Contoh Penerapan Data Mining

Dalam pembahasan ini saya akan mengambil  salah satu bentuk solusi dari data mining untuk menganalisis Perilaku Pengunjung pada suatu Toko X. Beberapa metoda atau teknik yang dikenal di dalam data mining salah satunya adalah association rule (aturan asosiasi) yang berusaha menemukan  aturan-aturan  tertentu  yang  mengasosiasikan  data  yang  satu  dengan  data  yang  lain, dapat digunakan untuk kasus  di atas.

Untuk  mencari  association  rule  dari  data  tersebut  pertama-tama  kita  harus  mencari  lebih dulu  yang  disebut  "frequent  item"  (item  sering),  yaitu  barang  yang  sering  dibeli  oleh  seorang pengunjung. Misalnya kita dapatkan data barang yang beberapa barang dibeli oleh seorang pengunjung di bulan X  seperti berikut:

1.      beras, minyak goreng, daging sapi

2.      gula pasir, minyak goreng, telur ayam

3.      beras, gula pasir, minyak goreng, telur ayam

4.      gula pasir, telur ayam

Jika kita menetapkan bahwa yang dikatakan "sering" adalah pembelian sebanyak 2 kali atau lebih, maka kita dapatkan frequent item dari seorang pengnjung adalah:          

Gula pasir	3 kali
Minyak Goreng	3 kali
Telur ayam	3 kali

Sementara daging sapi bukan frequent item karena hanya 1 kali dibeli oleh pengunjung. Frequent item   ini   mencakup   juga   untuk   pembelian   secara   bersama-sama,   sehingga   kita   dapatkan   juga frequent item seperti berikut:

Gula pasir dan telur ayam	3 kali
Gula pasir dan minyak goreng	2 kali
Minyak goreng dan telur ayam	2 kali
Minyak goreng dan beras	2 kali
Minyak goreng dan gula pasir dan telur ayam	2 kali

Jumlah  pembelian  barang  di  sini  dalam  bahasa  data  mining  dikenal  dengan  istilah  "support" (dukungan) dan batas minimal "2" disebut minimum support (dukungan minimal).

Dari   data   pengunjung   di   atas   kita   bisa   membuat   association   rule   seperti   misalnya: Pengunjung  yang  membeli  beras  akan  membeli  juga  minyak  goreng.  Dalam  bahasa  data  mining association rule ini kita tulis seperti berikut:

beras => minyak goreng, atau  "if beras then minyak goreng".

Tentu  saja  aturan  ini  tidak  bersifat  pasti  tetapi  hanya  kemungkinan-kemungkinan  berdasarkan kebiasaan  pembelian  seorang  konsumen  di  bulan  X  ini.  Kemungkinan  dari  association  rule  yang kita buat dapat kita hitung seperti berikut ini :

Support(minyak goreng & beras)/support(beras)= 2/2 = 1

Jika melihat data seorang pengunjung saja seperti contoh data diatas, ternyata kemungkinan  association rule ini adalah 100%, atau sering disebut  "confidence"  (kepercayaan). Sehingga  sebagian  association  rule  yang  dapat  kita  buat  dari  data  seorang  pengunjung  di  atas antara lain:

Association	Support	Confulence
Gula pasir =>telur ayam	3	1
Telur ayam =>gula pasir	3	1
Gula pasir =>minyak goreng	2	2/3
Minyak goreng =>telur ayam	2	2/3
Beras => minyak goreng	2	1
Minyak goreng => beras	2	2/3
Minyak goreng => gula pasir, telur ayam	2	2/3
Minyak goreng, gula pasir => telur ayam	2	1

Ketika  perhitungan  data  seperti  di  atas  kita  lakukan  terhadap  data  seluruh  pengunjung,  maka kita akan mendapatkan association rule yang valid yang benar-benar mencerminkan  kecenderungan pola pembelian dari pengunjung toko tersebut.

Pengetahuan yang diperoleh dari hasil analisis diatas dapat dipercaya tentang kecenderungan dan perilaku pengunjung sebuah toko dengan akan menghasilkan manfaat bagi pemilik toko untuk  mengambil  keputusan-keputusan  strategis  tentang  tokonya  tersebut, dalam  hal mengatur  tata  letak  barang,  penyiapan  stok barang, pemberian rekomendasi-rekomendasi tertentu kepada pengunjung dan lain-lain.