JOMLAI: Journal of Machine Learning and Artificial Intelligence Vol.
No.
Desember 2022, pp.
ISSN: 2828-9102 (Prin.
| 2828-9099 (Onlin.
DOI: 10.
55123/jomlai.
Penerapan Asosiasi Menggunakan Algoritma Apriori Untuk Menganalis Pola Pembelian Konsumen Pada Toko Kelontong Application of Associations Using the Apriori Algorithm to Analyze Consumer Purchase Patterns at Grocery Stores Oka Ristawaty Sirait1.
Sumarno2.
Nani Hidayati3 STIKOM Tunas Bangsa.
Pematangsiantar.
Indonesia
Article Info
ABSTRAK
Genesis Artikel:
Toko Kelontong menjual berbagai jenis bahan-bahan untuk kehidupan sehari-sehari.
Setiap hari nya banyak pelanggan yang berbelanja ke Toko Kelontong.
Setiap barang yang terjual di Toko Kelontong akan menghasilkan data penjualan, tetapi data tersebut belum dapat di manfaatkan secara maksim al.
Sehingga diperlukan suatu analisis data yang dapat membantu Toko Kelontong memperoleh pengetahuan berupa pola-pola penjualan dalam periode tertentu.
Algoritma yang digunakan sebagai proses utama dari analisis penjualan bahan bahan di Toko kelontong adalah algoritma apriori dengan menggunakan penerapan nilai minimum support sebesar 50% dan nilai minimum confidence sebesar 70% yang memenuhi nilai minimum support dan nilai minimum confidance, dan transaksi penjualan untuk menemukan aturan Hasil pengujian dengan menggunakan algoritma apriori akan menunjukan hasil yang telah memenuhi kebutuhan dan penentuan pola pembelian bahan-bahan di Toko Kelontong berdasarkan barang yang paling sering dibeli oleh para pelanggan.
Diterima, 18 November 2022 Direvisi, 28 Desember 2022 Disetujui, 25 Januari 2023 Kata Kunci:
Apriori Asosiasi Data Mining Konsumen Pola Pembelian ABSTRACT Keywords:
Apriori Association Data Mining Consumer Purchase Pattern The grocery store sells various types of ingredients for everyday life.
Every day many customers shop at the grocery store.
Every item sold at the Grocery Store will generate sales data, but this data cannot be utilized optimally.
So we need a data analysis to help the Grocery Store gain knowledge of sales patterns in a certain period.
The algorithm used as the primary process of analyzing the sale of ingredients in grocery stores is an a priori algorithm using the application of a minimum support value of 50% and a minimum confidence value of 70%, which meets the minimum support value and minimum confidence value, and sales transactions to find association rules.
The Apriori algorithm test results will show results that have met the needs and determine the pattern of purchasing materials at the Grocery Store based on the items that customers most frequently purchase.
This is an open access article under the CC BY-SAlicense.
Penulis Korespondensi:
Oka Ristawaty Sirait.
Program Studi Teknik Informatika.
STIKOM Tunas Bangsa.
Pematangsiantar.
Indonesia Email: okarista001@gmail.
PENDAHULUAN
Data mining dapat diterapkan diberbagai bidang dalam menyelesaikan masalah, begitu pula halnya di tempat penjualan bahan-bahan pokok contohnya seperti di toko kelontong.
Toko kelontong menjual berbagai jenis bahan kebutuhan pokok, setiap hari para pelanggan membeli bahan-bahan pokok seperti beras, minyak, gula, dan lain-lain.
Penerapan data mining dapat dimanfaatkan untuk mengetahui analisa pola pembelian konsumen pada toko kelontong.
Pada penelitian ini akan membahas toko kelontong Bu Ningsih yang terletak di Jl.
Asahan Km,17 Kecamatan Gunung Malela.
Banyak pelanggan yang setiap hari berbelanja dengan jenis barang yang berbeda-beda, dengan banyak nya barang yang terjual setiap hari maka dapat diterapkan Journal homepage: https://journal.
id/index.
php/jomlai/ ISSN : 2828-9099 sistem transaksi penjualan yang baik supaya dapat mengetahui transaksi penjualan bahan-bahan yang paling sering dibeli para Masalah yang sering dihadapi adalah ketersediaan bahan-bahan pokok yang tidak dapat memenuhi keinginan para konsumen dan ketika para konsumen tidak mendapatkan apa yang mereka cari membuat para konsumen kecewa dan berbelanja di Toko Kelontong lain dan sangat berdampak kerugian bagi Toko Kelontong Bu Ningsih.
Pada saat melakukan penyetokan barang yang kurang diminati para konsumen dan sebaliknya ketika tidak melakukan penyetokan barang justru barang yang tidak tersedia stoknya ternyata barang yang paling sering dicari para konsumen.
Salah satu cara mengatasi permasalahan ini yaitu dengan mencari tau pola pembelian konsumen, dengan begitu maka dapat diketahui bahan-bahan pokok apa saja yang laku terjual setiap hari nya di Toko Kelontong Bu Ningsih.
Penerapan pola pembelian konsumen dapat dilihat dari data transaksi penjualan di Toko Kelontong Bu ningsih setiap harinya dan data tersebut merupakan data penjualan dalam satu bulan, data akan diterapkan ke dalam data mining menggunakan algoritma apriori association rule, dan memanfaatkan data transaksi penjualan yang diperoleh berdasarkan barang yang dibeli oleh konsumen secara bersamaan yang berbelanja di Toko Kelontong Bu Ningsih.
Data yang akan digunakan untuk pengambilan keputusan yaitu data pemesanan barang yang paling banyak diminati oleh para konsumen dan yang tidak banyak diminati oleh para konsumen dan dapat memperbanyak stok bahan-bahan yang paling diminati supaya tidak membuat konsumen kecewa, sehingga pengelolaan yang baik akan mendapatkan keuntungan bagi toko kelontong ini.
Perlu dilakukan penelitian mengenai hal ini, terutama menggunakan teknologi yang ter sistem dan terkomputerisasi, karena telah banyak penelitian-penelitian yang telah dilakukan sebelumnya dan terbukti mampu memecahkan banyak masalah yang sifatnya statistik, kelompok, rumit dan saling berkaitan .
Ae.
Baik yang berkaitan dengan penunjang keputusan .
Ae .
, kecerdasan buatan .
Ae.
, hingga penambangan data .
Ae.
Bagian terakhir ini lah (Data minin.
yang dianggap tepat untuk menyelesaikan masalah pada penelitian ini, yakni berupa analisa untuk membantu pemilik toko kelontong dalam mendapatkan informasi dengan menerapkan data mining metode Apriori untuk menentukan pola penataan dan mengetahui barang yang paling diminati dan sering dibeli.
Data mining merupakan proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar .
Ae.
Algoritma Apriori adalah salah satu algoritma yang melakukan pencarian frequensi item set dengan menggunakan teknik association rule.
Algoritma Apriori menggunakan pengetahuan frekuensi atribut yang telah diketahui sebelumnya untuk memproses informasi selanjutnya .
Ae.
Penerapan sistem ini diharapkan dapat membantu untuk mempermudah dalam menentukan pembelian produk dengan penataan yang sesuai, dimana hal ini sangat berguna bagi konsumen dalam membeli suatu produk yang diinginkan serta untuk mempermudah pemilik toko dalam menyiapkan stok barang yang diinginkan dan paling dicari oleh konsumen.
METODE PENELITIAN
Rancangan Penelitian Rancangan penelitian dapat dilihat dalam rancangan flowchart yang disajikan pada gambar 1 berikut.
Mulai Analisis Masalah Mempelajari Literatur Pengumpulan Data Penetapan Metode Pengolahan Data Pengujian Data Kesimpulan Selesai Gambar 1.
Rancangan Penelitian Gambar 1 menjelaskan rancangan penelitian yang dilakukan untuk mencari faktor yang dominan pada pola pembelian konsumen di Toko Kelontong Bu Ningsih dengan menggunakan algoritma Apriori yang terdiri dari :
Analisis Masalah Tahapan ini dilakukan menganalisis masalah yang terkait dengan pola pembelian konsumen terhadap penjualan bahan dan barang sehari-hari yang dijual di Toko Kelontong Bu Ningsih.
JOMLAI: Journal of Machine Learning and Artificial Intelligence Vol.
No.
Desember 2022, pp.
JOMLAI: Journal of Machine Learning and Artificial Intelligence Mempelajari Literatur Tahapan ini dilakukan untuk mencari rujukan yang dapat digunakan untuk memperoleh informasi dan teori yang mendukung dalam penelitian.
Pengumpulan Data Pengumpulan Data menggunakan sampel yang diperoleh dari data primer pada Toko Kelontong Bu Ningsih selama 5 hari dari tanggal 21 April 2022 sampai 25 April 2022.
Pengolahan Data Pengolahan data dilakukan dengan Data Transformation Service (DTS) yaitu dari data primer pada Toko Kelontong Bu Ningsih dipindahkan kedalam bentuk Microsoft Excel.
Penetapan Metode Metode pada penelitian ini menggunakan teknik data mining asosiasi dengan algoritma Apriori.
Pengujian Data Pengujian data dilakukan dengan menggunakan aplikasi Rapid Miner 5.
Kesimpulan Kesimpulan diperoleh setelah pengujian data pada pola pembelian konsumen di Toko Kelontong Bu Ningsih selesai dilakukan dengan menggunakan Software Rapid Miner, dan mendapatkan suatu hubungan dari data tersebut.
Sehingga dapat mencari solusi dalam memperbaiki pelayanan pola pembelian konsumen di Toko Kelontong Bu Ningsih.
Data Penelitian Data penjualan di Toko Kelontong diolah dengan variabel data transaksi penjualan menggunakan algoritma apriori untuk menentukan nilai barang dari transaksi pembelian konsumen berdasarkan dari hasil presentasi nilai support dan confidence Adapun variabel penelitiannya sebagai berikut:
Tanggal, yaitu tanggal untuk data transaksi per hari.
Nama produk, yaitu deskripsi atau nama barang yang sering dibeli oleh konsumen.
Data penelitian yang dikumpulkan sebanyak 22 item.
Setelah data diperoleh maka ada beberapa tahapan preparation data yang dapat dilakukan dengan beberapa teknik sebagai berikut:
Data Cleaning yaitu proses pembersihan data untuk memastikan data yang telah dipilih layak atau tidak layak dalam proses pemodelan pada data mining, dalam penelitian ini dilakukan pembersihan data dengan menghilangkan data yang tidak lengkap.
Data Selection yaitu akan digunakan dalam proses menemukan keterkaitan barang yang dilakukan transaksi secara Data yang akurat dapat dilakukan dengan mengolah data untuk mencari hasil dari masalah pada penelitian dengan menggunakan Rapid Miner dan mengambil hasil keputusan dari klasifikasi dengan menggunakan algoritma Berikut ini adalah sampel data dari penelitian ini.
Tabel 1.
Tabel Data Penjualan Tanggal 1/Maret/2022 2/Maret/2022 3/Maret/2022 4/Maret/2022 5/Maret/2022 6/Maret/2022 7/Maret/2022 8/Maret/2022 9/Maret/2022 10/Maret/2022 11/Maret/2022 12/Maret/2022 13/Maret/2022 14/Maret/2022 15/Maret/2022 16/Maret/2022 17/Maret/2022 18/Maret/2022 19/Maret/2022 20/Maret/2022 21/Maret/2022 22/Maret/2022 23/Maret/2022 24/Maret/2022 25/Maret/2022 Nama Barang Beras.
Gas Elpiji.
Gula.
Kopi.
Makanan Ringan.
Mie Instan.
Minyak Goreng.
Permen.
Rokok.
Saus.
Shampo.
Teh.
Telur Beras.
Garam.
Kecap.
Makanan Ringan.
Mie Instan.
Minyak Goreng.
Pasta Gigi.
Permen.
Rokok.
Roti.
Sabun.
Shampo.
Susu.
Telur.
Tepung Air Mineral.
Beras.
Gas Elpiji.
Gula.
Kopi.
Makanan Ringan.
Minyak Goreng.
Pasta Gigi.
Rokok.
Roti.
Sabun.
Sapu.
Teh.
Telur Gas Elpiji.
Kopi.
Makanan Ringan.
Mie Instan.
Permen.
Rokok.
Saus.
Teh Beras.
Garam.
Gula.
Kecap.
Makanan Ringan.
Minyak Goreng.
Permen.
Rokok.
Roti.
Shampo.
Susu.
Teh.
Telur.
Tepung Air Mineral.
Beras.
Garam.
Gula.
Kecap.
Kopi.
Makanan Ringan.
Minyak Goreng.
Pasta Gigi.
Permen.
Rokok.
Roti.
Sabun.
Sapu.
Shampo.
Telur Beras.
Gas Elpiji.
Gula.
Makanan Ringan.
Mie Instan.
Minyak Goreng.
Roti Gas Elpiji.
Kopi.
Makanan Ringan.
Mie Instan.
Minyak Goreng.
Rokok.
Teh.
Telur Beras.
Garam.
Gula.
Kecap.
Makanan Ringaan.
Pasta Gigi.
Rokok.
Sabun.
Saus.
Shampo.
Teh.
Telur.
Tepung Beras.
Gas Elpiji.
Makanan Ringan.
Minyak Goreng.
Permen.
Sapu Beras.
Gas Elpiji.
Gula.
Makanan Ringan.
Minyak Goreng.
Pasta Gigi.
Susu Garam.
Kopi.
Makanan Ringan.
Saus.
Shampo.
Susu.
Teh.
Telur Beras.
Kecap.
Makanan Ringan.
Mie Instan.
Rokok Gas Elpiji.
Gula.
Makanan Ringan.
Mie Instan.
Minyak Goreng.
Permen.
Rokok.
Telur.
Tepung Air Mineral.
Garam.
Gas Elpiji.
Gula.
Kecap.
Mie Instan.
Minyak Goreng.
Pasta Gigi.
Rokok.
Roti.
Sabun.
Telur Beras.
Kopi.
Makanan Ringan.
Minyak Goreng.
Rokok.
Sabun.
Sapu.
Shampo.
Susu.
Teh Beras.
Gas Elpiji.
Gula.
Makanan Ringan.
Roti.
Susu.
Teh Beras.
Gas Elpiji.
Kopi.
Makanan Ringan.
Minyak Goreng.
Permen.
Rokok.
Saus.
Shampo.
Teh.
Telur.
Tepung Beras.
Garam.
Gas Elpiji.
Gula.
Makanan Ringan.
Mie Instan.
Pasta Gigi.
Rokok.
Telur Kopi.
Makanan Ringan.
Mie Instan.
Pasta Gigi.
Rokok.
Sabun.
Susu.
Tepung Beras.
Garam.
Gas Elpiji.
Minyak Goreng.
Permen.
Rokok.
Roti.
Sabun.
Shampo.
Susu Gas Elpiji.
Gula.
Kecap.
Makanan Ringan.
Minyak Goreng.
Rokok.
Teh Beras.
Gas Elpiji.
Makanan Ringan.
Mie Instan.
Rokok.
Sabun.
Saus.
Teh.
Telur Garam.
Kopi.
Makanan Ringan.
Mie Instan.
Minyak Goreng.
Roti.
Sabun Beras.
Kopi.
Makanan Ringan.
Pasta Gigi.
Permen.
Sabun.
Teh.
Telur Application of Associations Using the Apriori Algorithm to Analyze Consumer Purchase Patterns .
(Oka Ristawaty Sirai.
ISSN : 2828-9099 Tanggal 26/Maret/2022 27/Maret/2022 28/Maret/2022 29/Maret/2022 30/Maret/2022 31/Maret/2022 Nama Barang Beras.
Gula.
Mie Instan.
Permen.
Rokok.
Shampo.
Susu Beras.
Gas Elpiji.
Gula.
Kecap.
Makanan Ringan.
Minyak Goreng.
Rokok.
Teh.
Telur.
Tepung Garam.
Gas Elpiji.
Minyak Goreng.
Rokok.
Saus.
Shampo.
Susu.
Telur Beras.
Garam.
Gas Elpiji.
Gula.
Kecap.
Makanan Ringan.
Mie Instan.
Minyak Goreng.
Shampo.
Telur Beras.
Garam.
Gas Elpiji.
Kopi.
Makanan Ringan.
Mie Instan.
Minyak Goreng.
Permen.
Sabun Garam.
Gula.
Kopi.
Makanan Ringan.
Mie Instan.
Minyak Goreng.
Pasta Gigi.
Rokok.
Roti.
Sapu.
Teh Tabular Data Transaksi Berdasarkan data pada tabel 1, maka transaksi yang dapat di bentuk berdasarkan tabel tabular untuk mempermudah dalam mengetahui berapa banyak item yang dibeli pada setiap transaksi dapat dilihat pada tabel 2 berikut.
Tabel 2.
Tabular Data Transaksi
T AM
GE Gu Ko MR MI MG PG Tl Tp Keterangan : T = Transaksi.
AM = Air Mineral.
B = Beras.
G = Garam.
GE = Gas Elpiji.
Gu = Gula.
K = Kecap.
Ko = Kopi.
MR = Makanan Ringan.
MI = Mie Instan.
MG = Minyak Goreng.
PG = Pasta Gigi.
P = Permen.
R = Rokok.
Ro = Roti.
S = Sabun.
Sa = Sapu.
Ss = Saus.
Sh = Shampo.
Su = Susu.
Th = Teh.
Tl = Telur.
Tp = Tepung.
Nilai 0 menyatakan bahwa barang tidak dibeli oleh konsumen dan 1 menyatakan bahwa barang dibeli oleh konsumen.
HASIL DAN ANALISIS
Pembentukan 1 Itemset Pada bagian ini perhitungan dan pengolahan data pada masalah yang diteliti dapat dihitung dengan menggunakan algoritma Apriori.
Sebelum menentukan pola dari data transaksi, dapat dilakukan pencarian barang yang paling sering dibeli oleh para konsumen yang tertera pada tabel transaksi untuk menentukan nilai support setiap barang.
Pada tahap ini mencari kombinasi item yang memenuhi nilai minimum support.
Aturan minimum support yang ditetapkan pada penelitian ini adalah Rumus yang digunakan untuk menghitung nilai support yaitu sebagai berikut.
( )
Oc Oc Menghitung 1 itemset:
Begitu seterusnya sampai dengan menghitung itemset Tepung.
JOMLAI: Journal of Machine Learning and Artificial Intelligence Vol.
No.
Desember 2022, pp.
JOMLAI: Journal of Machine Learning and Artificial Intelligence Data transaksi dengan perhitungan manual kombinasi 1 itemset dapat dilihat pada tabel 3 berikut.
Tabel 3.
Kombinasi 1 Itemset IATransaksi Item Air mineral Beras Garam Gas elpiji Gula Kecap Kopi Makanan ringan Mie instan Minyak goreng Pasta gigi Permen Rokok Roti Sabun Sapu Saus Shampo Susu Teh Telur Tepung Support (%) 9,677419355 67,74193548 41,93548387 61,29032258 51,61290322 29,03225806 41,93548387 87,09677419 51,61290322 67,74193548 32,25806452 38,70967742 70,96774193 32,25806452 38,70967742 16,12903226 22,58064516 38,70967742 29,03225806 51,61290322 54,83870968 22,58064516 Nilai minimum support yang telah ditentukan adalah 50%, maka item yang memiliki nilai support kurang dari 50% Hasil support kombinasi 1 itemset yang dihasilkan dapat dilihat pada tabel 4 berikut.
Tabel 4.
Hasil Support Kombinasi 1 Itemset Item Beras Gas elpiji Gula Makanan ringan Mie instan Minyak goreng Rokok Teh Telur IATransaksi Support (%) Pembentukan 2 Itemset Setelah iterasi 1 diperoleh maka langkah selanjutnya dilakukan perhitungan untuk iterasi yang ke 2 untuk mendapatkan kombinasi yang berisi 2 itemset dan perhitungan dari nilai support nya.
Rumus yang digunakan dalam mencari 2 itemset atau lebih yaitu:
Oc Menghitung 2 itemset:
Begitu seterusnya sampai dengan menghitung itemset Teh Ae Telur.
Data transaksi dengan perhitungan manual kombinasi 2 itemset dapat dilihat pada tabel 5 berikut.
Tabel 5.
Kombinasi 2 Itemset Item Beras Ae gas elpiji Beras Ae gula Beras Ae makanan ringan Beras Ae mie instan Beras Ae minyak goreng Beras Ae rokok Beras Ae teh Beras Ae telur Gas elpiji Ae gula Gas elpiji Ae makanan ringan IATransaksi Support (%) 41,93548387 38,70967742 61,29032258 29,03225806 45,16129032 45,16129032 35,48387097 38,70967742 35,48387097 51,61290322 Application of Associations Using the Apriori Algorithm to Analyze Consumer Purchase Patterns .
(Oka Ristawaty Sirai.
ISSN : 2828-9099
Item Gas elpiji Ae mie instan Gas elpiji Ae minyak goreng Gas elpiji Ae rokok Gas elpiji Ae teh Gas elpiji Ae telur Gula Ae makanan ringan Gula Ae mie instan Gula Ae minyak goreng Gula Ae rokok Gula Ae teh Gula Ae telur Makanan ringan Ae mie instan Makanan ringan Ae minyak goreng Makanan ringan Ae rokok Makanan ringan Ae teh Makanan ringan Ae telur Mie instan Ae minyak goreng Mie instan Ae rokok Mie instan Ae teh Mie instan Ae telur Minyak goreng Ae rokok Minyak goreng Ae teh Minyak goreng Ae telur Rokok Ae teh Rokok Ae telur Teh Ae telur IATransaksi Support (%) 32,25806452 48,38709677 41,93548387 32,25806452 35,48387097 45,16129032 22,58064516 38,70967742 38,70967742 22,58064516 32,25806452 45,16129032 58,06451612 58,06451612 51,61290322 48,38709677 32,25806452 38,70967742 16,12903226 25,80645161 48,38709677 32,25806452 38,70967742 38,70967742 45,16129032 32,25806452 Karena minimum support yang ditentukan 50% maka kombinasi yang tidak memenuhi nilai support sebesar 50% akan Maka data yang memenuhi nilai support sebesar 50% dapat dilihat pada tabel 6.
Tabel 6.
Hasil Support Kombinasi 2 Itemset Item Beras Ae Makanan Ringan Gas Elpiji Ae Makanan Ringan Makanan Ringan Ae Minyak Goreng Makanan Ringan Ae Rokok Makanan Ringan Ae teh IATransaksi Support (%) Pembentukan 3 Itemset Setelah iterasi 1 diperoleh maka langkah selanjutnya dilakukan perhitungan untuk iterasi yang ke 2 untuk mendapatkan kombinasi yang berisi 2 itemset dan perhitungan dari nilai support nya.
Rumus yang digunakan dalam mencari 2 itemset atau lebih yaitu:
Oc Menghitung 3 itemset:
Begitu seterusnya sampai dengan menghitung itemset Minyak Goreng Ae Rokok - Teh.
Data transaksi dengan perhitungan manual kombinasi 3 itemset dapat dilihat pada tabel 7 berikut.
Tabel 7.
Kombinasi 3 Itemset Item Beras Ae Gas elpiji Ae Makanan ringan Beras Ae Gas elpiji Ae Minyak goreng Beras Ae Gas elpiji Ae Rokok Beras Ae Gas elpiji Ae Teh Gas elpiji Ae Makanan ringan Ae Minyak goreng Gas elpiji Ae Makanan ringan Ae Rokok Gas elpiji Ae Makanan ringan Ae Teh Makanan ringan Ae Minyak goreng Ae Rokok Makanan ringan Ae Tokok Ae Teh Minyak goreng Ae Rokok Ae Teh IATransaksi Support (%) 38,70967 32,25806 22,58064 22,58064 38,70967 32,25806 32,25806 38,70967 38,70967 29,32258 Berdasarkan hasil perhitungan manual kombinasi 3 itemset, tidak memiliki minimal nilai support 50% maka dari kombinasi 3 itemset tidak ada yang memenuhi, maka kombinasi 2 itemset saja yang memiliki nilai support minimal 50%.
JOMLAI: Journal of Machine Learning and Artificial Intelligence Vol.
No.
Desember 2022, pp.
JOMLAI: Journal of Machine Learning and Artificial Intelligence Pembentukan Aturan Asosiasi Setelah selesai menghitung nilai support maka selanjutnya menghitung nilai confidance.
Nilai confidance yang penulis terapkan yaitu 70%.
Rumus yang digunakan untuk menghitung nilai confidence yaitu sebagai berikut:
Oc Menghitung nilai Confidence:
Setelah menghitung nilai confidence, kemudian mencari aturan asosiasi dari hasil pola frekuensi seperti pada perhitungan manual diatas.
Berdasarkan hasil perhitungan 2 itemset maka di dapat nilai confidance seperti pada tabel 8 berikut.
Tabel 8.
Kombinasi Support 2 Itemset Pembentukan Aturan Asosiasi Aturan Jika membeli BERAS maka akan membeli MAKANAN RINGAN Jika membeli MAKANAN RINGAN maka akan membeli BERAS Jika membeli GAS ELPIJI maka akan membeli MAKANAN RINGAN Jika membeli MAKANAN RINGAN maka akan membeli GAS ELPIJI Jika membeli MAKANAN RINGAN maka akan membeli MINYAK GORENG Jika membeli MINYAK GORENG maka akan membeli MAKANAN RINGAN Jika membeli MAKANAN RINGAN maka akan membeli ROKOK Jika membeli ROKOK maka akan membeli MAKANAN RINGAN Jika membeli MAKANAN RINGAN maka akan membeli TEH Jika membeli TEH maka akan membeli MAKANAN RINGAN Confidence 19/21 19/27 16/19 16/27 18/27 18/21 18/27 18/22 16/27 16/16 Laporan Asosiasi Final Hasil dari pembentukan dari aturan asosiasi pada tabel 8 terdapat 10 aturan asosiasi parameter yang telah ditentukan yaitu nilai minimum support sebesar 50% dan nilai minimum confidence sebesar 70%.
Data pada tabel 8 didapat nilai minimum support diatas 50% dan diterapkan aturan asosiasi agar mencari nilai confidence nya lebih mudah, dan nilai confidence yang diterapkan pada penelitian ini yaitu sebesar 70%, maka aturan asosiasi yang kurang dari 70% akan dihilangkan.
Sehingga dengan penerapan nilai confidence sebesar 70% hanya ada 6 aturan asosiasi yang dapat memenuhi 70%.
Aturan asosiasi final dapat dilihat pada tabel 9 berikut.
Tabel 9.
Asosiasi Final Aturan Jika membeli MAKANAN RINGAN maka akan membeli BERAS Jika membeli ROKOK maka akan membeli MAKANAN RINGAN Jika membeli GAS ELPIJI maka akan membeli MAKANAN RINGAN Jika membeli MINYAK GORENG maka akan membeli MAKANAN RINGAN Jika membeli BERAS maka akan membeli MAKANAN RINGAN Jika membeli TEH maka akan membeli MAKANAN RINGAN Support Confidence Application of Associations Using the Apriori Algorithm to Analyze Consumer Purchase Patterns .
(Oka Ristawaty Sirai.
ISSN : 2828-9099 Berdasarkan tabel 9 maka dapat dijelaskan bahwa hasil perhitungan data mining menggunakan algoritma apriori terhadap data transaksi penjualan di Toko Kelontong Bu Ningsih dengan penerapan nilai minimum support sebesar 50% dan nilai minimum confidence sebesar 70% yang memenuhi nilai minimum support dan nilai minimum confidence yaitu:
Pertama:
Jika membeli MAKANAN RINGAN maka akan membeli BERAS dengan nilai support 61% dan nilai confidance 70% Kedua:
Jika membeli ROKOK maka akan membeli MAKANAN RINGAN dengan nilai support 58% dan nilai confidance 81% Ketiga:
Jika membeli GAS ELPIJI maka akan membeli MAKANAN RINGAN dengan nilai support 51% dan nilai confidance 84% Keempat:
Jika membeli MINYAK GORENG maka akan membeli MAKANAN RINGAN dengan nilai support 58% dan nilai confidance Kelima:
Jika membeli BERAS maka akan membeli MAKANAN RINGAN dengan nilai support 61% dan nilai confidance 90% Keenam:
Jika membeli TEH maka akan membeli MAKANAN RINGAN dengan nilai support 51% dan nilai confidance 100%.
KESIMPULAN
Kesimpulan dari penelitian ini adalah dengan penggunaan data mining menggunakan metode assosiasi Apriori terbukti mampu mengetahui hasil analisis yang muncul secara bersamaan berdasarkan data penjulan di Minimarket Mawar Simp.
Tangsi Balimbingan dengan jumlah minimum support 30% dan confidence 80% mengahasikan 8 aturan assosiasi yang Hasil uji coba dengan software Rapidminer 9.
10 Sebagai alat bantu untuk membuktikan bahwa perhitungan data manual hasilnya sama dengan pengujian yang dilakukan menggunakan software Rapidminer 9.
REFERENSI