IV, Nomor: 3,
3, Agustus 2013
2013 ISSN : 2301-
2301-9425
ABSTRAK
Penjualan pakaian wanita mengalami peningkatan setiap bulannya, produk yang ditawarkan
bermacam merek, untuk mengetahui merek yang paling diminati diperlukan algoritma apriori. dan untuk
mendapatkan hasil yang lebih baik digunakan Tools Tanagra. Algoritma apriori termasuk jenis aturan asosiasi
pada data mining. Salah satu tahap analisis asosiasi yang menarik perhatian banyak peneliti untuk
menghasilkan algoritma yang efisien adalah analisis pola frequensi tinggi(frequent pattern mining). Penting
tidaknya suatu asosiasi dapat diketahui dengan dua tolak ukur , yaitu : support dan confidence. Support (nilai
penunjang) adalah persentase kombinasi item tersebut dalam database, sedangkan confidence (nilai kepastian)
adalah kuatnya hubungan antar-item dalam aturan asosiasi.
terkait dari berbagai database besar.(Kusrini, Emha Untuk mencari nilai support dari 2 item
Taufiq Luthfi, 2010 : 3) diperoleh dengan menggunakan rumus :
Berikut ini beberapa defenisi data mining
dikutip dari beberapa sumber (Kusrini, Emha
Taufiq Luthfi, 2010 : 3) ;
1. “Data mining adalah serangkaian proses untuk
menggali nilai tambah dari suatu kumpulan
Untuk mencari nilai support dari 2 item
data berupa pengetahuan yang selama ini tidak
diperoleh dengan menggunakan rumus :
diketahui secara manual.”
2. “Data mining adalah analisis dari peninjauan
kumpulan data untuk menemukan hubungan
yang tidak diduga dan meringkas data dengan
cara yang berbeda dengan sebelumnya, yang
dapat dipahami dan bermanfaat bagi pemilik
data.” 2.4 Pembentukan Aturan Asosiasi
Sedangkan pengertian data mining menurut penulis Setelah semua pola frekuensi tinggi ditemukan,
adalah sebagai berikut ; barulah dicari aturan asosiasi yang memenuhi
“Data mining adalah suatu proses otomatis syarat minimum untuk confidence dengan
data-data yang sangat besar dan bertujuan untuk menghitung confidence aturan asosiatif A B. Nilai
mendapatkan hubungan atau pola yang memberikan confidence dari aturan A B diperoleh dengan
manfaat.” rumus berikut: (Kusrini, Emha Taufiq Luthfi, 2010
Salah satu kesulitan untuk mendefenisikan : 154)
data mining adalah kenyataan bahwa data mining
mewarisi banyak aspek dan teknik dari bidang-
bidang ilmu yang sudah mapan.
2.2 Apriori
Algoritma Apriori adalah suatu algoritma dasar Untuk menentukan aturan asosiasi yang
yang diusulkan oleh Agrawal & Srikant pada tahun akan dipilih maka harus diurutkan berdasarkan
1994 untuk penentuan frequent itemsets untuk Support × Confidence. Aturan diambil sebanyak n
aturan asosiasi boolean. Algoritma a priori aturan yang memiliki hasil terbesar.
termasuk jenis aturan asosiasi pada data mining.
Aturan yang menyatakan asosiasi antara beberapa 3. Pembahasan
atribut sering disebut affinity analysis atau market 3.1 Penerapan Algoritma Apriori
basket analysis. Analisi asosiasi atau association Dalam menganalisa kebutuhan dengan
rule mining adalah teknik data mining untuk menggunakan algoritma apriori, dapat diketahui
menemukan aturan suatu kombinasi item. Salah pola frekuensi tinggi tentang jenis barang-barang
satu tahap analisis asosiasi yang menarik perhatian yang paling banyak atau paling sering dibeli
banyak peneliti untuk menghasilkan algoritma yang konsumen.
efisien adalah analisis pola frequensi
tinggi(frequent pattern mining). Penting tidaknya 3.1.1 Tetapkan pola frekuensi tinggi
suatu asosiasi dapat diketahui dengan dua tolak 1. Data transaksi
ukur , yaitu : support dan confidence. Support (nilai Data transaksi merupakan data yang
penunjang) adalah persentase kombinasi item diperoleh dari penjualan harian.berikut ini
tersebut dalam database, sedangkan confidence merupakan representasi dari data transaksi
(nilai kepastian) adalah kuatnya hubungan antar- penjualan pakaian wanita pada Mode Fashion
item dalam aturan asosiasi. Group berdasarkan merek.
2.3 Analisis Pola Frekuensi Tinggi dengan Tabel 1 : Representasi Transaksi penjualan
Algoritma Apriori
Tahap ini mencari kombinasi item yang Transaksi Itemset
memenuhi syarat minimum dari nilai support dalam / bulan
basis data. Nilai support sebuah item diperoleh 1 Cressida, Damor, Screenplay,
dengan menggunakan rumus berikut: (Kusrini, Cardinal, (x)S.M.L, Diel
Emha Taufiq Luthfi, 2010 : 150-151) 2 Diel, Chanira, Amary, Levi’s,
Hoopkins, Zarra
3 Diel, Damor, Hoopkins, Zara,
Screenplay, Raspberry
Analisa Algoritma Apriori Untuk Menentukan Merek Pakaian Yang Paling Diminati Pada Mode Fashion 36
Group Medan. Oleh : Eka Novita Sari
Pelita Informatika Budi Darma, Volume : IV,
IV, Nomor: 3,
3, Agustus 2013
2013 ISSN : 2301-
2301-9425
item-item yang terdapat pada representasi data Surfer girl, Zara Surfer girl, Zara 33,33%
Support
(Amary) Support
(Zarra)
Support
(Cardinal) If support >= 50% then min support
terpenuhi
Else
Support Tereliminasi;
(Chanira)
4.2 Algoritma Confidence
Confidence (nilai kepastian) adalah kuatnya
Support hubungan antar-item dalam aturan asosiasi.
(Cressida) Input : Diel ← item
Hoopkins ← item
Screenplay ← item
Support Output : confidence;
(Damor) Proses :
Confidence (Diel, Screenplay)
Support
(Diel) Confidence (Screenplay, diel)
Analisa Algoritma Apriori Untuk Menentukan Merek Pakaian Yang Paling Diminati Pada Mode Fashion 38
Group Medan. Oleh : Eka Novita Sari
Pelita Informatika Budi Darma, Volume : IV,
IV, Nomor: 3,
3, Agustus 2013
2013 ISSN : 2301-
2301-9425
5.2 Saran
Berdasarkan proses yang telah dilakukan, maka
penulis memberikan saran sebagai berikut ;
1. Sebaiknya objek penelitian lebih spesifik.
2. Sebaiknya data penjualan yang digunakan
adalah data yang lebih besar, sehingga
diperoleh hasil yang lebih baik.
3. Sebaiknya para peneliti selanjutnya mencoba
tools lain dalam menyelesaikan Tools yang
diguanakan tidak harus tanagra versi 1,4
karena tanagra versi 1,4 memiliki kelemahan
yaitu pada pembuatan tabel tabular untuk
database nya, karena jika data penjualan
mencapai ribuan dan item mencapai puluhan
bahkan ratusan, maka pembuatan tabel
tabular akan semakin sulit.
Daftar Pustaka
Analisa Algoritma Apriori Untuk Menentukan Merek Pakaian Yang Paling Diminati Pada Mode Fashion 39
Group Medan. Oleh : Eka Novita Sari