Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 21-30
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Analisis Kombinasi itemset pada Bisnis Online dengan Teknik Asosiasi Data mining Muhammad Noor Hasan Siregar Universitas Graha Nusantara.
Padangsidimpuan.
Sumatera Utara - Indonesia siregar@gmail.
Abstract Online business is one of the industries that thrives on social media.
With business competition starting to grow a lot these days, businesses are setting up online businesses to boost sales.
One suggestion is to reduce the price on combination of items that are commonly purchased at the same Using the transaction data obtained through purchase, an association rule may be used to discover the rules for combinations of items.
The association process uses an a priori algorithm to access sales transaction data.
The positive results of this study can be used to produce the strategies in the development of online businesses.
Keywords : Combination Pattern Analysis.
Association Method.
A Priori Application.
Data Mining.
And Online Business.
Abstrak Bisnis online adalah salah satu bisnis yang berkembang di media social dan bisnis yang paling berkembang dimasa pandemi ini.
Persaingan bisnis masa kini mulai meningkat, khususnya dalam bisnis online, menurut para pengembang bisnis tersebut menentukan suatu strategi yang dapat meningkatkan penjualan.
Salah satu yang dapat dilakukan adalah memotong harga pada kombinasi barang yang sering dibeli secara bersamaan.
Dengan memanfaatkan data transaksi sebelumnya yang sering dibeli secara bersamaan, dapat digunakan association rule .
turan asosias.
, yaitu teknik data mining untuk menentukan aturan asosiasi suatu kombinasi item.
Proses asosias imenggunakan bantuan algoritma apriori untuk menghasilkan pola kombinasi item sebagai ilmu pengetahuan dari data transaksi penjualan.
Hasil penelitian ini berupa aplikasi untuk menganalisa pola, yang mana pola yang dihasilkan dapat dijadikan rekomendasi dalam menentukan strategi penjualan oleh pihak bisnis online.
Kata Kunci :analisa pola kombinasi, metode asosiasi, aplikasi apriori, data mining, dan bisnis online.
PENDAHULUAN
Persaingan bisnis masa kini mulai meningkat, khususnya dalam bisnis online.
Dikarenakan dunia saat ini sedang mengalami musibah sebuah penyakit yang menular, dengan begitu bisnis online adalah salah satu cara masyarakat dapat mencari uang tanpa harus keluar rumah.
Dalam bisnis online harus menggunakan strategi penjualan yang dapat menarik konsumen.
Dengan melihat kebutuhan konsumen manajemen harus bisa memutuskan kapan akan melakukan pre-order pembelian pada supplier.
Pentingnya system persediaan barang di suatu online shop yang harus distok untuk mengantisipasi kekosongan barang.
Salah satu strategi yang dapat dilakukan adalah memotong harga pada kombinasi barang yang sering dibeli secara bersamaan agar lebih menarik perhatian konsumen dan memberi promosi promosi.
Sistem yang dibutuhkan adalah sistem yang mendukung pengambilan keputusan, yang mana sistem dapat meningkatkan penjualan pada bisnis online dan memberikan saran untuk persediaan stok barang Analisis Kombinasi itemset pada Bisnis Online dengan Teknik Asosiasi Data mining (M.
Hasan Sirega.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 21-30
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik dari data transaksi dengan menggunakan aturan asosiasi berdasarkan algoritma
METODOLOGI PENELITIAN
Data Mining Data mining merupakan suatu metode pengolahan informasi tersembunyi dari suatu database informasi yang besar kemudian menghasilkan suatu informasi baru yang berguna.
Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan didalam database.
Data mininga dalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengatahuan yang terakit dari berbagai database besar.
Dalam mengimplementasikan data mining terdapat berbagai metode, salah satunya adalah algoritma apriori.
Algoritma apriori merupakan algoritma pengambilan data dengan aturan asosiatif .
ssociation rul.
untuk menentukan hubungan asosiatif suatu kombinasi item.
Tabel 1.
Tabel Database Nama Nomor Field Micellar Water Facial Foam Body Serum Day Cream Lip Cream Association Rules Association rules adalah suatu prosedur untuk mencari hubungan antar item suatu dataset yang telah ditentukan.
Association rules mining mencari dan menemukan hubungan antar item yang ada pada suatu dataset.
Penerapan data mining dengan aturan asosiasi bertujuan menemukan informasi item - item yang saling berhubungan dalam bentuk aturan / rule.
Aturan asosiasi adalah teknik data mining untuk menemukan aturan asosiasi antara suatu kombinasi item.
Dalam menentukan suatu aturan asosiasi, terdapat suatu ukuran ketertarikan .
nterestingness measur.
yang didapatkan dari hasil pengolahan data dengan data perhitungan tertentu.
Pada umumnya terdapat dua ukuran ketertarikan dalam aturan asosiasi, yaitu :
Support adalah probabilitas konsumen membeli beberapa produk secara bersamaan dari jumlah seluruh transaksi.
Ukuran ini menentukan apakah suatu item / item set layak untuk dicari nilai confidence-nya .
issal dari keseluruhan transaksi yang ada, seberapa besar tingkat dominasi yang menunjukkan bahwa item X dan Y dibeli bersamaa.
Confidence atau tingkat kepercayaan merupakan probabilitas kejadian beberapa produk yang dibeli bersamaan dimana salah satu produk sudah pasti dibeli .
isal, seberapa sering item Y dibeli apa bila konsumen membeli item X).
Analisis Kombinasi itemset pada Bisnis Online dengan Teknik Asosiasi Data mining (M.
Hasan Sirega.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 21-30
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Keduaukuran .
upport dan confidenc.
berguna dalam menentukan aturan asosiasi, yaitu untuk dibandingkan dengan batasan .
hres hol.
yang ditentukan oleh pengguna.
Batasan tersebut umumnya terdiri atas minimum support sebagai batasan minimum dari nilai support dan minimum confidence sebagai batasan minimum dari nilai confidence.
Langkah Ae langkah dalam pembentukan aturan asosiasi meliputi dua tahap, yaitu.
Analisis pola frekuensi tinggi.
Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam basis data.
Support untuk aturan AuX => YAy .
adalah probabilitas atribut atau kumpulan atribut X dan Y yang terjadi bersamaan dalam suatu transaksi.
Bentuk persamaan matematika dari nilai support adalah : Support
(X => Y ) = P (X O Y)
Dengan keterangan : X => Y = item yang muncul bersamaan P (X OY) = probabilitas transaksi yang mengandung X dan Y dibagi dengan jumlah transaksi seluruhnya.
Pembentukan Aturan Asosiasi.
Setelah semua pola frekuensi tinggi ditemukan, kemudian dicari aturan asosiasi yang memenuhi syarat minimum untuk confidence dengan menghitung confidence dari aturan if X then Y.
Bentuk rumus matematika dari confidence adalah : Confidence (X => Y ) = P (Y | X) .
Dengan keterangan : X => Y = item yang muncul bersamaan P ( Y | X) = probabilitas jumlah transaksi yang mengandung X dan Y dibagi dengan jumlah transaksi yang mengandung X.
Algoritma Apriori Algoritma apriori adalah satu algoritma dasar yang diusulkan oleh Agrawal dan Srikant pada tahun 1994 untuk menemukan frequent itemsets pada aturan asosiasi Boolean.
Ide utama pada algoritma aprioria dalah : pertama, mencari frequent itemset .
impunan item - item yang memenuhi minimum suppor.
dari basis data transaksi, kedua Ae menghilangkan itemset dengan frekuensi yang rendah berdasarkan level minimum support yang telah ditentukan sebelumnya.
Selanjutnya membangun aturan asosiasi dari itemset yang memenuhi nilai minimum confidence dalam basis data .
Untuk membentuk kandidat itemset ada dua proses utama yang dilakukan algoritma apriori .
Join Step (Penggabunga.
Pada proses ini setiap item dikombinasikan dengan item lainnya sampai tidak terbentuk kombinasi lagi.
Prune Step (Pemangkasa.
Pada proses ini, hasil dari item yang dikombinasikan tadi kemudian dipangkas dengan menggunakan minimum support yang telah ditentukan oleh user.
HASIL DAN PEMBAHASAN
Contoh data transaksi penjualan kosmetik online pada serba serbi online shop.
Analisis Kombinasi itemset pada Bisnis Online dengan Teknik Asosiasi Data mining (M.
Hasan Sirega.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 21-30
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Tabel 2.
Data Transaksi Transaksi Barang Yang Dijual Micellar Water.
Facial Foam, dan Body Serum Micellar Water.
Facial Foam, dan Body Serum Body Serum.
Day Cream, dan Facial Foam Day Cream.
Lip Cream, dan Facial Foam Lip Cream.
Facial Foam, dan Day Cream Facial Foam.
Body Serum, dan Micellar Water Day Cream.
Micellar Water, dan Lip Cream Micellar Water.
Lip Cream, dan Body Serum Lip Cream.
Body Serum, dan Day Cream Body Serum.
Micellar Water, dan Facial Foam Tabel 3.
Seleksi Data Barang Yang Dijual Micellar Water Facial Foam Body Serum Day Cream Lip Cream Tabel 4.
Frequent Itemset Transaksi Micellar Water Facial Foam Body Serum Day Cream Lip Cream Oc Frequent itemset = 3 maka himpunan yang mungkin terbentuk adalah : {Micellar Water.
Facial Foa.
, {Micellar Water.
Body Seru.
, {Micellar Water.
Day Crea.
, {Micellar Water.
Lip Crea.
, {Facial Foam.
Body Seru.
, {Facial Foam.
Day Crea.
, {Facial Foam.
Lip Crea.
, {Body Serum.
Day Crea.
, {Body Serum.
Lip Crea.
, {Day Cream.
Lip Crea.
Tabel 5.
Tabel 2 Itemset Transaksi Micellar Water Facial Foam Frequent Analisis Kombinasi itemset pada Bisnis Online dengan Teknik Asosiasi Data mining (M.
Hasan Sirega.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 21-30
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Transaksi Micellar Water Facial Foam Frequent Oc Transaksi Micellar Water Body Serum Frequent Oc Transaksi Micellar Water Day Cream Frequent Oc Transaksi Micellar Water Lip Cream Frequent Oc Analisis Kombinasi itemset pada Bisnis Online dengan Teknik Asosiasi Data mining (M.
Hasan Sirega.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 21-30
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Transaksi Facial Foam Body Serum Frequent Oc Transaksi Facial Foam Day Cream Frequent Oc Transaksi Facial Foam Lip Cream Frequent Oc Transaksi Day Cream Body Serum Frequent Analisis Kombinasi itemset pada Bisnis Online dengan Teknik Asosiasi Data mining (M.
Hasan Sirega.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 21-30
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Transaksi Day Cream Body Serum Frequent Oc Transaksi Day Cream Lip Cream Frequent Oc Transaksi Body Serum Lip Cream Frequent Oc Dari tabel tabel 2 unsur diatas.
P artinya item item y ng dijual bersamaan, sedangka S berarti tidak ada item yang dijual secara bersamaan atau tidak ada Oc melambangkan jumlah frekuensi item set.
Jumlah frekuensi itemset harus lebih besar atau sama dengan jumlah frekuensi item set (Oc >= ).
Dari tabel diatas, maka didapat : F2 = {{Body Serum.
Day Crea.
, {Body Serum.
Lip Crea.
,{Day Cream.
Lip Crea.
Kombinasi dari itemset dalam F2, dapat kita gabungkan menjadi calon 3 itemset.
Tabel 6.
Tabel 3 Itemset Transaksi Micellar Water Lip Cream Facial Foam Frekuensi Analisis Kombinasi itemset pada Bisnis Online dengan Teknik Asosiasi Data mining (M.
Hasan Sirega.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 21-30
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Transaksi Micellar Water Lip Cream Facial Foam Frekuensi Oc Transaksi Micellar Water Lip Cream Body Serum Frekuensi Oc Itemset Ae itemset yang dapat digabungkan adalah itemset Ae itemset yang memiliki kesamaan dalam k-1 item pertama.
Untuk k = 3 .
, himpunan yang mungkin terbentuk adalah : {Facial Foam.
Body Serum.
Day Crea.
Dari tabeltabel diatas, didapat F3 = {}, karena tidak ada Oc >= sehingga F4.
F5.
F6 dan F7 juga merupakan himpunan kosong.
Tentukan .
sebagai antecendent dan s sebagai cosequent dari Fk yang telah didapat.
Pada F2 didapat himpunan F2 = {{Facial Foam.
Body Seru.
{Body Serum.
Day Crea.
, {Facial Foam.
Day Crea.
Dari langkah diatas, didapat 10 rule yaitu :
Jika membeli Micellar Water maka akan membeli Facial Foam .
Jika membeli Micellar Water maka akan membeli Body Serum .
Jika membeli Micellar Water maka akan membeli Day Cream .
Jika membeli Micellar Water maka akan membeli Lip Cream .
Jika Facial Foam maka akan membeli Body Serum .
Jika membeli Facial Foam maka akan membeli Day Cream .
Jika membeli Facial Foam maka akan membeli Lip Cream .
Jika membeli Day Cream maka akan membeli Body Serum .
Jika membeli Day Cream maka akan membeli Lip Cream .
Jika membeli Body Serum maka akan membeli Lip Cream Hitung support dan confidence dengan ketentuan support = 40% dan confidence = Tabel 7.
Nilai Support dan Confidence Condition Jika membeli Micellar Water, maka akan membeli Facial Foam Jika membeli Micellar Water, maka akan Support Confidence Analisis Kombinasi itemset pada Bisnis Online dengan Teknik Asosiasi Data mining (M.
Hasan Sirega.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 21-30
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Condition membeli Body Serum Jika membeli Micellar Water, maka akan membeli Day Cream Jika membeli Micellar Water, maka akan membeli Lip Cream Jika membeli Facial Foam, maka akan membeli Body Serum Jika membeli Facial Foam, maka akan membeli Day Cream Jika membeli Facial Foam, maka akan membeli Lip Cream Jika membeli Day Cream, maka akan membeli Body Serum Jika membeli Day Cream, maka akan membeli Lip Cream Jika membeli Body Serum, maka akan membeli Lip Cream Support Confidence Tabel 8.
Perkalian Support dan Confidence Condition Jika membeli Micellar Water, maka akan membeli Facial Foam Jika membeli Micellar Water, maka akan membeli Body Serum Jika membeli Micellar Water, maka akan membeli Day Cream Jika membeli Micellar Water, maka akan membeli Lip Cream Jika membeli Facial Foam, maka akan membeli Body Serum Jika membeli Facial Foam, maka akan membeli Day Cream Jika membeli Facial Foam, maka akan membeli Lip Cream Jika membeli Day Cream, maka akan membeli Body Serum Jika membeli Day Cream, maka akan membeli Lip Cream Jika membeli Body Serum, maka akan membeli Lip Cream Support Confidence Support x Confidence 0,0768 0,12 0,0048 0,0192 0,12 0,0432 0,0192 0,0192 0,0768 0,0192 Hasil paling besar dari perkalian perkalian tersebut merupakan rule yang dipakai pada saat menjual.
Karena hasil dari perkalian k-2 rule diatas bernilai sama, maka semuanya bisa dijadikan rule.
Maka :
Jika menjual Micellar Water maka akan menjual Facial Foam dengan tingkat kepercayaan 60% dan didukung oleh 40% dari data keseluruhan.
Analisis Kombinasi itemset pada Bisnis Online dengan Teknik Asosiasi Data mining (M.
Hasan Sirega.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 21-30
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik .
Jika menjual Facial Foam maka akan menjual Body Serum dengan tingkat kepercayaan 60% dan didukung oleh 40% dari data keseluruhan.
SIMPULAN
Berdasarkan uraian diatas dapat diambil beberapa kesimpulkan bahwa :
Algoritma Apriori yang digunakan dan diterapkan pada Serba serbi online shop dapat menampilkan informasi pembelian barang oleh .
Pada Algoritma Apriori berdasarkan nilai minimum support 40% dan nilai confidence 60% yang diberikan maka didapat hasil asosiasi rule sebanyak 10 rule.
Penggunaan algoritma Apriori untuk mendapatkan frequent itemset dapat melihat barang apa saja yang harus tersedia pada serba serbi online shop.
DAFTAR PUSTAKA