Nursyahfitri Purba 142406121: Universitas Sumatera Utara

APLIKASI DATA MINING ALGORITMA APRIORI UNTUK
MENENTUKAN RELASI PEMBELIAN PRODUK PADA

SWALAYAN SINURAYA SIMALINGKAR MEDAN
TUGAS AKHIR
NURSYAHFITRI PURBA
142406121
PROGRAM STUDI D3 TEKNIK INFORMATIKA

DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2017

APLIKASI DATA MINING ALGORITMA APRIORI UNTUK
MENENTUKAN RELASI PEMBELIAN PRODUK PADA
SWALAYAN SINURAYA SIMALINGKAR MEDAN
TUGAS AKHIR
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh Ahli

Madya
NURSYAHFITRI PURBA
142406121
PROGRAM STUDI D3 TEKNIK INFORMATIKA

DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
MEDAN
2017

PERNYATAAN
APLIKASI DATA MINING ALGORITMA APRIORI UNTUK MENENTU

KAN RELASI PEMBELIAN PRODUK PADA SWALAYAN SINURAYA
SIMALINGKAR MEDAN
TUGAS AKHIR
Saya mengakui bahwa Tugas Akhir ini adalah hasil karya sendiri. Kecuali
beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Juli 2017
NURSYAHFITRI PURBA
142406121
iii

PENGHARGAAN
Puji dan syukur penulis panjatkan kehadirat Allah SWT, yang telah melimpahkan
karunianya dalam mengerjakan Tugas Akhir ini. Karena berkat rahmat dan ridho-
Nya pula penulis dapat menyelesaikan Tugas Akhir ini dengan judul Aplikasi
Data Mining Algoritma Apriori Untuk Menentukan Relasi Pembelian Produk
Pada Swalayan Sinuraya Simalingkar Medan.
Terima Kasih penulis sampaikan kepada Bapak Dr. Pasukat Sembiring,
M.Si sebagai Dosen Pembimbing yang telah membimbing penulis dan
meluangkan waktunya selama penyusunan Tugas Akhir ini. Terima Kasih kepada
Drs. Partano Siagian, M.Sc sebagai Dosen Pembimbing Akademik yang telah
membimbing dan membantu penulis selama penulis menjalani pendidikan.
Terima Kasih kepada Ibu Dra. Normalina Napitupulu, M.Sc dan Bapak Piter
James Marbun, M.Kom selaku Ketua dan Sekretaris Program Studi D3 Teknik
Informatika FMIPA USU Medan, Dekan dan Wakil Dekan FMIPA USU, seluruh
Staf dan Dosen Program Studi D3 Teknik Informatika FMIPA USU, pegawai
FMIPA USU dan rekan-rekan kuliah. Akhirnya tidak terlupakan kepada Bapak,
Ibu dan keluarga yang selama ini memberikan bantuan dan dorongan yang
diperlukan. Semoga Tuhan Yang Maha Esa akan membalasnya.
Medan, Juli 2017

Penulis,
NURSYAHFITRI PURBA
142406121
iv

APLIKASI DATA MINING ALGORITMA APRIORI UNTUK MENENTU
KAN RELASI PEMBELIAN PRODUK PADA SWALAYAN SINURAYA
SIMALINGKAR MEDAN
ABSTRAK
Database bukan hanya berfungsi sebagai tempat penyimpanan data. Namun, saat
ini database dapat menjadi sumber informasi yang berguna bagi semua kalangan.
Termasuk dalam bidang usaha jual beli seperti swalayan. Database swalayan yang
berisikan transaksi pembelian produk dapat dijadikan informasi yang membantu
pemilik swalayan dalam meningkatkan pelayanan bagi konsumen. Menggunakan
metode asosiasi data mining dengan algoritma apriori dapat membuat sistem,
yang menampilkan kebiasaan kombinasi pembelian produk yang dilakukan
konsumen. Maka informasi kombinasi ini dapat dijadikan ide bagi pemilik
swalayan untuk menyusun produk berdekatan sesuai kombinasi agar konsumen
mudah menemukan produk dan efisien waktu. Sehingga pemanfaatan database
menjadi informasi sangatlah bermanfaat bagi pemilik swalayan maupun
konsumen.
Kata kunci : Database, Informasi, Data Mining, Aturan Asosiasi, Algoritma

Apriori

APPLICATION OF APRIORI DATA MINING ALGORITHM TO DETER-
MINE PRODUCT PURCHASE RELATION AT SELF-SERVICE
SINURAYA SIMALINGKAR MEDAN
ABSTRACT
Database, not only serves as a place of data storage. However, the current
database can be a useful source of information for all. Including in the field of sale
and purchase business such as self-service. A self-service database containing
purchase transactions of products can be used as information that help self-service
owner in improving services for consumers. Using the data mining association
method with apriori algorithm can create a system, which displays the custom
combination of purchasing product made by consumers. Then this combination
can be used as an idea for self-service owners to arrange adjacent products
according to the combination so that consumers are easy to find products and time
efficient. So the use database into information is very useful for self-service owner
and consumers.
Keywords : Database, Information, Data Mining, Association Rule, Apriori

Algorithm
vi

DAFTAR ISI
Halaman
Persetujuan ii
Pernyataan iii
Penghargaan iv
Abstrak v
Abstract vi
Daftar Isi vii
Daftar Tabel ix
Daftar Gambar x
Daftar Lampiran xi
BAB 1. Pendahuluan
1.1. Latar Belakang 1
1.2. Rumusan Masalah 3
1.3. Batasan Masalah 3
1.4. Tujuan Penelitian 3
1.5. Manfaat Penelitian 4
1.6. Metodologi Penelitian 4
1.7. Sistematika Penulisan 6
BAB 2. Landasan Teori

2.1. Data Mining 8
2.1.1. Tahapan Proses Data Mining 9
2.1.2. Pengelompokan Data Mining 11
2.1.3. Langkah-langkah Data Mining 14
2.2. Association Rule 16
2.2.1. Tahapan Association Rule 16
2.2.2. Langkah-langkah Proses Aturan Asosiasi 17
2.3. Algoritma Apriori 19
2.4. Pengertian Data, Informasi, dan Database 21
2.4.1. Data 21
2.4.2. Informasi 22
2.4.3. Database 23
2.4.4. Database Management System (DBMS) 23
2.5. Data Flow Diagram (DFD) 24
2.6. Flowchart 25
BAB 3. Analisis dan Perancangan Sistem

3.1. Analisis Sistem 27
3.1.1. Analisis Masalah 27
3.2. Perancangan Sistem 30
3.2.1. Perancangan DFD 30
3.2.2. Perancangan Database 34
vii

3.2.3. Perancangan Flowchart 35
3.2.3.1. Flowchart Tampilan Awal 36
3.2.3.2. Flowchart Proses Algoritma Apriori 37
3.2.4. Perancangan Antarmuka (Interface) 37
BAB 4. Implementasi Sistem

4.1. Pengertian dan Tujuan Implementasi Sistem 44
4.2. Komponen Utama dalam Implementasi Sistem 44
4.3. Implementasi Interface 45
4.3.1. Tampilan Beranda 45
4.3.2. Tampilan Menu Kategori 46
4.3.3. Tampilan Menu Produk 47
4.3.4. Tampilan Menu Transaksi Pembelian 48
4.3.5. Tampilan Menu Algoritma Apriori 49
4.3.6. Tampilan Hasil Algoritma Apriori 50
BAB 5. Penutup
5.1. Kesimpulan 52
5.2. Saran 53
Daftar Pustaka 54
Lampiran
viii

DAFTAR TABEL
Nomor Judul Halaman

Tabel
2.1. Simbol-simbol DFD 24

2.2. Simbol-simbol Flowchart 25
2.2. Lanjutan 26
3.1. Transaksi Pembelian Produk 28
3.1. Lanjutan 29
3.2. Data Kategori 34
3.3. Data Produk 35
3.4. Data Transaksi Pembelian 35
3.5. Hasil Algoritma Apriori 35
ix

DAFTAR GAMBAR
Nomor Judul Halaman

Gambar
2.1. Tahapan Proses Data Mining 9

2.2. Beberapa Metode pada Data Mining 10
2.3. Langkah dalam Data Mining dan Membangun Sistem 15
2.4. Ilustrasi Algoritma Apriori 21
3.1. Diagram Konteks 31
3.2. DFD Level 1 32
3.3. Flowchart Tampilan Awal 36
3.4. Flowchart Proses Algoritma Apriori 37
3.5. Rancangan Tampilan Beranda 38
3.6. Rancangan TampilanMenu Kategori 39
3.7. Rancangan Tampilan Menu Produk 40
3.8. Rancangan Tampilan Menu Transaksi Pembelian 41
3.9. Rancangan TampilanMenu Algoritma Apriori 42
3.10. Rancangan Tampilan Hasil Algoritma Apriori 43
4.1. Tampilan Beranda 46
4.2. Tampilan Menu Kategori 47
4.3. Tampilan Menu Produk 48
4.4. Tampilan Menu Transaksi Pembelian 49
4.5. Tampilan Menu Algoritma Apriori 50
4.6. Tampilan Hasil Algoritma Apriori 51

DAFTAR LAMPIRAN
Nomor Judul Halaman

Lampiran
1 Listing Program 1
2 Hasil Uji Program
3 Kartu Bimbingan
4 SK Pembimbing TA
xi

BAB 1
PENDAHULUAN
Tahap pendahuluan berisikan alasan penulis mengambil judul tugas akhir dan
menjadi alasan dalam membuat aplikasi yang akan diwujudkan bentuknya.
Pendahuluan akan membahas tentang latar belakang, rumusan masalah yang
menjadi alasan dibuatnya aplikasi, batasan masalah yang menjadi petunjuk bagi
penulis sejauh mana pembuatan aplikasi, tujuan dan manfaat penelitian adalah
pencapaian yang akan dipenuhi penulis dan sistematika penulisan untuk panduan
membuat tugas akhir ini.
1.1. Latar Belakang
Saat ini persaingan di dunia bisnis sangatlah berkembang, untuk itu para pebisnis
dituntut selalu mengembangkan kreatifitasnya dalam menciptakan ide baru agar
bisnis yang digelutinya terus bertahan dan meningkat. Apalagi saat ini banyak
muncul bisnis baru yang berarti menambah saingan dalam berbisnis, terutama
dibidang perdagangan baik itu swalayan, toko, maupun kuliner.
Swalayan Sinuraya merupakan usaha yang bergerak dibidang
perdangangan produk kebutuhan rumah tangga baik yang pokok, sandang, dan
papan. Untuk terus dapat berkembang maka pebisnis haruslah memperhatikan
aspek yang penting dari usahanya seperti ketersediaan produk, kebiasaan belanja
konsumen, dan fasilitas yang baik untuk memberi pelayanan pada konsumen.
Aspek penting tersebut dapat dilihat dari database transaksi penjualan yang

2
selama ini hanya menjadi arsip. Karena dengan menggali database, pebisnis dapat
menemukan pola pembelian, produk yang terlaku, dan kemungkinan lainnya,
yang itu semua dapat dimanfaatkan untuk mengembangkan strategi pemasaran.
Dalam rangka terus meningkatkan produktivitas dan mengembangkan
strategi pemasaran, pebisnis dapat menggunakan database yang telah ada dan
mengambil keputusan dari database tersebut. Pengambilan keputusan melalui
database merupakan kegiatan data mining sebab pebisnis akan menggali potensi
dari database yang tersimpan. Data mining berguna untuk memberikan solusi
kepada para pengambil keputusan dalam bisnis guna meningkatkan bisnis.
Dalam data mining terdapat beberapa algoritma atau metode yang dapat
dilakukan salah satunya yaitu algoritma apriori yang termasuk dalam aturan
asosiasi dalam data mining. Algoritma apriori yang bertujuan untuk menemukan
frequent item sets pada sekumpulan data. Algoritma apriori didefinisikan suatu
proses untuk menemukan suatu aturan apriori yang memenuhi syarat minimum
untuk support dan syarat minimum untuk confidence.
Oleh karena itu, dengan menggunakan algoritma apriori pada metode
asosiasi data mining untuk mengetahui relasi pembelian produk maka pebisnis
dapat lebih cepat menggali potensi yang tersimpan dalam database yang dimiliki.
Berdasarkan uraian diatas, penulis memberikan judul karya tulis ini dengan
“Aplikasi Data Mining Algoritma Apriori Untuk Menentukan Relasi Pembelian
Produk Pada Swalayan Sinuraya Simalingkar Medan”.

3
1.2. Rumusan Masalah
Permasalahan yang akan dibahas dalam penelitian tugas akhir ini adalah:
1. Bagaimana merancang dan membuat aplikasi data mining dengan database
transaksi pembelian pada Swalayan Sinuraya Simalingkar Medan.
2. Bagaimana menerapkan algoritma apriori dalam menemukan relasi pembelian
produk untuk ketersediaan produk mendatang dan mengatur penempatan relasi
produk agar teratur.
1.3. Batasan Masalah
Agar tidak terlepas dari latar belakang dan perumusan masalah, maka batasan
masalah yang penulis buat sebagai berikut:
1. Metode data mining yang digunakan adalah metode asosiasi. Dengan data yang
digunakan adalah data transaksi penjualan produk pada Swalayan Simalingkar
Medan untuk mengetahui relasi pembelian produk yang dilakukan konsumen.
2. Algoritma yang digunakan dalam membentuk aturan asosiasi adalah algoritma
apriori.
3. Pembuatan aplikasi data mining ini hanya mengunakan Microsoft Visual
Studio 2010 dan Microsoft Access sebagai sistem manajemen database.
1.4. Tujuan Penelitian
Berdasarkan perumusan masalah dan pembatasan masalah yang ada, maka tujuan
yang ingin dicapai pada tugas akhir ini adalah dapat membuat aplikasi data
mining dengan aturan asosiasi menggunakan algoritma apriori pada transaksi

4
pembelian Swalayan Sinuraya Simalingkar Medan dengan tujuan mengetahui
relasi pembelian produk yang akan digunakan untuk mengetahui produk yang
paling dicari pembeli dan terus mempertahankan kesedian produk.
1.5. Manfaat Penelitian
Manfaat yang diperoleh dari penelitian ini adalah :
1. Untuk terus mempertahankan ketersediaan barang pada Swalayan Sinuraya
Simalingkar Medan bagi pemilik.
2. Memberikan kemudahan dalam pencarian barang saat melakukan kegiatan
belanja bagi konsumen karena penempatan produk yang akan teratur
berdasarkan relasi pembelian produk.
1.6. Metodologi Penelitian
Dalam proses pengumpulan data dan informasi yang diperlukan untuk melengkapi
penulisan ilmiah ini, penulis menggunakan metode:
1. Studi Literatur
Dengan melakukan studi literatur, penulis mempelajari teori tentang data
mining, metode asosiasi, dan algoritma apriori dari berbagai sumber, seperti
buku, artikel, jurnal, dan situs-situs internet.
2. Analisis dan Pengumpulan Data
Pada tahap ini, akan dilakukan penelitian yang bertujuan untuk memperoleh
data secara langsung dari Swalayan Sinuraya Simalingkar Medan.

5
a. Pengumpulan sampel dokumentasi yang berhubungan dengan data
transaksi pembelian produk di Swalayan Sinuraya Simalingkar Medan.
b. Wawancara pihak yang berkompeten dalam kegiatan transaksi pembelian
produk di Swalayan Sinuraya Simalingkar Medan.
3. Perancangan Sistem
Merancang sistem untuk menemukan produk mana yang sering dibeli
bersamaan dengan kombinasi lainnya yang terjadi pada banyak transaksi
pembelian produk.
4. Implementasi Sistem
Sistem akan diimplementasikan dalam bentuk aplikasi berbasis desktop
menggunakan bahasa pemograman Microsoft Visual Basic 2010 dan Microsoft
Access sebagai sistem manajemen database.
5. Pengujian dan Analisa Sistem
Pengujian ini mencakup apakah implementasi telah sesuai dengan teori, atau
apakah program mengalami kesalahan. Perbaikan program akan dilakukan jika
ditemukan kesalahan.
6. Pembuatan Laporan
Pembuatan laporan tugas akhir bertujuan sebagai dokumentasi hasil penelitian.

6
1.7. Sistematika Penulisan
Adapun sistematika penulisan yang digunakan dalam penyusunan tugas akhir ini
adalah:
BAB 1 : PENDAHULUAN
Bab ini menguraikan latar belakang, rumusan masalah, batasan masalah, tujuan
penelitian, manfaat penelitian, metodelogi penelitian dan sistematika penulisan
tugas akhir.
BAB 2 : LANDASAN TEORI
Dalam bab ini penulis akan menjelaskan dan menguraikan pengertian mengenai
pokok pembahasan yang mengacu pada pembuatan aplikasi ini. Serta sistem
pendukung apa saja yang ada di gunakan dalam membangun aplikasi ini.
BAB 3 : ANALISIS DAN PERANCANGAN SISTEM
Dalam bab ini penulis akan membahas tentang analisis sistem dan perancangan
aplikasi dalam bentuk data flow diagram, serta struktur database yang digunakan
dalam aplikasi ini.
BAB 4 : IMPLEMENTASI SISTEM
Pada bab ini akan membahas tentang implementasi hasil penelitian menjadi
sebuah aplikasi. Kemudian melakukan pengujian terhadap aplikasi yang telah
dibuat.

7
BAB 5 : PENUTUP
Bab ini merupakan bab terakhir, dalam bab ini berisikan tentang kesimpulan yang
dapat ditarik oleh penulis berdasarkan hasil rancangan aplikasi yang telah
dibangun, serta berisi saran yang ditulis oleh penulis mengenai pengembangan
yang mungkin dilakukan terhadap aplikasi ini.

BAB 2
LANDASAN TEORI
Setelah tahapan pendahuluan, maka tahap selanjutnya adalah landasan teori, yang
merupakan tahap yang membahas tentang pokok pembahasan yang menunjang isi
dari tugas akhir yang harus diuraikan agar perwujudan aplikasi dapat dilakukan.
Pokok pembahasan dapat diperoleh dari berbagai sumber baik melalui buku,
jurnal, bahkan internet yang haruslah sumbernya terpercaya.
2.1. Data Mining
Data mining adalah proses yang menggunakan teknik statistik, matematika,
kecerdasan buatan, dan machine learning untuk mengekstraksi dan
mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari
berbagai database besar. Istilah data mining memiliki hakikat sebagai disiplin
ilmu yang tujuan utamanya adalah untuk menemukan, menggali, atau menambang
pengetahuan dari data atau informasi yang kita miliki.
Data mining, sering juga disebut sebagai Knowledge Discovery in
Database (KDD). KDD adalah kegiatan yang meliputi pengumpulan, pemakaian
data, historis untuk menemukan keteraturan, pola atau hubungan dalam set data
berukuran besar. Keluaran dari data mining bisa dipakai untuk memperbaiki
pengambilan keputusan dimasa depan.
Berdasarkan defenisi-defenisi yang telah disampaikan, hal penting yang
terkait dengan data mining adalah:

9
1. Data mining merupakan suatu proses otomatis terhadap data yang sudah ada.
2. Data yang akan diproses berupa data yang sangat besar.
3. Tujuan data mining adalah mendapatkan hubungan atau pola yang akan
mungkin memberikan indikasi yang bermanfaat.
2.1.1. Tahapan Proses Data Mining
Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi beberapa
tahapan proses. Tahapan tersebut bersifat interaktif, pemakai terlibat langsung
atau dengan perantaraan knowledge base. Berikut ini gambar tahapan proses pada
data mining.
Gambar 2.1. Tahapan Proses Data Mining
Tahapan proses data mining adalah sebagai berikut:
1. Pembersihan data (data cleaning)
Pembersihan data merupakan proses menghilangkan noise dan data yang
tidak konsisten atau data tidak relevan.

10
2. Integrasi data (data integration)
Integrasi data merupakan penggabungan data dari berbagai database ke
dalam satu database baru.
3. Seleksi data (data selection)
Data yang ada pada database sering kali tidak semuanya dipakai, oleh karena
itu hanya data yang sesuai untuk dianalisis yang akan diambil dari database.
4. Transformasi data (data transformation)
Data diubah atau digabung ke dalam format yang sesuai untuk diproses dalam
data mining.
5. Proses mining
Merupakan suatu proses utama saat metode diterapkan untuk menemukan
pengetahuan berharga dan tersembunyi dari data. Beberapa metode yang
dapat digunakan berdasarkan pengelompokan data mining dapat dilihat pada
gambar berikut.
Gambar 2.2. Beberapa Metode pada Data Mining

11
6. Evaluasi pola (pattern evaluation)
Untuk mengidentifikasi pola-pola menarik ke dalam knowledge based yang
ditemukan.
7. Presentasi pengetahuan (knowledge presentation)
Merupakan visualisasi dan penyajian pengetahuan mengenai metode yang
digunakan untuk memperoleh pengetahuan yang diperoleh pengguna.
2.1.2. Pengelompokan Data Mining
Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat
dilakukan, yaitu (Kusrini dan Luthfi, 2009):
1. Deskripsi
Terkadang peneliti dan analis secara sederhana ingin mencoba mencari data
untuk menggambarkan pola dan kecenderungan yang terdapat dalam data.
Sebagai contoh, petugas pengumpulan suara mungkin tidak dapat
menentukan keterangan atau fakta bahwa siapa yang tidak cukup professional
akan sedikit didukung dalam pemilihan presiden. Deskripsi dari pola dan
kecenderungan sering memberikan kemungkinan penjelesan untuk suatu pola
atau kecenderungan.
2. Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi
lebih kearah numerik dari pada kearah kategori. Model dibangun
menggunakan record lengkap yang menyediakan nilai dari variabel target

12
sebagai prediksi. Selanjutnya, pada peninjauan berikutnya estimasi nilai dari
variabel target dibuat berdasarkan nilai variabel prediksi. Sebagai contoh
akan dilakukan estimasi tekanan darah sistolik pada pasien rumah sakit
berdasarkan umur pasien, jenis kelamin, indeks berat badan, dan level sodium
darah. Hubungan antara tekanan darah sistolik dan nilai variabel prediksi
dalam proses pembelajaran akan menghasilkan model estimasi. Model
estimasi yang dihasilkan dapat digunakan untuk kasus baru lainnya.
3. Prediksi
Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam
prediksi nilai dari hasil akan ada dimasa mendatang.
Contoh prediksi bisnis dan penelitian adalah:
a. Prediksi harga beras dalam tiga bulan yang akan datang.
b. Prediksi persentasi kenaikan kecelakaan lalu lintas tahun depan jika batas
bawah kecepatan dinaikkan.
Beberapa metode dan teknik yang digunakan dalam klasifikasi dan estimasi
dapat pula digunakan (untuk keadaan yang tepat) untuk prediksi.
4. Klasifikasi
Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh,
penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu
pendapatan tinggi, pendapatan sedang, dan pendapatan rendah. Contoh lain
klasifikasi dalam bisnis dan penelitian adalah:
a. Menentukan apakah suatu transaksi kartu kredit merupakan transaksi
yang curang atau tidak.

13
b. Memperkirakan apakah suatu pengajuan hipotek oleh nasabah
merupakan suatu kredit yang baik atau buruk.
c. Mendiagnosis penyakit seorang pasien untuk mendapatkan termasuk
kategori penyakit apa.
5. Pengklusteran (Clustering)
Pengkluteran merupakan pengelompokan record, pengamatan, atau
memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan.
Kluster adalah kumpulan record yang memiliki kemiripan satu dengan yang
lainnya dan memiliki ketidakmiripan dengan record-record dalam kluster
lain. Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variabel
target dalam pengklusteran. Pengklusteran tidak mencoba untuk melakukan
klasifikasi, mengestimasi, atau memprediksi nilai dari variabel target. Akan
tetapi, algoritma pengklusteran mencoba untuk melakukan pembagian
terhadap keseluruhan data menjadi kelompok-kelompok yang memiliki
kemiripan (homogeny), yang mana kemiripan dalam satu kelompok akan
bernilai maksimal, sedangkan kemiripan dengan record dalam kelompok lain
akan bernilai minimal. Contoh pengklusteran dalam bisnis dan penelitian
adalah:
a. Mendapatkan kelompok-kelompok konsumen untuk target pemasaran
dari satu suatu produk bagi perusahaan yang tidak memiliki dana
pemesaran yang besar.
b. Untuk tujuan audit akuntansi, yaitu melakukan pemisahan terhadap
perilaku financial dalam baik dan mencurigakan.

14
c. Melakukan pengklusteran terhadap ekspresi dari gen, untuk mendapatkan
kemiripan perilaku dari gen dalam jumlah besar.
6. Asosiasi
Tugas asosiasi dalam data mining adalah menemukan attribut yang muncul
dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang
belanja. Contoh asosiasi dalam bisnis dan penelitian adalah:
a. Meneliti jumlah pelanggan dari perusahaan telekomunikasi seluler yang
diharapkan untuk memberikan respon positif terhadap penawaran
upgrade layanan yang diberikan.
b. Menentukan barang dalam supermarket yang dibeli secara bersamaan
dan yang tidak pernah dibeli secara bersamaan.
2.1.3. Langkah-Langkah Data Mining
Ada empat langkah yang dilalui dalam data mining antara lain (Lee dan Santana,
2010) :
1. Langkah pertama: Precise statement of the problem (mendefinisikan
permasalahan yang ingin diketahui). Misalnya ingin mengetahui apakah
seorang konsumen berpotensi memiliki kredit macet, atau mengidentifikasi
seorang konsumen apakah akan pindah ke kompetitor bisnis kita, dan lain
sebagainya. Setelah menemukan pertanyaan bisnis yang perlu dijawab oleh
data mining, selanjutnya tentukan tipe tugas untuk menjawab pertanyaan
bisnis tersebut. Tugas dasar yang menjadi dasar algoritma data mining adalah
klasifikasi, regresi, segmentasi, asosiasi dan sequence analisis.

15
2. Langkah kedua: Initial Exploration (Mempersiapkan data yang menjadi
sumber untuk data mining termaksud data “cleaning” untuk mempelajari
polanya). Setelah menemukan defenisi masalah, langkah berikutnya adalah
mencari data yang mendukung defenisi masalah. Menentukan porsi data yang
digunakan men-training data mining berdasarkan algoritma data mining yang
telah dibuat. Setelah persiapan data selesai dilakukan, langkah berikutnya
adalah memberikan sebagian data kedalam algoritma data mining.
3. Langkah ketiga: Model building and validation. Validasi apakah data mining
memberikan prediksi yang akurat. Setelah training data selesai dilakukan,
data mining tersebut perlu di-“uji” atau di-validasi keakuratannya terhadap
data testing.
4. Langkah ke-empat: Deployment. Tahap ini memilih aplikasi yang tepat
terhadap data mining untuk membuat prediksi.
Gambar 2.3. Langkah dalam Data Mining dan Membangun Model

16
2.2. Association Rule
Analisis asosiasi atau association rule mining adalah teknik data mining untuk
menemukan aturan asosiasi antara kombinasi item. Contoh dari aturan asosiasi
dari analisa pembelian di suatu pasar swalayan adalah dapat diketahui berapa
besar kemungkinan seseorang membeli roti bersamaan dengan susu. Dengan
pengetahuan tersebut pemilik pasar swalayan dapat mengatur penempatan
barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon
untuk kombinasi barang tertentu (Amirudin et al. 2007).
Aturan asosiasi akan menggunakan data latihan, sesuai dengan pengertian
data mining, untuk menghasilkan pengetahuan. Pengetahuan untuk mengetahui
item-item belanja yang sering dibeli secara bersamaan dalam suatu waktu. Aturan
asosiasi yang berbentuk “if…then…” atau “jika…maka…” merupakan
pengetahuan yang dihasilkan dari fungsi aturan asosiasi (Susanto dan Suryadi,
2010).
2.2.1. Tahapan Association Rule
Analisis asosiasi dikenal juga sebagai salah satu teknik data mining yang menjadi
dasar dari berbagai teknik data mining lainya. Khususnya salah satu tahap dari
analisis asosiasi yang disebut analisis pola frekuensi tinggi (frequent pattern
mining) menarik perhatian banyak peneliti untuk menghasilkan algoritma yang
efesien (Ikhsan et al. 2007).

17
Metodologi dasar analisis asosiasi terbagi menjadi dua tahap :
1. Analisa pola frekuensi tinggi
Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai
support dalam database. Nilai support sebuah item diperoleh dengan
memakai rumus berikut:
𝐣𝐮𝐦𝐥𝐚𝐡 𝐭𝐫𝐚𝐧𝐬𝐚𝐤𝐬𝐢 𝐦𝐞𝐧𝐠𝐚𝐧𝐝𝐮𝐧𝐠 𝐀

𝑺𝒖𝒑𝒑𝒐𝒓𝒕 𝑨 = × 𝟏𝟎𝟎%
𝐭𝐨𝐭𝐚𝐥 𝐭𝐫𝐚𝐧𝐬𝐚𝐤𝐬𝐢
Sedangkan nilai dari support dua item diperoleh dari rumus berikut :
𝐣𝐮𝐦𝐥𝐚𝐡 𝐭𝐫𝐚𝐧𝐬𝐚𝐤𝐬𝐢 𝐦𝐞𝐧𝐠𝐚𝐧𝐝𝐮𝐧𝐠 𝐀 𝐝𝐚𝐧 𝐁

𝑺𝒖𝒑𝒑𝒐𝒓𝒕 𝑨, 𝑩 = × 𝟏𝟎𝟎%
𝐭𝐨𝐭𝐚𝐥 𝐭𝐫𝐚𝐧𝐬𝐚𝐤𝐬𝐢
2. Pembentukan Aturan Asosiasi
Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif
yang memenuhi syarat minimum untuk confidence dengan menghitung confidence
aturan asosiasi “ jika A maka B “. Nilai confidence dari aturan “ jika A maka B “
diperoleh dari rumus berikut :
𝐣𝐮𝐦𝐥𝐚𝐡 𝐭𝐫𝐚𝐧𝐬𝐚𝐤𝐬𝐢 𝐦𝐞𝐧𝐠𝐚𝐧𝐝𝐮𝐧𝐠 𝐀 𝐝𝐚𝐧 𝐁

𝑪𝒐𝒏𝒇𝒊𝒅𝒆𝒏𝒄𝒆(𝑨 → 𝑩) = 𝐏(𝐀|𝐁) × 𝟏𝟎𝟎%
𝐣𝐮𝐦𝐥𝐚𝐡 𝐭𝐫𝐚𝐧𝐬𝐚𝐤𝐬𝐢 𝐦𝐞𝐧𝐠𝐚𝐧𝐝𝐮𝐧𝐠 𝐀
2.2.2. Langkah-Langkah Proses Aturan Asosiasi
Proses Aturan Asosiasi terdiri dari beberapa tahap sebagai berikut (Tyas, 2008).
1. Sistem men-scan database untuk mendapat kandidat 1-itemset (himpunan
item yang terdiri dari 1 item) dan menghitung nilai supportnya. Kemudian
nilai supportnya tersebut dibandingkan dengan minimum support yang telah

18
ditentukan, jika nilainya lebih besar atau sama dengan minimum support
maka itemset tersebut termasuk dalam large itemset.
2. Itemset yang tidak termasuk dalam large itemset tidak diikutkan dalam iterasi
selanjutnya (di prune).
3. Pada iterasi kedua sistem akan menggunakan hasil large itemset pada iterasi
pertama (L1) untuk membentuk kandidat itemset kedua (L2). Pada iterasi
selanjutnya sistem akan menggunakan hasil large itemset pada iterasi
selanjutnya akan menggunakan hasil large itemset pada iterasi sebelumnya
(Lk-1) untuk membentuk kandidat itemset berikut (Lk). Sistem akan
menggabungkan (join) Lk-1 dengan Lk-1 untuk mendapatkan Lk, seperti
pada iterasi sebelumnya sistem akan menghapus (prune) kombinasi itemset
yang tidak termasuk dalam large itemset.
4. Setelah dilakukan operasi join, maka pasangan itemset baru hasil proses join
tersebut dihitung supportnya.
5. Proses pembentuk kandidat yang terdiri dari proses join dan prune akan terus
dilakukan hingga himpunan kandidat itemsetnya null, atau sudah tidak ada
lagi kandidat yang akan dibentuk.
6. Setelah itu, dari hasil frequent itemset tersebut dibentuk association rule yang
memenuhi nilai support dan confidence yang telah ditentukan.

19
7. Pada pembentukan association rule, nilai yang sama dianggap sebagai satu
nilai.
8. Associotion rule yang terbentuk harus memenuhi nilai minimum yang telah
ditentukan.
9. Untuk setiap large itemset L, kita cari himpunan bagian L yang tidak kosong.
Untuk setiap himpunan bagian tersebut, dihasilkan rule dengan bentuk aB
(L-a) jika supportnya (L) dan supportnya (a) lebih besar dari minimum
support.
2.3. Algoritma Apriori
Algoritma apriori adalah suatu algoritma dasar yang diusulkan oleh Agrawal dan
Srikant pada tahun 1994 untuk menentukan frequent itemsets untuk aturan
asosiasi Boolean. Algoritma Apriori termasuk jenis aturan asosiasi pada data
mining. Aturan yang menyatakan asosiasi antara beberapa atribut sering disebut
affinity analysis atau market basket analysis. Analisis 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 tolok ukur, yaitu : support dan confidence. Support (nilai penunjang) adalah
persentase kombinasi item tersebut dalam database, sedangkan confidence (nilai

20
kepastian) adalah kuatnya hubungan antara-item dalam aturan asosiasi (Kusrini
dan Luthfi, 2009).
Algoritma apriori dibagi menjadi beberapa tahap yang disebut narasi atau
pass (Setiawan, 2009).
1. Pembentukan kandidat itemset.
Kandidat k-itemset dibentuk dari kombinasi (k-1) itemset yang didapat dari
iterasi sebelumnya. Satu cara dari algoritma apriori adalah pemangkasan
kandidat k-itemset yang subsetnya berisi k-1 item tidak termasuk dalam pola
frekuensi tinggi dengan panjang k-1.
2. Penghitungan support dari tiap kandidat k-itemset.
Support dari tiap kandidat k-itemset didapat dengan men-scan database untuk
menghitung jumlah transaksi yang memuat semua item didalam kandidat k-
itemset tersebut. Ini adalah juga ciri dari algoritma apriori dimana diperlukan
penghitungan dengan cara seluruh database sebanyak k-itemset terpanjang.
3. Tetapkan pola frekuensi tinggi.
Pola frekuensi tinggi yang memuat k-itemset ditetapkan dari kandidat k-
itemset yang supportnya lebih besar dari minimum support.
4. Bila tidak didapat pola frekuensi tinggi baru maka seluruh proses dihentikan.
Untuk lebih memahami proses algoritma apriori maka berikut ini akan
diberikan illustrasi penggunaan algoritma apriori. Dengan menggunakan database
pada gambar 4 dan mengasumsikan minimum support adalah 2 transaksi.

21
Gambar 2.4. Ilustrasi Algoritma Apriori
2.4. Pengertian Data, Informasi, dan Database
Data, informasi dan database sangat diperlukan dalam pembuatan dari tugas akhir
dan merupakan komponen yang diperlukan dalam pembuatan aplikasi. Karena
dalam pengoperasian aplikasi diperlukan data untuk diolah menjadi informasi dan
disimpan kedalam database.
2.4.1. Data
Data adalah deskripsi dari sesuatu dan kejadian yang kita hadapi. Definisi dari
data yang lain adalah data merupakan kenyataan yang menggambarkan suatu
kejadian-kejadian dan kesatuan nyata. Kesatuan nyata (fact and entity) adalah
berupa suatu objek nyata seperti tempat, benda dan orang yang benar ada dan
terjadi. Untuk pengambilan keputusan bagi manajemen, maka faktor-faktor
tersebut harus diolah lebih lanjut untuk menjadi suatu informasi. Sejumlah penulis

22
menggunakan data untuk menyatakan nilai-nilai yang secara aktual terkandung
dalam basis data.
2.4.2. Informasi
Informasi merupakan sesuatu yang dihasilkan dari pengolahan data. Data yang
sudah ada dikemas dan diolah sedemikian rupa sehingga menjadi sebuah
informasi yang berguna. Berikut adalah definisi informasi berdasarkan berbagai
sumber. Informasi merupakan suatu hasil dari pemrosesan data menjadi sesuatu
yang bermakna bagi yang menerimanya, sebagaimana dikemukakan oleh
Vercellis (2009) “Information is the outcome of extraction and processing
activities carried out on data, and it appears meaningful for those who receive it
in a specific domain .” Selain merupakan hasil dari pengolahan data, informasi
juga menggambarkan sebuah kejadian, sebagaimana dikemukakan oleh Wawan
dan Munir (2006) bahwa “ Informasi merupakan hasil dari pengolahan data dalam
suatu bentuk yang menggambarkan suatu kejadian-kejadian (event) yang nyata
(fact) dengan lebih berguna dan lebih berarti ”.
Informasi digunakan untuk menyatakan makna nilai ketika telah dipahami
oleh pengguna. Sehingga informasi dapat diartikan juga sebagai data yang telah
diorganisasikan kedalam bentuk yang sesuai denagn kebutuhan seseorang, baik itu
manager, staf, ataupun orang lain di dalam suatu organisasi atau perusahaan.

23
2.4.3. Database
Database adalah tempat penyimpanan data yang saling berhubungan secara
logika, sehingga bisa digunakan untuk mendapatkan suatu informasi yang
diperlukan oleh suatu organisasi atau perusahaan. Sedangkan data yang diperoleh
suatu organisasi atau perusahaan umumnya didapat dari kegiatan operasional
sehari-hari atau hasil dari transaksi (Gustirahman, 2006).
Selain itu database dapat diartikan juga sebagai sistem terkomputerisasi
yang tujuan utamanya adalah memelihara informasi dan membuat informasi
tersebut tersedia saat dibutuhkan. Penggunaan sistem database dapat melakukan
berbagai operai diantara lain: menambahkan file baru ke sistem database,
mengosongkan berkas, menyisipkan data kesuatu berkas, mengambil data yang
ada pada suatu berkas, mengubah data yang ada pada suatu berkas, menghapus
data yang ada pada suatu berkas dan menyajikan informasi yang diambil dari
sejumlah berkas.
2.4.4. Database Management System (DBMS)
DBMS merupakan perantara bagi pemakai dengan basis data. Untuk merinteraksi
dengan DBMS (basis data) menggunakan bahasa basis data yang telah ditentukan
oleh perusahaan DBMS. Bahasa basis data biasanya terdiri atas perintah-perintah
yang di formulasikan sehingga perintah tersebut akan diproses oleh DBMS.
Bahasa basis data terbagi dua yaitu Data Definition Language (DDL) dan Data
Manipulation Language (DML), DDL digunakan untuk menggambarkan desain
basis data secara keseluruhan. membuat tabel baru, memuat indeks, ataupun

24
mengubah tabel, DML digunakan untuk melakukan menipulasi dan pengambilan
data pada suatu basis data.
2.5. Data Flow Diagram (DFD)
Data Flow Diagram (DFD) merupakan suatu gambaran grafis dari suatu sistem
yang menggunakan sejumlah bentuk-bentuk simbol untuk menggambarkan
bagaimana data mengalir melalui suatu proses yang saling berkaitan. Fungsi dari
simbol-simbol DFD adalah sebagai berikut:
Tabel 2.1. Simbol-simbol DFD
Simbol DFD Nama Fungsi

Entitas atau Merupakan kesatuan luar di
Kesatuan Luar lingkungan luar sistem yang akan
memberikan input atau menerima
(External entitiy) output dari sistem.
Proses Kegiatan dari hasil suatu arus data

yang masuk dalam proses untuk
(Process) dihasilkan arus data yang akan kelaur
atau untuk mengubah input menjadi
output.
Penyimpanan Penyimpana data (database) untuk

Data keperluan berikutnya.
(Storage Data)
Aliran Data Data mengalir melalui sistem dimulai
dengan sebagian input dan diubah
(Data Flow) menjadi output.

25
2.6. Flowchart
Flowchart adalah penggambaran secara grafik dari langkah-langkah dan urut-
urutan prosedur dari suatu program. Flowchart menolong analis dan programmer
untuk memecahkan masalah ke dalam segmen-segmen yang lebih kecil dan
menolong dalam menganalisis alternatif-alternatif lain dalam pengoperasian.
Flowchart biasanya mempermudah penyelesaian suatu masalah khususnya
masalah yang perlu dipelajari dan dievaluasi lebih lanjut. Fungsi dari simbol-
simbol flowchart adalah sebagai berikut:
Tabel 2.2. Simbol-simbol Flowchart
Simbol Fungsi
Simbol process, yaitu menyatakan suatu tindakan

(proses) yang dilakukan didalam program.
Simbol offlpage connector yaitu menyatakan

penghubung bila flowchart terputus disebabkan oleh
pergantian halaman (misalanya tidak cukup dalam satu
halaman).
Simbol connector, berfungsi untuk menyatakan
sambungan dari prose ke proses yang lainnya dalam
halaman yang sama.
Simbol arus/flowline, yaitu menyatakan jalannya arus

suatu proses.
Simbol decision yaitu menunjukkan suatu kondisi

tertentu yang akan menghasilkan dua kemungkinan
jawaban yaitu : ya/ tidak.

26
Tabel 2.2. Lanjutan
Simbol Fungsi
Simbol input/output, menyatakan proses input atau
output tanpa tergantung jenis peralatannya.
Simbol terminal yaitu menyatakan permulaan atau akhir

suatu program.
Simbol document, mencetak keluaran dalam bentuk

dokumen.

BAB 3
ANALISIS DAN PERANCANGAN SISTEM
Tahap analisis dan perancanagn sistem merupakan tahap awal dalam pembuatan
aplikasi ataupun sistem yang akan dibangun. Tujuan adanya bab ini adalah untuk
mengaplikasikan bab pendahuluan atas alasan karya tulis dibuat dan mewujudkan
penerapan dari teori-teori yang telah dijabarkan dalam bab sebelumnya. Dalam
bab ini terdapat analisis masalah yang akan dipecahkan menggunakan metode,
dengan menggambarkannya dalam Data Flow Diagram (DFD), Flowchart, dan
gambaran input maupun output yang akan berwujud pada bab selanjutnya.
3.1. Analisis Sistem
Analisis sistem adalah suatu tahapan sistem yang dilakukan untuk membantu
memahami suatu masalah dan apa yang akan menjadi kebutuhan sistem.
Tujuannya adalah untuk membantu mengetahui masalah yang ada dan merancang
model suatu sistem yang akan dibangun sehingga menjadi tepat guna.
3.1.1 Analisis Masalah
Masalah yang diangkat dalam tugas akhir ini adalah bagaimana cara menentukan
relasi pembelian barang pada swalayan yang akan menggunakan metode data
mining dengan aturan asosiasi dan algoritma apriori untuk mendapatkan informasi
dimana didalam transaksi pembelian produk akan dilihat kombinasi
kecendurungan pembelian yang dilakukan oleh konsumen. Dengan mengetahui

28
informasi kombinasi pembelian tersebut pemilik swalayan dapat memberi
peningkatan dalam penyediaan barang maupun pengaturan letak barang sesuai
kombinasi agar konsumen puas atas pelayanan dan terus belanja di swalayan
tersebut. Berikut ini data transaksi pembelian produk yang dilakukan konsumen
Swalayan Sinuraya Simalingkar Medan.
Tabel 3.1 Transaksi Pembelian Produk
No Tanggal No.Transaksi Nama Produk

Transaksi
1 3/29/2017 TR17032901 Obat Nyamuk Cair, Obat Nyamuk Elektrik,
Detergen,Buku Tulis, Gula
2 3/29/2017 TR17032902 Bedak Bayi, Sabun, Vitamin Rambut, Kopi
3 3/29/2017 TR17032903 Sampo Pria, Rokok
4 3/29/2017 TR17032904 Susu Anak usia 0-2 tahun, Pampers, Kreker
Renyah
5 3/29/2017 TR17032905 Kreker Renyah, Susu Kental Manis
6 3/29/2017 TR17032906 Kreker Renyah, Susu Kental Manis, Coklat
Batang
7 3/29/2017 TR17032907 Sabun, Detergen
8 3/29/2017 TR17032908 Bubuk Teh, Detergen, Sabun, Sampo Wanita
9 3/29/2017 TR17032909 Pomade, Sampo Pria, Kopi
10 3/29/2017 TR17032910 Detergen, Sampo Pria
11 3/29/2017 TR17032911 Permen, Ice Cream
12 3/29/2017 TR17032912 Ice Cream, Permen, Yakult
13 3/29/2017 TR17032913 Detergen, Sampo Wanita
14 3/29/2017 TR17032914 Bubuk The, Kreker Renyah, Sabun
15 3/29/2017 TR17032915 Sabun, Pisau Silet Cukur, Pembalut
16 3/29/2017 TR17032916 Kaos Kaki, Mainan, Balsem
17 3/29/2017 TR17032917 Sabun, Sikat Gigi, Pasta Gigi
18 3/29/2017 TR17032918 Parpum Pria, Sampo Pria, Pomade
19 3/29/2017 TR17032919 Energen, Teh Botol, Kreker Renyah, Mie Instant
20 3/29/2017 TR17032920 Hand-Body, Bedak Wanita, Sabun Cuci Muka
21 3/29/2017 TR17032921 Topi Ultah/ 20 lembar, Balon Biasa, Lilin Angka
22 3/29/2017 TR17032922 Tisu, Sabun Cuci Muka, Cotton Bud
23 3/29/2017 TR17032923 Susu Kotak Kecil, Bubuk Teh, Gula
24 3/29/2017 TR17032924 Mie, Beras, Minyak Goreng
25 3/29/2017 TR17032925 Susu Kental Manis, Agar-Agar, Coklat Batang
26 3/30/2017 TR17033001 Vitamin Rambut, Hand-Body
27 3/30/2017 TR17033002 Teh Botol, Kreker Renyah

29
Tabel 3.1 Lanjutan

Tanggal
No No.Transaksi Nama Produk
Transaksi
28 3/30/2017 TR17033003 Sapu, Fitting Lampu, Kabel Bok
29 3/30/2017 TR17033004 Fitting Lampu, Kabel Bok
30 3/30/2017 TR17033005 Fitting Lampu, Kabel Bok, Bola Lampu
31 3/30/2017 TR17033006 Pasta Gigi, Sabun, Pembalut
32 3/30/2017 TR17033007 Gula, Mentega
33 3/30/2017 TR17033008 Fitting Lampu, Bola Lampu
34 3/30/2017 TR17033009 Pengharum Pakaian, Detergen, Sabun
35 3/30/2017 TR17033010 Detergen, Sabun
36 3/30/2017 TR17033011 Pisau Silet Cukur, Alat Cukur
37 3/30/2017 TR17033012 Perekat / Slotip Kertas, Spidol, Buku Tulis
38 3/30/2017 TR17033013 Pensil Warna / Kelir, Buku Gambar, Buku Tulis
39 3/30/2017 TR17033014 Perekat / Slotip Kertas, Pensil Warna / Kelir,
Buku Gambar
40 3/30/2017 TR17033015 Perekat / Slotip Kertas, Pisau Silet Cukur
41 3/31/2017 TR17033101 Bubuk Teh, Kreker Renyah, Kaos Kaki
42 3/31/2017 TR17033102 Susu Anak usia 0-2 tahun, Pampers
43 3/31/2017 TR17033103 Baterai, Kabel Bok
44 3/31/2017 TR17033104 Karet Penghapus, Buku Tulis
45 3/31/2017 TR17033105 Pensil Warna / Kelir, Buku Gambar
46 3/31/2017 TR17033106 Pensil Warna / Kelir, Buku Gambar
47 3/31/2017 TR17033107 Air Mineral, Kreker Renyah, Vitamin Rambut
48 3/31/2017 TR17033108 Bubuk Teh, Kreker Renyah, Cookies
49 3/31/2017 TR17033109 Hand-Body, Sampo Wanita, Sabun Cuci Muka
50 3/31/2017 TR17033110 Pisau Silet Cukur, Sampo Pria, Parpum Pria
51 3/31/2017 TR17033111 Sampo Pria, Sabun, Pomade
52 3/31/2017 TR17033112 Susu Anak usia 0-2 tahun, Pampers, Karet Dot
53 3/31/2017 TR17033113 Lulur, Kreker Renyah, Yakult
54 3/31/2017 TR17033114 Cookies, Yakult
55 3/31/2017 TR17033115 Pampers, Botol Susu, Karet Dot
56 4/1/2017 TR17040101 Detergen, Pampers, Bedak Bayi
57 4/1/2017 TR17040102 Sikat Gigi, Pasta Gigi, Detergen
58 4/1/2017 TR17040103 Minyak Goreng, Bola Lampu, Mie
59 4/1/2017 TR17040104 Bubuk Teh, Kreker Renyah
60 4/1/2017 TR17040105 Pengharum Pakaian, Detergen, Sabun
61 4/2/2017 TR17040201 Pembersih Make-up, Pembalut, Hand-Body
62 4/2/2017 TR17040202 Gula, Rokok, Kopi
63 4/2/2017 TR17040203 Gula, Minyak Goreng, Beras
64 4/2/2017 TR17040204 Kreker Renyah, Bubuk Teh, Air Mineral
65 4/2/2017 TR17040205 Cookies, Bubuk Teh, Roti Isi Selai
Data transaksi pembelian produk diatas akan dijadikan data input pada
aplikasi. Data transaksi tersebut akan dikelompokkan terlebih dahulu seperti data

30
kategori untuk mengetahui produk tersebut termasuk kategori yang bagaimana.
Selain data kategori dari data transaksi diatas juga dikelompokkan menjadi data
produk yang menjelaskan produk apa saja yang diperjualkan pada swalayan.
Sehingga dari data transaksi pembelian yang telah disusun nanti akan dimasukkan
kedalam algoritma untuk menampilkan output berupa informasi baik banyaknya
produk terjual dan kombinasi pembelian produk yang terjadi dalam bentuk tabel.
3.2. Perancangan Sistem
Dalam pembuatan aplikasi data mining algoritma apriori ini, dilakukan
perancangan sistem yang dengan perancangan ini aplikasi dapat dibuat dengan
mudah sesuai gambaran yang telah dirancang. Dengan perancangan sistem yang
sesuai diharapkan pengguna sistem dapat dengan mudah menjalankan aplikasi dan
dapat menggunakan aplikasi dengan tepat sehingga hasil yang diinginkan dapat
ditunjukkan dengan benar.
3.2.1. Perancangan DFD
Data Flow Diagram (DFD) adalah alat yang biasa dipakai untuk mendokumentasi
proses dalam sistem atau sebuah teknis grafis yang menggambarkan aliran
informasi dan transformasi yang diaplikasikan pada saat data bergerak dari input
menjadi output. DFD yang menggambarkan keseluruhan sistem secara utuh
disebut DFD level 0 atau biasa dikenal dengan Diagram Konteks. Berikut ini
dapat dilihat Diagram Konteks atau DFD level 0 yang digunakan dalam sistem.

31
Gambar 3.1. Diagram Konteks
Penjelasan dari Diagram Konteks Aplikasi Data Mining Algoritma Apriori
Untuk Menentukan Relasi Pembelian Produk, sebagai berikut :
a. Proses
Nama Proses : Data Mining Algoritma Apriori Untuk Menentukan Transaksi
Pembelian Produk
Keterangan : Proses akan mencari kombinasi yang terjadi pada transaksi
pembelian produk dengan aturan asosiasi menggunakan
algoritma apriori.
b. Arus Data
Masukan : Data transaksi pembelian produk yang berisikan tanggal
pembelian, nomor transaksi, kode produk, nama produk, dan
kategori produk akan dimasukkan otomatis dalam tabel.
Keluaran : Informasi kombinasi pembelian produk yang disajikan dalam
bentuk tabel dan didalamnya terdapat kombinasi nama
produk dan banyak per kombinasi.

32
c. Pengguna
Aktivitas : Setelah memasukkan data transaksi pembelian produk maka
saat data ingin diproses data transaksi otomatis masuk
kedalam tabel transaksi pembelian produk dihalaman baru
dan lakukan klik proses algoritma apriori maka hasil keluaran
berupa tabel yang isinya informasi kombinasi produk.
Proses yang ada pada diagram konteks atau DFD level 0 dapat dipecahkan
lagi menjadi proses-proses yang lebih kecil dan lengkap dalam DFD level 1. Berikut
ini gambar DFD level 1 yang dapat dilihat sebagai berikut.
Gambar 3.2. DFD Level 1

33
Penjelasan dari DFD level 1 aplikasi data mining algoritma apriori untuk
menentukan relasi pembelian produk, sebagai berikut.
a. Proses 1.0
Nama Proses : Input Data Kategori
Masukkan : Data yang diinputkan adalah nomor kategori produk dan
nama kategori produk atau melakukan edit pada nama
kategori.
Keluaran : Data kategori produk yang telah ditambah maupun diedit.
Keterangan : Merupakan penambahan data kategori.
b. Proses 2.0
Nama Proses : Input Data Produk
Masukkan : Data yang diinputkan adalah kode produk, nama produk
dan katagori produk atau melakukan edit pada nama
produk maupun kategorinya.
Keluaran : Data produk yang baru ditambah maupun diedit.
Keterangan : Merupakan penambahan data produk yang dijual.
c. Proses 3.0
Nama Proses : Input Data Transaksi Pembelian
Masukkan : Data yang diinputkan adalah tanggal transaksi, nomor
tramnsaksi, kodse produk, nama prodeuk dan kategori
produk.
Keluaran : Data transaksi pembelian yang telah ditambah.
Keterangan : Menambahkan data transaksi pembelian yang dilakukan
konsumen.

34
d. Proses 4.0
Nama Proses : Algoritma Apriori
Masukkan : Data transaksi pembelian produk yang berupa tabel.
Keluaran : Informasi kombinasi pembelian produk yang telah diproses
berupa tabel.
Keterangan : Menunjukkan hasil dari algoritma yang telah dilakukan
sistem.
3.2.2. Perancangan Database
Database merupakan tempat penyimpanan data terstruktur sehingga dapat diakses
dengan mudah dan cepat. Membangun database merupakan salah satu langkah
pembuatan sebuah sistem, karena berfungsi sebagai basis penyedia informasi bagi
para pemakainya. Berikut ini perancangan database yang digunakan dalam
pembuatan aplikasi data mining algoritma apriori untuk menentukan relasi
transaksi pembelian produk terdiri atas lima buah tabel, sebagai berikut.
Tabel 3.2. Data Kategori
Nama Kolom Tipe Kosong Primary Key Keterangan

Data
No Kategori Text Tidak Ya (Auto Nomor Kategori
Increment) Produk
Nama Kategori Text Tidak Nama Kategori
Produk

35
Tabel 3.3. Data Produk

Data
Kode Produk Text Tidak Ya (Auto Kode Produk
Increment)
Nama Produk Text Tidak Nama Produk
Kategori Text Tidak Nama Kategori
Produk
Tabel 3.4. Data Transaksi Pembelian

Data
Tgl Transaksi Text Tidak Tanggal Transaksi
No Transaksi Text Tidak Nomor Transaksi Pembeli
Kode Produk Text Tidak Kode Produk
Nama Produk Text Tidak Nama Produk
Kategori Text Tidak Nama Kategori Produk
Tabel 3.5. Hasil Algoritma Apriori
Nama Kolom Tipe Kosong Primary Keterangan

Data Key
Kombinasi Text Tidak Kombinasi produk yang
muncul
Banyak_kombi Text Tidak Jumlah kombinasi yang
nasi muncul untuk setiap
kombinasi produk
3.2.3. Perancangan Flowchart
Flowchart atau diagram alir merupakan sebuah diagram dengan simbol-simbol
grafis yang menyatakan aliran algoritma atau proses yang menampilkan langkah-
langkah yang disimbolkan dalam bentuk kotak, beserta urutannya dengan
menghubungkan masing-masing langkah tersebut menggunakan tanda panah.

36
Diagram ini bisa memberi solusi selangkah demi selangkah untuk penyelesaian
masalah yang ada di dalam proses atau algoritma tersebut.
3.2.3.1. Flowchart Tampilan Awal
Gambar 3.3. Flowchart Tampilan Awal

37
3.2.3.2. Flowchart Proses Algoritma Apriori
Gambar 3.4. Flowchart Proses Algoritma Apriori
3.2.4. Perancangan Antarmuka (Interface)
Antarmuka (Interface) digunakan sebagai alat komunikasi antara sistem dan
pengguna. Perancangan antarmuka dalam rancangan antarmuka aplikasi ini terdiri
dari :
1. Tampilan Awal (Beranda)
Pada tampilan beranda ini merupakan tampilan yang akan muncul pertama kali
saat aplikasi dijalankan. Pada tampilan beranda ini terdapat beberapa menu
diantaranya Beranda yang merupakan tampilan utama yang sedang dibuka,
menu Kategori, menu Produk, menu Transaksi Pembelian, menu Algoritma

38
Apriori dan menu Keluar yang apabila dipilih maka aplikasi otomatis tertutup
secara keseluruhan. Tampilan menu beranda, dapat dilihat pada gambar berikut.
Gambar 3.5. Rancangan Tampilan Beranda
2. Tampilan Menu Kategori
Pada tampilan menu kategori merupakan tampilan yang isinya data kategori
produk yang terdapat dalam swalayan. Menu kategori ini berisikan textbox
yang harus diisi, berisikan beberapa tombol yaitu simpan, edit, hapus dan
batal untuk melakukan input ke tabel. Dan terdapat bagian pencarian
kategori berdasarkan nama kategori apabila ingin melakukan edit maupun
hapus. Tampilan menu kategori, dapat dilihat pada gambar berikut.

39
Gambar 3.6. Rancangan Tampilan Menu Kategori
3. Tampilan Menu Produk
Pada tampilan menu produk merupakan tampilan yang isinya data produk
yang terdapat dalam swalayan. Menu produk ini berisikan textbox dan
sebuah combobox yang harus diisi, berisikan beberapa tombol yaitu simpan,
edit, hapus dan batal untuk melakukan input ke tabel. Dan terdapat bagian
pencarian produk berdasarkan nama produk apabila ingin melakukan edit
maupun hapus. Tampilan menu produk, dapat dilihat pada gambar berikut.

40
Gambar 3.7. Rancangan Tampilan Menu Produk
4. Tampilan Menu Transaksi Pembelian
Pada tampilan menu transaksi pembelian merupakan tampilan yang isinya
data transaksi pembelian produk yang dilakukan oleh konsumen. Menu
transaksi pembelian ini berisikan textbox dan sebuah combobox yang harus
diisi, berisikan beberapa tombol yaitu simpan, edit, hapus dan batal untuk
melakukan input ke tabel. Terdapat tabel produk yang apabila dilakukan
double klik maka akan otomatis masuk kedalam textbox untuk langsung
masuk ke tabel transaksi pembelian. Dan terdapat dua buah pencarian yaitu
pencarian produk untuk mencari produk berdasarkan nama produk dan
pencarian transaksi pembelian dapat dilakukan berdasarkan tanggal
transaksi, nomor transaksi dan nama produk. Tampilan menu transaksi
pembelian, dapat dilihat pada gambar berikut.

41
Gambar 3.8. Rancangan Tampilan Menu Transaksi Pembelian
5. Tampilan Menu Algoritma Apriori
Pada menu algoritma apriori terdapat empat buah tabel yang masing-masing
akan menunjukkan transaksi pembelian yang terjadi. Tabel pertama
merupakan tabel transaksi pembelian yang saat tampilan menu algoritma
dimunculkan tabel tersebut telah terisi otomatis dari tabel transaksi
pembelian yang terdapat pada menu transaksi pembelian sebelumnya. Tabel
kedua merupakan tabel rapikan transaksi yang isinya adalah data transaksi
pembelian yang datanya telah diurutkan abjad a sampai z atau ascending.
Tabel ketiga adalah tabel rekap item yang berisikan data transaksi pembelian
yang telah diurut dan hanya menunjukkan nama produk, dengan total dari

42
setiap nama produk dalam transaksi pembelian. Tabel keempat merupakan
tabel rekap item yang nama produknya lebih besar dari satu maka tabel ini
berisikan hanya nama produk dengan total dari setiap nama produknya
lebih dari satu. Dan pada tampilan menu algoritma apriori ini terdapat
sebuah tombol “Mulai Algoritma Apriori” yang apabila ditekan akan
muncul tabel hasil algoritma apriori yang berisikan hasil kombinasi
transaksi. Tampilan menu algoritma apriori, dapat dilihat pada gambar
berikut.
Gambar 3.9. Rancangan Tampilan Menu Algoritma Apriori
6. Tampilan Hasil Algoritma Apriori
Tampilan hasil algoritma apriori ini akan muncul saat menekan tombol
“Mulai Algoritma Apriori” pada tampilan menu algoritma apriori
sebelumnya. Tampilan hasil algoritma apriori ini akan menampilkan tabel

43
berisikan hasil dari kombinasi produk yang telah diproses dengan
menggunakan algoritma apriori. Tampilan hasil algoritma apriori, dapat
dilihat pada gambar berikut.
Gambar 3.10. Rancangan Tampilan Hasil Algoritma Apriori

BAB 4
IMPLEMENTASI SISTEM
Setelah melalui tahap analisis dan perancangan, tahap selanjutnya untuk
mengembangkan suatu perangkat lunak adalah tahap implementasi sistem. Untuk
mengetahui apakah implementasi perangkat lunak tersebut berhasil atau tidak,
diperlukan uji coba.
4.1. Pengertian dan Tujuan Implementasi Sistem
Implementasi sistem adalah langkah-langkah yang dilakukan dalam
menyelesaikan desain sistem yang telah disetujui, untuk menginstal, menguji dan
memulai sistem baru atau sistem yang diperbaiki.
Adapun tujuan dari implementasi sistem adalah sebagai berikut:
1. Menyelesaikan desain sistem yang telah disetujui sebelumnya.
2. Memastikan bahwa pengguna (user) dapat mengoperasikan sistem baru.
3. Memastikan apakah sistem tersebut sesuai dengan pengguna.
4. Memastikan bahwa sistem berjalan dengan baik yaitu dengan membuat
rencana, mengontrol, dan melakukan instalasi baru dengan benar.
4.2. Komponen Utama dalam Implementasi Sistem
Agar sistem yang telah dirancang dapat berjalan dengan baik atau tidak, maka
perlu dilakukan pengujian terhadap sistem yang telah kita kerjakan. Untuk itu
dibutuhkan beberapa komponen utama mencakup perangkat keras (hardware)

45
maupun perangkat lunak (software) untuk mengimplementasikan aplikasi data
mining algoritma apriori untuk menentukan relasi pembelian produk. Dalam
pembuatan sistem ini dibutuhkan komponen-komponen yang mencakup sebagai
berikut:
1. Hardware
a. Processor Intel® Core ™ i3-2332M CPU @ 2.20 GHz 2.20 GHz
b. Memory RAM yang digunakan 2.00 GB
c. Kapasitas Harddisk 200 GB
d. Keyboard
e. Mouse
2. Software
a. Sistem Operasi Windows 7 Ultimate
b. Microsoft Visual Studio 2010
c. Microsoft Office Access 2007
4.3. Implementasi Interface
Berikut ini akan ditampilkan hasil implementasi sistem yang berupa rancangan
interface aplikasi yang telah dilakukan sebelumnya.
4.3.1. Tampilan Beranda
Saat ingin menjalankan program terlebih dulu lakukan double klik pada aplikasi.
Setelah melakukan double klik maka pengguna akan langsung masuk kedalam

46
tampilan menu Beranda aplikasi. Pada tampilan Beranda hanya berisikan nama
aplikasi dan logo saja. Berikut ini dapat dilihat gambar tampilan Beranda.
Gambar 4.1. Tampilan Beranda
4.3.2. Tampilan Menu Kategori
Pada tampilan kategori akan memuat data kategori produk yang tersedia pada
swalayan. Didalam form data katageri ini terdapat sistem pemberian nomor
kategori secara otomatis sehingga pengguna cukup memasukkan nama kategori
yang ingin ditambahkan, diedit maupun dihapus. Sehingga pengguna tidak perlu
melakukan scroll data dalam tabel untuk mengetahui penomoran yang baru yang
harus dilakukan. Berikut ini dapat dilihat, gambar tampilan kategori.

47
Gambar 4.2. Tampilan Menu Kategori
4.3.3. Tampilan Menu Produk
Pada tampilan produk akan memuat data produk yang tersedia pada swalayan.
Didalam form data produk ini terdapat sistem pemberian nomor produk secara
otomatis sehingga pengguna cukup memasukkan nama produk yang ingin
ditambahkan, diedit maupun dihapus. Sehingga pengguna tidak perlu melakukan
scroll data dalam tabel untuk mengetahui penomoran yang baru yang harus
dilakukan. Dan pengambilan kategori juga lebih mudah karena terkoneksi

48
langsung dengan form tampilan kategori. Berikut ini dapat dilihat, gambar
tampilan kategori.
Gambar 4.3. Tampilan Menu Produk
4.3.4. Tampilan Menu Transaksi Pembelian
Pada tampilan transaksi pembelian akan memuat data transaksi pembelian barang
yang dilakukan konsumen di swalayan. Berikut ini dapat dilihat, gambar tampilan
transaksi pembelian produk.

49
Gambar 4.4. Tampilan Menu Transaksi Pembelian
4.3.5. Tampilan Menu Algoritma Apriori
Pada tampilan algoritma apriori ini dimuat empat buat tabel yang masing-masing
tabel menunjukkan hasil proses yang berbeda namun data yang diproses tersebut
adalah data yang sama yang berasal dari data transaksi pembelian produk. Berikut
ini dapat dilihat, gambar tampilan algoritma apriori.

50
Gambar 4.5. Tampilan Menu Algoritma Apriori
4.3.6 Tampilan Hasil Algoritma Apriori
Tampilan hasil algoritma apriori ini menampilkan informasi hasil kombinasi
produk yang diperoleh dari proses algoritma apriori. Berikut ini dapat dilihat,
gambar tampilan hasil algoritma apriori.

51
Gambar 4.6. Tampilan Hasil Algoritma Apriori

BAB 5
KESIMPULAN DAN SARAN
Tahap kesimpulan dan saran merupakan tahapan yang menjadi penutup dari karya
tulis tugas akhir ini sebab pada tahap ini penulis mengetahui hal yang telah
dicapai untuk dijadikan kesimpulan dan mengetahui pengembangan yang dapat
dilakukan sebagai saran.
5.1. Kesimpulan
Adapun kesimpulan yang dapat penulis ambil dari pembuatan karya ilmiah dan
penyelesaian aplikasi , sebagai berikut:
1. Telah diperoleh suatu sistem yang dapat membantu pemilik swalayan dalam
peningkatan pelayananya kepada konsumen dengan menggunakan metode
asosiasi algoritma apriori, dapat diketahui kombinasi pembelian produk
sehingga penempatan barang yang tersusun sesuai kombinasi dapat
memudahkan konsumen.
2. Dengan sistem ini penyediaan suatu produk pada swalayan yang banyak
mengkombinasi produk lain dapat dijaga ketersediannya agar terus ada.
3. Sehingga dengan pelayanan yang baik dan kesediaan produk yang terus
terjaga bukan tidak mungkin swalayan tersebut menjadi swalayan yang
diperhitungkan dan direkomendasikan.

53
5.2. Saran
Untuk mengakhiri penulisan tugas akhir ini, penulis menguraikan beberapa saran
antara lain:
1. Dapat melakukan perbaikan dan penyempurnaan terhadap sistem ini agar
menjadi lebih sempurna bila akan diterapkan pada sistem yang lama, sehingga
saling terintegerasi.
2. Sistem ini juga dapat dikembangkan seperti memasukkan data yang lebih
detail lagi, sistemnya juga dapat dikembangkan agar dapat masuk kedalam
aplikasi website.

54
DAFTAR PUSTAKA
Agung, M.T. and Nurhadiyono, B. 2015. Penerapan Data Mining Pada

Data Transaksi Penjualan Untuk Mengatur Penempatan Barang
Menggunakan Algoritma Apriori. Universitas Diah Nuswantoro.
http://www.eprints.dinus.ac.id. [14 mar 2017].
Kadir, A. 2003. Konsep dan tuntunan Praktis Basis Data. Andi Offset.
Yogyakarta.
Kusrini dan Luthfi, E.T. 2009. Algoritma Data Mining. Andi Offset. Yogyakarta
Luthfi, E.T. 2009. Penerapan Data Mining Algoritma Asosiasi Untuk

Meningkatkan Penjualan.Dasi ISSN. 10:1-12. http://www.p3m.amikom.ac.id.
[13 mar 2017].
Nurchalifatun, F. 2015. Penerapan Metode Asosiasi Data Mining Menggunakan

Algoritma Apriori Untuk Mengetahui Kombinasi Antar Intemset Pada
Pondok Kopi. Universitas Diah Nuswantoro. http://www.eprints.dinus.ac.id.
[16 mar 2017].
Pohan, H. I., Bahri, K. S. 1997. Pengantar Perancangan Sistem. Erlangga. Jakarta.
Sutrisno, Afriyudi, dan Widiyanto. 2013. Penerapan Data Mining pada Penjualan
Menggunakan Metode Clustering Study Kasus PT. Indomarko Palembang.
Universitas Bina Darma. Jurnal Ilmiah Teknik Informatika Ilmu Komputer.
10: 1-11. http://www. Eprints.binadarma.ac.id. [23 mar 2017].
Tampubolon, K., Saragih, H. dan Reza, Bobby. 2013. Implementasi Data Mining
Algoritma Apriori pada Sistem Persediaan Alat-Alat Kesehatan. STMIK Budi
Darma Medan. Majalah Ilmiah informasi dan Teknologi Ilmiah (INTI). 1: 93-
106. http://www.vokasi.uho.ac.id. [14 mar 2017]

L
A
M
P
I
R
A
N

1
LISTING PROGRAM
Program Menu Beranda

Public Class Beranda
Private Sub KatagoriToolStripMenuItem_Click(ByVal sender As

System.Object, ByVal e As System.EventArgs) Handles
KatagoriToolStripMenuItem.Click
Me.Hide()
Kategori.Show()
End Sub
Private Sub BerandaToolStripMenuItem_Click(ByVal sender As

BerandaToolStripMenuItem.Click
Me.Show()
End Sub
Private Sub KeluarToolStripMenuItem_Click(ByVal sender As

KeluarToolStripMenuItem.Click
Me.Close()
End Sub
Private Sub ProdukToolStripMenuItem_Click(ByVal sender As

ProdukToolStripMenuItem.Click
Me.Hide()
Produk.Show()
End Sub
Private Sub TranToolStripMenuItem_Click(ByVal sender As

TranToolStripMenuItem.Click
Me.Hide()
TransaksiPembelian.Show()
End Sub
Private Sub AlgoritmaAprioriToolStripMenuItem_Click(ByVal sender

As System.Object, ByVal e As System.EventArgs) Handles
AlgoritmaAprioriToolStripMenuItem.Click
Me.Hide()
AlgoritmaApriori.Show()
End Sub
End Class
Program Menu Kategori

Imports System.Data.OleDb
Imports System.Data
Public Class Kategori
Sub NomorKategori()
Call koneksi()

2
kon.Open()
cmd = New OleDbCommand("select NoKategori from tb_kategori order
by NoKategori desc", kon)
baca = cmd.ExecuteReader
baca.Read()
If Not baca.HasRows Then

txtnokat.Text = "P" + "01"
Else
txtnokat.Text = "P" +
Format(Microsoft.VisualBasic.Right(baca.Item("NoKategori"), 2) +
1, "00")
End If
txtnokat.Enabled = False
End Sub
Sub tampil()
Call koneksi()
kon.Open()
adapter = New OleDbDataAdapter("select * from tb_kategori", kon)
data = New DataSet
adapter.Fill(data, "tb_kategori")
DGVkat.DataSource = (data.Tables("tb_kategori"))
End Sub
Sub bersih()
txtnokat.Text = ""
txtnmkat.Text = ""
txtnokat.Focus()
End Sub

Me.Hide()
Beranda.Show()
End Sub
Private Sub KategoriToolStripMenuItem_Click(ByVal sender As

KategoriToolStripMenuItem.Click
Me.Show()
End Sub

Beranda.Close()
End Sub

Me.Hide()
Produk.Show()
End Sub

3

Me.Hide()
End Sub

Me.Hide()
End Sub
Private Sub btnsimpan_Click(ByVal sender As System.Object, ByVal e

As System.EventArgs) Handles btnsimpan.Click
Call koneksi()
kon.Open()
Dim simpan As String

simpan = "insert into tb_kategori values('" & txtnokat.Text &
"','" & txtnmkat.Text & "')"
cmd = New OleDbCommand(simpan, kon)
cmd.ExecuteNonQuery()
MsgBox("Data Berhasil disimpan")
kon.Close()
Call bersih()
Call tampil()
Call NomorKategori()
txtcari.Text = ""
End Sub
Private Sub Kategori_Load(ByVal sender As System.Object, ByVal e

As System.EventArgs) Handles MyBase.Load
Call koneksi()
Call tampil()
End Sub
Private Sub btnedit_Click(ByVal sender As System.Object, ByVal e

As System.EventArgs) Handles btnedit.Click
Call koneksi()
kon.Open()
Dim edit As String

edit = "update tb_kategori set NamaKategori='" & txtnmkat.Text &
"' where NoKategori='" & txtnokat.Text & "';"
cmd = New OleDbCommand(edit, kon)
MsgBox("Data berhasil diedit")
kon.Close()
Call bersih()
Call tampil()
txtcari.Text = ""

4
End Sub
Private Sub btnhapus_Click(ByVal sender As System.Object, ByVal e

As System.EventArgs) Handles btnhapus.Click
If MsgBox("Yakin akan menghapus data dengan Nomor = " &
txtnokat.Text & "?", MsgBoxStyle.YesNo, _
"Konfirmasi") = MsgBoxResult.No Then Exit Sub
Call koneksi()
kon.Open()
Dim hapus As String

hapus = "delete from tb_kategori where NoKategori= '" &
txtnokat.Text & "'"
cmd = New OleDbCommand(hapus, kon)
kon.Close()
Call bersih()
Call tampil()
txtcari.Text = ""
End Sub
Private Sub btnbatal_Click(ByVal sender As System.Object, ByVal e

As System.EventArgs) Handles btnbatal.Click
Call bersih()
Call tampil()
txtcari.Text = ""
End Sub
Private Sub DGVkat_CellContentClick(ByVal sender As System.Object,

ByVal e As System.Windows.Forms.DataGridViewCellEventArgs) Handles
DGVkat.CellContentClick
Dim i = DGVkat.CurrentRow.Index
txtnokat.Text = DGVkat.Item(0, i).Value
txtnmkat.Text = DGVkat.Item(1, i).Value
End Sub
Private Sub txtcari_TextChanged(ByVal sender As System.Object,

ByVal e As System.EventArgs) Handles txtcari.TextChanged
Call koneksi()
kon.Open()
adapter = New OleDbDataAdapter("select * from tb_kategori where
NamaKategori like '%" & txtcari.Text & "%' order by NamaKategori
asc", kon)
data = New DataSet
data.Clear()
adapter.Fill(data, "tb_kategori")
DGVkat.DataSource = (data.Tables("tb_kategori"))
DGVkat.ReadOnly = True
End Sub
End Class

5
Program Menu Produk

Imports System.Data
Public Class Produk
Sub NomorProduk()
Call koneksi()
kon.Open()
cmd = New OleDbCommand("select KodeProduk from tb_produk order by
KodeProduk desc", kon)
baca.Read()

txtkodepro.Text = "PDK" + "01"
Else
txtkodepro.Text = "PDK" +
Format(Microsoft.VisualBasic.Right(baca.Item("KodeProduk"), 2) +
1, "00")
End If
txtkodepro.Enabled = False
End Sub
Sub tampil1()
Call koneksi()
kon.Open()
adapter = New OleDbDataAdapter("select * from tb_produk", kon)
data = New DataSet
adapter.Fill(data, "tb_produk")
DGVpro.DataSource = (data.Tables("tb_produk"))
End Sub
Sub bersih()
cbkat.Text = ""
txtkodepro.Text = ""
txtnamapro.Text = ""
txtkodepro.Focus()
End Sub
Sub TampilKategori()
Call koneksi()
kon.Open()
cmd = New OleDbCommand("select * from tb_kategori", kon)
cbkat.Items.Clear()
Do While baca.Read
cbkat.Items.Add(baca.Item("NamaKategori"))
Loop
End Sub

Me.Show()
End Sub

6

Me.Hide()
Beranda.Show()
End Sub

Me.Hide()
Kategori.Show()
End Sub

Beranda.Close()
End Sub

Me.Hide()
End Sub

Me.Hide()
End Sub
Private Sub Produk_Load(ByVal sender As System.Object, ByVal e As

System.EventArgs) Handles MyBase.Load
Call koneksi()
Call TampilKategori()
Call NomorProduk()
Call tampil1()
End Sub

Call koneksi()
kon.Open()

simpan = "insert into tb_produk values('" & txtkodepro.Text &
"','" & txtnamapro.Text & "','" & cbkat.Text & "')"
kon.Close()
Call tampil1()
Call bersih()

7
Call NomorProduk()
txtcari.Text = ""
End Sub
Private Sub btnedit_Click(ByVal sender As System.Object, ByVal e

As System.EventArgs) Handles btnedit.Click
Call koneksi()
kon.Open()
Dim edit As String

edit = "update tb_produk set NamaProduk='" & txtnamapro.Text & "',
Kategori='" & cbkat.Text & "' where KodeProduk='" &
txtkodepro.Text & "'"
cmd = New OleDbCommand(edit, kon)
MsgBox("Data berhasil diedit")
kon.Close()
Call tampil1()
Call bersih()
Call NomorProduk()
txtcari.Text = ""
End Sub

If MsgBox("Yakin akan menghapus data dengan Kode = " &
txtkodepro.Text & " ?", MsgBoxStyle.YesNo, _
Call koneksi()
kon.Open()
Dim hapus As String

hapus = "delete from tb_produk where KodeProduk= '" &
txtkodepro.Text & "'"
kon.Close()
Call tampil1()
Call bersih()
Call NomorProduk()
txtcari.Text = ""
End Sub

Call bersih()
Call NomorProduk()
Call tampil1()
txtcari.Text = ""
End Sub

8
Private Sub DGVpro_CellContentClick(ByVal sender As System.Object,

DGVpro.CellContentClick
Dim i = DGVpro.CurrentRow.Index
txtkodepro.Text = DGVpro.Item(0, i).Value
txtnamapro.Text = DGVpro.Item(1, i).Value
cbkat.Text = DGVpro.Item(2, i).Value
End Sub

Call koneksi()
kon.Open()
adapter = New OleDbDataAdapter("select * from tb_produk where
NamaProduk like '%" & txtcari.Text & "%' order by NamaProduk asc",
kon)
data = New DataSet
data.Clear()
DGVpro.ReadOnly = True
End Sub
End Class
Program Menu Transaksi Pembelian

Imports System.Data
Public Class TransaksiPembelian
Sub tampil3()
Call koneksi()
kon.Open()
adapter = New OleDbDataAdapter("select NamaProduk from tb_produk",
kon)
data = New DataSet
End Sub
Sub tampil2()
Call koneksi()
kon.Open()
adapter = New OleDbDataAdapter("select * from tb_transaksi", kon)
data = New DataSet
adapter.Fill(data, "tb_transaksi")
DGVtran.DataSource = (data.Tables("tb_transaksi"))
End Sub
Sub bersih()
dtpTanggal.Text = ""
txtkopro.Text = ""
txtnmpro.Text = ""
txtkat.Text = ""
End Sub

9
Sub tambah()
txtkopro.Text = ""
txtnmpro.Text = ""
txtkat.Text = ""
End Sub
Sub NomorTransaksi()
Call koneksi()
kon.Open()
cmd = New OleDbCommand("select * from tb_transaksi where
NoTransaksi in(select max(NoTransaksi) from tb_transaksi)", kon)
baca.Read()
txtnotra.Text = "TR" + Format(Now, "yyMMdd") + "01"
Else
If Microsoft.VisualBasic.Mid(baca.Item("NoTransaksi"), 3, 6) <>
Format(Now, "yyMMdd") Then
txtnotra.Text = "TR" + Format(Now, "yyMMdd") + "01"
Else
txtnotra.Text =
Microsoft.VisualBasic.Right(baca.Item("NoTransaksi"), 8) + 1
txtnotra.Text = "TR" + txtnotra.Text
End If
End If
End Sub

Me.Hide()
Beranda.Show()
End Sub

Me.Hide()
Kategori.Show()
End Sub

Me.Hide()
Produk.Show()
End Sub

Me.Show()
End Sub

Beranda.Close()

10
End Sub

Me.Hide()
End Sub
Private Sub DateTimePicker1_ValueChanged(ByVal sender As

dtpTanggal.ValueChanged
dtpTanggal.Enabled = True
End Sub
Private Sub TransaksiPembelian_Load(ByVal sender As System.Object,

ByVal e As System.EventArgs) Handles MyBase.Load
Call koneksi()
Call NomorTransaksi()
Call tampil2()
Call tampil3()
End Sub
Private Sub DGVpro_CellContentClick(ByVal sender As System.Object,

DGVpro.CellContentClick
Dim a = DGVpro.CurrentRow.Index
txtnmpro.Text = DGVpro.Item(0, a).Value
Call koneksi()
kon.Open()
cmd = New OleDbCommand("select * from tb_produk where
NamaProduk='" & txtnmpro.Text & "'", kon)
baca.Read()
If baca.HasRows Then
txtkopro.Text = baca.Item("KodeProduk")
txtkat.Text = baca.Item("Kategori")
Else
MsgBox("Kode Produk dan Kategori tidak terdaftar")
End If
End Sub
Private Sub DGVtran_CellContentClick(ByVal sender As

System.Object, ByVal e As
System.Windows.Forms.DataGridViewCellEventArgs) Handles
DGVtran.CellContentClick
Dim b = DGVtran.CurrentRow.Index
dtpTanggal.Text = DGVtran.Item(0, b).Value
txtnotra.Text = DGVtran.Item(1, b).Value
txtkopro.Text = DGVtran.Item(2, b).Value
txtnmpro.Text = DGVtran.Item(3, b).Value
txtkat.Text = DGVtran.Item(4, b).Value
End Sub

11

Call koneksi()
kon.Open()

simpan = "insert into tb_transaksi values('" & dtpTanggal.Text &
"','" & txtnotra.Text & "','" & txtkopro.Text & "','" &
txtnmpro.Text & "','" & txtkat.Text & "')"
kon.Close()
Call tambah()
Call tampil2()
Call tampil3()
txtcari.Text = ""
End Sub

Call bersih()
txtcari.Text = ""
End Sub
Private Sub btnbaru_Click(ByVal sender As System.Object, ByVal e

As System.EventArgs) Handles btnbaru.Click
Dim b = DGVtran.CurrentRow.Index
dtpTanggal.Text = DGVtran.Item(0, b).Value
Call tambah()
txtcari.Text = ""
End Sub

If MsgBox("Yakin akan menghapus data dengan Kode = " &
txtnotra.Text & " ?", MsgBoxStyle.YesNo, _
Call koneksi()
kon.Open()
Dim hapus As String

hapus = "delete from tb_transaksi where NoTransaksi= '" &
txtnotra.Text & "'"
kon.Close()
Call bersih()
Call tampil2()
Call tampil3()
txtcari.Text = ""

12
End Sub
Private Sub txtcari1_TextChanged(ByVal sender As System.Object,

ByVal e As System.EventArgs) Handles txtcari1.TextChanged
Call koneksi()
kon.Open()
If tgltra.Checked = True Then
adapter = New OleDbDataAdapter("select * from tb_transaksi where

TglTransaksi like '%" & txtcari1.Text & "%' order by TglTransaksi
asc", kon)
data = New DataSet
data.Clear()
DGVtran.ReadOnly = True
ElseIf notra.Checked = True Then

NoTransaksi like '%" & txtcari1.Text & "%' order by NoTransaksi
asc", kon)
data = New DataSet
data.Clear()
ElseIf nmpro.Checked = True Then

NamaProduk like '%" & txtcari1.Text & "%' order by NoTransaksi
asc", kon)
data = New DataSet
data.Clear()
End If
End Sub

Call koneksi()
kon.Open()
adapter = New OleDbDataAdapter("select NamaProduk from tb_produk
where NamaProduk like '%" & txtcari.Text & "%' order by NamaProduk
asc", kon)
data = New DataSet
data.Clear()
DGVpro.ReadOnly = True
End Sub
End Class

13
Program Menu Algoritma Apriori

Imports System.Data
Public Class AlgoritmaApriori

Me.Hide()
Beranda.Show()
End Sub

Me.Hide()
Kategori.Show()
End Sub

Me.Hide()
Produk.Show()
End Sub

Me.Hide()
End Sub

Me.Show()
End Sub

Beranda.Close()
End Sub
Private Sub btnproses_Click(ByVal sender As System.Object, ByVal e

As System.EventArgs) Handles btnproses.Click
Call tampiltra()
End Sub
Sub tampil4()
Call koneksi()
kon.Open()
adapter = New OleDbDataAdapter("select TglTransaksi, NoTransaksi,
NamaProduk from tb_transaksi", kon)
data = New DataSet

14
DGVaa.DataSource = (data.Tables("tb_transaksi"))
End Sub
Sub tampiltra()
adapter = New OleDbDataAdapter("select TglTransaksi, NoTransaksi,
NamaProduk from tb_transaksi order by NamaProduk asc", kon)
data = New DataSet
data.Clear()
DGVoo.DataSource = (data.Tables("tb_transaksi"))
DGVoo.ReadOnly = True
End Sub
Private Sub AlgoritmaApriori_Load(ByVal sender As System.Object,

ByVal e As System.EventArgs) Handles MyBase.Load
Call koneksi()
Call tampil4()
End Sub
Private Sub btnsusun_Click(ByVal sender As System.Object, ByVal e

As System.EventArgs) Handles btnsusun.Click
Call koneksi()
kon.Open()
adapter = New OleDbDataAdapter("select NamaProduk,
count(NamaProduk) as Total from tb_transaksi group by NamaProduk",
kon)
data = New DataSet
DGVn.DataSource = (data.Tables("tb_transaksi"))
End Sub
Private Sub btnitung_Click(ByVal sender As System.Object, ByVal e

As System.EventArgs) Handles btnitung.Click
Call koneksi()
kon.Open()
adapter = New OleDbDataAdapter("select NamaProduk,
count(NamaProduk) as Total from tb_transaksi group by NamaProduk
having count(NamaProduk) > 1", kon)
data = New DataSet
DGVii.DataSource = (data.Tables("tb_transaksi"))
End Sub
Private Sub btnmulai_Click(ByVal sender As System.Object, ByVal e

As System.EventArgs) Handles btnmulai.Click
ProsesAlgoritmaApriori.Show()
Call koneksi()
kon.Open()
adapter = New OleDbDataAdapter("select * from tb_kombinasi", kon)

data = New DataSet
dapter.Fill(data, "tb_kombinasi")
ProsesAlgoritmaApriori.DGVhasil.DataSource =
(data.Tables("tb_kombinasi"))
End Sub
End Class

15
Program Hasil Algoritma Apriori

Public Class ProsesAlgoritmaApriori

Me.Hide()
Beranda.Show()
End Sub

Me.Hide()
Kategori.Show()
End Sub

Me.Hide()
Produk.Show()
End Sub

Me.Hide()
End Sub

Me.Hide()
End Sub

Beranda.Close()
End Sub
Private Sub DGVhasil_CellContentClick(ByVal sender As

System.Object, ByVal e As
System.Windows.Forms.DataGridViewCellEventArgs) Handles
DGVhasil.CellContentClick
End Sub
End Class


Nursyahfitri Purba 142406121: Universitas Sumatera Utara

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Nursyahfitri Purba 142406121: Universitas Sumatera Utara

Diunggah oleh

Hak Cipta:

Format Tersedia

APLIKASI DATA MINING ALGORITMA APRIORI UNTUK

MENENTUKAN RELASI PEMBELIAN PRODUK PADA

PROGRAM STUDI D3 TEKNIK INFORMATIKA

UNIVERSITAS SUMATERA UTARA

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh Ahli

PROGRAM STUDI D3 TEKNIK INFORMATIKA

UNIVERSITAS SUMATERA UTARA

APLIKASI DATA MINING ALGORITMA APRIORI UNTUK MENENTU

Medan, Juli 2017

UNIVERSITAS SUMATERA UTARA

Medan, Juli 2017

UNIVERSITAS SUMATERA UTARA

Kata kunci : Database, Informasi, Data Mining, Aturan Asosiasi, Algoritma

UNIVERSITAS SUMATERA UTARA

Keywords : Database, Information, Data Mining, Association Rule, Apriori

UNIVERSITAS SUMATERA UTARA

BAB 2. Landasan Teori

BAB 3. Analisis dan Perancangan Sistem

UNIVERSITAS SUMATERA UTARA

BAB 4. Implementasi Sistem

UNIVERSITAS SUMATERA UTARA

Nomor Judul Halaman

2.1. Simbol-simbol DFD 24

UNIVERSITAS SUMATERA UTARA

Nomor Judul Halaman

2.1. Tahapan Proses Data Mining 9

UNIVERSITAS SUMATERA UTARA

Nomor Judul Halaman

UNIVERSITAS SUMATERA UTARA

menjadi alasan dalam membuat aplikasi yang akan diwujudkan bentuknya.

Pendahuluan akan membahas tentang latar belakang, rumusan masalah yang

membuat tugas akhir ini.

1.1. Latar Belakang

dituntut selalu mengembangkan kreatifitasnya dalam menciptakan ide baru agar

dibidang perdagangan baik itu swalayan, toko, maupun kuliner.

Swalayan Sinuraya merupakan usaha yang bergerak dibidang

papan. Untuk terus dapat berkembang maka pebisnis haruslah memperhatikan

UNIVERSITAS SUMATERA UTARA

menemukan pola pembelian, produk yang terlaku, dan kemungkinan lainnya,

yang itu semua dapat dimanfaatkan untuk mengembangkan strategi pemasaran.

Dalam rangka terus meningkatkan produktivitas dan mengembangkan

mengambil keputusan dari database tersebut. Pengambilan keputusan melalui

kepada para pengambil keputusan dalam bisnis guna meningkatkan bisnis.

untuk support dan syarat minimum untuk confidence.

Oleh karena itu, dengan menggunakan algoritma apriori pada metode

“Aplikasi Data Mining Algoritma Apriori Untuk Menentukan Relasi Pembelian

Produk Pada Swalayan Sinuraya Simalingkar Medan”.

UNIVERSITAS SUMATERA UTARA

1.2. Rumusan Masalah

1. Bagaimana merancang dan membuat aplikasi data mining dengan database

transaksi pembelian pada Swalayan Sinuraya Simalingkar Medan.

2. Bagaimana menerapkan algoritma apriori dalam menemukan relasi pembelian

produk untuk ketersediaan produk mendatang dan mengatur penempatan relasi

produk agar teratur.

1.3. Batasan Masalah

masalah yang penulis buat sebagai berikut:

digunakan adalah data transaksi penjualan produk pada Swalayan Simalingkar

Medan untuk mengetahui relasi pembelian produk yang dilakukan konsumen.

2. Algoritma yang digunakan dalam membentuk aturan asosiasi adalah algoritma

3. Pembuatan aplikasi data mining ini hanya mengunakan Microsoft Visual

Studio 2010 dan Microsoft Access sebagai sistem manajemen database.

1.4. Tujuan Penelitian

mining dengan aturan asosiasi menggunakan algoritma apriori pada transaksi