Prosiding SENATIK 2017 – STMIK Eresha, No. ISBN: ….

PERBANDINGAN ANALISA MARKET BASKET TERHADAP DATA

PENJUALAN MINIMARKET DENGAN ALGORITMA APRIORI,
FP-GROWTH, DAN FUZZY C-COVERING

Rifky Novrian Kahar

Program Studi Teknik Informatika
Program Pascasarjana Magister Komputer
Sekolah Tinggi Manajemen Informatika dan Komputer ERESHA
Jl. Raya Puspitek No.10, Serpong - Tangerang Selatan

*Email: rifkynovrian@gmail.com

ABSTRAK

PERBANDINGAN ANALISA MARKET BASKET TERHADAP DATA PENJUALAN MINIMARKET

DENGAN ALGORITMA APRIORI, FP-GROWTH, DAN FUZZY C-COVERING. Perkembangan teknologi
informasi saat ini berdampak pada peningkatan jumlah data yang sangat banyak. Sedangkan disisi lain,
perkembangan zaman juga memacu manusia untuk dapat melakukan pengolahan data dengan semakin
cepat dan efisien. Contohnya adalah proses data mining yang terus dikembangkan dengan tujuan berusaha
untuk memperbaiki efisiensi pengolahan dan penggalian data. Data mining mampu menganalisa data yang
besar untuk kemudian menghasilkan suatu informasi berupa pola yang mempunyai arti bagi pendukung
keputusan. Salah satu teknik data mining yang sering digunakan adalah association data mining atau yang
biasa disebut dengan istilah market basket analysis. Market basket analysis merupakan salah satu proses
data mining untuk menemukan pola dan aturan (rule) dari sekumpulan data yang besar. Pola-pola ini
merupakan kumpulan item (itemset) yang sering muncul secara bersamaan (frequent itemset) dalam traksaksi
pada basis data. Algoritma Apriori, Frequent Pattern Growth (FP-Growth), dan Fuzzy C-Covering merupakan
beberapa algoritma yang dapat digunakan pada teknik mining market basket analysis. Dalam penelitian ini
penulis mengimplementasikan proses pencarian frequent itemset dengan algoritma Apriori, FP-Growth, dan
Fuzzy C-Covering, serta memaparkan hasil analisis perbandingan kinerjanya menggunakan beberapa
parameter nilai support, guna menentukan algoritma terbaik untuk digunakan dalam mencari pola keterkaitan
antar item pada transaksi penjualan minimarket Indomaret. Hasil penelitian menunjukkan algoritma FP-
Growth mampu melakukan proses mining data dengan waktu yang paling cepat. Jumlah rule yang dihasilkan
ketiga algoritma tersebut berbanding terbalik dengan nilai minimum support yang diberikan.

Kata kunci: data mining, market basket analysis, Apriori, Frequent Pattern Growth, Fuzzy C-Covering

ABSTRACT

COMPARISON OF MARKET BASKET ANALYSIS TO MINIMARKET SALES DATA WITH

APRIORI ALGORITHM, FP-GROWTH, AND FUZZY C-COVERING. The development of information
technology today has an impact on the increasing a lot of data amount. While on the other hand, the era
development also push people to be able to perform data processing more quickly and efficiently. The
example is the data mining process that continues to developed with the aim of trying to improve the efficiency
of processing and extracting data. Data mining is able to analyze large data for later generate an information
in the form of a pattern that has meaning for decision support. One of the data mining techniques that are
often used is association data mining or commonly referred to as market basket analysis. Market basket
analysis is one of the data mining process to find patterns and rules of a large set of data. These patterns is a
collection of items (itemsets) that often appear simultaneously (frequent itemset) in transactions on the
database. Apriori Algorithm, Frequent Pattern Growth (FP-growth), and Fuzzy C-Covering are some
algorithms which can be used in market basket analysis mining techniques. In this research, the writer
implements the process of frequent itemset search with Apriori algorithm, FP-Growth, and Fuzzy C-Covering,
also explain the results of comparative performance analysis using several parameters of support value in
order to determine the best algorithm to be used in searching pattern of interconnection between items on sale
transaction minimarket indomaret. The results show that FP-Growth algorithm is able to perform the data
mining process with the fastest time. Number of rules generated from the three algorithms is inversely with the
minimum value of support provided.

Keywords: data mining, market basket analysis, Apriori, Frequent Pattern Growth, Fuzzy C-Covering
1. PENDAHULUAN asosiasi yang dihasilkan oleh masing-masing
algoritma akan dievaluasi dan dianalisa guna
Perkembangan teknologi informasi menemukan algoritma yang paling baik dan
telah memberikan kontribusi pada cepatnya sesuai (best-fit algorithm) untuk
pertumbuhan jumlah data yang dikumpulkan permasalahan yang dikaji dalam penelitian
dan disimpan dalam basis data berukuran ini.
besar (gunung data). Dibutuhkan sebuah
metode atau teknik yang dapat merubah
gunungan data tersebut menjadi sebuah
informasi berharga atau pengetahuan 2. METODE
(knowledge) yang bermanfaat untuk Adapun pada Market Basket
mendukung pengambilan keputusan bisnis. Analysis, kerangka pemikiran yang
Suatu teknologi yang dapat digunakan untuk digunakan meliputi [8]:
mewujudkannya adalah data mining [1]. Data a. Business Understanding
mining adalah proses mencari pola atau b. Data Understanding
informasi menarik dalam data terpilih dengan c. Pemilihan Model Data Mining
menggunakan teknik atau metode tertentu d. Pemilihan Algoritma Asosiasi
[2]. Salah satu metode yang sering e. Data Preparation
digunakan dalam teknologi data mining f. Data Mining
adalah metode asosiasi atau association rule g. Evaluasi dan Analisa
mining. Di dalam bidang usaha retail metode
association rule mining ini lebih dikenal Sehingga dapat digambarkan dalam bentuk
dengan istilah analisa keranjang belanja diagram sebagai berikut:
(market basket anaysis).
Market basket analysis adalah suatu
metodologi untuk melakukan analisis buying
habit konsumen dengan menemukan
asosiasi antar beberapa item yang berbeda,
yang diletakkan konsumen dalam shopping
basket (keranjang belanja) yang dibeli pada
suatu transaksi tertentu [6].
Dalam Market basket analysis,
algoritma yang umum digunakan adalah
algoritma Apriori, tetapi disamping itu ada
juga alternatif algoritma lainnya yang dapat
digunakan, antara lain algoritma FP Growth
dan Fuzzy C-Covering [3]. Dengan
peningkatan data transaksi yang semakin
besar, maka dirasa perlu dilakukan analisa
perbandingan terhadap kinerja masing-
masing algoritma tersebut guna mencari
algoritma terbaik untuk digunakan dalam
proses data mining market basket.
Dalam penelitian ini penulis akan
mencoba untuk melakukan suatu eksperimen
terhadap data transaksi penjualan produk di Gambar 1. Kerangka pemikiran penelitian market basket
analysis
minimarket Indomaret melalui sebuah
aplikasi yang menggunakan 3 metode Pengujian dari penelitian ini
market basket analysis untuk melihat dilakukan dengan menjalankan perangkat
hubungan asosiasi (korelasi) antara sejumlah lunak dengan masing-masing algoritma
atribut penjualan. Algoritma yang akan untuk melakukan proses data mining dengan
digunakan adalah algoritma Apriori, algoritma parameter yang sama, lalu membandingkan
Frequent Pattern Growth (FP-Growth), dan hasil yang diperoleh dari proses tersebut.
Fuzzy C-Covering. Ketiga algoritma ini Informasi data transaksi penjualan yang
digunakan untuk membentuk frequent digunakan untuk pengujian adalah sebagai
itemsets yang nantinya akan dijadikan berikut :
sebagai acuan untuk merumuskan aturan- Data : Transaksi penjualan
aturan asosiasi yang dihasilkan oleh model minimarket (periode
market basket analysis. Aturan-aturan Februari 2017)
Format : Database
Jml Transaksi : 3167 transaksi
Jml Barang : 2093 barang
Pengolahan data yang dilakukan
pada penelitian ini adalah sebagai berikut:
1. Melakukan analisa data dengan
algoritma Apriori.
2. Melakukan analisa data dengan
algoritma FP-Growth.
3. Melakukan analisa data dengan
algoritma Fuzzy C-Covering.
4. Melakukan teknik analisis.
5. Evaluasi.
2.1 Algoritma Apriori
Arti Apriori secara umum adalah
anggapan atau sikap yang sudah ditentukan
sebelum (melihat,menyelidiki) terhadap
sesuatu. Algoritma Apriori merupakan
algoritma yang sangat terkenal untuk
menemukan pola frekuensi tinggi. Pola
frekuensi tinggi ini digunakan untuk
menyusun aturan assosiatif dan juga
beberapa teknik data mining lainnya. Aturan
yang menyatakan asosiasi antara beberapa
atribut sering disebut sebagai affinity analysis
atau market basket analysis [7]. Algoritma
Apriori digunakan untuk mencari frequent
itemset yang memenuhi minimum support
kemudian mendapatkan rule yang memenuhi
minimum confidence dari frequent itemset
tadi [5]. Adapun dua proses utama yang
dilakukan dalam algoritma Apriori, yaitu [10]:
1. Join
Setiap item dikombinasikan dengan item
yang lainnya sampai tidak terbentuk
kombinasi lagi
2. Prune (pemangkasan)
Hasil dari item yang telah dikombinasikan
tadi lalu dipangkas dengan menggunakan
minimum support yang telah ditentukan
user.
Bentuk algoritma dari metode Apriori dapat
dituliskan sebagai berikut [7] :
L1 = {frequent itemset with one element}
for (k=2; Lk-1 ≠Ø ; k++)
{ 2. Tahap pembangkitan conditional FP-Tree.
Ck = apriori-gen(Lk-1); //pembuatan kandidat
baru
for all transactions t
{ frequent itemset, yang dapat dilihat pada
C't = subset (Ck, t); //kandidat yang
tampil pada t
for all candidates C ϵ C’t do
c.count ++;
} frequent
Lk = { c ϵ C't | c.count ≥ minsup}
}
return U kLk;
Dimana
L : himpunan frequent itemset
minsup : minimum support
C : himpunan kandidat itemset
c : kandidat itemset
t : transaksi
2.2 Algoritma FP-Growth
FP-Growth adalah salah satu
alternatif algoritma yang dapat digunakan
untuk menentukan himpunan data yang
paling sering muncul (frequent itemset)
dalam sebuah kumpulan data. FP-Growth
menggunakan pendekatan yang berbeda
dari paradigma yang digunakan pada
algoritma Apriori [6].
Algoritma FP-Growth merupakan
pengembangan dari algoritma Apriori,
sehingga kekurangan dari algoritma Apriori
diperbaiki oleh algoritma FP-Growth. Pada
algoritma Apriori diperlukan generate
candidate untuk mendapatkan frequent
itemsets. Akan tetapi, pada algoritma FP-
Growth, generate candidate tidak dilakukan
karena FP-Growth menggunakan konsep
pembangunan tree dalam pencarian frequent
itemsets. Hal tersebutlah yang menyebabkan
algoritma FP-Growth lebih cepat dari
algoritma Apriori [6].
Karakteristik algoritma FP-Growth
yaitu struktur data yang digunakan adalah
tree yang disebut dengan FP-Tree. Dengan
menggunakan FP-Tree, algoritma FP-Growth
dapat langsung mengekstrak frequent
itemset dari FP-Tree.
Penggalian itemset yang frequent
dengan menggunakan algoritma FP-Growth
akan dilakukan dengan cara membangkitkan
struktur data tree atau disebut dengan FP-
Tree. Metode FP-Growth dapat dibagi
menjadi 3 tahapan utama, yaitu sebagai
berikut [9]:
1. Tahap pembangkitan conditional pattern
base.
3. Tahap pencarian frequent itemset.
Ketiga tahap tersebut merupakan langkah
yang akan dilakukan untuk mendapatkan
algoritma berikut:
Input : FP-Tree Tree
Output : Rt sekumpulan lengkap pola
Method : FP-Growth (Tree, null)
Procedure : FP-Growth (Tree, α)
{ Setiap crisp element dari data I juga
01 : if Tree mengandung single path P;
02 : then untuk tiap kombinasi (dinotasikan
β) dari node-node dalam path do
03 : bangkitkan pola β α dengan support dari
node-node dalam β,
04 : else untuk tiap a1 dalam header dari
Tree do
{
05 : bangkitkan pola
06: bangun β = a1 α dengan support =
a1.support
07 : if Tree β = θ
08 : then panggil FP-growth (Tree, β)
} rumusan sebagai berikut [6]:
} R(X, Y) = P(X|Y) =
2.3 Algoritma Fuzzy C-Covering
Fuzzy C-Covering merupakan
salah satu metode yang dipakai untuk
mengklasifikasikan elemen-elemen dari
suatu himpunan universal menjadi partisi-
partisi berupa fuzzy sets. Dalam mencari
hubungan antar produk, metode Fuzzy C-
Covering ini berdasarkan pada persepsi
bahwa semakin banyak produk yang dibeli
dalam satu transaksi, maka hubungan antar
produk yang terdapat dalam transaksi itu
semakin lemah. Fuzzy C-Covering sendiri
merupakan generalisasi dari metode fuzzy c-
partition yang telah dikenal sebelumnya.
Fuzzy c-partition dapat didefinisikan sebagai
berikut [6]:
Misalkan I = {i1, i2, …, in} adalah
domain dari data, maka fuzzy c- partition dari
I adalah fuzzy subset atau fuzzy classes dari
T, ditunjukkan oleh T = {t1, t2,…, tc}, yang
memenuhi [6]:
𝐶
∑ 𝜇𝑡𝑚 (𝑖𝑘 ) = 1, untuk semua k ∈ Nn− … (1)
𝑚=1
𝑛 Max_item_threshold
0 < ∑ 𝜇 𝑡𝑚 (𝑖𝑘 ) < n, untuk semua m
𝑘=1
∈ Nc . . (2)
Dimana: c adalah positive integer (0 < c < =
n) dan μtm(ik) ∈ [0,1].
Di dalam Fuzzy C-Covering, rumus (1)
dari teori fuzzy c-partition digeneralisasi
menjadi [6]:
𝐶 max_item_threshold dan menyimpannya
∑ 𝜇𝑡𝑚 (𝑖𝑘 ) >= 1, untuk semua k ∈ Nn … (3)
𝑚=1
Degree of Similarity in Fuzzy C-Covering
dapat direpresentasikan sebagai fuzzy set
dari fuzzy classes (T) dengan rumus [6]:
μtj (im )
μim (t j ) = . . (4)
∑𝑖∈𝐼 𝜇𝑡𝑗 (𝑖)
Fuzzy Conditional Probability Relation
Umumnya, dalam mengukur serajat
kesamaan antara dua fuzzy set digunakan
fuzzy conditional probality relation dengan
|X∩Y|
=
∑𝑖∈𝐼 min{𝜇𝑥 (𝑖),𝜇𝑌 (𝑖)}
Y ∑𝑖∈𝐼 𝜇𝑌 (𝑖)
. . (5)
dimana: µX dan µY adalah fungsi anggota dari
domain I untuk masing-masing X dan Y dari
himpunan universal U.
Dalam prakteknya, fuzzy conditional
probability relation dapat digunakan sebagai
dasar untuk merepresentasikan degree of
similarity relationship antara dua fuzzy set
dalam universe U. Dalam definisi fuzzy
conditional probability relation, nilai
probabilitas bisa diperkirakan berdasarkan
hubungan semantik antar fuzzy set dengan
menggunakan pandangan subjektif dari teori
probabilitas.
Algoritma ini diajukan untuk
memperbaiki kelemahan algoritma Apriori.
Dalam mencari hubungan antar item, metode
ini berdasarkan pada persepsi bahwa
semakin banyak item yang dibeli dalam satu
transaksi, maka hubungan antar item yang
terdapat dalam transaksi itu semakin lemah.
Berikut adalah langkah-langkah dalam
algoritma yang dibuat berdasarkan metode
baru tersebut:
• Langkah 1: Menentukan besar satuan
max_item_threshold yang dibutuhkan.
adalah suatu
pembatas yang dipakai untuk menyaring
transaksi berdasarkan jumlah produk
dalam transaksi tersebut. Hal ini
didasarkan atas pemahaman bahwa
semakin banyak produk yang dibeli
dalam suatu transaksi, hubungan antar
produk dalam transaksi tersebut
semakin lemah.
• Langkah 2: Mencari record-record
dalam tabel transaksi yang memenuhi
ke dalam QT, di mana:
QT = {t │|t| ≤ ith, ith ∈ positive integer}
 dimana: ke langkah 9, selain itu ulangi langkah
QT (Qualified Transaction): himpunan 4-7.
transaksi yang memenuhi • Langkah 9: Mendefinisikan tiap produk
max_item_threshold; yang telah didapat dari langkah-langkah
t: transaksi; di atas sebagai fuzzy set (disebut item
|t|: jumlah produk dalam suatu transaksi; fuzzy set) terhadap QT.
ith: max_item_threshold. • Langkah 10: Mencari candidate rules
• Langkah 3: Set k = 1 (k adalah variabell dengan cara menghitung confidence
untuk menentukan jumlah kombinasi). dari setiap kombinasi k-item yang
• Langkah 4: Menentukan min_support memenuhi min_support ke-k (k ≥ 2) dari
ke-k sebagai threshold bagi kombinasi item fuzzy set yang telah didapat pada
k-item terhadap tingkat dominasinya dari langkah 9 dengan rumus:
keseluruhan transaksi.
• Langkah 5: Mencari support dari setiap R(X, Y) = 𝑐𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 (Y ⟶ X)
kombinasi k-item yang memungkinkan
inf
yang ada di dalam transaksi tersebut ∑𝑡∈𝑇 𝑖∈𝑋∪𝑌 (𝜇𝑖 (𝑡))
dengan rumus: = inf
. . (7)
∑𝑡∈𝑇 𝑖∈𝑌 (𝜇𝑖 (𝑡))
1
∑𝑛𝑡=1 𝑘 𝑠(𝑢,𝑇 ) dimana:
𝐶|𝑇 | 𝑡
𝑡
𝑠𝑢𝑝𝑝𝑜𝑟𝑡 (u) = X, Y ⊆ I;
n T: himpunan dari kode-kode transaksi
1
∑𝑛𝑡=1 |𝑇𝑡 |! yang ada dalam QT;
𝑠(𝑢,𝑇𝑡 )
𝑘!(|𝑇𝑡 |−𝑘)!
= µi(t) ∈ [0,1]: fungsi anggota terhadap T.
n
. .(6)
dimana:
u: kombinasi k-item yang dicari support-
nya. Jika I adalah universal set of items,
3. HASIL DAN PEMBAHASAN
maka u ⊆ I; Proses market basket analysis
u|| = k: jumlah produk dalam u; dimulai dengan transaksi yang terdiri dari
Tt: transaksi ke-t (Tt ⊆ I); satu/lebih penawaran produk/jasa dan
|Tt|: jumlah produk dalam Tt-; beberapa informasi dasar suatu transaksi.
k
C|T t|
: kombinasi k-item terhadap |Tt|; Hasil dari market basket analysis adalah
n: jumlah record/tuple dalam QT; berwujud aturan assosiasi (association
s(u,Tt) ∈ {0.1} adalah suatu function, di rules).
mana: jika u ∈ Tt, maka s(u,Tt) = 1,
selain itu s(u,Tt) = 0. 𝑠𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴 ⇒ 𝐵) = 𝑃(𝐴⋃𝐵)
• Langkah 6: Melakukan penyaringan
𝑠𝑢𝑝𝑝𝑜𝑟𝑡_𝑐𝑜𝑢𝑛𝑡 (𝐴⋃𝐵)
terhadap kombinasi produk yang ada di 𝑐𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 (𝐴 ⇒ 𝐵) = 𝑃(𝐵|𝐴) =
𝑠𝑢𝑝𝑝𝑜𝑟𝑡_𝑐𝑜𝑢𝑛𝑡 (𝐴)
dalam transaksi tersebut yang tidak
memenuhi: support (u) ≥ min_support
ke-k. Pengujian dilakukan sebanyak 12
kali dengan jumlah data transaksi yang
• Langkah 7: Set k = k + 1, di mana jika k
berbeda, dan dengan besar min support
> ith, maka ke langkah 9.
yang berbeda. Masing masing data transaksi
• Langkah 8: Mencari kombinasi k-item
tersebut diproses dengan menggunakan
yang memungkinkan dari tiap kombinasi
ketiga algoritma yang sudah ada pada
(k-1)-item yang memenuhi minimum
aplikasi. Hasil uji coba untuk masing –
support yang telah ditentukan, dengan
masing tabel dapat dilihat pada Tabel
cara: untuk mendapatkan kombinasi k-
dibawah ini.
item, u, harus ada semua kombinasi (k-
1)-item, uꞌ, dimana uꞌ ⊂ u, misalnya
untuk mendapatkan u = {I1, I2, I3, I4},
maka harus ada uꞌ = {I1, I2, I3}, {I1, I2,
I4}, {I1, I3, I4}, {I2, I3, I4}. Jika tidak ada
lagi kombinasi k-item yang
memungkinkan yang memenuhi
min_support yang telah ditentukan maka
Tabel 3.1. Hasil Pengujian Proses Data
Mining Grafik Perbandingan Rule
Algoritma Apriori, FP-Growth,
dan Fuzzy C-Covering pada
2000 Transaksi
25

20

Rule
15
Minsup=2
10 0
Minsup=4
5 0

0
Dari semua hasil uji coba di atas,
dibuat suatu grafik berdasarkan nilai support
dan waktu yang dibutuhkan untuk mencari
frequent k-itemset (Process Time). Grafik
tersebut dapat dilihat pada gambar dibawah
ini.
Gambar 4.10. Diagram perbandingan rule
Apriori, FP-Growth, dan Fuzzy C-Covering
pada 3000 transaksi
Grafik Perbandingan Rule
Algoritma Apriori, FP-Growth,
dan Fuzzy C-Covering pada
3000 Transaksi Perbandingan Waktu Apriori,
FP-Growth, dan Fuzzy C-
40 Covering pada 2000 Transaksi
35
3500
30
3000
Rule

25 Minsup = 20 2500
20 Minsup= 20
Waktu

Minsup = 40 2000
15 Minsup= 40
1500
10
1000
5
500
0
0

*Satuan Detik

Gambar 4.9. Diagram perbandingan rule

Apriori, FP-Growth, dan Fuzzy C-Covering Gambar 4.11. Diagram perbandingan
pada 2000 transaksi waktu Apriori, FP-Growth, dan Fuzzy C-
Covering pada 2000 transaksi
 pula rule yang dihasilkan. Namun waktu
Perbandingan Waktu Apriori, yang diperlukan relatif lebih lama
FP-Growth, dan Fuzzy C- dibandingkan jika minimum support
Covering pada 3000 Transaksi lebih besar.

6000
5000
UCAPAN TERIMA KASIH
Waktu

4000
3000
2000
1000 Minsup= 20
0 Minsup= 40
*Satuan Detik
Gambar 4.12. Diagram perbandingan
waktu Apriori, FP-Growth, dan Fuzzy C-
Covering pada 3000 transaksi
4. KESIMPULAN
Berdasarkan uraian analisa dari
sistem yang sudah dijalankan, maka dapat
disimpulkan sebagai berikut :
a. Algoritma Apriori melakukan scanning
data secara berulang pada tiap
kombinasi item sehingga proses
menjadi lambat dan tidak efisien.
Algoritma FP-Growth memiliki
perulangan yang lebih ringkas
berdasarkan struktur tree dan hanya
melakukan 2 kali scanning data.
Algoritma Fuzzy C-Covering
membutuhkan proses pengelompokan
item berdasarkan transaksi terlebih
dahulu sebelum melakukan perulangan
kombinasi dimana pada tiap perulangan
dibatasi oleh nilai support.
b. Dari hasil peneltian yang telah
dilakukan, algoritma FP-Growth
membutuhkan waktu proses yang paling
singkat daripada algoritma Apriori dan
Fuzzy C-Covering. Sedangkan algoritma
Apriori membutuhkan waktu proses
yang paling lama daripada algoritma FP-
Growth dan Fuzzy C-Covering.
c. Algortima Fuzzy C-Covering
menghasilkan rule yang lebih sedikit
dibandingkan dengan algoritma Apriori
dan FP-Growth. Pada analisis hasil
pengujian, ditemukan bahwa semakin
kecil minimum support dan confidence
yang ditemukan maka semakin banyak
1. Bapak Drs. H. Darsono selaku Ketua
Yayasan Sasmita Jaya.
2. Bapak Dr. Rasmadi selaku Ketua STMIK
Eresha dan Dosen pembimbing Utama.
3. Bapak Dr. Makhsun, M.Si selaku Ketua
Program Studi Pascasarjana Magister
Komputer.
4. Bapak Ahmad Fikri Zulfikar, M.kom selaku
Dosen pembimbing pendamping.
5. Kedua orang tua serta istri yang telah
banyak memberikan doa, motivasi, dan
dorongan dalam penyelesaian tesis ini.
6. PT. Indomarco Prismatama, selaku
perusahaan pemilik minimarket Indomaret
yang telah memberikan kesempatan dan
informasi data penjualan untuk digunakan
sebagai sumber data dalam tesis ini.
7. Rekan-rekan kuliah kelas A STMIK
Eresha atas kebersamaan dan
bantuannya
8. Pihak lainnya yang tidak dapat saya
sebutkan satu persatu yang telah
memberi dukungan dan bantuan dalam
penulisan penelitian ini
DAFTAR PUSTAKA
[1] CRISP-DM. “Cross Industry Standard
Process for Data Mining” [On-
line].http://www.crisp-
dm.org/Process/index.html” [July 28,
2017].
[2] Eko Prasetyo.Data Mining : Konsep Dan
Aplikasi Menggunakan Matlab.
Yogyakarta: Penerbit Andi, 2013.
[3] Eko Prasetyo.Data Mining : Mengolah
Data Menjadi Informasi. Yogyakarta:
Penerbit Andi, 2014.
[4] Fathansyah. Basis Data.
Informatika.2015.
[5] Han, J. Kamber, M. DataMining: Concepts
and Techniques : Chapter 6. Mining
Association Rules in Large Databases.
Simon Fraser University, 2000.
[6] Hermawati, F. A. Data Mining.
Yogyakarta: Penerbit Andi, 2013.
[7] Kusrini, dkk. Algoritma Data Mining.
Yogyakarta : Andi Offset, 2009.
[8] Larose, Daniel T. Discovering Knowledge
in Data : An Introduction to Data Mining.
John Willey & Sons, Inc., 2005.
[9] Dicky Novriansyah. dkk. Algoritma Data
Mining dan Pengujian.Yogyakarta : Andi
Offset, 2015.
[10] Nugroho. Teori Data Mining dan
Aplikasi, Jakarta : Graha Ilmu, 2014.