Halo, pada kesempatan ini saya akan bagikan hasil kerja saya untuk salah satu modul project dari DQLab Academy. Project ini juga saya unggah pada akun Medium saya yang dapat dibaca melalui tautan https://medium.com/@firdianakartikasari/project-machine-learning-for-retail-product-packaging-41fa64b452cf
DQLab.id Fashion merupakan sebuat toko fashion yang menawarkan beragam produk, termasuk jeans, kaos, kosmetik, dan lain-lain. Namun, dengan semakin banyak jumlah kompetitor, tidak sedikit produk dengan stok yang masih banyak sehingga hal ini membuat Manager DQLab.id Fashion khawatir.
Bagaimana DQLab.id Fashion dapat meningkatkan keuntungan dan loyalitas para pelanggan?
Untuk meningkatkan keuntungan dan loyalitas para pelanggan DQLab.id Fashion, solusi yang akan dilakukan yaitu membuat paket yang inovatif, dimana produk yang sebelumnya tidak terlalu laku tapi memiliki pangsa pasar akan dipaketkan dengan produk yang laku. Pemaketan produk akan dilakukan menggunakan bantuan software R dengan package yang akan digunakan yaitu arules.
Dataset yang digunakan merupakan data transaksi selama 3 bulan dalam format TSV (Tab Separated Value) dengan nama transaksi_dqlab_retail.tsv Dataset yang digunakan terdiri dari dua variabel, yaitu : 1. Kode Transaksi 2. Nama Barang
library(arules)
## Warning: package 'arules' was built under R version 4.2.3
## Loading required package: Matrix
##
## Attaching package: 'arules'
## The following objects are masked from 'package:base':
##
## abbreviate, write
datatransaksi <- read.transactions(file="C:/Users/Firdiana/Downloads/transaksi_dqlab_retail.tsv", format="single", sep="\t", cols=c(1,2), skip=1)
datatransaksi
## transactions in sparse format with
## 3450 transactions (rows) and
## 69 items (columns)
datatransaksi@itemInfo
## labels
## 1 Atasan Baju Belang
## 2 Atasan Kaos Putih
## 3 Baju Batik Wanita
## 4 Baju Kaos Anak - Karakter Kartun
## 5 Baju Kaos Anak - Superheroes
## 6 Baju Kaos Olahraga
## 7 Baju Kemeja Putih
## 8 Baju Renang Anak Perempuan
## 9 Baju Renang Pria Anak-anak
## 10 Baju Renang Pria Dewasa
## 11 Baju Renang Wanita Dewasa
## 12 Blouse Denim
## 13 Celana Jeans Sobek Pria
## 14 Celana Jeans Sobek Wanita
## 15 Celana Jogger Casual
## 16 Celana Panjang Format Hitam
## 17 Celana Pendek Casual
## 18 Celana Pendek Green/Hijau
## 19 Celana Pendek Jeans
## 20 Celana Tactical
## 21 Cover Koper
## 22 Cream Whitening
## 23 Dompet Card Holder
## 24 Dompet Flip Cover
## 25 Dompet Kulit Pria
## 26 Dompet STNK Gantungan
## 27 Dompet Unisex
## 28 Flat Shoes Ballerina
## 29 Gembok Koper
## 30 Hair and Scalp
## 31 Hair Dryer
## 32 Hair Dye
## 33 Hair Tonic
## 34 Jeans Jumbo
## 35 Kaos
## 36 Koper Fiber
## 37 Kuas Makeup
## 38 Mascara
## 39 Minyak Rambut
## 40 Obat Penumbuh Rambut
## 41 Pelembab
## 42 Sepatu Kulit Casual
## 43 Sepatu Sandal Anak
## 44 Sepatu Sekolah Hitam W
## 45 Sepatu Sport merk Y
## 46 Sepatu Sport merk Z
## 47 Serum Vitamin
## 48 Shampo Anti Dandruff
## 49 Shampo Biasa
## 50 Stripe Pants
## 51 Sunblock Cream
## 52 Sweater Top Panjang
## 53 Tali Ban Ikat Pinggang
## 54 Tali Pinggang Anak
## 55 Tali Pinggang Gesper Pria
## 56 Tank Top
## 57 Tas Kosmetik
## 58 Tas Kulit Selempang
## 59 Tas Makeup
## 60 Tas Multifungsi
## 61 Tas Pinggang Wanita
## 62 Tas Ransel Mini
## 63 Tas Sekolah Anak Laki-laki
## 64 Tas Sekolah Anak Perempuan
## 65 Tas Tangan
## 66 Tas Travel
## 67 Tas Waist Bag
## 68 Wedges Hitam
## 69 Woman Ripped Jeans
Dapat dilihat bahwa dataset yang digunakan memiliki 3,450 kode transaksi, dengan 69 item unik.
Mendapatkan insight top 10, yaitu 10 produk dengan jumlah transaksi paling banyak dari produk yang terjual, dengan menampilkan nama produk beserta jumlah transaksi produk tersebut.
freqitem<- itemFrequency(datatransaksi, type = "absolute")
freqitemdec <- sort(freqitem, decreasing = TRUE)
datatop10 <- freqitemdec[1:10]
datatop10 <- data.frame("Nama.Produk" = names(datatop10), "Jumlah" = datatop10, row.names = NULL)
datatop10
## Nama.Produk Jumlah
## 1 Shampo Biasa 2075
## 2 Serum Vitamin 1685
## 3 Baju Batik Wanita 1312
## 4 Baju Kemeja Putih 1255
## 5 Celana Jogger Casual 1136
## 6 Cover Koper 1086
## 7 Sepatu Sandal Anak 1062
## 8 Tali Pinggang Gesper Pria 1003
## 9 Sepatu Sport merk Z 888
## 10 Wedges Hitam 849
Selain produk top 10, perlu juga untuk mengetahui 10 produk dengan jumlah transaksi paling sedikit dari produk yang terjual. Dengan cara yang sama, akan ditampilkan nama produk beserta jumlah transaksi produk tersebut.
freqiteminc <- sort(freqitem)
databottom10 <- freqiteminc[1:10]
databottom10 <- data.frame("Nama.Produk" = names(databottom10), "Jumlah" = databottom10, row.names=NULL)
databottom10
## Nama.Produk Jumlah
## 1 Celana Jeans Sobek Pria 9
## 2 Tas Kosmetik 11
## 3 Stripe Pants 19
## 4 Pelembab 24
## 5 Tali Ban Ikat Pinggang 27
## 6 Baju Renang Pria Anak-anak 32
## 7 Hair Dye 46
## 8 Atasan Baju Belang 56
## 9 Tas Sekolah Anak Perempuan 71
## 10 Dompet Unisex 75
Sesuai dengan instruksi dari Manager DQLab.id Fashion untuk mengirimkan file berisi daftar 10 paket kombinasi yang paling menarik, maka dibentuk paket kombinasi produk menggunakan algoritma apriori kemudian diidentifikasi 10 paket kombinasi produk yang paling “menarik” dengan kriteria : 1. Memiliki asosiasi atau hubungan yang erat. 2. Terdapat minimal 2 item, dan maksimum 3 item, pada kombinasi produk tersebut. 3. Kombinasi produk tersebut muncul setidaknya 10 kali dari seluruh transaksi. 4. Memiliki tingkat confidence minimal 50%
kombinasiproduk <- apriori(datatransaksi, parameter = list(supp = 10/length(datatransaksi), confidence = 0.5, minlen = 2, maxlen = 3))
## Apriori
##
## Parameter specification:
## confidence minval smax arem aval originalSupport maxtime support minlen
## 0.5 0.1 1 none FALSE TRUE 5 0.002898551 2
## maxlen target ext
## 3 rules TRUE
##
## Algorithmic control:
## filter tree heap memopt load sort verbose
## 0.1 TRUE TRUE FALSE TRUE 2 TRUE
##
## Absolute minimum support count: 10
##
## set item appearances ...[0 item(s)] done [0.00s].
## set transactions ...[69 item(s), 3450 transaction(s)] done [0.00s].
## sorting and recoding items ... [68 item(s)] done [0.00s].
## creating transaction tree ... done [0.00s].
## checking subsets of size 1 2 3
## Warning in apriori(datatransaksi, parameter = list(supp =
## 10/length(datatransaksi), : Mining stopped (maxlen reached). Only patterns up
## to a length of 3 returned!
## done [0.01s].
## writing ... [4637 rule(s)] done [0.00s].
## creating S4 object ... done [0.00s].
kombinasiproduk <- head(sort(kombinasiproduk, decreasing = TRUE, by = "lift"), n=10)
inspect(kombinasiproduk)
## lhs rhs support confidence coverage lift count
## [1] {Tas Makeup,
## Tas Pinggang Wanita} => {Baju Renang Anak Perempuan} 0.010434783 0.8780488 0.011884058 24.42958 36
## [2] {Tas Makeup,
## Tas Travel} => {Baju Renang Anak Perempuan} 0.010144928 0.8139535 0.012463768 22.64629 35
## [3] {Tas Makeup,
## Tas Ransel Mini} => {Baju Renang Anak Perempuan} 0.011304348 0.7358491 0.015362319 20.47322 39
## [4] {Sunblock Cream,
## Tas Pinggang Wanita} => {Kuas Makeup } 0.016231884 0.6913580 0.023478261 20.21343 56
## [5] {Baju Renang Anak Perempuan,
## Tas Pinggang Wanita} => {Tas Makeup} 0.010434783 0.8000000 0.013043478 19.57447 36
## [6] {Baju Renang Anak Perempuan,
## Tas Ransel Mini} => {Tas Makeup} 0.011304348 0.7959184 0.014202899 19.47460 39
## [7] {Baju Renang Anak Perempuan,
## Celana Pendek Green/Hijau} => {Tas Makeup} 0.010144928 0.7777778 0.013043478 19.03073 35
## [8] {Tas Makeup,
## Tas Waist Bag} => {Baju Renang Anak Perempuan} 0.004347826 0.6818182 0.006376812 18.96994 15
## [9] {Celana Pendek Green/Hijau,
## Tas Makeup} => {Baju Renang Anak Perempuan} 0.010144928 0.6730769 0.015072464 18.72674 35
## [10] {Dompet Flip Cover,
## Sunblock Cream} => {Kuas Makeup } 0.016231884 0.6292135 0.025797101 18.39650 56
DQLab.id Fashion juga ingin memaksimalkan penjualan item-item slow-moving. Item Slow-moving merupakan produk yang pergerakan penjualannya lambat atau kurang cepat. Oleh karena itu, akan dicari asosiasi kuat dari item-item produk tersebut dengan produk lain untuk dipaketkan sehingga menjadi lebih menarik. Dengan mempertimbangkan jumlah stok yang masih banyak, maka item slow-moving DQLab.id Fashion merupakan “Tas Makeup” dan “Baju Renang Pria Anak-Anak”.
Dalam memasangkan item tersebut, ditentukan berdasarkan asosiasi yang kuat dengan kriteria yang sama dengan sebelumnya, kecuali tingkat confidence dicoba pada tingkat minimal 0.1.
mba <- apriori(datatransaksi, parameter = list(supp = 10/length(datatransaksi), confidence = 0.1, minlen = 2, maxlen = 3))
## Apriori
##
## Parameter specification:
## confidence minval smax arem aval originalSupport maxtime support minlen
## 0.1 0.1 1 none FALSE TRUE 5 0.002898551 2
## maxlen target ext
## 3 rules TRUE
##
## Algorithmic control:
## filter tree heap memopt load sort verbose
## 0.1 TRUE TRUE FALSE TRUE 2 TRUE
##
## Absolute minimum support count: 10
##
## set item appearances ...[0 item(s)] done [0.00s].
## set transactions ...[69 item(s), 3450 transaction(s)] done [0.00s].
## sorting and recoding items ... [68 item(s)] done [0.00s].
## creating transaction tree ... done [0.00s].
## checking subsets of size 1 2 3
## Warning in apriori(datatransaksi, parameter = list(supp =
## 10/length(datatransaksi), : Mining stopped (maxlen reached). Only patterns up
## to a length of 3 returned!
## done [0.00s].
## writing ... [39832 rule(s)] done [0.01s].
## creating S4 object ... done [0.01s].
mba1 <-subset(mba, (rhs %in% "Tas Makeup"))
mba2 <-subset(mba, (rhs %in% "Baju Renang Pria Anak-anak"))
mba1 <- head(sort(mba1, decreasing = TRUE, by = "lift")[1:3])
mba2 <- head(sort(mba2, decreasing = TRUE, by = "lift")[1:3])
mba <- c(mba1, mba2)
inspect(mba)
## lhs rhs support confidence coverage lift count
## [1] {Baju Renang Anak Perempuan,
## Tas Pinggang Wanita} => {Tas Makeup} 0.010434783 0.8000000 0.01304348 19.57447 36
## [2] {Baju Renang Anak Perempuan,
## Tas Ransel Mini} => {Tas Makeup} 0.011304348 0.7959184 0.01420290 19.47460 39
## [3] {Baju Renang Anak Perempuan,
## Celana Pendek Green/Hijau} => {Tas Makeup} 0.010144928 0.7777778 0.01304348 19.03073 35
## [4] {Gembok Koper,
## Tas Waist Bag} => {Baju Renang Pria Anak-anak} 0.004057971 0.2745098 0.01478261 29.59559 14
## [5] {Flat Shoes Ballerina,
## Gembok Koper} => {Baju Renang Pria Anak-anak} 0.004057971 0.1866667 0.02173913 20.12500 14
## [6] {Celana Jeans Sobek Wanita,
## Jeans Jumbo} => {Baju Renang Pria Anak-anak} 0.005507246 0.1210191 0.04550725 13.04737 19
Berdasarkan nilai lift yang paling tinggi pada masing-masing item produk, diperoleh kombinasi terbaik untuk meningkatkan penjualan item “Tas Makeup” adalah dengan memaketkannya dengan “Baju Renang Anak Perempuan” dan “Tas Pinggang Wanita”. Sedangkan item “Baju Renang Pria Anak-anak”, dipaketkan dengan “Gembok Koper” dan “Tas Waist Bag”.
Linkedin : https://www.linkedin.com/in/firdianakartikasari/
Baca juga : https://rpubs.com/firdianakartika/905591
Baca project lain saya terkait analisis data pada : https://www.medium.com/@firdianakartikasari