Majalah Ilmiah INTI, Volume 5, Nomor 1, Oktober 2017

ISSN 2339-210X

IMPLEMENTASI DATA MINING PENJUALAN UNDERWEAR

MENGGUNAKAN METODE MARKET BASKET
ANALYSIS PADA PT. SURIATAMA
MAHKOTA KENCANA
Ira Maya Sari 1, Nelly Astuti Hasibuan 2, Natalia Silalahi 2
1 Mahasiswa Teknik Informatika STMIK Budi Darma, Medan, Indonesia
2 Dosen STMIK Budi Darma, Medan, Indonesia
1,2 Jl. Sisingamangaraja No 338 Simp Limun Medan, Indonesia

ABSTRAK
PT Suriatama Mahkota Kencana merupakan perusahaan besar yang bergerak di bidang retail, salah satu aset utama yang
dimilikiadalah banyaknya data yang tersimpan kerena terlalu bayanaknya data sebagian barang sering terjadi kelebihan dan
kekurangan stok, salah satunya underwear jika perusahaan memilikijumlah barang yang lebih banyak dibandingkan dengan
jumlahpermintaan, maka dapat mengakibatkan kerugian biaya karena barang tersebut tidak terjual.Data maining adalah proses
yang mempekerjakan satu atau lebih teknik pembelajaran komputer ( machine learnig) untuk menganalisis dan mengetahui
pengeathuan( knowladge) secara otomatis. Data maining berisi pencarian trendatau pola yang dinginkan dalam basis data besar
untuk membantu pengambilankeputusan diwaktu yang akan datang. Market base analysis adalah suatu metodeyang dapat
membantu dalam mining data yang melakukan analisis terhadap prilaku konsumen secara spesifik dari suatu
golongan/kelompok tertentu.Hasil pda penggunaan metode ini adalah memenuhi data-data yang kosong dan memaksimalkan
data-data yang berlebihan agar tidak terjadi barang yang berlebihan stok maupun kekurangan stok.

Kata kunci: Data maining, MBA

I. PENDAHULUAN berasosiasi tersebut. Dengan adanya data mining

Data mining adalah proses yang
memperkerjakan satu atau lebih teknik pembelajaran
komputer (machine learning) untuk menganalisis dan
mengekstraksi pengetahuan (knowledge) secara
otomatis. Data mining berisi pencarian trend atau
pola yang diinginkan dalam basis data besar untuk
membantu pengambilan keputusan diwaktu yang
akan datang. Pola-pola ini dikenali oleh perangkat
tertentu yang dapat memberikan suatu analisa data
yang berguna dan berwawasan yang kemudian dapat
dipelajari dengan lebih teliti, yang mungkin saja
menggunakan perangkat pendukung keputusan yang
lainnya.
Dengan adanya data mining maka data
penjualan underwear dapat diproes kembali untuk
mengambil pengetahuan yang terdapat didalamnya.
Salah satu pengetahuan yang dihasilkan dapat
digunakan dalam hal persediaan underwear.
Dalam sebuah perusahaan yang terpenting
adalah hal persediaan barang yang memadai, tanpa
kelebihan dan kekurangan. Jika perusahaan
mempunyai jumlah persediaan barang yang lebih
banyak dibandingkan dengan jumlah permintaan,
maka dapat mengakibatkan kerugian biaya karena
barang tersebut tidak terjual. Sebaliknya jika
perusahaan mempunyai jumlah persediaan barang
yang lebih sedikit dibandingkan dengan jumlah
permintaan, maka dapat mengakibatkan konsumen
tersebut pergi karena barang yang ingin dibeli oleh
konsumen tersebut tidak mencukupi (opportunity
loss). Tindakan lainnya, mungkin perusahaan bisa
juga meningkatkan lagi item-item barang yang
70
terhadap data transaksi penjualannya, perusahaan
tersebut minimal mengetahui dengan lebih baik
bagaimana mereka harus meningkatkan stok
underwear bagi perusahaan.
Untuk mengatasi permasalahan mengenai
pengolahan data dalam penjualan underwear dan stok
barang maka dibutuhkan bantuan dengan
membangun suatu aplikasi berbasis komputerisasi
dengan menggunakan metode market basket analysis.
Market basket analysis adalah suatu analisa atas
perilaku konsumen secara spesifik dari suatu
golongan/kelompok tertentu. Sumber data dari
market basket analysis antara lain dapat bersumber
dari transaksi harian, kupon diskon, dan panggilan
keluhan pelanggan. Market basket analysis umumnya
dimanfaatkan sebagai titik awal pencarian
pengetahuan dari suatu transaksi data untuk
mengetahui pola spesifik apa yang ingin dicari.
Kebutuhan market basket analysis berawal dari
keakuratan dan manfaat yang dihasilkannya dalam
wujud aturan assosiasi (association rules). Yang
dimaksud dengan association rules adalah pola-pola
keterkaitan data dalam basis data.
II. TEORITIS
A. Data Mining
Data mining adalah proses yang
memperkerjakan satu atau lebih teknik pembelajaran
komputer (machine learning) untuk menganalisis dan
mengekstraksi pengetahuan (knowledge) secara
otomatis. Defenisi lain diantaranya adalah
pembelajaran berbasis induksi (Inductiaon-based

Majalah Ilmiah INTI, Volume 5, Nomor 1, Oktober 2017
learnng) adalah proses pembentukan defenisi-
defenisi konsep umum yang dilakukan dengan cara
mengobservasi contoh-contoh spesifik dari konsep-
konsep yang akan dipelajari. Knowledge Discovery in
data mining merupakan satu langkah dari proses
KDD.
Data mining merupakan proses iteratif dan
interaktif untuk menemukan pola atau model baru
yang sahih (sempurna), bermanfaat dan dapat
dimengerti dalam satu databaseyang sangat besar
(massive database). Data miningberisi pencarian
trend atau pola yang diinginkan dalam databasebesar
untuk membantu pengambilan keputusan diwaktu
yang akan datang. Pola-pola ini dikenali oleh
perangkat tertentu yang dapat memberikan suatu
analisa data yang berguna dan berwawasan yang
kemudian dapat dipelajari dengan lebih teliti, yang
mungkin saja menggunakan perangkat pendukung
keputusan yang lainnya (Fajar Astuti hermawati,
2013).
Tahapan Data Mining dalam aplikasinya, data
mining sebenarnya merupakan bagian dari
Knowledge Discovery in Database (KDD), bukan
sebagai teknologi yang utuh berdiri sendiri. Data
mining merupakan suatu bagian langkah yang penting
dalam KDD terutama berkaitan dengan ekstraksi dan
perhitungan pola-pola dari data yang ditelaah.
1. Pembersihan data (data cleaning)
Pembersihan data merupakan proses
menghilangkan noise dan data yang tidak
konsisten atau data tidak relevan. Pada umumnya
data yang diperoleh, baik dari database suatu
perusahaan maupun hasil eksperimen, memiliki
isian-isian yang tidak sempurna seperti data yang
hilang, data yang tidak valid atau juga hanya
sekedar salah ketik. Selain itu, ada juga atribut-
atribut data yang tidak relevan dengan hipotesa
data mining yang dimiliki. Data-data yang tidak
relevan itu juga lebih baik dibuang. Pembersihan
data juga akan mempengaruhi performasi dari
teknik data mining karena data yang ditangani
akan berkurang jumlah dan kompleksitasnya.
2. Integrasi data (data integration)
Integrasi data merupakan penggabungan data dari
berbagai database ke dalam satu database baru.
Tidak jarang data yang diperlukan untuk data
mining tidak hanya berasal dari satu database
tetapi juga berasal dari beberapa database atau file
teks. Integrasi data dilakukan pada atribut-aribut
yang mengidentifikasikan entitas-entitas yang
unik seperti atribut nama, jenis produk, nomor
pelanggan dan lainnya. Integrasi data perlu
dilakukan secara cermat karena kesalahan pada
integrasi data bisa menghasilkan hasil yang
menyimpang dan bahkan menyesatkan
pengambilan aksi nantinya. Sebagai contoh bila
integrasi data berdasarkan jenis produk ternyata
menggabungkan produk dari kategori yang
71
ISSN 2339-210X
berbeda maka akan didapatkan korelasi antar
produk yang sebenarnya tidak ada.
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. Sebagai contoh, sebuah kasus yang
meneliti faktor kecenderungan orang membeli
dalam kasus market basket analysis, tidak perlu
mengambil nama pelanggan, cukup dengan id
pelanggan saja.
4. Transformasi data (Data Transformation)
Data diubah atau digabung ke dalam format yang
sesuai untuk diproses dalam data mining.
Beberapa metode data mining membutuhkan
format data yang khusus sebelum bisa
diaplikasikan. Sebagai contoh beberapa metode
standar seperti analisis asosiasi dan clustering
hanya bisa menerima input data kategorikal.
Karenanya data berupa angka numerik yang
berlanjut perlu dibagi-bagi menjadi beberapa
interval. Proses ini sering disebut transformasi
data.
5. Proses mining,
Merupakan suatu proses utama saat metode
diterapkan untuk menemukan pengetahuan
berharga dan tersembunyi dari data.
6. Evaluasi pola (pattern evaluation),
Untuk mengidentifikasi pola-pola menarik
kedalam knowledge based yang ditemukan.
Dalam tahap ini hasil dari teknik data mining
berupa pola-pola yang khas maupun model
prediksi dievaluasi untuk menilai apakah hipotesa
yang ada memang tercapai. Bila ternyata hasil
yang diperoleh tidak sesuai hipotesa ada beberapa
alternatif yang dapat diambil seperti
menjadikannya umpan balik untuk memperbaiki
proses data mining, mencoba metode data mining
lain yang lebih sesuai, atau menerima hasil ini
sebagai suatu hasil yang di luar dugaan yang
mungkin bermanfaat.
7. Presentasi pengetahuan (knowledge presentation)
Merupakan visualisasi dan penyajian
pengetahuan mengenai metode yang digunakan
untuk memperoleh pengetahuan yang diperoleh
pengguna. Tahap terakhir dari proses data mining
adalah bagaimana memformulasikan keputusan
atau aksi dari hasil analisis yang didapat. Ada
kalanya hal ini harus melibatkan orang-orang
yang tidak memahami data mining. Karenanya
presentasi hasil data mining dalam bentuk
pengetahuan yang bisa dipahami semua orang
adalah satu tahapan yang diperlukan dalam proses
data mining. Dalam presentasi ini, visualisasi juga
bisa membantu mengkomunikasikan hasil data
mining.
 72
Majalah Ilmiah INTI, Volume 5, Nomor 1, Oktober 2017
ISSN 2339-210X

B. Association Rule Mining

Association Rule Mining adalah suatu Support (A∩B)
prosedur untuk mencari hubungan antar item dalam Confidence = P(B/A) =
suatu data set yang ditentukan. (Han, Kamber, 2001). P(A)
Dalam dunia bisnis lazim dikenal istilah affinity
analysis. Tugas dari association rule adalah mencari III. ANALISA DAN PEMBAHASAN
aturan yang tidak mencakup hubungan antara dua A. Penerapan Perhitungan Metode Market Basket
atau lebih atribut. Association rule meliputi dua Analysis
tahap: 1. Tahapan pertama dalam perhitungan Algoritma
1. Mencari kombinasi yang paling sering terjadi dari Market Basket Analysis untuk menemukan
suatu itemset. association rules yaitu menuliskan data transaksi
2. Mendefinisikan Conditiondan Result (untuk yang terjadi dalam periode tertentu seperti terlihat
conditional association rule). pada tabel 1.
Dalam menentukan suatu association rule,
terdapat suatu interestingness Measure (ukuran Tabel 1. Tabel Transaksi
ketertarikan) yang didapatkan dari hasil pengolahan Transaksi/
data dengan No. No.Bon Item yang dibeli
perhitungan tertentu. Umumnya ada dua ukuran, 1 105923 004, 801
2 105924 809, 816, 808
yaitu:
3 105925 817, 822
1. Support merupakan suatu ukuran yang
4 105926 004, 005
menunjukkan seberapa besar tingkat dominasi 5 105928 262, 830
suatu item/itemset dari keseluruhan transaksi. 6 105929 801, 808, 809,
Ukuran ini menentukan apakah suatu item/itemset 7 105930 801, 809
layak untuk dicari confidencenya (misal, dari 8 105903 809, 808
keseluruhan transaksi yang ada, seberapa besar 9 105999 262, 263
tingkat dominasi yang menunjukkan bahwa item 10 105904 002, 003, 005
A dan B dibeli bersamaan). 11 105905 808, 830
2. Confidence merupakan suatu ukuran yang 12 105906 829, 830, 808, 809
menunjukkan hubungan antar 2 item secara 13 105907 906, 819
conditional (misal, seberapa sering item B dibeli 14 105908 809, 819,808
jika orang membeli item A). 15 105909 906, 829
16 105910 829, 830
Kedua ukuran ini nantinya berguna dalam 17 105912 808, 240, 809, 819
menentukan interesting association rules, yaitu untuk 18 105913 809, 263, 808
19 105914 274, 275, 276
dibandingkan dengan batasan (threshold) yang
20 105915 801, 808, 809
ditentukan oleh user. Batasan tersebut umumnya
21 105916 242, 263, 815, 816
terdiri dari min_support dan min_confidence. 22 105917 262, 240, 242
23 105918 809, 819, 808
C. Metode Dasar Association Rule 24 105919 263, 808, 262, 809
Metodologi dasar analisis asosiasi terbagi 25 105920 808, 809
menjadi dua tahap: 26 105921 277, 278, 279
1. Analisa pola frekuensi tinggi 27 105922 241, 242
Tahap ini mencari kombinasi item yang 28 105998 809, 808, 819, 817 234, 279
memenuhi syarat minimum dari nilai support 29 105996 906, 809, 808
dalam database, yang dapat dirumuskan sebagai 30 106000 279, 262, 264
berikut: 31 105901 278, 279, 264
32 105995 277, 275, 274
Jumlah transaksi Memuat A dan B 33 105992 809, 808, 816
Support = P (A∩B) = 34 105993 808, 809
Total jumlah Transaksi 35 105801 819, 809, 808
36 105902 822, 808, 809
2. Pembentukan aturan asosiatif Sumber: Suzuya Kampung Baru, tahun 2016
Setelah semua pola frekuensi tinggi ditemukan,
barulah dicari aturan asosiatif yang memenuhi 2. Tahapan berikutnya adalah tabel untuk melakukan
syarat minimum untuk confidence dengan perhitungan jumlah data transaksi.
menghitung confidence aturan asosiatif A→B Proses pembentukan itemset dengan jumlah
dengan menggunakan rumus berikut: minimumsupport . Dengan rumus sebagai berikut:

Jumlah Transaksi Mengandung A

Support (A) =
 73
Majalah Ilmiah INTI, Volume 5, Nomor 1, Oktober 2017
ISSN 2339-210X

Total transaksi Pola

Kombinasi Jumlah
2 Itemset Jumlah Support
Berikut adalah contoh mencari nilai suppport dari
kombinasi 1 itemset 801 – 808 3 0,083333333
262 - 263 1 0,027777778
Support (A) = 3/36 = 0,08333 262 – 264 1 0,027777778
Support (A) = 19/36 = 0,52778
263 – 264 1 0,027777778
Tabel 2. Pola Kombinasi 1 Itemsets 002 – 003 1 0,027777778
Kode 002 – 005 1 0,027777778
Barang Jumlah Support
004 3 0,08333 003 – 005 1 0,027777778
801 3 0,08333 829 – 830 2 0,055555556
809 19 0,52778
816 3 0,08333 906 – 819 1 0,027777778
817 2 0,05556 809 – 819 5 0,138888889
822 2 0,05556
262 5 0,13889
906 - 829 1 0,027777778
830 3 0,08333 240 – 809 1 0,027777778
263 4 0,11111
240 – 819 1 0,027777778
264 3 0,08333
002 1 0,02778 809 – 263 1 0,027777778
003 1 0,02778 274 – 275 2 0,055555556
005 2 0,05556
808 19 0,52778 274 – 276 1 0,027777778
829 3 0,08333 275 – 276 1 0,027777778
906 3 0,08333
819 7 0,19444
242 – 263 2 0,055555556
240 2 0,05556 262 – 240 1 0,027777778
274 2 0,05556
262 – 242 1 0,027777778
275 2 0,05556
276 1 0,02778 240 – 242 1 0,027777778
242 3 0,08333 277 – 278 1 0,027777778
815 1 0,02778
277 2 0,05556 278 – 279 2 0,055555556
278 2 0,05556 241 - 242 1 0,027777778
279 4 0,11111
241 1 0,02778
906 – 808 1 0,027777778
243 1 0,02778 279 – 264 2 0,055555556
262 - 264 1 0,027777778
3. Langkah berikutnya membuat kombinasi 2 277 – 275 1 0,027777778
itemsets pada setiap transaksi dan frekuensi 809 – 816 1 0,027777778
masing-masing kombinasi dihitung sesuai dengan 822 - 809 1 0,027777778
data tabular pada tabel. Pola kombinasi yang
didapatkan dapat dilihat pada tabel 3: 822 – 808 1 0,027777778
819 – 808 3 0,083333333
Tabel 3. Pola Kombinasi 2 Itemsets
Pola 4. Setelah frekuensi masing-masing itemsets
Kombinasi Jumlah ditemukan, langkah selanjutnya menyeleksi
2 Itemset Jumlah Support frekuensi yang lebih besar atau sama dengan batas
004 – 801 1 0,027777778 minimal yang telah ditentukan. Misalnya
ditentukan batas minimal support 3.
809 – 816 1 0,027777778 5. Tahapan selanjutnya adalah menganalisa tabel 4.4
817 – 822 1 0,027777778 terdapat beberapa baris yang diberi arsir, garis
004 – 005 1 0,027777778 tersebut adalah itemsets yang memenuhi batas
minimum dari jumlah frekwensi yang telah
262 – 830 1 0,027777778 ditentukan.
801 – 809 2 0,055555556
808 – 809 19 0,527777778
 74
Majalah Ilmiah INTI, Volume 5, Nomor 1, Oktober 2017
ISSN 2339-210X

Langkah berikutnya adalah dengan membuat 3 Tabel 7. Seleksi Minimum Confidence

itemset yang sesuai dengan susunan kombinasi
yang baru atau dapat dilihat dalam tabel 4 : No Aturan Jumlah Confidace
Jika membeli
Tabel 4. Kandidat 3 Itemsets 808 maka
Pola Kombinasi 2 akan
itemset Jumlah Support 1 membeli 809 19 1
Jika membeli
801 – 809 2 0,055556 809 maka
808 – 809 19 0,527778 akan
801 – 808 3 0,083333 2 membeli 808 19 1
Jika membeli
829 – 830 2 0,055556 808 maka
809 – 819 5 0,138889 akan
274 – 275 2 0,055556 3 membeli 801 3 0,157894737
Jika membeli
278 – 279 2 0,055556 801 maka
279 – 264 2 0,055556 akan
819 – 808 3 0,083333 4 membeli 808 3 1
Jika membeli
6. Tabel kombinasi 2 itemsets pada table 4 adalah 809 maka
kombinasi yang memenuhi batas minimal akan
support. Berdasarkan tabel diatas maka tahap 5 membeli 819 5 0,263157895
selanjutnya adalah membuat kombinasi 3 itemsets Jika membeli
seperti terlihat pada table 5 berikut: 819 maka
akan
Tabel 5. Kombinasi 3 Itemsets 6 membeli 809 5 0,714285714
Pola Kombinasi 3 Jika membeli
Itemset Jumlah Support 278 maka
akan
808 - 809 - 801 3 0,083333 7 membeli 279 2 1
808- 809 - 819 6 0,166667 Jika membeli
808 - 809 - 830 1 0,027778 279 maka
akan
7. Karena Kombinasi 3 itemset tidak ada yang 8 membeli 278 2 0,5
memenuhi minimal support, maka 2 kombinasi Jika membeli
yang memenuhi untuk pembentukan asosiasi. 808 maka
akan
Tabel 6. Kombinasi 2 Itemsets 9 membeli 819 3 0,157894737
Pola Kombinasi 2 Jika membeli
itemset Jumlah Support 819 maka
akan
801 – 809 2 0,055556 10 membeli 808 3 0,428571429
808 – 809 19 0,527778 Jika membeli
801 – 808 3 0,083333 279 maka
akan
829 – 830 2 0,055556 11 membeli 264 2 0,5
809 – 819 5 0,138889 Jika membeli
274 – 275 2 0,055556 264 maka
akan
278 – 279 2 0,055556 12 membeli 279 2 0,666666667
279 – 264 2 0,055556 Jika membeli
819 – 808 3 0,083333 829 maka
akan
Jumlah confidence dari pola kombinasi 2 13 membeli 830 2 0,666666667
itemsets yang memenuhi minimal support yaitu Jika membeli
terlihat dari tabel 7: 830 maka
akan
14 membeli 829 2 0,666666667
 75
Majalah Ilmiah INTI, Volume 5, Nomor 1, Oktober 2017
ISSN 2339-210X

dengan support 0,57777778 dan confidence 1.

8. Misalkan ditetapkan nilai confidence minimal Sebaliknya Jika membeli underwear artikael 809
adalah 0,5 maka terlebih dahulu kita menyeleksi maka akan membeli underwear artikel 808 dengan
jumlah minimal confidence karena 0,5 merupakan support 0,57777778 dan confidence 1
nilai target yang diberi perusahaan untuk
memenuhi target setiap bulan nya. Dari tabel V. KESIMPULAN
diatas maka dapat dihitung aturan asosiasi Berdasarkan dari hasil penelitian yang telah
finalnya seperti pada tabel 8: dilakukan, maka dapat disimpulkan yaitu:
1. Penerapan metode market basket analysisdan
Tabel 8 Final Association Rule pengujian software Tanagra 1.4. mampu
No Aturan Support Confidance
menampilkan pola pembelian konsumen dari PT.
Jika membeli Suriatama Mahkota Kencana dengan menganalisa
808 maka akan data transaksi penjualan selama perperiode satu
1 membeli 809 0,527777778 1 bulan. Sebagai dampaknya, pihak perusahaan
dapat memprediksi stock persediaan underwear
Jika membeli
agar transaksi dapat berjalan lancar.
809 maka akan
2. Penerapan metode market basket analysisdapat
2 membeli 808 0,527777778 1
menghasilkan suatu rule pola penjualan sehingga
Jika membeli
perusahaan dapat mengetahui pola tingkat
808 maka akan
transaksi terjualnya underwear dalam satu waktu
3 membeli 801 0,083333333 0,157894737
secara bersamaan.
Jika membeli
801 maka akan
REFERENCE
4 membeli 808 0,083333333 1 [1] Abdul Kadir dan Terra Ch. Triwahyuni 2013. ”Pengantar
Jika membeli Teknologi Informasi” :Dasar Sistem Komputer. Yogyakarta :
809 maka akan Andi Offset.
5 membeli 819 0,138888889 0,263157895 [2] Abdul Kadir 2013.Pengenalan Algoritma :Flowchart.
Yogyalarta : Andi Offset.
Jika membeli [3] Fajar Astuti Hermawati, Data Mining, Penerbit Andi,
819 maka akan Yogyakarta, 2013
6 membeli 809 0,138888889 0,714285714 [4] Rosa AS – M Shalahuddin 2011. Rekayasa Perangkat Lunak.:
“Pemodelan Dan UML”.Bandung 2011
Jika membeli [5] Hansieffendi, Pengenalan Tools Tanagra, Penerbit Andi,
278 maka akan Yogyakarta,2013
7 membeli 279 0,055555556 1 [6] Megaputer, Market Basket Analysis, Penerbit Andi,
Jika membeli Yogyakarta, 2007
[7] E. Buulolo, “ALGORITMA APRIORI PADA DATA
279 maka akan PENJUALAN DI SUPERMARKET,” in Seminar Nasional
8 membeli 278 0,055555556 0,5 Inovasi dan Teknologi Informasi 2015 (SNITI), 2015, no.
Jika membeli September 2015, pp. 4–7.
808 maka akan [8] H. Widayu, S. D. Nasution, N. Silalahi, and M. Mesran,
“DATA MINING UNTUK MEMPREDIKSI JENIS
9 membeli 819 0,083333333 0,157894737 TRANSAKSI NASABAH PADA KOPERASI SIMPAN
Jika membeli PINJAM DENGAN ALGORITMA C4.5,” MEDIA Inform.
819 maka akan BUDIDARMA, vol. 1, no. 2, Jun. 2017.
10 membeli 808 0,083333333 0,428571429
Jika membeli
279 maka akan
11 membeli 264 0,055555556 0,5
Jika membeli
264 maka akan
12 membeli 279 0,055555556 0,666666667
Jika membeli
829 maka akan
13 membeli 830 0,055555556 0,666666667
Jika membeli
830 maka akan
14 membeli 829 0,055555556 0,666666667

Tabel diatas merupakan hasil output dari data mining

pada penjualan underwear, maka dapat dibuat aturan
rule seperti berikut: Jika membeli underwear artikael
808 maka akan membeli underwear artikel 809