PROSIDING SEMMAU 2021
ANALISIS PENJUALAN PADA ALTAH INDAH MART
MENGGUNAKAN FREQUENT PATTERN GROWTH
ALGORITHM
Anna Carabella Tualaka1.
Yohanes Suban Belutowe2.
Franky Yusuf Bisilisin3 Prodi Teknik Informatika STIKOM Uyelindo Kupang JL.
Perintis Kemerdekaan 1.
Kayu Putih.
Kota Kupang.
NTT Email : tualakabella@gmail.
ABSTRACT
The development of technology and consumer purchasing lifestyles has reduced the existence of traditional markets, because people are more interested in shopping at modern markets such as hypermarkets, supermarkets, and minimarkets.
Altah Indah Mart is one of the minimarkets located in Kupang city.
Generally, every modern market uses a computerized system to store sales and purchase data that produces transaction data.
The resulting transaction data can be used as an important source of information to predict and plan product sales according to consumer buying The technological approach can be done using data mining techniques, namely Association Rules Mining which focuses on finding consumer purchasing patterns by analyzing shopping baskets.
Data collection was carried out through field studies, namely by observing and asking for data directly at Altah Indah Mart.
Existing sales transaction data will be processed using the Frequent Pattern Growth Algorithm.
The results obtained from processing the sales transaction data are in the form of a combination of items .
with association values, namely the value of support and confidence.
At the testing stage, high-frequency pattern analysis was used and determined associative patterns to see consumer buying patterns based on sales Keywords : Association Rules Mining.
Data Mart.
Data Mining.
FP-Growth
PROSIDING SEMMAU 2021
PENDAHULUAN
1 Latar Belakang Semakin maraknya perkembangan pasar modern seperti pasar swalayan atau hypermarket, supermarket dan minimarket mulai menggeser peran pasar tradisional.
Pasar penjualan produk yang lebih lengkap, profesional dan highinis sehingga membuat masyarakat lebih tertarik untuk berbelanja, khususnya masyarakat perkotaan.
Model pemasaran produk seperti ini hadir seiring dengan perkembangan teknologi dan gaya hidup konsumen yang membuat konsumen ingin lebih mudah dan nyaman dalam Altah Indah Mart merupakan salah satu pasar swalayan di kota Kupang yang menjual berbagai kebutuhan sehari-hari.
Pelaku bisnis di era ekonomi digital harus melakukan perencanaan yang tepat, salah satunya dengan memprediksi dan merencanakan penjualan produk sesuai dengan pola pembelian Teknologi diperlukan untuk menganalisis penjualan karena banyak supermarket yang menata barang pada rak produk hanya berdasarkan jenis barang dan belum terorganisir dengan baik.
Selain itu, ada juga produk yang dijual namun proses penjualannya tidak atau belum maksimal sehingga menyebabkan over stock.
TINJAUAN PUSTAKA
Altah Indah Mart Kupang Altah Indah Mart adalah minimarket yang menjual berbagai kebutuhan pokok dan kebutuhan sehari-hari.
Altah Indah Mart bertempat di Jl.
Pahlawan, no.
77 RT3/1 Nunbaun Sabu.
Alak.
Kota Kupang Nusa Tenggara Timur dan didirikan oleh Saleh Belafif sejak 25 Oktober 2010.
Altah Indah berawal dari sebuah kios sederhana dan terus berkembang dan telah terkomputerisasi sejak tahun Kini Altah Indah Mart memiliki enam orang karyawan dan mulai beroperasi pukul 08.
00 sampai Knowledge Discovery in Database Knowledge Discovery in Database (KDD) didefinisikan sebagai ekstraksi informasi potensial, implisit dan tidak dikenal dari sekumpulan data.
Proses KDD melibatkan hasil proses data mining .
roses pengekstrak kecenderungan suatu pola dat.
, kemudian mengubah hasilnya secara akurat menjadi informasi yang mudah dipahami.
Data mining juga sering disebut sebagai Knowledge Discovery in Database.
KDD terdiri dari tiga proses utama yaitu:
Preprocessing Preprocessing dilakukan terhadap data sebelum algoritma data mining diaplikasikan.
Proses ini meliputi data cleaning integrasi, seleksi dan transformasi.
Data mining Data mining merupakan proses utama, dalam proses ini algoritma-algoritma data mining pengetahuan-pengetahuan dari sumber data.
Post processing Hasil yang diperoleh dari proses data mining selanjutnya akan dievaluasi pada post (Afdal & Rosadi, 2.
Data Mining Data pembelajaran komputer .
achine learnin.
untuk menganalisis dan mengekstraksi pengetahuan .
secara otomatis.
Peran Data Mining ialah proses yang umumnya dilakukan antara lain klasifikasi, clustering , prediksi estimasi dan Data mining adalah suatu istilah yang pengetahuan dalam database.
Database adalah teknik yang menggunakan teknik statistik, matematika, kecerdasan buatan dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar.
(Afdal & Rosadi, 2.
Association Rules Mining Association rules merupakan salah satu metode yang bertujuan mencari pola yang sering muncul diantara banyak transaksi, dimana setiap transaksi terdiri dari beberapa item.
Sehingga metode ini akan menemukan hubungan antar item.
Ini mungkin memerlukan pembacaan data transaksi secara berulang-ulang dalam jumlah data transaksi yang besar untuk menemukan pola hubungan yang berbeda-beda.
(Simanjuntak & Windarto, 2.
Association rules yang dimaksud dilakukan melalui mekanisme menghitung support dan convidence dari suatu hubungan item.
Association rule menjadi terkenal karena aplikasinya untuk menganalisis isi keranjang belanja pelanggan di pasar swalayan, makanya itu sering disebut Market Basket Analysis.
Sebuah association rule dikatakan intresting jika nilai support lebih besar dari minimun support dan nilai confidence juga lebih besar dari nilai minimum confidence.
Algoritma Apriori Algoritma Apriori adalah algoritma untuk menggunakan Frequent itemset Mining dan pembelajaran Association rule melalui basis data
transaksi, ditemukan oleh Agrawal and Srikant
PROSIDING SEMMAU 2021
Gambar 3.
Flowchart Prosedur Analisis Data Data Mart Untuk menghasilkan analisa algoritma FPGrowth, data dataset transasksi penjualan yang diambil dari database penjualan Altah Indah Mart digunakan sebagai objek penelitian.
Data transaksi berjumlah 677 transaksi penjualan, seperti terlihat pada tabel 2.
Tabel 2.
Data Transaksi Penjualan Altah Indah Mart Tahun 2020 Mamy Poko Pants S11.
Kris Bee Kentan g Goreng 68g.
My Baby Minyak Telon Plus 90ml Dari 677 data transaksi tersebut, dibagi menjadi data per item pembelian yang digunakan untuk mencari frequent itemset .
tem yang sering Data per item pembelian dijadikan sebagai atribut seperti yang ditunjukan pada table Tabel 3.
Data Per Item 1 Prosedur Analisis Data Data Mart Booleanize FP-Growth Algorithm Evaluasi Selesai A METODE PENELITIAN Mulai Itemset Posh Body Spray Blaze Pink 150ml.
Gatsby Oil Control Sp 100g.
Rexona Men Quantum Ms 40ml.
Steker Arde Visicom Vs-9b Putih/Transparan.
Kelly Lemon Soap 25g.
Milk Cleanser 100ml.
Viva Face Tonic 100ml Kapas Wajah Melrose 45g.
Viva Face Tonic 100ml.
Viva Milk C Bengkuang 100ml Ultra Milk Rasa Cokelat 200ml.
Superstar Wafer 28g Algoritma apriori merupakan bagian dari sebuah metode association rule yang berfungsi untuk menemukan kombinasi barang berdasarkan barang yang telah dibeli oleh pelanggan.
Cara algoritma ini bekerja adalah algoritma akan menghasilkan kandidat baru dari k-itemset dari frequent itemset pada langkah sebelumnya dan menghitung nilai support k-itemset tersebut.
Itemset yang memiliki nilai support di bawah dari minimum support akan dihapus.
Algortima berhenti ketika tidak ada lagi frequent itemset baru yang dihasilkan.
Setelah mendapatkan frequent itemset menggunakan algoritma apriori, langkah selanjutnya adalah mendapatkan rule yang memenuhi confidence.
Karena rule yang dihasilkan berasal dari frequent itemset, dengan kata lain, dalam menghitung rule menggunakan confidence, tidak perlu lagi menghitung support-nya karena semua calon rules yang dihasilkan telah memenuhi minimum support sesuai yang ditentukan.
Penghitungan ini juga tidak perlu melakukan perulangan scanning pada database untuk menghitung confidence, cukup dengan mengambil itemset dari hasil support.
Contoh aturan asosiatif dari analisis pembelian di suatu pasar swalayan adalah dapat diketahuinya berapa besar kemungkinan seorang pelanggan membeli roti bersamaan dengan susu.
Dengan pengetahuan tersebut, pemilik pasar swalayan dapat mengatur penempatan barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon untuk kombinasi barang Analisis asosiasi dikenal juga sebagai salah satu teknik data mining yang menjadi dasar dari berbagaiteknik data mining lainnya.
Aturan asosiasi biasanya dinyatakan dalam bentuk:
oti, menteg.
Ie .
upport = 40%, confidence = 50%) Aturan tersebut berarti, 50% dari transaksi di database yang memuat item roti dan mentega juga memuat item susu.
Sedangkan 40% dari seluruh transaksi yang ada di database memuat ketiga item Dapat juga diartikan, bilaa seorang konsumen membeli roti dan mentega punya kemungkinan 50% untuk juga membeli susu.
Aturan ini cukup signifikan karena mewakili 40% dari catatan transaksi selama ini.
(Chailes, et.
, 2.
Item
Posh Body Spray Blaze Pink
Gatsby Oil Control Sp 100g
Rexona Men Quantum Ms
Atribut
JOYKO JK-101 TIPP EX
Booleanize Data transaksi penjualan Altah Indah Mart kemudian dikonversikan kedalam bentuk boolean .
dimana 1 adalah jika barang dibeli dan 0 jika PROSIDING SEMMAU 2021 barang tidak dibeli.
Hasil proses konversi data transaksi penjualan terlihat seperti pada gambar 4.
Tabel 4.
Boolean data transaksi penjualan pada Altah Indah Mart tahun 2020 A b c A pd Setelah data diubah kedalam bentuk boolean selanjutnya menentukan data set berdasarkan Data yang diurutkan berdasarkan proirity seperti pada table 5.
Tabel 5 Data diurutkan berdasarkan priority Item
Atribut Jumlah REXONA WOMEN
FREE SPIRIT 9G
KACANG BAWANG
FLORIDINA 360ML
JOYKO JK-101 TIPP
mengetahui kuatnya hubungan frequent item set pada data transaksi.
Perhitungan nilai confidence menggunakan rumus .
Setelah nilai confidence ditenukan selanjutnya masing-masing frequent item set dihitung nilai confidence-nya sehingga muncul aturan-aturan asosiasi.
Kasil akhir aturan asosiasi yang muncul dari transaksi berdasarkan nilai minimum support dan minimum confidence yang ditentukan merupakan aturan terbaik dari transaksi yang ada, dengan kata lain pola frekuensi tinggi yang terbaik.
HASIL DAN PEMBAHASAN
Pada bab ini akan digambarkan dan dijelaskan bagaimana proses menganalisis penjualan atau implementasi sistem ini.
Dengan adanya aplikasi ini, pelaku bisnis dapat menganalisis pola pembelian konsumen berdasarkan data transaksi yang ada.
Antarmuka Sistem Antarmuka merupakan media penghubung antar sistem dan pengguna.
Pengoperasian sistem akan dimulai pada halaman antarmuka sistem ini, sehingga memudahkan pengguna untuk menggunakan aplikasi ini.
Berikut adalah tampulan antarmuka analisis penjualan pada Altah Indah Mart menggunakan Frequent Pattern Growth Algorithm.
FP-Growth Algorithm Setelah data transaksi diubah kedalam bentuk Boolean yaitu tahap pembangkitan conditional pattern base dan tahap pencarian frequent itemset.
Pada tahap ini akan dicari kombinasi item untuk memenuhi minimum support dengan menggunakan menggunakan rumus .
, setelah itu dibuat percobaan dengan nilai minimum support yang ditentukan setelah minimum support ditentukan, selanjutnya mencari nilai support minimm dari masing-masing item berdasarkan ketentuan minimum support, maka item yang memiliki nilai support kurang dari minimum support akan Item yang memiliki minimum support sama dengan atau lebih dari minimum support kemudian dilakukan kombinasi item menjadi frequent 2-item set.
Dalam pencarian nilai support frequent 2-item set, batasan nilai minimum support maih sama dengan frequent 1-item set.
Untuk memenuhi minimum support maka menggunakan rumus .
dan item yang memiliki nilai support dibawah minimum support tetap dihilangkan, begitu seterusnya untuk mencari nilai support berdasarkan minimum support.
Setelah mengetahui minimum support dari masing-masing frequent item set maka selanjutnya akan ditentukan minimum confidence untuk Gambar 5.
Halaman Tampulan Awal Halaman Tampilan Lokasi Pengambilan File Data Tampilan lokasi file adalah tampilan yang digunakan untuk menyimpan file data yang akan di ambil.
Untuk membuka lokasi file maka akan diklik browse.
Kemudian data akan Gambar tampilan lokasi file data dapat dlihat pada Gambar .
PROSIDING SEMMAU 2021
dari transaksi yang ada, dengan kata lain pola frekuensi tinggi yang terbaik.
Gambar 6.
Halaman Lokasi File Data Tampilan awal adalah tampilan hasil data awal dengan data yang sudah di ambil dari data awal yang akan proses ke tahap selanjutnya untuk mencari hasil analisis data.
Halaman tampulan awal data dapat dilihat pada Gambar 5.
Halaman untuk menyimpan hasil Halaman tampilan menyimpan hasil analisis adalah halaman yang digunakan untuk menyimpan hasil analisis yang terlah di Hasil tampilan menyimpan hasil analisis ditampilkan pada form simpan data, halaman tampilan menyimpan hasil analisis dapat dilihat pada Gambar.
Gambar 7.
Halaman tampilan input criteria Halaman tampilan input criteria adalah halaman yang digunakan untuk menampilkan hasil dari tahap proses menentukan nilai Minimu Confidence dan Minimum Support yang akan di analisi untuk menampilkan hasil aturan asosiasi yang muncul dari transaksi.
Hasil tampilan input criteria akan ditampilkan pada criteria %, halaman tampilan input criteria dapat dilihat pada Gambar A.
Gambar 8.
Halaman Tampilan Saat Running Program Halaman tampilan hasil akan menampilkan hasil akhir dari analisi.
Hasil aturan asosiasi yang muncul dari transaksi berdasarkan nilai minimum support dan minimum confidence yang ditentukan merupakan aturan terbaik Gambar 10.
Halaman Penyimpanan Hasil Analisis Pengujian Sistem Data transaksi penjualan yang diambil dari database penjualan Altah Indah Mart adalah 605 transaksi.
Dari data yang ada diambil 677 transaksi sebagai sample seperti terlihat pada tabel 2, kemudian data yang ada diubah kedalam bentuk boolean.
Proses Algoritma FP-Growth Pada tahap ini data yang telah terkumpul diolah kemudian data yang digunakan untuk proses Algoritma FP-Growth yaitu data transaksi pada tabel 2.
Dalam percobaan perhitungan ini menggunakan 50 data sebagai Analisis Pola Frekuensi Tinggi Tahap ini mencari item yang memenuhi syarat
dari nilai minimum support dalam basis data
PROSIDING SEMMAU 2021
yang ada.
Salah satu contoh pencarian nilai minimum support item adalah sebagai berikut:
Support .
= 50 x 100% = 50% Untuk hasil perhitungan nilai support transaksi penjualan yang lebih jelas dapat dilihat pada tabel 14:
Tabel 15.
Daftar Nilai Support item transaksi
Item
Jumlah Support
25 You C1000
Vit Orange Floridina
Softies Masker
Earloop 3
Ply 5unit
You C1000 11
Vit Orange Water
Pepsodent Xonce Vit
C 2 Tablet
Cap Kaki 3
Jambu Biji
Hemaviton
C1000
330ml Klg You C1000 2 Water Lemon Daia Lemon 1 Tabel 16.
Daftar nilai support 1 item set calon kombinasi 2 item set.
Item
Jumlah Support
You C1000 25
Vit Orange Floridina
Softies Masker
Earloop 3
Ply 5unit
You C1000 11
Vit Orange Water
Pepsodent Xonce Vit
C 2 Tablet
Cap Kaki 3
Jambu Biji
Hemaviton
C1000
330ml Klg Pembentukan Pola Kombinasi Dua Item Pembentukan pola frekuensi dua item dibentuk dari item yang memenuhi minimum support yaitu cara mengkombinasi semua item kedalam dua kombinasi item.
Berikut ini merupakan penyelesaian perhitungan support kombinasi dua item set dengan jumlah minimum support 5%.
Salah satu contoh mencari nilai support kombinasi item adalah sebagai berikut:
Support .
loridina & UC 1.
= x 100% = Hasil pembentukan pola kombinasi dua itemset Tabel 17.
Nilai support kombinasi 2
Item
Jumlah Support
You C1000 3
Vit Orange Water
Floridina
You C1000 3
Vit Orange Water
You C1000
Vit Orange You C1000 3
Vit Orange Water
Softies Masker
Earloop 3
Ply 5unit
Softies Masker
Earloop 3
Ply 5unit & You C1000
Vit Orange Softies Masker
Earloop 3
PROSIDING SEMMAU 2021
Ply 5unit & You C1000
Vit Orange Water
You C1000
Vit Orange Water
Cap Kaki 3
Jambu Biji
Xonce Vit
C 2 Tablet
& Cap Kaki
3 Jambu
Biji 320ml
Hemaviton
C1000
330ml Klg & Softies Masker Earloop 3 Ply 5unit Pepsodent 120g & Cap Kaki 3 Jambu Biji Pembentukan Pola Aturan Asosiasi Setelah semua pola frekuensi tinggi ditemukan, baru dicari aturan sosiasi yang memenuhi syarat minimum untuk confidence dengan menghitung confidence A ke B.
Salah satu cara mencari nilai confidence kombinasi dua item adalah sebagai berikut:
Confidence (You C1000 Vit Orange Water 500ml & Pepsodent 120G) = 11 x 100% = 9,09% Confidence (Pepsodent 120g & You C1000 Vit Orange Water 500m.
= 8 x 100% = 12,5% Berikut ini hasil pembentukan pola asosiasi dapat dilihat pada tabel 17:
Tabel 18.
Daftar nilai confidence kombinasi dua item Kombinasi Confidence dua item Softies Masker Earloop 3 Ply 5unit & You C1000 Vit Orange Softies 10/20 Masker Earloop 3 Ply 5unit & You C1000 Vit Orange Water Xonce Vit C 4/5 57,14% 2 Tablet & Cap Kaki 3 Jambu Biji Pepsodent 120g & Cap Kaki 3 Jambu Biji Ini Adalah Aturan Yang Dihasilkan Tabel 19.
Hasil Association Rule
Antecendent Supp Confide And Consequent Jika Maka Softies You Masker C100
Earloop 0 Vit
3 Ply Oran
Softies You Masker C100
Earloop 0 Vit
3 Ply Oran
Wate
Xonce Cap
57,14%
Vit C 2 Kaki
Tablet
Jamb
u Biji
Pepsod Cap
Kaki
120g & 3
Cap
Jamb
Kaki 3
u Biji
Jambu
Biji
PROSIDING SEMMAU 2021
Berikut adalah penjelasan dari rule ue Jika membeli Softies Masker Earloop 3 Ply 5unit maka akan membeli You C1000 Vit Orange 140ml dengan tingkat didukung 6% dari data ue Jika membeli Softies Masker Earloop 3 Ply 5unit maka membeli You C1000 Vit Orange Water 500ml dengan tingkat kepercayaan 20% dan didukung 50% dari data ue Jika membeli Xonce Vit C 2 Tablet maka akan membeli Cap Kaki 3 Jambu Biji 320ml dengan tingkat kepercayaan 8% dan didukung 57,14% dari data keseluruhan.
ue Jika membeli Pepsodent 120g Pepsodent 120g membeli Cap Kaki 3 Jambu Biji 320ml dengan tingkat Implementasi FP-Growth Implementasi aplikasi analisis penjualan pada Altah Indah Mart menggunakan FP-Growth Algorithm pembangkitan conditional pattern dase berdasarkan support dan convidence terlihat pada tabel 19:
Tabel 20.
Sourcode Sistem FP-Growth(Tree, ) For each .
in the header of Tre.
do { e := ai U generate ( with support =ai.
support = ai.
Construct Aos conditional base pattern and Aos conditional FPTree If Tree O0 Then call FP-Growth(Tree.
Initially call:
FP-Growth(Tree, nul.
KESIMPULAN Dari perhitungan diatas dapat jijelaskan bahwa untuk mendapatkan hasil analisis terbaik menggunakan FP-Growth Algorithm
maka dihitung berdasarkan nilai minimum
support dan minimum confidence sistem akan menampilkan hasil hasil atau rule assosiasi
DAFTAR PUSTAKA