TESIS
Oleh:
Rina Megawati H.
1911601183
TESIS
Oleh:
Rina Megawati H.
1911601183
i
ii
PROGRAM STUDI MAGISTER ILMU KOMPUTER
FAKULTAS TEKNOLOGI INFORMASI
UNIVERSITAS BUDI LUHUR
=================================================
PENGESAHAN TESIS
Ketua,
Dr. Samidi, S.Kom., M.M., M.Kom. .......................................................
Anggota,
Dr. Achmad Solichin, S.Kom., M.T.I .......................................................
Pembimbing
Dr. Goenawan Brotosaputro, S.Kom., M.Sc. ......................................................
iii
PROGRAM STUDI MAGISTER ILMU KOMPUTER
FAKULTAS TEKNOLOGI INFORMASI
UNIVERSITAS BUDI LUHUR
=================================================
SURAT PERNYATAAN TIDAK PLAGIAT DAN PERSETUJUAN
PUBLIKASI
Nama : …………………………………….
Nomor Induk Mahasiswa : …………………………………….
Konsentrasi : …………………………………….
Jenjang Studi : …………………………………….
Fakultas : …………………………………….
Merupakan :
1. Karya tulis saya sebagai laporan Tesis yang asli dan belum pernah diajukan
untuk mendapatkan gelar akademik apapun, baik di Universitas Budi Luhur
maupun di perguruan tinggi lainnya.
2. Karya tulis ini bukan saduran / terjemahan, dan murni gagasan, rumusan dan
pelaksanan penelitian / implementasi saya sendiri, tanpa bantuan pihak lain,
kecuali arahan pembimbing akademik dan pembimbing di organisasi tempat
riset.
3. Dalam karya tulis ini tidak terdapat karya atau pendapat yang telah ditulis atau
dipublikasikan orang lain, kecuali secara tertulis dengan dicantumkan sebagai
acuan dalam naskah dengan disebutkan nama pengarang dan dicantumkan
dalam daftar pustaka.
4. Saya menyerahkan hak milik atas karya tulis ini kepada Universitas Budi
Luhur, dan oleh karenanya Universitas Budi Luhur berhak melakukan
pengelolaan atas karya tulis ini sesuai dengan norma hukum dan etika yang
berlaku.
Pernyataan ini saya buat dengan sesungguhnya dan apabila di kemudian hari terdapat
penyimpangan dan ketidakbenaran dalam pernyataan ini, maka saya bersedia
menerima sanksi akademik berupa pencabutan gelar yang telah diperoleh berdasarkan
karya tulis ini, serta sanksi lainnya sesuai dengan norma di Universitas Budi Luhur dan
UndangUndang yang berlaku.
Rina Megawati H.
iv
ABSTRAK
v
ABSTRACT
vi
KATA PENGANTAR
Alhamdulillah, segala puji syukur penulis panjatkan kehadirat Allah SWT, atas segala
karunia & ridho-Nya, sehingga Tesis dengan judul “Analisis Pola Pembelian Barang
Menggunakan Metode FP-Growth Dan Apriori (Studi Kasus Pada Hendra
Mart)” ini telah diselesaikan. Tesis ini disusun untk memenuhi salah satu persyaratan
untuk menyelesaikan studi Magister Ilmu Komputer Universitas Budi Luhur Jakarta.
Oleh karena itu, pada kesempatan ini penulis memberikan rasa hormat dan
menghaturkan terima kasih yang sebesar-besarnya, kepada:
1) Allah Subhanahu Wa Ta’ala , atas segala Petunjuk dan Kemudahan-Nya
sehingga pada akhirnya penulis dapat menyelesaikan tesis ini.
2) Bapak Ir. Wendi Usino, MM, MSc, Ph.D selaku Rektor Universitas Budi Luhur
Jakarta
3) Dr. Deni Mahdiana, S.Kom, MM., M.Kom, selaku Dekan Fakultas Teknologi
Informasi, Universitas Budi Luhur.
4) Dr. Goenawan Brotosaputro,S.kom.,M.Sc selaku pembimbing tesis yang telah
banyak memberikan masukan dan dorongan dalam pembuatan dan penulisan
tesis ini
5) Ibu Dr. Rusdah, M.Kom , selaku Ketua Program Studi Magister Ilmu Komputer
Universitas Budi Luhur Jakarta yang telah banyak memberikan masukan dan
dorongan dalam pembuatan dan penulisan tesis ini
6) Seluruh Dosen Magister Ilmu Komputer Universitas Budi Luhur Jakarta yang
telah memberikan arahan dan bimbingannya.
7) Kepada Seluruh Sahabat-sahabat perjuangan Magister Ilmu Komputer
Universitas Budi Luhur Jakarta.
Dengan keterbatasan pengalaman, ilmu maupun pustaka yg ditinjau, penulis
menyadari bahwa tesis ini masih banyak kekurangan dan kealpaan. Oleh karena itu,
penulis sangat mengharapkan kritik dan saran agar tesis ini lebih tepat serta sebagai
masukan bagi penulis untuk penelitian dan penulisan karya ilmiah di masa yang akan
datang.
Rina megawati.H
vii
Daftar isi
COVER ......................................................................................................................... I
LEMBAR PERSETUJUAN .......................................................................................II
LEMBAR PENGESAHAN ...................................................................................... III
SURAT PERNYATAAN .......................................................................................... IV
ABSTRAK .................................................................................................................. V
ABSTRACT ............................................................................................................... VI
KATA PENGANTAR .............................................................................................. VII
DAFTAR ISI ........................................................................................................... VIII
DAFTAR TABEL....................................................................................................... X
DAFTAR GAMBAR .................................................................................................. X
BAB I PENDAHULUAN ............................................................................................ 1
1.1.Latar belakang ................................................................................................ 1
1.2.Masalah penelitian ......................................................................................... 3
1.2.1. Identifikasi masalah ............................................................................. 3
1.2.2. Pembatasan masalah ............................................................................ 3
1.2.3. Rumusan masalah ................................................................................ 4
1.3.Tujuan dan manfaat ........................................................................................ 4
1.3.1. Tujuan penelitian................................................................................... 4
1.3.2. Manfaat penelitian................................................................................. 4
1.4.Tata urut penulisan ......................................................................................... 4
1.5.Daftar istilah ................................................................................................... 5
BAB II LANDASAN TEORI DAN KERANGKA KONSEP ................................. 7
2.1.Tinjauan pustaka .......................................................................................... 7
2.2.Tinjauan studi ............................................................................................. 12
2.3.Kerangka konsep/pola pikir pemecahan masalah ....................................... 21
2.4.Hipotesis ..................................................................................................... 22
BAB III METODOLOGI DAN DESAIN PENELITIAN ..................................... 23
3.1.Metode penelitian ............................................................................................ 23
3.2.Pengumpulan data ........................................................................................... 23
3.3.Langkah-langkah penelitian ............................................................................ 24
BAB IV PEMBAHASAN DAN HASIL................................................................... 27
viii
4.1 Pembahasan ..................................................................................................... 27
4.2 Hasil ................................................................................................................ 32
BAB V KESIMPULAN............................................................................................. 50
5.1. Kesimpulan ....................................................................................................... 50
5.2. Implikasi penelitian ......................................................................................... 50
5.3. Saran ................................................................................................................ 50
Daftar pustaka ............................................................................................................. 51
Lampiran-lampiran...................................................................................................... 54
ix
Daftar tabel
x
Daftar gambar
xi
Gambar 4.23 Hasil C2 Data Testing ............................................................................... 43
Gambar 4.24 Hasil L2 Data Testing ............................................................................... 44
Gambar 4.25 Hasil Asosiasi 2 itemset Data Testing ......................................................... 44
Gambar 4.26 Hasil C3 itemset Data Testing ................................................................... 44
Gambar 4.27 Hasil L3 itemset Data Testing .................................................................... 45
Gambar 4.28 Hasil Asosiasi 3 item set itemset Data Testing ............................................ 45
Gambar 4.29 Hasil Evaluation Algoritma FP-Growth Data Tranning ................................ 46
Gambar 4.30 Hasil Evaluation Algoritma Apriori Data Tranning ..................................... 47
Gambar 4.31 Hasil Evaluation Algoritma FP-Growth Data Testing .................................. 48
Gambar 4.32 Hasil Evaluation Algoritma Apriori Data Testing ........................................ 49
xii
BAB I
PENDAHULUAN
1
permintaan sebab bila tidak ada persediaan barang maka kebutuhan tidak terpenuhi.
Kemajuan atau keberhasilan suatu perusahaan salah satunya dipengaruhi oleh
persediaan barang. Persediaan barang diharapkan dapat meningkatkan keuntungan
sehingga meminimumkan biaya-biaya yang ditimbulkan. Masalah umum dalam
persediaan barang bersumber dari kejadian yang dihadapi suatu perusahaan. Kejadian
tersebut dapat terjadi karena terlalu banyak atau mugkin persediaan barang terlalu
sedikit untuk memenuhi permintaan konsumen yang akan di produksi dimasa
mendatang. jika barang terlalu banyak dalam persediaan barang maka perusahaan harus
menambah tanggungan biaya seperti biaya simpan dan biaya pesan. Sebaliknya jika
persediaan barang terlalu sedikit akan menimbulkan kerugian karena barang yang
dibutuhkan tidak tersedia dan mengakibatkan kehilangan penjualan. Untuk
mendapatkan jumlah persediaan barang yang tepat, maka perusahaan bisa mengamati
dari transaksi penjualan serta dengan melakukan pengolahan terhadap data penjualan
maka perusahaan bisa mengetahui informasi yang digunakan untuk keperluan
persediaan barang seperti menentukan jumlah barang yang harus disiapkan digudang,
mengatur jumlah minimal stok dan menentukan stok yang aman. Selain itu dengan
menggunakan informasi ini dapat menentukan kapan perusaharan harus melakukan
pembelian barang pada supplier.
Adapun pada penelitian ini mengangkat masalah yang ada di Hendra Mart, yaitu
masih belum teroganisirnya produk-produk yang paling banyak terjual Selain itu masih
banyak produk-produk yang terjadi penurunan jumlah pembelian. Dari kasus yang
terjadi di Hendra Mart tersebut penelitian ini akan mencoba memberikan usulan terkait
sebuah cara bagi penganalisis data penjualan produk untuk memberikan rekomendasi
untuk bagian terkait. Seperti pada bagian gudang dalam memberikan rekomendasi
jumlah produk yang akan beli supplier sesuai dengan hasil analisa data penjualan
pelanggan tersebut. Selain itu pula mencegah terjadinya over stock yang akan
berdampak pada jumlah produk yang kadaluarsa menjadi berlebihan. Dilampirkan data
penjualan tahun 2019 sampai 2021 terjadi penurunan. Data tersebut sebagai berikut:
Series 1
2
Data Mining merupakan teknologi yang sangat berguna untuk membantu
perusahaan-perusahaan menemukan informasi yang sangat penting dari gudang data
mereka. Data mining meramalkan tren dan sifat-sifat perilaku bisnis yang sangat
berguna untuk mendukung pengambilan keputusan penting. Analisis yang
diotomatisasi yang dilakukan oleh data mining melebihi yang dilakukan oleh sistem
pendukung keputusan tradisional yang sudah banyak digunakan. Data Mining dapat
menjawab pertanyaan-pertanyaan bisnis yang dengan cara tradisional memerlukan
banyak waktu untuk menjawabnya. Data Mining mengeksplorasi basis data untuk
menemukan pola-pola yang tersembunyi, mencari informasi pemrediksi yang mungkin
saja terlupakan oleh para pelaku bisnis karena terletak di luar ekspektasi mereka.
(Veronika, 2002).
Dengan menganalisis beberapa pepar diambil paper Analisis Algoritma FP-Growth
Untuk Rekomendasi Produk Pada Data Retail Penjualan Produk Kosmetik (Studi
Kasus: MT Shop Kelapa Gading). Didapatkan pengolahan data transaksi penjualan
selama satu tahun pada toko tersebut yang dibentuk dalam itemset dan diolah
menggunakan Rapidminer 8.0 didapatkan nilai confidence tertinggi adalah 0,899 atau
sekitar 89% dengan aturan (rule) pada setiap pembelian Produk Masker Beras Putih
Dapat Dipastikan Akan Membeli Putih Langsat Facial Foam (Kurniawan, S., Gata, W.,
& Wiyana, H. (2018).
Berdasarkan paper tersebut penelitian ini melakukan implementasi algoritma Fp-
Growth dan apriori pada data transaksi penjualan sangat membantu dalam
menganalisis pembelian barang di Hendra mart. Dibutuhkan analisis pembelian barang
agar persedian stok barang bisa selalu ada dan berganti serta dapat dikurangi pembelian
barang kurang terjual dari supplier.
3
a. Subjek yang digunakan yaitu pola pembelian barang pada Hendra mart untuk
mendapatkan pola pembelian barang.
b. Objek Penelitian ini dilakukan di Hendra mart.
c. Perbandingan Algoritma FP-Growth dengan Apriori.
d. Data yang digunakan adalah Data Penjualan Barang-Barang yang di Hendra Mart
tahun 2019, 2020 dan 2021 (Januari sampai Agustus tahun 2021).
e. Dengan data tranning akan diambil sebanyak 1000 pada tahun 2019, 994 pada
tahun 2020 dan 388 data pada tahun 2021. data Testing akan diambil sebanyak
218 pada tahun 2019, 200 pada tahun 2020 dan 444 data pada tahun 2021
4
Pada bab ini membahas latar belakang penelitian, masalah penelitian yang meliputi
idntifikasi masalah, batasan masalah dan rumusan masalah, tujuan dan manfaat
penulisan, serta sistematika penulisan.
BAB II : LANDASAN TEORI DAN KERANGKA PEMIKIRAN
Pada bab ini membahas teori –teori pendukung yang berkaitan dengan masalah
penilitian seperti: tinjauan studi berdasarkan penelitian sebelumnya, tinjauan
objrk penelitian, kerangka pemikiran penulisa dalam melakukan penelitian, dan
hipotesis.
BAB III : METODOLOGI DAN RANCANGAN PENELITIAN
Pada bab ini membahas mengenai jenis penelitian, metode pemulihan sampel,
metode pengumpulan data, instrumentasi, teknik analisis, rancangan dan pengujian
sistem, langkah – langkah penelitian dan jadwal penelitian.
BAB IV : PEMBAHASAN DAN HASIL
Pada bab ini membahasa mengenai pembahasan dan hasil apa saja yang ada di
penelitian dimana hasil ini dihasilkan dari algoritma FP-Growth dan apriori. Pada
pembahasan ini tahapan dari metide Cross Standard Industries Process for Data
Mining (CRISP-DM).
BAB V : KESIMPULAN
Pada bab ini membahas mengenai Kesimpulan dimana yang terdiri dari kesimpulan
dan saran.
Istilah Keterangan
WHO (World Organisasi Kesehatan Dunia adalah salah satu badan PBB
Health yang bertindak sebagai koordinator kesehatan umum
Organization) internasional dan bermarkas di Jenewa, Swiss. WHO
didirikan oleh PBB pada 7 April 1948.
5
Istilah Keterangan
Inventory barang Inventory dalam istilah bahasa Indonesia berarti
persediaan. Sistem inventory secara umum berarti sistem
pengaturan data persediaan barang yang berkaitan dengan
aktivitas logistik sebuah perusahaan. Barang-barang
tersebut disimpan dengan tujuan tertentu.
6
BAB II
LANDASAN TEORI DAN KERANGKA KONSEP
2.1.Tinjauan Pustaka
2.1.1 Data Mining
Data mining sebagai sebuah disiplin ilmu yang sebagian besar terbuka bagi
dunia. Sebagian besar kita bahkan tidak pernah menyadari bahwa hal itu terjadi.
Tapi setiap kali kita mendaftarkan diri sebagai anggota toko grosir, berbelanja
menggunakan kartu kredit, atau menjelajahi web, sebenarnya kita sedang membuat
data. Data ini disimpan dalam komputer besar dan kuat milik sebuah perusahaan
yang kita setujui setiap harinya. Berlandaskan pada kumpulan data tersebut ada
pola-indikator kepentingan, kebiasaan, dan perilaku kita. Data mining
memungkinkan orang untuk menemukan dan menafsirkan pola tersebut, untuk
membantu mereka membuat keputusan yang lebih tepat dan lebih baik dalam
melayani pelanggan mereka (North, 2012).
Menurut (Susanto & Suryadi, 2010) data mining memiliki beberapa fungsi
utama yang pada setiap fungsinya memiliki tujuan penggunaan yang berbeda,
yaitu:
a. Description (deskripsi), untuk memberi gambaran secara ringkas bagi
sekumpulan data yang jumlahnya sangat besar dan banyak jenisnya.
b. Estimation (estimasi), untuk menerka sebuah nilai yang belum diketahui, misal
menerka penghasilan seseorang ketika informasi mengenai orang tersebut
diketahui.
c. Prediction (prediksi), untuk memperkirakan nilai masa mendatang, misal
memprediksi stok barang satu tahun ke depan.
d. Classification (klasifikasi), merupakan proses penemuan model atau fungsi
yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan
untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak
diketahui.
e. Clustering (pengelompokan), yaitu pengelompokan mengidentifikasi data yang
memiliki karakteristik tertentu.
f. Association (asosiasi), dinamakan juga analisis keranjang pasar dimana fungsi
ini mengidentifikasi produk yang kemungkinan dibeli konsumen bersamaan
dengan produk lain.
7
bergantian untuk menjelaskan proses penggalian informasi tersembunyi dalam suatu
basis data yang besar. Sebenarnya kedua istilah tersebut memiliki konsep yang
berbeda, tetapi berkaitan satu sama lain. Dan salah satu tahapan dalam keseluruhan
proses KDD adalah Data mining. Proses Knowledge Discovery in Databases (KDD)
secara garis besar dapat dijelaskan sebagai berikut:
8
merupakan bagian dari proses KDD yang disebut interpretation. Tahap ini
mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan
dengan fakta atau hipotesis yang ada sebelumnya (Ikhwan, 2015).
2.1.4 FP-Growth
Algoritma FP-Growth merupakan pengembangan dari algoritma Apriori.
Algoritma Frequent Pattern 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. (Samuel, 2008) Pada
algoritma FP-Growth menggunakan konsep pembangunan tree, yang biasa disebut
FP-Tree, dalam pencarian frequent itemset bukan menggunakan generate candidate
seperti yang dilakukan pada algoritma Apriori. Dengan menggunakan konsep
tersebut, algoritma FP-Growth menjadi lebih cepat daripada algoritma Apriori.
(Erwin, 2009).
Algoritma FP-Growth memiliki tahapan-tahapan yang harus dilewati agar
dapat memberikan hasil yang maksimal, tahapan-tahapan tersebut (Han, dkk 2006),
yaitu:
a. Tahap pembangkitan conditional pattern base.
b. Tahap pembangkitan conditional FP-Tree.
c. Tahap pencarian frequent itemset.
Association rules merupakan suatu proses pada data mining untuk menentukan
semua aturan asosiatif yang memenuhi syarat minimum untuk support (minsup) dan
confidance (minconf) pada sebuah database. Kedua syarat tersebut akan digunakan
untuk interesting association rules yang dibandingkaan dengan batasan yang telah
ditentukan, yaitu minsup dan minconf. Dalam menentukan nilai minimum support
sebuah item dapat diperoleh dengan menggunakan rumus persamaan (1) seperti di
bawah ini:
𝑱𝒖𝒎𝒍𝒂𝒉 𝑻𝒓𝒂𝒏𝒔𝒂𝒌𝒔𝒊 𝑴𝒆𝒏𝒈𝒂𝒏𝒅𝒖𝒏𝒈 𝑨
𝑺𝒖𝒑𝒑𝒐𝒓𝒕 (𝑨) = (𝟐. 𝟏)
𝑻𝒐𝒕𝒂𝒍 𝑻𝒓𝒂𝒏𝒔𝒂𝒌𝒔𝒊
𝑱𝒖𝒎𝒍𝒂𝒉 𝑻𝒓𝒂𝒏𝒔𝒂𝒌𝒔𝒊 𝑴𝒆𝒏𝒈𝒂𝒏𝒅𝒖𝒏𝒈 𝑨 𝒅𝒂𝒏 𝑩
𝑺𝒖𝒑𝒑𝒐𝒓𝒕 (𝑨 ∩ 𝑩) = (2.2)
𝑻𝒐𝒕𝒂𝒍 𝑻𝒓𝒂𝒏𝒔𝒂𝒌𝒔𝒊
9
kombinasi yang paling sering terjadi dalam suatu itemset dan harus memenuhi minimal
support (minsup). Penggalian itemset yang sering muncul dari database transaksional
yang besar adalah salah satu masalah yang paling menantang dalam data mining.
Dalam banyak skenario dunia nyata, data tidak diekstraksi dari sumber data tunggal
tetapi dari data yang terdistribusi dan heterogen. Pengetahuan yang ditemukan
diharapkan bisa membantu operasional bisnis yang lebih baik. Dalam metode data
mining, association rules adalah salah satu yang paling populer. Namun, penggalian
pola informasi yang menggunakan association rules seringkali menghasilkan pola
individu yang sangat besar, sehingga membiarkan analis menyelesaikan tugas dengan
semua peraturan dan menemukan salah satu yang menarik. Dalam penelitian ini,
disajikan pembangkitan association rules dengan menggunakan algoritma Apriori dan
FP-Growth (Isa & Jhoansyah, 2019).
Data mining menemukan pola yang sering terjadi dari database yang besar
menjadi tugas yang hebat dan banyak penelitian terus berlanjut. Sebuah studi
komparatif dibuat antara algoritma mining pola klasik yang sering menggunakan
pembentukan dan uji coba sekumpulan kandidat (algoritma Apriori) dan algoritma
tanpa pembentukan sekumpulan kandidat (algoritma FP-Growth). Algoritma Apriori
menemukan itemset yang sering terjadi, maka semua bagian himpunannya juga harus
sering muncul. Algoritma Apriori menghasilkan itemset dan uji coba kandidat jika
sering muncul. Teknik FP-Growth menggunakan bagian pola yang berkembang untuk
menggali pola yang sering terjadi dari database yang besar. Diawali dengan
memperluas struktur pohon yang digunakan untuk menyimpan informasi penting dan
memadatkan pola yang sering muncul. FP-Growth menemukan itemset yang sering
muncul tanpa pembentukan sekumpulan kandidat itemset (Kavitha, & Selvi, 2016).
Algoritma FP-Growth mengacu pada penemuan dan analisis pola secara otomatis
dalam alur klik pada halaman website dengan keterkaitan data yang dikumpulkan atau
dihasilkan sebagai hasil dari interaksi pengguna dengan sumber daya web pada satu
atau lebih situs web. Terdiri dari tiga tahap yaitu data preprocessing, penemuan pola
dan analisis pola. Pada tahap penemuan pola, algoritma pencarian pola sering
diterapkan pada data mentah. Pada tahap analisis pola, pengetahuan menarik diekstrak
dari pola yang sering muncul dan hasil ini digunakan untuk modifikasi situs web.
Algoritma FP-Growth digunakan untuk mendapatkan pola akses yang sering muncul
dari pencatatan data web dan memberikan informasi berharga tentang minat pengguna.
(Deliya & Bhavesh 2012) Karena ada peningkatan teknologi informasi yang signifikan,
hasil perbaikan memberikan sejumlah data besar yang tersimpan di dalam database dan
gudang data. Data mining digunakan untuk menggali sebagian besar data
menggunakan pandangan atau perspektif yang berbeda dan kemudian meringkas data
menjadi lebih bernilai. Informasi yang digali ini dapat dimanfaatkan untuk tujuan
bisnis yang berbeda guna meningkatkan pembangunan ekonomi. Kini, dalam data
mining, algoritma FP-Growth saat ini merupakan salah satu aturan asosiasi tercepat
untuk menggali itemset yang sering muncul.
Seperti di sektor perbankan, banyak database transaksi mengandung rangkaian
transaksi yang sama berkali-kali, dalam penelitian ini menggambarkan penerapan
algoritma pohon FP-Growth dalam database transaksi bank sehingga menjamin kinerja
terbaik. Tujuannya adalah untuk mempertimbangkan dan menguji teknik asosiasi yang
10
ada untuk menggali itemset yang sering muncul dan implementasi yang sukses dari
algoritma pohon FP-Growth dalam database transaksi perbankan untuk meningkatkan
kinerja penggalian itemset yang sering muncul. (Hameed, 2015) Jumlah penduduk
Indonesia diproyeksi akan menembus angka 271 jutaan pada tahun 2020. Jumlah
tersebut meningkat sekitar 4,8% dibandingkan dengan total populasi penduduk
Indonesia tahun 2016. Dengan angka pertumbuhan yang cukup besar tersebut,
Indonesia termasuk pasar yang sangat potensial bagi perusahaan kosmetik.
Kementerian Perindustrian bahkan menyebutkan nilai industri ini ditaksir bisa
mencapai 100 triliun rupiah.
Euromonitor International juga memprediksi bahwa Indonesia dan Vietnam akan
menjadi pasar kosmetik yang paling cepat bertumbuh di kawasan Asia. (Alfian &
Putra, 2017) Kemajuan pada industri kecantikan di Indonesia saat ini menunjukkan
peningkatan. Berdasarkan data Kementerian Perindustrian (2016), pertumbuhan pasar
industri ini rata-rata mencapai 9,67% per tahun dalamenam tahun terakhir (2009-2015).
Diperkirakan besar pasar (market size) kosmetik sebesar 46,4 triliun rupiah di tahun
2017 ini. Dengan jumlah tersebut, Indonesia merupakan potential market bagi para
pengusaha industri kecantikan baik dari luar maupun dalam negeri. (Alfian & Putra,
2017)
2.1.5 Apriori
Algoritma apriori merupakan algoritma dasar yang diusulkan menentukan
Frequent item sets untuk menentukan aturan asosiasi Boolean. (Listriani,,
Setyaningrum, Eka, F. 2018) Algoritma Apriori merupakan jenis Aturan Asosiasi pada
bagian data mining. Aturan dalam menyatakan asosiasi disebut affinity analysis atau
market basket analysis. Association rule mining atau Analisis asosiasi bagian dari
teknik data mining dalam menetukan aturan untuk memodifikasi suatu kombinasi item.
Tahap analisis asosiasi salah satu dengan tujuan mendapatkan algoritma efisien dengan
mendapatkan analisis pola frequensi tinggi (frequent pattern mining).
Algoritma dasar yang diusulkan oleh Agrawal dan Sirkait pada tahun 1994
untuk penentuan frequent itemsets untuk aturan asosiasi Boolean (Listriani,,
Setyaningrum, Eka, F. 2018). Algoritma ini mengontrol berkembangnya kandidat
itemset dari hasil frequent itemsets dengan support – based pruning untuk
menghilangkan itemsets yang tidak menarik dengan minsup (Listriani,, Setyaningrum,
Eka, F. 2018). 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 asosiasi yang menarik perhatian banyak peneliti untuk menghasilkan
algoritma yang efisien adalah analisis pola frekuensi tinggi (frequent pattern mining).
Penting tidaknya suatu asosiasi dapat diketahui dengan dua tolak ukur, yaitu :
support dan confidence. Support (nilai penunjang) adalah presentase kombinasi item
tersebut dalam database, sedangkan confidence (nilai kepastian) adalah kuatnya
hubungan antar item dalam aturan asosiasi. Tahap awal dalam algoritma apriori adalah
analisis pola frekuensi tinggi yaitu dengan cara mencari kombinasi item yang
memenuhi syarat minimum dari nilai support dalam basis data (Syaifullah, 2010)
11
menjelaskan Algoritma apriori juga dapat didefinisikan sebagai suatu proses untuk
menemukan semua aturan apriori yang memenuhi syarat minimum untuk support dan
syarat minimum untuk confidence. Selain itu, algoritma teknik data mining dengan
algoritma apriori dapat diimplementasikan pada sistem penjualan.
Syarifullah (2010) menjelaskan Algoritma apriori juga dapat didefinisikan
sebagai suatu proses untuk menemukan semua aturan apriori yang memenuhi syarat
minimum untuk support dan syarat minimum untuk confidence. Selain itu, algoritma
teknik data mining dengan algoritma apriori dapat diimplementasikan pada sistem
penjualan (Syaifullah, 2010).
Associaciation Rule Mining Menurut Kusrini, Analisis asosiasi atau
association rulemining adalah teknik data mining untuk menemukan aturan asosiatif
darikombinasi itemset. Algoritma ini sering digunakan pada transaksi penjualan
sehingga dikenal juga dengan namamarket basket analysis. Dari pola atau aturan
asosiasi yang telah terbentuk dapat diketahui kemungkinan pembelian barang primer
dan barang sekunder lainnya sehingga manajemen dapat mengatur perbaikan susunan
pola letak suatu barang serta merancang promosi pemasaran dengan membuat kupon
diskon untuk kombinasi barang tertentu (Syaifullah, 2010).
Support dan Confidence Didalam association rules data mining ada dua buah
parameter penting yang berfungsi sebagai pembentukan rules yaitu support (nilai
penunjang) dan confidence (nilai kepastian) sehingga dapat dihasilkan aturan asosiasi
yang kuat (strong rules). Support adalah persentase dari kombinasi suatu item di dalam
database, sedangkan confidence merupakan kuatnya hubungan antar item yang berada
di dalam aturan asosiasi.Contoh aturan asosiasi yang terbentuk umumnya dapat
dinyatakan dalam bentuk sebagai berikut: {beras, minyak sayur} => {telur} (support =
40%, confidence = 50%) (Syaifullah, 2010).
2.2.Tinjauan Studi
2.2.1 Penelitian Sebelumnya
Tinjauan studi dalam penelitian ini mengambil beberapa ringkasan
penelitian sebelumnya yang berkaitan dengan metode yang digunakan dalam
pendukung keputusan:
a. Kurniawan, Sigit, Windu Gata, And Hari Wiyana. "Analisis Algoritma FP-Growth
Untuk Rekomendasi Produk Pada Data Retail Penjualan Produk Kosmetik (Studi
Kasus: MT Shop Kelapa Gading) (2018). Dengan Metode Algoritma FP-Growth.
Dengan Hasil Dari Penelitian Yang Telah Dilakukan Pada Objek MT Shop Kelapa
Gading, Pengolahan Data Transaksi Penjualan Selama Satu Tahun Pada Toko
Tersebut Yang Dibentuk Dalam Itemset Dan Diolah Menggunakan Rapidminer 8.0
Didapatkan Nilai Confidence Tertinggi Adalah 0,899 Atau Sekitar 89% Dengan
Aturan (Rule) Pada Setiap Pembelian Produk MASKER BERAS PUTIH Dapat
Dipastikan Akan Membeli PUTIH LANGSAT FACIAL FOAM. Dan Dapat
Memberikan Rekomendasi Bagi Produk-Produk Yang Akan Dibuatkan Promosi
Berdasarkan Dari Hasil Pengolahan Data Tersebut Dengan Hasil Confidence Mulai
Dari 50% Sampai Dengan 89% (Kurniawan, Gata, & Wiyana, 2018).
12
b. Pranata, Boby Septia, and Dito Putro Utomo. "Penerapan Data Mining Algoritma
FP-Growth Untuk Persediaan Sparepart Pada Bengkel Motor (Study Kasus
Bengkel Sinar Service) (2020). Dengan metode FP-Growth. Dengan hasil a.
Meningkatkan persedian sparepart pada bengkel motor berdasarkan data dari
bengkel sinar service. b. Pengujian peningkatan persedian sparepart dengan fp-
growth menggunakan aplikasi Rapidminer 7.3. d. Hasil pengujian menghasilkan
bahwa sparepart x.y dengan nilai 8.9 tertinggi dan terendah s.t berdasarkan proses
fp-growth an data bengkel sinar service (Pranata, & Utomo, 2020).
d. Hamdi, Abi, Fatma Indriani, And Muliadi Muliadi. "Metode Timeseries K-Nearest
Neighbor Regression Dalam Prediksi Barang Keluar Pada Gudang Pt Putra Prenuer
Banjarbaru (2019). Dengan metode KNN. Dengan hasil Nilai k-optimal pada
metode KNearest Neighbor Regression untuk prediksi barang keluar pada Gudang
PT. Putra Preneur Mitra Makmur Abadi Banjarbaru adalah 5. Perhitungan prediksi
pengeluaran barang dengan menggunakan koptimal ( 5 ) pada metode K-Nearest
Neighbor Regression didapatkan tujuhbelas varian yaitu sebagai berikut ; greentea
0.90, thaitea 0.28, 0.25, red velvet 0.38, avocado coffe 0.00, cappucino 0.38,
caramel coffe 0.00, creamy coffe 0.23, durian coffe 0.00, choco creamy 0.15, choco
durian 0.00, choco royal 0.45, vanilla 1.03, anggur 0.13, blueberry 0.33, leci 0.10,
mangga 0.38 dan memiliki nilai rata-rata 0.293 (Hamdi, Indriani, & Muliadi, 2019).
13
bahan-bahan kimia yang dibeli secara bersamaan sehingga didapatkan pola bahan
kimia yang harus dibeli secara bersamaan sehingga dapat menjamin ketersediaan
stok untuk barang yang terkait dan dapat mengurangi pembelian bahan kimia yang
tidak jarang dibeli bersamaan sehingga optimalisasi stok bahan kimia dapat lebih
efektif (Erwansyah, 2019).
f. Barkah, Novalia, Entin Sutinah, and Nani Agustina. "Metode Asosiasi Data Mining
Untuk Analisa Persediaan Fiber Optik Menggunakan Algoritma Apriori." (2020).
Dengan Metode Apriori. Dengan hasil Mengumpulkan data dan membuat
pengelempokan data pengeluaran fiber optic pada PT. Bahana Arta Nusantara yang
dimana lebih banyak mengeluarkan berdasarkan 14 jenis macam dari fiber optic
dan respresentasi data pengeluaran diperoleh 3 itemset fiber optic Kabel 24 Core,
Tiang dan Suspen .Proses penentuan pola data pengeluaran dapat dilihat
berdasarkan pola kombinasi 2 (dua) dan 3 (tiga) itemsets. Dan PT. Bahana Arta
Nusantara dapat mengatur posisi penempatan jenis fiber optic secara berdekatan
untuk mempermudah dalam mengatahui yang lebih sering dibutuhkan.Pada
penelitian selanjutnya agar dapat dikembangkan dengan perhitungan menggunakan
Assosiasi Algoritma Apriori dengan pola kombinasi lebih dari 3 (tiga) itemsets dan
data item yang digunakan lebih banyak, karena semakin banyak data item makin
akurat untuk hasil perhitungan atau juga dapa menggunakan metode yang lainya
yang berkaitan dengan assosiasi data mining seperti FP-Growth (Frequent Pattern
Growth (Barkah, Sutinah, & Agustina, 2020).
g. Novianti, Agnes, and Erlin Elisa. "Penentuan Aturan Asosiasi Pola Pembelian Pada
Minimarket Dengan Algoritma Apriori." (2020). Dengan metode Apriori. Dengan
hasil a. Untuk menganalisis pola pembelian konsumen dapat dilakukan dengan
menerapkan Data Mining yaitu menggunakan metode algoritma apriori. Dengan
metode algoritma apriori dapat dilihat pola perilaku konsumen dalam membeli
suatu barang berdasarkan kombinasi 2 itemset. Selain itu hasil perhitungan dapat
dimanfaatkan untuk penentuan tata letak barang yang cenderung di beli bersamaan
agar berada di tempat yang berdekatan. b. Dengan metode algoritma apriori dapat
mempermudah proses pembentukan kecenderungan pola kombinasi itemset
terutama hasil penjualan pokok rumah tangga pada 212 Mart yaitu dengan nilai
support dan nilai confidence tertinggi yaitu Telur dan Mie dengan nilai support
40% dan nilai confidence 85.71% (Novianti, & Elisa, 2020).
14
i. Mamahit, Natalia, and Anita Qoiriah. "Penerapan Algoritma Fp-Growth dan K-
Means pada Data Transaksi Minimarket. Metodologi Fp-Growth dan K means.
Dengan hasil Menurut hasil penelitian yang telah dilakukan oleh peneliti maka
diperoleh kesimpulan bahwa sistem penerapan algoritma FP-Growth dan K-Means.
Pada penelitian ini berhasil dibuat rekomendasi untuk 10 rak yang ada di
minimarket. Serta pada penelitian ini berhasil dibuat rekomendasi untuk 21 paket
atau bundle. Dari hasil pengujian yang dilakukan, seluruh hasil dari sistem ini
memiliki hasil yang sama dengan hasil pada software Rapidminer. Serta dari
perbandingan algoritma antara FP-Growth dengan FP-Growth dan K-Means
menggunakan software RapidMiner diperoleh bahwa algoritma FP-Growth dan K-
Means lebih mampu menghasilkan banyak rules dibandingkan algoritma FProwth
saja (Mamahit, & Qoiriah, 2019).
k. Isa, Indra Griha Tofik, and Dicky Jhoansyah. "Implementasi Association Rules
Dalam Menentukan Posisi Gerobak (Studi Kasus: Foodcourt Universitas
Muhammadiyah Sukabumi)." Metode Apriori dan hasil Hasil dari analisis data
mining dengan menggunakan association rules menghasilkan 10 rules dengan
terdapat 2 rule dengan nilai confident tertinggi sebesar 0.97 atau 97% yakni: a. Jika
pelanggan tidak membeli menu di Gerobak 8, maka tidak membeli juga menu di
Gerobak 13 b. Jika pelanggan tidak membeli menu di Gerobak 8, maka tidak
membeli juga menu di Gerobak 10 (Isa, & Jhoansyah, 2019).
15
2.2.2 Perbedaan penelitian sebelumnya dengan penelitian sekarang
Tabel 2.1 Perbedaan penelitian sebelumnya dengan penelitian sekarang
No Peneliti, Tahun Judul Penelitian Metode yang Hasil yang digunakan
digunakan
1 Kurniawan, sigit, Analisis algoritma fp-growth Metode Dari penelitian yang telah dilakukan pada objek mt
windu gata, and hari untuk rekomendasi produk pada penelitian shop kelapa gading, pengolahan data transaksi
wiyana. 2018 data retail penjualan produk crisp-dm penjualan selama satu tahun pada toko tersebut yang
kosmetik (studi kasus: mt shop dibentuk dalam itemset dan diolah menggunakan
kelapa gading). rapidminer 8.0 didapatkan nilai confidence tertinggi
adalah 0,899 atau sekitar 89% dengan aturan (rule)
pada setiap pembelian produk masker beras putih
dapat dipastikan akan membeli putih langsat facial
foam.
2 Pranata, Boby "Penerapan Data Mining Algoritma 1. Meningkatkan persedian sparepart pada bengkel
Septia, and Dito Algoritma FP-Growth Untuk FP-Growth motor berdasarkan data dari bengkel sinar service.
Putro Utomo. 2020 Persediaan Sparepart Pada 2. Pengujian peningkatan persedian sparepart dengan
Bengkel Motor (Study Kasus fp-growth menggunakan aplikasi Rapidminer 7.3.
Bengkel Sinar Service). 3. Hasil pengujian menghasilkan bahwa sparepart x.y
dengan nilai 8.9 tertinggi dan terendah s.t
berdasarkan prosesfp-growth an data bengkel sinar
service.
3 Rudianto 2019 Penerapan data mining untuk Data Hubungan keterkaitan barang yang satu dengan
menganalisa data penjualan mining barang yang lainnya. Dan dari hubungan
pada toko bangunan restu algoritma keterkaitan tersebut digunakan untuk mengatur
bunda apriori penempatan
16
No Peneliti, Tahun Judul Penelitian Metode yang Hasil yang digunakan
digunakan
menggunakan metode Apriori barang. dalam penggunaan aplikasi data mining
ini dapat membantu dan mengidentifikasi
analisis data minin yang akan digunakan untuk
mengatur penempatan barang yang berdekatan
berdasarkan nilai frekuensi paling banyak.
4 Hamdi, abi, fatma Metode timeseries k-nearest Metodehti Nilai k-optimal pada metode k-nearest neighbor
indriani, and neighbor regression dalam meseries regression untuk prediksi barang keluar pada
muliadi muliadi prediksi barang keluar pada K-nearest gudang pt. Putra preneur mitra makmur abadi
2019 gudang pt putra prenuer Neighbor banjarbaru adalah 5. Perhitungan prediksi
banjarbaru “ pengeluaran barang dengan menggunakan k-
optimal ( 5 ) pada metode k-nearest neighbor
regression didapatkan tujuhbelas varian yaitu
sebagai berikut ; greentea 0.90, thaitea 0.28,0.25,
red velvet 0.38, avocado coffe 0.00, cappucino
0.38, caramel coffe 0.00, creamy coffe 0.23,
durian coffe 0.00, choco creamy 0.15, choc
durian 0.00, choco royal 0.45, vanilla 1.03,
anggur 0.13, blueberry 0.33, leci 0.10, mangga
0.38 dan memiliki nilai rata-rata 0.293.
5 Erwansyah, kamil Implementasi data mining untuk
Metode fp- Implementasi data mining untuk menganalisa
2019 menganalisa hubungan data growth hubungan data penjualan produk bahan kimia
penjualan produk bahan kimia
(frequent terhadap persediaan stok barang menggunakan
pattem
terhadap persedian stok Barang algoritma fp
Menggunakan Algoritma FP growth)
(Frequent Pattern) Growth
Pada PT. Grand Multi
Chemicals
17
No Peneliti, Tahun Judul Penelitian Metode yang Hasil yang digunakan
digunakan
18
No Peneliti, Tahun Judul Penelitian Metode yang Hasil yang digunakan
digunakan
dilihat pola perilaku konsumen dalam membeli suatu
barang berdasarkan kombinasi 2 itemset. Selain itu
hasil perhitungan dapat dimanfaatkan untuk
penentuan tata letak barang yang cenderung di beli
bersamaan agar berada di tempat yang berdekatan
8 Surojuddin, "penerapan algoritma apriori Metode data Setelah melalui tahapan pembahasan penelitian
nurhadi, and untuk menentukan penjualan mining penerapan algoritma apriori untuk menentukan
khoerrudin produk pada minimarket studi algoritma penjualan produk pada minimarket studi kasus
khoerrudin. 2019 kasus indomaret ruko ventura." apriori indomaret ruko ventura, didapatkan kesimpulan
bahwa pada
Penelitian tersebut dapat menemukan kombinasi dari
produk yang sering dibeli oleh konsumen secara
bersamaan dan diharapkan dapat meningkatkan
barang yang terjual pada toko indomaret ruko
ventura. Hasil dari penelitian ini dapat menjawap
permasalahan yang diangkat oleh peneliti
9 Mamahit, natalia, "penerapan algoritma fp-growth Dari hasil pengujian yang dilakukan, seluruh
and anita qoiriah dan k-means pada data transaksi hasil dari sistem ini memiliki hasil yang sama
2019 minimarket." dengan hasil pada software rapidminer. Serta
dari perbandingan algoritma antara fp-growth
dengan fp-growth dan k-means menggunakan
software rapidminer diperoleh bahwa algoritma
fp-growth dan k-means lebih mampu
menghasilkan banyak rules dibandingkan
algoritma fprowth saja
19
No Peneliti, Tahun Judul Penelitian Metode yang Hasil yang digunakan
digunakan
10 Hamengkubudi, Implementasi metode algoritma Sistematika Hasil perhitungan algoritma apriori dengan
arva abhyoso, apriori untuk menemukan penelitian menggunakan rapidminer dengan penetapan nilai
rachmadita association rules data obat di algoritma support sebesar 30% dan nilai confidence sebesar
andreswari, and rumah sakit port medical center apriori 50% adalah 5 rules.
irfan darmawan jakarta
(2020)
11 Isa, indra griha "implementasi association rules Bagan alir Hasil dari analisis data mining dengan
tofik, and dicky dalam menentukan posisi penelitian Menggunakan association rules menghasilkan 10
jhoansyah. (2018) gerobak (studi kasus: foodcourt association rules dengan terdapat 2 rule dengan nilai confident
universitas muhammadiyah rules data tertinggi sebesar 0.97 atau 97% yakni: a. Jika
sukabumi)." mining pelanggan tidak membeli menu di gerobak 8,
maka tidak membeli juga menu di gerobak 13.
12 Takdirillah, robby. "penerapan data mining Alur Diperoleh menunjukan bahwa program tersebut
(2020) menggunakan algoritma apriori knowledge dinyatakan layak untuk digunakan, karena aturan
Terhadap data transaksi discovery in asosiatif yang dibentuk dan nilai support. Informasi
penjualan bisnis ritel." database keterkaitan antar item yang dihasilkan merupakan
algoritma aturan asosiatif yang memiliki nilai lift sama dengan
apriori 1 atau lebih dari 1.
20
2.3.Kerangka Konsep/Pola Pikir Pemecahan Masalah
Kerangka konsep yang akan dijalankan mulai dari mengexport data dari database,
lalu akan dilakukan cleansing re-procesing untuk memastikan tidak ada missing value
dalam pengelolaan data mining.
21
Tahapan ini dilakukan untuk mendapatkan hubungan antar item yang ada di
data penjualan yang ada. Hubungan ini lah membentuk rule atau aturan-aturan.
f. Ouput rule dan aturan
Tahapan ini adalah proses dimana output rule dan aturan seperti lift ratio
didapatkan dari algoritma Fp-growth dan Apriori.
g. Menarik kesimpulan
Tahapan dimana semua tahapan dilakukan dilakukan penarikan kesimpulan
dari tahapan yang sudah dilakukan.
2.4.Hipotesis
Berdasarkan uraian kerangka konsep pemikiran diatas maka hipotesis dari
penlitian ini sebagai berikut:
a. Diduga data penjualan dapat dilakukan analisis untuk memberikan informasi
mengenai produk-produk yang paling banyak terjual dan saling berhubungan di
Hendra mart untuk masa pandemic saat ini.
b. Diduga aturan-aturan yang dihasilkan di algoritma Fp-Growth berbeda dengan
Algoritma Apriori.
c. Diduga dengan perbandingan waktu eksekusi dan Memori yang digunakan pada
nilai Lift Ratio data penjualan barang dari transaksi yang sudah ada maka informasi
yang di hasilkan akan lebih akurat. Dan jika metode ini berhasil memberikan
informasi untuk kebutuhan penyediaan stok barang pada Hendra mart pada masa
pandemic ini terjadi.
22
BAB III
METODOLOGI DAN DESAIN/RANCANGAN PENELITIAN
3.2.Pengumpulan Data
Metode pengumpulan data yang digunakan dalam penelitian ini adalah:
a. Studi pustaka
Adalah segala usaha yang dilakukan peneliti untuk menghimpun informasi
yang relevan dengan topik atau masalah yang akan atau sedang diteliti. Informasi
itu dapat diperoleh dari buku-buku ilmiah, sumber-sumber tertulis baik cetak
maupun elektronik lain (Sugiyono, 2015).
Dalam tahapan ini penulis melakukan studi pustaka untuk mendapatkan
informasi dan data yang dapat menunjang untuk dasar penelitian.
b. Dokumentasi
Adalah salah satu metode pengumpulan data kualitatif dengan melihat atau
menganalisis dokumen-dokumen yang dibuat oleh subjek sendiri atau oleh orang
lain tentang subjek (Sugiyono, 2015).
Dalam tahapan ini penulis melakukan dokumentasi sebagai bukti bahwa penulis
melakukan penelitian. Dokumentasi ini bisa berupa foto maupun dokumen yang
lain.
23
c. Observasi
Sukandarrumidi (2012) mendefinisikan observasi adalah pengamatan dan
pencatatan suatu objek dengan sistematika fenomena yang diselidiki.
Dalam tahapan ini penulis melakukan observasi penelitian yang penulis
lakukan baik itu dalam sistem yang penulis buat maupun observasi tentang Analisis
Pola Pembelian Barang Menggunakan Metode Fp-Growth Dan Apriori (Studi
Kasus: Hendra Mart). Data yang digunakan yaitu data penjualan dimana yang
digunakan yaitu data penjualan tahun 2019, 2020 dan 2021. Sampel datanya
terdapat digambar 4.1 data penjualan 2019, digambar 4.2 data penjualan 2020 dan
digambar 4.3 data penjualan 2021.
d. Sampling
Teknik sampling adalah teknik yang dilakukan dalam pengambilan sampel
yang akan digunakan dalam penelitian. Adapun data yang digunakan pada
penelitian ini adalah data sekunder. Data sekunder adalah data yang sudah ada
sebelumnya. Adapun data yang dimaksud pada penelitian ini adalah data stok.
Sedangkan data primer adalah data yang digunakan yaitu data penjualan
Populasi dalam penelitian ini adalah pemilihan sampel dengan
mengindentifikasi populasi target yaitu populasi yang relevan dengan tujuan
masalah dalam penelitian. Populasi dalam penelitian ini adalah data penjualan dan
stok.
Teknik pengambilan sampel yang digunakan adalah convenience sampling.
Convenience sampling adalah pengambilan sampel didasarkan pada ketersediaan
elemen dan kemudahan untuk mendapatkannya (Sugiyono : 2001).
Gambar 3.1 Model Cross Standard Industries Process for Data Mining
24
a. Business understanding
Tahapan pertama yang dilakukan dalam penelitian ini yaitu Studi Pustaka
Algoritma Apriori dan Fp-Growth. Observasi dan interview dengan pihak Hendra
mart. Berdasarkan observasi yang dilakukan diambillah data transaksi penjualan
pada Hendra mart tahun 2019, 2020 dan 2021. Dimana data tersebut akan diolah
untuk mengetahui perbandingan pola pembelian dan kemudian akan menjadi
rekomendasi stok barang yang ada di Hendra mart.
b. Data understanding
Tahapan kedua yaitu melakukan analisis data (Preprocessing Data) yang
didapatkan yaitu data transaksi tahun 2019,2020 dan 2021. Data tersebut
selanjutnya diolah untuk dijadikan data tranning dan data testing
c. Data Preparation
Persiapan data yang dilakukan dalam penelitian ini adalah mengolah data
mentah menjadi data yang dapat diolah dengan data mining. Tahapan selanjutnya
yaitu Data Consolidation digunakan untuk collect data, select data dan integrate
data. Sebelum diolah akan dilakukan data cleaning dimana data yang tidak lengkap
akan dibuang dan tidak digunakan. Tahapan berikutnya dilakukan data
transformation dimana dilakukan normalize data, discretize data dan construct new
atribut. Setelah itu masuk data reduction dimana reduce number of variables,
reduce number of cases dan balance skewed data.
d. Modelling
Pada tahapan pemodelan ini, terdapat dua metode yang akan digunakan yaitu
algoritma Fp-Growth yang selanjutnya dilakukan perbandingan dengan algoritma
Apriori. Setelah frekuensi tinggi diperoleh, aturan yang memenuhi syarat
confidence minimum dicari dengan menghitung confidence aturan asosiatif. Dalam
menghitung confidence dilakukan pertukaran itemset. Misalkan kombinasi 2
itemset yaitu A → B, maka dibalik menjadi B → A. Begitu juga dengan kombinasi
3 itemset yaitu A, B → C, maka dibalik menjadi A, C → B dan B, C → A. Masing-
masing nilai support itemset mungkin akan tetap sama, namun kemungkinan akan
mempunyai nilai confidence yang berbeda. Hal ini untuk mengetahui nilai
confidence mana yang terbesar dari setiap itemset. Perhitungan confidence untuk
kombinasi 2 itemset dinyatakan dalam Persamaan 2a. Perhitungan confidence
untuk kombinasi 3 itemset dinyatakan dalam Persamaan 2b. Perbandingan ini
menggunakan lift ratio dimana digunakan mengukur seberapa penting rule yang
teleh terbentuk berdasarkan nilai support dan confidence.
e. Evaluation
Dalam tahapan evaluasi, akan menggunakan uji lift ratio menghasilkan ukuran
untuk menguji kevalidan aturan yang sudah terbentuk dan mengetahui kekuatan
pada association rule yang telah terbentuk. Pada tahap ini dilakukan pengajian
25
kevalidan aturan apakah benar produk A dibeli bersamaan dengan produk B. Suatu
aturan dikatakan valid jika nilai lift ratio lebih dari 1. Hal ini berarti aturan dapat
digunakan sebagai acuan dalam rekomendasi produk. Nilai lift ratio dihitung
dengan menggunakan Persamaan 3. Nilai benchmark confidence diperoleh dengan
menggunakan Persamaan 4. Parameter BC (A,B) menyatakan benchmark
confidence produk A dan B. Parameter Nc menyatakan jumlah transaksi dengan
item yang menjadi consequent, sedangkan N jumlah transaksi keseluruhan.
𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑡 (𝐴,𝐵)
𝐿𝑖𝑓𝑡 𝑅𝑎𝑡𝑖𝑜 (𝐴, 𝐵) = (3.1)
𝐵𝐶(𝐴,𝐵)
𝑁𝑐
𝐵𝐶(𝐴, 𝐵) = (3.2)
𝐶)
26
BAB IV
PEMBAHASAN DAN HASIL
4.1 Pembahasan
4.1.1 Pengumpulan Data
Dalam penelitian ini dilakukan beberapa tahapan pengumpulan data. Dimana
tahapan tersebut sebagai berikut:
a. Studi Pustaka
Dalam tahapan ini didapatkan 9 jurnal sebagai refrensi dan contoh penelitian
sebelumnya. 9 jurnal tersebut ada di bab 2 tinjauan study. Serta dijabarkan perbedaan
penelitian sekarang dan penelitian sebelumnnya.
b. Dokumentasi
Dalam tahapan ini didapatkan dokumentasi penjualan dari Hendra Mart. Dimana
dokumentasi penjualan tersebut didapatkan data penjualan tahun 2019, 2020 dan 2021.
c. Observasi
Dalam tahapan ini dilakukan pengamatan data dimana data yang akan dipakai maupun
data yang tidak akan dipakai. Data yang dipakai yaitu data yang berkaitan dengan bahan
pokok seperti data makanan, susu, mie, telur dan Roti.
d. Sampling
Tahapan ini dilakukan pengambilan sampling yang ada di data penjualan dimana
masing-masing tahun akan didapatkan sampling data. Pada tahun 2019 didapatkan data
sampling sebanyak 1218 dimana data tersebut terdiri dari data makanan, susu, minuman
dan mie. Sedangkan data sampling tahun 2020 didapatkan data sebanyak 1194 data yang
terdiri dari makanan, susu, minuman dan mie. Dan data tahun 2021 didapatkan data
sebanyak 864 data yang terdiri dari the, telur, mie dan makanan.
27
Gambar 4.1 Data penjualan 2019
28
Gambar 4.3 Data penjualan 2021
4.1.2.2 Data Understanding
a. Preprocessed Data
Dalam tahapan ini didapatkan data yang sudah diproses dimana data tersebut
sebanyak 1218 pada tahun 2019, 1194 pada tahun 2020 dan 808 data pada tahun
2021. Data tersebut sebagi berikut:
Tabel 4.1 Data Preprocessed 2019
id_data id_transaksi item Tanggal
1 T190001 MIE 1/5/2019
2 T190001 MIE 1/5/2019
MINYAK
3 T190001 GORENG 1/5/2019
AIR
4 T190001 MINERAL 1/5/2019
5 T190001 MIE 1/5/2019
6 T190001 MINUMAN 1/5/2019
7 T190001 MIE 1/5/2019
8 T190001 MIE 1/5/2019
9 T190001 MINUMAN 1/5/2019
10 T190001 MINUMAN 1/5/2019
11 T190001 MINUMAN 1/5/2019
29
id_data id_transaksi
item Tanggal
12 T190001 MIE 1/5/2019
AIR
13 T190001 MINERAL 1/5/2019
14 T190001 MINUMAN 1/5/2019
15 T190001 MINUMAN 1/5/2019
16 T190001 MINUMAN 1/5/2019
AIR
17 T190001 MINERAL 1/5/2019
…. …………… …………. …………
1210 T190100 MIE 1/17/2019
1211 T190100 MINUMAN 1/17/2019
AIR
1212 T190100 MINERAL 1/17/2019
1213 T190100 MIE 1/17/2019
AIR
1214 T190100 MINERAL 1/17/2019
1215 T190100 MINUMAN 1/17/2019
1216 T190100 MINUMAN 1/17/2019
1217 T190100 MINUMAN 1/17/2019
1218 T190100 MINUMAN 1/17/2019
30
id_data id_transaksi item Tanggal
18 T200001 SUSU 1/1/2020
……... ……. …………. ………..
1202 T200100 MINUMAN 2/13/2020
1203 T200100 SUSU 2/13/2020
1204 T200100 SUSU 2/13/2020
1205 T200100 SUSU 2/13/2020
1206 T200100 SUSU 2/13/2020
1207 T200100 SUSU 2/13/2020
1208 T200100 SUSU 2/13/2020
1209 T200100 SUSU 2/13/2020
1210 T200100 SUSU 2/13/2020
1211 T200100 MINUMAN 2/13/2020
31
id_data id_transaksi item Tanggal
…… ………. ………… …………
858 T210090 TEH 1/15/2021
859 T210090 MINYAK 1/15/2021
860 T210090 MINYAK 1/15/2021
861 T210090 MINYAK 1/15/2021
862 T210090 MAKANAN 1/15/2021
ICE BEKU
CREAM
b. Data Tranning
Dalam tahapan data tranning akan diambil sebanyak 1000 pada tahun 2019,
994 pada tahun 2020 dan 388 data pada tahun 2021. Data ini digunakan sebagai
pengetahuan lebih agar dapat dihasilkan pola perbandingan yang baik.
c. Data Testing
Dalam tahapan data Testing akan diambil sebanyak 218 pada tahun 2019,
200 pada tahun 2020 dan 444 data pada tahun 2021. Data ini digunakan untuk
melakukan testing aplikasi sehingga mendapatkan pola data yang ada di FP-
Growth dan Apriori.
4.2 Hasil
4.2.1 Data Preparation
4.2.1.1 Data Consolidation
Pada tahapan data consolidation ini dilakukan penggabungan data dari tahun 2019
sampai 2021. Penggabungan ini agar bisa memudahkan dalam pengolahan data.
Penggabungan data ini sebagai berikut:
Tabel 4.4 Data Consolidtion tahun 2019,2020 dan 2021
32
id_data id_transaksi item Tanggal
11 T190001 MINUMAN 1/5/2019
12 T190001 MIE 1/5/2019
AIR
13 T190001 MINERAL 1/5/2019
14 T190001 MINUMAN 1/5/2019
15 T190001 MINUMAN 1/5/2019
16 T190001 MINUMAN 1/5/2019
…… ………… ……….. …………
592 T190072 MINUMAN 1/10/2019
MINYAK
593 T190073 GORENG 1/10/2019
594 T190073 MINUMAN 1/10/2019
2358 T210063 MIE 1/25/2021
2359 T210063 MIE 1/25/2021
2360 T210063 TELUR 1/25/2021
2361 T210063 MIE 1/25/2021
2362 T210063 TELUR 1/25/2021
2363 T210063 TEH 1/25/2021
2364 T210063 BERAS 1/25/2021
2365 T210063 TEH 1/24/2021
2366 T210064 TELUR 1/24/2021
2367 T210064 MIE 1/24/2021
2368 T210064 MIE CUP 1/24/2021
2369 T210064 TEH 1/24/2021
2370 T210064 TEH 1/24/2021
2371 T210064 TEH 1/24/2021
2372 T210064 TEH 1/24/2021
2373 T210064 SUSU 1/24/2021
2374 T210064 TEH 1/24/2021
2375 T210064 SUSU 1/24/2021
2376 T210064 SUSU 1/24/2021
2377 T210064 SUSU 1/24/2021
2378 T210064 TEH 1/24/2021
2379 T210064 SUSU 1/24/2021
2380 T210064 SUSU 1/24/2021
2381 T210064 TEH 1/24/2021
2382 T210064 TEH 1/24/2021
33
4.2.1.2 Data Cleanning
Cleaning Data perlu dilakukan agar data terhindar dari duplikasi data, data yang
tidak konsisten, memperbaiki kesalahan data, atau dilakukan penambahan data untuk
menunjang sistem yang dibuat.
4.2.1.3 Data Tranformation
Setelah melakukan tahapan Pre-Processing dan Cleaning Data kemudian
dilanjutkan dengan tahapan Transformation, yaitu tahap untuk mengubah data dari bentuk
asalnya menjadi data yang siap untuk digunakan. Data ini digunakan sebagai dataset yang
akan digunakan untuk memudahkan proses data mining. Proses data mining ini digunakan
menggunakan algoritma FP-Growth dan Apriori.
4.2.1.4 Data Reduction
Setelah data dilakukan data transformation selanjutnya dilakukan data reduction
dimana data yang kurang lengkap atau data yang kurang baik dihilangkan. Hal ini
digunakan untuk mengurangi jumlah data agar mendapatkan data yang siap digunakan.
4.2.2 Modeling
4.2.2.1 FP-Growth
Pada tahapan modeling dengan metode atau algoritma FP-Growth dilakukan
dengan 2 data. Data yang digunakan yaitu data tranning dan data testing. Data ini
sebagai hasil dan pengetahuan tambahan. Data tersebut sebagai berikut:
a. Data Tranning
1) Frequent Itemset
Dalam tahapan Frequent Itemset ini didapatkan data tertinggi itemset mie
mendapatkan data sebanyak 125 data dengan support 57,3%. Sedangkan yang
terrendah minyak goreng dengan data sebanyak 34 data dengan support 20,48%.
Data tersebut sebagai berikut:
34
yaitu susu dengan banyaknya data 10. Data tersebut terjabarkan di gambar
dibawah ini:
35
Gambar 4.7 Conditional Fp Tree data tranning
5) Frequency Patern
Didapatkan Frequency Patern dari proses data tranning algoritma FP-
Growth sebagai berikut:
36
1) Frequent Itemset
Didapatkan Frequent Itemset dari proses data testing algoritma FP-Growth
sebagai berikut:
37
3) Conditional Patern Base
Didapatkan Conditional Patern Base dari proses data testing algoritma FP-
Growth sebagai berikut:
38
Gambar 4.14 Frequency Patern base pada data testing
6) Aturan Asosiasi
Pada tahapan aturan asosiasi ini didapatkan data pada rule pertama didapatkan
jika mie cup maka mie dihasilkan support 10/45=21,74%, confidence 10/10=100%
dan Lift ratio sebesar 1,64. Data-data tersebut dijabarkan pada gambar dibawah
ini:
39
4.2.2.2 Apriori
Pada tahapan modeling dengan metode atau algoritma Apriori dilakukan dengan
2 data. Data yang digunakan yaitu data tranning dan data testing. Data ini sebagai hasil
dan pengetahuan tambahan. Data tersebut sebagai berikut:
a. Data Tranning
1) C1 (Kandidat 1-itemset)
Dalam tahapan c1 atau kandidat 1 item set didapatkan hasil terbanyak yaitu item
set mie dengan banyaknya data 125 dengan support yang didapatkan yaitu 75,3%.
Sedangkan yang terrendah yaitu itemset beras dengan banyaknya data 3 dengan
support yang didapatkan yaitu 1,81%. Data tersebut dijabarkan sebagai berikut:
40
3) C2 (Kandidat 2-itemset)
Dalam tahapan c2 atau kandidat 2 item set didapatkan hasil terbanyak yaitu
item set mie, susu dan mie,mie cup dengan banyaknya data 52 dengan support yang
didapatkan yaitu 31.33%. Data tersebut dijabarkan sebagai berikut:
41
5) Asosiasi (2-itemset)
Dengan sudah didapatkan c1, l1 ,c2 dan l2 tahapan selanjutnya didapatlan
asosiasi yang ada di data tranning. Data asosiasi tersebut sebagai berikut:
2) L1 (Large 1-itemset)
Dalam tahapan L1 didapatkan hasil terbanyak yaitu item set susu dengan
banyaknya data 38 dengan support yang didapatkan yaitu 82,61%. Sedangkan yang
terrendah yaitu itemset mie cup goreng dengan banyaknya data 10 dengan support
yang didapatkan yaitu 21.74%. Data tersebut dijabarkan sebagai berikut:
42
Gambar 4.22 Hasil L1 Data Testing
3) C2 (Kandidat 2-itemset)
Dalam tahapan c2 atau kandidat 2 item set didapatkan hasil terbanyak yaitu item
set susu, teh dengan banyaknya data 27 dengan support yang didapatkan yaitu 58,7.
Data tersebut dijabarkan sebagai berikut:
4) L2 (Large 2-itemset)
Dalam tahapan L2 didapatkan hasil terbanyak yaitu item set susu, teh dengan
banyaknya data 27 dengan support yang didapatkan yaitu 58,7%. Sedangkan yang
terrendah yaitu itemset mie,mie cup goreng dengan banyaknya data 10 dengan support
yang didapatkan yaitu 21.74%. Data tersebut dijabarkan sebagai berikut:
43
Gambar 4.24 Hasil L2 Data Testing
5) Asosiasi (2-itemset)
Dengan sudah didapatkan c1, l1 ,c2 dan l2 tahapan selanjutnya didapatlan asosiasi
yang ada di data tranning. Data asosiasi tersebut sebagai berikut:
44
7) L3 (Large 3-itemset)
Dalam tahapan L2 didapatkan hasil yaitu item set susu, the, telur dengan
banyaknya data 13 dengan support yang didapatkan yaitu 30,43% Data tersebut
dijabarkan sebagai berikut:
4.2.3 Evaluation
Pada tahapan ini akan ditampilkan hasil rift rasio yang dihasilan oleh kedua
algoritma yaitu algoritma FP-Growth dan Algoritma Apriori.rift rasio ini akan dibagi
menjadi 2 data lift ratio yautu lift rasio data tranning dan lift rasio data testing. Data lift
rasio tersebut sebagai berikut:
a. Data Tranning
1) FP-Growth
Dalam tahapan evaluation data testing di algoritma FP-Growth didapatkan hasil 7
rule dimana ini dihasilkan dari data sebanyak 166 data dengan minimum support 20%
dan Minimum Confident 50%. Data-data tersebut sebagai berikut:
45
Gambar 4.29 Hasil Evaluation Algoritma FP-Growth Data Tranning
2) Apriori
Dalam tahapan evaluation data testing di algoritma Apriori didapatkan hasil 7 rule
dimana ini dihasilkan dari data sebanyak 166 data dengan minimum support 20% dan
Minimum Confident 50%. Data-data tersebut sebagai berikut:
46
Gambar 4.30 Hasil Evaluation Algoritma Apriori Data Tranning
b. Data Testing
1) FP-Growth
Dalam tahapan evaluation data testing di algoritma FP-Growth didapatkan hasil
16 rule dimana ini dihasilkan dari data sebanyak 46 data dengan minimum support
20% dan Minimum Confident 50%. Data-data tersebut sebagai berikut:
47
Gambar 4.31 Hasil Evaluation Algoritma FP-Growth Data Testing
2) Apriori
Dalam tahapan evaluation data testing di algoritma Apriori didapatkan hasil 16
rule dimana ini dihasilkan dari data sebanyak 46 data dengan minimum support 20%
dan Minimum Confident 50%. Data-data tersebut sebagai berikut:
48
Gambar 4.32 Hasil Evaluation Algoritma Apriori Data Testing
49
BAB V
KESIMPULAN
5.1 Kesimpulan
Berdasarkan penelitian dan hasil pengujian yang dilakukan terhadap
Analisis Metode FP-Growth Dan Apriori Untuk Menentukan Pola Pembelian
Konsumen Di Masa Pandemi (Studi Kasus: Hendra Mart), disimpulkan
bahwa :
a. Dari hasil yang sudah didapatkan barang yang sering laku lebih banyak
menggunakan algoritma FP-Growth. Dimana algoritma Fp-Growth
didapatkan rincian seperti susu, telur maka teh dihasilkan support 30.43%
dengan Confident 100% serta mendapatkan Lift Ratio 1.64.
b. Didapatkan data lift ratio yang berbeda pada algoritma FP-Growth dan
Apriori pada data testing maupun data tranning. Salah satu contohnya
didata testing algoritma Apriori teh, mie dan susu mendapatkan support
30,43% dan Lift Ratio 1,21 sedangkan didata testing algoritma FP-
Growth support 28,26% dan Lift Ratio 1,21.
c. Didapatkan waktu yang berbeda pada kedua algoritma. Salah satunya
didata testing algoritma FP Growth didapatkan 0,02357 detik dengan
memori yang dihasilkan 350,21 kilo byte, sedangkan algoritma Apriori
mendapatkan waktu 0,04241 Detik dengan memori yang digunakan
260,15 kilo byte
5.3 Saran
Berdasarkan hasil Analisis Metode FP-Growth Dan Apriori Untuk
Menentukan Pola Pembelian Konsumen Di Masa Pandemi (Studi Kasus:
Hendra Mart), menyarankan sebagai berikut:
a. Diharapkan dapat menganalisis lebih lanjut untuk pengembangan data
penjualan pada Hendra mart agar mendapatkan hasil yang lebih banyak
untuk persedian barang yang ada.
b. Melakukan analisis lanjutan dengan metode gabungan lainnya.
50
DAFTAR PUSTAKA
Alfian, R., & Putra, A. M. P. (2017). Uji Validitas dan Reliabilitas Kuesioner
Medication Adherence Report Scale (Mars) terhadap Pasien Diabetes Mellitus.
Jurnal Ilmiah Ibnu Sina, 2(2), 176-183.
Barkah, N., Sutinah, E., & Agustina, N. (2020). Metode Asosiasi Data Mining Untuk
Analisa Persediaan Fiber Optik Menggunakan Algoritma Apriori. Jurnal Kajian
Ilmiah, 20(3), 237-248.
Chapman, Pete, et al. "CRISP-DM 1.0: Step-by-step data mining guide." SPSS inc 9
(2000): 13.
Dwirahmadi, F. (2020, April 24). 3 Salah Kaprah Penerapan PSBB di Indonesia dan
Solusinya. From KOMPAS.com: https://www.kompas.com/sains/read/2
020/04/24/183327323/3-salah-kaprah-penerapan-psbb-di-indonesia-dan-
solusinya (Diakses tanggal 2 Mei 2021).
Dzulfaroh, A. N. (2020, Maret 12). Virus Corona Jadi Pandemi Global, Apa Dampak
dan Langkah Selanjutnya? From KOMPAS.com: https://www.kompas.com/
tren/read/2020/03/12/064800265/virus-corona-jadi-pandemi-global-apa-
dampak-dan-langkah-selanjutnya- (Diakses tanggal 2 Mei 2021).
Deliya, Mitul dan Bhavesh Parmar. 2012. Role of packaging on consumer buying
behavior–patan district. Global Journal of Management and Business Research
Erwin. 2009. Analisis Market Basket dengan Algoritma Apriori dan FP-Growth. Jurnal
Generic, 26-30.
Hamdi, A., Indriani, F., & Muliadi, M. (2019). Metode Timeseries K-Nearest
Neighbor Regression Dalam Prediksi Barang Keluar Pada Gudang Pt Putra
Prenuer Banjarbaru. Soliter, 2, 37-45.
Han, Jiawei., Kamber, Micheline. (2006). Data mining: Concepts and Techniques
Second Edition. San Fransisc : Morgan Kaufmann Publishers.
51
Algoritma Apriori Untuk Menemukan Association Rules Data Obat Di Rumah
Sakit Port Medical Center Jakarta. eProceedings of Engineering, 7(2).
Kurniawan, S., Gata, W., & Wiyana, H. (2018). Analisis Algoritma FP-Growth Untuk
Rekomendasi Produk Pada Data Retail Penjualan Produk Kosmetik (Studi
Kasus: MT Shop Kelapa Gading). In Seminar Nasional Teknologi Informasi
dan Komunikasi (SENTIKA) (pp. 61-69).
Kavitha, M., & Selvi, S. T. (2016). Comparative study on apriori algorithm and Fp
growth algorithm with pros and cons. International Journal of Computer
Science Trends and Technology (I JCS T)–Volume, 4.
Listriani, D., Setyaningrum, A. H., & Eka, F. (2018). Penerapan Metode Asosiasi
Menggunakan Algoritma Apriori Pada Aplikasi Analisa Pola Belanja
Konsumen (Studi Kasus Toko Buku Gramedia Bintaro). Jurnal Teknik
Informatika, 9(2), 120–127. https://doi.org/10.15408/jti.v9i2.5602.
Mamahit, N., & Qoiriah, A. (2019). Penerapan Algoritma Fp-Growth dan K-Means
pada Data Transaksi Minimarket. Journal of Informatics and Computer Science
(JINACS), 1(02).
North, Matthew. 2012. Data mining for the Masses. A Global Text Project Book.
Novianti, A., & Elisa, E. (2020). Penentuan Aturan Asosiasi Pola Pembelian Pada
Minimarket Dengan Algoritma Apriori. Building of Informatics, Technology
and Science (BITS), 2(1), 64-70.
Putri, G. S. (2020, Maret 12). WHO Resmi Sebut Virus Corona Covid-19 sebagai Pan
demi Global. From KOMPAS.com: https://www.kompas.com/sains/read/202
0/03/12/083129823/who-resmi-sebut-virus-corona-covid-19-sebagai-pandem
i-globa (Diakses tanggal 2 Mei 2021).
52
Pranata, B. S., & Utomo, D. P. (2020). Penerapan Data Mining Algoritma FP-Growth
Untuk Persediaan Sparepart Pada Bengkel Motor (Study Kasus Bengkel Sinar
Service). Bulletin of Information Technology (BIT), 1(2), 83-91.
Rudianto, A. (2019). Penerapan Data Mining Untuk Menganalisa Data Penjualan Pada
Toko Bangunan Restu Bunda Menggunakan Metode Apriori..
Susanto, Sani, Suryadi, Dedy. 2010. Pengantar Data mining : Menggali Pengetahuan
dan Bongkahan Data. Yogyakarta : Andi Publisher.
Syaifullah, M.A. 2010. Implementasi Data Mining Algoritma Apriori Pada Sistem
Penjualan. STMIK AMIKOM YOGYAKARTA. Yogyakarta : Sekolah Tinggi
Manajemen Informatika dan Komputer Amikom.
53
Lampiran-Lampiran
54
Lampiran 1
Data Penjualan umum 2020
Kode Item Nama Item Jenis Merek Jumlah Satuan Total Harga
011351 ULTRA MIMI VANILA 125ML SUSU CAIR 1,179.00 PCS 3,096,000.00
000005 KOREK GAS TOKAI PERABOTAN PERLENGK 1,164.00 PCS 2,319,000.00
APAN
UMUM
102509 SUN KARA 200ML KOTAK BAHAN 1,163.00 PCS 8,784,040.00
MASAK
001306 TORABIKA CREAMY LATTE KOPI 1,162.00 PCS 1,622,000.00
110113 ABC KECAP MANIS 135ML KECAP/SAUS 1,153.00 PCS 7,267,500.00
55
Data Penjualan umum 2019
Kode Item Nama Item Jumlah Satuan Total Harga
56
Data Penjualan Umum 2021
Kode Item Nama Item Jenis Merek Jumlah Satuan Total Harga
57
Lampiran 2
Data Tranning
58
…………… …………….. ………………. …………..
2338 T210061 MIE 1/25/2021
2339 T210061 MIE 1/25/2021
2340 T210061 MIE 1/25/2021
2341 T210061 MIE 1/25/2021
2342 T210061 MIE 1/25/2021
2343 T210062 MIE 1/25/2021
2344 T210062 MIE 1/25/2021
2345 T210062 MIE 1/25/2021
2346 T210062 MIE 1/25/2021
2347 T210062 MIE 1/25/2021
2348 T210062 THE 1/25/2021
2349 T210062 THE 1/25/2021
2350 T210062 THE 1/25/2021
2351 T210062 MIE CUP 1/25/2021
2352 T210062 THE 1/25/2021
2353 T210062 THE 1/25/2021
2354 T210063 MIE CUP 1/25/2021
2355 T210063 MIE CUP 1/25/2021
2356 T210063 MIE CUP 1/25/2021
2357 T210063 MIE 1/25/2021
2358 T210063 MIE 1/25/2021
2359 T210063 TELUR 1/25/2021
2360 T210063 MIE 1/25/2021
2361 T210063 TELUR 1/25/2021
2362 T210063 THE 1/25/2021
2363 T210063 BERAS 1/25/2021
2364 T210063 THE 1/24/2021
2365 T210064 TELUR 1/24/2021
2366 T210064 MIE 1/24/2021
2367 T210064 MIE CUP 1/24/2021
2368 T210064 THE 1/24/2021
2369 T210064 THE 1/24/2021
2370 T210064 THE 1/24/2021
2371 T210064 THE 1/24/2021
2372 T210064 SUSU 1/24/2021
2373 T210064 THE 1/24/2021
2374 T210064 SUSU 1/24/2021
2375 T210064 SUSU 1/24/2021
2376 T210064 SUSU 1/24/2021
59
2377 T210064 THE 1/24/2021
2378 T210064 SUSU 1/24/2021
2379 T210064 SUSU 1/24/2021
2380 T210064 THE 1/24/2021
2381 T210064 THE 1/24/2021
Data Testing
id_data id_transaksi item Tanggal
60
21 T190086 MINUMAN 1/14/2019
61
901 T210090 TEH 1/15/2021
62