Penerapan Associaton Rule dengan Algorit

Penerapan Associaton Rule dengan Algoritma
Apriori Pada Proses Pengelompokan Barang
di Perusahaan Retail
Muhammad Ikhsan, ST., M.Kom#1, Muhammad Dahria, SE., M.Kom#2, Sulindawaty, M.Kom#3
#

Sistem Komputer, STMIK-Triguna Dharma
Jl. AH. Nasution No. 73 F Medan Sumatra Utara, Indonesia
1

mhd.ikhsan@gmail.com
mhd.dahria@gmail.com
3
sulindawaty@gmail.com
2

Abstract— Menjamurnya perusahaan retail di Indonesia membuat
persaingan yang cukup ketat di bisnis ini. Ketersediaan informasi
rinci produk yang dibeli dari setiap transaksi pelanggan di
database akan menjadi sampah data, yang terus berkembang
setiap harinya. Manajer perusahaan tentunya akan tertarik untuk

mengetahui apakah kelompok-kelompok tertentu produk secara
konsisten dibeli bersama-sama. Mereka bisa menggunakan data
ini untuk pengelompokkan dan penempatan produk secara
optimal, dan pihak manajer juga bisa menggunakan informasi
tersebut untuk cross-selling, untuk promosi, untuk desain katalog
dan untuk mengidentifikasikan segmen pelanggan berdasarkan
pola pembelian. Dalam penelitian ini digunakan Data mining
dengan teknik Association rule untuk menggali pola hubungan
atribut-atribut dan frequent itemset dalam database Retail.
Paradigma apriori digunakan untuk mencari large itemset dalam
penetapan association rule. Integrasi association rule dengan
paradigma apriori telah berhasil menemukan sejumlah pola
hubungan antar atribut dalam database retail.

Keywords— Data mining, Association rule, Algoritma Apriori,
Frequent Itemset.

I. INTRODUCTION
Data transaksi penjualan yang dimiliki oleh suatu
perusahaan retail setiap harinya semakin lama akan semakin

bertambah banyak. Jumlah data yang begitu besar justru bisa
menjadi masalah bagi perusahaan tersebut jika tidak bisa
dimanfaatkan. Semakin banyak data, maka perusahaan
tersebut semakin memerlukan usaha untuk memilah data
mana yang dapat diolah menjadi informasi. Jika data
dibiarkan saja, maka data tersebut hanya akan menjadi
sampah yang tidak berarti bagi perusahaan tersebut.
Dalam penelitian ini, peneliti akan membangun aplikasi
yang dapat mengelompokkan data pembelian barang
berdasarkan kecenderungannya muncul bersama dalam suatu
transaksi dengan menggunakan algoritma apriori.
Algoritma apriori termasuk jenis aturan assosiasi pada data
mining[3]. Aturan yang menyatakan asosiasi antara beberapa
atribut sering disebut sebagai affinity analysis atau market
basket analysis[3].
Dengan penerapan algoritma apriori pada penelitian ini
diharapkan akan ditemukan pola berupa produk yang sering
dibeli bersamaan. Pola ini dapat digunakan untuk
menempatkan produk yang sering dibeli bersamaan ke dalam

sebuah area yang saling berdekatan, merancang tampilan
produk di katalog, merancang kupon diskon (untuk diberikan
kepada pelanggan yang membeli produk tertentu), merancang
penjualan paket, dan lain-lain[3].
Dari latar belakang seperti terpapar diatas, dapat
dirumuskan permasalahan pada penelitian ini yaitu :
bagaimana membuat aplikasi yang mampu mengelompokkan
data produk sesuai dengan tingkat kecenderungannya muncul
bersama dalam suatu transaksi pembelian.
Adapun algoritma yang akan diterapkan pada aplikasi
dalam penelitian ini adalah algoritma apriori yang merupakan
bagian dari data mining.
II. DATA MINING
Data mining didefinisikan sebagai sebuah proses untuk
menemukan hubungan, pola dan trend baru yang bermakna
dengan menyaring data yang sangat besar, yang tersimpan
dalam penyimpanan, menggunakan teknik pengenalan pola
seperti teknik statistik dan matematika [3].
Hubungan yang dicari dalam Data mining dapat berupa
hubungan antara dua atau lebih dalam satu dimensi, misalnya

dalam dimensi produk, kita dapat melihat keterkaitan
pembelian suatu produk dengan produk yang lain. Selain itu
hubungan juga dapat dilihat antara 2 atau lebih atribut dan 2
atau lebih obyek[4].
A. Association Mining
Analisis asosiasi atau association rule mining adalah teknik
Data mining untuk menemukan aturan assosiatif 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[2].

Analisis asosiasi dikenal juga sebagai salah satu teknik

Data mining yang menjadi dasar dari berbagai teknik Data
mining lainnya. Khususnya salah satu tahap dari analisis
asosiasi yang disebut analisis pola frequensi tinggi (frequent
pattern mining) menarik perhatian banyak peneliti untuk
menghasilkan algoritma yang efisien.
Penting tidaknya suatu aturan assosiatif dapat diketahui
dengan dua parameter, support (nilai penunjang) yaitu
persentase kombinasi item tersebut dalam database dan
confidence (nilai kepastian) yaitu kuatnya hubungan antar
item dalam aturan assosiatif.
B. Algoritma Apriori
Persoalan association rule mining terdiri dari dua sub
persoalan :
1) Menemukan semua kombinasi dari item, disebut dengan
frequent itemsets, yang memiliki support yang lebih besar
daripada minimum support.
2) Gunakan frequent itemsets untuk men-generate aturan
yang dikehendaki.Semisal, ABCD dan AB adalah
frequent, maka didapatkan aturan AB -> CD jika rasio
dari support(ABCD) terhadap support(AB) sedikitnya

sama dengan minimum confidence. Aturan ini memiliki
minimum support karena ABCD adalah frequent.
Algoritma Apriori yang bertujuan untuk menemukan
frequent itemsets dijalankan pada sekumpulan data. Pada
iterasi ke -k, akan ditemukan semua itemsets yang memiliki k
items, disebut dengan k -itemsets. Tiap iterasi berisi dua tahap.
Misal Oracle Data mining Fk merepresentasikan himpunan
dari frequent k -itemsets, dan Ck adalah himpunan candidate
k-itemsets (yang potensial untuk menjadi frequent itemsets).
Tahap pertama adalah men-generate kandidat, dimana
himpunan dari semua frequent (k-1) itemsets, Fk-1, ditemukan
dalam iterasi ke-(k-1), digunakan untuk men-generate
candidate itemsets Ck. Prosedur generate candidate
memastikan bahwa Ck adalah superset dari himpunan semua
frequent k-itemsets. Struktur data hash-tree digunakan untuk
menyimpan Ck. Kemudian data di-scan dalam tahap
penghitungan support.
Untuk setiap transaksi, candidates dalam Ck diisikan ke
dalam transaksi, ditentukan dengan menggunakan struktur
data hash-tree hashtree dan nilai penghitungan support

dinaikkan. Pada akhir dari tahap kedua, nilai Ck diuji untuk
menentukan yang mana dari candidates yang merupakan
frequent. Kondisi penghitung (terminate condition) dari
algoritma ini dicapai pada saat Fk atau Ck+1 kosong.
Pseudo-code:
Ck: Candidate itemset of size k
Lk : frequent itemset of size k
L1 = {frequent items};
for (k = 1; Lk !=0; k++) do begin
Ck+1 = candidates generated from Lk;
for each transaction t in database do
increment the count of all candidates in Ck+1
that are contained in t

Lk+1 = candidates in Ck+1 with min_support
end
return ∪k Lk;

Gambar. 1 Ilustrasi Algoritma Apriori

Dari ilustrasi di atas dapat dijelaskan bahwa:
1) Untuk menghasilkan Lk, maka diperlukan candidate kitemset Ck yang dibentuk dari proses join antar Lk-1
2) Catatan konvensi: Apriori mengasumsikan bahwa item
dalam transaksi atau itemset telah terurut berdasarkan
urutan lexicographic.
3) Proses join, Lk-1 × Lk-1, dilakukan jika (k-2 itemset dari
Lk-1 “sama”.
4) Misal ll dan ll adalah itemset dari Lk-1, supaya proses
join dapat dilakukan maka harus dipenuhi: (l 1[1] = l
2[1]) ^ l 1[2] = l 2 [2]) ^…^ (l 1 [k-2] = l 2 [k-2]) ^ l 1
[k-1] < l 2 [k-1])
5) Kondisi (l 1 [k-1] < l 2 [k-1]) menjamin tidak ada
kembar pada proses join. Jadi itemset yang dihasilkan
dari proses join antara I1 dan I2 adalah l 1[1] l 1[2] ... l
1 [k-1] I2
6) [k-2]
7) Notasi l 1 [j] menyatakan item yang ke-j dalam l.
C. Tahapan Association rules
Analisis asosiasi dikenal juga sebagai salah satu teknik
Data mining yang menjadi dasar dari berbagai teknik Data

mining lainnya. Khususnya salah satu tahap dari analisis
asosiasi yang disebut analisis pola frequensi tinggi (frequent
pattern mining) menarik perhatian banyak peneliti untuk
menghasilkan algoritma yang efisien.
Metodologi dasar analisis asosiasi terbagi menjadi dua
tahap :
1) Analisa pola frekuensi tinggi
Tahap ini mencari kombinasi item yang memenuhi syarat
minimum dari nilai support dalam database. Nilai support
sebuah item diperoleh dengan rumus 1 berikut[3]:

Support ( A) =

JumlahTransaksiMengandungA
TotalTransaksi

sedangkan nilai support dari 2 item diperoleh dari rumus
berikut [3]:
Support ( A, B) = P( A ∩ B) =

JumlahTransaksiMenga ndungAdanB
TotalTransaksi

2) Pembentukan aturan assosiatif
Setelah semua pola frekuensi tinggi ditemukan, barulah
dicari aturan assosiatif yang memenuhi syarat minimum
untuk confidence dengan menghitung confidence aturan
assosiatif A › B Nilai confidence dari aturan A › B
diperoleh dari rumus berikut :
Confidence = P( B | A) =

JumlahTransaksiMengandungAdanB
JumlahTransaksiMengandungA

III. PEMBAHASAN DAN HASIL
Banyaknya rules yang dihasilkan memberikan banyak
kemungkinan untuk melihat pola-pola yang muncul dalam
database Transaksi Penjualan. Sehingga memberikan berbagai
kemungkinan yang dapat dijadikan sebagai dasar untuk
membuat keputusan. Tidak semua rules yang ditemukan

dalam penelitian ini diinterpretasi. Yang diinterpretasi adalah
rule-rule yang memiliki nilai Lift yang tinggi (alasan obyektif)
dan rule yang memiliki relevansi dengan kebutuhan (alasan
subyektif).
Lift merupakan sebuah angka ratio yang menunjukkan
berapa banyak kemungkinan menemukan sebuah atribut
(misal ID) muncul bersama dengan atribut lainnya (misal
Kualifikasi, Nomor Unik, dan Mapel sertifikasi) dibandingkan
dengan seluruh kejadian adanya atribut yang terpenuhi
Lift menunjukkan adanya tingkat kekuatan rule atas
kejadian acak dari antecedent dan consequence berdasarkan
pada supportnya masing-masing. Hal ini akan mermberikan
informasi tentang perbaikan dan peningkatan probabilitas dari
consequent berdasarkan antecedent. Lift didefinisikan sebagai
berikut :

Misalkan daftar transaksi beserta item yang dibeli seperti
tabel 1 dibawah:
TABLE I
DAFTAR TRANSAKSI

Kode
Transaksi
001
002
003
004
005
006
007
008
009
010

Item Pembelian Barang
SikatGigi,PastaGigi,SabunMandi,Detergen
SabunMandi,Bedak,Gula,Teh
Shampo,Bedak,SabunMandi
Bedak,SabunMandi,Detergen,Shampo,Softener
Shampo,Bedak,SikatGigi,PastaGigi,Softener,Detergen
Gula,Teh,SabunMandi,SikatGigi,PastaGigi
Detergen,SabunMandi,Softener,PastaGigi,SikatGigi
SabunMandi,Gula,Teh,Detergen
Softener,Detergen,Gula,Teh,SabunMandi
Detergen,Gula,Softener,Teh

Gambar 2 dibawah ini adalah tampilan hasil running
program aplikasi untuk mengimplementasikan algoritma
apriori.

Lift = Confidence / Expected Confidence
Dimana :
Expected Confidence = (Jumlah Transaksi memiliki itemconsequent) /
(Total jumlah transaksi)

Atau dengan cara:

Lift =

Pr( A | C )
Pr(C )

Ketika Lift sama dengan 1 maka A dan B adalah independen
karena Pr(C|A)=Pr(C). Ketika probabilitas C terjadi
dipengaruhi oleh terjadinya A lebih besar dari 1. Ketetapan
Lift ratio adalah apabila hasil perhitungan berada dibawah 1
maka item-item tersebut tidak menunjukkan adanya saling
keterkaitan antara antacedent dengan consequent.

Gambar. 1 Penginputan Data Transaksi

Dengan menginputkan data Minimum Support 50% dan
Minimum Confidence 50% diperoleh hasil Frequent Item Set
sebagai berikut:
Minimum Support = 50%
Minimum Confidence = 50%
1 Item set (L1)
************************
{Bedak} = 4/10 = 40,000%
{Detergen} = 7/10 = 70,000%

>Ditolak<


{Gula} = 5/10 = 50,000%
{PastaGigi} = 4/10 = 40,000%
{SabunMandi} = 8/10 = 80,000%
{Shampo} = 3/10 = 30,000%
{SikatGigi} = 4/10 = 40,000%
{Softener} = 5/10 = 50,000%
{Teh} = 5/10 = 50,000%


>Ditolak<

>Ditolak<
>Ditolak<



2 Item set (L2)
************************
{Bedak,Detergen} = 2/10 = 20,000%
>Ditolak<
{Bedak,Gula} = 1/10 = 10,000%
>Ditolak<
{Bedak,PastaGigi} = 1/10 = 10,000%
>Ditolak<
{Bedak,SabunMandi} = 3/10 = 30,000%
>Ditolak<
{Bedak,Shampo} = 3/10 = 30,000%
>Ditolak<
{Bedak,SikatGigi} = 1/10 = 10,000%
>Ditolak<
{Bedak,Softener} = 2/10 = 20,000%
>Ditolak<
{Bedak,Teh} = 1/10 = 10,000%
>Ditolak<
{Detergen,Gula} = 3/10 = 30,000%
>Ditolak<
{Detergen,PastaGigi} = 3/10 = 30,000%
>Ditolak<
{Detergen,SabunMandi} = 5/10 = 50,000%
{Detergen,Shampo} = 2/10 = 20,000%
>Ditolak<
{Detergen,SikatGigi} = 3/10 = 30,000%
>Ditolak<
{Detergen,Softener} = 5/10 = 50,000%

{Detergen,Teh} = 3/10 = 30,000%
>Ditolak<
{Gula,PastaGigi} = 1/10 = 10,000%
>Ditolak<
{Gula,SabunMandi} = 4/10 = 40,000%
>Ditolak<
{Gula,Shampo} = 0/10 = ,000%
>Ditolak<
{Gula,SikatGigi} = 1/10 = 10,000%
>Ditolak<
{Gula,Softener} = 2/10 = 20,000%
>Ditolak<
{Gula,Teh} = 5/10 = 50,000%

{PastaGigi,SabunMandi} = 3/10 = 30,000% >Ditolak<
{PastaGigi,Shampo} = 1/10 = 10,000%
>Ditolak<
{PastaGigi,SikatGigi} = 4/10 = 40,000%
>Ditolak<
{PastaGigi,Softener} = 2/10 = 20,000%
>Ditolak<
{PastaGigi,Teh} = 1/10 = 10,000%
>Ditolak<
{SabunMandi,Shampo} = 2/10 = 20,000% >Ditolak<
{SabunMandi,SikatGigi} = 3/10 = 30,000% >Ditolak<
{SabunMandi,Softener} = 3/10 = 30,000% >Ditolak<
{SabunMandi,Teh} = 4/10 = 40,000%
>Ditolak<
{Shampo,SikatGigi} = 1/10 = 10,000%
>Ditolak<
{Shampo,Softener} = 2/10 = 20,000%
>Ditolak<
{Shampo,Teh} = 0/10 = ,000%
>Ditolak<
{SikatGigi,Softener} = 2/10 = 20,000%
>Ditolak<
{SikatGigi,Teh} = 1/10 = 10,000%
>Ditolak<
{Softener,Teh} = 2/10 = 20,000%
>Ditolak<

3 Item set (L3)
************************
{Bedak,Detergen,Gula} = 0/10 = ,000%
{Bedak,Detergen,PastaGigi} = 1/10 = 10,000%
{Bedak,Detergen,SabunMandi} = 1/10 = 10,000%
{Bedak,Detergen,Shampo} = 2/10 = 20,000%
{Bedak,Detergen,SikatGigi} = 1/10 = 10,000%
{Bedak,Detergen,Softener} = 2/10 = 20,000%
{Bedak,Detergen,Teh} = 0/10 = ,000%
{Bedak,Gula,PastaGigi} = 0/10 = ,000%
{Bedak,Gula,SabunMandi} = 1/10 = 10,000%
{Bedak,Gula,Shampo} = 0/10 = ,000%
{Bedak,Gula,SikatGigi} = 0/10 = ,000%
{Bedak,Gula,Softener} = 0/10 = ,000%
{Bedak,Gula,Teh} = 1/10 = 10,000%
{Bedak,PastaGigi,SabunMandi} = 0/10 = ,000%
{Bedak,PastaGigi,Shampo} = 1/10 = 10,000%
{Bedak,PastaGigi,SikatGigi} = 1/10 = 10,000%
{Bedak,PastaGigi,Softener} = 1/10 = 10,000%
{Bedak,PastaGigi,Teh} = 0/10 = ,000%
{Bedak,SabunMandi,Shampo} = 2/10 = 20,000%
{Bedak,SabunMandi,SikatGigi} = 0/10 = ,000%
{Bedak,SabunMandi,Softener} = 1/10 = 10,000%

>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<

{Bedak,SabunMandi,Teh} = 1/10 = 10,000%
{Bedak,Shampo,SikatGigi} = 1/10 = 10,000%
{Bedak,Shampo,Softener} = 2/10 = 20,000%
{Bedak,Shampo,Teh} = 0/10 = ,000%
{Bedak,SikatGigi,Softener} = 1/10 = 10,000%
{Bedak,SikatGigi,Teh} = 0/10 = ,000%
{Bedak,Softener,Teh} = 0/10 = ,000%
{Detergen,Gula,PastaGigi} = 0/10 = ,000%
{Detergen,Gula,SabunMandi} = 2/10 = 20,000%
{Detergen,Gula,Shampo} = 0/10 = ,000%
{Detergen,Gula,SikatGigi} = 0/10 = ,000%
{Detergen,Gula,Softener} = 2/10 = 20,000%
{Detergen,Gula,Teh} = 3/10 = 30,000%
{Detergen,PastaGigi,SabunMandi} = 2/10 = 20,000%
{Detergen,PastaGigi,Shampo} = 1/10 = 10,000%
{Detergen,PastaGigi,SikatGigi} = 3/10 = 30,000%
{Detergen,PastaGigi,Softener} = 2/10 = 20,000%
{Detergen,PastaGigi,Teh} = 0/10 = ,000%
{Detergen,SabunMandi,Shampo} = 1/10 = 10,000%
{Detergen,SabunMandi,SikatGigi} = 2/10 = 20,000%
{Detergen,SabunMandi,Softener} = 3/10 = 30,000%
{Detergen,SabunMandi,Teh} = 2/10 = 20,000%
{Detergen,Shampo,SikatGigi} = 1/10 = 10,000%
{Detergen,Shampo,Softener} = 2/10 = 20,000%
{Detergen,Shampo,Teh} = 0/10 = ,000%
{Detergen,SikatGigi,Softener} = 2/10 = 20,000%
{Detergen,SikatGigi,Teh} = 0/10 = ,000%
{Detergen,Softener,Teh} = 2/10 = 20,000%
{Gula,PastaGigi,SabunMandi} = 1/10 = 10,000%
{Gula,PastaGigi,Shampo} = 0/10 = ,000%
{Gula,PastaGigi,SikatGigi} = 1/10 = 10,000%
{Gula,PastaGigi,Softener} = 0/10 = ,000%
{Gula,PastaGigi,Teh} = 1/10 = 10,000%
{Gula,SabunMandi,Shampo} = 0/10 = ,000%
{Gula,SabunMandi,SikatGigi} = 1/10 = 10,000%
{Gula,SabunMandi,Softener} = 1/10 = 10,000%
{Gula,SabunMandi,Teh} = 4/10 = 40,000%
{Gula,Shampo,SikatGigi} = 0/10 = ,000%
{Gula,Shampo,Softener} = 0/10 = ,000%
{Gula,Shampo,Teh} = 0/10 = ,000%
{Gula,SikatGigi,Softener} = 0/10 = ,000%
{Gula,SikatGigi,Teh} = 1/10 = 10,000%
{Gula,Softener,Teh} = 2/10 = 20,000%
{PastaGigi,SabunMandi,Shampo} = 0/10 = ,000%
{PastaGigi,SabunMandi,SikatGigi} = 3/10 = 30,000%
{PastaGigi,SabunMandi,Softener} = 1/10 = 10,000%
{PastaGigi,SabunMandi,Teh} = 1/10 = 10,000%
{PastaGigi,Shampo,SikatGigi} = 1/10 = 10,000%
{PastaGigi,Shampo,Softener} = 1/10 = 10,000%
{PastaGigi,Shampo,Teh} = 0/10 = ,000%
{PastaGigi,SikatGigi,Softener} = 2/10 = 20,000%
{PastaGigi,SikatGigi,Teh} = 1/10 = 10,000%
{PastaGigi,Softener,Teh} = 0/10 = ,000%
{SabunMandi,Shampo,SikatGigi} = 0/10 = ,000%
{SabunMandi,Shampo,Softener} = 1/10 = 10,000%
{SabunMandi,Shampo,Teh} = 0/10 = ,000%
{SabunMandi,SikatGigi,Softener} = 1/10 = 10,000%
{SabunMandi,SikatGigi,Teh} = 1/10 = 10,000%
{SabunMandi,Softener,Teh} = 1/10 = 10,000%
{Shampo,SikatGigi,Softener} = 1/10 = 10,000%
{Shampo,SikatGigi,Teh} = 0/10 = ,000%
{Shampo,Softener,Teh} = 0/10 = ,000%
{SikatGigi,Softener,Teh} = 0/10 = ,000%

4 Item set (L4)
************************
{Bedak,Detergen,Gula,PastaGigi} = 0/10 = ,000%
{Bedak,Detergen,Gula,SabunMandi} = 0/10 = ,000%

>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<

>Ditolak<
>Ditolak<

{Bedak,Detergen,Gula,Shampo} = 0/10 = ,000%
{Bedak,Detergen,Gula,SikatGigi} = 0/10 = ,000%
{Bedak,Detergen,Gula,Softener} = 0/10 = ,000%
{Bedak,Detergen,Gula,Teh} = 0/10 = ,000%
{Bedak,Detergen,PastaGigi,SabunMandi} = 0/10 = ,000%
{Bedak,Detergen,PastaGigi,Shampo} = 1/10 = 10,000%
{Bedak,Detergen,PastaGigi,SikatGigi} = 1/10 = 10,000%
{Bedak,Detergen,PastaGigi,Softener} = 1/10 = 10,000%
{Bedak,Detergen,PastaGigi,Teh} = 0/10 = ,000%
{Bedak,Detergen,SabunMandi,Shampo} = 1/10 = 10,000%
{Bedak,Detergen,SabunMandi,SikatGigi} = 0/10 = ,000%
{Bedak,Detergen,SabunMandi,Softener} = 1/10 = 10,000%
{Bedak,Detergen,SabunMandi,Teh} = 0/10 = ,000%
{Bedak,Detergen,Shampo,SikatGigi} = 1/10 = 10,000%
{Bedak,Detergen,Shampo,Softener} = 2/10 = 20,000%
{Bedak,Detergen,Shampo,Teh} = 0/10 = ,000%
{Bedak,Detergen,SikatGigi,Softener} = 1/10 = 10,000%
{Bedak,Detergen,SikatGigi,Teh} = 0/10 = ,000%
{Bedak,Detergen,Softener,Teh} = 0/10 = ,000%
{Bedak,Gula,PastaGigi,SabunMandi} = 0/10 = ,000%
{Bedak,Gula,PastaGigi,Shampo} = 0/10 = ,000%
{Bedak,Gula,PastaGigi,SikatGigi} = 0/10 = ,000%
{Bedak,Gula,PastaGigi,Softener} = 0/10 = ,000%
{Bedak,Gula,PastaGigi,Teh} = 0/10 = ,000%
{Bedak,Gula,SabunMandi,Shampo} = 0/10 = ,000%
{Bedak,Gula,SabunMandi,SikatGigi} = 0/10 = ,000%
{Bedak,Gula,SabunMandi,Softener} = 0/10 = ,000%
{Bedak,Gula,SabunMandi,Teh} = 1/10 = 10,000%
{Bedak,Gula,Shampo,SikatGigi} = 0/10 = ,000%
{Bedak,Gula,Shampo,Softener} = 0/10 = ,000%
{Bedak,Gula,Shampo,Teh} = 0/10 = ,000%
{Bedak,Gula,SikatGigi,Softener} = 0/10 = ,000%
{Bedak,Gula,SikatGigi,Teh} = 0/10 = ,000%
{Bedak,Gula,Softener,Teh} = 0/10 = ,000%
{Bedak,PastaGigi,SabunMandi,Shampo} = 0/10 = ,000%
{Bedak,PastaGigi,SabunMandi,SikatGigi} = 0/10 = ,000%
{Bedak,PastaGigi,SabunMandi,Softener} = 0/10 = ,000%
{Bedak,PastaGigi,SabunMandi,Teh} = 0/10 = ,000%
{Bedak,PastaGigi,Shampo,SikatGigi} = 1/10 = 10,000%
{Bedak,PastaGigi,Shampo,Softener} = 1/10 = 10,000%
{Bedak,PastaGigi,Shampo,Teh} = 0/10 = ,000%
{Bedak,PastaGigi,SikatGigi,Softener} = 1/10 = 10,000%
{Bedak,PastaGigi,SikatGigi,Teh} = 0/10 = ,000%
{Bedak,PastaGigi,Softener,Teh} = 0/10 = ,000%
{Bedak,SabunMandi,Shampo,SikatGigi} = 0/10 = ,000%
{Bedak,SabunMandi,Shampo,Softener} = 1/10 = 10,000%
{Bedak,SabunMandi,Shampo,Teh} = 0/10 = ,000%
{Bedak,SabunMandi,SikatGigi,Softener} = 0/10 = ,000%
{Bedak,SabunMandi,SikatGigi,Teh} = 0/10 = ,000%
{Bedak,SabunMandi,Softener,Teh} = 0/10 = ,000%
{Bedak,Shampo,SikatGigi,Softener} = 1/10 = 10,000%
{Bedak,Shampo,SikatGigi,Teh} = 0/10 = ,000%
{Bedak,Shampo,Softener,Teh} = 0/10 = ,000%
{Bedak,SikatGigi,Softener,Teh} = 0/10 = ,000%
{Detergen,Gula,PastaGigi,SabunMandi} = 0/10 = ,000%
{Detergen,Gula,PastaGigi,Shampo} = 0/10 = ,000%
{Detergen,Gula,PastaGigi,SikatGigi} = 0/10 = ,000%
{Detergen,Gula,PastaGigi,Softener} = 0/10 = ,000%
{Detergen,Gula,PastaGigi,Teh} = 0/10 = ,000%
{Detergen,Gula,SabunMandi,Shampo} = 0/10 = ,000%
{Detergen,Gula,SabunMandi,SikatGigi} = 0/10 = ,000%
{Detergen,Gula,SabunMandi,Softener} = 1/10 = 10,000%
{Detergen,Gula,SabunMandi,Teh} = 2/10 = 20,000%
{Detergen,Gula,Shampo,SikatGigi} = 0/10 = ,000%
{Detergen,Gula,Shampo,Softener} = 0/10 = ,000%
{Detergen,Gula,Shampo,Teh} = 0/10 = ,000%
{Detergen,Gula,SikatGigi,Softener} = 0/10 = ,000%
{Detergen,Gula,SikatGigi,Teh} = 0/10 = ,000%
{Detergen,Gula,Softener,Teh} = 2/10 = 20,000%
{Detergen,PastaGigi,SabunMandi,Shampo} = 0/10 = ,000%
{Detergen,PastaGigi,SabunMandi,SikatGigi} = 2/10 = 20,00%
{Detergen,PastaGigi,SabunMandi,Softener} = 1/10 = 10,000%

>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<

{Detergen,PastaGigi,SabunMandi,Teh} = 0/10 = ,000%
{Detergen,PastaGigi,Shampo,SikatGigi} = 1/10 = 10,000%
{Detergen,PastaGigi,Shampo,Softener} = 1/10 = 10,000%
{Detergen,PastaGigi,Shampo,Teh} = 0/10 = ,000%
{Detergen,PastaGigi,SikatGigi,Softener} = 2/10 = 20,000%
{Detergen,PastaGigi,SikatGigi,Teh} = 0/10 = ,000%
{Detergen,PastaGigi,Softener,Teh} = 0/10 = ,000%
{Detergen,SabunMandi,Shampo,SikatGigi} = 0/10 = ,000%
{Detergen,SabunMandi,Shampo,Softener} = 1/10 = 10,000%
{Detergen,SabunMandi,Shampo,Teh} = 0/10 = ,000%
{Detergen,SabunMandi,SikatGigi,Softener} = 1/10 = 10,000%
{Detergen,SabunMandi,SikatGigi,Teh} = 0/10 = ,000%
{Detergen,SabunMandi,Softener,Teh} = 1/10 = 10,000%
{Detergen,Shampo,SikatGigi,Softener} = 1/10 = 10,000%
{Detergen,Shampo,SikatGigi,Teh} = 0/10 = ,000%
{Detergen,Shampo,Softener,Teh} = 0/10 = ,000%
{Detergen,SikatGigi,Softener,Teh} = 0/10 = ,000%
{Gula,PastaGigi,SabunMandi,Shampo} = 0/10 = ,000%
{Gula,PastaGigi,SabunMandi,SikatGigi} = 1/10 = 10,000%
{Gula,PastaGigi,SabunMandi,Softener} = 0/10 = ,000%
{Gula,PastaGigi,SabunMandi,Teh} = 1/10 = 10,000%
{Gula,PastaGigi,Shampo,SikatGigi} = 0/10 = ,000%
{Gula,PastaGigi,Shampo,Softener} = 0/10 = ,000%
{Gula,PastaGigi,Shampo,Teh} = 0/10 = ,000%
{Gula,PastaGigi,SikatGigi,Softener} = 0/10 = ,000%
{Gula,PastaGigi,SikatGigi,Teh} = 1/10 = 10,000%
{Gula,PastaGigi,Softener,Teh} = 0/10 = ,000%
{Gula,SabunMandi,Shampo,SikatGigi} = 0/10 = ,000%
{Gula,SabunMandi,Shampo,Softener} = 0/10 = ,000%
{Gula,SabunMandi,Shampo,Teh} = 0/10 = ,000%
{Gula,SabunMandi,SikatGigi,Softener} = 0/10 = ,000%
{Gula,SabunMandi,SikatGigi,Teh} = 1/10 = 10,000%
{Gula,SabunMandi,Softener,Teh} = 1/10 = 10,000%
{Gula,Shampo,SikatGigi,Softener} = 0/10 = ,000%
{Gula,Shampo,SikatGigi,Teh} = 0/10 = ,000%
{Gula,Shampo,Softener,Teh} = 0/10 = ,000%
{Gula,SikatGigi,Softener,Teh} = 0/10 = ,000%
{PastaGigi,SabunMandi,Shampo,SikatGigi} = 0/10 = ,000%
{PastaGigi,SabunMandi,Shampo,Softener} = 0/10 = ,000%
{PastaGigi,SabunMandi,Shampo,Teh} = 0/10 = ,000%
{PastaGigi,SabunMandi,SikatGigi,Softener} = 1/10 = 10,000%
{PastaGigi,SabunMandi,SikatGigi,Teh} = 1/10 = 10,000%
{PastaGigi,SabunMandi,Softener,Teh} = 0/10 = ,000%
{PastaGigi,Shampo,SikatGigi,Softener} = 1/10 = 10,000%
{PastaGigi,Shampo,SikatGigi,Teh} = 0/10 = ,000%
{PastaGigi,Shampo,Softener,Teh} = 0/10 = ,000%
{PastaGigi,SikatGigi,Softener,Teh} = 0/10 = ,000%
{SabunMandi,Shampo,SikatGigi,Softener} = 0/10 = ,000%
{SabunMandi,Shampo,SikatGigi,Teh} = 0/10 = ,000%
{SabunMandi,Shampo,Softener,Teh} = 0/10 = ,000%
{SabunMandi,SikatGigi,Softener,Teh} = 0/10 = ,000%
{Shampo,SikatGigi,Softener,Teh} = 0/10 = ,000%

>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<
>Ditolak<

Dan seterusnya hingga 9 Item Set (L9)
Daftar Interesting Rules :
*******************************
Detergen->SabunMandi [50,00%,71,43%]
SabunMandi->Detergen [50,00%,62,50%]
Detergen->Softener [50,00%,71,43%]
Softener->Detergen [50,00%,100,00%]
Gula->Teh [50,00%,100,00%]
Teh->Gula [50,00%,100,00%]








DAFTAR PUSTAKA
[1]

[2]

[3]
[4]
[5]

[6]
[7]
[8]

Gambar. 3 Hasil Perhitungan Frequent Item Set

IV. KESIMPULAN
Dari hasil penjelasan dan uraian sebelumnya, dapat
disimpulkan bahwa :
1) Algoritma apriori telah berhasil diterapkan untuk melihat
aturan asosiasi antar produk pada transaksi yang terjadi di
database penjualan pada perusahan retail.
2) Untuk mengimplementasikan algoritma apriori untuk
menemukan aturan asosiasi produk dalam aplikasi seperti
yang kami bangun diperlukan penyesuaian tabel dan
kolom dari database yang sudah ada.
3) Kecendrungan pola yang terbentuk dari Association rule
Mining dari percobaan diatas adalah terdapat pola jika
pelanggan membeli Detergen maka dia juga akan
membeli Sabun Mandi, begitu pula jika pelanggan
membeli Detergen maka di juga akan membeli Softener.
Demikian pula terdapat pola Pembelian pelanggan yang
akan membeli Gula sekaligus Teh. Hal ini berguna untuk
menentukan tata letak dan pengelompokan barang yang
akan dijual di perusahaan retail.

Abidi dan Yu-N, 2000, A Convergence of Knowledge Management
and Data mining: Towards ‘Knowledge-Driven’ Strategic Services. 3rd
International Conference on the Practical Applications of Knowledge
Management (PAKeM’2000), April 12-14 2000, Manchester.
Berry, Michael J.A dan Linoff , Gordon S., 2004, Data mining
Techniques For Marketing, Sales, Customer RelationshipManagement
Second Editon, Wiley Publishing, Inc.
Larose , Daniel T, 2005, Discovering Knowledge in Data: An
Introduction to Data mining, John Willey & Sons. Inc
Ponniah, P., 2001, Datawarehouse Fundamentals : A comprehensive
Guide for IT Professional, John Willey & Sons. Inc
Pramudiono,
I.,
2006,
Apa
itu
data
mining?,
http://datamining.japati.net/cgi-bin/
indodm.cgi?bacaarsip&1155527614&artikel, tanggal terakhir akses 16
Januari 2007
Srikant, R ., Vu, Q., dan Agrawal R., 1997, Mining Association rules
with Item Constraints, www.aaai.org
Turban, E., dkk, 2005, Decicion Support Systems and Intelligent
Systems,Andi Offset.
Yulita, M dan Moertini, Veronica S., 2004, Analisis Kerangjang Pasar
dengan Algoritma Hash-Based pada Data Transaksi Penjualan Apotek