JURNAL CYBER TECH STMIK TRIGUNA DHARMA
P-ISSN : 2988-2508 .
E-ISSN : 2987-9604
Volume 5.
Nomor 2.
Edisi Oktber 2023 https://ojs.
id/index.
php/jct/index Implementasi Fp-Growth Dalam Menganalisa Pola Penjualan Biskuit Pada Pt.
Unibis Yohanni Syahra1.
Zaimah Panjaitan2 Heriyandi3
1,2,3
Program Studi Sistem Informasi.
STMIK Triguna Dharma Email:, yohani.
syahra@email.
com, zaimahp09@email.
com, heribancin16@gmail.
Email Penulis Korespondensi: yohani.
syahra@email.
AbstrakOe PT.
UNIBIS merupakan perusahaan yang bergerak dalam bidang penjualan biskuit yang menghasilkan banyak transaksi penjualan setiap harinya.
Kebanyakan data transaksi penjualan tidak dimanfaatkan kembali, hanya disimpan sebagai arsip dan untuk pembuatan laporan penjualan.
PT.
UNIBIS tidak memiliki kemampuan untuk menggunakan data tersebut menjadi bahan untuk mengetahui produk yang sering terjual secara bersamaan.
Untuk mengatasi permasalahan tersebut dibutuhkan sebuah aplikasi Data Mining yang mampu mengatur pola penjualan biskuit pada PT.
UNIBIS dimana setiap data yang diperoleh dari PT.
UNIBIS akan dihitung menggunakan algoritma FP-Growth.
Hasil dari penelitian adalah sebuah aplikasi datamining yang mengadopsi algoritma FP-Growth serta mampu menjawab permasalahan tekait mengatur pola penjualan biskuit pada PT.
UNIBIS.
Kata Kunci: Datamining.
FP-Growth.
Pola Penjualan.
Penjualan Biskuit.
AbstractOe PT.
UNIBIS is a company engaged in the sale of biscuits that generate many sales transactions every day.
Most sales transaction data is not reused, only stored as archives and for the creation of sales reports.
PT.
UNIBIS does not have the ability to use this data as material to find out which products are often sold simultaneously.
To overcome these problems, a Data Mining application that is capable of regulate biscuit sales patterns at PT.
UNIBIS where every data obtained from PT.
UNIBIS will be calculated using the FP-Growth algorithm.
The result of the research is a datamining application that adopts the FP-Growth algorithm and is able to answer problems related to managing biscuit sales patterns at PT.
UNIBIS.
Keywords: Datamining.
FP-Growth.
Sales Pattern.
sale of biscuits.
PENDAHULUAN
Penjualan merupakan syarat mutlak keberlangsungan suatu usaha, karena dengan penjualan maka akan didapatkan keuntungan.
Semakin tinggi penjualan maka keuntungan yang akan didapat akan semakin Untuk mencapai tujuan ini maka sangat diperlukan usaha-usaha agar konsumen mempunyai daya tarik dan sifat loyal dalam berbelanja disuatu unit usaha .
Data penjualan mempunyai transaksi yang sangat besar jika penjualan dilakukan setiap harinya.
Jika data tersebut hanya disimpan tanpa digunakan lagi maka akan menimbulkan masalah baru dimana data akan terus menumpuk sehingga perusahaan harus menyediakan biaya untuk pemeliharaan data tersebut.
Demikian juga yang terjadi pada PT.
UNIBIS.
PT.
UNIBIS merupakan perusahaan yang bergerak dalam bidang penjualan biskuit.
Transaksi penjualan biskuit yang ada seharusnya dapat digunakan dalam meningkatkan penjualan guna meningkatkan omset, mengatur susunan produk dalam gudang, dapat juga digunakan sebagai bahan promosi dengan mengumpulkan produk yang sering terjual bersamaan.
Untuk mengatasi permasalahan tersebut dibutuhkan sebuah sistem yang mampu mengelola Data Mining dalam mengatur pola penjualan biskuit pada PT.
UNIBIS.
AuData Mining merupakan proses menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi maupun mengidentifikasi informasi yang bermanfaat atau pengetahuan yang terkait dari berbagai database besarAy .
Dimana setiap data yang diperoleh dari PT.
UNIBIS akan dihitung menggunakan algoritma FP-Growth.
Algoritma FP-Growth adalah sebuah metode dalam Data Mining untuk mencari frequent itemset tanpa menggunakan candidate generation.
Pembangunan data menggunakan struktur FP-Tree untuk mengolah database transaksi .
Algoritma FP-Growth merupakan pengembangan dari algoritma Apriori.
Algoritma Frequent Pattern Growth (FP-Growt.
adalah salah satu alternatif algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul .
requent itemse.
dalam sebuah kumpulan data .
Yohanni Syahra.
Copyright A 2023.
CYBER TECH.
Page 62
JURNAL CYBER TECH STMIK TRIGUNA DHARMA
P-ISSN : 2988-2508 .
E-ISSN : 2987-9604
Volume 5.
Nomor 2.
Edisi Oktber 2023 https://ojs.
id/index.
php/jct/index Berdasarkan deskripsi di atas maka penelitian ini diberikan sebuah judul AuIMPLEMENTASI FPGROWTH DALAM MENGANALISA POLA PENJUALAN BISKUIT PADA PT.
UNIBISAy.
METODOLOGI PENELITIAN
1 Tahapan Penelitian Metode penelitian adalah langkah-langkah yang dilakukan untuk mengumpulkan informasi atau data yang dapat diperoleh dari seorang pakar sebagai gambaran rancangan penelitian yang akan dibuat.
Dalam metode ini biasanya ada perancangan percobaan berdasarkan data primer dan data sekunder yang telah didapatkan.
Di dalam melakukan penelitian terdapat beberapa cara yaitu sebagai berikut:
Data Collecting Teknik Data Collecting adalah proses pengumpulan data yang berguna untuk memastikan informasi yang didapat oleh peneliti.
Teknik pengumpulan data terdiri dari 2 jenis yaitu:
Observasi Observasi merupakan teknik pengumpulan data dengan melakukan tinjauan langsung ke tempat studi kasus dimana akan dilakukan penelitian yaitu PT.
UNIBIS yang beralamat di Medan.
Wawancara Teknik wawancara ini dilakukan untuk mendapatkan informasi tambahan dari pihak-pihak yang memiliki wewenang dan berinteraksi langsung dengan Bapak Yahya sebagai supervisor PT.
UNIBIS.
Studi Literatur Dalam studi literatur, peneliti ini banyak menggunakan jurnal-jurnal baik jurnal internasional, jurnal nasional, jurnal lokal, maupun buku sebagai sumber referensi.
2 Algoritma Sistem Penggalian itemset yang frequent dengan menggunakan algoritma FP-Growth akan dilakukan dengan cara membangkitkan struktur data tree atau disebut dengan FP-Tree Metode FP-Growth dapat dibagi menjadi 3 tahapan utama yaitu tahap pembangkitan conditional pattern base, tahap pembangkitan conditional FP-Tree dan tahap pencarian frequent itemset .
Berikut algoritma sistem penyelesaian Data Mining untuk menganalisa pola penjualan biskuit pada pada PT.
UNIBIS:
Menentukan Data Yang Akan Diolah Generate Frequent Itemset Penambahan Transaksi ID (TID) Pembentukan FP-Tree Pembentukan Sub Tree Aturan Asosiasi Flowchart algoritma yang dirancang untuk menganalisis pola penjualan biskuit menggunakan metode FP-Growth yaitu sebagai berikut:
Yohanni Syahra.
Copyright A 2023.
CYBER TECH.
Page 63
JURNAL CYBER TECH STMIK TRIGUNA DHARMA
P-ISSN : 2988-2508 .
E-ISSN : 2987-9604
Volume 5.
Nomor 2.
Edisi Oktber 2023 https://ojs.
id/index.
php/jct/index Gambar 1 Flowchart Algoritma FP-Growth 1 Menentukan Data Yang Akan Diolah Data transaksi penjualan biskuit yang diambil merupakan data transaksi yang terjadi pada periode 1 Februari 2021 sampai dengan 28 Februari 2021.
Berikut ini merupakan sebagian data dari 120 transaki penjualan biskuit.
Tabel 1 Data Transaksi
Nama Produk
Durian cream biscuit
Bon-Bon Chocolate cream biscuit
01/02/2021
Lemon cream biscuit
Marie Susu biscuit
Bon-Bon Chocolate cream biscuit
01/02/2021
Butter cream biscuit
Glazin cream biscuit
Mega Chocolate biscuit
28/02/2021
Butter Chocolate cream biscuit Butter cream biscuit Untuk mempermudah pengerjaan maka tabel data transaksi akan diganti dengan kode.
Berikut merupakan tabel pergantian nama produk menjadi kode.
Tanggal Tabel 2 Kode Produk
Kode Produk
Nama Produk
B01
Durian cream biscuit
B02
Bon-Bon Chocolate cream biscuit
B03
Lemon cream biscuit
B04
Butter cream biscuit
Kode Produk
B05
B06
B07
Nama Produk Marie Susu biscuit Marie Special biscuit Coco Puff biscuit Yohanni Syahra.
Copyright A 2023.
CYBER TECH.
Page 64
JURNAL CYBER TECH STMIK TRIGUNA DHARMA
P-ISSN : 2988-2508 .
E-ISSN : 2987-9604
Volume 5.
Nomor 2.
Edisi Oktber 2023 https://ojs.
id/index.
php/jct/index B08
B24
Butter Chocolate cream biscuit Chocolate Short Cake Vanilla Dari tabel daftar pergantian nama produk menjadi kode maka akan dibuat tabel data transaksi sesuai kode di atas.
Tabel 3 Transaksi
Tanggal Transaksi
01 Februari 2021
B01,B02,B03
01 Februari 2021
B05,B02,B04
01 Februari 2021
B02,B03
01 Februari 2021
B02,B01,B05
01 Februari 2021
B03,B06
01 Februari 2021
B01,B02
28 Februari 2021
B23,B16,B08,B04
2 Generate Frequent Itemset Dari tabel di atas akan dicari minimum support dari 100 transaksi, frekuensi dan support tiap item diurutkan dari yang paling tertinggi kemudian dilakukan pencarian nilai support item dengan rumus:
Jumlah Transaksi Menggandung A Support (A) = x 100% Total Transaksi Berdasarkan rumus di atas, maka akan didapatkan nilai support seperti pada tabel berikut ini:
Kode
B01
B02
B03
B04
B05
B24
Tabel 4 Frekuensi Kemunculan Tiap item
Frekuensi Kemunculan Suport
50/100 * 100% = 50%
21/100 * 100% = 21%
37/100 * 100% = 37%
12/100 * 100% = 12%
51/100 * 100% = 51%
5/100 * 100% = 5%
Berdasarkan tabel di atas yang berisi nilai support dari tiap item, maka ditetatapkan nilai minimum support = 17%.
Berikut merupakan tabel yang memenuhi nilai minimum support = 17%.
Tabel 5 Item Yang Memenuhi Minimum Support
Kode
Frekuensi Kemunculan Suport
B05
51/100 * 100% = 51%
B01
50/100 * 100% = 50%
B03
37/100 * 100% = 37%
B02
21/100 * 100% = 21%
Dari tabel nilai yang berisi nilai support tiap item, akan diurutkan berdasarkan frekuensi kemunculan tertinggi dengan nilai minimum support = 17%.
Di bawah ini merupakan tabel data urutan transaksi berdasarkan support tertinggi.
Tabel 6 Urutan Transaksi Berdasarkan Support Tertinggi Item
B01,B03,B02
B05,B02
Yohanni Syahra.
Copyright A 2023.
CYBER TECH.
Page 65
JURNAL CYBER TECH STMIK TRIGUNA DHARMA
P-ISSN : 2988-2508 .
E-ISSN : 2987-9604
Volume 5.
Nomor 2.
Edisi Oktber 2023 https://ojs.
id/index.
php/jct/index B03,B02 3 Penambahan Transaksi ID (TID) Proses TID ini digunakan untuk mengetahui posisi pada FP-Tree yang akan digambarkan pada setiap transaksi.
TID
Tabel 7 Penambahan TID Item 4 Pembentukan FP-Tree Gambar di bawah ini memberikan ilustrasi tentang pembentukan FP-Tree dari tabel data transaksi di atas yang telah memenuhi minimum support.
Dibawah ini merupakan bentuk FP-Tree untuk nomor transaksi pertama atau TID 1.
Gambar 2 Hasil Pembentukan FP-Tree setelah pembacaan TID 1 Dibawah ini merupakan bentuk FP-Tree untuk TID 2, dimana FP-Tree ini merupakan lanjutan dari FP- Tree Gambar 3 Hasil Pembentukan FP-Tree setelah pembacaan TID 2 Yohanni Syahra.
Copyright A 2023.
CYBER TECH.
Page 66
JURNAL CYBER TECH STMIK TRIGUNA DHARMA
P-ISSN : 2988-2508 .
E-ISSN : 2987-9604
Volume 5.
Nomor 2.
Edisi Oktber 2023 https://ojs.
id/index.
php/jct/index Dibawah ini merupakan bentuk FP-Tree untuk TID 3, dimana FP-Tree ini merupakan lanjutan dari FPTree sebelumnya.
Gambar 4 Hasil Pembentukan FP-Tree setelah pembacaan TID 3 Penggambaran TID dilakukan hingga TID yang terakhir (TID .
Berikut adalah hasil penggambaran FP-tree untuk TID 100.
Gambar 5 Hasil pembentukan FP-Tree setelah pembacaan TID 100 Berdasarkan gambar di atas maka urutan prioritas item yang memiliki count paling kecil adalah B02 dengan nilai count 21 dan count paling tinggi adalah B05 dengan nilai count 51.
Setelah diketahui count paling kecil, maka akan dibuat subtree yang berakhiran node B02.
Conditional pattern base, conditional FP- tree dan frequent itemset akan ditemukan dari subtree tersebut.
5 Pembentukan Sub Tree Bentuk sub tree merupakan gambaran bagaian dari Fp-Tree dengan mengambil node akhir yang sama.
Sub Tree B02 Sub tree B02 merupakan bagian FP-Tree dengan mengambil rangkaian dengan node akhir B02.
Yohanni Syahra.
Copyright A 2023.
CYBER TECH.
Page 67
JURNAL CYBER TECH STMIK TRIGUNA DHARMA
P-ISSN : 2988-2508 .
E-ISSN : 2987-9604
Volume 5.
Nomor 2.
Edisi Oktber 2023 https://ojs.
id/index.
php/jct/index B01 : 5
B03 : 1
B05 : 8
B02 : 4
B02 : 4
B03 : 5
B01 : 3
B02 : 1
B02 : 2
B03 : 1
B03 : 1
B02 : 3
B02 : 5
B02 : 1
B02 : 1
Gambar 6 Lintasan yang mengandung simpul B02 Conditional Pattren Base B02: {B01.
B03: .
, {B01: .
, {B05: 4 }, {B05.
B01: .
, {B05.
B01.
B03: .
, {B05.
B03: .
, {B03:
Conditional pattern base diperoleh dengan cara membaca setiap lintasan berakhiran node B02.
Conditional FP-Tree:
Setelah conditional pattern base diperoleh, maka conditional FP-Tree terbentuk dengan mengabaikan item tunggal pada lintasan berakhiran node B02.
B02: {B05: .
, {B01: .
, {B03: .
Frequent Item Sets:
Selanjutnya untuk mendapatkan frequent itemsets, lakukan pengkombinasian dari item yang akan dibuat conditional FP-tree dengan syarat count dari item tersebut memenuhi minimum support.
B02: {B05.
B02: .
, {B01.
B02: .
, {B03.
B02: .
Sub Tree B03 Sub tree B03 merupakan bagian FP-Tree dengan mengambil rangkaian dengan node akhir B03.
Gambar 7 Lintasan yang mengandung simpul B03 Conditional Pattren Base B03: {B01: .
, {B05.
B01: .
, {B05: .
Yohanni Syahra.
Copyright A 2023.
CYBER TECH.
Page 68
JURNAL CYBER TECH STMIK TRIGUNA DHARMA
P-ISSN : 2988-2508 .
E-ISSN : 2987-9604
Volume 5.
Nomor 2.
Edisi Oktber 2023 https://ojs.
id/index.
php/jct/index Conditional pattern base diperoleh dengan cara membaca setiap lintasan berakhiran node B03.
Conditional FP-Tree:
Setelah conditional pattern base diperoleh, maka conditional FP-Tree terbentuk dengan mengabaikan item tunggal pada lintasan berakhiran node B03.
B03: {B05: .
, {B01: .
Frequent Item Sets:
Selanjutnya untuk mendapatkan frequent itemsets, lakukan pengkombinasian dari item yang akan dibuat conditional FP-tree dengan syarat count dari item tersebut memenuhi minimum support.
B03: {B05.
B03: .
, {B01.
B03: .
Penggambaran sub tree dilakukan untuk semua itemset dimulai dari iterset terkecil hingga yang terbesar.
Berdasarkan hasil sub tree yang telah terbentuk, maka akan dibentuk tabel subset dengan 2 kombinasi item.
Proses selanjutnya akan dihitung karna telah memenuhi syarat frequent itemset untuk menghasilkan association rule yang minimal memiliki 2 item dimana jika membuka katagori A maka akan membuka kategori B.
Berikut adalah subset yang layak untuk dihitung tingkat confidence nya:
Tabel 8 Subset
Frequent
item sets B02
B03
B01
Subsets {B05.
B02: .
, {B01.
B02: .
, {B03.
B02: .
{B05.
B03: .
, {B01.
B03: .
{B05.
B01: .
6 Aturan Asosiasi Setelah menemukan subset yang mencukupi syarat, selanjutnya akan diperoleh nilai frekuensi sesuai Berikut ini adalah tabel frequent pattern.
Tabel 9 Frequent Pattern Frequent Subsets item sets {B05.
B02: .
{B01.
B02: .
{B03.
B02: .
{B05.
B03: .
{B01.
B03: .
{B05.
B01: .
Pada tahap ini, perhitungan akan dilakukan untuk menentukan nilai support pada setiap item set dengan Jumlah Transaksi Mengandung A,B Support (A,B) = x 100% Total Transaksi Berdasarkan rusmus di atas, maka akan mendapatkan nilai support seperti tabel berikut.
Tabel 10 Frequent Support Association Rules Frequent Subsets Support item sets {B05.
B02: .
8/100 * 100% = 8% {B01.
B02: .
8/100 * 100% = 8% {B03.
B02: .
8/100 * 100% = 8% {B05.
B03: .
18/100 * 100% = 18% Yohanni Syahra.
Copyright A 2023.
CYBER TECH.
Page 69
JURNAL CYBER TECH STMIK TRIGUNA DHARMA
P-ISSN : 2988-2508 .
E-ISSN : 2987-9604
Volume 5.
Nomor 2.
Edisi Oktber 2023 https://ojs.
id/index.
php/jct/index {B01.
B03: .
{B05.
B01: .
19/100 * 100% = 19% 41/100 * 100% = 41% Setelah mengetahui hasil perhitungan nilai Support, selanjutnya akan dieliminasi sesuai dengan minimum support = 17%.
Berikut adalah hasil eliminasi 2 itemset:
Tabel 11 Eliminasi Support 2 Itemset Frequent Subsets Support item sets {B05.
B03: .
18/100 * 100% = 18% {B01.
B03: .
19/100 * 100% = 19% {B05.
B01: .
41/100 * 100% = 41% Setelah melalui proses eliminasi nilai support untuk 2 itemset, selanjutnya dilakukan perhitungan untuk menentukan nilai confidence pada setiap itemset dengan menggunakan rumus berikut ini:
Jumlah Transaksi Mengandung A,B Confidence (A,B) = x 100% Total Transaksi A Berdasarkan rumus di atas, selanjutnya akan mendapatkan nilai confidence seperti tabel berikut ini:
Tabel 12 Frequent Confidence Association Rules Frequent Subsets Confidence item sets {B05.
B01: .
41/51 * 100% = 80,39% {B01.
B03: .
19/50 * 100% = 38% {B05.
B03: .
18/51 * 100% = 35,29% Hasil perhitungan confidence kemudian dieliminasi sesuai dengan minimum confidence = 35%.
Berikut hasil aturan asosiasi yang melewati tahap eliminasi confidence:
Tabel 13 Eliminasi Confidence Frequent Subsets Confidence item sets {B05.
B01: .
41/51 * 100% = 80,39% {B01.
B03: .
19/50 * 100% = 38% {B05.
B03: .
18/51 * 100% = 35,29% Setelah menganalisa data penjualan biskuit, maka diperoleh kesimpulan sebagai berikut:
Dengan membeli Marie Susu biscuit (B.
maka akan membeli Durian cream biscuit (B.
dengan nilai support 41% dan confidence 80,39%.
Dengan membeli Durian cream biscuit (B.
maka akan membeli Lemon cream biscuit (B.
dengan nilai support 19% dan confidence 38%.
Dengan membeli Marie Susu biscuit (B.
maka akan membeli Lemon cream biscuit (B.
dengan nilai support 18 % dan confidence 35,29%.
HASIL DAN PEMBAHASAN
Sebelum sistem benar-benar bisa digunakan dengan baik, sistem harus melalui tahap pengujian analisa dan hasil terlebih dahulu yaitu sebagai berikut :
Yohanni Syahra.
Copyright A 2023.
CYBER TECH.
Page 70
JURNAL CYBER TECH STMIK TRIGUNA DHARMA
P-ISSN : 2988-2508 .
E-ISSN : 2987-9604
Volume 5.
Nomor 2.
Edisi Oktber 2023 https://ojs.
id/index.
php/jct/index Form Login Form Login merupakan form yang digunakan sebagai media untuk membatasi hak akses.
Cara menjalankannya adalah dengan mengisi username dan password yang benar kemudian klik tombol login untuk masuk kedalam sistem, klik tombol batal untuk mengosongkan field.
Form Utama Form utama berisi menu yang digunakan untuk memanggil setiap form yang terkait dengan aplikasi yang Cara menjalankannya dengan memilih salah satu menu untuk memanggil form lain.
Gambar 9 Rancangan Form Utama Form Data Form data berisi data nilai transaksi penjualan biskuit.
Cara menjalankannya dengan menekan tombol browse, kemudian memilih data transaksi yang disimpan sebelumnya dalam bentuk file excel.
Data transaksi yang terdapat pada file excel tersebut akan tampil kedalam datagrid kemudian tekan tombol lanjut untuk menampilkan form proses.
Tekan tombol batal untuk mengosongkan datagrid.
Gambar 10 Rancangan Form Data Yohanni Syahra.
Copyright A 2023.
CYBER TECH.
Page 71
JURNAL CYBER TECH STMIK TRIGUNA DHARMA
P-ISSN : 2988-2508 .
E-ISSN : 2987-9604
Volume x.
Nomor x.
Edisi April 2023 https://ojs.
id/index.
php/jct/index Form Proses Form proses berisi perhitungan nilai support dan confidence untuk setiap produk yang terdapat pada transaksi penjualan dan menggabungkan 2 item yang sering terjual bersamaan.
Cara menjalankannya dengan mengisi nilai minimum support dan confidence, kemudian menekan tombol AoprosesAo, maka sistem akan menggabungkan hasil analisa terhadap 2 produk yang sering terjual bermasaan.
Tekan tombol simpan untuk menyimpan hasil analisa kedalam database.
Tekan tombol reset untuk mengosongkan semua datagrid.
Gambar 11 Rancangan Form Proses Laporan Form Laporan adalah form yang berisi tentang hasil analisa penjualan terhadap biskuit yang sering terjual secara bersamaan.
Gambar 12 Laporan Yohanni Syahra.
Copyright A 2023.
CYBER TECH.
Page 72
JURNAL CYBER TECH STMIK TRIGUNA DHARMA
P-ISSN : 2988-2508 .
E-ISSN : 2987-9604
Volume x.
Nomor x.
Edisi April 2023 https://ojs.
id/index.
php/jct/index KESIMPULAN Dalam menerapkan FP-Growth sebagai solusi pemecahan masalah dalam menganalisa penjualan biskuit pada PT.
UNIBIS dapat dilakukan dengan mengumpulkan data terkait algoritma FP-Growth dan melakukan penggambaran Fp-Tree dan Sub Tree berdasarkan data penjualan biskuit untuk mengetahui 2 item atau 2 jenis produk yang sering terjual bersamaan.
Dalam merancang aplikasi yang mengadopsi algoritma FP-Growth dalam menganalisa pola penjualan biskuit pada PT.
UNIBIS dapat dilakukan dengan menerjemahkan seluruh algoritma FP-Growth kedalam bahasa pemrograman microsoft visual studio dan mengimport data penjualan biskuit, dimana data penjualan akan dihitung secara otomatis menggunakan sistem yang dibangun untuk mendapatkan pola penjualan produk atau produk yang sering terjual secara bersamaan.
Dalam menguji aplikasi yang telah dibangun melihat sejauh mana kinerjanya di dalam memecahkan permasalahan dalam menganalisa pola penjualan biskuit pada PT.
UNIBIS dapat dilakukan dengan black testing yang berisi hasil pengujian terhadap sistem yang dibangun dimulai proses pengisian data yang kurang lengkap hingga proses penggabungan produk yang paling sering terjual secara bersamaan.
UCAPAN TERIMAKASIH
Terimakasih diucapkan kepada pihak-pihak yang telah mendukung dalam proses pembuatan jurnal ini yang tidak dapat disebutkan satu persatu.
Kiranya bisa memberi manfaat bagi pembacanya dan dapat meningkatkan kualitas jurnal selanjutnya.
REFERENCES