Vol.
1 No.
Mei 2022 e-ISSN x-x (Media Onlin.
Page 38-47 Penerapan Algoritma Apriori Terhadap Data Mining Penjualan Di Alfamart Berastagi Lika Citra Dewi1,*.
Eka Irawan2.
Rizky Khairunnisa Sormin3
1,2,3
Program Studi Sistem Informasi.
STIKOM Tunas Bangsa.
Pematang Siantar.
Indonesia Email: 1likacitradewi02@gmail.
com, 2ekairawan@amiktunasbangsa.
id, 3rizkysormin@amiktunasbangsa.
(*: likacitradewi02@gmail.
Abstrak Alfamart merupakan salah satu swalayan yang berkembang dan banyak ditemui di daerah manapun.
Alfamart juga memiliki beberapa jaringan terhadap minimarket lainnya.
Algoritma Apriori digunakan untuk mencari frequent itemset yang memenuhi batas minimum support .
kemudian mendapatkan rule yang memenuhi batas minimum confidance .
dari frequent item set tadi.
Aloritma Apriori menggunakan pendekatan iteratif dengan level-wise search dengan k-item set dipakai untuk mencari .
item set.
Bila rule yang didapatkan memenuhi batasan yang ditentukan dan batasan itu tinggi, maka rule tersebut tergolong strong Pola penjualan barang dapat dicari menggunakan Algoritma Apriori pada penempatan tata letak suatu barang, yang mana pola penempatan barang dapat tersusun dengan kriteria sesuai kebutuhan.
sehingga dapat mempermudah pegawai dalam mencari barang yang diinginkan.
Berdasarkan perhitungan menggunakan algoritma apriori diperoleh 75 aturan asosiasi yang terbentuk dengan jumlah minimum support 50% dan minimum confidence 90%, dan aturan asosiasi tertinggi adalah apabila membeli FRENCH FRIES maka kemungkinan juga akan membeli BRAR BREAND ORI CAN.
Kata Kunci: Data Mining.
Apriori.
Tata Letak.
Asosiasi.
Alfamart Abstract Alfamart is one of the growing supermarkets and can be found in many areas.
Alfamart also has several networks to other The Apriori algorithm is used to find frequent itemset that meet the minimum support .
limit then get a rule that meets the minimum confidence .
limit of the frequent item set earlier.
The Apriori algorithm uses an iterative approach with level-wise search with k-item sets used to search for .
-item sets.
If the rules obtained meet the specified limits and the limits are high, then the rules are classified as strong rules.
The pattern of sales of goods can be searched using the Apriori Algorithm on the placement of the layout of an item, in which the pattern of placing goods can be arranged according to criteria as needed.
so that it can make it easier for employees to find the desired item.
Based on calculations using the a priori algorithm, 75 association rules are formed with a minimum support of 50% and a minimum confidence of 90%, and the highest association rule is that if you buy FRENCH FRIES, you will probably also buy BRAR BREAND ORI CAN.
Keywords: Data Mining.
Apriori.
Layout.
Association.
Alfamart
PENDAHULUAN
Data Mining merupakan suatu proses ataupun kegiatan untuk mengumpulkan data yang berukuran besar kemudian mengekstraksi data tersebut menjadi sebuah informasi yang nantinya dapat digunakan .
Data mining merupakan metode yang dapat digunakan untuk pengelolahan data berskala besar oleh karena itu data mining ini memiliki peranan penting dalam beberapa bidang yaitu, bidang industry, keuangan, cuaca, ilmu dan teknologi .
Pada umumnya kajian dalam data mining membahas metode-metode seperti, clustering, klasifikasi, regresi, seleksi variable, dan market basket analisis Menurut J.
Ong (Dalam.
, .
Alfamart merupakan salah satu swalayan yang berkembang dan banyak ditemui di daerah manapun.
Alfamart juga memiliki beberapa jaringan terhadap minimarket Minimarket ini juga banyak menyediakan berbagai produk pemasaran seperti ditergen, makanan, minuman , bahan pokok sehari-hari seperti gula, beras, dan barang-barang kebutuhan komsumen lainnya.
Alfamart berdiri pada tahun 1989.
Kegiatan pemasaran yang dilakukan Alfamart yaitu dengan menyediakan berbagai macam jenis produk dari berbagai perusahaan .
Banyaknya jenis produk makanan an non-makanan yang tersedia dengan harga yang berbeda-beda untuk memenuhi semua kebutuhan konsumen setiap harinya.
Metode Algoritma Apriori sudah banyak digunakan dalam berbagai penelitian.
Misalnya pada penelitian yang dilakukan oleh .
, .
Dengan metode tersebut penerapan algoritma apriori pada proses pengolahan dat hasil transaksi penjualan di Minimarket Priyo dapat membentuk beberapa pola kombinasi itemsets hasil dan informasi yang dihasilkan dapat digunakan dalam pembuatan katalog produk yang akan dijual.
Algoritma Apriori memiliki kelebihan yaitu dapat menangani data yang memiliki jumlah besar dan dapat menyederhanakan data yang diproses .
Algoritma Apriori digunakan untuk mencari frequent itemset yang memenuhi batas minimum support .
kemudian mendapatkan rule yang memenuhi batas minimum confidance .
dari frequent item set tadi.
Aloritma Apriori menggunakan pendekatan iteratif dengan level-wise search dengan k-item set dipakai untuk mencari .
-item set .
, .
Bila rule yang didapatkan memenuhi batasan yang ditentukan dan batasan itu tinggi, maka rule tersebut tergolong strong rules.
Pola penjualan barang dapat dicari menggunakan Algoritma Apriori pada penempatan tata letak suatu barang, yang mana pola penempatan barang dapat tersusun dengan kriteria sesuai kebutuhan.
sehingga dapat mempermudah pegawai dalam mencari barang yang diinginkan .
Salah satu tempat transaksi pembelian dan penjualan barang yang cukup besar adalah Alfamart Berastagi, yang menjadi tempat penelitian ini, yang mana penulis telah melihat bahwa Alfamart Berastagi masih banyak memerlukan pengembangan.
Seperti alat bantu untuk proses penentuan letak sebuah barang FATIMAH: Penerapan Teknologi dan Sistem Komputer Vol.
1 No.
Mei 2022 e-ISSN x-x (Media Onlin.
Page 38-47 https://ejurnal.
id/index.
php/fatimah/index agar lebih mempermudah konsumen mencari barang yang dibutuhkan.
Sedangkan bagi pegawai yang masi kesulitan mencari dan menentukan barang apa saja yang paling banyak diminati oleh konsumen.
Seperti dilihat oleh penulis, dalam proses penjualan suatu produk di Alfamart Berastagi sering mengalami masalah karena tingkat belanja pada konsumen sering tidak beraturan, tata letak barang yang belum tertata dengan baik seperti produk sembako berada di tempat yang berbeda-beda tidak berada di satu tempat yang sama.
Maka dari itu perlu adanya tempat penentuan letak produk kebutuhan konsumen untuk mempermudah para pembeli untuk mencari produk yang diinginkan, seperti produk sembako yaitu beras, minyak, gula , teh, kopi, susu dan sebagainya.
Untuk itu perlu dibangun sebuah sistem menggunakan metode Algoritma Apriori untuk menentukan pola penataan dan mengetahui banyaknya produk yang diminati pada konsumen Alfamart, sistem ini dapat membantu untuk mempermudah dalam mencari dan menata seberapa banyak produk yang sesuai dengan letaknya.
Sehingga tidak mengecewakan para konsumen saat mencari barang kebutuhan yang diminati dan juga bisa lebih menghemat waktu.
Pada penelitian terdahulu oleh .
yang berjudul AuPemanfaatan Data Mining Untuk Penempatan Buku Di Perpustakaan Menggunakan Meode Associantion RuleAy.
Dengan metode tersebut menentukan pola penempatan buku dapat dilakukan dengan melihat hasil dari kecondongan pengunjung untuk melakukan pinjaman buku berdasarkan kombinasi 2 itemset.
Maka penulis mencoba untuk mempelajari dengan menggunakan metode Algoritma Apriori dengan teknik asosiasi.
METODOLOGI PENELITIAN
Metode Penelitian Tujuan dari skripsi ini adalah untuk memudahkan para konsemen yang berbelanja di Alfamart dengan penataan tata letak setiap item produk yang sesuai dengan kebutuhan yang konsumen pilih dengan menggunakan metode Apriori.
Pada bagian ini penulis akan menjelaskan bagaiman prosedur pengumpulan data, rancangan data, rancangan penelitian, lokasi dan waktu penelitian.
Rancangan Penelitian Pada rancangan penelitian ini dilakukan pada saat penulis pertama kali melakukan pengumpulan data terdahulu.
Data yang sudah didapatkan tersebut dipindahkan ke exel.
setelah itu data akan diolah melalui proses perhitungan dengan mengikuti langkah-langkah proses perhitungan slogoritma Apriori yang sudah ditetapkan.
Kemudian hasil dari perhitungan tersebut akan diaplikasikan di RapidMiner untuk melihat hasil akurat yangdiperoleh.
Diagram alur Rancangan Penelitian dapat dilihat sebagai berikut .
Mulai Pengumpulan Data Pengelolahan Data Implementasi dengan metode Algoritma Pengelolahan Data RapidMiner Evaluasi Rancangan Selesai Gambar 1.
Rancangan Penelitian Proses alur Diagram Rancangan penelitian pada Gambar 1.
diatas adalah sebagai berikut:
Pengumpulan Data Merupakan teknik pengumpulan data yang dilakukan pada suatu masalah dan tahap awal penelitian.
Pengelolahan Data Setelah data yang diteliti sudah terkumpul,selanjutnya data dipindahkan ke Microsoft exel untuk diolah.
Implementasi Dengan Metode Algoritma Apriori Setelah data terkumpul dan diolah ke exel,langkah selanjutnya yaitu dengan cara mengikuti langkah-langkah proses peritungan dengan menggunakan metode Algoritma Apriori.
Lika Citra Dewi | Page 39 FATIMAH: Penerapan Teknologi dan Sistem Komputer Vol.
1 No.
Mei 2022 e-ISSN x-x (Media Onlin.
Page 38-47 https://ejurnal.
id/index.
php/fatimah/index .
Pengolahan data RapidMiner Data yang sudah diproses dengan menggunakan metode Algoritma Apriori kemudian hasil dari perhitungan tersebut akan dimasukkan dan diaplikasikan ke RapidMiner untuk melihat hasil yang lebih akurat.
Evaluasi Rancangan.
Teknik evaluasi terhadap hasil akhir penelitian yang sudah di rancang dengan software yang sesuai dengan prosedur Prosedur Pengumpulan Data Prosedur prngumpulan data yang diguanakn penulis dalam penelitian ini yaitu.
Wawancara atau pengumpulan data denngan cara membrikan pertanyaan secara langsung kepada respenden, dan jawaban yang diberikan oleh respenden diacaatat atau direkam dengan alat perekam .
Dekumentasi atau catatan buku transkip penjualan tentang seberapa jumlah pasokan barang masuk dan barang yang sudah terjual.
Analisis Data Proses analisis data merupakan teknik yang dilakukan dengan wawancara dan proses dekumentasi atau catatan transip penjualan mulai tanggal .
Setelah hasil didapatkan diexel dan diaplikasikan ke RapidMiner untuk menyesuaikan hasil yang didapatlan.
Pada penelitian ini penilis akan melakukan analisis jenis data yang diguankan dalam penelitian ini, yaitu data primer.
Data primer yaitu data yang diperoleh dari sumbernya langsung .
Alat Analisis Data Dalam melakukan penelitian ini alat yang digunakan untuk memproses data yaitu Ms.
Excel kemudian dilakukan pengujian menggunakan software Rapidminer.
Hal itu digunakan untuk memudahkan proses perhitungan yang Kemudian diaplikasikan ke Rapidminer untuk melihat keakuratan hasil yang diperoleh dari perhitungan Ms.
Excel dan kemudian dicocokan dengan hasil yang sebelumnya telah diaplikasikan ke Rapidminer .
Instrumen Penelitian Dalam penelitian ini, penulis melakukan beberapa proses pengumpulan data dan pengolahandata dengan cara memasukkan data, melakukan proses algoritma apriori dan melihat hasil apriori.
Melakukan proses algoritma apriori dengan pembentukan itemset menggunakan support dan confidence yang telah ditentukan sehingga dapat ditemukan hasil asosiasi final .
Memasukkan Data Transaksi <<include>> Login User <<include>> Melakukan Proses Mining <<include>> Melihat Hasil Mining Gambar 2.
Instrumen Penelitian Penyelesaian Metode Apriori Penelitian ini menggunakan algoritma apriori.
Pemodelan algoritma apriori dapat dilihat pada Gambar berikut sebagai berikut .
Mulai DATA
APRIORI
ALGORITMA
APRIORI
POLA
KOMBINASI
METODE ASSOCIATION
RULE
ATURAN
RULE
Selesai Gambar 3.
Flowchart Metode Apriori Lika Citra Dewi | Page 40 FATIMAH: Penerapan Teknologi dan Sistem Komputer Vol.
1 No.
Mei 2022 e-ISSN x-x (Media Onlin.
Page 38-47 https://ejurnal.
id/index.
php/fatimah/index Berikut keterangan dari tiap proses algoritma Apriori seperti yang terdapat pada Gambar Berikut.
Dimulai dengan menyiapkan data data yang akan diproses,kemudian mencari semua jenis item nama barang yang ada di dalam list transaksi penjualan, selnajutnya mencari jumlah setiap item yang ada pada setiap transaksi penjualan (Nama Baran.
Sesuai dengan Support yang telah ditentuntukan maka terseleksilaah beberapa item data yang memenuhi minimal support sesuai dengan jumlah item barang di dalam transaksi, itu disebut pembentukan kombinasi satu item.
Tahap selanjutnya dari item-item Barang yang telah terseleksi dibentuklah kombinasi dua item, maka terbentuklah beberapa item data dengan kombinasi 2 item yang berbeda, dengan support yang ditentukan maka terseleksi lah beberapa data dua item, ini disebut pembentukan kombinasi dua item.
Demikian seterusnya sampai kombinasi batas maksimal item transaksi.
HASIL DAN PEMBAHASAN
Hasil Pada bagian ini akan menguraikan babaimana proses perhitungan data secara manual dan uji data secara Untuk mengetahui adanya proses analisa data, terlebih dahulu data yang digunakan harus bersifat valid.
Data yang digunakan dalam penelitian ini bersifat valid karena didapatkan dari Alfamart Berastagi, sehingga data dapat langsung diproses dan diuji kevalidannya untuk sebuah penelitian.
Dalam melakukkan penelitian penulis melakukkan sebuah analisa data statistik yang bersifat sekunder dimana data berkaitan dengan sebuah permasalahan yang diteliti.
Tabel 1.
Data Uji
Nama Barang ENERGY DRINK BTL
TANGO WFR CHOCOLATE
SGM AN PN
DAIA DET SOFTNR PINK
FF UHT PF COKELAT TP
SEDAAP MIE GRG
TOP COFFEE GULA AREN
SEDAAP MIE GRG CUP
REBO KUACI MTHR MILK
SCORLINES JAS HJN DISP
POTATO SNACK BALADO
INDOMIE SOTO MEDAN
PUCUK HARUM THE PET
ABC CHOCOMAL T COFEE PET
LE MINERALE AIR MNRL PET
SPRITE PET
MUJIGAE BNN MILK BTL
FRENCH FRIES
POP MIE KARI AYAM CUP
BRAR BREAND ORI CAN
Dalam Tabel berikut Kolom pertama menunjukkan data barang di Alfamart yang sekaligus merupakan transaksi penjualan dalam jangka waktu 31 hari, yang mana pada tahap selanjutnya data tersebut akan di aplikasikan kedalam Rapidminer, yang mana proses ini adalah mengubah seluruh transaksi penjualan tersebut dalam format Binominal (Data Manual Exe.
seperti dapat dilihat pada Tabel dibawah :
Tabel 2.
Transaksi Penjualan Format Binominal Produk
Tang
01/03
/2022
02/03
/2022
03/03
/2022
04/03
/2022
Uht Scor Jas Hjn Disp Pot Bal Ind Sot Pet Abc Choc Cofe e Pet Min Air Mnr l Pet Muj Bnn Mil Btl Fre Fri Bra Bre Ori Dri Btl Tang Wfr Cho Dai Det Pin Lika Citra Dewi | Page 41 FATIMAH: Penerapan Teknologi dan Sistem Komputer Vol.
1 No.
Mei 2022 e-ISSN x-x (Media Onlin.
Page 38-47 https://ejurnal.
id/index.
php/fatimah/index Produk
Tang
05/03
/2022
06/03
/2022
AA.
27/03
/2022
28/03
/2022
29/03
/2022
30/03
/2022
31/03
/2022
Dri Btl Tang Wfr Cho Dai Det Pin Uht Scor Jas Hjn Disp Pot Bal Ind Sot Pet Abc Choc Cofe e Pet Min Air Mnr l Pet Muj Bnn Mil Btl Fre Fri Bra Bre Ori A.
Proses Perhitungan Algoritma Apriori Berdasarkan hasil dari pada transasksi penjulan di Alfamart, maka dibuatlah format tabular pada transasksi penjualan di Alfamart yang akan mempermudah dalam mengetahui berapa banyak item yang dibeli setiap transaksi.
Iterasi satu dimulai dengan tujuan membentuk Nilai Support Itemset daridata-data transaksi tersebut dan hitung jumlah support-nya.
Cara menghitung support adalah jumlah item dalam transaksi dibagi dengan jumlah transaksi.
Support (A) = .
Kemudian melakukkan perhitungan support dan confidence.
Dengan nilai minimum support = 50% dan confidence = 90% .
Berikut perhitungan nilai support itemset 1 dalam pembahasan dalam penelitian sebagai berikut :
ENERGY DRINK BTL
TANGO WFR CHOCOLATE
SGM AN PN
DAIA DET SOFTNR PINK
FF UHT PF COKELAT TP
SEDAAP MIE GRG
TOP COFFEE GULA AREN
SEDAAP MIE GRG CUP
REBO KUACI MTHR MILK
SCORLINES JAS HJN DISP
Tabel 3.
Nilai support itemset 1
Produk
ENERGY DRINK BTL
TANGO WFR CHOCOLATE
SGM AN PN
DAIA DET SOFTNR PINK
FF UHT PF COKELAT TP
SEDAAP MIE GRG
TOP COFFEE GULA AREN
SEDAAP MIE GRG CUP
REBO KUACI MTHR MILK
SCORLINES JAS HJN DISP
POTATO SNACK BALADO
INDOMIE SOTO MEDAN
PUCUK HARUM THE PET
ABC CHOCOMAL T COFEE PET
LE MINERALE AIR MNRL PET
SPRITE PET
MUJIGAE BNN MILK BTL
Banyaknya Transaksi Support% Lika Citra Dewi | Page 42 FATIMAH: Penerapan Teknologi dan Sistem Komputer Vol.
1 No.
Mei 2022 e-ISSN x-x (Media Onlin.
Page 38-47 https://ejurnal.
id/index.
php/fatimah/index Produk
FRENCH FRIES
POP MIE KARI AYAM CUP
BRAR BREAND ORI CAN
Banyaknya Transaksi Support% Minumum support yang ditentukan adalah 50% maka item-item yang memiliki nilai support kurang dari 50% Kemudian iterasi selanjutnya dengan langkah yang sama seperti pada iterasi 1 dan hasil 1 dan hasilnya Support (A) = .
Perhitungan ini dilakukan hingga sampai minimum support kurang dari 50%.
Pada penelitian ini smpai pada item set 4.
Berikut Tabel yang menampilkan item set 4.
Tabel 4.
Nilai support itemset 2
Produk
FF UHT PF COKELAT TP - LE MINERALE AIR MNRL
PET-FRENCH FRIES - BRAR BREAND ORI CAN
REBO KUACI MTHR MILK - LE MINERALE AIR MNRL
PET - FRENCH FRIES -BRAR BREAND ORI CAN
LE MINERALE AIR MNRL PET - SPRITE PET - FRENCH
FRIES - BRAR BREAND ORI CAN
Banyaknya Transaksi Support % 48,39 38,71 32,26 Pada itemset ke 4, tidak ada kandidat yang memenuhi minimum support, maka tidak ada satupun anggota pada himpunan, hal ini berarti akan berhenti.
Selanjutnya dilakukan perhitungan Confidence berdasarkan rules dari data item set 2 dan 3 item set, sehingga diperoleh data sebagai berikut:
Tabel 5.
Perhitugan Confidence Item 2 Set
Rule
Jika Membeli FF UHT PF COKELAT TP maka Membeli LE
MINERALE AIR MNRL PET
Jika Membeli LE MINERALE AIR MNRL PET maka Membeli FF
UHT PF COKELAT TP
Jika Membeli FF UHT PF COKELAT TP maka Membeli FRENCH
FRIES
Jika Membeli FRENCH FRIES maka Membeli FF UHT PF
COKELAT TP
Jika Membeli FF UHT PF COKELAT TP maka Membeli BRAR
BREAND ORI CAN
Jika Membeli BRAR BREAND ORI CAN maka Membeli FF UHT
PF COKELAT TP
Jika Membeli TOP COFFEE GULA AREN maka Membeli FRENCH FRIES
Jika Membeli FRENCH FRIES maka Membeli TOP COFFEE
GULA AREN
Jika Membeli TOP COFFEE GULA AREN maka Membeli BRAR
BREAND ORI CAN
Jika Membeli BRAR BREAND ORI CAN maka Membeli TOP
COFFEE GULA AREN
Jika Membeli FRENCH FRIES maka Membeli LE MINERALE AIR
MNRL PET
Jika Membeli LE MINERALE AIR MNRL PET maka Membeli BRAR BREAND ORI CAN Jika Membeli BRAR BREAND ORI CAN maka Membeli LE
MINERALE AIR MNRL PET
Jika Membeli SPRITE PET maka Membeli FRENCH FRIES
Jika Membeli FRENCH FRIES maka Membeli SPRITE PET
Jika Membeli SPRITE PET maka Membeli BRAR BREAND ORI
CAN
Jika Membeli BRAR BREAND ORI CAN maka Membeli SPRITE
PET
Jika Membeli FRENCH FRIES maka Membeli BRAR BREAND
ORI CAN
Jika Membeli BRAR BREAND ORI CAN maka Membeli FRENCH
FRIES
A&B
Confidence 0,80952381 0,653846154 0,952380952 0,666666667 0,677419355 0,566666667 0,548387097 A.
0,833333333
0,838709677
0,666666667
0,64516129
0,967741935
Sedangkan perhitungan nilai confidence 3 item set diperoleh data sebagai berikut:
Lika Citra Dewi | Page 43 FATIMAH: Penerapan Teknologi dan Sistem Komputer Vol.
1 No.
Mei 2022 e-ISSN x-x (Media Onlin.
Page 38-47 https://ejurnal.
id/index.
php/fatimah/index Tabel 6.
Perhitugan Confidence Item 2 Set Rule Jika Membeli FF UHT PF COKELAT TP maka Membeli LE MINERALE AIR MNRL PET dan FRENCH FRIES Jika Membeli LE MINERALE AIR MNRL PET maka Membeli FRENCH FRIES dan FF UHT PF COKELAT TP Jika Membeli FRENCH FRIES maka Membeli FF UHT PF COKELAT TP dan LE MINERALE AIR MNRL PET Jika Membeli FF UHT PF COKELAT TP maka Membeli LE MINERALE AIR MNRL PET dan BRAR BREAND ORI CAN Jika Membeli LE MINERALE AIR MNRL PET maka Membeli BRAR BREAND ORI CAN dan FF UHT PF COKELAT TP Jika Membeli BRAR BREAND ORI CAN maka Membeli FF UHT PF COKELAT TP dan LE MINERALE AIR MNRL PET Jika Membeli FF UHT PF COKELAT TP maka Membeli FRENCH FRIES dan BRAR BREAND ORI CAN Jika Membeli FRENCH FRIES maka Membeli BRAR BREAND ORI CAN dan FF UHT PF COKELAT TP Jika Membeli BRAR BREAND ORI CAN maka Membeli FF UHT PF COKELAT TP dan FRENCH FRIES Jika Membeli TOP COFFEE GULA AREN maka Membeli FRENCH FRIES dan BRAR BREAND ORI CAN a.
Jika Membeli BRAR BREAND ORI CAN maka Membeli REBO
KUACI MTHR MILK dan FRENCH FRIES
Jika Membeli LE MINERALE AIR MNRL PET maka Membeli SPRITE PET dan FRENCH FRIES
Rule
Jika Membeli SPRITE PET maka Membeli FRENCH FRIES dan LE MINERALE AIR MNRL PET
Jika Membeli LE MINERALE AIR MNRL PET maka Membeli FRENCH FRIES dan SPRITE PET
Jika Membeli LE MINERALE AIR MNRL PET maka Membeli SPRITE PET dan BRAR BREAND ORI CAN Jika Membeli SPRITE PET maka Membeli BRAR BREAND ORI
CAN dan LE MINERALE AIR MNRL PET
Jika Membeli LE MINERALE AIR MNRL PET maka Membeli BRAR BREAND ORI CAN dan SPRITE PET
Jika Membeli SPRITE PET maka Membeli FRENCH FRIES dan BRAR BREAND ORI CAN Jika Membeli FRENCH FRIES maka Membeli BRAR BREAND
ORI CAN dan SPRITE PET
Jika Membeli BRAR BREAND ORI CAN maka Membeli SPRITE
PET dan FRENCH FRIES
A&B
Confidence 0,761904762 0,615384615 0,533333333 0,80952381 0,653846154 0,548387097 0,952380952 0,666666667 0,64516129 A.
0,580645161
0,692307692
A&B
Confidence 0,692307692 0,692307692 0,692307692 0,666666667 0,64516129 Berdasarkan Tabel 5 dan 6 diatas terdapat 15 aturan .
yang telah diperoleh dengan memenuhi syarat minimal confidence 0,9 .
%).
Berikut 15 aturan rules yang memenuhi syarat:
Tabel 7.
Hasil Perhitungan Confidence Rule Jika Membeli FF UHT PF COKELAT TP maka Membeli FRENCH FRIES Jika Membeli FF UHT PF COKELAT TP maka Membeli BRAR BREAND ORI CAN Jika Membeli TOP COFFEE GULA AREN maka Membeli FRENCH FRIES Jika Membeli TOP COFFEE GULA AREN maka Membeli BRAR BREAND ORI CAN Jika Membeli REBO KUACI MTHR MILK maka Membeli FRENCH FRIES Jika Membeli REBO KUACI MTHR MILK maka Membeli BRAR BREAND ORI CAN Jika Membeli LE MINERALE AIR MNRL PET maka Membeli FRENCH FRIES Jika Membeli LE MINERALE AIR MNRL PET maka Membeli BRAR BREAND ORI CAN Jika Membeli SPRITE PET maka Membeli FRENCH FRIES Jika Membeli SPRITE PET maka Membeli BRAR BREAND Support Confidence 0,65 0,95 0,68 0,55 0,55 0,58 0,58 0,81 0,96 0,84 0,65 0,65 Lika Citra Dewi | Page 44 FATIMAH: Penerapan Teknologi dan Sistem Komputer Vol.
1 No.
Mei 2022 e-ISSN x-x (Media Onlin.
Page 38-47 https://ejurnal.
id/index.
php/fatimah/index Rule
ORI CAN
Jika Membeli FRENCH FRIES maka Membeli BRAR
BREAND ORI CAN
Jika Membeli BRAR BREAND ORI CAN maka Membeli FRENCH FRIES Jika Membeli FF UHT PF COKELAT TP maka Membeli FRENCH FRIES dan BRAR BREAND ORI CAN Jika Membeli TOP COFFEE GULA AREN maka Membeli FRENCH FRIES dan BRAR BREAND ORI CAN Jika Membeli SPRITE PET maka Membeli FRENCH FRIES dan BRAR BREAND ORI CAN Support Confidence 0,97 0,97 0,97 0,65 0,95 0,55 0,65 Untuk menghitung nilai confidence baik pada Tabel 5 dan 6 dilakukan dengan cara sebagai berikut:
Rule 1 Rule 9 Rule 2 Rule 10 Rule 3 Rule 11 Rule 4 Rule 12 Rule 5 Rule 13 Rule 6 Rule 14 Rule 7 Rule 15 Rule 8 Proses Pengujian dengan RapidMiner Setelah mendapatkan hasil akhir dari pengolahan data, selanjutnya mengimpelementasikan hasil dari algoritma apriori menggunakan software RapidMiner 8.
untuk melihat keakuratan hasil yang diperoleh.
Untuk memudahkan pada saat proses pengajuan pada software RapidMiner 8.
data akan ditransformasikan kedalam bentuk angka yang mewakili range nilai tertentu.
Proses trasnsfromasi yaitu jika ada dinyatakan dengan 1 dan jika tidak ada dinyatakan Setelah operator saling berhubungan maka tahap selanjutnya yaitu dengan mengklik tombol yang bersimbol play sehingga hasil dari pengelompokan dalam penggunakan RapidMiner dapat dilihat seperti Gambar berikut:
Gambar 4.
Proses to Binominal Dari Sample Data Penjualan Dari Gambar 4 dapat kita lihat bahwa nilai support dari setiap itemset dengan menggunakan aplikasi RapidMiner menghasilkan 7 nilai support yang sama.
Lika Citra Dewi | Page 45 FATIMAH: Penerapan Teknologi dan Sistem Komputer Vol.
1 No.
Mei 2022 e-ISSN x-x (Media Onlin.
Page 38-47 https://ejurnal.
id/index.
php/fatimah/index Pembahasan Dari beberapa prosedur confidence yang didapat dapat kita lihat bahwa nilai support dari setiap itemset dengan menggunakan aplikasi Rapidminer menghasilkan nilai support yang sama, dan selanjutnya dapat kita lihat permasaanya pada perhitungan confidence dengan ,enggunakan RapidMiner pada Gambar 5 Perhitungan Nilai Confidende Dengan RapidMiner, seperti yang ada pada Gambar berikut ini :
Gambar 5.
Perhitungan Nilai Confidence Dengan RapidMiner Berdasarkan pada Gambar diatas dapat kita lihat bahwa hasil yang terdapat pada perhitungan confidence dengan rapidminer menghasilkan 75 Nilai confidence dari keseluruhasan hasil asosiasi antara perhitungan dengan algortima dengan perhitungan rapidminer adalah valid.
KESIMPULAN
Berdasarkan perhitungan menggunakan Data Mining metode Algoritma Apriori menghasilkan aturan asosiasi dengan menghitung nilai support dan nilai confidence dari pada penjulan di Alfamart Berastagi dengan beberapa perhitungan setiap item.
Proses dan pengujian data menggunakan aplikasi Rapidminer versi 8.
1, membentuk hasil dari Asosiasi dengan minimum support 50% dan minimum confidence 90% dan berdasarkan pengujian dengan menggunakan Rapidminer disimpulkan bahwa banyaknya produk yang diminati berdasarkan hasil dari nilai confidence yang tinggi.
Dari hasil penerapan algoritma apriori pada data penjualan barang di Alfamart diperoleh pola penjualan barang French Fries dan Bread Breand Ori can menjadi pola paling dominan dibeli oleh pelanggan, sehingga pola penyusunan barang Breand Ori Can dan French Fries secara berdekatan dapat menjadi rekomendasi pada pihak pengelola untuk mempermudah pembeli dalam menemukan barang dan diharapkan dapat meningkatan pendapatan Alfamart.
REFERENCES