Pelita Informatika Budi Darma, Volume : IV, Nomor: 3, Agustus 2013 ISSN : 2301-9425

ANALISA ALGORITMA APRIORI UNTUK MENENTUKAN MEREK

PAKAIAN YANG PALING DIMINATI PADA MODE FASHION
GROUP MEDAN
Eka Novita Sari (0911010)

Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan

Jl. Sisingamangaraja No. 338 Simpang Limun Medan
www.stmik-budidarma.ac.id//Email : bpratama435@gmail.com

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.

Kata Kunci: Analisa, Merek Pakaian, Algoritma Apriori, Support, Confidence

1. Pendahuluan kombinasi sebuah item dalam database. Sedangkan

Fashion adalah kombinasi atau perpaduan dari
gaya atau style dengan desain yang cenderung
dipilih, diterima, digemari, dan digunakan oleh
mayoritas masyarakat yang bisa memberikan
kenyamanan dan membuat lebih baik pada satu
waktu tertentu. Beberapa kalangan menganggap
fashion sebagai tolak ukur status seseorang dalam
bersosialisasi dan tingkat ekonomi. Semakin mahal,
berkualitas tinggi dan produksi merek terkenal
sebuah busana yang dipakai, maka semakin tinggi
pula tingkat ekonomi dan tingkat sosialisasi
seseorang tersebut.
Data mining adalah metode untuk mencari data
terlaris atau paling banyak di butuhkan customer.
Data mining merupakan analisis data menggunakan
tool untuk menemukan pola dan aturan dalam
himpunan data. Perangkat lunak bertugas untuk
menemukan pola dengan mengidentifikasi aturan
dan fitur pada data dan diharapkan mampu
mengenal pola ini dalam data dengan input minimal
dari user. Salah satu bentuk pola yang dapat
dihasilkan data mining adalah association rule.
Association Rule dapat digunakan untuk
menemukan hubungan atau sebab akibat.
Association rule dapat dihasilkan dengan Algoritma
Apriori. Algoritma Apriori yang bertujuan untuk
menemukan frequent itemsets dijalankan pada
sekumpulan data. Analasis Apriori didefenisikan
suatu proses untuk menemukan semua aturan
apriori yang memenuhi syarat minimum untuk
support dan syarat minimum untuk confidence.
Support adalah nilai penunjang, atau persentase
Analisa Algoritma Apriori Untuk Menentukan Merek Pakaian Yang Paling Diminati Pada Mode Fashion
Group Medan. Oleh : Eka Novita Sari
confidence adalah nilai kepastian yaitu kuatnya
hubungan antar item dalam sebuah apriori.
Confidence bisa dicari setelah pola frekuensi
munculnya sebuah item ditemukan.
2. Landasan Teori
2.1 Data Mining
Data mining merupakan suatu proses
pendukung pengambil keputusan dimana kita
mencari pola informasi dalam data. Pencarian ini
dapat dilakukan oleh pengguna, misalnya dengan
menggunakan query atau dapat dibantu dengan
suatu aplikasi yang secara otomatis mencari pola
informasi pada basis data. Pencarian ini disebut
discovery. Discovery adalah proses pencarian dalam
basis data untuk menemukan pola yang
tersembunyi tanpa ide yang didapatkan sebelumnya
atau hipotesa tentang pola yang ada. Dengan kata
lain aplikasi mengambil inisiatif untuk menemukan
pola dalam data tanpa pengguna berpikir mengenai
pertanyaan yang relevan terlebih dulu. (Dana
Sulistiyo Kusumo, Moch. Arief Bijaksana, Dhinta
Darmantoro, Data Mining Dengan Algoritma
Apriori Pada RDBMS Oracle,2003)
Data mining adalah suatu istilah yang
digunakan untuk menguraikan penemuan
pengetahuan didalam database. Data mining adalah
proses yang menggunakan teknik statistic,
matematika, kecerdasan buatan, dan machine
learning untuk mengekstraksi dan mengidentifikasi
informasi yang bermanfaat dan pengetahuan yang
35
Pelita Informatika Budi Darma, Volume : IV, Nomor: 3, Agustus 2013
terkait dari berbagai database besar.(Kusrini,
Emha Taufiq Luthfi, 2010 : 3)
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
data berupa pengetahuan yang selama ini tidak
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.”
Sedangkan pengertian data mining menurut penulis
adalah sebagai berikut ;
“Data mining adalah suatu proses otomatis
data-data yang sangat besar dan bertujuan untuk
mendapatkan hubungan atau pola yang memberikan
manfaat.”
Salah satu kesulitan untuk mendefenisikan
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
yang diusulkan oleh Agrawal & Srikant pada tahun
1994 untuk penentuan frequent itemsets untuk
aturan asosiasi boolean. Algoritma a priori
termasuk jenis aturan asosiasi pada data mining.
Aturan yang menyatakan asosiasi antara beberapa
atribut sering disebut affinity analysis atau market
basket analysis. Analisi asosiasi atau association
rule mining adalah teknik data mining untuk
menemukan aturan suatu kombinasi item. 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.
2.3 Analisis Pola Frekuensi Tinggi dengan
Algoritma Apriori
Tahap ini mencari kombinasi item yang
memenuhi syarat minimum dari nilai support dalam
basis data. Nilai support sebuah item diperoleh
dengan menggunakan rumus berikut: (Kusrini,
Emha Taufiq Luthfi, 2010 : 150-151)
Analisa Algoritma Apriori Untuk Menentukan Merek Pakaian Yang Paling Diminati Pada Mode Fashion
Group Medan. Oleh : Eka Novita Sari
ISSN : 2301-9425
Untuk mencari nilai support dari 2 item
diperoleh dengan menggunakan rumus :
Untuk mencari nilai support dari 2 item
diperoleh dengan menggunakan rumus :
2.4 Pembentukan Aturan Asosiasi
Setelah semua pola frekuensi tinggi ditemukan,
barulah dicari aturan asosiasi yang memenuhi
syarat minimum untuk confidence dengan
menghitung confidence aturan asosiatif A B. Nilai
confidence dari aturan A B diperoleh dengan
rumus berikut: (Kusrini, Emha Taufiq Luthfi, 2010
: 154)
Untuk menentukan aturan asosiasi yang
akan dipilih maka harus diurutkan berdasarkan
Support × Confidence. Aturan diambil sebanyak n
aturan yang memiliki hasil terbesar.
3. Pembahasan
3.1 Penerapan Algoritma Apriori
Dalam menganalisa kebutuhan dengan
menggunakan algoritma apriori, dapat diketahui
pola frekuensi tinggi tentang jenis barang-barang
yang paling banyak atau paling sering dibeli
konsumen.
3.1.1 Tetapkan pola frekuensi tinggi
1. Data transaksi
Data transaksi merupakan data yang
diperoleh dari penjualan harian.berikut ini
merupakan representasi dari data transaksi
penjualan pakaian wanita pada Mode Fashion
Group berdasarkan merek.
Tabel 1 : Representasi Transaksi penjualan
Transaksi Itemset
/ bulan
1 Cressida, Damor, Screenplay,
Cardinal, (x)S.M.L, Diel
2 Diel, Chanira, Amary, Levi’s,
Hoopkins, Zarra
3 Diel, Damor, Hoopkins, Zara,
Screenplay, Raspberry
36
Pelita Informatika Budi Darma, Volume : IV, Nomor: 3, Agustus 2013 ISSN : 2301-9425

Tabel Daftar Kandidat dua Tabel Daftar Item Support

kombinasi(C2) Kandidat 2 itemset (L2)

No. Item (merek) No. Item (merek) support

(x) S.M.L, Cardinal (x) S.M.L, Cardinal 50%
(x) S.M.L, Cressida (x) S.M.L, Cressida 25%
(x) S.M.L, Damor (x) S.M.L, Damor 16,67% Tabel Daftar L2 yang
(x) S.M.L, Diel (x) S.M.L, Diel 16,67% mencapai support
(x) S.M.L, Hoopkins (x) S.M.L, Hoopkins 33,33%
(x) S.M.L, Screenplay (x) S.M.L, Screenplay 25%
(x) S.M.L, Surfer girl (x) S.M.L, Surfer girl 25%
(x) S.M.L, Zara (x) S.M.L, Zara 25%
Supportmin =50%
Cardinal, Cressida Cardinal, Cressida 33,33%
Cardinal, Damor Cardinal, Damor 33,33%
Cardinal, Diel Cardinal, Diel 16,67%
Cardinal, Hoopkins Cardinal, Hoopkins 33,33% No. Item (merek) Support
Cardinal, Screenplay Cardinal, Screenplay 33,33%
Cardinal, Surfer girl Cardinal, Surfer girl 41,67%
(x) S.M.L, 50%
Cardinal, Zara Cardinal, Zara 25% Cardinal
Cressida, Damor Cressida, Damor 25%
Cressida, Diel Cressida, Diel 25%
Screenplay, Zara 50%
Cressida, Hoopkins Cressida, Hoopkins 8,33%
Cressida, Screenplay Cressida, Screenplay 16,67%
Cressida, Surfer girl Cressida, Surfer girl 25%
Cressida, Zara Cressida, Zara 16,67%
Damor, Diel Damor, Diel 41,67%
Damor, Hoopkins Damor, Hoopkins 33,33%
Damor, Screenplay Damor, Screenplay 41,67%
Damor, Surfer girl Damor, Surfer girl 25%
Damor, Zara Damor, Zara 25%
Diel, Hoopkins Diel, Hoopkins 25%
Diel, Screenplay Diel, Screenplay 41,67%
Diel, Surfer girl Diel, Surfer girl 25%
Diel, Zara Diel, Zara 33,33%
Hoopkins, Screenplay Hoopkins, Screenplay 33,33%
Hoopkins, Surfer girl Hoopkins, Surfer girl 16,67%
Hoopkins, Zara Hoopkins, Zara 41,67%
Screenplay, Surfer girl Screenplay, Surfer girl 33,33%

Algoritma apriori adalah algoritma yang Screenplay, Zara

Surfer girl, Zara
Screenplay, Zara
Surfer girl, Zara
50%
33,33%

paling terkenal untuk menemukan pola frekuensi

tinggi dalam data mining. Algoritma aepriori dibagi
menjadi beberapa tahap yang disebut iterasi. 3.1.2 Pembentukan Aturan Asosiasi
Berikut ini adalah skema Prose Pengolahan Setelah semua pola frekuensi tinggi ditemukan.
Data Menggunakan Algoritma Apriori Kemudian dihitung confidence masing-masing
kombinasi item. Iterasi berhenti ketika semua item
2. Penentuan Kandidat Pertama telah dihitung sampai tidak ada kombinasi item lagi.
Penentuan Kandidat Pertama diperoleh dari
item-item yang terdapat pada representasi data Tabel 4 : Aturan Asosiasi
penjualan 6 item yang paling diminati setiap •Aturan Asosiasi •Aturan Asosiasi Final
bulanny. Berikut ini adalah tabel item yang menjadi Table Daftar Aturan Asosiasi Table Daftar Aturan Asosiasi

Kandidat pertama;
No. Kombinasi Item (merek) confidence No. Kombinasi Item (merek) support confidenc
e
Tabel 2 : Kandidat Jika membeli (x)S.M.L, maka
akan membeli Cardinal
6/6 100%
Jika membeli (x)S.M.L, 50% 100%
Jika membeli Cardinal, maka 6/8 75% maka akan membeli
akan membeli (x)S.M.L Cardinal
Tabel Daftar Kandidat Tabel Daftar Item Support Tabel Daftar L1 yang Jika membeli Zara, maka akan 6/7 85% Jika membeli Cardinal, 50% 75%
Pertama (C1) Kandidat Pertama (L1) mencapai support membeli Screenplay maka akan membeli
Jika membeli screenplay, maka 6/8 75% (x)S.M.L
Support min =50% Jika membeli Zara, maka 50% 85%
akan membeli Zara
No. Item No. Item Support No. Item Support akan membeli Screenplay
1. (x) S.M.L 1. (x) S.M.L 50% (merek) Jika membeli screenplay, 50% 75%
2. Cardinal 66,67% maka akan membeli Zara
2. Cardinal (x) S.M.L 50%
3. Cressida 3. Cressida 58,33% Cardinal 66,67%
4. Damor 4. Damor 58,33% Cressida 58,33%
5. Diel 5. Diel 50% Damor 58,33% 4. Algoritma Dan Implementasi
6. Hoopkins 6. Hoopkins 50% Diel 50% 4.1. Algoritma Support
7. Levi’s
7. Levi’s 33,33% Hoopkins 50% Support (nilai penunjang) adalah persentase
8. Logo Screenplay 66,67%
9. Raspberry
8. Logo 33,33% item yang ada dalam database.
Surfer girl 58,33%
9. Raspberry 25%
10. Screenplay Zara 58,33%
10. Screenplay 66,67%
11. Surfer girl Input : (x) S.M.L ← item
11. Surfer girl 58,33%
12. Zara 16DS ← item
12. Zara 58,33%
Amary ← item
3. Penentuan Kandidat Kedua Batik chic ← item
Kandidat kombinasi 2 itemset diambil dari Batik-U ← item
kandidat pertama 1 itemset yang mencapai Cardinal ← item
ataupun melebihi support minimal. Cavalier ← item
Chanira ← item
Tabel 3 : Kandidat Kedua Cressida ← item
Damor ← item
Diel ← item
Analisa Algoritma Apriori Untuk Menentukan Merek Pakaian Yang Paling Diminati Pada Mode Fashion 37
Group Medan. Oleh : Eka Novita Sari
Pelita Informatika Budi Darma, Volume : IV, Nomor: 3, Agustus 2013 ISSN : 2301-9425

Support(Logo)
Head Hand Heart ← item
Hoopkins ← item
Levi’s ← item
Logo ← item Support(OZYbatik)
Lois Girl ← item
Now & Forever ← item
O2M ← item Support(Raspberry)
OZY batik ← item
Raspberry ← item
Screenplay ← item Support(Screenplay)
Surfer girl ← item
Triset ← item
Zara ← item Support(Surfergirl)
Zarra ← item
Transaksi per bulan
Output : support; Support(Triset)
Proses :
Support
((x)S.M.L)
Support
(Zara)
Support
(Amary)
Support
(Zarra)
Support
(Cardinal)
If support >= 50% then min support
terpenuhi
Support
Else
(Chanira)
Tereliminasi;

4.2 Algoritma Confidence

Support
Confidence (nilai kepastian) adalah kuatnya
(Cressida)
hubungan antar-item dalam aturan asosiasi.
Input : Diel ← item
Hoopkins ← item
Support Screenplay ← item
(Damor) Output : confidence;
Proses :
Confidence (Diel, Screenplay)
Support
(Diel)
Confidence (Screenplay, diel)

support
(Hoopkins) Confidence (hoopkins, screenplay)

Support Confidence (screenplay, hoopkins)

(Live’s)
If confidence >= 70% then
confidence terpenuhi
Else
Tereliminasi;

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, Nomor: 3, Agustus 2013 ISSN : 2301-9425

5. Kesimpulan Dan Saran [7] http://freestatistics.altervista.org/?p=stat,

5.1 Kesimpulan 23 mei 2013
Berdasarkan penelitian yang telah dilakukan, [8] http://budisma.web.id/materi/sma/tik-
maka penulis mengambil kesimpulan bahwa; kelas-xi/mengenal-lingkungan-kerja
1. Penerapan algoritma apriori berpedoman microsoft-excel-2007/, 23 Mei 2013
pada perhitungan nilai support dan
confidence. Dalam proses menghitung nilai
support dan confidence akan lebih sulit, jika
data yang ingin diolah dalam jumlah besar.
2. Pengaplikasian algoritma apriori menggunakan
tools Tanagra versi 1.4 dimulai dengan cara
mengimport data penjualan per bulan dalam
format tabular menggunakan Microsoft excel.
Semakin banyak data, maka semakin sulit
dalam membuat format tabular. Karena harus
memasukkan data satu per satu. Akan tetapi
dalam mencari item (merek) yang paling
diminati lebih praktis.

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

[1] Kusrini, Emha Taufiq Luthfi, Algoritma

Data Mining,
[2] Feri Sulianta & Dominikus Juju, Jakarta
2010, Data Mining – Meramalkan Bisnis
Perusahaan, PT. Alex Komputindo
Kelompok Gramedia, Anggota IKAPI
Jakarta
[3] Dana Sulistiyo Kusumo, Moch. Arief
Bijaksana, Dhinta Darmantoro. Data
Mining Dengan Algoritma Apriori Pada
RDBMS Oracle,2003, Jurnal Penelitian
dan Pengembangan TELEKOMUNIKASI,
Juni 2003, Vol. 8 No. 1,
[4] http://carapedia.com/pengertian_definisi_a
nalisa_info2180.html, 23 Mei 2013
[5] http://id.wikipedia.org/wiki/Pakaian, 22
mei 2013
[6] http://eric.univ-
lyon2.fr/~ricco/tanagra/en/tanagra.html,1
7 mei 2013

Analisa Algoritma Apriori Untuk Menentukan Merek Pakaian Yang Paling Diminati Pada Mode Fashion 39
Group Medan. Oleh : Eka Novita Sari