applications using data mining association rules with priori method

APPLICATIONS USING DATA MINING ASSOCIATION RULES WITH
PRIORI METHOD FOR ANALYSIS OF DATA ON THE MARKET
BASKET PHARMACY SALES TRANSACTIONS
Leni Meiwati
Undergraduate Program, Information Systems
Gunadarma University
http://www.gunadarma.ac.id Keyword: market basket analysis, association rule, apriori, java
ABSTRACT
Along with technological development, growing also in the ability to collect and
process data. Therefore we need an application that is able to pick and choose the data that
large, so as to obtain useful information. Application of data mining in business management,
production control, and market analysis for example, allows obtaining the relationship that
can be used to increase sales, or management of resources better. One technique used in data
mining is market basket analysis techniques. This technique aims to discover patterns of
products are often purchased together or tend to appear together in a transaction.
This research aims to create a apikasi data mining using association rules with a priori
method as market basket analysis techniques. The data is taken as an example the case of
sales transaction data in the pharmacy sector in Perumnas 1. The results of association rules
obtained in the form of a combination of drugs that are often purchased by consumers. From
these results expected to assist pharmacy management to design a marketing strategy in
apoteknya drug. Search this association using Java software and storage media supported by
Microsoft Access database that could facilitate users of the aplication.
1 ABSTRAKSI
Seiring dengan perkembangan teknologi, semakin berkembang pula kemampuan
dalam mengumpulkan dan mengolah data. Oleh karena itu diperlukan sebuah aplikasi yang
mampu memilah dan memilih data yang besar, sehingga dapat diperoleh informasi yang
berguna. Aplikasi data mining pada pengelolaan bisnis, pengendalian produksi, dan analisa
pasar misalnya, memungkinkan diperolehnya hubungan yang dapat dimanfaatkan untuk
peningkatan penjualan, atau pengelolaan sumber daya dengan lebih baik. Salah satu teknik
data mining yang digunakan adalah teknik analisis keranjang pasar. Teknik ini bertujuan
untuk menemukan pola berupa produk-produk yang sering dibeli bersamaan atau cenderung
muncul bersama dalam sebuah transaksi.
Penelitian ini bertujuan untuk membuat sebuah apikasi data mining menggunakan
aturan asosiasi dengan metode apriori sebagai teknik analisis keranjang pasarnya. Data yang
diambil sebagai contoh kasus adalah data transaksi penjualan disuatu apotek di Perumnas 1.
Hasil dari aturan asosiasi yang didapat yaitu berupa kombinasi dari jenis obat yang sering
dibeli oleh konsumen. Dari hasil tersebut diharapkan dapat membantu manajemen apotek
untuk merancang strategi pemasaran obat di apoteknya. Pencarian asosiasi ini menggunakan
perangkat lunak Java dan didukung oleh media penyimpanan database Microsoft Access
yang dapat memudahkan pengguna aplikasi.
Kata kunci : analisis keranjang pasar,aturan asosiasi, apriori, java.
1.
yang
Pendahuluan
teknologi,
dimanfaatkan
untuk
peningkatan penjualan, atau pengelolaan
Latar Belakang
Seiring
dapat
dengan
semakin
sumber daya dengan lebih baik.
perkembangan
berkembang
Banyaknya
pula
persaingan
dunia
kemampuan dalam mengumpulkan dan
bisnis khususnya dalam industri apotek,
mengolah data. Oleh karena itu diperlukan
menuntut
sebuah aplikasi yang mampu memilah dan
menemukan suatu strategi yang dapat
memilih data yang besar, sehingga dapat
meningkatkan
penjualan.
diperoleh informasi yang berguna bagi
meningkatkan
penjualan
penggunanya. Aplikasi data mining pada
produknya, pihak manajemen dari apotek
pengelolaan bisnis, pengendalian produksi,
harus
dan
misalnya,
kebijakan dengan tujuan menarik para
memungkinkan diperolehnya hubungan
konsumen untuk membeli di apotek
analisa
pasar
2 para
melakukan
pengembang
berbagai
untuk
Untuk
produk-
kebijkan-
mereka.
Namun
untuk
Tujuan dari penelitian ini yaitu
melakukan
kebijakan tersebut pihak manajemen harus
membuat
mengetahui
menganalisis hasil yang didapat untuk
terlebih
kebiasaan
para
dahulu
tentang
konsumen.
Untuk
aplikasi
mengetahui
data
aturan
mining
asosiasi
serta
berupa
mengetahui obat-obat apa saja yang dibeli
kombinasi dari jenis obat yang sering
oleh para konsumen dapat dilakukan
dibeli oleh konsumen pada suatu apotek.
dengan menggunakan analisis keranjang
Dengan aturan asosiasi ini diharapkan
pasar
dapat
yaitu
analisis
dari
kebiasaan
membantu
manajemen
apotek
Pendeteksian
mengetahui kebiasaan membeli konsumen
mengenai obat-obat yang sering terbeli
untuk merancang strategi pemasaran di
secara bersamaan disebut association rules
apoteknya.
membeli
konsumen.
(aturan asosiasi). Proses pencarian asosiasi
ini menggunakan algoritma apriori, yang
berfungsi
untuk
membentuk
Metode Penelitian
Data penelitian diperoleh dari suatu
kandidat
kombinasi item yang mungkin, lalu diuji
apotek
apakah kombinasi tersebut memenuhi
mengumpulkan data transaksi penjualan
parameter
confidence
resep obat selama dua bulan yaitu bulan
minimum yang merupakan nilai ambang
Maret dan April. Data tersebut berupa data
yang diberikan oleh user.
jenis obat yang terdiri dari 31 jenis obat
support
dan
di
Perumnas
1
dengan
Pada penelitian ini, akan dibuat
dan 554 buah nama obat beserta kode
sebuah aplikasi untuk mengelompokkan
obatnya. Obat yang ada pada data transaksi
serta mencari pola dari sebuah produk
dikelompokkan berdasarkan jenis obat.
yang sering muncul
bersamaan atau
Proses ini dilakukan karena obat-obat pada
cenderung muncul bersama dalam suatu
data transaksi penjualan yang sangat
transaksi yang pada umumnya berjumlah
beragam sehingga menjadikannya lebih
besar menggunakan aplikasi data mining
khusus sesuai dengan kategorinya yaitu
dengan teknik analisa keranjang pasar.
jenis
Pencarian
menggunakan
menggunakan konsep analisis keranjang
perangkat lunak Java dan didukung oleh
pasar dengan algoritma apriori untuk
media penyimpanan database Microsoft
mendapatkan aturan asosiasi. Pencarian
Access yang dapat memudahkan pengguna
aturan
aplikasi.
penginputan data menggunakan Microsoft
asosiasi
ini
Data
asosiasi
diproses
dimulai
dengan
dengan
Access, pengolahan data dengan algoritma
Tujuan Penelitian
menggunakan
3 obat.
perangkat
lunak
Java
No Trx
Jenis Obat
mendapatkan
1
{antibiotik, ekspektoran}
kombinasi barang yang ada.
2
{antibiotik,
aturan
asosiasi
dari
vitamin&mineral,
hemostatik, psikofarmaka}
3
{ekspektoran,
vitamin&mineral,
hemostatik}
4
{antibiotik,
ekspektoran,
vitamin&mineral, hemostatik}
5
{antibiotik,
Tabel 2.1 Contoh Transaksi Keranjang Pasar
ekspektoran,
vitamin&mineral}
6
Analisis Asosiasi (Assocition Analysis)
{antibiotik,
Analisis
ekspektoran,
adalah
suatu
prosedur dalam analisis keranjang pasar
psikofarmaka}
7
asosiasi
untuk menemukan aturan asosiasi yang
{ psikofarmaka }
memenuhi syarat minimum support dan
sehingga diperoleh asosiasi antar item dari
minimum confidence.
suatu basis data transaksi yang memenuhi
minimum support dan confidence yang
Support Count
diberikan user.
Support count adalah banyaknya
itemset
2.
Tinjauan Pustaka
yang
sama
muncul
secara
bersamaan pada suatu data transaksi
Analisis Keranjang Belanja (Market
keranjang pasar. Secara umum, aturan
Basket Analysis)
asosiasi
Analisis
merupakan
keranjang
sebuah
analisis
belanja
terdiri
dari
konsekuen (anteseden X
terhadap
anteseden
dan
konsekuen Y).
Sebagai contoh dari aturan asosiasi adalah
kebiasaan berbelanja customer[4]. Analisis
{ekspektoran,
dilakukan dengan menemukan hubungan
{vitamin&mineral}, dimana ekspektoran
antara barang-barang yang telah dibeli.
dan antibiotik disebut anteseden dan
Proses
vitamin&mineral adalah konsekuen.
analisis
memasukkan
dilakukan
data
barang-barang
yang
didapat
nota
keranjang
dari
pasar
dengan
pembelian
dibeli
berupa
biasanya
pembelian.
analisis
Aturan Asosiasi (Association Rule)
Data
Aturan asosiasi[5] digunakan untuk
untuk
menemukan hubungan antar barang dari
suatu
4 antibiotik}
data
yang
disediakan.
Aturan
asosiasi diolah dari
(barang) {a1, a2,
yaitu n atribut
Algoritma
apriori
[3]
adalah
an} dan k transaksi
algoritma yang paling terkenal untuk
(instance). Aturan asosiasi dinyatakan
menemukan pola frekuensi tinggi. Arti
dengan (x
apriori secara umum adalah anggapan atau
…,
y), dimana y {a1, a2, …, ax},
sikap yang sudah ditentukan sebelum
y≠ Ø, dan x ∩ y = Ø.
(melihat,menyelidiki) terhadap sesuatu.
Algoritma
Support
Support
adalah
menunjukkan
suatu
ukuran
seberapa
besar
Apriori
dibagi
menjadi
beberapa tahap yang disebut iterasi. yang
1. Pembentukan
tingkat
kandidat
itemset,
dominasi suatu barang atau itemset dari
kandidat k-itemset dibentuk dari
keseluruhan transaksi[5]. Berikut adalah
kombinasi
contoh perhitungan support dari salah satu
didapat dari iterasi sebelumnya.
transaksi yang diambil dari tabel 2.1.
Satu ciri dari algoritma Apriori
adalah
Support,
s(x
,
y)
&
=
,
=
(k-1)-itemset
adanya
yang
pemangkasan
kandidat k-itemset yang subsetnya
yang berisi k-1 item tidak termasuk
=
dalam pola frekuensi tinggi dengan
= 0,3
panjang k-1.
2. Perhitungan
support
dari
tiap
kandidat k-itemset. Support dari
Confidence
Confidence adalah suatu ukuran
tiap kandidat k-itemset didapat
yang menunjukkan hubungan kondisional
dengan menscan database untuk
antar dua barang (misal seberapa sering
menghitung jumlah transaksi yang
barang B dibeli jika orang yang membeli
memuat semua item di dalam
barang A). seluruhan transaksi. Berikut
kandidat k-itemset tersebut. Ini
adalah contoh perhitungan confidence dari
juga merupakan ciri dari algoritma
salah satu transaksi yang diambil dari tabel
apriori
2.1.
perhitungan dengan scan seluruh
dimana
database
Confidence, ć (x
,
y) =
&
,
=
k-itemset
terpanjang.
3. Tetapkan pola frekuensi tinggi.
=
Pola frekuensi tinggi yang memuat
= 0,67
k item atau k-itemset ditetapkan
dari
Algoritma Apriori 5 sebanyak
diperlukan
kandidat
k-itemset
yang
su
upportnya
lebih
beesar
dari
Gambbar 3.2 dan Gambar 3.3 beserrta
keteraangan pada masing-maasing gambaar
m
minimum
suppport.
4. Bila
B
tidak didapat pola frekuensi
tiinggi
mak
ka
seluruhh
DFD tersebut.
t
proses
diihentikan. Bila tidak, maka k
Peran
ncangan Sistem Perancanggan proses dari
d perangkkat
taambah satu dan
d kembalii ke bagian
1.
lunak
ini
menggunakan
C
Contoh
dari penerapan algoritma
fungsiional
A
Apriori
dapatt diilustrasikkan seperti
mengggunakan Daata Flow Diaagram (DFD
D).
pada Gambarr 2.1.
DFD ini digunakkan untuk menunjukkaan
yaang
pendekataan
direepresentasikaan
secaraa fisik alurr proses daan data padda
peranggkat
lunakk
yang
akan
a
dibuaat.
Diagram aliran data
d
ini mennjelaskan aluur
prosess mulai dari level 0 saampai dengaan
level 2.
2
Gamb
bar 2.1 Gamba
ar Ilustrasi Algoritma
A
Ap
prori
3. Pemb
bahasan
Analisis sitem
D
Dalam
mennganalisis
kebutuhan
Gamb
bar 3.1 DFD ttingkat 0 (Con
ntect Diagram
m)
sistem Market
M
Bassket Analysis dengan
algoritmaa
apriori,
dirumuskaan
bahwa
penggunaa harus diberi fitur untukk memilih,
membukaa, melihat tabel dataabase(yang
berisi
data
transaksi)
yan
ng
akan
ditamban
ng. Berdasarrkan analisiis ini lalu
dibuat model
m
sisitem
m dalam beentuk data
flow diag
gram (DFD)) level 0 padda Gambar
3.1. Prooses penam
mbangan atuuran yang
Gambarr 3.2 DAD level 1
mengimpplementasikaan algoritm
ma apriori,
lalu dirin
nci lebih laanjut ke daalam DFD
level 1 dan 2 yan
ng di tunjuukan pada
6
penjualan selama dua bulan, yaitu bulan
Maret dan April. Data tersebut berupa data
jenis obat yang terdiri dari 31 jenis obat
dan 554 buah nama obat beserta kode
obatnya. Data akhir ini disimpan pada
database
dengan
nama
‘transaksi
penjualan’. Struktur database untuk data
transaksi penjualan dapat dilihat pada tabel
Gambar 3.3 DFD level 1.2
3.1.
Spesifikasi Hardware dan Software
No Kode ID Transaksi Obat 1
1
1 Analgetika 2
1
10 anti parasitic
3
1
17 Antibiotika yang digunakan
Dalam melakukan pengujian ini
digunakan
spesifikasi
hardware
dan
software sebagai berikut:
Spesifikasi
Hardware
yang
digunakan yaitu :
Processor
: Intel Core 2 Duo
Harddisk
: 250 Gb
Memory
: 2 Gb
Spesifikasi
Software
JenisObat anti diabetik 4
1
yang
6 oral vitamin & digunakan yaitu :
5
1
31 mineral 6
2
1 analgetika 7
2
17 antibiotika 8
2
18 antitusiv 9
2
19 dekongestan 10
2
29 psikofarmaka 1. Windows XP Professional
sebagai sistem operasi.
2. Java sebagai pengolah data.
•
JDK1.6.0
•
NetBeans IDE 6.8
3. Microsoft Access sebagai
tempat penyimpanan data.
Uji Coba dan Analisa
vitamin & Pengujian pada aplikasi keranjang
11
pasar ini menggunakan 61 buah transaksi
2
yang diambil dari sebuah apotek. Data
analgietik‐anti yang diambil berasal dari transaksi laporan
12
7 31 mineral 3
2 piretik maka
analgetik‐anti terdapat
kemungkinan dia akan membeli
13 3 3 radang 14 3 9 anti histamin 15 3 10 anti parasitik 16 3 14 anti TBC 17 3 17 antibiotika 18 3 21 ekspektoran
… … … … … … … … jenis obat anti parasitik juga.
2. Support 36,06%, artinya 36,06%
dari
semua
61 yang
histamin dan antibiotika dibeli
bersamaan, sedangkan confidence
sebesar
91,67%
menyatakan
tingkat kepercayaan atau dapat
dikatakan jika seorang customer
membeli jenis obat antibiotika
Vitamin&minera
0 transaksi
dianalisis menunjukkan bahwa anti
maka
35
86,956%
terdapat
91,67%
kemungkinan dia akan membeli
31 l jenis obat anti histamin juga.
3. Support 32,79%, artinya 32,79%
Tabel 3.1 Struktur Database untuk Data Transaksi
dari
Penjualan
semua
dianalisis
transaksi
menunjukkan
yang
bahwa
Setelah proses dijalankan dengan
antibiotika dan ekspektoran dibeli
memasukkan nilai support sebesar 20%
bersamaan, sedangkan confidence
dan
sebesar
confidence
sebesar
30%,
maka
41,67%
menyatakan
asosiasi yang memenuhi syarat hanya ada
tingkat kepercayaan atau dapat
5 asosiasi yang terbentuk,seperti terlihat
dikatakan jika seorang customer
pada gambar 3.4. Ke-5 asosiasi tersebut
membeli jenis obat antibiotika
dapat diterjemahkan sebagai berikut :
maka
1. Support 32,786%, artinya 32,786%
dari
semua
transaksi
41,67%
kemungkinan dia akan membeli
yang
jenis obat ekspektoran juga.
dianalisis menunjukkan bahwa anti
4. Support 32,79%, artinya 32,79%
parasitik dan antibiotika dibeli
dari
bersamaan, sedangkan confidence
dianalisis
sebesar
antibiotika dan vitamin&mineral
86,956%
menyatakan
semua
transaksi
menunjukkan
yang
bahwa
tingkat kepercayaan atau dapat
dibeli
dikatakan jika seorang customer
confidence
membeli jenis obat antibiotika
menyatakan tingkat kepercayaan
8 terdapat
bersamaan,
sebesar
sedangkan
41,67%
atau dapat dikatakan jika seorang
efeknya pada tata letak apotek
customer
adalah letak obat antibiotika tidak
membeli
jenis
obat
jauh dari obat anti histamin.
antibiotika maka terdapat 41,67%
•
kemungkinan dia akan membeli
jenis obat vitamin&mineral juga.
juga
5. Support 34,43%, artinya 34,43%
dari
semua
dianalisis
transaksi
bias
digunakan
dalam
membantu apotek untuk menetukan
yang
menunjukkan
Kedua, hasil asosiasi yang didapat
keputusan
persediaan.
Sebagai
bahwa
contoh data yang dipakai adalah
analgetika dan antibiotika dibeli
(antibiotika Æ anti histamin). Dari
bersamaan, sedangkan confidence
data
sebesar
menyatakan
kesimpulan seandainya pelanggan
tingkat kepercayaan atau dapat
biasa membeli obat antibiotika dan
dikatakan jika seorang customer
anti histamine secara bersamaan,
membeli
maka
91,67%
jenis
maka
obat
analgetika
terdapat
tersebut,
apotek
dapat
diambil
setidaknya
harus
91,67%
menyediakan kedua obat tersebut
kemungkinan dia akan membeli
dalam jumlah yang lebih banyak
jenis obat antibiotika juga.
dan dengan jumlah yang sama.
Pengetahuan yang dapat ditarik dari ke-5
•
Ketiga, digunakan untuk melihat
aturan asosiasi pada gambar 3.4 adalah
hubungan antara penjualan satu
sebagai berikut :
produk obat dengan produk obat
•
Kesatu,
digunakan
dalam
lainnya, misalkan pencarian pola
membantu apotek untuk menyusun
penjualan
layout sebaik mungkin dan sesuai
sedemikian rupa sehingga kita
kebutuhan
serta
dapat mengetahui obat apa saja
membantu pihak apoteker dalam
yang juga dibeli oleh pembeli
memudahkan mencari kombinasi
antibiotika. Dengan demikian kita
obat yang sering di beli. Sebagai
bisa mengetahui bahwa antibiotika
contoh
konsumen
Maka
anti
sering dikonsumsi oleh banyak
analisa
yang
masyarakat pada saat mereka sakit
mungkin didapat adalah kebiasaan
dan
pelanggan selain membeli obat
kombinasikan dengan obat lain
antibiotika
sesuai aturan dari dokter atau pihak
juga
sering
kali
membeli jenis obat anti histamin
secara
bersamaan.
antibiotika
apoteker.
Sehingga
9 antibiotika
Æ
(antibiotika
histamin).
obat
dapat
di
Dari hasil pengolahan data pada
bab sebelumnya, ada beberapa saran atau
usul
tindakan
manajemen
saran
apotek
meningkatkan
kepada
dalam
penjualan,
yaitu
pihak
rangka
dapat
menambah persediaan obat yang ada
Gambar 3.4 Tampilan Hasil Proses Data
sesuai jenis obat apa saja yang sering di
beli
4.
Penutup
support yang tinggi akan mempengaruhi
memberikan nilai support sebesar 20% dan
hasil
confidence sebesar 30%, maka asosiasi
dan support yang bervariasi sehingga
aturan asosiasi yang didapat adalah [anti
diperoleh lebih banyak asosiasi antar data
dengan
yang dapat menyediakan informasi yang
nilai support sebesar 36,065% dan nilai
91,667%.
Sehingga
91,667%
yang
dari
membeli
bisa
dapat
36,065%
dari
semua
konsumen
dapat
meningkatkan
Algoritama Data Mining. ANDI,
Yogyakarta.
untuk mengetahui kebiasaan berbelanja
[2]Leo Willyanto Santoso. Pembuatan
strategi
Perangkat Lunak Data Mining Untuk
penjualan berdasarkan jenis obat yang
Pengalian Kaidah Asosiasi Menggunakan
tingkat konsumsinya tinggi.
Metode
Petra
Saran
10 untuk
yang
[1] Kusrini dan Emha Taufiq Luthfi. 2009.
diharapkan dapat membantu pengembang
merancang
baru
mengandung
DAFTAR PUSTAKA
Dari aturan asosiasi yang didapat
dan
atau
penjualan.
membeli keduanya.
masyarakat
yang
dimanfaatkan
anti
histamine juga membeli obat antibiotika
dan
ditindaklajuti
informasi
seorang
obat
menyebabkan
dengan menambahkan level confidence
support dan confidence tertinggi dari
yaitu
yang
Disarankan dapat dikembangkan
asosiasi yang terbentuk. Salah satu nilai
histamine]Î[antibiotika]
asosiasi
sedikitnya pengetahuan yang diperoleh.
yang memenuhi syarat hanya ada 5
konsumen
konsumen.
serta penggunaan level confidence dan
Setelah proses dijalankan dengan
disimpulkan
oleh
Terbatasnya volume data yang digunakan
Kesimpulan
confidence
bersamaan
Apriori.
Universitas
Kristen
[3] Rido, 2008, Contoh Algoritma Apriori.
[5] Vipin Kumar Pang Ning Tan, Micheal
14 Agustus 2010. |Online|. Available:
Steinbach, Introdution to Data Mining,
http://ridobelajar.files.wordpress.com/2008
edisi ke-1. Pearson Education,2006.
/09/contohapriori1.doc
[4] Data mining : Analisis keranjang pasar.
16
Juli
2010.
|Online|.
Available:
http://puslit.petra.ac.id/journals/informatic
11