HASIL ANALISIS IMPLEMENTASI DATA MINING MENGGUNAKAN
METODE DESKRIPSI UNTUK MENGETAHUI
POLA TRANSAKSI PADA DATA PENJUALAN
LATAR BELAKANG
Supermarket Mulia berlokasi dijalan Godean km. 10 Yogyakarta. Lokasinya yang strategis dipinggir jalan dan depan pasar Godean, menjadi factor pendukung atas besarnya tingkat kunjungan konsumen. Rata-rata transaksi setiap harinya mencapai 800 kali. Berangkat dari banyaknya jumlah transaksi dan kondisi laporan yang dihasilkan, maka penulis tertarik untuk menganalisi database transaksi penjualan dengan menggunakan data mining metode deskripsi guna menemukan informasi yang bermanfaat dan yang belum diketahui dari data transaksi penjualan. Dengan metode deskripsi informasi yang dihasilkan akan berupa ringkasan perbandingan sekelompok data dengan data yang lain, atau gabungan keduanya, dan ditampilkan berupa diagram. Dengan informasi yang berupa ringkasan dan diagram tersebut akan membanti pihak manajemen dalam mengambil keputusan yang cepat dan efektif untuk menghasilkan program promo yang sesuai dengan perilaku konsumen.
RUMUSAN MASALAH
- Pengetahuan apakah yang dapat dihasilkan dari data atau informasi tersebut?
- Metode apa yang dilakukan untuk menggali pengetahuan dari sebuah data?
- Kategori barang apakah yang paling sering laku dalam satu bulan atau periode tertentu.
IDE SOLUSI
Untuk mengetahui pola transaksi pada data penjualan, dilakukan dengan menggunakan metode deskripsi. Karena dengan menggunakan metode deskripsi pada fungsi minor data mining, permasalahan dalam penelitian ini membatasi pada data transaksi penjualan yang digunakan tahun 2007 sampai 2008 dengan menggunakan metode deskripsi yang merupakan salah satu metode dalam data mining.
METODOLOGI PENELITIAN
- Seleksi data
Melakukan seleksi terhadap atribut yang akan dilibatkan dalam proses data mining. Beberapa atribut penting yang bersifat rahasia telah dilakukan pemotongan, seperti harga, pokok barang, diskon, dan nilai transaksi.
- Bersihkan data
Data yang diperoleh masih belum bisa digunakan karena ada record yang tidak memiliki nilai. Pembersihan dilakukan agar, data yang dipakai siap digunakan dalam proses data mining. Sebelum melakukan pembersihan data, adalah dengan mengubah format data.
- Transformsasi data:
Transformasi data adalah untuk menstrukturkan data transaksi menjadi bentuk yang mudah di proses oleh data mining. Beberapa data dalam database transaksi masih perlu dilakukan transformasi.
- Integrasi data
Data yang telah bersih dari missing value, nilai data tidak konsisten dan data yang tidak lengkap. Selanjutnya dilakukan integrasi data di MySQL . proses integrasi data dilakukan dari berbagai data yang digabungkan untuk menghasilkan data yang disimpan pada table baru.
MODEL
Kode kategori |
Nama kategori
|
Jumlah transaksi penjualan yang terjadi |
1 |
Agar-Agar |
184 |
2 |
Aneka Perabot Rumah Tangga |
8.093 |
3 |
Asesoris |
3.480 |
4 |
Bahan Roti |
324 |
5 |
Beras |
0 |
6 |
Bumbu-bumbu |
955 |
7 |
Busana Pria |
4.125 |
8 |
Busana Wanita |
9.713 |
9 |
Daging Siap Saji |
225 |
10 |
Elektronik |
374 |
11 |
Gula |
311 |
12 |
Ice cream |
404 |
13 |
Kopi |
551 |
14 |
Kosmetik |
2.336 |
15 |
Kue basah |
443 |
16 |
Mainan anak-anak |
670 |
17 |
Makanan kering |
62 |
18 |
Mie instan |
2.287 |
19 |
Minuman |
1.988 |
20 |
Minyak goring |
396 |
21 |
Obat-obatan |
748 |
22 |
Pakaian anak-anak |
2.015 |
23 |
Parfum dan Deodorant |
866 |
24 |
Pasta dan Sikat gigi |
1.434 |
25 |
Pembalut dan Kapas |
1264 |
26 |
Pembasmi serangga |
346 |
27 |
Pembersih kamar mandi dan Lantai |
276 |
28 |
Perlengkapan alat tulis |
12.691 |
29 |
Perlengkapan Bayi |
4.868 |
30 |
Perlengkapan dan busana muslim |
3.255 |
31 |
Sabun cuci |
2.958 |
32 |
Sabun mandi |
2.465 |
33 |
Sepatu, sandal dan kaos kaki |
6.171 |
34 |
Shampo |
1.465 |
35 |
Snack dan biscuit |
5.482 |
36 |
Susu dan makanan bayi |
2.766 |
37 |
The |
465 |
38 |
Telur |
92 |
39 |
Rokok |
194 |
|
Jumlah |
86.742 |
Mencari data dan Informasi dengan menggunakan model deskripsi adalah dengan cara:
- Mencari informasi nilai rata-rata:
Rata-rata = 86.742/39= 2.224,1538
Berdasarkan hasil perhitungan diatas, maka nilai rata-rata yang diperoleh dari data yang ada adalah sebesar 2.224,1538.
- Mencari informasi nilai median:
Median = {[(n/2)+((n/2)+1)]/2}
= {[(86.742 / 2) + ((86.742/ 2) + 1)] / 2}
= {[43.371+ 43.372] / 2} = 43.371,5
Berdasarkan hasil perhitungan di atas, maka nilai median terletak pada data transaksi penjualan dengan urutan data ke 43.371,5.
- Mencari Informasi nilai modus:
Pada dasarnya modus adalah nilai yang paling sering keluar atau nilai yang paling sering muncul. Nilai frekuensi penjualan tertinggi merupakan nilai observasi yang paling sering
muncul (modus). Berdasarkan data diatas, nilai yang paling sering muncul adalah 12.691, dengan kategori perlengkapan alat tulis.
- Mencari informasi nilai varians:
Berikut adalah tabel penjualan bulan Agustus dan bulan September yang sudah diurutkan:
Kategori |
Agustus 2008 |
S1 |
September 2008 |
S2 |
5 |
0 |
4.946.860,12605444 |
0 |
6.449.906,94708889 |
6 |
955 |
1.610.751,36805444 |
738 |
3.246.002,89788889 |
7 |
4.125 |
3.613.216,27605444 |
8.993 |
41.645.510,68088890 |
8 |
9.713 |
56.082.817,40725440 |
18.292 |
248.136.004,394228900 |
9 |
225 |
3.996.615,91605444 |
257 |
5.210.567,26328889 |
10 |
374 |
3.423.069,08365444 |
298 |
5.025.069,59388889 |
11 |
311 |
3.660.157,46245444 |
359 |
4.755.307,25648889 |
12 |
404 |
3.312.959,85565444 |
214 |
5.408.725,59948889 |
13 |
551 |
2.799.443,63845444 |
397 |
4.591.020,58728889 |
14 |
2.336 |
12.509,57245444 |
1.855 |
468.768,49008889 |
15 |
443 |
3.172.508,85925444 |
615 |
3.704.341,90608889 |
16 |
670 |
2.415.394,03405444 |
388 |
4.629.669,58788889 |
17 |
62 |
4.674.909,05485444 |
36 |
6.268.346,94468889 |
18 |
2.287 |
3.949,64485444 |
1.553 |
973.511,17688889 |
19 |
1.988 |
55.768,61725444 |
1.464 |
5.725,44948889 |
20 |
396 |
3.342.146,31645444 |
274 |
5.133.245,59548889 |
21 |
748 |
2.179.030,04125444 |
509 |
4.123.607,24648889 |
22 |
2.015 |
43.745,31205444 |
6.266 |
13.885.559,86268890 |
23 |
866 |
1.844.581,74445444 |
731 |
3.271.275,23168889 |
24 |
1.434 |
624.343,02765444 |
978 |
2.438.802,88188889 |
25 |
1.264 |
921.895,31965444 |
847 |
2.865.120,55728889 |
26 |
346 |
3.527.461,69645444 |
245 |
5.265.495,26408889 |
27 |
276 |
3.795.303,22845444 |
230 |
5.334.560,26508889 |
28 |
12.691 |
109.554.869,37445400 |
7.736 |
27.001.879,76468890 |
29 |
4.868 |
6.989.922,72925444 |
6.653 |
16.919.510,83688890 |
30 |
3.255 |
1.062.643,88805444 |
8.828 |
39.543.135,69188890 |
31 |
2.958 |
538.530,24525444 |
2.167 |
138.880,46928889 |
32 |
2.465 |
58.006,89205444 |
1.664 |
766.792,16948889 |
33 |
6.171 |
15.577.594,92645440 |
8.222 |
32.288.911,73228890 |
34 |
1.465 |
576.314,49205444 |
1.059 |
2.192.373,87648889 |
35 |
5.482 |
10.613.561,86285440 |
4.264 |
2.973.325,32948889 |
36 |
2.766 |
293.597,30445444 |
2.349 |
36.353.79048889 |
37 |
465 |
3.094.622,09205444 |
357 |
4.764.033,92328889 |
38 |
92 |
4.546.079,82685444 |
65 |
6.123.975,27608889 |
39 |
194 |
4.121.524,45165444 |
125 |
5.830.615,27208889 |
Jumlah |
86.742 |
310.880.023,07692256 |
99.047 |
540.210.926,66666688 |
Rata-rata |
2.224,1538 |
|
2.539,6667 |
|
Sebagai contoh dari table diatas, berikut rincian perhitungan varians untuk ID Kategori Barang 1 (Agar-agar), Barang 2 (Perabot rumahtangga), Barang 3 (asesoris) dan Barang 4 (Bahanroti) periode bulan Agustus 2008 yaitu:
- Perhitungan varians untuk ID Kategori Barang 1 (Agar-agar):
S1 = (x – (rata-rata)) = (184 − 2.224,1538) = 4.162.227,52765444
- Perhitungan varians ID Kategori Barang 2 (Perabot Rumah Tangga):
S1 = (x – (rata-rata)) = (8.093 − 2.224,1538) = 34.443.355,71925440
- Perhitungan varians untuk ID Kategori Barang 3 (Asesoris):
S1 = (x – (rata-rata)) = (3.480 − 2.224,1538) = 1.577.149,67805444
- Perhitungan varians untuk ID Kategori Barang 4 (Bahan Roti):
S1 = (x – (rata-rata)) = (324 − 2.224,1538) = 3.610.584,46365444
varians penjualan bulan Agustus 2008 adalah:
varians = X – Rata-rata2 /n-1 =
310.880.023,07692259/38 = 8.181.053,23886638
Berdasarkan tabel diatas, total transaksi penjualan pada bulan September 2008 adalah 99.047. oleh karena itu rata-rata yang didapat adalah sebesar:
Rata-rata = 99.047/39 = 2.539,6667
Rata-rata yang diperoleh adalah sebesar 2.539,6667.
Sebagai contoh dari table diatas, berikut rincian perhitungan varians untuk ID Kategori Barang 1 (Agar-agar), Barang 2 (Perabot rumahtangga), Barang 3 (asesoris) dan Barang 4 (Bahanroti) periode bulan September 2008 yaitu:
- Perhitungan varians untuk ID Kategori Barang 1 (Agar-agar):
S2 = (x – (rata-rata)) = (280 – 2.539,6667) = 5.106.093,59508889
- Perhitungan varians ID Kategori Barang 2 (Perabot Rumah Tangga):
S2 = (x – (rata-rata)) = (5.442 −2.539,6667) = 8.307.845,25228889
- Perhitungan varians untuk ID Kategori Barang 3 (Asesoris):
S2 = (x – (rata-rata)) = (3.480 −2.539,6667) = 252.338,74428889
- Perhitungan varians untuk ID Kategori Barang 4 (Bahan Roti):
S2 = (x – (rata-rata)) = (275 −2.539,6667) = 5.128.715,26208889
Varians penjualan bulan September 2008 adalah:
Varians = X – Rata-rata2 /n-1
540.210.926,66666688/38 = 14.216.077,01754390
Nilai varians transaksi penjualan yang diperoleh pada bulan September 2008 lebih besar dibandingkan dengan nilai varians transaksi penjualan yang diperoleh pada bulan Agustus 2008. Ini berarti transaksi penjualan pada bulan September 2008 lebih beragam dibandingkan dengan transaksi penjualan pada bulan Agustus 2008.
KESIMPULAN:
- Apliaksi yang dibuat dapat menampilkan pola transaksi per periode, dan informasi yang diberikan adalah berupa nilai rata-rata, nilai modus, nilai media, dan juga nilai varians.
- Dengan digunakannya metode ini, kita dapat mengetahui pada periode berapakah transaksi penjualan yang beragam-ragam, barang yang dominan, dan barang manakah yang paling banyak diminati oleh konsumen.
- Hasil dari proses data mining ini dapat dogunakan untuk mengambil sebuah keputusan untuk memperkirakan pola belanja konsumen di masa mendatang.
SARAN:
Untuk pengembangan aplikasi data mining, peneliti dapat menambahkan seleksi periode berdasarkan bulan dan tahun, agar data yang ada dapat dibaca dengan mudah, karena dalam penelitian ini input-an periode masih berdasarkan tanggal. Selanjutnya peneliti juga dapat menambahkan output berupa saran untuk mendukung pengambilan keputusan oleh manager. Dapat pula melakukan penelitian menggunakan metode yang lain untuk dapat menampilkan informasi yang dapat digunakan untuk membantu menejer pemasaran dalam mengambil keputusan.
Sumber: http://www.academia.edu/7188361/Implementasi_Data_Mining_Menggunakan_Metode_Deskripsi_Untuk_Mengetahui_Pola_Transaksi_Pada_Data_Penjualan