PROPOSAL PENELITIAN

ASSOCIATION RULE MINING MENGGUNAKAN ALGORITMA

APRIORI UNTUK MENENTUKAN FREQUENT ITEMSET
PENJUALAN : STUDI KASUS PT ELITE RECYCLING
INDONESIA

PENGUSUL
(Bramastyo Kusumo/ 11190636)

STMIK NUSA MANDIRI

OKTOBER 2019
 HALAMAN PENGESAHAN

1. Judul Penelitian : ASSOCIATION RULE MINING

MENGGUNAKAN ALGORITMA
APRIORI UNTUK MENENTUKAN
FREQUENT ITEMSET PENJUALAN :
STUDI KASUS PT ELITE RECYCLING
INDONESIA
2. Bidang Ilmu : Sistem Informasi
3. Peneliti
a. Nama Lengkap : Bramastyo Kusumo
b. NIM : 11190636
c. Jabatan Fungsional : Mahasiswa
d. Program Studi : Sistem Informasi
e. Alamat Institusi : Jl. Damai No. 8 Warung Jati Barat
(Margasatwa) Jakarta Selatan
f. Telepon/Email : 021-78839502
g. Biaya yang di usulkan : Rp. 0
Bekasi, Oktober 2019
Mengetahui
Ketua STMIK Nusa Mandiri Pengusul,

Dr. Dwiza Riana, S.SI, MM, M.Kom Bramastyo Kusumo

NIDN : 200108003 NIM : 11190636

Menyetujui
Ketua PPPM STMIK Nusa Mandiri

(Norma Yunita, M.Kom)

NIDN: 201309492

ii
 DAFTAR ISI
Halaman

PROPOSAL PENELITIAN .................................................................................. i

HALAMAN PENGESAHAN ............................................................................... ii

DAFTAR ISI ......................................................................................................... iii

RINGKASAN ....................................................................................................... iv

BAB I PENDAHULUAN ........................................................................... 1

1.1 Latar Belakang Masalah ..................................................... 1

1.2 Identifikasi Masalah ............................................................ 2

1.3 Rumusan Masalah................................................................ 2

1.4 Tujuan Penelitian ................................................................. 2

BAB II TINJAUAN PUSTAKA ................................................................. 3

BAB III METODE PENELITIAN .............................................................. 5

BAB IV BIAYA DAN JADWAL PENELITIAN ....................................... 6

DAFTAR PUSTAKA ............................................................................................ 7

LAMPIRAN-LAMPIRAN ................................................................................... 8

BIODATA PENGUSUL ....................................................................................... 9

iii
 RINGKASAN

PT Elite Recycling Indonesia adalah anak perusahaan di bawah naungan

PANERA grup, yang bergerak di bidang pengolahan limbah plastik menjadi
barang jadi berbahan plastik. Salah satu produk yang paling banyak di produksi
adalah kemasan kantong plastik Dalam sehari ratusan produk terjual kepada para
konsumen perusahaan. Untuk menganalisis pola produk yang terjual, digunakan
suatu analisis keranjang belanja. Untuk menemukan pola pembelian dengan
menganalisa data transaksi dari perusahaan. Analisa Keranjang Belanja dapat
dilakukan dengan cara Association Rules Mining. Association Rules / aturan
asosiasi, yaitu cara untuk mencari hubungan antar item pada suatu keranjang
belanja. Metode yang sering di gunakan untuk Analisa keranjang belanja adalah
Apriori dan FP-Growth. Proses pencarian menggunakan apriori untuk
menemukan pola kombinasi produk yang lebih sering terjual sebagai informasi
penting dari data transaksi penjualan perusahaan. Dengan menggunakan tools
Tanagra akan dengan cepat memberikan hasil pencarian frekuensi item dengan
akurat. Hasil ini dapat rekomendasi dalam menentukan strategi penjualan oleh
pihak perusahaan.

iv
 BAB I
PENDAHULUAN

1.1 Latar Belakang Masalah

Keranjang Belanja adalah itemset yang dibeli secara bersamaan oleh
pelanggan pada satu transaksi ke toko [Liu et al., 2012][Cavique, 2007]. Analisis
keranjang belanja adalah metode data mining yang berfokus menemukan pola
pembelian dengan menganalisis data transaksi sebuah toko [Annie and Kumar,
2012]. Tujuan analisis keranjang belanja adalah untuk mendapatkan pelanggan
agar menghabiskan lebih banyak uang berdasarkan dua prinsip yang berbeda.
Pertama Up-Selling, yaitu terus menerus membeli produk yang sama dalam
jumlah yang besar atau menambahkan fitur baru atau garansi. Kedua Cross-
Selling, yaitu terus menerus menawarkan lebih banyak produk dari berbagai
kategori [Videla-Cavieres and Ríos, 2014].
Analisis keranjang belanja dapat di jalankan dengan Association Rules
Mining. Yaitu prosedur untuk mencari hubungan atau kombinasi antar item yang
terdapat pada suatu dataset [Chandra and Bhaskar, 2011]. Aturan asosiasi dapat
menemukan item apa saja yang telah di beli oleh pelanggan pada suatu transaksi
sehingga dapat menemukan pola item apa saja yang sering terjual atau kombinasi
item apa saja yang akan terjual sehingga perusahaan dapat merancang jumlah
produksi untuk produk tertentu. Sebagai contoh jika peruahaan menemukan
bahwa {Plastik Kecil, Plastik Sedang} => {Plastik Besar} adalah sebuah aturan
asosiasi, maka perusahaan dapat meningkatkan produksi Plastik Besar sehingga
perusahaan dapat memberi promosi untuk produk Plastik Besar kepada pelanggan
yang sering membeli Plastik Kecil dan Sedang. Atau perusahaan dapat menambah
jumlah produksi untuk plastik ukuran besar.
Apriori adalah metode paling populer dalam data mining untuk konsep
aturan asosiasi [Bhandari et al., 2015]. Apriori memanfaatkan strategi bottom-up
untuk menemukan frequent itemset[Lin et al., 2014]. Dalam banyak kasus, Apriori
menghasilkan kandidat dan mengurangi kandidat set secara signifikan, yang

1
mengakibatkan kenaikan kinerja yang baik [Bhandari et al., 2015][Han and
Kamber, 2014] Namun dalam situasi dengan frequent itemset yang sangat banyak
atau minimum support yang sangat rendah, Apriori perlu berulang kali memindai
seluruh database dan memeriksa satu set kandidat dengan pencocokan pola
[Bhandari et al., 2015][Han and Kamber, 2014]. Proses yang terjadi pada
algoritma Apriori terdiri dari dua tahap yaitu tahap penggabungan (The Join Step)
dan tahap pemangkasan (The Prune Step) [Han and Kamber, 2014].

1.2 Identifikasi Masalah

Berdasarkan latar belakang di atas identifikasi masalah dalam penelitian ini
adalah, Bagaimana metode Apriori dapat menemukan sebuah frequent pattern
itemset pada transaksi penjualan sehingga perusahaan dapat menemukan beberapa
kombinasi produk yang terjual.

1.3 Rumusan Masalah

Rumusan Masalah yang dapat ditarik dari uraian latar belakang adalah:
Seberapa besar dan kuat korelasi yang di hasilkan untuk proses pencarian frequent
itemset dengan menerapkan algoritma Apriori dalam analisis keranjang belanja?

1.4 Tujuan Penelitian

Tujuan dari penelitian ini adalah menerapkan algoritma Apriori untuk
pencarian frequent itemset, sehingga memiliki korelasi yang lebih tinggi.

2
 BAB II
TINJAUAN PUSTAKA

1. Keranjang Belanja
Keranjang Belanja adalah itemset yang dibeli secara bersamaan oleh
pelanggan pada satu transaksi ke toko [Cavique, 2007]. Analisis keranjang belanja
adalah metode data mining yang berfokus menemukan pola pembelian dengan
menganalisis data transaksi sebuah toko [Wu and Kumar, 2009].

2. Data Mining
Menurut [Bruce, 2013] Data Mining adalah suatu proses untuk menemukan
sebuah struktur yang menarik di dalam sebuah data. Struktur tersebut mempunyai
banyak bentuk, termasuk seperangkat aturan, grafik atau jaringan, pohon, satu
atau beberapa persamaan dan masih banyak lagi. Penambangan data
menggunakan satu atau beberapa algoritma untuk tujuan identifikasi dan
menemukan pola yang menarik di dalam data. Tujuannya adalah untuk
menerapkan sesuatu yang telah di temukan pada situasi baru. Menurut [Ahmed et
al., 2015] data mining adalah bagian dari proses penemuan pengetahuan yang
lebih besar meliputi pra pemrosesan seperti ekstraksi data, pembersihan data,
penggabungan data, pengurangan data , serta langkah langkah setelah pemrosesan
seperti pola dan model, konfirmasi hipotesis dan generasi dan lain sebagainya.

3. Association Rules Mining

A. Association Rules
Association Rules adalah prosedur untuk mencari hubungan atau kombinasi
antar item yang terdapat pada suatu dataset [Chandra and Bhaskar, 2011]. Salah
satu teknik utama dari penambangan data dan mungkin merupakan bentuk paling
umum dari penemuan pola lokal dalam sistem pembelajaran tanpa pengawasan.
Teknik ini cenderung sangat praktis dalam aplikasi yang menggunakan kesamaan
dalam perilaku pembelian pelanggan untuk membuat rekomendasi kombinasi.
Aturan Asosiasi akan memungkinkan untuk menemukan aturan semacam itu Jika
X maka (kemungkinan) Y di mana X dan Y dapat berupa item, nilai, kata, dll.

3
Tertentu, atau gabungan dari nilai, item, kata, dll. (Misalnya, jika ( Mobil = BMW
dan Gender = Pria dan Usia <20) lalu (Risiko = Tinggi dan Asuransi =
Tinggi)).[Rao and Guptha, 2012].

B. Apriori
Algoritma Apriori adalah salah satu algoritma paling populer dalam
penambangan data untuk mempelajari konsep aturan asosiasi [Bhandari et al.,
2015]. Ini adalah metode yang sering digunakan oleh begitu banyak orang secara
khusus untuk membedah transaksi penjualan dan juga dapat digunakan dalam
kasus nyata (misalnya, toko kelontong, toko umum, perpustakaan dll.) Dengan
mengumpulkan barang yang dibeli oleh pelanggan dari waktu ke waktu sehingga
pencarian itemset yang sering terjual dapat dihasilkan. Itemset yang sering
(itemset dengan frekuensi lebih besar dari atau sama dengan dukungan minimum
yang ditentukan pengguna) dapat ditemukan dengan sangat mudah karena
banyaknya kombinasi. Detail prosedur algoritma apriori pertama adalah mecari
frequent 1-itemset yang di sebut dengan L1, kemudian L1 dipergunakan untuk
mencari L2 yaitu frequent 2-itemset ,proses akan berakhir ketika algoritma tidak
dapat menemukan frequent k-itemset [Cheng et al., 2015].

4
 BAB III
METODE PENELITIAN

3.1 Lokasi Penelitian

PT Elite Recycling Indonesia merupakan perusahaan yang bergerak di

bidang pengolahan limbah dan produksi kantong plastik dari olahan limbah
tersebut. Perusahaan ini berdiri di dua lokasi yaitu Jakarta Utara dan Cikarang.
Penelitian ini dilakukan di perusahaan yang berada di Cikarang

3.2 Teknik Pengumpulan Data dan Analisa Data

Dalam pengumpulan data dan informasi penulis melakukan penelitian

untuk mendapatkan data yang di perlukan, dengan metode antara lain :

1. Pengumpulan Data Primer

Data primer diperoleh melalui observasi lapangan secara langsung, wawancara
dengan pihak perusahaan di bagian Sales Marketing. Data yang di peroleh
berupa laporan hasil penjualan perusahaan.
2. Pengumpulan Data Sekunder
Data sekunder diperoleh melalui buku referensi, dokumentasi, paper, jurnal
dan informasi lainnya yang beruhubungan dengan objek penelitian.

5
 BAB IV
BIAYA DAN JADWAL PENELITIAN

3.1 Anggaran Biaya

Berikut ini merupakan justifikasi anggaran biaya yang dibutuhkan dalam
penelitian yang kami usulkan.

No Kebutuhan Jumlah Biaya

1 Honorarium Rp. 1.000.000
2 Bahan dan peralatan penelitian Rp. 1.770.000
3 Alat tulis kantor Rp. 300.000
4 Transportasi Rp. 500.000
5 Konsumsi Rp. 700.000
6 Peralatan Penunjang Rp. 1.050.000
Total Biaya Rp 5.370.000

3.2 Jadwal Penelitian

WAKTU
NO JENIS KEGIATAN BULAN 1 BULAN 2 BULAN 3

1 2 3 4 1 2 3 4 1 2 3 4
1 Persiapan Data Awal
2 Penelusuran Pustaka
3 Pengumpulan Data Primer
5 Input dan pengolahan data
6 Pembuatan Laporan Penelitian

6
 DAFTAR PUSTAKA

Ahmed AM, Rizaner A, Ulusoy AH, Silva LLA, Silva LLA, Kaur P, Singh M,
Josan GS, Zaki MJ, Carmona C, Castillo G, Millán E, Fernandes E, Holanda
M, Victorino M, Borges V, Carvalho R, Erven G Van, Marbouti F, Diefes-
Dux HA, Madhavan K, Fayyad U, Piatetsky-Shapiro G, Smyth P, Rodrigues
MW, Isotani S, Zárate LE, Mohamad SK, Tasir Z, Costa E, Baker RSJ,
Amorim L, Magalhães J. 2015. DATA MINING Fundamental Concepts and
Algorithms. 1–29 p.
Annie LC, Kumar. 2012. Market Basket Analysis for a Supermarket based on
Frequent Itemset Mining. Int. J. Comput. Sci. Issues 9: 257–264.
Bhandari A, Gupta A, Das D. 2015. Improvised apriori algorithm using frequent
pattern tree for real time applications in data mining. In: Procedia Computer
Science., p 644–651.
Bruce 2017. Data Mining A Tutorial - Based Primer Second Edition. 1689–1699
p.
Cavique L. 2007. A scalable algorithm for the market basket analysis. J. Retail.
Consum. Serv. 14: 400–407.
Chandra B, Bhaskar S. 2011. A new approach for generating efficient sample
from market basket data. Expert Syst. Appl. 38: 1321–1325.
Cheng X, Su S, Xu S, Li Z. 2015. DP-Apriori: A differentially private frequent
itemset mining algorithm based on transaction splitting. Comput. Secur. 50:
74–90.
Han J, Kamber M. 2014. Data mining: Data mining concepts and techniques.
203–207 p.
Lin KC, Liao IE, Chang TP, Lin SF. 2014. A frequent itemset mining algorithm
based on the Principle of Inclusion-Exclusion and transaction mapping. Inf.
Sci. (Ny). 276: 278–289.
Liu X, Zhai K, Pedrycz W. 2012. An improved association rules mining method.
Expert Syst. Appl. 39: 1362–1374.
Rao S, Guptha P. 2012. “Implementing Improved Algorithm Over APRIORI Data
Mining Association Rule Algorithm.” Ijcst 8491: 489–493.
Videla-Cavieres IF, Ríos SA. 2014. Extending market basket analysis with graph
mining techniques: A real case. Expert Syst. Appl. 41: 1928–1936.
Wu X, Kumar V. 2009. The Top Ten Algorithms in Data Mining. 208 p.

7
 LAMPIRAN-LAMPIRAN

Lampiran 1. Justifikasi Anggaran Biaya

NO KEBUTUHAN JUMLAH BIAYA SUB TOTAL

1 Honorarium
Pelaksana Penelitian Rp 500.000
Pengumpul Data Rp 200.000
Penyusun Sistem Rp 300.000
Rp 1.000.000
Bahan dan peralatan
2 penelitian
Printer Rp 690.000
Tinta Printer Rp 400.000
DVD RW Rp 45.000
Pulsa Rp 250.000
Internet Rp 300.000
Cooling Pad Rp 85.000
Rp 1.770.000
3 ATK
Kertas Rp 120.000
Perlengkapan Rp 170.000
Fotocopy Rp 10.000
Rp 300.000
4 Transportasi
Survey Rp 200.000
Transportasi Rp 350.000
Rp 550.000
5 Konsumsi Rp 700.000
Rp 700.000
6 Peralatan Penunjang
Penelusuran pustaka Rp 650.000
Dokumentasi dan laporan Rp 400.000
Rp 1.050.000

TOTAL Rp 5.370.000

8
 BIODATA PENGUSUL

1. Identitas Diri

a. Nama Lengkap dan Gelar : Bramastyo Kusumo

b. NIM
c. Jabatan Fungsional
d. Program Studi
e. Perguruan Tinggi
f. Bidang Ilmu
g. Jangka Penelitian
: 11190636
: -
: Sistem Informasi
: STMIK Nusa Mandiri Jakarta
: Sistem Informasi
: 3 Bulan

2. Riwayat Pendidikan

GELAR TANGGAL
No. PERGURUAN TINGGI JENJANG
AKADEMIK IJAZAH
Bina Sarana Informatika
1 A.md - Diploma 3
Bekasi

Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan
dapat dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata
dijumpai ketidak sesuaian dengan kenyataan, saya sanggup menerima sanksi.

Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam Mata Kuliah Rekayasa Perangkat Lunak

Bekasi, Oktober 2019

Pengusul,

(Bramastyo Kusumo)
NIM : 11190636