Cyber Tech P-ISSN :
E-ISSN :
Penerapan Data Mining Untuk Menganalisa Pola Pembelian Konsumen Pada Sayuran Menggunakan Algoritma FP-Growth ( Studi Kasus Ruko Sayur Kit.
Vickyrafael Zebua*,Yohanni Syahra,S,Si.
,M.
kom**.
Suharsil,SE.
,MM**
* Program Studi Sistem Informasi.
STMIK Triguna Dharma ** Program Studi Sistem Informasi.
STMIK Triguna Dharma Article Info Article history:
ABSTRACT
Ruko Sayur Kita merupakan salah satu toko yang menjual berbagai kebutuhan sehari-hari.
Ruko Sayur Kita juga menjual produk jenis sayur-sayuran segar seperti sayur manis, kol, tomat, bayam, dan lain-lain.
Selama ini Ruko Sayur Kita, belum memiliki metode tertentu dalam pengadaan persediaan barang.
Persediaan barang biasanya hanya dilakukan berdasarkan data historis saja.
Hal inilah yang menyebabkan adanya kelebihan dan kekurangan persediaan sayuran Selain itu, dibutuhkannya penanganan khusus ketika menyimpan barang tersebut agar menghambat pembusukan.
Beberapa solusi yang dapat digunakan dalam mengatasi masalah tersebut yaitu dengan menerapkan aplikasi data mining.
Algoritma yang digunakan pada data mining ini adalah Algoritma FP-Growth.
Data yang diolah berupa data sampel transaksi pembelian dalam satu bulan yaitu pada bulan Desember 2019.
Dengan berhasil dibangunnya data mining untuk menganalisa pola pembelian konsumen di Ruko Sayur Kita sangat terbantu dalam melihat produk mana yang paling diminati sehingga dapat meningkatkan pendapatan Keyword:
Sayuran.
Data Mining FP-Growth.
Copyright A 2020 STMIK Triguna Dharma.
All rights reserved.
First Author Nama Kampus Program Studi E-Mail : Vickyrafael Zebua : STMIK Triguna Dharma : Sistem Informasi : vicky.
rafael94@gmail.
PENDAHULUAN
Persediaan produk yang berkualitas merupakan hal sangat dibutuhkan dalam usaha pertokoan karena dapat memenangkan persaingan dalam bisnis pertokoan.
Terutama barang yang mudah rusak .
erishables ite.
dan barang yang tidak bertahan lama membutuhkan suatu penanganan yang khusus untuk menjaga kualitasnya.
Oleh sebab itu, dibutuhkan manajemen persediaan barang yang baik sehingga biaya yang dikeluarkan dapat berkurang.
Ruko Sayur Kita merupakan salah satu toko yang menjual berbagai kebutuhan sehari-hari.
Ruko Sayur Kita juga menjual produk jenis sayur-sayuran segar seperti sayur manis, kol, tomat, bayam, dan lain-lain.
Sayuran termasuk yang sangat rentan terhadap kerusakan .
Ruko Sayur Kita masih mengalami kesulitan dalam menentukan persediaan barang tersebut Cyber Tech
A 13
P-ISSN :
dikarenakan tingkat konsumsi konsumen yang sulit di prediksi.
Selain itu, dibutuhkannya penanganan khusus ketika menyimpan barang tersebut agar menghambat pembusukan.
Data mining merupakan suatu proses pencarian pola yang menarik dan tersembunyi .
idden patter.
dari suatu kumpulan data yang berukuran besar yang tersimpan dalam basis data, seperti data warehouse maupun tempat penyimpanan data lainnya.
Salah satu teknik Data Mining yang dapat digunakan adalah Association Rule Mining atau yang biasa disebut dengan istilah market basket analysis.
Assocation Rule Mining adalah teknik Data Mining untuk menentukan aturan assosiatif antara kombinasi item dan merupakan cara yang terbaik dalam memberikan keputusan ilmiah.
FP-Growth merupakan salah satu alternatif algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul .
requent itemse.
dalam sekumpulan data.
Algoritma FpGrowth, memindai database dua kali, tidak menghasilkan item kandidat dalam proses penambangan, dan sangat efisien untuk penambangan semua item yang frequent dan jumlah support berasal diurutkan dari support yang terbesar dalam setiap transaksi.
Dengan digunakannya algoritma FP-Growth diharapkan memberikan kemudahan bagi pemilik toko dalam menentukan pola pembelian konsumen terhadap sayuran.
KAJIAN PUSTAKA
Data Mining Menurut Ramadhan Pandapotan SiringoAeRingo dalam .
Data Mining merupakan proses yang terdiri dari beberapa teknik pembelajaran komputer .
achine learnin.
yang digunakan untuk menganalisa dan mengekstrak pengetahuan secara otomatis.
Data Mining berisi pencaria pola pada database dalam jumlah yang besar untuk membantu pengambilan keputusan diwaktu yang akan datang.
Menurut Kusrini and Taufiq dalam .
definisi umum dari data mining adalah suatu proses untuk mendapatkan informasi dengan melakukan pencarian pola-pola yang tersembunyi .
idden pater.
berupa pengetahuan .
yang tidak diketahui sebelumnya dari suatu data dimana data tersebut dapat berada di dalam database, data warehouse, maupun media penyimpanan informasi lainnya.
FP-Growth Menurut Hilda Herasmus dalam .
Algoritma FP-Growth dapat didefenisikan sebagai salah satu alternatif algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul .
requent itemse.
dalam sekumpulan data.
Pencarian data yang sering muncul pada algoritma Fp-Growth sangat efisien.
Menurut Mohamad Fauzy dalam .
Analisis asosiasi atau association rule mining merupakan salah satu teknik data mining untuk menemukan sekumpulan item yang berhubungan dalam suatu data set yang ditentukan atau mencari sekumpulan item yang sering muncul secara bersamaan.
Metodologi dasar analisis asosiasi terbagi menjadi dua tahap yaitu :
Analisa pola frekuensi tinggi Pada tahap ini mencari kombinasi dari item yang memenuhi syarat minimum dari nilai support dalam Nilai support sebuah item diperoleh dengan persamaan .
Sedangkan nilai support dari 2 item diperoleh dari persamaan .
ycIycycyycyycuycyc .
= Jumlah Transaksi Mengandung A ycIycycyycyycuycyc .
a O yaA) = y 100% Total Transaksi Jumlah Transaksi Mengandung A dan B Total Transaksi y 100% .
Pembentukan Aturan Asosiatif Pola frekuensi tinggi yang telah ditemukan, selanjutnya dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif AIeB.
Nilai confidence dari aturan AIeB diperoleh dari persamaan .
ycaycuycuyceycnyccyceycuycayce ycE .
yaA) = Jumlah Transaksi Mengandung A dan B Jumlah Transaksi Mengandung A Cyber Tech Vol.
No.
Juni 2020 :
y 100% .
Cyber Tech P-ISSN :
A 13
METODOLOGI PENELITIAN
Metodologi Penelitian Penelitian lapangan ( Field Research ) Field Research yaitu penelitian yang dilakukan langsung ke Ruko Sayur Kita untuk memperoleh data Adapun teknik pengumpulan data yang digunakan adalah :
Observasi, yaitu mengumpulkan data dengan melakukan pengamatan langsung dan pencatatan secara sistematis dengan tujuan agar memperoleh data yang objektif.
Dengan kata lain observasi dapat dikatakan suatu aktivitas dalam pengamatan suatu objek secara cermat dan langsung di lokasi penelitian dan mencatat mengenai masalah yang diteliti.
Wawancara langsung .
, yaitu metode yang dilakukan untuk mengumpulkan data maupun informasi dengan melakukan sesi tanya jawab secara langsung bertatap muka dengan pihak-pihak yang bersangkutan dalam bidang yang diteliti untuk memperoleh data yang dibutuhkan.
Algoritma Sistem Algoritma Sistem merupakan penjelasan langkah-langkah penyelesaian masalah dalam menentukan pola pembelian konsumen menggunakan metode algoritma FP-Growth.
Hal ini dilakukan untuk meningkatkan keberhasilan perusahaan agar mampu bersaing di dunia bisnis terutama dibidang Pembangkitan conditional pattern base Pembangkitan conditional FP-Tree Sebuah FP-tree merupakan kompak struktur data yang mewakili set data dalam bentuk pohon yang memiliki cabang .
Setiap transaksi dibaca dan kemudian dipetakan ke jalur di FP-Tree .
Hal ini dilakukan sampai semua transaksi sudah dibaca.
Pembangunan FP-tree dibagi menjadi tiga langkah utama, yaitu:
Dilakukan scanning data set untuk menentukan jumlah dukungan dari setiap item Membuang data yang tidak perlu dan membuat order list dari item yang terbanyak muncul dengan urutan menurun.
Scanning data menetapkan satu transaksi pada suatu waktu untuk membuat FP-tree.
Tahap pencarian frequent itemset 1 Penyelesaian Data transaksi pembelian akan digunakan sebagai sampel dan akan dianalisis dengan menggunakan metode FP-Growth.
Data tersebut adalah berupa data transaksi pembelian seperti dapat dilihat pada tabel berikut ini:
Tabel 3.
1 Data Transaksi Pembelian TID Nama Sayur Cabe Merah.
Jamur.
Tomat.
Wartel.
Genjer.
Daun Sop.
Prei Kentang.
Cabe Hijau.
Tomat.
Daun Sop.
Prei Buncis.
Bawang Merah.
Kentang.
Cabe Rawit.
Sere.
Kencong.
Daun Sop.
Prei.
Toge.
Cabe Merah.
Tomat Timun.
Daun Sop.
Prei.
Sayur Manis Brokoli.
Wartel.
Cabe Hijau.
Daun Sop.
Prei Terong.
Sayur Manis.
Tomat.
Daun Sop.
Prei.
Cabe Merah Sayur Putih.
Jipang.
Bawang Merah.
Cabe Merah.
Jeruk Nipis.
Tomat Wartel.
Buncis.
Jamur.
Sayur Putih.
Sayur Pahit Cabe Merah.
Cabe Rawit.
Bawang Merah.
Bawang Putih.
Kencong.
Patikala.
Jahe Timun.
Bunga Kol.
Sayur Putih.
Sayur Manis.
Bawang Merah Jipang.
Buncis Kentang.
Daun Sop.
Prei Wartel.
Bawang Merah.
Bawang Putih.
Tomat.
Cabe Hijau.
Cabe Rawit.
Jahe Cyber Tech Vol.
No.
Juni 2020 :
Cyber Tech P-ISSN :
A 13
TID
Tomat.
Cabe Merah Bawang Merah.
Tomat.
Bawang Putih.
Cabe Merah.
Kunyit.
Toge.
Jahe.
Sayur Manis Cabe Merah.
Sayur Manis Wartel.
Bunga Kol.
Bawang Putih.
Buncis Tomat.
Wartel.
Cabe Merah.
Sayur Kurmak.
Sayur Putih.
Terong Bawang Merah.
Sayur Manis.
Sayur Pahit Kencong.
Sere.
Patikala Tomat.
Lengkuas.
Buncis Andaliman.
Cabe Rawit.
Jeruk Nipis.
Kencong Patikala.
Sere.
Sayur Pahit Wartel.
Sayur Manis Tomat.
Jahe.
Bawang Putih.
Terong.
Buncis Jipang.
Bayam Tomat.
Cabe Rawit.
Jipang.
Jeruk Nipis.
Daun Sop.
Prei.
Kangkung,Patikala.
Kencong Sere.
Kencong.
Patikala.
Andaliman Kangkung.
Bawang Merah Cabe Rawit.
Bawang Putih.
Bawang Merah.
Terong.
Timun Bawang Merah.
Selada.
Sayur Kol Kangkung.
Tomat Bayam.
Tomat.
Cabe Merah.
Cabe Rawit Sayur Manis.
Bawang Merah.
Bawang Putih.
Cabe Merah.
Tomat Wartel.
Tomat.
Andaliman.
Sayur Kol Bayam.
Tomat.
Sayur Manis Bayam.
Buncis.
Cabe Merah.
Kencong Bunga Kol.
Cabe Rawit.
Cabe Merah.
Kangkung.
Sayur Manis Kangkung.
Daun Sop.
Prei.
Tomat Jipang.
Tomat.
Terong.
Buncis.
Wartel.
Cabe Merah.
Bayam.
Bawang Merah Tomat.
Cabe Hijau.
Bawang Merah.
Bawang Putih.
Sayur Pahit Kunyit.
Jahe.
Lengkuas.
Wartel.
Cabe Merah.
Bayam.
Sere Kentang.
Sayur Manis.
Sayur Pahit.
Sayur Putih Andaliman.
Terong.
Cabe Rawit.
Kunyit.
Patikala.
Lengkuas.
Kencong.
Sere.
Sayur Kurmak.
Daun Sop.
Prei Jipang.
Bayam.
Bawang Merah.
Bawang Putih.
Daun Sop.
Prei Jeruk Nipis.
Kentang.
Wartel.
Daun Sop.
Prei Kacang Panjang.
Cabe Merah.
Tomat.
Jeruk Nipis.
Bawang Merah.
Bawang Putih.
Sayur Kol Sayur Putih.
Lengkuas.
Kentang.
Timun.
Wartel.
Terong.
Sayur Pahit.
Bawang Merah.
Buncis Genjer.
Cabe Merah.
Jipang Bayam.
Brokoli.
Buncis.
Cabe Merah.
Cabe Rawit Nama Sayur Cyber Tech Vol.
No.
Juni 2020 :
Cyber Tech
A 13
P-ISSN :
Tabel 3.
2 Data Kode Barang Nama Sayur Tomat Cabe Merah Bawang Merah Wortel Daun Sop Prei Sayur Manis Cabe Rawit Buncis Bawang Putih Kencong Bayam Terong Jipang Sayur Kol Jamur Genjer Toge Kode Nama Sayur Kode Kentang Sere Sayur Putih Sayur Pahit Patikala Timun Jeruk Nipis Jahe Kangkung Cabe Hijau Lengkuas Andaliman Bunga Kol Kunyit Brokoli Sayur Kurmak Selada Kacang Panjang Sejumlah data diatas akan dilakukan perhitungan terhadap frekuensi kemunculan setiap item dan nilai ycIycycyycyycuycyc .
= Jumlah Transaksi Mengandung A Total Transaksi y 100% .
Tabel 3.
4 Frekuensi dan Support pada Item Kode Frekuensi Support Cyber Tech Vol.
No.
Juni 2020 :
Cyber Tech
A 13
P-ISSN :
Kode Frekuensi Support Setelah frekuensi setiap item sudah ditentukan maka akan diteruskan menentukan nilai support count.
Pada penelitian ini akan diambil support count = 12%.
Berdasarkan nilai support count 12%, maka item yang akan digunakan adalah item-item yang memiliki frekuensi Ou12%.
Berikut ini adalah tabel item yang sudah memenuhi minimum support :
Tabel 3.
5 Item Memenuhi Minimum Support Kode Frekuensi Support Tahap berikutnya yaitu melakukan pemindahan data atau menyusun kembali data transaksi yang sudah memenuhi minimum support.
Data transaksi tersebut akan diurutkan berdasarkan nilai frekuensi yang paling tinggi hingga yang paling rendah.
Data transaksi yang sudah disusun setelah dilakukannya perhitungan minimum support atau tahap eleminasi data dapat dilihat pada tabel dibawah ini :
Cyber Tech Vol.
No.
Juni 2020 :
Cyber Tech
A 13
P-ISSN :
Tabel 3.
6 Data Transaksi Mengandung Minimum Support
Transaksi
404, 401,301, 409, 410
312, 304
404, 409, 410, 320
404, 409, 410, 403, 431,
304, 511
405, 409, 410, 403, 303,
320, 427
431, 427, 511
404,401
409,410, 323
405, 403, 406, 326
409, 410, 301
404, 401, 409, 410, 323,
404, 401, 405, 303, 307
404, 401, 403, 312
301, 303, 306, 307
404, 401, 405, 323, 406
401, 405, 403, 406, 431,
404, 301
405, 323, 307
404, 323, 312
303, 304
401, 303, 431, 312
409, 410, 320
401, 323, 403
404, 405,301, 403, 406
404, 409, 410
404, 401
404, 401, 405, 301, 312, 326
404, 401, 405, 323, 406
404, 405, 406, 306
401, 323
401, 301, 312, 427,423
301, 303, 406
323, 320, 307, 306
404, 401, 301, 326, 307
409, 410, 403, 431, 326,
427, 511
405, 323, 306
405, 409, 410, 406, 312, 304
431, 427, 511
409, 410, 301, 320
404, 303
404, 401, 405, 406
403, 427, 306, 431,511
405, 301, 303, 326, 320,
307, 306
301, 323
401, 304
404, 303, 406, 326
401, 403, 303, 312
Cyber Tech Vol.
No.
Juni 2020 :
Transaksi
Cyber Tech
A 13
P-ISSN :
Setelah mengetahui data transaksi diatas maka yang harus dilakukan adalah membentuk jalur FP-Tree
untuk mengetahui pola pembelian konsumen dimana jalur 1 - 50 dapat dilihat pada gambar sebagai Null
323: 1
320: 1
306: 1
312: 1
307: 1
304: 1
303: 1
304: 1
403: 1
427: 1
431: 2
431: 1
306: 1
427: 2
511: 1
405: 2
511: 2
303: 1
301: 3
301: 1
406: 1
304: 1
323: 1
403: 1
301: 1
306: 1
323: 1
406: 1
303: 2
312: 1
401: 7
303: 2
406: 1
306: 1
301: 2
409: 1
409: 1
326: 1
410: 1
304: 1
303: 1
301: 1
312: 1
312: 1
406: 1
427: 1
320: 1
410: 2
431: 1
307: 1
431: 1
423: 1
306: 1
511: 1
306: 1
406: 1
323: 2
312: 1
323: 2
403: 1
307: 1
304: 1
312: 1
403: 1
326: 1
403: 1
326: 1
301: 1
403: 1
409: 2
406: 1
320: 1
303: 1
405: 1
431: 1
303: 1
405: 5
326: 1
403: 1
323: 2
301: 1
403: 1
410: 3
323: 1
303: 1
307: 1
405: 8
326: 1
409: 3
312: 1
410: 1
307: 1
406: 1
403: 1
406: 1
307: 1
409: 5
303: 1
406: 2
326: 1
511: 1
312: 1
304: 1
320: 1
410: 5
427: 1
323: 1
403: 1
301: 1
320: 1
301: 1:
320: 1
431: 1
326: 1
427: 1
511: 1
Gambar 3.
1 Jalur FP-Tree Cyber Tech Vol.
No.
Juni 2020 :
Cyber Tech P-ISSN :
A 13
Setelah dilakukan pembangunan FP-Tree dari sekumpulan transaksi yang telah dilakukan, pada tahapan diatas maka dilanjutkan dengan tahap FP-Growth untuk mencari frequent itemset yang memenuhi Pada tahap pembangkitan conditional pattern base dilakukan dengan cara up-pohon atau ditentukan dengan cabang pohon dengan support count terkecil yang dirangkum dalam tabel sebagai Tabel 3.
7 Frequent Itemset Item Frequent Itemset ,431,406,403,405,401:.
,427,431:.
,431,306,427,403:.
,304,431,4
03,410,409,404:.
,427,326,431,403,410,409:.
,303,405,401,404:.
,306,303,301:.
,323,405:.
,326,301,401,404:1
,306,320,323:.
,306,320,326,303,301,405:.
,303,301:.
,323,405:.
,427,403:.
,320,323:.
,320,326,303,30
1,405:.
,320,303,403,410,409,405:.
,431:.
,403:.
,312,301,401:.
,32
6,431,403,410,409:.
,410,409,404:.
,303,403,410,409,405:.
,410,409:.
,323:.
,30
1,410,409:.
,326,303,301,405:.
,303:.
,312:.
,431,403,410,409,404:.
,312,406,410,409,405:.
4,401:.
,323,410,409,401,404:.
,301,401,404:.
,406,303,404:.
,406,403,4
,312,301,405,401,404:.
,431,403,410,409:.
,303,301,405:.
,403,401,404:.
,323,404:.
,431,303,401:.
,301,405,401,404:
,301,401:.
,406,410,409,405:.
,303,403,401:.
,406,403,405,401:.
,303,401:.
,403,410,409:.
,403,405,401:.
,403,301,405,404:.
,323,405,401,404:.
,303,301:1
,303,404:.
,403,405:.
,405,404:.
,410,409,405:.
,405,401,4
,403,409,405:.
,405,401,404:.
,301:.
,404:.
,401:.
03,301,405:.
,403,401:.
,410,409,405:.
,405,401:.
,301,405,404:.
,410,409,404:.
403,405:.
,401,404:.
,323,401:.
,401:.
,410,409:.
,410,409,401,404:.
,405:.
,405,401,404::.
,401:1
,301:.
,405,401,404:.
,404:.
,401:.
,409,301,401,404:.
,409,404:.
,409,405:.
,409:.
,409,401,40
,301,401,404:.
,404:.
,405:.
,401,404:.
,404:.
,401,404:.
,410,409:.
,405,404:.
,404:.
,405,401,40
,401:.
,405:.
,401,404:.
,401:.
,404:.
,404:.
Frequent itemset yang telah didapat,langkah selanjutnya yaitu menghitung confidence dari tiap kombinasi rule.
Sebelum membuat rules maka dilakukan pemilihan nilai kombinasi keseluruhan dari frequent itemset dimana nilai A mengandung nilai B.
Cyber Tech Vol.
No.
Juni 2020 :
Cyber Tech
A 13
P-ISSN :
Tabel 3.
8 Suffix dan Subset Suffix Subset ,431:.
,403:.
,427:.
,410:.
,409:.
,303:.
,405:.
,401:.
,404:.
,306:.
,301:.
:32
,326:.
,320:.
,303:.
,301:.
,323:.
,405:.
,320:.
,403:.
,410:.
,409:.
,431:.
,410:.
,409:.
,303:.
,405:.
,301:.
,312:.
,410:.
,409:.
,410:.
,409:.
,401:.
,404:.
,301:.
,406:.
,40
,303:.
,405:.
,403:.
,401:.
,404:.
,303:.
,301:.
,405:.
,403:.
,401:.
,403:.
:405:.
,401:.
,301:.
,404:.
,323:.
,30
,403:.
,405:.
,401:.
,404:.
,301:.
,410:.
,409:.
:405:.
,401:.
,404:.
,410:.
,409:.
,401:.
,404:.
,405:.
,409:.
,401:.
,404:.
,405:.
,401:.
,404:.
,405:.
,401:.
,404:.
,410:.
,409:.
,405:.
,401:.
,404:.
,404:.
Null Setelah mendapatkan subset yang telah memenuhi syarat, nilai confidence kemudian dihitung berdasarkan nilai minimum support yang telah ditentukan yaitu Ou12% untuk mengukur seberapa valid tidaknya aturan asosiasi tersebut.
Tabel Minimum Support dapat dilihat sebagai berikut :
Tabel 3.
9 Minimum Support
TID
Frequent Pattern
511,431
511,403
511,427
511,410
511,409
307,303
307,405
307,401
307,404
307,306
307,301
307:323
307,326
307,320
306,303
306,301
306,323
306,405
306,320
427,403
Freq.
TID
Cyber Tech Vol.
No.
Juni 2020 :
Frequent Pattern
427,410
427,409
427,431
320,410
320,409
320,303
320,405
320,301
304,312
304,410
304,409
326,410
326,409
326,401
326,404
326,301
326,406
326,403
326,303
326,405
Freq.
TID
Frequent Pattern
312,403
312,401
312,404
312,303
312,301
312,405
431,403
431,401
406,403
406,405
406,401
406,301
406,404
406,323
406,303
303,403
303,405
303,401
303,404
303,301
Freq.
Cyber Tech
TID
A 13
P-ISSN :
Frequent Pattern
403,410
403,409
403:405
403,401
403,404
323,410
323,409
323,401
323,404
323,405
Freq.
TID
Frequent Pattern
410,409
410,401
410,404
410,405
409,401
409,404
409,405
301,401
301,404
301,410
Freq.
TID
Frequent Pattern
301,409
301,405
405,401
405,404
401,404
Pada tahap ini ditentukan nilai support dan confidence pada setiap itemset.
Rumus untuk menghitung nilai support menggunakan rumus :
ycIycycyycyycuycyc .
a O yaA) = Jumlah Transaksi Mengandung A dan B Total Transaksi y 100% .
Tabel 3.
10 Support 2 Item
TID
Item
Support
TID
Item
Support
TID
Item
Support
511,431
x 100% = 12% 326,301 .
x 100% = 4% 410,409 .
x 100% = 24% 511,403 .
x 100% = 8% 326,406 .
x 100% = 4% 410,401 .
x 100% = 4% 511,427 .
x 100% = 8% 326,403 .
x 100% = 4% 410,404 .
x 100% = 10% 511,410 .
x 100% = 2% 326,303 .
x 100% = 4% 410,405 .
x 100% = 4% 511,409 .
x 100% = 2% 326,405 .
x 100% = 6% 409,401 .
x 100% = 4% 307,303 .
x 100% = 6% 312,403 .
x 100% = 4% 409,404 .
x 100% = 10% 307,405 .
x 100% = 6% 312,401 .
x 100% = 10% 409,405 .
x 100% = 4% 307,401 .
x 100% = 4% 312,404 .
x 100% = 6% 301,401 .
x 100% = 6% 307,404 .
x 100% = 4% 312,303 .
x 100% = 4% 301,404 .
x 100% = 8% 307,306 .
x 100% = 6% 312,301 .
x 100% = 4% 301,410 .
x 100% = 4% 307,301 .
x 100% = 6% 312,405 .
x 100% = 4% 301,409 .
x 100% = 4% 307,323 .
x 100% = 4% 431,403 .
x 100% = 4% 301,405 .
x 100% = 6% 307,326 .
x 100% = 4% 431,401 .
x 100% = 4% 405,401 .
x 100% = 12% 307,320 .
x 100% = 4% 406,403 .
x 100% = 6% 405,404 .
x 100% = 12% 306,303 .
x 100% = 4% 406,405 .
x 100% = 16% 401,404 .
x 100% = 22% 306,301 .
x 100% = 4% 406,401 .
x 100% = 8% 306,323 .
x 100% = 4% 406,301 .
x 100% = 4% 306,405 .
x 100% = 4% 406,404 .
x 100% = 12% 306,320 .
x 100% = 4% 406,323 .
x 100% = 4% 427,403 .
x 100% = 6% 406,303 .
x 100% = 4% 427,410 .
x 100% = 4% 303,403 .
x 100% = 4% 427,409 .
x 100% = 4% 303,405 .
x 100% = 6% 427,431 .
x 100% = 6% 303,401 .
x 100% = 6% 320,410 .
x 100% = 8% 303,404 .
x 100% = 6% 320,409 .
x 100% = 8% 303,301 .
x 100% = 6% 320,303 .
x 100% = 4% 403,410 .
x 100% = 4% 320,405 .
x 100% = 4% 403,409 .
x 100% = 4% 320,301 .
x 100% = 4% 403,405 .
x 100% = 8% 304,312 .
x 100% = 4% 403,401 .
x 100% = 8% 304,410 .
x 100% = 4% 403,404 .
x 100% = 6% 304,409 .
x 100% = 4% 323,410 .
x 100% = 4% 326,410 .
x 100% = 4% 323,409 .
x 100% = 4% 326,409 .
x 100% = 4% 323,401 .
x 100% = 10% 326,401 .
x 100% = 6% 323,404 .
x 100% = 8% 326,404 .
x 100% = 8% 323,405 .
x 100% = 8% Cyber Tech Vol.
No.
Juni 2020 :
Freq.
Cyber Tech
A 13
P-ISSN :
Tahap selanjutnya adalah menghitung nilai confidence.
Rumus untuk menghitung nilai confidence menggunakan rumus :
ycaycuycuyceycnyccyceycuycayce ycE .
yaA) = Jumlah Transaksi Mengandung A dan B Jumlah Transaksi Mengandung A y 100% .
Tabel 3.
11 Confidence 2 Item
TID
Item Confidence TID Item Confidence TID Item Confidence 511,431 .
x 100% = 100% 326,301 .
x 100% = 29% 410,409 .
x 100% = 100% 511,403 .
x 100% = 67% 326,406 .
x 100% = 29% 410,401 .
x 100% = 17% 511,427 .
x 100% = 67% 326,403 .
x 100% = 29% 410,404 .
x 100% = 42% 511,410 .
x 100% = 33% 326,303 .
x 100% = 29% 410,405 .
x 100% = 17% 511,409 .
x 100% = 33% 326,405 .
x 100% = 43% 409,401 .
x 100% = 17% 307,303 .
x 100% = 50% 312,403 .
x 100% = 25% 409,404 .
x 100% = 42% 307,405 .
x 100% = 50% 312,401 .
x 100% = 63% 409,405 .
x 100% = 17% 307,401 .
x 100% = 33% 312,404 .
x 100% = 38% 301,401 .
x 100% = 25% 307,404 .
x 100% = 33% 312,303 .
x 100% = 25% 301,404 .
x 100% = 33% 307,306 .
x 100% = 50% 312,301 .
x 100% = 25% 301,410 .
x 100% = 17% 307,301 .
x 100% = 50% 312,405 .
x 100% = 25% 301,409 .
x 100% = 17% 307,323 .
x 100% = 33% 431,403 .
x 100% = 25% 301,405 .
x 100% = 25% 307,326 .
x 100% = 33% 431,401 .
x 100% = 25% 405,401 .
x 100% = 38% 307,320 .
x 100% = 33% 406,403 .
x 100% = 30% 405,404 .
x 100% = 38% 306,303 .
x 100% = 33% 406,405 .
x 100% = 80% 401,404 .
x 100% = 61% 306,301 .
x 100% = 33% 406,401 .
x 100% = 40% 306,323 .
x 100% = 33% 406,301 .
x 100% = 20% 306,405 .
x 100% = 33% 406,404 .
x 100% = 60% 306,320 .
x 100% = 33% 406,323 .
x 100% = 20% 427,403 .
x 100% = 50% 406,303 .
x 100% = 20% 427,410 .
x 100% = 33% 303,403 .
x 100% = 20% 427,409 .
x 100% = 33% 303,405 .
x 100% = 30% 427,431 .
x 100% = 50% 303,401 .
x 100% = 30% 320,410 .
x 100% = 67% 303,404 .
x 100% = 30% 320,409 .
x 100% = 67% 303,301 .
x 100% = 30% 320,303 .
x 100% = 33% 403,410 .
x 100% = 20% 320,405 .
x 100% = 33% 403,409 .
x 100% = 20% 320,301 .
x 100% = 33% 403:405 .
x 100% = 40% 304,312 .
x 100% = 29% 403,401 .
x 100% = 40% 304,410 .
x 100% = 29% 403,404 .
x 100% = 30% 304,409 .
x 100% = 29% 323,410 .
x 100% = 20% 326,410 .
x 100% = 29% 323,409 .
x 100% = 20% 326,409 .
x 100% = 29% 323,401 .
x 100% = 50% 326,401 .
x 100% = 43% 323,404 .
x 100% = 40% 326,404 .
x 100% = 57% 323,405 .
x 100% = 40% Cyber Tech Vol.
No.
Juni 2020 :
Cyber Tech P-ISSN :
A 13
Hasil ini sangat penting karena pada tahap inilah yang menentukan sukses atau tidaknya langkah terakhir yaitu langkah penarikan kesimpulan.
Jika hanya diambil nilai Ou60% sebagai minimum confidence, maka dapat diambil kesimpulan yaitu:
Jika konsumen membeli item 511 (Patikal.
maka item 431 (Kencon.
akan dibeli dengan confidence=100% dan support=12% Jika konsumen membeli item 511 (Patikal.
maka item 403 (Cabe Rawi.
akan dibeli dengan confidence=67% dan support=8% Jika konsumen membeli item 511 (Patikal.
maka item 427 (Ser.
akan dibeli dengan confidence=67% dan support=8% Jika konsumen membeli item 320 (Kentan.
maka item 410 (Pre.
akan dibeli dengan confidence=67% dan support=8% Jika konsumen membeli item 320 (Kentan.
maka item 409 (Daun So.
akan dibeli dengan confidence=67% dan support=8% Jika konsumen membeli item 312 (Baya.
maka item 401 (Cabe Mera.
akan dibeli dengan confidence=63% dan support=10% Jika konsumen membeli item 406 (Bawang Puti.
maka item 405 (Bawang Mera.
akan dibeli dengan confidence=80% dan support=16% Jika konsumen membeli item 406 (Bawang puti.
maka item 404 (Toma.
akan dibeli dengan confidence=60% dan support=12% Jika konsumen membeli item 410 (Pre.
maka item 409 (Daun So.
akan dibeli dengan confidence=100% dan support=24% Jika konsumen membeli item 401 (Cabe Mera.
maka item 404 (Toma.
akan dibeli dengan confidence=61% dan support=22% IMPLEMENTASI DAN PENGUJIAN Form Login Sebelum masuk dan mengakses aplikasi, user harus melakukan login terlebih dahulu dengan cara menginput username dan password dengan benar sesuai dengan sistem database.
Gambar 1 Form Login Berikut keterangan pada gambar 1 Form Login :
Tombol Sign In digunakan untuk memvalidasi name dan password yang telah di isi pada textbox yang telah disediakan.
Cyber Tech Vol.
No.
Juni 2020 :
Cyber Tech P-ISSN :
A 13
Form Menu Utama Menu utama merupakan tampilan awal setelah berhasil login ke sistem.
Menu pada menu utama masih belum dapat diakses apabila pengguna belum melakukan login ke sistem.
Dalam form menu utama terdapat menu input data, menu proses FP-Growth, menu laporan, dan menu keluar dari aplikasi.
Gambar.
2 Form Menu Utama Form Data Produk Form data produk digunakan untuk menampilkan data sayuran, meliputi kode barang dan nama Pada form data produk terdiri 6 .
buah tombol button yaitu tambah, simpan, hapus, batal, tutup dan import.
Adapun tampilan form data produk adalah sebagai berikut:
Gambar.
3 Form Menu Utama Form DataTransaksi Form data transaksi digunakan untuk mengelola data transaksi yang ada pada Ruko Sayur Kita.
Form ini digunakan untuk menginput setiap data transaksi pembelian sayuran.
Terdapat beberapa tombol pada form ini terdiri dari tombol tambah, simpan, hapus, import, batal dan tutup.
Berikut adalah tampilan form data transaksi :
Cyber Tech Vol.
No.
Juni 2020 :
Cyber Tech P-ISSN :
A 13
Gambar 4 Form Data Transaksi Form Data Inisialisasi Transaksi Form ini digunakan untuk menampilkan inisialisasi data transaksi dimana data transaksi yang sudah memenuhi minimum support atau eleminasi data disusun kembali berdasarkan nilai frekuensi yang paling tinggi.
Adapun tampilan form data inisialisasi transaksi adalah sebagai berikut:
Gambar 5 Form Data Inisialisasi Transaksi Form Proses Algoritma FP-Growth Form proses algoritma Fp-Growth menampilkan data nilai support yang digunakan dalam pengolahan data ataupun perhitungan menggunakan algoritma FP-Growth untuk menampilkan barang mana yang paling sering dibeli.
Didalam form ini terdapat textbox untuk memasukkan nilai minimal confidence,dan terdapat empat tombol yaitu tombol proses, tombol simpan, tombol reset dan tombol exit.
Berikut ini merupakan tampilan form proses algoritma FP-Growth :
Cyber Tech Vol.
No.
Juni 2020 :
Cyber Tech P-ISSN :
A 13
Gambar 6 Form Proses FP-Growth Form Proses Algoritma FP-Growth Laporan ini berfungsi untuk menampilkan hasil atau kesimpulan dari pola pembelian.
Adapun tampilan dari form laporan adalah sebagai berikut :
Gambar 7 Form Proses FP-Growth
KESIMPULAN DAN SARAN
1 Kesimpulan Berdasarkan analisa pada permasalahan yang terjadi dalam kasus yang diangkat tentang penerapan data mining untuk menganalisa pola pembelian konsumen pada sayuran menggunakan Algoritma FP-Growth di Studi Ruko Sayur Kita dapat ditarik kesimpulan sebagai berikut Cyber Tech Vol.
No.
Juni 2020 :
Cyber Tech P-ISSN :
A 13
Berdasarkan hasil analisa terkait permasalahan pada Ruko Sayur Kita, maka diketahui bahwa Ruko Sayur Kita sangat membutuhkan sistem yang efektif untuk melihat pola pembelian konsumen dan ketersediaan barang.
Berdasarkan hasil pemodelan dan perancangan desain sistem, metode FP-Growth dapat diaplikasikan dalam penerapan data mining untuk menganalisa pola pembelian konsumen pada sayuran berbasis Berdasarkan hasil impementasi sistem yang telah diuji, penggunaan sistem Data Mining untuk menganalisa pola pembelian konsumen pada sayuran berjalan dengan baik.
2 Saran Untuk mendapatkan hasil penelitian yang lebih baik kedepannya, berikut adalah beberapa saran yang diharapkan yaitu:
Agar pengujian terhadap sistem dapat ditingkatkan dengan menggunakan tools yang update.
Sebaiknya dalam Aplikasi ini bisa dikembangkan juga dalam bentuk Web Programming.
Agar pihak Ruko Sayur Kita dapat melakukan pengembangan terhadap sistem ini sesuai permasalahan yang terjadi kedepannya.
UCAPAN TERIMA KASIH
Terima kasih kepada dosen pembimbing 1 Ibu Yohanni Syahra.
S,Si.
Kom, dosen pembimbing 2 Bapak Suharsil.
SE.
MM dan pihak-pihak yang mendukung penyelesaian jurnal skripsi ini.
REFERENSI