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.