17. Jurnal Kenendy

8/10/2019 17. Jurnal Kenendy

1/14

Volume : I, Nomor : 1, Oktober 2013Volume : I, Nomor : 1, Oktober 2013Volume : I, Nomor : 1, Oktober 2013Volume : I, Nomor : 1, Oktober 2013 Majalah Ilmiah

Informasi dan Teknologi Ilmiah (INTI)ISSN : 2339-210X

Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan Alat-Alat

Kesehatan. Oleh Kennedi !amp"#olon1$

% &oga Saragih2$

% 'o##( )e*a3$

93

IMPLEMENTASI DATA MINING ALGORITMA APRIORI PADA

SISTEM PERSEDIAAN ALAT-ALAT KESEHATAN

Kennedi Tampubolon1)

, Hoa Sa!ai"#)

, $obb% Re&a')

1)Dosen Tetap Prodi D3-Manajemen Informatika STMIK Budi Darma Medan. Jl. Sisinamanaraja

!o. 33" Sp. #imun Medan. $)%akultas Teknik dan Ilmu Komputer & 'ni(ersitas Bakrie KampusKuninan Ka*asan +pi,entrum Jl. . asuna Said Ka(. /-$$ Jakarta 1$0$.

3)Proram

Pas,asarjana STMIK ++S2 Jl. . Samali !o. 1 Kali4ata 1$56+mail 7 kenned.tampu4olon8mail.,om 9oasarai98mail.,om 4o44:.re;a8eres9a.a,.id

A$STRAK

Menambang data atau upaya untuk menggali informasi dan pengetahuan yang berharga pada database

yang sangat besar disebut data mining atau Knowledge Discovery in Database disingkat KDD. Salah satu

algoritma yang paling populer pada teknik data mining adalah algoritma Apriori. Sedangkan dalam penemuan

pola kombinasi hubungan antar item-setsdigunakan Association Rules ( Aturan Asosiasi ).

Data Mining telah diimplementasikan ke berbagai bidang, diantaranya bidang bisnis atau

perdangangan, bidang pendidikan, dan telekomunikasi. Dibidang bisnis misalnya hasil implementasi data mining

menggunakan algoritma Apriori dapat membantu para pebisnis dalam kebijakan pengambilan keputusan

terhadap apa yang berhubungan dengan persediaan barang. Misalnya pentingnya sistem persediaan barang disuatu Apotek dan jenis barang apa yang menjadi prioritas utama yang harus di stok untuk mengantisipasi

kekosongan barang. Karena minimnya stok barang dapat berpengaruh pada pelayanan konsumen dan pendapatan

Apotek. leh sebab itu ketersediaan berbagai jenis alat!alat kesehatan di Apotek sebagai salah satu supplier alat!

alat kesehatan, mutlak untuk mendukung kelancaran penyalurannya kepada konsumen, sehingga aktivitas

pelayanan konsumen berjalan dengan baik.

Seiring dengan masalah diatas, data mining mampu menciptakan lingkungan bisnis yang inteligen,

untuk menghadapi semakin tingginya tingkat persaingan bisnis Apotek dimasa yang akan datang.

Ka(a Kuni "Data Mining, Aturan Asosiasi, Algoritma Apriori, Alat-alat Kesehatan.

ABSTRACT

Extracting data or an effort to retrieve valuale !no"ladge and information in a large dataase is called data

mining or Kno"ledge Discover# in Dataase or usuall# shortened as KDD . $ne of the most popular algorithm

in data mining technic is Apriori Algorithm, "hile the discover# of %relational comination pattertn amongitemset used Assosiation Rules&.

Data mining has een implemented into the various fields li!e ' usiness or trade, education and

telecommunication. n ussiness for instance, the implementation result of data mining use algorithm Apriori

"hich can give a hand to help the *usinessmen ma!e decision on supplies. +or example, the necessit# of supplies

s#stem in a drugstore as one of the mecical stuff supplier, and to determine "hich product as the priorit# should

e supplied to anticipate out of stoc! of supplies availailit# in the store, as the results "ill also affect to the

consumer service and dail# income. Medical tools are essential unit should e supplied and eing and essential

factor "hich "ill impact to the consumer trust to a hospital or another medical service. hat is "h# the

availailit# of medical tools in drugstores is completel# needed to support the succes of distriution to the

consumers, so the activit# of medical service to consumers run thoroughl#.

n this case, data mining is seen as ale to uildt intelligent usiness environment as solution for competing

increated compitition among the drugstores in future.

Ke%*o!ds "Data Mining, Association Rules, Apriori Algorithm, Medical tools.

1+ PENDAHLAN

Data Mining diartikan sebagai menambang data

atau upaya untuk menggali informasi yang berharga

dan berguna pada database yang sangat besar #

Agrawal, $., Srikant, %&&' (. )al terpenting dalam

teknik data mining adalah aturan untuk menemukan

pola frekuensi tinggi antar himpunan itemset yang

disebut fungsi Association Rules #Aturan Asosiasi(.

*eberapa algoritma yang termasuk dalam Aturan

Asosiasi adalah seperti A Algorithm, Apriori

Algorithm, D/ Algorithm, dan /artition Algorithm

#Shuruti Aggarwal,+%-(. amun diantara algoritma!

algoritma tersebut, penulis memilih Algoritma Apriori

dalam aplikasinya pada penelitian.

*elakangan ini data mining telah

diimplementasikan keberbagai bidang, diantaranya

dalam bidang bisnis atau perdangangan, bidang

pendidikan, dan telekomunikasi. Dibidang bisnis

misalnya hasil implementasi data mining algoritma

Apriori dapat membantu para pebisnis dalam


2/14





% &oga Saragih2$

% 'o##( )e*a3$

9+

pengambilan keputusan terhadap apa yang

berhubungan dengan persediaan barang # /inn 0ee S

1 2uan Santana. +% (. Misalnya pentingnya sistem

persediaan barang di suatu Apotek dan jenis barang

apa yang menjadi prioritas utama yang harus distok

untuk mengantisipasi kekosongan barang. Karena

minimnya stok barang dapat berpengaruh padapelayanan konsumen dan pendapatan Apotek.

Adanya aktivitas transaksi penjualan sehari!

hari pada Apotek Kelambir 3 + Medan, akan

menghasilkan tumpukan data yang semakin lama

semakin besar, sehingga dapat menimbulkan masalah

baru. 2ika hal ini dibiarkan, maka data!data transaksi

tersebut akan menjadi tumpukan sampah yang

merugikan karena membutuhkan media

penyimpanan4database yang semakin besar. Seiring

dengan kemajuan teknologi yang semakin pesat maka

berkembang pula kemampuan dalam mengumpulkan,

menganalisa dan mengolah data pada database.Sehingga diperlukan suatu aplikasi untuk memilah

dan memilih data penting dari database.Dalam persaingan di dunia bisnis, khususnya

industri Apotek, menuntut para pengembang untuk

menemukan suatu strategi jitu yang dapat

meningkatkan penjualan barang. Salah satu cara

mengatasinya adalah dengan tetap tersediaannya

berbagai jenis alat!alat kesehatan secara kontinu

digudang Apotik. 5ntuk mengetahui alat!alat

kesehatan apa saja yang dibeli oleh para konsumen,

dilakukan teknik analisis keranjang pasar yaitu

analisis dari kebiasaan membeli konsumen. 6enerapanAlgoritma Apriori, membantu dalam membentuk

kandidat kombinasi item yang mungkin, kemudian

dilakukan pengujian apakah kombinasi tersebut

memenuhi parameter support dan con0dence

minimum yang merupakan nilai ambang yangdiberikan oleh pengguna.

Aktivitas dan transaksi di suatu organisasi pada

umumnya sama, yang berbeda adalah elemen 3

elemen penyusunnya, misalnya organisasi

pemerintahan berbeda dengan organisasi bisnis,

demikian pula dengan organisasi kependidikan.

Karakteristik organisasi yang berbeda demikian akan

menghasilkan pemodelan bisnis yang bervariasi, dan

perbedaan ini juga terlihat dalam data dan aliran

datanya.

Di Apotek Kelambir 3 + Medan misalnya

aktivitas transaksi dan pelayanan terhadap konsumensetiap harinya semakin lama semakin tinggi, sehingga

tanpa disadari hal ini dapat menimbulkan tumpukan

data yang semakin besar. Dalam menjalankan

aktivitasnya, Apotek Kelambir 3 + Medan sudah

menggunakan jasa teknologi komputer sebagai alatdalam pengimputan data, pengolahan serta

pencetakan4print out hasil pengolahan data berupa

informasi yang di inginkan. amun dalam pengolahan

data masih menggunakan aplikasi 3 aplikasi yang

sangat sederhana , dan cara 3 cara manual juga masih

dilakukan terutama dalam pengecekan barang masuk

dan keluar dan dalam pengarsipan data. 7alaupun

hingga saat ini aktivitas pelayanan dan transaksi di

Apotek Kelambir 3 + Medan belum mengalami

kendala yang berarti, tentu keadaan ini suatu saat

menjadi faktor penghambat dalam meningkatkan

pelayanan seiring semakin banyaknya transaksi dan

jenis item dan itemset transaksi yang terjadi dan

tersimpan dalam kurun waktu tertentu, sehinggamenyulitkan pihak apotek dalam menganalisa jenis

item dan itemset barang mana yang paling diminati

atau tidak diminati konsumen.

1+1+ Iden(ii.a/i Ma/ala"Dari uraian permasalahan diatas berikut ini

masalah yang dapat diidentifikasi oleh

peneliti, antara lain "

%. Semakin tingginya aktivitas transaksi sehari hariakan menimbulkan penumpukan data dalam

database.

+. Dalam melakukan administrasi, aktivitastransaksi dan pelayanan konsumen, perusahaan

sudah menggunakan teknologi komputer namun

dalam pengolahan datanya masih sangatsederhana.

-. *elum adanya penelitian yang bertujuan untukmengetahui informasi penting dalam

meningkatkan penjualan dan pelayanan pada

konsumen.

1+#+ Ruan Lin.up Ma/ala"6enelitian ini membahas tentang

8mplementasi data mining menggunakan algoritma

Apriori dengan studi kasus pada Apotik Kelambir 3 +

Medan dari bulan ktober 3 ovember +%- dan

yang menjadi populasi penelitian ini adalah data! datatransaksi penjualan alat!alat kesehatan. Sedangkan

dalam pengujian peneliti menggunakan programaplikasi Microsoft 9:el +; dan

1+'+ Rumu/an Ma/ala"*erdasarkan analisa penulis dari uraian

diatas, maka yang menjadi rumusan masalah dari

penelitian ini adalah sebagai berikut "

%. *agaimana mengimplementasikan Data Miningpada database transaksi penjualan item alat ! alat

kesehatan.

+. *agaimana penerapan Algoritma Apriori dalampenentuan frekuensi tinggi item-set untuk

memprediksi persediaan barang di waktu yang

akan datang.

1+0+Tuuan dan Manaa( Peneli(ianAdapun tujuan dan manfaat dari penelitian ini

adalah sebagai berikut"

a. Mengimplementasikan Data Mining padadatabase transaksi penjualan item alat!alat

kesehatan.

b. Menerapkan Algoritma Apriori untukmenentukan frekuensi tinggi itemset untuk

memprediksi persediaan barang diwaktu yang

akan datang.


3/14





% &oga Saragih2$

% 'o##( )e*a3$

9,

#+ LANDASAN TEORI

#+1 Tinauan Pu/(a.a6enelitian yang berhubungan dengan

penelitian ini adalah "

a. 6enelitian yang dilakukan oleh 9ma 5tami # 9ma

5tami, 2a?i 9ko 8stiyanto, Suwanto $aharjo,+; ( yang menjelaskan tentang bagaimana

metodologi penelitian dalam melakukan riset

pada ilmu komputer.

b. 6enelitian yang dilakukan oleh $akesh Agrawaldkk # Agrawal, $., Manilla, ).,Srikant, $.,


4/14





% &oga Saragih2$

% 'o##( )e*a3$

9

implisit dan tidak dikenal dari sekumpulan data.

6roses Kno"legde Discover# in Dataase

melibatkan hasil proses data mining #proses

pengekstrak kecenderungan suatu pola data(,

kemudian mengubah hasilnya secara akurat menjadi

informasi yang mudah dipahami #Sri Andayani,

+%(.Ada beberapa macam pendekatan yang

berbeda yang diklasifikasikan sebagai teknik

pencarian informasi4pengetahuan dalam KDD. Ada

pendekatan kuantitatif, seperti pendekatan

probabilistik seperti logika induktif, pencarian pola,

dan analisis pohon keputusan. 6endekatan yang lain

meliputi deviasi, analisis kecenderungan, algoritma

genetik, jaringan saraf tiruan, dan pendekatan

campuran dua atau lebih dari beberapa pendekatan

yang ada.

6ada dasarnya ada enam elemen yang paling

esensial dalam teknik pencarianinformasi4pengetahuan dalam KDD yaitu"

% Mengerjakan sejumlah besar data.+ Diperlukan efesiensi berkaitan dengan volumedata.

- Mengutamakan ketetapan4keakuratan.= Membutuhkan pemakaian bahasa tingkat tinggi. Menggunakan beberapa bentuk dari pembelajaran

otomatis.

' Menghasilkan hasil yang menarik.

6erusahaan memerlukan kecerdasan bisnis

untuk mengembangkan proses bisnis, memonitorwaktu, biaya kualitas, dan pengendalian. artner

roup mendefenisikan kecerdasan bisnis atau

usiness intelligence#*8( sebagai berikut.

F*usiness intelligence is the process of transforming

data into information and through discover#transforming that information into !no"ledge.&

Dalam defenisi ini disampaikan bahwa kecerdasan

bisnis merupakan proses pengubahan data menjadi

informasi. Dari kumpulan informasi yang ada akan

diambil polanya menjadi pengetahuan.


5/14





% &oga Saragih2$

% 'o##( )e*a3$

9

9stimasi hampir sama dengan klasifikasi, kecuali

variable target estimasi lebih kearah numerik dari

pada kearah kategori. Model dibangun

menggunakan record lengkap yang menyediakan

nilai dari variabel target sebagai prediksi.

Selanjutnya, pada peninjauan berikutnya estimasi

nilai dari variabel target dibuat berdasarkan nilaivariabel predikasi. Sebagai contoh akan dilakukan

estimasi tekanan darah sistolik pada pasien rumah

sakit berdasarkan umur pasien, jenis kelamin,

indeks berat badan, dan level sodium darah.

)ubungan antara tekanan darah sistolik dan nilai

variabel prediksi dalam proses pembelajaran akan

menghasilkan model estimasi. Model estimasi

yang dihasilkan dapat digunakan untuk kasus baru

lainnya.

-. 6rediksi.6rediksi hampir sama dengan klasifikasi dan

estimasi, kecuali bahwa dalam predikasi nilai darihasik akan ada dimasa mendatang.

Contoh prediksi bisnis dan penelitian adalah"a. 6rediksi harga beras dalam tiga bulan yangakan dating.

b. 6rediksi persentasi kenaikan kecelakaan lalulintas tahun depan jika batas bawah kecepatan

dinaikkan.

*eberapa metode dan teknik yang digunakan

dalam klasifikasi dan estimasi dapat pula

digunakan #untuk keadaan yang tepat( untuk

prediksi.

=. KlasifikasiDalam klasifikasi, terdapat target variabel

kategori. Sebagai contoh, penggolongan

pendapatan dapat dipisahkan dalam tiga kategori ,

yaitu pendapatan tinggi, pendapatan sedang, dan

pendapatan rendah.Contoh lain klasifikasi dalam bisnis dan penelitian

adalah"

a. Menentukan apakah suatu transaksi kartukredit merupakan transaksi yang curang atau

tidak.

b. Memperkirakan apakah suatu pengajuanhipotek oleh nasabah merupakan suatu kredit

yang baik atau buruk.

c. Mendiagnosis penyakit seorang pasien untukmendapatkan termasuk kategori penyakit apa.

. 6engklusteran #Clustering(6engkluteran merupakan pengelompokan record,pengamatan, atau memperhatikan dan membentuk

kelas objek!objek yang memiliki kemiripan.

Kluster adalah kumpulan record yang memiliki

kemiripan satu dengan yang lainnya dan memiliki

ketidakmiripan dengan record-record dalamkluster lain. 6engklusteran berbeda dengan

klasifikasi yaitu tidak adanya variabel target dalam

pengklusteran. 6engklusteran tidak mencoba

untuk melakukan klasifikasi, mengestimasi, atau

memprediksi nilai dari variabel target. Akan

tetapi, algoritma pengklusteran mencoba untuk

melakukan pembagian terhadap keseluruhan data

menjadi kelompok!kelompok yang memiliki

kemiripan #homogen#(, yang mana kemiripan

dalam satu kelompok akan bernilai maksimal,

sedangkan kemiripan dengan record dalam

kelompok lain akan bernilai minimal.

Contoh pengklusteran dalam bisnis dan penelitian

adalah"a. Mendapatkan kelompok!kelompok konsumen

untuk target pemasaran dari satu suatu produk

bagi perusahaan yang tidak memiliki dana

pemesaran yang besar.

b. 5ntuk tujuan audit akuntansi, yaitumelakukan pemisahan terhadap perilaku

financial dalam baik dan mencurigakan.

c. Melakukan pengklusteran terhadap ekspresidari gen, untuk mendapatkan kemiripan

perilaku dari gen dalam jumlah besar.

'. Asosiasi


6/14





% &oga Saragih2$

% 'o##( )e*a3$

9/

Aturan Asosiasi #Seni Susanto dan Dedy Suryadi,

+%(

#+3+#+ Lan.a"-lan.a" Da(a MininAda empat tahap yang dilalui dalam Data Mining

antara lain #/een 0ee 1 2uan Santana, +%"-;!=( "

%.


7/14





% &oga Saragih2$

% 'o##( )e*a3$

99

#join( 0k!% dengan 0k!% untuk mendapatkan 0k,

seperti pada iterasi sebelumnya sistem akan

menghapus #prune( kombinasi itemset yang tidak

termasuk dalam large itemset.

=. Setelah dilakukan operasi 4oin, maka pasanganitemset baru hasil proses 4oin tersebut dihitung

supportnya.. 6roses pembentuk kandidat yang terdiri dari

proses join dan prune akan terus dilakukan hingga

himpunan kandidat itemsetnya null, atau sudah

tidak ada lagi kandidat yang akan dibentuk.

'. Setelah itu, dari hasil fre2uent itemset tersebutdibentuk association rule yang memenuhi nilai

supportdan confidenceyang telah ditentukan.

;. 6ada pembentukan association rule, nilai yangsama dianggap sebagai satu nilai.

>. Assosiotion rule yang terbentuk harus memenuhinilai minimum yang telah ditentukan.

&. 5ntuk setiap large itemset 0, kita cari himpunanbagian 0 yang tidak kosong. 5ntuk setiap

himpunan bagian tersebut, dihasilkan ruledenganbentuk a*#0!a(jika supportnya #0( dan supportnya

#a( lebih besar dari minimumsupport.

#+6+ Alo!i(ma Ap!io!iAlgoritma apriori adalah suatu algoritma dasar

yang diusulkan oleh Agrawal 1 Srikant pada tahun

%&&= untuk menentukan /reGuent itemsets untuk

aturan asosiasi *oolean. Algoritma Apriori termasuk

jenis Aturan Asosiasipada data mining. Aturan yang

menyatakan asosiasi antara beberapa atribut seringdisebut affinit# anal#sis atau mar!et as!et anal#sis.

Analisis asosiasi atau association rule miningadalah

teknik data mining untuk menemukan aturan suatu

kombinasi item. Salah satu tahap analisis asosiasi

yang menarik perhatian banyak peneliti untukmenghasilkan algoritma yang efisien adalah analisis

pola freGuensi tinggi#fre2uent pattern mining(.

6enting tidaknya suatu asosiasi dapat diketahui

dengan dua tolok ukur, yaitu "support dan confidence.

Support #nilai penunjang( adalah persentase

kombinasi item tersebut dalam database, sedangkan

confidence#nilai kepastian( adalah kuatnya hubungan

antara!item dalam aturan asosiasi. #Kusrini, 9mha


8/14





% &oga Saragih2$

% 'o##( )e*a3$

100

yaitu yang memperoleh support dan confidence

tertinggi. Sedangkan tahap terakhir adalah

implementasi dan pengujian menggunakan sistem

operasi aplikasi software tanagra %.=, dan database

dengan microsoft e:cel +;.

0angkah ! langkah di dalam kerangka

pemikiran tersebut dapat di gambarkan dalam bentukflowchart berikut ini "

ambar " /lowchart penelitian.

'+#+ !aian 4lo*"a!( Peneli(ian*erikut ini langkah 3 langkah dari flowchart

penelitian yang sudah di buat.

%. Studi Awal0angkah awal dari penelitian ini adalah dengan

mencari dan mempelajari masalah yang akan di

teliti. Kemudian menentukan ruang lingkup

masalah, latar belakang masalah, danmempelajari beberapa literatur yang berkaitan

dengan permasalahan dan bagaimana mencari

solusi dari masalah tersebut. 5ntuk mencapai

tujuan yang akan ditentukan, maka perlu

dipelajari beberapa literatur!literatur yang

digunakan. Kemudian literatur!literatur yang

dipelajari tersebut diseleksi untuk dapat

ditentukan literatur mana yang akan digunakan

dalam penelitian.

Melalui studi literatur, dipelajari teori!teori yang

berhubungan dengan data mining, association

rule, serta algoritma apriori yang akan dibahas.


9/14





% &oga Saragih2$

% 'o##( )e*a3$

101

aplikasi data mining yang pada dasarnya telah

siap untuk dijalankan dikomputer.

0+ HASIL DAN PEM$AHASAN

0+1 Anali/aSistem informasi persediaan alat!alat

kesehatan di Apotek Kelambir 3 + Medan sudahterkomputerisasi artinya semua yang berhubungan

dengan aktifitas penjualan dan pembelian

menggunakan komputer yang berbasis jaringan

dengan database terpusat kedalam satu server. Sistem

informasi persediaan barang di Apotek Kelambir 3 +

Medan terdiri atas bagi!bagian data obat dan alat!alat

kesehatan, gudang farmasi, pelayanan resep obat dan

penjualan. Ditampilan gudang farmasi terdiri atas

bagian persediaan, laporan pembelian, laporan

penjualan sedangkan data alat!alat kesehatan keluar

terdiri atas attriute nomor, tanggal, nomor slip,

nama, jumlah barang, harga, dan total harga dan setiaptransaksi penjualan minimal terdiri atas satu jenis

alat!alat kesehatan. 5ntuk mendapat analisa datamaka data penjualan di export kedalam database

Microsoft e:cel karena database Microsoft e:cel

bersifat spreadsheet sehingga sangat mendukung

dalam analisa data. Microsoft e:cel dalam analisis

data digunakan sebagai database karena Microsoft

e:cel sangat mendukung beberapa aplikasi data

mining, dimana aplikasi #perangkat lunak( data

mining digunakan sebagai tempat uji coba atau

implementasi. Data mining ialah proses menambang

data untuk mendapatkan ilmu pengetahuan atauinformasi penting dari database khususnya database

penjualan alat!alat kesehatan.

ambar ' " +lo"chart6engolahan Data Mining

=.+.Pemba"a/an0+#+1 Anali/i/ Da(a

*erhubungan dengan studi kasus pada

Apotik Kelambir 3 + Medan, dapat dilakukan analisisdata. Analisis data dilakukan khusus pada penjualan

#data alat kesehatan( dengan tujuan untuk menemukan

pola penjualan alat!alat kesehatan dan hubungan antar

item jenis alat!alat kesehatan didalam transaksi.

*erikut ini adalah tabel % sebagai sampel data dan

sebagian terlampir yang akan dijadikan untuk analisa

dan juga untuk uji coba.


10/14





% &oga Saragih2$

% 'o##( )e*a3$

102

dimulai dengan menyeleksi dan membersihkan data

data yang akan dianalisis, kemudian mencari semua

jenis item nama alat!alat kesehatan yang ada didalam

listtransaksi penjualan, selanjut mencari jumlah setiap

item yang ada pada setiap transaksi penjualan #alat!

alat kesehatan(. Sesuai dengan support yang telah

ditentukan maka terseleksilah beberapa item datayang memenuhi minimal support sesuai dengan

jumlah item barang didalam transaksi, itu disebut

pembentukan kombinasi satu item.


11/14





% &oga Saragih2$

% 'o##( )e*a3$

103

mengkombinasi semua items kedalam dua kombinasi,

hasil dari kombinasi dua items seperti pada tabel =

berikut ini"

berikut ini"

ambar > " +lo"chartAssociation $ule

Dari tabel yaitu tabel pola kombinasi dua

item, dapat dilihat besarnya nilai support dan

confidence dari calon aturan asosiasi seperti tampak

pada tabel ' berikut ini"


12/14





% &oga Saragih2$

% 'o##( )e*a3$

10+

*erdasarkan hasil yang diperoleh berupa data

statistik seperti yang tertera pada tabel ; diatas, maka

dapat dinyatakan dalam bentuk diagram sebagai

berikutN

ambar & " rafik korelasi antara Support danConfidence

0+'+ Penuian

5ntuk membuktikan data!data yang telah

dihasilkan berupa pola hubungan kombinasi antar

items dan rules-rules asosiasi sesuai dengan

Algoritma Apriori maka perlu dilakukan pengujian

dengan menggunakan suatu aplikasi. Aplikasi yang

digunakan adalah


13/14


14/14





% &oga Saragih2$

% 'o##( )e*a3$

10

OP /inn 0ee S 1 2uan Santana. +%.Data Mining '

Meramal!an *isnis /erusahaan. 2akarta "

6enerbit 6.O;P /ayyad, 5.M., 6iatetsky!Shapiro, ., and

Smyth, 6. %&&'. Kno"ledge Discover# and Data

Mining ' o"ards a ?nif#ing +rame"or!. 8n

6roceedings of KDD!&' #AKDDM(, AAA84M8+!>>.

O>P Beong!Chyi 0ee,

17. Jurnal Kenendy

Documents

Transcript of 17. Jurnal Kenendy