perancangan aplikasi data mining untuk menganalisa

PERANCANGAN APLIKASI DATA MINING UNTUK
MENGANALISA PRODUK KOSMETIK DAN KECANTIKAN
MENGGUNAKAN ALGORITMA APRIORI PADA
PT RAJAWALI MUTIARA SEJAHTERA
Zulkifli, Bayu Dedy Irwanto
ABSTRAK
Dalam dunia bisnis penjualan kosmetik dan kecantikan strategi dalam
pemasaran produk merupakan bagian yang penting untuk menunjang
kelangsungan bisnis. PT Rajawali Mutiara Sejahtera adalah distributor yang
melayani penjualan seluruh indonesia tentu membutuhkan strategi yang tepat
dalam pemasaran penjualan produk. Salah satu cara dalam mencari informasi
barang apa yang sering dibeli konsumen secara bersamaan yang terdapat dalam
data transaksi penjualan barang adalah dengan menggunakan teknik Data Mining.
Teknik Data Mining yang digunakan menggunakan Algoritma Apriori, yaitu
mencari aturan asosiasi untuk menentukan hubungan kombinasi antar item barang
yang dijual. Tujuan penelitian ini adalah mendapatkan informasi tentang barang
apa yang sering dibeli konsumen secara bersamaan. Metode pengembangan
sistem yang digunakan adalah Rapid Aplication Development (RAD) dengan
pemodelan menggunakan Unified Modeling Language (UML). Hasil yang
didapatkan adalah berupa aplikasi Data Mining menggunakan algoritma Apriori
untuk mengetahui kombinasi antar item barang yang di beli secara bersamaan
dengan menentukan nilai minimum support dan minimum confidence.
Kata Kunci: Data Mining, Assosiation Rules, Algoritma Apriori
ABSTRACT
In the business world sales of cosmetics and beauty products in the marketing
strategy is an important part to support business continuity. PT Rajawali Mutiara
Sejahtera is a distributor which serves sales throughout Indonesia would need a
proper strategy in marketing the product sales. One way to find the information
what items frequently purchased consumer simultaneously the data contained in
the sale of goods is to use Data Mining techniques. Data Mining techniques used
using Apriori Algorithm, which is seeking association rules to determine the
relationship between the combinations of items sold. The purpose of this study
was to get information about what items are often bought by consumers
simultaneously. System development method used is a Rapid Application
Development (RAD) with modeling using the Unified Modeling Language (UML).
The results obtained are in the form of data mining applications using Apriori
Algorithm to determine the combination of the items are purchased
simultaneously by specifying a minimum value of minimum support and
confidence.
Keywords: Data Mining, Association Rules, Apriori Algorithm
46
Jurnal Satya Informatika, Volume: 1, Nomor: 1, halaman 46-58
PENDAHULUAN
A. Latar Belakang
PT Rajawali Mutiara Sejahtera (RMS) adalah perusahaan distributor tunggal
yang bergerak di bidang medical skincare dari produsen asal korea yang bernama
Theraderm. Target utama konsumen PT RMS adalah dokter kulit dan dokter
kecantikan, karena produk yang ditawarkan tidak dijual secara bebas maka perlu
strategi-strategi pemasaran yang dapat menunjang penjualan produk. Untuk
meningkatkan penjualan produk secara maksimal, PT RMS belum sepenuhnya
memanfaatkan data-data yang sudah lama tersimpan. Data-data tersebut belum
banyak memberikan manfaat untuk bahan informasi terutama dalam masalah
penjualan barang. Oleh sebab itu perlu adanya teknologi yang dapat
memanfaatkan data-data tersebut untuk membangkitkan pengetahuanpengetahuan baru, yang dapat membantu dalam pengaturan strategi bisnis
penjualan pada PT Rajawali Mutiara Sejahtera.
Mengetahui minat konsumen sangat penting bagi suatu penjualan, dimana
dengan mengetahui minat konsumen dapat mengambil suatu keputusan atau
strategi yang benar dan tepat bagi konsumennya. Dengan data mining, data-data
transaksi penjualan tersebut dapat diolah lagi untuk mengekstrak informasi baru
yang berguna dan dapat digunakan sebagai faktor-faktor untuk membantu
pengambilan keputusan. Salah satunya untuk mengetahui produk-produk mana
saja yang sering dibeli konsumen secara bersamaan dalam satu transaksi.
B. Rumusan Masalah
Rumusan masalah pada penelitian ini adalah bagaimana merancang aplikasi
Data Mining dengan memanfaatkan algoritma apriori pada PT Rajawali Mutiara
Sejahtera untuk mengetahui barang mana yang paling sering dibeli konsumen
secara bersamaan
C. Tujuan Penelitian
Merancang dan membangun sebuah aplikasi menggunakan algoritma apriori
dengan memanfatkan nota-nota penjualan barang agar dapat mengetahui
informasi barang apa saja yang paling sering dibeli konsumen secara bersamaan
pada PT Rajawali Mutiara Sejahtera.
LANDASAN TEORI
A. Data Mining
Data mining adalah suatu istilah yang digunakan untuk menguraikan
penemuan pengetahuan di dalam database. Data mining adalah proses yang
menggunakan teknik statistic, matematika, kecerdasan buatan, dan machine
learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat
dan pengetahuan yang terkait dari berbagai database besar (Turban, dkk. 2005).
B. Association Rules
Jurnal Satya Informatika, Volume: 1, Nomor: 1, halaman 46-57
47
Metode association rules ini biasa dikenal sebagai metode analisa keranjang
pasar atau market basket analisys. Metode association rules ini digunakan untuk
menemukan aturan assosiatif antara suatu kombinasi item atau barang (Tang
&Jamie, 2005). Metode ini dapat digunakan untuk mengidentifikasi item-item
produk yang mungkin dibeli secara bersamaan dengan produk lain. Metode ini
mempunyai dua tahapan yaitu, menemukan frequent itemset dan membentuk
association rules. Metode ini terdiri dari dua item yaitu antecedent dan consequent
(Hornick, 2006).
Antecedent dan consequent bisa di analogikan sebagai aturan “If x Then y”.
Dimana x merupakan antecedent atau left hand side dan y adalah consequent atau
right hand side. Misalkan jika antecedent A dan consequent B, maka aturannya
dapat ditulis sebagai berikut : (A  B). Support adalah nilai dua atau lebih
itemset yang dibeli secara bersamaan dari keseluruhan transaksi. Nilai support
menujukan frekuensi itemset dalam suatu transaksi. Berikut perhitungan utuk
mengetahui nilai support :
Confidence adalah ukuran yang didapatkan dari probabilitas adanya itemset A
pada suatu transaksi maka juga ada itemset B pada transaksi tersebut. Nilai
confidence menunjukan kuatnya hubungan antar item dalam suatu aturan
assosiasi. Berikut perhitungan untuk mengetahui nilai confidence :
C. Algoritma Apriori
Algoritma apriori termasuk jenis aturan assosiasi pada data mining. Selain
apriori, yang termasuk pada golongan ini adalah metode Generalized Rule
Induction dan Algoritma Hash Based. Aturan yang menyatakan asosiasi antara
beberapa atribut sering disebut affinity analysis atau market basket analysis.
Algoritma apriori digunakan untuk mencari frequent itemset. Pengertian frequent
itemset adalah himpunan item-item yang memenuhi minimum support.
Selanjutnya frequent itemset digunakan untuk membangun aturan assosiasi.
Untuk membentuk kandidat itemset digunakan dua tahap yaitu :
Joint step
: Ck dibangun dengan menggabungkan Lk-1 dengan dirinya.
Prune step
: setiap (k-1)-itemset yang bukan frequent tidak boleh menjadi
suatu subset dari suatu frequent k-itemset.
Untuk lebih jelasnya perhatikan ilustrasi algortima berikut :
48
Jurnal Satya Informatika, Volume: 1, Nomor: 1, halaman 46-58
Gambar II.1 Islustrasi Algoritma Apriori
Penjelasan tentang contoh ilustrasi algoritma apriori adlah sebagai berikut :
1. Dari database D kemudian dibentuk C1 (kandidat 1-itemset), apabila itemset
pada C1 tidak memenuhi minimum support maka akan di eliminasi dari L1.
2. Selanjutnya dibangun C2 (kandidat 2-itemset) dengan melakukan cross
itemset yang ada pada L1 (join step). Apabila itemset pada C2 tidak
memenuhi minimum support maka akan di eliminasi dari L2.
3. Kemudian dibangun C3 (kandidat 3-itemset) dengan melakukan cross
itemset yang ada pada L2 (join step).Jika diperhatikan selain itemset {B, C,
E} sebenaranya masih ada itemset {A, C, B} dan {A, C, E} yang bisa
didaptkan dari kombinasi itemset L2. Tetapi kedua itemset terseut dipangkas
(prune step) karena itemset {C,B} dan {A,E} di eliminasi dari L2.
METODOLOGI PENELITIAN
A. Contoh Perhitungan Algoritma Apriori (Manual)
Pada bagian ini akan dijelaskan mengenai cara perhitungan manual
menggunakan algoritma apriori. Untuk membuktikan bagaimana proses dan alur
algoritma apriori sehingga menghasilkan informasi yang dapat digunakan untuk
bahan pertimbangan dalam promosi pemasaran produk. Sample data sebanyak 30
record dari laporan nota penjualan pada PT Rajawali Mutiara Sejahtera. Dalam
hal ini untuk mendapatkan informasi barang apa saja yang sering dibeli konsumen
secara bersamaan dalam satu transaksi. Datanya sebagai berikut :
Tabel III.1 Tabel Transaksi
Id_transaksi
20141342
20141342
20141442
20141452
20141464
20141464
20141529
Id_barang
DSP11
DSP16
PHBB
DSP07
PHBB
DSP16
DSP12
Nama_barang
BB White Moisture Sunblock SPF50
Bedak BB Suncover SPF50
Dr Pharm Magic BB Cream
Blemish Balm Sunblock SPF50
Dr Pharm Magic BB Cream
Bedak BB Suncover SPF50
BB White Sunblock & Whitening SPF50
Jurnal Satya Informatika, Volume: 1, Nomor: 1, halaman 46-57
49
20141544
20141550
20141550
20141561
20141562
20141562
20141562
20141567
20141618
20141706
20141706
20141706
20141735
20141739
20141739
20141765
20141765
20141765
20141775
20141780
20141798
20141798
20141798
PHBB
DSP02
DSP11
DSP07
DBP01
DSM06
DSP07
DSP11
DSP07
DSM04
DSM01
DSM06
MNL07
DBT01
DBT02
DSP02
DSP07
DSP11
DBT01
DSP12
DBT01
PHBB
DSP16
Dr Pharm Magic BB Cream
Moisture Sunblock SPF50
BB White Moisture Sunblock SPF50
Blemish Balm Sunblock SPF50
Bio Cell Active C Serum
Anti-PIH Mask
Blemish Balm Sunblock SPF50
BB White Moisture Sunblock SPF50
Blemish Balm Sunblock SPF50
Spirulina Cooling Marine Mask
Meso Alginate Mask
Anti-PIH Mask
Minilift Vitamin E oil
Black Peel Resurfacing
Black Peel Clear
Moisture Sunblock SPF50
Blemish Balm Sunblock SPF50
BB White Moisture Sunblock SPF50
Black Peel Resurfacing
BB White Sunblock & Whitening SPF50
Black Peel Resurfacing
Dr Pharm Magic BB Cream
Bedak BB Suncover SPF50
Selanjutnya data akan di representasikan seperti berikut :
Tabel III.2 Representasi Data Transaksi
Nama_barang
Anti-PIH Mask
BB White Moisture Sunblock SPF50
BB White Sunblock & Whitening SPF50
Bedak BB Suncover SPF50
Bio Cell Active C Serum
Black Peel Clear
Black Peel Resurfacing
Blemish Balm Sunblock SPF50
Dr Pharm Magic BB Cream
Meso Alginate Mask
Minilift Vitamin E oil
Moisture Sunblock SPF50
Spirulina Cooling Marine Mask
50
Jumlah
2
33
22
15
2
1
8
44
11
1
1
22
1
Jurnal Satya Informatika, Volume: 1, Nomor: 1, halaman 46-58
Frequent Itemset menunjukan itemset yang memiliki frekuensi kemunculan
lebih dari nilai minimum yang telah ditentukan. Misalkan nilai yang telah
ditentukan adalah 2, maka semua itemset yang frekuensi kemunculannya lebih
dari atau sama dengan 2 kali disebut frequent. Himpunan dari frequent k- itemset
dilambangkan dengan Fk. Berikut ini adalah calon 2-itemset dari data transaksi
pada Tabel .1.
Tabel III.3 Calon 2 - Itemset
Kombinasi item
Bio Cell Active C Serum dan Anti-PIH Mask
Bio Cell Active C Serum dan Blemish Balm Sunblock SPF50
Black Peel Resurfacing dan Black Peel Clear
Black Peel Resurfacing dan Bedak BB Suncover SPF50
Black Peel Resurfacing dan Dr Pharm Magic BB Cream
Greentea Neutralizer dan Vital C Exfoliator
Greentea Neutralizer dan Vital C Activator
Greentea Neutralizer dan Bedak BB Suncover SPF50
Shooting Repair Mask dan Vital C Activator
Shooting Repair Mask dan Bedak BB Suncover SPF50
C Plus Peptide Cream dan Vital C Exfoliator
C Plus Peptide Cream dan Blemish Balm Sunblock SPF50
Vital C Exfoliator dan Vital C Activator
Vital C Exfoliator dan Blemish Balm Sunblock SPF50
Vital C Exfoliator dan Bedak BB Suncover SPF50
Vital C Powder dan Vital C Activator
Vital C Activator dan Bedak BB Suncover SPF50
Meso Alginate Mask dan Spirulina Cooling Marine Mask
Meso Alginate Mask dan Anti-PIH Mask
Spirulina Cooling Marine Mask dan Anti-PIH Mask
Anti-PIH Mask dan Blemish Balm Sunblock SPF50
Moisture Sunblock SPF50 dan Blemish Balm Sunblock SPF50
Moisture Sunblock SPF50 dan BB White Moisture Sunblock
SPF50
Blemish Balm Sunblock SPF50 dan BB White Moisture Sunblock
SPF50
Blemish Balm Sunblock SPF50 dan Bedak BB Suncover SPF50
Vital C Activator dan Bedak BB Suncover SPF50
BB White Moisture Sunblock SPF50 dan Bedak BB Suncover
SPF50
Bedak BB Suncover SPF50 dan Dr Pharm Magic BB Cream
Jumlah
1
2
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
1
2
1
1
2
Dari data Tabel 3.3 diatas jika ditetapkan nilai minimum yang ditetapkan adalah
2, maka kombinas yang jumlahnya kurang dari 2 akan di eliminasi dari daftar
calon 2-itemset. Berikut himpunan F2 :
Jurnal Satya Informatika, Volume: 1, Nomor: 1, halaman 46-57
51
Tabel III.4 Frequent 2-itemset
Kombinasi
Jumlah
Bio Cell Active C Serum dan Blemish Balm Sunblock SPF50
2
Moisture Sunblock SPF50 dan BB White Moisture Sunblock
2
SPF50
Blemish Balm Sunblock SPF50 dan Bedak BB Suncover SPF50
2
Bedak BB Suncover SPF50 dan Dr Pharm Magic BB Cream
2
Kombinasi dari itemset F2 dapat digabungkan menjadi calon 3-itemset. Itemsetitemset dari F2 yang dapat digabungkan adalah itemset-itemset yang memiliki
kesamaan dalam k-1 item pertama. Calon 3-itemset yang dapat dibentuk dari
F2tampak pada tabel berikut :
Tabel III.5 Calon 3-itemset
Kombinasi
Bio Cell Active C Serum , Anti-PIH Mask dan Blemish Balm Sunblock
SPF50
Black Peel Resurfacing , Bedak BB Suncover SPF50 dan Dr Pharm
Magic BB Cream
Greentea Neutralizer , Vital C Exfoliator dan Vital C Activator
Greentea Neutralizer , Vital C Exfoliator dan Bedak BB Suncover
SPF50
Greentea Neutralizer , Vital C Activator dan Bedak BB Suncover SPF50
Shooting Repair Mask , Vital C Activator dan Bedak BB Suncover
SPF50
C Plus Peptide Cream , Vital C Exfoliator dan Blemish Balm Sunblock
SPF50
Vital C Exfoliator , Vital C Activator dan Bedak BB Suncover SPF50
Meso Alginate Mask , Spirulina Cooling Marine Mask dan Anti-PIH
Mask
Jumlah
1
1
1
1
1
1
1
1
1
Dari hasil jumlah kombinasi di atas, maka dapat disimpulkan bahwa dari calon
3-itemset yang ada tidak ada satupun kombinasi yang memenuhi syarat minimum
frekuensi yang ditentukan yaitu 2. Kombinasi diatas hanya memiliki jumlah 1.
Maka untuk proses analisis pola frekuensi tinggi hanya sampai pada 2-itemset saja
yaitu himpunan F2 = { {Bio Cell Active C Serum, Blemish Balm Sunblock
SPF50}, {Moisture Sunblock SPF50, BB White Moisture Sunblock SPF50},
{Blemish Balm Sunblock SPF50, Bedak BB Suncover SPF50}, {Bedak BB
Suncover SPF50, Dr Pharm Magic BB Cream } }. Dari himpunan F2 yang telah
ditemukan pada perhitungan sebelumnya, maka dapat dilihat besarnya nilai
soppurt dan confidence dari calon aturan asosiasi seperti pada tabel berikut :
52
Jurnal Satya Informatika, Volume: 1, Nomor: 1, halaman 46-58
Tabel III.6 Aturan Asosiasi
Kombinasi
Jika membeli Bio Cell Active C Serum, maka akan membeli
Blemish Balm Sunblock SPF50
Jika membeli Blemish Balm Sunblock SPF50, maka akan
membeli Bio Cell Active C Serum
Jika membeli Moisture Sunblock SPF50, maka akan
membeli BB White Moisture Sunblock SPF50
Jika memeli BB White Moisture Sunblock SPF50, maka
akan membeli Moisture Sunblock SPF50
Jika membeli Blemish Balm Sunblock SPF50, maka akan
membeli Bedak BB Suncover SPF50
Jika membeli Bedak BB Suncover SPF50, maka akan
membeli Blemish Balm Sunblock SPF50
Jika membeli Bedak BB Suncover SPF50, maka akan
membeli Dr Pharm Magic BB Cream
Jika membeli Pharm Magic BB Cream, maka akan membeli
Bedak BB Suncover SPF50
Confidence
2/2
100%
2/11
18,18%
2/3
66,67%
2/4
50%
2/11
18,18%
2/7
28,57%
2/7
28,57%
2/4
50%
Jika ditetapkan nilai minimum confidence adalah 60%, maka aturan yang
memiliki confidence dibawah 60% akan dieliminasi. Berikut hasilnya :
Tabel III.7 Aturan Asosiasi yang Memenuhi syarat
Kombinasi
Confidence
Jika membeli Bio Cell Active C Serum, maka akan membeli 2/2
100%
Blemish Balm Sunblock SPF50
Jika membeli Moisture Sunblock SPF50, maka akan 2/3
66,67
membeli BB White Moisture Sunblock SPF50
%
Aturan asosiasi final terurut berdasarkan Support x confidence terbesar dapat
dilihat pada tabel berikut :
Tabel III.8 Aturan Asosiasi Final
Kombinasi
Support
Jika membeli Bio Cell Active C 2/30
Serum, maka akan membeli Blemish
Balm Sunblock SPF50
Confidenc
e
6,67% 100%
Jurnal Satya Informatika, Volume: 1, Nomor: 1, halaman 46-57
Support x
Confidence
6,67%
53
Jika membeli Moisture Sunblock 2/30
SPF50, maka akan membeli BB White
Moisture Sunblock SPF50
6,67% 66,67%
4,45%
HASIL DAN PEMBAHASAN
A. Hasil Implementasi Program
Dari analisa dan perancangan yang telah dilakukan, hasil dari aplikasi yang
dibangun dapat terlihat seperti pada tampilan dibawah ini:
Gambar IV.1 Splash Screen
Gambar IV.2 Halaman Login
Gambar IV.3 Halaman Menu Utama
Gambar IV.4 Halaman Form Data
Transaksi
Gambar IV.5 Halaman Data Produk
54
Gambar IV.6 Halaman Menu Analisa
Apriori
Jurnal Satya Informatika, Volume: 1, Nomor: 1, halaman 46-58
Gambar IV.7 Tampilan Pie Chart Penjualan Barang
B. Hasil Uji Program
Hasil pengujian program yang penulis lakukan menggunakan data transaksi penjualan
PT Rajawali Mutiara Sejahtera 6 bulan terakhir tahun 2014. Dalam pengujian ini penulis
menetapkan nilai minimum support sebesar 2% dan nilai minimum confidence sebesar
10%. Berikut adalah hasilnya :
Tabel IV.1 Tabel Hasil Uji Program Analisa Apriori
Jenis Data
Tahun Data
Total Transaksi
Total Item Produk
Proses
Analisa
Assosiasi
Jumlah Assosiasi
Data Transaksi
6 bulan terakhir tahun 2014
493
63
40 Menit
2-Itemset
18
3-Itemset
3
Detail Assosiasi
Kombinasi2-Itemset
Jika membeli " Pumpkin Peel " maka akan membeli "
Moisture Sunblock SPF50 "
Jika membeli " Moisture Sunblock SPF50 " maka akan
membeli " Pumpkin Peel "
Jika membeli " Vital C Exfoliator " maka akan membeli
" Vital C Powder "
Jika membeli " Vital C Powder " maka akan membeli "
Vital C Exfoliator "
Jika membeli " Vital C Exfoliator " maka akan membeli
" Vital C Activator "
Jika membeli " Vital C Activator " maka akan membeli
" Vital C Exfoliator "
Jika membeli " Vital C Powder " maka akan membeli "
Vital C Activator "
Jika membeli " Vital C Activator " maka akan membeli
" Vital C Powder "
Jika membeli " Moisture Sunblock SPF50 " maka akan
membeli " Blemish Balm Sunblock SPF50 "
Jurnal Satya Informatika, Volume: 1, Nomor: 1, halaman 46-57
Support Confidence
2,03% 35,71%
2,03%
10,53%
2,43%
57,14%
2,43%
70,59%
2,84%
66,67%
2,84%
70%
2,64%
76,47%
2,64%
65%
9,94%
51,58%
55
Jika membeli " Blemish Balm Sunblock SPF50 " maka
akan membeli " Moisture Sunblock SPF50 "
Jika membeli " Moisture Sunblock SPF50 " maka akan
membeli " Bedak BB Suncover SPF50 "
Jika membeli " Bedak BB Suncover SPF50 " maka akan
membeli " Moisture Sunblock SPF50 "
Jika membeli " Blemish Balm Sunblock SPF50 " maka
akan membeli " Bedak BB Suncover SPF50 "
Jika membeli " Bedak BB Suncover SPF50 " maka akan
membeli " Blemish Balm Sunblock SPF50 "
Jika membeli " BB White Moisture Sunblock SPF50 "
maka akan membeli " BB White Sunblock & Whitening
SPF50 "
Jika membeli " BB White Sunblock & Whitening
SPF50 " maka akan membeli " BB White Moisture
Sunblock SPF50 "
Jika membeli " BB White Moisture Sunblock SPF50 "
maka akan membeli " Bedak BB Suncover SPF50 "
Jika membeli " Bedak BB Suncover SPF50 " maka akan
membeli " BB White Moisture Sunblock SPF50 "
Kombinasi 3-Itemset
Jika membeli " Vital C Exfoliator " dan " Vital C
Powder " maka akan membeli " Vital C Activator "
Jika membeli " Vital C Exfoliator " dan " Vital C
Activator " maka akan membeli " Vital C Powder "
Jika membeli " Vital C Powder " dan " Vital C
Activator " Maka akan membeli " Vital C Exfoliator "
9,94%
32,45%
2,03%
10,53%
2,03%
14,93%
3,25%
10,6%
3,25%
23,88%
5,27%
47,27%
5,27%
41,27%
2,43%
21,82%
2,43%
17,91%
Support Confidence
2,23% 91,67%
2,23%
78,57%
2,23%
84,62%
KESIMPULAN DAN SARAN
A. Kesimpulan
Dari hasil penelitian dan tulisan yang penulis uraikan, maka dapat ditarik kesimpulan
sebagai berikut :
1. Proses data mining menggunakan algoritma a priori yang diakukan pada data
transaksi penjualan barang PT Rajawali Mutiara Sejahtera memerlukan waktu yang
cukup lama yaitu sekitar 45 menit untuk 493 jumlah taransaksi dan 63 jumlah item
produk yang dijual.
2. Setelah proses data mining dijalankan dengan memberikan nilai minimum support
2% dan nilai minimum confidence 10%, maka didapatkanlah total 18 aturan assosiasi
18 diantaranya 2-Itemset dan 3 lainnya 3-Itemset. Untuk hasil 2-Itemset dengan nilai
support tertinggi yaitu aturan Jika membeli " Moisture Sunblock SPF50 " maka akan
membeli " Blemish Balm Sunblock SPF50 " dengan Support (nilai pendukung)
9,94% dan Confidence (nilai kepastian) 51,58%. Dan untuk hasil 3-Itemset dengan
nilai confidence tertinggi yaitu aturan Jika membeli " Vital C Exfoliator " dan " Vital
C Powder " maka akan membeli " Vital C Activator " dengan Support (nilai
pendukung) 2,23% dan Confidence (nilai kepastian) 91,67%
B. Saran
56
Jurnal Satya Informatika, Volume: 1, Nomor: 1, halaman 46-58
Dalam penelitian dan aplikasi ini tentu saja masih mempunyai kekurangan. Masih
banyak hal yang dapat dilakukan untuk mengembangkan aplikasi ini agar menjadi lebih
baik lagi, antara lain :
1. Dalam pembuatan aplikasi data mining dapat dilakukan dengan menyediakan
integrasi layanan secara online agar dapat lebih mudah dalam mengakses dan
mencari informasi data. Tentunya masalah keamanan data sangat diperlukan agar
data-data tidak dipergunakan oleh orang-orang yang tidak bertanggung jawab.
2. Perlu ditambahkan fasilitas dalam aplikasi untuk cetak laporan penjualan agar lebih
mempermudah dalam mengetahui barang-barang yang terjual.
3. Dalam penelitian ini masih jauh dari sempurna sehingga diperlukan perbandingan
dari algoritma atau metode lain terkait dalam data mining assosiasi ini agar dapat
mengetahui kekurangan dan kelebihan dari masing-masing algoritma tersebut.
DAFTAR PUSTAKA
Al Fatta, Hanif. 2007. “Analisis dan Perancangan Sistem Informasi Untuk Keunggulan
Bersaing Perusahaan dan Organisasi Modern”. Yogyakarta: 2010.
C.P, Heruandika., Bettiza, Martaleli,. Matulatan, Tekad. 2009. “Penerapan Algoritma
Apriori Dalam Menemukan Hubungan Data Awal Masuk Mahasiswa Dengan Prestasi
Akademik”. Jurusan Teknik Informatika. Universitas Maritim Raja Ali Haji.
Fowler, Martin. 2005. “UML Distilled 3th Ed. . “Panduan Singkat Bahasa Pemodelan
Objek Standart/ Martin Fowler. Diterjemahkan oleh : Tim Penerjemah Penerbit Andi –
Ed. 1. – Yogyakarta : ANDI.
Indrayani dan Martin. 2007.”Pemrograman Berbasis Objek dengan Bahasa Java”. Jakarta:
Elex Media Komputindo.
Kusrini, dan Luthfi E,T. 2009. ”Algoritma Data Mining”. Yogyakarta : Andi Offset.
Nofriansyah, Dicky. 2014. “Konsep Data Mining VS Sistem Pendukung Keputusan”.
Yogyakarta: Deepublish.
Rosa A.S dan Shalahudin, M. 2014. “Rekayasa Perangkat Lunak Terstruktur dan
Berorientasi Objek”. Cetakan Kedua. Bandung : Informatika Bandung.
Soewadji, Jusuf. 2012. “Pengantar Metodologi Penelitian”. Jakarta: Mitra Wacana Media.
Suliantan, Feri dan Juju, Dominikus. 2010.” Data Mining: Meramalkan Bisnis
Perusahaan”. Jakarta: Elex Media Komputindo.
Supardi, Yuniar.2007.”Pemrograman Database dengan Java dan MySQL”. Jakarta: Elex
Media Komputindo.
Wahyu Tyas, Eko. 2008. “Penerapan Metode Association Rule Menggunakan Algoritma
Apriori untuk Analisa Pola Data Hasil Tangkapan Ikan”. e-indonesia initiative
(eII2008).
Jurnal Satya Informatika, Volume: 1, Nomor: 1, halaman 46-57
57