Pendahuluan.docx

Sistem pendukung keputusan untuk penjualan barang / produk di minimarket dengan alogaritma apriori. (Studi Kasus di Minimarket Mentari Suruh) PENDAHULUAN I.

LATAR BELAKANG

Di jaman sekarang banyak sekali persaingan yang tentunya di bidang penjualan , yang menuntut pengembang untuk memasang strategi dalam pemasaran [1]. Minimarket merupakan sarana yang digunakan warga untuk membeli barang-barang kebutuhan sehari hari untuk diri mereka sendiri , keluarga maupun orang lain. Dalam penawaran barang –barang dapat dilihat dengan terbelinya barang tersebut dan ada transaksi jual - beli.sehingga banyak barang barang yang sudah ditawarkan tidak laku terjual melalui penawaran yang dilakukandengan begitu distributor dapat mengetahui barang yang dapat di perjual belikan atau tidak.dengan pendekatan ini dapat mempererat hubungan antar distributor dengan pemilik salah satu faktor yang dapat membuat penawaran-penawaran yang dapat meningkatkan transaksi penjualan. [2], Dalam pemasaran suatu produk ada beberapa faktor akan sangat berpengaruh terhadap penjualan, salah satunya adalah strategi dalam penjualan. [3] Untuk mengetahui barang-barang yang dibeli secara bersamaan, dapat mengetahui dengan association rule (aturan asosiasi), yaitu teknik data mining untuk menemukan aturan asosiatif suatu kombinasi item. Perusahaan bisa menggunakan pola ini untuk menata tempat untuk produk yang sering dibeli ke dalam sebuah lingkup yang berdekatan untuk membentuk kandidat kombinasi item yang mungkin akan di beli, lalu akan diuji apakah kombinasi tersebut memenuhi parameter minimum support dan minimum confidence yang merupakan nilai ambang yang diberikan oleh pengguna. [5][6] Data mining adalah penguraian data yang terdapat dalam database. Data mining adalah proses 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[8][9] Algoritma apriori pada saat ini telah diimplementasikan di berbagai bidang, salah satunya dibidang bisnis. Adanya kegiatan operasional sehari-hari membuat data yang dihasilkan semakin lama akan semakin bertambah, sehingga jika dibiarkan maka data-data tersebut hanya akan menjadi sampah. [10] Dengan adanya penelitian ini diharapkan dapat meningkatkan penjualan pada minimarket tersebut. Sehingga meminimalisir produk yang tidak laku.

II.

RUMUSAN MASALAH

Berdasar latar belakang yang telah dikemukakan, maka yang menjadi rumusan masalah dalam penelitian ini adalah : 1. Bagaimana menentukan aturan asosiasi pada penjualan produk di minimarket berdasarkan data transaksi dengan algoritma apriori? 2. Bagaimana menentukan promosi barang yang akan di pasarkan pada mini market ? 3. bagaimana mengimplementasikan data mining pada database transaksi penjualan barang / produk yang ada di minimarket? III.

TUJUAN PENELITIAN

Berdasarkan rumusan masalah diatas, maka tujuan yang ingin dicapai pada tugas akhir ini adalah membantu pihak minimarket menemukan susunan produk yang sering di beli di minimarket “mentari” untuk proses pengembangan promosi dengan mengunakan algoritma apriori IV.

MANFAAT

Bagi mahasiswa : a) dapat menerapkan data mining mengimplementasikan teori dalam dunia nyata. b) dapat menambah pengetahuan mahasiswa tentang bagaimana cara memanfaatkan transaksi sehingga menghasilkan informasi yang berguna dengan teknik data mining. c) Bisa menambah pengetahuan mahasiswa tentang bagaimana mencari informasi penting yang tersembunyi dalam suatu data menggunakan teknik algoritma apriori. 2. Bagi minimarket : a) Dapat membantu mengetahui kombinasi produk apa saja yang dibeli secara bersamaan oleh konsumen dalam satu waktu. b) Dapat membantu pihak minimarket dalam memberikan promosi atau rekomendasi produk bagi konsumen. 1.

Data Mining

Data mining adalah proses yang cenderung menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning yang di gunakan untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terakit dari berbagai basis data besar [6] Pengelompokan Data Mining dibagi menjadi beberapa kelompok [11] yaitu :

a. Deskripsi merupakan cara menggambarkan dan kecenderungan yang terdapat dalam data yang dimiliki. b. Estimasi hampir sama dengan klasifikasi, kecuali variable target estimasi lebih ke arah numerik daripada ke arah kategori. c. Prediksi Penerapan sebuah nilai yang belum diketahui dan juga memperkirakan nilai untuk masa mendatang. d. Klasifikasi terdapat target variable kategori, misal penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu tinggi, sedang, dan rendah. e. Pengklasteran merupakan pengelompokan record, pengamatan, atau memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan. f. Asosiasi Asosiasi bertugas menemukan atribut yang muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja. 2. Fase-Fase Data mining. Menurut Larose (2005) enam fase data mining menurut CRISP-DM yaitu : 1. Fase pemahaman bisnis (Bussiness Understanding Phase) 2. Fase Pemahaman Data (Data Understanding Phase) 3. Fase Pengolahan Data (Data Preparation Phase) 4. Fase pemodelan (Modelling Phase) \5. Fase Evaluasi (Evaluation Phase) [5] 6. Fase Penyebaran (Deployment Phase) 3.Algoritma Apriori Alogaritma apriori adalah data mining untuk penggalian aturan asosiasi atau yang lebih dikenal dengan istilah association rule mining (ARM). Algoritma Apriori merupakan pendekatan iteratif dimana k-itemset. digunakan untuk mengeksplorasi (k + 1)-itemset (Pane, 2013). Untuk membentuk kandidat itemset ada dua proses utama yang dilakukan algoritma apriori : a. Join Step (Penggabungan) Pada proses ini setiap item dikombinasikan dengan item lainnya sampai tidak terbentuk kombinasi lagi. b. Prune Step (Pemangkasan) Pada proses ini, hasil dari item yang dikombinasikan tadi kemudian dipangkas dengan menggunakan minimum support yang telah ditentukan oleh user[5]

4.Aturan Asosiasi Catatan transaksi pembelian para pelanggan suatu supermarket atau tempat lain, telah mendorong pengembangan teknik-teknik yang secara otomatis menemukan asosiasi produk atau item-item yang tersimpan dalam database tersebut.[5]. 5.Metode keranjang belanja Dalam analisis keranjang belanja mengacu pada berbagai teknologi yang mempelajari komposisis keranjang belanja yang terdiri atas produk-produk yang dibeli pada satu kejadian belanja. Teknik ini telah diterapkan secara luas dalam berbagai operasi pasar swalayan. Data keranjang belanja dalam bentuknya yang paling mentah adalah daftar transaksi pembelian oleh pelanggan, yang mengindikasikan hanya barang yang dibeli bersamaaan.[5]

V. METODE PENELITIAN mulai

Mengidentifikasi masalah

1

Pemasaran di toko mentari Makanan, minuman, alat mandi, alat masak, perlengkapan bayi, kosmetik, peraalatan rumah tangga

OBSERVASI

2 1

Pengumpulan data Data mining Data prepa retion

Data prim er

Studi pustaka Data seku nder

3 Observasi

Jurnal penelitian

4

Analisa data Alogaritma apriori

Market Masket Analisis

Apriori Clustering selesai

Frequent Itemset

1. Mengidentifikasi Masalah a. Objek Penelitian Pada Penelitian ini objek yang akan di ambil adalah sebuah swalayan Mentari Suruh Kabupaten Semarang, dengan mengambil data transaksi penjualan barang periode bulan November dan Desember tahun 2018. b. Pengumpulan data 

Data Primer Data primer adalah data yang dikumpulkan ssecara mandiri oleh perorangan atau suatu organisasi secara langsung dari objek yang diteliti dan untuk kepentingan studi yang dilakukan dengan wawancara langsung dengan pimpinan atau bagian yang menangani langsung permasalahan di lapangan atau dapat berupa observasi kegiatan sehari-hari suatu objek yang diteliti.



Data sekunder Data sekunder adalah data yang diperoleh atau dikumpulkan dan disatukan oleh studi-studi sebelumnya atau yang diterbitkan oleh berbagai instansi lain. Biasanya sumber tidak langsung berupa data dokumentasi dan arsip-arsip resmi.



Studi Pustaka Metode pengumpulan data dengan studi kepustakaan ini dilakukan dengan mempelajari banyak jurnal, dan buku-buku literature yang berkaitan dengan masalah aplikasi data mining tertutama dengan penggunaan metode algoritma apriori.



Wawancara Wawancara merupakan percakapan antara dua orang atau lebih dan berlangsung antara narasumber dan pewawancara yang dilakukan dengan cara tanya jawab antara narasumber dengan pewawancara untuk dimintai informasi yang berhubungan.

c. Analisa data 

Alogaritma Apriori Analisa alogaritma apriori merupakan teknik data mining yang menyatakan asosiasi dari beberapa item untuk menghasilkan sebuah analisis pola

frekuensi yang dapat membandingkan suatu kinerja yang digunakan untuk meningkatkan penjualan suatu item , 

Market Masket Analisis Suatu metode analisa atas perilaku konsumen secara spesifik dari suatu golongan / kelompok tertentu yang di manfaatkan untuk pencarian dalam suatu transaksi saat tidak mengetahui pola spesifik konsumen.



Frequent Itemset Suatu metode analisa yang digunakan untuk mencari frequent itemset yang merupakan kumpulan dari beberapa item dengan kemunculan yang sama atau lebih banyak dari minimum support.

VI . Tinjauan Pustaka 1. Pane (2013) , Implementasi Data Mining Pada Penjualan Produk Elektronik Dengan Algoritma Apriori ( Studi Kasus : Kreditplus ). tujuan dari dilakukannya penelitian produk elektronik tersebut adalah untuk mengetahui sejauh mana algoritma apriori dapat membantu pengembangan strategi pemasaran . Adapun manfaat dari penelitian ini adalah: Membantu perusahaan untuk mengetahui produk elektronik yang paling banyak terjual.[1] 2. Listriani(2016) , Penerapan metode asosiasi menggunakan alogaritma apriori pada aplikasi analisa pola belanja konsumen( Studi Kasus Toko Buku Gramedia Bintaro )Toko Buku Gramedia merupakan salah satu perusahaan yang memenuhi kebutuhan konsumen dan dituntut untuk mengambil keputusan yang tepat dalam menentukan strategi penjualan. Dengan memanfaatkan data transaksi penjualan yang telah tersimpan dalam database, pihak manajemen dapat mengetahui kebiasaan pelanggan atau perilaku pelanggan mengenai apa saja buku yang sering dibeli.[5] 3. Wandi dkk (2012), Pengembangan Sistem Rekomendasi Penelusuran Buku dengan Penggalian Association Rule Menggunakan Algoritma Apriori menghasilkan asosiasi antar buku menggunakan algoritma apriori serta Suthathip Maneewongvatana dan Songrit Maneewongvatana yang menggunakan algortima yang sama untuk membuat daftar rekomendasi buku berdasarkan kebutuhan dan keinginan dari pengguna.[7] 4. Data mining (2017), The Lanhill Long Barrow, Wiltshire, England: An Essay in Reconstruction meneliti teknik data mining degan association rules, dan algoritma – algoritma yang terkait dengan association rules serta implementasinya dalam bisnis. Peneliti ingin mengimplementasikan teknik data mining pada database barang terjual alat – alat kesehatan dengan aturan asosiasi menggunakan algoritma Apriori untuk mengetahui pola kombinasi item dan itemset frekuensi tinggi dari alat – alat kesehatan sehingga dapat dijadikan sebagai faktor pengambilan keputusan dalam memprediksi persediaan barang.[11] 5. Hidayat (2017) Penerapan Algoritma Apriori Untuk Menentukan Strategi Penjualan Pada Rumah Makan “Dapoer Emak” Pati Dengan adanya penelitian ini diharapkan dapat meningkatkan penjualan pada rumah makan tersebut. Sehinga meminimalisir menu yang

tidak laku dan bahan makanan yang basi atau busuk[3]. 6. Nursikuwagus dkk (2016) Implementasi Algoritma Apriori Untuk Analisis Penjualan Dengan Berbasis Web.diketahuinya produk yang paling banyak terjual, bisa membantu membuatkan aturan asosiasi. Aturan asosiasi ini diperoleh berdasarkan pemilihan Itemset pada setiap transaksi. Dengan demikian hasil yang diperoleh dapat digunakan untuk membantu pengambil keputusan. Hasil lainnya juga, implementasi ini bisa membantu untuk mengadakan stok produk yang banyak disukai oleh pembeli, dan menambah persedian produk.[8] 7. Rien dkk (2017) Implementasi data mining alogaritma apriori pada sistem penjualan roti di difa rien’s bakery yang paling banyak terjual dapat diketahui dengan menggunakan algoritma apriori, dengan melihat produk yang memenuhi minimal support dan minimal confidence, namun dalam penghitungan support dan confidencenya sulit jika data yang diolah dalam jumlah yang besar.[11]

8. Fajrin dkk (2018) Penerapan data mining untuk analisis pola pembelian konsumen di penelitian ini dalam pembagian spare part harus sesuai dengan merk dan jenis, agar konsumen lebih jelas dan akurat dalam pemesanan atau penjualan spare part motor, hal ini berguna untuk memudahkan konsumen dalam pembelian dan admin dalam pendataan transaksi penjualan tersebut. [12] 9. Wandi dkk (2017) Pengembangan Sistem Rekomendasi Penelusuran Buku dengan Penggalian Association Rule Menggunakan Algoritma Apriori Penelitian ini menggunakan data transaksi peminjaman buku mingguan sebanyak 45.108 transaksi dalam kisaran tahun peminjaman dari 2009 hingga tahun 2012, Rule yang ditemukan dalam aplikasi sangat beragam panjang itemset-nya. Panjang itemset ini akan menentukan banyaknya rekomendasi yang diberikan. Bila panjang itemset mencapai 9-itemset, artinya ada delapan buku yang direkomendasikan.[7] 10. UINS Riau (2018) Asosiasi Pada Data Peminjaman Buku Di Perpustakaan bertujuan untuk mencari aturan asosiasi dari data peminjaman buku di perpustakaan FST UIN SUSKA Riau menggunakan Algoritm Apriori. Algoritma ini diusulkan Agrawal dan Srikant pada tahun 1994. Apriori bisa menggali aturan asosiasi yang sering muncul pada data yang memiliki kumpulan-item (itemset) yang besar secara cepat. [13]

DAFTAR PUSTAKA [1]

[2]

[3]

D. K. Pane, “Implementasi Data Mining Pada Penjualan Produk Elektronik Dengan Algoritma Apriori ( Studi Kasus : Kreditplus ),” Pelita aInformatika Budi Darma, vol. valume : I, pp. 25–29, 2013. D. Haryanto, Y. Oslan, and D. Dwiyana, “Implementasi Analisis Keranjang Belanja Dengan Aturan Asosiasi Menggunakan Algoritma Apriori Pada Penjualan Suku Cadang Motor,” J. Buana Inform., p. 14, 2011. A. Z. Hidayat, “Penerapan Algoritma Apriori untuk Menentukan Strategi Penjualan pada

[4]

[5]

[6]

[7]

[8] [9]

[10] [11] [12]

[13]

Rumah Makan ‘Dapoer Emak’ Pati,” 2017. W. Aprianti, J. Permadi, and Oktaviyani, “Penerapan Algoritma Apriori untuk Transaksi Penjualan Obat pada Apotek Azka,” Semin. Nas. Mat. dan Apl., no. October 2017, pp. 436–442, 2017. D. Listriani, A. H. Setyaningrum, and F. E. M. A, “Penerapan metode asosiasi menggunakan alogaritma apriori pada aplikasi analisa pola belanja konsumen( Studi Kasus Toko Buku Gramedia Bintaro ),” J. Tek. Inform. Vol 9 No. 2, Univ. Islam Negeri Jakarta, vol. 9, no. 2, pp. 120–127, 2016. H. D. Anggraeni, R. Saputra, and B. Noranita, “Aplikasi data mining analisis data transaksi penjualan obat menggunakan alogaritma apriori (Studi Kasus di Apotek Setya Sehat Semarang),” J. Masy. Inform., vol. 4, no. 7, pp. 1–8, 2013. N. Wandi, R. A. Hendrawan, and A. Mukhlason, “Pengembangan Sistem Rekomendasi Penelusuran Buku dengan Penggalian Association Rule Menggunakan Algoritma Apriori,” J. Tek. ITS, vol. 1, pp. 1–5, 2012. A. Nursikuwagus and T. Hartono, “Implementasi Algoritma Apriori Untuk Analisis Penjualan Dengan Berbasis Web,” J. SIMETRIS, vol. 7, no. 2, p. 703, 2016. K. Ummi, “Analisa Data Mining Dalam Penjualan Sparepart Mobil Dengan Menggunakan Metode Algoritma Apriori ( Studi Kasus : di PT . IDK 1 Medan ),” CSRID J., vol. 8, no. 3, pp. 155–164, 2015. T. Herry Sujaini, Despitaria, “Analisis Asosiasi pada Transaksi Obat Menggunakan Data Mining dengan Algoritma Apriori,” vol. 1, no. 1, 2016. S. Penjualan, R. Di, and D. Rien, “Implementasi data mining alogaritma apriori pada sistem penjualanroti di difa rien's bakery,” 2017. A. A. Fajrin, A. Maulana, T. Informatika, U. P. Batam, and J. R. Soeprapto, “penerapan data mining untuk analisis pola pada pembelian konsumen dengan alogaritma fpgrowthpada data transaksi penjalan,” vol. 05, no. 01, pp. 27–36, 2018. P. Studi, S. Informasi, F. Sains, and U. I. N. S. Riau, “Asosiasi Pada Data Peminjaman Buku Di Perpustakaan,” vol. 4, no. 1, pp. 77–80, 2018.