Cara yang lazim dilakukan oleh sebuah toko serba ada, untuk menganalisa data penjualan dan keuntungannya biasanya adalah dengan analisa statistika. Metoda ini mungkin sudah akrab di telinga kita dan sudah kita pelajari di mata pelajaran matematika sejak SMP atau SMA.

Analisa statistika, apalagi yang dilengkapi dengan grafik warna-warni, sangat praktis digunakan karena memberikan kesimpulan dari data-data penjualan toko secara terperinci sekaligus mudah dipahami. Misalnya kita dapat mengetahui barang apa yang terjual paling banyak, apa yang paling sedikit, berapa jumlahnya, dan berapa rata-ratanya. Selain itu kita dapat juga melihat berapa jumlah pengunjung terbanyak ataupun tersedikit dan di hari apa, dan juga berapa rata-ratanya.

Metoda statistika ini adalah untuk mengetahui nilai yang paling banyak, paling sedikit maupun rata-rata dari suatu besaran. Selain itu juga untuk menghitung nilai median, modus maupun tingkat ketelitian/kesalahan dari nilai-nilai tersebut bagi yang ingin mengetahui lebih detil lagi.

Bagaimana kalau kita ingin mengetahui lebih dari yang telah disebutkan di atas? Katakanlah kecenderungan atau trend yang banyak dilakukan oleh pengunjung. Misalnya pengunjung yang membeli beras, biasanya membeli apa juga? Atau pengunjung yang hari ini membeli minyak goreng, esoknya membeli gula pasir, maka hari berikutnya biasanya membeli apa?

Mengetahui kecenderungan-kecenderungan yang biasa dilakukan oleh pengunjung dapat membantu pemilik toko untuk membuat keputusan strategis tentang toko tersebut. Misalnya kalau diketahui bahwa pengunjung yang membeli beras biasanya juga membeli minyak goreng, maka kita dapat mengatur posisi beras berdekatan dengan minyak goreng, supaya pengunjung mudah membelinya. Kalau diketahui bahwa pengunjung yang hari ini membeli minyak goreng, esoknya membeli gula pasir, maka hari berikutnya cenderung membeli telur ayam misalnya, maka kita dapat mempersiapkan supaya stok telur ayam tidak habis di hari berikutnya itu.

Kecenderungan pengunjung seperti ini tidak dapat diketahui dengan analisa statistika yang biasa kita lakukan. Untuk tujuan inilah muncul metoda baru untuk menganalisa data yang disebut "data mining" atau "penambangan data" kalau kita terjemahkan secara bebas.

Beberapa metoda yang dikenal di dalam data mining adalah association rule (aturan asosiasi) yang berusaha menemukan aturan-aturan tertentu yang mengasosiasikan data yang satu dengan data yang lain, dapat digunakan untuk kasus beras-minyak goreng di atas. Kemudian "sequential pattern" (pola urutan), sebuah metoda mirip association rule tetapi memasukkan urutan waktu dalam perhitungannya, dan dapat digunakan untuk contoh kita minyak goreng- gula pasir-telur ayam. Metode lainnya adalah "clustering" (pengelompokan) yang berusaha mengelompokkan data ke dalam grup-grup berdasarkan kemiripannya, metoda ini bermanfaat untuk misalnya mengelompokkan website hasil pencarian di sebuah search engine, seperti http://clusty.com misalnya.

Association rule sudah mulai dipopulerkan oleh Rakesh Agrawal, seorang peneliti di IBM Almaden Research Center yang berasal dari India, sejak tahun 1993. Contoh mudah untuk association rule ini dapat kita lihat pada kasus sebuah toko serba ada yang menyimpan semua data penjualannya selama bulan Januari. 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. Sehingga misalnya kita dapatkan data barang yang dibeli oleh seorang pengunjung, katakanlah Pak Joko, di bulan itu 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

Kalau kita menetapkan bahwa yang dikatakan "sering" adalah pembelian sebanyak 2 kali atau lebih, maka kita dapatkan frequent item dari Pak Joko adalah:



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



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 Pak Joko 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, dan kita baca sebagai "if beras then minyak goreng". Tentu saja aturan ini tidak bersifat pasti tetapi hanya kemungkinan-kemungkinan berdasarkan kebiasaan pembelian Pak Joko di bulan Januari ini. Kemungkinan dari association rule yang kita buat dapat kita hitung seperti berikut:

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

Kalau melihat data Pak Joko saja, ternyata kemungkinan association rule ini adalah 100%. Dalam bahasa data mining, kemungkinan ini disebut "confidence" (kepercayaan). Sebagian association rule yang dapat kita buat dari data Pak Joko di atas antara lain:



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 dapat dipercaya tentang kecenderungan dan perilaku pengunjung sebuah toko akan bermanfaat bagi pemilik toko untuk mengambil keputusan-keputusan strategis tentang tokonya tersebut. Seperti yang telah disinggung di muka, antara lain dalam mengatur tata letak barang, penyiapan stok barang, pemberian rekomendasi-rekomendasi tertentu kepada pengunjung dan lain-lain.

Penerapan teknik data mining ini terlihat banyak digunakan pada toko-toko online maupun situs-situs biasa di internet, yang seluruh data pengunjung maupun penjualannya secara otomatis tercatat dan tersimpan setiap hari di dalam access log file. Contoh situs yang memanfaatkan teknik data mining ini antara lain: http://www.amazon.com, toko buku online yang memberikan rekomendasi kepada pengunjung yang membeli sebuah buku tertentu. Demikian juga http://www.google.com yang memberikan iklan tertentu di halaman pencariannya yang berbeda-beda tergantung kata pencarian yang dilakukan oleh pengunjungnya.

Demikianlah pengenalan singkat teknik data mining yang sangat bermanfaat untuk mengetahui kecenderungan dan perilaku pengunjung toko maupun situs internet berdasarkan data-data yang lalu. Selanjutnya pengetahuan mengenai kecenderungan dan perilaku pengunjung ini, sangat bermanfaat bagi pemilik toko maupun situs internet, untuk dapat mengambil keputusan-keputusan strategis yang perlu untuk diambil.

Bowo Prasetyo, Mahasiswa Program Doktor di University of Tokyo bidang Data Mining, Staf Peneliti BPPT, dan Anggota ISTECS Chapter Japan. Email: praz@tkl.iis.u-tokyo.ac.jp