Percobaan pada data transaksi selama 3 hari tanggal 1,2,3 April 2015
d. Percobaan tanggal 1,2,3 April 2015 dengan minimum support 1.5
Tabel 5.21Percobaan tanggal 1,2,3 April 2015 dengan minimum support 1.5
No Produk 1
Produk 2 Support
Confidence Lift Ratio
1 K.KAKI640
ACC700 1.42
0.524 3.8057
2 JOGER531
ATASAN CE610
1.16 0.23
1.77343 3
ACC700 SENDAL510
2.45 0.241
1.41813 4
TAS340 SENDAL510
1.14 0.184
1.08272 Waktu Komputasi Pencarian Rule :
10 detik
Pada saat peneliti menggunakan minimum support 1.5 terdapat 4buah rule yang dihasilkan yaitu yang pertama adalah kode K.KAKI640 dan ACC700
dengan support kedua barang tersebut adalah 1.42 persen, besar confidence adalah 0.524, besar nilai lift ratio adalah 3.8057 . Yang kedua adalah
kodeJOGER531 dan ATASAN CE610 dengan support kedua barang tersebut adalah 1.16 persen, besar confidence adalah 0.23, besar nilai lift ratio adalah
1.77343. Yang ketiga adalah kodeACC700 dan SENDAL510 dengan support kedua barang tersebut adalah 2.45 persen, besar confidence adalah 0.241,
besar nilai lift ratio adalah 1.41813. Yang keempat adalah kodeTAS340 dan SENDAL510 dengan support kedua barang tersebut adalah 1.14 persen, besar
confidence adalah 0.184, besar nilai lift ratio adalah 1.08272. Waktu yang diperlukan untuk meyelesaikan proses tersebut adalah sebesar 10 detik
Dari hasil pengujian terhadap data transaksi tanggal 1, 2, 3 April 2015 kesimpulan yang adapat diambil adalah sebagai berikut :
1. Dari hasil ke empat percobaan pola dengan kode ACC700 dan SENDAL510 adalah dua barang yang selalu muncul dengan berbagai
minimum support. 2. Tingkat keakuratan algoritma dari keempat percobaan tersebut yang
paling besar adalah kode K.KAKI640 dan ACC700 dengan nilai lift ratio 3.8057
Dari beberapa uji coba yang telah dilakukan terdapat sebuah rule yang selalu memiliki nilai keakuratan tinggi yaitu barang K.KAKI640 dengan ACC700.
Melalui nilai keakuratan data tersebut dapat dijadikan sebagai prediksi dalam penyediaan barang dalam perusahaan tersebut.
Tabel 5.22 Tabel rule dengan akurasi tertinggi Tanggal 1 April 2015
Item Tanggal 1
Penambahan Barang
Jumlah Awal Penjualan
Sisa K.KAKI640
200 56
144 ACC700
200 165
35 200
Tanggal 2 April 2015 Item
Tanggal 2 Penambahan
Barang Jumlah Awal
Penjulan Sisa
K.KAKI640 144
34 110
ACC700 235
139 96
200
Tanggal 3 April 2015 Item
Tanggal 3 Jumlah Awal
Penjualan Sisa
K.KAKI640 110
52 58
ACC700 296
252 44
Ketika tanggal 1 April 2015 rule yang memiliki nilai akurasi tinggi adalah K.KAKI640 dan ACC700. Di asumsikan jumlah dari masing
– masing jenis barang adalah 200. Pada tanggal tersebut penjualan K.KAKI640 adalah sebesar 56
sehingga memiliki sisa item 144, sedangkan penjualan item ACC700 adalah sebesar 165 sehingga memiliki sisa item 35.
Pada tanggal 2 April 2015 ruletersebut juga memiliki tingkat keakuratan tertinggi. Penjualan K.KAKI640 adalah sebesar 34 , sisa item dari hari sebelumnya adalah
144, sehingga memiliki sisa item pada tanggal 2 adalah 110, sedangkan penjualan item ACC700 adalah sebesar 139 namun sisa item pada tanggal sebelumnya hanya
35. Oleh karena itu dilakukan penambahan item sebesar 200 seperti stok awal, sehingga sisa dari item tersebut adalah 96.
Pada tanggal 3 April 2015 ruletersebut juga memiliki tingkat keakuratan tertinggi. Penjualan K.KAKI640 adalah sebesar 52 , sisa item dari hari sebelumnya adalah
110, sehingga memiliki sisa item pada tanggal 3 adalah 58, sedangkan penjualan item ACC700 adalah sebesar 252 namun sisa item pada tanggal sebelumnya hanya 96.
Oleh karena itu dilakukan penambahan item sebesar 200 seperti stok awal, sehingga sisa dari item tersebut adalah 44.
Dengan melihat penjelasan di atas, rule yang dihasilkan dari proses asosiasi sangat membantu perusahaan untuk menentukan jenis barang apa yang harus
ditambahkan. Seperti hasil di atas, jenis ACC700 selalu membutuhkan penambahan barang untuk hari berikutnya sesuai dengan hasil yang telah diprediksi.