KeTIK 2015

Konferensi Nasional Pengembangan Teknologi Informasi dan Komunikasi

DATA MINING PENGOLAHAN DATA SUKU CADANG MOTOR

DENGAN TEKNIK ASSOCIATION RULE
DAN ALGORITMA APRIORI
Muhammad Dahria#1, Hendra Jaya #2, Muhammad Ikhsan #3
#1
Sistem Informasi, STMIK-Triguna Dharma,#3Sistem Informasi, STMIK-Triguna Dharma,#3Fakultas
Ekonomi dan Bisnis Islam, UIN Sumatera Utara,
mhd.dahria@gmail.com1 hendra.jaya@gmail.com2 mhd.ikhsan@gmail.com3

ABSTRAK
Menghadapi persaingan bisnis dan untuk meningkatkan pendapatan perusahaan, sebuah unit usaha dituntut untuk
dapat mengambil keputusan yang tepat dalam menentukan strategi penjualan dan pembelian suku cadang
sepeda motor yang akan dijual. Hal yang dibutuhkan dalam upaya tersesebut adalah ketersediaan data yang
melimpah, kebutuhan akan informasi (atau pengetahuan) sebagai pendukung pengambilan keputusan untuk
membuat solusi bisnis dan dukungan infrastruktur di bidang teknologi informasi. Maka perlu diterapkan data
mining yang dimaksudkan untuk memberikan solusi nyata bagi perusahaan dalam mengembangkan bisnis
penjualan dan pembelian suku cadang sepeda motor. Untuk mendapatkan hasil yang maksimal maka diterapkan
Association Rule yang bekerja dengan cara mencari dan menemukan pola-pola yang berasosiasi diantara produk-
produk yang dijual, misalnya menemukan bahwa barang X biasanya dibeli bersamaan dengan barang Y oleh
seorang konsumen pada suatu waktu tertentu dengan sejumlah pembelian bersama.

Kata kunci : Data Mining, Assosiation Rule, Apriori, Suku Cadang Sepeda Motor

1.Pendahuluan merupakan salah satu cara untuk melakukan data

Sebuah perusahaan yang berkembang dan
bergerak dalam bidang penjualan dan pembelian suku
cadang sepeda motor memiliki persaingan pasar yang
cukup ketat. Hal ini menuntut perusahaan dalam
menyajikan infomasi penjualan kepada konsumen
secara cepat dan tepat. Masih banyak pengolahan data
penjualan dan pembelian pada sebuah perusahaan
yang masih bersifat konvensional dan masih
menggunakan sistem pencatatan pada buku besar. Hal
ini mengakibatkan sering terjadi kesulitan dalam
pengontrolan stok barang, pembuatan laporan
penjualan dan pembelian dikarenakan membutuhkan
waktu lama dalam pencarian data.
Dalam hal memecahkan masalah pengolahan
data suku cadang sepeda motor, sebuah perusahaan
mengumpulkan informasi melalui daftar yang
berfungsi untuk menampung data, kemudian nantinya
data tersebut diolah sehingga dapat diketahui tingkat
dan volume penjualan, pembelian pada waktu
tertentu. Terkadang hasil pengolahan data dengan
cara sederhana tidak mendapatkan hasil yang efektif,
karena demikian besarnya volume data yang diolah
dan kesulitan dalam melihat asosiasi antara penjualan
yang satu dengan yang lain. Oleh karena itu
diperlukan suatu sistem pengolahan data
menggunakan data mining dengan metode
Association Rule yang bekerja dengan cara mencari
dan menemukan pola-pola yang berasosiasi diantara
produk-produk yang dipasarkan, misalnya
menemukan bahwa barang X biasanya dibeli
bersamaan dengan barang Y oleh seorang konsumen
pada suatu waktu tertentu dengan sejumlah pembelian
bersama. Teknik ini disebut juga market basket yang
mining.
Ada beberapa faktor yang mendukung dalam
menggunakan metode assosiation rule. Salah satu
faktor yang penting adalah dalam hal persediaan
barang yang memadai tanpa kelebihan dan
kekurangan. Jika perusahaan mempunyai barang
jumlah persediaan barang yang lebih banyak
dibandingkan dengan jumlah permintaan, maka
mengakibatkan kerugian biaya karena barang tersebut
tidak terjual. Sebaliknya jika perusahaan mempunyai
persediaan barang yang lebih sedikit dibandingkan
dengan jumlah permintaan, maka dapat
mengakibatkan konsumen pergi karena barang yang
ingin dibeli tidak mencukupi (opportunity loss).
Tindakan lainnya, mungkin perusahaan bisa
juga meningkatkan lagi item-item barang yang
berasosiasi tersebut. Dengan adanya data mining
terhadap data transaksi penjualannya, perusahaan
tersebut minimal mengetahui dengan lebih baik
bagaimana mereka harus meningkatkan stok suku
cadang bagi perusahaan.
2.Pengertian Data Mining
Secara sederhana data mining adalah
penambangan atau penemuan informasi baru dengan
mencari pola atau aturan tertentu dari sejumlah data
yang sangat besar. Data mining juga disebut sebagai
serangkaian proses untuk menggali nilai tambah
berupa pengetahuan yang selama ini tidak diketahui
secara manual dari suatu kumpulan data. Data
mining, sering juga disebut sebagai knowledge
discovery in database (KDD). KDD adalah kegiatan
yang meliputi pengumpulan, pemakaian data, historis

158

Konferensi Nasional Pengembangan Teknologi Informasi dan Komunikasi
untuk menemukan keteraturan, pola atau hubungan
dalam set data berukuran besar.
Menurut Fajar Astuti Hermawati (2013:3)
Data mining adalah proses yang memperkerjakan satu
atau lebih teknik pembelajaran komputer (machine
learning) untuk menganalisis dan mengekstraksi
pengetahuan (knowledge) secara otomatis.
Data mining adalah kegiatan menemukan
pola yang menarik dari data dalam jumlah besar, data
dapat disimpan dalam database, data warehouse, atau
penyimpanan informasi lainnya. Data mining
berkaitan dengan bidang ilmu-ilmu lain, seperti
database system, data warehousing, statistik, machine
learning, information retrieval, dan komputasi tingkat
tinggi. Selain itu, data mining didukung oleh ilmu
lain seperti neural network, pengenalan pola, spatial
data analysis, image database, signal processing. Data
mining didefenisikan sebagai proses menemukan
pola-pola dalam data. Proses ini otomatis atau
seringnya semi otomatis.
3.Metode Association Rule
Analisis asosiasi atau association rule
mining adalah teknik data mining untuk menemukan
aturan asosiasi anatara kombinasi item, contoh dari
aturan asosiasi dari analisa pembelian sparepart motor
pada suatu perusahaan adalah dapat diketahui berapa
besar kemungkinan seseorang membeli selang rem
cakram depan bersamaan dengan stang kemudi.
Dengan pengetahuan tersebut pemilik toko dapat
mengatur stock barang dam promosi harga barang
guna menarik konsumen sehingga meningkatkan
penjualan toko tersebut. 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 (Seni Susanto
dan Dedy Suryadi, 2010).
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.
4.Algoritma Apriori
Algoritma apriori adalah suatu algoritma
dasar yang diusulkan oleh Agrawal & 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
KeTIK 2015
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 tolak ukur, yaitu : support dan
confidence. Support (nilai penunjang) adalah
persentase kombinasi item tersebut dalam database,
sedangkan confidence (nilai kepastian) adalah
kuatnya hubungan antara-item dalam aturan asosiasi.
Algoritma apriori termasuk jenis aturan
asosiasi pada data mining. Selain apriori, yang
termasuk pada golongan ini adalah metode
Generallized Rule Induction dan algoritma hash
based.
Analisis asosiasi dikenal juga sebagai salah
satu teknik data mining yang menjadi dasar berbagai
teknik data mining lainnya. Secara khusus, salah satu
tahap analisis asosiasi yang menarik perhatian banyak
peneliti untuk menghasilkan algoritma yang efisien
adalah analisis pola frekuensi tinggi (frequent pattern
mining).
Penting tidaknya suatu aturan asosiatif dapat
diketahui dengan dua parameter, yaitu support dan
confidence. Support (nilai penunjang) adalah
persentase kombinasi item tersebut dalam database,
sedangkan confidence (nilai kepastian) adalah
kuatnya hubungan antar item dalam aturan asosiasi.
Aturan asosiasi biasanya dinyatakan dalam bentuk :
{gir set, piston}ĺ{bohlam lampu depan}
(support = 40%, confidence =50%)
Aturan tersebut berarti “50% dari transaksi
di database yang memuat item ring piston dan filter
udara juga memuat item bohlam lampu depan.
Sedangkan 40% dari seluruh transaksi yang ada di
database memuat ketiga item tersebut”.
Dapat juga diartikan “seorang konsumen
yang membeli gir set dan piston punya kemungkina
50% untuk juga membeli bohlam lampu depan
Aturan ini cukup signifikan karena mewakili 40%
dari catatan transaksi selama ini”.
Analisis asosiasi didefenisikan suatu proses
untuk menentukan semua aturan asosiasi yang
memenuhi syarat minimum untuk support (minimum
support) dan syarat minimum untuk confidence
(minimum confidence).
Metodologi dasar analisis asosiasi terbagi
menjadi dua tahap :
1. Analisis Pola Frekuensi Tinggi
Tahapan ini mencari kombinasi item yang
memenuhi syarat minimum dari nilai support dalam
database. nilai support sebuah item diperoleh dengan
rumus berikut :
support
support (A)=JT(A)/T
(A)=JT(A)/T X 100%
X 100%
keterangan :
JT(A) = jumlah transaksi yang mengandung A
T = total
159
KeTIK 2015
Konferensi Nasional Pengembangan Teknologi Informasi dan Komunikasi

Sedangkan nilai support dari 2 item Gir set, lampu belakang jupiter Z, v-belt,
9
diperoleh dari rumus 2 berikut : bohlam belakang vega, saringan udara
10 Gir depan, kabel kopling, busi sein
Gir belakang, kampas rem depan, relay
support (A,B)=P(AĺB)=JT(AĺB)/T X 100% 11
starter, bohlam belakang vega
Kabel gas, gir belakang, kampas rem depan,
keterangan : 12
ban depan xeon, kabel kopling
JT(AĺB) = jumlah transaksi yang mengandung Kabel kopling, kabel gas, kampas rem
A dan B 13
belakang
T = total Kabel spidometer, saringan udara, filter
14
udara, bohlam belakang vega
2. Pembentukan Aturan Asosiatif Kampas kopling, bohlam belakang vega,
Setelah semua pola frekuensi tinggi ditemukan, 15
saringan udara, piston, gir set
barulah dicari aturan assosiatif yang memenuhi syarat Kampas rem depan, gir depan, relay starter,
minimum untuk confidence dengan menghitung 16
gir belakang, ring piston
confidence aturan assosiatif AĺB.Nilai confidence Kampas rem belakang, v-belt, bohlam sein,
dari aturan AĺB diperoleh dari rumus berikut : 17
ban depan xeon, lampu belakang jupiter Z
Piston, filter udara, saringan udara, bohlam
18
belakang vega, kabel spidometer
confidence (A,B)=P(AĺB)=(JT(AĺB))/(JT(A)) X 100%
Relay starter, saringan udara, bohlam
19
belakang vega, gir set
keterangan : 20 Ring piston, gir set, saringan udara, piston
JT (AĺB) = jumlah transaksi yang mengandung (Sumber : CV. Radixia)
A dan B
JT = jumlah transaksi yang mengandung A 6. Pengelompokkan Daftar Produk
Berdasarkan Data Transaksi
5. Analisa Data Dengan Algoritma Apriori Dari tabel diatas terdapat 20 transaksi yang
Analisa data dilakukan setelah data masing-masing transaksi terdapat beberapa produk
terkumpul dan sesuai dengan kebutuhan sistem ini. atau itemyang dibeli oleh konsumen. Untuk itu item
Oleh karena itu, untuk menghasilkan kesimpulan yang dibeli diberikan kode produk untuk
berdasarkan aturan (rule) pada analisis data, mempermudah dalam pencarian rule (aturan) seperti
diperlukan data transaksi yang telah dibeli konsumen. tabel berikut :
Analisis data tersebut dilakukan berdasarkan teknik
aturan asosiasi menggunakan Algoritma Apriori Tabel Data Produk
dengan beberapa iterasi atau langkah-langkah. Data No Nama Produk Kode Produk
yang diambil merupakan data transaksi pembelian 1 Ban depan xeon A
produk pada Oktober 2014 di sebuah perusahaan. 2 Bohlam belakang Vega B
Data tersebut adalah data sampel dari data transaksi 3 Lampu belakang Jupiter Z C
sebanyak 20 transaksi dan dapat dilihat pada Tabel 4 v-belt D
dibawah. 5 Filter udara E
6 Saringan udara F
Tabel Data Transaksi 7 Bohlam sein G
Tran Item yang dibeli 8 Busi sein H
saksi 9 Gir set I
Ban depan xeon, v-belt, bohlam sein, bohlam 10 Gir depan J
1
belakang vega, lampu belakang jupiter Z 11 Gir belakang K
Bohlam belakang Vega, kabel spidometer, 12 Kabel gas L
2
kampas kopling, ban depan xeon, gir set 13 Kabel kopling M
Lampu belakang Jupiter Z, filter udara, 14 Kabel spidometer N
3
saringan udara, v-belt
15 Kampas kopling O
v-belt, bohlam sein, kabel gas, ban depan
4 16 Kampas rem depan P
xeon, bohlam belakang vega
17 Kampas rem belakang Q
5 Filter udara, saringan udara, ring piston
18 Piston R
Saringan udara, kabel kopling, ban depan
6 19 Relay starter S
xeon, piston
20 Ring piston T
Bohlam sein, piston, kampas rem belakang,
7
ban depan xeon, busi sein
7. Analisa Pola Frekuensi Tinggi
Busi sein, bohlam sein, lampu belakang
8 Dari tabel diatas mencari quantity (jumlah)
jupiter Z
diberikan nilai minimum Ɏ = 2 dari 20 transaksi.

160
 KeTIK 2015
Konferensi Nasional Pengembangan Teknologi Informasi dan Komunikasi

Selanjutnya menentukan jumlah kemunculan 20 Bohlam belakang Vega, Lampu 2

1 itemset dari data transaksi sebagai berikut : belakang Jupiter Z
21 Bohlam belakang Vega, v-belt 3
Tabel Jumlah Kemunculan 1 itemset 22 Bohlam belakang Vega, Filter 2
No Nama Produk Quantity udara
1 Ban depan xeon 7 23 Bohlam belakang Vega, Saringan 5
2 Bohlam belakang Vega 9 udara
3 Lampu belakang Jupiter Z 5 24 Bohlam belakang Vega, Bohlam 2
4 v-belt 5 sein
5 Filter udara 4 25 Bohlam belakang Vega, Busi sein 0
6 Saringan udara 9 26 Bohlam belakang Vega, Gir set 4
7 Bohlam sein 5 27 Bohlam belakang Vega, Gir 0
8 Busi sein 3 depan
9 Gir set 5 28 Bohlam belakang Vega, Gir 1
10 Gir depan 2 belakang
11 Gir belakang 3 29 Bohlam belakang Vega, Kabel 1
gas
12 Kabel gas 3
30 Bohlam belakang Vega, Kabel 0
13 Kabel kopling 4
kopling
14 Kabel spidometer 3
31 Bohlam belakang Vega, Kabel 3
15 Kampas kopling 2 spidometer
16 Kampas rem depan 3 32 Bohlam belakang Vega, Kampas 2
17 Kampas rem belakang 3 kopling
18 Piston 5 33 Bohlam belakang Vega, Kampas 1
19 Relay starter 3 rem depan
20 Ring piston 3 34 Bohlam belakang Vega, Kampas 0
rem belakang
Setelah mengetahui jumlah kemunculan 1 35 Bohlam belakang Vega, Piston 2
itemset kemudian dilanjutkan dengan membahas 36 Bohlam belakang Vega, Relay 3
jumlah kemunculan 2 itemset untuk lebih mudah starter
dapat dilihat dalam tabel berikut : 37 Bohlam belakang Vega, Ring 0
piston
Tabel Jumlah Kemunculan 2 itemset 38 Lampu belakang Jupiter Z, v-belt 4
No 2 itemset Qty 39 Lampu belakang Jupiter Z, Filter 1
1 Ban depan xeon, Bohlam 3 udara
belakang Vega 40 Lampu belakang Jupiter Z, 2
2 Ban depan xeon, Lampu belakang 2 Saringan udara
Jupiter Z 41 Lampu belakang Jupiter Z, 3
3 Ban depan xeon, v-belt 3 Bohlam sein
4 Ban depan xeon, Filter udara 0 42 Lampu belakang Jupiter Z, Busi 1
5 Ban depan xeon, Saringan udara 1 sein
6 Ban depan xeon, Bohlam sein 4 43 Lampu belakang Jupiter Z, Gir set 1
7 Ban depan xeon, Busi sein 1 44 Lampu belakang Jupiter Z, 0
8 Ban depan xeon, Gir set 1 Gir depan
9 Ban depan xeon, Gir depan 0 45 Lampu belakang Jupiter Z, Gir 0
10 Ban depan xeon, Gir belakang 1 belakang
11 Ban depan xeon, Kabel gas 2 46 Lampu belakang Jupiter Z, Kabel 0
12 Ban depan xeon, Kabel gas 2 gas
13 Ban depan xeon, Kabel 1 47 Lampu belakang Jupiter Z, Kabel 0
spidometer kopling
14 Ban depan xeon, Kampas kopling 1 48 Lampu belakang Jupiter Z, Kabel 0
15 Ban depan xeon, Kampas rem 1 spidometer
depan 49 Lampu belakang Jupiter Z, 0
Kampas kopling
16 Ban depan xeon, Kampas rem 2
50 Lampu belakang Jupiter Z, 0
belakang
Kampas rem depan
17 Ban depan xeon, Piston 2
51 Lampu belakang Jupiter Z, 1
18 Ban depan xeon, Relay starter 0
Kampas rem belakang
19 Ban depan xeon, Ring piston 0
52 Lampu belakang Jupiter Z, Piston 0

161
KeTIK 2015
Konferensi Nasional Pengembangan Teknologi Informasi dan Komunikasi

53 Lampu belakang Jupiter Z, Relay 0 106 Bohlam sein, Kabel spidometer 0

starter 107 Bohlam sein, Kampas kopling 0
54 Lampu belakang Jupiter Z, Ring 0 108 Bohlam sein, Kampas rem depan 0
piston 109 Bohlam sein, Kampas rem 2
55 v-belt, Filter udara 1 belakang
56 v-belt, Saringan udara 2 110 Bohlam sein, Piston 1
57 v-belt, Bohlam sein 3 111 Bohlam sein, Relay starter 0
58 v-belt, Busi sein 0 112 Bohlam sein, Ring piston 0
59 v-belt, Gir set 1 113 Busi sein, Gir set 0
60 v-belt, Gir depan 0 114 Busi sein, Gir depan 1
61 v-belt, Gir belakang 0 115 Busi sein, Gir belakang 0
62 v-belt, Kabel gas 1 116 Busi sein, Kabel gas 0
63 v-belt, Kabel kopling 0 117 Busi sein, Kabel kopling 1
64 v-belt, Kabel spidometer 0 118 Busi sein, Kabel spidometer 0
65 v-belt, Kampas kopling 0 119 Busi sein, Kampas kopling 0
66 v-belt, Kampas rem depan 0 120 Busi sein, Kampas rem depan 0
67 v-belt, Kampas rem belakang 1 121 Busi sein, Kampas rem belakang 1
68 v-belt, Piston 0 122 Busi sein, Piston 1
69 v-belt, Relay starter 0 123 Busi sein, Relay starter 0
70 v-belt, Ring piston 0 124 Busi sein, Ring piston 0
71 Filter udara, Saringan udara 4 125 Gir set, Gir depan 0
72 Filter udara, Bohlam sein 0 126 Gir set, Gir belakang 0
73 Filter udara, Busi sein 0 127 Gir set, Kabel gas 0
74 Filter udara, Gir set 0 128 Gir set, Kabel kopling 0
75 Filter udara, Gir depan 0 129 Gir set, Kabel spidometer 1
76 Filter udara, Gir belakang 0 130 Gir set, Kampas kopling 2
77 Filter udara, Kabel gas 0 131 Gir set, Kampas rem depan 0
78 Filter udara, Kabel kopling 0 132 Gir set, Kampas rem belakang 0
79 Filter udara, Kabel spidometer 2 133 Gir set, Piston 2
80 Filter udara, Kampas kopling 0 134 Gir set, Relay starter 1
81 Filter udara, Kampas rem depan 0 135 Gir set, Ring piston 1
82 Filter udara, Kampas rem 0 136 Gir depan, Gir belakang 1
belakang 137 Gir depan, Kabel gas 0
83 Filter udara, Piston 1 138 Gir depan, Kabel kopling 1
84 Filter udara, Relay starter 1 139 Gir depan, Kabel spidometer 0
85 Filter udara, Ring piston 1 140 Gir depan, Kampas kopling 0
86 Saringan udara, Bohlam sein 0 141 Gir depan, Kampas rem depan 1
87 Saringan udara, Busi sein 0 142 Gir depan, Kampas rem belakang 0
88 Saringan udara, Gir set 4 143 Gir depan, Piston 0
89 Saringan udara, Gir depan 0 144 Gir depan, Relay starter 1
90 Saringan udara, Gir belakang 0 145 Gir depan, Ring piston 1
91 Saringan udara, Kabel gas 0 146 Gir belakang, Kabel gas 1
92 Saringan udara, Kabel kopling 1 147 Gir belakang, Kabel kopling 1
93 Saringan udara, Kabel spidometer 2 148 Gir belakang, Kabel spidometer 0
94 Saringan udara, Kampas kopling 1 149 Gir belakang, Kampas kopling 0
95 Saringan udara, Kampas rem 0 150 Gir belakang, Kampas rem depan 3
depan 151 Gir belakang, Kampas rem 0
96 Saringan udara, Kampas rem 0 belakang
belakang 152 Gir belakang, Piston 0
97 Saringan udara, Piston 4 153 Gir belakang, Relay starter 2
98 Saringan udara, Relay starter 2 154 Gir belakang, Ring piston 1
99 Saringan udara, Ring piston 2 155 Kabel gas, Kabel kopling 2
100 Bohlam sein, Busi sein 2 156 Kabel gas, Kabel spidometer 0
101 Bohlam sein, Gir set 0 157 Kabel gas, Kampas kopling 0
102 Bohlam sein, Gir depan 0 158 Kabel gas, Kampas rem depan 1
103 Bohlam sein, Gir belakang 0 159 Kabel gas, Kampas rem belakang 1
104 Bohlam sein, Kabel gas 1 160 Kabel gas, Piston 0
105 Bohlam sein, Kabel kopling 0 161 Kabel gas, Relay starter 0

162
 KeTIK 2015
Konferensi Nasional Pengembangan Teknologi Informasi dan Komunikasi

162 Kabel gas, Ring piston 0 Tabel L1 (Large 1-itemset)

163 Kabel kopling, Kabel spidometer 0 No Pola Kombinasi 2 Qty Support 100%
164 Kabel kopling, Kampas kopling 0 itemset AnB
165 Kabel kopling, Kampas rem 0 Ban depan xeon,
depan 1 Bohlam belakang 3 0.15 15%
166 Kabel kopling, Kampas rem 1 Vega
belakang Ban depan xeon,
167 Kabel kopling, Piston 1 2 Lampu belakang 2 0.1 10%
168 Kabel kopling, Relay starter 0 Jupiter Z
169 Kabel kopling, Ring piston 0 Ban depan xeon, v-
3 3 0.15 15%
170 Kabel spidometer, Kampas 1 belt
kopling Ban depan xeon,
4 4 0.2 20%
171 Kabel spidometer, Kampas rem 0 Bohlam sein
depan Ban depan xeon,
5 2 0.1 10%
172 Kabel spidometer, Kampas rem 0 Kabel gas
belakang Ban depan xeon,
6 2 0.1 10%
173 Kabel spidometer, Piston 1 Kabel gas
174 Kabel spidometer, Relay starter 1 Ban depan xeon,
175 Kabel spidometer, Ring piston 0 7 Kampas rem 2 0.1 10%
176 Kampas kopling, Kampas rem 0 belakang
depan Ban depan xeon,
8 2 0.1 10%
177 Kampas kopling, Kampas rem 0 Piston
belakang Bohlam belakang
178 Kampas kopling, Piston 1 9 Vega, Lampu 2 0.1 10%
179 Kampas kopling, Relay starter 0 belakang Jupiter Z
180 Kampas kopling, Ring piston 0 Bohlam belakang
10 3 0.15 15%
181 Kampas rem depan, Kampas rem 0 Vega, v-belt
belakang Bohlam belakang
11 2 0.1 10%
182 Kampas rem depan, Piston 0 Vega, Filter udara
183 Kampas rem depan, Relay starter 2 Bohlam belakang
184 Kampas rem depan, Ring piston 1 12 Vega, Saringan 5 0.25 25%
udara
185 Kampas rem belakang, Piston 1
Bohlam belakang
186 Kampas rem belakang, Relay 0 13 2 0.1 10%
Vega, Bohlam sein
starter
Bohlam belakang
187 Kampas rem belakang, Ring 0 14 4 0.2 20%
Vega, Gir set
piston
Bohlam belakang
188 Piston, Relay starter 0
15 Vega, Kabel 3 0.15 15%
189 Piston, Ring piston 0
spidometer
190 Relay starter, Ring piston 1
Bohlam belakang
16 Vega, Kampas 2 0.1 10%
Berdasarkan tabel diatas berisi item-item dengan kopling
quantity yang dimilikinya, selanjutnya cari L1 =
Bohlam belakang
{Large 1-itemset } dengan memilih item yang 17 2 0.1 10%
Vega, Piston
memenuhi nilai minimum support 20% seperti pada
Bohlam belakang
tabel 3.5 kemudian dilakukan pencarian nilai support 18 3 0.15 15%
Vega, Relay starter
pada masing-masing item dengan rumus :
Lampu belakang
19 4 0.2 20%
Jupiter Z, v-belt
‫ݐݎ݋݌݌ݑݏ‬
—ŽƒŠ”ƒ•ƒ•‹‡‰ƒ†—‰†ƒ Lampu belakang
ൌ šͳͲͲΨ 20 Jupiter Z, Saringan 2 0.1 10%
‘–ƒŽ”ƒ•ƒ•‹ udara
Dari rumus diatas, nilai support diperoleh Lampu belakang
dengan sampel perhitungan sebagai berikut : 21 Jupiter Z, Bohlam 3 0.15 15%
sein
‫ݐݎ݋݌݌ݑݏ‬ v-belt, Saringan
—ŽƒŠ”ƒ•ƒ•‹‡‰ƒ†—‰ ‹Ž–‡”—†ƒ”ƒ†ƒ˜ െ „‡Ž–
22 2 0.1 10%
udara
ൌ šͳͲͲΨ
‘–ƒŽ”ƒ•ƒ•‹ 23 v-belt, Bohlam sein 3 0.15 15%
Sehingga, Filter udara,
ଷ 24 4 0.2 20%
‫ ݐݎ݋݌݌ݑݏ‬ൌ šͳͲͲΨ= 15% Saringan udara
ଶ଴

163
KeTIK 2015
Konferensi Nasional Pengembangan Teknologi Informasi dan Komunikasi

Filter udara, Kabel ܿ‫ ݂݁ܿ݊݁݀݅݊݋‬ൌ ሺ ՜ ሻ

25 2 0.1 10% —ŽƒŠ”ƒ•ƒ•‹‡‰ƒ†—‰ ‹Ž–‡”—†ƒ”ƒ†ƒ˜ െ „‡Ž–
spidometer ൌ šͳͲͲΨ
—ŽƒŠ”ƒ•ƒ•‹‡‰ƒ†—‰
Saringan udara, Gir
26 4 0.2 20% Sehingga,
set ଷ
ܿ‫ ݂݁ܿ݊݁݀݅݊݋‬ൌ šͳͲͲΨ ൌ ͶʹǤͺͷ
Saringan udara, ଻
27 2 0.1 10%
Kabel spidometer
Saringan udara, Tabel L2 Dengan Nilai Confidence
28 4 0.2 20% Confidence
Piston No itemset (X-Y)
Saringan udara, AŀB/A*100 %
39 2 0.1 10% Ban depan xeon,
Relay starter 1 4/7*100% 57,14%
Saringan udara, Bohlam sein
30 2 0.1 10% bohlam sein, ban
Ring piston 2 4/5*100% 80%
Bohlam sein, Busi depan xeon
31 2 0.1 10% Bohlam belakang
sein 3 5/9*100% 55,55%
Bohlam sein, Vega, Saringan udara
32 Kampas rem 2 0.1 10% saringan udara,
belakang 4 bohlam belakang 5/9*100% 55,55%
Gir set, Kampas vega
33 2 0.1 10% Bohlam belakang
kopling 5 4/9*100% 44,44%
34 Gir set, Piston 2 0.1 10% Vega, Gir set
Gir belakang, gir set, bohlam
35 3 0.15 15% 6 4/5*100% 80%
Kampas rem depan belakang vega
Gir belakang, Relay Lampu belakang
36 2 0.1 10% 7 4/5*100% 80%
starter Jupiter Z, v-belt
Kabel gas, Kabel v-belt, lampu
37 2 0.1 10% 8 4/5*100% 80%
kopling belakang jupiter Z
Kampas rem depan, Filter udara, Saringan
38 2 0.1 10% 9 5/5*100% 100%
Relay starter udara
Saringan udara, filter
10 4/9*100% 44,44%
Tabel L1 (Large 1-itemset) Dengan Nilai Support udara
Support Saringan udara, Gir
No itemset (X-Y) 11 4/9*100% 44,44%
AŀB/T*100% % set
Ban depan xeon, gir set, saringan
1 4/20*100 20% 12 4/5*100% 80%
Bohlam sein udara
Bohlam belakang Saringan udara,
2 5/20*100 25% 13 4/9*100% 44,44%
Vega, Saringan udara Piston
Bohlam belakang piston, saringan
3 4/20*100 20% 14 4/5*100% 80%
Vega, Gir set udara
Lampu belakang
4 4/20*100 20% Selanjutnya dimisalkan nilai minimum
Jupiter Z, v-belt
confidence = 50%, maka aturan asosiasi yang
Filter udara, Saringan
5 4/20*100 20% mungkin terbentuk sebagai berikut :
udara
6 Saringan udara, Gir set 4/20*100 20%
Tabel Aturan Asosiasi (Association Rule)
7 Saringan udara, Piston 4/20*100 20%
Pola Kombinasi Confid Support x
No Support
2 Itemset ence Confidence
8. Pembentukan Aturan Asosiasi (Association Ban depan xeon,
Rule) 1
Bohlam sein 20% 57,14% 11,42%
Untuk mencari aturan asosiasi dari intensi Bohlam belakang
terhadap langkah-langkah yang dilakukan 2 Vega, Saringan
sebelumnya, kemudian akan dihitung nilai confidence udara 25% 55,56% 13,9%
dari setiap item yang terdapat pada L1 berdasarkan Bohlam belakang
3
rumus berikut : Vega, Gir set 20% 44,44% 8,9%
Lampu belakang
4
ܿ‫ ݂݁ܿ݊݁݀݅݊݋‬ൌ ሺ ՜ ሻ Jupiter Z, v-belt 20% 80% 16%
—ŽƒŠ”ƒ•ƒ•‹‡‰ƒ†—‰†ƒ Filter udara,
ൌ šͳͲͲΨ 5
Saringan udara 25% 100% 25%
—ŽƒŠ”ƒ•ƒ•‹‡‰ƒ†—‰
Saringan udara,
6
Gir set 20% 44,44% 8,9%
Dari rumus diatas, nilai confidence diperoleh Saringan udara,
dengan sampel perhitungan sebagai berikut : 7
Piston 20% 44,44% 8,9%

164
 KeTIK 2015
Konferensi Nasional Pengembangan Teknologi Informasi dan Komunikasi

Dari tahap-tahap yang telah dilakukan diatas, 9.Flowchart Program

maka item yang memenuhi support x confidence Adapun flowchart program algoritma apriori
terbesar dan minimum confidence = 50% pada tabel dapat di lihat pada gambar berikut ini :
diatas, sehingga berdasarkan aturan asosiasi yang
terbentuk maka diambil kesimpulan sebagai berikut : Flowchart Frekuensi 1-Itemset
1. { Ban depan xeon, Bohlam sein }: support 20%,
artinya 20% dari semua transaksi yang dianalisis
menunjukkan bahwa Ban depan xeon, Bohlam
sein dibeli bersamaan, sedangkan confidence
57,14% menyatakan kepercayaan atau dapat
dikatakan jika seorang membeli ban depan xeon
maka terdapat 57,14% kemungkinan dia akan
membeli bohlam sein juga.
2. { Bohlam belakang Vega, Saringan udara }:
support 20%, artinya 20% dari semua transaksi
yang dianalisis menunjukkan bahwa Bohlam
belakang Vega, Saringan udara dibeli bersamaan,
sedangkan confidence 55,56% menyatakan
kepercayaan atau dapat dikatakan jika seorang
membeli lampu bohlam belakang vega maka
terdapat 55,56% kemungkinan dia akan membeli
saringan udara.
3. { Bohlam belakang Vega, Gir set }: support 20%,
artinya 20% dari semua transaksi yang dianalisis
menunjukkan bahwa Bohlam belakang Vega, Gir
set dibeli bersamaan, sedangkan confidence 44.44%
menyatakan kepercayaan atau dapat dikatakan
jika seorang membeli bohlam belakang vega
maka terdapat 44.44% kemungkinan dia akan Flowchart Frekuensi 2-Itemset
membeli gir set juga.
4. { Lampu belakang Jupiter Z, v-belt }: support
20%, artinya 20% dari semua transaksi yang
dianalisis menunjukkan bahwa v dibeli bersamaan,
sedangkan confidence 80% menyatakan
kepercayaan atau dapat dikatakan jika seorang
membeli lampu belakang jupiter Z maka terdapat
80% kemungkinan dia akan membeli v-belt juga.
5. { Filter udara, Saringan udara }: support 25%,
artinya 25% dari semua transaksi yang dianalisis
menunjukkan bahwa filter udara dan saringan
udara dibeli bersamaan, sedangkan confidence
100% menyatakan kepercayaan atau dapat
dikatakan jika seorang membeli filter udara maka
terdapat 100% kemungkinan dia akan membeli
saringan udara juga.
6. { Saringan udara, Gir set }: support 20%, artinya
20% dari semua transaksi yang dianalisis
menunjukkan bahwa Saringan udara, Gir set
dibeli bersamaan, sedangkan confidence 44.44%
menyatakan kepercayaan atau dapat dikatakan
jika seorang membeli saringan udara maka
terdapat 44.44% kemungkinan dia akan membeli
gir set juga.
7. { Saringan udara, Piston }: support 20%, artinya
20% dari semua transaksi yang dianalisis
menunjukkan bahwa Saringan udara, Piston,
sedangkan confidence 44.44% menyatakan
kepercayaan atau dapat dikatakan jika seorang 10.Pengujian
membeli saringan udara maka terdapat 44.44% Hasil pengujian dari Data Mining aturan
kemungkinan dia akan membeli piston juga. asosiasi untuk analisa Association Rule pada aplikasi

165
KeTIK 2015
Konferensi Nasional Pengembangan Teknologi Informasi dan Komunikasi
Rapid miner 6.0 ini menunjukkan bahwa hasil
perhitungan manual dengan menggunakan algoritma
Apriori dengan hasil proses pada Rapid miner 6.0
sama dan laporan yang diharapkan mampu membantu
memberikan keputusan bagi CV. Radixia dalam
menyusun keranjang barang/rak untuk sparepart yang
lebih sering di beli oleh konsumen dan menjadi bahan
pertimbangan bagi CV. Radixia dalam persediaan
suku cadang motor untuk kelangsungan usahanya.
Hasil dari keluaran asosiasi sebanyak 20 transaksi
dapat dilihat pada gambar berikut :
Gambar Output Association Rule
8.Kesimpulan
Berdasarkan penelitian yang dilakukan
mengenai perancangan dan implementasi penerapan
data mining untuk mengolah penempatan sparepart
166
dan stock sparepart dengan teknik Association Rule,
maka didapat beberapa kesimpulan sebagai berikut :
1. Penerapan data mining untuk mengolah
penempatan sparepart dan Stock sparepart dapat
dilakukan dengan mengelompokkan sparepart
yang mempunyai asosiasi antar produk dan dapat
dimanfaatkan oleh perusahaan, sehingga
perusahaan dapat menganalisis buying habits
(kebiasaan membeli).
2. Dengan menerapkan teknik Association rule
pada data mining, toko/perusahaan yang bergerak
dibidang penjualan, dapat mengetahui produk
yang paling sering dibeli oleh konsumen.
3. Dengan algoritma Apriori yang diterapkan maka
konsumen dengan mudah mencari produk yang
diinginkan.
Daftar Pustaka
Prasetyo, Eko. (2012). Data Mining : Konsep dan
Aplikasi Menggunakan Matlab(edisi 1).
Yogyakarta: Andi.
Rezqiwati. (April 2009). Data Mining - Proses,
Tahapan dan Penerapannya. h.5-7. Ditemukenali
10 Maret 2015, dari
https://rezqiwati.wordpress.com/2009/04
Hendrayudi. (2010). Dasar-Dasar Pemrograman:
Microsoft Visual Basic 2008(edisi1). Bandung:
Satu Nusa.
Hermawati, Fajar Astuti. (2009). Data Mining.
Yogyakarta: Andi.
Santosa, Budi. (2007). Data Mining : Teknik
Pemanfaatan Data Untuk KeperluanBisnis Teori
dan Aplikasi (edisi 1). Yogyakarta: Graha Ilmu.
Prasetyo, Eko. (2014). Data Mining : Mengolah Data
Mining Menjadi InformasiMenggunakan Matlab
(edisi 1). Yogyakarta: Andi.