cynthia banowaty 11111695 pembimbing : lely prananingrum...
TRANSCRIPT
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
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.