Jurnal Ilmiah INFOTEK, Vol 1, No 1, Februari 2016 ISSN 2502-6968 (Media Cetak)

PENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI UNTUK

MENEMUKAN POLA DATA PENJUALAN ACCESSORIES HANDPHONE

Natalia Silalahi
Dosen Tetap AMIK STIEKOM
Jln. Adam Mallik No. 28 Rantauprapat, Sumatera Utara-Indonesia
Telp: 062425307
http://www.amikstiekomsu.ac.id //Email: natali.cieechan.silalahi@gmail.com

ABSTRAK
Data mining adalah serangkaian proses yang menggali nilai tambah berupa pengetahuan yang selama
ini tidak diketahui secara manual dari suatu kumpulan data. untuk mengetahui suatu itemset yang dibeli secara
bersamaan dalam satu transaksi tunggal digunakan teknik association rule dan algoritma apriori sebagai
pembuatan kandidat kombinasi item yang mungkin berdasar aturan tertentu lalu diuji apakah kombinasi item
tersebut memenuhi syarat support minimum yang kemudian dipakai untuk membuat aturan-aturan yang
memenuhi syarat confidence minimum. Dalam penelitian ini algoritma apriori dan association rule digunakan
untuk menemukan aturan asosiasi dari penjualan aksesoris handphone, yang digunakan sebagai pola dalam
pertimbangan persediaan stok dan pendistribusian aksesoris handphone yang lebih efektif.

Kata kunci: Data Mining, Algoritma Apriori, Association Rule

1.Pendahuluan 2. Bagaimana menghasilkan rules dari pola

Data mining adalah proses mencari pola atau
informasi menarik dalam data terpilih dengan
menggunakan teknik atau metode tertentu (Kusrini
dan Emha Taufiq Luthfi, 2009). Teknik data mining
untuk menemukan aturan asosiatif atau hubungan
antara item disebut dengan association rule mining.
Salah satu algoritma yang dapat digunakan untuk
menemukan association rule adalah algoritma apriori.
Keluaran dari data mining bisa dipakai untuk
memperbaiki pengambilan keputusan dimasa depan.
Oleh karena itu untuk mengetahui item
aksesoris apa saja yang dibeli oleh para supplier, dapat
dilakukan dengan menggunakan teknik analisis
keranjang pasar yaitu analisa dari kebiasaan
pembelian konsumen dalam satu transaksi tunggal.
Untuk mengetahui aksesoris yang sering terbeli secara
bersamaan disebut association rule (aturan asosiasi).
Proses pencarian asosiasi atau hubungan antar item
data ini diambil dari suatu basis data relasional. Salah
satu teknik dalam proses tersebut menggunakan
algoritma apriori, yang berfungsi sebagai pembentuk
kandidat kombinasi item yang mungkin lalu diuji
apakah kombinasi tersebut memenuhi syarat
parameter support dan confidence minimum yang
merupakan nilai ambang yang diberikan oleh
pengguna.
1.2 Perumusan Masalah
Berdasarkan uraian latar belakang, maka
masalah yang akan dibahas dalam penelitian ini adalah
sebagai berikut:
1. Bagaimana menemukan aturan asosiatif dan
membentuk pola kombinasi itemsets dengan
menggunakan algoritma apriori dari data penjualan
barang acsesoris handphone?
kombinasi itemsets yang interesting ?
3. Bagaimana pola data penjualan barang yang
dihasilkan dari penerapan metode association rule
menggunakan algoritma apriori?
1.3 Batasan Masalah
Agar pembahasan tidak lepas dari latar
belakang dan perumusan masalah, maka penulis
membatasi masalah yang dibahas yaitu sebagai
berikut:
1. Menggunakan data mining algoritma apriori untuk
menemukan pola kombinasi itemsets dan
association rule untuk menemukan rules pola data
penjualan accessories handphone.
2. Data yang digunakan dalam pengolahan data
adalah invoice tahun 2013.
3. Pengujian data menggunakan tools data mining
Tanagra versi 1.4.50.
1.4 Tujuan Penelitian
Beberapa tujuan yang ingin dicapai dalam
penelitian ini yaitu sebagai berikut:
1. Memamahami konsep association rule dengan
algoritma apriori untuk menemukan pola data
penjualan aksesoris.
2. Menemukan informasi pola data penjualan
aksesoris yang dapat membantu dalam prediksi
persediaan aksesoris sesuai dengan data penjualan
berdasarkan invoice.
3. Merancang data mining dengan algoritma apriori
untuk menyelesaikan masalah.
4. Mengimplementasikan association rule dengan
algoritma apriori pada data penjualan aksesoris
untuk mengekstrak pengetahuan, informasi penting
dan menarik dari database.

Penerapan Association Rule Dengan Algoritma Apriori Untuk Menemukan Pola Data Penjualan 114
Accessories Handphone. Oleh: Natalia Silalahi
Jurnal Ilmiah INFOTEK, Vol 1, No 1, Februari 2016
5. Menguji metode association rule dengan algoritma
apriori untuk menemukan pola data penjualan
aksesoris.
1.5 Manfaat Penelitian
Manfaat dari penelitian ini adalah
Mengaplikasikan algoritma apriori dalam menemukan
pola data penjualan accessories handphone.
2. Landasan Teori
2.1 Knowledge Discovery In Databases (KDD)
KDD didefenisikan sebagai ekstraksi
informasi potensial, implisit dan tidak dikenal dari
sekumpulan data. Proses knowledge discovery in
database melibatkan hasil proses data mining (proses
pengekstrakan kecenderungan suatu pola data),
kemudian mengubah hasilnya secara akurat menjadi
informasi yang mudah dipahami (Kennedi
Tampubolon et al, 2013).
Proses KDD secara garis besar dapat
dijelaskan sebagai berikut (Kusrini, Emha Taufiq
Luthfi, 2009) :
1. Data Selection
Pemilihan (seleksi) data dari sekumpulan data
operasional perlu dilakukan sebelum tahap
penggalian informasi dalam KDD. Data hasil
seleksi yang akan digunakan untuk proses data
mining, disimpan dalam suatu berkas, terpisah dari
basis data operasional.
2. Pre-processing/ Cleaning
Sebelum proses data mining dapat dilaksanakan,
perlu dilakukan proses cleaning pada data yang
menjadi fokus KDD. Proses cleaning mencakup
antara lain membuang duplikasi data, memeriksa
data yang inskosisten, dan memperbaiki kesalah
pada data, seperti kesalahn cetak (tipografi). Juga
dilakukan proses enrichment, yaitu informasi lain
yang relevan dan diperlukan untuk KDD, seperti
data atau informasi eksternal.
3. Transformation
Coding adalah proses transformasi pada data yang
telah dipilih sehingga data tersebut sesuai untuk
proses data mining. Proses coding dalam KDD
merupakan proses kreatif dan sangat tergantung
pada jenis atau pola informasi yang akan dicari
dalam basis data.
4. Data mining
Data mining adalah proses mencari pola atau
informasi menarik dalam data terpilih dengan
menggunakan teknik atau metode tertentu. Teknik,
metode, atau algoritma dalam data mining sangat
bervariasi. Pemilihan metode atau algoritma yang
tepat sangan bergantung pada tujuan dan proses
KDD secara keseluruhan.
5. Interpretation/ Evaluation
Pola informasi yang dihasilkan dari proses data
mining perlu ditampilkan dalam bentuk yang
mudah dimengerti oleh pihak yang
berkepentingan. Tahap ini merupakan bagian dari
proses KDD yang disebut interpretation. Tahap ini
Penerapan Association Rule Dengan Algoritma Apriori Untuk Menemukan Pola Data Penjualan
Accessories Handphone. Oleh: Natalia Silalahi
ISSN 2502-6968 (Media Cetak)
mencakup pemeriksaan apakah pola atau informasi
yang ditemukan bertentangan dengan fakta atau
hipotesis yang ada sebelumnya.
Gambar 2.1 Proses KDD
2.2 Data Mining
Data mining menurut David Hand, Heikki
Mannila, dan Padhraic Smyt dari MIT adalah analisa
terhadap data (biasanya data yang berukuran besar)
untuk menemukan hubungan yang jelas serta
menyimpulkan yang belum diketahui sebelumnya
dengan cara terkini dipahami dan berguna bagi
pemilik data tersebut (Prabowo Pudjo Widodo et al,
2013).
Data mining bukanlah suatu bidang yang
sama sekali baru, data mining memiliki akar yang
panjang dari bidang ilmu seperti kecerdasan buatan
(artificial intelligent), meachine learning, statistik,
database, dan juga information retrieval.
2.2.1 Pengelompokan Data mining
Data mining dibagi menjadi beberapa
kelompok berdasarkan tugas yang dapat dilakukan,
yaitu (Efori Buulolo, 2013):
1. Deskripsi
Terkadang peneliti dan analisis secara sederhana
ingin mencoba mencari cara untuk
menggambarkan pola dan kecendrungan yang
terdapat dalam data. Sebagai contoh, petugas
pengumpulan suara mungkin tidak dapat
menemukan keterangan atau fakta bahwa siapa
yang tidak cukup profesional akan sedikit
didukung dalam pemilihan presiden. Deskripsi dari
pola dan kecendrungan sering memberikan
kemungkinan penjelasan untuk suatu pola atau
kecenderungan.
2. Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali
variabel target estimasi lebih ke arah numerik
daripada ke arah kategori. Model dibagun
menggunakan record lengkap yang menyediakan
nilai dari variabel target sebagai nilai prediksi.
Selanjutnya, pada peninjauan berikutnnya estimasi
nilai dari variabel target dibuat berdasarkan nilai
variabel prdiksi. Sebagai contoh, akan dilakukan
estimasi tekanan darah sistolik pada pasien rumah
sakit berdasarkan umur pasien, jenis kelamin,
indeks berat badan, dan level sodium darah.
Hubungan antara tekanan darah sistoliak dan nilai
115
Jurnal Ilmiah INFOTEK, Vol 1, No 1, Februari 2016
variabel prediksi dalam proses pembelajaran akan
menghasilkan model estimasi. Model estimasi yag
dihasilkan dapat digunakan untuk kasus baru
lainnya.
3. Prediksi
Prediksi hampir sama dengan klasifikasi dan
estimasi, kecuali bahwa dalam prediksi nilai dari
hasil akan ada di masa mendatang.
Contoh prediksi dalam bisnis dan penelitian
adalah:
a. Prediksi harga beras dalam tiga bulan yang
akan datang.
b. Prediksi persentasi kenaikan kecelakaan lalu
lintas tahun depan jika batas bawah kecepatan
dinaikan.
Beberapa mode dan teknik yang digunakan dalam
klasifikasi dan estimasi dapat pula digunakan(untik
keadaan yang tepat) untuk prediksi.
4. Klasifikasi
Dalam klasifikasi, terdapat target variabel kategori.
Sebagai contoh penggolongan pendapatan dapat
dipisahkan dalam tiga kategori, yaitu pendapatan
tinggi, pendapatan sedang, dan pendapatan rendah.
Contoh lain klasifikasi dalam bisnis dan penelitian
adalah:
a. Menentukan apakah suatu transaksi kartu kredit
merupakan transaksi yang curang atau tidak.
b. Memperkirakan apakah suatu pengajuan hipotek
oleh nasabah merupakan suatu kredit yang
baik atau buruk.
c. Mendiagnosis penyakit seorang pasien untuk
mendapatkan termasuk kategori penyakit apa.
5. Pengklusteran
Pengkluteran merupakan pengelompokan record,
pengamatan, atau memperhatikan dan membentuk
kelas objek-objek yang memiliki kemiripan.
Kluster adalah kumpulan record yang memiliki
kemiripan satu dengan yang lainnya dan memiliki
ketidakmiripan dengan record-record dalam
kluster lain. Pengklusteran berbeda dengan
klasifikasi yaitu tidak adanya variabel target dalam
pengklusteran. Pengklusteran tidak mencoba untuk
melakukan klasifikasi, mengestimasi, atau
memprediksi nilai dari variabel target. Akan tetapi,
algoritma pengklusteran mencoba untuk
melakukan pembagian terhadap keseluruhan data
menjadi kelompok-kelompok yang memiliki
kemiripan (homogeny), yang mana kemiripan
dalam satu kelompok akan bernilai maksimal,
sedangkan kemiripan dengan record dalam
kelompok lain akan bernilai minimal.
Contoh pengklusteran dalam bisnis dan penelitian
adalah:
a. Mendapatkan kelompok-kelompok konsumen
untuk target pemasaran dari satu suatu produk
bagi perusahaan yang tidak memiliki dana
pemesaran yang besar.
b. Untuk tujuan audit akuntansi, yaitu melakukan
pemisahan terhadap perilaku financial dalam
baik dan mencurigakan.
Penerapan Association Rule Dengan Algoritma Apriori Untuk Menemukan Pola Data Penjualan
Accessories Handphone. Oleh: Natalia Silalahi
ISSN 2502-6968 (Media Cetak)
c. Melakukan pengklusteran terhadap ekspresi dari
gen, untuk mendapatkan kemiripan perilaku
dari gen dalam jumlah besar.
6. Asosiasi.
Tugas asosiasi dalam data mining adalah
menemukan attribut yang muncul dalam satu
waktu. Dalam dunia bisnis lebih umum disebut
analisis keranjang belanja.
Contoh asosiasi dalam bisnis dan penelitian
adalah:
a. Meneliti jumlah pelanggan dari perusahaan
telekomunikasi seluler yang diharapkan untuk
memberikan respon positif terhadap
penawaran upgrade layanan yang diberikan.
b. Menentukan barang dalam supermarket yang
dibeli secara bersamaan dan yang tidak pernah
dibeli secara bersamaan.
2.2.2 Langkah-langkah Mining
Ada empat tahap yang dilalui dalam data
mining antara lain (Kennedi Tampubolon, 2013) :
1. Tahap pertama: Precise statement of the problem
(mendefinisikan permasalahan yang ingin
diketahui). Misalnya ingin mengetahui apakah
seorang customer berpotensi memiliki kredit
macet, atau mengidentifikasi seorang customer
apakah akan pindah ke kompetitor bisnis kita, dan
lain sebagainya. Setelah menemukan pertanyaan
bisnis yang perlu dijawab oleh data mining,
selanjutnya tentukan tipe tugas untuk menjawab
pertanyaan bisnis tersebut. Tugas dasar yang
menjadi dasar algoritma data mining adalah
klasifikasi, regresi, segmentasi, asosiasi dan
sequence analisis.
2. Tahap kedua: Initial Exploration (Mempersiapkan
data yang menjadi sumber untuk data mining
termaksud data “cleaning” untuk mempelajari
polanya). Setelah menemukan defenisi masalah,
langkah berikutnya adalah mencari data yang
mendukung defenisi masalah. Menentukan porsi
data yang digunakan men-training data mining
berdasarkan algoritma data mining yang telah
dibuat. Setelah persiapan data selesai dilakukan,
langkah berikutnya adalah memberikan sebagian
data kedalam algoritma data mining.
3. Tahap ketiga: Model building and validation.
Validasi apakah data mining memberikan prediksi
yang akurat. Setelah training data selesai
dilakukan, data mining tersebut perlu di-“uji” atau
di-validasi keakuratannya terhadap data testing.
4. Tahap ke-empat: Deployment. Tahap ini memilih
aplikasi yang tepat terhadap data mining untuk
membuat prediksi.
2.3 Associatio Rule
Association rule mining adalah teknik data
mining untuk menemukan aturan asosiasi antara suatu
kombinasi item (Goldie Gunadi, Dana Indra Sensuse,
2012). Aturan asosiasi (association rules) atau analisis
afinitas (affinity analysis) berkenaan dengan tentang
116
Jurnal Ilmiah INFOTEK, Vol 1, No 1, Februari 2016
‘apa bersama apa’. Ini bisa berupa studi transaksi di
supermarket misalnya orang yang membeli susu bayi
juga membeli sabun mandi.
2.3.1 Tahapan Association Rule
Analisis asosiasi dikenal juga sebagai salah
satu teknik data mining yang menjadi dasar dari
berbagai teknik data mining lainnya. Khususnya salah
satu tahap dari analisis asosiasi yang disebut analisis
pola frequensi tinggi (frequent pattern mining)
menarik perhatian banyak peneliti untuk menghasilkan
algoritma yang efisien (Kennedi Tampubolon et al,
2013). Metodologi dasar analisis asosiasi terbagi
menjadi dua tahap:
1. Analisa pola frekuensi tinggi
Tahap ini mencari kombinasi item yang memenuhi
syarat minimum dari nilai support dalam database.
Nilai support item diperoleh degan memakai
rumus berikut:
𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴
Support (A )= (1)
𝑇𝑜𝑡𝑎𝑙 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖
sedangkan nilai dari support dari dua item
diperoleh dari rumus berikut:
𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵
Support(A,B)=
𝑇𝑜𝑡𝑎𝑙 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖
(2)
2. Pembentukan aturan assosiatif
Setelah semua pola frekuensi tinggi ditemukan,
barulah dicari aturan assosiatif yang memenuhi
syarat minimum untuk confidence dengan
menghitung confidence aturan asosiasi “ jika A
maka B “. Nilai confidence dari aturan “ jika A
maka B “ diperoleh dari rumus berikut:
Confidence=
𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵
P(A|B)= (3)
𝑇𝑜𝑡𝑎𝑙 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴
2.3.1.1 Lift Rasio
Salah satu cara yang lebih baik untuk melihat
kuat tidaknya aturan asosiasi adalah dengan nilai
benchmark, diasumsikan kejadian item dari
consequent dalam suatu transaksi adalah independent
dengan kejadian dari antecedent dari suatu aturan
asosiasi. Nilai estimasi dari confidence benchmark
dihitungan dari suatu aturan dengan persamaan
sebagai berikut (Budi Santoso,2007):
𝑐𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 𝑏𝑒𝑛𝑐ℎ𝑚𝑎𝑟𝑘 =
𝑗𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑑𝑒𝑛𝑔𝑎𝑛 𝑖𝑡𝑒𝑚 𝑑𝑎𝑙𝑎𝑚 𝑐𝑜𝑛𝑠𝑒𝑞𝑢𝑒𝑛𝑡
(4)
𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑑𝑎𝑙𝑎𝑚 𝑑𝑎𝑡𝑎𝑏𝑎𝑠𝑒
Bandingkan confidence terhadap confidence
benchmark dengan melihat rasionya. Jadi lift rasio
adalah perbandingan antara confidence untuk suatu
aturan dibagi dengan confidence, dimana diasumsikan
consequent dan antecedent saling independent, dengan
persamaan sebagai berikut:
𝑐𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒
𝐿𝑖𝑓𝑡 𝑟𝑎𝑠𝑖𝑜 = 𝑏𝑒𝑛𝑐ℎ𝑚𝑎𝑟𝑘 𝑐𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 (5)
Penerapan Association Rule Dengan Algoritma Apriori Untuk Menemukan Pola Data Penjualan
Accessories Handphone. Oleh: Natalia Silalahi
ISSN 2502-6968 (Media Cetak)
2.3.2 Langkah-LangkahProses Perhitungan
Association Rule
Proses perhitungan association rule terdiri
dari beberapa tahap adalah sebagai berikut (Eko
Wahyu Tyas d, 2008):
1. Sistem men-scan database untuk mendapat
kandidat 1-itemset (himpunan item yang terdiri
dari 1 item) dan menghiung nilai supportnya.
Kemudian nilai supportnya tersebut dibandingkan
dengan minimum support yang telah ditentukan,
jika nilainya lebih besar atau sama dengan
minimum support maka itemset tersebut termasuk
dalam large itemset.
2. Itemset yang tidak termasuk dalam large itemset
tidak diikutkan dalam iterasi selanjutnya ( di
prune).
3. Pada iterasi kedua sistem akan menggunakan hasil
large itemset pada iterasi pertama (L1) untuk
membentuk kandidat itemset kedua (L2). Pada
iterasi selanjutnnya sistem akan menggunakan
hasil large itemset pada iterasi selanjutnnya akan
(1)
menggunakan hasil large itemset pada iterasi
sebelumnya (Lk-1) untuk membentuk kandidat
itemset bertikut (Lk). Sistem akan
menggabungakan (join) Lk-1 dengan Lk-1 untuk
mendapatkan Lk, seperti pada iterasi(2)sebelumnya
sistem akan menghapus (prune) kombinasi itemset
yang tidak termasuk dalam large itemset.
4. Setelah dilakukan operasi join, maka pasangan
itemset baru hasil proses join tersebut dihitung
supportnya.
5. Proses pembentuk kandidat yang terdiri dari proses
join dan prune akan terus dilakukan hingga
himpunan kandidat itemsetnya null, atau sudah
tidak ada lagi kandidat yang akan dibentuk.
(3)
6. Setelah itu, dari hasil frequent itemset tersebut
dibentuk association rule yang memenuhi nilai
support dan confidence yang telah ditentukan.
7. Pada pembentukan association rule, nilai yang
sama dianggap sebagai satu nilai.
8. Assosiation rule yang terbentuk harus memenuhi
nilai minimum yang telah ditentukan.
9. Untuk setiap large itemset L, kita cari himpunan
bagian L yang tidak kosong untuk setiap himpunan
bagian tersebut, dihasilkan rule dengan bentuk
aB(L-a) jika supportnya (L) dan supportnya (a) lebih
besar dari minimum support.
2.4 Algoritma Apriori
Apriori adalah suatu algoritma yang sudah
sangat dikenal dalam melakukan pencarian frequent
itemset dengan menggunakan teknik association rule.
Pada algoritma apriori untuk menentukan kandidat-
kandidat yang mungkin muncul dengan cara
memperhatikan minimum support (Erwin, 2009).
Algoritma apriori dibagi menjadi beberapa
tahap yang disebut narasi atau pass:
1. Pembentukan kandidat itemset, kandidat k-itemset
dibentuk dari kombinasi (k-1) itemset yang didapat
dari iterasi sebelumnya. Satu cara dari algoritma
117
Jurnal Ilmiah INFOTEK, Vol 1, No 1, Februari 2016
apriori adalah adanya pemangkasan kandidat k-
itemset yang subset-nya yang berisi k-1 item tidak
termasuk dalam pola frekuensi tinggi dengan
panjang k-1.
2. Penghitungan support dari tiap kandidat k-itemset.
Support dari tiap kandidat k-itemset didapat
dengan menscan database untuk menghitung
jumlah transaksi yang memuat semua item didalam
kandidat k-itemset tersebut. Ini adalah juga ciri
dari algoritma apriori dimana diperlukan
penghitungan dengan cara seluruh database
sebanyak k-itemset terpanjang.
3. Tetapkan pola frekuensi tinggi. Pola frekuensi
tinggi yang memuat k item atau k-itemset
ditetapkan dari kandidat k-itemset yang supportnya
lebih besar dari minimum support.
4. Bila tidak didapat pola frekuensi tinggi baru maka
seluruh proses dihentikan. Bila tidak, maka k
ditambah satu dan kembali bagian 1.
Penerapan algoritma apriori dapat diilustrasikan
melalui gambar berikut:
Gambar 2.2 Ilustrasi Algoritma Apriori
PEMBAHASAN
3.1 Analisa Data
Analisa data dilakukan pada data penjualan
berdasarkan invoice, dengan tujuan untuk menemukan
pola data penjualan barang untuk mengetahui
kombinasi antar item (aksesories) yang terjual secara
bersamaan dalam satu transaksi penjualan. Berikut
adalah sebagaian data real penjualan barang dalam
penelitian ini.
Tabel 3.1 Data Real Barang Berdasarkan Invoice
No. Faktur Nama Barang
13-00001132 Batt Box Ion 1100mah IX4, Batt Box Ion
13600mah IX6, Srg Gal Tab P3200 ION
Book V2 Orange, Srg Gal Tab P3200 ION
Book V2 Pink, Srg Gal Tab T311 ION
Book V3 Brown, Srg Ipad Air Tatu
KissMe Black, Srg Ipad Air Tatu KissMe
Red, Srg Ipad New Belk Trifold Pink, Srg
Sam Gal Tab T230 Ion V4 Black, Srg
Sam Gal Tab T230 Ion V4 Brown, Srg
Penerapan Association Rule Dengan Algoritma Apriori Untuk Menemukan Pola Data Penjualan
Accessories Handphone. Oleh: Natalia Silalahi
ISSN 2502-6968 (Media Cetak)
Sam Gal Tab T230 Ion V4 Grey, Srg Sam
Gal Tab T330 Ion V4 White, Srg Tab
T311 ION Book Rotate + Wallet Black,
Srg Tab T311 ION Book Rotate + Wallet
D.Blue
13- A/G Ion Ipad Air Clear, A/G Ion Sam
00002134 Gal Tab P3200 Clear, A/G Sam Gal
s4 0.3mm Glass, Power Kit 6in1 Ion,
Srg Gal Tab T311 ION Book V3
Pink, Srg Sam Gal I9152 Flip Cover
Ori99 Artic Blue, Srg Sam Gal Tab
T230 Ion V4 Brown, Srg Sam Gal
Tab T230 Ion V4 Red, Srg Sam Gal
Tab T230 Ion V4 White, Srg Sam Gal
Tab T330 Ion V4 Red, Srg Sam Gal
Tab T330 Ion V4 White, Srg XiooM i
MI3 Ion V4 Black, Srg Gal Tab
P3200 ION Book V3 Black, Srg Gal
Tab P3200 ION Book V3 Brown, Srg
Gal Tab P3200 ION Book V3 Pink
3.2.2 Analisa Pola Frekuensi Tinggi
Pertama kali adalah dengan memisahkan
semua nama item barang yang ada dalam data yang
akan diolah, tahap ini akan mencari item yang
memenuhi syarat minimum dari nilai support dalam
database. Nilai support minimum diperoleh dengan
menggunakan rumus pada persamaan (1) sebagai
berikut:
3
𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝐴𝐺 𝐼𝑜𝑛 𝐼𝑝𝑎𝑑 𝐴𝑖𝑟 𝐶𝑙𝑒𝑎𝑟) = 20 =15%
1
𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝐵𝑎𝑡𝑡 9300 𝐾𝑒𝑝𝑡𝑒𝑟 𝐵. 𝑏𝑒𝑟𝑟𝑦 𝑜𝑟𝑖 ) = 20=5%
Tabel 4.2 merupakan tabel beberapa jenis
item barang yang ada dalam invoice dengan nilai
support dan support %, seperti pada tabel 3.2 berikut
ini:
Tabel 3.2 Keterangan Jenis Item Barang
Nama Barang Supp Suppor
ort t(%)
A/G Ion Ipad Air Clear 3 15
A/G Ion Sam Gal 67106 Clear 2 10
A/G Ion Sam Gal i9082 Grand 3 15
Clear
A/G Ion Sam Gal Tab P3200 2 10
Clear
A/G Sam Gal s4 0.3mm Glass 6 30
Batt 9300 Kepter B.berry ori 1 5
Batt Box Ion 1100mah IX4 3 15
Batt Box Ion 13600mah IX6 4 20
support menjelaskan jumlah kemunculan
atau presentasi setiap item dalam seluruh invoice
sedangkan support(%) adalah jumlah item yang
didapatkan dari nilai support di bagi dengan
jumlah total transaksi yang dikalikan dengan seratus
118
Jurnal Ilmiah INFOTEK, Vol 1, No 1, Februari 2016 ISSN 2502-6968 (Media Cetak)

persen(%). Berikut adalah tabel jenis item yang Srg Gal Tab 6 30
memenuhi nilai support minimum yaitu 20 persen(%): P3200 ION Book
Tabel 3.3 Pola Kombinasi Satu Itemset V3 Brown
Nama Barang Support Support(%) Srg Gal Tab 5 25
A/G Sam Gal s4 6 30 P3200 ION Book
0.3mm Glass V3 white
Batt Box Ion 4 20 Tabel 3.3 merupakan data item barang yang
136000mah IX6 memenuhi nilai support minimum dari 66 items dalam
Cable Data 4 20 keseluruhan invoice yang digunakan dalam pengolah
Samsung Galaxy data maka dihasilkan 23 items yang memenuhi syarat
Note ori minimum support yaitu 20 persen(%), data hasil
Power Kit 6in1 4 20 kombinasi satu itemset akan digunakan untuk
Ion membentuk pola kombinasi itemset berikutnya.
Srg BB Z 3 ION 5 25
B4 Black 3.2.2.1 Pembentukan Pola Kombinasi Dua Itemsets
Srg Gal Tab 4 20 pembentuk pola kombinasi dua itemset yaitu
P3200 ION Book dengan cara join, yaitu menggabungkan setiap items
V2 Pink pada pola sebelumnya menjadi kombinasi dua, dimana
Srg Gal Tab 4 20 nilai support didapat dengan menggunakan rumus
P3200 ION Book pada persamaan dua (2) dengan salah satu perhitungan
V2 Red items sebagai berikut:
Srg Gal Tab T311 8 40 Support (A/G Sam Gal s4 0.3mm Glass ∩ Power Kit
2
ION Book V2 6in1 Ion) = (AB)= = 10%
20
Pink A mewakili item yang berada sebelum tanda
Srg Gal Tab T311 6 30 baca koma, dan B mewakili item yang berada setelah
ION Book V3 tanda baca koma.
Brown maka itemset yang memenuhi nilai support minimal
Srg Gal Tab T311 5 25 adalah sebagai berikut
ION Book V3 Tabel 3.4 Pola Kombinasi Dua Itemsets
Pink Nama Barang Suppor Support(
Srg Ipad Air Tatu 5 25 t(A∩B) %)
KissMe Red Srg BB Z 3 ION B4 Black, 4 20
Srg Sam Gal 5 25 Srg Gal Tab T311 ION
I9152 Flip Cover Book V2 Pink
Ori99 Artic Blue Srg Gal Tab T311 ION 4 20
Srg Sam Gal Tab 4 20 Book V2 Pink, Srg Gal Tab
T230 Ion V4 T311 ION Book V3 Brown
Black Srg Gal Tab T311 ION 6 30
Srg Sam Gal Tab 9 45 Book V2 Pink, Srg Sam Gal
T230 Ion V4 Tab T230 Ion V4 Brown
Brown Srg Gal Tab T311 ION 4 20
Srg Sam Gal Tab 5 25 Book V2 Pink, Srg Sam Gal
T230 Ion V4 Tab T330 Ion V4 White
D.Blue Srg Gal Tab T311 ION 4 20
Srg Sam Gal Tab 4 20 Book V2 Pink, Srg Gal Tab
T230 Ion V4 Grey P3200 ION Book V3 Brown
Srg Sam Gal Tab 6 30 Srg Gal Tab T311 ION 4 20
T230 Ion V4 Red Book V3 Brown, Srg Gal
Srg Sam Gal Tab 4 20 Tab T230 Ion V4 Brown
T330 Ion V4 Srg Sam Gal Tab T230 Ion 4 20
D.Grey V4 Black, Srg Sam Gal Tab
Srg Sam Gal Tab 4 20 T230 Ion V4 Brown
T330 Ion V4 Red Srg Sam Gal Tab T230 Ion 4 20
Srg Sam Gal Tab 8 40 V4 Brown, Srg Tab P3200
T330 Ion V4 ION Book V3 Brown,
White Srg Gal Tab P3200 ION 4 20
Srg Gal Tab 4 20 Book V3 Black, Srg Gal
P3200 ION Book Tab P3200 ION Book V3
V3 Black Brown

Penerapan Association Rule Dengan Algoritma Apriori Untuk Menemukan Pola Data Penjualan 119
Accessories Handphone. Oleh: Natalia Silalahi
Jurnal Ilmiah INFOTEK, Vol 1, No 1, Februari 2016 ISSN 2502-6968 (Media Cetak)

Srg Sam Gal Tab T330 Ion 5 25 Jika dibeli Srg Sam Gal
V4 White, Srg Sam Gal Tab Tab T330 Ion V4 1,3888
T230 Ion V4 Brown White: maka akan 9 25 62,5
dibeli Srg Sam Gal Tab
3.2.3 Pembentukan Association Rule T230 Ion V4 Brown
Setelah semua pola frekunsi tinggi Jika dibeli Srg Gal Tab
ditemukan, maka dilanjutkan dengan pencarian T311 ION Book V3
association rule yang memenuhi syarat minimum Brown: maka akan 1,6666
20 66,67
untuk confidence, dengan cara menghitung confidence dibeli Srg Gal Tab 7
aturan dari asosiasi “jika A maka B”. Confidence T311 ION Book V2
adalah nilai yang mendefinisikan kuat tidaknya Pink
hubungan antara item-item yang berkombinasi. Jika dibeli Srg Sam Gal
Perhitungan confidence menggunakan rumus Tab T230 Ion V4
pada persamaan (3) dengan perhitungan sebagai Brown: maka akan 1,6667
30 66,67
berikut: dibeli Srg Gal Tab 5
Confidence (Srg BB Z 3 ION B4 Black|Srg Gal Tab T311 ION Book V2
4
T311 ION Book V2 Pink) = 5 = 80% Pink
Selain dengan menghitung confident, Jika dibeli Srg Gal Tab
menghitung nilai lift juga adalah salah satu cara untuk P3200 ION Book V3
1,6666
melihat kuat tidaknya hubungan antara rule yang Brown:maka akan
7 20 66,67
berkombinasi. Setelah ditemukan nilai confident suatu dibeli Srg Gal Tab
rule, maka digunakan rumus pada persamaan (4) dan T311 ION Book V2
dilanjutkan dengan rumus persamaan (5) maka nilai Pink
lift rasio dari perhitungan calon association rule dapat Jika dibeli Srg Gal Tab
dilihat seperti pada tabel 3.5 berikut ini: P3200 ION Book V3
1,4814
Tabel 3.5 Nilai Lift Rasio dari Calon Association Brown: maka akan 20 66,67
8
Rule Dua Itemsets dibeli Srg Sam Gal Tab
Sup Confid T230 Ion V4 Brown
Nama Barang Lift port ence Jika dibeli Srg Gal Tab
% (%) P3200 ION Book V3
Jika dibeli Srg BB Z 3 Brown: maka akan 3,3333
20 66,67
ION B4 Black: maka dibeli Srg Gal Tab 3
2,0000 P3200 ION Book V3
akan dibeli Srg Gal Tab 20 80
0 Black
T311 ION Book V2
Pink
Jika dibeli Srg Gal Tab Dari hasil pembentukan association rule
T311 ION Book V2 yang diperoleh dapat dilihat bahwa dari 20 sampel
1,6666 transaksi (invoice) dan 66 item aksesoris handphone,
Pink: maka akan dibeli 20 75
7 dihasilkan 11 rules yang interesting dengan support
Srg Sam Gal Tab T230
Ion V4 Brown minimum 20%, confidence minimum 60% dan lift
Jika dibeli Srg Gal Tab rasio lebih besar dari 1.
T311 ION Book V3 Salah satu association rule yang dihasilkan
1,4815 adalah Jika dibeli Srg BB Z 3 ION B4 Black: maka
Brown: maka akan 20 66,67
6 akan dibeli Srg Gal Tab T311 ION Book V2 Pink,
dibeli Srg Gal Tab
T230 Ion V4 Brown support= 20%, confidence=80%. Artinya yaitu 80%
dari transaki yang memuat Srg BB Z 3 ION B4 Black
Jika dibeli Srg Sam Gal
juga memuat Srg Gal Tab T311 ION Book V2 Pink
Tab T230 Ion V4
2,2222 sedangkan 20% dari seluruh transaksi yang ada
Black: maka akan 20 100
2 memuat kedua item aksesoris tersebut. Dapat juga
dibeli Srg Sam Gal Tab
diartikan bahwa jika sebuah supplier membeli Srg BB
T230 Ion V4 Brown
Z 3 ION B4 Black maka memiliki kemungkinan 80%
Jika dibeli Srg Gal Tab
untuk membeli Srg Gal Tab T311 ION Book V2 Pink
P3200 ION Book V3
dengan nilai 20% kemungkinan dua item tersebut
Black: maka akan 3,3333
20 100 terbeli secara bersamaan dan nilai liftnya adalah
dibeli Srg Gal Tab 3
2,00000.
P3200 ION Book V3
Brown
Format tabular data
Data dalam bentuk 0 dan 1, dimana 1
menunjukkan bahwa adanya barang aksesoris yang
terbeli dalam invoice dan sebaliknya 0 menunjukkan

Penerapan Association Rule Dengan Algoritma Apriori Untuk Menemukan Pola Data Penjualan 120
Accessories Handphone. Oleh: Natalia Silalahi
RM 57
Remax
Hf

0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
Remax
Jurnal Ilmiah INFOTEK, Vol 1, No 1, Februari 2016 ISSN 2502-6968 (Media Cetak)

RM
535
Hf

0
0
0
1
0
0
1
0
0
1
0
0
0
0
0
0
0
1
0
0
Samsung

Note ori
Galaxy
Cable
Data
bahwa item tidak terbeli dalam invoice. berikut adalah Frequent. Gambar berikut adalah tampilan jendela

0
0
0
0
0
0
1
0
0
1
0
0
0
0
0
0
0
0
0
0
beberapa sampel dari format tabular data.
Iphone
parameter untuk analisa pola frekuensi tinggi.
Cable
Data

Bentuk Data Dalam Format Tabular

ori

0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
7800mah
Batt Box

IX5
Ion

0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
1
0
6200mah
Batt Box

IX8
Ion

0
0
0
1
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
5800mah
Batt Box
Ion

Z1

Gambar 4.1 Tampilan Parameter Frequent

1
0
0
0
0
0
0
0
0
0
0
0
1
0
1
1
0
0
0
0
13600mah

Itemsets
Batt Box

IX6
Ion

Setelah parameter ditentukan dan klik tombol

button Ok, pada frequent itemsets klik kanan pilih
1
0
0
1
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
1100mah
Batt Box

excute dan klik kanan view maka akan tampil hasil

perhitungan frequent itemsets dengan nilai support
IX4
Ion

minimum adalah 20%, Tampilan pola dapat dilihat

0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0

pada gambar berikut:

B.berry
Kepter
9300
Batt

ori

0
1
0
1
0
0
0
1
0
0
1
1
0
0
0
0
1
0
0
0
A/G Sam

0.3mm
Gal s4

Glass

0
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Sam Gal
A/G Ion

P3200
Clear
Tab

0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
1
0
Sam Gal
A/G Ion

Grand
i9082

Clear

0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
1
0
Sam Gal
A/G Ion

67106
Clear

0
1
0
0
0
1
0
0
0
0
0
0
0
0
0
0
1
0
0
0

Gambar 4.2 Tampilan Hasil Pengujian Satu Item

Ipad Air
A/G Ion

Clear

dan Kombinasi Dua Itemset

Pengujian pada gambar 4.2 menghasilkan

sebanyak 33 itemsets yang merupakan gabungan dari
13-00000132
13-00000134
13-00000135
13-00000136
13-00000138
13-00000135
13-00000132
13-00000139
13-00000132
13-00000136
13-00000131
13-00000133
13-00000137
13-00011307
13-00011312
13-00011311
13-00011368
13-00011390
13-00013112
13-00011329
No.Faktur

satu item dan kombinasi dua itemset, hasil terdiri dari

4.2 Pengujian
Pengujian dilakukan untuk membuktikan
apakah hasil dari kombinasi item dan aturan asosiasi
yang telah dilakukan pada bab sebelumnya sudah
sesuai dengan perhitungan algoritma apriori yang
sebenarnya.
dua atribut yaitu description untuk menggambarkan
jenis item dan support adalah nilai dari presentasi
banyaknya jumlah jenis items dibagikan dengan
jumlah transaksi yang digunakan dalam pengolahan
data.
Selanjutnya adalah tampilan pengujian
khusus untuk pola kombinasi dua itemsets, pada
frequent itemsets parameter Min length sama dengan
2 dan Max length sama dengan 2. Berikut adalah
gambar tampilan Pola kombinasi dua itemsets.

4.2.1 Pengujian Untuk Pola Kombinasi Itemsets

Parameter Min Support adalah 0,20, dengan
Max Support 1, Min length sama dengan 1 dan Max
length sama dengan 2 dengan Itemset type adalah

Penerapan Association Rule Dengan Algoritma Apriori Untuk Menemukan Pola Data Penjualan 121
Accessories Handphone. Oleh: Natalia Silalahi
Jurnal Ilmiah INFOTEK, Vol 1, No 1, Februari 2016
Gambar 4.3 Tampilan Hasil Pola Kombinasi
Dua Itemsets
Pada gambar 4.3 tampak 10 itemsets yang
dihasilkan khusus untuk pola kombinasi dua itemsets
dengan minimum support adalah 20persen(%). Pola
kombinasi dari setiap items terbentuk dari satu item
yang memenuhi nilai support. Setelah semua nilai
pola frekuensi tinggi di temukan, maka selanjutnya
adalah perhitungan assosition rules.
4.2.3 Pengujian Untuk Menghasilkan Rules
Untuk melakukan proses pengujian
assosiation rules diawali dengan memilih menu
association dan pilih submenu A Apriori lalu klik
drag dan letakan pada define status 1, maka akan
tampil penentuan parameter sebagai berikut:
Gambar 4.4 Tampilan Association Rule
Parameter
Association rule parameter adalah tampilan
menu untuk menentukan nilai support, confidence dan
lift dari data, minimum support yang diharapkan
adalah 20 persen(%), confidence sama dengan 60
persen(%) dan nilai lift sama dengan 1, adapun hasil
yang dihasilkan dengan parameter yang telah
ditentukan setelah di execute lalu view adalah sebagai
berikut:
Gambar 4.5 Tampilan Hasil Association Rule
Dari Pengujian
Penerapan Association Rule Dengan Algoritma Apriori Untuk Menemukan Pola Data Penjualan
Accessories Handphone. Oleh: Natalia Silalahi
ISSN 2502-6968 (Media Cetak)
Gambar 4.5 adalah tampilan dari hasil
pengujian rules yang dihasilkan dari nilai parameter
yang ditentukan. Terdapat dua atribut baru yaitu
antecedent dan consequent, istilah antecedent untuk
mewakili bagaian “jika” dan consequent untuk
mewakili bagian “maka”. Untuk mengukur kekuatan
aturan asosiasi ini digunakan ukuran confidence dan
lift ratio.
Untuk menghasilkan aturan asosiatif yang
lebih bervarisi maka dapat dilakukan dengan
memberikan nilai support dan confident yang lebih
kecil, pemberian nilai support dan confident
memperngaruhi jumlah rule yang dihasilkan. Berikut
adalah rule yang di hasilkan dengan support min=15
dan confident min=45 adalah sebagai berikut:
Gambar 4.6 Tampilan Hasil Association Rule
Pengujian Ke Dua
Dari gambar 4.6 merupakan hasil dari
pengujian dengan memperkecil nilai support min dan
confident min, semakin kecil nilai ambangnya maka
rule yang dihasilkan akan semakin bervariasi juga.
Dengan total invoice adalah 20, 66 item,
support=15%, confident=45% maka dihasilkan 136
rule yang dengan pola kombinasi yang dihasilkan
sebanyak tiga kombinasi.
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil pengujian dan analisis dari
penerapan association rule dengan algortma apriori
untuk menemukan pola data penjualan accessories
handphone pada maka dapat di tarik kesimpulan
sebagai berikut:
1. Penerapan association rule dengan algoritma
apriori dapat digunakan untuk menyelesaikan
permasalahan dalam menemukan pola data
penjualan aksesoris handphone yang menghasilkan
pola kombinasi sebagai acuan dalam persediaan
stok aksesoris handphone.
2. Pola data penjualan yang dihasilkan dengan min
support 20 persen(%), min confidence 60
persen(%) adalah pola kombinasi dua items.
122
Jurnal Ilmiah INFOTEK, Vol 1, No 1, Februari 2016 ISSN 2502-6968 (Media Cetak)

3. Dari data hasil pengujian yang telah diperoleh, Apriori Untuk Analisa Pola Data Hasil
dapat diketahui aksesoris apa saja yang sering Tangkapan Ikan”.e-Indonesia Initiative 2008.
muncul di dalam transaksi. Dengan demikian 10. Erwin (2013). Analisis Market Basket Dengan
informasi ini dapat memudahkan dalam Algoritma Apriori Dan Fp-Growth. Jurnal
menyediakan stok dan pendistribusikan aksesoris. Generic Vol.4 No.2
11. Budi Santoso (2007). Data Mining, Teknik
5.2 Saran Pemanfaatan Data Untuk Keperluan Bisnis.
Berdasarkan hasil penelitian ini, ada Yogyakarta. Penerbit Graha Ilmu.
beberapa saran yang dapat dilakukan guna
pengembangan penelitian ini untuk menjadi lebih
baik, di antaranya sebagai berikut:
1. Data yang digunakan dalam pengolahan sebaiknya
dikelompokkan berdasarkan bulan dan merek
handphone, karena adanya tingkat perkembangan
yang pesat akan kebutuhan aksesoris handphone
berdasarkan merek tersebut.
2. Disarankan untuk menggunakan min support dan
min confidence yang lebih bervariasi sehingga pola
yang dihasilkan lebih memiliki kombinasi yang
lebih banyak.
3. Sebaiknya dilakukan perbandingan dengan
menggunakan algoritma lain, untuk mengukur
tingkat kinerja dan hasil yang diperoleh, apakah
algoritma apriori sudah baik dalam penemuan pola
penjualan aksesoris handphone.

Daftar Pustaka
1. Fadlina (2014). “Data Mining Untuk Analisa
Tingkat Kejahatan Jalanan Dengan Algoritma
Association Rule Metode Apriori”. Informasi dan
Teknologi Ilmiah (INTI). Volume III Nomor I.
2. Kennedi Tampubolon et al (2013). “Implementasi
Data Mining Algortima Apriori Pada Sistem
Persediaan Alat-Alat Kesehatan”. Informasi dan
Teknologi Ilmiah (INTI). Volume I Nomor I.
3. Kusrini, Emha Taufiq Luthfi (2009). “Algoritma
Data Mining”.Yogyakarta. Penerbit Andi.
4. Prabowo Pudjo Widodo et al (2013). “Penerapan
Data Mining Dengan Matlab”. Bandung.
Penerbit Rekayasa Sains.

5. Dewi Kartika Pane (2013). “Implementasi Data

Mining Pada Penjualan Produk elektronik
Dengan Algoritma Apriori”.Pelita Informatika
Budi Darma. Volume IV Nomor 3.
6. Efori Buulolo (2013). “Implementasi Algortima
Apriori Pada Sistem Persediaan Obat”. Pelita
Informati Budi Darma. Volume IV Nomor I.
7. Seni Susanto dan Dedy Suryadi (2010).
“Pengantar Data Mining”. Yogyakarta. Penerbit
Andi.
8. Goldie Gunadi, Dana Indra Sensuse (2012).
Penerapan Metode Data Mining Market Basket
Analysis Terhadap Data Penjualan Produk Buku
Dengan Menggunkan Algoritma Apriori Dan
Frequent Pattern Growth (FP-Growth).
Telematika MKOM Vol.4 No.I.
9. Eko Wahyu Tyas d (2008). “Penerapan Metode
Association Rule Menggunakan Algoritma

Penerapan Association Rule Dengan Algoritma Apriori Untuk Menemukan Pola Data Penjualan 123
Accessories Handphone. Oleh: Natalia Silalahi