NASKAH PUBLIKASI PENERAPAN ALGORITMA APRIORI UNTUK MENENTUKAN FREKUENSI ITEM SET SEBAGAI STRATEGI PENJUALAN DI TOKO PUTRA MANIS SURAKARTA.
NASKAH PUBLIKASI
PENERAPAN ALGORITMA APRIORI UNTUK MENENTUKAN
FREKUENSI ITEM SET SEBAGAI STRATEGI PENJUALAN
DI TOKO PUTRA MANIS SURAKARTA
Program Studi Informatika
Fakultas Komunikasi dan Informatika
Diajukan oleh :
Nama
Pembimbing 1
: Panji Suroso Aji
: Dedi Gunawan, S.T., M.Sc.
PROGRAM STUDI INFORMATIKA
FAKULTAS KOMUNIKASI DAN INFORMATIKA
UNIVERSITAS MUHAMMADIYAH SURAKARTA
2015
PENERAPAN ALGORITMA APRIORI UTUK MENENTUKAN
FREKUENSI ITEM SET SEBAGAI STARTEGI PEMASARAN
DI TOKO PUTRA MANIS SURAKARTA
Teknik Informatika, Fakultas Komunikasi dan Informatika
Universitas Muhammadiyah Surakarta
E-Mail : capunkjah@yahoo.com
ABSTRACT
Apriori algorithm is widely used to determine the pattern of
relationship between products that are often bought in a store or supermarket. The
a priori algorithm would be appropriate to be applied if there is some connection
item you want analyzed. One thing that can be applied is in the field of promotion
and marketing strategy determination.
The aim in this research there are three, namely: (1) want to know the
implementation of Data Mining on the sales transaction database of items of
goods for the household. (2) wanted to know the implementation of Apriori
Algorithm in determining high frequency items are set to predict the inventory in
the future.
The object of this research is the application of a priori algorithm. Data
of this research is in the form of sales receipts obtained from Surakarta Sweet Son
store in April and May, and in July and August 2015. The data was collected
using interviews and documentation. Data analysis using RapidMiner program
Studio 6.4.
The conclusion of this study are: (1) Data Mining can be implemented by using a
data base selling household goods, as you may find the tendency of pattern
combinations of item sets that can be used as valuable information in the decision
to prepare a stock of goods what is necessary then. (2) Application of Apriori
algorithm in data mining techniques can be more efficient and be able to
accelerate the process of forming a pattern tendency combination of items set
household results is to support and supreme confidence on the items set glass plate.
Keywords: Algorithm Apriori, Marketing Strategy.
ABSTRAKSI
Apriori merupakan algoritma yang banyak digunakan untuk menentukan
pola hubungan antar produk yang sering dibeli dalam suatu toko atau swalayan.
Algoritma apriori ini akan sesuai untuk diterapkan bila terdapat beberapa
hubungan item yang ingin dianalisa. Salah satunya yang bisa diterapkan adalah di
dalam bidang promosi dan penentuan strategi pemasaran.
Tujuan dalam penelitian ini juga ada tiga, yaitu: (1) ingin mengetahui
penerapan Data Mining pada database transaksi penjualan item barang-barang
kebutuhan rumah tangga. (2) ingin mengetahui penerapan Algoritma Apriori
dalam penentuan frekuensi tinggi item-set untuk memprediksi persediaan barang
di waktu yang akan datang
Objek dalam penelitian ini yaitu penerapan algoritma apriori. Data
penelitian ini berupa berbentuk kuitansi penjualan yang diperoleh dari toko Putra
Manis Surakarta pada bulan April dan Mei 2015. Pengumpulan data
menggunakan wawancara dan dokumentasi. Analisis data menggunakan program
RapidMiner Studio 6.4.
Kesimpulan dalam penelitian ini yaitu: (1) Data Mining dapat di
implementasikan dengan menggunakan Database penjualan kebutuhan rumah
tangga, karena dapat menemukan kecenderungan pola kombinasi item sets
sehingga dapat dijadikan sebagai informasi yang sangat berharga dalam
pengambilan keputusan untuk mempersiapkan stok jenis barang apa yang
diperlukan kemudian. (2) Penerapan Algoritma Apriori pada teknik Data Mining
efisien dan dapat mempercepat proses pembentukan kecenderungan pola
kombinasi item set hasil kebutuhan rumah tangga yaitu dengan support dan
confidence tertinggi pada item set gelas – piring.
Kata Kunci: Algoritma Apriori, Strategi Pemasaran.
melakukan strategi promosi pada
PENDAHULUAN
Belakangan
ini
data
swalayan
atau
toko
yang
mining telah diimplementasikan
dimilikinya.
keberbagai bidang, diantaranya
assocition rule yang dihasilkan
dalam
atau
algoritma ini digunakan untuk
dan
mengatur meletakkan barang-
Mining
barangnya dalam tempat yang
bidang
bisnis
perdangangan,
telekomunikasi.
Data
Pemetaan
diartikan sebagai menambang
strategis agar
pembeli
data atau upaya untuk menggali
mudah
menjumpainya.
informasi yang berharga dan
Nurcahyo (2013) menjelaskan
berguna pada database yang
bahwa association rule yang
sangat besar. Hal terpenting
dimaksud
dalam teknik data mining adalah
mekanisme
aturan untuk menemukan pola
support dan confidence dari
frekuensi tinggi antar himpunan
suatu hubungan item. Algoritma
itemset
apriori ini akan cocok untuk
yang
Association
disebut
Rules
fungsi
(Aturan
dilakukan
lebih
melalui
penghitungan
diterapkan
bila
terdapat
Asosiasi). Beberapa algoritma
beberapa hubungan item yang
yang termasuk dalam Aturan
ingin dianalisa. Salah satunya
AIS
yang bisa diterapkan adalah di
Asosiasi
adalah
seperti
Algorithm, Apriori Algorithm,
dalam
DHP Algorithm, dan Partition
penentuan strategi pemasaran.
Algorithm (Aggarwal, 2013).
Apriori
algoritma
bidang
promosi
Adanya
dan
aktivitas
merupakan
transaksi penjualan sehari-hari
banyak
pada toko Putra Manis Surakarta
yang
digunakan untuk menentukan
yaitu
pola hubungan antar produk
kebutuhan
yang sering dibeli dalam suatu
tangga,
toko atau swalayan. Algoritma
tumpukan data yang semakin
ini
akan
kepada
toko
yang
peralatan
akan
menjual
rumah
menghasilkan
memberikan
saran
lama semakin besar, sehingga
manajer
untuk
dapat
menimbulkan masalah
baru. Jika hal ini dibiarkan,
komputer sebagai alat dalam
maka
transaksi
pengimputan data, pengolahan
tersebut akan menjadi tumpukan
serta pencetakan/print out hasil
sampah yang merugikan karena
pengolahan
membutuhkan
media
informasi yang di inginkan.
penyimpanan atau database yang
Namun dalam pengolahan data
semakin besar. Seiring dengan
masih menggunakan aplikasi –
kemajuan
yang
aplikasi yang sangat sederhana,
semakin pesat maka berkembang
dan cara – cara manual juga
pula
dalam
masih dilakukan terutama dalam
mengumpulkan,
menganalisa
pengecekan barang masuk dan
dan
data
pada
keluar dan dalam pengarsipan
database, sehingga diperlukan
data. Walaupun hingga saat ini
suatu carai untuk memilah dan
aktivitas pelayanan dan transaksi
memilih
dari
di toko Putra Manis belum
database. Dalam persaingan di
mengalami kendala yang berarti,
dunia bisnis, menuntut para
tentu keadaan ini suatu saat
pengembang untuk menemukan
menjadi
suatu strategi jitu yang dapat
dalam meningkatkan pelayanan
meningkatkan penjualan barang
seiring
data-data
teknologi
kemampuan
mengolah
data
penting
Di toko Putra Manis
Surakarta
misalnya
data
faktor
berupa
penghambat
semakin
banyaknya
transaksi dan jenis item dan item
aktivitas
set transaksi yang terjadi dan
transaksi dan pelayanan terhadap
tersimpan dalam kurun waktu
konsumen
tertentu, sehingga menyulitkan
setiap
harinya
semakin lama semakin tinggi,
pihak
sehingga tanpa disadari hal ini
menganalisa jenis item dan item
dapat menimbulkan tumpukan
set barang mana yang paling
data yang semakin besar. Dalam
diminati atau tidak diminati
menjalankan aktivitasnya, toko
konsumen.
Putra
Manis
menggunakan
jasa
sudah
teknologi
perusahaan
Permasalahan
dalam
dalam
penelitian ini dapat dirumuskan
sebagai berikut: (1) Bagaimana
lainya. Khususnya salah satu
penerapan Data Mining pada
tahap dari analisis asosiasi yang
database
penjualan
disebut analisis pola frekuensi
item barang-barang kebutuhan
tinggi (frequent pattern mining)
rumah tangga? (2) Bagaimana
menarik
penerapan
peneliti
transaksi
Algoritma
Apriori
dalam
penentuan
frekuensi
tinggi
item-set
untuk
memprediksi persediaan barang
perhatian
untuk
algoritma
banyak
menghasilkan
yang
efesien
(Muhammad Ikhsan et al, 2011).
Algoritma Apriori
di waktu yang akan datang?
Algoritma apriori adalah
suatu
algoritma
dasar
yang
LANDASAN TEORI
diusulkan
Pengertian Data Mining
Srikant pada tahun 1994 untuk
oleh
Agrawal
&
Data mining, sering juga
menentukan Frequent itemsets
disebut knowledge discovery in
untuk aturan asosiasi Boolean.
database
(KDD),
Algoritma
kegiatan
yang
adalah
meliputi
mining.
historis
menyatakan
menemukan
termasuk
jenis Aturan Asosiasi pada data
pengumpulan, pemakaian data
untuk
Apriori
Aturan
asosiasi
yang
antara
keteraturan, pola atau hubungan
beberapa atribut sering disebut
dalam set data berukuran besar.
affinity analysis atau market
Keluaran dari data mining bisa
basket analysis.
dipakai
untuk
memperbaikin
Penting tidaknya suatu
pengambilan keputusan dimasa
asosiasi dapat diketahui dengan
depan (Budi Santosa, 2007).
dua tolok ukur, yaitu : support
Tahapan Association Rule
Analisis asosiasi dikenal
dan confidence. Support (nilai
penunjang)
adalah persentase
juga sebagai salah satu teknik
kombinasi item tersebut dalam
data mining yang menjadi dasar
database, sedangkan confidence
dari berbagai teknik data mining
(nilai kepastian) adalah kuatnya
dalam
yaitu membuat repositori lokal
aturan asosiasi. (Kusrini, Emha
pada pertama komputer sebagai
Taufiq Luthfi, 2009 : 149).
dasar untuk repositori lokal.
hubungan
antara-item
Repositori ini berfungsi sebagai
METODE PENELITIAN
lokasi penyimpanan pusat untuk
Objek dalam penelitian ini
yaitu
penerapan
apriori
algoritma
utuk
frekuensi
startegi
menentukan
item
set
sebagai
pemasaran,
dengan
proses data dan analisis dengan
cara membuka
dan mengklik
pada open, yang hasil tampilan
gambarnya, sebagai berikut:
lokasi penelitian dilakukan di
toko Putra Manis Surakarta.
Data
digunakan
penelitian
dalam
yang
penelitian
berupa data berbentuk kuitansi
penjualan yang diperoleh dari
Gambar 4.1 Membuat Repositori Lokal
Pada Komputer
toko Putra Manis Surakarta pada
Membuat repositori lokal
bulan April dan Mei 2015.
data
pada komputer untuk memulai
dan
dengan penggunaan pertama dari
dokumentasi. Metode analisis
RapidMiner Studio. Pembuatan
data
database
Pengumpulan
menggunakan
wawacara
menggunakan
metode
berfungsi
untuk
deskripsi pada fungsi minor data
menyimpan dan memanipulasi
mining dengan menggunakan
data
program RapidMiner Studio 6.4.
memudahkan user.
yang
kompleks
untuk
HASIL PENELITIAN
4.1 Hasil Temuan Penelitian
Langkah
pertama
menggunakan
RapidMiner
Studio membuat repositori baru
Gambar 4.2 Proses Awal memasukkan
Data ke RapidMiner Studio
Berhubungan dengan studi
kasus di toko Putra Manis di
Surakarta yang menjual barangbarang kekutuhan rumah tangga
dapat dilakukan analisis
19
20
21
22
23
data.
24
Analisis data dilakukan khusus
25
pada penjualan dengan tujuan
26
untuk
menemukan
penjualan
barang
pola
27
28
kebutuhan
29
rumah tangga Berikut ini adalah
30
tabel 4.1 sebagai sampel data
31
32
dan sebagian terlampir yang
33
akan dijadikan untuk analisa dan
34
juga untuk uji coba.
Tabel 4.1 Daftar Real Penjualan Barang
Kebutuhan Rumah Tangga
35
36
37
38
Id kategori
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Nama kategori
Gelas, piring, sendok
Tempat Sayur, Masak Nasi
Tempat Nasi, Tempat Sayur
Penggorengan, Piring, Sendok
Gelas, Piring. Sendok, Tempat
Sayur
Kipas Angin, Kompor Gas,
Gelas, Piring
Kipas Angin, Kompor Gas
Kompor Gas, Piring, Sendok,
Tempat Sayur
Gelas, Piring
Kompor Gas
Gelas, Piring, Sendok
Piring, Sendok, Tempat Sayur
Gelas, Piring
Penggorengan, Piring
Piring, Sendok, Tempat Sayur
Gelas, Piring, Sendok
Tempat Sayur, Masak Nasi
Tempat Nasim Tempat Sayur
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
Penggorengan, Piring, Sendok
Gelas, Piring, Sendok, Tempat
Sayur
Kipas Angin, Kompor Gas,
Gelas, Piring
Kipas Angin, Kompor Gas
Kompor Gas, Piring, Sendok,
Tempat Sayur
Gelas, Piring
Kompor Gas
Gelas, Piring, Sendok
Piring, Sendok, Tempat Sayur
Gelas, Piring
Penggorengan, Piring
Piring, Sendok, Tempat Sayur
Piring, Sendok, Tempat Sayur
Gelas, Piring
Penggorengan, Piring
Piring, Sendok, Tempat Sayur
Gelas, Piring, Sendok
Tempat Sayur, Masak Nasi,
Tempat Nasi, Tempat Sayur
Penggorengan, Piring, Sendok
Gelas, Piring, Sendok, Tempat
Sayur
Kipas Angin, Kompor Gas,
Gelas, Piring
Kipas Angin, Kompor Gas
Piring, Sendok, Tempat Sayur
Gelas, Piring
Sendok, Tempat Sayur
Penggorengan, gelas
Gelas, Piring
Piring, Sendok, Tempat Sayur
Piring, gelas
Kipas Angin, Kompor Gas
Piring, Sendok
Sendok, Tempat Sayur
Piring
Piring, gelas
Sendok, Tempat Sayur
Sendok, Tempat Sayur
Piring, kipas angin
Piring, tempat sayur
58
59
60
Sendok, Tempat Sayur
didalam
Piring, Sendok
(data barang keluar). Aitem jenis
Tempat Nasi
yang dimasukkan support-nya
atas, selanjutnya dimasukkan ke
minimal 10%,
dalam proses Rapidminer Studio
Semua
ditunjukkan
langkah-langkah
kerja (operator) yang tersedia di
RapidMiner
Studio
Tabel
4.2
disajikan
No
dapat dimasukkan dalam proses
1
dan dapat menentukan pilihan
dalam model pengerjakan pada
mengklik data penjualan karena
data sudah dibuat dalam bentuk
excel,
tampilannya
yang
hasil
disajikan
pada
gambar berikut ini.
pada
hasilnya
tabel
4.2
Daftar
Jenis
Aitem
Kebutuhanrumah tangga
Support
Support (%)
Gelas
18
14%
2
Piring
40
31%
3
Sendok
21
16%
4
Tempat Sayur
22
17%
Jenis Barang
operator. Cara memasukkan data
membuka lokal respositori dan
dan
berikut ini:
dalam kelompok, karena itu
tabel
penjualan
barang kebutuhan rumah tangga
Data penjualan tersebut di
6.4.
transaksi
Tabel di atas merupakan
data item jenis barang-barang
kebutuhan rumah tangga yang
terseleksi atau terpilih sesuai
dengan
support
ditentukan.
yang
Dari
telah
tabel
4.2
tersebut dapat diketahui bahwa
support terbanyak pada jenis
barang
piring
sebanyak
40
(31%), kemudian tempat sayur
sebanyak 22 (17%), sendok
sebanyak 21 (16%), dan gelas
sebanyak 18 (14%). Data di atas
Gambar 4.3 Format Tampilan Data
Penjualan
Berikut merupakan tabel
dari semua jenis itemset barangbarang kebutuhan rumah tangga
akan
digunakan
untuk
membentuk pola atau kombinasi
aitem dan juga digunakan untuk
menentukan
support
dan
confidence
pada
di
atas
adalah
kombinasi pola dua item data
selanjutnya.
Hasil dari kombinasi dua
items
Data
pembahasan
yang telah ditentukan
yang terpilih dengan support
yang
telah
ditentukan
sebelumnya minimal 10% dan
minimal
diperoleh data disajikan pada
kombinasi jenis barang gelas
tabel 4.3 berikut ini:
dan piring, gelas dan sendok,
Tabel 4.3 Daftar Calon Pola Kombinasi
Dua itemset
1
2
3
4
Nama
Item
Gelas,
piring
Gelas,
Sendok
Gelas,
tempat
Sayur
Piring,
Sendok
terlihat
data
piring dan sendok, serta gelas
dan
No
10%,
yaitu
tempat
sayur
sudah
Support
6
Support
(%
30%
berdekatan.
5
25%
meletakkan
3
15%
saling berdekatan sesuai hasil
membuat
Hasil
tersebut
perusahaan
untuk
barang-barang
support dari Rapidminer Studio
4
Dengan
20%
menetapkan
6.4.
4.2 Pembahasan
support minimal 10% persen,
Pembahasan
dalam
maka data di atas terseleksi atau
penelitian
terpilih, seperti pada tabel 4.4
pengujian dari hasil Rrapidminer
berikut ini:
yang
Tabel 4.4 Daftar Pola kombinasi dua
items yang memenuhi support
minimal
No
1
2
3
4
Nama
Item
Gelas,
piring
Gelas,
Sendok
Piring,
Sendok
Gelas,
tempat
Sayur
Support
6
Support
(%
30%
5
25%
4
20%
3
15%
ini
dibuat,
mengenai
dengan
tujuan
untuk mengetahui sejauh mana
ketepatan
dan
kemudahan
eksekusi perangkat lunak yang
telah dibuat serta tidak menutup
kemungkinan
mengetahui
kelemahannya,
sehingga
sini
dapat
nantinya
dari
apakah
apakah penggunaan data mining
dengan Rapidminer yang dibuat
dapat berjalan secara benar dan
sesuai
dengan
kriteria
Hasil laporan penjualan
yang
barang bulan Juli dan Agustus
diharapkan.
Untuk
mengetahui
item-set
perbedaan
dalam
2015 dengan RapidMiner telah
tersusun hasil penjualan barang
memprediksi persediaan barang
yang
di waktu yang akan datang
penjualan barang yang paling
secara
dengan
sedikit.
melalui
terbanyak pada gelas dan piring
manual
algoritma
dan
apriori
Rapidminer,
dengan
membandingkan
antara
paling
banyak
Penjualan
cara
dengan
support
data
kemudian
diikuti
6
sampai
barang
(30%),
gelas
dan
penjualan secara manual dengan
sendok dengan support 5 (25%),
Rapidminer.
piring
dan
sendok
dengan
Setelah diketahui barang
support 4 (20%), dan yang
paling
terakhir gelas dan tempat sayur
yang
diminati
oleh
konsumen yaitu gelas dan priing,
dengan support 3 (15%).
gelas dan senodk, gelas dan
Selanjutnya,
setelah
tempat sayur, serta piring dan
diketahui
besar
support
sendok,
penjualan
terbanyak
sampai
maka
penempatan
dilakukan
sesuai
penjualan yang paling sedikit
dengan barang yang dibeli dan
dapat disusun daftar penjualan
mudah untuk mendapatkannya.
setelah
Pengaturan barang kebutuhan
kombinasi dua item set yang
rumah tangga antara lain gelas
sudah diseleksi, dengan hasilnya
dekat piring, sendok, dan tempat
disajikan pada tabel 4.5.
sayur.
barang
Perubahan
peletakan
barang kebutuhan rumah tangga
tersebut memudahkan konsumen
dalam mencari barang sesuai
kebutuhan
dan
hal
ini
berpenaruh terhadap penjualan
pada bulan Juli dan Agustus.
dilakukan
pola
pola kombinasi item sets
Tabel 4.5 Daftar Real Penjualan
Barang
Setelah
Dilakukan
Pola
Kombinasi Item Set
Id
kategori
1
2
3
Confidence
9
11
12
13
14
15
16
17
berharga
dalam
83%
4/6
67%
3/6
50%
barang apa yang diperlukan
2/6
33%
kemudian.
1/6
17%
1/6
17%
1/6
17%
pada teknik Data Mining
1/6
17%
efisien
4/4
100%
3/4
75%
2/4
50%
pembentukan kecenderungan
1/4
25%
pola kombinasi item set hasil
1/4
25%
1/4
25%
1/4
25%
yaitu dengan support dan
1/4
25%
confidence
Gelas, Kipas Angin
10
sangat
yang
5/6
Gelas, Masak Nasi
8
informasi
Gelas, Sendok
Gelas, Penggorengan
7
sebagai
100%
Gelas, Panci
6
dijadikan
6/6
Gelas, tempat nasi
5
dapat
Nama Kategori
Gelas, piring
Gelas, tempat Sayur
4
sehingga
Gelas, Kompor Gas
Piring, Sendok
Piring, tempat Sayur
Piring, tempat nasi
Piring, Panci
Piring, Penggorengan
Piring, Masak Nasi
Piring, Kipas Angin
Piring, Kompor Gas
pengambilan keputusan untuk
mempersiapkan
stok
jenis
2. Penerapan Algoritma Apriori
dan
dapat
mempercepat
kebutuhan
proses
rumah
tangga
tertinggi
pada
item set gelas – piring.
Kesimpulan
Berdasarkan
hasil
Saran
Untuk kepentingan lebih
analisis dengan algoritma apriori
dan pengujian dengan aplikasi
lanjut,
Rapidminer Studio 6.4, maka
memberikan
penulis
sebagai berikut :
menarik
sebuah
1.
kesimpulan, sebagai berikut:
1. Data
Mining
dapat
implementasikan
menggunakan
di
dengan
Database
maka
penggunaan
diperoleh
kecenderungan
dengan
menambah volume data serta
tangga,
menemukan
saran
dapat
dikembangkan
bervariasi
dapat
beberapa
Disarankan
penjualan kebutuhan rumah
karena
penulis
level
yang
sehingga
lebih
asosiasi antar data.
banyak
2.
Perlu
dilakukan
perbandingan
algoritma
dengan
lain,
untuk
menguji serta mendapatkan
kesimpulan bahwa algoritma
apriori berkinerja baik untuk
memproses dan menemukan
pola
hubungan
(asosiasi)
antar item dari suatu basis
data data transaksi.
3.
Dalam
penelitian
selanjutnya,
algoritma
apriori
dapat
digunakan
untuk penerapan pada bidang
yang
lainnya
untuk
menemukan kedekatan antar
himpunan objek penelitian
dalam menentukan pemetaan
hubungannya
dan
tidak
hanya terbatas pada lembaga
pendidikan
saja.
Dalam
penelitian
selanjutnya,
sebaiknya
dapat
membandingkan
algoritma
apriori
algoritma
dengan
yang lainnya.
Persembahan
Kepada
Gunawan,
S.T.,
Bapak
Dedi
M.Sc.
sebagai
Pembimbing
yang
telah
membimbing
yang
telah
mencurahkan waktu dan kesempatan
membimbing saya selama menyusun
skripsi ini.dan saya ucapkan juga
terima kasih kepada Bapak Dosen
penguji
karena
dengan
penuh
kesabaran dan perhatiannya sehingga
saya bisa mewujudkan skripsi ini
sampai
selesai
dan
semoga
bermanfaat dalam kehidupan ini.
DAFTAR PUSTAKA
Gunadi W Nurcahyo,. 2013. Penerapan Data Mining dengan Algoritma Apriori
untuk Mendukung Strategi Promosi Pendidikan. COREIT. Vol. 1. No. 1:
67 – 74.
Kusrini dan Luthfi E,T. 2009. Algoritma Data Mining. Yogyakarta : Andi Offset.
M.Ikhsan, M. Dahria dan Sulindawaty (2011). Penerapan Association Rules
Dengan Algoritma Apriori Pada Proses Pengelompokan Barang di
Perusahaan Retail.
Shuruti Aggarwal. 2013. Pemetaan Pola Hubungan Program Studi dengan
Algoritma Apriori – Studi Kasus SPMU UNNES. Edu Komputika Journal.
No. 1.
BIODATA PENULIS
Nama
: Panji Suroso Aji
Tempat dan Tanggal Lahir
: Pasuruan, 24 September 1989
Jenis Kelamin
: Pria
Agama
: Islam
Perguruan Tinggi
: Universitas Muhammadiyah Surakarta
Fak/Jur
: Komunikasi & Informatika / T.informatika
Alamat
: Pasuruan, RT001/RW008, Penengahan Kab.
Lampung Selatan
Telp./ Fax
: 08572567009
Alamat Rumah
: Pasuruan, RT001/ RW008, Kecamatan
Penengahan. Kabupaten Lampung Selatan
No. HP
: 085728227387
Alamat e-mail
: capunkjah@yahoo.com
PENERAPAN ALGORITMA APRIORI UNTUK MENENTUKAN
FREKUENSI ITEM SET SEBAGAI STRATEGI PENJUALAN
DI TOKO PUTRA MANIS SURAKARTA
Program Studi Informatika
Fakultas Komunikasi dan Informatika
Diajukan oleh :
Nama
Pembimbing 1
: Panji Suroso Aji
: Dedi Gunawan, S.T., M.Sc.
PROGRAM STUDI INFORMATIKA
FAKULTAS KOMUNIKASI DAN INFORMATIKA
UNIVERSITAS MUHAMMADIYAH SURAKARTA
2015
PENERAPAN ALGORITMA APRIORI UTUK MENENTUKAN
FREKUENSI ITEM SET SEBAGAI STARTEGI PEMASARAN
DI TOKO PUTRA MANIS SURAKARTA
Teknik Informatika, Fakultas Komunikasi dan Informatika
Universitas Muhammadiyah Surakarta
E-Mail : capunkjah@yahoo.com
ABSTRACT
Apriori algorithm is widely used to determine the pattern of
relationship between products that are often bought in a store or supermarket. The
a priori algorithm would be appropriate to be applied if there is some connection
item you want analyzed. One thing that can be applied is in the field of promotion
and marketing strategy determination.
The aim in this research there are three, namely: (1) want to know the
implementation of Data Mining on the sales transaction database of items of
goods for the household. (2) wanted to know the implementation of Apriori
Algorithm in determining high frequency items are set to predict the inventory in
the future.
The object of this research is the application of a priori algorithm. Data
of this research is in the form of sales receipts obtained from Surakarta Sweet Son
store in April and May, and in July and August 2015. The data was collected
using interviews and documentation. Data analysis using RapidMiner program
Studio 6.4.
The conclusion of this study are: (1) Data Mining can be implemented by using a
data base selling household goods, as you may find the tendency of pattern
combinations of item sets that can be used as valuable information in the decision
to prepare a stock of goods what is necessary then. (2) Application of Apriori
algorithm in data mining techniques can be more efficient and be able to
accelerate the process of forming a pattern tendency combination of items set
household results is to support and supreme confidence on the items set glass plate.
Keywords: Algorithm Apriori, Marketing Strategy.
ABSTRAKSI
Apriori merupakan algoritma yang banyak digunakan untuk menentukan
pola hubungan antar produk yang sering dibeli dalam suatu toko atau swalayan.
Algoritma apriori ini akan sesuai untuk diterapkan bila terdapat beberapa
hubungan item yang ingin dianalisa. Salah satunya yang bisa diterapkan adalah di
dalam bidang promosi dan penentuan strategi pemasaran.
Tujuan dalam penelitian ini juga ada tiga, yaitu: (1) ingin mengetahui
penerapan Data Mining pada database transaksi penjualan item barang-barang
kebutuhan rumah tangga. (2) ingin mengetahui penerapan Algoritma Apriori
dalam penentuan frekuensi tinggi item-set untuk memprediksi persediaan barang
di waktu yang akan datang
Objek dalam penelitian ini yaitu penerapan algoritma apriori. Data
penelitian ini berupa berbentuk kuitansi penjualan yang diperoleh dari toko Putra
Manis Surakarta pada bulan April dan Mei 2015. Pengumpulan data
menggunakan wawancara dan dokumentasi. Analisis data menggunakan program
RapidMiner Studio 6.4.
Kesimpulan dalam penelitian ini yaitu: (1) Data Mining dapat di
implementasikan dengan menggunakan Database penjualan kebutuhan rumah
tangga, karena dapat menemukan kecenderungan pola kombinasi item sets
sehingga dapat dijadikan sebagai informasi yang sangat berharga dalam
pengambilan keputusan untuk mempersiapkan stok jenis barang apa yang
diperlukan kemudian. (2) Penerapan Algoritma Apriori pada teknik Data Mining
efisien dan dapat mempercepat proses pembentukan kecenderungan pola
kombinasi item set hasil kebutuhan rumah tangga yaitu dengan support dan
confidence tertinggi pada item set gelas – piring.
Kata Kunci: Algoritma Apriori, Strategi Pemasaran.
melakukan strategi promosi pada
PENDAHULUAN
Belakangan
ini
data
swalayan
atau
toko
yang
mining telah diimplementasikan
dimilikinya.
keberbagai bidang, diantaranya
assocition rule yang dihasilkan
dalam
atau
algoritma ini digunakan untuk
dan
mengatur meletakkan barang-
Mining
barangnya dalam tempat yang
bidang
bisnis
perdangangan,
telekomunikasi.
Data
Pemetaan
diartikan sebagai menambang
strategis agar
pembeli
data atau upaya untuk menggali
mudah
menjumpainya.
informasi yang berharga dan
Nurcahyo (2013) menjelaskan
berguna pada database yang
bahwa association rule yang
sangat besar. Hal terpenting
dimaksud
dalam teknik data mining adalah
mekanisme
aturan untuk menemukan pola
support dan confidence dari
frekuensi tinggi antar himpunan
suatu hubungan item. Algoritma
itemset
apriori ini akan cocok untuk
yang
Association
disebut
Rules
fungsi
(Aturan
dilakukan
lebih
melalui
penghitungan
diterapkan
bila
terdapat
Asosiasi). Beberapa algoritma
beberapa hubungan item yang
yang termasuk dalam Aturan
ingin dianalisa. Salah satunya
AIS
yang bisa diterapkan adalah di
Asosiasi
adalah
seperti
Algorithm, Apriori Algorithm,
dalam
DHP Algorithm, dan Partition
penentuan strategi pemasaran.
Algorithm (Aggarwal, 2013).
Apriori
algoritma
bidang
promosi
Adanya
dan
aktivitas
merupakan
transaksi penjualan sehari-hari
banyak
pada toko Putra Manis Surakarta
yang
digunakan untuk menentukan
yaitu
pola hubungan antar produk
kebutuhan
yang sering dibeli dalam suatu
tangga,
toko atau swalayan. Algoritma
tumpukan data yang semakin
ini
akan
kepada
toko
yang
peralatan
akan
menjual
rumah
menghasilkan
memberikan
saran
lama semakin besar, sehingga
manajer
untuk
dapat
menimbulkan masalah
baru. Jika hal ini dibiarkan,
komputer sebagai alat dalam
maka
transaksi
pengimputan data, pengolahan
tersebut akan menjadi tumpukan
serta pencetakan/print out hasil
sampah yang merugikan karena
pengolahan
membutuhkan
media
informasi yang di inginkan.
penyimpanan atau database yang
Namun dalam pengolahan data
semakin besar. Seiring dengan
masih menggunakan aplikasi –
kemajuan
yang
aplikasi yang sangat sederhana,
semakin pesat maka berkembang
dan cara – cara manual juga
pula
dalam
masih dilakukan terutama dalam
mengumpulkan,
menganalisa
pengecekan barang masuk dan
dan
data
pada
keluar dan dalam pengarsipan
database, sehingga diperlukan
data. Walaupun hingga saat ini
suatu carai untuk memilah dan
aktivitas pelayanan dan transaksi
memilih
dari
di toko Putra Manis belum
database. Dalam persaingan di
mengalami kendala yang berarti,
dunia bisnis, menuntut para
tentu keadaan ini suatu saat
pengembang untuk menemukan
menjadi
suatu strategi jitu yang dapat
dalam meningkatkan pelayanan
meningkatkan penjualan barang
seiring
data-data
teknologi
kemampuan
mengolah
data
penting
Di toko Putra Manis
Surakarta
misalnya
data
faktor
berupa
penghambat
semakin
banyaknya
transaksi dan jenis item dan item
aktivitas
set transaksi yang terjadi dan
transaksi dan pelayanan terhadap
tersimpan dalam kurun waktu
konsumen
tertentu, sehingga menyulitkan
setiap
harinya
semakin lama semakin tinggi,
pihak
sehingga tanpa disadari hal ini
menganalisa jenis item dan item
dapat menimbulkan tumpukan
set barang mana yang paling
data yang semakin besar. Dalam
diminati atau tidak diminati
menjalankan aktivitasnya, toko
konsumen.
Putra
Manis
menggunakan
jasa
sudah
teknologi
perusahaan
Permasalahan
dalam
dalam
penelitian ini dapat dirumuskan
sebagai berikut: (1) Bagaimana
lainya. Khususnya salah satu
penerapan Data Mining pada
tahap dari analisis asosiasi yang
database
penjualan
disebut analisis pola frekuensi
item barang-barang kebutuhan
tinggi (frequent pattern mining)
rumah tangga? (2) Bagaimana
menarik
penerapan
peneliti
transaksi
Algoritma
Apriori
dalam
penentuan
frekuensi
tinggi
item-set
untuk
memprediksi persediaan barang
perhatian
untuk
algoritma
banyak
menghasilkan
yang
efesien
(Muhammad Ikhsan et al, 2011).
Algoritma Apriori
di waktu yang akan datang?
Algoritma apriori adalah
suatu
algoritma
dasar
yang
LANDASAN TEORI
diusulkan
Pengertian Data Mining
Srikant pada tahun 1994 untuk
oleh
Agrawal
&
Data mining, sering juga
menentukan Frequent itemsets
disebut knowledge discovery in
untuk aturan asosiasi Boolean.
database
(KDD),
Algoritma
kegiatan
yang
adalah
meliputi
mining.
historis
menyatakan
menemukan
termasuk
jenis Aturan Asosiasi pada data
pengumpulan, pemakaian data
untuk
Apriori
Aturan
asosiasi
yang
antara
keteraturan, pola atau hubungan
beberapa atribut sering disebut
dalam set data berukuran besar.
affinity analysis atau market
Keluaran dari data mining bisa
basket analysis.
dipakai
untuk
memperbaikin
Penting tidaknya suatu
pengambilan keputusan dimasa
asosiasi dapat diketahui dengan
depan (Budi Santosa, 2007).
dua tolok ukur, yaitu : support
Tahapan Association Rule
Analisis asosiasi dikenal
dan confidence. Support (nilai
penunjang)
adalah persentase
juga sebagai salah satu teknik
kombinasi item tersebut dalam
data mining yang menjadi dasar
database, sedangkan confidence
dari berbagai teknik data mining
(nilai kepastian) adalah kuatnya
dalam
yaitu membuat repositori lokal
aturan asosiasi. (Kusrini, Emha
pada pertama komputer sebagai
Taufiq Luthfi, 2009 : 149).
dasar untuk repositori lokal.
hubungan
antara-item
Repositori ini berfungsi sebagai
METODE PENELITIAN
lokasi penyimpanan pusat untuk
Objek dalam penelitian ini
yaitu
penerapan
apriori
algoritma
utuk
frekuensi
startegi
menentukan
item
set
sebagai
pemasaran,
dengan
proses data dan analisis dengan
cara membuka
dan mengklik
pada open, yang hasil tampilan
gambarnya, sebagai berikut:
lokasi penelitian dilakukan di
toko Putra Manis Surakarta.
Data
digunakan
penelitian
dalam
yang
penelitian
berupa data berbentuk kuitansi
penjualan yang diperoleh dari
Gambar 4.1 Membuat Repositori Lokal
Pada Komputer
toko Putra Manis Surakarta pada
Membuat repositori lokal
bulan April dan Mei 2015.
data
pada komputer untuk memulai
dan
dengan penggunaan pertama dari
dokumentasi. Metode analisis
RapidMiner Studio. Pembuatan
data
database
Pengumpulan
menggunakan
wawacara
menggunakan
metode
berfungsi
untuk
deskripsi pada fungsi minor data
menyimpan dan memanipulasi
mining dengan menggunakan
data
program RapidMiner Studio 6.4.
memudahkan user.
yang
kompleks
untuk
HASIL PENELITIAN
4.1 Hasil Temuan Penelitian
Langkah
pertama
menggunakan
RapidMiner
Studio membuat repositori baru
Gambar 4.2 Proses Awal memasukkan
Data ke RapidMiner Studio
Berhubungan dengan studi
kasus di toko Putra Manis di
Surakarta yang menjual barangbarang kekutuhan rumah tangga
dapat dilakukan analisis
19
20
21
22
23
data.
24
Analisis data dilakukan khusus
25
pada penjualan dengan tujuan
26
untuk
menemukan
penjualan
barang
pola
27
28
kebutuhan
29
rumah tangga Berikut ini adalah
30
tabel 4.1 sebagai sampel data
31
32
dan sebagian terlampir yang
33
akan dijadikan untuk analisa dan
34
juga untuk uji coba.
Tabel 4.1 Daftar Real Penjualan Barang
Kebutuhan Rumah Tangga
35
36
37
38
Id kategori
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Nama kategori
Gelas, piring, sendok
Tempat Sayur, Masak Nasi
Tempat Nasi, Tempat Sayur
Penggorengan, Piring, Sendok
Gelas, Piring. Sendok, Tempat
Sayur
Kipas Angin, Kompor Gas,
Gelas, Piring
Kipas Angin, Kompor Gas
Kompor Gas, Piring, Sendok,
Tempat Sayur
Gelas, Piring
Kompor Gas
Gelas, Piring, Sendok
Piring, Sendok, Tempat Sayur
Gelas, Piring
Penggorengan, Piring
Piring, Sendok, Tempat Sayur
Gelas, Piring, Sendok
Tempat Sayur, Masak Nasi
Tempat Nasim Tempat Sayur
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
Penggorengan, Piring, Sendok
Gelas, Piring, Sendok, Tempat
Sayur
Kipas Angin, Kompor Gas,
Gelas, Piring
Kipas Angin, Kompor Gas
Kompor Gas, Piring, Sendok,
Tempat Sayur
Gelas, Piring
Kompor Gas
Gelas, Piring, Sendok
Piring, Sendok, Tempat Sayur
Gelas, Piring
Penggorengan, Piring
Piring, Sendok, Tempat Sayur
Piring, Sendok, Tempat Sayur
Gelas, Piring
Penggorengan, Piring
Piring, Sendok, Tempat Sayur
Gelas, Piring, Sendok
Tempat Sayur, Masak Nasi,
Tempat Nasi, Tempat Sayur
Penggorengan, Piring, Sendok
Gelas, Piring, Sendok, Tempat
Sayur
Kipas Angin, Kompor Gas,
Gelas, Piring
Kipas Angin, Kompor Gas
Piring, Sendok, Tempat Sayur
Gelas, Piring
Sendok, Tempat Sayur
Penggorengan, gelas
Gelas, Piring
Piring, Sendok, Tempat Sayur
Piring, gelas
Kipas Angin, Kompor Gas
Piring, Sendok
Sendok, Tempat Sayur
Piring
Piring, gelas
Sendok, Tempat Sayur
Sendok, Tempat Sayur
Piring, kipas angin
Piring, tempat sayur
58
59
60
Sendok, Tempat Sayur
didalam
Piring, Sendok
(data barang keluar). Aitem jenis
Tempat Nasi
yang dimasukkan support-nya
atas, selanjutnya dimasukkan ke
minimal 10%,
dalam proses Rapidminer Studio
Semua
ditunjukkan
langkah-langkah
kerja (operator) yang tersedia di
RapidMiner
Studio
Tabel
4.2
disajikan
No
dapat dimasukkan dalam proses
1
dan dapat menentukan pilihan
dalam model pengerjakan pada
mengklik data penjualan karena
data sudah dibuat dalam bentuk
excel,
tampilannya
yang
hasil
disajikan
pada
gambar berikut ini.
pada
hasilnya
tabel
4.2
Daftar
Jenis
Aitem
Kebutuhanrumah tangga
Support
Support (%)
Gelas
18
14%
2
Piring
40
31%
3
Sendok
21
16%
4
Tempat Sayur
22
17%
Jenis Barang
operator. Cara memasukkan data
membuka lokal respositori dan
dan
berikut ini:
dalam kelompok, karena itu
tabel
penjualan
barang kebutuhan rumah tangga
Data penjualan tersebut di
6.4.
transaksi
Tabel di atas merupakan
data item jenis barang-barang
kebutuhan rumah tangga yang
terseleksi atau terpilih sesuai
dengan
support
ditentukan.
yang
Dari
telah
tabel
4.2
tersebut dapat diketahui bahwa
support terbanyak pada jenis
barang
piring
sebanyak
40
(31%), kemudian tempat sayur
sebanyak 22 (17%), sendok
sebanyak 21 (16%), dan gelas
sebanyak 18 (14%). Data di atas
Gambar 4.3 Format Tampilan Data
Penjualan
Berikut merupakan tabel
dari semua jenis itemset barangbarang kebutuhan rumah tangga
akan
digunakan
untuk
membentuk pola atau kombinasi
aitem dan juga digunakan untuk
menentukan
support
dan
confidence
pada
di
atas
adalah
kombinasi pola dua item data
selanjutnya.
Hasil dari kombinasi dua
items
Data
pembahasan
yang telah ditentukan
yang terpilih dengan support
yang
telah
ditentukan
sebelumnya minimal 10% dan
minimal
diperoleh data disajikan pada
kombinasi jenis barang gelas
tabel 4.3 berikut ini:
dan piring, gelas dan sendok,
Tabel 4.3 Daftar Calon Pola Kombinasi
Dua itemset
1
2
3
4
Nama
Item
Gelas,
piring
Gelas,
Sendok
Gelas,
tempat
Sayur
Piring,
Sendok
terlihat
data
piring dan sendok, serta gelas
dan
No
10%,
yaitu
tempat
sayur
sudah
Support
6
Support
(%
30%
berdekatan.
5
25%
meletakkan
3
15%
saling berdekatan sesuai hasil
membuat
Hasil
tersebut
perusahaan
untuk
barang-barang
support dari Rapidminer Studio
4
Dengan
20%
menetapkan
6.4.
4.2 Pembahasan
support minimal 10% persen,
Pembahasan
dalam
maka data di atas terseleksi atau
penelitian
terpilih, seperti pada tabel 4.4
pengujian dari hasil Rrapidminer
berikut ini:
yang
Tabel 4.4 Daftar Pola kombinasi dua
items yang memenuhi support
minimal
No
1
2
3
4
Nama
Item
Gelas,
piring
Gelas,
Sendok
Piring,
Sendok
Gelas,
tempat
Sayur
Support
6
Support
(%
30%
5
25%
4
20%
3
15%
ini
dibuat,
mengenai
dengan
tujuan
untuk mengetahui sejauh mana
ketepatan
dan
kemudahan
eksekusi perangkat lunak yang
telah dibuat serta tidak menutup
kemungkinan
mengetahui
kelemahannya,
sehingga
sini
dapat
nantinya
dari
apakah
apakah penggunaan data mining
dengan Rapidminer yang dibuat
dapat berjalan secara benar dan
sesuai
dengan
kriteria
Hasil laporan penjualan
yang
barang bulan Juli dan Agustus
diharapkan.
Untuk
mengetahui
item-set
perbedaan
dalam
2015 dengan RapidMiner telah
tersusun hasil penjualan barang
memprediksi persediaan barang
yang
di waktu yang akan datang
penjualan barang yang paling
secara
dengan
sedikit.
melalui
terbanyak pada gelas dan piring
manual
algoritma
dan
apriori
Rapidminer,
dengan
membandingkan
antara
paling
banyak
Penjualan
cara
dengan
support
data
kemudian
diikuti
6
sampai
barang
(30%),
gelas
dan
penjualan secara manual dengan
sendok dengan support 5 (25%),
Rapidminer.
piring
dan
sendok
dengan
Setelah diketahui barang
support 4 (20%), dan yang
paling
terakhir gelas dan tempat sayur
yang
diminati
oleh
konsumen yaitu gelas dan priing,
dengan support 3 (15%).
gelas dan senodk, gelas dan
Selanjutnya,
setelah
tempat sayur, serta piring dan
diketahui
besar
support
sendok,
penjualan
terbanyak
sampai
maka
penempatan
dilakukan
sesuai
penjualan yang paling sedikit
dengan barang yang dibeli dan
dapat disusun daftar penjualan
mudah untuk mendapatkannya.
setelah
Pengaturan barang kebutuhan
kombinasi dua item set yang
rumah tangga antara lain gelas
sudah diseleksi, dengan hasilnya
dekat piring, sendok, dan tempat
disajikan pada tabel 4.5.
sayur.
barang
Perubahan
peletakan
barang kebutuhan rumah tangga
tersebut memudahkan konsumen
dalam mencari barang sesuai
kebutuhan
dan
hal
ini
berpenaruh terhadap penjualan
pada bulan Juli dan Agustus.
dilakukan
pola
pola kombinasi item sets
Tabel 4.5 Daftar Real Penjualan
Barang
Setelah
Dilakukan
Pola
Kombinasi Item Set
Id
kategori
1
2
3
Confidence
9
11
12
13
14
15
16
17
berharga
dalam
83%
4/6
67%
3/6
50%
barang apa yang diperlukan
2/6
33%
kemudian.
1/6
17%
1/6
17%
1/6
17%
pada teknik Data Mining
1/6
17%
efisien
4/4
100%
3/4
75%
2/4
50%
pembentukan kecenderungan
1/4
25%
pola kombinasi item set hasil
1/4
25%
1/4
25%
1/4
25%
yaitu dengan support dan
1/4
25%
confidence
Gelas, Kipas Angin
10
sangat
yang
5/6
Gelas, Masak Nasi
8
informasi
Gelas, Sendok
Gelas, Penggorengan
7
sebagai
100%
Gelas, Panci
6
dijadikan
6/6
Gelas, tempat nasi
5
dapat
Nama Kategori
Gelas, piring
Gelas, tempat Sayur
4
sehingga
Gelas, Kompor Gas
Piring, Sendok
Piring, tempat Sayur
Piring, tempat nasi
Piring, Panci
Piring, Penggorengan
Piring, Masak Nasi
Piring, Kipas Angin
Piring, Kompor Gas
pengambilan keputusan untuk
mempersiapkan
stok
jenis
2. Penerapan Algoritma Apriori
dan
dapat
mempercepat
kebutuhan
proses
rumah
tangga
tertinggi
pada
item set gelas – piring.
Kesimpulan
Berdasarkan
hasil
Saran
Untuk kepentingan lebih
analisis dengan algoritma apriori
dan pengujian dengan aplikasi
lanjut,
Rapidminer Studio 6.4, maka
memberikan
penulis
sebagai berikut :
menarik
sebuah
1.
kesimpulan, sebagai berikut:
1. Data
Mining
dapat
implementasikan
menggunakan
di
dengan
Database
maka
penggunaan
diperoleh
kecenderungan
dengan
menambah volume data serta
tangga,
menemukan
saran
dapat
dikembangkan
bervariasi
dapat
beberapa
Disarankan
penjualan kebutuhan rumah
karena
penulis
level
yang
sehingga
lebih
asosiasi antar data.
banyak
2.
Perlu
dilakukan
perbandingan
algoritma
dengan
lain,
untuk
menguji serta mendapatkan
kesimpulan bahwa algoritma
apriori berkinerja baik untuk
memproses dan menemukan
pola
hubungan
(asosiasi)
antar item dari suatu basis
data data transaksi.
3.
Dalam
penelitian
selanjutnya,
algoritma
apriori
dapat
digunakan
untuk penerapan pada bidang
yang
lainnya
untuk
menemukan kedekatan antar
himpunan objek penelitian
dalam menentukan pemetaan
hubungannya
dan
tidak
hanya terbatas pada lembaga
pendidikan
saja.
Dalam
penelitian
selanjutnya,
sebaiknya
dapat
membandingkan
algoritma
apriori
algoritma
dengan
yang lainnya.
Persembahan
Kepada
Gunawan,
S.T.,
Bapak
Dedi
M.Sc.
sebagai
Pembimbing
yang
telah
membimbing
yang
telah
mencurahkan waktu dan kesempatan
membimbing saya selama menyusun
skripsi ini.dan saya ucapkan juga
terima kasih kepada Bapak Dosen
penguji
karena
dengan
penuh
kesabaran dan perhatiannya sehingga
saya bisa mewujudkan skripsi ini
sampai
selesai
dan
semoga
bermanfaat dalam kehidupan ini.
DAFTAR PUSTAKA
Gunadi W Nurcahyo,. 2013. Penerapan Data Mining dengan Algoritma Apriori
untuk Mendukung Strategi Promosi Pendidikan. COREIT. Vol. 1. No. 1:
67 – 74.
Kusrini dan Luthfi E,T. 2009. Algoritma Data Mining. Yogyakarta : Andi Offset.
M.Ikhsan, M. Dahria dan Sulindawaty (2011). Penerapan Association Rules
Dengan Algoritma Apriori Pada Proses Pengelompokan Barang di
Perusahaan Retail.
Shuruti Aggarwal. 2013. Pemetaan Pola Hubungan Program Studi dengan
Algoritma Apriori – Studi Kasus SPMU UNNES. Edu Komputika Journal.
No. 1.
BIODATA PENULIS
Nama
: Panji Suroso Aji
Tempat dan Tanggal Lahir
: Pasuruan, 24 September 1989
Jenis Kelamin
: Pria
Agama
: Islam
Perguruan Tinggi
: Universitas Muhammadiyah Surakarta
Fak/Jur
: Komunikasi & Informatika / T.informatika
Alamat
: Pasuruan, RT001/RW008, Penengahan Kab.
Lampung Selatan
Telp./ Fax
: 08572567009
Alamat Rumah
: Pasuruan, RT001/ RW008, Kecamatan
Penengahan. Kabupaten Lampung Selatan
No. HP
: 085728227387
Alamat e-mail
: capunkjah@yahoo.com