Penerapan Metode Data Mining Market Basket Analysis Terhadap Data Penjualan Produk Pada Toko Tas Branded Menggunakan Algoritma Apriori

Abstract

Data mining is a technique to extract new information from the data warehouse, information is considered very important and valuable because by mastering the information so easily to achieve a goal, this makes everyone competing to obtain information, as well as on trading businesses such as bag store BRANDED. store is located close to the home of the population, this certainly affects the level of sales, with the daily sales activities, sales transaction data will continue to grow, causing data storage is greater. Sales transaction data is only used as an archive without being put to good use. Basically the data set has very useful information. The analysis of market basket with Apriori Algorithm is one method of data mining which aims to find the pattern of association based on consumer spending pattern, so that it can be known what items are purchased simultaneously. The result of this research found that the highest support and confidence value is Ysl and Chanel with a support value of 50% and confidence of 75%.

Full text

Jurnal Sistem Informasi dan Ilmu Komputer
Vol.1, No.4 November 2023
e-ISSN: 2986-4976; p-ISSN: 2986-5158, Hal 266-277
DOI: https://doi.org/10.59581/jusiik-widyakarya.v1i4.2834
Received September 27, 2022; Revised Oktober 25, 2023;Accepted 30 November, 2023
* Wulan Dari, ulandari2796@gmail.com
Penerapan Metode Data Mining Market Basket Analysis
Terhadap Data Penjualan Produk Pada Toko Tas Branded
Menggunakan Algoritma Apriori
Wulan Dari
Universitas Potensi Utama
E-mail : ulandari2796@gmail.com
Dian Maya Sari
Universitas Potensi Utama
E-mail : dian.tjan84@gmail.com
Nurul Nazli
Universitas Potensi Utama
E-mail : nurulnzli724@gmail.com
Address : JL. KL. Yos Sudarso Km. 6,5 No. 3-A, Tanjung Mulia, Tj. Mulia,
Kec. Medan Deli, Kota Medan, Sumatera Utara 20241
Corresponding author : ulandari2796@gmail.com
Abstract. Data mining is a technique to extract new information from the data warehouse, information is
considered very important and valuable because by mastering the information so easily to achieve a goal, this
makes everyone competing to obtain information, as well as on trading businesses such as bag store
BRANDED. store is located close to the home of the population, this certainly affects the level of sales, with the
daily sales activities, sales transaction data will continue to grow, causing data storage is greater. Sales
transaction data is only used as an archive without being put to good use. Basically the data set has very useful
information. The analysis of market basket with Apriori Algorithm is one method of data mining which aims to
find the pattern of association based on consumer spending pattern, so that it can be known what items are
purchased simultaneously. The result of this research found that the highest support and confidence value is Ysl
and Chanel with a support value of 50% and confidence of 75%.
Keywords: Data Mining, Market Basket Analysis, 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 tas BRANDED.toko ini berlokasi 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, Analisa Keranjang Pasar, Metode Asosiasi, Algoritma Apriori.

e-ISSN: 2986-4976; p-ISSN: 2986-5158, Hal 266-277
267
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 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.
Berdasarkan permasalahan di atas, maka pada toko tas BRANDED diperlukan adanya
teknik data mining untuk mengelompokkan data barang 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.

Penerapan Metode Data Mining Market Basket Analysis
Terhadap Data Penjualan Produk Pada Toko Tas Branded
Menggunakan Algoritma Apriori
268 JUSIIK - VOLUME 1, NO. 1, FEBRUARI 2023
KAJIAN TEORITIS
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.
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 busana
muslimah 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. 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. 2.2 Data Mining
Data mining, sering juga disebut sebagai knowledge discovery in database (KDD)
adalah kegiatan yang meliputi pengumpulan, pemakaian data, historis untuk menemukan
keteraturan, pola atau hubungan dalam set data berukuran besar.
Secara umum tahapan – tahapan proses Knowledge Discovery in Databases terdiri
dari:
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.

e-ISSN: 2986-4976; p-ISSN: 2986-5158, Hal 266-277
269
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. 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 mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang
terkait dari berbagai basis data besar.
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. 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.
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. 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

Penerapan Metode Data Mining Market Basket Analysis
Terhadap Data Penjualan Produk Pada Toko Tas Branded
Menggunakan Algoritma Apriori
270 JUSIIK - VOLUME 1, NO. 1, FEBRUARI 2023
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.
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 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.
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.
Adapun metodologi dasar analisis asosiasi adalah sebagai
Support (A)

Sedangkan nilai support dari 2 item diperoleh dari rumus berikut.
Support (A, B) 

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.
Support (AIB) 


e-ISSN: 2986-4976; p-ISSN: 2986-5158, Hal 266-277
271
METODE PENELITIAN
Desain penelitian ini merupakan langkah-langkah yang akan dilakukan dalam
penyelesaian masalah. Adapun desain penelitian ini dapat dilihat pada Gambar 1.
Mendeskripsikan Masalah
↓
Analisa Masalah
↓
Mengumpulkan Data
↓
Analisa Teknik Pengolahan Data
Menggunakan Alogaritma Apriori
↓
Pengujian Hasil
Gambar 1.
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 di tentukan ruang lingkup atau batasannya. Dengan menganalisis masalah yang
telah ditentukan tersebut, maka diharapkan masalah dapat dipahami dengan baik.
3. Mempelajari Literatur Untuk mencapai tujuan, maka dipelajari beberapa literatur-literatur
yang doperkirakan dapat digunakan. Kemudian literature-literatur yang di pelajari tersebut
diseleksi untuk dapat ditentukan literatu-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.

Penerapan Metode Data Mining Market Basket Analysis
Terhadap Data Penjualan Produk Pada Toko Tas Branded
Menggunakan Algoritma Apriori
272 JUSIIK - VOLUME 1, NO. 1, FEBRUARI 2023
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.
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.
Data Transaksi Penjualan
Analisis pola frekuensi tinggi dari kombinasi item pada data transaksi penjualan,
adapun data dari transaksi belanja pada Toko Tas BRANDED dapat dilihat pada Tabel 1.

e-ISSN: 2986-4976; p-ISSN: 2986-5158, Hal 266-277
273
Tabel 1.
Data Transaksi
Item
Gucci, Hermes, Dior, Ysl
Balenciaga, Dior, Hermes
Chanel, Balenciaga, Ysl
Prada, Valentino, Celine
Chanel, Ysl, Valentino, Celine
Chanel, Ysl
Goyart, Balmain, Burberry
Gucci, Goyart, Balenciaga
Balenciaga, Chanel, Dior
Balmain, Burberry
Chanel, Ysl, Balenciaga
Pedro, Lv, Bvlgari
Bvlgari, Chanel, Balenciaga, Lv
Valentiono, Guci, Ysl
Chanel, Ysl
Representasi Data Transaksi
Data transaksi pada Tabel 1 direpresentasikan kedalam bentuk Tabel 2.
Tabel 2.
Representasi Data Transaksi
Itemset 2
Jumlah
Support
Gucci, Dior
1
15
Gucci, Ysl
2
30
Gucci, Balenciaga
1
15
Gucci, Valentino
0
0
Dior, Ysl
1
15
Dior, Balenciaga
1
15
Dior, Chanel
1
15
Dior, Valentino
0
0
Ysl, Balenciaga
2
30
Ysl, Chanel
5
75
Ysl, Valentino
2
30
Balenciaga, Chanel
4
60
Balenciaga, Valentino
0
0
Chanel, Valentino
1
15
banyak item yang ada dibeli dalam setiap transaksi seperti pada Tabel 3.

Penerapan Metode Data Mining Market Basket Analysis
Terhadap Data Penjualan Produk Pada Toko Tas Branded
Menggunakan Algoritma Apriori
274 JUSIIK - VOLUME 1, NO. 1, FEBRUARI 2023
Tabel 3.
Format Tabular Data Transaksi
No
Gucci
Hermes
Dior
Ysl
Balenciaga
Chanel
Burberry
Prade
Valentino
Celine
Guyard
Balmain
Pedro
Lv
Bulgari
1
1
1
1
1
2
1
1
1
3
1
1
1
4
1
1
1
5
1
1
1
1
6
1
1
7
1
1
1
8
1
1
1
9
1
1
1
10
1
1
11
1
1
1
12
1
1
1
13
1
1
1
1
14
1
1
1
15
1
1
3
2
3
7
6
7
1
3
2
2
2
2
1
2
2
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.
Tabel 4.
Support Setiap Item
Itemset 2
Jumlah
Support
Gucci
3
45
Hermes
2
30
Dior
3
45
Ysl
7
105
Balenciaga
6
90
Chanel
7
105
Prada
1
15
Valentino
3
45
Celine
2
30
Goyart
2
30
Balmain
2
30
Burberry
2
30
Pedro
1
15
Lv
2
30
Bvlgari
2
30

e-ISSN: 2986-4976; p-ISSN: 2986-5158, Hal 266-277
275
Dari proses pembentukan itemset pada Tabel 4support setiap item, hasil
pembentukan 1 itemset akan dilakukan kombinasi 2 itemset.
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
Itemset 2
Jumlah
Support
Gucci, Dior
1
15
Gucci, Ysl
2
30
Gucci, Balenciaga
1
15
Gucci, Valentino
0
0
Dior, Ysl
1
15
Dior, Balenciaga
1
15
Dior, Chanel
1
15
Dior, Valentino
0
0
Ysl, Balenciaga
2
30
Ysl, Chanel
5
75
Ysl, Valentino
2
30
Balenciaga, Chanel
4
60
Balenciaga, Valentino
0
0
Chanel, Valentino
1
15
Dari Tabel 5, ditetapkan nilai Ø = 50 sehingga didapat C2 = {(Ysl,Chanel),
(Balenciaga,Chanel)}.
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 6.
Tabel 6.
Hasil itemset 2
Hasil Itemset 2
Jumlah
Support
Balenciaga Chanel
4
60
Ysl, Chanel
5
75
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.

Penerapan Metode Data Mining Market Basket Analysis
Terhadap Data Penjualan Produk Pada Toko Tas Branded
Menggunakan Algoritma Apriori
276 JUSIIK - VOLUME 1, NO. 1, FEBRUARI 2023
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 Tas BRANDED yaitu dengan support dan confidence tertinggi
adalah Tas Ysl dan Tas Chanel dengan nilai support 50% dan confidence 75%.
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.

e-ISSN: 2986-4976; p-ISSN: 2986-5158, Hal 266-277
277
Gunadi, G., & Sensuse, D. I. (2012). Penerapan Metode Data
Jiawei Han And Micheline Kamber. (2006). “ Data Mining : Concepts and Techiques ”. San
Fransisco : Morgan Kaufmann Publishers
Mining Market Basket Analysis Terhadap Data Penjualan Produk Buku Dengan
Menggunakan Algoritma Apriori Dan Frequent Pattern Growth ( FP-GROWTH ),
4(1).
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
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 .,
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.