Application Of Data Mining On Sidoarjo Leather Crafts Sales With Apriori Algorithm To Assist Marketing Strategies Penerapan Data Mining Pada Penjualan Kerajinan Kulit Sidoarjo Dengan Algoritma Apriori Untuk Membantu Strategi Pemasaran Firdiansyah Muhamad Alfin muhamadalfin211@gmail.com Findawati Yulian yulianfindawati@umsida.ac.id Universitas Muhammadiyah Sidoarjo Indonesia Universitas Muhammadiyah Sidoarjo Indonesia 09 06 2021

Di era milenial saat ini perkembangan industri sangat pesat. Baik di industri makanan, industri kreatif maupun retail. Khususnya di industri retail para pengembang berlomba – lomba mengembangkan usaha retail di berbagai daerah. Banyaknya persaingan dalam dunia bisnis khususnya dalam industri retail, menuntut para pengembang untuk menemukan suatu strategi yang dapat meningkatkan penjualan dan pemasaran produk yang dijual, salah satunya adalah dengan pemanfaatan data penjualan produk kerajinan kulit.

Dari kualitas barang yang di produksi tentunya memiliki keunikan dan nilai unggul serta harga yang bervariasi. Dengan kejadian seperti ini maka tidak heran jika industri kerajinan kulit di UD. QORY JAYA selalu menuai permintaan lebih disetiap periodenya. Dan dengan adanya kegiatan penjualan setiap hari, data semakin lama akan semakin bertambah banyak dan menumpuk. Hal inilah yang dijadikan dasar pengolahan data mining pada penjualan segala produk kerajinan kulit di UD. QORY JAYA tanpa terkecuali. Pengolahan data mining pada penjualan produk kerajinan kulit ini menggunakan algoritma Apriori.

Algoritma Apriori adalah salah satu jenis aturan asosiasi data mining. Penggunaan Algoritma Apriori untuk pengolahan data mining penjualan karena data yang di olah memiliki perbedaan jenis. Tujuan algoritma Apriori sendiri adalah menemunkan frequent item sets yang dijalan pada sekumpulan data. Dalam penerapan data mining tentunya menggunakan akar dari data mining sendiri yaitu statistik, AI, Pengenalan Pola, dan Sistem Basis Data.[1] Data mining dibagi menajdi beberapa kelompok diantaranya prediksi, analisis, asosiasi, deteksi anomali.[2] Pada kasus ini menggunakan pola prediksi. Dalam penerapanya, tentunya membutuhkan media. Media yang digunakan adalah sistem apriori berbasis web dengan pemanfaatan framework Codeigniter dan Bootstrap.

Codeigniter adalah framework untuk PHPyang bersifat open source dan menggunakan metode MVC (Model, View, Controller) untuk memudahkan developer atau programmer dalam membangun sebuah aplikasi berbasis web tanpa harus membuatnya dari awal.[3] Adapun pengertian PHP adalah akronim dari Hypertext Preprocessor, yaitu suatu bahasa pemrograman berbasiskan kode – kode (script) yang digunakan untuk mengolah suatu data dan mengirimkannya kembali ke web browser menjadi kode HTML.[4] Jadi, dengan pemanfaatan CodeIgniter dapat membantu mempercepat developerdalam pengembangan aplikasi webberbasi php karena CodeIgnitermenyediakan banyak libararyuntuk mengerjakan tugas-tugas yang umumnya ada pada sebuah aplikasi berbasis web. Selain itu, struktur dan susunan logis dari CodeIgnitermembuat aplikasi yang dibuat menjadi semakin teratur dan rapi.[5]

Selain menggunakan framework untuk PHP, dalam pengerjaan project kasus ini juga menggunakan framework Bootstrap untuk bagian front-endnya. Boostrap memudahkan perancangan kerangka program dengan berbagai plugin yang di miliki. Bootstrap telah berubah dari yang sebelumnya adalah CSS-Driven proyek ke sebuah host dari JavaScript plugins dan ikon yang dapat dengan mudah digunakan untuk form dan tombol.[6]

Data Mining

Data mining adalah proses yang memperkerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstrasi pengetahuan (knowledge) secara otomatis.[7]. Secara sederhana dapat diartikan bahawa data mining atau yang disebut juga dengan Knowledge Discovery in Database (KDD) adalah serangkaiann proses proses untuk mengekstrak pola yang penting atau menarik dari sejumlah data yang sangat besar berupa pengetahuan yang selama ini tidak diketahui dengan proses manual.

Proses Data Mining bersifat interaktif dan bertahap. Tahap dari data mining khususnya yang menggunakan Algoritma Apriori dibagi menjadi beberapa tahap sebagai berikut:

Langkah ini, noise data yang tidak konsisten akan dihapus. Pembersihan data dilakukan untuk mendeteksi missing values, Data Transformation (Transformasi Data)

Langkah ini, data ditransformasikan ke dalam bentuk yang sesuai atau tepat untuk ditambang.

Langkah ini merupakan proses dimana metode – metode diapliaksikan dengan tepat untuk mengekstrak pola data.

Lanhkah ini merupakan langkah untuk mengidentifikasi pola yang sangat menarik untuk mempresentasikan pengetahuan berdasarkan beberapa pengukuran yang penting.

Data Selection (Seleksi Data)

Data Cleaning (Pembersihan Data)

Data Mining (Penambangan Data)

Pattern Evaluation (Evaluasi Pola)

Knowledge Presentation (Presentasi Pengetahuan)

Teknik visualisasi dalam memprresentasikan pengetahuan kepada pengguna.

Teknik Asosiasi

Teknik Asosiasi adalah metode penambangan data yang digunakan untuk mencari pola asosiasi yang sering muncul dalam data. Aturan metode ini sangat menunjang dalam dunia bisnis perbelanjaan. Karena metode ini menggunakan prinsip “jika-maka” dalam artian jika seseorang membeli barang A, maka orang tersebut juga membeli barang B yang terjadi dalam satu transaksi. Hal tersebut sungguh sangat membantu para pengusaha pertokoan untuk kepentingan transaksi karena sangat efektif sebagai penunjang pemsaran produk.[8]

Dalam penggunaan teknik asosiasi ada bebrapa hal yang perlu diperhatikan, antara lain :

Item adalah sebuah sebuah niali atribut, itemset adalah kumpulan dari beberapa item, dan k-itemset adalah itemset yang berisi item.

Support merupakan nilai penunjang atau nilai presentase kombinasi item set dalam suatu database..

(1)

Item, Itemset, dan k-itemset

Support

Confidence

Confidence merupakan nilai kepastian yaitu kuatnya hubungan antar item dalam sebuah apriori.

(2)

Algoritma Apriori

Algoritma Apriori adalah aturan yang termasuk jenis aturan asosiasi pada data mining. Aturan yang menyatakan asosiasi antara beberapa atribut sering disbut affinity analysis atau market basket analysis. Analisis asosiasi atau association rule adalah teknik data mining untuk menemukan aturan asosiatif antara suatu kombninasi item.[9]

Langkah – langkah pemrosesan Algoritma Apriori adalah sebagai berikut:

1. Set k=1 (menunjuk pada itemset-ke 1).

2. Hitung semua k-itemset (itemset yang mempunyai k-item), untuk mendapatkan candidate 1-itemset.

3. Hitung support dari semua calon itemset, kemudian filter itemset tersebut berdasarkan perhitungan minimum support untuk mendapatkan frequent 1-itemset.

4. Untuk mendapatkan 2-itemset, harus dilakukan kombinasi dari k-itemset sebelumnya

5. Set nilai k-itemset dari support yang memenuhi minimum support dari k-itemset.

6. Ulangi langkah 3-5 sampai tidak ada k-itemset yang memenuhi minimum support.

Data mining merupakan bidang keilmuan yang menyatukan teknik dari pembelajaran mesin, pengenalan pola, statistik, database, dan visualisasi untuk pengenalan permsalahan pengambilan informasiu dari database yang besar.[10]. Setelah semua pola frekuensi tinggi ditemukan, selanjutnya mencari aturan asosiasi dengan memenuhi syarat minimum confidence dengan menghitungconfidence aturan asosiasi A | B. [11]

Pernacangan Flowchart

Untuk flowchart dari algoritma apriori adalah sebagai berikut:

Gambar 1.1 Flowchart Apriori

Metode penelitian yang dipakai dalam penelitian ini adalah metode eksperimental atau penelitian terapan. Yaitu menerapkan algoritma apriori ke dalam sistem serta menganalisis transaksi pembelian di toko UD. Qory Jaya , dimana data transaksi bulan Mei sampai denga Juli 2020 dijadikan sebagai sampel data. Dari data-data transaksi yang digunakan tadi akan dilakukan pemebentukan itemset dengan minimum support yang telah ditentukan. Setelah semua pembentukan itemset untuk menentukan pola frekuensi transaksi yang sering terjadi, selanjutnya akan dilakukan pembentukan aturan asosiasi yang memenuhi syarat minimum confidenceyang telah ditentukan.

Data transaksi penjualan yang diperoleh berupa data transaksi mentah dalam format excel yang dikemas dalam bentuk tabel sesuai dengan kode transaksi pembelian. Sebelumnya pada proses ini dilakukan normalisasi data, karena format tabel pada data mentah yang belum beraturan. Data yang telah diseleksi berjumlah 385 data item transaksi.

Gambar 1.2 Data Mentah Terseleksi

Selanjutnya adalah melakukan preprocessing data pada data yang sudah terpilih sebelumnya, preprocessing data/data cleaning meliputi pembuangan duplikasi data dan penambahan field yang diperlukan seperti id atau no sebagai primary key agar bisa diidentifikasi oleh database sesuai nomor id-nya. Dalam proses data cleaning hanya proses pembuangan data yang bersifat dupiklat pada setiap transaksi. Sehingga dari data terseleksi yang awalnya 385 data item menjadi 295 data item. Jadi fields data transaksi berisi no, tanggal, id transaksi, id barang, nama barang dan jumlah.

Gambar 1.3 Data Transaksi sesudah di cleaning

Selanjutnya dilakukan proses Transformasi Data, yaitu dengan cara men-import data yang sudah dicleaning ke dalam database sehingga data siap diolah oleh aplikasi. Proses yang dilakukan pada tahap ini untuk mengetahui hasil perhitungan data menggunakan algoritma apriori.

Berikut adalah tampilan aplikasi berbasis web yang dibuat menggunakan framework Codeigniter3 dan Bootstrap3

Proses aprionya, yaitu dengan cara memasukkan nominal min. support dan min. confidence pada fitur Proses Apriori.

Gambar 1.5 Proses Apriori

Selanjunya setelah mengklik tombol Proses, maka akan muncul data dari proses apriori berupa data itemset seperti pada Gambar 1.6.

Pada pengujian menggunakan min. support 15% dan min. confidence20%dihasilkan

Gambar 1.6itemsetGambar 1.7Kandidat 1-itemset

Lalu muncul data L1-itemset atau biasa disebut hasil apriori 1-itemset seperti pada Gambar 1.15.

Gambar 1.81-itemsetGambar 1.9Kandidat 2-itemset danHasil 2-itemset

Diketahui bahwa hasil 2-itemset tidak memungkinkan untuk berlnajut ke proses 3-itemset, maka secara otomatis akan dilanjutkan ke Assosiation Rule.

Tampilan hasil Assosiation Rule seperti pada Gambar 1.10

Gamb ar 1.10 Assosiation Rule

Tabel Assosiation Rule berisi data hasil aturan asosiasi dan perhitungan nilai confidence masing – masing aturan asosiasi item yang telah terjadi transaksi dari data transaksi yang sudah diproses pada proses sebelumnya.

Tampilan Tabel Transaksi

Gambar 1.11Tabel Transaksi

Dari tabel dapat dijelaskan bahwa kombinasi yang terbentuk hanya sampai 2 kombinasi yaitu Slingbag → Sepatu dan begitu sebaliknya. Dan terbentuklah aturan asosiasi dengan min. support 15% dan min. confidence 20% menghasilkan aturan asosiasi Slingbag → Sepatu Kulit Pria dengan support diatas 15% yaitu 20,45% dan confidence diatas 20% yaitu 78,2%. Artinya dengan 78,2% kemungkinan pembeli akan membeli Slingbag juga akan membeli Sepatu Kulit Pria. Sedangkan aturan asosiasi Sepatu Kulit Pria → Slingbag dengan support diatas 15% yaitu 20,45% dan confidence diatas 20% yaitu 47,3%. Artinya dengan 47,3% kemungkinan pembeli akan membeli Sepatu Kulit Pria juga akan membeli Slingbag.

Pengujian data menggunakan min.support 70% dan min.confidence 70% tidak terjadi proses apriorinya karena pembentukan kandidat 1-itemset dan seterusnya tidak terbentuk disebabkan nilai yang terlalu kecil (dibawah min. support) sejak awal proses. Sehingga tidak terbentuk aturan asosisasi yang diharapkan.

Perlu diketahui penentuan min. support dan min. confidencedapat di sesuaikan dengan kebutuhan perusahaan dan intensitas barang yang ada.

Hasil penelitian yang sudah dilakukan adalah sebagai berikut:

1. Data Mining dengan menggunakan metode Algoritma Apriori ini dapat membantu pengembangan strategi pemasaran dan pemodelan penjualan barang kerajinan kulit Sidoarjo dengan sistem berbasis web.

2. Mengetahui tingkat pembelian konsumen dalam asosiasi antar kombinasi barang dimana pembelian tersebut didapatkan hubungan yang akurat antar barang dengan nilai confidence 78,2 %. Dengan hasil hubungan barang tersebut jika membeli Slingbag maka akan membeli Sepatu Kulit Pria. Dan nilai confidence 47,3 % dengan hasil hubungan antar barang tersebut maka, jika membeli Sepatu Kulit Pria akan membeli Slingbag.

3. Pengujian data dengan min. support diatas 15% yaitu 70% tidak berpengaruh terhadap hasil aturan asosiasi hanya berpengaruh terhadap hasil 1-itemset (L1) dan Kandidat 2-itemset (C2) yang jumlahnya semakin sedikit. Sedangakan pengujian data dengan min. support dibawah 15% yaitu 10% juga tidak berpengaruh terhadap hasil aturan asosiasi hanya berpengaruh terhadap hasil 1-itemset (L1) dan Kandidat 2-itemset (C2) yang jumlahnya semakin banyak.

4.Pengujian data dengan min. confidence diatas 20% tidak berpengaruh terhadap pembentukan itemset dan pembentukan kombinasi 2-itemset serta hasil aturan asosiasi. Sedangkan pengujian data dengan min. confidence dibawah 20% juga tidak berpengaruh terhadap pembentukan itemset dan pembentukan kombinasi 2-itemset serta hasil aturan asosiasi.

5. Dengan aturan asosiasi yang demikian, maka menunjukkan barang yang paling banyak di minati adalah Sepatu Kulit pria dan Slingbag. Maka kedua barang tersebut alangkah baiknya untuk diperbanyak stoknya. Dan penempatan posisi di dalam toko harapnya bisa bersebelahan atau saling berdekatan. Agar lebih memudahkan konsumen dalam menjangkau barang tersebut.