Survey
* Your assessment is very important for improving the workof artificial intelligence, which forms the content of this project
* Your assessment is very important for improving the workof artificial intelligence, which forms the content of this project
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