Majalah Ilmiah, Vol. 25, No. 1, Maret 2018, Hal.

37-44 E-ISSN 2502-8774 P-ISSN 1412-5854

Copyright©2018 by LPPM UPI YPTK Padang

PERANCANGAN APLIKASI DATA MINING

TRANSAKSI PENJUALAN UNTUK MENGETAHUI POLA
BELI KONSUMEN PADA TOKO SINGGALANG PADANG
MENGGUNAKAN ALGORITMA APRIORI BERBASIS WEB

Nelisa, Aulia Fitrul Hadi

Universitas Putra Indonesia YPTK Padang
Email : nelisanasution24@[Link],fitrulhadi@[Link]

ABSTRACT
It takes a method or technique that can transform mountains of data into a valuable information or knowledge
(knowledge) that are useful to support business decision making. Therefore in this paper association analysis
application developed for extracting and interpreting the pattern of trend of sales of goods are often sold
simultaneously from the transaction data using algorithms apriori.
Apriori algorithms will from a frequent itemset as predetermined based on two parameters, support and
confidence, to find the rules of the association between a combination of items. Knowledge of a product can be
used by companies to increase production ansd sales of a product.

Keywords: Data Mining, Algorithm Apriori, the Association Rules, Sales.

1. Pendahuluan

Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih
dengan 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 (Jayapana, 2015).
Data penjualan yang sudah ada akan diolah atau dianalisis untuk mengetahui tingkat
kecenderungan konsumen di setiap tempat tujuan pemasaran produk pada faktor
ketertarikannya. Dari pengolahan data tersebut akan diperoleh suatu pola konsumsi
masyarakat terhadap produk dari perusahaan tersebut.

2. Landasan Teori
[Link] Data Mining
Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan
buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang
bermanfaat dan pengetahuan yang terkait dari berbagai database besar. Istilah data mining
memiliki hakikat sebagai disiplin ilmu yang tujuan utamanya adalah untuk menemukan,
menggali, atau menambang pengetahuan dari data atau informasi yang kita miliki. Data
mining, sering juga disebut sebagai Knowledge Discovery in Database (KDD). KDD adalah
kegiatan yang meliputi pengumpulan, pemakaian data, historis untuk menemukan keteraturan,
pola atau hubungan dalam set data berukuran besar (Jurnal : Mujib Ridwan, dkk 2013).
Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi beberapa tahap proses
yang diilustrasikan pada Gambar 2.4. Tahap-tahap tersebut bersifat interaktif, pemakai terlibat
langsung atau dengan perantaraan knowledge base (Jurnal : Mujib Ridwan, dkk 2013).

37
Majalah Ilmiah, Vol. 25, No. 1, Maret 2018, Hal. 37-44 E-ISSN 2502-8774 P-ISSN 1412-5854
Copyright©2018 by LPPM UPI YPTK Padang

Gambar 2.4 Tahapan-Tahapan Data Mining

Tahap-tahap data mining adalah sebagai berikut:

1. Pembersihan data (data cleaning)
Pembersihan data merupakan proses menghilang-kan noise dan data yang tidak
konsisten atau data tidak relevan.
2. Integrasi data (data integration)
Integrasi data merupakan penggabungan data
dari berbagai database ke dalam satu database baru.
3. Seleksi data (data selection)
Data yang ada pada database sering kali tidak semuanya dipakai, oleh karena itu hanya
data yang sesuai untuk dianalisis yang akan diambil dari database.
4. Transformasi data (data transformation)
Data diubah atau digabung ke dalam format yang sesuai untuk diproses dalam data
mining.
5. Proses mining
Merupakan suatu proses utama saat metode diterapkan untuk menemukan
pengetahuan berharga dan tersembunyi dari data.
6. Evaluasi pola (pattern evaluation)
Untuk mengidentifikasi pola-pola menarik kedalam knowledge based yang
ditemukan.
7. Presentasi pengetahuan (knowledge presentation)

38
Majalah Ilmiah, Vol. 25, No. 1, Maret 2018, Hal. 37-44 E-ISSN 2502-8774 P-ISSN 1412-5854
Copyright©2018 by LPPM UPI YPTK Padang

Merupakan visualisasi dan penyajian pengetahuan mengenai metode yang digunakan

untuk memperoleh pengetahuan yang diperoleh pengguna (Jurnal : Mujib Ridwan,
dkk 2013).

[Link] Data Mining

Beberapa teknik dan sifat Data mining, yaitu (Fajar. 2013:14) :
1. Classification
Klasifikasi ( Classification ) adalah proses untuk menemukan model atau
fungsi yang menjelaskan untuk menemukan model atau fungsi yang menjelaskan atau
membedakan konsep atas kelas data, dengan tujuan untuk dapat memperkirakan kelas
dari suatu obyek yang labelnya tidak diketahui.. ( Wahyu Pramusinto, William Budi
Utama Gunamawan, 2013 : 2 ).
2. Clustering
Mempartisi data-set menjadi beberapa sub-set atau kelompok sedemikiann
rupa sehingga elemen-elemen dari suatu kelompok tertentu memiliki set properti yang
dishare bersama, dengan tingkat similaritas yang tinggi dalam suatu kelompok dan
tingkat similaritas antar kelompok yang rendah. Disebut juga unsupervised learning
(Fajar. 2013).
3. Association Rule Discovery
Analisis asosiasi adalah teknik mining untuk menemukan aturan asosiatif
antara suatu kombinasi item. analysis ( Wahyu Pramusinto, William Budi Utama
Gunamawan, 2013 : 2).
4. Sequential Pattern Discovery
Mencari sejumlah event yang secara umum terjadi bersama-sama.
5. Regression
Memprediksi nilai dari suatu variable kontinyu yang diberikan berdasarkan nilai dari
vairable yang lain, dengan mengansumsikan sebuah model ketergantungan linier atau
nonlinier. Teknik ini dipelajari dalam statistika, bidang jaringan saraf tiruan (neural
network) (Fajar. 2013).

3. Metodologi Penelitian
Kerangka penelitian penelitian ini salah satu metode yang dapat memudahkan seorang
peneliti dalam menyelesaikan laporan dan penelitian adalah dengan menyusun sebuah
kerangka penelitian, agar penelitian tidak keluar dari objek yang akan di teliti Adapun
kerangka penelitian yang penulis lakukan dapat tergambar seperti bagan dibawah ini.

Identifikasi Masalah

Anaisa Masalah

Tujuan Penelitian

Pengumpulan Data

39
Majalah Ilmiah, Vol. 25, No. 1, Maret 2018, Hal. 37-44 E-ISSN 2502-8774 P-ISSN 1412-5854
Copyright©2018 by LPPM UPI YPTK Padang

Analisa Sistem

Perancangan sistem

Pembangunan
P dan
Implementasi

Pengujian Sistem

Gambar 3.1 Kerangka kerja Penelitian

4. Analisa dan Pengolahan Data

4.1 Analisa Data Mining dengan Algoritma Apriori
Analisa data merupakan tahap melakukan penganalisaan terhadap data penjualan yang
diperlukan untuk perancangan system, pada penganalisa dilakukan pengolahan data sesuai
dengan ketentuan rumus yang telah ditetapkan.
Dimana dalam proses perhitungannya hanya data transaksi penjualan yang akan diolah
dalam algoritma apriori, aturan asosiasi dilaksanakan dalam 2 langkah proses, yaitu:
1. Temukan semua frequency itemset ; Berdasarkan defenisi, masing – masing dari
itemset maka muncul sedikitnya dengan frequency sebesar diberikan dalam minimum
support count.
2. Munculkan strong association rule dari frequency itemset, Berdasarkan defenisi,
aturan ini harus memenuhi minimum support dan minimum confidence.
Adapun data-data yang dipelukan dalam penelitan ini dapat dilihat pada tabel 4.1 berikut:

Id Transaksi Item yang dibeli

Gery Salut, Roma Malkist, Nescafe Original, Aqua , Fruit Tea, Pulpy
1
Orange, Milo, Sari Roti.
2 Milo, Sampurna 16, Mizone, FOX 90G, Bear Brand.
Pulpy Orange, Kopiko, Oreo Mini, Astor Wafer, Chunky Bar,
3
Marlboro.
Tango Wafer, Taro Net, Djava Young Bakery, Ohayo Bakery, Qtela ,
4
Putri Chania Pukis, Koko Krunch Combo.
5 Aqua, Lasegar, Bear Brand, Buavita, Fanta Strawbery.
Aqua, Peyek Anugrah, Ohayo Bakery, Teh Pucuk, Aim Biskuit Crispy,
6
Putri Chania Pukis, Tebs Tea Cooler, Sari Roti, MM Nutriboost.
7 Teh Botol, Milo, Nescafe Latte, Mkp Cap Lang.
Aqua, Pulpy Orange, Kopiko, Astor Wafer, Chunky Bar, Marlboro
8
Light.
Tango Wafer, Taro Net, Djava Young Bakery, Ohayo Bakery, Qtela,
9
Putri Chania Pukis, Koko Krunch.
10 Aqua, Lasegar, Bear Brand, Buavita, Fanta Strawbery.
Aqua, Peyek Anugrah, Ohayo Bakery, Teh Pucuk, Lays, Kist Mint,
11 Aim Biskuit Crispy, Putri Chania Pukis, Tebs Tea, Sari Roti, MM
Nutriboost.
12 Cheetos, Ohayo Bakery, Aqua, Teh Botol, Kopiko, Hexos.
13 Sampurna 16, Proman Energenesis, Bear Brand.

40
Majalah Ilmiah, Vol. 25, No. 1, Maret 2018, Hal. 37-44 E-ISSN 2502-8774 P-ISSN 1412-5854
Copyright©2018 by LPPM UPI YPTK Padang

Teh Pucuk, Monde Butter Cookies, Inaco Jelly, Fruit Tea, Indomie
14
Kari Ayam, Biskuat Coklat.
Chitato, Lotte Koala’s March, Koala March, Harapan Baru, Kacang
15 Garuda, Mini Corneto Vanila, Silver Queen Black, M-150, Restu
Bunda, Peyek Dua Putri, Chips Ahoy, Super Duluxe.
16 Aqua, Ohayo Bakery, Hexos, Abc Sari Kacang, Shanty Keripik Balado.
17 Populaire Stro-Van, [Link] Power, Lactogen, Clas Mild 16.
Lasegar, Harapan Baru, Kacang Klt Garuda Bawang, Charm Bf Extra
18 Maxi 8, Walls Feast Chocolate, Paddle Pop Fruity, Cheetos, Orange
Water, Chunky Bar, Fruit Tea, Teh Botol.
19 Fruit Tea, Kopiko, Rexona Men Ico Cool, Lays.
20 Sampurna 16, M-150.
Populaire Stro-Van, Sari Roti, Lays, Lara Kue Bawang, Mytea,
21 Sampurna 16, Yazumi Bakery, Pulpy Orange, Silver Queen Silver,
Aqua.
22 Hexos, Antimo, Paddle Pop Shaky Shake, Aqua.
23 Sari Roti, Paddle Pop Shaky Shake, Mytea.
Aqua, Teh Pucuk, Lays, Kopiko, You C1000 Orange, Pulpy Orange,
24 Cheetos, Monde Butter Cookies, Fitbar Coklat, Paseo Smart Refil,
Tango Wafer.
Sampurna 16, Tango Wafer, Niss Lemonia, Good Time Precious, Bear
25
Brand, Lays, Kacang Garuda.
26 Rexona Ro, Orange Water.
Lays, Paddle Pop Ocean, Tango Wafer, [Link] Magma, Boom Pot
27 Mint, Populaire Cup Choc-Vanila, Frestea Melati, Sweety Xl 8 Extra,
Faajar Kerupuk Bawang, Lolipop Pelangi Kecil.
Antangin Permen, Restu Bunda, Fajar Kerupuk Bawang, Pulpy Orange,
28
Aqua.
29 Paddle Pop Color Poper, Paddle Pop Roket Jely.
Aqua, Garuda KCG Atom Manis, Lara Kue Bawang, Nescafe Latte,
30
Chitato, Rifa Snack Kue Arai Pinang, Pulpy Orange, Sum Ayu S Sirih.
J.A Styl Cream, Vaseline Hbl, Axe 150, Kinder, Mb Lotion, Milna
31 Biskuit, Pepsodent 120, Indomie Kari Ayam, Indomie Goreng,
Indofood Sambal, Teh Botol, Ohayo Bakery.
32 Aqua, Paddle Pop Fruity Zap, [Link] Power.
Fajar Kerupuk Bawang, Peyek Anugrah, Snack Ball Jagung, Putri
33
Chania Pukis, Teh Botol, Restu Bunda, Chesse Ring.
34 Clas Mild 16, Dunhil Filter 16, Garnier Light Spf.
Tabel 4.1 Tabel Transaksi
4.2 Analisa Pola Frekuensi Tinggi

Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support
dalam database. Nilai support sebuah item diperoleh dengan rumus berikut :

𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴

𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴) =
Total Transaksi

Nilai support dari 2 item diperoleh dengan menggunakan rumus :

Support (A,B)= P(A∩B)

∑𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵

𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴, 𝐵) =
∑Transaksi

41
Majalah Ilmiah, Vol. 25, No. 1, Maret 2018, Hal. 37-44 E-ISSN 2502-8774 P-ISSN 1412-5854
Copyright©2018 by LPPM UPI YPTK Padang

Setiap transaksi mempertasikan himpunan item yang berada dalam himpunan item yang
dijual. Aturan yang kuat adalah aturan – aturan yang melebihi kriteria support dan confidence
minimum. Misalnya seorang analisis menginginkan aturan yang memiliki suppoort lebih dari
10% dan confidence lebih dari 10%. Sebuah itemset adalah himpunan item – item yang ada
dan k-itemset adalah itemset yang berisi k-item dan {A, B, C} merupakan 3 itemset.
Frequent itemset adalah itemset yang terjadi paling sedikit pada jumlah tertentu,
ditentukan dengan banyak transaksi yaitu 34 dibagi dengan banyak item barang pada
transaksi , sehingga dapat dicari dengan rumus :

𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴

𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴) =
𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖
Untuk k = 2 (2 item), dari setiap item yang melewati support 30% akan dicari frequent
itemset masing – masing item Nilai support dan 2 item diperoleh dengan menggunakan rumus
:
Support (A,B) = P (A∩B)
∑ Transaksi mengandung A dan B
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴, 𝐵) =
∑ Trasaksi

Dari data yang sudah di masukan dan nilai dari minimum support yang telah
ditentukan yaitu 10%, dan minimum confidence 10%, maka item yang mempunyai nilai
minimum support diatas dari 10% dan nilai minimum confidence 10%, maka item tersebut
yang akan di ambil untuk menentukan nilai frequent itemset.

4.3 Pembentukan Aturan Asosiasi

Setelah semua pada frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yang
memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan asosiatif
AB.

Nilai confidence dari aturan AB diperoleh dari rumus berikut:

∑Transaksi mengandung A dan B

Confidence = P(B|A) = ∑Transaksi mengandung A
∑(Aqua,Lays) 0,12
Confidence = P(5|49) = = = 0,29 = 29%
∑Aqua 0,41
∑(Lays,Aqua) 0,12
Confidence = P(49|5) = = = 0,67 = 67%
∑Lays 0,18
∑( Aqua,Ohayo Bakery) 0,12
Confidence = P(5|67) = = = 0,29 = 29%
∑ Aqua 0,41
∑( Ohayo Bakery,Aqua) 0,12
Confidence = P(67|5) = = = 0,57 = 57%
∑ Ohayo Bakery 0,21
∑(Aqua,Pulpy Orange) 0,18
Confidence = P(5|85) = = = 0,44 = 44%
∑Aqua 0,41
∑(Pulpy Orange,Aqua) 0,18
Confidence = P(85|5) = = = 0,86 = 86%
∑Pulpy Orange 0,21
∑(Aqua,Sari Roti) 0,12
Confidence = P(5|94) = = = 0,29 = 29%
∑Aqua 0,41
∑(Sari roti,Aqua) 0,12
Confidence = P(94|5) = = = 0,80 = 80%
∑Sari roti 0,15
∑(Ohayo Bakery,Putri Chania Pukis) 0,12
Confidence = P(67|86) = = = 0,57 = 57%
∑Ohayo Bakeri 0,21
∑(Putri Chania Pukis,Ohayo Bakery) 0,12
Confidence = P(86|67) = =0,15 = 0,80 = 80%
∑Putri Chania Pukis

42
Majalah Ilmiah, Vol. 25, No. 1, Maret 2018, Hal. 37-44 E-ISSN 2502-8774 P-ISSN 1412-5854
Copyright©2018 by LPPM UPI YPTK Padang

Hasil pencarian untuk confidence yang didapat dari perhitungan kombinasi 2 itemset yang
terdapat pada Tabel 4.2 berikut ini :
Knowledge Confidence Persentase
- Jika konsumen membeli Aqua, 0,29 29%
maka membeli Lays
- Jika konsumen membeli Lays, 0,67 67%
maka membeli Aqua
- Jika konsumen membeli Aqua, 0,29 29%
maka membeli Ohayo Bakery
- Jika konsumen membeli Ohayo 0,57 57%
Bakery, maka membeli Aqua
- Jika konsumen membeli Aqua, 0,44 44%
maka membeli Pulpy Orange
- Jika konsumen membeli Pulpy 0,86 86%
Orange, maka membeli Aqua
- Jika konsumen membeli Aqua, 0,29 29%
maka membeli Sari Roti
- Jika konsumen membeli Sari 0,80 80%
Roti, maka membeli Aqua
- Jika konsumen membeli Ohayo 0,57 57%
Bakery, maka membeli Putri
Chania Pukis
- Jika konsumen membeli Ohayo 0,80 80%
Bakery, maka membeli Jika
konsumen membeli Putri Chania
Pukis, maka membeli Ohayo
Bakery
Tabel 4.2 Tabel Knowledge

5 Kesimpulan
Dari penulisan tugas akhir ini mulai dari tahapan analisa permasalahan yang ada, hingga
pengujian aplikasi sistem maka dapat diambil beberapa kesimpulan yaitu:
1. Data Mining dapat di implementasikan dengan menggunakan database
penjualan produk barang untuk dapat menemukan kecenderungan pola
kombinasi itemsets sehingga dapat dijadikan sebagai informasi untuk
mengetahui prilaku konsumen dalam membeli produk barang secara
bersamaan.
2. Aplikasi ini juga sebagai alternative alat bantu keputusan dalam menentukan
penempatan barang diarea yang saling berdekatan sesuai prilaku konsumen
dalam membeli barang secara bersamaan, membantu untuk mengetahui
produk barang yang jarang dibeli konsumen dan sebagai alat alternative

43
Majalah Ilmiah, Vol. 25, No. 1, Maret 2018, Hal. 37-44 E-ISSN 2502-8774 P-ISSN 1412-5854
Copyright©2018 by LPPM UPI YPTK Padang

dalam meningkatkan strategi pemasaran dengan cara membuat diskon barang

tertentu yang jarang di beli untuk menarik minat beli konsumen.
3. Dengan menerapkan aplikasi data mining menggunakan metode association
rules ini dapat mengetahui bahwa prduk yang paling tinggi lah persentase
terjualnya maka produk tersebutlah yang akan ditingkatkan agar konsumen
terpenuhi keinginannya.
4. Dengan menerapkan aplikasi data mining menggunakan metode association
rules ini dapat mempermudah karyawan dalam memberikan laporan transaksi
dengan cepat dan tepat terhadap pemimpinnya agar pimpinan dapat
memberikan keputusan cepat dan tepat

Daftar Pustaka

[1]. Hermawati, Fajar Astuti. "Data Mining. 2013." ANDI: Yogyakarta.

[2]. RIANGGA, JAYAPANA DUTA. "Analisis Pola Pembelian Konsumen Dengan
Algoritma Apriori Pada Data Transaksi Penjualan Obat Di Apotek Rahayu Jepara."
Skripsi, Fakultas Ilmu Komputer (2015).
[3]. Ridwan, Mujib, Hadi Suyono, and M. Sarosa. "Penerapan Data Mining Untuk
Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes
Classifier." Jurnal EECCIS : 59-64.
[4]. Pramusinto, Wahyu, and William Budi Utama Gunawan-Universitas Budi.
"Implementasi Algoritma Apriori untuk Aplikasi Data Mining Informasi Manfaat
Asuransi Jiwa Studi Kasus: Pada PT Azarel Jelia Sejahtera." Jurnal TICom 2.1 (2013).
[5]. Hadi, A. F. (2017). ANALISIS DATA MINING UNTUK MENENTUKAN VARIABEL–VARIABEL
YANG MEMPENGARUHI KELAYAKAN KREDIT KEPEMILIKAN RUMAH MENGGUNAKAN
TEKNIK KLASIFIKASI. Komputer Teknologi Informasi, 4(1).

44