Data Transaksi Penjualan xlsx

  
Berikut tahapan-tahapan dari perhitungan menggunakan pemrograman python untuk
mengesekusi perhitungan pada program :
1. Buka Google Colaboratory lalu Install Library yang dibutuhkan :

2. # Menginstall Library
3. !pip install pandas
4. !pip install numpy
!pip install apyori
5. Import Libary yang di butuhkan :
  

6. # Memanggil library yang dibutuhkan

7. import pandas as pd
8. import numpy as np
from apyori import apriori
9. Persiapan Dataset
Pada langkah ini akan memasukan data transaksi dengan dataset yang sudah
disiapkan pada file excel (.xlsx) data transaksi penjualan.

10. # Load data Google Colab ( File Excel pada Google Drive)
11. df= pd.read_excel('drive/MyDrive/Skripsi/dataset_2021-06-
10.xlsx')
df.head()

Proses ini membaca file excel mengunakan library pandas. Dimana

nama file excel yang di gunakan adalah dataset_2021-06-10.xlsx, file
ini di simpan 1 folder dengan lokasi script yang sedang kita jalankan,
jika sudah berhasil maka akan muncul tabel dari data tersebut.
     

12. Cleaning Data

Pada langkah ini kita akan melakukan cleaning data  dimana kolom yang tidak
diperlukan seperti tanggal, dan id transaksi, kita hanya memerlukan kolom items
yang adanya pola transaksi items.

13. # Membuang kolom Tanggal, ID Transaksi

data=df.drop(['Tanggal','ID Transaksi'],axis=1)

14. Data Training

Pada langkah ini kita akan training dataset menjadi data training agar dapat
diolah dengan format array seperti berikut ini :

15. # Membuat list dalam list dari transaksi pembelian barang

16. records = []
17. for i in range(data.shape[0]):
18. records.append([str(data.values[i,j]).split(',') for j in
range(data.shape[1])])
19.
20. trx = [[] for trx in range(len(records))]
21. for i in range(len(records)):
22. for j in records[i][0]:
23. trx[i].append(j)
trx
Hasil Screenshoot :
      
24. Lakukan Perhitungan Apriori
Selanjutnya adalah membuat variabel dimana terdiri dari beberapa barang yang
sering / terbeli dari seluruh transaksi menggunakan perintah apriori.

25. # Menggunakan fungsi apriori untuk membuat asosiasi

26. association_rules = apriori(trx, min_support=0.14,
min_confidence=0.80,min_lift=1)
27. # Membuat list hasil dari algoritma apriori
association_results = association_rules
Dimana perintah yang di gunakan adalah apriori, dengan data dari
data training berbentuk array dengan minimum nilai support 0.14 /
14%, dan minimum confidence 0.80 / 80%.
28. Menampilkan Hasil Perhitungan

29. # Menampilkan hasil asosiasi dari item

30. pd.set_option('max_colwidth', 1000)
31. Result=pd.DataFrame(columns=['Rule','Support','Confidence'])
32. for item in association_results:
33. pair = item[2]
34. for i in pair:
35. items = str([x for x in i[0]])
36. if i[3]!=1:
37. Result=Result.append({
 38. 'Rule':str([x for x in i[0]])+ " -> " +str([x
for x in i[1]]),
39. 'Support':str(round(item[1]*100,2))+'%',
40. 'Confidence':str(round(i[2] *100,2))+'%'
41. },ignore_index=True)
Result
Hasil Screenshoot :

     
Kesimpulan :
Lalu kesimpulan kita ambil dari penerapan Association Rule menggunakan Algoritma
Apriori dari hasil percobaan dari menggunakan pemrograman python dari 102 data
transaksi penjualan adalah sebagai berikut ini :
1. Jika membeli Alat Linting Kecil Regular maka akan juga membeli Buffalo
Baret dengan memiliki confidence atau tingkat kepercayaan sebesar 83.33%.
2. Jika membeli Lem V-tro kecil 10gr maka akan juga membeli Buffalo
Baret dengan memiliki confidence atau tingkat kepercayaan sebesar 88.0%.