PENERAPAN DATA MINING UNTUK PENEMPATAN TANAMAN HIAS MENGGUNAKAN METODE ASSOCIATION RULE
PENERAPAN
DATA MINING UNTUK PENEMPATAN TANAMAN HIAS MENGGUNAKAN METODE ASSOCIATION RULE
PROJECT
UAS DATA MINING
DISUSUN
OLEH :
FANNY
AULI ERISEN
201631152
PROGRAM
STUDI SARJANA
TEKNIK
INFORMATIKA
JAKARTA,2020
BAB
I
PENDAHULUAN
1.1
Latar Belakang
Perkembangan teknologi informasi telah memberikan kontribusi
pada cepatnya
pertumbuhan jumlah data yang dikumpulkan dan di simpan dalam basis data yang berukuran
besar (tumpukan data). Dibutuhkan sebuah metode atau teknik yang dapat merubah tumpukan
data tersebut menjadi sebuah informasi berharga atau pengetahuan (knowledge) yang
bermanfaat untuk mendukung pengambilan keputusan bisnis. Suatu teknologi yang dapat
digunakan untuk mewujudkannya adalah data mining. Data Mining adalah proses mencari pola
atau informasi menarik dalam data terpilih dengan mengunakan teknik atau metode tertentu. [2]
Data mining berkembang menjadi alat bantu untuk mencari pola-pola yang berharga dalam
suatu basis data yang sangat besar jumlahnya, sehingga tidak memungkinkan dicari secara
manual.
pertumbuhan jumlah data yang dikumpulkan dan di simpan dalam basis data yang berukuran
besar (tumpukan data). Dibutuhkan sebuah metode atau teknik yang dapat merubah tumpukan
data tersebut menjadi sebuah informasi berharga atau pengetahuan (knowledge) yang
bermanfaat untuk mendukung pengambilan keputusan bisnis. Suatu teknologi yang dapat
digunakan untuk mewujudkannya adalah data mining. Data Mining adalah proses mencari pola
atau informasi menarik dalam data terpilih dengan mengunakan teknik atau metode tertentu. [2]
Data mining berkembang menjadi alat bantu untuk mencari pola-pola yang berharga dalam
suatu basis data yang sangat besar jumlahnya, sehingga tidak memungkinkan dicari secara
manual.
Data Mining merupakan proses analisa data untuk menemukan
suatu pola dari
kumpulan data yang tersembunyi [5]. Dengan terus saya perhatikan penjualan tanaman hias yang ada disekitar, serta data yang sudah di dapat dari hasil penjualan bunga, melihat ketertarikan terhadap keindahan Bunga satu dan lainnya, pada kenyataan tanaman hias kebanyak diletakan di tempat yang kurang dapat dilihat sehingga terkadang tanaman tersebut jarang di beli atau laku, maka dari itu untuk membuat suatu peletakan tanaman tersebut menjadi efisiean Salah satu solusi yang dapat digunakan adalah ngimplementasikandata mining menggunakan metode association rule untuk menentukan penempatan tanaman hias yang ada
kumpulan data yang tersembunyi [5]. Dengan terus saya perhatikan penjualan tanaman hias yang ada disekitar, serta data yang sudah di dapat dari hasil penjualan bunga, melihat ketertarikan terhadap keindahan Bunga satu dan lainnya, pada kenyataan tanaman hias kebanyak diletakan di tempat yang kurang dapat dilihat sehingga terkadang tanaman tersebut jarang di beli atau laku, maka dari itu untuk membuat suatu peletakan tanaman tersebut menjadi efisiean Salah satu solusi yang dapat digunakan adalah ngimplementasikandata mining menggunakan metode association rule untuk menentukan penempatan tanaman hias yang ada
.Pada penelitian sebelumnya dilakukan oleh Kennedi Tampubolon
(2013) dengan tema
Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan Alat-Alat Kesehatan
dimana Penerapan Algoritma Apriori pada teknik Data Mining sangat efisien dan dapat
mempercepat proses pembentukan kecenderungan pola kombinasi item set hasil penjualan alatalat kesehatan di Apotek Kelambir-2 Medan, yaitu dengan support dan confidence tertinggi
adalah Stick Asam Urat - Stick Gula dan Stick Colestrol- Stick Gula [8]. Maka dari itu saya ingin membuat suatu solusi untuk para pedagang tanaman hias agar tanaman hias dapat mendjadi efisien.
Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan Alat-Alat Kesehatan
dimana Penerapan Algoritma Apriori pada teknik Data Mining sangat efisien dan dapat
mempercepat proses pembentukan kecenderungan pola kombinasi item set hasil penjualan alatalat kesehatan di Apotek Kelambir-2 Medan, yaitu dengan support dan confidence tertinggi
adalah Stick Asam Urat - Stick Gula dan Stick Colestrol- Stick Gula [8]. Maka dari itu saya ingin membuat suatu solusi untuk para pedagang tanaman hias agar tanaman hias dapat mendjadi efisien.
1.2
Rumusan Masalah
Dari
latar belakang di atas, maka permasalahan tersebut dapat dirumuskan sebagai
berikut :
1. Bagaimana
cara kerja sistem algoritma association rule ?
2. Bagaimana
cara menentukkan letak tanaman hias yang efektif dan efisien?
1.3
Tujuan
Dari
rumusan masalah di atas dapat kita ketahui bahwa tujuan dari penelitian ini
adalah:
1. Mengerti
dengan cara kerja algoritma association rule apriori.
2. Dapat
memberikan informasi bagaimana peletakan tanaman hias yang efektif dan efisian
kepada para penjual tanaman
1.4
Manfaat
Manfaat dari penelitian
ini adalah mengerti pengimpelementasian dari sebuah Metode Association rule
arpriori pada kehidupan nyata, serta dapat membantu para penjual tanaman hias,
sehingga dapat meningkat kan produktifitas penjualannya
BAB
II
TINJAUAN
PUSTAKA
2.1
Data Mining
Data
mining adalah sebagai proses untuk mendapatkan informasi yang berguna dari
gudang basis data yang besar. Data mining juga dapat diartikan sebagai pengekstrakan nformasi baru yang diambil dari bongkahan data besar yang membantu dalam pengambilan
keputusan [6]. Data mining sering juga disebut dengan Knowledge Discovery in Database atau
disingkat KDD, adalah kegiatan yang meliputi pengumpulan, pemakaian data histori untuk
menelusuri data yang ada untuk membangun sebuah model agar dapat mengenali pola data yang
lain berukuran besar [6]. Gambar 2.1 tahapan Proses KDD sebagai berikut:
gudang basis data yang besar. Data mining juga dapat diartikan sebagai pengekstrakan nformasi baru yang diambil dari bongkahan data besar yang membantu dalam pengambilan
keputusan [6]. Data mining sering juga disebut dengan Knowledge Discovery in Database atau
disingkat KDD, adalah kegiatan yang meliputi pengumpulan, pemakaian data histori untuk
menelusuri data yang ada untuk membangun sebuah model agar dapat mengenali pola data yang
lain berukuran besar [6]. Gambar 2.1 tahapan Proses KDD sebagai berikut:
Enam elemen yang paling esensial
dalam teknik pencarian informasi/pengetahuan dalam KDD
yaitu [7]:
1. Mengerjakan sejumlah besar data.
2. Diperlukan efesiensi berkaitan dengan volume data.
3. Mengutamakan ketetapan/keakuratan.
4. Membutuhkan pemakaian bahasa tingkat tinggi.
5. Menggunakan beberapa bentuk dari pembelajaran otomatis.
6. Menghasilkan hasil yang menarik
yaitu [7]:
1. Mengerjakan sejumlah besar data.
2. Diperlukan efesiensi berkaitan dengan volume data.
3. Mengutamakan ketetapan/keakuratan.
4. Membutuhkan pemakaian bahasa tingkat tinggi.
5. Menggunakan beberapa bentuk dari pembelajaran otomatis.
6. Menghasilkan hasil yang menarik
2.2
Algoritma Apriori
Algoritma
apriori merupakan salah satu algoritma klasik data mining. Algoritma apriori
digunakan agar komputer dapat mempelajari aturan asosiasi, mencari pola
hubungan antar satu atau lebih item dalam suatu dataset. Algoritma apriori banyak digunakan pada data transaksi atau
biasa disebut market basket, misalnya sebuah swalayan memiliki market basket,
dengan adanya algoritma apriori, pemilik swalayan dapat mengetahui pola
pembelian seorang konsumen, jika seorang konsumen membeli item A , B, punya
kemungkinan 50% dia akan membeli item C, pola ini sangat signifikan dengan
adanya data transaksi selama ini.
Penting
tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter, support
(nilai penunjang) yaitu persentase kombinasi item tersebut dalam database dan
confidence (nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan
assosiatif.
Definisi-Definisi yang Terdapat Pada Association Rule
1. E adalah
himpunan yang tengah dibicarakan. Contoh: {Asparagus, Beans, …,
Tomatoes}
2. D adalah
Himpunan seluruh transaksi yang tengah dibicarakan. Contoh: {Transaksi
1, transaksi 2, …, transaksi 14}
3. Proper Subset
adalah Himpunan Bagian murni. Contoh:
Ada suatu himpunan A={a,b,c,}
Himpunan Bagian dari A adalah
Himpunan Kosong = {}
Himpunan 1 Unsur = {a},{b},{c}
Himpunan 2 Unsur = {a,b},{a,c},{b,c}
Himpunan 3 Unsur = {a,b,c,}
Proper subset nya adalah Himpunan 1 Unsur dan Himpunan 2 Unsur
Ada suatu himpunan A={a,b,c,}
Himpunan Bagian dari A adalah
Himpunan Kosong = {}
Himpunan 1 Unsur = {a},{b},{c}
Himpunan 2 Unsur = {a,b},{a,c},{b,c}
Himpunan 3 Unsur = {a,b,c,}
Proper subset nya adalah Himpunan 1 Unsur dan Himpunan 2 Unsur
4. Item set adalah
Himpunan item atau item-item di E. Contoh:
Ada suatu himpunan E={a,b,c,}, Item set nya adalah {a};{b}:{c};{a,b};{a,c};{b,c}
Ada suatu himpunan E={a,b,c,}, Item set nya adalah {a};{b}:{c};{a,b};{a,c};{b,c}
5. K- item set
adalah Item set yang terdiri dari K buah item yang ada pada E. Intinya K itu
adalah jumlah unsur yang terdapat pada suatu Himpunan. Contoh: 2-item set
adalah yang bersifat 2 unsur {a,b},{a,c},{b,c}.
6. Item set
Frekuensi adalah Jumlah transaksi di I yang mengandung jumlah item set
tertentu. Intinya jumlah transaksi yang membeli suatu item set. Contoh:
Kita gunakan tabel transaksi penjualan sayur di atas
– frekuensi Item set yang sekaligus membeli Beans dan Brocolli adalah 3
– frekuensi item set yang membeli sekaligus membeli Beans, Squash dan Tomatoes adalah 2.
Kita gunakan tabel transaksi penjualan sayur di atas
– frekuensi Item set yang sekaligus membeli Beans dan Brocolli adalah 3
– frekuensi item set yang membeli sekaligus membeli Beans, Squash dan Tomatoes adalah 2.
7. Frekuen Item
Set adalah item set yang muncul sekurang-kurangnya “sekian” kali di D (minimum
support). Kata “sekian” biasanya di simbolkan dengan Ф. Ф merupakan batas
minimum dalam suatu transaksi.
8. Fk atau
K-itemset adalah himpunan semua frekuen Item Set yang terdiri dari K
item, misalnya beras,telur,minyak adalah 3-itemset (Dinotasikan sebagai
K-itemset)
Langkah atau Cara Kerja Apriori
- Tentukan minimum support.
- Iterasi 1 : hitung item-item
dari support(transaksi yang memuat seluruh item) dengan men-scan database
untuk 1-itemset, setelah 1-itemset didapatkan, dari 1-itemset apakah
diatas minimum support, apabila telah memenuhi minimum support, 1-itemset
tersebut akan menjadi pola frequent tinggi.
- Iterasi 2 : untuk
mendapatkan 2-itemset, harus dilakukan kombinasi dari k-itemset
sebelumnya, kemudian scan database lagi untuk hitung item-item yang memuat
support. itemset yang memenuhi minimum support akan dipilih sebagai pola
frequent tinggi dari kandidat.
- Tetapkan nilai k-itemset
dari support yang telah memenuhi minimum support dari k-itemset.
- Lakukan proses untuk iterasi
selanjutnya hingga tidak ada lagi k-itemset yang memenuhi minimum support.
Formula Pencarian Nilai Support & Confidence
support-AUB
Setelah semua pola frekuensi tinggi ditemukan, barulah dicari
aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan
menghitung confidence aturan assosiatif A -> B. Nilai confidence dari aturan
A -> B diperoleh dari rumus berikut:
BAB
III
METODE
PENELITIAN
Gambar 2. Metode Penelitian
1. Tahap
awal dilakukan pengumpulan data yang bertujuan untuk menyediakan bahan agar
proses selanjutya yaitu menganalisa permasalahan yang terjadi pada proses kegiatan pengolahan data buku di perpustakaan.
proses selanjutya yaitu menganalisa permasalahan yang terjadi pada proses kegiatan pengolahan data buku di perpustakaan.
2. Tahap
analisa permasalahan dilakukan untuk dapat melihat seberapa banyak permasalahan
yang diperoleh berdasarkan tingkat kepentingan dari permasalahan yang akan diselesaikan.
yang diperoleh berdasarkan tingkat kepentingan dari permasalahan yang akan diselesaikan.
3. Tahap
identifikasi masalah adalah mengelompokan permasalahan yang diperoleh yang
sesuai dengan tujuan penelitian.
sesuai dengan tujuan penelitian.
4. Tahap
merumuskan masalah adalah tahap pemilihan masalah yang telah teridentifikasi
untuk dapat dirumuskan agar dapat menyelesaikan permasalahan yang sesuai dengan
tujuan penelitian.
untuk dapat dirumuskan agar dapat menyelesaikan permasalahan yang sesuai dengan
tujuan penelitian.
5. Proses
pengolahan data dilakukan terlebih dahulu melakukan identifikasi sering
dihadapi
oleh pihak perpustakaan, kemudian mendeskripsikan masalah-masalah tersebut untuk
diperoleh solusinya. Tahap selanjutnya dilakukan analisa masalah menggunakan teknik
data mining dengan algoritma apriori untuk mendapatkan hasil sebagai tujuan yang akan
dicapai.
oleh pihak perpustakaan, kemudian mendeskripsikan masalah-masalah tersebut untuk
diperoleh solusinya. Tahap selanjutnya dilakukan analisa masalah menggunakan teknik
data mining dengan algoritma apriori untuk mendapatkan hasil sebagai tujuan yang akan
dicapai.
6. Pada
tahap ini dilakukan analisis hasil berdasarkan perhitungan algoritma appriori
yang
dapat digunakan untuk pengambilan keputusan dalam penentuan pola penempatan buku.
dapat digunakan untuk pengambilan keputusan dalam penentuan pola penempatan buku.
7. Tahap
akhir adalah menyimpulkan hasil penelitian apakah telah memberikan solusi dari
permasalah ang telah diselesaikan
BAB IV
PEMBAHASAN
Penelitian ini menggunakan data yang saya amati selama 1 minggu
dengan transaksi minimal Rp 200.000 , berikut data yang telah saya amati :
Transaki
|
Pembelian
|
|||
1
|
Sabrina
|
Mawar
|
bunga Tisu
|
-
|
2
|
Anting Putri
|
Kalipah
|
-
|
-
|
3
|
Bugenvile
|
Sabrina
|
Pucuk Merah
|
-
|
4
|
bunga Tisu
|
Sabrina
|
Mawar
|
-
|
5
|
Palem Komodor
|
Sabrina
|
Anting Putri
|
Mawar
|
6
|
Cemara
|
bunga Tisu
|
Kalipah
|
-
|
7
|
Sabrina
|
Anting Putri
|
Mawar
|
-
|
8
|
Anting Putri
|
bunga Tisu
|
-
|
-
|
9
|
Pucuk Merah
|
Mawar
|
Kalipah
|
-
|
10
|
Anting Putri
|
Cemara
|
-
|
-
|
Tabel 1.Pola Pembelian Tanaman
Pada tabel 1 menggambarkan jumlah pembelian oleh pengunjung yang
ingin membeli tanaman hias
Item
|
Banyak Transaksi
|
Palem komodor
|
1
|
Mawar
|
5
|
Kalipah
|
3
|
Sabrina
|
5
|
Anting putri
|
5
|
Bugenvile
|
1
|
Kembang tisu
|
4
|
Cemara
|
2
|
Pucuk Merah
|
2
|
Total
|
28
|
Tabel 2. Tabulasi Data
Tabel 2 Tabulasi data di lakukan untuk mengetahui banyaknya
kegiatan pembelian tanaman
Menentukan Minimum Support
1 Item set (iterasi 1) berikut ini
adalah penyelesaian berdasarkan data yang sudah disediakan pada
tabel 2. Proses pembentukan C1 atau disebut dengan 1 item set dengan jumlah minimum
support = 40% dengan rumus sebagai berikut:
tabel 2. Proses pembentukan C1 atau disebut dengan 1 item set dengan jumlah minimum
support = 40% dengan rumus sebagai berikut:
Support(A) = Jumlah
transaksi mengandung A/Total Transaksi
Item
|
Banyak Transaksi
|
1 Item set (%)
|
Palem komodor
|
1
|
10
|
Mawar
|
5
|
50
|
Kalipah
|
3
|
30
|
Sabrina
|
5
|
50
|
Anting putri
|
5
|
50
|
Bugenvile
|
1
|
10
|
Kembang tisu
|
4
|
40
|
Cemara
|
2
|
20
|
Pucuk Merah
|
2
|
20
|
Tabel 3 Support dari
setiap Item
Pada tabel 3 telah
diketahui beberapa tanaman atau item yang telah memenuhi minimum support = 10%
adalah mawar,kalipah,sabrina,anting putri, kembang tisu
Kombinasi 2 Item set
Proses
pembentukan C2 atau disebut dengan 2 item set dengan jumlah minimum
support = 10% dapat diselesaikan dengan rumus berikut:
support = 10% dapat diselesaikan dengan rumus berikut:
Item
|
Banyak Transaksi
|
1 Item set
|
Mawar,sabrina
|
4
|
40
|
Mawar, Anting Putri
|
2
|
20
|
Mawar,Kembang Tisu
|
2
|
20
|
Sabrina,Anting
Putri
|
2
|
20
|
Sabrina,Kembang
Tisu
|
2
|
20
|
Anting putri,
Kembang Tisu
|
1
|
10
|
Tabel 4 minimum
Support 2-itemset 40 %
Dari tabel diatas diketahui bahwa item set yang memenuhi nilai
minimum hanya mawar dan sabrina dan yang lainnya berad adi bawah 40%
Dari Perhiutungan manual dengan metode association rule di peroleh
dengan confidence tertinggi antara bunga sabrin dan bunga mawar
BAB V
KESIMPULAN
Proses
penentuan pola penempatan tanaman hias dapat dilakukan dengan
menerapkan data mining dengan metode algoritma appriori. Dengan metode tersebut penentuan
pola penempatan tanaman hias dapat dilakukan dengan melihat hasil dari kecenderungan pengunjung
melakukan pembelian tanaman hias kombinasi 2 item set. Pengetahuan baru yang dapat
diperoleh berdasarkan hasil perhitungan algoritma apriori dan sistem yang dibangun dapat
dilakukan pengaturan tata letak atau posisi tanaman yang saling berdekatan atau bisa di pandang oleh mata sesuai dengan perhitungan di atas sehingga penjualan dapat lebih efektif dan efisien
menerapkan data mining dengan metode algoritma appriori. Dengan metode tersebut penentuan
pola penempatan tanaman hias dapat dilakukan dengan melihat hasil dari kecenderungan pengunjung
melakukan pembelian tanaman hias kombinasi 2 item set. Pengetahuan baru yang dapat
diperoleh berdasarkan hasil perhitungan algoritma apriori dan sistem yang dibangun dapat
dilakukan pengaturan tata letak atau posisi tanaman yang saling berdekatan atau bisa di pandang oleh mata sesuai dengan perhitungan di atas sehingga penjualan dapat lebih efektif dan efisien
DAFTAR
PUSTAKA
Anggraini
H D, Dkk., 2013, Aplikasi Data Mining Analisis
Data Transaksi Penjualan Obat
Menggunakan Algoritma Apriori, Jurnal Masyarakat Informatika, Vol. 4 No. 7, Hal 1- 8.
Menggunakan Algoritma Apriori, Jurnal Masyarakat Informatika, Vol. 4 No. 7, Hal 1- 8.
Gunadi,
G., Sensuse, D., I., 2012, Penerapan Metode Data
Mining Market Basket Analisis
Terhadap Data Penjualan Produk Buku dengan Menggunakan Algoritma Apriori dan
Frequent Pattern Growth (FP-Growth), Jurnal TELEMATIKA MKOM, Vol. 4, No. 1, Hal
118-132.
Terhadap Data Penjualan Produk Buku dengan Menggunakan Algoritma Apriori dan
Frequent Pattern Growth (FP-Growth), Jurnal TELEMATIKA MKOM, Vol. 4, No. 1, Hal
118-132.
Hermawati
FA, 2013, Data Mining, Andi, Yogyakarta
Robi yanto,DKK,2017, Pemanfaatan Data Mining Untuk Penempatan Buku
Di Perpustakaan Menggunakan Metode Associaton Rule, jurnal Jatisi
INFORMATIKALOGI.
(2017, 7 9). informatikalog. Retrieved from Algoritma Apriori
(Association Rule):
https://informatikalogi.com/algoritma-apriori-association-rule/







Komentar
Posting Komentar