METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
2 (Oktober 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
PENERAPAN DATA MINING MENGGUNAKAN ALGORITMA APRIORI PADA BRAND "MILENIALS CAFEAy Hadi GunawanA.
Tundo.
Devika Azahra Ramadhani.
Farhan Adriansyah Waloeya Teknik Informatika.
Sekolah Tinggi Ilmu Komputer Cipta Karya Informatika.
Jakarta.
Indonesia Email: hadig488@gmail.
DOI: https://doi.
org/10.
46880/jmika.
Vol8No2.
ABSTRACT
Millennials Cafy is a cafe that just opened in March 2024, in an effort to stay relevant and competitive in this field.
Millennials Cafy needs to continue to innovate and adjust to customer preferences.
One way is to utilize data mining technology.
The Apriori algorithm is one of the data mining technologies that can be used.
The application of the apriori algorithm to the Milenials Cafy transaction data aims to find association rules to be able to generate frequencies and relationships between one or more items in the transaction data in the Milenials Cafy.
This research produces 33 association rules that can help the sales strategy at Milenials Cafy.
The following are the association rules with the highest confidence value, namely the Thai Tea menu.
Milo Dinasourus, 100% Millennials Pizza.
Hezelnut Chocolate.
Oreo Cookies and Cream Shake 97%.
Millennials Pizza.
Fried Potatoes The 33 rules that already exist can be used as a reference for the owner of Millennials Cafy to create a sales strategy that can increase cafe revenue.
Keyword: Millenials Cafy.
Data Mining.
Apriori Algorithm.
Transaction Data.
Association Rules.
ABSTRAK
Milenials Cafy adalah sebuah kafe yang baru saja dibuka pada bulan maret 2024, dalam upaya tetap relevan dan kompetitif di bidang ini maka Milienials Cafy perlu terus berinovasi dan menyesuaikan dengan pereferensi Salah satu cara adalah dengan memanfaatkan teknologi data mining.
Algoritma Apriori merupakan salah satu teknologi data mining yang dapat digunakan.
Penerapan algoritma apriori pada data transaksi Milenials Cafy bertujuan untuk menemukan aturan asosiasi untuk dapat menghasilkan frekuensi dan hubungan antar satu atau lebih item pada data transaksi yang ada pada Milenials Cafy.
Penelitian ini menghasilkan 33 aturan asosiasi yang dapat membantu strategi penjualan yang ada di Milenials Cafy.
Berikut aturan-aturan asosiasi dengan nilai confidence tertinggi yaitu menu Thai Tea.
Milo Dinasourus.
Pizza Milenials 100%.
Cokelat Hezelnut.
Oreo Cookies and Cream Shake 97%.
Pizza Milenials.
Kentang Goreng 96%.
Dari 33 aturan yang telah ada dapat dijadikan acuan bagi pemilik Milenials Cafy untuk membuat srategi penjualan yang dapat meningkatkan pendapatan kafe.
Kata Kunci: Milenials Cafy.
Data Mining.
Algoritma Apriori.
Data Transaksi.
Aturan Asosiasi.
PENDAHULUAN
Milenials Cafe adalah sebuah kafe yang baru saja dibuka pada bulan Maret 2024, namun telah menarik perhatian kalangan muda dengan menawarkan berbagai macam minuman dan makanan yang menarik.
Menu yang tersedia di Milenials Cafe mencakup berbagai jenis makanan minuman populer seperti Thai Tea.
Oreo Cookies and Cream Shake.
Pizza Mililenials.
Cokelat Pisang.
Teh Tarik Ulur, dan banyak lagi.
Selain itu, kafe ini juga menyediakan fasilitas seperti Wi-Fi gratis, meja dan kursi yang nyaman, serta layanan pelanggan yang ramah dan profesional, yang menjadikannya tempat ideal bagi anak muda untuk berkumpul, bersantai, atau mengerjakan tugas.
Dalam upaya untuk tetap relevan dan kompetitif di pasar yang dinamis.
Milenials Cafe perlu terus berinovasi dan menyesuaikan diri dengan preferensi pelanggan.
Salah satu cara untuk memahami perilaku dan preferensi pelanggan adalah dengan memanfaatkan teknologi data Data mining adalah analisis data yang diambil dari penyimpanan data yang sangat besar yang banyak digunakan sebagai informasi yang berguna (Tundo et , 2.
Salah satu algoritma yang efektif dalam data mining adalah algoritma apriori.
Algoritma apriori bertujuan untuk menemukan frequent item sets dijalankan pada sekumpulan data (Elvi et al.
, 2.
Data Mining merupakan suatu proses pencarian teknik analisa data yang besar untuk proses yang diperoleh dari berbagai macam basis data seperti data relasional data berorientasi objek dan data transaksi untuk mengetahui informasi yang baru didalam database (Andini et al.
, 2.
Sedangkan berdasarkan Halaman 215 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
2 (Oktober 2.
pengertian lain data mining merupakan bentuk aktivitas dalam melakukan pencarian .
dengan berulang kali .
dan intensif dengan tujuan untuk mengekstrak informasi yang telah ada sebelumnya namun tidak atau belum memiliki arti (Abidin et al.
, 2.
Berdasarkan definisi para ahli, dapat disimpulkan bahwa data mining adalah proses penggalian nilai dari kumpulan data dengan jumlah yang banyak untuk menemukan informasi penting yang dapat digunakan dan dimanfaatkan untuk mengambil suatu keputusan penting (Randy, 2.
Algoritma Apriori merupakan salah satu algoritma yang efektif dalam menerapkan aturan asosiasi untuk menentukan frekuensi itemset, menemukan pola hubungan antar satu atau lebih item dalam suatu dataset (Rosmayati et al.
, 2.
Dalam konteks Milenials Cafe, algoritma ini dapat diterapkan untuk menganalisis data transaksi pelanggan dan mengidentifikasi kombinasi minuman dan makanan yang sering dibeli bersama.
Informasi ini dapat sangat berguna bagi manajemen kafe dalam menyusun strategi pemasaran yang lebih tepat sasaran, mengembangkan promosi yang lebih efektif (Setyoardi & Ariyani, 2.
Adapun beberapa alasan yang mendasari penelitian ini antara lain: Pertama.
Persaingan yang ketat.
Semakin banyaknya kafe yang muncul.
Milenials Cafe perlu menawarkan sesuatu yang unik dan berbeda agar dapat menarik perhatian pelanggan baru dan mampu mempertahankan pelanggan yang telah ada sebelumnya.
Kedua.
Pentingnya pemahaman pelanggan.
Data transaksi yang dimiliki dapat diolah menjadi informasi yang berguna untuk memahami kebiasaan dan preferensi pelanggan, sehingga dapat diambil keputusan bisnis yang lebih baik (Dianti et al.
, 2.
Ketiga.
Manfaat teknologi data mining.
Teknologi data mining, khususnya algoritma Apriori, telah terbukti efektif dalam berbagai aplikasi bisnis (Prasetyo et al.
, 2.
Namun, penerapannya di industri kafe masih relatif baru dan memiliki potensi besar untuk dieksplorasi.
Penelitian ini bertujuan untuk menerapkan algoritma Apriori pada data transaksi di Milenials Cafe guna mengidentifikasi pola-pola pembelian pelanggan.
Agar mampu memahami pola pembelian ini, kafe dapat menyesuaikan penawaran mereka untuk lebih memenuhi kebutuhan pelanggan, meningkatkan kepuasan pelanggan, dan pada akhirnya meningkatkan pendapatan kafe (Siddik et al.
, 2.
Selain itu, hasil dari penelitian ini diharapkan dapat memberikan wawasan berharga bagi pengelola kafe lain yang ingin ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
mengadopsi pendekatan serupa untuk meningkatkan bisnis mereka (Merliani et al.
, 2.
METODE PENELITIAN
Metodologi penelitian merupakan langkahlangkah kerja yang perlu dilakukan agar penelitian ini menjadi lebih mudah.
Penelitian merupakan rangkaian kegiatan ilmiah.
Sebagai langkah awal maka perlu adanya studi literatur untuk menentukan metode data mining untuk pengolahan data dan penentuan alternatif solusi (Kusumo et al.
, 2.
Berikut adalah gambaran metode penelitian dalam penelitian ini, yang tampak pada gambar 1.
Colecting Data Cleansing Data Transformasi Data Modeling Evaluation Gambar 1.
Metode Penelitian Collecting Data Data yang telah dikumpulkan adalah data penjualan Milenials Cafy pada bulan April sampai dengan Juni.
Berikut daftar menu yang ada pada data transaksi Milenials Cafe.
Thai tea.
Roti Bakar Cokelat Keju.
Soto Betawi Milenials.
Milo Dinasourus.
Pizza Milenials.
Cokelat Hezelnut.
Cokelat Salted Caramel.
Oreo Cookies and Cream Shake.
Marie.
Regal Shake.
Teh Tarik Ulur.
Cokelat Pisang.
Kenagan Matcha Indah.
Nasi Goreng Spesial.
Kentang Goreng.
Milk Tea Boba Gula Aren.
Berikut data transaksi, yang terlihat pada tabel 1:
Halaman 216 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
2 (Oktober 2.
Tabel 1.
Pengumpulan Data Data Transaksi Thai Tea.
Roti Bakar Cokelat Keju.
Milo Dinosourus.
Pizza Milenials Oreo Cookies and Cream Shake.
Marie Regal Shake.
Cokelat Pisang Soto Betawi Milenials.
Pizza Milenials Cokelat Hazelnut.
Cokelat Salted Caramel.
Teh Tarik Ulur.
Kenagan Matcha Indah.
Nasi Goreng Spesial.
Kentang Goreng.
Milk Tea Boba Gula Aren Thai Tea.
Milo Dinasourus.
Pizza Milenials Cokelat Hazelnut.
Oreo Cookies and Cream Shake.
Marie Regal Shake.
Cokelat Pisang.
Milk Tea Boba Gula Aren Roti Bakar Cokelat Keju.
Soto Betawi Milenials.
Pizza Milenials Cokelat Hezelnut.
Teh Tarik Ulur.
Thai Tea.
Roti Bakar Cokelat Keju.
Pizza Milenials Oreo Cookies and Cream Shake.
Marie Regal Shake.
Teh Tarik Ulur.
Kenagan Matcha Indah.
Kentang Goreng.
Milk Tea Boba Gula Aren Cokelat Salted Caramel.
Oreo Cookies and Cream Shake.
Cokelat Pisang.
Nasi Goreng Spesial.
Milk Tea Boba Gula Aren Thai Tea.
Roti Bakar Cokelat Keju.
Soto Betawi Milenials.
Pizza Milenials Cokelat Hezelnut.
Cokelat Salted Caramel.
Oreo Cookies and Cream Shake Milo Dinasourus.
Pizza Milenials Cokelat Hezelnut.
Marie Regal Shake.
Teh Tarik Ulur.
Kenagan Matcha Indah.
Nasi Goreng Spesial Thai Tea.
Roti Bakar Cokelat Keju.
Soto Betawi Milenials.
Pizza Milenials Oreo Cookies and Cream Shake.
Marie Regal Shake.
Cokelat Pisang.
Kentang Goreng Oreo Cookies and Cream Shake.
Marie Regal Shake.
Kenagan Matcha Indah.
Kentang Goreng.
Soto Betawi Milenials.
Pizza Milenials Cokelat Hezelnut.
Oreo Cookies and Cream Shake.
Marie Regal Shake.
Cokelat Pisang.
Milk Tea Boba Gula Aren Cleansing Data Data Cleaning untuk menghilangkan noise data yang tidak konsisten (Saefudin & DN, 2.
Data yang telah terkumpul selanjutnya dibersihkan dan ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
beberapa diantaranya dihapus, proses ini meliputi data yang tidak sesuai, data yang berisikan salah satu atribut kosong, data anomali, dan membersihkan atribut yang tidak digunakan pada saat pemodelan (Sari et al.
Setelah proses ini berikut table 2 yang memperlihatkan data transaksi yang dapat digunakan:
Table 2.
Data Transaksi Data Transaksi Thai Tea.
Roti Bakar Cokelat Keju.
Milo Dinosourus.
Pizza Milenials Oreo Cookies and Cream Shake.
Marie Regal Shake.
Cokelat Pisang Soto Betawi Milenials.
Pizza Milenials Cokelat Hazelnut.
Cokelat Salted Caramel.
Teh Tarik Ulur.
Kenagan Matcha Indah.
Nasi Goreng Spesial.
Kentang Goreng.
Milk Tea Boba Gula Aren Thai Tea.
Milo Dinasourus.
Pizza Milenials Cokelat Hazelnut.
Oreo Cookies and Cream Shake.
Marie Regal Shake.
Cokelat Pisang.
Milk Tea Boba Gula Aren Roti Bakar Cokelat Keju.
Soto Betawi Milenials.
Pizza Milenials Cokelat Hezelnut.
Teh Tarik Ulur.
Kenagan Matcha Indah.
Kentang Goreng Thai Tea.
Roti Bakar Cokelat Keju.
Pizza Milenials Oreo Cookies and Cream Shake.
Marie Regal Shake.
Teh Tarik Ulur.
Kenagan Matcha Indah.
Kentang Goreng.
Milk Tea Boba Gula Aren Soto Betawi Milenials.
Milo Dinasourus.
Pizza Milenials Cokelat Salted Caramel.
Oreo Cookies and Cream Shake.
Cokelat Pisang.
Nasi Goreng Spesial.
Milk Tea Boba Gula Aren Thai Tea.
Roti Bakar Cokelat Keju.
Soto Betawi Milenials.
Pizza Milenials Cokelat Hezelnut.
Cokelat Salted Caramel.
Oreo Cookies and Cream Shake Milo Dinasourus.
Pizza Milenials Cokelat Hezelnut.
Marie Regal Shake.
Teh Tarik Ulur.
Kenagan Matcha Indah.
Nasi Goreng Spesial Thai Tea.
Roti Bakar Cokelat Keju.
Soto Betawi Milenials.
Pizza Milenials Oreo Halaman 217 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
2 (Oktober 2.
Cookies and Cream Shake.
Marie Regal Shake.
Cokelat Pisang.
Kentang Goreng Thai Tea.
Milo Dinasourus.
Cokelat Salted Caramel.
Oreo Cookies and Cream Shake.
Marie Regal Shake.
Kenagan Matcha Indah.
Kentang Goreng a Roti Bakar Cokelat Keju.
Soto Betawi Milenials.
Pizza Milenials Cokelat Hezelnut.
Oreo Cookies and Cream Shake.
Marie Regal Shake.
Cokelat Pisang.
Nasi Goreng Spesial Transformasi Data Untuk memberikan hasil yang optimal dalam pemodelan data (Modellin.
beberapa data memerlukan format khusus.
Oleh karena itu dilakukan Data Transformation sehingga data dapat digunakan pada saat pemodelan (Takdirillah, 2.
Proses ini juga dapat mempengaruhi hasil dari pemodelan yang disajikan pada tahap evaluasi.
Proses transformasi data akan menentukan hasil evaluasi dari performa algoritma yang digunakan, adapun data yang ditransformasi adalah atribut nama menu diubah menjadi symbol, yang tampak pada table 3 Tabel 3.
Tranfomation Data
TTU
KMI
MTB
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
A A A A A A A A A A
Modeling Setelah tahap pembersihan dan transformasi data selesai, selanjutnya dilakukan tahap pemodelan, tahap ini akan menentukan hasil rekomendasi.
Pada penelitian ini menggunakan pemodelan algoritma Apriori.
Algoritma Apriori adalah suatu metode untuk menemukan pola hubungan antar satu atau lebih item dalam suatu data.
Berikut diagram flow yang terlihat pada gambar 2.
Gambar 2.
Blok Diagram Algoritma Apriori Setelah menentukan data itemset selanjutnya melakukan perhitungan untuk nilai minimum support.
Untuk menghitung nilai support ada pembentukan itemset menggunakan persamaan .
ycIycycyycyycuycyc A O B = yaycycoycoycaEa ycNycycaycuycycaycoycycn yaOyaA ycNycuycycayco ycNycycaycuycycaycoycycn y 100% .
Setelah menemukan nilai support berdasarkan jumlah minimum support untuk setiap data itemset, selanjutnya kita akan menemukan nila minimum Berikut rumus untuk menentukan confidence yang terlihat pada persamaan .
a, yaA) = yaycycoycoycaEa ycycycaycuycycaycoycycn ya yccycaycu yaA
ycNycuycycayco ycycycaycuycycaycoycycn
O 100%
Evaluation Hasil dari uji coba pemodelan disajikan dalam bentuk nilai confidence.
Confidence ini menyajikan informasi rekomendasi terhadap pemodelan yang telah dilakukan, confidence ini juga memberikan informasi berupa hasil nilai confidence.
HASIL DAN PEMBAHASAN
Modeling Pada tahap ini akan menentukan pola frekuensi terhadap data transaksi yang ada pada Milenials Cafy.
Setelah itu kita akan menemukan pembentukan aturan asosiasi berdasarkan pola frekuensi yang telah kita Menentukan pola frekuensi Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam Halaman 218 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
2 (Oktober 2.
untuk menghitung nilai support pada 1 itemset menggunakan persamaan .
Pola 1 Itemset Jumlah minimum Support adalah 20%.
Sehingga hasil dari pembentukan itemset tampak pada table 4, tabel 5, tabel, 6, tabel 7, dan tabel 8.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
PM,CS MD,SB Th,KG TTU,CP PM,SB .
Pembentukan 1-itemset
Berikut hasil pembentukan 1 itemset yang terlihat pada tabel 4
OC,PM
Th.
MD PM.
Th Tabel 4.
Hasil Support pembentukan 1 itemset KMI.
1 ITEM
OC,MR
Item Jumlah Support SB.
Th.
TTU
Th.
Th.
Th.
Th.
MTB
Th,CH Th.
PM.
SB.
TTU
SB.
SB.
TTU
KMI
SB.
SB.
KMI
SB.
MTB
RB.
PM.
CH.
CH.
CH.
TTU
CH.
OC.
PM.
Pembentukan 2 itemset Dari 1 itemset akan dibuat 2 itemset, lihatlah pada table 5 berikut:
Tabel 5.
Hasil support pembentukan 2 Itemset
2 ITEM
Item Jumlah Support Th,RB PM.
MD,PM
PM.
TTU
SB,CH
PM.
OC,CS
PM.
KMI
TTU,MR
CP,KMI
PM,KG
KG.
KG,RB
Pembentukan 3 itemset Setelah pembentukan 2 itemset selanjutnya akan dibentuk 3 itemset.
Berikut pembentukan 3 itemset yang ada pada table 6:
Halaman 219 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
2 (Oktober 2.
Tabel 6.
Hasil pembentukan support 3 Itemset
3 ITEM
Item Jumlah Support Th.
MD.
SB.
PM.
KG,CS.
Th.
KG.
CH.
CS.
OC,MR.
OC.
MR.
KMI,KG,MTB
MD.
PM.
OC.
PM .
SB.
CP.
PM.
RB.
PM.
CP.
KMI
Pembentukan 4 itemset Selanjutnya kita akan membentuk 4 itemset.
Berikut pembentukan 4 itemset yang ada pada table 7:
Tabel 7.
Hasil pembentukan support 4 Itemset
4 ITEM
Item Jumlah Support Th,MR,OC,PM CP,OC,MR.
RB,SB,CH,PM
PM.
SB.
OC.
Th.
MD.
PM.
MR.
OC.
CP.
Pembentukan 5 itemset Terakhir kita akan membentuk 5 itemset.
Berikut pembetukan 5 itemset yang ada pada table 8.
Tabel 8.
Hasil Pembentukkan support 5 Itemset
5 ITEM
Item PM.
SB.
OC.
CP.
Jumlah Support Pembentukan Aturan Asosiasi Setelah pembentukan itemset ditemukan, barulah dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence.
Berikut ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Serta pembentukan aturan asosiasi yang memenuhi syarat minimum confidence adalah 70%.
Berikut hasil confidence yang terlihat pada tabel 9.
Tabel 9.
Hasil Confidence Menu-Menu Yang Sering Dibeli Menu Support Confident Th,RB MD,PM SB,CH PM,KG KG.
KG,RB
PM,CS
MD,SB
Th,KG PM,SB OC,PM Th.
PM.
OC,MR
SB.
Th.
TTU
Th.
PM.
SB.
SB.
SB.
TTU
SB.
SB.
KMI
SB.
RB.
PM.
CH.
CH.
PM.
PM.
PM.
TTU
PM.
PM.
KMI
Th.
MD.
SB.
PM.
Th.
KG.
OC.
MR.
OC.
MR.
MD.
PM.
OC.
PM.
SB.
CP.
PM.
MR.
CP.
OC.
MR.
PM.
SB.
OC.
MR.
OC.
CP.
PM.
SB.
OC.
CP,
PM.
OC.
MR.
CP,
Rank Berdasarkan tabel 9 nilai confidence 70%, maka ditemukan 3 aturan asosiasi teratas yaitu:
A Jika Beli Thai Tea.
Milo Dinasourus maka akan beli Pizza Milenials.
Halaman 220 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
2 (Oktober 2.
A Jika Beli Cokelat Hezelnut maka akan beli Oreo Cookies and Cream Shake.
A Jika Beli Pizza Milenials maka beli Kentang
Goreng
KESIMPULAN
Dari hasil penelitian ini ditemukan 33 aturan asosiasi yang dapat membantu strategi penjualan yang ada di Milenials Cafy.
Berikut aturan-aturan asosiasi dengan nilai confidence tertinggi yaitu menu Thai Tea.
Milo Dinasourus.
Pizza Milenials 100%.
Cokelat Hezelnut.
Oreo Cookies and Cream Shake 97%.
Pizza Milenials.
Kentang Goreng 96%.
Dari hasil aturan asosiasi tersebut pemilik Milenials Cafy dapat memahami pola pembelian pelanggan, oleh karena itu kafe dapat menyesuaikan penawaran mereka untuk dapat memenuhi kebutuhan pelanggan, meningkatkan kepuasan pelanggan, dan pada akhirnya meningkatkan pendapatan kafe.
Selain itu, hasil dari penelitian ini diharapkan dapat memberikan wawasan berharga bagi pengelola kafe lain yang ingin mengadopsi pendekatan serupa untuk meningkatkan bisnis mereka.
DAFTAR PUSTAKA