PERANCANGAN APLIKASI DATA MINING UNTUK MENGANALISA PRODUK KOSMETIK DAN KECANTIKAN MENGGUNAKAN ALGORITMA APRIORI PADA PT RAJAWALI MUTIARA SEJAHTERA

PERANCANGAN APLIKASI DATA MINING UNTUK MENGANALISA PRODUK KOSMETIK DAN KECANTIKAN MENGGUNAKAN ALGORITMA APRIORI PADA PT RAJAWALI MUTIARA SEJAHTERA Zulkifli, Bayu Dedy Irwanto ABSTRAK Dalam dunia bisnis penjualan kosmetik dan kecantikan strategi dalam pemasaran produk merupakan bagian yang penting untuk menunjang kelangsungan bisnis. PT Rajawali Mutiara Sejahtera adalah distributor yang melayani penjualan seluruh indonesia tentu membutuhkan strategi yang tepat dalam pemasaran penjualan produk. Salah satu cara dalam mencari informasi barang apa yang sering dibeli konsumen secara bersamaan yang terdapat dalam data transaksi penjualan barang adalah dengan menggunakan teknik Data Mining. Teknik Data Mining yang digunakan menggunakan Algoritma Apriori, yaitu mencari aturan asosiasi untuk menentukan hubungan kombinasi antar item barang yang dijual. Tujuan penelitian ini adalah mendapatkan informasi tentang barang apa yang sering dibeli konsumen secara bersamaan. Metode pengembangan sistem yang digunakan adalah Rapid Aplication Development (RAD) dengan pemodelan menggunakan Unified Modeling Language (UML). Hasil yang didapatkan adalah berupa aplikasi Data Mining menggunakan algoritma Apriori untuk mengetahui kombinasi antar item barang yang di beli secara bersamaan dengan menentukan nilai minimum support dan minimum confidence. Kata Kunci: Data Mining, Assosiation Rules, Algoritma Apriori ABSTRACT In the business world sales of cosmetics and beauty products in the marketing strategy is an important part to support business continuity. PT Rajawali Mutiara Sejahtera is a distributor which serves sales throughout Indonesia would need a proper strategy in marketing the product sales. One way to find the information what items frequently purchased consumer simultaneously the data contained in the sale of goods is to use Data Mining techniques. Data Mining techniques used using Apriori Algorithm, which is seeking association rules to determine the relationship between the combinations of items sold. The purpose of this study was to get information about what items are often bought by consumers simultaneously. System development method used is a Rapid Application Development (RAD) with modeling using the Unified Modeling Language (UML). The results obtained are in the form of data mining applications using Apriori Algorithm to determine the combination of the items are purchased simultaneously by specifying a minimum value of minimum support and confidence. Keywords: Data Mining, Association Rules, Apriori Algorithm

46

Jurnal Satya Informatika, Volume: 1, Nomor: 1, halaman 46-58

PENDAHULUAN A. Latar Belakang PT Rajawali Mutiara Sejahtera (RMS) adalah perusahaan distributor tunggal yang bergerak di bidang medical skincare dari produsen asal korea yang bernama Theraderm. Target utama konsumen PT RMS adalah dokter kulit dan dokter kecantikan, karena produk yang ditawarkan tidak dijual secara bebas maka perlu strategi-strategi pemasaran yang dapat menunjang penjualan produk. Untuk meningkatkan penjualan produk secara maksimal, PT RMS belum sepenuhnya memanfaatkan data-data yang sudah lama tersimpan. Data-data tersebut belum banyak memberikan manfaat untuk bahan informasi terutama dalam masalah penjualan barang. Oleh sebab itu perlu adanya teknologi yang dapat memanfaatkan data-data tersebut untuk membangkitkan pengetahuanpengetahuan baru, yang dapat membantu dalam pengaturan strategi bisnis penjualan pada PT Rajawali Mutiara Sejahtera. Mengetahui minat konsumen sangat penting bagi suatu penjualan, dimana dengan mengetahui minat konsumen dapat mengambil suatu keputusan atau strategi yang benar dan tepat bagi konsumennya. Dengan data mining, data-data transaksi penjualan tersebut dapat diolah lagi untuk mengekstrak informasi baru yang berguna dan dapat digunakan sebagai faktor-faktor untuk membantu pengambilan keputusan. Salah satunya untuk mengetahui produk-produk mana saja yang sering dibeli konsumen secara bersamaan dalam satu transaksi. B. Rumusan Masalah Rumusan masalah pada penelitian ini adalah bagaimana merancang aplikasi Data Mining dengan memanfaatkan algoritma apriori pada PT Rajawali Mutiara Sejahtera untuk mengetahui barang mana yang paling sering dibeli konsumen secara bersamaan C. Tujuan Penelitian Merancang dan membangun sebuah aplikasi menggunakan algoritma apriori dengan memanfatkan nota-nota penjualan barang agar dapat mengetahui informasi barang apa saja yang paling sering dibeli konsumen secara bersamaan pada PT Rajawali Mutiara Sejahtera. LANDASAN TEORI A. Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan teknik statistic, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar (Turban, dkk. 2005).

B. Association Rules


47

Metode association rules ini biasa dikenal sebagai metode analisa keranjang pasar atau market basket analisys. Metode association rules ini digunakan untuk menemukan aturan assosiatif antara suatu kombinasi item atau barang (Tang &Jamie, 2005). Metode ini dapat digunakan untuk mengidentifikasi item-item produk yang mungkin dibeli secara bersamaan dengan produk lain. Metode ini mempunyai dua tahapan yaitu, menemukan frequent itemset dan membentuk association rules. Metode ini terdiri dari dua item yaitu antecedent dan consequent (Hornick, 2006). Antecedent dan consequent bisa di analogikan sebagai aturan “If x Then y”. Dimana x merupakan antecedent atau left hand side dan y adalah consequent atau right hand side. Misalkan jika antecedent A dan consequent B, maka aturannya dapat ditulis sebagai berikut : (A  B). Support adalah nilai dua atau lebih itemset yang dibeli secara bersamaan dari keseluruhan transaksi. Nilai support menujukan frekuensi itemset dalam suatu transaksi. Berikut perhitungan utuk mengetahui nilai support :

Confidence adalah ukuran yang didapatkan dari probabilitas adanya itemset A pada suatu transaksi maka juga ada itemset B pada transaksi tersebut. Nilai confidence menunjukan kuatnya hubungan antar item dalam suatu aturan assosiasi. Berikut perhitungan untuk mengetahui nilai confidence :

C. Algoritma Apriori Algoritma apriori termasuk jenis aturan assosiasi pada data mining. Selain apriori, yang termasuk pada golongan ini adalah metode Generalized Rule Induction dan Algoritma Hash Based. Aturan yang menyatakan asosiasi antara beberapa atribut sering disebut affinity analysis atau market basket analysis. Algoritma apriori digunakan untuk mencari frequent itemset. Pengertian frequent itemset adalah himpunan item-item yang memenuhi minimum support. Selanjutnya frequent itemset digunakan untuk membangun aturan assosiasi. Untuk membentuk kandidat itemset digunakan dua tahap yaitu : Joint step : Ck dibangun dengan menggabungkan Lk-1 dengan dirinya. Prune step : setiap (k-1)-itemset yang bukan frequent tidak boleh menjadi suatu subset dari suatu frequent k-itemset.

Untuk lebih jelasnya perhatikan ilustrasi algortima berikut :

48


Gambar II.1 Islustrasi Algoritma Apriori Penjelasan tentang contoh ilustrasi algoritma apriori adlah sebagai berikut : 1. Dari database D kemudian dibentuk C1 (kandidat 1-itemset), apabila itemset pada C1 tidak memenuhi minimum support maka akan di eliminasi dari L1. 2. Selanjutnya dibangun C2 (kandidat 2-itemset) dengan melakukan cross itemset yang ada pada L1 (join step). Apabila itemset pada C2 tidak memenuhi minimum support maka akan di eliminasi dari L2. 3. Kemudian dibangun C3 (kandidat 3-itemset) dengan melakukan cross itemset yang ada pada L2 (join step).Jika diperhatikan selain itemset {B, C, E} sebenaranya masih ada itemset {A, C, B} dan {A, C, E} yang bisa didaptkan dari kombinasi itemset L2. Tetapi kedua itemset terseut dipangkas (prune step) karena itemset {C,B} dan {A,E} di eliminasi dari L2. METODOLOGI PENELITIAN A. Contoh Perhitungan Algoritma Apriori (Manual) Pada bagian ini akan dijelaskan mengenai cara perhitungan manual menggunakan algoritma apriori. Untuk membuktikan bagaimana proses dan alur algoritma apriori sehingga menghasilkan informasi yang dapat digunakan untuk bahan pertimbangan dalam promosi pemasaran produk. Sample data sebanyak 30 record dari laporan nota penjualan pada PT Rajawali Mutiara Sejahtera. Dalam hal ini untuk mendapatkan informasi barang apa saja yang sering dibeli konsumen secara bersamaan dalam satu transaksi. Datanya sebagai berikut : Tabel III.1 Tabel Transaksi Id_transaksi 20141342 20141342 20141442 20141452 20141464 20141464 20141529

Id_barang DSP11 DSP16 PHBB DSP07 PHBB DSP16 DSP12

Nama_barang BB White Moisture Sunblock SPF50 Bedak BB Suncover SPF50 Dr Pharm Magic BB Cream Blemish Balm Sunblock SPF50 Dr Pharm Magic BB Cream Bedak BB Suncover SPF50 BB White Sunblock & Whitening SPF50


49

20141544 20141550 20141550 20141561 20141562 20141562 20141562 20141567 20141618 20141706 20141706 20141706 20141735 20141739 20141739 20141765 20141765 20141765 20141775 20141780 20141798 20141798 20141798

PHBB DSP02 DSP11 DSP07 DBP01 DSM06 DSP07 DSP11 DSP07 DSM04 DSM01 DSM06 MNL07 DBT01 DBT02 DSP02 DSP07 DSP11 DBT01 DSP12 DBT01 PHBB DSP16

Dr Pharm Magic BB Cream Moisture Sunblock SPF50 BB White Moisture Sunblock SPF50 Blemish Balm Sunblock SPF50 Bio Cell Active C Serum Anti-PIH Mask Blemish Balm Sunblock SPF50 BB White Moisture Sunblock SPF50 Blemish Balm Sunblock SPF50 Spirulina Cooling Marine Mask Meso Alginate Mask Anti-PIH Mask Minilift Vitamin E oil Black Peel Resurfacing Black Peel Clear Moisture Sunblock SPF50 Blemish Balm Sunblock SPF50 BB White Moisture Sunblock SPF50 Black Peel Resurfacing BB White Sunblock & Whitening SPF50 Black Peel Resurfacing Dr Pharm Magic BB Cream Bedak BB Suncover SPF50

Selanjutnya data akan di representasikan seperti berikut : Tabel III.2 Representasi Data Transaksi Nama_barang Anti-PIH Mask BB White Moisture Sunblock SPF50 BB White Sunblock & Whitening SPF50 Bedak BB Suncover SPF50 Bio Cell Active C Serum Black Peel Clear Black Peel Resurfacing Blemish Balm Sunblock SPF50 Dr Pharm Magic BB Cream Meso Alginate Mask Minilift Vitamin E oil Moisture Sunblock SPF50 Spirulina Cooling Marine Mask

50

Jumlah 2 33 22 15 2 1 8 44 11 1 1 22 1


Frequent Itemset menunjukan itemset yang memiliki frekuensi kemunculan lebih dari nilai minimum yang telah ditentukan. Misalkan nilai yang telah ditentukan adalah 2, maka semua itemset yang frekuensi kemunculannya lebih dari atau sama dengan 2 kali disebut frequent. Himpunan dari frequent k- itemset dilambangkan dengan Fk. Berikut ini adalah calon 2-itemset dari data transaksi pada Tabel .1. Tabel III.3 Calon 2 - Itemset Kombinasi item Bio Cell Active C Serum dan Anti-PIH Mask Bio Cell Active C Serum dan Blemish Balm Sunblock SPF50 Black Peel Resurfacing dan Black Peel Clear Black Peel Resurfacing dan Bedak BB Suncover SPF50 Black Peel Resurfacing dan Dr Pharm Magic BB Cream Greentea Neutralizer dan Vital C Exfoliator Greentea Neutralizer dan Vital C Activator Greentea Neutralizer dan Bedak BB Suncover SPF50 Shooting Repair Mask dan Vital C Activator Shooting Repair Mask dan Bedak BB Suncover SPF50 C Plus Peptide Cream dan Vital C Exfoliator C Plus Peptide Cream dan Blemish Balm Sunblock SPF50 Vital C Exfoliator dan Vital C Activator Vital C Exfoliator dan Blemish Balm Sunblock SPF50 Vital C Exfoliator dan Bedak BB Suncover SPF50 Vital C Powder dan Vital C Activator Vital C Activator dan Bedak BB Suncover SPF50 Meso Alginate Mask dan Spirulina Cooling Marine Mask Meso Alginate Mask dan Anti-PIH Mask Spirulina Cooling Marine Mask dan Anti-PIH Mask Anti-PIH Mask dan Blemish Balm Sunblock SPF50 Moisture Sunblock SPF50 dan Blemish Balm Sunblock SPF50 Moisture Sunblock SPF50 dan BB White Moisture Sunblock SPF50 Blemish Balm Sunblock SPF50 dan BB White Moisture Sunblock SPF50 Blemish Balm Sunblock SPF50 dan Bedak BB Suncover SPF50 Vital C Activator dan Bedak BB Suncover SPF50 BB White Moisture Sunblock SPF50 dan Bedak BB Suncover SPF50 Bedak BB Suncover SPF50 dan Dr Pharm Magic BB Cream

Jumlah 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 2 1 1 2

Dari data Tabel 3.3 diatas jika ditetapkan nilai minimum yang ditetapkan adalah 2, maka kombinas yang jumlahnya kurang dari 2 akan di eliminasi dari daftar calon 2-itemset. Berikut himpunan F2 :


51

Tabel III.4 Frequent 2-itemset Kombinasi Jumlah Bio Cell Active C Serum dan Blemish Balm Sunblock SPF50 2 Moisture Sunblock SPF50 dan BB White Moisture Sunblock 2 SPF50 Blemish Balm Sunblock SPF50 dan Bedak BB Suncover SPF50 2 Bedak BB Suncover SPF50 dan Dr Pharm Magic BB Cream 2 Kombinasi dari itemset F2 dapat digabungkan menjadi calon 3-itemset. Itemsetitemset dari F2 yang dapat digabungkan adalah itemset-itemset yang memiliki kesamaan dalam k-1 item pertama. Calon 3-itemset yang dapat dibentuk dari F2tampak pada tabel berikut : Tabel III.5 Calon 3-itemset Kombinasi Bio Cell Active C Serum , Anti-PIH Mask dan Blemish Balm Sunblock SPF50 Black Peel Resurfacing , Bedak BB Suncover SPF50 dan Dr Pharm Magic BB Cream Greentea Neutralizer , Vital C Exfoliator dan Vital C Activator Greentea Neutralizer , Vital C Exfoliator dan Bedak BB Suncover SPF50 Greentea Neutralizer , Vital C Activator dan Bedak BB Suncover SPF50 Shooting Repair Mask , Vital C Activator dan Bedak BB Suncover SPF50 C Plus Peptide Cream , Vital C Exfoliator dan Blemish Balm Sunblock SPF50 Vital C Exfoliator , Vital C Activator dan Bedak BB Suncover SPF50 Meso Alginate Mask , Spirulina Cooling Marine Mask dan Anti-PIH Mask

Jumlah 1 1 1 1 1 1 1 1 1

Dari hasil jumlah kombinasi di atas, maka dapat disimpulkan bahwa dari calon 3-itemset yang ada tidak ada satupun kombinasi yang memenuhi syarat minimum frekuensi yang ditentukan yaitu 2. Kombinasi diatas hanya memiliki jumlah 1. Maka untuk proses analisis pola frekuensi tinggi hanya sampai pada 2-itemset saja yaitu himpunan F2 = { {Bio Cell Active C Serum, Blemish Balm Sunblock SPF50}, {Moisture Sunblock SPF50, BB White Moisture Sunblock SPF50}, {Blemish Balm Sunblock SPF50, Bedak BB Suncover SPF50}, {Bedak BB Suncover SPF50, Dr Pharm Magic BB Cream } }. Dari himpunan F2 yang telah ditemukan pada perhitungan sebelumnya, maka dapat dilihat besarnya nilai soppurt dan confidence dari calon aturan asosiasi seperti pada tabel berikut :

52


Tabel III.6 Aturan Asosiasi Kombinasi Jika membeli Bio Cell Active C Serum, maka akan membeli Blemish Balm Sunblock SPF50 Jika membeli Blemish Balm Sunblock SPF50, maka akan membeli Bio Cell Active C Serum Jika membeli Moisture Sunblock SPF50, maka akan membeli BB White Moisture Sunblock SPF50 Jika memeli BB White Moisture Sunblock SPF50, maka akan membeli Moisture Sunblock SPF50 Jika membeli Blemish Balm Sunblock SPF50, maka akan membeli Bedak BB Suncover SPF50 Jika membeli Bedak BB Suncover SPF50, maka akan membeli Blemish Balm Sunblock SPF50 Jika membeli Bedak BB Suncover SPF50, maka akan membeli Dr Pharm Magic BB Cream Jika membeli Pharm Magic BB Cream, maka akan membeli Bedak BB Suncover SPF50

Confidence 2/2 100% 2/11

18,18%

2/3

66,67%

2/4

50%

2/11

18,18%

2/7

28,57%

2/7

28,57%

2/4

50%

Jika ditetapkan nilai minimum confidence adalah 60%, maka aturan yang memiliki confidence dibawah 60% akan dieliminasi. Berikut hasilnya : Tabel III.7 Aturan Asosiasi yang Memenuhi syarat Kombinasi Confidence Jika membeli Bio Cell Active C Serum, maka akan membeli 2/2 100% Blemish Balm Sunblock SPF50 Jika membeli Moisture Sunblock SPF50, maka akan 2/3 66,67 membeli BB White Moisture Sunblock SPF50 % Aturan asosiasi final terurut berdasarkan Support x confidence terbesar dapat dilihat pada tabel berikut :

Tabel III.8 Aturan Asosiasi Final Kombinasi

Support

Jika membeli Bio Cell Active C 2/30 Serum, maka akan membeli Blemish Balm Sunblock SPF50

Confidenc e 6,67% 100%


Support x Confidence 6,67%

53

Jika membeli Moisture Sunblock 2/30 SPF50, maka akan membeli BB White Moisture Sunblock SPF50

6,67% 66,67%

4,45%

HASIL DAN PEMBAHASAN A. Hasil Implementasi Program Dari analisa dan perancangan yang telah dilakukan, hasil dari aplikasi yang dibangun dapat terlihat seperti pada tampilan dibawah ini:

Gambar IV.1 Splash Screen

Gambar IV.2 Halaman Login

Gambar IV.3 Halaman Menu Utama

Gambar IV.4 Halaman Form Data Transaksi

Gambar IV.5 Halaman Data Produk

54

Gambar IV.6 Halaman Menu Analisa Apriori


Gambar IV.7 Tampilan Pie Chart Penjualan Barang B. Hasil Uji Program Hasil pengujian program yang penulis lakukan menggunakan data transaksi penjualan PT Rajawali Mutiara Sejahtera 6 bulan terakhir tahun 2014. Dalam pengujian ini penulis menetapkan nilai minimum support sebesar 2% dan nilai minimum confidence sebesar 10%. Berikut adalah hasilnya : Tabel IV.1 Tabel Hasil Uji Program Analisa Apriori Jenis Data Tahun Data Total Transaksi Total Item Produk Proses Analisa Assosiasi Jumlah Assosiasi

Data Transaksi 6 bulan terakhir tahun 2014 493 63 40 Menit 2-Itemset 18

3-Itemset 3

Detail Assosiasi Kombinasi2-Itemset Jika membeli " Pumpkin Peel " maka akan membeli " Moisture Sunblock SPF50 " Jika membeli " Moisture Sunblock SPF50 " maka akan membeli " Pumpkin Peel " Jika membeli " Vital C Exfoliator " maka akan membeli " Vital C Powder " Jika membeli " Vital C Powder " maka akan membeli " Vital C Exfoliator " Jika membeli " Vital C Exfoliator " maka akan membeli " Vital C Activator " Jika membeli " Vital C Activator " maka akan membeli " Vital C Exfoliator " Jika membeli " Vital C Powder " maka akan membeli " Vital C Activator " Jika membeli " Vital C Activator " maka akan membeli " Vital C Powder " Jika membeli " Moisture Sunblock SPF50 " maka akan membeli " Blemish Balm Sunblock SPF50 "


Support Confidence 2,03% 35,71% 2,03%

10,53%

2,43%

57,14%

2,43%

70,59%

2,84%

66,67%

2,84%

70%

2,64%

76,47%

2,64%

65%

9,94%

51,58%

55

Jika membeli " Blemish Balm Sunblock SPF50 " maka akan membeli " Moisture Sunblock SPF50 " Jika membeli " Moisture Sunblock SPF50 " maka akan membeli " Bedak BB Suncover SPF50 " Jika membeli " Bedak BB Suncover SPF50 " maka akan membeli " Moisture Sunblock SPF50 " Jika membeli " Blemish Balm Sunblock SPF50 " maka akan membeli " Bedak BB Suncover SPF50 " Jika membeli " Bedak BB Suncover SPF50 " maka akan membeli " Blemish Balm Sunblock SPF50 " Jika membeli " BB White Moisture Sunblock SPF50 " maka akan membeli " BB White Sunblock & Whitening SPF50 " Jika membeli " BB White Sunblock & Whitening SPF50 " maka akan membeli " BB White Moisture Sunblock SPF50 " Jika membeli " BB White Moisture Sunblock SPF50 " maka akan membeli " Bedak BB Suncover SPF50 " Jika membeli " Bedak BB Suncover SPF50 " maka akan membeli " BB White Moisture Sunblock SPF50 " Kombinasi 3-Itemset Jika membeli " Vital C Exfoliator " dan " Vital C Powder " maka akan membeli " Vital C Activator " Jika membeli " Vital C Exfoliator " dan " Vital C Activator " maka akan membeli " Vital C Powder " Jika membeli " Vital C Powder " dan " Vital C Activator " Maka akan membeli " Vital C Exfoliator "

9,94%

32,45%

2,03%

10,53%

2,03%

14,93%

3,25%

10,6%

3,25%

23,88%

5,27%

47,27%

5,27%

41,27%

2,43%

21,82%

2,43%

17,91%

Support Confidence 2,23% 91,67% 2,23%

78,57%

2,23%

84,62%

KESIMPULAN DAN SARAN A. Kesimpulan Dari hasil penelitian dan tulisan yang penulis uraikan, maka dapat ditarik kesimpulan sebagai berikut : 1. Proses data mining menggunakan algoritma a priori yang diakukan pada data transaksi penjualan barang PT Rajawali Mutiara Sejahtera memerlukan waktu yang cukup lama yaitu sekitar 45 menit untuk 493 jumlah taransaksi dan 63 jumlah item produk yang dijual. 2. Setelah proses data mining dijalankan dengan memberikan nilai minimum support 2% dan nilai minimum confidence 10%, maka didapatkanlah total 18 aturan assosiasi 18 diantaranya 2-Itemset dan 3 lainnya 3-Itemset. Untuk hasil 2-Itemset dengan nilai support tertinggi yaitu aturan Jika membeli " Moisture Sunblock SPF50 " maka akan membeli " Blemish Balm Sunblock SPF50 " dengan Support (nilai pendukung) 9,94% dan Confidence (nilai kepastian) 51,58%. Dan untuk hasil 3-Itemset dengan nilai confidence tertinggi yaitu aturan Jika membeli " Vital C Exfoliator " dan " Vital C Powder " maka akan membeli " Vital C Activator " dengan Support (nilai pendukung) 2,23% dan Confidence (nilai kepastian) 91,67% B. Saran

56


Dalam penelitian dan aplikasi ini tentu saja masih mempunyai kekurangan. Masih banyak hal yang dapat dilakukan untuk mengembangkan aplikasi ini agar menjadi lebih baik lagi, antara lain : 1. Dalam pembuatan aplikasi data mining dapat dilakukan dengan menyediakan integrasi layanan secara online agar dapat lebih mudah dalam mengakses dan mencari informasi data. Tentunya masalah keamanan data sangat diperlukan agar data-data tidak dipergunakan oleh orang-orang yang tidak bertanggung jawab. 2. Perlu ditambahkan fasilitas dalam aplikasi untuk cetak laporan penjualan agar lebih mempermudah dalam mengetahui barang-barang yang terjual. 3. Dalam penelitian ini masih jauh dari sempurna sehingga diperlukan perbandingan dari algoritma atau metode lain terkait dalam data mining assosiasi ini agar dapat mengetahui kekurangan dan kelebihan dari masing-masing algoritma tersebut.

DAFTAR PUSTAKA Al Fatta, Hanif. 2007. “Analisis dan Perancangan Sistem Informasi Untuk Keunggulan Bersaing Perusahaan dan Organisasi Modern”. Yogyakarta: 2010. C.P, Heruandika., Bettiza, Martaleli,. Matulatan, Tekad. 2009. “Penerapan Algoritma Apriori Dalam Menemukan Hubungan Data Awal Masuk Mahasiswa Dengan Prestasi Akademik”. Jurusan Teknik Informatika. Universitas Maritim Raja Ali Haji. Fowler, Martin. 2005. “UML Distilled 3th Ed. . “Panduan Singkat Bahasa Pemodelan Objek Standart/ Martin Fowler. Diterjemahkan oleh : Tim Penerjemah Penerbit Andi – Ed. 1. – Yogyakarta : ANDI. Indrayani dan Martin. 2007.”Pemrograman Berbasis Objek dengan Bahasa Java”. Jakarta: Elex Media Komputindo. Kusrini, dan Luthfi E,T. 2009. ”Algoritma Data Mining”. Yogyakarta : Andi Offset. Nofriansyah, Dicky. 2014. “Konsep Data Mining VS Sistem Pendukung Keputusan”. Yogyakarta: Deepublish. Rosa A.S dan Shalahudin, M. 2014. “Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objek”. Cetakan Kedua. Bandung : Informatika Bandung. Soewadji, Jusuf. 2012. “Pengantar Metodologi Penelitian”. Jakarta: Mitra Wacana Media. Suliantan, Feri dan Juju, Dominikus. 2010.” Data Mining: Meramalkan Bisnis Perusahaan”. Jakarta: Elex Media Komputindo. Supardi, Yuniar.2007.”Pemrograman Database dengan Java dan MySQL”. Jakarta: Elex Media Komputindo. Wahyu Tyas, Eko. 2008. “Penerapan Metode Association Rule Menggunakan Algoritma Apriori untuk Analisa Pola Data Hasil Tangkapan Ikan”. e-indonesia initiative (eII2008).


57

PERANCANGAN APLIKASI DATA MINING UNTUK MENGANALISA PRODUK KOSMETIK DAN KECANTIKAN MENGGUNAKAN ALGORITMA APRIORI PADA PT RAJAWALI MUTIARA SEJAHTERA

Recommend Documents