Pengolahan Algoritma Apriori untuk Meningkatkan Penjualan Alat Kesehatan di Toko Joyo Alkes

Pengambilan keputusan yang efektif merupakan kunci utama dalam menjalankan sebuah usaha, termasuk dalam bisnis penjualan alat kesehatan. Data yang dihasilkan oleh sistem informasi dapat menjadi sumber informasi berharga jika dikelola dengan baik. Namun, data operasional saja tidak cukup untuk mendapatkan informasi yang dibutuhkan. Diperlukan analisis data yang mendalam untuk menggali potensi informasi yang ada.

Data Mining adalah teknik analisis data yang bertujuan untuk menggali informasi penting atau menarik dari data dalam jumlah besar. Algoritma Apriori adalah salah satu algoritma dalam Data Mining yang digunakan untuk mencari pola dalam data transaksi, terutama untuk menemukan frequent itemset. Frequent itemset adalah sekumpulan item yang sering muncul bersama-sama dalam data transaksi.

Dengan menerapkan algoritma Apriori, Joyo Alkes dapat menganalisis pola pembelian konsumen dengan lebih mudah. Berikut adalah beberapa manfaat yang dapat diperoleh Joyo Alkes:

• Mengetahui produk yang paling diminati konsumen: Algoritma Apriori dapat membantu Joyo Alkes mengetahui produk alat kesehatan apa saja yang paling sering dibeli bersama-sama. Hal ini dapat membantu Joyo Alkes dalam menentukan produk yang harus distok dalam jumlah besar dan produk yang perlu dipromosikan lebih gencar.
• Memprediksi permintaan produk: Algoritma Apriori dapat membantu Joyo Alkes memprediksi permintaan produk di masa depan. Hal ini dapat membantu Joyo Alkes dalam merencanakan pembelian stok dan menghindari penumpukan stok yang tidak laku.
• Meningkatkan efisiensi pengelolaan stok: Dengan mengetahui pola pembelian konsumen, Joyo Alkes dapat mengelola stok dengan lebih efisien. Hal ini dapat membantu Joyo Alkes dalam mengurangi biaya penyimpanan dan meningkatkan keuntungan usaha.

Langkah pertama adalah pengolahan data. data diperoleh dari aplikasi POS joyoalkes dalam bentuk file csv dan dibuka di google colab.

“Dataframe awal df diubah dengan mengambil hanya dua kolom yang relevan, yaitu ‘Kode Transaksi’ dan ‘Nama Barang’, sedangkan kolom-kolom lainnya diabaikan. Langkah ini dilakukan untuk mempersiapkan data yang akan digunakan dalam analisis Apriori, di mana hanya informasi tentang transaksi (Kode Transaksi) dan item-item yang dibeli (Nama Barang) yang relevan untuk mengidentifikasi pola pembelian yang mungkin terjadi.”

Data dari DataFrame df diubah menjadi format transaksional untuk analisis pola pembelian menggunakan algoritma Apriori. Langkah-langkah ini melibatkan pengelompokkan data berdasarkan ‘Kode Transaksi’ dan ‘Nama Barang’, diikuti dengan perhitungan frekuensi kemunculan setiap pasangan ‘Kode Transaksi’ dan ‘Nama Barang’. Hasilnya diubah menjadi matriks dengan ‘Kode Transaksi’ sebagai indeks baris, ‘Nama Barang’ sebagai kolom, dan frekuensi kemunculan sebagai nilai sel. Selanjutnya, nilai-nilai yang hilang (yang menunjukkan bahwa suatu item tidak dibeli dalam suatu transaksi) diisi dengan nilai 0. Proses ini menghasilkan representasi data yang sesuai untuk analisis asosiasi pembelian.

Fungsi encode_units didefinisikan untuk mengonversi kuantitas item dalam transaksi menjadi nilai biner, di mana nilai 1 menunjukkan bahwa item tersebut dibeli dalam transaksi dan nilai 0 menunjukkan sebaliknya. Fungsi ini diterapkan pada DataFrame basket yang berisi matriks transaksi dengan item-item sebagai kolom dan transaksi sebagai baris. Dengan mengonversi kuantitas menjadi nilai biner, analisis asosiasi dapat dilakukan dengan mengidentifikasi pola pembelian yang konsisten tanpa memperhatikan jumlah item yang dibeli dalam setiap transaksi

Algoritma Apriori digunakan untuk menemukan himpunan item yang sering terjadi dalam transaksi pembelian, dengan batasan bahwa setiap himpunan item harus memiliki dukungan (support) minimal sebesar 0.3% dari total transaksi. Proses ini dilakukan dengan menggunakan DataFrame basket_sets yang telah diubah menjadi representasi biner, di mana setiap nilai 1 menunjukkan bahwa item tersebut dibeli dalam transaksi dan nilai 0 menunjukkan sebaliknya. Hasilnya, frequent_itemsets, berisi semua himpunan item yang memenuhi batasan support minimal yang telah ditentukan, beserta jumlah transaksi di mana himpunan tersebut muncul.”

Aturan asosiasi dihasilkan dari himpunan item yang sering terjadi (frequent itemsets) dengan menggunakan metode association_rules. Aturan-aturan ini digunakan untuk mengidentifikasi hubungan antara item-item yang dibeli secara bersamaan dalam transaksi. Dalam kasus ini, metrik “lift” digunakan untuk mengukur kekuatan hubungan antara item-item tersebut, di mana nilai lift di atas 1 menunjukkan adanya asosiasi positif (item-item tersebut cenderung dibeli bersamaan) sementara nilai lift di bawah 1 menunjukkan asosiasi negatif (item-item tersebut cenderung tidak dibeli bersamaan). Aturan-aturan yang dihasilkan memiliki nilai lift minimal sebesar 1, yang berarti aturan tersebut hanya akan dipertimbangkan jika terdapat peningkatan dalam pembelian item-item tersebut bersama-sama dibandingkan dengan pembelian acak

Aturan asosiasi yang dihasilkan dari analisis data transaksi ditampilkan menggunakan perintah cetak (print) pada program komputer. Setiap aturan asosiasi dicetak dalam format yang mencakup item-item yang terlibat dalam aturan tersebut, nilai-nilai metrik yang digunakan untuk mengevaluasi kekuatan aturan (seperti confidence, lift, dan support), serta informasi tambahan yang relevan. Informasi ini dapat memberikan wawasan yang berguna bagi pembaca terkait dengan hubungan dan pola pembelian yang ada dalam data transaksi yang dianalisis

Dari data tersebut, Anda dapat melihat hubungan antara beberapa item yang dibeli bersama-sama dalam transaksi. Berdasarkan nilai support dan confidence, Anda dapat membuat beberapa kesimpulan dan rekomendasi bisnis yang baik:

1. Kombinasi pembelian Kom iodine 8 cm dan Bak 508 memiliki confidence yang tinggi (81.82%), menunjukkan bahwa jika seseorang membeli Bak 508, kemungkinan besar juga akan membeli Kom iodine 8cm. Rekomendasi bisnisnya adalah mempertahankan atau meningkatkan stok Kom iodine 8 cm jika stok Bak 508 tersedia.

2. Kombinasi pembelian Selang one health kanul dan Isi oksigen 1m3 memiliki confidence yang cukup tinggi (58.73%). Rekomendasi bisnisnya adalah mempertimbangkan strategi bundling atau promosi untuk meningkatkan penjualan keduanya secara bersamaan.

3. Kombinasi pembelian Regulator biasa dan Tabung oksigen 1m3 memiliki confidence yang lumayan tinggi (55.13%). Rekomendasi bisnisnya adalah mempertimbangkan strategi bundling atau promosi untuk meningkatkan penjualan keduanya secara bersamaan.

4. Kombinasi pembelian Tabung oksigen 1m3 dan Troli oksigen 1m3 second memiliki confidence yang sangat tinggi (86.67%). Rekomendasi bisnisnya adalah mempertimbangkan untuk menjual Tabung oksigen 1m3 dan Troli oksigen 1m3 second sebagai paket, karena kemungkinan besar pelanggan akan membeli keduanya.

5. Kombinasi pembelian Regulator biasa, Tabung oksigen 1m3, dan Troli oksigen 1m3 second memiliki beberapa hubungan antar item dalam kombinasi ini. Rekomendasi bisnisnya adalah memperhatikan pola pembelian yang kompleks ini dan mungkin melakukan analisis lebih lanjut untuk memahami lebih baik kebutuhan pelanggan.

Dengan menganalisis pola pembelian ini, Joyo Alkes dapat meningkatkan strategi penjualan mereka, mengoptimalkan manajemen stok, dan meningkatkan keuntungan usaha mereka.