Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) Vol. 3, No. 2, Oktober 2014, ISSN : 2089-9033
96
IMPLEMENTASI ASSOCIATION RULE TERHADAP PENYUSUNAN LAYOUT MAKANAN DAN PENENTUAN PAKET MAKANAN HEMAT DI RM ROSO ECHO DENGAN ALGORITMA APRIORI Elsa Widiati, S,Kom.1, Kania Evita Dewi, S.Pd., M.Si2 Teknik Informatika-UNIKOM Jl. Dipatiukur 112-114 Bandung E-mail :
[email protected],
[email protected]
ABSTRAK Penyusunan makan disuatu rumah makan yang menggunakan pelayanan tipe prasmanan sangat mempengaruhi antrian pembeli, ini dapat dilihat di RM. Roso Echo. Penyusunan makanan yang masih dilakukan pada rumah makan tersebut secara acak yang mengakibatkan panjangnya antrian calon pembeli yang dapat mempengaruhi kepuasan calon pembeli terhadap pelayanan. Maka diperlukan analisis tentang penyusunan makanan dan penyusunan paket hemat. Data mining merupakan suatu teknik untuk menggali suatu informasi yang tersembunyi dari suatu kumpulan data. Adapun salah satu metode data mining yang digunakan dalam penelitian ini adalah metode association rule. Association rule merupakan salah satu teknik data mining yang berfungsi untuk menemukan hubungan antar variabel yang ada didalam suatu data transaksi. Hasil dari penelitian ini berupa suatu aplikasi yang mampu memberikan informasi kepada pihak pengelola RM.Roso Echo mengenai susunan layout makanan dan paket makanan hemat yang dapat diterapkan. Dan berdasarkan hasil pengujian eksperimental yang telah dilakukan dengan membandingkan hasil yang didapat antara sistem dengan perhitungan excel didapatkan suatu informasi mengenai layout makanan dan paket makanan hemat yang sama. Kata Kunci: roso echo, data mining, association rule, analisis, metode eksperimental
1. PENDAHULUAN Rumah Makan Roso Echo adalah sebuah rumah makan yang pertama dan satu-satunya di wilayah Cirebon yang menawarkan masakan dan nuansa rumah makan khas jawa. Dalam sistem pelayanannya RM. Roso Echo ini menerapkan konsep prasmanan, sehingga konsumen dapat
mengambil sendiri makanan yang disajikan di meja prasmanan sesuai dengan kebutuhan dan keinginan konsumen, tanpa harus menunggu makanan disajikan. Namun dalam penyusunan layout makanannya, RM. Roso Echo ini masih melakukannya secara acak dan belum sesuai dengan pola kebiasaan konsumen dalam mengambil makanan, sehingga dapat mengurangi kenyamanan dan kepuasan konsumen terhadap RM. Roso Echo yang dapat berdampak pada pendapatan pihak pengelola RM. Roso Echo menjadi tidak maksimal. Selain itu, di RM. Roso Echo ini belum terdapat paket makanan hemat yang dapat ditawarkan kepada konsumen guna meminimalisir terjadinya antrian panjang pada waktu-waktu tertentu setiap harinya, terutama pada waktu makan siang. Data mining merupakan suatu teknik untuk menggali suatu informasi yang tersembunyi dari suatu kumpulan data. Adapun salah satu metode data mining yang digunakan dalam penelitian ini adalah metode association rule. Association rule merupakan salah satu teknik data mining yang berfungsi untuk menemukan hubungan antar variabel yang ada didalam suatu data transaksi. Tujuan penelitian ini adalah untuk menerapkan data mining untuk mendapatkan susunan makan yang sesuai dengan kebiasaan pembeli dan susunan paket hemat yang mungkin dibentuk.
2. ISI PENELITIAN 2.1 Landasan Teori 2.1.1. Data mining Data mining adalah serangkaian proses untuk menggali nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari suatu basis data dengan melakukan penggalian pola-pola dari data dengan tujuan untuk memanipulasi data menjadi informasi yang lebih berharga, yang diperoleh dengan cara mengekstraksi dan mengenali pola yang penting atau menarik dari data yang terdapat dalam basis data. Data mining juga dikenal dengan nama Knowledge Discovery (mining) in Database (KDD), ektraksi pengetahuan (knowledge extraction). Secara
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) Vol. 3, No. 2, Oktober 2014, ISSN : 2089-9033 umum, definisi data mining dapat diartikan sebagai berikut [4]: 1. Proses penemuan pola yang menarik dari data yang tersimpan dalam jumlah besar. 2. Ekstraksi dari suatu informasi yang berguna atau menarik (non-trivial, implisit, sebelumnya belum diketahui potensian kegunaannya) pola atau pengetahuan dari data yang di simpan dalam jumlah besar. Eksplorasi dari analisa secara otomatis atau semiotomatis terhadap data-data dalam jumlah besar untuk mencari pola dan aturan yang berarti. 2.1.2. Konsep Data mining Data mining sangat diperlukan terutama dalam mengelola data yang sangat besar untuk memudahkan aktifitas recording suatu transaksi dan untuk proses data warehousing agar dapat memberikan informasi yang akurat bagi pengguna data mining. Alasan utama data mining sangat dibutuhkan dalam industri informasi karena tersedianya data dalam jumlah yang besar dan semakin besarnya kebutuhan untuk mengubah data tersebut menjadi informasi dan pengetahuan yang berguna karena sesuai fokus bidang ilmu ini yaitu melakukan kegiatan mengekstraksi atau menambang pengetahuan dari data yang berukuran atau berjumlah besar. Informasi inilah yang nantinya sangat berguna untuk pengembangan. Berikut adalah langkah-langkah dalam data mining [4]:
Gambar 1. Konsep Data Mining 1. 2. 3.
4.
5.
Data cleaning yaitu untuk menghilangkan noise data yang tidak konsisten. Data integration yaitu menggabungkan beberapa file atau database. Data selection yaitu data yang relevan dengan tugas analisis dikembalikan ke dalam database untuk proses data mining. Data transformation yaitu data berubah atau bersatu menjadi bentuk yang tepat untuk menambang dengan ringkasan performa atau operasi agresi. Data mining yaitu proses esensial dimana metode yang intelejen digunakan untuk mengekstrak pola data.
6.
7.
8.
97
Knowledge Discovery yaitu proses esential dimana metode yang intelejen digunakan untuk mengekstrak pola data. Pattern evolution yaitu untuk mengidentifikasi pola yang benar-benar menarik yang mewakili pengetahuan berdasarkan atas beberapa tindakan yang menarik. Knowledge presentation yaitu gambaran teknik visualisasi dan pengetahuan digunakan untuk memberikan pengetahuan yang telah ditambah kepada user.
2.1.3. Tahapan Data Mining Tahapan dalam melakukan data mining salah satunya adalah preprocessing data. Tahapan ini biasanya diperlukan karena data yang akan digunakan belum baik, yang disebabkan oleh beberapa faktor berikut ini [5]: 1. Incomplete: tidak lengkapnya nilai suatu atribut, tidak lengkapnya atribut-atribut yang penting, atau hanya mempunyai data yang merupakan rekapitulasi. Contoh: pekerjaan = “ ” Hal tersebut dapat disebabkan oleh perbedaan kebijakan ketika dapat tersebut dianalisa, bisa juga disebabkan oleh permasalahan yang ditimbulkan oleh manusia, hardware¸atau software. 2. Noisy: mengandung error atau merupakan value yang tidak wajar. Contoh : gaji “-100” Timbul karena kesalahan entry oleh manusia atau komputer error, atau karena terdapat kesalahan ketika proses pengiriman data. 3. Inconsisten: mengandung nilai yang saling bertentangan. Contoh : umur = “42” dan ulang tahun = “02/10/1981” Masalah ini muncul karena perbedaan sumber data, karena pada data mining data didapatkan dari banyak sumber dan sangat mungkin terdapat perbedaan persepsi pengolahan data. Selain itu, perbedaan ini muncul karena pelanggaran terhadap fungsional dependency, misalnya melakukan perubahan pada data yang terhubung dengan data lain. Padahal data yang bisa diterima untuk bisa diproses menjadi informasi atau knowledge adalah data yang mempunyai kualitas diantaranya : 1. Akurat 2. Lengkap 3. Konsisten 4. Relevan 5. Bisa dipervaya 6. Mempunyai nilai tambah 7. Kemudahan untuk dimengerti Jika data tidak dalam kualitas seperti yang telah diuraikan diatas, maka kualitas analisis data menjadi kurang sehingga hasilnya pun kurang
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) Vol. 3, No. 2, Oktober 2014, ISSN : 2089-9033
98
bermakna. Hal tersebut harus dihindarkan karena hasil analisa yang salah dapat berujung pada solusi yang salah. Untuk itu, perlu dilakukan preprocessing data yang bertujuan agar membuat data menjadi lebih berkualitas. Adapun tahapan-tahapannya adalah sebagai berikut: 1. Data Cleaning: mengisi/mengganti nilai-nilai yang hilang, menghaluskan data yang noisy, mengidentifikasi dan menghilangkan data yang tidak wajar, dan menyelesaikan masalah inconsistensi data. 2. Data Integration: menggabungkan beberapa database dan file menjadi satu sehingga didapatkan sumber data yang besar. 3. Data Transformation: normalisasi dan agregasi data. 4. Data Reduction: mengurangi volume data namun tetap mempertahankan arti dalam hal hasil analisis data. 5. Data Discretization: merupakan bagian dari data reduction dengan memperhitungkan data yang signifikan, khususnya pada data numerik.
confidence 60% yaitu menunjukkan bila konsumen membeli kopi dan pasti membeli susu sebesar 60%. 2.1.5. Algoritma Apriori Algoritma apriori adalah salah satu algoritma yang melakukan pencarian frequent itemset dengan menggunakan teknik association rule. Algortima apriori menggunakan pengetahuan frekuensi atribut yang telah diketahui sebelumnya untuk memproses informasi selanjutnya. Pada algoritma apriori, menentukan kandidat yang mungkin muncul dengan cara memperhatikan minimum support dan minimum confidence. Support adalah nilai pengunjung atau persentase kombinasi sebuah item dalam database. Nilai support sebuah item diperoleh dengan rumus sebagai berikut [11]:
2.1.4. Association Rule Association rule adalah salah satu teknik utama atau prosedur dalam Market Basket Analysis untuk mencari hubungan antar-item dalam suatu dataset dan menampilkan bentuk association rule [10]. Association rule (aturan asosiasi) akan menemukan pola tertentu untuk mengasosiasikan data yang satu dengan data yang lain. 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. Setelah semua pola frequent itemset ditemukan, barulah mencari aturan assosiatif atau aturan keterkaitan yang memenuhi syarat yang telah ditentukan. Jika diasumsikan bahwa barang yang dijual di swalayan adalah semesta, maka setiap barang akan memiliki boolean variabel yang akan menunjukkan keberadaannya atau tidak barang tersebut dalam satu transaksi atau satu keranjang belanja. Pola boolean yang didapat digunakan untuk menganalisa barang yang dibeli secara bersamaan. Pola tersebut dirumuskan dalam sebuah association rule. Sebagai contoh konsumen biasanya akan membeli kopi dan susu yang ditujukkan sebagai berikut : Kopi susu [support = 2%, confidence = 60%] Association rule diperlukan suatu variabel ukuran yang ditentukan sendiri oleh user untuk menentukan batasan sejauh mana atau sebanyak apa output yang diinginkan user. Support dan Confidence adalah sebuah ukuran kepercayaan dan kegunaan suatu pola yang telah ditemukan. Nilai support 2% menunjukkan bahwa keseluruhan dari total transaksi konsumen membeli kopi dan susu secara bersamaan yaitu sebanyak 2%. Sedangkan
Sedangkan confidence adalah nilai kepastian yaitu kuatnya hubungan antar item dalam sebuah apriori. Confidence dapat dicari setelah pola frekuensi menculnya sebuah item ditemukan. Rumus untuk menghitung confidence adalah sebagai berikut: (3)
(1) Sedangkan nilai dari support 2 item diperoleh dari rumus berikut: (2)
Proses utama yang dilakukan dalam algoritma apriori untuk mendapat frequent itemset yaitu: 1. Join (Penggabungan) Proses ini dilakukan dengan cara pengkombinasian item dengan item yang lainnya hingga tidak dapat terbentuk kombinasi lagi. 2. Prune (Pemangkasan) Proses pemangkasan yaitu hasil dari item yang telah dikombinasikan kemudian dipangkas dengan menggunakan minimum support yang telah ditentukan oleh user. Pada iterasi ke-k akan ditemukan semua itemset yang memiliki k item, disebut dengan k-itemset. Tiap iterasi terdiri dari dua tahap, yaitu : a. Gunakan frequent (k-1) itemset untuk membangun kandidat frequent k-itemset. b. Gunakan scan database dan pencocokan pola untuk mengumpulkan hitungan untuk kandidat itemset. 2.1.6. Langkah-langkah proses perhitungan association rule dengan algortima apriori Proses perhitungan association rule terdiri dari beberapa tahap adalah sebagai berikut [12]: 1. Sistem men-scan database untuk mendapat kandidat 1-itemset (himpunan item yang terdiri dari 1 item) dan menghitung nilai support-nya Kemudian nilai support-nya tersebut
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) Vol. 3, No. 2, Oktober 2014, ISSN : 2089-9033 dibandingkan dengan minimum support yang telah ditentukan. Jika nilainya lebih besar atau sama dengan minimum support, maka itemset tersebut termasuk large itemset. 2. Itemset yang tidak termasuk dalam large itemset tidak diikutkan dalam iterasi selanjutnya (di pangkas). 3. Pada iterasi kedua, sistem akan menggunakan hasil large itemset pada iterasi pertama (L1) untuk membentuk kandidat itemset kedua (L2). Pada iterasi selanjutnya sistem akan menggunakan hasil large itemset pada iterasi sebelumnya (Lk-1) untuk membentuk kandidat itemset berikut (Lk). Sistem akan menggabungkan (join) Lk-1 dengan Lk-1 untuk mendapatkan Lk. Seperti pada iterasi sebelumnya sistem akan menghapus (memangkas) kombinasi itemset yang tidak termasuk dalam large itemset. 4. Setelah dilakukan operasi join, maka pasangan itemset baru hasil proses join tersebut dihitung support-nya. 5. Proses pembentuk kandidat yang terdiri dari proses penggabungan dan pemangkasan akan terus dilakukan hingga himpunan kandidat itemset-nya null, atau sudah tidak ada lagi kandidat yang akan terbentuk. 6. Setelah itu, dari hasil frequent itemset tersebut dibentuk association rule yang memenuhi nilai support dan confidence yang telah ditentukan. 7. Pada pembentukan associaton rule, nilai yang sama dianggap sebagai satu nilai. 8. Association rule yang terbentuk harus memenuhi nilai minimum yang telah ditentukan. 9. Untuk setiap large itemset L, cari himpunan bagian L yang tidak kosong. Untuk setiap himpunan bagian tersebut, dihasilkan rule dengan bentuk aB jika support-nya (a) lebih besar dari minimum support. 2.1.7. Lift/Improvement Ratio Lift Ratio adalah parameter penting selain support dan confidence dalam association rule. Lift ratio mengukur seberapa penting rule yang telah terbentuk berdasarkan nilai support dan confidence. Lift ratio merupakan nilai yang menunjukkan kevalidan proses transaksi dan memberikan informasi apakah benar item A dibeli bersamaan dengan item B. Lift ratio dapat dihitung dengan rumus:
99
proses pengerjaan algoritma apriori dalam penelitian ini adalah sebagai berikut : 1. Data yang digunakan adalah data hasil preprocessing. Tabel 1. Data transaksi dalam bentuk tabular
2.
Menentukan item-item yang dibeli dalam data transaksi tersebut.
Tabel 2. Item-item yang dibeli Item yang dibeli Ayam Bakar/Cabe Ijo Cumi Daging Gepuk Garang Asam Gorengan/Bacem Nila Bumbu Acar Opor Ayam Oseng Jamur Sambal Goreng Daging/Tlr Puyuh Sambal Goreng Krecek Sate Ati Ampela Sate Jamur Tumisan/Sayur/Urap/Mie
(L-a)
(4) Sebuah transaksi dikatakan valid jika mempunyai nilai lift/improvement lebih dari 1, yang berarti bahwa dalam transaksi tersebut item A dan item B benar-benar dibeli secara bersamaan. 2.2. Hasil Contoh kasus yang akan dijelaskan dalam subbab ini menggunakan algoritma apriori untuk mencari frequent itemset-nya. Adapun tahapan
3.
Cari kandidat 1-itemset dan hitung nilai supportnya
Tabel 3. Kandidat 1-itemset NamaMenu Support Count Ayam Bakar/Cabe Ijo 13 Cumi 11 Daging Gepuk 2 Garang Asam 2 Gorengan/Bacem 11 Nila Bumbu Acar 1 Opor Ayam 3 Oseng Jamur 10 Sambal Goreng 9 Daging/Tlr Puyuh Sambal Goreng Krecek 1 Sate Ati Ampela 1 Sate Jamur 3 Tumisan/Sayur/Urap/ 14 Mie
Nilai Support 65% 55% 10% 10% 55% 5% 15% 50% 45% 5% 5% 15% 70%
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) Vol. 3, No. 2, Oktober 2014, ISSN : 2089-9033 4.
Pangkas data yang memiliki nilai support lebih kecil dari nilai minimum support. Misal nilai minimum support = 30%.
Tabel 4. Large 1-itemset NamaMenu Support Count Ayam Bakar/Cabe 13 Ijo Cumi 11 Gorengan/Bacem 11 Oseng Jamur 10 Sambal Goreng 9 Daging / Tlr Puyuh Tumisan/Sayur/Urap/ 14 Mie 5.
Nilai Support 65% 55% 55% 50% 45% 70%
Lakukan penggabungan dari setiap data yang ada pada tabel 4 untuk mendapatkan kandidat 2itemset.
Tabel 5. Kandidat 2-itemset NamaMenu Support Nilai count Support Ayam Bakar/Cabe Ijo 7 35% Cumi Ayam Bakar/Cabe Ijo 7 35% Gorengan/Bacem Ayam Bakar/Cabe Ijo 7 35% Oseng Jamur Ayam Bakar/Cabe Ijo 5 25% Sambal Goreng Daging / Tlr Puyuh Ayam Bakar/Cabe Ijo 11 55% Tumisan/Sayur/Urap/Mie Cumi Gorengan/Bacem 7 35% Cumi Oseng Jamur 7 35% Cumi Sambal Goreng 3 15% Daging / Tlr Puyuh Cumi Tumisan / Sayur / 8 40% Urap / Mie Gorengan/Bacem Oseng 6 30% Jamur Gorengan/Bacem Sambal 6 30% Goreng Daging / Tlr Puyuh Gorengan/Bacem 6 30% Tumisan/Sayur/Urap/Mie Oseng Jamur Sambal 6 30% Goreng Daging/Tlr Puyuh Oseng Jamur Tumisan / 7 35% Sayur / Urap / Mie Sambal Goreng Daging / Tlr 5 25% Puyuh Tumisan / Sayur / Urap / Mie 6. Lakukan pemangkasan kembali terhadap data yang tidak memenuhi nilai minimum support.
100
Tabel 6. Large 2-itemset NamaMenu Support Nilai Count Support Ayam Bakar/Cabe 7 35% Ijo Cumi Ayam Bakar/Cabe 7 35% Ijo Gorengan/Bacem Ayam Bakar/Cabe 7 35% Ijo Oseng Jamur Ayam Bakar/Cabe 11 55% Ijo Tumisan / Sayur / Urap / Mie Cumi 7 35% Gorengan / Bacem Cumi Oseng 7 35% Jamur Cumi Tumisan 8 40% / Sayur / Urap / Mie Gorengan/Bacem 6 30% Oseng Jamur Gorengan/Bacem 6 30% Sambal Goreng Daging / Tlr Puyuh Gorengan/Bacem 6 30% Tumisan / Sayur / Urap / Mie Oseng Jamur 6 30% Sambal Goreng Daging / Tlr Puyuh Oseng Jamur 7 35% Tumisan / Sayur / Urap / Mie 7. Lakukan proses penggabungan dan pemangkasan hingga tidak ada lagi data yang dapat digabungkan. 8. 8. Selanjutnya hitung nilai confidence dari setiap large itemset yang didapat, mulai dari large 2-itemset. 9. 9. Pangkas data yang memiliki nilai confidence lebih kecil dari nilai minimum confidence. Misal nilai minimum confidence = 62%. Tabel 7. Confidence 2-itemset NamaMenu Nilai Nilai Support Confidence Ayam Bakar / Cabe Ijo, 35% 100% Cumi Tumisan / Sayur / Urap / Mie Ayam Bakar / Cabe Ijo, 35% 64% Tumisan / Sayur / Urap / Mie Cumi Tumisan/Sayur/Urap/Mie, 35% 87%
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) Vol. 3, No. 2, Oktober 2014, ISSN : 2089-9033 Cumi Ayam Bakar / Cabe Ijo Ayam Bakar/Cabe Ijo, Oseng Jamur Tumisan / Sayur / Urap / Mie Ayam Bakar / Cabe Ijo, Tumisan / Sayur / Urap / Mie Oseng Jamur Tumisan/Sayur/Urap/Mie, Oseng Jamur Ayam Bakar/Cabe Ijo
kesimpulan sistem sudah berjalan sesuai dengan teori yang dimiliki. 30%
86%
3. PENUTUP 30%
54%
30%
86%
10. Setelah nilai confidence telah didapat, selanjutnya adalah mengurutkan data yang memiliki nilai support dan nilai confidence yang terbesar hingga terkecil untuk mendapatkan layout makanan.
No 1 2 3 4 5 6
101
Tabel 8. Susunan Layout Makanan NamaMenu Ayam Bakar/Cabe Ijo Tumisan/Sayur/Urap/Mie Cumi Oseng Jamur Gorengan/Bacem Sambal Goreng Daging/Tlr Puyuh
11. Hitung nilai lift dari data yang memiliki nilai support dan nilai confidence yang memenuhi nilai minimum support dan nilai minimum confidence untuk mendapatkan informasi paket makanan hemat. Tabel 9. Paket Makanan Hemat Paket Makanan Hemat Ayam Bakar/Cabe Ijo, Cumi Tumisan/Sayur/Urap/Mie Tumisan/Sayur/Urap/Mie, Oseng Jamur Ayam Bakar/Cabe Ijo 2.3. Pembahasan Berdasarkan hasil association rule dengan minimum support 30% dan minimum confidence 62% diperoleh susunan yaitu: Ayam bakar/Cabe Ijo, Tumisan/Sayur/Urap/Mie, Cumi, Oseng Jamur, Gorengan/Bacem, Sambel Goreng Daging/Telur Puyuh. Sedangkan untuk paket makanan hemat bergantung kebutuhan ditentukan dahulu dalam 1 paket diinginkan berapa jenis makanan sehingga dari data yang dimiliki diperoleh 2 paket makanan. Untuk menguji apakah yang diperoleh sistem sesuai atau tidak dengan perhitungan manual maka data awal di bagi menjadi beberapa kelompok kemudian setiap kelompok diasosiasikan ternyata dari setiap kelompok diperoleh hasil yang sama dengan perhitungan manual. Maka dapat diambil
3.1. Kesimpulan Berdasarkan hasil analisis dan pengujian yang telah, maka dapat ditarik suatu kesimpulan bahwa sistem data mining association rule yang telah dibangun telah dapat memberikan suatu informasi mengenai susunan layout makanan yang sesuai dengan pola kebiasaan konsumen dalam mengambil makanan serta dapat memberikan rekomendasi paket makanan hemat yang dapat ditawarkan oleh pihak pengelola RM. Roso Echo. 3.2. Saran Adapun saran dalam pengembangan sistem ini adalah dikarenakan dalam penentuan kandidat selalu dibutuhkan waktu yang lama, maka perlu dianalisis algoritma lain yang memakan waktu lebih cepat dalam menghasilkan kandidat-kandidat dalam setiap langkah, mengingat data didalam kehidupan sebenarnya akan selalu bertambah.
DAFTAR PUSTAKA [1] [2] [3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
P. D. Sugiyono, Metode Kuantitatif, Kualitatif dan R&D. Alfabeta, 2010. H.A.Fajar, Data Mining. Andi, 2013. Ramon A. Mata Toledeo, Pailine K. Cushman, Dasar-dasar Database Relasional. Jakarta : Airlangga, 2007. J. Han and M. Kamber, Data Mining : Concept and Techniques, 2nd ed. San Fransisco: Morgan Kauffman, 2006. R. J. A. Little and D. B. Rubin, Statistical Analysis With Missing Data, 2nd ed. Wiley, 2002. J. K. Kim and J. Shao, Statistical Methods For Handling Incomplete Data. Taylor & Francis Group, 2014. Kusrini and E. T. Luthfi, Algoritma Data Mining, T. A. Prabawati, Ed. Yogyakarta: Andi, 2009. B. Santosa, Data Mining, Teknik Pemanfaatan Data Untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu, 2007. E. W. T. D, "Penerapan Metode Association RUle Menggunakan Algoritma Apriori Untuk Analisa Pola Hasil Tangkapan," Konferensi dan Temu Nasional Teknologi Informasi dan Komunikasi Untuk Indonesia, p. 2, 2008. J. Santoni, “Implementasi Data Mining Dengan Metode Market Basket Analysis,” Teknologi Informasi dan Pendidikan, vol. 5, p.2, Sep.2012. R. S. Pressman, Software Engineering - A Practitionar's Approach, 5th ed. McGrawHill International, 2001.
