DATA MINING UNTUK

PERANCANGAN PENGAMBILAN

KEPUTUSAN PRODUK KERAJINAN

MENGGUNAKAN ALGORITMA

APRIORI BERBASIS WEBSITE

Cynthia Banowaty

11111695

Pembimbing : Lely Prananingrum, S.Kom., MMSi

Latar Belakang Masalah

Batasan Masalah

Data kerajinan yang digunakan berdasarkan

pada kota Cirebon, data-data yang diperoleh

tersebut didapatkan dari JCC (Jabar Craft

Center) yang berlokasi di kota Bandung.

Data yang diambil merupakan data transaksi

pembelian produk pada bulan Januari sampai

dengan April tahun 2013.

Aplikasi yang dibuat, ditujukan untuk admin.

Tujuan Penulisan

Melakukan analisis data kerajinan dan membuat

aplikasi data mining dengan algoritma apriori, untuk

menentukan pertumbuhan produk kerajinan tangan

Cirebon pada suatu toko kerajinan.

Membantu proses menentukan produk yang paling

banyak diminati yang akan dijadikan produk unggul.

Produk unggul tersebut akan digunakan sebagai

suatu keputusan yang berguna bagi pemasaran

produk kerajinan.

Metode Penelitian

1. Studi Pustaka

Mempelajari teori-teori data mining.

Mencari informasi yang terkait dengan penulisan

menggunakan penulusuran internet.

2. Studi Lapangan

Pengumpulan Data

Perancangan Sistem

Proses Data Mining

Aturan Asosiasi (Association Rule)

Aturan asosiasi (association rule)

adalah metode data mining untuk

mencari suatu hubungan yang

menunjukkan kondisi di dalam satu

set data, yang beberapa nilai atribut

akan muncul secara bersamaan.

Analisa Asosiasi dengan Algoritma Apriori

Dalam menentukan suatu association rule,

terdapat suatu interestingness measure (ukuran

ketertarikan) yang didapatkan dari hasil pengolahan data

dengan perhitungan tertentu, yaitu :

a. Support (nilai penunjang/pendukung)

b. Confidence (nilai kepastian/keyakinan)

Kedua ukuran ini nantinya berguna dalam

menentukan interesting association rules, yaitu untuk

dibandingkan dengan batasan (threshold) yang

ditentukan oleh user.

Analisis Pencarian Pola Frekuensi

Tinggi : C1 (Kandidat 1-Itemset)

Itemset Kode_Barang Support

Support_Cou

nt(%)

Guci Rotan R1 3 3/35 = 8%

Tempat tidur bayi rotan R2 1 1/35 = 2%

Keranjang buah dari rotan R3 2 2/35 = 5%

Keranjang belanja dari

rotan R4 2 2/35 = 5%

Kerajian bunga rotan R5 1 1/35 = 2%

Kursi Rotan R6 2 2/35 = 5%

Furniture Rotan R7 8 8/35 = 22%

Batik Cap B1 3 3/35 = 8%

Batik tulis khas Cirebon B2 4 4/35 = 11%

Batik Cirebon B3 4 4/35 = 11%

Batik Bordir B4 4 4/35 = 11%

Batik Trusmi B5 13 13/35 = 37%

Kaca Patri K1 2 2/35 = 5%

Kaca Grafis K2 2 2/35 = 5%

Kaca Pasta K3 1 1/35 = 2%

Lukisan Kaca K4 4 4/35 = 11%

Karpet Eceng Gondok G1 1 1/35 = 2%

Tas Eceng Gondok G2 1 1/35 = 2%

Lampu Hias LH 1 1/35 = 2%

Souvenir SO 8 8/35 = 22%

Kaligrafi KL 2 2/35 = 5%

Wayang WY 2 2/35 = 5%

Relief Tembaga RT 1 1/35 = 2%

Meubeul Kayu Jati JT 7 7/35 = 20%

Hiasan Dinding HD 2 2/35 = 5%

Topeng TP 9 9/35 = 25%

Boboko BO 8 8/35 = 22%

Kerajinan Kerang A1 12 12/35 = 34%

Lampu Duduk Kulit Kerang LK 3 3/35 = 8%

Guci Kerang GK 4 4/35 = 11%

Analisis Pencarian Pola Frekuensi Tinggi

: L1 (Large 1-itemset)

Inisial Itemset Support Support _Count(%)

A Furniture Rotan 8 8/35 = 22%

B Batik Trusmi 13 13/35 = 37%

C Souvenir 8 8/35 = 22%

D Meubeul Kayu Jati 7 7/35 = 20%

E Topeng 9 9/35 = 25%

F Boboko 8 8/35 = 22%

G Kerajinan Kerang 12 12/35 = 34%

Berdasarkan Tabel 3.3 (C1) yang berisi

item-item dengan support yang

dimilikinya, selanjutnya dicari L1= {large

1-itemset} dengan memilih item yang

memenuhi nilai minimum support ≥20%.

Sehingga didapatkan tabel seperti di atas.

Analisis Pencarian Pola Frekuensi

Tinggi : C2 (Kandidat 2-itemset)

Itemset Support Support_Count (%)

{A,B} 1 1/35 = 2%

{A,C} 0 0/35 = 0%

{A,D} 0 0/35 = 0%

{A,E} 1 1/35 = 2%

{A,F} 0 0/35 = 0%

{A,G} 1 1/35 = 2%

{B,C} 2 2/35 = 5%

{B,D} 0 0/35 = 0%

{B,E} 2 2/35 = 5%

{B,F} 1 1/35 = 2%

{B,G} 2 2/35 = 5%

{C,D} 1 1/35 = 2%

{C,E} 2 2/35 = 5%

{C,F} 0 0/35 = 0%

{C,G} 2 2/35 = 5%

{D,E} 2 2/35 = 5%

{D,F} 1 1/35 = 2%

{D,G} 0 0/35 = 0%

{E,F} 1 1/35 = 2%

{E,G} 4 4/35 = 11%

{F,G} 0 0/35 = 0%

Proses selanjutnya yaitu

menghasilkan kandidat 2-itemsets

atau C2, dengan melalui tahap join

(gabung) yaitu dengan

mengkombinasikan produk atau

item yang ada pada Tabel L1.

Selanjutnya akan dihasilkan tabel

seperti di samping.

Analisis Pencarian Pola Frekuensi

Tinggi : L2 (Large 2-itemset)

Setelah dihitung dan ditemukan

support dari tiap kandidat 2-

itemsets, maka dengan tahap

pemangkasan (prune) yaitu

menghilangkan item yang tidak

memenuhi nilai minimum support

≥5% dapat ditetapkan sebagai

frequent itemset dengan panjang 2

atau Large 2-itemset (L2), seperti

tabel di saming.

Itemset Support Support_Count (%)

B=>C 2 2/35 = 5%

C=>B 2 2/35 = 5%

B=>E 2 2/35 = 5%

E=>B 2 2/35 = 5%

B=>G 2 2/35 = 5%

G=>B 2 2/35 = 5%

C=>E 2 2/35 = 5%

E=>C 2 2/35 = 5%

C=>G 2 2/35 = 5%

G=>C 2 2/35 = 5%

D=>E 2 2/35 = 5%

E=>D 2 2/35 = 5%

E=>G 4 4/35 = 11%

G=>E 4 4/35 = 11%

Pembentukan Aturan Asosiasi

(Association Rule)

Itemset Support

Support_Count

(%)

Rumus

Confidence

Confidence

(%)

B=>C 2 2/35 = 5% (B,C)/B 2/13 = 15%

C=>B 2 2/35 = 5% (C,B)/C 2/8 = 25%

B=>E 2 2/35 = 5% (B,E)/B 2/13 = 15%

E=>B 2 2/35 = 5% (E,B)/E 2/9 = 22%

B=>G 2 2/35 = 5% (B,G)/B 2/13 = 15%

G=>B 2 2/35 = 5% (G,B)/G 2/12 = 16%

C=>E 2 2/35 = 5% (C,E)/C 2/8 = 25%

E=>C 2 2/35 = 5% (E,C)/E 2/9 = 22%

C=>G 2 2/35 = 5% (C,G)/C 2/8 = 25%

G=>C 2 2/35 = 5% (G,C)/G 2/12 = 16%

D=>E 2 2/35 = 5% (D,E)/D 2/7 = 28%

E=>D 2 2/35 = 5% (E,D)/E 2/9 = 22%

E=>G 4 4/35 = 11% (E,G)/E 4/9 = 44%

G=>E 4 4/35 = 11% (G,E)/G 4/12 = 33%

Untuk mencari aturan asosiasi

dari iterasi terhadap langkah-

langkah yang dilakukan

sebelumnya, kemudian akan

dihitung nilai confidence dari

setiap item yang terdapat pada

L2 berdasarkan nilai confidence

dari aturan A => B diperoleh dari

rumus berikut:

Aturan Asosiasi (Association Rule)

No. IF Antecendent ELSE Consequence

(X=>Y)

Support_Count

(%)

Confidence

(%)

1. Meubeul Kayu Jati => Topeng 2/35 = 5% 2/7 = 28%

2. Topeng => Kerajinan Kerang 4/35 = 11% 4/9 = 44%

3. Kerajinan Kerang => Topeng 4/35 = 11% 4/12 = 33%

Selanjutnya dimisalkan nilai minimum confidence = 28%, maka aturan asosiasi yang

mungkin terbentuk adalah sebagai berikut:

1. Untuk rule 1, D=>E dapat dibaca “Jika membeli Meubeul Kayu Jati, maka akan

membeli Topeng dengan support 5% dan confidence 28%.

2. Untuk rule 2, E=>G dapat dibaca “Jika membeli Topeng, maka akan membeli

Kerajinan Kerang dengan support 11% dan confidence 44%.

3. Untuk rule 3, D=>C dapat dibaca “Jika membeli Kerajinan Kerang, maka akan

membeli Topeng dengan support 11% dan confidence 33%.

Diagram Activity

Admin

Login

Input user dan pass

Start

Tidak

Menu Utama

Proses Data MiningData Produk List Data Transaksi

Add, Edit, Delete, Back, UploadAdd, Edit, Delete, Back, Upload, Search

Simpan Data Produk

Input min.Confidence, Proses, Delete, Back, Print

Simpan Data Transaksi Tampil dan Cetak Hasil

End

Diagram Use Case

Admin

Login

Data Barang

List Data Transaksi

Proses Analisis Apriori

Add

Edit

Delete

Upload

Upload

Delete

Edit

Add

Search

min.Confidence

Print

Delete

Diagram Class

Login

+User: string+Password: string

+tampilan()+proses()

Menu Utama

+Data Produk: string+List Data Transaksi: string+Proses Data Mining: string

+tampilan()+proses()

Data Produk

+Input Kode Barang: string+Input Nama Barang: string

+tampil()+proses()+add()+edit()+delete()+back()+upload() List Data Transaksi

+Input ID Transaksi: string+Input Kode Barang: string+Searching: string

+tampil()+proses()+add()+edit()+delete()+back()+upload()

Proses Data Mining

+Input min.Confidence: string

+proses()+delete()+back()+print()+proses()+tampil()

Diagram Sequence

Admin Apriori Proses

1 : Input min.Support()

2 : Perhitungan Support()

3 : Input min.Confidence()

4 : Perhitungan Confidence()

5 : Hasil Suggesti()

Alur Kerja (Flowchart) dari Sistem

Relasi Antar Tabel

Perancangan Struktur Aplikasi Data Mining

Halaman Utama

Tampilan Login

Tampilan Menu Utama

Tampilan Data Produk

Tampilan List Data Transaksi

Halaman Proses Data Mining

Kesimpulan

• Dapat menghasilkan sebuah sistem pendukung keputusan

penjualan barang untuk suatu toko kerajinan yang dapat

membantu admin toko untuk menyeimbangkan nilai guna

barang.

• Dapat mengetahui barang yang sering dibeli oleh konsumen

secara bersamaan.

• Dapat digunakan sebagai alat bantu meminimalisasi kesalahan

dan memungkinkan pihak toko kerajinan memiliki sistem

pendukung keputusan penjualan barang yang dapat digunakan

untuk mengetahui keterkaitan antar barang yang dibeli oleh

konsumen dan meningkatkan pelayanan pada konsumen.

Saran

• Pengembangan dengan menambahkan volume

data, penggunaan level confidence dan support

yang bervariasi sehingga diperoleh lebih

banyak lagi asosiasi antar data.

• Menambahkan tanggal pada data transaksi,

sehingga dapat diketahui seberapa besar

pegaruh penjualan dalam waktu tertentu.