PENERAPAN DATA MINING PADA PENJUALAN
TANAoS BAKERY MENGGUNAKAN ALGORITMA APRIORI Desak Made Dwi Utami Putra.
Setio Budiono .
Program Studi Teknik Informatika.
STMIK STIKOM Indonesia.
Bali.
utami@stiki-indonesia.
setiobudiono1992@gmail.
ABSTRACT
PT.
Tan's Bakery is a manufacture company of food that provides a variety of bread products (Baker.
and cakes (Pastr.
to supply the needs of Hotels.
Villas, and Restaurants in Bali in There are a lot of products that are produced and offered to its customers ranging from European bakery products to international-standard pastry products, frequent daily activities at PT.
Tan's Bakery among others, order receipt, product manufacturing instructions, product stock provision, procurement raw materials, customer additions, etc.
In this study developed data mining analysis system using a priori algorithm is expected to give solution because by applying data analysis using a priori algorithm at Tan's Bakery can generate useful information for company, in analyzing sales transaction besides saving time, high, from the results of testing conducted obtained the results of the developed system is running as expected.
Keywords: Tan's Bakery.
Apriori.
Data Mining.
Support & Confident.
ABSTRAK
PT.
TanAos Bakery merupakan suatu perusahaan yang bergerak dalam bidang pembuatan makanan yang menyediakan berbagai produk roti (Baker.
dan kue (Pastr.
untuk menyuplai kebutuhan Hotel.
Villa, dan Restoran yang ada di Bali khususnya.
Ada banyak sekali produkproduk yang diproduksi dan ditawarkan ke pelanggannya mulai dari produk bakery Eropa hingga produk pastry yang bertaraf International, kegiatan yang sering dilakukan setiap hari pada PT.
TanAos Bakery diantara lain, penerimaan pesanan, intruksi pembuatan produk, penyediaan stok produk, pengadaan bahan baku, penambahan pelanggan,dll.
Pada penelittian ini dikembangkan sistem analisis data mining menggunkan algoritma apriori diharapkan dapat memeberikan solusi karena dengan menerapkan analisis data nining menggunkan algoritma apriori pada TanAos Bakery dapat menghasilkan informasi yang berguna bagi perusahaan, dalam menganalisis transaksi penjualan selain menghemat waktu, tingkat keakuratan informasi yang dihasilkan menjadi lebih tinggi, dari hasil pengujian yang dilakukan didapat hasil sistem yang dikembangkan sudah berjalan sesuai dengan yang diharapkan.
Kata Kunci: TanAos Bakery.
Apriori.
Data Mining.
Support & Confident.
hingga produk pastry yang bertaraf International, kegiatan yang sering dilakukan setiap hari pada PT.
TanAos Bakery diantara lain, penerimaan pesanan, intruksi pembuatan produk, penyediaan stok produk, pengadaan bahan baku, penambahan pelanggan,dll.
Berdasarkan hasil wawancara dengan bapak Endik Purwanto selaku operasional supervisor PT TanAos Bakery, dari awal berdiri perusahaan ini telah menggunakan sistem
PENDAHULUAN
PT.
TanAos Bakery merupakan suatu perusahaan yang bergerak dalam bidang pembuatan makanan yang menyediakan berbagai produk roti (Baker.
dan kue (Pastr.
untuk menyuplai kebutuhan Hotel.
Villa, dan Restoran yang ada di Bali Ada banyak sekali produk-produk yang diproduksi dan ditawarkan ke pelanggannya mulai dari produk bakery Eropa 165 Jurnal Teknologi Informasi dan Komputer.
Volume 3.
Nomor 2.
Oktober 2017 informasi berbasis komputer untuk menangani point of sale (POS) dan inventory , yang hingga kini telah mencatat lebih dari 125 item barang dan 3250 lebih transaksi penjualan.
Sistem informasi yang digunakan oleh perusahaan ini belum dapat memberi informasi tentang kebiasaan berbelanja pelanggan, sistem tidak dapat memberi informasi hubungan antar item yang dibeli oleh pelanggan.
Sehingga sering terjadi kekosongan salah satu stok barang yang sering dibeli secara bersamaan dengan barang lain oleh pelanggan.
Penggunaan metode manual dalam menganalisis kebiasaan belanja pelanggan sangat sulit dilakukan, karena perkembangan data yang semakin pesat.
Hal ini disebabkan karena data transaksi penjualan yang terus bertambah biasanya hanya digunakan sebagai arsip untuk data-data kegiatan TanAos Bakery, baik itu tentang data pemesanan bahan baku, data produksi,data penjualan produk TanAos Bakery, gaji .
TanAos Bakery.
Sehingga terjadi penumpukan data yang tidak diketahui apa manfaatnya.
Pada dasarnya kumpulan data tersebut memiliki informasi-informasi yng bermanfaat, yang bisa digunakan untuk mengambil suatu pengetahuan yang baru .
, yang berguna untuk peningkatan kemajuan perusahaan, seperti peningkatan penjualan produk, penentuan produk yang akan diproduksi terlebih dahulu, promosi dll.
Penerapan data mining dapat membantu untuk menganalisa data yang diperoleh dari transaksi pada sistem penjualan, sehingga dapat menggali pola-pola kebiasaan belanja pelanggan di perusahaan TanAos Bakery .
Pada penelitian sebelumnya Syaifullah Muhammad Afif .
, pada analisis sistem menyimpulkan teknik Data mining dengan algoritma apriori dapat di implementasikan pada sistem penjualan, dengan aplikasi yang berbasis teknologi informasi dihasilkan sebuah metode yang bisa meningkatkan penjualan dengan cara memberikan saran kepada konsumen,dan keterkaitan suatu barang yang dibeli oleh konsumen bisa dihitung dengan teknik algoritma apriori.
Serta pada penelitian Gunadi .
, menemukan sejumlah aturan asosiasi dari basis data transaksi penjualan produk buku di percetakan PT.
Gramedia dan dapat digunakan sebagai pertimbangan dalam pembuatan strategi pemasaran dan penjualan.
Data mining merupakan bidang dari beberapa bidang keilmuan yang menyatukan teknik dari mesin,pengolahan pola, statistik, database, dan visualisasi untuk informasi dari database yang besar.
Hubungan yang dicari dalam data mining dapat berupa hubungan antara dua atau lebih dalam satu dimensi.
Misalnya dalam dimensi produk dapat melihat keterkaitan pembelian suatu produk dengan produk yang lain.
Selain itu, hubungan juga dapat dilihat antara dua atau lebih atribut dan dua atau lebih objek.
Algoritma apriori termasuk jenis aturan asosiasi pada data mining, algoritma apriori yang bertujuan untuk menemukan frequent item sets dijalankan pada sekumpulan data.
Analisis apriori di definisikan suatu proses untuk menemukan semua aturan apriori yang memenuhi syarat minimum untuk support dan syarat minimum untuk confidence.
Oleh karena itu dalam penelitian ini dicoba untuk menyelesaikan permasalahan yang ada di PT.
TanAos Bakery dengan memanfaatkan salah satu jenis data yang ada yaitu data penjualan, dengan menggunakan salah satu teknik yang digunakan dalam menggunakan metode algoritma Apriori yang merupakan salah satu teknik dalam data Hal ini bertujuan agar nantinya dengan menggunakan teknik ini dapat dihasilkan informasi baru seperti pengetahuan tingkat kecenderungan atau kebiasaan pelanggan dalam membeli barang-barang secara bersamaan, menentukan tata letak barang, dan menentukan antrian produkproduk yang akan diproduksi lebih dulu, yang operational perusahaan serta sebagai referensi para sales atau marketing TanAos Bakery untuk meningkatkan keuntungan perusahaan.
TINJAUAN PUSTAKA
Data Mining Data mining adalah salah satu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database.
Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengektraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar (Turban,dkk, 2.
Menurut Gartner Group data minig adalah suatu proses menemukan hubungan yang berarti, pola, dan kecenderungan dengan Putra.
Budiono.
Penerapan Data Mining Pada Penjualan TanAos Bakery.
memeriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan seperti teknik statistik dan matematika (Larose.
Pengelompokan Data Mining Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat dilakukan, yaitu (Larose, 2.
Deskripsi Terkadang peneliti dan analisis secara sederhana ingin mencoba mencari cara untuk menggambarkan pola dan kecenderungan yang terdapat dalam data.
Sebagai contoh, petugas pengumpulan suara mungkin tidak dapat menemukan keterangan atau fakta bahwa siapa yang tidak cukup professional akan sedikit didukung dalam pemilihan Deskripsi kemungkinan penjelasan untuk suatu pola atau kecenderungan.
Estimasi Hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih ke arah numeric daripada ke arah kategori.
Model dibangun menggunakan record lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi.
Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel target dibuat berdasar nilai variabel prediksi.
Sebagai contoh, akan dilakukan estimasi tekanan darah sistolik pada pasien rumah sakit berdasarkan umur pasien, jenis kelamin, indeks berat badan, dan level sodium darah.
Hubungan antara tekanan darah sistolik dan nilai variabel prediksi dalam proses pembelajaran akan menghasilkan model Model estimasi yang dihasilkan dapat digunakan untuk kasus baru lainnya.
Contoh lain yaitu estimasi nilai indeks prestasi kumulatif mahasiswa program pascasarjana dengan melihat nilai indeks prestasi mahasiswa tersebut pada saat mengikuti program sarjana.
Prediksi Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam prediksi nilai dari hasil akan ada di masa mendatang.
Contoh prediksi dalam bisnis dan penelitian Prediksi harga beras dalam tiga bulan yang akan datang.
Prediksi persentase kenaikan kecelakaan lalu lintas tahun depan jika batas bawah kecepatan dinaikan.
Beberapa metode dan teknik yang digunakan dalam klasifikasi dan estimasi dapat pula digunakan .
ntuk keadaan yang tepa.
untuk Klasifikasi Dalam klasifikasi, terdapat target variabel Sebagai contoh, penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan tinggi, pendapatan sedang, dan pendapatan rendah .
Contoh lain klasifikasi dalam bisnis dan penelitian adalah :
Menentukan apakah suatu transaksi kartu kredit merupakan transaksi yang curang atau bukan.
Memperkirakan apakah suatu pengajuan hipotek oleh nasabah merupakan suatu kredit yang baik atau buruk.
Mendiagnosis penyakit seorang pasien untuk mendapatkan termasuk kategori penyakit apa.
Klaster Klaster record, pengamatan, atau memperhatikan dan membentuk kelas objek-objek yang memiliki Klaster adalah kumpulan record yang memiliki kemiripan satu dengan yang lainnya dan memiliki ketidakmiripan dengan record-record dalam klaster lain.
Klaster berbeda dengan klasifikasi yaitu tidak adanya variabel target dalam klaster.
Klaster tidak mencoba untuk melakukan klasifikasi, mengestimasi, atau memprediksi nilai dari variabel target.
Akan tetapi, algoritma klaster mencoba untuk melakukan pembagian terhadap keseluruhan data menjadi kelompok-kelompok kemiripan .
, yang mana kemiripan record dalam satu kelompok akan bernilai maksimal, sedangkan kemiripan dengan record dalam kelompok lain akan bernilai Contoh klaster dalam bisnis dan penelitian adalah :
Mendapat kelompok-kelompok konsumen untuk target pemasaran dari suatu produk bagi perusahaan yang tidak memiliki dana pemasaran yang besar.
Untuk tujuan audit akunTanAosi, yaitu melakukan pemisahan terhadap perilaku finansial dalam baik dan mencurigakan.
Melakukan klaster terhadap ekspresi dari gen, untuk mendapatkan kemiripan perilaku dari gen dalam jumlah besar.
Asosiasi Tugas Asosiasi dalam data mining adalah menentukan atribut yang muncul 167 Jurnal Teknologi Informasi dan Komputer.
Volume 3.
Nomor 2.
Oktober 2017 dalam satu waktu.
Dalam dunia bisnis lebih umum disebut Data Analisis.
Contoh asosiasi dalam bisnis dan penelitian Meneliti perusahaan telekomunikasi seluler yang diharapkan untuk memberikan respon positif terhadap penawaran upgrade layanan yang diberikan.
Menemukan barang dalam supermarket yang dibeli secara bersamaan dan barang yang tidak pernah dibeli secara Analisis Asosiasi Association Rule Mining Menurut Kusrini dan Luthfi .
AuAnalisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan asosiatif antara suatu kombinasi itemAy.
Contoh aturan asosiatif dari analisis pembelian di suatu pasar swalayan adalah dapat diketahuinya berapa besar kemungkinan seorang pelanggan membeli Toast white bersamaan dengan Burger.
Dengan pengetahuan tersebut, pemilik pasar swalayan dapat mengatur penempatan barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon untuk kombinasi barang tertentu.
Aturan asosiasi .
ssociation rule.
atau analisis afinitas .
ffinity analysi.
berkenaan dengan studi tentang Auapa bersama apaAy.
Ini bisa berupa studi transaksi di supermarket, misalnya seseorang yang membeli Burger bayi juga membeli sabun mandi.
Disini berarti Burger bayi bersama dengan sabun mandi.
Karena awalnya berasal dari studi tentang menentukan kebiasaan suatu produk dibeli bersama produk apa, maka aturan asosiasi juga sering dinamakan market basket analysis (Santosa, 2.
Market basket analysis (Data Analisi.
adalah suatu metodelogi untuk melakukan analisis pola belanja konsumen dengan menemukan asosiasi antar beberapa item yang berbeda, yang diletakkan konsumen dalam shopping basket yang dibeli pada suatu transaksi tertentu.
Tujuan dari market basket adalah untuk mengetahui produk-produk mana yang mungkin akan dibeli secara Analisis data transaksi dapat menghasilkan pola pembelian produk yang sering terjadi.
Informasi ini dapat digunakan bagi para penjual dalam mengembangkan strategi dan pengambilan keputusan dengan melihat beberapa item mana saja yang sering dibeli secara bersamaan oleh konsumen, misalnya dalam pengaturan peletakan produk di toko, produk yang sering dibeli secara bersamaan diletakan secara berdekatan.
ini telah digunakan oleh banyak toko grosir maupun retail (Olson.
Young, 2.
Analisis asosiasi didefinisikan suatu proses untuk menemukan semua aturan asosiasi yang memenuhi syarat minimum untuk support .
inimum suppor.
dan syarat minimum untuk confidence .
inimum Support .
ilai penunjan.
adalah persentase kombinasi item tersebut tersebut dalam database, sedangkan confidence .
ilai kepastia.
adalah kuatnya hubungan antaritem dalam aturan asosiasi (Kusrini & Luthfi.
Salah satu contoh bentuk aturan asosiasi sebagai berikut (Handojo, 2.
Toast white -> keju .
upport = 2%, confidence = 60%] Seorang konsumen yang membeli Toast white punya kemungkinan 60% untuk juga membeli keju.
Aturan ini cukup signifikan karena mewakili 2 % dari catatan transaksi selama ini.
Menurut Kusrini & Luthfi .
Metodologi dasar analisis asosiasi terbagi menjadi dua Analisis Pola Frekuensi Tinggi Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database.
Nilai support sebuah Item diperoleh dengan rumus berikut.
Support (A)= Sementara itu, nilai support dari 2 item diperoleh dari rumus 2 berikut.
Support(A,B) = P(A O B) Support(A,B) = Oc Oc Berikut merupakan contoh data transaksi sederhana yang ditunjukkan pada Table 2.
dibawah ini.
Tabel 2.
1 Data Transaksi Transaksi Item yang dibeli Burger.
Baguette.
Sourdough Baguette.
Sourdough.
Toast Baguette.
Sourdough Burger.
Toast white Burger.
Sourdough.
Toast Putra.
Budiono.
Penerapan Data Mining Pada Penjualan TanAos Bakery.
Baguette.
Sourdough Sourdough.
Long bread.
Burger Sourdough,Long bread,Burger Burger.
Toast white.
Long Sourdough,Baguette,Long Sebagai contoh, ada database dari transaksi belanja pasar swalayan seperti ditunjukan dalam Tabel 2.
Data pada Tabel 2.
1 dalam database transaksional biasa direpresentasikan seperti Tabel 2.
2 dibawah ini.
Tabel 2.
Representasi Data Transaksi dalam Database Transaksional Transaksi Transaksi Item yang dibeli Burger Baguette Sourdough Baguette Sourdough Toast white Baguette Sourdough Item yang dibeli Burger Toast white Burger Sourdough Toast white Baguette Sourdough Sourdough Long bread Burger Sourdough Long bread Burger Burger Toast white Long bread Sourdough Baguette Long bread Dan bila kita bentuk dalam bentuk tabular, data transaksi akan tampak seperti Tabel 2.
Tabel 2.
3 Format Tabular Data Transaksi Transa Toa Sourdo Lon Burg Bague Jumla Misalkan D adalah himpunan transaksi yang dipresentasikan dalam Tabel 2.
dimana setiap transaksi T dalam D merepresentasikan himpunan item yang berada dalam I.
I adalah himpunan item yang dijual {Baguette.
Sourdough.
Long bread.
Burger.
Toast whit.
Misalkan kita memiliki himpunan item A misal (Burger dan Sourdoug.
dan himpunan item lain B .
isal Long brea.
Kemudian aturan asosiasi akan Jika A, maka B (A->B) Dimana antecedent A dan consequent B merupakan subset dari I, dan A dan B merupakan mutually exclusive dimana aturan :
Jika A.
Maka B Tidak berarti :
Jika B, maka A.
Definisi ini tidak berlaku untuk aturan trivial seperti :
Jika beans dan Squash, maka beans Seorang analisis mungkin hanya akan mengambil aturan yang memiliki support dan/atau confidence yang tinggi.
Aturan yang kuat adalah aturan-aturan yang melebihi dan/atau Misalnya menginginkan aturan yang memiliki support lebih dari 20% dan confidence lebih dari 35%.
Sebuah itemset adalah himpunan itemitem yang ada dalam I, dan k-itemset adalah itemset yang berisi k item.
Misalnya {Baguette.
Sourdoug.
adalah sebuah 2itemset dan {Baguette.
Sourdough.
Toast whit.
merupakan 3-itemset.
Frequent Itemset menunjukkan itemset yang memiliki frekuensi kemunculan lebih dari nilai minimum yang telah ditentukan .
Misalkan i = 2, maka semua itemset yang frekuensi kemunculannya lebih dari atau sama dengan 2 kali disebut frequent.
Himpunan dari frequent k-itemset dilambangkan dengan Fk.
Tabel 2.
4 berikut ini menunjukan calon 2-itemset dari data transaksi pada Tabel 2.
169 Jurnal Teknologi Informasi dan Komputer.
Volume 3.
Nomor 2.
Oktober 2017 Dari F3 yang telah ditemukan, dapat dilihat besarnya nilai support dan confidence dari calon aturan asosiasi seperti tampak pada Tabel 2.
Tabel 2.
4 Calon 2-itemset Kombinasi Toast white.
Sourdough Toast white.
Long bread Toast white.
Burger Toast white.
Baguette Sourdough.
Long bread Sourdough.
Burger Sourdough.
Baguette Kombinasi Long bread.
Burger Long bread.
Baguette Burger.
Baguette Jumlah Jumlah Tabel 2.
6 Calon Aturan Asosiasi dari F3 Dari data tersebut di atas jika ditetapkan nilai i = 2, maka :
F2 = {{Toast white.
Sourdoug.
, {Sourdough.
Long brea.
, {Sourdough.
Burge.
, {Sourdough.
Baguett.
, {Long bread.
Burge.
, {Burger.
Bagutt.
} Tabel 2.
5 Calon 3-itemset Kombinasi Jumlah Toast white.
Sourdough, 1 Long bread Toast white.
Sourdough, 1 Burger Sourdough.
Burger.
Long 2 Sourdough.
Burger, 1 Baguette Sourdough.
Long bread, 0 Baguette Long bread.
Burger, 1 Baguette Kombinasi dari itemset dalam F2 dapat kita gabungkan menjadi calon 3-itemset.
Itemset-itemset dari F2 yang dapat digabungkan adalah itemset-itemset yang memiliki kesamaan dalam k-1 item pertama.
Calon 3-itemset yang dapat dibentuk dari F2 tampak pada tabel 2.
Dengan demikian F3 = {{Sourdough.
Burger.
Long brea.
}, karena hanya kombinasi inilah yang memiliki frekuensi kemunculan >= i.
Pembentukan Aturan Asosiasi Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan asosiatif A-> B.
Nilai confidence dari aturan A-> B diperoleh dari rumus berikut.
Confidence Oc
=P(B|A)
Aturan Confidence Jika membeli Sourdough 2/4 dan Burger, maka akan membeli Long bread.
Jika membeli Sourdough 2/3 dan Long bread, maka akan membeli Burger Jika membeli Long bread 2/3 dan Burger, maka akan membeli Sourdough Misalkan ditetapkan nilai confidence minimal adalah 60%, maka aturan yang bisa terbentuk adalah aturan dengan dua antecedent berikut.
Jika membeli Sourdough dan Long bread, maka akan membeli Burger.
Jika membeli Long bread dan Burger, maka akan membeli Sourdough.
Calon aturan asosiasi dari F2 bisa dilihat pada Tabel 2.
Tabel 2.
Aturan Asosiasi Aturan Confidence Jika membeli Teh, maka 5/5 akan membeli gula.
Jika membeli gula, maka 5/8 akan membeli teh.
Jika membeli gula, maka 3/8 akan membeli kopi.
Jika membeli kopi, maka A akan membeli gula.
Jika membeli gula, maka 4/8 akan membeli susu.
Jika membeli susu, maka 4/6 akan membeli gula.
Jika membeli gula, maka 2/8 akan membeli roti.
Jika membeli roti, maka 2/4 akan membeli gula.
Jika membeli kopi, maka A akan membeli susu.
Jika membeli susu, maka 3/6 akan membeli kopi.
Jika membeli susu, maka 3/6 akan membeli roti.
Jika membeli roti, maka A akan membeli susu.
Putra.
Budiono.
Penerapan Data Mining Pada Penjualan TanAos Bakery.
Algoritma Apriori Menurut Moertini dan Marsela .
Apriori adalah suatu algoritma yang sudah sangat dikenal dalam melakukan pencarian frequent itemset dengan menggunakan teknik association rule.
Menurut Han dan Kamber .
Algoritma Apriori adalah algoritma analisis keranjang pasar yang digunakan untuk menghasilkan aturan asosiasi, dengan pola AuifthenAy.
Algoritma Apriori menggunakan pendekatan iteratif yang dikenal dengan levelwise search, dimana k-kelompok produk digunakan untuk mengeksplorasi .
kelompok produk atau .
-itemset.
Menurut Han dan Kamber .
Algoritma Apriori menggunakan knowledge mengenai frequent itemset yang telah diketahui sebelumnya, untuk memproses informasi selanjutnya.
Pada Algoritma Aprioriuntuk menentukan kandidat-kandidat yang mungkin muncul dengan cara memperhatikan minimum support.
Adapun dua proses utama yang dilakukan dalam Algoritma Apriori, yaitu :
Join .
Pada proses ini setiap item dikombinasikan dengan item yang lainnya sampai tidak terbentuk kombinasi lagi.
Prune .
Pada proses ini, hasil dari item yang telah dikombinasikan tadi lalu dipangkas dengan menggunakan minimum support yang telah ditentukan oleh user.
Dua proses utama tersebut merupakan langkah yang akan dilakukan untuk mendapat frequent itemset, yang dapat dilihat pada Gambar 2.
3 berikut ini.
Input :
D, a databaseof a transactions.
Min_support, the minimum support count Output : L, frequent itemsets in D Method :
L1 =find_frequent_1_itemsets(D).
= 2.
Lk-1 O ,k | | ){ Ck = Apriori_gen(L1-.
for aeach transaction t D { //scan D for counts Ct = subset(Ck,.
//get the subsets of t that are candidates for each candidate c A Ct count | |.
Lk = .
Ck | c.
counts Ou min_su.
Return L = kLk .
Berikut ini adalah flowchart dari algoritma Apriori yang diterangkan pada Gambar 2.
dibawah ini Mulai MinSupport Generate Ck (Kandidat k-itemse.
(Join -Ste.
For each Ck For each Transaksi Count Support Ck Tidak End Of Transaksi Tidak Support Ck >= MinSupport (Prune-Ste.
Tambahkan Ck pada kItemset Tidak End Of Ck k .
itemset = null Selesai Itemset Gambar 1.
Flowchart Algoritma Apriori Awal dari proses pencarian pola frekuensi tinggi .
requent pattern minin.
dengan Algoritma Apriori adalah dengan memasukan nilai minimum support, misalnya 20 .
alam bentuk perse.
Kemudian dilakukan proses penggabungan .
oin ste.
yaitu menggabungkan setiap barang menjadi kandidat k-itemset, misalnya jika k= 2, maka dilakukan penggabungan 2 barang untuk 2-itemset.
Setelah dilakukan proses penggabungan, selanjutnya dilakukan perulangan untuk mencari nilai support dari masing-masing kandidat pada transaksi yang telah terjadi.
Nilai support yang ditemukan kemudian diuji pada proses pemangkasan .
rune-ste.
yaitu mencocokan nilai support terhadap minimum support yang telah ditentukan.
Jika nilai support kandidat sama atau melebihi nilai minimum support, maka kandidat tersebut ditambahkan pada tabel k-itemset .
Setelah semua kandidat kitemset selesai diuji, berikutnya nilai k ditambah dengan 1 untuk melanjutkan pencarian kandidat k 1-itemset.
Sebelum melanjutkan pencarian kandidat, dilakukan pengujian jumlah jumlah itemset sebelum kandidat baru .
, apabila itemset k-1 kosong maka proses pencarian berhenti, jika itemset k-1 tidak kosong maka dilanjutkan untuk mencari kandidat selanjutnya.
Tidak 171 Jurnal Teknologi Informasi dan Komputer.
Volume 3.
Nomor 2.
Oktober 2017
METODOLOGI PENELITIAN
Metode Pengumpulan Data Primer Wawancara Metode pengumpulan data yang dilakukan dengan cara langsung, yaitu menemui narasumber secara langsung dan melakukan tanya jawab terkait dengan permasalahan yang akan dibahas dalam laporan penelitian.
Wawancara dilakukan secara langsung kepada pihak TanAos Bakery yaitu Manager Opersional.
Wawancara bertujuan untuk mengetahui sistem penjualan yang digunakan di PT.
TanAos Bakery dan permasalahan yang sering menjadi kendala pada sistem yang digunakan Dari hasil wawancara diketahui.
Untuk itu metode wawancara ini dirangkum sebagai berikut :
Sistem apa yang digunakan pada PT.
TanAos Bakery dalam menjalankan operational setiap harinya ? Kenapa PT.
TanAos Bakery menggunakan sistem tersebut? Adakah suatu kemampuan khusus dalam sistem tersebut? Apa kelebihan dan kekurangan sistem tersebut? Observasi Metode observasi adalah teknik pengumpulan data dengan pengamatan dan pencatatan secara langsung melihat kondisi sebenarnya di TanAos Bakery.
Data yang digunakan berasal dari basis data penjualan produk TanAos Bakery.
Data yang akan dianalisis adalah sample data penjualan TanAos Bakery periode 2016 selama tiga hari dibulan Juni yaitu, tanggal 7,8,9 Juni 2016.
Metode Pengumpulan Data Sekunder Dalam pengumpulan data dengan metode sekunder, penulis menggunakan sebuah teknik, yaitu:
Studi Kepustakaan/Literatur Studi kepustakaan dilakukan dengan mencari segala informasi yang berkaitan dengan masalah yang dihadapi pada TanAos Bakery.
Seperti halnya dengan membaca buku-buku dan membuka website-website menyangkut masalah yang perlu di analisa.
Gambaran Umum Sistem Dibawah ini akan menjelaskan mengenai gambaran umum system yang akan dibuat yang dapat dilihat pada Gambar 3.
5 dibawah Gambar 2.
Gambaran Umum Sistem Use Case Diagram Aplikasi Data Analisis Use case diagram yang menggambarkan bagaimana orang-orang berinteraksi dengan Sebuah merepresentasikan sebuah interaksi antara aktor dengan sistem.
Use case adalah teknik untuk merekam persyaratan fungsional sebuah Use case mendeskripsikan interaksi tipikal antara para pengguna sistem dengan sistem itu sendiri, dengan , memberi sebuah narasi tentang bagaimana sistem tersebut digunakan .
owler, 2.
Berikut ini adalah use case diagram aplikasi Data Analisis.
Gambar 3.
Use Case Diagram Aplikasi Data Analisis Class Diagrams Aplikasi Data Analisis Class diagrams .
iagram kela.
merupakan kumpulan kelas-kelas objek.
Secara teknis.
Pender .
mengartikan sebuah kelas sebagai suatu definisi sumber daya yang termasuk di dalamnya informasiinformasi yang menggambarkan fitur suatu entitas dan bagaimana penggunaannya.
Sedangkan objek adalah entitas yang bersifat unik yang mengikuti aturan-aturan yang sudah didefinisikan dalam kelasnya.
Berikut ini adalah diagram kelas aplikasi Data Analisis :
Putra.
Budiono.
Penerapan Data Mining Pada Penjualan TanAos Bakery.
Gambar 5.
Form Log In Berbeda dengan form login pada umumnya, form login ini memiliki dua fungsi:
Admin: merupakan pengguna aplikasi yang dapat memiliki akses atau menggunakan aplikasi ini.
Enduser: merupakan pengguna aplikasi yang melakukan kegiatan analisis penjualan menggunkan aplikasi analisis data transaksi ini.
Gambar 4.
Class diagram Aplikasi keranjang Class Diagram Aplikasi Keranjang Belanja memiliki 14 kelas.
Kelas TblPengguna memiliki hubungan asosiasi .
ssociation relationshi.
dengan kelas TblJabatan, yaitu setiap pengguna hanya memiliki satu jabatan dan setiap jabatan dapat berada pada satu atau lebih data pengguna.
Kelas control Pengguna memiliki hubungan dependency ke kelas Tbl Pengguna.
Kelas control Mining memiliki TblAsosiasi.
TblItemSet, dan TblDM.
Kelas control Pengguna memiliki hubungan realization dengan kelas boundary LogIn, boundary Utama, boundary DataPengguna, boundary Pengguna, dan boundary Ubah Kata Sandi.
Kelas control Mining memiliki hubungan realization dengan kelas boundary Analisis, dan boundary HasilAnalisis.
IMPLEMENTASI
Form Log In Form Log In merupakan form yang pertama kali muncul ketika aplikasi Pada form ini pengguna memasukan kode pengguna dan kata sandi untuk dapat menggunakan aplikasi, untuk lebih jelasnya akan dapat dilihat pada Gambar 1 dibawah ini.
Form Ubah kata sandi Fasilitas ini berguna untuk mengubah kata sandi pengguna yang telah masuk ke Pengguna harus memasukan kata sandi lama, kata sandi baru , dan mengulang kata sandi baru lagi.
Untuk melanjutkan proses mengubah kata sandi dilanjutkan dengan menekan tombol ubah agar lebih jelas dapat dilihat pada Gambar 4.
3 dibawah ini.
Gambar 6.
Form Ubah Kata Sandi 173 Jurnal Teknologi Informasi dan Komputer.
Volume 3.
Nomor 2.
Oktober 2017 Form Analisis Data Adapun beberapa langkah-langkah untuk melakukan analisis keranjang belanja adalah sebagai berikut :
Gambar 8.
Tampilan Inputan Tanggal Dan Nilai Support Confident Gambar 7.
Form Awal Analisis Pada Gambar 7 form ini terdapat tiga tampilan jendela analisis:
1ItemSet merupakan lembar kerja yang menunjukkan analisis transaksi yang ada berdasarkan urutan jumlah transaksi barang terbanyak hingga terendah sebagai hasil laporan K-Item Set 1.
Item se.
saat dilakukannya proses analisis.
2Itemset merupakan bentukan atau gabungan antar 2 item set berdasarkan analisis transaksi k-item set 2 .
Item Se.
yang terbentuk yang menunjukkan keyakinan apabila 2 item set terbentuk saat dilakukannya analisis.
3ItemSet merupakan bentukan atau gabungan transaksi barang yang terbentuk dari hasil gabungan 3 Item set dari analisis k-item set 2 .
Item Se.
sebelumnya, yang bisa menjadi pemicu untuk membentuk laporanan yang menunjukkan seberapa besar pengaruh nilai nilai suport dan confidenya dalam membentuk kitemset 3 .
Item Se.
Untuk melanjutkan pengguna menekan tombol import file yang berbentuk dokumen excel kemudian memilih file yang akan dianalisis berdasarkan alamat directory dimana file tsb tersimpan, agar lebih jelasnya dapat diperhatikan pada Gambar 8 Pada form ini pengguna harus memasukan tanggal kegiatan transaksi yang akan dianalisis serta nilai minimum support dan Setelah memasukan kedua nilai tersebut kemudian untuk melanjutkan tekan tombol proses untuk menunjukkan hasil analisis data yang sedang di analisis, form anlisis akan tampak seperti Gambar 9 dibawah ini Gambar 9.
Hasil Pemrosesan Data Transaksi Form Hasil Laporan Analisis Data Transaksi Penjualan Setelah form hasil analisis berubah seperti pada Gambar 9 pada form tersebut juga dapat disesuaikan kembali nilai support dan confident sesuai keinginan.
Setelah puas dengan hasil analisis maka dapat dilakukan pencetakan hasil analisis yang memiliki tingkat hubungan antar barang 3 Item Set yang diinginkan.
Setelah tombol cetak ditekan maka hasil laporan analisis akan tercetak seperti Gambar 10 dibawah ini.
Putra.
Budiono.
Penerapan Data Mining Pada Penjualan TanAos Bakery.
Gambar 10.
Hasil Laporan Data
Transaksi
SIMPULAN
Berdasarkan penelitian yang dilakukan dengan merancang, membangun, menguji dan menganalisis, maka dapat diambil kesimpulan sebagai berikut:
A Dengan adanya penelitian ini, algoritma apriori pada proses analisis data mining terbukti dapat digunakan pada data penjualan produk TanAos Bakery sehingga dapat mengetahui hubungan pola frekuensi penjualan produk TanAos Bakery yang paling sering dibeli oleh konsumen melalui hasil A Dengan menggunakan teknik data terbukti dapat membantu informasi yang sangat penting seperti keterkaitan antar produk melalui nilai support suatu produk terhadap produk memberikan informasi ketergantungan suatu produk terhadap produk yang lain.
A Melalui analisis ini, kita dapat mengetahui Asosiasi Data tertinggi yang terbentuk dari analisis data maining penjualan produk TanAos Bakery yaitu:
Croissant Butter 30 gr.
Toast white slice 10 tipis, dan Toast Brown Slice 10 tipis dengan nilai support adalah 6 fk dan confident 100%.
DAFTAR PUSTAKA