ABSTRAK
Penjualan produk elektronik, khususnya laptop mengalami peningkatan setiap bulannya, produk yang
ditawarkan bermacam merek, merek mempengaruhi masyarakat untuk membeli produk tersebut, untuk
mengetahui merek dengan penjualan terbanyak diperlukan algoritma apriori untuk dapat mengetahuinya, dan
dengan bantuan tools tanagra, produk dengan penjualan terbanyak dapat diketahui. Algoritma apriori termasuk
jenis aturan asosiasi pada data mining. Salah satu tahap analisis asosiasi yang menarik perhatian banyak peneliti
untuk menghasilkan algoritma yang efisien adalah analisis pola frequensi tinggi(frequent pattern mining).
Penting tidaknya suatu asosiasi dapat diketahui dengan dua tolak ukur , yaitu : support dan confidence. Support
(nilai penunjang) adalah persentase kombinasi item tersebut dalam database, sedangkan confidence (nilai
kepastian) adalah kuatnya hubungan antar-item dalam aturan asosiasi. Algoritma apriori dapat membantu untuk
pengembangan strategi pemasaran.
Implementasi Data Mining Pada Penjualan Produk Elektronik Dengan Algoritma Apriori 25
(Studi Kasus : Kreditplus). Oleh : Dewi Kartika Pane
Pelita Informatika Budi Darma, Volume : IV, Nomor: 3, Agustus 2013 ISSN : 2301-9425
Implementasi Data Mining Pada Penjualan Produk Elektronik Dengan Algoritma Apriori 26
(Studi Kasus : Kreditplus). Oleh : Dewi Kartika Pane
Pelita Informatika Budi Darma, Volume : IV, Nomor: 3, Agustus 2013 ISSN : 2301-9425
Tabel 1 : Daftar Merek Produk Elektronik pada Proses pembentukan C1 atau disebut dengan
Kreditplus Medan 1 itemset dengan jumlah minimum support = 30%
No Merek Jenis Dengan rumus sebagai berikut:
. Support(A)
1. Acer Laptop
2. Asus Laptop
3. HP Laptop
4. Samsung Laptop Tabel 3 : Support dari tiap item
5. Lenovo Laptop
6. Zyrex Laptop Itemset Support
7. Bioar Laptop Acer 75%
8. Apple Laptop Asus 50%
9. Toshiba Laptop HP 50%
10. Hewpa Laptop Samsung 66,67%
11. Dell Laptop Toshiba 58,33%
12. Axio Laptop
13. Compaq Laptop b. Kombinasi 2 Itemset
Proses pembentukan C2 atau disebut dengan
4. Pembahasan 2 itemset dengan jumlah minimum support = 30%
Algoritma apriori bertujuan untuk menemukan Dapat diselesaikan dengan rumus berikut:
semua aturan apriori yang memenuhi syarat Support(A,B) = P(A∩B)
minimum support (nilai Penunjang), yaitu Support(A,B)
kombinasi tiap item dalam database. Dan syarat
minimum confidence (nilai kepastian), yaitu
kuatnya hubungan antar item dalam aturan asosiasi.
Implementasi Data Mining Pada Penjualan Produk Elektronik Dengan Algoritma Apriori 27
(Studi Kasus : Kreditplus). Oleh : Dewi Kartika Pane
Pelita Informatika Budi Darma, Volume : IV, Nomor: 3, Agustus 2013 ISSN : 2301-9425
Aturan Confidence
Jika membeli 4/9 44,44%
Acer,maka akan Gambar 1 : Grafik Hasil Pembentukan Aturan
membeliAsus Asosiasi Final PenjualanTerbanyak
Jika membeli Asus, 4/6 66,67%
maka akan membeli 5.1 Kesimpulan
Acer
Jika membeli Acer, 5/9 45% Kesimpulan dari penulisan skripsi ini adalah
maka akan membeli bahwa:
Samsung
Jika membeli Samsung, 5/8 40% Jadi, berdasarkan grafik diatas, merek produk
maka akanmembeli elektronik yang paling banyak terjual adalah Acer
Acer dan Toshiba, dengan diketahuinya produk yang
Jika membeli Acer, 6/9 66,67% paling banyak terjual tersebut, sehingga perusahaan
maka akan membeli dapat menyusun strategi pemasaran untuk
Toshiba memasarkan produk dengan merek lain dengan
Jika membeli Toshiba, 6/7 85,714% meneliti apa kelebihan produk yang paling banyak
Implementasi Data Mining Pada Penjualan Produk Elektronik Dengan Algoritma Apriori 28
(Studi Kasus : Kreditplus). Oleh : Dewi Kartika Pane
Pelita Informatika Budi Darma, Volume : IV, Nomor: 3, Agustus 2013 ISSN : 2301-9425
5.2 Saran
1. Penjualan produk elektronik paling banyak
terjual pada perusahaaan Kreditplus Medan
dapat diketahui dengan menggunakan
algoritma apriori, dengan melihat produk yang
memenuhi minimal support dan minimal
confidence, produk yang paling banyak terjual
tersebut adalah Acer dan Toshiba, namun
dalam penghitungan support dan
confidencenya sulit jika data yang diolah
dalam jumlah yang besar.
2. Algoritma Apriori dapat membantu
mengembangkan strategi pemasaran dengan
memberikan saran kepada konsumen.
3. Pengimplementasian Algoritma Apriori pada
tanagra dimulai dengan penginputan data
penjualan perbulan yang menjadi database
pada Ms.Excel, semakin banyak data maka
pembuatan tabel tabular akan semakin sulit.
Tabel tabular tersebut yang kemudian
dikoneksikan ke dalam tools tanagra, dan
mulailah pembentukan support dan confidence
dan kemudian akan menghasilkan asosiasi
final yang memenuhi support dan confidence.
Daftar Pustaka
Implementasi Data Mining Pada Penjualan Produk Elektronik Dengan Algoritma Apriori 29
(Studi Kasus : Kreditplus). Oleh : Dewi Kartika Pane