ANALISA PENINGKATAN PENJUALAN PRODUK MENGGUNAKAN METODE MARKET
BASKET ANALYSIS PADA PERBAIKAN LAYOUT DALAM ASSOCIATION RULES DI
MINIMARKET ALFAMART JALAN DAMAI, SLEMAN, YOGYAKARTAMuhammad Havis
Yusuf (10522287), Aryo Jati Kuncoro (105222304)Praktikum Analisa
Keputusan dan Data Mining Teknik Industri FTI UII
ABSTRAKNowadays, competition in the retail store bussiness is
very tight so that necessary to determines a strategies in order to
increase competitiveness, one of which is to determine the pattern
of consumer behavior. Market basket analysis is one kind method to
determine the pattern of consumer behavior, the market basket
analysis can be seen buying patterns when customers buy products
that are purchased at the same time so that the management can make
changes of layout in the store that can increase the amount of
sales of products less desirable. From this research conducted in
Alfamart minimarket on Jalan Damai, Ngaglik, Sleman obtained a rule
that consumers who make purchases at department 4 (personal care)
and department 9 (drugs) then most likely will buy the product in
10 departments (household goods) with confidence value of 50%,
support value of 3, and lift ratio of 5.Kata Kunci: Layout, Market
Basket Analysis, Support, Confidence, Lift
Ratio.PENDAHULUANPerkembangan usaha ritel atau pasar eceran yang
begitu pesat, berdampak semakin tingginya persaingan memperebutkan
pangsa pasar pada dunia usaha saat ini. Perusahaan yang ingin
berhasil dalam persaingan pada era saat ini harus memiliki strategi
perusahaan yang dapat memahami perilaku konsumen. Perusahaan yang
baik adalah yang memahami betul siapa konsumennya dan bagaimana
mereka berperilaku. Pemahaman mengenai siapa konsumennya akan
menuntun para pengusaha kepada keberhasilan. Di era sekarang ini
pertumbuhan pada sektor ritel menyebabkan semakin ketatnya
persaingan yang terjadi antara para pengusaha ritel. Data satistik
menyatakan bahwa angka pertumbuhan usaha ritel di Indonesia
menempati urutan kedua se-Asia Pasifik dengan angka pertumbuhan
14-15 persen per tahun Minimarket Alfamart merupakan salah satu
toko ritel yang menjual berbagai kebutuhan pokok sehari-hari
seperti makanan dan minuman, peralatan rumah tangga, kebutuhan
pribadi, dan lain-lain. Alfamart saat ini banyak sekali terdapat di
kota-kota bahkan hingga ke pelosok Indonesia, pada tahun 2010
terdapat lebih dari 3500 gerai Alfamart yang tersebar di seluruh
Indonesia, dengan jumlah gerai yang banyak maka masyarakat dapat
dengan mudah berbelanja di minimarket tersebut, sehingga diperlukan
sebuah analisis perilaku konsumen yang dilakukan oleh pengusaha
minimarket Alfamart untuk nantinya dapat merumuskan strategi bisnis
yang berguna untuk meningkatkan profit/ keuntungan usaha ritel
tersebut. Dalam menyusun strategi bisnis tersebut pengusaha dapat
melakukan analisis dengan mempelajari pola perilaku konsumen. Pola
tersebut dapat diketahui dengan memanfaatkan data transaksi yang
kemudian diolah untuk mendapatkan pola dari barang yang sering
dibeli secara bersamaan. Proses untuk menemukan pola-pola tersebut
memerlukan suatu konsep yang di sebut dengan Data Mining. Terdapat
banyak metode di dalam data mining yang jika dapat diterapkan dalam
proses bisnis, akan memberikan nilai positif bagi peningkatan
kinerja proses bisnis tersebut yang berujung pada peningkatan
keuntungan dari bisnis tersebut. Salah satu metode yang seringkali
digunakan adalah metode asosiasi atau association rule. Data-data
yang dihasilkan dari proses penjualan/ data transaksi diolah dengan
association rule untuk mengetahui informasi keterkaitan pembelian
produk yang dilakukan oleh pembeli. Di dalam bidang usaha ritel
metode association rule ini lebih dikenal dengan istilah Analisa
Keranjang Belanja atau Market Basket Analysis. Market Basket
Analysis adalah suatu metode analisa atas perilaku konsumen secara
spesifik dari suatu golongan / kelompok tertentu. Sumber data dari
market basket analysis dapat bersumber dari daftar transaksi
pelanggan, yaitu struk belanja pembelian suatu barang oleh
konsumen. Market basket analysis umumnya dimanfaatkan sebagai titik
awal pencarian pengetahuan dari suatu transaksi data ketika kita
tidak mengetahui pola spesifik apa yang kita cari. Proses ini dapat
menganalisis pola pembelian pelanggan dengan cara menemukan
hubungan antara produk-produk yang berbeda yang dibeli oleh
konsumen dalam keranjang belanjanya secara bersamaan dalam satu
kali transaksi, sebagai contoh apabila pelanggan membeli roti dan
susu maka biasanya ia juga membeli keju. Sehingga sebuah toko ritel
dapat menggunakan informasi ini untuk nantinya dapat dimanfaatkan
oleh pengusaha toko ritel tersebut untuk mengembangkan strategi
pemasaran dengan melihat produk-produk mana saja yang kemungkinan
dibeli secara bersamaan oleh konsumen dalam satu kali transaksi,
salah satu strategi yang dapat dilakukan adalah dengan menata ulang
layout pada toko ritel.Rumusan masalah Rumusan masalah pada
analisis ini adalah:1. Bagaimana hubungan asosiatif yang terjadi
antar item di minimarket Alfamart Jalan Damai ?2. Bagaimanakah
solusi permasalahan layout untuk penempatan produk pada minimarket
Alfamart Jalan Damai berdasarkan analisis AR-MBA ?
TINJAUAN PUSTAKADefinisi dan Konsep Market Basket AnalysisMarket
Basket Analysis merupakan salah satu metode atau teknik yang sering
digunakan dan paling bermanfaat untuk lingkungan marketing. Tujuan
dari Market Basket Analysis ini adalah untuk menentukan produk
manakah yang pelanggan beli dalam waktu bersamaan, di mana nama
dari metode ini diambil dari kebiasaan pelanggan menaruh barang
mereka ke keranjang atau kedalam daftar belanja (market basket).
Dengan mengetahui produk manakah yang dibeli secara bersamaan akan
dapat sangat membantu pengusaha toko ataupun perusahaan lainnya.
Sebuah toko juga dapat menggunakan informasi ini untuk menempatkan
produk yang sering terjual secara bersamaan di dalam satu area atau
kategori, sehingga pengusaha toko dapat merubah layout dari toko
mereka.
Definisi dan Konsep Association RuleAssociation rule merupakan
sebuah aturan tertentu atau rules yang menyatakan sebuah hubungan
korelasi antara tingkat kemunculan beberapa atribut dalam sebuah
database. Association Rule adalah bentuk jika kejadian sebelumnya
kemudian konsekuensinya. (IF antecedent, THEN consequent). Bentuk
umum dari association rules adalah : A1....., An -> B Yang
artinya bahwa pelanggan yang membeli produk A juga mempunyai
peluang yang cukup besar untuk membeli produk B. Bentuk lain yang
lebih kompleks dari association rule adalah : A, C -> B, D Yang
artinya bahwa pelanggan yang membeli produk A dan C juga mempunyai
kecenderungan untuk membeli produk B dan D. Salah satu masalah
dalam pencarian asoociation rule adalah sangat banyaknya
kemungkinan ditemukannya rules yang belum tentu merupakan rules
yang baik dan dapat dipercaya Untuk mengetahui mana rule yang baik
maka terdapat suatu parameter untuk menilai kualitas dari
association rules yang akan dihasilkan, yaitu support, confidence,
dan improvement/ lift ratio (Firdhana, 2005). Bersamaan dengan
perhitungan aturan support dan confidence. Pola asosiasi menjadi
salah satu fungsionalitas yang paling menarik dalam penggalian data
(Kumar dan Wahidabanu, 2007)
Support dan ConfidenceSupport merupakan prosentase dari
record-record yang mengandung kombinasi dari item dibandingkan
dengan jumlah total dari record-record. Dengan kata lain support
merupakan probabilitas sebuah transaksi yang mengandung item A dan
B dengan bentuk association rules adalah A->B, misalnya support
item A dan B adalah sebesar 0,4 maka dapat dikatakan 40% dari total
transaksi di database memuat item A dan B. Meskipun begitu, support
merupakan proses pengukuran kualitas association rule yang belum
komplit. Akan timbul pertanyaan apakah nilai support 40% dari
sebuah kombinasi item A dan B merupakan rule yang baik ? Hal ini
mungkin mempunyai arti bahwa 40% dari semua pelanggan membeli kedua
item A dan B, dan tidak ada satupun yang membeli item B tanpa
membeli item A. Pada kasus tersebut nilai confidence sebesar 100%
karena konsumen yang membeli item A pasti juga akan membeli item B
secara bersamaan. Sehingga confidence dari sebuah association rule
adalah support dari kombinasi atau keseluruhan dibagi dengan
support untuk kondisi ( if ).
Support = p(A B ) = Jumlah Transaksi Yang Memuat A Dan BTotal
Jumlah Transaksi
Confidence = P(B / A) = Support (AB)P(A)
Kedua nilai support dan confidence merupakan parameter yang
digunakan untuk menentukan apakah sebuah rule baik atau tidak. Akan
tetapi, terdapat beberapa saat bahwa kedua perhitungan tersebut
menghasilkan rule yang tidak valid, meskipun keduanya mempunyai
nilai yang tinggi. Oleh karena itu ada satu parameter yang
digunakan untuk mengetahui apakan rule tersebut valid atau tidak,
parameter ini disebut Improvement/ Lift Ratio. Rule yang baik dan
valid dapat dilihat dari nilai lift rationya yang berjumlah
1.Algoritma apriori adalah suatu algoritma yang sudah sangat
dikenal dalam melakukan pencarian frequent itemset dengan
menggunakan teknik association rule (Moertini, Veronika dan Marsela
Yulita. 2007). Algoritma Apriori menggunakan knowledge mengenai
frequent itemset yang telah diketahui sebelumnya, untuk memproses
informasi selanjutnya. Pada algoritma apriori untuk menentukan
kandidat-kandidat yang mungkin muncul dengan cara memperhatikan
minimum support. Adapun dua proses utama yang dilakukan dalam
algoritma Apriori, yaitu :1. Join (penggabungan). Pada proses ini
setiap item dikombinasikan dengan item yang lainnya sampai tidak
terbentuk kombinasi lagi.2. Prune (pemangkasan). Pada proses ini,
hasil dari item yang telah dikombinasikan tadi lalu dipangkas
dengan menggunakan minimum support yang telah ditentukan oleh
user.
Software Microsoft Excel dan XLMinerMicrosoft Excel adalah
General Purpose Electronic Spreadsheet yang bekerja dibawahSistem
Operasi Windows.Microsoft Excel dapat digunakan untuk menghitung
angka-angka,bekerja dengan daftar data, dan menganalisa data-data
serta mempresentasikannya ke dalam bentukgrafik/diagram.XlMiner
merupakan sebuah software yang digunakan untuk melakukan data
mining secara matematis didalam excel. XLMinermenyediakan
solusiyangstatistik untuk memecahkan masalah dalam data mining.
Software ini dapat memuat klasifikasi, regresi pohon , neural
networks, association rule, metode jarak terdekat.
Kajian InduktifDalam melakukan penelitian ini juga mengkaji
beberapa karya tulis diantaranya adalah pada sebuah jurnal yang
berjudul Penerapan Metode Market Basket Analysis Pada Situs Web
E-Commerce yang ditulis oleh Medina Gemala pada tahun 2010
menjelaskan tentang salah satu kegunaan Association Rule dengan
penggunaan analisis Market Basket untuk mengetahui perilaku
konsumen pada situs web e-commerce sehingga dapat mengetahui
produk-produk apa saja yang dibeli oleh konsumen dan pola pembelian
produk-produk yang dilakukan oleh konsumen tersebut. Dalam
penelitian tersebut peneliti menggunakan algoritma apriori dalam
pencarian association rulenya dan hasil dari penelitian tersebut
dapat digunakan oleh pihak manajemen untuk mengatur layout pada
katalog yang sesuai dengan karakteristik konsumen. Perbedaannya
dengan penelitian kami adalah objek penelitiannya, dimana pada
jurnal tersebut objeknya adalah e-commerce atau yang lebih dikenal
dengan toko online sedangkan pada penelitian kami adalah toko
ritel, yaitu berupa minimarket dan hasil dari penelitian kami dapat
menjadi input dalam melakukan penataan layout tata letak
produk-produk yang dijual.Selain itu juga mengkaji karya tulis lain
yang berupa jurnal yang berjudul Analisis Keranjang Pasar Dengan
Algoritma Hash-Based Pada Data Transaksi Penjualan Apotek yang
ditulis pada tahun 2004 oleh Marsela Yulita dan Veronica S Moertini
menjelaskan tentang penggunaan algoritma hash-based untuk
mengetahui pola pembelian obat oleh konsumen. Pada penelitian
tersebut, pengambilan data juga dibedakan menjadi 3 periode, yaitu
pada 3 hari di minggu pertama, 3 hari di minggu kedua dan, 3 hari
pada minggu ketiga karena peneliti berkeyakinan bahwa perbedaan
periode tersebut akan menghasilkan pola pembelian yang berbeda
pula. Hasil dari penelitian tersebut adalah pola pembelian yang
berbeda di tiap periode pengambilan data. Selain itu peneliti juga
menyimpulkan bahwa algoritma hash-based berkinerja lebih baik
dibandingkan dengan algoritma apriori. Perbedaan dengan penelitian
yang kami lakukan adalah dalam pengambilan data transaksi hanya
dalam 1 periode waktu saja, dan juga algoritma yang digunakan
adalah algoritma apriori.
METODE PENELITIANObjek PenelitianDalam penelitian Association
Rule Market Basket Analysis ini yang menjadi objek penelitiannya
adalah Minimarket Alfamart yang berlokasi di Jl. Damai, Prujakan
RT. 01, Ngaglik, Sleman, Daerah Istimewa Yogyakarta.
Metode Pengumpulan DataPenelitian dilakukan melalui pengambilan
sekelompok sampel dimana dapat mewakili populasi dengan
mengumpulakan struk belanja minimal 100 struk, dimana struk
tersebut memenuhi syarat pre-processing data yaitu tidak
menggunakan data transaksi yang gagal, tidak menggunakan data
transaksi yang hanya terdapat satu item, dan juga tidak menggunakan
data transaksi yang hanya terdapat departemen yang sama dalam satu
transaksi. Diharapkan sampel yang digunakan dalam analisis cluster
dapat mewakili populasi yang ada, karena analisis ini menjadi baik
jika sampel representatif. Sampel yang bersifat representatif
terhadap populasi ini juga kami yakini unutk menambah harapan dapat
mewakili populasi.
Tahapan PenelitianTahap dalam melakukan penelitian yaitu mencari
rumusan masalah terhadap tempat yang menjadi penelitian dari
penataan layout produk, lalu melakukan observasi terhadap tempat
penelitian secara langsung di Alfamart Jalan Damai dimana tahap
pengumpulan struk belanja dilakukan, kemudian penataan layout
produk awal diamati untuk menjadi perbandingan dengan penataan
layout baru, setelah didapatkan data sebanyak 100 struk belanja
dari konsumen maka dilakukan rakapitulasi data dan pre-processing
data, dari data yang sudah direkapitulasi maka dilakukan pengolahan
dan perhitungan menggunakan SOFTWARE XLMINER dengan mencari hasil
dari rule yang terbentuk. Masing-masing rule yang didapat kemudian
dianalisis untuk melihat produk mana saja yang menjadi konsumen
behaviour. Setelah itu kemudian membuat layout rekomendasi
berdasarkan hasil analisis.
HASIL DAN PEMBAHASAN
Rekapitulasi Dari Pengumpulan dataTabel 1. Rekapitulasi 100
Struk BelanjaID TransaksiJenis Barang
1sari roti sampoernaaqua botol
2top 3 in 1ultra uhtsari rotiantangin
3MM nutriboostsampoernapocari sweatultra teh
4formula sgyou c 1000
5fisherman exsalonpasstrepsils
6sampoernaaqua botol
7ades botolchitatocheetos
8a cot budssampoerna
9sari roti telur
10djarumyou c 1000
11vixal blueenervon c
12pocari sweatsoftexsampoena
13freshteadunhill
14milogg merah
15sari roti gillettestrepsilsantangin
16miwon teha cot buds
17big colatanggo
18kenkopilothappydent white
19big colamarlboro
20wallsclub mild
21wallslotte
22rexonapisau
23gg merahbig lemon
24pucuk harum tehsilverqueen
25big colans chrispy
26marlborotwisterultra teh
27paramexaqua botol
28sampoernatabloid pulsa
29tessamitra pouch
30djarum mitra pouch
31sampoernasosro teh
32gg merahbig cola
33sinde jambuwalls
34sinde nisin wafer
35indomiegerry
36nescafeselamat
37gg merahpulpy
38telurkara santanmilo
39indomiesampoerna
40sari roti aqua botol
41milokit katfitbar nuts
42pocari sweatsari rotidjarum
43indomietelurmilo
44vegeta herbalkopiko
45daiasoftex
46aqua botolfullo
47indomieaqua botol
48paroti tawarmesesaqua botol
49sari roti kurang asem
50dji sam soewalls
51wallsjo'e jelly
52attack softenervita sunny
53aqua botolred mildsedap mieroti tawar
54kopi abckapal api ginsengcap botol hijauaqua botol
55nescafeclas mildfresteared mild
56bear brandenervon cfatigon
57roti tawarsosro teh
58tropical pouchindomieyou c 1000
59pond'smilo
60sampoernatessa
61s-26 promilbeng beng
62indomietelurroycopepsodent
63oral-bH&Smilo
64vapegladeaqua botol
65kis grapetessa
66marlboropocari sweat
67nescafeultra tehsari roti
68sampoernacocktail lighterchitato
69indomiefloridinasusu bendera
70ultra tehmaterai
71wallstake-it
72oreogillette
73mitra pouchpixy
74marlborobeng beng
75selamataqua gelas
76happytosdettolkraft caketolak anginparotiyupivivadaia
77pulpytanggo
78bendera uhtvoltarenbiore
79marinashinzuisuguswalls
80a cot budsdownyloreal
81aqua botolantangintanggo
82teh tong tjigerry
83sampoernafrozzneo hormovitonkraft cake
84aqua botolboncabechitatofrench fries
85attack softenerbioresunsilkpepsodent
86ultra uhtsupermiroma biskuitmarlborosari rotipocari
sweatsampoernaclear shampoosmaxescofutami
87nyam-nyamcap botol hijaubebelac
88lauriersasa
89tolak anginsampoerna
90indomieindofood sambalaqua botol
91marlborobaby oilsari roti
92mamy pokosari rotilorealshampoo cussons
93marlborosari rotimesesgoodtimewallssilverqueenbuavita
94shinzuicussonskapasoreo
95pepsodentvaselineelips vitamin
96indomievitaciminsalonpassusu benderaindofood sambalcaplang
kayu putih
97lucky strikekoyo cabebaygonclear shampoo
98vicksteh nukino larutan penyegar
99aqua gelassoftexlaurier
100greensandspond's
Tabel 2. Informasi Departemen Data Departemen
Departemen 1makananTop 3 in 1, tanggo, lotte, silverqueen, ns
chrispy, twister, nisin wafer, gerry, selamat, kit kat, fitbar
nuts, fullo, jo'e jelly, beng beng, take-it, oreo, kraft cake, roma
biskuit, nyam-nyam, goodtime
Departemen 2minumanAqua botol, mm nutriboost, pocari sweat,
ultra teh, you c 1000, ades botol, freshtea, milo, miwon teh, big
cola, big lemon, pucuk harum teh, sosro teh, sinde, nescafe, pulpy,
ultra uht, bear brand, aqua gelas, bendera uht, esco, futami,
buavita, teh nu, kino larutan penyegar, greensands
Departemen 3snackchitato, cheetos, happytos, french fries,
smax,
Departemen 4perlengkapan pribadiformula SG, a cot buds, softex,
gillette, rexona, tessa, vitta sunny, pond's, pepsodent, oral-b,
H&S, pixy, dettol, viva, biore, marina, shinzui, loreal,
sunsilk, clear shampoo, laurier, baby oil, mamy poko, cussons,
kapas, vaseline
Departemen 5kebutuhan rttelur, indomie, sedap mie, supermi,
mitra pouch, kara santan, tropical pouch, royco, boncabe, sasa,
indofood sambal
Departemen 6minuman bubukkapal api ginseng, kopi abc, cap botol
hijau, s-26 promil, susu bendera, teh tong tji, bebelac
Departemen 7rotisari roti, roti tawar, meses, paroti
Departemen 8dekat kasirsampoerna, djarum, dunhill, gg merah,
marlboro, club mild, dji sam soe, red mild, clas mild, cocktail
lighter, materai, lucky strike
Departemen 9obatantangin, salonpas, enervon c, strepsils,
paramex, vegeta herbal, fatigon, tolak angin, voltaren, neo
hormoviton, elips vitamin, vitacimin, caplang kayu putih, koyo
cabe, vicks
Departemen 10perlengkapan RTvixal blue, pisau, daia, attack
softener, vape, glade, downy, baygon
Departemen 11alat tuliskenko, pilot,
Departemen 12eskrimWalls
Departemen 13majalah/korantabloid pulsa
Departemen 14permenfisherman ex, happydent white, kurang asem,
kis grape, sugus, yupi, frozz, lotte
Tabel 3. Penamaan DepartemanID TransaksiJenis Barang
1dept 7 dept 8dept 2
2dept 1dept 2dept 7dept 9
3dept 2dept 8dept 2dept 2
4dept 4dept 2
5dept 14dept 9dept 9
6dept 8dept 2
7dept 2dept 3dept 3
8dept 4dept 8
9dept 7 dept 5
10dept 8dept 2
11dept 10dept 9
12dept 2dept 4dept 8
13dept 2dept 8
14dept 2dept 8
15dept 7 dept 4dept 9dept 9
16dept 2dept 4
17dept 2dept 1
18dept 11dept 11dept 14
19dept 2dept 8
20dept 12dept 8
21dept 12dept 14
22dept 4dept 10
23dept 8dept 2
24dept 2dept 1
25dept 2dept 1
26dept 8dept 1dept 2
27dept 9dept 2
28dept 8dept 13
29dept 4dept 5
30dept 8 dept 5
31dept 8dept 2
32dept 8dept 2
33dept 2 dept 12
34dept 2 dept 1
35dept 5dept 1
36dept 2dept 1
37dept 8dept 2
38dept 5dept 5dept 2
39dept 5dept 8
40dept 7 dept 2
41dept 2dept 1dept 1
42dept 2dept 7dept 8
43dept 5dept 5dept 2
44dept 9dept 14
45dept 10dept 4
46dept 2dept 1
47dept 5dept 2
48dept 7dept 7dept 2
49dept 7 dept 14
50dept 8dept 12
51dept 12dept 1
52dept 10dept 4
53dept 2dept 8dept 5dept 7
54dept 6dept 6dept 6dept 2
55dept 2dept 8dept 2dept 8
56dept 2dept 9dept 9
57dept 7dept 2
58dept 5dept 5dept 2
59dept 4dept 2
60dept 8dept 4
61dept 62dept 1
62dept 5dept 5dept 5dept 4
63dept 4dept 4dept 2
64dept 10dept 10dept 2
65dept 14dept 4
66dept 8dept 2
67dept 2dept 2dept 7
68dept 8dept 8dept 3
69dept 5dept 2dept 6
70dept 2dept 8
71dept 12dept 1
72dept 1dept 4
73dept 5dept 4
74dept 8dept 1
75dept 1dept 2
76dept 3dept 4dept 1dept 9dept 7dept 14dept 4dept 10
77dept 2dept 1
78dept 2dept 9dept 4
79dept 4dept 4dept 14dept 12
80dept 4dept 10dept 4
81dept 2dept 9dept 1
82dept 6dept 1
83dept 8dept 14dept 9dept 1
84dept 2dept 5dept 3dept 3
85dept 10dept 4dept 4dept 4
86dept 2dept 5dept 1dept 8dept 7dept 2dept 8dept 4dept 3dept
2dept 2
87dept 1dept 6dept 6
88dept 4dept 5
89dept 9dept 8
90dept 5dept 5dept 2
91dept 8dept 4dept 7
92dept 4dept 7dept 4dept 4
93dept 8dept 7dept 7dept 1dept 12dept 1dept 2
94dept 4dept 4dept 4dept 1
95dept 4dept 4dept 9
96dept 5dept 9dept 9dept 6dept 5dept 9
97dept 8dept 9dept 10dept 4
98dept 9dept 2dept 2
99dept 2dept 4dept 4
100dept 2dept 4
Tabel 4. Bilangan BinerID TransaksiDept 1Dept 2Dept 3Dept 4Dept
5Dept 6Dept 7Dept 8Dept 9Dept 10Dept 11Dept 12Dept 13Dept 14
101000011000000
211000010100000
301000001000000
401010000000000
500000000100000
601000001000000
701100000000000
800010001000000
900001010000000
1001000001000000
1100000000110000
1201010001000000
1301000001000000
1401000001000000
1500010010100000
1601010000000000
1711000000000000
1800000000001001
1901000001000000
2000000001000100
2100000000000101
2200010000010000
2301000001000000
2411000000000000
2511000000000000
2611000001000000
2701000000100000
2800000001000010
2900011000000000
3000001001000000
3101000001000000
3201000001000000
3301000000000100
3411000000000000
3510001000000000
3611000000000000
3701000001000000
3801001000000000
3900001001000000
4001000010000000
4111000000000000
4201000011000000
4301001000000000
4400000000100001
4500010000010000
4611000000000000
4701001000000000
4801000010000000
4900000010000001
5000000001000100
5110000000000100
5200010000010000
5301001011000000
5401000100000000
5501000001000000
5601000000100000
5701000010000000
5801001000000000
5901010000000000
6000010001000000
6110000100000000
6200011000000000
6301010000000000
6401000000010000
650010000000001
6601000001000000
6701000010000000
6800100001000000
6901001100000000
7001000001000000
7110000000000100
7210010000000000
7300011000000000
7410000001000000
7511000000000000
7610110010110001
7711000000000000
7801010000100000
7900010000000101
8000010000010000
8111000000100000
8210000100000000
8310000001100001
8401101000000000
8500010000010000
8611111011000000
8710000100000000
8800011000000000
8900000001100000
9001001000000000
9100010011000000
9200010010000000
9311000011000100
9410010000000000
9500010000100000
9600010001110000
9700010001110000
9801000000100000
9901010000000000
10001010000000000
Analisis Hasil Pengolahan Data dari Sudut Pandang Consumer
BehaviournyaHasil dari rekapitulasi data di atas kemudian dilakukan
pengolahan data menggunakan software XL Miner. XlMiner merupakan
sebuah software yang digunakan untuk melakukan data mining secara
matematis didalam excel. XLMinermenyediakan solusiyangstatistik
untuk memecahkan masalah dalam data mining. Software ini dapat
memuat klasifikasi, regresi pohon , neural networks, association
rule, metode jarak terdekat. Hasil pengolahan data bisa dilihat
sebagai berikut.Tabel 5. DataData
Input DataSheet3!$C$2:$P$102
Data FormatBinary Matrix
Minimum Support3
Minimum Confidence %50
# Rules13
Overall Time (secs)1
Pada tabel 5 diatas ditentukan minimum support sebesar 3 pada
software XL Miner. Hal ini berarti jumlah kominasi item tersebut
minimal ada 3 dalam total seluruh belanja (100 struk). Dan minimum
confident sebesar 50% berarti kuatnya hubungan antar item dalam
aturan asosiatif memiliki nilai kepastian minimal 50%. Dari hasil
perhitungan software terbentuk 13 rules.Tabel 6. RuleRule #Conf.
%Antecedent (a)Consequent (c)Support(a)Support(c)Support(a U c)Lift
Ratio
150Dept 4, Dept 9=>Dept 1061035
280Dept 10=>Dept 4103182,58064
375Dept 10, Dept 9=>Dept 443132,41935
460Dept 6=>Dept 152532,4
583,33Dept 7, Dept 8=>Dept 265651,48809
650Dept 2, Dept 7=>Dept 8103451,47058
775Dept 1, Dept 7=>Dept 245631,33928
862,5Dept 7=>Dept 21656101,11607
960Dept 3=>Dept 255631,07142
1060Dept 1, Dept 8=>Dept 255631,07142
1158,82Dept 8=>Dept 23456201,05042
1256Dept 1=>Dept 22556141
1352,94Dept 5=>Dept 2175690,94537
Pada tabel 6 di atas bisa dilihat rule 1 diketahui bahwa apabila
konsumen membeli barang di dept 4 dan dept 9 punya kemungkinan 50%
untuk juga membeli barang di dept 10 dengan support dept 4 dan dept
9 sebesar 6 yang berarti 6 kali dari 100 transaksi atau 6% dari
database transaksi; support dept 10 sebesar 10 yang berarti 10 kali
dari 100 transaksi atau 10% dari database transaksi; support a dan
c sebesar 3 yang berarti 3 kali dari 100 transaksi atau 3% dari
database transaksi dengan nilai lift ratio sebesar 5 yang berarti
>1 maka transaksi dinyatakan valid. Pada rule 2 diketahui bahwa
apabila konsumen membeli barang di dept 10 punya kemungkinan 80%
untuk juga membeli barang di dept 10 dengan support dept 10 sebesar
10 yang berarti 10 kali dari 100 transaksi atau 10% dari database
transaksi; support dept 4 sebesar 31 yang berarti 31 kali dari 100
transaksi atau 31% dari database transaksi; support a dan c sebesar
8 yang berarti 8 kali dari 100 transaksi atau 8% dari database
transaksi dengan nilai lift ratio sebesar 2,58 yang berarti >1
maka transaksi dinyatakan valid.Pada rule 3 diketahui bahwa apabila
konsumen membeli barang di dept 10 dan dept 9 punya kemungkinan 75%
untuk juga membeli barang di dept 4 dengan support dept 10 dan dept
9 sebesar 4 yang berarti 4 kali dari 100 transaksi atau 4% dari
database transaksi; support dept 10 sebesar 31 yang berarti 31 kali
dari 100 transaksi atau 31% dari database transaksi; support a dan
c sebesar 3 yang berarti 3 kali dari 100 transaksi atau 3% dari
database transaksi dengan nilai lift ratio sebesar 2,41 yang
berarti >1 maka transaksi dinyatakan valid.Pada rule 4 diketahui
bahwa apabila konsumen membeli barang di dept 6 punya kemungkinan
60% untuk juga membeli barang di dept 1 dengan support dept 6
sebesar 5 yang berarti 5 kali dari 100 transaksi atau 5% dari
database transaksi; support dept 1 sebesar 25 yang berarti 25 kali
dari 100 transaksi atau 25% dari database transaksi; support a dan
c sebesar 3 yang berarti 3 kali dari 100 transaksi atau 3% dari
database transaksi dengan nilai lift ratio sebesar 2,4 yang berarti
>1 maka transaksi dinyatakan valid. Pada rule 5 diketahui bahwa
apabila konsumen membeli barang di dept 7 dan dept 8 punya
kemungkinan 83,33% untuk juga membeli barang di dept 2 dengan
support dept 7 dan dept 8 sebesar 6 yang berarti 6 kali dari 100
transaksi atau 6% dari database transaksi; support dept 2 sebesar
56 yang berarti 56 kali dari 100 transaksi atau 56% dari database
transaksi; support a dan c sebesar 5 yang berarti 5 kali dari 100
transaksi atau 5% dari database transaksi dengan nilai lift ratio
sebesar 1,48 yang berarti >1 maka transaksi dinyatakan
valid.Pada rule 6 diketahui bahwa apabila konsumen membeli barang
di dept 2 dan dept 7 punya kemungkinan 50% untuk juga membeli
barang di dept 8 dengan support dept 2 dan dept 7 sebesar 10 yang
berarti 10 kali dari 100 transaksi atau 10% dari database
transaksi; support dept 2 sebesar 34 yang berarti 34 kali dari 100
transaksi atau 34% dari database transaksi; support a dan c sebesar
5 yang berarti 5 kali dari 100 transaksi atau 5% dari database
transaksi dengan nilai lift ratio sebesar 1,47 yang berari >1
maka transaksi dinyatakan valid.Pada rule 7 diketahui bahwa apabila
konsumen membeli barang di dept 1 dan dept 7 punya kemungkinan 75%
untuk juga membeli barang di dept 2 dengan support dept 1 dan dept
7 sebesar 4 yang berarti 4 kali dari 100 transaksi atau 4% dari
database transaksi; support dept 2 sebesar 56 yang berarti 56 kali
dari 100 transaksi atau 56% dari database transaksi; support a dan
c sebesar 3 yang berarti 3 kali dari 100 transaksi atau 3% dari
database transaksi dengan nilai lift ratio sebesar 1,33 yang
berarti >1 maka transaksi dinyatakan valid.Pada rule 8 diketahui
bahwa apabila konsumen membeli barang di dept 7 punya kemungkinan
62,5% untuk juga membeli barang di dept 2 dengan support dept 7
sebesar 16 yang berarti 16 kali dari 100 transaksi atau 16% dari
database transaksi; support dept 2 sebesar 56 yang berarti 56 kali
dari 100 transaksi atau 56% dari database transaksi; support a dan
c sebesar 10 yang berarti 10 kali dari 100 transaksi atau 10% dari
database transaksi dengan nilai lift ratio sebesar 1,11 yang
berarti >1 maka transaksi dinyatakan valid.Pada rule 9 diketahui
bahwa apabila konsumen membeli barang di dept 3 punya kemungkinan
60% untuk juga membeli barang di dept 2 dengan support dept 3
sebesar 5 yang berarti 5 kali dari 100 transaksi atau 5% dari
database transaksi; support dept 2 sebesar 56 yang berarti 56 kali
dari 100 transaksi atau 56% dari database transaksi; support a dan
c sebesar 3 yang berarti 3 kali dari 100 transaksi atau 3% dari
database transaksi dengan nilai lift ratio sebesar 1,07 yang
berarti >1 maka transaksi dinyatakan valid.Pada rule 10
diketahui bahwa apabila konsumen membeli barang di dept 1 dan dept
8 punya kemungkinan 60% untuk juga membeli barang di dept 2 dengan
support dept 1 dan 8 sebesar 5 yang berarti 5 kali dari 100
transaksi atau 5% dari database transaksi; support dept 2 sebesar
56 yang berarti 56 kali dari 100 transaksi atau 56% dari database
transaksi; support a dan c sebesar 3 yang berarti 3 kali dari 100
transaksi atau 3% dari database transaksi dengan nilai lift ratio
sebesar 1,07 yang berarti >1 maka transaksi dinyatakan
valid.Pada rule 11 diketahui bahwa apabila konsumen membeli barang
di dept 8 punya kemungkinan 58,82% untuk juga membeli barang di
dept 2 dengan support dept 8 sebesar 34 yang berarti 34 kali dari
100 transaksi atau 34% dari database transaksi; support dept 2
sebesar 56 yang berarti 56 kali dari 100 transaksi atau 56% dari
database transaksi; support a dan c sebesar 20 yang berarti 20 kali
dari 100 transaksi atau 20% dari database transaksi dengan nilai
lift ratio sebesar 1,05 yang berarti >1 maka transaksi
dinyatakan valid.Pada rule 12 diketahui bahwa apabila konsumen
membeli barang di dept 1 punya kemungkinan 56% untuk juga membeli
barang di dept 2 dengan support dept 1 sebesar 25 yang berarti 25
kali dari 100 transaksi atau 25% dari database transaksi; support
dept 2 sebesar 56 yang berarti 56 kali dari 100 transaksi atau 56%
dari database transaksi; support a dan c sebesar 14 yang berarti 14
kali dari 100 transaksi atau 14% dari database transaksi dengan
nilai lift ratio sebesar 1 yang berarti >1 maka transaksi
dinyatakan valid.Pada rule 13 diketahui bahwa apabila konsumen
membeli barang di dept 5 punya kemungkinan 52,94% untuk juga
membeli barang di dept 2 dengan support dept 5 sebesar 17 yang
berarti 17 kali dari 100 transaksi atau 17% dari database
transaksi; support dept 2 sebesar 56 yang berarti 56 kali dari 100
transaksi atau 56% dari database transaksi; support a dan c sebesar
9 yang berarti 9 kali dari 100 transaksi atau 9% dari database
transaksi dengan nilai lift ratio sebesar 0,94 yang berarti