Download perancangan web e-commerce jual beli batu cincin dengan

Pelita Informatika Budi Darma, Volume : ViI, Nomor: 3, Agustus 2014
ISSN : 2301-9425
PERANCANGAN WEB E-COMMERCE JUAL BELI BATU CINCIN
DENGAN ALGORITMA APRIORI (STUDI KASUS
TOKO AKIK MURAH PADANG SIDIMPUAN)
Rizki Muliono
Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan
Jl. Sisingamangaraja No.338 Simpang Limun Medan
www.stmik-budidarma.ac.id //[email protected]
ABSTRAK
Saat ini e-commerce telah menjadi sebuah konsep yang berpengaruh besar dalam dunia perdagangan
baik lokal dan dunia pasar interntional dimana pembayaran juga telah menggunakan online payment yang
menjadim keamanan dalam bertransaksi seperti PayPal. Market Basket Analysis (MBA) adalah salah satu
analisa yang bertujuan untuk menemukan barang yang dibeli bersama dalam transaksi dengan memanfaatkan
data transaksi yang ada. Penelitian ini bertujuan untuk membangun sebuah sistem penjualan online dengan
menerapkan analisa algoritma apriori. Algoritma ini dimulai dengan mencari sejumlah frequent itemset dan
dilanjutkan dengan pembentukan aturan-aturan asosiasi (association rules). Algoritma Apriori adalah
algoritma yang sangat populer untuk menemukan sejumlah frequent itemset dari data-data transaksi yang
tersimpan dalam basis data.
Dalam penelitian ini algoritma Apriori digunakan untuk membantu menemukan sejumlah aturan
asosiasi dari basis data transaksi penjualan produk batu cincin di Toko Akik Murah Padangsidimpuan,
sehingga untuk selanjutnya dapat digunakan sebagai pertimbangan dalam membuat strategi pemasaran dan
penjualan yang efektif.
Kata kunci : E-commerce, Paypal, Market Basket Analysis, Apriori
1. Pendahuluan
Seiring dengan hadirnya internet akhirakhir ini yaitu salah satunya metode transaksi yang
di lakukan secara online mulai berkembang pesat,
bahkan sampai pada beberapa aspek dan kegiatan
yang biasa dilakukan secara konvensional sekarang
dilakukan dengan menggunakan sistem online.
Menurut Esprit yang dikutip oleh Whiteley, ecommerce adalah konsep umum setiap bentuk dari
transaksi bisnis atau pertukaran informasi yang
dilakukan
dengan
menggunakan
teknologi
komunikasi dan informasi. E-commerce digunakan
antar perusahaan, antara perusahaan dengan
pelanggan mereka, atau antara perusahaan dengan
administrasi publik. E-commerce terdiri dari
perdagangan produk, jasa dan barang-barang
elektronik. Dalam bentuknya yang paling jelas, ecommerce menjual produk kepada konsumen secara
online, tapi faktanya jenis bisnis apa pun yang
dilakukan secara elektronik adalah e-commerce.
Sederhananya, e-commerce adalah membuat,
mengelola, dan meluaskan hubungan komersial
secara online.
Penelitian ini dilakukan untuk Mengetahui
bagaimana konsep e-commerce diterapkan dalam
sistem jual-beli dan menganalisa algoritma Apriori
untuk memanfaatkan data transaksi yang tersimpan
pada database web e-commerce Toko Akik Murah
guna mengetahui jumlah dan kombinasi item
kategori batu yang banyak terjual secara bersamaan
sebagai bahan pertimbangan dalam membuat
kebijakan dan strategi bisnis melalui analisa dengan
algoritma Apriori serta mengetahui cara
perancangan desain web e-commerce jual beli batu
cincin pada Toko Akik Murah.
2. Landasan Teori
2.1 E-Commerce
Menurut Jony Wong (2010:33) :
Pengertian
electronic e-commerce adalah
pembelian, penjualan dan pemasaran barang serta
jasa melalui sistem elektronik. seperti televisi, radio
dan jaringan komputer atau internet. E-commerce
meliputi transfer dana secara elektronik, pertukaran
dan pengumpulan data. semua diatur dalam sistem
manajemen inventori otomatis. [1]
2.1.1 Klasifikasi E-Commerce
E-Commerce dapat dibagi menjadi
beberapa jenis yang memiliki karakteristik berbedabeda yaitu:
1. Business to Business (B2B)
Business to Business e-Commerce memiliki
karakteristik :
a.
Trading partners yang sudah diketahui dan
umumnya memiliki hubungan (relationship) yang
cukup lama. Informasi hanya dipertukarkan dengan
partner tersebut.
b.
Pertukaran
data
(data
exchange)
berlangsung berulang-ulang dan secara berkala,
misalnya setiap hari, dengan format data yang
Perancangan Web E-Commerce Jual Beli Batu Cincin Dengan Algoritma Apriori (Studi Kasus
Toko Akik Murah Padang Sidimpuan). Oleh : Rizki Muliono
51
Pelita Informatika Budi Darma, Volume : ViI, Nomor: 3, Agustus 2014
sudah disepakati bersama. Dengan kata lain, servis
yang digunakan sudah tertentu.
c.
Salah satu pelaku dapat melakukan
inisiatif untuk mengirimkan data, tidak harus
menunggu parternya.
d. Model yang umum digunakan adalah peer-topeer, dimana processing intelligence dapat
didistribusikan di kedua pelaku bisnis.
2. Business to Consumer (B2C)
Business to Consumer E-Commerce memiliki
karakteristik sebagai berikut:
a. Terbuka untuk umum, dimana informasi
disebarkan ke umum.
b. Servis yang diberikan bersifat umum (generic)
dengan mekanisme yang dapat digunakan oleh
khalayak ramai.
c. Servis diberikan berdasarkan permohonan (on
demand).
d. Pendekatan client/server sering digunakan
dimana diambil asumsi client consumer)
menggunakan sistem yang minimal (berbasis
Web) dan processing (business procedure)
diletakkan di sisi server.
3. Consumen to consumen (C2C)
Dalam C2C seseorang menjual produk
atau jasa ke orang lain. Dapat juga disebut sebagai
pelanggan ke palanggan yaitu orang yang menjual
produk dan jasa ke satu sama lain seperti situs
lelang online.
4.
Comsumen to Business (C2B)
Dalam C2B konsumen memeritahukan
kebutuhan atas suatu produk atau jasa tertentu, dan
para pemasok bersaing untuk menyediakan produk
atau jasa tersebut ke konsumen. [2]
2.1.2 Keuntungan E-Commerce
Menurut
M.Suyanto
(2003:51)
:
keuntungan yang didapat dalam perdagangan ecommerce adalah:
1. Bagi Perusahaan, memperpendek jarak,
perluasan pasar, perluasan jaringan mitra bisnis
dan efisiensi, dengan kata lain mempercepat
pelayanan ke pelanggan, dan pelayanan lebih
responsif, serta mengurangi biaya-biaya yang
berhubungan dengan kertas, seperti biaya pos
surat, pencetakan, report, dan sebagainya
sehingga dapat meningkatkan pendapatan.
2. Bagi Consumen, efektif, aman secara fisik dan
flexible.
3. Bagi Masyarakat Umum, mengurangi polusi
dan pencemaran lingkungan, membuka peluang
kerja baru, menguntungkan dunia akademis,
meningkatkan kualitas SDM.
2.1.3 Kerugian E-Commerce
Menurut M.Suyanto (2003:52) : ada
beberapa kerugian yang didapat dalam perdagangan
e-commerce diantaranya:
ISSN : 2301-9425
1. Meningkatkan
Individualisme,
pada
perdagangan elektronik seseorang dapat
bertransaksi dan mendapatkan barang/jasa yang
diperlukan tanpa bertemu dengan siapapun.
2. Terkadang Menimbulkan Kekecewaan, apa
yang dilihat dilayar monitor komputer kadang
berbeda dengan apa yang dilihat secara kasat
mata.
2.1.4 Manfaat E-Commerce
Menurut M.Suyanto (2003:49): Berikut
adalah beberapa manfaat yang bisa diperoleh
sebuah perusahaan dari dilakukannya kegiatan ecommerce:
1. Dapat memperluas daerah pemasaran hingga ke
pasar internasional.
2. Dapat
mengurangi
biaya
pembuatan,
pemrosesan, pendistribusian, penyimpanan, dan
pencarian informasi yang menggunakan kertas.
3. Dapat memperkecil biaya komunikasi.
4. Memungkinkan interaksi yang lebih dekat
dengan konsumen, meskipun melalui media
perantara.
5. Memungkinkan konsumen berbelanja kapan
pun konsumen ingin.
6. Konsumen bisa mendapatkan informasi yang
relevan dari detail produk yang ingin dibeli
dalam hitungan detik.[3]
2.2
Market Basket Analysis
Menurut Megaputer, (2007) : Market
Basket Analysis atau MBA, merupakan salah satu
tipe analisis data yang paling sering digunakan
dalam dunia pemasaran. Tujuan dari Market Basket
Analysis adalah untuk menentukan produk-produk
apa saja yang paling sering dibeli atau digunakan
sekaligus oleh para konsumen. Proses Market
Basket Analysis ini adalah dengan menganalisis
buying habits konsumen dengan menemukan
asosiasi antar produk-produk yang berbeda yang
diletakkan konsumen dalam shopping basket. [4]
2.3
Algoritma apriori
Menurut kusrini & emha taufiq luthfi
(2009:149-152) : Algoritma apriori termasuk jenis
aturan assosiasi pada data mining. Selain apriori
yang termasuk pada golongan ini adalah metode
Generalized Rule Induction dan Algoritma Hash
Based. Aturan yang menyatakan asosiasi antara
beberapa atribut sering disebut sebagai affinity
analysis atau market basket analysis.[6]
Persoalan association rule mining terdiri
dari dua sub persoalan :
a. Menemukan semua kombinasi dari item, disebut
dengan frequent itemsets,yang memiliki support
yang lebih besar daripada minimum support.
b. Gunakan frequent itemsets untuk men-generate
aturan yang dikehendaki. Semisal, ABCD dan
AB adalah frequent, maka didapatkan aturan
AB ÆCD jika rasio dari support(ABCD)
Perancangan Web E-Commerce Jual Beli Batu Cincin Dengan Algoritma Apriori (Studi Kasus
Toko Akik Murah Padang Sidimpuan). Oleh : Rizki Muliono
52
Pelita Informatika Budi Darma, Volume : ViI, Nomor: 3, Agustus 2014
terhadap support(AB) sedikitnya sama dengan
minimum confidence. Aturan ini memiliki
minimum support karena ABCD adalah
frequent.
Gambar 1 : Ilustrasi Algoritma Apriori
2.4 Association Rules
Analisis asosiasi dikenal juga sebagai salah
satu teknik data mining yang menjadi dasar dari
berbagai teknik data mining lainnya. Khususnya
salah satu tahap dari analisis asosiasi yang disebut
analisis pola frequensi tinggi (frequent pattern
mining) menarik perhatian banyak peneliti untuk
menghasilkan algoritma yang efisien. 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 asosiasi.
Aturan asosiasi biasanya dinyatakan dalam
bentuk :
{roti, mentega} -> {susu} (support = 40%,
confidence = 50%)
Yang artinya : "50% dari transaksi di database yang
memuat item roti dan mentega juga memuat item
susu. Sedangkan 40% dari seluruh transaksi yang
ada di database memuat ketiga item itu."
Dapat juga diartikan : "Seorang konsumen yang
membeli roti dan mentega punya kemungkinan
50% untuk juga membeli susu. Aturan ini cukup
signifikan karena mewakili 40% dari catatan
transaksi selama ini."
Analisis asosiasi didefinisikan suatu proses untuk
menemukan semua aturan asosiasi yang memenuhi
syarat minimum untuk support (minimum support)
dan syarat minimum untuk confidence (minimum
confidence).
Metodologi dasar analisis asosiasi terbagi menjadi
dua tahap :
1. Analisa pola frekuensi tinggi
Support(A)=
Jumlah transaksimengandung A
Total Transaksi
sedangkan nilai support dari 2 item diperoleh dari
rumus 2 berikut :
ISSN : 2301-9425
2. Pembentukan aturan Asosiasi
3. Pembahasan
3.1 Analisis Algoritma Apriori
Algoritma
Apriori
menggunakan
pengetahuan frekuensi atribut yang telah diketahui
sebelumnya
untuk
memproses
informasi
selanjutnya. Pada algoritma Apriori menentukan
kandidat yang mungkin muncul dengan cara
memperhatikan minimum support dan minimum
confidence. Support adalah nilai pengunjung atau
persentase kombinasi sebuah item dalam database.
Rumus support adalah sebagai berikut :
Sedangkan confidence adalah nilai
kepastian yaitu kuatnya hubungan antar item dalam
sebuah Apriori. Confidence dapat dicari setelah
pola frekuensi munculnya sebuah item ditemukan.
Rumus untuk menghitung confidence adalah
sebagai berikut :
Contoh misalnya ditemukan aturan AÆB maka:
Prinsip dari Algoritma Apriori antara lain :
[1].Mengumpulkan item yang tunggal kemudian
mencari item yang terbesar.
[2].Dapatkan candidate pairs kemudian
hitung
large pairs dari masing-masing item.
[3].Temukan candidate triplets dari setiap item dan
seterusnya.
[4].Setiap subset dari sebuah frequent itemset harus
menjadi frequent.
3.2 Tahapan Perhitungan Algoritma Apriori
1. Tahapan pertama dalam perhitungan Algoritma
Apriori untuk menemukan association rules
yaitu menuliskan data transaksi yang terjadi
dalam periode tertentu. Data transaksi yang
dimisalkan yaitu seperti dalam tabel berikut :
Tabel 1 : Daftar Transaksi Pembelian
berdasarkan kategori batu
Transaksi
Item yang dibeli
0001
Kecubung, Zambrud, Kalimaya,
Ruby
0002
Kecubung
0003
Kecubung, Zambrud, Ruby
0004
Kecubung, Kalimaya, Sapphire
0005
Kecubung, Sapphire
0006
Kecubung, Kalimaya, Sapphire
0007
Kecubung, Zambrud, Kalimaya,
Sapphire
Perancangan Web E-Commerce Jual Beli Batu Cincin Dengan Algoritma Apriori (Studi Kasus
53
Toko Akik Murah Padang Sidimpuan). Oleh : Rizki Muliono
ISSN : 2301-9425
Pelita Informatika Budi Darma, Volume : ViI, Nomor: 3, Agustus 2014
0008
0009
0010
Kecubung, Zambrud, Kalimaya,
Ruby
Kecubung, Zambrud, Kalimaya,
Sapphire
Kecubung, Kalimaya, Sapphire
[5]. Membuat representasi data transaksi dalam
database transaksional.
Pada tahapan ini memecah item set menjadi
single item dalam transaksi. Namun tahapan ini
bisa menjadi alternatif.
Tabel 2 : Representasi data transaksi dalam
database transaksional
Transaksi
Item yang dibeli
0001
Kecubung
0001
Zambrud
0001
Kalimaya
0001
Ruby
0002
Kecubung
0003
Kecubung
0003
Zambrud
0003
Ruby
0004
Kecubung
0004
Kalimaya
0004
Sapphire
0005
Kecubung
0005
Shappire
0006
Kecubung
0006
Kalimaya
0006
Shappire
0007
Kecubung
0007
Zambrud
0007
Kalimaya
0007
Sapphire
0008
Kecubung
0008
Zambrud
0008
Kalimaya
0008
Ruby
0009
Kecubung
0009
Zambrud
0009
Kalimaya
0009
Sapphire
0010
Kecubung
0010
Kalimaya
0010
Sapphire
0004
0005
0006
0007
0008
0009
0010
Jumla
h
1
1
1
1
1
1
1
0
0
0
1
1
1
0
1
0
1
1
1
1
1
1
1
1
1
0
1
1
0
0
0
0
1
0
0
10
5
6
6
3
[7]. Langkah
berikutnya
adalah
membuat
kombinasi 2 itemsets pada setiap kategori batu
dan frekuensi masing-masing kombinasi
dihitung sesuai dengan data tabular pada tabel.
Pola kombinasi yang didapatkan dapat dilihat
pada tabel 4 :
Tabel 4 : Pola Kombinasi 2 Itemsets
Pola Kombinasi 2 Itemsets F2
Qty
Kecubung – Zambrud
5
Kecubung – Kalimaya
6
Kecubung – Sapphire
6
Kecubung – Ruby
3
Zambrud – Kalimaya
3
Zambrud – Sapphire
2
Zambrud – Ruby
3
Kalimaya – Sapphire
5
Kalimaya – Ruby
1
Sapphire – Ruby
0
[8]. Setelah frekuensi masing-masing itemsets
ditemukan, langkah selanjutnya menyeleksi
frekuensi yang lebih besar atau sama dengan
batas minimal yang telah ditentukan. Misalnya
ditentukan batas minimal support ≥ 3.
Tabel 5 : Seleksi Kombinasi Itemsets
Pola Kombinasi 2 Itemsets F2
Qty
Kecubung – Zambrud
5
Kecubung – Kalimaya
6
Kecubung – Sapphire
6
Kecubung – Ruby
3
Zambrud – Kalimaya
3
Zambrud – Sapphire
2
Zambrud – Ruby
3
Kalimaya – Sapphire
5
Kalimaya – Ruby
1
Sapphire – Ruby
0
[9]. Tahapan selanjutnya adalah menganalisa tabel
5, terdapat beberapa baris yang diberi arsir,
garis tersebut adalah itemsets yang tidak
memenuhi batas minimum dari jumlah
frekuensi yang telah ditentukan. Langkah
berikutnya adalah dengan membuat 3 itemset
yang sesuai dengan susunan kombinasi yang
baru atau dapat dilihat dalam tabel 6 :
Tabel 6 : Calon 3 Itemsets
Pola Kombinasi 2 Itemsets F2
Qty
Kecubung – Zambrud
5
Kecubung – Kalimaya
6
Perancangan Web E-Commerce Jual Beli Batu Cincin Dengan Algoritma Apriori (Studi Kasus
54
Toko Akik Murah Padang Sidimpuan). Oleh : Rizki Muliono
[6].
Tahapan berikutnya adalah membuat tabel
tabular untuk melakukan perhitungan jumlah
transaksi di masing-masing kategori batu. Tabular
ini dapat dilihat pada
Tabel 3 : Tabulasi Transaksi pembelian
ID
Kecub Zambr Kalim Sapph Ru
Transa
ung
ud
aya
ire
by
ksi
0001
1
1
0
0
1
0002
1
0
0
0
0
0003
1
1
0
0
1
Pelita Informatika Budi Darma, Volume : ViI, Nomor: 3, Agustus 2014
Kecubung – Sapphire
Kecubung – Ruby
Zambrud – Kalimaya
Zambrud – Ruby
Kalimaya – Sapphire
6
3
3
3
5
[10].
Tabel kombinasi 2 itemsets pada table 6
adalah kombinasi yang
memenuhi batas
minimal support.
Tabel 7 : Kombinasi 3 Itemsets
Pola Kombinasi 3 Itemsets
Qty
kecubung, Zambrud , Kalimaya
3
kecubung, Zambrud , Sapphire
2
kecubung, Zambrud,Ruby
3
Zambrud, Kalimaya , Ruby
1
Zambrud, Kalimaya , Sapphire
2
Kalimaya, Sapphire , Ruby
0
[11].
Pembentukan aturan assosiatif
Setelah semua pola frekuensi tinggi ditemukan,
barulah dicari aturan assosiatif yang memenuhi
syarat minimum untuk confidence dengan
menghitung confidence aturan assosiatif A Æ B
Nilai confidence dari aturan AÆ B diperoleh dari
rumus 3 berikut:
3
4
5
6
then buy Zambrud
If buy Kalimaya
and Zambrud,
then buy
Kecubung
If buy Kecubung
and Zambrud,
then buy Ruby
If buy Kecubung
and Ruby, then
buy Zambrud
If buy Ruby and
Zambrud, then
buy Kecubung
ISSN : 2301-9425
3/10=30
%
3/10=30
%
3/10=30
%
3/10=30
%
3/3=100
%
3/5=60%
3/3=100
%
3/3=100
%
minimum confidence nya adalah 60%
maka aturan yang ditemukan sebagai berikut :
If buy Kecubung and Zambrud, then buy Kalimaya
If buy Kecubung and Zambrud, then buy Ruby
Jumlah confidence dari pola kombinasi 2
itemsets F2 yang memenuhi minimal support yaitu
terlihat dari tabel 9 :
Tabel 9 : Seleksi Minimum Confidence
If buy Atecendent, then Consequent
Perhitungan rumus Confidence:
∑ Transaksi mengandung A dan B = 3 (lihat pada
tabel 4.7)
∑ Transaksi mengandung A = 5 (lihat tabel 6),
maka :
Confidence = 3/5 x 100% = 60%
Sedang untuk Support :
Perhitungan rumus Support:
∑ Transaksi mengandung A dan B = 3 (lihat pada
tabel 4.7)
∑ Transaksi seluruhnya= 10 (lihat tabel 1), maka :
Support = 3/10 x 100% = 30%
[12].
Kombinasi 3 itemset F3 yang memenuhi
adalah kombinasi Kecubung-Zambrud-Kalimaya
dan kombinasi Kecubung-Zambrud-Ruby karena
kombinasi tersebut memenuhi syarat support ≥ 3.
Berdasarkan tabel 7 maka persentase confidence
yang terbentuk adalah :
[13].
Senyeleksi jumlah minimal confidence.
Dari tabel diatas maka dapat dihitung aturan
asosiasi final nya, yaitu Support × Confidence
seperti pada tabel 10 :
Tabel 10. Final Association Rule
Tabel 8 : Persentase Confidence 3 itemsets
N
Aturan
Sup
Conf
o
1 If buy Kecubung 3/10=30
%
and Zambrud,
3/5=60%
then buy
Kalimaya
2 If buy Kecubung
3/10=30
3/6=50%
and Kalimaya,
%
Perancangan Web E-Commerce Jual Beli Batu Cincin Dengan Algoritma Apriori (Studi Kasus
Toko Akik Murah Padang Sidimpuan). Oleh : Rizki Muliono
55
Pelita Informatika Budi Darma, Volume : ViI, Nomor: 3, Agustus 2014
[4].
[5].
[6].
ISSN : 2301-9425
[4]http://library.binus.ac.id/eColls/eThesis/B
ab2/2010-1-00498 MTIF%20Bab%202.pdf.
[5]Penerapan Association Rule mining :
http://digilib.its.ac.id/public/ITS-Master10465-Paper.pdf, diakses 16-05-2013.
[6] kusrini & emha Taufiq Luthfi : Algoritma
Data Mining,2009
Tabel final association rule menjelaskan tentang
support dan confidence dari masing-masing
kombinasi 2 itemsets dan 3 itemsets.
4. Kesimpulan
Beberapa kesimpulan yang dapat diambil
dari hasil penelitian ini adalah :
1. Aplikasi web yang dibangun merupakan
aplikasi yang dapat membantu kegiatan
meningkatkan kenyamanan pelanggan dalam
melakukan transaksi.
2. Penggunaan algoritma apriori mempunyai
kelemahan dalam jumlah transaksi yang
dianalisa, karena untuk memperoleh hasil yang
maksimal jumlah data transaksi yang dianalisa
harus mencapai ribuan bahkan jutaan transaksi.
3. Pembayaran dengan menggunakan online
Payment Paypal di indonesia sendiri masih
banyak yang belum paham dan currency-nya
belum mendukung untuk nilai tukar IDR
(Indonesia Rupiah).
Daftar Pustaka
[1].
[2].
[3].
http://books.google.co.id/books?isbn=97927
81196 diakses 08-05-201.
[2]http://elearning.amikom.ac.id/index.php/d
ownload/materi/190302001-st1081/2009/11/20091121_e-commerce-1.ppt,
diakses 06-05-2013.
[3]strategi periklanan pada e-commerce
perusahaan top dunia Oleh m.suyanto
(amikom
yogyakarta).
http://
books.google.co.id/books?isbn=9795339621
diakses diakses 08-05-2013.
Perancangan Web E-Commerce Jual Beli Batu Cincin Dengan Algoritma Apriori (Studi Kasus
Toko Akik Murah Padang Sidimpuan). Oleh : Rizki Muliono
56