Implementasi Algoritma Association Rule Dan K

Implementasi Algoritma Association Rule Dan K-Means Sebagai Sistem
Rekomendasi Produk Pada Website Penjualan Online
Teguh Iman Hermanto
Teknik Informatika, Sekolah Tinggi Teknik Wastukancana
Email : [email protected]
Abstrak
Penelitian ini membahas tentang pengolahan data transaksi pembelian dan data pelanggan untuk menghasilkan
sebuah informasi yang dapat membantu pengambilan keputusan dalam meningkatkan penjualan dengan
memberikan sistem penawaran barang. Penelitian ini didasarkan adanya masalah pada sistem penjualan online
yang belum memiliki sistem penawaran barang yang sesuai dengan karakteristik pembeli. Metode yang
digunakan pada penelitian ini adalah pengolahan data transaksi pembelian menggunakan algoritma Association
Rule dan pengolahan data pelanggan menggunakan K-Means clustering. Pengolahan data transaksi dilakukan
dengan menentukan nilai support dan confidence sebagai nilai kepastian dari pola data pembelian yang
dihasilkan. Pengolahan data pelanggan dilakukan dengan menentukan nilai Recency, Frequency, dan Monetary
sebagai variabel untuk menentukan segmentasi pelanggan. Hasil dari penelitian ini adalah pengolahan data
menggunakan algoritma Association Rule dengan nilai optimal confidence dan support sebesar 8% dan
pengolahan data pelanggan menggunakan algoritma K-Means dengan nilai below zeros sebanyak 2 pelanggan,
nilai migrator sebanyak 6 pelanggan, nilai most growable sebanyak 97 pelanggan, dan nilai most valuable
sebanyak 31 pelanggan.
Kata kunci : Association Rule, Confidence, Support, K-Means clustering, RFM
1. Pendahuluan
Peningkatan kebutuhan informasi yang dapat
digunakan sebagai sistem pengambilan keputusan
bisnis sangatlah dibutuhkan oleh para manager pemilik
perusahaan. Seorang manager membutuhkan sebuah
sistem yang dapat mengolah sekumpulan data yang
tersimpan di dalam media penyimpanan untuk dijadikan
sebuah pengetahuan baru yang dapat mendukung
sebuah keputusan bisnis (Wen dkk., 2012). Bisnis
cerdas sangat dibutuhkan dalam sebuah sistem yang
sedang dimplemenasikan di dalam menunjang sebuah
kegiatan bisnis di dalam sebuah perusahaan. Tujuan
bisnis cerdas adalah untuk mengolah data yang sangat
banyak menjadi memiliki nilai bisnis melalui laporan
analistik. Oleh karena itu diperlukan sebuah sistem
yang mampu memilah dan memilih data, sehingga
dapat diperoleh informasi yang berguna bagi
penggunanya (Cakir dan Aras, 2012).
Bisnis cerdas dapat diterapkan dalam sebuah sistem
penjualan online sehingga manager dapat mengetahui
banyak informasi yang digunakan sebagai pendukung
keputusan dalam mengelola perusahaan. Kecerdasan
bisnis yang diterapkan dapat dikembangkan sesuai
dengan kebutuhan manager dalam mengelola
perusahaan (Liao dkk., 2012).
Penelitian ini dilakukan dengan membangun sebuah
sistem penjualan online dengan fitur analisis keranjang
pasar yang dapat menemukan aturan asosiatif dengan
memanfaatkan data tranasaksi terkait dengan daftar
pembelian produk yang dibeli oleh
33
konsumen. Dari hasil analisis asosiasi inilah terbentuk
sebuah aturan yang digunakan sebagai alat untuk
merekomendasikan barang sesuai dengan kebutuhan
customer.
2. Kerangka Teori
2.1 Association Rule
Analisis asosiasi atau
Association Rules
didefinisikan sebagai suatu proses untuk menemukan
semua aturan asosiatif yang memenuhi syarat
minimum untuk support dan syarat minimum
confidence pada database. Metodologi dasar analisis
Apriori terbagi menjadi dua tahap, yaitu :
a. Analisa Pola Frekuensi Tinggi
Tahap ini mencari kombinasi item yang memenuhi
syarat minimum dari nilai support dalam database.
Nilai support sebuah item diperoleh dengan persamaan
2.1 berikut :
()
(2.1)
Pada persamaan2.1 menjelaskan bahwa nilai
support diperoleh dengan cara mencari jumlah
transaksi yang mengandung nilai A (satu item) dibagi
dengan jumlah keseluruhan transaksi. Sedangkan nilai
support dari 2-item diperleh dari rumus berikut :
(
)
√(
)
(
)
(
)
b. Analisa pembentukan aturan asosiasi
(
)
(2.2) 2.3 Segmentasi Pelanggan
Pada persamaan 2.2 menjelaskan bahwa nilai support
diperoleh dengan cara mencari jumlah transaksi yang
mengandung A dan B (item pertama bersamaan dengan
item lain) dibagi dengan jumlah keseluruhan transaksi.
c. Pembentukan aturan asosiatif
Setelah semua pola frekuensi tinggi ditemukan,
barulah dicari aturan assosiatif yang memenuhi syarat
minimum untuk nilai confidence dengan menghitung
nilai confidence aturan assosiatif A

confidence dari aturan A
persamaan berikut:
(
)

B Nilai
B diperoleh dari
(
)
Persamaan 2.3 menjelaskan bahwa nilai confidence
diperoleh dengan cara mencari jumlai transaksi yang
mengandung A dan B dibagi dengan jumlah transaksi
yang mangandung nilai A.
2.2 Algoritma K-Means
Algoritma K-Means pertama kali dipublikasikan
oleh Stuart Lloyd pada tahun 1984 dan merupakan
algoritma clustering yang banyak digunakan.
Algoritma K-Means bekerja dengan mensegmentasi
objek yang ada kedalam kelompok atau yang disebut
dengan segmen sehingga objek yang berada dalam
masing-masing kelompok lebih serupa satu sama lain
dibandingkan dengan objek dalam kelompok yang
berbeda.
K-Means bekerja dengan pendekatan Top-Down
karena memulai dengan segmentasi yang sudah
ditentukan terlebih dahulu (Myatt, 2007). Sehingga
hasil data sebuah segmen tidak mungkin tercampur
antara satu segmen dengan segmen lainnya (Xu dan
Wunsch, 2009). Pendekatan ini juga mempercepat
proses komputasi untuk data dalam jumlah besar.
Perhitungan jarak antar titik dengan menggunakan
Euclidean distance dapat dilakukan pada titik dalam
satu dimensi, dua dimensi, maupun 3 dimensi. Formula
Jarak antar dua titik dalam satu, dua dan tiga dimensi
secara berurutan ditunjukkan pada persamaan berikut
ini.
(2.4)
)
√(
( )
√(
)
(
)
Segmentasi merupakan proses mengidentifikasi dan
memilah-milah konsumen kedalam kelompokkelompok pembeli yang dirasa memiliki kebutuhan
atau keinginan atas produk atau jasa yang diberikan
(Kotler, 2004)
Don Pepper dan Martha Roger dalam bukunya
“Managing Customer Relationship : A Strategic
Framework”. Melakukan kategorisasi pelanggan
sebagai berikut:
a. Most Valuble Customer (MVC), yaitu pelanggan
dengan nilai paling tinggi bagi perusahaan.
Pelanggan yang termasuk dalam kategori ini adalah
pelanggan yang seharusnya menjadi perhatian
perusahaan. Hal ini dikarenakan pelanggan kategori
MVC memberikan keuntungan terbesar bagi
perusahaan.
b. Most Growable Customer, yaitu pelanggan yang
tanpa disadari memiliki potensi besar.
c. Below Zeros, yaitu pelanggan yang memberikan
keuntungan lebih sedikit daripada biaya untuk
memberikan pelayanan.
d. Migrators, yaitu pelanggan yang berada pada posisi
diantara below zeros dan most growable customer
dan perlu dianalisis agar dapat diketahui kategori
asalnya (Pepper & Roger, 2004).
2.4 RFM model
Sebuah model untuk segmentasi pelanggan dapat
diusulkan menjadi sebuah model, yaitu RFM model,
yang dapat digunakan untuk mengukur customer value.
Disebutkan pula bahwa analisis RFM merupakan salah
satu cara yang dapat digunakan untuk mengetahui
pelanggan-pelanggan
potensial.
Model
RFM
diaplikasikan secara luas pada database pemasaran dan
merupakan tool yang umum digunakan untuk
membangun strategi pemasaran. (Wei, 2010).
RFM
berdasarkan
segmentasi
pelanggan
menghasilkan kemampuan segmentasi antara 75%
sampai 85%. Berikut ini adalah penjelasan mengenai
RFM menurut Cheng dan Chen (2009):
1. Recency, yaitu kapan transaksi terakhir dilakukan
2. Frequency,
tingkat
keseringan
pelanggan
melakukan transaksi. Misalkan sekali transaksi tiap
bulan, atau 2 kali dalam satu tahun
3. Monetary, besarnya nilai transaksi yang dilakukan
(2.5)
Penerapkan RFM analysis untuk menentukan
segmentasi pelanggan pada salah satu perusahaan
elektronik penyedia power supply. Sementara itu, D.
(2.6)
34 Christodoulakis melakukan penelitian mengenai
penerapan RFM untuk menentukan customer value dari
pelanggan e-banking.
3. Metodologi
100%
3.1 Prosedur Penelitian
80%
Prosedur penelitian pada penelitian ini dimulai
dengan
mengidentifikasi
masalah,
kemudian
dilanjutkan dengan studi pustaka, pengumpulan data,
dan pengolahan data. Pada pengolahan data, terdapat
dua proses pengolahanyaitu pengolahan data pelanggan
menggunakan K-Means Clustering dan pengolahan
data transaksi menggunakan Apriori Algorithm.hasil
dari dua pengolahan berupa segmentasi pelanggan dan
kumpulan aturan asosiasi pembelian produk yang
divisualisasikan dalam bentuk dashboard, seperti pada
Gambar 3.1 berikut :
60%
Precision
40%
Recall
20%
F-Measure
0%
5% 6% 7% 8% 9%
Gambar 4.1 Hasil Pengukuran Performa Asosiasi
Identifikasi masalah
4.2 Hasil Pembentukan Segmentasi
Pengumpulan Data
Pada pengujian analisis clustering menggunakan
metode RFM ditemukan 4 cluster yaitu migrator, most
growble, below zeros, dan most valuable. Masingmasing cluster terdapat data pelanggan yang masuk ke
dalam cluster tersebut yang nantinya tabel cluster
akandihitung nilai precision dan nilai recall untuk
mengetahui performa dari masing-masing cluster.
Hasil dari pengolahan segmentasi pelanggan dapat
dilihat pada Gambar 4.2.
Data Mining
K-Means Clustering
Segmentasi Pelanggan
Association Rule
Analisis Pembelian
Aturan Asosiasi
Pembelian
Dashboard
Gambar 3.1 Prosedur Penelitian
Pada proses data mining terdapat dua proses
pengolahan data, yaitu data pelanggan menggunakan
algoritma K-Means clustering dan data transaksi
pembelian menggunakan algoritma Apriori. Data
pelanggan yang diolah menggunakan algoritma KMeans Clustering menghasilkan sebuah data
segmentasi pelanggan yang berfungsi untuk membagi
kategori pelanggan sesuai dengan metode RFM
(Recency, Frequency, dan Monetary). Data transaksi
pembelian yang diolah menggunakan algoritma Apriori
berfungsi untuk menghasilkan sebuah pola transaksi
pembelian yang dilakukan oleh konsumen sehingga
sistem penjualan dapat melakukan rekomendasi produk
yang akan dibeli konsumen sesuai data pola transaksi
yang dihasilkan.
4.
Gambar 4.2 Hasil Segmentasi Pelanggan
5. Kesimpulan
Berdasarkan dari proses pengolahan data transaksi
menggunakan metode association rule dan proses
pengolahan segmentasi data pelanggan menggunakan
metode K Means clustering dapat disimpulkan
penerapan metode asosiasi dalam mengolah data
transaksi yang dilakukan oleh pelanggan dapat
membantu sistem dalam membentuk pola frequent
itemset yang berfugsi untuk sistem penawaran barang
agar dapat meningkatkan penjualan barang ke
konsumen. Penerapan metode K-menas clustering
dalam mengolah data pelanggan berdasarkan recency,
frequancy, dan monetary dapat membentuk sebuah
cluster atau pengelompokan pelanggan menjadi empat
kelompok yaitu migrator, most growable, below zeros,
dan most valuable. Pengelompokan pelanggan dapat
membantu sistem untuk mempelajari intensitas
Hasil dan Pembahasan
4.1 Hasil Pembentukan Asosiasi
Pada pengujian analisis asosiasi dilakukan proses
pengujian pada data transaksi penjualan barang
menggunakan lima kali perbandingan nilai support dan
nilai confidence sebesar 5%, 6%, 7%, 8%, dan 9%
(Hsu dkk., 2004). Hasil pengolahan data transaksi
melalui beberapa tahap yaitu pembentukan kandidat
itemset dan pengukuran frequent itemset.Untuk grafik
hasil pengujian performa analisis asosasi dapat dilihat
pada Gambar 4.1.
35
pelanggan dalam melakukan transaksi pembelian pada
sistem penjualan online.
Daftar Pustaka
Ahn, K., 2012, Effective Product Assignment Based on Association
Rule Mining in Retail. Expert System With Applications, 1255112556.
Berry, M., J., dan Linoff, G., S., 2004, Data Mining Techniques For
Marketing, Sales, Customer Relationship Management Second
Editon, Wiley Publishing.
Cakir, O., & Aras, 2012, A Recomendation Engine by Using
Association Rules, Procedia – Social and Behavioral Sciences
62, 452 – 456.
Deypir, M., dan Sadreddini, M., H., 2012, A Dynamic Layout of
Sliding Window for Frequent Itemset Mining Over Data
Streams, The Journalof System and Software 85, 746-759.
Dongwon, L., Park, S., H., dan Moon, S., 2013, Utility-Based
Association Rule Minin : A Marketing Solution for CrossSelling, Expert Systems With Applications 40, 2715-2725.
Hsu, P., Y., Chen, Y., L., dan Ling, C., C., 2004, Algorithms for
mining association rules in bag databases, Information Sciences
166 31-47.
Kim, Y, S, & Yum B., J., 2011, Recomender Systembased On Click
Stream Data Using Association Rule Mining, Expert systems
with applications 38, 13320-13327.
Kuo, R., J., Chao, C., M., dan Chiu, Y., T., 2011, Application of
Particle Swarm Optimization to Association Rule Mining.
Applied Soft Computing 11, 326–336.
Larose, D., T., 2005, Discovering Knowledge in Data: an
Introduction to Data Mining, John Willey & Sons.
Liao, S., H., Chu, P., H., Chen, Y., J., dan Chang C., C., 2012,
Mining Customer Knowledge for Exploring Online Group
Buying Behavior, Expert System With Applications 39, 37083716.
Pepper, D., dan Roger, M., 2004, managing customer relationship,
John Willey & Sons, Inc.
Roy, D., K., dan Sharma., L., K., 2010, Genetic K-Means Clustering
Algorithm for Mixed Numeric and Categorical Data Sets,
International Journal of Artificial Intelegence & Applications
(IJAIA) vol.1, 2333-9721.
Shweta, T., Bharadwaj, K., K., 2012, Enhanced New User
Recomendations Based on Quantitative Association Rule
Mining. Procedia Computer science 10, 102-109.
Taniar, D., Rahayu, W., Lee, V., Daly, O., 2008, Exception Rules in
Association Rule Mining, Applied Mathematics and
Computation 205, 735–750.
Turban, E., Aronson, J., E., Liang, T., P., 2005, Decision support
system and intelligent systems, Andi Offset.
Vipin Kumar, V., Tan, P., N., Steinbach, M., 2006, Introduction to
Data Mining Edisi 1, Pearson Education.
Voditel, P., P., & Deshpande, U., 2013, A Stock Market Portofolio
Recomender System Based on Association Rule Mining.
Applied Soft Computing 13, 1055 – 1063.
Wei, J., T., Lin, S., Yen.,dan Wu, H., H., 2010, A review of the
application of RFM model, African Journal ofBusiness
Management Vol. 4(19), Pp. 4199-4206.
Wen, C., H., Liao, S., H., Chang, W., L., Hsu, P., Yu., 2012, Mining
Shopping Behavior In The Taiwan Luxury Products Market,
Expert System With Applications 39, 11257-11268.
Witten, I., H., Eibe, F., dan Hall, M., A., 2011, Data mining:
Practical Machine Learning Tools and Techniques 3rd Edition,
Elsevier.
36