Abstrak- Penerapan Data Mining algoritma Apriori transaksi) dan melakukan penggabungan dengan item
dalam memprediksi stok barang penjualan sepatu dapat lain serta melakukan prune (pemangkasan)
digunakan untuk membantu suatu perusahaan atau toko menggunakan minimum support (Nofriansyah, D.
penjualan dalam memprediksi jenis barang atau brand apa 2015). Algoritma apriori dapat dengan mudah
saja yang laku ataupun tidak laku pada suatu toko atau
menentukan barang-barang yang mempunyai kaitan
penjualan. Sehingga dapat diperoleh informasi yang jenis
barang atau brand apa saja yang harus memiliki stok yang yang lebih dekat hubungannya, sehingga mengetahui
banyak, sedikit dan lain sebagainya. Dengan memanfaatkan bagaimana cara menentukan pola persediaan stok sepatu
perangkat lunak yang dirancang untuk melakukan Strategi berdasarkan kebutuhan permintaan pelanggan.
pasar yang dapat menentukan pola persediaan stok sepatu Tujuan utama yang ingin dicapai yaitu Untuk
berdasarkan permintaan pelanggan merupakan salah satu menentukan persediaan stok sepatu Converse
cara yang tepat untuk mengetahui minat pembelian berdasarkan permintaan pelanggan dengan menerapkan
pelanggan. Penggunaan algoritma apriori merupakan salah metode apriori agar data persediaan stok sepatu
satu cara untuk mengetahui hal tersebut. Dengan converse lebih akurat.
mengetahui minat pembelian pelanggan, maka management
bisa menentukan pola persediaan stok sepatu converse
sesuai dengan permintaan ataupun harapan pelanggan. II. LANDASAN TEORI
Hasil dari penelitian ini adalah, perusahaan dapat lebih
mudah dalam menyediakan produk yang lebih diinginkan A. Data Mining
pelanggan berdasarkan stok sepatu converse yang ada.
Sehingga penjualan akan meningkat dan dapat memberikan Data mining adalah suatu istilah yang digunakan
keuntungan bagi perusahaan dikarenakan pelanggan untuk menguraikan penemuan pengetahuan di dalam
merasa puas dengan produk yang telah ditawarkan oleh database. Data mining adalah proses yang
perusahaan. menggunakan teknik statistik, matematika, kecerdasan
Kata kunci : Data Mining, Algoritma Apriori,Prediksi buatan, dan machine learning untuk mengekstraksi
Stok Barang. dan mengidentifikasi informasi yang bermanfaat dan
pengetahuan yang terakit dari berbagai database besar
I. PENDAHULUAN. (Turban, dkk. 2005).
Data Mining merupakan penggalian database yang Menurut Gartner (Larose, 2005) ‘Data mining
tersimpan dan dilakukan untuk mengetahui informasi adalah suatu proses menemukan hubungan yang berarti,
yang tersembunyi dari pengolahan data mining. Pada pola, dan kecenderungan dengan memeriksa dalam
perusahan yang bergerak dalam bidang penjualan maka sekumpulan besar data yang tersimpan dalam
dibutuhkan peningkatan dalam bidang pelayanan penyimpanan dengan menggunakan teknik pengenalan
perusahaan. PT. MAP Aktif Adiperkasa yaitu Converse pola seperti teknik statistik matematika’.
dalam menentukan persediaan stok sepatu Converse Kemajuan luar biasa yang terus berlanjut dalam
yang dilihat berdasarkan permintaan pelanggan masih bidang data mining didorong oleh beberapa faktor,
mengalami kendala, dikarenakan sistem yang kurang antara lain (Larose,2005) :
mendukung. Dibutuhkan sistem informasi yang dapat 1. Pertumbuhan yang cepat dalam kumpulan data.
membantu perusahaan untuk mengetahui produk seperti 2. Penyimpanan data dalam data warehouse,
apa yang harus ditingkatkan sesuai dengan permintaan sehingga seluruh perusahaan memiliki akses ke
pelanggan. dalam database yang andal.
Penerapan yang sesuai untuk mengatasi masalah 3. Adanya peningkatan akses data melalui navigasi
tersebut adalah dengan dikembangkannya konsep data web dan internet.
mining. Penelitian Sebelumnya yaitu Penerapan Metode 4. Tekanan kompetisi bisnis untuk meningkatkan
Association Rule Menggunakan Algoritma Apriori penguasaan pasar dalam globalisasi ekonomi.
untuk Analisa Pola Data Hasil Tangkapan Ikan. 5. Perkembangan teknologi perangkat lunak untuk
Algoritma apriori merupakan salah satu teknik asosiasi data mining (ketersediaan teknologi).
yang digunakan untuk menemukan kandidat itemset 6. Perkembangan yang hebat dalam kemampuan
(kumpulan item-item yang terjual dalam suatu komputasi dan pengembangan kapasitas media
penyimpanan.
67
JURNAL TEKNIK DAN INFORMATIKA ISSN 2089-5490
VOLUME 5 NOMOR 2 JULI 2018
68
JURNAL TEKNIK DAN INFORMATIKA ISSN 2089-5490
VOLUME 5 NOMOR 2 JULI 2018
Support(1W883, 1W920)=
Tabel. 8 Daftar 1 Itemset
Support(1W883, M7650C)=
Support(1W884, 1W885)=
Support(1W884, 1W912)=
Support(1W884, 1W915)=
Support(1W884, 1W920)=
Support(1W884, M7650C)=
Untuk menghitung nilai support dari setiap jenis sepatu
dapat digunakan rumus sebagai berikut:
Support (A) = Support(1W885, 1W912)=
(jumlah transaksi mengandung A/Total transaksi) x
100%. Support(1W885, 1W915)=
Dari rumus diatas maka dapat dihasilkan nilai support
dari masing-masingsepatu, yaitu: Support(1W885, 1W920)=
Support (1W883)=
Support(1W915, 1W920)=
Support (1W884)=
Support(1W915, M7650C)=
Support (1W885)=
69
JURNAL TEKNIK DAN INFORMATIKA ISSN 2089-5490
VOLUME 5 NOMOR 2 JULI 2018
1W885 o
6 1W882,
1W912 16 51.61 % 89,47%pembelian
7 1W883, sepatu dengan
{1W881}
1W884 17 54.83 % kode 1W881,
-
8 1W884, 1. 89.47 % akan membeli
>{1W884
1W885 20 64.51 % sepatu dengan
}
kode 1W884 pada
setiap bulannya
B. Penentuan nilai minimum confidence
Langkah selanjutnya adalah menghitung 85,18
Confidence dari kandidat 2 item dengan persamaan %pembelian
sebagai berikut : {1W882} sepatu dengan
Confidence (A dan B) - kode 1W882,
= (jumlah transaksi mengandung A dan B/ jumlah 2. 85.18 %
>{1W884 akan membeli
transaksi mengandung A) x 100%. } sepatu dengan
kode 1W884 pada
Confidence(1W881, 1W882)= setiap bulannya
85%pembelian
Confidence(1W881, 1W884)= sepatu dengan
{1W883}
kode 1W883,
Confidence(1W882, 1W883)= -
3. 85 % akan membeli
>{1W884
sepatu dengan
Confidence(1W882, 1W884)= }
kode 1W884 pada
setiap bulannya
Confidence(1W882, 1W885)= 84,21
%pembelian
Confidence(1W882, 1W912)= {1W881} sepatu dengan
- kode 1W881,
Confidence(1W883, 1W884)= 4. 84.21 %
>{1W882 akan membeli
} sepatu dengan
Confidence(1W884, 1W885)=
kode 1W882 pada
Kemudian setelah didapatkan hasil Confidence setiap bulannya
masing-masing itemset, maka dibuat association rules 76,92%pembelian
A->B dengan minimum Confidence 60% sepatu dengan
{1W884}
kode 1W884,
-
Tabel 11. Association Rules A->B 5. 76.92 % akan membeli
>{1W885
N Qua Suppor Confidenc sepatu dengan
Rule }
o ntity t e kode 1W885 pada
{1W881} - 54.83 setiap bulannya
1 17 89.47 % 74,07%pembelian
>{1W884} %
{1W882} - 74.19 sepatu dengan
2 23 85.18 % {1W882}
>{1W884} % kode 1W882,
-
{1W883} - 54.83 6. 74.07 % akan membeli
3 17 85 % >{1W885
>{1W884} % sepatu dengan
}
{1W881} - 51.61 kode 1W885 pada
4 16 84.21 % setiap bulannya.
>{1W882} %
{1W884} - 64.51
5 20 76.92 %
>{1W885} % D. Hasil Penentuan Association Rules
{1W882} - 64.51 Dari hasil analisis data diatas dapat disimpulkan
6 20 74.07 %
>{1W885} % bahwa pola pembelian sepatu paling banyak terdapat
{1W882} - 58.06 pada sepatu dengan kode 1W881 dan 1W884 dengan
7 18 66.66 %
>{1W883} % persentase pembelian mencapai 89,47 %. Oleh karena
itu PT. MAP Aktif Adiperkasa harus mempunyai stok
sepatu dengan kode 1W881 dan 1W884 untuk
C. Penentuan Association Rules
memenuhi banyaknya permintaan dan mencegah
Dari hasil association rules A-> B maka dibuat
terjadinya kekurangan stok sepatu dengan kode tersebut
keterangan untuk setiap rule seperti terlihat pada tabel
yang akan diprediksikan terjadi pada bulan berikutnya.
sebagai berikut:
N Rule Confidence Keterangan
70
JURNAL TEKNIK DAN INFORMATIKA ISSN 2089-5490
VOLUME 5 NOMOR 2 JULI 2018
71