Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
IMPLEMENTASI ASSOCIATION RULE TERHADAP PENYUSUNAN
LAYOUT MAKANAN DAN PENENTUAN PAKET MAKANAN HEMAT
DI RM ROSO ECHO DENGAN ALGORITMA APRIORI
Elsa Widiati, S,Kom.1 , Kania Evita Dewi, S.Pd., M.Si
2 Teknik Informatika-UNIKOM
Jl. Dipatiukur 112-114 Bandung
E-mail : elsawidiati@yahoo.com1 , kaniae_dewi@yahoo.com
2 ABSTRAK
Penyusunan makan disuatu rumah makan yang menggunakan pelayanan tipe prasmanan sangat mempengaruhi antrian pembeli, ini dapat dilihat di RM. Roso Echo. Penyusunan makanan yang masih dilakukan pada rumah makan tersebut secara acak yang mengakibatkan panjangnya antrian calon pembeli yang dapat mempengaruhi kepuasan calon pembeli terhadap pelayanan. Maka diperlukan analisis tentang penyusunan makanan dan penyusunan paket hemat. Data mining merupakan suatu teknik untuk menggali suatu informasi yang tersembunyi dari suatu kumpulan data. Adapun salah satu metode data mining yang digunakan dalam penelitian ini adalah metode association rule . Association rule merupakan salah satu teknik data mining yang berfungsi untuk menemukan hubungan antar variabel yang ada didalam suatu data transaksi.
Hasil dari penelitian ini berupa suatu aplikasi yang mampu memberikan informasi kepada pihak pengelola RM.Roso Echo mengenai susunan layout makanan dan paket makanan hemat yang dapat diterapkan. Dan berdasarkan hasil pengujian eksperimental yang telah dilakukan dengan membandingkan hasil yang didapat antara sistem dengan perhitungan excel didapatkan suatu informasi mengenai layout makanan dan paket makanan hemat yang sama.
Kata Kunci: roso echo, data mining, association
rule, analisis, metode eksperimental 1.
PENDAHULUAN
Rumah Makan Roso Echo adalah sebuah rumah makan yang pertama dan satu-satunya di wilayah Cirebon yang menawarkan masakan dan nuansa rumah makan khas jawa. Dalam sistem pelayanannya RM. Roso Echo ini menerapkan konsep prasmanan, sehingga konsumen dapat mengambil sendiri makanan yang disajikan di meja prasmanan sesuai dengan kebutuhan dan keinginan konsumen, tanpa harus menunggu makanan disajikan. Namun dalam penyusunan layout makanannya, RM. Roso Echo ini masih melakukannya secara acak dan belum sesuai dengan pola kebiasaan konsumen dalam mengambil makanan, sehingga dapat mengurangi kenyamanan dan kepuasan konsumen terhadap RM. Roso Echo yang dapat berdampak pada pendapatan pihak pengelola RM. Roso Echo menjadi tidak maksimal. Selain itu, di RM. Roso Echo ini belum terdapat paket makanan hemat yang dapat ditawarkan kepada konsumen guna meminimalisir terjadinya antrian panjang pada waktu-waktu tertentu setiap harinya, terutama pada waktu makan siang. Data mining merupakan suatu teknik untuk menggali suatu informasi yang tersembunyi dari suatu kumpulan data. Adapun salah satu metode data mining yang digunakan dalam penelitian ini adalah metode association rule . Association rule merupakan salah satu teknik data mining yang berfungsi untuk menemukan hubungan antar variabel yang ada didalam suatu data transaksi. Tujuan penelitian ini adalah untuk menerapkan data mining untuk mendapatkan susunan makan yang sesuai dengan kebiasaan pembeli dan susunan paket hemat yang mungkin dibentuk.
2. ISI PENELITIAN
2.1 Landasan Teori 2.1.1. Data mining Data mining adalah serangkaian proses untuk
menggali nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari suatu basis data dengan melakukan penggalian pola-pola dari data dengan tujuan untuk memanipulasi data menjadi informasi yang lebih berharga, yang diperoleh dengan cara mengekstraksi dan mengenali pola yang penting atau menarik dari data yang terdapat dalam basis data.
Data mining juga dikenal dengan nama Knowledge Discovery (mining) in Database (KDD),
ektraksi pengetahuan (knowledge extraction). Secara umum, definisi data mining dapat diartikan sebagai berikut [4]:
1. Proses penemuan pola yang menarik dari data yang tersimpan dalam jumlah besar.
2.1.2. Konsep Data mining
hardware¸
7. Kemudahan untuk dimengerti Jika data tidak dalam kualitas seperti yang telah diuraikan diatas, maka kualitas analisis data
6. Mempunyai nilai tambah
5. Bisa dipervaya
4. Relevan
3. Konsisten
2. Lengkap
1. Akurat
Selain itu, perbedaan ini muncul karena pelanggaran terhadap fungsional dependency, misalnya melakukan perubahan pada data yang terhubung dengan data lain. Padahal data yang bisa diterima untuk bisa diproses menjadi informasi atau knowledge adalah data yang mempunyai kualitas diantaranya :
Contoh : umur = “42” dan ulang tahun = “02/10/1981” Masalah ini muncul karena perbedaan sumber data, karena pada data mining data didapatkan dari banyak sumber dan sangat mungkin terdapat perbedaan persepsi pengolahan data.
3. Inconsisten: mengandung nilai yang saling bertentangan.
Contoh : gaji “-100” Timbul karena kesalahan entry oleh manusia atau komputer error, atau karena terdapat kesalahan ketika proses pengiriman data.
2. Noisy: mengandung error atau merupakan value yang tidak wajar.
atau software .
Incomplete: tidak lengkapnya nilai suatu atribut, tidak lengkapnya atribut-atribut yang penting, atau hanya mempunyai data yang merupakan rekapitulasi. Contoh: pekerjaan = “ ” Hal tersebut dapat disebabkan oleh perbedaan kebijakan ketika dapat tersebut dianalisa, bisa juga disebabkan oleh permasalahan yang ditimbulkan oleh manusia,
2. Ekstraksi dari suatu informasi yang berguna atau menarik (non-trivial, implisit, sebelumnya belum diketahui potensian kegunaannya) pola atau pengetahuan dari data yang di simpan dalam jumlah besar.
Tahapan dalam melakukan data mining salah satunya adalah preprocessing data. Tahapan ini biasanya diperlukan karena data yang akan digunakan belum baik, yang disebabkan oleh beberapa faktor berikut ini [5]: 1.
2.1.3. Tahapan Data Mining
8. Knowledge presentation yaitu gambaran teknik visualisasi dan pengetahuan digunakan untuk memberikan pengetahuan yang telah ditambah kepada user.
7. Pattern evolution yaitu untuk mengidentifikasi pola yang benar-benar menarik yang mewakili pengetahuan berdasarkan atas beberapa tindakan yang menarik.
6. Knowledge Discovery yaitu proses esential dimana metode yang intelejen digunakan untuk mengekstrak pola data.
5. Data mining yaitu proses esensial dimana metode yang intelejen digunakan untuk mengekstrak pola data.
4. Data transformation yaitu data berubah atau bersatu menjadi bentuk yang tepat untuk menambang dengan ringkasan performa atau operasi agresi.
3. Data selection yaitu data yang relevan dengan tugas analisis dikembalikan ke dalam database untuk proses data mining. bermakna. Hal tersebut harus dihindarkan karena hasil analisa yang salah dapat berujung pada solusi yang salah. Untuk itu, perlu dilakukan preprocessing data yang bertujuan agar membuat data menjadi lebih berkualitas. Adapun tahapan-tahapannya adalah sebagai berikut:
Gambar 1. Konsep Data Mining 1. Data cleaning yaitu untuk menghilangkan noise data yang tidak konsisten.
dibutuhkan dalam industri informasi karena tersedianya data dalam jumlah yang besar dan semakin besarnya kebutuhan untuk mengubah data tersebut menjadi informasi dan pengetahuan yang berguna karena sesuai fokus bidang ilmu ini yaitu melakukan kegiatan mengekstraksi atau menambang pengetahuan dari data yang berukuran atau berjumlah besar. Informasi inilah yang nantinya sangat berguna untuk pengembangan. Berikut adalah langkah-langkah dalam data mining [4]:
data mining. Alasan utama data mining sangat
mengelola data yang sangat besar untuk memudahkan aktifitas recording suatu transaksi dan untuk proses data warehousing agar dapat memberikan informasi yang akurat bagi pengguna
Data mining sangat diperlukan terutama dalam
Eksplorasi dari analisa secara otomatis atau semiotomatis terhadap data-data dalam jumlah besar untuk mencari pola dan aturan yang berarti.
2. Data integration yaitu menggabungkan beberapa file atau database.
1. Data Cleaning: mengisi/mengganti nilai-nilai yang hilang, menghaluskan data yang noisy, mengidentifikasi dan menghilangkan data yang tidak wajar, dan menyelesaikan masalah
inconsistensi data.
2. Data Integration: menggabungkan beberapa
database dan file menjadi satu sehingga didapatkan sumber data yang besar.
3. Data Transformation: normalisasi dan agregasi data.
4. Data Reduction: mengurangi volume data namun tetap mempertahankan arti dalam hal hasil analisis data.
5. Data Discretization: merupakan bagian dari data reduction dengan memperhitungkan data yang signifikan, khususnya pada data numerik.
(2) Sedangkan confidence adalah nilai kepastian yaitu kuatnya hubungan antar item dalam sebuah apriori. Confidence dapat dicari setelah pola frekuensi menculnya sebuah item ditemukan. Rumus untuk menghitung confidence adalah sebagai berikut:
(1) Sedangkan nilai dari support 2 item diperoleh dari rumus berikut:
Algoritma apriori adalah salah satu algoritma yang melakukan pencarian frequent itemset dengan menggunakan teknik association rule. Algortima apriori menggunakan pengetahuan frekuensi atribut yang telah diketahui sebelumnya untuk memproses informasi selanjutnya. Pada algoritma apriori, menentukan kandidat yang mungkin muncul dengan cara memperhatikan minimum support dan minimum confidence . Support adalah nilai pengunjung atau persentase kombinasi sebuah item dalam database. Nilai support sebuah item diperoleh dengan rumus sebagai berikut [11]:
2.1.5. Algoritma Apriori
confidence 60% yaitu menunjukkan bila konsumen membeli kopi dan pasti membeli susu sebesar 60%.
2.1.4. Association Rule
item yang sering muncul secara bersamaan. Setelah
(3) Proses utama yang dilakukan dalam algoritma apriori untuk mendapat frequent itemset yaitu:
1. Sistem men-scan database untuk mendapat kandidat 1-itemset (himpunan item yang terdiri dari 1 item) dan menghitung nilai support-nya Kemudian nilai support -nya tersebut
Proses perhitungan association rule terdiri dari beberapa tahap adalah sebagai berikut [12]:
2.1.6. Langkah-langkah proses perhitungan association rule dengan algortima apriori
Gunakan scan database dan pencocokan pola untuk mengumpulkan hitungan untuk kandidat itemset.
b.
Gunakan frequent (k-1) itemset untuk membangun kandidat frequent k-itemset.
terdiri dari dua tahap, yaitu : a.
item , disebut dengan k-itemset. Tiap iterasi
2. Prune (Pemangkasan) Proses pemangkasan yaitu hasil dari item yang telah dikombinasikan kemudian dipangkas dengan menggunakan minimum support yang telah ditentukan oleh user. Pada iterasi ke-k akan ditemukan semua itemset yang memiliki k
1. Join (Penggabungan) Proses ini dilakukan dengan cara pengkombinasian item dengan item yang lainnya hingga tidak dapat terbentuk kombinasi lagi.
Association rule adalah salah satu teknik utama
semua pola frequent itemset ditemukan, barulah mencari aturan assosiatif atau aturan keterkaitan yang memenuhi syarat yang telah ditentukan.
atau prosedur dalam Market Basket Analysis untuk mencari hubungan antar-item dalam suatu dataset dan menampilkan bentuk association rule [10].
Association rule (aturan asosiasi) akan menemukan
pola tertentu untuk mengasosiasikan data yang satu dengan data yang lain. Untuk mencari association
rule dari suatu kumpulan data, tahap pertama yang
total transaksi konsumen membeli kopi dan susu secara bersamaan yaitu sebanyak 2%. Sedangkan
support 2% menunjukkan bahwa keseluruhan dari
harus dilakukan adalah mencari frequent itemset terlebih dahulu. Frequent itemset adalah sekumpulan
output yang diinginkan user . Support dan Confidence adalah sebuah ukuran kepercayaan dan
ukuran yang ditentukan sendiri oleh user untuk menentukan batasan sejauh mana atau sebanyak apa
Association rule diperlukan suatu variabel
Jika diasumsikan bahwa barang yang dijual di swalayan adalah semesta, maka setiap barang akan memiliki boolean variabel yang akan menunjukkan keberadaannya atau tidak barang tersebut dalam satu transaksi atau satu keranjang belanja. Pola boolean yang didapat digunakan untuk menganalisa barang yang dibeli secara bersamaan. Pola tersebut dirumuskan dalam sebuah association rule. Sebagai contoh konsumen biasanya akan membeli kopi dan susu yang ditujukkan sebagai berikut : Kopi susu [support = 2%, confidence = 60%]
kegunaan suatu pola yang telah ditemukan. Nilai dibandingkan dengan minimum support yang telah ditentukan. Jika nilainya lebih besar atau sama dengan minimum support, maka itemset tersebut termasuk large itemset.
2. Itemset yang tidak termasuk dalam large itemset tidak diikutkan dalam iterasi selanjutnya (di pangkas).
Tabel 2. Item-item yang dibeli
Lift Ratio adalah parameter penting selain support dan confidence dalam association rule. Lift ratio mengukur seberapa penting rule yang telah terbentuk berdasarkan nilai support dan confidence. Lift ratio merupakan nilai yang menunjukkan
kevalidan proses transaksi dan memberikan informasi apakah benar item A dibeli bersamaan dengan item B. Lift ratio dapat dihitung dengan rumus:
(4) Sebuah transaksi dikatakan valid jika mempunyai nilai lift/improvement lebih dari 1, yang berarti bahwa dalam transaksi tersebut item A dan item B benar-benar dibeli secara bersamaan.
Contoh kasus yang akan dijelaskan dalam subbab ini menggunakan algoritma apriori untuk mencari frequent itemset-nya. Adapun tahapan proses pengerjaan algoritma apriori dalam penelitian ini adalah sebagai berikut : 1.
Data yang digunakan adalah data hasil preprocessing .
Tabel 1. Data transaksi dalam bentuk tabular 2.
Menentukan item-item yang dibeli dalam data transaksi tersebut.
Item yang dibeli
8. Association rule yang terbentuk harus memenuhi nilai minimum yang telah ditentukan.
Ayam Bakar/Cabe Ijo Cumi Daging Gepuk Garang Asam Gorengan/Bacem Nila Bumbu Acar Opor Ayam Oseng Jamur Sambal Goreng Daging/Tlr Puyuh Sambal Goreng Krecek Sate Ati Ampela Sate Jamur Tumisan/Sayur/Urap/Mie 3.
Cari kandidat 1-itemset dan hitung nilai
support nya
Tabel 3. Kandidat 1-itemset
NamaMenu Support Count
Nilai Support
Ayam Bakar/Cabe Ijo 13 65% Cumi 11 55% Daging Gepuk 2 10% Garang Asam 2 10% Gorengan/Bacem 11 55% Nila Bumbu Acar 1 5% Opor Ayam 3 15% Oseng Jamur 10 50% Sambal Goreng Daging/Tlr Puyuh 9 45% Sambal Goreng Krecek 1 5% Sate Ati Ampela 1 5% Sate Jamur 3 15% Tumisan/Sayur/Urap/ 14 70%
9. Untuk setiap large itemset L, cari himpunan bagian L yang tidak kosong. Untuk setiap himpunan bagian tersebut, dihasilkan rule dengan bentuk aB (L-a) jika support-nya (a) lebih besar dari minimum support.
7. Pada pembentukan associaton rule, nilai yang sama dianggap sebagai satu nilai.
3. Pada iterasi kedua, sistem akan menggunakan hasil large itemset pada iterasi pertama (L
menggabungkan (join) L
1
) untuk membentuk kandidat itemset kedua (L
2 ).
Pada iterasi selanjutnya sistem akan menggunakan hasil large itemset pada iterasi sebelumnya (L
k-1
) untuk membentuk kandidat
itemset berikut (L k ). Sistem akan
k-1
support dan confidence yang telah ditentukan.
dengan L
k-1
untuk mendapatkan L k . Seperti pada iterasi sebelumnya sistem akan menghapus (memangkas) kombinasi itemset yang tidak termasuk dalam large itemset.
4. Setelah dilakukan operasi join, maka pasangan
itemset baru hasil proses join tersebut dihitung support -nya.
5. Proses pembentuk kandidat yang terdiri dari proses penggabungan dan pemangkasan akan terus dilakukan hingga himpunan kandidat
itemset -nya null, atau sudah tidak ada lagi kandidat yang akan terbentuk.
6. Setelah itu, dari hasil frequent itemset tersebut dibentuk association rule yang memenuhi nilai
2.1.7. Lift/Improvement Ratio
2.2. Hasil
4. Pangkas data yang memiliki nilai support lebih kecil dari nilai minimum support. Misal nilai
Ayam Bakar/Cabe Ijo Cumi 7 35% Ayam Bakar/Cabe Ijo Gorengan/Bacem 7 35% Ayam Bakar/Cabe Ijo Oseng Jamur 7 35% Ayam Bakar/Cabe Ijo Tumisan / Sayur / Urap / Mie 11 55% Cumi Gorengan / Bacem 7 35% Cumi Oseng Jamur 7 35% Cumi Tumisan / Sayur / Urap / Mie 8 40% Gorengan/Bacem Oseng Jamur 6 30% Gorengan/Bacem Sambal Goreng Daging / Tlr Puyuh 6 30% Gorengan/Bacem Tumisan / Sayur / Urap / Mie 6 30% Oseng Jamur Sambal Goreng Daging / Tlr Puyuh 6 30% Oseng Jamur Tumisan / Sayur / Urap / Mie 7 35%
35% 64% Tumisan/Sayur/Urap/Mie, 35% 87%
35% 100% Ayam Bakar / Cabe Ijo, Tumisan / Sayur / Urap / Mie Cumi
Ayam Bakar / Cabe Ijo, Cumi Tumisan / Sayur / Urap / Mie
Nilai Confidence
NamaMenu Nilai Support
Tabel 7. Confidence 2-itemset
9. Pangkas data yang memiliki nilai confidence lebih kecil dari nilai minimum confidence. Misal nilai minimum confidence = 62%.
9.
large 2-itemset.
8. Selanjutnya hitung nilai confidence dari setiap large itemset yang didapat, mulai dari
8.
7. Lakukan proses penggabungan dan pemangkasan hingga tidak ada lagi data yang dapat digabungkan.
Nilai Support
minimum support = 30%.
NamaMenu Support Count
Tabel 6. Large 2-itemset
Ayam Bakar/Cabe Ijo Cumi 7 35% Ayam Bakar/Cabe Ijo Gorengan/Bacem 7 35% Ayam Bakar/Cabe Ijo Oseng Jamur 7 35% Ayam Bakar/Cabe Ijo Sambal Goreng Daging / Tlr Puyuh 5 25% Ayam Bakar/Cabe Ijo Tumisan/Sayur/Urap/Mie 11 55% Cumi Gorengan/Bacem 7 35% Cumi Oseng Jamur 7 35% Cumi Sambal Goreng Daging / Tlr Puyuh 3 15% Cumi Tumisan / Sayur / Urap / Mie 8 40% Gorengan/Bacem Oseng Jamur 6 30% Gorengan/Bacem Sambal Goreng Daging / Tlr Puyuh 6 30% Gorengan/Bacem Tumisan/Sayur/Urap/Mie 6 30% Oseng Jamur Sambal Goreng Daging/Tlr Puyuh 6 30% Oseng Jamur Tumisan / Sayur / Urap / Mie 7 35% Sambal Goreng Daging / Tlr Puyuh Tumisan / Sayur / Urap / Mie 5 25%
Nilai Support
NamaMenu Support count
Tabel 5. Kandidat 2-itemset
itemset .
5. Lakukan penggabungan dari setiap data yang ada pada tabel 4 untuk mendapatkan kandidat 2-
Ayam Bakar/Cabe Ijo 13 65% Cumi 11 55% Gorengan/Bacem 11 55% Oseng Jamur 10 50% Sambal Goreng Daging / Tlr Puyuh 9 45% Tumisan/Sayur/Urap/ Mie 14 70%
Nilai Support
NamaMenu Support Count
Tabel 4. Large 1-itemset
6. Lakukan pemangkasan kembali terhadap data yang tidak memenuhi nilai minimum support.
Cumi Ayam Bakar / Cabe Ijo Ayam Bakar/Cabe Ijo, Oseng Jamur Tumisan / Sayur / Urap / Mie
[7] Kusrini and E. T. Luthfi, Algoritma Data
Adapun saran dalam pengembangan sistem ini adalah dikarenakan dalam penentuan kandidat selalu dibutuhkan waktu yang lama, maka perlu dianalisis algoritma lain yang memakan waktu lebih cepat dalam menghasilkan kandidat-kandidat dalam setiap langkah, mengingat data didalam kehidupan sebenarnya akan selalu bertambah.
[1] P. D. Sugiyono, Metode Kuantitatif, Kualitatif dan R&D . Alfabeta, 2010. [2] H.A.Fajar, Data Mining. Andi, 2013. [3] Ramon A. Mata Toledeo, Pailine K.
Cushman, Dasar-dasar Database Relasional . Jakarta : Airlangga, 2007. [4] J. Han and M. Kamber, Data Mining :
Concept and Techniques , 2nd ed. San Fransisco: Morgan Kauffman, 2006.
[5] R. J. A. Little and D. B. Rubin, Statistical
Analysis With Missing Data , 2nd ed. Wiley, 2002.
[6] J. K. Kim and J. Shao, Statistical Methods
For Handling Incomplete Data . Taylor & Francis Group, 2014.
Mining , T. A. Prabawati, Ed. Yogyakarta: Andi, 2009.
Berdasarkan hasil analisis dan pengujian yang telah, maka dapat ditarik suatu kesimpulan bahwa sistem data mining association rule yang telah dibangun telah dapat memberikan suatu informasi mengenai susunan layout makanan yang sesuai dengan pola kebiasaan konsumen dalam mengambil makanan serta dapat memberikan rekomendasi paket makanan hemat yang dapat ditawarkan oleh pihak pengelola RM. Roso Echo.
[8]
B. Santosa, Data Mining, Teknik Pemanfaatan Data Untuk Keperluan Bisnis . Yogyakarta: Graha Ilmu, 2007. [9]
E. W. T. D, "Penerapan Metode Association RUle Menggunakan Algoritma Apriori Untuk Analisa Pola Hasil Tangkapan,"
Konferensi dan Temu Nasional Teknologi Informasi dan Komunikasi Untuk Indonesia ,
p. 2, 2008. [10]
J. Santoni, “Implementasi Data Mining Dengan Metode Market Basket Analysis,”
Teknologi Informasi dan Pendidikan , vol. 5, p.2, Sep.2012.
[11] R. S. Pressman, Software Engineering - A
Practitionar's Approach , 5th ed. McGraw- Hill International, 2001.
3.2. Saran
3. PENUTUP 3.1. Kesimpulan
30% 86% Ayam Bakar / Cabe Ijo, Tumisan / Sayur / Urap / Mie Oseng Jamur
3 Cumi
30% 54% Tumisan/Sayur/Urap/Mie, Oseng Jamur Ayam Bakar/Cabe Ijo
30% 86% 10. Setelah nilai confidence telah didapat, selanjutnya adalah mengurutkan data yang memiliki nilai support dan nilai confidence yang terbesar hingga terkecil untuk mendapatkan
layout makanan.
Tabel 8. Susunan Layout Makanan
No NamaMenu
1 Ayam Bakar/Cabe Ijo
2 Tumisan/Sayur/Urap/Mie
DAFTAR PUSTAKA
6 Sambal Goreng Daging/Tlr Puyuh 11.
Berdasarkan hasil association rule dengan minimum support 30% dan minimum confidence 62% diperoleh susunan yaitu: Ayam bakar/Cabe Ijo, Tumisan/Sayur/Urap/Mie, Cumi, Oseng Jamur, Gorengan/Bacem, Sambel Goreng Daging/Telur Puyuh. Sedangkan untuk paket makanan hemat bergantung kebutuhan ditentukan dahulu dalam 1 paket diinginkan berapa jenis makanan sehingga dari data yang dimiliki diperoleh 2 paket makanan. Untuk menguji apakah yang diperoleh sistem sesuai atau tidak dengan perhitungan manual maka data awal di bagi menjadi beberapa kelompok kemudian setiap kelompok diasosiasikan ternyata dari setiap kelompok diperoleh hasil yang sama dengan perhitungan manual. Maka dapat diambil kesimpulan sistem sudah berjalan sesuai dengan teori yang dimiliki.
4 Oseng Jamur
Hitung nilai lift dari data yang memiliki nilai
support dan nilai confidence yang memenuhi
nilai minimum support dan nilai minimum
confidence untuk mendapatkan informasi paket makanan hemat.
Tabel 9. Paket Makanan Hemat
Paket Makanan Hemat
Ayam Bakar/Cabe Ijo, Cumi Tumisan/Sayur/Urap/Mie Tumisan/Sayur/Urap/Mie, Oseng Jamur Ayam Bakar/Cabe Ijo 2.3.
Pembahasan
5 Gorengan/Bacem