penentuan aturan asosiasi pada penjualan … filebanyak terjual berdasarkan kurun waktu dua tahun....

PENENTUAN ATURAN ASOSIASI PADA PENJUALAN PRODUK

SEPATU RUNNING MENGGUNAKAN ALGORITMA APRIORI

( Studi Kasus : Jogja Sepatu )

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar

Sarjana Komputer Program Studi Teknik Informatika

Oleh:

Iga Ukiarwan

135314118

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2017

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

i




SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar

Sarjana Komputer Program Studi Teknik Informatika

Oleh:

Iga Ukiarwan

135314118

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2017


ii

THE DETERMINATION OF ASSOCIATION RULES ON THE SALE OF

RUNNING SHOES PRODUCTS USING APRIORI ALGORITHM

( Case Study : Jogja Sepatu )

THESIS

Presented as Partial Fulfillment of the Requirements To Obtain the

Sarjana Komputer Degree In Informatics Engineering Study Program

By:

Iga Ukiarwan

135314118

INFORMATICS ENGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATICS ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2017


iii

HALAMAN PERSETUJUAN PEMBIMBING

SKRIPSI




Oleh :

Iga Ukiarwan

135314118

Telah Disetujui Oleh :

Dosen Pembimbing,

Dr.Cyprianus Kuntoro Adi, S.J. M.A., M.Sc. Tanggal:..............................


iv

HALAMAN PENGESAHAN




Dipersiapkan dan ditulis oleh :

Iga Ukiarwan

NIM : 135314118

Telah dipertahankan di depan panitia penguji

pada tanggal :18 Agustus 2017

dan dinyatakan memenuhi syarat

Susunan Panitia Penguji

Nama Lengkap Tanda Tangan

Ketua : Agnes Maria Polina S.Kom., M.Sc. ...............................

Sekretaris : Dr.Anastasia Rita Widiarti ...............................

Anggota : Dr.Cyprianus Kuntoro Adi, S.J. M.A., M.Sc. ...............................

Yogyakarta, .........................................

Fakultas Sains dan Teknologi

Universitas Sanata Dharma

Dekan,

Sudi Mungkasi, S.Si., M.Math. Sc., Ph.D.


v

HALAMAN PERSEMBAHAN

“Segala perkara dapat kutanggung

di dalam Dia yang memberi

kekuatan kepadaku”

(FILIPI 4:13)

Karya ini kupersembahkan kepada :

Tuhan Yesus Kristus

Bunda Maria

Keluarga

Sahabat


vi

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa skripsi yang saya tulis ini tidak

memuat karya atau bagian karya orang lain, kecuali yang telah saya sebutkan dalam

kutipan daftar pustaka, sebagaimana layaknya karya ilmiah.

Yogyakarta, 14 September 2017

Penulis,

Iga Ukiarwan


vii

ABSTRAK

Data Mining telah diimplementasikan ke berbagai bidang, salah satunya pada

bidang bisnis penjualan sepatu running, pemilik toko dapat mengetahui minat

pembeli dengan menggunakan data mining untuk mengolah data penjualan sepatu

running. Penelitian ini menganalisis dan mencari informasi dari data penjualan

sepatu running menggunakan data mining dengan algoritma apriori. Sistem yang

dibangun menggunakan bahasa pemrograman java dan database mySQL untuk

mencari pola penjualan sepatu running. Proses sistem dimulai dari mencari nilai

support untuk tiap item sepatu dan kombinasi antar sepatu. Dari hasil pencarian

nilai support dan kombinasi antar sepatu, kemudian dicari nilai confidence untuk

tiap kombinasi. Kombinasi yang memenuhi nilai minimum support dan minimum

confidence akan menjadi sebuah aturan asosiasi. Untuk mengetahui kuatnya aturan

asosiasi maka dicari aturan asosiasi yang memenuhi lift ratio. Aturan asosiasi yang

dihasilkan digunakan sebagai informasi mengenai sepatu running yang paling

banyak terjual berdasarkan kurun waktu dua tahun. Hasil implementasi data mining

menggunakan algoritma apriori akan membantu pemilik toko dalam kebijakan

pengambilan keputusan terhadap persediaan sepatu (stok) yang memiliki minat

tertinggi.

Kata Kunci : Asosiasi, Algoritma Apriori, Support, Confidence, Sepatu Running


viii

ABSTRACT

Data Mining have been implemented into various fields, one of them on the

field running shoe sales business, store owners can find buyers by using data mining

to process sales data running shoes. This study analyzes and seek information from

the running shoe sales data using a priori data mining algorithms. The system was

built using the Java programming language and MySQL database to look for

patterns of running shoe sales. The process starts from finding the value system of

support for each item combinations between the shoe and the shoe. From the search

results and the value of the combination between the shoe support, then look for the

value of confidence for each combination. The combination that meets the

minimum value of minimum support and confidence would be an association rule.

To determine the strength of association rules then sought association rules that

meet the lift ratio. The resulting association rules are used as information about the

running shoes of the most sold by a period of two years. The results of the

implementation of a priori data mining algorithms will help shopkeepers in policy

decision making of footwear inventory (stock) which has the highest interest.

Keywords: Association, Apriori algorithm, Support, Confidence, Running Shoes


ix

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma :

Nama : Iga Ukiarwan

Nim : 135314118

Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan

Universitas Sanata Dharma karya ilmiah saya yang berjudul :




Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan

kepada Perpustakaan Universitas Sanata Dharma hak untuk menyimpan,

mengalihkan dalam bentuk media lain, mengelola di internet atau media lain untuk

kepentingan akademis tanpa perlu meminta ijin dari saya maupun memberikan

royalti kepada saya selama tetap mencantumkan nama saya sebagai penulis.

Demikian pernyataan ini saya buat dengan sebenarnya

Dibuat di Yogyakarta

Pada tanggal : 14 September 2017

Yang menyatakan,

Iga Ukiarwan


x

KATA PENGANTAR

Puji syukur kepada Tuhan Yang Maha Esa, karena pada akhirnya penulis dapat

menyelesaikan penelitian tugas akhir ini yang berjudul “PENENTUAN ATURAN

ASOSIASI PADA PENJUALAN PRODUK SEPATU RUNNING

MENGGUNAKAN ALGORITMA APRIORI ( Studi Kasus : Jogja Sepatu )”

Penulisan skripsi ini tidak lepas dari peran pentingnya berbagai pihak,

sehingga dalam kesempatan ini penulis dengan kerendahan hati mengucapkan

terimakasih kepada semua pihak yang telah memberikan dukungan baik secara

langsung maupun tidak langsung kepada penulis dalam penyelesaian skripsi hingga

selesai. Oleh karena itu penulis mengucapkan terima kasih kepada :

1. Tuhan Yesus Kristus dan Bunda Maria yang selalu memberikan

kekuatan, kesabaran, dan petunjuk sehingga penulis dapat

menyelesaikan tugas akhir.

2. Bapak Drs. Johanes Eka Priyatma, M.Sc., Ph.D. selaku Rektor

Universitas Sanata Dharma

3. Bapak Sudi Mungkasi, S.Si, M.Math.Sc., Ph.D selaku Dekan Fakultas

Sains dan Teknologi.

4. Ibu Dr. Anastasia Rita Widiarti selaku Ketua Program Studi Teknik

Informatika.

5. Ibu Paulina Heruningsih Prima Rosa, M.Sc. selaku Dosen

pembimbing akademik penulis.

6. Romo Dr. Cyprianus Kuntoro Adi, SJ., M.A., M.Sc. selaku dosen

pembimbing tugas akhir yang dengan sabar dan membimbing penulis

dalam penyusunan tugas akhir ini.

7. Seluruh dosen, sekretariat, laboran, dan staff yang telah membantu

dan membimbing selama proses perkuliahan di Universitas Sanata

Dharma.

8. Kedua orang tua penulis, Alm.Siswanto dan Agnes Mariani atas doa,

perhatian, kepercayan, dukungan moral maupun fasilitas dan kasih

sayang yang diberikan kepada penulis.


xi

9. Kakak penulis, Ulia Riansita dan Cintya Arnisita yang selalu

memberikan doa, perhatian, dan dukungan kepada penulis.

10. Teman-teman program studi Teknik Infomatika 2013 atas dukungan

dan motivasi yang diberikan.

11. Semua pihak yang telah mendukung secara langsung maupun tidak

langsung, mohon maaf penulis tidak bisa menyebutkan satu per satu.

Penulis menyadari masih banyak kekurangan pada penelitian tugas akhir ini, namun

penulis berharap penelitian ini dapat bermanfaat dan menjadi pengetahuan baru

bagi pembaca.

Yogyakarta, 14 September 2017

Penulis,

Iga Ukiarwan


xii

DAFTAR ISI

HALAMAN JUDUL ............................................................................................. I

TITLE PAGE ......................................................................................................... II

HALAMAN PERSETUJUAN PEMBIMBING ................................................... III

HALAMAN PENGESAHAN ............................................................................... IV

HALAMAN PERSEMBAHAN ............................................................................. V

PERNYATAAN KEASLIAN KARYA ............................................................... VI

ABSTRAK ........................................................................................................... VII

ABSTRACT .......................................................................................................... VIII

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS ............................................................. IX

KATA PENGANTAR ............................................................................................ X

DAFTAR ISI ........................................................................................................ XII

DAFTAR GAMBAR ........................................................................................... XV

DAFTAR TABEL .............................................................................................. XVI

DAFTAR RUMUS ........................................................................................... XVII

DAFTAR LAMPIRAN .................................................................................... XVIII

BAB I PENDAHULUAN ....................................................................................... 1

1.1 LATAR BELAKANG ................................................................................. 1

1.2 RUMUSAN MASALAH ............................................................................. 3

1.3 TUJUAN PENELITIAN .............................................................................. 3

1.4 BATASAN MASALAH .............................................................................. 4

1.5 MANFAAT PENELITIAN .......................................................................... 4

1.6 METODOLOGI PENELITIAN ..................................................................... 5

1.7 SISTEMATIKA PENULISAN PROPOSAL..................................................... 6

BAB II LANDASAN TEORI ................................................................................. 7

2.1 DEFINISI DATA MINING ......................................................................... 7


xiii

2.2 PENGELOMPOKAN DATA MINING .......................................................... 9

2.3 ANALISIS ASOSIASI .............................................................................. 11

2.4 ALGORITMA APRIORI ........................................................................... 12

2.5 LIFT/IMPROVEMENT RATIO .................................................................. 13

BAB III METODE PENELITIAN........................................................................ 16

3.1 BAHAN RISET/DATA ............................................................................ 16

3.2 PERALATAN PENELITIAN ..................................................................... 16

3.3 TAHAP-TAHAP PENELITIAN ................................................................. 17

3.3.1 Studi Pustaka....................................................................................... 17

3.3.2 Pengumpulan Data .............................................................................. 17

3.3.3 Pembuatan Alat Uji ............................................................................. 18

3.3.4 Analisa Pembuatan Alat Uji ............................................................... 26

3.3.5 Pembuatan Laporan ............................................................................ 26

3.4 ANALISA SISTEM ................................................................................. 26

3.5 GAMBARAN UMUM SISTEM ................................................................. 27

3.5.1 Input Sistem ........................................................................................ 27

3.5.2 Proses Sistem ...................................................................................... 27

3.5.3 Output Sistem ..................................................................................... 28

3.6 MODEL FUNGSI SISTEM ....................................................................... 29

3.6.1 Diagram Usecase ................................................................................ 29

3.6.2 Narasi Usecase .................................................................................... 30

3.6.3 Diagram Aktivitas ............................................................................... 34

3.7 MODEL KELAS ANALISIS ..................................................................... 37

3.8 MODEL PERANCANGAN ....................................................................... 38


xiv

3.8.1 Model Interaksi Antar Kelas ............................................................... 38

3.8.2 Diagram Kelas .................................................................................... 41

3.8.3 Perancangan Antarmuka ..................................................................... 42

3.8.4 Perancangan Basis Data ...................................................................... 51

BAB IV IMPLEMENTASI HASIL ANALISIS .................................................. 53

4.1 IMPLEMENTASI PERANCANGAN SISTEM ............................................... 53

4.1.1 Implementasi Kelas Model ................................................................. 53

4.1.2 Implementasi Kelas View ................................................................... 53

4.1.3 Implementasi Kelas Controller ........................................................... 59

4.2 HASIL .................................................................................................. 60

4.3 ANALISIS HASIL ................................................................................... 63

4.4 KELEBIHAN DAN KEKURANGAN SISTEM .............................................. 65

4.4.1 Kelebihan Sistem ................................................................................ 65

4.4.2 Kekurangan Sistem ............................................................................. 66

BAB V PENUTUP ................................................................................................ 67

5.1 KESIMPULAN ....................................................................................... 67

5.2 SARAN ................................................................................................. 68

DAFTAR PUSTAKA ........................................................................................... 69

LAMPIRAN .......................................................................................................... 71


xv

DAFTAR GAMBAR

Gambar 3.1 Diagram flowchart ...................................................................... 28

Gambar 3.2 Diagram Usecase ........................................................................ 29

Gambar 3.3 Diagram Aktivitas Memasukan Data.......................................... 34

Gambar 3.4 Diagram Aktivitas Backup Data ................................................. 35

Gambar 3.5 Diagram Aktivitas Proses Asosiasi Algoritma Apriori .............. 36

Gambar 3.6 Diagram Aktivitas Simpan Hasil Asosiasi ................................. 37

Gambar 3.7 Diagram Kelas Analisis .............................................................. 38

Gambar 3.8 Diagram Sekuen Memasukan Data ............................................ 38

Gambar 3.9 Diagram Sekuen Backup Data .................................................... 39

Gambar 3.10 Diagram Sekuen Proses Asosiasi Algoritma Apriori ............... 39

Gambar 3.11 Diagram Sekuen Hasil Aturan Asosiasi ................................... 40

Gambar 3.12 Diagram Kelas .......................................................................... 41

Gambar 3.13 Perencanaan Halaman Home .................................................... 42

Gambar 3.14 Perencanaan Halaman ImportDataSepatu ................................ 43

Gambar 3.15 Perencanaan Halaman AsosiasiApriori .................................... 44

Gambar 3.16 Diagram Model Konseptual ...................................................... 45

Gambar 3.17 Diagram Model Logikal ........................................................... 45

Gambar 3.18 Diagram Model Fisikal ............................................................. 45

Gambar 4.1 Implementasi Antarmuka Kelas Home.java ............................... 48

Gambar 4.2 Implementasi Antarmuka Kelas ImportDataSepatu.java ........... 49

Gambar 4.3 Implementasi Antarmuka Kelas AsosiasiApriori.java ............... 52

Gambar 4.4 Grafik Hasil Asosiasi menggunakan 10 item.............................. 53

Gambar 4.5 Grafik Hasil Asosiasi menggunakan 8 item................................ 55

Gambar 4.6 Grafik Hasil Asosiasi menggunakan 6 item................................ 56


xvi

DAFTAR TABEL

Tabel 3.1 Data transaksi dalam 10 minggu ..................................................... 18

Tabel 3.2 Representasi data transaksi dalam database transaksional ............. 19

Tabel 3.3 Jumlah tiap item set ......................................................................... 22

Tabel 3.4 Kombinasi 2-item set ....................................................................... 22

Tabel 3.5 Kombinasi 3-item set ....................................................................... 23

Tabel 3.6 Hasil aturan asosiasi ........................................................................ 23

Tabel 3.7 Hasil lift ratio .................................................................................. 25

Tabel 4.1 Implementasi kelas model ............................................................... 46

Tabel 4.2 Implementasi kelas view ................................................................. 46

Tabel 4.3 Spesifikasi kelas home.java ............................................................. 47

Tabel 4.4 Spesifikasi kelas importDataSepatu.java ........................................ 48

Tabel 4.5 Spesifikasi kelas AsosiasiApriori.java ............................................ 50

Tabel 4.6 Implementasi kelas controller ......................................................... 52

Tabel 4.7 Hasil pengujian data 10 item ........................................................... 52

Tabel 4.8 Hasil pengujian data 8 item ............................................................. 54

Tabel 4.9 Hasil pengujian data 6 item ............................................................. 55


xvii

DAFTAR RUMUS

Rumus 2.1 Support (A) ................................................................................... 12

Rumus 2.2 Support(A,B) ................................................................................. 12

Rumus 2.3 Confidence P(A,B) ........................................................................ 13

Rumus 2.4 Expected confidence ..................................................................... 13

Rumus 2.5 Lift ratio ........................................................................................ 13


xviii

DAFTAR LAMPIRAN

LAMPIRAN 1 DATA SEPATU RUNNING ..................................................... 72

LAMPIRAN 2 HASIL OPTIMAL DARI SISTEM .......................................... 75

LAMPIRAN 3 HASIL PERHITUNGAN MANUAL DAN WEKA ................ 77


1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Teknologi informasi telah berkembang pesat dan memberikan pengaruh yang

besar terhadap kehidupan manusia. Pengaruh yang tidak bisa lepas dari teknologi

informasi adalah aspek perekonomian, pendidikan, bisnis, dan lain-lain. Dalam

aspek bisnis, suatu pebisnis khususnya di bidang penjualan akan mengumpulkan

berbagai informasi untuk memperoleh keuntungan yang maksimal dan mencegah

terjadinya kerugian.

Dalam bisnis penjualan barang khususnya sepatu, semakin banyak

perusahaan yang memproduksi sepatu dengan berbagai merek di pasaran sehingga

menimbulkan persaingan antar perusahaan. Merek mempengaruhi minat pembeli

dalam menentukan pilihan, setiap merek memiliki kelebihan dan kekurangan dari

segi penampilan maupun kualitas. Untuk mengetahui minat pembeli, informasi

yang bisa diperoleh salah satunya dengan melihat data penjualan. Dari data

penjualan maka akan menunjukan barang yang sering dibeli dan barang yang jarang

dibeli.

Sebagai contoh dalam dunia bisnis seperti pada penjualan sepatu. Suatu toko

penjualan sepatu akan memperoleh data penjualan tiap terjadinya transaksi. Data

penjualan yang diperoleh tiap harinya tidak akan ada artinya jika tidak dikelola

dengan baik. Data penjualan seharusnya diolah sehingga menghasilkan laporan

penjualan yang berfungsi untuk mengetahui jumlah stok barang dan permintaan

pembeli dapat terpenuhi. Dari laporan penjualan maka akan menunjukan sepatu

dengan penjualan terbanyak dan sepatu yang terjual pada minggu yang sama. Oleh

karena itu diperlukan sebuah aplikasi yang dapat mengolah data penjualan,

sehingga data dapat dimanfaatkan bagi pemilik toko.

Dalam penelitian ini, peneliti memilih data berupa produk sepatu dengan

kategori sepatu running sebagai obyek penelitian. Sepatu running tersebut nantinya


2

akan dicari keterkaitan dengan sepatu running lainnya di tiap minggunya.

Pemilihan sepatu running didasari karena banyaknya persaingan merek dalam

penjualan sepatu, khususnya sepatu running yang banyak dijual di toko-toko

sepatu. Selain itu, sepatu running lebih banyak peminatnya karena tidak hanya

kaum lelaki yang membeli, melainkan kaum wanita juga memiliki minat yang

tinggi dengan sepatu running. Sepatu running adalah salah satu jenis sepatu

olahraga yang dirancang khusus untuk olahraga lari (running) yang biasanya

memiliki bobot yang lebih ringan sehingga cocok untuk aktivitas jogging atau

marathon. Standarnya sepatu running memang digunakan pada saat olahraga

berlari, namun sudah banyak orang-orang yang menggunakan sepatu running

sebagai style (gaya hidup) seperti untuk ke sekolah, kuliah, ke kantor, dll.

Pengolahan data atau sering disebut data mining, sudah menjadi objek

penelitian dari beberapa peneliti. Sebagai contoh, paper dari (Pane, 2013),

berdasarkan paper tersebut penulis paper mengakumulasikan data penjualan produk

laptop di kreditplus dengan menentukan 3 penjualan teratas selama 1 tahun,

kemudian data tersebut diolah dengan metode apriori dengan minimum support

30% dan minimal confidence 60% maka mendapat hasil bahwa penjualan produk

elektronik yang paling banyak terjual adalah acer dan toshiba. Selain itu ada

penelitian lain yang dilakukan oleh (Yanto dan Khoiriah, 2015), berdasarkan paper

tersebut terdapat data penjualan obat yang sudah diakumulasi sehingga menjadi

pola transaksi sebanyak 20 pola, kemudian melakukan pembentukan item set

dengan minimum support 40%. Kemudian melakukan pembentukan pola asosiasi

dengan menetapkan nilai minimum confidence adalah 70%, maka diperoleh 2

kombinasi item dengan nilai confidence 75% dan 77%.

Dengan demikian, dari beberapa penelitian yang dilakukan, dapat diperoleh

berbagai informasi tentang produk-produk apa saja yang sering dibeli secara

bersamaan dalam tiap transaksi dan produk-produk apa saja yang paling banyak

dibeli. Hal ini disebut sebagai asosiasi antar produk (item). Untuk mendapatkan

informasi tentang asosiasi antar produk dalam sebuah transaksi, penulis

menggunakan algoritma apriori pada penelitian transaksi penjualan sepatu.


3

Algoritma apriori merupakan salah satu algoritma yang melakukan pencarian

frequent item set dengan menggunakan teknik association rule. Algoritma Apriori

menggunakan pengetahuan frekuensi atribut yang telah diketahui sebelumnya

untuk memproses informasi selanjutnya. Algoritma Apriori menentukan kandidat

yang mungkin muncul dengan cara memperhatikan minimum support dan minimum

confidence. Support adalah nilai penunjang atau persentase kombinasi sebuah item

dalam database, sedangkan confidence adalah kuatnya hubungan antar-item dalam

aturan asosisasi. Kelebihan asosiasi algoritma apriori dibandingkan dengan

algoritma yang lain yaitu lebih sederhana dan dapat mengolah data dengan jumlah

besar serta mudah dipahami struktur kerja dan implementasinya, sedangkan

algoritma lain seperti Generalized Rule Induction dan Hash Based memiliki

kelemahan dalam mengolah data besar, sehingga berpengaruh terhadap banyaknya

item yang diproses (Kusrini,2009).

Dengan melakukan analisis terhadap produk sepatu dengan kategori sepatu

running, diharapkan dapat ditemukan pola asosiasi antar sepatu di tiap minggunya.

Hasil analisis asosiasi tesebut dapat digunakan untuk mengetahui sepatu running

apa saja yang terjual secara bersamaan di minggu yang sama sehingga terliat mana

sepatu yang memilik minat tinggi dan sepatu yang memilik minat rendah.

1.2 Rumusan Masalah

Dari latar belakang masalah diatas maka dapat dirumuskan permasalah

berikut: bagaimana pendekatan asosiasi khususnya algoritma apriori mampu

memperoleh kombinasi data penjualan sepatu dan aturan asosiasi yang optimal,

terutama penjualan sepatu teratas selama dua tahun.

1.3 Tujuan Penelitian

Berdasarkan pada latar belakang dan rumusan masalah yang dibahas diatas,

maka tujuan dari penelitian ini adalah menentukan produk sepatu yang terjual pada

minggu yang sama dengan menggunakan algoritma apriori.


4

1.4 Batasan Masalah

Agar pembahasan penelitian ini tidak menyimpang dari apa yang telah

dirumuskan, maka diperlukan batasan-batasan. Batasan-batasan dalam penelitian

ini adalah :

1. Informasi yang diperoleh berupa penjualan produk sepatu di Jogja Sepatu.

2. Data sepatu yang diinputkan merupakan kategori sepatu running.

3. Data yang diinput merupakan transaksi penjualan produk sepatu yang

terjual dalam kurun waktu 2 tahun, dari januari 2015 sampai desember

2016.

4. Data penjualan yang di gunakan adalah data penjualan perminggu.

5. Data berupa akumulasi penjualan perminggu yang diambil 10 teratas.

1.5 Manfaat Penelitian

Dengan adanya penelitian ini diharapkan dapat memberikan manfaat, yaitu :

1. Bagi Mahasiswa :

a. Dapat menambah pengetahuan mahasiswa tentang cara memperoleh

informasi yang berguna dari sebuah transaksi penjualan.

b. Dapat menambah pengetahuan mahasiswa tentang cara memanfaatkan

teknik algoritma apriori dalam mengolah suatu data, sehingga

menghasilkan sebuah aturan asosiasi yang berguna.

2. Bagi Pemilik Toko:

a. Dapat membantu pihak toko untuk mengetahui sepatu dengan minat

tertinggi dan terendah.

b. Dapat membantu pihak toko dalam menyediakan stok untuk sepatu

yang memiliki minat tertinggi.


5

1.6 Metodologi Penelitian

1. Studi Pustaka

Mempelajari dan memahami konsep tentang manfaat data penjualan,

mempelajari cara menghitung penjualan terbanyak, dan memahami algoritma

apriori yang akan dipergunakan untuk menghitung produk yang paling laku

terjual tiap minggu. Konsep dan materi yang dipelajari didapat dari berbagai

sumber seperti buku dan jurnal.

2. Pengumpulan Data

Untuk mendapatkan data penjualan produk sepatu yang terjual paling banyak

dari januari 2015 sampai desember 2016, maka penulis melakukan survei ke

toko sepatu yaitu Jogja Sepatu. Kemudian data yang sudah didapat kemudian

dikombinasikan untuk membuat frekuensi item set.

3. Pembuatan Alat Uji

Merancang alat uji dengan menyusun algoritma apriori dari aturan asosiasi

kemudian diimplementasikan ke dalam sebuah aplikasi berbasis java.

4. Analisa Pembuatan Alat Uji

Analisa pembuatan alat uji bertujuan untuk menguji ketepatan atau tingkat

keakurasian dari algoritma apriori dalam menentukan penjualan terbanyak

dan menentukan kombinasi frekuensi itemset. Pengujian dilakukan dengan

bahasa pemrograman java yang diterapkan pada sebuah aplikasi.

5. Pembuatan Laporan

Menganalisis hasil implementasi dan membuat kesimpulan terhadap

penelitian tugas akhir yang telah dikerjakan.


6

1.7 Sistematika Penulisan

Sistematika penulisan proposal tugas akhir adalah sebagai berikut :

BAB I PENDAHULUAN

Bab ini berisi tentang latar belakang, rumusan masalah, tujuan penelitian, batasan

masalah, manfaat penelitian, metode penelitian, dan sistematika penulisan proposal.

BAB II LANDASAN TEORI

Bab ini berisi uraian singkat dan rumus-rumus yang dipergunakan apabila ada,

mengenai teori-teori yang menjadi landasan utama penelitian.

BAB III METODOLOGI PENELITIAN DAN PERANCANGAN SISTEM

Bab ini berisi tentang gambaran umum teknis persoalan penelitian, data yang akan

diolah, alat yang akan dipergunakan dalam proses penelitian, keterangan rinci

tahap-tahap penelitian, analisis dari sistem yang akan dibuat dan desain

perancangan sistem sehingga dapat membantu pembuatan sistem.

BAB IV IMPLEMENTASI SISTEM DAN ANALISIS HASIL

Bab ini berisi tentang hasil penelitian yang dicapai dari perencanaan aplikasi sampai

implementasi aplikasi sehingga dapat ditarik suatu kesimpulan.

BAB V PENUTUP

Bab ini berisi tentang kesimpulan yang dihasilkan serta saran yang diberikan

berdasarkan hasil yang telah dicapai sehingga dapat digunakan sebagai bahan

pertimbangan bagi pihak-pihak yang berkepentingan serta kemungkinan

perkembangan untuk penelitian selanjutnya.


7

BAB II

LANDASAN TEORI

Pada bab ini akan dibahas mengenai definisi data mining, pengelompokan

data mining, analisis asosiasi , algoritma apriori dan tahapan association rule.

2.1 Definisi Data Mining

Data mining adalah suatu istilah yang digunakan untuk menguraikan

penemuan pengetahuan di dalam database. Data mining adalah proses yang

menggunakan teknik statistik, matematika, dan machine learning untuk

mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari

berbagai database besar (Kusrini, 2009). Definisi lain data mining adalah suatu

proses menemukan hubungan yang berarti pola dan kecenderungan dengan

memeriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan

dengan menggunakan teknik pengenalan pola seperti teknik statistik dan

matematika (Kusrini, 2009).

Data mining berisi pencarian pola yang diinginkan dalam database besar

untuk membantu pengambilan keputusan di waktu yang akan datang. Pola-pola ini

dikenali oleh perangkat tertentu yang dapat memberikan suatu analisis data yang

berguna dan berwawasan yang kemudian dapat dipelajari dengan lebih teliti, yang

mungkin saja menggunakan perangkat pendukung keputusan yang lainnya. Contoh

yang termasuk dalam data mining adalah mencari nama-nama khusus yang lazim

di lokasi tertentu seperti di US (O,Brien, O’Rurke, O’Reilly di daerah Boston) dan

mengelompokkan dokumen-dokumen yang sama yang diperoleh dari search engine

menurut konteksnya (Hermawati, 2013).

Beberapa faktor yang mempengarui berkembangnya data mining antara lain:

a. pertumbuhan yang cepat dalam kumpulan data,

b. tekanan kompetisi bisnis untuk meningkatkan penguasaan pasar dalam

globalisasi ekonomi,


8

c. perkembangan teknologi perangkat lunak untuk data mining,

d. perkembangan yang hebat dalam kemampuan komputasi dan pengembangan

kapasitas media penyimpanan (Kusrini, 2009).

Istilah data mining dan knowledge discovery databases (KDD) sering kali

digunakan secara bergantian untuk menjelaskan proses penggalian informasi

tersembunyi dalam suatu basis data yang besar. Sebenarnya kedua istilah tersebut

memiliki konsep yang berbeda, tetapi berkaitan satu sama lain. Dan salah satu

tahapan dalam keseluruhan proses KDD adalah data mining . Proses KDD

(Knowlegge discovery databases) secara garis besar dapat dijelaskan sebagai

berikut (Kusrini, 2009).

1. Data Selection

Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakukan

sebelum tahap penggalian informasi dalam knowledge data discovery (KDD)

dimulai. Data hasil seleksi yang akan digunakan untuk proses data mining,

disimpan dalam suatu berkas, terpisah dari basis data operasional.

2. Pre-processing

Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses

cleaning pada data yang menjadi fokus knowledge data discovery. Proses cleaning

mencakup antara lain membuang duplikasi data, memeriksa data yang inkonsisten,

dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi) juga

dilakukan proses enrichment, yaitu proses memperkaya data yang sudah ada dengan

data atau informasi lain yang relevan dan diperlukan untuk KDD, seperti data atau

informasi.

3. Transformation

Coding adalah proses transformasi pada data yang telah dipilih, sehingga data

tersebut sesuai untuk proses data mining. Proses coding dalam knowledge data

discovery merupakan proses kreatif dan sangat tergantung pada jenis atau pola

informasi yang akan dicari dalam basis data.

4. Data mining


9

Data mining adalah proses mencari pola atau informasi menarik dalam data

terpilih dengan menggunakan teknik atau metode tertentu. Teknik, metode, atau

algoritma dalam data mining sangat bervariasi. Pemilihan metode atau algoritma

yang tepat sangat tergantung pada tujuan dan proses KDD secara keseluruhan.

5. Interpretaion/Evaluation

Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan

dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini

merupakan bagian dari proses KDD yang disebut interpretation. Tahap ini

mencakup pemeriksaan apakah pola informasi yang ditemukan bertentangan

dengan fakta atau hipotesis yang ada pada sebelumnya.

2.2 Pengelompokan Data Mining

Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang

dapat dilakukan, yaitu :

1. Deskripsi

Terkadang peneliti dan analis secara sederhana ingin mencoba mencari cara

untuk menggambarkan pola dan kecenderungan yang terdapat dalam data. Sebagai

contoh, petugas pengumpulan suara mungkin tidak dapat menemukan keterangan

atau fakta bahwa siapa yang tidak cukup profesional akan sedikit didukung dalam

pemilihan presiden. Deskripsi dari pola kecenderungan sering memberikan

kemungkinan penjelasan untuk suatu pola atau kecenderungan.

2. Estimasi

Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi

lebih ke arah numerik daripada ke arah kategori. Model dibangun menggunakan

record lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi.

Selanjutnya, pada peninjauan berikutnya etimasi nilai dari variabel target dibuat

berdasarkan nilai variabel prediksi. Sebagai contoh, akan dilakukan estimasi

tekanan darah sistolik pada pasien rumah sakit berdasarkan umur pasien, jenis

kelamin, indeks berat badan, dan level sodium darah. Hubungan antara tekanan


10

darah sistolik dan nilai variabel prediksi dalam proses pembelajaran akan

menghasilkan model estimasi. Model estimasi yang dihasilkan dapat digunakan

untuk kasus baru lainnya. Contoh lain yaitu estimasi nilai indeks prestasi kumulatif

mahasiswa program pascasarjana dengan melihat nilai indeks prestasi mahasiswa

tersebut pada saat mengikuti program sarjana.

3. Prediksi

Prediksi hampir sama dengan klasifikasi, kecuali bahwa dalam prediksi nilai

dari hasil akan ada di masa mendatang.

Contoh prediksi dalam bisnis dan penelitian adalah :

a. Prediksi harga beras dalam tiga bulan yang akan datang

b. Prediksi persentase kenaikan kecelakaan lalu lintas tahun depan jika batas bawah

kecepatan dinaikan.

Beberapa metode dan teknik yang digunakan dalam klasifikasi dan estimasi dapat

pula digunakan untuk prediksi.

4. Klasifikasi

Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh,

penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan

tinggi, pendapatan sedang, dan pendapatan rendah.

Contoh lain klasifikasi dalam bisnis dan penelitian adalah :

a. Menentukan apakah suatu transaksi kartu kredit merupakan transaksi yang

curang atau bukan.

b. Memperkirakan apakah suatu pengajuan hipotek oleh nasabah merupakan suatu

kredit yang baik atau buruk.

5. Pengklusteran

Pengklusteran merupakan pengelompokan record, pengamatan, atau

memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan.

Kluster adalah kumpulan record yang memiliki ketidakmiripan dengan record-

record dalam kluster lain.

Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variabel target dalam

pengklusteran. Pengklusteran tidak mencoba untuk melakukan klasifikasi,


11

mengestimasi, atau memprediksi nilai dari variabel target. Akan tetapi, algoritma

pengklusteran mencoba untuk melakukan pembagian terhadap keseluruhan data

menjadi kelompok-kelompok yang memiliki kemiripan, yang mana kemiripan

record dalam satu kelompok akan bernilai maksimal, sedangkan kemiripan dengan

record dalam kelompok lain akan bernilai minimal.

6. Asosiasi

Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul

dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang

belanja.

Contoh asosiasi dalam bisnis dan penelitian adalah :

a. Meneliti jumlah pelanggan dari perusahaan telekomunikasi seluler yang

diharapkan untuk memberikan respons positif terhadap penawaran upgrade

layanan yang diberikan.

b. Menemukan barang dalam supermarket yang dibeli secara bersamaan dan

barang yang tidak pernah dibeli secara bersamaan.

2.3 Analisis Asosiasi

Analisis asosiasi atau association rule mining adalah teknik data mining

untuk menemukan aturan asosiatif antara suatu kombinasi item. Contoh aturan

asosiasi dari analisis pembelian di suatu pasar swalayan adalah dapat diketahui

berapa besar kemungkinan seotang pelanggan membeli roti bersamaan dengan

susu. Dengan pengetahuan tersebut, pemilik pasar swalayan dapat mengatur

penempatan barang atau merancang kampanye pemasaran dengan memakai kupon

diskon untuk kombinasi barang tertentu. Analisis asosiasi menjadi terkenal karena

aplikasinya untuk menganalisis isi keranjang belanja di pasar swalayan, analisis

asosiasi juga sering disebut market basket analysis (Kusrini, 2009).

Analisis asosiasi dikenal juga sebagai salah satu teknik data mining yang

menjadi dasar dari berbagai teknik data mining lainnya. Secara khusus, salah satu


12

tahap analisis asosiasi yang menarik perhatian banyak peneliti untuk menghasilkan

algoritma yang efisien adalah analisis pola frekuensi tinggi (frequent pattern

mining).

Penting tidaknya suatu aturan asosiasi dapat diketahui dengan dua parameter,

yaitu support dan confidence. Support (nilai penunjang) adalah persentase

kombinasi item tersebut dalam database, sedangkan confidence (nilai kepastian)

adalah kuatnya hubungan antar-item dalam aturan asosiasi.

2.4 Algoritma Apriori

Algoritma apriori termasuk jenis aturan asosiasi pada data mining. Selain

apriori, yang termasuk pada golongan ini adalah metode Generalized Rule

Induction dan Algoritma Hash Based. Aturan yang menyatakan asosiasi antara

beberapa atribut sering disebut afinity analysis atau market basket analysis

(Kusrini, 2009).

Analisis asosiasi atau algoritma apriori didefinisikan suatu proses untuk

menemukan semua aturan assosiatif yang memenuhi syarat minimum untuk

support (minimum support) dan syarat minimum untuk confidence (minimum

confidence).

Metodologi dasar analisis asosiasi terbagi menjadi dua tahap, yaitu:

1. Analisis pola frekuensi tinggi

Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai

support dalam database. Nilai support sebuah item diperoleh dengan rumus berikut,

𝑺𝒖𝒑𝒑𝒐𝒓𝒕 (𝑨) =𝑱𝒖𝒎𝒍𝒂𝒉 𝒕𝒓𝒂𝒏𝒔𝒂𝒌𝒔𝒊 𝒎𝒆𝒏𝒈𝒂𝒏𝒅𝒖𝒏𝒈 𝑨

𝑻𝒐𝒕𝒂𝒍 𝒕𝒓𝒂𝒏𝒔𝒂𝒌𝒔𝒊 (2.1)

Sedangkan nilai support dari 2 item didapat dengan menggunakan rumus :

𝑺𝒖𝒑𝒑𝒐𝒓𝒕 (𝑨, 𝑩) =𝑱𝒖𝒎𝒍𝒂𝒉 𝒕𝒓𝒂𝒏𝒔𝒂𝒌𝒔𝒊 𝒎𝒆𝒏𝒈𝒂𝒏𝒅𝒖𝒏𝒈 𝑨 𝒅𝒂𝒏 𝑩

𝑻𝒐𝒕𝒂𝒍 𝒕𝒓𝒂𝒏𝒔𝒂𝒌𝒔𝒊 (2.2)

Frequent itemset menunjukan item set yang memiliki frekuensi kemunculan lebih

dari nilai minimum yang telah ditentukan (ɸ). Misalkan ɸ = 2, maka semua item set


13

yang frekuensi kemunculannya lebih dari atau sama dengan 2 kali disebut frequent.

Himpunan dari frequent k-item set dilambangkan dengan Fĸ.

2. Pembentukan aturan asosiasi

Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi

yang memenuhi syarat minimum untuk confidence dengan menghitung confidence

aturan asosiasi A → B. Nilai confidence dari aturan A → B diperoleh dengan rumus

berikut:

𝑪𝒐𝒏𝒇𝒊𝒅𝒆𝒏𝒄𝒆 𝑷 (𝑩|𝑨) =𝑱𝒖𝒎𝒍𝒂𝒉 𝒕𝒓𝒂𝒏𝒔𝒂𝒌𝒔𝒊 𝒎𝒆𝒏𝒈𝒂𝒏𝒅𝒖𝒏𝒈 𝑨 𝒅𝒂𝒏 𝑩

𝑱𝒖𝒎𝒍𝒂𝒉 𝒕𝒓𝒂𝒏𝒔𝒂𝒌𝒔𝒊 𝒎𝒆𝒏𝒈𝒂𝒏𝒅𝒖𝒏𝒈 𝑨 (2.3)

Dari proses pembentukan aturan asosiasi maka akan diperoleh nilai confidence dari

setiap item set, dan kemudian tentukan minimum confidence untuk memperoleh

rule association.

2.5 Lift/Improvement Ratio

Lift Ratio adalah suatu ukuran (parameter) untuk mengetahui kekuatan aturan

asosiasi (association rule) yang telah terbentuk dari nilai support dan confidence.

Nilai lift ratio biasanya digunakan sebagai penentu apakah aturan asosiasi valid atau

tidak valid. Cara kerja metode ini adalah membagi confidence dengan expected

confidence. Confidence dapat dihitung dengan rumus :


𝑱𝒖𝒎𝒍𝒂𝒉 𝒕𝒓𝒂𝒏𝒔𝒂𝒌𝒔𝒊 𝒎𝒆𝒏𝒈𝒂𝒏𝒅𝒖𝒏𝒈 𝑨 (2.3)

Antecedent merupakan sebab yang menjadikan item consequent. Sedangkan

Consequent adalah sebuah akibat atau juga item yang akan dibeli setelah membeli

Antecedent. Nilai dari expected confidence dapat dihitung dengan rumus :

𝑬𝒙𝒑𝒆𝒄𝒕𝒆𝒅 𝒄𝒐𝒏𝒇𝒊𝒅𝒆𝒏𝒄𝒆 =𝑱𝒖𝒎𝒍𝒂𝒉 𝒕𝒓𝒂𝒏𝒔𝒂𝒌𝒔𝒊 𝒎𝒆𝒏𝒈𝒂𝒏𝒅𝒖𝒏𝒈 𝑩

𝑱𝒖𝒎𝒍𝒂𝒉 𝒕𝒓𝒂𝒏𝒔𝒂𝒌𝒔𝒊 (2.4)

Lift ratio dapat dihitung dengan cara membandingkan antara confidence

untuk suatu aturan dibagi dengan expected confidence . Berikut rumus dari Lift

ratio:

𝑳𝒊𝒇𝒕 𝑹𝒂𝒕𝒊𝒐 =𝑪𝒐𝒏𝒇𝒊𝒅𝒆𝒏𝒄𝒆

𝑬𝒙𝒑𝒆𝒄𝒕𝒆𝒅 𝒄𝒐𝒏𝒇𝒊𝒅𝒆𝒏𝒄𝒆 (2.5)


14

Nilai Lift ratio lebih besar dari 1 menunjukkan adanya manfaat dari aturan

tersebut. Lebih tinggi nilai Lift ratio, lebih besar kekuatan asosiasinya (Santosa,

2007).

2.6 Langkah-Langkah Asosiasi dengan Algoritma Apriori

Algoritma apriori banyak digunakan pada data transaksi atau disebut market

basket (Kusrini, 2009), misalnya sebuah swalayan memiliki market basket, dengan

adanya algoritma apriori, pemilik swalayan dapat mengetahui pola pembelian

seorang konsumen, jika seorang konsumen membeli item A , B, punya

kemungkinan 70% dia akan membeli item C, pola ini sangat signifikan dengan

adanya data transaksi selama ini. Cara kerja asosiasi dengan algoritma apriori antara

lain :

1. Menentukan minimum support.

2. Menghitung item yang sama dari transaksi yang memuat seluruh item

dengan men-scan database untuk 1-item set, setelah 1-item set

didapatkan, dari 1-item set apakah memenuhi minimum support, apabila

telah memenuhi minimum support, 1-item set tersebut akan menjadi pola

frequent tinggi.

3. Kemudian untuk mendapat 2-item set, harus dilakukan kombinasi dari k-

item set sebelumnya yang telah terbentuk, kemudian scan database lagi

untuk hitung item-item yang memuat support. Item set yang memenuhi

minimum support akan dipilih sebagai pola frequent tinggi untuk 2-item

set.

4. Untuk mendapat 3-item set, harus dilakukan kombinasi dari k-item set

sebelumnya yang telah terbentuk, kemudian scan database lagi untuk

hitung item-item yang memuat support. Item set yang memenuhi

minimum support akan dipilih sebagai pola frequent tinggi untuk 3-item

set.

5. Lakukan proses untuk pembentukan k-item set hingga tidak ada lagi k-

item yang memenuhi minimum support.


15

6. Membentuk association rules yang memenuhi syarat minimum support

dengan menghitung confidence association rules A->B.

7. Menentukan nilai minimum confidence.

8. Melakukan scan database lagi untuk hitung item-item yang memuat

confindence¸ sehingga terbentuk rules association yang memenuhi

minimum support dan confidence.

9. Proses terakhir menghitung nilai lift ratio untuk mengetahui kekuatan

suatu rules.

10. Melakukan scan database lagi untuk hitung item-item yang memenuhi

nilai lift ratio ≥ 1¸ sehingga terbentuk rules association yang kuat.


16

BAB III

METODE PENELITIAN DAN PERANCANGAN SISTEM

Pada bab ini akan dibahas mengenai bahan riset, peralatan penelitian,

pengumpulan data, studi pustaka, wawancara, observasi, analisis data, dan desain

pengujian.

3.1 Bahan Riset/Data

Penelitian tugas akhir ini dilakukan dengan mengambil objek penelitian data

sepatu yang terjual di toko Jogja Sepatu. Sepatu yang dijadikan penelitian berupa

sepatu jenis running. Data yang diperoleh adalah data penjualan dari Januari 2015

sampai dengan Desember 2016. Data penjualan yang digunakan adalah data

penjualan sepatu yang sudah diakumulasikan selama 2 tahun terakhir, kemudian

membandingkan antara 10 data, 8 data dan 6 data teratas tiap minggu.

3.2 Peralatan Penelitian

Alat yang akan digunakan dalam penelitian ini adalah :

1) Laptop dengan spesifikasi:

- Prosesor : Intel(R) Core(TM) i5-3230M CPU @2.60Ghz

- RAM : 8,00 GB

- Harddisk : 500 GB

2) Perangkat Lunak :

- Operating System : Windows 10

- Software : XAMPP, NetBeans


17

3.3 Tahap-Tahap Penelitian

3.3.1 Studi Pustaka

Metode pengumpulan data dengan studi kepustakaan ini dilakukan dengan

mempelajari berbagai jurnal, dan buku-buku literature yang berkaitan dengan

masalah aplikasi data mining terutama dengan penggunaan metode algoritma

apriori seperti dari beberapa jurnal, Dewi Kartika Pane, STMIK Budidarma Medan,

2013 “Implementasi Data Mining pada Penjualaan Produk Elektronik dengan

Algoritma Apriori”, dan Robi Yanto dan Riri Khoiriah, STMIK Bina

Nusantara,2015: Implementasi Data Mining dengan Metode Algoritma Apriori

dalam Menentukan Pola Pembelian Obat. Vol 2, hal 102-113.

Selain mempelajari dari beberapa paper penelitian terkait algoritma data

mining, penulis juga mempelajari literature yang berhubungan dengan data mining,

asosiasi, dan algoritma data mining. Maka sumber literatur banyak di dapatkan dari

buku, paper atau jurnal, karya ilmiah, dan situs-situs penunjang, seperti contoh,

disini penulis mengambil literature dari buku “Algoritma Data Mining’ oleh

Kusrini,Lutfi, dan Emah Taufiq, buku “Data mining” oleh Fajar Astuti Hermawati,

dan buku Data Mining : Teknik Pemanfaatan Data untuk Keperluan Bisnis oleh

Santosa, Budi sebagai bahan referensi atau sumber literature untuk membantu

dalam menyelesaikan proposal tugas akhir.

3.3.2 Pengumpulan Data

Pada tahap pengumpulan data, penulis melakukan wawancara dan observasi

ke toko Jogja Sepatu. Wawancara merupakan salah satu teknik yang digunakan

dalam pengumpulan data, wawancara yang dilakukan yaitu tanya jawab antara

peneliti dan narasumber dengan tujuan untuk menggali data atau memperoleh

informasi yang berhubungan dengan penelitian. Wawancara dilakukan di toko

Jogja sepatu dengan narasumber bernama Ryan.

Sebagai metode ilmiah observasi dapat diartikan sebagai pengamatan. Jadi

Observasi merupakan suatu teknik pengumpulan data yang dilakukan secara


18

sistematis dan sengaja, yang dilakukan melalui pengamatan dan pencatatan gejala-

gejala yang diselidiki dengan menggunakan alat indra terutama mata terhadap

kejadian yang sedang berlangsung. Dalam penelitian ini penulis melakukan

pengamatan terhadap objek data dengan tujuan mendapatkan korelasi antara

persediaan barang dengan kebutuhan pelanggan.

3.3.3 Pembuatan Alat Uji

Pada tahap pembuatan alat uji, penulis melakukan langkah-langkah sebagai

berikut:

1. Perhitungan manual

a. Tahap Preprocessing

Tahap ini melakukan seleksi data, yaitu pemilihan data dari sekumpulan

data sehingga data yang digunakan tidak memiliki duplikasi data dan

transformasi data yaitu proses transformasi pada data yang telah dipilih yaitu

artikel sepatu, sehingga data tersebut sesuai untuk proses data mining.

b. Analisis pola frekuensi tinggi

Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari

nilai support dalam database. Nilai support sebuah item diperoleh dengan rumus

berikut (2.1),

𝑺𝒖𝒑𝒑𝒐𝒓𝒕 (𝑨) =𝑱𝒖𝒎𝒍𝒂𝒉 𝒕𝒓𝒂𝒏𝒔𝒂𝒌𝒔𝒊 𝒎𝒆𝒏𝒈𝒂𝒏𝒅𝒖𝒏𝒈 𝑨

𝑻𝒐𝒕𝒂𝒍 𝒕𝒓𝒂𝒏𝒔𝒂𝒌𝒔𝒊

Sedangkan nilai support dari 2 item didapat dengan menggunakan rumus (2.2) :

𝑺𝒖𝒑𝒑𝒐𝒓𝒕 (𝑨, 𝑩) =𝑱𝒖𝒎𝒍𝒂𝒉 𝒕𝒓𝒂𝒏𝒔𝒂𝒌𝒔𝒊 𝒎𝒆𝒏𝒈𝒂𝒏𝒅𝒖𝒏𝒈 𝑨 𝒅𝒂𝒏 𝑩

𝑻𝒐𝒕𝒂𝒍 𝒕𝒓𝒂𝒏𝒔𝒂𝒌𝒔𝒊

Sebagai contoh, data sepatu dalam 10 minggu seperti yang ditunjukan pada

tabel 3.1

Tabel 3.1 Data transaksi dalam 10 minggu

Transaksi Item sepatu

1 air relentless , c.tempo, makalu, kumo, rush, duramo, jogger,

airmax, lite runner, tambora


19

2 revolution, air relentless ,c.tempo, makalu, airmax, rush, kumo,

jogger, galaxy, neptune

3 air relentless , revolution, makalu, c.tempo, rush, vx9, jogger,

evo, tambora, lite runner

4 galaxy, air relentless , c.tempo, makalu, vx9, evo, duramo,

jogger, airmax, neptune

5 evo, revolution, makalu, c.tempo, rush, galaxy, jogger, vx9,

tambora, lite runner

6 revolution, kumo, c.tempo, makalu, airmax, rush, neptune,

tambora, galaxy, jogger

7 vx9, c.tempo, makalu, airmax, rush, duramo, jogger, kumo,

revolution, neptune

8 revolution, air relentless, c.tempo, vx9, atom, rush, duramo,

kumo, lite runner, galaxy

9 air relentless, revolution, makalu, c.tempo, rush, atom, jogger,

kumo, airmax, lite runner

10 c.tempo, galaxy, revolution, makalu, airmax, rush, duramo, vx9,

atom, lite runner

Dari data tabel 3.1, direpresentasikan dalam database transaksional seperti

tabel 3.2 berikut

Tabel 3.2 Representasi Data Transaksi dalam Database Transaksional

Transaksi Merk sepatu Artikel sepatu

1 nike air relentless

1 joma c.tempo

1 specs makalu

1 league kumo

1 piero rush

1 adidas duramo

1 piero jogger

1 nike airmax

1 adidas lite runner

1 specs tambora

2 nike revolution


2 joma c.tempo

2 specs makalu

2 nike airmax

2 piero rush


20


2 league kumo

2 piero jogger

2 adidas galaxy

2 legas neptune


3 nike revolution

3 specs makalu

3 joma c.tempo

3 piero rush

3 piero vx9

3 piero jogger

3 legas evo

3 specs tambora


4 adidas galaxy


4 joma c.tempo

4 specs makalu

4 piero vx9

4 legas evo

4 adidas duramo

4 piero jogger

4 nike airmax

4 legas neptune

5 legas evo

5 nike revolution

5 specs makalu

5 joma c.tempo

5 piero rush

5 adidas galaxy

5 piero jogger

5 piero vx9

5 specs tambora


6 nike revolution

6 league kumo

6 joma c.tempo

6 specs makalu

6 nike airmax

6 piero rush


21


6 legas neptune

6 specs tambora

6 adidas galaxy

6 piero jogger

7 piero vx9

7 joma c.tempo

7 specs makalu

7 nike airmax

7 piero rush

7 adidas duramo

7 piero jogger

7 league kumo

7 nike revolution

7 legas neptune

8 nike revolution


8 joma c.tempo

8 piero vx9

8 legas atom

8 piero rush

8 adidas duramo

8 league kumo


8 adidas galaxy


9 nike revolution

9 specs makalu

9 joma c.tempo

9 piero rush

9 legas atom

9 piero jogger

9 league kumo

9 nike airmax


10 joma c.tempo

10 adidas galaxy

10 nike revolution

10 specs makalu

10 nike airmax

10 piero rush


22


10 adidas duramo

10 piero vx9

10 legas atom


Dari tabel 3.1 kemudian dilakukan pembentukan item set, sebuah item set

adalah himpunan item-item yang ada dalam I, dan k-item set adalah item set yang

berisi k item. Misalkan {Makalu, Airmax} adalah sebuah 2-item set dan

{Makalu, Airmax, Tambora} merupakan 3-item set.

Jumlah untuk tiap item ditunjukan pada tabel 3.3 berikut.

Tabel 3.3 Jumlah tiap item set

Nama Item Jml Supp%

air relentless 6 60

airmax 7 70

atom 3 30

c.tempo 10 100

duramo 5 50

evo 3 30

galaxy 6 60

jogger 8 80

kumo 6 60

lite runner 6 60

makalu 9 90

Pembentukan itemset dimulai dengan menentukan minimum support 80%,

maka dari data tabel 3.3 yang memenuhi minimumum support ada 9 item,

kemudian akan terbentuk kombinasi 2-itemset seperti pada tabel 3.4 berikut.

Tabel 3.4 Kombinasi 2-itemset

Nama Item Nama Item Jml Supp %

airmax c.tempo 7 70

airmax makalu 7 70

c.tempo jogger 8 80

c.tempo makalu 9 90

c.tempo revolution 8 80


23

Nama item Nama item jml Supp %

c.tempo rush 9 90

jogger makalu 8 80

jogger rush 7 70

makalu revolution 7 70

makalu rush 8 80

revolution rush 8 80

Dari kombinasi 2-itemset pada tabel 3.4 maka terlihat bahwa ada 11

itemset yang memenuhi minimum support yang ditentukan, sehingga kemudian

membentuk kombinasi berikutnya yaitu kombinasi 3-itemset yang dapat dilihat

pada tabel 3.5 berikut.

Tabel 3.5 Kombinasi 3-itemset

item item item jml supp%

airmax c.tempo makalu 7 70

c.tempo jogger rush 7 70

Dari kombinasi 3-itemset pada tabel 3.4 maka terlihat bahwa ada 2 itemset

yang memenuhi minimum support yang ditentukan.

c. Pembentukan aturan asosiasi

Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan

asosiasi yang memenuhi syarat minimum untuk confidence dengan menghitung

confidence aturan asosiasi A → B. Nilai confidence dari aturan A → B diperoleh

dengan rumus berikut (2.3):


𝑱𝒖𝒎𝒍𝒂𝒉 𝒕𝒓𝒂𝒏𝒔𝒂𝒌𝒔𝒊 𝒎𝒆𝒏𝒈𝒂𝒏𝒅𝒖𝒏𝒈 𝑨

Dari proses pembentukan aturan asosiasi maka akan diperoleh nilai

confidence dari setiap itemset, dan kemudian tentukan minimum confidence

untuk memperoleh rule association.

Minimum confidence yang ditentukan adalah 100 %, sehingga

menghasilkan aturan asosiasi seperti pada tabel 3.6 berikut.


24

Tabel 3.6 Hasil Aturan Asosiasi

Aturan Conf %

Jika terjual sepatu " AIRMAX " maka akan terjual sepatu

"C.TEMPO "

pada minggu yang sama

100

Jika terjual sepatu "AIRMAX " dan sepatu "C.TEMPO " maka

akan

terjual sepatu " MAKALU "pada minggu yang sama

100

Jika terjual sepatu" MAKALU "dan sepatu"AIRMAX "maka akan

terjual sepatu " C.TEMPO "pada minggu yang sama

100

Jika terjual sepatu" AIRMAX "maka akan terjual

sepatu"MAKALU "


100

Jika terjual sepatu" JOGGER "maka akan terjual

sepatu"C.TEMPO "


100

Jika terjual sepatu" JOGGER "dan sepatu"RUSH "maka akan

terjual sepatu " C.TEMPO "pada minggu yang sama

100

Jika terjual sepatu" C.TEMPO "maka akan terjual

sepatu"MAKALU "


90

Jika terjual sepatu" MAKALU "maka akan terjual

sepatu"C.TEMPO "


100

Jika terjual sepatu" REVOLUTION "maka akan terjual

sepatu"C.TEMPO "pada minggu yang sama

100

Jika terjual sepatu" C.TEMPO "maka akan terjual sepatu"RUSH "


90

Jika terjual sepatu" RUSH "maka akan terjual sepatu"C.TEMPO "


100

Jika terjual sepatu" JOGGER "maka akan terjual

sepatu"MAKALU "


100


sepatu"RUSH "


100

d. Proses perhitungan lift ratio

Lift Ratio adalah suatu ukuran (parameter) untuk mengetahui kekuatan

aturan asosiasi (association rule) yang telah terbentuk dari nilai support dan

confidence. Nilai lift ratio biasanya digunakan sebagai penentu apakah aturan

asosiasi valid atau tidak valid.


25

Lift ratio dapat dihitung dengan cara membandingkan antara confidence

untuk suatu aturan dibagi dengan expected confidence . Berikut rumus dari Lift

ratio (2.5) :

𝑳𝒊𝒇𝒕 𝑹𝒂𝒕𝒊𝒐 =𝑪𝒐𝒏𝒇𝒊𝒅𝒆𝒏𝒄𝒆

𝑬𝒙𝒑𝒆𝒄𝒕𝒆𝒅 𝒄𝒐𝒏𝒇𝒊𝒅𝒆𝒏𝒄𝒆

Dari tabel 3.6 kemudian dicari lift ratio yang lebih dari 1, maka hasilnya

dapat dilihat pada tabel 3.7 berikut.

Tabel 3.7 Hasil lift ratio

Aturan Ratio

Jika terjual sepatu" AIRMAX "maka akan terjual sepatu"C.TEMPO

"pada minggu yang sama

1

Jika terjual sepatu" AIRMAX "dan sepatu"C.TEMPO "maka akan terjual

sepatu " MAKALU "pada minggu yang sama

1.11

Jika terjual sepatu" MAKALU "dan sepatu"AIRMAX "maka akan terjual

sepatu " C.TEMPO "pada minggu yang sama

1

Jika terjual sepatu" AIRMAX "maka akan terjual sepatu"MAKALU


1.11

Jika terjual sepatu" JOGGER "maka akan terjual sepatu"C.TEMPO "pada

minggu yang sama

1

Jika terjual sepatu" JOGGER "dan sepatu"RUSH "maka akan terjual

sepatu " C.TEMPO "pada minggu yang sama

1

Jika terjual sepatu" C.TEMPO "maka akan terjual sepatu"MAKALU


1

Jika terjual sepatu" MAKALU "maka akan terjual sepatu"C.TEMPO


1


sepatu"C.TEMPO "pada minggu yang sama

1

Jika terjual sepatu" C.TEMPO "maka akan terjual sepatu"RUSH "pada

minggu yang sama

1

Jika terjual sepatu" RUSH "maka akan terjual sepatu"C.TEMPO "pada

minggu yang sama

1

Jika terjual sepatu" JOGGER "maka akan terjual sepatu"MAKALU


1.11

Jika terjual sepatu" REVOLUTION "maka akan terjual sepatu"RUSH


1.11

Nilai Lift ratio lebih besar dari 1 menunjukkan adanya manfaat dari aturan

tersebut. Lebih tinggi nilai Lift ratio, lebih besar kekuatan asosiasinya (Santosa,

2007).


26

2. Perancangan

Perancangan sistem dilakukan agar dapat membantu pembuatan sistem

melalui bahasa pemrogram java. Perancangan sistem berfokus pada tampilan atau

interface dari sistem, detail proses asosiasi algoritma apriori beserta lift ratio, dan

diagram-diagram yang membantu dalam pembuatan sistem.

3. Pemrograman

Pada tahap ini penulis akan menerapkan hasil perancangan ke bahasa

pemrograman java dengan database mysql.

4. Pengujian Sistem

Dalam pengujian sistem, penulis membandingkan hasil pemrogram dengan

perhitungan melalui aplikasi lain yaitu Weka 3.8. Sistem dikatakan akurat jika hasil

dari sistem sama dengan hasil perhitungan dengan pengujian menggunakan aplikasi

lain.

3.3.4 Analisa Pembuatan Alat Uji

Analisa pembuatan alat uji bertujuan untuk menguji ketepatan atau tingkat

keakurasian dari algoritma apriori dalam menentukan kombinasi antar sepatu.

Analisa yang dilakukan adalah kinerja dari sistem yang dibuat menggunakan

algoritma apriori.

3.3.5 Pembuatan Laporan

Hasil dari analisa pembuatan alat uji akan diolah kedalam sebuah laporan

tugas akhir.

3.4 Analisa Sistem

Jogja Sepatu merupakan salah satu usaha yang bergerak di bidang penjualan

produk sepatu yang berada di Jogja. Dalam proses penjualan produk sepatu, Jogja

Sepatu memiliki data arsip penjualan berupa nota penjualan. Dari nota penjualan

akan diketahui sepatu yang paling banyak diminati dan yang kurang diminati.


27

Sistem penentuan aturan asosiasi pada penjualan produk sepatu

menggunakan algoritma apriori, dapat membantu pemilik toko (Jogja Sepatu)

dalam mencari informasi yang berguna dari data penjualan yang ada. Informasi itu

berupa aturan asosiasi yang berguna untuk mengetahui sepatu yang terjual secara

pada minggu yang sama. Dari hasil aturan asosiasi, maka pemilik toko dapat

mengetahui sepatu yang perlu mendapat stok lebih banyak dibanding sepatu yang

lain, mengatur tata letak sepatu, dan mengatur strategi pemasaran agar tidak

mengalami kerugian (promosi/diskon).

3.5 Gambaran Umum Sistem

3.5.1 Input Sistem

Data yang dimasukan ke dalam sistem berupa file worksheet dengan ekstensi

.xls yang dipilih dari direktori komputer yang kemudian disimpan ke dalam

database sistem. Pada tahap proses asosiasi, pemilik toko perlu memasukan

minimum support dan minimum confidence terlebih dahulu pada spinner yang

disediakan, sebelum melakukan analisis sistem.

3.5.2 Proses Sistem

Proses sistem ini terdiri dari beberapa tahapan untuk dapat memperoleh

aturan asosiasi yang berfungsi untuk menemukan pola keterkaitan antar sepatu di

tiap minggu. Proses sistem ini, antara lain :

1. Memasukan data sepatu ke dalam database, data yang dimasukan bertipe

.xls

2. Menentukan minimum support yang berfungsi sebagai batas bawah untuk

mendapat kombinasi antar item sepatu dan minimum confidence yang

berfungsi sebagai batas bawah untuk mendapat aturan asosiasi.

3. Sistem melakukan proses asosiasi data sepatu dari minimum support dan

minimum confidence yang sudah ditentukan.

4. Menyimpan hasil asosiasi ke direktori laptop/pc dengan format file .xls


28

Proses sistem digambarkan dalam diagram flowchart pada Gambar 3.1

Gambar 3.1 Diagram Flowchart

3.5.3 Output Sistem

Sistem akan menampilkan output berupa 1 item set, 2 item set, 3 item set

berserta dengan nilai support-nya yang diatas nilai minimum support yang

sebelumnya sudah diinputkan. Kemudian menampilkan aturan asosiasi berserta

nilai confidence dan lift ratio. Sistem ini juga menampilkan jumlah aturan asosiasi

dan running time dari sistem.


29

3.6 Model Fungsi Sistem

3.6.1 Diagram Usecase

Pada sistem penentuan aturan asosiasi pada penjualan produk sepatu

menggunakan algoritma apriori yang akan dibangun ini hanya ada satu pemilik

toko. Ada 4 proses utama yang dapat dilakukan pemilik toko,yaitu : memasukan

data ke database, backup data, proses asosiasi dengan algoritma apriori, dan simpan

hasil aturan asosiasi. Pada proses asosiasi dengan algoritma apriori, akan terjadi

proses lain, yaitu : menampilkan running time program dan menampilkan jumlah

aturan asosiasi.

Gambar 3.2 Diagram Usecase


30

3.6.2 Narasi Usecase

Diagram usecase pada Gambar 3.2 memiliki narasi usecase sebagai

penjelasan lengkap dari masing-masing usecase.

a. Usecase memasukan data

Memasukan Data

Nama Usecase Memasukan data

ID Usecase 1

Aktor Pemilik toko

Deskripsi Usecase ini merupakan proses memasukan data dari direktori

laptop/pc kedalam tabel di database

Kondisi Awal Pemilik toko telah masuk kedalam sistem

Kondisi Akhir Sistem menampilkan pemberitahuan bahwa data sudah

dimasukan

Typical Course Aksi Pengguna Reaksi Sistem

1. Menekan tombol “Pilih

File”

3. Memilih file data bertipe

.xls

4. Menekan tombol simpan

2. Menampilkan kotak dialog

dari direktori laptop/pc

untuk memilih file

5. Menampilakan kotak dialog

berupa pemberitahuan


31

bahwa data berhasil

disimpan

Alternate

Course

-

b. Usecase backup data

Backup Data

Nama Usecase Backup Data

ID Usecase 2

Aktor Pemilik toko

Deskripsi Usecase ini merupakan proses untuk backup data ke direktori

laptop/pc

Kondisi Awal Data di database

Kondisi Akhir Hasil backup data sudah tersimpan di direktori laptop/pc


1. Menekan tombol

“Backup data”

3. Memasukan nama file

yang akan di simpan



untuk memilih file


pemberitahuan bahwa

backup data sudah disimpan

ke direktori laptop/pc


32

Alternate

Course

-

c. Usecase proses asosiasi algoritma apriori

Proses Asosiasi Algoritma Apriori

Nama Usecase Proses Asosiasi Algoritma Apriori

ID Usecase 3

Aktor Pemilik toko

Deskripsi Usecase ini merupakan proses analisis asosiasi

Kondisi Awal Data sudah diinputkan dan sudah tersimpan di database

Kondisi Akhir Sistem menampilkan hasil aturan asosiasi


1. Memasukan minimum

support dan minimum

confidence

2. Menekan tombol

“Analisis”

3. Menampilkan kombinasi di

tiap item set, hasil aturan

asosiasi, running time

program, dan jumlah aturan

asosiasi

Alternate

Course

-


33

d. Usecase simpan hasil asosiasi

Simpan Hasil Asosiasi

Nama Usecase Simpan Hasil Asosiasi

ID Usecase 4

Aktor Pemilik toko

Deskripsi Usecase ini merupakan proses untuk menyimpan hasil

asosiasi ke direktori laptop/pc

Kondisi Awal Hasil aturan asosiasi sudah ada

Kondisi Akhir Hasil aturan asosiasi sudah tersimpan di direktori laptop/pc


1. Menekan tombol

“Simpan”

3. Memasukan nama file

yang akan di simpan



untuk memilih file


pemberitahuan bahwa

aturan asosiasi sudah

disimpan ke direktori

laptop/pc

Alternate

Course

-


34

3.6.3 Diagram Aktivitas

Terdapat 4 diagram aktivitas yang merupakan aktivitas dari usecase

memasukan data, backup data, proses asosiasi algoritma apriori, dan simpan hasil

asosiasi.

a. Memasukan data

Gambar 3.3 Diagram Aktivitas Memasukan Data


35

b. Backup data

Gambar 3.4 Diagram Aktivitas Backup Data


36

c. Proses asosiasi algoritma apriori

Gambar 3.5 Diagram Aktivitas Proses Asosiasi Algoritma Apriori


37

d. Simpan hasil asosiasi

Gambar 3.6 Diagram Aktivitas Simpan Hasil Asosiasi

3.7 Model Kelas Analisis

Model kelas analisis yang berisi struktur MVC kelas kelas boundary, control,

dan entity. Pada sistem penentuan aturan asosiasi pada penjualan produk sepatu

yang akan dibangun, memilik kelas boundary yaitu: Home.java, ImportDataSepatu.

java, dan AsosiasiApriori.java. Kelas control yaitu KoneksiDB.java, Import.java,

dan Kombinasi.java. Kelas entitiy yaitu: ProsesImport.java dan Data.java. Model

kelas analisis digambarkan pada Gambar 3.7


38

Gambar 3.7 Diagram Kelas Analisis

3.8 Model Perancangan

Menggambarkan model perancangan sistem yang meliputi, model interaksi

antar kelas, diagram kelas, perancangan antarmuka, dan perancangan basis data.

3.8.1 Model Interaksi Antar Kelas

a. Memasukan data

Gambar 3.8 Diagram Sekuen Memasukan Data


39

b. Backup Data

Gambar 3.9 Diagram Sekuen Backup Data

c. Proses asosiasi algoritma apriori

Gambar 3.10 Diagram Sekuen Proses Asosiasi Algoritma Apriori


40

d. Simpan hasil asosiasi

Gambar 3.11 Diagram Sekuen Simpan Hasil Asosiasi


41

3.8.2 Diagram Kelas

Gambar 3.12 Diagram Kelas


42

3.8.3 Algoritma Diagram Kelas

Sistem ini menggunakan empat usecase dan diterapkan dalam diagram kelas,

berikut algoritmanya untuk setiap usecase.

a. Usecase Memasukan Data

1. Mulai

2. Membuat tampilan (view) ImportDataSepatu.java

3. Membuat kelas model untuk proses import

PublicImport{ String lokasi, data

4. Membuat kelas kontrol proses import file xls ke database

public Import(String fileExcel){

FileInputStream fis = new FileInputStream(new File(proses.getLokasi()));

SQL_Insert = "INSERT INTO data_sepatu VALUES(";

for(i=0;i<=(DataToInsert.length-1);i++){

SQL_Insert += "'"+DataToInsert[i].trim()+"'";

if(i<(DataToInsert.length-1)){

SQL_Insert += ",";}}

5. Membuat fungsi pilih file

if(fileChooser.showOpenDialog(frame)==JFileChooser.APPROVE_OPTI

ON){ file = fileChooser.getSelectedFile(); txt_path.setText(file.getPath());}

new Import(file.getAbsolutePath()).execute();

6. Membuat proses untuk menampilkan data dengan variabel string sql

String sql = "Select * from data_sepatu";

7. Selesai

b. Usecase Backup Data

1. Mulai

2. Membuat fungsi backup data ke format .xls

fileWriter = new FileWriter(new File(chooser.getSelectedFile() + ".xls"));

3. Membaca data berdasarkan kolom dan baris

for(int i=0; i < tblTransaksi.getRowCount(); i++) {

for(int j=0; j < tblTransaksi.getColumnCount(); j++) {


43

fileWriter.write(tblTransaksi.getValueAt(i,j).toString() + "\t");

4. Membuat tombol Backup data dan jalankan proses backup data

5. Selesai

c. Usecase Proses Asosiasi Algoritma Apriori

1. Mulai

2. Membuat kelas model untuk proses asosiasi

public class Data {

private int nilai;

private String transaksi, merk, artikel_sepatu;

3. Membuat kelas kontrol untuk proses asosiasi

public class Kombinasi {

KoneksiDB koneksi=new KoneksiDB();

4. Membuat method jmlTransaksi untuk menampilkan jumlah transaksi

public int jmlTransaksi(){

int jml=0;

try{

koneksi.konek();

ResultSet set=koneksi.stat.executeQuery("select count(transaksi)

from data_sepatu");

while(set.next()){

jml=set.getInt("count(transaksi)");

}

5. Membuat method jmlItem untuk menampilkan jumlah item tiap minggu

public int jmlItem(){

int jml=0;

try{

koneksi.konek();

ResultSet set=koneksi.stat.executeQuery("select count(transaksi)

from data_sepatu where transaksi='1'");

while(set.next()){

jml=set.getInt("count(transaksi)");}


44

6. Membuat method k1, k2, k3 untuk memanggil data dari database

berdasarkan kombinasi

public int k1(String a){

int jml=0;

try{

koneksi.konek();

ResultSet set=koneksi.stat.executeQuery("select COUNT(DISTINCT

transaksi) from data_sepatu "+"where "+"transaksi in ( select transaksi

from data_sepatu "+ "where artikel_sepatu='"+a+"')");

while(set.next()){

jml=set.getInt("count(DISTINCT transaksi)"); }

public int k2(String a,String b){

int jml=0;

try{

koneksi.konek();

ResultSet set=koneksi.stat.executeQuery("select COUNT(DISTINCT


from data_sepatu "+ "where artikel_sepatu='"+a+"') "+"and "+"transaksi

in ( select transaksi from data_sepatu "+ "where

artikel_sepatu='"+b+"')");

while(set.next()){


public int k3(String a,String b,String c){

int jml=0;

try{

koneksi.konek();

ResultSet set=koneksi.stat.executeQuery("select count(DISTINCT


from data_sepatu where artikel_sepatu='"+a+"') "+"and "+"transaksi in (

select transaksi from data_sepatu where artikel_sepatu='"+b+"') "+"and


45

"+"transaksi in ( select transaksi from data_sepatu where

artikel_sepatu='"+c+"')");

while(set.next()){


7. Membuat kelas tampilan dengan beberapa tabel untuk k1, k2, k3, dan rules

association

DefaultTableModel komb1 = new DefaultTableModel();



DefaultTableModel asosiasi = new DefaultTableModel();

8. Membuat method bacaData()

void bacaData(){

dt.removeAllElements();

try{

koneksi.konek();

ResultSet set = koneksi.stat.executeQuery("SELECT artikel_sepatu,

count(transaksi) "+"FROM data_sepatu GROUP BY artikel_sepatu "+

"HAVING count(transaksi) >=1 ");

while(set.next()){

Data data=new Data();

data.setArtikel_sepatu(set.getString("artikel_sepatu"));

data.setNilai(set.getInt("count(transaksi)"));

dt.add(data); }

9. Membuat method kombinasiItemSet()

void kombinasiitemset(){

int n=0;

double jmlA,jmlB,jmlC,jmlAB,jmlBA,jmlCA,jmlBC,jmlABC;

double k,support,confidence,expected,ratio=0;

10. Membuat proses pencarian untuk minimum support

// kombinasi 1

jmlA=kombinasi.k1(dt.get(a).getArtikel_sepatu());


46

support=jmlA/(Integer.parseInt(txtTotal.getText())/Integer.parseInt(txtIte

m.getText()))*100;

//kombinasi 2

jmlAB=kombinasi.k2(dt.get(a).getArtikel_sepatu(),dt.get(b).getArtikel_sep

atu());

support=jmlAB/(Integer.parseInt(txtTotal.getText())/Integer.parseInt(txtIte

m.getText()))*100;

//kombinasi 3

jmlABC=kombinasi.k3(dt.get(a).getArtikel_sepatu(),dt.get(b).getArtikel_se

patu(), dt.get(c).getArtikel_sepatu());

support=jmlABC/(Integer.parseInt(txtTotal.getText())/Integer.parseInt(txtI

tem.getText()))*100;

11. Membuat proses pencarian untuk minimum confidence

//kombinasi 2

confidence=(jmlBA/jmlB)*100;

if(confidence>= Double.parseDouble(confSpinner.getValue().toString())){

apriori [0] = "Jika terjual sepatu\" "+dt.get(b).getArtikel_sepatu()+"

\"maka akan terjual sepatu\""+.get(a).getArtikel_sepatu()+" \"pada

minggu yang sama";

apriori [1] = koma.format(confidence);

apriori [2] = koma.format(ratio);

asosiasi.addRow(apriori);}

//kombinasi 3

confidence=(jmlABC/jmlAB)*100;

if(confidence>= Double.parseDouble(confSpinner.getValue().toString())){

apriori [0] = "Jika terjual sepatu\" "+dt.get(a).getArtikel_sepatu()+" \"dan

sepatu\""+dt.get(b).getArtikel_sepatu()+" \"maka akan terjual sepatu \" "+

dt.get(c).getArtikel_sepatu()+" \"pada minggu yang sama";

apriori [1] = koma.format(confidence);

apriori [2] = koma.format(ratio);

asosiasi.addRow(apriori); }


47

12. Membuat method jmlAturan()

void jmlAturan(){

int aturan = tblAsosiasi.getRowCount();

for (int i=0;i<=aturan;i++){

txtAsosiasi.setText(String.valueOf(i)); }}

13. Membuat method run()

public void run(){

try{

while(true){

ms++;

th.sleep(17);

if(ms >= 60){

ms=0;

s++;}

if(s >= 60){

s = 0;

m++;

if(m >= 60){ }

String waktu;

waktu = m + ":" + s + ":" + ms;

txtWaktu.setText(waktu); }

14. Menjalankan proses asosiasi beserta menampilkan waktu dan jumlah aturan

yang terbentuk

th = new Thread(this);

th.start();

kombinasiitemset();

jmlAturan();

th.stop();

JOptionPane.showMessageDialog(null, "Proses Asosiasi telah

selesai", "Asosiasi Apriori", JOptionPane.INFORMATION_MESSAGE);

15. Selesai


48

d. Usecase Simpan Data

1. Mulai

2. Membuat data tersimpan dengan format .xls

fileWriter = new FileWriter(new File(chooser.getSelectedFile() + ".xls"));

3. Membaca kolom data pada aturan asosiasi

for(int i = 0; i < tblAsosiasi.getColumnCount(); i++){

fileWriter.write(tblAsosiasi.getColumnName(i).toUpperCase() + "\t");

4. Membaca seluruh isi data aturan asosiasi

for(int i=0; i < tblAsosiasi.getRowCount(); i++) {

for(int j=0; j < tblAsosiasi.getColumnCount(); j++) {

fileWriter.write(tblAsosiasi.getValueAt(i,j).toString() + "\t");

5. Menampilkan pesan notifikasi

JOptionPane.showMessageDialog(null, "File berhasil di simpan", "Export

File", JOptionPane.INFORMATION_MESSAGE);

6. Menjalankan proses simpan data

export();

7. Selesai

3.8.4 Perancangan Antarmuka

Sistem yang akan dibangun, memiliki 3 antarmuka yang terdiri dari halaman

Home, halaman ImportDataSepatu dan halaman AsosiasiApriori.

a. Perancangan halaman Home

Halaman ini merupakan halaman pertama dari sistem yang akan dibuat. Pada

halaman Home ini terdapat satu tombol “MULAI” yang berfungsi untuk masuk ke

dalam sistem atau menuju ke halaman ImportDataSepatu. Perancangan halaman

Home dapat dilihat pada gambar 3.13 berikut ini.


49

Gambar 3.13 Perancangan Halaman Home

b. Perancangan halaman ImportDataSepatu

Halaman ini merupakan halaman kedua atau setelah melalui halaman Home.

Halaman ImportDataSepatu memiliki 2 buah tabel, 1 textfield, dan 5 buat tombol.

Tabel pertama berfungsi sebagai daftar sepatu yang dijual pada sumber data, dan

tabel kedua berfungsi sebagai tampilan untuk data yang diinputkan dari file .xls.

Textfield pada halaman ini berfungsi sebagai path atau menampilkan lokasi dari file

yang diinputkan. Tombol pada halaman ini memiliki fungsi masing-masing, yang

pertama tombol “Browse...” berfungsi untuk membuka direktori data file di

laptop/pc. Kedua, tombol “Simpan” berfungsi untuk menyimpan file .xls yang

sudah dipilih ke dalam sistem atau database. Ketiga, tombol “Backup Data”

berfungsi untuk mem-backup data dari database ke file excel. Keempat, tombol

“Kelola Data” berfungsi untuk menuju ke halaman berikutnya atau halaman

AsosiasiApriori. Kelima, tombol “Back” berfungsi untuk kembali ke halaman

sebelumnya atau halaman Home. Perancangan halaman ImportDataSepatu dapat

dilihat pada gambar 3.14 berikut ini.


50

Gambar 3.14 Perancangan Halaman ImportDataSepatu

c. Perancangan halaman AsosiasiApriori

Halaman ini merupakan halaman terakhir atau setelah halaman

ImportDataSepatu. Pada halaman AsosiasiApriori terdapat 4 buah tabel, 2 buah

spinner, 4 buah textfield, dan 4 buah tombol. Tabel 1 merupakan tabel “1 item set”

yang berfungsi menampilkan hasil kombinasi untuk 1 item. Tabel 2 merupakan

tabel “2 item set” yang berfungsi menampilkan hasil kombinasi untuk 2 item. Tabel

3 merupakan tabel “3 item set” yang berfungsi menampilkan hasil kombinasi untuk

3 item. Tabel 4 merupakan tabel “aturan asosiasi” yang berfungsi menampilkan

hasil untuk aturan asosiasi. Dua spinner berfungsi sebagai masukan untuk minimum

support dan minimum confidence. Textfield pertama berfungsi untuk menampilkan

total data, textfield kedua berfungsi untuk menampilkan jumlah item, textfield

ketiga berfungsi untuk menampilkan running time program, dan textfield keempat

berfungsi untuk menampilkan jumlah aturan asosiasi yang terbentuk. Tombol pada

halaman ini memiliki fungsi masing-masing, yang pertama tombol “Analisis”

berfungsi untuk memproses pembentukan kombinasi dan pembentukan aturan


51

asosiasi. Kedua, tombol “Reset” berfungsi untuk me-refresh halaman

AturanAsosiasi. Ketiga, tombol “Simpan” berfungsi untuk menyimpan hasil aturan

asosiasi ke direktori laptop/pc berupa file .xls. Keempat, tombol “Back” berfungsi

untuk kembali ke halaman sebelumnya atau halaman ImportDataSepatu.

Perancangan halaman AsosiasiApriori dapat dilihat pada gambar 3.15 berikut ini.

Gambar 3.15 Perancangan Halaman AsosiasiApriori

3.8.5 Perancangan Basis Data

a. Model Konseptual (Diagram ER)

Gambar 3.16 Diagram Model Konseptual


52

b. Model Logikal

Gambar 3.17 Diagram Model Logikal

c. Model Fisikal

Gambar 3.18 Diagram Model Fisikal


53

BAB IV

IMPLEMENTASI SISTEM DAN ANALISIS HASIL

Bab ini membahas lebih rinci hal-hal yang berkaitan dengan implementasi hasil

analisis yang didapatkan dari pengujian-pengujian yang akan dilakukan.

4.1 Implementasi Perancangan Sistem

Sistem penentuan aturan asosiasi ini memiliki 8 buah kelas yang terdiri dari,

dua kelas model, tiga kelas view, dan tiga kelas controller.

4.1.1 Implementasi Kelas Model

Implementasi kelas model dijelaskan pada tabel 4.1 berikut ini.

Tabel 4.1 Implementasi Kelas Model

Usecase Nama kelas

Memasukan Data ProsesImport.java

Backup Data -

Proses Asosiasi Algoritma Apriori Data.java

Simpan Hasil Asosiasi -

4.1.2 Implementasi Kelas View

Implementasi kelas view dijelaskan pada tabel 4.2 berikut ini.

Tabel 4.2 Implementasi Kelas View

Usecase Nama kelas Antarmuka

Home.java Gambar 3.13

Backup Data ImportDataSepatu.java Gambar 3.14

Proses Asosiasi

Algoritma Apriori

AsosiasiApriori.java Gambar 3.15

Simpan Hasil Asosiasi AsosiasiApriori.java Gambar 3.15


54

Pada sistem penentuan aturan asosiasi ini, terdapat components di tiap

halaman antarmuka yang memiliki fungsi masing-masing.

a. Spesifikasi kelas Home.java

Spesifikasi kelas Home.java akan dijelaskan pada tabel 4.3 berikut ini.

Tabel 4.3 Spesifikasi kelas Home.java

Nama objek Jenis Text Fungsi / Keterangan

label_judul1 Label SISTEM

PENENTUAN

ATURAN

ASOSIASI PADA

PENJUALAN

Judul sistem yang dibangun

label_judul2 Label PRODUK

SEPATU

MENGGUNAKAN


label_judul3 Label ALGORITMA

APRIORI


logo1 - - Gambar logo sistem penentuan

aturan asosiasi

btn_mulai Button MULAI Jika ditekan akan masuk ke

halaman ImportDataSepatu.java

label_data Label SUMBER DATA : Mendeskripsikan sumber data

sistem ini

panel_author Panel - Panel untuk tempat label_author

label_author Label IGA UKIARWAN

~ 135314118 ||

TEKNIK

INFORMATIKA

|| FAKULTAS

SAINS DAN

TEKNOLOGI ||

UNIVERSITAS

SANATA

DHARMA

YOGYAKARTA

|| 2017

Identitas pembuat sistem

penentuan aturan asosiasi

Implementasi antarmuka dari kelas Home.java dapat dilihat pada Gambar

4.1 berikut ini.


55

Gambar 4.1 Implementasi Antarmuka Kelas Home.java

b. Spesifikasi kelas ImportDataSepatu.java

Spesifikasi kelas ImportDataSepatu.java akan dijelaskan pada tabel 4.4 berikut ini.

Tabel 4.4 Spesifikasi kelas ImportDataSepatu.java


label_daftar Label Daftar Sepatu yang

Di jual di Jogja

Sepatu

Deskripsi daftar sepatu

label_data Label Pilih Data File

Worksheet

Deskripsi data file

tblDaftar Tabel - Tabel untuk daftar sepatu

label_path Label Path : Deskripsi path

txt_path Text - Textfield untuk path

btnBrowser Button Pilih File... Jika ditekan maka akan muncul

kotak dialog dari laptop/pc

btnSimpan Button Simpan Jika ditekan maka akan

menyimpan file ke database

btnExport Button Backup Data Jika ditekan maka akan muncul

kotak dialog dari laptop/pc

berfungsi untuk backup data


56

btnKelola Button Kelola Data Jika ditekan maka akan masuk

halaman AsosiasiApriori.java

tblTransaksi Tabel - Tabel untuk data dari database

btnBack Button Back Jika ditekan akan kembali ke

halaman sebelumnya

panel_author Panel - Panel untuk tempat label_author


~ 135314118 ||

TEKNIK

INFORMATIKA

|| FAKULTAS

SAINS DAN

TEKNOLOGI ||

UNIVERSITAS

SANATA

DHARMA

YOGYAKARTA

|| 2017



Implementasi antarmuka dari kelas ImportDataSepatu.java dapat dilihat pada

Gambar 4.2 berikut ini.

Gambar 4.2 Implementasi Antarmuka Kelas ImportDataSepatu.java


57

c. Spesifikasi AsosiasiApriori.java

Spesifikasi kelas AsosiasiApriori.java akan dijelaskan pada tabel 4.5 berikut ini.

Tabel 4.5 Spesifikasi kelas AsosiasiApriori.java


Label_1item Label 1 item set Deskripsi 1 item set



Label_aturan Label Pembentukan

Aturan Asosiasi

Deskripsi aturan asosiasi

TblItem1 Tabel - Tabel untuk 1 item set

tblItem2 Tabel - Tabel untuk 2 item set

tblItem3 Tabel - Tabel untuk 3 item set

tblAsosiasi Tabel - Tabel untuk aturan asosiasi

Label_supp Button Minimum support Deskripsi minimum support

Label_conf Button Minimum

confidence

Deskripsi minimum

confidence

Label_total Tabel Total Data Deskripsi total minggu

Label_item Label Jumlah item

Label_time Label Running Time Deskripsi running time

supp Label % Deskripsi %

conf Label % Deskripsi %

suppSpinner Spinner - Spinner untuk min support

confSpinner Spinner - Spinner untuk min confidence

txtTotal Text - Text untuk total data

txtItem Text - Text untuk jumlah item

txtWaktu Text - Text untuk running time

btnAnalisa Button ANALISA Jika ditekan maka akan

memproses asosiasi apriori

btnReset Button RESET Jika ditekan maka akan me-

refresh atau menghapus hasil

asosiasi


58

Label_jumlah Label Jumlah Aturan

Asosiasi

Deskripsi jumlah aturan

asosiasi

txtAsosiasi Text - Text untuk jumlah aturan

asosiasi

Label_simpan Label Simpan Hasil

Aturan Asosiasi

Deskripsi hasil aturan

asosiasi

btnSimpan Button SIMPAN Jika ditekan maka akan

muncul kotak dialog dari

laptop/pc berfungsi untuk

menyimpan aturan asosiasi

btnBack Button Back Jika ditekan akan kembali ke

halaman sebelumnya

panel_author Panel - Panel untuk tempat

label_author

Label_catatan label Catatan : Label untuk memberikan

catatan kecil

Label_cat_supp label support(nilai

penunjang) =

persentase

kombinasi item

Info tentang arti support

Label_cat_conf label confidence(nilai

kepastian) =

hubungan antar

item

Info tentang arti confidence


~ 135314118 ||

TEKNIK

INFORMATIKA

|| FAKULTAS

SAINS DAN

TEKNOLOGI ||

UNIVERSITAS

SANATA

DHARMA

YOGYAKARTA

|| 2017




59

Implementasi antarmuka dari kelas AsosiasiApriori.java dapat dilihat pada

Gambar 4.3 berikut ini.

Gambar 4.3 Implementasi Antarmuka Kelas AsosiasiApriori.java

4.1.3 Implementasi Kelas Controller

Implementasi kelas controller dijelaskan pada Tabel 4.6 berikut ini.

Tabel 4.6 Implementasi Kelas Controller

Usecase Nama kelas

- KoneksiDB.java

Memasukan Data Import.java

Backup Data -

Proses Asosiasi Algoritma Apriori Kombinasi.java

Simpan Hasil Asosiasi -


60

4.2 Hasil

Program yang telah dibuat perlu dilakukan uji coba dengan menggunakan

masukan minimum support dan confidence. Tabel pengujian data sepatu selama

dua tahun dari januari 2015-desember 2016 dengan 10 item teratas dapat dilihat

pada tabel 4.7.

Tabel 4.7 Hasil pengujian data 10 item

Min supp Min conf Jumlah aturan

60 % 60 % 105

60 % 70 % 102

60 % 80 % 76

60 % 90 % 75

60 % 100 % 15


70 % 60 % 55

70 % 70 % 55

70 % 80 % 47

70 % 90 % 46

70 % 100 % 8


80 % 60 % 34

80 % 70 % 34

80 % 80 % 34

80 % 90 % 34

80 % 100 % 0


90 % 60 % 8

90 % 70 % 8

90 % 80 % 8

90 % 90 % 8

90 % 100 % 0


61

Grafik hasil asosiasi menggunakan 10 item dapat dilihat pada Gambar 4.4

berikut ini.

Gambar 4.4 Grafik Hasil Asosiasi menggunakan 10 item

Tabel pengujian data sepatu selama dua tahun dari januari 2015-desember

2016 dengan 8 item teratas dapat dilihat pada tabel 4.8



60 % 60 % 23

60 % 70 % 23

60 % 80 % 15

60 % 90 % 9

60 % 100 % 3


70 % 60 % 4

70 % 70 % 4

70 % 80 % 3

70 % 90 % 2

70 % 100 % 1


80 % 60 % 2

80 % 70 % 2

80 % 80 % 2

80 % 90 % 1

80 % 100 % 0

0

20

40

60

80

100

120

50% 60% 70% 80% 90% 100%

supp % 60% supp % 70% supp % 80% supp % 90%

Prosentase Confidence

Jumlah Aturan

Hasil Asosiasi menggunakan 10 item


62


90 % 60 % 0

90 % 70 % 0

90 % 80 % 0

90 % 90 % 0

90 % 100 % 0


berikut ini.


Tabel pengujian data sepatu selama dua tahun dari januari 2015-desember

2016 dengan 6 item teratas dapat dilihat pada tabel 4.9



60 % 60 % 6

60 % 70 % 5

60 % 80 % 3

60 % 90 % 3

60 % 100 % 1


70 % 60 % 0

70 % 70 % 0

70 % 80 % 0

70 % 90 % 0

70 % 100 % 0

0

5

10

15

20

25

50% 60% 70% 80% 90% 100%



Jumlah Aturan



63


80 % 60 % 0

80 % 70 % 0

80 % 80 % 0

80 % 90 % 0

80 % 100 % 0


90 % 60 % 0

90 % 70 % 0

90 % 80 % 0

90 % 90 % 0

90 % 100 % 0


berikut ini.


4.3 Analisis Hasil

Uraian hasil pengujian untuk data 10 teratas pada tabel 4.7 adalah sebagai

berikut :

1. Dengan masukan minimum support 60% -70% dan confidence 60% -

100% maka akan terbentuk aturan asosiasi maksimal 105 aturan dan

minimal 8 aturan.

0

1

2

3

4

5

6

7

50% 60% 70% 80% 90% 100%



Jumlah Aturan



64

2. Aturan asosiasi sudah tidak ditemukan ketika minimum support 80%-

90% dan confidence 100%.


berikut :

1. Dengan masukan minimum support 60% -70% dan confidence 60% -

100% maka akan terbentuk aturan asosiasi maksimal 23 aturan dan

minimal 1 aturan.

2. Aturan asosiasi sudah tidak ditemukan ketika minimum support 80%

dan confidence 100%. Dan untuk minimum support diatas 90% sudah

tidak lagi ditemukan aturan asosiasi walaupun sudah menggunakan

minimum confidence paling rendah yaitu 60%.


berikut :

1. Dengan masukan minimum support 60% dan confidence 60% - 100%

maka akan terbentuk aturan asosiasi maksimal 6 aturan dan minimal 1

aturan.

2. Untuk minimum support diatas 70% sudah tidak lagi ditemukan aturan

asosiasi walaupun sudah menggunakan minimum confidence paling

rendah yaitu 60%.

Dengan menggunakan 3 data yaitu 10 data teratas, 8 data teratas, dan 6 data

teratas maka aturan asosiasi yang paling optimal dapat terbentuk menggunakan 10

data teratas. Hal ini dapat dilihat pada hasil pengujian data 10 teratas dengan

menggunakan minimum support 90%, maka masih ditemukan 8 aturan asosiasi

yang lift ratio diatas 1. Sedangkan untuk 8 data teratas dan 6 data teratas sudah tidak

lagi ditemukan aturan asosiasi dengan minimum support 90%.

Setelah membandingkan untuk 10 data, 8 data, dan 6 data, kemudian

dilakukan perbandingan sistem dengan perhitungan manual excel dan aplikasi weka

untuk 10 data. Hasil yang ditemukan menggunakan perhitungan manual diketahui

sekitar 100% hasil yang ditemukan sama dengan hasil pencarian oleh sistem.


65

Sedangkan untuk weka sedikit berbeda, weka menemukan 10 aturan yang

memenuhi nilai support, confidence dan lift ratio, perbedaan hanya terletak pada

selisih angka dibelakang koma untuk pencarian item yang memenuhi minimum

support. Untuk hasil optimal untuk minimum support 90% dan minimum

confidence 90% dengan menggunakan perhitungan manual dan weka terlampir

pada lampiran 3.

4.4 Kelebihan dan Kekurangan Sistem

4.4.1 Kelebihan Sistem

Kelebihan yang dimiliki sistem penentuan aturan asosiasi pada penjualan

produk sepatu menggunakan algoritma apriori ini adalah :

1. Sistem dapat menerima masukan berupa file bertipe .xls

2. Sistem dapat menyimpan file bertipe .xls ke dalam database MySQL

3. Sistem dapat memanggil tabel dari database MySQL

4. Sistem dapat menampilkan isi tabel dari database MySQL

5. Sistem dapat mem-backup data dari database ke pc/laptop berupa file

excel bertipe .xls

6. Sistem dapat menerima nilai masukan minimum support yang akan

digunakan dalam proses penentuan aturan asosiasi

7. Sistem dapat menerima nilai masukan minimum confidence yang akan

digunakan dalam proses penentuan aturan asosiasi

8. Sistem dapat menampilkan jumlah data dan item yang ada di database

9. Sistem dapat menampilkan waktu yang diperlukan dalam proses

pencarian aturan asosiasi

10. Sistem dalam menampilkan hasil asosiasi berupa kombinasi tiap item

dan hasil aturan asosiasi

11. Sistem dapat menampilkan jumlah aturan asosiasi yang terbentuk

12. Sistem dapat menyimpan hasil aturan asosiasi berupa file bertipe .xls

13. Sistem dapat me-reset hasil pencarian aturan asosiasi


66

4.4.2 Kekurangan Sistem

Kekurangan yang dimiliki sistem penentuan aturan asosiasi pada penjualan

produk sepatu menggunakan algoritma apriori ini adalah :

1. Data masukan yang dapat diterima oleh sistem masih terbatas yaitu

hanya file bertipe .xls

2. Data yang dimasukan hanya sebatas data yang memiliki jumlah item

yang sama

3. Data masukan dari file .xls diharuskan pada kolom pertama adalah

transaksi, kolom kedua adalah merk sepatu, dan kolom ketiga adalah

artikel sepatu.

4. Sistem hanya dapat menyimpan file di database yang sudah disediakan

5. Sistem hanya dapat menyimpan hasil aturan asosiasi berupa file bertipe

.xls


67

BAB V

PENUTUP

5.1 Kesimpulan

Hasil penelitian penentuan aturan asosiasi pada penjualan produk sepatu

menggunakan algoritma apriori, maka dapat diambil kesimpulan sebagai berikut :

1. Analisis asosiasi dengan algoritma apriori dapat menemukan aturan

asosiasi untuk kombinasi penjualan sepatu di tiap minggunya, serta

mengetahui sepatu yang paling banyak diminati.

2. Untuk mengetahui kuat tidaknya aturan asosiasi maka dapat dilihat dari

nilai confidence dan lift ratio yang diatas 1.

3. Sistem mampu menampilkan kombinasi antar sepatu dan aturan

asosiasi yang memenuhi nilai minimum support dan minimum

confidence.

4. Dari hasil pengujian, aturan asosiasi lebih optimal dengan

menggunakan 10 data teratas karena memiliki nilai confidence lebih

besar dibandingkan dengan 6 atau 8 data teratas.

5. Sistem dapat menghasilkan rules association yang optimal

menggunakan 10 data teratas dengan minimum support 90 % dan

minimum confidence 90 % maka dihasilkan 8 aturan asosiasi.

6. Hasil pencarian rules association menggunakan sistem dan

menggunakan perhitungan manual 100% sama.

7. Hasil pencarian rules association menggunakan aplikasi weka hasil

yang dihasilkan 95% sama, perbedaan hanya pada angka dibelakang

koma khususnya untuk nilai support pada proses pencarian frekuensi

tertinggi.


68

5.2 Saran

Penelitian penentuan aturan asosiasi pada penjualan produk sepatu

menggunakan algoritma apriori ini memberikan saran untuk pengembangan

penelitian di masa mendatang, yaitu :

1. Sistem dapat menerima file dengan tipe selain .xls dan juga dapat

menerima tabel selain dari MySQL

2. Sistem dapat mengolah jumlah data yang tak beraturan, sehingga tidak

perlu jumlah data yang sama

3. Sistem dapat mengolah kombinasi lebih dari 3 kombinasi

4. Sistem dapat menyimpan file dengan tipe selain .xls

5. Penelitian menggunakan data yang berbeda. Misalnya data produk

fashion, seperti keterkaitan baju, sepatu, jaket, dll.


69

DAFTAR PUSTAKA

Pane, D.K., STMIK Budidarma Medan, 2013 “Implementasi Data Mining pada

Penjualaan Produk Elektronik dengan Algoritma Apriori”. Vol 4, hal 25-

29, http://www.ilmuskripsi.com/2016/06/jurnal-implementasi-data-mining-

pada.html diakses 24 September 2016.

Yanto,Roby. dan Riri,Khoiriah., STMIK Bina Nusantara,2015 “Implementasi

Data Mining dengan Metode Algoritma Apriori dalam Menentukan Pola

Pembelian Obat”. Vol 2, hal 102-113,

http://webcache.googleusercontent.com diakses 26 September 2016.

Tampubolon,Kennedi., Hoga,Saragih., dan Bobby,Reza., STMIK Budi Darma

Medan, 2013 “Implementasi Data Mining Algoritma Apriori Pada Sistem

Perediaan Alat-Alat Kesehatan”. Vol 1, hal 93-106, http://vokasi.uho.ac.id

diakses 23 September 2016.

Nuryanto, M., 2011., Algoritma Apriori (Analisis Keranjang Pasar). http://java-

koek.blogspot.co.id/2011/10/algoritma-apriori-analisis-keranjang.html

diakses 10 Januari 2017.

Herdi, H., 2012., Java : Membaca Data dari File Excel(XLS) dan Memasukkannya

ke Database MySQL. https://www.twoh.co/2012/01/24/java-insert-data-ke-

database-mysql-dari-dokumen-excelxls/ diakses 22 Januari 2017.

Hermawan, A., 2012., Menampilkan Data Excel pada Jtabel Menggunakan jxl.jar.

https://andikhermawan.wordpress.com/2012/04/07/menampilkan-data-

excel-pada-jtable-menggunakan-jxl-jar/ diakses 20 Februari 2017.

Alfian, B., 2011., Applications Java Timer.

http://bismaalfian.blogspot.sg/2011/01/aplikasi-timer-java.html diakses 15

Maret 2017.


70

Nanda, L., 2012., membuat stopwatch menggunakan java (netbeans). http://lutfie-

nanda.blogspot.sg/2012/06/membuat-stopwatch-menggunakan-java.html

diakses 15 Maret 2017.

Jombcellcent, 2014., Export Jtabel to Excel /Text.

https://www.kaskus.co.id/show_post/530af715bdcb17a5378b47c3/1131/sh

are-export-jtable-to-excel---text diakses 22 April 2017.

Saputra, R.R., 2016., Koding Mengatur Lebar Kolom Jtabel Secara Manual.

http://kodingjavaramanda.blogspot.sg/2016/01/koding-mengatur-lebar-

kolom-jtable.html diakses 8 Mei 2017.

Kusrini dan Luthfi, E. T.,2009, Algoritma Data Mining, Andi Offset, Yogyakarta.

Hermawati, F. A.,2013, Data Mining, Andi Offset, Yogyakarta.

Santosa, B., 2007, Data Mining : Teknik Pemanfaatan Data untuk Keperluan

Bisnis, Graha Ilmu, Yogyakarta.

Susanto, E., 2012., Data Mining Menggunakan Weka.

http://www.erdisusanto.com/2012/06/data-mining-menggunakan-

weka.html diakses 17 Juni 2017.

Universitas Waikato 2016, Weka 3: Data Mining Software in Java version 3.8.1,

GNU General Public License, The University of Waikato, Selandia Baru.


71

LAMPIRAN


72

LAMPIRAN 1

DATA SEPATU RUNNING


1 joma c.tempo

1 specs makalu

1 nike revolution

1 piero rush

1 adidas duramo

1 piero jogger

1 nike airmax


1 specs tambora

2 nike revolution


2 joma c.tempo

2 specs makalu

2 nike airmax

2 piero rush

2 adidas duramo

2 piero jogger


2 legas neptune


3 nike revolution

3 specs makalu

3 joma c.tempo

3 piero rush

3 adidas duramo

3 piero jogger

3 nike airmax

3 specs tambora


4 nike revolution


4 joma c.tempo

4 specs makalu


4 piero rush

4 adidas duramo

4 piero jogger

4 nike airmax

4 legas neptune


5 nike revolution

5 specs makalu

5 joma c.tempo

5 piero rush

5 adidas duramo

5 piero jogger

5 nike airmax

5 specs tambora


6 nike revolution


6 joma c.tempo

6 specs makalu

6 nike airmax

6 piero rush

6 legas neptune

6 specs tambora


6 piero jogger


7 joma c.tempo

7 specs makalu

7 nike airmax

7 piero rush

7 adidas duramo

7 piero jogger


7 nike revolution

7 legas neptune

8 nike revolution



73

8 joma c.tempo

8 specs makalu

8 nike airmax

8 piero rush

8 adidas duramo

8 piero jogger


8 specs tambora


9 nike revolution

9 specs makalu

9 joma c.tempo

9 piero rush

9 adidas duramo

9 piero jogger

9 specs tambora

9 nike airmax


10 joma c.tempo


10 nike revolution

10 specs makalu

10 nike airmax

10 piero rush

10 adidas duramo

10 piero jogger

10 specs tambora



11 nike revolution

11 specs makalu

11 joma c.tempo

11 piero rush

11 adidas duramo

11 piero jogger

11 nike airmax

11 specs tambora


12 joma c.tempo


12 nike revolution

12 specs makalu

12 nike airmax

12 piero rush

12 adidas duramo

12 piero jogger


12 legas neptune

13 nike revolution


13 joma c.tempo

13 specs makalu

13 nike airmax

13 piero rush

13 adidas duramo

13 piero jogger


13 legas neptune


14 nike revolution

14 specs makalu

14 joma c.tempo

14 piero rush

14 adidas duramo

14 piero jogger

14 specs tambora


14 legas neptune

15 nike revolution


15 joma c.tempo

15 specs makalu

15 nike airmax

15 piero rush

15 adidas duramo

15 piero jogger


15 legas neptune


16 nike revolution


74

16 specs makalu

16 joma c.tempo

16 piero rush

16 adidas duramo

16 piero jogger

16 specs tambora


16 legas neptune

17 joma c.tempo

17 nike revolution


17 specs tambora

17 specs makalu

17 nike airmax

17 piero rush

17 adidas duramo

17 piero jogger


18 nike revolution


18 joma c.tempo

18 specs makalu

18 specs tambora

18 piero rush

18 adidas duramo

18 piero jogger

18 nike airmax


19 nike revolution

19 joma c.tempo



19 specs makalu

19 specs tambora

19 piero rush

19 adidas duramo

19 piero jogger

19 nike airmax

20 nike revolution


20 joma c.tempo

20 specs makalu

20 nike airmax

20 piero rush

20 adidas duramo

20 piero jogger


20 legas neptune


75

LAMPIRAN 2

HASIL OPTIMAL DARI SISTEM

1. Data 6 item sepatu

Hasil optimal dengan minimum support 60% dan minimum confidence 100%




76




77

LAMPIRAN 3

HASIL PERHITUNGAN MANUAL DAN WEKA

1. Perhitungan manual dengan minimum support 90% dan confidence 90%

a. Jumlah item di tiap minggu dan nilai support

ITEM JUMLAH SUPP %

AIR RELENTLESS 89 92,71

AIRMAX 57 59,38

ATOM 42 43,75

C.TEMPO 67 69,79

DURAMO 71 73,96

JOGGER 93 96,88

KUMO 57 59,38

LITE RUNNER 88 91,67

MAKALU 70 72,92

NEPTUNE 43 44,79

REVOLUTION 92 95,83

RUSH 93 96,88

SIGMA 40 41,67

TAMBORA 58 60,42

b. Kombinasi 2 item sepatu

ITEM ITEM JUMLAH SUPP %

AIR RELENTLESS DURAMO 64 66,67

AIR RELENTLESS JOGGER 86 89,58

AIR RELENTLESS LITE RUNNER

81 84,38

AIR RELENTLESS MAKALU 70 72,92

AIR RELENTLESS REVOLUTION 85 88,54

AIR RELENTLESS RUSH 88 91,67

DURAMO JOGGER 71 73,96

DURAMO LITE RUNNER

68 70,83

DURAMO MAKALU 45 46,88

DURAMO REVOLUTION 69 71,88

DURAMO RUSH 68 70,83

JOGGER LITE RUNNER

85 88,54


78

JOGGER MAKALU 67 69,79

JOGGER REVOLUTION 89 92,71

JOGGER RUSH 90 93,75

LITE RUNNER MAKALU 62 64,58

LITE RUNNER REVOLUTION 84 87,50

LITE RUNNER RUSH 85 88,54

MAKALU REVOLUTION 66 68,75

MAKALU RUSH 70 72,92

REVOLUTION RUSH 89 92,71

c. Kombinasi 3 item sepatu

ITEM ITEM ITEM JUMLAH SUPP %

AIR RELENTLESS JOGGER LITE RUNNER

78 81,25

AIR RELENTLESS JOGGER MAKALU 67 69,79

AIR RELENTLESS JOGGER REVOLUTION 82 85,42

AIR RELENTLESS JOGGER RUSH 85 88,54


MAKALU 62 64,58


REVOLUTION 77 80,21


RUSH 80 83,33

AIR RELENTLESS MAKALU REVOLUTION 66 68,75

AIR RELENTLESS MAKALU RUSH 70 72,92

AIR RELENTLESS REVOLUTION RUSH 84 87,50

DURAMO JOGGER LITE RUNNER

68 70,83

DURAMO JOGGER REVOLUTION 69 71,88

DURAMO JOGGER RUSH 68 70,83

DURAMO LITE RUNNER

REVOLUTION 66 68,75

DURAMO LITE RUNNER

RUSH 65 67,71

DURAMO REVOLUTION RUSH 66 68,75

JOGGER LITE RUNNER

REVOLUTION 81 84,38

JOGGER LITE RUNNER

RUSH 82 85,42

JOGGER REVOLUTION RUSH 86 89,58

LITE RUNNER REVOLUTION RUSH 81 84,38

MAKALU REVOLUTION RUSH 66 68,75


79

d. Pembentukan aturan asosiasi berdasarkan nilai frekuensi tertinggi yang

terbentuk

Aturan confidence %

AIR RELENTLESS RUSH 98,88

RUSH AIR RELENTLESS 94,62

JOGGER REVOLUTION 95,70

REVOLUTION JOGGER 96,74

JOGGER RUSH 96,77

RUSH JOGGER 96,77

REVOLUTION RUSH 96,74

RUSH REVOLUTION 95,70

e. Proses perhitungan lift ratio

Aturan confidence % ratio

AIR RELENTLESS RUSH 98,88 1,02

RUSH AIR RELENTLESS 94,62 1,02

JOGGER REVOLUTION 95,70 1,00

REVOLUTION JOGGER 96,74 1,00

JOGGER RUSH 96,77 1,00

RUSH JOGGER 96,77 1,00

REVOLUTION RUSH 96,74 1,00

RUSH REVOLUTION 95,70 1,00

2. Aplikasi weka dengan minimum support 90% dan confidence 90%


80


penentuan aturan asosiasi pada penjualan … filebanyak terjual berdasarkan kurun waktu dua tahun....

Documents