Implementasi Data Mining dalam Pengolahan Data

Transaksi Toko Bunga Menggunakan Algoritma

Apriori dan FP-Growth (Studi Kasus : Fillea Florist)

PROPOSAL SKRIPSI
Disusun sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana
Komputer dari Fakultas Ilmu Komputer Universitas
Singaperbangsa Karawang

Oleh:
RATNA DIAN WIDYARINI
1910631170225

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER
UNIVERSITAS SINGAPERBANGSA KARAWANG
KARAWANG
2023
 KATA PENGANTAR
Puji syukur saya panjatkan atas kehadirat Allah SWT yang telah
memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan
proposal ini dengan judul “Implementasi Data Mining dalam Pengolahan Data
Transaksi Toko Bunga Menggunakan Algoritma Apriori dan FP-Growth (Studi
Kasus: Fillea Florist)”. Adapun penyusunan proposal skripsi ini disusun sebagai
salah satu syarat untuk memperoleh gelar sarjana Program Strata 1 Informatika
Fakultas Ilmu Komputer Universitas Singaperbangsa Karawang.
Penulis memahami akan sulit dalam menyelesaikan penyusunan proposal ini
tanpa bantuan dan bimbingan dari berbagai pihak. Oleh karena itu, pada
kesempatan ini penulis mengucapkan terima kasih kepada:
1. Bapak Dr. M. Samsuri, S.Pd,. M.T., selaku Rektor Universitas
Singaperbangsa Karawang.
2. Ibu Dr. Mayasari, M.Hum., selaku Dekan Fakultas Ilmu Komputer
Universitas Singaperbangsa Karawang/
3. Bapak Garno, M.Kom., selaku Wakil Dekan Bidang Akademik dan
Kemahasiswaan Fakultas Ilmu Komputer Universitas Singaperbangsa
Karawang.
4. Bapak Mohamad Jajuli, S.Si., M.Si., selaku Wakil Dekan II Bidang Umum
dan Keuangan Fakultas Ilmu Komputer Univesitas Singaperbangsa
Karawang.
5. Ibu Betha Nurina Sari, M.Kom., selaku Koordinator Program Studi
Informatika Fakultas Ilmu Komputer Universitas Singaperbangsa
Karawang sekaligus Dosen Wali selama masa perkuliahan di Fakultas Ilmu
Komputer.
6. Bapak Aries Suharso, M.Kom., selaku Dosen Pembimbing yang telah
membimbing dan memberikan masukan serta saran sejak awal pembuatan
proposal.

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.

Karawang, 5 Mei 2023

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

Gambar 1. Tahapan Proses KDD...........................................................................................15

iv
 DAFTAR TABEL

Table 1. Jadwal Penelitian......................................................................................................12

Tabel 2. Penelitian Sebelumnya.............................................................................................19

Tabel 3. Data Transaksi Fillea Florist....................................................................................22

v
 BAB 1
PENDAHULUAN

1.1 Latar Belakang

Pada masa sekarang khususnya dikalangan generasi Z yang gemar
memberikan hadiah untuk orang terdekat berupa buket bunga dan sebagainya,
membuat banyak toko atau Usaha, Kecil dan Menengah yang menjual buket
dengan harga dan bentuk yang bervariasi sesuai dengan keinginan pembeli.
Semakin banyaknya toko-toko sejenis maka akan semakin meningkat pula
jumlah transaksi penjualannya terlebih di hari hari besar.

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.

Pada algoritma apriori, data transaksi yang digunakan akan memberikan

informasi tentang kebiasaan pembelian konsumen, produk mana yang sering
dibeli pada waktu yang sama. Sedangkan pada algoritma FP-Growth
mengubah informasi data transaksi penjualan menjadi informasi berupa
presentase bunga yang sering terjual dan buket bunga yang jarang atau tidak
laku terjual. FP-Growth juga memperbaiki algoritma apriori dalam mengolah
data transaksi. Pola pembelian pembelian konsumen perlu dikaitkan dengan

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.

Data mining adalah adalah metode untuk menganalisis dan mengekstraksi

pengetahuan secara otomatis yang menggunakan satu atau lebih algoritma
pembelajaran mesin. Penambangan data sering digunakan sebagai sarana
untuk memulihkan data lebih cepat untuk jumlah yang sangat besar. Selain
itu, data mining juga dapat menggambarkan sekelompok teknik yang
bertujuan untuk menentukan pola dalam kumpulan data yang tidak diketahui.
Fungsi Aturan Asosiasi yang digunakan untuk mendeteksi pola frekuensi
tinggi antara kumpulan itemset adalah komponen paling penting dari
pendekatan penambangan data. Dalam data mining, metodologi aturan
asosiasi adalah teknik untuk menemukan aturan dalam pasangan tertentu
untuk satu item. (Moh Sholik, Abu Salam, 2018).

Dalam penelitian yang akan dilakukan peneliti menggunakan salah satu

metode data mining, yaitu algoritma apriori dan FP-Growth dengan bantuan
software Rapidminer. Menerapkan dan membandingkan algoritma apriori
dengan FP-Growth adalah tujuan dari penelitian ini. Algoritma apriori
merupakan algoritma yang mengumpulkan data terlebih dahulu,
mengidentifikasi data dengan mencari pasangan dari hal-hal yang sering
muncul, kemudian mencari pola. Pada FP-Growth dengan menggunakan
frekuensi pembelian, FP-Growth membuat pohon berdasarkan aturan asosiasi
yang ditetapkan. Selain itu, analisis data penjualan juga mengungkap
kombinasi bunga yang sering dijual dalam waktu bersamaan.

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

Berdasarkan latar belakang yang sudah dijelaskan, pada penelitian ini

penulis membahas:

1. Bagaimana mengimplementasi algoritma apriori dan FP-Growth untuk

stok buket bunga, serta cara menentukan perencanaan promosi yang
tepat dilihat dari pola pembelian pelanggan?

2. Bagaimana penambangan itemset dapat digunakan untuk menerapkan

FP-Growth dan algoritma apriori untuk melacak pola pembelian
konsumen?

1.3 Batasan Masalah

Untuk menjaga pembahasan agar tetap fokus, maka penulis membatasi

penelitian sebagai berikut:

1. Aturan asosiasi (market basket analysis) merupakan metode yang

digunakan pada penelitian ini.

2. Algoritma FP-Growth dan apriori digunakan untuk menghasilkan aturan

asosiasi.

3. Informasi yang digunakan dalam penelitian ini adalah data transaksional

penjualan buket bunga pada Fillea Florist dari bulan Desember 2022
sampai Maret 2023.

1.4 Tujuan Penelitian

8
 Tujuan dilakukan penelitian ini adalah sebagai berikut:

1. Menerapkan metode algoritma apriori dan FP-Growth yang dapat

menghitung serta menentukan nilai support dan confidence pada data
penjualan.

2. Mengimplementasikan dan membandingkan algoritma apriori dan FP-

Growth untuk mengolah data transaksi toko untuk mengetahui pola
pembelian konsumen yang akan dimanfaatkan sebagai strategi bisnis.

3. Menganalisis hasil evaluasi dari data transaksi penjualan untuk

persediaan bahan pada toko Fillea Florist.
1.5 Manfaat Penelitian

Penulis berharap dengan dilakukannya penelitian ini dapat bermanfaat

sebagai berikut.

1. Dapat membantu toko bunga Fillea Florist untuk mengetahui

kombinasi buket bunga apa saja yang dibeli secara bersamaan oleh
konsumen.

2. Dapat membantu toko bunga Fillea Florist dalam mengambil

keputusan bisnis dengan kegiatan perencanaan promosi yang
berhubungan dengan produk toko.

3. Berfungsi sebagai sumber penelitian bagi pembaca, khususnya yang

berkaitan dengan FP-Growth dan penambangan data apriori.

1.5.1 Manfaat Teoritis

Penulis berharap penelitian ini dapat mengarah pada pengembangan kajian
yang sesuai dengan literatur yaitu penerapan data mining dalam pengolahan
data transaksi.

1.5.2 Manfaat Praktis

1. Membantu penulis untuk mengimplementasikan keilmuannya pada masalah

nyata.

9
2. Memberikan rekomendasi untuk menjalani strategi bisnis untuk pelaku usaha
mikro, kecil dan menengah.

3. Membantu pihak toko dalam melakukan kegiatan promosi serta memperoleh

informasi baru yang akan bermanfaat sebagai strategi penjualan.

1.6 Metodologi Penelitian

Untuk mendapatkan informasi metode penelitian yang digunakan penulis

dalam penelitian ini adalah:

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.

1.7 Sistematika Penulisan

BAB I : PENDAHULUAN

Latar belakang, rumusan masalah, batasan, tujuan, manfaat, metodologi,

gaya penulisan, dan garis waktu penelitian semuanya dibahas dalam bab
ini.
BAB II : LANDASAN TEORI

Bab ini membahas teori dari penelitian sebelumnya yang berfungsi

sebagai panduan dan landasan untuk penyelidikan selanjutnya.
BAB III : METODOLOGI PENELITIAN

11
 Dalam bab ini dijelaskan metode penelitian yang meliputi langkah-
langkah kerja, pertanyaan penelitian, objek penelitian, dan alur penelitian.
1.8 Jadwal Penelitian

Jadwal penelitian yang meliputi persiapan penelitian sampai dengan

penyusunan laporan dengan waktu maksimal 3 bulan.

Table 1. Jadwal Penelitian

No Bentuk Kegiatan Minggu

Pelaksanaan
Bulan Ke 1 Bulan ke 2 Bulan ke 3
1 2 3 4 1 2 3 4 1 2 3 4
1 Persiapan penelitian
a. Penyusunan dan pengajuan
judul
b. Pengajuan proposal
2 Tahap Pelaksanaan
a. Communication
b. Planning
c. Construction
1) Sudi Pustaka
2) Observasi
3) Wawancara
4) Proses Data Mining
5) Evaluation
3 Penyusunan Laporan
Pada jadwal penelitian di atas, terdapat estimasi waktu yang diperlukan
untuk setiap kegiatan dalam penelitian. Estimasi waktu ini dapat bervariasi
tergantung pada kompleksitas penelitian

12
 BAB 2

LANDASAN TEORI

2.1 Tinjauan Pustaka

2.1.1 Data Mining
Proses pencarian pola atau informasi menarik dalam satu set data
menggunakan alat atau prosedur tertentu dikenal sebagai data mining (Yuli,
2017). Nama alternatifnya yaitu Knowledge discovery (mining) in databases
(KDD), knowledge extraction dan lain-lain. Tujuan utama dari KDD adalah
untuk mengidentifikasi pola yang tersembunyi dalam data, dan menggunakan
informasi ini untuk membuat prediksi atau mengambil keputusan yang lebih
baik. Secara umum, data mining dapat dilakukan dengan menggunakan
berbagai macam teknik.
Berikut ini ialah metode yang ada pada data mining:
1. Association
Teknik asosiatif adalah metode pertama. Menemukan asosiasi dan
korelasi antar variabel dalam suatu kumpulan data dilakukan dengan
menggunakan pendekatan asosiasi, yang berbasis aturan. Biasanya
analisis ini terdiri dari pernyataan “if atau then” sederhana. Untuk
memahami pola konsumsi pelanggan, asosiasi sering digunakan untuk
menemukan korelasi produk di keranjang belanja. Akibatnya, pelaku
bisnis dapat membuat sistem rekomendasi dan strategi penjualan yang
lebih kuat.
2. Classification
Selanjutnya, teknik data mining yang paling populer adalah klasifikasi.
Klasifikasi adalah proses menentukan kelas suatu objek.
3. Regression
Regresi adalah metode untuk menganalisis variabel independen untuk
menjelaskan variabel dependen. Dengan menggunakan hubungan antara
penetapan harga suatu produk dan pendapatan tipikal penggunanya,

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,

2.1.2 Knowledge Discovery in Database (KDD)

KDD (Knowledge Discovery in Database) merupakan proses penggalian

informasi yang berguna, yang sebelumnya tidak diketahui, dan berpotensi
berharga dari data besar. Praktek mengambil informasi tersembunyi dari
database yang cukup besar sering disebut sebagai data mining atau Knowledge
Discovery in Databases (KDD). Alfiqra & Alfizi dalam (Fayyad dkk. (1996)
Menurut penelitiannya, proses KDD (knowledge discovery in databases)
melibatkan beberapa proses sekuensial, antara lain seleksi, preprocessing,
transformasi, data mining, dan interpretasi/evaluasi. Proses KDD melibatkan
beberapa tahap, dan berikut adalah tahap-tahap tersebut secara berurutan.

1. Data Cleansing, metode dimana data diproses dan kemudian hanya

bagian-bagian yang dianggap berguna yang dipilih.

2. Preprocessing Data, membersihkan dan mempersiapkan data agar dapat

digunakan dalam analisis. Langkah ini meliputi pemilihan atribut,
penghapusan data yang hilang atau tidak relevan, normalisasi data, dan
lain-lain.

3. Transformation Data, mengubah data mentah menjadi format yang sesuai

untuk analisis.

4. Data Mining, menggunakan teknik-teknik seperti clustering, klasifikasi,

regresi, asosiasi untuk menemukan pola dan hubungan dalam data.

14
5. Pattern Evolution, metode yang digunakan untuk mengidentifikasi pola
menggunakan ukuran tertentu.

6. Knowledge Presentation, Pada langkah terakhir dari proses KDD, data

yang diproses divisualisasikan untuk memudahkan pengguna memahami
sehingga keputusan dapat dibuat berdasarkan analisis.
Pada Gambar 1 merupakan tahapan proses KDD secara berurutan sebagai
berikut:

Gambar 1. Tahapan Proses KDD

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:

1. Menentukan angka minimum support.

2. Iterasi 1 : Dengan memindai database, tentukan jumlah hal dari

dukungan (transaksi yang mencakup semua item) untuk 1-itemset,
setelah 1-itemset didapatkan, dari 1-itemset apakah diatas minimum
support, 1-itemset akan berubah menjadi pola frekuensi tinggi jika
menerima dukungan yang diperlukan.

3. Iterasi 2 : Menggabungkan k-itemset sebelumnya dan memindai

database sekali lagi untuk menghitung item yang menyertakan support
adalah dua langkah yang diperlukan untuk mendapatkan 2-itemset.
Pola frekuensi tinggi dari itemset kandidat akan dipilih jika mereka
mencapai dukungan minimal

4. Tetapkan nilai k-itemset dari support yang memenuhi minimum

support yang dibutuhkan.

5. Tetapkan nilai k-itemset dari support yang memenuhi minimum

support yang dibutuhkan.

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).

2.1.4 Aplikasi Rapidminer

Perangkat lunak open source yang disebut RapidMiner tersedia untuk

umum. (Rizkifaluthfi, Yaqin, 2019). Alat untuk analisis prediktif,
penambangan teks, dan penambangan data disebut RapidMiner. Perangkat
lunak analisis data populer yang disebut RapidMiner digunakan dalam bisnis,

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:

1. Explorasi Data: RapidMiner menyediakan berbagai alat untuk

eksplorasi data, seperti statistik deskriptif, visualisasi, dan pemfilteran
data. Pengguna kemudian dapat menggunakan dataset untuk
mengumpulkan informasi berharga dengan pemahaman yang lebih
baik.

2. Pemodelan prediktif: Banyak algoritme pemodelan prediktif tersedia

melalui RapidMiner yang dapat digunakan untuk memperkirakan hasil
berdasarkan data historis. Metode yang ditawarkan oleh RapidMiner
termasuk klasifikasi, asosiasi, pengelompokan, dan regresi linier.

3. Integrasi data: RapidMiner dapat mengintegrasikan data dari berbagai

sumber dan format, termasuk database, file spreadsheet, dan sumber
data web. Pengguna akan merasa lebih mudah untuk mendapatkan dan
menganalisis berbagai data berkat ini.

4. Automasi: RapidMiner memungkinkan pengguna membuat alur kerja

yang terdiri dari sejumlah aktivitas terhubung yang mengotomatiskan
prosedur analisis data. Proses analisis data dapat dilakukan secara
efektif dan berulang-ulang dengan cara ini.

5. Kolaborasi: RapidMiner menyediakan fitur kolaborasi yang

memungkinkan pengguna untuk berbagi alur kerja dan hasil analisis
dengan rekan kerja atau anggota tim.
Salah satu program analisis data yang paling disukai disebut RapidMiner,

18
 dan digunakan secara luas oleh berbagai bisnis di sektor keuangan, kesehatan,
dan e-commerce.

2.1.3 Algoritma FP-Growth

Algoritma FP-Growth adalah metode untuk mengidentifikasi kumpulan
data yang paling sering muncul. Algoritma apriori yang merupakan metode
sebelumnya, ditingkatkan dengan FP-Growth. Algoritma FP-Growth
menggunakan konsep membangun pohon, yang biasa disebut dengan FP-Tree,
dalam mencari Frequent itemset daripada membangkitkan kandidat seperti
yang dilakukan pada Algoritma Apriori (Fitriati, Amiga, 2020). Karena
pemrosesannya yang lebih cepat, ini merupakan perbandingan dengan
algoritma apriori. Algoritma apriori konvensional memakan waktu terlalu
lama dibandingkan dengan algoritma apriori parallel (Gupta, Savant, 2021).
Dengan hanya beberapa kueri basis data, FP-Growth dapat menentukan
frekuensi kumpulan item, menjadikannya metode yang paling efektif (Junaidi,
2019). Struktur untuk penyimpanan data pada algoritma FP-Growth yaitu FP-
Tree yang memanfaatkan pemadatan data. Pohon FP ini dicirikan oleh aksi
ganda penyisipan dan penghapusan simpul dari pohon (Alsaeedi, Alhegami,
2022). Berbeda dengan tahapan algoritma apriori, ada 2 tahapan utama untuk
menentukan frequent items dan association rule yaitu:

1. Membangun FP-Tree: FP-Growth membaca dataset transaksi dan

membangun FP-Tree berdasarkan frekuensi kemunculan dari setiap item
dalam dataset.

2. Pencarian pola frekuensi tinggi: FP-Growth menggunakan FP-Tree untuk

menemukan pola frekuensi tinggi dalam dataset. Dengan menggunakan FP-
Tree, FP-Growth dapat menghindari pemrosesan ulang pada dataset
transaksi yang sama saat mencari pola frekuensi tinggi yang berbeda.
Keuntungan dari FP-Growth adalah kemampuannya untuk menemukan
pola frekuensi tinggi secara efisien dan cepat, terutama untuk dataset yang

19
 besar dan kompleks. Dengan menggunakan FP-Tree, algoritme pertumbuhan
FP dapat mengekstrak kumpulan elemen yang sering muncul langsung dari
pohon FP.

2.2 Penelitian Sebelumnya

Dalam membandingkan penelitiannya, penulis mempelajari beberapa jurnal
sebagai berikut untuk dianalisis sebagai acuan:
No Penulis Judul Metode Hasil
(Tahun)
1 Jubita Dongga, Implementasi Data Algoritma Memanfaatkan data mining dan algoritma
Ana Sarungallo, Mining Apriori Apriori, penelitian ini
Novalin Koru, Menggunakan mengimplementasikan akuisisi data
Gabriella Lante Algoritma Apriori transaksi penjualan pada toko Swapen Jaya.
Dalam Dalam menentukan pola kombinasi dari
Menentukan itemset dan aturan asosiasi, algoritma apriori
Persediaan Barang merupakan salah satu jenis aturan asosiasi;
(Studi Kasus: Toko hasil sembako dan minuman memiliki nilai
Swapen Jaya support 5% dan nilai confidence 36%,
Manokwari) disusul hasil minuman dan makanan dengan
nilai support 11% dan nilai confidence 22%.
2 Arin Novianti, Implementasi Data Algoritma Pendekatan algoritma Apriori digunakan
Mega Yuliani Mining dalam Apriori dalam penelitian ini untuk mengolah data
Yawan, Pengolahan Data hingga 50 transaksi dari 10 hari penjualan di
Muarief Ahlun Transaksi Toko lokasi Devan Mart, menghasilkan 5 rule
Nazar Sembako dengan minimal support 12% dan
Menggunakan confidence minimal 50%.
Algoritma Apriori
(Studi Kasus : Toko
Devan Mart)
3 Feny Rosalina Penerapan Data Algoritma Penelitian ini menerapkan perolehan data
Pare, Olfiana Mining Pada Apriori mengunakan data mining dengan metode

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

Pembandingan ini akan menunjukkan kejelasan dan kesadaran tentang

penelitian yang telah dilakukan sebelumnya, serta memberikan justifikasi
yang kuat untuk relevansi dan kontribusi penelitian ini.

2.2.1 Penelitian Sekarang

Penelitian sekarang adalah mengimplementasikan algoritma apriori dan

FP-Growth untuk mengolah data transaksi toko agar dimanfaatkan untuk
strategi bisnis. Kekurangan dari penelitian sebelumnya yaitu hanya
mengimplementasikan satu algoritma saja, maka dipenelitian kali ini
membandingkan dua algoritma untuk mengetahui mana yang lebih baik. Serta
dipenelitian sebelumnya belum menampilkan minimum support dan confidence
dari suatu produk yang dibeli. Tahapan penelitian ini dilakukan dengan
menggunakan metode algoritma apriori dan FP-Growth. Data yang digunakan
yaitu data transaksi penjualan toko Fillea Florist.

23
 BAB 3

OBJEK DAN METODOLOGI PENELITIAN

3.1 Objek Penelitian

Berdasarkan tujuan penelitian, objek yang diteliti yaitu data transaksi pihak toko
bunga dari bulan Desember 2022 – Maret 2023. Data yang digunakan merupakan
hasil pembelian buket bunga oleh pembeli dalam bentuk format order. Kemudian
data di proses menggunakan algoritma apriori untuk dicari aturan asosiasi yang
kemudian bisa digunakan. Dibawah ini merupakan bukti data transaksi yang ada di
Toko Fillea Florist masih dalam bentuk format order via pesan pribadi sebagai
berikut:
Tabel 3. Data Transaksi Fillea Florist

No. Nama Pengirim Nama Penerima Buket

1. Masbukhin Ismi F Cake Flowers Portable
Box

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:

Gambar 4. Rekap Penjualan Fillea Florist

Pada gambar 4 merupakan rekap penjualan buket setiap bulannya menggunakan

googlesheet yang disusun oleh pemilik toko.

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

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 paling banyak mereka beli.

4. Proses Data Mining

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.

2. Preprocessing Data, membersihkan dan mempersiapkan data agar dapat

digunakan dalam analisis. Langkah ini meliputi pemilihan atribut, penghapusan data
yang hilang atau tidak relevan, normalisasi data, dan lain-lain.

3. Transformation Data, mengubah data mentah menjadi format yang sesuai untuk
analisis.

4. Data Mining, menggunakan teknik-teknik seperti clustering, klasifikasi, regresi,

asosiasi untuk menemukan pola dan hubungan dalam data.

5. Pattern Evolution, metode yang digunakan untuk mengidentifikasi pola

menggunakan ukuran tertentu.

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.

3.3 Rancangan Penelitan

Tahapan penelitian merupakan urutan-urutan dalam melakukan penelitian dari awal
sampai akhir. Adapun tahapan penelitian yang dilakukan adalah sebagai berikut:

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:

1. Data selection kategorisasi dengan memilih data dari sekumpulan data

transaksi, maka dilakukan pengumpulan dan persiapan data.

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.

Junaidi, A. (2019). Implementasi Algoritma Apriori Dan FP-growth Untuk Menentukan

Persediaan Barang. Jurnal Sisfokom (Sistem Informasi dan Komputer), 8(1), 61-67.

Wadanur, A., & Sari, A. A. (2022). Implementasi Algoritma Apriori Dan FP-growth pada
Penjualan Spareparts. Edumatic: Jurnal Pendidikan Informatika, 6(1), 107-115. 

Proses data mining KDD. (2021, September 30). School of Information

Systems. https://sis.binus.ac.id/2021/09/30/proses-data-mining-kdd/

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.

Riyadi, A. A., Amsury, F., Ruhyana, N., & Rahman, I. A. (2022). Implementation Of The

Association Method In The Analysis Of Sales Data From Manufacturing Companies. Jurnal
Riset Informatika, 5(1), 593-598

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.

Bilqisth, S. C., & Mustofa, K. (2020). Determination Of Temporal Association Rules Pattern

Using Apriori Algorithm. IJCCS (Indonesian Journal of Computing and Cybernetics
Systems), 14(2), 159.

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.

Fitriati, D., & Amiga, B. P. (2020). Implementation Of Data Mining To Determine The

Association Between Body Category Factors Based On Body Mass Index. Jurnal Riset
Informatika, 2(4), 233-240.

Alsaeedi, H. A., & Alhegami, A. S. (2022). An Incremental Interesting Maximal Frequent

Itemset Mining Based On FP-Growth Algorithm. Complexity, 2022, 1-20.

Gupta, P., & Sawant, V. (2021). A Parallel Apriori Algorithm And FP- Growth Based On
SPARK. ITM Web of Conferences, 40, 03046

31