Name : Elwafa Nur Aizzatul Mustafidah

NIM : Fast Track

Class : A-Weekday

TUGAS SUMMARY
BIG DATA AKUNTANSI

JUDUL : Implementasi Data Mining Dengan Association Rule Dalam Pengambilan Keputusan
Untuk Korelasi Pembelian Produk Menggunakanalgoritma Apriori

AUTHOR : Sofyan Hadi

SUMMARY

Introduction

Saat ini, perkembangan teknologi telah memberikan pengaruh yang sangat besar,
pengaruh tersebut di bidang informasi. Sebagai contoh dalam dunia bisnis yang setiap harinya
terjadi transaksi penjualan. Hal ini memungkinkan data transaksi yang diperoleh akan dibiarkan
saja, maka data tersebut hanya akan menjadi sampah yang tidak berarti. Aplikasi yang mampu
memilah dan memilih data, sehingga bisa diperoleh pengetahuan yang terkandung di dalam
banyaknya data tersebut, pada saat ini nyata bagi para pengambil keputusan, untuk
mengembangkan bisnis mereka. Data mining adalah suatu istilah pengetahuan di dalam database
atau sering disebut Knowledge Discovery in Database. Data mining sudah menjadi obyek
menganalisa bagi banyak peneliti. Punithavalli (2011) yang menyajikan survei tentang algoritma
data mining yang ada untuk analisis keranjang pasar atau market pengecer untuk memperluas
strategi pemasaran dan item yang sering dibeli bersama oleh pelanggan. Survei ini sebagai
bidang yang bagi para peneliti untuk penelitian yang dilakukan yaitu melalui database transaksi,
dapat diperoleh berbagai informasi tentang kebiasaan para produk-produk apa saja yang sering
dibeli secara bersamaan dalam tiap transaksi. Produk A biasanya dibeli secara bersamaan dengan
produk B oleh seorang konsumen pada suatu waktu asosiasi (association) antar produk (item).
Asosiasi antar produk dari suatu database algoritma market basket analysis association rule,
dengan pola “if-then” merupakan salah satu teknik dari data mining yang mempelajari tentang
perilaku produk secara bersamaan dalam suatu waktu.

Tinjauan Pustaka

a. Aturan Asosiasi (Association Rule)

Aturan asosiasi (association rule) adalah metode data mining untuk mencari suatuhubungan
yang menunjukkan kondisi di dalam satu set data, yang beberapa nilaiatribut akan muncul
secara bersamaan.
Bentuk Umum Aturan Asosiasi (Association Rule) Bentuk umum dari Aturan asosiasi yaitu:
“IF Antecedent ELSE Consequence” atau “X  Y” dibaca “Jika A, maka B”.
b. Algoritma Apriori
Algoritma apriori adalah sebuah algoritma pencarian pola yang sangat populer dalam teknik
penambangan data (data mining). Algoritma ini ditujukan untuk mencari kombinasi item set
yang mempunyai suatu nilai keseringan tertentu sesuai kriteria ataufilter yang diinginkan.
Hasil dari algoritma apriori dapat digunakan untuk membantu dalam pengambilan keputusan
pihak manajemen.
Analisis Asosiasi dengan Algoritma Apriori Analisis asosiasi atau association rule mining
adalah teknik data mining untukmenemukan aturan asosiatif antara suatu kombinasi item.

Metodologi Penelitian

Perancangan Sistem

Perancangan sistem adalah suatu pengindentifikasian kebutuhan fungsional

dalammempersiapkan rancangan implementasi yang bertujuan untuk mendesain sistemdalam
memenuhi kebutuhan user sistem. Perancangan sistem terdiri dari:

Pembuatan Data Flow Diagram (DFD)

DFD menunjukan hubungan antar data pada sistem dan proses pada sistem. Pada sistem ini
digunakan DFD level-0 dan DFD level-1
Pada gambar DFD level - 0 ini diperlihatkan proses masukan dan keluaran (input/output) yang
terjadi di dalam sistem yang dirancang.

Pada Data Flow Diagram (DFD) level ini, proses yang terjadi pada DFD konteks atauproses

Implementasi Dan Pengujian Sistem

A. Implementasi

Implementasi adalah suatu prosedur yang dilakukan untuk menyelesaikan sistem yang ada
dalam dokumen rancangan sistem yang telah disetujui dan telah diuji, menginstal dan
memulai menggunakan sistem baru yang diperbaiki.

B. Persiapan Teknis

Dalam implementasi dari program data mining ini membutuhkan perangkat keras (hardware)
seperti Processor Inter Core i3, Harddisk 500 GB, RAM 2GB DDR3 dan perangkat lunak
(software) seperti XAMPP (Apache dan MySql) dan Notepad++, serta Brainware (Unsur
Manusia)

C. Tampilan Aplikasi

Setelah semua persiapan teknis dilakukan, selanjutnya menjalankan aplikasi data

mining dengan teknik association rule menggunakan algoritma apriori ini dapat dilakukan.
Tampilan aplikasi terdiri dari:
a. Halaman Login

Halaman login disini digunakan untuk memberi security sehingga memberi batasn akses
ke dalam sistem, karena tidak semua pengguna diperbolehkan mengakses splikasi

b. Halaman Menu Utama

Pada halaman menu utama ini terdapat menu dashboard yang berguna untuk kehalaman
awal

c. Halaman Data Barang

Halaman ini digunakan untuk melihat Data Barang yang ada di dalam sistem dan pada
halaman ini terdapat tombol tambah barang yang nantinya akan mengakses form tambah
barang
d. Halaman Form Data Barang
Pada halaman form data barang ini dapat dilihat adanya nama barang, jumlah barang,
satuan barang dan harga barang.
e. Halaman Transaksi Penjualan

Pada halaman form data transaksi ini user akan menginput Nomor Faktur, Tanggal
Penjualan dan mencheck barang yang dibeli oleh customer.

f. Halaman Implementasi Apriori

Halaman ini digunakan untuk melakukan proses data minin
g. Halaman Form Kondisi Apriori
Pada halaman form kondisi apriori terdapat tiga inputan yang terdiri dari inputan
combinasi item yang digunakan untuk menentukan kondisi combinasi barang yang dijual
secara bersamaan
h. Proses Association Rule

Dari hasil proses association rule di atas maka akan dihasilkan kombinasi item yang Min.
Support dan Min. Confidence sesuai dengan inputan di awal.

i. Pengujian Sistem
Pengujian sistem dilakukan untuk mengetahui rule yang terbentuk berdasarkan nilai
combinasiitem, minimum support dan minimum confidence.
Kesimpulan

Berdasarkan pembahasan dan implementasi yang dilakukan maka dapat diperoleh

beberapa kesimpulan yaitu metode association rule dengan menggunakan algoritma apriori pada
aplikasi ini, dapat memberikan aturan asosiasi dengan menggunakan nilai minimum support dan
minimum confidence sebagai acuan. Dari hasil pengujian dengan memasukkan nilai combinasi
item, minimum support dan confidence yang berbeda yaitu jika dimisalkan combinasi item 2,
minimum support 20% dan minimum confidence 60%, maka akan menghasilkan rules sebanyak
26 rules. Sedangkan jika combinasi item 2, minimum support 25% dan minimum confidence
60%, maka akan menghasilkan rules sebanyak 26 rules. Jadi, semakin kecil nilai
minimumsupport dan confidence yang dimasukkan, maka semakin banyak jumlah rules. Dari
data hasil pengujian yang telah diperoleh, dapat diketahui produk apa saja yang sering dibeli
secara bersamaan oleh setiap pelanggan. Informasi ini dapat memudahkan para manajer dalam
meningkatkan penjualan produk di asrjeans dan dapat membantu karyawan dalam mengatur tata
letak barang

Saran

Saran setelah dilakukan peneitian ini yaitu bagi pengembangan selanjutnya diharapkan
untuk dapat menghasilkan output yang lebih interaktif pada sistem ini misalkan adanya grafik
batang yang menampilkan rule yang dihasilkan berdasarkan kombinasi item yang sering muncul
bersama terhadap persentase nilai support dan confidence. Penulis mengharapkan untuk pembuat
aplikasi data mining berikutnya, dapat menambahkan algoritma yang lain seperti algoritma FP
Growth sebagai perbandingan untuk mengetahui besar kecepatan dalam proses iterasi.