Seminar Nasional Komputasi dan Informatika

ISSN : 2407 - 6511
IMPLEMENTASI ALGORITMA FOLD-GROWTH PADA PEMODELAN POLA PEMBELIAN BARANG
SEBAGAI PENDUKUNG PENENTUAN LETAK BARANG
Bq Desy Hardianti1, Mira Kania Sabariah, ST., MT.2, Alfian Gozali Akbar, ST. MT.3
1,2,3
Fakultas Informatika Telkom University, Bandung
1
[email protected], [email protected], [email protected]
Abstrak
Data mining adalah proses analisa data untuk menggali pola yang terdapat pada data. Data mining
digunakan untuk menggali data dalam jumlah besar dimana proses ini bertujuan untuk
mendapatkan informasi dan pengetahuan baru yang bermanfaat yang dapat digunakan untuk
mendukung penentuan keputusan. Salah satu teknik Data mining yang dapat digunakan adalah
Market basket analysis dengan menggunakan association mining yaitu Algoritm Fold-Growth .
Metode ini dimulai dengan mencari frequent itemset dan menghasilkan rule yang dapat dijadikan
acuan peletakan barang pada toko atau supermarket . Algoritma Fold-Growth ini dapat membantu
menemukan aturan asosiasi antarbarang yang dapat digunakan sebagai acuan dalam marketing
atau promosi barang secara efektif. Dalam penelitian ini dibuktikan bahwa Algoritma FoldGrowth berhasil diimplementasikan dalam kasus Market basket analysis untuk menentukan rule
atau aturan terkait peletakan barang pada toko atau supermarket. Dari penelitian yang telah
dilakukan ditemukan juga bahwa dari data transaksi yang di dapat dan diujicobakan berdasarkan
jumlah data atau kuantitas data serta kombinasi parameter minimum support 0.1% - 0.5% dan
minimum confidence 10% -50% didapat kesimpulan bahwa pemilihan kombinasi nilai minimum
support dan nilai minimum confidence berpengaruh terhadap jumlah rule ataupun frequent
itemset yang dihasilkan. Selain itu aturan tambahan yang diberlakukan oleh toko dimana item
food dan non-food tidak dapat gabungkan dalam satu rak (departemen) berpengaruh juga dalam
menentukan kebijakan terkait dengan peletakan barang .
Kata kunci : data mining, association rules, Market basket analysis, frequent itemset, Fold-growth
1. Pendahuluan
1.1.
Latar Belakang
Transaksi pembelian barang adalah suatu proses pertukaran barang yang mempunyai pengaruh
nilai ekonomi atau bisnis. Transaksi pembelian barang dilakukan hampir setiap hari oleh konsumen atau
pelanggan. Kecendrungan pelanggan membeli barang atau item tertentu berpengaruh besar terhadap
stok barang yang ada pada toko maupun supermarket. Ritel memberikan perhatian besar terhadap laju
pembelian barang yang dilakukan oleh pelanggan. Informasi banyaknya pembelian barang ini akan
sangat berguna pada saat toko atau supermarket melakukan pemesanan barang pada supplier. Hal ini
sangat berpengaruh terhadap pertumbuhan ritel atau supermarket tersebut. Nilai bisnis dari barang atau
item dapat dipantau dari seberapa cepat item atau barang tersebut dibeli oleh pelanggan. Transaksi
pembelian barang yang dilakukan oleh pelanggan ini ternyata memiliki pola yang menarik. Pola transaksi
ini dapat dikatakan menarik dikarenakan pola pembelian tersebut belum diketahui makna dan
manfaatnya dikarenakan knowledge atau pengetahuan yang ada sangat terbatas terhadap data transaksi
tersebut. Pada penelitian yang dilakukan sebelumnya, dari informasi transaksi pembelian barang yang
terekam di dalam basis data pola transaksi tersebut dapat dicari makna dan manfaat yang terkandung di
dalamnya, dimana pencarian pola dari data tersebut sangat erat kaitannya dengan ilmu penggalian data
atau data mining.
Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data
berupa pengetahuan yang selama ini tidak diketahui secara manual 9. Data mining hadir untuk
menganalisa informasi yang dianggap menarik dan memberikan manfaat serta sebagai pengetahuan
(knowledge) untuk mendukung pengambilan keputusan. Banyak orang menganggap Data mining
merupakan sinonim dari Knowledge Discovery in Databases (KDD) dimana Data mining berfokus pada
penggalian data dalam jumlah besar. Sedangkan sebagian lain melihat Data mining sebagai langkahlangkah dalam proses Knowledge Discovery in Databases.7. Dalam penelitian kali ini dibahas mengenai
penggalian data pada sejumlah transaksi pembelian barang oleh pelanggan pada supermarket atau ritel.
Berdasarkan data transaksi pembelian barang tersebut akan dilakukan proses penggalian atau mining
pada data dengan menggunakan metode Market basket analysis. Market basket analysis adalah teknik
Data mining yang bertujuan untuk menentukan produk-produk yang sering dibeli secara bersamaan oleh
22
ISSN : 2407 - 6511
pelanggan. Informasi ini akan sangat berguna bagi penjual dalam menentukan produk atau item mana
yang paling sering diambil atau dimasukkan ke dalam keranjang belanja oleh pelanggan.
Pola pembelian barang oleh pelanggan menjadi sebuah parameter yang diujikan pada tahap
selanjutnya yaitu akan dilakukan implementasi dan analisis terhadap kinerja algoritma Fold-Growth
menggunakan struktur data yang disebut SOTrieIT ( Support-Ordered Trie Itemset ) terhadap data
transaksi pembelian barang. Algoritma Fold-Growth ini merupakan association rule atau hasil
penggabungan dari algoritma FOLDARM dan FP-Growth. FOLDARM (Fast Online Dynamic Association rule
Mining) memiliki keuntungan yaitu kecepatan kinerja dalam frequensi itemset maksimum (Kmax ≤ 10) sedangkan pada algoritma FP-growth (Frequent Pattern Growth) memiliki kinerja cepat pada frequent
itemset maksimum (Kmax>10 )14.
Berdasarkan penelitian sebelumnya durasi eksekusi, skalabilitas, reliabilitas dan utilitas memori
lebih baik pada algoritma Fold-Growth dibandingkan dengan algoritma –algoritma pada asosiasi yang
lainnya seperti FP-growth dan Apriori12. Dalam hal ini pemilihan fungsionalitas yang tepat dalam
menggali data sangat dibutuhkan guna meningkatkan efektivitas dan efisiensi waktu dalam
mengekstraksi data. Penggunaan algoritma Fold-Growth ini diharapkan dapat memperbaiki kinerja dari
algoritma sebelumnya agar dapat dijadikan referensi dalam menyelesaiakan kasus penggalian data
dengan menggunakan metode Market basket analysis tersebut. Keuntungan lain yang di dapat dari
informasi penggalian data dengan algoritma tersebut yaitu dapat menentukan rule atau aturan sebagai
pendukung penentuan peletakan barang dimana pola tersebut ditentukan oleh dua parameter, yaitu
support dan confidence. Support menunjukkan presentase nilai yang menyatakan banyaknya barang yang
dibeli dibagi dengan jumlah keseluruhan transaksi. Semakin besar nilai support maka kemungkinan item
terbeli oleh pelanggan semakin besar. Sedangkan confidence menunjukkan kuatnya hubungan antar item
dalam pola yang dihasilkan.
1.2.
Tujuan
Tujuan yang didapatkan dari penelitian ini, adalah sebagai berikut:
1. Mengetahui implementasi Algoritma Fold-Growth dalam menentukan rule atau aturan terkait
peletakan barang.
2. Menganalisa nilai minimum support dan minimum confidence yang menghasilkan rule terbaik yang
diinginkan pada sejumlah data transaksi.
3. Mengetahui pengaruh kombinasi nilai minimum support dan minimum confidence terhadap rule dan
frequent itemset yang dihasilkan.
2. Dasar Teori /Material dan Metodologi/perancangan
2.1.
Data mining
Menurut Turban dalam bukunya yang berjudul ”Decision Support Systems and Intelligent Systems”, data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam
basis data. 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 basis data besar 9 .
2.2 Market basket analysis
Market basket analysis merupakan salah satu metode atau teknik yang sering digunakan dan paling
bermanfaat untuk lingkungan marketing. Tujuan dari Market basket analysis ini adalah untuk
menentukan produk manakah yang pelanggan beli dalam waktu bersamaan, di mana nama dari metode
ini diambil dari kebiasaan pelanggan menaruh barang mereka ke keranjang atau kedalam daftar belanja
(market basket)7. Dengan mengetahui produk manakah yang dibeli secara bersamaan akan dapat sangat
membantu pedagang ataupun perusahaan lainnya. Sebuah toko juga dapat menggunakan informasi ini
untuk menempatkan produk yang sering terjual secara bersamaan di dalam satu area atau kategori.
Keuntungan Market basket analysis selain dapat mengetahui produk yang dibeli secara bersamaan,
metode ini dapat menggunakan informasi yang dihasilkan untuk melakukan re-order produk untuk
sekaligus dua produk atau lebih. Metode ini juga bisa bermafaat bagi top-level manager untuk dapat
melihat data pembelian dari pelanggan, sehingga dapat diketahui manakah yang termasuk
pelanggan tetap atau yang paling banyak melakukan pembelian.
2.3 Algoritma Fold-growth
Algoritma Fold-Growth merupakan hasil gabungan dari algoritma FOLDARM (Fast Online Dynamic
Association rule Mining) dan FP-Growth. Pada algoritma ini akan digabungkan keuntungan dari dua
algoritma antara FOLDARM dan FP-Growth. Algoritma FOLDARM memiliki kecepatan kinerja dalam
23
ISSN : 2407 - 6511
frequent itemset maksimum (Kmax) atau K ≤ 10, sedangkan algoritma FP-growth memiliki kinerja cepat
pada Kmax > 10 14.
Dalam algoritma ini terdapat 4 tahapan utama12
a. Penggalian L1 (Large 1 –itemset ) dan L2 (Large 2 –itemset ) menggunakan SOTrieIT
b. Pemangkasan item-item yang tidak frequent dalam transaksi menggunakan L1 dan L2
c. Membangun FP-tree menggunakan transaksi yang telah dipangkas dan
d. Penggalian frequent itemset dengan algoritma FP-growth.
Dalam algoritma FP-growt penggunaan Fp-tree memiliki kelemahan saat dilakukan update data transaksi.
Masalah yang terjadi dilakukannnya scanning data awal ditambah data transaksi yang ditambah atau
dihapus . proses ini akan memperlambat kinerja algoritma dalam proses penggalian.
Penggunaan struktur data SOTrieIT mengakomodasi perubahan basis data dapat mengefisienkan usaha
yang dilakukan program dalam melakukan perubahan transaksi .
Tahapan Pencarian Pola dengan
Algoritma Fold-Growth
Data Hasil
Preprocessing
Penggalian L1-itemset dan
L-2 Itemset dengan struktur
SOTrieIT
Hasil penggalian
L1-itemset dan L2Itemset
Tentukan Minimum support
dan Minimum Confidence
Generate data itemset
dengan memangkas Hasil
penggalian L1-itemset dan
L2-itemset berdasarkan
minsup inputan
Hasil
Pemangkasan L1itemset dan L2itemset
Pembangunan Fp-Tree dari
hasil pemangkasan
Penggalian Frequent Itemset
dengan menggunakan
algoritma FP-Growth
Hasil rule yang
dibentuk
Peletakan barang sesuai rule yang sudah
ditentukan oleh studi kasus
Rule hasil peletakan
barang
Gambar 2 Tahapan Penerapan Algoritma Fold-Growth
2.4 Algoritma FOLDARM
FOLDARM merupakan algoritma yang membangun sebuah struktur data baru yang disebut SOTrieIT
(Support Ordered Trie Itemset). SOTrieIT (Sub Ordered Trie Itemset) merupakan suatu tree yang dibangun
dengan melakukan ekstraksi terhadap 1 -2 itemset dari setiap transaksi yang dibaca15.
SOTrieIT memiliki dua tingkatan atau dua level node dimana terdapat tree yang menyatakan bahwa tiap
node w memiliki sebuah label l yang dinyatakansebagai
Item dan sebuah notasi j yang menyimpan nilai support count yang berhubungan. Setiap node tree
terhubung pada beberapa item yang terdapat dalam itemset I (dinotasikan dengan ai ϵ I ) maka, untuk wi
mengacu pada node yang memiliki hubungan dengan ai ϵ I.
Himpunan SOTrieIT dimungkinkan memiliki parent node yang berbeda-beda seperti w1, w2,..., wN, yang
dibangun dari sebuah basis data untuk menyimpan support count dari semua 1-itemset dan 2-itemset.
Maka, digunakan node khusus yang dinamakan root untuk menghubungkan semua node secara
bersamaan.
Algoritma pada pembentukan struktur data SOTrieIT ini bekerja melakukan ekstraksi dengan 1-2 itemset
1. Menentukan 1-2 itemset dari setiap transaksi yang dibaca
2. Menambahkan node baru pada Trie jika nilai count adalah 1 jika node tersebut tidak terdapat
pada level 1 dan level 2. Jika node sudah terdapat pada Trie maka yang dilakukan hanyalah
menambahkan nilai count di node tersebut.Dimana node-node tersebut diurutkan berdasarkan
support count dengan urutan terbesar hingga terkecil dimulai dari kiri ke kanan.
Berikut adalah algoritma FOLDARM dalam proses pembentukan struktur SOTrieIT dimana struktur data
Y akan diurutkan dari kiri ke kanan sesuai dengan support count dari node secara descending.14.
24
ISSN : 2407 - 6511
Gambar 3. Algoritma Pembentukan SoTrieIT
Dalam penggunaan struktur data SOtrieIT ini sangat membantu mempermudah proses penambahan
ataupun pengurangan terhadap transaksi suatu basis data. Gambar dibawah ini menunjukkan algoritma
yang digunakan dalam proses update transaksi SOTrieIT .
if a new is added to the universal itemset
do noting because the SOTrieIT will be updated the
moment a transaction i arrives
else if an item j is remove from the universal itemset
traverse the SOTrieIT to remove all nodes and
their chill nodes ( if any that contain j )
Untuk mengilustrasikan proses pembentukan struktur SOTrieIT adalah sebagai berikut. Digunakan
contoh tabel transaksi pada databse dengan 4 transaksi sebagaimana yang terlihat pada Tabel 1 15:
Tabel 1 Contoh Tabel Transaksi
TID
1
2
3
4
3.
Items
AC
BC
ABC
ABCD
Pembahasan
3.1. Perancangan dan Simulasi
Tahapan penelitian yang dilakukan dapat dilihat pada Gambar 4 yang menjelaskan alur kerja yang
dilakukan dalam penelitian :
1. Data Mentah
Data Transaksi
Mentah
2. Preprocessing
Preprocessing
3. Data Hasil
Data Hasil
Preprocessing
Fold-Growth
Data Hasil
Proses Mining
Preprocessing
4. Fold-Growth
5. Data Hasil
Data Analisa & Evaluasi
Data Hasil Analisis
dan Evaluasi
Proses Mining
6. Data Analisa &
Evaluasi
7. Data Hasil
Gambar 4 Deskripsi Umum Penelitian
25
ISSN : 2407 - 6511
Untuk alur tahapan pencarian pola dengan algoritma Fold-Growth terlihat pada gambar 5.
Tahapan Pencarian Pola dengan
Algoritma Fold-Growth
Data Hasil
Preprocessing
Penggalian L1-itemset dan
L-2 Itemset dengan struktur
SOTrieIT
Hasil penggalian
L1-itemset dan L2Itemset
Tentukan Minimum support
dan Minimum Confidence
Generate data itemset
dengan memangkas Hasil
penggalian L1-itemset dan
L2-itemset berdasarkan
minsup inputan
Hasil
Pemangkasan L1itemset dan L2itemset
Pembangunan Fp-Tree dari
hasil pemangkasan
Penggalian Frequent Itemset
dengan menggunakan
algoritma FP-Growth
Hasil rule yang
dibentuk
Peletakan barang sesuai rule yang sudah
ditentukan oleh studi kasus
Rule hasil peletakan
barang
Gambar 5 Tahap penerapan Algoritma Fold-Growth
Pengujian system dilakukan pada data transaksi pembelian pada supermarket dengan skenario sebagai
berikut.
1. Menganalisa validitas dari system yang dibangun.
2. Observasi nilai minimum support dan minimum confidence terhadap rule yang dihasilkan oleh
system. Memastikan pada nilai minimum support dan confidence berapa rule yang terbaik
dihasilkan dengan melihat apakah aturan yang dibentuk memenuhi batasan rule yang ditentukan
pada toko dimana tidak diperbolehkan kategori food dan non-food disandingkan.
3. Menganalisa pengaruh kombinasi nilai minimum support dan minimum confidence terhadap rule
yang dihasilkan apakah kombinasi tersebut berpengaruh terhadap jumlah rule yang dihasilkan
oleh sistem setelah diuji coba.
Adapun penyajian data dapat dilihat pada tabel 2 berikut :
Tabel 2 Spesifikasi data yang diujicoba
Data Uji
Uji 1
Uji 2
Uji 3
Uji 4
Uji 5
Jumlah Transaksi
2.000
4.000
6.000
8.000
10.000
26
ISSN : 2407 - 6511
Jumlah Rule dan frequent itemset
yang dihasilkan
Pengaruh Kombinasi Nilai Minimum Support 0.1%-0.5%
dan Nilai Minimum Confidence 10% terhadap jumlah
rule dan frequent itemset yang dihasilkan untuk
mendapatkan rule terbaik pada percobaan 10.000 data
transaksi
250
210
200
150
122
100
44
25
50
frequent
Itemset
26
15
0
0.1
0.2
0.3
rule
14 9
0.4
10 6
0.5
Nilai Minimum Support dalam persen (%)
Gambar 6. Pengaruh Kombinasi Nilai Minimum Support 0.1%-0.5% dan Nilai Minimum Confidence
10% terhadap jumlah rule dan frequent itemset yang dihasilkan untuk mendapatkan rule terbaik
pada percobaan 10.000 data transaksi.
Dari grafik pada gambar 6 terlihat kecendrungan jumlah rule dan frequent itemset menurun artinya
berbanding terbalik antara kombinasi nilai minimum support dan minimum confidence berpengaruh
terhadap jumlah rule yang dihasilkan. Semakin tinggi minimum confidence semakin kecil rule dan frequent
itemset yang dihasilkan. Untuk menghasilkan rule yang diinginkan kombinasi nilai minimum support dan
minimum confidence terbaik didapat pada nilai minimum support 0.1% dan minimum confidence 10%,
Keputusan ini diambil dari hasil penggalian data dari sejumlah percobaan yang dilakukan yang
menunjukkan bahwa banyaknya kombinasi dari item-item yang dapat disandingkan pada satu
departemen atau kelompok menghasilkan jumlah rule yang sesuai (rule tidak terlalu sedikit ) yang dapat
dijadikan acuan dalam peletakan barang. Dari hasil penelitian pula setiap rule yang dihasilkan tidak
semua rule atau aturan peletakan barang dapat diterima dikarenakan batasan rule yang diterapkan pada
took tersebut dimana item food dan non-food tidak dapat disandingkan atau tidak dapat diposisikan
secara bersamaan.
27
ISSN : 2407 - 6511
Jumlah Rule
yang terbentuk
Pengaruh Nilai Minimum Support dan Nilai Minimum
Confidence terhadap jumlah rule pada percobaan 10.000
data transaksi
140
120
100
80
60
40
20
0
122
97
53
25
15
9
6
24
15
9
6
18
12
7
6
21
5
2
1
2
06
10
%
20
%
30
%
40
%
50
%
minsup 0.3
minsup 0.1 122
97
53
21
6
minsup 0.4
minsup 0.2
25
24
18
5
2
minsup 0.5
minsup 0.3
15
15
12
2
0
minsup 0.4
9
9
7
1
0
minsup 0.5
6
6
6
1
0
minsup 0.1
minsup 0.2
Minimum Confidence
Gambar 7 Pengaruh Nilai Minimum Support dan Nilai Minimum Confidence terhadap jumlah rule
pada percobaan 10.000 data transaksi.
Dari grafik gambar 7 dapat disimpulkan nilai minimum support dan minimum confidence terhadap jumlah
rule yang dihasilkan menunjukkan penurunan artinya berbanding terbalik antara nilai minimum support
dan minimum confidence semakin besar, rule yang dihasilkan semakin sedikit. Semakin tinggi kombinasi
nilai minimum support dan nilai minimum confidence semakin tinggi pula prosentase ketersediaan
kombinasi itemt yang harus mencapai batas minimum support sehingga semakin sedikit rule yang
menjadi frequent itemsetnya.
3.2 Analisis Hasil Pengujian.
Dari proses penggalian data yang dilakukan pada uji coba dengan lima data uji yaitu pada transaksi
sebanyak 2000 , 4000, 6000 , 8000 dan 10000 didapatkan pola atau rule yang dapat dijadikan acuan
dalam peletakan barang [ Lihat Lampiran 1 -5 ] . Dari proses penggalian data pada uji coba tersebut .
Beberapa hal yang di dapat dianalisa dari pengujian yang dilakukan sebelumnya yaitu :
1. Hasil yang diperoleh memperlihatkan kekuatan pemangkasan transaksi dalam proses penggalian
data. Proses pemangkasan transaksi yang dilakukan oleh algoritma Fold-Growth membuat transaksi
menjadi lebih sederhana sehingga FP-Tree yang terbentuk lebih sederhana pula. Dengan demikian
pemangkasan yang dilakukan dalam algoritma Fold-Growth ini disimpulkan tidak merusak susunan
dari kombinasi yang terjadi dalam dataset yang digunakan. Fold-Growth berhasil
diimplementasikan.
2. Penggunaan struktur data SOTrieIT berpesan sangat penting dalam proses pemangkasan suatu
transaksi. Proses yang dilakukan saat pemangkasan L1-itemset dan L2-itemset memperlihatkan
pengurangan jumlah transaksi dalam basis data yang digunakan. Sehingga saat akan dilakukan
penggalian data transaksi dengan FP-growth maka tree yang terbentuk akan menjadi lebih
sederhana.
3. Untuk menghasilkan rule yang diinginkan kombinasi nilai minimum support dan minimum
confidence terbaik didapat pada nilai minimum support 0.1% dan minimum confidence 10%,
Keputusan ini diambil dari hasil penggalian data dari sejumlah percobaan yang dilakukan dimana
hasil rule yang didapatkan terlihat kombinasi item yang dapat dijadikan acuan dalam peletakan
barang.
4. Semakin tinggi kombinasi nilai minimum support dan nilai minimum confidence semakin tinggi pula
prosentase ketersediaan kombinasi itemt yang harus mencapai batas minimum support sehingga
semakin sedikit rule yang menjadi frequent itemsetnya.
5. Terkait dengan aturan dalam peletakan barang di toko atau supermarket dapat diimplementasikan
dengan memperhatikan rule atau aturan yang diperoleh dari perhitungan. Aturan dianggap aturan
28
ISSN : 2407 - 6511
6.
sah dimana aturan tersebut memenuhi syarat tambahan dari toko yaitu item food dan non-food tidak
dapat disandingkan atau diletakkan dalam satu rak (departement) yang sama. Untuk aturan yang
dianggap tidak sah dapat diimplementasikan dengan strategi peletakan barang yang ditawarkan
adalah aturan atau rule tersebut dapat diterapkan dengan memisahkan peletakan barang tersebut
pada rak (departemen) yang berbeda namun posisinya agak berdekatan atau diposisikan pada
sebuah rak terpisah yang berhadapan dengan rak dimana item pasangannya beada.
Analisa berikutnya dapat dilakukan pada rule yang dihasilkan dari perhitungan Data mining dan
dianggap sah dimana item tersebut tidak melanggar aturan yaitu item food dan non-food tidak dapat
dipasangkan dalam satu rak(departemen), diambil contoh aturan yang memasangkan antara food
cair dengan food kering. Kebijakan peletakan barang dapat dilakukan dengan tetap memasangkan
item tersebut pada rak yang sama atau dapat ditempatkan pada rak (departemen) berbeda yang
posisinya diletakkan berdekatan dengan rak item pasangannya ataupun jika item food cair
diletakkan pada lemari es diposisikan berhadapan dengan rak dimana item pasangannya berada.
4. Kesimpulan
Dalam penelitian kali ini proses penggalian data dengan berbagai uji coba yang dilakukan dapat diambil
manfaat dari penerapan metode Market basket analysis dengan algoritma Fold-Growth. Pola-pola yang
dihasilkan dari penggalian data tersebut dapat dijadikan acuanuntuk dijadikan pedoman dalam
menyusun kebijakan serta strategi bisnis yang akan diterapkan misalnya pada penentuan peletakan
barang dimana hal ini dapat memudahkan pelanggan untuk mendapatkan barang atau item tersebut
secara bersamaan,mengenali selera pasar yang ada dan dari penelitian ini didapatkan pengetahuan
tentang prilaku konsumen .Sehingga dapat disimpulkan beberapa point sebagai berikut :
1. Algoritma Fold-Growth berhasil diimplementasikan dalam kasus Market basket analysis dalam
menentukan rule atau aturan terkait peletakan barang pada toko atau supermarket dengan
memperhatikan aturan tambahan yang diberlakukan pada toko dimana item food dan non-food tidak
boleh diletakkan pada rak (departemen) yang sama.
2. Nilai minimum support dan minimum confidence yang menghasilkan rule terbaik didapatkan pada
kombinasi nilai minimum support 0.1% dan minimum confidence 10% . Keputusan ini diambil dari
hasil penggalian data dari sejumlah percobaan yang dilakukan yang menunjukkan bahwa banyaknya
kombinasi dari item-item yang dapat dipasangkan pada satu rak (departemen) atau kelompok
menghasilkan jumlah rule yang sesuai (rule tidak terlalu sedikit ) yang dapat dijadikan acuan dalam
peletakan barang.
3. Penentuan kombinasi minimum support dan minimum confidence berpengaruh terhadap jumlah rule
yang dihasilkan dimana jika semakin tinggi kombinasi nilai minimum support dan minimum
confidence maka semakin tinggi pula prosentase ketersediaan kombinasi frequent itemset yang
harus mencapai batas minimum support dan minimum confidence tersebut, sehingga rule yang
dihasilkan semakin sedikit.
5. SARAN
Saran yang perlu dilakukan adalah :
1. Untuk penelitian selanjutnya kemungkinan penghapusan item-item tertentu yang sudah tidak lagi
di produksi dapat di hilangkan pada tahap awal saat dilakukan proses preprocessing awal.
2. Sebaiknya hasil analisi dari penelitian dengan metode Market basket analysis ini dapat diterapkan
guna memudahkan pihak manajer dan pihak departemen pengelola barang dalam menentukan
peletakan barang .
Daftar Pustaka:
[1] Budi Santosa.2007.Data mining : Teknik Pemanfaatan Data untuk Keperluan Bisnis.Yogyakarta:GRAHA
ILMU.
[2] Erwin.2009.Analisis Market Basket dengan Algoritma Apriori dan FP-Growth. Sumatera : Universitas
Sriwijaya. Publisher : academis.edu
[3] Fayyad, U. Shapiro, G. Piatetsky, dan Smyth, N Padhraic. 1996. From Data mining to Knowledge
Discovery in Databases. Al Magazine, Hal. 37-54.
[4] Fendi,Achmad Suprasetyo.2012.Market basket analysis Menggunakan Algoritma Frequent PattenGrowth pada Data Transaksi Penjualan barang Harian di Swalayan XYZ. Gorontalo:Universitas Negeri
Gorontalo.
29
ISSN : 2407 - 6511
[5] Giri Sucahyo, Yodho. 2013 . Data mining. Available : http://ilmukomputer.com.Tanggal akses : 17
Maret 2014. Pukul: 14:00 WIB
[6] Gregorius Satia Budhi,Andreas Handojo.2003. Aplikasi Data mining dengan Konsep Fuzzy c-Covering
Untuk Analisa Market Basket pada Pasar Swalayan.
[7] Han,Jiawei.Kamber,Micheline and Pei, Jian. 2012. Data mining Concepts and Techniques Third
edition.pdf . USA.Simon Fraser University.
[8] Kusrini dan Emha Taufiq Luthfi, 2009. Algoritma Data Mining, PENERBIT ANDI.
[9] Kuswandi. 2007. Pengantar Solusi Data mining.pdf. Jogjakarta:STMIK AMIKON.
[10] Pramudiono, Iko.2003. Pengantar Data mining : Menambang Permata Pengetahuan di Gudang Data .
http://www.ilmukomputer.com
[11] Prastowo,Deni. 2008. Penggunaan Struktur Data SoTrieIT untuk pemangkasan Transaksi dengan
Algoritma Data mining Fold-Growth. Bogor : Institut Pertanian Bogor (IPB).
[12] Santoso, Leo Willyanto. Pembuatan Perangkat Lunak Data Mining untuk Penggalian Kaidah
Asosiasi Menggunakan Metode Apriori.
[13] Sari,Bethary Nurina. Rahman,Arif. Mustiyo, Yusi Tyroni. Penerapan Data mining Untuk Mengetahui
Pola Asosiasi Antara Data Mahasiswa dan Tingkat Kelulusan Menggunakan Algoritma Fold Growth.
Universitas Brawijaya.
[14] Solaiman,Rully. Arini,Ni Made.2006. Analisis Kinerja Algoritma Fold-Growth dan FP-growth pada
penggalian
pola
asosiasi.
Surabaya:
SNATI
ITS
Available
:
http://journal.uii.ac.id/index.php/Snati/article/view/1523
[15] Woon,Yew-Kwong et al. 2004. A support-Ordered Trie for Fast Frequent Itemset Discover.Singapore:
Nanyang Technological University. IEEE Computer Society and Ee-Peng Lim, senior Member IEEE.
30