1. Home
  2. Lainnya

Implementasi Kelas IMPLEMENTASI SISTEM

85

BAB V UJICOBA DAN EVALUASI

Setelah aplikasi prediksi dengan menggunakan algoritma FP-Growth selesai di buat, pada tahap ini akan dilakukan ujicoba terhadap aplikasi tersebut. Ujicoba dilakukan dengan menggunakan data transaksi penjualan dalam perusahan XYZ. Data transaksi yang digunakan untuk unicoba adalah data transaksi penjualan selama 3 hari pada tanggal 1 April 2015 sampai dengan tanggal 3 April 2015. Dalam ujicoba ini akan dilakukan beberapa jenis percobaan untuk setiap data transaksi dengan tujuan untuk mendapatkan aturan asosiasi dengan algoritma FP-Growth yang akurat dan dapat dijadikan sebagai prediksi dalam menentukan stok barang dalam perusahaan.

5.1 Percobaan Data Transaksi Berdasarkan Kode Kategori Per Hari

Pada percobaan yang pertama ini, penulis melakukan ujicoba pada system tersebut dengan menggunakan data transaksi penjualan pada perusahaan XYZ dengan berdasarkan kode kategori barang yang ada pada perusahaan. Percobaan ini akan dilakukan sebanyak 4 kali di setiap tanggal 1 April 2015, 2 April 2015 dan 3 April 2015 dengan dilakukan pengubahan pada minimum support yang dimasukkan. Pada ujicoba tersebut akan menggunakan minimum support dengan nilai sebesar 3, 2.5, 2 dan 1.5 . Penulis mengunakan nilai minimum supportdengan beberapa nilai tersebut dengan alasan karena data transaksi tersebut tidak memiliki persebaran nilai yang merata. Apabila menggunakan nilai minimum support besar maka tidak akan menampilkan rule. Sedangkan apabila menggunkan minimum support dengan nilai dibawah yang telah ditentukan oleh penulis, akan menghasilkan rule yang sangat banyak, sehingga akan sulit untuk dianalisa. 5.1.1 Percobaan pada data transaksi tanggal 1 April 2015 Data transaksi yang digunakan adalah sebanyak 2245 , sedangkan jumlah item yang ada sebanyak 91. a. Percobaan tanggal 1 April 2015 dengan minimum support 3 Tabel 5.1 Percobaan tanggal 1 April 2015 dengan minimum support 3 No Produk 1 Produk 2 Support Confidence LiftRatio 1 ACC700 SENDAL510 0.68 0.21 1.27419 Waktu Komputasi Pencarian Rule : 1 detik Pada saat peneliti menggunakan minimum support 3 hanya terdapat satu buah rule yang dihasilkan yaitu kode ACC700 dan SENDAL510 dengan support kedua barang tersebut adalah 0.68 persen, besar confidence adalah 0.21, besar nilai lift ratio sebesar 1.27419. Proses algoritma tersebut membutuhkan waktu sebesar 1 detik. b. Percobaan tanggal 1 April 2015 dengan minimum support 2.5 Tabel 5.2 Percobaan tanggal 1 April 2015 dengan minimum support 2.5 No Produk 1 Produk 2 Support Confidence LiftRatio 1 K.KAKI640 ACC700 0.56 0.589 4.08119 2 ACC700 SENDAL510 0.68 0.21 1.27419 Waktu Komputasi Pencarian Rule : 2 detik Pada saat peneliti menggunakan minimum support 2,5 terdapat dua buah rule yang dihasilkan yaitu kode ACC700 dan SENDAL510 dengan support kedua barang tersebut adalah 0.68 persen, besar confidence adalah 0.21 ,dengan nilai lift ratio sebesar 1.27419. Yang kedua adalah kode K.KAKI640 dan ACC700 dengan support kedua barang tersebut adalah 0.56 persen, besar confidence adalah 0.589 ,dengan nilai lift ratio sebesar 4.08119. Waktu yang di butuhkan untuk melakukan proses tersebut adalah 2 detik c. Percobaan tanggal 1 April 2015 dengan minimum support 2 Tabel 5.3 Percobaan tanggal 1 April 2015 dengan minimum support 2 No Produk 1 Produk 2 Support Confidence LiftRatio 1 K.KAKI640 ACC700 0.56 0.589 4.08119 2 ACC700 SENDAL510 0.68 0.21 1.27419 Waktu Komputasi Pencarian Rule : 2 detik Pada saat peneliti menggunakan minimum support 2,5 terdapat dua buah rule yang dihasilkan yaitu kode ACC700 dan SENDAL510 dengan support kedua barang tersebut adalah 0.68 persen, besar confidence adalah 0.21 ,dengan nilai lift ratio sebesar 1.27419. Yang kedua adalah kode K.KAKI640 dan ACC700 dengan support kedua barang tersebut adalah 0.56 persen, besar confidence adalah 0.589 ,dengan nilai lift ratio sebesar 4.08119. Waktu yang di butuhkan untuk melakukan proses tersebut adalah 2 detik

Dokumen yang terkait

Penerapan Data Mining Menggunakan Metode Association Rule Dengan Algoritma FP-Growth pada Perekomendasian Barang di Distro Fresh Wearhouse Batujajar

3 21 48

Penerapan Data Mining Dalam Penentuan Pola Pembelian Customer di PT Coppal Utama Indomelt Menggunakan Algoritma FP-Growth

3 18 38

Penerapan Data Mining Association Rule pada PT Patisa Chakra Mandiri Menggunakan Algoritma FP-Growth

0 19 1

Penerapan Data Mining Menggunakan Metode Association Rule Dengan Algoritma FP-Growth pada Perekomendasian Barang di Distro Fresh Wearhouse Batujajar

1 10 48

PENERAPAN DATA MINING PADA DATA TRANSAKSI PENJUALAN UNTUK MENGATUR PENEMPATAN BARANG MENGGUNAKAN ALGORITMA APRIORI.

1 6 9

Implementasi Data Mining Dalam Data Bencana Tanah Longsor Di Jawa Barat Menggunakan Algoritma Fp- Growth

0 1 12

PENERAPAN DATA MINING UNTUK ANALISIS POLA PEMBELIAN KONSUMEN DENGAN ALGORITMA FP- GROWTH PADA DATA TRANSAKSI PENJUALAN SPARE PART MOTOR

0 0 10

LAMPIRAN Listing program aplikasi data mining menggunakan algoritma apriori dan FP-Growth adalah sebagai berikut:

0 1 17

APLIKASI DATA MINING UNTUK PEMODELAN PEMBELIAN BARANG DENGAN MENGGUNAKAN ALGORITMA APRIORI TUGAS AKHIR - APLIKASI DATA MINING UNTUK PEMODELAN PEMBELIAN BARANG DENGAN MENGGUNAKAN ALGORITMA APRIORI

0 0 16

PERANCANGAN DATA WAREHOUSE DAN PENERAPAN DATA MINING MENGGUNAKAN ALGORITMA FP-TREE DAN FP-GROWTH UNTUK PENYUSUN PRODUK PADA PT.ZHULIAN PALEMBANG - eprints3

0 1 10