
33%

Gula KBA
7
15
23%
47%
Table 3.13 Aturan Asosiasi L2 Memenuhi Syarat (Lanjutan)
A
B
--> A,B
--> A
Supp
L2
Conf
L3

Kopi 41Susu Jahe
4
15
13%
27%

3
15
10%
20%

3
15
10%
20%
Gula KBA
2
5
7%
40%

Roti Tawar
3
5
10%
60%
Blue Band 200gr
Roti Tawar
3
6
10%
50%

2
6
7%
33%
Roti Tawar
3
6
10%
50%

Kopi 41Susu Jahe
2
6
7%
33%

Gula KBA
4
6
13%
67%

Blue Band 200gr
2
6
7%
33%

3
6
10%
50%

A
B
--> A,B
--> A
Supp
L2
Conf
L3

2
6
7%
33%
Kopi 41Susu Jahe
Gula KBA
6
13
20%
46%

5
13
17%
38%

Roti Tawar
2
13
7%
15%

Cheese Snack
3
13
10%
23%

2
13
7%
15%
Gula KBA
5
16
17%
31%

3
16
10%
19%

Cheese Snack
4
16
13%
25%

Kopi 41Susu Jahe
3
16
10%
19%

Roti Tawar
3
16
10%
19%
A
B
--> A,B
--> A
Supp
L2
Conf
L3

Telor 1/2kg
5
16
17%
31%
Cheese Snack
Surya 12
3
8
10%
38%
Gula KBA
2
5
7%
40%

2
5
7%
40%

Surya 12
2
5
7%
40%
Telor 1/2kg
Cheese Snack
2
6
7%
33%

Surya 12
2
6
7%
33%

Gula KBA
2
6
7%
33%

Large 3:
A
B
C
A,B,C
--> A
Sup
L3
Conf
L3
Gula KBA
3
21
10%
14%
Telor 1/2kg
Cheese Snack
Surya 12
2
6
7%
33%
Kopi 41Susu Jahe
Gula KBA
2
13
7%
15%

Dari hasil proses penghitungan mulai dari L1 sampai L3 dengan nilai minimal support 5% dan minimal confidence 14% telah dihasilkan aturan asosiasi dengan 3 kombinasi barang yang dijual bersamaan dalam seluruh transaksi yaitu (Telur, Snack, Rokok dengan Support 7% dan Confidence 33%), (Kopi, Gula, Indomie dengan Support 7% dan Confidence 15%), (Gula, Susu, Indomie dengan Support 10% dan Confidence 14%).

3.8. Perancangan Desain Sistem
Pada perancangan sistem ini point-point yang akan dibahas adalah skenario sistem, Use case diagram dan activity diagram. Untuk lebih detailnya akan dijabarkan sebagai berikut :
Skenario Sistem
Dalam sub bab ini akan dijelaskan tentang narasi sistem yang akan dirancang, adapun narasi sistem adalah sebagai berikut :
Skenario Proses Mining
Pada menu utama ini analis dapat melakukan proses mining dengan cara menentukan inputan data apa yang akan diproses mining kemudian sistem melakukan scan pada database. Data yang di scan beruba tabel master barang dan tabel transaksi tahunan, untuk mendapatkan itemset yang akan dijadikan variabel dalam proses mining, beruba nama barang yang telah dibeli oleh customer. Setelah didapat itemset maka sistem akan melakukan scan database untuk yang kedua kalinya untuk mendapatkan itemset gabungan (2-itemset) yang nantinya akan dihitung nilai support dan confidence. Kemudian sistem akan melakukan scan database kembali untuk mendapatkan itemset gabungan (k-itemset) jika sudah tidak ditemukan lagi k-itemset maka proses akan dihentikan dan jika masih ditemukan k-itemset maka sistem akan melakukan scan database lagi mulai awal. Setelah proses semua selesai dari mencari itemset maka sistem akan menampilkan hasil dari perhitungan nilai support dan confidence. Berupa item-item yang paling sering dibeli oleh customer, beserta seberapa erat tingkat kecenderungan customer membeli barang secara bersamaan.
Use Case Proses Mining

Gambar 3.3 Use Case Proses Mining
Aktivity Diagram

Gambar 3.4 Activity Diagram Proses Mining

3.8.1 Rancangan Database
Berikut ini adalah perancangan database pada aplikasi data mining.
Tabel Item
Tabel 3.15 Item
No
Field
Type
Size
Keterangan
1
Kode
Varchar
30
Kode barang
2
Nama
Varchar
200
Nama barang
3
Jumlah
Integer
-
Jumlah item sering
Tabel Itemset
Tabel 3.16 Itemset
No
Field
Type
Size
Keterangan
1
Large
Varchar
2

2
Itemset
Varchar
100

3
Itemset2
Varchar
300

4
Itemset3
Varchar
300

5
Nama
Varchar
300

6
JumlahA
Integer
-

7
Jumlahmengandung
Integer
-

8
Totaltrans
Integer
-

Tabel Kandidat_L1
Tabel 3.17 Kandidat_L1
No
Field
Type
Size
Keterangan
1
Itemset
Varchar
15
Kode barang
2
Nama
Varchar
50
Pola 1-Itemset
3
Jumlahtransaksi
Integer
-
Jumlah itemset sering muncul
4
Total
Integer
-
Total Transaksi
5
Support
Double
-
Hasil perhitungan nilai support

Tabel Kandidat_L2
No
Field
Type
Size
Keterangan
1
Itemset
Varchar
15
Kode barang
2
Itemset2
Varchar
15
Kode barang
3
Nama
Varchar
200
Pola 2-itemset
4
Jumlahtransaksi
Integer
-
Jumlah itemset sering
5
TransaksimengandungA
Integer
-
Jumlah itemset sering yang mengandung item A
6
Total
Integer
-
Total transaksi
7
Support
Double
-
8
Confidence
Double
-
Hasil perhitungan nilai confidence

Tabel Kandidat_L3
No
Field
Type
Size
Keterangan
1
Itemset
Varchar
50
Kode barang
2
Itemset2
Varchar
50
Kode barang
3
Itemset3
Varchar
60
Kode barang
4
Nama
Varchar
45
Pola 3-itemset
5
Jumlahtransaksi
Integer
-
Jumlah itemset sering
6
TransaksimengandungA
Integer
-
Jumlah itemset sering yang mengandung item A
7
Total
Integer
-
Total transaksi
8
Support
Double
-
9
Confidence
Double
-
Hasil perhitungan nilai confidence

Tabel Trans_jual_detail
Tabel 3.20 Trans_jual_detail
No
Field
Type
Size
Keterangan
1
Notrans
Varchar
30
Nomor transaksi
2
Kode_barang
Varchar
30
Kode barang
3
Nama_barang
Varchar
200
Nama barang

3.8.2 Perancangan Antarmuka
Dalam aplikasi Data Mining ini terdapat beberapa form diantaranya sebagai berikut :
Form Proses Mining
Nilai Min SuppNilai Min ConfProsesReport Hasil Proses MiningCancelWaktu00Large 1Large 2Large 3ShowKesimpulanCounterRekomendasiNilai Min SuppNilai Min ConfProsesReport Hasil Proses MiningCancelWaktu00Large 1Large 2Large 3ShowKesimpulanCounterRekomendasiForm ini berfungsi untuk pengambilan data pemilihan atribut data transaksi, input nilai ambang, perintah proses mining dan tombol keluar aplikasi dan merupakan halaman report data mining yang berisi hasil proses data mining yaitu tabel nilai support dan confidence. Adapun desain formnya adalah sebagai berikut :

Nilai Min Supp
Nilai Min Conf
Proses

Report Hasil Proses Mining
Cancel
Waktu
0
0

Large 1
Large 2
Large 3
Show
Kesimpulan
Counter
Rekomendasi

Nilai Min Supp
Nilai Min Conf
Proses

Report Hasil Proses Mining
Cancel
Waktu
0
0

Large 1
Large 2
Large 3
Show
Kesimpulan
Counter
Rekomendasi

Gambar 3.5 Desain Form Proses Mining

DATA MINING UNTUK PENJUALAN PRODUK SUPERMARKET MENGGUNAKAN METODE APRIORI PADA PT. BATU MUTIARA INDAH

Recommend Documents