Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VII (No.
01 ) : 624 - 633.
Th.
p-ISSN: 2620-620X
e-ISSN: 2621-9840
IMPLEMENTASI APRIORI PADA PENJUALAN BARANG DENGAN
METODE ASOSIASI UNTUK STRATEGI MARKETING
Implementation Of A Apriori On Sales Of Product With Association Method For Marketing Strategy Josef Cristian Adi Putra, s32190036@student.
Evasaria Magdalena Sipayung, l1874@lecturer.
Program Studi Informatika.
Fakultas Teknik dan Desain.
Universitas Bunda Mulia
Diterima 26 Juli 2024 / Disetujui 31 Juli 2024
ABSTRACT
Technological developments have led to significant changes in various sectors, including business.
The way of trading has also gone digital through e-commerce platforms and social media.
Business competition is getting tougher with the emergence of many startups.
Entrepreneurs must innovate in order to survive the fierce Association analysis is used in Data mining to find rules for combining items.
The advantage of this technique lies in the use of efficient algorithms through high-frequency pattern analysis or frequent pattern This algorithm examines candidate itemsets that evolve from the results of frequency itemsets through support-based pruning, to eliminate insignificant itemsets with a Minimum Support value of 1.
The Apriori algorithm association method is used to determine item relationships and identify consumer buying patterns, as well as help entrepreneurs increase product sales.
This research proves the effectiveness of the Apriori algorithm in managing transaction data and generating valuable information for companies.
This research provides input to companies that want to utilize transaction data to improve business effectiveness.
The main goal of the Apriori algorithm is to find itemsets that frequently co-occur in the data.
The algorithm adopts a bottom-up approach, where smaller itemsets are analyzed first and larger itemsets are built from smaller The steps in creating itemsets using the association method include problem identification, transaction data collection, itemset identification, determining the Minimum Support and confidence values, and establishing association rules.
This research develops an application that calculates the Apriori algorithm with the associative method through a calculation table and a summary of the calculation results.
After testing, the application shows accurate calculation results and can be checked manually.
The drawback of this application is that the notification of errors in the data is only displayed one by one.
Keywords: Apriori Algorithm.
Associative Method.
Data mining.
Product Sales Transaction Data.
Marketing Strategy ABSTRAK Perkembangan teknologi mengakibatkan perubahan signifikan di berbagai sektor, termasuk bisnis.
Cara perdagangan juga berubah menjadi digital melalui platform e-commerce dan media sosial.
Persaingan bisnis semakin ketat dengan munculnya banyak startup.
Pengusaha harus berinovasi agar bertahan dalam persaingan yang sengit.
Analisis asosiasi digunakan dalam Data mining untuk menemukan aturan penggabungan item.
Keunggulan teknik ini terletak pada penggunaan algoritma yang efisien melalui analisis pola frekuensi tinggi atau frequent pattern mining.
Algoritma ini memeriksa calon itemset yang berkembang dari hasil frekuensi itemset melalui support-based pruning, untuk menghilangkan itemset tidak signifikan dengan nilai support minimal 1.
Metode asosiasi algoritma Apriori digunakan untuk menentukan hubungan item dan mengidentifikasi pola pembelian konsumen, serta membantu pengusaha meningkatkan penjualan Penelitian ini membuktikan efektivitas algoritma Apriori dalam mengelola data transaksi dan menghasilkan informasi berharga bagi perusahaan.
Penelitian ini memberikan masukan kepada perusahaan yang ingin memanfaatkan data transaksi untuk meningkatkan efektivitas bisnis.
Tujuan utama algoritma Apriori adalah menemukan itemset yang sering muncul bersama dalam data.
Algoritma ini mengadopsi pendekatan bottom-up, di mana itemset yang lebih kecil dianalisis terlebih dahulu dan itemset yang lebih besar dibangun *Korespondensi Penulis:
E-mail: l1874@lecturer.
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VII (No.
01 ) : 624 - 633.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 dari itemset-itemset yang lebih kecil.
Langkah-langkah dalam pembuatan itemset menggunakan metode asosiasi meliputi identifikasi masalah, pengumpulan data transaksi, identifikasi itemset, menentukan nilai support dan confidence minimal, serta menetapkan aturan asosiasi.
Penelitian ini mengembangkan aplikasi yang menghitung algoritma Apriori dengan metode asosiatif melalui tabel perhitungan dan ringkasan hasil perhitungan tersebut.
Setelah diuji, aplikasi tersebut menunjukkan hasil perhitungan yang akurat dan dapat diperiksa manual.
Kekurangan aplikasi ini adalah pemberitahuan kesalahan pada data hanya ditampilkan satu per satu.
Kata Kunci : Algoritma Apriori.
Metode Asosiatif.
Data mining.
Data Transaksi Penjualan Produk.
Strategi Marketing PENDAHULUAN Berkembangnya teknologi membawa banyak perubahan pada berbagai sektor, termasuk dalam bidang bisnis.
Cara-cara perdagangan telah berubah seiring berjalannya waktu, dari metode konvensional hingga perdagangan digital melalui berbagai platform E-commerce dan Media Sosial.
Namun, persaingan bisnis semakin ketat dengan semakin banyaknya startup baru yang bermunculan, sehingga semua pengusaha berlomba-lomba untuk memperkenalkan dan mengembangkan bisnis Oleh karena itu, bisnis harus terus berinovasi agar dapat bertahan dan berkembang di tengah persaingan yang semakin sengit.
Salah satu bidang bisnis yang sangat terdampak oleh perkembangan teknologi dan persaingan yang semakin ketat adalah e-commerce.
Semakin banyaknya platform e-commerce yang tersedia dan semakin mudahnya akses internet menyebabkan bisnis e-commerce semakin pesat dan menantang.
Namun, dengan semakin banyaknya bisnis e-commerce yang bermunculan, persaingan semakin ketat dan pemilik bisnis harus mampu mengembangkan strategi bisnis yang tepat agar tetap dapat bertahan dan berkembang.
Dalam menghadapi persaingan yang semakin sengit, banyak bisnis e-commerce menggunakan teknologi data mining untuk menganalisis data bisnis mereka.
Riwayat transaksi supermarket dapat dianalisis berdasarkan informasi yang diperoleh dengan metode data mining .
Data mining adalah suatu teknik yang digunakan untuk menggali informasi yang berharga dari sekumpulan data besar yang tersedia.
Dengan teknik data mining, bisnis e-commerce dapat menganalisis data tentang perilaku konsumen, preferensi produk, dan tren pasar, sehingga mereka dapat membuat keputusan bisnis yang lebih cerdas dan strategis .
Oleh karena itu, penggunaan teknik data mining di bidang bisnis, menjadi topik yang menarik untuk diteliti.
Dalam penelitian tersebut, analisis data mining dapat digunakan untuk mengidentifikasi faktor-faktor yang memengaruhi keberhasilan bisnis e-commerce, sehingga pemilik bisnis dapat mengembangkan strategi bisnis yang lebih efektif dan berkelanjutan.
Dalam kesehariannya Toko Josef melakukan penjualan sebagai Agen dari Aqua gallon.
Gas, dan air mineral lainnya, yang dimana datanya nanti akan diterapkan dalam penerapan data mining dengan algoritma apriori dengan metode asosiasi dengan cara mempelejari pola pembelian dari setiap customer yang telah berbelanja di Toko Josef, serta melakukan promo-promo menarik lainnya dengan cara discount harga.
Dalam era digital seperti saat ini, data transaksi menjadi sangat penting bagi suatu perusahaan untuk meningkatkan efektivitas bisnis mereka.
Data transaksi dapat memberikan informasi penting mengenai kebiasaan pembelian pelanggan, produk yang paling diminati, dan tren pasar.
Oleh karena itu, perusahaan dapat memanfaatkan data transaksi ini untuk mengambil keputusan bisnis yang lebih baik dan strategis.
Sistem pendukung keputusan yang dapat memberikan rekomendasi supplier sehingga membantu dalam memilih supplier yang sesuai .
Namun, dalam mengolah data transaksi, masih banyak perusahaan yang mengalami kendala seperti kesulitan dalam mengidentifikasi pola-pola pembelian yang tersembunyi atau kesulitan dalam menghasilkan informasi yang berarti dari data transaksi.
Sistem dapat memberikan manfaat signifikan dengan menghindari kesalahan manusiawi, meningkatkan visibilitas stok barang secara real-time dan mendukung pengambilan keputusan yang cepat .
Algoritma Apriori dengan metode asosiatif Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VII (No.
01 ) : 624 - 633.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 adalah salah satu teknik analisis data yang dapat membantu perusahaan dalam mengidentifikasi polapola pembelian yang tersembunyi dan menghasilkan informasi yang berarti dari data transaksi.
Melalui penelitian ini, penulis dapat membuktikan efektivitas algoritma Apriori dengan metode asosiatif dalam mengolah data transaksi dan menghasilkan informasi yang berguna bagi perusahaan.
Selain itu, penelitian ini juga dapat memberikan masukan untuk perusahaan-perusahaan yang ingin memanfaatkan data transaksi untuk meningkatkan efektivitas bisnis mereka Data mining Data mining adalah proses menggali informasi yang tersembunyi atau terpendam dalam kumpulan data besar.
Secara garis besar, data mining melibatkan analisis dan pengolahan data untuk mengidentifikasi pola, tren, dan hubungan yang dapat digunakan untuk mengambil keputusan yang lebih baik.
Data mining melibatkan beberapa teknik analisis data, termasuk statistik, pembelajaran mesin, dan penggalian aturan asosiasi.
Tujuan dari data mining adalah untuk menemukan pola-pola yang tersembunyi dalam data yang dapat membantu kita memahami perilaku dan tren pasar, serta memprediksi hasil di masa depan .
Data mining merupakan suatu metode pengolahan data yang bertujuan untuk menemukan pola atau informasi tersembunyi dari data tersebut .
Metode ini digunakan untuk menganalisis data dengan menggunakan teknik-teknik statistik, matematika, dan machine learning.
Data mining dapat membantu dalam mengidentifikasi hubungan atau keterkaitan antara variabel-variabel dalam data, seperti pengaruh suatu faktor terhadap faktor lainnya.
Dengan cara ini, pola-pola yang tidak terlihat atau tidak mudah terlihat dalam data mentah dapat ditemukan dan dimanfaatkan untuk mengambil keputusan yang lebih baik.
Data mining telah diterapkan dalam berbagai bidang, seperti bisnis, kesehatan, pendidikan, dan sebagainya, untuk mengoptimalkan pengambilan keputusan dan meningkatkan kinerja organisasi.
Dalam bisnis, data mining dapat digunakan untuk memperkirakan penjualan, memahami perilaku konsumen, dan mengidentifikasi trend pasar, sehingga dapat membantu dalam membuat keputusan bisnis yang lebih baik.
Menurut Hermawati .
data mining merupakan suatu proses yang menggunakan teknik pembelajaran komputer .
achine learnin.
untuk secara otomatis menganalisis dan mengekstraksi pengetahuan .
Proses Data mining dilakukan secara iteratif dan interaktif untuk menemukan pola atau model baru yang bermanfaat dan dapat dimengerti dalam database yang sangat Tujuan dari Data mining adalah untuk mencari trend atau pola yang diinginkan dalam database besar dengan maksud membantu pengambil keputusan di masa depan.
Pola-pola ini dikenali oleh perangkat tertentu yang dapat memberikan analisa data yang berguna dan wawasan yang dapat dipelajari lebih teliti, bahkan dengan menggunakan perangkat pendukung keputusan yang lain .
Menurut Ian H.
Witten.
Eibe Frank, dan Mark A.
Hall .
: Data mining adalah proses menemukan pola dalam kumpulan data yang besar yang melibatkan metode-metode yang berada di titik temu antara pembelajaran mesin, statistik, dan sistem basis data.
Menurut Charu Aggarwal .
: Data mining adalah proses menemukan pola dan hubungan yang menarik dan sebelumnya tidak diketahui dalam data dalam jumlah besar, dengan menggunakan metode statistik dan komputasi.
Meskipun terdapat perbedaan dalam kata-kata yang digunakan, kesimpulan umum yang dapat diambil dari definisi-definisi ini adalah bahwa data mining adalah proses mengeksplorasi data besar untuk menemukan pola dan pengetahuan yang bermanfaat, menggunakan teknik-teknik analisis data canggih .
Tahapan-tahapan proses data mining .
terdiri dari:
Data Cleaning Menghilangkan noise data yang tidak konsisten dan mengeliminasi serta menghapus data yang terduplikasi dan perbaikan memperbaiki kesalahan data.
Data Integration Sumber data yang terpecah dan disatukan Kembali didatabase (Penggabungan dat.
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VII (No.
01 ) : 624 - 633.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Data Selection Data yang relevan dengan tugas analisis dikembalikan ke dalam database.
Data Transformation Data berubah atau bersatu menjadi bentuk yang tepat untuk menambang dengan ringkasan performa atau operasi agresi.
Data mining Proses Utama digunakan untuk mengekstrak pola data untuk mendapatkan pengetahuan baru.
Pattern Evaluation Untuk mengidentifikasi pola yang benar- benar menarik yang mewakili pengetahuan berdasarkan atas beberapa tindakan yang menarik.
Knowledge Presentation Gambaran teknik visualisasi dan pengetahuan digunakan untuk membe-rikan pengetahuan yang telah ditam-bang kepada user.
Metode Asosiasi Salah satu teknik dalam data mining untuk menemukan aturan gabungan item yaitu analisis asosiasi atau association rule.
Keunikan dari teknik ini terletak pada tahapannya dalam menghasilkan algoritma yang efisien melalui analisis pola frekuensi tinggi atau frequent pattern mining.
Algoritma ini bekerja dengan memeriksa calon itemset yang berkembang dari hasil frekuensi itemset melalui support-based pruning, yang bertujuan untuk menghapus itemset yang tidak signifikan dengan memilih nilai support minimal .
Metode data mining asosiatif umumnya digunakan dalam analisis pembelian konsumen, sehingga perusahaan dapat menentukan pola pembelian yang mungkin berguna dalam pemasaran produk.
Contohnya, misalnya sebuah supermarket dapat menggunakan teknik ini untuk mengidentifikasi pola pembelian konsumen seperti produk-produk apa yang sering dibeli bersamaan .
ontohnya beras dan gul.
dan produk-produk apa yang tidak sering dibeli bersamaan .
ontohnya susu dan minya.
Dalam proses data mining asosiatif, serangkaian aturan asosiasi dibuat dengan menggunakan metrik seperti support, confidence, dan lift.
Support mengukur seberapa sering suatu itemset muncul dalam kumpulan data, confidence mengukur seberapa sering aturan asosiasi terbukti benar, dan lift mengukur seberapa kuatnya hubungan antara dua item.
Aturan asosiasi yang dihasilkan dari proses data mining ini dapat membantu pengguna dalam mengambil keputusan bisnis yang lebih baik.
Salah satu teknik dalam data mining untuk menemukan aturan gabungan item yaitu analisis asosiasi atau association rule.
Keunikan dari teknik ini terletak pada tahapannya dalam menghasilkan algoritma yang efisien melalui analisis pola frekuensi tinggi atau frequent pattern mining.
Algoritma ini bekerja dengan memeriksa calon itemset yang berkembang dari hasil frekuensi itemset melalui support-based pruning, yang bertujuan untuk menghapus itemset yang tidak signifikan dengan memilih nilai support minimal .
Association rule .
turan asosias.
adalah teknik analisis data yang digunakan untuk menemukan pola hubungan antara item dalam dataset yang besar.
Teknik ini sangat berguna dalam analisis pasar dan konsumen, karena memungkinkan identifikasi hubungan yang kuat antara produk yang berbeda atau perilaku konsumen.
Dalam analisis asosiasi, tujuan utama adalah menemukan hubungan antara item-item yang sering muncul bersama-sama dalam dataset.
Dengan kata lain, kita mencari itemset yang memiliki frekuensi kemunculan yang tinggi.
Kemudian, aturan asosiasi digunakan untuk mengungkapkan keterkaitan antara item-item tersebut dalam bentuk "jika X, maka Y" atau "jika X dan Z, maka Y".
Contoh penerapan aturan asosiasi adalah di industri ritel, di mana dapat membantu dalam memahami perilaku pembelian pelanggan dan menjual produk yang saling terkait bersama.
Misalnya, jika suatu analisis menemukan bahwa ketika pelanggan membeli roti, kemungkinan besar mereka juga akan membeli mentega, maka toko bisa menempatkan mentega di dekat rak roti untuk meningkatkan penjualan .
Association rule masing-masing dilaksanakan melalui mekanisme perhitungan Support dan Confidence dari suatu relation item.
Association rule dianggap menarik ketika nilai Support lebih besar lebih besar dari minimum Support dan juga skor confidence lebih besar dari minimum Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VII (No.
01 ) : 624 - 633.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Algoritma apriori ini cocok digunakan ketika ada beberapa hubungan target yang mungkin ingin dianalisis.
Salah satunya adalah dapat diterapkan dalam bidang penjualan untuk menentukan pola pembelian barang-barang di toko Josef.
Oleh karena itu, sistem dibangun dengan menggunakan prosedur algoritma apriori dapat membantu dalam pengambilan keputusan dalam menentukan pola pembelian barang.
Analisa pola ini digunakan untuk mencari kombinasi item yang memenuhi nilai minimum support yang telah diterapkan untuk suatu dataset.
Algoritma Apriori Algoritma apriori adalah algoritma pengumpulan data dengan aturan Asosiasi (Association rul.
untuk mendefinisikan suatu hubungan asosiasi kombinasi item.
Algoritma Apriori adalah algoritma yang digunakan dalam data mining dan analisis asosiasi untuk menemukan hubungan antara item dalam kumpulan data.
Algoritma ini mengidentifikasi itemset yang paling sering muncul dalam kumpulan data dan menghasilkan aturan asosiasi yang menggambarkan hubungan antara item dalam itemset tersebut .
Algoritma Apriori adalah salah satu algoritma pengambilan data yang digunakan dalam metode Algoritma ini menghasilkan aturan asosiasi dengan memenuhi batas support dan confidence .
, yang ditentukan dengan menggunakan parameter tertentu.
Dalam hal ini.
Algoritma Apriori membentuk aturan asosiasi dengan parameter untuk menentukan hubungan antara kombinasi item yang memenuhi nilai support dan confidence minimum.
Aturan asosiasi yang dihasilkan oleh algoritma ini dapat membantu dalam menemukan pola dan keterkaitan antara item dalam sebuah dataset, sehingga dapat memberikan wawasan dan pemahaman yang lebih baik mengenai data Dalam penelitian menggunakan metode asosiasi dengan algoritma Apriori, parameter support dan confidence dapat diatur secara fleksibel, sehingga dapat disesuaikan dengan kebutuhan dan tujuan penelitian .
Algoritma Apriori adalah salah satu algoritma yang dapat diterapkan dalam analisis pemasaran dengan tujuan untuk menemukan setiap aturan pada asosiasi yang memenuhi persyaratan support dan confidence .
Untuk menemukan aturan asosiasi tersebut, algoritma Apriori menggunakan parameter yang memastikan pembentukan aturan yang dihasilkan memiliki prediksi yang akurat.
Aturan asosiasi dinyatakan dengan beberapa atribut yang biasa disebut sebagai affinity analysis atau market basket analysis.
Dengan demikian.
Algoritma Apriori dapat digunakan sebagai sarana untuk menemukan pola-pola yang tersembunyi pada data penjualan dan memberikan informasi yang berguna untuk pengambilan keputusan di bidang pemasaran.
Pada dasarnya, algoritma Apriori bekerja dengan menghasilkan itemset yang muncul lebih dari batas minimum yang ditentukan sebelumnya .
Itemset ini kemudian digunakan untuk menghasilkan itemset yang lebih besar dengan menambahkan satu item baru pada setiap iterasi.
Proses ini terus berlanjut hingga tidak ada lagi itemset yang dapat dihasilkan.
Algoritma Apriori digunakan dalam berbagai aplikasi data mining, termasuk analisis pembelian produk di toko online dan penjualan ritel, serta dalam analisis log data.
Metodologi penelitian untuk algoritma Apriori .
adalah sebagai berikut:
Pada iterasi pertama, setiap item merupakan bagian dari himpunan item yang terdiri atas 1 item .
andidat 1-itemse.
Algoritma ini melakukan scan terhadap seluruh transaksi dalam data set untuk menghitung jumlah kemunculan dari setiap item atau nilai support.
Tentukan nilai Minimum Support.
Kandidat 1-itemset yang memiliki nilai support diatas nilai Minimum Support dipilih menjadi himpunan 1-itemsetatau pola frekuensi tinggi.
Pada iterasi kedua, setiap item pada iterasi sebelumnya dikombinasikan untuk memperoleh kandidat 2-itemset.
Kemudian scan terhadap dataset dilakukan kembali untuk menghitung nilai supportdari kombinasi 2-itemset.
Kandidat 2-itemset yang memenuhi nilai minimum support dipilih sebagai pola frekuensitinggi.
Pada iterasi ketiga, dilakukan kombinasi dari hasil dari iterasi kedua yaitu himpunan 2-itemset untuk mendapatkan kandidat 3-itemset.
Kemudian scan kembali ke dalam dataset untuk Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VII (No.
01 ) : 624 - 633.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 menghitung nilai support dari kandidat 3-itemset.
Kandidat 3-itemset yang memenuhi nilai Minimum Support dipilih sebagai pola frekuensi tinggi dari kandidat.
Lakukan iterasi selanjutnya, jika masih terdapat kombinasi k-itemset yang dapat dibentukdan memenuhi nilai Minimum Support.
Tetapkan nilai support dari k-itemsetdan pilih k-itemset yang memenuhinilai Minimum Support.
Hitung nilai confidencedari setiap aturan asosiasi A->B, ambil aturan asosiasi yang memenuhi syarat nilai minimum confidence yang telah ditentukan.
METODOLOGI PENELITIAN
Metode data mining yang digunakan pada penelitian ini adalah metode asosiasi dengan menggunakan algoritma Apriori, yang dimana item data yang ada dari data penjualan barang akan dilakukan hubungan antar item dalam dataset transaksi .
Nantinya data tersebut akan ditentukan dengan nilai minimal support dan confidence, dari hasil yang didapatkan akan diketahui aturan Langkah-langkah dalam penerapan metode Asosiasi:
Identifikasi masalah: melakukan analisis apa yang ingin kita lakukan contohnya adalah analisis penjualan barang di toko A.
Mengumpulkan data-data terkait penjualan, transaksi yang mencakup penjualan barang, dalam beberapa periode yang ditentukan.
Tujuan dari studi literatur adalah untuk lebih memahami masalah penelitian yang sedang dipertimbangkan dan mengidentifikasi kesenjangan pengetahuan yang perlu diisi agar penelitian yang diusulkan menjadi berharga dan berkontribusi secara signifikan terhadap ilmu pengetahuan(Barkah et al.
, 2.
Identifikasi itemset, melakukan identifikasi / menemukan item apa saja yang paling sering muncul bersamaan dalam dataset.
Menentukan nilai minimun dari nilai support dan confidence sehingga dapat dilakukannya perhitungan Asosiasi, sehingga perhitungan yang dilakukan akan semakin terlihat keterkaitannya antar item.
Menentukan aturan Asosiasi setelah kita mendapatkan hasil perhitungan, kita akan menentukan aturan Asosiasi yang dimana ini berguna untuk memahami pola pembelian konsumen.
Contohnya adalah seseorang yang membeli Aqua Galon biasanya juga membeli Aqua Gelas, dll.
Pengimplementasian strategi, kita dapat melakukan promo-promo menarik yang dimana jika biasanya orang yang membeli Aqua Galon juga membeli Aqua gelas, maka kita dapat meberikan promo, mungkin dengan cara discount, atau bundling barang, sehingga penjulan akan semakin HASIL DAN PEMBAHASAN Nilai dari data yang akan diuji merupakan data buatan yang terdiri dari 5 transaksi penjualan barang yang terdiri dari pembuktian perhitungan manual dan perhitungan dengan aplikasi dengan nilai minimum Support = 0.
Contoh 5 data transaksi ditunjukkan pada Tabel 1.
Tabel 1 Data Transaksi
Transaksi
Tran 1
Tran 2
Tran 3
Tran 4
Tran 5
Aqua Galon
Bright Gas 12KG
LPG 3KG
Aqua Gelas Beras Jumlah Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VII (No.
01 ) : 624 - 633.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Dati data transaksi yang ada dilakukan perhitungan nilai support dengan total transakis sebanyak 5.
Hasil perhitungan support dengan 1 itemset ditunjukkan pada Tabel 2.
Tabel 2 Hasil Perhitungan Support 1 itemset
Item
Jumlah Transaksi
Total Transaksi
Support
Keterangan Aqua Galon
Bright Gas 12KG
LPG 3KG
Aqua Gelas Beras Lulus Tidak lulus Lulus Lulus Lulus Dari hasil perhitungan dengan nilai minimum support 0,2 ada 1 item yang tidak lulus.
Perhitungan nilai support dengan 2 itemset ditunjukkan pada Tabel 3.
Tabel 3 Hasil Perhitungan Support 2 itemset Jumlah Transaksi Item Aqua Galon,Bright Gas 12KG Aqua Galon,LPG 3KG Aqua Galon,Aqua Gelas Aqua Galon,Beras Bright Gas 12KG,LPG 3KG LPG 3KG,Aqua Gelas LPG 3KG,Beras Aqua Gelas.
Beras Total Transaksi Support Keterangan Tidak lulus Lulus Lulus Tidak lulus Tidak lulus Lulus Tidak lulus Lulus Dari hasil perhitungan dengan nilai minmum support 0,2 ada 4 item yang tidak lulus Selanjutnya dilakukan perhitungan nilai support untuk 3 itemset.
Perhitungan nilai support dengan 3 itemset ditunjukkan pada Tabel 4.
Tabel 4 Hasil Perhitungan Support 3 itemset Item Aqua Galon,Bright Gas 12KG,LPG 3KG Aqua Galon,LPG 3KG,Aqua Gelas Aqua Galon,Aqua Gelas,Beras LPG 3KG,Aqua Gelas,Beras Jumlah Transaksi Total Transaksi Support Keterangan Tidak lulus Lulus Tidak lulus Tidak lulus Dari hasil perhitungan dengan nilai minimum support 0,2 hanya ada 1 item yang lulus Selanjutnya dilakukan perhitungan nilai confidence untuk 2 itemset.
Hasil perhitungan confidence dengan 2 itemset ditunjukkan apda Tabel 5.
Tabel 5 Hasil Perhitungan Confidence 2 itemset
Item
Jumlah Transaksi
Total
Transaksi
Aqua Galon,Bright Gas
0,25
Aqua Galon,LPG 3KG Aqua Galon,Aqua Gelas Confidence Keterangan 25% Yang membeli Aqua Galon juga membeli Bright Gas 12KG 100% Yang membeli Aqua Galon juga membeli LPG 3KG 50% Yang membeli Aqua Galon juga membeli Aqua Gelas Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VII (No.
01 ) : 624 - 633.
Th.
p-ISSN: 2620-620X
e-ISSN: 2621-9840
Aqua Galon,Beras 0,25 Bright Gas 12KG,Aqua Galon
LPG 3KG,Aqua Galon
LPG 3KG,Bright Gas
0,25
LPG 3KG,Aqua Gelas LPG 3KG,Beras 0,25 Aqua Gelas,Aqua Galon
0,67
Aqua Gelas.
LPG 3KG
0,67
Aqua Gelas.
Beras 0,67 Beras.
Aqua Gelas Beras.
LPG 3KG 25% Yang membeli Aqua Galon juga membeli Beras 100% Yang membeli Bright Gas 12KG juga membeli Aqua Galon 100% Yang membeli LPG 3KG juga membeli Aqua Galon 25% Yang membeli LPG 3KG juga membeli Bright Gas 12KG 50% Yang membeli LPG 3KG juga membeli Aqua Gelas 25% Yang membeli LPG 3KG juga membeli Beras 67% Yang membeli Aqua Gelas juga membeli Aqua Galon 67% Yang membeli Aqua Gelas juga membeli LPG 3KG 67% Yang membeli Aqua Gelas juga membeli Beras 100% Yang membeliBeras juga membeli Aqua Gelas 50% Yang membeli Beras juga membeli LPG 3KG Pengembangan aplikasi dengan mengimplementasikan metode Apriori pada penjualan barang telah dapat melakukan perhitungan support dan confidence ditunjukkan pada Tabel 6.
Tabel 6 Hasil Perhitungan Aplikasi
Aqua Galon
LPG 3KG
Aqua Galon Aqua Gelas Aqua Gelas LPG 3KG Beras Aqua Gelas Aqua Galon Aqua Gelas LPG 3KG Aqua Gelas.
Aqua Galon
LPG 3KG,
Aqua Galon Keterangan Lolos uji Lolos uji Lolos uji Lolos uji Lolos uji Lolos uji Lolos uji Lolos uji Lolos uji Lolos uji Lolos uji Lolos uji Lolos uji Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
LPG 3KG,
Aqua Gelas Vol.
VII (No.
01 ) : 624 - 633.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Lolos uji Berdasarkan table perhitungan support secara manual terdapat 4 data yang lulus dan dalam perhitungan confidence meliputi ke 4 data tersebut yang kemudian diolah lebih lanjut lagi dan dibalik premisnya, kemudian data tersebut diolah kembali menggunakan aplikasi untuk mengetahui kebenarannya dan hasilnya pada semua perhitungan baik manual maupun aplikasi hasil perhitungan tersebut adalah sama hasil perhitungan yang ditampilkan dengan yang dilakukan perhitungan manual.
Gambar 1 Hasil Summary Pada hasil summary yang dihasilkan dari aplikasi yan ditunjukkan pada Gambar 1 terlihat conclusion dari semua hasil perhitungan yang bahkan tidak dilakukan oleh perhitungan secara manual dan hasil dari perhitungan aplikasi lebih akurat dan mendetail.
SIMPULAN
Berdasarkan hasil penelitian yang telah dilakukan mulai dari studi literatur, pembahasan, perancangan, serta implementasi, dan pengujian yang dilakukan, berikut adalah metode Asosiasi digunakan untuk menentukan suatu hubungan antar item, serta metode ini sering digunakan untuk menentukan pola pembelian konsumen dan juga dapat membantu peningkatan penjualan setiap itemnya, berikut ini adalah Pada poin ini dapat dilakukannya perhitungan barang setiap bulannya pada awal bulannya akan dihitung memiliki berapa stock, dan pada akhir bulan kita akan melakukan perhitungan sisa stok barang, dan jika sisa stok barangnya menipis atau bahkan habis, maka di bulan depannya kita dapat melakukan re-stok barang lebih banyak pada bulan depannya.
DAFTAR PUSTAKA