Jurnal Pelita Teknologi.
Vol.
2024, pp.
PELITA TEKNOLOGI
Journal homepage: jurnal.
id, p-ISSN: 2301-475X, e-ISSN: 2656-7059 Analisa Pola Penjualan Di Toko Roma Bangunan Untuk Mengatur Persedian Stok Barang Menggunakan Algoritma Apriori Diana Yusup1.
Sufajar Butsianto2.
Wahyu Hadikristanto3,Suprapto 4
1,2,3,4
Program Studi Teknik Informatika.
Fakultas Teknik Universitas Pelita Bangsa Jl.
Inspeksi Kalimalang No.
Cibatu.
CikarangSelatan.
Kab.
Bekasi.
Jawa Barat.
Indonesia Korespondensi email: pelitateknologi@gmail.
Abstrak Roma Bangunan is one of the mainstay building stores of the Karawang community, offering a wide range of building material products.
However, this store faces the challenge of unstable stock inventory which hampers operations and service to customers.
Inconsistent stock can lead to service delays, lost sales, and reduced customer satisfaction.
Therefore, the author uses Rapidminer with the application of a priori algorithm to find sales combination patterns in sales transaction data, so that this combination pattern will later become information on what goods must have more and less stock of goods, thus minimizing the occurrence of overstocking.
In this study, 3 association rules/combination patterns were produced that met the minimum support of 10% and confidence of 50%, namely for the highest association rule "If consumers buy sandpaper, then buy White Brush" with a support value of 12%, confidence of 69% and an elevator ratio of 3.
By implementing Rapid Miner and a priori algorithms.
Roma Bangunan Stores was able to leverage existing data to make better decisions, optimize inventory management, and ultimately improve customer satisfaction and overall business performance.
Pendahuluan Toko Roma Bangunan merupakan salah satu toko bangunan favorit di Karawang yang menyediakan berbagai material bangunan, seperti keramik, cat, dan Informasi Artikel Diterima: 20 Agustus 2024 Direvisi: 27 Agustus 2024 Dipublikasikan: 30 September 2024 Keywords A Priori Algorithm ,Data Mining.
Rapid Miner.
peralatan tukang .
Namun, toko ini menghadapi masalah ketidakstabilan stok barang, baik kelebihan maupun kekurangan, yang berdampak pada pelayanan pelanggan dan efisiensi operasional .
Ketidaktersediaan ISSN: p.
2301-475X e.
stok dapat menyebabkan penundaan pelayanan, sementara overstocking meningkatkan biaya penyimpanan .
Untuk mengatasi hal ini, analisis data penjualan menggunakan teknik data mining seperti algoritma Apriori dapat pembelian pelanggan .
juga dapat menjadi referensi bagi peneliti lain yang ingin menerapkan teknik serupa di konteks yang berbeda .
[ .
Dengan memanfaatkan data transaksi menggabungkan pendekatan kuantitatif dan komputasi untuk menghasilkan solusi berbasis data .
Hasil analisis diharapkan tidak hanya bermanfaat bagi Toko Roma Bangunan, pengembangan literatur di bidang data mining dan manajemen persediaan .
Studi ini juga menekankan pentingnya pemanfaatan teknologi dalam menghadapi tantangan bisnis di era digital .
Algoritma Apriori adalah salah satu metode data mining yang efektif untuk menemukan hubungan antar item dalam transaksi penjualan, dikenal sebagai association rule .
Metode ini telah berhasil diterapkan di berbagai sektor, seperti pengelolaan stok kue .
, persediaan alat bangunan .
, dan analisis penjualan minimarket .
Dengan support dan confidence, algoritma ini dapat mengungkap kombinasi barang II.
Metodologi yang sering dibeli bersamaan, sehingga Penelitian ini menggunakan pendekatan membantu dalam perencanaan stok data mining dengan menerapkan metode .
KDD (Knowledge Discovery in Penelitian untuk Database.
Proses KDD dipilih karena menganalisis pola penjualan di Toko mampu Roma Bangunan algoritma Apriori dengan bantuan transaksi penjualan yang sebelumnya perangkat lunak RapidMiner .
tidak terlihat secara eksplisit.
Informasi RapidMiner karena yang ditemukan melalui metode ini kemampuannya dalam mengolah data diharapkan dapat memberikan wawasan besar dan menyajikan hasil analisis yang mendalam mengenai pola pembelian akurat .
Hasil penelitian diharapkan pelanggan dan mendukung pengambilan rekomendasi keputusan strategis, khususnya dalam pengelolaan stok yang lebih efisien, pengelolaan mengurangi risiko overstocking atau penyusunan strategi pemasaran yang stockout, serta meningkatkan kepuasan lebih efektif.
Di bawah ini terdapat pelanggan .
Selain itu, studi ini Tabel 1 yang melampirkan tahapan KDD.
Tabel 1.
Tahapan KDD ISSN: p.
2301-475X e.
Tahapan KDD Deskripsi Singkat Data Selection Pemilihan data dan atribut yang relevan dari data operasional .
isalnya data transaks.
untuk dianalisis dalam proses data Preprocessing/Cleaning Pembersihan data dari duplikasi, data kosong, atau inkonsistensi yang dapat mengganggu proses analisis.
Data Transformation Mengubah format data yang telah dibersihkan agar sesuai untuk proses data mining, seperti normalisasi atau pengelompokan data.
Data Mining Tahap inti di mana dilakukan pencarian pola atau hubungan antar data menggunakan algoritma tertentu, seperti algoritma Apriori.
Interpretation/Evaluation Mengevaluasi dan menafsirkan pola yang ditemukan agar dapat disajikan sebagai informasi yang berguna dalam pengambilan keputusan bisnis.
Support
Count
Support
(%)
Saklar Stop Kontak i.
Hasil dan Pembahasan Produk Setelah dilakukan percobaan dalam pencarian association rule pada dataset penjualan menggunakan algoritma Apriori, sejumlah aturan asosiasi berhasil diperoleh berdasarkan tahapan proses data mining yang Proses dimulai dengan seleksi data dan pengolahan awal untuk menemukan itemset yang memenuhi ambang batas nilai support yang telah Tabel 2.
Large 1 Itemset
Support
Count
Support
(%)
Thinner Amplas Sealtape Onda Pow Faucet Socket Kran Produk Setelah diketahui kandidat 1 itemset yang memenuhi nilai support pada seleksi yang pertama, selanjutnya akan menggabungkan .
antar itemset 1 dengan itemset 1 lainnya sampai tidak dikombinasikan lagi, dengan aturan bahwa setiap kandidat yang dihasilkan tidak boleh mengandung kandidat yang kembar antara satu dengan yang lainnya, sehingga diperoleh sebagai berikut.
ycIycycyycyycuycyc = yaycycoycoycaEa ycNycycaycuycycaycoycycn ya yccycaycu yaA ycNycuycycayco ycNycycaycuycycaycoycycn O 100% .
Berikut perhitungan untuk masingmasing kombinasi 2 item set produk Exp :
White Brush Ultra White Brush {Thinner.
Ampla.
= ycu100% = 11% Tabel 3.
Kandidat 2 Itemset ISSN: p.
2301-475X e.
Produk Produk Support Count Nilai Support Produk Produk Support Count Nilai Support Thinner Amplas Sealtape Onda Thinner Sealtape Onda Saklar Sealtape Onda Stop Thinner Pow Faucet Socket Pow Faucet Socket Kran Thinner Kran Thinner White Brush Pow Faucet Socket White Brush Thinner Ultra White Brush Pow Faucet Socket Ultra White Brush Thinner Stop Kontak Saklar Amplas Sealtape Onda Pow Faucet Socket Stop Amplas Pow Faucet Socket Pow Faucet Socket Kran Amplas Kran White Brush Amplas White Brush Kran Ultra White Brush Amplas Ultra White Brush Kran Saklar Kran Amplas Saklar Stop Kontak Amplas Stop Kontak White Brush Ultra White Brush Sealtape Onda Pow Faucet Socket White Brush Saklar Sealtape Onda Kran White Brush Stop Kontak Sealtape Onda White Brush Ultra White Brush Saklar Sealtape Onda Ultra White Brush Ultra White Brush Stop Kontak ISSN: p.
2301-475X e.
Produk Produk Support Count Nilai Support Saklar Stop Kontak Setelah dilakukan seleksi terhadap itemset yang memenuhi kriteria support, penerjemahan itemset tersebut menjadi aturan asosiasi dengan pola "Jika X maka Y".
Proses ini diikuti dengan perhitungan nilai confidence untuk masing-masing aturan, dengan ambang batas minimum confidence sebesar Pada tahap ini, ditemukan memenuhi kedua kriteria tersebut, meskipun terdapat sedikit perbedaan antara perhitungan manual dan hasil pengujian menggunakan RapidMiner.
Walau begitu, hasil akhirnya tetap menunjukkan bahwa aturan asosiasi yang memenuhi kriteria support dan confidence tetap konsisten.
Pada tahap pertama, nilai minimum support yang ditetapkan sebesar 10% menghasilkan 9 itemset produk tunggal yang memenuhi syarat tersebut, yang terlihat pada Tabel 2.
Dari hasil ini, dilakukan analisis untuk membentuk menghasilkan 35 kombinasi 2-itemset.
Setelah dilakukan seleksi berdasarkan nilai support, hanya 5 kombinasi itemset yang memenuhi ambang batas support yang telah ditentukan, seperti yang ditunjukkan dalam Tabel 3.
Namun, pada pembentukan 3-itemset, tidak ditemukan kombinasi yang memenuhi kriteria minimum support, yang Berikut adalah hasil aturan asosiasi yang mengindikasikan bahwa asosiasi antara diperoleh dari analisis ini, yang dapat tiga produk secara bersamaan kurang dilihat pada Tabel 4:
umum terjadi dalam dataset ini.
Tabel 4.
Hasil Aturan Asosiasi Aturan Asosiasi Jika membeli Kran, maka membeli Sealtape Onda Jika membeli Amplas, maka membeli White Brush Jika membeli Amplas, maka membeli Thinner Support Confidence Hasil analisis ini menunjukkan adanya hubungan yang cukup signifikan antara produk-produk tertentu yang sering dibeli Sebagai contoh, aturan pertama menunjukkan bahwa apabila konsumen membeli Kran, terdapat 60% kemungkinan Lift Rasio Interpretasi 13% transaksi melibatkan pembelian bersamaan.
kemungkinan 60% membeli Sealtape Onda setelah membeli Kran.
Terdapat 69% kemungkinan konsumen yang membeli Amplas juga membeli White Brush.
Konsumen yang membeli Amplas memiliki kemungkinan 62% juga membeli Thinner.
bahwa mereka juga akan membeli Sealtape Onda, dengan support sebesar 13%.
Selain itu, aturan kedua menunjukkan bahwa pembelian Amplas diikuti oleh pembelian White Brush sebanyak 69%, yang menunjukkan bahwa kedua produk ini ISSN: p.
2301-475X e.
sering dibeli bersama-sama oleh konsumen.
Begitu pula dengan aturan ketiga, di mana pembelian Amplas sering diikuti dengan pembelian Thinner, dengan confidence sebesar 62%.
Selain itu, perhitungan lift ratio pada setiap aturan asosiasi memberikan informasi lebih lanjut mengenai kekuatan hubungan antara produk-produk tersebut.
Misalnya, pada aturan pertama, lift ratio sebesar 2.
menunjukkan bahwa hubungan antara Kran dan Sealtape Onda lebih kuat dibandingkan dengan hubungan acak antara dua produk Lift ratio yang lebih besar dari 1 menandakan adanya keterkaitan yang signifikan antara itemset.
Gambar 1.
Create Association Rules Gambar 2.
Frequent Itemsets Gambar 1 menunjukkan proses RapidMiner, yang membantu dalam memperoleh hasil tersebut.
Selain itu.
Gambar 2 menggambarkan visualisasi mengenai itemset yang sering muncul dalam dataset transaksi, memberikan pemahaman lebih jelas mengenai asosiasi antar produk yang terdeteksi.
Secara keseluruhan, hasil Apriori mengidentifikasi pola pembelian yang dapat dimanfaatkan oleh Toko Roma ISSN: p.
2301-475X e.
Bangunan mengindikasikan adanya keterkaitan pengelolaan stok dan merencanakan yang kuat antar produk.
strategi pemasaran yang lebih efektif.
Amplas Ie White Brush.
Diperoleh Hasil ini juga dapat digunakan untuk support 12%, confidence 69%, dan merancang promosi produk yang lebih lift ratio 3,11.
Artinya, 12% terarah dan meningkatkan kepuasan amplas dan White Brush secara Peluang konsumen Pada hasil pengujian setelah melakukan membeli White Brush setelah pencarian association rule pada dataset membeli amplas sebesar 69%.
Lift ratio 3,11 memperkuat indikasi algoritma Apriori, diperoleh aturan hubungan positif antar kedua asosiasi di setiap tahap.
Dengan minimum support 10%, terbentuk 9 Amplas Ie Thinner.
Menunjukkan itemset produk yang memenuhi syarat.
support 11%, confidence 62%, dan Dari 9 item tersebut, dihasilkan 35 lift ratio 3,12.
Ini berarti 11% kombinasi 2-itemset, namun hanya 5 transaksi melibatkan pembelian kombinasi yang memenuhi minimum Pembentukan 3-itemset tidak bersamaan, dengan kemungkinan 62% konsumen membeli thinner memenuhi minimum support 10%.
setelah membeli amplas.
Lift ratio Kombinasi yang lolos kemudian sebesar 3,12 menegaskan adanya diterjemahkan dalam aturan asosiasi hubungan erat di antara kedua berbentuk AuJika X maka YAy, dilanjutkan produk tersebut.
dengan perhitungan nilai confidence dengan ambang batas 50%.
IV.
Kesimpulan Terdapat sedikit perbedaan antara hasil perhitungan manual dan pengujian menggunakan RapidMiner.
Namun, pola asosiasi yang memenuhi minimum support 10% dan confidence 50% tetap Adapun pola asosiasi yang diperoleh adalah sebagai berikut:
Berdasarkan analisis yang dilakukan Apriori terhadap data transaksi penjualan di Toko Roma Bangunan, disimpulkan bahwa terdapat perbedaan jumlah aturan asosiasi yang dihasilkan antara perhitungan manual dan penggunaan RapidMiner.
Perhitungan manual menghasilkan empat aturan, sementara RapidMiner menghasilkan tiga aturan yang memenuhi kriteria minimum support sebesar 10% dan confidence 50%.
Meskipun demikian, aturan asosiasi dengan nilai tertinggi tetap konsisten, yaitu "Jika konsumen membeli amplas maka akan membeli White Brush" dengan support sebesar 12%, confidence 69%, dan lift ratio 3,11.
Aturan ini dapat digunakan sebagai dasar pengambilan keputusan Kran Ie Sealtape Onda.
Memiliki confidence 60%, dan lift ratio 2,71.
Ini menunjukkan bahwa 13% dari pembelian kran dan Sealtape onda Dengan konsumen yang membeli kran juga akan membeli Sealtape onda.
Lift ISSN: p.
2301-475X e.
dalam pengelolaan stok, khususnya .
Tachi and N.
& Andri.
AuPenerapan Data Mining Untuk Analisis Daftar untuk menghindari kerugian akibat Pembelian Konsumen Dengan penumpukan barang yang tidak laku Menggunakan Algoritma Apriori Pada Transaksi Penjualan Toko Bangunan pelayanan kepada pelanggan.
Daftar Pustaka