Implementasi Data Mining dalam Memprediksi Stok Herbal menggunakan Algoritma Apriori
Fitriana Harahap*, Nidia Enjelita Saragih, Ester Dayanti Paskaria Situmeang, Elida Tuti, Erwin Ginting, Wirhan Fahrozi
Fakultas Teknik dan Ilmu komputer, Program informatika, Universitas Potensi Utama, Medan, Indonesia Email: 1[email protected], 2[email protected], 3[email protected]
4[email protected], 5[email protected], 6[email protected] Email Penulis Korespondensi : [email protected]
Abstrak− Nafii Store adalah salah satu toko yang bergerak dalam penjualan produk herbal. Dengan banyaknya permintaan masyarakat terhadap produk herbal pada saat pandemi covid 19 ini, maka diperlukan ketersediaan stok untuk meningkatkan transaksi penjualan produk tersebut. Untuk menghindari persediaan herbal yang terbatas maka diperlukan sistem informasi yang dapat membantu pimpinan toko untuk mengetahui produk seperti apa yang harus ditingkatkan stok nya sesuai dengan permintaan pelanggan. Penerapan yang sesuai untuk mengatasi masalah tersebut adalah dengan dikembangkannya konsep data mining. Berdasarkan sampel data penjualan herbal Nafii Store yang berjumlah 24 transaksi dan Pada penelitian ini akan digunakan minimum support = 16% dan minimum confidence = 70 %. Hasil Penentuan Association Rules dan pengujian dengan aplikasi Tanagra bahwa pola pembelian herbal adalah : Jika membeli Madu Hutan Baarik 800 gram maka membeli Madu Hutan Baarik 470 gram 80% , Jika membeli Habbatussauda cap Kurma Ajwa maka membeli Madu Hitam Pahit Darusyifa 83,3%, Jika membeli Madu Hitam Pahit Darusyifa maka membeli Habbatussauda cap Kurma Ajwa 83,3%. Hasil Penelitian ini dapat dimanfaatkan oleh pihak pimpinan toko untuk melakukan keputusan terhadap ketersediaan produk herbal di Nafii Store.
Kata Kunci: Data Mining; Apriori; Herbal; Tanagra
Abstract−Nafii Store is one of the stores engaged in selling herbal products. With the large number of public requests for herbal products during the COVID-19 pandemic, stock availability is needed to increase sales transactions for these products.
To avoid the limited supply of herbs, an information system is needed that can help store leaders to find out what kind of products should be increased in stock according to customer demand. The appropriate application to overcome these problems is the development of the concept of data mining. Based on the Nafii Store herbal sales data sample, which amounted to 24 transactions, this study will use a minimum support = 16% and a minimum confidence = 70%. The results of the determination of the Association Rules and testing with the Tanagra application that the pattern of herbal purchases are: If you buy Baarik Forest Honey 800 grams then buy Baarik Forest Honey 470 grams 80%, If you buy Black Seed with Ajwa Kurma stamps then buy Darusyifa Black Bitter Honey 83.3%, If buy Darusyifa Bitter Black Honey then buy Black Seed with Ajwa Dates stamped 83.3%. The results of this study can be used by the store management to make decisions on the availability of herbal products at the Nafii Store.
Keywords: Data Mining; Apriori; Herbs; Tanagra
1. PENDAHULUAN
Nafii Store adalah salah satu toko yang bergerak dalam penjualan produk herbal. Dengan banyaknya permintaan masyarakat terhadap produk herbal pada saat pandemi covid 19 ini, akan meningkatkan transaksi penjualan dari Nafii Store. Sebagai seorang pimpinan dari toko, maka harus handal dalam menentukan atau memprediksi kebutuhan pasar. Karena meningkatnya permintaan herbal pimpinan toko harus dapat menyediakan stok herbal yang paling diminati oleh pelanggan, untuk menghindari persediaan herbal yang terbatas maka diperlukan sistem informasi yang dapat membantu pimpinan toko untuk mengetahui produk seperti apa yang harus ditingkatkan sesuai dengan permintaan pelanggan. Dalam mencapai hasil yang optimal untuk penjualan produk maka diperlukan sebuah strategi untuk mencapai target penjualan yang maksimal dengan menyediakan stok herbal yang sesuai dengan permintaan. Dengan implementasi Data Mining, maka dapat membantu para pebisnis dalam pengambilan keputusan terhadap apa yang berhubungan dengan persediaan barang . Data Mining berfungsi untuk memberikan solusi kepada para pengambil keputusan dalam bisnis guna meningkatkan bisnis perusahaan.
Data mining merupakan proses analisis data untuk menemukan suatu pola dari kumpulan data Tersebut Data mining mampu menganalisa dan mengolah sekumpulan data menjadi sebuah informasi yang dapat menentukan pola-pola yang dapat menunjang sebuah keputusan[1][2][3]. Ada beberapa algoritma pada data mining yang dapat kita gunakan untuk memprediksikan suatu hasil dari pengolahan sekumpulan data. Salah satunya adalah dengan menggunakan algoritma apriori. Salah satu metode dalam Data Mining adalah Algoritma Apriori yang melakukan pencarian frequent itemset dengan menggunakan teknik Association Rules
Algoritma Apriori bertujuan untuk menemukan frequent item sets di sekumpulan data. Algoritma Apriori yaitu suatu proses untuk menemukan suatu aturan Apriori yang memenuhi syarat minimum untuk support dan syarat minimum untuk confidence[4][5][6]. Support merupakan suatu ukuran yang menunjukkan seberapa besar tingkat dominasi suatu item/itemset dari keseluruhan transaksi. Ukuran ini menentukan apakah suatu item/itemset layak untuk dicari confidence-nya (misal, dari keseluruhan transaksi yang ada, seberapa besar tingkat dominasi yang menunjukkan bahwa item A dan B dibeli bersamaan). Atau dapat disimpulkan bahwa, support merupakan nilai kejadian atau persentase kombinasi sebuah item dalam database. Confidence adalah nilai kepastian yaitu
kuatnya hubungan antar item dalam sebuah Apriori. Confidence dapat dicari setelah pola frekuensi munculnya sebuah item ditemukan.
Adapun Penelitian sebelumnya[7], Hasil Penelitian menyatakan bahwa aturan asosiatif yang dihasilkan oleh aplikasi dapat digunakan oleh pemilik toko untuk membuat promo harga paket-paket tertentu yang melibatkan produk pakaian yang sering terjual secara bersamaan, sehingga dapat meningkatkan omset penjualan, dan pemilik tokodapat menyusun pakaian yang sering terjual bersamaan pada rak yang berdekatan.
Penelitian yang dilakukan oleh Irsyad Djamaludin [2], hasil penelitian disimpulkan bahwa data mining dan teknik algoritma Apriori ini dapat diimplementasikan terhadap data transaksi penjualan, salah satunya untuk mendapatkan pola pembelian konsumen. Pola yang diperoleh, akan menghasilkan suatu rule atau aturan mengenai keterkaitan dari suatu produk. Hasil atau rule yang didapatkan dipengaruhi oleh batasan yang ditentukan, baik banyaknya data, batasan itemset, batasan minimal support dan confidence, serta batasan final association rule yang ditetapkan secara manual. Hasil yang didapatkan juga dipengaruhi oleh data transaksi penjualannya, terutama varian produk yang ada dalam setiap transaksi.
Penelitian yang dilakukan Dewi Listriani dkk[8], Penerapan Algoritma Apriori dalam penelitian ini adalah untuk mencari kombinasi item terbanyak berdasarkan data transaksi dan kemudian membentuk pola asosiasi dari kombinasi item tersebut. Pola asosiasi yang terbentuk dengan nilai minimum support 5% dan nilai minimum confidence 15% menghasilkan 7 aturan asosiasi. Dan strong rules yang didapatkan adalah schoolbooks indonesia curriculum children’s book dengan nilai support 11,23% dan nilai confidence 30,66%.
Penelitian yang dilakukan Dewi Listriani dkk[9], hasil penelitian disimpulkan bahwa Untuk menerapkan metode apriori dalam menentukan pola persediaan stok sepatu converse berdasarkan permintaan pelanggan maka dilakukan uji coba metode apriori untuk mengetahui pola persediaan stok sepatu converse berdasarkan permintaan pelanggan pada PT. MAP Aktif Adiperkasa. Hasil dari pengujian aplikasi yang telah dibangun dapat melihat dan menentukan pola persediaan stok sepatu converse berdasarkan permintaan pelanggan pada PT. MAP AKTIF ADIPERKASA agar dijadikan sebagai acuan untuk stok sepatu pada bulan berikutnya.
Berdasarkan penelitian sebelumnya Penerapan yang sesuai untuk mengatasi masalah pada penelitian ini adalah dengan dikembangkannya konsep data mining dengan menerapkan metode Association Rule Menggunakan Algoritma Apriori . Penulis akan melakukan analisis terhadap data transaksi penjualan herbal yang akan dilakukan dengan mekanisme perhitungan nilai support dan confident dari suatu hubungan item, yang nantinya hasil nilai support dan confident akan meprediksi stok herbal dan akan digunakan untuk proses pengambilan keputusan oleh Nafii Store untuk meningkatkan penjualan.
.
2. METODE PENELITIAN
2.1 Kerangka Kerja Penelitian
Kerangka kerja riset terbuat secara sistematis yang menuju pada tahapan proses yang hendak ditempuh pada riset ini bisa dilihat pada gambar 1.
Gambar 1. Kerangka Penelitian Penjelasan dari kerangka pemikiran pada gambar 1:
1. Identifikasi masalah merupakan proses mendefinisikan problem atau masalah yang ada pada penelitian.
2. Analisis masalah, pada tahap ini peneliti menentukan ruang lingkup masalah dan menguraikan masalah menjadi sederhana.
Identifikasi Masalah
Analisis
Data
Proses Pengujian Manual
& Tanagra
Kesimpulan dan Saran
3. Dalam mengumpulkan data yang dibutuhkan peneliti, peneliti harus melakukan proses observasi langsung di Nafii Store sehingga dapat diketahui masalah yang terjadi. Melakukan pengolahan data dari apa yang didapatkan dari data transaksi penjualan produk herbal demgan 24 transaksi untuk mendapatkan seberapa besar kemunculan itemset dalam memanfaatkan teknik association rule dan dilakukan proses pengujian data mengunakan software Tanagra.
4. Pengujian manual dan Tanagra, padatahap pengujian manual dilakukan dengan menghitung data menggunakan teknik association rule dan data hasil penghitungan manual dilakukan pengujian untuk mengetahui kesamaan antara kedua data yang telah didapatkan.
5. Kesimpulan dan saran, adalah poin akhir pada penulisan skripsi yang dimana menentukan hasil dari penelitian dan memberikan saran kepada penelitian selanjutnya supaya dapat mengembangkan ilmu ini.
2.2 Tahapan Association Rule
Association rule atau asosiasi merupakan teknik data mining untuk mendapatkan aturan asosiasi yang terbentuk antara kombinasi item. Adapun metodologi dasar association rule sebagai berikut [10][11][12]:
1. Analisis pola frekuensi tinggi
Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari support dalam database. Nilai support sebuah item diperoleh dengan memakai rumus berikut :
Support (A)= JumlahTransaksi Mengandung A
Total Transaksi (1)
Sedangkan nilai dari support dua item diperoleh dari rumus berikut : Support(A,B)=(AΩB) Jumlah Transaksi Mengandung A dan B
Total Transaksi (2)
2. Pembentukan Aturan Asosiasi Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan asosiasi “ jika A maka B “. Nilai confidence dari aturan “ jika A maka B “ diperoleh dari rumus berikut :
Confidence = P(B|A) = Jumlah Transaksi Mengandung A dan B
Jumlah Trasnsaksi Mengandung A (3) 2.3 Algoritma Apriori
Algoritma apriori merupakan suatu algoritma dasar yang dijadikan suatu usulan untuk menentukan frequent itemsets untuk asosiasi Boolean. Algoritma apriori termasuk asosiasi pada data mining. Aturan tersebut disebut affinity analysis atau market basket analysis. Algorima apriori atau disebut juga dengan analisis asosiasi (association rule mining) merupkan teknik data mining untuk menemukan aturan asosiasi dalam suatu kombinasi item[13][14]. Ada dua proses utama yang dilakukan dalam algoritma apriori, yaitu:
1. Join (penggabungan) Proses ini bertujuan untuk menggabungkan item yang ada dengan item lainnya agar tidak muncul suatu kombinasi baru.
2. Prune (pemangkasan) Proses yang menentukan nilai minimum support yang bertujuan untuk mengurangi jumlah item yang ada didalam kombinasi.
3. HASIL DAN PEMBAHASAN
3.1 Pengolahan data
Dilakukan pengolahan data, yaitu berupa data penjuaan herbal pada Nafii Store , data penjualan herbal terdiri atas tanggal, kode jual, nama barang. Dalam pengolahan data dengan menganalisis informasi dengan Algoritma Apriori pada penjualan diawali dengan menyeleksi serta mensterilkan informasi yang hendak dianalisis, setelah itu mencari seluruh tipe item produk herbal yang terdapat didalam list transaksi penjualan, selanjutnya mencari jumlah tiap item yang terdapat pada tiap transaksi penjualan produk herbal.
Tabel 2. Daftar Penjualan Produk Hebal
No Tanggal Kode Jual Nama Barang
1 02-Oct-2021 JL. 0020865 Madu Hutan Baarik 200 gram 02-Oct-2021 JL. 0020865 Madu Hutan Baarik 350 gram 02-Oct-2021 JL. 0020865 Madu Hutan Baarik 470 gram 02-Oct-2021 JL. 0020865 Madu Hutan Baarik 800 gram 2 06-Oct-2021 JL. 0021172 Habbatussauda cap Kurma Ajwa
06-Oct-2021 JL. 0021172 Madu Hitam pahit Darusyifa 06-Oct-2021 JL. 0021172 Sari Kurrma Madu Angkak 06-Oct-2021 JL. 0021172 VCO (Vico Oil )
3 07-Oct-2021 JL. 0021224 Madu Hutan Baarik 470 gram 07-Oct-2021 JL. 0021224 Madu Hutan Baarik 800 gram 07-Oct-2021 JL. 0021224 Madu Promil
07-Oct-2021 JL. 0021224 Qusthul Hindi
4 09-Oct-2021 JL. 0007085 Kacang Almong Panggang 09-Oct-2021 JL. 0007085 Madu al shifa 125 gram 09-Oct-2021 JL. 0007085 Madu al shifa 500 gram 5 09-Oct-2021 JL. 0007086 Madu Hutan Baarik 470 gram
09-Oct-2021 JL. 0007086 Madu Hutan Baarik 800 gram 09-Oct-2021 JL. 0007086 Madu Sarang
09-Oct-2021 JL. 0007086 Minyak Habbatussauda Murni Habbasyifa 09-Oct-2021 JL. 0007086 Minyak Zaitun
….. ….. ……… ………..
23 28-Sept-2021 JL. 0020510 Madu Hutan Baarik 470 gram
28-Sept-2021 JL. 0020510 Minyak Habbatussauda Murni Habbasyifa 28-Sept-2021 JL. 0020510 Minyak Zaitun
28-Sept-2021 JL. 0020510 Sari Kurrma Madu Angkak
24 29-Sept-2021 JL. 0016040 Habbatussauda Oil Extra Propolis Trigona 29-Sept-2021 JL. 0016040 Kapsul Minyak Habbasyi
29-Sept-2021 JL. 0016040 Madu Hutan Baarik 200 gram 3.2 Analisis Pola Frekuensi Tinggi
Proses pembentukan C1 atau disebut dengan 1 itemset dengan jumlah minimum support = 16%.
Dengan menggunakan persamaan 1. Berikut ini adalah penyelesaian berdasarkan data yang sudah ditampilkan pada tabel 2. Proses pembentukan C1 atau disebut dengan 1 itemset didapat berdasarkan rumus diatas analisa pola frekuensi tinggi.
Support (A)= JumlahTransaksi Mengandung A
Total Transaksi (1)
1. S (Habbatussauda cap Kurma Ajwa)
24 = 24 6 ∗ 100% = 25 % 2. S (Habbatussauda Oil Extra Propolis Trigona)
24 = 24 6 ∗ 100% = 25 % 3. S (Kacang Almong Panggang)
24 = 24 3 ∗ 100% = 12,50 %
Minimum support yang ditentukan adalah 16%, sehingga kombinasi 1-itemset yang tidak memenuhi support dihilangkan dan dapat dilihat pada tabel 2
Tabel 2 . Daftar Jenis Items Herbal Dengan Support Yang Telah Ditentukan
No Nama Item Support
(%) 1 Habbatussauda cap Kurma Ajwa 25 2 Habbatussauda Oil Extra Propolis
Trigona
25
3 Kapsul Minyak Habbasyi 20.83
4 Madu Hitam pahit Darusyifa 25
5 Madu Hutan Baarik 200 gram 20.83
6 Madu Hutan Baarik 350 gram 25
7 Madu Hutan Baarik 470 gram 29.17
8 Madu Hutan Baarik 800 gram 20.83
9 Minyak Habbatussauda Murni Habbasyifa
16.67
10 Sari Kurrma Madu Angkak 33.33
Proses selanjutnya adalah pembentukan C2 atau disebut dengan 2-itemset dengan jumlah minimum support = 16% jadi kombinasi 2-itemset yang tidak memenuhi minimal support dihilangkan dan dapat terlihat pada tabel 3.
Tabel 3. Kombinasi 2-Itemset
No Nama Item Support
(%) 1 Madu Hutan Baarik 800 gram, Madu Hutan Baarik 470 gram 16,7
No Nama Item Support (%) 2 Habbatussauda cap Kurma Ajwa, Madu Hitam pahit Darusyifa 20,8 3.3 Pembentukan Pola Aturan Asosiasi
Pembuatan association rule merupakan menganalisis pola frekuensi besar, sesi ini mencari campuran yang penuhi ketentuan minimum dari support dalam database, Pembuatan aturan association rule, dengan mencari nilai confidence. Dimana support merupakan jumlah dari campuran antara sesuatu item dengan item yang lain sedangankan confidence merupakan nilai yang mendefinisikan kuat tidaknya ikatan antara item- item tersebut [15][16].
Confidence = P(B|A) = Jumlah Transaksi Mengandung A dan B
Jumlah Transaksi Mengandung A (3)
Dari tabel 3 yaitu tabel pola kombinasi dua item, dengan menetapkan nilai confidence minimum adalah 70 persen(%), maka aturan yang bisa terbentuk adalah aturan seperti pada tabel 4.
Tabel 4. Daftar Calon Aturan Asosiasi
No Kombinasi Item Confidence
1 Jika membeli Madu Hutan Baarik 800 gram maka membeli Madu Hutan Baarik 470 gram
80%
2 Jika membeli Habbatussauda cap Kurma Ajwa maka membeli Madu Hitam pahit Darusyifa
83,3%
3 Jika membeli Madu Hitam pahit
Darusyifa maka membeli Habbatussauda cap Kurma Ajwa
83,3%
3.4 Implementasi
Pada tahap pengujian untuk memudahkan peneliti dalam pembuktian hasil analisis yang dilakukan, maka peneliti menggunakan suatu tools atau aplikasi data mining Tanagra 1,4. Sedangkan database yang digunakan untuk menyimpan data-data yang ada adalah penulis menggunakan database Microsoft Excel. Tanagra bersifat proyek open source karena setiap peneliti dapat mengakses kedalam kode sumber dan menambahkan algoritma sendiri, sejauh dia menyetujui dan sesuai dengan lisensi distribusi perangkat lunak[13]. Algoritma Apriori pada Aplikasi Tanagra dapat menemukan 2 nilai parameter, yaitu nilai Support dan Confidence. Berikut hasil yang didapatkan dari Aplikasi Tanagra pada gambar 2, gambar 3 dan gambar 4.
Gambar 2. Hasil Pengujian dengan Satu item
Gambar 3. Hasil Pengujian dengan dua item
Gambar 4. Jendela Association Rules Paremeters
Pada pengujian di atas yaitu pengujian untuk menghasilkan rules dari pola kombinasi dua items. Rules di atas terdiri atas Antecedent, consequent, lift, support(%), Confidence (%). Antecedent adalah bentuk kondisi dari pada rules, consequent adalah bentuk pernyataan dari pada rules, lift adalah menunjukkan adanya tingkat kekuatan rules kejadian acak dari antecedent dan consequent berdasarkan pada support masing-masing, support adalah persentasi kombinasi items tersebut, sedangkan confidence adalah kuatnya hubungan antar items dalam aturan asosiasi.
Dengan menetapkan nilai confidence minimum adalah 70 Persen(%), maka aturan yang terbentuk sama dengan aturan yang terbentuk dengan perhitungan manual.
4. KESIMPULAN
Hasil Penelitian dapat disimpulkan bahwa data mining dan teknik algoritma Apriori ini dapat diimplementasikan terhadap data transaksi penjualan, salah satunya untuk memprediksi stok produk herbal. Pola yang diperoleh akan menghasilkan suatu rule atau aturan mengenai keterkaitan dari suatu produk. Pola aturan asosiasi yang dihasilkan dari perhitungan manual dan pengujian Aplikasi Tanagra dapat digunakan pemilik toko untuk melakukan keputusan terhadap ketersediaan produk herbal di Nafii Store, sehingga dapat meningkatkan transaksi penjualan produk herbal. Berdasarkan sampel data penjualan herbal Nafii Store yang berjumlah 24 transaksi, Pola asosiasi yang terbentuk dengan minimum support 16% dan minimum confidence 70 % didapatkan 3 rule pembelian. Produk herbal paling banyak diminati di Nafii Store adalah Madu Hutan Baarik 800 gram, Madu Hutan Baarik 470 gram, Habbatussauda cap Kurma Ajwa dan Madu Hitam pahit Darusyifa. Hasil Penelitian ini dapat dimanfaatkan oleh pihak pimpinan toko untuk melakukan keputusan terhadap ketersediaan produk herbal.
REFERENCES
[1] P. H. Simbolon, “Implementasi Data Mining Pada Sistem Persediaan Barang Menggunakan Algoritma Apriori ( Studi Kasus : Srikandi Cash Credit Elektronic dan Furniture ),” J. Ris. Komput., vol. 6, no. 4, pp. 401–406, 2019.
[2] I. Djamaludin and A. Nursikuwagus, “Analisis Pola Pembelian Konsumen Pada Transaksi Penjualan Menggunakan Algoritma Apriori,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 8, no. 2, p. 671, 2017, doi:
10.24176/simet.v8i2.1566.
[3] E. N. Salamah and N. Ulinnnuha, “Analisis Pola Pembelian Obat dan Alat Kesehatan di Klinik Ibu dan Anak Graha Amani dengan Menggunakan Algoritma Apriori,” J. Inf., vol. 2, no. 2, pp. 1–6, 2017, doi: 10.25139/ojsinf.v2i1.401.
[4] G. Gunadi and D. I. Sensuse, “Penerapan Metode Data Mining Market Basket Analysis Terhadap Data Penjualan Produk Buku Dengan Menggunakan Algoritma Apriori Dan Frequent Pattern Growth ( Fp-Growth ) :,” Telematika, vol. 4, no.
1, pp. 118–132, 2012.
[5] J. L. Putra, M. Raharjo, T. A. A. Sandi, R. Ridwan, and R. Prasetyo, “Implementasi Algoritma Apriori Terhadap Data Penjualan Pada Perusahaan Retail,” J. Pilar Nusa Mandiri, vol. 15, no. 1, pp. 85–90, 2019, doi: 10.33480/pilar.v15i1.113.
[6] N. A. Hasibuan et al., “IMPLEMENTASI DATA MINING UNTUK PENGATURAN LAYOUT MINIMARKET DENGAN MENERAPKAN ASSOCIATION RULE,” vol. 4, no. 4, pp. 6–11, 2017.
[7] A. S. Sanjani, Hasanul Fahmi, “Implementasi Data Mining Penjualan Produk Pakaian Dengan Algoritma Apriori,” iJAi, 2019.
[8] D. Listriani, A. H. Setyaningrum, and F. Eka, “PENERAPAN METODE ASOSIASI MENGGUNAKAN ALGORITMA APRIORI PADA APLIKASI ANALISA POLA BELANJA KONSUMEN (Studi Kasus Toko Buku Gramedia Bintaro),”
J. Tek. Inform., vol. 9, no. 2, pp. 120–127, 2018, doi: 10.15408/jti.v9i2.5602.
[9] S. Wahyuni, Suherman, and lumalo portibi Harahap, “Implementasi Algoritma,” Pros. SINTAK 2017, vol. 2, no. 2, pp.
31–39, 2017.
[10] A. R. Riszky and M. Sadikin, “Data Mining Menggunakan Algoritma Apriori untuk Rekomendasi Produk bagi Pelanggan,” J. Teknol. dan Sist. Komput., vol. 7, no. 3, pp. 103–108, 2019, doi: 10.14710/jtsiskom.7.3.2019.103-108.
[11] I. Data, M. Penjualan, K. Dengan, and A. Apriori, “Jurnal Comasie IMPLEMENTASI DATA MINING PENJUALAN KOSMETIK DENGAN,” vol. 3, 2020.
[12] A. D. Setyawan, “Aplikasi Data Mining Menggunakan Algoritma Apriori Untuk Analisis Pola Penjualan Di XYZ Helm,”
pp. 2–20, 2016.
[13] D. Anggraini, S. A. Putri, and L. A. Utami, “Implementasi Algoritma Apriori Dalam Menentukan Penjualan Mobil Yang Paling Diminati Pada Honda Permata Serpong,” J. Media Inform. Budidarma, vol. 4, no. 2, p. 302, 2020, doi:
10.30865/mib.v4i2.1496.
[14] P. M. Hasugian, “Pengujian Algoritma Apriori Dengan Aplikasi Weka Dalam Pembentukan Asosiation Rule,” J. Mantik Penusa, vol. 1, no. 2, pp. 98–103, 2017.
[15] A. Anas, “Analisa Algorithma Apriori Untuk Mendapatkan Pola Peminjaman Buku Perpustakaan Smpn 3 Batanghari,”
J. Ilm. Media SISFO, vol. 10, no. 2, pp. 628–641, 2016.
[16] M. Fauzy, K. R. Saleh W, and I. Asror, “Penerapan Metode Association Rule Menggunakan Algoritma Apriori pada Simulasi Prediksi Hujan Wilayah Kota Bandung,” J. Ilm. Teknol. Inf. Terap., vol. II, no. 2, pp. 221–227, 2016, doi: 2407- 3911.
