01 (2018) : MARET P a g e | 29
INFORMASI ARTIKEL A B S T R A C T
Diterima Redaksi: Tanggal Teknologi informasi yang semakin lama semakin maju dan setiap saat
Diterbitkan Online: Tanggal selalu ada perkembangan sangatlah mempunyai peranan penting
dalam segala aspek kehidupan, salah satu aspek yang tidak bisa lepas
dari teknologi informasi adalah aspek perekonomian terutama dalam
sistem penjualan produk. Perlu sebuah kreativitas dan inovasi dari
KATA KUNCI produsen agar penjualan produknya bisa ditingkatkan, apalagi melihat
masyarakat sekarang yang mempunyai tingkat konsumtif tinggi
Data Mining, Teknologi Informasi terhadap barang-barang baru. Tujuan penelitian ini adalah untuk
menerapkan algoritma apriori pada penjualan tiket pesawa dan untuk
Penetuan penjualan tiket pesawat yang paling banyak terjual
KORESPONDENSI berdasarkan jenis dari maskapainya .Metode yang digunakan
E-mail: nartiekaputria@gmail.com mencari melalui proses yang metodis untuk menambahkan
pengetahuan itu sendiri dan dengan yang lainnya, oleh penemuan
fakta dan wawasan tidak biasa. Hasil dari penelitian ini Penerapkan
algoritma apriori pada penjualan tiket pesawat efektiv untuk melihat
pola pembelian konsumen dimana pada saat pengolahan data dapat
kita ketahui tiket yang sering di pesan oleh pembeli yaitu tiket
Garuda, Sriwijaya dan Lion sehingga pihak pemilik travel dapat
mengatur strategi pemasarannya, seperti mengadakan promo untuk
meningkatkan penjualan tiket pesawat tersebut. Penggunakan data
mining algoritma apriori untuk menemukan pola kombinasi itemset
dan association rules pada Terminal Tiket Batam, dengan penjualan
yaitu dengan support dan confidence tertinggi adalah Lion dan
Sriwijaya serta Garuda dan Sriwijaya dengan nilai support 50% dan
confidence 70%.
Kode Item
Transaksi
1 Garuda
Hasil dari perhitungan diatas diubah kedalam
2 Citilink bentuk persentase untuk mengetahui confidence
3 Lion dari masing-masing item penjualan, hasil
4 Sriwijaya tersebut dapat kita lihat pada tabel berikut :
http://ejournal.upbatam.ac.id/index.php/cbis
CBIS JOURNAL - VOL. 06 NO. 01 (2018) : MARET P a g e | 38
Tabel 8 Aturan Asosiasi dari C2 Garuda, Sriwijaya dan Lion sehingga pihak
Rule Confidence pemilik travel dapat mengatur strategi
Jika Beli Garuda Maka Beli Citilink 4/8 50.00% pemasarannya, seperti mengadakan promo untuk
Jika Beli Garuda Maka Beli Lion 5/8 62.50% meningkatkan penjualan tiket pesawat untuk
maskapai lainnya yang sehingga semua maskapai
Jika Beli Garuda Maka Beli Sriwijaya 5/8 62.50%
tiket dapat terjual dengan banyak. maka pihak
Jika Beli Citilink Maka Beli Lion 4/6 66.67%
travel agen dapat menyusun strategi dalam
Jika Beli Citilink Maka Beli Sriwijaya 3/6 50.00% penentuan promo maskapai untuk menyusun
Jika Beli Lion Maka Beli Sriwijaya 5/7 71.43% strategi pemasaran pesawat lainnya. (2)
Penggunakan data mining algoritma apriori
Sementara itu aturan asosiasi final secara berurut untuk menemukan pola kombinasi itemset dan
dengan nilai confidence minimal adalah 70 % association rules pada Terminal Tiket Tour &
dapat dilihat pada tabel berikut. Travel Batam, dimana dengan penjualan yaitu
Tabel 9 Aturan Asosiasi Final nilai support dan confidence tertinggi adalah
Rule Confidence Lion dan Sriwijaya serta Garuda dan Sriwijaya
Jika Beli Garuda,Sriwijaya Maka Beli 4/5 80.00% dengan nilai support 50% dan confidence 70%.
Lion Dengan rincian sebagai berikut, jika membeli
Jika Beli Lion Maka Beli Sriwijaya 5/7 71.43% tiket Lion maka akan membeli tiket Sriwijaya
dengan support 50% dan confidence sebesar
Tiket yang paling sering dibeli oleh konsumen
70%, jika membeli tiket Garuda, Sriwijaya maka
adalah Garuda, Sriwijaya dan Lion dengan
membeli tiket lion dengan nilai support 50% dan
diketahuinya tiket yang paling sering dibeli
confidence sebesar 70%
pelanggan, maka pihak travel agen dapat
menyusun strategi dalam penentuan promo
maskapai untuk menyusun strategi pemasaran Ucapan Terima Kasih
pesawat lainnya. Jadi dapat dibuat aturan dari Penulis menyadari bahwa penelitian ini masih
hasil di atas adalah : jika membeli tiket Lion jauh dari sempurna. Karena itu, kritik dan saran
maka akan membeli tiket Sriwijaya dengan akan senantiasa penulis terima dengan senang
support 50% dan confidence sebesar 70%, jika hati. Dengan segala keterbatasan, penulis
membeli tiket Garuda, Sriwijaya maka membeli menyadari pula penelitian ini takkan terwujud
tiket lion dengan nilai support 50% dan tanpa bantuan dan dorongan dari berbagai pihak.
confidence sebesar 70%. Untuk itu, dengan segala kerendahan hati,
penulis menyampaikan ucapan terima kasih
V. Kesimpulan kepada semua pihak yang telah memberi
motivasi dan dorongan sehingga penelitian ini
Berdasarkan hasil analisis dan pengujian dapat diselesaikan.
hipotesis sebagaimana yang telah disajikan pada
pembahasan yang ada pada bab sebelumnya, Daftar Pustaka
maka dapat diambil beberapa simpulan. 1.
Simpulan tersebut dipaparkan sebagai berikut: [1] M. A. C and S. Faradillah,
(1) Penerapkan algoritma apriori pada penjualan “IMPLEMENTASI DATA MINING
tiket pesawat efektive untuk melihat pola UNTUK PENGENALAN
pembelian konsumen dimana pada saat KARAKTERISTIK TRANSAKSI
pengolahan data dapat kita ketahui tiket yang CUSTOMER DENGAN,” pp. 63–70,
2013.
sering di pesan oleh pembeli. Dimana disini
[2] E. Buulolo, “IMPLEMENTASI
dapat di lihat tiket yang sering di beli yaitu tiket
ALGORITMA APRIORI PADA
http://ejournal.upbatam.ac.id/index.php/cbis
CBIS JOURNAL - VOL. 06 NO. 01 (2018) : MARET P a g e | 39
SISTEM PERSEDIAAN OBAT (
STUDI KASUS : APOTIK RUMAH
SAKIT ESTOMIHI MEDAN ),” pp. 71–
83, 2013.
[3] S. R. Siregar, “IMPLEMENTASI DATA
MINING PADA PENJUALAN TIKET
PESAWAT MENGGUNAKAN
ALGORITMA APRIORI ( Studi Kasus :
Jumbo Travel Medan ),” Pelita Inform.
Budi Darma, Vol. Vii, Nomor 1, Juli
2014, vol. VII, pp. 152–156, 2014.
[4] H. Santoso, I. P. Hariyadi, and Prayitno,
“Data Mining Analisa Pola Pembelian
Produk,” Tek. Inform., no. 1, pp. 19–24,
2016.
[5] C. Gamarra, J. M. Guerrero, and E.
Montero, “A knowledge discovery in
databases approach for industrial
microgrid planning,” Renew. Sustain.
Energy Rev., vol. 60, pp. 615–630, 2016.
[6] G. Gunadi and D. I. Sensuse, “Penerapan
Metode Data Mining Market Basket
Analysis Terhadap Data Penjualan
Produk Buku Dengan Menggunakan
Algoritma Apriori Dan Frequent Pattern
Growth ( FP-GROWTH ),” vol. 4, no. 1,
2012.
[7] A. Bhandari, A. Gupta, and D. Das,
“Improvised apriori algorithm using
frequent pattern tree for real time
applications in data mining,” in
International Conference on Information
and Communication Technologies
(ICICT 2014) I, 2015, vol. 46, no. Icict
2014, pp. 644–651.
[8] A. Nursikuwagus et al., “Implementasi
algoritma apriori untuk analisis
penjualan dengan berbasis web,” vol. 7,
no. 2, pp. 701–706, 2016.
[9] M. Badrul, P. Studi, and S. Informasi,
“Algoritma asosiasi dengan algoritma
apriori untuk analisa data penjualan,” no.
2, pp. 121–129, 2016.
[10] E. Buulolo, “ImplementasiI Algoritma
Apriori Pada Sistem Persediaan Obat (
Studi Kasus : Apotik Rumah Sakit
Estomihi ),” 2017.
http://ejournal.upbatam.ac.id/index.php/cbis