1

PENGANTAR DATA SCIENCE

TUGAS BESAR 1
Implementasi Algoritma Apriori Pada Data Penjualan UMKM
“Sus Mart”

Dosen pengampu:

Neny Rosmawarni, S.Kom,M.Kom

Disusun Oleh :

Arif Yudi Setyo 41518210041

Mohammad Rahadyan Ibrahim 41518210052

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER
UNIVERSITAS MERCU BUANA
2020
 2

STUDI KASUS

A. Ide Studi Kasus

Minimarket merupakan sebuah toko yang menjual barang-barang untuk

kebutuhan hidup kita sehari-hari. Barang barang yang dijual di minimarket
biasanya adalah barang barang kebutuhan sehari hari, seperi tissue, sabun,
shampoo, makanan instan, dan sebagainya.
Dalam transaksi di minimarket, hampir semuanya menggunakan sistem
informasi penjualan. Salah satu data yang dihasilkan adalah data penjualan
produk. Salah satu manfaat dari data ini adalah untuk meningkatkan hasil
penjualan. Peningkatan ini bisa diperoleh dengan cara :
1. Membuat paket yang menarik yang ditawarkan kepada konsumen.
2. Memberikan rekomendasi produk sesuai dengan produk yang dibeli.
3. Menyusun posisi produk pada rak di dalam minimarket yang ada
kemungkinan untuk dibeli lebih besar.

Analisa yang digunakan bisa juga disebut sebagai Market Basket Analysis
(MBA). Algoritma yang kita gunakan adalah algoritma Apriori. Pada algoritma
Apriori, disini akan dicari bagaimana caranya membentuk pola kombinasi
itemsets dan membuat aturan dengan teknik association rule.

B. Masalah

Masalah yang ada dalam kasus ini adalah bagaimana caranya membentuk pola
kombinasi itemsets dan membuat aturan dengan teknik association rule. Teknik
association rule adalah teknik untuk menemukan hubungan antar relasi atau
korelasi antar himpunan barang. Dari masalah tersebut, maka akan digunakan
algoritma Apriori.
 3

C. Solusi
Solusi dari masalah diatas adalah dengan menggunakan algoritma Apriori.
Tahap-tahap dari algoritma Apriori adalah sebagai berikut:
1. Analisis pola frekuensi tinggi dengan algoritma Apriori.
Pada tahap ini, kita mencari kombinasi item yang memenuhi syarat
minimum dari nilai support dalam database. Nilai dari support dalam sebuah
item bisa diperoleh menggunakan rumus berikut:
JumlahTransaksiMengandung ( A )
Support (A) = x 100%
TotalTransaksi

2. Pembentukan kombinasi 2 itemset.

Tahap kedua adalah pembentukan 2 kombinasi itemset. Nilai support dari 2
item dapat diperoleh dengan rumus:
Support(A,B) = P(A∩B)
JumlahTransaksiMengandung ( A dan B)
Support (A,B) = x 100%
TotalTransaksi

3. Pembentukan aturan asosiasi

Tahap ketiga adalah membentuk aturan asosiasi. Setelah semua pola
frekuensi tinggi telah ditemukan, barulah kita bisa mencari aturan asosiasi
yang memenuhi syarat minimum untuk confidence dengan menghitung
confidence aturan asosiatif AB. Nilai confidence dari aturan AB
diperoleh dengan rumus:
JumlahTransaksiMengandung (A dan B)
Confidence AB = x 100%
TotalTransaksi( A)
Untuk menentukan aturan asosiasi yang akan dipilih, maka harus diurutkan
berdasarkan Support x Confidence. Aturan diambil sebanyak n aturan yang
memiliki hasil terbesar.
 4

DAFTAR PUSTAKA

Buulolo, E. (2015). ALGORITMA APRIORI PADA DATA PENJUALAN DI

SUPERMARKET. Seminar Nasional Inovasi dan Teknologi Informasi 2015
(SNITI), 53-55.
Listriani, D., Setyaningrum, A. H., & M.A., F. E. (2016). PENERAPAN METODE
ASOSIASI MENGGUNAKAN ALGORITMA APRIORI PADA APLIKASI
ANALISA POLA BELANJA KONSUMEN (Studi Kasus Toko Buku Gramedia
Bintaro). JURNAL TEKNIK INFORMATIKA VOL 9 NO. 2, 120-127.
Purnia, D. S., & Warnilah, A. I. (2017). Implementasi Data Mining Pada Penjualan
Kacamata Menggunakan Algoritma Apriori. IJCIT (Indonesian Journal on
Computer and Information Technology), 31-39.