Laporan Praktikum Data Mining

LAPORAN RESMI PRAKTIKUM DATA MINING CLUSTERING

DISUSUN OLEH: KELOMPOK C.23 ARIF RAKHMANTO (08 522 200) CATUR HERMAWANTO (08 522 210)

LABORATORIUM DATA MINING JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS ISLAM INDONESIA 2010

ABSTRAKS Analisis cluster merupakan salah satu teknik multivariat dalam data mining yang bertujuan untuk mengidentifikasi sekelompok obyek dengan kemiripan karakteristik tertentu yang dapat dipisahkan dengan kelompok obyek lainnya, sehingga obyek yang berada dalam kelompok yang sama relatif lebih homogen (sama) daripada obyek yang berada pada kelompok yang berbeda. Metode yang digunakan dalam peneliatian ini adalah metode hirarki. Dan dari hasil penelitian yang dilakukan terbentuk 3 cluster dan 1 outlier. Keyword : Analisis Cluster, Metode Hirarki, Dendogram

BAB I PENDAHULUAN

1.1 Latar Belakang masalah Laboratorium Data Mining merupakan salah satu lab. yang dibuat oleh UII yang ditujukan kepada mahasiswa jurusan teknik industri. Namun mahasiswa biasanya datang ke laboratorium hanya untuk melaksanakan praktikum saja. Padahal laboratorium tersebut dibuat tidak hanya untuk keperluan praktikum. Maka dengan penelitian yang dilakukan akan diketahui profilisasi mahasiswa yang berkunjung ke laboratorium data mining. Profilisasi tersebut berisi jenis kelamin, usia, angkatan, intensitas, dan durasi atau berapa lama biasanya responden tersebut berada di laboratorium.

1.2 Rumusan Masalah 1. Berapa cluster yang terbentuk dari penelitian yang dilakukan ? 2. Bagaimana hasil profilisasi customer berdasarkan penelitian ?

1.3 Batasan Masalah 1. Penelitian dikhususkan pada mahasiswa Teknik Industri. 2. Obyek lokasi penelitian adalah Laboratorium Data Mining.

1.4 Tujuan penelitian 1. Untuk mengetahui berapa banyak cluster yang akan terbentuk dari penelitian yang dilakukan. 2. Untuk mengetahui hasil profilisasi customer berdasarkan penelitian.

1.5 Manfaat Penelitian Penelitian ini bermafaat untuk mengetahui apakah laboratorium data mining perlu meningkatkan pelayanan, mengatur ulang tata letak dan menambah fasilitas atau tidak. Manfaat lainnya adalah untuk mengetahui presentase angkatan berapa yang rata – rata mengambil praktikum data mining.

BAB II LANDASAN TEORI Analisis cluster merupakan salah satu teknik multivariat yang digunakan dalam data mining yang bertujuan untuk mengidentifikasi sekelompok obyek yang mempunyai kemiripan karakteristik tertentu yang dapat dipisahkan dengan kelompok obyek lainnya, sehingga obyek yang berada dalam kelompok yang sama relatif lebih homogen (sama) daripada obyek yang berada pada kelompok yang berbeda. Jumlah kelompok yang dapat diidentifikasi tergantung pada banyak dan variasi data obyek. Tujuan dari pembentukan cluster ini adalah untuk analisis dan interpretasi lebih lanjut sesuai dengan tujuan penelitian yang dilakukan. Solusi cluster secara keseluruhan bergantung pada variabel-variabel yang digunakan sebagai dasar untuk menilai kesamaan. Penambahan atau pengurangan variabel-variabel yang relevan dapat mempengaruhi substansi hasil analisis cluster. Analisis cluster dapat diterapkan pada bidang apa saja. Namun pemakaian teknik ini lebih familiar pada bidang pemasaran karena memang salah satu kegiatan yang dilakukan dalam pemasaran adalah pengelompokan, yang disebut segmentasi pasar. Penerapan analisis cluster di dalam pemasaran adalah sebagai berikut : 1. Membuat segmen pasar (segmenting the market) Pelanggan atau pembeli sering diklasterkan berdasarkan manfaat atau keuntungan yang diperoleh dari pembelian barang. Setiap cluster akan terdiri dari pelanggan/pembeli yang relatif homogen, dinyatakan dalam manfaat yang dicari. 2. Memahami perilaku pembeli Analisis cluster digunakan untuk mengenali/mengidentifikasi kelompok pembeli yang homogen/relatif homogen. Kemudian perilaku dalam untuk setiap kelompok perlu dikaji secara terpisah. Responden (pembeli) dikelompokkan didasarkan pada self-reported importance yang terkait pada setiap faktor pilihan yang digunakan untuk memilih toko atau mall di mana para pembeli membeli barang yang dibutuhkan. 3. Mengenali peluang produk baru Dengan mengklasterkan merk dan produk, competitive set di dalam pasar bisa ditentukan. Merek di dalam klaster yang sama bersaing sengit satu sama lain, daripada merek dari klaster lain.

BAB III METODOLOGI PENELITIAN 3.1 Lokasi Penelitian Laboratorium Data Mining Teknik Industri FTI UII

3.2 Objek Penelitian Mahasiswa teknik industri UII

3.3 Metode Pengumpulan Data 1. Data Primer Data primer merupakan data yang didapatkan oleh peneliti langsung dari objeknya. Yang menjadi data primer dalam penelitian ini adalah data yang berasal dari kuisioner yang diisi langsung oleh para responden. 2. Data Sekunder Data sekunder adalah data yang didapatkan setelah dilakukan proses analisa dan interpretasi terhadap data – data primer atau data – data yang telah ada sebelumnya

sesuai dengan tujuan penelitian.. Yang merupakan data

sekunder pada penelitian ini adalah data – data yang telah diclustering menggunakan metode hirarki dan memakai software SPSS.

3.4. Flowchart Penelitian

Mulai

Rumusan Masalah

Input Data

Clustering – Metode Hirarki

Profilisasi Customer

Selesai

Gambar 3.1 Flowchart Penelitian

3.5. Langkah Software Kuisioner Tingkat Kepuasan 1.

Input data yang diperoleh ke software

2.

Pilih analyze klik Clasify lalu pilih Hirarchical Cluster

3.

Variabel : Letakkan semua Variabel X yang valid

4.

Label case by : Letakkan nama responden

5.

Cluster : Case

6.

Display : statistic, plot

7.

Statistik : agglomeration schedule

8.

Plots : klik Dendogram

9.

I ccicle : none

10. Method : Cluster Method Pilih nearest neighbor measure Interval pilih Squared Euqliden Distance 11. Klik save Cluster membership : none

Kuisioner Profilisasi Customer 1. Input data yang diperoleh ke software 2. Pilih analyze klik Descriptive Statistics lalu pilih Crosstabs 3. Row : Letakkan semua variable Y yang valid 4. Column : Letakkan Cluster Member 5. Exact : Asymptotic only 6. Statistics : Correlations 7. Cells : Counts klik observed, Noninteger Weights klik Round Cells Counts 8. Format : Row Order klik Ascending 9. Klik OK

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA 4.1. Pengumpulan Data Hasil Rekapitulasi Kuesioner Profilisasi Customer Tabel 4.1 Rekapitulasi Kuesioner Profilisasi Customer No.

Nama

Jenis Kelamin

Usia

Angkatan Intensitas

Durasi

1

Sekar

2

3

2

3

4

2

Hendia V. R

2

3

2

2

3

3

Huda

1

2

2

4

3

4

Annisa

2

3

2

4

2

5

Fitra

1

3

2

4

2

6

Fandi

1

2

2

3

2

7

Maro

2

2

2

3

2

8

Ikhsan

1

3

2

3

3

9

Aya'

2

3

2

4

1

10

Mabok

1

3

2

3

4

11

Richo

1

3

3

4

1

12

Atlit

2

3

2

3

3

13

Digdoyo

1

2

3

4

1

14

Sigit

1

3

2

2

4

15

Anestia

2

3

2

2

4

16

Ayu

2

3

2

1

4

17

Ryan

1

3

2

1

4

18

Fauzi

1

3

2

1

4

19

Dika Oki

1

3

1

2

1

20

Hendi

1

3

2

2

1

21

Kristin

2

3

2

1

4

22

Farikh

1

2

3

4

1

23

Adit

1

3

1

1

4

24

Nunuk

1

3

1

4

1

No.

Nama

Jenis Kelamin

Usia

Angkatan Intensitas

Durasi

25

Wanda

1

3

1

4

1

26

Trisno

1

3

2

4

1

27

Rizki D.K.

1

3

1

1

3

28

Himawan

1

3

1

2

4

29

Omiyabi

1

3

1

2

3

30

Laskar Kesatria

1

3

1

2

3

31

Ibnu Herlino

1

3

2

3

4

32

Chanifa Yunani

2

2

3

4

3

33

Tomy

1

3

2

2

2

34

Safri Halimi

1

3

2

4

1

35

Rozaq

1

3

2

1

4

36

Lenny Octaviani

2

2

2

3

3

37

Nurul Luklu

2

3

2

3

4

38

Abdul Hafith

1

3

2

1

4

39

Syarif

1

3

2

2

3

40

Novi

2

2

2

3

3

41

Kidhut

1

3

2

1

4

42

Vivialita

2

3

2

3

3

43

Arfiana

2

3

2

4

3

44

Maya

2

3

2

2

2

45

Karen

2

3

2

4

1

46

Didit

1

3

2

3

3

47

Tasya

2

3

2

3

1

48

Tyas

2

3

2

4

2

49

Jusman Bieber

1

3

1

2

4

50

Galih

1

3

2

3

2

Hasil Rekapitulasi Kuesioner Tingkat Kepuasan Tabel 4.2 Rekapitulasi Kuesioner Tingkat Kepuasan No

Nama

Fasilitas

Pelayanan

Tata Letak

Kenyamanan

1

Sekar

3

3

4

3

2

Hendia V. R

3

2

3

4

3

Huda

3

3

4

4

4

Annisa

2

3

3

3

5

Fitra

3

3

3

2

6

Fandi

2

2

2

1

7

Maro

2

2

2

2

8

Ikhsan

2

2

3

2

9

Aya'

2

3

3

2

10

Mabok

2

2

2

2

11

Richo

2

3

2

2

12

Atlit

3

3

4

4

13

Digdoyo

2

3

2

2

14

Sigit

2

2

3

3

15

Anestia

2

3

3

2

16

Ayu

1

2

1

3

17

Ryan

2

2

3

3

18

Fauzi

2

2

1

3

19

Dika Oki

1

2

2

3

20

Hendi

2

2

3

3

21

Kristin

1

2

1

3

22

Farikh

2

1

2

3

23

Adit

2

2

2

1

24

Nunuk

2

2

3

2

25

Wanda

2

3

3

3

26

Trisno

1

2

2

1

27

Rizki D.K.

2

3

2

3

28

Himawan

2

3

2

2

29

Omiyabi

2

3

2

1

No

Nama

Fasilitas

Pelayanan

Tata Letak

Kenyamanan

30

Laskar Kesatria

2

3

2

2

31

Ibnu Herlino

2

2

2

2

32

Chanifa Yunani

2

2

2

2

33

Tomy

2

2

3

2

34

Safri Halimi

2

2

2

2

35

Rozaq

1

2

3

1

36

Lenny Octaviani

3

2

3

2

37

Nurul Luklu

2

2

2

2

38

Abdul Hafith

2

3

1

1

39

Syarif

2

2

2

2

40

Novi

2

2

2

2

41

Kidhut

1

1

1

1

42

Vivialita

3

4

3

3

43

Arfiana

3

3

3

3

44

Maya

3

2

3

2

45

Karen

3

3

3

3

46

Didit

3

3

3

2

47

Tasya

2

2

4

4

48

Tyas

3

2

2

2

49

Jusman Bieber

2

3

3

3

50

Galih

2

2

2

1

4.2. Pengolahan Data 4.2.1. Metode Hirarki a. Stage Tabel 4.3 Agglomeration Schedule Cluster Combined Stage

Stage Cluster First Appears Coefficients

Cluster 1 Cluster 2

Next Stage Cluster 1

Cluster 2

1

23

50

.000

0

0

17

2

25

49

.000

0

0

15

3

5

46

.000

0

0

42

4

43

45

.000

0

0

26

5

36

44

.000

0

0

25

6

39

40

.000

0

0

7

7

37

39

.000

0

6

8

8

34

37

.000

0

7

9

9

32

34

.000

0

8

11

10

24

33

.000

0

0

16

11

31

32

.000

0

9

12

12

10

31

.000

0

11

24

13

28

30

.000

0

0

14

14

13

28

.000

0

13

22

15

4

25

.000

0

2

32

16

8

24

.000

0

10

29

17

6

23

.000

0

1

33

18

16

21

.000

0

0

34

19

17

20

.000

0

0

20

20

14

17

.000

0

19

36

21

9

15

.000

0

0

38

22

11

13

.000

0

14

31

Cluster Combined Stage

Stage Cluster First Appears Coefficients

Cluster 1 Cluster 2

Next Stage Cluster 1

Cluster 2

23

3

12

.000

0

0

44

24

7

10

.000

0

12

37

25

36

48

1.000

5

0

29

26

42

43

1.000

0

4

27

27

1

42

1.000

0

26

42

28

29

38

1.000

0

0

31

29

8

36

1.000

16

25

36

30

26

35

1.000

0

0

33

31

11

29

1.000

22

28

37

32

4

27

1.000

15

0

41

33

6

26

1.000

17

30

40

34

16

19

1.000

18

0

35

35

16

18

1.000

34

0

48

36

8

14

1.000

29

20

38

37

7

11

1.000

24

31

39

38

8

9

1.000

36

21

39

39

7

8

1.000

37

38

40

40

6

7

1.000

33

39

41

41

4

6

1.000

32

40

43

42

1

5

1.000

27

3

43

43

1

4

1.000

42

41

44

44

1

3

1.000

43

23

45

45

1

47

2.000

44

0

46

46

1

41

2.000

45

0

47

47

1

22

2.000

46

0

48

Cluster Combined Stage

Stage Cluster First Appears Coefficients

Cluster 1 Cluster 2

Next Stage Cluster 1

Cluster 2

48

1

16

2.000

47

35

49

49

1

2

2.000

48

0

0

b. Dendogram Dendrogram using Single Linkage Rescaled Distance Cluster Combine C A S E Label Num

0 5 10 15 20 25 +---------+---------+---------+---------+---------+

Adit Galih Fandi Trisno Rozaq Syarif Novi Nurul Lu Safri Ha Chanifa Ibnu Her Mabok Maro Himawan Laskar K Digdoyo Richo Omiyabi Abdul Ha Aya' Anestia Ryan Hendi Sigit Nunuk Tomy Ikhsan Lenny Oc Maya Tyas Wanda Jusman B Annisa Rizki D. Fitra Didit Arfiana Karen Vivialit Sekar Huda Atlit Tasya Kidhut Farikh Ayu Kristin Dika Oki Fauzi

23 50 6 26 35 39 40 37 34 32 31 10 7 28 30 13 11 29 38 9 15 17 20 14 24 33 8 36 44 48 25 49 4 27 5 46 43 45 42 1 3 12 47 41 22 16 21 19 18

─┐ ─┼───────────────────────┐ ─┘ │ ─────────────────────────┤ ─────────────────────────┤ ─┐ │ ─┤ │ ─┤ │ ─┤ │ ─┤ │ ─┤ │ ─┼───────────────────────┤ ─┘ │ ─┐ │ ─┤ │ ─┼───────────────────────┤ ─┘ │ ─────────────────────────┤ ─────────────────────────┤ ─┬───────────────────────┤ ─┘ │ ─┐ │ ─┼───────────────────────┤ ─┘ │ ─┐ │ ─┼───────────────────────┤ ─┘ │ ─┬───────────────────────┤ ─┘ │ ─────────────────────────┤ ─┐ │ ─┼───────────────────────┤ ─┘ │ ─────────────────────────┤ ─┬───────────────────────┼───────────────────────┐ ─┘ │ │ ─┬───────────────────────┤ │ ─┘ │ │ ─────────────────────────┤ │ ─────────────────────────┤ │ ─┬───────────────────────┘ │ ─┘ │ ─────────────────────────────────────────────────┤ ─────────────────────────────────────────────────┤ ─────────────────────────────────────────────────┤ ─┬───────────────────────┐ │ ─┘ │ │ ─────────────────────────┼───────────────────────┤ ─────────────────────────┘ │

Hendia V

2

─────────────────────────────────────────────────┘

Gambar 4.1 Dendogram

c. Cluster Tabel 4.4 Cluster Cluster 1

Cluster 2

Cluster 3

Cluster 4 (outlier)

Adit

Tasya

Ayu

Hendia V.

Galih

Kidhut

Kristin

Fandi

Farikh

Dika Oki

Trisno Rozaq Syarif Novi Nurul Luklu Safri Halimi Chanifa Ibnu Herlino Mabok Maro Himawan Laskar Kesatria Digdiyo Richo Omiyabi Abdul Hafit Aya’ Anestia Ryan Hendi Sigit Nunuk Tomy Ikhsan Lenny Oktaviani Maya

Fauzi

Cluster 1 Tyas Wanda Jusman Beiber Annisa Rizki D Didit Arfiana Karen Vivialita Sekar Huda Atlit

Cluster 2

Cluster 3

Cluster 4 (outlier)

4.2.2. Profilisasi Customer

Tabel 4.5 Jenis Kelamin * Cluster Member Cluster Member

Jenis Kelamin Laki - laki

Count

1

2

3

4

Total

27

2

2

0

31

4.0%

4.0%

.0%

62.0%

1

2

1

19

2.0%

4.0%

2.0%

38.0%

3

4

1

50

6.0%

8.0%

2.0%

100.0%

% of Total 54.0% Perempuan Count

15

% of Total 30.0% Total

Count

42

% of Total 84.0%

Tabel 4.6 Usia * Cluster Member Cluster Member

Usia

17 - 19 tahun Count

1

2

3

4

Total

7

1

0

0

8

2.0%

.0%

.0%

16.0%

2

4

1

42

4.0%

8.0%

2.0%

84.0%

3

4

1

50

6.0%

8.0%

2.0%

100.0%

% of Total 14.0% 20 -22 tahun Count

35

% of Total 70.0% Total

Count

42

% of Total 84.0%

Tabel 4.7 Angkatan * Cluster Member Cluster Member

Angkatan Ftabel ya

Uji MultiKolinearitas VIF < 2

ya Menentukan Persamaan Regresi

Menentukan Nilai R Square

Menentukan Koefisien Korelasi

Selesai

Gambar 1.1 Flowchart

TIDAK

3.5. Langkah Software 12. Input data yang diperoleh ke

independent(X) yang valid

software

16. Case labels : Letakkan nama 13. Pilih analyze klik Regression

daerah

lalu pilih Linear

14. Dependent : Letakkan Variabel dependent (Y) yang valid

17. Statistik : Regression Coefficient lalu klik estimates, model fit, descriptives, collinearity diagnostics lalu klik continue

15. Independent(s) : Letakkan semua Variabel

18. Plots : Y = dependent, X = *adjpred, klik histogram dan probability plot, klik continue

19. Save : predicted values, klik unstandardized, include the convariance matrix, continue.

20. Option : klik Probability of F, include constant in equation, exclude cases listwise, continue.

21. Klik OK

BAB II LANDASAN TEORI

Banyak penelitian yang bertujuan mencari dasar-dasar untuk mengadakan prediksi suatu variabel dari informasi-informasi yang diperoleh dari variabel tersebut. Misalnya, apakah keadaan cuaca dapat diramalkan dari suhu, tekanan udara, kelembaban udara, dan kecepatan angin; Apakah prestasi belajar anak dapat diprediksikan dari angka kecerdasan dan perbendaharaan bahasa (kosa kata); Apakah prestasi pemain sepak bola dapat dipresiksi dari keahliannya dan umur pemain tersebut; dan sebagainya. Maka diperlukan metoda untuk dapat memecahkan semua masalah yang ada untuk memudahkan dalam pengambilan keputusan. Salah satu tool atau metoda untuk memprediksi adalah Regresi. Dalam kehidupan sehari-hari kita sering melihat suatu peristiwa atau keadaan yang terjadi akibat peristiwa yang lain. Untuk mengetahui hubungan antara kejadian tersebut, terutama untuk menelusuri pola hubungan yang modelnya belum diketahui maka analisis regresi dapat dijadikan alat untuk membantu menganalisis hubungan tersebut. Analisis regresi memiliki 3 kegunaan yaitu, deskripsi, kendali, dan prediksi (peramalan). Tetapi manfaat utama dari kebanyakan penyelidikan statistik dalam dunia bisnis dan ekonomi adalah mengadakan prediksi atau peramalan. Dalam analisis regresi dikenal dua macam variabel atau peubah yaitu variabel bebas (independent variabel) adalah dan variabel tidak bebas (dependent variabel). Variabel bebas (independent variabel) adalah suatau variabel yang nilainya telah diketahui, sedangkan variabel tidak bebas (dependent variabel) adalah variabel yang nialainya belum diketahui dan yang akan diramalkan. Suatu variabel dapat diramalkan dari variabel lain apabila antara variabel yang diramalakan (dependent variabel) dengan variabel yang nilainya diketahui (independent variabel) terdapat hubungan atau korelasi yang signifikan. Misalnya, jika antara tinggi badan dan berat badan pada umur-umur tertentu terdapat korelasi yang signifikan, maka berat badan orang pada umur tersebut akan dapat diramalkan dari tinggi badannya. Korelasi antara independent variable dengan dependent variabel dapat dilukiskan dalam suatu garis. Garis ini disebut garis regresi. Garis regresi mungkin merupakan garis lurus (linier) disebut regresi linier, mungkin juga merupakan garis lengkung (parabolik, hiperbolik,

dan sebagainya) yang disebut regresi non linier. Namun berdasarkan dari data yang ada, maka analisis yang akan digunakan adalah analisis regresi linear berganda. Regresi linier berganda mengamati pengaruh lebih dari satu variabel bebas (independent variable) terhadap variabel tidak bebas (dependent variable), minimal ada dua buah variabel bebas (independent variable). Analisis Linier Berganda adalah suatu metode statistik umum yang digunakan untuk meneliti hubungan antara sebuah variable dependent dengan beberapa variable independent. Tujuan analisis regresi linier berganda adalah menggunakan variable independent yang diketahui, untuk meramalkan variable dependent. Misalnya : penjualan sebuah produk dapat dipengaruhi oleh biaya promosi, biaya produksi, biaya transportasi, gaji karyawan dan lain-lain. Jumlah pengeluaran rumah tangga dipengaruhi oleh pendapatan, jumlah keluarga. Secara matematis regresi linier berganda dapat dituliskan dalam persamaan berikut : Ŷ = a + b1X1 + b2X2 + b3X3 + … + bnXn dimana : Y = variabel yang diramalkan (dependent variable) X1, X2, X3, …, Xn = variabel yang diketahui (independent variable) b1, b2, b3,…, bn = koefisien regresi

BAB III PENGUMPULAN DAN PENGOLAHAN DATA 3.1 Pengumpulan Data 3.1.1 Data Historis butik THE UNIQUE CULTURE

Tabel 3.1 Data historis butik THE UNIQUE CULTURE

No.

Daerah

Penjualan

Biaya Periklanan

Laju Pertumbuhan Penduduk

Luas

Jumlah

Outlet

Pesaing

1

Jakarta Pusat

231

50

2.55

55

35

2

Jakarta Barat

135

17

2.15

46

30

3

Jakarta Selatan

187

18

1.99

53

25

4

Bandung

276

25

1.76

45

33

5

Bogor

233

15

2.3

64

14

6

Cirebon

345

35

2.69

54

5

7

Aceh

267

21

2.56

76

10

8

Medan

163

40

3

56

7

9

Riau

321

34

1.65

67

12

10

Batam

337

44

1.9

68

9

11

Bengkulu

333

24

1.46

40

5

12

Jambi

235

26

1.57

61

4

13

Banten

234

15

1.87

65

7

14

Cilegon

169

26

1.76

55

9

15

Purwakarta

179

11

1.98

41

12

16

Yogyakarta

245

44

1.28

59

53

17

Semarang

100

29

1.76

41

27

18

Pekalongan

256

23

2.23

65

40

19

Solo

139

29

2.21

52

25

20

Bekasi

157

35

2.66

53

12

21

Tangerang

212

23

1.69

54

11

22

Denpasar

365

45

2.56

65

9

No.

Daerah

Penjualan

Biaya Periklanan

Laju Pertumbuhan Penduduk

Luas

Jumlah

Outlet

Pesaing

23

Dumai

250

24

2.39

61

17

24

Bontang

198

19

1.54

51

19

25

Surabaya

284

24

2.88

75

7

26

Kediri

247

29

1.99

58

6

27

Malang

210

22

1.79

64

19

28

Banjarmasin

290

23

2.89

68

6

29

Padang

342

33

2.68

60

8

30

Pekanbaru

214

13

1.79

78

7

31

Manado

320

31

1.78

45

3

32

Jayapura

300

26

1.46

51

5

33

Martapura

349

32

2.7

49

2

34

Sorong

209

21

1.65

54

4

35

Makasar

217

18

1.9

65

9

36

Ambon

89

21

1

40

4

37

Bukit Tinggi

225

22

2.76

50

9

38

Purwokerto

135

21

2.14

47

8

39

Tuban

218

21

2.01

87

6

40

Jombang

175

23

1.87

43

9

41

Bangka

211

15

1.67

53

5

42

Belitung

374

40

2.24

74

4

43

Lampung

256

19

2.58

64

8

44

Mataram

234

27

1.65

70

8

45

Depok

223

18

2.34

45

9

46

Gorontalo

264

39

2.21

88

8

47

Metro

319

39

2.24

65

9

48

Madiun

126

16

1.98

43

5

49

Magelang

110

9

1.22

46

7

50

Palangka Raya

390

39

2.54

90

9

3.1.2 Data yang Akan Diprediksi Tabel 3.2 Data yang akan diprediksi dari butik THE UNIQUE CULTURE Biaya NO

Daerah

Periklanan (juta)

Laju pertumbuhan penduduk (%)

Luas outlet (m2)

Jumlah pesaing

1 Purworejo

22

2.12

39

5

2 Purwodadi

27

1.91

78

3

3 Waykambas

17

1.88

37

6

4 Musi

19

1.69

49

3

5 Tarakan

23

2.23

72

4

3.2 Pengolahan Data 3.2.1 Uji Normalitas

Gambar 3.1

Gambar 3.2

3.2.2 Tabel Model Summary Tabel 3.3 Model Summaryb Model

R

R Square

1

.663a

.440

Adjusted R

Std. Error of

Square

the Estimate

.390

58.90304

3.2.3 Uji Linearitas Tabel 3.4 ANOVAb Model 1

Sum of Squares

df

Mean Square

Regression

122477.380

4

30619.345

Residual

156130.540

45

3469.568

Total

278607.920

49

F

Sig.

8.825 .000a

3.2.4 Uji Multikolinieritas dan Persamaan Regresi Tabel 3.5 Coefficientsa Unstandardized

Standardized

Coefficients

Coefficients

Model

(Constant) Biaya Periklanan Laju Pertumbuhan Penduduk Luas Outlet Jumlah Pesaing

Statistics t

B 1

Collinearity

Std. Error

Sig.

Beta

Tolerance

VIF

36.481

50.393

.724

.473

3.520

.959

.451 3.670

.001

.826

1.211

12.587

19.314

.079

.652

.518

.844

1.185

1.765

.718

.296 2.458

.018

.858

1.165

-1.631

.824

-.230 -1.979

.054

.925

1.081

3.2.5 Nilai Korelasi antara Variable Dependent dengan Variable Independent Tabel 3.6 Correlations Laju Biaya

Pertumbuhan Luas

Penjualan Periklanan Penduduk Pearson

Penjualan

Correlation

Biaya Periklanan

Outlet

Pesaing

1.000

.513

.326

.467

-.193

.513

1.000

.299

.266

.176

.326

.299

1.000

.301

-.101

.467

.266

.301

1.000

-.118

-.193

.176

-.101

-.118

1.000

.

.000

.010

.000

.089

.000

.

.017

.031

.111

.010

.017

.

.017

.242

Luas Outlet

.000

.031

.017

.

.208

Jumlah Pesaing

.089

.111

.242

.208

.

Penjualan

50

50

50

50

50

Biaya Periklanan

50

50

50

50

50

50

50

50

50

50

Luas Outlet

50

50

50

50

50

Jumlah Pesaing

50

50

50

50

50

Laju Pertumbuhan Penduduk Luas Outlet Jumlah Pesaing Sig. (1-tailed) Penjualan Biaya Periklanan Laju Pertumbuhan Penduduk

N

Jumlah

Laju Pertumbuhan Penduduk

3.2.6 Prediksi Berdasarkan table koefisien, maka dapat diperoleh informasi bahwa nilai : a = 36,481 b1 = 3,52 b2 = 12,587 b3 = 1,765 b4 = -1,631 sehingga dapat diperoleh persamaan regresi sebagai berikut :

Y = 36,481 + 3,52 X1 + 12,587 X2 + 1,765 X3 - 1,631 X4 Maka prediksi penjualan pada lima kota adalah sebagai berikut : YPurworejo

= 36,481 + 3,52 (22) + 12,587 (2,12) + 1,765 (39) - 1,631 (5) = 201,29

YPurwodadi

= 36,481 + 3,52 (27) + 12,587 (1,91) + 1,765 (78) - 1,631 (3) = 288,34

YWaykambas

= 36,481 + 3,52 (17) + 12,587 (1,88) + 1,765 (37) - 1,631 (6) = 175,5

YMusi

= 36,481 + 3,52 (19) + 12,587 (1,69) + 1,765 (49) - 1,631 (3) = 206,23

YTarakan

= 36,481 + 3,52 (23) + 12,587 (2,23) + 1,765 (72) - 1,631 (4) = 266,07

BAB IV PEMBAHASAN 4.1 Uji Normalitas Berdasarkan histogram yang diperoleh dari output SPSS, maka dapat dilihat bahwa pola histogram relatif membentuk lonceng terbalik. Hal tersebut menunjukkan bahwa data bersifat normal. Selain itu, berdasarkan scater plot juga dapa terlihat bahwa pola distribusi data relatif membentuk linier.

4.2 Tabel Model Summary Dari hasil pengolahan data diperoleh nilai R-square yaitu sebesar 0.440, yang artinya besarnya keragaman antara variabel dependent dengan variabel independent yang terdapat pada persamaan regresi sebesar 0.440, semakin besar nilai R-square semakin baik persamaan regresi tersebut dalam menjelaskan keragaman data.

4.3 Uji Linearitas Hipotesis: Ho: Biaya periklanan, laju pertumbuhan penduduk, luas outlet, dan jumlah pesaing tidak berpengaruh pada penjualan. H1: Biaya periklanan, laju pertumbuhan penduduk, luas outlet, dan jumlah pesaing berpengaruh pada penjualan. Tingkat signifikansi Level signifikansi = 0.000

df1 = k = 4

df2 = n – k – 1 = 45

Ftabel = 5,56 Fhitung = 8,825 Daerah kritis Jika Fhitung ≥ Ftabel maka Ho ditolak Jika Fhitung ≤ Ftabel maka Ho diterima F hitung > F table maka H0 ditolak sehingga persamaan signifikan (ada pengauh yang signifikan antara variable independent terhadap variable dependent.

4.4 Uji Multikolinieritas dan Persamaan Regresi 4.4.1 Uji Multikolinieritas Dengan uji multikolinieritas maka didapat hasil VIF sebagai berikut: VIF Nilai biaya periklanan

= 1.211

VIF Nilai laju pertumbuhan penduduk

= 1.185

VIF Nilai luas outlet

= 1.165

VIF Nilai jumlah pesaing

= 1.081

Karena 4 nilai VIF < 2, maka artinya variabel biaya periklanan, laju pertumbuhan penduduk, luas outlet dan jumlah pesaing tidak saling berkorelasi atau tidak terjadi multikolinieritas.

4.4.2 Persamaan Regresi Dari hasil pengolahan data didapat hasil sebagai berikut; a = 36,481 b1 = 3,52 b2 = 12,587 b3 = 1,765 b4 = -1,631 dengan; Y1 = penjualan X1 = biaya periklanan X2 = laju pertumbuhan penduduk X3 = luas outlet X4 = jumlah pesaing sehingga dapat diperoleh persamaan regresi sebagai berikut : Y = 36,481 + 3,52 X1 + 12,587 X2 + 1,765 X3 - 1,631 X4

4.5 Nilai Korelasi antara Variable Dependent dengan Variable Independent Dari hasil pengolahan data diperoleh hubungan korelasi sebagai berikut: 1. Hubungan korelasi antara Y – X1

= 0.513 berarti positif kuat.

2. Hubungan korelasi antara Y – X2

= 0.326 berarti positif lemah

3. Hubungan korelasi antara Y – X3

= 0.467 berarti positif lemah.

4. Hubungan korelasi antara Y – X4

= - 0.193 berarti negatif lemah.

5. Hubungan korelasi antara X1 – X2

= 0.299 berarti positif lemah.

6. Hubungan korelasi antara X1 – X3

= 0.266 berarti positif lemah.

7. Hubungan korelasi antara X1 – X4

= 0.176 berarti positif lemah.

8. Hubungan korelasi antara X2 – X3

= 0.301 berarti positif lemah.

9. Hubungan korelasi antara X2 – X4

= - 0.101 berarti negatif lemah.

10.Hubungan korelasi antara X3 – X4

= - 0.118 berarti negatif lemah.

4.6 Prediksi Dari hasil penghitungan dengan menggunakan persamaaan regeresi dapat diketahui prediksi besar insentif karyawan yang akan diterima sebagai berikut: 1. Di kota Purworejo besar penjualan adalah 201.29 2. Di kota Purwodadi besar penjualan adalah 288.34 3. Di kota Waykambas besar penjualan adalah 175.5 4. Di kota Musi besar penjualan adalah 206.23 5. Di kota Tarakan besar penjualan adalah 266.07

BAB V KESIMPULAN DAN SARAN

6.1. Kesimpulan 1. Berdasarkan hasil uji normalitas diketahui bahwa data bersifat normal 2. Berdasarkan hasil uji signifikansi persamaan regresi, maka : Ftabel = 5,56 Fhitung = 8,825 F hitung > F table maka H0 ditolak sehingga persamaan signifikan (ada pengauh yang signifikan antara variable independent terhadap variable dependent. 3. Persamaan regresi yang terbentuk adalah sebagai berikut : Y = 36,481 + 3,52 X1 + 12,587 X2 + 1,765 X3 - 1,631 X4 4. Berdasarkan uji multikolineritas, maka dapat disimpulkan bahwa variabel biaya periklanan, laju pertumbuhan penduduk, luas outlet dan jumlah pesaing tidak saling berkorelasi atau tidak terjadi multikolinieritas karena 4 nilai VIF < 2. 5. Yang memiliki hubungan positif kuat adalah : Y – X1 Yang memiliki hubungan positif lemah adalah : Y – X2, Y – X3, X1 – X2, X1 – X3, X1 – X4, X2 – X3 Yang memiliki hubungan negatif lemah : Y – X4, X2 – X4, X3 – X4 6. Hasil prediksi penjualan pada lima kota : 1. Di kota Purworejo besar penjualan adalah 201.29 2. Di kota Purwodadi besar penjualan adalah 288.34 3. Di kota Waykambas besar penjualan adalah 175.5 4. Di kota Musi besar penjualan adalah 206.23 5. Di kota Tarakan besar penjualan adalah 266.07

6.2. Saran 1. Jumlah variabel independent hendaknya lebih banyak lagi untuk mendapatkan hasil prediksi yang lebih akurat. 2. Berdasarkan dari hasil prediksi, maka disarankan pada Butik THE UNIQUE CULTURE agar membuka outlet baru dengan prioritas sebagai berikut : Di kota Purwodadi besar penjualan adalah 288.34 Di kota Tarakan besar penjualan adalah 266.07 Di kota Musi besar penjualan adalah 206.23 Di kota Purworejo besar penjualan adalah 201.29 Di kota Waykambas besar penjualan adalah 175.5

DAFTAR PUSTAKA Modul III PREDIKSI Praktikum Data Mining 1. Han, Jiawei. ”Data Mining Concept and Technique”. Presentation. http://www.cse.msu.edu/~cse980 2. Bertalya, ”Konsep Data Mining”. Universitas Gunadarma, 2009. 3. Walpole, Ronald E. Probability and Statistics for Engineers and Scientists.

LAMPIRAN Regression Descriptive Statistics Mean Penjualan

Std. Deviation

N

237,9600

75,40475

50

26,2600

9,65488

50

2,0694

,47433

50

Luas Outlet

58,3800

12,65216

50

Jumlah Pesaing

12,2800

10,61966

50

Biaya Periklanan Laju Pertumbuhan Penduduk

Correlations

Pearson Correlation

Penjualan

Biaya Periklanan

Laju Pertumbuhan Penduduk

Luas Outlet

Jumlah Pesaing

1,000

,513

,326

,467

-,193

Biaya Periklanan

,513

1,000

,299

,266

,176

Laju Pertumbuhan Penduduk

,326

,299

1,000

,301

-,101

Luas Outlet

,467

,266

,301

1,000

-,118

-,193

,176

-,101

-,118

1,000

.

,000

,010

,000

,089

Biaya Periklanan

,000

.

,017

,031

,111

Laju Pertumbuhan Penduduk

,010

,017

.

,017

,242

Luas Outlet

,000

,031

,017

.

,208

Jumlah Pesaing

,089

,111

,242

,208

.

Penjualan

50

50

50

50

50

Biaya Periklanan

50

50

50

50

50

Laju Pertumbuhan Penduduk

50

50

50

50

50

Luas Outlet

50

50

50

50

50

Jumlah Pesaing

50

50

50

50

50

Penjualan

Jumlah Pesaing Sig. (1-tailed)

N

Penjualan

Variables Entered/Removed(b)

Model 1

Variables Entered

Variables Removed

Jumlah Pesaing, Laju Pertumbuha n Penduduk, Luas Outlet, Biaya Periklanan( a)

Method

.

Enter

a All requested variables entered. b Dependent Variable: Penjualan

Model Summary(b)

Model 1

R ,663(a)

R Square ,440

Adjusted R Square

Std. Error of the Estimate

,390

58,90304

a Predictors: (Constant), Jumlah Pesaing, Laju Pertumbuhan Penduduk, Luas Outlet, Biaya Periklanan b Dependent Variable: Penjualan

ANOVA(b) Sum of Squares

Model 1

df

Mean Square

Regression

122477,38 0

4

30619,345

Residual

156130,54 0

45

3469,568

Total

278607,92 0

49

F

Sig.

8,825

,000(a)

a Predictors: (Constant), Jumlah Pesaing, Laju Pertumbuhan Penduduk, Luas Outlet, Biaya Periklanan b Dependent Variable: Penjualan

Coefficients(a)

Unstandardized Coefficients

Model

Std. Error

B 1

(Constant) Biaya Periklanan Laju Pertumbuhan Penduduk Luas Outlet Jumlah Pesaing

36,481

50,393

3,520

,959

12,587

Standardized Coefficients

t

Sig.

Beta

Tolerance

VIF

Collinearity Statistics

B

Std. Error

,724

,473

,451

3,670

,001

,826

1,211

19,314

,079

,652

,518

,844

1,185

1,765

,718

,296

2,458

,018

,858

1,165

-1,631

,824

-,230

-1,979

,054

,925

1,081

a Dependent Variable: Penjualan

Collinearity Diagnostics(a)

Model

1

Eigenvalue

Condition Index

(Constant)

Biaya Periklanan

Laju Pertumbuhan Penduduk

Dimension

Variance ProportionsLuas Outlet

Jumlah Pesaing

(Constant)

Biaya Periklan an

1

4,497

1,000

,00

,00

,00

,00

,01

2

,375

3,464

,00

,00

,01

,01

,88

3

,077

7,664

,04

,98

,03

,04

,02

4

,033

11,745

,00

,00

,72

,50

,00

5

,019

15,522

,96

,01

,25

,46

,09

a Dependent Variable: Penjualan

Residuals Statistics(a)

Minimum Predicted Value

Maximum

Mean

Std. Deviation

N

152,9086

349,8795

237,9600

49,99538

50

Std. Predicted Value

-1,701

2,239

,000

1,000

50

Standard Error of Predicted Value

10,798

38,091

17,972

4,947

50

150,0846

358,2657

237,9812

51,31624

50

139,44339

131,23038

,00000

56,44765

50

Std. Residual

-2,367

2,228

,000

,958

50

Stud. Residual

-2,558

2,354

,000

1,018

50

162,80220

146,55676

-,02123

63,74182

50

-2,736

2,486

-,004

1,043

50

Mahal. Distance

,667

19,511

3,920

3,089

50

Cook's Distance

,000

,219

,027

,043

50

Centered Leverage Value

,014

,398

,080

,063

50

Adjusted Predicted Value Residual

Deleted Residual Stud. Deleted Residual

a Dependent Variable: Penjualan

Histogram

Dependent Variable: Penjualan 20

Frequency

15

10

5

Mean =-1.63E-16 Std. Dev. =0.958 N =50

0 -3

-2

-1

0

1

Regression Standardized Residual

2

3

Normal P-P Plot of Regression Standardized Residual

Dependent Variable: Penjualan

Expected Cum Prob

1.0

0.8

0.6

0.4

0.2

0.0

Bengkulu Bandung Martapura Jayapura Manado Padang Cirebon Pekalongan Belitung Palangka Raya Riau Depok Yogyakarta Bogor Denpasar Purwakarta Bontang Banten Banjarmasin Bangka Dumai Surabaya MetroBatam Lampung Bukit Tinggi Aceh Jakarta Selatan Tangerang Sorong Kediri Jambi MalangMakasar Jakarta Barat Pekanbaru Jombang Mataram Magelang Madiun Tuban Jakarta Pusat Solo CilegonPurwokerto Medan Ambon Bekasi Gorontalo Semarang 0.0

0.2

0.4

0.6

0.8

1.0

Observed Cum Prob

Scatterplot

Dependent Variable: Penjualan

Regression Deleted (Press) Residual

200 Bengkulu Bandung 100

Pekalongan

Belitung Denpasar Depok Yogyakarta Lampung Metro Riau Banten Palangka Raya Bontang Aceh Banjarmasin Jakarta Selatan Dumai Kediri Batam Surabaya Bangka Bogor Malang Makasar Jakarta Barat Tangerang Mataram Sorong Jombang Jambi Pekanbaru Madiun Tuban Purwokerto Magelang Gorontalo Cilegon Jakarta Pusat Semarang Ambon Solo Bekasi Purwakarta

0

-100

Manado Martapura Padang Jayapura Cirebon

Medan

-200 150

200

250

300

350

Regression Adjusted (Press) Predicted Value

400

LAPORAN RESMI PRAKTIKUM DATA MINING ASSOCIATION RULE - MARKET BASKET ANALYSIS

DISUSUN OLEH: KELOMPOK C.23 ARIF RAKHMANTO

(08 522 200)

CATUR HERMAWANTO (08 522 210)

LABORATORIUM DATA MINING JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS ISLAM INDONESIA 2010

ABSTRAK Association Rule merupakan salah satu metode dalam Market Basket Analysis yang dapat digunakan untuk mengetahui aturan asosiasi antara himpunan item dalam suatu basisdata transaksi. Aturan asosiasi tersebut sangat bermanfaat bagi perencanaan promosi dan penjualan, strategi pemasaran serta tata letak toko. Dalam penelitian ini, studi Market Basket Analysis dilakukan terhadap toko Indomart Cabang Nogotirto/ 004 untuk menganalisa Association Rule yang terbentuk sehingga dapat diperoleh usulan tata letak toko yang lebih baik. Hasil penelitian menunjukkan bahwa departemen satu memiliki hubungan yang sangat kuat dengan departemen tiga. Sedangkan departemen 2, 4, 5, 6 memiliki hubungan yang sedang dengan departemen 3. Keyword : Association Rule, Market Basket Analysis, Activity Relationship Chart

BAB I PENDAHULUAN

1.1 Latar Belakang Indomart merupakan salah satu toko retail di Indonesia yang berkembang dengan cara franchise, sehingga banyak investor yang membuka cabang di berbagai daerah, salah satunya adalah di daerah Nogotirto, Kecamatan Gamping, Kabupaten Sleman, DIY. Dalam mencatat setiap transaksi pembelian, Indomart menggunakan sistem basis data transaksi yang dapat mencatat setiap transaksi penjualan yang nantinya dapat digunakan untuk kepentingan perencanaan promosi, penjualan, strategi pemasaran dan perencanaan tata letak toko. Transaksi yang tercatat tersebut dapat dipelajari melalui sebuah studi Market Basket Analysis dengan metode Association Rule untuk mengetahui aturan asosiasi diantara himpunan besar data item dalam basisdata transaksi. Tingkat kedatangan dan transaksi konsumen yang relatif tinggi merupakan salah satu faktor pendorong untuk melakukan analisa kelayakan tata letak toko terkait efektifitas dan efisiensi. Oleh sebab itu maka dilakukan analisa terkait perencanaan tata letak toko menggunakan studi Market Basket Analysis dengan metode Association Rule.

1.2 Rumusan Masalah 1. Bagaimanakah Association Rule yang terbentuk berdasarkan hasil penelitian? 2. Bagaimanakah Activity Relationship Chart (ARC) yang diperoleh? 3. Bagaimanakah usulan alternatif tata letak toko yang baru? 1.3 Batasan Masalah 1. Jumlah struk yang digunakan sebagai bahan penelitian dibatasi sejumlah 50 buah struk. 2. Association Rule dan ARC yang diperoleh dari penelitian sebatas dipergunakan untuk merencanakan usulan tata letak toko yang lebih baik. 3. Usulan tata letak toko hanya sebatas per departemen.

1.4 Tujuan Penelitian 1. Untuk mengetahui Association Rule yang terbentuk. 2. Untuk mengetahui Activity Relationship Chart (ARC) yang terbentuk. 3. Untuk mendapatkan alternatif tata letak toko yang lebih menunjang proses transaksi. 1.5 Manfaat Penelitian Penelitian ini bermanfaat untuk mengetahui tingkat efektifitas tata letak toko dalam mengakomodir aktivitas belanja konsumen melalui analisa Association Rule yang nantinya akan digunakan sebagai pertimbangan dalam merencanakan tata letak toko yang lebih baik.

BAB II LANDASAN TEORI

Asociation dalam data mining adalah pekerjaan untuk menentukan mana atribut yang akan didapatkan bersamaan. Dalam dunia bisnis lazim dikenal istilah affinity analysis. Tugas dari asociation rule adalah mencari aturan yang tidak mengcover untuk mengukur hubungan antara dua atau lebih atribut. Association Rule adalah bentuk jika “kejadian sebelumnya” kemudian “konsekuensinya”.

(IF

antecedent,

THEN

consequent).

Bersamaan

dengan

perhitungan aturan support dan confidence. Pola asosiasi menjadi salah satu fungsionalitas yang paling menarik dalam penggalian data (Kumar dan Wahidabanu, 2007). Association Rule adalah teknik data mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Contoh dari Association Rule dari analisa pembelian di suatu pasar swalayan adalah bisa diketahui berapa besar kemungkinan seorang pembeli membeli roti bersamaan dengan susu. Dengan pengetahuan tersebut Pemilik pasar swalayan dapat mengatur penempatan barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon untuk kombinasi barang tertentu (Wiwin, 2008). Menurut Leo Susanto (2003) penggalian kaidah asosiasi mempunyai peranan penting dalam proses pengambilan keputusan. Salah satu contoh penerapan Association Rule adalah Market Basket Analysis. Association Rule menjadi terkenal karena aplikasinya untuk menganalisa isi keranjang belanja di pasar swalayan, sehingga Association Rule juga sering disebut dengan istilah Market Basket Analysis. Association Rule juga dikenal sebagai salah satu teknik data mining yang menjadi dasar dari berbagai teknik data mining lainnya. Market Basket Analysis merupakan salah satu contoh penerapan Association Rule. Untuk menyampaikan ide mendasar dari Market Basket Analysis, dimulai dengan melihat gambar keranjangan belanjaan pada gambar 3.1 yang berisi bermacam-macam barang-barang yang dibeli oleh seseorang disebuah supermarket. Keranjang ini berisi bermacam-macam barang-barang seperti roti, susu, sereal, telur, mentega, gula, dan sebagainya. Sebuah keranjang memberitahukan kepada kita tentang apa saja yang dibeli oleh seorang konsumen dalam satu waktu. Sebuah daftar

belanjaan yang lengkap yang diperoleh dari semua konsumen memberikan kita informasi yang sangat banyak, dan ini dapat menjelaskan barang-barang apa saja yang paling penting dari bisnis penjualan yaitu ”apa barang yang dibeli oleh konsumen dan kapan”. Setiap konsumen membeli seperangkat barang-barang yang berbeda, dalam jumlah yang berbeda, dan dalam waktu yang berbeda. Market Basket Analysis menggunakan

informasi

apa

yang

dibeli

oleh konsumen-konsumen untuk

menyediakan tanda/informasi yaitu siapa mereka dan mengapa mereka melakukan pembelian tersebut?. Market Basket Analysis menyediakan pengertian tentang barang dagangan dengan memberitahukan kepada kita produk-produk mana yang memungkinkan untuk dibeli secara bersamaan dan produk mana yang lebih disetujui untuk di promosikan. Karena dalam Market Basket Analysis tidak hanya memahami kuantitas dari item yang dibeli dalam keranjang itu, tapi bagaimana item yang dibeli dalam hubungannya satu dengan yang lain.

BAB III METODOLOGI PENELITIAN

3.1 Lokasi Penelitian Indomart Cabang Nogotirto/ 004 Jalan Godean km. 4 Nogotirto, Gamping, Sleman, Daerah Istimewa Yogyakarta

3.2 Objek Penelitian Outlet Indomart Cabang Nogotirto/ 004 beserta pelanggan dan struk transaksi pembeliannya.

3.3 Metode Pengumpulan Data 3.3.1 Data Primer Data primer dalam penelitian ini berupa struk belanja konsumen yang dikumpulkan melalui proses kolektif di lapangan. 3.3.2 Data Sekunder Data sekunder dalam penelitian ini merupakan data yang telah diproses dari data primer menjadi data yang siap untuk diolah lebih lanjut. Data sekunder dalam penelitian ini meliputi data pembelian, data transformasi, dan data tabulasi yang selanjutnya siap diolah menggunakan software.

1.4 Flow Chart Penelitian

Mulai

Input Data

Pre processing data 1. Data integrasi 2. Data transformasi

Data Tabulasi

Association Rule

Activity Relationship Chart

Selesai

Gambar 1.1 Flowchart

1.6 Langkah Software 1.6.1 Input Data 1. Pre Processing Data a. Data Integrasi a.1 Edit click Find

a.2 Find click name of item

a.3 Replace click Name of department

a.4 Replace all

b. Data Transformasi Change data department to matrix binary 1 = item dibeli, 0 = item tidak dibeli

1.6.2 Association Rule a. Open sheet binary

b. XLminer click affinity click association rule

c. Data Range: Block matrix binary click enter (name of department enclosed).

d. Check list: first row contains header

e. Input data format click Data in binary matrix format

f. Parameter: Min support ……….(in total) Min Confidence ……(in %)

g. Ok

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA

4.1 Pengumpulan Data a. Data Transaksi

Tabel 4.1 Data Transaksi No. 1

Item Yang Dibeli Clear

Dettol

Nescafe

Uticon Stk

NU 2

Indomie

Green Tea

3 4

Buavita Susu Ultra

Nescafe Fruit Tea

Glade

Kacang

Teh

Kacang

Fresh

Iyes

Sosro

Mayasi

Sosro 5

Clear

Paseo

Teh Kotak

Susu Bendera

No. 6

Item Yang Dibeli Keripik

Tong Tji

Aneka

Jagung

Jasmine

Sagon

Susu

Koko

Ultra

Crunch

Spons

Lem

Sikat

Susu

Susu

Sabut

ALL

Gigi

Ultra

Ultra

Attack

Paramex

Buavita

Indomie

7

Paseo

8

Sunlight

9

Kiwi

Vitalis

Black

Blossom

Enervon C

Enzim 10

Attack

Pasta

Indomie

Gigi NU 11

Indomie

Indomie

Buavita

Yakult

Green Tea

12

Shampo Clear

Dettol

Sapu

Susu

Susu

Shampo

Ultra

Ultra

o Dove

No

Item Yang Dibeli Enzim

13

Paseo

Sunlight

Dettol

Vaseline

Pasta Gigi

14

Sensitif

Nice

Strip

Yoghurt

Susu

NU Green

Bendera

Tea

17

18

Attack

Philips Tornado

Hemaviton

Paseo

Aqua

Gery Salute

Stainles s

Koko

Indomilk

Crunch

Vanilla

ds

Kacang

Kayu

Whit

Garuda

Putih

e

Walls Magnu m

Coklat

Sabut Pop Corn

Lang

k

Lumbu ng Straw

16

Pon

Indomil

Roti 15

Cap

Sabut Spons

Roti Lumbun g Nanas

Stre psil

Gilette

Neozep

Sikat

Vit

Razor

Forte

Gigi

C

Clear

Walls

Walls

Almond

Royal

No

Item Yang Dibeli Aneka

19

Tales

Gulaku

Gurih

20

21

Paseo

Nescafe

Birdy 22

Kopi Susu

23

24

Paseo

Bimoli Special

Okky Jelly

NU Apel Fuji Green Tea

Tong Tji

Nesc

Jasmine

afe

Swiss

Kraft

Roll

Keju

Choco

Cake

NU Green Tea

NU Green Tea

Delfi Wafer Coklat

Cap Botan

Lang

Mackerel Kayu Putih

Koko Crunch

Coffemix 3in1

Teh Bubuk

Charm Chitato

Indomie

Body Fit

Sardines ABC

Pronas

Mie

Cashew Sensitif

Corned

Sedap

Crunch

Strip

Zinc

Pantene

Swiss Roll Panda n

No

25

26

27

Item Yang Dibeli Charm Body Fit Nice Yogurt

Ultra Kacang Hijau Susu Ultra

Koko

Charm

Crunch

Body Fit

Kiranti

Susu Indomilk

Cap 28

Lang

Madu

Kayu

Nusantara

Putih 29 30

31

Sensitif Strip Indomie

Indomie

Paseo

Aqua

Teh Sosro Nice Yoghurt

Brand Gold Malt

Pop Corn Keset

Sensitif Strip

No

32

33

34

35

Item Yang Dibeli Nice Yoghurt

Cap Lang Kayu Putih

NU Green

Swiss Roll

Tea

Pandan

Paseo Birdy Kopi Susu

Gulaku

38

Sari Roti

Lemon

Susu Ultra Mizone Qtela Kripik

Swiss Roll Choco

Klenex

Tea 37

Strip

Tissue

Max 36

Sensitif

Chitato

Lifebuoy

Enzim

Men

Pasta Gigi

Lifebuoy Men Nice Yoghurt Chitato

Charmant

Nescafe

Blaster

Sikat Gigi Formula Koko Crunch

No

Item Yang Dibeli Indomart

39

Air

Aqua

Mineral

40

41

42

43

44

Paseo

Sambal

Gillette Razor Susu

Indofood Indomilk Choco Crispy

Kotex Maxi

Pantene

Spray Dry

Hemaviton

Nice Yoghurt

Sari Roti

Nice

Birdy

Pop Bihun

Sari Roti

Yoghurt

Kopi Susu

Ayam

Coklat

Lifebuoy

Sardines

Bihun

Men

ABC

Instan

Paseo

Green Tea

Susu

Susu

Susu

Susu

Ultra

Ultra

Ultra

Ultra

Koko Crunch

Mizone

CD-R

Clear

NU 45

Carefree

Pantene

Sikat Gigi Oral B

Birdy Kopi Susu

Ultra Slim

Kispr ay Bluis

Indomie

Indocafe

Tong tji

Cappucino

Jasmine

Fino Sosis Sapi

No

46

47

48

49

Item Yang Dibeli Jeruk Mandarin

Hemaviton

Yoghurt

Indomilk

Crunch

Juice

Negri

Gery Choco

Keset

Sapi Koko

ABC

Ayam

Sosis

Susu

Diamond

Paseo

Vanilla

Fino

Nice

Sardines

Telur 50

Susu Ultra

Walls

Clear

Sandal

Carefree

Swallow

Spray Dry

Uticon

Lifebuoy

Rexona

Stk

Men

Deo Men

Pantene

Sari Roti

Susu Ultra

Susu

Susu

Meiji

Susu

Birdy Kopi Gilette

Indomilk

Indomilk

Panda

Ultra

Susu

Razor

Roti

Roti

Lifebuo

Lux

Lumbung

Lumbung

y Men

White

NU Green

Madu

Brand

Tea

Nusantara

Gold Teh

Brand Gold Malt

Sambal Indofood

Indomie

b. Data Departemen Tabel 4.2 Data Departemen Dep 1

Makanan Ringan, Snack, Cemilan

Dep 2

Makanan Mentah, Bahan Makanan, Bumbu Dapur

Dep 3

Minuman Siap Saji, Soft Drink, Ice Cream, Bahan Minuman

Dep 4

Peralatan Rumah Tangga

Dep 5

Peralatan Mandi

Dep 6

Kosmetik, Obat-obatan, Perawatan Tubuh

Dep 7

Buah-buahan

Dep 8

Pakaian Dalam

c. Minimum Support dan Confidence Minimum support yang digunakan adalah 8. Sedangkan minimum confidence (%) yang digunakan adalah 80.

4.2 Pengolahan Data 4.2.1 Preprocessing Data 1. Data Integrasi Hasil integrasi data Tabel 4.3 Data Integrasi No. 1

2

3

4

5

Item Yang Dibeli Dep Dep 5

5

Dep

Dep

3

4

Dep

Dep

Dep

Dep

4

1

3

1

Dep

Dep

3

3

Dep Dep 2

3

Dep Dep 3

3

Dep Dep 3

3

Dep Dep 5

4

No. 6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

Item Yang Dibeli Dep Dep 1

3

Dep Dep 4

3

Dep Dep 5

5

Dep Dep 4

6

Dep Dep 5

5

Dep Dep 2

2

Dep Dep 5

5

Dep Dep 4

4

Dep Dep 6

3

Dep Dep 3

3

Dep Dep 5

6

Dep Dep 4

1

Dep 1 Dep 1 Dep

Dep

Dep

Dep

4

5

3

3

Dep

Dep

Dep

5

6

6

Dep

Dep

Dep

3

2

2

Dep

Dep

Dep

Dep

Dep

Dep

3

3

3

3

3

5

Dep

Dep

Dep

Dep

Dep

5

6

5

6

6

Dep

Dep

Dep

Dep

Dep

4

3

1

1

6

Dep 4 Dep Dep 1

3

Dep 3 Dep Dep Dep Dep Dep 6

6

5

Dep 1 Dep

Dep

4

4

Dep

Dep

Dep

Dep

Dep

3

7

3

3

3

Dep Dep 1

3

Dep Dep 1

2

Dep Dep 4

3

Dep Dep Dep 1

1

1

5

3

Dep 3

No. 21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

Item Yang Dibeli Dep Dep 3

3

Dep

Dep

Dep

1

6

6

Dep

Dep

Dep

Dep

Dep

Dep

1

2

6

2

5

5

Dep

Dep

Dep

Dep

2

2

1

6

Dep

Dep

3

3

Dep Dep 3

1

Dep Dep 4

3

Dep Dep 2

3

Dep Dep 6

3

Dep Dep 3

3

Dep Dep 1

6

Dep Dep 6

2

Dep Dep 6

4

Dep 3

Dep Dep 2

3

Dep Dep 2

3

Dep Dep 3

6

Dep Dep 3

1

Dep

Dep

Dep

Dep

3

1

4

6

Dep 6 Dep 1

Dep Dep 4

4

Dep Dep 3

1

Dep

Dep

5

5

No. 36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

Item Yang Dibeli Dep Dep 2

3

Dep Dep 3

3

Dep Dep 1

1

Dep

Dep

Dep

5

8

5

Dep

Dep

Dep

3

3

1

Dep

Dep

1

1

Dep

Dep

Dep

Dep

Dep

6

5

4

3

3

Dep

Dep

Dep

Dep

Dep

6

3

1

1

3

Dep

Dep

2

1

Dep

Dep

Dep

Dep

Dep

Dep

5

2

2

3

3

4

Dep

Dep

Dep

Dep

Dep

Dep

3

2

4

4

4

5

Dep

Dep

Dep

Dep

Dep

Dep

3

1

5

4

5

6

Dep

Dep

Dep

Dep

Dep

3

3

3

1

3

Dep

Dep

Dep

Dep

Dep

2

3

3

2

2

Dep Dep 3

3

Dep Dep 4

6

Dep Dep 2

3

Dep Dep Dep Dep Dep 3

3

2

3

Dep Dep 1

9

Dep Dep 3

3

Dep Dep 4

5

Dep Dep 3

5

Dep Dep 7

3

Dep Dep 6

3

Dep Dep 2

3

Dep Dep 4

1

Dep Dep 2

3

Dep 5

Dep 1 Dep Dep 3

6

Dep Dep Dep Dep 1

1

5

5

3

Dep 2

2. Data Transformasi Hasil transformasi data Tabel 4.4 Data Transformasi No. Dep 1

Dep 2

Dep 3

Dep 4

Dep 5

Dep 6

Dep 7

Dep 8

Dep 9

1

0

0

1

1

1

0

0

0

0

2

0

1

1

0

0

0

0

0

0

3

0

0

1

0

0

0

0

0

0

4

1

0

1

1

0

0

0

0

0

5

0

0

1

1

1

0

0

0

0

6

1

0

1

0

0

0

0

0

0

7

1

0

1

1

0

0

0

0

0

8

0

0

1

1

1

0

0

0

0

9

0

0

0

1

1

1

0

0

0

10

0

1

1

0

1

0

0

0

0

11

0

1

1

0

1

0

0

0

0

12

0

0

0

1

1

0

0

0

0

13

1

0

1

1

1

1

0

0

0

14

0

0

1

0

0

1

0

0

0

15

1

0

1

1

1

1

0

0

0

16

1

0

0

0

1

1

0

0

0

17

1

0

0

1

0

0

0

0

0

18

1

0

1

0

0

0

0

0

0

19

1

1

1

0

0

0

1

0

0

20

0

0

1

1

0

0

0

0

0

21

1

0

1

0

0

1

0

0

0

22

1

0

1

0

0

0

0

0

0

23

1

1

1

1

1

1

0

0

0

24

1

1

1

0

0

1

0

0

0

25

0

0

1

0

0

1

0

0

0

26

0

0

1

0

0

0

0

0

0

27

1

0

1

0

0

1

0

0

0

28

0

1

0

0

0

1

0

0

0

No. Dep 1

Dep 2

Dep 3

Dep 4

Dep 5

Dep 6

Dep 7

Dep 8

Dep 9

29

0

0

1

1

0

1

0

0

0

30

0

1

1

0

0

0

0

0

0

31

1

1

1

1

0

1

0

0

0

32

0

0

1

0

0

1

0

0

0

33

1

0

1

0

0

0

0

0

0

34

0

0

0

1

0

0

0

0

0

35

1

0

1

0

1

0

0

0

0

36

0

1

1

0

1

0

0

1

0

37

1

0

1

0

0

0

0

0

0

38

1

0

0

0

0

0

0

0

0

39

0

0

1

0

0

0

0

0

0

40

0

1

1

1

1

1

0

0

0

41

1

1

1

0

0

1

0

0

0

42

1

0

0

0

0

0

0

0

1

43

1

1

1

0

0

0

0

0

0

44

0

1

1

1

1

0

0

0

0

45

0

0

1

0

1

0

0

0

0

46

0

1

1

1

1

0

1

0

0

47

1

0

1

1

1

1

0

0

0

48

1

1

1

0

0

0

0

0

0

49

1

0

1

1

0

1

0

0

0

50

1

1

1

0

1

0

0

0

0

Keterangan : 1 = item terbeli 0 = item tidak terbeli

4.2.2 Association Rule Tabel 4.5 Association Rules Data Input Data

Tabular!$B$5:$J$55

Data Format

Binary Matrix

Minimum Support

8

Minimum Confidence %

80

# Rules

11

Overall Time (secs)

1

Tabel 4.6 Output Rule

Conf.

Consequen

Support

Support

Support

#

%

t (c)

(a)

(c)

(a U c)

1

100

Dep 1, Dep 2=>

Dep 3

8

42

8

1.190476

2

100

Dep 2, Dep 5=>

Dep 3

8

42

8

1.190476

3

94.12

Dep 2=>

Dep 3

17

42

16

1.120448

4

90.91

Dep 1, Dep 6=>

Dep 3

11

42

10

1.082251

5

88.89

Dep 1, Dep 4=>

Dep 3

9

42

8

1.058201

6

88.89

Dep 4, Dep 6=>

Dep 3

9

42

8

1.058201

7

84.62

Dep 1=>

Dep 3

26

42

22

1.007326

8

84.21

Dep 5=>

Dep 3

19

42

16

1.002506

9

83.33

Dep 6=>

Dep 3

18

42

15

0.992063

10

83.33

Dep 4, Dep 5=>

Dep 3

12

42

10

0.992063

11

80

Dep 4=>

Dep 3

20

42

16

0.952381

Antecedent (a)

Lift Ratio

4.2.3 Activity Relationship Chart

Dept 1

Dept 2

Dept 3

Dept 4

Dept 5

Dept 6

Dept 7

Dept 8

Gambar 4.1 Activity Relationship Chart

Keterangan : : Hubungan Sangat Kuat : Hubungan Kuat

4.2.4 Rekomendasi layout

D E P T

D E P T 4

D E P T 5

D E P T 6

D E P T 7

D E P T 8

DEPT 3 D E P T

2 DEPT 1 KASIR

Gambar 4.2 Rekomendasi Tata Letak Toko

9

BAB V PEMBAHASAN

5.1 Association Rule Rule 1 Jika membeli {Dep1 dan Dep2} maka mungkin membeli {Dep3}, dengan nilai (support = 8, confidence = 100%). Berarti seseorang yang membeli produk pada Dep1 dan Dep2 memiliki kemungkinan sebesar 100% untuk membeli produk pada Dep3. Jumlah transaksi yang memuat kejadian tersebut sebanyak 8.

Rule 2 Jika membeli {Dep2 dan Dep5} maka mungkin membeli {Dep3}, dengan nilai (support = 8, confidence = 100%). Berarti seseorang yang membeli produk pada Dep2 dan Dep5 memiliki kemungkinan sebesar 100% untuk membeli produk pada Dep3. Jumlah transaksi yang memuat kejadian tersebut sebanyak 8.

Rule 3 Jika membeli {Dep2} maka mungkin membeli {Dep3}, dengan nilai (support = 16, confidence = 94.12%). Berarti seseorang yang membeli produk pada Dep2 memiliki kemungkinan sebesar 94.12% untuk membeli produk pada Dep3. Jumlah transaksi yang memuat kejadian tersebut sebanyak 16.

Rule 4 Jika membeli {Dep1 dan Dep6} maka mungkin membeli {Dep3}, dengan nilai (support = 10, confidence = 90.91%) berarti seseorang yang membeli produk pada Dep1 dan Dep6 memiliki kemungkinan sebesar 90.91% untuk membeli produk pada Dep3. Jumlah transaksi yang memuat kejadian tersebut sebanyak 10.

Rule 5 Jika membeli {Dep1 dan Dep4} maka mungkin membeli {Dep3}, dengan nilai (support = 8, confidence = 88.89%). Berarti seseorang yang membeli produk pada

Dep1 dan Dep4 memiliki kemungkinan sebesar 88.89% untuk membeli produk pada Dep3. Jumlah transaksi yang memuat kejadian tersebut sebanyak 8.

Rule 6 Jika membeli {Dep4 dan Dep6} maka mungkin membeli {Dep3}, dengan nilai (support = 8, confidence = 88.89%). Berarti seseorang yang membeli produk pada Dep4 dan Dep6 memiliki kemungkinan sebesar 88.89% untuk membeli produk pada Dep3. Jumlah transaksi yang memuat kejadian tersebut sebanyak 8.

Rule 7 Jika membeli {Dep1} maka mungkin membeli {Dep3}, dengan nilai (support = 22, confidence = 84.62%). Berarti seseorang yang membeli produk pada Dep1 memiliki kemungkinan sebesar 84.62% untuk membeli produk pada Dep3. Jumlah transaksi yang memuat kejadian tersebut sebanyak 22.

Rule 8 Jika membeli {Dep5} maka mungkin membeli {Dep3}, dengan nilai (support = 16, confidence = 84.21%). Berarti seseorang yang membeli produk pada Dep5 memiliki kemungkinan sebesar 84.21% untuk membeli produk pada Dep3. Jumlah transaksi yang memuat kejadian tersebut sebanyak 16.

Rule 9 Jika membeli {Dep6} maka mungkin membeli {Dep3}, dengan nilai (support = 15, confidence = 83.33%). Berarti seseorang yang membeli produk pada Dep6 memiliki kemungkinan sebesar 83.33% untuk membeli produk pada Dep3. Jumlah transaksi yang memuat kejadian tersebut sebanyak 15.

Rule 10 Jika membeli {Dep4 dan Dep5} maka mungkin membeli {Dep3}, dengan nilai (support = 10, confidence = 83.33%). Berarti seseorang yang membeli produk pada Dep4 dan Dep5 memiliki kemungkinan sebesar 83.33% untuk membeli produk pada Dep3. Jumlah transaksi yang memuat kejadian tersebut sebanyak 10.

Rule 11 Jika membeli {Dep4} maka mungkin membeli {Dep3}, dengan nilai (support = 16, confidence = 80%). Berarti seseorang yang membeli produk pada Dep4 memiliki kemungkinan sebesar 80% untuk membeli produk pada Dep3. Jumlah transaksi yang memuat kejadian tersebut sebanyak 16.

5.2 Activity Relationship Chart Diagram ARC (Activity Relationship Chart) adalah peta yang menggambarkan hubungan antar departemen berdasarkan support dari rule yang terbentuk. Hubungan setiap department dapat bernilai kuat, sedang dan lemah. Setiap jenis hubungan digambarkan dengan simbol yang berbeda-beda. ARC dibuat berdasarkan nilai a U c dan dibagi menjadi tiga hubungan yaitu : hubungan kuat disimbolkan dengan

dengan nilai a U c 17.4 < x < 22

hubungan sedang disimbolkan dengan

dengan nilai a U c 8.3 ≤ x < 11.6

hubungan lemah disimbolkan dengan

dengan nilai a U c 5 ≤ x < 8.3

Range didapatkan dari nilai a U c tertinggi(22) dikurangi nilai a U c terendah(8). Kemudian dibagi 3 berdasarkan dari 3 hubungan tersebut, yaitu kuat, sedang dan lemah. Maka hasilnya adalah 4,7. Dengan hasil tersebut maka range pun dapat dibuat. Dan karena ada beberapa departemen yang memiliki penempatan yang sama, maka yang dipilih untuk dimasukkan pa ARC adalah yang memiliki nilai yang tertinggi. Dan penjelasan dari ARC yang telah dibuat adalah sebagai berikut : Dept1 dan dept3 memiliki hubungan yang kuat dengan nilai a U c sebesar 22. Dept2 dan dept3 memiliki hubungan yang sedang dengan nilai a U c sebesar 16. Dept4 dan dept3 memiliki hubungan yang sedang dengan nilai a U c sebesar 16. Dept5 dan dept3 memiliki hubungan yang sedang dengan nilai a U c sebesar 16. Dept6 dan dept3 memiliki hubungan yang sedang dengan nilai a U c sebesar 15.

5.3 Layout Usulan Berdasarkan hubungan departemen yang dejelaskan melalui ARC, maka dapat diperoleh usulan layout atau tata letak toko dimana : -

Dept 1 dengan dept 3 ditata secara berdekatan (mutlak)

-

Dept 2, 4, 5 dan 6 ditata agak dekat dengan Dept 3 dengan tingkat prioritas yang tidak mutlak.

-

Sedangkan Dept 7, 8 dan 9 tidak terikat dengan Dept 3, sehingga dapat diletakkan secara bebas atau menempati posisi yang masih kosong.

BAB VI KESIMPULAN DAN SARAN

6.1 Kesimpulan Berdasarkan hasil pembahasan, maka dapat disimpulkan bahwa : 1. Melalui analisa Association Rule diperoleh 11 aturan yang merepresentasikan hubungan antara masing-masing departemen. 2. Melalui Activity Relationship Chart (ARC) dapat diketahui prioritas hubungan antara masing-masing departemen dimana departemen 1 dan departemen 3 memiliki hubungan yang sangat kuat, sehingga dalam menata ulang layout, departemen 1 dan departemen 3 menjadi prioritas dalam penataan ulang. 3. Outlet Indomart/ 004 Nogotirto membutuhkan penataan ualng layout dengan prioritas utama adalah mendekatkan Departemen 1 dengan Departemen 3. Sedangkan Departemen 2, 4, 5, 6 dengan 3 memiliki hubungan yang bersifat sedang.

6.2 Saran Berdasarkan hasil pembahasan dan kesimpulan dari penelitian, maka disarankan kepada Indomart/ 004 Nogotirto untuk melakukan penataan ulang layout outlet untuk lebih mendukung aktivitas transaksi konsumen.

DAFTAR PUSTAKA 1. Gkoulalas, Aris & Verykios S Vassilios, “Association Rule Hidding for Datamining”, 2010. 2. Marc Adamo Jean, “Datamining for Association Rules and Sequential Patterns”, 2003. 3. Han, Jiawei and Kamber, Micheline, “Datamining Concept and Techniques”, 2006.

LAMPIRAN

LAPORAN RESMI PRAKTIKUM DATA MINING KLASIFIKASI

DISUSUN OLEH: KELOMPOK C.23 ARIF RAKHMANTO (08 522 200) CATUR HERMAWANTO

(08 522 210)

LABORATORIUM DATA MINING JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS ISLAM INDONESIA 2010

ABSTRAKSI Klasifikasi merupakan sebuah proses untuk menemukan model yang membedakan konsep atau kelas data dengan tujuan untuk memperkiraan kelas dari suatu obyek yang kelasnya tidak diketahui. Di dalam klasifikasi diberikan sejumlah record yang dinamakan training set yang terdiri dari beberapa atribut. Salah satu manfaat klasifikasi adalah untuk membantu proses pengambilan keputusan dalam proses pemberian kredit. BMT AL-AMIN merupakan sebuah perusahaan penyedia kredit yang menggunakan metode klasifikasi untuk menekan resiko kredit macet. Dari hasil penelitian yang telah dilakukan subjek 1 akan menerima kredit dengan jumlah pembiayaan besar dengan jumlah anak sedang dan dalam jangka waktu pembiayaan satu tahun diprediksikan status kreditnya akan macet, subjek 2 akan menerima kredit dengan jumlah pembiayaan besar dengan jumlah anak banyak dan dalam jangka waktu pembiayaan dua tahun diprediksikan status kreditnya akan macet, subjek 3 akan menerima kredit dengan jumlah pembiayaan besar dengan jumlah anak banyak dan dalam jangka waktu pembiayaan satu tahun diprediksikan status kreditnya akan macet, subjek 4 akan menerima kredit dengan jumlah pembiayaan sedang dengan jumlah anak sedikit dan dalam jangka waktu pembiayaan dua tahun diprediksikan status kreditnya akan tidak macet, subjek 5 akan menerima kredit dengan jumlah pembiayaan kecil dengan jumlah anak sedang dan dalam jangka waktu pembiayaan dua tahun diprediksikan statu kreditnyaakan tidak macet.

Keywords : Klasifikasi, Decision Tree, Chi Square

BAB I PENDAHULUAN 1.1 Latar Belakang masalah Dalam pelaksanaan kegiatan perkreditan selama ini, banyak kredit yang tidak dikembalikan sesuai dengan jadwal yang telah ditentukan. Dengan kata lain telah terjadi kredit macet. Adanya kredit macet ini menimbulkan kerugian pada lembaga keuangan yang bersangkutan. Dalam pembiayaan, tingkat pembiayaan yang semakin tinggi juga diiringi dengan adanya resiko kredit macet yang besar pula. Resiko kredit ini harus diminimalisir agar badan keuangan dapat mempertahankan

kelangsungan

usahanya,

sehingga

penawaran

produk

pembiayaan dilakukan kepada debitur yang tepat sasaran. Menghadapi kenyataan sebagaimana diuraikan di atas, maka perlu dilakukan prediksi status kredit kepada calon debitur agar tidak terjadi kredit macet. Prediksi status kredit merupakan upaya yang ditempuh suatu lembaga keuangan dalam usahanya untuk menghindari kemungkinan terjadinya kredit macet atau tunggakan bagi kredit yang telah sampai jatuh temponya. Sehingga prediksi status kredit macet berguna untuk memperkecil risiko terjadinya kredit macet agar dapat meminimumkan resiko kredit macet.

1.2 Rumusan Masalah 1. Bagaimana rule yang terbentuk? 2. Bagaimana hasil dari chi-square? 3. Bagaimana hasil prediksi ?

1.3 Batasan Masalah 1. Obyek penelitian dikhususkan pada BMT AL-AMIN 2. Permasalahan yang dianalisa adalah masalah pengambilan keputusan pemberian kredit.

1.4 Tujuan penelitian 1. Untuk mengetahui rule yang terbentuk. 2. Untuk menghitung chi-square penelitian.

3. Untuk mengetahui hasil prediksi pemberian kredit.

1.5 Manfaat Penelitian 1. Mahasiswa dapat mengetahui dan memahami metode klasifikasi, khususnya teknik decision tree serta dapat membaca rule yang terbentuk. 2. Dapat mengetahui dan memahami metode tes kebebasan atau interdependency test chi-square. 3. Dapat mengetahui dan memahami cara mendapatkan keputusan untuk kasuskasus yang dapat dianalisa menggunakan meode klasifikasi.

BAB II LANDASAN TEORI Klasifikasi merupakan proses untuk menemukan sekumpulan model yang menjelaskan dan membedakan kelas-kelas data, sehingga model tersebut dapat digunakan untuk memprediksi nilai suatu kelas yang belum diketahui pada sebuah objek (Agny Ismaya, 2005). Klasifikasi adalah sebuah proses untuk menemukan model yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang kelasnya tidak diketahui (Pang-Ning Tan, 2004). Di dalam klasifikasi diberikan sejumlah record yang dinamakan training set, yang terdiri dari beberapa atribut, atribut dapat berupa kontinyu ataupun kategoris, salah satu atribut menunjukkan kelas untuk record. Model dalam Klasifikasi (Bertalya, 2009) : a) Pemodelan Deskriptif Sebagai alat penggambaran yang bersifat menjelaskan untuk membedakan objek2 dari kelas yang berbeda. b) Pemodelan Prediktif Pemodelan prediktif digunakan untuk memprediksi label kelas untuk record yang belum diketahui. Klasifikasi dapat diaplikasikan dalam beberapa bidang antara lain kesehatan, perbankan, ritel, dll. Masing-masing memiliki atribut yang sesuai dengan kasus masingmasing. Misalnya dalam ritel, kasus yang biasanya digunakan adalah pemberian diskon/bonus.

2.1 Tujuan Klasifikasi Tujuan dari klasifikasi adalah untuk : 1. Menemukan model dari training set yang membedakan record kedalam kategori atau kelas yang sesuai, model tersebut kemudian digunakan untuk mengklasifikasikan record yang kelasnya belum diketahui sebelumnya pada test set.

2. Mengambil keputusan dengan memprediksikan suatu kasus, berdasarkan hasil klasifikasi yang diperoleh.

2.2 Konsep Pembuatan Model Dalam Klasifikasi Untuk mendapatkan model, kita harus melakukan analisis terhadap data latih (training set). Sedangkan data uji (test set) digunakan untuk mengetahui tingkat akurasi dari model yang telah dihasilkan. Klasifikasi dapat digunakan untuk memprediksi nama atau nilai kelas dari suatu obyek data. Proses klasifikasi data dapat dibedakan dalam 2 tahap, yaitu : a. Pembelajaran / Pembangunan Model Tiap – tiap record pada data latih dianalisis berdasarkan nilai – nilai atributnya, dengan menggunakan suatu algoritma klasifikasi untuk mendapatkan model. b. Klasifikasi Pada tahap ini, data uji digunakan untuk mengetahui tingkat akurasi dari model yang dihasilkan. Jika tingkat akurasi yang diperoleh sesuai dengan nilai yang ditentukan, maka model tersebut dapat digunakan untuk mengklasifikasikan record – record data baru yang belum pernah dilatihkan atau diujikan sebelumnya. Untuk meningkatkan akurasi dan efisiensi proses klasifikasi, terdapat beberapa langkah pemrosesan terhadap data, yaitu : a. Data Cleaning Data cleaning merupakan suatu pemrosesan terhadap data untuk menghilangkan noise dan penanganan terhadap missing value pada suatu record. b. Analisis Relevansi Pada tahap ini, dilakukan penghapusan terhadap atribut – atribut yang redundant ataupun kurang berkaitan dengan proses klasifikasi yang akan dilakukan. Analisis relevansi dapat meningkatkan efisiensi klasifikasi karena waktu yang diperlukan untuk pembelajaran lebih sedikit daripada proses pembelajaran terhadap data – data dengan atribut yang masih lengkap (masih terdapat redundansi).

c. Transformasi Data Pada data dapat dilakukan generalisasi menjadi data dengan level yang lebih tinggi. Misalnya dengan melakukan diskretisasi terhadap atribut degan nilai kontinyu. Pembelajaran terhadap data hasil generalisasi dapat mengurangi kompleksitas pembelajaran yang harus dilakukan karena ukuran data yang harus diproses lebih kecil.

Pembuatan model menguraikan sebuah set dari penentuan kelas-kelas sebagai: 1. Setiap tuple diasumsikan sudah mempunyai kelas yang dikenal seperti ditentukanoleh label kelas atribut, 2. Kumpulan tuple yang digunakan untuk membuat model disebut kumpulan pelatihan (training set), 3. Model direpresentasikan sebagai classification rules, decision tree atau formula matematika. Penggunaan model menguraikan pengklasifikasian masa yang akan datang atau obyek yang belum ketahui, yaitu taksiran keakuratan dari model yang terdiri dari: 1. Label yang telah diketahui dari contoh tes dibandingkan dengan hasil klasifikasi dari model, 2. Nilai keakuratan adalah prosentase dari kumpulan contoh tes yang

3. 4. Jika akurasi diterima, gunakan model untuk mengklasifikasikan data tuple yang label kelasnya belum diketahui.

Untuk mengevaluasi performansi sebuah model yang dibangun oleh algoritma klasifikasi dapat dilakukan dengan menghitung jumlah dari test record yang di prediksi secara benar (akurasi) atau salah (error rate) oleh model tersebut. Akurasi dan error rate didefinisikan sebagai berikut. Jumlah prdiksi benar Akurasi =

Error rate =

Jumlah total prediksi

Jumlah prediksi salah Jumlah total prediksi

Algoritma klasifikasi berusaha untuk mencari model yang mempunyai akurasi yang tinggi atau error rate yang rendah ketika model diterapkan pada test set.

2.3 Teknik Klasifikasi Didalam Klasifikasi sebagaimana telah dijelaskan, ada beberapa teknik klasifikasi yang digunakan, anatara lain: pohon keputusan, rule based, neural network, support vector machine, naive bayes, dan nearest neighbour. Dan pada praktikum ini akan menggunakan teknik pohon keputusan, karena beberapa alasan: 1. Dibandingkan dengan classifier JST atau bayesian, sebuah pohon keputusan mudah diinterpretasi/ ditangani oleh manusia. 2. Sementara training JST dapat menghabiskan banyak waktu dan ribuan iterasi, pohon keputusan efisien dan sesuai untuk himpunan data besar. 3. Algoritma dengan pohon keputusan tidak memerlukan informasi tambahan selain yang terkandung dalam data training (yaitu, pengetahuan domain dari distribusi-distribusi pada data atau kelas-kelas). 4. Pohon keputusan menunjukkan akurasi klasifikasi yang baik dibandingkan dengan teknikteknik yang lainnya.

2.4 Decision Tree Salah satu metoda Data Mining yang umum digunakan adalah decision tree. Decision tree adalah struktur flowchart yang menyerupai tree (pohon), dimana setiap simpul internal menandakan suatu tes pada atribut, setiap cabang merepresentasikan hasil tes, dan simpul daun merepresentasikan kelas atau distribusi kelas. Alur pada decision tree di telusuri dari simpul akar ke simpul daun yang memegang prediksi kelas untuk contoh tersebut. Decision tree mudah untuk dikonversi ke aturan klasifikasi (Zalilia, 2007).

2.4.1 Konsep Decision Tree Mengubah data menjadi pohon keputusan (decision tree) dan aturan-aturan keputusan (rule).

2.4.2 Tipe Simpul Pada Tree Tree 1. Simpul akar dimana tidak ada masukan edge dan 0 atau lebih keluaran edge 2. Simpul internal, masing-masing 1 masukan edge dan 2 atau lebih edge

3. Simpul daun atau simpul akhir, masing-masing 1 masukan edge dan tidak ada edge Pada decision tree setiap simpul daun menandai label kelas. Simpul yang bukan simpul akhir terdiri dari akar dan simpul internal yang terdiri dari kondisi tes atribut pada sebagian record yang mempunyai karakteristik yang berbeda. Simpul akar dan simpul internal ditandai dengan bentuk oval dan simpul daun ditandai dengan bentuk segi empat.

2.4.3 Konsep Data Dalam Decision Tree 1. Data dinyatakan dalam bentuk tabel dengan atribut dan record. 2. Atribut menyatakan suatu parameter yang dibuat sebagai kriteria dalam pembentukan tree. Misalkan untuk menentukan main tenis, kriteria yang diperhatikan adalah cuaca, angin dan temperatur. Salah satu atribut merupakan atribut yang menyatakan data solusi per-item data yang disebut dengan target atribut. 3. Atribut memiliki nilai-nilai yang dinamakan dengan instance. Misalkan atribut cuaca mempunyai instance berupa cerah, berawan dan hujan.

d. Proses Dalam Decision Tree 1. Proses Mengubah Data Menjadi Tree a). Ukuran untuk Memilih Split Terbaik Dalam membangun sebuah decision tree secara top-down (dari atas ke bawah), dimulai dengan pertanyaan atribut mana yang pertama kali harus diletakkan pada root node? Pertanyaan ini dijawab dengan mengevaluasi semua atribut yang ada menggunakan suatu ukuran statistik (yang banyak digunakan adalah information gain) untuk mengukur efektifitas suatu atribut dalam mengklasifikasikan suatu kumpulan sampel data. Semua atribut

adalah bersifat kategori yang bernilai diskrit. Atribut dengan nilai continuous harus didiskritkan (Zalilia, 2007). Terlebih dahulu kita harus mencari nilai informasi dari data yang merupakan nilai yang diperlukan untuk mengklasifikasikan keputusan akhir. b) Entropi Definisi Entrophy (Basuki, 2003): 1. Entropy (S) adalah jumlah bit yang diperkirakan dibutuhkan untuk dapat mengekstrak suatu kelas (+ atau -) dari sejumlah data acak pada ruang sample S. 2. Entropy bisa dikatakan sebagai kebutuhan bit untuk menyatakan suatu kelas. Semakin kecil nilai Entropy maka semakin baik untuk digunakan dalam mengekstraksi suatu kelas. 3. Entropi adalah suatu parameter untuk mengukur heterogenitas dari suatu data 4. Panjang kode untuk menyatakan informasi secara optimal adalah p bits untuk messages yang mempunyai probabilitas p. Untuk menghitung information gain,terlebih dahulu kita harus memahami suatu ukuran lain yang disebut Entropy. Entropi biasa digunakan sebagai sautu parameter untuk mengukur heterogenitas (keberagaman) dari suatu kumpulan sampel data. Jika kumpulan sampel data semakin heterogen, maka nilai entropy-nya semakin besar. Nilai maksimum entropy adalah 1, yaitu saat jumlah semua sampel kelas data adalah sama (keberagaman data yang maksimum). Nilai minimum entropy adalah 0, yaitu saat jumlah salah satu kelas adalah 0 (keberagaman data yang minimum). c) Information Gain Setelah kita mendapatkan nilai entropy untuk suatu kumpulan sampel data, maka kita dapat mengukur efektifitas suatu atribut dalam mengklasifikasikan data. Ukuran efektifitas ini disebut Information Gain. Dengan kata lain, Gain(A) adalah reduksi yang diharapkan dalam entropy yang disebabkan oleh pengetahuan nilai pada atribut A. Algoritma menghitung information gain pada setiap atribut. Atribut dengan nilai gain terbesar dipilih sebagai tes

atribut (simpul akar). Simpul A dibuat dan dilabelkan dengan atribut, cabang dibuat untuk setiap nilai atribut. Klasifikasi pada umumnya digunakan untuk kasus-kasus pada kelas-kelas keputusan yang bernilai diskrit dengan keputusan seperti diterima = “ya” atau “tidak”. Namun jika kita menemukan kasus yang mempunyai nilai keputusan kontinyu cara yang sedikit untuk menyelesaikannya adalah dengan mengubah nilai-nilai continyu menjadi nilai-nilai diskrit dengan cara mempartisi nilai kontinyu ke dalam intervalinterval bernilai diskrit.

BAB III METODOLOGI PENELITIAN 3.1 Lokasi Penelitian Lokasi penelitian adalah di BMT AL-AMIN

3.2 Objek Penelitian Obyek penelitian adalah debitur BMT AL-AMIN yang mengajukan permintaan kredit.

3.3 Metode Pengumpulan Data 1. Data Primer Data primer dalam penelitian ini adalah data-data yang diperoleh dari debitur atau pemohon kredit. Dalam kasus ini yang merupakan data primer adalah training set yang berisi atribut jumlah pembiayaan, jumlah anak, jangka waktu pembiayaan dan status kredit. 2. Data Sekunder Data sekunder dalam penelitian ini adalah data-data yang diperoleh dari pengolahan data-data primer. Dalam kasus ini yang merupakan data sekunder adalah entropy, nilai informasi, information gain serta chi-square.

3.4. Flowchart Penelitian

Mulai

Training Data

Decision Tree

Classification Rule Awal

Penyederhanaan Rule (Chi-square)

Ho diterima/ Ditolak

Atribut tidak dapat dihilangkan

Atribut dapat dihilangkan

Classification Rule Akhir

Prediksi

Selesai

3.5. Langkah Software Software

yang

digunakan

dalam

klasifikasi

adalah

Weka.

Langkah

pengerjaannnya adalah sebagai berikut : 1. Menginput data training di Ms. Excel kemudian menyimpannya dalam format .csv 2. Membuka Weka, kemudian explorer, Open file 3. File tersebut disave as dalam format .arrf 4. Pilih classify, pada classifier-choose-trees-j48 5. Test option dipilih use training set, kemudian klik start 6. Pada result list, klik kanan pilih visualize tree

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA 4.1 Pengumpulan Data 4.1.1 Data Historis Tabel 4.1 Data Status Kredit Pada BMT AL-AMIN

No

Jumlah

Jumlah

Jangka Waktu

Pembiayaan

anak

Pembiayaan

Status Kredit

1

Sedang

Banyak

Satu Tahun

Macet

2

Besar

Sedang

Dua Tahun

Macet

3

Besar

Banyak

Dua Tahun

Macet

4

Sedang

Banyak

Satu Tahun

Macet

5

Sedang

Sedikit

Dua Tahun

Tidak Macet

6

Kecil

Sedikit

Satu Tahun

Tidak Macet

7

Kecil

Banyak

Dua Tahun

Tidak Macet

8

Besar

Banyak

Dua Tahun

Macet

9

Sedang

Banyak

Satu Tahun

Macet

10

Kecil

Sedang

Dua Tahun

Tidak Macet

11

Kecil

Banyak

Dua Tahun

Tidak Macet

12

Sedang

Banyak

Satu Tahun

Macet

13

Besar

Sedang

Satu Tahun

Macet

14

Besar

Banyak

Satu Tahun

Macet

15

Besar

Sedang

Satu Tahun

Macet

16

Sedang

Banyak

Dua Tahun

Macet

17

Besar

Banyak

Dua Tahun

Macet

18

Besar

Sedang

Satu Tahun

Macet

19

Kecil

Sedikit

Satu Tahun

Tidak Macet

21

Kecil

Sedang

Satu Tahun

Tidak Macet

22

Kecil

Sedikit

Dua Tahun

Tidak Macet

23

Besar

Sedikit

Satu Tahun

Macet

No

Jumlah

Jumlah

Jangka Waktu

Pembiayaan

anak

Pembiayaan

Status Kredit

24

Sedang

Banyak

Satu Tahun

Macet

25

Sedang

Banyak

Satu Tahun

Macet

26

Sedang

Sedang

Dua Tahun

Tidak Macet

27

Besar

Banyak

Dua Tahun

Macet

28

Sedang

Banyak

Satu Tahun

Macet

29

Sedang

Sedang

Dua Tahun

Tidak Macet

30

Besar

Sedikit

Satu Tahun

Macet

4.1.2 Data yang akan diprediksi Tabel 4.2 Data Status Kredit yang akan diprediksi No

Jumlah

Jumlah

Jangka Waktu

Pembiayaan

Anak

Pembiayaan

Status Kredit

1

Besar

Sedang

Satu Tahun

Macet

2

Besar

Banyak

Dua Tahun

Macet

3

Besar

Banyak

Satu Tahun

Macet

4

Sedang

Sedikit

Dua Tahun

Tidak Macet

5

Kecil

Sedang

Dua Tahun

Tidak Macet

4.2 Pengolahan Data 4.2.1 Perhitungan Root Node 1. Atribut Jumlah Pembiayan Tabel 4.3 Jumlah Pembiayan Jumlah Pembiayaan

Status Kredit

Jumlah

Macet

0

Tidak Macet

8

Macet

8

Tidak Macet

3

Macet

11

Tidak Macet

0

Total Instence

Kecil

Sedang

Besar

Total

Q

Entropi

8

0.00

11

0.85

11

0.00

0.31

Nilai

Information

Informasi

Gain

0.95

0.64

30

2. Atribut Jumlah Anak Tabel 4.4 Jumlah Anak Jumlah Anak Sedikit

Sedang

Banyak

Status Kredit

Jumlah

Macet

2

Tidak Macet

4

Macet

4

Tidak Macet

4

Macet

13

Tidak Macet

3

Total

30

Total Instence

Q

6

0.92

8

1.00

16

0.70

Entropi

0.82

Nilai

Information

Informasi

Gain

0.95

0.13

3. Atribut Jangka Waktu Pembiayaan Tabel 4.5 Jangka Waktu Pembiayaan Waktu

Status

Pembiayaan

Kredit

Jumlah

Macet Satu Tahun

Tidak Macet Macet

Dua Tahun

Tidak Macet

Total

Total Instence

Q

Entropi

Nilai

Information

Informasi

Gain

0.95

0.12

13 16

0.70

3 0.83 6 14

0.99

8 30

Dipilih atribut Jumlah Pembiayaan sebagai Root Node karena memiliki information gain terbesar yaitu 0.64

4.2.2 Perhitungan Internal Node 1. Internal Node 1 A. Atribut Jumlah Anak Tabel 4.6 Jumlah Anak Jumlah Anak Sedikit

Sedang

Banyak Total

Status Kredit Jumlah Macet

0

Tidak Macet

1

Macet

0

Tidak Macet

2

Macet

8

Tidak Macet

0 11

Total Instence

Q

1

0

2

0

8

0

Entropi

0

Nilai

Information

Informasi

Gain

0.85

0.85

B. Atribut Jangka waktu Pembiayaan Tabel 4.7 Kondisi Buku Jangka Waktu Pembiayaan

Status Kredit

Jumlah

Macet Satu Tahun

Tidak Macet Macet

Dua Tahun

Tidak Macet

Total

Total Instence

Q

Entropi

Nilai

Information

Informasi

Gain

0.85

0.55

7 7

0.00

0 0.30 1 4

0.81

3 11

Dipilih atribut Jumlah Anak sebagai Root Node karena memiliki information gain terbesar yaitu 0.85

4.2.3 Decision Tree Langkah software

Gambar 4.1 Software Weka

Gambar 4.2 Weka Eksplorer

Langkah 1. Klik open file, lalu buka file .csv

Gambar 4.3 Weka Classify

Langkah 2. Klik Classify, choose klik tree dan pilih J48

Gambar 4.4 Weka Classify

Langkah 3. Klik kanan di result list klik visualize tree Print Screen Weka

Gambar 4.5 Print screen Weka

4.2.4 Classification Rule Awal 1. If Jumlah Pembiayaannya = kecil THEN Status Kreditnya= TIDAK MACET 2. If Jumlah Pembiayaannya = besar THEN Status Kreditnya = MACET 3. If Jumlah Pembiayaannya = sedang ^ Jumlah Anaknya = Banyak THEN Status Kreditnya = MACET 4. If Jumlah Pembiayaannya = sedang ^ Jumlah Anaknya = Sedang THEN Status Kreditnya = TIDAK MACET 5. If Jumlah Pembiayaannya = sedang ^ Jumlah Anaknya = Sedikit THEN Status Kreditnya = TIDAK MACET

4.2.5 Penyerderhanaan Rule (chi square) 1. Uji Independensi Atribut Kondisi dan Keadaan Buku dengan Distribusi Chi Square Tabel 4.8 Frekuensi Jumlah Pembiayaan Kredit

Kecil

Sedang

Besar

total

Macet

0

8

11

19

Tidak Macet

8

3

0

11

total

8

11

11

30

Tabel 4.9 Frekuensi Diharapkan Jumlah Pembiayaan Kredit

Kecil

Sedang

Besar

total

Macet

5.07

6.97

6.97

19

Tidak Macet

2.93

4.03

4.03

11

8

11

11

30

total

A. Hipotesis HO : Atribut Jumlah Pembiayaan mempunyai hubungan dengan keputusan HI : Atribut Jumlah Pembiayaan tidak mempunyai hubungan dengan keputusan

B. Tingkat Signifikasi dan Derajat Kebebasan Tingkat signifikansi : α = 0.05 Derajat Kebebasan : (r-1).(k-1) = (3-1).(2-1) = 2.1 = 2

C. Kriteria Pengujian X2(0,05;2) = 5.991464547 Ho diterima apabila X2 ≤ 5.991464547 Ho ditolak apabila X2 ≥ 5.991464547

Ditolak

5.991464547

20.6046107

Gambar 4.6 Kurva daerah penolakan atribut kondisi dan keadaan buku

D. Kesimpulan Karena X2hitung

X2(0,05;2)

=

20.6046107

, 5.991464547maka Ho

ditolak yang berarti atribut Jumlah Pembiayaan hubungan dengan keputusan.

2. Uji Independensi Atribut Penilaian Peminjaman dengan Distribusi Chi Square Tabel 4.10 Frekuensi Jumlah Anak Kredit

Sedikit

Sedang

Besar

total

Macet

2

4

13

19

Tidak Macet

4

4

3

11

total

6

8

16

30

Tabel 4.11 Frekuensi Diharapkan Jumlah Anak Kredit

Sedikit

Sedang

Besar

total

Macet

3.80

5.07

10.13

19

Tidak Macet

2.20

2.93

5.87

11

6

8

16

30

Total

A. Hipotesis HO :

Atribut Jumlah Anak mempunyai

hubungan dengan

keputusan H1 :

Atribut

Jumlah Anak tidak mempunyai hubungan

dengan keputusan

B. Tingkat Signifikasi dan Derajat Kebebasan Tingkat signifikansi : α = 0.05 Derajat Kebebasan : (r-1).(k-1) = (2-1).(3-1) = 1.2 = 2

C. Kriteria Pengujian X2(0,05;2) = 5.991464547 Ho diterima apabila X2 ≤5.991464547 Ho ditolak apabila X2 ≥ 5.991464547

Ditolak

5.149521531

5.991464547

Gambar 4.7 Kurva daerah penolakan penilaian peminjaman

D. Kesimpulan Karena X2hitung

X2(0,05;2) , 5.149521531

5.991464547, maka Ho

diterima yang berarti atribut Jumlah Anak tidak mempunyai hubungan dengan keputusan.

3. Uji Independensi Atribut Intensitas Dipinjam dengan Distribusi Chi Square Tabel 4.12 Frekuensi Jangka waktu Pembiayaan Kredit

Satu Tahun

Dua Tahun

total

Macet

13

6

19

Tidak Macet

3

8

11

total

16

14

30

Tabel 4.13 Frekuensi Jangka Waktu Pembiayaan Kredit

Satu Tahun

Dua Tahun

Total

Macet

10.13

8.87

19

Tidak Macet

5.87

5.13

11

16

14

30

total

A. Hipotesis HO :

Atribut Jangka Waktu Pembiayaan mempunyai hubungan dengan keputusan

H1 :

Atribut Jangka Waktu Pembiayaan tidak mempunyai hubungan dengan keputusan

B. Tingkat Signifikasi dan Derajat Kebebasan Tingkat signifikansi : α = 0.05 Derajat Kebebasan : (r-1).(k-1) = (2-1).(2-1) = 1.1= 1

C. Kriteria Pengujian X2(0,05;1) = 3.841459149 Ho diterima apabila X2 ≤ 3.841459149 Ho ditolak apabila X2 ≥ 3.841459149

Ditolak

3.841459149

4.739405332

Gambar 2.2 Kurva daerah penolakan penilaian peminjaman D. Kesimpulan Karena X2hitung

X2(0,05;2) , 16.31054131

4.739405332, maka Ho

ditolak yang berarti atribut Jangka Waktu Pembiayaan mempunyai hubungan dengan keputusan.

2.2.6 Rule Akhir Karean Jumlah Anak Tidak

mempunyai hubungan terhadap keputusan

sehingga bentuk diagram pohonnya sebagai berikut: Tabel 4.14 Kondisi Buku Jangka Waktu

Status Kredit

Jumlah

Macet

7

Pembiayaan

Satu Tahun

Total Instence

7 Tidak Macet

Q

Entropi

Nilai

Information

Informasi

Gain

0

0 0.29501 0.845351

Macet

1

Dua Tahun

4 Tidak Macet

Total

3 11

0.811278124

0.55034071

Jumlah Pembiayaan

Sedang

Kecil

Besar

Jangka Waktu Pembiayaan

Tidak Macet

2 Tahun

Macet

1 Tahun

Tidak Macet

Macet

1. If Jumlah Pembiayaannya = kecil THEN Status Kreditnya= TIDAK MACET 2. If Jumlah Pembiayaannya = besar THEN Status Kreditnya = MACET 3. If Jumlah Pembiayaannya = sedang ^ Jangka Waktu Pembiayaan = Satu tahun THEN Status Kreditnya = MACET 4. If Jumlah Pembiayaannya = sedang ^ Jangka Waktu Pembiayaan = Dua tahun THEN Status Kreditnya = Tidak MACET

4.2.7 Prediksi Tabel 4.15 Data Prediksi JUMLAH

JUMLAH

JANGKA WAKTU

STATUS

PEMBIAYAAN

ANAK

PEMBIAYAAN

KREDIT

1

Besar

Sedang

Satu Tahun

Macet

2

Besar

Banyak

Dua Tahun

Macet

3

Besar

Banyak

Satu Tahun

Macet

4

Sedang

Sedikit

Dua Tahun

Tidak Macet

5

Kecil

Sedang

Dua Tahun

Tidak Macet

NO

BAB V PEMBAHASAN

5.1 Decision Tree Dari hasil pengklasifikasian didapat decision tree sebagai berikut: 1. Pada root node dipilih atribut jumlah pembiayaan karena memiliki nilai information gain terbesar yaitu 0.64 2. Pada internal node 1 dipilih atribut Jumlah Anak yang diletakkan pada instance sedang karena memiliki nilai information gain terbesar yaitu 0.85. Terdiri dari banyak, sedang dan Sedikit 3. Pada internal node 2 atau atribut yang terakhir adalah atribut jangka waktu pembiayaan yang berada pada instance sedang. Tediri dari jangka waktu pembiayaan satu tahun dan dua tahun.

5.2 Classification Rule Awal Rule merupakan model yang terbentuk dari training set dimana sample dalam data dibedakan kedalam kategori atau kelas yang sesuai. Model tersebut kemudian akan digunakan untuk mengklasifikasikan record atau data yang kelasnya belum diketahui sebelumnya. Dari hasil study kasus ini didapat 5 rule awal. Adapun rule tersebut adalah sebagai berikut : 1. IF Jumlah Pembiayaannya = kecil THEN Status Kreditnya= TIDAK MACET 2. IF Jumlah Pembiayaannya = besar THEN Status Kreditnya = MACET 3. IF Jumlah Pembiayaannya = sedang ^ Jumlah Anaknya = Banyak THEN Status Kreditnya = MACET 4. IF Jumlah Pembiayaannya = sedang ^ Jumlah Anaknya = Sedang THEN Status Kreditnya = TIDAK MACET 5. IF Jumlah Pembiayaannya = sedang ^ Jumlah Anaknya = Sedikit THEN Status Kreditnya = TIDAK MACET

5.3 Penyerderhanaan Rule Untuk menyederhanakan rule yang telah ditetapkan, digunakan uji distribusi Chi Square. Setelah didapat rule awal kemudian dilakukan uji independensi terhadap masing-masing atribut. Jika nilai X2 hitung untuk atribut lebih besar dari pada X2 tabel maka atribut bersifat dependen yang artinya atribut tersebut tetap dipakai dalam rule. Namun . Jika nilai X2 hitung untuk atribut lebih kecil dari pada X2 tabel maka atribut bersifat independen, sehingga atribut tersebut dapat dihilangkan dari rule. Atau dengan kata lain rule akan disederhanakan.

5.4 Rule Akhir Masing-masing atribut yang ada akan diuji apakah atribut tersebut bersifat dependent atau independent. Pengujian dilakukan melalui uji independensi dengan distribusi Chi Square. Pengujian ini bertujuan untuk melihat apakah suatu atribut mempunyai keterikatan dengan atribut lain atau atribut tersebut berdiri sendiri. Jika atribut tersebut bersifat dependent atau terikat maka atribut tersebut tetap dipakai dalam rule. Namun jika atribut tersebut bersifat independent atau berdiri sendiri maka atribut tersebut dapat dihilangkan dari rule. Atau dengan kata lain rule akan disederhanakan. Dalam studi kasus ini, setelah dilakukan pengujian dengan uji Chi Square dapat diketahui bahwa atribut “Jumlah Pembiayaan” dan “Jangka Waktu pembiayaan” bersifat dependent, sedangkan atribut “Jumlah Anak ” bersifat independent. Sehingga atribut “Jumlah Anak” dihilangkan dari rule awal. Didapat rule akhir sebagai berikut : 1. IF Jumlah Pembiayaannya = kecil THEN Status Kreditnya= TIDAK MACET 2. IF Jumlah Pembiayaannya = besar THEN Status Kreditnya = MACET 3. IF Jumlah Pembiayaannya = sedang ^ Jangka Waktu Pembiayaan = Satu tahun THEN Status Kreditnya = MACET 4. IF Jumlah Pembiayaannya = sedang ^ Jangka Waktu Pembiayaan = Dua tahun THEN Status Kreditnya = Tidak MACET

5.5 Prediksi Rule akhir yang terbentuk akan digunakan untuk melakukan prediksi terhadap Penerima Kredit lain diluar database yang telah dimiliki. Dalam study kasus ini dilakukan prediksi terhadap subjek baru yang belum diketahui kelas atau kategorinya. Dari 5 subjek baru, 3 subjek baru diprediksi status kredinya adalah “MACET”. Sedangkan 2 subjek baru lainnya status Kreditnya adalah “TIDAK MACET”. Adapun hasil prediksi tersebut adalah sebagai berikut : 1. Subjek 1 yang akan menerima kredit dengan jumlah pembiayaanya besar, jumlah anaknya sedang dan jangka waktu pembiayaan satu tahun diprediksi status kredinya akan Macet. 2. Subjek 2 yang akan menerima kredit dengan jumlah pembiayaanya besar, jumlah anaknya Banyak dan jangka waktu pembiayaan dua tahun diprediksi status kredinya akan Macet 3. Subjek 3 yang akan menerima kredit dengan jumlah pembiayaanya besar, jumlah anaknya Banyak dan jangka waktu pembiayaan satu tahun diprediksi status kredinya akan Macet 4. Subjek 4 yang akan menerima kredit dengan jumlah pembiayaanya sedang, jumlah anaknya Sedikit dan jangka waktu pembiayaan dua tahun diprediksi status kredinya akan Tidak Macet 5. Subjek 5 yang akan menerima kredit dengan jumlah pembiayaanya kecil, jumlah anaknya sedang dan jangka waktu pembiayaan dua tahun diprediksi status kredinya akan Tidak Macet

BAB VI KESIMPULAN DAN SARAN 6.1 Kesimpulan 1. Rule yang terbentuk a. IF Jumlah Pembiayaannya = kecil THEN Status Kreditnya= TIDAK MACET b. IF Jumlah Pembiayaannya = besar THEN Status Kreditnya = MACET c. IF Jumlah Pembiayaannya = sedang ^ Jumlah Anaknya = Banyak THEN Status Kreditnya = MACET d. IF Jumlah Pembiayaannya = sedang ^ Jumlah Anaknya = Sedang THEN Status Kreditnya = TIDAK MACET e. IF Jumlah Pembiayaannya = sedang ^ Jumlah Anaknya = Sedikit THEN Status Kreditnya = TIDAK MACET

2. Hasil Penyerderhanaan rule a. IF Jumlah Pembiayaannya = kecil THEN Status Kreditnya= TIDAK MACET b. IF Jumlah Pembiayaannya = besar THEN Status Kreditnya = MACET c. IF Jumlah Pembiayaannya = sedang ^ Jangka Waktu Pembiayaan = Satu tahun THEN Status Kreditnya = MACET d. IF Jumlah Pembiayaannya = sedang ^ Jangka Waktu Pembiayaan = Dua tahun THEN Status Kreditnya = Tidak MACET

3. Hasil Prediksi a. Subjek 1 yang akan menerima kredit dengan jumlah pembiayaanya besar, jumlah anaknya sedang dan jangka waktu pembiayaan satu tahun diprediksi status kreditnya akan Macet. b. Subjek 2 yang akan menerima kredit dengan jumlah pembiayaanya besar, jumlah anaknya Banyak dan jangka waktu pembiayaan dua tahun diprediksi status kreditnya akan Macet

c. Subjek 3 yang akan menerima kredit dengan jumlah pembiayaanya besar, jumlah anaknya Banyak dan jangka waktu pembiayaan satu tahun diprediksi status kreditnya akan Macet d. Subjek 4 yang akan menerima kredit dengan jumlah pembiayaanya sedang, jumlah anaknya Sedikit dan jangka waktu pembiayaan dua tahun diprediksi status kreditnya akan Tidak Macet e. Subjek 5 yang akan menerima kredit dengan jumlah pembiayaanya kecil, jumlah anaknya sedang dan jangka waktu pembiayaan dua tahun diprediksi status kreditnya akan Tidak Macet

4.2 Saran Mengingat berbagai keterbatasan yang dialami penulis dan berdasarkan hasil praktikum yang telah dilakukan, maka penulis menyarankan untuk pengembangan dimasa yang akan datang sebagai berikut: 1. Bagian bank sebaiknya melakukan identifikasi yang lebih baik lagi dalam pemberian kredit 2. Tentukan hal – hal apa saja yang dibutuhkan oleh penerima kredit. 3. Menentukan hal – hal apa saja yang akan diberikan dan di bebankan kepada penerima kredit.

DAFTAR PUSTAKA Bertalya, “Konsep Data Mining”. Universitas Gunadarma,2009 Chaerudin,

Mochamad,

“IMPLEMENTASI

DAN ANALISA

ALGORITMA

SPRINT SEBAGAI SEBUAH CLASSIFIER POHON KEPUTUSAN YANG SCALABLE PADA DATA MINING”, Tugas Akhir, Jurusan Teknik Informatika, STT TELKOM, 2005. http://www.stttelkom.ac.id/staf/MAB/TAPA-list.htm Ismaya, Agny, ” ANALISIS DAN IMPLEMENTASI OPTIMAL BRAIN SURGEON (OBS) UNTUK KLASIFIKASI PADA DATA MINING”, Tugas Akhir, Jurusan Teknik Informatika, STT TELKOM, 2005. http://www.stttelkom.ac.id/staf/MAB/TA-PA-list.htm Han,Jiawei. “Data Mining Concept and Techniques”. Presentation. http://www.cs.sfu.ca/~han/dmbook Pang-Ning Tan, Michael Steinbach, and Vipin Kumar. ”Introduction to Data Mining”. 2004. http://www.cse.msu.edu/~cse980 Zalilia, Lia, “PENERAPAN DATA MINING UNTUK IDS ”, Tugas Akhir, Jurusan Teknik Elektro, ITB, 2007 www.dtreg.com www.dbminer.com