Available via license: CC BY-SA 4.0
Content may be subject to copyright.
BRIDGE : Jurnal publikasi Sistem Informasi dan Telekomunikasi
Volume. 2 No. 3 AGUSTUS 2024
E-ISSN : 3046-725X, P-ISSN : 3046-7268, Hal 62-74
DOI: https://doi.org/10.62951/bridge.v2i2.106
Received: April 30, 2024; Accepted: Mei 30, 2024; Published: Mei 31, 2024;
* Anggi Canita Simanjuntak, anggicanita@gmail.com
Penerapan Metode Data Mining Market Basket Analysis Terhadap Data
Penjualan Produk Pada Toko Iblite Luxury Menggunakan Algoritma
Apriori
Anggi Canita Simanjuntak1, Miranda Elisabet Sitanggang 2 , Muhairoh Indah
Cahyani 3, Nita Syahputri 4
Program Studi Sistem Informasi, Universitas Potensi Utama
email: anggicanita@gmail.com 2 mirandaponsel3@gmail.com
3 muhairohindahcahyani12345@gmail.com 4nieta20d@gmail.com
Alamat: Tj. Mulia, Kec. Medan Deli, Kota Medan, Sumatera Utara
Korespondensi: : anggicanita@gmail.com
Abstract. :Data mining is a technique to dig up new information from a data warehouse, information is seen as
very important and valuable because by mastering information it is easy to achieve a goal, this makes everyone
compete to obtain information, as well as in trading businesses such as the Iblite Luxury store. This store is
located in Medan close to residents' houses, Sales transaction data will continue to grow, causing data storage
to be even larger. Sales transaction data is only used as an archive without being properly utilized. Basically, a
dataset has very useful information. Market basket analysis with a priori algorithm is one of the data mining
methods that aims to find association patterns based on consumer shopping patterns, so that it can be known what
items of goods are purchased in a At the same time, the results of this study found that the highest support and
confidence values were Ysl and Chanel with a support value of 50% and confidence of 75%.
Keywords : Data Mining, Association Rules, Apriori Algorithms
Abstrak. :Data mining merupakan teknik untuk menggali informasi baru dari gudang data, informasi dipandang
sangat penting dan berharga karena dengan menguasai informasi maka dengan mudah untuk mencapai sebuah
tujuan, hal ini membuat setiap orang berlomba untuk memperoleh informasi, demikian juga pada usaha
perdagangan seperti toko Iblite Luxury.toko ini berlokasi di Medan dekat dengan rumah penduduk, hal ini
tentunya mempengaruhi tingkat penjualan, dengan adanya kegiatan penjualan setiap hari, data transaksi penjualan
akan terus bertambah, menyebabkan penyimpanan data semakin besar. Data transaksi penjualan hanya dijadikan
arsip tanpa dimanfaatkan dengan baik. Pada dasarnya kumpulan data memiliki informasi yang sangat bermanfaat.
Analisis keranjang pasar dengan Algoritma Apriori merupakan salah satu metoda data mining yang bertujuan
untuk mencari pola assosiasi berdasarkan pola belanja yang dilakukan konsumen, sehingga bisa diketahui item-
item barang apa saja yang dibeli secara bersamaan, Hasil dari penelitian ini menemukan Nilai support dan
confidence tertinggi adalah Ysl dan Chanel dengan nilai support 50% dan confidence 75%.
Kata kunci: Data Mining, Metode Asosiasi, Algoritma Apriori.
LATAR BELAKANG
Pertumbuhan perekonomian masyarakat diikuti dengan pertumbuhan bisnis ritel yang
semakin pesat. Indonesia dengan jumlah penduduk ke-empat terbanyak di dunia setelah Cina
dan India memiliki potensi yang sangat besar bagi pasar ritel. Salah satu jenis pasar modern
yang saat ini sedang berkembang pesat menawarkan kemudian karena lokasi toko atau gerai
yang dekat dengan konsumen serta mengutamakan kepraktisan dan kecepatan atau waktu yang
tidak lama
dalam berbelanja.[1]. Salah satu ritel yang kita kenal adalah toko.Toko atau kedai adalah
sebuah tempat tertutup yang di dalamnya terjadi kegiatan perdagangan dengan jenis benda atau
E-ISSN : 3046-725X, P-ISSN : 3046-7268, HAL 62-74
barang yang khusus, misalnya toko buku, toko tas, dan sebagainya.Toko tas adalah tempat ritel
yang khusus menjual berbagai jenis tas. Di sini, pelanggan dapat menemukan berbagai macam
model, ukuran, dan merek tas sesuai dengan kebutuhan dan preferensi mereka. Toko tas
biasanya menawarkan pilihan tas untuk berbagai tujuan, seperti tas sehari-hari, tas pesta, tas
kerja, dan sebagainya.
Potensi bisnis toko tas Indonesia 2017 akan lebih baik dibandingkan dengan tahun
lalu.Para pelaku retail mematok pertumbuhan bisnis ritel Indonesia mencapai 12%, angka ini
menurut data Aprindo (Asosiasi Pengusaha Ritel Indonesia) pertumbuhan retail 2016 optimis
berada diangka 10% lebih baik dari 2015 yang hanya mencapai 8%. Salah satu jenis usaha ritel
yang masih sangat prospektif adalah adalah toko. Menurut penelitian [2]. pada jurnal
penelitiannya yang berjudul perbedaan pelayanan pada ritel tradisional dengan ritel modern
menyebutkan Industri ritel tumbuh pesat dengan menjamurnya pasar modern. Yang dimaksud
dengan pasar modern adalah minimarket atau swalayan yang mana pelayanan dilakukan sendiri
oleh konsumen karena toko tidak menyediakan pramuniaga yang khusus melayanan
konsumen. Salah satu jenis pasar modern yang saat ini sedang berkembang pesat menawarkan
kepraktisan dan kecepatan atau waktu yang tidak lama dalam berbelanja dengan didukung luas
dari toko atau gerai tidak terlalu besar, sekitar 90-150 meter persegi dan menjual 3.000-4.000
jenis barang Pada saat sekarang ini jumlah toko tas terus berkembang membuat para pengelola
toko tas juga dituntut untuk menerapkan strategi pemasaran yang lebih baik. Untuk itu maka
para pengelola harus mencermati pola-pola pembelian yang dilakukan oleh konsumen seperti
usaha toko tas di kota Jakarta pusat. Kota Jakarta merupakan kota dengan pertumbuhan
ekonomi yang baik salah satunya dapat dilihat dari banyaknya usaha ritel seperti toko tas, usaha
toko tas ini sangat diminati oleh pedagang baik yang berasal dari luar kota jakarta maupun
pribumi karena hasil keuntungan yang diperoleh dari usaha ini sangat menjanjikan.Toko tas
Iblite Luxury sebagai salah satu toko yang lokasinya strategis dekat komplek perumahan
tentunya kegiatan penjualan pada setiap harinya meningkat. Dengan meningkatnya jumlah
penjualan maka, ditemukan banyak kekurangan yang terjadi, diantaranya permasalahan
peletakkan barang-barang yang tidak sesuai dengan perilaku kebiasaan konsumen dalam
membeli barang secara bersamaan dalam satu waktu. Hal ini tentu akan mempengaruhi tingkat
penjualan barang. Data transaksi penjualan akan terus bertambah setiap harinya dan
menyebabkan penyimpanan data yang sangat besar. Kebanyakan data transaksi penjualan
hanya dijadikan arsip saja tanpa dimanfaatkan dengan baik. Padahal kumpulan data tersebut
memiliki informasi yang sangat bermanfaat.Berdasarkan permasalahan di atas, maka pada toko
Iblite Luxury diperlukan adanya teknik data mining untuk mengelompokkan data barang
PENERAPAN METODE DATA MINING MARKET BASKET ANALYSIS TERHADAP DATA
PENJUALAN PRODUK PADA TOKO IBLITE LUXURY MENGGUNAKAN ALGORITMA APRIORI
63 BRIDGE - VOLUME 2, NO. 3, AGUSTUS 2024
berdasarkan kecenderungannya yang muncul bersamaan dalam suatu transaksi, Market Basket
Analysis atau analisa keranjang pasar adalah suatu metode yang bekerja mencari dan
menemukan pola-pola yang berasosiasi diantara produk-produk yang dipasarkan, misalnya
menemukan bahwa produk A biasanya dibeli bersamaan dengan produk B dalam waktu
tertentu dan jumlah tertentu. Teknik ini merupakan salah satu cara untuk melakukan data
mining yang berguna untuk menemukan knowledge dari data-data yang ada [3].Knowledge
tersebut dapat digunakan oleh perusahaan untuk meningkatkan keuntungan atau menentukan
strategi pemasaran.
KAJIAN TEORITIS
Penelitian Terdahulu
Berdasarkan pengamatan penelitan terdahulu tentang Penerapan Metode Association
Rule Menggunakan Algoritma Apriori Pada Simulasi Prediksi Hujan Wilayah Kota Bandung”.
Dataset yang digunakan adalah data klimatologi yang diambil dari BMKG stasiun geofisika
kelas 1 Bandung. Hasil akhir dari Penelitian ini berupa aturan-aturan asosiasi (association
rules) dimana aturan-aturan ini dapat dijadikan sebagai acuan dalam memprediksi cuaca hujan
atau tidak hujan untuk satu hari kedepan [4].Sedangkan pengamatan pada penelitian tentang
Pemanfaatan Algoritma Apriori untuk Perancangan Ulang Tata Letak Barang di Toko tas”,
Penelitian ini menggunakan algoritma Apriori untuk menganalisis pola belanja konsumen
(market basket analysis) di toko tas karena pertimbangan masih sedikitnya penelitian dalam
konteks serupa. Hasil penelitian berupa sistem berbasis web yang menghasilkan aturan asosiasi
sehingga penataan ulang bisa dilakukan secara dinamis. Pengujian dengan dataset baru dan
perbandingan dengan Weka membuktikan bahwa sistem berhasil menerapkan algoritma
Apriori. Keberhasilan dinilai berdasarkan kesamaan aturan asosiasi pada Weka dengan aturan
asosiasi pada sistem.[5]. Algoritama apriori digunakan karena algoritma ini merupakan teknik
asosiasi yang sederhana untuk menentukan pola pembelian konsumen dan memperkirakan di
masa yang akan datang untuk menata barang dalam keadaan yang dinamis.
Data Mining
Data mining, sering juga disebut sebagai knowledge discovery in database (KDD)
adalah kegiatan yang meliputi pengumpulan, pemakaian data, historis untuk menemukan
E-ISSN : 3046-725X, P-ISSN : 3046-7268, HAL 62-74
keteraturan, pola atau hubungan dalam set data berukuran besar [6].Secara umum tahapan –
tahapan proses Knowledge Discovery in Databases terdiri dari [7] :
1. Data Cleaning
Proses menghilangkan noise dari data yang tidak konsisten.
2. Data Integration
Penggabungan Data dari berbagai database ke dalam satu database baru.
3. Data Selection
Proses pemilihan data yang relevan yang didapat dari database.
4. Data Tranformation
Data diubah ke dalam format yang sesuai untuk diproses dalam Data Mining.
5. Data Mining
Suatu metode yang diterapkan untuk menemukan pengetahuan berharga yang tersembunyi dari
data.
6. Parttern Evaluation
Mengidentifikasi pola-pola menarik untuk dipresentasikan ke dalam knowlwdge based.
7. Knowledge Presentation
Visualisasi dan penyajian pengetahuan mengenai teknik yang digunakan untuk memperoleh
pengetahuan yang diperoleh oleh user.
Knowledge discovery in database (KDD) pada intinya adalah proses menemukan
pengetahuan yang bermanfaat dari kumpulan data. A. Berstein dkk. Juga mendefinisikan
knowledge discovery in database (KDD) sebagai hasil proses penjelajahan yang melibatkan
penerapan berbagai Prosedur algoritma untuk memanipulasi data, membangun model dari data,
dan memanipulasi model.[8].Menurut Turban dalam bukunya yang berjudul ”Decision Support
Systems and Intelligent Systems”, data mining adalah suatu istilah yang digunakan untuk
menguraikan penemuan pengetahuan di dalam basis data. Data mining adalah proses yang
menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk
PENERAPAN METODE DATA MINING MARKET BASKET ANALYSIS TERHADAP DATA
PENJUALAN PRODUK PADA TOKO IBLITE LUXURY MENGGUNAKAN ALGORITMA APRIORI
63 BRIDGE - VOLUME 2, NO. 3, AGUSTUS 2024
mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait
dari berbagai basis data besar [9].
1.1 Teknik Asosiasi
Menurut Larose dalam bukunya yang berjudul ”Discovering Knowledge in Data:
An Introduction to Data Mining”, data mining dibagi menjadi beberapa kelompok
berdasarkan tugas atau pekerjaan yang dapat dilakukan [10]. salah satunya yaitu assosiasi,
tugas asosiasi dalam data mining adalah menemukan attribut yang muncul dalam satu waktu.
Dalam dunia bisnis lebih umum disebut analisis keranjang belanja. Contoh asosiasi dalam
bisnis dan penelitian adalah:
1. Meneliti jumlah pelanggan dari perusahaan telekomunikasi seluler yang diharapkan
untuk memberikan respon positif terhadap penawaran upgrade layanan yang diberikan.
2. Menentukan barang dalam toko tas yang dibeli secara bersamaan dan yang tidak pernah
dibeli secara bersamaan.
1.2 Market Basket Analysis
Market Basket Analysis membantu pengecer dalam merencanakan item, untuk dijual
dengan harga yang lebih murah . Han, Cheng dan Xin (2007) mengatakan bahwa Market
Basket Analysis dapat meningkatkan penjualan dengan melakukan pemasaran selektif serta
mengatur ruang rak [10].Ide yang mendasari Market Basket Analysis adalah asosiasi keputusan
pembelian pada kosumen, misalnya, saat berbelanja di supermarket, pelanggan jarang membeli
Satu produk, mereka jauh lebih mungkin untuk membeli seluruh keranjang produk, biasanya
dari kategori produk yang berbeda. Menggunakan Informasi tentang market basket
memungkinkan orang untuk menganalis data pada prosesenya tidak hanya mengekstrak
kategori produk dan produk yang cenderung Dibeli bersama, tapi juga untuk menentukan
produk mana atau kategori produk tertentu. Pengetahuan ini memungkinkan para manajer
untuk mengembangkan intervensi yang bertujuan mempengaruhi perilaku pembelian,
termasuk merangsang permintaan secara keseluruhan, mempromosikan kategori produk
tertentu, atau penawaran Promosi untuk penjualan produk yang cenderung meningkatkan [12].
1.3 Algoritma Apriori
Algoritma apriori adalah adalah algoritma yang paling terkenal untuk menemukan pola
frekuensi tinggi. algoritma apriori dibagi menjadi beberapa tahap yang disebut narasi atau pass
Pembentukan kandidat itemset, kandidat k-itemset dibentuk dari kombinasi (k-1)-itemset yang
E-ISSN : 3046-725X, P-ISSN : 3046-7268, HAL 62-74
didapat dari iterasi sebelumnya. Satu cara dari algoritma apriori adalah adanya pemangkasan
kandidat k-itemset yang subset-nya yang berisi (k-1) item tidak termasuk dalam pola frekuensi
tinggi dengan panjang k-1[12].
Algoritma apriori adalah salah satu algoritma yang melakukan pencarian frequent
itemset dengan menggunakan teknik association rule. Untuk mencari association rule dari suatu
kumpulan data, tahap pertama yang harus dilakukan adalah mencari frequent itemset terlebih
dahulu. Frequent itemset adalah sekumpulan item yang sering muncul secara bersamaan.
Penting tidaknya suatu asosiasi dapat diketahui dengan dua tolak ukur, yaitu support dan
confidence. Support adalah nilai penunjang atau persentase kombinasi sebuah item dalam
database, sedangkan confidence adalah nilai kepastian yaitu kuatnya hubungan antar item
dalam aturan asosiasi. Proses utama yang dilakukan dalam algoritma apriori untuk mendapat
frequent itemset. [7].
Adapun metodologi dasar analisis asosiasi adalah sebagai berikut :
a) Analisis Pola Frekuensi Tinggi
Tahapan ini mencari kombinasi item yang memenuhi syarat minimum dari nilai
support dalam database. Nilai support sebuah item diperoleh dengan rumus berikut.
Sedangkan nilai support dari 2 item diperoleh dari rumus berikut.
b) Pembentukan Arutan Asosiasi
Pembentukan Aturan Asosiasi Setelah semua pola frekuensi tinggi ditemukan,
barulah dicari aturan asosiasi yang memenuhi syarat minimum untuk confidence
dengan menghitung confidence aturan asosiasif “ jika A maka B “ .Nilai confidence
dari aturan “ jika A maka B “ diperoleh dari rumus berikut
PENERAPAN METODE DATA MINING MARKET BASKET ANALYSIS TERHADAP DATA
PENJUALAN PRODUK PADA TOKO IBLITE LUXURY MENGGUNAKAN ALGORITMA APRIORI
63 BRIDGE - VOLUME 2, NO. 3, AGUSTUS 2024
METODE PENELITIAN
Desain Penelitian
Desain penelitian ini merupakan langkah-langkah yang akan dilakukan dalam
penyelesaian masalah. Adapun desain penelitian ini dapat dilihat pada Gambar 1.
Gambar 1. Desain penelitian
Berdasarkan desain penelitian pada Gambar 1, maka masing-masing langkahnya dapat
diuraikan seperti berikut ini :
1. Mendeskripsikan Masalah
Mendeskripsikan masalah yang akan teliti perlu ditentukan terlebih dahulu.
Mendeskripsikan masalah dalam penelitian dengan menentukan dan mendefinisikan
batasan masalah yang akan diteliti, sehingga membantu dalam mendapatkan suatu
solusi yang terbaik dari masalah tersebut. Jadi, langkah pertama ini adalah langkah awal
yang terpenting dalam penelitian ini.
2. Analisa Masalah
Langkah analisis masalah merupakan langkah untuk dapat memahami masalah yang
telah ditentukan ruang lingkup atau batasannya. Dengan menganalisis masalah yang
telah ditentukan tersebut, maka diharapkan masalah dapat dipahami dengan baik.
3. Mempelajari Literatur
E-ISSN : 3046-725X, P-ISSN : 3046-7268, HAL 62-74
Untuk mencapai tujuan, maka dipelajari beberapa literatur-literatur yang diperkirakan
dapat digunakan.Kemudian literatur-literatur yang dipelajari tersebut diseleksi untuk
dapat ditentukan literatur-literatur mana yang akan digunakan dalam penelitian.
4. Mengumpulkan Data
Dalam pengumpulan data dilakukan observasi yaitu pengamatan secara langsung di
minimarket ayu sehingga permasalahan yang ada dapat diketahui secara jelas.
Kemudian dilakukan interview yang bertujuan untuk mendapatkan informasi atau data
yang dibutuhkan. Selain itu juga dilakukan studi kepustakaan yaitu dengan membaca
buku-buku yang menunjang dalam melakukan analisis terhadap data dan informasi
yang didapat. Analisa teknik pengolahan data menggunakan algoritma apriori. Data
yang diperoleh dari tempat penelitian selanjutnya dilakukan analisa dan pengolahan
menggunakan algoritma apriori.
5. Perancangan Algoritma Apriori
Pada tahap ini akan dilakukan proses perancangan dari model sistem dengan algoritma
apriori sehingga diperoleh nilai support dan Confidence dan menghasilkan suatu rule
pola market basket analysis pada data transaksi penjualan atau pembelian konsumen.
6. Implementasi Algoritma Apriori
Adapun langkah-langkah dalam tahapan ini adalah:
a) Analisis Pola Frekuensi Tinggi
b) Pembentukan Aturan Asosiasi
7. Pengujian Hasil
Pada tahap ini, penulis melakukan pengujian dan hasil perancangan sistem
menggunakan software Data Mining open source Tanagra. Sistem diuji dengan
prosedur-prosedur untuk melakukan eksplorasi dan permodelan dari data-data yang ada
sehingga mendapatkan suatu hubungan tersembunyi dari data tersebut.
PENERAPAN METODE DATA MINING MARKET BASKET ANALYSIS TERHADAP DATA
PENJUALAN PRODUK PADA TOKO IBLITE LUXURY MENGGUNAKAN ALGORITMA APRIORI
63 BRIDGE - VOLUME 2, NO. 3, AGUSTUS 2024
HASIL DAN PEMBAHASAN
Dari format data transaksi penjualan, maka akan dilakukan Analisis Asosiasi algoritma
apriori dengan membuat nilai support yaitu menunjukkan persentasi jumlah transaksi yang
berisi nilai A dan B dalam kasus ini menunjukan apabila jika membeli Tas Ysl maka akan
membeli Tas Chanel. Analisis asosiasi didefenisikan sebagai suatu proses untuk menemukan
semua aturan asosiasi yang memenuhi syarat minimum untuk support (minimum support) dan
syarat minimum untuk confidence (minimum confidence) yaitu menunjukkan persentasi
banyaknya B pada transaksi yang mengandung A. pada kasus ini yaitu presentase yang terdapat
pada transaksi yang mengandung item Guci,Ysl dan Chanel. Untuk menghitung support A
digunakan rumus (1) sedangkan untuk menghitung nilai support A,B dapat dilihat pada rumus
(2). Berikut ini adalah penjelasan lebih terperinci mengenai tiap-tiap langkah dalam
pembentukan Asosiasi dengan menggunakan algoritma Apriori.
a) Data Transaksi Penjualan
Analisis pola frekuensi tinggi dari kombinasi item pada data transaksi penjualan, adapun
data dari transaksi belanja pada Toko Iblite Luxury dapat dilihat pada Tabel 1.
Tabel 1. Data Transaksi
E-ISSN : 3046-725X, P-ISSN : 3046-7268, HAL 62-74
b) Representasi Data Transaksi
Data transaksi pada Tabel 1 direpresentasikan kedalam bentuk Tabel 2.
Tabel 2 .Representasi Data Transaksi
banyak item yang ada dibeli dalam setiap transaksi seperti pada Tabel 3.
Tabel 3. Format Tabular Data Transaksi
c) Pembentukan Itemset 1 Itemset
Berikut ini adalah penyelesaian berdasarkan data yang sudah disediakan pada Tabel 3
format tabular data transaksi Proses pembentukan C1 atau disebut dengan 1 itemset
didapat berdasarkan rumus (1) analisa pola frekuensi tinggi.
Hasil dari perhitungan diatas diubah kedalam bentuk persentase untuk mengetahui
confidence dari masing- masing item penjualan, hasil tersebut dapat dilihat pada Tabel
4.
PENERAPAN METODE DATA MINING MARKET BASKET ANALYSIS TERHADAP DATA
PENJUALAN PRODUK PADA TOKO IBLITE LUXURY MENGGUNAKAN ALGORITMA APRIORI
63 BRIDGE - VOLUME 2, NO. 3, AGUSTUS 2024
Tabel 4. Support Setiap Item
Dari proses pembentukan itemset pada Tabel 4 support setiap item, hasil pembentukan
1 itemset akan dilakukan kombinasi 2 itemset.
d) Tabulasi Data Transaksi
Data transaksi pada Tabel 1 di bentuk tabel tabular yang akan mempermudah dalam
mengetahui berapa Kombinasi 2 Itemset.Proses pembentukan C2 atau disebut dengan 2
itemset dicari dengan rumus (2) analisa pola frekuensi tinggi, dari Tabel 3 format data
tabulasi dapat dilihat pada Tabel 5.
Tabel 5. 2 Item Set
Dari Tabel 5, ditetapkan nilai Ø = 50 sehingga didapat C2 = {(Ysl,Chanel),
(Balenciaga,Chanel)}.
E-ISSN : 3046-725X, P-ISSN : 3046-7268, HAL 62-74
e) Pembetukan Aturan Assosiasi
Setelah semua pola frekuensi tinggi ditemukan, kemudian dicari aturan asosiasi yang
memenuhi syarat Dari C2 yang telah ditemukan, bisa dilihat besarnya nilai support dan
Confidence dari aturan asosiasi seperti Tabel 5.
Tabel 6. Hasil itemset 2
Berdasarkan Tabel 6 nilai confidence minimal 75 % sehingga aturan yang bisa
terbentuk adalah aturan dengan antecedent dapat disimpulkan sebagai berikut Jika
Membeli Tas Ysl maka akan membeli Tas Chanel.
KESIMPULAN DAN SARAN
Kesimpulan
Berdasarkan pembahasan yang telah dilakukan dengan algoritma Apriori dan
dilakukannya pengujian dengan aplikasi Tanagra maka peneliti menarik beberapa kesimpulan
yang penting. Adapun kesimpulan- kesimpulan tersebut adalah sebagai berikut:
1. Proses penentuan analisis pola pembelian konsumen dapat dilakukan dengan menerapkan
data mining dengan metode algoritma apriori. dengan metode tersebut penentuan pola
pembelian dapat dilakukan dengan melihat hasil dari kecenderungan konsumen membeli
barang berdasarkan kombinasi 2 itemset. Pengetahuan baru yang dapat diperoleh
berdasarkan hasil perhitungan algoritma apriori dan sistem yang dibangun dapat dilakukan
pengaturan tata letak barang secara berdekatan untuk memudahkan keberadaan barang
tersebut.
2. Penerapan Algoritma Apriori pada teknik Data Mining sangat efisien dan dapat
mempercepat proses pembentukan kecenderungan pola kombinasi itemset hasil penjualan
tas branded di Toko Iblite Luxury yaitu dengan support dan confidence tertinggi adalah Tas
Ysl dan Tas Chanel dengan nilai support 50% dan confidence 75%.
PENERAPAN METODE DATA MINING MARKET BASKET ANALYSIS TERHADAP DATA
PENJUALAN PRODUK PADA TOKO IBLITE LUXURY MENGGUNAKAN ALGORITMA APRIORI
63 BRIDGE - VOLUME 2, NO. 3, AGUSTUS 2024
Saran
Untuk kepentingan lebih lanjut maka peneliti memberikan beberapa saran :
1. Data mining dengan Algoritma Apriori memiliki kelemahan karena harus melakukan scan
database setiap kali iterasi, sehingga untuk database yang sangat besar membutuhkan waktu
yang lama.
2. Penerapan algoritma Apriori sangat praktis namun perlu dilakukan perbandingan dengan
algoritma lain, untuk menguji sejauh mana Algoritma Apriori masih dapat diandalkan untuk
memproses dan menemukan pola hubungan (asosiasi) antar item pada database berskala besar
DAFTAR REFERENSI
Buulolo, E. (2017). ImplementasiI Algoritma Apriori Pada Sistem Persediaan Obat ( Studi
Kasus : Apotik Rumah Sakit Estomihi ).
Fauzy, M., & Asror, I. (2016). Penerapan Metode Association Rule Menggunakan Algoritma
Apriori Pada Simulasi Prediksi Hujan Wilayah Kota Bandung, II(2).
Gamarra, C., Guerrero, J. M., & Montero, E. (2016). A knowledge discovery in databases
approach for industrial microgrid planning. Renewable and Sustainable Energy
Reviews, 60, 615–630.
Gunadi, G., & Sensuse, D. I. (2012). Penerapan Metode Data Mining Market Basket Analysis
Terhadap Data Penjualan Produk Buku Dengan Menggunakan Algoritma Apriori Dan
Frequent Pattern Growth ( FP-GROWTH ), 4(1).
Jiawei Han And Micheline Kamber. (2006). “ Data Mining : Concepts and Techiques ”. San
Fransisco : Morgan Kaufmann Publishers
Putro, A. N. S., Ernawati, & Wisnubhadra, I. (2016). Market Basket Analysis Pada Magister
Teknik Informatika ,Universitas Atma Jaya Yogyakarta, 978–979
Santony, J. (2012). IMPLEMENTASI DATA MINING DENGAN METODE MARKET
BASKET ANALYSIS Julius Santony 1, 5(2), 56–63
Santoso, H., Hariyadi, I. P., & Prayitno. (2016). Data Mining Analisa Pola Pembelian Produk.
Teknik Informatika, (1), 19– 24.
Solnet, D., Boztug, Y., & Dolnicar, S. (2016). An untapped gold mine? Exploring the potential
of market basket analysis to grow hotel revenue. International Journal of Hospitality
Management, 56, 119–125.
Subarsono, D. (2014). Perbedaan Pelayanan Pada Ritel Tradisional Dengan Ritel Modern Di
Kota Cirebon ., 2(2).
Subarsono, D. (2014). Perbedaan Pelayanan Pada Ritel Tradisional Dengan Ritel Modern Di
Kota Cirebon ., 2(2).
Wulandari, H. N. (2014). Pemanfaatan Algoritma Apriori untuk Perancangan Ulang Tata Letak
Barang di Toko Busana.
