laporan tugas akhir - Universitas Dian Nuswantoro

LAPORAN TUGAS AKHIR
CLUSTERING DATA STOCK DAN MARKET BASKET
ANALYSIS UNTUK PERENCANAAN PENJUALAN
BERBASIS K-MEANS DAN FUZZY C-COVERING PADA
INSHOFMART
Disusun Oleh:
Nama
:
Lina Rudianti
NIM
:
A12.2013.04949
Program Studi
:
Sistem Informasi - S1
FAKULTAS ILMU KOMPUTER
UNIVERSITAS DIAN NUSWANTORO
SEMARANG
2017
i
LAPORAN TUGAS AKHIR
CLUSTERING DATA STOCK DAN MARKET BASKET
ANALYSIS UNTUK PERENCANAAN PENJUALAN BERBASIS
K-MEANS DAN FUZZY C-COVERING PADA INSHOFMART
Laporan ini disusun guna memenuhi salah satu syarat untuk menyelesaikan
program studi Sistem Informasi S-1 pada Fakultas Ilmu Komputer
Universitas Dian Nuswantoro
Disusun Oleh:
Nama
:
Lina Rudianti
NIM
:
A12.2013.04949
Program Studi
:
Sistem Informasi - S1
HALAMAN JUDUL
FAKULTAS ILMU KOMPUTER
UNIVERSITAS DIAN NUSWANTORO
SEMARANG
2017
ii
PERSETUJUAN LAPORAN TUGAS AKHIR
NB: Silakan Download HalamaninidariSiadin, Tandatangani, dan Scan,
lalusisipkanhasil scan padabagianini
iii
PENGESAHAN DEWAN PENGUJI
NB: Silakan Download HalamaninidariSiadin, Tandatangani, dan Scan,
lalusisipkanhasil scan padabagianini
iv
PERNYATAAN KEASLIAN TUGAS AKHIR
NB: Silakan Download HalamaninidariSiadin, Tandatangani, dan Scan,
lalusisipkanhasil scan padabagianini
v
PERNYATAANPERSETUJUAN PUBLIKASI KARYA ILMIAH
UNTUK KEPENTINGAN AKADEMIS
NB: Silakan Download HalamaninidariSiadin, Tandatangani, dan Scan,
lalusisipkanhasil scan padabagianini
vi
UCAPAN TERIMAKASIH
Dengan memanjatkan puji syukur kehadirat Allah SWT, Tuhan yang Maha Esa,
Maha Pengasih dan Maha Penyayang yang melimpahkan begitu tidak terhingga
segala rahmat, hidayah, inayah, dan segala kebaikan-Nya kepada penulis sehingga
dapat menyelesaikan laporan tugas akhir yang merupakan syarat kelulusan dari
perguruan tinggi yang telah penulis tempuh selama 4 (empat) tahun dengan judul
“Clustering Data Stock Dan Market Basket Analysis untuk Perencanaan
Penjualan Berbasis K-Means dan Fuzzy C-Covering pada InshofMart.” Selain
itu penulis juga begitu bersyukur telah dirahmati begitu banyak orang-orang yang
senantiasa mendukung penulis dari awal kuliah di Universitas Dian Nuswantoro
hingga dalam pembuatan tugas akhir ini. Oleh karena itu penulis menyampaikan
terimakasih yang tidak bisa disebutkan satu-persatu, kepada :
1.
Dr. Ir. Edi Noersasongko, M.Kom, selaku Bapak Rektor Universitas Dian
Nuswantoro Semarang.
2.
Dr. Abdul Syukur, selaku Dekan Fasilkom.
3.
Affandy, Ph. D, selaku Ketua Progdi Sistem Informasi.
4.
Amiq Fahmi, S. Kom., M.Kom., selaku dosen pembimbing tugas akhir yang
telah memberi bimbingan, bantuan ide penelitian, dan selalu mengusahakan
waktu terbaiknya setiap penulis ingin melakukan bimbingan.
5.
Dosen-dosen pengampu di Fakultas Ilmu Komputer, Sistem Informasi – S1,
Universitas Dian Nuswantoro yang telah memberikan ilmu dan pengalaman,
sehingga penulis dapat mengimplementasikan ilmu yang telah disampaikan.
6.
Ibu dan Bapak yang telah mengerahkan segala usaha agar penulis bisa sampai
pada tahap ini, juga Kakak yang selalu memberi dukungan dan motivasi, dan
kedua keponakan kecil penulis yang selalu ikut menyenangkan hati penulis.
7.
Saudara-saudara yang baik hati, yang memberikan izin untuk melakukan
penelitian pada InshofMart dan selalu mendukung kebutuhan penulis.
vii
viii
8.
Sahabat-sahabatku (Mekar, Purnamasari, Fathoni, Lanjar, Febri, Kim Nathan,
Shellyn Dion, dan lainnya yang tidak dapat disebutkan satu-satu) yang selalu
mendukung dan menemani di berbagai situasi selama menempuh pendidikan.
Terimakasih sudah mau dan masih terus mau menjadi sahabat penulis.
9.
Teman-teman seperjuangan yang telah berbagi suka dan dukanya dalam
proses penyusunan tugas akhir ini.
10. Keluarga besar HM SISFO, terutama periode 2013/2014, periode 2014/2015,
dan periode 2015/2016.
11. Dan semua pihak yang namanya tidak dapat disebutkan satu per satu oleh
penulis yang telah berkontribusi dalam menyusun tugas akhir ini.
Semoga Tuhan yang Maha Kuasa senantiasa memberikan balasan yang lebih baik
kepada beliau-beliau, dan pada akhirnya penulis berharap bahwa tulisan laporan
tugas akhir ini dapat bermanfaat dan berguna sebagaimana fungsinya.
Semarang, 22 Juli 2017
Penulis
ABSTRAK
InshofMart masih menggunakan cara manual dalam menentukan stock produk,
dan menggunakan kelompok kategori dalam penataan rak-rak barang. Hal ini
menyebabkan ketidaktepatan dalam menentukan stock yang sangat laku, laku,
atau kurang laku, sehingga berdampak pada perencanaan stock kurang akurat, dan
penataan rak barang kurang efektif bagi para pelanggan. Oleh masalah itu perlu
dilakukan clustering item dalam tingkatan tertentu, juga mengasosiasikan antara
suatu item dengan item lainnya sesuai keakuratan yang terukur, sehingga kegiatan
penjualan lebih terencana dengan mengacu pada hasil perhitungan data-data yang
lebih mengarah pada fakta dari lapangan. Dengan clustering yang lebih tepat
menggunakan algoritma k-means dan market basket analysis dengan algoritma
fuzzy c-covering. Clustering menghasilkan output tentang perencanaan stock
produk di mana dari penelitian ditentukan 3 cluster dengan hasil 7 produk sangat
laku, 28 produk laku, dan 15 produk kurang laku berdasarkan jarak antara data ke
pusat cluster-nya. Sedangkan market basket analysis dari 96 data sample transaksi
yang mempunyai minimal_support dan minimal_confidence memenuhi syarat
yaitu terdapat 8 interesting association rule antara 2 produk (k item-2).
Kata kunci : Clustering, Market Basket Analysis, K-Means, Fuzzy C-Covering
xvii + 111 halaman; 27 gambar; 27 tabel; 8 lampiran
Daftar Acuan: 5 (2012 – 2016)
ix
DAFTAR ISI
Halaman Judul ........................................................................................................ ii
Persetujuan Laporan Tugas Akhir ......................................................................... iii
Pengesahan Dewan Penguji ................................................................................... iv
Pernyataan Keaslian Tugas Akhir ........................................................................... v
PernyataanPersetujuan Publikasi Karya Ilmiah Untuk Kepentingan Akademis ... vi
Ucapan Terimakasih ............................................................................................. vii
Abstrak ................................................................................................................... ix
Daftar Isi ................................................................................................................. x
Daftar Gambar...................................................................................................... xiii
Daftar Tabel .......................................................................................................... xv
Daftar Lampiran .................................................................................................. xvii
Bab 1 Pendahuluan ................................................................................................. 1
1.1
Latar Belakang Masalah ........................................................................... 1
1.2
Rumusan Masalah .................................................................................... 4
1.3
Batasan Masalah ....................................................................................... 4
1.4
Tujuan Penelitian...................................................................................... 5
1.5
Manfaat Penelitian.................................................................................... 5
Bab 2 TINJAUAN PUSTAKA ............................................................................... 6
2.1
Tinjauan Pustaka ...................................................................................... 6
2.2
Data Mining ............................................................................................. 9
2.2.1
Konsep Data Mining ......................................................................... 9
2.2.2
Konsep Clustering .......................................................................... 11
2.2.3
Konsep Market Basket Analysis...................................................... 13
2.3
Algoritma K-Means ................................................................................ 14
2.3.1
Konsep K-Means ............................................................................ 14
2.3.2
Proses Algoritma K-Means ............................................................. 16
x
xi
2.4
Algoritma Fuzzy C-Covering ................................................................. 17
2.4.1
Konsep Fuzzy C-Covering .............................................................. 17
2.4.2
Proses Algoritma Fuzzy C-Covering .............................................. 18
2.5
CRISP-DM (Cross Industry Standard Process For Data Mining) ........ 20
2.5.1
Tentang CRISP-DM ........................................................................ 20
2.5.2
Proses CRISP-DM .......................................................................... 21
2.6
Aplikasi Pendukung Pemodelan............................................................. 23
2.6.1
RapidMiner Versi 5.3.015............................................................... 23
2.6.2
Microsoft Visual Basic Versi 6.0 .................................................... 23
Bab 3 METODE PENELITIAN ........................................................................... 24
3.1
Metode Pengumpulan Data .................................................................... 24
3.2
Metode Analisis...................................................................................... 27
3.2.1
CRISP-DM (Cross Industry Standard Process For Data Mining). 27
3.2.2
Metode Clustering Menggunakan K-Means ................................... 28
3.2.3
Metode Market Basket Analysis Menggunakan Fuzzy C-Covering 29
Bab 4 HASIL DAN PEMBAHASAN .................................................................. 31
4.1
Hasil Penelitian ...................................................................................... 31
4.1.1
Business Understanding.................................................................. 31
4.1.2
Data Understanding........................................................................ 33
4.1.3
Data Preparation ............................................................................ 36
4.1.4
Modelling ........................................................................................ 40
4.2
Analisa Model dengan Aplikasi Pendukung .......................................... 75
4.2.1
Perhitungan K-Means dengan Bantuan RapidMiner Versi 5.3.015 75
4.2.2
Perhitungan Fuzzy C-Covering dengan Implementasi Algoritma ke
dalam Aplikasi Microsoft Visual Basic 6.0................................................... 79
4.3
Pembahasan Hasil Penelitian ................................................................. 82
xii
4.3.1
Pembahasan Hasil Clustering Berbasis K-Means ........................... 82
4.3.2
Pembahasan Hasil Market Basket Analysis Berbasis Fuzzy C-
Covering ........................................................................................................ 85
Bab 5 PENUTUP .................................................................................................. 88
5.1
Simpulan................................................................................................. 88
5.2
Saran ....................................................................................................... 89
DAFTAR PUSTAKA ........................................................................................... 90
LAMPIRAN .......................................................................................................... 92
DAFTAR GAMBAR
Gambar 2.1 Proses Diagram CRISP-DM ............................................................. 21
Gambar 4.1 Atribut Tabel Data Stock ................................................................... 34
Gambar 4.2 Atribut Tabel Data Transaksi ............................................................ 35
Gambar 4.3 Nilai Data Pada Tabel Data Stock ..................................................... 35
Gambar 4.4 Nilai Data Pada Tabel Data Transaksi .............................................. 35
Gambar 4.5 Item tanpa Kode Produksi ................................................................. 36
Gambar 4.6 Tidak Adanya Kode Transaksi .......................................................... 36
Gambar 4.7 Mencari Total Transaksi dan Volume Jual ....................................... 37
Gambar 4.8 Integrasi Atribut Jumlah Transaksi, Volume Jual, Rataan Jual ........ 38
Gambar 4.9 Penambahan Atribut Kode Produksi ................................................. 38
Gambar 4.10 Penambahan Atribut Kode Transaksi.............................................. 39
Gambar 4.11 Format Tabel Data Stock ................................................................. 39
Gambar 4.12 Format Tabel Data Transaksi .......................................................... 39
Gambar 4.13 Data Set Clustering pada RapidMiner ............................................ 75
Gambar 4.14 Pemodelan Algoritma K-Means ...................................................... 76
Gambar 4.15 Halaman Main Process Clustering ................................................. 76
Gambar 4.16 Tabel Data Hasil Proses Clustering ................................................ 77
Gambar 4.17 Cluster Model pada RapidMiner ..................................................... 77
Gambar 4.18 Titik Pusat Cluster yang Terbentuk ................................................ 78
Gambar 4.19 Plot View Hasil Clustering .............................................................. 78
Gambar 4.20 Halaman Utama / Menu Aplikasi Fuzzy C-Covering ..................... 79
Gambar 4.21 Halaman Input Data Transaksi ........................................................ 80
xiii
xiv
Gambar 4.22 Data Transaksi yang Berhasil Diinput ............................................ 80
Gambar 4.23 Halaman Tabel Master Produk........................................................ 81
Gambar 4.24 Halaman Tabel Hasil Proses ........................................................... 81
Gambar 4.25 Denah Rak-rak Barang Sebelum Rekomendasi .............................. 86
Gambar 4.26 Rekomendasi Denah Rak-rak Barang ............................................. 87
DAFTAR TABEL
Tabel 2.1 Penelitian Terkait .................................................................................... 8
Tabel 3.1 Sampel Data Pada Tabel Stock ............................................................. 26
Tabel 3.2 Sampel Data Pada Tabel Transaksi....................................................... 26
Tabel 4.1 Entitas (Kategori Produk) Pada Tabel Data Stock ................................ 34
Tabel 4.2 Data Sampel Perhitungan K-Means Manual pada Iterasi ke-1 ............. 40
Tabel 4.3 Titik Pusat Cluster (Centroid) .............................................................. 42
Tabel 4.4 Hasil Perhitungan K-Means pada Iterasi ke-1 ...................................... 46
Tabel 4.5 Titik Pusat Cluster Baru dari Iterasi ke-1 ............................................. 50
Tabel 4.6 Hasil Perhitungan K-Means pada Iterasi ke-2 ...................................... 53
Tabel 4.7 Titik Pusat Cluster Baru dari Iterasi ke-2 ............................................. 56
Tabel 4.8 Hasil Perhitungan K-Means pada Iterasi ke-4 ...................................... 57
Tabel 4.9 Titik Pusat Cluster Akhir pada Iterasi ke-4 .......................................... 58
Tabel 4.10 Nilai Terbesar (Himpunan Sangat Laku) pada Cluster 2................... 59
Tabel 4.11 Nilai Sedang (Himpunan Laku) pada Cluster 1.................................. 59
Tabel 4.12 Nilai Paling Kecil (Himpunan Kurang Laku) pada Cluster 0............. 60
Tabel 4.13 Data Sampel Perhitungan Fuzzy C-Covering secara Manual ............. 61
Tabel 4.14 Tabel Data yang Masuk QT (Qualified Transaction) ......................... 63
Tabel 4.15 Tabel Hasil Perhitungan Mencari Minimum_ Support_1 ................... 67
Tabel 4.16 Tabel Item yang memenuhi minimum_ support_1.............................. 68
Tabel 4.17 Tabel Item yang akan Dicari Minimum_ Support_2 ........................... 69
Tabel 4.18 Tabel Hasil Perhitungan Mencari Minimum_ Support_2 ................... 70
Tabel 4.19 Tabel Item yang Dicari Confidence-nya ............................................. 71
xv
xvi
Tabel 4.20 Tabel Item yang Memenuhi Confidence ............................................. 74
Tabel 4.21 Nilai Terbesar (Himpunan Sangat Laku) pada Cluster 2................... 82
Tabel 4.22 Nilai Sedang (Himpunan Laku) pada Cluster 1.................................. 82
Tabel 4.23 Nilai Paling Kecil (Himpunan Kurang Laku) pada Cluster 0............. 83
Tabel 4.24 Tabel Item yang Memenuhi Confidence ............................................. 85
DAFTAR LAMPIRAN
Lampiran 1. Surat Ijin Penelitian Survey .............................................................. 92
Lampiran 2. Surat Keterangan .............................................................................. 93
Lampiran 3. Tabel Data Stock ............................................................................... 94
Lampiran 4. Tabel Data Transaksi ........................................................................ 99
Lampiran 5. Lampiran Total Data Kategori Produk ........................................... 108
Lampiran 6. Lampiran Total Data Nama Produk ............................................... 109
Lampiran 7. Lampiran Total Data Tanggal (Jumlah) terjadi Transaksi ............. 110
Lampiran 8. Lampiran Total Data Nama Produk dari Semua Transaksi ............ 111
xvii
BAB 1
PENDAHULUAN
1.1
Latar Belakang Masalah
Menurut analisa dari Ketua Umum Asosiasi Pengusaha Ritel Indonesia (Aprindo),
menyatakan total penjualan ritel tahun 2015 sebesar Rp 181 triliun dan meningkat
tahun 2016 menembus Rp 200 triliun [1]. Dan diprediksi pada tahun 2017,
penjualan sektor ritel akan melebihi tahun 2016. Hal ini memicu beberapa pelaku
bisnis ingin menanamkan modal di bidang ritel yang terlihat berkembang pesat
dan menimbulkan asumsi menghasilkan banyak untung. Jumlah gerai minimarket
menurut Badan Pusat Statistik (BPS), tahun 2014 berjumlah 11.468 toko.
Indomaret saja di awal 2016 sudah 12.100 gerai sedangkan alfamart 11.115 gerai /
Juni 2016 [2]. Itu belum yang di luar bisnis waralaba. Hal tersebut seperti
membuktikan bahwa ritel memang bisnis yang sangat menjanjikan, meski tidak
semuanya sukses. Ada yang gulung tikar karena tidak mampu bersaing, terutama
yang tidak memperhatikan kelola toko.
InshofMart merupakan minimarket beralamatkan di desa Plesungan, Gondangrejo,
Kota Karanganyar. Dari segi lokasi, InshofMart terletak di wilayah yang bagus
untuk mendirikan minimarket. Meski perkampungan, tapi peradaban di wilayah
tersebut akan terus berkembang. Pertama, InshofMart adalah minimarket kerja
sama dengan pondok pesantren yang semakin tahun santri-santrinya bertambah.
Kedua, pondok pesantren tersebut rutin mengadakan event-event akbar tiap bulan,
bahkan bisa 2 kali dalam satu bulan. Dan tamu-tamu yang hadir, datang dari
berbagai wilayah bahkan luar provinsi Jawa Tengah, yang bisa mencapai ribuan
tamu. Sehingga tamu-tamu tersebut merupakan target InshofMart juga. Ketiga,
pengusaha property ada yang beberapa telah menyelesaikan dan ada yang dalam
tahap pembangunan perumahan di sekitarnya. Hal ini turut menjadi pendukung
semakin meningkatnya pangsa pasar InshofMart. Dan yang terakhir juga paling
penting, InshofMart belum mempunyai saingan ampuh sekelas Indomaret atau
1
2
alfamart karena kedua minimarket kelas atas itu belum ada tanda-tanda masuk ke
wilayah tersebut, meski suatu saat bisa saja terjadi. Karena dilihat dari regulasi
pemerintah Kota Karanganyar yang mengizinkan adanya minimarket modern
berdiri di wilayahnya, meski hal itu dibatasi dan dengan syarat-syarat tertentu.
Saat ini InshofMart bisa bersantai karena belum punya saingan, namun lebih baik
bersiap menghadapi kemungkinan tersebut. Dibutuhkan beberapa hal agar dapat
mengoptimalkan penjualan, yang itu perlu dilakukan mulai saat ini sebelum para
pesaing berdatangan. Menurut sebuah postingan website menjelaskan ada 5 kunci
sukses dalam bisnis minimarket yang salah satunya adalah penggunaan teknologi
sehingga mampu membantu menyelesaikan masalah [3]. Penggunaan teknologi di
InshofMart sebenarnya bagus, dengan sistem informasi minimarket yang memuat
tabel-tabel seperti tabel pengendalian stock dan tabel transaksi yang mana paling
diperhatikan dalam penelitian kali ini karena data-data tersebut dapat diolah. Dan
saat ini, InshofMart belum tahu jika data tersebut ternyata dapat diolah untuk
tujuan bermanfaat. Seperti tabel pengendalian stock hanya untuk mengetahui stock
barang habis dan jumlah terjual tanpa tahu item-item yang berpotensi laku.
Sehingga jika stock habis, pegawai memesan sejumlah barang sesuai instinct
tanpa analisa apakah jika dibeli sedikit cepat habis (akan membuang kesempatan
untung jika ada pembeli tapi stock habis) atau jika dibeli banyak, barang kurang
laku mengakibatkan biaya simpan tinggi. Belum lagi jika barang tidak tahan lama
atau cepat kadaluwarsa. Kemudian untuk tabel transaksi saat ini hanya untuk
mengetahui berapa kali transaksi dilakukan. Padahal data-data yang terlihat tidak
ada artinya (hanya deret item terjual dan total terbeli).
Untuk menangani masalah perencanaan penjualan pada InshofMart, perlu metode
yang bisa meng-cluster tabel stock penjualan dan market basket analysis tabel
transaksi, sehingga diketahui item-item apa yang sering dibeli bersamaan. Dalam
menyelesaikan masalah tersebut khususnya clustering, ada banyak algoritma yang
dapat digunakan seperti yang berlogika fuzzy atau crisp. Tapi dalam penelitian ini
akan digunakan logika crisp yang hasil cluster-nya lebih tegas dari pada logika
fuzzy, karena dalam menemukan hasil clustering untuk InshofMart dibutuhkan
3
konsep clustering yang tegas yang hanya menghasilkan 2 kemungkinan keluaran
yaitu tidak atau iya. Berbeda dengan logika fuzzy yang keluarannya kurang tegas
dan memungkinkan sebuah item masuk ke 2 himpunan, yaitu ke himpunan sangat
laku atau laku, dan laku atau kurang laku. Tergantung besar nilai keanggotaannya,
lebih berat ke mana. Hal ini mengakibatkan kebingungan akan masuk ke dalam
kategori apa suatu produk, apalagi data-data penjualan yang dimiliki InshofMart
hampir sama jumlah-jumlahnya. Sehingga jika ada 2 data dengan total penjualan
yang sama, satunya dapat masuk ke himpunan laku dan satunya kurang laku atau
sebagainya yang membuat justru kurang konsistennya hasil clustering. Maka dari
itu untuk clustering, dalam kasus ini akan diselesaikan menggunakan k-means.
Kemudian untuk association rule diselesaikan dengan algoritma fuzzy c-covering.
Sebenarnya yang sering digunakan adalah apriori, namun boros memori dan
butuh banyak waktu scanning data. Ini karena apriori melakukan scanning
database tiap iterasi, sedangkan iterasinya tidak cukup sekali dua kali. Kelemahan
lain, cenderung fokus pada hubungan antar item tanpa pertimbangan hubungan
setiap item di setiap transaksi. Misal mencari relasi antara kopi dan roti, apriori
hanya menghitung berapa kali kedua item muncul dari seluruh transaksi yang ada.
Padahal meski keduanya banyak dibeli, tapi sebenarnya dipicu item lain. Misalnya
pembelian kopi dipicu pembelian rokok, sehingga hasil kurang akurat. Untuk itu
diajukan fuzzy c-covering, untuk memperbaiki kekurangan apriori. Proses awal
fuzzy c-covering adalah menentukan max_item_threshold, sehingga jumlah item
melebihi max_item_threshold tidak perlu ikut di proses berikutnya. Dengan proses
tersebut, waktu eksekusi lebih cepat dan mengurangi pemborosan memori.
Sehingga seperti yang sudah dijelaskan tentang masalah InshofMart yang belum
mengoptimalkan pengelolaan data-data mereka menjadi sebuah pengetahuan yang
berarti, yang masalah tersebut dapat berakibat pada kurang optimalnya penjualan.
Untuk itu dilakukan penelitian yang bertujuan membantu InshofMart menemukan
formula yang sesuai, untuk menghasilkan pengetahuan berarti yang bermanfaat
sebagai strategi bisnis baru terutama dalam pengelolaan stock dan penataan rakrak barang sehingga mampu membantu perencanaan penjualan pada InshofMart.
4
1.2
Rumusan Masalah
Berdasar dari latar belakang masalah sesuai penjelasan sebelumnya maka dapat
dirumuskan berbagai masalah yang akan dibahas, diantaranya yaitu :
1.
Bagaimana algoritma untuk meng-cluster item apa saja pada tabel data stock
yang masuk dalam himpunan sangat laku, laku, dan kurang laku dan dalam
melakukan penelitian ini akan menggunakan algoritma k-means.
2.
Bagaimana algoritma untuk market basket analysis antar item pada tabel data
transaksi yang menghasilkan nilai aosisasi paling tinggi dan dalam penelitian
ini akan digunakan algoritma fuzzy c-covering.
1.3
Batasan Masalah
Agar pembahasan masalah yang dilakukan tidak meluas sehingga menimbulkan
ketidakfokusan materi, maka penulis menentukan batasan-batasan masalah yaitu :
1.
Data-data yang diolah untuk proses clustering dan market basket analysis
merupakan data-data pengendalian stock barang dan transaksi mulai tanggal
01 November 2016 s/d 31 Maret 2017 (studi kasus Minimarket InshofMart
Dukuh Sulurejo, Plesungan, Kecamatan Gondangrejo, Kota Karanganyar).
2.
Dalam melakukan proses clustering digunakan algoritma k-means yang akan
mengelompokkan item-item menjadi 3 (tiga) cluster, yang akan menghasilkan
kriteria antara sangat laku, laku, atau kurang laku. Sedangkan untuk proses
market basket analysis akan digunakan algoritma fuzzy c-covering.
3.
Metodologi yang digunakan di dalam menyusun fase pengolahan data mining
adalah CRISP-DM (Cross Industry Standard Process For Data Mining), dan
hanya beberapa sub-sub fasenya yang dilakukan analisa.
4.
Pengujian clustering menggunakan algoritma k-means akan didukung dengan
bantuan aplikasi yang sudah ada yaitu RapidMiner versi 5.3.015.
5.
Pengujian market basket analysis menggunakan algoritma fuzzy c-covering
akan didukung dengan bantuan rancangan aplikasi sederhana menggunakan
Microsoft Visual Basic versi 6.0.
5
1.4
Tujuan Penelitian
Berdasar pada rumusan masalah sesuai penjelasan pada poin sebelumnya, didapat
tujuan penelitian ini diantaranya yaitu :
1.
Penerapan algoritma k-means yang bertujuan membantu InshofMart dalam
penentuan jumlah stock barang dengan mengelompokkan item apa saja yang
masuk ke dalam himpunan sangat laku, laku, atau kurang laku.
2.
Penerapan algoritma fuzzy c-covering yang bertujuan untuk membantu
InshofMart menemukan pola association rule antar item barang sehingga
hasilnya dapat digunakan untuk perencanaan penataan rak-rak barang.
1.5
Manfaat Penelitian
Harapan penulis bahwa penelitian yang dilakukan ini berguna, tidak hanya bagi
InshofMart selaku objek penelitian tetapi siapa pun yang ingin memanfaatkan
penelitian ini untuk kepentingan yang bermanfaat. Berikut manfaat penelitian :
1.
Diharapkan algoritma k-means berguna untuk menyelesaikan berbagai
masalah clustering di berbagai bidang kehidupan. Terutama pada penelitian
ini, dapat membantu InshofMart dalam menentukan stock item-item dengan
mengelompokkan ke dalam himpunan sangat laku, laku, atau kurang laku.
2.
Diharap algoritma fuzzy c-covering berguna untuk menyelesaikan berbagai
masalah association rule di berbagai bidang kehidupan. Terutama penelitian
ini, dapat membantu InshofMart menemukan pola association rule antar itemitem sehingga dapat digunakan untuk perencanaan penataan rak-rak.
BAB 2
TINJAUAN PUSTAKA
2.1
Tinjauan Pustaka
Penelitian terkait data mining untuk clustering maupun market basket analysis
sudah banyak dilakukan sebelumnya oleh beberapa peneliti dari berbagai instansi,
terutama yang berobjek di minimarket dan menggunakan metode k-means untuk
clustering stock barang dan metode fuzzy c-covering untuk market basket analysis.
Berikut ini adalah beberapa penelitian yang menggunakan metode k-means untuk
clustering dan fuzzy c-covering untuk market basket analysis :
1.
Penelitian yang dilakukan tahun 2012 oleh Zahedi dan juga Charies Chandra,
yang berjudul “Perancangan Program Aplikasi Market Basket Analysis Untuk
Mendukung Persediaan Barang Dengan Metode Fuzzy C-Covering.”
Pada penelitian tersebut, para peneliti mengusung masalah tentang sulitnya
menganalisa data transaksi penjualan karena jumlah datanya banyak dan alat
pengolah data terbatas yang menyulitkan memperkirakan persediaan barang
untuk penjualan berikutnya. Untuk itu dirancangkan aplikasi market basket
analysis berbasis fuzzy c-covering. Nilai support dan confidence merupakan
bagian perhitungan dengan fuzzy c-covering. Semakin besar tingkat batasan,
output dari analisis pun semakin terseleksi [4].
2.
Penelitian yang dilakukan pada tahun 2016 oleh Nita Arianty, Oni Soesanto,
dan Fatma Indriani, berjudul “Penerapan Metode Fuzzy c-Covering Untuk
Analisis Pola Pembelian Pada Minimarket.”
Pada penelitian tersebut, peneliti mengusung masalah tentang proses data
mining pada analisa pola pembelian di minimarket berbasis fuzzy c-covering
untuk mencari nilai support dan nilai confidence. Metode fuzzy c-covering ini
akan mengklasifikasi elemen-elemen himpunan universal yakni keseluruhan
item pada minimarket menjadi partisi-partisi yang lebih fokus dan detail
berdasarkan jenis produk item apa saja yang ada. Karena itu fuzzy c-covering
6
7
diterapkan agar dapat mengatasi hambatan yang selama ini terjadi pada
proses market basket di dalam mencari hubungan antar item [5].
3.
Penelitian yang dilakukan pada tahun 2015 oleh Benri Melpa Metisen dan
Herlina Latipa Sari, berjudul “Analisis Clustering Menggunakan Metode KMeans Dalam Pengelompokkan Penjualan Produk Pada Swalayan Fadhila.”
Pada penelitian tersebut, para peneliti mengusung masalah tentang swalayan
Fadhila yang bisnisnya masih dengan cara manual sehingga sering terjadi
kesalahan pencatatan data. Selain itu juga tidak dapat mengelompokkan
produk antara yang laris atau kurang laku, sehingga sulit menentukan stock.
Untuk itu dibutuhkan sistem clustering yang mana menggunakan algoritma kmeans agar dapat menunjang kebutuhan bisnis dari proses tersebut [6].
4.
Penelitian yang masuk di dalam sebuah proceedings Seminar Nasional Riset
Ilmu Komputer Universitas Muslim Indonesia Makassar tahun 2016, dengan
peneliti Warnia Nengsih berjudul “Descriptive Modelling Menggunakan KMeans untuk Pengclusteran Tingkat Kemiskinan di Propinsi Riau.”
Penelitian tersebut membahas tentang kemiskinan Propinsi Riau yang terus
meningkat sehingga perlu ditangani oleh pemerintah. Namun karena adanya
persebaran daerah tingkat keparahan kemiskinan sangat beragam, sehingga
terjadi kesulitan menentukan wilayah mana yang kemiskinan paling tinggi.
Untuk itu diperlukan metode k-means yang mampu meng-cluster wilayahwilayah tersebut masuk ke dalam tingkat kemiskinan yang mana [7].
5.
Penelitian yang dilakukan pada tahun 2015 oleh Elly Muningsih dan Sri
Kiswati, berjudul “Penerapan Metode K-Means untuk Clustering Produk
Online Shop dalam Penentuan Stok Barang.”
Penelitian tersebut, para peneliti mengusung masalah tentang bagaimana
permintaan konsumen yang fluktuatif sehingga persediaan stock yang tidak
stabil. Pada online shop tersebut ada beberapa kesulitan yang dialami seperti
menentukan stock minimun tiap barang, yang harus dipenuhi sesuai minat
konsumen. Untuk menangani masalah tersebut, diperlukan sebuah metode
yang dapat mengelompokkan tingkat stock barang yang banyak, sedang, atau
sedikit menggunakan algoritma k-means clustering [8].
8
Tabel 2.1 Penelitian Terkait
No
Nama Peneliti
dan Tahun
Masalah
Metode
Hasil
1. - Zahedi
Menganalisa data transaksi Fuzzy C-
Program aplikasi yang
- Charies
penjualan yang banyak dan Covering
digunakan perusahaan
Chandra
alat pengolah data terbatas
melakukan analisa data
(Tahun 2012)
sehingga menyulitkan
guna memperkirakan
memperkirakan persediaan
persediaan barang untuk
barang dijual berikutnya.
masa mendatang [4].
2. - Nita Arianty
Klasifikasi elemen dari
Fuzzy C-
Dari data sampel, nilai
- Oni Soesanto
himpunan keseluruhan item Covering confidence paling tinggi
- Fatma Indriani
menjadi partisi yang lebih
adalah “jika peralatan
(Tahun 2016)
fokus, detail berdasar jenis
bayi maka susu” (support
item agar mengatasi proses
= 1,13181% dan
market basket di dalam
confidence =
mencari asosiasi antar item.
38,70967%) [5].
3. - Benri Melpa
Analisa data clustering
Metisen
produk untuk mengatasi
2 jenis kelompok data,
kesulitan penentuan tingkat
yaitu dengan penjualan
Sari
stock barang, sekaligus
rendah dan tinggi.
(Tahun 2015)
merancang sistem aplikasi
Sehingga diketahu mana
pendukung clustering-nya.
produk laris / tidak [6].
- Herlina Latipa
K-Means Dari data sampel didapat
4. - Warnia Nengsih Analisa wilayah persebaran K-Means Dari 12 kecamatan yang
(Tahun 2016)
tingkat kemiskinan yang
di-cluster, didapatkan 3
terjadi di Propinsi Riau
kelompok cluster dimana
yang sangat beragam, perlu
cluster 2 terdapat ada 2
dilakukan clustering untuk
record, cluster 3 ada 10
mengetahui tingkatannya.
record, sedang cluster 1
tidak ada record [7].
9
Nama Peneliti
No
Masalah
dan Tahun
Metode
Hasil
5. - Elly Muningsih Terjadinya kesulitan online K-Means Rancangan aplikasi yang
- Sri Kiswati
(Tahun 2015)
shop dalam menentukan
dapat mengelompokkan
stock minimum tiap barang
produk menjadi 3 cluter
sesuai minat konsumen,
dengan kategori stock
sehingga sering terjadinya
banyak, sedang, dan
kesalahan perkiraan atau
sedikit berdasarkan pada
stock yang tidak akurat.
transaksi penjualan [8].
Dari beberapa penelitian yang sudah dicantumkan di atas, dapat diketahui bahwa
penggunaan algoritma k-means dapat memudahkan dalam melakukan clustering
terhadap ribuan bahkan jutaan data sehingga diperoleh informasi yang mulanya
tidak nampak menjadi nampak yang dapat digunakan untuk menindaklanjuti suatu
penyelesaian masalah. Sedangkan untuk penggunaan algoritma fuzzy c-covering
dapat memudahkan dalam mencari association rule antar item, mana item paling
sering keluar secara bersamaan di suatu transaksi dari banyaknya transaksi yang
pernah terjadi atau sering dikenal dengan analisa keranjang belanja.
2.2
2.2.1
Data Mining
Konsep Data Mining
Ada banyak buku membahas tentang data mining, dan setiap penulis mempunyai
definisinya masing-masing. Seperti buku yang ditulis oleh Gordon S. Linoff dan
Michael J. A. Berry berjudul “Data Mining Techniques For Marketing, Sales, and
Customer Relationship Management”, mendefinisikan tentang data mining adalah
sebuah proses bisnis untuk mengeksplorasi data-data yang berjumlah besar untuk
menemukan pola dan kaidah berarti [9]. Definisi lain tentang data mining dalam
buku yang ditulis oleh Charu C. Aggarwal berjudul “Data Mining The Textbook”,
mendefinisikan bahwa data mining merupakan pembelajaran dari mengoleksi,
membersihkan, menganalisa, dan memperoleh beberapa pengetahuan yang sangat
10
berguna dari data [10]. Sedangkan definisi menurut Ian H. Witten dan kawankawan dalam bukunya yang berjudul “Data Mining Practical Machine Learning
Tools and Techniques”, mendefinisikan data mining adalah kegiatan menemukan
pola-pola dari banyak data. Proses harus otomatis atau semiotomatis. Pola yang
ditemukan harus berarti karena menghasilkan beberapa keuntungan [11].
Dilihat dari beberapa definisi tentang data mining yang telah dijelaskan oleh para
penulis dalam buku-buku mereka, sebenarnya mempunyai maksud sama. Bahwa
data mining merupakan proses mengeksplorasi data berjumlah besar untuk dicari
pola-polanya sehingga menjadi pengetahuan yang mempunyai arti dan berguna.
Secara garis besarnya tentang metode, data mining dibedakan dalam 2 pendekatan
diantaranya Supervised Learning yaitu metode yang mencoba mencari hubungan
antara atribut yang bervariable bebas dan sebuah atribut bervariabel tidak bebas.
Hubungan dapat ditemukan dan diwakili dalam struktur yang disebut model.
Biasanya model menjelaskan fenomena tersembunyi dalam dataset dan digunakan
untuk memprediksi nilai atribut target hanya dengan mengetahui nilai-nilai atribut
input [12]. Sedangkan Unsupervised Learning yaitu kebalikan dari supervised
learning, di mana label masing-masing data pelatihan tidak diketahui sebelumnya.
Berdasarkan pada tugas yang dapat dilakukan oleh data mining untuk mencari
pola-pola data, dibedakan menjadi beberapa kelompok yaitu [13] :
1.
Description, merupakan penggambaran pola dan kecenderungan yang ada di
dalam data secara sederhana. Deskripsi tersebut sering memberi kemungkinan
penggambaran untuk sebuah pola atau kecenderungan.
2.
Classification, teknik memperhatikan tingkah laku dan atribut himpunan yang
sudah didefinisikan. Teknik ini memberi klasifikasi untuk data baru dengan
manipulasi data yang telah terklasifikasi dan output-nya berguna memberikan
sejumlah aturan. Dalam kasusnya, klasifikasi merupakan supervised learning.
3.
Prediction, hampir sama seperti klasifikasi dan estimasi. Namun nilai output
prediksi akan adanya di masa mendatang. Beberapa teknik untuk klasifikasi
juga estimasi bisa digunakan (dalam keadaan tepat) di dalam prediksi. Dalam
kasusnya, prediksi merupakan supervised learning.
11
4.
Estimation, hampir mirip klasifikasi. Namun variabel targetnya lebih bersifat
numerik daripada kategori. Model dibangun berdasarkan record lengkap yang
menyediakan nilai dari variabel target sebagai nilai prediksi. Dalam kasusnya,
estimasi merupakan supervised learning.
5.
Clustering, adalah pengelompokan record atau pengamatan juga menciptakan
kelas objek-objek yang ada kemiripan antara satu dengan lain dan memiliki
ketidakmiripan dengan record dari cluster lain. Pada kasusnya, clustering
merupakan unsupervised learning.
6.
Association Rule, tugas asosiasi yang disebut juga “market basket analysis”
adalah mencari relasi antara himpunan item dan menemukan atribut yang
sering muncul dalam satu waktu dari banyak waktu yang pernah terjadi.
Dalam kasusnya, asosiasi menggunakan metode unsupervised learning.
2.2.2
Konsep Clustering
Clustering merupakan proses melakukan partisi atau pemisahan satu set item data
ke himpunan bagian yang disebut cluster. Item yang dalam cluster-nya memiliki
karakteristik hampir sama antara satu dengan yang lain dan akan berbeda dengan
item dalam cluster lain. Partisi tidak dilakukan secara manual karena pasti akan
sulit mengingat banyaknya data yang akan dipartisi, sehingga dibutuhkan suatu
algoritma clustering. Oleh karena itu, clustering sangat berguna terlebih dalam
menemukan kelompok yang tidak dikenal dalam data. Di bussniness inteligence
khususnya minimarket, clustering membantu mengatur banyaknya item barang
yang dijual menjadi beberapa kelompok. Contoh mengelompokkan item barang
dalam beberapa cluster dengan kesamaan karakteristik seperti item barang mana
yang kurang laku, laku, atau sangat laku. Clustering juga dikenal sebagai data
segmentasi karena mempartisi banyak data ke banyak grup berdasar kesamaan.
Berikut beberapa manfaat yang diberikan oleh proses clustering [14] :
1.
Clustering adalah metode segmentasi data yang berguna dalam memprediksi
dan menganalisa masalah bisnis tertentu, misalnya segmentasi pasar
2.
Identifikasi objek dalam berbagai bidang penelitian seperti computer vision
dan image processing.
12
Sebetulnya ada beberapa tipe clustering yang dapat digunakan dalam melakukan
pengelompokkan data sesuai kebutuhan dan tujuan, berikut tipe-tipe clustering :
1.
Partitioning algorithms, merupakan algoritma yang cara kerjanya membentuk
berbagai macam partisi lalu mengevaluasinya berdasarkan kriteria tertentu.
2.
Hierarchial algorithms, merupakan algoritma yang membentuk dekomposisi
hirarki dari sekumpulan data menggunakan beberapa kriteria.
3.
Density based, merupakan algoritma yang membentuk cluster berdasar pada
koneksi dan fungsi densitas.
4.
Grid-based, membentuk cluster berdasar struktur multiple level granularity.
5.
Model-based, menganggap jika sebuah model adalah hipotesa untuk masingmasing cluster dan model yang baik dipilih diantara model hipotesa tersebut.
Dalam melakukan proses clustering pun ada syarat-syaratnya sekaligus tantangan
yang harus dipenuhi oleh suatu algoritma clustering, menurut Jiawei Han dan
Micheline Kamber di dalam bukunya yang berjudul “Data Mining Concepts And
Techniques” yang dijelaskan sebagai berikut [15] :
1.
Skalabilitas, yang artinya mengharuskan bahwa suatu metode clustering harus
mampu menangani data dalam jumlah yang besar bahkan sampai jutaan data.
2.
Kemampuan analisa beragam bentuk data, yang artinya algoritma clustering
harus mampu diimplementasikan ke berbagai macam bentuk data seperti data
nominal, ordinal maupun gabungannya.
3.
Menemukan cluster dengan bentuk-bentuk yang tidak terduga, artinya hasil
dari clustering dapat berbentuk aneh dan tidak sama antara satu data dengan
lainnya. Karena itu butuh kemampuan analisa cluster dengan bentuk apapun
pada suatu algoritma clustering.
4.
Kemampuan untuk dapat menangani noise, yang artinya data itu tidak selalu
dalam keadaan baik. Terkadang ada data rusak, tidak dimengerti, atau hilang.
Karena itu, algoritma clustering harus mampu menangani data yang rusak.
5.
Sensitifitas pada perubahan input, artinya perubahan input data menyebabkan
perubahan cluster yang ada bahkan menyebabkan perubahan mencolok jika
menggunakan algoritma clustering yang memiliki tingkat sensitifitas rendah.
13
6.
Mampu meng-clustering data-data berdimensi tinggi, artinya suatu kelompok
data dapat berisi banyak dimensi atau atribut. Untuk itu algoritma clustering
harus mampu menangani data berdimensi tinggi tersebut.
7.
Interpresasi dan kegunaan, artinya mengharuskan bahwa hasil dari proses
clustering dapat diinterpretasikan dan juga berguna.
2.2.3
Konsep Market Basket Analysis
Association rule merupakan bentuk dari suatu formula jika “kejadian sebelumnya”
kemudian “konsekuensinya” (IF antecedent, THEN consequent). Association rule
terkenal karena aplikasi analisa keranjang belanja, sehingga sering disebut market
basket analysis. Tugas association rule adalah mencari pola dari banyak data yang
ada yang mempunyai pola asosiasi antara dua atau lebih item. Dalam association
rule, terdapat ukuran keterkaitan yang didapat dari mengolah data menggunakan
proses hitung tertentu. Secara umum ada 2 ukuran tersebut, diantaranya :
1.
Support, ukuran yang mempresentasikan besaran tingkat dominasi item atau
itemset dari seluruh transaksi untuk memutuskan apakah item itu layak dicari
confidence-nya (misalnya dari kesemua total transaksi, berapa besaran tingkat
dominasi yang mempresentasikan item X dan Z dibeli secara bersama).
2.
Confidence, ukuran yang menunjukkan hubungan 2 item secara conditional
(misalnya, seberapa sering item X dibeli jika orang membeli item Z).
Kedua ukuran tersebut nanti bermanfaat saat mencari interesting association rule,
yaitu guna dibandingkan dengan pembatas (threshold) yang ditentukan user.
Batas tersebut biasanya terdiri dari min_support dan min_confidence.
Market basket analysis mengacu pada berbagai metode yang mempelajari tentang
item-item di suatu keranjang belanja yang dibeli pada satu penotalan dari banyak
kejadian transaksi yang telah terjadi. Data keranjang belanja dalam bentuk yang
paling mentah merupakan daftar transaksi belanja yang dilakukan oleh pelanggan,
yang mengidentifikasikan hanya barang-barang yang dibeli secara bersamaan oleh
ribuan pelanggan. Datanya ini menantang karena beberapa hal [16] :
14
1.
Jumlah data yang digunakan dalam jumlah besar (biasanya dapat mencapai
jutaan transaksi per hari jika pangsa pasarnya besar, seperti pada swalayan).
2.
Pembagiannya barangnya luas (setiap keranjang belanja hanya mengandung
sebagian kecil item dari ribuan item yang dijual).
3.
Heterogenitas (orang-orang dengan selera yang berbeda cenderung membeli
sekelompok barang yang spesifik).
Tujuan analisis keranjang belanja adalah mengidentifikasi produk-produk mana
yang cenderung dibeli secara bersamaan. Dengan menganalisis data pada tingkat
transaksi maka akan dapat diidentifikasikan pola-pola pembelian, seperti misalnya
jenis camilan ringan mana dan jenis roti mana yang dibeli secara bersama dengan
minuman untuk bersantai jika orang ingin mengadakan suatu acara seperti piknik
atau yang sering dilakukan ketika event-event sepakbola yang biasanya dilakukan
nonton bareng. Informasi tersebut kemudian dapat digunakan untuk menentukan
di mana suatu item dengan tingkat asosiasi tertentu dengan item lain ditempatkan
pada rak-rak di toko yang memungkinkan item-item tersebut saling berdekatan,
dan hal ini juga akan dapat membantu manajemen persediaan.
2.3
2.3.1
Algoritma K-Means
Konsep K-Means
Algoritma K-Means merupakan salah satu algoritma clustering pada data mining
non hierarki yang menganalisa data dengan pemodelan unsupervised learning dan
melakukan pengelompokan data dengan sistem partisi. Konsep dalam clustering
yaitu dengan mengelompokkan data-data menjadi beberapa himpunan, yang mana
data dalam satu kelompok mempunyai karakteristik yang sama antara data satu
dengan yang lainnya dan mempunyai karakteristik berbeda dengan data yang ada
dalam kelompok berbeda. Dengan maksud lain, metode k-means ini melakukan
peminimalan variasi antar data yang ada dalam suatu cluster dan memaksimalkan
variasi dengan data yang ada dalam cluster lainnya. Dalam mengelompokkan data
dengan k-means, didasarkan pada titik pusat yang telah ditentukan sebelumnya.
Dengan menggunakan rumus Euclidean Distances, Clustering objek dilihat dari
15
jarak objek dengan titik pusatnya yang paling dekat, yang mana dalam mencari
jarak terdekat kadang dibutuhkan hingga beberapa perulangan atau iterasi sampai
objek benar-benar mendekati ke titik pusat cluster. Euclidean Distances sendiri
merupakan perhitungan jarak dari 2 titik di euclidean space, dengan menghitung
akar dari kuadrat perbedaan 2 vektor. Setelah diketahui titik pusat terdekatnya dan
posisi objek terhadap cluster-nya tidak berubah-ubah lagi, objek dapat dipastikan
masuk sebagai anggota cluster tersebut. Sehingga diketahui bagaimana k-means
mempartisi data-data ke dalam kelompok masing-masing cluster, melalui proses
perubahan posisi data yang awalnya bergejolak menjadi tetap. Beberapa kelebihan
dari algoritma k-means antara lain sebagai berikut :
1. Karena algoritma k-means lebih sederhana dibandingkan algoritma lain seperti
fuzzy c-means, maka dalam implementasinya mudah dilakukan.
2. Dalam mempelajari k-means relatif cepat sehingga tidak perlu waktu lama.
3. Mudah untuk diadaptasikan dari satu masalah ke masalah lain selama data-data
yang digunakan juga cocok dilakukan peng-cluster-an.
4. Algoritma k-means sudah begitu banyak digunakan dalam berbagai masalah,
terlebih dalam penelitian-penelitian terdahulu.
Selain algoritma k-means itu sendiri, ternyata banyak algoritma yang didapat dari
hasil pengembangan atau variasi dari metode k-means sebagai berikut [17] :
1. K-means++, merupakan metode untuk menentukan nilai awal pada k-means.
Algoritma ini diperlukan dalam meminimalkan dampak buruk dari metode kmeans yang begitu bergantungan dari nilai awalnya.
2. K-medoids, merupakan algoritma yang berbasis prototype. Jika k-means perlu
titik tengah sebagai model dari peng-cluster-annya, maka untuk k-medoids ini
menggunakan rata-rata tengah.
3. Bisecting k-means, dasarnya memerlukan k-means sebagai pembagi 2 cluster.
Mulanya tiap-tiap objek tergabung dalam suatu cluster. Di tiap iterasi, dipilih
satu cluster untuk dibagikan 2 menggunakan k-means. Ini dilakukan sampai
tercipta k-cluster. Algoritma bisecting k-means kerjanya lebih cepat dibanding
k-means karena mereduksi jumlah objek yang dibandingkan di tiap iterasinya.
16
2.3.2
Proses Algoritma K-Means
Untuk menemukan pola-pola data dari proses clustering berbasis k-means, berikut
langkah-langkah yang perlu dilakukan [6], [7], [8] :
1. Menentukan dahulu berapa jumlah cluster yang akan dibentuk (k-cluster).
2. Menentukan titik pusat cluster (centroid) secara acak.
Untuk menghasilkan cluster maksimal, titik awal partisi merupakan salah satu
faktor yang berpengaruh untuk itu pemilihan titik awal harus beralasan. Dalam
menentukan titik pusat awal cluster dapat dengan mengukur nilai titik tengah
segmentasi berdasarkan jumlah jarak terpendek antar anggota kelas tersebut.
3. Menghitung jarak antara setiap data ke titik pusat terdekat.
Distance space digunakan dalam perhitungan jarak antara data dan titik pusat.
Salah satu persamaan yang dapat digunakan adalah Euclidean Distance Space,
yang sering digunakan dalam menghitung jarak. Hal tersebut dikarenakan hasil
perhitungan merupakan jarak terpendek antara dua titik yang diperhitungkan.
Berikut ini merupakan persamaannya yaitu :
Dn (x,y) = √∑𝑝𝑘=1(𝑋𝑥𝑘 − 𝑌𝑦𝑘 )
2
(2.1)
Dengan :
Dn (x,y) = jarak objek antara objek i dan j
P
= dimensi data
𝑋𝑥𝑘
= koordinat dari objek x pada dimensi k
𝑌𝑦𝑘
= koordinat dari objek y pada dimensi k
4. Mengalokasikan masing-masing data ke titik pusat terdekat, sehingga dalam
tahap ini setiap data sudah mulai bergerak ke cluster-nya masing-masing.
5. Menghitung titik pusat baru menggunakan jumlah keseluruhan per cluster.
Untuk menghitung titik pusat cluster yang baru ditentukan berdasarkan ratarata dari data-data yang ada di titik pusat yang sama. Berikut persamaannya :
1
𝐶𝑘 = ( ) ∑ 𝑑𝑖
𝑛
𝑘
(2.2)
17
Dengan :
𝐶𝑘 = titik pusat baru
𝑛𝑘 = jumlah dokumen dalam cluster k
𝑑𝑖 = dokumen dalam cluster k
6. Kembali ke langkah 3, jika ada data yang berubah-ubah dari cluster atau jika
berubahnya nilai centroid melebihi nilai threshold atau jika berubahnya nilai
objective function yang digunakan melebihi nilai threshold yang digunakan.
2.4
2.4.1
Algoritma Fuzzy C-Covering
Konsep Fuzzy C-Covering
Fuzzy c-covering merupakan suatu algoritma yang digunakan dalam klasifikasi
elemen-elemen dari himpunan universal ke dalam partisi-partisi berupa fuzzy sets.
Fuzzy c-covering merupakan bentuk generalisasi dari metode fuzzy c-partition
yang mana fuzzy c-partition diidentifikasikan sebagai berikut [4] :
Misal I= {𝑖1 , 𝑖2 , … , 𝑖𝑛 } adalah domain data. Fuzzy c-partition dari I adalah fuzzy
subset atau fuzzy classes dari T, ditandai oleh T= {𝑡1 , 𝑡2 , … , 𝑡𝑐 } yang memenuhi :
∑𝑐𝑚=1 𝜇 𝑡𝑚 (𝑖𝑘 ) = 1, untuk semua k ∈ N𝑛
(2.3)
Sedangkan berikutnya
0 < ∑𝑛𝑘=1 𝜇 𝑡𝑚 (𝑖𝑘 ) < n, untuk semua m ∈ N𝑐
(2.4)
Di mana c merupakan positive integer (0 < c ≤ n) dan 𝜇𝑡𝑚 (𝑖𝑘 ) ∈ [0,1].
Untuk lebih jelasnya rumus (2.3) dan (2.4), berikut contoh 1 :
μt1 = {0.3/i1, 0.7/i2 , 1/i3 },
μt2 = {0.6/i2 , 0.5/i3 , 1/i4 },
μt3 = {0.3/i4 , 0.6/i5, 0.7/i6 }.
Di contoh 1 diketahui total elemen terlibat (n = 6) dan partisinya (c = 3). Fuzzy
class tersebut bisa diistilahkan sebagai fuzzy c-partition dari suatu domain I =
{i1 , i2 , i3 , i4 , i5 , i6 } karena memenuhi rumus (2.3) dan (2.4). Di dalam fuzzy ccovering, rumus (2.3) dari teori fuzzy c-partition digeneralisasikan menjadi :
18
∑𝑐𝑚=1 𝜇 𝑡𝑚 (𝑖𝑘 ) ≥ 1, untuk semua k ∈ N𝑛
(2.5)
Untuk memperjelasnya diberikan contoh ke 2, yang misalnya suatu fuzzy classes
disebutkan seperti di bawah ini :
μt1 = {0.3/i1, 0.7/i2 , 0.6/i3 },
μt2 = {0.7/i6 , 0.5/i3 , 1/i4, 0.3/i5 },
μt3 = {0.3/i4 , 0.6/i1, 0.7/i5 }.
Dari contoh 2 bisa diketahui (n = 6) dan jumlah partisinya (c = 3). Fuzzy class itu
dikatakan sebagai fuzzy c-covering suatu domain I = {i1 , i2 , i3 , i4 , i5 , i6 } karena
telah memenuhi rumus (2.4) serta (2.5).
2.4.2
Proses Algoritma Fuzzy C-Covering
Untuk menemukan pola data dari proses market basket analysis berbasis fuzzy ccovering, berikut langkah-langkah yang perlu dilakukan [4], [5]:
1. Menentukan max_item_threshold sesuai yang dibutuhkan. Max_item_threshold
merupakan pembatas untuk menyaring transaksi berdasar pada jumlah item di
dalam transaksi. Hal ini didasarikan pada pengetahuan bahwa makin banyak
item yang dibeli dalam suatu transaksi, hubungan antar item dalam transaksi
tersebut pun akan semakin lemah.
2. Mencari record-record yang berada di dalam tabel transaksi yang memenuhi
max_item_threshold dan menyimpannya ke dalam QT, di mana :
QT = {t │ |t| ≤ ith, ith ∈ positive integer}
(2.6)
Dengan :
QT (Qualified Transaction) = himpunan transaksi yang sudah memenuhi
max_item_threshold
t
= transaksi
|t|
= jumlah produk dalam suatu transaksi
ith
= max_item_threshold
3. Set k = 1 (k adalah variabel untuk menentukan jumlah kombinasi).
19
4. Menentukan min_support ke-k yang sebagai threshold bagi kombinasi k-item
terhadap tingkat dominasinya dari keseluruhan transaksi.
5. Mencari support dari setiap kombinasi k-item yang memungkinkan yang ada di
dalam transaksi tersebut dengan rumus :
𝑠𝑢𝑝𝑝𝑜𝑟𝑡 (𝑢) =
∑𝑛
𝑡=1
1
∑𝑛
𝑡=1 𝑘
𝐶
|𝑇𝑡 |
𝑠(𝑢, 𝑇𝑡 )
𝑛
=
1
|𝑇𝑡 |!
𝑠(𝑢, 𝑇𝑡 )
𝑘!(|𝑇𝑡 |− 𝑘)!
𝑛
(2.7)
Dengan :
u
= kombinasi k-item yang akan dicari support-nya. Jika I merupakan
universal set dari item-item, u ⊆ 𝐼
|u|
= k : jumlah produk dalam u
𝑇𝑡
= transaksi ke-t (𝑇𝑡 ⊆ 𝐼)
|𝑇𝑡 |
= jumlah produk dalam 𝑇𝑡
𝑘
𝐶|𝑇
= kombinasi k-item terhadap |𝑇𝑡 |
𝑡|
𝑛
= jumlah record atau tuple dalam QT
s(u, Tt ) ∈ {0, 1} adalah suatu function, di mana jika u ∈ 𝑇𝑡 , s(u, Tt ) = 1,
selain itu s(u, Tt ) = 0.
6.
Melakukan penyaringan terhadap kombinasi produk yang ada dalam transaksi
tersebut yang tidak memenuhi : support (u) ≥ min_support ke-k.
7.
Set k = k + 1, di mana jika k > ith, maka ke langkah 9 (sembilan).
8.
Mencari kombinasi k-item yang memungkinkan dari tiap kombinasi (k-1)item yang memenuhi minimum_support yang telah ditentukan, dengan cara :
a. Untuk mendapat kombinasi k-item, u, harus ada kombinasi (k-1)-item, u’,
di mana u’ ⊂ u. Misalnya untuk mendapatkan u = {I1 , I2 , I3 , I4 } harus ada
u’ = {I1 , I2 , I3 }, {I1 , I2 , I4 }, {I1 , I3 , I4 }, {I2 , I3 , I4 }.
b. Jika tidak ada lagi kombinasi k-item yang munkin memenuhi min_support
yang ditentukan, dapat ke langkah 9, selain itu ulangi langkah 4 sampai 7.
9.
Mendefinisikan tiap produk yang telah didapatkan dari langkah sebelumnya
sebagai fuzzy set atau juga disebut item fuzzy set terhadap transaksi QT.
20
10. Mencari candidate rules dengan menghitung confidence di tiap kombinasi kitem yang mencapai min_support ke-k (k ≥ 2) dari item fuzzy set yang sudah
didapatkan dari langkah 9 (sembilan) dengan rumus :
R (X, Y) = confidence (Y  X) =
(μ (t))
∑t ∈T i ∈ inf
X ∪Y i
(μ (t))
∑t ∈T i inf
∈ Y i
(2.8)
Dengan :
X, Y ⊆ 𝐼
T
= himpunan kode-kode transaksi yang terdapat di QT
μi (t) ∈ [0, 1]
= fungsi anggota terhadap T
2.5
2.5.1
CRISP-DM (Cross Industry Standard Process For Data Mining)
Tentang CRISP-DM
CRISP-DM (Cross Industry Standard Process For Data Mining) adalah sebuah
metodologi yang menyediakan sebuah pendekatan terstruktur untuk perencanaan
proyek data mining, yang merupakan suatu konsorsium perusahaan yang didirikan
oleh Komisi Eropa tahun 1996 dan telah ditetapkan sebagai proses standar dalam
data mining yang dapat diaplikasikan di berbagai sektor industri. Adapun proses
ini salah satu tujuannya ialah menemukan pola yang menarik dan bermakna dalam
data, serta melibatkan beberapa disiplin ilmu seperti statistika, machine learning,
artificial intelligence, dan data mining. Salah satu keuntungan dari menggunakan
proses ini adalah menjelaskan langkah paling umum dalam proses-prosesnya yang
bukanlah suatu prosedur yang kaku dan harus dilakukan secara beruntun. Bahkan
beberapa kasus ada yang dilakukan tidak dari awal tahap, bisa jadi dari pemodelan
dahulu atau dari mengenali data-data yang dimiliki terlebih dahulu. CRISP-DM
juga tidak hanya bisa dilakukan oleh para analis ahli, karena prosesnya yang tidak
terlalu sulit maka para pemula atau pelajar pun dapat menggunakannya. Namun
meski demikian, CRISP-DM memberikan kerangka kerja yang berguna dalam
penggalian data sehingga lebih tahu tentang apa saja yang perlu dilakukan. Untuk
lebih jelasnya bagaimana fase-fase CRISP-DM dan apa saja yang biasa dilakukan
juga diperlukan dalam setiap fase, akan dijelaskan pada poin selanjutnya.
21
2.5.2
Proses CRISP-DM
Gambar 2.1 Proses Diagram CRISP-DM
(Cross Industry Standard Process For Data Mining)[18]
Dilihat dari gambar, nampak terdapat beberapa proses atau fase-fase yang perlu
dilakukan pada analisa data mining menggunakan CRISP-DM. Secara garis besar
ada 6 alur proses yang mana proses pertama dimulai dari business understanding,
lalu data understanding yang perlu dianalisa berdasarkan business understanding
yang jika sudah sesuai maka belanjut ke data preparation, kemudian modelling.
Pada tahap modelling sangat erat kaitannya dengan data preparation, sehingga di
tahap data preparation tidak boleh ada kesalahan saat menyiapkan data-datanya.
Setelah modeling selesai, perlu dilakukan evaluasi terhadap hasil dari modeling.
Dari evaluasi dapat berlanjut ke 2 arah, yaitu siap untuk deployment atau diulang
kembali ke tahap business understanding. Untuk pengulangan bisa dikarenakan
perlu adanya penelitian ulang terhadap keseluruhan proses yang sudah dilakukan,
atau melakukan kembali analisa data mining dengan business understanding yang
berbeda, atau juga sebagai siklus hidup sebuah sistem informasi. Berikut ini akan
dijelaskan lebih mendalam setiap tahap proses CRISP-DM [19] :
22
1.
Business Understanding
Dinamakan juga sebagai pemahaman penelitian. Tahap ini sangat diperlukan
kapasitas pemahaman yang bagus tentang substansi dari kegiatan data mining
yang akan dilakukan, atau merupakan kebutuhan dari sudut pandang bisnis.
Business understanding terdiri dari beberapa sub tahapan, yang diantaranya
yaitu: menentukan tujuan atau sasaran bisnis, memahami proses bisnis yang
sedang berjalan, menentukan tujuan dari datamining, dan pengaturan rencana
strategi serta jadwal pelaksanaan kegiatan.
2.
Data Understanding
Merupakan fase di mana data-data mentah atau data awal dikumpulkan, lalu
memahami data-data tersebut untuk dapat mengenal data apa saja yang akan
digunakan dalam proses data mining. Fase ini mencoba mengidentifikasikan
masalah apa saja yang berkaitan dengan kualitas data, mendeteksi subset yang
menarik dari data untuk membuat hipotesa awal.
3.
Data Preparation
Disebut juga sebagai persiapan data, yang mana tahapan ini lah yang dapat
dikatakan paling rumit atau banyak membutuhkan waktu karena ada banyak
sub-sub fase yang memang perlu dilakukan seperti cleaning data, integrating,
selecting, bahkan pembuatan atribut baru jika dibutuhkan, dan sebagainya.
4.
Modeling
Merupakan fase penentuan tehnik atau algoritma data mining yang akan
digunakan, tools yang dapat digunakan untuk mendukung algoritma, dan juga
parameter dengan nilai yang optimal.
5.
Evaluation
Merupakan tahap menginterpretasikan hasil datamining yang ditunjukkan
pada tahap pemodelan dari fase modeling. Evaluasi dilaksanakan secara lebih
mendetail dengan tujuan menyesuaikan model yang diperoleh agar sesuai
dengan tujuan yang ingin dicapai dalam fase pertama.
6.
Deployment
Merupakan tahap penyebaran, di mana penyusunan laporan atau presentasi
dari pengetahuan yang didapat dari evaluasi di proses data mining dilakukan.
23
2.6
2.6.1
Aplikasi Pendukung Pemodelan
RapidMiner Versi 5.3.015
RapidMiner merupakan software pengolahan data mining yang dapat digunakan
pada lingkungan untuk machine learning, data mining, text mining, dan lain-lain.
RapidMiner menyediakan prosedur data mining dan machine learning termasuk:
ETL (extraction, transformation, loading), data preprocessing, modelling, dan
evaluasi. Proses data mining merupakan susunan dari operator-operator yang
nestable, dideskripsikan dengan XML, didukung GUI, juga ditulis dalam bahasa
pemrograman Java. Berikut beberapa fungsi menu utama RapidMiner seperti :
1. Process control, merupakan fungsi yang diperuntukkan guna mengontrol aliran
pemprosesan, seperti perulangan atau conditional branch.
2. Utility, digunakan pada pengelompokan sub process, juga macro dan logger.
3. Repository access, diperuntukkan dalam pembacaan dan penulisan repository.
4. Import, digunakan untuk membaca dari berbagai format external.
5. Export, digunakan untuk menulis data ke berbagai format external.
6. Data Transformation, berfungsi untuk mentransformasi data dan metadata.
7. Modelling, untuk proses data mining yang sesungguhnya. Seperti klasifikasi,
regresi, clustering, aturan asosiasi, dan sebagainya.
8. Evaluation, untuk menghitung kualitas dari modelling.
2.6.2
Microsoft Visual Basic Versi 6.0
Secara singkat tentang Microsoft Visual Basic yang sering digunakan dalam dunia
pemrograman merupakan sebuah bahasa pemrograman yang mana menyediakan
Integrated Development Environtment (IDE) visual untuk merancang program
perangkat lunak berbasis sistem operasi Microsoft Windows dengan berbasis pada
model pemrograman (COM). Para programmer dapat membangun aplikasi bisnis
dengan menggunakan komponen yang sudah ada di Microsoft Visual Basic itu
sendiri, meski beberapa karakteristik obyek ada yang tidak dapat dilakukan pada
visual basic. Visual Basic menjadi populer karena kemudahan desain form secara
visual dan kemampuannya untuk menggunakan komponen yang dibuat pihak lain.
BAB 3
METODE PENELITIAN
3.1
Metode Pengumpulan Data
Untuk memperoleh data-data penelitian, penulis menggunakan beberapa metode
pengumpulan data yang dilakukan untuk menunjang penelitian tugas akhir ini.
Berikut beberapa metode yang dilakukan :
1.
Observasi
Dalam proses observasi, peneliti melakukan pengamatan langsung terhadap
InshofMart. Tentang bagaimana sistem informasi yang ada saat ini sedang
berjalan, dapat digunakan untuk apa saja data-data yang tersimpan dalam
database sistem tersebut, intinya bagaimana InshofMart memberdayakan
sistem informasi mereka dan data-data yang dimiliki. Selain mengamati
sistemnya, peneliti juga mengamati keadaan InshofMart secara fisik yang
mempunyai hubungan dengan masalah yang diangkat dalam penelitian ini.
Yaitu gudang penyimpanan barang yang hubungannya dengan pengendalian
stock barang, dan tatanan rak-rak barang yang hubungannya dengan asosiasi
antar item (market basket analysis).
2.
Studi Kepustakaan
Untuk menunjang penelitian ini agar dapat dilakukan dengan baik dan setiap
materi yang dicantumkan dapat dipertanggungjawabkan keabsahannya dan
sitasinya, maka dilakukan studi pustaka dengan mempelajari buku-buku
literature, laporan-laporan yang berkaitan dengan penelitian dan juga hasil
penelitian terdahulu atau yang pernah dilakukan oleh peneliti lain yang ada
hubungannya dengan masalah yang penulis teliti saat ini.
Dalam melaksanakan penelitian, diperlukan adanya data-data untuk mendukung
penelitian agar sesuai dengan objek yang diteliti. Ada beberapa jenis dan sumber
data-data yang perlu diperhatikan dalam memperolehnya, diantaranya adalah :
24
25
1. Jenis Data
Adapun jenis data-data yang penulis gunakan di dalam melakukan penelitian
tugas akhir ini adalah sebagai berikut :
a. Data Kuantitatif
Merupakan jenis data yang dapat dihitung dan menunjukkan jumlah sesuatu.
Data kuantitatif yang digunakan dalam penelitian ini misalnya data jumlah
sisa item produk, jumlah produk yang terjual, jumlah berapa kali transaksi
terjadi, dan sebagainya. Untuk data transaksi yang akan digunakan pada
proses market basket analysis adalah yang dikumpulkan InshofMart mulai
tanggal 01 November 2016 s/d 31 Maret 2017. Sedangkan untuk clustering
merupakan data pembelian ke distributor yang dikumpulkan sekitar tanggal
01 November 2016 s/d 31 Maret 2017. Karena tidak semua produk dibeli
tepat tanggal 01 November 2016, sehingga digunakan data yang terjadi pada
satu kali pembelian tanggal sebelumnya. Namun data dalam transaksi yang
digunakan adalah jumlah sisa produk tepat pada tanggal 01 November 2016,
sehingga tidak semua jumlah yang dibeli di kejadian tanggal sebelumnya
digunakan. Dan untuk data nama-nama produk yang ada dalam clustering
juga diambil dari jenis produk yang dibeli oleh pelanggan saja, atau produk
yang terdapat di tabel transaksi selama 01 November 2016 s/d 31 Maret
2017 tersebut. Sehingga untuk jenis produk yang tidak terdapat dalam tabel
transaksi di kisaran periode tersebut, dihapus atau tidak disertakan dalam
himpunan data-data untuk di dalam melakukan proses clustering nantinya.
Jumlah data yang terdapat dalam tabel transaksi selama 01 November 2016
s/d 31 Maret 2017, berjumlah 3.623 record data transaksi. Sedangkan untuk
data jenis-jenis produk yang dibeli pada distributor dan terdapat dalam tabel
transaksi 01 November 2016 s/d 31 Maret 2017 berjumlah 1.005 item.
Untuk data transaksi yang diminta dari InshofMart terdiri dari 4 atribut,
yaitu nomor, tanggal, nama produk, dan jumlah. Sedangkan untuk data stock
item yang diminta terdiri dari 2 atribut, yaitu kategori dan nama produk.
Berikut ini adalah merupakan bentuk tabel yang akan digunakan dalam
proses penelitian, atribut-atribut dalam tabel stock dan transaksi :
26
Tabel 3.1 Sampel Data Pada Tabel Stock
Kategori
Nama Produk
Joyko Correction Tape CF-S201-PT
Alat-alat Tulis (AT)
Joyko Correction Tape JK-101
Joyko Isi Pensil PL-05 (2B)
Pronas Chicken Sausage (325 gr)
Canned & Lauk Pauk (CN)
ABC Sardines Sauce Chilli (155 gr)
ABC Sardines Sauce Tomato (155 gr)
Silver Queen Almond Milk Chocolate (33 gr)
Coklat (CK)
Silver Queen Cashew Milk Chocolate (33 gr)
Delfi Fruit & Nut (30 gr)
Gatsby Watergloss Hard (150 gr)
Kosmetik Rambut (KR)
Gatsby Watergloss Hyper Solid (75 gr)
Gatsby Styling Pomade Supreme Grease (80 gr)
Tabel 3.2 Sampel Data Pada Tabel Transaksi
No
Tanggal
1
01/11/2016
2
01/11/2016
3
01/11/2016
5
01/11/2016
Nama Produk
Baby Happy Pants XL 1 Pcs
Mitu Baby Wet Tissue Pink 10s
My Baby Powder Soft & Gentle (150 gr)
Aqua (1500 ml)
Snack Kerupuk Tengiri Original
Snack Ring Balado
Aqua (1500 ml)
Indofood Saus Pedas Sachet Isi 6 (9 gr)
Okey Sosis Ayam / 1 Potong
Sarimi isi 2 Koya jeruk Nipis (112 gr)
So Good Bakso Kuah Ayam
Campina Concerto Sundae Blueberry
Bayclin Botol (100 ml)
Milkuat Rasa Strawberry
Nuvo Bar Soap Family Biru (80 gr)
So Klin Smart Color Deterjen (800 gr)
Jumlah
3
1
1
1
1
1
1
1
3
2
1
2
1
2
2
1
27
2. Sumber Data
a. Data Sekunder
Merupakan data yang didapatkan secara tidak langsung untuk menambah
pengetahuan, antara lain data dari literatur, jurnal, atau data pendukung lain
yang bukan dari sumber utama yang berhubungan dengan topik penelitian.
Misal dalam penelitian ini penulis menggunakan data stock produk dan data
transaksi yang didapatkan dari InshofMart, bukan memperolehnya langsung
dari kegiatan jual beli yang setiap harinya dilakukan antara penjual dengan
pembeli dan distributor.
3.2
Metode Analisis
3.2.1
CRISP-DM (Cross Industry Standard Process For Data Mining)
Ada 6 tahap dalam fase CRISP-DM, namun pada penelitian ini hanya sampai fase
ke-4 dikarenakan tahap evaluasi dan deployment perlu penelitian lebih lanjut dan
dukungan dari pihak luar. Berikut 4 fase yang digunakan dalam penelitian :
1.
Business Understanding
Dinamakan juga sebagai pemahaman penelitian. Tahap ini sangat diperlukan
kapasitas pemahaman yang bagus tentang substansi dari kegiatan datamining
yang akan dilakukan, atau merupakan kebutuhan dari sudut pandang bisnis.
Business understanding terdiri dari beberapa sub tahapan, yang diantaranya
yaitu: menentukan tujuan atau sasaran bisnis, memahami proses bisnis yang
sedang berjalan, dan menentukan tujuan dari data mining.
2.
Data Understanding
Merupakan fase di mana data-data mentah atau data awal dikumpulkan, lalu
memahami data-data tersebut untuk dapat mengenal data apa saja yang akan
digunakan dalam proses data mining. Fase ini mencoba mengidentifikasikan
masalah apa saja yang berkaitan dengan kualitas data, mendeteksi subset yang
menarik dari data untuk membuat hipotesa awal.
3.
Data Preparation
Disebut juga sebagai persiapan data, yang mana tahapan ini lah yang dapat
dikatakan paling rumit atau banyak membutuhkan waktu karena ada banyak
28
sub-sub fase yang memang perlu dilakukan seperti cleaning data, integrating,
selecting, bahkan pembuatan atribut baru jika dibutuhkan, dan sebagainya.
4.
Modeling
Merupakan fase penentuan tehnik atau algoritma data mining yang akan
digunakan, tools yang dapat digunakan untuk mendukung algoritma, dan juga
parameter dengan nilai yang optimal.
3.2.2
Metode Clustering Menggunakan K-Means
Untuk menemukan pola-pola data dari proses clustering berbasis k-means dan
mendukung tahap pemodelan pada CRISP-DM, berikut langkah-langkah yang
perlu dilakukan [6], [7], [8] :
1. Menentukan dahulu berapa jumlah cluster yang akan dibentuk (k-cluster).
2. Menentukan titik pusat cluster (centroid) secara acak.
3. Menghitung jarak antara setiap data ke titik pusat terdekat menggunakan rumus
Euclidean Distance. Berikut ini merupakan persamaannya yaitu :
Dn (x,y) = √∑𝑝𝑘=1(𝑋𝑥𝑘 − 𝑌𝑦𝑘 )
2
(3.1)
Dengan :
Dn (x,y) = jarak objek antara objek i dan j
P
= dimensi data
𝑋𝑥𝑘
= koordinat dari objek x pada dimensi k
𝑌𝑦𝑘
= koordinat dari objek y pada dimensi k
4. Mengalokasikan masing-masing data ke titik pusat terdekat, sehingga dalam
tahap ini setiap data sudah mulai bergerak ke cluster-nya masing-masing.
5. Menghitung titik pusat baru menggunakan jumlah keseluruhan per cluster.
Untuk menghitung titik pusat cluster yang baru ditentukan berdasarkan ratarata dari data-data yang ada di titik pusat yang sama. Berikut persamaannya :
1
𝐶𝑘 = ( ) ∑ 𝑑𝑖
𝑛
𝑘
(3.2)
29
Dengan :
𝐶𝑘 = titik pusat baru
𝑛𝑘 = jumlah dokumen dalam cluster k
𝑑𝑖 = dokumen dalam cluster k
6. Kembali ke langkah 3, jika masih ada data yang berpindah cluster atau apabila
perubahan nilai centroid ada yang di atas nilai threshold atau jika perubahan
nilai objective function yang digunakan di atas nilai threshold yang ditentukan.
3.2.3
Metode Market Basket Analysis Menggunakan Fuzzy C-Covering
Fuzzy c-covering adalah salah satu metode pengklasifikasian item-item dari suatu
himpunan yang universal ke dalam partisi-partisi berbentuk fuzzy sets. Untuk
menemukan pola data dari proses market basket analysis berbasis fuzzy c-covering
berikut langkah-langkah yang perlu dilakukan [4], [5]:
1. Menentukan max_item_threshold sesuai yang diperlukan. Max_item_threshold
merupakan pembatas untuk menyaring transaksi berdasar pada jumlah itemitem yang ada dalam transaksi tersebut.
2. Mencari record data yang berada di tabel transaksi yang sesuai dengan batasan
max_item_threshold dan kemudian disimpan ke dalam QT.
3. Set k = 1 (k merupakan variabel yang menentukan berapa jumlah kombinasi).
4. Menentukan min_support ke-k yang merupakan threshold untuk kombinasi kitem terhadap besaran dominasinya dari semua transaksi yang terjadi.
5. Mencari support yang terjadi di tiap kombinasi k-item yang mungkin terdapat
di dalam transaksi tersebut.
6. Melakukan penyaringan pada kombinasi item yang terdapat di dalam transaksi
yang tidak memenuhi : support (u) ≥ min_support ke-k.
7. Set k = k + 1, di mana jika k > ith, maka melanjutkan langkah 9 (sembilan).
8. Mencari kombinasi k-item yang mungkin terdapat di tiap kombinasi (k-1)-item
yang mencapai minimum_support yang sudah ditentukan, dengan langkah :
30
a. Untuk memperoleh kombinasi k-item, u, harus ada kombinasi (k-1)-item, u’,
di mana u’ ⊂ u. Misalkan untuk mendapat u = {I01 , I02 , I03 , I04 } harus ada
u’ = {I01 , I02 , I03 }, {I01 , I02 , I04 }, {I01 , I03 , I04 }, {I02 , I03 , I04 }.
b. Jika tidak ada kombinasi k-item lain yang memenuhi min_support yang
telah ditentukan, dapat ke langkah 9, selain itu ulangi langkah 4 sampai 7.
9.
Mendefinisikan setiap item yang didapat dari langkah sebelumnya menjadi
fuzzy set atau bisa juga disebut sebagai item fuzzy set terhadap transaksi QT.
10. Mencari candidate rules dengan menghitung confidence per kombinasi k-item
yang mencapai min_support ke-k (k ≥ 2) dari item fuzzy set yang sudah didapat
pada langkah 9 (sembilan).
BAB 4
HASIL DAN PEMBAHASAN
4.1
Hasil Penelitian
Pada bagian ini berisi tentang uraian hasil penelitian yang telah dilakukan, analisis
hasil penelitian, dan pembahasan lebih mendalam tentang hasil penelitian. Dalam
melakukan penelitian ini, CRISP-DM (Cross Industry Standard Process For Data
Mining) digunakan sebagai metodologi agar proses penelitiannya tersusun secara
berurutan sehingga lebih mudah dipahami. Berikut penjelasan dari implementasi
fase-fase CRISP-DM yang digunakan dalam proses penelitian.
4.1.1 Business Understanding
Business Understanding merupakan tahapan pertama dari fase CRISP-DM yang
berarti menjadi tahapan pertama dalam melakukan analisa hasil dalam penelitian
ini. Business Understanding dilakukan agar dapat memahami inti kegiatan analisa
data dan kebutuhan dari perspektif bisnis.
1. Determine Business Objectives
Pada tahap ini akan ditentukan tujuan bisnis dan faktor-faktor pentingnya yang
terlibat dalam penelitian. Tujuan bisnis yang dimaksudkan ialah tujuan jangka
panjang yang dapat diterapkan dalam jangka waktu tahunan dan berguna bagi
objek, bukan hanya sekedar berguna dalam penelitian ini. Untuk itu dijelaskan
tujuan penelitian ini yang berakar dari dua masalah, yaitu penataan lokasi rakrak barang dan penentuan jumlah stok pada InshofMart yang masih dilakukan
dengan cara ber-instinct dari pada dengan analisa data yang lebih mendekati
fakta. Untuk itu analisa data ini dilakukan dengan tujuan agar menghasilkan
sebuah formulasi yang lebih menonjolkan fakta dari data-data yang dihasilkan
oleh InshofMart dari pada sekedar instinct. Sehingga formula tersebut dapat
membantu dalam proses perencanaan penjualan selanjutnya.
31
32
2. Assess the Situation
Kegiatan menilai situasi yang kini sedang berjalan pada InshofMart tentang
bagaimana mereka mengelola sub bisnis yang kini dijadikan masalah di dalam
penelitian, yaitu bagaimana mereka menentukan penataan rak-rak barang agar
antara satu item dapat berelasi dengan item lainnya sesuai data di lapangan dan
menentukan jumlah stock barang yang harus dibeli maupun dijual.
a. Saat ini InshofMart masih menggunakan acuan kategori barang sebagai cara
mereka menata rak-rak barang, hal itu lumayan disayangkan karena bisa jadi
satu nama dari suatu kategori produk justru penjualan tertingginya disertai
oleh satu nama dari suatu kategori produk lain. Sehingga jika kedua produk
tersebut tidak saling didekatkan akan mengurangi minat pelanggan untuk
membeli keduanya, dan hanya membeli yang mereka lihat pertama saja.
b. Dalam penentuan stock pun masih menggunakan instinct, sehingga kadang
rasio produk tidak seimbang. Mengakibatkan seringnya kehabisan beberapa
produk paling laku sebelum sempat memesan ke distributor, atau beberapa
produk yang masa penggunannya berakhir sebelum terjual ke pelanggan.
3. Determine the Data Mining Goals
Tahap ini merupakan tahap pengubahan dari masalah bisnis menjadi masalah
data mining, sehingga dari masalah itu dapat ditentukan tujuan data mining.
Dari masalah bisnis yang telah dijelaskan pada tahap Determine Business
Objectives dapat disimpulkan bahwa masalah data mining-nya yaitu bagaimana
agar dapat meng-cluster item apa saja pada tabel data stock yang masuk dalam
himpunan sangat laku, laku, dan kurang laku. Dan juga market basket analysis
antar item pada tabel data transaksi yang akan menghasilkan nilai asosiasi antar
item mana yang relasinya tertinggi. Sehingga hasil dari kedua analisa tersebut
dapat dimanfaatkan dalam melakukan perencaan penjualan (penentuan stock
item yang lebih akurat dan penataan rak-rak barang yang saling terasosiasi
antar satu item dengan item lainnya) pada berbagai minimarket, namun dalam
penelitian ini lebih dikhususkan pada objek penelitian utama yaitu InshofMart.
33
4.1.2 Data Understanding
Pada tahap pemahaman data ini, data-data sekunder yang telah dikumpulkan dari
objek akan menjadi data awal atau data mentah untuk penelitian ini. Kemudian
data-data tersebut dipelajari guna mengenal dan memahami apa saja yang dapat
dilakukan pada data-data itu. Pemahaman akan data mengacu pada permasalahan
di InshofMart seperti yang dijelaskan pada tahap business understanding.
1. Collect the Initial Data
Pada tahap ini data-data yang berhubungan dengan masalah data mining akan
dikumpulkan, untuk itu dibutuhkan semua data dari tabel data stock untuk
kepentingan clustering dan tabel data transaksi untuk market basket analysis.
Data-data yang diambil adalah data stock dan data transaksi yang dikumpulkan
InshofMart mulai tanggal 01 November 2016 s/d 31 Maret 2017. Sedangkan
untuk data stock, karena tidak semua produk dibeli kepada distributor tepat
tanggal 01 November 2016, sehingga digunakan data yang terjadi pada satu
kali pembelian yang sebelumnya. Namun data transaksi yang digunakan adalah
jumlah sisa produk tepat pada tanggal 01 November 2016, sehingga tidak
semua jumlah yang dibeli pada kejadian sebelumnya digunakan. Dan untuk
data nama-nama produk dalam clustering juga diambil dari jenis produk yang
terdapat dalam tabel transaksi selama 01 November 2016 s/d 31 Maret 2017.
Sehingga produk yang tidak ada dalam tabel transaksi di periode tersebut, tidak
disertakan ke himpunan data-data dalam melakukan proses clustering nantinya.
2. Describe the Data
Merupakan tahap memahami data yang terlihat seperti laporan stock maupun
laporan hasil transaksi, memeriksa format data, berapa jumlahnya, bagaimana
atribut-atribut datanya, dan fitur lain dari data. Dari InshofMart, data-data yang
diberikan sudah dalam bentuk excel sehingga lebih memudahkan karena dapat
langsung diolah tanpa berurusan dengan database. Dalam mempelajari datanya
pun lebih cepat karena tidak perlu mempelajari bagaimana sistem database-nya
terlebih dahulu. Karena tahap ini memang difokuskan untuk membiasakan diri
terhadap data-data yang terkumpul dan juga berusaha menemukan pengetahuan
34
awal tentang informasi yang bisa diperoleh. Seperti yang telah dijelaskan pada
tahap Collect the Initial Data, terdapat dua tabel data yang diperlukan dalam
penelitian ini yaitu tabel data stock untuk kepentingan clustering dan tabel data
transaksi untuk market basket analysis. Data-data mentah yang langsung dari
InshofMart tersebut terdiri dari beberapa entitas, nilai, dan atribut :
a. Terdapat 58 entitas yang merupakan kategori produk pada tabel data stock.
Tabel 4.1 Entitas (Kategori Produk) Pada Tabel Data Stock
Kategori
Alat-alat Tulis (AT)
Alat-alat Kebersihan (AR)
Alat Masak / Alumunium (AP)
Baby Alat (BA)
Baby Food (BF)
Bahan Mentah (BM)
Bahan Roti / Makanan (BR)
Bedak / Cream Baby (BB)
............. dst. (58 kategori)
b. Terdapat beberapa atribut dari tabel data stock dan juga tabel data transaksi.
Untuk data stock sebenarnya ada banyak atribut antara lain kode produk,
nama produk, harga, jumlah tersedia, volume jual per bulan, dan lainnya.
Namun karena tujuan penelitian, untuk data stock hanya diminta kategori
dan nama produk. Sedangkan untuk data transaksi hanya diminta nomor,
tanggal transaksi, nama produk, dan jumlah. Berikut gambarannya :
Gambar 4.1 Atribut Tabel Data Stock
35
Gambar 4.2 Atribut Tabel Data Transaksi
c. Terdapat 1.005 baris nilai data dari atribut nama produk di tabel data stock.
Untuk tabel data transaksi terdapat 3.623 baris nilai data dari atribut nomor
dan tanggal, dan 8.737 baris nilai data dari atribut nama produk dan jumlah.
Gambar 4.3 Nilai Data Pada Tabel Data Stock
Gambar 4.4 Nilai Data Pada Tabel Data Transaksi
3. Verify Data Quality
Pada tahap ini kualitas data dan kelengkapannya perlu dievaluasi, karena sering
terjadi ketidaklengkapan atau hilangnya nilai-nilai data terutama jika data yang
terkumpul begitu banyak dan dalam jangka waktu lama. Untuk itu diperlukan
pemeriksaan atribut yang hilang atau kosong, kejelasan atau keambiguan nilai,
ejaannya, dan apakah atribut yang nilainya berbeda mempunyai arti sama. Dan
dari hasil pengamatan ditemukan beberapa kekurangan, diantaranya:
a. Pada tabel data stock, barcode digunakan sebagai primary key. Namun ada
beberapa produk yang tidak mempunyai barcode karena produk merupakan
titipan dari bisnis mikro warga sekitaran yang masih sederhana. Sedangkan
produk yang sudah ber-barcode, barcode-nya pun terlalu panjang sehingga
untuk proses penelitian kurang praktis.
36
Gambar 4.5 Item tanpa Kode Produksi
b. Pada tabel data transaksi tidak terdapat kode transaksinya, hanya tanggal
kapan terjadi sebuah transaksi dan nomor urut transaksi tersebut pada satu
tanggal. Sehingga untuk tanggal selanjutnya, nomor urut akan dimulai dari
angka 1 (satu) kembali begitu seterusnya ke tanggal berikut.
Gambar 4.6 Transaksi tanpa Kode Transaksi
4.1.3 Data Preparation
Data preparation merupakan tahap pembentukan data set yang digunakan pada
tahap pemodelan dari data mentah. Untuk data set ini akan dibedakan menjadi 2
tabel seperti pada data mentahnya yang terdiri dari tabel data stock dan tabel data
transaksi, karena akan dilakukan analisa berbeda pada 2 tabel tersebut sehingga
harus dipisahkan meski beberapa atribut dihasilkan dari integrasi kedua tabel.
1. Data Set Description
Pada tahap ini dilakukan pemformatan terhadap data set awal, ke dalam sheet
excel yang berbeda dari sheet excel data mentah. Karena untuk kepentingan
tahap pemodelan data mining agar data mentah dan data set tidak bercampur.
Rancangan data set menyesuaikan rumusan pada tahap business understanding,
sub determine the data mining goal. Untuk itu perlu perancangan tabel baru
37
yang mendeskripsikan pola clustering data stock dan market basket analysis
data transaksi. Setiap tabel data dibedakan ke 2 set, yaitu untuk kepentingan
data training dan data testing. Untuk data training pada clustering data stock
hanya digunakan 50 item data set, dan market basket analysis data transaksi
digunakan yang terdapat nama produk gula pasir putih (1 kg) saja. Sedangkan
sisanya akan digunakan sebagai data testing menggunakan bantuan aplikasi.
2. Select Data
Data-data yang akan digunakan untuk proses analisa mulai dipilih pada tahap
ini, dan pemilihan berdasarkan pada beberapa kriteria termasuk relevansinya
terhadap the data mining goal, serta kualitas dan kendala teknis seperti batas
volume data atau jenis data. Adapun data yang terpilih merupakan data yang
berhubungan dengan clustering dan market basket analysis, diambil dari tabel
data stock dan tabel data transaksi.
3. Construct Data
Merupakan tahapan yang mana akan dilakukan pengembangan atribut turunan
melalui kegiatan transformasi data yang sesuai dengan kebutuhan pemodelan.
Transformasi melibatkan agregasi yang mengacu ke operasi dimana nilai-nilai
baru dihitung dengan meringkas dari beberapa tabel. Agregasi yang dilakukan
pada penelitian ini di antaranya mencari total berapa kali terjadi transaksi dari
suatu item dan berapa volume terjualnya selama tanggal 01 November 2016 s/d
31 Maret 2017 dan nilai rata-rata dari jumlah transaksi dan volume penjualan
tersebut yang dicari dari tabel data transaksi. Dan setelah didapatkan, data baru
tersebut akan diintegrasikan ke dalam tabel data stock yang akan dibahas pada
langkah selanjutnya yaitu integrate data dengan atribut yang baru yaitu jumlah
transaksi, volume jual, dan rata-rata penjualan.
Gambar 4.7 Mencari Total Transaksi dan Volume Jual
38
4. Integrate Data
Tahap penggabungan 2 tabel yang memiliki informasi berbeda tentang objek
sama menjadi set data baru yang disiapkan pada bagian data preparation. Data
yang diintegrasikan merupakan hasil transformasi data di tahap construct data.
Hasil perhitungan total transaksi, volume jual, dan rata-rata jual, diintegrasikan
pada tabel data stock sebagai atribut turunan untuk kepentingan clustering.
Gambar 4.8 Integrasi Atribut Jumlah Transaksi, Volume Jual, Rataan Jual
5. Clean Data
Data-data yang diintegrasikan sebelumnya, akan dilakukan cleaning pada tahap
ini guna memastikan sudah layak dieksekusi atau belum. Diperlukan cleaning
dan repairing data failed, menghapus yang tidak perlu, mengkonsistenkan data
yang belum konsisten. Dari hasil penelusuran pada tahap data understanding
terdapat beberapa data yang perlu diperbaiki, berikut data-data tersebut :
a. Seperti yang telah dijelaskan pada tahap describe the data sub pembahasan
verify data quality, terdapat masalah pada kode produksi. Untuk itu perlu
dilakukan manipulasi kode produk, guna memudahkan clustering. Sehingga
tidak perlu menyertakan nama produk yang panjang, tapi dengan kode
singkat. Untuk pembuatannya dilakukan sesuai inisial kategori, diikuti tanda
hyphen (-), lalu nomor urut produk dalam baris kategori. Adapun kegiatan
itu hanya untuk kepentingan penelitian, tidak untuk selain penelitian ini.
Gambar 4.9 Penambahan Atribut Kode Produksi
39
b. Pada tabel transaksi juga bermasalah dengan kode transaksinya, yaitu tidak
terdapat kode transaksi melainkan hanya tanggal dan nomor urut. Sehingga
untuk kepentingan penelitian akan dilakukan penggabungan tanggal dengan
nomor. Adapun formatnya dimulai dari 2 digit angka belakang tahun, 2 digit
bulan, 2 digit tanggal, diikuti hyphen (-) yang kemudian 4 digit nomor urut.
Gambar 4.10 Penambahan Atribut Kode Transaksi
6. Format Data
Merupakan tahap akhir dalam pembangunan data set yang siap dieksekusi atau
diolah ke dalam tahap pemodelan data mining. Format data set akhir berupa
tabel yang mana dalam penelitian ini terdapat dua tabel yaitu untuk pemodelan
clustering dan market basket analysis. Data yang sudah siap diolah dari tabel
data stock antara lain kategori, kode, nama produk, jumlah transaksi, volume
penjualan, dan rata-rata penjualan. Sedangkan untuk tabel data transaksi antara
lain nomor, tanggal, kode transaksi, nama produk, dan jumlah.
Gambar 4.11 Format Tabel Data Stock
Gambar 4.12 Format Tabel Data Transaksi
40
4.1.4 Modelling
Tahap Modelling merupakan tahap di mana model teknik (algoritma data mining)
dipilih kemudian digunakan untuk mengolah data, dan parameternya disesuaikan
untuk mengoptimalkan nilai-nilai. Untuk itu dalam melakukan pengolahan data
pada penelitian, algoritma yang digunakan adalah k-means dan fuzzy c-covering.
Kedua algoritma tersebut telah disesuaikan dengan permasalahan dan format datadatanya. Yang mana untuk clustering data stock, lebih cocok dengan algoritma
clustering yang salah satunya adalah k-means dan untuk market basket analysis,
lebih cocok dengan algoritma asosiasi yang salah satunya adalah fuzzy c-covering
yang juga merupakan perluasan dari fuzzy c-partition.
4.1.4.1 Perhitungan K-Means secara Manual
Dalam perhitungan menggunakan algoritma k-means secara manual, data yang
digunakan diambil secara acak berjumlah 50 sampel data dari keseluruhan data
yang sudah bersih dan siap digunakan berjumlah 1005 nama item. Pada tabel 4.2
berikut, akan dijelaskan mengenai sampel data yang akan digunakan tersebut.
Tabel 4.2 Data Sampel Perhitungan K-Means Manual pada Iterasi ke-1
No.
Kode
Jumlah Transaksi Volume Jual Rata-rata Penjualan
1
AT-001
3
3
1,00
2
AT-013
26
27
1,04
3
AT-014
10
11
1,10
4
BM-001
93
94
1,01
5
BM-002
24
26
1,08
6
BM-003
69
103
1,49
7
BM-005
40
98
2,45
8
BM-007
43
100
2,33
9
DR-004
28
30
1,07
10
DR-005
78
86
1,10
11
DR-006
14
23
1,64
12
KP-009
24
24
1,00
13
KP-010
28
28
1,00
41
14
KP-011
104
106
1,02
15
MI-003
12
38
3,17
16
MI-004
10
25
2,50
17
MI-005
6
14
2,33
18
MI-007
6
15
2,50
19
MI-008
3
10
3,33
20
MI-009
4
8
2,00
21
MI-010
6
14
2,33
22
MI-011
27
79
2,93
23
MI-012
1
2
2,00
24
MI-013
3
5
1,67
25
MI-014
10
31
3,10
26
MI-015
20
48
2,40
27
RB-017
35
35
1,00
28
RB-019
16
49
3,06
29
RB-020
15
45
3,00
30
RB-021
11
36
3,27
31
RB-022
13
39
3,00
32
RG-011
4
4
1,00
33
SC-002
24
31
1,29
34
SK-006
67
68
1,01
35
SB-019
29
32
1,10
36
SN-011
46
46
1,00
37
SN-012
33
33
1,00
38
SN-032
21
35
1,67
39
SN-033
4
7
1,75
40
SN-034
31
32
1,03
41
SN-035
18
26
1,44
42
SN-036
11
21
1,91
43
SS-001
31
31
1,00
44
SS-002
33
33
1,00
45
SS-004
51
51
1,00
46
TK-013
42
42
1,00
42
47
TK-014
10
10
1,00
48
TK-022
37
47
1,27
49
TK-025
21
28
1,33
50
TP-014
34
34
1,00
Dari tabel data sampel perhitungan K-Means secara manual, berikut perhitungan
atau langkah-langkah dalam pengolahan data-data menggunakan K-Means :
1. Menentukan Dahulu Berapa Jumlah Cluster yang akan Dibentuk
Dalam penelitian ini, peneliti menentukan cluster yang akan dibentuk adalah
k-3. Dengan pertimbangan dibentuknya 3 cluster agar dapat diketahui tingkat
yang lebih bervariasi dari kelompok produk berdasarkan daya jualnya.
2. Menentukan Titik Pusat Cluster
Tabel 4.3 Titik Pusat Cluster (Centroid)
Atribut
Cluster 0
Cluster 1
Cluster 2
Jumlah Transaksi
1,00
24,00
104,00
Volume Jual
2,00
31,00
106,00
Rata-rata Penjualan
2,00
1,29
1,02
3. Menghitung Jarak antara Data ke Titik Pusat Terdekat (Euclidean Distances)
Peneliti menggunakan rumus Euclidean Distances dalam penelitian ini, untuk
menghitung jarak antara data dengan titik pusat (centroid). Berikut langkah
dalam perhitungan K-Means menggunakan rumus Euclidean Distances :
D (x,y) = √(𝑋1 − 𝑌1 )2 + (𝑋2 − 𝑌2 )2 + (𝑋3 − 𝑌3 )2
(4.1)
Melihat dari persamaan di atas mengapa 𝑋1 sampai dengan 𝑋3 begitu juga 𝑌1
sampai dengan 𝑌3 , itu karena terdapat 3 atribut dalam tabel data stock yang
digunakan dalam pemodelan k-means. Untuk lebih jelasnya, berikut beberapa
contoh perhitungan yang dilakukan dengan rumus Euclidean Distances :
43
a. Jarak terhadap data item pertama dengan titik pusat dari cluster ke-0 :
D (1,0) = √(X1.1 − Y0.1 )2 + (X1.2 − Y0.2 )2 + (X1.3 − Y0.3 )2
= √(3 − 1,00)2 + (3 − 2,00)2 + (1,00 − 2,00)2
= √4 + 1 + 1
= 2,45
b. Jarak terhadap data item pertama dengan titik pusat dari cluster ke-1 :
D (1,1) = √(X1.1 − Y1.1 )2 + (X1.2 − Y1.2 )2 + (X1.3 − Y1.3 )2
= √(3 − 24,00)2 + (3 − 31,00)2 + (1,00 − 1,29)2
= √441 + 784 + 0,084
= 35,00
c. Jarak terhadap data item pertama dengan titik pusat dari cluster ke-2 :
D (1,2) = √(X1.1 − Y2.1 )2 + (X1.2 − Y2.2 )2 + (X1.3 − Y2.3 )2
= √(3 − 104,00)2 + (3 − 106,00)2 + (1,00 − 1,02)2
= √10.201 + 10.609 + 0,0004
= 144,26
d. Jarak terhadap data item kedua dengan titik pusat dari cluster ke-0 :
D (2,0) = √(X 2.1 − Y0.1 )2 + (X 2.2 − Y0.2 )2 + (X 2.3 − Y0.3 )2
= √(26 − 1,00)2 + (27 − 2,00)2 + (1,04 − 2,00)2
= √625 + 625 + 0,92
= 35,37
e. Jarak terhadap data item kedua dengan titik pusat dari cluster ke-1 :
D (2,1) = √(X 2.1 − Y1.1 )2 + (X 2.2 − Y1.2 )2 + (X 2.3 − Y1.3 )2
= √(26 − 24,00)2 + (27 − 31,00)2 + (1,04 − 1,29)2
= √4 + 16 + 0,06
= 4,48
44
f. Jarak terhadap data item kedua dengan titik pusat dari cluster ke-2 :
D (2,2) = √(X 2.1 − Y2.1 )2 + (X 2.2 − Y2.2 )2 + (X 2.3 − Y2.3 )2
= √(26 − 104,00)2 + (27 − 106,00)2 + (1,04 − 1,02)2
= √6.084 + 6.241 + 0,0004
= 111,02
g. Jarak terhadap data item ketiga dengan titik pusat dari cluster ke-0 :
D (3,0) = √(X 3.1 − Y0.1 )2 + (X 3.2 − Y0.2 )2 + (X 3.3 − Y0.3 )2
= √(10 − 1,00)2 + (11 − 2,00)2 + (1,10 − 2,00)2
= √81 + 81 + 0,81
= 12,76
h. Jarak terhadap data item ketiga dengan titik pusat dari cluster ke-1 :
D (3,1) = √(X 3.1 − Y1.1 )2 + (X 3.2 − Y1.2 )2 + (X 3.3 − Y1.3 )2
= √(10 − 24,00)2 + (11 − 31,00)2 + (1,10 − 1,29)2
= √196 + 400 + 0,04
= 24,41
i. Jarak terhadap data item ketiga dengan titik pusat dari cluster ke-2 :
D (3,2) = √(X 3.1 − Y2.1 )2 + (X 3.2 − Y2.2 )2 + (X 3.3 − Y2.3 )2
= √(10 − 104,00)2 + (11 − 106,00)2 + (1,10 − 1,02)2
= √8.836 + 9.025 + 0,00
= 133,65
j. Jarak terhadap data item keempat dengan titik pusat dari cluster ke-0 :
D (4,0) = √(X 4.1 − Y0.1 )2 + (X 4.2 − Y0.2 )2 + (X 4.3 − Y0.3 )2
= √(93 − 1,00)2 + (94 − 2,00)2 + (1,01 − 2,00)2
= √8.464 + 8.464 + 0,98
= 130,11
45
k. Jarak terhadap data item keempat dengan titik pusat dari cluster ke-1 :
D (4,1) = √(X 4.1 − Y1.1 )2 + (X 4.2 − Y1.2 )2 + (X 4.3 − Y1.3 )2
= √(93 − 24,00)2 + (94 − 31,00)2 + (1,01 − 1,29)2
= √4.761 + 3.969 + 0,08
= 93,43
l. Jarak terhadap data item keempat dengan titik pusat dari cluster ke-2 :
D (4,2) = √(X 4.1 − Y2.1 )2 + (X 4.2 − Y2.2 )2 + (X 4.3 − Y2.3 )2
= √(93 − 104,00)2 + (94 − 106,00)2 + (1,01 − 1,02)2
= √121 + 144 + 0,00
= 16,28
m. Jarak terhadap data item kelima dengan titik pusat dari cluster ke-0 :
D (5,0) = √(X 5.1 − Y0.1 )2 + (X 5.2 − Y0.2 )2 + (X 5.3 − Y0.3 )2
= √(24 − 1,00)2 + (26 − 2,00)2 + (1,08 − 2,00)2
= √529 + 576 + 0,85
= 33,25
n. Jarak terhadap data item kelima dengan titik pusat dari cluster ke-1 :
D (5,1) = √(X 5.1 − Y1.1 )2 + (X 5.2 − Y1.2 )2 + (X 5.3 − Y1.3 )2
= √(24 − 24,00)2 + (26 − 31,00)2 + (1,08 − 1,29)2
= √0,00 + 25 + 0,04
= 5,00
o. Jarak terhadap data item kelima dengan titik pusat dari cluster ke-2 :
D (5,2) = √(X 5.1 − Y2.1 )2 + (X 5.2 − Y2.2 )2 + (X 5.3 − Y2.3 )2
= √(24 − 104,00)2 + (26 − 106,00)2 + (1,08 − 1,02)2
= √6.400 + 6.400 + 0,06
= 113,14
46
Berikut merupakan tabel dari hasil perhitungan menggunakan algoritma k-means
dengan rumus Euclidean Distances, untuk menentukan jarak terdekat antara data
dengan titik pusat pada iterasi ke-1.
Tabel 4.4 Hasil Perhitungan K-Means pada Iterasi ke-1
No.
Kode
J.T.
V.J. Rr.P.
C.0
C.1
C.2
C.0 C.1 C.2
1
AT-001
3
3
1,00
2,45
35,00 144,26
2
AT-013
26
27
1,04
35,37
4,48
3
AT-014
10
11
1,10
12,76
24,41 133,65
4
BM-001
93
94
1,01
130,11 93,43
16,28
5
BM-002
24
26
1,08
33,25
5,00
113,14
6
BM-003
69
103
1,49
121,76 84,91
35,13
*
7
BM-005
40
98
2,45
103,62 68,89
64,51
*
8
BM-007
43
100
2,33
106,62 71,58
61,31
*
9
DR-004
28
30
1,07
38,91
4,13
107,48
10
DR-005
78
86
1,10
113,96 77,08
32,80
11
DR-006
14
23
1,64
24,70
12,81 122,43
*
12
KP-009
24
24
1,00
31,84
7,01
114,56
*
13
KP-010
28
28
1,00
37,50
5,01
108,90
*
14
KP-011
104
106
1,02
146,38 109,66
15
MI-003
12
38
3,17
37,66
14,02 114,42
*
16
MI-004
10
25
2,50
24,70
15,28 124,09
*
17
MI-005
6
14
2,33
13,00
24,78 134,42
*
18
MI-007
6
15
2,50
13,94
24,11 133,74
*
19
MI-008
3
10
3,33
8,35
29,77 139,36
*
20
MI-009
4
8
2,00
6,71
30,49 140,02
*
21
MI-010
6
14
2,33
13,00
24,78 134,42
*
22
MI-011
27
79
2,93
81,28
48,12
23
MI-012
1
2
2,00
0,00
37,02 146,38
*
24
MI-013
3
5
1,67
3,62
33,42 142,84
*
*
111,02
*
*
*
*
*
*
0,00
*
81,62
*
47
25
MI-014
10
31
3,10
30,38
14,12 120,27
*
26
MI-015
20
48
2,40
49,77
17,50 102,09
*
27
RB-017
35
35
1,00
47,39
11,71
99,01
*
28
RB-019
16
49
3,06
49,35
19,78 104,87
*
29
RB-020
15
45
3,00
45,23
16,73 107,92
*
30
RB-021
11
36
3,27
35,46
14,07 116,42
*
31
RB-022
13
39
3,00
38,91
13,71 113,02
*
32
RG-011
4
4
1,00
3,74
33,60 142,84
33
SC-002
24
31
1,29
37,02
0,00
109,66
34
SK-006
67
68
1,01
93,34
56,73
53,04
35
SB-019
29
32
1,10
41,05
5,10
105,36
*
36
SN-011
46
46
1,00
62,94
26,63
83,45
*
37
SN-012
33
33
1,00
44,56
9,22
101,83
*
38
SN-032
21
35
1,67
38,59
5,01
109,23
*
39
SN-033
4
7
1,75
5,84
31,24 140,72
40
SN-034
31
32
1,03
42,44
7,08
103,95
*
41
SN-035
18
26
1,44
29,42
7,81
117,46
*
42
SN-036
11
21
1,91
21,47
16,41 126,00
*
43
SS-001
31
31
1,00
41,74
7,01
104,66
*
44
SS-002
33
33
1,00
44,56
9,22
101,83
*
45
SS-004
51
51
1,00
70,01
33,60
76,38
*
46
TK-013
42
42
1,00
57,29
21,10
89,11
*
47
TK-014
10
10
1,00
12,08
25,24 134,36
48
TK-022
37
47
1,27
57,63
20,62
89,28
*
49
TK-025
21
28
1,33
32,81
4,24
113,90
*
50
TP-014
34
34
1,00
45,98
10,44 100,42
*
*
*
*
*
*
Keterangan :
J.T.
= Jumlah Transaksi
C.0 = Cluster 0
V.J.
= Volume Jual
C.1 = Cluster 1
Rr.P. = Rata-rata Penjualan
C.2 = Cluster 2
48
Dengan menggunakan Euclidean Distances dalam perhitungan K-Means pada
tabel di atas, kemudian dipilih data atau item yang mempunyai jarak terdekat
(terkecil) dengan titik pusat pada masing-masing cluster. Data atau item yang
jaraknya ke titik pusat paling dekat, maka akan menjadi anggota pada cluster
tersebut. Dilihat dari tabel perhitungan terdapat data yang diberi tanda dengan
tulisan tebal atau kolom dengan tanda bintang, misalnya pada item berkode
AT-001 di mana cluster 0 = 2,45; cluster 1 = 35,00; cluster 2 = 144,26. Karena
jarak terkecil ada di cluster 0, maka item AT-001 untuk iterasi-1 merupakan
anggota dari cluster 0 dengan tanda font bold dan tanda bintang pada kolom di
sebelahnya. Sedangkan untuk yang lain seperti item MI-003 masuk dalam
cluster 1 = 14,02 dan untuk item SS-001 masuk cluster 1 = 7,01 begitu pun
yang lainnya dapat dilihat dengan bantuan tanda-tandanya.
4. Menghitung Titik Pusat Baru Menggunakan Jumlah Keseluruhan per Cluster
Untuk menghitung titik pusat cluster yang baru ditentukan berdasarkan ratarata anggota dari tiap cluster. Berikut perhitungannya :
a. Perhitungan titik pusat baru pada cluster 0, yang mana terdapat 12 anggota
data ke-{1, 3, 17, 18, 19, 20, 21, 23, 24, 32, 39, 47} :
3+10+6+6+3+4+6+1+3+4+4+10
C.0 (1) = (
)
12
= 5,00
3+11+14+15+10+8+14+2+5+4+7+10
C.0 (2) = (
)
12
= 8,58
1,00+1,10+2,33+2,50+3,33+2,00+2,33+
2,00+1,67+1,00+1,75+1,00
C.0 (3) = (
)
12
= 1,83
b. Perhitungan titik pusat baru pada cluster 1, yang mana terdapat 31 anggota
data ke-{2, 5, 9, 11, 12, 13, 15, 16, 22, 25, 26, 27, 28, 29, 30, 31, 33, 35, 36,
37, 38, 40, 41, 42, 43, 44, 45, 46, 48, 49, 50} :
49
26+24+28+14+24+28+12+10+27+10+20+
35+16+15+11+13+24+29+46+33+21+
31+18+11+31+33+51+42+37+21+34
C.1 (1) = (
)
31
= 25,00
27+26+30+23+24+28+38+25+79+31+48+35+
49+45+36+39+31+32+46+33+35+32+
26+21+31+33+51+42+47+28+34
C.1 (2) = (
)
31
= 35,65
1,04+1,08+1,07+1,64+1,00+1,00+3,17+2,50+2,93+3,10+
2,40+1,00+3,06+3,00+3,27+3,00+1,29+1,10+1,00+1,00+
1,67+1,03+1,44+1,91+1,00+1,00+1,00+1,00+1,27+1,33+1,00
C.1 (3) = (
)
31
= 1,69
c. Perhitungan titik pusat baru pada cluster 2, yang mana terdapat 7 anggota
data ke-{4, 6, 7, 8, 10, 14, 34} :
93+69+40+43+78+104+67
C.2 (1) = (
)
7
= 70,57
94+103+98+100+86+106+68
C.2 (2) = (
)
7
= 93,57
1,01+1,49+2,45+2,33+1,10+1,02+1,01
C.2 (3) = (
)
7
= 1,49
Setelah didapatkan titik pusat baru dari perhitungan di atas yang mana hasilnya
untuk cluster 0 {(5,00), (8,58), (1,83)}, cluster 1 {(25,00), (35,65), (1,69)},
cluster 2 {(70,57), (93,57), (1,49)}. Selanjutnya titik pusat tersebut digunakan
dalam pengolahan data selanjutnya. Berikut tabel titik pusat baru yang akan
digunakan untuk pengolahan data pada iterasi ke-2.
50
Tabel 4.5 Titik Pusat Cluster Baru dari Iterasi ke-1
Atribut
Cluster 0
Cluster 1
Cluster 2
Jumlah Transaksi
5,00
25,00
70,57
Volume Jual
8,58
35,65
93,57
Rata-rata Penjualan
1,83
1,69
1,49
5. Mengulang kembali langkah ke 3 dan 4, dan iterasi terus berlanjut hingga tidak
ditemukan lagi perubahan posisi data terhadap titik pusatnya di dalam cluster.
Berikut perhitungan pada iterasi ke-2 yang sama seperti pada iterasi ke-1 yang
dilakukan menggunakan rumus Euclidean Distances :
a. Jarak terhadap data item pertama dengan titik pusat dari cluster ke-0 :
D (1,0) = √(X1.1 − Y0.1 )2 + (X1.2 − Y0.2 )2 + (X1.3 − Y0.3 )2
= √(3 − 5,00)2 + (3 − 8,58)2 + (1,00 − 1,83)2
= √4 + 31,14 + 0,69
= 5,99
b. Jarak terhadap data item pertama dengan titik pusat dari cluster ke-1 :
D (1,1) = √(X1.1 − Y1.1 )2 + (X1.2 − Y1.2 )2 + (X1.3 − Y1.3 )2
= √(3 − 25,00)2 + (3 − 35,65)2 + (1,00 − 1,69)2
= √484 + 1.066,02 + 0,48
= 39,37
c. Jarak terhadap data item pertama dengan titik pusat dari cluster ke-2 :
D (1,2) = √(X1.1 − Y2.1 )2 + (X1.2 − Y2.2 )2 + (X1.3 − Y2.3 )2
= √(3 − 70,57)2 + (3 − 93,57)2 + (1,00 − 1,49)2
= √4.565,70 + 8.202,92 + 0,24
= 113,00
51
d. Jarak terhadap data item kedua dengan titik pusat dari cluster ke-0 :
D (2,0) = √(X 2.1 − Y0.1 )2 + (X 2.2 − Y0.2 )2 + (X 2.3 − Y0.3 )2
= √(26 − 5,00)2 + (27 − 8,58)2 + (1,04 − 1,83)2
= √441 + 339,30 + 0,62
= 27,94
e. Jarak terhadap data item kedua dengan titik pusat dari cluster ke-1 :
D (2,1) = √(X 2.1 − Y1.1 )2 + (X 2.2 − Y1.2 )2 + (X 2.3 − Y1.3 )2
= √(26 − 25,00)2 + (27 − 35,65)2 + (1,04 − 1,69)2
= √1 + 74,82 + 0,42
= 8,73
f. Jarak terhadap data item kedua dengan titik pusat dari cluster ke-2 :
D (2,2) = √(X 2.1 − Y2.1 )2 + (X 2.2 − Y2.2 )2 + (X 2.3 − Y2.3 )2
= √(26 − 70,57)2 + (27 − 93,57)2 + (1,04 − 1,49)2
= √1.986,48 + 4.431,56 + 0,20
= 80,12
g. Jarak terhadap data item ketiga dengan titik pusat dari cluster ke-0 :
D (3,0) = √(X 3.1 − Y0.1 )2 + (X 3.2 − Y0.2 )2 + (X 3.3 − Y0.3 )2
= √(10 − 5,00)2 + (11 − 8,58)2 + (1,10 − 1,83)2
= √25 + 5,86 + 0,53
= 5,60
h. Jarak terhadap data item ketiga dengan titik pusat dari cluster ke-1 :
D (3,1) = √(X 3.1 − Y1.1 )2 + (X 3.2 − Y1.2 )2 + (X 3.3 − Y1.3 )2
= √(10 − 25,00)2 + (11 − 35,65)2 + (1,10 − 1,69)2
= √225 + 607,62 + 0,35
= 28,86
52
i. Jarak terhadap data item ketiga dengan titik pusat dari cluster ke-2 :
D (3,2) = √(X 3.1 − Y2.1 )2 + (X 3.2 − Y2.2 )2 + (X 3.3 − Y2.3 )2
= √(10 − 70,57)2 + (11 − 93,57)2 + (1,10 − 1,49)2
= √3.668,72 + 6.817,80 + 0,15
= 102,41
j. Jarak terhadap data item keempat dengan titik pusat dari cluster ke-0 :
D (4,0) = √(X 4.1 − Y0.1 )2 + (X 4.2 − Y0.2 )2 + (X 4.3 − Y0.3 )2
= √(93 − 5,00)2 + (94 − 8,58)2 + (1,01 − 1,83)2
= √7.744 + 7.296,58 + 0,67
= 122,64
k. Jarak terhadap data item keempat dengan titik pusat dari cluster ke-1 :
D (4,1) = √(X 4.1 − Y1.1 )2 + (X 4.2 − Y1.2 )2 + (X 4.3 − Y1.3 )2
= √(93 − 25,00)2 + (94 − 35,65)2 + (1,01 − 1,69)2
= √4.624 + 3.404,72 + 0,46
= 89,61
l. Jarak terhadap data item keempat dengan titik pusat dari cluster ke-2 :
D (4,2) = √(X 4.1 − Y2.1 )2 + (X 4.2 − Y2.2 )2 + (X 4.3 − Y2.3 )2
= √(93 − 70,57)2 + (94 − 93,57)2 + (1,01 − 1,49)2
= √503,10 + 0,18 + 0,23
= 22,44
m. Jarak terhadap data item kelima dengan titik pusat dari cluster ke-0 :
D (5,0) = √(X 5.1 − Y0.1 )2 + (X 5.2 − Y0.2 )2 + (X 5.3 − Y0.3 )2
= √(24 − 5,00)2 + (26 − 8,58)2 + (1,08 − 1,83)2
= √361 + 303,46 + 0,56
= 25,79
53
n. Jarak terhadap data item kelima dengan titik pusat dari cluster ke-1 :
D (5,1) = √(X 5.1 − Y1.1 )2 + (X 5.2 − Y1.2 )2 + (X 5.3 − Y1.3 )2
= √(24 − 25,00)2 + (26 − 35,65)2 + (1,08 − 1,69)2
= √1 + 93,12 + 0,37
= 9,72
o. Jarak terhadap data item kelima dengan titik pusat dari cluster ke-2 :
D (5,2) = √(X 5.1 − Y2.1 )2 + (X 5.2 − Y2.2 )2 + (X 5.3 − Y2.3 )2
= √(24 − 70,57)2 + (26 − 93,57)2 + (1,08 − 1,49)2
= √2.168,76 + 4.565,70 + 0,17
= 82,07
Berikut merupakan tabel dari hasil perhitungan menggunakan algoritma k-means
dengan rumus Euclidean Distances, untuk menentukan jarak terdekat antara data
dengan titik pusat pada iterasi ke-2.
Tabel 4.6 Hasil Perhitungan K-Means pada Iterasi ke-2
No.
Kode
J.T.
V.J. Rr.P.
C.0
1
AT-001
3
3
1,00
5,99
39,37 113,00
2
AT-013
26
27
1,04
27,94
8,73
3
AT-014
10
11
1,10
5,60
28,86 102,41
4
BM-001
93
94
1,01 122,64 89,61
22,44
5
BM-002
24
26
1,08
9,72
82,07
6
BM-003
69
103
1,49 114,06 80,45
9,56
*
7
BM-005
40
98
2,45
96,02
64,14
30,91
*
8
BM-007
43
100
2,33
99,00
66,83
28,32
*
9
DR-004
28
30
1,07
31,44
6,42
76,51
10 DR-005
78
86
1,10 106,41 73,11
10,61
11 DR-006
14
23
1,64
17,00
16,76
90,45
*
12
KP-009
24
24
1,00
24,48
11,71
83,72
*
13
KP-010
28
28
1,00
30,11
8,24
78,18
*
25,79
C.1
C.2
C.0 C.1 C.2
*
80,12
*
*
*
*
*
*
54
14
KP-011
104
106
1,02 138,89 105,79 35,67
*
15
MI-003
12
38
3,17
30,27
13,29
80,76
16
MI-004
10
25
2,50
17,17
18,41
91,50
*
17
MI-005
6
14
2,33
5,53
28,81 102,48
*
18
MI-007
6
15
2,50
6,53
28,07 101,71
*
19
MI-008
3
10
3,33
2,87
33,83 107,49
*
20
MI-009
4
8
2,00
1,17
34,72 108,42
*
21
MI-010
6
14
2,33
5,53
28,81 102,48
*
22
MI-011
27
79
2,93
73,78
43,42
23
MI-012
1
2
2,00
7,71
41,33 115,00
*
24
MI-013
3
5
1,67
4,11
37,72 111,40
*
25
MI-014
10
31
3,10
23,00
15,77
87,10
*
26
MI-015
20
48
2,40
42,18
13,35
68,08
*
27 RB-017
35
35
1,00
39,98
10,04
68,53
*
28 RB-019
16
49
3,06
41,90
16,16
70,48
*
29 RB-020
15
45
3,00
37,78
13,76
73,82
*
30 RB-021
11
36
3,27
28,10
14,09
82,86
*
31 RB-022
13
39
3,00
31,47
12,53
79,34
*
32 RG-011
4
4
1,00
4,76
37,99 111,60
33
SC-002
24
31
1,29
29,39
4,77
78,00
34
SK-006
67
68
1,01
85,88
53,02
25,82
35
SB-019
29
32
1,10
33,54
5,44
74,29
*
36
SN-011
46
46
1,00
55,51
23,42
53,54
*
37
SN-012
33
33
1,00
37,16
8,45
71,28
*
38
SN-032
21
35
1,67
30,88
4,05
76,73
*
39
SN-033
4
7
1,75
1,87
35,52 109,21
40
SN-034
31
32
1,03
35,00
7,05
73,19
*
41
SN-035
18
26
1,44
21,74
11,92
85,61
*
42
SN-036
11
21
1,91
13,79
20,26
93,89
43
SS-001
31
31
1,00
34,34
7,62
74,04
*
44
SS-002
33
33
1,00
37,16
8,45
71,28
*
*
45,97
*
*
*
*
*
*
55
45
SS-004
51
51
1,00
62,58
30,20
46,86
*
46 TK-013
42
42
1,00
49,86
18,16
58,96
*
47 TK-014
10
10
1,00
5,26
29,72 103,21
48 TK-022
37
47
1,27
50,00
16,53
57,41
*
49 TK-025
21
28
1,33
25,16
8,64
82,20
*
50
34
34
1,00
38,57
9,17
69,90
*
TP-014
*
6. Menghitung Titik Pusat Baru Menggunakan Jumlah Keseluruhan per Cluster
a. Perhitungan titik pusat baru pada cluster 0, yang mana terdapat 14 anggota
data ke-{1, 3, 16, 17, 18, 19, 20, 21, 23, 24, 32, 39, 42, 47} :
3+10+10+6+6+3+4+6+1+3+4+4+11+10
C.0 (1) = (
)
14
= 5,79
3+11+25+14+15+10+8+14+2+5+4+7+21+10
C.0 (2) = (
)
14
= 10,64
1,00+1,10+2,50+2,33+2,50+3,33+2,00+2,33+
2,00+1,67+1,00+1,75+1,91+1,00
C.0 (3) = (
)
14
= 1,89
b. Perhitungan titik pusat baru pada cluster 1, yang mana terdapat 29 anggota
data ke-{2, 5, 9, 11, 12, 13, 15, 22, 25, 26, 27, 28, 29, 30, 31, 33, 35, 36, 37,
38, 40, 41, 43, 44, 45, 46, 48,49,50} :
26+24+28+14+24+28+12+27+10+20+35+16+15+11+13+
24+29+46+33+21+31+18+31+33+51+42+37+21+34
C.1 (1) = (
)
29
= 26,00
27+26+30+23+24+28+38+79+31+48+35+49+45+36+39+
31+32+46+33+35+32+26+31+33+51+42+37+21+34
C.1 (2) = (
)
29
= 36,52
56
1,04+1,08+1,07+1,64+1,00+1,00+3,17+2,93+3,10+2,40+
1,00+3,06+3,00+3,27+3,00+1,29+1,10+1,00+1,00+1,67+
1,03+1,44+1,00+1,00+1,00+1,00+1,27+1,33+1,00
C.1 (3) = (
)
29
= 1,65
c. Perhitungan titik pusat baru pada cluster 2, yang mana terdapat 7 anggota
data ke-{4, 6, 7, 8, 10, 14, 34} :
93+69+40+43+78+104+67
C.2 (1) = (
)
7
= 70,57
94+103+98+100+86+106+68
C.2 (2) = (
)
7
= 93,57
1,01+1,49+2,45+2,33+1,10+1,02+1,01
C.2 (3) = (
)
7
= 1,49
Berikut tabel titik pusat baru yang akan digunakan untuk pengolahan data pada
iterasi selanjutnya jika posisi data masih berubah terhadap titik pusatnya.
Tabel 4.7 Titik Pusat Cluster Baru dari Iterasi ke-2
Atribut
Cluster 0
Cluster 1
Cluster 2
Jumlah Transaksi
5,79
26,00
70,57
Volume Jual
10,64
36,52
93,57
Rata-rata Penjualan
1,89
1,65
1,49
7. Karena posisi data terhadap titik pusat cluster masih berubah, maka dilanjutkan
ke iterasi berikutnya dengan mengulangi langkah 5 dan 6. Pada penelitian ini,
untuk mendapatkan hasil titik pusat cluster yang tidak berubah atau titik pusat
akhir terdapat pada iterasi ke-4. Pada iterasi ke-4 jika dilanjutkan ke iterasi 5,
posisi data sudah tidak berubah-ubah lagi. Itu tandanya data sudah mantap
menempati clusternya masing-masing, yang artinya iterasi dapat diakhiri pada
iterasi ke-4. Berikut hasil akhir posisi data dan titik pusatnya pada iterasi ke-4 :
57
Tabel 4.8 Hasil Perhitungan K-Means pada Iterasi ke-4
No.
Kode
J.T.
V.J. Rr.P.
C.0
1
AT-001
3
3
1,00
9,14
41,30 113,00
2
AT-013
26
27
1,04
25,08
10,03
3
AT-014
10
11
1,10
3,78
30,76 102,41
4
BM-001
93
94
1,01 119,68 87,64
22,44
5
BM-002
24
26
1,08
11,28
82,07
6
BM-003
69
103
1,49 110,93 78,54
9,56
*
7
BM-005
40
98
2,45
92,85
62,50
30,91
*
8
BM-007
43
100
2,33
95,83
65,15
28,32
*
9
DR-004
28
30
1,07
28,52
7,20
76,51
10 DR-005
11 DR-006
78
86
1,10 103,40 71,14
10,61
14
23
1,64
13,85
18,72
90,45
12
KP-009
24
24
1,00
21,68
13,24
83,72
*
13
KP-010
28
28
1,00
27,27
9,16
78,18
*
14
KP-011
104
106
1,02 135,93 103,82 35,67
15
MI-003
12
38
3,17
27,16
14,54
80,76
16
MI-004
10
25
2,50
14,04
20,36
91,50
*
17
MI-005
6
14
2,33
2,60
30,77 102,48
*
18
MI-007
6
15
2,50
3,60
30,03 101,71
*
19
MI-008
3
10
3,33
3,92
35,79 107,49
*
20
MI-009
4
8
2,00
4,18
36,66 108,42
*
21
MI-010
6
14
2,33
2,60
30,77 102,48
*
22
MI-011
27
79
2,93
70,63
42,02
23
MI-012
1
2
2,00
10,87
43,26 115,00
*
24
MI-013
3
5
1,67
7,28
39,66 111,40
*
25
MI-014
10
31
3,10
19,91
17,55
87,10
*
26
MI-015
20
48
2,40
39,01
12,76
68,08
*
27
RB-017
35
35
1,00
37,10
8,83
68,53
*
28
RB-019
16
49
3,06
38,78
15,96
70,48
*
29
RB-020
15
45
3,00
34,65
14,02
73,82
*
30
RB-021
11
36
3,27
25,01
15,55
82,86
*
31
RB-022
13
39
3,00
28,35
13,64
79,34
*
32 RG-011
4
4
1,00
7,87
39,91 111,60
22,89
C.1
C.2
C.0 C.1 C.2
*
80,12
*
*
*
*
*
*
*
*
*
45,97
*
*
58
33
SC-002
24
31
1,29
26,34
6,48
78,00
34
SK-006
67
68
1,01
82,93
51,06
25,82
35
SB-019
29
32
1,10
30,59
5,65
74,29
*
36
SN-011
46
46
1,00
52,60
21,55
53,54
*
37
SN-012
33
33
1,00
34,29
7,72
71,28
*
38
SN-032
21
35
1,67
27,73
5,79
76,73
*
39
SN-033
4
7
1,75
5,04
37,46 109,21
40
SN-034
31
32
1,03
32,11
6,80
73,19
*
41
SN-035
18
26
1,44
18,64
13,86
85,61
*
42
SN-036
11
21
1,91
10,61
22,23
93,89
43
SS-001
31
31
1,00
31,48
7,57
74,04
*
44
SS-002
33
33
1,00
34,29
7,72
71,28
*
45
SS-004
51
51
1,00
59,66
28,29
46,86
*
46
TK-013
42
42
1,00
46,96
16,37
58,96
*
47
TK-014
10
10
1,00
4,04
31,61 103,21
48
TK-022
37
47
1,27
46,94
14,56
57,41
*
49
TK-025
21
28
1,33
22,11
10,52
82,20
*
50
TP-014
34
34
1,00
35,69
8,17
69,90
*
*
*
*
*
*
Tabel 4.9 Titik Pusat Cluster Akhir pada Iterasi ke-4
Atribut
Cluster 0
Cluster 1
Cluster 2
Jumlah Transaksi
6,33
26,43
70,57
Volume Jual
11,47
37,00
93,57
Rata-rata Penjualan
1,87
1,65
1,49
8. Dilihat hasil akhir pengolahan data stock berbasis algoritma k-means dengan
rumus Euclidean Distances, 3 cluster telah memastikan data-data yang menjadi
himpunannya. Nampak kelompok data dari atribut jumlah transaksi, volume
transaksi, dan rata-rata penjualan, yang mempunyai nilai terbesar masuk ke
himpunan cluster 2. Kemudian yang nilainya sedang masuk cluster 1, dan nilai
terkecil masuk cluster 0. Berikut tabel himpunan tiap clusternya :
59
Tabel 4.10 Nilai Terbesar (Himpunan Sangat Laku) pada Cluster 2
Kode
Nama Produk
BM-001
BM-003
BM-005
BM-007
DR-005
KP-011
Telur Ayam Isi 4 / Pack
So Nice Sosis Sapi / 1 Potong
Champ Sosis Ayam / 1 Potong
Okey Sosis Ayam / 1 Potong
Aqua Gelas (240 ml)
Gula Pasir Putih (1 kg)
Indofood Saus Pedas Sachet
Isi 6 (9 gr)
SK-006
Jumlah
Transaksi
Volume
Jual
Rata-rata
Penjualan
93
69
40
43
78
104
94
103
98
100
86
106
1,01
1,49
2,45
2,33
1,10
1,02
67
68
1,01
Tabel 4.11 Nilai Sedang (Himpunan Laku) pada Cluster 1
Kode
Nama Produk
AT-013
Staedler Pencil 2B
BM-002
Telur Ayam Isi 10 / Pack
DR-004
Teh Gelas Kotak (330 ml)
KP-009
Beras Cap Raja Lele (5 kg)
KP-010 Gulaku Premium Gula Tebu (1 kg)
Indomie Goreng Jumbo Ayam
MI-003
Panggang (127 gr)
MI-011 Indomie Instant Rasa Soto (75 gr)
Mie Sukses Kuah Ayam Bawang
MI-014
(122 gr)
Mie Sukses Kuah Kari Ayam
MI-015
(122 gr)
RB-017
Roti Tawar Pandan
RB-019
Roti Isi Abon
RB-020
Roti Isi coklat
RB-021
Roti Isi Keju
RB-022
Roti Isi Pisang Coklat
SC-002
Dangdut Sabun Cream Jeruk
SB-019
Roma Better Sachet
Dua Kelinci Kacang Panggang
SN-011
Bawang
SN-012 Sukro Kacang Atom Original
SN-032 Qtela Tempe Rasa Cabai Rawit
Jumlah
Transaksi
Volume
Jual
Rata-rata
Penjualan
26
24
28
24
28
27
26
30
24
28
1,04
1,08
1,07
1,00
1,00
12
38
3,17
27
79
2,93
10
31
3,10
20
48
2,40
35
16
15
11
13
24
29
35
49
45
36
39
31
32
1,00
3,06
3,00
3,27
3,00
1,29
1,10
46
46
1,00
33
21
33
35
1,00
1,67
60
SN-034
JetZ Stick Chocofiesta
SN-035 Taro Snack Net Potato Barbeque
Bendera SKM Putih Gold Kaleng
SS-001
(385 gr)
Bendera SKM Putih Sachet
SS-002
Isi 6 (45 gr)
Indomilk SKM Coklat Kaleng
SS-004
(385 gr)
Kopi Kapal Api Kopi Susu
TK-013
Renteng Isi 10 (31 gr)
TK-022 Teh Celup Sosro Sachet Isi 5
TK-025 Teh Serbuk Cap Bandulan (40 gr)
TP-014
Selection Facial Cotton
31
18
32
26
1,03
1,44
31
31
1,00
33
33
1,00
51
51
1,00
42
42
1,00
37
21
34
47
28
34
1,27
1,33
1,00
Tabel 4.12 Nilai Paling Kecil (Himpunan Kurang Laku) pada Cluster 0
Kode
Nama Produk
AT-001 Joyko Correction Tape CF-S201-PT
AT-014
Faber Castell Pencil 2B
DR-006 ABC Juice Rasa Mangga (250 ml)
MI-004 Indomie Goreng Rasa Soto (85 gr)
Indomie Goreng Rasa Ayam
MI-005
Bawang (85 gr)
MI-007 Indomie Kriting Bulgogi (90 gr)
Indomie Keriting Goreng Spesial
MI-008
(90 gr)
Indomie Instan Rasa Ayam
MI-009
Spesial (69 gr)
Indomie Instan Rasa Ayam
MI-010
Bawang (69 gr)
Indomie Instant Rasa Kari Ayam
MI-012
(72 gr)
Mie Sukses Goreng Ayam
MI-013
Kremes (133 gr)
RG-011 Kue Kering Kembang Goyang
SN-033 Qtela Tempe Rasa Daun Jeruk
SN-036
Taro Snack Net Seaweed
Kopi Kapal Api Grande White
TK-014
Coffe Isi 10 (20 gr)
Jumlah
Transaksi
Volume
Jual
Rata-rata
Penjualan
3
10
14
10
3
11
23
25
1,00
1,10
1,64
2,50
6
14
2,33
6
15
2,50
3
10
3,33
4
8
2,00
6
14
2,33
1
2
2,00
3
5
1,67
4
4
11
4
7
21
1,00
1,75
1,91
10
10
1,00
61
4.1.4.2 Perhitungan Fuzzy C-Covering secara Manual
Dalam perhitungan menggunakan algoritma fuzzy c-covering secara manual, data
yang digunakan adalah data sampel dari tabel transaksi dimana sampel tersebut
adalah data transaksi yang hanya mengandung gula pasir putih (1 kg). Pada tabel
berikut, akan dijelaskan mengenai sampel data yang akan digunakan tersebut.
Tabel 4.13 Data Sampel Perhitungan Fuzzy C-Covering secara Manual
Kode
Transaksi
161105-0004
161105-0010
161106-0034
161107-0013
161114-0009
161114-0023
161129-0017
Kode
Jenis Item
KP-001 Minyak Goreng Cemara Pouch (1 liter)
KP-011 Gula Pasir Putih (1 kg)
TK-013 Kopi Kapal Api Kopi Susu Renteng Isi 10 (31 gr)
ST-006 Snack Marning Jagung Pedas Garuda
SN-012 Sukro Kacang Atom Original
DB-022 ABC Syrup Squash Orange (625 ml)
KP-011 Gula Pasir Putih (1 kg)
TK-010 Kopi Jahe 1001 Banded
KP-011 Gula Pasir Putih (1 kg)
TK-022 Teh Celup Sosro Sachet Isi 5
TK-002 Kopi ABC STJM Bandit
KP-011 Gula Pasir Putih (1 kg)
....................................................
SB-051 Simba Choco Chips Sereal
SS-002 Bendera SKM Putih Sachet Isi 6 (45 gr)
BR-012 Forvita Margarine Sachet (200 gr)
TK-010 Kopi Jahe 1001 Banded
KP-011 Gula Pasir Putih (1 kg)
BM-001 Telur Ayam Isi 4 / Pack
KP-011 Gula Pasir Putih (1 kg)
TK-021 Teh Celup Sariwangi Sachet Isi 5
SK-005 ABC Kecap Pedas Botol (135 ml)
KP-002 Minyak Goreng Hemart Pouch (1 liter)
RB-015 Roti Tawar Original
SS-004 Indomilk SKM Coklat Kaleng (385 gr)
....................................................
JL-008 Nutrijell Puding Santan Pandan
JL-009 Nutrijell Puding Lapis Coco Pandan
BD-023 Kara Sun Coconut Cream (65 ml)
62
161130-0001
161201-0022
161202-0010
161203-0010
170118-0009
170224-0009
170326-0038
170327-0018
BR-015 Koepoe-Koepoe Pewarna Makanan Pandan (30 ml)
KP-011 Gula Pasir Putih (1 kg)
KP-007 Minyak Goreng Kunci Mas Pouch (1 liter)
KP-011 Gula Pasir Putih (1 kg)
TK-022 Teh Celup Sosro Sachet Isi 5
MI-011 Indomie Instant Rasa Soto (75 gr)
SK-006 Indofood Saus Pedas Sachet Isi 6 (9 gr)
TK-002 Kopi ABC STJM Bandit
KP-011 Gula Pasir Putih (1 kg)
KP-003 Minyak Goreng Sania Botol (1 liter)
KP-011 Gula Pasir Putih (1 kg)
RG-006 Roti Bolu Kering Original
RG-008 Roti Bolu Iris Kering
ST-010 Snack Stick Bawang Plesungan Raya
ST-011 Snack Kerupuk Bawang Plesungan Raya
BR-002 Tepung Terigu Segitiga Biru (1 kg)
BR-009 Koepoe-Koepoe Pelembut Kue VX (75 gr)
BR-013 Mentega Batangan (250 gr)
BR-017 Koepoe-Koepoe Pewarna Makanan Coffee (30 ml)
BR-021 MR Cocoa Chocolate Powder (250 gr)
KP-011 Gula Pasir Putih (1 kg)
....................................................
RB-019 Roti Isi Abon
SB-086 Khong Guan Creamy Chocolate Biscuit
TK-023 Teh Celup Cap Poci Kotak Isi 25
KP-011 Gula Pasir Putih (1 kg)
ST-012 Snack Kerupuk Tengiri Original
....................................................
TK-002 Kopi ABC STJM Bandit
KP-011 Gula Pasir Putih (1 kg)
BR-017 Koepoe-Koepoe Pewarna Makanan Coffee (30 ml)
BR-009 Koepoe-Koepoe Pelembut Kue VX (75 gr)
BR-002 Tepung Terigu Segitiga Biru (1 kg)
BR-007 Koepoe-Koepoe Ovalett (75 gr)
....................................................
TK-002 Kopi ABC STJM Bandit
KP-011 Gula Pasir Putih (1 kg)
TK-009 Kopi Indocafe OB Refil (100 gr)
KP-011 Gula Pasir Putih (1 kg)
KP-005 Minyak Goreng Bimoli Pouch (1 liter)
63
Dari tabel data sampel perhitungan fuzzy c-covering secara manual, berikut akan
dilakukan perhitungan atau pengolahan data-data menggunakan fuzzy c-covering :
1. Menentukan max_item_threshold sesuai yang dibutuhkan, dan dalam penelitian
ini akan digunakan max_item_threshold (batas jumlah item) = 4.
2. Mencari record dalam tabel transaksi yang memenuhi max_item_threshold = 4,
untuk itu dari tabel data sampel yang jumlah item tiap transaksinya lebih dari 4
tidak disertakan dalam proses selanjutnya atau ditiadakan. Data transaksi yang
melebihi max_item_threshold dan perlu dihilangkan ada 8 kode transaksi yang
diantaranya adalah 161105-0004, 161114-0009, 161114-0023, 161129-0017,
161202-0010, 161203-0010, 170118-0009, 170224-0009. Berikut tabel data
transaksi yang masuk ke dalam QT (Qualified Transaction) :
Tabel 4.14 Tabel Data yang Masuk QT (Qualified Transaction)
Kode Transaksi
161105-0010
161106-0034
161107-0013
161108-0021
161108-0024
161111-0008
161112-0004
161112-0026
161112-0028
161113-0019
161113-0021
161114-0030
161115-0031
161120-0007
161120-0026
161121-0011
161123-0022
161124-0019
161126-0015
161127-0007
161130-0001
161201-0022
161204-0001
Kode Barang
DB-022, KP-011, TK-010
KP-011, TK-022
TK-002, KP-011
KP-011, TK-022, RB-019
MI-033, KP-011, TK-021
RB-014, RB-021, KP-011, TK-022
KP-011, TK-021
KP-011, TK-022, MI-034, SK-006
TK-002, KP-011, SB-044, SB-078
KP-011, TK-022
RK-015, KA-001, TK-015, KP-011
RK-033, TK-002, KP-011
PC-012, KP-011, TK-008
RG-004, RG-008, KP-011, KP-005
KP-011, TK-022
DB-017, TK-021, KP-011
KP-011, TK-022, ST-004, ST-010
KP-011, TK-021
KP-011, TK-022
DB-018, TK-002, KP-011
KP-007, KP-011, TK-022
MI-011, SK-006, TK-002, KP-011
RB-006, RB-008, TK-020, KP-011
64
161206-0005
161207-0012
161209-0006
161210-0014
161211-0062
161213-0005
161213-0012
161215-0012
161216-0003
161220-0004
161220-0012
161224-0001
161224-0017
161225-0010
161226-0005
161228-0002
161230-0017
161231-0026
170102-004
170103-0017
170104-0013
170104-0018
170107-0013
170113-0001
170113-0010
170114-0009
170114-0024
170115-0044
170116-0015
170119-0003
170119-0017
170122-0017
170125-0003
170127-0015
170128-0003
170201-0001
170202-0011
170206-0027
170207-0003
170208-0001
170210-0003
170212-0007
170213-0004
AR-008, SC-002, KP-011, KP-005
KP-011, TK-022, ST-011, SN-015
DB-018, TK-002, KP-011
TK-020, KP-011
MI-018, SK-001, TK-023, KP-011
KP-011, TK-013
TK-020, KP-011
TK-020, KP-011
TK-002, KP-011
KP-011, TK-023, SN-014, ST-001
KP-011, TK-022
KP-011, TK-013, BD-023, JL-007
KP-011, TK-022
TK-020, KP-011
KP-011, TK-013, SK-013
RB-006, KP-011, TK-023
KP-011, TK-010
TK-002, KP-011, SB-044, SB-078
KP-011, TK-013, SK-013, BD-019
TK-020, KP-011
MI-021, KP-011, DB-018
KP-011, TK-022
KP-011, TK-023
KP-011, TK-013
DB-017, TK-002, KP-011
RB-016, SS-001, KP-011, TK-022
TK-020, KP-011
TK-002, KP-011
TK-009, KP-011
KP-011, TK-010, RB-019
KP-011, TK-022
DB-017, TK-021, KP-011
KP-007, KP-011, TK-022
TK-002, KP-011
TK-023, KP-011
KP-003, TK-023, KP-011
TK-023, KP-011
TK-002, KP-011
KP-011, TK-013, MI-029
MI-015, KP-011, TK-013
KP-007, KP-011
TK-020, KP-011, RB-010
KP-011, TK-013
65
170214-0019
170214-0021
170215-0018
170216-0010
170218-0032
170219-0039
170220-0001
170222-0002
170224-0004
170225-0003
170227-0019
170228-0007
170301-0003
170301-0011
170302-0012
170303-0022
170304-0003
170307-0001
170309-0006
170310-0015
170312-0011
170316-0015
170319-0004
170320-0002
170320-0019
170323-0006
170324-0014
170326-0038
170327-0004
170327-0018
DK-010, KP-011, TK-022
DB-010, KP-011
TK-010, KP-011, MI-003
TK-020, KP-011, ST-006, ST-011
RB-013, TK-023, KP-011
TK-010, KP-011
KP-003, TK-023, KP-011
TK-002, KP-011
AR-008, SC-002, KP-011, TK-022
TK-020, KP-011
TK-010, KP-011
BR-012, RB-017, KP-011, TK-013
KP-011, TK-013, SK-013, BD-019
MI-030, BM-001, KP-011, TK-023
KP-011, TK-023, MI-031, BM-001
TK-002, KP-011
KP-011, TK-022, KP-002
KP-007, KP-011, TK-022
KP-011, TK-022, ST-013
TK-023, KP-011, ST-012
TK-023, KP-011
TK-010, KP-011
RB-016, SS-001, KP-011 ,TK-022
KP-001, KP-011, TK-013
TK-002, KP-011
TK-020, KP-011
KP-011, TK-022
TK-002, KP-011
KP-011, TK-023
TK-009, KP-011, KP-005
3. Melakukan set k = 1, sehingga kombinasi variabel yang dicari berjumlah 1 atau
tiap nama produk akan diikutkan dalam proses pencarian minimum support_1
tanpa perlu diasosiakan terlebih dahulu dengan produk yang lain. Ini ditujukan
untuk mengetahui seberapa support suatu produk itu dalam seluruh transaksi.
4. Menentukan minimum support_1 = 5%, sehingga yang kurang dari 5% berarti
item tersebut tidak support dalam seluruh transaksi dan nama produk itu perlu
dihilangkan pada iterasi berikutnya.
5. Mencari minimum support_1 dari tiap kombinasi k-1 yang mungkin ada dalam
transaksi, dengan menentukan dahulu kombinasinya. Yaitu setiap item dalam
66
sebuah transaksi dibagi totalnya item dalam transaksi itu. Misal dalam suatu
transaksi ada 4 item, berarti kombinasi tiap item
kombinasinya
1
4
begitu juga jika 3 berarti
1
. Kemudian kombinasi tersebut dijumlahkan dengan kombinasi
3
item yang sama dari transaksi lain. Jika sudah dijumlah semua, lalu dibagikan
dengan total jumlah transaksi keseluruhan. Berikut rumus support (U) :
𝑠𝑢𝑝𝑝𝑜𝑟𝑡 (𝑢) =
∑𝑛
𝑡=1
1
∑𝑛
𝑡=1 𝑘
𝐶
|𝑇𝑡 |
𝑠(𝑢, 𝑇𝑡 )
𝑛
=
1
|𝑇𝑡 |!
𝑠(𝑢, 𝑇𝑡)
𝑘!(|𝑇𝑡 |− 𝑘)!
𝑛
(4.2)
Untuk lebih jelasnya bagaimana langkah mencari minimum_ support_1, berikut
diberikan contoh sederhananya :
a. Gula Pasir Putih (1 kg) / KP-011
=
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
+ + + + + + + + + + + + + + + + + + + + + + + + +
3 2 2 3 3 4 2 4 4 2 4 3 3 4 2 3 4 2 2 3 3 4 4 4 4
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
+ + + + + + + + + + + + + + + + + + + + + + + + +
3 2 4 2 2 2 2 4 2 4 2 2 3 3 2 4 4 2 3 2 2 2 3 4 2
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
+ + + + + + + + + + + + + + + + + + + + + + + + +
2 2 3 2 3 3 2 2 3 2 2 3 3 2 3 2 3 2 3 4 3 2 3 2 4
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
+ + + + + + + + + + + + + + + + + + + +
2 2 4 4 4 4 2 3 3 3 3 2 2 4 3 2 2 2 2 2 3
96
= 0,3880
Semua transaksi yang berjumlah 96 kejadian, memang disengaja oleh peneliti
terdapat produk Gula Pasir Putih (1 kg) seperti yang telah dijelaskan pada data
sampel sebelumnya. Untuk itu, semua kejadian transaksi pasti ada kombinasi
untuk item KP-011. Dari 96 kombinasi yang telah dijumlahkan, lalu dibagi
dengan total kejadian transaksi yang jumlahnya 96.
b. Kopi ABC STJM Bandit / TK-002
=
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
+ + + + + + + + + + + + + + +
2 4 3 3 4 3 2 4 3 2 2 2 2 2 2 2
96
= 0,0686
c. Minyak Goreng Kunci Mas Pouch (1 liter) / KP-007
=
1 1 1 1
+ + +
3 3 2 3
96
= 0,0156
67
d. Hatari Malkist Sugar Crackers Family Pack / SB-078
=
1 1
+
4 4
96
= 0,0052
e. Bango Kecap Manis Botol (275 ml) / SK-013
=
1 1 1
+ +
3 4 4
96
= 0,0087
Berikut merupakan tabel hasil perhitungan mencari minimum_ support_1 dengan
kombinasi k-1. Untuk item yang memiliki support lebih dari 5%, akan digunakan
untuk iterasi selanjutnya minimum_ support_2 dengan kombinasi k-2.
Tabel 4.15 Tabel Hasil Perhitungan Mencari Minimum_ Support_1
Kode
Min_support_1 (5%)
SK-001
0,0026
DB-022
0,0035
DB-010
0,0052
SK-013
0,0087
SS-001
0,0052
AR-008
0,0052
SC-002
0,0052
RK-015
0,0026
DB-017
0,0104
BR-012
0,0026
KP-011
0,3880
SB-078
0,0052
BD-019
0,0052
SK-006
0,0052
MI-003
0,0035
MI-011
0,0026
DB-018
0,0104
BD-023
0,0026
68
PC-012
0,0035
TK-002
0,0686
.............................................
ST-013
0,0035
ST-006
0,0026
ST-001
0,0026
ST-010
0,0026
SN-014
0,0026
TK-023
0,0538
TK-020
0,0503
TK-021
0,0208
TK-022
0,0894
BM-001
0,0052
RK-033
0,0035
6. Dari tabel di atas, terlihat hanya ada 5 nama produk yang minimum_ support_1
memenuhi 5%. Diantaranya yaitu gula pasir putih (1 kg) = 38,8%, kopi ABC
STJM bandit = 6,8%, teh celup cap poci kotak isi 25 = 5,3%, teh celup
sariwangi kotak isi 25 = 5%, dan teh celup sosro sachet isi 5 = 8,9%. Untuk itu,
kelima item tersebut akan dilanjutkan ke iterasi minimum_ support_2 dengan
kombinasi k-2 sehingga akan ditemukan support item yang berelasi.
Tabel 4.16 Tabel Item yang memenuhi minimum_ support_1
Kode
KP-011
TK-002
TK-023
TK-020
TK-022
Min_support_1 (5%)
0,3880
0,0686
0,0538
0,0503
0,0894
7. Mencari minimum_ support_2 dengan kombinasi k-2. Caranya hampir sama
dengan cara mencari minimum_ support_1, namun yang ini kombinasi itemnya
ada 2 dengan mengasosiasikan antara item satu dengan item yang lain. Apakah
kedua item tersebut, jika diasosiasikan akan memenuhi support atau tidak.
Berikut tabel asosiasinya untuk item yang memenuhi minimum_ support_1.
69
Tabel 4.17 Tabel Item yang akan Dicari Minimum_ Support_2
Kode
{KP-011, TK-002}
{KP-011, TK-023}
{KP-011, TK-020}
{KP-011, TK-022}
{TK-002, TK-023}
{TK-002, TK-020}
{TK-002, TK-022}
{TK-023, TK-020}
{TK-023, TK-022}
{TK-020, TK-022}
Untuk lebih jelasnya bagaimana langkah mencari minimum_ support_2 dengan
kombinasi item k-2, yang mengasosiasikan kedua item guna dicari support-nya
pada keseluruhan transaksi. Berikut diberikan contoh sederhananya :
a. Untuk item {KP-011, TK-002}
1 1 1 1 1
=
1 1
1+4+3+3+4+3+1+4+3+1+1+1+1+1+1+1
96
= 0,1155
Dicari yang dalam satu transaksinya terdapat item {KP-011, TK-002} secara
bersamaan, kemudian dicari kombinasinya seperti pada perhitungan minimum_
support_1. Namun untuk yang ini, terlihat ada kombinasi dengan angka 1 saja.
Itu dimaksudkan karena dalam satu transaksi hanya ada 2 item {KP-011, TK002} saja tanpa ada item lain yang dapat mempengaruhi kombinasi, sehingga
dianggap sebagai satu kesatuan dan diberi nilai 1.
b. Untuk item {KP-011, TK-023}
=
1 1 1
1
1 1 1 1 1
+ + +1+1+3+1+3+3+4+4+3+1+1
4 4 3
= 0,0799
96
70
Tabel 4.18 Tabel Hasil Perhitungan Mencari Minimum_ Support_2
Kode
Min_support_2 (5%)
{KP-011, TK-002}
{KP-011, TK-023}
{KP-011, TK-020}
{KP-011, TK-022}
{TK-002, TK-023}
{TK-002, TK-020}
{TK-002, TK-022}
{TK-023, TK-020}
{TK-023, TK-022}
{TK-020, TK-022}
0,1155
0,0799
0,0920
0,1363
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
Dari tabel di atas terdapat 4 asosiasi item yang memenuhi minimum_ support_2
5%, untuk itu item-item tersebut akan digunakan pada iterasi selanjutnya dalam
mencari minimum_ support_3 dengan kombinasi item k-3. Namun dari semua
transaksi tidak ada dari ketiga item tersebut yang keluar bersamaan. iterasi
dihentikan pada minimum_ support_2 dengan kombinasi item k-2. Untuk itu,
item-item yang telah didapatkan tersebut dapat didefinisikan sebagai fuzzy set
terhadap (T) atau himpunan dari kode-kode transaksi yang ada dalam QT.
8. Mendefinisikan KP-011, TK-002, TK-023, TK-020, dan TK-022 sebagai fuzzy
set terhadap T. Berikut pendefinisiannya di mana pembilang sebagai kombinasi
item dan penyebut sebagai nomor transaksinya :
a. 𝜇KP−011 =
1
1
3
2
1
1
1
1
3
3
4
1
1
1
1
1
1
1
1
3
3
4
1
1
, , , , , , , , ,
,
,
,
,
,
, 3 ,
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
2
2
4
4
2
4
2
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
4
2
2
3
3
4
4
4
4
3
2
4
2
2
2
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
,
,
,
,
,
,
,
,
,
,
,
,
,
,
, 2 ,
17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
1
4
, 2 , 4 , 2 , 2 , 3 , 3 , 2 , 4 , 4 , 2 , 3 , 2 , 2 , 2 , 3 ,
33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
4
, 2 , 2 , 2 , 3 , 2 , 3 , 3 , 2 , 2 , 3 , 2 , 2 , 3 , 3 , 2 ,
49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
3
, 2 , 3 , 2 , 3 , 4 , 3 , 2 , 3 , 2 , 4 , 2 , 2 , 4 , 4 , 4 ,
65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
4
2
3
3
3
3
2
2
4
3
2
2
2
2
2
3
{ 81 , 82 , 83 , 84 , 85 , 86 , 87 , 88 , 89 , 90 , 91 , 92 , 93 , 94 , 95 , 96 }
71
b. 𝜇TK−002 =
1
{
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
, ,
,
,
,
,
,
,
,
,
,
,
,
,
, 2 }
3 9 12 20 22 26 32 41 48 51 57 61 74 82 91 94
2
3
4
3
3
4
2
3
4
2
2
2
2
2
2
c. 𝜇TK−023 =
{
1
1
1
1
1
1
1
1
1
1
1
1
1
4
4
3
2
2
3
2
3
3
4
4
3
2
,
,
,
,
,
,
,
,
,
,
,
,
1
,
2
}
28 33 39 46 58 59 60 71 73 80 81 86 87 95
d. 𝜇TK−020 =
1
{
1
1
1
1
1
1
1
1
1
1
4
, 2 , 2 , 2 , 2 , 2 , 2 , 3 , 4 , 2 , 2 ,}
23 27 30 31 37 43 50 65 70 76 92
e. 𝜇TK−022 =
1
1
1
1
1
1
1
1
1
1
1
1
2
3
4
4
2
2
4
2
3
4
2
2
1
, , , ,
,
,
,
,
,
,
,
, 2 ,
2 4 6 8 10 15 17 19 21 25 34 36 45
{
1
1
1
1
1
1
1
1
4
2
3
3
4
3
3
4
1
,
,
,
,
,
,
,
, 2
49 54 56 67 75 84 85 89 93
}
9. Dari persamaan item-item di atas, kemudian dicari candidate rules dengan
menghitung confidence dari tiap kombinasi k-item yang mencapai min_support
ke-k (k ≥ 2) dari item fuzzy set yang sudah didapatkan dari langkah sebelumnya.
Berikut rumus pencarian confidence dan contoh pengerjaan secara sederhana :
R (X, Y) = confidence (Y  X) =
(μ (t))
∑t ∈T i ∈ inf
X ∪Y i
(μ (t))
∑t ∈T i inf
∈ Y i
Tabel 4.19 Tabel Item yang Dicari Confidence-nya
Kode
{KP-011  TK-002}
{TK-002  KP-011}
{KP-011  TK-023}
{TK-023  KP-011}
{KP-011  TK-020}
{TK-020  KP-011}
{KP-011  TK-022}
{TK-022  KP-011}
(4.3)
72
a. Confidence (KP-011  TK-002)
=
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
+ + + + + + + + + + + + + + +
2 4 3 3 4 3 2 4 3 2 2 2 2 2 2 2
1 1 1 1 1 1 1 1 1
+ + + + + + + + …..(𝑡𝑜𝑡𝑎𝑙 𝑝𝑒𝑟𝑠𝑎𝑚𝑎𝑎𝑛 KP−011)
3 2 2 3 3 4 2 4 4
=
79
12
447
12
=
79
12
×
12
447
=
948
5.364
= 0,18 = 18 %
b. Confidence (TK-002 KP-011)
=
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
+ + + + + + + + + + + + + + +
2 4 3 3 4 3 2 4 3 2 2 2 2 2 2 2
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
+ + + + + + + + + + + + + + +
2 4 3 3 4 3 2 4 3 2 2 2 2 2 2 2
=
79
12
79
12
=
79
12
×
12
79
=
948
948
= 1 = 100 %
c. Confidence (KP-011  TK-023)
=
1 1 1 1 1 1 1 1 1 1 1 1 1 1
+ + + + + + + + + + + + +
4 4 3 2 2 3 2 3 3 4 4 3 2 2
1 1 1 1 1 1 1 1 1
+ + + + + + + + …..(𝑡𝑜𝑡𝑎𝑙 𝑝𝑒𝑟𝑠𝑎𝑚𝑎𝑎𝑛 KP−011)
3 2 2 3 3 4 2 4 4
=
62
12
447
12
=
62
12
×
12
447
=
744
5.364
= 0,14 = 14 %
d. Confidence (TK-023 KP-011)
=
1 1 1 1 1 1 1 1 1 1 1 1 1 1
+ + + + + + + + + + + + +
4 4 3 2 2 3 2 3 3 4 4 3 2 2
1 1 1 1 1 1 1 1 1 1 1 1 1 1
+ + + + + + + + + + + + +
4 4 3 2 2 3 2 3 3 4 4 3 2 2
=
62
12
62
12
=
62
12
×
12
62
=
744
744
= 1 = 100 %
73
e. Confidence (KP-011  TK-020)
=
1 1 1 1 1 1 1 1 1 1 1
+ + + + + + + + + +
4 2 2 2 2 2 2 3 4 2 2
1 1 1 1 1 1 1 1 1
+ + + + + + + + …..(𝑡𝑜𝑡𝑎𝑙 𝑝𝑒𝑟𝑠𝑎𝑚𝑎𝑎𝑛 KP−011)
3 2 2 3 3 4 2 4 4
=
58
12
447
12
=
58
12
×
12
447
=
696
5.364
= 0,13 = 13 %
f. Confidence (TK-020 KP-011)
=
1 1 1 1 1 1 1 1 1 1 1
+ + + + + + + + + +
4 2 2 2 2 2 2 3 4 2 2
1 1 1 1 1 1 1 1 1 1 1
+ + + + + + + + + +
4 2 2 2 2 2 2 3 4 2 2
=
58
12
58
12
=
58
12
×
12
58
=
696
696
= 1 = 100 %
g. Confidence (KP-011  TK-022)
=
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
+ + + + + + + + + + + + + + + + + + + + +
2 3 4 4 2 2 4 2 3 4 2 2 2 4 2 3 3 4 3 3 4 2
1 1 1 1 1 1 1 1 1
+ + + + + + + + …..(𝑡𝑜𝑡𝑎𝑙 𝑝𝑒𝑟𝑠𝑎𝑚𝑎𝑎𝑛 KP−011)
3 2 2 3 3 4 2 4 4
=
99
12
447
12
=
99
12
×
12
447
=
1.188
5.364
= 0,22 = 22 %
h. Confidence (TK-022 KP-011)
=
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
+ + + + + + + + + + + + + + + + + + + + +
2 3 4 4 2 2 4 2 3 4 2 2 2 4 2 3 3 4 3 3 4 2
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
+ + + + + + + + + + + + + + + + + + + + +
2 3 4 4 2 2 4 2 3 4 2 2 2 4 2 3 3 4 3 3 4 2
=
99
12
99
12
=
99
12
×
12
99
=
1.188
1.188
= 1 = 100 %
74
Nilai confidence digunakan dalam menentukan rule mana saja yang merupakan
interesting rule. Misalkan dalam penelitian ini ditentukan minimal confidence
adalah 10 %, maka semua data yang ter-support dari kombinasi k-2 memenuhi
minimal confidence 10 %. Maka yang disebut sebagai interesting rule hanya
rule yang nilai confidence-nya ≥ 10 %, yaitu seperti dalam tabel berikut :
Tabel 4.20 Tabel Item yang Memenuhi Confidence
Kode
Nama Produk
{KP-011 
TK-002}
{Gula Pasir Putih (1 kg) 
{TK-002 
KP-011}
{Kopi ABC STJM Bandit 
{KP-011 
TK-023}
{ Gula Pasir Putih (1 kg) 
Kopi ABC STJM Bandit}
Gula Pasir Putih (1 kg)}
Teh Celup Cap Poci Kotak Isi 25}
{TK-023 
KP-011}
{Teh Celup Cap Poci Kotak Isi 25 
{KP-011 
TK-020}
{ Gula Pasir Putih (1 kg) 
Gula Pasir Putih (1 kg)}
Teh Celup Sariwangi Kotak Isi 25}
{TK-020 
KP-011}
{Teh Celup Sariwangi Kotak Isi 25 
{KP-011 
TK-022}
{ Gula Pasir Putih (1 kg) 
{TK-022 
KP-011}
Gula Pasir Putih (1 kg)}
Teh Celup Sosro Sachet Isi 5}
Confidence = 10 %
18 %
100 %
14 %
100 %
13 %
100 %
22 %
{Teh Celup Sosro Sachet Isi 5 
Gula Pasir Putih (1 kg)}
100 %
Dari tabel di atas terlihat kedua item yang saling berelasi, tidak hanya support
dalam transaksi tapi juga mempunyai tingkat relasi tinggi jika diasosiasikan.
Nilai confidence paling tinggi menandakan jika asosiasi kedua item tersebut
paling banyak berada di keranjang belanja bersamaan. Misalnya item berkode
TK-002 yaitu Kopi ABC STJM Bandit sangat berpengaruh terhadap pembelian
KP-011 yaitu gula pasir putih (1 kg). Berikut dengan lainnya, yang intinya
pembelian gula pasir putih (1 kg) dipengaruhi item di sebelum tanda panah.
75
4.2
Analisa Model dengan Aplikasi Pendukung
4.2.1
Perhitungan K-Means dengan Bantuan RapidMiner Versi 5.3.015
Selain perhitungan manual menggunakan bantuan Microsoft Excel, perhitungan kmeans pada penelitian ini juga menggunakan dukungan aplikasi RapidMiner yang
salah satu tujuan penggunannya adalah untuk membandingkan data sampel. Jika
dihitung manual dengan Microsoft Excel hasilnya akan seperti apa dan bagaimana
hasilnya jika dengan RapidMiner. Untuk pengolahan excel, sudah dijelaskan pada
poin sebelumnya. Sedangkan pengolahan RapidMiner, berikut penjelasannya :
1. Berikut merupakan tabel data stock, sama seperti yang digunakan dalam proses
menggunakan excel. Atribut antara lain kode produk, jumlah transaksi, volume
jual, dan rata-rata penjualan, yang diset sedemikian rupa.
Gambar 4.13 Data Set Clustering pada RapidMiner
76
2. Setelah data diatur sedemikian sesuai kebutuhan modelling, kemudian dipilih
algoritma pemodelannya yaitu clustering dengan algoritma k-means.
Gambar 4.14 Pemodelan Algoritma K-Means
3. Berikut merupakan proses pemodelannya, data diinputkan ke dalam tabel Read
Excel. Kemudian dikoneksikan dengan pemodelan clustering yang diset seperti
jumlah cluster yang diinputkan ada 3 cluster, max runs 10 kali, dan dengan
menggunakan rumus Squared Euclidean Distances.
Gambar 4.15 Halaman Main Process Clustering
77
4. Tabel hasil dari proses clustering, di mana terlihat tanda cluster-nya terletak di
sebelah kode. Dan dari yang terlihat juga, di data pertama yaitu AT-001 masuk
ke dalam cluster 1 yang berbeda dengan letaknya ketika menggunakan excel
yaitu pada cluster 0. Ini dikarenakan antara penelitian yang melakukan proses
manual menggunakan nama cluster berbeda dengan aplikasi, meski berbeda
penamaan tapi untuk kelas cluster dan titik pusatnya tetap sama.
Gambar 4.16 Tabel Data Hasil Proses Clustering
5. Berikut cluster model yang telah dieksekusi menggunakan RapidMiner. Untuk
hasil sama seperti hasil pada perhitungan Excel, hanya saja penamaan clusternya yang berbeda. Secara model, tingkat cluster, dan titik pusat sama.
Gambar 4.17 Cluster Model pada RapidMiner
78
Gambar 4.18 Titik Pusat Cluster yang Terbentuk
6. Berikut gambaran dari plot view hasil clustering yang menunjukkan persebaran
pusat cluster. Untuk warna biru merupakan himpunan cluster 1, warna hijau
himpunan cluster 2, dan warna merah untuk himpunan cluster 0.
Gambar 4.19 Plot View Hasil Clustering
79
4.2.2
Perhitungan Fuzzy C-Covering dengan Implementasi Algoritma ke
dalam Aplikasi Microsoft Visual Basic 6.0
Untuk lebih mendukung modelling market basket analysis menggunkan algoritma
fuzzy c-covering, berikut rancangan aplikasi sederhana
1. Merupakan halaman utama yang berisi menu-menu aplikasi, di antaranya menu
File dan menu Proses. Menu File berfungsi dalam menginput data-data baik itu
stock maupun transaksi, namun peng-input-an hanya baru bisa dilakukan secara
manual karena aplikasi ini memang dirancang secara sederhana. Sedangkan
untuk menu Proses, merupakan halaman pemodelan dilakukan. Dari tabel data
transaksi, menggunakan algoritma fuzzy c-covering menghasilkan association
rule antar item seperti yang telah dilakukan pada perhitungan secara manual di
bagian sebelumnya tentang modelling fuzzy c-covering.
Gambar 4.20 Halaman Utama / Menu Aplikasi Fuzzy C-Covering
2. Merupakan halaman sub menu yang terdapat dalam menu File, salah satunya
adalah menginput data transaksi yang dilakukan pelanggan. Terdapat beberapa
form input-an yang mana disesuaikan dengan atribut pada tabel data transaksi
yang telah dibahas pada bagian sebelumnya, yaitu kode transaksi, kode produk,
dan jumlah pembelian. Terdapat juga beberapa tombol seperti simpan, untuk
menyimpan data yang telah di-input-kan.
80
Gambar 4.21 Halaman Input Data Transaksi
Gambar 4.22 Data Transaksi yang Berhasil di-Input
3. Merupakan halaman untuk memasukkan data-data produk (master produk)
yang dilakukan pihak pengadaan barang. Terdapat beberapa form input yang
mana disesuaikan dengan atribut pada tabel data stock yang telah dibahas pada
bagian sebelumnya, yaitu kode produk, nama produk, kategori, dan jumlah.
81
Gambar 4.23 Halaman Tabel Master Produk
4. Di halaman ini, proses utama dari algoritma fuzzy c-covering dilakukan. Ada
beberapa form input yang harus diisi, karena berpengaruh pada jalannya proses
yaitu max_item_threshold, minimal_support, dan minimal_ confidence.
Gambar 4.24 Halaman Tabel Hasil Proses
82
4.3
Pembahasan Hasil Penelitian
4.3.1 Pembahasan Hasil Clustering Berbasis K-Means
Hasil akhir pengolahan data stock berbasis k-means dengan rumus Euclidean
Distances, 3 cluster memastikan data-data yang menjadi himpunannya. Kelompok
data dari atribut jumlah transaksi, volume transaksi, dan rata-rata penjualan, yang
mempunyai nilai terbesar masuk ke himpunan cluster 2. Kemudian yang nilainya
sedang masuk cluster 1, dan nilai terkecil masuk cluster 0. Seperti yang dijelaskan
pada tahap determine the data mining goal, di mana clustering ini bertujuan
mengelompokkan data ke himpunan sangat laku, laku, dan kurang laku. Maka dari
3 cluster itu ditentukan mana cluster yang punya himpunan sangat laku, laku, dan
kurang laku. Dengan mengacu pada nilai cluster terbesar, sedang dan paling kecil,
maka nilai terbesar adalah sangat laku, sedang adalah laku, dan terkecil adalah
kurang laku. Untuk lebih jelas, berikut tabel himpunan tiap cluster-nya.
Tabel 4.21 Nilai Terbesar (Himpunan Sangat Laku) pada Cluster 2
Kode
Nama Produk
BM-001
BM-003
BM-005
BM-007
DR-005
KP-011
Telur Ayam Isi 4 / Pack
So Nice Sosis Sapi / 1 Potong
Champ Sosis Ayam / 1 Potong
Okey Sosis Ayam / 1 Potong
Aqua Gelas (240 ml)
Gula Pasir Putih (1 kg)
Indofood Saus Pedas Sachet
Isi 6 (9 gr)
SK-006
Jumlah
Transaksi
Volume
Jual
Rata-rata
Penjualan
93
69
40
43
78
104
94
103
98
100
86
106
1,01
1,49
2,45
2,33
1,10
1,02
67
68
1,01
Tabel 4.22 Nilai Sedang (Himpunan Laku) pada Cluster 1
Kode
Nama Produk
AT-013
Staedler Pencil 2B
BM-002
Telur Ayam Isi 10 / Pack
DR-004
Teh Gelas Kotak (330 ml)
KP-009
Beras Cap Raja Lele (5 kg)
KP-010 Gulaku Premium Gula Tebu (1 kg)
Jumlah
Transaksi
Volume
Jual
Rata-rata
Penjualan
26
24
28
24
28
27
26
30
24
28
1,04
1,08
1,07
1,00
1,00
83
MI-003
MI-011
MI-014
MI-015
RB-017
RB-019
RB-020
RB-021
RB-022
SC-002
SB-019
SN-011
SN-012
SN-032
SN-034
SN-035
SS-001
SS-002
SS-004
TK-013
TK-022
TK-025
TP-014
Indomie Goreng Jumbo Ayam
Panggang (127 gr)
Indomie Instant Rasa Soto (75 gr)
Mie Sukses Kuah Ayam Bawang
(122 gr)
Mie Sukses Kuah Kari Ayam
(122 gr)
Roti Tawar Pandan
Roti Isi Abon
Roti Isi coklat
Roti Isi Keju
Roti Isi Pisang Coklat
Dangdut Sabun Cream Jeruk
Roma Better Sachet
Dua Kelinci Kacang Panggang
Bawang
Sukro Kacang Atom Original
Qtela Tempe Rasa Cabai Rawit
JetZ Stick Chocofiesta
Taro Snack Net Potato Barbeque
Bendera SKM Putih Gold Kaleng
(385 gr)
Bendera SKM Putih Sachet
Isi 6 (45 gr)
Indomilk SKM Coklat Kaleng
(385 gr)
Kopi Kapal Api Kopi Susu
Renteng Isi 10 (31 gr)
Teh Celup Sosro Sachet Isi 5
Teh Serbuk Cap Bandulan (40 gr)
Selection Facial Cotton
12
38
3,17
27
79
2,93
10
31
3,10
20
48
2,40
35
16
15
11
13
24
29
35
49
45
36
39
31
32
1,00
3,06
3,00
3,27
3,00
1,29
1,10
46
46
1,00
33
21
31
18
33
35
32
26
1,00
1,67
1,03
1,44
31
31
1,00
33
33
1,00
51
51
1,00
42
42
1,00
37
21
34
47
28
34
1,27
1,33
1,00
Tabel 4.23 Nilai Paling Kecil (Himpunan Kurang Laku) pada Cluster 0
Kode
AT-001
AT-014
Nama Produk
Joyko Correction Tape
CF-S201-PT
Faber Castell Pencil 2B
Jumlah
Transaksi
Volume
Jual
Rata-rata
Penjualan
3
3
1,00
10
11
1,10
84
DR-006 ABC Juice Rasa Mangga (250 ml)
Indomie Goreng Rasa Soto
MI-004
(85 gr)
Indomie Goreng Rasa Ayam
MI-005
Bawang (85 gr)
MI-007 Indomie Kriting Bulgogi (90 gr)
Indomie Keriting Goreng Spesial
MI-008
(90 gr)
Indomie Instan Rasa Ayam
MI-009
Spesial (69 gr)
Indomie Instan Rasa Ayam
MI-010
Bawang (69 gr)
Indomie Instant Rasa Kari Ayam
MI-012
(72 gr)
Mie Sukses Goreng Ayam
MI-013
Kremes (133 gr)
RG-011 Kue Kering Kembang Goyang
SN-033 Qtela Tempe Rasa Daun Jeruk
SN-036
Taro Snack Net Seaweed
Kopi Kapal Api Grande White
TK-014
Coffe Isi 10 (20 gr)
14
23
1,64
10
25
2,50
6
14
2,33
6
15
2,50
3
10
3,33
4
8
2,00
6
14
2,33
1
2
2,00
3
5
1,67
4
4
11
4
7
21
1,00
1,75
1,91
10
10
1,00
Dari ketiga tabel di atas, dapat dilihat bagaimana data-data yang mulanya sulit
dilakukan prediksi yang mana sangat laku atau kurang laku, dengan algoritma kmeans akhirnya dapat di-cluster menjadi pengetahuan yang berarti dengan hasil
cluster sangat laku, laku, dan kurang laku. Kesulitan paling mencolok ada pada
perbandingan antara cluster sangat laku dan laku. Pada jumlah transaksi kode item
BM-005 dari himpunan sangat laku, jumlahnya justru lebih sedikit yaitu 40 kali
dibanding dengan kode item SS-004 dari himpunan laku yang 51 kali transaksi.
Namun karena ada atribut lain yaitu volume jual dan rata-rata penjualan, di mana
volume jual BM-005 lebih tinggi yaitu 98 item dibanding SS-004 yang hanya 51
item. Maka dengan k-means, dipertimbangkan kembali kedua item tersebut untuk
lebih berat ke titik pusat cluster yang mana.
85
4.3.2 Pembahasan Hasil Market Basket Analysis Berbasis Fuzzy C-Covering
Nilai confidence digunakan dalam menentukan rule mana saja yang merupakan
interesting rule. Misalkan dalam penelitian ini ditentukan minimal confidence
adalah 10 %, maka semua data yang ter-support dari kombinasi k-2 memenuhi
minimal confidence 10 %. Maka yang disebut sebagai interesting rule hanya rule
yang nilai confidence-nya ≥ 10 %, yaitu seperti dalam tabel berikut :
Tabel 4.24 Tabel Item yang Memenuhi Confidence
Kode
Nama Produk
{KP-011 
TK-002}
{Gula Pasir Putih (1 kg) 
{TK-002 
KP-011}
{Kopi ABC STJM Bandit 
{KP-011 
TK-023}
{ Gula Pasir Putih (1 kg) 
Kopi ABC STJM Bandit}
Gula Pasir Putih (1 kg)}
Teh Celup Cap Poci Kotak Isi 25}
{TK-023 
KP-011}
{Teh Celup Cap Poci Kotak Isi 25 
{KP-011 
TK-020}
{ Gula Pasir Putih (1 kg) 
Gula Pasir Putih (1 kg)}
Teh Celup Sariwangi Kotak Isi 25}
{TK-020 
KP-011}
{Teh Celup Sariwangi Kotak Isi 25 
{KP-011 
TK-022}
{ Gula Pasir Putih (1 kg) 
{TK-022 
KP-011}
Gula Pasir Putih (1 kg)}
Teh Celup Sosro Sachet Isi 5}
Confidence = 10 %
18 %
100 %
14 %
100 %
13 %
100 %
22 %
{Teh Celup Sosro Sachet Isi 5 
Gula Pasir Putih (1 kg)}
100 %
86
Dari tabel di atas terlihat bagaimana kedua item yang saling berelasi, tidak hanya
support dalam proses transaksi tapi juga mempunyai tingkat relasi tinggi jika
diasosiasikan. Nilai confidence yang paling tinggi menandakan jika asosiasi kedua
item tersebut paling banyak berada di dalam keranjang belanja secara bersamaan.
Misalnya seperti item dengan kode TK-002, atau namanya produk tersebut adalah
Kopi ABC STJM Bandit sangat berpengaruh terhadap pembelian KP-011 yaitu
gula pasir putih (1 kg). Berikut dengan yang lainnya, yang intinya pembelian gula
pasir putih (1 kg) dipengaruhi oleh item-item yang berada di sebelum tanda panah.
Berikut untuk gambaran tatanan rak-rak barang pada InshofMart saat ini, yang
masih mengacu pada kategori produk.
Gambar 4.25 Denah Rak-rak Barang Sebelum Rekomendasi
Dari gambar denah rak-rak barang tersebut, jika penataan hanya berdasar pada
kategori akan kurang efektif karena kebanyakan kategori minuman bercampur
dengan minuman, sabun dengan sabun, camilan dengan camilan, dan lainnya.
Padahal setiap pelanggan yang sudah membeli minuman pasti jarang membeli
minuman lagi, dan membutuhkan keperluan lain. Untuk itu, data-data transaksi
dianalisa guna menemukan asosiasi terbaik antar produk yang dibeli bersama.
Dan dari hasil analisa manual, gula pasir putih (1 kg) mempunyai relasi tinggi
dengan beberapa produk dari kategori teh/kopi. Berikut denah rekomendasi :
87
Gambar 4.26 Rekomendasi Denah Rak-rak Barang
Dari gambar rekomendasi denah rak-rak barang, terdapat beberapa panah
yang menuju ke bagian rak kecil. Hal tersebut dimaksudkan agar rak kecil
digunakan sebagai tempat produk yang mempunyai nilai asosiasi tertinggi,
agar pelanggan lebih mudah dalam menemukan kebutuhan-kebutuhannya.
Seperti gula pasir putih (1 kg) dari kategori kebutuhan pokok diletakkan
pada rak kecil bersama kopi ABC STJM bandit, teh celup cap poci kotak isi
25, teh celup sariwangi kotak isi 25, dan teh celup sosro sachet isi 5 dari
kategori teh / kopi. Sedangkan untuk tanda panah lain, dilakukan analisa
menggunakan dukungan aplikasi dan didapat beberapa asosiasi terbaik lain
seperti dangdut sabun cream jeruk dari kategori sabun cuci dengan busa
cuci piring dari kategori alat kebersihan, dan dua kelinci kacang panggang
bawang dari kategori aneka camilan dengan kapal api coffee candy dari
kategori permen.
88
BAB 5
PENUTUP
5.1
Simpulan
Berdasarkan hasil dari penelitian yang telah dilakukan, penulis dapat mengambil
kesimpulan yang berkaitan dengan rumusan masalah dan tujuan penelitian :
1. Penggunaan metode data mining berbasis k-means dapat melakukan pengcluster-an data dari data-data yang sulit dilakukan penentuan antara nilai mana
yang paling tinggi, sedang, dan kecil, menjadi sebuah pengetahuan yang dapat
menentukan tingkatan nilai ke dalam 3 cluster. Dari 50 data sampel yang
diambil yang mulanya tidak diketahui kelompok-kelompoknya menjadi dapat
diketahui seperti 7 produk sangat laku, 28 produk laku, dan 15 kurang laku.
2. Penggunaan market basket analysis berbasis fuzzy c-covering yang dapat
diketahui bagaimana min_support dan min_confidence yang merupakan
penentuan tingkat keakuratan asosiasi antar barang. Yang mana dalam
penelitian ini dari semua sampel data yang diambil adalah setiap transaksi yang
mengandung gula pasir putih (1 kg), menghasilkan min_support dan
min_confidence terbaik yaitu asosiasi antara {Gula Pasir Putih (1 kg)  Kopi
ABC STJM Bandit}, {Kopi ABC STJM Bandit  Gula Pasir Putih (1 kg)},
{Gula Pasir Putih (1 kg)  Teh Celup Cap Poci Kotak Isi 25}, {Teh Celup
Cap Poci Kotak Isi 25  Gula Pasir Putih (1 kg)}, { Gula Pasir Putih (1 kg) 
Teh Celup Sariwangi Kotak Isi 25}, {Teh Celup Sariwangi Kotak Isi 25  Gula
Pasir Putih (1 kg)}, { Gula Pasir Putih (1 kg)  Teh Celup Sosro Sachet Isi 5},
{Teh Celup Sosro Sachet Isi 5  Gula Pasir Putih (1 kg)}.
89
5.2
Saran
Berdasarkan dari analisa data dan pembahasannya dalam penelitian ini, penulis
memberikan beberapa saran yang mungkin dapat dilakukan pengembangan pada
penelitian berikutnya :
1. Ada banyak metode clustering lain yang tidak hanya k-means, dapat digunakan
sebagai perbandingan performa antar algoritma dari metode clustering.
2. Untuk penelitian selanjutnya, akan lebih baik jika dalam clustering ditambah
lagi atributnya seperti atribut harga agar variasinya lebih banyak.
3. Sedangkan untuk market basket analysis, dalam perancangan aplikasinya
belum dapat di-generate dengan sistem informasi utama sehingga akan lebih
baik jika pada penelitian berikutnya ada yang membuat aplikasi tersebut dapat
diintegrasikan langsung dengan sistem utama milik toko.
DAFTAR PUSTAKA
[1]
P. A. JULIANTO, “Aprindo: Industri Ritel Tumbuh Sekitar 10 Persen pada
2016,”
28
Desember,
2016.
[Online].
Available:
http://bisniskeuangan.kompas.com/read/2016/12/28/172204826/aprindo.ind
ustri.ritel.tumbuh.sekitar.10.persen.pada.2016. [Accessed: 10-Apr-2017].
[2]
N. Pratomo, “Minimarket Mendominasi Transaksi,” Kamis, 23 Februari,
2017.
[Online].
Available:
http://koran.bisnis.com/read/20170223/448/631108/minimarketmendominasi-transaksi. [Accessed: 10-Apr-2017].
[3]
Rajarak.co.id, “5 Kunci Utama Sukses Bisnis Toko Minimarket,” 30
Agustus, 2016. [Online]. Available: http://www.rajarak.co.id/2015/07/5kunci-utama-sukses-bisnis-toko.html. [Accessed: 06-Apr-2017].
[4]
Zahedi and C. Chandra, “Perancangan Program Aplikasi Market Basket
Analysis Untuk Mendukung Persediaan Barang Dengan Metode Fuzzy CCovering,” vol. 03, no. 01, pp. 241–253, 2012.
[5]
N. Arianty, O. Soesanto, F. Indriani, and K. Selatan, “Penerapan Metode
Fuzzy C-Covering Untuk Analisis Pola Pembelian Pada Minimarket,” Ilmu
Komput., vol. 04, no. 01, pp. 92–102, 2016.
[6]
B. M. Metisen and H. L. Sari, “Analisis Clustering Menggunakan Metode
K-Means Dalam Pengelompokkan Penjualan Produk Pada Swalayan
Fadhila,” Media Infotama, vol. 11, no. 2, pp. 110–118, 2015.
[7]
W. Nengsih, “Descriptive Modelling Menggunakan K-Means untuk
Pengclusteran Tingkat Kemiskinan di Propinsi Riau,” in Seminar Nasional
Riset Ilmu Komputer, 2016, pp. 92–96.
[8]
E. Muningsih and S. Kiswati, “Penerapan Metode K-Means untuk
Clustering Produk Online Shop dalam Penentuan Stok Barang,” Bianglala
Inform., vol. 3, no. 1, pp. 10–17, 2015.
[9]
G. S. Linoff and M. J. A. Berry, “Data Mining Techniques For Marketing,
90
91
Sales, and Customer Relationship Management,” 3rd ed., Indianapolis:
Wiley Publishing, Inc., 2011, p. 2.
[10] C. C. Aggarwal, “Data Mining The Textbook,” New York: Springer
International Publishing, 2015, p. 1.
[11] I. H. Witten, E. Frank, M. A. Hall, and C. J. Pal, “Data Mining Practical
Machine Learning Tools and Techniques,” 4th ed., T. Pitts, Ed. Cambridge:
Todd Green, 2017, p. 6.
[12] O. Maimon and L. Rokachi, “Data Mining And Knowledge Discovery
Handbook,” Second Edi., O. Maimon, Ed. Israel: Springer International
Publishing, 2010, p. 133.
[13] D. T. Larose, “Discovering Knowledge In Data,” Canada, 2005, pp. 11–17.
[14] E. Irwansyah and M. Faisal, “Advanced Clustering Teori Dan Aplikasi,”
Deepublish, 2015, pp. 4–5, 31–33.
[15] J. Han, M. Kamber, and J. Pei, “Data Mining Concepts And Techniques,”
Third Edit., Waltham: Morgan Kaufmann Publishers, 2012, pp. 446–447.
[16] D. Olson and Y. Shi, “Pengantar Ilmu Penggalian Data Bisnis :
Introduction To Business Data Mining,” Tim SPSS Indonesia, Ed. Jakarta:
Salemba Empat, 2008, p. 254.
[17] D. Atmajaya, “K-Means Clustering,” 22 Februari, 2016. [Online].
Available:
http://lecturer.fikom.umi.ac.id/dedyatmajaya/k-means-
algorithm/. [Accessed: 23-Jul-2017].
[18] K. Jensen, “Process Diagram Showing the Relationship Between the
Different Phases of CRISP-DM,” 26 April, 2012. [Online]. Available:
ftp://public.dhe.ibm.com/software/analytics/spss/documentation/modeler/1
8.0/en/ModelerCRISPDM.pdf. [Accessed: 22-Jul-2017].
[19] I. Budiman, “Data Clustering Menggunakan Metodologi CRISP-DM Untuk
Pengenalan
Pola
Diponegoro, 2012.
Proporsi
Pelaksanaan
Tridharma,”
Universitas
LAMPIRAN
Lampiran 1. Surat Ijin Penelitian Survey
92
93
Lampiran 2. Surat Keterangan
94
Lampiran 3. Tabel Data Stock
Kategori
Alat-alat Tulis (AT)
Alat-alat Kebersihan
(AR)
Alat Masak /
Alumunium (AP)
Baby Alat (BA)
Baby Food (BF)
Bahan Mentah (BM)
Bahan Roti /
Makanan (BR)
Bedak / Cream Baby
(BB)
Buku / Kertas (BK)
Bumbu Dapur (BD)
Canned & Lauk Pauk
(CN)
Jml
Trans.
3
Vol.
Jual
3
Joyko Correction Tape JK-101
9
9
Snowman Ballpoint V5 Black
3
3
Snowman Spidol Board Marker Black
7
7
Kenko Isi Pensil (0,5 mm)
5
5
Kenko Rautan Pensil SP-95
8
8
Nagata Sikat Tangan
15
15
Nagata Pengki Tangkai
3
3
Alon Canebo Plas Chamois
4
4
Panci Susu Ukuran 18 cm
1
1
Parutan Alumunium
3
3
Pigeon Tempat Bedak
2
2
Sarung Tangan Bayi
1
1
Promina Baby Porridge 6+ Banana (120 gr)
3
3
Dancow Actigo Coklat Usia 6-12 Tahun (800 gr)
5
5
Telur Ayam Isi 4 / Pack
93
94
Telur Ayam Isi 10 / Pack
24
26
So Nice Sosis Sapi / 1 Potong
69
103
So Good Bakso Kuah Ayam
25
29
Champ Sosis Ayam / 1 Potong
40
98
Okey Sosis Ayam / 1 Potong
43
100
Tepung Terigu Cakra Kembar (500 gr)
11
14
Colatta Dark Chocolate (250 gr)
10
10
MR Cocoa Chocolate Powder (250 gr)
7
7
Caladine Lotion (95 ml)
2
2
Cussons Baby Powder Mild & Gentle (175 gr)
10
10
My Baby Minyak Telon (60 ml)
4
4
Sinar Dunia Buku Tulis 58s / 1 Pcs
21
64
Juz'amma Dan Terjemahan
5
5
Kertas Kado Kiky Motif Batik
17
18
Royco Penyedap Masakan Ayam Isi 6 Sachet (8 gr)
16
16
Royco Penyedap Masakan Sapi Isi 6 Sachet (8 gr)
20
20
Masako Ayam Isi 6 Sachet (9 gr)
9
10
Indofood Bumbu Sayur Asem (33 gr)
6
12
Pronas Chicken Sausage (325 gr)
9
9
ABC Sardines Sauce Chilli (155 gr)
12
12
Nama Produk
Joyko Correction Tape CF-S201-PT
95
Coklat (CK)
Drink Bahan (DB)
Drink Botol (DT)
Drink Kaleng (DK)
Drink Kemasan /
Kotak (DR)
Silver Queen Almond Milk Chocolate (33 gr)
7
7
Silver Queen Cashew Milk Chocolate (33 gr)
5
8
Delfi Fruit & Nut (30 gr)
2
2
Choki-Choki Coklat Pasta
5
5
Milk Jus Rasa Coklat (5 Pcs)
2
2
Jasjus Rasa Jambu (5 Pcs)
4
5
ABC Syrup Special Grade Cocopandan (625 ml)
6
6
ABC Syrup Squash Orange (625 ml)
7
7
Aqua (600 ml)
35
35
Aqua (1500 ml)
50
50
You-C1000 Lemon Water (500 ml)
9
9
kratingdaeng (150 ml)
7
7
Sprite (330 ml)
13
14
Fanta Strawberry (330 ml)
10
10
Yeo's Minuman Leci (330 ml)
8
8
Cap Panda Liang Teh (310 ml)
4
4
Ale-ale Strawberry (200 ml)
9
11
Ale-ale Jeruk (200 ml)
21
25
Teh Rio Gula Batu (200 ml)
71
89
Indomilk Kids UHT Rasa Coklat (115 ml)
9
11
Milkuat Rasa Strawberry
39
52
Handuk & Sapu
Tangan (HN)
Handuk Aneka Warna Polos (23 x 23 cm)
2
2
Handuk Aneka Gambar (23 x 23 cm)
4
4
Ice Cream (IC)
Wall's Sandwich Vanilla dan Coklat Pck
3
3
Wall's Dung Dung Kacang Hijau
6
8
Campina Heart
2
3
Okky Jelly Drink Rasa Apel
21
30
Nutrijell Jelly Powder Orange
4
7
Nutrijell Jelly Powder Lecy
4
7
Agarasa Jelly Powder Strawberry
4
7
Kaos Kaki Hitam
2
2
Kaos Kaki Putih
1
1
Kaos Kaki Muslimah Selutut
2
2
Minyak Goreng Cemara Pouch (1 liter)
10
13
Beras Cap Raja Lele Eceran (1 kg)
19
28
Beras Cap Raja Lele (5 kg)
24
24
Gulaku Premium Gula Tebu (1 kg)
28
28
Gula Pasir Putih (1 kg)
104
106
Korek Kayu
18
18
Korek Gas
13
13
Jely Drink (JL)
Kaos Kaki / Tangan
(KK)
Kebutuhan Pokok
(KP)
Korek Api / Gas (KA)
96
Kosmetik Bibir (KB)
Kosmetik Mata (KM)
Kosmetik Rambut
(KR)
Kosmetik Tubuh (KT)
Kosmetik Wajah
(KW)
Listrik / Elektrik (EL)
Mainan (MN)
Wardah Lipstick Exclusive 40 Diva
4
4
Purbasari Lipstick Color Matte
5
5
Maybelline Baby Lips Love Color
5
5
Maybelline Rocket Volume Express Mascara
3
3
Ponds Pensil Alis Warna Hitam
8
8
Davis Pensil Eyebrow Brown Warna Coklat
3
3
Gatsby Watergloss Hard (150 gr)
2
2
Gatsby Watergloss Hyper Solid (75 gr)
3
3
Ellips Hair Vitamin Hair Repair 6 pcs
6
6
Ellips Hair Vitamin Smooth and Silky 6 s
4
4
Viva Hand & Body Lotion Bengkoang (100 ml)
3
3
Soffell Geranium Sachet Isi 5 (10 ml)
13
13
Vaseline Healty White Perfect 10 (100 ml)
Shinzu'I Body Scrub sakura (250 gr)
2
2
3
3
Citra Hazeline Pearly White UV (40 gr)
3
3
Viva Milk Cleanser Green tea (100 ml)
5
5
Pixy Cleansing Express Anti Acne (100 ml)
9
9
Saklar 1 Tombol
1
1
Philips Lampu LED Genie 5 - 11 Watt
3
5
Philips Lampu LED Essential 8 - 23 Watt
3
3
ABC Battery Biru R6 4'S
5
5
Gantungan Kunci Club Sepak Bola
2
2
Sticker Karakter Mini
14
15
Yoyo Kayu
4
4
Mantel / Payung
(MT)
Jas Hujan Baju Celana
1
1
Payung Lipat
4
4
Mie Instant (MI)
Indomie Goreng Jumbo Spesial (129 gr)
5
15
Indomie Goreng Pedas (79 gr)
10
24
Indomie Goreng Jumbo Ayam Panggang (127 gr)
12
38
Mie Sukses Goreng Ayam Kremes (133 gr)
3
5
Pop Mie Mini Bakso Sapi (35 gr)
6
8
Obat Dalam (OB)
Obat Luar (OL)
Parfum (PF)
Pop Mie Mini Soto (35 gr)
3
5
Adem Sari
13
21
Promag Tablet
4
4
Hansaplast Kain Elastis Isi 10s
6
6
Hansaplast Koyo Hangat Isi 10s
8
8
Betadine Solution (30 ml)
9
9
Balsem Lang (20 gr)
2
2
Kalpanax Cream (5 gr)
3
3
Body Spray Posh Blaze Pink
2
2
97
Pasta & Sikat Gigi
(PG)
Pembalut & Pampers
(PB)
Pembersih &
Pengharum (PR)
Pemutih / Pewangi
(PP)
Perlengkapan Kantor
(AO)
Permen (PC)
Plastik Pembungkus
(PL)
Rokok (RK)
Roti Basah (RB)
Roti Kering / Garing
(RG)
Sabun Cuci /
Detergent (SC)
Sabun Mandi (SM)
Body Spray Posh Love Song
2
2
Axe Gold Tempation Deo Body Spray (150 ml)
2
2
Ciptadent Toothpaste Fresh Tube (75 gr)
21
21
Ciptadent Sikat Gigi Classic Extra Soft 3s
5
5
Ciptadent Sikat Gigi Crystal Soft
6
7
Close Up Deep Action (160 gr)
5
5
Baby Happy Pants M 1 Pcs
7
21
Baby Happy Pants L 20 Pcs
7
7
Baby Happy Pants XL 1 Pcs
19
56
Laurier Relax Night (30 cm) 1 Pcs
2
2
Hit Insektisida Spray Orange (600 ml)
3
3
Harpic (200 ml)
3
3
Harpic (450 ml)
7
7
Bayclin Botol (100 ml)
13
13
So Klin Sachet Isi 4
19
19
Rapika Biang 3 ini 1 Violet Sachet 4 Pcs (25 ml)
6
6
Joyko Binder Clip 107 (19 mm)
1
1
Tom & Jerry Sticky Notes TJ 653
2
2
Alpenliebe Strawberry
4
4
Frozz Barley Mint
3
3
Plastik PP Bening ABC 1 kg
7
9
Plastik Joyo Boyo Tebal 2 Ons
2
4
Sampoerna A Mild 12
11
11
Djarum 76
35
35
Djarum MLD 20
9
9
Apache 12
7
7
Roti 3 Rasa Brilliant
6
7
Roti Tawar Pandan
35
35
Roti Isi Pisang Coklat
13
39
Roti Kacang Original
3
3
Kue Semprong Wijen
3
3
Kue Nnting-nting Kacang
6
6
Ekonomi Sabun Cream
2
2
Dangdut Sabun Cream Jeruk
24
31
Sunlight Sabun Krim Jeruk Nipis Sachet (350 gr)
6
6
Mama Lemon Power Stain Remover (500 gr)
3
3
Lifebuoy Body Wash Cool Fresh Refill (250 ml)
9
9
Lifebuoy Body Wash Lemon Fresh Botol (100 ml)
6
6
Lux Body Wash Soft Touch Botol (100 ml)
3
3
Asepso Bar Soap Fresh Orange (80 gr)
6
7
98
Sabun Wajah (SW)
Shampoo /
Conditioner (SP)
Sandal (SD)
Saos Sambal Kecap
(SK)
Sarung (SR)
Snack Biskuit /
Wafers (SB)
Snack Ringan (SN)
Snack Tradisional
(ST)
Susu (SS)
Teh / Kopi (TK)
Tisu / Kapas (TP)
Biore Body Foam Whitening Scrub (100 ml)
3
3
Clean & Clear Foaming Facial wash (100 ml)
6
6
Nivea Facial Foam Sparkling White (100 gr)
3
3
Zinc Shampoo Refreshing Botol (80 ml)
2
3
Clear Man Shampoo Ice Cool (170 ml)
5
5
Kodomo Shampoo Pouch Strawberry (180 ml)
3
3
Swallow Sandal Jepit
4
4
Sandal Jepit Anak
7
7
ABC Saus Tomat Sachet Isi 6 (9 gr)
2
2
Indofood Sambal Terasi (190 gr)
8
8
Indofood Sambal Terasi Isi 6 Sachet (22 gr)
7
8
Bango Kecap Manis Pouch Refill (220 ml)
5
5
Bango Kecap Manis Botol (275 ml)
20
20
Sarung Gajah Duduk Junior
1
1
Peci Aceh Putih Boerdir
2
2
Goriorio Chocopiz Family Pack
3
3
Nissin Walens Choco Soes
25
29
Nissin Crispy Crackers
19
19
Lemonia Lemon Cookies
13
13
Khong Guan Chocolate Short Cream Biscuits
5
5
Twistko BBQ Corn
9
10
Chitato Rasa Keju Supreme
24
31
Chitato Rasa Sapi Panggang
10
15
Qtela Singkong Rasa Balado
14
26
Snack Ring Abon
15
19
Snack Ring Balado
8
8
Snack Kerupuk Rambak Plesungan Raya
15
15
Bendera SKM Putih Gold Kaleng (385 gr)
31
31
Bendera SKM Putih Sachet Isi 6 (45 gr)
33
33
Indomilk SKM Coklat Kaleng (385 gr)
51
51
Kopi ABC STJM Bandit
25
26
Teh Celup Sariwangi Kotak Isi 25
22
22
Teh Celup Sariwangi Sachet Isi 5
12
14
Teh Celup Sosro Sachet Isi 5
37
47
Teh Celup Cap Poci Kotak Isi 25
24
24
Tessa Soft Bathroom Tissue Roll TOT-04
9
9
Paseo Tissue Soft Pack 250s
8
8
Multi Tisu Gulung TOM-02/P
9
9
Selection Facial Cotton
34
34
99
Lampiran 4. Tabel Data Transaksi
No.
Tanggal
1
01/11/2016
2
01/11/2016
3
01/11/2016
4
01/11/2016
5
01/11/2016
6
01/11/2016
7
01/11/2016
8
01/11/2016
9
01/11/2016
10
01/11/2016
11
01/11/2016
12
01/11/2016
13
01/11/2016
14
01/11/2016
15
01/11/2016
Nama Produk
Baby Happy Pants XL 1 Pcs
Mitu Baby Wet Tissue Pink 10s
My Baby Powder Soft & Gentle (150 gr)
Aqua (1500 ml)
Snack Kerupuk Tengiri Original
Snack Ring Balado
Aqua (1500 ml)
Indofood Saus Pedas Sachet Isi 6 (9 gr)
Okey Sosis Ayam / 1 Potong
Sarimi isi 2 Koya jeruk Nipis (112 gr)
So Good Bakso Kuah Ayam
Busa Cuci Piring
Dangdut Sabun Cream Jeruk
Campina Concerto Sundae Blueberry
Bayclin Botol (100 ml)
Milkuat Rasa Strawberry
Nuvo Bar Soap Family Biru (80 gr)
So Klin Smart Color Deterjen (800 gr)
Faber Castell Pencil 2B
Faber Castell Penghapus
Joyko Paper Clip C-3100
Sampul Buku OPP Kwarto + Lem
Indomie Instan Rasa Ayam Bawang (69 gr)
So Nice Sosis Sapi / 1 Potong
Tessa Facial Tissue 260s
Ponds Pensil Alis Warna Hitam
ABC Battery Biru R6 4'S
Payung Lipat
Sandal Jepit Anak
Fresh Care Aroma Therapy (10 ml)
Larutan Penyegar Cap Badak Strawberry (320 ml)
Indomie Instant Rasa Soto (75 gr)
Indofood Saus Pedas Sachet Isi 6 (9 gr)
So Nice Sosis Sapi / 1 Potong
Bendera SKM Putih Gold Kaleng (385 gr)
Indofood Saus Pedas Sachet Isi 6 (9 gr)
Roti Tawar Pandan
Sarimi isi 2 Koya jeruk Nipis (112 gr)
Sukro Kacang Atom Original
Milkuat Rasa Strawberry
Mitu Baby Wet Tissue Pink 10s
My Baby Powder Soft & Gentle (150 gr)
Roma Sari Gandum Original 20 Roll
Gudang Garam Signature
Dua Kelinci Kacang Panggang Bawang
Kapal Api Coffee Candy
Jumlah
3
1
1
1
1
1
1
1
3
2
1
1
1
2
1
2
2
1
1
1
1
6
3
2
1
1
1
1
1
1
1
5
2
2
1
1
1
3
1
2
1
1
1
1
1
1
100
16
01/11/2016
17
01/11/2016
18
01/11/2016
19
20
01/11/2016
01/11/2016
21
01/11/2016
22
01/11/2016
23
01/11/2016
24
01/11/2016
25
02/11/2016
26
02/11/2016
27
02/11/2016
28
02/11/2016
29
02/11/2016
30
02/11/2016
31
02/11/2016
Aqua (1500 ml)
Formula Toothpaste Action Protector (75 gr)
Lay's Asin Klasik
Pepsodent Sikat Gigi Travel Soft
Qtela Singkong Rasa Balado
Snack Kerupuk Bawang Plesungan Raya
Indofood Saus Pedas Sachet Isi 6 (9 gr)
Laurier Active Day Super Maxi Wing 8 Pcs
Sarimi isi 2 Koya jeruk Nipis (112 gr)
Tessa Facial Tissue Pack 50s
Bendera SKM Putih Gold Kaleng (385 gr)
Energen Coklat (5 Pcs)
Milkita Lollipop
Pro Chiz Keju Cheddar (180 gr)
Roti Tawar Pandan
Blue Band Margarine Tub (250 gr)
Plastik Joyo Boyo Tebal 1 kg
Wall's Dung Dung Kacang Hijau
Clean & Clear Foaming Facial wash (100 ml)
Lotte Sticks Chew Gum Blueberry
Pocky Strawberry
Teh Rio Gula Batu (200 ml)
Aqua Gelas (240 ml)
Nissin Walens Choco Soes
So Nice Sosis Sapi / 1 Potong
Lotte Sticks Chew Gum Blueberry
Richeese Nabati Wafer Keju
Slai O'lai Pineapple Jam Roll
Teh Rio Gula Batu (200 ml)
ABC Minuman Sari Kacang Hijau (250 ml)
Faber Castell Watercolour Isi 12
Kenko Rautan Pensil SP-95
Sinar Dunia Buku Gambar A3
Intra Jahe Wangi (5 Pcs)
Mama Suka Tepug Bakwan (100 gr)
Priima Garam (250 gr)
Djarum MLD 20
Aqua (600 ml)
Kue Nnting-nting Kacang
Roti Isi Keju
Busa Cuci Piring
Dangdut Sabun Cream Jeruk
Lap Kain Kotak-Kotak
Aqua (1500 ml)
Qtela Singkong Rasa Original
Roma Kelapa Family Pack
Snack Jagung Gurih ColoMadu
Sprite (390 ml)
1
1
2
1
2
1
1
1
3
1
1
2
2
1
1
1
2
1
1
1
1
1
1
1
1
1
1
1
1
2
1
1
1
3
2
2
1
1
1
4
1
1
1
1
2
1
1
2
101
32
02/11/2016
33
02/11/2016
34
02/11/2016
35
02/11/2016
36
02/11/2016
37
02/11/2016
38
02/11/2016
39
02/11/2016
40
02/11/2016
41
02/11/2016
42
02/11/2016
43
02/11/2016
44
02/11/2016
45
02/11/2016
46
02/11/2016
Tessa Facial Tissue Pack 50s
Djarum 76
Kopi Top Kopi + Susu Renteng Isi 5 (31 gr)
Roti Isi Pisang Coklat
ABC Sardines Sauce Chilli (155 gr)
Champ Nugget (250 gr)
Energen Jagung (5 Pcs)
Kopi Bubuk Cap Bintang (100 gr)
Royco Penyedap Masakan Sapi Isi 6 Sachet (8 gr)
Teh Serbuk Teh Gopek (40 gr)
Dua Kelinci Kacang Panggang Bawang
Kapal Api Coffee Candy
Snack Kripik Pisang Gurih
Snack Sus Kering Keju
Axe Dark Tempation Deo Body Spray (150 ml)
Sangobion
Ellips Hair Vitamin Smooth and Silky 6 s
Ponds Pensil Alis Warna Hitam
Fermipan Sachet (11 gr)
Indofood Bumbu Racik Tempe (20 gr)
Koepoe-Koepoe Pelembut Kue VX (75 gr)
Koepoe-Koepoe Pengembang Kue TBM (75 gr)
Koepoe-Koepoe Pewarna Makanan Pandan (30 ml)
Mama Suka Tepung Roti (100 gr)
Masako Ayam Isi 6 Sachet (9 gr)
Promina Baby Porridge 6+ Red Rice (120 gr)
SGM Ananda 1 Usia 0-6 Bulan (400 gr)
Kuramas Buku Ekspedisi
Snowman Spidol Board Marker Black
Standard Pen Tecno Hitam
ABC Syrup Special Grade Cocopandan (625 ml)
Marimas Jeruk Peras (5 Pcs)
Nabati Richeese Keju Pasta
Vitacimin C
Bola Plastik Besar
Gold Tape Isolasi
Kertas Kado Kiky Motif Batik
Loose Leaf A5 100s
Tom & Jerry Sticky Notes TJ 653
Balsem Lang (20 gr)
Baby Happy Pants XL 1 Pcs
Mitu Baby Wet Tissue Pink 10s
Hit Alat Anti Nyamuk Elektrik + 3 Mat
Hit Mat Elektrik Anti Nyamuk Isi 18
Bango Kecap Manis Pouch Refill (220 ml)
Biore Facial Foam Pure Oil Clear (100 gr)
Giv Sabun Cair Pink Pouch (250 ml)
Kopi Kapal Api (185 gr)
1
1
1
2
1
1
1
1
1
2
1
1
1
1
1
1
1
1
1
2
1
1
1
2
2
1
1
1
1
1
1
1
3
2
1
1
1
1
1
1
5
1
1
1
1
1
1
1
102
47
02/11/2016
48
02/11/2016
49
02/11/2016
50
02/11/2016
51
03/11/2016
52
03/11/2016
53
03/11/2016
54
03/11/2016
55
03/11/2016
56
03/11/2016
57
03/11/2016
58
03/11/2016
59
03/11/2016
60
03/11/2016
61
03/11/2016
Multi Tisu Gulung TOM-02/P
Vanish Botol (180 ml)
Djarum 76
Kopi Top Kopi + Susu Renteng Isi 5 (31 gr)
Korek Kayu
Beras Cap Raja Lele Eceran (1 kg)
Minyak Goreng Bimoli Pouch (1 liter)
Tepung Tapioka Rose Brand (500 gr)
Saringan Teh
Teh Serbuk Cap Bandulan (40 gr)
Tessa Soft Bathroom Tissue Roll TOT-04
Roti 4 Rasa Mandiri
Biore Facial Foam Pure Oil Clear (100 gr)
Blue Band Margarine Tub (250 gr)
Koepoe-Koepoe Pewarna Makanan Vanilli (30 ml)
MR Cocoa Chocolate Powder (250 gr)
My Baby Minyak Telon (60 ml)
Zinc Shampoo Refreshing Botol (80 ml)
Djarum 76
Kopi Top Kopi + Susu Renteng Isi 5 (31 gr)
Djarum 76
Fermipan Sachet (11 gr)
Mentega Batangan (250 gr)
Tepung Terigu Segitiga Biru (1 kg)
Puteri Body Splash Orchid (245 ml)
Close Up Deep Action (160 gr)
Formula Sikat Gigi Silver Ptotector3's Ripple Soft
Good Time Cookies Brownies
Roti Kacang Rasa Keju
Garuda Kacang Kulit
Gery Saluut Malkist Coklat
Aqua (1500 ml)
Frisian Flag Milky Rasa Coklat
Mr. Hottest Stik Jagung Keju
Oops Crispy Cracker Roasted Sweet Corn
Paseo Trafel Pack Karakter 70s
Snack Kerupuk Tempe Garuda
Snack Kuping Gajah
Sukro Kacang Telur
Indofood Saus Pedas Sachet Isi 6 (9 gr)
Sarimi Baso Sapi (77 gr)
Vegeta Herbal Anggur
Gatsby Splash Cologne Deep Ocean (175 ml)
Pepsodent Sikat Gigi Travel Soft
Pepsodent White (75 gr)
So Klin Sachet Isi 4
Surf Bubuk Detergen Plus Softener (900 gr)
Superpell White Lily Isi 6 / Renteng
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
1
1
2
1
3
3
3
1
1
1
1
1
1
1
1
1
1
1
1
1
103
62
03/11/2016
63
03/11/2016
64
03/11/2016
65
03/11/2016
66
03/11/2016
67
03/11/2016
68
03/11/2016
69
03/11/2016
70
03/11/2016
71
03/11/2016
72
03/11/2016
73
03/11/2016
74
75
03/11/2016
03/11/2016
76
03/11/2016
77
03/11/2016
78
04/11/2016
79
04/11/2016
Wipol Karbol Lemon Pine Botol (450 ml)
Hit Alat Anti Nyamuk Elektrik + 3 Mat
Hit Mat Elektrik Anti Nyamuk Isi 18
Vixal Botol Green (500 ml)
Indomilk SKM Coklat Kaleng (385 gr)
Kara Sun Coconut Cream (65 ml)
Nutrijell Puding Coklat
Roti Tawar Original
Counterpain Patch Isi 4s
Fox's Crystal Clear Fruits
Kopi Extra Gingseng Madu 5 pcs
Paseo Tissue Mini Trafel Pack 130s
Roti 4 Rasa Mandiri
Roti Almond Kayu Manis
Teh Celup Sosro Sachet Isi 5
Body Spray Posh Blaze Pink
Ellips Hair Vitamin Smooth and Silky 6 s
Laurier Active Day Super Maxi 8 pcs
Laurier Relax Night (30 cm) 8 Pcs
Jhonson's Baby Soap Milk (100 gr)
Roti Donat Keju
Roti Donat Miesis
Roti Almond Kayu Manis
Pond's Men Face Wash Oil Control (100 ml)
Delfi Fruit & Nut (30 gr)
Hufagrip BF
Kara Sun Coconut Cream (65 ml)
Mama Suka Tepung Pisang Goreng (90 gr)
Mama Suka Tepung Roti (100 gr)
Aqua (1500 ml)
Indofood Saus Pedas Sachet Isi 6 (9 gr)
Mie sukses Kuah Kari Ayam (122 gr)
Bendera SKM Putih Gold Kaleng (385 gr)
Indofood Saus Pedas Sachet Isi 6 (9 gr)
Okey Sosis Ayam / 1 Potong
Roti Tawar Pandan
Hot In Cream (60 gr)
Emeron Shampoo Hair Fall Control (170 ml)
Champ Sosis Ayam / 1 Potong
Indofood Saus Pedas Botol Plastik (140 ml)
Maestro Mustrad (245 gr)
Roti Almond Kayu Manis
Djarum 76
Korek Kayu
Wismilak Slim
Bendera SKM Putih Gold Kaleng (385 gr)
Blue Band Margarine Tub (250 gr)
Mama Suka Tepung Pisang Goreng (90 gr)
1
1
1
1
1
2
2
1
1
1
1
1
1
1
1
1
1
1
1
1
5
5
5
1
1
1
1
1
1
1
1
3
1
1
3
1
1
1
3
1
1
2
1
1
1
1
1
2
104
80
04/11/2016
81
04/11/2016
82
04/11/2016
83
04/11/2016
84
04/11/2016
85
04/11/2016
86
04/11/2016
87
04/11/2016
88
04/11/2016
89
04/11/2016
90
04/11/2016
91
04/11/2016
92
04/11/2016
93
04/11/2016
94
04/11/2016
95
04/11/2016
96
04/11/2016
97
04/11/2016
Mama Suka Tepung Roti (100 gr)
Roti Tawar Pandan
Frestea Honey (500 ml)
Pop Mie Soto Ayam (60 gr)
Roti 4 Rasa Mandiri
Kaos Kaki Putih
Beras Cap Raja Lele Eceran (1 kg)
Indomie Instan Rasa Ayam Bawang (69 gr)
Kopi Top White Coffee Renteng Isi 5 (21 gr)
Marimas Jeruk Nipis (5 Pcs)
Minyak Goreng Sania Pouch (1 liter)
Aqua (600 ml)
Snack Kedelai Garuda
Snack Stick Bawang Plesungan Raya
Roti 4 Rasa Mandiri
Ades (600 ml)
Roti Ayam Spesial Mandiri
Roti Almond Kayu Manis
Daia Violet Power Detergent Sachet (60 gr)
Giv Beauty Soap Mulberry Silk (80 gr)
Sampoena Kretek
Ichi Ocha Green Tea (500 ml)
Nissin Wafers Milk Family Pack
Trenz Sandwich Crackers Rumput Laut
Forvita Margarine Sachet (200 gr)
Roti Tawar Pandan
Nagata Pel Lantai
Nagata Sikat Tangan
Vixal Botol Green (500 ml)
Snowman Spidol Board Marker Red
Kodomo Shower Gel Botol Strawberry (200 ml)
Bendera SKM Putih Sachet Isi 6 (45 gr)
Indofood Sambal Terasi (190 gr)
Snack Kerupuk Rambak Plesungan Raya
Zinc Shampoo Soft Care Sachet Isi 5 (5 ml)
Nivea Facial Foam Sparkling White (100 gr)
Kopi Good Day 3in1 Mocacinno Isi 5 (20 gr)
Wismilak Slim
Snack Kerupuk Tengiri Original
Snack Ring Balado
Bango Kecap Manis Pouch Refill (220 ml)
Emeron Shampoo Hair Fall Control (170 ml)
Lifebuoy Bar Soap Naturepure (80 gr)
Ekatape Lakban Bening Besar
Joyko Cutter A-300A
Tom & Jerry Label
Biore Men's Facial Foam Double Scrub Black & White (100
gr)
2
1
2
2
1
1
1
2
2
2
1
1
1
1
1
1
3
3
2
2
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
105
98
04/11/2016
99
04/11/2016
100
05/11/2016
103
05/11/2016
109
05/11/2016
169
06/11/2016
215
07/11/2016
251
08/11/2016
254
08/11/2016
321
11/11/2016
347
12/11/2016
369
12/11/2016
371
12/11/2016
393
13/11/2016
395
13/11/2016
410
14/11/2016
Clear Man Shampoo Ice Cool (170 ml)
Gulaku Premium Gula Tebu (1 kg)
Roma Kelapa Family Pack
Gery Coklat Mede Pasta
Jasjus Rasa Jambu (5 Pcs)
Sprite (1000 ml)
Wall's Magnum Classic
Minyak Goreng Cemara Pouch (1 liter)
Gula Pasir Putih (1 kg)
Kopi Kapal Api Kopi Susu Renteng Isi 10 (31 gr)
Snack Marning Jagung Pedas Garuda
Sukro Kacang Atom Original
ABC Syrup Squash Orange (625 ml)
Gula Pasir Putih (1 kg)
Kopi Jahe 1001 Banded
Gula Pasir Putih (1 kg)
Teh Celup Sosro Sachet Isi 5
Kopi ABC STJM Bandit
Gula Pasir Putih (1 kg)
Gula Pasir Putih (1 kg)
Teh Celup Sosro Sachet Isi 5
Roti Isi Abon
Sedaap Mie Ayam Bawang (70 gr)
Gula Pasir Putih (1 kg)
Teh Celup Sariwangi Sachet Isi 5
Roti Donat Miesis
Roti Isi Keju
Gula Pasir Putih (1 kg)
Teh Celup Sosro Sachet Isi 5
Gula Pasir Putih (1 kg)
Teh Celup Sariwangi Sachet Isi 5
Gula Pasir Putih (1 kg)
Teh Celup Sosro Sachet Isi 5
Sedaap Mie White Curry (81 gr)
Indofood Saus Pedas Sachet Isi 6 (9 gr)
Kopi ABC STJM Bandit
Gula Pasir Putih (1 kg)
Oreo Mini Chocolate
Hatari Malkist Sugar Crackers Family Pack
Gula Pasir Putih (1 kg)
Teh Celup Sosro Sachet Isi 5
Djarum 76
Korek Kayu
Kopi Good Day 3in1 Mocacinno Isi 5 (20 gr)
Gula Pasir Putih (1 kg)
Simba Choco Chips Sereal
Bendera SKM Putih Sachet Isi 6 (45 gr)
Forvita Margarine Sachet (200 gr)
1
1
1
3
1
1
2
1
1
1
1
1
1
1
1
1
1
1
1
1
1
5
3
1
1
3
3
1
1
1
1
1
1
2
1
1
1
1
1
1
1
1
1
1
1
1
1
1
106
424
14/11/2016
431
14/11/2016
466
15/11/2016
598
20/11/2016
617
20/11/2016
635
21/11/2016
704
23/11/2016
727
24/11/2016
772
26/11/2016
787
27/11/2016
853
29/11/2016
858
30/11/2016
911
01/12/2016
926
02/12/2016
Kopi Jahe 1001 Banded
Gula Pasir Putih (1 kg)
Telur Ayam Isi 4 / Pack
Gula Pasir Putih (1 kg)
Teh Celup Sariwangi Sachet Isi 5
ABC Kecap Pedas Botol (135 ml)
Minyak Goreng Hemart Pouch (1 liter)
Roti Tawar Original
Indomilk SKM Coklat Kaleng (385 gr)
Wismilak Hijau
Kopi ABC STJM Bandit
Gula Pasir Putih (1 kg)
Kis Mint Cherry
Gula Pasir Putih (1 kg)
Kopi Indocafe Kasar (100 gr)
Roti Kering Monas Kembang Gula
Roti Bolu Iris Kering
Gula Pasir Putih (1 kg)
Minyak Goreng Bimoli Pouch (1 liter)
Gula Pasir Putih (1 kg)
Teh Celup Sosro Sachet Isi 5
Energen Coklat (5 Pcs)
Teh Celup Sariwangi Sachet Isi 5
Gula Pasir Putih (1 kg)
Gula Pasir Putih (1 kg)
Teh Celup Sosro Sachet Isi 5
Snack Kedelai Garuda
Snack Stick Bawang Plesungan Raya
Gula Pasir Putih (1 kg)
Teh Celup Sariwangi Sachet Isi 5
Gula Pasir Putih (1 kg)
Teh Celup Sosro Sachet Isi 5
Intra Jahe Wangi (5 Pcs)
Kopi ABC STJM Bandit
Gula Pasir Putih (1 kg)
Nutrijell Puding Santan Pandan
Nutrijell Puding Lapis Coco Pandan
Kara Sun Coconut Cream (65 ml)
Koepoe-Koepoe Pewarna Makanan Pandan (30 ml)
Gula Pasir Putih (1 kg)
Minyak Goreng Kunci Mas Pouch (1 liter)
Gula Pasir Putih (1 kg)
Teh Celup Sosro Sachet Isi 5
Indomie Instant Rasa Soto (75 gr)
Indofood Saus Pedas Sachet Isi 6 (9 gr)
Kopi ABC STJM Bandit
Gula Pasir Putih (1 kg)
Minyak Goreng Sania Botol (1 liter)
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
1
1
1
1
1
2
2
1
1
1
2
1
2
2
3
1
2
1
1
1
2
1
1
1
1
107
948
03/12/2016
965
04/12/2016
1022
06/12/2016
1048
07/12/2016
1080
09/12/2016
1110
10/12/2016
1191
11/12/2016
1214
13/12/2016
1221
13/12/2016
1264
15/12/2016
1288
16/12/2016
Gula Pasir Putih (1 kg)
Roti Bolu Kering Original
Roti Bolu Iris Kering
Snack Stick Bawang Plesungan Raya
Snack Kerupuk Bawang Plesungan Raya
Tepung Terigu Segitiga Biru (1 kg)
Koepoe-Koepoe Pelembut Kue VX (75 gr)
Mentega Batangan (250 gr)
Koepoe-Koepoe Pewarna Makanan Coffee (30 ml)
MR Cocoa Chocolate Powder (250 gr)
Gula Pasir Putih (1 kg)
Roti Apem Keju Cahaya
Roti Bolu Gulung
Teh Celup Sariwangi Kotak Isi 25
Gula Pasir Putih (1 kg)
Busa Cuci Piring
Dangdut Sabun Cream Jeruk
Gula Pasir Putih (1 kg)
Minyak Goreng Bimoli Pouch (1 liter)
Gula Pasir Putih (1 kg)
Teh Celup Sosro Sachet Isi 5
Snack Kerupuk Bawang Plesungan Raya
Pilus Garuda Original
Intra Jahe Wangi (5 Pcs)
Kopi ABC STJM Bandit
Gula Pasir Putih (1 kg)
Teh Celup Sariwangi Kotak Isi 25
Gula Pasir Putih (1 kg)
Sarimi Isi 2 ayam bawang (115 gr)
ABC Saus Tomat Sachet Isi 6 (9 gr)
Teh Celup Cap Poci Kotak Isi 25
Gula Pasir Putih (1 kg)
Gula Pasir Putih (1 kg)
Kopi Kapal Api Kopi Susu Renteng Isi 10 (31 gr)
Teh Celup Sariwangi Kotak Isi 25
Gula Pasir Putih (1 kg)
Teh Celup Sariwangi Kotak Isi 25
Gula Pasir Putih (1 kg)
Kopi ABC STJM Bandit
Gula Pasir Putih (1 kg)
1
1
1
1
1
1
1
1
1
1
1
5
5
1
1
1
1
1
1
1
2
1
1
1
1
1
1
1
2
1
1
1
1
1
1
1
1
1
1
1
108
Lampiran 5. Lampiran Total Data Kategori Produk
Total Data Kategori
Produk
109
Lampiran 6. Lampiran Total Data Nama Produk
Total Data Nama
Produk
110
Lampiran 7. Lampiran Total Data Tanggal (Jumlah) terjadi Transaksi
Total Data Tanggal
(Jumlah) terjadi
Transaksi
111
Lampiran 8. Lampiran Total Data Nama Produk dari Semua Transaksi
Total Data Nama
Produk dari Semua
Transaksi