DATA MINING PERKIRAAN PRODUKSI SPANDUK DENGAN ALGORITMA APRIORI (STUDI KASUS : CV. MENTARI PERSADA MEDAN) Dewi Puspita Sari
Mahasiswa Program Studi Teknik Informatika STMIK Budi Darma Medan Jl.Sisingamangaraja No.338 Simpang Limun Medan www. stmik-budidarma.ac.id #Email:
[email protected] Abstrak Data semakin lama akan bertambah semakin banyak. Jika di biarkan saja, maka data-data transaksi tersebut hanya menjadi sampah yang tidak berarti. Dengan adanya dukungan perkembangan teknologi semakin berkembang pula kemampuan dalam mengumpulkan dan mengolah data. Data mining sering juga disebut knowledge discovery in database (KDD), adalah kegiatan yang meliputi pengumpulan, pemakaian, data historis untuk menentukan keteraturan, pola atau hubungan dalam set data yang berukuran besar. Keluaran dari data mining bisa dipakai untuk memperbaiki pengambialan keputusan dimasa depan. Algoritma apriori adalah algoritma yang peling terlkenal unuk menemukan pola frekuensi tinggi. Algoritma apriori dibagi menjadi beberapa tahap disebut narasi atau pass. Pembentukan kandidat itemsets, kandidat k-itemsets dibentuk dari kombinasi (k-1)-itemsets yang yang didapat dari iterasi sebelumnya. Satu cara dari algoritma apriori adalah adanya pemangkasan kandidat k-itemset yang subset-nya yang berisi k-1 item tidak termasuk dalam pola frekuensi tinggi dengan panjang k-1. Kata kunci : Apriori, Perkiraan, Data Mining 1. Pendahuluan 1.1 Latar Belakang Permasalahan Sebagai contoh CV. Menteri Persada Medan, yang memproduksi barang-barang promosi seperti spanduk. Dalam penentuan jumlah pr oduksi spanduk, dilihat dari jenis bahan yang digunakan, banyaknya tinta yang dipakai dan ukuran yang dari spanduk yang ingin dicetak, kemudian dapat ditetapkan harga dan jumlah spanduk yang akan diproduksi. Adanya kegiatan operasional sehari-hari data semakin lama akan bertambah semakin banyak. Jika dibiarkan saja, maka data-data transaksi tersebut hanya menjadi sampah yang tidak berarti. Dengan adanya dukungan perkembangan teknologi, semakin berkembang pula kemampuan dalam mengumpulkan dan mengolah data. Pemanfaatan informasi dan pengetahuan yang terkandung di dalam banyaknya data tersebut, pada saat ini disebut dengan data mining. Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu sekumpulan data. Data mining juga sering disebut juga sebagai knowledge discovery in database (KKD). KKD adalah kegiatan yang meliputi pengumpulan, pemakaian data, histori untuk menemukan keteraturan, pola hubungan dalan set berukuran besar. Data mining bukanlah suatu bidang yang sama sekali baru. Salah satu kesulitan untuk mendefinisikan data mining adalah kenyataan bahwa data mining mewarisi banyak aspek dan teknik dari bidang-bidang ilmu yang sudah mapan terlebih dahulu.
Untuk mendapatkan informasi tentang asosiasi antar produk dari suatu database transaksi, penulis menggunakan algoritma apriori. Algoritma apriori adalah algoritma market basket analysis yang digunakan untuk menghasilkan association rule , dengan pola “ if-then” atau “jika-maka”. Market basket analysis merupakan salah satu teknik dari data mining yang digunakan untuk menyelesaikan masalah perkiraan produksi barang seperti spanduk. 1.2 Perumusan Masalah Berdasarkan uraian pada latar belakang maka yang menjadi perumusan masalah adalah sebagai berikut : 1. Bagaimana menganalisa data produksi spanduk untuk membentuk pola kombinasi itemsets dengan menggunakan algoritma apriori? membentuk aturan dengan 2. Bagaimana association rule s? 3. Bagaimana mengimplementasi data mining dengan menggunakan tools Tanagra 1.4? 1.3
Batasan Masalah Agar pembahasan penelitian ini tidak menyimpang dari apa yang telah dirumuskan, maka penulis membuat batasan masalah sebagai berikut: 1. Menggunakan data mining algoritma apriori untuk menemukan pola kombinasi itemsets dan association rules untuk menghasilkan rules. 2. Data yang digunakan adalah data spanduk yang masuk dan data spanduk yang keluar dari Bulan Januari 2013 sampai dengan Bulan Desember
Data Mining Perkiraan Produksi Spanduk Dengan Dengan Algoritma Apriori (Studi Kasus : Cv. Mentari Persada Medan). Oleh : Dewi Puspita Sari
33
2013. 3. Untuk implementasi menggunakan tools Tanagra 1.4 dan database Microsoft Excell 2003. 1.4 Tujuan dan Manfaat Penelitian 1.4.1 Tujuan penelitian Berdasarkan latar belakang yang telah diuraikan diatas, tujuan penelitian ini adalah : 1. Menganalisa data produksi spanduk untuk membentuk pola kombinasi itemsets dengan menggunakan algoritma apriori. 2. Membentuk aturan dengan association rules. 3. Mengimplementasi data mining dengan menggunakan tools Tanagra 1.4. 1.4.2 Manfaat Penelitian Adapun manfaat dari penulisan skripsi ini adalah : 1. Membantu perusahaan untuk mengetahui tingkat produksi dari setiap jenis spanduk. 2. Mempermudah perusahaan untuk menentukan jenis spanduk yang paling banyak diproduksi. 3. Membantu pimpinan untuk memperkirakan produksi spanduk yang paling banyak di produksi untuk masa mendatang sehingga pimpinan dapat memperbanyak bahan dari jenis spanduk yang paling banyak diproduksi. 2. Landasan Teori 2.1 Defenisi Data Mining adalah proses yang Data mining mempekerjakan satu atau lebih teknik pembelajaran komputer (mechine learning) untuk menganalisis dan mengekstraksi pengetahuan ( knowledge) secara otomatis. Defenisi lain diantaranya adalah pembelajaran berbasis induksi ( induction-based learning) adalah proses pembentukan defenisidefenisi konsep umum yang dilakukan dengan cara mengobservasi contoh-contoh spesifik dari konsepkonsep yang akan dipelajari. Knowledge Discovery in Databases (KDD) adalah penerapan metode saintifik pada data mining. Dalam konteks ini data mining merupakan satu langkah dari proses KDD. (Fajar Astuti Hermawati, 2009 : 3). Data mining didefenisikan sebagai sebuah proses untuk menemukan hubungan, pola dan trend baru yang bermakna dengan menyaring data yang sangat besar, yang tersimpan dalam penyimpanan, menggunakan teknik pengenalan pola seperti teknik statistik dan matematika. (Kusrini, 2007 : 82). Selain defenisi tersebut, beberapa defenisi juga diberikan seperti tertera di bawah ini: 1. Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual. 2. Data mining adalah analisis otomatis dari data yang berjumlah besar atau kompleks dengan tujuan menemukan pola atau kecenderungan yang
penting yang biasanya tidak disadari keberadaannya. (Kusrini, 2007 : 82). Dari defenisi-defenisi yang telah disampaikan, hal penting yang terkait dengan data mining adalah: a. Data mining merupakan suatu proses otomatis terhadap data yang sudah ada. b. Data yang akan diproses berupa data yang sangat besar. c. Tujuan dari data mining adalah mendapatkan hubungan atau pola yang mungkin memberikan indikasi yang bermanfaat. (Kusrini, 2007 : 82).
Gambar 1 Bidang Ilmu Data Mining Sumber : (Kusrini, 2007 : 83) Cross Industry Standard Process for Data Mining (CRISP-DM) yang dikembangkan tahun 1996 oleh analis dari beberapa industri seperti Daimler Chrysler, SPSS dan NCR, CRISP-DM menyediakan standar proses data mining sebagai strategi pemecahan masalah secara umum dari bisnits atau unit penelitian.
Gambar 2 Proses Siklus Hidup Data Mining menurut CRISP-DM Sumber: (Kusrini, Emha Taufiq Luthfi, 2009 : 8) Enam fase CRISP-DM (Larose, 2005): 1. Fase Pemahaman Bisnis ( Business Understanding Phase ) a. Penentuan tujuan proyek dan kebutuhan secara detail dalam lingkup bisnis atau unit penelitian secara keseluruhan. b. Menerjemahkan tujuan dan batasan menjadi formula dari permasalahan data mining.
Data Mining Perkiraan Produksi Spanduk Dengan Algoritma Apriori (Studi Kasus : Cv. Mentari Persada Medan). Oleh : Dewi Puspita Sari
34
2.
3.
4.
5.
6.
c. Menyiapkan strategi awal untuk mencapai tujuan. Fase Pemahaman Data ( Data Understanding Phase) a. Mengumpulkan data. b. Menggunakan analisis penyelidikan data untuk mengenali lebih lanjut data dan pencarian pengetahuan awal. c. Mengevaluasi kualitas data. d. Jika diinginkan, pilih sebagian kecil group data yang mungkin mengandung pola dari permasalahan. Fase Pengolahan Data ( Data Preparation Phase) a. Siapkan dari data awal, kumpulkan data yang akan digunakan untuk keseluruhan fase berikutnya. Fase ini merupakan pekerjaan berat yang perlu dilaksanakan secara intensif. b. Pilih kasus dan variabel yang ingin dianalisis dan yang sesuai analisis yang akan dilakukan. c. Lakukan perubahan pada beberapa variabel jika dibutuhkan. d. Siapkan data awal sehingga siap untuk perangkat pemodelan. Fase Pemodelan ( Modelling Phase) a. Pilih dan aplikasikan teknik pemodelan yang sesuai. b. Kalibrasi aturan model untuk mengoptimalkan hasil. c. Perlu diperhatikan bahwa beberapa teknik mungkin untuk digunakan pada permasalahan data mining yang sama. d. Jika diperlukan, proses dapat kembali ke fase pengolahan data untuk menjadikan data kedalam bentuk yang sesuai dengan spesifikasi kebutuhan teknik data mining tertentu. Fase Evaluasi ( Evaluation phase) a. Mengevaluasi satu atau lebih model yang digunakan dalam fase permodelan untuk mendapatkan kualitas dan efektivitas sebelum disebarkan untuk digunakan. b. Menetapkan apakah terdapat model yang memenuhi tujuan pada fase awal. c. Menentukan apakah terdapat permasalahan penting dari bisnis atau penelitian yang tidak tertangani degan baik. d. Mengambil keputusan berkaitan dengan penggunaan hasil dari data mining. Fase Penyebaran ( Deployment Phase) a. Menggunakan model yang dihasilkan. Terbentuknya model tidak menandakan telah terselesaikannya proyek. b. Contoh sederhana penyebaran: pembuatan laporan. c. Contoh kompleks penyebaran: penerapan proses data mining secara paralel pada departmen lain. (Kusrini, Emha Taufiq Luthfi, 2009 : 9-10)
Proses KDD secara garis besar bisa dijelaskan sebagai berikut: 1. Data selection Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi dalam KDD dimulai. Data hasil seleksi yang akan digunakan dalam proses data mining tersimpan dalam suatu berkas, terpisah dari basis data operasional. 2. Pre-processing/ Cleaning Sebelum proses data mining bisa dilaksanakan, perlu dilakukan proses cleaning pada data yang menjadi fokus KDD. Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data yang inkonsisten dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi). Dilakukan juga proses enrichment , yaitu proses “memperkaya” data yang sudah ada dengan data atau informasi lain yang relevan dan diperlikan untuk KDD, seperti data atau informasi eksternal. 3. Transformation Coding adalah proses transformasi pada data yang telah dipilih sehingga data tersebut sesuai untuk proses data mining. Proses coding dalam KDD merupakan proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam basis data. 4. Data mining Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih menggunakan teknik atau metode tertentu. Teknik, metode atau algoritma dalam data mining sangat bervariasi. Pemilihan metode atau algoritma yang tepat sangat bergantung pada tujuan dan proses KDD secara keseluruhan. 5. Interpretation / Evaluation Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian dari proses KDD yang disebut interpretation. Tahap ini juga mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesis yang ada sebelumnya. (Kusrini, 2007 : 84-85). 2.3 Algoritma Apriori Berdasarkan Jurnal (Efori Buulolo, 2013) Algoritma apriori adalah algoritma paling terkenal untuk menemukan pola frekuensi tinggi. Pola frekuensi tinggi adalah pola-pola item di dalam suatu database yang memiliki frekuensi atau support di atas ambang batas tertentu yang disebut dengan istilah minimum support. Algoritma apriori dibagi menjadi beberapa tahap yang disebut iterasi atau pass yaitu: 1. Pembentukan kandidat itemset , kandidat kitemset dibentuk dari kombinasi (k-1)- itemset yang didapat dari iterasi sebelumnya. Satu cara
Data Mining Perkiraan Produksi Spanduk Dengan Algoritma Apriori (Studi Kasus : Cv. Mentari Persada Medan). Oleh : Dewi Puspita Sari
35
dari algoritma apriori adalah adanya pemangkasan kandidat k- itemset yang subset -nya yang berisi k-1 item tidak termasuk dalam pola frekuensi tinggi dengan panjang k-1. 2. Penghitungan support dari tiap kandidat kitemset . Support dari tiap kandidat k-itemset didapat dengan menscan database untuk menghitung jumlah transaksi yang memuat semua item di dalam kandidat k- itemset tersebut. Ini adalah juga ciri dari algoritma apriori dimana diperlukan penghitungan dengan scan seluruh database sebanyak k- itemset terpanjang. 3. Tetapkan pola frekuensi tinggi. Pola frekuensi tinggi yang memuat k item atau k-itemset ditetapkan dari kandidat k- itemset yang support nya lebih besar dari minimum support. 4. Bila tidak didapat pola frekuensi tinggi baru maka seluruh proses dihentikan. Bila tidak, maka k ditambah satu dan kemabali ke bagian 1. 2.3.1 Analisis Pola Frekuensi Tinggi dengan Algoritma Apriori Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam basis data. Nilai support sebuah item diperoleh dengan menggunakan rumus berikut:
Sementara, nilai support dari 2 item diperoleh dengan menggunakan rumus :
Frequent itemset menunjukkan itemset yang memiliki frekuensi kemunculan lebih dari nilai
minimum yang ditentukan ( ). Misalkan = 2, maka semua itemsets yang frekuensi kemunculannya lebih dari atau sama dengan 2 kali disebut frequent . Himpunan dari frequent k -itemset dilambangkan dengan Fk. 2.3.2 Pembentukan Aturan Asosiasi Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan asosiatif A B. Nilai B diperoleh dengan confidence dari aturan A rumus berikut: confidence
=
P ( B / A )
=
∑ transakasi mengandung A dan B ∑ transaksi mengandung A
Untuk menentukan aturan asosiasi yang akan dipilih maka harus diurutkan berdasarkan Support × Confidence. Aturan diambil sebanyak n aturan yang memiliki hasil terbesar. (Sumber: Gunadi, Goldie,
Sensue, Indra , Dana (2012). Penerapan Metode Data mining Market Basket Analysis Terhadap Data Penjualan Produk Buku Dengan Menggunakan Algoritma Apriori Dan Frequent Pattern Growth (FPGrowth): Studi Kasus Percetakan PT.Gramedia,121122) 3. Analisa dan Pembahasan 3.1 Analisa Penelitian dilakukan di CV. Mentari Persada Medan yang bergerak di bidang percetakan. Dan berdasarkan hasil penelitian yang dilakukan pengolahan data masih dilakukan secara manual. Di CV. Mentari Persada Medan terjadi beberapa transaksi penjualan dan pembelian beragam jenis cetakan. Data transaksi terus bertambah setiap harinya dan di percetakan tersebut data-data transaksi hanya disimpan sebagai arsip atau pembukuan dan tidak diketahui apa manfaat dari data-data yang ada tersebut. 3.1.1 Daftar Produksi Spanduk pada CV. Mentari Persada Medan Berikut ini adalah daftar produksi Spanduk, dapat dilihat pada tabel 1 di bawah i ni: Table 1 Daftar Jenis Spanduk Pada C V. Mentari Persada Medan No. Jenis Spanduk Satuan 1. 2. 3. 4. 5.
Fleksi 280 Gram Glossy Black Out Satin Stiker OWN Stiker Ritrama
Meter Meter Meter Meter Meter
3.1.2 Data Produksi Spanduk Data produksi yang diteliti merupakan data produksi spanduk pada CV. Mentari Persada Medan selama 1 tahun, dimulai pada bulan Januari 2013, sampai pada bulan Desember 2013. Data produksi spanduk pada CV. Mentari Persada bulan Januari 2013 dapat dilihat pada tabel.2 di bawah ini : Table 2 Daftar Produksi Spanduk Pada CV. Mentari Persada Medan Januari 2013
Data produksi spanduk pada CV. Mentari Persada bulan Februari 2013 dapat dilihat pada tabel 3 di bawah ini : Table 3 Daftar Produksi Spanduk Pada CV. Mentari Persada Medan Februari 2013
Data Mining Perkiraan Produksi Spanduk Dengan Algoritma Apriori (Studi Kasus : Cv. Mentari Persada Medan). Oleh : Dewi Puspita Sari
36
Data produksi spanduk pada CV. Mentari Persada bulan Maret 2013 dapat dilihat pada tabel 3.4 di bawah ini :
Data produksi spanduk pada CV. Mentari Persada bulan Agustus 2013 dapat dilihat pada tabel 9 di bawah ini :
Table 4 Daftar Produksi Spanduk Pada CV. Mentari Persada Medan Maret 2013
Table 9 Daftar Produksi Spanduk Pada CV. Mentari Persada Medan Agustus 2013
Data produksi spanduk pada CV. Mentari Persada bulan April 2013 dapat dilihat pada tabel .5 di bawah ini :
Data produksi spanduk pada CV. Mentari Persada bulan September 2013 dapat dilihat pada tabel 10 di bawah ini : Table 10 Daftar Produksi SpandukPada CV. Mentari Persada Medan September 2013
Table 5 Daftar Produksi Spanduk Pada CV. Mentari Persada Medan April 2013
Data produksi spanduk pada CV. Mentari Persada bulan Mei 2013 dapat dilihat pada tabel 6 di bawah ini : Table 6 Daftar Produksi Spanduk Pada CV. Mentari Persada Medan Mei 2013
Data produksi spanduk pada CV. Mentari Persada bulan Juni 2013 dapat dilihat pada tabel 7 di bawah ini :
Data produksi spanduk pada CV. Mentari Persada bulan Oktober 2013 dapat dilihat pada tabel 11 di bawah ini : Table 11 Daftar Produksi Spanduk Pada CV. Mentari Persada Medan Oktober 2013
Data produksi spanduk pada CV. Mentari Persada bulan November 2013 dapat dilihat pada tabel 12 di bawah ini : Table 12 Daftar Produksi Spanduk Pada CV. Mentari Persada Medan November 2013
Table 7 Daftar Produksi Spanduk Pada CV. Mentari Persada Medan Juni 2013
Data produksi spanduk pada CV. Mentari Persada bulan Juli 2013 dapat dilihat pada tabel.8 di bawah ini : Table 8 Daftar Produksi Spanduk Pada CV. Mentari Persada Medan Juli 2013
Data produksi spanduk pada CV. Mentari Persada bulan Desember 2013 dapat dilihat pada tabel 13 di bawah ini : Table 13 Daftar Produksi Spanduk Pada CV. Mentari Persada Medan Desember 2013
Data Mining Perkiraan Produksi Spanduk Dengan Algoritma Apriori (Studi Kasus : Cv. Mentari Persada Medan). Oleh : Dewi Puspita Sari
37
3.2
Pembahasan Tahap dalam menganalisa data dengan algoritma apriori pada produksi spanduk (data produksi spanduk) dimulai dengan menyeleksi dan membersihkan data-data yang akan dianalisis, kemudian dicari semua jenis item nama spanduk yang ada didalam list transaksi penjualan, selanjutnya dicari jumlah setiap item yang ada pada semua data transaksi penjualan (data spanduk keluar). Pembentukan pola kombinasi didasarkan pada nilai support minimal, Jika nilai support minimal terpenuhi dan pola kombinasi itemsets yang ada lebih dari pada satu pola kombinasi, maka pola kombinasi itemsets yang berikutnya bisa bentuk. Setelah selesai pembuatan pola maka langkah selanjutnya pembentuk rules association, rules yang akan dihasilkan dibentuk dari pola kombinasi itemsets yang memenuhi support minimal. Gambar 4 merupakan flowchart algorima apriori sebagai berikut: 3.2.1 Pola Transaksi Produksi Spanduk Pada CV. Mentari Persada Berdasarkan transaksi produksi spanduk pada perusahaan CV. Mentari Persada Medan, transaksi tersebut dapat diakumulasikan. Akumulasi transaksi produksi spanduk tersebut diperoleh dari penjualan bulanan yang diambil dari 3 teratas laporan bulanan. Berdasarkan pola transaksi produksi spanduk pada tabel diatas, maka diterapkan Algoritma Apriori pada langkah-langkah di bawah ini: 1. Reperentasi Data Transaksi Representasi data transaksi dibuat berdaskan data transaksi yang terdapat pada table 15 di bawah ini: Tabel 15 Representasi Data Transaksi
2. Pembuatan Format Tabular Berdasarkan hasil dari representasi data pada tabel 15, maka dibuatlah format tabular data transaksi bulanan, dan bila dibentuk akan tampak seperti tabel 16 berikut ini: Tabel 16 Tabel Format Tabular Data Transaksi
3. Analisa Pola Frekuensi Tinggi a. Pembentukan Itemset Berikut ini adalah penyelesaian dengan contoh kasus berdasarkan data yang sudah disediakan pada tabel 3.2 : Proses pembentukan C 1 atau disebut dengan 1 itemset dengan jumlah minimum support = 30% Dengan rumus sebagai berikut: Support(A)
Berikut merupakan perhitungan pembentukan 1 itemset: S(Fleksi)
S(GlossyBO)
S(Satin)
Data Mining Perkiraan Produksi Spanduk Dengan Algoritma Apriori (Studi Kasus : Cv. Mentari Persada Medan). Oleh : Dewi Puspita Sari
38
S(OWN) S(Glossy,Ritrama) S(Ritrama)
Berdasarkan uraian diatas, maka dapat dibuat pada tabel 17 Tabel 17 Support Dari Tiap Item Itemset Fleksi 280 Gram Glossy Black Out Satin Stiker OWN Stiker Ritrama
Support 58,33% 66,66% 58,33% 50% 58,33%
b. Kombinasi 2 Itemset Proses pembentukan C 2 atau disebut dengan 2 items et dengan jumlah minimum support = 30% Dapat diselesaikan dengan rumus berikut: Support(A,B) = P(A ∩ B) Support(A,B)
Berikut merupakan perhitungan pembentukan C2 atau 2 itemset : S(Fleksi,GlossyBO)
S(Fleksi,Satin)
S(Fleksi,OWN)
S(Fleksi,Ritrama)
S(Glossy,Satin)
S(Glossy,OWN)
S(Satin,OWN)
S(Satin,Ritrama)
S(OWN,Ritrama)
Berdasarkan uraian diatas, maka dapat dibuat pada tabel 18 Tabel 18 Calon 2-itemset Itemset Fleksi, Glossy Fleksi, Satin Fleksi, OWN Fleksi, Ritrama Glossy, Satin Glossy, OWN Glossy, Ritrama Satin, OWN Satin, Ritrama OWN, Ritrama
Jumlah 4 3 4 2 3 4 5 2 5 2
Support 33,33% 25% 16,67% 25% 33,33% 41,67 % 16,67% 41,67% 16,67%
Minimal support yang ditentukan adalah 30%, jadi kombinasi 2 itemset yang tidak memenuhi minimal support akan dihilangkan, terlihat seperti tabel 3.19 di bawah ini: Tabel 19 Minimal Support 2 itemset 30% Itemset Support Fleksi, Glossy 33,33% Fleksi, OWN Glossy, OWN 33,33% Glossy, Ritrama 41,67% Satin, Ritrama 41,67% c. Kombinasi 3 Itemset Proses pembentukan C 3 atau disebut dengan 3 itemset dengan jumlah minimum support = 30% Dapat diselesaikan dengan rumus berikut: ) Support(A,B) = P (A
Data Mining Perkiraan Produksi Spanduk Dengan Algoritma Apriori (Studi Kasus : Cv. Mentari Persada Medan). Oleh : Dewi Puspita Sari
39
Support(A,B dan C)
S(Satin,OWN,Ritrama)
Glossy, Satin, Ritrama 3 25% Glossy, OWN, Ritrama 1 8,3% Satin, OWN, Ritrama 1 8,3% Karena Kombinasi 3 itemset tidak ada yang memenuhi minimal support , maka 2 kombinasi yang memenuhi untuk pembentukan asosiasi .
3.2.3 Pembentukan Aturan Asosiasi Setelah semua pola frekuensi tinggi ditemukan, baru dicari aturan asosiasi yang Berdasarkan uraian diatas, maka dapat dibuat memenuhi syarat minimum confidence, dengan pada tabel 20 menghitung confidence aturan asosiatif A → B. Tabel 20 Kombinasi 3 itemset Minimal Confidence = 70% Itemset Support Jumlah Nilai Confidence dari aturan A → B diperoleh Fleksi,Glossy,Satin 0 0 dengan rumus berikut: Fleksi,Glossy,OWN 3 25% ∑ Transaksi mengandung A dan B / Fleksi, Glossy, Ritrama 1 8,3% Confidence = P (B\A) = ∑ Transaksi mengandung A Fleksi, Satin, OWN 1 8,3% Dari kombinasi 2 itemset yang telah ditemukan, Fleksi, Satin, Ritrama 1 8,3 dapat dilihat besarnya nilai support, dan confidence Fleksi, OWN, Ritrama 0 0 dari calon aturan asosiasi seperti tampak pada tabel Glossy, Satin, OWN 0 0 21 di bawah ini: Tabel 21 Calon Aturan Asosiasi
3.2.4 Aturan Asosiasi Final
minimal confidence 70 %, dapat dilihat pada tabel 22 di bawah ini:
Berdasarkan dari calon aturan asosiasi pada tabel 21, maka yang memenuhi minimal support 30 % dan Tabel 22 Aturan Asosiasi Final Aturan Jika memproduksi Satin, maka akan memproduksi Stiker Ritrama Jika memproduksi Stiker Ritrama, maka akan memproduksi Satin Jadi, berdasarkan tabel 22 diatas, jenis spanduk yang paling banyak diproduksi adalah Satin dan Stiker Ritrama. Dengan diketahuinya jenis spanduk yang paling banyak diproduksi tersebut, sehingga perusahaan dapat menyusun strategi produksi untuk masa yang akan datang berdasarkan hasil dari aturan asosiasi final yang telah dilakukan.
Support 30% 30%
Confidence 71,429% 71,429%
bentuk biner . Berhubungan dengan aplikasi yang digunakan dalam pengujian adalah aplikasi yang menggunakan salah satu database Microsoft Exel dengan data dalam bentuk tabular data, maka data transaksi penjualan, di konversi ke dalam bentuk biner .. Hasil proses konversi data transaksi penjualan ke format data dalam bentuk tabular data adalah seperti pada tabel berikut ini:
3.3. Format Tabular Data Transaksi Format tabular data adalah format data dalam bentuk 1 dan 0 atau format data dalam Data Mining Perkiraan Produksi Spanduk Dengan Algoritma Apriori (Studi Kasus : Cv. Mentari Persada Medan). Oleh : Dewi Puspita Sari
40
3.4. Pengujian Untuk Menghasilkan Rules Setelah melakukan pengujian untuk menghasilkan jenis items dan pola kombinasi, mulai dari kombinasi dua items sampai dengan pola kombinasi lima items, , dimana rules-rules tersebut terbentuk dari pola kombinasi items pada pengujian sebelumnya. Pengujian yang dilakukan pertama adalah pengujian untuk menghasilkan rules-rules yang terbentuk dari pola kombinasi dua item. Jendela Association rules adalah seperti pada gambar berikut:
Gambar 4. Jendela Association Rules Paremeters Setelah dilakukan penentuan nilai parameters, maka rules-rules yang dihasilkan dari parameters diatas adalah seperti pada gambar 6 berikut ini:
Gambar 5 : Pengujian Dengan Rules Dari Pola Kombinasi Dua Itemsets Rules diatas merupakan rules yang dihasilkan dari pengujian dengan parematers sama dengan support sama dengan 30 persen(%), confidence sama dengan 70 (%), maksimal card itemsets sama dengan 5 (lima). Dengan maksimal card itemsets sama dengan 3 (lima) maka rule yang terbentuk adalah berasal dari pola kombinasi dua itemset sampai dengan pola kombinasi tiga itemsets jadi rule yang dihasilkan sebanyak 2 rules. Dari beberapa rules yang dihasilkan dari pengujian diatas yang paling tinggi nilai support dan confidencenya adalah salah Satin dan Stiker Ritrama.
4.1 Kesimpulan Kesimpulan dari penulisan skripsi ini adalah bahwa: 1. Jenis Spanduk paling banyak diproduksi pada CV. Mentari Persada Medan dapat diketahui dengan menggunakan algoritma apriori, dengan melihat jenis spanduk yang memenuhi minimal support dan minimal confidence, jenis spanduk yang paling banyak diproduksi tersebut adalah Satin dan Stiker Ritrama, namun dalam penghitungan suppor t dan confidencenya sulit jika data yang diolah dalam jumlah yang besar. 2. Algoritma Apriori dapat membantu mengembangkan strategi produksi dengan memberikan saran kepada konsumen. 3. Pengimplementasian Algoritma Apriori pada tanagra dimulai dengan penginputan data produksi perbulan yang menjadi database pada Ms.Excel, semakin banyak data maka pembuatan tabel tabular akan semakin sulit. Tabel tabular tersebut yang kemudian dikoneksikan ke dalam tools tanagra, dan mulailah pembentukan support dan confidence dan kemudian akan menghasilkan asosiasi final yang memenuhi support dan confidence . 4.2 Saran Saran penulis setelah menyelesaikan skripsi ini yaitu: 1. Pengimplementasian ini seharusnya mengambil data yang lebih besar untuk mendapatkan hasil yang lebih akurat. 2. Tools yang diguanakan tidak harus tanagra versi 1.4 karena tanagra versi 1.4 memiliki kelemahan yaitu pada pembuatan tabel tabular untuk databasenya, karena jika data produksi mencapai ribuan dan item mencapai puluhan bahkan ratusan, maka pembuatan tabel tabular akan semakin sulit. 3. Jenis barang cetakan yang dibahas seharusnya lebih banyak lagi tidak hanya satu dari jenis spanduk. Daftar Pustaka 1. Kusrini, M. Kom, Konsep dan Aplikasi Sistem ! Pendukung Keputusan 2007. 2. Kusrini, Emha Tufiq Luthfi, Algoritma Data Mining 2009. 3. Fajar Astuti Hermawati, Data Mining 2013. 4. Efori Buulolo (2013). Implementasi Algoritma Apriori Pada Sistem Persediaan Obat (Studi Kasus : Apotik Rumah Sakit Estomihi Medan). 5. Tata sutabri, analisa sistem informasi 2004. 6. http://tanagra.software.informer.com ( diakses 10 juni 2014). 7. http://id.wikipedia.org/wiki /Microsoft_Excel ( diakses 10 juni 2014). 8. http://fiy-a.blogspot.com/2011/07/tutorialmicrosoft-office-excel-2003.html.
4.KESIMPULAN DAN SARAN Data Mining Perkiraan Produksi Spanduk Dengan Algoritma Apriori (Studi Kasus : Cv. Mentari Persada Medan). Oleh : Dewi Puspita Sari
41
