PENERAPAN METODE APRIORI UNTUK IDENTIFIKASI POLA

DATA TRANSAKSI PADA CUSTOMER DI SUPERMARKET

Mochamad Al Hafizh Zachari1 Feri Sulianta2

Program Studi Informatika
Fakultas Teknik
Universitas Widyatama, Jl. Cikutra 204A Bandung 40125, Indonesia
mochamad.zachari@widyatama.ac.id, feri.sulianta@widyatama.ac.id

Abstrak Supermarket merpuakan tempat
berbelanja dari seseorang terhadap suatu daerah
masyarakat setempat. Dengan pelayanan yang
maksimal untuk mengetahui pola data
pembelian yang diberikan dan mengantisipasi
persediaan bahan pokok didaerah tertentu agar
tidak mengalami keterlambatan kesediaan
barangt. Maka diperlukan pencarian pola atau
hubungan Association rule (aturan asosiatif).
Association rule merupakan salah satu teknik
data mining yang sangat penting, dapat
diartikan bahwa hubungan antara sejumlah item
dengan menentukan nilai support dan
confidence pada basis data, penting tidaknya
aturan asosiasi dapat diketahui dengan nilai
support atau nilai penunjang dan confidence
(nilai kepastian) algoritma apriori menghitung
seringnnya item-set yang muncul dalam
database melalui beberapa iterasi, setiap iterasi
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
minimum tertentu saja yang dianggap sering
muncul (frequent), sehingga dapat diketahui
item-set yang sering muncul.. Penghapusan ini
berdasarkan pengamatan yaitu apakah item-set
tersebut sering muncul atau tidak. Dari hasil
penelitian dengan menggunakan nilai minimum
support dan minimum confident tertinggi akan
membentuk nilai akhir, yaitu nilai paling besar
yang melebihi batas minimal support dan
confidence. Dalam penelitian ini dengan
menggunakan kombinasi 2 item set dengan
minimum support 2 dan minimum confidence
35 pada super market di daerah tebet selatan
adalah “jika pembeli membeli Telur dan daging
giling maka pembeli akan membeli air mineral
” dengan Support 7,333% dan confidence
50,66%
Kata Kunci : super market, association rule,
algoritma apriori
1. LANDASAN TEORI
1.1 Data Mining
Data mining merupakan suatu metode
untuk menemukan pengetahuan dalam
suatu tumpukan data yang cukup besar.
Data mining adalah proses menggali dan
menganalisa sejumlah data yang sangat
besar untuk memperoleh sesuatu yang
benar, baru dan bermanfaat dan akhirnya
dapat ditemukan suatu corak atau pola
dalam data tersebut. (Han dan Kamber,
2006). Data mining adalah bagian integral
dari knowledge discovery database (KDD)
yang merupakan proses keseluruhan
mengubah data mentah menjadi pola-pola
data yang menarik yang merupakan
informasi yang dibutuhkan oleh pengguna
sebagai pengetahuan, seperti
ditunjukan pada.
Terdapat empat tugas utama data mining
yang terlihat pada gambar 3 yaitu :
1.1.1 Predictive modelling
Predictive modelling digunakan untuk
membangun sebuah model untuk target
variabel sebagai fungsi dari explanatory
variabel. Explanatory variabel dalam hal ini
merupakan semua atribut yang digunakan
untuk melakukan prediksi, sedangkan
variable target merupakan atribut yang
akan diprediksi nilainya. Predictive
modelling dibagi menjadi dua tipe yaitu :
Classification yang digunakan
memprediksi nilai dari target variabel yang
diskrit dan regresi yang digunakan untuk
memprediksi nilai dari target variabel yang
kontinyu.
1.1.2 Association analysis
Association analysis adalah penemuan
association rule yang menunjukan pola-
pola yang sering muncul dalam data.
Terdapat nilai support dan confidence yang
dapat menunjukan seberapa besar suatu
rule dapat dipercaya. Support adalah
ukuran dimana seberapa besar tingkat
dominasi suatu item atau itemset terhadap
keseluruhan transaksi. Sedangkan
confidence adalah ukuran yang
menunjukan hubungan antara dua item
secara conditional. Association analysis
yang digunakan untuk menemukan aturan-
aturan asosiasi yang memperlihatkan
kondisi-kondisi nilai atribut yang sering
muncul secara bersamaan dalam sebuah
himpunan data.
1.1.3 Cluster analysis
Tidak seperti klasifikasi yang menganalisa
kelas data objek yang mengandung label.
Clustering digunakan untuk menganalisa
objek dari data tanpa memeriksa kelas
label yang diketahui. Label-label kelas
dilibatkan di dalam data training karena
belun diketahui sebelumnya. Clustering
merupakan proses mengelompokan
sekumpulan objek yang sangat mirip.
untuk
1.1.4 Anomaly detection/outlier
mining
Sebuah database dapat mengandung data
objek yang tidak sesuai atau menyimpang
dari model data. Data objek ini disebut
outlier. Banyak metode data mining yang
menghilangkan outlier ini. Padahal, pada
beberapa aplikasi seperti fraud detection,
kejadian yang jarang terjadi tersebut justru
lebih menarik untuk dianalisa daripada
kejadian yang sering terjadi. Analisa dari
outlier data tersebut disebut sebagai
outlier mining. Outlier mining juga sering
disebut dengan anomaly detection yang
merupakan metode pendeteksian suatu
data dimana tujuannya adalah
menemukan objek yang berbeda dari
sebagian besar objek lain. Anomaly dapat
dideteksi dengan menggunakan uji statistik
yang menerapkan model distribusi atau
probabilitas untuk data.
1.2 Asociation Rule
Menurut tempubulon, Association rule
mining merupakan teknik data mining untuk
menemukan aturan asosiasi antar kombinasi
item, salah satu contoh dari aturan asosiasi
disuatu pasar swalayan adalah dapat
diketahui berapa besar kemungkinan
seseorang membeli sikat gigi bersamaan
dengan pasta gigi. Dengan informasi
tersebut pihak pasar swalayan dapat
mengatur ketersediaan stok barang, supaya
tidak terjadi keterlambatan stok barang yang
sering dibeli bersamaan. Aturan asosiasi
menggunakan data latihan sehingga
diketahui item-item belanja yang sering
dibeli secara bersamaan dalam suatu waktu.
Aturan asosiasi yang terbentuk “if...then...,
atau, jika..., maka.”.
1.3 Algoritma Apriori
Algoritma apriori atau sering disebut juga
dengan analisis asosiasi (association rule
mining) adalah teknik data mining untuk
menemukan aturan asosiasi antara suatu
kombinasi item. (Han & Kamber, 2006)
Misalkan I={i1,i2,i3,.. in} merupakan himpunan
items dan D merupakan himpunan database
transaksi yang setiap transasi T merupakan
himpunan item yang terkandung dalam
transaksi T. Setiap transaksi diasosiasikan
dengan identifier yang disebut TID. Aturan
yang memenuhi minimum support (min_sup)
dan minimum confidence (min_conf) disebut
kandidat rule yang kuat. Berdasarkan konvensi,
nilai support dan nilai confidence adalah nilai
antara 0% sampai 100% sebanding dengan 0
sampai 1,0 (Linof, 2004). Himpunan item
disebut dengan itemset. Itemset yang
mengandung k items disebut kitemsets.
Sebagai contoh himpunan {kopi, gula}
merupakan 2-itemset. Kecenderungan
kemunculan itemset dalam sejumlah transaksi
disebut frequency, support count atau count
itemset. Aturan asosiasi dilakukan dengan
melalui dua langkah, yaitu :
1. Temukan semua frequent itemset. Hasil
dari proses ini adalah sejumlah itemset dengan
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

Gambar 2.1 Alur Metode Penelitian

2.2 Use Case Diagram
Dibawah ini adalah diagram usecase,
usecase akan menjelaskan bagaimana suatu
1.4 Pola Frekuensi Tinggi perilaku (behaviour) berlangsung dalam
Tahap ini akan mencari item yang memenuhi super market.
minimal support dari item-set. Nilai support
didapat dari rumus 1 berikut : Support h
pembelian mengandung A)/(Total ….[rumus 1]
Kemudian nilai support dari 2 item diperoleh
dari rumus 2 berikut: mengandung A dan
B)/(Total Item)...............[rumus 2].

Gambar 2.2 Use case diagram pada system

transaksi
2.3 Analisa Pola Frekuensi tinggi Tabel frekuensi transaksi tinggi
Tahap ini akan mencari item menggunakan
dataset dengan algoritma apriori yang
memenuhi minimal support dari item-set.
Nilai support didapat dari rumus 1 berikut
Support(A) 𝐽𝑢𝑚𝑙𝑎ℎ transaksi
𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑇𝑜𝑡𝑎𝑙 transaksi [rumus 1] Tabel diatas menujukkan hasil calon 2-

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

Support(A,B)=P(A∩B) 𝐽𝑢𝑚𝑙𝑎ℎ Transaksi ditetapkan nilai ф yang telah ditentukan

𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵 𝑇𝑜𝑡𝑎𝑙 transaksi oleh user yaitu = 3 maka F2 = {{air

[rumus 2] Contoh perhitungan algoritma mineral,telur}, {chocolate,air mineral}}.

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

Tabel Pola Frekuensi pada dataset berikut :

Tabel nilai support pada itemset

Support Itemset length

0.050933 (telur, air 2
mineral)
0.059733 (coklat, mineral 2
Data tersebut diatas dalam database water)
Customers direpresentasikan dalam bentuk 0.052667 (spageti, air 2
mineral)
seperti tampak pada tabel 2 berikut:
Tabel frekuensi tinggi pada item Dengan demikian F3= {}, karena lebih

No Nama Total kecil dari nilai yang ditetapkan ф = 3, jadi

Transaksi untuk F4, F5,F6, dan seterusnya merupakan
0 air mineral 968
himpunan kosong
1 telur 748
2 spaghetti 738 Setelah didapat support dan confidence
3 coklat 691 untuk masing-masing kandidat, lakukan
4 kentang 687 perkalian antara support dan confidence,
5 teh hijau 565
dimana confidence-nya diambil 70%
6 susu sapi 530
7 daging sapi 419 keatas, sehingga didapat seperti pada tabel
8 pancake 384 berikut :
9 sayuran 384

Selanjutnya mencari candidat 2 -itemset

seperti pada tabel 3 berikut :
 Tabel nilai support dan confidence pada - Jika item coklat maka akan air mineral
itemset dengan support 40% dan confidence 50%
Ifantece Suppor Confide Support
dent t nce x 3. KESIMPULAN DAN SARAN
then Confide 3.1 Kesimpulan
consequ nce Berdasarkan pengujian data yang telah
ent dilakukan pada kedua dataset. Untuk pola
Jika 0.5093 50% 0,4 item yang terbentuk pada transaksi dengan
Telur 3 kombinasi 2 yaitu “ jika Telur maka akan
maka ada Air Mineral” dengan support 0.50933
air dan Confidence 50,308%. Sedangkan
minera untuk kombinasi 3 item didapat “ jika
l Spageti dan Air mineral, maka akan ada
Jika 0.5973 50% 0,4 coklat ” dengan support 4% dan
Spageti 3 confidence 22,222%. 2. Untuk pola item
maka yang terbentuk dengan kombinasi 2 yaitu “
air jika Telur maka akan ada air mineral”
minera dengan support 12% dan Confidence
l 33,962%. Sedangkan untuk kombinasi 3
Jika 0.5267 50% 0,4 item didapat “ jika coklat dan spageti,
Coklat 7 maka akan ada air mineral” dengan
maka support 4,667% dan Confidence 13,208%.
air 3.2 Saran
minera Berdasarkan hasil penelitian dan
l kesimpulan yang telah dijelaskan
sebelumnya, peneliti memberikan
beberapa saran, diantaranya sebagai
Setelah didapat hasil perkalian antara
berikut:
support dan confidence, pilihlah yang hasil
perkalianya paling besar. Hasil paling besar 1. Bagi peneliti yang ingin melanjutlan

dari perkalian-perkalian tersebut penelitian ini diharapkan mempunyai data

merupakan rule yang dipakai pada saat
transaksi, karena hasil perkalian dari ke-3
item diatas bernilai sama, maka semuanya
bisa dijadikan rule.
- Jika item telur maka akan air mineral
dengan support 40% dan confidence 50%
set yang kompleks dan tidak banyak
memiliki attribut
2. Gunakanlah tools visualisasi yang
mudah digunakan unuk memvisualisasi
kan data hasil mining
 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

algoritma ini, karena python sangat [7] Sunarti, F. Handayanna, dan E.

reliable untuk interpretasi bigdata. Irfiani, “Analisa Pola Penjualan Makanan

dengan Penerapan Algoritma Apriori”, Vol.
20, No. 4, pp. 478-488, November. 2021.
[8] A.V. Putri, “Analisa Pola Belanja
DAFTAR PUSTAKA
Konsumen Menggunakan Algoritma Apriori
[1] Anief, M. (1991). Apa yang Perlu
Pada Toko Buku Al-Mumtaz”, juli. 2019.
Diketahui Tentang Bahan baku. Yogyakarta:
[9] W. Dari, “Analisis Metode Apriori
PenerbitGajah Mada University Press.
Untuk Memprediksi Persediaan Barang
Halaman 3.
Pada Warung”, Vol. 1, No. 4, pp. 438-447,
[2] Agrawal,dalam
Agustus. 2022.
simanjuntak.2010.”Aplikasi data mining
[10] Sunarti, F. Handayanna, dan E.
untuk pemodelan pembelian barang dengan
Irfiani, “Analisa Pola Penjualan Makanan
menggunakan Algoritma Apriori.”jurnal
dengan Penerapan Algoritma Apriori”, Vol.
teknik informatika.Hlm 1- 31.
20, No. 4, pp. 478-488, November. 2021.
[3] Dewati,S.2014.”Analisis pola
[11] A.V. Putri, “Analisa Pola Belanja
transaksi Bahan baku menggunakan
Konsumen Menggunakan Algoritma Apriori
Algoritma Apriori”.jurnal teknik
Pada Toko Buku Al-Mumtaz”, juli. 2019.
informatika. Hlm 1-9.
[12] W. Dari, “Analisis Metode Apriori
[4] Kurniawan, H.2014.”Analisa pola
Untuk Memprediksi Persediaan Barang
penyakit swalayan dengan menerapakan
Pada Warung”, Vol. 1, No. 4, pp. 438-
association rule menggunakan algoritma
447, Agustus. 2022.
apriori”.seminar nasional informatika.
[13] Kusrini., Luthfi, E. T., 2009. Algoritma
Hlm195- 201.
Data Mining, Andi Publisher, Yogyakarta.
[5] Kusrini. 2009.Algoritma Data
[14] Turban, E., 2005, Decision Support
Mining.Yogyakarta:Andi offset.
Systems and Intelligent Systems Edisi Bahasa
Simanjuntak.2010.”Aplikasi Data mining
Indonesia. Andi Publisher, Yogyakarta.
untuk pemodelan pembelian Barang
[15] Hermawati, F. A., 2013, Data Mining.
menggunakan algoritma apriori.”jurnal
Andi, Yogyakarta.
teknik informatika. Hlm1- 31.
[6] Algoritma Apriori untuk Analisis
Keranjang Belanja pada Data Transaksi
Penjualan Sandi Fajar Rodiyansyah