METODE FP-GROWTH
(STUDI KASUS TOKO KOPERASI SEKOLAH BINA MULIA)
Dwi Budi Srisulistiowati1a, Muhamad Khaerudin2b,*, Sri Rejeki3c
a,b,c
Universitas Bhayangkara Jakarta
a
dwibudi@dsn.ubharajaya.ac.id, bmuhammad.khaerudin@dsn.ubharajaya.ac.id
c
sri.rejeki@dsn.ubharajaya.ac.id
Abstract
The increase in sales transactions accompanied by the availability of goods sold is a reflection of
the performance of a company's business (store). One of the business units in Bina Mulia School is
a shop that sells a variety of office stationery equipment. Therefore, a computerized system is
needed in order to solve all problems in the company and be able to ease the task of employees in
analyzing and taking into account the inclusion and sale of office stationery for the future. So it is
necessary to design a Data Mining Warehouse system for decision makers in determining policies
quickly, efficiently, and effectively. One of the data mining warehouse methods is FP-Growth. The
FP-Growth algorithm is used to determine which data sets appear most frequently in a data set. The
method in frequent itemsset search using FP-Growth algorithm works very well in performing
Frequent itemsset by generating rule from ATK sales data. In implementing the FP-Growth
algorithm in the atk inventory prediction application can be seen from the number of items sold and
to know the number of frequent itemset that occur. FP-Growth algorithm can be applied to support
ATK sales strategy in Bina Mulia School Cooperative so that management can make decisions
quickly.
Abstrak
Meningkatnya transaksi penjualan yang disertai dengan ketersediaan barang yang dijual merupakan
cerminan dari kinerja sebuah bisnis perusahaan ( toko ). Salah satu unit usaha di Sekolah Bina
Mulia adalah adanya toko yang menjual berbagai peralatan alat tulis kantor. Maka dari itu
dibutuhkanlah suatu sistem yang terkomputerisasi agar dapat mengatasi semua masalah dalam
perusahaan tersebut dan mampu meringankan tugas para pegawai dalam menganalisa dan
memperhitungkan pemasukkan dan penjualan alat tulis kantor untuk waktu yang akan datang.
Sehingga perlu dirancangnya sebuah sistem data Mining Warehouse untuk pengambil keputusan
dalam menentukan kebijakan secara cepat, efisien, dan efektif. Salah satu metode data mining
warehouse adalah FP-Growth. Algoritma FP-Growth digunakan untuk menentukan himpunan data
yang paling sering muncul dalam sebuah kumpulan data. Metode dalam pencarian Frequent
itemsset menggunakan algoritma FP-Growth bekerja sangat baik dalam melakukan Frequent
itemsset dengan menghasilkan rule dari data penjualan ATK. Dalam mengimplementasikan
algoritma FP-Growth pada aplikasi prediksi persediaan ATK dapat dilihat dari banyaknya item
yang terjual dan untuk mengetahui banyaknya frequent itemset yang terjadi. Algoritma FP-Growth
dapat diterapkan untuk mendukung strategi penjualan ATK pada Koperasi Sekolah Bina Mulia
sehingga pihak manajemen dapat melakukan pengambilan keputusan dengan cepat.
243
1. Pendahuluan dijangkau sesuai dengan kebutuhan. Setiap
Meningkatnya transaksi penjualan orang tentu menginginkan sebuah peng-
yang disertai dengan ketersediaan barang ambilan keputusan yang tepat dan efisien
yang dijual merupakan cerminan dari tidak terkecuali sebuah perusahaan, untuk
kinerja sebuah bisnis perusahaan ( toko ). itu banyak sekali perusahaan yang mem-
Salah satu unit usaha di Sekolah Bina butuhkan suatu media seperti Business
Mulia adalah adanya toko yang menjual Intelegence guna membantu dalam peng-
berbagai peralatan alat tulis kantor. Seiring ambilan keputusan yang tepat.
dengan peningkatan jumlah penduduk di
sekitar sekolah maka berimbas pada Untuk itu perlu dilakukan perencana-
peningkatan jumlah transaksi penjualan. an yang baik tentu harus diiringi dengan
Dimasa pandemi seperti saat ini ternyata menganalisa data yang baik juga, analisa
ada peningkatan kebutuhan masyarakat dapat dilakukan dengan mengumpulkan
akan penggunaan alat tulis kantor, dengan data transaksi penjualan yang bersifat
adanya peningkatan transaksi penjualan itu historis atau lampau dan kemudian melihat
maka toko harus membuat perencanaan baagaimana grafik penjualannya. Didalam
dan menyiapkan kebutuhan alat tulis kantor data transaksi penjualan akan dapat terlihat
untuk bulan bulan berikutnya. Untuk banyak komponen yang terkait dengan
pendataan kebutuhan alat tulis kantor ada penjualan diantaranya hubungan antara
atau tidak ada sering membutuhkan waktu variasi produk yang dijual, jumlah produk
untuk memeriksanya. Hal ini berdampak yang dijual, waktu penjualan, dan seg-
pada proses penentuan jumlah dan merek mentasi pasar yang berhubungan dengan
alat tulis kantor yang harus disediakan, hal pendistribusian produk, termasuk kondisi
inilah yang menimbulkan ketidakpastian pelanggan yang menikmati produk yang
dalam melakukan pemesanan ke distribu- dijual. Untuk melakukan analisa, maka
tor, juga tidak terkontrolnya penjualan perusahaan perlu mengumpulkan atau
karena perencanaan yang kurang matang harus memiliki data yang banyak secara
dan produktifitas petugas dalam bekerja kuantitas dan baik secara kualitas. Semakin
tidak optimal. Oleh karena itu peramalan banyak dan baik data yang dimiliki, maka
sangat dibutuhkan dalam kasus perencana- akan semakin baik pula hasil analisa yang
an tersebut. akan dihasilkan. Namun, untuk memenuhi
hasil analisis yang baik dan tepat maka
Merek merupakan tren tersendiri dibutuhkan suatu data mining yang ber-
yang sangat penting untuk diperhatikan, fungsi menganalisis data dengan tujuan
karena beberapa merek tertentu ternyata memperoleh informasi yang akurat dan pe-
dapat menimbulkan nilai emosional pada ngetahuan akan data yang berkaitan dengan
diri konsumen yang kemudian menimbul- pengambilan keputusan dan peme-cahan
kan perasaan positif pada saat membeli. masalah.
Harga juga mempunyai arti penting dan
menjadi perhatian konsumen dalam Maka dari itu dibutuhkanlah suatu
pengambilan keputusan pembelian oleh sistem yang terkomputerisasi agar dapat
karena itu harga yang ditawarkan harus mengatasi semua masalah dalam perusa-
terjangkau dan sesuai dengan pendapatan haan tersebut dan mampu meringankan
konsumen. Konsumen akan memilih tugas para pegawai dalam menganalisa dan
produk yang memiliki harga yang dapat memperhitungkan pemasukkan dan pen-
244
jualan alat tulis kantor untuk waktu yang selection), transformasi data (data trans-
akan datang. Sehingga perlu dirancangnya formation), data mining, evaluasi pola
sebuah sistem data Mining Warehouse (pattern evaluation) dan penyajian penge-
untuk pengambil keputusan dalam menen- tahuan (knowledge presentation). Data
tukan kebijakan secara cepat, efisien, dan mining mengacu pada proses untuk
efektif. Salah satu metode data mining menambang (mining) pengetahuan dari
warehouse adalah FP-Growth. Algoritma sekumpulan data yang sangat besar untuk
FP-Growth digunakan untuk menentukan menghasilkan sebuah pengetahuan baru
himpunan data yang paling sering muncul dari bidang tertentu.
dalam sebuah kumpulan data.
Menurut (Susanti, M., Jefi., 2018)
2. Kerangka Teori Data mining merupakan teknologi baru
2.1. Pengertian Prediksi yang sangat berguna untuk membantu
Menurut (Rohmawati, F., Rohman, perusahaan–perusahaan menemukan infor-
M.G., Mujilahwati, S., 2017) Prediksi masi yang sangat penting dari gudang data
adalah suatu proses memperkirakan secara mereka. Data mining adalah kegiatan
sistematis tentang sesuatu yang paling menemukan pola yang menarik dari data
mungkin terjadi di masa depan berdasarkan dalam jumlah besar, data dapat disimpan
informasi masa lalu dan sekarang yang dalam database, data warehouse, atau
dimiliki, agar kesalahannya (selisih antara penyimpanan informasi lainnya
sesuatu yang terjadi dengan hasil perkiraan)
dapat diperkecil. Prediksi tidak harus 2.4.Pengertian data warehouse
memberikan jawaban secara pasti kejadian Menurut (Mujiono, Musdholifah, A.,
yang akan terjadi, melainkan berusaha 2016) Data warehouse adalah sumber data
untuk mencari jawaban sedekat mungkin yang handal yang menyediakan semua
yang akan terjadi. kebutuhan analisis keputusan. Data
warehouse merupakan central point
2.2.Pengertian Penjualan pengingrasian banyak database. Imple-
Menurut (Rahadiyan, A., Wardani, mentasi data warehouse sangat luas dan
N., Rokhmawati, R., 2018) penjualan me- terbuka di lingkungan pemerintahan sebab
rupakan Proses dimana yang penjual me- pemerintah telah memiliki banyak sumber
muaskan segala kebutuhan dan keinginan data untuk diolah menjadi informasi lintas
pembeli untuk mencapai suatu manfaat departemen yang komprehensif. Beberapa
baik bagi penjual ataupun pembeli yang implementasi data warehouse dapat
berkelanjutan dan menguntungkan kedua meningkatkan kinerja pemerintah, sebagian
belah pihak. yang lain menjadi perangkat lunak
kecerdasan bisnis..
2.3.Pengertian Data Mining
Menurut (Wijaya, H.D., Dwiasnati, 2.5.Algoritma FP-Growth (Frequent
S., 2020) Data mining merupakan suatu Pattern Growth)
langkah dalam melakukan Knowledge Menurut (Suhada, S., Ratag, D.,
discovery in Databases (KDD). Knowledge Gunawan, Wintana, D., Hidayatulloh, T.,
discovery sebagai suatu proses terdiri atas 2020) FP-Growth yang merupakan salah
pembersihan data (data cleaning), integrasi satu algoritma asosiasi dalam data mining.
data (data integration), pemilihan data (data Algoritma FP-Growth merupakan pengem-
245
bangan dari metode Apriori sebagai salah 2.6.Association Rule
satu alternatif untuk menentukan himpunan Menurut (Widiati, E., Dewi, K.E.,
data yang paling sering muncul (Frequent 2014) Association rule adalah salah satu
itemset) dalam sebuah kumpulan data teknik utama atau prosedur dalam Market
kemudian membangkitkan struktur data Basket Analysis untuk mencari hubungan
Tree atau disebut dengan Frequent Pattern antar-item dalam suatu dataset dan me-
Tree (FP-Tree). nampilkan bentuk association rule.
Association rule (aturan asosiasi) akan me-
Menurut (Meilani, B.D., Asadulloh, nemukan pola tertentu untuk meng-aso-
M., 2015) Algoritma FP-Growth merupa- siasikan data yang satu dengan data yang
kan pengembangan dari algoritma Apriori. lain. Untuk mencari association rule dari
Sehingga kekurangan dari algoritma suatu kumpulan data, tahap pertama yang
Apriori diperbaiki oleh algoritma FP- harus dilakukan adalah mencari frequent
Growth. Frequent Pattern Growth (FP- itemset terlebih dahulu. Frequent itemset
Growth) adalah salah satu alternatif adalah sekumpulan item yang sering
algoritma yang dapat digunakan untuk muncul secara bersamaan. Setelah semua
menentukan himpunan data yang paling pola frequent itemset ditemukan, barulah
sering muncul (frequent itemset) dalam mencari aturan assosiatif atau aturan
sebuah kumpulan data. Pada algoritma keterkaitan yang memenuhi syarat yang
Apriori diperlukan generate candidate telah ditentukan.
untuk mendapatkan frequent itemsets.
Akan tetapi, di algoritma FP-Growth 2.7.Algoritma Apriori
generate candidate tidak dilakukan karena Menurut (Widiati, E., Dewi, K.E.,
FP-Growth menggunakan konsep pemba- 2014) Algoritma apriori adalah salah satu
ngunan tree dalam pencarian frequent algoritma yang melakukan pencarian
itemsets. Hal tersebutlah yang menye- frequent itemset dengan menggunakan
babkan algoritma FP-Growth lebih cepat teknik association rule. Algortima apriori
dari algoritma Apriori. Karakteristik menggunakan pengetahuan frekuensi atri-
algoritma FP-Growth adalah struktur data but yang telah diketahui sebelumnya untuk
yang digunakan adalah tree yang disebut memproses informasi selanjutnya. Pada
dengan FP-Tree. Dengan menggunakan algoritma apriori, menentukan kandidat
FP-Tree, algoritma FP-Growth dapat yang mungkin muncul dengan cara
langsung mengekstrak frequent Itemset memperhatikan minimum support dan
dari FP-Tree. Penggalian itemset yang minimum confidence. Support adalah nilai
frequent dengan menggunakan algoritma pengunjung atau persentase kombinasi
FP-Growth akan dilakukan dengan cara sebuah item dalam database. Nilai support
membangkitkan struktur data tree atau sebuah item diperoleh dengan rumus
disebut dengan FP-Tree. Metode FP- sebagai berikut:
Growth dapat dibagi menjadi 3 tahapan Persamaan (1) digunakan untuk
utama yaitu sebagai : menghitung nilai support :
1. Tahap pembangkitan conditional Jumlah
pattern base, Transaksi
2. Tahap pembangkitan conditional FP- Support Mengandung *
Tree, dan (A) = A 100%
3. Tahap pencarian frequent itemset. Jumlah
246
Transaksi beberapa cara yaitu melalui prompt DOS
(tool command line)
Set Setelah semua frequent item dan
large item set didapatkan, dapat dicari 2.10. Pengertian UML
syarat minimum confidence (mincof) Menurut (Khaerudin, M., Warta, J.,
dengan menggunakan Persamaan (2) : Srisulistiowati, D. B., 2020) Unified
Jumlah Transaksi yang
Confiden mengandung A dan B Jumlah transaksi
ce Jumlah Transaksi yang Suppo yang mengandung
*100
(A B) mengandung A rt A dan B
%
= (A,B)
= Total transaksi
2.8. Pengertian Rapid Miner
Menurut (Fatmawati, 2016) Rapid Modeling Language (UML) adalah
Miner merupakan perangkat lunak yang bahasa spesifikasi standar yang diperguna-
dibuat oleh Dr. Markus Hofmann dari kan untuk mendokumentasikan, menspesi-
Institute of Technology Blanchardstown fikasikan dan membangun perangkat lunak.
dan Raif Klinkenberg dari rapid-i.com UML merupakan metodologi dalam me-
dengan tampilan GUI (Graphical User ngembangkan sistem berorientasi objek
Interface) sehingga memudahkan pengguna dan juga merupakan alat untuk mendukung
dalam menggunakan perangkat lunak ini. pengembangan sistem. Alat bantu yang
Perangkat lunak ini bersifat open source digunakan dalam perancangan berorientasi
dan dibuat dengan menggunakan bahasa objek berbasiskan UML adalah sebagai
Java dibawah lisensi GNU Public License berikut :
dan Rapid Miner dapat dijalankan disistem 1.Use Case Diagram
operasi manapun. Dengan menggunakan 2.Activity Diagram
Rapid Miner, tidak dibutuhkan kemampuan 3.Sequence Diagram
koding khusus, karena semua fasilitas
sudah disediakan. Rapid Miner dikhusus- 2.11. Pengertian Xampp
kan untuk penggunaan data mining. Menurut (Fridayanthie, E.W.,
Mahdiati, T., 2016) menjelaskan bahwa
2.9.Pengertian MySQL “XAMPP adalah sebuah software yang
Menurut (Maulana, 2016) MySQL berfungsi untuk menjalankan website ber-
adalah salah satu jenis database server yang basis PHP dan menggunakan pengolah data
sangat terkenal. Kepopulerannya disebab- MYSQL di komputer lokal”. XAMPP ber-
kan Mysql menggunakan SQL sebagai peran sebagai server web pada komputer
bahasa dasar untuk mengakses database- lokal. XAMPP juga dapat disebut sebuah
nya. Mysql termasuk jenis RDBMS Cpanel server virtual, yang dapat mem-
(Relational Database Management Sys- bantu melakukan preview sehingga dapat
tem). Pada Mysql, sebuah database me- dimodifikasi website tanpa harus online
ngandung satu atau sejumlah tabel. Tabel atau terakses dengan internet.
terdiri atas sejumlah baris dan setiap baris
mengandung satu atau beberapa kolom. 3. Metodologi
Untuk mengelola database Mysql ada Penelitian ini menggunakan data
mining diawali dengan seleksi data dari
247
data sumber yaitu mengambil data sampel Tabel 1. Data Barang yang terjual
dari transaksi penjualan kemudian di- No Kode Brg Jenis Barang Merk / Model Satuan Harga
Amplop Coklat Air Mail
masukkan kedalam data target yaitu data 1 A-001 Bertali Ukuran A3 pcs Rp 7.000
Amplop Line Putih
mining. Kemudian dengan data mining 2 A-002 Panjang Perekat
Amplop Line Putih
Dus Pak Rp 32.000
berikut ini 49
50
M-009
M-010
Mistar Segitiga
Mistar Segitiga
No. 10 ( butterfly )
No. 8 ( butterfly )
Set
Set
Rp
Rp
37.000
26.000
51 P-001 Pulpen Faster C6 Biru / Hitam Box Rp 27.000
52 P-002 Pulpen Faster C6 Biru / Hitam pcs Rp 2.500
53 P-003 Pulpen Zebra size 0.5 Zebra / Hitam-Biru-Merah
Box Rp 14.000
54 P-004 Pulpen Zebra size 0.5 Zebra / Hitam-Biru-Merah
pcs Rp 1.500
Pulpen JOYKO Gel Pen -
55 P-005 Pena jel 330 Joyko/ Hitam-Biru Box Rp 15.000
Pulpen JOYKO Gel Pen -
56 P-006 Pena jel 330 Joyko/ Hitam-Biru pcs Rp 1.500
57 P-007 Pulpen Standart AE7 Standart Box Rp 17.000
58 P-008 Pulpen Standart AE7 Standart pcs Rp 1.500
59 P-009 Pulpen Gel Kokoro Zebra Box Rp 15.000
60 P-010 Pulpen Gel Kokoro Zebra pcs Rp 1.500
61 P-011 Pensil 2b Faber Castell Faber Castell Box Rp 22.000
62 P-012 Pensil 2b Faber Castell Faber Castell pcs Rp 2.000
63 P-013 Pensil 2b Lyra 2324 Lyra Box Rp 30.000
64 P-014 Pensil 2b Lyra 2324 Lyra pcs Rp 2.500
Pensil Warna Big Isi 12
65 P-015 Pendek Big Box Rp 8.000
66 P-016 Pensil Warna Big Panjang Big Box Rp 15.000
Pensil Warna Chnone Dm
67 P-017 – 4518 18 W Chnone Box Rp 21.000
Pensil Warna Faber
68 P-018 Castell Classic Pdk 12w Faber Castell Box Rp 13.000
69 S-001 Spidol 12 warna Melody Box Rp 19.000
70 S-002 Spidol Whiteboard Snowman pcs Rp 15.000
71 S-003 Stip 2B Hitam pcs Rp 5.000
72 S-004 Stip 2B Hitam Snowman pcs Rp 7.000
73 S-005 Stip 2B putih pcs Rp 5.000
74 S-006 Stip 2B putih Snowman pcs Rp 7.000
75 S-007 Stip Hitam/Merah Snowman pcs Rp 8.000
248
4.1.Membangun Data Set tersebut. Berikut ini dapat dilihat pada
Tahap ini adalah tahap untuk tabel 3, dengan rumus :
memilih dataset yang digunakan untuk Support (A-001) = Σ4 / Σ20 * 100% =
proses data mining berdasarkan transaksi 0,5% Support (P-012) = Σ8 / Σ20 *100%=40%
Support( B-00 ) = Σ2 / Σ20 * 100 % = 0,1
penjualan ditunjukkan oleh Tabel 2. % Support (P-004) = Σ8 / Σ20 * 100 % =40%
Support ( B-017 ) = Σ8 / Σ20 * 100% =
Tabel 2. Data penjualan peralatan ATK di 40% Support (P-018) = Σ1/Σ20 * 100
data mining % =0,05%
No Kode Brg Jenis Barang Merk / Model Satuan ID-Transaksi Item Penjualan Support(B-014)=Σ8/Σ20*100% = 40%
Amplop Coklat Air Mail
1 A-001 Bertali Ukuran A3 pcs 001/III/21 A-001, B-014, K-008, M-006
2 A-004 Amplop Tali Merah Biru Ukuran 250/350 pcs 002/III/21 B-001, K-002, G-001, M-006 Support (K-008) = Σ1/Σ20 * 100 %
3 B-001 Binder Clip No. 107 Codwell Pak 003/III/21 B-017, C-001, P-002, B-001 =0,05%
4
5
B-011 Box File
B-014 Buku Kwitansi
Codwell
Ukuran sedang
pcs
pcs
004/III/21
005/III/21
B-014, C-001, P-002,
B-017, B-011, P-002, P-004
Support(A-004) = Σ3 / Σ20 * 100% =
6 B-015 Buku Kwitansi Kecil pcs 006/III/21 A-004, K-012, C-001, P-002, 0,15% `Support(K-002) = Σ1/Σ20 * 100 %
7 B-017 Buku Tulis Isi 20 Lembar pcs 007/III/21 B-011, P-012, M-006 = 0,05%
A-004, K-012, P-004, B-014
Support (B-011) = Σ3 / Σ20 ^100% =
8 B-018 Buku Tulis Isi 32 Lembar pcs 008/III/21
9 C-001 Correction Pen Pentel pcs 009/III/21 A-001, K-012, C-001, P-002, B-014
10 G-001 Gunting K 200 Gurindo pcs 010/III/21 B-015, C-001, P-002, B-014 0.15% Support (G-001) = Σ2/Σ20 * 100 %
11 G-002 Gunting K 400 Gurindo pcs 011/III/21 B-017, M-006, P-004, P-012, K-012 =0,10%
Era Print 200 lembar
12 K-002 Kertas Foto A4 lembar 012/III/21 K-005, G-001, M-006, P-002,K-012 Support(B-015)=Σ1/Σ20^100%=0.05%
13 K-005 Kertas HVS Folio 60 gram lembar 013/III/21 M-006, P-012, B-017 Support (C-001) = Σ8 /Σ20 * 100 % =40%
P-012, K-012, B-017
14
15
K-008 Kertas HVS
K-012 Kertas Bergaris
Kwarto 60 gram
Double Folio
Rim
pcs
014/III/21
015/III/21 A-004, K-012, P-004, B-014
Support (K-005) = Σ2/ Σ20 ^100% =
16 M-002 Map Biasa Folio pcs 016/III/21 K-005, K-012, M-006, P-012 0.10% Support (P-002) = Σ8 /Σ20 * 100 %
17 M-006 Mistar Plastik 60 cm ( butterfly ) pcs 017/III/21 P-004, C-001, B-017. P-012 =40%
B-017, B-011, M-006, C-001
18
19
M-009 Mistar Segitiga
M-010 Mistar Segitiga
No. 10 ( butterfly )
No. 8 ( butterfly )
Set
Set
018/III/21
019/III/21 P-018, M-006, K-012, B-017, B-014
Support (M-006) = Σ9/ Σ20 ^100% = 45%
20 P-002 Pulpen Faster C6 Biru / Hitam pcs 020/III/21 A-001, K-012, P-004, B-014 Support (K-012) = Σ10/Σ20 * 100 % =50%
Zebra / Hitam-Biru-
21 P-004 Pulpen Zebra size 0.5 Merah pcs
22 P-006
Pulpen JOYKO Gel Pen -
Pena jel 330 Joyko/ Hitam-Biru pcs
Tabel 3. Frekuensi itemset dengan nilai
23 P-010 Pulpen Gel Kokoro Zebra pcs support >35%.
24 P-012 Pensil 2b Faber Castell Faber Castell pcs
Item Frekuensi Proses Support Support
Pensil Warna Chnone
25 P-017 Dm – 4518 18 W Chnone Box A-001 4 4/20*100% 0,5%
Pensil Warna Faber
A-004 3 3/20*100% 0,15%
26 P-018 Castell Classic Pdk 12w Faber Castell Box
27 S-001 Spidol 12 warna Melody Box B-001 2 2/20*100% 0,1%
28 S-002 Spidol Whiteboard Snowman pcs B-011 3 3/20*100% 0,15%
29 S-006 Stip 2B putih Snowman pcs B-014 8 8/20*100% 40%
B-015 1 1/20*100% 0,05%
4.2.FP-Growth B-017 8 8/20*100% 40%
C-001 8 8/20*100% 40%
Setelah FP-Tree terbentuk, maka
G-001 2 2/20*100% 0,1%
langkah selanjutnya adalah tahap pem- K-002 1 1/20*100% 0,05%
bangkitan conditional pattern base, tahap K-005 2 2/20*100% 0,10%
pembangkitan conditional FP-Tree, dan K-008 1 1/20*100% 0,05%
K-012 10 10/20*100% 50%
tahap pencarian frequent item set. Pada M-006 9 9/20*100% 45%
tabel 2 menunjukkan bahwa data sampel P-002 8 8/20*100% 40%
dataset transaksi penjualan peralatan ATK. P-004 8 8/20*100% 40%
P-012 8 8/20*100% 40%
Setelah terdapat data transaksi yang sudah
P-018 1 1/20*100% 0,05%
diketahui, maka selnjutnya dilakukan untuk
menentukan frekuensi kemunculan dari Setelah melakukan tahap pada per-
data setiap itemset yang ada dengan nilai hitungan mencari frekuensi kemunculan
support >35% dari 20 data transaksi setiap itemset telah diketahui produk
249
dengan nilai support count >35%. Dimana 4.4.2. Activity Diagram
ada item yang tidak memenuhi syarat Activity diagram merupakan suatu
bentuk flow diagram yang memodelkan
4.3.Mengurutkan Dataset berdasaklan alur kerja (workflow) sebuah proses bisnis
prioritas dan urutan aktivitas sebuah proses.
Mendata kemunculan pada item
berdasarkan frequent tertinggi, setelah a. Activity Diagram Login
dilakukan pengurutan item dengan nilai Use case Login menjaga sistem
support >35%. Berikut ini dapat dilihat supaya aman dari orang-orang yang tidak
pada tabel 4. memiliki hak akses terhadap sistem.
Dengan kata lain Login menjadi kunci bisa
Tabel 4. Transaksi yang memenuhi syarat atau tidaknya seseorang untuk memasuki
support count 35% dan telah diurutkan sistem ini. Activity Dia-gram Login seperti
Item Frequent itemset Support ditunjukkan pada Gambar 2
K-012 10 50%
M-006 9 45%
B-014 8 40%
B-017 8 40%
C-001 8 40%
P-002 8 40%
P-004 8 40%
P-012 8 40%
250
diagram hasil proses perangkingan ditujuk-
kan pada Gambar 5.
251
a. Diagram Sequence untuk Login c. Sequence Diagram Data ATK
Sequence diagram login, pertama Sequence diagram data ATK,
admin memasukkan username dan pass- pertama admin memilih menu data ATK
word untuk masuk ke menu utama. lalu mengimport data kmudian tersimpan
Selanjutnya sistem menjalankan perintah di tabel data. Untuk lebih jelasnya terlihat
Login dan melakukan validasi username pada Gambar 9.
dan password. Jika login valid maka admin
akan masuk ke halaman utama, jika login
tidak valid maka sistem akan menampilkan
sistem error kepada admin Gambar
Sequence Diagram Login ditunjukkan pada
Gambar 7.
252
.Gambar 11. Diagram Sequence untuk Gambar 13. Tampilan untuk Menu Utama
Proses FP-Growth
3. Form Halaman Data ATK
4.5. Tampilan Menu Program Ketika admin memilih menu Data
1. Tampilan menu login ATK maka akan muncul tampilan
Form Halaman Login merupakan pada Gambar 14.
tampilan awal yang muncul yang
berisi autentifikasi username dan
password .
253
5. Form Halaman Proses FP-Growth melakukan Frequent itemsset dengan
Tampilan halaman proses FP-Growth menghasilkan rule dari data penjualan
dapat dilihat pada Gambar 16. ATK
2. Dalam mengimplementasikan algorit-
ma FP-Growth pada aplikasi prediksi
persediaan ATK dapat dilihat dari
banyaknya item yang terjual dan
untuk mengetahui banyaknya frequent
itemset yang terjadi.
3. Algoritma FP-Growth dapat diterap-
kan untuk mendukung strategi pen-
jualan ATK pada Koperasi Sekolah
Bina Mulia sehingga pihak manajemen
dapat melakukan pengambilan
keputusan dengan cepat.
Gambar 16. Tampilan untuk Proses FP-
Growth
Ucapan Terima Kasih
Terima Kasih Untuk LPPM yang sudah
5. Kesimpulan
Mendanai Penelitian internal sehingga pe-
Berdasarkan pembahasan yang telah
nelitian ini bisa diselesaikan. Terima kasih
diuraikan sebelumnya maka dapat di-
juga Kepada Kaprodi dan Staf Universitas
simpulkan:
Suryadarma yang telah memberikan ke-
1. Metode dalam pencarian Frequent
mudahan untuk dapat mempublish artikel
itemsset menggunakan algoritma FPG
kami.
growth bekerja sangat baik dalam
DAFTAR PUSTAKA
Fatmawati. (2016). PERBANDINGAN ALGORITMA KLASIFIKASI DATA
MININGMODEL C4.5 DAN NAIVE BAYES UNTUK PREDIKSI PENYAKIT
DIABETES. Jurnal Techno Nusa Mandiri, 13 (1), 50-59. Retrieved from
https://ejournal.nusamandiri.ac.id/index.php/techno/article/view/217
254
Maulana, H. (2016). ANALISIS DAN PERANCANGAN SISTEM REPLIKASI DATABASE
MYSQL DENGAN MENGGUNAKAN VMWARE PADA SISTEM OPERASI
OPEN SOURCE. Jurnal Nasional Informatika dan Teknologi Jaringan, 1 (1), 32-37.
doi:http://dx.doi.org/10.30743/infotekjar.v1i1.37
Rahadiyan, A., Wardani, N., Rokhmawati, R. (2018). Analisis dan Perancangan Sistem
Informasi Penjualan dan Persediaan Barang Pada Gudang Pada CV. KAJEYEFOOD.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2 (6), 2334-2342.
Retrieved from https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/1636
Suhada, S., Ratag, D., Gunawan, Wintana, D., Hidayatulloh, T. (2020). Penerapan Algoritma
FP-Growth Untuk Menentukan Pola Pembelian Konsumen Pada AHASS Cibadak.
JURNAL SWABUMI, 8 (2), 118-126. doi:https://doi.org/10.31294/swabumi.v8i2.8077
Susanti, M., Jefi. (2018). Prediksi Pengangkatan Karyawan Kontrak Menjadi Karyawan Tetap
Menggunakan. Jurnal Bianglala Informatika, 6 (1), 73-79.
doi:https://doi.org/10.31294/bi.v6i1.5909.g3297
Wijaya, H.D., Dwiasnati, S. (2020). Implementasi Data Mining dengan Algoritma Naïve
Bayes. JURNAL INFORMATIKA, 7 (1), 1-7. doi:DOI:
https://doi.org/10.31294/ji.v7i1.6203
255
256