Analisa Data Mining Menggunakan Market Basket Analysis Untuk Mengetahui Pola Beli Konsumen Dengan Pemrograhaman R.

TUGAS 2

A.    Judul PI : Analisa Data Mining Menggunakan Market Basket Analysis Untuk

Mengetahui Pola Beli Konsumen Dengan Pemrograhaman R.

B.    Dosen Pembimbing : Rosdiana,S.Kom,MMSI

C.    Software : R Studio

D.   Latar Belakang :

Perkembangan dan persaingan dalam dunia bisnis perdagangan serta kemajuan teknologi informasi merupakan suatu hal yang saling terkait, dalam

ketatnya persaingan pasar untuk memenuhi tuntutan pelanggan yang semakin

tinggi. Pedagang memerlukan strategi dan kecerdasan bisnis untuk dapat terus

memenuhi keinginan pelanggan dan tuntutan pasar. Sehingga kemajuan teknologi sangat dibutuhkan untuk mengembangkan bisnis perdagangan. Dalam persaingan di dunia bisnis, khususnya industri toko online, menuntut para pengembang untuk menemukan suatu strategi yang tepat supaya dapat meningkatkan penjualan barang, salah satu cara yaitu dengan mengetahui pola pembelian belanja konsumen sehingga bisa menerapkan langkah-langkah yang tepat untuk memberikan fasilitas yang lebih, guna meningkatkan daya jual.

Setiap hari data transaksi penjualan di toko online semakin bertambah banyak sehingga data tersebut menumpuk, namun data ini seringkali diperlakukan hanya sebagai rekaman tanpa pengolahan lebih lanjut sehingga tidak mempunyai nilai guna lebih untuk bisa dimanfaatkan dengan baik. Analisis dari tiap koleksi data tersebut akan menghasilkan pengetahuan atau informasi, misalnya berupa pola dan kaidah asosiasi yang terjadi pada data.

Metode yang sering digunakan untuk melakukan analisis pola perilaku belanja konsumen adalah analisis keranjang belanja atau Market Basket Analysis (MBA). Analisis ini merupakan salah satu metode dalam penambangan data (data mining) yang mempelajari tentang perilaku kebiasaan konsumen dalam membeli barang secara bersamaan dalam satu waktu. Metode analisis pola perilaku belanja (MBA) menggunakan bantuan algoritma apriori, yang merupakan algoritma MBA yang digunakan untuk menghasilkan association rule.

Market Basket Analysis dengan algoritma apriori dapat meningkatkan  penjualan karena dengan menerapkannya dapat diketahui pola kebiasaan belanja pelanggan, sehingga barang - barang yang sering dibeli pelanggan ditempatkan secara strategis dan stoknya akan diperbanyak agar mencukupi. Barang – barang yang kurang diminati pelanggan stoknya dikurangi agar tidak menumpuk yang bisa mengakibatkan kerugian bagi pengelola serta barang-barang yang sering dibeli secara bersamaan oleh pelanggan akan ditempatkan berdekatan. Oleh karena itu, dalam tulisan ini dipaparkan implementasi metode Market Basket Analisys dengan algoritma apriori untuk mengetahui pola beli konsumen dengan bahasa pemrograman R sebagai pemroses dan visualisasi data. Pemilihan Bahasa pemrogarman R dikarenakan R memiliki banyak package yang mampu mengeksplorasi data dengan efisien serta mampu membangun visualisasi data dengan menarik . Pemilihan algoritma apriori dikarenakan algoritma ini mampu menyelesaikan pemrosesan data dengan sangat cepat bahkan untuk dataset dengan item-item unik dalam jumlah besar. Dataset yang digunakan adalah data online retail dataset dari UCI Machine Learning Repository dibawah lisensi Public Analytics group, London South Bank University.

E.    Metode yang digunakan :

1.    Pengambilan data

Data yang digunakan diambil dari online retail dataset UCI Machine

Learning Repository.

2.    Pengenalan data

Pada tahapan ini penulis mengumpulkan deskripsi data dan detail informasi mengenai atribut yang terdapat dalam data.

3.    Pemasangan dan Pemuatan libraries

Pada tahapan ini penulis melakuakan pemasangan (install) dan pemuatan terhadap libraries atau package yang akan digunakan.

4.    Pra-pemrosesan data

4. Pra-pemrosesan yang dilakukan terhadap data adalah data cleaning meliputi penghilangan missing value dan mengubah beberapa tipe data atribut ke tipe data yang sesuai. Kemudian melakukan transformasi data kedalam bentuk transaction data dalam format basket. Dan menuliskan berkas baru berupa transaction data ke dalam direktori tempat projek R.

5.    Penerapan algoritma apriori

Menerapkan algoritma apriori dengan menentukan nilai minimum support dan minimum confidence untuk mendapatkan aturan asosiasi yang kuat.

6.    Penghapusan aturan rangkap

Melakukan penghapusan terhadap aturan asoiasi yang menjadi subset dari aturan asosiasi yang lebih luas.

7.    Visualiasi aturan asosiasi.

Menyajikan 10 aturan asosiasi terkuat kedalam bentuk visualisasi yang

menarik dan mudah dipahami.

F.    Kelebihan Aplikasi

1.    Mampu memberikan informasi yang dapat digunakan untuk meningkatkan penjualan.

2.    Mampu memberikan informasi deskriptif dari data yang berjumlah besar.

3.    Analisa dan algoritma yang digunakan dapat menjadi refrensi Analisa data transaksi lainnya.

4.    Tahap pre-proccessing yang dilakukan mampu menjadikan data mentah menjadi data yang siap diolah.

5.    Memberikan Rekomendasi penjualan barang berdasarkan data.

6.    Memiliki visualisasi yang menarik dan mudah untuk dipahami.

G.   Alasan cepat atau lambat PI untuk sidang

Beberapa alasan atau faktor yang mempengharuhi cepat lambatnya sidang :

1.    Seberapa kompleks aplikasi/Analisa yang dibuat.

2.    Seberapa luas Batasan masalah dari aplikasi/Analisa yang dibuat.

3.    Seberapa mudah menjangkau atau mendapatkan sumber daya pendukung (data) dari aplikasi/analisa yang dibuat.

4.    Karakter dosen pembimbing.

5.    Seberapa cepat pembuatan aplikasi/Analisa.

6.    Seberapa cepat pembuatan penulisan dari aplikasi/Analisa.

H.   Promosi Aplikasi

Persiapan promosi yang dilakukan agar memenuhi salah satu jenis bisnis informatika adalah melakukan publikasi di berbagai macam repositori seperti github , Kaggle, medium, dll.