Revisi Tesis Update Setelah Sidang 2

ANALISIS POLA PEMBELIAN BARANG MENGGUNAKAN
METODE FP-GROWTH DAN APRIORI

(STUDI KASUS PADA HENDRA MART)
TESIS
Oleh:
Rina Megawati H.
1911601183
PROGRAM STUDI MAGISTER ILMU KOMPUTER

FAKULTAS TEKNOLOGI INFORMASI
UNIVERSITAS BUDI LUHUR
JAKARTA
GASAL 2021/2022
TESIS
Diajukan untuk memenuhi salah satu persyaratan memperoleh gelar

Magister Ilmu Komputer (MKOM)
Oleh:
Rina Megawati H.
1911601183

JAKARTA
GASAL 2021/2022
i
ii
=================================================
PENGESAHAN TESIS
Nama Mahasiswa : Rina Megawati.H

Nomor Induk Mahasiswa : 1911601183
Konsentrasi : Rekayasa Komputasi Terapan
Jenjang Studi : Strata 2
Judul Tesis : Analisis Pola Pembelian Barang
Menggunakan Metode FP-Growth Dan
Apriori (Studi Kasus Pada Hendra Mart)
Jakarta, Januari 2022
Tim Penguji: Tanda Tangan:
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. ......................................................
Ketua Program Studi

Magister Ilmu Komputer
Dr. Rusdah, M.Kom.
iii
=================================================
SURAT PERNYATAAN TIDAK PLAGIAT DAN PERSETUJUAN
PUBLIKASI
Nama : …………………………………….
Nomor Induk Mahasiswa : …………………………………….
Konsentrasi : …………………………………….
Jenjang Studi : …………………………………….
Fakultas : …………………………………….
menyatakan bahwa TESIS yang berjudul:

Analisis Pola Pembelian Barang Menggunakan Metode FP-Growth Dan Apriori
(Studi Kasus Pada Hendra Mart)
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

Oleh: Rina Megawati H. (1911601183)
Menjaga persediaan barang pada sebuah perusahaan merupakan salah satu

aktivitas kerja yang sangat penting bagi perkembangan perusahaan karena persediaan
barang merupakan unsur utama dalam bidang perdagangan. Persediaan barang
diperlukan untuk menjamin kelancaran pemenuhan kebutuhan permintaan sebab bila
tidak ada persediaan barang maka kebutuhan tidak terpenuhi. Kemajuan atau
keberhasilan suatu perusahaan salah satunya dipengaruhi oleh persediaan barang.
Hendra Mart adalah salah satu toko serba ada yang menyediakan kebutuhan rumah
tangga sehari-hari. Seperti toko serba ada lainnya, penataan produk diperlukan pada
Hendra Mart yang diatur hanya berdasarkan kesediaan tempat saja, tanpa memikirkan
produk yang paling banyak terjual maupun saling berhubungan. Produk juga tidak
dikelola berdasarkan kebiasaan pembelian dari para konsumen, yang sebenarnya bisa
membantu promosi dengan membuat produk-produk yang diminati atau sering dibeli
oleh konsumen dibuat dalam satu paket yang saling berhubungan. Dari kasus yang
terjadi di Hendra Mart tersebut penelitian ini akan mencoba memberikan usulan terkait
sebuah cara bagi penganalisaan data penjualan produk untuk memaksimalkan strategi
pemasaran dan promosi produk dari Hendra Mart. Hasil penelitian ini juga memberikan
rekomendasi untuk bagian gudang dalam hal jumlah produk yang akan dibeli dari
supplier sesuai dengan hasil analisis data penjualan. Selain itu pula mencegah
terjadinya over stock yang akan berdampak pada jumlah produk yang kadaluarsa
menjadi berlebihan. Metode yang digunakan dalam penelitian ini penulis mengadopsi
model Cross Standard Industries Process for Data Mining (CRISP-DM). Algoritma
yang digunakan yaitu FP-Growth dan Apriori. Dari hasil yang sudah didapatkan barang
yang sering laku lebih banyak menggunakan algoritma FP-Growth didapatkan rincian
seperti susu, telur maka teh dihasilkan support 30.43% dengan Confident 100% serta
mendapatkan Lift Ratio 1.64.
Kata kunci: Hendra Mart, CRISP-DM, Data penjualan, Apriori, FP-Growth
v
ABSTRACT

By: Rina Megawati H. (1911601183)
Maintaining inventory in a company is one of the most important work activities

for the development of the company because inventory is the main element in the trade
sector. Inventory of goods is needed to ensure the smooth fulfillment of demand because
if there is no supply of goods, then the need is not met. The progress or success of a
company is influenced by inventory. Hendra Mart is a one-stop shop that provides daily
household needs. Like other convenience stores, product arrangement is required at
Hendra Mart which is regulated only based on space availability, without thinking
about the products that are sold the most or are interconnected. Products are also not
managed based on the buying habits of consumers, which can actually help promotion
by making products that consumers are interested in or frequently buy into one
interconnected package. From the case that occurred at Hendra Mart, this research
will try to provide suggestions regarding a way to analyze product sales data to
maximize marketing strategies and product promotions from Hendra Mart. The results
of this study also provide recommendations for the warehouse section in terms of the
number of products to be purchased from suppliers in accordance with the results of
sales data analysis. In addition, it also prevents the occurrence of over stock which will
have an impact on the number of expired products being excessive. The method used
in this study the authors adopted the Cross Standard Industries Process for Data
Mining (CRISP-DM) model. The algorithms used are FP-Growth and Apriori. From
the results that have been obtained, goods that often sell more using the FP-Growth
algorithm are obtained details such as milk, eggs, so tea is produced with support of
30.43% with 100% Confident and gets a Lift Ratio of 1.64.
Keywords:. Hendra Mart, CRISP-DM, Sales data, Apriori, FP-Growth
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
Tabel 1.1 Daftar Istilah ................................................................................................. 7

Tabel 2.1 Perbedaan penelitian sebelumnya dengan penelitian sekarang................... 16
Tabel 4.1 Data Preprocessed 2019 ............................................................................. 29

Tabel 4.4 Data Consolidation tahun 2019, 2020 dan 2021 ................................................ 32
x
Daftar gambar
Gambar 1.1 Data Penjualan 2019-2021 ........................................................................ 2

Gambar 2.1 Proses Knowledge Discovery in Databases (KDD) .................................. 8
Gambar 2.2 kerangka Konsep .................................................................................... 21
Gambar 3.1 Model Cross Standard Industries Process for Data Mining ................... 24
Gambar 4.1 Data penjualan 2019 ............................................................................... 28
Gambar 4.2 Data penjualan 2020 ................................................................................... 28
Gambar 4.3 Data penjualan 2021 ................................................................................... 29
Gambar 4.4 Tahapan Frequent Itemset data tranning ....................................................... 34
Gambar 4.5 Fp tree data Tranning .................................................................................. 35
Gambar 4.6 Conditional Patern Base Data tranning ......................................................... 35
Gambar 4.7 Conditional Fp Tree data tranning ................................................................ 36
Gambar 4.8 Frequency Patern data Tranning .................................................................. 36
Gambar 4.9 Aturan Asosiasi data Tranning ..................................................................... 36
Gambar 4.10 Frequent Itemset pada data Testing ............................................................ 37
Gambar 4.11 FP tree pada data testing ............................................................................ 37
Gambar 4.12 Conditional Patern base pada data testing ................................................... 38
Gambar 4.13 Conditional FP Tree pada data testing ....................................................... 38
Gambar 4.14 Frequency Patern base pada data testing ..................................................... 39
Gambar 4.15 Aturan Asosiasi Data testing ...................................................................... 39
Gambar 4.16 C1 Data tranning ...................................................................................... 40
Gambar 4.17 L1 Data tranning ....................................................................................... 40
Gambar 4.18 C2 Data tranning ...................................................................................... 41
Gambar 4.19 L2 Data tranning ....................................................................................... 41
Gambar 4.20 Hasil asosiasi Data tranning ....................................................................... 42
Gambar 4.21 Hasil C1 Data Testing ............................................................................... 42
Gambar 4.22 Hasil L1 Data Testing ............................................................................... 43
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
1.1 Latar Belakang

Badan kesehatan dunia (WHO) pada tahun 2020 mengemukakan pada website
resminya mengenai Covid-19. Covid -19 merupakan wabah penyakit global yang
disebabkan oleh virus corona terbaru. Wabah penyakit ini dapat menular dengan sangat
mudah antara manusia satu ke manusia lain. Pada Maret 2020 lalu, World Health
Organization (WHO) resmi mengumumkan bahwa COVID-19 merupakan pandemi
global (Putri, 2020). Penetapan COVID-19 sebagai pandemi global didasarkan atas
meningkatnya kasus sebanyak 13 kali lipat di luar China dan juga banyaknya negara
yang terinfeksi (Dzulfaroh, 2020). Berdasarkan Coronavirus COVID-19 Global Cases
oleh Johns Hopkins CSSE (2020), jumlah kasus penyakit yang dapat menginfeksi
saluran pernapasan ini pada 4 Mei 2020 telah mencapai 3,5 juta kasus di seluruh dunia
dan 1,1 juta diantaranya dinyatakan sembuh. Di Indonesia sendiri, pemerintah
menyampaikan data bahwa per 22 Juni 2020 tercatat ada 46.845 kasus positif virus
corona. Melalui kanal YouTube BNPB Indonesia, juru bicara pemerintah mengenai
penanganan COVID-19, Achmad Yurianto, menyampaikan lebih rinci data kasus virus
corona bahwa sejumlah 18.735 pasien dinyatakan sembuh dan 2.500 pasien dinyatakan
meninggal dunia. Mudahnya penyebaran virus membuat pemerintah Indonesia
terpaksa menetapkan kebijakan Pembatasan Sosial Berskala Besar (PSBB) pada 31
Maret 2020 (Dwirahmadi, 2020). Melalui kebijakan ini pemerintah menghimbau
masyarakat untuk menjaga jarak atau physical distancing.
Dengan adanya PSBB pemerintah melalui Peraturan Menteri Kesehatan
(Permenkes) No. 9 tahun 2020 mengenai Pedoman PSBB. Hal ini menyebabkan
terjadinya penutupan di sejumlah pusat keramaian, seperti sekolah, tempat rekreasi,
hingga tempat kerja. Dengan adanya kebijakan tersebut beberapa sector mengalami
kinerja yang menurun dan tidak efektif. Seperti dialami pada sector ritel (Minimarket).
Minimarket merupakan bentuk modern dari toko kelontong. Seperti halnya toko
kelontong, minimarket juga menjual bermacam-macam barang dan makanan.
Perbedaannya, minimarket mempunyai kodisi yang lebih nyaman dan juga
menerapkan sistem seperti yang berlaku di pasar swalayan, yaitu dimana pembeli
mengambil sendiri barang yang ingin dibeli dari rak-rak minimarket lalu membayarnya
di meja kasir. Salah satu minimarket yang ada di sintang yaitu Hendra Mart. Hendra
Mart merupakan minimarket yang lumayan besar dengan memiliki 3 buat cabang di
sintang. Hendra mart juga merupakan perusahaan dagang yang bergerak dibidang retail
untuk berbagai macam kebutuhan sehari-hari.
Persediaan barang merupakan salah satu aktivitas kerja yang sangat penting bagi
perkembangan perusahaan dagang karena persediaan barang merupakan unsur utama
dalam bidang perdagangan, diperlukan untuk menjamin kelancaran pemenuhan
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:
Data Penjualan 2019-2021

1400
1200
1000
800
600
400
200
0
Data penjualan 2019 Data Penjualan 2020 Data Penjualan 2021
Series 1
Gambar 1.1 Data Penjualan 2019-2021
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.
1.2 Masalah Penelitian

1.2.1. Identifikasi Masalah
Berdasarkan analisa yang dijabarkan penulis pada latar belakang, maka
dapat disimpulkan identifikasi masalah yang menjadi acuan dan perlu menjadi
perhatian khusus adalah sebagai berikut:
a. Masih belum teroganisirnya produk-produk yang paling banyak terjual dan saling
berhubungan selama pandemic Covid-19 yang mengakibatkan Persedian Barang
yang tidak Menentu dan Distibusi yang terhambat selama Pembatasan Sosial
Berskala Besar.
b. Belum adanya sebuah model yang memberikan informasi mengenai pola
pembelian barang dari jumlah penjualan produk dengan persediaan barang atau
Stok Barang yang ada di Hendra Mart.
1.2.2. Pembatasan Masalah

Dengan rumusan masalah yang telah di sebutkan di atas, maka penulis
membatasi masalah yang akan dianalisa mengingat adanya keterbatasan waktu
dalam proses penyusunan, yaitu :
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
1.2.3. Rumusan Masalah

Dari urain latar belakang masalah sebelumnya, maka dapat di ambil suatu
perumusan masalah, yaitu :
a. Bagaimana menganalisis data penjualan di Hendra mart, untuk mendapatkan pola
produk-produk yang paling banyak terjual dan saling berhubungan di Hendra mart
untuk mengetahui ketersedian barang digudang?
b. Bagaimana perbedaan atura-aturan yang dihasilkan oleh algoritm Fp-Growth dan
Algoritma Apriori?
c. Bagaimana perbandingan jumlah rule, waktu eksekusi, dan nilai lift ratio dari
penerapan algoritma Fp-Growth dan Algoritma Apriori?
1.3 Tujuan dan Mafaat Penelitian

1.3.1. Tujuan Penelitian
Dengan adanya rumusan masalah maka penulis membuat tujuan dari
penelitian ini yaitu :
a. Penerapan Perbandingan algoritma FP Growth dan Apriori dalam Mengetahui
pola pembelian barang-barang pada Hendra Mart.
1.3.2. Manfaat Penelitian

Dengan adanya tujuan maka penulis membuat manfaat dari penelitian ini
yaitu adalah :
a. Hasil dari penelitian ini dapat menjadi bahan masukan dan pertimbangan
dalam Mengetahui pola pembelian barang-barang pada Hendra Mart.
b. Memudahkan manajemen Hendra mart dalam melakukan persedian barang
semasa Pandemi Covid agar persedian dan permintaan seimbang tanpa adanya
kendala persedian barang.
c. Bagi peneliti lain dapat memotivasi untuk melakukan penelitian berikutnya dan
dapat dijadikan bahan pertimbangan untuk permasalahan serupa maupun
permasalahn lainnya dengan menggunakan metode yang sama.
1.4 Tata-Urut Penulisan

Tata urut penulisan atau sistematikapenulisan disusun sebagai berikut:
BAB I : PENDAHULUAN
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.
1.5 Daftar Istilah (Pengertian)

Beberapa daftar istilah yang dipergunakan dalam penyusunan tesis ini adalah
sebagai berikut:
Tabel 1.1 Daftar Istilah
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.
Data Mining Proses yang menggunakan teknik statistic, matematika,

kecerdasan buatan, dan machine elerning untuk
mengekstrasi dan mengidentifikasi informasi yang
bermanfaat dan pengetahuan yang terkait dari berbagai
database besar.
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.
Covid -19 Penyakit virus corona (COVID-19) adalah penyakit

menular yang disebabkan oleh virus corona yang baru-
baru ini ditemukan.
Fp Growth Salah satu alternatif algoritma yang dapat digunakan

untuk menentukan himpunan data yang paling sering
muncul (frequent itemset) dalam sebuah kumpulan data.
Apriori Algoritme untuk pembelajaran item rule mining dan

asosiasi yang sering dilakukan di atas basis data
relasional.
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.
2.1.2 Knowledge Discovery in Databases (KDD)

Knowledge Discovery in Databases (KDD) merupakan sekumpulan proses
untuk menemukan pengetahuan yang bermanfaat dari data. KDD terdiri dari
serangkaian langkah perubahan, termasuk data preprocessing dan juga post
processing. Data propecessing merupakan langkah untuk mengubah data mentah
menjadi format yang sesuai untuk tahap analisis berikutnya. Selain itu data
preprocessing juga digunakan untuk membantu dalam pengenalan atribut dan data
segmen yang relevan dengan task data mining (Ikhwan, 2015). Istilah Data mining
dan Knowledge Discovery in Databases (KDD) sering kali digunakan secara
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:
Gambar 2.1 Proses Knowledge Discovery in Databases (KDD) (Ikhwan,

2015).
a. Data Selection
Pemilihan atau seleksi data dari sekumpulan data operasional perlu dilakukan
sebelum tahap penggalian informasi dalam knowledge data discovery dimulai. Data
hasil seleksi yang akan digunakan untuk proses Data mining, disimpan dalam suatu
berkas, terpisah dari basis data operasional Sebelum proses Data mining dapat
dilaksanakan, perlu dilakukan proses cleaning pada data yang menjadi fokus KDD.
Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data
yang inkosisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak
(tipografi). Juga dilakukan proses enrichment, yaitu proses memperkaya data yang
sudah ada dengan data atau informasi lain yang relevan dan diperlukan KDD, seperti
data atau informasi eksternal (Ikhwan, 2015).
b. Transformation
Coding adalah proses tranformasi pada data yang telah dipilih, sehingga data
tersebut sesuai untuk proses data mining. Proses coding dalam KDD merupakan
proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari
dalam basis data (Ikhwan, 2015).
c. Data mining
Data mining adalah proses mencari pola atau informasi menarik dalam data
terpilih dengan menggunakan teknik atau metode tertentu. Teknik, metode, atau
algoritma dalam Data mining sangat bervariasi. Pemilihan metode atau algoritma
yang tepat sangat bergantung pada tujuan dan proses KDD secara keseluruhan
(Ikhwan, 2015).
d. Interpretation / Evaluation
Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam
bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini
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).
2.1.3 Association Rule

Aturan asosiasi (association rule)adalah metode atau teknik data mining untuk
mencari suatu hubungan atau menemukan aturan assosiatif antara suatu kombinasi
item. Salah satu tahap analisis asosiasi yang menarik perhatian banyak peneliti untuk
menghasilkan algoritma yang efisien adalah dengan mengetahui variable nilai support
dan confidence (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
Sedangkan dalam menentukan minimum confidence dapat ditentukan dengan

rumus persamaan (2) seperti dibawah ini :
𝑱𝒖𝒎𝒍𝒂𝒉 𝑻𝒓𝒂𝒏𝒔𝒂𝒌𝒔𝒊 𝑴𝒆𝒏𝒈𝒂𝒏𝒅𝒖𝒏𝒈 𝑨 𝒅𝒂𝒏 𝑩
𝑪𝒐𝒏𝒇𝒊𝒅𝒆𝒏𝒄𝒆 (𝑨 → 𝑩) = 𝑷(𝑨|𝑩) = (𝟐. 𝟑)
𝑱𝒖𝒎𝒍𝒂𝒉 𝑻𝒓𝒂𝒏𝒔𝒂𝒌𝒔𝒊 𝑴𝒆𝒏𝒈𝒂𝒏𝒅𝒖𝒏𝒈 𝑨
Penggalian association rules adalah suatu prosedur untuk mencari hubungan
antar item dalam suatu dataset. Dimulai dengan mencari frequent itemset, yaitu
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).
c. Rudianto, A. "Penerapan Data Mining Untuk Menganalisa Data Penjualan Pada

Toko Bangunan Restu Bunda Menggunakan Metode Apriori." (2019). Dengan
metode Apriori. Dengan hasil a. Peneliti berhasil menerapkan data mining pada
sistem analisis data penjualan menggunakan metode apriori yaitu dengan
mengumpulkan data, kemudian mengolah dan menganalisis data dengan mencari
nilai pembelian dan nilai kombinasi paling banyak. Untuk mengatur rekomendasi
penempatan barang yang berdekatan berdasarkan nilai pembelian dan nilai
kombinasi yang ditentukan. Karena dengan memiliki nilai pembelian dan nilai
kombinasi paling tinggi antar kedua barang lebih memiliki kesempatan untuk
dibelin secara bersamaan. b. Hubungan keterkaitan barang yang satu dengan barang
yang lainnya. Dan dari hubungan keterkaitan tersebut digunakan untuk mengatur
penempatan barang. Dalam penggunaan aplikasi data mining ini dapat membantu
dan mengidentifikasi analisis data mining yang akan digunakan untuk mengatur
penempatan barang yang berdekatan berdasarkan nilai frekuensi paling banyak
(Rudianto, 2019).
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).
e. Erwansyah, Kamil. "Implementasi Data Mining Untuk Menganalisa Hubungan

Data Penjualan Produk Bahan Kimia Terhadap Persedian Stok Barang
Menggunakan Algoritma FP (Frequent Pattern) Growth Pada PT. Grand Multi
Chemicals (2019). Dengan metode FP Growth. Dengan hasil Dari hasil penelitian
yang telah dilakukan diperoleh kesimpulan yaitu : Implementasi data mining untuk
menganalisa hubungan data penjualan produk bahan kimia terhadap persediaan
stok barang menggunakan algoritma FP (Frequent Pattem) Growth pada PT. Grand
Multi Chemicals diperoleh pola penjualan produk bahan kimia sehingga diperoleh
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).
h. Surojuddin, Nurhadi, and Khoerrudin Khoerrudin. "Penerapan Algoritma Apriori

Untuk Menentukan Penjualan Produk Pada Minimarket Studi Kasus Indomaret
Ruko Ventura." (2019) Setelah melalui tahapan pembahasan penelitian penerapan
algoritma Apriori untuk menentukan penjualan produk pada minimarket studi
kasus 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 (Surojuddin, & Khoerrudin, 2019).
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).
j. Hamengkubudi, Arva Abhyoso, Rachmadita Andreswari, and Irfan Darmawan.

"Implementasi Metode Algoritma Apriori Untuk Menemukan Association Rules
Data Obat Di Rumah Sakit Port Medical Center Jakarta." Metode apriori dan hasil
1. Hasil perhitungan algoritma apriori dengan menggunakan RapidMiner dengan
penetapan nilai support sebesar 30% dan nilai confidence sebesar 50% adalah 5
rules. 2. Dengan operator Algoritma W-Apriori yang diuji dengan aplikasi
RapidMiner menghasilkan pola kombinasi itemset dan rules sebagai ilmu
pengetahuan dan informasi yang bermanfaat dari data penjulan atau transaksi pada
Rumah Sakit Port Medical Center Jakarta 3. Penggunaan dari algoritma apriori
dengan RapidMiner yang menghasilkan pola kedekatan tertinggi yaitu pembelian
antara Sirplus Tablet dan Pembungkus Puyer dapat (Hamengkubudi, Andreswari,
& Darmawan, 2020).
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).
l. Takdirillah, Robby. "Penerapan Data Mining Menggunakan Algoritma Apriori

Terhadap Data Transaksi Penjualan Bisnis Ritel.". metode algoritma Apriori dan
hasil Berdasarkan hasil penelitian dan pengujian hasil data mining dengan
menggunakan tools orange yang diperoleh menunjukan bahwa program tersebut
dinyatakan layak untuk digunakan, karena aturan asosiatif yang dibentuk dan nilai
support yang dihasilkan sama dengan output program yang dikembangkan.
Informasi keterkaitan antar item yang dihasilkan merupakan aturan asosiatif yang
memiliki nilai lift sama dengan 1 atau lebih dari 1 (Takdirillah, 2020).
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
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
digunakan
(Frequent Pattem) Growth pada PT. Grand Multi

Chemicals diperoleh pola penjualan produk bahan
kimia sehingga diperoleh 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 bahankimia dapat lebih
efektif.
6 Barkah, novalia, “metode asosiasi data mining Flowchart Mengumpulkan data dan membuat
entin sutinah, and untuk analisa persediaan fiber penelitian pengelempokan data pengeluaran fiber optic
nani agustina. optik menggunakan algoritma menggunak pada pt. Bahana arta nusantara yang dimana
2020 apriori." an lebih banyak mengeluarkan berdasarkan 14 jenis
algoritma macam dari fiber optic dan respresentasi data
apriori 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.
7 Novianti, agnes, "penentuan aturan asosiasi pola Desain Untuk menganalisis pola pembelian konsumen dapat
danerlin elisa 2020 pembelian pada minimarket penelitian dilakukan dengan menerapkan data mining yaitu
dengan algoritma apriori." menggunak menggunakan metode algoritma apriori. Dengan
an metode algoritma apriori dapat
algoritma
apriori
18
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
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.
Gambar 2.2 kerangka Konsep

Berdasarkan gambar 2.2 kerangka konsep dapar dijelaskan sebagai berikut:
a. Data penelitian terdahulu
Tahapan Data penelitian terdahulu dilakukan untuk mendapatkan studi yang
sudah ada dimana sebagai dasar untuk melakukan penelitian ini. Baik studi dari
hasil maupun metode yang digunakan oleh penelitian sebelumnya
b. Pengumpulan data
Tahapan pengumpulan data dilakukan sebagai awal untuk mendapatkan data
yang dibutuhkan bahkan studi Pustaka yang akan sebagai dasar penelitian ini.
c. Menentukan minimum support dan confidence
Tahapan ini digunakan untuk melakukan aturan asosiasi dimana menentukam
minum support dan confidence yang akan digunakan di algoritma Fp-Growth
dan algoritma Apriori.
d. Proses Frequent itemset algoritma Fp-Growth dan Apriori
Tahapan proses yang dilakukan oleh algoritma setelah minimum support dan
confidence ini ditentukan,
e. Proses association rule algoritma Fp-growth dan Apriori
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
3.1. Metode Penelitian

Metod yang digunakan yaitu metode eksperimen absolut dimana data yang
digunakan yaitu dataset histori penjualan dan stok yang ada di Hendra mart.
Dengan data penjualan dan stok ini akan menjadi acuan untuk melakukan
penyedian dan pembelajanan barang yang dibutuhkan dalam Hendra mart. Hal
ini bertujuan agar barang yang sering dibeli dimasyarakat tidak terjadi
kelangkaan penyediaan atau stok barang pada pandemic COVID-19 yang terjadi
sekarang.
Menurut (Dawson:2009) ada empat metode penelitian yang umum
digunakan yaitu tindakan penelitian, eksperimen, studi kasus dan survey. Dalam
konteks penelitian ini menggunakan eksperimen, yaitu suatu metode yang
dilakukan dengan mengacu kepada pemecahan masalah yang meliputi
mengumpulkan data, merumuskan hipotesis, pengujian hipotesis, menafsirkan
hasil, dan kesimpulan (Berndtssom: 2008).
Jenis eksperimen dibagi dua, yaitu eksperimen absolut dan eksperimen
komparatif. Eksperimen absolut mengarah kepada dampak yang dihasilkan dari
eksperimen. Sedangkan eksperimen komparatif yaitu membandingkan dua
objek yang berbeda, misalnya membandingkan dua algoritma yang berbeda
dengan melihat hasil statistik masing-masing mana yang lebih baik (Kothari:
2004). Adapun jenis penelitian ini bersifat eksperimen absolut, merupakan
penelitian yang bersifat uji coba, memanipulasi dan mempengaruhi hal-hal yang
terkait dengan seluruh variable atau attribute.
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).
3.3. Langkah-Langkah Penelitian

Langkah-langkah yang digunakan dalam penelitian ini penulis mengadopsi
model CRISP-DM (Cross Standard Industries Process for Data Mining), dimana
model ini terdapat 6 tahapan (Chapman et a., 2000) yaitu:
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.
4.1.2 Model CRISP-DM

Pada penelitian ini menggunakan metode atau model CRISP-DM (Cross
Standard Industries Process for Data Mining) dalam proses Data Mining. Metode
ini terdiri dari 6 tahapan:
4.1.2.1 Business Understanding
Dalam tahapan ini diperoleh database penjualan dari tahun 2019,2020
dan 2021. Data-data tersebut berisi Tanggal, Kode Item, Nama Item, Jenis, Merk,
Jumlah dan Total. Data tersebut sebagai berikut:
27
Gambar 4.1 Data penjualan 2019
28
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

1 T200001 MAKANAN 1/1/2020
2 T200001 SUSU 1/1/2020
3 T200001 SUSU 1/1/2020
4 T200001 MAKANAN 1/1/2020
5 T200001 MAKANAN 1/1/2020
6 T200001 MIE 1/1/2020
7 T200001 MIE 1/1/2020
8 T200001 MIE 1/1/2020
9 T200001 MAKANAN 1/1/2020
10 T200001 MAKANAN 1/1/2020
11 T200001 SUSU 1/1/2020
12 T200001 MIE CUP 1/1/2020
13 T200001 SUSU 1/1/2020
14 T200001 SUSU 1/1/2020
15 T200001 MAKANAN 1/1/2020
16 T200001 MAKANAN 1/1/2020
17 T200001 SUSU 1/1/2020
30
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

1 T210001 MAKANAN 1/1/2021
2 T210001 MAKANAN 1/1/2021
3 T210001 MAKANAN 1/1/2021
4 T210001 TELUR 1/1/2021
5 T210001 MIE 1/1/2021
6 T210001 MIE CUP 1/1/2021
7 T210001 MAKANAN 1/1/2021
8 T210001 TEH 1/1/2021
9 T210001 MAKANAN 1/1/2021
10 T210001 TEH 1/1/2021
11 T210001 TEH 1/1/2021
12 T210001 MAKANAN 1/1/2021
13 T210001 MAKANAN 1/1/2021
14 T210001 MINYAK 1/1/2021
15 T210001 MAKANAN 1/1/2021
16 T210001 MAKANAN 1/1/2021
17 T210001 MAKANAN 1/1/2021
18 T210001 MAKANAN 1/1/2021
19 T210001 MAKANAN 1/1/2021
20 T210001 MAKANAN 1/1/2021
21 T210002 MIE 1/1/2021
22 T210002 TELUR 1/1/2021
23 T210002 MAKANAN 1/1/2021
24 T210002 MINYAK 1/1/2021
31
…… ………. ………… …………
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

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
32
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:
Gambar 4.4 Tahapan Frequent Itemset data tranning

2) FP Tree
Pada tahapan FP Tree didapatkan data mie sebagai data tertinggi dengan
miliki cabangan pohon 3buat data yaitu minuman 25 data, mie cup 52 data dan
susu sebanyak 22 data. Sedangkan pohon yang tidak memilik cabangan pohon data
34
yaitu susu dengan banyaknya data 10. Data tersebut terjabarkan di gambar
dibawah ini:
Gambar 4.5 Fp tree data Tranning

3) Conditional Patern Base
Didapatkan Conditional Patern Base dari proses data tranning algoritma FP-
Growth sebagai berikut:
Gambar 4.6 Conditional Patern Base Data tranning

4) Conditional Fp Tree
Didapatkan Conditional Fp Tree dari proses data tranning algoritma FP-
35
Gambar 4.7 Conditional Fp Tree data tranning
5) Frequency Patern
Didapatkan Frequency Patern dari proses data tranning algoritma FP-
Gambar 4.8 Frequency Patern data Tranning

6) Aturan Asosiasi
Pada tahapan aturan asosiasi ini didapatkan data pada rule pertama
didapatkan jika minuman maka minyak goreng dihasilkan support
34/166=20,48%, confidence 34/64=53,13% dan Lift ratio sebesar 2.59. Data-
data tersebut dijabarkan pada gambar dibawah ini:
Gambar 4.9 Aturan Asosiasi data Tranning

b. Data Testing
Pada tahapan modeling dimana minimum support 20% dan Minimum Confident
50%. Data-data tersebut sebagai berikut:
36
1) Frequent Itemset
Didapatkan Frequent Itemset dari proses data testing algoritma FP-Growth
sebagai berikut:
Gambar 4.10 Frequent Itemset pada data Testing

Dimana itemset tertinggi didapatkan dari susu mendapatkan data banyaknya
data 38 dengan support 83,61% dan itemset terrendah dari mie cup dengan
banyaknya data 10 dengan support 21,74%.
2) FP Tree
Didapatkan Fp Tree dari proses data testing algoritma FP-Growth sebagai
berikut:
Gambar 4.11 FP tree pada data testing
37
3) Conditional Patern Base
Didapatkan Conditional Patern Base dari proses data testing algoritma FP-
Gambar 4.12 Conditional Patern base pada data testing

4) Conditional Fp Tree
Didapatkan Conditional Fp Tree dari proses data testing algoritma FP-Growth
sebagai berikut:
Gambar 4.13 Conditional FP Tree pada data testing

5) Frequency Patern
Didapatkan Frequency Patern 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:
Gambar 4.15 Aturan Asosiasi Data testing
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:
Gambar 4.16 C1 Data tranning

2) L1 (Large 1-itemset)
Dalam tahapan L1 didapatkan hasil terbanyak yaitu item set mie dengan
banyaknya data 125 dengan support yang didapatkan yaitu 75,3%. Sedangkan yang
terrendah yaitu itemset minyak goreng dengan banyaknya data 34 dengan support
yang didapatkan yaitu 20.48%. Data tersebut dijabarkan sebagai berikut:
Gambar 4.17 L1 Data tranning
40
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:
Gambar 4.18 C2 Data tranning

Dalam tahapan L2 didapatkan hasil terbanyak yaitu item set mie, mie cup dan
mie, susu dengan banyaknya data 52 dengan support yang didapatkan yaitu 31,33%.
Sedangkan yang terrendah yaitu itemset air mineral, Minuman dengan banyaknya
data 36 dengan support yang didapatkan yaitu 21.69%. Data tersebut dijabarkan
sebagai berikut:
Gambar 4.19 L2 Data tranning
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:
Gambar 4.20 Hasil asosiasi Data tranning

b. Data Testing
set susu dengan banyaknya data 38 dengan support yang didapatkan yaitu 82,61%.
Sedangkan yang terrendah yaitu itemset minyak dengan banyaknya data 1 dengan
support yang didapatkan yaitu 2,17%. Data tersebut dijabarkan sebagai berikut:
Gambar 4.21 Hasil C1 Data Testing
Dalam tahapan L1 didapatkan hasil terbanyak yaitu item set susu dengan
terrendah yaitu itemset mie cup goreng dengan banyaknya data 10 dengan support
42
Gambar 4.22 Hasil L1 Data Testing
set susu, teh dengan banyaknya data 27 dengan support yang didapatkan yaitu 58,7.
Data tersebut dijabarkan sebagai berikut:
Gambar 4.23 Hasil C2 Data Testing
Dalam tahapan L2 didapatkan hasil terbanyak yaitu item set susu, teh dengan
terrendah yaitu itemset mie,mie cup goreng dengan banyaknya data 10 dengan support
43
Gambar 4.24 Hasil L2 Data Testing
Dengan sudah didapatkan c1, l1 ,c2 dan l2 tahapan selanjutnya didapatlan asosiasi
yang ada di data tranning. Data asosiasi tersebut sebagai berikut:
Gambar 4.25 Hasil Asosiasi 2 itemset Data Testing

set mie, susu, teh dengan banyaknya data 13 dengan support yang didapatkan yaitu
28,26Data tersebut dijabarkan sebagai berikut:
Gambar 4.26 Hasil C3 itemset Data Testing
44
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:
Gambar 4.27 Hasil L3 itemset Data Testing

Dengan sudah didapatkan C1, L1 C2, L2, C3 dan L3 tahapan selanjutnya
didapatlan asosiasi yang ada di data tranning. Data asosiasi tersebut sebagai berikut:
Gambar 4.28 Hasil Asosiasi 3 item set itemset Data Testing
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
5.2 Implikasi Penelitian

Berdasarkan hasil penelitian tersebut dapat dikemukakan implikasi secara
praktis sebagai berikut:
a. Hasil penelitian ini dapat digunakan sebagai refrensi bagi Hendra Mart
untuk memperbaiki system persedian stok barang yang ada digunakan.
Refrensi ini sebagai gambaran barang-barang mana yang sering laku dan
barang-barang mana yang kurang laku. Hal ini dapat meminimalisir
barang-barang yang over atau banyak digudang penyimpanan padahal
barang tersebut kurang laku.
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.
Erwansyah, K. (2019). Implementasi Data Mining Untuk Menganalisa Hubungan Data

Penjualan Produk Bahan Kimia Terhadap Persedian Stok Barang
Menggunakan Algoritma FP (Frequent Pattern) Growth Pada PT. Grand Multi
Chemicals. J-SISKO TECH (Jurnal Teknologi Sistem Informasi dan Sistem
Komputer TGD), 2(2), 30-40.
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.
Hamengkubudi, A. A., Andreswari, R., & Darmawan, I. (2020). Implementasi Metode
51
Algoritma Apriori Untuk Menemukan Association Rules Data Obat Di Rumah
Sakit Port Medical Center Jakarta. eProceedings of Engineering, 7(2).
Hameed, A. (2015). FP Growth Tree Implementation In Bank Transactional Databases.

ITEE Journal Information Technology & Electrical Engineering, ISSN:-2306-
708X, 5(3).
Ikhwan, A. (2015). Penerapan Data Mining dengan Algoritma FP-Growth untuk

Mendukung Strateegi Promosi Pendidikan. Jurnal SAINTIKOM, 14(3).
Isa, I. G. T., & Jhoansyah, D. (2019). Implementasi Association Rules Dalam

Menentukan Posisi Gerobak (Studi Kasus: Foodcourt Universitas
Muhammadiyah Sukabumi). Informatika Mulawarman: Jurnal Ilmiah Ilmu
Komputer, 13(2), 65-70.
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..
Surojuddin, N., & Khoerrudin, K. (2019). Penerapan Algoritma Apriori Untuk

Menentukan Penjualan Produk Pada Minimarket Studi Kasus Indomaret Ruko
Ventura. Jurnal SIGMA, 9(4), 1-14.
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.
Takdirillah, R. (2020). Penerapan Data Mining Menggunakan Algoritma Apriori

Terhadap Data Transaksi Penjualan Bisnis Ritel. Edumatic: Jurnal Pendidikan
Informatika, 4(1), 37-46.
53
Lampiran-Lampiran
54
Lampiran 1
Data Penjualan umum 2020
Kode Item Nama Item Jenis Merek Jumlah Satuan Total Harga
101053 AQUA 600ML RTD AIR 34,259.00 PCS 74,295,500.00

MINERAL
MINERAL
010824 INDOMIE GORENG MIE INSTAN 16,919.00 PCS 43,109,400.00
GULAP1 GULA PASIR BAHAN GULA 16,288.00 KG 232,315,700.00
POKOK
200301 SEDAAP MIE GORENG MIE INSTAN 14,829.00 PCS 36,742,900.00
600269 LE MINERALE 600ML RTD AIR 14,421.00 PCS 30,557,000.00
MINERAL
038011 BENG-BENG COKLAT COKLAT 11,750.00 PCS 16,650,500.00
101746 ABC MOCCA KOPI 11,582.00 PCS 11,785,000.00
010107 INDOMIE KALDU AYAM MIE INSTAN 11,093.00 PCS 24,598,100.00
040023 TEH KOTAK 200+100ML TEH INSTAN 10,801.00 PCS 30,351,500.00
010527 INDOMIE KARI AYAM MIE INSTAN 9,486.00 PCS 24,683,300.00
110112 YAKULT SUSU CAIR 9,459.00 PCS 17,982,500.00
020152 BIMOLI KLASIK 2L RFL MINYAK 8,336.00 PCS 216,620,300.00
GORENG
MINERAL
404441 BEAR BRAND 189ML SUSU CAIR 8,012.20 PCS 70,229,900.00
200325 SEDAAP MIE SOTO MIE INSTAN 7,910.00 PCS 18,132,700.00
002501 PASEO SMART T250 TISU 7,486.00 PCS 63,496,000.00
KERING
426528 CARNATION 495GR SKM/SIRUP SKM 6,090.00 PCS 70,082,160.00
212504 GARAM JEMPOL 250GR PENYEDAP 5,960.00 PCS 11,438,800.00
RASA
103764 GOOD DAY CAPPUCINO KOPI GOOD DAY 5,579.00 PCS 8,350,000.00
TELURA TELUR AYAM BAHAN 5,561.50 PAK 90,538,400.00
MASAK
101289 LUWAK WHITE KOFFIE KOPI 5,372.00 PCS 5,794,400.00
440049 ENERGEN COKLAT MINUMAN 5,062.00 PCS 6,015,000.00
SEREAL
781025 SUN KARA 65ML SEGITIGA BAHAN 4,815.00 PCS 14,128,080.00
MASAK
600146 TEH PUCUK HARUM 350ML TEH INSTAN 4,698.00 PCS 12,524,000.00
930612 LADAKU MERICA 4GR BAHAN 4,396.00 PCS 3,982,000.00
MASAK
024036 INDOCAFE COFFEEMIX 20GR KOPI 3,929.00 PCS 4,651,500.00
521797 MILO ACTIV-GO 22GR RTG SUSU 3,738.00 PCS 6,098,000.00
BUBUK
010910 ULTRA MIMI COKLAT 125ML SUSU CAIR 3,723.00 PCS 9,510,000.00
010569 ULTRA MILK COKLAT 200ML SUSU CAIR 3,526.00 PCS 14,328,000.00
231113 POP ICE CHOCOLATE MINUMAN 3,370.00 PCS 3,188,000.00
BUBUK
390198 SUNLIGHT 755ML RFL SABUN CUCI 3,285.00 PCS 47,630,100.00
PIRING
010343 INDOMIE SOTO MIE MIE INSTAN 3,016.00 PCS 7,411,200.00
MINERAL
000239 INDOMILK KIDS COKLAT 115ML SUSU CAIR 2,779.00 PCS 7,197,000.00
440124 ENERGEN VANILA MINUMAN 2,753.00 PCS 3,304,500.00
SEREAL
5000 ECO BAG 35 \ 2,724.00 PCS 13,667,000.00
664605 ROSE BRAND T KANJI 500GR TEPUNG 2,678.00 PCS 12,894,800.00
BUMBU
000253 INDOMILK KIDS STROBERI 115ML SUSU CAIR 2,608.00 PCS 6,684,000.00
105645 KAPAL API MANTAP KOPI 2,547.00 PCS 2,322,500.00
405417 DANCOW FORT INS 27GR SUSU 2,503.00 PCS 7,920,500.00
BUBUK
011696 ULTRA MIMI FULL CREAM 125ML SUSU CAIR 2,464.00 PCS 6,300,000.00
105485 KAPAL API SPECIAL MIX KOPI 2,420.00 PCS 2,936,000.00
105409 KAPAL API 380GR KOPI 2,338.00 PCS 45,137,800.00
MINERAL
201208 MAXTEA TARIKK TEH 2,252.00 PCS 4,093,200.00
440087 ENERGEN KACANG HIJAU MINUMAN 2,190.00 PCS 2,618,000.00
SEREAL
GORENG
166038 PULPY ORANGE 350ML JUS 2,143.00 PCS 9,234,000.00
510055 YOU C1000 ORANGE 140ML MINUMAN 2,058.00 PCS 12,773,000.00
KESEHATAN
01-001 WISH ROTI TAWAR ROTI 2,048.00 PCS 28,518,000.00
05-047 THANKFUL EARLOOP MASKER 1,987.00 PCS 3,974,000.00
WAJAH
010927 ULTRA MIMI STROBERI 125ML SUSU CAIR 1,978.00 PCS 5,157,000.00
000025 ENAAK PUTIH 370GR KLG SKM/SIRUP SKM 1,954.00 PCS 16,612,780.00
026352 CRYSTALLINE 600ML RTD AIR 1,882.00 PCS 3,323,000.00
MINERAL
414002 TORABIKA CAPPUCINO KOPI 1,867.00 PCS 2,798,900.00
420373 KOKO KRUNCH 15GR MAKANAN 1,852.00 PCS 3,520,000.00
SEREAL
539210 NEXTAR CHOCO BROWNIES 42GR COOKIES 1,825.00 PCS 3,614,500.00
213208 FRENCH FRIES 2000 45GR SNACK 1,791.00 PCS 6,755,000.00
043051 INDOMIE COTO MAKASAR MIE INSTAN 1,728.00 PCS 4,531,400.00
135415 TRICKS ORI 18GR SNACK 1,667.00 PCS 1,626,000.00
235111 POP ICE MELON MINUMAN 1,662.00 PCS 1,554,400.00
BUBUK
010606 ULTRA MILK STROBERI 125ML SUSU CAIR 1,611.00 PCS 4,308,000.00
020186 BUAVITA GUAVA 250ML JUS 1,608.00 PCS 10,496,000.00
101425 ABC 60GR KOPI 1,579.00 PCS 3,219,500.00
77016 WISH MINUMAN JELLY COOLER 1,556.00 PCS 18,672,000.00
110012 SARDEN BANTAN 155G MAKANAN KORNET 1,520.00 PCS 10,300,500.00
KALENG
040061 TEH KOTAK 200ML TEH INSTAN 1,502.00 PCS 3,498,000.00
060703 KOMPAS PREMIUM 1KG TEPUNG 1,479.00 PCS 15,083,500.00
664704 ROSE BRAND MG 1L RFL MINYAK 1,467.00 PCS 18,099,500.00
GORENG
800043 FORTUNE 2L RFL MINYAK 1,463.00 PCS 37,724,500.00
GORENG
033178 MASAKO AYAM 12X11GR PENYEDAP 1,455.00 RTG 7,069,000.00
RASA
195649 SARIWANGI 25 TEH 1,448.00 PCS 8,389,000.00
135422 TRICKS KIMCHI 18GR SNACK 1,424.00 PCS 1,426,500.00
201841 GOLDA COFFE DOLCE LATTE 200ML KOPI INSTAN 1,421.00 PCS 4,210,500.00
170995 BLUE BAND SERBAGUNA 200GR SCH BAHAN KUE 1,417.00 PCS 10,807,000.00
101409 TOLAK ANGIN CAIR OBAT 1,407.00 PCS 4,202,500.00
913000 CHOCOLATOS CHOCOLATE DRINK MINUMAN 1,401.00 PCS 2,361,000.00
BUBUK
423084 MILO ACTIV-GO 115ML UHT SUSU CAIR 1,384.00 PCS 3,424,000.00
105430 KAPAL API SPESIAL 65GR KOPI 1,365.00 PCS 6,437,000.00
CORMIN CORNETTO MINI ICE CREAM 1,332.00 PCS 4,068,000.00
500708 FLORIDINA ORANGE JUS 1,329.00 PCS 3,818,000.00
135439 TRICKS ASIAN BBQ 18GR SNACK 1,308.00 PCS 1,291,000.00
301142 ROMA BISKUIT KELAPA 300GR BISKUIT 1,292.00 PCS 9,335,000.00
043433 INDOMIE AYAM GEPREK MIE INSTAN 1,280.00 PCS 3,405,000.00
115008 ROSE BRAND T BERAS 500GR TEPUNG 1,280.00 PCS 8,771,000.00
010552 ULTRA MILK FULL CREAM 200ML SUSU CAIR 1,277.00 PCS 5,345,000.00
785465 PRISTINE 600ML RTD AIR 1,266.00 PCS 5,535,000.00
MINERAL
121029 TROPICAL 2L RFL MINYAK 1,266.00 PCS 32,074,800.00
GORENG
139018 ADES 600ML RTD AIR 1,255.00 PCS 3,038,500.00
MINERAL
900052 TEH CELUP GUNUNG SATRIA 25 TEH 1,245.00 PCS 6,016,000.00
050053 ULTRA SARI KACANG IJO 250ML SUSU CAIR 1,211.00 PCS 5,039,000.00
273162 MAMYPOKO PANTS L/44 POPOK MAMY 1,200.00 PCS 91,673,868.00
ANAK POKO
101378 ABC KECAP MANIS 520ML RFL KECAP/SAUS 1,182.00 PCS 18,353,000.00
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
001083 SANIA PREMIUM 1L RFL MINYAK 1,116.00 PCS 14,152,300.00

GORENG
490019 TERIGU MILA 1KG TEPUNG 1,093.00 PCS 9,664,500.00
409057 MILO ACTIV-GO 3IN1 35GR SUSU 1,090.00 PCS 3,578,000.00
BUBUK
273179 MAMYPOKO PANTS XL/38 POPOK MAMY 1,089.00 PCS 82,422,083.00
ANAK POKO
55
Data Penjualan umum 2019
Kode Item Nama Item Jumlah Satuan Total Harga
707112 MS HOT LAVA SAMBAL P 130ML PCS 93,500.00

200301 MIE SEDAAP GORENG 83,050.00 PCS ############
8101053 AQUA 600ML 82,143.00 PCS ############
8101091 AQUA 1500ML 43,267.00 PCS ############
200325 MIE SEDAAP SOTO 38,282.00 PCS 82,400,100.00
040023 TEH KOTAK 200+100ML 29,848.00 PCS 81,729,000.00
101746 ABC MOCCA 21,288.00 PCS 21,505,000.00
020152 BIMOLI KLASIK 2L RFL 16,517.00 PCS ############
YKLT YAKULT 15,165.00 PCS 29,013,900.00
139018 ADES 600ML 14,284.00 PCS 31,869,500.00
GULAP1 GULA PASIR 13,244.00 KG ############
038011 BENG-BENG COKLAT 12,681.00 PCS 17,775,500.00
101289 LUWAK WHITE KOFFIE 10,883.00 PCS 11,578,600.00
101336 AQUA 330ML 9,351.00 PCS 17,674,500.00
103764 GOOD DAY CAPPUCINO 8,594.00 PCS 12,638,200.00
700258 CLUB 330ML 8,093.00 PCS 12,774,000.00
166038 PULPY ORANGE 350ML 7,723.00 PCS 35,118,000.00
105485 KAPAL API SPECIAL MIX 7,592.00 PCS 8,050,000.00
700326 CLUB 600ML 7,518.00 PCS 14,426,000.00
105645 KAPAL API MANTAP 6,623.00 PCS 6,031,000.00
404441 SUSU BERUANG 189ML 6,302.00 PCS 52,375,000.00
665480 ROSE BRAND GULA KRISTAL 1KG 6,204.00 PCS 75,823,600.00
040061 TEH KOTAK 200ML 6,038.00 PCS 13,674,000.00
212504 GARAM JEMPOL 250GR 5,888.00 PCS 11,645,500.00
000239 INDOMILK KIDS COKLAT 115ML 5,686.00 PCS 13,728,000.00
521797 MILO ACTIV GO SCHT 22GR 5,678.00 PCS 9,290,000.00
781025 SUN KARA 65ML SEGITIGA 5,521.00 PCS 14,187,000.00
414002 TORABIKA CAPPUCINO 5,414.00 PCS 8,014,300.00
440049 ENERGEN COKLAT 5,407.00 PCS 6,422,500.00
010590 ULTRA MILK COKLAT 125ML 5,149.00 PCS 13,403,000.00
024036 INDOCAFE COFFEEMIX 20GR 5,050.00 PCS 6,012,000.00
664711 ROSE BRAND MG 2L RFL 4,948.00 PCS ############
050053 ULTRA SARI KACANG IJO 250ML 4,928.00 PCS 18,207,000.00
930612 LADAKU MERICA 4GR 4,854.00 PCS 4,465,000.00
430266 MILO ACTIV-GO 190ML UHT 4,532.00 PCS 18,689,000.00
500708 FLORIDINA ORANGE 4,269.00 PCS 12,034,000.00
010910 ULTRA MIMI COKLAT 125ML 4,254.00 PCS 11,141,000.00
PASE250 PASEO SMART T250 4,029.00 PCS 35,113,500.00
CLUB48 CLUB 48X240ML 3,967.00 DUS 93,224,500.00
510055 YOU C1000 ORANGE 140ML 3,837.00 PCS 23,039,000.00
105409 KAPAL API 380GR 3,663.00 PCS 68,432,000.00
TELURA TELUR AYAM 3,584.10 PAK 58,840,200.00
010527 INDOMIE KARI AYAM 3,483.00 PCS 8,777,300.00
440124 ENERGEN VANILA 3,418.00 PCS 4,095,000.00
000253 INDOMILK KIDS STROBERI 115ML 3,404.00 PCS 8,399,000.00
010947 INDOMIE GORENG 3,362.00 PCS 8,561,400.00
101425 ABC 60GR 3,307.00 PCS 6,583,500.00
010107 INDOMIE KALDU AYAM 3,233.00 PCS 6,867,900.00
411108 MONTISS T250 3,184.00 PCS 24,759,500.00
426528 CARNATION 495GR 3,122.00 PCS 36,011,400.00
700494 CLUB 1500ML 3,118.00 PCS 12,451,500.00
000025 ENAAK PUTIH 370GR KLG 3,019.00 PCS 25,264,000.00
020186 BUAVITA GUAVA 250ML 2,976.00 PCS 19,052,000.00
005945 INDOMILK COKLAT 190ML STE 2,976.00 PCS 10,227,000.00
664704 ROSE BRAND MG 1L RFL 2,963.00 PCS 33,184,500.00
011351 ULTRA MIMI VANILA 125ML 2,958.00 PCS 7,592,000.00
115008 ROSE BRAND T BERAS 500GR 2,885.00 PCS 18,556,000.00
201841 GOLDA COFFE DOLCE LATTE 200ML 2,883.00 PCS 9,187,500.00
001306 TORABIKA CREAMY LATTE 2,837.00 PCS 3,932,500.00
785465 PRISTINE 600ML 2,816.00 PCS 10,864,000.00
010927 ULTRA MIMI STROBERI 125ML 2,778.00 PCS 7,363,000.00
56
Data Penjualan Umum 2021
Kode Item Nama Item Jenis Merek Jumlah Satuan Total Harga

MINERAL
010824 INDOMIE GORENG MIE INSTAN 28,115.00 PCS 73,725,270.00
MINERAL
MINERAL
404441 BEAR BRAND 189ML SUSU CAIR 21,025.00 PCS 180,034,500.00
426528 CARNATION 495GR SKM/SIRUP SKM 19,847.00 PCS 215,408,370.00
040023 TEH KOTAK 200+100ML TEH INSTAN 18,841.00 PCS 52,411,500.00
200301 SEDAAP MIE GORENG MIE INSTAN 18,476.00 PCS 47,253,200.00
038011 BENG-BENG COKLAT COKLAT 15,775.00 PCS 22,452,500.00
010527 INDOMIE KARI AYAM MIE INSTAN 15,140.00 PCS 39,716,500.00
110112 YAKULT SUSU CAIR 14,081.00 PCS 26,759,000.00
GULAP1 GULA PASIR BAHAN GULA 12,901.00 KG 161,242,500.00
POKOK
010107 INDOMIE KALDU AYAM MIE INSTAN 12,837.00 PCS 29,808,499.00
MINERAL
GORENG
002501 PASEO SMART T250 TISU 11,001.00 PCS 97,968,000.00
KERING
MINERAL
200325 SEDAAP MIE SOTO MIE INSTAN 8,602.00 PCS 21,159,840.00
5000 ECO BAG 35 \ 5,552.00 PCS 27,762,000.00
000025 ENAAK PUTIH 370GR KLG SKM/SIRUP SKM 5,299.00 PCS 43,664,120.00
930612 LADAKU MERICA 4GR BAHAN 5,121.00 PCS 4,611,000.00
MASAK
101289 LUWAK WHITE KOFFIE KOPI 4,552.00 PCS 4,992,400.00
600146 TEH PUCUK HARUM 350ML TEH INSTAN 4,528.00 PCS 11,934,000.00
195649 SARIWANGI 25 TEH 4,476.00 PCS 25,396,600.00
010927 ULTRA MIMI STROBERI 125ML SUSU CAIR 4,469.00 PCS 11,349,000.00
000239 INDOMILK KIDS COKLAT 115ML SUSU CAIR 4,322.00 PCS 10,720,000.00
702430 SEE U CLASSIC 250S TISU 4,155.00 PCS 32,978,750.00
KERING
010910 ULTRA MIMI COKLAT 125ML SUSU CAIR 4,082.00 PCS 10,419,000.00
MINERAL
040061 TEH KOTAK 200ML TEH INSTAN 3,767.00 PCS 8,657,000.00
440049 ENERGEN COKLAT MINUMAN 3,683.00 PCS 4,691,000.00
SEREAL
170995 BLUE BAND SERBAGUNA 200GR SCH BAHAN KUE 3,411.00 PCS 28,576,200.00
521797 MILO ACTIV-GO 22GR RTG SUSU 3,330.00 PCS 5,437,000.00
BUBUK
201208 MAXTEA TARIKK TEH 3,283.00 PCS 5,876,000.00
374309 TANGO COKLAT 300GR KLG WAFER 3,275.00 PCS 86,421,700.00
150003 ABC SD JERUK 460ML 1 SIRUP 3,173.00 PCS 35,552,400.00
103764 GOOD DAY CAPPUCINO KOPI GOOD DAY 3,110.00 PCS 4,764,500.00
024036 INDOCAFE COFFEEMIX 20GR KOPI 2,896.00 PCS 3,477,000.00
011696 ULTRA MIMI FULL CREAM 125ML SUSU CAIR 2,875.00 PCS 7,386,000.00
212504 GARAM JEMPOL 250GR PENYEDAP 2,854.00 PCS 5,161,500.00
RASA
414002 TORABIKA CAPPUCINO KOPI 2,838.00 PCS 4,262,600.00
665497 ROSE BRAND GULA KRISTAL KUNING BAHAN GULA 2,821.00 PCS 38,597,000.00
1KG POKOK
781025 SUN KARA 65ML SEGITIGA BAHAN 2,749.00 PCS 8,237,500.00
MASAK
GORENG
110113 ABC KECAP MANIS 135ML KECAP/SAUS 2,667.00 PCS 16,610,250.00
500708 FLORIDINA ORANGE JUS 2,606.00 PCS 7,582,340.00

000253 INDOMILK KIDS STROBERI 115ML SUSU CAIR 2,593.00 PCS 6,641,000.00
490019 TERIGU MILA 1KG TEPUNG 2,586.00 PCS 23,030,000.00
026352 CRYSTALLINE 600ML RTD AIR 2,577.00 PCS 4,497,000.00
MINERAL
105485 KAPAL API SPECIAL MIX KOPI 2,354.00 PCS 2,944,000.00
57
Lampiran 2
Data Tranning

1 T190001 MIE 1/5/2019
2 T190001 MIE 1/5/2019
MINYAK
3 T190001 GORENG 1/5/2019
4 T190001 AIR 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
12 T190001 MIE 1/5/2019
13 T190001 AIR MINERAL 1/5/2019
14 T190001 MINUMAN 1/5/2019
15 T190001 MINUMAN 1/5/2019
16 T190001 MINUMAN 1/5/2019
17 T190001 AIR MINERAL 1/5/2019
18 T190001 MINUMAN 1/5/2019
19 T190001 MIE 1/5/2019
20 T190001 AIR MINERAL 1/5/2019
MINYAK
21 T190001 GORENG 1/5/2019
22 T190001 MINUMAN 1/5/2019
23 T190002 MINUMAN 1/5/2019
24 T190002 MINUMAN 1/5/2019
25 T190002 MINUMAN 1/5/2019
26 T190002 MIE 1/5/2019
27 T190002 AIR MINERAL 1/5/2019
28 T190002 MINUMAN 1/5/2019
29 T190002 MINUMAN 1/5/2019
30 T190002 MINUMAN 1/5/2019
31 T190002 MINUMAN 1/5/2019
32 T190002 MINUMAN 1/5/2019
33 T190002 MINUMAN 1/5/2019
34 T190002 MINUMAN 1/5/2019
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
1 T190085 MIE 1/14/2019
2 T190085 MIE 1/14/2019
3 T190085 MIE 1/14/2019
4 T190085 MINUMAN 1/14/2019
5 T190085 MINUMAN 1/14/2019
6 T190085 MINUMAN 1/14/2019
7 T190085 MINUMAN 1/14/2019
8 T190085 MINUMAN 1/14/2019
9 T190085 MINUMAN 1/14/2019
10 T190085 MINUMAN 1/14/2019
11 T190085 MINUMAN 1/14/2019
12 T190085 MINUMAN 1/14/2019
13 T190086 MINUMAN 1/14/2019
14 T190086 MINUMAN 1/14/2019
15 T190086 MINUMAN 1/14/2019
16 T190086 MINUMAN 1/14/2019
17 T190086 MINUMAN 1/14/2019
18 T190086 MINUMAN 1/14/2019
19 T190086 MINUMAN 1/14/2019
20 T190086 MINUMAN 1/14/2019
60
21 T190086 MINUMAN 1/14/2019
……….. ……………… ………………… ……………
876 T210088 SUSU 1/29/2021
877 T210088 SUSU 1/29/2021
878 T210088 SUSU 1/23/2021
879 T210088 SUSU 1/23/2021
880 T210089 TEH 1/23/2021
881 T210089 SUSU 1/23/2021
882 T210089 SUSU 1/23/2021
883 T210089 SUSU 1/23/2021
884 T210089 SUSU 1/23/2021
885 T210089 SUSU 1/23/2021
886 T210089 SUSU 1/23/2021
887 T210089 TEH 1/23/2021
888 T210089 TEH 1/23/2021
889 T210089 SUSU 1/23/2021
890 T210089 SUSU 1/15/2021
891 T210089 SUSU 1/15/2021
892 T210089 SUSU 1/15/2021
893 T210089 SUSU 1/15/2021
894 T210089 SUSU 1/15/2021
895 T210089 SUSU 1/15/2021
896 T210090 SUSU 1/15/2021
897 T210090 SUSU 1/15/2021
898 T210090 SUSU 1/15/2021
899 T210090 SUSU 1/15/2021
900 T210090 TELUR 1/15/2021
61
901 T210090 TEH 1/15/2021
902 T210090 MINYAK 1/15/2021
903 T210090 MINYAK 1/15/2021
904 T210090 MINYAK 1/15/2021
905 T210090 MINYAK 1/15/2021
906 T210100 TEH 1/15/2021
62

Revisi Tesis Update Setelah Sidang 2

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Revisi Tesis Update Setelah Sidang 2

Diunggah oleh

Hak Cipta:

Format Tersedia

ANALISIS POLA PEMBELIAN BARANG MENGGUNAKAN

METODE FP-GROWTH DAN APRIORI

PROGRAM STUDI MAGISTER ILMU KOMPUTER

Diajukan untuk memenuhi salah satu persyaratan memperoleh gelar

PROGRAM STUDI MAGISTER ILMU KOMPUTER

Nama Mahasiswa : Rina Megawati.H

Tim Penguji: Tanda Tangan:

Ketua Program Studi

Dr. Rusdah, M.Kom.

menyatakan bahwa TESIS yang berjudul:

Jakarta, Januari 2022

ANALISIS POLA PEMBELIAN BARANG MENGGUNAKAN

Oleh: Rina Megawati H. (1911601183)

Menjaga persediaan barang pada sebuah perusahaan merupakan salah satu

Kata kunci: Hendra Mart, CRISP-DM, Data penjualan, Apriori, FP-Growth

ANALISIS POLA PEMBELIAN BARANG MENGGUNAKAN

By: Rina Megawati H. (1911601183)

Maintaining inventory in a company is one of the most important work activities

Keywords:. Hendra Mart, CRISP-DM, Sales data, Apriori, FP-Growth

Jakarta, Januari 2022

Tabel 1.1 Daftar Istilah ................................................................................................. 7

Tabel 4.2 Data Preprocessed 2020 ............................................................................. 30

Gambar 1.1 Data Penjualan 2019-2021 ........................................................................ 2

1.1 Latar Belakang

Data Penjualan 2019-2021

Gambar 1.1 Data Penjualan 2019-2021

1.2 Masalah Penelitian

1.2.2. Pembatasan Masalah

1.2.3. Rumusan Masalah

1.3 Tujuan dan Mafaat Penelitian

1.3.2. Manfaat Penelitian

1.4 Tata-Urut Penulisan

1.5 Daftar Istilah (Pengertian)

Data Mining Proses yang menggunakan teknik statistic, matematika,

Covid -19 Penyakit virus corona (COVID-19) adalah penyakit

Fp Growth Salah satu alternatif algoritma yang dapat digunakan

Apriori Algoritme untuk pembelajaran item rule mining dan

2.1.2 Knowledge Discovery in Databases (KDD)

Gambar 2.1 Proses Knowledge Discovery in Databases (KDD) (Ikhwan,

2.1.3 Association Rule

Sedangkan dalam menentukan minimum confidence dapat ditentukan dengan

c. Rudianto, A. "Penerapan Data Mining Untuk Menganalisa Data Penjualan Pada

e. Erwansyah, Kamil. "Implementasi Data Mining Untuk Menganalisa Hubungan

h. Surojuddin, Nurhadi, and Khoerrudin Khoerrudin. "Penerapan Algoritma Apriori

j. Hamengkubudi, Arva Abhyoso, Rachmadita Andreswari, and Irfan Darmawan.

l. Takdirillah, Robby. "Penerapan Data Mining Menggunakan Algoritma Apriori

(Frequent Pattem) Growth pada PT. Grand Multi

Gambar 2.2 kerangka Konsep

3.1. Metode Penelitian

3.3. Langkah-Langkah Penelitian

4.1.2 Model CRISP-DM

Gambar 4.2 Data penjualan 2020

Tabel 4.2 Data Preprocessed 2020

Tabel 4.3 Data Preprocessed 2021

id_data id_transaksi item Tanggal

10 T190001 MINUMAN 1/5/2019

Gambar 4.4 Tahapan Frequent Itemset data tranning

Gambar 4.5 Fp tree data Tranning

Gambar 4.6 Conditional Patern Base Data tranning

Gambar 4.8 Frequency Patern data Tranning

Gambar 4.9 Aturan Asosiasi data Tranning

Gambar 4.10 Frequent Itemset pada data Testing

Gambar 4.11 FP tree pada data testing

Gambar 4.12 Conditional Patern base pada data testing