RAISSA ADITYA RAHAYU 111421072
PROGRAM STUDI EKSTENSI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA MEDAN
IMPLEMENTASI ALGORITMA APRIORI DAN FP-GROWTH DALAM MARKET BASKET ANALYSIS PEMBELIAN OBAT
PADA SUATU APOTEK
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Ilmu Komputer
RAISSA ADITYA RAHAYU 111421072
PROGRAM STUDI EKSTENSI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA MEDAN
PERSETUJUAN
Judul : IMPLEMENTASI ALGORITMA APRIORI DAN FP-GROWTH DALAM MARKET BASKET ANALYSIS PEMBELIAN OBAT PADA SUATU APOTEK
Kategori : SKRIPSI
Nama : RAISSA ADITYA RAHAYU
Nomor Induk Mahasiswa : 111421072
Program Studi : EKSTENSI S1 ILMU KOMPUTER
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Sajadin Sembiring, S.Si, M.Comp.Sc Dr. Poltak Sihombing, M.Kom
NIP. - NIP. 19620217 199103 1 001
Diketahui/disetujui oleh
Program Studi Ekstensi S1 Ilmu Komputer Ketua
PERNYATAAN
IMPLEMENTASI ALGORITMA APRIORI DAN FP-GROWTH DALAM MARKET BASKET ANALYSIS PEMBELIAN OBAT
PADA SUATU APOTEK
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, Juni 2014
PENGHARGAAN
Syukur Alhamdulilah, segala dan puji syukur kepada Allah SWT atas limpahan rahmat dan hidayah-Nya yang diberikan kepada penulis sehinggaskripsi ini dapat diselesaikan dengan tepat waktu.
Skripsi yang penulis kerjakan ini merupakan sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara. Penulis sadar akan keterbatasan kemampuan dan pengetahuan penulis sehinggamungkin pembaca akan menemui banyak kekurangan dalam skripsi ini. Oleh karena itu, dengan segala kerendahan hati penulis mengucapkan rasa terima kasih dan penghargaan kepada :
1. Bapak Dr. Poltak Sihombing, M, Kom selaku Ketua Program Studi Ilmu
Komputer, dan selaku pembimbing I yang telah memberikan masukan, bimbingan, saran serta memotivasi penulis dan selalu sabar dalam menejelas-kan serta memberimenejelas-kan bantuan sehingga penulis dapat menyelesaimenejelas-kan skripsi ini dengan baik.
2. Bapak Sajadin Sembiring, S.Si, M.Comp.Sc selaku Dosen Pembimbing II,
yang telah memberikan saran dan kritik yang membangun bagi penulis
3. Ibu Dian Rachmawati, S.Si, M.Kom selaku Dosen Pembanding I yang telah
4. Ibu Dian Wirda Sari, S.Si, M.Kom selaku Dosen Pembanding II yang juga
te-lah memberikan kritik dan saran yang membangun.
5. Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi
Universitas Sumatera Utara berserta para pegawai yang bertugas di Program Studi Ekstensi Ilmu Komputer FASILKOM-TI USU.
6. Ayah penulis tercinta Ilhamsyah (Alm) serta Ibu penulis tersayang Sri Rahayu
(Almh) ,semoga kalian bangga terhadap pencapaian penulis saat ini..
7. Begitu juga Muhammad Riva’i Nasution, S.H dan seluruh keluarga yang juga
memberi dukungan dan motivasi kepada penulis.
8. Semua teman-teman serta para sahabat mahasiswa ekstensi ilmu komputer
angkatan 2011 yang tidak dapat penulis sebutkan namanya satu persatu, terima kasih atas segala motivasi, bantuan, saran, kritik dan kerjasamanya selama proses penulisan penelitian ini.
Semoga Allah SWT membalas semua kebaikan yang telah kalian berikan.
Penulis,
ABSTRAK
Teknik market basket analysis adalah teknik untuk menemukan pola berupa produk-produk yang sering dibeli bersamaan atau cenderung muncul bersama dalam sebuah transaksi. Penelitian ini bertujuan untuk membuat sebuah aplikasi data mining menggunakan aturan asosiasi dengan metode apriori sebagai teknik market basket analysis. Data yang diambil dalam penelitian ini adalah data transaksi penjualan disuatu apotek di Apotek sejati Binjai. Hasil dari aturan asosiasi yang didapat yaitu berupa kombinasi dari jenis obat yang sering dibeli oleh konsumen. Dari hasil tersebut diharapkan dapat membantu manajemen apotek untuk merancang strategi pemasaran obat di apoteknya.
APRIORI ALGORITHM IMPLEMENTATION AND FP-GROWTH MARKET BASKET ANALYSIS IN BUYING DRUGS
AT A PHARMACY
ABSTRACT
Technique market basket analysis is a technique for finding patterns in the form of products that are often purchased together or tend to appear together in a transaction. This research aims to create an application of data mining using association rules with a priori method as market basket analysis techniques. The data taken in this study is the pharmacy sector in the sales transaction data in real Binjai Pharmacy. The results obtained from association rule which is a combination of the types of drugs that are often purchased by consumers. From these results should help to design management pharmacy drug marketing strategies in pharmacy.
DAFTAR ISI
2.1.2 Pengelompokkan Data Mining 9
2.2 Algoritma Apriori 13
2.3 Algoritma FP-Growth 15
2.4 Market Basket Analysis 16
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 19
3.1.2 Pengelompokkan Daftar Produk 21 3.1.3 Analisis Pencarian Pola Frekuensi Tinggi 21 3.1.4 Pembentukan Aturan Asosiasi 24
3.2. Perancangan Sistem 25
4.2.1 Spesifikasi Perangkat Keras 32 4.2.2 Spesifikasi Perangkat Lunak 32
4.2.3 Brainware 32
4.3 Tampilan Rancangan Antarmuka 33
DAFTAR TABEL
Hal.
Tabel 3.1 Data Transaksi 20
Tabel 3.2 Data Barang 21
Tabel 3.3 C1 (Kandidate 1-itemset) 22
Tabel 3.4 L1 (Large 1-itemset) 22
Tabel 3.5 C2 (Kandidat item set) 23
Tabel 3.6 L2 (Large 2-itemset) 23
Tabel 3.7 L2 Dengan Nilai Confidence 24
DAFTAR GAMBAR
Hal.
Gambar 2.1 Tahapan Data Mining 8
Gambar 3.1 Diagram Fishbone 19
Gambar 3.2 Flowchart Algoritma Apriori 26
Gambar 3.3 Flowchart Algoritma FP-Growth 27
Gambar 3.4 DFD Level-0 28
Gambar 3.5 DFD Level-1 29
Gambar 3.6 DFD Level-2 30
Gambar 4.1 Halaman Menu Utama 33
Gambar 4.2 Halaman Form Data Barang 34
Gambar 4.3 Halaman Input Data Penjualan 36
Gambar 4.4 Halaman Menu Analisa 37
Gambar 4.5 Halaman Menu Analisa 38
Gambar 4.6 Halaman Hasil Analisa 39
ABSTRAK
Teknik market basket analysis adalah teknik untuk menemukan pola berupa produk-produk yang sering dibeli bersamaan atau cenderung muncul bersama dalam sebuah transaksi. Penelitian ini bertujuan untuk membuat sebuah aplikasi data mining menggunakan aturan asosiasi dengan metode apriori sebagai teknik market basket analysis. Data yang diambil dalam penelitian ini adalah data transaksi penjualan disuatu apotek di Apotek sejati Binjai. Hasil dari aturan asosiasi yang didapat yaitu berupa kombinasi dari jenis obat yang sering dibeli oleh konsumen. Dari hasil tersebut diharapkan dapat membantu manajemen apotek untuk merancang strategi pemasaran obat di apoteknya.
APRIORI ALGORITHM IMPLEMENTATION AND FP-GROWTH MARKET BASKET ANALYSIS IN BUYING DRUGS
AT A PHARMACY
ABSTRACT
Technique market basket analysis is a technique for finding patterns in the form of products that are often purchased together or tend to appear together in a transaction. This research aims to create an application of data mining using association rules with a priori method as market basket analysis techniques. The data taken in this study is the pharmacy sector in the sales transaction data in real Binjai Pharmacy. The results obtained from association rule which is a combination of the types of drugs that are often purchased by consumers. From these results should help to design management pharmacy drug marketing strategies in pharmacy.
PENDAHULUAN
1.1. Latar Belakang
Saat ini, perkembangan teknologi telah memberikan pengaruh yang sangat besar di dalam kehidupan manusia. Salah satunya adalah dengan munculnya tuntutan bagi seorang pengambil keputusan untuk dapat melihat peluang-peluang yang dapat meningkatkan penjualan di perusahaanya berdasarkan informasi yang relevan. Knowledge atas suatu produk, dapat digunakan oleh perusahaan untuk meningkatkan penjualan. Salah satu cara untuk mendapatkan knowledge adalah dengan melakukan data mining.
Sebagai contoh dalam dunia usaha seperti pada Apotek, yang setiap harinya terjadi transaksi penjualan obat-obatan. Dimana biasanya resep yang diberikan oleh Dokter tidak hanya satu jenis obat saja tetapi terdiri dari beberapa jenis obat yang fungsi dari obat-obatan tersebut berkaitan dengan obat yang lain yang membantu penyembuhan si pasien.
data tersebut, pada saat ini disebut dengan data mining. Data mining dimaksudkan untuk memberikan solusi nyata bagi para pengambil keputusan, untuk mengembangkan bisnis mereka.
Untuk mendapatkan informasi tentang asosiasi antar produk dari suatu database transaksi, penulis menggunakan algoritma apriori dan FP-Growth. Algoritma apriori adalah algoritma market basket analysis yang digunakan untuk menghasilkan association rule, dengan pola “if-then” atau “jika-maka”. Market basket analysis merupakan salah satu teknik dari data mining yang mempelajari tentang perilaku kebiasaan konsumen dalam membeli produk secara bersamaan dalam suatu waktu. Market basket dapat menemukan pola yang berupa produk-produk yang sering dibeli bersamaan atau cenderung muncul bersama dalam sebuah
transaksi. Perusahaan lalu dapat meggunakan pola ini untuk menempatkan produk
yang sering dibeli bersamaan ke dalam sebuah area yang berdekatan. Penerapan
teknik market basket analysis pada perancangan tata letak produk di swalayan sudah dilakukan oleh beberapa peneliti, antara lain metode aturan asosiasi (Widianti &
Soetisna, 2003), Wijoyo (2011) menggunakan algoritma Apriori untuk membuat sistem penunjang keputusan penempatan produk di pasar swalayan. Sementara itu,
Apriori (Zhao et al. 2003).. Berdasarkan hal di atas, maka dalam penulisan skripsi ini, penulis memilih judul “Implementasi Algoritma Apriori dan FP-Growth dalam Market Basket Analysist Pembelian Obat pada Suatu Apotek”.
1.2. Rumusan Masalah
Adapun rumusan masalah pada penelitian ini adalah :
1. Mendapatkan kombinasi dari jenis produk-produk yang sering dibeli bersamaan
oleh konsumen.
2. Mengimplementasikan hasil dari kombinasi jenis produk-produk ke dalam sebuah
aplikasi data mining.
1.3. Batasan Masalah
1. Data yang diinput merupakan data transaksi penjualan obat yang dibeli selama 1
bulan di Apotek Sejati Binjai
2. Perancangan program menggunakan bahasa pemrograman Visual Basic Net dan
penyimpanan data dilakukan di Microsoft Access.
3. Output berupa perbandingan hasil kecepatan analisis antara algoritma Apriori dan FP-Growth
1.4. Tujuan Penelitian
Adapun tujuan dari penelitian ini adalah:
1. Membantu pemilik Apotek untuk mengetahui data produk yang sering dibeli
se-cara bersamaan.
2. Memberi solusi kepada Pemilik Apotek dalam menentukan strategi pemasaran
dan keterkaitan antara obat yang dibeli oleh pasien sehingga dapat meningkatkan pelayanan konsumen.
1.5. Manfaat Penelitian
Adapun manfaat dari penelitian ini adalah:
1. Dapat memudahkan dalam pengambilan keputusan untuk mengetahui informasi
2. Untuk mengatur tata letak obat yang sering dibeli secara bersamaan oleh
konsumen supaya diletakkan secara berdekatan
1.6. Metode Penelitian
Metode penelitian yang akan digunakan adalah:
1. Studi Literatur
Studi literatur yang digunakan dalam penulisan skripsi ini adalah mengumpulkan bahan referensi mengenai Sistem Market Basket Analysis dengan menggunakan Algoritma Apriori dan FP-Growth dari berbagai buku, jurnal, artikel dan beberapa referensi lainnya.
2. Pengumpulan Data
Pada tahap ini data yang dikumpulkan berupa data transaksi penjualan obat pada Apotek Sejati Binjai.
3. Analisis dan Perancangan Sistem
4. Implementasi Sistem
Pada tahap ini dilakukan proses implementasi pengkodean program dalam aplikasi komputer menggunakan bahasa pemrograman yang telah dipilih yang sesuai dengan analisis dan perancangan yang sudah dilakukan.
5. Pengujian
Pada tahap ini dilakukan proses pengujian dan percobaan terhadap sistem sesuai dengan kebutuhan yang ditentukan sebelumnya serta memastikan program yang dibuat berjalan seperti yang diharapkan.
6. Dokumentasi
Tahap ini merupakan laporan dan kesimpulan akhir dari hasil analisa dan pengujian ke dalam bentuk skripsi.
1.7. Sistematika Penulisan
Adapun langkah-langkah dalam menyelesaikan penelitian ini adalah sebagai berikut :
BAB 1 : PENDAHULUAN
Pembelian Obat pada Suatu Apotek”, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian, dan sistematika penulisan.
BAB 2 : TINJAUAN PUSTAKA
Bab ini membahas mengenai teori-teori yang berkaitan dengan perancangan sistem yang akan dibuat.
BAB 3 : ANALISIS DAN PERANCANGAN SISTEM
Bab ini membahas mengenai analisis terhadap permasalahan dan penyelesaian masalah dengan menggunakan algoritma FP-Growth dan algoritma Apriori.
BAB 4 : IMPLEMENTASI SISTEM
Bab ini membahas implementasi perancangan sistem dari hasil analisis dan perancangan yang sudah dibuat, serta menguji sistem untuk menentukan kelebihan dan kekurangan sistem yang dibuat.
BAB 5 : KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan dan saran dari keseluruhan uraian bab-bab sebelumnya dan saran-saran yang diharapkan dapat bermanfaat dalam pengembangan selanjutnya.
TINJAUAN PUSTAKA
2.1. Data Mining
Definisi sederhana dari data mining adalah ekstraksi informasi atau pola yang penting atau menarik dari data yang ada di database. Secara lengkap, Data mining merupakan 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 tumpukan data dengan tujuan untuk memanipulasi data menjadi informasi yang lebih berharga.
Menurut Berry dan Linoff (2004): “Data mining adalah mengeksplorasi dan menganalisis data dalam jumlah besar untuk menemukan pola dan rule yang berarti”. Sedangkan menurut Han dan Kamber (2001): “Data mining adalah proses menambang (mining) pengetahuan dari sekumpulan data yang sangat besar”. Data mining merupakan suatu langkah dalam Knowledge Discovery in Database (KDD). Jadi, dengan semakin berkembangnya kebutuhan akan informasi-informasi, semakin banyak pula bidang-bidang yang rnenerapkan konsep data mining.
visualisai untuk penanganan permasalahan pengambilan informasi dari database yang besar (Larose, 2005). Data mining adalah analisis otomatis dari data yang berjumlah besar atau kompleks dengan tujuan untuk menentukan pola atau kecenderungan yang penting yang biasanya tidak disadari keberadaannya (Moertini, 2002). Hal-hal penting yang terkait dengan data mining adalah (Luthfi & Kusrini, 2009) :
1. Data mining merupakan suatu proses otomatis terhadap data yang sudah
ada.
2. Data yang akan diproses berupa data yang sangat besar.
3. Tujuan data mining adalah mendapatkan hubungan atau pola yang
mungkin memberikan indikasi yang bermanfaat.
Hubungan yang dicari dalam data mining dapat berupa hubungan antara dua atau lebih objek dalam satu dimensi yang sama. Misalnya dalam dimensi produk dapat melihat keterkaitan pembelian suatu produk dengan produk yang lain. Selain itu, hubungan juga dapat dilihat antara dua atau lebih atribut dan dua atau lebih objek (Ponniah, 2001). Masalah-masalah yang sesuai untuk diselesaikan dengan teknik data mining dapat dicirikan dengan :
1. Memerlukan keputusan yang bersifat knowledge-based. 2. Mempunyai lingkungan yang berubah.
3. Metode yang ada sekarang bersifat sub-optimal. 4. Tersedia data yang bisa diakses, cukup dan relevan.
Data mining sering digunakan untuk membangun model prediksi/inferensi yang bertujuan untuk memprediksi tren masa depan atau perilaku berdasarkan analisis data terstruktur. Dalam konteks ini, prediksi adalah pembangunan dan penggunaan model untuk menilai kelas dari contoh tanpa label, atau untuk menilai jangkauan nilai atau contoh yang cenderung memiliki nilai atribut. Klasifikasi dan regresi adalah dua bagian utama dari masalah prediksi, dimana klasifikasi digunakan untuk memprediksi nilai diskrit atau nominal sedangkan regresi digunakan untuk memprediksi nilai terus-menerus atau nilai yang ditentukan (Larose, 2005).
2.1.1. Tahapan Data Mining
Gambar 2.1. Tahapan Data Mining
Dari gambar dapat dijelaskan proses dari data mining dari setiap tahap yaitu berikut ini:
1. Data cleaning
Tahapan ini dilakukan untuk menghilangkan data noise dan data yang tidak konsisten atau relevan dengan tujuan akhir dari proses data mining.
2. Data integration
Tahapan ini dilakukan untuk menggabungkan atau mengkombinasikan dari multiple data source.
Yang dilakukan pada tahapan ini adalah memilih atau menyeleksi data apa saja yang relevan dan diperlukan dari database.
4. Data transformation
Untuk mentransformasikan data ke dalam bentuk yang lebih sesuai untuk di mining.
5. Data mining
Proses terpenting dimana metode tertentu diterapkan dalam database untuk menghasilkan data pattern.
6. Pattern evaluation
Untuk mengidentifikasi apakah interesting patterns yang didapatkan sudah cukup mewakili knowledge berdasarkan perhitungan tertentu.
7. Knowledge presentation
Untuk mempresentasikan knowledge yang sudah didapatkan dari user.
2.1.2. Pengelompokkan Data Mining
1. Deskripsi
Terkadang penelitian analisis secara sederhana ingin mencoba mencari cara untuk menggambarkan pola dan kecenderungan yang terdapat dalam data. Sebagai contoh, petugas pengumpulan suara mungkin tidak dapat menemukan keterangan atau fakta bahwa siapa yang tidak cukup profesional akan sedikit didukung dalam pemilihan presiden. Deskripsi dari pola dan kecenderungan sering memberikan kemungkinan penjelasan untuk suatu pola atau kecenderungan.
2. Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih ke arah numerik daripada ke arah kategori. Model dibangun menggunakan record lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi. Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel target dibuat berdasarkan nilai variabel prediksi. Sebagai contoh, akan dilakukan estimasi tekanan darah sistolik pada pasien rumah sakit berdasarkan umur pasien, jenis kelamin, indeks berat badan, dan level sodium darah. Hubungan antara tekanan darah sistolik dan nilai variabel prediksi dalam proses pembelajaran akan menghasilkan model estimasi. Model estimasi yang dihasilkan dapat digunakan untuk kasus baru lainnya.
Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam prediksi nilai dari hasil akan ada di masa datang. Contoh prediksi dalam bisnis dan penelitian adalah :
1. Prediksi harga beras dalam tiga bulan yang akan datang.
2. Prediksi presentase kenaikan kecelekaan lalu lintas tahun depan jika batas bawah kecepatan dinaikkan.
Beberapa metode dan teknik yang digunakan dalam klasifikasi dan estimasi dapat pula digunakan (untuk keadaan yang tepat) untuk prediksi.
4. Klasifikasi
Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh, penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan tinggi, pendapatan sedang, dan pendapatan rendah.
Contoh lain klasifikasi dalam bisnis dan penelitian adalah :
1. Menentukan apakah suatu transaksi kartu kredit merupakan transaksi yang curang atau bukan.
3. Mendiagnosis penyakit seorang pasien untuk mendapatkan kategori penyakit apa.
5. Pengklusteran
Pengklusteran merupakan pengelompokan record, pengamatan, atau memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan. Cluster adalah kumpulan record yang memiliki kemiripan satu dengan yang lainnya dan memiliki ketidakmiripan dengan record-record dalam cluster lain.
Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variabel target dalam pengklusteran. Pengklusteran tidak mencoba untuk melakukan klasifikasi, mengestimasi, atau memprediksi nilai dari variabel target. Akan tetapi, algoritma pengklusteran mencoba untuk melakukan pembagian terhadap keseluruhan data menjadi kelompok-kelompok yang memiliki kemiripan (homogen), yang mana kemiripan record dalam satu kelompok akan bernilai maksimal, sedangkan kemiripan dengan record dalam kelompok lain akan bernilai minimal.
Contoh pengklusteran dalam bisnis dan penelitian adalah:
2. Mendapatkan kelompok-kelompok konsumen untuk target pemasaran dari suatu produk bagi perusahaan yang tidak memiliki dana pemasaran yang besar.
3. Untuk tujuan audit akuntansi, yaitu melakukan pemisahan terhadap perilaku finansial dalam baik dan mencurigakan.
6. Asosiasi
Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja.
Contoh asosiasi dalam bisnis dan penelitian adalah :
1. Menemukan barang dalam supermarket yang dibeli secara bersamaan dan barang yang tidak pernah dibeli secara bersamaan.
2.2. Algoritma Apriori
Algoritma apriori adalah sebuah algoritma pencarian pola yang sangat populer dalam teknik penambangan data (data mining). Algoritma ini ditujukan untuk mencari kombinasi itemset yang mempunyai suatu nilai keseringan tertentu sesuai kriteria atau filter yang diinginkan. Algoritma ini diajukan oleh R. Agrawal dan R. Srikant tahun 1994.
Hasil dari algoritma apriori dapat digunakan untuk membantu dalam pengambilan keputusan pihak manajemen. Algoritma apriori melakukan pendekatan iteratif yang dikenal dengan pencarian level-wise, dimana k-itemset digunakan untuk mengeksplorasi atau menemukan (k+1)-itemset. Oleh karena itu, algoritma apriori dibagi menjadi beberapa tahap yang disebut iterasi. Tiap iterasi menghasilkan pola frekuensi tinggi (frequent itemset).
Dalam menentukan suatu association rule, terdapat suatu interestingness measure (ukuran ketertarikan) yang didapatkan dari hasil pengolahan data dengan perhitungan tertentu. Umumnya ada dua ukuran, yaitu:
1. Support (nilai penunjang/pendukung): suatu ukuran yang menunjukkan
domi-2. Confidence (nilai kepastian/keyakinan): suatu ukuran yang menunjukkan hubun-gan antar 2 item secara conditional (misal, seberapa sering item B dibeli jika orang membeli item A).
Kedua ukuran ini nantinya berguna dalam menentukan interesting association rules, yaitu untuk dibandingkan dengan batasan (threshold) yang ditentukan oleh user. Batasan tersebut umumnya terdiri dari min_support dan min_confidence, dimana hal tersebut ditempuh dengan cara sebagai berikut :
1. Mencari semua frequent itemset yaitu itemset dengan nilai support ≥ minimum support yang merupakan ambang batas yang diberikan oleh user. Dimana itemset itu merupakan himpunan item yaitu kombinasi produk yang dibeli.
2. Mencari aturan asosiasi yang confidence dari frequent itemset yang didapat.
3. Sedangkan tahap selanjutnya adalah mencari rule-rule yang sesuai dengan
tar-get user yang didapat dari proses association rule mining sebelumnya. Rule-rule yang didapat mendeskripsikan kombinasi itemset yang dijadikan pertim-bangan di dalam membuat kesimpulan.
Secara terperinci, berikut adalah langkah-langkah proses pembentukan Association Rule
dengan algoritma apriori :
1. Di iterasi pertama ini, support dari setiap item dihitung dengan men-scan
satu item dalam C1. Setelah support dari setiap item didapat, Kemudian nilai sup-port tersebut dibandingkan dengan minimum support yang telah ditentukan, jika nilainya lebih besar atau sama dengan minimum support maka itemset tersebut termasuk dalam large itemset. Item yang memiliki support di atas minimum sup-port dipilih sebagai pola frekuensi tinggi dengan panjang 1 atau sering disebut
Large 1-itemset atau disingkat L1.
2. Iterasi kedua menghasilkan 2-itemset yang tiap set-nya memiliki dua item. sistem akan menggabungkan dengan cara, kandidat 2-itemset atau disingkat C2 dengan mengkombinasikan semua candidat 1-itemset (C1). Lalu untuk tiap item pada C2 ini dihitung kembali masing-masing support-nya. Setelah support dari semua C2 didapatkan, Kemudian dibandingkan dengan minimum support. C2 yang memenuhi syarat minimum support dapat ditetapkan sebagai frequent itemset den-gan panjang 2 atau Large 2-itemset (L2).
3. Itemset yang tidak termasuk dalam large itemset atau yang tidak memenuhi nilai minimum support tidak diikutkan dalam iterasi selanjutnya (di prune).
4. Setelah itu dari hasil frequent itemset atau termasuk dalam Large 2-itemset terse-but, dibentuk aturan asosiasi (association rule) yang memenuhi nilai minimum
support dan confidence yang telah ditentukan.
2.3. Algoritma FP-Growth
FP-algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul (frequent itemset) dalam sebuah kumpulan data. Pada algoritma Apriori diperlukan generate candidate untuk mendapatkan frequent itemsets. Akan tetapi, di algoritma FP-Growth generate candidate tidak dilakukan karena FP-Growth menggunakan konsep pembangunan tree dalam pencarian frequent itemsets. Hal tersebutlah yang menyebabkan algoritma FP-Growth lebih cepat dari algoritma Apriori.
Karakteristik algoritma FP-Growth adalah struktur data yang digunakan adalah tree yang disebut dengan FP-Tree. Dengan menggunakan FP-Tree, algoritma FP-growth dapat langsung mengekstrak frequent Itemset dari FP-Tree. Penggalian itemset yang frequent dengan menggunakan algoritma FP-Growth akan dilakukan dengan cara membangkitkan struktur data tree atau disebut dengan FP-Tree. Metode FP-Growth dapat dibagi menjadi 3 tahapan utama yaitu sebagai berikut :
Dengan menggunakan algoritma FP-Growth, dapat dilakukan pencarian frequent itemset tanpa harus melalui candidate generation. FP-Growth menggunakan struktur data FP-Tree, sehingga cara kerja algoritma ini adalah melaui scan database yang dilakukan hanya dua kali saja. Data kemudian ditampilkan dalam bentuk FP-Tree, dan setelah FP-Tree terbentuk, digunakan pendekatan devide dan conquer untuk mendapatkan frequent itemset.
2.4. Market Basket Analysis
Kehadiran teknologi informasi terutama basis data dalam suatu perusahaan sudah menjadi hal yang umum bahkan mungkin menjadi kebutuhan pokok perusahaan. Basis data tersebut mulanya hanya digunakan untuk menyimpan data transaksi penjualan yang dilakukan oleh perusahaan. Tetapi dengan berkembangnya perusahaan, basis data tersebut sebenarnya memiliki informasi yang dapat dimanfaatkan oleh pihak manajemen untuk dapat meningkatkan kinerja penjualan pada perusahaan.
diaplikasikan untuk bidang usaha retail yaitu analisis keranjang pasar atau Market Basket Analysis.
Market Basket Analysis adalah suatu analisis atas perilaku konsumen secara spesifik dari suatu golongan atau kelompok tertentu. Market basket juga merupakan salah satu cara yang digunakan pada transaksi penjualan untuk merancang strategi penjualan atau pemasaran yang efektif dengan memanfaatkan data transaksi penjualan yang telah tersedia di perusahaan (Budhi et al. 2006). Market basket dapat menemukan pola yang berupa produk-produk yang dibeli bersamaan atau cenderung muncul bersama dalam sebuah transaksi. Perusahaan lalu dapat menggunakan pola ini untuk menempatkan produk yang sering dibeli bersamaan ke dalam sebuah area yang berdekatan. Sumber data dari market basket analysis dapat bersumber dari transaksi kartu kredit, kupon diskon dan juga dapat dari struk belanjaan yang didapatkan oleh konsumen. Market basket analysis umumnya dimanfaatkan sebagai titik awal pencarian pengetahuan dari suatu transaksi data yang tidak diketahui pola spesifiknya.
Ide dasar dari market basket itu sendiri yaitu dari trolley ataupun keranjang belanja yang dibawa oleh konsumen untuk meletakkan belanjaan mereka ke dalam keranjang tersebut. Di dalam keranjang tersebut berisi berbagai macam produk yang menginformasikan tentang apa saja yang dibeli oleh konsumen.
waktu yang berbeda. Market basket analysis menggunakan informasi tentang apa saja yang dibeli oleh konsumen untuk menghasilkan sebuah pengetahuan untuk melakukan tindak lanjut terhadap strategi pemasaran yang telah dilakukan oleh perusahaan selama ni, apakah harus diadakan promosi untuk meningkatkan minat konsumen berbelanja di perusahaan tersebut ataupun untuk mengatur ulang tata letak produk pada perusahaan berdasarkan struk-struk belanjaan konsumen.
Kelebihan dari proses market basket analysis adalah sebagai berikut:
1. Hasilnya jelas dan mudah dimengerti sebab hanya merupakan suatu pola “jika-maka”. Misalnya : jika produk A dan B dibeli secara bersamaan, maka kemungkinan produk C turut dibeli.
2. Market basket analysis sangat berguna untuk undirected mining yaitu pencarian awal pola.
3. Market basket analysis dapat memproses transaksi tanpa harus kehilangan informasi sebab dapat memproses banyak variabel tanpa perlu dirangkum (summarization) terlebih dahulu.
1. Tingkat pertumbuhan proses secara eksponensial sebagai akibat pertumbuhan ukuran data.
2. Memilki keterbatasan untuk atribut data, misalnya hanya berdasarkan tipe produk.
3. Sulit untuk menemukan items yang akan diolah secara tepat, sebab frekuensi dari item tersebut harus diusahakan seimbang
2.5. Visual Basic Net
Microsoft Visual Basic. NET adalah sebuah alat untuk mengembangkan dan membangun aplikasi yang bergerak di atas sistem . NET Framework, dengan menggunakan bahasa Basic. Dengan menggunakan alat ini, para programmer dapat membangun aplikasi Windows Forms, Aplikasi web berbasis ASP. NET, dan juga aplikasi command-line. Bahasa Visual Basic. NET sendiri menganut paradigma bahasa pemrograman berorientasi objek yang dapat dilihat sebagai evolusi dari Microsoft Visual Basic versi sebelumnya yang diimplementasikan di atas .NET Framework.
Thomas Kurtz pada tahun 1964 dengan nama BASIC yang kepanjangan dari Beginner All Purpose Symbolic Intruction Code. Bahasa BASIC ini tergolong bahasa pemrograman yang paling mudah dipelajari.
2.5.1 Kelebihan Visual Basic Net
Visual Basic mempunyai banyak kelebihan dibandingkan Software/bahasa pemograman yang lain. Di antaranya adalah :
VB.NET mengatasi semua masalah yang sulit disekitar pengembangan aplikasi berbasis windows.
Cocok digunakan untuk mengembangkan aplikasi/program yang bersifat “Ra-pid Application Development”.
Sangat cocok digunakan untuk membuat program/aplikasi Bisnis.
Digunakan oleh hampir semua keluarga Microsoft Office sebagai bahasa Macro-nya, segera akan diikuti oleh yang lain.
Mendekati Object Oriented Programming.
Dapat menjalankan server tersebut dari mesin yang sama atau bahkan dari mesin/komputer yang lain.
2.5.2 Kekurangan Visual Basic Net
Visual Basic juga mempunyai kekurangan/kelemahan, yaitu :
Visual Basic (VB) tidak memiliki database sendiri dan biasanya VB menguna-kan database seperti : mysql, sql server, microsoft access.
VB tidak punya pendukung untuk membuat report dari bawaan VB sendiri
Program/aplikasi yg dibuat dgn VB.Net harus menggunakan .Net Framework untuk menjalaninya
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
Analisis sistem yang akan dibangun meliputi analisis pengguna sistem, analisis kebutuhan yang akan digunakan berupa pencarian rule berdasarkan teknik association rule dengan algoritma apriori. Selanjutnya melakukan tahap perancangan sistem untuk membangun aplikasi data mining. Pada tahap perancangan sistem, akan dibahas perancangan alur kerja sistem (flowchart), perancangan fungsi-fungsi program yang akan digunakan dan perancangan antarmuka pemakai (user interface).
3.1 Analisis Masalah
per-coba buat untuk analisis masalah dalam menghasilkan sebuah informasi ataupun pengetahuan baru.
Gambar 3.1. Diagram Fishbone 3.1.1 Analisis Data
Analisa data dilakukan setelah data terkumpul dan sesuai dengan kebutuhan sistem ini.
Oleh sebab itu, untuk menghasilkan kesimpulan berdasarkan aturan (rule) pada analisis data, diperlukan data transaksi yang telah dibeli konsumen. Analisis data tersebut
dilakukan berdasarkan teknik aturan asosiasi menggunakan algoritma apriori dengan beberapa iterasi atau langkah-langkah. Data yang diambil merupakan data transaksi
pembelian produk pada bulan Maret tahun 2013 pada Apotek Sejati Binjai.
Data tersebut adalah data yang mewakili keseluruhan data transaksi sebanyak 7
transaksi dan dapat dilihat pada Tabel 3.1.
ID_Transaksi Item yang dibeli 1 Amoxilin, Allupurinol, Chloramphenicol 2 Chloramphenicol, Dexametason
3 Chloramphenicol,Paracetamol, Amoxilin
4 Dexametason, Chloramphenicol, Allupurinol, Amoxilin 5 Allupurinol, Amoxilin
6 Allupurinol, Chloramphenicol, Paracetamol 7 Paracetamol, Amoxilin, Dexametason
3.1.2 Pengelompokkan Daftar Produk Berdasarkan Data Transaksi
Dari Tabel 3.1 terdapat 7 transaksi yang masing- masing transaksi terdapat beberapa produk atau item yang dibeli oleh konsumen di Apotek Sejati Binjai. Untuk itu item yang dibeli diberikan kode produk untuk mempermudah dalam pencarian rule seperti tabel berikut:
No Barang Kode Barang
1 Dexametason A
2 Paracetamol B
3 Chloramphenicol C
4 Amoxilin D
5 Allupurinol E
3.1.3 Analisis Pencarian Pola Frekuensi Tinggi
Dari Tabel 3.1 Misalkan diberikan nilai Ф=3 dari 7 transaksi dan kemudian dilakukan pencarian nilai support pada masing-masing item dengan rumus :
Support =
Jumlah tr ansaksi mengandung A dan B
Total Transaksi x 100
Langkah 1: Mencari C1 (Kandidat 1-itemset) seperti berikut :
Barang Kode Barang Support
Dexametason A 3/7 x 100 % = 43%
Paracetamol B 3/7 x 100 % = 43 %
Chloramphenicol C 5/7 x 100 % = 72 %
Amoxilin D 5/7 x 100 % = 72 %
Allupurinol E 4/7 x 100 % = 57 %
Langkah 2 :
Berdasarkan Tabel 3.3 yang berisi item-item dengan support yang dimilikinya, selanjutnya cari L1={large 1-itemset} dengan memilih item yang memenuhi nilai minimum support > 43% seperti pada tabel 3.4.
Tabel 3.4 L1 (Large 1-itemset)
Barang Kode Barang Support
Chloramphenicol C 5/7 x 100 % = 72 %
Amoxilin D 5/7 x 100 % = 72 %
Allupurinol E 4/7 x 100 % = 57 %
Langkah 3
Support_count adalah jumlah kombinasi item yang ada pada transaksi penjualan produk, yang berarti seberapa sering kombinasi item tersebut muncul pada transaksi.
Tabel 3.5 C2 (Kandidat item set)
No Item set Support_count Support
1 Chloramphenicol, Amoxilin 3 3/7 x 100 % = 43 %
2 Chloramphenicol, Allupurinol 3 3/7 x 100 % = 43 %
3 Amoxilin, Chloramphenicol 3 3/7 x 100 % = 43%
4 Amoxilin, Allupurinol 3 3/7 x 100 % = 43%
5 Allupurinol, Chloramphenicol 3 3/7 x 100 % = 43 %
6 Allupurinol, Amoxilin 3 3/7 x 100 % = 43 %
Langkah 4
Setelah dihitung dan ditemukan support dari tiap kandidat 2-itemsets pada Tabel 3.8 sampai Tabel 3.1 maka dengan tahap pemangkasan (prune) yaitu menghilangkan item yang tidak memenuhi nilai minimum support ≥43% dapat dihasilkan sebagai berikut:
Tabel 3.6 L2 (Large 2-itemset)
No Itemset Support
1 Chloramphenicol, Amoxilin 43 %
2 Chloramphenicol, Allupurinol 43 %
3 Amoxilin, Chloramphenicol 43 %
4 Amoxilin, Allupurinol 43 %
5 Allupurinol, Chloramphenicol 43 %
3.1.4 Pembentukan Aturan Asosiasi
Untuk mencari aturan asosiasi dari iterasi terhadap langkah-langkah yang dilakukan sebelumnya, kemudian akan dihitung nilai confidence dari setiap item yang terdapat pada L2 berdasarkan rumus berikut:
Confidence = P (A B) =
Jumlah transaksi mengandung A dan B
jumlah item A x 100 %
Tabel 3.7 L2 dengan nilai Confidence
No Itemset (A B) Confidence
1 Chloramphenicol, Amoxilin 3/5 x 100 % = 60 %
2 Chloramphenicol, Allupurinol 3/5 x 100 % = 60 %
3 Amoxilin, Chloramphenicol 3/5 x 100 % = 60 %
4 Amoxilin, Allupurinol 3/5 x 100 % = 60 %
5 Allupurinol, Chloramphenicol 3/4 x 100 % = 75 %
6 Allupurinol, Amoxilin 3/4 x 100 % = 75 %
Tabel 3.8 Aturan Asosiasi
No Itemset Support Confidence
1 Allupurinol, Chloramphenicol 3/7 x 100 % = 43 % 3/4 x 100 % = 75 %
2 Allupurinol, Amoxilin 3/7 x 100 % = 43 % 3/4 x 100 % = 75 %
Dari tahap-tahap yang telah dilakukan, item yang memenuhi nilai minimum support = 43% dan minimum confidence = 75% berdasarkan aturan Asosiasi yang terbentuk maka dapat diambil kesimpulan sebagai berikut :
1. Jika membeli Allupurinol, maka akan membeli Chloramphenicol. 2. Jika membeli Allupurinol, maka akan membeli Amoxilin.
3.2. Perancangan Sistem
dalam memenuhi kebutuhan user sistem. Perancangan sistem terdiri dari pembuatan flowchart sistem, data flow diagram (DFD), dan perancangan antarmuka pemakai (user interface).
3.2.1 Flowchart Sistem
Gambar 3.3. Flowchart Algoritma FP-Growth
3.2.2. Data Flow Diagram (DFD)
Data Flow Diagram (DFD) adalah suatu model logika data atau proses yang dibuat untuk menggambarkan dari mana asal data dan kemana tujuan data yang keluar dari sistem, dimana data disimpan, proses apa yang menghasilkan data tersebut dan interaksi antara data yang tesimpan serta proses yang dikenakan pada data tersebut. DFD menunjukan hubungan antar data pada sistem dan proses pada sistem.
Pada sistem ini digunakan DFD level-0, DFD Level-1, dan DFD Level-2 untuk penjelasan lebih lanjut akan dijabarkan sebagai berikut.
3.2.2.1. Data Flow Diagram Konteks (DFD) Level - 0
Gambar 3.4. DFD Level-0
3.2.2.2. Data Flow Diagram (DFD) Level - 1
3.2.2.3 Data Flow Diagram (DFD) Level – 2
Pada Data Flow Diagram (DFD) level - 2 ini, proses yang terjadi pada DFD level - 1 atau proses yang ditunjukkan pada gambar 3.5 yaitu pada proses data mining dikembangkan menjadi lebih terperinci, yang akan diperlihatkan pada gambar 3.6 berikut ini.
BAB 4
IMPLEMENTASI SISTEM
4.1 Implementasi Sistem
Setelah melakukan perancangan sistem, maka tahap selanjutnya yang harus dilakukan adalah tahapan implementasi. Tahapan implementasi pada aplikasi ini meliputi spesifikasi kebutuhan perangkat keras dan perangkat lunak yang dibutuhkan dalam membangun aplikasi. Selain itu juga, implementasi sistem memiliki tujuan yaitu :
1. Untuk mengetahui apakah aplikasi telah berjalan dengan lancar dan sesuai
dengan yang diinginkan atau kebutuhan
2. Untuk mengetahui apakah aplikasi dapat atau mudah digunakan oleh orang
yang paham terhadap komputer ataupun orang awam sekalipun.
perangkat keras ( hardware ), perangkat lunak ( software ) dan perangkat manusia ( brainware ).
4.2.1 Spesifikasi Perangkat Keras ( Hardware)
Perangkat keras ( hardware ) adalah komponen pada komputer yang dapat dilihat dan disentuh secara fisik dan digunakan sebagai input, output, penyimpanan atau lain sebagainya.
Pada proses implementasi aplikasi simulasi antrian, penulis menggunakan sebuah laptop dengan spesifikasi sebagai berikut :
1. Prosesor Intel Core 2 Duo 2. Memory RAM 1 GB 3. Hard disk 160 GB
4. Monitor super VGA 14 inchi
4.2.2 Spesifikasi Perangkat Lunak
dengan fungsi melakukan berbagai kegiatan. Perangkat lunak yang digunakan dalam perancangan aplikasi ini adalah :
1. Sistem Operasi Windows 8 Ultimate 2. Microsoft Visual Studio 2013 3. Database Microsoft Acsess
4.2.3 Brainware
Brainware adalah manusia yang menggunakan atau memanfaatkan komputer sebagai contoh programmer. Adapun brainware dalam pembangunan aplikasi ini adalah penganalisa sistem untuk melakukan penganalisaan terhadap aplikasi yang dirancang telah sesuai dengan kebutuhan atau tidak, selain itu brainware dalam pembangunan aplikasi ini adalah publik atau orang yang memanfaatkan aplikasi.
Setelah melakukan tahap perancangan yang ada pada bab 3, tahap selanjutnya adalah mengimplementasikannya. Dari hasil tahap implementasi dihasilkan sebuah aplikasi dengan nama “Implementasi Algoritma Apriori dan FP-Growth dalam Market Basket Analysist Pembelian Obat pada Suatu Apotek”
4.3 Tampilan Rancangan Antarmuka
Pada saat pertama kali aplikasi ini dijalankan maka akan muncul tampilan menu untuk memilih menu file, transaksi dan analisa. Tampilan menu utama dapat dilihat pada Gambar 4.1
Gambar 4.1. Halaman Menu Utama 4.3.2 Tampilan Data Barang
apa yang ada di Apotek tersebut. Tampilan pemesan menu dapat dilihat pada Gambar 4.2
Gambar 4.2. Tampilan Form Data Barang
4.3.2.1. Penjelasan Tampilan Form Data Barang Langkah 1 : Mulai
Pilih “file” lalu pilih “barang” 2 : Melakukan Penambahan Barang
a. Isi kode barang yang akan digunakan untuk barang yang akan
ditambahkan di kolom “kode barang”
b. Isi nama barang yang akan ditambahkan di kolom “barang” c. Pilih kategori barang yang akan ditambahkan.
d. Tekan tombol “simpan” untuk menyimpan barang yang telah
ditambahkan ke dalam database. 3 : Melakukan Pencarian Barang
a. Tekan tombol “cari”
b. Setelah itu muncul form untuk memasukkan kode barang apa yang
akan di cari, lalu tekan tombol “ok” maka nama barang yang dicari akan muncul di kolom “barang”
4 : Melakukan Penghapusan Data
a. Double klik pada list barang yang akan dihapus
b. Tekan tombol “hapus” untuk menghapus data yang telah disimpan
5 : Tekan tombol “keluar” untuk keluar dari form tersebut 6 : selesai
Pada halaman penjualan ini terdapat empat tombol yaitu, transaksi baru, tambah, hapus dan keluar
4.3.3.1. Penjelasan Tampilan Data Penjualan Langkah 1 : Mulai
Pilih menu “transaksi”
2 : Melakukan input data penjualan
a. Tekan tombol “transaksi baru”, setelah itu akan muncul nomor
fakturnya.
b. Tekan tombol “esc” pada keyboard
c. Pilih barang yang dibeli konsumen lalu tekan enter
d. Isikan banyaknya jumlah barang yang dibeli di kolom “qty”
e. Tekan tombol “tambah”, setelah itu data barang yang dibeli akan
muncul.
3 : Melakukan Penghapusan Data
c. Double klik pada list barang yang akan dihapus
d. Tekan tombol “hapus” untuk menghapus data yang telah disimpan
Pada form inilah proses Apriori dan FP-Growth dilakukan. Untuk memulainya, klik tombol “analisa”, maka akan muncul tampilan seperti berikut :
Gambar 4.4. Halaman Menu Analisa
Gambar 4.5. Halaman Menu Analisa
Gambar 4.6. Halaman Hasil Analisa
Dari hasil analisa tersebut diperoleh hasil sebagai berikut :
- Dengan Algoritma Apriori, rule yang dihasilkan adalah, jika dibeli barang E (Allupurinol), maka dibeli barang C (Chloramphenicol) dan jika dibeli barang E (Allupurinol), maka dibeli barang D (Amoxilin) dengan masing-masing nilai support 43% dan nilai confidence 75% dan kecepatan waktu 2.167 second - Dengan Algoritma FP-Growth, yang dihasilkan adalah, jika dibeli barang E
Artinya, kedua algoritma tersebut menghasilkan rule yang sama, tetapi proses analysis dengan menggunakan algoritma fp-growth lebih cepat dibandingkan dengan algoritma apriori
BAB 5
PENUTUP
5.1 Kesimpulan
Berdasarkan penelitian yang telah dilakukan selama pengumpulan data, perancangan hingga implementasi sistem, maka dapat diambil beberapa kesimpulkan sebagai berikut :
2. Dengan menganalisa algoritma apriori dan fp-growth dapat diketahui bahwa
algoritma fp-growth lebih cepat proses iterasinya dibandingkan algoritma apriori, yaitu 0.21 second sedangkan dengan algoritma apriori 2.167 second
5.2 Saran
1. Aplikasi ini kedepannya diharapkan bisa lebih dapat dikembangkan lagi agar
dapat menghasilkan output yang lebih interaktif, misalnya dengan adanya grafik yang menampilkan rule yang dihasilkan berdasarkan kombinasi item yang sering muncul bersamaan.
2. Dalam sistem ini data barang dan data transaksi masih dilakukan secara
3. Diharapkan agar perusahaan yang bergerak dalam bidang bisnis seperti Apotek
atau swalayan dapat menggunakan sistem ini untuk membantu pengambilan keputusan guna meningkatkan pelayanan dan penjualan produk.
DAFTAR PUSTAKA
3. Diharapkan agar perusahaan yang bergerak dalam bidang bisnis seperti Apotek
atau swalayan dapat menggunakan sistem ini untuk membantu pengambilan keputusan guna meningkatkan pelayanan dan penjualan produk.
DAFTAR PUSTAKA
[2] Harlinda. 2005. Manajemen database: konsep dan penerapan sistem basis data/database. Jurnal ilmiah. Penerbit Sekolah Tinggi Ilmu Ekonomi Nobel Indonesia.
[3] Kadir, Abdul. 2007. Konsep & Tuntutan Praktis Basis Data. Yogyakarta: Andi
[4] Kusrini, & Emha Taufiq Luthfi. 2009. Algoritma - Data Mining. Yogyakarta : Penerbit Andi.
[5] Meiwati. 2011. Aplikasi Data Mining Menggunakan Aturan Asosiasi Dengan Metode Apriori Untuk Analisis Keranjang Pasar Pada Data Penjualan Apotek. Jurnal ilmiah. Penerbit Universitas Gunadarma.
[6] Ninditya, Kharisma. 2011. Analisis Keranjang Pasar Menggunakan Algoritma Predictive Apriori Untuk Menentukan Aturan Asosiasidi Apotek Sehat Jaya. Jurnal ilmiah. Penerbit Universitas Gunadarma.
[7] Noviati, Dwi. 2012. Penerapan Algoritma K-Means Untuk Clustering Data Anggaran Pendapatan Belanja Daerah di Kabupaten XYZ. Jurnal ilmiah. Penerbit Universitas Negeri Gorontalo.
[8] Pathresia. 2012. Implementasi Data Mining dengan Association Rule dalam pengambilan keputusan Untuk korelasi pengambilan Produk Menggunakan Algoritma Apriori. Skripsi: Ekstensi S1 Ilmu Komputer Universitas Sumatera Utara.
[9] Santosa, Budi. 2007. Data Mining Teknik Pemanfaatan Data Untuk Keperluan Bisnis
LISTING PROGRAM
Koneksi Module Koneksi
Public conn As OleDb.OleDbConnection Public cmd As OleDb.OleDbCommand
Public dtreader As OleDb.OleDbDataReader Public dtreader2 As OleDb.OleDbDataReader Public lokasi As String
Public kon As String, rkode As String Public qry As String
Public kolom As Integer, baris As Integer
Public data(1000) As String, transaksibrg(1000) As String, databrg(1000) As String
Public tabelku(1000, 1000) As Integer, XHasil(100) As Integer Public Sub KoneksiDB()
On Error GoTo adaerror
lokasi = System.Environment.CurrentDirectory
data(no) = dtreader("nofaktur")
qry = "select * from tbltransaksi where nofaktur='" & notransaksi & "' and kodebrg='" & kode & "'"
cmd = New OleDb.OleDbCommand(qry, conn) If dtreader.HasRows Then
cekrecordtransaksi = 1 End If
End Function
a = cekDataAnalisa(kode, rkode) If a = 0 Then
qry = "insert into tblanalisa(noanalisa, kodebrg) values ('" & rkode & "', '" & kode & "')"
cmd = New OleDb.OleDbCommand(qry, conn)
Sub LoadAtribut(ByVal kodekasus As String) Dim no As Integer
cmd = New OleDb.OleDbCommand(qry, conn)
qry = "select distinct(confedence) from tblsupportconfedence where nokasus='" & rkode & "' order by confedence desc"
dtreader = cmd.ExecuteReader
Sub tampilHarga()
qry = "insert into tblharga(tgl, kodebrg, harga) values('" & DateTimePicker1.Value & "','" & txtkode.Text & "','" & txtharga.Text & "')" cmd = New OleDb.OleDbCommand(qry, conn)
Private Sub Lv1_SelectedIndexChanged(sender As Object, e As EventArgs) Handles Lv1.SelectedIndexChanged
Private Sub Button4_Click(sender As Object, e As EventArgs) Handles
Dim pilih As String, noNoTA As String, NamaBarang As String
Private Sub Label1_Click(sender As Object, e As EventArgs) Handles Label1.Click
Private Sub FrmPenjualan_Load(sender As Object, e As EventArgs) Handles MyBase.Load
KoneksiDB() lblno.Text = "" End Sub
Private Sub txtkode_KeyPress(sender As Object, e As KeyPressEventArgs) Handles txtkode.KeyPress
Private Sub txtkey_KeyPress(sender As Object, e As KeyPressEventArgs) Handles txtkey.KeyPress
Private Sub txtkey_KeyUp(sender As Object, e As KeyEventArgs) Handles txtkey.KeyUp
Private Sub txtkey_TextChanged(sender As Object, e As EventArgs)
End Sub
Private Sub cmdsimpan_Click(sender As Object, e As EventArgs) Handles cmdsimpan.Click
qry = "Select * from tblpenjualan where nofaktur='" & lblno.Text & "' and kodebrg='" & txtkode.Text & "'"
cmd = New OleDb.OleDbCommand(qry, conn) txtkode.Text & "', '" & txtqty.Text & "', '" & txtharga.Text & "')"
cmd = New OleDb.OleDbCommand(qry, conn) nofaktur='" & lblno.Text & "' and kodebrg='" & txtkode.Text & "'"
cmd.ExecuteNonQuery()
qry = "select * from tblbarang where kodebrg like '%" & txtkey.Text & "%' or barang like '%" & txtkey.Text & "%'"
cmd = New OleDb.OleDbCommand(qry, conn)
Private Sub cmdkeluar_Click(sender As Object, e As EventArgs) Handles cmdkeluar.Click
Me.Close() End Sub
Private Sub cmdedit_Click(sender As Object, e As EventArgs) FrmEditPenjualan.ShowDialog()
End Sub End Class
Public Class FrmBarang Dim pilih As String
Private Sub FrmBarang_FormClosed(sender As Object, e As FormClosedEventArgs) Handles Me.FormClosed
conn.Close() End Sub
Private Sub FrmBarang_Load(sender As Object, e As EventArgs) Handles MyBase.Load
KoneksiDB() LoadKategori() Tampil() End Sub
Private Sub Button3_Click(sender As Object, e As EventArgs) Handles Button3.Click
End Sub
Private Sub Button4_Click(sender As Object, e As EventArgs) Handles Button4.Click
conn.Close() Me.Close() End Sub
Private Sub Button1_Click(sender As Object, e As EventArgs) Handles Button1.Click
KoneksiDB()
If Len(Trim(txtkode.Text)) = 0 Then
cmd.ExecuteNonQuery()
qry = "select distinct(kategori) from tblbarang" cmd = New OleDb.OleDbCommand(qry, conn)
Private Sub Lv_Click(sender As Object, e As EventArgs) Handles Lv.Click If Lv.Items.Count <> 0 Then
pilih = Lv.FocusedItem.Text End If
End Sub
End Sub
Private Sub Button2_Click(sender As Object, e As EventArgs) Handles Button2.Click
If Len(Trim(pilih)) = 0 Then
MsgBox("Pilih dahulu data pada list!", MsgBoxStyle.Information, "No Selected")
Exit Sub End If
Dim pesan As String
pesan = MsgBox("Yakin ingin menghapus data ini?", MsgBoxStyle.Question + vbYesNo, "Konfirmasi")
Dim itemset(1000) As String, sec As Integer
Dim pn As Integer, batas As Integer, h1(500) As String, rn As Integer, nas(500) As String
Dim jlhnas As Integer, himpF2(500, 500) As String, rule(100) As String, fpg(1000, 1000) As String
Dim ToTn(500) As Integer, confi As Double
batas = 3
Function validasiITEMSET(ByVal kode As Integer, nilai As Integer) As Integer
nk = 0
'ListBox1.Items.Add("Maka disusun =>" & nas(a)) "' and kodebrg='" & nas(b) & "'"
Next
End Sub
Sub SimpanDataConfedence(ByVal kode As String, kode1 As String) Dim atur As Boolean
atur = False
qry = "select * from tblsupportconfedence where nokasus='" & rkode & "' and a1='" & kode & "' and a2='" & kode1 & "'"
cmd = New OleDb.OleDbCommand(qry, conn)
'MsgBox("Terjadi Duplikasi Data.!", MsgBoxStyle.Critical, "Alert") Else
qry = "insert into tblsupportconfedence (nokasus, a1, a2) values ('" & rkode & "', '" & kode & "', '" & kode1 & "')"
cmd = New OleDb.OleDbCommand(qry, conn)
Function CEKitemSETKiri(ByVal kode1 As String, nofaktur As String) As Integer
CEKitemSETKiri = 0
cmd = New OleDb.OleDbCommand(qry, conn)
no = 0
qry = "select * from tblsupportconfedence where nokasus='" & rkode & "'"
Sub simpanSC(ByVal kodes As Integer, kodec As Integer, id As Integer) qry = "update tblsupportconfedence set support='" & kodes & "', confedence='" & kodec & "' where id=" & id
cmd = New OleDb.OleDbCommand(qry, conn) cmd.ExecuteNonQuery()
End Sub
End If Next Next
'ListBox2.Items.Add("Transaksi->" & key & ">>" & linklist) Next
End Sub
Sub simpanfpg(ByVal fp As String, fpg As String) Dim stsimpanfpg As Boolean
stsimpanfpg = False
qry = "Select * from tblfpgrowth where nokasus='" & rkode & "' and fp='" & fp & "' and fpg='" & fpg & "'"
cmd = New OleDb.OleDbCommand(qry, conn)
Function reloadHasil(ByVal kode As Integer) As Integer reloadHasil = 0
reloadHasil = XHasil(1) End Function
Sub ReadHasil(ByVal kode As Integer) kode = reloadHasil(1)
TimeAnalisa() End Sub
Function patters(ByVal kode As String) As String patters = ""
End Function
Private Sub Timer1_Tick(sender As Object, e As EventArgs) Handles Timer1.Tick
Private Sub Button1_Click(sender As Object, e As EventArgs) Handles Button1.Click
Me.Close() End Sub
Sub PrintHasil(ByVal kode As String, kode1 As String)