IMPLEMENTASI SISTEM TRANSAKSI PEMBELIAN BARANG DI MUSTIKA
SWALAYAN MENGGUNAKAN POLA ASSOCIATION RULE DAN ALGORITMA
APRIORI BERBASIS WEB
IMPLEMENTATION OF WEB-BASED PURCHASE TRANSACTION SYSTEM AT
MUSTIKA SWALAYAN USING ASSOSIATION RULES AND APRIORI ALGORITM
Athirah Rusadi1* & Arief Munanzar2 Universitas Malikussaleh,Magister Teknologi Informasi.
Lhokseumawe Politeknik Negeri Lhokseumawe,Teknik Informatika Lhokseumawe ABSTRAK Setiap usaha ritel swalayan menghasilkan data transaksi yang sangat besar dan tersimpan dalam basis data, namun sering kali hanya dimanfaatkan sebatas arsip.
Padahal, data transaksi dapat diolah untuk memperoleh informasi strategis yang mendukung pengambilan keputusan bisnis.
Penelitian ini bertujuan merancang dan membangun sebuah aplikasi berbasis web untuk menganalisis pola transaksi pembelian barang di Mustika Swalayan menggunakan teknik data mining dengan Algoritma Apriori.
Proses penelitian meliputi beberapa tahapan, yaitu seleksi data, pembersihan data .
, transformasi data, perancangan sistem, implementasi, serta pengujian.
Data yang digunakan merupakan catatan transaksi penjualan selama satu tahun yang telah melalui tahap praproses agar sesuai dengan format input algoritma.
Aplikasi dikembangkan menggunakan bahasa pemrograman PHP dengan framework CodeIgniter dan basis data MySQL, sementara metode pengembangan perangkat lunak yang diterapkan adalah model waterfall.
Pengujian sistem dilakukan dengan pendekatan black-box untuk memastikan seluruh fungsi berjalan sesuai kebutuhan pengguna.
Hasil pengolahan data menunjukkan terbentuknya sejumlah frequent itemset yang memenuhi ambang minimal support 3 dan minimal confidence 70%.
Aturan asosiasi terkuat yang ditemukan adalah Aujika pelanggan membeli Indomie maka pelanggan juga membeli telurAy dengan tingkat kepercayaan 100%.
Temuan ini memberikan wawasan penting bagi pihak manajemen toko untuk menyusun strategi pemasaran, seperti pengaturan tata letak produk, penawaran promosi bundling, dan perencanaan stok barang yang lebih efektif.
Secara keseluruhan, aplikasi yang dikembangkan terbukti mampu membantu pemilik usaha dalam menggali pola pembelian konsumen sehingga mendukung pengambilan keputusan berbasis data dan meningkatkan daya saing usaha ritel.
Kata kunci: Algoritma Apriori.
Data Mining.
Association Rule.
Pola Pembelian.
ABSTRACT
Every retail supermarket generates a large volume of transaction data stored in a database, yet this data is often used only as an archive.
In fact, transaction data can be processed to obtain strategic information that supports business decision-making.
This study aims to design and develop a web-based application to analyze purchasing transaction patterns at Mustika Swalayan using data mining techniques with the Apriori algorithm.
The research process consists of several stages, namely data selection, data cleaning .
, data transformation, system design, implementation, and testing.
The data used comprises one year of sales transaction records that have undergone preprocessing to match the input format required by the algorithm.
The application was developed using the PHP programming language with the CodeIgniter framework and a MySQL database, while the software development method applied was the waterfall model.
System testing was conducted using the black-box approach to ensure that all functions operated in accordance with user The data processing resulted in several frequent itemsets that met the minimum support threshold of 3 and the minimum confidence level of 70%.
The strongest association rule found was Auif a customer buys Indomie, then the customer also buys eggs,Ay with a confidence level of 100%.
These findings provide valuable insights for store management in developing marketing strategies, such as optimizing product layout, offering bundling promotions, and planning inventory more effectively.
Overall, the developed application has proven capable of helping business owners identify consumer purchasing patterns, thereby supporting datadriven decision-making and enhancing the competitiveness of the retail business.
Keywords: Apriori Algorithm.
Data Mining.
Association Rules.
Purchasing Patterns.
PENDAHULUAN
Latar Belakang Perkembangan teknologi informasi yang semakin pesat telah memberikan dampak besar di berbagai sektor, termasuk dunia bisnis ritel (Transaksi et al.
Persaingan usaha swalayan kini tidak hanya bergantung pada kualitas produk dan harga, tetapi juga pada kemampuan pelaku usaha memanfaatkan data transaksi yang terus bertambah setiap hari (Martinez et al.
Data yang tersimpan dalam basis data berkapasitas besar kerap hanya digunakan sebagai arsip tanpa diolah lebih lanjut, padahal di dalamnya tersimpan pola pembelian yang dapat menjadi dasar pengambilan keputusan strategis (Heikal & Gandhi, 2024.
Data mining hadir sebagai solusi untuk mengekstraksi informasi berharga dari data dalam jumlah besar (Saparudin & Sholihin, 2.
Salah satu teknik populer dalam data mining adalah association rule mining, yang mampu mengidentifikasi hubungan atau kecenderungan keterkaitan antar produk dalam transaksi pembelian konsumen (Octavia et al.
, 2.
Dengan teknik ini, pemilik usaha dapat mengetahui kombinasi produk yang sering dibeli secara bersamaan, sehingga dapat merancang strategi pemasaran yang lebih efektif, seperti promosi bundling dan penataan tata letak produk di rak penjualan (Heikal & Gandhi, 2024.
Algoritma Apriori merupakan metode dasar dan banyak digunakan dalam analisis association rule frequent itemset secara efisien.
Algoritma ini bekerja melalui perhitungan nilai support dan confidence untuk membentuk aturan asosiasi yang kuat (Dwiputra et al.
Pemanfaatan algoritma Apriori mengidentifikasi pola pembelian dengan tingkat akurasi yang tinggi dan proses (Gunawan et al.
, 2.
Berdasarkan kebutuhan tersebut, penelitian ini dilakukan untuk menganalisis pola transaksi pembelian barang di Mustika Swalayan (Santoso, 2.
Aplikasi yang dikembangkan berbasis web menggunakan bahasa pemrograman PHP dengan framework CodeIgniter dan basis data MySQL (Syahputri, 2.
Hasil analisis diharapkan dapat membantu pihak manajemen dalam mengambil keputusan pemasaran, mengoptimalkan penataan produk, serta meningkatkan keuntungan melalui strategi penjualan yang lebih terarah (Siregar & Marto, 2.
Dengan demikian, penelitian ini penting dilakukan karena memberikan solusi praktis bagi pelaku usaha ritel lokal dalam memanfaatkan data transaksi secara realtime (Hadija et al.
, 2.
Hasil analisis memungkinkan manajemen menyusun tata letak produk yang lebih efektif, merancang promosi bundling yang tepat sasaran, dan mengelola persediaan barang dengan perencanaan yang berbasis pola pembelian aktual konsumen (Ristawaty et al.
, 2.
Pendekatan ini memberikan nilai tambah yang berbeda dibandingkan penelitian sebelumnya yang cenderung hanya menampilkan hasil analisis tanpa integrasi sistem aplikasi yang siap diterapkan di lingkungan bisnis sehari-hari(Kawengian et , 2.
Permasalahan Penelitian dan Kontribusi Kebaruan Meskipun metode association rule mining dan algoritma Apriori telah banyak diterapkan di berbagai bidang, sebagian besar penelitian sebelumnya hanya memfokuskan penerapan pada konteks perpustakaan, toko daring, atau sistem rekomendasi produk secara umum(Heikal & Gandhi, 2024.
Beberapa studi perpustakaan atau pola belanja daring yang bersifat statis (Hartanto & Aribowo, 2.
Namun, penerapan pada lingkungan ritel fisik berskala menengahAiseperti Mustika SwalayanAiyang memiliki karakteristik transaksi beragam dan kebutuhan analisis pola pembelian yang dinamis, masih jarang dilaporkan (Transaksi et al.
Permasalahan utama yang dihadapi Mustika Swalayan dimanfaatkannya data transaksi harian untuk mendukung keputusan bisnis strategis (Renaldi, 2.
Data transaksi hanya disimpan sebagai arsip sehingga potensi informasi berharga, seperti kombinasi produk yang paling sering dibeli bersama, tidak tergali secara optimal (Putra et al.
, 2.
Kondisi ini menimbulkan kesenjangan pemanfaatan data antara ketersediaan data yang melimpah dan pengambilan Keputusan (Hadija et al.
METODE PENELITIAN
Pengembangan digunakan pengembangan sistem ini adalah model waterfall, dimana hal ini menyiratkan pendekatan yang sistemastis .
pengembangan perangkat lunak, yang dimulai dengan spesifikasi kebutuhan pengguna dan berlanjut melalui tahapantahapan sistem/perangkat lunak.
Alur tahap penelitian yang dilakukan, dapat dilihat pada Gambar 1,2,3,4 berikut :
Gambar 1 Desain Pengembangan Waterfal Gambar 2 Skema Apriori Gambar 3.
Skema Sistem Gambar 4.
Flowcart Sistem Berdasarkan Gambar 1, 2, 3, 4 di atas, menjelaskan alur penelitian yang diawali persiapan data, ubah kategori data, menghitung data barulah menganalisis semua data.
Gambar 2 di atas, menjelaskan skema apriori yang diawali dengan mengidentifikasi data, mengelompokkan data, memasukkan data menjadi itemset frequensi, menginput hasil itemset yang dihasilkan sesuai minimum support, kemudian hasil membentuk rule pola menggunakan nilai cofident dan selesai.
Gambar 3 menjelaskan mengenai flowchart sistem, dimana dimulai dari input produk 1 dan 2, input minimum support, menginput minimum coffidentnya selanjutnya data dihitung dan ditampilkan dalam rule.
sistem, meliputi antarmuka pengguna, proses pengolahan data, dan output aturan asosiasi yang dihasilkan.
Selanjutnya dilakukan analisis terhadap pola pembelian kesesuaiannya dengan tujuan penelitian, sekaligus membandingkannya dengan teori maupun hasil studi terdahulu.
Pembahasan ini bertujuan menunjukkan sejauh mana memberikan informasi strategis bagi pengelola swalayan dalam merancang tata letak produk, merencanakan promosi, dan HASIL PERANCANGAN Halaman Akses Admin Halaman ini berisikan mengenai akses admin untuk data item, data transaksi dan lainnya.
Pada halaman ini admin bisa menambahkan item item yang terjual dan lainnya.
Halaman akses admin dapat dilihat pada gambar dibawah ini.
HASIL DAN PEMBAHASAN
Hasil pengembangan dan penerapan aplikasi data mining berbasis web menggunakan algoritma Apriori pada data transaksi penjualan Mustika Swalayan dimulai dengan uraian hasil implementasi Gambar 5.
Halaman Akses Admin digunakan yaitu 30%.
Jika tidak sesuai dengan nilai support, maka akan di Berikut gambar halamannya dapat dilihat dibawah ini.
Perancangan Halaman Data Transaksi Pada halaman transaksi ini admin bisa menambahkan transksasi terbaru sesuai itemnya.
Halamannya dapat dilihat pada gambar berikut ini:
Rancangan Halaman Aturan Asosiasi Pada halaman memperlihatkan hasil berdasarkan nilai support setelah melalui proses perhitungan apriori.
Perancangan halaman dapat dilihat pada gambar berikut ini.
Rancangan Halaman Data Proses Hitung Apriori Pada halaman ini dijelaskan mengenai perolehan nilai support dengan minimum support yang Gambar 6.
Halaman Data Transaksi Gambar 7.
Halaman Data Proses Hitung Apriori Gambar 8.
Halaman Aturan Asosiasi
HASIL PENGUJIAN SISTEM
Dalam perhitungan apriori terlebih dahulu mengumpulkan data transaksi penjualan di Toko sebanyak 30 transaksi secara acak pada 1 Desember sampai 6 Desember 2023.
Data yang diambil minimal 2 penjualan produk.
Data transaksi yang akan dihitung ditunjukkan pada tabel 1 berikut:
Tabel 1.
Data Transaksi 1 Desember Ae 6 Desember 2023
Tanggal Produk
01/12/2020
Telur , tepung terigu 01/12/2020 Telur .
Indomie 01/12/2020 01/12/2020 01/12/2020 01/12/2020 01/12/2020 02/12/2020 02/12/2020 02/12/2020 02/12/2020 02/12/2020 Sedaap kecap manis 550ml, gula pasir 500g Mie burung dara kuning.
, sosis sonice sapi/ayam Telur 250gr, indomie Royco sapi .
, mie burung dara kuning.
Teh tjatoet, teh dandang biru 40g
Bihun padamu 350g, minyak sawit 500gr
Kapal api 65g, gula pasir 500g
Indomie goreng special, sosis sonice sapi/ayam Indomie goreng hype abis, migor ayam geprek, indomie goreng
Minyak sawit 500gr, bihun padamu 350g
02/12/2020
Desaku ketumbar bubuk 15g, desaku kunyit bubuk 10g
03/12/2020
Gula pasir 500g, sosis sonice sapi/ayam 03/12/2020 03/12/2020 Indomie goreng hype abis migor ayam geprek
Minyak
03/12/2020
Indomie ayam special, indomie goreng special
03/12/2020
Kapal api 65g, sedaap kecap manis 225ml
03/12/2020
Korek
04/12/2020
Sedaap mie goreng, telur 250gr
04/12/2020
Minyak sawit 500gr, royco sapi .
04/12/2020 Beras 05/12/2020 Teh tjatoet, gula pasir 500g tama kita akan mencari itemset 1 (C.
dengan menghitung jumlah frekuensi tiap produk beserta nilai support nya.
Cara menghitung nilai support dalam persen dan kandidat Itemset 1 di tunjukan pada Tabel 1 Selanjutnya menentukan nilai minimal support dan minimal confidence untuk mencari aturan asosiasinya.
Nilai minimal support yang ditentukan adalah 3 dan minimal confidence adalah 70%.
Pertama- Support A = yaycycoycoycaEa ycNycycaycuycycaycoycycn ya ycU 100% yaycycoycoycaEa ycNycycaycuycycaycoycycn Minimal Support = Support telur = ycU 100% = 10 ycU 100% = 16,67 Tabel 2.
Tabel Support dan Confidence Tabel 2.
Kandidat Itemset Item Telur 250gr Indomie Tepung terigu Jumlah Suport Ket Lolos Lolos Lolos Sedaap kecap manis 550ml Tidak lolos Gula pasir 500g Lolos Tidak lolos Sosis sonice sapi/ayam Lolos Royco sapi .
Tidak lolos Teh tjatoet Tidak lolos Teh dandang biru 40g Bihun padamu 350g Korek Indomie goreng special indomie goreng hype abis migor Ayam geprek Minyak Tidak lolos Tidak lolos Desaku kunyit bubuk 10g Lolos Tidak lolos Indomie ayam special Tidak lolos Sedaap kecap manis 225ml Beras Royco ayam 9g Frestea jasmine 296 ml Tidak lolos Mie burung dara kuning.
Langkah menyeleksi kandidat itemset yang tidak ditentukan, yaitu 3.
Tiap kandidat itemset 1 yang lolos akan menjadi large itemset (L.
Setelah mendapatkan large itemset, maka Tidak lolos Lolos Lolos Lolos Tidak lolos Tidak lolos menghitung 2 kombinasi item untuk menghasilkan kandidat itemset 2 (C.
Perhitungan support tiap itemset dilakukan dengan persamaan yang sama dalam mencari itemset 1 sebelumnya, adapun cara melakukan perhitungan itemset 2 sebagai yaycycoycoycaEa ycNycycaycuycycaycoycycn ya, yaA ycU 100% yaycycoycoycaEa ycNycycaycuycycaycoycycn Support telur, indomie = ycU 100% = 10 Support A.
B = Tabel 3.
Perhitungan Itemset Item 1 Item 2 Telur Indomie Telur Telur Jumlah Support Ket Lolos Minyak sawit Mie sedap Tidak lolos Tidak lolos Tidak lolos Tidak lolos Tidak lolos Tidak lolos Sosis Telur Telur Telur Kapal api Indomie goreng Telur Desaku ketumbar bubuk 15g Selanjutnya kembali memangkas itemset yang memiliki nilai minimal support 3 yang di tunjukan pada Tabel 4 Tabel 4.
Hasil Pangkas Itemset Support Item 1 Telur Item 2 Jml Indomie Suport Setelah menentukan large itemset, kemudian dilakukan perhitungan bagian confidence dalam bentuk persen dan hasilnya ditunjukkan pada tabel 5 Iterasi ke 3 untuk mendapatkan kandidat itemset ke 3 (C.
tidak dapat dilakukan karena tidak ada yang memenuhi minimal support, maka iterasi akan Tabel 5.
Hasil Perhitungan Confidence A => B Indomie Telur Telur Indomie Support A s B Support A Confidence Ket.
Lolos Tidak Setelah nilai confidence diperoleh, langkah selanjutnya mengeleminasi itemset yang tidak memenuhi minimal confidence yaitu 70%.
Hasil ini merupakan hasil akhir dari aturan asosiasi.
Dari 30 transaksi yang diuji menghasilkan 1 aturan asosiasi yang memenuhi minimal support 3 dan minimal confidence 70%.
Aturan yang terbentuk adalah jika pelanggan membeli produk indomie maka akan membeli telur.
Science, 2.
, 1229Ae1248.
Https://Doi.
Org/10.
58344/Jws.
V2i8.
Gunawan.
Tundo.
Ramadhani.
& Waloeya.
Penerapan Data Mining Menggunakan Algoritma Apriori Pada Brand Milenials Cafe.
METHOMIKA Jurnal Manajemen Informatika Dan Komputerisasi Akuntansi, 8.
, 215Ae221.
Https://Doi.
Org/10.
46880/Jmika.
Vol8 No2.
Pp215-221 Hadija.
Irawan.
Damanik.
Hardinata.
Tunas Bangsa.
, &
Artikel.
Penerapan Data Mining Pada Pola Penjualan Barang Minimarket Menggunakan Algoritma Apriori Application Of Data Mining On Patterns Of Sales Of Goods In Minimarkets Using The Apriori Algorithm Article Info ABSTRAK.
JOMLAI: Journal Of Machine Learning And Artificial Intelligence, 1.
, 2828Ae9099.
Https://Doi.
Org/10.
55123/Jomlai.
V1i Hartanto.
, & Aribowo.
Perancangan Tata Letak Toko Ritel Berdasarkan Pola Belanja Konsumen Dengan Market Basket Analysis (Studi Kasus: Indomaret Sukatan.
Jurnal Al-Azhar Indonesia Seri Sains Dan Teknologi, 8.
Https://Doi.
Org/10.
36722/Sst.
V8i2.
Heikal.
, & Gandhi.
Enhancing Retail Supermarket Financial Performance Through Market Basket Analytics Using Apriori Algorithm In Indonesia Market Case.
Applied Quantitative Analysis, 4.
, 42Ae53.
Https://Doi.
Org/10.
31098/Quant.
Heikal.
, & Gandhi.
Enhancing Retail Supermarket Financial Performance Through Market Basket Analytics Using Apriori Algorithm In Indonesia Market Case.
Applied Quantitative KESIMPULAN Berdasarkan hasil pengujian sistem yang telah dilakukan secara keseluruhan, dapat ditarik kesimpulan bahwa proses yang terjadi dalam sistem telah mengalami memaksimalkan prosesAeproses tersebut.
Secara fungsional sistem sudah dapat digunakan, dan menghasilkan keluaran yang sesuai dengan yang diharapkan.
Hasil analisa dari aplikasi data mining ini dapat menjadi masukan bagi pemilik usaha untuk meningkatkan pemasaran dan strategi penjualan dengan cara memetakan layout barang yang biasanya dibeli konsumen secara bersamaan.
UCAPAN TERIMAKASIH
Ucapan terimakasih kami ucapkan kepada Dosen kami selama masa pekuliahan, kepada Mustika Swalayan yang telah mengizinkan kami melakukan penelitian ini.
Kami juga mengucapkan terimakasih kepada semua pihak yang menyelesaikan penelitian ini.
Semoga bantuandan dukungan yang diberikan mendapat balasan yang setimpal dari Allah SWT.
DAFTAR PUSTAKA