IMPLEMENTASI ASSOCIATION RULE PADA MANAGEMENT INVENTORY MENGGUNAKAN ALGORITMA APRIORI (Studi kasus : Toserba BORMA Cipadung Bandung)
JURNAL Diajukan sebagai syarat untuk memperoleh gelar Sarjana Teknik (ST) pada Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Islam Negeri Sunan Gunung Djati Bandung
Oleh SYIFA HUZAYMA 1209705135
BANDUNG 2014 M / 1435 H
IMPLEMENTASI ASSOCIATION RULE PADA MANAGEMENT INVENTORY MENGGUNAKAN ALGORITMA APRIORI (Studi kasus : Toserba BORMA Cipadung Bandung) Syifa Huzayma Jurusan Teknik Informatika, Fakultas Sains dan Teknologi UIN Sunan Gunung Djati Bandung Terus bertambahnya data transaksi yang dialami oleh Toserba BORMA Cipadung menyebabkan semakin menumpuknya data tersebut, namun pemanfaatannya belum maksimal, hanya digunakan sebagai laporan penjualan saja. Dengan menggunakan Data mining data tersebut dapat lebih dimaksimalkan pemanfaatannya yaitu dengan mencari informasi yang tersembunyi dalam data tersebut, yaitu pola beli konsumen dalam berbelanja berupa kebiasaan suatu produk dibeli bersama dengan produk apa. Informasi ini dapat dijadikan salah satu referensi bagi manajer dalam menentukan penyetokan barang yang optimal sebagai salah satu upaya untuk meningkatkan keunggulan dalam persaingan bisnis retail. Teknik Data Mining yang digunakan adalah Association Rule yang mempunyai 2 parameter yaitu support dan confident dengan menerapkan Algoritma Apriori. Hasil pencarian informasi dalam data transaksi BORMA dari bulan oktober dan November 2013 sebanyak 181.194 transaksi diperoleh informasi yaitu jika konsumen membeli Deterjen, maka akan membeli Mie dengan nilai support 661 dan confident tertinggi yaitu 47,8%. Kata kunci : assosiation rule, support, confident, data mining, algoritma apriori. 1.
yang sering dihadapi oleh toserba. Inventori bisa berupa jumlah barang yang diletakkan di etalase toserba atau bisa jumlah barang yang disimpan di dalam gudang. Jika jumlah inventory terlalu sedikit dan permintaan tidak dapat dipenuhi karena kekurangan persediaan, hal ini akan mengakibatkan konsumen akan kecewa dan ada kemungkinan konsumen tidak akan kembali lagi. Begitu juga jika inventori terlalu besar, hal ini akan mengakibatkan kerugian bagi toserba karena harus menyediakan tempat yang lebih besar, kemungkinan terjadinya penyusutan nilai guna barang, serta harus menyediakan biaya-biaya tambahan yang terkait dengan biaya inventory seperti biaya pemeliharaan dan biaya akuntansi. Karena itu, pihak manajemen harus bisa
PENDAHULUAN
Perkembangan ekonomi di Indonesia pada saat ini sangat pesat, hal ini terbukti dengan adanya bidang-bidang usaha yang bermunculan. Dengan adanya bidang usaha baru dapat mengatasi permasalahn negeri ini, yaitu pengangguran. Dampak dari kemunculan adanya usaha baru saat ini membuat setiap perusahaan melakukan perbaikan agar menjadi yang terbaik. Untuk melakukan upaya tersebut tentu sangat membutuhkan biaya yang cukup besar, karena itu mengatasinya memerlukan adanya sistem dari manual menjadi sistem yang terkomputerisasi. Inventory (stock barang) merupakan permasalahan operasional
1
memutuskan berapa banyak suatu barang harus disiapkan untuk keperluan toserba. Selain itu, pihak manajemen juga harus teliti dalam melihat kebutuhan konsumen sehingga mereka merasa puas karena mendapatkan apa yang dibutuhkannya. Toserba BORMA Cipadung yang berada di Bandung, sudah melakukan pencatatan dengan komputerisasi dalam setiap transaksi yang dilakukan, dengan tujuan efisiensi kerja dan tingkat pendapatan yang lebih tinggi. Transaksi penjualan dicatat dan disimpan dalam sebuah mesin kasir (POS Sistem) kemudian secara berkala data tersebut direkap dan disimpan dalam sebuah basis data server. Basis data tersebut berisi rekapitulasi seluruh transaksi penjualan selama beberapa periode. Data inilah yang kemudian diolah sehingga dihasilkan laporan penjualan dan laporan laba rugi toserba. Salah satunya adalah untuk membantu manajemen menyediakan informasi guna memecahkan permasalahan yang berhubungan dengan inventory toserba dan untuk menentukan strategi pemasaran. Seperti menentukan kapan harus melakukan reorder pembelian pada supplier, memutuskan untuk menghapus suatu barang dari inventory, mengetahui pola pembelian konsumen, dan menentukan model penataan barang yang efektif di toserba. Pengolahan data untuk menghasilkan informasi tersebut saat ini tidak bisa dilakukan karena basis data yang ada di server dirancang hanya untuk menghasilkan laporan penjualan dan laba rugi dengan merangkum dari data transaksi dari yang ada di mesin kasir dan data detail transaksi tetap
disimpan di masing-masing mesin kasir. 2.
METODE PENELITIAN Dalam pembangunan sistem ini mengikuti tahapan-tahapan berdasarkan metode yang digunakan yaitu prototype. Berikut tahapantahapan pembangunan sistem menggunakan metode prototype: 1. Menentukan kebutuhan Tahapan dimana requirement atau kebutuhan sistem didefinisikan sesuai data-data fungsi dan proses yang terjadi pada sistem sebelumnya. 2. Membuat prototype Membangun prototype dengan membuat perancangan sementara yang berfokus pada penyajian kepada pelanggan (misalnya dengan membuat input dan format output). 3. Evaluasi prototipe Evaluasi ini dilakukan oleh pelanggan apakah prototype yang sudah dibangun sudah sesuai dengan keinginan pelanggan. Jika sudah sesuai maka langkah 4 akan diambil. Jika tidak prototype direvisi dengan mengulangi langkah 1, 2 , dan 3. 4. Mengkodekan sistem Dalam tahap ini prototype yang sudah di sepakati diterjemahkan ke dalam bahasa pemrograman yang sesuai. 5. Menguji sistem Setelah sistem sudah menjadi suatu perangkat lunak yang siap pakai, harus dites dahulu sebelum digunakan. Pengujian ini dilakukan dengan Black Box. 6. Evaluasi sistem Pelanggan mengevaluasi apakah sistem yang sudah jadi
1
7.
sudah sesuai dengan yang diharapkan. Jika ya, langkah 7 dilakukan; jika tidak, ulangi langkah 4 dan 5. Menggunakan sistem Perangkat lunak yang telah diuji dan diterima pelanggan siap untuk digunakan.
3.
HASIL ANALISIS DAN PEMBAHASAN 3.1 Data Mining Data mining merupakan ekstraksi informasi yang tersirat dalam sekumpulan data. Data mining juga dapat diartikan sebagai pengekstrakan informasi baru yang diambil dari bongkahan data besar yang membantu dalam pengambilan keputusan. Istilah Data mining kadang disebut juga knowledge discovery (Prasetyo, 2012). Data mining merupakan salah satu tahap dalam proses pencarian pengetahuan atau KDD (Knowledge Discovery in Database), dapat dilihat pada Gambar 1.
2.
3.
4.
Gambar 1 Data mining sebagai salah satu tahap dalam pencarian pengetahuan (Sumber : Han, 2006)
5.
Secara umum proses Knowledge Discoery in Database dapat dijelaskan sebagai berikut : 1. Data cleaning
2
Sebelum proses Data Mining dapat dilaksanakan, perlu dilakukan proses cleaning atau pembersihan pada data yang menjadi fokus KDD. Proses cleaning meliputi antara lain memeriksa data yang tidak lengkap atau missing value dan mengurangi kerancuan atau noisy. Data integration Menggabungkan berbagai sumber data yang dibutuhkan atau integration, kualitas data yang dimiliki akan sangat menentukan kualitas dari hasil Data Mining. Data selection Pemilihan atau seleksi data yang diperlukan dari sekumpulan sumber data sebelum tahap penggalian informasi dalam KDD dimulai. Data hasil seleksi inilah yang akan digunakan untuk proses Data mining. Disimpan dalam suatu berkas terpisah dari sumber data. Transformation Data-data yang telah melalui proses cleaning, integration, dan selection tidak bisa langsung digunakan, tahap ini merupakan proses kreatif untuk merubah bentuk data kedalam bentuk yang dapat dieksekusi oleh program. Bentuk yang dibuat sangat tergantung dari informasi apa yang akan dicari dalam data tersebut. Data mining Data mining adalah proses mencari pola atau informasi menarik dalam data dengan menggunakan teknik atau metode tertentu. Teknik, metode, atau algoritma dalam Data mining sangat bervariasi.
Pemilihan metode atau algoritma yang tepat sangat bergantung pada tujuan dan proses KDD secara keseluruhan. 6. Interpretaion atau Evaluation Pola-pola yang diidentifikasi oleh program kemudian diterjemahkan atau diinterpretasikan kedalam bentuk yang bisa dimengerti manusia untuk membantu dalam perencanaan strategi bisnis.
Rumus 1 Rumus mencari nilai support (Sumber : Kusrini, 2009) Rumus 1 menjelaskan bahwa nilai support diperoleh dengan cara membagi jumlah transaksi yang mengandung item A dengan jumlah seluruh transaksi. b. Rule generation Tujuannya adalah mencari aturan atau pola dengan confidence tinggi dari frequent itemset yang ditemukan dalam langkah itemset generation. Aturan ini kemudian disebut aturan yang kuat (strong rule). Rumus untuk menghitung confidence dapat dilihat pada Rumus 2
3.2 Association Rule Aturan asosiasi (Association rules) atau analisis afinitas (afinity analysis) berkenaan dengan studi tentang βapa bersama apaβ. Ini bisa berupa studi transaksi di supermarket, misalnya seseorang yang membeli shampo juga membeli sabun mandi. Disini berarti shampo bersama dengan sabun mandi. Karena awalnya berasal dari studi tentang database transaksi pelanggan untuk menentukan kebiasaan suatu produk dibeli bersama produk apa, maka aturan asosiasi juga sering dinamakan market basket analysis (Santoso, 2007). Strategi umum yang diadopsi oleh banyak algoritma penggalian aturan asosiasi adalah memecah masalah kedalam dua pekerjaan utama (Prasetyo 2012), yaitu : a. Frequent itemset generation Tujuannya adalah mencari semua itemset yang memenuhi ambang batas atau minimum support. Itemset ini disebut frequent itemset (itemset yang sering muncul). Nilai support ini diperoleh dengan rumus dapat dilihat pada Rumus 1.
πΆπππππππππ = (π΄ β π΅)
=
π½π’πππβ πππππ πππ π ππππππππ’ππ π΄ πππ π΅ π½π’πππβ πππππ πππ π ππππππππ’ππ π΄
Rumus 2 Rumus mencari nilai confidence (Sumber : Kusrini, 2009) 3.3 Algoritma Apriori Algoritma Apriori adalah algoritma paling terkenal untuk menemukan pola frekuensi tinggi. Pola frekuensi tinggi adalah polapola item di dalam suatu database yang memiliki frekuensi atau support di atas ambang batas tertentu yang disebut dengan istilah minimum support. Pola frekuensi tinggi ini digunakan untuk menyusun aturan assosiatif dan juga beberapa teknik data mining lainnya.
ππ’πππππ‘ (π΄) π½π’πππβ πππππ πππ π ππππππππ’ππ π΄ = πππ‘ππ πππππ πππ π
3
3.4 Perhitungan Data Mining Pada tahap ini algoritma Apriori yang akan digunakan untuk menentukan frequent itemset. Pada penelitian ini akan diambil contoh data sebanyak 12 transaksi dapat dilihat pada Tabel 1. Batasan minimum support yang diberikan 10 yaitu 20% atau 20 Γ 100 yaitu 2 dan batasan confident yaitu 60 %.
Tabel 1 Contoh data transaksi setelah tahap transformation Tanggal
No Transaksi
Item 1
Item 2
10/1/2013 10/2/2013
item 3
Item 4
132359
J
132645
G
G
I
H
H
E
10/2/2013
132732
J
I
10/26/2013
136796
O
I
H
10/26/2013
136807
G
I
K
10/27/2013
136933
J
I
H
E
11/30/2013
137002
G
H
E
11/1/2013
137621
G
I
Item 5
Item 6
E
R
pada tabel 4. Frequent List inilah yang akan berpengaruh pada perhitungan selanjutnya, sedangkan item yang nilai supportnya < 2 akan dihapus yaitu F,O,R,W,X dan U. tabel dapat dilihat pada Tabel 3. Tabel 3 Frequent List Item A
Support 2
X
D
2
H
E
E
6
G
6
H
11
I
8
K
2
J
3
H
11/3/2013
138071
F
A
K
H
11/10/2013
139068
D
A
I
H
11/14/2013
139519
D
H
E
11/29/2013
140473
G
W
I
U
H
Penelusuran database pertama digunakan untuk menghitung nilai support masing-masing item dan menghapus item yang nilai support nya kurang dari minimum support yang telah ditentukan yaitu 2. Hasil dari penelusuran pertama ini adalah diketahuinya jumlah frequensi kemunculan setiap item pada data transaksi dan digunakan untuk mengurutkan item berdasarkan frequensi kemuculan yang paling tinggi dapat dilihat pada Tabel 2.
Frequensi
A D E F G H I K O R W X J U
2 2 6 1 6 11 8 2 1 1 1 1 3 1
12 2
= 0,16
12 6 12 6 12 11 12 8 12 2
= 0,5 = 0,5 = 0,91
= 0,67
12 3 12
= 0,16 = 0,25
Dari hasil tersebut diperoleh item kombinasi yang memiliki minimum support <2, tabel kombinas per item dapat dilihat pada Tabel 4. Tabel 4 Hasil kombinasi per item Item A,D A,E A,G A,H A,I A,K A,J D,E D,G D,H D,1 D,K D,J E,G E,H E,I E,K E,J G,H G,I G,K
Tabel 2. Tabel frequensi setiap item Item
Confident 2 = 0,16
Dari hasil tersebut diperoleh item yang memiliki frequensi diatas minimum support > 2 yaitu A,D,E,G,H,I,K dan J yang diberi nama Frequent List dapat dilihat
4
Frequensi 2 2 2 2 2 2 2 2 2 2 2 2 2 6 6 6 6 6 6 6 6
Tabel 4 Hasil kombinasi per item (lanjutan)
Dari hasil tersebut diperoleh item kombinasi yang memiliki frequensi diatas minimum support > 2 dan memiliki confident 60 % yaitu A,D , A,H , A,I , A,K , D,E , D,H , D,I , E,G , E,H , E,I , G,H , G,I dan H,I dapat dilihat pada Tabel 6. Tabel 6 Kombinasi item
Item Frequensi G,J 6 H,I 11 H,K 11 H,J 11 I,K 8 I,J 8 K,J 2 Dari hasil tersebut diperoleh item kombinasi yang memiliki minimum support >2 dan mencari minimum confident yaitu 50 %, tabel dapat dilihat pada Tabel 5. Tabel 5 Kombinasi item dengan support dan confident Item A,D A,E A,G A,H A,I A,K A,J D,E D,G D,H D,1 D,K D,J E,G E,H E,I E,K E,J G,H G,I G,K G,J H,I H,K H,J I,K I,J K,J
Support 2β = 0,16 12 2β = 0,16 12 2β = 0,16 12 2β = 0,16 12 2β = 0,16 12 2β = 0,16 12 2β = 0,16 12 2β = 0,16 12 2β = 0,16 12 2β = 0,16 12 2β = 0,16 12 2β = 0,16 12 2β = 0,16 12 6β = 0,5 12 6β = 0,5 12 6β = 0,5 12 6β = 0,5 12 6β = 0,5 12 6β = 0,5 12 6β = 0,5 12 6β = 0,5 12 6β = 0,5 12 11β = 0,91 12 11β = 0,91 12 11β = 0,91 12 8β = 0,67 12 8β = 0,67 12 2β = 0,16 12
Item A,H D,H E,G E,H E,I G,I H,I
Support 2β = 0,16 12 2β = 0,16 12 6β = 0,5 12 6β = 0,5 12 6β = 0,5 12 6β = 0,5 12 11β = 0,91 12
Confident 2β X 100 = 100% 2 2β X 100 = 100% 2 4β X 100 = 66,7% 6 6β X 100 = 100% 6 3β X 100 = 50% 6 4β X 100 = 66,7% 6 7β X 100 = 63,6% 11
3.5 Analisis Kebutuhan Pengguna Rancangan sistem ini dituntut agar fleksibel, efektif dan efisien bagi pengguna aplikasi yaitu kepada user sebagai pengguna tunggal yang melakukan pencarian pola yang tersembunyi dalam data transaksi. Dengan karakteristik pengguna dapat dilihat pada Tabel 7. Tabel 7 Karakteristik pengguna (User)
Confident 1β X 100 = 50% 2 0 0 2β X 100 = 100% 2 1β X 100 = 50% 2 1β X 100 = 50% 2 0 1β X 100 = 50% 2 0 2β X 100 = 100% 2 1β X 100 = 50% 2 0
No 1
0 4β X 100 = 66,7% 6 6β X 100 = 100% 6 3β X 100 = 50% 6 1β X 100 = 16,7% 6 1β X 100 = 16,7% 6 6β X 100 = 100% 6 4β X 100 = 66,7% 6 1β X 100 = 16,7% 6 1β X 100 = 16,7% 6 7β X 100 = 63,6% 11 2β X 100 = 18,1% 11 2β X 100 = 18,1% 11 1β X 100 = 12,5% 8 3β X 100 = 37,5% 8 0
Nama Kebutuhan Pengguna User atau Dapat melihat pengguna data transaksi tunggal sebelum maupun sesudah tahap preprocessing, data statistic pembelian bulan OktoberDesember 2013, melakukan pencarian pola pada data transaksi dan menyimpan pola yang ditentukan.
4. IMPLEMENTASI Implementasi antarmuka dibuat menggunakan tools Microsoft Visual
5
Basic.Net 2010 dan DotNetBar 10.3.0.2. Implementasi antarmuka merupakan bagian dari pengolahan implementasi yang disajikan untuk pengguna, dalam hal ini pengguna adalah staff atau manager supermarket yang ingin melihat pola beli konsumen.
perhitungan algoritma apriori yang menghasilkan pola beli konsumen yang kemudian hasil dari penghitungan itu digunakan sebagai acuan managemen inventory. User Interface data mining utama dapat dilihat pada Gambar 2.
A. Form halaman utama Form halaman utama didalamnya terdapat beberapa button, diantaranya yaitu data mining, inventory, statistic, about, profile dan exit. User interface untuk halan utama dapat dilihat pada Gambar 1. Gambar 2 Form Data Utama Setelah meload data utama yang telah ditransform ke dalam bentuk binner kemudian data tersebut dihitung menggunakan algoritma apriori untuk menentukan support dan confident, seperti pada Gambar 3.
Gambar 1 Form halaman utama Pada halaman utama terdapat 6 menu yaitu data mining, inventory, statistic, about, profile dan exit. Jika pengguna mengklik menu-menu yang terdapat pada halaman ini maka akan muncul berabgai form sebagai berikut: a. Menu data mining akan diarahkan pada form 1 b. Menu inventory akan diarahkan pada form 4 c. Menu statistic akan diarahkan pada form 9 d. Menu about akan diarahkan pada form 10 e. Menu profile akan diarahkan pada form 11
Gambar 3 Form Algoritma Apriori C. Form inventory Didalam form inventory berisikan tentang sistem penyetokan pada toserba BORMA. User Interface invetory utama dapat dilihat pada Gambar 4.
B. Form data mining Didalam form data mining berisikan tentang data transaksi asli yang diolah dengan menggunakan
6
Gambar 4 Form inventory Gambar 6 Form detail per merk
D. Form report stock barang Didalam form report stock barang berisikan hasil print out sistem penyetokan pada toserba BORMA. User Interface report stock barang dapat dilihat pada Gambar 5.
F. Form statistic detail per mek Didaam form statistic berisikan tentang statistik penjualan barang per merk pada tiap bulannya. User Interface untuk statistic dapat dilihat pada Gambar 7.
Gambar 7 Form statistic per merk G. Form report detail per merk Didalam form report per merk berisikan hasil print out sistem penyetokan per merk pada toserba BORMA. User Interface report dapat dilihat pada Gambar 8.
Gambar 5 Form report stock barang E. Form detail item per merk Didalam form detail item per merk berisikan rincian item per merk dengan jumlah safety stock untuk sistem penyetokan pada toserba BORMA. User Interface detail item per merk dapat dilihat pada Gambar 6.
7
Tabel 5.2 Hasil pengujian kebutuhan fungsional No
1
Data Mining
Hasil Sukses
Inventory
β
3
Statistik pembelia n
β
4
About
β
5
Profil singkat BORMA
β
Reaksi Sistem
Keterangan
Tampil form data utama kemudian menghitung nilai support dan nilai confident dan diterjemahkan ke dalam pola pembelian Tampil form inventory association barang dan juga tampil detail barang per merk Tampil form statistic barang yang berhubungan dalam pembelian 2 bulan Tampil sekilas informasi aplikasi
Untuk mencari pola yang tersembunyi dalam data transaksi
Gagal
β
2
Gambar 8 Form report per merk H. Form statistic Didaam form statistic berisikan tentang statistik penjualan barang yang berhubunga.. User Interface untuk statistic dapat dilihat pada Gambar 9.
Deskripsi Kebutuh an
Tampil sekilas profile BORMA
Berdasarkan hasil pengujian dengan semua kasus uji yang telah dilakukan, maka dapat disimpulkan bahwa pelaksanaan pengujian terhadap Aplikasi Data Mining Algoritma Apriori sesuai dengan spesifikasi pengujian yang telah ditetapkan, dan untuk semua kasus uji yang dilakukan dinyatakan berhasil. 6. KESIMPULAN
Gambar 9 Form statistic Data transaksi yang tersimpan dapat lebih dimanfaatkan dengan menggunakan Aplikasi Data Mining Algoritma Apriori yang dapat mencari informasi yang tersembunyi dalam data transaksi yaitu pola beli konsumen. Informasi ini dapat dijadikan pertimbangan dalam mengambil sebuah kebijakan dan strategi bisnis seperti menentukan penyetokan barang yang optimal. Hasil dari pengolahan data transaksi 2 bulan Oktober dan November 2013 di BORMA Cipadung, dengan batasan minimum support 20% dan confident sebesar 40%, ditemukan pola beli konsumen tertinggi yaitu
5. PENGUJIAN Pada tabel data transaksi yang telah diurutkan sesuai dengan confident tiap barang dengan nilai support, hal ini akan sangan sulit dilakukan apabila menggunakan perhitungan manual karena sangan banyak. Kemudian algoritma Apriori dibangkitkan untuk melihat pola-pola pembelian konsumen yang hasilnya dapat dilihat pada tabel association rule. Pola-pola yang dtemukan yang memenuhi minimum confidence yaitu sebesar dapat dilihat pada Tabel 5.1.
8
Untuk melihat sistem penyetokan Untuk melihat data statistik pembelian Untuk melihat informasi aplikasi Untuk melihat profil singkat BORMA
jika membeli Deterjen, maka akan membeli Mie dengan nilai support 661 dan nilai confident tertinggi yaitu 47,8%.
Tingkat Kelulusan Mahasiswa, Semarang: FMIPA UNDIP. Kusrini, Emha Taufiq L., 2009, Algoritma Data Mining, Yogyakarta : Penerbit ANDI. Kusumo, Dana S., Moch. Arief B,. Dhinta D., 2003, Data Mining Dengan Algoritma Apriori Pada RDBMS Oracle, Bandung : Jur.Teknik Informatika STT Telkom. Santosa, B., 2007, Data Minning Teknik Pemanfaatan Data untk Keperluan Bisnis, Yogyakarta : Graha Ilmu. Syaifullah, M. A., 2010, Implementasi Data Mining Algoritma Apriori Pada Sistem Penjualan, Yogyakarta :Jur Teknik Informatika AMIKOM. Prasetyo, E., 2012, Data Mining Konsep dan Aplikasi Menggunakan Matlab, Yogyakarta : Penerbit ANDI. Presman, R. S., 2001, Software Engineering Fifth Edition, Boston : McGray Hill.
DAFTAR PUSTAKA Erwin, 2009, Analisis Market Basket dengan Algoritma Apriori dan FP-Growth, Malang: Fak. Ilmu Komp Univ. Brawijaya. Gunadi, Goldie., Dana Indra S., 2012, Penerapan Metode Data Mining Market Basket Analysis Terhadap Data Penjualan Produk Buku Dengan Menggunakan Algoritma Apriori dan Frequent Patern Growth (FP-GROWTH), Jakarta : Jur Ilmu Komputer Universitas Indonesia. Han, Jiawe, Micheline K., 2006, Data Mining Concepts and Techniques Seconds Edition, San Fransisco: Morgan Kaufmann Publisher. Huda, Nuqson M., 2010, Aplikasi Data Mining untuk Menampilkan Informasi
9
