penentuan aturan asosiasi pada penjualan … filebanyak terjual berdasarkan kurun waktu dua tahun....
TRANSCRIPT
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
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
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
HALAMAN PERSETUJUAN PEMBIMBING
SKRIPSI
PENENTUAN ATURAN ASOSIASI PADA PENJUALAN PRODUK
SEPATU RUNNING MENGGUNAKAN ALGORITMA APRIORI
( Studi Kasus : Jogja Sepatu )
Oleh :
Iga Ukiarwan
135314118
Telah Disetujui Oleh :
Dosen Pembimbing,
Dr.Cyprianus Kuntoro Adi, S.J. M.A., M.Sc. Tanggal:..............................
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
HALAMAN PENGESAHAN
PENENTUAN ATURAN ASOSIASI PADA PENJUALAN PRODUK
SEPATU RUNNING MENGGUNAKAN ALGORITMA APRIORI
( Studi Kasus : Jogja Sepatu )
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 :
PENENTUAN ATURAN ASOSIASI PADA PENJUALAN PRODUK
SEPATU RUNNING MENGGUNAKAN ALGORITMA APRIORI
( Studi Kasus : Jogja Sepatu )
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xviii
DAFTAR LAMPIRAN
LAMPIRAN 1 DATA SEPATU RUNNING ..................................................... 72
LAMPIRAN 2 HASIL OPTIMAL DARI SISTEM .......................................... 75
LAMPIRAN 3 HASIL PERHITUNGAN MANUAL DAN WEKA ................ 77
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 :
𝑪𝒐𝒏𝒇𝒊𝒅𝒆𝒏𝒄𝒆 𝑷 (𝑩|𝑨) =𝑱𝒖𝒎𝒍𝒂𝒉 𝒕𝒓𝒂𝒏𝒔𝒂𝒌𝒔𝒊 𝒎𝒆𝒏𝒈𝒂𝒏𝒅𝒖𝒏𝒈 𝑨 𝒅𝒂𝒏 𝑩
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 nike air relentless
2 joma c.tempo
2 specs makalu
2 nike airmax
2 piero rush
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
Transaksi Merk sepatu Artikel sepatu
2 league kumo
2 piero jogger
2 adidas galaxy
2 legas neptune
3 nike air relentless
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
3 adidas lite runner
4 adidas galaxy
4 nike air relentless
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
5 adidas lite runner
6 nike revolution
6 league kumo
6 joma c.tempo
6 specs makalu
6 nike airmax
6 piero rush
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
Transaksi Merk sepatu Artikel sepatu
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 nike air relentless
8 joma c.tempo
8 piero vx9
8 legas atom
8 piero rush
8 adidas duramo
8 league kumo
8 adidas lite runner
8 adidas galaxy
9 nike air relentless
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
9 adidas lite runner
10 joma c.tempo
10 adidas galaxy
10 nike revolution
10 specs makalu
10 nike airmax
10 piero rush
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
Transaksi Merk sepatu Artikel sepatu
10 adidas duramo
10 piero vx9
10 legas atom
10 adidas lite runner
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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):
𝑪𝒐𝒏𝒇𝒊𝒅𝒆𝒏𝒄𝒆 𝑷 (𝑩|𝑨) =𝑱𝒖𝒎𝒍𝒂𝒉 𝒕𝒓𝒂𝒏𝒔𝒂𝒌𝒔𝒊 𝒎𝒆𝒏𝒈𝒂𝒏𝒅𝒖𝒏𝒈 𝑨 𝒅𝒂𝒏 𝑩
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 "
pada minggu yang sama
100
Jika terjual sepatu" JOGGER "maka akan terjual
sepatu"C.TEMPO "
pada minggu yang sama
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 "
pada minggu yang sama
90
Jika terjual sepatu" MAKALU "maka akan terjual
sepatu"C.TEMPO "
pada minggu yang sama
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 "
pada minggu yang sama
90
Jika terjual sepatu" RUSH "maka akan terjual sepatu"C.TEMPO "
pada minggu yang sama
100
Jika terjual sepatu" JOGGER "maka akan terjual
sepatu"MAKALU "
pada minggu yang sama
100
Jika terjual sepatu" REVOLUTION "maka akan terjual
sepatu"RUSH "
pada minggu yang sama
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
"pada minggu yang sama
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
"pada minggu yang sama
1
Jika terjual sepatu" MAKALU "maka akan terjual sepatu"C.TEMPO
"pada minggu yang sama
1
Jika terjual sepatu" REVOLUTION "maka akan terjual
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
"pada minggu yang sama
1.11
Jika terjual sepatu" REVOLUTION "maka akan terjual sepatu"RUSH
"pada minggu yang sama
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).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Typical Course Aksi Pengguna Reaksi Sistem
1. Menekan tombol
“Backup data”
3. Memasukan nama file
yang akan di simpan
2. Menampilkan kotak dialog
dari direktori laptop/pc
untuk memilih file
4. Menampilkan kotak dialog
pemberitahuan bahwa
backup data sudah disimpan
ke direktori laptop/pc
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Typical Course Aksi Pengguna Reaksi Sistem
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
-
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Typical Course Aksi Pengguna Reaksi Sistem
1. Menekan tombol
“Simpan”
3. Memasukan nama file
yang akan di simpan
2. Menampilkan kotak dialog
dari direktori laptop/pc
untuk memilih file
4. Menampilkan kotak dialog
pemberitahuan bahwa
aturan asosiasi sudah
disimpan ke direktori
laptop/pc
Alternate
Course
-
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
b. Backup data
Gambar 3.4 Diagram Aktivitas Backup Data
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
c. Proses asosiasi algoritma apriori
Gambar 3.5 Diagram Aktivitas Proses Asosiasi Algoritma Apriori
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
d. Simpan hasil asosiasi
Gambar 3.11 Diagram Sekuen Simpan Hasil Asosiasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
3.8.2 Diagram Kelas
Gambar 3.12 Diagram Kelas
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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++) {
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)");}
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
transaksi) from data_sepatu "+"where "+"transaksi in ( select transaksi
from data_sepatu "+ "where artikel_sepatu='"+a+"') "+"and "+"transaksi
in ( select transaksi from data_sepatu "+ "where
artikel_sepatu='"+b+"')");
while(set.next()){
jml=set.getInt("count(DISTINCT transaksi)"); }
public int k3(String a,String b,String c){
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+"') "+"and "+"transaksi in (
select transaksi from data_sepatu where artikel_sepatu='"+b+"') "+"and
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
"+"transaksi in ( select transaksi from data_sepatu where
artikel_sepatu='"+c+"')");
while(set.next()){
jml=set.getInt("count(DISTINCT transaksi)"); }
7. Membuat kelas tampilan dengan beberapa tabel untuk k1, k2, k3, dan rules
association
DefaultTableModel komb1 = new DefaultTableModel();
DefaultTableModel komb2 = new DefaultTableModel();
DefaultTableModel komb3 = 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());
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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); }
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
b. Model Logikal
Gambar 3.17 Diagram Model Logikal
c. Model Fisikal
Gambar 3.18 Diagram Model Fisikal
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Judul sistem yang dibangun
label_judul3 Label ALGORITMA
APRIORI
Judul sistem yang dibangun
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Nama objek Jenis Text Fungsi / Keterangan
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
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 ImportDataSepatu.java dapat dilihat pada
Gambar 4.2 berikut ini.
Gambar 4.2 Implementasi Antarmuka Kelas ImportDataSepatu.java
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
57
c. Spesifikasi AsosiasiApriori.java
Spesifikasi kelas AsosiasiApriori.java akan dijelaskan pada tabel 4.5 berikut ini.
Tabel 4.5 Spesifikasi kelas AsosiasiApriori.java
Nama objek Jenis Text Fungsi / Keterangan
Label_1item Label 1 item set Deskripsi 1 item set
Label_2item Label 2 item set Deskripsi 2 item set
Label_3item Label 3 item set Deskripsi 3 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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
label_author Label IGA UKIARWAN
~ 135314118 ||
TEKNIK
INFORMATIKA
|| FAKULTAS
SAINS DAN
TEKNOLOGI ||
UNIVERSITAS
SANATA
DHARMA
YOGYAKARTA
|| 2017
Identitas pembuat sistem
penentuan aturan asosiasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 -
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Min supp Min conf Jumlah aturan
70 % 60 % 55
70 % 70 % 55
70 % 80 % 47
70 % 90 % 46
70 % 100 % 8
Min supp Min conf Jumlah aturan
80 % 60 % 34
80 % 70 % 34
80 % 80 % 34
80 % 90 % 34
80 % 100 % 0
Min supp Min conf Jumlah aturan
90 % 60 % 8
90 % 70 % 8
90 % 80 % 8
90 % 90 % 8
90 % 100 % 0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Tabel 4.8 Hasil pengujian data 8 item
Min supp Min conf Jumlah aturan
60 % 60 % 23
60 % 70 % 23
60 % 80 % 15
60 % 90 % 9
60 % 100 % 3
Min supp Min conf Jumlah aturan
70 % 60 % 4
70 % 70 % 4
70 % 80 % 3
70 % 90 % 2
70 % 100 % 1
Min supp Min conf Jumlah aturan
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
Min supp Min conf Jumlah aturan
90 % 60 % 0
90 % 70 % 0
90 % 80 % 0
90 % 90 % 0
90 % 100 % 0
Grafik hasil asosiasi menggunakan 8 item dapat dilihat pada Gambar 4.5
berikut ini.
Gambar 4.5 Grafik Hasil Asosiasi menggunakan 8 item
Tabel pengujian data sepatu selama dua tahun dari januari 2015-desember
2016 dengan 6 item teratas dapat dilihat pada tabel 4.9
Tabel 4.9 Hasil pengujian data 6 item
Min supp Min conf Jumlah aturan
60 % 60 % 6
60 % 70 % 5
60 % 80 % 3
60 % 90 % 3
60 % 100 % 1
Min supp Min conf Jumlah aturan
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%
supp % 60% supp % 70% supp % 80% supp % 90%
Hasil Asosiasi menggunakan 8 item
Jumlah Aturan
Prosentase Confidence
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
63
Min supp Min conf Jumlah aturan
80 % 60 % 0
80 % 70 % 0
80 % 80 % 0
80 % 90 % 0
80 % 100 % 0
Min supp Min conf Jumlah aturan
90 % 60 % 0
90 % 70 % 0
90 % 80 % 0
90 % 90 % 0
90 % 100 % 0
Grafik hasil asosiasi menggunakan 6 item dapat dilihat pada Gambar 4.6
berikut ini.
Gambar 4.6 Grafik Hasil Asosiasi menggunakan 6 item
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%
supp % 60% supp % 70% supp % 80% supp % 90%
Prosentase Confidence
Jumlah Aturan
Hasil Asosiasi menggunakan 6 item
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
2. Aturan asosiasi sudah tidak ditemukan ketika minimum support 80%-
90% dan confidence 100%.
Uraian hasil pengujian untuk data 8 teratas pada tabel 4.8 adalah sebagai
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%.
Uraian hasil pengujian untuk data 6 teratas pada tabel 4.9 adalah sebagai
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
71
LAMPIRAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
72
LAMPIRAN 1
DATA SEPATU RUNNING
1 nike air relentless
1 joma c.tempo
1 specs makalu
1 nike revolution
1 piero rush
1 adidas duramo
1 piero jogger
1 nike airmax
1 adidas lite runner
1 specs tambora
2 nike revolution
2 nike air relentless
2 joma c.tempo
2 specs makalu
2 nike airmax
2 piero rush
2 adidas duramo
2 piero jogger
2 adidas lite runner
2 legas neptune
3 nike air relentless
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
3 adidas lite runner
4 nike revolution
4 nike air relentless
4 joma c.tempo
4 specs makalu
4 adidas lite runner
4 piero rush
4 adidas duramo
4 piero jogger
4 nike airmax
4 legas neptune
5 nike air relentless
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
5 adidas lite runner
6 nike revolution
6 nike air relentless
6 joma c.tempo
6 specs makalu
6 nike airmax
6 piero rush
6 legas neptune
6 specs tambora
6 adidas lite runner
6 piero jogger
7 nike air relentless
7 joma c.tempo
7 specs makalu
7 nike airmax
7 piero rush
7 adidas duramo
7 piero jogger
7 adidas lite runner
7 nike revolution
7 legas neptune
8 nike revolution
8 nike air relentless
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
73
8 joma c.tempo
8 specs makalu
8 nike airmax
8 piero rush
8 adidas duramo
8 piero jogger
8 adidas lite runner
8 specs tambora
9 nike air relentless
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
9 adidas lite runner
10 joma c.tempo
10 nike air relentless
10 nike revolution
10 specs makalu
10 nike airmax
10 piero rush
10 adidas duramo
10 piero jogger
10 specs tambora
10 adidas lite runner
11 nike air relentless
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
11 adidas lite runner
12 joma c.tempo
12 nike air relentless
12 nike revolution
12 specs makalu
12 nike airmax
12 piero rush
12 adidas duramo
12 piero jogger
12 adidas lite runner
12 legas neptune
13 nike revolution
13 nike air relentless
13 joma c.tempo
13 specs makalu
13 nike airmax
13 piero rush
13 adidas duramo
13 piero jogger
13 adidas lite runner
13 legas neptune
14 nike air relentless
14 nike revolution
14 specs makalu
14 joma c.tempo
14 piero rush
14 adidas duramo
14 piero jogger
14 specs tambora
14 adidas lite runner
14 legas neptune
15 nike revolution
15 nike air relentless
15 joma c.tempo
15 specs makalu
15 nike airmax
15 piero rush
15 adidas duramo
15 piero jogger
15 adidas lite runner
15 legas neptune
16 nike air relentless
16 nike revolution
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
74
16 specs makalu
16 joma c.tempo
16 piero rush
16 adidas duramo
16 piero jogger
16 specs tambora
16 adidas lite runner
16 legas neptune
17 joma c.tempo
17 nike revolution
17 nike air relentless
17 specs tambora
17 specs makalu
17 nike airmax
17 piero rush
17 adidas duramo
17 piero jogger
17 adidas lite runner
18 nike revolution
18 nike air relentless
18 joma c.tempo
18 specs makalu
18 specs tambora
18 piero rush
18 adidas duramo
18 piero jogger
18 nike airmax
18 adidas lite runner
19 nike revolution
19 joma c.tempo
19 nike air relentless
19 adidas lite runner
19 specs makalu
19 specs tambora
19 piero rush
19 adidas duramo
19 piero jogger
19 nike airmax
20 nike revolution
20 nike air relentless
20 joma c.tempo
20 specs makalu
20 nike airmax
20 piero rush
20 adidas duramo
20 piero jogger
20 adidas lite runner
20 legas neptune
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
75
LAMPIRAN 2
HASIL OPTIMAL DARI SISTEM
1. Data 6 item sepatu
Hasil optimal dengan minimum support 60% dan minimum confidence 100%
2. Data 8 item sepatu
Hasil optimal dengan minimum support 80% dan minimum confidence 90%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
76
3. Data 10 item sepatu
Hasil optimal dengan minimum support 90% dan minimum confidence 90%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
AIR RELENTLESS LITE RUNNER
MAKALU 62 64,58
AIR RELENTLESS LITE RUNNER
REVOLUTION 77 80,21
AIR RELENTLESS LITE RUNNER
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
80
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI