Aplikasi Penyeleksian dan Pengkombinasian Menu

Dengan Pendekatan Data Mining Menggunakan

Algoritma A Priori

PROPOSAL SKRIPSI
Disusun Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Komputer
Dari Fakultas Ilmu Komputer Universitas Singaperbangsa Karawang

DEDEN AHMAD RUHIYAT

1141177004085

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER
UNIVERSITAS SINGAPERBANGSA KARAWANG
KARAWANG
2018

1
 ABSTRAK
“Aplikasi Penyeleksian dan Pengkombinasian Menu Dengan Pendekatan Data
Mining Menggunakan Algoritma A Priori”.
Deden Ahmad Ruhiyat
Program Studi Teknik Informatika
Fakultas Ilmu Komputer Universitas Singaperbangsa Karawang. 2018
Pembimbing: 1. Sofi Defiyanti, M.Kom**
2. Yuyun Umaidah, M.Kom**

Pertumbuhan bisnis makanan dan minuman masih tercatat sebagai pertumbuhan yang
tinggi diberbagai belahan dunia. Pesatnya pertumbuhan di Industri jasa makanan memicu
tumbuhnya berbagai macam cafe. Salah satu cara untuk agar omset penjualan bisa meningkat
adalah dengan cara mencari kombinasi menu yang dikira dapat meningkatkan nilai jual, kemudian
bisa juga dengan menyeleksi makanan atau minuman apa saja yang sering dibeli oleh pembeli.
Data-data historis penjualan tentang menu tersebut dapat di manfaatkan untuk menganalisis menu
favorite cafe tersebut.Teknik Data mining telah banyak digunakan untuk mengatasi permasalahan
yang ada salah satunya dengan penerapan algoritma A-Priori untuk mendapatkan informasi tentang
asosiasi antar produk dari suatu database transaksi. Dalam penelitian ini hasil dari data penjualan
tersebut akan dianalisis menggunakan pendekatan data mining dengan algoritma Apriori yang
digunakan untuk menghasilkan association rule. Association rule (aturan asosiasi) merupakan
salah satu teknik dalam data mining dan merupakan bentuk paling umum dipakai untuk
menemukan pola dari suatu kumpulan data. Dari hasil Association Final pada proses analisis data
mining menggunakan algoritma a priori maka dapat diketahui dua faktor tolak ukur, yaitu support
dan confidance. Support (nilai penunjang) adalah presentase kombinasi item dalam database,
sedangkan confidance (nilai kepastian) adalah kuatnya hubungan antar item dalam aturan asosiasi.

Kata kunci : Kafe, transaksi penjualan makanan, data mining, Algoritma A-Priori

1
 ABSTRACT

"Application Selection and Combination Menu With Data Mining Approach Using A Priori
Algorithm".

Deden Ahmad Ruhiyat*

Informatics Engineering Program

Faculty of Computer Science University of Singaperbangsa Karawang. 2018
Advisor: 1. Sofi Defiyanti, M.Kom**
2. Yuyun Umaidah, M.Kom**

The growth of food and beverage business is still recorded as high growth in various parts of the
world. The rapid growth in the food service industry triggered the growth of various cafes. One
way to increase sales turnover is to find a menu combination that is supposed to increase the sale
value, and then also by selecting any food or beverage that is often purchased by the buyer.
Historical sales data about the menu can be utilized to analyze the cafe's favorite menu. Data
mining techniques have been widely used to overcome the existing problems one of them with the
application of A-Priori algorithm to obtain information about the association between products
from a transaction database. In this study the results of sales data will be analyzed using data
mining approach with Apriori algorithm used to generate association rule. Association rule is one
of the techniques in data mining and is the most common form used to find patterns from a data
set. From the results of the Final Association in the process of data mining analysis using a priori
algorithm it can be known two benchmarks factors, namely support and confidance. Support is the
percentage of item combinations in a database, whereas confidance is a strong relationship
between items in association rules.

Keywords: Cafes, food sales transactions, data mining, A-Priori Algorithm

2
 KATA PENGANTAR

Puji dan syukur penulis panjatkan kehadirat ALLAH SWT, yang telah
memberikan rahmat dan karunianya. Sehingga penulis dapat menyelesaikan
skripsi ini dengan judul ”Aplikasi Penyeleksian dan Pengkombinasian Menu
Dengan Pendekatan Data Mining Menggunakan Algoritma A Priori”.
Adapun skripsi saya ajukan untuk memenuhi syarat mata kuliah tugas
akhir/skripsi program strata satu, Jurusan Teknik Informatika, Fakultas Ilmu
Komputer, Universitas Singaperbangsa Karawang.

Dalam menyusun laporan ini penulis banyak memperoleh bantuan serta

bimbingan dari berbagai pihak. Oleh karena itu penulis ingin mengucapkan terima
kasih kepada :

1. Bapak Prof. Dr. H. Moh. Wahyudin Zarkasyi, CPA. Selaku Rektor

Universitas Singaperbangsa Karawang.

2. Bapak Ade Andri Hendriadi, S.Si., M.Kom. Selaku Dekan Fakultasi Ilmu
Komputer Universitas Singaperbangsa Karawang.

3. Bapak Aris Andri Hendriadi, S.Si., M.Kom. Selaku Wakil Dekan Fakultas
Ilmu Komputer Universitas Singaperbangsa Karawang.

4. Bapak Nina Susilowati, ST. selaku Ketua Jurusan Teknik Informatika

Universitas Singaperbangsa Karawang.

5. Ibu Sofi Defiyanti, M.Kom. selaku Dosen Pembimbing 1 Skripsi yang

telah memberikan pengarahan dan tuntunan selama penyusunan skripsi.

3
 6. Bapak Yuyun Umaida, M.Kom. selaku Dosen Pembimbing 2 Skripsi yang
telah memberikan pengarahan dan tuntunan selama penyusunan skripsi.

7. Bapak Ahmad Hidayat selaku manajer Kafe Tunggu yang telah

memberikan izin kepada penulis untuk melakukan penelitian.

8. Ayahanda tercinta Bapak Eddy Humaedi yang selalu senantiasa

memberikan dukungan dan doa serta memotivasi saya dalam
menyelesaikan program studi Sarjana.

9. Ibunda tercinta Ibu Utin Rokayah yang selalu senantiasa memberikan

dukungan dan memberikan limpahan doa agar lancar selama proses
perkuliahan dan pembelajaran.

10. Kekasih tercinta Nureli Padilah yang selalu memberikan dukungan dan
memberikan limpahan doa agar lancar selama proses perkuliahan dan
pembelajaran.

11. Rekan-rekan mahasiswa Fakultas Ilmu Komputer Universitas

Singaperbangsa Karawang yang telah memberikan motivasi kepada
penulis sehingga terwujudnya skripsi ini.

Serta seluruh pihak yang telah banyak membantu dalam menyelesaikan

skripsi ini. Semoga segala bantuan yang tidak ternilai harganya ini mendapat
imbalan di sisi Allah SWT sebagai amal ibadah.

Penulis menyadari bahwa dalam menyusun laporan ini masih banyak

kekurangan dari segi penulisan , bahasa dan penyusunan,dan jauh dari sempurna.
Untuk itu penulis sangat mengharapkan kritik dan saran yang sifatnya
membangun guna sempurnanya laporan ini.Penulis berharap semoga laporan ini
dapat bermanfaat bagi penulis khususnya dan bagi pembaca umumnya.

4
 Karawang, Juli 2018

Penulis

5
 DAFTAR ISI
ABSTRAK................................................................................................................i
ABSTRACT.............................................................................................................ii
KATA PENGANTAR.............................................................................................iii
DAFTAR ISI............................................................................................................v
DAFTAR TABEL.................................................................................................viii
DAFTAR GAMBAR..............................................................................................ix
BAB I.......................................................................................................................1
PENDAHULUAN...................................................................................................1
1.1 Latar Belakang..........................................................................................1
1.2 Identifikasi Masalah..................................................................................2
1.3 Batasan Masalah........................................................................................3
1.4 Tujuan Penelitian.......................................................................................3
1.5 Manfaat Penelititan.........................................................................................3
1.Manfaat Teoritis.............................................................................................3
2.Manfaat Praktis..............................................................................................3
1.6 Metodologi Penelitian...............................................................................4
1.7 Sistematika Penulisan................................................................................4
BAB II......................................................................................................................5
LANDASAN TEORI...............................................................................................5
2.1 Aplikasi.....................................................................................................5
2.1.1 Pengertian Aplikasi Menurut Para Ahli.............................................5
2.2 Basis Data..................................................................................................5
2.3 Microsoft Excel.........................................................................................6
2.3.1 Objek Dalam Microsoft Excel...........................................................6
2.4 Macro.........................................................................................................8
2.5 Data Mining...............................................................................................9
2.6 Asosiasi...................................................................................................10
2.7 Algoritma A Priori...................................................................................11
2.8 Knowledge Discovery In Databases........................................................17
2.9 Tinjauan Studi Penelitian Sebelumnya....................................................19
 2.9.1 Perbandingan Dengan Penelitian Sebelummnya.............................19
2.9.2 Perbedaan Hasil Studi Terdahulu Dengan Penelitian Sekarang.......22
2.10 Penelitian sekarang..................................................................................26
BAB III..................................................................................................................27
OBJEK DAN METODOLOGI PENELITIAN......................................................27
3.1 Objek Penelitian......................................................................................27
3.2 Metode Penelitian yang digunakan.........................................................27
3.3 Teknik Pengumpulan data.......................................................................28
3.4 Jenis Data................................................................................................28
3.4.1 Tahapan Penelitian...........................................................................28
3.4.2 Data Mining.....................................................................................29
3.4.3 Interpretation Data...........................................................................29
BAB IV..................................................................................................................30
HASIL DAN PEMBAHASAN..............................................................................30
4.1 Hasil Penelitia..........................................................................................30
4.2 Data cleaning...........................................................................................30
4.2.1 Wawancara.......................................................................................30
4.3 Data integration.......................................................................................31
4.3.1 Analisis.............................................................................................31
4.4 Data Selection..........................................................................................32
4.5 Transformation Data................................................................................33
4.6 Data Maining...........................................................................................33
4.7 Pattern evaluation....................................................................................34
4.8 Knowledge presentation..........................................................................35
4.9 Hasil Algoritma.......................................................................................35
4.10 Menampilkan hasil menu...........................................................................37
BAB V....................................................................................................................41
KESIMPULAN DAN SARAN..............................................................................41
5.1 Kesimpulan..............................................................................................41
5.2 Saran........................................................................................................41
DAFTAR PUSTAKA.............................................................................................42
 DAFTAR TABEL Y
TABEL 1.1 HITUNG SUPPORT DAN CONFIDANCE.....................................................17
TABEL 2.2 CONFIDACE MINIMAL............................................................................17
TABEL 3.1 ATURAN ASOSIASI YANG TERBENTUK DENGAN NILAI MINIMUM
SUPPORT 1%...........................................................................................................37
TABEL 4.2 ATURAN ASOSIASI YANG TERBENTUK DENGAN NILAI MINIMUM
SUPPORT 2%...........................................................................................................40
TABEL 5.3 ATURAN ASOSIASI YANG TERBENTUK DENGAN NILAI MINIMUM
SUPPORT 3%...........................................................................................................41
 9

DAFTAR GAMBAR

GAMBAR 1.1 GRAFIK TRANSAKSI PENJUALAN PERHARI DI KAFE TUNGGU.............2

GAMBAR 2.1 DATA MINING SEBAGAI TAHAPAN DALAM PROSES KDD..................19
GAMBAR 4.1 MENU INPUT DATA DAN SUPPORT & CONFIDANCE............................42
GAMBAR 4.2 MENU INPUT DATA............................................................................42
GAMBAR 4.3 MENJELASKAN MENU DENGAN MEMAKAI ID....................................43
GAMBAR 4.4 INPUTKAN JUMLAH MENU YANG DIPESAN.........................................43
GAMBAR 4.5 RUMUS EXCEL COUNTIFS...............................................................44
GAMBAR 4.6 MENU SUPPORT & CONFIDANCE.......................................................44
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Pertumbuhan bisnis makanan dan minuman masih tercatat sebagai
pertumbuhan yang tinggi diberbagai belahan dunia. Pesatnya pertumbuhan di
Industri jasa makanan memicu tumbuhnya berbagai macam cafe. Dengan semakin
banyaknya aneka jenis makanan dan minuman yang ada, menyebabkan adanya
persaingan untuk dapat memenuhi kebutuhan masyarakat (konsumen).
Salah satu cara untuk agar omset penjualan bisa meningkat adalah dengan
cara mencari kombinasi menu yang dikira dapat meningkatkan nilai jual,
kemudian bisa juga dengan menyeleksi makanan atau minuman apa saja yang
sering dibeli oleh pembeli. Data-data historis penjualan tentang menu tersebut
dapat di manfaatkan untuk menganalisis menu favorite cafe tersebut. Menu
favorite yang berhasil ditemukan dari proses analisis tersebut kemudian bisa di
kombinasikan agar dapat membantu cafe dalam meningkatkan omset
penjualannya. Untuk memenuhi kebutuhan tersebut, banyak cara yang dapat
ditempuh. Salah satunya adalah dengan melakukan pemanfaatan data base cafe
menggunakan teknik Data Mining.
Data Mining merupakan teknologi baru yang sangat berguna untuk
membantu menemukan informasi yang sangat penting dari gudang data yang ada.
Ketersediaan data yang banyak dan kebutuhan akan informasi atau pengetahuan
sebagai pendukung pengambilan keputusan untuk membuat solusi bisnis dan
dukungan infrastruktur di bidang teknik informatika merupakan cikal-bakal dari
lahirnya teknologi data mining. Sehingga informasi tersebut bisa digunakan
sebagai solusi pengambilan keputusan di dunia bisnis, untuk pengembangan
bisnis.
Dalam penelitian ini hasil dari data penjualan tersebut akan dianalisis
menggunakan pendekatan data mining dengan algoritma Apriori yang digunakan
untuk menghasilkan association rule. Association rule (aturan asosiasi)
merupakan salah satu teknik dalam data mining dan merupakan bentuk paling
 2

umum dipakai untuk menemukan pola dari suatu kumpulan data. Dari hasil
Association Final pada proses analisis data mining menggunakan algoritma a
priori maka dapat diketahui dua faktor tolak ukur, yaitu support dan confidance.
Support (nilai penunjang) adalah presentase kombinasi item dalam database,
sedangkan confidance (nilai kepastian) adalah kuatnya hubungan antar item dalam
aturan asosiasi.

Grafik transaksi penjualan per hari di Kafe Tunggu

140

120

100
Data transaksi penjualan per
80 hari di Cafe Tunggu

60

40

20

0
Senin Selasa Rabu Kamis Jum'at Sabtu Minggu

Gambar 1.1 Grafik transaksi penjualan perhari di kafe Tunggu

Dengan menyeleksi serta mengkombinasi menu-menu makanan dan

minuman yang ada, manajer tersebut bisa mengambil keputusan yang tepat untuk
meningkatkan omset penjualan cafe tersebut. Karena penyeleksian serta
pengkombinasian menu sangat penting untuk meningkatkan omset penjualan,
maka dalam penelitian ini akan diberi judul yaitu “Aplikasi Penyeleksian dan
Pengkombinasian Menu Dengan Pendekatan Data Mining Menggunakan
Algoritma A Priori”.

1.2 Identifikasi Masalah

1. Bagaimana menganalisis pola kombinasi menu yang dapat menaikan
omset penjualan melalui menu-menu yang ada dengan menggunakan
algoritma Apriori.
 3

2. Bagaimana menyeleksi menu yang sering terjual dan jarang terjual melalui
data transaksi penjualan.
3. Bagaimana mengkombinasi menu-menu yang ada agar menjadi nilai jual
yang bisa meningkatkan omset penjualan, memberikan informasi yang
dibutuhkan oleh seorang manajer dalam pengambilan keputusan mengenai
pilihan menu yang ada.

1.3 Batasan Masalah

1. Data yang digunakan dalam penelitian ini adalah data dari Kafe Tunggu.
2. Pembuatan sistem ini hanya dari data transaksi penjualan untuk
menyeleksi dan mengkombinasikan menu-menu yang banyak terjual dan
menu-menu yang sedikit terjual dengan ALGORTIMA A PRIORI.
3. Menampilkan hasil menu yang layak dipertahankan dan yang kurang layak
dipertahankan, serta menampilkan kombinasi menu yang diharapkan bisa
meningkatkan omset penjualan.

1.4 Tujuan Penelitian

Tujuan yang ingin dicapai yakni :
1. Menganalisis pola kombinasi menu yang dapat menaikan omset penjualan
melalui menu-menu yang ada dengan menggunakan algoritma Apriori.
2. Menyeleksi menu yang sering terjual dan jarang terjual melalui data
transaksi penjualan
3. Mengkombinasi menu-menu yang ada agar menjadi nilai jual yang bisa
meningkatkan omset penjualan.

1.5 Manfaat Penelititan

1.Manfaat Teoritis
a. Penelitian ini dapat menambah wawasan bagi penulis terutama dalam
memahami materi-materi yang berhubungan dengan data mining.
b. Penelitian ini dapat digunakan sebagai referensi dan masukan bagi para
pembaca dalam penelitian-penelitian selanjutnya.
 4

2.Manfaat Praktis
Manfaat praktis dari penelitian ini diantaranya :
Bagi perusahaan, memberikan kemudahan kepada pemilik dan manajer dalam
menentukan kombinasi menu apa saja yang bisa menghasilkan nilai jual yang
tinggi.

1.6 Metodologi Penelitian

Metodologi yang digunakan pada penelitian ini adalah KDD (Knowledge
Discovery In Database), berikut tahapan-tahapan KDD : (Pengumpulan Data,
Penyeleksian Data, Transformasi Data, Data Mining, Interpretation Data).

1.7 Sistematika Penulisan

Sistematika penulisan ini dibuat untuk memberikan gambaran umum
tentang apa saja yang dilakukan dalam penelitian. Berikut merupakan sistematika
yang akan dilakukan :
BAB I : PENDAHULUAN
Pada Bab ini berisi latar belakang masalah, perumusan masalah,
tujuan, manfaat penelitian, batasan masalah, metodologi Penelitian,
sistematika penulisan dan time schedule.
BAB II: LANDASAN TEORI
Pada Bab ini berisi konsep dasar dan teori-teori yang berkaitan
dengan penelitian yang dilakukan.
BAB III: OBJEK DAN METODE PENELITIAN
Pada Bab ini berisi proses kebutuhan untuk sistem serta
perancangan sistem yang akan dibangun sesuai dengan metode
pembuatan perangkat lunak yang digunakan untuk memecahkan
suatu masalah dalam penelitian.
BAB IV: HASIL DAN PEMBAHASAN
Pada bab ini berisi hasil penelitian yang meliputi pengujian sistem
yang telah dibangun dan hasil dari pengujian sistem serta
implementasi sistem.

BAB V : KESIMPULAN DAN SARAN

 5

Pada bab ini berisi kesimpulan dari penelitian yang dilakukan serta
saran-saran yang diperlukan guna untuk mengembangkan
perangkat lunak yang dibangun.
 BAB II
LANDASAN TEORI

2.1 Aplikasi

Aplikasi merupakan suatu subkelas perangkat lunak komputer yang

memanfaatkan kemampuan komputer langsung untuk melakukan suatu tugas yang
diinginkan pengguna. Biasanya dibandingkan dengan perangkat lunak sistem
yang mengintegrasikan berbagai kemampuan komputer.
2.1.1 Pengertian Aplikasi Menurut Para Ahli

Terdapat beberapa teori yang mendefinisikan Aplikasi yang dikemukakan

oleh beberapa para ahli, diantaranya adalah :

a) Menurut [ CITATION Hen12 \l 14345 ]Aplikasi adalah satu unit perangkat

lunak yang dibuat untuk melayani kebutuhan akan beberapa aktivitas seperti
sistem perniagaan, game, pelayanan masyarakat, periklanan, atau semua proses
yang hampir dilakukan manusia.

b) Menurut Shelly, Cashman,[CITATION Ver09 \l 14345 ] aplikasi adalah

seperangkat intruksi khusus dalam komputer yang di rancang agar kita
menyelesaikan tugas-tugas tertentu.

c) Menurut [ CITATION Yuh12 \l 14345 ] Aplikasi merupakan program yang

dikembangkan untuk memenuhi kebutuhan pengguna dalam menjalankan
pekerjaan tertentu.

Jadi Aplikasi merupakan sebuah program yang di buat dalam sebuah

perangkat lunak dengan komputer untuk memudahkan pekerjaan atau tugas-tugas
tertentu seperti penerapan, penggunaan dan penambahan data yang dibutuhkan.
 7

2.2 Basis Data

Basis data adalah sistem terkomputerisasi yang bertujuan untuk

memelihara dan menyimpan data yang sudah diolah dan membuat informasi
tersedia saat dibutuhkan. Atau intinya basis data adalah media untuk menyimpan
data agar dapat diakses dengan mudah dan cepat [CITATION Shl13 \l 1057 ].

Menurut (Fathansyah. 2012) Basis data terdiri atas 2 kata, yaitu Basis dan
Data. Basis kurang lebih dapat diartikan sebagai markas atau gudang, tempat
bersarang/berkumpul. Sedangkan Data adalah representasi fakta dunia nyata yang
mewakili suatu objek seperti manusia (pegawai, siswa, pembeli, pelanggan),
barang, hewan, peristiwa, konsep, keadaan, dan sebagainya, yang diwujudkan
dalam bentuk angka, huruf, simbol, teks, gambar, bunyi, atau kombinasinya
[ CITATION Fat12 \l 2057 ].

2.3 Microsoft Excel

Menurut[ CITATION wib13 \l 14345 ] Microsoft Office Excel merupakan

program pengolah data angka yang sangat popular dan banyak digunakan,
program ini memiliki fitur yang lengkap. Microsoft Office Excel merupakan
program aplikasi perkantoran yang berbasis spreadsheet untuk mengolah data
angka dan tabel.Microsoft Excel atau Microsoft Office Excel adalah sebuah
program aplikasi lembar kerja spreadsheet yang dibuat dan didistribusikan oleh
Microsoft Corporation untuk sistem operasi Microsoft Windows dan Mac OS.
Aplikasi ini memiliki fitur kalkulasi dan pembuatan grafik dengan menggunakan
strategi marketing Microsoft yang agresif, menjadikan Microsoft Excel sebagai
salah satu program komputer yang populer digunakan di dalam komputer mikro
hingga saat ini. Bahkan, saat ini program ini merupakan program spreadsheet
paling banyak digunakan oleh banyak pihak, baik di platform PC berbasis
Windows maupun platform Macintosh berbasis Mac OS, semenjak versi 5.0
diterbitkan pada tahun 1993. Aplikasi ini merupakan bagian dari Microsoft Office
System, dan versi terakhir adalah versi Microsoft Office Excel 2007 yang
diintegrasikan di dalam paket Microsoft Office System 2007.
 8

2.3.1 Objek Dalam Microsoft Excel

Objek-objek dalam Microsoft excel berikut merupakan objek yang dapat

dikendalikan secara langsung maupun melalui Visual Basic Applications (VBA).
Mengontrol objek merupakan dasar untuk mengembangkan aplikasi dan meng-
otomisasi tugas-tugas dengan mengendalikan objek Microsoft excel menggunakan
VBA. Berikut merupakan beberapa objek yang terdapat dalam Microsoft excel :

1. Workbook

Workbook merupakan objek Microsoft excel yang paling umum. Semua

yang dilakukan di Microsoft excel berlangsung dalam sebuah workbook dan
disimpan dalam file yang secara default memiliki ekstensi xlsx.
Sebuah workbook Microsoft excel dapat menyimpan sejumlah sheet atau lembar
kerja (yang besarnya dibatasi oleh memori). Ada empat jenis sheet atau lembar
kerja dalam Microsoft excel yaitu :

a. Worksheet (lembar kerja)

b. Chart sheets (lembar kerja grafik/diagram)

c. Excel 4.0 XLM macro sheets (lembar kerja macro, sudah lama tapi tetap
digunakan).

d. Excel 5.0 dialog sheets (lembar kerja dialog, sudah lama tapi tetap
digunakan).

2. Worksheets/sheet

Worksheets adalah lembar kerja Microsoft excel yang digunakan untuk

mengolah data yang sering disebut juga sheets. Lembar kerja ini mengandung sel-
 9

sel, dan sel-sel dapat digunakan untuk menampung data dan formula. Dalam satu
sheets terdiri dari 16384 kolom 1048576 baris, sehingga jika 16384 x 1048576
maka worksheet memiliki 17179869184 sel. Nama kolom menggunakan abjad
mulai dari kolom A sampai dengan kolom XFD, dan nama baris menggunakan
angka.

3. Range

Range merupakan kumpulan dari kolom, baris, dan sel yang tertampung
dalam sheet. Selain range sel, anda juga dapat membentuk range sheet yang
terdiri dari beberapa sheet yang dipilih.

4. Sel

Sel merupakan perpotongan antara kolom dan baris yang mempunyai

nama. Nama sel dialmbilkan dari gabungan nama dan kolom dan baris itu sendiri.

5. Chart (Grafik)

Dapat menyimpan grafik pada lembar kerja grafik atau tertempel sebagai
objek pada lembar kerja. Menggunakan lembar kerja grafik adalah opsional, tetapi
dapat membuat sedikit lebih mudah untuk mencetak grafik pada halaman dan
sangat berguna untuk presentasi.

6. Sheet XLM Macro

Sebuah sheet XLM Macro (Juga dikenal sebagai sheet MS-Excel 4 macro)
pada dasarnya adalah sebuah worksheet tetapi dengan beberapa default yang
berbeda.Seperti namanya sheet XLM macro dirancang untuk
menampung macro XLM.
 10

2.4 Macro

Menurut [ CITATION Mad13 \l 14345 ] Macro merupakan rangkaian

perintah-perintah dan fungsi yang tersimpan dalam modul Microsoft Visual Basic
Editor dan dapat dijalankan sewaktu-waktu jika dibutuhkan untuk melakukan
suatu pekerjaan.

Microsoft excel mempunyai dua built-in bahasa pemograman macro, yaitu

XLM dan Visual Basic for Applications (VBA). Bahasa asli XLM Macro sudah
lama dan telah digantikan oleh VBA. VBA dapat digunakan untuk membuat
otomatisasi pekerjaan dalam Microsoft office, sehingga dapat menghemat waktu
dan tenaga. Dalam Microsoft excel penggunaan Visual Basic for
Applications dapat melalui jendela Visual Basic Editor yang dikenal dengan
penggunaan bahasa macro nya.Menurut Madcoms (2013 : 11)
Pembuatan Macro dalam Microsoft excel dapat dilakukan dengan cara :

1. Merekam Macro

Perintah-perintah yang dikerjakan dalam excel dapat anda rekam melalui proses
perekaman macro. Mulai dari pengolahan workbook dan worksheet, pemasukan
data input, pembuatan laporan berikut formatnya, penggunaan formula serta
mengolah objek dalam Microsoft excel.

2. Menggunakan Visual Basic Editor

Visual Basic Editor adalah program yang digunakan untuk membuat dan mengedit
kode macro dengan menggunakan bahasa visual basic yang mudah.
Dengan visual basic editor,dapat mengedit macro dan menyalin macro dari satu
modul ke modul lainnya, menyalin macro antara workbook yang berbeda,
mengganti modul yang menyimpan macro, atau mengganti macro.
 11

Macro atau biasa juga dikenal dengan istilah Visual Basic

for Application (VBA) merupakan pengembangan bahasa pemrograman Visual
Basic yang diterapkan dalam aplikasi Excel. Berbeda dengan program
pengembang Visual Basic, pemrograman yang dibuat menggunakan Macro hanya
dapat dibangun dan digunakan pada aplikasi Excel. Program yang dibuat
menggunakan Macro tidak dapat berjalan, sebelum Anda menjalankan Excel
terlebih dahulu. Pemrograman Macro Excel mempunyai beberapa keuntungan
sebagai berikut :

1. Menghemat waktu. Penyelesaian pekerjaan menggunakan Macro lebih

cepat dibandingkan cara manual, karena prosesnya dikerjakan secara otomatis.

2. Menghemat tenaga. Selain menghemat waktu, penyelesaian pekerjaan

menggunakan Macro juga dapat menghemat tenaga.

3. Mengurangi tingkat kesalahan. Kemungkinan adanya kesalahan dalam

menyelesaikan pekerjaan secara manual dapat saja terjadi, meskipun Anda
seorang yang sangat ahli dalam menggunakan Excel. Penyelesaian pekerjaan
menggunakan Macro secara konsisten akan menyelesaikan suatu pekerjaan
berdasarkan perintah yang tertulis dalam kode Macro sehingga tingkat kesalahan
yang mungkin timbul sangat kecil. Kesalahan hanya dapat terjadi jika ada
kesalahan perintah pada kode Macro.

Tujuan pembuatan Macro adalah agar semua perintah yang user berikan
akan direkam oleh aplikasi Excel dengan bahasa Visual Basic dan ditampilkan
pada program bantu Microsoft Visual Basic Edi.

2.5 Data Mining

Menurut [ CITATION Tur05 \l 14345 ] Data mining adalah suatu istilah

yang digunakan untuk menguraikan penemuan pengetahuan di dalam database.
Data mining proses yang menggunakan teknik statistik, matematika, kecerdasan
 12

buatan, dan machine learning untuk mengekstrasi dan mengidentifikasi informasi

yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar.

Menurut (Larose, 2005) Data Mining dibagi menjadi kelompok berdasarkan

tugas yang dapat dilakukan, yaitu: Deskripsi, Estimasi, Prediksi, Klasifikasi,
Pengklusteran, dan Asosiasi:

1. Deskripsi

Model deskripsi mencoba mencari cara untuk menggambarkan pola dan

kecenderungan yang terdapat dalam data.

2. Estimasi

Model estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi
lebih ke arah numerik daripada kearah kategori. Model dibangun menggunakan
record lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi.

3. Prediksi

Model prediksi sama seperti model estimasi dan klasifikasi, namun yang
diperhitungkan adalah nilai yang akan ada pada masa mendatang.

4. Klasifikasi

Merupakan metode analisis data yang digunakan untuk membentuk model yang
mendeskripsikan kelas data yang penting, atau model yang memprediksikan trend
data. Klasifikasi digunakan untuk memprediksi kelas data yang bersifat
categorical.

5. Pengklusteran
 13

Pengklusteran merupakan pengelompokan record, pengamatan atau

memperhatikan dan membentuk kelas objek-objek yang yang memiliki kemiripan.
Berbeda dengan klasifikasi, pengklusteran tidak ada variabel targetnya, jika ada
kemiripan pada nilai varibel dalam satu kluster akan bernilai maksimal, namun
jika tidak ada kemiripan dengan kluster lain makan akan bernilai minimum.

6. Asosiasi

Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam
satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja.
[CITATION Emh09 \l 1057 ].

2.6 Asosiasi
Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul
dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang
belanja. Metode asosiasi membuat aturan berdasarkan kondisi yang sering terjadi.
Aturan yang dibuat untuk data dalam kondisi X, diharapkan dapat diterapkan
untuk data – data lainnya dalam kondisi Y.Contoh asosiasi dalam bisnis dan
penelitian:
1. Meneliti jumlah pelanggan dari perusahaan telekomunikasi seluler yang
diharapkan untuk memberikan respon positif terhadap penawaran upgrade
layanan yang diberikan.
2. Menemukan barang dalam supermarket yang dibeli secara bersamaan
dengan barang yang tidak pernah dibeli secara bersamaan. [CITATION
Emh09 \l 1057 ].

2.7 Algoritma A Priori

Algoritma A Priori termasuk jenis aturan asosiasi pada data mining.
Algoritma a priori adalah algoritma untuk menemukan pola frekuensi tinggi. Pola
frekuensi tinggi adalah pola-pola item didalam suatu database yang memiliki
frekuensi atau support diatas ambang batas tertentu yang disebut dengan istilah
minimum support atau threshold. Pola frekuensi tinggi ini digunakan untuk
 14

menyusun aturan asosiatif dan juga beberapa teknik data mining. Metodologi
dasar analisis asosiasi terbagi menjadi dua tahap:

1. Analisa pola frekuensi tertinggi.

Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari
nilai support dalam database. Nilai support sebuah item diperoleh dengan
rumus sebagai berikut:

Jumlah transaksi mengandung A

Support A=
Total Transaksi

Pada rumus diatas menjelaskan bahwa nilai support diperoleh dengan cara
mencari jumlah transaksi yang mengandung item A dibagi dengan jumlah
seluruh transaksi. Sementara itu, nilai support dari 2 item diperoleh dari
rumus berikut:
Support ( A , B ) =P(A ∩B)
Σ Jumlah Transaksi mengandung A dan B
Support ( A , B)=
Σ Transaksi
2. Pembentukan Aturan Asosiasi.
Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan
asosiasi yang memenuhi syarat minimum untuk confidance dengan
menghitung confidance A → B. Nilai confidance dari aturan A → B
diperoleh dari rumus berikut:

Σ Transaksi mengandung A dan B

Confidance P(B∨A )=
ΣTransaksi mengandung A

Contoh Kasus algoritma a priori:

Transaksi Item yang dibeli
1 D, E, C
2 C, A
3 C, B, D
4 A, C, E, D
5 E, D
6 E, C, B
7 B, D, A
 15

Pisahkan masing-masing item yang dibeli

Transaksi Item yang dibeli
1 D
1 E
1 C
2 C
2 A
3 C
3 B
3 D
4 A
4 C
4 E
4 D
5 E
5 D
6 E
6 C
6 B
7 B
7 D
7 A

1. Kemudian buat tabel seperti dibawah ini dan hitung jumlahnya:

Transaksi A B C D E
1 0 0 1 1 1
2 1 0 1 0 0
3 0 1 1 1 0
4 1 0 1 1 1
5 0 0 0 1 1
6 0 1 1 0 1
7 1 1 0 1 0
Σ 3 3 5 5 4

2. Kemudian tentukan ϕ
 16

Misalkan kita tentukan ϕ = 3, maka semua itemset yang frekuensi kemunculannya

lebih atau sama dengan 3 kali disebut frequent. Dari tabel diatas diketahui total ϕ
untuk transaksi k = 1, semuanya lebih besar dari ϕ, maka : F₁ = {{A}, {B}, {C},
{D}, {E}}

Untuk k = 2 ¿ untuk menunjukan 2 itemset), diperlukan tabel untuk masing-

¿
masing pasang item. Himpunan yang mungkin terbentuk adalah: {A,B}, {A,C},
{A,D}, {A,E}, {B,C}, {B,D}, {B,E}, {C,D}, {C,E}, {D,E}.
T A C
B F
1 0 0 S
2 1 0 S
3 0 1 S
4 1 0 S
5 0 0 S
6 0 1 S
7 1 1 p
Σ 1
T
1 0 1 S
2 1 1 P
3 0 1 S
4 1 1 P
5 0 0 S
6 0 1 S
7 1 0 S
Σ 2

T A D F T B C F
1 0 1 S T A E F
1 0 1 S
2 0 1 S 1 0 1 S
2 1 0 S
3 1 1 P 2 1 0 S
3 0 1 S
4 0 1 S 3 0 0 S
4 1 1 P
5 0 0 S 4 1 1 P
5 0 1 S
6 1 1 P 5 0 1 S
6 0 0 S
7 1 0 S 6 0 1 S
7 1 1 P
Σ 2 7 1 0 S
Σ 2
Σ 1
 17

T C
B D F
1 0 1 S
2 0 0 S
3 1 1 P
4 0 1 S
5 0 1 S
6 1 0 S
7 1 1 P
Σ 2
T
1 1 1 P
2 1 0 S
3 1 1 P
4 1 1 P
5 0 1 S
6 1 0 S
7 0 1 S
Σ 3

T D
C E F
1 1 1 P
2 1 0 S
3 1 0 S
4 1 1 P
5 0 1 S
6 1 1 P
7 0 0 S
Σ 3
T
1 1 1 P
2 0 0 S
3 1 0 S
4 1 1 P
5 1 1 P
6 0 1 S
7 1 0 S
Σ 3
 18

Dari tabel-tabel 2 unsur diatas, P artinya item-item yang dijual bersamaan,

sedangkan s berarti tidak ada aitem yang dijual bersamaan atau tidak terjadi
transaksi.

Kombinasi Jumlah
A, B 1
A, C 1
A, D 2
A, E 1
B, C 2
B, D 2
B, E 1
C, D 3
C, E 3
D, E 3

Dari data tabel diatas jika ditetapkan nilai ϕ = 3, maka:

F₂ = {{C,D}, {C,E}, {D,E}}.

3. Tentukan (ss-s) sebagai atecedent dan s sebagai consequent dari Fk yang

telah didapat.

Pada F₂ didapat himpunan F₂ = {{C,D}, {C,E}, {D,E}}, maka dapat

disusun:

a. Untuk {C,D}

- Jika (ss-s) = C, jika s = D, maka → if buy C then buy D

- Jika (ss-s) = D, jika s = C, maka → if buy D then buy C

b. Untuk {C,E}

- Jika (ss-s) = C, jika s = E, maka → if buy C then buy E

 19

- Jika (ss-s) = E, jika s = C, maka → if buy E then buy C

c. Untuk {D,E}

- Jika (ss-s) = D, jika s = E, maka → if buy D then buy E

- Jika (ss-s) = E, jika s = D, maka → if buy E then buy D

4. Dari langkah tersebut, kita mendapatkan 6 rule yang dapat digunakan,

yaitu:

a. If buy C then buy D

b. If buy D then buy C

c. If buy C then buy E

d. If buy E then buy C

e. If buy D then buy E

f. If buy E then buy D

5. Hitung support dan confidance

Tabel 2.1 Hitung support dan confidance

if antecedent then Support Confidance

consequent
If buy C then buy D (3/7)*100%=42,86% (3/5)*100%=60%
If buy D then buy C (3/7)*100%=42,86% (3/5)*100%=60%
 20

If buy C then buy E (3/7)*100%=42,86% (3/5)*100%=60%

If buy E then buy C (3/7)*100%=42,86% (4/7)*100%=75%
If buy D then buy E (3/7)*100%=42,86% (3/5)*100%=60%
If buy E then buy D (3/7)*100%=42,86% (4/7)*100%=75%

6. Setelah diketahui support dan confidance untuk masing-masing kandidat,

lakukan perkalian antara support dan confidance, dimana confidance
minimal adalah 70%, sehingga didapat tabel berikut:

Tabel 1.2 Confidace minimal

if antecedent Support Confidance Support x

then consequent confidance
If buy E then 42,86% 75% 0,32145
buy C
If buy E then 42,86% 75% 0,32145
buy D

[CITATION Emh09 \l 1057 ].

2.8 Knowledge Discovery In Databases

Han dan Kamber (2006 : 7), lebih spesifik menyatakan istilah Data
Mining dan Knowledge Discovery in Databases (KDD) secara bergantian untuk
menjelaskan proses penggalian informasi tersembunyi dalam suatu kumpulan data
yang besar. Akan tetapi kedua istilah tersebut memiliki konsep yang berbeda,
tetapi berkaitan satu sama lain dan salah satu tahap dalam proses KDD adalah
data mining.

Data mining adalah salah satu langkah dalam proses KDD secara
keseluruhan. Secara umum, data mining digunakan oleh banyak peneliti sebagai
sinonim dari proses KDD. Akhir-akhir ini, data mining dan knowledge discovery
telah diusulkan sebagai nama yang paling memadai untuk keseluruhan proses
KDD. Knowledge Discovery in Databases berkaitan dengan proses penemuan
pengetahuan yang diterapkan pada database. Hal ini juga didefinisikan sebagai
 21

proses non-trivial untuk identifikasi data yang valid, baru, berpotensi bermanfaat,
dan akhirnya memiliki pola yang dapat dimengerti. (Kurgan dan Musilek, 2006)

Knowledge discovery sering terhalang karena tantangan dalam integrasi dan

navigasi dari data yang berbeda. Selain itu, karena jumlah dimensi di dalam data
meningkat, pendekatan baru untuk penemuan pola sangat diperlukan. (Zhiyuan
Chen, 2007).

Berdasarkan pengertian beberapa pengertian tersebut dapat ditarik

kesimpulan bahwa Knowledge Discovery in Database (KDD) adalah proses yang
bertujuan untuk menggali dan menganalisis sejumlah besar himpunan data dan
mengekstrak informasi serta pengetahuan yang berguna.

Langkah penting dalam proses KDD dapat dilihat pada gambar 2.3 yang terdiri
dari tahapan-tahapan sebagai berikut:

1) Data cleaning

Data cleaning merupakan proses membuang duplikasi data, memeriksa

data yang tidak konsisten, dan memperbaiki kesalahan pada data, seperti
kesalahan penulisan. Pada umumnya data yang diperoleh baik dari database suatu
perusahaan maupun hasil eksperimen, memiliki isi yang tidak sempurna seperti
data yang hilang, data yang tidak valid atau juga hanya sekedar salah ketik. Selain
itu, ada juga atribut-atribut data yang tidak relevan dengan hipotesa data mining
yang dimiliki. Data cleaning juga akan mempengaruhi hasil informasi dari teknik
data mining karena data yang ditangani akan berkurang jumlah dan
kompleksitasnya.

2) Data integration
 22

Proses menambah data yang sudah ada dengan data atau informasi lain
yang relevan atau bisa disebut juga merupakan penggabungan data dari berbagai
database kedalam satu database baru yang dibutuhkan oleh KDD.

Tahapan cleaning dan integration pada KDD mengasumsikan bahwa integrator

data harus menghapus noise dari data awal secara paralel dengan
mengintegrasikan beberapa data set. (M. Brian Blake, 2009)

Gambar 2.1 Data mining sebagai tahapan dalam proses KDD

3) Data selection

Pemilihan data yang relevan dan dapat dilakukan analisis dari data operasional.
Data hasil pemilihan disimpan dalam database yang terpisah.

4) Data transformation
 23

Proses tranformasi data kedalam bentuk format tertentu sehingga data tersebut
sesuai untuk proses data mining. Sebagai contoh beberapa metode standar seperti
analisis asosiasi dan clustering hanya bisa menerima input data kategorikal.

5) Data mining

Proses mencari pola atau informasi menarik dengan menggunakan teknik, metode
atau algoritma tertentu.

6) Pattern evaluation

Mengidentifikasi pola-pola yang benar-benar menarik dari hasil data mining.

Dalam tahap ini hasil dari teknik data mining berupa pola-pola yang khas maupun
model prediksi dievaluasi untuk menilai apakah hipotesa yang ada memang
tercapai atau tidak.

7) Knowledge presentation

Menampilkan pola informasi yang dihasilkan dari proses data mining, visualisasi
ini membantu mengkomunikasikan hasil data mining dalam bentuk yang mudah
dimengerti.

2.9 Tinjauan Studi Penelitian Sebelumnya

2.9.1 Perbandingan Dengan Penelitian Sebelummnya

Pernerapan Data Mining Association Rule Menggunakan Algoritma

Apriori Untuk Meningkatkan Penjualan dan Memberikan Rekomendasi
Pemasaran Produk Speedy (Studi Kasus di PT. Telkom Cabang
Wonogiri).Penelitian ini dibuat oleh Moch Yusuf Pratama dan Amiq Fahmi dari
Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Semarang. Dalam
penelitian ini tools yang digunakan tidak dijelaskan dalam jurnal, untuk metode
 24

dalam jurnal ini menggunakan metode penerapan data mining menggunakan

algoritma apriori.

Adapun hasil dari penelitian ini adalah : Lebih dilakukan sosialisasi

terhadap masyarakat terutama di daerah pedesaan dengan menggunakan pola
strategi pemasaran yang lebih efisien, mungkin dengan cara menambahkan jalur
akses speedy pada setiap kecamatan sehingga mempermudah masyarakat dalam
mengakses sesuatu dengan menggunakan produk speedy tersebut. Kemudian
memberikan paket bonus (produc bundling) terhadap pola penjualan produk
tersebut dari setiap kecamatan yang memiliki nilai confidance tinggi namun
memiliki nilai support yang kecil.Implementasi Analisis Keranjang Belanja
Dengan Aturan Asosiasi Menggunakan Algoritma Apriori Pada Penjualan Suku
Cadang Motor.Penelitian ini dibuat oleh Denny Haryanto, Yetli Oslan, dan Djoni
Dwiyana dari Program Studi Teknik Informatika, Universitas Kristen Duta
Wacana. Dalam penelitian ini tools yang digunakan yaitu menggunakan bahasa
pemrograman PHP dan basis data MySQL, untuk metode dalam jurnal ini
menggunakan metode data mining dengan algoritma apriori.

Adapun hasil dari penelitian ini adalah : Hubungan relasional antar tiap
produk yang dibeli secara bersamaan dapat dirumuskan menggunakan analisa
Association. Selanjutnya hasil metode Market Basket Analysis digunakan sebagai
penawaran kepada konsumen.Dengan pencarian pola relasi penjualan terlebih
dulu sebelum melakukan penawaran, maka penawaran barang yang berpeluang
kecil untuk terbeli akan terabaikan atau tidak ditawarkan.Perancangan Aplikasi
Data Mining Dengan Algoritma Apriori Untuk Frekuensi Analisis Keranjang
Belanja Pada Data Transaksi Penjualan (Studi Kasus di Swalayan KPRI
Universitas Brawijaya).Penelitian ini dibuat oleh Moch Yusuf Pratama dan Amiq
Fahmi dari Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Semarang.
Dalam penelitian ini tools yang digunakan Visual Basic 6.0, untuk metode dalam
jurnal ini menggunakan metode penerapan data mining menggunakan algoritma
apriori. Adapun hasil dari penelitian ini adalah : Sistem data base yang akan
digunakan sebagai dasar pembuatan aplikasi MBA ini dirancang dengan
 25

menggunakan bantuan software Microsoft Acces.Aplikasi data mining yang

dikembangkan guna membantu mengambil keputusan ini adalah aplikasi MBA
yang menggunakan software bantuan Visual Basic 6.0.

Aplikasi yang dibentuk ini mampu menampilkan pola konsumsi konsumen

dari swalayan tersebut dengan menganalisa data transaksi penjualan selama bulan
Februari 2013. Sebagai dampaknya, pihak swalayan dapat melakukan pengaturan
ulang tata letak rak barang guna meningkatkan penjualan barang.Aplikasi Data
Mining Analisis Data Transaksi Penjualan Obat Menggunakan Algoritma Apriori
(Studi Kasus di Apotek Setya Sehat Semarang).Penelitian ini dibuat oleh Hapsari
Dita Anggraeni, Ragil Saputra, dan Beta Noranita dari Fakultas Ilmu Komputer,
Universitas Diponegoro.

Dalam penelitian ini tools yang digunakan yaitu menggunakan bahasa

pemrograman PHP dan basis data MySQL, untuk metode dalam jurnal ini
menggunakan metode data mining dengan algoritma apriori. Adapun hasil dari
penelitian ini adalah : Berdasarkan pengujian yang telah dilakukan, dihasilkan
aplikasi data mining yang dibangun menggunakan proses sekuensial linear dengan
bahasa pemrograman PHP dan basis data MySQL. Aplikasi data mining
menggunakan aturan asosiasi dengan algoritma apriori menyajikan informasi
hubungan pembelian obat dengan nilai support dan confidance tertinggi pada
bulan Januari yaitu hubungan pembelian antara jenis obat kardiovaskuler dan obat
cerna, hubungan pembelian antara obat analgesik, antimikroba dan obat cerna,
hubungan pembelian antara jenis analgesik, obat topikal kulit dan obat cerna.

Pada bulan Februari menghasilkan hubungan pembelian paling kuat yaitu

antara jenis obat darah dan analgesik. Bulan Maret menghasilkan dua aturan
pembelian obat yaitu hubungan pembelian antara jenis obat mata dan obat nafas
serta hubungan pembelian antara jenis analgesik, obat topikal kulit, dan obat
nafas.Nilai minimum support 6 dan minimum confidance 40% merupakan nilai
yang dapat menghasilkan aturan paling kuat pada bulan Februari (1 Aturan) dan
Maret (2 Aturan), sedangkan nilai minimum support 6 dan minimum confidance
 26

50% menghasilkan aturan paling kuat pada bulan Januari ( 3 Aturan).Analisis Pola
Pembelian Konsumen Dengan Algoritma Apriori Pada Apotek Rahayu
Jepara.Penelitian ini dibuat oleh Riangga Duta Jayapana dan Yuniarsi Rahayu dari
Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Semarang.

Dalam penelitian ini tools yang digunakan WEKA, untuk metode dalam
jurnal ini menggunakan metode penerapan data mining menggunakan algoritma
apriori. Adapun hasil dari penelitian ini adalah : Untuk melakukan analisis data
transaksi penjualan dapat menggunakan data mining dengan algoritma
apriori.Pengolahan dataset apotek Rahayu Jepara menggunakan WEKA dapat
menghasilkan pola frekuensi tinggi yaitu 2 itemset maupun 3 itemset, pola
frekuensi tinggi 2 itemset yang didapat yaitu ”jika membeli obat avarin maka
membeli obat dexa”. Dan pola transaksi 3 itemset yang didapat yaitu “jika
membeli avarin dan troviacol maka membeli obat dexa”.

2.9.2 Perbedaan Hasil Studi Terdahulu Dengan Penelitian Sekarang

Dari penjelasan mengenai penelitian sebelumnya terdapat perbedaan

antara penelitian ini dengan penelitian yang akan dilakukan penulis sekarang.

Perbedaan-perbedaannya antara lain:

1. Informasi yang diberikan dari setiap aplikasi yang dibuat pada penelitian
sebelumnya masing-masing berbeda. Dalam penelitian yang penulis rancang akan
memberikan informasi data pada perusahaan yang bergerak di bidang makanan.

2. Pada penelitian Analisis Pola Pembelian Konsumen Dengan Algoritma

Apriori Pada Apotek Rahayu Jepara menggunakan tools WEKA. Sedangkan
untuk penelitian yang akan dilakukan penulis menggunakan tools Rapidminer
untuk pengujian otomatis , tools Notepad++ yang berbasis web dan menggunakan
MySQL untuk pengolahan data dan menggunakan teknologi intranet.
 27

Data yang digunakan penulis dalam penelitian ini hanya diambil dari data
transaksi periode tahun 2014 saja.Adapun data perbandingan dari jurnal penelitian
sebelumnya yang dituangkan ke dalam bentuk tabel, seperti tabel dibawah ini:
Tabel 2.3 Penelitian Perbandingan sebelumnya

Penelitian Metode Keterangan

 Moch. Yusuf Pratama, Association Rule  Memberikan paket
Amiq Fahmi, Algoritma Apriori bonus (product
“Penerapan Data bundling) terhadap
Mining Association pola penjualan
Rule Menggunakan produk tersebut dari
Algoritma Apriori setiap kecamatan
Untuk Meningkatkan yang memiliki nilai
Penjualan dan confidance tinggi
Memberikan namun memiliki
Rekomendasi nilai support yang
Pemasaran Produk kecil.
Speedy Studi Kasus di  Lebih dilakukan
PT. Telkom Cabang sosialisasi terhadap
Wonogiri” (Jurnal 1) masyarakat
terutama di daerah
pedesaan dengan
menggunakan pola
strategi pemasaran
yang lebih efisien.
 Denny Haryanto, Yetli Aturan Asosiasi  Hubungan
Oslan, Djoni Dwiyana relasional antar tiap
Algoritma Apriori
“Implementasi produk yang dibeli
Analisis Keranjang secara bersamaan
Belanja Dengan dapat dirumuskan
Aturan Asosiasi menggunakan
Menggunakan analisa Association.
Algoritma Apriori Selanjutnya hasil
Pada Penjualan Suku metode Market
Cadang Motor” Basket Analysis
(Jurnal 2) digunakan sebagai
penawaran kepada
konsumen.
 Dengan pencarian
pola relasi
penjualan terlebih
dulu sebelum
melakukan
penawaran, maka
penawaran barang
yang berpeluang
kecil untuk terbeli
 28

akan terabaikan
atau tidak
ditawarkan.

 Heru Dewantara, Algoritma Apriori  Sistem data base

Purnomo Budi yang akan
Santosa, Nasir Widha digunakan sebagai
dasar pembuatan
Setyanto
aplikasi MBA ini
“Perancangan dirancang dengan
Aplikasi Data Mining menggunakan
Dengan Algoritma bantuan software
Apriori Untuk Microsoft Acces.
Frekuensi Analisis  Aplikasi data
Keranjang Belanja mining yang
Pada Data Transaksi dikembangkan guna
membantu
Penjualan (Studi mengambil
Kasus di Swalayan keputusan ini adalah
KPRI Universitas aplikasi MBA yang
Brawijaya)” (Jurnal 3) menggunakan
software bantuan
Visual Basic 6.0.
Aplikasi yang
dibentuk ini mampu
menampilkan pola
konsumsi konsumen
dari swalayan
tersebut dengan
menganalisa data
transaksi penjualan
selama bulan
Februari 2013.
Sebagai dampaknya,
pihak swalayan
dapat melakukan
pengaturan ulang
tata letak rak barang
guna meningkatkan
penjualan barang.
 Hapsari Dita Algoritma Apriori  Berdasarkan
Anggraeni, Ragil pengujian yang telah
Saputra, dan Beta dilakukan,
Noranita “Aplikasi dihasilkan aplikasi
Data Mining Analisis data mining yang
 29

Data Transaksi dibangun

Penjualan Obat menggunakan
Menggunakan proses sekuensial
Algoritma Apriori linear dengan bahasa
(Studi Kasus di pemrograman PHP
Apotek Setya Sehat dan basis data
Semarang)” (Jurnal 4) MySQL. Aplikasi
data mining
menggunakan aturan
asosiasi dengan
algoritma apriori
menyajikan
informasi hubungan
pembelian obat
dengan nilai support
dan confidance
tertinggi pada bulan
Januari yaitu
hubungan pembelian
antara jenis obat
kardiovaskuler dan
obat cerna,
hubungan pembelian
antara obat
analgesik,
antimikroba dan
obat cerna,
hubungan pembelian
antara jenis
analgesik, obat
topikal kulit dan
obat cerna. Pada
bulan Februari
menghasilkan
hubungan pembelian
paling kuat yaitu
antara jenis obat
darah dan analgesik.
Bulan Maret
menghasilkan dua
aturan pembelian
obat yaitu hubungan
pembelian antara
jenis obat mata dan
obat nafas serta
hubungan pembelian
antara jenis
analgesik, obat
 30

topikal kulit, dan

obat nafas.
 Nilai minimum
support 6 dan
minimum
confidance 40%
merupakan nilai
yang dapat
menghasilkan aturan
paling kuat pada
bulan Februari (1
Aturan) dan Maret
(2 Aturan),
sedangkan nilai
minimum support 6
dan minimum
confidance 50%
menghasilkan aturan
paling kuat pada
bulan Januari ( 3
Aturan).
 Riangga Duta Algoritma Apriori  Untuk melakukan
Jayapana, Yuniarsi analisis data
Rahayu “Analisis Pola transaksi penjualan
Pembelian Konsumen dapat menggunakan
Dengan Algoritma data mining dengan
Aprirori Pada Apotek algoritma apriori.
Rahayu Jepara”  Pengolahan dataset
(Jurnal 5) apotek Rahayu
Jepara
menggunakan
WEKA dapat
menghasilkan pola
frekuensi tinggi
yaitu 2 itemset
maupun 3 itemset,
pola frekuensi tinggi
2 itemset yang
didapat yaitu ”jika
membeli obat avarin
maka membeli obat
dexa”. Dan pola
transaksi 3 itemset
yang didapat yaitu
“jika membeli
avarin dan troviacol
maka membeli obat
dexa”.
 31

2.10 Penelitian sekarang

Penelitian yang berbeda dari penelitian 1, 2, 3, 4, dan 5 disini penulis

melakukan penelitian yang berjudul “Aplikasi Penyeleksian dan
Pengkombinasian Menu Dengan Pendekatan Data Mining Menggunakan
Algoritma A Priori” tahapan yang digunakan menggunakan metode rekayasa
perangkat lunak serta menggunakan Knowledge Discovery in Databases.
 32

BAB III
OBJEK DAN METODOLOGI PENELITIAN

3.1 Objek Penelitian

Objek penelitian dari aplikasi ini adalah Kafe Tunggu yang beralamat di Jl
Galuh Mas Raya, Karawang, 41361 mengenai peningkatan omset melalui
penyeleksian dan pengkombinasian menu. Berdasarkan observasi yang dilakukan,
Cafe - cafe sekarang banyak menyediakan variasi menu – menu makanan dan
minuman untuk menarik minat konsumen dan meningkatkan omset penjualan cafe
tersebut, penulis berharap dapat membantu atau memberikan kemudahan kepada
manager untuk mencari kombinasi pilihan menu makanan dan minuman.

3.2 Metode Penelitian yang digunakan

Knowledge Discovery and Data Mining(KDD) adalah proses yang dibantu

oleh komputer untuk menggali dan menganalisis sejumlah besar himpunan data
dan mengekstrak informasi dan pengetahuan yang berguna. Data mining
tools memperkirakan perilaku dan tren masa depan, memungkinkan bisnis untuk
membuat keputusan yang proaktif dan berdasarkan pengetahuan. Data mining
tools mampu menjawab permasalahan bisnis yang secara tradisional terlalu lama
untuk diselesaikan. Data mining tools menjelajah database untuk mencari pola
tersembunyi, menemukan infomasi yang prediktif yang mungkin dilewatkan para
pakar karena berada di luar ekspektasi mereka.
 33

3.3 Teknik Pengumpulan data

a. Wawancara : Pada tahap ini melakukan user story atau penjelasan dari
manajer Kafe Tunggu menentukan bagaimana keinginginan manajer tersebut
dapat terpenuhi dengan cara berdiskusi.

b. Pengumpulan Data : Pada tahap ini melakukan pengumpulan data mulai

dari daftar makanan, daftar minuman, dan daftar harga.

c. Observasi : Dalam melakukan penelitian meninjau langsung ke objek yang

di teliti, objek tersebut adalah Kafe Tunggu yang meliputi proses
pengkombinasian menu makanan dan minuman yang diterapkan pada Kafe
Tunggu. Proses yang dilakukan pada tahap observasi yaitu menentukan hal-
hal apa saja yang akan diobservasi agar kegiatan observasi menghasilkan
sesuai dengan yang diharapkan.

3.4 Jenis Data

1. Data Primer

Data primer adalah data yang diperoleh secara langsung dari sumbernya
melalui teknik wawancara. Cara pengumpulan data primer dapat dilakukan
dengan wawancara langsung dengan pimpinan atau dapat berupa pengamatan
kegiatan sehari-hari suatu objek yang di teliti.Hasilnya dapat berupa data yang
dibutuhkan atau data yang diharapkan untuk melakukan sebuah penelitian, seperti
data transaksi menu dalam periode tertentu yang nantinya akan digunakan sebagai
bahan untuk analisis data mining.

2. Data Sekunder

Data sekunder adalah salah satu data yang digunakan dalam sebuah
penelitian. Data sekunder didapatkan dari pustaka-pustaka yang relevan dengan
 34

penelitian yang dilakukan, yaitu seperti literatur tentang data mining dari buku
“Algoritma Data Mining” oleh Kusrini dan Emha Taufiq Luthfi atau literatur lain
seperti jurnal “Riangga Duta Jayapana, Yuniarsi Rahayu, Analisis Pola Pembelian
Konsumen Dengan Algoritma Apriori (Studi Kasus : Apotek Rahayu Jepara)”.

3.4.1 Tahapan Penelitian

1. Pengumpulan Data

Data yang diterima oleh peneliti adalah data transaksi penjualan menu
dalam periode bulan November tahun 2016. Data yamg diolah pada penelitian ini
sebanyak 368 data transaksi penjualan menu.

2. Penyeleksian Data

Dari data yang sudah didapat oleh peneliti, kemudian dilakukan proses
seleksi data, yakni dengan memilih dan memisahkan data transaksi berdasarkan
jumlah pembelian lebih dari 1 item.
3. Transformasi Data

Transformasi data adalah mengubah data transaksi penjualan yang didapat

peneliti berupa struk transaksi menjadi file XLSM, yaitu file yang bisa diolah oleh
aplikasi Microsoft Excel.

3.4.2 Data Mining

Tahap ini bertujuan untuk mendapatkan pola dari ekstraksi data transaksi
yang sudah ditransformasi ke file XLSM dengan menerapkan algoritma a priori.

3.4.3 Interpretation Data

Pola kombinasi antar item yang telah diidentifikasi oleh bantuan aplikasi
kemudian diterjemahkan kedalam bentuk yang bisa dimengerti manusia, untuk
membantu dalam perencanaan kebijakan bisnis pada Kafe Tunggu.
 35

BAB IV

HASIL DAN PEMBAHASAN

4.1 Hasil Penelitia

Hasil penelitian terhadap tingkat kepuasan pelanggan di Kafe Tunggu
didapat berdasarkan observasi dan wawancara. Berikut penjelasan dari hasil
penelitian mengenai tingkat kepuasan pelanggan terhadap menu yang sedang
berjalan dan perancangan yang akan diusulkan. Merancang aplikasi menggunakan
pendekatan Data Mining dengan metode Algoritma A Priori menggunakan
metodologi KDD (Knowledge Discovery In Databases)dapat dilihat yang terdiri
dari tahapan-tahapan sebagai berikut:
1. Data cleaning
2. Data integration
3. Data selection
4. Data transformation
5. Data mining
6. Pattern evaluation
7. Knowledge presentation

4.2 Data cleaning

Data cleaning merupakan proses membuang duplikasi data, memeriksa
data yang tidak konsisten, dan memperbaiki kesalahan pada data, seperti
kesalahan penulisan. Pada umumnya data yang diperoleh baik dari database suatu
perusahaan maupun hasil eksperimen, memiliki isi yang tidak sempurna seperti
data yang hilang, data yang tidak valid atau juga hanya sekedar salah ketik. Selain
itu, ada juga atribut-atribut data yang tidak relevan dengan hipotesa data mining
yang dimiliki. Data cleaning juga akan mempengaruhi hasil informasi dari teknik
data mining karena data yang ditangani akan berkurang jumlah dan
kompleksitasnya.

4.2.1 Wawancara
Informasi yang diperoleh melalui wawancara terhadap manager Kafe
Tunggu. Berdasarkan hasil wawancara diperoleh informasi sebagai berikut:
Nama : Ahmad Hidayat
 36

Umur : 38 Tahun
Menurut beliau, Kafe tempat nya bekerja sudah memiliki prospek yang
cukup menjanjikan bila harus bersaing dengan kafe yang lainnya, akan tetapi
menurutnya itu saja tidak cukup, perlu ada inovasi terhadap menu di kafe
tempatnya bekerja agar bisa lebih meningkatkan omset penjualan. Dan
harapannya bila sudah mempunyai nilai lebih atau sesuatu yang berbeda dengan
kafe lainnya, omset penjualan pun akan lebih meningkat dibandingkan
sebelumnya. Dan juga menurutnya pengkombinasian menu ini sangat menarik
untuk dicoba di kafe tunggu ini.

4.3 Data integration

Proses menambah data yang sudah ada dengan data atau informasi lain
yang relevan atau bisa disebut juga merupakan penggabungan data dari berbagai
database kedalam satu database baru yang dibutuhkan oleh KDD.Tahapan
cleaning dan integration pada KDD mengasumsikan bahwa integrator data harus
menghapus noise dari data awal secara paralel dengan mengintegrasikan beberapa
data set.

4.3.1 Analisis
Pengumpulan data dan analisis dilakukan dengan tujuan untuk mengetahui
dan menganalisis sistem penjualan makanan dan minuman di Kafe Tunggu
Karawang yang sedang berjalan, sehingga dapat menghasilkan sistem yang lebih
baik dari sebelumnya. Pengumpulan kebutuhan dan analisis dilakukan dengan
cara wawancara langsung kepada manajer yang berhubungan langsung dengan
aplikasi yang dirancang.
Dengan tingginya minat konsumen untuk membeli produk makanan dan
minuman di Kafe Tunggu, maka dibutuhkan sebuah aplikasi agar dapat secara
tepat menyeleksi makanan dan minuman yang banyak diminati oleh konsumen,
agar bias menambah pendapatan pada produk makanan tersebut.
1. Analisis Pendefinisian Masalah

Analisis masalah sangat dibutuhkan karena untuk mengetahui

permasalahan yang muncul di objek penelitian tersebut yaitu Kafe Tunggu tentang
pengkombinasian menu makanan dan minuman.
 37

2. Analisis Sistem yang Berjalan

Analisis sistem yang ada saat ini dimana manajer masih melakukan cara
manual untuk melihat hasil penjualan dan pembuatan laporan, perubahan menu
makanan saat pengecekan porsi penjualan menurun sangat jauh dari target yang
diinginkan.
3. Analisis Sistem yang akan diajukan

Analisis sistem yang akan diajukan oeh penulis yang ada saat ini ke dalam
sistem yang akan diajukan oleh penulis akan berbentuk seperti berikut :

a. Admin (user) melakukan input data (insert, delete, edit) yang juga akan
tertera di PC manajer.
b. Laporan hasil penjualan, banyak penjualan, dan informasi kelayakan menu
makanan akan tersusun rapih dengan sistem komputerisasi berikut.
c. Manajer bisa langsung mengecek hasil nya di PC manajer.
d. Pemilik melakukan pengecekan di kantor pusat, yang dikirim oleh
manajer.

4.4 Data Selection

Sebelum masuk ke dalam data pre-processing yang harus dilakukan adalah
pemilihan data (data selection). Data menu tersebut nantinya akan menjadi data
kasus dalam proses operasional data mining. Dalam data transaksi selama bulan
November terdapat 368 data transaksi yang terjadi di Kafe Tunggu. Dan ada juga
sebagian data yang tidak terpakai, yaitu transaksi pembelian 1 item menu
makanan atau minuman. Sehingga dari 368 data transaksi hanya 334 yang siap
diolah untuk proses selanjutnya.

1. Menu Makanan : A1, A2, A3, A4, B1, B2, B3, B4, C1, C2, C3, D1, D2

2. Menu Minuman : J, K, L, M, N, O, P, Q

Keterangan:

A1 = ROTI BAKAR COKELAT D1 = NASI GORENG

A2 = ROTI BAKAR KEJU D2 = NASI GORENG SPESIAL
A3 = ROTI BAKAR STRAWBERY J = LEMON TEA
A4 = ROTI BAKAR COKELAT KEJU K = MILO
B1 = TAKOYAKI L = CAPUCINO
 38

B2 = MIE GORENG TELOR M = ES TEH MANIS

B3 = MIE REBUS TELOR N = AIR MINERAL
B4 = KENTANG GORENG O = KOPI HITAM
C1 = PISANG GORENG COKELAT P = MILKSHAKE GREEN TEA
C2 = PISANG GORENG KEJU Q = KOPI SUSU
C3 = PISANG GORENG COKELAT
KEJU

4.5 Transformation Data

Pada tahap ini, data akan ditransformasikan ke dalam bentuk yang sesuai
untuk pengujian data mining. Data yang sesuai untuk pengujian data mining
adalah data dengan tipe kategorikal.Terdapat beberapa teknik yang digunakan
untuk merubah data numerik menjadi data katagori salah satunya adalah teknik
standart deviasi, dll.
1. Menu A1, A2, K → 1 Transaksi
2. Menu K, B2 → 1 Transaksi
3. Menu C2 → 1 Transaksi

4.6 Data Maining

Algoritma A Priori termasuk jenis aturan asosiasi pada data mining.
Algoritma a priori adalah algoritma untuk menemukan pola frekuensi tinggi. Pola
frekuensi tinggi adalah pola-pola item didalam suatu database yang memiliki
frekuensi atau support diatas ambang batas tertentu yang disebut dengan istilah
minimum support atau threshold. Pola frekuensi tinggi ini digunakan untuk
menyusun aturan asosiatif dan juga beberapa teknik data mining. Metodologi
dasar analisis asosiasi terbagi menjadi dua tahap:

1. Analisa pola frekuensi tertinggi.

Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari
nilai support dalam database. Nilai support sebuah item diperoleh dengan
rumus sebagai berikut:

Jumlah transaksi mengandung A

Support A=
Total Transaksi

Pada rumus diatas menjelaskan bahwa nilai support diperoleh dengan cara
mencari jumlah transaksi yang mengandung item A dibagi dengan jumlah
seluruh transaksi. Sementara itu, nilai support dari 2 item diperoleh dari
rumus berikut:
Support ( A , B ) =P(A ∩B)
 39

Σ Jumlah Transaksi mengandung A dan B

Support ( A , B)=
Σ Transaksi
2. Pembentukan Aturan Asosiasi.
Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan
asosiasi yang memenuhi syarat minimum untuk confidance dengan
menghitung confidance A → B. Nilai confidance dari aturan A → B
diperoleh dari rumus berikut:
Σ Transaksi mengandung A dan B
Confidance P(B∨A )=
ΣTransaksi mengandung A

4.7 Pattern evaluation

Evaluasi pola bertujuan untuk menemukan pola-pola menarik ke dalam

basis pengetahuan yang ditemukan. Dalam tahap ini hasil dari teknik data mining
berupa pola-pola yang khas maupun model prediksi dievaluasi untuk menilai
apakah hipotesa yang ada memang tercapai,urutannya sebagai berikut :
a. Penerjemahan pola-pola yang dihasilkan dari data mining.
b. Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan
dalam bentuk yang mudah mimengerti oleh pihak yang berkepentingan.
c. Tahap ini merupakan bagian dari proses KDD yang mencakup
pemeriksaan apakah pola atau informasi yang ditemukan bertentangan
dengan fakta atau hipotesa yang ada sebelumnya.

4.8 Knowledge presentation

Saya menggunakan Microsoft excel karena cafe tunggu memasukan data
menggunakan Microsoft excel, jadi Menggunakan Microsofr excel agar untuk
memudah kan pengimputan datanya, dan juga memudahkan casir untuk
melakukan transaksi pembayaran, sebelum menjalankan Excel terlebih dahulu.
Pemrograman Macro Excel mempunyai keuntungan,mengurangi tingkat
kesalahan. Kemungkinan adanya kesalahan dalam menyelesaikan pekerjaan
 40

secara manual dapat saja terjadi, meskipun seorang yang sangat ahli dalam
menggunakan Excel. Penyelesaian pekerjaan menggunakan Macro secara
konsisten akan menyelesaikan suatu pekerjaan berdasarkan perintah yang tertulis
dalam kode Macro sehingga tingkat kesalahan yang mungkin timbul sangat kecil.
Kesalahan hanya dapat terjadi jika ada kesalahan perintah pada kode Macro.

4.9 Hasil Algoritma

Data penjualan digunakan sebagai acuan dalam melakukan pencarian menu
mana yang sering dipesan oleh pelanggan. Penerapan algoritma apriori adalah
memasukan inputan parameter penentu pola yaitu pada berapa seringnya menu
keluar atau dipesan oleh konsumen pada rentang tanggal tertentu atau waktu
tertentu, nilai minimum support dan nilai minimum confidance sebagai batasan
dalam menemukan pola penjualan.
Dalam menganalisa seberapa besar keterkaitan antar barang dan seberapa
besar penjualan dari suatu barang dapat diketahui dengan melihat hasil dari nilai
support dan nilai confidance nya. Semakin besar nilai support yang dihasilkan
maka data barang tersebut semakin diminati oleh konsumen dan barang tersebut
sering muncul pada data transaksi penjualan dan semakin besar nilai confidance
suatu barang berarti semakin besar keterkaitan antar barang tersebut. Tujuan dari
pencarian pola penjualan ini adalah sebagai strategi dalam promosi barang
sehingga setelah pola penjualan diketahui maka langkah selanjutnya adalah
menjadikan pola penjualan tersebut sebagai rekomendasi barang promosi.
Untuk menentukan rule, support dan confidance dilakukan penghitungan
sebagai berikut :
1. Langkah pertama tuliskan data transaksi yang terjadi dalam periode tertentu.
Data yang dituliskan yaitu data transaksi pembelian menu makanan dan
minuman di Kafe Tunggu Karawang selama bulan November 2016. Data yang
diolah berjumlah 334 data transaksi.
2. Langkah berikutnya adalah membuat tabel tabulasi (count). Data yang
berjumlah 334 kemudian disajikan dalam bentuk tabel tabulasi untuk
melakukan perhitungan banyaknya pembelian untuk setiap item.
3. Langkah berikutnya menentukan nilai ϕ (thou) yang merupakan batas
minimum dalam suatu transaksi. Nilai ϕ ditentukan dari banyak transaksi.
 41

4. Langkah selanjutnya hitung nilai support 2 itemset yang sudah diseleksi

sebelumnya menggunakan nilai ϕ. Contoh nya sebagai berikut:
- Support (A1, L) = 12/368 * 100% = 3,26 %
- Support (B2, M) = 14/368 * 100% = 3,80 %
- Perhitungan selanjutnya ada di lampiran.
5. Langkah selanjutnya hitung nilai confidance nya. Contoh nya sebagai
berikut:
- Confidance (A1, L) = 12/39 * 100% = 30,76 %
- Confidance (B2, M) = 14/47 * 100% = 29,78 %
- Perhitungan selanjutnya ada di lampiran.
Berdasarkan pemodelan algoritma apriori menggunakan perhitungan tersebut
dengan menetapkan minimun support 1% dan minimum confidance 10% hasil
yang didapat yaitu ada 64 rules dari 334 transaksi pembelian menu makanan dan
minuman di Kafe Tunggu Karawang.
Tabel 4.1 Aturan Asosiasi yang terbentuk dengan nilai minimum Support 1%

Atura
ID Menu Nama Menu Support Confidance
n Ke-
ROTI BAKAR COKELAT → AIR
1 (A1 → N) 1,09% 10,26%
MINERAL
2 (B3 → N) MIE REBUS TELOR → AIR MINERAL 1,09% 11,43%
3 (C1 → K) PISANG GORENG COKELAT → MILO 1,09% 10,53%
PISANG GORENG KEJU → LEMON
4 (C2 → J) 1,09% 14,29%
TEA
5 (D1 → M) NASI GORENG → ES TEH MANIS 1,09% 13,33%
ROTI BAKAR COKELAT KEJU →
6 (A4 → J) 1,36% 10,20%
LEMON TEA
ROTI BAKAR COKELAT KEJU → AIR
7 (A4 → N) 1,36% 10,20%
MINERAL
8 (B2 → O) TAKOYAKI → KOPI HITAM 1,36% 10,64%
9 (B4 → K) MIE GORENG TELOR → MILO 1,36% 13,16%
MIE GORENG TELOR → AIR
10 (B4 → N) 1,36% 13,16%
MINERAL
PISANG GORENG KEJU →
11 (C2 → L) 1,36% 17,86%
CAPUCINO
PISANG GORENG COKELAT KEJU →
12 (C3 → N) 1,36% 15,15%
AIR MINERAL
13 (D1 → K) NASI GORENG → MILO 1,36% 16,67%
NASI GORENG → MILKSHAKE
14 (D1 → P) 1,36% 16,67%
GREEN TEA
15 (D2 → K) NASI GORENG SPESIAL → MILO 1,36% 11,90%
16 (A1 → K) ROTI BAKAR COKELAT → MILO 1,63% 15,38%
ROTI BAKAR KEJU → ES TEH
17 (A2 → M) 1,63% 15,79%
MANIS
18 (A3 → P) ROTI BAKAR STRAWBERY → 1,63% 15,79%
 42

MILKSHAKE GREEN TEA

ROTI BAKAR COKELAT KEJU →
19 (A4 → K) 1,63% 15,79%
MILO
MIE REBUS TELOR → MILKSHAKE
20 (B3 → P) 1,63% 15,79%
GREEN TEA
PISANG GORENG COKELAT →
21 (C1 → P) 1,63% 15,79%
MILKSHAKE GREEN TEA
NASI GORENG SPESIAL → AIR
22 (D2 → N) 1,63% 15,79%
MINERAL
23 (A2 → N) ROTI BAKAR KEJU → AIR MINERAL 1,90% 18,42%
ROTI BAKAR STRAWBERY →
24 (A3 → J) 1,90% 18,42%
LEMON TEA
25 (A3 →K) ROTI BAKAR STRAWBERY → MILO 1,90% 12,07%
ROTI BAKAR STRAWBERY → AIR
26 (A3 → N) 1,90% 12,07%
MINERAL
27 (B1 → L) KENTANG GORENG → CAPUCINO 1,90% 16,28%
28 (B2 → K) TAKOYAKI → MILO 1,90% 14,89%
29 (B2 → N) TAKOYAKI → AIR MINERAL 1,90% 14,89%
30 (B3 → K) MIE REBUS TELOR → MILO 1,90% 20,00%
31 (B3 → L) MIE REBUS TELOR → CAPUCINO 1,90% 20,00%
32 (B4 → L) MIE GORENG TELOR → CAPUCINO 1,90% 18,42%
PISANG GORENG COKELAT → AIR
33 (C1 → N) 1,90% 18,42%
MINERAL
PISANG GORENG KEJU → ES TEH
34 (C2 → M) 1,90% 25,00%
MANIS
NASI GORENG SPESIAL → ES TEH
35 (D2 → M) 1,90% 16,67%
MANIS
ROTI BAKAR COKELAT → ES TEH
36 (A1 → M) 2,17% 20,51%
MANIS
ROTI BAKAR STRAWBERY → ES
37 (A3 → M) 2,17% 13,79%
TEH MANIS
ROTI BAKAR COKELAT KEJU → ES
38 (A4 → M) 2,17% 16,33%
TEH MANIS
39 (B2 → K) KENTANG GORENG → MILO 2,17% 18,60%
PISANG GORENG KEJU →
40 (C2 → P) 2,17% 28,57%
MILKSHAKE GREEN TEA
41 (D1 → L) NASI GORENG → CAPUCINO 2,17% 26,67%
ROTI BAKAR COKELAT →
42 (A1 → P) 2,45% 23,08%
MILKSHAKE GREEN TEA
43 (A2 → K) ROTI BAKAR KEJU → MILO 2,45% 23,68%
44 (B2 → L) TAKOYAKI → CAPUCINO 2,45% 19,15%
TAKOYAKI → MILKSHAKE GREEN
45 (B2 → P) 2,45% 19,15%
TEA
MIE REBUS TELOR → ES TEH
46 (B3 → M) 2,45% 25,71%
MANIS
PISANG GORENG COKELAT KEJU →
47 (C3 → K) 2,45% 27,27%
MILO
PISANG GORENG COKELAT KEJU →
48 (C3 → L) 2,45% 27,27%
CAPUCINO
NASI GORENG SPESIAL →
49 (D2 → L) 2,45% 21,43%
CAPUCINO
ROTI BAKAR KEJU → MILKSHAKE
50 (A2 → P) 2,72% 26,32%
GREEN TEA
ROTI BAKAR COKELAT KEJU →
51 (A4 → P) 2,72% 20,41%
MILKSHAKE GREEN TEA
52 (B1 → M) KENTANG GORENG → ES TEH 2,72% 23,26%
 43

MANIS
KENTANG GORENG → MILKSHAKE
53 (B1 → P) 2,99% 25,58%
GREEN TEA
MIE GORENG TELOR → ES TEH
54 (B4 → M) 2,99% 28,95%
MANIS
MIE GORENG TELOR →
55 (B4 → P) 2,99% 28,95%
MILKSHAKE GREEN TEA
PISANG GORENG COKELAT →
56 (C1 → L) 2,99% 28,95%
CAPUCINO
PISANG GORENG COKELAT KEJU →
57 (C3 → P) 2,99% 33,33%
MILKSHAKE GREEN TEA
ROTI BAKAR COKELAT →
58 (A1 → L) 3,26% 30,77%
CAPUCINO
PISANG GORENG COKELAT → ES
59 (C1 → M) 3,26% 31,58%
TEH MANIS
60 (A2 → L) ROTI BAKAR KEJU → CAPUCINO 3,53% 34,21%
ROTI BAKAR COKELAT KEJU →
61 (A4 → L) 3,53% 26,53%
CAPUCINO
NASI GORENG SPESIAL →
62 (B2 → P) 3,53% 30,95%
MILKSHAKE GREEN TEA
ROTI BAKAR STRAWBERY →
63 (A3 → L) 3,80% 24,14%
CAPUCINO
64 (B2 → M) TAKOYAKI → ES TEH MANIS 4,08% 31,91%

Berdasarkan pemodelan algoritma apriori menggunakan perhitungan tersebut

dengan menetapkan minimun support 2% dan minimum confidance 10% hasil
yang didapat yaitu ada 29 rules dari 334 transaksi pembelian menu makanan dan
minuman di Kafe Tunggu Karawang.
Tabel 2.2 Aturan Asosiasi yang terbentuk dengan nilai minimum Support 2%

Aturan Ke- ID Menu Nama Menu Support Confidance

1 (A1 → M) ROTI BAKAR COKELAT → ES 2,17% 20,51%
TEH MANIS
2 (A3 → M) ROTI BAKAR STRAWBERY → 2,17% 13,79%
ES TEH MANIS
3 (A4 → M) ROTI BAKAR COKELAT KEJU 2,17% 16,33%
→ ES TEH MANIS
4 (B2 → K) KENTANG GORENG → MILO 2,17% 18,60%
5 (C2 → P) PISANG GORENG KEJU → 2,17% 28,57%
MILKSHAKE GREEN TEA
6 (D1 → L) NASI GORENG → CAPUCINO 2,17% 26,67%
7 (A1 → P) ROTI BAKAR COKELAT → 2,45% 23,08%
MILKSHAKE GREEN TEA
8 (A2 → K) ROTI BAKAR KEJU → MILO 2,45% 23,68%
9 (B2 → L) TAKOYAKI → CAPUCINO 2,45% 19,15%
10 (B2 → P) TAKOYAKI → MILKSHAKE 2,45% 19,15%
GREEN TEA
11 (B3 → M) MIE REBUS TELOR → ES TEH 2,45% 25,71%
MANIS
12 (C3 → K) PISANG GORENG COKELAT 2,45% 27,27%
KEJU → MILO
 44

13 (C3 → L) PISANG GORENG COKELAT 2,45% 27,27%

KEJU → CAPUCINO
14 (D2 → L) NASI GORENG SPESIAL → 2,45% 21,43%
CAPUCINO
15 (A2 → P) ROTI BAKAR KEJU → 2,72% 26,32%
MILKSHAKE GREEN TEA
16 (A4 → P) ROTI BAKAR COKELAT KEJU 2,72% 20,41%
→ MILKSHAKE GREEN TEA
17 (B1 → M) KENTANG GORENG → ES TEH 2,72% 23,26%
MANIS
18 (B1 → P) KENTANG GORENG → 2,99% 25,58%
MILKSHAKE GREEN TEA
19 (B4 → M) MIE GORENG TELOR → ES 2,99% 28,95%
TEH MANIS
20 (B4 → P) MIE GORENG TELOR → 2,99% 28,95%
MILKSHAKE GREEN TEA
21 (C1 → L) PISANG GORENG COKELAT → 2,99% 28,95%
CAPUCINO
22 (C3 → P) PISANG GORENG COKELAT 2,99% 33,33%
KEJU → MILKSHAKE GREEN
TEA
23 (A1 → L) ROTI BAKAR COKELAT → 3,26% 30,77%
CAPUCINO
24 (C1 → M) PISANG GORENG COKELAT → 3,26% 31,58%
ES TEH MANIS
25 (A2 → L) ROTI BAKAR KEJU → 3,53% 34,21%
CAPUCINO
26 (A4 → L) ROTI BAKAR COKELAT KEJU 3,53% 26,53%
→ CAPUCINO
27 (B2 → P) NASI GORENG SPESIAL → 3,53% 30,95%
MILKSHAKE GREEN TEA
28 (A3 → L) ROTI BAKAR STRAWBERY → 3,80% 24,14%
CAPUCINO
29 (B2 → M) TAKOYAKI → ES TEH MANIS 4,08% 31,91%

Berdasarkan pemodelan algoritma apriori menggunakan perhitungan tersebut

dengan menetapkan minimun support 3% dan minimum confidance 20% hasil
yang didapat yaitu ada 7 rules dari 334 transaksi pembelian menu makanan dan
minuman di Kafe Tunggu Karawang.
Tabel 4.3 Aturan Asosiasi yang terbentuk dengan nilai minimum Support 3%

Aturan Ke- ID Menu Nama Menu Support Confidance

1 (A1 → L) ROTI BAKAR COKELAT → 3,26% 30,77%
CAPUCINO
2 (C1 → M) PISANG GORENG COKELAT → 3,26% 31,58%
ES TEH MANIS
3 (A2 → L) ROTI BAKAR KEJU → 3,53% 34,21%
CAPUCINO
4 (A4 → L) ROTI BAKAR COKELAT KEJU 3,53% 26,53%
→ CAPUCINO
5 (B2 → P) NASI GORENG SPESIAL → 3,53% 30,95%
MILKSHAKE GREEN TEA
6 (A3 → L) ROTI BAKAR STRAWBERY → 3,80% 24,14%
 45

CAPUCINO
7 (B2 → M) TAKOYAKI → ES TEH MANIS 4,08% 31,91%

4.10 Menampilkan hasil menu

1. Membuat tampilan yang menarik untuk menu utama yang bisa

ngelink ke menu input data dan support & confidance (cuman pake hyperlink)

Gambar 4.1 menu input data dan support & confidance

 46

Kemudian masuk ke menu input data, untuk mengolah data nya disitu, disitu juga
ada menu untuk kembali ke menu utama atau langsung ke support & confidance

3.
Gambar 3.2 menu Input Data

Di tampilan input menu ada 3 bagian, bagian pertama menjelaskan menu dengan
memakai ID

Gambar 4.3 menjelaskan menu dengan memakai ID

 47

Bagian kedua yaitu penginputan menu nya, ketika menu nya tertera di struk
inputkan jumlah menu yang dipesan

Gambar 4.4 inputkan jumlah menu yang dipesan

Bagian ketiga yaitu mencari menu yg bertemu atau yg sebagai kombinasi

menu nya ada berapa gitu, menggunakan rumus excel COUNTIFS, sehingga
hasilnya menjadi seperti ini

Gambar 4.5 rumus excel COUNTIFS

Kemudian yg terakhir menu support & confidance, di menu ini lah

hasilnya muncul, pertama ada daftar kombinasi menu nya, kemudian tombol
Start untuk melihat hasil support & confidance nya, kemudian ada kolom
support, a da kolom confidance, dan keterangan apakah di rekomendasikan
atau tidak nya sesuai dengan rumus algoritma a priori dan penentuan nilai
 48

minimum support & confidance. Di tombol start saya menggunakan macro

sebagai action nya, di kolom keterangan saya memakai rumus excel

Gambar 4.6 menu Support & Confidance

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan
Pembahasan masalah yang telah dibahas sebelumnya, dapat kita ambil
kesimpulan sebagai berikut:
a. Bahwa penelitian ini ditujukan untuk pengkombinasian menu di kafe
tunggu agar bisa tetap exis dan bertahan dengan persaingan kafe kafe yg lain, agar
hasil dari pengkombinasian ini bisa menjadi pertimbangan manajer,untuk bisa
salah satu nya mendongkrak omset penjualan dan juga disamping itu bisa melihat
menu yg sering terjual dan jarang terjual, trus diharapkan dengan metode
penelitian ini pun manajer tidak kesulitan menggunakan nya, karena pada
dasarnya di kafe tersebut sudah menggunakan excel sebagai data rekap penjualan.
 49

b. Memudahkan pembeli untuk memesan karena harga nya pun berbeda di

bandingkan bila pembeli membeli makanan/minuman tanpa kombinasi,harga
kombinasi lebih murah.
c. Serta dapat meminta pendapat dan penilaian dari pembeli yang
mengunjungi kafe untuk pengkombinasian menu,karena setiap pembeli berhak
memberikan penilaian agar kafe menjadi lebih baik,makanan kombinasi yang ada
pada menu kemungkinan laku terjual dan kita bisa merubah daftar menu
kombinasi yang bisa disesuaikan oleh pembeli agar terlihat menarik untuk
menarik banyak pembeli.

5.2 Saran
Untuk selanjutnya bisa melanjutkan dengan membuat aplikasi atau
program pada kasir atau dalam perekapan data penjualan, kemudian saya hanya
menggunakan aplikasi excel macro sederahana sebagai pengujian , mungkin bisa
membuat macro yg bisa lebih bagus lagi baik dari segi tampilan maupun segi
penginputan data.
 DAFTAR PUSTAKA

Fathansyah. (2012). Basis Data. Bandung: Informatika.

Fathansyah. (Juni 2012). Basis Data. Bandung: Informatika.

Fauzi, A. (2008). Pengantar Teknologi Informasi.

Hartono, J. (1999). Pengenalan Komputer. Yogyakarta: Andi.

Hartono, J. (1999). Pengenalan Komputer. Yogyakarta: Andi.

Jogiyanto. (1999). Pengenalan Komputer. Yogyakarta: Andi.

Jogiyanto, H. (1999). Pengenalan Komputer. Yogyakarta: Andi.

Kadir, A. (2009). Membuat aplikasi web dengan PHP + databse MySQL.

Komputer, Wahana;. (2009). PHP Programming. Yogyakarta: Andi.

Kusrini, & Luthfi, E. T. (2009). Algoritma Data Mining. Yogyakarta: Andi.

M. Shalahuddin, R. (2013). Rekayasa Perangkat Lunak Terstruktur dan

Berorientasi Objek. Bandung: Informatika.

M. Shalahuddin, R. A. (2011). Modul Pembelajaran Rekayasa Perangkat Lunak.

Bandung.

Mulyarto, A. R. (2008). Rekayasa Perangkat Lunak.

Peranginangin, K. (2006). Aplikas Web dengan PHP dan MySQL. Yogyakarta:

ANDI.

Peranginangin, K. (2006). Aplikasi web dengan php dan mysql. Yogyakarta: Andi.

Pramana, H. W. (2012).

Pressman, R. (2012). Rekayasa Perangkat Lunak. Yogyakarta: ANDI.

Rahardjo, B. (2011). Belajar Pemrograman Web. Modula.

raharjo, b. (2011). Belajar Pemrograman Web.

Rizky , S. (2011). Konsep Dasar Rekayasa Perangkat Lunak. Jakarta.

Rizky, S. (2011). Konsep Dasar Rekayasa Perangkat Lunak. Jakarta.

Simarmata, J. (2011). Modul Pembelajaran Rekayasa Perangkat Lunak. Bandung.

Simarmata, J. (Desember 2010). Belajar pemrograman web. Yogyakarta: Andi.

Sofana, I. (2011). Teori dan Modul Praktek Jaringan Komputer. Bandung:

Modula.

Sukamto, R. A., & Shalahudin, M. (2013). Rekayasa Perangkat Lunak. Bandung:

Informatika.

Syahrial, M. (2006). Komputer dan Jaringan.

Verman. (2009).

wibowo. (2013). Microsoft excel.

Yuhefizar. (2012).
1.9