Berdasarkan penelitian tersebut, peneliti mencoba kepentingan sebuah asosiasi dapat diketahui dengan dua
untuk membuktikan penelitian sebelumnya dan tolak ukur , yaitu : support dan confidence. Support
meningkatkan keakurasian data agar agar infomasi baru (nilai penunjang) merupakan persentase kombinasi item
yang dihasilkan dapat meningkatkan pengetahuan tersebut dalam database, sementara confidence (nilai
tentang keranjang belanja pelanggan dan kebiasaan kepastian)merupakan kuatnya relasi antar-item dalam
pelanggan dalam membeli suatu produk, dan dapat aturan asosiasi.
mengetahui produk yang paling sering laku terjual. Metodologi dasar analisis asosiasi dibagi kedalam
Tujuan penelitian dalam memprediksi transaksi dua tahap [7]:
penjualan pada PT.Arma Anugerah Abadi adalah: 1. Analisa pola frekuensi tinggi
Untuk mengetahui hasil pengolahan data keranjang
belanja pada penjualan produk roti dan kue. Untuk Tahapan ini mencari kombinasi item yang
menerapkan algoritma Apriori untuk mengetahui memenuhi syarat minimum dari nilai support dalam
penjualan produk roti (bakery) pada PT.Arma Anugerah database. Nilai support sebuah item diperoleh dengan
Abadi Cabang Sei Rampah yang paling banyak terjual. rumus:
Untuk merancang aplikasi penerapan data mining dalam
Jumlah transaksi mengandung A
memprediksi transaksi penjualan menggunakan Support (A)= (1)
Total transaksi
algoritma apriori.
Manfaat Penelitian dalam memprediksi transaksi Sedangkan pada dua itemset atau lebih diperoleh
penjualan pada PT. Arma Anugerah Abadi adalah: dengan rumus:
Memudahkan perusahaan mendapatkan informasi
terhadap produk yang sering dibeli oleh konsumen. Jumlah transaksi mengandung A dan B
Support (A,B)= (2)
Sebagai bahan evaluasi bagi pihak peusahaan dalam Total transaksi
perbaikan sistem yang sekarang diterapkan. Sebagai alat
bantu pihak perusahaan mempunyai sistem pendukung 2. Penciptaan aturan assosiatif
keputusan dalam menentukan barang yang paling sering
terjual. Setelah semua pola frekuensi tinggi ditemukan,
barulah dicari aturan assosiatif yang memenuhi syarat
II. LANDASAN TEORI minimum untuk confidence dengan menghitung
confidence aturan assosiatif A-B. Nilai confidence dari
2.1 Data Mining aturan A-B diperoleh dari rumus:
Data mining sebagai proses menemukan informasi
yang berguna dari gudang basis data yang besar. Data Jumlah transaksi mengandung A dan B
Confidence P (B|A)= (3)
mining juga dapat diartikan sebagai pengekstrakan Jumlah transaksi mengandung A
informasi dari sekumpulan data besar untuk membantu
dalam pengambilan keputusan [1]. Dari proses pembentukan aturan asosiasi maka
Data mining atau knowledge discovery in database akan diperoleh nilai confidence dari setiap item set, dan
(KDD) adalah proses resourcing dan penggunaan data kemudian ditentukan nilai minimum confidence untuk
untuk menemukan pola atau hubungan dari sekumpulan memperoleh rules association.
data berukuran besar. Hasil dari proses data mining
dapat digunakansebagai evaluasi pengambilan 2.3 Aturan assosiasi (Association rules)
keputusan dimasa depan [3]. Aturan asosiasi (Association rules) merupakan
Definisi publik dari data mining merupakan suatu metode yang digunakan dalam mencari pola yang
metode pencarian pola-pola pengetahuan yang sering muncul pada sekumpulan transaksi, dimana
tersembunyi yang tidak diketahui sebelumnya dari suatu setiap transaksi terdiri dari beberapa item atau
sekumpulan data yang sangat besar dalam database, data produk[8]. Analisa asosiasi mining adalah teknik data
werehouse, atau media penyimpanan lainnya [4]. mining untuk menemukan aturan asosiatif antara suatu
Data mining digunakan untuk menggali nilai kombinasi dari beberapa item [9].
tambah berupa informasi yang tidak diketahui secara
manual dari suatu basis data. Informasi diperoleh III. METODE PENELITIAN
dengan cara mengektrasi dan mengenali pola yang Kerangka penelitian merupakan konsep-konsep
penting atau menarik dari data yang terdapat dalam yang akan diukur atau diteliti pada penelitian yang akan
basis data [5]. dilakukan. Pada penelitian ini, peneliti akan
menjelaskan cara melakukan penelitian dengan urutan
2.2 Algoritma Apriori alur penelitian yang dibuat secara sistematis. Kerangka
Algoritma apriori merupakan salah satu jenis kerja penelitian ini ialah step-step dalam pencarian dan
aturan asosiasi pada data mining yang menerangkan pembahasan yang dilakukan untuk penyelesaian
asosiasi terhadap beberapa atribut sering disebut affinity masalah yang akan dibahas.
analysis atau market basket analysis. Analisis asosiasi Adapun kerangka kerja penelitian dapat dilihat
atau association rule mining adalah cara data mining pada gambar 1.
untuk menemukan aturan suatu kombinasi item [6].
Pada tahap analisis asosiasi, para peneliti tertarik untuk
mendapatkan algoritma yang efisien adalah analisis pola
frequensi tinggi (frequent pattern mining). Tingkat
Kode
No Nama Produk
Produk
Tabel 3. Memenuhi Support 2-ItemSet diagram, activity diagram, class diagram, dan sequence
No Kombinasi 2 Item Jumlah
Nilai diagram.
Support
1 A01 A03 17 17%
2 A01 A04 15 15%
3 A01 A13 13 13%
4 A03 A04 10 10%
5 A04 A11 12 12%
6 A04 A13 10 10%
7 A07 A08 19 19%
8 A07 A09 15 15% Gambar 2. Use Case Diagram Sistem Apriori
9 A08 A09 18 18%
10 A09 A13 12 12%
11 A12 A13 17 17%
Confidence P (B|A)=
Jumlah transaksi mengandung A dan B
Jumlah transaksi mengandung A
17
Confidence P (A01|A03)= x100%=59%
29
15
Confidence P (A01|A04)= x100%=52%
29
Gambar 3. Activity Diagram Proses Apriori