Penerapan Algoritma Apriori Pada Analisa Data Penjualan Ecommerce
Muliati Badaruddin1,*, Rayendra2
1 Program Studi Sistem Informasi, STMIK Ichsan Gorontalo, Gorontalo, Indonesia
2 Program Studi Keperawatan, Akademi Keperawatan Nabila, Padang Panjang, Indonesia Email: 1,*[email protected], 2[email protected]
Email Penulis Korespondensi: [email protected]
Abstrak−Sudah seluruh sektor sekarang ini yang sudah menggunakan peran dari pada teknologi tersebut. Peran teknologi pada sektor bisnis adalah melakukan transasksi secara online yang dapat dilakukan kapanpun serta dimanapun atau biasa disebut dengan Ecommerce. Sekarang ini Ecommerce sudah berkembang dengan sangat pesat hal tersebut dikarenakan banyak manfaat yang didapatkan dari pemanfaatan Ecommerce tersebut. Tetapi bukan berarti pada penggunaan Ecommerce tidak dialami kerugian, penggunaan ecommerce yang tidak tepat sasaran juga akan membuat kerugian bagi pelaku bisnisnya. Tentu saja hal tersebut menjadi sebuah masalah yang harus diselesaikan secara bijak dengan cara harus mampu membaca pola produk barang yang dimintai oleh konsumen ataupun produk yang tidak diminati oleh konsumen. Dimana untuk mengetahui pola tersebut dapat dilihat dari data penjualan ecommerce yang sudah tersedia. Data mining adalah sebuah teknik yang digunakan untuk melakukan pengolahan data. Pengolahan data yang dilakukan pada data mining untuk mendapatkan informasi – informasi baru yang dapat diimplementasikan. Algoritma apriori merupakan sebuah metode yang digunakan untuk mencari pola hubungan dari antar satu atau lebih item dataset. Pada hasil penelitian didapatkan data penjualan Ecommerce terdapat 3 item barang yang dapat diprioritaskan untuk penjualannya. Dimana dari ketiga item tersebut terdapat 3 kombinasi item A1➔A2 dengan nilai support 40% dan nilai confidence 67%. Kombinasi item A1➔A5 dengan nilai support 50% dan nilai confidence 83%.
Kombinasi item A2➔A5 dengan nilai minimum support 40% dan nilai confidence 50%
Kata Kunci: Data Mining; Penjualan; Ecommerce; Algoritma Apriori
Abstract−Already all sectors are now using the role of this technology. The role of technology in the business sector is to carry out online transactions that can be done anytime and anywhere or commonly referred to as E-commerce. Now E-commerce has grown very rapidly, this is because there are many benefits that can be obtained from the use of E-commerce. But that does not mean that the use of e-commerce is not experiencing losses, the use of e-commerce that is not on target will also create losses for business people. Of course this is a problem that must be solved wisely by being able to read the pattern of goods requested by consumers or products that are not in demand by consumers. Where to find out the pattern can be seen from the e-commerce sales data that is already available. Data mining is a technique used to perform data processing. Data processing is carried out in data mining to obtain new information that can be implemented. A priori algorithm is a method used to find a pattern of relationships between one or more dataset items. In the results of the study, it was found that there are 3 items of E- commerce sales data that can be prioritized for sales. Where of the three items there are 3 combinations of items A1➔A2 with a support value of 40% and a confidence value of 67%. A combination of items A1➔A5 with a support value of 50% and a confidence value of 83%. Combination of items A2➔A5 with a minimum support value of 40% and a confidence value of 50%
Keywords: Data Mining; Sales; Ecommerce; Apriori Algorithm
1. PENDAHULUAN
Kehidupan dimasa sekarang ini tidak terlepas dari perkembangan teknologi, sudah seluruh sektor sekarang ini yang sudah menggunakan peran dari pada teknologi tersebut. Tidak luput juga pada sektor bisnis yang memanfaatkan tekonologi tersebut untuk mempermudah proses transaksi penjualan ataupun juga untuk menjangkau pembeli secara luas dimanapun berada.
Peran teknologi pada sektor bisnis adalah melakukan transasksi secara online yang dapat dilakukan kapanpun serta dimanapun atau biasa disebut dengan Ecommerce. Ecommerce merupakan sebuah wadah atau tempat yang digunakan oleh pembeli atau penjual untuk melakukan transasksi berbagai macam produk dengan menggunakan bantuan teknologi baik komputer, laptop ataupun handphone yang tidak perlu mempertemukan antara pembeli dan juga penjual[1], [2].
Sekarang ini Ecommerce sudah berkembang dengan sangat pesat hal tersebut dikarenakan banyak manfaat yang didapatkan dari pemanfaatan Ecommerce tersebut. Manfaat nyata yang didapatkan dari penggunaan Ecommerce tersebut seperti meningkatkan pangsa pasar, mampu menurunkan biaya operasional terkhususnya biaya promosi, mampu melebarkan jangkauan pasar dan juga memperpendek waktu produksi dari sebuah produk[3], [4].
Tetapi bukan berarti pada penggunaan Ecommerce tidak dialami kerugian, penggunaan ecommerce yang tidak tepat sasaran juga akan membuat kerugian bagi pelaku bisnisnya. Ketika stok sebuah produk lebih banyak dari pada permintaan konsumen tentu menjadi sebuah masalah yang menyebabkan stok produk tersebut akan tertimbun, tidak laku dijual hingga menyebabkan kerugian. Ataupun bahkan ketika stok produk tidak dapat memenuhi keinginan dari konsumen juga akan membuat konsumen pergi dan tidak akan membeli produk tersebut[5], [6].
Tentu saja hal tersebut menjadi sebuah masalah yang harus diselesaikan secara bijak. Perusahaan atau pelaku bisnis pada Ecommerce harus mampu membaca pola produk barang yang dimintai oleh konsumen ataupun produk yang tidak diminati oleh konsumen. Dimana untuk mengetahui pola tersebut dapat dilihat dari data penjualan ecommerce yang sudah tersedia[7], [8].
Namun untuk proses menemukan pola dari data penjualan ecommerce juga tidaklah mudah dikarenakan data yang tersedia pada data penjualan cukuplah banyak. Jika dilakukan secara asal – asalan maka akan mendapatkan hasil yang tidak sesuai pula. Dimana hasil yang tidak sesuai tersebut akan berdampak fatal bagi para pelaku bisnis pada Ecommerce. Oleh sebab itu maka dibutuhkan sebuah teknik atau cara yang dapat digunakan untuk mengolah kumpulan data penjualan pada Ecommcer tersebtu. Teknik atau cara tersebut disebut dengan data mining[9], [10].
Data mining adalah sebuah teknik yang digunakan untuk melakukan pengolahan data. Pengolahan data yang dilakukan pada data mining untuk mendapatkan informasi – informasi baru yang dapat diimplementasikan.
Data mining mengolah data dalam jumlah besar hingga menyerdehanakan data tersebut agar dapat lebih mudah dipahami dan dimengerti untuk dilakukan proses tindak lanjut dikemudian harinya. Pada teknik data mining juga terdapat berbagai macam teknik ataupun proses penyelesaiannya. Pada permasalahaan pengolahan data penjualan Ecommerce untuk mendapatkan sebuah pola atau informasi baru maka algoritma Apriori merupakan algoritma yang tepat digunakan[11], [12].
Algoritma apriori merupakan sebuah metode yang digunakan untuk mencari pola hubungan dari antar satu atau lebih item dataset. Pada umumnya algoritma apriori digunakan pada proses pengolahan data yang bersifat market bisnis. Algoritma apriori digunakan untuk mencari frequent itemset pada kumpulan data dengan pola paling tinggi. Frequent itemset merupakan pola item-item pada kumpulan data yang memiliki nilai support dan juga confidence yang memenuhi nilai ambang batas atau minimum support. Pembentukana frequent itemset untuk menyusun susunan pola assosiatif[13], [14].
Penelitian yang dilakukan oleh Muhammad Afrizal dkk [15] mengatakan bahwa Dengan menggunakan algoritma apriori, data penjualan yang paling diminati konsumen dapat ditentukan secara akurat. Data-data tersebut akan menjadi acuan penting untuk menentukan strategi penjualan produk.
Kemudian penelitian yang dilakukan oleh Moh.Sholik dan Abusalam [16] Dengan algoritma apriori yang merupakan tehnik dalam data mining untuk menemukan aturan assosiatif kombinasi antara itemset. Perhitungan dilakukan dengan menentukan support dan confidance yang akan menghasilkan assosiasi rules, yang dapat digunakan untuk menentukan stok barang apa saja yang perlu diperbanyak oleh supplier guna meningkatkan keuntungan antara supplier dan perusahaan.
Selain itu juga terdapat penelitian Sandi Fajar Rodiyansyah [17] Dengan melakukan data mining pada data transaksi penjualan tersebut diharapkan dapat menghasilkan pengetahuan mengenai pola pembelian oleh konsumen. Pada akhirnya pola yang ditemukan ini dapat digunakan sebagai penjunjang keputusan manajer dalam mengelola aktifitas perusahaannya. Penelitian ini mencari aturan asosiasi menggunakan algoritma apriori.
Berdasarkan dari pemaparan diatas maka pada penelitian ini akan dilakukan penelitian menganalisis data penjualan ecommerce dengan menggunakan algoritma apriori untuk menemukan sebuah informasi ataupun pola penjuala produk terdapat pada kumpulan data penjualan ecommerce tersebut.
2. METODOLOGI PENELITIAN
2.1 Metodologi Peneitian
Metodologi penelitian merupakan proses atau alur yang dilakukan pada penelitian dimulai dari proses identifikasi masalah hingga proses penarikan kesimpulan. Adapun metodologi penelitian yang digunakan pada penelitian ini dapat dilihat pada gambar berikut:
Gambar 1. Metodologi Penelitian
2.2 Data Mining
Data mining merupakan bagian proses pada Knowledge Discovery in Database (KDD), dimana proses pada data mining melibatkan data – data denga jumlah yang cukup besar. Proses pada data mining menggunakan metode – metode yang digunakan untuk menggali informasi dari data dan menemukan model – model baru yang tersimpan dari data. Model baru ini digunakan untuk memahami informasi yang terkandung pada kumpulan data yang besar tersebut. Data mining dapat digunakan pada berbagai bidang ilmu yang menggunakan pengolahan data didalamnya seperti statistic, kesehatan, database dan lain sebagainya[18], [19].
2.3 Algoritma Apriori
Algoritma apriori adalah jenis aturan asosiasi pada data mining. Algoritma ini ditujukan untuk mencari kombinasi itemset yang mempunyai suatu nilai keseringan tertentu sesuai kriteria atau filter yang diinginkan.
Hasil dari algoritma ini 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 dengan panjang yang sama dimulai dari iterasi pertama yang menghasilkan pola frekuensi tinggi dengan panjang satu.
Di iterasi pertama ini, support dari setiap item dihitung dengan men-scandatabase. Setelah support dari setiap item didapat, item yang memiliki support diatas minimum support dipilih sebagai pola frekuensi tinggi dengan panjang 1 atau sering disebut Large 1-itemset atau disingkat L1. Iterasi kedua menghasilkan 2itemset yang tiap set-nya memiliki dua item. Pertama dibuat kandidat 2-itemset atau disingkat C2 dari kombinasi semua 1- itemset. Lalu untuk tiap kandidat 2-itemset ini dihitung support-nya dengan menscandatabase. Support disini artinya jumlah transaksi dalam database yang mengandung kedua item dalam C2. Setelah support dari semua C2 didapatkan, C2 yang memenuhi syarat minimum support dapat ditetapkan sebagai 2-itemset yang juga merupakan pola frekuensi tinggi dengan panjang 2 atau Large 2itemset (L2). Atau untuk mencari nilai support dan juga confidence dapat menggunakan rumus berikut[1], [5]:
Support (A) = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐼𝑡𝑒𝑚 𝐴
𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 (1)
Kemudian, untuk mendapatkan nilai support dari dua item diperoleh dengan rumus berikut:
Support (A,B) = P(A∩ B) = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐼𝑡𝑒𝑚 𝐴 𝑑𝑎𝑛 𝐵
𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 (2)
Syarat minimum confidence dengan menggunakan rumus berikut : Confidence (A ➔ B) = P(A|B) = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑌𝑎𝑛𝑔 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑛𝑔 𝐼𝑡𝑒𝑚 𝐴 𝑑𝑎𝑛 𝐵
𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑌𝑎𝑛𝑔 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐼𝑡𝑒𝑚 𝐴
3. HASIL DAN PEMBAHASAN
Peran teknologi pada sektor bisnis memiliki peran yang sangat penting. Dimasa sekarang ini seluruh proses transaksi dianjurkan untuk dilakukan dengan mudah dan seefisien mungkin. Ecommerce merupakan sebuah tempat atau wadah yang dapat digunakan bertransaksi oleh pembeli dan juga penjual untuk melakukan transaksi secara online tanpa bertemu satu dan lainnya dengan menggunakan teknologi komputer, laptop ataupun handphone.
Para pelaku usaha dan bisnis dimasa sekarang ini sudah beralih pada Ecommerce dikarenakan memberikan manfaat yang cukup besar bagi para pelaku bisnis sepert menjangkau pembeli atau konsumen secara luas. Tetapi penggunaan ecommerce bagi para pelaku bisnis bukan berarti tidak terjadi kerugian. Jika stok barang lebih banyak dari pada barang yang diminati oleh konsumen, tentu barang akan tersimpan pada gudang hingga rusak dan menyebabkan kerugian bagi si pemilik barang. Atau sebaliknya jumlah stok barang tidak mampu memenuhi keinginan dari minat beli konsumen.
Hal tersebut harus diselesaikan dengan bijak oleh para pelaku bisnis pada Ecommerce dikarenakan salah mengambil keputusan maka akan berdampak pula bagi kelangsungan bisnis yang dijalankan. Oleh karena itu, perlu kiranya menganalisis pola dari pada barang – barang yang diminati oleh konsumen. Dimana untuk menganalisa pola tersebut dapat diketahui dari data penjualan barang yang sudah tersedia.
Tetapi untuk melakukan analisa pada data penjualan tersebut diperlukan sebuah cara ataupun teknik untuk prosesnya yang biasa disebut dengan data mining. Data mining sendiri merupakan sebuah teknik pengolahan data untuk mendapatkan pola informasi baru yang tersimpan pada kumpulan data. Pada data mining sendiri terdapat algoritma yang dapat digunakan untuk membantu dalam mendapatkan pola informasi baru tersebut yaiut algoritma Apriori.
3.1.1 Penerapan Algoritma Apriori
Data merupakan bagian yang sangat penting dalam Data Mining data yang diambil untuk menentukan pola pemilihan strantegi promosi. Berdasarkan variabel-variabel yang sudah dipilih dari data pemesanan format data dapat dilihat pada tabel 1.
Tabel 1. Data Transaksi Transaksi Jenis Transaksi
1 A1,A2,A5,A6,A8,A9 2 A1,A5,A6,A7,A8,A9
3 A1,A3,A5,A7
4 A2,A4,A7,A8
5 A1,A2,A3,A4,A6 6 A2,A4,A5,A6,A8
7 A2,A3,A7,A9
8 A1,A2,A3,A5,A7
9 A1,A2,A3,A5
10 A2,A4,A6,A9
Setelah mendapatkan data transaksi pada tabel diatas, untuk lebih mempermudah proses maka data disusun pada bentuk tabular atau dapat dilihat pada tabel berikut
Tabel 2. Data Tabular
Transaksi A1 A2 A3 A4 A5 A6 A7 A8 A9 A10
1 1 1 1 1 1 1
2 1 1 1 1 1 1
3 1 1 1 1
4 1 1 1 1
5 1 1 1 1 1
6 1 1 1 1 1
7 1 1 1 1
8 1 1 1 1 1
9 1 1 1 1
10 1 1 1 1
Jumlah 6 8 5 4 6 5 5 5 4 0
Setelah didapatkan data tabular selanjutnya pembentukan dari pada C1 atau kombinasi satu item dengan minimum support sebesar 60%
Tabel 3. Nilai Support C1 Item Support
A1 6/10*100 = 60%
A2 8/10*100 = 80%
A3 5/10*100 = 50%
A4 4/10*100 = 40%
A5 6/10*100 = 60%
A6 5/10*100 = 50%
A7 5/10*100 = 50%
A8 5/10*100 = 50%
A9 4/10*100 = 40%
A10 0/10*100 = 0%
Dari tabel nilai support C1selanjutnya memilih item yang memenuhi nilai minimum support, atau dapat dilihat pada tabel berikut
Tabel 4. Nilai Support C1 yang Memenuhi Minimum Support Item Support
A1 6/10*100 = 60%
A2 8/10*100 = 80%
A5 6/10*100 = 60%
Setelah didapatkan barang yang memenuhi nilai minimum support maka sleanjutnya adalah membentuk kombinasi 2 item set dari 3 item yang sudah terpilih dan kemudian menghitung nilai minimum support kembali untuk pembentukan C2
Tabel 5. Kombinasi C2 dan Minimum Support Kombinasi Itemset Minimum Support
A1➔A2 4/10*100 = 40%
A1➔A5 5/10*100 = 50%
A2➔A5 4/10*100 = 40%
Dari hasil kombinasi C2 dan nilai minimum support tidak adalagi kombinasi itemset yang memenuhi nilai minimum support maka proses pembentukan kombinasi itemset berhenti pada C2. Selanjutnya adalah menghitung nilai Confidence dari kombinasi C2
Tabel 6. Nilai Confidence Itemset
Kombinasi Itemset Minimum Support Confidence A1➔A2 4/10*100 = 40% 4/6*100 = 67%
A1➔A5 5/10*100 = 50% 5/6*100 = 83%
A2➔A5 4/10*100 = 40% 4/8*100 = 50%
4. KESIMPULAN
Berdasarkan hasil penelitian dan pembahasan yang dipaparkan, maka dapat disimpulkan bahwa pada data penjualan Ecommerce terdapat 3 item barang yang dapat diprioritaskan untuk penjualannya. Dimana dari ketiga item tersebut terdapat 3 kombinasi item A1➔A2 dengan nilai support 40% dan nilai confidence 67%. Kombinasi item A1➔A5 dengan nilai support 50% dan nilai confidence 83%. Kombinasi item A2➔A5 dengan nilai minimum support 40% dan nilai confidence 50%
REFERENCES
[1] A. Ariant, Erfina, N. Destria Arianti, P. Studi Sistem Informasi, and U. Nusa Putra Sukabumi Jl Raya Cibolang No,
“Penerapan Metode Data Mining Terhadap Data Transaksi Penjualan Menggunakan Algoritma Apriori (Studi Kasus:
Toko Fasentro Fancy),” Jursistekni.Nusaputra.Ac.Id, vol. 2, no. 3, pp. 14–22, 2020, [Online]. Available:
https://jursistekni.nusaputra.ac.id/article/view/62.
[2] R. Sari and R. Y. Hayuningtyas, “Analisis Keranjang Belanja Pada Transaksi Penjualan Menggunakan Algoritma Apriori,” EVOLUSI J. Sains dan Manaj., vol. 9, no. 1, pp. 46–51, 2021, doi: 10.31294/evolusi.v9i1.9999.
[3] M. M. Syaikhuddin and P. Prihandoko, “Penerapan Algoritma K-Means dan Cure Dalam Menganalisa Pola Perubahan Belanja Dari Retail ke E-Commerce,” Energy, vol. 7, no. 2, pp. 44–49, 2017, [Online]. Available:
https://ejournal.upm.ac.id/index.php/energy/article/view/341.
[4] H. Rhomadhona, W. Aprianti, and J. Permadi, “Jurnal Sustainable : Jurnal Hasil Penelitian dan Industri Terapan Penerapan Data Mining Terhadap Data Penjualan Produk Kopi Menggunakan Algoritma Apriori,” vol. 10, no. 02, pp.
65–73, 2021.
[5] Amrin Amrin, “Data Mining Dengan Algoritma Apriori untuk Penentuan Aturan Asosiasi Pola Pembelian Pupuk,”
Paradigma, vol. XIX, no. 1, pp. 74–79, 2017, doi: https://doi.org/10.31294/p.v19i1.1836.
[6] O. Nurdiawan and R. Suryatana, “Implementasi Strategis Penjualan Fashion Melalui Penerapan Data Mining Untuk Pengelompokan Market Share Fashion,” J. Tek. Komput., vol. V, no. 1, pp. 135–138, 2019, doi: 10.31294/jtk.v4i2.
[7] A. Soma Darmawan, “Algoritma Apriori Untuk Rekomendasi Penawaran Produk Di Batik Putra Ghofur Pekalongan,”
Litbang Kota Pekalongan, vol. 8, pp. 65–73, 2015.
[8] H. Mulyana, “PEMAKAIAN METODE ASOSIASI DALAM DATA MINING UNTUK PENJUALAN LEBIH DARI SATU JENIS PRODUK PADA PERUSAHAAN,” J. Pilar Nusa Mandiri PEMAKAIAN, vol. X, no. 1, pp. 47–55, 2014.
[9] N. C. Dewi, F. Putrawansyah, and D. Puspita, “Implementasi Algoritma FP-Growth Pada E-Commerce Kopi Pagar Alam Menggunakan Framework Codeigniter,” Indones. J. Comput. Sci., vol. 10, no. 2, 2021.
[10] A. Sharif, “Data Mining Untuk Memprediksi Itemset Promosi Penjualan Barang Menggunakan Metode Market Basket Analysis ( Mba ) ( Studi Kasus : Toko Sentra Ponsel ),” vol. 3, no. 2, pp. 117–123, 2019.
[11] R. D. Lestari et al., “Penerapan Data Mining Untuk Mengetahui Customer Behaviour Toko Artpedia Dengan Menggunakan Application of Data Mining To Know Customer Behaviour,” vol. 7, no. 2, pp. 7140–7146, 2020.
[12] S. S. Prasetyo, M. Mustafid, and A. R. Hakim, “Penerapan Fuzzy C-Means Kluster Untuk Segmentasi Pelanggan E- Commerce Dengan Metode Recency Frequency Monetary (Rfm),” J. Gaussian, vol. 9, no. 4, pp. 421–433, 2020, doi:
10.14710/j.gauss.v9i4.29445.
[13] C. A. Hartawan, “Pemanfaatan Big Data dalam Bisnis E-commerce OLX,” Intech, vol. 2, no. 2, pp. 13–18, 2021.
[14] R. R. Aria, “K-Means to Determine the e-commerce Sales Model in Indonesia,” Int. J. Inf. Syst. Technol. Akreditasi, vol.
3, no. 36, pp. 166–172, 2020.
[15] M. A. A. Fahmi, F. Astuti, U. K. Sa’adah, A. K. Anam, and M. Novita, “Algoritma Apriori Untuk Strategi Penjualan Produk Di E-Commerce Kwt Lestari Sejahtera,” in Sens 4, 2019, vol. 4, pp. 427–432, [Online]. Available:
http://conference.upgris.ac.id/index.php/sens4/article/view/695.
[16] M. Sholik and A. Salam, “Implementasi Algoritma Apriori untuk Mencari Asosiasi Barang yang Dijual di E-commerce
OrderMas,” Techno.COM, vol. 17, no. 2, pp. 158–170, 2018.
[17] S. Rodiyansyah, “Algoritma Apriori untuk Analisis Keranjang Belanja pada Data Transaksi Penjualan,” Infotech J., vol.
1, no. 2, p. 236599, 2015.
[18] A. Setiawan and R. Mulyanti, “Market Basket Analysis dengan Algoritma Apriori pada Ecommerce Toko Busana Muslim Trendy,” JUITA J. Inform., vol. 8, no. 1, p. 11, 2020, doi: 10.30595/juita.v8i1.4550.
[19] G. Lukhayu Pritalia, “Penerapan Algoritma C4.5 untuk Penentuan Ketersediaan Barang E-commerce,” Indones. J. Inf.
Syst., vol. 1, no. 1, pp. 47–56, 2018, doi: 10.24002/ijis.v1i1.1727.
