APLIKASI DATA MINING UNTUK PEMODELAN

PEMBELIAN BARANG DENGAN MENGGUNAKAN

ALGORITMA APRIORI
Almon Junior Simanjuntak
almon.jhuntaq@gmail.com

Jurusan Teknik Informatika, FTI, UPN Veteran Jatim, Surabaya

ABSTRAK

Kreativitas pengusaha ritel dalam menentukan strategi pemasaran akan

mempengaruhi kemampuan bersaing mereka dengan pengusaha ritel yang lain.
Pelayanan yang sesuai dengan perilaku belanja konsumen merupakan hal yang perlu
diperhatikan pengusaha demi meningkatkan level kepuasan pelanggan dan laba
perusahaan. Metode yang bisa dipergunakan dalam mempelajari perilaku konsumen
adalah Market Basket Analysis. Metode ini menghasilkan aturan asosiatif yang
diproses dengan menggunakan algoritma apriori. Pada pengerjaan tugas akhir ini,
peneliti menggunakan algoritma apriori untuk mengolah data penjualan. Hasil yang
didapat dari pengolahan data penjualan tersebut adalah berupa kombinasi item
(itemset) dengan nilai asosiasi berupa nilai support, nilai confidence, dan nilai
gabungan. Pada tahap pengujian aplikasi dengan tiga sampel barang, hasil rule
itemset dengan nilai asosiasi tertinggi (strong rule) didapat dalam pengujian untuk
item susu Frisian Flag dengan batasan nilai minimum support dan minimum
confidence sebesar 30%, yaitu rule item susu Frisian Flag dengan item Gulaku Gula
Premium 250g dengan nilai minimum support sebesar 91,67% dan minimum
confidence sebesar 52,38%. Strong rule yang dihasilkan dapat menjadi bahan
rekomendasi bagi pengusaha ritel dalam menentukan penyusunan tata letak barang,
dan dalam menentukan stok produk apa saja yang perlu diperbanyak demi
meningkatkan keuntungan.

Kata Kunci : Bisnis Ritel, Data Mining, Association Rule, Market Basket Analysis,
Algoritma Apriori.

1. Pendahuluan
Kemajuan Teknologi Informasi yang pesat menghadirkan tingkat kompetensi
yang semakin ketat dalam berbagai aspek kehidupan manusia. Misalnya dalam
persaingan pasar, yakni pasar tradisional yang mulai terpinggirkan dengan hadirnya
pasar modern. Perkembangan pasar modern yang semakin maju dapat kita lihat dari
banyaknya pusat perbelanjaan, distributor, grosir, hypermarket, supermarket, dan
minimarket yang dibangun untuk melayani kebutuhan konsumen. Maraknya gedunggedung perbelanjaan modern seperti itu tidak lepas dari peralihan pola pikir
konsumen yang pada mulanya berorientasi pada harga yang murah, kini sudah
memperhatikan aspek keamanan, kebersihan, kenyamanan, keramahan dalam
pelayanan, kelengkapan jenis dan penempatan rak barang.
Terlepas dari jenis pasar yang digeluti, para pelaku pasar pun saling berlomba
untuk memberikan pelayanan yang terbaik, ditinjau dari aspek-aspek vital yang
menjadi bahan penilaian konsumen. Dalam penelitian ini, penulis mengangkat
permasalahan dalam pelayanan yang sering terjadi dalam bisnis ritel (retail), yakni
pemilik minimarket atau toko ritel yang masih cenderung menempatkan posisi rak
tanpa memperhatikan hubungan antar barang, sehingga menyulitkan konsumen dalam
pencarian barang yang diinginkannya (Triyono, 2006). Di samping perlunya
pengetahuan akan penempatan barang yang sesuai dengan selera konsumen,
pengusaha ritel juga harus memperhatikan strategi pemasaran untuk menarik minat
konsumen dan meningkatkan hasil penjualan, misalnya berupa penawaran diskon
untuk jenis barang tertentu jika dibeli secara bersamaan. Karena itu, pemilik toko
memerlukan suatu sistem yang dapat menghasilkan informasi prediktif tentang
kebiasaan dan keinginan konsumen pada umumnya. Sistem tersebut dapat dibentuk
dengan mencatat data penjualan dan diproses dengan menggunakan metode pada data
mining.
Berlatar belakang pada permasalahan tersebut, penulis mengembangkan
sebuah gagasan untuk membuat suatu sistem yang berguna dalam pemodelan
pembelian barang, dengan menggunakan teknik association rules pada data mining.
Association Rules sering juga disebut dengan Market Basket Analysis karena

kegunaannya dalam pembuatan model perilaku pembelian barang oleh konsumen,

dan dalam menganalisis perilaku konsumen. Algoritma yang dipergunakan sebagai
metode dalam pengerjaan Tugas Akhir ini adalah Algoritma Apriori. Sistem ini
nantinya diharapkan dapat membantu para pemilik minimarket atau usaha ritel untuk
meningkatkan pelayanan dan mencapai hasil penjualan yang memuaskan. Adapun
tujuan penelitian ini adalah merancang dan membuat suatu sistem pemodelan
pembelian barang oleh konsumen yang mengolah data penjualan menjadi informasi
prediktif berupa nilai asosiasi antar barang. Manfaat yang ingin diperoleh dalam
pengerjaan tugas akhir ini adalah agar peneliti dapat membuat suatu sistem yang
bermanfaat dalam bidang analisis pemasaran barang dengan menggunakan algoritma
Apriori.
Secara umum, penulis berharap agar sistem yang dihasilkan dalam penelitian
ini dapat dimanfaatkan oleh para pemilik minimarket atau toko ritel untuk
menentukan penyusunan letak barang secara rapi menurut kombinasi barang yang
paling sering dibeli dan saling berhubungan, dengan tujuan meningkatkan pelayanan
yang

memudahkan

konsumen

dalam

pencarian

barang

yang

diinginkan,

meningkatkan hasil penjualan barang dengan strategi pemasaran yang tepat serta
menarik minat konsumen.

2. Tinjauan Pustaka
2.1 Konsep Bisnis Ritel

Kata ritel berasal dari kata kerja dalam bahasa perancis : retailer yang
berarti to cut of (bahasa inggris) atau memotong. Bisnis ritel adalah aktivitas bisnis
yang menjual jasa dan barang-barang ke konsumen untuk kegunaan pribadi, keluarga,
atau konsumsi rumah tangga. Bisnis ritel atau eceran merupakan tahap terakhir dalam
suatu rantai saluran distribusi, dimana para pengusaha dan masyarakat terlibat dalam
perpindahan fisik dan kepemilikan jasa serta barang dari produsen ke konsumen.
Pedagang ritel seringkali berperan sebagai pihak penghubung antara pabrik,
tengkulak, dan konsumen. Konsep ritel adalah dengan memborong berbagai jenis
barang dalam jumlah yang banyak dan menjualnya dalam jumlah yang kecil. Kita

dapat mendefenisikan bisnis ritel sebagai suatu industri yang luas, cepat, dan
menyediakan suatu keanekaragaman dalam karakter dan ukuran bisnis yang jarang
ditemui di sektor industri yang lain.
Adapun jenis bisnis ritel secara umum meliputi gerai tradisional seperti
warung dan toko tradisional dan gerai modern seperti minimarket dan supermarket.
Perbedaan antara gerai tradisional dan gerai modern terletak pada tata ruang gerai,
teknologi informasi, dan pelayanan.
Gambar 2.1 berikut merupakan mata rantai dari alur distribusi barang dari
produsen sampai kepada konsumen.
PRODUSEN
SUB DISTRIBUTOR

DISTRIBUTOR
PENGUSAHA RITEL

KONSUMEN

Gambar 2.1. Rantai perdagangan ritel

Dari rantai perdagangan pada gambar 2.1, dapat disimpulkan bahwa bisnis
ritel berperan sebagai perantara perdagangan yang memiliki ketergantungan pasokan
barang dan jasa kepada produsen/ pemasok.

Customer Orientation

Coordinated Effort

Value Driven

Retailin
g
Concept

Retailing Strategy

Goal Orientation

Gambar 2.2. Penerapan Konsep Ritel (Evans & Berman, 2004)

Pada gambar 2.2, terdapat 4 prinsip dalam konsep bisnis ritel yang perlu
diperhatikan dan diterapkan oleh para pedagang ritel (Joel R Evans, Barry Berman,
2004). Prinsip tersebut dijabarkan sebagai berikut :

a. Customer Orientation (berorientasi kepada konsumen), pedagang ritel

menentukan atribut dan kebutuhan konsumen dan berusaha untuk

memuaskan kebutuhan tersebut sampai pada titik terpenuh.
b. Coordinated

Effort

(Usaha

yang

terkoordinir),

pedagang

ritel

mengintegrasikan semua aktivitas dan rencana demi memaksimalkan

efisiensi.
c. Value-Driven (Harga yang terkendali), pedagang ritel menawarkan harga

yang baik kepada konsumen, apakah itu berupa promosi paket penjualan
yang murah ataupun diskon harga barang.
d. Goal Orientation (berorientasi pada target), pedagang ritel menetapkan

target dan kemudian membentuk strategi untuk mencapainya.

2.2 Data Mining
Seiring dengan perkembangan teknologi, kemampuan manusia dalam
mengumpulkan dan mengolah data juga mengalami kemajuan. Data mining dapat
diartikan sebagai suatu proses ekstraksi informasi yang berguna dan potensial dari
sekumpulan data yang secara implisit terdapat dalam suatu database. Informasi yang
ditemukan ini selanjutnya dapat diterapkan untuk aplikasi manajemen, melakukan
query processing, pengambilan keputusan, dan lain-lain.
Dewasa ini, data mining sering dipergunakan oleh berbagai jenis perusahaan
untuk mendapatkan informasi yang berharga dari gudang data mereka. Hal ini
dikarenakan data mining dapat menghasilkan gambaran nyata tentang tren dan sifatsifat perilaku bisnis yang sangat berguna untuk mengambil keputusan penting, berupa
strategi dan kebijakan yang berdampak positif bagi pertumbuhan suatu perusahaan.
Data mining mengekplorasi basis data untuk menentukan pola-pola yang
tersembunyi, mencari informasi sebagai dasar untuk memprediksi perilaku para
pengusaha dan konsumen secara umum.
Data mining merupakan analisis dari peninjauan kumpulan data untuk
menemukan hubungan yang tidak diduga dan meringkas data dengan cara yang
berbeda dengan sebelumnya, yang dapat dipahami dan bermanfaat bagi pemilik data
(Daniel T. Larose, 2005).

Gambar 2.3 merupakan gambaran proses evolusi dari basis data mulai dari
tahap pembuatannya pada tahun 1960 sampai dengan saat ini.

Pengumpulan data dan pembuatan basis data (1960an)

pemrosesan file primitif
Sistem manajemen database (1970an)
-sistem jaringan dan dan basis data yang berhubungan
-peralatan pemodelan data
- teknik pengindeksan dan pengelompokan data
- bahasa dan pemrosesan kueri
- hubungan antar-muka dengan pengguna
- metode optimalisasi
- On-Line Transaction Processing (OLTP)

Sistem basis data lanjutan

(pertengahan 1980 - sekarang)

Pergudangan data (data warehousing) dan data

mining (Akhir 1980an - sekarang)

Model data lanjutan

Teknologi data warehouse dan OLAP

Aplikasi terorientasi

Data mining dan penemuan pengetahuan

Generasi baru dalam sistem informasi

(2000 - .)

Gambar 2.3. Evolusi teknologi basis data (Jiawei Han & Micheline Kamber, 2000)

Data mining dapat dipandang sebagai sebuah hasil evolusi alami dari
teknologi informasi (gambar 2.3). Sebuah alur evolusi dapat disaksikan pada
perkembangan kemampuan industri database dalam hal pengumpulan data (data
collection) dan pembuatan basis data (database creation), manajemen data (data
management), serta analisis dan pemahaman data (data analysis and understanding).
Pada saat ini, data dapat disimpan ke dalam beberapa jenis basis data. Salah
satu arsitektur basis data yang muncul adalah gudang data (Data Warehouse), yaitu
sebuah tempat penyimpanan dari suatu sumber data heterogen, yang terorganisir di
bawah sebuah skema gabungan pada lokasi tunggal dengan tujuan mempermudah
manajemen dalam pengambilan keputusan (Jiawei Han & Micheline Kamber, 2000).

Gambar 2.4. Knowledge Discovery in Databases atau Data mining sebagai sebuah
proses dalam penemuan pengetahuan (Jiawei Han & Micheline Kamber, 2000)

Menurut Jiawei Han dan Micheline Kamber (Data Mining : Concept and
Techniques, 2000), data mining dalam perannya sebagai proses penemuan
pengetahuan memiliki langkah terurut (Gambar 2.4) sebagai berikut :
a. Data Cleaning (untuk menghilangkan data yang kabur atau noise dan tidak

relevan)
b. Data Integration (dimana sumber data yang banyak dapat digabungkan)
c. Data Selection (dimana data yang relevan terhadap proses analisis

dikembalikan dari basis data)

d. Data Transformation (dimana data diubah atau diperkuat ke dalam format

yang sesuai untuk penggalian data dengan membuat ringkasan atau

pengumpulan data)
e. Data Mining (sebuah proses yang penting dimana metode pintar

diterapkan dengan tujuan untuk menyaring pola data)

f.

Pattern Evaluation (untuk mengenali pola menarik yang menyajikan

pengetahuan berdasarkan beberapa tolak ukur ketertarikan)

g. Knowledge Presentation (dimana visualisasi dan teknik penyajian

pengetahuan dipergunakan untuk menghasilkan pengetahuan tergali bagi

user).

Perkembangan teknologi informasi yang pesat menimbulkan dampak yang

cukup besar dalam hal pengumpulan dan akumulasi data. Tanpa manajemen data
yang baik, akan tercipta suatu kondisi yang sering disebut sebagai rich of data but
poor of information (Jiawei Han dan Micheline Kamber, 2000), yaitu kondisi
dimana data yang terkumpul dalam suatu basis data hanya dibiarkan begitu saja dan
tidak dipergunakan dengan baik untuk menciptakan suatu aplikasi yang bermanfaat
dalam memperoleh informasi yang berharga. Gambar 2.5 berikut merupakan
gambaran dimana terjadi kondisi rich of data but poor of information.

Gambar 2.5. Kondisi rich of data but poor of information (Jiawei Han & Micheline
Kamber, 2000)

Data mining adalah suatu proses untuk menguraikan penemuan pengetahuan

di dalam database untuk melihat keterkaitan penjualan antar item, dengan
menggunakan statistik, matematika, dan kecerdasan buatan yang terkait dengan basis
data yang besar. Data mining merupakan konsep utama dalam kecerdasan bisnis
(business intelligent) serta pemrosesan analisis secara online (online analytical
processing). Data mining memiliki banyak model algoritma yang dapat diterapkan
dalam proses bisnis, sebagai metode efektif untuk mencapai nilai positif dalam
peningkatan kinerja proses dan keuntungan.
Arsitektur dari suatu sistem basis data tertentu memiliki komponen utama
sebagai berikut (Jiawei Han & Micheline Kamber, 2000) :

a. Basis data (database), gudang data (data warehouse), atau tempat

penyimpanan

informasi

(information

repository).

Komponen

ini

memungkinkan adanya penggabungan dan pembersihan pada data.

b. Basis data, atau server gudang data. Komponen ini bertanggung jawab

dalam pengambilan data yang relevan, berdasarkan permintaan user.

c. Basis pengetahuan (knowledge base), merupakan daerah pengetahuan

yang dipergunakan sebagai panduan dalam pencarian.

d. Mesin data mining (data mining engine), merupakan hal yang penting

dalam sistem data mining dan biasanya terdiri atas sejumlah modul
fungsional yakni dalam karakterisasi (characterization), analisis asosiasi
(association analysis), klasifikasi (classification), analisis penyimpangan
dan evolusi (evolution and deviation analysis).
e. Modul evaluasi pola (pattern evaluation module). Komponen ini secara

khusus mengerjakan ukuran ketertarikan (interestingness measures) dan

berhubungan dengan modul data mining agar memusatkan pencarian ke
arah pola yang menarik. Modul evaluasi pola dapat digabungkan dengan
modul penggalian (mining), tergantung pada implementasi metode data
mining yang digunakan.
Grafis

hubungan

antar

muka

(graphical

user

interface).

Modul

ini

memperbolehkan user untuk berinteraksi langsung dengan sistem data mining,

menyediakan informasi pengarah dalam pencarian, dan melakukan penjelajahan data.
2.2.1

Pengelompokan Data Mining

Data mining dapat dikelompokkan ke dalam beberapa kategori berdasarkan

tugas dan fungsinya, yaitu : Deskripsi (Description), Estimasi (Estimation), Prediksi

(Prediction), Klasifikasi (Classification), Klasterisasi (Clustering), dan Asosiasi
(Association) (Daniel T. Larose, 2006).
Klasifikasi adalah proses dalam menemukan sejumlah model atau fungsi yang
menguraikan dan mengelompokkan kelas-kelas data atau konsep, dengan tujuan agar
mampu menggunakan model tersebut untuk meramalkan kelas dari objek, dimana
label kelas tidak dikenali. Model yang diperoleh dapat diwakilkan dalam beberapa

bentuk, seperti aturan klasifikasi (classification rules : if - then), pohon keputusan

(decision tree), rumus matematika (mathematical formulae), atau jaringan syaraf
tiruan (neural networks).
Klasifikasi dapat digunakan untuk menemukan label kelas dari data objek.
Bagaimanapun, dalam sejumlah aplikasi, ada sebuah kemungkinan dimana seseorang
lebih memilih untuk meramalkan nilai data yang hilang daripada mencari label kelas.
Biasanya pada kasus ini, nilai yang diramalkan adalah data berupa angka secara
terperinci disebut dengan prediksi (prediction).
Berbeda dengan klasifikasi dan prediksi, yang menganalisis label kelas pada
data, klasterisasi menganalisis objek data tanpa berhubungan dengan suatu label kelas
yang

dikenal.

Objek-objek

dikelompokkan

berdasarkan

prinsip

dalam

memaksimalkan persamaan dalam kelas (intraclass) dan meminimalkan persamaan

antar kelas (interclass). Karena itu, klaster dari objek dibentuk agar sebuah objek di
dalam sebuah klaster memiliki persamaan yang tinggi dengan objek lainnya, tetapi
akan sangat berbeda jika dibandingkan dengan objek dalam klaster lainnya. Setiap
kluster yang terbentuk dapat juga kita defenisikan sebagai kelas dari objek-objek.
Analisis asosiasi adalah salah satu teknik data mining untuk menemukan
aturan asosiatif (associative rules) antara suatu kombinasi item dalam suatu basis data
relasional. Karena kegunaannya secara luas dapat dipergunakan untuk kepentingan
bisnis dan menganalisa data transaksi, analisis asosiasi sering juga disebut dengan
Market Basket Analysis (Michael J.A Berry & Gordon S. Linoff, 2004).
2.2.2

Association Rules
Association rules (aturan asosiasi) merupakan salah satu dari pengetahuan

yang paling penting dalam data mining yang dapat diartikan sebagai hubungan dan
ketergantungan antara sejumlah item (itemsets) dengan menentukan nilai support dan
confidence pada basis data. Aturan asosiasi ingin memberikan informasi tersebut
dalam bentuk hubungan if-then atau jika-maka.
Penting tidaknya suatu aturan assosiatif dapat diketahui dengan dua
parameter, support (nilai penunjang) yaitu prosentase kombinasi item tersebut dalam
database, dan confidence (nilai kepastian) yaitu kuatnya hubungan antar item dalam

aturan assosiatif. Dalam bidang ekonomi, aturan asosiatif telah dipergunakan secara
luas dalam mengukur pola konsumsi pelanggan berdasarkan data keranjang belanja
(Market basket data), sehingga sering disebut juga dengan analisa keranjang belanja
(Market basket analysis). Penggalian aturan asosiatif (associative rules mining)
berfungsi untuk menemukan aturan asosiasi yang paling penting dari basis data
berukuran besar.
Ada beberapa model aturan asosiasi (association rule) yang sering
dipergunakan selama ini, yakni (Jiawei Han & Micheline Kamber, 2000) :
a. Single level association rule, contoh :

komputer software antivirus

b. Multilevel association rule, contoh :

IBM komputer Canon Printer

c. Interdimensional association rule, contoh :

Age(x, 19,,25) , Occupation (x, student) buys (x, laptop)

d. Hybrid-dimensional association rule, contoh :

Age (x, 19,..,25), Buys (x, laptop) buys (x, canon printer)
Perbedaan antara interdimensional association rule dan hybrid-dimensional
association rule terdapat pada pengulangan predikat pada sebuah rule, dimana
interdimensional

tidak

memperbolehkan

sementara

hybrid-dimensional

memperbolehkan adanya pengulangan predikat.

Rumus untuk mencari nilai support dan confidence pada suatu item adalah
sebagai berikut :
a. Support
Support (AB) = jumlah transaksi mengandung A dan B *100
jumlah total transaksi
b. Confidence
Confidence (AB) = jumlah transaksi mengandung A dan B *100
jumlah total A dalam transaksi

Gabungan (Combination) = Support * Confidence

2.2.3

Algoritma Apriori
Di antara jenis-jenis algoritma yang ada dalam penggalian aturan asosiasi

(association rules mining), algoritma apriori merupakan algoritma pendahulu yang

pertama kali ditawarkan oleh Rakesh Agrawal pada tahun 1993. Ide utama pada
algoritma apriori adalah dengan membaca database secara berulang. Langkah pada
algoritma apriori adalah : pertama - mencari frequent itemset dari basis data transaksi,
kedua menghilangkan itemset dengan frekuensi yang rendah berdasarkan level
minimum support yang telah ditentukan sebelumnya, dan terakhir - membuat aturan
asosiasi (association rule) dari itemset yang memenuhi ketentuan nilai minimum
confidence dalam basis data (Agrawal dan Srikant, 1994).
Algoritma apriori merupakan suatu bentuk algoritma dalam data mining yang
akan memberikan informasi tentang hubungan antar item dalam database yang dapat
dimanfaatkan secara luas dalam proses bisnis khususnya dalam proses penjualan.
Knowledge algoritma apriori terletak pada frequent itemset yang telah diketahui
sebelumnya, untuk memproses informasi selanjutnya (Erwin, 2009).
Terdapat dua proses utama pada algoritma apriori (Jiawei Han & Micheline
Kamber, 2000), yaitu sebagai berikut :
a. Join (penggabungan)

Dalam proses ini, setiap item dikombinasikan dengan item yang lainnya
sampai tidak terbentuk kombinasi lagi
b. Prune (pemangkasan)

Pada proses ini, hasil kombinasi item akan dipangkas dengan

menggunakan minimum support yang telah ditentukan oleh pengguna.
Algoritma apriori bekerja dengan cara menghasilkan kandidat baru dari kitemset pada frequent itemset sebelumnya dan menghitung nilai support k-itemset
tersebut. Itemset yang memiliki nilai support di bawah dari minsup akan dihapus.
Langkah selanjutnya adalah menghitung minconf mengikuti rumus sesuai yang telah
ditentukan. Support tidak perlu dilihat lagi, karena generate frequent itemset
didapatkan dari melihat minsup-nya. Bila rule yang didapatkan memenuhi batasan

yang ditentukan dan batasan itu tinggi, maka rule tersebut tergolong strong rules.
Proses penghitungan dalam algoritma berhenti ketika tidak ada lagi frequent itemset
baru yang dihasilkan. Sebagai contoh dapat kita lihat pada gambar 2.6 berikut.

Gambar 2.6. Ilustrasi algoritma apriori (Muhammad Ikhsan, dkk, 2007)

Dalam gambar 2.6 tersebut, database D merupakan kumpulan dari data

transaksi. Dari database D yang telah diolah, diperoleh hasil support pada C1, yakni
transaksi untuk item 1 sebanyak 2 kali, item 2 sebanyak 3 kali, item 3 sebanyak 3 kali,
item 4 sebanyak 1 kali, item 5 sebanyak 3 kali. Data C1 kemudian dipangkas dengan
menggunakan nilai minimal support yang ditentukan oleh user, yakni : minsup 2.
Hasil pemangkasan tersebut dapat dilihat di tabel L1, dimana item 4 tidak
dimasukkan lagi karena tidak memenuhi nilai minimum support. Langkah selanjutnya
adalah membuat model (generate) data itemset yang mungkin muncul, yaitu (1,2),
(1,3), (1,5), (2,3), (2,5), (3,5). Data tersebut dicantumkan pada tabel C2, kemudian
frekuensi kemunculannya diolah dari tabel database D. Item (1,2) memiliki support
sebanyak 1, item (1,3) sebanyak 2, item (1,5) sebanyak 1, item (2,3) sebanyak 2, item
(2,5) sebanyak 3, item (3,5) sebanyak 2. Data tersebut kemudian dipangkas lagi
dengan menggunakan nilai minum support, dan diperoleh hasil pada tabel L2 : (1,3),
(2,3), (2,5), (3,5). Karena support item 1 (tabel L2) hanya sebanyak 1, yang tergolong
strong rules adalah item 2, 3, dan 5, dimana itemset (2,3,5) muncul dengan support
sebanyak 2 kali. Gambar 2.7 merupakan Flowchart algoritma Apriori.

Start

Penjualan
Ambil data dari
penjualan dan detil
penjualan
Detil Penjualan

Masukkan tiap
kode barang dan
jumlah di group
berdasarkan no
transaksi
Proses1
Tampilkan matrik
berisi kode barang
dan jumlahnya
pada tiap transaksi

Matrik

Htiung total semua

transaksi yang
mengandung
objek masukkan
ke var hitbox

Hitung nilai confidence dan support

Gabungan = confidence x support

T

Jika nilai confidence dan

support memenuhi syarat

Y
T
Tampilkan support ,
confidence dan gabungan

Kombinasi telah
diproses keseluruhan

Selesai

Gambar 2.7 Flowchart Algoritma Apriori

Kombinasi itemset yang ingin diterapkan dalam aplikasi tugas akhir ini
dibatasi sampai 5 jumlah barang terasosiasi. Gambaran alur tahapan proses dalam
menghasilkan kombinasi itemset pada aplikasi dijelaskan satu persatu dalam gambar
flowchart sebagai berikut.
a. Kombinasi dua barang : jumlah barang yang muncul terkombinasi secara

bersamaan adalah sebanyak dua barang.

Start

for ($i = 0 ; $i < $z ;$i++)

for ($j = 0 ; $j < $z ;$j++)

Hitung $hitbox
(banyaknya barang yang dicari pada
semua transaksi)

Det_jual

Hitung $hitall
(banyaknya transaksi)

Hitung $z1 jumlah kombinasi tsb dlm

data

Proses1

$z1/$hitall) *100 = confidence

$z1/$hitbox * 100 = support

Gabungan = confidence x support

Tampilkan support ,
confidence dan gabungan

End Loop $j

End Loop $i
Y
Selesai

Gambar 2.8 Flowchart kombinasi dua barang

b. Kombinasi tiga barang : jumlah barang yang muncul terkombinasi secara

bersamaan adalah sebanyak tiga barang.

Start

for ($i = 0 ; $i < $z ;$i++)

for ($j = 0 ; $j < $z ;$j++)

for ($k = 0 ; $k < $k ;$k++)

Hitung $hitbox
(banyaknya barang yang dicari pada
semua transaksi)

Det_jual

Hitung $hitall
(banyaknya transaksi)

Hitung $z1 jumlah kombinasi tsb dlm

data

Proses1

$z1/$hitall) *100 = confidence

T
T
T

$z1/$hitbox * 100 = support

Gabungan = confidence x support

Tampilkan support ,
confidence dan gabungan

End Loop $k

End Loop $j
Y
End Loop $i

Selesai

Gambar 2.9 Flowchart kombinasi tiga barang

c. Kombinasi empat barang : jumlah barang yang muncul terkombinasi

secara bersamaan adalah sebanyak empat barang.

Start

for ($i = 0 ; $i < $z ;$i++)

for ($j = 0 ; $j < $z ;$j++)

for ($k = 0 ; $k < $z ;$k++)

for ($L = 0 ; $L < $z ;$L++)

Hitung $hitbox
(banyaknya barang yang dicari pada
semua transaksi)

Det_jual

Hitung $hitall
(banyaknya transaksi)

Hitung $z1 jumlah kombinasi tsb dlm

data

Proses1

$z1/$hitall) *100 = confidence

$z1/$hitbox * 100 = support

Gabungan = confidence x support

Tampilkan support ,
confidence dan gabungan

End Loop $L
Y
End Loop $k
Y
End Loop $j
Y
End Loop $i

Selesai

Gambar 2.10 Flowchart kombinasi empat barang

d. Kombinasi lima barang : jumlah barang yang muncul terkombinasi secara

bersamaan adalah sebanyak lima barang.

Start
for ($i = 0 ; $i < $z ;$i++)

for ($j = 0 ; $j < $z ;$j++)

for ($k = 0 ; $k < $z ;$k++)

for ($L = 0 ; $L < $z ;$L++)

for ($m = 0 ; $m < $z ;$m++)

Hitung $hitbox
(banyaknya barang yang dicari pada
semua transaksi)

Det_jual

Hitung $hitall
(banyaknya transaksi)

Hitung $z1 jumlah kombinasi tsb dlm

data

Proses1

T
T
T

$z1/$hitall) *100 = confidence

T
$z1/$hitbox * 100 = support

Gabungan = confidence x support

Tampilkan support ,
confidence dan gabungan

End Loop $L

Y
End Loop $L
Y

End Loop $k
Y

End Loop $j

End Loop $i
Y

Selesai

Gambar 2.11 Flowchart kombinasi lima barang

Adapun pseudocode algoritma apriori dapat kita pahami dari gambar 2.12.

Gambar 2.12. Pseudocode Algoritma Apriori (Nugroho Wandi, dkk, 2012)

3. Metodologi Penelitian
3.1 Desain Penelitian
Desain penelitian adalah tahapan atau gambaran yang akan dilakukan peneliti
dalam melakukan penelitian. Dalam pengerjaan tugas akhir ini, adapun tahapantahapan desain penelitian yang dilakukan oleh peneliti adalah sebagai berikut:
a. Mengumpulkan data yang diperlukan berupa textbook, paper dan karya ilmiah

yang membahas algoritma dalam data mining untuk keperluan bisnis.

b. Setelah dikumpulkan data yang diperlukan, ditentukan data yang akan dipakai

pada penelitian ini yaitu berupa textbook, paper dan karya ilmiah yang
membahas algoritma apriori.
c. Mempersiapkan alat dan bahan penelitian.
d. Setelah alat dan bahan penelitian disiapkan, langkah selanjutnya membangun

perangkat lunak dengan metodologi Framework for the Aplication of Systems

Thinking (FAST).
Hasil dari pembangunan perangkat lunak adalah berupa tampilan itemset yang
frequent, lengkap dengan nilai minimum support dan minimum confidence yang
memenuhi ketentuan user.
3.2 Desain Tabel
Adapun tabel dalam pembuatan aplikasi pemodelan pembelian barang dengan
algoritma apriori adalah sebagai berikut :
a. Tabel Barang

Berfungsi untuk menyimpan data barang.

Tabel 3.1 Tabel Barang
No

Nama Field

Tipe dan Panjang

Keterangan

1.

KodeBrg

Field
Varchar (20)

Primary Key

2.

NamaBrg

Varchar (50)

3.

HargaBrg

Big Integer

4.

KodeKat

Varchar (20)

b. Tabel Detail Jual, merupakan tabel penyimpanan detail penjualan. Tabel

3.2 Tabel detail jual

No

Nama Field

Tipe dan Panjang

Keterangan

1.

No_Detail

Field
Integer

Primary Key

2.

Kode_Barang

Varchar (20)

3.

No_Jual

Integer

c. Tabel Penjualan, berfungsi untuk menyimpan data penjualan.

Tabel 3.3 Tabel Penjualan

No

Nama Field

Tipe dan Panjang

Keterangan

1.

NoJual

Field
Integer

Primary Key

2.

TglJual

Date Time

3.

BiayaJual

Big Integer

d. Tabel Proses, berfungsi sebagai tabel penyimpanan proses.

Tabel 3.4 Tabel Proses

No

Nama Field

Tipe dan Panjang

Keterangan

1.

No_Urut

Field
Integer

Primary Key

2.

NoJual

Integer

3.

KodeBrg

Varchar (50)

4.

Nilai

Integer

e. Tabel Hasil, berfungsi sebagai tabel dalam penyimpanan data hasil.

Tabel 3.5 Tabel Hasil

No

Nama Field

Tipe dan Panjang

Keterangan

1.

No_Id

Field
Integer

Primary Key

2.

Support

Double Precision

3.

Confidence

Double Precision

4.

Support x Confidence

Double Precision

5.

Keterangan

Varchar (50)

3.3 Desain Fisik

Adapun desain fisik yang dijelaskan di bab ini adalah desain model tampilan
(user interface). Model tampilan atau antar muka program berfungsi sebagai media
interaksi antara pemakai dengan aplikasi. Terdapat beberapa rancangan tampilan pada
aplikasi tugas akhir ini, yakni sebagai berikut :
a. Desain tampilan Login

User Name

Password

:
Login

Gambar 3.1Rancangan Tampilan Login

Tampilan login berfungsi untuk menjamin keamanan aplikasi, dimana user
pada sistem ini harus melakukan login terlebih dahulu.
b. Desain Tampilan Master Data Barang

Kode Barang

Nama Barang

Harga Barang :
Kode Kategori :

Gambar 3.2 Rancangan Master Data Barang

Tampilan master data barang berfungsi sebagai media bagi user untuk
menginputkan data barang.
c. Desain tampilan Proses algoritma Apriori.

Masukkan batas minimal support

Masukkan batas minimal confidence :

Masukkan nama barang

:
Searching

Gambar 3.3 Rancangan Tampilan Proses Algoritma Apriori.

Tampilan proses berfungsi sebagai media bagi user untuk menginputkan

batasan nilai dalam asosiasi antar barang yang diinginkan, yaitu nilai
minimum support dan minimum confidence.
d. Desain tampilan Laporan Barang Terjual

Cetak

Grafik

Laporan
Barang Terjual
Tgl Awal
:
Tgl Akhir

:
OK

Gambar 3.4 Rancangan Tampilan Laporan Barang Terjual

Tampilan laporan barang terjual berfungsi sebagai media bagi user untuk
mengetahui laporan barang terjual, yang mana hasil laporan dapat ditampilkan
dalam data maupun grafik. Pada tampilan ini, user akan memasukkan nilai yang
diinginkan, berupa tanggal awal dan tanggal akhir.

4. Hasil dan Pembahasan

4.1 Proses Penelitian
Langkah-langkah yang dilakukan dalam pengerjaan tugas akhir Aplikasi
Pemodelan Pembelian Barang dengan Algoritma Apriori ini adalah sebagai berikut :
-

Membuat database barang beserta data penjualannya.

Membuat script PHP untuk pemodelan barang dengan algoritma apriori.

Membuat script PHP untuk menampilkan hasil apriori.

Pengujian aplikasi.

4.2 Pembahasan
Dalam pengujian aplikasi pemodelan pembelian dengan algoritma apriori ini,
peneliti menggunakan tiga item sebagai sampel yaitu Teh Celup cap Bendera, Top
Coffee dan Susu Frisian Flag dengan batasan nilai minimum support dan minimum
confidence yang beragam. Adapun hasil yang ditemukan dalam pengujian aplikasi

adalah berupa kombinasi itemset dengan nilai yang memenuhi batasan nilai minimum
dan minimum support seperti keinginan user.
Pada pengujian dengan sampel Teh celup bendera, peneliti memasukkan
batasan nilai minimum support sebesar 15% dan minimum confidence sebesar 10%.
Dari pengolahan apriori dengan nilai tersebut, hasil yang diperoleh adalah kombinasi
itemset sebanyak 97 rules yang ditampilkan dengan waktu proses selama 8 detik.
Untuk kombinasi itemset dengan 5 item berurut, terdapat 24 rules dengan nilai
minimum support paling tinggi sebesar 16,67% dan minimum confidence sebesar
20%. Untuk mempersempit hasil pengolahan, peneliti menguji kembali sampel item
Teh Celup cap Bendera dengan menaikkan batasan nilai minimum support dan
minimum confidence masing-masing sebesar 30%, dimana hanya terdapat 7 rules
yang memenuhi nilai asosiasi, dan diperlukan 6 detik untuk menampilkan 7 rules
tersebut. Berikut dapat kita lihat hasil rules yang dimaksud :
<Rule>Jika : Teh Celup Cap Bendera 50g maka Top Coffee 10</Rule>
<Support>33.3333333333%</Support>
<Confidence>40%</Confidence>
<Gabungan>13.3333333333%</Gabungan>
<Rule>Jika : Teh Celup Cap Bendera 50g maka Gulaku Gula Premium
250g</Rule>
<Support>75%</Support>
<Confidence>90%</Confidence>
<Gabungan>67.5%</Gabungan>
<Rule>Jika : Teh Celup Cap Bendera 50g maka Frisian Flag Vanilla
250ml</Rule>
<Support>66.6666666667%</Support>
<Confidence>80%</Confidence>
<Gabungan>53.3333333333%</Gabungan>
<Rule>Jika : Teh Celup Cap Bendera 50g maka Top Coffee 10 maka
Gulaku Gula Premium 250g</Rule>
<Support>33.3333333333%</Support>
<Confidence>40%</Confidence>
<Gabungan>13.3333333333%</Gabungan>

<Rule>Jika : Teh Celup Cap Bendera 50g maka Gulaku Gula Premium
250g maka Top Coffee 10</Rule>
<Support>33.3333333333%</Support>
<Confidence>40%</Confidence>
<Gabungan>13.3333333333%</Gabungan>
<Rule>Jika : Teh Celup Cap Bendera 50g maka Gulaku Gula Premium
250g maka Frisian Flag Vanilla 250ml</Rule>
<Support>66.6666666667%</Support>
<Confidence>80%</Confidence>
<Gabungan>53.3333333333%</Gabungan>
<Rule>Jika : Teh Celup Cap Bendera 50g maka Frisian Flag Vanilla
250ml maka Gulaku Gula Premium 250g</Rule>
<Support>66.6666666667%</Support>
<Confidence>80%</Confidence>
<Gabungan>53.3333333333%</Gabungan>
Pada pengujian dengan sampel Top Coffee, adapun nilai yang ditetapkan
peneliti adalah sebesar 20% masing-masing untuk nilai batas minimum support dan
minimum confidence. Jumlah rules yang ditemukan pada pengujian aplikasi dengan
sampel top coffee tersebut lebih sedikit dari pengujian sampel teh celup cap bendera,
yakni hanya terdapat sebanyak 15 rules yang ditampilkan dalam waktu eksekusi
proses selama 6 detik. Sebanyak 6 rules di antaranya adalah kombinasi 4 item dengan
nilai minimum support paling besar 25% dan minimum confidence sebesar 37,5%, 6
rules lainnya adalah kombinasi 3 item dengan nilai paling besar 41,66% untuk
minimum support dan 62,5% untuk nilai minimum confidence, dan kemudian 3 rules
merupakan kombinasi 2 item dengan nilai minimum support tertinggi sebesar 50%
dan minimum confidence sebesar 75%. Adapun rules yang dihasilkan adalah sebagai
berikut :
<Rule>Jika : Top Coffee 10 maka Gulaku Gula Premium 250g</Rule>
<Support>50%</Support>
<Confidence>75%</Confidence>
<Gabungan>37.5%</Gabungan>

<Rule>Jika : Top Coffee 10 maka Frisian Flag Vanilla 250ml</Rule>

<Support>41.6666666667%</Support>
<Confidence>62.5%</Confidence>
<Gabungan>26.0416666667%</Gabungan>
<Rule>Jika : Top Coffee 10 maka Teh Celup Cap Bendera 50g</Rule>
<Support>33.3333333333%</Support>
<Confidence>50%</Confidence>
<Gabungan>16.6666666667%</Gabungan>
<Rule>Jika : Top Coffee 10 maka Gulaku Gula Premium 250g maka
Frisian Flag Vanilla 250ml</Rule>
<Support>41.6666666667%</Support>
<Confidence>62.5%</Confidence>
<Gabungan>26.0416666667%</Gabungan>
<Rule>Jika : Top Coffee 10 maka Gulaku Gula Premium 250g maka
Teh Celup Cap Bendera 50g</Rule>
<Support>33.3333333333%</Support>
<Confidence>50%</Confidence>
<Gabungan>16.6666666667%</Gabungan>
<Rule>Jika : Top Coffee 10 maka Frisian Flag Vanilla 250ml maka
Gulaku Gula Premium 250g</Rule>
<Support>41.6666666667%</Support>
<Confidence>62.5%</Confidence>
<Gabungan>26.0416666667%</Gabungan>
<Rule>Jika : Top Coffee 10 maka Teh Celup Cap Bendera 50g maka
Gulaku Gula Premium 250g</Rule>
<Support>33.3333333333%</Support>
<Confidence>50%</Confidence>
<Gabungan>16.6666666667%</Gabungan>
Pada pengujian dengan sampel susu Frisian Flag, untuk batasan nilai
minimum support dan minimum confidence yang ditetapkan oleh peneliti adalah
masing-masing sebesar 20%. Hasil itemset yang memenuhi nilai batasan support dan
confidence sesuai dengan ketentuan peneliti adalah sebanyak 7 rules, dimana 3 rules

merupakan hasil kombinasi 2 item, dan 4 rules lainnya merupakan hasil kombinasi 3
item. Rules Jika Susu Frisian Flag maka Gulaku Premium 250g memiliki nilai
asosiasi yang paling tinggi, yaitu sebesar 91,67% nilai support dan 52,38% nilai
confidence. Rules yang dihasilkan dalam pengujian aplikasi untuk item susu Frisian
flag dengan batasan nilai minimum support dan nilai minimum confidence sebesar
20% dapat kita lihat pada gambar 4.1 dan file dengan format xml sebagai berikut.
Format xml :
<Rule>Jika : Frisian Flag Vanilla 250ml maka Gulaku Gula Premium
250g</Rule>
<Support>91.6666666667%</Support>
<Confidence>52.380952381%</Confidence>
<Gabungan>48.0158730159%</Gabungan>
<Rule>Jika : Frisian Flag Vanilla 250ml maka Teh Celup Cap Bendera
50g</Rule>
<Support>66.6666666667%</Support>
<Confidence>38.0952380952%</Confidence>
<Gabungan>25.3968253968%</Gabungan>
<Rule>Jika : Frisian Flag Vanilla 250ml maka Gulaku Gula Premium 250g
maka Teh Celup Cap Bendera 50g</Rule>
<Support>66.6666666667%</Support>
<Confidence>38.0952380952%</Confidence>
<Gabungan>25.3968253968%</Gabungan>
<Rule>Jika : Frisian Flag Vanilla 250ml maka Teh Celup Cap Bendera 50g
maka Gulaku Gula Premium 250g</Rule>
<Support>66.6666666667%</Support>
<Confidence>38.0952380952%</Confidence>
<Gabungan>25.3968253968%</Gabungan

Gambar 4.1 Tampilan tabel detil hasil asosiasi item susu Frisian flag

Pada aplikasi pemodelan pembelian barang ini diterapkan rumus untuk

mencari nilai support, confidence, dan gabungan sebagai berikut :
Support (%) = Jumlah transaksi yang mengandung nilai A dan B *100
Jumlah total transaksi

Confidence (%) = Jumlah transaksi yang mengandung nilai A dan B *100

Jumlah total barang A yang terjual
Gabungan (%) = (Support * Confidence)/100
Untuk memperjelas hasil nilai support, confidence, dan gabungan yang
dihasilkan dalam proses apriori pada aplikasi, penulis menerapkan rumus yang sudah
diterangkan sebelumnya ke dalam contoh perhitungan manual dalam proses apriori
dengan batas nilai minsup dan minconf sebesar 30% untuk item susu Frisian Flag
(Gambar 4.1).
-

Susu Frisian Flag dengan Gulaku Gula Premium

Support (%) = (11/12) * 100

= (0,9166667) * 100
= 91,67 %
Confidence (%) = (11/21) * 100

= (0,5238) * 100
= 52,38 %
Gabungan (%) = (91,67 * 52,38) / 100
= 48,015 %
-

Susu Frisian Flag dengan Teh Celup Cap Bendera

Support (%) = (8/12) * 100

= (0,66667) * 100
= 66,67 %
Confidence (%) = (8/21) * 100

= (0,38095) * 100
= 38,095 %
Gabungan (%) = (66,67 * 38,095) / 100
= 25,396 %
-

Susu Frisian Flag dan Gulaku Gula Premium dengan Teh Celup Cap
Bendera
Support (%) = (8/12) * 100

= (0,66667) * 100
= 66,67 %
Confidence (%) = (8/21) * 100

= (0,38095) * 100
= 38,095 %
Gabungan (%) = (66,67 * 38,095) / 100

= 25,396 %
-

Susu Frisian Flag dan Teh Celup Cap Bendera dengan Gulaku Gula
Premium
Support (%) = (8/12) * 100

= (0,66667) * 100
= 66,67 %
Confidence (%) = (8/21) * 100

= (0,38095) * 100
= 38,095 %
Gabungan (%) = (66,67 * 38,095) / 100
= 25,396 %

Dari pengujian yang sudah dilakukan pada 3 sampel item dengan nilai batasan
support dan confidence tersebut, peneliti menemukan bahwa banyak tidaknya data
penjualan sangat berpengaruh pada jumlah hasil data yang ditampilkan pada aplikasi.
Dengan jumlah data yang semakin besar maka alokasi memori yang dibutuhkan
untuk menjalankan proses algoritma apriori pada aplikasi juga semakin besar. Hal ini
dikarenakan pada proses apriori, sistem harus melakukan pemindaian ulang database
pada setiap iterasinya.
Semakin banyak jumlah kombinasi item, maka semakin rendah nilai support
dan nilai confidence yang dimiliki itemset. Nilai asosiasi yang dihasilkan nantinya
juga bergantung pada banyaknya jumlah data penjualan yang dimasukkan pada
database. Persebaran data item pada database penjualan menjadi hal yang perlu
diperhatikan dalam penggunaan aplikasi pemodelan penjualan dengan algoritma
apriori ini. Untuk mendapatkan hasil frequent itemset yang lebih banyak dan
memiliki nilai asosiasi yang tinggi, diperlukan data barang dan data transaksi yang
lebih lengkap dan riil.
Hasil yang paling penting dari pengerjaan tugas akhir ini adalah bahwa
algoritma apriori dapat dipergunakan untuk mendapatkan nilai asosiasi antar barang,
dan data penjualan dapat menjadi gambaran umum kebiasaan belanja konsumen,
sehingga pengusaha dapat menentukan stok barang apa saja yang perlu diperbanyak
dan dalam menentukan tata letak barang yang berdekatan sesuai dengan jenis maupun

kelompok barang yang paling sering dibeli oleh konsumen secara bersamaan.
Aplikasi data mining untuk pemodelan pembelian barang dengan menggunakan
algoritma apriori ini dapat menghasilkan kombinasi itemset sampai sebanyak 5 buah
item dengan nilai asosiasi yang sangat bergantung pada jumlah data barang terjual
pada setiap transaksi.

5. Kesimpulan
Berdasarkan hasil pengerjaan tugas akhir ini, peneliti menarik beberapa
kesimpulan sebagai berikut :
a. Algoritma apriori dapat menghasilkan sejumlah komposisi itemset dengan
nilai asosiasi yang tinggi berdasarkan banyaknya jumlah data penjualan.
b. Semakin banyak data penjualan yang dimasukkan, maka semakin tinggi

dan bervariasi juga nilai support, confidence, dan gabungan yang dapat
dihasilkan.
c. Algoritma apriori dapat dipergunakan dalam kepentingan bisnis (market

basket analysis) secara luas, dimana pengusaha dapat mengetahui

kombinasi barang belanja yang sering dibeli konsumen secara bersamaan,
berdasarkan pengolahan data penjualan.

Daftar Pustaka
1. Agrawal, Rakesh & Srikant, Ramakrishnan, 1994. Fast Algorithms for Mining
Association Rules. Research Report. IBM Almaden Research Center, San Jose,
California, June 1994.
2. Berry, Michael J.A & Linoff, Gordon S. 2004. Data Mining Techniques For

Marketing, Sales, Customer Relationship Management Second Editon. Wiley

Publishing, Inc. United States of America.
3. Engel, James F., Roger D. Blackwell, & Paul W. Miniard, 1994. Perilaku

konsumen. Binarupa Aksara. Jakarta.

4. Erwin, 2009. Analisis Market Basket Dengan Algoritma Apriori dan FP
Growth. Jurnal Generik Vol. 4 No.2, Juli 2009. (Online)
Tersedia : http://eprints.unsri.ac.id/83/1/6-erwin.pdf
5. Han, Jiawei, & Kamber, Micheline, 2000. Data Mining : Concept and

Techniques. Morgan Kaufmann Publisher.

6. Ikhsan,Muhammad,dkk, 2007. Penerapan Association Rule dengan Algoritma
Apriori pada Proses Pengelompokan Barang di Perusahaan Retail. Jurnal.
(Online) , Tersedia :
http://s3.amazonaws.com/academia.edu.documents/7280024/Penerapan
%20Associaton%20Rule%20dengan%20Algoritma%20Apriori.pdf
7. Joel R. Evans and Barry Berman, 2004. Retail Management : A Strategic

Approach. Pearson Education International. New Jersey.

8. Larose, Daniel T. 2005. Discovering Knowledge in Data: An Introduction to

Data Mining. John Willey & Sons, Inc. New Jersey.

9. Larose, Daniel T, 2006. Data Mining Methods and Models. John Willey & Sons,

Inc. New Jersey.

10. Peter, J.Paul & Olson, Jerry C., 1999. Consumer Behavior and Marketing

Strategy. McGraw-Hill Companies. Boston.

11. Triyono, Sigit, 2006. Sukses Terpadu Bisnis Ritel. PT Elex Media Komputindo.

Jakarta.
12. Wandi, Nugroho dkk, 2012. Pengembangan Sistem Rekomendasi Penelusuran
Buku dengan Penggalian Association Rule menggunakan Algoritma Apriori
(Studi Kasus Badan Perpustakaan dan Kearsipan Provinsi Jawa Timur). Jurnal
Teknik ITS Vol 1, September 2012.