PROPOSAL SKRIPSI
Disusun sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana
Komputer dari Fakultas Ilmu Komputer Universitas
Singaperbangsa Karawang
Oleh:
RATNA DIAN WIDYARINI
1910631170225
i
7. Seluruh Dosen dan Staff Fakultas Ilmu Komputer Universitas
Singaperbangsa Karawang
8. Kedua Orang Tua saya yang memberikan dukungan, semangat, dan
melimpahkan doa agar penulis dalam keadaan sehat dan lancar selama
proses perkuliahan.
9. Rekan Mahasiswa Program Studi Informatika Fakultas Ilmu Komputer
Universitas Singaperbangsa Karawang angkatan 2019
Akhir kata penulis berharap Allah SWT membalas segala kebaikan pihak
yang telah terlibat dan membantu penulis dalam menyelesaikan proposal ini.
Demikian skripsi yang penulis susun. Penulis mengharapkan kritik dan saran
atas kekurangan baik dalam segi penulisan maupun teori dalam proposal ini.
Semoga proposal ini bermanfaat bagi penulis serta pembaca.
Penulis
ii
DAFTAR ISI
KATA PENGANTAR....................................................................................................i
DAFTAR ISI................................................................................................................iii
DAFTAR GAMBAR....................................................................................................iv
DAFTAR TABEL........................................................................................................iv
BAB 1............................................................................................................................6
PENDAHULUAN.........................................................................................................6
1.1 Latar Belakang....................................................................................................6
1.2 Rumusan Masalah...............................................................................................8
1.3 Batasan Masalah.................................................................................................8
1.4 Tujuan Penelitian................................................................................................8
1.5 Manfaat Penelitian..............................................................................................9
1.5.1 Manfaat Teoritis...................................................................................................9
1.5.2 Manfaat Praktis....................................................................................................9
1.6 Metodologi Penelitian.......................................................................................10
1.7 Sistematika Penulisan.......................................................................................11
1.8 Jadwal Penelitian..............................................................................................12
BAB 2..........................................................................................................................13
LANDASAN TEORI...................................................................................................13
2.1 Tinjauan Pustaka...............................................................................................13
2.1.1 Data Mining...........................................................................................................13
2.1.2 Knowledge Discovery in Database (KDD).............................................................14
2.1.3 Algoritma Apriori......................................................................................................15
2.1.4 Aplikasi Rapidminer...........................................................................................17
2.1.3 Algoritma FP-Growth............................................................................................18
2.2 Penelitian Sebelumnya.....................................................................................19
2.2.1 Penelitian Sekarang................................................................................................21
BAB 3 OBJEK DAN METODOLOGI PENELITIAN..............................................22
3.1 Objek Penelitian...............................................................................................22
3.2 Metodologi Penelitian.......................................................................................24
3.3 Rancangan Penelitan.........................................................................................25
iii
DAFTAR PUSTAKA..................................................................................................28
DAFTAR GAMBAR
iv
DAFTAR TABEL
v
BAB 1
PENDAHULUAN
Setiap toko juga harus memiliki catatan transaksinya sendiri, serta yang
masih disimpan secara manual atau di komputer. Namun tidak sedikit toko
yang masih menggunakan cara manual terutama pada studi kasus Fillea
Florist yang kesulitan dalam menyimpan data secara efisien. Padahal, data
transaksi yang dimiliki bisa dimanfaatkan menggunakan teknik data mining
yang memunculkan informasi baru yang dapat diolah dan dimanfaatkan untuk
menentukan strategi bisnis toko tersebut, menentukan stok barang, melihat
kebutuhan pelanggan dalam membeli custom buket sesuai keinginan, dan
masih banyak lagi. Toko dapat melihat support dan confidence dari barang
atau produk yang dijual dengan menggunakan pendekatan algoritma apriori
dan Frequent Pattern Growth. Pendekatan FP-Growth terdiri dari langkah
pengumpulan data, penghitungan frekuensi, reorganisasi data transaksi,
pembentukan pohon, dan pencarian item yang sering muncul.
6
dimensi waktu guna mendapatkan informasi yang lebih lengkap untuk
menyusun rencana bisnis (Bilqisth, Mustofa, 2020). Dengan memanfaatkan
data dari transaksi penjualan buket bunga dapat membatasi jumlah karangan
bunga yang tidak laku dan meningkatkan inventori bunga yang laku.
Toko bunga Fillea Florist merupakan salah satu toko yang menjual buket
bunga di daerah Gresik yang belum pernah memanfaatkan data transaksi toko
tersebut, terlebih lagi mereka tidak mengetahui bahwa data tersebut dapat
diolah yang nantinya akan menciptakan data yang bermanfaat untuk
7
toko itu sendiri. Selama ini toko hanya mengarsipkan penggunaan data
transaksi penjualan. Pada kenyataannya, data ini dapat digunakan untuk
memberikan informasi yang dapat membantu pengembangan dan penjualan
produk. Maka dari itu penulis akan melaksanakan penelitian terkait penerapan
algoritma apriori dan FP-Growth pada data transaksi toko bunga Fillea Florist
untuk mengetahui pola pembelian customer, yang diharapkan dapat
digunakan dan dimanfaatkan lebih lanjut oleh toko tersebut.
1.2 Rumusan Masalah
8
Tujuan dilakukan penelitian ini adalah sebagai berikut:
9
2. Memberikan rekomendasi untuk menjalani strategi bisnis untuk pelaku usaha
mikro, kecil dan menengah.
1. Studi Pustaka
Metode ini diterapkan atas kajian jurnal ilmiah, laporan penelitian, yang
berkaitan dengan pemodelan yang menggunakan algoritma apriori dan FP-
Growth dengan harapan dapat menjadi acuan implementasi pada aplikasi
yang sesuai dan hasilnya dapat digunakan untuk mendukung tugas akhir.
2. Observasi
Observasi adalah kegiatan pengamatan yang dilakukan untuk
mengumpulkan data atau informasi tentang suatu fenomena atau peristiwa
yang sedang terjadi atau sudah terjadi. Tujuan dari observasi adalah untuk
memperoleh data yang akurat dan valid mengenai suatu objek atau
kejadian, serta untuk membantu dalam memahami atau menjelaskan
fenomena tersebut. Observasi dapat dilakukan dalam berbagai bentuk,
seperti melalui pengamatan langsung oleh manusia, melalui alat sensor,
atau melalui pengumpulan data dari sumber yang tersedia. Observasi dapat
dilakukan di berbagai bidang, seperti dalam penelitian ilmiah, psikologi,
sosiologi, antropologi, dan sebagainya.
3. Wawancara
Wawancara menjawab pertanyaan dengan pemilik/owner dari toko bunga
Fillea Florist. Dalam tahap ini, menjelaskan tata cara penentuan jenis
karangan bunga apa yang dijual di toko pada saat ini akan membantu
konsumen dalam mengambil keputusan tentang jenis karangan bunga yang
10
paling banyak mereka beli.
4. Proses Data Mining
Teknik untuk penambangan data akan dipilih pada saat ini. Teknik asosiasi
adalah metode data mining yang digunakan dalam penelitian ini.
Pemodelan berusaha untuk mengidentifikasi aturan asosiasi; aturan asosiasi
ini kemudian digunakan sebagai panduan untuk menentukan pasangan
objek dari berbagai kategori karangan bunga.
5. Evaluasi
Evaluasi adalah proses pengumpulan dan analisis data untuk mengevaluasi
atau menilai kinerja, keefektifan, keberhasilan, atau kualitas suatu program,
proyek, atau kegiatan. Evaluasi dilakukan untuk memastikan bahwa tujuan
yang telah ditetapkan telah tercapai atau untuk menemukan cara untuk
meningkatkan hasil atau kinerja yang lebih baik di masa depan. Evaluasi
dapat dilakukan dengan berbagai cara, seperti melalui pengumpulan data
melalui survei, wawancara, pengamatan langsung, atau dengan
mengumpulkan data sekunder yang telah ada. Hasil evaluasi dapat
digunakan untuk membuat keputusan dan rekomendasi, serta untuk
memberikan umpan balik kepada para pemangku kepentingan mengenai
kinerja atau keberhasilan program atau kegiatan yang sedang dievaluasi.
BAB I : PENDAHULUAN
11
Dalam bab ini dijelaskan metode penelitian yang meliputi langkah-
langkah kerja, pertanyaan penelitian, objek penelitian, dan alur penelitian.
1.8 Jadwal Penelitian
12
BAB 2
LANDASAN TEORI
13
seseorang dapat memperkirakan penjualan suatu produk.
4. Clustering
Terakhir, metode klastering. Pengumpulan data dibagi menjadi beberapa
kelompok menggunakan pengelompokan tergantung pada seberapa mirip
atributnya. Segmentasi pelanggan adalah gambaran dari situasi tersebut.
Ia memisahkan kliennya ke dalam berbagai kelompok sesuai dengan
seberapa miripnya mereka
Dilihat dari proses diatas,
14
5. Pattern Evolution, metode yang digunakan untuk mengidentifikasi pola
menggunakan ukuran tertentu.
Dilihat dari gambar diatas, secara keseluruhan agar proses KDD berhasil
diterapkan, diperlukan kemampuan teknis dan bisnis yang kuat. Berdasarkan
informasi laten dalam kumpulan data mereka, metode KDD yang efektif dapat
membantu organisasi dalam membuat keputusan yang lebih baik dan lebih
efisien. Data transaksi penjualan sebagian besar hanya dikumpulkan dan
diarsipkan tanpa analisis terhadap data transaksi penjualan karena data yang
semakin berkembang dari waktu ke waktu membuat perusahaan sulit untuk
memanfaatkan data tersebut dan tidak mengetahui apa yang harus dilakukan
dengannya (Samuel, Sani, Budiyantara, Ivone, & Frieyadie, 2022).
15
2.1.3 Algoritma Apriori
Pendekatan mendasar untuk menemukan kumpulan item umum dalam aturan
asosiasi Boolean disebut dengan algoritma apriori. (Saefudin, Donny, 2020).
Supermarket adalah salah satu contoh keranjang pasar yang menggunakan
algoritme apriori untuk mengungkap kebiasaan pembelian pelanggan.
Algoritma apriori sering digunakan dalam data transaksi, juga dikenal sebagai
keranjang pasar. Proses pencarian asosiasi menggunakan bantuan algoritma
apriori untuk menghasilkan pola kombinasi item dan aturan sebagai
pengetahuan dan informasi penting dari data transaksi penjualan (Liansyah,
Destiana, 2020). Toko bunga juga dapat menggunakan algoritme Apriori untuk
memutuskan cara mengemas karangan bunga atau makanan ringan apa yang
akan dijual di toko mereka tergantung pada tren pembelian konsumen.
Nilai Support
Nilai support (s) dalam analisis asosiasi adalah persentase dari jumlah transaksi
yang mengandung kombinasi item tertentu.
JumlahTransaksi Mengandung A
Support ( A )= (1)
Total transaksi
Persamaan (2) adalah rumus untuk mendapatkan nilai support dari suatu
kombinasi item dalam analisis asosiasi.
Jumlah Transaksi Mengandung A dan B
Support ( A , B )= (2)
Total transaksi
Nilai confidence
Setelah itu, mencari aturan asosiasi yang memenuhi persyaratan minimum
untuk kepercayaan dengan menghitung kepercayaan aturan asosiatif A→ B
setelah semua pola frekuensi tinggi ditemukan.
Nilai confidence dari aturan A → B diperoleh dari rumus berikut:
Jumlah Transaksi Mengandung A dan B
Confidence ( A , B ) = (3)
Total transaksi Mengandung A
atau
Support( A , B)
Confidence ( A=¿ B )= (4)
Support ( A )
16
Sedangkan rumus mendapatkan nilai persentase confidence ialah:
Support( A , B)
Confidence ( A=¿ B )= x 100 % (5)
Support ( A )
Untuk mendapatkan nilai support dan confidence berikut merupakan proses dari
algoritma apriori untuk menentukan nilai tersebut:
Karena algoritma aturan asosiasi hanya dapat memproses data diskrit, maka
perlu untuk mendiskritisasi data kontinyu yang dikumpulkan terlebih dahulu
(Zhong, Wang, Jiang, Huang, Chen, Hong, 2020).
17
akademisi, dan penelitian. Platform ini menggabungkan berbagai teknik
analisis data, termasuk pemrosesan bahasa alami, penambangan data,
visualisasi data, dan pembelajaran mesin. Ini mendukung semua langkah
proses pembelajaran mesin, termasuk persiapan data, visualisasi hasil,
validasi, dan pengoptimalan, dan digunakan untuk aplikasi bisnis dan
komersial serta penelitian, pendidikan, pelatihan, pembuatan prototipe dengan
cepat, dan pengembangan aplikasi. (Nofitri,Irawati, 2019).
Beberapa fitur utama dari RapidMiner, antara lain:
18
dan digunakan secara luas oleh berbagai bisnis di sektor keuangan, kesehatan,
dan e-commerce.
19
besar dan kompleks. Dengan menggunakan FP-Tree, algoritme pertumbuhan
FP dapat mengekstrak kumpulan elemen yang sering muncul langsung dari
pohon FP.
20
Wati, Leni Transaksi Penjualan algoritma apriori untuk menganalisis
Paula Taran, Barang hubungan frekuensi antaraitem. Hasil yang
Lidia Maria Menggunakan didapat yaitu jika konsumen membeli softex
Arsai Metode Apriori akan membeli skincare dan menghasilkan
(Studi Kasus:Toko nilai support 0.011% dan confidence 1%.
BE-MART)
4 Ira Zulfa, Implementasi Data Algoritma Tahapan algoritma dari metode apriori
Rayuwati, Mining Untuk Apriori diimplementasikan pada penelitian ini
Khaidir Koko Menentukan dengan tujuan untuk membuat dataset dan
Strategi Penjualan statistik frekuensi transaksi pembelian
Buku Bekas produk bulan Desember 2019. Berdasarkan
Dengan Pola analisis data dapat dikatakan bahwa metode
Pembelian Apriori berhasil menghasilkan hasil yang
Konsumen sebesar mungkin karena persentase hasil
Menggunakan mendekati 100% dan tidak ada nilai
Metode Apriori persentase yang kurang dari 15%.
(Studi Kasus: Kota
Medan)
5 Aditya Implementasi Algoritma Agar bisnis dapat melakukan analisis untuk
Wadanur, Algoritma Apriori Apriori & membantu mereka meningkatkan penjualan,
Aprilisa Arum dan FP-Growth FP-Growth studi ini mencoba mengimplementasikan
Sari pada Penjualan algoritma apriori dan algoritma fp-growth
Spareparts untuk membangun aturan asosiasi.
Algoritma apriori digunakan untuk
mengolah data transaksi setelah menerapkan
data mining, dan contoh pengujian yang
telah dilakukan adalah pembangkitan
algoritma fp-growth diketahui bahwa
apabila konsumen membeli TGMO
SYNTHETIC 1LT maka akan membeli juga
GASKET.
6 Fachri Amsury, Implementation Of Algoritma Berdasarkan data transaksi penjualan tahun
Nanang The Association 2018, penelitian ini bertujuan untuk
21
Ruhyana, Method In The Apriori membantu pelaku usaha dalam mempelajari
Andry Agung Analysis kebiasaan atau pola pembelian pelanggan.
Riyadi, Ihsan Of Sales Data From Temuan penelitian ini mengarah pada
Aulia Rahman Manufacturing pembuatan 316 aturan asosiasi, dengan
Companies rekor 309 aturan PRO 889 & PRO 868 PRO
869 yang menghasilkan aturan terbaik.
7 Tacjana Niksa- Application of Algoritma Metode Apriori digunakan untuk
Rynkiewicz, Apriori Algorithm Apriori mendefinisikan aturan asosiasi, yang
Michal in the Lamination mengidentifikasi kekurangan yang saling
Landowski and Process in Yacht bergantung. Sejumlah ketergantungan
Paweł Production ditemukan untuk terjadinya cacat produksi
Szalewski yang tidak jelas bagi para teknolog, tetapi
terjadi dengan kemungkinan koeksistensi
yang tinggi. Proses perencanaan pekerjaan
produksi dapat ditingkatkan berkat temuan
penelitian yang telah diberikan. Artikel
tersebut menunjukkan bagaimana asosiasi
dan pembuatan aturan asosiasi memengaruhi
kemungkinan munculnya kekurangan
tertentu. Pengelompokan cacat dan
ketergantungannya dapat memungkinkan
pemantauan, kontrol, dan penerapan
kegiatan pencegahan yang lebih baik, yang
dapat meminimalkan biaya perbaikan dan
menghindari biaya tambahan.
8 Sunghyun Kim, Research of H5N6 Decision Studi ini memberikan cara yang efisien
Hojoon Lee and Treatment by Tree dan untuk merawat ungags virus influenza
Taeseon Yoon Comparing with Algoritma dengan menemukan urutan serupa antara
H6N1 and H10N8 Apriori tiga jenis virus dan menargetkan urutan
by Using Decision tersebut dengan satu pengobatan spesifik
Tree and Apriori seperti inhibitor M dan NP. Kami bisa
Algorithm menemukan kesamaan antara tiga virus
22
influenza.
Tabel 2. Penelitian Sebelumnya
23
BAB 3
Selain format order yang dimiliki toko Fillea Florist seperti tabel 3, banyak berbagai
macam produk yang dijual di toko tersebut. Produk yang dijual di toko Fillea Florist
sebagai berikut:
24
Gambar 3. Buket Bunga Fillea Florist
Selain itu, toko bunga Fillea Florist merekap hasil penjualan secara manual
menggunakan tabel pada excel, sehingga untuk menentukan strategi penjualan masih
kurang efektif dan akurat. Berikut hasil rekap penjualan pada Fillea Florist:
25
3.2 Metodologi Penelitian
Metodologi penelitian adalah pendekatan atau cara sistematis yang digunakan untuk
merancang, melaksanakan, dan mengevaluasi penelitian. Tujuan dari metodologi
penelitian adalah untuk memastikan bahwa penelitian dilakukan dengan cara yang
sistematis dan terstruktur sehingga dapat menghasilkan data yang akurat dan valid..
Metode penelitian yang diterapkan oleh penulis adalah sebagai berikut:
1. Studi Pustaka
Metode ini diterapkan atas kajian jurnal ilmiah, laporan penelitian, yang berkaitan
dengan pemodelan yang menggunakan algoritma apriori dan FP-Growth dengan
harapan dapat menjadi acuan implementasi pada aplikasi yang sesuai dan hasilnya
dapat digunakan untuk mendukung tugas akhir.
2. Observasi
3. Wawancara
Teknik asosiasi adalah metode data mining yang digunakan dalam penelitian ini.
Pemodelan berusaha untuk mengidentifikasi aturan asosiasi. Aturan asosiasi ini
kemudian digunakan sebagai panduan untuk menentukan pasangan objek dari
26
berbagai kategori karangan bunga. Data yang diolah dikumpulkan menggunakan
tahapan dari Knowledge Discovery in Database (KDD). Berikut proses dari data
mining:
1. Data Cleansing, metode dimana data diproses dan kemudian hanya bagian-
bagian yang dianggap berguna yang dipilih.
3. Transformation Data, mengubah data mentah menjadi format yang sesuai untuk
analisis.
6. Knowledge Presentation, Pada langkah terakhir dari proses KDD, data yang
diproses divisualisasikan untuk memudahkan pengguna memahami sehingga
keputusan dapat dibuat berdasarkan analisis.
5. Evaluasi
Pada titik ini, hasil berupa pola atau model yang akan dievaluasi selama langkah
evaluasi untuk menentukan apakah hipotesis awal dan perkiraan yang ditentukan
dapat direalisasikan. Menggunakan analisis pola informasi yang ditemukan melalui
data mining harus disajikan dengan cara yang mudah dipahami oleh pihak yang
berkepentingan. Hasil evaluasi dapat digunakan untuk membuat keputusan dan
rekomendasi, serta untuk memberikan umpan balik kepada para pemangku
kepentingan mengenai kinerja atau keberhasilan program atau kegiatan yang sedang
dievaluasi.
27
Gambar 2. Rancangan Penelitian
Dari diagram diatas, berikut merupakan tahapan serta penjelasan dari rancangan
penelitian berikut:
1. Studi Pustaka
Pada segmen ini peneliti melakukan kegiatan penelitian dengan tujuan untuk
mengidentifikasi permasalahan yang muncul di toko yang dijadikan sebagai subjek
penelitian. Metode ini diterapkan atas kajian jurnal ilmiah, laporan penelitian, yang
berkaitan dengan pemodelan yang menggunakan algoritma apriori dan FP-Growth
dengan harapan dapat menjadi acuan implementasi pada aplikasi yang sesuai dan
hasilnya dapat digunakan untuk mendukung tugas akhir.
2. Pengumpulan Data
Setelah mengidentifikasi masalah, peneliti melakukan teknik pengumpulan data,
seperti mewawancarai orang-orang dan melakukan pengamatan langsung pada toko
atau objek penelitian, untuk mengumpulkan data transaksi penjualan dari Fillea
Florist yaitu pihak toko memberikan data transaksi yang dikelola Desember 2022 –
Maret 2023 yang akan digunakan sebagai sumber penelitian.
28
3. Proses Data Mining
Setelah peneliti mendapatkan dan menyeleksi data, maka selanjutnya melakukan pra-
proses data yaitu:
2. Preprocessing data dengan pembersihan data yaitu memutuskan data mana yang
akan disimpan dan mana yang akan dibuang agar tidak mempengaruhi
pembelajaran mesin dan akurasi kecerdasan buatan.
3. Selanjutnya transformasi yang merupakan langkah ini dilakukan agar data yang
sudah terkumpul dari berbagai sumber tersebut menjadi seragam. Transformasi
data adalah proses mengubah struktur data, format, atau nilai untuk membuat
kumpulan data yang sesuai untuk proses penambangan.
4. Data mining, pada tahap ini memilih aturan atau teknik apa yang akan
digunakan pada penelitian ini sesuai dengan yang dibutuhkan.
5. Evaluasi
Pada titik ini, hasil berupa pola atau model yang akan dievaluasi selama langkah
evaluasi untuk menentukan apakah hipotesis awal dan perkiraan yang ditentukan
dapat direalisasikan. Menggunakan analisis pola informasi yang ditemukan
melalui data mining harus disajikan dengan cara yang mudah dipahami oleh
pihak yang berkepentingan. Evaluasi dilakukan untuk memastikan bahwa tujuan
yang telah ditetapkan telah tercapai atau untuk menemukan cara untuk
meningkatkan hasil atau kinerja yang lebih baik di masa depan.
4. Hasil Penelitian
Hasil item set dari penelitian ini yaitu volume penjualan bunga pada toko bunga
Fillea Florist akan diterima setelah semua tahapan selesai. Kemudian, dengan
menggunakan data transaksi pembelian karangan bunga di Fillea Florist, dibuat
aturan asosiasi.
29
DAFTAR PUSTAKA
Mengenal APA ITU data mining. (2021, April 9). School of Information
Systems. https://sis.binus.ac.id/2021/04/09/mengenal-apa-itu-data-mining/
Saefudin, S., & Fernando, D. (2020). Penerapan data mining rekomendasi buku menggunakan
algoritma apriori. JSiI (Jurnal Sistem Informasi), 7(1), 50.
Dongga, J., Sarungallo, A. `., Koru, N., & Lante, G. (2023). Implementasi data mining
Menggunakan Algoritma Apriori Dalam Menentukan Persediaan Barang (Studi Kasus: Toko
Swapen Jaya Manokwari). G-Tech: Jurnal Teknologi Terapan, 7(1), 119-126.
Salam, A., & Sholik, M. (2018). Implementasi Algoritma Apriori untuk Mencari Asosiasi
Barang Yang dijual Di e-Commerce OrderMas. Techno.Com, 17(2), 158-170.
Nofianti, A., Yawan, M. Y., & Nazar, M. A. (2023). Implementasi data mining dalam
Pengolahan data Transaksi toko Sembako Menggunakan Algoritma Apriori (Studi Kasus :
Toko Devan mart). G-Tech: Jurnal Teknologi Terapan, 7(1), 165-173.
Rizqifaluthi, H., & Yaqin, M. A. (2019). Process mining Akademik Sekolah menggunakan
RapidMiner. MATICS, 10(2), 47.
Wadanur, A., & Sari, A. A. (2022). Implementasi Algoritma Apriori Dan FP-growth pada
Penjualan Spareparts. Edumatic: Jurnal Pendidikan Informatika, 6(1), 107-115.
Pare, F. R., Wati, O., Taran, L. P., & Arsai, L. M. (2023). Penerapan Data Mining Pada
Transaksi Penjualan Barang Menggunakan Metode Apriori (Studi Kasus:Toko BE-
MART). G-Tech: Jurnal Teknologi Terapan, 7(1), 255-261.
Zulfa, I., Rayuwati, R., & Koko, K. (2020). Implementasi Data Mining Untuk Menentukan
Strategi Penjualan Buku Bekas Dengan Pola Pembelian Konsumen Menggunakan Metode
Apriori. Teknika: Jurnal Sains dan Teknologi, 16(1), 69.
30
Niksa-Rynkiewicz, T., Landowski, M., & Szalewski, P. (2020). Application Of Apriori
Algorithm In The Lamination Process In Yacht Production. Polish Maritime Research, 27(3),
59-70.
Samuel, S., Sani, A., Budiyantara, A., Ivone, M., & Frieyadie, F. (2022). Sales Level
Analysis Using the Association Method With the Apriori Algorithm. Jurnal Riset
Informatika, 4(4), 331–340.
Liansyah, O., & Destiana, H. (2020). The Use Of Apriori Algorithm In The Formation Of
Association Rule At Lotteria Cibubur. SinkrOn, 4(2), 76.
Kim, S., Lee, H., & Yoon, T. (2016). Research Of H5N6 Treatment By Comparing With H6N1
And H10N8 By Using Decision Tree And Apriori Algorithm. MATEC Web of
Conferences, 69, 01003.
Zhong, M., Wang, J., Jiang, T., Huang, Z., Chen, X., & Hong, Y. (2020). Using the Apriori
algorithm and copula function for the bivariate analysis of flash flood risk. Water, 12(8),
2223.
Gupta, P., & Sawant, V. (2021). A Parallel Apriori Algorithm And FP- Growth Based On
SPARK. ITM Web of Conferences, 40, 03046
31