KNIT-2 Nusa Mandiri
ISBN: 978-602-72850-1-9
IMPLEMENTASI DATA MINING DENGAN ALGORITMA APRIORI UNTUK MENENTUKAN MEREK SEPATU YANG DIMINATI PADA MAHASISWA PASCASARJANA KELAS 14.1A.01 STMIK NUSA MANDIRI JAKARTA Rezkiani Program Studi Magister Ilmu Komputer,STMIK, Nusa Mandiri Jl. Raya Salemba No. 5-5A, Menara Salemba, Jakarta Pusat
[email protected]
ABSTRACT: Information technology is more advanced and there is always the very development has an important role in all aspects of life, one aspect that can not be separated from the information technology aspects of the economy is mainly in product sales system, for example of footwear products. Shoes is clothing that is needed for daily activity. The number of sales transactions that occurred during the day showed the amount of consumer interest towards shoes. This led the producers pull out and create a wide variety of innovations, such as brand shoes. Brand is very influenced people to buy a product. Need a creativity and innovation of producers to sales of its products could be improved, let alone see people now who have a high level of consumption of the new goods. There are various ways to anticipate that the products we sell can be increased and in demand by consumers. One way is to use data mining techniques in this case using apriori algorithm (association data mining). This will establish apriori algorithm frequent itemset as predetermined by two parameters, support and confidence, to find an association rule between a combination of items. The process begins with the preparation done preprocessing of data through the data and then transformed into a form that can be processed in the next process is the join and purne until the information of association rules. In the case of this technique apriori data mining algorithms can be implemented on search interest in a brand shoes with the data used is 32 respondents and 20% minimum support and minimum confidence of 60%. The combination of items that meet the requirements of support and confidence is if you buy Nike Adidas will buy the 25% minimum support and minimum confidence of 80%, if you buy Converse Adidas will buy the 25% minimum support and minimum confidence 66.67%. Keywords: Data Mining, Association Rules, Brand Shoes, Algorithm Apriori PENDAHULUAN Latar Belakang Masalah Teknologi informasi yang semakin maju dan selalu ada perkembangan sangatlah mempunyai peranan penting dalam segala aspek kehidupan, salah satu aspek yang tidak bisa lepas dari teknologi informasi adalah aspek perekonomian terutama dalam sistem penjualan produk, misalnya terhadap produk sepatu. Sepatu merupakan kebutuhan sandang yang sangat dibutuhkan untuk kegiatan sehari-hari. Banyaknya transaksi jual dan beli yang terjadi dalam tiap harinya menunjukkan banyaknya minat konsumen terhadap sepatu. Ada bermacam-macam cara untuk mensiasati agar produk yang kita jual bisa meningkat dan diminati para konsumen. Salah satu caranya adalah memanfaatkan teknik data mining. Data mining adalah proses ekstraksi infomasi dari kumpulan data besar melalui penggunaan algoritma dan teknik-teknik yang diambil dari bidang ilmu statistik, mesin pembelajaran dan
sistem manajemen data base (Feelders dkk dalam Rajan,2007). Data mining juga dapat diartikan sebagai suatu proses pendukung pengambilan keputusan dimana kita mencari pola informasi dalam data (Siregar,2014). Hal terpenting dalam teknik data mining adalah aturan untuk menemukan pola frekuensi tinggi antar himpunan itemset yang disebut fungsi Association Rules (aturan asosiasi). Namun diantara algoritma-algoritma tersebut, dalam hal ini yang dipilih adalah algoritma apriori. Persaingan saat ini melahirkan berbagai macam merek dan semakin menjadi identitas masing-masing produk. Merek tidak lagi berperan hanya sekedar nama atau pembeda dengan produk bersaing, dan merek juga memberikan konsumen suatu sumber pilihan menyederhanakan keputusan, menawarkan jaminan mutu, dan membantu untuk mengekpresikan diri.
49
KNIT-2 Nusa Mandiri Dalam persaingan di dunia bisnis, khususnya industri sepatu, menuntut para pengembang untuk menemukan suatu strategi jitu yang dapat meningkatkan penjualan suatu produk sepatu. Salah satu cara mengatasinya adalah dengan tetap menjaga ketersediaan berbagai sepatu dari berbagai macam merek. Untuk mengetahui merek sepatu apa saja yang diminati, dilakukan teknik analisis keranjang pasar yaitu analisis kebiasaan membeli dari konsumen (Tampubolon dkk, 2013). Proses pencarian asosiasi atau hubungan antar item data ini di ambil dari suatu basis data relasional. Proses tersebut mengunakan algoritma apriori. Karena algoritma ini sangat efisien dan dapat mempercepat proses pembentukan pola kombinasi itemset (frequent itemset). Penerapan algorima apriori membantu dalam membentuk kandidat kombinasi item, kemudian dilakukan pengujian kombinasi untuk menentukan parameter support dan confidence minimum yang memenuhi persyaratan. Parameter support dan confidence minimum merupakan nilai ambang yang di berikan oleh penguna. Support merupakan (nilai penujang) atau presentase kombinasi sebuah item dalam data base. Sedangkan confidence (nilai kepastian) merupakan kuatnya hubungan antar item dalam sebuah apriori. Confidence bisa di cari setelah pola frekuensi munculnya sebuah item di temukan. Berdasarkan latar belakang di atas maka penelitian kali ini adalah data mining pada pengelompokan merek sepatu dengan aturan asosiasi menggunakan algoritma apriori untuk mengetahui pola kombinasi item dan itemset dari merek sepatu sehingga dapat memprediksi merek sepatu yang paling di minati. Rumusan Masalah Berdasarkan latar belakang masalah yang telah diuraikan diatas, maka dapat dirumuskan sebuah permasalahan yang dapat dijadikan acuan yaitu bagaimana penerapan algoritma apariori untuk penentuan frekuensi tinggi itemset, dan bagaimana memperoleh presentase merek sepatu yang paling banyak diminati. Ruang Lingkup Masalah Penelitian ini membahas tentang implementasi data mining menggunakan algoritma apriori dengan studi kasus pada Mahasiswa Pascasarjana Kelas 14.1A.01 STMIK Nusa Mandiri Jakarta dan yang menjadi populasi penelitian ini adalah datadata merek sepatu yang digunakan. Tujuan dan Manfaat Penelitian Adapun tujuan dan manfaat dari penelitian ini adalah menerapkan algoritma apriori untuk menentukan frekuensi tinggi itemset untuk memprediksi merek sepatu yang paling banyak
50
ISBN: 978-602-72850-1-9 diminati oleh Mahasiswa Pascasarjana Kelas 14.1A.01 STMIK Nusa Mandiri Jakarta dan untuk mengetahui sejauh mana algoritma apriori dapat membantu dalam menentukan merek sepatu yang paling banyak diminati.
BAHAN DAN METODE Data Mining Data mining merupakan suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang mengunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasikan informasi yang bermanfaat dan pengetahuan terkait dari berbagai database besar (Turban dkk dalam Kusrini dkk,2009). Data mining juga diartikan sebagai suatu proses otomatis data-data yang sangat besar dan bertujuan untuk mendapatkan hubungan atau pola yang memberikan manfaat (Sari, 2013). Data mining merupakan suatu proses pendukung pengambil keputusan dimana mencari pola informasi dalam data. Pencarian ini dapat di lakukan oleh pengguna. Pencarian ini disebut discovery. Discovery merupakan proses pencarian dalam basis data dalam menemukan pola yang tersembunyi tanpa ide yang di dapatkan sebelumnya atau hipotesa tentang pola yang ada. Dengan kata lain aplikasi mengambil inisiatif untuk menemukan pola dalam data tanpa pengguna berpikir mengenai pertanyaan yang relevan terlebih dahulu (Kusumo dkk dalam Sari, 2013). Algoritma Apriori Algoritma ini di usulkan oleh Agrawal dan Srikant pada tahun 1994 untuk menentukan penentuan frequent itemsets untuk aturan asosiasi bolean. Algoritma apriori termasuk jenis aturan asosiasi pada data mining. Aturan yang menyatakan asosisasi beberapa atribut yang sering disebut (affinity analysis) atau (market basket analysis). Analisis asosiasi atau association rule mining merupakan teknik data mining untuk menemukan aturan suatu kombinasi item. Salah satu tahap analisis asosiasi yang menarik perhatian untuk menghasilkan algoritma yang efisien adalah analisis pola frekuensi tinggi (frequent pattern mining). Algoritma apriori bertujuan untuk menemukan semua aturan apriori yang memenuhi syarat minimum support dan minimum confidence (Pane, 2013).
KNIT-2 Nusa Mandiri Penting tidaknya suatu asosiasi dapat di ketahui dengan dua tolak ukur (Kusrini dkk dalam Tampubolon dkk, 2013) yaitu: 1. Support Support adalah presentase kombinasi item tersebut dalam database. 2. Confidence Confidence adalah kuatnya hubungan antar item dalam aturan asosiasi. Adapun dua proses utama yang dilakukan dalam algoritma apriori (Safar,2014) yaitu : 1. Join ( Penggabungan) Pada proses ini setiap item dikombinasikan dengan item yang lainnya sampai tidak terbentuk kombinasi lagi. 2. Prune (Pemangkasan) Pada proses ini, hasil dari item yang telah dikombinasikan tadi lalu dipangkas dengan menggunakan minimum support yang telah ditentukan oleh user. Analisis Pola Frekuensi Tinggi dengan Algoritma Apriori Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam basis data. Nilai support sebuah item diperoleh dengan rumus berikut (Kusrini dkk dalam Sari ,2013) : Support (A) :
Untuk mencari nilai support dari 2 (dua) item diperoleh dengan menggunakan rumus sebagai berikut : Support (A,B) :
Untuk mencari nilai support dari 3(tiga) item diperoleh dengan menggunakan rumus sebagai berikut : Support (A,B dan C) :
ISBN: 978-602-72850-1-9 dengan menghitung confidence aturan asosiatif A dan B. Nilai confidence dari aturan A dan B diperoleh dengan rumus berikut (Kusrini dkk dalam Sari, 2013) : Confidence=P(B|A) :
Untuk menentukan aturan asosiasi yang akan dipilih maka harus diurutkan berdasarkan Support × Confidence. Aturan diambil sebanyak n aturan yang memiliki hasil terbesar. HASIL DAN PEMBAHASAN Dalam menganalisa kebutuhan dengan menggunakan algoritma apriori, dapat diketahui pola frekuensi tinggi tentang jenis merek sepatu yang paling banyak digunakan atau paling diminati dengan melakukan kombinasi tiap item dan menggunakan syarat minimum yang telah ditentukan. Menetapkan Pola Frekuensi Tinggi Perhitungan algoritma apriori dilakukan dengan tujuan untuk menentukan merek sepatu yang paling diminati dan hubungan antar item jenis sepatu di dalam transaksi. Data diperoleh dengan menyebar kuesioner pada Mahasiswa Pascasarjana kelas 14.1A.01 STMIK Nusa Mandiri Jakarta. Hasil dari penyebaran kuesioner terdapat 32 orang responden menjawab pertanyaan dari kuesioner tersebut. Hubungan antar item akan dicari dengan minimum support = 20% dan minimum confidence = 60%. Untuk mendapatkan minimum support dan confidence yaitu dengan ditetapkan sesuai dengan keinginan user. Berikut ini merupakan representasi data sepatu yang diperoleh berdasarkan merek sepatu yang diminati sebagai berikut :
No 1 2 3 4 5
Pembentukan Aturan Asosiasi Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yang memenuhi syarat minimum untuk confidence
6 7 8 9
Tabel 1. Representasi Perhitungan Apriori Itemset Fila, San Louis, Root, Nike, Puma Yongki Komaladi, Fladeo, Bata, Converse, Nevada Yongki Komaladi, Fladeo, Bata, Adidas, Puma Nike, Kickers, Converse, Adidas,Yongki Komaladi Airwalk, Yongki Komaladi, Adidas, Reebok, Puma Carrimor, Converse, Bata, Boogie, Eiger Fladeo, Adidas, Nike, Reebok, Converse, Yongki Komaladi, Fladeo, Bata, Charles and Keith, Velvet Adidas, Nike, Puma, Reebok, Fila
51
KNIT-2 Nusa Mandiri No 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
Itemset Kasogi, Newera, Bata Fladeo, Bata, DC Shoes, Kickers, Tomkins Yongki Komaladi, Fladeo, Elizabeth, Nevada, Triset Bata, Adidas, Nike, Reebok, Kickers Adidas, NB, Skecher, Wakai, Converse Bily, Gruty, Nike Hudson, Max Baren’s, Homy Pro, Spotec, GATS Shopie Martin, Adidas, Nike Bata, Adidas, Nike, Converse, Triset Yongki Komaladi, Fladeo, Elizabeth, Nevada, Bata Bata, Crocs, Ode, Rosselina, Axis NB, Skecher, Converse, Wakai, Pedro Bata, Adidas, Kickers, Converse, Homyped Bucheri, Carvil, Donatello, Crocs, Bata Fladeo, Adidas, All Star, Vans, Footwear Converse Adidas, New Balance, Nike, Bucheri, Magnum Spider Yongki Komaladi, Bata, Adidas, Converse, All Star Adidas, Nike, Converse, Tomkins, Crocs Kickers, Snta, Speed, Reebok, Carvil Bata, Adidas, Kickers, Converse, Homyped Elizabeth Fladeo, Vicari, Bata, Yongki Komaladi, Charles and Keith
Penentuan kandidat pertama diperoleh dari item-item yang terdapat pada representasi data merek sepatu yang diminati. Kemudian melakukan penggabungan (join) dengan mencari kandidat itemset dari satu item (C1).
Tabel 2. Daftar Kandidat Pertama (C1) No Itemset 1 Fila 2 San Louis 3 Root 4 Nike 5 Puma 6 Yongki Komaladi 7 Fladeo 8 Bata 9 Converse 10 Nevada 11 Adidas 12 Kickers 13 Airwalk 14 Reebok 15 Carrimor 16 Boogie 17 Eiger 18 Charles and Keith
52
ISBN: 978-602-72850-1-9 No 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53
Itemset Velvet Kasogi Newera DC Shoes Tomkins Elizabeth Triset NB Skecher Wakai Bily Gruty Hudson Max Baren’s Homy Pro Spotec GATS Shopie Martin Crocs Ode Rosselina Axis Pedro Homyped Bucheri Carvil Donatello All Star Vans Footwear New Balance Magnum Spider Snta Speed Vicari
Proses pembentukan C1 dari 1 itemset dengan jumlah minimum support = 20%. Dengan rumus sebagai berikut : Support (A) :
Tabel 3. Daftar Item Support Kandidat Pertama (L1) No Itemset Support Support (%) 1 Fila 2 6,25 2 San Louis 1 3,125 3 Root 1 3,125 4 Nike 10 31,25 5 Puma 4 12,5 6 Yongki Komaladi 9 28,125 7 Fladeo 9 28,125 8 Bata 15 46,875 9 Converse 12 37,5
KNIT-2 Nusa Mandiri No 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53
Itemset Nevada Adidas Kickers Airwalk Reebok Carrimor Boogie Eiger Charles and Keith Velvet Kasogi Newera DC Shoes Tomkins Elizabeth Triset NB Skecher Wakai Bily Gruty Hudson Max Baren’s Homy Pro Spotec GATS Shopie Martin Crocs Ode Rosselina Axis Pedro Homyped Bucheri Carvil Donatello All Star Vans Footwear New Balance Magnum Spider Snta Speed Vicari
ISBN: 978-602-72850-1-9 Support 3 15 5 1 5 1 1 1 2 1 1 1 1 2 3 2 2 2 2 1 1 1 1 1 1 1 1 3 1 1 1 1 2 2 2 1 2 1 1 1 1 1 1 1
Support (%) 9,375 46,875 15,625 3,125 15,625 3,125 3,125 3,125 6,25 3,125 3,125 3,125 3,125 6,25 9,375 6,25 6,25 6,25 6,25 3,125 3,125 3,125 3,125 3,125 3,125 3,125 3,125 9,375 3,125 3,125 3,125 3,125 6,25 6,25 6,25 3,125 6,25 3,125 3,125 3,125 3,125 3,125 3,125 3,125
Pada tahap ini memilih data yang memenuhi minimum support yang telah ditentukan yaitu 20%. Berikut ini itemset yang memenuhi support minimum :
Tabel 4. Daftar Item Support Kandidat Pertama (L1) Yang Memenuhi Support No Itemset Support (%) 1 Nike 31,25 2 Yongki Komaladi 28,125
3 4 5 6
Fladeo Bata Converse Adidas
28,125 46,875 37,5 46,875
Pada tahap penentuan kandidat kedua (C2), proses pembentukan C2 dengan jumlah minimum support = 20%. Pembentukan pola frekuensi dua item ini dengan cara memasangkan itemset baru hasil proses join yang memenuhi minimum support.. Penentuan kandidat ini dapat diselesaikan dengan rumus berikut : Support (A,B) :
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Tabel 5. Kandidat Kedua (C2) Itemset Support Support (%) Nike, Yongki 1 3,125 Komaladi Nike, Fladeo 1 3,125 Nike, Bata 2 6,25 Nike, Converse 4 12,5 Nike, Adidas 8 25 Yongki Komaladi, 6 18,75 Fladeo Yongki Komaladi, 6 18,75 Bata Yongki Komaladi, 3 9,375 Converse Yongki Komaladi, 4 12,5 Adidas Fladeo, Bata 6 18,75 Fladeo, Converse 2 6,25 Fladeo, Adidas 3 9,375 Bata, Converse 6 18,75 Bata, Adidas 6 18,75 Converse, Adidas 8 25
Minimum support yang ditentukan adalah 20%, jadi kombinasi 2 itemset yang tidak memenuhi minimum support akan dihilangkan seperti terlihat pada tabel di bawah ini : Tabel 6. Daftar Item Support Kandidat Kedua (L2) Yang Memenuhi Support No Itemset Support Support (%) 1 Nike, Adidas 8 25 2 Converse, 8 25 Adidas
53
KNIT-2 Nusa Mandiri
ISBN: 978-602-72850-1-9
Berdasarkan kombinasi pada dua item yang terbentuk, maka itemset yang terpilih yaitu dengan minimum support 20%. Pada tabel di atas kombinasi yang terbentuk yaitu Nike – Adidas dan Converse-Adidas dengan nilai minimum support terbanyak.
Pembentukan Aturan Asosiasi Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan asosiatif A dan B. Minimum confidence yang ditetapkan yaitu 60%. Nilai confidence dari aturan A dan B diperoleh dengan rumus berikut : Confidence=P(B|A) :
Dari kombinasi 2 itemset yang telah ditemukan, dapat dilihat besarnya nilai support, dan confidence dari calon aturan asosiasi tampak pada tabel di bawah ini : Tabel 7. Aturan Asosiasi Kombinasi Item Jika membeli Nike, maka akan membeli Adidas Jika membeli Adidas, maka akan membeli Nike Jika membeli Converse, maka akan membeli Adidas Jika membeli Adidas, maka akan membeli Converse
Support (%)
Confidence (%)
25
8/10
80
25
8/15
53,33
25
8/12
66,67
25
8/15
53,33
Aturan Asosiasi Final Aturan asosiasi final terurut berdasarkan minimum support dan minimum confidence yang telah ditentukan, dapat dilihat pada tabel berikut : Tabel 8. Aturan Asosiasi Final Kombinasi Item Jika membeli Nike, maka
54
Suppo rt (%) 25
Confidence (%) 8/10
80
akan membeli Adidas Jika membeli Converse, maka akan membeli Adidas
25
8/12
66,67
Berdasarkan tabel diatas , maka merek sepatu yang di minati dengan menggunakan perhitungan algoritma apriori yaitu Nike-Adidas dan Converse-Adidas. Algoritma dan Implementasi Algoritma Support Algoritma support adalah presentase kombinasi item tersebut dalam database. Contoh : Input : Fila ← item San Loius ← item Root ← item Nike ← item Puma ← item Yongki Komaladi ← item Fladeo ← item Bata ← item Converse ← item Nevada ← item Adidas ← item Kickers ← item Airwalk ← item Reebok ← item Carrimor ← item Boogie ← item Eiger ← item Charles & Keith ← item Velvet ← item Kasogi ← item Newera ← item DC Shoes ← item Tomkins ← item Elizabeth ← item Triset ← item NB ← item Skecher ← item Wakai ← item Bily ← item Gruty ← item Hudson ← item Max Baren’s ← item Homy Pro ← item Spotec ← item GATS ← item Shopie Martin ← item Crocs ← item Ode ← item Rosselina ← item Axis ← item
KNIT-2 Nusa Mandiri Pedro Homyped Bucheri Carvil Donatello All star Vans Footwear New Balance Magnum Spider Snta Speed Vicari Output : Support; Proses : Support (Fila) =
ISBN: 978-602-72850-1-9 ← item ← item ← item ← item ← item ← item ← item ← item ← item ← item ← item ← item ← item
Support (San Louis) = If support >= 20% then min support terpenuhi; Else Tereliminasi;
Algoritma Confidence Confidence adalah kuatnya hubungan antar item dalam aturan asosiasi. Contoh : Input : Yongki Komaladi ← item Fladeo ← item Bata ← item Output : Confidence; Proses : Confidence (Yongki Komaladi, Bata) =
Confidence (Bata, Yongki Komaladi)
If confidence >= 60% then min confidence terpenuhi; Else Tereliminasi;
KESIMPULAN Dari uraian penelitian tersebut maka dapat diambil kesimpulan yaitu dalam penerapan algoritma apriori untuk penentuan frekuensi tinggi itemset dapat diselesaikan dengan teknik data mining menggunakan aturan asosiasi berpedoman nilai support dan confidence, dan teknik data mining dengan algoritma apriori dapat di implementasikan pada pencarian minat terhadap suatu merek sepatu dengan data yang digunakan yaitu minimum support 20% dan minimum confidence 60%. Hasil yang diperoleh dari penelitian ini yaitu Nike-Adidas dengan support 25% dan confidence 80% dan Converse-Adidas dengan support 25% dan confidence 66,67%. UCAPAN TERIMA KASIH Puji syukur alhamdullillah, penulis panjatkan kehadirat Allah SWT, yang telah melimpahkan rahmat dan karunia-Nya, sehingga pada akhirnya penulis dapat menyelesaikan penulisan ini. Penulis menyadari bahwa tanpa bimbingan dan dorongan dari semua pihak, maka penulisan ini tidak akan lancar. Oleh karena itu pada kesempatan ini, izinkanlah penulis menyampaikan ucapan terima kasih kepada : 1. Bapak Windu Gata, M.Kom selaku Dosen Algoritma dan Kompleksitas yang telah banyak membantu dalam penulisan ini. 2. Staff / karyawan / dosen di lingkungan STMIK Nusa Mandiri. 3. Orang tua tercinta yang telah memberikan dukungan moral maupun spritual. 4. Rekan-rekan mahasiswa kelas 14.1A.01 Serta semua pihak yang terlalu banyak untuk disebut satu persatu sehingga terwujudnya penulisan ini. Penulis menyadari bahwa penulisan ini jauh dari sempurna, untuk itu penulis mohon kritik dan saran yang bersifat membangun demi kesempurnaan penulisan dimasa yang akan datang.
= DAFTAR PUSTAKA Confidence (Fladeo, Bata) = Confidence (Bata, Fladeo) =
Kusrini, & Emha Taufiq Luthfi. (2009). Algoritma Data Mining.Yogyakarta : Andi Offset. Pane, Dewi Sartika. (2013, Agustus). Implementasi Data Mining Pada Penjualan Produk Elektronik Dengan Algoritma Apriori (Studi Kasus : Kredit Plus). Jurnal Pelita Informatika Budi Darma, Vol IV, No. 3, pp 25-29.
55
KNIT-2 Nusa Mandiri Rajan,J. (2007). Application of Data Mining Technique in Pharma Ceutical Industry. Journal of Theoritical and Applied Information Technology, Vol 3, pp 61-67. Safar, Riduan Pasaribu. (2014, April). Sistem Pendukung Keputusan Analisa Pola Penjualan Barang dengan Algoritma Apriori (Studi Kasus : Lucky Swalayan). Pelita Informatika Budi Darma,Vol 6 No 2, pp 119-123. Sari, Eka Novita. (2013, Agustus).Analisa Algoritma Apriori Untuk Menentukan Merek Pakaian Yang Paling Diminati Pada Mode Fashion Group Medan. Jurnal Pelita Informatika Budi Darma, Vol IV, No. 3, pp 35-39. Siregar, Sri Rahayu. (2014, Juli). Implementasi Data Mining Pada Penjualan Tiket Pesawat Menggunakan Algoritma Apriori (Studi Kasus : Jumbo Travel Medan). Jurnal Pelita Informatika Budi Darma, Vol. VII No. 1. Tampubolon, Kennedi, Hoga Saragih, Bobby Reza. (2013, Oktober).Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan Alat-Alat Kesehatan. Majalah Ilmiah Informasi dan Teknologi Ilmiah (INTI) , Vol.1 No. 1..
56
ISBN: 978-602-72850-1-9