TESIS
Oleh:
Rina Megawati.H
1911601183
TESIS
Oleh:
Rina Megawati.H
1911601183
i
ii
PROGRAM STUDI MAGISTER ILMU KOMPUTER
FAKULTAS TEKNOLOGI INFORMASI
UNIVERSITAS BUDI LUHUR
=================================================
PENGESAHAN TESIS
Ketua,
Dr.Samidi, S.Kom.,M.M.,M.Kom .......................................................
Anggota,
Dr.Achmad Solichin.,S.Kom.,M.Sc .......................................................
Pembimbing
Dr.Goenawan Brotosaputro,S.kom.,M.Sc ......................................................
iii
PROGRAM STUDI MAGISTER ILMU KOMPUTER
FAKULTAS TEKNOLOGI INFORMASI
UNIVERSITAS BUDI LUHUR
=================================================
SURAT PERNYATAAN TIDAK PLAGIAT DAN PERSETUJUAN
PUBLIKASI
Nama : …………………………………….
Nomor Induk Mahasiswa : …………………………………….
Konsentrasi : …………………………………….
Jenjang Studi : …………………………………….
Fakultas : …………………………………….
Rina Megawati.H
iv
ABSTRAK
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
permintaan sebab bila tidak ada persediaan barang maka kebutuhan tidak terpenuhi.
Kemajuan atau keberhasilan suatu perusahaan salah satunya dipengaruhi oleh
persediaan barang. Adapun masalah yang ada di Hendra Mart, yaitu masih belum
teroganisirnya produk-produk yang paling banyak terjual dan saling berhubungan,
yang diletakkan pada rak-rak produk, kemudian belum maksimalnya promosi produk-
produk yang dibuat dalam satu paket yang saling berhubungan. Selain itu masih banyak
produk-produk yang di produksi namun proses penjualannya tidak atau belum
maksimal. 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 sebuah retail. Tidak
hanya memaksimalkan strategi pada pemasaran dan promosi produk saja, namun dapat
juga 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.
Metode yang digunakan dalam penelitian ini penulis mengadopsi model CRISP-DM
(Cross Standard Industries Process for Data Mining). Algortima yang digunakan yaitu
FP-Growth dan Apriori. Dari hasil yang sudah didapatkan barang yang sering laku di
data tranning pada algoritma FP-Growth dan Apriori adalah minuman, minyak goreng,
air mineral, mie, susu dan mie cup. Sedangkan pada algoritma Fp-Growth dan Apriori
pada data testing adalah mie cup, mie, minuman, susu, telur, teh.
v
ABSTRACT
Inventory of goods is one of the most important work activities for the
development of trading companies because inventory is the main element in the trade
sector. needed to ensure the smooth fulfillment of demand because if there is no supply
of goods then the needs are not met. The progress or success of a company is influenced
by inventory. The problem with Hendra Mart is that the most widely sold and
interconnected products that are placed on product shelves are still not organized. then
the promotion of products that are made in one package are not yet maximized. In
addition, there are still many products that are produced but the sales process is not
optimal or not. From the case that occurred at Hendra Mart, this study will try to
provide suggestions regarding a way to analyze product sales data to maximize
marketing strategies and product promotions from a retailer. Not only maximizing
strategies on product marketing and promotion, but also providing recommendations
for related departments. As in the warehouse section in providing recommendations on
the number of products that suppliers will buy according to the results of the analysis
of the customer's sales data. 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 CRISP-DM (Cross Standard
Industries Process for Data Mining) model. The algorithms used are FP-Growth and
Apriori. From the results obtained, the items that are often sold in the tranning data on
the FP-Growth and Apriori algorithms are beverages, cooking oil, mineral water,
noodles, milk and cup noodles. While the Fp-Growth and Apriori algorithms on the
testing data are cup noodles, noodles, drinks, milk, eggs, tea.
vi
KATA PENGANTAR
Rina megawati.H
vii
Daftar Isi
Cover ............................................................................................................................. i
Abstrak ......................................................................................................................... v
Abstract ....................................................................................................................... vi
Daftar Tabel................................................................................................................. x
1.5.Daftar Istilah................................................................................................... 7
viii
2.1.Tinjauan Pustaka .......................................................................................... 8
2.2.Tinjauan Studi............................................................................................. 16
2.4.Hipotesis ..................................................................................................... 26
3.1.Metode Penelitian............................................................................................ 27
3.2.Pengumpulan Data .......................................................................................... 27
3.3.Langkah-Langkah Penelitian .......................................................................... 29
3.4.Jadwal Penelitian............................................................................................. 31
Lampiran-Lampiran .................................................................................................... 63
ix
Daftar Tabel
x
Daftar Gambar
Gambar 3.1 Model Cross Standard Industries Process for Data Mining ................... 29
xi
Gambar 4.18 C2 Data tranning ...................................................................................... 49
Gambar 4.28 Hasil Asosiasi 3 item set itemset Data Testing ............................................ 53
xii
BAB I
PENDAHULUAN
1
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
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.
2
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 dan saling
berhubungan, yang diletakkan pada rak-rak produk, kemudian belum maksimalnya
promosi produk-produk yang dibuat dalam satu paket yang saling berhubungan. Selain
itu masih banyak produk-produk yang di produksi namun proses penjualannya tidak
atau belum maksimal. 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
sebuah retail. Tidak hanya memaksimalkan strategi pada pemasaran dan promosi
produk saja, namun dapat juga 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
3
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, 2018).
4
1. Subjek yang digunakan yaitu pola pembelian barang pada Hendra mart untuk
mendapatkan pola pembelian barang.
2. Objek Penelitian ini dilakukan di Hendra mart.
3. Perbandingan Algoritma FP-Growth dengan Apriori.
4. Data yang digunakan adalah Data Penjualan Barang-Barang yang di Hendra Mart
tahun 2019, 2020 dan 2021 (Januari sampai Agustus tahun 2021).
5. 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
5
1.3.2. Manfaat Penelitian
Dengan adanya tujuan maka penulis membuat manfaat dari penelitian ini
yaitu adalah :
1. Hasil dari penelitian ini dapat menjadi bahan masukan dan
pertimbangan dalam Mengetahui pola pembelian barang-barang pada Hendra
Mart.
2. Memudahkan manajemen Hendra mart dalam melakukan persedian barang
semasa Pandemi Covid agar persedian dan permintaan seimbang tanpa adanya
kendala persedian barang.
3. 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.
6
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.
7
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. (Matthew North, 2012).
Menurut (Susanto & Suryadi, 2010) data mining memiliki beberapa fungsi
utama yang pada setiap fungsinya memiliki tujuan penggunaan yang berbeda,
yaitu:
1. Description (deskripsi), untuk memberi gambaran secara ringkas bagi
sekumpulan data yang jumlahnya sangat besar dan banyak jenisnya.
2. Estimation (estimasi), untuk menerka sebuah nilai yang belum diketahui, misal
menerka penghasilan seseorang ketika informasi mengenai orang tersebut
diketahui.
3. Prediction (prediksi), untuk memperkirakan nilai masa mendatang, misal
memprediksi stok barang satu tahun ke depan.
4. 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.
8
5. Clustering (pengelompokan), yaitu pengelompokan mengidentifikasi data yang
memiliki karakteristik tertentu.
6. Association (asosiasi), dinamakan juga analisis keranjang pasar dimana fungsi
ini mengidentifikasi produk yang kemungkinan dibeli konsumen bersamaan
dengan produk lain.
9
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 & dkk (2015)).
2. 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 & dkk (2015)).
3. 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 & dkk (2015)).
4. Interpretation / Evaluation
Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam
bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini
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 & dkk (2015)).
10
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 & dkk (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 D, 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 (Jiawei Han, 2006),
yaitu:
1. Tahap pembangkitan conditional pattern base.
2. Tahap pembangkitan conditional FP-Tree.
3. 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:
11
𝑱𝒖𝒎𝒍𝒂𝒉 𝑻𝒓𝒂𝒏𝒔𝒂𝒌𝒔𝒊 𝑴𝒆𝒏𝒈𝒂𝒏𝒅𝒖𝒏𝒈 𝑨
𝑺𝒖𝒑𝒑𝒐𝒓𝒕 (𝑨) = (𝟏)
𝑻𝒐𝒕𝒂𝒍 𝑻𝒓𝒂𝒏𝒔𝒂𝒌𝒔𝒊
𝑱𝒖𝒎𝒍𝒂𝒉 𝑻𝒓𝒂𝒏𝒔𝒂𝒌𝒔𝒊 𝑴𝒆𝒏𝒈𝒂𝒏𝒅𝒖𝒏𝒈 𝑨 𝒅𝒂𝒏 𝑩
𝑺𝒖𝒑𝒑𝒐𝒓𝒕 (𝑨 ∩ 𝑩) = (2)
𝑻𝒐𝒕𝒂𝒍 𝑻𝒓𝒂𝒏𝒔𝒂𝒌𝒔𝒊
12
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. (M.Kavitha & S.T.Tamil
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.
(Bhavesh V. Berani, 2014) 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
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. (Aroosa Hameed, 2015) Jumlah
penduduk Indonesia diproyeksi akan menembus angka 271 jutaan pada tahun 2020.
13
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. (Marsin
Indonesia, 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. (Sigma Research,
2017)
2.1.5 Apriori
Algoritma apriori merupakan algoritma dasar yang diusulkan menentukan
Frequent item sets untuk menentukan aturan asosiasi Boolean. (Listriani et al., 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 (Sensue, 2012).
Algoritma ini mengontrol berkembangnya kandidat itemset dari hasil frequent itemsets
dengan support – based pruning untuk menghilangkan itemsets yang tidak menarik
dengan minsup (Wandi, 2012). 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
14
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 (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.
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.
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.
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
15
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%).
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:
1. 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%.
2. 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
16
bahwa sparepart x.y dengan nilai 8.9 tertinggi dan terendah s.t berdasarkan proses
fp-growth an data bengkel sinar service.
3. 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.
4. 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.
5. 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
17
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
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.
6. 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.
7. 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
18
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%..
8. 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.
9. 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 membuat rekomendasi penataan barang pada rak di
minimarket. 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
FPGrowth saja.
19
10. 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
dijadikan acuan untuk mendekatkan tata letak dari kedua obat-obatan tersebut.
11. 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.
12. 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.
20
2.2.2 Perbedaan penelitian sebelumnya dengan penelitian sekarang
Tabel 2.1 Perbedaan penelitian sebelumnya dengan penelitian sekarang
No Peneliti, Tahun Judul Penelitian Persamaan Perbedaan
Penelitian Sebelumnya Penelitian Sekarang
1 Kurniawan, Sigit, Analisis Algoritma FP-Growth Algoritma Fp-Growth dan Untuk rekomendasi Untuk informasi
Windu Gata, And Untuk Rekomendasi Produk data retail penjualan produk komsestik stok barang di
Hari Wiyana. 2018 Pada Data Retail Penjualan Hendra mart dan
Produk Kosmetik (Studi Kasus: tambahan algoritma
MT Shop Kelapa Gading). Apriori
2 "Penerapan Data Mining Persediaan sparepart Persediaan bahan-
Pranata, Boby Algoritma FP-Growth Untuk bengkel motor bahan primer dan
Algoritma Fp-growth dan
Septia, and Dito Persediaan Sparepart Pada sekunder di Hendra
persediaan barang
Putro Utomo. 2020 Bengkel Motor (Study Kasus mart dan tambahan
Bengkel Sinar Service). algoritma apriori
3 "Penerapan Data Mining Data penjualan toko Persediaan bahan-
Untuk Menganalisa Data bangunan bahan primer dan
Penjualan Pada Toko Data penjualan dan sekunder di Hendra
Rudianto 2019 mart dan tambahan
Bangunan Restu Bunda algoritma apriori
algoritma Fp-
Menggunakan Metode
Growth
Apriori."
4 Metode Timeseries K-Nearest Metode Timeseries K- Metode FP-Growth
Hamdi, Abi, dan Apriori
Neighbor Regression Dalam Nearest Neighbor
Fatma Indriani,
Prediksi Barang Keluar Pada Data barang keluar Regression
And Muliadi
Gudang Pt Putra Prenuer
Muliadi 2019
Banjarbaru “
5 Implementasi Data Mining Persediaan bahan kimia Persediaan bahan-
Erwansyah, Kamil Untuk Menganalisa Hubungan Data Penjualan dan bahan primer dan
2019 Data Penjualan Produk Bahan algoritma Fp-Growth sekunder di Hendra
Kimia Terhadap Persedian Stok
21
No Peneliti, Tahun Judul Penelitian Persamaan Perbedaan
Penelitian Sebelumnya Penelitian Sekarang
Barang Menggunakan mart dan tambahan
Algoritma FP (Frequent algoritma apriori
Pattern) Growth Pada PT.
Grand Multi Chemicals
6 Barkah, Novalia, “Metode Asosiasi Data Persediaan barnag dan Persediaan barang fiber Persediaan bahan-
Entin Sutinah, Mining Untuk Analisa algoritma Apriori optic bahan primer dan
and Nani Persediaan Fiber Optik sekunder di Hendra
Agustina. 2020 Menggunakan Algoritma mart dan tambahan
algoritma Fp-
Apriori."
Growth
7 Novianti, Agnes, "Penentuan Aturan Asosiasi Data minimarket dan Pola pembelian Persediaan bahan-
danErlin Elisa 2020 Pola Pembelian Pada algoritma apriori bahan primer dan
Minimarket Dengan Algoritma sekunder di Hendra
Apriori." mart dan tambahan
algoritma Fp-
Growth
8 Surojuddin, "Penerapan Algoritma Apriori Algoritma apriori Penentuan penjualan Persediaan bahan-
Nurhadi, and Untuk Menentukan Penjualan produk minimarket bahan primer dan
Khoerrudin Produk Pada Minimarket Studi sekunder di Hendra
Khoerrudin. 2019 Kasus Indomaret Ruko mart dan tambahan
Ventura." algoritma Fp-
Growth
9 Mamahit, Natalia, "Penerapan Algoritma Fp- Data penjualan dan Algoritma K-means Persediaan bahan-
and Anita Qoiriah Growth dan K-Means pada Data algortima Fp-Growth bahan primer dan
2019 Transaksi Minimarket." sekunder di Hendra
mart dan tambahan
algoritma apriori
22
No Peneliti, Tahun Judul Penelitian Persamaan Perbedaan
Penelitian Sebelumnya Penelitian Sekarang
10 Hamengkubudi, Implementasi Metode Metode Algoritma Metode Algoritma Apriori Persediaan bahan-
Arva Abhyoso, Algoritma Apriori Untuk Apriori Untuk Menemukan bahan primer dan
Rachmadita Menemukan Association Association Rules Data sekunder di Hendra
Andreswari, and Rules Data Obat Di Rumah Obat Di Rumah Sakit Port mart dan tambahan
algoritma Fp-
Irfan Darmawan Sakit Port Medical Center Medical Center Jakarta
Growth
(2020) Jakarta
11 Isa, Indra Griha "Implementasi Association Metode Algoritma Metode Algoritma Apriori Persediaan bahan-
Apriori Untuk Implementasi bahan primer dan
Tofik, and Dicky Rules Dalam Menentukan sekunder di Hendra
Association Rules Dalam
Jhoansyah. (2018) Posisi Gerobak (Studi Kasus: Menentukan Posisi mart dan tambahan
algoritma Fp-
Gerobak (Studi Kasus:
Foodcourt Universitas Growth
Foodcourt Universitas
Muhammadiyah Sukabumi)." Muhammadiyah Sukabumi)
12 Takdirillah, "Penerapan Data Mining Metode Algoritma Metode Algoritma Apriori Persediaan bahan-
Apriori bahan primer dan
Robby. (2020) Menggunakan Algoritma Untuk Penerapan Data sekunder di Hendra
Apriori Mining Menggunakan mart dan tambahan
algoritma Fp-
Terhadap Data Transaksi Algoritma Apriori Growth
Penjualan Bisnis Ritel." Terhadap Data Transaksi
Penjualan Bisnis Ritel."
23
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.
24
Baik studi dari hasil maupun metode yang digunakan oleh penelitian
sebelumnya.
Tahapan pengumpulan data dilakukan sebagai awal untuk
mendapatkan data yang dibutuhkan bahkan studi Pustaka yang akan
sebagai dasar penelitian ini.
2. 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.
3. Proses Frequent itemset algoritma Fp-Growth dan Apriori
Tahapan proses yang dilakukan oleh algoritma setelah minimum
support dan confidence ini ditentukan,
4. Proses association rule algoritma Fp-growth dan Apriori
Tahapan ini dilakukan untuk mendapatkan hubungan antar item
yang ada di data penjualan yang ada. Hubungan ini lah membentuk
rule atau aturan-aturan.
5. Ouput rule dan aturan
Tahapan ini adalah proses dimana output rule dan aturan seperti lift
ratio didapatkan dari algoritma Fp-growth dan Apriori.
6. Menarik kesimpulan
Tahapan dimana semua tahapan dilakukan dilakukan penarikan
kesimpulan dari tahapan yang sudah dilakukan.
25
2.4.Hipotesis
Berdasarkan uraian kerangka konsep pemikiran diatas maka hipotesis dari
penlitian ini sebagai berikut:
1. 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.
2. Diduga aturan-aturan yang dihasilkan di algoritma Fp-Growth berbeda dengan
Algoritma Apriori.
3. 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.
26
BAB III
METODOLOGI DAN DESAIN/RANCANGAN PENELITIAN
3.2.Pengumpulan Data
Metode pengumpulan data yang digunakan dalam penelitian ini adalah:
1. Studi pustaka
Adalah segala usaha yang dilakukan peneliti untuk menghimpun informasi
yang relevan dengan topik atau masalah yang akan atau sedang diteliti. Informasi
27
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.
2. 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.
3. 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
Implementasi Perbandingan Pola Stok Barang Supermaket Pada Masa Pandemi
Dengan Metode Fp Growth Dan Apriori (Studi Kasus: Hendra Mart).
4. 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.
28
Teknik pengambilan sampel yang digunakan adalah convenience sampling.
Convenience sampling adalah pengambilan sampel didasarkan pada ketersediaan
elemen dan kemudahan untuk mendapatkannya (Sugiyono : 2001).
Gambar 3.1 Model Cross Standard Industries Process for Data Mining
1. 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.
29
2. Data understanding
3. 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.
4. 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.
30
5. 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
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) = (1)
𝐵𝐶(𝐴,𝐵)
𝑁𝑐
𝐵𝐶(𝐴, 𝐵) = (1)
𝐶)
3.4.Jadwal Penelitian
Penelitian ini dimulai pada bulan juni 2021 dengan durasi 5 bulan proses
pengerjaan. Dengan jadwal sebagai berikut:
Tabel 3.1 Jadwal Penelitian
2021
No Kegiatan Agust Septembe Oktober November Desember
12us3 4 1r 2 3 4 1 2 3 4 1 2 3 4 1 23 4
1 Melakukan Studi
Pustaka dan
Observasi
2 Studi Literatur dan
Penentuan Data
Transaksi
penjualan di
Hendra Mart
31
2021
No Kegiatan Agust Septembe Oktober November Desember
12us3 4 1r 2 3 4 1 2 3 4 1 2 3 4 1 2 34
3 Melakukan
Preprocessed Data,
Data Tranning,
Testing Data
4 Melakukan Real-
Word Data, Data
Consolidation, Data
Cleanning, Data
Tranformaton, Dara
Reduction dan Well
Formed Data
5 Melakukan
Modelling Data
Association Fp-
Growth dan Apriori
6 Melakukan
Evaluation dengan
Lift Ration
32
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:
1) 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.
2) Dokumentasi
Dalam tahapan ini didapatkan dokumentasi penjualan dari Hendra Mart.
Dimana dokumentasi penjualan tersebut didapatkan data penjualan tahun
2019, 2020 dan 2021.
3) 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.
4) 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:
33
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:
34
Gambar 4.3 Data penjualan 2021
4.1.2.2 Data Understanding
a. Preprocessed Data
Dalam tahapan ini didapatkan data yang sudah diproses
dimana data tersebut sebanyak 1218 pada tahun 2019, 1194 pada
tahun 2020 dan 808 data pada tahun 2021. Data tersebut sebagi
berikut:
Tabel 4.1 Data Preprocessed 2019
id_data id_transaksi item Tanggal
1 T190001 MIE 1/5/2019
2 T190001 MIE 1/5/2019
MINYAK
3 T190001 GORENG 1/5/2019
AIR
4 T190001 MINERAL 1/5/2019
5 T190001 MIE 1/5/2019
6 T190001 MINUMAN 1/5/2019
35
id_data id_transaksi
item Tanggal
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
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 ########
1211 T190100 MINUMAN ########
AIR
1212 T190100 MINERAL ########
1213 T190100 MIE ########
AIR
1214 T190100 MINERAL ########
1215 T190100 MINUMAN ########
1216 T190100 MINUMAN ########
1217 T190100 MINUMAN ########
1218 T190100 MINUMAN ########
36
id_data id_transaksi item Tanggal
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
18 T200001 SUSU 1/1/2020
……... ……. …………. ………..
1202 T200100 MINUMAN ########
1203 T200100 SUSU ########
1204 T200100 SUSU ########
1205 T200100 SUSU ########
1206 T200100 SUSU ########
1207 T200100 SUSU ########
1208 T200100 SUSU ########
1209 T200100 SUSU ########
1210 T200100 SUSU ########
1211 T200100 MINUMAN ########
37
id_data id_transaksi item Tanggal
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
…… ………. ………… …………
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:
38
Tabel 4.4 Data Consolidtion tahun 2019,2020 dan 2021
Data
594 T190073 MINUMAN 1/10/2019 Tranning
39
id_data id_transaksi item Tanggal
……. …………. ………….. ………… ……….
Data
2358 T210063 MIE 1/25/2021 Tranning
Data
2359 T210063 MIE 1/25/2021 Tranning
Data
2360 T210063 TELUR 1/25/2021 Tranning
Data
2361 T210063 MIE 1/25/2021 Tranning
Data
2362 T210063 TELUR 1/25/2021 Tranning
Data
2363 T210063 TEH 1/25/2021 Tranning
Data
2364 T210063 BERAS 1/25/2021 Tranning
Data
2365 T210063 TEH 1/24/2021 Tranning
Data
2366 T210064 TELUR 1/24/2021 Tranning
Data
2367 T210064 MIE 1/24/2021 Tranning
Data
2368 T210064 MIE CUP 1/24/2021 Tranning
Data
2369 T210064 TEH 1/24/2021 Tranning
Data
2370 T210064 TEH 1/24/2021 Tranning
Data
2371 T210064 TEH 1/24/2021 Tranning
Data
2372 T210064 TEH 1/24/2021 Tranning
Data
2373 T210064 SUSU 1/24/2021 Tranning
Data
2374 T210064 TEH 1/24/2021 Tranning
Data
2375 T210064 SUSU 1/24/2021 Tranning
Data
2376 T210064 SUSU 1/24/2021 Tranning
Data
2377 T210064 SUSU 1/24/2021 Tranning
40
id_data id_transaksi item Tanggal
Data
2378 T210064 TEH 1/24/2021 Tranning
Data
2379 T210064 SUSU 1/24/2021 Tranning
Data
2380 T210064 SUSU 1/24/2021 Tranning
Data
2381 T210064 TEH 1/24/2021 Tranning
Data
2382 T210064 TEH 1/24/2021 Tranning
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 algortima 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:
1) Data Tranning
41
a) 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:
42
c) Conditional Patern Base
43
f) Aturan Asosiasi
a) Frequent Itemset
44
b) FP Tree
45
d) Conditional Fp Tree
e) Frequency Patern
46
f) 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:
47
Gambar 4.16 C1 Data tranning
b) L1 (Large 1-itemset)
48
Gambar 4.18 C2 Data tranning
d) L2 (Large 2-itemset)
49
e) Asosiasi (2-itemset)
50
b) L1 (Large 1-itemset)
Dalam tahapan L1 didapatkan hasil terbanyak yaitu item set
susu dengan banyaknya data 38 dengan support yang didapatkan
yaitu 82,61%. Sedangkan yang terrendah yaitu itemset mie cup
goreng dengan banyaknya data 10 dengan support yang
didapatkan yaitu 21.74%. Data tersebut dijabarkan sebagai
berikut:
51
d) L2 (Large 2-itemset)
52
Gambar 4.26 Hasil C3 itemset Data Testing
g) L3 (Large 3-itemset)
53
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:
1) Data Tranning
a) FPG-Growth
54
b) Apriori
55
dengan minimum support 20% dan Minimum Confident 50%. Data-data
tersebut sebagai berikut:
56
b) Apriori
57
BAB V
KESIMPULAN
5.1 Kesimpulan
Berdasarkan penelitian dan hasil pengujian yang dilakukan terhadap
Analisis Metode Fpg- Growth Dan Apriori Untuk Menentukan Pola
Pembelian Konsumen Di Masa Pandemi (Studi Kasus: Hendra Mart),
disimpulkan bahwa :
1. Dari hasil yang sudah didapatkan barang yang sering laku di data
tranning pada algoritma FP-Growth dan Apriori adalah minuman,
minyak goreng, air mineral, mie, susu dan mie cup. Sedangkan pada
algoritma Fp-Growth dan Apriori pada data testing adalah mie cup, mie,
minuman, susu, telur, the.
2. Didapatkan data lift ratio yang berbeda pada algoritma FP- Growth dan
Apriori pada data testing maupun data tranning. Salah satu contohnya
didata testing algortima 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.
3. 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, sedabgkan algortima Apriori
mendapatkan waktu 0,04241 Detik dengan memori yang digunakan
260,15 kilo byte
5.2 Saran
Berdasarkan hasil Analisis Metode Fpg- Growth Dan Apriori Untuk
Menentukan Pola Pembelian Konsumen Di Masa Pandemi (Studi Kasus:
Hendra Mart), menyarankan sebagai berikut:
58
1) Diharapkan dapat menganalisis lebih lanjut untuk pengembangan data
penjualan pada Hendra mart agar mendapatkan hasil yang lebih banyak
untuk persedian barang yang ada.
2) Melakukan analisis lanjutan dengan metode gabungan lainnya.
59
DAFTAR PUSTAKA
Ali Ikhwan, Dicky Nofriansyah, Sriani. (2015). Penerapan Data Mining dengan
Algoritma FP-Growth untuk Mendukung Strategi Promosi Pendidikan (Studi
Kasus Kampus STMIK Triguna Dharma). ISSN : 1978-6603 Jurnal
SAINTIKOM Vol.14 No 3,September 2015.
Barkah, Novalia, Entin Sutinah, and Nani Agustina. "Metode Asosiasi Data Mining
Untuk Analisa Persediaan Fiber Optik Menggunakan Algoritma Apriori."
Jurnal Kajian Ilmiah 20.3 (2020): 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).
Erwin. 2009. Analisis Market Basket dengan Algoritma Apriori dan FP-Growth. Jurnal
Generic, 26-30.
60
Chemicals." J-SISKO TECH (Jurnal Teknologi Sistem Informasi dan Sistem
Komputer TGD) 2.2 (2019): 30-40.
Hamdi, Abi, Fatma Indriani, And Muliadi Muliadi. "Metode Timeseries K-Nearest
Neighbor Regression Dalam Prediksi Barang Keluar Pada Gudang Pt Putra
Prenuer Banjarbaru." Soliter 2 (2019): 37-45.
Han, Jiawei., Kamber, Micheline. 2006. Data mining: Concepts and Techniques
Second Edition. San Fransisc : Morgan Kaufmann Publishers.
Isa, Indra Griha Tofik, and Dicky Jhoansyah. "Implementasi Association Rules Dalam
Menentukan Posisi Gerobak (Studi Kasus: Foodcourt Universitas
Muhammadiyah Sukabumi)." Informatika Mulawarman: Jurnal Ilmiah Ilmu
Komputer 13.2 (2019): 65-70.
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)." Seminar Nasional Teknologi
Informasi dan Komunikasi (SENTIKA). 2018.
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.
61
Mamahit, Natalia, and Anita Qoiriah. "Penerapan Algoritma Fp-Growth dan K-Means
pada Data Transaksi Minimarket." Journal of Informatics and Computer
Science (JINACS) 1.02 (2019).
North, Matthew. 2012. Data mining for the Masses. A Global Text Project Book.
Novianti, Agnes, and Erlin Elisa. "Penentuan Aturan Asosiasi Pola Pembelian Pada
Minimarket Dengan Algoritma Apriori." Building of Informatics, Technology
and Science (BITS) 2.1 (2020): 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).
Pranata, Boby Septia, and Dito Putro Utomo. "Penerapan Data Mining Algoritma FP-
Growth Untuk Persediaan Sparepart Pada Bengkel Motor (Study Kasus
Bengkel Sinar Service)." Bulletin of Information Technology (BIT) 1.2 (2020):
83-91.
Rudianto, A. "Penerapan Data Mining Untuk Menganalisa Data Penjualan Pada Toko
Bangunan Restu Bunda Menggunakan Metode Apriori." (2019).
Susanto, Sani, Suryadi, Dedy. 2010. Pengantar Data mining : Menggali Pengetahuan
dan Bongkahan Data. Yogyakarta : Andi Publisher.
62
Syaifullah, M.A. 2010. Implementasi Data Mining Algoritma Apriori Pada Sistem
Penjualan. STMIK AMIKOM YOGYAKARTA. Yogyakarta : Sekolah Tinggi
Manajemen Informatika dan Komputer Amikom.
63
Lampiran-Lampiran
64
Lampiran 1
Data Penjualan umum 2020
Kode Item Nama Item Jenis Merek Jumlah Satuan Total Harga
011351 ULTRA MIMI VANILA 125ML SUSU CAIR 1,179.00 PCS 3,096,000.00
000005 KOREK GAS TOKAI PERABOTAN PERLENGK 1,164.00 PCS 2,319,000.00
APAN
UMUM
102509 SUN KARA 200ML KOTAK BAHAN 1,163.00 PCS 8,784,040.00
MASAK
001306 TORABIKA CREAMY LATTE KOPI 1,162.00 PCS 1,622,000.00
110113 ABC KECAP MANIS 135ML KECAP/SAUS 1,153.00 PCS 7,267,500.00
65
Data Penjualan umum 2019
Kode Item Nama Item Jumlah Satuan Total Harga
66
Data Penjualan Umum 2021
Kode Item Nama Item Jenis Merek Jumlah Satuan Total Harga
67
Lampiran 2
Data Tranning
68
…………… …………….. ………………. …………..
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
69
2377 T210064 THE 1/24/2021
2378 T210064 SUSU 1/24/2021
2379 T210064 SUSU 1/24/2021
2380 T210064 THE 1/24/2021
2381 T210064 THE 1/24/2021
Data Testing
id_data id_transaksi item Tanggal
70
21 T190086 MINUMAN 1/14/2019
71
901 T210090 TEH 1/15/2021
72