Post on 03-Feb-2021
i
ANALISIS KERANJANG BELANJA MENGGUNAKAN
METODE FP-GROWTH PADA TOKO GROSIR PANCARAN BAHAGIA
SKRIPSI
Diajukan Untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
Disusun Oleh :
Yohanes Adi Purnomo Batlayeri
155314095
PROGRAM STUDI TEKNIK INFORMATIKA
JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2019
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ii
MARKET BASKET ANALYSIS USING FP-GROWTH METHOD
AT PANCARAN BAHAGIA WHOLESALE SHOP
THESIS
Presented as Partial Fulfillment of the Requirements
To Obtain the Sarjana Komputer Degree
in Informatics Engineering Study Program
By :
Yohanes Adi Purnomo Batlayeri
155314095
INFORMATICS ENGINEERING STUDY PROGRAM
DEPARTMENT OF INFORMATICS ENGINEERING
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2019
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
v
HALAMAN MOTO
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vii
ABSTRAK
Persaingan dalam perdagangan semakin mengalami perkembangan yang
pesat. Pemanfaatan e-commerce atau dikenal dengan perdagangan elektronik oleh
pelaku bisnis juga terus mengalami peningkatan. Penerapan konsep penambangan
data dapat membantu pelaku bisnis memprediksi dan merencanakan penjualan
produk sesuai pola pembelian konsumen. Pada penelitian ini dilakukan pengolahan
terhadap data transaksi pada Toko Grosir Pancaran Bahagia dengan menggunakan
metode FP-Growth untuk menganalisis keranjang belanja.
Algoritma tidak menggunakan suatu paradigma generate-and-test pada
algoritma Apriori. Sebaliknya, FP-Growth mengkodekan kumpulan data
menggunakan struktur data compact yang disebut FP-Tree dan menghasilkan
itemset yang sering muncul secara langsung dari struktur ini. FP-Growth adalah
algoritma yang menarik karena menggambarkan bagaimana representasi yang
compact dari kumpulan data transaksi, membantu secara efisien menghasilkan
frequent itemset.
Berdasarkan penelitian ini, diperoleh bahwa semakin tinggi nilai minimum
support maka semakin sedikit hasil asosiasi item yang ditemukan, sedangkan
semakin kecil minimum support maka semakin banyak hasil asosiasi item. Dataset
bulan Juli 2017 sampai Desember 2017 dengan minimum support count = 15 dan
confidence = 50% di setiap bulannya, terdapat dataset yang tidak memiliki aturan
asosiasi yaitu bulan Juli 2017 dan Agustus 2017, juga terdapat item yang muncul di
bulan yang berbeda. Minimum support count tertinggi yang masih menghasilkan
confidence 100% adalah bulan Agustus 2017 dengan minimum support count = 14.
Kata kunci – Penambangan Data, FP-Growth, FP-Tree, support.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
viii
ABSTRACT
Competition in business has grown rapidly. The utilization of e-commerce
or known as electronic trade by business people also increase in growth. The
implementation of data mining may help business people to predict and propose
product sales in accordance to the buying behaviour patterns of consumers. In this
research there is a management in data transaction at Pancaran Bahagia wholesale
store using FP-Growth method for analyzing the market basket.
This algorithm does not use a generate-and-test paradigm in the Apriori
algorithm. Instead, FP-Growth encodes a dataset using a compact data structure
called FP-Tree and produces the most appeared itemsets that occur directly in this
structure. FP-Growth is an interesting algorithm because it describes how to
represent a compact collection of transaction data, helping to produce frequent
item-set.
According to this particular research, it was found that the higher the
minimum support value, the fewer results of the association items found, while the
smaller the minimum support, the more result of the association item found. The
dataset in July 2017 until December 2017 with minumum support count = 15 and
confidence = 50% in each months, there are datasets that do not have association
rules which are July 2017 and August 2017, also there are items that appear in a
different month. The highest minimum support count that still produce 100%
confidence is August 2017 with minimum support count = 14.
Keywords - Data Mining, FP-Growth, FP-Tree, support.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ix
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
x
KATA PENGANTAR
Puji syukur kepada Tuhan Yang Maha Esa atas berkat dan tuntunan cinta
kasih-Nya sehingga penulis dapat menyelesaikan penelitian tugas akhir yang
berjudul “ANALISIS KERANJANG BELANJA MENGGUNAKAN METODE
FP-GROWTH PADA TOKO GROSIR PANCARAN BAHAGIA”.
Dalam penyelesaian penelitian tugas akhir ini penulis mendapat dukungan
dari berbagai pihak, sehingga pada kesempatan ini penulis ingin mengucapkan
terima kasih kepada semua pihak baik secara langsung maupun tidak langsung telah
memberikan dukungan kepada penulis, antara lain:
1. Bapak Robertus Adi Nugroho, S.T., M.Eng. selaku Dosen Pembimbing
tugas akhir yang telah bersedia memberikan waktu, saran, dan dukungan
bagi penulis dalam menyelesaikan tugas akhir.
2. Orang tua, adik serta keluarga penulis yang senantiasa memberi dukungan
dan doa.
3. Bapak Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D. selaku Dekan Fakultas
Sains dan Teknologi.
4. Ibu Dr. Anastasia Rita Widiarti, M.Kom selaku Ketua Program Studi
Teknik Informatika Fakultas Sains dan Teknologi.
5. Bapak Eko Hari Parmadi S.Si., M.Kom. selaku Dosen Pembimbing
Akademik.
6. Seluruh Dosen Program Studi Teknik Informatika Universitas Sanata
Dharma yang telah memberikan ilmu pengetahuan kepada penulis sebagai
pembelajaran untuk menyelesaikan tugas akhir.
7. Saudara Jan William Sianturi yang telah meluangkan waktu, tenaga,
memberikan dukungan dan sebagai tempat bertukar pikiran dalam
penyelesaian tugas akhir.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xii
DAFTAR ISI
HALAMAN JUDUL ................................................................................ i
TITLE PAGE ............................................................................................. ii
HALAMAN PERSETUJUAN ................................................................. iii
HALAMAN PENGESAHAN .................................................................. iv
HALAMAN MOTO ................................................................................. v
PERNYATAAN KEASLIAN KARYA .................................................. vi
ABSTRAK ................................................................................................ vii
ABSTRACT ............................................................................................... viii
PERSETUJUAN PUBLIKASI KARYA ILMIAH ............................... ix
KATA PENGANTAR .............................................................................. x
DAFTAR ISI ............................................................................................. xii
DAFTAR GAMBAR ................................................................................ xiv
DAFTAR TABEL ..................................................................................... xv
BAB I PENDAHULUAN
1.1. LATAR BELAKANG .................................................................. 1
1.2. RUMUSAN MASALAH .............................................................. 2
1.3. TUJUAN PENELITIAN ................................................................ 3
1.4. BATASAN MASALAH ............................................................... 3
1.5. SISTEMATIKA PENULISAN ..................................................... 3
BAB II LANDASAN TEORI
2.1. PENGERTIAN PENAMBANGAN DATA ................................. 5
2.2. ANALISIS KERANJANG BELANJA ......................................... 5
2.3. PROSES PENAMBANGAN DATA ............................................ 5
2.4. ALGORITMA FP-GROWTH ....................................................... 6
2.5. ASSOCIATION RULE ................................................................... 13
2.6. LIFT RATIO .................................................................................. 14
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiii
BAB III METODE PENELITIAN
3.1. PENGUMPULAN DATA ............................................................ 15
3.2. PEMROSESAN AWAL ............................................................... 15
3.3. ALGORITMA FP-GROWTH ....................................................... 15
3.4. ASSOCIATION RULE ................................................................... 19
3.5. EVALUASI HASIL ...................................................................... 21
BAB IV PEMROSESAN AWAL DAN PERANCANGAN SISTEM
4.1. PEMROSESAN AWAL ............................................................... 22
4.2. PERANCANGAN SISTEM ......................................................... 24
BAB V IMPLEMENTASI SISTEM DAN EVALUASI HASIL
5.1. IMPLEMENTASI SISTEM .......................................................... 29
5.2. EVALUASI HASIL ...................................................................... 31
5.3. KELEBIHAN DAN KEKURANGAN SISTEM .......................... 35
BAB VI PENUTUP
6.1. KESIMPULAN ............................................................................. 37
6.2. SARAN ......................................................................................... 37
DAFTAR PUSTAKA ............................................................................... 38
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiv
DAFTAR GAMBAR
Gambar 2.1 Pembentukan sebuah FP-Tree .................................................. 7
Gambar 2.2 Mengurai masalah itemset generation yang sering muncul
menjadi beberapa subproblem, di mana setiap subproblem
melibatkan penemuan itemset yang sering muncul berakhiran
e, d, c, b, dan a .......................................................................... 9
Gambar 2.3 Contoh penerapan algoritma FP-Growth untuk menemukan
item yang sering muncul berakhiran e ...................................... 10
Gambar 3.1 Kumpulan Data Transaksi yang Berisi 15 Transaksi ................ 16
Gambar 3.2 Potongan Pembentukan FP-Tree 15 Data Sampel .................... 17
Gambar 3.3 Tahapan Penelitian .................................................................... 21
Gambar 4.1 Kondisi awal dari data yang digunakan dalam penelitian ......... 22
Gambar 4.2 Data Cleaning ............................................................................ 23
Gambar 4.3 Diagram Konteks ....................................................................... 24
Gambar 4.4 Diagram Flowchart ................................................................... 25
Gambar 4.5 Diagram Use Case ..................................................................... 25
Gambar 4.6 Perancangan Antarmuka Halaman Beranda .............................. 28
Gambar 4.7 Perancangan Antarmuka Halaman Bantuan .............................. 28
Gambar 5.1 Implementasi Antarmuka Halaman Beranda ............................ 29
Gambar 5.2 Implementasi Antarmuka Halaman Bantuan ............................ 30
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xv
DAFTAR TABEL
Tabel 2.1 Daftar item yang sering dipesan sesuai dengan akhirannya .......... 9
Tabel 3.1 Potongan 15 Data Sampel Pengujian ........................................... 16
Tabel 3.2 Daftar frequent itemset dari 15 Data Sampel ................................ 18
Tabel 3.3 Daftar Aturan Asosiasi dari 15 Data Sampel ................................ 20
Tabel 5.1 Hasil Pengujian Perbandingan Jumlah Aturan Asosiasi ............... 31
Tabel 5.2 Keterangan Pengujian Sistem Menggunakan Dataset .................. 32
Tabel 5.3 Daftar Minimum Support Count Tertinggi dari 6 Percobaan ...... 34
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1
BAB I
PENDAHULUAN
1.1 LATAR BELAKANG
Persaingan dalam perdagangan semakin mengalami perkembangan yang
pesat. Pemanfaatan e-commerce atau dikenal dengan perdagangan elektronik
oleh pelaku bisnis juga terus mengalami peningkatan. Sebagai pelaku bisnis
di era ekonomi digital tentunya memiliki cara untuk mempertahankan
bisnisnya. Salah satu tujuan adalah menjaga loyalitas konsumen terhadap
produk dagangannya. Suatu tantangan dalam persaingan bisnis saat ini yaitu
bertahan seiring perkembangan teknologi dengan menentukan perencanaan
yang tepat.
Jika suatu produk dagang tersedia dalam kurun waktu yang lama akan
berdampak pada kerusakan produk itu sendiri. Dalam hal ini adalah turunnya
kualitas produk sehingga dapat mempengaruhi loyalitas konsumen. Selain
itu, pendapatan penjualan menjadi kurang efektif karena transaksi terhadap
suatu produk terjual memerlukan waktu lama. Penerapan konsep
penambangan data dapat membantu pelaku bisnis memprediksi dan
merencanakan penjualan produk sesuai pola pembelian konsumen. Hal ini
dapat dilaksanakan dengan menganalisis data keranjang belanja sehingga
diperoleh informasi sebagai strategi meningkatkan laba.
FP-Growth (Frequent Pattern Growth) adalah metode penambangan
frekuensi itemset tanpa kandidat generation, membentuk struktur data
compact untuk meringkas transaksi basis data yang asli dan fokus pada FP-
Growth, menghindari kandidat generation yang tidak penting sehingga
menghasilkan hasil yang efisien (Han, 2006). Penggunaan metode ini dapat
memperlihatkan pola produk yang sering muncul dan memiliki hubungan
antar produk pada transaksi konsumen.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
Beberapa penelitian yang pernah dilakukan sebelumnya dengan
mengimplementasi algoritma FP-Growth yaitu (Fajrin dan Maulana, 2018),
dalam penelitiannya diperoleh hasil spare part motor yang memenuhi
minimum support dan minimum confidence serta yang banyak terjual adalah
screw valve adjusting, oil seal, battery assy, axle, gasket cylinder, dan cable
cluth. Selain itu, terdapat penelitian yang dilakukan oleh (Sumangkut dkk,
2016) pada penelitian tersebut diperoleh aturan asosiasi jika membeli air
mineral maka membeli tissue, siverqueen, selamat wafer, kripik dan briko
wafer dengan nilai confidence sebesar 0.94. Adapun, penelitian (Larasati dkk,
2015) dari hasil pengujian dan analisa bahwa rules yang dihasilkan di setiap
bulan dengan minsupp=0.002 dan minconf=0.5, jumlahnya hampir sama dan
ada beberapa produk yang muncul di beberapa bulan yang berbeda.
Dari beberapa penelitian tersebut maka pada penelitian ini dilakukan
pengolahan terhadap data transaksi pada Toko Grosir Pancaran Bahagia
dengan menggunakan metode FP-Growth untuk menganalisis keranjang
belanja. Dari data transaksi nantinya diperoleh informasi tentang pola asosiasi
produk yang sering dibeli oleh konsumen dalam waktu bersamaan. Selain itu,
hasil analisis keranjang belanja dapat digunakan untuk menentukan strategi
penjualan kedepannya sehingga dapat meningkatkan pendapatan.
1.2 RUMUSAN MASALAH
Berdasarkan latar belakang dapat dirumuskan masalah sebagai berikut:
a. Bagaimana menerapkan metode FP-Growth dalam menganalisis data
keranjang belanja pada Toko Grosir Pancaran Bahagia?
b. Seberapa kuat aturan asosiasi yang terbentuk dari algoritma FP-Growth
pada data transaksi Toko Grosir Pancaran Bahagia?
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
1.3 TUJUAN PENELITIAN
Tujuan penelitian ini adalah:
a. Mengetahui hasil analisis data keranjang belanja pada Toko Grosir
Pancaran Bahagia dengan menggunakan metode FP-Growth.
b. Mengetahui kuat aturan asosiasi yang terbentuk dari algoritma FP-
Growth pada data transaksi Toko Grosir Pancaran Bahagia.
1.4 BATASAN MASALAH
Beberapa batasan masalah pada penelitian ini adalah:
a. Informasi yang dikelola merupakan data transaksi Toko Grosir Pancaran
Bahagia tahun 2017 dan 2018.
b. Metode pencarian frequent itemset menggunakan algoritma FP-Growth.
c. Pengukuran hubungan antar item dari association rule menggunakan lift
ratio.
1.5 SISTEMATIKA PENULISAN
Sistematika penulisan tugas akhir terdiri dari beberapa bab, yaitu:
1. BAB I : PENDAHULUAN
Bab ini berisi tentang latar belakang, rumusan masalah, tujuan
penelitian, batasan masalah, dan sistematika penulisan tugas akhir.
2. BAB II : LANDASAN TEORI
Bab ini berisi teori-teori yang menjadi dasar teori penelitian.
3. BAB III : METODOLOGI PENELITIAN
Bab ini berisi tentang langkah-langkah penyelesaian tugas akhir dan
deskripsi data yang digunakan dalam penelitian.
4. BAB IV : PEMROSESAN AWAL DAN PERANCANGAN SISTEM
Bab ini menjelaskan pemrosesan awal terhadap data dan
perancangan sistem yang akan dibuat.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
5. BAB V : IMPLEMENTASI SISTEM DAN EVALUASI HASIL
Bab ini berisi tentang implementasi sistem dan evaluasi hasil
pengujian terhadap sistem yang telah dibuat.
6. BAB VI : PENUTUP
Bab ini berisi tentang kesimpulan dari hasil penelitian serta saran
yang diperoleh berdasarkan hasil yang telah dicapai untuk
pengembangan penelitian selanjutnya.
LAMPIRAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
BAB II
LANDASAN TEORI
2.1 PENGERTIAN PENAMBANGAN DATA
Penambangan data adalah proses penemuan informasi yang berguna secara
otomatis di tempat penyimpanan data yang besar. Teknik penambangan data
dihimpun untuk menjelajah database dalam jumlah yang besar untuk
menemukan novel dan pola yang bermanfaat (Tan, 2005). Secara sederhana,
penambangan data merujuk pada penggalian atau "menambang" pengetahuan
dari jumlah data yang besar (Han, 2006).
2.2 ANALISIS KERANJANG BELANJA
Analisis keranjang belanja dapat digunakan untuk menggabungkan kelompok
item-item sebagai strategi memaksimalkan penjualan (Han, 2006).
Proses ini menganalisis kebiasaan konsumen dengan menemukan asosiasi
antar item yang berbeda ditempatkan di “keranjang belanja” konsumen.
Penemuan asosiasi ini dapat membantu pelaku usaha mengembangkan
strategi pemasaran dengan mendapatkan wawasan tentang barang-barang
yang sering dibeli bersamaan oleh konsumen (Han, 2012).
2.3 PROSES PENAMBANGAN DATA
Langkah-langkah dalam penambangan data atau lebih dikenal dengan istilah
knowledge discovery from data (KDD) adalah sebagai berikut :
a. Data Cleaning yaitu proses untuk menghilangkan noise dan data yang
tidak konsisten.
b. Data Integration yaitu proses di mana beberapa sumber data
digabungkan.
c. Data Selection yaitu proses pemilihan data yang relevan dengan tugas
analisis.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
d. Data Transformation yaitu proses data ditransformasi atau digabungkan
ke dalam bentuk yang sesuai untuk proses penambangan data.
e. Data Mining yaitu proses penting di mana metode tertentu diterapkan
untuk menghasilkan pola data.
f. Pattern Evaluation yaitu proses untuk mengidentifikasi pola yang
diperoleh dari proses penambangan data.
g. Knowledge Presentation yaitu proses visualisasi dan representasi
pengetahuan yang digunakan untuk memberikan gambaran pengetahuan
hasil penambangan kepada pihak terkait (Han, 2012).
2.4 ALGORITMA FP-GROWTH
Algoritma tidak menggunakan suatu paradigma generate-and-test pada
algoritma Apriori. Sebaliknya, FP-Growth mengkodekan kumpulan data
menggunakan struktur data compact yang disebut FP-Tree dan menghasilkan
itemset yang sering muncul secara langsung dari struktur ini. FP-Growth
adalah algoritma yang menarik karena menggambarkan bagaimana
representasi yang compact dari kumpulan data transaksi, membantu secara
efisien menghasilkan frequent itemset. Selain itu, untuk kumpulan data
transaksi tertentu, FP-Growth melampaui standar algoritma Apriori dengan
beberapa urutan besarnya. Kinerja run-time dari FP-Growth tergantung pada
faktor pemadatan dari kumpulan data (Tan, 2005).
Sebuah studi tentang kinerja metode FP-Growth menunjukkan bahwa metode
ini efisien dan mudah diukur untuk menambang baik pola yang panjang dan
pendek, dan tentang urutan besarnya lebih cepat dari algoritma Apriori.
Metode ini juga lebih cepat dari algoritma Tree-Projection, yang secara
rekursif memproyeksikan database ke dalam tree of projected databases
(Han, 2006).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7
2.4.1 FP-Tree
FP-Tree adalah gambaran meringkas masukan data. FP-Tree dibangun
dengan membaca kumpulan data satu transaksi sekaligus dan memetakan
setiap transaksi ke jalur di FP-Tree. Ketika transaksi berbeda memiliki
beberapa item yang sama, jalur dapat tumpang tindih. Semakin banyak jalur
yang tumpang tindih satu dengan yang lain, kompresi menjadi lebih banyak
sehingga menggunakan struktur FP-Tree. Jika ukuran dari FP-Tree cukup
kecil untuk masuk ke dalam memori utama memungkinkan ekstraksi itemset
secara langsung dari struktur dalam memori daripada membuat ulang
melewati data yang disimpan pada disk.
Gambar 2.1 Pembentukan sebuah FP-Tree (Tan, 2005).
Gambar 2.1 menunjukkan kumpulan yang berisi sepuluh transaksi dan lima
item. Struktur dari FP-Tree setelah membaca tiga transaksi pertama juga
digambarkan dalam diagram. Setiap node dalam tree berisi label item
bersama dengan counter, menunjukkan jumlah transaksi yang dipetakan ke
jalur yang diberikan. Awalnya, FP-tree hanya berisi node root yang diwakili
oleh null. FP-Tree kemudian diperluas dengan cara berikut:
1. Kumpulan data dipindai satu kali untuk menentukan support count
setiap item. Item yang tidak sering muncul dibuang, sementara item
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
yang sering muncul diurutkan dalam decreasing support count. Bagi
kumpulan data yang ditunjukkan pada Gambar 2.1, a adalah item yang
paling sering muncul, diikuti oleh b, c, d, dan e.
2. Algoritma membuat jalan kedua atas data untuk membangun FP-Tree.
Setelah membaca transaksi pertama, {a, b}, membuat node dengan label
sebagai a dan b. Sebuah jalur kemudian terbentuk dari nulI a b
untuk menyandikan transaksi. Setiap node di sepanjang jalur memiliki
jumlah frekuensi 1.
3. Setelah membaca transaksi kedua, {b, c, d}, suatu node baru dibuat
untuk item b, c, dan d. Sebuah jalur kemudian dibentuk untuk mewakili
transaksi dengan menghubungkan node null b c d. Setiap node
sepanjang jalur ini juga memiliki jumlah frekuensi sama dengan satu.
Walaupun dua transaksi pertama memiliki item yang sama yaitu b,
jalurnya terputus karena transaksi berikutnya memiliki awalan yang
tidak sama.
4. Transaksi ketiga, {a, c, d, e}, memiliki awalan yang sama (a) dengan
transaksi pertama. Akibatnya, jalan menuju transaksi ketiga, null a
c d e, tumpang tindih dengan jalur transaksi pertama, nulI a
b. Karena jalur yang tumpang tindih, jumlah frekuensi untuk node a
bertambah menjadi dua, sementara hitungan frekuensinya untuk node
yang baru dibuat, c, d, dan e, sama dengan satu.
5. Proses ini berlanjut sampai setiap transaksi telah dipetakan ke salah satu
jalur yang diberikan dalam FP-Tree. Hasil FP-Tree setelah membaca
semua transaksi ditunjukkan di bagian (iv) Gambar 2.1 (Tan, 2005).
2.4.2 Frequent Itemset Generation dalam Algoritma FP-Growth
FP-Growth adalah algoritma yang menghasilkan frequent itemset dari FP-
Tree dengan menjelajah tree secara bottom-up. Mengingat contoh tree yang
ditunjukkan pada Gambar 2.2 algoritma mencari itemset yang sering muncul
berakhiran e pertama, diikuti oleh d, c, b, dan akhirnya a. Strategi bottom-up
untuk menemukan itemset yang sering muncul berakhiran dengan item
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
tertentu setara dengan pendekatan suffix-based. Karena setiap transaksi
dipetakan pada jalur dalam FP-Tree, dapat diperoleh item-item yang sering
muncul berakhiran dengan item tertentu. Sebagai contoh hanya memeriksa
jalur yang mengandung node e. Jalur ini dapat diakses dengan cepat
menggunakan pointer yang terkait dengan node e. Jalur yang diekstraksi
ditunjukkan pada Gambar 2.2 (a).
Gambar 2.2 Mengurai masalah itemset generation yang sering muncul
menjadi beberapa subproblem, di mana setiap subproblem melibatkan
penemuan itemset yang sering muncul berakhiran e, d, c, b, dan a
(Tan, 2005).
Tabel 2.1 Daftar item yang sering dipesan sesuai dengan akhirannya
(Tan, 2005).
Suffix Frequent Itemset
e {e}, {d,e}, {a,d,e}, {c,e}, {a,e}
d {d}, {c,d}, {b,c,d}, {a,c,d}, {b,d}, {a,b,d}, {a,d}
c {c}, {b,c}, {a,b,c}, {a,c}
b {b}, {a,b}
a {a}
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
Setelah menemukan itemset yang sering muncul berakhiran e, selanjutnya
algoritma mencari itemset yang sering muncul berakhiran d dengan
memproses jalur yang terkait dengan node d. Jalur yang sesuai ditunjukkan
pada Gambar 2.2 (b). Proses ini berlanjut sampai semua jalur yang terkait
dengan node c, b, dan akhirnya a diproses. Jalur untuk item-item ini
ditunjukkan pada Gambar 2.2 (c), (d), dan (e), sementara frequent item yang
sesuai dirangkum dalam Tabel 2.1. FP-Growth menemukan semua itemset
yang sering berakhiran akhiran tertentu dengan menggunakan strategi divide-
and-conquer untuk membagi masalah menjadi subproblem yang lebih kecil.
Sebagai contoh, menemukan semua kemunculan itemset berakhiran e.
Gambar 2.3 Contoh penerapan algoritma FP-Growth untuk menemukan
item yang sering muncul berakhiran e (Tan, 2005).
Terlebih dahulu memeriksa apakah itemset {e} itu sendiri sering muncul. Jika
sering muncul, anggap subproblem untuk menemukan itemset yang sering
muncul berakhiran de, diikuti oleh ce, be, dan ae. Pada gilirannya, masing-
masing subproblem ini selanjutnya diuraikan menjadi subproblem yang lebih
kecil. Penggabungan solusi yang diperoleh dari subproblem, semua itemset
yang sering muncul berakhiran e dapat ditemukan. Pendekatan divide-and-
conquer ini adalah strategi kunci yang digunakan oleh algoritma FP-Growth.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
Contoh yang lebih konkret tentang cara menyelesaikan subproblem,
pertimbangkan tugas menemukan itemset yang sering muncul berakhiran e.
1. Langkah pertama adalah mengumpulkan semua jalur yang mengandung
node e. Jalur awal ini disebut prefix paths dan ditunjukkan pada Gambar
2.3 (a).
2. Dari awalan jalur yang ditunjukkan pada Gambar 2.3 (a), support count
untuk e diperoleh dengan menambahkan support count yang terkait
dengan node e. Asumsi bahwa minimum support count adalah 2, {e}
dinyatakan sebagai itemset yang sering karena support count adalah 3.
3. Karena {e} sering muncul, algoritma harus menyelesaikan subproblem
untuk menemukan itemset yang sering muncul berakhiran de, ce, be, dan
ae. Sebelum menyelesaikan subproblem ini, terlebih dahulu harus
mengonversi awalan jalur menjadi conditional FP-Tree, yang secara
struktural mirip dengan FP-Tree, kecuali sedang digunakan untuk
menemukan itemset yang sering muncul berakhiran tertentu.
Conditional FP-Tree diperoleh dengan cara berikut:
a) Pertama, support count sepanjang awalan jalur harus diperbarui
karena beberapa count termasuk transaksi yang tidak mengandung
item e. Sebagai contoh, jalur paling kanan yang ditunjukkan pada
Gambar 2.3 (a), null b:2 c:2 e:1, termasuk transaksi {b , c}
yang tidak mengandung item e. Hitungan di sepanjang awalan jalur
karena itu harus disesuaikan ke 1 untuk mencerminkan jumlah
sebenarnya transaksi yang mengandung {b, c, e}.
b) Awalan jalur dipotong dengan menghapus node untuk e. Node ini
dapat dihapus karena support count sepanjang awalan jalur telah
diperbarui untuk mencerminkan hanya transaksi yang mengandung
e dan subproblem untuk menemukan itemset yang sering muncul
berakhiran de, ce, be, dan ae tidak perlu lagi informasi tentang node
e.
c) Setelah memperbarui support count di sepanjang awalan jalur,
beberapa item mungkin tidak lagi sering muncul. Misalnya, node b
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
hanya muncul sekali dan memiliki support count sama dengan 1
yang berarti hanya ada satu transaksi yang berisi b dan e. Item b
dapat dengan aman diabaikan dari analisis berikutnya karena semua
item yang berakhir be seharusnya jarang muncul.
Conditional FP-Tree untuk e ditunjukkan pada Gambar 2.3 (b). Tree
terlihat berbeda dari awalan jalur asli karena jumlah frekuensi telah
diperbarui dan node b dan e telah dihapus.
4. FP-Growth menggunakan Conditional FP-Tree untuk e untuk
menyelesaikan subproblem dalam menemukan itemset yang sering
muncul berakhiran de, ce, dan ae. Dalam menemukan itemset yang
sering muncul berakhiran, awalan jalur untuk d dikumpulkan dari
conditional FP-Tree untuk e (Gambar 2.3 (c)). Dengan menambahkan
jumlah frekuensi yang terkait dengan node d, diperoleh support count
untuk {d, e}. Karena support count sama dengan 2, {d, e} dinyatakan
sebagai itemset yang sering muncul. Selanjutnya, algoritma membangun
conditional FP-Tree untuk de menggunakan pendekatan yang
dijelaskan pada langkah 3. Setelah memperbarui support count dan
menghapus item yang jarang muncul c, conditional FP-Tree untuk de
ditunjukkan pada Gambar 2.3 (d). Karena conditional FP-Tree hanya
berisi satu item, a, support sama dengan minsup, algoritma
mengekstraksi itemset yang sering muncul {a, d, e} dan berpindah ke
subproblem berikutnya, menghasilkan frequent itemset yang berakhiran
ce. Setelah memproses awalan jalur untuk c, hanya ditemukan {c, e}
yang sering muncul. Algoritma melanjutkan untuk menyelesaikan
subprogram berikutnya dan menemukan {a, e} menjadi satu-satunya
frequent itemset yang tersisa.
Contoh ini mengilustrasikan pendekatan divide-and-conquer yang
digunakan dalam algoritma FP-Growth. Pada setiap langkah rekursif,
conditional FP-Tree dikonstruksi dengan memperbarui jumlah
frekuensi sepanjang jalur awalan dan menghapus semua item yang
jarang muncul. Karena subproblem yang disjoint, FP-growth tidak akan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
menghasilkan itemset duplikat. Selain itu, jumlah yang terkait dengan
node memungkinkan algoritma untuk melakukan penghitungan support
sementara menghasilkan common suffix itemset.
2.5 ASSOCIATION RULE
Kekuatan dari aturan asoiasi dapat diukur dengan support dan confidence.
Support menentukan seberapa sering suatu aturan berlaku untuk data yang
diberikan, sementara confidence menentukan seberapa sering item Y muncul
di transaksi yang mengandung X.
𝑠𝑢𝑝𝑝𝑜𝑟𝑡, 𝑠(𝑋 → 𝑌) = 𝜎(𝑋 ⋃ 𝑌)
𝑁 (2.1)
di mana :
X : transaksi yang memiliki item X
Y : transaksi yang memiliki item Y
N : jumlah seluruh transaksi
𝑐𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒, 𝑐(𝑋 → 𝑌) = 𝜎(𝑋 ⋃ 𝑌)
𝜎(𝑋) (2.2)
di mana :
X : transaksi yang memiliki item X
Y : transaksi yang memiliki item Y
(Tan, 2005).
Secara umum, penambangan aturan asosiasi dapat dilihat dalam dua tahap:
1. Temukan semua itemset yang sering muncul: Secara definisi, masing-
masing dari itemset ini akan terjadi setidaknya sebagai sering muncul
sesuai perhitungan minimum support yang ditentukan sebelumnya (min
sup).
2. Hasilkan aturan asosiasi yang kuat dari frequent itemset: Menurut
definisi, aturan harus memenuhi minimum support dan minimum
confidence.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
Aturan asosiasi dibuang sebagai tidak menarik jika tidak memenuhi minimum
support dan minimum confidence. Aturan asosiasi dianggap menarik jika
memenuhi ambang batas minimum support dan minimum confidence.
Ambang batas ini dapat ditetapkan oleh pengguna atau ahli domain. Analisis
tambahan dapat dilakukan untuk menemukan statistik korelasi yang menarik
antara hubungan item. Aturan yang memenuhi baik minimum support (min
sup) dan minimum confidence (min conf) disebut kuat (Han, 2012).
2.6 LIFT RATIO
Lift ratio adalah ukuran korelasi sederhana (Han, 2006). Lift antara kejadian
A dan B bisa diukur dengan perhitungan sebagai berikut:
𝑙𝑖𝑓𝑡 = 𝑐(𝐴 → 𝐵)𝑠(𝐵)
(2.3)
di mana :
A : Transaksi yang memiliki item A.
B : Transaksi yang memiliki item B.
(Tan, 2005).
a. Jika nilai yang dihasilkan dari Persamaan (2.3) kurang dari 1, maka
terjadinya A adalah negatif berkorelasi dengan terjadinya B.
b. Jika nilai yang dihasilkan lebih besar dari 1, maka A dan B berkorelasi
positif, yang berarti bahwa terjadinya satu menyiratkan terjadinya yang
lain.
c. Jika nilai yang dihasilkan sama dengan 1, maka A dan B bersifat
independen dan tidak ada korelasi diantara mereka.
(Han, 2006).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
BAB III
METODOLOGI PENELITIAN
3.1 PENGUMPULAN DATA
Melakukan tinjauan pustaka teori-teori mengenai penambangan data, analisis
keranjang belanja, association rule, algoritma FP-Growth, juga lift ratio.
Selain itu, pada tahapan ini dilakukan proses pengambilan data transaksi
Toko Grosir Pancaran Bahagia tahun 2017 dan 2018.
3.2 PEMROSESAN AWAL
Setelah diperoleh data transaksi pada tahapan pengumpulan data yang akan
digunakan dalam penelitian, proses yang dilakukan adalah pemrosesan awal.
Pemrosesan awal mencakup data cleaning, data integration, data reduction,
dan data transformation (Han, 2012).
3.3 ALGORITMA FP-GROWTH
Pada tahapan ini, mengimplementasi algoritma FP-Growth untuk mengolah
data yang telah diproses sesuai dengan masukan data. Proses pada algoritma
ini adalah membentuk FP-Tree, conditional pattern base, conditional FP-
Tree, dan pencarian frequent itemset.
Berikut ini adalah contoh penerapan analisis keranjang belanja menggunakan
metode FP-Growth dengan 15 data sampel transaksi Toko Grosir Pancaran
Bahagia pada bulan Januari 2017:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
Tabel 3.1 Potongan 15 Data Sampel Pengujian.
No. Struk Nama Barang
PJ00007905 BERAS MAWAR 5 KG
PJ00007905 INDOMIE GORENG
PJ00007905 GULA KBA
PJ00007905 SUSU BENDERA KM PUTIH RTG
PJ00007905 SUSU INDOMILK KM COKLAT RTG
PJ00007905 SEDAP KARI SPECIAL
PJ00007905 SABUN LUX AQUA SPARKLE 85 GR
PJ00007905 LIFEBUOY MILD CARE 85 GR
PJ00009250 AQUA ISI ULANG
PJ00009272 SUSU DAIRY CHAMP 500 GR
PJ00008972 GULA KBA
PJ00008972 SUSU DAIRY CHAMP 500 GR
…………... …………………………………………….
PJ00008414 GULA KBA
PJ00008414 SUSU DAIRY CHAMP 500 GR
PJ00008436 TELUR
PJ00008436 INDOMIE GORENG
PJ00008436 INDOMIE GORENG KRIUK PDS
PJ00008436 INDOMIE GORENG RENDANG
PJ00008436 GULA KBA
PJ00008436 PADDLE POP COLOUR POPPER 57 ML
Dari data pada Tabel 3.1 atau lebih lengkapnya dapat dilihat pada Lampiran
3 dilakukan proses pencarian frekuensi untuk setiap item dan pada kumpulan
data transaksi, urutan item yang semulanya acak kemudian diurutkan
berdasarkan item yang paling sering muncul ke yang jarang muncul di setiap
data transaksinya. Contoh analisis keranjang belanja ini menggunakan
minimum support count = 2 dan minimum confidence = 80%. Beberapa item
yang tidak memenuhi minimum support count dihilangkan.
Gambar 3.1 Kumpulan Data Transaksi yang Berisi 15 Transaksi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
Kumpulan Data Transaksi pada Gambar 3.1 dibaca sebagai TID dengan
PJ00007905 memiliki item GULA KBA, INDOMIE GORENG, BERAS
MAWAR 5 KG sesuai inisialisasi item yang dideklarasikan sampai pada TID
PJ00008436. Inisialisasi item dilakukan hanya untuk mempermudah
perhitungan manual.
1. Pembentukan FP-Tree
Kumpulan data yang telah sesuai algoritma FP-Growth pada Gambar 3.1
akan dikelola seperti Gambar 3.2 :
Gambar 3.2 Potongan Pembentukan FP-Tree 15 Data Sampel.
Node yang dihasilkan dalam tree berisi label item bersama dengan
counter. Setiap transaksi akan dibaca dan dilakukan pembentukan FP-Tree
terhadap 15 data sampel. Jadi pembentukan dimulai dari node root
diwakilkan oleh null, algoritma membaca TID PJ00007905 {a,d,g}
membuat node dengan label a, d, dan g. Sebuah jalur kemudian terbentuk
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
dari null a d g, gambaran jalur ini dapat dilihat pada Gambar 3.2
bagian (i). Setiap node memliki jumlah frekuensi 1. Setelah membaca TID
PJ00009250 {c} suatu node baru dibuat untuk item c dengan sebuah jalur
terbentuk dari null c. Jalur ini juga memiliki jumlah frekuensi 1, dapat
dilihat pada Gambar 3.2 bagian (ii). Proses ini berlanjut sampai transaksi
yang terakhir, pada contoh ini adalah TID PJ000008436.
Dalam pembentukan FP-Tree, jika terdapat awalan node yang sama pada
transaksi yang berbeda maka suatu jalur akan tumpang tindih dan jumlah
frekuensi bertambah 1. Sebaliknya jika awalan jalur tidak sama, jalur baru
akan terbentuk dari root dengan jumlah frekuensi 1. Gambar 3.2 bagian
(iii) merupakan bentuk FP-Tree setelah membaca seluruh transaksi.
Pointer putus-putus menunjukkan node yang memiliki label yang sama.
Proses pembentukan FP-Tree secara lengkap dapat dilihat pada Lampiran
4.
2. Pembentukan conditional pattern base, conditional FP-Tree, dan
pencarian frequent itemset.
Melihat kembali FP-Tree yang telah terbentuk pada Gambar 3.2, tahapan
ini adalah membentuk conditional pattern base, conditional FP-Tree, dan
mencari frequent itemset dengan menjelajah tree secara bottom-up.
Tabel 3.2 Daftar frequent itemset dari 15 Data Sampel.
Suffix Conditional
Pattern Base
Conditional
FP-Tree
Frequent Itemset
g {ad:2} {a:2}, {d:2},
{ad:2}
{a, g:2}, {d, g:2}, {ad, g:2}
f {ae:1},{bc:1} - -
e {a:3} {a:3} {a, e:3}
d {a:2}, {ab:2} {a:2}, {b:2},
{ab:2}
{a, d:2}, {b, d:2}, {ab, d:2}
c {b:1} - -
b {a:4} {a:4} {a, b:4}
a
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
Sebagai contoh, menemukan kemunculan berakhiran g dengan terlebih
dahulu memeriksa apakah itemset {g} sering muncul. Diperoleh g sering
muncul dengan support count memenuhi minimum support count,
sehingga node yang berakhiran g menjadi conditional pattern base yaitu
ad. Support count 2 untuk ad diperoleh dari kemunculannya bersama g
pada tree yang sudah dipetakan. Anggap subproblem untuk menemukan
item sering muncul berakhiran ag, dg.
Pembentukan conditional FP-Tree dilakukan dengan memperbarui count
pada node yang memiliki item g. Beberapa item mungkin menjadi tidak
sering muncul sehingga dapat dihilangkan. Hasilnya a:2, d:2, ad:2
terhadap akhiran g yang menjadi conditional FP-Tree. Kemunculan node
yang memenuhi minimum support akan dimuat sebagai frequent itemset
sesuai akhirannya.
Proses ini berlanjut sampai semua jalur yang terkait node f, e, d, c, b, a.
Penemuan itemset sering muncul dengan contoh yang berbeda dapat
dilihat pada penjelasan Gambar 2.2 dan Gambar 2.3.
3.4 ASSOCIATION RULE
Dari hasil frequent itemset algoritma FP-Growth pada tahapan ini proses yang
dilakukan adalah membentuk aturan asosiasi. Sebagai contoh hasil dari Tabel
3.2 dilakukan pembentukan aturan asosiasi dengan menggunakan minimum
support count = 2 dan minimum confidence = 80%. Nilai support, confidence,
dan lift ratio suatu aturan asosiasi diperoleh sesuai Persamaan 2.1, Persamaan
2.2, dan Persamaan 2.3 yang dijelaskan pada Landasan Teori. Count pada
aturan asosiasi diperoleh dari kemunculan item secara bersamaan pada
seluruh transaksi 15 data sampel. Aturan asosiasi yang tidak memenuhi
ketentuan minimum support count dan minimum confidence dihilangkan
sehingga diperoleh hasil aturan asosiasinya yang dapat dilihat pada Tabel 3.3:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
Tabel 3.3 Daftar Aturan Asosiasi dari 15 Data Sampel.
No. Aturan
Asosiasi
Count Support Confidence Lift Ratio
1. g => a 2 2
15× 100
= 13,33%
2
2× 100
= 100%
100%
(9
15 × 100)
= 1,67
2. g => d 2 2
15× 100
= 13,33%
2
2× 100
= 100%
100%
(4
15 × 100)
= 3,75
3. g => d,a 2 2
15× 100
= 13,33%
2
2× 100
= 100%
100%
(4
15× 100)
= 3,75
4. g,d => a 2 2
15× 100
= 13,33%
2
2× 100
= 100%
100%
(9
15 × 100)
= 1,67
5. d => a 4 4
15× 100
= 26,67%
4
4× 100
= 100%
100%
(9
15× 100)
= 1,67
6. d,b => a 2 2
15× 100
= 13,33%
2
2× 100
= 100%
100%
(9
15 × 100)
= 1,67
Keterangan aturan asosiasi yang terbentuk memenuhi minimum support dan
minimum confidence menjadi sebagai berikut:
1. Jika BERAS MAWAR 5 KG maka GULA KBA.
2. Jika BERAS MAWAR 5 KG maka INDOMIE GORENG.
3. Jika BERAS MAWAR 5 KG maka INDOMIE GORENG, GULA KBA.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
4. Jika BERAS MAWAR 5 KG, INDOMIE GORENG maka GULA KBA.
5. Jika INDOMIE GORENG maka GULA KBA.
6. Jika INDOMIE GORENG, TELUR maka GULA KBA.
3.5 EVALUASI HASIL
Dari aturan asosiasi yang telah diperoleh dengan mengimplementasi
algoritma FP-Growth, selanjutnya dilakukan pengujian aturan asosiasi yang
dihasilkan sebagai bentuk evaluasi hasil.
Gambar 3.3 Tahapan Penelitian.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
BAB IV
PEMROSESAN AWAL DAN PERANCANGAN SISTEM
4.1 PEMROSESAN AWAL
Tahapan pemrosesan awal yang dilakukan terhadap data diantaranya data
cleaning, data integration, data selection, dan data transformation.
Gambar 4.1 Kondisi awal dari data yang digunakan dalam penelitian.
4.1.1 Data Cleaning
Beberapa data yang perlu dibersihkan dari Gambar 4.1 sebagai berikut :
a) Baris yang tidak berisikan data, berisikan judul data, label kolom, total,
discount, dan grand total.
b) Semua data barang yang kosong.
Pada data transaksi, kondisi ini dapat dilihat pada Gambar 4.2.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
Gambar 4.2 Data Cleaning.
4.1.2 Data Integration
Penelitian ini menggunakan sebanyak 8 data excel yaitu data transaksi
penjualan tahun 2017 dan 2018. Sumber data yang digunakan berasal dari
satu sumber sehingga tidak dilakukan proses data integration.
4.1.3 Data Selection
Pada data asli transaksi penjualan terdapat 10 atribut yaitu kode barang, nama
barang, satuan, no struk, tanggal transaksi, HPP, harga jual, jumlah,
keuntungan, dan % margin. Atribut yang digunakan oleh sistem untuk
menganalisis keranjang belanja atau proses penambangan data hanya 2 atribut
yaitu no struk dan nama barang. Tahapan ini dilakukan oleh sistem saat
membaca data masukan pengguna.
4.1.4 Data Transformation
Data yang telah melalui tahapan data selection yaitu atribut no struk dan nama
barang akan ditampung oleh sistem untuk proses penambangan dalam bentuk
struktur data array. Informasi terkait data akan ditampilkan pada tabel data
awal.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
4.2 PERANCANGAN SISTEM
4.2.1 Perancangan Umum
4.2.1.1 Input Sistem Proses Sistem
Sistem analisis keranjang belanja menggunakan metode FP-Growth hanya
dapat menerima data masukan dari pengguna file bertipe *.xls dan *.xlsx yang
dipilih oleh pengguna. Selain itu, dalam analisis keranjang belanja pengguna
memasukkan nilai minimum support dan minimum confidence. Gambaran
umum perancangan input sistem dapat dilihat pada Gambar 4.3.
Gambar 4.3 Diagram Konteks.
4.2.1.2 Proses Sistem
Proses yang dilakukan oleh sistem untuk mendapatkan hasil analisis
keranjang belanja terdiri dari beberapa tahapan yaitu :
a. Membaca data masukan pengguna berupa file bertipe *.xls atau
*.xlsx.
b. Pemilihan atribut yang digunakan untuk analisis keranjang belanja.
c. Proses analisis keranjang belanja terhadap data yang sesuai dengan
minimum support dan minimum confidence.
d. Menyimpan hasil dalam ke penyimpanan di laptop atau komputer
bertipe file *.pdf.
Proses sistem digambarkan dalam diagram flowchart pada Gambar 4.4.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
Gambar 4.4 Diagram Flowchart.
4.2.1.3 Output Sistem
Keluaran sistem adalah hasil analisis keranjang belanja dari data transaksi
penjualan sesuai minimum support dan minimum confidence.
4.2.2 Diagram Use Case
Gambar 4.5 Diagram Use Case.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
4.2.3 Narasi Use Case
4.2.3.1 Narasi Use Case Input Data
Nama Use Case Input Data
ID Use Case 001
Aktor Pengguna
Deskripsi
Pada use case ini file bertipe *.xls atau *.xlsx pilihan
pengguna akan dimasukkan ke sistem dan dibaca datanya
oleh sistem.
Kodisi Awal Pengguna berada pada tampilan sistem dengan alamat
folder dan tabel halaman sistem belum terisi data.
Typical Course
Aksi Aktor Reaksi Sistem
Langkah 1:
Menekan tombol cari
bergambar file excel
untuk memilih file
bertipe *.xls atau *.xlsx.
Langkah 2: Menampilkan kotak dialog untuk
pemilihan file yang berada di
penyimpanan komputer.
Langkah 3:
Memilih file yang
datanya akan diolah
oleh sistem.
Langkah 4:
Menyeleksi atribut data masukan
pengguna dan menampilkannya
pada tabel halaman sistem.
Kondisi Akhir Alamat folder terisi, masukan data dari pengguna yang
terseleksi ditampilkan pada tabel halaman sistem.
4.2.3.2 Narasi Use Case Proses
Nama Use Case Proses
ID Use Case 002
Aktor Pengguna
Deskripsi Pada use case ini proses analisis keranjang belanja oleh
metode FP-Growth.
Kodisi Awal Data yang dikelola, minimum support dan confidence
sudah dimasukkan oleh pengguna.
Typical Course
Aksi Aktor Reaksi Sistem
Langkah 1:
Menekan tombol proses.
Langkah 2: Menampilkan hasil analisis
keranjang belanja sesuai
ketentuan yang telah dimasukkan
pengguna.
Kondisi Akhir Hasil analisis keranjang belanja ditampilkan pada text area
di sistem.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
4.2.3.3 Narasi Use Case Ekspor Hasil
Nama Use Case Ekspor Hasil
ID Use Case 003
Aktor Pengguna
Deskripsi Pada use case ini hasil analisis akan diekspor ke file
bertipe *.pdf.
Kodisi Awal Hasil analisis terisi pada text area.
Typical Course
Aksi Aktor Reaksi Sistem
Langkah 1:
Menekan tombol ekpsor
hasil.
Langkah 2: Menampilkan kotak dialog untuk
penyimpanan file.
Langkah 3:
Memilih tempat
penyimpanan dan
menamai file bertipe
*.pdf.
Langkah 4:
Menampilkan kotak dialog
bahwa data berhasil diekpsor.
Kondisi Akhir Data hasil analisis keranjang belanja tersimpan dengan file
bertipe *.pdf.
4.2.4 Diagram Aktivitas
Terdapat tiga diagram aktivitas yaitu input data, proses analisis, ekspor hasil
analisis. Diagram aktivitas terlampir pada Lampiran 1.
4.2.5 Diagram Sequence
Terdapat tiga diagram sequence yaitu input data, proses analisis, ekspor hasil
analisis. Diagram sequence terlampir pada Lampiran 2.
4.2.6 Perancangan Antarmuka
4.2.6.1 Perancangan Antarmuka Halaman Beranda
Halaman beranda merupakan halaman yang ditampilkan sistem pertama kali
saat program dijalankan oleh pengguna. Tampilan halaman ini dapat dilihat
pada Gambar 4.6, berfungsi untuk memasukkan data, memasukkan minimum
support dan confidence, melihat hasil analisis keranjang belanja, dan
menyimpan hasil analisis ke bentuk file *.pdf.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
Gambar 4.6 Perancangan Antarmuka Halaman Beranda.
4.2.6.2 Perancangan Antarmuka Halaman Bantuan
Gambar 4.7 Perancangan Antarmuka Halaman Bantuan.
Halaman bantuan ditampilkan ketika pengguna menekan tombol bantuan
pada Halaman Beranda. Tampilan halaman ini dapat dilihat pada Gambar 4.7,
berisi informasi tentang sistem.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
BAB V
IMPLEMENTASI SISTEM DAN EVALUASI HASIL
5.1 IMPLEMENTASI SISTEM
5.1.1 Implementasi Antarmuka Halaman Beranda
Gambar 5.1 Implementasi Antarmuka Halaman Beranda.
Gambar 5.1 merupakan implementasi dari Gambar 4.6 yang terdiri dari 5
bagian pengelompokkan fungsi. 5 bagian fungsi tersebut yaitu sebagai
berikut:
1. Folder, pada bagian ini berfungsi untuk memasukkan data yang akan
diolah oleh sistem.
2. Data awal, pada bagian ini berfungsi untuk menampilkan informasi data
awal hasil seleksi atribut oleh sistem yaitu no struk dan nama barang.
3. Ketentuan pengolahan data, pada bagian ini berfungsi untuk
memasukkan nilai minimum support, minimum confidence dan
memulai proses pembentukan fp-tree sampai sistem menampilkan hasil
analasis keranjang belanja dengan menekan tombol “Proses”.
4. Data frekuensi, pada bagian ini berfungsi menampilkan informasi data
hasil perhitungan terhadap kemunculan setiap item pada transaksi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
5. Hasil analisis keranjang belanja, bagian ini berfungsi menampilkan
informasi hasil analaisis terhadap data masukan dan telah memenuhi
nilai minimum support dan minimum confidence. Adapun, terdapat
ekspor hasil yang digunakan untuk menyimpan data ke bentuk file *.pdf
dan menampilkan informasi terkait waktu eksekusi program.
5.1.2 Implementasi Antarmuka Halaman Bantuan Pengguna
Gambar 5.2 Implementasi Antarmuka Halaman Bantuan.
Gambar 5.2 merupakan implementasi dari Gambar 4.7 yang berisikan
informasi terkait sistem yang dibuat. Tampilan ini dapat dilihat oleh
pengguna ketika memilih bantuan pada halaman beranda.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
5.2 EVALUASI HASIL
5.2.1 Pengujian Perbandingan Jumlah Aturan Asosiasi
Pengujian dilakukan dengan data transaksi bulan November 2017
menggunakan nilai minimum support dan minimum confidence yang
berbeda-beda. Hasil perbandingan dapat dilihat pada Tabel 5.1.
Tabel 5.1 Hasil Pengujian Perbandingan Jumlah Aturan Asosiasi.
Min_Support
Confidence
50% 60% 70% 80% 90% 100%
0,10% 617 411 210 179 169 169
0,16% 176 121 84 52 42 42
0,21% 86 57 38 31 21 21
0,26% 52 36 23 15 10 10
0,31% 32 23 13 8 6 6
0,36% 25 19 12 7 6 6
0,42% 22 17 9 5 4 4
0,47% 17 13 6 3 3 3
0,52% 13 10 4 2 2 2
0,57% 11 8 2 0 0 0
0,63% 9 7 2 0 0 0
0,68% 9 7 2 0 0 0
0,73% 6 5 0 0 0 0
0,78% 6 5 0 0 0 0
0,83% 6 5 0 0 0 0
0,89% 5 4 0 0 0 0
0,94% 5 4 0 0 0 0
0,99% 3 2 0 0 0 0
1,04% 3 2 0 0 0 0
1,09% 2 1 0 0 0 0
1,15% 1 0 0 0 0 0
1,20% 1 0 0 0 0 0
1,25% 1 0 0 0 0 0
1,30% 1 0 0 0 0 0
1,35% 1 0 0 0 0 0
1,41% 1 0 0 0 0 0
1,46% 1 0 0 0 0 0
1,51% 1 0 0 0 0 0
1,56% 0 0 0 0 0 0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
5.2.1.1 Evaluasi Hasil Perbandingan Jumlah Aturan Asosiasi
Dari hasil pengujian perbandingan jumlah aturan asosiasi terhadap 6722
record dengan 1920 total transaksi, dan 1517 total barang dari data transaksi
bulan November 2017 diperoleh informasi bahwa minimum support = 1,56%
untuk setiap minimum confidence mulai dari 50% sampai 100% tidak
menghasilkan aturan asosiasi. Grafik perbandingan jumlah aturan asosiasi
dapat dilihat pada Lampiran 5. Semakin tinggi nilai minimum support maka
semakin sedikit hasil asosiasi item yang ditemukan, sedangkan semakin kecil
minimum support maka semakin banyak hasil asosiasi item.
5.2.2 Pengujian Sistem dengan Menggunakan Dataset
Pada pengujian sistem ini, dilakukan dengan menggunakan dataset transaksi
Toko Grosir Pancaran Bahagia pada bulan Juli 2017 sampai Desember 2017.
Pengujian dataset menggunakan nilai minimum support count = 15 dan nilai
minimum confidence = 50%, keterangan pengujian dataset yang digunakan
dapat dilihat pada Tabel 5.2.
Tabel 5.2 Keterangan Pengujian Sistem Menggunakan Dataset.
Percobaan Dataset Record Total Transaksi Total Barang
1 Juli 7271 2361 1553
2 Agustus 7278 2177 1554
3 September 6870 2052 1498
4 Oktober 7179 2178 1525
5 November 6722 1920 1517
6 Desember 6501 1814 1487
Total Data 41821 12502 9134
Hasil aturan asosiasi yang dihasilkan dari 6 percobaan terhadap dataset
sebagai berikut:
1. Bulan Juli 2017
Tidak terdapat aturan asosiasi.
2. Bulan Agustus 2017
Tidak terdapat aturan asosiasi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
3. Bulan September 2017, terdapat 2 aturan asosiasi:
(1) Jika ROYCO RASA SAPI 9 GR maka GULA KBA {20} [0.97%] Conf
: 71.43% Lift : 4.59
(2) Jika MASAKO SAPI 11 GR maka GULA KBA {16} [0.78%] Conf :
53.33% Lift : 3.43
4. Bulan Oktober 2017 , terdapat 2 aturan asosiasi:
(1) Jika MASAKO SAPI 11 GR maka GULA KBA {24} [1.1%] Conf :
64.86% Lift : 4.85
(2) Jika KAPAL API SPCIAL 6,5 GR maka GULA KBA {21} [0.96%]
Conf : 52.5% Lift : 3.93
5. Bulan November 2017, terdapat 6 aturan asosiasi:
(1) Jika KAPAL API YA SP maka GULA KBA {16} [0.83%] Conf :
69.57% Lift : 4.62
(2) Jika KAPAL API SPECIAL 165 GR maka GULA KBA {18} [0.94%]
Conf : 62.07% Lift : 4.12
(3) Jika TERIGU SEGITIGA BIRU 1 KG ISI 12 maka GULA KBA {18}
[0.94%] Conf : 60% Lift : 3.99
(4) Jika MINYAK SUNCO 2 LTR maka GULA KBA {20} [1.04%] Conf
: 60.61% Lift : 4.03
(5) Jika ROYCO RASA SAPI 9 GR maka GULA KBA {21} [1.09%] Conf
: 61.76% Lift : 4.1
(6) Jika GARAM HALUS KAPAL KECIL (1/4) 40 maka GULA KBA
{29} [1.51%] Conf : 50.88% Lift : 3.38
6. Bulan Desember 2017, terdapat 2 aturan asosiasi:
(1) Jika MINYAK SUNCO 2 LTR maka GULA KBA {18} [0.99%] Conf
: 56.25% Lift : 3.61
(2) Jika GARAM HALUS KAPAL KECIL (1/4) 40 maka GULA KBA
{22} [1.21%] Conf : 53.66% Lift : 3.44
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
5.2.2.1 Evaluasi Hasil Analisis Keranjang Belanja
Dari 6 percobaan yang telah dilakukan terhadap dataset dengan minimum
support count = 15 dan confidence = 50% di setiap bulannya, terdapat dataset
yang tidak memiliki aturan asosiasi yaitu bulan Juli 2017 dan Agustus 2017.
Adapun, item yang muncul pada beberapa bulan yang berbeda.
5.2.3 Pengujian Minimum Support Count
Pengujian dilakukan dengan menggunakan dataset transaksi Toko Grosir
Pancaran Bahagia pada bulan Juli 2017 sampai Desember 2017 untuk
menemukan nilai minimum support count tertinggi yang masih menghasilkan
confidence 100%. Keterangan pengujian dataset yang digunakan dapat dilihat
pada Tabel 5.2.
Tabel 5.3 Daftar Minimum Support Count Tertinggi dari 6 Percobaan.
Percobaan Dataset Minimum Support Count
1 Juli 12
2 Agustus 14
3 September 11
4 Oktober 8
5 November 10
6 Desember 13
Dari Tabel 5.3, diperoleh aturan asosiasi dengan confidence 100% yang
memenuhi minimum support count adalah sebagai berikut:
1. Bulan Juli 2017
(1) Jika INDOMIE GORENG KRIUK PDS maka INDOMIE GORENG
{12} [0.51%] Conf : 100% Lift : 32.79
2. Bulan Agustus 2017
(1) Jika INDOMIE GORENG SAMBAL RICA RICA maka INDOMIE
GORENG {14} [0.64%] Conf : 100% Lift : 29.42
3. Bulan September 2017
(1) Jika INDOMIE GORENG AYAM BAWANG maka INDOMIE
GORENG {11} [0.54%] Conf : 100% Lift : 31.57
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
4. Bulan Oktober 2017
(1) Jika INDOMIE GORENG KRIUK PDS maka INDOMIE GORENG
{8} [0.37%] Conf : 100% Lift : 45.38
5. Bulan November 2017
(1) Jika MIE SEDAP RASA AYAM BAWANG TELUR maka TELUR
{10} [0.52%] Conf : 100% Lift : 15.24
(2) Jika INDOMIE GORENG INST JUMBO maka INDOMIE GORENG
{10} [0.52%] Conf : 100% Lift : 27.04
6. Bulan Desember 2017
(1) Jika INDOMIE GORENG INST JUMBO maka INDOMIE GORENG
{13} [0.72%] Conf : 100% Lift : 29.74
5.2.3.1 Evaluasi Hasil Pengujian Dataset
Dari 6 percobaan yang telah dilakukan terhadap dataset diperoleh minimum
support count tertinggi yang masih menghasilkan confidence 100% adalah
bulan Agustus 2017 dengan minimum support count = 14.
5.3 KELEBIHAN DAN KEKURANGAN SISTEM
5.3.1 Kelebihan Sistem
Kelebihan yang dimiliki sistem analisis keranjang belanja menggunakan
metode FP-Growth ini adalah sebagai berikut:
1. Sistem dapat menerima masukan data file bertipe *.xls atau *.xlsx.
2. Sistem dapat menyeleksi atribut yang digunakan.
3. Sistem dapat menampilkan hasil asosiasi.
4. Sistem dapat menampilkan waktu eksekusi proses analisis keranjang
belanja.
5. Sistem dapat menyimpan hasil analisis keranjang belanja dengan tipe
file *.pdf.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
5.3.2 Kekurangan Sistem
Kekurangan yang dimiliki sistem analisis keranjang belanja menggunakan
metode FP-Growth ini adalah sebagai berikut:
1. File sebagai data masukan sistem sebatas file bertipe *.xls atau *.xlsx.
2. Seleksi atribut yang digunakan hanya no struk dan nama barang.
3. Sistem hanya dapat menyimpan hasil analisis keranjang belanja ke
bentuk file bertipe *.pdf.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
BAB VI
PENUTUP
6.1 KESIMPULAN
Hasil penelitian analisis keranjang belanja menggunakan metode FP-Growth
pada Toko Grosir Pancaran Bahagia, dapat diambil kesimpulan sebagai
berikut:
1. Algoritma FP-Growth dapat menganalisis keranjang belanja untuk
penjualan item pada Toko Grosir Pancaran Bahagia dengan menemukan
asosiasi antar item.
2. Semakin tinggi nilai minimum support maka semakin sedikit hasil
asosiasi item yang ditemukan, sedangkan semakin kecil minimum
support maka semakin banyak hasil asosiasi item.
3. Dataset bulan Juli 2017 sampai Desember 2017 dengan minimum
support count = 15 dan confidence = 50% di setiap bulannya, terdapat
dataset yang tidak memiliki aturan asosiasi yaitu bulan Juli 2017 dan
Agustus 2017, juga terdapat item yang muncul di bulan yang berbeda.
4. Dataset bulan Juli 2017 sampai Desember 2017 diperoleh minimum
support count tertinggi yang masih menghasilkan confidence 100%
adalah bulan Agustus 2017 dengan minimum support count = 14.
6.2 SARAN
Penelitian analisis keranjang belanja menggunakan metode FP-Growth pada
Toko Grosir Pancaran Bahagia ini memberikan saran untuk pengembangan
di masa mendatang, yaitu:
1. Sistem dapat menerima masukan data dari file selain bertipe *.xls dan
*.xlsx.
2. Sistem dapat menyeleksi atribut sesuai keinginan pengguna.
3. Sistem dapat menampilkan hasil pembentukan FP-Tree.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
DAFTAR PUSTAKA
Enykawati, E. S. E. Penerapan Data Mining Pada Perusahaan Ritail Pakaian
Untuk Memprediksi Ketersediaan Jenis Barang Dengan Menggunakan
Algoritma Fp-Growth. Universitas Sanata Dharma Yogyakarta. Skripsi.
2015.
Fajrin, Alfannisa Annurullah. Algifanri Maulana. 2018. Penerapan Data
Mining Untuk Analisis Pola Pembelian Konsumen Dengan Algoritma FP-
Growth Pada Data Transaksi Penjualan Spare Part Motor. Vol. 05(01):27-
36.
Han, Jiawei. Micheline Kamber. 2006. Data Mining : Concepts and
Techniques 2nd ed. Morgan Kaufmann, New York.
Han, Jiawei. Micheline Kamber. Jian Pei. 2012. Data Mining : Concepts and
Techniques 3rd ed. Morgan Kaufmann, New York.
Larasita, D. P. Muhammad Nasrun. Umar Ali Ahmad. 2018. Analisis dan
Implementasi Algoritma FP-Growth Pada Aplikasi SMART Untuk
Menentukan Market Basket Analysis Pada Usaha Retail (Studi Kasus : PT.X).
Vol. 2 (01):749-755.
Puspitasari, Vina. Pengelompokan Sekolah Menengah Atas Di Provinsi
Daerah Istimewa Yogyakarta Berdasarkan Nilai Ujian Nasional
Menggunakan Algoritma Agglomerative Hierarchical Clustering.
Universitas Sanata Dharma Yogyakarta. Skripsi. 2016.
Sudiadiarta, I Gede. Market Basket Analysis Menggunakan Frequent Pattern
Growth (Fp-Growth) Untuk Situs E-Commerce. Universitas Sanata Dharma
Yogyakarta. Skripsi. 2006.
Sumangkut, Kezia. Arie Lumenta. Virginia Tulenan. 2016. Analisis Pola
Belanja Swalayan Daily Mart Untuk Menentukan Tata Letak Barang
Menggunakan Algoritma FP-Growth. Vol. 8(1):52-56.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
Tan, Pang Ning. 2005. Introduction To Data Mining 1st ed. Addison Wesley,
New York.
Ukiarwan, Iga. Penentuan Aturan Asosiasi Pada Penjualan Produk Sepatu
Running Menggunakan Algoritma Apriori. Universitas Sanata Dharma
Yogyakarta. Skripsi. 2017.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
LAMPIRAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
LAMPIRAN 1
DIAGRAM AKTIVITAS
1. Diagram Aktivitas Input Data
2. Diagram Aktivitas Proses
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3. Diagram Aktivitas Ekspor Hasil
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
LAMPIRAN 2
DIAGRAM SEQUENCE
1. Diagram Sequence Input Data
2. Diagram Sequence Proses
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3. Diagram Sequence Ekspor Hasil
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
LAMPIRAN 3
DATA SAMPEL
Berikut ini adalah 15 data sampel transaksi Toko Grosir Pancaran Bahagia pada
bulan Januari 2017:
No. Struk Nama Barang
PJ00007905 BERAS MAWAR 5 KG
PJ00007905 INDOMIE GORENG
PJ00007905 GULA KBA
PJ00007905 SUSU BENDERA KM PUTIH RTG
PJ00007905 SUSU INDOMILK KM COKLAT RTG
PJ00007905 SEDAP KARI SPECIAL
PJ00007905 SABUN LUX AQUA SPARKLE 85 GR
PJ00007905 LIFEBUOY MILD CARE 85 GR
PJ00009250 AQUA ISI ULANG
PJ00009272 SUSU DAIRY CHAMP 500 GR
PJ00008972 GULA KBA
PJ00008972 SUSU DAIRY CHAMP 500 GR
PJ00008860 TELUR
PJ00008860 GULA KBA
PJ00008860 LIFEBUOY LEMON FRESH 85 G
PJ00008033 BERAS MAWAR 5 KG
PJ00008033 PASEO SMART FAC SOFT 2PLY 250
PJ00008033 BERAS GP MERAH ( MERAK )
PJ00008033 INDOMIE AYAM BAWANG
PJ00008033 INDOMIE GORENG
PJ00008033 SARIMI DUO GORENG KREMES
PJ00008033 INDO SAUS SAMBAL EXTRA PEDAS BTL 140 ML
PJ00008033 INDOMIE RASA SOTO SPECIAL
PJ00008033 GULA KBA
PJ00008033 PANTENE SHP NATURE CARE 10 ML
PJ00008033 NUTRISARI JERUK PERAS
PJ00008033 SWALLOW PING PONG 5
PJ00008033 KAPAL API FRESCO KOPI MOKA
PJ00008033 FORMULA PS
PJ00008033 PERMEN MINTZ LEMON MINT115 G
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PJ00008033 SCOTH BRITE 3000
PJ00008033 THE TONG TJI CELUP JASMINE FOL
PJ00008033 MINYAK SUNCO 1 LTR
PJ00008033 TORABIKA JAHE SUSU INAT
PJ00008033 ENERGEN COKLAT
PJ00008033 SAB. NUVO FAM BIRU 80 GR
PJ00008033 SAB. NUVO MERAH 80 G
PJ00008033 SAB. NUVO FAM HIJAU 80 GR
PJ00008033 SAB. NUVO FAM KUNING 80 GR
PJ00008033 BANGO KCP MANIS POUCH 220 ML
PJ00008033 SUNLIGHT LIME SQUASH 400 ML
PJ00008033 SUNLIGHT LIME NEW REF 800 ML
PJ00008033 WIPOL CLASSIC PINE 800 ML
PJ00008033 PEPSODENT WHITE 120 G
PJ00008033 INDOCAFE KOPI COFFEEMIX 3IN1
PJ00009032 BERAS LUMBUNG WANGI 5 KG UNGU
PJ00009032 GULA KBA
PJ00009032 SUSU DAIRY CHAMP 500 GR
PJ00007746 AQUA ISI ULANG
PJ00009429 TELUR
PJ00009429 ARES BIRU
PJ00009429 GULA KBA
PJ00009429 SASA TB SERBAGUNA ORI 40 G
PJ00007848 TELUR
PJ00008954 AQUA ISI ULANG
PJ00008954 CLEO ISI ULANG
PJ00009317 TELUR
PJ00009317 BERAS LUMBUNG WANGI 5 KG UNGU
PJ00009317 AQUA ISI ULANG
PJ00009317 POLYTEX SABUT SPON REGULER
PJ00009625 TELUR
PJ00009625 INDOMIE GORENG
PJ00009625 SARIMI DUO AYAM BAWANG
PJ00009625 GULA KBA
PJ00009625 SIKAT GIGI FORMULA MEDIUM
PJ00009625 RICHEESE SIIP KEJU 35 gr
PJ00009625 CHARM BF-EXTRA MAXI NON 8 P
PJ00009625 SOVIA MINYAK GORENG 1 L
PJ00009625 HARPIC POWER PLUS ORIGINAL 200 ML
PJ00009625 ROMA SUPERSTAR 20 G
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PJ00009625 HATARI SHP MALKIST KELAPA 260 G
PJ00009625 CIPTADENT COOL SPRING 190 GR
PJ00009625 EKONOMI LEMON SCT500 230 GR
PJ00009625 TOP WHITE COFFEE 21 GR
PJ00009625 SOKLIN SOFTERGENT 300 G PINK
PJ00009625 SOKLIN SOFTERGENT PURPLE LAVENDER 320 G
PJ00009625 SHAMPO LIFEBUOY ANTI KETOMBE 10 ML
PJ00009625 POPULAIRE STRWABERRY NEW 90 ML
PJ00008414 GULA KBA
PJ00008414 SUSU DAIRY CHAMP 500 GR
PJ00008436 TELUR
PJ00008436 INDOMIE GORENG
PJ00008436 INDOMIE GORENG KRIUK PDS
PJ00008436 INDOMIE GORENG RENDANG
PJ00008436 GULA KBA
PJ00008436 PADDLE POP COLOUR POPPER 57 ML
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
LAMPIRAN 4
PEMBENTUKAN FP-TREE
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
LAMPIRAN 5
GRAFIK PERBANDINGAN JUMLAH ATURAN ASOSIASI
0
100
200
300
400
500
600
700
50% 60% 70% 80% 90% 100%
Jum
lah A
tura
n
Confidence
Hasil Asosiasi Bulan November 2017
Min_Support 0,10% Min_Support 0,16% Min_Support 0,21% Min_Support 0,26% Min_Support 0,31%Min_Support 0,36% Min_Support 0,42% Min_Support 0,47% Min_Support 0,52% Min_Support 0,57%Min_Support 0,63% Min_Support 0,68% Min_Support 0,73% Min_Support 0,78% Min_Support 0,83%Min_Support 0,89% Min_Support 0,94% Min_Support 0,99% Min_Support 1,04% Min_Support 1,09%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
0100200300400500600700
50%
617
17686 52 32 25 22 17 13 11 9 9 6 6 6 5 5 3 3 2 1 1 1 1 1 1 1 1 0
Jum
lah A
tura
n
Confidence
Confidence 50%
0,10% 0,16% 0,21% 0,26% 0,31% 0,36% 0,42% 0,47% 0,52% 0,57% 0,63% 0,68% 0,73% 0,78% 0,83%
0,89% 0,94% 0,99% 1,04% 1,09% 1,15% 1,20% 1,25% 1,30% 1,35% 1,41% 1,46% 1,51% 1,56%
0100200300400500600700
60%
411
12157 36 23 19 17 13 10 8 7 7 5 5 5 4 4 2 2 1 0 0 0 0 0 0 0 0 0
Jum
lah A
tura
n
Confidence
Confidence 60%
0,10% 0,16% 0,21% 0,26% 0,31% 0,36% 0,42% 0,47% 0,52% 0,57% 0,63% 0,68% 0,73% 0,78% 0,83%
0,89% 0,94% 0,99% 1,04% 1,09% 1,15% 1,20% 1,25% 1,30% 1,35% 1,41% 1,46% 1,51% 1,56%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
0100200300400500600700
70%
210
8438 23 13 12 9 6 4 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Jum
lah A
tura
n
Confidence
Confidence 70%
0,10% 0,16% 0,21% 0,26% 0,31% 0,36% 0,42% 0,47% 0,52% 0,57% 0,63% 0,68% 0,73% 0,78% 0,83%
0,89% 0,94% 0,99% 1,04% 1,09% 1,15% 1,20% 1,25% 1,30% 1,35% 1,41% 1,46% 1,51% 1,56%
0100200300400500600700
80%
179
52 31 15 8 7 5 3 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Jum
lah A
tura
n
Confidence
Confidence 80%
0,10% 0,16% 0,21% 0,26% 0,31% 0,36% 0,42% 0,47% 0,52% 0,57% 0,63% 0,68% 0,73% 0,78% 0,83%
0,89% 0,94% 0,99% 1,04% 1,09% 1,15% 1,20% 1,25% 1,30% 1,35% 1,41% 1,46% 1,51% 1,56%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
0100200300400500600700
90%
169
42 21 10 6 6 4 3 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Jum
lah A
tura
n
Confidence
Confidence 90%
0,10% 0,16% 0,21% 0,26% 0,31% 0,36% 0,42% 0,47% 0,52% 0,57% 0,63% 0,68% 0,73% 0,78% 0,83%
0,89% 0,94% 0,99% 1,04% 1,09% 1,15% 1,20% 1,25% 1,30% 1,35% 1,41% 1,46% 1,51% 1,56%
0100200300400500600700
100%
169
42 21 10 6 6 4 3 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Jum
lah A
tura
n
Confidence
Confidence 100%
0,10% 0,16% 0,21% 0,26% 0,31% 0,36% 0,42% 0,47% 0,52% 0,57% 0,63% 0,68% 0,73% 0,78% 0,83%
0,89% 0,94% 0,99% 1,04% 1,09% 1,15% 1,20% 1,25% 1,30% 1,35% 1,41% 1,46% 1,51% 1,56%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
0
100
200
300
400
500
600
7000,1
0%
0,1
6%
0,2
1%
0,2
6%
0,3
1%
0,3
6%
0,4
2%
0,4
7%
0,5
2%
0,5
7%
0,6
3%
0,6
8%
0,7
3%
0,7
8%
0,8
3%
0,8
9%
0,9
4%
0,9
9%
1,0
4%
1,0
9%
1,1
5%
1,2
0%
1,2
5%
1,3
0%
1,3
5%
1,4
1%
1,4
6%
1,5
1%
1,5
6%
Jum
lah A
tura
n
Min_Support
Grafik berdasarkan Minimum Support
50% 60% 70% 80% 90% 100%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
LAMPIRAN 6
PENGUJIAN DATASET
1. Bulan Juli 2017
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2. Bulan Agustus 2017
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3. Bulan September 2017
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4. Bulan Oktober 2017
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5. Bulan November 2017
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6. Bulan Desember 2017
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
LAMPIRAN 7
PENGUJIAN 15 DATA SAMPEL
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI