PENGOLAHAN DATA EKSPOR TERHADAP RAGAM PRODUK KELAPA SAWIT MENGGUNAKAN METODE ASSOCIATION RULES
Siti Aisyah1), Robert2), Sasmita Rahmawati Zebua3)
1,2,3 Fakultas Sains dan Teknologi, Universitas Prima Indonesia
email: [email protected], [email protected], [email protected]
Abstract
Palm oil is used as a raw material for producing cooking oil, industrial oil, and fuel. Indonesia is the largest producer of palm oil in Indonesia. One of a company engaged in the production of palm oil is PT Permata Hijau Group. The company produces a wide range of palm oil products from from Palm Oil, Lauric Oil, Biodiesel, and Fatty Acid Oleo. Look at the variety of products palm oil marketed by PT Permata Hijau Group, it is necessary to do so decision making on palm oil product data. Data mining is applied using the Association Rules method to get support and confidence values, where export data processed using this method can determine which particular refined palm oil products are best-selling in the international market. With the Association Rules method, it is hoped that it can help provide an overview for a company in determining the amount of production of certain types of refined palm oil, so crises or excesses of certain processed palm products can be avoided. In this study, the results of data visualization using the Python Library (Matplotlib & Seaborn), products with the item set Glycerine→Stearic Acid and Glycerine-RBDPO→Stearic Acid are the combination of Association Rules that appear most frequently, with 100%. Whereas the combination HPKO→Stearic Acid meets the Association Rules with a value of 94%, RBDPO-HPKO→Stearic Acid and Fatty Acid- HPKO→Stearic Acid with 90%, Glycerine→RBDPO, Glycerine→RBDPO-Stearic Acid, and Glycerine Stearic Acid→RBDPO with 88%, HPKS→Stearic Acid and RBDPO-Fatty Acid→Stearic Acid with 83%.
Therefore, processed coconut Palm Glycerine, RBDPO, Stearic Acid, Fatty Acid, HPKO, and HPKS is a product that satisfies the rules of the association so this result can assist the company in determining the amount of product production given the demand for a combination of various processed coconut products of the palm oil, is higher than the variety of refined palm oil other products.
Keywords: Datamining, Export, Association Rules Method, Palm Oil
1. PENDAHULUAN
Kelapa sawit merupakan salah satu hasil perkebunan yang menduduki peran penting dalam kegiatan perekonomian di Indonesia sebagai penghasil minyak nabati yang banyak dibutuhkan oleh masyarakat maupun sektor industri [1]. Indonesia adalah penghasil minyak kelapa sawit nomor satu terbesar di dunia mengalahkan Malaysia [2]. Dua benih kelapa sawit berasal dari Bourbon, Mauritius dan dua benih lainnya berasal dari Hortus Botanicus, Amsterdam, Belanda pada tahun 1848 [3].
Kelapa sawit digunakan sebagai bahan baku penghasil minyak masak, minyak industri,
maupun bahan bakar. Indonesia adalah penghasil minyak kelapa sawit terbesar di Indonesia. Salah satu perusahaan yang bergerak di bidang produksi minyak kelapa sawit adalah PT Permata Hijau Group. Perusahaan ini memproduksi berbagai ragam produk kelapa sawit mulai dari Palm Oil, Lauric Oil, Biodiesel, dan Fatty Acid Oleo. Melihat ragamnya produk kelapa sawit yang dipasarkan oleh PT Permata Hijau Group, maka perlu dilakukan pengambilan keputusan terhadap data produk kelapa sawit.
Data mining merupakan bidang ilmu yang melakukan proses menggali informasi dari basis data yang berjumlah besar dan diolah
menjadi informasi baru yang dapat membantu dalam pengambilan keputusan [4], .Data mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran computer untuk menganalisis dan mengekstraksi pengetahuan secara otomatis [5], [6]–[10]. Association rules merupakan proses pemilihan satu aturan dari sekumpulan aturan yang ada dengan menggunakan nilai support dan confidence lebih dari atau sama dengan nilai support dan confidence yang ditentukan [11]. Association rule adalah metode untuk menemukan aturan suatu kombinasi item. Salah satu algoritma asosiasi yang bisa digunakan dalam mengolah data adalah algoritma apriori [12]. Sehingga metode dapat menemukan hubungan antar item dalam data transaksi. Proses ini memerlukan pengecekan data transaksi secara berulang kali dengan jumlah data transaksi yang besar untuk menemukan pola relasi item yang berbeda-beda [13]. Association rule meliputi dua tahap: 1.
Mencari kombinasi item yang paling sering muncul dari suatu itemset data transaksi. 2.
Mendefinisikan condition dan result (conditional association rule) [14].
Dari latar belakang diatas peneliti tertarik melakukan penelitian untuk mengetahui ragam produk kelapa sawit yang paling banyak diekspor, hasil ekspor kelapa sawit dalam interval waktu tertentu. Maka dari itu, judul yang diambil yaitu Pengolahan Data Ekspor Terhadap Ragam Produk Kelapa Sawit Menggunakan Metode Association Rules. Hasil dari metode Association rules yang digunakan dapat memprediksi adanya kemungkinan ragam kelapa sawit tertentu yang paling laku di pasar internasional.
Penelitian sebelumnya berjudul
“Penerapan Data Mining Untuk Mengolah Data Impor Ekspor Ikan Dengan Menggunakan Metode Association Rule”. Perbedaan dalam penelitian sebelumnya adalah meneliti tentang impor- ekspor ikan dan pada penelitian tersebut data impor dan ekspor yang diolah untuk membantu perusahaan dalam menentukan letak atau posisi penyimpanan produk impor dan ekspor berdasarkan tujuan Negara impor dan ekspor tersebut.
Sedangkan dalam penelitian yang diteliti oleh penulis adalah penelitian impor-ekspor kelapa sawit untuk memprediksi kemungkinan ragam kelapa sawit tertentu yang paling laku di pasar internasional.
2. METODE PENELITIAN
Penelitian ini merupakan penelitian kuantitatif, dimana data yang digunakan adalah data ekspor olahan kelapa sawit pada PT. Permata Hijau Group. Adapun Metode Penelitian ini dilakukan mengikuti tahapan-tahapan berikut ini:
Gambar 1. Tahapan Alur Penelitian
1. Pengumpulan Data
Dalam penelitian ini teknik pengumpulan data yang dilakukan adalah Field Research dan Library Research. Teknik Field Research bertujuan untuk mendapatkan data ekspor produk kelapa sawit yang diperoleh melalui data ekspor perusahaan, sedangkan teknik Library Research adalah pengumpulan data yang berasal dari jurnal terdahulu yang berhubungan dengan tujuan penelitian [15].
Hasil akhir dari penelitian sangat ditentukan oleh data pendukung. Data yang diperlukan ditentukan oleh keahlian peneliti dalam
menyaring dan mengidentifikasi data [16].
2. Data Acquisition
Dataset ekspor produk kelapa sawit diambil melalui data perusahaan. Dataset tersebut akan diolah melalui proses pengolahan data dan digunakan untuk mengidentifikasi kombinasi produk yang diminati pasar internasional [17].
3. Data Preprocessing
Proses mengubah data mentah menjadi format yang mudah dipahami. Proses ini dilakukan agar basis data yang digunakan bisa sesuai dengan format yang diinginkan, dengan tujuan hasil pengolahan data dapat diteruskan untuk diolah datanya [18].
4. Hasil Metode Association Rules
Proses menghasilkan data kombinasi produk yang memenuhi aturan asosiasi yang bisa memberikan informasi kepada perusahaan tentang kombinasi produk yang paling sering dipilih oleh pembeli [19], [20].
5. Visualisasi Data
Visualisasi data yaitu proses representasi data yang awalnya kompleks menjadi bentuk visual yang sederhana dan menarik. Proses ini memudahkan dalam mencerna informasi dari data tersebut [21].
Akhir dari penelitian ini adalah menggambarkan hasil dari metode Association Rules ke dalam bentuk grafik sehingga lebih mudah dipahami.
3. HASIL DAN PEMBAHASAN 3.1 Analisis Masalah
Adapun analisis masalah pada penelitian kali ini adalah untuk mencari ragam olahan kelapa sawit yang paling banyak diekspor, pengujian dilakukan melalui data penjualan selama 1 bulan terakhir. Penelitian ini menggunakan metode Association Rules untuk menentukan nilai Support dan Confidence dari setiap ragam olahan kelapa sawit, dari hasil akhir perhitungan tersebut, data akhir akan divisualisasikan dengan menggunakan Library Python.
3.2 Analisis Data
Sampel Tabel Transaksi Ekspor merupakan sampel data yang diambil dari “Tabel Transaksi Ekspor”. “Tabel Transaksi Ekspor” adalah tabel transaksi ekspor yang terjadi dari bulan Januari 2022 sampai September 2022. Data yang diambil merupakan data transaksi ekspor yang akan digunakan untuk melakukan penelitian. Nama produk olahan kelapa sawit diinisialkan oleh penulis agar lebih mudah dalam proses analisis dengan metode Association rules.
Inisialnya yaitu : A = Glycerine
B = Refined Bleached and Deodorised Palm Kernel Oil (RBDPO)
C = Stearic Acid D = Fatty Acid E = Lauric Acid F = Shortening 36-39
G = Hydrogenated Palm Kernel Oil (HPKO) H = Hydrogenated Palm Kernel Stearine
Tabel 1. Sampel Tabel Transaksi Ekspor
No. No Transaksi Negara Produk 1 IUB/22/0905/001/A Jiangmen, China ABC 2 IU/22/0907/008/A Lianyungang, China B 3 IM/22/0902/001/A Cat Lai, Vietnam CDG 4 IM/22/0909/001/A Singapore BC 5 IU/22/0906/001/A Lianyungang, China B 6 IU/22/0909/008/A Baltimore, USA BC 7 IU/22/0914/014/A Qingdao, China DEF 8 IU/22/0924/005/A Qingdao, China BCG 9 IM/22/0924/004/A Laem Chabang,
Thailand
D 10 IU/22/0925/001/A Huangpu, China E
… … … …
… … … …
… … … …
Data transaksi ekspor produk olahan kelapa sawit dapat divisualisasikan kedalam bilangan biner seperti data yang terlihat dalam
“Tabel 2 Representasi Biner”. Setiap kolom merupakan representasi olahan produk kelapa sawit dan setiap baris merupakan representasi setiap transaksi, nilai 1 menunjukkan olahan produk kelapa sawit ada dalam transaksi tersebut, atau 0 jika produk tersebut tidak terdapat dalam transaksi.
Tabel 2. Tabel Representasi Biner No. A B C D E F G H
1 1 1 1 0 0 0 0 0
2 0 1 0 0 0 0 0 0
… … … … …
600 0 0 1 1 0 0 1 0
Supp ort
54 33 312 216 78 78 108 72
Setelah mendapatkan data berupa nilai biner, langkah selanjutnya adalah menentukan nilai support dan nilai confidence dari data transaksi ekspor produk olahan kelapa sawit.
Penulis menggunakan aturan asosiasi dimana bentuk pernyataannya adalah X→Y, dimana X dan Y adalah item set yang dipisahkan oleh kondisi if- then (hypothesis-conclusion). Hasil kekuatan metode Association Rules dapat dilihat dari nilai support dan confidence. Support digunakan untuk mengetahui seberapa banyak kombinasi yang dapat terjadi dalam suatu data, sedangkan confidence digunakan untuk mengetahui seberapa sering item set Y muncul dalam transaksi yang memiliki item set X.
Formula yang dapat digambarkan untuk menghitung nilai support dan confidence adalah sebagai berikut:
XՍY=[B,C,D] dengan X[B,C], dimana XՍY=[B,C,D] = 60 dan X[B,C] = 210, sehingga nilai confidence c(X→Y) = 60/210 = 0.28 = 28%. Berdasarkan formula (1) dari data transaksi ekspor yang dipakai untuk mendapatkan sampel perhitungan dengan metode association rules maka diketahui nilai support minimum sebesar 0.07, sehingga nilai supcount ditunjukkan pada tabel berikut.
Tabel 3. Daftar Frequent 1 Item Set No. Item Support Supcount Supcount
1 A 54 0.09 9%
2 B 336 0.56 56%
3 C 312 0.52 52%
4 D 216 0.36 36%
5 E 78 0.13 13%
6 F 78 0.13 13%
7 G 108 0.18 18%
8 H 72 0.12 12%
Tabel 4. Daftar Frequent 2 Item Set No. Item Support Supcount Supcount
%
1 A,B 48 0.08 8%
2 A,C 54 0.09 9%
3 B,C 210 0.35 35%
4 B,D 72 0.12 12%
5 B,G 60 0.1 1%
6 C,D 114 0.19 19%
7 C,G 102 0.17 17%
8 C,H 60 0.1 1%
9 D,G 66 0.11 11%
Tabel 5. Calon Frequent 3 Item Set No. Item Support Supcount Supcount
1 A,B,C 48 0.08 8%
2 A,B,D 12 0.02 2%
3 A,B,G 0 0 0%
4 A,C,D 18 0.03 3%
5 A,C,G 0 0 0%
6 A,C,H 0 0 0%
7 A,D,G 0 0 0%
8 B,C,D 60 0.09 9%
9 B,C,G 54 0.09 9%
Dari formula diatas dapat diimplementasikan kedalam data dengan contoh, X[B,C] dan Y [D]. Jumlah transaksi yang berisi XՍY=[B,C,D] adalah 60, dan jumlah transaksi N adalah 600, sehingga support untuk nilai s(X→Y) = 60/600
= 0.1.
Tabel 6. Daftar Frequent 3 Item Set No. Item Support Supcount Supcount
%
1 A,B,C 48 0.08 8%
2 B,C,D 54 0.09 9%
3 B,C,G 54 0.09 9%
4 C,D,G 60 0.1 10%
Tabel 7. Daftar Frequent 4 Item Set No. Item Support Supcount Supcount%
1 A,B,C,D 12 0.02 2%
2 A,B,C,G 0 0 0%
3 B,C,D,G 18 0.03 3%
Dari tabel dengan 4 item set tidak efisien dengan data ekspor olahan kelapa sawit, sehingga rule item produk hanya berdasarkan 3 item set saja. Dalam hal ini, penulis menetapkan nilai support minimum adalah ≥0.07.
Selanjutnya untuk mengetahui hasil data association rules adalah dengan menghitung nilai confidence. Dengan formula 2 dan confidence yang didapatkan dengan menetapkan nilai confidence minimum≥70% maka hasil terlihat pada tabel berikut.
Tabel 8. Daftar Association Rules
No.
Frequ ent Item
Set
Associati on Rules Result
Sup port
Confide nce 1 A,B if buy A,
thenbuy B 48 48/54 2 A,C if buy A, then
buy C 54 54/54 3 G,C if buy G,
thenbuy C 102 102/108 4 H,C if buy H, then
buy C 60 60/72 5 AB,C if buy AB,
thenbuy C 48 48/48 6 AC,B If buy AC,
thenbuy B 48 48/54 7 A,BC If buy A,
thenbuy BC 48 48/54 8 BD,C If buy BD, then
buy C 60 60/72 9 BG,C If buy BG, then
buy C 54 54/60 10 DG,C If buy DG, then
buy C 60 60/66
Dari hasil rule diatas, dapat diketahui kombinasi olahan produk kelapa sawit yang paling sering diekspor berdasarkan nilai minimum support dan confidence yang ditetapkan.
3.3 Visualisasi Data
Visualisasi Data adalah tampilan berupa grafis atau grafik dari sebuah informasi sehingga
kumpulan data menjadi lebih sederhana untuk ditampilkan.
1. Upload Dataset
Hal pertama yang harus dilakukan adalah memasukkan data kedalam sebuah variable dengan menggunakan Google Colaboratory.
Gambar 2. Menginput Data
Setelah melakukan input data, langkah 90% selanjutnya adalah melakukan pemanggilan terhadap library apriori dan menentukan parameter minimum support sesuai dengan kebutuhan yaitu 0.07 atau 7%, sehingga daftar Itemsets yang memenuhi nilai minimum support =0.07 seperti pada Gambar 3.
Gambar 3. Daftar Itemsets
Gambar 4. Menampilkan Daftar Association Rules
Menentukan parameter minimum confidence sesuai kebutuhan yaitu 0.7 atau 70%, sehingga itemsets yang memenuhi nilai minimum confidence =0.7 dapat dilihat pada Gambar 5. Daftar Association Rules.
Gambar 5. Daftar Association Rules
Visualisasi Data dengan Matplotlib
Visualisasi dataset Association Rules ke dalam lineplot yang membandingkan antara daftar calon Association Rules dengan daftar Association Rules.
Gambar 6. Menampilkan Grafik Lineplot Data yang memenuhi aturan asosiasi ditandai dengan kedua grafik yang saling
bersinggung dan titik yang memiliki dua simbol.
Gambar 7. Grafik Association Rules Lineplot
3. Visualisasi Data dengan Seaborn Visualisasi dataset Association Rules kedalam barplot yang membandingkan antara daftar calon Association Rules dengan daftar Association Rules, data yang memenuhi aturan asosiasi ditandai dengan bar berwarna biru, sedangkan data yang belum memenuhi aturan asosiasi ditandai dengan bar berwarna hijau.
Gambar 8. Menampilkan Grafik Barplot
Gambar 9. Grafik Association Rules Barplot
Setelah melakukan visualisasi data menggunakan Library Python (Matplotlib dan Seaborn), diperoleh data bahwa produk dengan item set Glycerine→Stearic Acid dan Glycerine- RBDPO→Stearic Acid merupakan kombinasi Association Rules yang paling sering muncul yaitu 100%. Sedangkan untuk kombinasi HPKO→Stearic Acid memenuhi Association Rules dengan nilai 94%, RBDPO- HPKO→Stearic Acid dan Fatty Acid- HPKO→Stearic Acid memenuhi Association Rules dengan nilai 90%, Glycerine→RBDPO, Glycerine→RBDPO-Stearic Acid, dan Glycerine Stearic Acid→RBDPO memenuhi Association Rules dengan nilai 88%, HPKS→Stearic Acid dan RBDPO-Fatty Acid→Stearic Acid memenuhi Association Rules dengan nilai 83%.
4. KESIMPULAN
Berdasarkan hasil yang didapatkan dari metode Association Rules pada data ekspor ragam olahan kelapa sawit, didapatkan jenis olahan kelapa sawit yang memenuhi aturan assosiasi yaitu produk kombinasi Glycerine→Stearic Acid dan Glycerine- RBDPO→Stearic Acid merupakan kombinasi Association Rules yang paling sering muncul yaitu 100%. Sedangkan untuk kombinasi HPKO→Stearic Acid memenuhi Association Rules dengan nilai 94%, RBDPO HPKO→Stearic Acid dan Fatty Acid- HPKO→Stearic Acid memenuhi Association Rules dengan nilai 90%, Glycerine→RBDPO, Glycerine→RBDPO Stearic Acid, dan Glycerine Stearic Acid→RBDPO memenuhi Association Rules dengan nilai 88%, HPKS→Stearic Acid dan RBDPO-Fatty Acid→Stearic Acid memenuhi Association Rules dengan nilai 83%. Oleh karena itu, olahan kelapa sawit Glycerine, RBDPO, Stearic Acid, Fatty Acid, HPKO, dan HPKS merupakan produk yang memenuhi aturan asosiasi sehingga hasil ini bisa membantu pihak perusahaan dalam menentukan jumlah produksi produk tertentu mengingat permintaan terhadap kombinasi ragam olahan produk kelapa sawit tersebut, lebih
tinggi dibandingkan ragam produk olahan kelapa sawit lainnya .
5. REFERENSI
[1] A. Nurkholis and I. S. Sitanggang,
“Optimization for prediction model of palm oil land suitability using spatial decision tree algorithm,” J. Teknol. dan Sist. Komput., vol. 8, no. 3, pp. 192–200,
Jul. 2020, doi:
10.14710/jtsiskom.2020.13657.
[2] Rosmegawati, “PERAN ASPEK TEHNOLOGI PERTANIAN KELAPA SAWIT UNTUK MENINGKATKAN
PRODUKTIVITAS PRODUKSI
KELAPA SAWIT,” J. AGRISIA, vol. 13, no. 2, pp. 73–90, 2021.
[3] N. Saputra, S. Sasmoko, S. B.
Abdinagoro, and E. Kuncoro, SUSTAINABLE GROWTH FORMULA Keterlekatan Kerja dan Ketangkasan Belajar dari Manajerial Resources Industri Minyak Sawit Indonesia. 2020.
[4] W. Aser, H. Samosir, and T. Gantini,
“Analisis Dataset COVID-19 menggunakan Algoritma KNN dan Random Forest,” J. Strateg. - J.
Maranatha, vol. 4, no. 1, pp. 58–69, 2022, [Online]. Available:
https://mail.strategi.it.maranatha.edu/inde x.php/strategi/article/view/325
[5] Yuda Irawan, “PENERAPAN DATA MINING UNTUK EVALUASI DATA
PENJUALAN MENGGUNAKAN
METODE CLUSTERING DAN
ALGORITMA HIRARKI DIVISIVE DI
PERUSAHAAN MEDIA WORLD
PEKANBARU,” J. Teknol. Inf. Univ.
Lambung Mangkurat, vol. 4, no. 1, pp.
13–20, Apr. 2019, doi:
10.20527/jtiulm.v4i1.34.
[6] S. K. Singh and D. R. K. Dwivedi, “Data Mining: Dirty Data and Data Cleaning,”
SSRN Electron. J., 2020, doi:
10.2139/ssrn.3610772.
[7] W. Purba, S. Tamba, and J. Saragih, “The effect of mining data k-means clustering toward students profile model drop out potential,” J. Phys. Conf. Ser., vol. 1007, p. 012049, Apr. 2018, doi: 10.1088/1742- 6596/1007/1/012049.
[8] S. P. Tamba, M. Sitanggang, B. C.
Situmorang, and G. Laura,
“APPLICATION OF DATA MINING TO DETERMINE THE LEVEL OF FISH SALES IN PT . TRANS RETAIL WITH FP-GROWTH METHOD,” vol.
10, no. 2, pp. 905–913, 2022.
[9] E. Saut Parsaoran Tamba, “Penerapan Data Mining Algoritma Apriori Dalam Menentukan Stok Bahan Baku Pada Restoran Nelayan,” JUSIKOM PRIMA (Junal Sist. Inf. Ilmu Komput. Prima), vol. 5, no. 2, pp. 97–102, 2022.
[10] Hendra Di Kesuma, D. Apriadi, H.
Juliansa, and E. Etriyanti, “Implementasi Data Mining Prediksi Mahasiswa Baru Menggunakan Algoritma Regresi Linear Berganda,” J. Ilm. Bin. STMIK Bina Nusant. Jaya Lubuklinggau, vol. 4, no. 2,
pp. 62–66, 2022, doi:
10.52303/jb.v4i2.74.
[11] D. P. A. Brute-force, “Pemetaan Kepakaran Melalui Jurnal yang Telah Dipublikasikan Dengan Metode Association Rules,” Jupiter (Jurnal Penelit. Ilmu dan Teknol. Komputer), pp.
47–55.
[12] Nola Ritha, E. Suswaini, and W.
Pebriadi, “Penerapan Association Rule Menggunakan Algoritma Apriori Pada Poliklinik Penyakit Dalam (Studi Kasus:
Rumah Sakit Umum Daerah Bintan),” J.
Sains dan Inform., vol. 7, no. 2, pp. 222–
230, Dec. 2021, doi:
10.34128/jsi.v7i2.329.
[13] I. Rusydi, “Penerapan Metode Association Rule Dalam Menganalisa Data Penjualan Obat Mengunakan
Algoritma FP-GROWTH (Studi Kasus Rumah Sakit Haji Medan),” Algoritm. J.
ILMU Komput. DAN Inform., vol. 3, no.
2, p. 9, Nov. 2019, doi:
10.30829/algoritma.v3i2.6435.
[14] R. R. Rerung, “Penerapan Data Mining dengan Memanfaatkan Metode Association Rule untuk Promosi Produk,” J. Teknol. Rekayasa, vol. 3, no.
1, p. 89, 2018, doi:
10.31544/jtera.v3.i1.2018.89-98.
[15] R. Dewi and Z. M. Nawawi, “Analisis Perkembangan Ekspor Impor Kelompok Barang Ekonomi Di Provinsi Sumatera Utara Tahun 2016-2020,” J. Pamator J.
Ilm. Univ. Trunojoyo, vol. 15, no. 1, pp.
137–145, Apr. 2022, doi:
10.21107/pamator.v15i1.14283.
[16] Y. Mahzalena and H. Juliansyah,
“Pengaruh Inflasi, Pengeluaran Pemerintah Dan Ekspor Terhadap Pertumbuhan Ekonomi Di Indonesia,” J.
Ekon. Reg. Unimal, vol. 2, no. 1, p. 37, 2019, doi: 10.29103/jeru.v2i1.1742.
[17] J. A. Widians and F. N. Rizkyani,
“Identifikasi Hama Kelapa Sawit menggunakan Metode Certainty Factor,”
Ilk. J. Ilm., vol. 12, no. 1, pp. 58–63, Apr.
2020, doi: 10.33096/ilkom.v12i1.526.58- 63.
[18] A. Handayanto, K. Latifa, N. D. Saputro, and R. R. Waliansyah, “Analisis dan Penerapan Algoritma Support Vector Machine (SVM) dalam Data Mining untuk Menunjang Strategi Promosi,”
JUITA J. Inform., vol. 7, no. 2, pp. 71–
79, 2019, doi: 10.30595/juita.v7i2.4378.
[19] I. A. Darmawan, M. F. Randy, I.
Yunianto, M. M. Mutoffar, and M. T. P.
Salis, “Penerapan Data Mining Menggunakan Algoritma Apriori Untuk Menentukan Pola Golongan Penyandang Masalah Kesejahteraan Sosial,” Sebatik, vol. 26, no. 1, pp. 223–230, 2022, doi:
10.46984/sebatik.v26i1.1622.
[20] F. A. Sianturi, “Penerapan Algoritma Apriori Untuk Penentuan Tingkat Pesanan,” Mantik Penusa, vol. 2, no. 1, pp. 50–57, 2018.
[21] A. F. Andikos and H. Andri, “Pengujian Association Clasification Dalam Meningkatkan Kualitas Minyak Sawit Sebagai Bahan Dasar Biodisel,” J.
MEDIA Inform. BUDIDARMA, vol. 3, no. 4, p. 340, Oct. 2019, doi:
10.30865/mib.v3i4.1383.
