LAPORAN
IMPLEMENTASI ALGORITMA APRIORI UNTUK MENCARI ASOSIASI
BARANG YANG DIJUAL DI E-COMMERCE ORDERMAS
Disusun untuk Memenuhi Salah Satu Tugas Matakuliah Data Mining
Disusun Oleh
Aris Sugiantoro (1895114004)
Aldi Kurniawan (1795114057)
Desy Nur Masita (1895114011)
PROGRAM STUDI S1 TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INFORMASI
UNIVERSITAS HASYIM ASY’ARI TEBUIRENG JOMBANG
2020
BAB I
PENDAHULUAN
1.1.
Latar Belakang
Belakangan ini data mining telah diimplementasikan keberbagai bidang, diantaranya
dalam bidang bisnis atau perdangangan, dan telekomunikasi. Data Mining diartikan sebagai
menambang data atau upaya untuk menggali informasi yang berharga dan berguna pada
database yang sangat besar. Hal terpenting dalam teknik data mining adalah aturan untuk
menemukan pola frekuensi tinggi antar himpunan itemset yang disebut fungsi Association
Rules (Aturan Asosiasi). Beberapa algoritma yang termasuk dalam Aturan Asosiasi adalah
seperti AIS Algorithm, Apriori Algorithm, DHP Algorithm, dan Partition Algorithm
Apriori merupakan algoritma yang banyak digunakan untuk menentukan pola hubungan
antar produk yang sering dibeli dalam suatu toko atau swalayan. Algoritma ini akan
memberikan saran kepada manajer untuk melakukan strategi promosi pada swalayan atau
toko yang dimilikinya. Pemetaan assocition rule yang dihasilkan algoritma ini digunakan
untuk mengatur meletakkan barang-barangnya dalam tempat yang strategis agar pembeli
lebih mudah menjumpainya. Menjelaskan bahwa association rule yang dimaksud dilakukan
melalui mekanisme penghitungan support dan confidence dari suatu hubungan item.
Algoritma apriori ini akan cocok untuk diterapkan bila terdapat beberapa hubungan item
yang ingindianalisa. Salah satunya yang bisa diterapkan adalah di dalam bidang promosi
dan penentuan strategi pemasaran. Data mining dalam bidang bisnis dianggap penting,
karena sistem persediaan barang di suatu toko dan jenis barang apa yang menjadi prioritas
utama yang harus distok untuk mengantisipasi kekosongan barang, sehingga pemiliki toko
dapat mengetahui barang yang paling laku dijual dan minimnya stok barang. Kondisi
tersebut dapat berpengaruh pada pelayanan konsumen dan pendapatan toko. Dengan adanya
data mining algoritma Apriori dapat membantu para pemilik toko dalam pengambilan
keputusan terhadap apa yang berhubungan dengan persediaan barang.
Adanya aktivitas transaksi penjualan sehari-hari pada penjualan E-Commerce Ordemas
yaitu toko yang menjual kebutuhan peralatan rumah tangga, akan menghasilkan tumpukan
data yang semakin lama semakin besar, sehingga dapat menimbulkan masalah baru. Jika hal
ini dibiarkan, maka data-data transaksi tersebut akan menjadi tumpukan sampah yang
merugikan karena membutuhkan media penyimpanan atau database yang semakin besar.
Seiring dengan kemajuan teknologi yang semakin pesat maka berkembang pula kemampuan
dalam mengumpulkan, menganalisa dan mengolah data pada database, sehingga diperlukan
suatu carai untuk memilah dan memilih data penting dari database. Dalam persaingan di
dunia bisnis, menuntut para pengembang untuk menemukan suatu strategi jitu yang dapat
meningkatkan penjualan barang
Salah satu cara mengatasinya adalah dengan tetap tersediaannya berbagai jenis alat-alat
kebutuhan rumah tangga secara kontinu digudang. Untuk mengetahui alat-alat rumah tangga
apa saja yang dibeli oleh para konsumen dilakukan teknik analisis kebiasaan membeli
konsumen. Penerapan Algoritma Apriori, membantu dalam membentuk kandidat kombinasi
item yang mungkin, kemudian dilakukan pengujian apakah kombinasi tersebut memenuhi
parameter support dan confidence minimum yang merupakan nilai ambang yang diberikan
oleh penggunapenjualan E-Commerce Ordemas misalnya aktivitas transaksi dan pelayanan
terhadap konsumen setiap harinya semakin lama semakin tinggi, sehingga tanpa disadari hal
ini dapat menimbulkan tumpukan data yang semakin besar. Dalam menjalankan
aktivitasnya, penjualan E-Commerce Ordemas sudah menggunakan jasa teknologi komputer
sebagai alat dalam pengimputan data, pengolahan serta pencetakan/print out hasil
pengolahan data berupa informasi yang di inginkan. Namun dalam pengolahan data masih
menggunakan aplikasi – aplikasi yang sangat sederhana, dan cara – cara manual juga masih
dilakukan terutama dalam pengecekan barang masuk dan keluar dan dalam pengarsipan
data. Walaupun hingga saat ini aktivitas pelayanan dan transaksi di penjualan E-Commerce
Ordemas belum mengalami kendala yang berarti, tentu keadaan ini suatu saat menjadi faktor
penghambat dalam meningkatkan pelayanan seiring semakin banyaknya transaksi dan jenis
item dan item set transaksi yang terjadi dan tersimpan dalam kurun waktu tertentu, sehingga
menyulitkan pihak perusahaan dalam menganalisa jenis item dan item set barang mana yang
paling diminati atau tidak diminati konsumen
1.2.
Rumusan Masalah
Berdasarkan latar belakang permasalahan yang di uraikan diatas, maka yang
menjadi rumusan masalah dari penelitian ini adalah sebagai berikut:
1. Bagaimana menerapkan algoritma apriori pada data persediaan dan transaksi
penjualan barang-barang yang ada di mini market?
2. Bagaimana menerapkan algoritma apriori dalam menentukan kombinasi antar itemset
untuk membantu memprediksi inventory mendatang.
3. Bagaimana memperoleh presentasi pola kombinasi barang dari data penjualan
barang-barang di mini market
yang paling banyak terjual untuk dapat
memaksimalkan persediaan barang?
1.3.
Tujuan
Berdasarkan rumusan masalah diatas dapat disimpulka bahwa tujuan dari penelitian ini
adalah:
1) Untuk mengetahui kombinasi item yang akan diproduksi dan diekspor secara
bersamaan;
2) Untuk mengetahui bahwa algoritma apriori dapat membantu mengembangkan
strategi pemasaran dengan adanya penelitian diharapkan dapat memberikan manfaat
yaitu
a) Sebagai alat bantu yang dapat meminimalisasi kesalahan, memungkinkan
perusahaan mempunyai sistem keputusan, karena diharapkan sistem ini akan
diimplementasikan secara langsung;
b) Dapat membantu pihak perusahaan lebih mengetahui produk apa saja yang
sering dibeli secara bersamaan oleh konsumen, serta dapat membantu pihak
perusahaan dalam meningkatkan stock produk untuk penjualan selanjutnya.
BAB II
LANDASAN TEORI
2.1.
Data Mining
Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan
di dalam database. Data mining adalah proses yang menggunakan teknik statistik,
matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan
mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai
database besar (Turban, dkk. 2005). Hal penting yang terkait dengan data mining adalah:
1. Data mining merupakan suatu proses otomatis terhadap data yang sudah ada.
2. Data yang akan diproses berupa data yang sangat besar.
3. Tujuan data mining adalah mendapatkan hubungan atau pola yang mungkin
memberikan indikasi yang bermanfaat.
Hubungan yang dicari dalam data mining yaitu hubungan antara dua atau lebih dalam
satu dimensi. Misalnya dalam dimensi produk kita dapat melihat keterkaitan pembelian suatu
produk dengan produk yang lain. Data mining sangat perlu dilakukan terutama dalam
mengelola Data yang sangat besar untuk memudahkan aktifitas recording suatu transaksi dan
untuk proses data warehousing agar dapat memberikan informasi yang akurat bagi
penggunanya Alasan utama mengapa data mining sangat menarik perhatian industri
informasi dalam beberapa tahun belakangan ini adalah karena tersedianya data dalam jumlah
yang besar dan semakin besarnya kebutuhan untuk mengubah data tersebut menjadi
informasi dan pengetahuan yang berguna karena sesuai fokus bidang ilmu ini yaitu
melakukan kegiatan mengekstraksi atau menambang pengetahuan dari data yang berukuran
atau berjumlah besar, informasi inilah yang nantinya sangat berguna untuk pengembangan.
berikut langkah-langkahnya :
1. Data cleaning (untuk menghilangkan noise data yang tidak konsisten) Data integration
(di mana sumber data yang terpecah dapat disatukan).
2. Data selection (di mana data yang relevan dengan tugas analisis dikembalikan ke dalam
database).
3. Data transformation (di mana data berubah atau bersatu menjadi bentuk yang tepat
untuk menambang dengan ringkasan performa atau operasi agresi).
4. Knowledge Discovery (proses esensial di mana metode yang intelejen digunakan untuk
mengekstrak pola data).
5. Pattern evolution (untuk mengidentifikasi pola yang benar-benar menarik yang
mewakili pengetahuan berdasarkan atas beberapa tindakan yang menarik).
6. Knowledge presentation (di mana gambaran teknik visualisasi dan pengetahuan
digunakan untuk memberikan pengetahuan yang telah ditambang kepada user)
2.2.
Algoritma
Apriori Algoritma Apriori termasuk jenis aturan asosiasi pada data mining yang menyatakan
asosiasi antara beberapa atribut atau sering disebut market basket analysis (Kusrini, Emha,
2009). Analisis asosiasi dikenal juga sebagai salah satu teknik data mining yang menjadi
dasar dari berbagai teknik data mining lainya. Secara khusus, salah satu tahap analisis
asosiasi yang menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien
adalah analisis pola frekuensi tinggi (frequent pattern mining). Secara garis besar cara kerja
algoritma apriori adalah :
1. Pembentukan kandidat itemset, Kandidat k-itemset dibentuk dari kombinasi (k-1)-itemset
yang didapat dari iterasi sebelumnya. Satu ciri dari algoritmaApriori yaitu adanya
pemangkasan kandidat k-itemset yang subset-nya berisi k-1 item tidak termasuk dalam
pola frekuensi tinggi dengan panjang k-1.
2. Penghitungan support dari tiap kandidat k-itemset. Support dari tiap kandidat k-itemset
didapat dengan men-scan database untuk menghitung jumlah transaksi yang memuat
semua item di dalam kandidat k-itemset tsb. Ini adalah juga ciri dari algoritme Apriori
dimana diperlukan penghitungan dengan scan seluruh database sebanyak k-itemset
terpanjang.
3. Tetapkan pola frekuensi tinggi. Pola frekuensi tinggi yang memuat k item atau k-itemset
ditetapkan dari kandidat k-itemset yang support-nya lebih besar dari minimum support.
4. Bila tidak didapat pola frekuensi tinggi baru maka seluruh proses dihentikan. Bila tidak,
maka k ditambah satu dan kembali ke bagian 1.
Proses utama yang dilakukan dalam algoritma Apriori untuk mendapatkan frequent itemset
yaitu (Erwin, 2009) :
1. Join (penggabungan) Proses ini dilakukan dengan cara pengkombinasian item dengan
item yang lainnya hingga tidak dapat terbentuk kombinasi lagi.
2. Prune (pemangkasan) Proses pemangkasan yaitu hasil dari item yang telah
dikombinasikan kemudian dipangkas dengan menggunakan minimum support yang telah
ditentukan oleh user. Pada iterasi ke-k akan ditemukan semua itemset yang memiliki k
item, disebut dengan k-itemset. Tiap iterasi terdiri dari dua tahap, yaitu :
a) Gunakan frequent (k-1) itemset untuk membangun kandidat frequent kitemset
b) Gunakan scan database dan pencocokan pola untuk mengumpulkan hitungan untuk
kandidat itemset
2.3. Association Rule Analisis
Asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan
assosiatif antara kombinasi item. Contoh dari aturan asosiasi biasanya dinyatakan dalam
bentuk : {roti, mentega} -> {susu} (support = 40%, confidence = 50%), aturan tersebut
berarti “50% dari transaksi di database yang memuat item roti dan mentega juga memuat
item susu. Sedangkan 40% dari seluruh transaksi yang ada di database memuat ketiga item
itu.” Dapat juga diartikan : “Seorang konsumen membeli roti dan mentega punya
kemungkinan 50% untuk juga membeli susu. Aturan ini cukup signifikan karena mewakili
40% dari catatan transaksi selama ini." (Kusrini, Emha, 2009). Dengan pengetahuan tersebut
pemilik pasar swalayan dapat mengatur penempatan barangnya atau merancang kampanye
pemasaran dengan memakai kupon diskon untuk kombinasi barang tertentu. Karena analisis
asosiasi menjadi terkenal karena aplikasinya untuk menganalisa isi keranjang belanja di
pasar swalayan, analisis asosiasi juga sering disebut dengan istilah market basket analysis.
Fungsi Association Rules seringkali disebut dengan "market basket analysis", yang
digunakan untuk menemukan relasi atau korelasi diantara himpunan item. Market Basket
Analysis adalah Analisis dari kebiasaan membeli customer dengan mencari asosiasi dan
korelasi antara item-item berbeda yang diletakkan customer dalam keranjang belanjaannya.
Fungsi ini paling banyak 12 digunakan untuk menganalisa data dalam rangka keperluan
strategi pemasaran, desain katalog, dan proses pembuatan keputusan bisnis.
2.4.Metodologi Analisis Asosiasi
Metodologi dasar analisis asosiasi terbagi menjadi dua tahap yang bertujuan untuk
menemukan semua aturan asosiasi yang memenuhi syarat minimum untuk support
(minimum support) dan syarat minimum untuk confidance (minimum confidance) :
Mencari kombinasi pola item yang memenuhi syarat nilai minimum support dan
confidence.
Untuk
mencari
nilai
support
kandidat
1-itemset
digunakan
rumus
Dimana nilai support(A) diperoleh dari membagi jumlah transaksi yang mengandug nilai
A (satu item) dengan total transaksi di kali 100%. Sedangkan untuk mencari nilai support
untuk kandidat 2-itemset yaitu :
Nilai support (A,B) diperoleh dengan membagi jumlah transaksi mengandung A
dan B (dua item) dengan total seluruh transaksi dikalikan 100%. Sedangkan untuk mencari
nilai support untuk kandidat 3-itemset yaitu :
Nilai support (A,B,C) diperoleh dengan membagi jumlah transaksi mengandung
A, B dan C (tiga item) dengan total seluruh transaksi dikalikan 100%. Sedangkan untuk
mencari aturan asosiasi dengan mencari nilai minimum confidencenya dengan rumus :
Nilai confidence (A→B) diperoleh dengan membagi jumlah transaksi
mengandung A dan B (dua item) dengan jumlah transaksimengandung A dikalikan 100%
sehingga aturan asosiasi akan terbentuk dengan nilai yang memenuhi syarat minimum
confidence yang ditentukan,
Untuk lebih jelasnya Berikut ini adalah skema proses pengolahan data menggunakan
Algoritma Apriori
2.5.Analisis Data
Analisis data diartikan sebagai upaya mengolah data menjadi informasi, sehingga
karakteristik atau sifat-sifat data tersebut dapat dengan mudah dipahami dan bermanfaat
untuk menjawab masalah-masalah yang berkaitan dengan kegiatan penelitian. Dengan
demikian, teknik analisis data dapat diartikan sebagai cara melaksanakan analisis terhadap
data, dengan tujuan mengolah data tersebut menjadi informasi, sehingga karakteristik atau
sifat-sifat datanya dapat dengan mudah dipahami dan bermanfaat untuk menjawab masalahmasalah yang berkaitan dengan kegiatan penelitian, baik berkaitan dengan deskripsi data
maupun untuk membuat induksi, atau menarik kesimpulan tentang karakteristik populasi
(parameter) berdasarkan data yang diperoleh dari sampel (statistik).
BAB III
ANALISIS DAN PEMBAHASAN
Masalah dari jurnal
Kekurangan atau kekosongan stok barang pada suatu toko/perusahaan akan berdampak
sangat buruk untuk keberhasilan dan kelancaran transaksi jual beli, penyebab terjadinya
kekosongan stok adalah tidak adanya informasi yang disampaikan dari perusahaan kepada
supplier penyetok barang secara dini. Untuk mencegah hal tersebut maka dibutuhkan sebuah
system yang dapat membantu supplier barang agar mengetahui secara dini tentang ketersediaan
barang yang terdapat pada toko / perusahaan tertentu. Perhitungan dilakukan dengan menentukan
support dan confidance yang akan menghasilkan assosiasi rules, yang dapat digunakan untuk
menentukan stok barang apa saja yang perlu diperbanyak oleh supplier guna meningkatkan
keuntungan antara supplier dan perusahaan.
Pada analisis dan pembahasan, peneliti menggunakan beberapa cara untuk mencari nilai
yang akurat menggunakan Algoritma Apriori dengan aturan asosiasi, antara lain : menghitung
menggunakan Excel, dan menghitung secara otomatis menggunakan aplikasi berbasis web yang
telah peneliti buat. Berikut ini adalah langkah-langkah perhitungan Algoritma Apriori dengan
Aturan Asosiasi :
3.1. Implementasi Algoritma Apriori menggunakan perhitungan Excel
Pada rumusan masalah diatas langkah-langkah untuk mencari nilai akurat menggunakan
Algoritma Apriori dengan Aturan Asosiasi sebagai berikut
1. Sebelumnya kita siapkan data penjualan yang akan kita gunakan untuk mengjitung,
seperti tabel dibawah ini :
Daftar Penjualan di Indomaret
No
Kode Barang
1
A1
2
A2
3
A3
4
A4
Nama Barang
Sari Roti
Roti Sisir
Roti Bantal
The Botol
5
A5
6
A6
7
A7
8
A8
9
A9
10
A10
11
A11
12
A12
13
A13
14
A14
15
A15
16
A16
17
A17
18
A18
19
A19
20
A20
21
A21
22
A22
23
A23
24
A24
25
A25
26
A26
27
A27
28
A28
Chocolatos
Susu Indomilk
Susu Ultramik
Greentea
Wafer
Qtela
Energen
Mie Sedap
Kecap
Saos
Susu Dancow
Nutrijel
Jely
Taro
Handbody Lotion
Ponds
Indomie
Clean & Clear
Nivea
Rinso
Rejo ice'
Pantene
Pepsodent
Bimoli
29
A29
30
A30
Tepung Terigu
Gula
Tabel. 3.01. data barang penjualan
Pada gambar tabel 3.01 merupakan data penjualan barang, dimana didalam tabel
tersebut, terdapat no, kode barang dan nama barang, dimana pada data penjualan
menggunakan kode barang, guna untuk mempermudah dalam perhitunga,
2. Setelah mendapatkan data barang penjualan, kemudian kita harus bisa menentukan data
transaksi, dimana data ini yang akan dibuat sebagai acuan perhitungan, seperti pada
gambar dibawah ini :
Daftar Transaksi
No
Barang yang dibeli
Transaksi
(berdasarkan kode barang)
A1,A2,A3,A4,A21,A6
1
A1,A5,A3,A22,A2
2
A6,A5,A3,A4,A24
3
A2,A4,A8,A7,A11,A18
4
A1,A3,A9,A7,A23
5
A10,A4,A5,A11,A12
6
A1,A6,A11,A3,A4,
7
A8,A12,A10,A1
8
A2,A3,A9,A10,A20
9
A1,A6,A8,A10,A13,A16
10
A2,A4,A8,A10,21,26
11
A13,A14,A5,A17,A28
12
A15,A16,A17,A12,A20
13
A16,A14,A13,A17,A21
14
A11,A6,A3,A4,A5
15
A4,A12,A14,A2,A7
16
A18,A20,A21,A11,A15
17
A19,A22,A24,26,A30
18
A20,A23,A25,A13,A29
19
A13,A26,A27,A19,A30
20
Tabel 3.02. Data Transaksi
Pada tabel 3.02 merupakan tabel transaksi dimana terdapat sampel 20 transaksi
dengan jumlah penjualan barang yang berbeda, pada tabel yang dibeli menggunakan
kode barang, kode barang itu diambil dari data barang.
3. Kemudian setelah memperoleh data transaksi langkah selanjutnya adalah, menjadikan
data transaksi diatas menjadi angka biner, seperti contoh diawah ini:
Tabel 3.03. gambar data transaksi
Pada gambar tabel 3.03 merupakan tabel transaksi yang sudah di translate ke
bentuk biner, jadi dimana jika terdapat transaksi pada kode barang maka nilainya adalah
1, dan jika tidak ada transaksi pada kode barang, maka nilainya 0.
4. Mencari nilai algoritma Apriori dangan menggunakan beberapa rumus item-set
Pada penelitian ini, menggunakan beberapa rule yang digunakan sebagai acuan nilai
untuk mencari nilai kombinasi dari beberapa itemset, peneliti membuat 3 rule item set,
diantaranya seperti pada gambar dibawah ini :
Tabel 3.04 Rule Itemset
a) Mencari Nilai Kombinasi itemset 1
Rumus
Dimana nilai support(A) diperoleh dari membagi jumlah transaksi yang mengandug
nilai A (satu item) dengan total transaksi di kali 100%. Dengan menggunakan rumus
diatas maka dapat di peroleh hasil seperti tabel d bawah ini,
Supprot Dari Setiap Barang 1 Item Set
Kode Barang
Proses Supprot
Support
A1
6/20*100%
30%
A2
6/20*100%
30%
A3
7/20*100%
35%
A4
9/20*100%
45%
A5
5/20*100%
25%
A6
5/20*100%
25%
A7
3/20*100%
15%
A8
3/20*100%
15%
A9
2/20*100%
10%
A10
5/20*100%
25%
A11
5/20*100%
25%
A12
4/20*100%
20%
A13
5/20*100%
25%
A14
3/20*100%
15%
A15
2/20*100%
10%
A16
3/20*100%
15%
A17
4/20*100%
20%
A18
1/20*100%
5%
A19
2/20*100%
10%
A20
4/20*100%
20%
A21
4/20*100%
20%
A22
2/20*100%
10%
A23
2/20*100%
10%
A24
2/20*100%
10%
A25
1/20*100%
5%
A26
3/20*100%
15%
A27
1/20*100%
5%
A28
1/20*100%
5%
A29
1/20*100%
5%
A30
2/20*100%
10%
Tabel 3.05 Itemset 1
Pada tabel 3.05 merupakan tabel dari itemset 1 dengan menggunakan rumus diatas
dan Rule pada itemset 1 adalah >=25%, maka diperoleh hasil yang memenuhi rule
dari data diatas sebagai berikut :
Kode Barang
Support
A1
A2
A3
A4
A5
A6
A10
A11
A13
30%
30%
35%
45%
25%
25%
25%
25%
25%
b) Setelah selesai mencari itemset 1, selanjutnya adalah cara mencari nilai itemset 2,
Dengan rumus sebagai berikut
Nilai support (A,B) diperoleh dengan membagi jumlah transaksi mengandung A dan
B (dua item) dengan total seluruh transaksi dikalikan 100%.
Dengan menggunakan
rumus diatas maka dapat di peroleh hasil seperti tabel d bawah ini,
Rule /
Kombinasi
Jumlah
Proses Support
Support
A1 - A2
A1 - A3
A1 - A4
A1 - A5
A1 - A6
A1 - A10
A1 - A11
A1 - A13
A2 - A3
A2 - A4
A2 - A5
A2 - A6
A2 - A10
A2 - A11
A2 - A13
A3 - A4
A3 - A6
A4 - A5
A4 - A6
A6 - A10
A11 - A13
2
4
3
1
3
1
1
1
3
4
1
1
1
1
0
4
4
3
4
1
0
2/20*100%
4/20*100%
3/20*100%
1/20*100%
3/20*100%
1/20*100%
1/20*100%
1/20*100%
3/20*100%
4/20*100%
1/20*100%
1/20*100%
1/20*100%
1/20*100%
0/20*100%
4/20*100%
4/20*100%
3/20*100%
4/20*100%
1/20*100%
0/20*100%
10
20
15
5
15
5
5
5
15
20
5
5
5
5
0
20
20
15
20
5
0
Gambar 3.06 itemset 2
Pada tabel 3.06 merupakan tabel dari itemset 2 dengan menggunakan rumus diatas dan
Rule pada itemset 2 adalah >=20%, maka diperoleh hasil yang memenuhi rule dari data
diatas sebagai berikut :
Kode Barang
Support
A1 - A3
A3 - A6
A2 - A4
A4 - A6
A3 - A4
20%
20%
20%
20%
20%
c) Itemset 1 dan 2 sudah ditemukan, kemudian langkah selanjutnya adalah mencari nilai
itemset 3 dengan menggunakan hasil dari kombinasi itemset 2, dengan rumus seperti
berikut
Nilai support (A,B,C) diperoleh dengan membagi jumlah transaksi mengandung A,
B dan C (tiga item) dengan total seluruh transaksi dikalikan 100%. Dengan
menggunakan rumus diatas maka dapat di peroleh hasil seperti tabel d bawah ini,
Itemset 3
Rule /
Kombinasi
A1-A3-A2
A1-A3-A4
A2-A4-A3
A2-A4-A1
A3-A4-A6
A4-A6-A1
Jumlah
Proses Support
Support
2
1
1
1
3
1
2/20*100%
1/20*100%
1/20*100%
1/20*100%
3/20*100%
1/20*100%
10
5
5
5
15
5
Gambar 3.07 Hasil itemset 3
Pada tabel 3.07 merupakan tabel dari itemset 2 dengan menggunakan rumus diatas
dan Rule pada itemset 2 adalah >=10%, maka diperoleh hasil yang memenuhi rule
dari data diatas sebagai berikut :
Kode Barang
Support
A1-A3-A2
A3-A4-A6
10
15
5. Langkah selanjutnya adalah, setelah kita memperoleh nilai itetset, langkah selanjutnya
adalah mencari nilai final, dengan mengunakan Aturan Pembentukan Aturan Asosiasi,
yang kita gunakan ada 2, yaitu, Atura Asosiasi 2 itemset dan aturan asosiasi 3 itemset,
cara mengerjakan seperti berikut ini :
1. Aturan Asosiasi 2 itemset
rumus sebagai berikut
Nilai confidence (A→B)
diperoleh dengan membagi jumlah transaksi
mengandung A dan B (dua item) dengan jumlah transaksimengandung A dikalikan
100% sehingga aturan asosiasi akan terbentuk dengan nilai yang memenuhi syarat
minimum confidence yang ditentukan,
3.08 Gambaar Rule Asosiasi
Seperti pada gambar 3.08 merupakan rule yang digunakan untuk kita mencari nilai
asosiasi 2 itemset, langkah pengerjaan sebagai berikut :
Membuat kombinasi dari data hasil itemset 2, kemudian data tersebut kita lakukan
penghitungan menggunakan Untuk langkah pengerjaan sebagai berikut
Data Hasil ItemSet 2
Kode Barang
Support
A1 - A3
A3 - A6
A2 - A4
A4 - A6
A3 - A4
20%
20%
20%
20%
20%
3.09 Gambar Tabel Hasil Itemset 2
Dari data hasil itemset 2, kemudian kita hitung menggunakan rumus aturan asosiasi,
ketemu hasil seperti gambar berikut ini :
Rule
CONFIDENCE
Hasil
A1 - A3
A3 - A6
A2 - A4
A4 - A6
A3 - A4
4/6 * 100%
4/7 * 100%
4/6 * 100%
4/8 * 100%
4/7 * 100%
66,66%
57,14 %
66,66%
50%
57,14 %
3.10 Gambar Hasil perhitungan
Dari hasil data pada gambar 3.10, kemudian kita tentukan nilai yang memenuhi item
support sebesar >= 55%. Kemudian mengalikan nilai support dan confidence, untuk
items yang memenuhi aturan support dan confidence.
RULE
CONFIDENCE
A1 - A3
A3 - A6
A2 - A4
A3 - A4
66,66%
57,14 %
66,66%
57,14 %
Gambar 3.11 Hasil Perhitungan
Setelah menemukan hasil dari perhitungan tersebut langkah selanjutnya adalah
menentukan Rule Final dari aturan asosiasi 2 itemset
Rule Final Aturan Asosiasi 2 itemset
RULE
Support
CONFIDENCE
A1 - A3
A3 - A6
A2 - A4
A3 - A4
20%
20%
20%
20%
66,66%
57,14 %
66,66%
57,14 %
Gambar 3.12 Rule Final Asosiasi
Pada gambar 3.12 merupakan hasil dari rule final asosiasi 2 itemset
2. Aturan pembentukan Asosiasi itemset 3
rumus sebagai berikut :
Nilai confidence (A→B) diperoleh dengan membagi jumlah transaksi
mengandung A dan B (dua item) dengan jumlah transaksimengandung A dikalikan
100% sehingga aturan asosiasi akan terbentuk dengan nilai yang memenuhi syarat
minimum confidence yang ditentukan,
Gambar 3.13 Rule Asosiasi
Seperti pada gambar 3.08 merupakan rule yang digunakan untuk kita mencari nilai
asosiasi 2 itemset, langkah pengerjaan sebagai berikut :
Membuat kombinasi dari data hasil itemset 3, kemudian data tersebut kita lakukan
penghitungan menggunakan Untuk langkah pengerjaan sebagai berikut :
Rule / Kombinasi
Jumlah
Proses Support
Support
A1-A3-A2
A3-A4-A6
2
3
2/20*100%
3/20*100%
10
15
Gambar 3.14 Hasil dari ittemset 3
Dari data hasil itemset 3, kemudian kita membuat kombinasi dan menghitung
menggunakan rumus aturan asosiasi, ketemu hasil seperti gambar berikut ini :
Rule
CONFIDENCE
Hasil
A1,A3 = A2
A3 = A1, A2
A1 = A3 , A4
A4, A1 = A3
A2,A4 = A3
A2 = A4 , A3
A2 = A4 , A1
A4, A2 = A1
A3,A4 = A6
A4 = A3, A6
A4 = A6 , A1
A6, A4 = A1
2/4 * 100%
2/7 * 100%
2/6 * 100%
2/2 * 100%
1/4 * 100%
1/6 * 100%
1/6 * 100%
1/4 * 100%
4/3 * 100%
4/8 * 100%
2/8 * 100%
2/4 * 100%
50%
28,57%
33,33%
100%
25%
16,66%
16,66%
25%
133,33%
50%
25%
50%
Gambar 3.15 Aturan Asosiasi 3 itemset
Dari hasil data pada gambar 3.10, kemudian kita tentukan nilai yang memenuhi item
support sebesar >= 50%. Kemudian mengalikan nilai support dan confidence, untuk
items yang memenuhi aturan support dan confidence.
RULE
CONFIDENCE
A1,A3 = A2
A4, A1 = A3
A3,A4 = A6
A4 = A3, A6
A6, A4 = A1
50%
100%
133,33%
50%
50%
Gambar 3.16 Hasil Confiden
Setelah menemukan hasil dari perhitungan tersebut langkah selanjutnya adalah
menentukan Rule Final dari aturan asosiasi 3 itemset
Rule Final 3-Itemset (F3)
Rule / Kombinasi
Support
CONFIDENCE
A1,A3 = A2
A4, A1 = A3
A3,A4 = A6
A4 = A3, A6
A6, A4 = A1
2/20*100% = 10%
1/20*100% = 5%
3/20*100% = 15%
3/20*100% = 15%
1/20*100% = 5%
50%
100%
133,33%
50%
50%
Gambar 3.17 Hasil Aturan Asosiasi 3 itemset
3. Rule Final Aturan Asosiasi dari Itemset 2 & 3
Rule Final merupakan gabungan antara aturan asosiasi itemset 2 dan 3, seperti pada
tabel dibawah ini :
RULE
Support
CONFIDENCE
A1 - A3
A3 - A6
A2 - A4
A3 - A4
A1,A3 = A2
A4, A1 = A3
A3,A4 = A6
A4 = A3, A6
A6, A4 = A1
20%
20%
20%
20%
10%
5%
15%
15%
5%
66,66%
57,14 %
66,66%
57,14 %
50%
100%
133,33%
50%
50%
3.18 Final Aturan Asosiasi
Cara Membaca Maksud Arti Rule diatas
a) Jika Konsumen membeli Sari Roti dan Roti Bantal Kemungkinan adalah
66,66%
b) Jika Konsumen membeli Roti Bantal dan Susu Indomilk Kemungkinan adalah
57,14%
c) Jika Konsumen membeli Roti Sisir dan Teh Botol Kemungkinan adalah
66,66%
d) Jika Konsumen membeli Roti Bantal dan Teh Botol Kemungkinan adalah
57,14%
e) Jika Konsumen membeli Sari Roti, Roti Bantal dan Roti Sisir Kemungkinan
adalah 50%
f) Jika Konsumen membeli Teh Botol, Sari Roti dan Roti Bantal Kemungkinan
adalah 100%
g) Jika Konsumen membeli Roti Bantal , Teh Botol
= Susu Indomilk
Kemungkinan adalah 133,33%
h) Jika Konsumen membeli Teh Botol
= Roti Bantal, Susu Indomilk
Kemungkinan adalah 50%
i) Jika Konsumen membeli Susu Indomilk, The Botol = Sari Roti Kemungkinan
adalah 50%
3.2. Implementasi Algoritma Apriori menggunakan perhitungan Aplikasi Berbasis Web
Link Aplikasi : https://aldikurn.github.io/kelompok6apriori/
1. Menu Aplikasi dan penjelasan
Pada Aplikasi yang telah kita buat ini nantinya akan digunakan sebagai perhitungan
juga, aplikasi ini sudah menerapkan beberapa rumus yang telah ada pada Algoritma
Apriori menggunakan aturan Asosiasi. Menu-Menu dalam aplikasi ini ada : Menu Rule,
Menu Data Barang, Menu Transaksi, Menu Itemset, Aturan Asoiasi, dan Menu
Penganturan, untuk penjelasan dan kegunaaan menu, bisa dipelajari dibawah ini
Gambar 3.19 Menu Aplikasi Web
a.
Menu Rule
Menu Rule pada aplikasi yang telah kami buat digunakan untuk menentukan
minimum support pada perhitungan nantinya,
Gambar 3.20 Menu Rule
b.
Menu Data Barang
Pada Menu data barang ini, digunakan untuk memasukkan data barang yang dijual
pada minimarket, seperti gambar dibawah ini
Gambar 3.21 Data Barang
Gambar 3.21 Add Data Barang
Pada gambar 3.20 dan 3.21 merupakan isi dari menu data barang, menu add barang
digunakan untuk menambahkan data barang.
c.
Menu Transaksi
Menu Transaksi merupakan menu yang digunakan untuk mencatat data transaksi
pembeli, seperti pada gambar dibawah ini :
Gambar 3.22 Menu Transaksi
Gambar 3.23 Menu Add Transaksi
Pada gambar 3.22 dan gambar 3.23 merupakan isi dari menu transaksi, dimana
sebelum melakukan perhitungan harus mengetahui terlebih dahulu data transaksi.
d.
Menu Itemset
Menu Itemset merupakan menu yang digunakan untuk menghitung algoritma
Apriori secara otomatis tanpa kita harus menghitung dari awal, dikarenakan web
yang telah kami buat terdapat beberapa rumus yang sudah dimasukkann di dalam
kodingan aplikasi. Menu ini terdiri dari 3 sub menu yaitu, sub menu itemset 1,2,
dan 3, dan juga ada fitur jumlah dari hasil tiap itemset, dan juga terdapat filter yang
berfungsi mencari nilai yang sesuai dengan support minimum.
3.24 Gambar Menu Itemset
3.25 Gambar Menu Itemset 2
3.26 Gambar list itemset 2
Jadi pada gambar 3.26 itu merupakan dari menu showlist, menu tersebut
merupakan menu yang mencari persamaaan dari data transaksi.
3.27. Gambar Menu Itemset 3
e.
Menu Asosiasi
Pada Menu ini merupakan menu aturan pembentukan aturan asosiasi baik itemset 2
dan 3, menu item set terdiri dar beberapa sub menu itemset antara lain : Asosiasi 2
itemset, Asosiasi 3 itemset, dan final Asosiasi.
Gambar 3.28 Menu Asosiasi
Gambar 3.29 Aturan Asosiasi 3 itemset
Gambar 3.30 Asosiasi Final dari Itemset 2 dan 3
Pada Gambar 3.28 – 3. 29 merupakan gambar sub menu asosiasi item set 2 dan 3
Kemudian untuk gambar 3.30 merupakan gambar Asosiasi Final atau gabungan
antara hasil asosiasi itemset 2 dan 3.
BAB IV
PENUTUP
4.1.
Kesimpulan
Berdasarkan studi kasus diatas dapat disimpulkan bahwa :
a) Jika Konsumen membeli Sari Roti dan Roti Bantal Kemungkinan adalah
66,66%
b) Jika Konsumen membeli Roti Bantal dan Susu Indomilk Kemungkinan adalah
57,14%
c) Jika Konsumen membeli Roti Sisir dan Teh Botol Kemungkinan adalah
66,66%
d) Jika Konsumen membeli Roti Bantal dan Teh Botol Kemungkinan adalah
57,14%
e) Jika Konsumen membeli Sari Roti, Roti Bantal dan Roti Sisir Kemungkinan
adalah 50%
f) Jika Konsumen membeli Teh Botol, Sari Roti dan Roti Bantal Kemungkinan
adalah 100%
g) Jika Konsumen membeli Roti Bantal , Teh Botol
= Susu Indomilk
Kemungkinan adalah 133,33%
h) Jika Konsumen membeli Teh Botol
= Roti Bantal, Susu Indomilk
Kemungkinan adalah 50%
i) Jika Konsumen membeli Susu Indomilk, The Botol = Sari Roti Kemungkinan
adalah 50%
Berdasarkan pada data diatas Dengan didapatkannya rules ini maka perusahaan
pemasaran dapat menggunakan rules tersebut dalam membuat strategi – strategi
untuk meningkatkan penjualan.
