IMPLEMENTASI ALGORITMA APRIORI UNTUK KAS (1)
TUGAS AKHIR DATA MINING
“IMPLEMENTASI ALGORITMA APRIORI UNTUK
KASUS ASOSIASI PADA DATA PENJUALAN TOKO
KELONTONG X”
Dosen Pembimbing: Hastari Utama, M. Cs
Mata Kuliah: Data Mining
STMIK AMIKOM YOGYAKARTA
2015
TUGAS AKHIR DATA MINING
“IMPLEMENTASI ALGORITMA APRIORI UNTUK
KASUS ASOSIASI PADA DATA PENJUALAN TOKO
KELONTONG X”
Dosen Pembimbing: Hastari Utama, M. Cs
Mata Kuliah: Data Mining
OLEH:
ANDREAN NURDIANSYAH (13.11.7063)
BAYU TRISNA PRATAMA (13.11.7056)
KHAFIF YASIR AL-FUADY (13.11.7057)
SUNU YOGISWARA (13.11.7106)
LALU MOHAMMAD AFIF FARHAN (13.11.7108)
STMIK AMIKOM YOGYAKARTA
2015
A. PENDAHULUAN
Persaingan dunia dagang saat ini telah mencapai masa yang luar biasa. Bukan lagi
mengikuti perkembangan para konsumen saja yang harus dilakukan saat ini, namun juga
sudah merambah ke arah prediksi masa depan tentang apa dan bagaimana penjualan di masa
mendatang bisa dioptimalkan hasilnya. Seorang manager sebuah perusahaan atau badan usaha
yang bergerak di bidang perdagangan dituntut untuk bisa mengerti kebutuhan konsumen dan
bagaimana cara melayani konsumen secara maksimal tanpa pernah sekalipun membiarkan
konsumen merasa kecewa atas pelayanan yang kurang memuaskan atau bahkan kecewa
karena barang yang dibutuhkan justru tidak ada. Kekurangan dan kesalahan sedikit saja saat
ini dapat menyebabkan konsumen beralih.
Oleh sebab itu, saat ini berbagai cara dilakukan untuk dapat melihat bagaimana
perilaku konsumen melalui data-data yang telah ada untuk kemudian memprediksi perilaku
mereka dikemudian hari. Hal ini bertujuan untuk mencegah adanya kesalahan dan kekurangan
dalam pelayanan dan penyediaan barang di masa yang akan datang yang juga akan sekaligus
meningkatkan kinerja pelayanan terhadap konsumen.
Untuk itulah data mining diperlukan. Data mining merupakan cabang ilmu
pengetahuan yang berguna untuk memilah-milah data demi mendapatkan informasi dari
sekumpulan data yang tanpa sebuah perhitungan akan bermakna sia-sia belaka. Salah satu dari
cabang ilmu data mining adalah kasus Asosiasi, dimana Asosiasi adalah teknik data mining
untuk menemukan aturan assosiatif antara suatu kombinasi item. Aturan asosiasi ini sangat
cocok untuk diterapkan dalam perdagangan sebagaimana kasus yang penulis ambil kali ini
yaitu analisa data belanja konsumen pada Toko Kelontong X. Dengan asosiasi, hubungan
antara item-item yang dibeli pelanggan dapat didapatkan secara rinci.
Salah satu algoritma yang bisa digunakan dalam menemukan aturan asosiasi adalah
algoritma apriori. Apa dan bagaimana algoritma ini akan diuraikan pada bagian selanjutnya.
Diharapkan dengan penggunaan algoritma ini maka dapat diperoleh informasi penting
mengenai pola perilaku pembelian barang oleh konsumen, sehingga kedepannya dapat
dilakukan tindakan-tindakan untuk meningkatkan kualitas pelayanan terhadap konsumen.
B. LANDASAN TEORI
1. Analisis Asosiasi dan Aturan Asosiasi
Salah satu bentuk pola yang dapat dihasilkan data mining adalah aturan asosiasi
(association rule). Association Rule dapat digunakan untuk menemukan: hubungan atau
sebab akibat. Association rule memiliki bentuk LHS RHS dengan interpretasi bahwa jika
setiap item dalam LHS (Left Hand Side) dibeli, maka item dalam RHS (Right Hand Side)
juga dibeli. Association rule dapat dihasilkan dengan Algoritma Apriori. Salah satu
penggunaan Association rule adalah mendukung pengambilan keputusan dalam bidang
pemasaran, misalnya untuk mengetahui pola pembelian pelanggan, penentuan tata letak
barang dan lain-lain.
Analisis asosiasi atau association rule mining adalah teknik data mining untuk
menemukan aturan asosiatif antara suatu kombinasi item. Contoh dari aturan assosiatif dari
analisa pembelian di suatu pasar swalayan adalah dapat diketahuinya berapa besar
kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan
pengetahuan tersebut pemilik pasar swalayan dapat mengatur penempatan barangnya atau
merancang kampanye pemasaran dengan memakai kupon diskon untuk kombinasi barang
tertentu. Karena analisis asosiasi menjadi terkenal karena aplikasinya untuk menganalisa
isi keranjang belanja di pasar swalayan, analisis asosiasi juga sering disebut dengan istilah
market basket analysis.
Association rule memerlukan suatu variable ukuran yang ditentukan sendiri oleh
user untuk menentukan batasan sejauh mana atau sebanyak apa output yang diinginkan
user. Untuk itulah diadakan nilai Support dan Confidence. Support dan confidence adalah
sebuah ukuran kepercayaan dan kegunaan suatu pola yang telah ditemukan.
2. Algoritma Apriori
Algoritma Apriori adalah salah satu algoritma yang melakukan pencarian frequent
itemset dengan menggunakan teknik association rule. Algoritma Apriori menggunakan
pengetahuan frekuensi atribut yang telah diketahui sebelumnya untuk memproses
informasi selanjutnya. Pada algoritma Apriori ditentukan kandidat yang mungkin muncul
dengan cara memperhatikan minimum support dan minimum confidence. Support adalah
nilai pengunjung atau persentase kombinasi sebuah item dalam database. Sedangkan
confidence adalah nilai kepastian, yaitu kuatnya hubungan antar item dalam sebuah
Apriori. Confidence dapat dicari setelah pola frekuensi munculnya sebuah item
ditemukan.
C. STUDI KASUS
Diperoleh sebuah data penjualan di Toko Kelontong X seperti berikut ini:
Gambar 1 – Data Penjualan di Toko Kelontong X
Dengan detail untuk setiap barangnya ada pada tabel berikut ini:
Tabel 1 – Detail Nama Barang
No Items
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Keterangan
Indomie
Ultramilk
Sari Rot
Hilo
Aqua
Silver Quin
Oreo
Beng Beng
Chocolatos
Wafer Selamat
Pilus Garuda
Tic Tac
Tim Tam
kacang garuda
Kita akan mencari aturan-aturan asosiasi dengan algoritma apriori. Min. Support yang
digunakan adalah 19 transaksi. Sedangkan Min. Confidence nya adalah 75% atau 0.75. Dari
situ kita akan melihat item apa sajakah yang layak untuk masuk ke dalam iterasi selanjutnya.
Tabel 2 – 1 Itemset dengan Supportnya
Item
Indomie
Ultramilk
Sari Rot
Hilo
Aqua
Silver Quin
Oreo
Beng Beng
Chocolatos
Wafer Selamat
Pilus Garuda
Tic Tac
Tim Tam
kacang garuda
Support
11
17
23
27
30
29
31
34
31
34
24
26
29
29
Dari tabel diatas maka yang bisa masuk kedalam iterasi selanjutnya adalah: Sari Roti, Hilo,
Aqua, Silver Quin, Oreo, Beng Beng, Chocolatos, Wafer Selamat, Pilus Garuda, Tic Tac, Tim
Tam, dan kacang garuda.
Iterasi 1
Pada iterasi 1 dilakukan kombinasi antar 1 item yang sudah ada sebelumnya. Dari hasil
kombinasi itu diperoleh beberapa kombinasi yang memenuhi minimum support seperti dalam
tabel berikut:
Tabel 3 – 2 Itemset dengan Supportnya
N
o
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
Kombinasi
Aqua, Oreo
Aqua, Beng Beng
Aqua, Wafer Selamat
Aqua, Tim-Tam
Aqua, Kacang Garuda
Beng Beng, Silver Quin
Beng Beng, Oreo
Beng Beng, Chocolatos
Beng Beng, Wafer
Selamat
Beng Beng, Tim Tam
Beng Beng, Kacang
Garuda
Chocolatos, Oreo
Chocolatos, Wafer
Selamat
Chocolatos, Kacang
Garuda
Chocolatos, Tim Tam
Hilo, Silver Quin
Hilo, Oreo
Hilo, Beng Beng
Hilo, Wafer Selamat
Hilo, Kacang Garuda
Kacang garuda, Oreo
Kacang garuda, Wafer
Selamat
Kacang garuda, Tim
Tam
Support
No
Kombinasi
24
24
25
23
25
26
26
27
26
27
28
29
30
31
32
33
Pilus Garuda, Aqua
Pilus Garuda, Beng Beng
Pilus Garuda, Wafer Selamat
Pilus Garuda, Tic Tac
Sari Roti, Aqua
Sari Roti, Chocolatos
Sari Roti, Wafer Selamat
Silver Quin, Aqua
20
19
22
19
19
20
19
22
Silver Quin, Oreo
22
Silver Quin, Beng Beng
26
Silver Quin, Chocolatos
22
Silver Quin, Wafer Selamat
24
Silver Quin, Kacang Garuda
24
Tic Tac, Beng Ben
25
Tic Tac, Chocolatos
Tic Tac, Wafer Selamat
Tic Tac, Tim Tam
Tic Tac, Kacang Garuda
Tim Tam, Wafer Selamat
21
24
21
23
26
28
26
28
24
27
25
25
22
21
23
23
23
26
28
28
34
35
36
37
38
39
40
41
42
43
44
Support
24
25
Oreo, Wafer Selamat
Oreo, Tim Tam
25
24
Item item dari tabel di atas akan disilangkan dalam iterasi ke dua.
Iterasi 2
Pada iterasi dilakukan kombinasi antar 2 itemset yang sudah ada sebelumnya. Dari hasil
kombinasi itu diperoleh beberapa kombinasi 3 itemset yang memenuhi minimum support
seperti dalam tabel berikut:
Tabel 4 – 3 Itemset dengan Supportnya
No
1
2
3
Kombinasi
Support
Aqua, Beng Beng, Silver Quin
19
Aqua, Beng Beng, Oreo
19
Aqua, Beng Beng, Wafer-Selamat
19
Aqua, Beng Beng, Kacang Garuda
19
4
5
6
9
10
11
12
13
14
15
45
46
47
48
Aqua, Chocolatos, Wafer Selamat
19
Aqua, Kacang Garuda, Oreo
20
Aqua, Kacang Garuda, Wafer
7 Selamat
8
No
20
Aqua, Kacang Garuda, Tim Tam
20
Aqua, Oreo, Wafer Selamat
19
Aqua, Oreo, Tim Tam
19
Beng Beng, Chocolatos, Silver
Quin
Beng Beng, Chocolatos, Wafer
Selamat
Beng Beng, Chocolatos, Tim Tam
Beng Beng, Chocolatos, Kacang
Garuda
Beng Beng, Kacang Garuda, Silver
21
23
21
21
21
49
50
51
52
53
54
Kombinasi
Oreo, Tim Tam, Beng
Ben
Oreo, Tim Tam, Wafer
Selamat
Oreo, Wafer Selamat,
Beng Beng
Silver Quin,
Chocolatos, Wafer
Selamat
Silver Quin, Kacang
Garuda, Wafer Selamat
Silver Quin, Kacang
Garuda, Tim Tam
Silver Quin, Tim Tam,
Beng Beng
Tic Tac, Kacang
Garuda, Wafer Selamat
Tic Tac, Kacang
Garuda, Tim Tam
Tim Tam, Kacang
Garuda, Wafer Selamat
Support
19
19
20
19
19
19
19
23
19
23
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
Quin
Beng Beng, Kacang Garuda, Oreo
Beng Beng, Kacang Garuda, Wafer
Selamat
Beng Beng, Kacang Garuda, Tim
Tam
Beng Beng, Tic Tac, Silver Quin
Beng Beng, Tic Tac, Chocolatos
Beng Beng, Tic Tac, Wafer Selamat
Beng Beng, Tic Tac, Tim Tam
Beng Beng, Tic Tac, Kacang
Garuda
Beng Beng, Tim Tam, Wafer
Selamat
Beng Beng, Wafer Selamat, Silver
Quin
Chocolatos, Kacang Garuda, Oreo
Chocolatos, Kacang Garuda, Wafer
Selamat
Chocolatos, Kacang Garuda, Tim
Tam
Chocolatos, Tic Tac, Wafer Selamat
Chocolatos, Tim Tam, Oreo
Chocolatos, Tim Tam, Wafer
Selamat
Chocolatos, Tim Tam, Kacang
Garuda
Chocolatos, Wafer Selamat, Tim
Tam
Chocolatos, Wafer Selamat, Kacang
Garuda
Hilo, Beng Beng, Silver Quin
Hilo, Beng Beng, Wafer Selamat
Hilo, Beng Beng, Kacang Garuda
Hilo, Kacang Garuda, Wafer
Selamat
Oreo, Beng Beng, Silver Quin
Oreo, Beng Beng, Chocolatos
Oreo, Chocolatos, Beng Beng
Oreo, Chocolatos, Wafer Selamat
Oreo, Kacang Garuda, Wafer
Selamat
Oreo, Kacang Garuda, Tim Tam
21
22
23
19
19
22
19
20
21
21
19
21
22
19
19
22
22
22
21
19
19
19
19
20
20
20
20
20
21
Item item dari tabel di atas akan disilangkan dalam iterasi ke tiga.
Iterasi 3
Pada iterasi 3 dilakukan kombinasi antar 3 itemset yang sudah ada sebelumnya. Dari hasil
kombinasi itu diperoleh beberapa kombinasi 4 itemset yang memenuhi minimum support
seperti dalam tabel berikut:
Tabel 5 – 4 Itemset dengan Supportnya
No
Kombinasi
1 Chocolatos, Kacang Garuda, Wafer Selamat, Tim Tam
Support
19
Karena hasilnya hanya satu maka kita tidak bisa melanjutkan ke iterasi selanjutnya. Iterasi
berhenti dengan menghasilkan 4 itemset.
Mendapatkan Rule
Selanjutnya akan dilakukan proses untuk mendapatkan rule-rule nya. Kita akan menggunakan
angka minimum confidence yang biasa digunakan yaitu: 0.75 atau 75%.
2-Itemsets
Berikut rule rule yang telah memenuhi syarat dengan confidence > 0.75:
Tabel 6 – 2 Itemset Rule Dengan Nilai Confidencenya
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Rule
{Aqua}==>{Oreo}
{Aqua}==>{Beng-Beng}
{Aqua}==>{Wafer-Selamat}
{Aqua}==>{Tim-Tam}
{Aqua}==>{kacang-garuda}
{Beng-Beng}==>{Silver-Quin}
{Beng-Beng}==>{Oreo}
{Beng-Beng}==>{Chocolatos}
{Beng-Beng}==>{Wafer-Selamat}
{Beng-Beng}==>{Tim-Tam}
{Beng-Beng}==>{kacang-garuda}
{Chocolatos}==>{Oreo}
{Chocolatos}==>{Beng-Beng}
{Chocolatos}==>{Wafer-Selamat}
Confidence
0.8
0.8
0.83333
0.76667
0.83333
0.76471
0.76471
0.79412
0.82353
0.76471
0.82353
0.77419
0.87097
0.87097
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
{Chocolatos}==>{Tim-Tam}
{Chocolatos}==>{kacang-garuda}
{Hilo}==>{Silver-Quin}
{Hilo}==>{Oreo}
{Hilo}==>{Beng-Beng}
{Hilo}==>{Wafer-Selamat}
{Hilo}==>{kacang-garuda}
{kacang-garuda}==>{Oreo}
{kacang-garuda}==>{Beng-Beng}
{kacang-garuda}==>{Wafer-Selamat}
{kacang-garuda}==>{Tim-Tam}
{Oreo}==>{Aqua}
{Oreo}==>{Beng-Beng}
{Oreo}==>{Chocolatos}
{Oreo}==>{Wafer-Selamat}
{Oreo}==>{Tim-Tam}
{Oreo}==>{kacang-garuda}
{Pilus-Garuda}==>{Aqua}
{Pilus-Garuda}==>{Beng-Beng}
{Pilus-Garuda}==>{Wafer-Selamat}
{Pilus-Garuda}==>{Tic-Tac}
{Sari-Roti}==>{Aqua}
{Sari-Roti}==>{Chocolatos}
{Sari-Roti}==>{Wafer-Selamat}
{Silver-Quin}==>{Hilo}
{Silver-Quin}==>{Aqua}
{Silver-Quin}==>{Oreo}
{Silver-Quin}==>{Beng-Beng}
{Silver-Quin}==>{Chocolatos}
{Silver-Quin}==>{Wafer-Selamat}
{Silver-Quin}==>{kacang-garuda}
{Tic-Tac}==>{Beng-Beng}
{Tic-Tac}==>{Chocolatos}
{Tic-Tac}==>{Wafer-Selamat}
{Tic-Tac}==>{Tim-Tam}
{Tic-Tac}==>{kacang-garuda}
{Tim-Tam}==>{Oreo}
{Tim-Tam}==>{Beng-Beng}
{Tim-Tam}==>{Chocolatos}
{Tim-Tam}==>{kacang-garuda}
0.80645
0.80645
0.81481
0.77778
0.85185
0.85185
0.85185
0.76471
0.82353
0.82353
0.82353
0.77419
0.83871
0.77419
0.80645
0.77419
0.83871
0.83333
0.79167
0.91667
0.79167
0.82609
0.86957
0.82609
0.75862
0.75862
0.75862
0.89655
0.75862
0.82759
0.82759
0.89286
0.75
0.85714
0.75
0.82143
0.77419
0.83871
0.80645
0.90323
3-Itemsets
Berikut rule rule yang telah memenuhi syarat dengan confidence > 0.75:
Tabel 7 – 3 Itemset Rule Dengan Nilai Confidencenya
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
Rule
{Aqua,Beng-Beng}==>{Silver-Quin}
{Aqua,Beng-Beng}==>{Oreo}
{Aqua,Beng-Beng}==>{Wafer-Selamat}
{Aqua,Beng-Beng}==>{kacang-garuda}
{Aqua,Chocolatos}==>{Wafer-Selamat}
{Aqua,kacang-garuda}==>{Oreo}
{Aqua,kacang-garuda}==>{Beng-Beng}
{Aqua,kacang-garuda}==>{Wafer-Selamat}
{Aqua,kacang-garuda}==>{Tim-Tam}
{Aqua,Oreo}==>{Beng-Beng}
{Aqua,Oreo}==>{Wafer-Selamat}
{Aqua,Oreo}==>{Tim-Tam}
{Aqua,Oreo}==>{kacang-garuda}
{Aqua,Silver-Quin}==>{Beng-Beng}
{Aqua,Tim-Tam}==>{Oreo}
{Aqua,Tim-Tam}==>{kacang-garuda}
{Aqua,Wafer-Selamat}==>{Oreo}
{Aqua,Wafer-Selamat}==>{Beng-Beng}
{Aqua,Wafer-Selamat}==>{Chocolatos}
{Aqua,Wafer-Selamat}==>{kacang-garuda}
{Beng-Beng,Chocolatos}==>{Silver-Quin}
{Beng-Beng,Chocolatos}==>{Wafer-Selamat}
{Beng-Beng,Chocolatos}==>{Tim-Tam}
{Beng-Beng,Chocolatos}==>{kacang-garuda}
{Beng-Beng,kacang-garuda}==>{Silver-Quin}
{Beng-Beng,kacang-garuda}==>{Oreo}
{Beng-Beng,kacang-garuda}==>{Chocolatos}
{Beng-Beng,kacang-garuda}==>{WaferSelamat}
{Beng-Beng,kacang-garuda}==>{Tim-Tam}
{Beng-Beng,Tic-Tac}==>{Silver-Quin}
{Beng-Beng,Tic-Tac}==>{Chocolatos}
{Beng-Beng,Tic-Tac}==>{Wafer-Selamat}
{Beng-Beng,Tic-Tac}==>{Tim-Tam}
{Beng-Beng,Tic-Tac}==>{kacang-garuda}
{Beng-Beng,Tim-Tam}==>{Chocolatos}
{Beng-Beng,Tim-Tam}==>{Wafer-Selamat}
{Beng-Beng,Tim-Tam}==>{kacang-garuda}
Confidence
0.79167
0.79167
0.79167
0.79167
0.86364
0.8
0.76
0.8
0.8
0.79167
0.79167
0.79167
0.83333
0.86364
0.82609
0.86957
0.76
0.76
0.76
0.8
0.77778
0.85185
0.77778
0.77778
0.75
0.75
0.75
0.78571
0.82143
0.76
0.76
0.84
0.76
0.8
0.80769
0.80769
0.88462
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
{Beng-Beng,Wafer-Selamat}==>{Silver-Quin}
{Beng-Beng,Wafer-Selamat}==>{Chocolatos}
{Beng-Beng,Wafer-Selamat}==>{Tic-Tac}
{Beng-Beng,Wafer-Selamat}==>{Tim-Tam}
{Beng-Beng,Wafer-Selamat}==>{kacanggaruda}
{Chocolatos,kacang-garuda}==>{Oreo}
{Chocolatos,kacang-garuda}==>{Beng-Beng}
{Chocolatos,kacang-garuda}==>{WaferSelamat}
{Chocolatos,kacang-garuda}==>{Tim-Tam}
{Chocolatos,Tic-Tac}==>{Beng-Beng}
{Chocolatos,Tic-Tac}==>{Wafer-Selamat}
{Chocolatos,Tim-Tam}==>{Oreo}
{Chocolatos,Tim-Tam}==>{Beng-Beng}
{Chocolatos,Tim-Tam}==>{Wafer-Selamat}
{Chocolatos,Tim-Tam}==>{kacang-garuda}
{Chocolatos,Wafer-Selamat}==>{Beng-Beng}
{Chocolatos,Wafer-Selamat}==>{Tim-Tam}
{Chocolatos,Wafer-Selamat}==>{kacanggaruda}
{Hilo,Beng-Beng}==>{Silver-Quin}
{Hilo,Beng-Beng}==>{Wafer-Selamat}
{Hilo,Beng-Beng}==>{kacang-garuda}
{Hilo,kacang-garuda}==>{Beng-Beng}
{Hilo,kacang-garuda}==>{Wafer-Selamat}
{Hilo,Silver-Quin}==>{Beng-Beng}
{Hilo,Wafer-Selamat}==>{Beng-Beng}
{Hilo,Wafer-Selamat}==>{kacang-garuda}
{Oreo,Beng-Beng}==>{Silver-Quin}
{Oreo,Beng-Beng}==>{Chocolatos}
{Oreo,Beng-Beng}==>{Wafer-Selamat}
{Oreo,Beng-Beng}==>{kacang-garuda}
{Oreo,Chocolatos}==>{Beng-Beng}
{Oreo,Chocolatos}==>{Wafer-Selamat}
{Oreo,Chocolatos}==>{Tim-Tam}
{Oreo,Chocolatos}==>{kacang-garuda}
{Oreo,kacang-garuda}==>{Aqua}
{Oreo,kacang-garuda}==>{Beng-Beng}
{Oreo,kacang-garuda}==>{Wafer-Selamat}
{Oreo,kacang-garuda}==>{Tim-Tam}
{Oreo,Tim-Tam}==>{Aqua}
{Oreo,Tim-Tam}==>{Beng-Beng}
{Oreo,Tim-Tam}==>{Chocolatos}
{Oreo,Tim-Tam}==>{Wafer-Selamat}
0.75
0.82143
0.75
0.75
0.78571
0.76
0.84
0.84
0.88
0.90476
0.90476
0.76
0.84
0.88
0.88
0.85185
0.81481
0.77778
0.82609
0.82609
0.82609
0.82609
0.82609
0.86364
0.82609
0.82609
0.76923
0.76923
0.76923
0.80769
0.83333
0.83333
0.79167
0.79167
0.76923
0.80769
0.76923
0.80769
0.79167
0.79167
0.79167
0.79167
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
{Oreo,Tim-Tam}==>{kacang-garuda}
{Oreo,Wafer-Selamat}==>{Aqua}
{Oreo,Wafer-Selamat}==>{Beng-Beng}
{Oreo,Wafer-Selamat}==>{Chocolatos}
{Oreo,Wafer-Selamat}==>{Tim-Tam}
{Oreo,Wafer-Selamat}==>{kacang-garuda}
{Silver-Quin,Beng-Beng}==>{Oreo}
{Silver-Quin,Beng-Beng}==>{Chocolatos}
{Silver-Quin,Beng-Beng}==>{Wafer-Selamat}
{Silver-Quin,Beng-Beng}==>{kacang-garuda}
{Silver-Quin,Chocolatos}==>{Beng-Beng}
{Silver-Quin,Chocolatos}==>{Wafer-Selamat}
{Silver-Quin,kacang-garuda}==>{Beng-Beng}
{Silver-Quin,kacang-garuda}==>{WaferSelamat}
{Silver-Quin,kacang-garuda}==>{Tim-Tam}
{Silver-Quin,Oreo}==>{Beng-Beng}
{Silver-Quin,Tic-Tac}==>{Beng-Beng}
{Silver-Quin,Tim-Tam}==>{Beng-Beng}
{Silver-Quin,Tim-Tam}==>{kacang-garuda}
{Silver-Quin,Wafer-Selamat}==>{Beng-Beng}
{Silver-Quin,Wafer-Selamat}==>{Chocolatos}
{Silver-Quin,Wafer-Selamat}==>{kacanggaruda}
{Tic-Tac,kacang-garuda}==>{Beng-Beng}
{Tic-Tac,kacang-garuda}==>{Wafer-Selamat}
{Tic-Tac,kacang-garuda}==>{Tim-Tam}
{Tic-Tac,Tim-Tam}==>{Beng-Beng}
{Tic-Tac,Tim-Tam}==>{kacang-garuda}
{Tic-Tac}==>{Beng-Beng,Wafer-Selamat}
{Tim-Tam,kacang-garuda}==>{Oreo}
{Tim-Tam,kacang-garuda}==>{Beng-Beng}
{Tim-Tam,kacang-garuda}==>{Chocolatos}
{Tim-Tam,kacang-garuda}==>{Wafer-Selamat}
{Wafer-Selamat,kacang-garuda}==>{BengBeng}
{Wafer-Selamat,kacanggaruda}==>{Chocolatos}
{Wafer-Selamat,kacang-garuda}==>{Tim-Tam}
{Wafer-Selamat,Tic-Tac}==>{Beng-Beng}
{Wafer-Selamat,Tic-Tac}==>{Chocolatos}
{Wafer-Selamat,Tic-Tac}==>{kacang-garuda}
{Wafer-Selamat,Tim-Tam}==>{Beng-Beng}
{Wafer-Selamat,Tim-Tam}==>{Chocolatos}
{Wafer-Selamat,Tim-Tam}==>{kacang-garuda}
0.875
0.76
0.8
0.8
0.76
0.8
0.76923
0.80769
0.80769
0.80769
0.95455
0.86364
0.875
0.79167
0.79167
0.90909
0.95
0.90476
0.90476
0.875
0.79167
0.79167
0.86957
0.82609
0.82609
0.90476
0.90476
0.75
0.75
0.82143
0.78571
0.82143
0.78571
0.75
0.82143
0.875
0.79167
0.79167
0.80769
0.84615
0.88462
4-Itemsets
Berikut rule rule yang telah memenuhi syarat dengan confidence > 0.75:
Tabel 8 – 4 Itemset Rule Dengan Nilai Confidencenya
No
1
2
3
4
5
6
Rule
{Chocolatos,kacang-garuda}==>{Wafer-Selamat,Tim-Tam}
{Chocolatos,Tim-Tam,kacang-garuda}==>{Wafer-Selamat}
{Chocolatos,Tim-Tam}==>{Wafer-Selamat,kacang-garuda}
{Chocolatos,Wafer-Selamat,kacang-garuda}==>{Tim-Tam}
{Chocolatos,Wafer-Selamat,Tim-Tam}==>{kacang-garuda}
{Wafer-Selamat,Tim-Tam,kacang-garuda}==>{Chocolatos}
Confidence
0.76
0.86364
0.76
0.90476
0.86364
0.82609
D. KESIMPULAN
Kesimpulan yang dapat diambil dari berhasilnya perhitungan di atas adalah:
1. Algortima apriori dapat digunakan untuk menyelesaikan kasus kasus asosiasi pada data
mining.
2. Hasil akhir dari algoritma apriori adalah rule-rule yang dapat digunakan sebagai alat
penunjang keputusan.
Sedangkan kesimpulan yang dapat diambil dari rule-rule yang telah dihasilkan diatas adalah:
1. Pemilik Toko Kelontong X dapat meningkatkan pembelian/penyediaan stok pada barangbarang yang memiliki nilai support yang tinggi dan memadukannya sesuai dengan rulerule yang memiliki nilai confidence yang tinggi juga.
2. Pemilik Pemilik Toko Kelontong X dapat meningkatkan kualitas pelayanan dengan
meletakkan barang barang yang berada dalam satu rule, khususnya pada rule yang
memiliki nilai confidence yang tinggi, secara berdekatan sehingga dapat mempermudah
konsumen untuk mencari barang-barang yang ia butuhkan berdasarkan hasil pola yang
telah ditemukan dalam perhitungan diatas.
3. Rule-rule diatas juga bisa digunakan untuk membuat terobosan baru seperti pemberian
diskon pada pembelian sejumlah barang (2, 3 atau 4) pada rule yang memiliki nilai
confidence paling tinggi.
“IMPLEMENTASI ALGORITMA APRIORI UNTUK
KASUS ASOSIASI PADA DATA PENJUALAN TOKO
KELONTONG X”
Dosen Pembimbing: Hastari Utama, M. Cs
Mata Kuliah: Data Mining
STMIK AMIKOM YOGYAKARTA
2015
TUGAS AKHIR DATA MINING
“IMPLEMENTASI ALGORITMA APRIORI UNTUK
KASUS ASOSIASI PADA DATA PENJUALAN TOKO
KELONTONG X”
Dosen Pembimbing: Hastari Utama, M. Cs
Mata Kuliah: Data Mining
OLEH:
ANDREAN NURDIANSYAH (13.11.7063)
BAYU TRISNA PRATAMA (13.11.7056)
KHAFIF YASIR AL-FUADY (13.11.7057)
SUNU YOGISWARA (13.11.7106)
LALU MOHAMMAD AFIF FARHAN (13.11.7108)
STMIK AMIKOM YOGYAKARTA
2015
A. PENDAHULUAN
Persaingan dunia dagang saat ini telah mencapai masa yang luar biasa. Bukan lagi
mengikuti perkembangan para konsumen saja yang harus dilakukan saat ini, namun juga
sudah merambah ke arah prediksi masa depan tentang apa dan bagaimana penjualan di masa
mendatang bisa dioptimalkan hasilnya. Seorang manager sebuah perusahaan atau badan usaha
yang bergerak di bidang perdagangan dituntut untuk bisa mengerti kebutuhan konsumen dan
bagaimana cara melayani konsumen secara maksimal tanpa pernah sekalipun membiarkan
konsumen merasa kecewa atas pelayanan yang kurang memuaskan atau bahkan kecewa
karena barang yang dibutuhkan justru tidak ada. Kekurangan dan kesalahan sedikit saja saat
ini dapat menyebabkan konsumen beralih.
Oleh sebab itu, saat ini berbagai cara dilakukan untuk dapat melihat bagaimana
perilaku konsumen melalui data-data yang telah ada untuk kemudian memprediksi perilaku
mereka dikemudian hari. Hal ini bertujuan untuk mencegah adanya kesalahan dan kekurangan
dalam pelayanan dan penyediaan barang di masa yang akan datang yang juga akan sekaligus
meningkatkan kinerja pelayanan terhadap konsumen.
Untuk itulah data mining diperlukan. Data mining merupakan cabang ilmu
pengetahuan yang berguna untuk memilah-milah data demi mendapatkan informasi dari
sekumpulan data yang tanpa sebuah perhitungan akan bermakna sia-sia belaka. Salah satu dari
cabang ilmu data mining adalah kasus Asosiasi, dimana Asosiasi adalah teknik data mining
untuk menemukan aturan assosiatif antara suatu kombinasi item. Aturan asosiasi ini sangat
cocok untuk diterapkan dalam perdagangan sebagaimana kasus yang penulis ambil kali ini
yaitu analisa data belanja konsumen pada Toko Kelontong X. Dengan asosiasi, hubungan
antara item-item yang dibeli pelanggan dapat didapatkan secara rinci.
Salah satu algoritma yang bisa digunakan dalam menemukan aturan asosiasi adalah
algoritma apriori. Apa dan bagaimana algoritma ini akan diuraikan pada bagian selanjutnya.
Diharapkan dengan penggunaan algoritma ini maka dapat diperoleh informasi penting
mengenai pola perilaku pembelian barang oleh konsumen, sehingga kedepannya dapat
dilakukan tindakan-tindakan untuk meningkatkan kualitas pelayanan terhadap konsumen.
B. LANDASAN TEORI
1. Analisis Asosiasi dan Aturan Asosiasi
Salah satu bentuk pola yang dapat dihasilkan data mining adalah aturan asosiasi
(association rule). Association Rule dapat digunakan untuk menemukan: hubungan atau
sebab akibat. Association rule memiliki bentuk LHS RHS dengan interpretasi bahwa jika
setiap item dalam LHS (Left Hand Side) dibeli, maka item dalam RHS (Right Hand Side)
juga dibeli. Association rule dapat dihasilkan dengan Algoritma Apriori. Salah satu
penggunaan Association rule adalah mendukung pengambilan keputusan dalam bidang
pemasaran, misalnya untuk mengetahui pola pembelian pelanggan, penentuan tata letak
barang dan lain-lain.
Analisis asosiasi atau association rule mining adalah teknik data mining untuk
menemukan aturan asosiatif antara suatu kombinasi item. Contoh dari aturan assosiatif dari
analisa pembelian di suatu pasar swalayan adalah dapat diketahuinya berapa besar
kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan
pengetahuan tersebut pemilik pasar swalayan dapat mengatur penempatan barangnya atau
merancang kampanye pemasaran dengan memakai kupon diskon untuk kombinasi barang
tertentu. Karena analisis asosiasi menjadi terkenal karena aplikasinya untuk menganalisa
isi keranjang belanja di pasar swalayan, analisis asosiasi juga sering disebut dengan istilah
market basket analysis.
Association rule memerlukan suatu variable ukuran yang ditentukan sendiri oleh
user untuk menentukan batasan sejauh mana atau sebanyak apa output yang diinginkan
user. Untuk itulah diadakan nilai Support dan Confidence. Support dan confidence adalah
sebuah ukuran kepercayaan dan kegunaan suatu pola yang telah ditemukan.
2. Algoritma Apriori
Algoritma Apriori adalah salah satu algoritma yang melakukan pencarian frequent
itemset dengan menggunakan teknik association rule. Algoritma Apriori menggunakan
pengetahuan frekuensi atribut yang telah diketahui sebelumnya untuk memproses
informasi selanjutnya. Pada algoritma Apriori ditentukan kandidat yang mungkin muncul
dengan cara memperhatikan minimum support dan minimum confidence. Support adalah
nilai pengunjung atau persentase kombinasi sebuah item dalam database. Sedangkan
confidence adalah nilai kepastian, yaitu kuatnya hubungan antar item dalam sebuah
Apriori. Confidence dapat dicari setelah pola frekuensi munculnya sebuah item
ditemukan.
C. STUDI KASUS
Diperoleh sebuah data penjualan di Toko Kelontong X seperti berikut ini:
Gambar 1 – Data Penjualan di Toko Kelontong X
Dengan detail untuk setiap barangnya ada pada tabel berikut ini:
Tabel 1 – Detail Nama Barang
No Items
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Keterangan
Indomie
Ultramilk
Sari Rot
Hilo
Aqua
Silver Quin
Oreo
Beng Beng
Chocolatos
Wafer Selamat
Pilus Garuda
Tic Tac
Tim Tam
kacang garuda
Kita akan mencari aturan-aturan asosiasi dengan algoritma apriori. Min. Support yang
digunakan adalah 19 transaksi. Sedangkan Min. Confidence nya adalah 75% atau 0.75. Dari
situ kita akan melihat item apa sajakah yang layak untuk masuk ke dalam iterasi selanjutnya.
Tabel 2 – 1 Itemset dengan Supportnya
Item
Indomie
Ultramilk
Sari Rot
Hilo
Aqua
Silver Quin
Oreo
Beng Beng
Chocolatos
Wafer Selamat
Pilus Garuda
Tic Tac
Tim Tam
kacang garuda
Support
11
17
23
27
30
29
31
34
31
34
24
26
29
29
Dari tabel diatas maka yang bisa masuk kedalam iterasi selanjutnya adalah: Sari Roti, Hilo,
Aqua, Silver Quin, Oreo, Beng Beng, Chocolatos, Wafer Selamat, Pilus Garuda, Tic Tac, Tim
Tam, dan kacang garuda.
Iterasi 1
Pada iterasi 1 dilakukan kombinasi antar 1 item yang sudah ada sebelumnya. Dari hasil
kombinasi itu diperoleh beberapa kombinasi yang memenuhi minimum support seperti dalam
tabel berikut:
Tabel 3 – 2 Itemset dengan Supportnya
N
o
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
Kombinasi
Aqua, Oreo
Aqua, Beng Beng
Aqua, Wafer Selamat
Aqua, Tim-Tam
Aqua, Kacang Garuda
Beng Beng, Silver Quin
Beng Beng, Oreo
Beng Beng, Chocolatos
Beng Beng, Wafer
Selamat
Beng Beng, Tim Tam
Beng Beng, Kacang
Garuda
Chocolatos, Oreo
Chocolatos, Wafer
Selamat
Chocolatos, Kacang
Garuda
Chocolatos, Tim Tam
Hilo, Silver Quin
Hilo, Oreo
Hilo, Beng Beng
Hilo, Wafer Selamat
Hilo, Kacang Garuda
Kacang garuda, Oreo
Kacang garuda, Wafer
Selamat
Kacang garuda, Tim
Tam
Support
No
Kombinasi
24
24
25
23
25
26
26
27
26
27
28
29
30
31
32
33
Pilus Garuda, Aqua
Pilus Garuda, Beng Beng
Pilus Garuda, Wafer Selamat
Pilus Garuda, Tic Tac
Sari Roti, Aqua
Sari Roti, Chocolatos
Sari Roti, Wafer Selamat
Silver Quin, Aqua
20
19
22
19
19
20
19
22
Silver Quin, Oreo
22
Silver Quin, Beng Beng
26
Silver Quin, Chocolatos
22
Silver Quin, Wafer Selamat
24
Silver Quin, Kacang Garuda
24
Tic Tac, Beng Ben
25
Tic Tac, Chocolatos
Tic Tac, Wafer Selamat
Tic Tac, Tim Tam
Tic Tac, Kacang Garuda
Tim Tam, Wafer Selamat
21
24
21
23
26
28
26
28
24
27
25
25
22
21
23
23
23
26
28
28
34
35
36
37
38
39
40
41
42
43
44
Support
24
25
Oreo, Wafer Selamat
Oreo, Tim Tam
25
24
Item item dari tabel di atas akan disilangkan dalam iterasi ke dua.
Iterasi 2
Pada iterasi dilakukan kombinasi antar 2 itemset yang sudah ada sebelumnya. Dari hasil
kombinasi itu diperoleh beberapa kombinasi 3 itemset yang memenuhi minimum support
seperti dalam tabel berikut:
Tabel 4 – 3 Itemset dengan Supportnya
No
1
2
3
Kombinasi
Support
Aqua, Beng Beng, Silver Quin
19
Aqua, Beng Beng, Oreo
19
Aqua, Beng Beng, Wafer-Selamat
19
Aqua, Beng Beng, Kacang Garuda
19
4
5
6
9
10
11
12
13
14
15
45
46
47
48
Aqua, Chocolatos, Wafer Selamat
19
Aqua, Kacang Garuda, Oreo
20
Aqua, Kacang Garuda, Wafer
7 Selamat
8
No
20
Aqua, Kacang Garuda, Tim Tam
20
Aqua, Oreo, Wafer Selamat
19
Aqua, Oreo, Tim Tam
19
Beng Beng, Chocolatos, Silver
Quin
Beng Beng, Chocolatos, Wafer
Selamat
Beng Beng, Chocolatos, Tim Tam
Beng Beng, Chocolatos, Kacang
Garuda
Beng Beng, Kacang Garuda, Silver
21
23
21
21
21
49
50
51
52
53
54
Kombinasi
Oreo, Tim Tam, Beng
Ben
Oreo, Tim Tam, Wafer
Selamat
Oreo, Wafer Selamat,
Beng Beng
Silver Quin,
Chocolatos, Wafer
Selamat
Silver Quin, Kacang
Garuda, Wafer Selamat
Silver Quin, Kacang
Garuda, Tim Tam
Silver Quin, Tim Tam,
Beng Beng
Tic Tac, Kacang
Garuda, Wafer Selamat
Tic Tac, Kacang
Garuda, Tim Tam
Tim Tam, Kacang
Garuda, Wafer Selamat
Support
19
19
20
19
19
19
19
23
19
23
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
Quin
Beng Beng, Kacang Garuda, Oreo
Beng Beng, Kacang Garuda, Wafer
Selamat
Beng Beng, Kacang Garuda, Tim
Tam
Beng Beng, Tic Tac, Silver Quin
Beng Beng, Tic Tac, Chocolatos
Beng Beng, Tic Tac, Wafer Selamat
Beng Beng, Tic Tac, Tim Tam
Beng Beng, Tic Tac, Kacang
Garuda
Beng Beng, Tim Tam, Wafer
Selamat
Beng Beng, Wafer Selamat, Silver
Quin
Chocolatos, Kacang Garuda, Oreo
Chocolatos, Kacang Garuda, Wafer
Selamat
Chocolatos, Kacang Garuda, Tim
Tam
Chocolatos, Tic Tac, Wafer Selamat
Chocolatos, Tim Tam, Oreo
Chocolatos, Tim Tam, Wafer
Selamat
Chocolatos, Tim Tam, Kacang
Garuda
Chocolatos, Wafer Selamat, Tim
Tam
Chocolatos, Wafer Selamat, Kacang
Garuda
Hilo, Beng Beng, Silver Quin
Hilo, Beng Beng, Wafer Selamat
Hilo, Beng Beng, Kacang Garuda
Hilo, Kacang Garuda, Wafer
Selamat
Oreo, Beng Beng, Silver Quin
Oreo, Beng Beng, Chocolatos
Oreo, Chocolatos, Beng Beng
Oreo, Chocolatos, Wafer Selamat
Oreo, Kacang Garuda, Wafer
Selamat
Oreo, Kacang Garuda, Tim Tam
21
22
23
19
19
22
19
20
21
21
19
21
22
19
19
22
22
22
21
19
19
19
19
20
20
20
20
20
21
Item item dari tabel di atas akan disilangkan dalam iterasi ke tiga.
Iterasi 3
Pada iterasi 3 dilakukan kombinasi antar 3 itemset yang sudah ada sebelumnya. Dari hasil
kombinasi itu diperoleh beberapa kombinasi 4 itemset yang memenuhi minimum support
seperti dalam tabel berikut:
Tabel 5 – 4 Itemset dengan Supportnya
No
Kombinasi
1 Chocolatos, Kacang Garuda, Wafer Selamat, Tim Tam
Support
19
Karena hasilnya hanya satu maka kita tidak bisa melanjutkan ke iterasi selanjutnya. Iterasi
berhenti dengan menghasilkan 4 itemset.
Mendapatkan Rule
Selanjutnya akan dilakukan proses untuk mendapatkan rule-rule nya. Kita akan menggunakan
angka minimum confidence yang biasa digunakan yaitu: 0.75 atau 75%.
2-Itemsets
Berikut rule rule yang telah memenuhi syarat dengan confidence > 0.75:
Tabel 6 – 2 Itemset Rule Dengan Nilai Confidencenya
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Rule
{Aqua}==>{Oreo}
{Aqua}==>{Beng-Beng}
{Aqua}==>{Wafer-Selamat}
{Aqua}==>{Tim-Tam}
{Aqua}==>{kacang-garuda}
{Beng-Beng}==>{Silver-Quin}
{Beng-Beng}==>{Oreo}
{Beng-Beng}==>{Chocolatos}
{Beng-Beng}==>{Wafer-Selamat}
{Beng-Beng}==>{Tim-Tam}
{Beng-Beng}==>{kacang-garuda}
{Chocolatos}==>{Oreo}
{Chocolatos}==>{Beng-Beng}
{Chocolatos}==>{Wafer-Selamat}
Confidence
0.8
0.8
0.83333
0.76667
0.83333
0.76471
0.76471
0.79412
0.82353
0.76471
0.82353
0.77419
0.87097
0.87097
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
{Chocolatos}==>{Tim-Tam}
{Chocolatos}==>{kacang-garuda}
{Hilo}==>{Silver-Quin}
{Hilo}==>{Oreo}
{Hilo}==>{Beng-Beng}
{Hilo}==>{Wafer-Selamat}
{Hilo}==>{kacang-garuda}
{kacang-garuda}==>{Oreo}
{kacang-garuda}==>{Beng-Beng}
{kacang-garuda}==>{Wafer-Selamat}
{kacang-garuda}==>{Tim-Tam}
{Oreo}==>{Aqua}
{Oreo}==>{Beng-Beng}
{Oreo}==>{Chocolatos}
{Oreo}==>{Wafer-Selamat}
{Oreo}==>{Tim-Tam}
{Oreo}==>{kacang-garuda}
{Pilus-Garuda}==>{Aqua}
{Pilus-Garuda}==>{Beng-Beng}
{Pilus-Garuda}==>{Wafer-Selamat}
{Pilus-Garuda}==>{Tic-Tac}
{Sari-Roti}==>{Aqua}
{Sari-Roti}==>{Chocolatos}
{Sari-Roti}==>{Wafer-Selamat}
{Silver-Quin}==>{Hilo}
{Silver-Quin}==>{Aqua}
{Silver-Quin}==>{Oreo}
{Silver-Quin}==>{Beng-Beng}
{Silver-Quin}==>{Chocolatos}
{Silver-Quin}==>{Wafer-Selamat}
{Silver-Quin}==>{kacang-garuda}
{Tic-Tac}==>{Beng-Beng}
{Tic-Tac}==>{Chocolatos}
{Tic-Tac}==>{Wafer-Selamat}
{Tic-Tac}==>{Tim-Tam}
{Tic-Tac}==>{kacang-garuda}
{Tim-Tam}==>{Oreo}
{Tim-Tam}==>{Beng-Beng}
{Tim-Tam}==>{Chocolatos}
{Tim-Tam}==>{kacang-garuda}
0.80645
0.80645
0.81481
0.77778
0.85185
0.85185
0.85185
0.76471
0.82353
0.82353
0.82353
0.77419
0.83871
0.77419
0.80645
0.77419
0.83871
0.83333
0.79167
0.91667
0.79167
0.82609
0.86957
0.82609
0.75862
0.75862
0.75862
0.89655
0.75862
0.82759
0.82759
0.89286
0.75
0.85714
0.75
0.82143
0.77419
0.83871
0.80645
0.90323
3-Itemsets
Berikut rule rule yang telah memenuhi syarat dengan confidence > 0.75:
Tabel 7 – 3 Itemset Rule Dengan Nilai Confidencenya
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
Rule
{Aqua,Beng-Beng}==>{Silver-Quin}
{Aqua,Beng-Beng}==>{Oreo}
{Aqua,Beng-Beng}==>{Wafer-Selamat}
{Aqua,Beng-Beng}==>{kacang-garuda}
{Aqua,Chocolatos}==>{Wafer-Selamat}
{Aqua,kacang-garuda}==>{Oreo}
{Aqua,kacang-garuda}==>{Beng-Beng}
{Aqua,kacang-garuda}==>{Wafer-Selamat}
{Aqua,kacang-garuda}==>{Tim-Tam}
{Aqua,Oreo}==>{Beng-Beng}
{Aqua,Oreo}==>{Wafer-Selamat}
{Aqua,Oreo}==>{Tim-Tam}
{Aqua,Oreo}==>{kacang-garuda}
{Aqua,Silver-Quin}==>{Beng-Beng}
{Aqua,Tim-Tam}==>{Oreo}
{Aqua,Tim-Tam}==>{kacang-garuda}
{Aqua,Wafer-Selamat}==>{Oreo}
{Aqua,Wafer-Selamat}==>{Beng-Beng}
{Aqua,Wafer-Selamat}==>{Chocolatos}
{Aqua,Wafer-Selamat}==>{kacang-garuda}
{Beng-Beng,Chocolatos}==>{Silver-Quin}
{Beng-Beng,Chocolatos}==>{Wafer-Selamat}
{Beng-Beng,Chocolatos}==>{Tim-Tam}
{Beng-Beng,Chocolatos}==>{kacang-garuda}
{Beng-Beng,kacang-garuda}==>{Silver-Quin}
{Beng-Beng,kacang-garuda}==>{Oreo}
{Beng-Beng,kacang-garuda}==>{Chocolatos}
{Beng-Beng,kacang-garuda}==>{WaferSelamat}
{Beng-Beng,kacang-garuda}==>{Tim-Tam}
{Beng-Beng,Tic-Tac}==>{Silver-Quin}
{Beng-Beng,Tic-Tac}==>{Chocolatos}
{Beng-Beng,Tic-Tac}==>{Wafer-Selamat}
{Beng-Beng,Tic-Tac}==>{Tim-Tam}
{Beng-Beng,Tic-Tac}==>{kacang-garuda}
{Beng-Beng,Tim-Tam}==>{Chocolatos}
{Beng-Beng,Tim-Tam}==>{Wafer-Selamat}
{Beng-Beng,Tim-Tam}==>{kacang-garuda}
Confidence
0.79167
0.79167
0.79167
0.79167
0.86364
0.8
0.76
0.8
0.8
0.79167
0.79167
0.79167
0.83333
0.86364
0.82609
0.86957
0.76
0.76
0.76
0.8
0.77778
0.85185
0.77778
0.77778
0.75
0.75
0.75
0.78571
0.82143
0.76
0.76
0.84
0.76
0.8
0.80769
0.80769
0.88462
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
{Beng-Beng,Wafer-Selamat}==>{Silver-Quin}
{Beng-Beng,Wafer-Selamat}==>{Chocolatos}
{Beng-Beng,Wafer-Selamat}==>{Tic-Tac}
{Beng-Beng,Wafer-Selamat}==>{Tim-Tam}
{Beng-Beng,Wafer-Selamat}==>{kacanggaruda}
{Chocolatos,kacang-garuda}==>{Oreo}
{Chocolatos,kacang-garuda}==>{Beng-Beng}
{Chocolatos,kacang-garuda}==>{WaferSelamat}
{Chocolatos,kacang-garuda}==>{Tim-Tam}
{Chocolatos,Tic-Tac}==>{Beng-Beng}
{Chocolatos,Tic-Tac}==>{Wafer-Selamat}
{Chocolatos,Tim-Tam}==>{Oreo}
{Chocolatos,Tim-Tam}==>{Beng-Beng}
{Chocolatos,Tim-Tam}==>{Wafer-Selamat}
{Chocolatos,Tim-Tam}==>{kacang-garuda}
{Chocolatos,Wafer-Selamat}==>{Beng-Beng}
{Chocolatos,Wafer-Selamat}==>{Tim-Tam}
{Chocolatos,Wafer-Selamat}==>{kacanggaruda}
{Hilo,Beng-Beng}==>{Silver-Quin}
{Hilo,Beng-Beng}==>{Wafer-Selamat}
{Hilo,Beng-Beng}==>{kacang-garuda}
{Hilo,kacang-garuda}==>{Beng-Beng}
{Hilo,kacang-garuda}==>{Wafer-Selamat}
{Hilo,Silver-Quin}==>{Beng-Beng}
{Hilo,Wafer-Selamat}==>{Beng-Beng}
{Hilo,Wafer-Selamat}==>{kacang-garuda}
{Oreo,Beng-Beng}==>{Silver-Quin}
{Oreo,Beng-Beng}==>{Chocolatos}
{Oreo,Beng-Beng}==>{Wafer-Selamat}
{Oreo,Beng-Beng}==>{kacang-garuda}
{Oreo,Chocolatos}==>{Beng-Beng}
{Oreo,Chocolatos}==>{Wafer-Selamat}
{Oreo,Chocolatos}==>{Tim-Tam}
{Oreo,Chocolatos}==>{kacang-garuda}
{Oreo,kacang-garuda}==>{Aqua}
{Oreo,kacang-garuda}==>{Beng-Beng}
{Oreo,kacang-garuda}==>{Wafer-Selamat}
{Oreo,kacang-garuda}==>{Tim-Tam}
{Oreo,Tim-Tam}==>{Aqua}
{Oreo,Tim-Tam}==>{Beng-Beng}
{Oreo,Tim-Tam}==>{Chocolatos}
{Oreo,Tim-Tam}==>{Wafer-Selamat}
0.75
0.82143
0.75
0.75
0.78571
0.76
0.84
0.84
0.88
0.90476
0.90476
0.76
0.84
0.88
0.88
0.85185
0.81481
0.77778
0.82609
0.82609
0.82609
0.82609
0.82609
0.86364
0.82609
0.82609
0.76923
0.76923
0.76923
0.80769
0.83333
0.83333
0.79167
0.79167
0.76923
0.80769
0.76923
0.80769
0.79167
0.79167
0.79167
0.79167
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
{Oreo,Tim-Tam}==>{kacang-garuda}
{Oreo,Wafer-Selamat}==>{Aqua}
{Oreo,Wafer-Selamat}==>{Beng-Beng}
{Oreo,Wafer-Selamat}==>{Chocolatos}
{Oreo,Wafer-Selamat}==>{Tim-Tam}
{Oreo,Wafer-Selamat}==>{kacang-garuda}
{Silver-Quin,Beng-Beng}==>{Oreo}
{Silver-Quin,Beng-Beng}==>{Chocolatos}
{Silver-Quin,Beng-Beng}==>{Wafer-Selamat}
{Silver-Quin,Beng-Beng}==>{kacang-garuda}
{Silver-Quin,Chocolatos}==>{Beng-Beng}
{Silver-Quin,Chocolatos}==>{Wafer-Selamat}
{Silver-Quin,kacang-garuda}==>{Beng-Beng}
{Silver-Quin,kacang-garuda}==>{WaferSelamat}
{Silver-Quin,kacang-garuda}==>{Tim-Tam}
{Silver-Quin,Oreo}==>{Beng-Beng}
{Silver-Quin,Tic-Tac}==>{Beng-Beng}
{Silver-Quin,Tim-Tam}==>{Beng-Beng}
{Silver-Quin,Tim-Tam}==>{kacang-garuda}
{Silver-Quin,Wafer-Selamat}==>{Beng-Beng}
{Silver-Quin,Wafer-Selamat}==>{Chocolatos}
{Silver-Quin,Wafer-Selamat}==>{kacanggaruda}
{Tic-Tac,kacang-garuda}==>{Beng-Beng}
{Tic-Tac,kacang-garuda}==>{Wafer-Selamat}
{Tic-Tac,kacang-garuda}==>{Tim-Tam}
{Tic-Tac,Tim-Tam}==>{Beng-Beng}
{Tic-Tac,Tim-Tam}==>{kacang-garuda}
{Tic-Tac}==>{Beng-Beng,Wafer-Selamat}
{Tim-Tam,kacang-garuda}==>{Oreo}
{Tim-Tam,kacang-garuda}==>{Beng-Beng}
{Tim-Tam,kacang-garuda}==>{Chocolatos}
{Tim-Tam,kacang-garuda}==>{Wafer-Selamat}
{Wafer-Selamat,kacang-garuda}==>{BengBeng}
{Wafer-Selamat,kacanggaruda}==>{Chocolatos}
{Wafer-Selamat,kacang-garuda}==>{Tim-Tam}
{Wafer-Selamat,Tic-Tac}==>{Beng-Beng}
{Wafer-Selamat,Tic-Tac}==>{Chocolatos}
{Wafer-Selamat,Tic-Tac}==>{kacang-garuda}
{Wafer-Selamat,Tim-Tam}==>{Beng-Beng}
{Wafer-Selamat,Tim-Tam}==>{Chocolatos}
{Wafer-Selamat,Tim-Tam}==>{kacang-garuda}
0.875
0.76
0.8
0.8
0.76
0.8
0.76923
0.80769
0.80769
0.80769
0.95455
0.86364
0.875
0.79167
0.79167
0.90909
0.95
0.90476
0.90476
0.875
0.79167
0.79167
0.86957
0.82609
0.82609
0.90476
0.90476
0.75
0.75
0.82143
0.78571
0.82143
0.78571
0.75
0.82143
0.875
0.79167
0.79167
0.80769
0.84615
0.88462
4-Itemsets
Berikut rule rule yang telah memenuhi syarat dengan confidence > 0.75:
Tabel 8 – 4 Itemset Rule Dengan Nilai Confidencenya
No
1
2
3
4
5
6
Rule
{Chocolatos,kacang-garuda}==>{Wafer-Selamat,Tim-Tam}
{Chocolatos,Tim-Tam,kacang-garuda}==>{Wafer-Selamat}
{Chocolatos,Tim-Tam}==>{Wafer-Selamat,kacang-garuda}
{Chocolatos,Wafer-Selamat,kacang-garuda}==>{Tim-Tam}
{Chocolatos,Wafer-Selamat,Tim-Tam}==>{kacang-garuda}
{Wafer-Selamat,Tim-Tam,kacang-garuda}==>{Chocolatos}
Confidence
0.76
0.86364
0.76
0.90476
0.86364
0.82609
D. KESIMPULAN
Kesimpulan yang dapat diambil dari berhasilnya perhitungan di atas adalah:
1. Algortima apriori dapat digunakan untuk menyelesaikan kasus kasus asosiasi pada data
mining.
2. Hasil akhir dari algoritma apriori adalah rule-rule yang dapat digunakan sebagai alat
penunjang keputusan.
Sedangkan kesimpulan yang dapat diambil dari rule-rule yang telah dihasilkan diatas adalah:
1. Pemilik Toko Kelontong X dapat meningkatkan pembelian/penyediaan stok pada barangbarang yang memiliki nilai support yang tinggi dan memadukannya sesuai dengan rulerule yang memiliki nilai confidence yang tinggi juga.
2. Pemilik Pemilik Toko Kelontong X dapat meningkatkan kualitas pelayanan dengan
meletakkan barang barang yang berada dalam satu rule, khususnya pada rule yang
memiliki nilai confidence yang tinggi, secara berdekatan sehingga dapat mempermudah
konsumen untuk mencari barang-barang yang ia butuhkan berdasarkan hasil pola yang
telah ditemukan dalam perhitungan diatas.
3. Rule-rule diatas juga bisa digunakan untuk membuat terobosan baru seperti pemberian
diskon pada pembelian sejumlah barang (2, 3 atau 4) pada rule yang memiliki nilai
confidence paling tinggi.