SKRIPSI
Untuk memenuhi syarat mencapai derajat S-1
Diajukan oleh:
KRISMA NUR ANJUMI
16311004
i
ii
iii
iii
iv
MOTTO
Belajar dari kemarin, hidup untuk hari ini, berharap untuk hari besok. Dan
yang terpenting adalah jangan sampai berhenti bertanya.
(Albert Einstein)
Jangan pergi mengikuti kemana jalan akan berujung. Buat jalanmu sendiri
dan tinggalkanlah jejak.
(Krisma Nur Anjumi)
v
HALAMAN PERSEMBAHAN
1. Allah SWT yang telah memberikan rahmat, kesehatan serta hidayah-Nya kepada
2. Kedua orang tua yang sangat saya cintai dan saya banggakan. Untuk Ayah saya
Suhadak Hakum dan Ibu Upik Mayang Sari yang selalu menguatkan dan
memberikan semangat serta tidak lupa memberikan doa setiap langkah saya.
3. Untuk adik saya, Aldo Rizky Kusmawan yang selama ini menjadi pendukung
saya.
5. Terimakasih untuk tim sukses dari awal Rahajeng Budiarti, Diah Nuril, Evi
Damayanti, Era Astirawa, Erlina Susanti, Hari Yoga, Agus Bayu, Revina
Destriana dan Asniati yang selalu memberikan semangat dan mendukung saya.
7. Terima kasih untuk dosen pembimbing saya Miss Styawati, S.T., M.Cs. yang
ini.
vi
KATA PENGANTAR
Puji syukur penulis panjatkan kepada Allah SWT, karena atas berkat dan rahmat-
Nya, penulis dapat menyelesaikan Skripsi dengan judul Penerapan Data Mining
Untuk Analisis Pola Pembelian Pelanggan Menggunakan Algoritma Apriori (Studi
Kasus : Toko Diengva Bandar Jaya). Skripsi ini disusun untuk memenuhi salah satu
syarat menyelesaikan pendidikan Strata 1 pada Fakultas Teknik dan Ilmu Komputer
Universitas Teknokrat Indonesia. Penulis menyadari bahwa, tanpa bantuan dan
bimbingan dari berbagai pihak, sangatlah sulit bagi penulis untuk menyelesaikan
laporan Skripsi ini. Oleh karena itu, penulis mengucapkan terima kasih kepada:
1. Dr. H.M. Nasrullah Yusuf. S.E., M.B.A., selaku Rektor Universitas
Teknokrat Indonesia.
2. Dr. H. Mahatir Muhammad, S.E., M.M., selaku Dekan Fakultas Teknik dan
Ilmu Komputer Universitas Teknokrat Indonesia.
3. Rusliyawati, S.Kom., M.T.I., selaku Ketua Program Studi S1 Sistem
Informasi Fakultas Teknik dan Ilmu Komputer Universitas Teknokrat
Indonesia.
4. Styawati, S.T., M.Cs., selaku Dosen Pembimbing yang telah meluangkan
waktu untuk membimbing penulis menyelesaikan skripsi ini.
5. Zaenal Abidin, S.Si., S.Kom., MT.selaku Dosen Penguji.
6. Eva Setiawati, S.Kom., selaku pemilik Toko Diengva yang telah banyak
membantu dan bekerja sama untuk mengumpulkan data yang penulis
perlukan.
Penulis menyadari masih banyak kekurang yang ada pada penyusunan Skripsi ini,
untuk itu penulis mengharapkan saran dan masukan agar Skripsi ini dapat sesuai
dan maksimal. Semoga Skripsi ini dapat bermanfaat bagi penulis maupun para
pembaca.
Bandar lampung, 19 Agustus 2020
Penulis
vii
DAFTAR ISI
Hal
LEMBAR JUDUL .................................................................................................. i
LEMBAR PERSETUJUAN ................................................................................. ii
LEMBAR PENGESAHAN ................................................................................. iii
LEMBAR PERNYATAAN ................................. Error! Bookmark not defined.
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI . Error! Bookmark
not defined.
MOTTO ................................................................................................................. v
HALAMAN PERSEMBAHAN .......................................................................... vi
KATA PENGANTAR ......................................................................................... vii
DAFTAR ISI ....................................................................................................... viii
DAFTAR TABEL ................................................................................................ xi
DAFTAR GAMBAR ........................................................................................... xii
ABSTRAK .......................................................................................................... xiii
BAB I PENDAHULUAN ..................................................................................... 1
1.1 Latar Belakang Masalah ......................................................................... 1
1.2 Rumusan Masalah .................................................................................. 3
1.3 Batasan Masalah ..................................................................................... 3
1.4 Tujuan Penelitian .................................................................................... 4
1.5 Manfaat Penelitian .................................................................................. 4
BAB II LANDASAN TEORI ............................................................................... 5
2.1 Tinjauan Pustaka .................................................................................... 5
2.2 Data Mining............................................................................................ 7
2.3 Analisis ................................................................................................... 9
2.4 Pola ......................................................................................................... 9
2.5 Pembelian ............................................................................................. 10
2.6 Pelanggan ............................................................................................. 10
2.7 Association Rule ................................................................................... 11
2.7.1 Algoritma Apriori............................................................................ 12
2.7.2 Algoritma FP-Growth ..................................................................... 13
2.8 Teknik Pengumpulan Data ................................................................... 14
2.9.1 Wawancara ...................................................................................... 14
2.9.2 Observasi ......................................................................................... 14
2.9.3 Dokumentasi ................................................................................... 14
2.9 Tools/Instrumen Penelitian ................................................................... 15
viii
BAB III METODE PENELITIAN .................................................................... 16
3.1 Kerangka Penelitian .............................................................................. 16
3.2 Tahapan Penelitian ............................................................................... 17
3.3 Instrumen Penelitian ............................................................................. 19
3.3.1 Data ................................................................................................. 19
3.3.2 Peralatan .......................................................................................... 19
3.4 Metode Pengumpulan Data .................................................................. 20
3.4.1 Observasi ......................................................................................... 20
3.4.2 Wawancara ...................................................................................... 20
3.4.3 Dokumentasi ................................................................................... 20
3.5 Analisis Data ........................................................................................ 21
3.5.1 Pemahaman Data (Data Understanding) ........................................ 21
3.5.2 Pengolahan Data (Data Preaparation) ........................................... 21
3.5.3 Evaluasi (Evaluation) ...................................................................... 21
3.6 Simulasi Data........................................................................................ 22
3.6.1 Data Transaksi ................................................................................. 22
3.6.2 Bentuk Tabular Data Transaksi ....................................................... 24
3.6.3 Pembentukan 1 Itemset ................................................................... 24
3.6.4 Pembentukan 2 Itemset ................................................................... 25
3.6.5 Menghitung Nilai Support x Confidence Algoritma Apriori .......... 27
BAB IV HASIL PENELITIAN DAN PEMBAHASAN................................... 29
4.1 Implementasi Nilai Minimum Support 2% ........................................... 29
4.1.1 Implementasi Algoritma Apriori Menggunakan Rapid Miner........ 29
4.1.2 Implementasi Algoritma Apriori Menggunakan Ms. Excel ............ 30
4.1.3 Perbandingan Rapid Miner dengan Ms. Excel ................................ 60
4.1.4 Implementasi Algoritma FP-Growth Menggunakan Rapid Miner . 61
4.1.5 Perbandingan Algoritma Apriori dan FP-Growth .......................... 62
4.2 Implementasi Nilai Minimum Support 1% ........................................... 64
4.2.1 Implementasi Algoritma Apriori Menggunakan Rapid Miner........ 64
4.2.2 Implementasi Algoritma Apriori Menggunakan Ms. Excel ............ 65
4.2.3 Perbandingan Rapid Miner dengan Ms.Excel ............................... 121
4.2.4 Implementasi FP-Growth Menggunakan Rapid Miner ................ 122
4.2.5 Perbandingan Algoritma Apriori dan FP-Growth ........................ 124
ix
4.3 Implementasi Nilai Minimum Support 0,5% ...................................... 125
4.3.1 Implementasi Algoritma Apriori Menggunakan Rapid Miner...... 125
4.3.2 Implementasi Algoritma Apriori Menggunakan Ms. Excel .......... 126
4.3.3 Perbandingan Rapid Miner dengan Ms. Excel .............................. 223
4.3.4 Implementasi Algoritma FP-Growth Menggunakan Rapid Miner 224
4.3.5 Perbandingan Algoritma Apriori dan FP-Growth ........................ 226
BAB V KESIMPULAN .................................................................................... 228
5.1 Kesimpulan ......................................................................................... 228
5.2 Saran ................................................................................................... 229
DAFTAR PUSTAKA ........................................................................................ 230
LAMPIRAN ....................................................................................................... 232
x
DAFTAR TABEL
Hal
xi
DAFTAR GAMBAR
Hal
xii
ABSTRAK
Oleh:
Diengva adalah sebuah toko yang menjual berbagai macam barang seperti
perlengkapan rumah tangga, peralatan rumah tangga, aksesoris, bucket bunga, baju,
tas, sepatu, kosmetik, dan lain-lain. Banyaknya data transaksi pembelian yang ada
pada Diengva dapat dijadikan sebagai analisa perilaku pelanggan dalam melakukan
pembelian barang. Algoritma Apriori adalah salah satu algoritma pada bidang data
mining untuk penggalian aturan asosiasi. Menerapkan Algoritma Apriori sebagai
metode untuk mencari pola beli pelanggan pada data transaksi penjualan Toko
Diengva menggunakan Rapid Miner. Dengan aturan yang dihasilkan dari
penerapan Algoritma Apriori dapat dijadikan sebagai dasar untuk melakukan stok
terhadap item-item yang memenuhi nilai minimum support dan minimum
confidence. Item-item yang memenuhi aturan tersebut adalah Bulu Mata, Lem Bulu
Mata, Soflen, dan Air Soflen. Nilai confidence dari hubungan antar 2 item diatas
dapat dikatakan tinggi sehingga hasil aturan tersebut dapat dijadikan sebagai dasar
untuk melakukan stok terhadap item-item diatas.
xiii
1
BAB I
PENDAHULUAN
Persaingan di dunia bisnis yang semakin ketat membuat para pelaku bisnis
harus berfikir lebih keras dalam menyusun strategi untuk menghadapi persaingan
tersebut. Salah satu strategi yang dapat digunakan adalah dengan memanfaatkan
Diengva adalah sebuah toko yang menjual berbagai macam barang seperti
perlengkapan rumah tangga, peralatan rumah tangga, aksesoris, bucket bunga, baju,
tas, sepatu, kosmetik, dan lain-lain. Didirikan pada tahun 2012 yang beralamatkan
Tengah. Hingga saat ini Diengva mempunyai banyak cabang yaitu di Bandar
Lampung, Mesuji dan Bandar Jaya. Transaksi pembelian konsumen yang terjadi
setiap hari dapat memperbanyak data transaksi pada Diengvashop yang apabila
dibiarkan begitu saja hanya dapat menjadi data arsip. Berdasarkan data pembelian
konsumen tersebut dapat diolah menjadi sebuah data yang dapat mendukung
1
2
algoritma untuk mengelola data transaksi pembelian konsumen yang ada sehingga
Algoritma Apriori adalah salah satu algoritma pada bidang data mining
untuk penggalian aturan asosiasi atau yang lebih dikenal dengan istilah association
& Pei, 2011). Association Rule yang dimaksud dilakukan melalui mekanisme
penghitungan support dan confidence dari suatu hubungan item. Sebuah rule
asosiasi dikatakan interesting jika nilai support adalah lebih besar dari minimum
support dan juga nilai confidence adalah lebih besar dari minimum confidence.
Algoritma Apriori ini akan cocok untuk diterapkan bila terdapat beberapa hubungan
dalam Menentukan Pola Pembelian Obat” pada 2015 oleh Robi Yanto dan Riri
Khoiriah untuk mengetahui obat apa saja yang biasa dibeli konsumen menggunakan
Algoritma Apriori dengan menunjukkan hasil dapat membantu pola pembelian obat
berdasarkan kencenderungan obat yang dibeli konsumen yang terdiri dari 2 itemset
obat (Yanto & Khoiriah, 2015) dan penelitian yang berjudul “Implementasi
SPA” pada 2016 oleh I Gede Putu Megayasa, I Komang agus Ady Aryanto, I Gede
3
Surya Diputra, I Nyoman Arianta, Seftian Rusdiyata, Gede Irawan yang bertujuan
menebak target pasar dan algoritma apriori yang diterapkan mampu menunjukan
pola pembelian yang memiliki frekuensi paling tinggi, (Megayasa et al., 2016).
Berdarkan latar belakang yang telah dipaparkan oleh penulis diatas maka
penulis akan menerapkan Algoritma Apriori pada data transaksi penjualan Tahun
2017-2019 dengan jumlah 1.625 transaksi pada Toko Diengva untuk menemukan
bisnis. Penulis akan melakukan penelitian yang berjudul “Penerapan Data Mining
masalah, yaitu :
2. Informasi yang dihasilkan adalah berupa pola pembelian barang yang sering
Berdasarkan latar belakang yang telah dipaparkan penulis maka tujuan dari
Menerapkan Algoritma Apriori sebagai metode untuk mencari pola beli pelanggan
pada data transaksi penjualan Toko Diengva untuk menghasilkan sebuah strategi
akan dibuat :
1. Bagi Toko
Membantu toko memprediksi barang apa saja yang sering dibeli pelanggan
yang sering dibeli secara bersamaan oleh pelanggan harus tetap tersedia dan
terbentuk.
2. Bagi Penulis
toko.
5
BAB II
LANDASAN TEORI
2.1 Tinjauan Pustaka
Berikut ini adalah tinjauan pustaka yang dilakukan oleh penulis berdasarkan
5
6
pengetahuan yang terkait dari berbagai database besar, (Turban, E., 2005).
8
peninjauan kumpulan data untuk menemukan hubungan yang biasanya tidak diduga
dan meringkas data dengan cara yang berbeda dengan sebelumnya, yang dapat
dipahami dan bermanfaat bagi pemiliknya. Data mining juga merupakan bidang
dari beberapa bidang keilmuan yang menyatukan teknik dari pembelajaran mesin,
1. Data mining merupakan suatu proses otomatis terhadap data yang sudah
ada.
3. Tujuan data mining adalah untuk mendapatkan hubungan atau pola yang
Kemajuan luar biasa yang terus berlanjut dalam bidang data mining
globalisasi ekonomi.
teknologi).
9
2.3 Analisis
penelaahan bagian itu sendiri serta hubungan antar bagian untuk memperoleh
satu sama lain dan fungsi masing-masing dalam satu keseluruhan yang terpadu,
(Komaruddin, 2001).
Aturan analisis yang digunakan ialah market basket analisis dimana aturan
tersebut adalah aturan yang menyatakan asosiasi antara beberapa atribut. Karena
keranjang belanja di pasar swalayan, analisis asosiasi ini juga sering disebut market
2.4 Pola
Menurut Kamus Besar Bahasa Indonesia (2002) pola adalah suatu system
kerja atau cara kerja sesuatu, sedangkan menurut kamus antropologi pola adalah
rangkaian unsur-unsur yang sudah mantap mengenai suatu gejala dan dapat dipakai
(Suyoto, 2005).
kerja yang terdiri dari unsur-unsur terhadap suatu perilaku dan dapat dipakai untuk
2.5 Pembelian
Pembelian adalah proses perolehan bahan, peralatan dan jasa dari penyalur
peralatan, dan jasa untuk memenuhi sasaran produksi dan pasar. (Longnecker,
2006).
pembelian adalah kegiatan untuk mendapatkan kepemilikan atas suatu barang atau
penggunaan suatu jasa yang digunakan untuk diri sendiri atau dengan tujuan dijual
kembali.
2.6 Pelanggan
Pelanggan adalah orang yang menjadi pembeli produk yang telah dibuat dan
dipasarkan oleh sebuah perusahaan, dimana orang ini bukan hanya sekali membeli
Merupakan pembeli atau pemakai akhir produk itu, yang sering disebut-
Menurut (Han, J., & Kember, 2001), terdapat dua ukuran kepercayaan yang
menunjukan kepastian dan tingkat kegunaan suatu rule yang ditemukan yaitu:
membeli item A). Pada umumnya association rule yang didapatkan menarik
Dalam (Kusrini & Luthfi, 2009), metedologi dasar analisis asosiasi terbagi
menjadi 2 tahap :
Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai
support dalam database. Nilai support sebuah item diperoleh dengan mengikuti
Sedangkan nilai support dari 2 item diperoleh dari persamaan (2.2) dan
∑
Support ( , ) = ∑
× 100% (2.3)
∑
Confidence = P (B | A) = ∑
× 100% (2.4)
Algoritma apriori termasuk jenis aturan asosiasi pada data mining. Selain
apriori, yang termasuk pada golongan ini adalah metode Generalized Rule
Induction dan Algoritma Hash Based. Aturan yang menyatakan asosiasi antara
beberapa atribut sering disebut affinity analysis atau market basket analysis,
(Kusrini & Luthfi, 2009). Langkah-langkah algoritma Apriori menurut (Kusrini &
tidak menemukan yang sesuai dengan nilai minimum yang telah ditentukan.
13
3. Dari kandidat itemset yang telah diperoleh kemudian dihitung nilai support
dan dibentuk dengan membaca kumpulan data pada suatu transaksi dalam suatu
waktu dan memetakan transaksi tersebut ke dalam lintasan FP-Tree. Transaksi yang
saling menimpa. Semakin banyak lintasan yang menimpa satu sama lain, dengan
menggunakan struktur FP-Tree maka proses pemadatan semakin baik, (Tan et al.,
2004).
FP-Tree dengan menjelajahi tree dari bawah menuju keatas. Algoritma FP-Growth
frequent itemset yang berahiran suffix tertentu dengan menggunakan metode divide
and conquer untuk memecah problem menjadi sub problem yang lebih kecil (Jiwei,
H., Kamber, M., & Pei, 2011). Algoritma FP-Growth menggunakan konsep
candidate seperti Algoritma Apriori. Hal ini yang menyebabkan algoritma ini lebih
2.9.1 Wawancara
antara dua pihak atau lebih untuk mendapatkan informasi secara lisan dengan tujuan
2.9.2 Observasi
tersebut, bagi pelaksana observaser dapat melihat momen tertentu sehingga mampu
2.9.3 Dokumentasi
Dokumentasi adalah suatu cara yang digunakan untuk memperoleh data dan
informasi dalam bentu buku, arsip, dokumen, tulisan angka dan gambar yang
berupa laporan dan keterangan yang dapat mendukung penelitian, (Sugiyono, 2015).
15
Algoritma Apriori. Tools yang digunakan tersebut adalah Rapid Miner versi 7.1.
BAB III
METODE PENELITIAN
Dibawah ini adalah kerangka penelitian yang diajukan oleh penulis sebagai
IDENTIFIKASI MASALAH
Transaksi pembelian yang ada pada Diengva dapat dijadikan sebagai analisa
perilaku pelanggan dalam melakukan pembelian barang
METODE
Algoritma Apriori
INSTRUMEN PENELITIAN
Rapid Miner 7.1
HASIL PENELITIAN
Pola pembelian pelanggan.
Berikut ini adalah penjelasan dari kerangka penelitian yang dibuat oleh penulis
diatas:
transaksi pembelian pelanggan pada Toko Diengva dapat diolah atau digali
16
17
4. Hasil penelitian yang dituju oleh penulis adalah informasi berupa pola beli
Berikut ini adalah alur tahapan penelitian yang dilakukan oleh (Megayasa
et al., 2016) dan merupakan tahapan yang akan dilakukan oleh penulis :
1. Studi Literatur
PENGUMPULAN
2. Observasi Dokumentasi
DATA
3. Wawancara
1. Kategorisasi
PENYELEKSIAN 2. Pembersihan
DATA
3. Transformasi
HASIL
Berikut ini adalah penjelasan dari tahapan penelitian yang dibuat oleh penulis
diatas:
18
literatur.
algoritma yang akan digunakan dalam pengolahan data yang telah penulis
dapatkan.
3. Tahap ketiga yaitu penyeleksian data dimana data transaksi yang telah
terhadap data yang tidak digunakan pada penelitian ini, terakhir data akan
itemset atau lebih dari data transaksi yang ada sehingga dapat dilihat pola
pembeli.
19
Berdasarkan latar belakang masalah yang telah penulis paparkan, maka pada
3.3.1 Data
Data yang digunakan dalam penelitian ini didasarkan pada dua jenis data
yaitu data primer dan data sekunder. Data primer pada penelitian ini didapatkan
Sedangkan data sekunder pada penelitian ini berupa data-data pendukung yang
didapatkan melalui pihak lain dalam penulisan landasan teori atau tinjauan pustaka
yang diperlukan.
3.3.2 Peralatan
kebutuhan perangkat keras. Dibawah ini merupakan kebutuhan dari penelitian ini,
diantaranya :
Perangkat lunak yang dibutuhkan pada penilitian ini antara lain adalah
sebagai berikut :
Perangkat lunak ini digunakan oleh penulis sebagai alat untuk mengolah
Perangkat lunak ini digunakan oleh penulis sebagai alat untuk pencatatan
Perangkat lunak ini digunakan oleh penulis sebagai alat untuk menerapkan
Algoritma Apriori dalam mencari nilai support dan confidence pada data
3. RAM 4096 MB
4. Hardisk 500 GB
5. Keyboard
6. Mouse
3.4.1 Observasi
3.4.2 Wawancara
3.4.3 Dokumentasi
oleh penulis berupa meyalin (foto kopi) data transaksi penjualan pada Toko
Diengva.
21
Data yang digunakan dalam penelitian ini berasal dari data primer. Data
transaksi penjualan yang digunakan adalah data transaksi penjualan pada tahun
2017-2019.
itemset.
mencari kandidat 2 itemset dan selanjutnya. Proses akan terhenti ketika tidak
3. Dari kandidat itemset yang telah diperoleh kemudian dihitung nilai support
hasil yang dicapai oleh model menggunakan aplikasi Microsoft Office Excel.
22
aplikasi Ms. Excel untuk menerapkan algoritma Apriori pada data transaksi
Pada simulasi ini data yang digunakan hanyalah tujuh sampel data dan
bukan seluruh data. Berikut ini adalah data yang akan digunakan pada simulasi :
Transaksi Item
1 Serum Bioaqua, HN Cream, Pensil Alis, Soflen, Air Soflen
2 Set Rantang, Soflen, Air Soflen
3 Tumbler, Air Soflen, Soflen
4 Soflen, Theraskin, Pensil Alis
5 Parfum, Air Soflen, Dolby
6 Air Soflen, Dolby, Temulawak
7 HN Cream, Pensil Alis, Dolby, Sepatu, Lipstik
23
Berdasarkan tabel transaksi diatas maka didapat tabel representasi data berupa
Transaksi Item
1 Serum Bioaqua
1 HN Cream
1 Pensil Alis
1 Soflen
1 Air Soflen
2 Set Rantang
2 Soflen
2 Air Soflen
3 Tumbler
3 Air Soflen
3 Soflen
4 Soflen
4 Theraskin
4 Pensil Alis
5 Parfum
5 Air Soflen
5 Dolby
6 Air Soflen
6 Dolby
6 Temulawak
7 HN Cream
7 Pensil Alis
7 Dolby
7 Sepatu
7 Lipstik
24
Transaksi
Item ∑
1 2 3 4 5 6 7
Serum Bioaqua (A) 1 0 0 0 0 0 0 1
HN Cream (B) 1 0 0 0 0 0 1 2
Pensil Alis (C) 1 0 0 1 0 0 1 3
Soflen (D) 1 1 1 1 0 0 0 4
Air Soflen (E) 1 1 1 0 1 1 0 5
Set Rantang (F) 0 1 0 0 0 0 0 1
Tumbler (G) 0 0 1 0 0 0 0 1
Theraskin (H) 0 0 0 1 0 0 0 1
Parfum (I) 0 0 0 0 1 0 0 1
Dolby (J) 0 0 0 0 1 1 1 3
Temulawak (K) 0 0 0 0 0 1 0 1
Sepatu (L) 0 0 0 0 0 0 1 1
Lipstik (M) 0 0 0 0 0 0 1 1
support dari masing-masing item dalam transaksi yang ada. Proses pembentukan 1
Tabel hasil pembentukan 1 itemset dari bentuk data tabular pada Tabel 3.3 dapat
Setelah terbentuk nilai support dari setiap item maka analis dapat menentukan nilai
minimum support (frekuensi kemunculan item) yang akan digunakan, (Kusrini &
menentukan nilai minimum support yang digunakan adalah 40%. Dimana item yang
memenuhi nilai minimum support adalah Pensil Alis (C), Soflen (D), Air Soflen (E),
besar dari nilai minimum support. Maka himpunan dari kombinasi 2 itemset yang
Berdasarkan himpunan tersebut dapat dibentuk tabel untuk calon 2 itemset, dimana:
T = Transaksi
f = frekuensi
p = barang yang dibeli secara bersamaan
s = barang yang dibeli secara terpisah
Tabel 3.5 Tabel Calon 2 Itemset
{C,D} {C,E} {C,J}
T C D F T C E F T C J f
1 1 1 p 1 1 1 P 1 1 0 s
2 0 1 s 2 0 1 S 2 0 0 s
3 0 1 s 3 0 1 S 3 0 0 s
4 1 1 p 4 1 0 S 4 1 0 s
5 0 0 s 5 0 1 S 5 0 1 s
6 0 0 s 6 0 0 S 6 0 1 s
7 1 0 s 7 1 0 S 7 1 0 s
∑ 2 ∑ 1 ∑ 0
Berdasarkan bentuk tabular data calon 2 itemset diatas, dilakukan pencarian nilai
pada Tabel 3.6 didapat melalui perhitungan menggunakan persamaan (2.3) dibawah
ini:
∑
Support ( , ) = ∑
× 100%
27
Telah dijelaskan oleh penulis bahwa nilai minimum support yang digunakan adalah
40% maka kombinasi yang memenuhi nilai minimum support adalah {D,E} karena
perhitungan nilai support dan confidence dari aturan yang didapat, dimana nilai
support didapat dari persamaan (2.3) dan confidence didapat dari persamaan (2.4)
∑
Support ( , ) = ∑
× 100%
∑
Confidence = P (B | A) = ∑
× 100%
dilakukan perkalian antar support dan confidence, dimana kandidat yang diambil
adalah kandidat yang memiliki nilai support ≥ 40% dan confidence ≥ 60%, sehingga
Setelah didapat hasil perkalian antar support dan confidence, maka akan dipilih
yang hasil perkaliannya paling besar karena perkalian tersebut merupakan rule yang
digunakan saat penjualan. Namun, karena pada hasil perkalian diatas bernilai sama
1. “Jika membeli Soflen (D) maka membeli Air Soflen (E) dengan support
2. “Jika membeli Air Soflen (E) maka membeli Soflen (D) dengan support
Dari dua aturan diatas dapat ditarik kesimpulan apabila melakukan persediaan
BAB IV
HASIL PENELITIAN DAN PEMBAHASAN
menggunakan tools Rapid Miner 7.1 sebagai alat untuk menerapkan Algoritma
29
30
Dengan menggunakan tools Rapid Miner 7.1 untuk menerapkan Algoritma Apriori
dengan nilai minimum support dan minimum confidence yang telah ditentukan
minimum support 2% dan minimum support 30% dari hasil penerapan Algoritma
menggunakan tools Rapid Miner 7.1. Perhitungan Nilai Support keseluruhan Data
kemunculan satu item dalam keseluruhan total transaksi. Tabel 4.1 berikut ini
adalah peritungan nilai support Algoritma Apriori dari 1625 data menggunakan Ms.
yaitu:
31
Berdasarkan nilai support yang telah terhitung dari keseluruhan data maka
nilai minimum suppport yang digunakan oleh penulis adalah 2% untuk lanjut ke
tahap perhitungan support 2 ItemSet. Tabel 4.2 berikut ini adalah data yang
secara bersamaan menggunakan persamaan (2.2). Tabel 4.3 berikut ini adalah hasil
∑
Support ( , ) = ∑
× 100%
Berdasarkan Tabel 4.10 tersebut maka nilai support dari kombinasi yang memenuhi
Kemunculan Support
Kombinasi 2 Itemset Support A
2 Itemset (A ∩ B)
BuluMata, LemBuluMata 34 5,97% 2,09%
AirSoflen, Soflen 40 4,92% 2,46%
59
akan dicari nilai confidence dari kombinasi itemset yang telah memenuhi syarat
∑
Confidence = P (B | A) = ∑
× 100%
minimum confidence maka dapat dibentuk aturan asosiasi dari item-item tersebut.
Berdasarkan aturan asosiasi diatas maka dapat dicari kembali nilai support dan
confidence dari aturan-aturan yang terbentuk. Tabel 4.6 adalah tabel dari aturan
asosiasi.
60
memenuhi minimum support dan minimum confidence maka aturan yang terbentuk
adalah:
3) Jika membeli AirSoflen maka akan membeli Soflen dengan nilai Support
4) Jika membeli Soflen maka akan membeli AirSoflen dengan nilai Support
Ms. Excel dapat dilihat bahwa hasil penerapan dari kedua alat tersebut
membandingkan dengan metode aturan asosiasi yang lain yaitu FP-Growth. Dalam
Langkah pertama yang dilakukan adalah membentuk proses dari Algoritma FP-
dibawah.
menggunaakan tools Rapid Miner 7.1 dngan menggunakan nilai minimum support
aturan hubungan antar 2 itemset yang sama yaitu terdapat 4 aturan hubungan yang
Apriori FP-Growth
Akur Akura
Aturan Suppo Confid Suppor Confid
asi si
rt ence t ence
Jika membeli
BuluMata maka
2,00% 35,00% 0,70% 2,10% 35,10% 0,73%
akan membeli
LemBuluMata
Jika membeli
LemBuluMata
2,00% 71,00% 1,42% 2,10% 70,80% 1,48%
maka akan membeli
BuluMata
Jika membeli
AirSoflen maka
2,00% 50,00% 1,00% 2,50% 50,00% 1,25%
akan membeli
Soflen
Jika membeli
Soflen maka akan 2,00% 45,00% 0,90% 2,50% 44,90% 1,12%
membeli AirSoflen
Selain perbedaan nilai akurasi pada Apriori dan Algoritma FP-Growth, perbedaan
pun terjadi saat melakukan running proses dari masing-masing algoritma yang
terbentuk. Dimana running time yang diperlukan Algoritma Apriori adalah 3 detik
waktu running dari kedua algoritma tersebut dapat dilihat pada gambar dibawah ini.
Berdasarkan tabel dan gambar tersebut maka dapat dikatakan bahwa terdapat
1. Berdasarkan Tabel 4.8 dapat dilihat bahwa nilai akurasi hubungan antar item
Growth.
2. Selain hal tersebut, perbedaan terjadi dari sisi running time. Dimana running
menggunakan tools Rapid Miner 7.1 sebagai alat untuk menerapkan Algoritma
Rapid Miner maka berikut ini adalah hasil dari penerapan Algoritma Apriori.
keterlibatan kombinasi 3 itemset. Serta berdasarkan hasil diatas maka aturan yang
Berdasarkan nilai support yang telah terhitung dari keseluruhan data maka
nilai minimum suppport yang digunakan oleh penulis adalah 1% untuk lanjut ke
tahap perhitungan support 2 ItemSet. Tabel 4.2 berikut ini adalah data yang
Berdasarkan tabel tersebut maka dibentuk kombinasi 2 itemset seperti pada tabel
dibawah ini.
68
memenuhi nilai minimum support. Tabel dibawah ini adalah kombinasi 2 itemset
Jumlah
Support Support
Kombinasi 2 Item transaksi Confidence
A (A∩B)
A&B
Kalung Cincin 17 3,02% 1,05% 34,69%
Cincin Kalung 17 2,22% 1,05% 47,22%
LemBuluMata BuluMata 34 2,95% 2,09% 70,83%
BuluMata LemBuluMata 34 5,97% 2,09% 35,05%
AirSoflen Soflen 39 4,92% 2,40% 48,75%
Soflen AirSoflen 39 6,03% 2,40% 39,80%
pada Toko Diengva dengan jumlah 1625 data. Penerapan ini menggunakan nilai
minimum support 1% dan nilai minimum support 30%. Dibawah ini adalah hasil
hubungan (confidence)50%.
5) Jika membeli BuluMata maka akan membeli Lem Bulu Mata dengan
menggunaakan tools Rapid Miner 7.1 dengan menggunakan nilai minimum support
aturan hubungan antar 2 itemset yang sama. Dalam penerapan Algoritma Apriori
3 itemset. Sebagaimana tertera pada Tabel 4.11 berikut adalah tabel perbandingan
Apriori FP-Growth
Akur
Aturan Suppo Confid Suppor Confid Akurasi
asi
rt ence t ence
Jika membeli
BuluMata maka
2,00% 35,00% 0,70% 2,10% 35,10% 0,73%
akan membeli
LemBuluMata
Jika membeli
LemBuluMata
2,00% 71,00% 1,42% 2,10% 70,80% 1,48%
maka akan membeli
BuluMata
Jika membeli
AirSoflen maka
2,00% 50,00% 1,00% 2,50% 50,00% 1,25%
akan membeli
Soflen
Jika membeli
Soflen maka akan 2,00% 45,00% 0,90% 2,50% 44,90% 1,12%
membeli AirSoflen
Jika membeli
Kalung maka akan 1,00% 35,00% 0,35% 1,00% 34,7% 0,347%
membeli Cincin
Jika membeli
Cincin maka akan 1,00% 47,00% 0,47% 1,00% 47,2% 0,472%
membeli Kalung
125
menggunakan tools Rapid Miner 7.1 sebagai alat untuk menerapkan Algoritma
Rapid Miner maka berikut ini adalah hasil dari penerapan Algoritma Apriori.
1) Jika membeli Eyeliner dan LemBuluMata maka akan membeli Bulu mata
6) Jika membeli Cincin maka akan membeli Kalung dengan tingkat hubungan
(confidence) 47%.
9) Jika membeli Eyeliner dan BuluMata maka akan membeli Bulu mata
10) Jika membeli Spirulina maka akan membeli Kuas Masker dengan tingkat
Toko Diengva dengan jumlah 1625 data. Penerapan ini menggunakan nilai
minimum support 0,5% dan nilai minimum support 30%. Dibawah ini adalah hasil
Berdasarkan tabel tersebut maka dibentuk kombinasi 2 itemset seperti pada tabel
dibawah ini.
minimum support 0,5%. Tabel dibawah ini adalah nilai dari confidence 2 itemset
Selanjutnya akan dihitung nilai dari kombinasi 3 item. Maka berikut ini
adalah nilai dari kombinasi 3 itemset yang memenuhi nilai minimum support 0,5%
menggunakan Ms. Excel bahwa aturan yang dihasilkan berjumlah 18 aturan serta 2
pada Toko Diengva dengan jumlah 1625 data. Penerapan ini menggunakan nilai
minimum support 0,5% dan nilai minimum support 30%. Dibawah ini adalah hasil
Tabel berikut adalah tabel perbandingan aturan dari Algoritma Apriori dan
Algritma FP-Growth.
Berdasarkan tabel tersebut dapat dikatakan bahwa dalam penerapan Algoritma FP-
BAB V
KESIMPULAN
5.1 Kesimpulan
1) Dengan menggunakan tools Rapid Miner 7.1 maupun Ms. Excel dalam
sebagai dasar untuk melakukan stok terhadap item-item yang tertera pada
30% dan nilai minimum support 0,5% & minimum confidence 30%, dapat
228
229
5.2 Saran
Terdapat beberapa saran yang dapat penulis berikan kepada beberapa pihak
dibawah ini:
1. Toko Diengva
Saran yang dapat diberikan oleh penulis adalah berdasarkan aturan yang
telah dihasilkan pada penelitian ini dapat dikembangkan sebagai salah satu strategi
bisnis oleh Toko Diengva. Serta selanjutnya dapat menerapkan Algoritma FP-
Growth untuk analisis Data Transaksi pada Cabang lainnya karena Algoritma FP-
Growth memiliki nilai akurasi yang tinggi dan waktu running yang cepat dibanding
Algoritma Apriori.
2. Peneliti Selanjutnya
ini penulis mengharapkan kedepannya dapat menggunakan data pada penelitian ini
DAFTAR PUSTAKA
Han, J., & Kember, M. (2001). Data Mining Concept and Technique. Morgan
Kauffman.
Jiwei, H., Kamber, M., & Pei, J. (2011). Data Mining: Concept and Techniques.
Elseiver.
Komaruddin. (2001). Pengertian Analisis Menurut Para Ahli, KBBI dan Secara
Umum. https://www.zonareferensi.com/pengertian-analisis-menurut-para-
ahli-dan-secara-umum/
230
231
Megayasa, I. G. P., Agus, I. K., Aryanto, A., Diputra, I. G. S., Arianta, I. N., &
Rusditya, S. (2016). Implementasi Algoritma Apriori untuk Menganalisis Pola
Pembelian Konsumen pada Produk SPA. Senapati, 206–210.
Sepri, D., Afdal, M., & Riau, S. (2017). Analisa Dan Perbandingan Metode
Algoritma Apriori Dan Fp-Growth Untuk Mencari Pola Daerah Strategis
Pengenalan Kampus Studi Kasus Di Stkip Adzkia Padang. Jurnal Sistem
Informasi Kaputama (JSIK), 1(1).
Srikanti, E., Yansi, R. F., Norhavina, Permana, I., & Salisah, F. N. (2018).
Penerapan Algoritma Apriori untuk Mencari Aturan Asosiasi pada Data
Peminjaman Buku di Perpustakaan. Jurnal Ilmiah Rekayasa Dan Manajemen
Sistem Informasi, 4(1), 77–80.
Tana, M. P., Marisa, F., Wijaya, I. D., Informatika, J. T., & Widyagama, F. T. U.
(2018). Penerapan Metode Data Mining Market Basket Analysis Terhadap
Data Penjualan Produk Pada Toko Oase Menggunakan Algoritma Apriori.
3(2), 17–22.
Turban, E., & dkk. (2005). Decision Support System and Intelligent Systems. Andi
Offset.
Yanto, R., & Khoiriah, R. (2015). Implementasi Data Mining dengan Metode
Algoritma Apriori dalam Menentukan Pola Pembelian Obat. 102–113.
232
LAMPIRAN
232
234
234
235