analisis keranjang belanja menggunakan ...repository.usd.ac.id/35082/2/155314095_full.pdfanalisis...

i

ANALISIS KERANJANG BELANJA MENGGUNAKAN

METODE FP-GROWTH PADA TOKO GROSIR PANCARAN BAHAGIA

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Disusun Oleh :

Yohanes Adi Purnomo Batlayeri

155314095

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2019

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

MARKET BASKET ANALYSIS USING FP-GROWTH METHOD

AT PANCARAN BAHAGIA WHOLESALE SHOP

THESIS

Presented as Partial Fulfillment of the Requirements

To Obtain the Sarjana Komputer Degree

in Informatics Engineering Study Program

By :

Yohanes Adi Purnomo Batlayeri

155314095

INFORMATICS ENGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATICS ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2019


iii


iv


v

HALAMAN MOTO


vi


vii

ABSTRAK

Persaingan dalam perdagangan semakin mengalami perkembangan yang

pesat. Pemanfaatan e-commerce atau dikenal dengan perdagangan elektronik oleh

pelaku bisnis juga terus mengalami peningkatan. Penerapan konsep penambangan

data dapat membantu pelaku bisnis memprediksi dan merencanakan penjualan

produk sesuai pola pembelian konsumen. Pada penelitian ini dilakukan pengolahan

terhadap data transaksi pada Toko Grosir Pancaran Bahagia dengan menggunakan

metode FP-Growth untuk menganalisis keranjang belanja.

Algoritma tidak menggunakan suatu paradigma generate-and-test pada

algoritma Apriori. Sebaliknya, FP-Growth mengkodekan kumpulan data

menggunakan struktur data compact yang disebut FP-Tree dan menghasilkan

itemset yang sering muncul secara langsung dari struktur ini. FP-Growth adalah

algoritma yang menarik karena menggambarkan bagaimana representasi yang

compact dari kumpulan data transaksi, membantu secara efisien menghasilkan

frequent itemset.

Berdasarkan penelitian ini, diperoleh bahwa semakin tinggi nilai minimum

support maka semakin sedikit hasil asosiasi item yang ditemukan, sedangkan

semakin kecil minimum support maka semakin banyak hasil asosiasi item. Dataset

bulan Juli 2017 sampai Desember 2017 dengan minimum support count = 15 dan

confidence = 50% di setiap bulannya, terdapat dataset yang tidak memiliki aturan

asosiasi yaitu bulan Juli 2017 dan Agustus 2017, juga terdapat item yang muncul di

bulan yang berbeda. Minimum support count tertinggi yang masih menghasilkan

confidence 100% adalah bulan Agustus 2017 dengan minimum support count = 14.

Kata kunci – Penambangan Data, FP-Growth, FP-Tree, support.


viii

ABSTRACT

Competition in business has grown rapidly. The utilization of e-commerce

or known as electronic trade by business people also increase in growth. The

implementation of data mining may help business people to predict and propose

product sales in accordance to the buying behaviour patterns of consumers. In this

research there is a management in data transaction at Pancaran Bahagia wholesale

store using FP-Growth method for analyzing the market basket.

This algorithm does not use a generate-and-test paradigm in the Apriori

algorithm. Instead, FP-Growth encodes a dataset using a compact data structure

called FP-Tree and produces the most appeared itemsets that occur directly in this

structure. FP-Growth is an interesting algorithm because it describes how to

represent a compact collection of transaction data, helping to produce frequent

item-set.

According to this particular research, it was found that the higher the

minimum support value, the fewer results of the association items found, while the

smaller the minimum support, the more result of the association item found. The

dataset in July 2017 until December 2017 with minumum support count = 15 and

confidence = 50% in each months, there are datasets that do not have association

rules which are July 2017 and August 2017, also there are items that appear in a

different month. The highest minimum support count that still produce 100%

confidence is August 2017 with minimum support count = 14.

Keywords - Data Mining, FP-Growth, FP-Tree, support.


ix


x

KATA PENGANTAR

Puji syukur kepada Tuhan Yang Maha Esa atas berkat dan tuntunan cinta

kasih-Nya sehingga penulis dapat menyelesaikan penelitian tugas akhir yang

berjudul “ANALISIS KERANJANG BELANJA MENGGUNAKAN METODE

FP-GROWTH PADA TOKO GROSIR PANCARAN BAHAGIA”.

Dalam penyelesaian penelitian tugas akhir ini penulis mendapat dukungan

dari berbagai pihak, sehingga pada kesempatan ini penulis ingin mengucapkan

terima kasih kepada semua pihak baik secara langsung maupun tidak langsung telah

memberikan dukungan kepada penulis, antara lain:

1. Bapak Robertus Adi Nugroho, S.T., M.Eng. selaku Dosen Pembimbing

tugas akhir yang telah bersedia memberikan waktu, saran, dan dukungan

bagi penulis dalam menyelesaikan tugas akhir.

2. Orang tua, adik serta keluarga penulis yang senantiasa memberi dukungan

dan doa.

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

Sains dan Teknologi.

4. Ibu Dr. Anastasia Rita Widiarti, M.Kom selaku Ketua Program Studi

Teknik Informatika Fakultas Sains dan Teknologi.

5. Bapak Eko Hari Parmadi S.Si., M.Kom. selaku Dosen Pembimbing

Akademik.

6. Seluruh Dosen Program Studi Teknik Informatika Universitas Sanata

Dharma yang telah memberikan ilmu pengetahuan kepada penulis sebagai

pembelajaran untuk menyelesaikan tugas akhir.

7. Saudara Jan William Sianturi yang telah meluangkan waktu, tenaga,

memberikan dukungan dan sebagai tempat bertukar pikiran dalam

penyelesaian tugas akhir.


xi


xii

DAFTAR ISI

HALAMAN JUDUL ................................................................................ i

TITLE PAGE ............................................................................................. ii

HALAMAN PERSETUJUAN ................................................................. iii

HALAMAN PENGESAHAN .................................................................. iv

HALAMAN MOTO ................................................................................. v

PERNYATAAN KEASLIAN KARYA .................................................. vi

ABSTRAK ................................................................................................ vii

ABSTRACT ............................................................................................... viii

PERSETUJUAN PUBLIKASI KARYA ILMIAH ............................... ix

KATA PENGANTAR .............................................................................. x

DAFTAR ISI ............................................................................................. xii

DAFTAR GAMBAR ................................................................................ xiv

DAFTAR TABEL ..................................................................................... xv

BAB I PENDAHULUAN

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

1.2. RUMUSAN MASALAH .............................................................. 2

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

1.4. BATASAN MASALAH ............................................................... 3

1.5. SISTEMATIKA PENULISAN ..................................................... 3

BAB II LANDASAN TEORI

2.1. PENGERTIAN PENAMBANGAN DATA ................................. 5

2.2. ANALISIS KERANJANG BELANJA ......................................... 5

2.3. PROSES PENAMBANGAN DATA ............................................ 5

2.4. ALGORITMA FP-GROWTH ....................................................... 6

2.5. ASSOCIATION RULE ................................................................... 13

2.6. LIFT RATIO .................................................................................. 14


xiii

BAB III METODE PENELITIAN

3.1. PENGUMPULAN DATA ............................................................ 15

3.2. PEMROSESAN AWAL ............................................................... 15

3.3. ALGORITMA FP-GROWTH ....................................................... 15

3.4. ASSOCIATION RULE ................................................................... 19

3.5. EVALUASI HASIL ...................................................................... 21

BAB IV PEMROSESAN AWAL DAN PERANCANGAN SISTEM

4.1. PEMROSESAN AWAL ............................................................... 22

4.2. PERANCANGAN SISTEM ......................................................... 24

BAB V IMPLEMENTASI SISTEM DAN EVALUASI HASIL

5.1. IMPLEMENTASI SISTEM .......................................................... 29

5.2. EVALUASI HASIL ...................................................................... 31

5.3. KELEBIHAN DAN KEKURANGAN SISTEM .......................... 35

BAB VI PENUTUP

6.1. KESIMPULAN ............................................................................. 37

6.2. SARAN ......................................................................................... 37

DAFTAR PUSTAKA ............................................................................... 38


xiv

DAFTAR GAMBAR

Gambar 2.1 Pembentukan sebuah FP-Tree .................................................. 7

Gambar 2.2 Mengurai masalah itemset generation yang sering muncul

menjadi beberapa subproblem, di mana setiap subproblem

melibatkan penemuan itemset yang sering muncul berakhiran

e, d, c, b, dan a .......................................................................... 9

Gambar 2.3 Contoh penerapan algoritma FP-Growth untuk menemukan

item yang sering muncul berakhiran e ...................................... 10

Gambar 3.1 Kumpulan Data Transaksi yang Berisi 15 Transaksi ................ 16

Gambar 3.2 Potongan Pembentukan FP-Tree 15 Data Sampel .................... 17

Gambar 3.3 Tahapan Penelitian .................................................................... 21

Gambar 4.1 Kondisi awal dari data yang digunakan dalam penelitian ......... 22

Gambar 4.2 Data Cleaning ............................................................................ 23

Gambar 4.3 Diagram Konteks ....................................................................... 24

Gambar 4.4 Diagram Flowchart ................................................................... 25

Gambar 4.5 Diagram Use Case ..................................................................... 25

Gambar 4.6 Perancangan Antarmuka Halaman Beranda .............................. 28

Gambar 4.7 Perancangan Antarmuka Halaman Bantuan .............................. 28

Gambar 5.1 Implementasi Antarmuka Halaman Beranda ............................ 29

Gambar 5.2 Implementasi Antarmuka Halaman Bantuan ............................ 30


xv

DAFTAR TABEL

Tabel 2.1 Daftar item yang sering dipesan sesuai dengan akhirannya .......... 9

Tabel 3.1 Potongan 15 Data Sampel Pengujian ........................................... 16

Tabel 3.2 Daftar frequent itemset dari 15 Data Sampel ................................ 18

Tabel 3.3 Daftar Aturan Asosiasi dari 15 Data Sampel ................................ 20

Tabel 5.1 Hasil Pengujian Perbandingan Jumlah Aturan Asosiasi ............... 31

Tabel 5.2 Keterangan Pengujian Sistem Menggunakan Dataset .................. 32

Tabel 5.3 Daftar Minimum Support Count Tertinggi dari 6 Percobaan ...... 34


1

BAB I

PENDAHULUAN

1.1 LATAR BELAKANG

Persaingan dalam perdagangan semakin mengalami perkembangan yang

pesat. Pemanfaatan e-commerce atau dikenal dengan perdagangan elektronik

oleh pelaku bisnis juga terus mengalami peningkatan. Sebagai pelaku bisnis

di era ekonomi digital tentunya memiliki cara untuk mempertahankan

bisnisnya. Salah satu tujuan adalah menjaga loyalitas konsumen terhadap

produk dagangannya. Suatu tantangan dalam persaingan bisnis saat ini yaitu

bertahan seiring perkembangan teknologi dengan menentukan perencanaan

yang tepat.

Jika suatu produk dagang tersedia dalam kurun waktu yang lama akan

berdampak pada kerusakan produk itu sendiri. Dalam hal ini adalah turunnya

kualitas produk sehingga dapat mempengaruhi loyalitas konsumen. Selain

itu, pendapatan penjualan menjadi kurang efektif karena transaksi terhadap

suatu produk terjual memerlukan waktu lama. Penerapan konsep

penambangan data dapat membantu pelaku bisnis memprediksi dan

merencanakan penjualan produk sesuai pola pembelian konsumen. Hal ini

dapat dilaksanakan dengan menganalisis data keranjang belanja sehingga

diperoleh informasi sebagai strategi meningkatkan laba.

FP-Growth (Frequent Pattern Growth) adalah metode penambangan

frekuensi itemset tanpa kandidat generation, membentuk struktur data

compact untuk meringkas transaksi basis data yang asli dan fokus pada FP-

Growth, menghindari kandidat generation yang tidak penting sehingga

menghasilkan hasil yang efisien (Han, 2006). Penggunaan metode ini dapat

memperlihatkan pola produk yang sering muncul dan memiliki hubungan

antar produk pada transaksi konsumen.


2

Beberapa penelitian yang pernah dilakukan sebelumnya dengan

mengimplementasi algoritma FP-Growth yaitu (Fajrin dan Maulana, 2018),

dalam penelitiannya diperoleh hasil spare part motor yang memenuhi

minimum support dan minimum confidence serta yang banyak terjual adalah

screw valve adjusting, oil seal, battery assy, axle, gasket cylinder, dan cable

cluth. Selain itu, terdapat penelitian yang dilakukan oleh (Sumangkut dkk,

2016) pada penelitian tersebut diperoleh aturan asosiasi jika membeli air

mineral maka membeli tissue, siverqueen, selamat wafer, kripik dan briko

wafer dengan nilai confidence sebesar 0.94. Adapun, penelitian (Larasati dkk,

2015) dari hasil pengujian dan analisa bahwa rules yang dihasilkan di setiap

bulan dengan minsupp=0.002 dan minconf=0.5, jumlahnya hampir sama dan

ada beberapa produk yang muncul di beberapa bulan yang berbeda.

Dari beberapa penelitian tersebut maka pada penelitian ini dilakukan

pengolahan terhadap data transaksi pada Toko Grosir Pancaran Bahagia

dengan menggunakan metode FP-Growth untuk menganalisis keranjang

belanja. Dari data transaksi nantinya diperoleh informasi tentang pola asosiasi

produk yang sering dibeli oleh konsumen dalam waktu bersamaan. Selain itu,

hasil analisis keranjang belanja dapat digunakan untuk menentukan strategi

penjualan kedepannya sehingga dapat meningkatkan pendapatan.

1.2 RUMUSAN MASALAH

Berdasarkan latar belakang dapat dirumuskan masalah sebagai berikut:

a. Bagaimana menerapkan metode FP-Growth dalam menganalisis data

keranjang belanja pada Toko Grosir Pancaran Bahagia?

b. Seberapa kuat aturan asosiasi yang terbentuk dari algoritma FP-Growth

pada data transaksi Toko Grosir Pancaran Bahagia?


3

1.3 TUJUAN PENELITIAN

Tujuan penelitian ini adalah:

a. Mengetahui hasil analisis data keranjang belanja pada Toko Grosir

Pancaran Bahagia dengan menggunakan metode FP-Growth.

b. Mengetahui kuat aturan asosiasi yang terbentuk dari algoritma FP-

Growth pada data transaksi Toko Grosir Pancaran Bahagia.

1.4 BATASAN MASALAH

Beberapa batasan masalah pada penelitian ini adalah:

a. Informasi yang dikelola merupakan data transaksi Toko Grosir Pancaran

Bahagia tahun 2017 dan 2018.

b. Metode pencarian frequent itemset menggunakan algoritma FP-Growth.

c. Pengukuran hubungan antar item dari association rule menggunakan lift

ratio.

1.5 SISTEMATIKA PENULISAN

Sistematika penulisan tugas akhir terdiri dari beberapa bab, yaitu:

1. BAB I : PENDAHULUAN

Bab ini berisi tentang latar belakang, rumusan masalah, tujuan

penelitian, batasan masalah, dan sistematika penulisan tugas akhir.

2. BAB II : LANDASAN TEORI

Bab ini berisi teori-teori yang menjadi dasar teori penelitian.

3. BAB III : METODOLOGI PENELITIAN

Bab ini berisi tentang langkah-langkah penyelesaian tugas akhir dan

deskripsi data yang digunakan dalam penelitian.

4. BAB IV : PEMROSESAN AWAL DAN PERANCANGAN SISTEM

Bab ini menjelaskan pemrosesan awal terhadap data dan

perancangan sistem yang akan dibuat.


4

5. BAB V : IMPLEMENTASI SISTEM DAN EVALUASI HASIL

Bab ini berisi tentang implementasi sistem dan evaluasi hasil

pengujian terhadap sistem yang telah dibuat.

6. BAB VI : PENUTUP

Bab ini berisi tentang kesimpulan dari hasil penelitian serta saran

yang diperoleh berdasarkan hasil yang telah dicapai untuk

pengembangan penelitian selanjutnya.

LAMPIRAN


5

BAB II

LANDASAN TEORI

2.1 PENGERTIAN PENAMBANGAN DATA

Penambangan data adalah proses penemuan informasi yang berguna secara

otomatis di tempat penyimpanan data yang besar. Teknik penambangan data

dihimpun untuk menjelajah database dalam jumlah yang besar untuk

menemukan novel dan pola yang bermanfaat (Tan, 2005). Secara sederhana,

penambangan data merujuk pada penggalian atau "menambang" pengetahuan

dari jumlah data yang besar (Han, 2006).

2.2 ANALISIS KERANJANG BELANJA

Analisis keranjang belanja dapat digunakan untuk menggabungkan kelompok

item-item sebagai strategi memaksimalkan penjualan (Han, 2006).

Proses ini menganalisis kebiasaan konsumen dengan menemukan asosiasi

antar item yang berbeda ditempatkan di “keranjang belanja” konsumen.

Penemuan asosiasi ini dapat membantu pelaku usaha mengembangkan

strategi pemasaran dengan mendapatkan wawasan tentang barang-barang

yang sering dibeli bersamaan oleh konsumen (Han, 2012).

2.3 PROSES PENAMBANGAN DATA

Langkah-langkah dalam penambangan data atau lebih dikenal dengan istilah

knowledge discovery from data (KDD) adalah sebagai berikut :

a. Data Cleaning yaitu proses untuk menghilangkan noise dan data yang

tidak konsisten.

b. Data Integration yaitu proses di mana beberapa sumber data

digabungkan.

c. Data Selection yaitu proses pemilihan data yang relevan dengan tugas

analisis.


6

d. Data Transformation yaitu proses data ditransformasi atau digabungkan

ke dalam bentuk yang sesuai untuk proses penambangan data.

e. Data Mining yaitu proses penting di mana metode tertentu diterapkan

untuk menghasilkan pola data.

f. Pattern Evaluation yaitu proses untuk mengidentifikasi pola yang

diperoleh dari proses penambangan data.

g. Knowledge Presentation yaitu proses visualisasi dan representasi

pengetahuan yang digunakan untuk memberikan gambaran pengetahuan

hasil penambangan kepada pihak terkait (Han, 2012).

2.4 ALGORITMA FP-GROWTH

Algoritma tidak menggunakan suatu paradigma generate-and-test pada

algoritma Apriori. Sebaliknya, FP-Growth mengkodekan kumpulan data

menggunakan struktur data compact yang disebut FP-Tree dan menghasilkan

itemset yang sering muncul secara langsung dari struktur ini. FP-Growth

adalah algoritma yang menarik karena menggambarkan bagaimana

representasi yang compact dari kumpulan data transaksi, membantu secara

efisien menghasilkan frequent itemset. Selain itu, untuk kumpulan data

transaksi tertentu, FP-Growth melampaui standar algoritma Apriori dengan

beberapa urutan besarnya. Kinerja run-time dari FP-Growth tergantung pada

faktor pemadatan dari kumpulan data (Tan, 2005).

Sebuah studi tentang kinerja metode FP-Growth menunjukkan bahwa metode

ini efisien dan mudah diukur untuk menambang baik pola yang panjang dan

pendek, dan tentang urutan besarnya lebih cepat dari algoritma Apriori.

Metode ini juga lebih cepat dari algoritma Tree-Projection, yang secara

rekursif memproyeksikan database ke dalam tree of projected databases

(Han, 2006).


7

2.4.1 FP-Tree

FP-Tree adalah gambaran meringkas masukan data. FP-Tree dibangun

dengan membaca kumpulan data satu transaksi sekaligus dan memetakan

setiap transaksi ke jalur di FP-Tree. Ketika transaksi berbeda memiliki

beberapa item yang sama, jalur dapat tumpang tindih. Semakin banyak jalur

yang tumpang tindih satu dengan yang lain, kompresi menjadi lebih banyak

sehingga menggunakan struktur FP-Tree. Jika ukuran dari FP-Tree cukup

kecil untuk masuk ke dalam memori utama memungkinkan ekstraksi itemset

secara langsung dari struktur dalam memori daripada membuat ulang

melewati data yang disimpan pada disk.

Gambar 2.1 Pembentukan sebuah FP-Tree (Tan, 2005).

Gambar 2.1 menunjukkan kumpulan yang berisi sepuluh transaksi dan lima

item. Struktur dari FP-Tree setelah membaca tiga transaksi pertama juga

digambarkan dalam diagram. Setiap node dalam tree berisi label item

bersama dengan counter, menunjukkan jumlah transaksi yang dipetakan ke

jalur yang diberikan. Awalnya, FP-tree hanya berisi node root yang diwakili

oleh null. FP-Tree kemudian diperluas dengan cara berikut:

1. Kumpulan data dipindai satu kali untuk menentukan support count

setiap item. Item yang tidak sering muncul dibuang, sementara item


8

yang sering muncul diurutkan dalam decreasing support count. Bagi

kumpulan data yang ditunjukkan pada Gambar 2.1, a adalah item yang

paling sering muncul, diikuti oleh b, c, d, dan e.

2. Algoritma membuat jalan kedua atas data untuk membangun FP-Tree.

Setelah membaca transaksi pertama, {a, b}, membuat node dengan label

sebagai a dan b. Sebuah jalur kemudian terbentuk dari nulI a b

untuk menyandikan transaksi. Setiap node di sepanjang jalur memiliki

jumlah frekuensi 1.

3. Setelah membaca transaksi kedua, {b, c, d}, suatu node baru dibuat

untuk item b, c, dan d. Sebuah jalur kemudian dibentuk untuk mewakili

transaksi dengan menghubungkan node null b c d. Setiap node

sepanjang jalur ini juga memiliki jumlah frekuensi sama dengan satu.

Walaupun dua transaksi pertama memiliki item yang sama yaitu b,

jalurnya terputus karena transaksi berikutnya memiliki awalan yang

tidak sama.

4. Transaksi ketiga, {a, c, d, e}, memiliki awalan yang sama (a) dengan

transaksi pertama. Akibatnya, jalan menuju transaksi ketiga, null a

c d e, tumpang tindih dengan jalur transaksi pertama, nulI a

b. Karena jalur yang tumpang tindih, jumlah frekuensi untuk node a

bertambah menjadi dua, sementara hitungan frekuensinya untuk node

yang baru dibuat, c, d, dan e, sama dengan satu.

5. Proses ini berlanjut sampai setiap transaksi telah dipetakan ke salah satu

jalur yang diberikan dalam FP-Tree. Hasil FP-Tree setelah membaca

semua transaksi ditunjukkan di bagian (iv) Gambar 2.1 (Tan, 2005).

2.4.2 Frequent Itemset Generation dalam Algoritma FP-Growth

FP-Growth adalah algoritma yang menghasilkan frequent itemset dari FP-

Tree dengan menjelajah tree secara bottom-up. Mengingat contoh tree yang

ditunjukkan pada Gambar 2.2 algoritma mencari itemset yang sering muncul

berakhiran e pertama, diikuti oleh d, c, b, dan akhirnya a. Strategi bottom-up

untuk menemukan itemset yang sering muncul berakhiran dengan item


9

tertentu setara dengan pendekatan suffix-based. Karena setiap transaksi

dipetakan pada jalur dalam FP-Tree, dapat diperoleh item-item yang sering

muncul berakhiran dengan item tertentu. Sebagai contoh hanya memeriksa

jalur yang mengandung node e. Jalur ini dapat diakses dengan cepat

menggunakan pointer yang terkait dengan node e. Jalur yang diekstraksi

ditunjukkan pada Gambar 2.2 (a).

Gambar 2.2 Mengurai masalah itemset generation yang sering muncul

menjadi beberapa subproblem, di mana setiap subproblem melibatkan

penemuan itemset yang sering muncul berakhiran e, d, c, b, dan a

(Tan, 2005).

Tabel 2.1 Daftar item yang sering dipesan sesuai dengan akhirannya

(Tan, 2005).

Suffix Frequent Itemset

e {e}, {d,e}, {a,d,e}, {c,e}, {a,e}

d {d}, {c,d}, {b,c,d}, {a,c,d}, {b,d}, {a,b,d}, {a,d}

c {c}, {b,c}, {a,b,c}, {a,c}

b {b}, {a,b}

a {a}


10

Setelah menemukan itemset yang sering muncul berakhiran e, selanjutnya

algoritma mencari itemset yang sering muncul berakhiran d dengan

memproses jalur yang terkait dengan node d. Jalur yang sesuai ditunjukkan

pada Gambar 2.2 (b). Proses ini berlanjut sampai semua jalur yang terkait

dengan node c, b, dan akhirnya a diproses. Jalur untuk item-item ini

ditunjukkan pada Gambar 2.2 (c), (d), dan (e), sementara frequent item yang

sesuai dirangkum dalam Tabel 2.1. FP-Growth menemukan semua itemset

yang sering berakhiran akhiran tertentu dengan menggunakan strategi divide-

and-conquer untuk membagi masalah menjadi subproblem yang lebih kecil.

Sebagai contoh, menemukan semua kemunculan itemset berakhiran e.

Gambar 2.3 Contoh penerapan algoritma FP-Growth untuk menemukan

item yang sering muncul berakhiran e (Tan, 2005).

Terlebih dahulu memeriksa apakah itemset {e} itu sendiri sering muncul. Jika

sering muncul, anggap subproblem untuk menemukan itemset yang sering

muncul berakhiran de, diikuti oleh ce, be, dan ae. Pada gilirannya, masing-

masing subproblem ini selanjutnya diuraikan menjadi subproblem yang lebih

kecil. Penggabungan solusi yang diperoleh dari subproblem, semua itemset

yang sering muncul berakhiran e dapat ditemukan. Pendekatan divide-and-

conquer ini adalah strategi kunci yang digunakan oleh algoritma FP-Growth.


11

Contoh yang lebih konkret tentang cara menyelesaikan subproblem,

pertimbangkan tugas menemukan itemset yang sering muncul berakhiran e.

1. Langkah pertama adalah mengumpulkan semua jalur yang mengandung

node e. Jalur awal ini disebut prefix paths dan ditunjukkan pada Gambar

2.3 (a).

2. Dari awalan jalur yang ditunjukkan pada Gambar 2.3 (a), support count

untuk e diperoleh dengan menambahkan support count yang terkait

dengan node e. Asumsi bahwa minimum support count adalah 2, {e}

dinyatakan sebagai itemset yang sering karena support count adalah 3.

3. Karena {e} sering muncul, algoritma harus menyelesaikan subproblem

untuk menemukan itemset yang sering muncul berakhiran de, ce, be, dan

ae. Sebelum menyelesaikan subproblem ini, terlebih dahulu harus

mengonversi awalan jalur menjadi conditional FP-Tree, yang secara

struktural mirip dengan FP-Tree, kecuali sedang digunakan untuk

menemukan itemset yang sering muncul berakhiran tertentu.

Conditional FP-Tree diperoleh dengan cara berikut:

a) Pertama, support count sepanjang awalan jalur harus diperbarui

karena beberapa count termasuk transaksi yang tidak mengandung

item e. Sebagai contoh, jalur paling kanan yang ditunjukkan pada

Gambar 2.3 (a), null b:2 c:2 e:1, termasuk transaksi {b , c}

yang tidak mengandung item e. Hitungan di sepanjang awalan jalur

karena itu harus disesuaikan ke 1 untuk mencerminkan jumlah

sebenarnya transaksi yang mengandung {b, c, e}.

b) Awalan jalur dipotong dengan menghapus node untuk e. Node ini

dapat dihapus karena support count sepanjang awalan jalur telah

diperbarui untuk mencerminkan hanya transaksi yang mengandung

e dan subproblem untuk menemukan itemset yang sering muncul

berakhiran de, ce, be, dan ae tidak perlu lagi informasi tentang node

e.

c) Setelah memperbarui support count di sepanjang awalan jalur,

beberapa item mungkin tidak lagi sering muncul. Misalnya, node b


12

hanya muncul sekali dan memiliki support count sama dengan 1

yang berarti hanya ada satu transaksi yang berisi b dan e. Item b

dapat dengan aman diabaikan dari analisis berikutnya karena semua

item yang berakhir be seharusnya jarang muncul.

Conditional FP-Tree untuk e ditunjukkan pada Gambar 2.3 (b). Tree

terlihat berbeda dari awalan jalur asli karena jumlah frekuensi telah

diperbarui dan node b dan e telah dihapus.

4. FP-Growth menggunakan Conditional FP-Tree untuk e untuk

menyelesaikan subproblem dalam menemukan itemset yang sering

muncul berakhiran de, ce, dan ae. Dalam menemukan itemset yang

sering muncul berakhiran, awalan jalur untuk d dikumpulkan dari

conditional FP-Tree untuk e (Gambar 2.3 (c)). Dengan menambahkan

jumlah frekuensi yang terkait dengan node d, diperoleh support count

untuk {d, e}. Karena support count sama dengan 2, {d, e} dinyatakan

sebagai itemset yang sering muncul. Selanjutnya, algoritma membangun

conditional FP-Tree untuk de menggunakan pendekatan yang

dijelaskan pada langkah 3. Setelah memperbarui support count dan

menghapus item yang jarang muncul c, conditional FP-Tree untuk de

ditunjukkan pada Gambar 2.3 (d). Karena conditional FP-Tree hanya

berisi satu item, a, support sama dengan minsup, algoritma

mengekstraksi itemset yang sering muncul {a, d, e} dan berpindah ke

subproblem berikutnya, menghasilkan frequent itemset yang berakhiran

ce. Setelah memproses awalan jalur untuk c, hanya ditemukan {c, e}

yang sering muncul. Algoritma melanjutkan untuk menyelesaikan

subprogram berikutnya dan menemukan {a, e} menjadi satu-satunya

frequent itemset yang tersisa.

Contoh ini mengilustrasikan pendekatan divide-and-conquer yang

digunakan dalam algoritma FP-Growth. Pada setiap langkah rekursif,

conditional FP-Tree dikonstruksi dengan memperbarui jumlah

frekuensi sepanjang jalur awalan dan menghapus semua item yang

jarang muncul. Karena subproblem yang disjoint, FP-growth tidak akan


13

menghasilkan itemset duplikat. Selain itu, jumlah yang terkait dengan

node memungkinkan algoritma untuk melakukan penghitungan support

sementara menghasilkan common suffix itemset.

2.5 ASSOCIATION RULE

Kekuatan dari aturan asoiasi dapat diukur dengan support dan confidence.

Support menentukan seberapa sering suatu aturan berlaku untuk data yang

diberikan, sementara confidence menentukan seberapa sering item Y muncul

di transaksi yang mengandung X.

𝑠𝑢𝑝𝑝𝑜𝑟𝑡, 𝑠(𝑋 → 𝑌) = 𝜎(𝑋 ⋃ 𝑌)

𝑁 (2.1)

di mana :

X : transaksi yang memiliki item X

Y : transaksi yang memiliki item Y

N : jumlah seluruh transaksi

𝑐𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒, 𝑐(𝑋 → 𝑌) = 𝜎(𝑋 ⋃ 𝑌)

𝜎(𝑋) (2.2)

di mana :

X : transaksi yang memiliki item X

Y : transaksi yang memiliki item Y

(Tan, 2005).

Secara umum, penambangan aturan asosiasi dapat dilihat dalam dua tahap:

1. Temukan semua itemset yang sering muncul: Secara definisi, masing-

masing dari itemset ini akan terjadi setidaknya sebagai sering muncul

sesuai perhitungan minimum support yang ditentukan sebelumnya (min

sup).

2. Hasilkan aturan asosiasi yang kuat dari frequent itemset: Menurut

definisi, aturan harus memenuhi minimum support dan minimum

confidence.


14

Aturan asosiasi dibuang sebagai tidak menarik jika tidak memenuhi minimum

support dan minimum confidence. Aturan asosiasi dianggap menarik jika

memenuhi ambang batas minimum support dan minimum confidence.

Ambang batas ini dapat ditetapkan oleh pengguna atau ahli domain. Analisis

tambahan dapat dilakukan untuk menemukan statistik korelasi yang menarik

antara hubungan item. Aturan yang memenuhi baik minimum support (min

sup) dan minimum confidence (min conf) disebut kuat (Han, 2012).

2.6 LIFT RATIO

Lift ratio adalah ukuran korelasi sederhana (Han, 2006). Lift antara kejadian

A dan B bisa diukur dengan perhitungan sebagai berikut:

𝑙𝑖𝑓𝑡 = 𝑐(𝐴 → 𝐵)𝑠(𝐵)

(2.3)

di mana :

A : Transaksi yang memiliki item A.

B : Transaksi yang memiliki item B.

(Tan, 2005).

a. Jika nilai yang dihasilkan dari Persamaan (2.3) kurang dari 1, maka

terjadinya A adalah negatif berkorelasi dengan terjadinya B.

b. Jika nilai yang dihasilkan lebih besar dari 1, maka A dan B berkorelasi

positif, yang berarti bahwa terjadinya satu menyiratkan terjadinya yang

lain.

c. Jika nilai yang dihasilkan sama dengan 1, maka A dan B bersifat

independen dan tidak ada korelasi diantara mereka.

(Han, 2006).


15

BAB III

METODOLOGI PENELITIAN

3.1 PENGUMPULAN DATA

Melakukan tinjauan pustaka teori-teori mengenai penambangan data, analisis

keranjang belanja, association rule, algoritma FP-Growth, juga lift ratio.

Selain itu, pada tahapan ini dilakukan proses pengambilan data transaksi

Toko Grosir Pancaran Bahagia tahun 2017 dan 2018.

3.2 PEMROSESAN AWAL

Setelah diperoleh data transaksi pada tahapan pengumpulan data yang akan

digunakan dalam penelitian, proses yang dilakukan adalah pemrosesan awal.

Pemrosesan awal mencakup data cleaning, data integration, data reduction,

dan data transformation (Han, 2012).

3.3 ALGORITMA FP-GROWTH

Pada tahapan ini, mengimplementasi algoritma FP-Growth untuk mengolah

data yang telah diproses sesuai dengan masukan data. Proses pada algoritma

ini adalah membentuk FP-Tree, conditional pattern base, conditional FP-

Tree, dan pencarian frequent itemset.

Berikut ini adalah contoh penerapan analisis keranjang belanja menggunakan

metode FP-Growth dengan 15 data sampel transaksi Toko Grosir Pancaran

Bahagia pada bulan Januari 2017:


16

Tabel 3.1 Potongan 15 Data Sampel Pengujian.

No. Struk Nama Barang

PJ00007905 BERAS MAWAR 5 KG

PJ00007905 INDOMIE GORENG

PJ00007905 GULA KBA

PJ00007905 SUSU BENDERA KM PUTIH RTG

PJ00007905 SUSU INDOMILK KM COKLAT RTG

PJ00007905 SEDAP KARI SPECIAL

PJ00007905 SABUN LUX AQUA SPARKLE 85 GR

PJ00007905 LIFEBUOY MILD CARE 85 GR

PJ00009250 AQUA ISI ULANG

PJ00009272 SUSU DAIRY CHAMP 500 GR

PJ00008972 GULA KBA


…………... …………………………………………….

PJ00008414 GULA KBA


PJ00008436 TELUR


PJ00008436 INDOMIE GORENG KRIUK PDS

PJ00008436 INDOMIE GORENG RENDANG

PJ00008436 GULA KBA

PJ00008436 PADDLE POP COLOUR POPPER 57 ML

Dari data pada Tabel 3.1 atau lebih lengkapnya dapat dilihat pada Lampiran

3 dilakukan proses pencarian frekuensi untuk setiap item dan pada kumpulan

data transaksi, urutan item yang semulanya acak kemudian diurutkan

berdasarkan item yang paling sering muncul ke yang jarang muncul di setiap

data transaksinya. Contoh analisis keranjang belanja ini menggunakan

minimum support count = 2 dan minimum confidence = 80%. Beberapa item

yang tidak memenuhi minimum support count dihilangkan.

Gambar 3.1 Kumpulan Data Transaksi yang Berisi 15 Transaksi.


17

Kumpulan Data Transaksi pada Gambar 3.1 dibaca sebagai TID dengan

PJ00007905 memiliki item GULA KBA, INDOMIE GORENG, BERAS

MAWAR 5 KG sesuai inisialisasi item yang dideklarasikan sampai pada TID

PJ00008436. Inisialisasi item dilakukan hanya untuk mempermudah

perhitungan manual.

1. Pembentukan FP-Tree

Kumpulan data yang telah sesuai algoritma FP-Growth pada Gambar 3.1

akan dikelola seperti Gambar 3.2 :

Gambar 3.2 Potongan Pembentukan FP-Tree 15 Data Sampel.

Node yang dihasilkan dalam tree berisi label item bersama dengan

counter. Setiap transaksi akan dibaca dan dilakukan pembentukan FP-Tree

terhadap 15 data sampel. Jadi pembentukan dimulai dari node root

diwakilkan oleh null, algoritma membaca TID PJ00007905 {a,d,g}

membuat node dengan label a, d, dan g. Sebuah jalur kemudian terbentuk


18

dari null a d g, gambaran jalur ini dapat dilihat pada Gambar 3.2

bagian (i). Setiap node memliki jumlah frekuensi 1. Setelah membaca TID

PJ00009250 {c} suatu node baru dibuat untuk item c dengan sebuah jalur

terbentuk dari null c. Jalur ini juga memiliki jumlah frekuensi 1, dapat

dilihat pada Gambar 3.2 bagian (ii). Proses ini berlanjut sampai transaksi

yang terakhir, pada contoh ini adalah TID PJ000008436.

Dalam pembentukan FP-Tree, jika terdapat awalan node yang sama pada

transaksi yang berbeda maka suatu jalur akan tumpang tindih dan jumlah

frekuensi bertambah 1. Sebaliknya jika awalan jalur tidak sama, jalur baru

akan terbentuk dari root dengan jumlah frekuensi 1. Gambar 3.2 bagian

(iii) merupakan bentuk FP-Tree setelah membaca seluruh transaksi.

Pointer putus-putus menunjukkan node yang memiliki label yang sama.

Proses pembentukan FP-Tree secara lengkap dapat dilihat pada Lampiran

4.

2. Pembentukan conditional pattern base, conditional FP-Tree, dan

pencarian frequent itemset.

Melihat kembali FP-Tree yang telah terbentuk pada Gambar 3.2, tahapan

ini adalah membentuk conditional pattern base, conditional FP-Tree, dan

mencari frequent itemset dengan menjelajah tree secara bottom-up.

Tabel 3.2 Daftar frequent itemset dari 15 Data Sampel.

Suffix Conditional

Pattern Base

Conditional

FP-Tree

Frequent Itemset

g {ad:2} {a:2}, {d:2},

{ad:2}

{a, g:2}, {d, g:2}, {ad, g:2}

f {ae:1},{bc:1} - -

e {a:3} {a:3} {a, e:3}

d {a:2}, {ab:2} {a:2}, {b:2},

{ab:2}

{a, d:2}, {b, d:2}, {ab, d:2}

c {b:1} - -

b {a:4} {a:4} {a, b:4}

a


19

Sebagai contoh, menemukan kemunculan berakhiran g dengan terlebih

dahulu memeriksa apakah itemset {g} sering muncul. Diperoleh g sering

muncul dengan support count memenuhi minimum support count,

sehingga node yang berakhiran g menjadi conditional pattern base yaitu

ad. Support count 2 untuk ad diperoleh dari kemunculannya bersama g

pada tree yang sudah dipetakan. Anggap subproblem untuk menemukan

item sering muncul berakhiran ag, dg.

Pembentukan conditional FP-Tree dilakukan dengan memperbarui count

pada node yang memiliki item g. Beberapa item mungkin menjadi tidak

sering muncul sehingga dapat dihilangkan. Hasilnya a:2, d:2, ad:2

terhadap akhiran g yang menjadi conditional FP-Tree. Kemunculan node

yang memenuhi minimum support akan dimuat sebagai frequent itemset

sesuai akhirannya.

Proses ini berlanjut sampai semua jalur yang terkait node f, e, d, c, b, a.

Penemuan itemset sering muncul dengan contoh yang berbeda dapat

dilihat pada penjelasan Gambar 2.2 dan Gambar 2.3.

3.4 ASSOCIATION RULE

Dari hasil frequent itemset algoritma FP-Growth pada tahapan ini proses yang

dilakukan adalah membentuk aturan asosiasi. Sebagai contoh hasil dari Tabel

3.2 dilakukan pembentukan aturan asosiasi dengan menggunakan minimum

support count = 2 dan minimum confidence = 80%. Nilai support, confidence,

dan lift ratio suatu aturan asosiasi diperoleh sesuai Persamaan 2.1, Persamaan

2.2, dan Persamaan 2.3 yang dijelaskan pada Landasan Teori. Count pada

aturan asosiasi diperoleh dari kemunculan item secara bersamaan pada

seluruh transaksi 15 data sampel. Aturan asosiasi yang tidak memenuhi

ketentuan minimum support count dan minimum confidence dihilangkan

sehingga diperoleh hasil aturan asosiasinya yang dapat dilihat pada Tabel 3.3:


20

Tabel 3.3 Daftar Aturan Asosiasi dari 15 Data Sampel.

No. Aturan

Asosiasi

Count Support Confidence Lift Ratio

1. g => a 2 2

15× 100

= 13,33%

2

2× 100

= 100%

100%

(9

15 × 100)

= 1,67

2. g => d 2 2

15× 100

= 13,33%

2

2× 100

= 100%

100%

(4

15 × 100)

= 3,75

3. g => d,a 2 2

15× 100

= 13,33%

2

2× 100

= 100%

100%

(4

15× 100)

= 3,75

4. g,d => a 2 2

15× 100

= 13,33%

2

2× 100

= 100%

100%

(9

15 × 100)

= 1,67

5. d => a 4 4

15× 100

= 26,67%

4

4× 100

= 100%

100%

(9

15× 100)

= 1,67

6. d,b => a 2 2

15× 100

= 13,33%

2

2× 100

= 100%

100%

(9

15 × 100)

= 1,67

Keterangan aturan asosiasi yang terbentuk memenuhi minimum support dan

minimum confidence menjadi sebagai berikut:

1. Jika BERAS MAWAR 5 KG maka GULA KBA.

2. Jika BERAS MAWAR 5 KG maka INDOMIE GORENG.

3. Jika BERAS MAWAR 5 KG maka INDOMIE GORENG, GULA KBA.


21

4. Jika BERAS MAWAR 5 KG, INDOMIE GORENG maka GULA KBA.

5. Jika INDOMIE GORENG maka GULA KBA.

6. Jika INDOMIE GORENG, TELUR maka GULA KBA.

3.5 EVALUASI HASIL

Dari aturan asosiasi yang telah diperoleh dengan mengimplementasi

algoritma FP-Growth, selanjutnya dilakukan pengujian aturan asosiasi yang

dihasilkan sebagai bentuk evaluasi hasil.

Gambar 3.3 Tahapan Penelitian.


22

BAB IV

PEMROSESAN AWAL DAN PERANCANGAN SISTEM

4.1 PEMROSESAN AWAL

Tahapan pemrosesan awal yang dilakukan terhadap data diantaranya data

cleaning, data integration, data selection, dan data transformation.

Gambar 4.1 Kondisi awal dari data yang digunakan dalam penelitian.

4.1.1 Data Cleaning

Beberapa data yang perlu dibersihkan dari Gambar 4.1 sebagai berikut :

a) Baris yang tidak berisikan data, berisikan judul data, label kolom, total,

discount, dan grand total.

b) Semua data barang yang kosong.

Pada data transaksi, kondisi ini dapat dilihat pada Gambar 4.2.


23

Gambar 4.2 Data Cleaning.

4.1.2 Data Integration

Penelitian ini menggunakan sebanyak 8 data excel yaitu data transaksi

penjualan tahun 2017 dan 2018. Sumber data yang digunakan berasal dari

satu sumber sehingga tidak dilakukan proses data integration.

4.1.3 Data Selection

Pada data asli transaksi penjualan terdapat 10 atribut yaitu kode barang, nama

barang, satuan, no struk, tanggal transaksi, HPP, harga jual, jumlah,

keuntungan, dan % margin. Atribut yang digunakan oleh sistem untuk

menganalisis keranjang belanja atau proses penambangan data hanya 2 atribut

yaitu no struk dan nama barang. Tahapan ini dilakukan oleh sistem saat

membaca data masukan pengguna.

4.1.4 Data Transformation

Data yang telah melalui tahapan data selection yaitu atribut no struk dan nama

barang akan ditampung oleh sistem untuk proses penambangan dalam bentuk

struktur data array. Informasi terkait data akan ditampilkan pada tabel data

awal.


24

4.2 PERANCANGAN SISTEM

4.2.1 Perancangan Umum

4.2.1.1 Input Sistem Proses Sistem

Sistem analisis keranjang belanja menggunakan metode FP-Growth hanya

dapat menerima data masukan dari pengguna file bertipe *.xls dan *.xlsx yang

dipilih oleh pengguna. Selain itu, dalam analisis keranjang belanja pengguna

memasukkan nilai minimum support dan minimum confidence. Gambaran

umum perancangan input sistem dapat dilihat pada Gambar 4.3.

Gambar 4.3 Diagram Konteks.

4.2.1.2 Proses Sistem

Proses yang dilakukan oleh sistem untuk mendapatkan hasil analisis

keranjang belanja terdiri dari beberapa tahapan yaitu :

a. Membaca data masukan pengguna berupa file bertipe *.xls atau

*.xlsx.

b. Pemilihan atribut yang digunakan untuk analisis keranjang belanja.

c. Proses analisis keranjang belanja terhadap data yang sesuai dengan

minimum support dan minimum confidence.

d. Menyimpan hasil dalam ke penyimpanan di laptop atau komputer

bertipe file *.pdf.

Proses sistem digambarkan dalam diagram flowchart pada Gambar 4.4.


25

Gambar 4.4 Diagram Flowchart.

4.2.1.3 Output Sistem

Keluaran sistem adalah hasil analisis keranjang belanja dari data transaksi

penjualan sesuai minimum support dan minimum confidence.

4.2.2 Diagram Use Case

Gambar 4.5 Diagram Use Case.


26

4.2.3 Narasi Use Case

4.2.3.1 Narasi Use Case Input Data

Nama Use Case Input Data

ID Use Case 001

Aktor Pengguna

Deskripsi

Pada use case ini file bertipe *.xls atau *.xlsx pilihan

pengguna akan dimasukkan ke sistem dan dibaca datanya

oleh sistem.

Kodisi Awal Pengguna berada pada tampilan sistem dengan alamat

folder dan tabel halaman sistem belum terisi data.

Typical Course

Aksi Aktor Reaksi Sistem

Langkah 1:

Menekan tombol cari

bergambar file excel

untuk memilih file

bertipe *.xls atau *.xlsx.

Langkah 2: Menampilkan kotak dialog untuk

pemilihan file yang berada di

penyimpanan komputer.

Langkah 3:

Memilih file yang

datanya akan diolah

oleh sistem.

Langkah 4:

Menyeleksi atribut data masukan

pengguna dan menampilkannya

pada tabel halaman sistem.

Kondisi Akhir Alamat folder terisi, masukan data dari pengguna yang

terseleksi ditampilkan pada tabel halaman sistem.

4.2.3.2 Narasi Use Case Proses

Nama Use Case Proses

ID Use Case 002

Aktor Pengguna

Deskripsi Pada use case ini proses analisis keranjang belanja oleh

metode FP-Growth.

Kodisi Awal Data yang dikelola, minimum support dan confidence

sudah dimasukkan oleh pengguna.

Typical Course


Langkah 1:

Menekan tombol proses.

Langkah 2: Menampilkan hasil analisis

keranjang belanja sesuai

ketentuan yang telah dimasukkan

pengguna.

Kondisi Akhir Hasil analisis keranjang belanja ditampilkan pada text area

di sistem.


27

4.2.3.3 Narasi Use Case Ekspor Hasil

Nama Use Case Ekspor Hasil

ID Use Case 003

Aktor Pengguna

Deskripsi Pada use case ini hasil analisis akan diekspor ke file

bertipe *.pdf.

Kodisi Awal Hasil analisis terisi pada text area.

Typical Course


Langkah 1:

Menekan tombol ekpsor

hasil.

Langkah 2: Menampilkan kotak dialog untuk

penyimpanan file.

Langkah 3:

Memilih tempat

penyimpanan dan

menamai file bertipe

*.pdf.

Langkah 4:

Menampilkan kotak dialog

bahwa data berhasil diekpsor.

Kondisi Akhir Data hasil analisis keranjang belanja tersimpan dengan file

bertipe *.pdf.

4.2.4 Diagram Aktivitas

Terdapat tiga diagram aktivitas yaitu input data, proses analisis, ekspor hasil

analisis. Diagram aktivitas terlampir pada Lampiran 1.

4.2.5 Diagram Sequence

Terdapat tiga diagram sequence yaitu input data, proses analisis, ekspor hasil

analisis. Diagram sequence terlampir pada Lampiran 2.

4.2.6 Perancangan Antarmuka

4.2.6.1 Perancangan Antarmuka Halaman Beranda

Halaman beranda merupakan halaman yang ditampilkan sistem pertama kali

saat program dijalankan oleh pengguna. Tampilan halaman ini dapat dilihat

pada Gambar 4.6, berfungsi untuk memasukkan data, memasukkan minimum

support dan confidence, melihat hasil analisis keranjang belanja, dan

menyimpan hasil analisis ke bentuk file *.pdf.


28

Gambar 4.6 Perancangan Antarmuka Halaman Beranda.

4.2.6.2 Perancangan Antarmuka Halaman Bantuan

Gambar 4.7 Perancangan Antarmuka Halaman Bantuan.

Halaman bantuan ditampilkan ketika pengguna menekan tombol bantuan

pada Halaman Beranda. Tampilan halaman ini dapat dilihat pada Gambar 4.7,

berisi informasi tentang sistem.


29

BAB V

IMPLEMENTASI SISTEM DAN EVALUASI HASIL

5.1 IMPLEMENTASI SISTEM

5.1.1 Implementasi Antarmuka Halaman Beranda

Gambar 5.1 Implementasi Antarmuka Halaman Beranda.

Gambar 5.1 merupakan implementasi dari Gambar 4.6 yang terdiri dari 5

bagian pengelompokkan fungsi. 5 bagian fungsi tersebut yaitu sebagai

berikut:

1. Folder, pada bagian ini berfungsi untuk memasukkan data yang akan

diolah oleh sistem.

2. Data awal, pada bagian ini berfungsi untuk menampilkan informasi data

awal hasil seleksi atribut oleh sistem yaitu no struk dan nama barang.

3. Ketentuan pengolahan data, pada bagian ini berfungsi untuk

memasukkan nilai minimum support, minimum confidence dan

memulai proses pembentukan fp-tree sampai sistem menampilkan hasil

analasis keranjang belanja dengan menekan tombol “Proses”.

4. Data frekuensi, pada bagian ini berfungsi menampilkan informasi data

hasil perhitungan terhadap kemunculan setiap item pada transaksi.


30

5. Hasil analisis keranjang belanja, bagian ini berfungsi menampilkan

informasi hasil analaisis terhadap data masukan dan telah memenuhi

nilai minimum support dan minimum confidence. Adapun, terdapat

ekspor hasil yang digunakan untuk menyimpan data ke bentuk file *.pdf

dan menampilkan informasi terkait waktu eksekusi program.

5.1.2 Implementasi Antarmuka Halaman Bantuan Pengguna

Gambar 5.2 Implementasi Antarmuka Halaman Bantuan.

Gambar 5.2 merupakan implementasi dari Gambar 4.7 yang berisikan

informasi terkait sistem yang dibuat. Tampilan ini dapat dilihat oleh

pengguna ketika memilih bantuan pada halaman beranda.


31

5.2 EVALUASI HASIL

5.2.1 Pengujian Perbandingan Jumlah Aturan Asosiasi

Pengujian dilakukan dengan data transaksi bulan November 2017

menggunakan nilai minimum support dan minimum confidence yang

berbeda-beda. Hasil perbandingan dapat dilihat pada Tabel 5.1.

Tabel 5.1 Hasil Pengujian Perbandingan Jumlah Aturan Asosiasi.

Min_Support

Confidence

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

0,10% 617 411 210 179 169 169

0,16% 176 121 84 52 42 42

0,21% 86 57 38 31 21 21

0,26% 52 36 23 15 10 10

0,31% 32 23 13 8 6 6

0,36% 25 19 12 7 6 6

0,42% 22 17 9 5 4 4

0,47% 17 13 6 3 3 3

0,52% 13 10 4 2 2 2

0,57% 11 8 2 0 0 0

0,63% 9 7 2 0 0 0

0,68% 9 7 2 0 0 0

0,73% 6 5 0 0 0 0

0,78% 6 5 0 0 0 0

0,83% 6 5 0 0 0 0

0,89% 5 4 0 0 0 0

0,94% 5 4 0 0 0 0

0,99% 3 2 0 0 0 0

1,04% 3 2 0 0 0 0

1,09% 2 1 0 0 0 0

1,15% 1 0 0 0 0 0

1,20% 1 0 0 0 0 0

1,25% 1 0 0 0 0 0

1,30% 1 0 0 0 0 0

1,35% 1 0 0 0 0 0

1,41% 1 0 0 0 0 0

1,46% 1 0 0 0 0 0

1,51% 1 0 0 0 0 0

1,56% 0 0 0 0 0 0


32

5.2.1.1 Evaluasi Hasil Perbandingan Jumlah Aturan Asosiasi

Dari hasil pengujian perbandingan jumlah aturan asosiasi terhadap 6722

record dengan 1920 total transaksi, dan 1517 total barang dari data transaksi

bulan November 2017 diperoleh informasi bahwa minimum support = 1,56%

untuk setiap minimum confidence mulai dari 50% sampai 100% tidak

menghasilkan aturan asosiasi. Grafik perbandingan jumlah aturan asosiasi

dapat dilihat pada Lampiran 5. Semakin tinggi nilai minimum support maka

semakin sedikit hasil asosiasi item yang ditemukan, sedangkan semakin kecil

minimum support maka semakin banyak hasil asosiasi item.

5.2.2 Pengujian Sistem dengan Menggunakan Dataset

Pada pengujian sistem ini, dilakukan dengan menggunakan dataset transaksi

Toko Grosir Pancaran Bahagia pada bulan Juli 2017 sampai Desember 2017.

Pengujian dataset menggunakan nilai minimum support count = 15 dan nilai

minimum confidence = 50%, keterangan pengujian dataset yang digunakan

dapat dilihat pada Tabel 5.2.

Tabel 5.2 Keterangan Pengujian Sistem Menggunakan Dataset.

Percobaan Dataset Record Total Transaksi Total Barang

1 Juli 7271 2361 1553

2 Agustus 7278 2177 1554

3 September 6870 2052 1498

4 Oktober 7179 2178 1525

5 November 6722 1920 1517

6 Desember 6501 1814 1487

Total Data 41821 12502 9134

Hasil aturan asosiasi yang dihasilkan dari 6 percobaan terhadap dataset

sebagai berikut:

1. Bulan Juli 2017

Tidak terdapat aturan asosiasi.

2. Bulan Agustus 2017

Tidak terdapat aturan asosiasi.


33

3. Bulan September 2017, terdapat 2 aturan asosiasi:

(1) Jika ROYCO RASA SAPI 9 GR maka GULA KBA {20} [0.97%] Conf

: 71.43% Lift : 4.59

(2) Jika MASAKO SAPI 11 GR maka GULA KBA {16} [0.78%] Conf :

53.33% Lift : 3.43

4. Bulan Oktober 2017 , terdapat 2 aturan asosiasi:

(1) Jika MASAKO SAPI 11 GR maka GULA KBA {24} [1.1%] Conf :

64.86% Lift : 4.85

(2) Jika KAPAL API SPCIAL 6,5 GR maka GULA KBA {21} [0.96%]

Conf : 52.5% Lift : 3.93

5. Bulan November 2017, terdapat 6 aturan asosiasi:

(1) Jika KAPAL API YA SP maka GULA KBA {16} [0.83%] Conf :

69.57% Lift : 4.62

(2) Jika KAPAL API SPECIAL 165 GR maka GULA KBA {18} [0.94%]

Conf : 62.07% Lift : 4.12

(3) Jika TERIGU SEGITIGA BIRU 1 KG ISI 12 maka GULA KBA {18}

[0.94%] Conf : 60% Lift : 3.99

(4) Jika MINYAK SUNCO 2 LTR maka GULA KBA {20} [1.04%] Conf

: 60.61% Lift : 4.03

(5) Jika ROYCO RASA SAPI 9 GR maka GULA KBA {21} [1.09%] Conf

: 61.76% Lift : 4.1

(6) Jika GARAM HALUS KAPAL KECIL (1/4) 40 maka GULA KBA

{29} [1.51%] Conf : 50.88% Lift : 3.38

6. Bulan Desember 2017, terdapat 2 aturan asosiasi:

(1) Jika MINYAK SUNCO 2 LTR maka GULA KBA {18} [0.99%] Conf

: 56.25% Lift : 3.61

(2) Jika GARAM HALUS KAPAL KECIL (1/4) 40 maka GULA KBA

{22} [1.21%] Conf : 53.66% Lift : 3.44


34

5.2.2.1 Evaluasi Hasil Analisis Keranjang Belanja

Dari 6 percobaan yang telah dilakukan terhadap dataset dengan minimum

support count = 15 dan confidence = 50% di setiap bulannya, terdapat dataset

yang tidak memiliki aturan asosiasi yaitu bulan Juli 2017 dan Agustus 2017.

Adapun, item yang muncul pada beberapa bulan yang berbeda.

5.2.3 Pengujian Minimum Support Count

Pengujian dilakukan dengan menggunakan dataset transaksi Toko Grosir

Pancaran Bahagia pada bulan Juli 2017 sampai Desember 2017 untuk

menemukan nilai minimum support count tertinggi yang masih menghasilkan

confidence 100%. Keterangan pengujian dataset yang digunakan dapat dilihat

pada Tabel 5.2.

Tabel 5.3 Daftar Minimum Support Count Tertinggi dari 6 Percobaan.

Percobaan Dataset Minimum Support Count

1 Juli 12

2 Agustus 14

3 September 11

4 Oktober 8

5 November 10

6 Desember 13

Dari Tabel 5.3, diperoleh aturan asosiasi dengan confidence 100% yang

memenuhi minimum support count adalah sebagai berikut:

1. Bulan Juli 2017

(1) Jika INDOMIE GORENG KRIUK PDS maka INDOMIE GORENG

{12} [0.51%] Conf : 100% Lift : 32.79


(1) Jika INDOMIE GORENG SAMBAL RICA RICA maka INDOMIE

GORENG {14} [0.64%] Conf : 100% Lift : 29.42

3. Bulan September 2017

(1) Jika INDOMIE GORENG AYAM BAWANG maka INDOMIE

GORENG {11} [0.54%] Conf : 100% Lift : 31.57


35

4. Bulan Oktober 2017

(1) Jika INDOMIE GORENG KRIUK PDS maka INDOMIE GORENG

{8} [0.37%] Conf : 100% Lift : 45.38

5. Bulan November 2017

(1) Jika MIE SEDAP RASA AYAM BAWANG TELUR maka TELUR

{10} [0.52%] Conf : 100% Lift : 15.24

(2) Jika INDOMIE GORENG INST JUMBO maka INDOMIE GORENG

{10} [0.52%] Conf : 100% Lift : 27.04

6. Bulan Desember 2017

(1) Jika INDOMIE GORENG INST JUMBO maka INDOMIE GORENG

{13} [0.72%] Conf : 100% Lift : 29.74

5.2.3.1 Evaluasi Hasil Pengujian Dataset

Dari 6 percobaan yang telah dilakukan terhadap dataset diperoleh minimum

support count tertinggi yang masih menghasilkan confidence 100% adalah

bulan Agustus 2017 dengan minimum support count = 14.

5.3 KELEBIHAN DAN KEKURANGAN SISTEM

5.3.1 Kelebihan Sistem

Kelebihan yang dimiliki sistem analisis keranjang belanja menggunakan

metode FP-Growth ini adalah sebagai berikut:

1. Sistem dapat menerima masukan data file bertipe *.xls atau *.xlsx.

2. Sistem dapat menyeleksi atribut yang digunakan.

3. Sistem dapat menampilkan hasil asosiasi.

4. Sistem dapat menampilkan waktu eksekusi proses analisis keranjang

belanja.

5. Sistem dapat menyimpan hasil analisis keranjang belanja dengan tipe

file *.pdf.


36

5.3.2 Kekurangan Sistem

Kekurangan yang dimiliki sistem analisis keranjang belanja menggunakan

metode FP-Growth ini adalah sebagai berikut:

1. File sebagai data masukan sistem sebatas file bertipe *.xls atau *.xlsx.

2. Seleksi atribut yang digunakan hanya no struk dan nama barang.

3. Sistem hanya dapat menyimpan hasil analisis keranjang belanja ke

bentuk file bertipe *.pdf.


37

BAB VI

PENUTUP

6.1 KESIMPULAN

Hasil penelitian analisis keranjang belanja menggunakan metode FP-Growth

pada Toko Grosir Pancaran Bahagia, dapat diambil kesimpulan sebagai

berikut:

1. Algoritma FP-Growth dapat menganalisis keranjang belanja untuk

penjualan item pada Toko Grosir Pancaran Bahagia dengan menemukan

asosiasi antar item.

2. Semakin tinggi nilai minimum support maka semakin sedikit hasil

asosiasi item yang ditemukan, sedangkan semakin kecil minimum

support maka semakin banyak hasil asosiasi item.

3. Dataset bulan Juli 2017 sampai Desember 2017 dengan minimum

support count = 15 dan confidence = 50% di setiap bulannya, terdapat

dataset yang tidak memiliki aturan asosiasi yaitu bulan Juli 2017 dan

Agustus 2017, juga terdapat item yang muncul di bulan yang berbeda.

4. Dataset bulan Juli 2017 sampai Desember 2017 diperoleh minimum

support count tertinggi yang masih menghasilkan confidence 100%

adalah bulan Agustus 2017 dengan minimum support count = 14.

6.2 SARAN

Penelitian analisis keranjang belanja menggunakan metode FP-Growth pada

Toko Grosir Pancaran Bahagia ini memberikan saran untuk pengembangan

di masa mendatang, yaitu:

1. Sistem dapat menerima masukan data dari file selain bertipe *.xls dan

*.xlsx.

2. Sistem dapat menyeleksi atribut sesuai keinginan pengguna.

3. Sistem dapat menampilkan hasil pembentukan FP-Tree.


38

DAFTAR PUSTAKA

Enykawati, E. S. E. Penerapan Data Mining Pada Perusahaan Ritail Pakaian

Untuk Memprediksi Ketersediaan Jenis Barang Dengan Menggunakan

Algoritma Fp-Growth. Universitas Sanata Dharma Yogyakarta. Skripsi.

2015.

Fajrin, Alfannisa Annurullah. Algifanri Maulana. 2018. Penerapan Data

Mining Untuk Analisis Pola Pembelian Konsumen Dengan Algoritma FP-

Growth Pada Data Transaksi Penjualan Spare Part Motor. Vol. 05(01):27-

36.

Han, Jiawei. Micheline Kamber. 2006. Data Mining : Concepts and

Techniques 2nd ed. Morgan Kaufmann, New York.

Han, Jiawei. Micheline Kamber. Jian Pei. 2012. Data Mining : Concepts and

Techniques 3rd ed. Morgan Kaufmann, New York.

Larasita, D. P. Muhammad Nasrun. Umar Ali Ahmad. 2018. Analisis dan

Implementasi Algoritma FP-Growth Pada Aplikasi SMART Untuk

Menentukan Market Basket Analysis Pada Usaha Retail (Studi Kasus : PT.X).

Vol. 2 (01):749-755.

Puspitasari, Vina. Pengelompokan Sekolah Menengah Atas Di Provinsi

Daerah Istimewa Yogyakarta Berdasarkan Nilai Ujian Nasional

Menggunakan Algoritma Agglomerative Hierarchical Clustering.

Universitas Sanata Dharma Yogyakarta. Skripsi. 2016.

Sudiadiarta, I Gede. Market Basket Analysis Menggunakan Frequent Pattern

Growth (Fp-Growth) Untuk Situs E-Commerce. Universitas Sanata Dharma

Yogyakarta. Skripsi. 2006.

Sumangkut, Kezia. Arie Lumenta. Virginia Tulenan. 2016. Analisis Pola

Belanja Swalayan Daily Mart Untuk Menentukan Tata Letak Barang

Menggunakan Algoritma FP-Growth. Vol. 8(1):52-56.


39

Tan, Pang Ning. 2005. Introduction To Data Mining 1st ed. Addison Wesley,

New York.

Ukiarwan, Iga. Penentuan Aturan Asosiasi Pada Penjualan Produk Sepatu

Running Menggunakan Algoritma Apriori. Universitas Sanata Dharma

Yogyakarta. Skripsi. 2017.


LAMPIRAN


LAMPIRAN 1

DIAGRAM AKTIVITAS

1. Diagram Aktivitas Input Data

2. Diagram Aktivitas Proses


3. Diagram Aktivitas Ekspor Hasil


LAMPIRAN 2

DIAGRAM SEQUENCE

1. Diagram Sequence Input Data

2. Diagram Sequence Proses


3. Diagram Sequence Ekspor Hasil


LAMPIRAN 3

DATA SAMPEL

Berikut ini adalah 15 data sampel transaksi Toko Grosir Pancaran Bahagia pada

bulan Januari 2017:

No. Struk Nama Barang



PJ00007905 GULA KBA

PJ00007905 SUSU BENDERA KM PUTIH RTG

PJ00007905 SUSU INDOMILK KM COKLAT RTG

PJ00007905 SEDAP KARI SPECIAL

PJ00007905 SABUN LUX AQUA SPARKLE 85 GR

PJ00007905 LIFEBUOY MILD CARE 85 GR



PJ00008972 GULA KBA


PJ00008860 TELUR

PJ00008860 GULA KBA

PJ00008860 LIFEBUOY LEMON FRESH 85 G


PJ00008033 PASEO SMART FAC SOFT 2PLY 250

PJ00008033 BERAS GP MERAH ( MERAK )

PJ00008033 INDOMIE AYAM BAWANG


PJ00008033 SARIMI DUO GORENG KREMES

PJ00008033 INDO SAUS SAMBAL EXTRA PEDAS BTL 140 ML

PJ00008033 INDOMIE RASA SOTO SPECIAL

PJ00008033 GULA KBA

PJ00008033 PANTENE SHP NATURE CARE 10 ML

PJ00008033 NUTRISARI JERUK PERAS

PJ00008033 SWALLOW PING PONG 5

PJ00008033 KAPAL API FRESCO KOPI MOKA

PJ00008033 FORMULA PS

PJ00008033 PERMEN MINTZ LEMON MINT115 G


PJ00008033 SCOTH BRITE 3000

PJ00008033 THE TONG TJI CELUP JASMINE FOL

PJ00008033 MINYAK SUNCO 1 LTR

PJ00008033 TORABIKA JAHE SUSU INAT

PJ00008033 ENERGEN COKLAT

PJ00008033 SAB. NUVO FAM BIRU 80 GR

PJ00008033 SAB. NUVO MERAH 80 G

PJ00008033 SAB. NUVO FAM HIJAU 80 GR

PJ00008033 SAB. NUVO FAM KUNING 80 GR

PJ00008033 BANGO KCP MANIS POUCH 220 ML

PJ00008033 SUNLIGHT LIME SQUASH 400 ML

PJ00008033 SUNLIGHT LIME NEW REF 800 ML

PJ00008033 WIPOL CLASSIC PINE 800 ML

PJ00008033 PEPSODENT WHITE 120 G

PJ00008033 INDOCAFE KOPI COFFEEMIX 3IN1

PJ00009032 BERAS LUMBUNG WANGI 5 KG UNGU

PJ00009032 GULA KBA



PJ00009429 TELUR

PJ00009429 ARES BIRU

PJ00009429 GULA KBA

PJ00009429 SASA TB SERBAGUNA ORI 40 G

PJ00007848 TELUR


PJ00008954 CLEO ISI ULANG

PJ00009317 TELUR

PJ00009317 BERAS LUMBUNG WANGI 5 KG UNGU


PJ00009317 POLYTEX SABUT SPON REGULER

PJ00009625 TELUR


PJ00009625 SARIMI DUO AYAM BAWANG

PJ00009625 GULA KBA

PJ00009625 SIKAT GIGI FORMULA MEDIUM

PJ00009625 RICHEESE SIIP KEJU 35 gr

PJ00009625 CHARM BF-EXTRA MAXI NON 8 P

PJ00009625 SOVIA MINYAK GORENG 1 L

PJ00009625 HARPIC POWER PLUS ORIGINAL 200 ML

PJ00009625 ROMA SUPERSTAR 20 G


PJ00009625 HATARI SHP MALKIST KELAPA 260 G

PJ00009625 CIPTADENT COOL SPRING 190 GR

PJ00009625 EKONOMI LEMON SCT500 230 GR

PJ00009625 TOP WHITE COFFEE 21 GR

PJ00009625 SOKLIN SOFTERGENT 300 G PINK

PJ00009625 SOKLIN SOFTERGENT PURPLE LAVENDER 320 G

PJ00009625 SHAMPO LIFEBUOY ANTI KETOMBE 10 ML

PJ00009625 POPULAIRE STRWABERRY NEW 90 ML

PJ00008414 GULA KBA


PJ00008436 TELUR


PJ00008436 INDOMIE GORENG KRIUK PDS

PJ00008436 INDOMIE GORENG RENDANG

PJ00008436 GULA KBA

PJ00008436 PADDLE POP COLOUR POPPER 57 ML


LAMPIRAN 4

PEMBENTUKAN FP-TREE


LAMPIRAN 5

GRAFIK PERBANDINGAN JUMLAH ATURAN ASOSIASI

0

100

200

300

400

500

600

700

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

Jum

lah A

tura

n

Confidence

Hasil Asosiasi Bulan November 2017

Min_Support 0,10% Min_Support 0,16% Min_Support 0,21% Min_Support 0,26% Min_Support 0,31%Min_Support 0,36% Min_Support 0,42% Min_Support 0,47% Min_Support 0,52% Min_Support 0,57%Min_Support 0,63% Min_Support 0,68% Min_Support 0,73% Min_Support 0,78% Min_Support 0,83%Min_Support 0,89% Min_Support 0,94% Min_Support 0,99% Min_Support 1,04% Min_Support 1,09%


0100200300400500600700

50%

617

17686 52 32 25 22 17 13 11 9 9 6 6 6 5 5 3 3 2 1 1 1 1 1 1 1 1 0

Jum

lah A

tura

n

Confidence

Confidence 50%

0,10% 0,16% 0,21% 0,26% 0,31% 0,36% 0,42% 0,47% 0,52% 0,57% 0,63% 0,68% 0,73% 0,78% 0,83%

0,89% 0,94% 0,99% 1,04% 1,09% 1,15% 1,20% 1,25% 1,30% 1,35% 1,41% 1,46% 1,51% 1,56%

0100200300400500600700

60%

411

12157 36 23 19 17 13 10 8 7 7 5 5 5 4 4 2 2 1 0 0 0 0 0 0 0 0 0

Jum

lah A

tura

n

Confidence

Confidence 60%

0,10% 0,16% 0,21% 0,26% 0,31% 0,36% 0,42% 0,47% 0,52% 0,57% 0,63% 0,68% 0,73% 0,78% 0,83%

0,89% 0,94% 0,99% 1,04% 1,09% 1,15% 1,20% 1,25% 1,30% 1,35% 1,41% 1,46% 1,51% 1,56%


0100200300400500600700

70%

210

8438 23 13 12 9 6 4 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Jum

lah A

tura

n

Confidence

Confidence 70%

0,10% 0,16% 0,21% 0,26% 0,31% 0,36% 0,42% 0,47% 0,52% 0,57% 0,63% 0,68% 0,73% 0,78% 0,83%

0,89% 0,94% 0,99% 1,04% 1,09% 1,15% 1,20% 1,25% 1,30% 1,35% 1,41% 1,46% 1,51% 1,56%

0100200300400500600700

80%

179

52 31 15 8 7 5 3 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Jum

lah A

tura

n

Confidence

Confidence 80%

0,10% 0,16% 0,21% 0,26% 0,31% 0,36% 0,42% 0,47% 0,52% 0,57% 0,63% 0,68% 0,73% 0,78% 0,83%

0,89% 0,94% 0,99% 1,04% 1,09% 1,15% 1,20% 1,25% 1,30% 1,35% 1,41% 1,46% 1,51% 1,56%


0100200300400500600700

90%

169

42 21 10 6 6 4 3 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Jum

lah A

tura

n

Confidence

Confidence 90%

0,10% 0,16% 0,21% 0,26% 0,31% 0,36% 0,42% 0,47% 0,52% 0,57% 0,63% 0,68% 0,73% 0,78% 0,83%

0,89% 0,94% 0,99% 1,04% 1,09% 1,15% 1,20% 1,25% 1,30% 1,35% 1,41% 1,46% 1,51% 1,56%

0100200300400500600700

100%

169

42 21 10 6 6 4 3 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Jum

lah A

tura

n

Confidence

Confidence 100%

0,10% 0,16% 0,21% 0,26% 0,31% 0,36% 0,42% 0,47% 0,52% 0,57% 0,63% 0,68% 0,73% 0,78% 0,83%

0,89% 0,94% 0,99% 1,04% 1,09% 1,15% 1,20% 1,25% 1,30% 1,35% 1,41% 1,46% 1,51% 1,56%


0

100

200

300

400

500

600

7000,1

0%

0,1

6%

0,2

1%

0,2

6%

0,3

1%

0,3

6%

0,4

2%

0,4

7%

0,5

2%

0,5

7%

0,6

3%

0,6

8%

0,7

3%

0,7

8%

0,8

3%

0,8

9%

0,9

4%

0,9

9%

1,0

4%

1,0

9%

1,1

5%

1,2

0%

1,2

5%

1,3

0%

1,3

5%

1,4

1%

1,4

6%

1,5

1%

1,5

6%

Jum

lah A

tura

n

Min_Support

Grafik berdasarkan Minimum Support

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


LAMPIRAN 6

PENGUJIAN DATASET

1. Bulan Juli 2017


3. Bulan September 2017


4. Bulan Oktober 2017


5. Bulan November 2017


6. Bulan Desember 2017


LAMPIRAN 7

PENGUJIAN 15 DATA SAMPEL


analisis keranjang belanja menggunakan ...repository.usd.ac.id/35082/2/155314095_full.pdfanalisis...

Documents