IMPLEMENTASI ALGORITMA FOLD-GROWTH PADA PEMODELAN POLA PEMBELIAN BARANG SEBAGAI PENDUKUNG PENENTUAN LETAK BARANG
Bq Desy Hardianti1, Mira Kania Sabariah, ST., MT.2, Alfian Gozali Akbar, ST. MT.3 1,2,3 Fakultas Informatika Telkom University, Bandung
1desyhamkar@gmail.com, 2mks@telkomuniversity.ac.id, 3aag@telkomuniversity.ac.id
Abstrak
Data mining adalah proses analisa data untuk menggali pola yang terdapat pada data. Data mining digunakan untuk menggali data dalam jumlah besar dimana proses ini bertujuan untuk mendapatkan informasi dan pengetahuan baru yang bermanfaat yang dapat digunakan untuk mendukung penentuan keputusan. Salah satu teknik Data mining yang dapat digunakan adalah Market basket analysis dengan menggunakan association mining yaitu Algoritm Fold-Growth . Metode ini dimulai dengan mencari frequent itemset dan menghasilkan rule yang dapat dijadikan acuan peletakan barang pada toko atau supermarket . Algoritma Fold-Growth ini dapat membantu menemukan aturan asosiasi antarbarang yang dapat digunakan sebagai acuan dalam marketing atau promosi barang secara efektif. Dalam penelitian ini dibuktikan bahwa Algoritma Fold-Growth berhasil diimplementasikan dalam kasus Market basket analysis untuk menentukan rule atau aturan terkait peletakan barang pada toko atau supermarket. Dari penelitian yang telah dilakukan ditemukan juga bahwa dari data transaksi yang di dapat dan diujicobakan berdasarkan jumlah data atau kuantitas data serta kombinasi parameter minimum support 0.1% - 0.5% dan minimum confidence 10% -50% didapat kesimpulan bahwa pemilihan kombinasi nilai minimum support dan nilai minimum confidence berpengaruh terhadap jumlah rule ataupun frequent itemset yang dihasilkan. Selain itu aturan tambahan yang diberlakukan oleh toko dimana item food dan non-food tidak dapat gabungkan dalam satu rak (departemen) berpengaruh juga dalam menentukan kebijakan terkait dengan peletakan barang .
Kata kunci : data mining, association rules, Market basket analysis, frequent itemset, Fold-growth 1. Pendahuluan
1.1. Latar Belakang
Transaksi pembelian barang adalah suatu proses pertukaran barang yang mempunyai pengaruh nilai ekonomi atau bisnis. Transaksi pembelian barang dilakukan hampir setiap hari oleh konsumen atau pelanggan. Kecendrungan pelanggan membeli barang atau item tertentu berpengaruh besar terhadap stok barang yang ada pada toko maupun supermarket. Ritel memberikan perhatian besar terhadap laju pembelian barang yang dilakukan oleh pelanggan. Informasi banyaknya pembelian barang ini akan sangat berguna pada saat toko atau supermarket melakukan pemesanan barang pada supplier. Hal ini sangat berpengaruh terhadap pertumbuhan ritel atau supermarket tersebut. Nilai bisnis dari barang atau item dapat dipantau dari seberapa cepat item atau barang tersebut dibeli oleh pelanggan. Transaksi pembelian barang yang dilakukan oleh pelanggan ini ternyata memiliki pola yang menarik. Pola transaksi ini dapat dikatakan menarik dikarenakan pola pembelian tersebut belum diketahui makna dan manfaatnya dikarenakan knowledge atau pengetahuan yang ada sangat terbatas terhadap data transaksi tersebut. Pada penelitian yang dilakukan sebelumnya, dari informasi transaksi pembelian barang yang terekam di dalam basis data pola transaksi tersebut dapat dicari makna dan manfaat yang terkandung di dalamnya, dimana pencarian pola dari data tersebut sangat erat kaitannya dengan ilmu penggalian data atau data mining.
Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual9. Data mining hadir untuk menganalisa informasi yang dianggap menarik dan memberikan manfaat serta sebagai pengetahuan (knowledge) untuk mendukung pengambilan keputusan. Banyak orang menganggap Data mining merupakan sinonim dari Knowledge Discovery in Databases (KDD) dimana Data mining berfokus pada penggalian data dalam jumlah besar. Sedangkan sebagian lain melihat Data mining sebagai langkah-langkah dalam proses Knowledge Discovery in Databases.7. Dalam penelitian kali ini dibahas mengenai penggalian data pada sejumlah transaksi pembelian barang oleh pelanggan pada supermarket atau ritel. Berdasarkan data transaksi pembelian barang tersebut akan dilakukan proses penggalian atau mining pada data dengan menggunakan metode Market basket analysis. Market basket analysis adalah teknik Data mining yang bertujuan untuk menentukan produk-produk yang sering dibeli secara bersamaan oleh
pelanggan. Informasi ini akan sangat berguna bagi penjual dalam menentukan produk atau item mana yang paling sering diambil atau dimasukkan ke dalam keranjang belanja oleh pelanggan.
Pola pembelian barang oleh pelanggan menjadi sebuah parameter yang diujikan pada tahap
selanjutnya yaitu akan dilakukan implementasi dan analisis terhadap kinerja algoritma Fold-Growth
menggunakan struktur data yang disebut SOTrieIT ( Support-Ordered Trie Itemset ) terhadap data
transaksi pembelian barang. Algoritma Fold-Growth ini merupakan association rule atau hasil
penggabungan dari algoritma FOLDARM dan FP-Growth. FOLDARM(Fast Online Dynamic Association rule
Mining)memiliki keuntungan yaitu kecepatan kinerja dalam frequensi itemset maksimum (Kmax ≤ 10)
sedangkan pada algoritma FP-growth (Frequent Pattern Growth) memiliki kinerja cepat pada frequent
itemset maksimum (Kmax>10 )14.
Berdasarkan penelitian sebelumnya durasi eksekusi, skalabilitas, reliabilitas dan utilitas memori
lebih baik pada algoritma Fold-Growth dibandingkan dengan algoritma –algoritma pada asosiasi yang
lainnya seperti FP-growth dan Apriori12. Dalam hal ini pemilihan fungsionalitas yang tepat dalam
menggali data sangat dibutuhkan guna meningkatkan efektivitas dan efisiensi waktu dalam
mengekstraksi data. Penggunaan algoritma Fold-Growth ini diharapkan dapat memperbaiki kinerja dari
algoritma sebelumnya agar dapat dijadikan referensi dalam menyelesaiakan kasus penggalian data
dengan menggunakan metode Market basket analysis tersebut. Keuntungan lain yang di dapat dari
informasi penggalian data dengan algoritma tersebut yaitu dapat menentukan rule atau aturan sebagai
pendukung penentuan peletakan barang dimana pola tersebut ditentukan oleh dua parameter, yaitu
support dan confidence. Support menunjukkan presentase nilai yang menyatakan banyaknya barang yang
dibeli dibagi dengan jumlah keseluruhan transaksi. Semakin besar nilai support maka kemungkinan item
terbeli oleh pelanggan semakin besar. Sedangkan confidence menunjukkan kuatnya hubungan antar item
dalam pola yang dihasilkan.
1.2. Tujuan
Tujuan yang didapatkan dari penelitian ini, adalah sebagai berikut:
1. Mengetahui implementasi Algoritma Fold-Growth dalam menentukan rule atau aturan terkait
peletakan barang.
2. Menganalisa nilai minimum support dan minimum confidence yang menghasilkan rule terbaik yang
diinginkan pada sejumlah data transaksi.
3. Mengetahui pengaruh kombinasi nilai minimum support dan minimum confidence terhadap rule dan
frequent itemset yang dihasilkan.
2. Dasar Teori /Material dan Metodologi/perancangan 2.1. Data mining
Menurut Turban dalam bukunya yang berjudul ”Decision Support Systems and Intelligent Systems”,
data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam basis data. Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat
dan pengetahuan yang terkait dari berbagai basis data besar 9 .
2.2 Market basket analysis
Market basket analysis merupakan salah satu metode atau teknik yang sering digunakan dan paling
bermanfaat untuk lingkungan marketing. Tujuan dari Market basket analysis ini adalah untuk
menentukan produk manakah yang pelanggan beli dalam waktu bersamaan, di mana nama dari metode ini diambil dari kebiasaan pelanggan menaruh barang mereka ke keranjang atau kedalam daftar belanja (market basket)7. Dengan mengetahui produk manakah yang dibeli secara bersamaan akan dapat sangat
membantu pedagang ataupun perusahaan lainnya. Sebuah toko juga dapat menggunakan informasi ini untuk menempatkan produk yang sering terjual secara bersamaan di dalam satu area atau kategori.
Keuntungan Market basket analysis selain dapat mengetahui produk yang dibeli secara bersamaan,
metode ini dapat menggunakan informasi yang dihasilkan untuk melakukan re-order produk untuk
sekaligus dua produk atau lebih. Metode ini juga bisa bermafaat bagi top-level manager untuk dapat
melihat data pembelian dari pelanggan, sehingga dapat diketahui manakah yang termasuk pelanggan tetap atau yang paling banyak melakukan pembelian.
frequent itemset maksimum (Kmax) atau K ≤ 10, sedangkan algoritma FP-growth memiliki kinerja cepat pada Kmax > 10 14.
Dalam algoritma ini terdapat 4 tahapan utama12
a. Penggalian L1 (Large 1 –itemset ) dan L2 (Large 2 –itemset ) menggunakan SOTrieIT b. Pemangkasan item-item yang tidak frequent dalam transaksi menggunakan L1 dan L2 c. Membangun FP-tree menggunakan transaksi yang telah dipangkas dan
d. Penggalian frequent itemset dengan algoritma FP-growth.
Dalam algoritma FP-growt penggunaan Fp-tree memiliki kelemahan saat dilakukan update data transaksi. Masalah yang terjadi dilakukannnya scanning data awal ditambah data transaksi yang ditambah atau dihapus . proses ini akan memperlambat kinerja algoritma dalam proses penggalian.
Penggunaan struktur data SOTrieIT mengakomodasi perubahan basis data dapat mengefisienkan usaha yang dilakukan program dalam melakukan perubahan transaksi .
Generate data itemset dengan memangkas Hasil penggalian L1-itemset dan L2-itemset berdasarkan
minsup inputan
Pembangunan Fp-Tree dari hasil pemangkasan Tentukan Minimum support
dan Minimum Confidence Penggalian L1-itemset dan L-2 Itemset dengan struktur
SOTrieIT Tahapan Pencarian Pola dengan
Algoritma Fold-Growth
Penggalian Frequent Itemset dengan menggunakan algoritma FP-Growth Data Hasil Preprocessing Hasil penggalian L1-itemset dan L2-Itemset Hasil Pemangkasan L1-itemset dan L2-itemset
Hasil rule yang dibentuk Peletakan barang sesuai rule yang sudah
ditentukan oleh studi kasus
Rule hasil peletakan barang
Gambar 2 Tahapan Penerapan Algoritma Fold-Growth
2.4 Algoritma FOLDARM
FOLDARM merupakan algoritma yang membangun sebuah struktur data baru yang disebut SOTrieIT (Support Ordered Trie Itemset). SOTrieIT (Sub Ordered Trie Itemset) merupakan suatu tree yang dibangun dengan melakukan ekstraksi terhadap 1 -2 itemset dari setiap transaksi yang dibaca15.
SOTrieIT memiliki dua tingkatan atau dua level node dimana terdapat tree yang menyatakan bahwa tiap node w memiliki sebuah label l yang dinyatakansebagai
Item dan sebuah notasi j yang menyimpan nilai support count yang berhubungan. Setiap node tree terhubung pada beberapa item yang terdapat dalam itemset I (dinotasikan dengan ai ϵ I ) maka, untuk wi mengacu pada node yang memiliki hubungan dengan ai ϵ I.
Himpunan SOTrieIT dimungkinkan memiliki parent node yang berbeda-beda seperti w1, w2,..., wN, yang dibangun dari sebuah basis data untuk menyimpan support count dari semua 1-itemset dan 2-itemset. Maka, digunakan node khusus yang dinamakan root untuk menghubungkan semua node secara bersamaan.
Algoritma pada pembentukan struktur data SOTrieIT ini bekerja melakukan ekstraksi dengan 1-2 itemset 1. Menentukan 1-2 itemset dari setiap transaksi yang dibaca
2. Menambahkan node baru pada Trie jika nilai count adalah 1 jika node tersebut tidak terdapat pada level 1 dan level 2. Jika node sudah terdapat pada Trie maka yang dilakukan hanyalah menambahkan nilai count di node tersebut.Dimana node-node tersebut diurutkan berdasarkan support count dengan urutan terbesar hingga terkecil dimulai dari kiri ke kanan.
Berikut adalah algoritma FOLDARM dalam proses pembentukan struktur SOTrieIT dimana struktur data Y akan diurutkan dari kiri ke kanan sesuai dengan support count dari node secara descending.14.
Gambar 3. Algoritma Pembentukan SoTrieIT
Dalam penggunaan struktur data SOtrieIT ini sangat membantu mempermudah proses penambahan ataupun pengurangan terhadap transaksi suatu basis data. Gambar dibawah ini menunjukkan algoritma yang digunakan dalam proses update transaksi SOTrieIT .
Untuk mengilustrasikan proses pembentukan struktur SOTrieIT adalah sebagai berikut. Digunakan contoh tabel transaksi pada databse dengan 4 transaksi sebagaimana yang terlihat pada Tabel 1 15:
Tabel 1 Contoh Tabel Transaksi TID Items 1 AC 2 BC 3 ABC 4 ABCD 3. Pembahasan
3.1. Perancangan dan Simulasi
Tahapan penelitian yang dilakukan dapat dilihat pada Gambar 4 yang menjelaskan alur kerja yang dilakukan dalam penelitian :
Fold-Growth Preprocessing
Data Analisa & Evaluasi Data Transaksi Mentah Data Hasil Preprocessing Data Hasil Proses Mining if a new is added to the universal itemset
do noting because the SOTrieIT will be updated the moment a transaction i arrives
else if an item j is remove from the universal itemset traverse the SOTrieIT to remove all nodes and
their chill nodes ( if any that contain j )
1. Data Mentah 2. Preprocessing 3. Data Hasil Preprocessing 4. Fold-Growth 5. Data Hasil Proses Mining 6. Data Analisa &
Untuk alur tahapan pencarian pola dengan algoritma Fold-Growth terlihat pada gambar 5.
Generate data itemset dengan memangkas Hasil penggalian L1-itemset dan L2-itemset berdasarkan
minsup inputan
Pembangunan Fp-Tree dari hasil pemangkasan Tentukan Minimum support
dan Minimum Confidence Penggalian L1-itemset dan L-2 Itemset dengan struktur
SOTrieIT
Tahapan Pencarian Pola dengan Algoritma Fold-Growth
Penggalian Frequent Itemset dengan menggunakan algoritma FP-Growth Data Hasil Preprocessing Hasil penggalian L1-itemset dan L2-Itemset Hasil Pemangkasan L1-itemset dan L2-itemset
Hasil rule yang dibentuk
Peletakan barang sesuai rule yang sudah ditentukan oleh studi kasus
Rule hasil peletakan barang
Gambar 5 Tahap penerapan Algoritma Fold-Growth
Pengujian system dilakukan pada data transaksi pembelian pada supermarket dengan skenario sebagai berikut.
1. Menganalisa validitas dari system yang dibangun.
2. Observasi nilai minimum support dan minimum confidence terhadap rule yang dihasilkan oleh system. Memastikan pada nilai minimum support dan confidence berapa rule yang terbaik dihasilkan dengan melihat apakah aturan yang dibentuk memenuhi batasan rule yang ditentukan pada toko dimana tidak diperbolehkan kategori food dan non-food disandingkan.
3. Menganalisa pengaruh kombinasi nilai minimum support dan minimum confidence terhadap rule yang dihasilkan apakah kombinasi tersebut berpengaruh terhadap jumlah rule yang dihasilkan oleh sistem setelah diuji coba.
Adapun penyajian data dapat dilihat pada tabel 2 berikut :
Tabel 2 Spesifikasi data yang diujicoba Data Uji Jumlah Transaksi Uji 1 2.000
Uji 2 4.000 Uji 3 6.000 Uji 4 8.000 Uji 5 10.000
Gambar 6. Pengaruh Kombinasi Nilai Minimum Support 0.1%-0.5% dan Nilai Minimum Confidence 10% terhadap jumlah rule dan frequent itemset yang dihasilkan untuk mendapatkan rule terbaik pada percobaan 10.000 data transaksi.
Dari grafik pada gambar 6 terlihat kecendrungan jumlah rule dan frequent itemset menurun artinya berbanding terbalik antara kombinasi nilai minimum support dan minimum confidence berpengaruh terhadap jumlah rule yang dihasilkan. Semakin tinggi minimum confidence semakin kecil rule dan frequent itemset yang dihasilkan. Untuk menghasilkan rule yang diinginkan kombinasi nilai minimum support dan minimum confidence terbaik didapat pada nilai minimum support 0.1% dan minimum confidence 10%, Keputusan ini diambil dari hasil penggalian data dari sejumlah percobaan yang dilakukan yang menunjukkan bahwa banyaknya kombinasi dari item-item yang dapat disandingkan pada satu departemen atau kelompok menghasilkan jumlah rule yang sesuai (rule tidak terlalu sedikit ) yang dapat dijadikan acuan dalam peletakan barang. Dari hasil penelitian pula setiap rule yang dihasilkan tidak semua rule atau aturan peletakan barang dapat diterima dikarenakan batasan rule yang diterapkan pada took tersebut dimana item food dan non-food tidak dapat disandingkan atau tidak dapat diposisikan secara bersamaan. 0 50 100 150 200 250 0.1 0.2 0.3 0.4 0.5 210 44 26 14 10 122 25 15 9 6 Jum lah Ru le dan fr eq u en t i tem set yang di hasi lka n
Nilai Minimum Support dalam persen (%)
Pengaruh Kombinasi Nilai Minimum Support 0.1%-0.5%
dan Nilai Minimum Confidence 10% terhadap jumlah rule dan frequent itemset yang dihasilkan untuk mendapatkan rule terbaik pada percobaan 10.000 data
transaksi
frequent Itemset rule
Gambar 7 Pengaruh Nilai Minimum Support dan Nilai Minimum Confidence terhadap jumlah rule pada percobaan 10.000 data transaksi.
Dari grafik gambar 7 dapat disimpulkan nilai minimum support dan minimum confidence terhadap jumlah
rule yang dihasilkan menunjukkan penurunan artinya berbanding terbalik antara nilai minimum support
dan minimum confidence semakin besar, rule yang dihasilkan semakin sedikit. Semakin tinggi kombinasi
nilai minimum support dan nilai minimum confidence semakin tinggi pula prosentase ketersediaan
kombinasi itemt yang harus mencapai batas minimum support sehingga semakin sedikit rule yang
menjadi frequent itemsetnya.
3.2 Analisis Hasil Pengujian.
Dari proses penggalian data yang dilakukan pada uji coba dengan lima data uji yaitu pada transaksi
sebanyak 2000 , 4000, 6000 , 8000 dan 10000 didapatkan pola atau rule yang dapat dijadikan acuan
dalam peletakan barang [ Lihat Lampiran 1 -5 ] . Dari proses penggalian data pada uji coba tersebut . Beberapa hal yang di dapat dianalisa dari pengujian yang dilakukan sebelumnya yaitu :
1. Hasil yang diperoleh memperlihatkan kekuatan pemangkasan transaksi dalam proses penggalian
data. Proses pemangkasan transaksi yang dilakukan oleh algoritma Fold-Growth membuat transaksi
menjadi lebih sederhana sehingga FP-Tree yang terbentuk lebih sederhana pula. Dengan demikian
pemangkasan yang dilakukan dalam algoritma Fold-Growth ini disimpulkan tidak merusak susunan
dari kombinasi yang terjadi dalam dataset yang digunakan. Fold-Growth berhasil
diimplementasikan.
2. Penggunaan struktur data SOTrieIT berpesan sangat penting dalam proses pemangkasan suatu
transaksi. Proses yang dilakukan saat pemangkasan L1-itemset dan L2-itemset memperlihatkan pengurangan jumlah transaksi dalam basis data yang digunakan. Sehingga saat akan dilakukan
penggalian data transaksi dengan FP-growth maka tree yang terbentuk akan menjadi lebih
sederhana.
3. Untuk menghasilkan rule yang diinginkan kombinasi nilai minimum support dan minimum
confidence terbaik didapat pada nilai minimum support 0.1% dan minimum confidence 10%, Keputusan ini diambil dari hasil penggalian data dari sejumlah percobaan yang dilakukan dimana
hasil rule yang didapatkan terlihat kombinasi item yang dapat dijadikan acuan dalam peletakan
barang.
4. Semakin tinggi kombinasi nilai minimum support dan nilai minimum confidence semakin tinggi pula
prosentase ketersediaan kombinasi itemt yang harus mencapai batas minimum support sehingga
semakin sedikit rule yang menjadi frequent itemsetnya.
5. Terkait dengan aturan dalam peletakan barang di toko atau supermarket dapat diimplementasikan
dengan memperhatikan rule atau aturan yang diperoleh dari perhitungan. Aturan dianggap aturan
10 % 20 % 30 % 40 % 50 % minsup 0.1 122 97 53 21 6 minsup 0.2 25 24 18 5 2 minsup 0.3 15 15 12 2 0 minsup 0.4 9 9 7 1 0 minsup 0.5 6 6 6 1 0 122 97 53 21 6 25 24 18 5 2 15 15 12 2 0 9 9 7 1 0 6 6 6 1 0 0 20 40 60 80 100 120 140 Jum lah R ul e yang te rbe nt uk Minimum Confidence
Pengaruh Nilai Minimum Support dan Nilai Minimum Confidence terhadap jumlah rule pada percobaan 10.000
data transaksi minsup 0.1 minsup 0.2 minsup 0.3 minsup 0.4 minsup 0.5
sah dimana aturan tersebut memenuhi syarat tambahan dari toko yaitu item food dan non-food tidak dapat disandingkan atau diletakkan dalam satu rak (departement) yang sama. Untuk aturan yang dianggap tidak sah dapat diimplementasikan dengan strategi peletakan barang yang ditawarkan adalah aturan atau rule tersebut dapat diterapkan dengan memisahkan peletakan barang tersebut pada rak (departemen) yang berbeda namun posisinya agak berdekatan atau diposisikan pada sebuah rak terpisah yang berhadapan dengan rak dimana item pasangannya beada.
6. Analisa berikutnya dapat dilakukan pada rule yang dihasilkan dari perhitungan Data mining dan dianggap sah dimana item tersebut tidak melanggar aturan yaitu item food dan non-food tidak dapat dipasangkan dalam satu rak(departemen), diambil contoh aturan yang memasangkan antara food cair dengan food kering. Kebijakan peletakan barang dapat dilakukan dengan tetap memasangkan item tersebut pada rak yang sama atau dapat ditempatkan pada rak (departemen) berbeda yang posisinya diletakkan berdekatan dengan rak item pasangannya ataupun jika item food cair diletakkan pada lemari es diposisikan berhadapan dengan rak dimana item pasangannya berada.
4. Kesimpulan
Dalam penelitian kali ini proses penggalian data dengan berbagai uji coba yang dilakukan dapat diambil manfaat dari penerapan metode Market basket analysis dengan algoritma Fold-Growth. Pola-pola yang dihasilkan dari penggalian data tersebut dapat dijadikan acuanuntuk dijadikan pedoman dalam menyusun kebijakan serta strategi bisnis yang akan diterapkan misalnya pada penentuan peletakan barang dimana hal ini dapat memudahkan pelanggan untuk mendapatkan barang atau item tersebut secara bersamaan,mengenali selera pasar yang ada dan dari penelitian ini didapatkan pengetahuan tentang prilaku konsumen .Sehingga dapat disimpulkan beberapa point sebagai berikut :
1. Algoritma Fold-Growth berhasil diimplementasikan dalam kasus Market basket analysis dalam menentukan rule atau aturan terkait peletakan barang pada toko atau supermarket dengan memperhatikan aturan tambahan yang diberlakukan pada toko dimana item food dan non-food tidak boleh diletakkan pada rak (departemen) yang sama.
2. Nilai minimum support dan minimum confidence yang menghasilkan rule terbaik didapatkan pada kombinasi nilai minimum support 0.1% dan minimum confidence 10% . Keputusan ini diambil dari hasil penggalian data dari sejumlah percobaan yang dilakukan yang menunjukkan bahwa banyaknya kombinasi dari item-item yang dapat dipasangkan pada satu rak (departemen) atau kelompok menghasilkan jumlah rule yang sesuai (rule tidak terlalu sedikit ) yang dapat dijadikan acuan dalam peletakan barang.
3. Penentuan kombinasi minimum support dan minimum confidence berpengaruh terhadap jumlah rule yang dihasilkan dimana jika semakin tinggi kombinasi nilai minimum support dan minimum confidence maka semakin tinggi pula prosentase ketersediaan kombinasi frequent itemset yang harus mencapai batas minimum support dan minimum confidence tersebut, sehingga rule yang dihasilkan semakin sedikit.
5. SARAN
Saran yang perlu dilakukan adalah :
1. Untuk penelitian selanjutnya kemungkinan penghapusan item-item tertentu yang sudah tidak lagi di produksi dapat di hilangkan pada tahap awal saat dilakukan proses preprocessing awal.
2. Sebaiknya hasil analisi dari penelitian dengan metode Market basket analysis ini dapat diterapkan guna memudahkan pihak manajer dan pihak departemen pengelola barang dalam menentukan peletakan barang .
Daftar Pustaka:
[1] Budi Santosa.2007.Data mining : Teknik Pemanfaatan Data untuk Keperluan Bisnis.Yogyakarta:GRAHA ILMU.
[2] Erwin.2009.Analisis Market Basket dengan Algoritma Apriori dan FP-Growth. Sumatera : Universitas Sriwijaya. Publisher : academis.edu
[5] Giri Sucahyo, Yodho. 2013 . Data mining. Available : http://ilmukomputer.com.Tanggal akses : 17 Maret 2014. Pukul: 14:00 WIB
[6] Gregorius Satia Budhi,Andreas Handojo.2003. Aplikasi Data mining dengan Konsep Fuzzy c-Covering
Untuk Analisa Market Basket pada Pasar Swalayan.
[7] Han,Jiawei.Kamber,Micheline and Pei, Jian. 2012. Data mining Concepts and Techniques Third
edition.pdf . USA.Simon Fraser University.
[8] Kusrini dan Emha Taufiq Luthfi, 2009. Algoritma Data Mining, PENERBIT ANDI.
[9] Kuswandi. 2007. Pengantar Solusi Data mining.pdf. Jogjakarta:STMIK AMIKON.
[10] Pramudiono, Iko.2003. Pengantar Data mining : Menambang Permata Pengetahuan di Gudang Data .
http://www.ilmukomputer.com
[11] Prastowo,Deni. 2008. Penggunaan Struktur Data SoTrieIT untuk pemangkasan Transaksi dengan
Algoritma Data mining Fold-Growth. Bogor : Institut Pertanian Bogor (IPB).
[12] Santoso, Leo Willyanto. Pembuatan Perangkat Lunak Data Mining untuk Penggalian Kaidah
Asosiasi Menggunakan Metode Apriori.
[13] Sari,Bethary Nurina. Rahman,Arif. Mustiyo, Yusi Tyroni. Penerapan Data mining Untuk Mengetahui
Pola Asosiasi Antara Data Mahasiswa dan Tingkat Kelulusan Menggunakan Algoritma Fold Growth.
Universitas Brawijaya.
[14] Solaiman,Rully. Arini,Ni Made.2006. Analisis Kinerja Algoritma Fold-Growth dan FP-growth pada
penggalian pola asosiasi. Surabaya: SNATI ITS Available :
http://journal.uii.ac.id/index.php/Snati/article/view/1523
[15] Woon,Yew-Kwong et al. 2004. A support-Ordered Trie for Fast Frequent Itemset Discover.Singapore:
