YAYASAN PERGURUAN TINGGI KOMPUTER (YPTK) PADANG

UNIVERSITAS PUTRA INDONESIA “YPTK” PADANG

PENERAPAN ALGORITMA APRIORI

KELOMPOK 2
Dwi Utari Iswavigra : 192321035
Hidayati Rusnedy : 192321041
Irvandori Aplana : 192321043
Marsa Putra Yobi : 192321045
Rafi Septiawan Putra : 192321049
Robitoh : 192321052
UNIVERSITAS PUTRA INDONESIA “YPTK” PADANG
 YAYASAN PERGURUAN TINGGI KOMPUTER (YPTK) PADANG
UNIVERSITAS PUTRA INDONESIA “YPTK” PADANG

Pembahasan : 3
Apa itu Algoritma
jurnal penerapan Kesimpulan
Apriori?
Algoritma Apriori

UNIVERSITAS PUTRA INDONESIA “YPTK” PADANG

 Apa itu Algoritma Apriori ?
Algoritma apriori adalah algoritma pengambilan data dengan aturan asosiatif (Association rule) untuk
menentukan hubungan asosiatif suatu kombinasi item. Ada dua pengukuran penting untuk sebuah rule
yaitu support dan confidence. Support adalah suatu ukuran yang menunjukkan seberapa besar tingkat
dominasi suatu item atau itemset dari keseluruhan transaksi. Confidence adalah suatu ukuran yang
menunjukkan hubungan antar dua item secara conditional (Laela dkk., 2019).
Analisa data dengan menggunakan algoritma apriori dapat dilakukan dengan beberapa tahap,
dimulai dengan pengelompokan data transaksi. Tahapan-tahapan algoritma sistem dalam proses mining
data (Al syahdan & Anita, 2018):
1. Menentukan nilai minimum support dari tiap item
2. Menentukan nilai minimum support 2 item set
3. Menentukan nilai minimum confidence
4. Pembentukan aturan asosiasi (association rules)

UNIVERSITAS PUTRA INDONESIA “YPTK” PADANG

 Lanjutan…………….
No Nama Tahapan Keterangan
1. Data Data diolah (dilakukan pemilihan data)
2. Ubah Type Data Type data harus diubah terlebih dahulu menjadi type data
transactions
3. Hitung Support dan Menghitung support dan confidence adalah pokok yang
Confidence ada didalam algoritma apriori untuk mngetahui hasil akhir
yaitu rules yang didapat

4. Rules Rules akan dianalisis yang nantinya bisa dijadikan

pengetahuan untuk suatu pengambilan keputusan

(Ristianingrum & Sulastri, 2017)

UNIVERSITAS PUTRA INDONESIA “YPTK” PADANG

 Lanjutan…………….
Tahapan metodologi dasar analisis asosiasi (Al syahdan & Anita, 2018) :

1. Analisis Pola frekuensi Tinggi

Tahap ini mencari pola kombinasi item yang memenuhi syarat minimum dari nilai support dalam
database. Nilai support sebuah item diperoleh dengan rumus berikut :

Support AB = ((Jumlah transaksi yang mengandung A dan B) / Jumlah Transaksi) * 100%
Catatan : Support A B = Support BA

2. Pembentukan aturan Asosiasi

Setelah semua pola frequensi tinggi ditemukan, barulah dicari aturan asosiasi yang memenuhi syarat
minimum untuk confidence dengan menghitung confidence aturan asosiatif A  B

UNIVERSITAS PUTRA INDONESIA “YPTK” PADANG

 Lanjutan…………….

Confidence AB = (Support AB / Support A) * 100%

Confidence BA = (Support BA / Support B) * 100%

Catatan : Confidence AB ≠ Confidence BA

UNIVERSITAS PUTRA INDONESIA “YPTK” PADANG

 Contoh Jurnal Penerapan Algoritma Apriori

IMPLEMENTASI ALGORITMA APRIORI UNTUK MENENTUKAN PERSEDIAAN SPARE PART COMPRESSOR ( Laela
Kurniawati, Aldo Esa Kusuma & Benti Dewansyah, 2019 )

Permasalahan utama :
Dalam menjalankan aktivitas penjualan perusahaan harus dapat menentukan sasaran penjualan dengan baik
agar penjualan yang dilakukan bisa dicapai dengan keuntungan yang maksimal, salah satu untuk memaksimalkan
keuntungan pada penjualan bisa dilakukan dengan cara melakukan promosi produk yang dijual baik secara
online maupun offline. Namun promosi yang dilakukan tersebut dinilai belum efektif karena ketika
mempromosikan produk belum memperhitungkan seberapa besar kemungkinan pelanggan tertarik kepada
produk tersebut , selain itu penentuan pembelian barang yang kurang akurat dapat mengakibatkan kebijakan
rekomendasi produk dan promosi yang dilakukan tidak tepat sasaran. Bila sasaran pelanggan tidak ditentukan
dengan baik, maka hanya akan menghabiskan banyak waktu dan biaya.

UNIVERSITAS PUTRA INDONESIA “YPTK” PADANG

 Lanjutan…….

Pemasalahan dalam studi kasus :

Permasalahan yang saat ini dihadapi adalah dalam menentukan promosi spare part PT. XYZ tidak mengetahui
pola pelanggan dalam membeli spare part mana yang dibeli secara bersamaan. Hal ini menyebabkan saat stok
spare parts yang jumlahnya tinggal sedikit, kantor hanya meminta kiriman stok spare parts tersebut dari kantor
pusat tanpa mengetahui spare parts yang lain yang jika spare parts tersebut dibeli maka spare parts yang lain
juga dibeli. Hal itu dinilai mempersulit saat penyetokan barang karena banyaknya jenis dari spare parts tersebut.

UNIVERSITAS PUTRA INDONESIA “YPTK” PADANG

 Lanjutan…….

Solusi :
Agar promosi yang dilakukan perusahaan tepat sasaran bisa dilakukan dengan memanfaatkan teknik data
mining yaitu dengan menemukan pola-pola yang berasosiasi diantara produk-produk yang dipasarkan dan
meningkatkan item-item produk yang berasosiasi tersebut, hal tersebut dapat dilakukan dengan cara
mendeteksi kumpulan-kumpulan atribut yang muncul bersamaan yang dapat dilakukan dengan menggunakan
teknik asosiasi dengan algoritma apriori.
Teknik Data mining telah banyak digunakan untuk mengatasi permasalahan yang ada salah satunya dengan
penerapan algoritma apriori untuk mendapatkan informasi tentang asosiasi antar produk dari suatu database
transaksi. Data transaksi penjualan spare parts dapat diolah kembali menggunakan teknik data mining, sehingga
menghasilkan aturan asosiasi keterkaitan yang kuat antar itemset pada penjualan spare parts kemudian bisa
memberi rekomendasi penyetokan barang dan mempermudah dalam penataan atau penempatan barang yang
memiliki ketergantungan yang kuat.

UNIVERSITAS PUTRA INDONESIA “YPTK” PADANG

 Lanjutan…….

Kesimpulan :
1. Penerapan data mining dengan menggunakan teknik algoritma apriori cukup efektif membantu dalam
proses penentuan persediaan spare part pada perusahaan,
2. Metode algoritma apriori dalam penentuan pola penjualan dapat dilakukan dengan melihat hasil dari
kecenderungan konsumen dalam membeli spare parts,
3. Berdasarkan pola pembelian spare parts yang di olah dari data transaksi-transaksi sebelumnya, kombinasi 2
itemset menghasilkan spare part yang sering dibeli bersamaan dengan nilai support di atas nilai minimum
support,
4. Sedangkan kombinasi 3 itemset tidak ada yang memenuhi minimal support sehingga tidak terbentuk
asosiasi,
5. Berdasarkan kombinasi 2 itemset diketahui kombinasi 2 itemset yang memenuhi standar minimum support
yaitu Coil Ignition, Filter dengan support sebesar 45 % dan O-Ring, Ring Piston dengan support 40 %
6. Berdasarkan perhitungan confidence dengan nilai minimum 70% maka Spare parts yang paling sering dibeli
oleh konsumen adalah O-Ring, Ring Piston, Coil Ignition dan Filter

UNIVERSITAS PUTRA INDONESIA “YPTK” PADANG

 Lanjutan..
PENERAPAN ALGORITMA APRIORI PADA DATA TRANSAKSI PENJUALAN HYPERMART XYZ LAMPUNG UNTUK
PENENTUAN TATA LETAK BARANG ( Puput Iswandi, Inggih Permana & Febi Nur Salisah, 2020 )

Permasalahan utama :
Hypermart XYZ Lampung adalah bentuk pasar modern yang mengusung konsep belanja dengan harga rendah.
Berdasarkan hasil wawancara dengan pihak Hypermart XYZ, barang di hypermart ini hanya disusun berdasarkan
kategori barang dan berdasarkan permintaan khusus dari pemasok. Seharusnya, tata letak barang
memperhatikan kebiasaan berbelanja pelanggan untuk memudahkan pelanggan mencari barang yang akan
dibeli. Kebiasaan berbelanja pelanggan yang perlu diketahui adalah apa saja barang-barang yang sering dibeli
bersamaan. Barang yang dibeli bersamaan akan dijadikan dasar untuk meletakkan barang.

UNIVERSITAS PUTRA INDONESIA “YPTK” PADANG

 Lanjutan..

Solusi :
Untuk mendapatkan barang-barang yang sering dibeli bersamaan tersebut studi ini menggali informasi dari data
transaksi penjualan barang menggunakan Algoritma Apriori.
Kesimpulan :
Berdasarkan penerapan Algoritma Apriori menggunakan nilai minimum support 10% dan nilai minimum
confidence 65%, didapat sembilan aturan asosiatif. Dari sembilan aturan tersebut, didapat enam kategori barang
yang disarankan untuk diletakkan berdekatan, yaitu: (1) H & B; (2) milk / coffee / tea; (3) detergent; (4) bulk
product; (5) biscuit / snack; dan (6) sauces & spices.

UNIVERSITAS PUTRA INDONESIA “YPTK” PADANG

 Lanjutan……
RESEARCH ON E-COMMERCE POTENTIAL CLIENT MINING APPLIED TO APRIORI ASSOCIATION RULE ALGORITHM
( Zheng Liandi, 2020 )

Permasalahan utama :
Meskipun situs Web dapat menyediakan permintaan informasi berkecepatan tinggi dengan berbagai cara,
seringkali sulit bagi pelanggan untuk secara akurat mengungkapkan kebutuhan mereka yang sebenarnya dengan
kondisi permintaan. Sekalipun diungkapkan, sering kali tampaknya Anda tidak dapat menemukan barang
berharga. Hal ini dikarenakan berbagai atribut barang ditentukan oleh pedagang sesuai dengan pemahaman
masing-masing, dan selalu terdapat perbedaan antara pelanggan dan pedagang dalam memahami atribut
barang. Bagaimana memanfaatkan sepenuhnya data ini untuk mengubah sejumlah besar data rumit ini menjadi
informasi dan pengetahuan yang berguna sehingga dapat meningkatkan kualitas layanan situs web dengan lebih
baik dan menciptakan lebih banyak potensi margin keuntungan merupakan masalah mendesak bagi e-
commerce.
 Lanjutan……
Solusi:
Teknologi data mining adalah alat yang ampuh untuk memecahkan masalah situs Web yang disebutkan di atas.
Menggunakan teknologi data mining untuk melakukan analisis mendalam terhadap data transaksi e-
commerce, sehingga dapat memberikan dukungan yang kuat untuk pengambilan keputusan yang benar
tentang e-commerce; untuk menemukan pola asosiasi dan pola urutan yang ada di antara produk dari data
historis belanja pelanggan; dari pribadi pelanggan Kategori pelanggan dan kelompok pelanggan potensial
ditemukan dalam informasi dan data riwayat belanja [5, 6]. Pada saat yang sama, ini juga membantu
pelanggan lebih memahami komoditas; memberi mereka metode transaksi yang nyaman dan banyak pilihan.
Algoritma Apriori adalah algoritma klasik dalam model aturan asosiasi. Ini adalah algoritma perbaikan yang
diusulkan oleh R. Agrawal et al. berdasarkan algoritma AIS pada tahun 1994. Ini adalah konten penelitian
penting dalam masalah data mining. Algoritma Apriori memiliki pengaruh besar dalam menemukan aturan
asosiasi. Algoritme Apriori adalah algoritme yang paling pertama untuk menambang kumpulan item yang
sering dari aturan asosiasi. Ide inti dari algoritma ini adalah untuk menemukan kumpulan item yang sering dari
database dengan memindai database, menghasilkan kumpulan kandidat dan pemantauan langkah demi
langkah. Melalui beberapa pemindaian database untuk menemukan semua set item yang sering, hanya
pertimbangkan semua set kandidat dengan panjang yang sama di setiap pemindaian.
 Lanjutan……

Kesimpulan :
1. Menyaring data dan menghapus transaksi yang tidak memenuhi syarat.
2. Mengingat nilai data yang memenuhi syarat tidak berpengaruh, maka data tersebut ditipiskan dan disimpan
sebagai database transaksi berdasarkan "0-1". Akhirnya, atas dasar ini, set item yang sering dibuat, dan item
yang tidak puas akan dipotong hingga tidak ada set frekuensi yang memenuhi jumlah dukungan minimum.
3. Dalam tingkat akurasi pemrosesan data, data dalam database transaksi diklasifikasikan dalam tahap
preprocessing data, yang secara efektif dapat membedakan antara pelanggan pembelian volume tinggi dan
pelanggan umum, dan melaksanakan rekomendasi yang dipersonalisasi secara terpisah.
 Kesimpulan

Algoritma apriori mampu dan efektif dalam menangani data yang besar dan lebih sederhana.

Algoritma Apriori dapat mengurangi jumlah kandidat yang harus dihitung

supportnya dengan cara pemangkasan. Pemangkasan inilah yang membuat
Algoritma Apriori memiliki performa yang baik.

Algoritma apriori harus melakukan scan database setiap kali melakukan iterasi, sehingga
waktu yang diperlukan bertambah (semakin lama) dengan makin banyaknya iterasi

UNIVERSITAS PUTRA INDONESIA “YPTK” PADANG

 Referensi
 Laela, Aldo & Benti. 2019. Implementasi Algoritma Apriori Untuk Menentukan Persediaan Spare Part Compressor. CESS
(Journal Of Computer Engineering System And Science). Vol. 4 No 1, p-ISSN :2502-7131 e-ISSN :2502-714x.
 Al Syahdan & Anita. 2018. Data Mining Penjualan Produk Dengan Metode Apriori Pada Indomaret Galang Kota. Jurnal
Nasional Komputasi dan Teknologi Informasi. Vol. 1 No. 2, P-ISSN 2620-8342 E-ISSN 2621-3052.
 Ristianingrum & Sulastri. 2017. Implementasi Data Mining Menggunakan Algoritma Apriori. Prosiding SINTAK. ISBN:
978-602-8557-20-7.
 Puput, Inggih & Febi, 2020. Penerapan Algoritma Apriori Pada Data Transaksi Penjualan Hypermart Xyz Lampung Untuk
Penentuan Tata Letak Barang. Jurnal Ilmiah Rekayasa dan Manajemen Sistem Informasi. DOI: 10.24014/rmsi.v6i1.7613.
 Zheng. 2020. Research on E-commerce Potential Client Mining Applied to Apriori Association Rule Algorithm.
International Conference on Intelligent Transportation, Big Data & Smart City (ICITBS). 978-1-7281-6698-8/20/$31.00
©2020 IEEE. DOI 10.1109/ICITBS49701.2020.00146.

UNIVERSITAS PUTRA INDONESIA “YPTK” PADANG

YAYASAN PERGURUAN TINGGI KOMPUTER (YPTK) PADANG
UNIVERSITAS PUTRA INDONESIA “YPTK” PADANG

Terimakasih

UNIVERSITAS PUTRA INDONESIA “YPTK” PADANG