Jurnal informasi dan Komputer Vol: 10 no:2.
P-ISSN: 2337-8344
E-ISSN: 2623-1247
Jurnal informasi dan Komputer Vol: 10 no:2.
P-ISSN: 2337-8344
E-ISSN: 2623-1247
PENGANTAR REDAKSI
Puji syukur dipanjatkan kehadirat Tuhan Yang Maha Esa, atas karunia dan limpahan rahmatNYA jualah Jurnal Informasi dan komputer (JIK) STMIK Dian Cipta Cendikia Kotabumi ini dapat terwujud.
Jurnal Informasi dan Komputer (JIK) yang terbit dua .
kali dalam setahun ini merupakan sua tu wadah untuk penyebar luasan hasil-hasil penelitian, studi pustaka, karya ilmiah yang berkaitan dengan Informasi dan Komputer khususnya bagi dosendosen STMIK Dian Cipta Cendikia Kotabumi serta umumnya para cendikiawan, praktisi, peneliti ilmu Informatika dan Komputer.
Harapan, dengan diterbitkannya Jurnal Informasi dan Komputer (JIK) ini sebagai salah satu bentuk sumbangan pemikiran dalam pengembangan ilmu informatika dan komputer yang berkaitan dengan kajian- kajian di bidang tekhnologi Informatik.
Komunikasi Data dan Jaringan Komputer, perancangan dan Rekayasa Perangkat Lunak, serta ilmu-ilmu yang terkait dengan bidang Informasi dan Komputer lainnya.
Berkenaan dengan harapan tersebut, kepada para peneliti, dosen dan praktisi yang memiliki hasil-hasil penelitian, kajian pustaka, karya ilmiah dalam bidang tersebut diatas, dengan bangga redaksi Jurnal Informasi dan Komputer (JIK) menerima naskah ringkasan untuk dimuat pada jurnal Informasi dan Komputer (JIK) STMIK Dian Cipta Cendikia Kotabumi dengan berpedoman pada penulisan naskah jurnal sebagaimana dilampirkan pada halaman belakang (Bagian kulit dala.
buku jurnal ini.
Mutu dari suatu jurnal ilmiah tidak hanya ditentukan oleh para pengelolanya saja, tetapi para penulis dan pembaca jualah yang mempunyai peranan besar dalam meningkatkan mutu jurnal Informatika dan Komputer ini.
Merujuk pada realita ini kamu sangat mengharapkan peran aktif dari peneliti untuk bersama- sama menjaga dan memelihara keberlangsungan dari jurnal Informasi dan Komputer STMIK Dian Cipta Cendikia Kotabumi ini.
Yang juga tidak kalah pentingnya dari partisipasi tersebut diatas, adalah saran dan kritik yang membangun dari pembaca yang budiman agar kiranya dapat disampaikan langsung kepada redaksi JIK.
Saran dan kritik yang membangun akan dijadikan masukan dan pertimbangan yang sangat berarti guna peningkatan mutu dan kualitas Jurnal Informasi dan Komputer STMIK Dian Cipta Cendikia Kotabumi.
Tak lupa diucapkan terima kasih yang tak terhingga atas perhatian dan kerjasama dari semua pihak yang tak dapat disebutkan satu persatu hingga dapat diterbitkan nya Jurnal Informasi dan Komputer (JIK) STMIK Dian Cipta Cendikia Kotabumi.
Semoga apa yang telah diperbuat untuk kebaikan akan menjadi amal ibadah, amin.
Kotabumi, 25 Oktober 2022
Dewan Redaksi
JURNAL INFORMASI DAN KOMPUTER
Volume 10 Nomor 2 Oktober 2022 Jurnal Informasi dan Komputer merupakan Sarana informasi ilmu pengetahuan.
Tekhnologi dan Komunikasi yang berupa hasil penelitian, tulisan ilmiah.
Ataupun studi Jurnal ini terbit dua kali setahun pada bulan April dan Oktober.
Berisi hasil penelitian ilmiah di bidang informatika yang bertujuan untuk menghubungkan adanya kesenjangan antar kemajuan teknologi dan hasil penelitian.
Jurnal ini di terbitkan pertama kali pada tahun Penanggung Jawab:
Ketua STMIK Dian Cipta Cendikia Kotabumi Pembina:
Ketua STMIK Dian Cipta Cendikia Kotabumi Ketua Lembaga Penelitian STMIK Dian Cipta Cendikia Kotabumi Pimpinan Redaksi Dwi Marisa Efendi,.
Kom.
,M.
Redaksi pelaksana Rustam,.
Kom,.
(Institut Teknologi Bisnis Dan Bahasa Dian Cipta Cendiki.
Nurmayanti Kom (Institut Teknologi Bisnis Dan Bahasa Dian Cipta Cendiki.
Sukatmi,.
Kom.
Kom (Institut Teknologi Bisnis Dan Bahasa Dian Cipta Cendiki.
Sampurna Dadi Riskiono,M.
Kom (Universitas Teknokrat Indonesi.
If Wahyu Pratama,S.
Kom.
,M.
I (Institut Teknologi Bisnis Dan Bahasa Dian Cipta Cendiki.
Sri Wahyuni.
Kom, (Universitas Panca Sakti Bekas.
Rima Mawarni.
Kom, (STMIK Dian Cipta Cendikia Kotabum.
Mitra Bestari Dr.
RZ.
ABDUL AZIZ.
ST.
MT (Institut Informatika dan Bisnis Darmajay.
Dr.
Dadang Sudrajat.
Si.
Kom (STMIK IKMI Cirebo.
Dr.
Septafiansyah Dwi Putra.
(Politeknik Negeri Lampun.
Dr.
Evi Grativiani.
I (Universitas Sebelas Mare.
Dr.
Mohammad Iqbak.
Kom.
MMSI(Universitas Gunadarm.
Rohmat Indra Borman ( Universitas Teknokrat Indonesia ) Ferry Wongso.
KOm.
Kom ( STMIK Darma Pala Ria.
Ferly Ardhy.
Kom.
I( Universitas Aisyah Pringsew.
Firmansyah.
Si (STMIK Darma Pala Ri.
Amarudin (Universitas Teknokrat Indonesi.
Alhibarsyah.
St.
Kom (STMIK Tunas Bangsa Bandar Lampun.
Kemal Farouq Mauladi.
Kom .
Kom (Universitas Islam Lamonga.
Wira Jaya Hartono.
Pd.
Pd ( STMIK Darma Pala Ria.
Dwi Marisa Efendi.
Kom.
I (
Institut Teknologi Bisnis Dan Bahasa Dian Cipta Cendiki.
Ni Luh Ratniasih.
Kom.
,M.
T (Institut Teknologi dan Bisnis STIKOM Bal.
Ni Komang Sri Julyantari.
Kom.
,M.
(Institut Teknologi dan Bisnis STIKOM Bal.
Penerbit : STMIK Dian Cipta Cendikia Kotabumi Bekerja Sama Dengan LPPM STMIK Dian Cipta Cendikia Kotabumi.
AlamatRedaksi/Penerbit:
Jl.
Negara No.
3 Candimas Kotabumi Lampung Utara No Telpon/Fax 0724 23003 Email : lppm-stmik@dcc.
JURNAL INFORMASI DAN KOMPUTER
VOL.
10 NO.
2 THN.
DAFTAR ISI
Halaman Pengembangan Aplikasi Pelelangan Menggunakan Framework Codeigniter Berbasis Web Yuli Syafitri1.
Reni Astika2, ,Lusia Septia Eka Esti Rahayu3 (AMIK Dian Cipta Cendiki.
Pengelompokan Status Gizi Balita Dengan Data Langsung Dan Data Tidak Langsung Ni Komang Sri Julyantari1.
Ni Made Dewi Kansa Putri2 (ITB STIKOM Bal.
Penerapan Data Mining Menggunakan Algoritma Apriori Dalam Memprediksi Penjualan Produk Ferly Ardhy1.
Ockhy Jey Fhiter Wassalam2,Tahta Herdian Andika3.
Salman Alfarisi Salimu4 (Universitas Aisyah Pringew.
Analisis Celah Keamanan Jaringan Menggunakan Pengujian Intrution Detection System Dan Microsoft Network Monitor Aliy Hafiz1.
Sukatmi2 (AMIK Dian Cipta Cendiki.
Rekayasa Perangkat Lunak Inventory Barang Dengan Metode Fast Pada Petshop Salsa Di Bandarlampung Pitrawati1.
Verawati2.
Riska Bilgisa Putri3 (AMIK Dian Cipta Cendiki.
Komparasi Algoritma Winnowing Dan Algoritma Manber Dalam Mendeteksi Kemiripan Tugas Mahasiswa Ida Bagus Ketut Surya Arnawa (ITB STIKOM Bal.
Klasifikasi Quality Of Service Layanan Internet Menggunakan Algoritma Naive Bayes Cindyk Irawanto1.
Odi Nurdiawan2.
Gifthera Dwilestari3 (STMIK IKMI Cirebo.
Implementasi Metode Rc6 Untuk Keamanan Pesan Berbasis Android Suci Ananda Sari1.
Wiwien Hadikurniawati2 (Universitas Stikubank Semaran.
Sistem Deteksi Manusia Dengan Metode Aggregate Channel Features (Ac.
Umi Kholifah1.
Veronica Lusiana2 (Universitas Stikubank Semaran.
Pengukuran Kualitas Websitekota Administrasi Jakarta Utara Terhadap Kepuasan Pengguna Menggunakanmetode Webqual4.
Rachma Dien1.
Iwan2 (Universitas Nusa Mandir.
Penerapan Model V Dalam Pengembangan Sistem Penjualan Online Jurnal informasi dan Komputer Vol: 10 No:2.
P-ISSN: 2337-8344
E-ISSN: 2623-1247
Pada Toko Lapak Teknik Tools Suhermanto1,Septi Kristin Anantasia2 (Universitas Panca Sakti Bekas.
Analisis Sentimen Program Migrasi Tvdigital Menggunakan Algoritmanaive Bayesdengan Chi Square Virgaria Zuliana1.
Garno2.
Iqbal Maulana3 (Universitas Singaperbangsa Karawan.
Perbandinganmetodesimple Queuedan Queue Treedalam Optimalisa Simanajemen Bandwidth Nafis NaufalAnwari1,Puwantoro2,TesaNurPadilah3 (Universitas SingaperbangsaKarawan.
Tingkat Keefektifan Pengembangan Sistem Informasi Dalam Era Revolusi Industri 4.
Rizky Rahmat Illahi1.
Nafis Naufal Anwari2.
Aji Primajaya3 ( Universitas Singaperbangsa Karawan.
Sistem Pendukung Keputusan Pemilihan Mobil Menggunakan Metode Copras Abdul Patahudin1,Felix Andreas Sutanto2 ( UnisbankSemaran.
Analisis Dan Perancangan Sistem Informasipenjualan Jasa Pencucian Sepatu Dan Tas Pada Sojishoesandbagcareberbasismobile DandiRamasenjaya1.
KundangKarsonoJuman2 ( Universitas Esa Unggu.
Sistem Pendukung Keputusan Pemilihan Komputer Berdasarkan Komponen Menggunakan Metode Hybrid Ahp Dan Mooraberbasis Web Febian Ageng Resta (Universitas Stikubank Semaran.
Perancangan Sistem Perpustakaan Onlinedi Ma Al Hasan Dengan Metode Spiralberbasis Web Suhermant1,Riza Apriansyah2 (Universitas Panca Sakti Bekas.
Evaluasi Sistem Informasi Electronic Daily Perform Report (E-Dpr Denganmenggunakanframeworkcobit 5 Afif Khoirul Abdi1,Endro Kuswoyo2.
Indah Purnamasari3 (UniversitasNusaMandir.
Sistem Pengambilan Keputusan Perceraian Dipengadilan Negeri Kotabumi Dengan Metode Saw Nurmayanti1,MerriParida2,DesiMalina3 (STMIK Dian Cipta Cendikia Kotabum.
Penerapan Metode Algoritma Apriori Dalam Memprediksi Penjualan Sparepart Motor (Pt.
Lautan Teduh Interniaga Dealer Yamaha Kotabum.
Sidik Rahmatullah1.
Sigit Mintoro2.
Karmila Permatasari3 (STMIK Dian Cipta Cendikia Kotabum.
Sistem Pakar Diagnosa Penyakit Ibu Hamil Menggunakan Metode Certainty Factor (C.
Untuk Menurunkan Risiko Kematian Ibu Hamil Berbasis Android Aliy Hafiz1.
Ferry Susanto2.
Donny Muda Priyangan3.
Chandra Kirana4 (AMIK Dian Cipta Cendiki.
Sistem Pendukung Keputusan Pemilihan Perguruan Tinggi Swasta Sehat Dengan Metode Analytical Hierarcy Process (Ah.
(Study Kasus : Provinsi Lampun.
Sulasminarti (AMIK Dian Cipta Cendikia Pringsew.
Penerapan Metode V-Model Dalam Perancangan Sistem Penjualan Online Produk Furniture Menggunakan Php Mysql Di Pd Dua Putri Yuyun Yuningsih (UniversitasPancaSaktiBekas.
Penerapan Metode K-Nearest Neighbour Untuk Sistem Penentuan Peminjaman Modal Nasabah Bank Syariah Indonesia Cabang Cikarang Berbasis Website Melina Rahmadiah1.
Parman Suparman2 (Universitas Panca Sakti Bekas.
Penerapan Internet Of Things Pada Stop Kontak Lampu Berbasis Arduino Abu Jihad Plaza R1.
Yulina2.
Sigit Gunanto3 (Universitas Muhammadiyah Kotabum.
Penerapan Metode Profile Matching Dalam Penentuan Peserta Pelatihan Terbaik (Studi Kasus: Lpk Prima Buana Indonesia Cabang Purwakart.
SriWahyunin1.
FarizRizalMubarok2 (Universitas PancaSaktiBeka.
Sistem Penunjang Keputusan Dengan Metode Ahp Menentukan Peringkat Siswa Berdasarkan Hard Skill Dan Soft Skill Haris Munandar1.
Tumini2 (Universitas PancaSaktiBeka.
Sistem Informasi Penjualan Kuliner Pada Kedai Linda Berbasis Web Di Kotaagung Kabupaten TanggamusAy (Studi Kasus Kedai Linda Kotaagun.
Rima Mawarni1.
Supriyanto2.
Dodi Afriansyah3.
Linda Riyanti4 (STMIK Dian Cipta Cendikia Kotabum.
Penerapan Sistem Informasi Penampungan Aspirasi Masyarakat Berbasis Website Halim Saputro1.
Agustami 2.
Wahid Susanto 3.
Iwan4 (Universitas Nusa Mandir.
Pengembangan Skema Paten Pada Sistem Informasi Hak Kekayaan Intelektual Lppm Universitas Dhyana Pura I Made Dwi Ardiada1.
Putu Wida Gunawan2.
Gerson Feoh3 (Universitas Dhyana Pur.
Pengembangan Game Edukasi Untuk Meningkatkan Pemahaman Materi Anatomi Tubuh Bagi Siswa Sd Menggunakan Metode Research And Development Moch Feri Izulhaq1.
Ade Irma Purnamasari2.
Arif Rinaldi Dikananda3 (STMIK IKMI Cirebo.
Pengembangan Game Edukasi Tebak Surah Pendek Untuk Mengasah Daya Pikir Siswa Menggunakan Metode Research And Development Musofi1.
Nana Suarna2.
Arif Rinaldi Dikananda3 (STMIK IKMI Cirebo.
Audit Pelayanan Kir Pada Dinas Perhubungan Lampung Utara Menggunakan Metode It-Val Merri Parida1.
Nurmayanti2.
Nova Alda Yanti3 (STMIK Dian Cipta CendikiaKotabum.
20 | S T M I K D i a n C i p t a C e n d i k i a K o t a b u m i PAN DATA MINING MENGGUNAKAN ALGORITMA APRIORI DALAM MEMPREDIKSI PENJUALAN PRODUK Ferly Ardhy1.
Ockhy Jey Fhiter Wassalam2 ,Tahta Herdian Andika3.
Salman Alfarisi Salimu4 Universitas Aisyah Pringewu1234 Jl.
Yani No 1A Tambah Rejo No 1A Pringsewu 1234 Email : ferly@aisyahuniversity.
id1 ockhyjey@aisyahuniversity.
a@aisyahuniversity.
id3 salman@aisyahuniversity.
ABSTRAK
Penelitian ini di latar belakangi dari hasil pengamatan, saat ini dalam melakukan transaksi penjualan rata-rata sudah menggunakan sistem terkomputerisasi dan mencatat data transaksi yang ada, namun data tersebut hanya berfungsi sebagai arsip saja sehingga belum bisa digunakan sebagai data untuk memprediksi hasil penjualan produk yang akan datang yang lebih diminati konsumen.
Tujuan dari penelitian ini adalah menerapka data mining untuk memprediksi hasil penjualan produk yang lebih diminati konsumen dan mencari hubungan keterkaitan antar itemset.
Dari penerapan data mining tersebut data diolah dengan menggunakan algoritma apriori untuk dapat memprediksi hasil penjualan produk.
Dengan cara melakukan pencarian frequent itemset dengan menggunakan teknik association rule.
Dengan menentukan kandidat yang mungkin muncul dan memperhatikan minimum support dan minimum confidence.
Pada penerapan data mining untuk prediksi penjualan produk .
eneliti berhasil menemukan 14 aturan association rules dengan aturan min support 30% dan min confidence 65%.
Kata Kunci : Penjualan, algoritma apriori ABSTRACTS This research is based on observations, currently in conducting sales transactions on average already using a computerized system and recording existing transaction data, but the data only functions as a store archive so that it cannot be used as data to predict the sales results of goods sold.
which will be more attractive to The purpose of this study is to apply data mining to predict the sales results of goods that are more attractive to consumers and to look for relationships between itemsets.
From the application of data mining, the data is processed using a priori algorithm to be able to predict the results of the sale of goods.
By doing a frequent itemset search using the association rule technique.
determining the candidates that may appear and paying attention to the minimum support and minimum In the application of data mining to predict the sale of goods .
esearchers managed to find 14 association rules with a minimum support rule of 30% and a minimum confidence of 65%.
Keywords: Sales, apriori algorithm
PENDAHULUAN
Dalam dunia bisnis, setiap perusahaan harus memiliki kemampuan dalam bersaing dan memiliki strategi bagaimana perusahaannya dapat terus berkembang dan memperluas skala Untuk itu strategi meningkatkan penjualan produk yang mereka jual adalah poin utama, para pelaku usaha harus memiliki berbagai strategi yang harus dilakukan.
Salah satu caranya adalah dengan menggunakan seluruh data transaksi penjualan yang dimiliki oleh perusahaan itu sendiri Penggunaan data yang terdapat dalam sistem informasi untuk mendukung kegiatan 18 | S T M I K D i a n C i p t a C e n d i k i a K o t a b u m i Jurnal informasi dan Komputer Vol: 10 No:2.
pengambilan keputusan tidak cukup hanya mengandalkan data operasional saja, tetapi juga memerlukan analisis data untuk mengekstraksi data-data penting.
informasi yang terkandung di Para pengambil keputusan berusaha memanfaatkan data warehouse yang sudah mereka miliki untuk mendapatkan informasi yang berguna untuk membantu pengambilan keputusan (Oktaviani A.
TM.
, 2.
Penggunaan data yang terdapat dalam sistem keputusan, tidak cukup hanya mengandalkan data operasional saja, tetapi juga memerlukan analisis untuk mengekstrak informasi penting yang terkandung di dalamnya.
Para pengambil mendapatkan informasi yang berguna untuk membantu pengambilan keputusan (Badrul, .
Prediksi ini bertujuan untuk mempermudah pihak dalam melakukan perencanaan penyediaan stok produk serta memberitahu pihak minimarket mengenai produk-produk yang paling banyak diminati oleh konsumen.
Sebab apabila melakukan pemesanan produk dalam jumlah banyak dan ternyata produk tersebut hanya terjual beberapa saja, maka perencanaan yang dilakukan oleh pihak minimarket dinilai kurang efektif.
Oleh karena itu prediksi penjualan ini diharapkan mampu memberikan output terbaik sehingga dapat meminimalkan resiko kesalahan.
METODE PENELITIAN
Metode penelitian yang digunakan pada penelitian ini ialah menggunakan metode dasar analisis asosiasi dengan penerapan algoritma Salah satu implementasi dari asosiasi adalah market basket analysis atau analisis keranjang belanja.
(Wahyu DR: 2.
Algoritma apriori termasuk jenis aturan asosiasi pada datacmining.
Penelitian yang dilakukan R.
Agrawal, et al padactahun 1993 yang berjudul AuMining Association Rules Between Sets of Items in Large DatabasesAy adalah awal mula dikembangkannya data mining dengan metode asosiasi menggunakan algoritma apriori .
Analisis asosiasi adalah salah satu teknik data mining yang digunakan untuk menemukan hubungan menarik antara suatu kombinasi item yang tersembunyi dalam suatu database.
Hubungan ini dapat direpresentasikan dalam P-ISSN: 2337-8344
E-ISSN: 2623-1247
suatu bentuk aturan asosiasi .
Analisis asosiasi akan berusaha mengungkap asosiasi antara atribut, yaitu berusaha untuk mengungkap aturan untuk mengukur hubungan antara dua atau lebih atribut.
Secara umum aturan asosiasi mempunyai bentuk.
Adapun perhitungan nilai support dan confidence dapat dijelaskan sebagai berikut (Adie Wahyudi Oktavia Gama : 2.
Analisis Pola Frekuensi Tinggi support dalam database.
Nilai support diperoleh dengan rumus :
Support (A)= Transaksi yang mengandung A 100% Total Transaksi Sementara nilai support dari 2 item diperoleh dari Support (A,B) = P(AOB) Support (A,B) = Transaksi yang mengandung A,B *100% Total Transaksi Pembentukan aturan asosiasi Setelah semua pola frekuensi tertinggi ditemukan, barulah dicari aturan asosiasi yang memenuhi syarat minimum confidence dengan menghitung confidence aturan asosiatif A Ie B.
Nilai confidence aturan A Ie B diperoleh rumus
Confidence=P(A|B)= Transaksi yang mengandung A dan B *100% Transaksi A Tahapan berikutnya adalah proses menghitung data transaksi harian menjadi daftar itemset
Tabel 1 Transaksi Harian Produk
Beras Slyp UBK
Pasta gigi Pepsodent Susu Frisian Flag Cokelat
Blue band 200g
Gula curah 1000g
Sabun Mandi Dettol
Biscuit Roma 300g
Traksaksi
Nilai support 1 item dengan ketentuan nilai Minimum Support 30% Rumus Support (A) = Transaksi yang mengandung A *100% Total Transaksi
19 | S T M I K D i a n C i p t a C e n d i k i a K o t a b u m i Support (Beras Slyp UBK) = Transaksi (Beras Slyp UBK) *100% 100
= 77 *100% = 77%
Support (Pasta gigi Pepsoden.
= Transaksi (Pasta gigi Pepsoden.
*100% 100
= 60 *100% = 60%
Support (Susu Frisian Flag .
C) = Transaksi (Susu Frisian Flag.
C) *100%
= 66 *100%=66%
Support (Blue band 200.
= Transaksi (Blue band 200.
*100% 100
= 28 *100% =28%
Support (Gula Curah 1000.
= Transaksi (Gula Curah 1000.
*100% 100
= 81 *100%=81%
Support (Sabun Mandi Detto.
= Transaksi (Sabun Mandi Detto.
*100% 100
= 33 *100% = 33%
Support (Biscuit Roma 300.
= Transaksi (Biscuit Roma 300.
*100% 100
= 60 *100%=60%
Blue Band 200g Gula Curah Sabun Mandi Dettol Biscuit Roma Iterasi 2 untuk mendapatkan 2 itemset, harus dilakukan kombinasi K-itemset sebelumnya agar terpenuhi minimum support Itemset Banyak Transaksi Supp Beras Slyp UBK.
Gula Curah 1000g Susu Frisian Flag Cokelat.
Gula Curah Biscuit Roma 300g.
Gula Curah 1000g Gula Curah 1000g.
Pasta gigi Pepsodent Beras Slyp UBK.
Susu Frisian Flag Cokelat Beras Sly UBK.
Biscuit Roma 300g Beras Slyp UBK.
Pasta gigi Pepsodent Susu Frisian Flag Cokelat.
Biscuit Roma Susu Frisian Flag Cokelat.
Pasta gigi Pepsodent Biscuit Roma 300g.
Pasta gigi Pepsodent Tabel 2.
Daftar hasil support tiap itemset
Itemset
Beras Slyp
UBK
Pasta gigi Pepsodent Susu Frisian Flag Cokelat Banyak nya Transaksi Support 20 | S T M I K D i a n C i p t a C e n d i k i a K o t a b u m i Jurnal informasi dan Komputer Vol: 10 No:2.
Tabel 4.
Daftar hasil support 3 Itemset Beras Slyp UBK.
Pasta gigi Pepsodent.
Gula Curah 1000g Susu Frisian Flag Cokelat.
Gula Curah Biscuit Roma Beras Slyp UBK.
Gula Curah 1000g.
Biscuit Roma 300g Beras Slyp UBK.
Susu Frisian Flag Cokelat.
Gula Curah 1000g Beras Slyp UBK.
Pasta gigi Pepsodent.
Biscuit Roma 300g Beras Slyp UBK.
Pasta gigi Pepsodent.
Susu Frisian Flag Cokelat Susu Frisian Flag Cokelat.
Pasta gigi Pepsodent.
Biscuit Roma 300g Beras Slyp UBK.
Susu Frisian Flag Cokelat.
Biscuit Roma 300g
P-ISSN: 2337-8344
E-ISSN: 2623-1247
Banyak Transak
Support
HASIL DAN PEMBAHASAN
Berikut proses perhitungan Nilai Support dan Confidence pada Itemset secara manual.
Dengan informasi dari data penjualan sebagai berikut :
Hasil Support tiap Itemset Beras Slyp UBK memiliki nilai support 77% Pasta gigi Pepsodent memiliki nilai support Susu Frisian Flag Cokelat memiliki nilai support 66% (Blue band 200g memiliki nilai support 29%) Gula Curah 1000g memiliki nilai support 81% (Sabun Mandi Dettol memiliki nilai support 28%) tereliminasi Biscuit Roma 300g memiliki nilai support Hasil Support Kombinasi 2 Itemset Dari penyelesaian di atas, berikut adalah hasil aturan final asosiasi atau rule :
Tabel 5.
Aturan Final Asosiasi Beras Slyp UBK.
Gula Curah 1000g memiliki support 58%.
Susu Frisian Flag Cokelat.
Gula Curah 1000g memiliki nilai support 54%.
Biscuit Roma 300g.
Gula Curah 1000g memiliki nilai support 43%.
Gula Curah 1000g.
Pasta gigi Pepsodent memiliki nilai support 46%.
Beras Slyp UBK.
Susu Frisian Flag Cokelat memiliki nilai support 50%.
Beras Sly UBK.
Biscuit Roma 300g memiliki nilai support 50%.
Beras Slyp UBK.
Pasta gigi Pepsodent memiliki nilai support 48%.
Susu Frisian Flag Cokelat.
Biscuit Roma 300g memiliki nilai support 34%.
Susu Frisian Flag Cokelat.
Pasta gigi Pepsodent memiliki nilai support 31%.
Biscuit Roma 300g.
Pasta gigi Pepsodent memilki nilai support 34%.
Hasil Support Kombinasi 3 Itemset Beras Slyp UBK.
Pasta gigi Pepsodent.
Gula Curah 1000g memiliki nilai support 34%.
(Susu Frisian Flag Cokelat.
Gula Curah 1000g.
Biscuit Roma 300g memiliki nilai support 23%) tereliminasi.
Beras Slyp UBK.
Gula Curah 100g.
Biscuit Roma 300g memiliki nilai support 33%.
Beras Slyp UBK ,Susu Frisian Flag Cokelat.
Gula Curah 1000g memiliki nilai support 21 | S T M I K D i a n C i p t a C e n d i k i a K o t a b u m i Beras Slyp UBK.
Pasta gigi Pepsodent.
Biscuit Roma 300g memiliki nilai support (Beras Slyp UBK.
Pasta gigi Pepsodent.
Susu Frisian Flag Cokelat memiliki nilai support 25%) tereliminasi.
(Susu Frisian Flag Cokelat.
Pasta gigi Pepsodent.
Biscuit Roma 300g memiliki nilai support 14%) tereliminsi.
(Beras Slyp UBK.
Susu Frisian Flag Cokelat.
Biscuit Roma 300g memiliki nilai support 28%) tereliminasi.
Aturan Assoiasi atau Rule Jika membeli Pasta gigi Pepsodent maka akan membeli Beras Slyp UBK memiliki nilai support 48% dan confidence 80%.
Jika membeli Susu Frisian Flag Cokelat maka akan membeli Gula curah 1000g memiliki nilai support 5% dan confidence 81,8%.
Jika membeli Gula Curah 1000g maka akan membeli Susu Frisian Flag Cokelat memiliki nilai support 54% dan confidence 66,7%.
Jika membeli Beras Slyp UBK maka akan membeli Gula Curah Curah 1000g memiliki nilai support 58% dan confidence 75,3% Jika membeli Gula Curah 1000g maka akan memebeli Beras Slyp UBK memiliki nilai support 58% dan confidence 71,6%.
Jika membeli Susu Frisian Flag cokelat maka akan membeli Beras slypUBK memiliki nilai support 50% dan confidence 75,7%.
Jika membeli Pasta gigi pepsodent maka akan membeli Gula curah 1000g memiliki nilai support 46% dan confidence 76,6%.
Jika membeli Biscuit roma 300g maka akan membeli Beras slyp UBK memiliki nilai support 50% dan confidence 83,3% Jika membeli Biscuit roma 300g maka akan membeli Gula curah 1000g memilki nilai support 43% dan confidence 71,7%.
Jika membeli Beras slyp UBK dan Susu frisian flag cokelat maka akan membeli Gula curah 1000g memiliki nilai support 38% dan Jika membeli Beras Slyp UBK dan Gula Curah 1000g maka akan membeliSusu Frisisan Flag Cokelat memiliki nilai support 38% dan confidence 65,5%.
Jika membeli Susu Frisian Flag Cokelat dan Gula maka akan membeli Beras Slyp UBK memiliki nilai support 38% dan confidence 70,4%.
Jika membeli Beras Slyp UBK dan Pasta gigi Pepsodent maka akan membeli Gula Curah 1000g memiliki nilai support 34% dan confidence70,8%.
Jika membeli Pasta gigi Pepsodent dan Gula Curah 1000g maka akan mem-beli Beras Slyp UBK memiliki nilai support 34% dan 73,9%.
Jika membeli Pasta gigi dan Biscuit Roma 300g maka akan membeli Beras Slyp UBK memiliki nilai support 30% dan confidence 88,2%.
Jika membeli Beras Slyp UBK dan Biscuit Roma 300g maka akan membeli Gula curah 1000g memiliki nilai support 33% dan confidence 66%.
Jika membeli Gula Curah 1000g dan Biscuit Roma 300g maka akan mem-beli Beras Sly UBK memiliki nilai support 33% dan confidence 76,7%.
KESIMPULAN DAN SARAN
1 Kesimpulan Dapat disimpulkan bahwa pada Penerapan Data Mining Untuk Prediksi Penjualan Produk Menggunakan Metode Algoritma Apriori dengan aturan min support 30% dan min confidence 65% menghasilkan 14 Aturan Rules seperti yang telah dituliskan diatas.
2 Saran Hasil dari perhitungan ini bukan lah nilai mutlak yang harus diikuti dalam menetukan penjualan melainkan hanya sebagai bahan pertimbangan peneliti lain dalam menentukan prediksi penjualan produk yang memiliki nilai frequensi tertinggi dan terendah dan membantu dalam pengaturan tata letak produk yang memilki keterkaitan bisa dicari dengan metode algoritma sistem yang dibuat untuk menentukan prediksi penjualan produk.
DAFTAR PUSTAKA