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.
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
.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.

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:

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

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
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}
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.
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
  1. Tentukan minimum support.
  2. 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.
  3. 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.
  4. Tetapkan nilai k-itemset dari support yang telah memenuhi minimum support dari k-itemset.
  5. Lakukan proses untuk iterasi selanjutnya hingga tidak ada lagi k-itemset yang memenuhi minimum support.

Formula Pencarian Nilai Support & Confidence
Nilai support sebuah item diperoleh dengan rumus berikut:


Sedangkan nilai support dari 2 item diperoleh dari rumus berikut:


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.
2. Tahap analisa permasalahan dilakukan untuk dapat melihat seberapa banyak permasalahan
yang diperoleh berdasarkan tingkat kepentingan dari permasalahan yang akan diselesaikan.
3. Tahap identifikasi masalah adalah mengelompokan permasalahan yang diperoleh yang
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.
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.
6. Pada tahap ini dilakukan analisis hasil berdasarkan perhitungan algoritma appriori yang
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:

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:

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





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.
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.
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

Postingan populer dari blog ini

Manajemen Memori dan permatisan statis