LAPORAN
IMPLEMENTASI ALGORITMA APRIORI DAN FP-GROWTH
UNTUK MENENTUKAN PERSEDIAAN BARANG
Disusun untuk Memenuhi Salah Satu Tugas Matakuliah Data Mining
Disusun Oleh :
Siti Nur Jannah
(1895124006)
Siti Fatimatuz Zahro (1995124037)
Annisa
(1895124024)
PROGRAM STUDI S1 SISTEM INFORMASI
FAKULTAS TEKNOLOGI INFORMASI
UNIVERSITAS HASYIM ASY’ARI
2020
BAB I
PENDAHULUAN
A. Kasus
Selama ini, hasil dari proses penjualan hanya menjadi laporan pada perusahaan
untuk mengetahui berapa barang terjual dan berapa pendapatannya. Hasil laporan
penjualan hanya menjadi pemberitahuan untuk pihak manajemen dan tidak dilihat
sebagai sumber data untuk pengembangan diwaktu yang akan datang, padahal hasil
penjualan dapat digunakan sebagai trend untuk memprediksi permintaan barang oleh
konsumen kedepannya.
Peletakan barang yang sesuai dengan hubungan antar barang yang biasanya dibeli
konsumen juga dapat ditentukan berdasarkan support dan confidence berdasarkan
market base analysis yang diperoleh dari perhitungan asosiasi. Dengan menggunakan
Metode Apriori dan Frequent Pattern Growth pihak manajemen dapat melihat support
dan confidence dari barang atau produk yang telah terjual. Dengan memperhatikan
hubungan support dan confidence pemilik mini market dapat menyediakan dan
menempatkan barang yang akan dijual secara tepat sesuai dengan permintaan
konsumen sehingga pelayanan pada konsumen akan meningkat yang akhirnya dapat
juga meningkatkan omset penjualan.
B. Metode
Metode analisa yang digunakan adalah analisa data kuantitatif yaitu analisa yang
dilakukan dengan menggunakan Algoritma Apriori dan Frequent Pattern Growth yang
dapat melihat support dan confidence dari barang atau produk yang telah terjual.
Namun disini kami hanya akan membahas metode Algoritma Apriori. Algoritma
Apriori termasuk jenis Association Rule Mining (penambangan dengan aturan
asosiasi). Association Rule Mining adalah Teknik data mining untuk menemukan
aturan asosiatif antara suau kombinasi item. Analisis asosiasi menghasilkan algoritma
yang efisien yaitu berupa analisis pola frekuensi tinggi (frequent pattern mining).
Analisis Asosiasi merupakan suatu proses untuk menemukan semua aturan
asosiasi yang memenuhi Syarat minimum untuk support dan Syarat minimum untuk
confidence. Support (nilai penunjang), yaitu persentase kombinasi item tersebut dalam
database. Confidence (nilai kepastian), adalah kuatnya hubungan antar item dalam
aturan asosiasi. Dengan melihat nilai support dan confidence maka pemilik mini
market dapat menempatkan barang-barang sesuai dengan permintaan konsumen.
Rumus untuk menentukan Support dan Confidence adalah:
Nilai support untuk sebuah itemset :
Support (A)
Jumlah Transaksi A
100%
Total Transaksi
Nilai support untuk sebuah 2 itemset :
Support (A, B)
Jumlah Transaksi A, B
100%
Total Transaksi
Nilai support untuk sebuah 3 itemset :
Support (A, B, C)
Jumlah Transaksi A, B, C
100 %
Total Transaksi
Rumus Confidence :
Confidence (A, B)
Jumlah Transaksi A, B
100 %
Total Transaksi A
BAB II
PEMBAHASAN
A. INPUT
Pengumpulan data dilakukan pada minimarket pada bulan Juli tahun 2018.
Barang dalam minimarket dikelompokkan kedalam 6 kategori yaitu Telor (Eggs),
Makanan cepat saji (Fastfood), Ikan dan Hidangan laut (Fish and Seafood), Buah dan
Sayur (Fruits and Vegetables), Roti (Bakery) dan Daging (Meat). Hasil dari
pengumpulan data penjualan pada minimarket selama satu bulan akan digunakan
sebagai data input dalam penerapan Algoritma Apriori yang dapat ditampilkan dalam
tabel sebagai berikut:
Tabel 1. Record Transaksi
TRANSAKSI
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
ITEM YANG DIBELI
Eggs, Fruit and Vegetables, Bakery, Meat
Eggs, Fish and Seafood, Fruit and Vegetables, Bakery, Meat
Eggs, Fish and Seafood, Fruit and Vegetables, Bakery, Meat
Eggs, Fastfood, Fish and Seafood, Fruit and Vegetables, Bakery, Meat
Eggs, Fastfood, Fish and Seafood, Fruit and Vegetables, Bakery, Meat
Eggs, Fruit and Vegetables, Bakery
Eggs, Fruit and Vegetables, Bakery
Eggs, Fruit and Vegetables, Bakery, Meat
Eggs, Fruit and Vegetables, Bakery
Eggs, Fruit and Vegetables, Bakery, Meat
Eggs, Fruit and Vegetables, Bakery, Meat
Eggs, Fastfood, Fruit and Vegetables, Bakery, Meat
Eggs, Fruit and Vegetables, Bakery
Eggs, Fruit and Vegetables, Bakery, Meat
Eggs, Fruit and Vegetables, Bakery, Meat
Fruit and Vegetables, Bakery, Meat
Eggs, Fruit and Vegetables, Bakery
Eggs, Fruit and Vegetables, Bakery, Meat
Eggs, Fruit and Vegetables, Bakery, Meat
Eggs, Fruit and Vegetables, Bakery
Eggs, Fruit and Vegetables, Meat
Eggs, Fruit and Vegetables, Bakery
Eggs, Fruit and Vegetables, Bakery, Meat
Eggs, Fruit and Vegetables, Bakery, Meat
Eggs, Fruit and Vegetables, Bakery
Eggs, Fruit and Vegetables, Bakery, Meat
Eggs, Fruit and Vegetables, Bakery, Meat
Eggs, Fish and Seafood, Fruit and Vegetables, Bakery, Meat
Eggs, Fish and Seafood, Bakery, Meat
Fish and Seafood, Fruit and Vegetables, Bakery
Eggs, Fruit and Vegetables, Meat
B. PROSES
Pada penelitian ini, digunakan langkah-langkah untuk mencari nilai yang akurat
dengan
menerapkan
perhitungan
Algoritma
Apriori.
Berikut
ini
adalah
langkah-langkah perhitungan Algoritma Apriori yang dihitung secara manual
menggunakan aplikasi Microsoft Office Excel.
1.
Analisis Pola Frekuensi Tinggi
▪
Mencari kombinasi item yang memenuhi syarat minimum dari support dalam
database.
▪
Sebuah itemset adalah himpunan item-item yang ada dalam I = {Eggs,
Fastfood, Fish and Seafood, Fruit and Vegetables, Bakery, Meat}.
▪
k-itemset adalah itemset yang berisi k item.
◦
Misal 2-itemset (F2) = {Eggs, Fastfood}
◦
Misal 3-itemset (F3) = {Fruit and Vegetables, Bakery, Meat}
Support (A)
Jumlah Transaksi A
100%
Total Transaksi
Tabel 2. Support 1-Itemset
ITEMSET
FREKUENSI SUPPORT (A)
Eggs
29
94%
Fastfood
3
10%
Fish & Seafood
7
23%
Fruit & Vegetables
30
97%
Bakery
29
94%
Meat
22
71%
Aturan : Minimal Support = 67% & Minimal Confidence = 92%
ITEMSET
FREKUENSI SUPPORT (A)
Eggs
29
94%
Fruit & Vegetables
30
97%
Bakery
29
94%
Meat
22
71%
Support (A, B)
Jumlah Transaksi A, B
100%
Total Transaksi
Tabel 3. Support 2-Itemset (F2)
KOMBINASI
Egss, Fruit & Vegetables
FREKUENSI
28
SUPPORT (A,B)
90%
Eggs, Bakery
Eggs. Meat
Fruit & Vegetables, Bakery
Fruit & Vegetables, Meat
Bakery, Meat
27
21
28
21
20
87%
68%
90%
68%
65%
Aturan : Minimal Support = 67% & Minimal Confidence = 92%
KOMBINASI
Egss, Fruit & Vegetables
Eggs, Bakery
Eggs. Meat
Fruit & Vegetables, Bakery
Fruit & Vegetables, Meat
Support (A, B, C)
FREKUENSI SUPPORT (A, B)
28
90%
27
87%
21
68%
28
90%
21
68%
Jumlah Transaksi A, B, C
100%
Total Transaksi
Tabel 4. Support 3-Itemset (F3)
KOMBINASI
FREKUENSI SUPPORT (A, B, C)
Eggs, Fruits and Vegetables, Bakery
26
84%
Eggs, Fruits and Vegetables, Meat
20
65%
Eggs, Bakery, Meat
19
61%
Fruits and Vegetables, Bakery, Meat
19
61%
Aturan : Minimal Support = 67% & Minimal Confidence = 92%
KOMBINASI
FREKUENSI SUPPORT (A, B, C)
Eggs, Fruits and Vegetables, Bakery
26
84%
2.
Pembentukan Aturan Asosiasi
Confidence (A, B)
Jumlah Transaksi A, B
100%
Total Transaksi A
Aturan : Minimal Support = 67% & Minimal Confidence = 92%
Tabel 5. Confidence 2-Itemset (F2)
RULE
Egss → Fruit & Vegetables
Eggs → Bakery
Eggs → Meat
Fruit & Vegetables → Bakery
Fruit & Vegetables → Meat
(22/29)*100
(27/29)*100
(21/29)*100
(28/30)*100
(21/30)*100
CONFIDENCE
76%
93%
72%
93%
70%
Tabel 6. Confidence 3-Itemset (F3)
RULE
Eggs, Fruits and Vegetables → Bakery
Eggs → Fruits and Vegetables, Bakery
Bakery → Eggs, Fruits and Vegetables
Fruits and Vegetables → Bakery, Eggs
Fruits and Vegetables, Bakery → Eggs
Bakery, Eggs → Fruits and Vegetables
3.
(26/28)*100
(26/29)*100
(26/29)*100
(26/30)*100
(26/28)*100
(26/27)*100
CONFIDENCE
93%
90%
90%
87%
93%
96%
Rule Asosiasi Final
▪
Mendaftar nilai support dan confidence, untuk items yang memenuhi aturan
support dan confidence.
▪
Minimal support 67%, minimal confidence 92%.
Tabel 7. Rule Final 2-Itemset (F2)
RULE
Eggs → Bakery
Fruit & Vegetables → Bakery
SUPPORT CONFIDENCE
87%
93%
90%
93%
Tabel 8. Rule Final 3-Itemset (F3)
RULE
Eggs, Fruits and Vegetables → Bakery
Fruits and Vegetables, Bakery → Eggs
Bakery, Eggs → Fruits and Vegetables
4.
SUPPORT CONFIDENCE
84%
93%
84%
93%
84%
96%
Rule Asosiasi Final Semua Itemset
Tabel 9. Rule Final Semua Itemset
RULE
Eggs → Bakery
Fruit & Vegetables → Bakery
Eggs, Fruits and Vegetables → Bakery
Fruits and Vegetables, Bakery → Eggs
Bakery, Eggs → Fruits and Vegetables
SUPPORT CONFIDENCE
87%
93%
90%
93%
84%
93%
84%
93%
84%
96%
C. OUTPUT
Berdasarkan pada proses perhitungan diatas dapat disimpulkan bahwa :
1. Jika konsumen membeli eggs maka kemungkinan 93% juga membeli bakery.
2. Jika konsumen membeli fruits & vegetables maka kemungkinan 93% juga
membeli bakery.
3. Jika konsumen membeli eggs dan fruits & vegetables, maka memiliki
kemungkinan 93% untuk juga membeli bakery.
4. Jika konsumen membeli fruits & vegetables dan bakery, maka memiliki
kemungkinan 93% untuk juga membeli eggs.
5. Jika konsumen membeli bakery dan eggs, maka memiliki kemungkinan 93%
untuk juga membeli fruits & vegetables.
Berdasarkan pada data diatas dengan didapatkannya rules ini maka perusahaan dapat
menggunakan rules tersebut dalam membuat strategi – strategi untuk meningkatkan
penjualan.
SUMBER REFERENSI
A. Junaidi, 2019, “Implementasi Algoritma Apriori dan FP-Growth Untuk
Menentukan Persediaan Barang”, Jurnal SISFOKOM, Vol. 08 (01).
