Contoh Mencari Pola Pembelian Barang Oleh Customer

Data Selection

Data berikut ini adalah data random, hanya sebagai bahan contoh

NotaPembelian
5Rempah Merah
5Teh Kotak
1Sambal 
5Gula
1Kecap
2Sossis
1Garam
5Garam
4Kacang Hijau
4Rempah Merah
1Kopi
3Kopi
4Teh Kotak
5Kecap
3Kopi
3Air Galon
5Kacang Hijau
1Sambal 
2Kacang Hijau
4Gula
5Sambal 
5Rempah Merah
2Kopi
1Kacang Hijau
2Kacang Hijau
1Rempah Merah
5Gula
4Teh Kotak
3Sambal 
4Kacang Hijau
3Kopi
3Garam
4Rempah Merah
3Kopi
3Kopi
2Kecap
4Rempah Merah
4Teh Kotak
1Teh Kotak
1Gula
1Sambal 
2Gula
2Garam
5Rempah Merah
5Sambal 
4Kacang Hijau
5Kecap
1Sossis
3Kacang Hijau
2Kacang Hijau
3Sambal 
4Kecap
3Teh Kotak
5Kecap
2Kopi
2Air Galon
5Sossis
2Rempah Merah
5Kopi
2Air Galon
3Kacang Hijau
5Kecap
3Teh Kotak
1Sossis
2Kacang Hijau
1Gula
3Kopi
3Garam
5Gula
1Kecap
1Kopi
3Kopi
1Kecap
2Kopi
5Garam
1Kacang Hijau
1Teh Kotak
3Kacang Hijau
3Garam
5Kopi
1Kopi
2Rempah Merah
4Sossis
3Rempah Merah
4Sambal 
3Teh Kotak
1Sambal 
3Sambal 
2Sossis
2Sossis
3Garam
1Sossis
3Teh Kotak
1Garam
5Gula
2Sossis
2Rempah Merah
2Teh Kotak
2Teh Kotak
3Sossis

Pre Processing

Tidak Ada

Transformation

Data Di Ganti Formatnya dengan metode Pivot data, menjadi seperi berikut ini :

NotaAir GalonGaramGulaKacang HijauKecapKopiRempah MerahSambal SossisTeh Kotak
1222331432
2211413342
314371314
41313113
5241423211

Data Mining

  1. Data Missing Di Replace Menjadi Zero (0)
  2. Data Ditransform dari numerical ke binomial ( True or False )
  3. Menggunakan Algoritma FP – Growth Untuk melihat himpunan data yang sering muncul
  4. Membuat Create Association Rule agar dapat melihat pola pembelian

Hasil Algoritma

FP Growth

1.000Teh Kotak
1.000Sossis
1.000Rempah Merah
1.000Kacang Hijau
0.800Sambal
0.800Kopi
0.800Kecap
0.800Gula
0.800Garam
1.000Teh KotakSossis
1.000Teh KotakRempah Merah
1.000Teh KotakKacang Hijau
0.800Teh KotakSambal
0.800Teh KotakKopi

Association Rule

Association Rules
[Teh Kotak] –> [Sambal] (confidence: 0.800)
[Teh Kotak] –> [Kopi] (confidence: 0.800)
[Teh Kotak] –> [Kecap] (confidence: 0.800)
[Teh Kotak] –> [Gula] (confidence: 0.800)
[Teh Kotak] –> [Garam] (confidence: 0.800)
[Sossis] –> [Sambal] (confidence: 0.800)
[Sossis] –> [Kopi] (confidence: 0.800)
[Sossis] –> [Kecap] (confidence: 0.800)
[Sossis] –> [Gula] (confidence: 0.800)
[Sossis] –> [Garam] (confidence: 0.800)
[Rempah Merah] –> [Sambal] (confidence: 0.800)
[Rempah Merah] –> [Kopi] (confidence: 0.800)
[Rempah Merah] –> [Kecap] (confidence: 0.800)
[Rempah Merah] –> [Gula] (confidence: 0.800)
[Rempah Merah] –> [Garam] (confidence: 0.800)
[Kacang Hijau] –> [Sambal] (confidence: 0.800)
[Kacang Hijau] –> [Kopi] (confidence: 0.800)
[Kacang Hijau] –> [Kecap] (confidence: 0.800)
[Kacang Hijau] –> [Gula] (confidence: 0.800)
[Kacang Hijau] –> [Garam] (confidence: 0.800)
[Teh Kotak] –> [Sossis, Sambal] (confidence: 0.800)
[Sossis] –> [Teh Kotak, Sambal] (confidence: 0.800)
[Teh Kotak, Sossis] –> [Sambal] (confidence: 0.800)
[Teh Kotak] –> [Sossis, Kopi] (confidence: 0.800)
[Sossis] –> [Teh Kotak, Kopi] (confidence: 0.800)

Kesimpulan

Dari Hasil Algoritma di atas dapat di simpulkan beberapa pola pembelian barang oleh customer

  1. Setiap membeli Teh Kotak pasti membeli Sambal
  2. Setiap membeli Sosis pasti membeli Sambal
  3. Setiap membeli teh kotak dan Sossis pasti membeli Kopi
  4. Dst.

Dari hasil di atas, toko dapat menggunakan pengetahuan data transkasi tersebut untuk membuat keputusan barang teh kotak harus berdekatan dengan sambal, dst…….