IMPLEMENTASI ASSOCIATION RULE PADA MANAGEMENT INVENTORY MENGGUNAKAN ALGORITMA APRIORI
(Studi kasus : Toserba BORMA Cipadung Bandung)
JURNAL
Diajukan sebagai syarat untuk memperoleh gelar Sarjana Teknik (ST) pada Jurusan Teknik Informatika Fakultas Sains dan Teknologi
Universitas Islam Negeri Sunan Gunung Djati Bandung
Oleh
SYIFA HUZAYMA 1209705135
BANDUNG 2014 M / 1435 H
1
IMPLEMENTASI ASSOCIATION RULE PADA MANAGEMENT INVENTORY MENGGUNAKAN ALGORITMA APRIORI
(Studi kasus : Toserba BORMA Cipadung Bandung) Syifa Huzayma
Jurusan Teknik Informatika, Fakultas Sains dan Teknologi UIN Sunan Gunung Djati Bandung
Terus bertambahnya data transaksi yang dialami oleh Toserba BORMA Cipadung menyebabkan semakin menumpuknya data tersebut, namun pemanfaatannya belum maksimal, hanya digunakan sebagai laporan penjualan saja. Dengan menggunakan Data mining data tersebut dapat lebih dimaksimalkan pemanfaatannya yaitu dengan mencari informasi yang tersembunyi dalam data tersebut, yaitu pola beli konsumen dalam berbelanja berupa kebiasaan suatu produk dibeli bersama dengan produk apa. Informasi ini dapat dijadikan salah satu referensi bagi manajer dalam menentukan penyetokan barang yang optimal sebagai salah satu upaya untuk meningkatkan keunggulan dalam persaingan bisnis retail. Teknik Data Mining yang digunakan adalah Association Rule yang mempunyai 2 parameter yaitu support dan confident dengan menerapkan
Algoritma Apriori. Hasil pencarian informasi dalam data transaksi BORMA dari
bulan oktober dan November 2013 sebanyak 181.194 transaksi diperoleh informasi yaitu jika konsumen membeli Deterjen, maka akan membeli Mie dengan nilai support 661 dan confident tertinggi yaitu 47,8%.
Kata kunci : assosiation rule, support, confident, data mining, algoritma apriori. 1. PENDAHULUAN
Perkembangan ekonomi di Indonesia pada saat ini sangat pesat, hal ini terbukti dengan adanya bidang-bidang usaha yang bermunculan. Dengan adanya bidang usaha baru dapat mengatasi permasalahn negeri ini, yaitu pengangguran. Dampak dari kemunculan adanya usaha baru saat ini membuat setiap perusahaan melakukan perbaikan agar menjadi yang terbaik. Untuk melakukan upaya tersebut tentu sangat membutuhkan biaya yang cukup besar, karena itu mengatasinya memerlukan adanya sistem dari manual menjadi sistem yang terkomputerisasi.
Inventory (stock barang)
merupakan permasalahan operasional
yang sering dihadapi oleh toserba. Inventori bisa berupa jumlah barang yang diletakkan di etalase toserba atau bisa jumlah barang yang disimpan di dalam gudang. Jika jumlah inventory terlalu sedikit dan permintaan tidak dapat dipenuhi karena kekurangan persediaan, hal ini akan mengakibatkan konsumen akan kecewa dan ada kemungkinan konsumen tidak akan kembali lagi. Begitu juga jika inventori terlalu besar, hal ini akan mengakibatkan kerugian bagi toserba karena harus menyediakan tempat yang lebih besar, kemungkinan terjadinya penyusutan nilai guna barang, serta harus menyediakan biaya-biaya tambahan yang terkait dengan biaya
inventory seperti biaya pemeliharaan
dan biaya akuntansi. Karena itu, pihak manajemen harus bisa
1 memutuskan berapa banyak suatu barang harus disiapkan untuk keperluan toserba. Selain itu, pihak manajemen juga harus teliti dalam melihat kebutuhan konsumen sehingga mereka merasa puas karena mendapatkan apa yang dibutuhkannya.
Toserba BORMA Cipadung yang berada di Bandung, sudah melakukan pencatatan dengan komputerisasi dalam setiap transaksi yang dilakukan, dengan tujuan efisiensi kerja dan tingkat pendapatan yang lebih tinggi. Transaksi penjualan dicatat dan disimpan dalam sebuah mesin kasir (POS Sistem) kemudian secara berkala data tersebut direkap dan disimpan dalam sebuah basis data server. Basis data tersebut berisi rekapitulasi seluruh transaksi penjualan selama beberapa periode. Data inilah yang kemudian diolah sehingga dihasilkan laporan penjualan dan laporan laba rugi toserba. Salah satunya adalah untuk membantu manajemen menyediakan informasi guna memecahkan permasalahan yang berhubungan dengan inventory toserba dan untuk menentukan strategi pemasaran. Seperti menentukan kapan harus melakukan reorder pembelian pada supplier, memutuskan untuk menghapus suatu barang dari
inventory, mengetahui pola
pembelian konsumen, dan menentukan model penataan barang yang efektif di toserba. Pengolahan data untuk menghasilkan informasi tersebut saat ini tidak bisa dilakukan karena basis data yang ada di server dirancang hanya untuk menghasilkan laporan penjualan dan laba rugi dengan merangkum dari data transaksi dari yang ada di mesin kasir dan data detail transaksi tetap
disimpan di masing-masing mesin kasir.
2. METODE PENELITIAN Dalam pembangunan sistem ini mengikuti tahapan-tahapan berdasarkan metode yang digunakan yaitu prototype. Berikut tahapan-tahapan pembangunan sistem menggunakan metode prototype: 1. Menentukan kebutuhan
Tahapan dimana requirement atau kebutuhan sistem didefinisikan sesuai data-data fungsi dan proses yang terjadi pada sistem sebelumnya. 2. Membuat prototype
Membangun prototype dengan membuat perancangan sementara yang berfokus pada penyajian kepada pelanggan (misalnya dengan membuat input dan format output). 3. Evaluasi prototipe
Evaluasi ini dilakukan oleh pelanggan apakah prototype yang sudah dibangun sudah sesuai dengan keinginan pelanggan. Jika sudah sesuai maka langkah 4 akan diambil. Jika tidak prototype direvisi dengan mengulangi langkah 1, 2 , dan 3.
4. Mengkodekan sistem
Dalam tahap ini prototype yang sudah di sepakati diterjemahkan ke dalam bahasa pemrograman yang sesuai. 5. Menguji sistem
Setelah sistem sudah menjadi suatu perangkat lunak yang siap pakai, harus dites dahulu sebelum digunakan. Pengujian ini dilakukan dengan Black Box.
6. Evaluasi sistem
Pelanggan mengevaluasi apakah sistem yang sudah jadi
2 sudah sesuai dengan yang diharapkan. Jika ya, langkah 7 dilakukan; jika tidak, ulangi langkah 4 dan 5.
7. Menggunakan sistem
Perangkat lunak yang telah diuji dan diterima pelanggan siap untuk digunakan.
3. HASIL ANALISIS DAN PEMBAHASAN
3.1 Data Mining
Data mining merupakan
ekstraksi informasi yang tersirat dalam sekumpulan data. Data mining juga dapat diartikan sebagai pengekstrakan informasi baru yang diambil dari bongkahan data besar yang membantu dalam pengambilan keputusan. Istilah Data mining kadang disebut juga knowledge
discovery (Prasetyo, 2012).
Data mining merupakan salah satu tahap dalam proses pencarian pengetahuan atau KDD (Knowledge
Discovery in Database), dapat dilihat
pada Gambar 1.
Gambar 1 Data mining sebagai salah satu tahap dalam pencarian pengetahuan (Sumber : Han, 2006)
Secara umum proses Knowledge
Discoery in Database dapat
dijelaskan sebagai berikut : 1. Data cleaning
Sebelum proses Data Mining dapat dilaksanakan, perlu dilakukan proses cleaning atau pembersihan pada data yang menjadi fokus KDD. Proses
cleaning meliputi antara lain
memeriksa data yang tidak lengkap atau missing value dan mengurangi kerancuan atau
noisy.
2. Data integration
Menggabungkan berbagai sumber data yang dibutuhkan atau integration, kualitas data yang dimiliki akan sangat menentukan kualitas dari hasil
Data Mining.
3. Data selection
Pemilihan atau seleksi data yang diperlukan dari sekumpulan sumber data sebelum tahap penggalian informasi dalam KDD dimulai. Data hasil seleksi inilah yang akan digunakan untuk proses
Data mining. Disimpan dalam
suatu berkas terpisah dari sumber data.
4. Transformation
Data-data yang telah melalui proses cleaning, integration, dan
selection tidak bisa langsung
digunakan, tahap ini merupakan proses kreatif untuk merubah bentuk data kedalam bentuk yang dapat dieksekusi oleh program. Bentuk yang dibuat sangat tergantung dari informasi apa yang akan dicari dalam data tersebut.
5. Data mining
Data mining adalah proses
mencari pola atau informasi menarik dalam data dengan menggunakan teknik atau metode tertentu. Teknik, metode, atau algoritma dalam Data
3 Pemilihan metode atau algoritma yang tepat sangat bergantung pada tujuan dan proses KDD secara keseluruhan.
6. Interpretaion atau Evaluation Pola-pola yang diidentifikasi oleh program kemudian diterjemahkan atau diinterpretasikan kedalam bentuk yang bisa dimengerti manusia untuk membantu dalam perencanaan strategi bisnis. 3.2 Association Rule
Aturan asosiasi (Association
rules) atau analisis afinitas (afinity analysis) berkenaan dengan studi
tentang ‘apa bersama apa’. Ini bisa berupa studi transaksi di supermarket, misalnya seseorang yang membeli shampo juga membeli sabun mandi. Disini berarti shampo bersama dengan sabun mandi. Karena awalnya berasal dari studi tentang database transaksi pelanggan untuk menentukan kebiasaan suatu produk dibeli bersama produk apa, maka aturan asosiasi juga sering dinamakan market basket analysis (Santoso, 2007).
Strategi umum yang diadopsi oleh banyak algoritma penggalian aturan asosiasi adalah memecah masalah kedalam dua pekerjaan utama (Prasetyo 2012), yaitu : a. Frequent itemset generation
Tujuannya adalah mencari semua itemset yang memenuhi ambang batas atau minimum support.
Itemset ini disebut frequent itemset
(itemset yang sering muncul). Nilai
support ini diperoleh dengan rumus
dapat dilihat pada Rumus 1. 𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴)
= 𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖
Rumus 1 Rumus mencari nilai
support (Sumber : Kusrini, 2009)
Rumus 1 menjelaskan bahwa nilai support diperoleh dengan cara membagi jumlah transaksi yang mengandung item A dengan jumlah seluruh transaksi.
b. Rule generation
Tujuannya adalah mencari aturan atau pola dengan confidence tinggi dari frequent itemset yang ditemukan dalam langkah itemset generation. Aturan ini kemudian disebut aturan yang kuat (strong rule). Rumus untuk menghitung confidence dapat dilihat pada Rumus 2
𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 = (𝐴 → 𝐵)
= 𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵
𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴
Rumus 2 Rumus mencari nilai
confidence (Sumber : Kusrini, 2009)
3.3 Algoritma Apriori
Algoritma Apriori adalah algoritma paling terkenal untuk menemukan pola frekuensi tinggi. Pola frekuensi tinggi adalah pola-pola item di dalam suatu database yang memiliki frekuensi atau support di atas ambang batas tertentu yang disebut dengan istilah minimum
support. Pola frekuensi tinggi ini
digunakan untuk menyusun aturan assosiatif dan juga beberapa teknik data mining lainnya.
3.4 Perhitungan Data Mining Pada tahap ini algoritma Apriori yang akan digunakan untuk menentukan frequent itemset. Pada penelitian ini akan diambil contoh data sebanyak 12 transaksi dapat dilihat pada Tabel 1. Batasan
minimum support yang diberikan
yaitu 20% atau 20 × 10010 yaitu 2 dan batasan confident yaitu 60 %.
4 Tabel 1 Contoh data transaksi
setelah tahap transformation Tanggal No Transaksi Item 1 Item 2 item 3 Item 4 Item 5 Item 6 10/1/2013 132359 J G I H 10/2/2013 132645 G H E 10/2/2013 132732 J I 10/26/2013 136796 O I H 10/26/2013 136807 G I K H E R 10/27/2013 136933 J I H E 11/30/2013 137002 G H E X 11/1/2013 137621 G I H E 11/3/2013 138071 F A K H U 11/10/2013 139068 D A I H 11/14/2013 139519 D H E 11/29/2013 140473 G W I H
Penelusuran database pertama digunakan untuk menghitung nilai
support masing-masing item dan
menghapus item yang nilai support nya kurang dari minimum support yang telah ditentukan yaitu 2. Hasil dari penelusuran pertama ini adalah diketahuinya jumlah frequensi kemunculan setiap item pada data transaksi dan digunakan untuk mengurutkan item berdasarkan frequensi kemuculan yang paling tinggi dapat dilihat pada Tabel 2.
Tabel 2. Tabel frequensi setiap item
Dari hasil tersebut diperoleh
item yang memiliki frequensi diatas
minimum support > 2 yaitu
A,D,E,G,H,I,K dan J yang diberi nama Frequent List dapat dilihat
pada tabel 4. Frequent List inilah yang akan berpengaruh pada perhitungan selanjutnya, sedangkan
item yang nilai supportnya < 2 akan
dihapus yaitu F,O,R,W,X dan U. tabel dapat dilihat pada Tabel 3.
Tabel 3 Frequent List
Item Support Confident
A 2 122 = 0,16 D 2 122 = 0,16 E 6 126 = 0,5 G 6 126 = 0,5 H 11 1112 = 0,91 I 8 128= 0,67 K 2 122= 0,16 J 3 123= 0,25
Dari hasil tersebut diperoleh item kombinasi yang memiliki minimum
support <2, tabel kombinas per item
dapat dilihat pada Tabel 4.
Tabel 4 Hasil kombinasi per item Item Frequensi A,D 2 A,E 2 A,G 2 A,H 2 A,I 2 A,K 2 A,J 2 D,E 2 D,G 2 D,H 2 D,1 2 D,K 2 D,J 2 E,G 6 E,H 6 E,I 6 E,K 6 E,J 6 G,H 6 G,I 6 G,K 6 Item Frequensi A 2 D 2 E 6 F 1 G 6 H 11 I 8 K 2 O 1 R 1 W 1 X 1 J 3 U 1
5 Tabel 4 Hasil kombinasi per item
(lanjutan) Item Frequensi G,J 6 H,I 11 H,K 11 H,J 11 I,K 8 I,J 8 K,J 2
Dari hasil tersebut diperoleh item kombinasi yang memiliki
minimum support >2 dan mencari minimum confident yaitu 50 %, tabel
dapat dilihat pada Tabel 5.
Tabel 5 Kombinasi item dengan
support dan confident
Item Support Confident A,D 2 12 ⁄ = 0,16 1⁄ X 100 = 50% 2 A,E 2 12 ⁄ = 0,16 0 A,G 2 12 ⁄ = 0,16 0 A,H 2 12 ⁄ = 0,16 2⁄ X 100 = 100% 2 A,I 2 12 ⁄ = 0,16 1⁄ X 100 = 50% 2 A,K 2 12 ⁄ = 0,16 1⁄ X 100 = 50% 2 A,J 2 12 ⁄ = 0,16 0 D,E 2 12 ⁄ = 0,16 1⁄ X 100 = 50% 2 D,G 2 12 ⁄ = 0,16 0 D,H 2 12 ⁄ = 0,16 2⁄ X 100 = 100% 2 D,1 2 12 ⁄ = 0,16 1⁄ X 100 = 50% 2 D,K 2 12 ⁄ = 0,16 0 D,J 2 12 ⁄ = 0,16 0 E,G 6 12 ⁄ = 0,5 4⁄ X 100 = 66,7% 6 E,H 6 12 ⁄ = 0,5 6⁄ X 100 = 100% 6 E,I 6 12 ⁄ = 0,5 3⁄ X 100 = 50% 6 E,K 6 12 ⁄ = 0,5 1⁄ X 100 = 16,7% 6 E,J 6 12 ⁄ = 0,5 1⁄ X 100 = 16,7% 6 G,H 6 12 ⁄ = 0,5 6⁄ X 100 = 100% 6 G,I 6 12 ⁄ = 0,5 4⁄ X 100 = 66,7% 6 G,K 6 12 ⁄ = 0,5 1⁄ X 100 = 16,7% 6 G,J 6 12 ⁄ = 0,5 1⁄ X 100 = 16,7% 6 H,I 11 12 ⁄ = 0,91 7⁄ X 100 = 63,6% 11 H,K 11 12 ⁄ = 0,91 2⁄ X 100 = 18,1% 11 H,J 11 12 ⁄ = 0,91 2⁄ X 100 = 18,1% 11 I,K 8 12 ⁄ = 0,67 1⁄ X 100 = 12,5% 8 I,J 8 12 ⁄ = 0,67 3⁄ X 100 = 37,5% 8 K,J 2 12 ⁄ = 0,16 0
Dari hasil tersebut diperoleh
item kombinasi yang memiliki
frequensi diatas minimum support > 2 dan memiliki confident 60 % yaitu A,D , A,H , A,I , A,K , D,E , D,H , D,I , E,G , E,H , E,I , G,H , G,I dan H,I dapat dilihat pada Tabel 6.
Tabel 6 Kombinasi item Item Support Confident A,H 2 12 ⁄ = 0,16 2⁄ X 100 = 100% 2 D,H 2 12 ⁄ = 0,16 2⁄ X 100 = 100% 2 E,G 6 12 ⁄ = 0,5 4⁄ X 100 = 66,7% 6 E,H 6 12 ⁄ = 0,5 6⁄ X 100 = 100% 6 E,I 6 12 ⁄ = 0,5 3⁄ X 100 = 50% 6 G,I 6 12 ⁄ = 0,5 4⁄ X 100 = 66,7% 6 H,I 11 12 ⁄ = 0,91 7⁄ X 100 = 63,6% 11
3.5 Analisis Kebutuhan Pengguna Rancangan sistem ini dituntut agar fleksibel, efektif dan efisien bagi pengguna aplikasi yaitu kepada user sebagai pengguna tunggal yang melakukan pencarian pola yang tersembunyi dalam data transaksi. Dengan karakteristik pengguna dapat dilihat pada Tabel 7.
Tabel 7 Karakteristik pengguna (User) No Nama Pengguna Kebutuhan 1 User atau pengguna tunggal Dapat melihat data transaksi sebelum maupun sesudah tahap preprocessing, data statistic pembelian bulan Oktober-Desember 2013, melakukan pencarian pola pada data transaksi dan menyimpan pola yang ditentukan. 4. IMPLEMENTASI
Implementasi antarmuka dibuat menggunakan tools Microsoft Visual
6
Basic.Net 2010 dan DotNetBar 10.3.0.2. Implementasi antarmuka
merupakan bagian dari pengolahan implementasi yang disajikan untuk pengguna, dalam hal ini pengguna adalah staff atau manager supermarket yang ingin melihat pola beli konsumen.
A. Form halaman utama
Form halaman utama
didalamnya terdapat beberapa button, diantaranya yaitu data mining, inventory, statistic, about, profile dan exit. User interface untuk halan
utama dapat dilihat pada Gambar 1.
Gambar 1 Form halaman utama Pada halaman utama terdapat 6 menu yaitu data mining, inventory, statistic, about, profile dan exit. Jika pengguna mengklik menu-menu yang terdapat pada halaman ini maka akan muncul berabgai form sebagai berikut:
a. Menu data mining akan diarahkan pada form 1
b. Menu inventory akan diarahkan pada form 4
c. Menu statistic akan diarahkan pada form 9
d. Menu about akan diarahkan pada form 10
e. Menu profile akan diarahkan pada form 11
B. Form data mining
Didalam form data mining
berisikan tentang data transaksi asli yang diolah dengan menggunakan
perhitungan algoritma apriori yang menghasilkan pola beli konsumen yang kemudian hasil dari penghitungan itu digunakan sebagai acuan managemen inventory. User
Interface data mining utama dapat
dilihat pada Gambar 2.
Gambar 2 Form Data Utama Setelah meload data utama yang telah ditransform ke dalam bentuk binner kemudian data tersebut dihitung menggunakan algoritma apriori untuk menentukan support dan confident, seperti pada Gambar 3.
Gambar 3 Form Algoritma Apriori C. Form inventory
Didalam form inventory berisikan tentang sistem penyetokan pada toserba BORMA. User Interface
invetory utama dapat dilihat pada
7 Gambar 4 Form inventory
D. Form report stock barang
Didalam form report stock barang berisikan hasil print out sistem penyetokan pada toserba BORMA.
User Interface report stock barang
dapat dilihat pada Gambar 5.
Gambar 5 Form report stock barang E. Form detail item per merk
Didalam form detail item per
merk berisikan rincian item per merk
dengan jumlah safety stock untuk sistem penyetokan pada toserba BORMA. User Interface detail item
per merk dapat dilihat pada Gambar
6.
Gambar 6 Form detail per merk F. Form statistic detail per mek
Didaam form statistic berisikan tentang statistik penjualan barang per
merk pada tiap bulannya. User Interface untuk statistic dapat dilihat
pada Gambar 7.
Gambar 7 Form statistic per merk G. Form report detail per merk
Didalam form report per merk berisikan hasil print out sistem penyetokan per merk pada toserba BORMA. User Interface report dapat dilihat pada Gambar 8.
8 Gambar 8 Form report per merk H. Form statistic
Didaam form statistic berisikan tentang statistik penjualan barang yang berhubunga.. User Interface untuk statistic dapat dilihat pada Gambar 9.
Gambar 9 Form statistic 5. PENGUJIAN
Pada tabel data transaksi yang telah diurutkan sesuai dengan confident tiap barang dengan nilai support, hal ini akan sangan sulit dilakukan apabila menggunakan perhitungan manual karena sangan banyak. Kemudian algoritma Apriori dibangkitkan untuk melihat pola-pola pembelian konsumen yang hasilnya dapat dilihat pada tabel association
rule. Pola-pola yang dtemukan yang
memenuhi minimum confidence
yaitu sebesar dapat dilihat pada Tabel 5.1.
Tabel 5.2 Hasil pengujian kebutuhan fungsional
Berdasarkan hasil pengujian dengan semua kasus uji yang telah dilakukan, maka dapat disimpulkan bahwa pelaksanaan pengujian terhadap Aplikasi Data Mining Algoritma Apriori sesuai dengan spesifikasi pengujian yang telah ditetapkan, dan untuk semua kasus uji yang dilakukan dinyatakan berhasil.
6. KESIMPULAN
Data transaksi yang tersimpan dapat lebih dimanfaatkan dengan menggunakan Aplikasi Data Mining Algoritma Apriori yang dapat mencari informasi yang tersembunyi dalam data transaksi yaitu pola beli konsumen. Informasi ini dapat dijadikan pertimbangan dalam mengambil sebuah kebijakan dan strategi bisnis seperti menentukan penyetokan barang yang optimal. Hasil dari pengolahan data transaksi 2 bulan Oktober dan November 2013 di BORMA Cipadung, dengan batasan minimum support 20% dan
confident sebesar 40%, ditemukan
pola beli konsumen tertinggi yaitu No
Deskripsi Kebutuh
an
Hasil
Reaksi Sistem Keterangan Sukses Gagal
1 Data
Mining √
Tampil form data utama kemudian menghitung nilai support dan nilai confident dan diterjemahkan ke dalam pola pembelian
Untuk mencari pola yang tersembunyi dalam data transaksi 2 Inventory √ Tampil form inventory association barang dan juga tampil detail barang per merk Untuk melihat sistem penyetokan 3 Statistik pembelia n √
Tampil form statistic barang yang berhubungan dalam pembelian 2 bulan Untuk melihat data statistik pembelian 4 About √ Tampil sekilas informasi aplikasi Untuk melihat informasi aplikasi 5 Profil singkat BORMA √
Tampil sekilas profile BORMA Untuk melihat profil singkat BORMA
9 jika membeli Deterjen, maka akan membeli Mie dengan nilai support 661 dan nilai confident tertinggi yaitu 47,8%.
DAFTAR PUSTAKA
Erwin, 2009, Analisis Market Basket
dengan Algoritma Apriori
dan FP-Growth, Malang:
Fak. Ilmu Komp Univ. Brawijaya.
Gunadi, Goldie., Dana Indra S., 2012, Penerapan Metode
Data Mining Market Basket Analysis Terhadap Data
Penjualan Produk Buku
Dengan Menggunakan
Algoritma Apriori dan
Frequent Patern Growth (FP-GROWTH), Jakarta : Jur Ilmu
Komputer Universitas Indonesia.
Han, Jiawe, Micheline K., 2006,
Data Mining Concepts and Techniques Seconds Edition,
San Fransisco: Morgan Kaufmann Publisher.
Huda, Nuqson M., 2010, Aplikasi
Data Mining untuk
Menampilkan Informasi
Tingkat Kelulusan
Mahasiswa, Semarang:
FMIPA UNDIP.
Kusrini, Emha Taufiq L., 2009,
Algoritma Data Mining,
Yogyakarta : Penerbit ANDI. Kusumo, Dana S., Moch. Arief B,.
Dhinta D., 2003, Data
Mining Dengan Algoritma
Apriori Pada RDBMS
Oracle, Bandung :
Jur.Teknik Informatika STT Telkom.
Santosa, B., 2007, Data Minning
Teknik Pemanfaatan Data
untk Keperluan Bisnis,
Yogyakarta : Graha Ilmu. Syaifullah, M. A., 2010,
Implementasi Data Mining Algoritma Apriori Pada Sistem Penjualan, Yogyakarta :Jur Teknik Informatika AMIKOM. Prasetyo, E., 2012, Data Mining
Konsep dan Aplikasi
Menggunakan Matlab,
Yogyakarta : Penerbit ANDI.
Presman, R. S., 2001, Software
Engineering Fifth Edition, Boston :
