Implementasi Data Mining Pada Penjualan Produk Di PT. Focus Gaya Graha Menggunakan Metode Association Rule

IMPLEMENTASI DATA MINING PADA PENJUALAN
PRODUK DI PT. FOCUS GAYA GRAHA MENGGUNAKAN
METODE ASSOCIATION RULE

SKRIPSI

Diajukan untuk Menempuh Ujian Akhir Sarjana

APRISAL BUDIANA
10110446

PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK DAN ILMU KOMPUTER
UNIVERSITAS KOMPUTER INDONESIA
2015

KATA PENGANTAR
Asalamualaikum Wr.Wb

Alhamdulillahi rabbil’alamiin, puji dan syukur penulis panjatkan kepada
kehadirat Allah S.W.T karena dengan rahmat dan karunia-Nya sehingga penulis

dengan segala keterbatasannya dapat menyelesaikan penyusunan skripsi yang
berjudul “IMPLEMENTASI DATA MINING PADA PENJUALAN PRODUK
DI

PT.

FOCUS

GAYA

GRAHA

MENGGUNAKAN

METODE

ASSOCIATION RULE” sebagai salah satu syarat dalam menyelesaikan studi
strata satu (S1) di Program Studi Teknik Informatika Universitas Komputer.
Penyusunan laporan skripsi ini merupakan hasil dari usaha yang
berharga serta melalui berbagai dukungan, masukan dan bantuan dari berbagai

pihak. Melalui laporan ini penulis mengucapkan terimakasih yang mendalam
terutama kepada :
1. Kedua orang tua dan keluarga penulis atas do’a, motivasi serta dukungannya
sehingga skripsi ini dapat terselesaikan dengan baik.
2. Ibu Dian Dharmayanti, S.T., M.Kom., selaku pembimbing yang telah banyak
memberikan arahan serta masukan kepada penulis.
3. Bapak Didi Zaenal Abidin yang telah bersedia menerima penulis untuk
melakukan penelitian di PT. Focus Gaya Graha.
4. Bapak Andri Heryandi, S.T., M.T., selaku dosen penguji yang telah
memberikan saran serta kritiknya dalam penyusunan skripsi ini.
5. Ibu Gentisya Tri Mardiani, S.Kom., M.Kom, selaku dosen penguji yang telah
memberikan saran serta kritiknya dalam penyusunan skripsi ini.
6. Teman-teman IF-10 angkatan 2010 yang telah banyak memberikan dukungan
serta bantuan dalam penyusunan skripsi ini.

7. Semua pihak yang tidak dapat penulis sebut satu persatu yang telah membantu
dalam penyelesaian penulisan skripsi ini.

iii

Akhir kata penulis mengharapkan semoga skripsi ini dapat bermanfaat
serta menambah wawasan pengetahuan baik bagi penulis sendiri maupun bagi
pembaca pada umumnya.

Wassalammu’alaikum Wr.Wb.

Bandung, 1 Agustus 2015

Penulis

iv

DAFTAR ISI
ABSTRAK ............................................................................................................... i
ABSTRACT.............................................................................................................. ii
KATA PENGANTAR ........................................................................................... iii
DAFTAR ISI........................................................................................................... v
DAFTAR GAMBAR ........................................................................................... viii
DAFTAR TABEL.................................................................................................. ix
DAFTAR SIMBOL ............................................................................................... xi

DAFTAR LAMPIRAN........................................................................................ xiii
BAB I PENDAHULUAN....................................................................................... 1
I.1

Latar Belakang Masalah ............................................................................ 1

I.2

Perumusan Masalah................................................................................... 2

I.3

Maksud dan Tujuan ................................................................................... 2

I.4

Batasan Masalah ........................................................................................ 2

I.5

Metodologi Penelitian ............................................................................... 3

I.5.1

Metode Pengumpulan Data ....................................................................... 3

I.5.2

Metode Data Mining.................................................................................. 3

I.5.3

Metode Pembangunan Perangkat Lunak ................................................... 5

I.6

Sistematika Penulisan................................................................................ 6

BAB II TINJAUAN PUSTAKA ............................................................................ 9
II.1

Profil Instansi............................................................................................. 9

II.1.1

Logo Instansi ............................................................................................. 9

II.1.2

Struktur Organisasi.................................................................................. 10

II.2

Landasan Teori ........................................................................................ 11

II.2.1

Data.......................................................................................................... 11

II.2.2

Basis Data................................................................................................ 11

II.2.3

Database Management System (DBMS)................................................. 12

II.2.4

Data Mining............................................................................................. 14

II.2.4.1 Cross-Industry Standard Process for Data Mining (CRISP-DM) .......... 14
II.2.4.2 Metode-Metode Data Mining .................................................................. 16
v

II.2.5

Metode Association Rule......................................................................... 18

II.2.6

Algoritma Equivalence Class Transformation (Eclat) [12] .................... 20

II.2.7

Alat-Alat Pemodelan Sistem ................................................................... 21

II.2.7.1 Entity Relationship Diagram (ERD) ....................................................... 22
II.2.7.2 Diagram Konteks..................................................................................... 22
II.2.7.3 Data Flow Diagram (DFD)..................................................................... 22
II.2.7.4 Kamus Data ............................................................................................. 22
II.2.8

MySQL .................................................................................................... 23

BAB III ANALISIS DAN PERANCANGAN SISTEM ...................................... 25
III.1

Analisis Sistem ........................................................................................ 25

III.1.1 Analisis Masalah ..................................................................................... 25
III.1.2 Pemahaman Bisnis................................................................................... 26
III.1.2.1 Identifikasi Tujuan Bisnis........................................................................ 26
III.1.2.2 Penentuan Sasaran Data Mining.............................................................. 26
III.1.3 Pemahaman Data ..................................................................................... 27
III.1.3.1 Pengumpulan Data Awal......................................................................... 27
III.1.3.2 Penjelasan Data ....................................................................................... 27
III.1.4 Persiapan Data ......................................................................................... 28
III.1.4.1 Pemilihan Data ........................................................................................ 28
III.1.4.2 Pembersihan Data .................................................................................... 28
III.1.4.3 Pembangunan Data.................................................................................. 28
III.1.4.4 Format Data ............................................................................................. 29
III.1.5 Pemodelan ............................................................................................... 30
III.2

Analisis Spesifikasi Kebutuhan Perangkat Lunak................................... 32

III.2.1 Analisis Kebutuhan Non-Fungsional ...................................................... 33
III.2.1.1 Analisis Kebutuhan Perangkat Keras ...................................................... 33
III.2.1.2 Analisis Kebutuhan Perangkat Lunak ..................................................... 34

III.2.1.3 Analisis Pengguna (User)........................................................................ 35
III.2.2 Analisis Kebutuhan Fungsional............................................................... 35
III.2.2.1 Analisis Basis Data.................................................................................. 35
III.2.2.2 Diagram Konteks..................................................................................... 36

vi

III.2.2.3 Data Flow Diagram (DFD)..................................................................... 36
III.2.2.4 Spesifikasi proses .................................................................................... 40
III.2.2.5 Kamus Data DFD .................................................................................... 44
III.2.2.6 Skema Relasi ........................................................................................... 46
III.2.2.7 Strktur Tabel............................................................................................ 46
III.3

Perancangan Arsitektur ........................................................................... 48

III.3.1 Perancangan Struktur Menu .................................................................... 48
III.3.2 Perancangan Antarmuka.......................................................................... 49
III.3.2.1 Perancangan Antarmuka Program........................................................... 49
III.3.2.2 Perancangan Antarmuka Pesan ............................................................... 51

III.3.2.3 Jaringan Semantik ................................................................................... 52
BAB IV IMPLEMENTASI DAN PENGUJIAN.................................................. 53
IV.1

Implementasi Sistem ............................................................................... 53

IV.1.1 Implementasi Perangkat Keras ................................................................ 53
IV.1.2 Implementasi Perangkat Lunak ............................................................... 53
IV.1.3 Implementasi Antarmuka ........................................................................ 54
IV.1.4 Implementasi Basis Data ......................................................................... 54
IV.2

Pengujian Sistem ..................................................................................... 55

IV.2.1 Rencana Pengujian .................................................................................. 55
IV.2.1.1Pengujian Fungsionalitas......................................................................... 56
IV.2.1.2Pengujian Sampel .................................................................................... 57
IV.2.1.3Pengujian Beta......................................................................................... 60
BAB V KESIMPULAN DAN SARAN ............................................................... 61
V.1

Kesimpulan.............................................................................................. 61

V.2

Saran ........................................................................................................ 61

DAFTAR PUSTAKA ........................................................................................... 63

vii

DAFTAR PUSTAKA

[1] I. Pramudiono, Pengantar Data Mining : Menambang Permata Pengetahuan
di Gunung Data, 2007.
[2] B. Santosa, Data Mining: Teknik Pemanfaatan Data Untuk Keperluan Bisnis,
Yogyakarta: Graha Ilmu, 2007.
[3] A. Dodiet, Penelitian Deskriptif, 2009.
[4] D. T. Larose, DISCOVERING KNOWLEDGE IN DATA : An Introduction
to DATA MINING, Hoboken, New Jersey: John Wiley & Sons, Inc., 2005.
[5] I. Sommerville, SOFTWARE ENGINEERING 9 Edition, PEARSON, 2011.
[6] Fathayansyah, Buku Teks Komputer : Basis Data, 5th ed., Bandung:
Informatika, 2004.
[7] Waljiyanto, Sistem Basis Data: Analisis dan Pemodelan Data, 1st ed.,
Yogyakarta: Graha Ilmu, 2003.
[8] J. Simarmata dan I. Prayudi, Basis Data, Yogyakarta: Andi Offset, 2006.
[9] Kusrini dan E. T. Luthfi, ALGORITMA DATA MINING Ed : 1,
Yogyakarta: Andi, 2009.
[10] D. T. Larose, DATA MINING METHODS AND MODELS, New Jersey:
John Wiley & Sons, Inc, 2006.
[11] D. Ulmer, “Mining an Online Auctions Data Warehouse,” The Mid-Atlantic
Student Workshop on Programming Languages and Systems, vol. 19, 2002.
[12] J. Han, M. Kamber dan J. Pei, DATA MINING : Concepts and Techniques
3rd Edition, USA: Morgan Kaufmann Publishers, 2012.
[13] A. B. b. Ladjamudin, Rekayasa Perangkat Lunak, Yogyakarta: Graha Ilmu,
2006.
[14] A. Kadir, Dasar Aplikasi Database MySQL - Delphi, 2nd ed., Yogyakarta:
Andi, 2004.

63

BAB I
PENDAHULUAN

I.1

Latar Belakang Masalah
PT. Focus Gaya Graha merupakan suatu perusahaan perseorangan yang

bergerak dibidang industri furniture. Saat ini, jenis produksi yang ada di PT.
Focus Gaya Graha dibagi menjadi 3 yaitu wood furniture, panel furniture dan
photo frame. Setiap jenis produksi tersebut menghasilkan berbagai produk dengan
berbagai macam tipe, ukuran dan warna yang berbeda-beda. Produk-produk yang
dihasilkan PT. Focus Gaya Graha telah dipasarkan hingga ke luar negeri, hal ini
tentu saja menghasilkan banyak data transaksi penjualan. Saat ini, pemanfaatan
data transaksi penjualan tersebut hanya sebatas pembuatan laporan bagi
perusahaan lalu diarsipkan saja, tidak dimanfaatkan untuk dasar pertimbangan
dalam menentukan produk yang akan diproduksi. Sistem produksi yang berjalan
di PT. Focus Gaya Graha yaitu berdasarkan pesanan dan history penjualan
banyaknya produk yang sering terjual. Sistem produksi berdasarkan history
penjualan banyaknya produk yang sering terjual acap kali mengakibatkan
penumpukan hasil produksi, yang diakibatkan dari kesalahan dalam menentukan
produk yang seharusnya diproduksi.
Data mining adalah serangkaian proses untuk menggali nilai tambah dari
suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara
manual [1]. Dalam bidang keilmuan data mining, terdapat suatu metode yang
dinamakan association rule. Metode ini sering juga dinamakan dengan market
basket analysis karena awal mulanya yang berasal dari studi tentang database
transaksi penjualan [2]. Association rule bertujuan untuk menunjukan nilai
asosiatif antar produk-produk yang dibeli oleh pelanggan sehingga terlihatlah
sebuah pola berupa produk-produk apa saja yang sering dibeli secara bersamaan
dalam sebuah transaksi penjualan. Dengan mengetahui produk apa saja yang
sering dibeli secara bersamaan, dapat dibuat sebuah dasar pengambilan keputusan
untuk menentukan produk mana saja yang efektif bila diproduksi.

1

2

Berdasarkan uraian diatas, maka diperlukan perangkat lunak yang
mengimplementasi metode association rule sebagai alat bantu untuk menentukan
nilai asosiatif antar produk-produk. Diharapkan dengan adanya perangkat lunak
ini dapat membantu pihak perusahaan untuk mengetahui pola pembelian
konsumen, yang mana informasi tersebut dapat dimanfaatkan oleh pihak
perusahaan sebagai dasar pertimbangan dalam menentukan produk yang akan
diproduksi.
I.2

Perumusan Masalah
Berdasarkan latar belakang yang telah diuraikan diatas, maka

permasalahan

yang

terdapat

dalam

penelitian

ini

adalah

bagaimana

mengimplementasi data mining pada penjualan produk di PT. Focus Gaya Graha
menggunakan metode association rule ?
I.3

Maksud dan Tujuan
Maksud dari penelitian ini adalah mengimplementasikan data mining

pada penjualan produk di PT. Focus Gaya Graha menggunakan metode
association rule.
Tujuan yang diharapkan adalah dapat membantu PT. Focus Gaya Graha
untuk mengetahui pola pembelian konsumen, agar dapat mempermudah dalam
menentukan produk apa yang akan diproduksi.
I.4

Batasan Masalah
Batasan masalah pada penelitian yang akan dilakukan adalah sebagai

berikut :
1. Data yang akan dianalisis adalah data laporan transaksi penjualan di PT. Focus
Gaya Graha.
2. Metode yang dipakai dalam penelitian ini adalah metode Association Rule
dengan menggunakan Algoritma Eclat.
3. Hasil dari analisis adalah terbentuknya pola pembelian konsumen terhadap
produk yang dihasilkan oleh PT. Focus Gaya Graha.

3

4. Metode yang digunakan adalah metode aliran terstruktur dimana tools yang
digunakan adalah Data Flows Diagram (DFD) dan Entity Relational Diagram
(ERD).
5. DBMS yang digunakan adalah MySQL.
6. Aplikasi yang dibangun berbasis desktop.
I.5

Metodologi Penelitian
Metodologi penelitian yang digunakan adalah metode penelitian

deskriptif, yaitu metode penelitian yang bertujuan untuk memberikan gambaran
atau deskripsi tentang suatu keadaan secara objektif [3]. Metode penelitian ini
memiliki dua metode yaitu metode pengumpulan data dan metode pembangunan
perangkat lunak.
I.5.1

Metode Pengumpulan Data
Metode pengumpulan data yang digunakan pada penelitian ini adalah

sebagai berikut :
1. Studi Literatur
Teknik pengumpulan data dengan cara mengumpulkan literatur, jurnal, paper,
dan buku yang berkaitan dengan penelitian yang dilakukan.
2. Wawancara
Teknik pengumpulan data dengan cara berinteraksi atau berkomunikasi secara
langsung kepada responden dengan mengajukan pertanyaan yang sesuai
dengan topik yang diambil.
I.5.2

Metode Data Mining
Metode data mining yang digunakan dalam penelitian ini adalah Cross-

Industry Standard Process for Data Mining (CRISP-DM), yang digambarkan
pada Gambar I.1. Metode CRISP-DM terbagi dalam enam fase [4]. Keseluruhan
fase berurutan yang ada tersebut bersifat adaptif. Berikut ini adalah enam fase dari
metode CRISP-DM, yaitu :

4

1. Business Understanding Phase
Business Understanding Phase adalah tahapan pendefinisian masalah dan
objektif dari data mining yang akan dilakukan.
2. Data Understanding Phase
Data Understanding Phase adalah tahapan pemahaman struktur data yang
akan dipergunakan.
3. Data Preparation Phase
Data Preparation Phase adalah tahapan persiapan data.
4. Modelling Phase
Modelling Phase adalah tahapan pemodelan dan implementasi data mining
task.
5. Evaluation Phase
Evaluation phase adalah tahapan evaluasi hasil dari proses data mining.
6. Deployment phase
Deployment phase adalah tahapan penggunaan hasil dari proses data mining.

Gambar I.1 Metode CRISP-DM

5

I.5.3

Metode Pembangunan Perangkat Lunak
Model proses pembangunan perangkat lunak yang digunakan dalam

penelitian ini adalah model waterfall. Tahapan-tahapan pada model waterfall
menurut Ian Sommerville adalah sebagai berikut [5]:

Gambar I.2 Waterfall Model
Berikut adalah penjelasan dari tahapan-tahapan tersebut :
1. Requirement Analysis and Definition
Merupakan tahapan penetapan fitur, kendala dan tujuan sistem melalui
konsultasi dengan pengguna sistem. Semua hal tersebut akan ditetapkan secara
rinci dan berfungsi sebagai spesifikasi sistem.
2. System and Software Design
Dalam tahapan ini akan dibentuk suatu arsitektur sistem berdasarkan
persyaratan

yang telah

ditetapkan.

Dan

juga

mengidentifikasi

dan

menggambarkan abstraksi dasar sistem perangkat lunak dan hubunganhubungannya.
3. Implementation and Unit Testing
Dalam tahapan ini, hasil dari desain perangkat lunak akan direalisasikan
sebagai satu set program atau unit program. Setiap unit akan diuji apakah
sudah memenuhi spesifikasinya.
4. Integration and System Testing
Dalam tahapan ini, setiap unit program akan diintegrasikan satu sama lain dan
diuji sebagai satu sistem yang utuh untuk memastikan sistem sudah memenuhi
persyaratan yang ada. Setelah itu sistem akan dikirim ke pengguna sistem.

6

5. Operation and Maintenance
Dalam tahapan ini, sistem diinstal dan mulai digunakan. Selain itu juga
memperbaiki error yang tidak ditemukan pada tahap pembuatan. Dalam tahap
ini juga dilakukan pengembangan sistem seperti penambahan fitur dan fungsi
baru.
I.6

Sistematika Penulisan
Sistematika penulisan laporan akhir penelitian ini disusun untuk

mendeskripsikan secara umum tentang penelitian yang dilakukan. Sistematika
penulisan tugas akhir ini adalah sebagai berikut :
BAB I PENDAHULUAN
Bab ini berisi penjelasan mengenai latar belakang masalah, rumusan
masalah, maksud dan tujuan, batasan masalah, metodologi penelitian serta
sistematika penulisan.
BAB II TINJAUAN PUSTAKA
Bab ini membahas tentang profil perusahaan, proses produksi, hasil
produksi serta berbagai konsep dasar dan teori-teori yang berkaitan dengan topik
penelitian yang dilakukan dan hal-hal yang berguna dalam proses analisis
permasalahan.
BAB III ANALISIS DAN PERANCANGAN
Bab ini menganalisis masalah dari data hasil penelitian, kemudian
dilakukan pula proses perancangan sistem yang akan dibangun sesuai dengan
analisa yang telah dilakukan.
BAB IV IMPLEMENTASI DAN PENGUJIAN
Bab ini berisi tentang implementasi dari tahapan-tahapan penting yang
telah dilakukan sebelumnya kemudian dilakukan pengujian terhadap sistem sesuai
dengan tahapan yang telah dijalani untuk memperlihatkan sejauh mana sistem
yang dibangun layak digunakan.

7

BAB V KESIMPULAN DAN SARAN
Bab ini berisi mengenai kesimpulan atas tugas akhir yang dibuat serta
berisi saran-saran untuk adanya pengembangan mutu dan kualitas bagi masa yag
akan datang.

8

BAB II
TINJAUAN PUSTAKA

II.1

Profil Instansi
PT. Focus Gaya Graha yang berlokasi di Jalan Leuwigajah No. 106

Cimahi, bergerak dalam bidang industi furniture. Pertama kali didirikan pada
tanggal 21 Mei 1995 oleh Sigit Sasmitapura, PT. Focus Gaya Graha terus
berkembang sampai saat ini. Jenis produksi yang ada di PT. Focus Gaya Graha
dibagi menjadi 3 yaitu wood furniture, panel furniture dan photo frame. Ada
beberapa jenis bahan baku yang digunakan dalam proses produksi, diantaranya
adalah kayu mahoni, kayu albasia, kayu pinus, kayu meranti, kayu jemitri, kayu
bayur, MDF dan partikel board.
Produk-produk yang dihasilkan oleh PT. Focus Gaya Graha banyak
diminati oleh konsumen dalam negeri maupun luar negeri. Beberapa konsumen
dari negara-negara yang berada di benua Eropa, Amerika dan Asia, telah menjadi
pelanggan tetap perusahaan ini. Saat ini, dengan 450 orang pekerja dan luas
pabrik 12.000m2, PT. Focus Gaya Graha memiliki kapasitas produksi hingga 25
kontainer per bulan.
II.1.1 Logo Instansi
Berikut ini adalah logo dari PT. Focus Gaya Graha yang dapat dilihat
pada Gambar II.1 :

Gambar II.1 Logo Instansi
9

10

II.1.2 Struktur Organisasi
Berikut ini adalah struktur organisasi PT. Focus Gaya Graha yang dapat
dilihat pada Gambar II.2 :

Gambar II.2 Struktur Organisasi

11

II.2

Landasan Teori
Landasan teori yang berkaitan dengan materi atau teori yang digunakan

sebai acuan dalam melakukan penelitian. Landasan teori yang diuraikan
merupakan hasil studi literatur, buku-buku, maupun situs internet.
II.2.1 Data
Data adalah representasi fakta dunia nyata yang mewakili suatu objek
seperti manusia (pegawai, siswa, pembeli, pelanggan), barang, hewan, peristiwa,
konsep, keadaan, dan sebagainya, yang direkam dalam bentuk angka, huruf,
simbol, teks, gambar, bunyi, atau kombinasinya [6]. Dalam pendekatan basis data
tidak hanya berisi basis data itu sendiri tetapi juga termasuk definisi atau deskripsi
dari data yang disimpan. Definisi data disimpan dalam sistem katalog, yang berisi
informasi tentang struktur tiap berkas, tipe dan format penyimpanan tiap item
data, dan berbagai konstrin dari data. Semua informasi yang disimpan dalam
katalog ini biasa disebut meta-data [7].
II.2.2 Basis Data
Basis data adalah mekanisme yang digunakan untuk menyimpan
informasi atau data. Informasi adalah sesuatu yang kita gunakan sehari-hari untuk
berbagai alasan. Dengan basis data, pengguna dapat menyimpan data secara
terorganisasi. Setelah data disimpan, informasi hasur mudah diambil. Kriterisa
dapat digunakan untuk mengambil informasi. Cara data disimpan dalam basis data
menentukan seberapa mudak mencari informasi berdasarkan banyak kriteria. Data
pun harus mudah ditambahkan ke dalam basis data, dimodifikasi dan dihapus [8].
Menurut Fathansyah [6], basis data sendiri dapat didefinisikan dalam
sejumlah sudut pandang seperti :
1. Himpunan kelompok data (arsip) yang saling berhubungan yang diorganisasi
sedemikian rupa agar kelak dapat dimanfaatkan kembali dengan cepat dan
mudah.
2. Kumpulan data yang saling berhubungan yang disimpan secara bersama
sedemikian rupa dan tanpa pengulangan (redudansi) yang tidak perlu, untuk
memenuhi berbagai kebutuhan.

12

3. Kumpulan file/tabel/arsip yang saling berhubungan yang disimpan dalam
media penyimpanan elektronis.
II.2.3 Database Management System (DBMS)
“Managemen Sistem Basis Data (Database Management System
/DBMS) adalah perangkat lunak yang di desain untuk membantu dalam hal
pemeliharaan dan utilitas kumpulan data dalam jumlah besar” [6].
Sistem Manajemen Basis data (Database Management System)
merupakan sistem pengoperasian dan sejumlah data pada komputer. Dengan
sistem ini dapat merubah data, memperbaiki data yang salah dan menghapus data
yang tidak dapat dipakai. Sistem manajemen database merupakan suatu perluasan
software sebelumnya mengenai software pada generasi komputer yang pertama.
Dalam hal ini data dan informasi merupakan kesatuan yang saling berhubungan
dan berkerja sama yang terdiri dari: peralatan, tenaga pelaksana dan prosedur
data. Sehingga pengolahan data ini membentuk sistem pengolahan data. Peralatan
dalam hal ini berupa perangakat keras (hardware) yang digunakan, dan prosedur
data yaitu berupa perangakat lunak (software) yang digunakan dan dipakai untuk
mengalokasikan dalam pembuatan sistem informasi pengolahan database.
Manipulasi basis data meliputi pembuatan pernyataan (query) untuk
mendapatkan informasi tertentu, melakukan pembaharuan atau penggantian
(update) data, serta pembuatan report dari data. Tujuan utama DBMS adalah
untuk menyediakan tinjauan abstrak dari data bagi user. Jadi sistem
menyembunyikan informasi mengenai bagaimana data disimpan dan dirawat,
tetapi data tetap dapat diambil dengan efisien.
Pertimbangan efisiensi yang digunakan adalah bagaimana merancang
struktur data yang kompleks, tetapi tetap dapat digunakan oleh pengguna yang
masih awam, tanpa mengetahui kompleksitas stuktur data. Sistem manajemen
database atau database management system (DBMS) adalah merupakan suatu
sistem software yang memungkinkan seorang user dapat mendefinisikan,
membuat, dan memelihara serta menyediakan akses terkontrol terhadap data.
Database sendiri adalah sekumpulan data yang berhubungan dengan secara logika

13

dan memiliki beberapa arti yang saling berpautan. DBMS yang utuh biasanya
terdiri dari :
1. Hardware
Hardware merupakan sistem komputer aktual yang digunakan untuk
menyimpan dan mengakses database. Dalam sebuah organisasi berskala
besar, hardware terdiri : jaringan dengan sebuah server pusat dan beberapa
program client yang berjalan di komputer desktop.
2. Software
Software beserta utility Software adalah DBMS yang aktual. DBMS
memungkinkan para user untuk berkomunikasi dengan database. Dengan kata
lain DBMS merupakan mediator antara database dengan user. Sebuah
database harus memuat seluruh data yang diperlukan oleh sebuah organisasi.
3. Prosedur
Bagian integral dari setiap sistem adalah sekumpulan prosedur yang
mengontrol jalannya sistem, yaitu praktik-praktik nyata yang harus diikuti
user untuk mendapatkan, memasukkan, menjaga, dan mengambil data.
4. Data
Data adalah jantung dari DBMS. Ada dua jenis data. Pertama, adalah
kumpulan informasi yang diperlukan oleh suatu organisasi. Jenis data kedua
adalah metadata, yaitu informasi mengenai database.
5. User (Pengguna)
Ada sejumlah user yang dapat mengakses atau mengambil data sesuai dengan
kebutuhan penggunaan aplikasi-aplikasi dan interface yang disediakan oleh
DBMS, antara lain adalah :
a. Database administrator adalah orang atau group yang bertanggungjawab
mengimplementasikan sistem database di dalam suatu organisasi.
b. End user adalah orang yang berada di depan workstation dan berinteraksi
secara langsung dengan sistem.
c. Programmer aplikasi, orang yang berinteraksi dengan database melalui
cara yang berbeda.

14

II.2.4 Data Mining
Data mining adalah suatu istilah yang digunakan untuk menguraikan
penemuan pengetahuan di dalam database [9].
Menurut Pramudiono [1], “Data mining adalah serangkaian proses untuk
menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama
ini tidak diketahui secara manual.”
Menurut Larose [4] kemajuan luar biasa yang terus berlanjut dalam
bidang data mining didorong oleh beberapa faktor, antara lain :
1. Pertumbuhan yang cepat dalam kumpulan data.
2. Penyimpanan data dalam data warehouse, sehingga seluruh perusahaan
memiliki akses ke dalam database yang andal.
3. Adanya peningkatan akses data melalui navigasi web dan intranet.
4. Tekanan kompetensi bisnis untuk meningkatkan penguasaan pasar dalam
globalisasi ekonomi.
5. Perkembangan teknologi perangkat lunak untuk data mining (ketersediaan
teknologi).
6. Perkembangan yang hebat dalam kemampuan komputasi dan pengembangan
kapasitas media penyimpanan.
II.2.4.1 Cross-Industry Standard Process for Data Mining (CRISP-DM)
CRISP-DM yang dikembangkan tahun 1996 oleh analis dari beberapa
industri seperti Daimler Chrysler, SPSS dan NCR. CRISP-DM menyediakan
standar proses data mining sebagai strategi pemecahan masalah secara umum dari
bisnis atau unit penelitian.
Dalam CRISP-DM, sebuah proyek data mining memiliki siklus hidup
yang terbagi dalam enam fase. Keseluruhan fase berurutan yang ada tersebut
bersifat adaptif. Fase berikutnya dalam urutan bergantung kepada keluaran dari
fase sebelumnya. Hubungan antarfase digambarkan dengan panah. Sebagai
contoh, jika proses berada pada fase modelling. Berdasar pada perilaku dan
karakteristik model, proses mungkin harus kembali kepada fase data preparation
untuk perbaikan lebih lanjut terhadap data atau berpindah maju kepada fase

15

evaluation. Enam fase yang ada dalam metode CRISP-DM tersebut dapat dilihat
pada Gambar II.3 :

Gambar II.3 CRISP-DM
Fase-fase CRISP-DM [4] :
1. Business Understanding
Business Understanding atau pemahaman domain (penelitian). Pada fase ini
dibutuhkan pemahaman tentang substansi dari kegiatan data mining yang akan
dilakukan, kebutuhan dari perspektif bisnis. Kegiatannya antara lain:
menentukan sasaran atau tujuan bisnis, memahami situasi bisnis, menentukan
tujuan data mining dan membuat perencanaan strategi serta jadwal penelitian.
2. Data Understanding
Data Understanding atau pemahaman data adalah fase mengumpulkan data
awal, mempelajari data untuk bisa mengenal data yang akan dipakai. Fase ini
mencoba mengidentifikasikan masalah yang berkaitan dengan kualitas data,
mendeteksi subset yang menarik dari data untuk membuat hipotesa awal.

16

3. Data Preparation
Data preparation atau persiapan data. Fase ini sering disebut sebagai fase
yang padat karya. Aktivitas yang dilakukan antara lain memilih table dan field
yang akan ditransformasikan ke dalam database baru untuk bahan data mining
(set data mentah).
4. Modelling
Modeling adalah fase menentukan tehnik data mining yang digunakan,
menentukan tools data mining, teknik data mining, algoritma data mining,
menentukan parameter dengan nilai yang optimal.
5. Evaluation
Evaluation adalah fase interpretasi terhadap hasil data mining yang ditunjukan
dalam proses pemodelan pada fase sebelumnya. Evaluasi dilakukan secara
mendalam dengan tujuan menyesuaikan model yang didapat agar sesuai
dengan sasaran yang ingin dicapai dalam fase pertama.
6. Deployment
Deployment atau penyebaran adalah fase penyusunan laporan atau presentasi
dari pengetahuan yang didapat dari evaluasi pada proses data mining.
II.2.4.2 Metode-Metode Data Mining
Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang
dapat dilakukan, yaitu [10] :
1. Deskripsi
Terkadang peneliti dan analis secara sederhana ingin mencoba mencari cara
untuk menggambarkan pola dan kecenderungan yang terdapat dalam data.
Sebagai

contoh,

petugas

pengumpulan

suara

mungkin

tidak

dapat

mengumpulkan keterangan atau fakta bahwa siapa yang tidak cukup
profesional akan sedikit didukung dalam pemilihan presiden. deskripsi dari
pola dan kecenderungan sering memberikan kemungkinan penjelesan untuk
suatu pola atau kecenderungan.

17

2. Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih
kearah numerik daripada ke arah kategori. Model dibangun dengan record
lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi.
Sebagai contoh, akan dilakukan estimasi tekanan darah sistolik pada pasien
rumah sakit berdasarkan umur pasien, jenis kelamin, indeks berat badan, dan
level sodium darah. Hubungan antara tekanan darah sistolik dan nilai variabel
prediksi dalam proses pembelajaran akan menghasilkan model estimasi.
Model estimasi yang dihasilkan dapat digunakan untuk kasus baru lainnya.
3. Prediksi
Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam
prediksi nilai dari hasil akan ada dimasa mendatang. Contoh prediksi dalam
bisnis dan penelitian adalah :
1. Prediksi harga beras dalam tiga bulan yang akan datang.
2. Prediksi persentase kenaikan kecelakaan lalu lintas tahun depan jika batas
bawah dinaikan.
4. Klasifikasi
Dalam klasifikasi, terdapat terget variabel kategori. sebagai contoh,
penggolongan pendapatan dapat dipisahkan dalam tiga kategori yaitu:
pendapatan tinggi, pendapatan sedang, dan pendapatan rendah. Contoh lain
klasifikasi dalam bisnis dan penelitian adalah :
1. Menentukan apakah suatu transaksi kartu kredit merupakan transaksi yang
curang atau bukan.
2. Mendiagnosis penyakit seorang pasien untuk mendapatkan termasuk
kategori penyakit apa.
5. Pengklusteran
Pengklusteran

merupakan

pengelompokan

record,

pengamatan,

atau

memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan.
Kluster adalah kumpulan record yang memiliki kemiripan satu dengan yang
lainnya dan tidak memiliki kemiripan dengan record-record dalam kluster lain.

18

Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variabel target
dalam pengklusteran. pengklusteran tidak mencoba untuk melakukan
klasifikasi, mengestimasi, atau memprediksi nilai dari variabel target. Akan
tetapi, algoritma pengklusteran mencoba untuk melakukan pembagian
terhadap keselurahan data menjadi kelompok-kelompok yang memiliki
kemiripan (homogen), yang mana kemiripan record dalam suatu kelompok
akan bernilai maksimal, sedangkan kemiripan dengan record dalam kelompok
lain akan bernilai minimal. Contoh pengklusteran dalam bisnis dan penelitian
adalah :
1. Mendapatkan kelompok-kelompok konsumen untuk target pemasaran dari
suatu produk sebuah perusahaan yang tidak memiliki dana pemasaran
yang besar.
2. Untuk tujuan audit akuntansi, yaitu melakukan pemisahan terhadap
perilaku finansial dalam baik maupun mencurigakan.
6. Asosiasi
Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul
dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang
pasar. Contoh asosiasi dalam bisnis dan penelitian adalah :
1. Meneliti jumlah pelanggan dari perusahaan telekomunikasi seluler yang
diharapkan untuk memberikan respon positif terhadap penawaran upgrade
layanan yang diberikan.
2. Menemukan barang dalam supermarket yang dibeli secara bersamaan dan
barang yang tidak pernah dibeli secara bersamaan.
II.2.5 Metode Association Rule
Association rule adalah teknik data mining untuk mencari hubungan
antar-item dalam suatu dataset yang ditentukan. Contoh aturan asosiatif bisa kita
ambil dari suatu transaksi penjualan di sebuah toko, kita dapat mengetahui berapa
besar kemungkinan seorang konsumen membeli suatu item bersamaan dengan
item lainnya. Metode ini sering juga dinamakan dengan market basket analysis
karena awal mulanya yang berasal dari studi tentang database transaksi penjualan.

19

Bila kita ambil contoh dalam sebuah transaksi pembelian barang di
sebuah toko didapat bentuk association rule roti → selai. Yang berarti bahwa
konsumen yang membeli roti ada kemungkinan konsumen tersebut juga akan
membeli selai.
Association rule memiliki dua tahap pengerjaan, yaitu [11]:
1. Mencari kombinasi yang paling sering terjadi dari suatu itemset.
2. Mendefinisikan Condition dan Result (untuk conditional association rule).
Dalam menentukan suatu association rule, terdapat suatu interestingness
measure (ukuran kepercayaan) yang didapat dari hasil pengolahan data dengan
perhitungan tertentu. Umumnya ada dua ukuran, yaitu :
1. Support : suatu ukuran yang menunjukkan seberapa besar tingkat dominasi
suatu item/itemset dari keseluruhan transaksi. Ukuran ini menentukan apakah
suatu item/itemset layak untuk dicari confidence-nya (misal, dari keseluruhan
transaksi yang ada, seberapa besar tingkat dominasi suatu item yang
menunjukkan bahwa item A dan item B dibeli bersamaan).
2. Confidence : suatu ukuran yang menunjukkan hubungan antara 2 item secara
conditional (misal, menghitung kemungkinan seberapa sering item B dibeli
oleh pelanggan jika pelanggan tersebut membeli sebuah item A).
Kedua ukuran ini nantinya berguna dalam menentukan kekuatan suatu
pola dengan membandingkan pola tersebut dengan nilai minimum kedua
parameter tersebut yang ditentukan oleh pengguna. Bila suatu pola memenuhi
kedua nilai minimum parameter yang sudah ditentukan sebelumnya, maka pola
tersebut dapat disebut sebagai interesting rule atau strong rule.
Metodologi dasar analisis asosiasi terbagi menjadi dua tahap [9] :
1. Analisis pola frekuensi tertinggi
Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai
support dalam database. Nilai support sebuah item diperoleh dengan rumus
berikut.
Persamaan (II-1)

20

Sementara itu, nilai support dari 2 item diperoleh dari rumus berikut.
Persamaan (II-2)

Persamaan (II-3)

2. Pembentukan aturan asosiasi
Setelah semua pola frekuensi tinggi ditemukan, kemudian mencari
aturan asosiatif yang memenuhi syarat minimum untuk confidence dengan
menghitung confidence aturan assosiatif A -> B dari support pola frekuensi
tinggi A dan B, menggunakan rumus :
%

Persamaan (II-4)

II.2.6 Algoritma Equivalence Class Transformation (Eclat) [12]
Baik Apriori dan FP-growth keduanya merupakan metode frequent
mining dari kumpulan transaksi dengan menggunakan bentuk TID-itemset,
dimana TID merupakan ID transaksi dan itemset merupakan kumpulan dari
barang yang dibeli pada transaksi TID. Ini dikenal dengan format data horizontal.
Selain itu, data dapat direpresentasikan dalam bentuk item-TID_set, dimana item
merupakan nama item, dan TID_set adalah kumpulan ID transaksi yang
mengandung item. Ini dikenal dengan format data vertikal. Algoritma Eclat adalah
algoritma yang menggunakan format data vertikal untuk merepresentasikan
datanya.

Gambar II.4 Format Data Horizontal dan Vertikal

21

Berikut ini merupakan ilustrasi proses mining frequent itemset dengan
menggunakan algoritma Eclat :
1. Representasikan data ke dalam bentuk format data vertikal.
2. Tentukan nilai minimum support.
3. Tentukan nilai minimum confidence.
4. Cari data kandidat k-itemset (Ck) lalu hitung masing-masing nilai support-nya.
5. Hilangkan itemset yang nilai support-nya kurang dari nilai minimum support.
6. Setelah mendapatkan data yang memenuhi nilai minimum support (frequent),
lakukan kombinasi pada itemset berdasarkan TID_set yang sama pada datadata tersebut sehingga menciptakan k-itemset.
7. Ulangi langkah ke 4 sampai dengan langkah ke 6 sampai tidak menghasilkan
itemset baru.
8. Cari aturan asosiatifnya dengan cara menentukan nilai confidence-nya,
9. Hilangkan data yang nilai confidence-nya kurang dari nilai minimum
confidence.
Kelebihan yang dimiliki oleh algoritma Eclat yang digunakan pada
penelitian ini adalah tidak memerlukan perhitungan nilai support, karena nilai
support dari itemset telah direpresentasikan oleh TID_set dari itemset tersebut.
Pekerjaan utama dari Eclat adalah mengkombinasikan item berdasarkan TID_setnya, sehingga ukuran dari TID_set merupakan salah satu faktor utama yang
mempengaruhi jumlah waktu dan memori yang diperlukan. Semakin besar
TID_set maka semakin besar pula waktu dan memori yang diperlukan.
II.2.7 Alat-Alat Pemodelan Sistem
Alat-alat pemodelan sistem adalah alat dan metode yang akan digunakan
untuk memodelkan perancangan perangkat lunak dalam skripsi ini. Adapun tools
pemodelan yang digunakan adalah :
1. Entity Relationship Diagram (ERD)
2. Diagram Konteks
3. Data Flow Diagram (DFD)
4. Kamus Data

22

II.2.7.1 Entity Relationship Diagram (ERD)
ERD adalah suatu model jaringan yang menggunakan susunan data yang
disimpan dalam sistem secara abstrak [13]. Basis data relasional adalah kumpulan
dari relasi-relasi yang mengandung seluruh informasi berkenaan suatu entitas/
objek yang akan disimpan di dalam database. Tiap relasi disimpan sebagai sebuah
file tersendiri. Perancangan basis data merupakan suatu kegiaatan yang setidaknya
bertujuan sebagai berikut:
1. Menghilangkan redundansi data.
2. Meminimumkan jumlah relasi di dalam basis data.
3. Membuat relasi berada
4. Dalam bentuk normal, sehingga dapat meminimumkan permasalahan
berkenaan dengan penambahan, pembaharuan dan penghapusan.
II.2.7.2 Diagram Konteks
Diagram konteks adalah diagram yang terdiri dari suatu proses dan
menggambarkan ruang lingkup suatu sistem. Diagram konteks merupakan level
tertinggi dari DFD yang menggambarkan seluruh input ke sistem dan output dari
sistem. Ia akan membuat gambaran tentang keseluruhan sistem. Sistem dibatasi
oleh boundary (dapat digambarkan dengan garis putus). Dalam diagram konteks
hanya ada satu proses. Tidak boleh ada store dalam diagram konteks [13].
II.2.7.3 Data Flow Diagram (DFD)
Diagram

aliran

data

merupakan

model

dari

sistem

untuk

menggambarkan pembagian sistem ke modul yang lebih kecil. Salah satu
keuntungan menggunakan diagram aliran data adalah memudahkan pemakai atau
user yang kurang menguasai bidang komputer untuk mengerti sistem yang akan
dikerjakan [13].
II.2.7.4 Kamus Data
Kamus data berfungsi membantu pelaku sistem untuk mengartikan
aplikasi secara detail dan mengorganisasi semua elemen data yang digunakan
dalam sistem secara persis sehingga pemakai dan penganalisis sistem mempunyai

23

dasar pengertian yang sama tentang masukan, keluaran, penyimpanan dan proses
[13].
II.2.8 MySQL
MySQL merupakan salah satu contoh produk RDBMS yang sangat
populer di lingkungan Linux, tetapi juga tersedia pada Windows. Banyak situs 19
web yang menggunakan MySQL sebagai database server (server yang melayani
permintaan akses terhadap database). MySQL sebagai database server juga dapat
diakses melalui program yang dibuat dengan menggunakan Borland Delphi.
Dengan cara seperti ini database dapat diakses secara langsung melalui program
executable yang dibuat sendiri [14].

24

BAB V
KESIMPULAN DAN SARAN

V.1

Kesimpulan
Berdasarkan hasil implementasi dan pengujian yang telah dilakukan

pada aplikasi yang telah dibangun, maka dapat diambil kesimpulan bahwa
aplikasi yang dibangun dapat membantu PT. Focus Gaya Graha untuk mengetahui
pola pembelian konsumen, sehingga dapat membantu perusahaan untuk
menentukan produk yang akan diproduksi.
V.2

Saran
Adapun saran untuk pengembangan aplikasi lebih lanjut adalah sebagai

berikut :
1. Hasil aturan asosiatif (rule) yang dihasilkan dapat dikelompokkan berdasarkan
periode penjualan dan diurutkan berdasarkan nilai confidence-nya agar dapat
memudahkan dalam pemilihan produk mana yang akan masuk ke proses
produksi.
2. Optimalisasi dalam hal waktu dan memory, karena semakin banyak data yang
diproses maka semakin banyak juga waktu dan memory yang diperlukan untuk
membentuk itemset.

61

62

RIWAYAT HIDUP PENULIS

Nama

: Aprisal Budiana

NIM

: 10110446

Tempat/Tanggal Lahir

: Bandung/10 April 1992

Jenis Kelamin

: Laki-laki

Agama

: Islam

Alamat

: Jalan Ciroyom Gg. Ikhlas No. 37/77 Rt. 02/11

Kota

: Bandung

Telepon

: 085795358882

Email

: aprisalbudiana@gmail.com

Kode POS : 40183

PENDIDIKAN
1.

1998 – 2004

: SD Angkasa 1 Kota Bandung

2.

2004 – 2007

: SMP Angkasa Kota Bandung

3.

2007 – 2010

: SMK Negeri 2 Kota Bandung

4.

2010 – 2015

: Program Studi S1 Jurusan Teknik Informatika
Fakultas Teknik dan Ilmu Komputer
Universitas Komputer Indonesia, Bandung

Dengan ini Penulis menyatakan bahwa semua informasi yang diberikan dalam
dokumen ini adalah benar
Bandung, 18 Agustus 2015
Penulis

Aprisal Budiana

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033

IMPLEMENTASI DATA MINING PADA PENJUALAN
PRODUK DI PT. FOCUS GAYA GRAHA MENGGUNAKAN
METODE ASSOCIATION RULE
Aprisal Budiana
Teknik Informatika - Universitas Komputer Indonesia
Jl. Dipatiukur 112-114 Bandung
aprisalbudiana@gmail.com

ABSTRAK
PT. Focus Gaya Graha merupakan suatu
perusahaan perseorangan yang bergerak dibidang
industri furniture. Saat ini, jenis produksi yang ada
di PT. Focus Gaya Graha dibagi menjadi 3 yaitu
wood furniture, panel furniture dan photo frame.
Setiap jenis produksi tersebut menghasilkan produkproduk dengan berbagai macam tipe, ukuran dan
warna yang berbeda-beda. Sistem produksi di PT.
Focus Gaya Graha dibagi menjadi 3 yaitu
berdasarkan pesanan dan history penjualan
banyaknya produk. Sistem produksi berdasarkan
history penjualan banyaknya produk yang sering
terjual acap kali mengakibatkan penumpukan hasil
produksi, yang diakibatkan dari kesalahan dalam
menentukan produk yang seharusnya diproduksi.
Dalam
bidang
keilmuan data mining,
terdapat suatu metode yang dinamakan association
rule. Association rule bertujuan untuk menunjukan
nilai asosiatif antar produk yang dibeli oleh
pelanggan sehingga terlihatlah sebuah pola berupa
produk-produk apa saja yang sering dibeli secara
bersamaan dalam sebuah transaksi penjualan.
Dengan mengetahui produk-produk yang sering
dibeli secara bersamaan, dapat dibuat sebuah dasar
keputusan untuk menentukan produk-produk yang
efektif bila diproduksi.
Dari hasil pengujian dapat disimpulkan
bahwa metode data mining association rule dapat
membantu PT. Focus Gaya Graha untuk mengetahui
pola pembelian konsumen, sehingga dapat
membantu perusahaan menentukan produk yang
akan diproduksi.

Kata kunci : Data mining, association rule.

1. PENDAHULUAN
1.1. Latar Belakang
PT. Focus Gaya Graha merupakan suatu
perusahaan perseorangan yang bergerak dibidang
industri furniture. Saat ini, jenis produksi yang ada
di PT. Focus Gaya Graha dibagi menjadi 3 yaitu
wood furniture, panel furniture dan photo frame.

Setiap jenis produksi tersebut menghasilkan
berbagai produk dengan berbagai macam tipe,
ukuran dan warna yang berbeda-beda. Produkproduk yang dihasilkan PT. Focus Gaya Graha telah
dipasarkan hingga ke luar negeri, hal ini tentu saja
menghasilkan banyak data transaksi penjualan. Saat
ini, pemanfaatan data transaksi penjualan tersebut
hanya sebatas pembuatan laporan bagi perusahaan
lalu diarsipkan saja, tidak dimanfaatkan untuk dasar
pertimbangan dalam menentukan produk yang akan
diproduksi. Sistem produksi yang berjalan di PT.
Focus Gaya Graha yaitu berdasarkan pesanan dan
history penjualan banyaknya produk yang sering
terjual. Sistem produksi berdasarkan history
penjualan banyaknya produk yang sering terjual
acap kali mengakibatkan penumpukan hasil
produksi, yang diakibatkan dari kesalahan dalam
menentukan produk yang seharusnya diproduksi.
Data mining adalah serangkaian proses
untuk menggali nilai tambah dari suatu kumpulan
data berupa pengetahuan yang selama ini tidak
diketahui secara manual [1]. Dalam bidang keilmuan
data mining, terdapat suatu metode yang dinamakan
association rule. Metode ini sering juga dinamakan
dengan market basket analysis karena awal mulanya
yang berasal dari studi tentang database transaksi
penjualan [2]. Association rule bertujuan untuk
menunjukan nilai asosiatif antar produk-produk yang
dibeli oleh pelanggan sehingga terlihatlah sebuah
pola berupa produk-produk apa saja yang sering
dibeli secara bersamaan dalam sebuah transaksi
penjualan. Dengan mengetahui produk apa saja yang
sering dibeli secara bersamaan, dapat dibuat sebuah
dasar pengambilan keputusan untuk menentukan
produk mana saja yang efektif bila diproduksi.
Berdasarkan uraian diatas, maka diperlukan
perangkat lunak yang mengimplementasi metode
association rule sebagai alat bantu untuk
menentukan nilai asosiatif antar produk-produk.
Diharapkan dengan adanya perangkat lunak ini
dapat membantu pihak perusahaan untuk
mengetahui pola pembelian konsumen, yang mana
informasi tersebut dapat dimanfaatkan oleh pihak
perusahaan sebagai dasar pertimbangan dalam
menentukan produk yang akan diproduksi.

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
Edisi. .. Volume. .., Bulan 20.. ISSN : 2089-9033
1.2. Maksud dan Tujuan
1.2.1. Maksud
Maksud dari penelitian ini adalah
mengimplementasikan data mining pada penjualan
produk di PT. Focus Gaya Graha menggunakan
metode association rule.

lanjut terhadap data atau berpindah maju kepada fase
evaluation. Enam fase yang ada dalam metode
CRISP-DM tersebut dapat dilihat pada Gambar 1 :

1.2.2. Tujuan
Tujuan yang diharapkan adalah dapat
membantu PT. Focus Gaya Graha untuk mengetahui
pola
pembelian
konsumen,
agar
dapat
mempermudah dalam menentukan produk apa yang
akan diproduksi
Data Mining
Data mining adalah suatu istilah yang
digunakan
untuk
menguraikan
penemuan
pengetahuan di dalam database [9].
Menurut Pramudiono [1], “Data mining
adalah serangkaian proses untuk menggali nilai
tambah dari suatu kumpulan data berupa
pengetahuan yang selama ini tidak diketahui secara
manual.”
Menurut Larose [4] kemajuan luar biasa
yang terus berlanjut dalam bidang data mining
didorong oleh beberapa faktor, antara lain :
1. Pertumbuhan yang cepat dalam kumpulan data.
2. Penyimpanan data dalam data warehouse,
sehingga seluruh perusahaan memiliki akses ke
dalam database yang andal.
3. Adanya peningkatan akses data melalui navigasi
web dan intranet.
4. Tekanan kompetensi bisnis untuk meni