Professional Documents
Culture Documents
Penerapan Metode Apriori Untuk Identifikasi Pola Data Transaksi Pada Customer Di Supermarket
Penerapan Metode Apriori Untuk Identifikasi Pola Data Transaksi Pada Customer Di Supermarket
Penerapan Metode Apriori Untuk Identifikasi Pola Data Transaksi Pada Customer Di Supermarket
Abstrak Supermarket merpuakan tempat minimum tertentu saja yang dianggap sering
berbelanja dari seseorang terhadap suatu daerah muncul (frequent), sehingga dapat diketahui
masyarakat setempat. Dengan pelayanan yang item-set yang sering muncul.. Penghapusan ini
maksimal untuk mengetahui pola data berdasarkan pengamatan yaitu apakah item-set
pembelian yang diberikan dan mengantisipasi tersebut sering muncul atau tidak. Dari hasil
persediaan bahan pokok didaerah tertentu agar penelitian dengan menggunakan nilai minimum
tidak mengalami keterlambatan kesediaan support dan minimum confident tertinggi akan
barangt. Maka diperlukan pencarian pola atau membentuk nilai akhir, yaitu nilai paling besar
hubungan Association rule (aturan asosiatif). yang melebihi batas minimal support dan
Association rule merupakan salah satu teknik confidence. Dalam penelitian ini dengan
data mining yang sangat penting, dapat menggunakan kombinasi 2 item set dengan
diartikan bahwa hubungan antara sejumlah item minimum support 2 dan minimum confidence
dengan menentukan nilai support dan 35 pada super market di daerah tebet selatan
confidence pada basis data, penting tidaknya adalah “jika pembeli membeli Telur dan daging
aturan asosiasi dapat diketahui dengan nilai giling maka pembeli akan membeli air mineral
support atau nilai penunjang dan confidence ” dengan Support 7,333% dan confidence
(nilai kepastian) algoritma apriori menghitung 50,66%
seringnnya item-set yang muncul dalam Kata Kunci : super market, association rule,
database melalui beberapa iterasi, setiap iterasi algoritma apriori
tersebut memiliki dua tahapan yaitu
menentukan kandidat dan menghitung
kandidat. Tahap pertama pada iterasi pertama ,
himpunan yang dihasilkan dari kandidat item-
set berisikan seluruh 1-item-set. Tahap kedua
algoritma apriori menghitung support-nya
melalui seluruh item-set dengan batas
1. LANDASAN TEORI memprediksi nilai dari target variabel yang
diskrit dan regresi yang digunakan untuk
1.1 Data Mining
memprediksi nilai dari target variabel yang
Data mining merupakan suatu metode
kontinyu.
untuk menemukan pengetahuan dalam
1.1.2 Association analysis
suatu tumpukan data yang cukup besar.
Data mining adalah proses menggali dan Association analysis adalah penemuan
menganalisa sejumlah data yang sangat association rule yang menunjukan pola-
besar untuk memperoleh sesuatu yang pola yang sering muncul dalam data.
benar, baru dan bermanfaat dan akhirnya Terdapat nilai support dan confidence yang
dapat ditemukan suatu corak atau pola dapat menunjukan seberapa besar suatu
dalam data tersebut. (Han dan Kamber, rule dapat dipercaya. Support adalah
2006). Data mining adalah bagian integral ukuran dimana seberapa besar tingkat
dari knowledge discovery database (KDD) dominasi suatu item atau itemset terhadap
yang merupakan proses keseluruhan keseluruhan transaksi. Sedangkan
mengubah data mentah menjadi pola-pola confidence adalah ukuran yang
data yang menarik yang merupakan menunjukan hubungan antara dua item
informasi yang dibutuhkan oleh pengguna secara conditional. Association analysis
sebagai pengetahuan, seperti yang digunakan untuk menemukan aturan-
ditunjukan pada. aturan asosiasi yang memperlihatkan
kondisi-kondisi nilai atribut yang sering
Terdapat empat tugas utama data mining
muncul secara bersamaan dalam sebuah
yang terlihat pada gambar 3 yaitu :
himpunan data.
Menurut tempubulon, Association rule sampai 1,0 (Linof, 2004). Himpunan item
mining merupakan teknik data mining untuk disebut dengan itemset. Itemset yang
menemukan aturan asosiasi antar kombinasi mengandung k items disebut kitemsets.
item, salah satu contoh dari aturan asosiasi Sebagai contoh himpunan {kopi, gula}
disuatu pasar swalayan adalah dapat merupakan 2-itemset. Kecenderungan
diketahui berapa besar kemungkinan kemunculan itemset dalam sejumlah transaksi
seseorang membeli sikat gigi bersamaan disebut frequency, support count atau count
dengan pasta gigi. Dengan informasi itemset. Aturan asosiasi dilakukan dengan
tersebut pihak pasar swalayan dapat
melalui dua langkah, yaitu :
mengatur ketersediaan stok barang, supaya
1. Temukan semua frequent itemset. Hasil
tidak terjadi keterlambatan stok barang yang
dari proses ini adalah sejumlah itemset dengan
sering dibeli bersamaan. Aturan asosiasi
nilai support lebih besar atau sama dengan
minimum support yang diberikan. Nilai support 2. METODE PENELITIAN
dari itemset {A,B} dihitung dengan 2.1. Kerangka Penelitian
menggunakan persamaan 1.
PROBLEM ANALYSIS
DATA PREPARATION
2. Menentukan strong rule dari frequent
itemset. Hasil dari proses ini adalah semua
DATA MINING
rule yang memenuhi minimum support dan
minimum confidence. Nilai confidence dari
suatu kandidat rule A B dihitung dengan PATTERN GENERATION
menggunakan persamaan 2.
PATERN MONITORING
Kemudian nilai support dari 2 item itemset dari pola data Bahan baku pembeli
diperoleh dari rumus 2 berikut: pada tabel 4. Dari data tersebut diatas, jika
apriori dengan data set pola data Bahan Yang tidak memenuhi nilai ф = 3 maka
baku yang didapat diSuper Market jatiroto akan dihapus. Langkah selanjutnya
seperti pada tabel 1 berikut : membentuk 3 item set seperti pada tabel 4
merupakan rule yang dipakai pada saat set yang kompleks dan tidak banyak
transaksi, karena hasil perkalian dari ke-3 memiliki attribut
item diatas bernilai sama, maka semuanya 2. Gunakanlah tools visualisasi yang
bisa dijadikan rule. mudah digunakan unuk memvisualisasi
- Jika item telur maka akan air mineral kan data hasil mining
dengan support 40% dan confidence 50%
3. Saran saya untuk peneliti https://media.neliti.com/media/publications/2
selanjutnya, gunakan lah bahasa 36599-algoritma-apriori-untuk-analisis-
pemrograman pyhton untuk membuat keranja-1ad5198e.pdf