PENENTUAN ATURAN ASOSIASI DENGAN ALGORITMA … · bentuk aturan asosiasi atau melihat jenis set aturan item yang sering muncul dalam setiap transaksi. Tugas asosiasi dalam data mining

i

PENENTUAN ATURAN ASOSIASI DENGAN ALGORITMA APRIORI

UNTUK TRANSAKSI PENJUALAN KERUPUK

(Studi Kasus : Industri Kerupuk “Sri Tanjung”)

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Sayarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh:

Riyadlah Yuniati

125314142

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2016

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

THE DETERMINATION OF THE RULES OF THE ASSOCIATION WITH

THE APRIORI ALGORITHM FOR A SALE CRACKERS

(Case Study : Industry Crackers “Sri Tanjung”)

A Final Project

Presented as Partial Fulfillment of The Requirements

To Obtain Sarjana Komputer Degree

In Informatics Engineering Study Program

By :

Riyadlah Yuniati

125314142

INFORMATICS ENGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATICS ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2016


iii

HALAMAN PERSETUJUAN PEMBIMBING


iv

HALAMAN PENGESAHAN


v

HALAMAN PERSEMBAHAN

"Musa berkata, 'Robbis rohlii shodrii, wa yassirlii amrii, wahlul 'uqdatam mil

lisaani yafqohu qoulii'

“ Wahai Tuhanku, lapangkanlah dadaku, mudahkanlah untukku urusanku, dan

lepaskan kekakuan lidahku, supaya mereka mengerti perkataanku ” (QS Thaha

[20]: 25-28)

Karya ini dipersembahkan kepada :

Allah SWT

Muhammad SAW dan Para Sahabat

Keluarga Besar Arih dan Tjasir

Sahabat


vi

PERNYATAAN KEASLIAN KARYA


vii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI


viii

ABSTRAK

Saat ini untuk setiap data transaksi penjualan di industri kerupuk banyak

mengalami peningkatan dan data tersebut tersimpan dalam jumlah yang sangat

banyak. Banyaknya data tersebut dapat mempengaruhi banyaknya barang yang

dibeli oleh konsumen. Untuk meminimalisasi banyaknya data yang tersimpan

dalam jumlah yang sangat besar maka, data tersebut dapat dimanfaatkan untuk

melihat jenis barang yang dibeli secara bersamaan oleh konsumen. Data tersebut

dapat digunakan sebagai referensi produsen dalam memperbanyak jumlah

produksi barang yang banyak di minati.

Cara melihat hubungan diantara item tersebut dapat dilakukan proses data

mining dengan analisis asosiasi menggunakan algoritma apriori. Algoritma

apriori dapat mengetahui aturan kemungkinan seorang pelanggan membeli

kerupuk udang dan secara bersamaan membeli juga kerupuk bawang.

Pengetahuan tersebut dapat digunakan produsen untuk memperbanyak produksi

kerupuk yang banyak diminati konsumen.Aturan tersebut didapat dari jumlah item

dan support yang ditentukan. Support tersebut merupakan jumlah item pada

setiap transaksi yang ada di dalam basis data. Sedangkan nilai confidence

berpengaruh terhadap jumlah aturan yang didapat melalui proses asosiasi.Nilai

confidence ditentukan dari nilai support suatu aturan dalam sebuah transaksi.


ix

ABSTRACT

Currently for every sales transaction data in many cracker industry has

increased and it stored in huge quantities. The number of such data may affect the

amount of goods purchased by consumers. To minimize the amount of data stored

in very large then, the data can be used to view any type of goods purchased by

consumers simultaneously. Such data can be used as reference for expanding the

number of producers in the production of goods in interest.

How to see the relationship among the items, this research do the

datamining process by association analysis using apriori algorithms. Apriori

algorithm can determine the rules of the possibility of a customer buying shrimp

crackers and simultaneously bought crackers also onions. Such knowledge can be

used to augment the production of crackers manufacturers of many consumer

demand. The rules are derived from the number of items and support specified.

The support is the number of items on each transaction that is in the database.

While the value of confidence affect the number of rules that can go through the

process of association. Confidence value is determined from the value of the

support of a rules in a transaction.


x

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Allah SWT atas berkat dan

rahmatnya. Sehingga penulis dapat menyelesaikan skripsi dengan tepat waktu.

Penulisan skripsi ini tidak lepas dari peran pentingnya berbagai pihak, sehingga

dalam kesempatan ini penulis dengan kerendahan hati mengucapkan terimakasih

kepada semua pihak yang teah memberikan dukungan baik secara langsung

maupun tidak langsung kepada penulis dalam penyelesaian skripsi hingga selesai.

Pada penulisan skripsi ini saya ucapkan terimakasih kepada :

1. Drs. Johanes Eka Priyatma, M.Sc., Ph.D. selaku Rektor dan dosen

pembimbing akademik.

2. Allah SWT selaku maha yang selalu membimbing dan memberi

pertolongan atas segala rahmat yang senantiasa selalu diberikan.

3. Nabi kita Muhammad SAW beserta para sahabat

4. Dr. Cyprianus Kuntoro Adi, SJ., M.A., M.Sc. selaku dosen pembimbing

tugas akhir yang dengan sabar dan membimbing saya dalam penyusunan

tugas akhir ini.

5. Kedua Orang tua, Bapak Waryono dan Ibu Caskem yang selalu

memberikan dorongan doa dan motivasi kepada penulis

6. Kakak kandung Rina Purnamasari S.pd yang selalu memberikan dorongan

motivasi dan doa kepada penulis agar selalu ingat untuk mengerjakan

tugas akhir.

7. Keluarga besar “Arih Tjasir”, mamang “Nurwedi bin Arih dan Sawin bin

Arih”,Bude “Danyem bin Arih (Nanyeng)” dan keponakan tercinta

“Melin, Hanif, Annisa, Khasna dan Amal” yang selalu memberikan

dorongan serta motivasi kepada penulis

8. Teman-teman tercinta yang selalu memberikan dukungan dan motivasi

dalam mengerjakan skripsi “Agustin, Monica, Niputu, Eric, Bagus,

Candra, Vitto, Bany, Lukas, Tegar, Andre ” dan seluruh teman-teman


xi


xii

DAFTAR ISI

HALAMAN PERSETUJUAN PEMBIMBING .................................................... iii

HALAMAN PENGESAHAN ................................................................................ iv

HALAMAN PERSEMBAHAN ............................................................................. v

PERNYATAAN KEASLIAN KARYA ................................................................ vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI................................ vii

ABSTRAK ........................................................................................................... viii

ABSTRACT ............................................................................................................. ix

KATA PENGANTAR ............................................................................................ x

DAFTAR ISI ......................................................................................................... xii

DAFTAR GAMBAR ........................................................................................... xiv

DAFTAR TABEL ................................................................................................. xv

BAB I PENDAHULUAN ....................................................................................... 1

1.1 Latar Belakang ......................................................................................... 1

1.2 Rumusan Masalah .................................................................................... 3

1.3 Batasan Masalah ....................................................................................... 3

1.4 Tujuan Penelitian ...................................................................................... 3

1.5 Manfaat Penelitian .................................................................................... 4

1.5 Metodologi Penelitian .............................................................................. 4

1.6 Sistematika Penulisan ............................................................................... 5

BAB II LANDASAN TEORI ................................................................................. 7

2.1 Penambangan Data ................................................................................... 7

2.1.2 Proses Penambangan Data ................................................................ 7

2.1 Analisis Asosiasi ...................................................................................... 9


xiii

2.2.1 Aturan Asosiasi ............................................................................... 13

2.3 Algoritma Apriori ................................................................................... 14

2.4 Lift Ratio ................................................................................................. 16

BAB III METODOLOGI PENELITIAN.............................................................. 18

3.1 Diagram Blok Penelitian ........................................................................ 18

3.2 Data ........................................................................................................ 18

3.3 Proses ...................................................................................................... 23

3.3.1 FreqItemset ..................................................................................... 23

3.3.2 Generate Rule.................................................................................. 28

3.3.3 Sorting ............................................................................................. 32

3.4 Rincian Algoritma Untuk Proses Asosiasi ............................................. 33

3.4.1 Metode-metode yang digunakan dalam proses asosiasi.................. 33

3.5 Hasil atau Rules ...................................................................................... 34

3.6 Spesifikasi Software dan Hardware ....................................................... 35

BAB IV DISAIN IMPLEMENTASI HASIL ANALISIS .................................... 36

4.1 Hasil ........................................................................................................ 36

4.2 Analisis ................................................................................................... 37

4.3 DesignInterface ...................................................................................... 39

BAB V PENUTUP ................................................................................................ 42

5.1 Kesimpulan ............................................................................................. 42

5.2 Saran ....................................................................................................... 43

DAFTAR PUSTAKA ........................................................................................... 44

LAMPIRAN .......................................................................................................... 45


xiv

DAFTAR GAMBAR

Gambar 2.1 Tahap penemuan Knowledge pada Data Mining Han, et al (2012) ... 8 Gambar 3.1 Diagram BlokPenelitian .................................................................... 18 Gambar 4.1 Halaman Utama ................................................................................. 39

Gambar 4.2 Halaman Inputan ............................................................................... 40

Gambar 4.3 Halaman Jumlah Data ....................................................................... 40

Gambar 4.4 Halaman Hasil Aturan Asosiasi ........................................................ 41


xv

DAFTAR TABEL

Tabel 2.1 Data Transaksi Semua Merk Elektronik ............................................... 11

Tabel 2.2 C1 .......................................................................................................... 11

Tabel 2.3 L1 .......................................................................................................... 11

Tabel 2.4 C2 .......................................................................................................... 12

Tabel 2.5 L2 .......................................................................................................... 12

Tabel 2.6 C3 .......................................................................................................... 12

Tabel 2.7 L3 .......................................................................................................... 13 Tabel 3.1 Transaksi Kerupuk ................................................................................ 21

Tabel 3.2 Representasi Biner Untuk Transaksi Kerupuk ...................................... 22

Tabel 3.3 C1 .......................................................................................................... 23

Tabel 3.4 L1 .......................................................................................................... 25

Tabel 3.5 C2 .......................................................................................................... 25

Tabel 3.6 L2 .......................................................................................................... 26

Tabel 3.7 C3 .......................................................................................................... 27

Tabel 3.8 L3 .......................................................................................................... 28

Tabel 3.9 Hasil Aturan .......................................................................................... 28 Tabel 4 1Hasil Percobaan...................................................................................... 36


1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Indonesia memiliki sumberdaya perikanan yang sangat melimpah. Peranan

sub sektor perikanan dalam pembangunan nasional terutama adalah menyediakan

bahan pangan hewani, menyediakan bahan baku untuk mendorong agroindustri,

meningkatkan devisa melalui penyediaan ekspor perikanan, menyediakan

kesempatan kerja dan berusaha, meningkatkan kelestarian sumberdaya perikanan

dan lingkungan hidup (Kementrian Kelautan dan Perikanan, 2009).

Jawa Barat memiliki potensi sektor perikanan yang sangat besar, baik

perikanan darat maupun perikanan lepas pantai yang tidak hanya mencukupi

untuk kebutuhan lokal, namun juga diekspor ke luar negeri. Salah satu daerah

potensial di Provinsi Jawa Barat adalah Kabupaten Indramayu. Produksi

perikanan Indramayu yang menyumbang 32,87 persen dari produksi perikanan

Jawa Barat yaitu sebesar 94,6 ribu ton pada tahun 2007. Pengembangan Industri

hasil perikanan merupakan salah satu prioritas dalam pembangunan nasional di

sektor perindustrian. Industri pengolahan ikan di Indramayu yang potensial adalah

industri pengolahan kerupuk ikan atau udang yang ditandai dengan adanya

peningkatan jumlah unit usaha dalam setiap tahunnya. Di kabupaten Indramayu,

industri pengolahan ikan yang memiliki produksi paling tinggi adalah produksi

pengolahan kerupuk ikan yaitu sebesar 3,5 ribu ton atau sebesar 45,20 persen dari

seluruh total produksi olahan hasil perikanan. Salah satu desa yang merupakan

sentra industri pengolahan kerupuk ikan atau udang adalah Desa Kenanga

Kecamatan Sindang dan salah satu perusahaan yang memproduksi kerupuk ikan

atau udang di Desa Kenanga Kecamatan Sindang adalah Perusahaan Kerupuk Cap

Dua Gajah. Perusahaan ini merupakan perusahaan yang mengolah kerupuk ikan

atau udang dengan jumlah produksi terbesar di Indramayu (Dinas Koperasi

Perindustrian dan Perdagangan, 2010).


2

Hasil pengolahan ikan dari Kabupaten Indramayu kini menembus pasar

internasional yakni menyuplai untuk kebutuhan negara-negara Asia. Meskipun

produknya diminati masyarakat luar negeri, namun para pengusaha lokal belum

sanggup untuk memenuhinya. Dengan kata lain permintaan kerupuk ini dapat

meningkat setiap tahunnya. Oleh sebab itu jika data transaksi tidak dapat

digunakan dengan baik maka akan sia-sia.

Banyaknya data tersebut dapat mempengaruhi banyaknya barang yang

dibeli oleh konsumen. Untuk meminimalisasi banyaknya data yang tersimpan

dalam jumlah yang sangat besar maka, seharusnya data tersebut dimanfaatkan

untuk melihat keterikan setiap jenis barang yang dibeli oleh konsumen secara

bersamaan. Salah satunya adalah transaksi penjualan kerupuk “Sri Tanjung” yang

ada di daerah Indramayu. Dari data transaksi penjualan kerupuk tersebut akan

dilihat dan dicari keterikatan antara item kerupuk satu dengan kerupuk lainnya

yang akhirnya dapat diketahui jenis kerupuk yang sering di beli oleh konsumen.

Data akan diolah dengan menggunakan teknik data mining , karena dengan teknik

data mining , dapat ditemukan informasi yang berguna yang belum di ketahui

informasi sebelumnya.

Dalam transaksi kerupuk ini menggunakan analisis asosiasi yang berguna

untuk menemukan hubungan penting yang tersembunyi diantara set data yang

sangat besar. Hubungan yang sudah terbuka direpresentasikan dalam bentuk

aturan asosiasi (association rules) atau set aturan item yang sering

muncul.Hubungan yang sangat besar dari aturan tersebut direpresentasikan dalam

bentuk aturan asosiasi atau melihat jenis set aturan item yang sering muncul dalam

setiap transaksi.

Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul

dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang

belanja. Contoh asosiasi dalam bisnis dan penelitian adalah meneliti jumlah

pelanggan dari perusahaan telekomunikasi seluler yang diharapkan untuk

memberikan respons positif terhadap penawaran upgrade layanan yang diberikan


3

dan menemukan barang dalam supermarket yang dibeli secara bersamaan dan

barang yang tidak pernah dibeli secara bersamaan (Kusrini & Luthfi, 2009).

Jenis algoritma yang digunakan adalah algoritma apriori. Algoritma

apriori sebagai analisis dari suatu pembelian dan dapat mengatahui besar

kemungkinan seorang pelanggan membeli kerupuk udang dan secara bersamaan

membeli juga kerupuk bawang. Dengan pengetahuan tersebut dapat melihat

keterikatan jenis produk yang dibeli secara bersamaan untuk transaksi kerupuk.

1.2 Rumusan Masalah

Berdasarkan uraian dari latar belakang di atas,maka rumusan masalahnya

adalah sebagai berikut:

1. Aturan asosiasi seperti apakah yang berlaku untuk penjualan kerupuk di

industri “Sri Tanjung”?

2. Apakah algoritma apriori mampu menemukan aturan asosiasi yang kuat

pada industri penjualan kerupuk tersebut?

1.3 Batasan Masalah

Batasan masalah yang ada dalam industri penjualan kerupuk yaitu sebagai

berikut:

1. Data yang digunakan adalah data transaksi penjualan kerupuk di industri

kerupuk “Sri Tanjung”

2. Data yang digunakan adalah data perhari dari setiap item transaksi

3. Data dikelompokan secara manual

4. Algoritma Aprioriyang digunakan untuk transaksi penjualan kerupuk di

industri kerupuk “Sri Tanjung”

5. Data transkaksi yang diambil adalah data satu tahun yaitu tahun 2015

1.4 Tujuan Penelitian

Tujuan dari penelitian tugas akhir ini adalah bagaimana mengetahui

algoritma apriori dapat diterapkan untuk melihat produk kerupuk yang

dibeli secara bersamaan dengan produk lainnya


4

1.5 Manfaat Penelitian

Manfaat dari penelitian tugas akhir ini adalah sebagai berikut :

Membantu menemukan item kerupuk yang dibeli secara bersamaandengan

item kerupuk lain oleh konsumen.

1.5 Metodologi Penelitian

Dalam penyelesaian tugas akhir yang berjudul Penentuan Aturan Asosiasi

Dengan Algoritma Apriori Untuk Transaksi Penjualan Kerupuk (Studi

Kasus : Industri Kerupuk “Sri Tanjung”), akan ditempuh langkah-langkah

sebagai berikut :

1. Studi Pustaka

a. Penelitian pustaka, yaitu dengan mempelajari hal-hal yang berkaitan

dengan data mining dan algoritma apriori, dengan mengumpulkan dan

mempelajari informasi dari buku-buku, artikel dan website yang ada di

internet

b. Interview, yaitu dengan datang langsung ke sentra industri kerupuk

melakukan konsultasi, tanya jawab dengan orang yang memiliki

pengetahuan dan wawasan yang berhubungan dengan topik tugas akhir

2. Pengumpulan Data

Metodologi yang kedua adalah pengumpulan data. Data yang digunkan

dalam penelitian ini bersumber dari industri kerupuk “Sri Tanjung”

pengumpulan data dengan wawancara dan mengambil dari nota-nota

transaksi

3. Pembuatan Alat Uji

Metodologi yang ketiga adalah pembuatan alat uji. Pembuatan alat uji

dilakukan dengan teknik data mining yang langkah-langkahnya seperti

dibawah ini :

a. Pembersihan data, menghilangkan noise, dan daya yang tidak konsisten

b. Integrasi data, menggabungkan data dari berbagai sumber data yang

berbeda


5

c. Seleksi data dan transformasi data, untuk menentukan kualitas dari hasil

data mining, sehingga data diubah menjadi bentuk yang sesuai untuk di-

mining

d. Penerapan data mining menggunakan analisis asosiasi dengan algoritma

apriori sebagai cara untuk menemukan pola yang ada di dalam asosiasi

e. Evaluasi pola yang ditentukan, menampilkan hasil dari teknik data mining

berupa aturan yang khas maupun mengukur hasil akhir

f. Presentasi pengetahuan, merupakan tahap terakhir dari proses data mining

yaitu memformulasikan keputusan atau aksi dari hasil analisa yang di

dapat

4. Pembuatan Dokumen

Metodologi yang terakhir adalah pembuatan dokumen berdasarkan semua

metodologi penelitian yang sudah dilakukan

1.6 Sistematika Penulisan

Sistematika penulisan yang akan digunakan adalah sebagai berikut :

BAB I PENDAHULUAN

Bab ini akan menjelaskan latar belakang, perumusan masalah, batasan

masalah, tujuan dan manfaat penelitian, metodologi penelitian dan

sistematika penulisan.

BAB II LANDASAN TEORI

Bab ini akan menjelaskan dasar-dasar teori tentang sistem yang

dipergunakan sebagai landasan utama penelitian dan pembuatan tugas

akhir. Bab ini berisi landasan teori yang akan digunakan dalam penelitian

ini antara lain pengertian penambangan data, analisis asosiasi, algoritma

apriori dan Lift ratio .


6

BAB III METODOLOGI PENELITIAN

Bab ini akan dijelaskan metedologi penelitian yang akan dibuat untuk

Penerapan Data Mining untuk penentuan analisis asosiasi dengan

algoritma apriori

BAB IVHASIL DAN ANALISIS

Bab ini berisi tentang hasil dan analisis hasil dari sistem yang telah dibuat

untuk penelitian.

BAB V PENUTUP

Bab ini berisi tentang kesimpulan dan saran dari penelitian yang dibuat

yang dipergunakan sebagai pengembangan dan penyempurnaan tugas

akhir ini


7

BAB II

LANDASAN TEORI

Bab ini akan membahas lebih lanjut landasan teori yang digunakan penelitian

antara lain pengertian penambangan data, analisis asosiasi, algoritma apriori dan

Lift ratio .

2.1 Penambangan Data

2.1.2 Proses Penambangan Data

Data mining adalah suatu istilah yang digunakan untuk menguraikan

penemuan pengetahuan di dalam database. Data mining adalah proses yang

menggunakan teknik statistik, matematika, kecerdasan buatan, dan mechine

learninguntuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat

dan pengetahuan yang terkait dari berbagai database besar(Turban, ddk. 2005

dalam Kusrini & Luthfi, 2009).

Datamining adalah serangkaian proses untuk menggali nilai tambah dari

suatu kumpulan data berupa pengetahuan yang selama ini tidak dikatahui manual

(Pramudiono, 2006 dalam Kusrini & Luthfi, 2009)

Hubungan yang dicari dalam data mining dapat berupa hubungan antara

dua atau lebih dalam satu dimensi. Misalnya dalam dimensi produk kita dapat

melihat keterikatan pembelian suatu produk dengan produk yang lain. Selain itu,

hubungan juga dapat dilihat antara dua atau lebih atribut dan dua atau lebih objek

(Ponniah, 2001 dalam Kusrini & Luthfi, 2009)

Istilah data mining dan knowledge discovery in database (KDD) sering

kali digunakan secara bergantian untuk menjelaskan proses penggalian informasi

tersembunyi dalam suatu basis data yang besar. Sebenarnya kedua istilah tersebut

memiliki konsep yang berbeda, tetapi berkaitan satu sama lain. Dan salah satu

tahapan dalam keseluruhan proses KDD adalah data mining (Fayyad, 1996 dalam

Kusrini & Luthfi, 2009).


8

Gambar 2.1Tahap penemuan Knowledge pada Data Mining Han, et al(2012)

Proses KDD secara garis besar dapat di jelaskan sebagai berikut :

1. Data Selection

Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakukan

sebelum tahap penggalian informasi dalam KDD dimulai. Data hasil

seleksi yang akan digunakan untuk proses data mining, disimpan dalam

suatu berkas, terpisah dari basis data operational

2. Pre-processing atau Cleaning

Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses

cleaning pada data yang menjadi fokus KDD. Proses cleaning mencakup

antara lain membuang duplikasi data, memeriksa data yang inkonsisten,

dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi).

Juga dilakukan proses enrichment, yaitu proses “memperkaya” data yang

sudah ada dengan data atau informasi lain yang relevan dan diperlukan

untuk KDD, seperti data atau informasi eksternal

3. Transformation

Coding adalah proses transformasi pada data yang dipilih, sehingga data

tersebut sesuai untuk proses data mining. Proses coding dalam KDD


9

merupakan proses kreatif dan sangat tergantung pada jenis atau pola

informasi yang akan dicari dalam basis data

4. Data Mining

Data mining adalah proses mencari pola atau informasi menarik dalam

data terpilih dengan menggunakan teknik atau metode tertentu. Teknik,

metode, atau algoritma dalam data mining sangat bervariasi. Pemilihan

metode atau algoritma yang tepat sangat bergantung pada tujuan dan

proses KDD secara keseluruhan

5. Interpretation atau Evaluation

Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan

dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan.

Tahap ini merupakan bagian dari proses KDD yang disebut interpretation.

Tahap ini mencakup pemeriksaan apakah pola atau informasi yang

ditemukan bertentangan dengan fakta atau hipotesis yang ada sebelumnya

2.1 Analisis Asosiasi

Analisis asosiasi atau association rules mining adalah teknik data mining

untuk menemukan aturan asosiatif antara satu kombinasi item. Contoh aturan

asosiatif dari analisis pembelian di suatu pasar swalayan adalah dapat

diketahuinya berapa besar kemungkinan seorang pelanggan membeli roti

bersamaan dengan susu. Dengan pengetahuan tersebut, pemilik pasar swalayan

dapat mengatur penempatan barangnya atau merancang kampanye pemasaran

dengan memakai kupon diskon untuk kombinasi barang tertentu (Kusrini &

Luthfi, 2009).

Analisis asosiasi dapat digunakan sebagai penelitian untuk data

perusahaan sebagai contoh. Setiap harinya perusahaan bisnis mengakumulasikan

data transaksi dalam jumlah besar. Jika satu hari ada 100 transaksi, dalam setahun

setidaknya ada 36.000 transaksi, bisa dibayangkan jumlahnya jika data tersebut

sudah bertahun-tahun. Setelah data selesai digunakan untuk apa data tersebut

disimpan, apakah akan disimpan begitu saja atau dibuang begitu saja hingga

menjadi sangat banyak jumlahnya. Tentu saja data tidak digunakan maka


10

perusahaan akan mengalami kerugian. Karena, ada biaya perawatan yang harus di

bayar perusahaan untuk menyimpan data-data tersebut.

Kita dapat ambil contoh lagi untuk data keranjang belanja pembelian di

sebuah supermarket. Pada setiap transaksi pembelian oleh pelanggan terdapat ID

transaksi, dan pada setiap transaksi ada sejumlah barang yang dibeli oleh

pelanggan. Dengan menerapkan teknik analisis asosiasi, supermarket dapat

mengetahui pola pembelian pelanggan. Misalnya, biasanya pelanggan dari

kalangan rumah tangga akan membeli minyak, telur dan beras. Dan jarang sekali

ada ibu rumah tangga yang menyertai pembelian ketiga barang tersebut dengan

topi dan buku.

Dengan mengetahui pola-pola pembelian pelanggan, manajemen

supermarket dapat membuat keputusan, misalnya, kapan waktu yang tepat untuk

promosi diskon barang, bagaimana strategi untuk menghabiskan barang yang

kurang laku, bagaimana menerapkan barang yang sebaiknya dibeli bersama-sama

dan sebagainya. Pekerjaan yang berkaitan dengan kebutuhan seperti di atas

dikenal dengan analisis asosiasi (association analysis).

Analisis asosiasi berguna untuk menemukan hubungan penting yang

tersembunyi di antara set data yang sangat besar. Hubungan yang sudah ada

tersebut direpresentasikan dalam bentuk aturan asosiasi (association rules) atau

set aturan item yang sering muncul (Prasetyo,Eko. 2012).

Contoh proses perhitungan asosiasi sebagai berikut (Han, Kamber dan Pie. 2012) :


11

Tabel 2.1 Data Transaksi Semua Merk Elektronik

TID List of item_IDS

T100 I1, I2, I5

T200 I2, I4

T300 I2, I3

T400 I1, I2, I4

T500 I1, I3

T600 I2, I3

T700 I1, I3

T800 I1, I2, I3, I5

T900 I1, I2, I3

Tabel 2.1 merupakan data transaksi untuk semua merk elektronik yang diambil

dari buku sebagai contoh untuk perhitungan manual mengenai proses asosiasi.

Untuk nilai minimum supportnya adalah 2

Tabel 2.2 C1

Itemset Sup. Count

{I1} 6

{I2} 7

{I3} 6

{I4} 2

{I5} 2

Memisahkan item yang ada dalam transaksi dan menghitung masing-masing

kandidat yang ada di transaksi elektronik. Jika nilai peritem tersebut sama atau

lebih dari minimum support yang di tentukan maka akan masuk ke perhitungan

selanjutnya.

Tabel 2.3 L1

Itemset Sup. Count

{I1} 6

{I2} 7

{I3} 6

{I4} 2

{I5} 2


12

Tabel 2.3 merupakan nilai frekuen yang semua jumlah itemnya masuk dalam

kandidat itemset dan langkah selanjutnya yaitu pencarian kandidat 2 itemset .

Tabel 2.4 C2

Itemset Sup. Count

{I1, I2} 4

{I1, I3} 4

{I1, I4} 1

{I1, I5} 2

{I2, I3} 4

{I2, I4} 2

{I2, I5} 2

{I3, I4} 0

{I3, I5} 1

{I4, I5} 0

Hasil dari perhitungan untuk penggabungan kandidat 2 itemset , akan dipilih nilai

dengan bobot sama dengan atau lebih dari minimumsupport

Tabel 2.5 L2

Itemset Sup. Count

{I1, I2} 4

{I1, I3} 4

{I1, I5} 2

{I2, I3} 4

{I2, I4} 2

{I2, I5} 2

Hasil dari perhitungan untuk kandidat 2 itemset yang nilainya sama atau lebih

dari minimumsupport yang akan dilanjutkan untuk perhitungan kandidat 3 itemset

Tabel 2.6 C3

Itemset Sup. Count

{I1, I2, I3} 2

{I1, I2, I5} 2

Mencari kandidat 3 itemset yang nilainya sama atau lebih dari minimumsupport


13

Tabel 2.7 L3

Itemset Sup. Count

{I1, I2, I3} 2

{I1, I2, I5} 2

Hasil untuk data transaksi pada Tabel 2.1 untuk data elektronik menghasilkan

kandidat 3 itemset dengn aturan sebagai berikut : {I1, I2, I3} dengan nilai support

2 dan {I1, I2, I5} dengan nilai support 2

2.2.1 Aturan Asosiasi

Analisis asosiasi berguna untuk menemukan hubungan penting antar item

dalam setiap transaksi, hubungan tersebut dapat menandakan kuat tidaknya suatu

aturan dalam asosiasi, untuk itu penemuan aturan asosiasi (association rules

discovery) tersebut dapat di definisikan sebagai berikut :

Sebagai contoh sejumlah transaksi, dapat mencari semua aturan yang

mempunyai support minsup dan confidence minconf, dimana minsup adalah

ambang batas support , sedangkan minconf adalah ambang batas confidence .

Untuk menemukan aturan asosiasi seperti yang diharapkan maka harus

menemukan nilai dari support yang telah di tentukan. Support tersebut

merupakan jumlah item pada setiap transaksi yang ada di dalam database. Untuk

dapat menemukan nilai support kita dapat mencari semua aturan yang jumlah

support minsup. Dalam hal ini dapat digunakan sebagai cara untuk menemukan

sebuah nilai confidence . Nilai confidence ditentukan dari nilai support suatu

aturan dalam sebuah transaksi.

Jikaitemsetpada setiap transaksi tidak sering muncul (infrequent), maka

kandidat yang tidak sesuai dengan nilai support minsup tersebut harus segera

dipangkas tanpa harus menghitung nilai confidence-nya. Strategi umumdigunakan

oleh banyak algoritma penggalian aturan asosiasi adalah memecahkan masalah ke

dalam dua pekerjaan utama, yaitu

1. Frequent itemset generation


14

Tujuannya adalah mencari semua itemsetyang memenuhi ambang batas

minsup. Itemset itu disebut itemset frekuen (itemset yang sering muncul).

2. Rules generation

Tujuannya adalah mengekstrak aturan dengan confidence tinggi dari

itemset frekuen yang ditemukan dalam langkah sebelumnya. Aturan ini

kemudian disebut aturan yang kuat (strong rules) (Prasetyo,Eko. 2012).

2.3 Algoritma Apriori

Algoritma apriori termasuk jenis aturan asosiasi pada data mining . Selain

apriori, yang termasuk pada golongan ini adalah metode generlized rules

induction dan algoritma hashbased. Aturan yang menyatakan asosiasi antara

beberapa atribut sering disebut affinity analysis atau market bisnis analysis

(Larose, 2005 dalam Kusrini & Luthfi, 2009)

Pembentukan frequent itemset s dilakukan dengan mencari semua kombinasi

item-item yang memiliki support lebih besar atau sama dengan minsup yang telah

ditentukan.

Beberapa istilah yang digunakan dalam algoritma apriori antara lain (Yulita,

2004) :

a. Support (dukungan) : probabilitas pelanggan membeli beberapa produk

secara bersamaan dari seluruh transaksi. Support untuk aturan XY

adalah probabilitas atribut untuk kumpulan atribut X dan Y yang terjadi

secara bersamaan

b. Confidence (tingkat kepercayaan) : probabilitas kejadian beberapa produk

dibeli secara bersamaan dimana salah satu produk sudah pasti dibeli.

Contoh jika ada n transaksi dimana X dibeli, dan m transaksi dimana X

dan Y dibeli secara bersamaan, maka confidence dari aturan if X then Y

adalah m atau n

c. Minimun support : Parameter yang digunakan sebagai batasan frekuensi

kejadian atau support count yang harus dipenuhi suatu kelompok data

untuk dapat dijadikan aturan


15

d. Minimum confidence: parameter yang mendefinisikan minimum level dari

confidence yang harus dipenuhi oleh aturan yang berkualitas

e. Itemset : kelompok produk

f. Support count: frekuensi kejadian untuk sebuah kelompok produk atau

itemset dari seluruh transaksi

g. Kandidat itemset : itemset-itemset yang akan dihitung support count-nya

h. Large itemset : itemset yang sering terjadi, atau itemset-itemset yang sudah

melewati batas minimum support yang telah ditentukan

Ada dua proses utama yang dilakukan algoritma apriori, yaitu (Yulita, 2004) :

1. Join (penggabungan) : untuk menemukan Lk, Ckdibangkitkan dengan

melakukan proses join Lk-1dengan dirinya sendiri, Ck=Lk-1 * Lk-1, lalu

anggota Ckdiambil hanya terdapat didalam L k-1

2. Prune (pemangkasan) : mengilangkan anggota Ckyang memiliki support

count lebih Kecil dari minimum support agar tidak dimasukan ke dalam Lk

Analisis asosiasi didefinisikan suatu proses untuk menemukan semua aturan

asosiasi yang memenuhi syarat minimum untuk support (minimum support) dan

syarat minimum untuk confidence (minimum confidence).Metodologi dasar

analisis asosiasi terbagi menjadi dua tahap yaitu sebagai berikut : (Kusrini dan

Taufiq Emha Luthfi, 2009)

1. Analisis pola frekuensi tinggi

Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari

nilai support dalam database. Nilai support sebuah itemdiperoleh dengan

rumus berikut.

𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝐴) =Jumlah transaksi mengandung A

Total transaksi (2.1)

Sementara, nilai support dari 2 itemdiperoleh dengan menggunakan

rumus:


16

𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝐴, 𝐵) = Transaksi mengandung A dan B

Transaksi (2.2)

Seorang analis mungkin hanya akan mengambil aturan yang memiliki

support dan/atau confidence yang tinggi. Aturan yang kuat adalah aturan-

aturan yang melebihi kriteria support dan/atau confidence minimum.

Sebuah Itemset menunjukan itemset yang memiliki frekuensi kemunculan

lebih dari nilai minimum yang telah ditentukan ().

2. Pembentukan Aturan Asosiasi

Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan

asosiasi yang memenuuhi syarat minimum untuk confidence dengan

menghitung confidence aturan asosiatif A B.Nilai confidence dari

aturan A B diperoleh rumus berikut.

𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 = P(B𝐴) =𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔𝐴 𝑑𝑎𝑛 𝐵

𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 (2.3)

2.4 Lift Ratio

Salah satu cara yang lebih baik untuk melihat kuat tidaknya aturan asosiasi

adalah dengan menghitung Lift ratio. Cara kerja metode ini adalah membagi

confidence dengan expected confidence. Confidence dapat dihitung dengan

rumus :

𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 = P(B𝐴) =𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔𝐴 𝑑𝑎𝑛 𝐵

𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 (2.3)

Antecedent merupakan sebab yang menjadikan item consequent. Sedangkan

Consequentadalah sebuah akibat atau juga item yang akan dibeli setelah membeli

Antecedent. Nilai dari expected confidence dapat dihitung dengan rumus :

𝐸𝑥𝑝𝑒𝑐𝑡𝑒𝑑 𝑐𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 =𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐵

𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 (2.4)

Lift ratio dapat dihitung dengan cara membandingkan antara confidence untuk

suatu aturan dibagi dengan expected confidence . Berikut rumus dari Lift ratio :


17

𝐿𝑖𝑓𝑡 𝑅𝑎𝑡𝑖𝑜 =𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒

𝐸𝑥𝑝𝑒𝑐𝑡𝑒𝑑𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 (2.5)

Nilai Lift ratio lebih besar dari 1 menunjukkan adanya manfaat dari aturan

tersebut. Lebih tinggi nilai Lift ratio , leih besar kekuatan asosiasinya (Santosa,

2007).


18

BAB III

METODOLOGI PENELITIAN

Dalam metodologi penelitian ini akan dijelaskan lebih rinci mengenai data, dan

proses penelitian. Data berisi mengenai sumber data dan apa saja proses yang

digunakan untuk penelitian Penentuan Aturan Asosiasi Dengan Algoritma Apriori

Untuk Transaksi Penjualan Kerupuk (Studi Kasus : Industri Kerupuk “Sri

Tanjung”)

3.1 Diagram Blok Penelitian

Berikut ini adalah diagram blok alur atau tahapan proses yang dilakukan

dalam penelitian sebagai berikut :

Data ProsesHasil atau

Rules

1. Frequent Itemset

2. Generate Rule

3. Sorting

Gambar 3.1Diagram BlokPenelitian

3.2 Data

Jawa Barat memiliki potensi sektor perikanan yang sangat besar,

baik perikanan darat maupun perikanan lepas pantai yang tidak hanya

mencukupi untuk kebutuhan lokal, namun juga diekspor ke luar negeri.

Salah satu daerah potensial di Provinsi Jawa Barat adalah Kabupaten

Indramayu. Indramayu adalah sebuah tempat dimana kekayaan hasil laut

yang melimpah mulai dari ikan, udang, cumi dan lain-lain. Sebagaian


19

besar wilayah indramayu dekat dengan pesisir pantai. Pengembangan

Industri hasil perikanan merupakan salah satu prioritas dalam

pembangunan nasional di sektor perindustrian. Industri pengolahan ikan di

Indramayu yang potensial adalah industri pengolahan kerupuk ikan atau

udang yang ditandai dengan adanya peningkatan jumlah unit usaha dari

kalangan kecil sampai menengah ke atas dalam setiap tahunnya.

Sentra industri kerupuk terbesar yang ada di wilayah indramayu

terdapat di Desa Kenanga dimana kerupuk tersebut dibuat dan di produksi

untuk konsumsi dalam negri ataupun luar negri. Tidak sedikit industri

pengolahan tersebut banyak memasarkan produknya sampai keluar negri

dan menembus pasar internasional dilihat dari perkembangan kerupuk

tersebut meningkah dalam setiap tahunnya.

Di desa Kenanga banyak sekali indutri dan rumah-rumah yang

mengolah sebagian hasil laut menjadi makanan seperti kerupuk. Industri

besar yang ada di wilayah desa Kenanga yaitu dua gajah, sri tanjung,

bunga sari,bulak kapal, gedong gincu, padi kapas dan lain-lain. Tidak

hanya menjual kerupuk saja di desa tersebut banyak menjual olahan ikan

asin dan juga terasi. Didesa Kenanga indutri rumahan sangat berkembang

maka dari itu banyak sekali rumah-rumah yang menjual hasil olahannya ke

berbagai pasar yang ada di wilayah Indramayu.

Saat ini untuk setiap data transaksi penjualan banyak mengalami

peningkatan dan data tersebut tersimpan dalam jumlah yang sangat

banyak. Banyaknya data tersebut dapat mempengaruhi banyaknya barang

yang dibeli oleh konsumen. Untuk meminimalisasi banyaknya data yang

tersimpan dalam jumlah yang sangat besar untuk setiap transaski maka,

seharusnya data tersebut dimanfaatkan untuk melihat keterikan setiap jenis

barang yang dibeli oleh konsumen secara bersamaan. Data tersebut

nantinya bisa digunakan sebagai referensi produsen dalam menambah

jumlah produksi.

Data tersebut didapat dari industri kerupuk yang bernama“Sri

Tanjung” yang berada di Desa Dukuh. Sentra industri kerupuk yang


20

berada di wilayah Indramayu masih menggunakan sistem arsip nota

penjualan atau laporan dengan menggunakan buku tahunan, belum adanya

sistem yang mengatur penyimpanan data penjualan tersebut banyak

membuat produsen kadang hanya mencatat sebagian transaksi saja.

Industri kerupuk “Sri Tanjung” merupakan salah satu dari banyaknya

industri-industri lain yang ada di sekitar Kenanga yang data transaksinya

belum digunakan secara maksimal karena belum adanya sistem yang dapat

mengolah data penjualan. Industri yang berada disanapun belum

mempunyai sistem yang dapat menampung data transaksi maupun data

penjualan karena semua datanya itu disimpan sebagai laporan dan belum

tersimpan rapih.

Dari data transaksi penjualan kerupuk tersebut akan dilihat dan

dicari keterikatan antara jenis kerupuk satu dengan kerupuk lainnya yang

akhirnya dapat diketahui jenis kerupuk yang sering di beli oleh konsumen.

Untuk melihat jenis kerupuk yang dibeli secara bersamaan tersebut sangat

sulit jika dilakukan secara manual karena data transaksi yang ada dalam

jumlah yang banyak. Masalah ini dapat di atasi dengan menggunakan

teknologi penambangan data karena dengan penambangan data, dapat

ditemukan informasi yang berguna yang belum di ketahui informasi

sebelumnya.

Penelitian ini dimulai dengan studi pustaka yang berhubungan

dengan metode dan transaksi penjualan kerupuk. Selanjutnya adalah

proses pengumpulan data. Data kerupuk “Sri Tanjung” yang akan

digunakan diambil dari beberapa nota yang ada di dalam sebuah transaksi

perhari dalam jangkah waktu satu tahun yaitu tahun 2015. Setelah data

terkumpul barulah akan dimulai proses penelitian. Dari data transaksi

tersebut akan diambil datanya perlabel pada setiap hari transaksi. Aribut

yang gunakan untuk proses penelitian ini adalah atribut jenis atau produk

kerupuk atau sama dengan produk kerupuk yang lainnya dibeli konsumen.

Data setiap transaksi label dalam kerupuk diperoleh setiap hari transaksi.

Dalam penelitian ini akan mencoba mencari aturan asosiasi antar jenis


21

kerupuk yang terdapat dalam setiap produksi. Hanya jenisproduk saja yang

digunakan untuk setiap transaksi yang diproses dalam sistem yang

nantinya bisa digunakan produsen untuk melihat jenis kerupuk mana yang

banyak diminati kosumen. Data transaksi kerupuk dapat dilihat pada Tabel

3.1

Tabel 3.1 Transaksi Kerupuk

Transaksi Nama Barang

1 Merpati1, Blaster 1, Lidah, Tanggung, Garuda Poleng

2 Merpati1, Sirian Merpati, Kecil, Bawang Kancing, Jengkol

3 Merpati1, Sirian Merpati, Lidah, Tanggung, Kecil, Bawang

Kancing, Jengkol

4 Merpati1, Sirian Merpati, Blaster 1, Tanggung, Bawang

Kancing

5 Merpati1, Lidah, Tanggung, Bawang Kancing, Garuda

Poleng, Jengkol


Kancing


Kancing

8 Merpati1, Sirian Merpati, Blaster 1, Bawang Kancing,

Jengkol

9 Merpati1, Sirian Merpati, Blaster 1, Kecil

10 Merpati1, Sirian Merpati, Blaster 1, Lidah, Tanggung,

Kecil, Bawang Kancing

Tabel 3.1 merupakan sebagaian data mentah transaksi penjualan kerupuk

“Sri Tanjung”. Data mentah tersebut diambil dari transaksi penjualan dan

diambil peritem setiap hari. Proses selanjutnya adalah proses

preprocessing yang dilakukan secara manual. Proses preprocessing

tersebut meliputi seleksi data yaitu pemilihan data dari sekumpulan data

sehingga data yang digunakan tidak memiliki duplikasi dan inkonsisten

data dan transformasi data yaitu proses transformasi pada data yang telah

dipilih, sehingga data tersebut sesuai untuk proses data mining . Data

mentah akan diubah menjadi data dalam bentuk angka atau dalam bentuk


22

label dengan keterangan.Nilai untuk item adalah 1 jika item tersebut ada

dalam transaksi, atau 0 jika tidak ada dalam transaksi.

Tabel 3.2 Representasi Biner Untuk Transaksi Kerupuk

NO 1 2 3 4 5 6 7 8 9 10

1 0 1 1 1 0 0 1 0 0

1 1 0 0 0 1 1 0 1 0

1 1 0 1 1 1 1 0 1 0

1 1 1 0 1 0 1 0 0 0

1 0 0 1 1 0 1 1 1 0

1 1 1 0 1 0 1 0 0 0

1 1 1 0 1 0 1 0 0 0

1 1 1 0 0 0 1 0 1 0

1 1 1 0 0 1 0 0 0 0

1 1 1 1 1 1 1 0 0 0

Penjelasan representasi biner untuk Tabel 3.2 adalah penjelasan untuk nama item

yang ada di sebuah transaksi yang ada di industri kerupuk yaitusebagai berikut :

1. Merpati 1

2. Sirian merpati

3. Blaster 1

4. Lidah

5. Tanggung

6. Kecil

7. Bawang kancing

8. Garuda poleng

9. Jengkol

10. Kulit

Tabel 3.2 merupakan representasi dari bentuk biner dengan nilai 1 dan 0. Tabel

data transaksi kerupuk ini menandakan jika ada transaksi kerupuk yang dibeli


23

konsumen maka bernilai 1 dan jika tidak ada transaksi bernilai 0. Data transaksi

ini merupakan data yang digunakan untuk proses penelitian.

3.3 Proses

Setelah melalui tahapan proses mengenai data yang akan di gunakan maka

langkah selanjutnya yaitu proses untuk tahap alur perhitungan untuk sistem yang

akan dibuat sebagai berikut :

3.3.1 FreqItemset

Proses pertama yang dilakukan pada alat uji adalah proses FreqItemset.

Pada proses ini dilakukan pengelompokan label berdasarkan transaksi. Untuk

melakukan proses FreqItemset harus memasukan data kerupuk dan nilai

minimum support yang ditentukan. Support (dukungan): probabilitas

pelanggan membeli beberapa produk secara bersamaan dari seluruh transaksi.

Dihitung dengan rumus sebagai berikut (2.1) :

𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝐴) =Jumlah transaksi mengandung A

Total transaksi

Sementara, nilai support dari 2 item diperoleh dengan menggunakan rumus

sebagai berikut (2.2) :

𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝐴, 𝐵) = Transaksi mengandung A dan B

Transaksi

Untuk menemukan frequent item set dapat dihitung dengan menggunakan

rumus support yaitu menggabungkan Antecedent (pendahulu) dan

Consequent (pengikut) dalam setiap transaksi dan dibagi dengan jumlah

seluruh data yang ada di dalam basis data atau total transaksi. Jika di dalam

sebuah transaksi dapat memasukan nilai minimum support yang di tentukan,

maka hasil dari keluaran data tersebut berupa Antecedent dan

Consequentyang terdiri dari satu itemset pada setiap transaksi. Dalam hal ini

frequent item set yaitu menghitung beberapa item yang ada di dalam sebuah

transaksi yang kemudian item tersebut dan dihitung dengan menggunakan

support. Nilai support dari suatu itemset merupakan penggabungan item dari


24

setiap transaksi yang memiliki nilai minimumsupport atau lebih dari

minimum support yang telah ditentukan. Semua itemset yang support -nya

lebih tinggi dari nilai minimum yang ditetapkan user disebut dengan

minimum support. Nilai minimum supportuntuk pengujian sistem ini adalah

0.7

Implementasi pada perhitungan untuk data transaksi pada Tabel 3.1yang data

tersebut belum di ubah menjadi bentuk biner dan dapat dihitung secara

manual adalah sebagai berikut :

Tabel 3.3 C1

No Item

1 Merpati 1 10

2 Sirian Merpati 8

3 Blaster 1 7

4 Lidah 4

5 Tanggung 7

6 Kecil 4

7 Bawang kancing 8

8 Garuda Poleng 2

9 Jengkol 4

10 Kulit 0

Menghitung kandidat 1-itemset (himpunan yang terdiri dari 1 item) dan

menghitung nilai support nya, kemudian nilai support tersebut dibandingkan

dengan minimum support yang telah di tentukan, jika nilai lebih besar atau sama

dengan minimum support maka itemset masuk ke dalam langkah selanjutnya


25

Tabel 3.4 L1

No Item

1 Merpati 1 10

2 Sirian Merpati 8

3 Blaster 1 7

4 Tanggung 7

5 Bawang Kancing 8

Tabel 3.4 merupakan hasil dari kandidat itemset yang memiliki nilai support yang

sama atau lebih besar dari minimum support yang telah ditentukan yaitu 0.7,

kemudian hasil dari itemset tersebut masuk ke dalam large itemset yang akan

menghasilkan kandidat itemset dengan menggabungkan dua item jika item

tersebut masuk dalam nilai support yang telah di tentukan.

Tabel 3.5 C2

No Item Supp Confi EC

Lift

ratio

1 Merpati 1, Sirian Merpati 8 0,8 0,8 0,8 1

2 Merpati 1, Blaster 1 7 0,7 0,7 0,7 1

3 Merpati 1, Tanggung 7 0,7 0,7 0,7 1

4 Merpati 1, Bawang Kancing 8 0,8 0,8 0,8 1

5 Sirian Merpati, Blaster 1 6 0,6 0,75 0,7 1,07

6 Sirian Merpati, Tanggung 5 0,5 0,62 0,7 0,89

7

Sirian Merpati, Bawang

Kancing 7 0,7 0,87 0,8 1,09

8 Blaster 1, Tanggung 5 0,5 0,71 0,7 1,02

9 Blaster 1, Bawang Kancing 5 0,5 0,71 0,8 0,89

10 Tanggung, Bawang Kancing 6 0,6 0,85 0,8 1,07

Tabel 3.5 merupakan hasil dari kandidat penggabungkan kedua itemset yang

dipilih secara random, jika hasil support dari kedua itemset tersebut memiliki nilai

yang sama dengan minimum support maka akan masuk pada tahap selanjutnya

yaitu menggabungkan ketiga itemset yang memiliki nilai support yang telah

ditentukan.


26

Tabel 3.6 L2


Lift

ratio

1 Merpati 1, Sirian Merpati 8 0,8 0,8 0,8 1

2 Merpati 1, Blaster 1 7 0,7 0,7 0,7 1

3 Merpati 1, Tanggung 7 0,7 0,7 0,7 1

4 Merpati 1, Bawang Kancing 8 0,8 0,8 0,8 1

5

Sirian Merpati, Bawang

Kancing 7 0,7 0,87 0,8 1,09

Tabel 3.6 merupakan hasil dari penggabungan kedua itemset yang memiliki nilai

support 0.7 atau lebih dari minimum support yang kemudian hasil dari itemset

tersebut dapat digabungkan membentuk kandidat 3 itemset.


27

Tabel 3.7 C3

No Item Supp Confi EC Lift ratio

1

Merpati 1 Sirian Merpati,

Blaster 1

6 0,6 0,6 0,6 1

2

Merpati 1, Sirian Merpati

Blaster 1

6 0,6 0,75 0,7 1,07

3


Tanggung

5 0,5 0,5 0,5 1

4


Tanggung

5 0,5 0,62 0,7 0,89

5


Bawang Kancing

7 0,7 0,7 0,7 1

6


Bawang Kancing

7 0,7 0,87 0,8 1,09

7

Sirian Merpati Blaster 1,

Tanggung

4 0,4 0,5 0,5 1

8

Sirian Merpati, Blaster 1

Tanggung

4 0,4 0,66 0,7 0,95

9

Sirian Merpati Blaster 1 ,

Bawang Kancing

5 0,5 0,62 0,5 1,25

10

Sirian Merpati, Blaster 1

Bawang Kancing

5 0,5 0,83 0,8 1,04

11

Blaster 1 Tanggung,

Bawang Kancing

4 0,4 0,57 0,6 0,95

12

Blaster 1, Tanggung

Bawang Kancing

4 0,4 0,8 0,8 1

Tabel 3.7 merupakan hasil dari kandidat penggabungkan ketiga itemset dan item

tersebut di dapat dari perhitungan pada Tabel 3.6 yang itemnya dipilih secara

random, jika hasil support dari ketiga itemset tersebut memiliki nilai yang sama

dengan minimum support maka akan masuk pada tahap selanjutnya yaitu memilih

ketiga itemset yang telah ditentukan support dan minimum support yang telah

ditentukan.


28

Tabel 3.8 L3


Lift

ratio

1

Merpati 1Sirian Merpati,

Bawang Kancing

7 0,7 0,7 0,7 1

2


Bawang Kancing

7 0,7 0,87 0,8 1,09

Tabel 3.8 menghasilkan nilai untuk perhitungan kandidat 3 itemset yang memiliki

nilai support 0.7 yaitu bahwa jika konsumen membeli kerupuk merpati 1, maka

konsumen juga akan membeli sirian merpati juga bawang kancing dan jika

konsumen membeli kerupuk merpati 1, sirian merpati maka akan membeli

kerupuk bawang kancing

3.3.2 Generate Rule

Setelah selewati proses FreqItemset, maka akan dilakukan proses

GenerateRule yang berfungsi untuk menggabungkan semua frequent item set

yang memiliki satu set item dari semua transaksi yang masuk. Setiapitemset

merupakan sebuah kandidat dari frequent itemset, menghitung support dari tiap

kandidat dengan mengecek data seluruh transaksi dimana data yang termasuk

kedalam minimum supportdan terakhir mencocokan setiap transaksi terdapat

setiap kandidat pada itemset. Dalam generate rules sendiri yaitu akan membentuk

sebuah rules yang akan menghasilkan aturan itu sendiri. Dalam generate rules ini

harus memasukan berupa nilai minimumsupport dan confidence . Nilai support

digunakan untuk probabilitas pelanggan membeli beberapa produk secara

bersamaan dari seluruh transaksi

Sedangkan confidence probabilitas kejadian beberapa produk dibeli secara

bersamaan dimana salah satu produk sudah pasti dibeli.

Rumus confidence adalah sebagai berikut (2.3) :

𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 = P(B 𝐴) =𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔𝐴 𝑑𝑎𝑛 𝐵

𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴


29

Confidence di dalam masukan user adalah confidence untuk menemukan nilai

minimum yang akan diberikan user untuk data itu sendiri yang memenuhi syarat

perhitungan nilai, sedangkan confidence output adalah hasil dari masukan yang

berupa aturan dan hasil dari minimum atau lebih dari minimum confidence yang

telah dimasukan user. Nilai minimum confidence untuk pengujian sistem ini

adalah 0.7.

Rules adalah sebuah hasil dari penggabungan perhitungan nilai minimum support

dan minimum confidence.

Sebagai contoh : {merpati 1, bawang kancing}

Lift ratio adalah cara lebih baik untuk melihat kuat atau tidaknya aturan asosiasi.

Di dalam rumus Lift ratio kita harus menemukan nilai untuk perhitungan

expected confidence. Antecedent merupakan sebab yang menjadikan item

consequent. Sedangkan Consequent adalah sebuah akibat atau juga item yang

akan dibeli setelah membeli Antecedent.

Untuk menghitung expected confidence yang digunakan adalah nilai Consequent.

Nilai dari expected confidence dapat dihitung dengan rumus sebagai berikut (2.4)

:

𝐸𝑥𝑝𝑒𝑐𝑡𝑒𝑑 𝑐𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 =𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐵

𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖

Lift ratio dapat dihitung dengan cara membandingkan antara confidence untuk

suatu aturan dibagi dengan expected confidence . Berikut rumus dari Lift ratio

sebagai berikut (2.5):

𝐿𝑖𝑓𝑡 𝑅𝑎𝑡𝑖𝑜 =𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒

𝐸𝑥𝑝𝑒𝑐𝑡𝑒𝑑 𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒

Dengan menggunakan perhitungan Lift ratio dapat dilihat bahwa aturan tersebut

strong rules.


30

Untuk aturan asosiasi yang memenuhi syarat minimum support dan confidence .

Langkah pertama, menemukan frequent item set, yaitu itemset yang memenuhi

support yang diiginkan. Selanjutnya, dari frequent itemset tadi, kita kembangkan

aturan asosiasi yang memenuhi syarat minimum confidence. Langkah pertama

dimaksudkan untuk menghilangkan kombinasi item yang jarang ada di dalam

basis data. Langkah kedua untuk menyaring aturan yang tersisa dan memilih mana

yang mempunyai minimum confidence yang tinggi.

Hasil penggabungan untuk data transaksi yang menghasilkan nilai aturan,

confidence dan Lift ratio terdapat di dalam tabel-tabel berikut :

1. Tabel 3.5 merupakan hasil dari perhitungan kandidat 2 itemset yang

memiliki nilai support dan confidence yang telah di tentukan. Jika itemset

tersebut memiliki nilai sama dengan minimum support dan nilai

confidence sama dengan minimum confidence maka itemset tersebut akan

masuk ke dalam kandidat lager itemset yang dapat digabungkan menjadi 3

itemset. Nilai Lift ratio yang yang lebih besar dari 1 memiliki aturan yang

kuat untuk item tersebut.

2. Tabel 3.6 merupakan hasil dari penggabungan kedua itemset yang

memiliki nilai support atau lebih dari minimum support yang telah

ditentukan dan memiliki nilai confidence dan minimum confidence yang

telah ditentukan nilainya. Kemudian hasil dari itemset tersebut dapat

digabungkan membentuk kandidat 3 itemset. Nilai Lift ratio yang yang

lebih besar dari 1 memiliki aturan yang kuat untuk item tersebut.

3. Tabel 3.7 merupakan hasil dari kandidat penggabungkan ketiga itemset

dan item tersebut di dapat dari perhitungan pada Tabel 4.0 yang itemnya

dipilih secara random dan langkah selanjutnya menemukan kandidat 3

itemset yang memiliki nilai support yang sama dengan minimum support

dan confidence yang sama dengan minimum confidence. Nilai Lift ratio

yang yang lebih besar dari 1 memiliki aturan yang kuat untuk item

tersebut.


31

4. Tabel 3.8 menghasilkan nilai untuk perhitungan kandidat 3 itemset yang

memiliki nilai support dan confidence 0.7 yaitu bahwa jika konsumen

membeli kerupuk merpati 1, maka konsumen juga akan membeli sirian

merpati juga bawang kancing dan jika konsumen membeli kerupuk

merpati 1, sirian merpati maka akan membeli kerupuk bawang kancing.

Nilai Lift ratio yang yang lebih besar dari 1 memiliki aturan yang kuat

untuk item tersebut.

Tabel 3.9 Hasil Aturan


Lift

ratio

1 Merpati 1 Sirian Merpati 8 0,8 0,8 0,8 1

2 Merpati 1 Blaster 1 7 0,7 0,7 0,7 1

3 Merpati 1 Tanggung 7 0,7 0,7 0,7 1

4 Merpati 1 Bawang Kancing 8 0,8 0,8 0,8 1

5

Sirian Merpati Bawang

Kancing 7 0,7 0,87 0,8 1,09

6


Bawang Kancing 7 0,7 0,7 0,7 1

7


Bawang Kancing 7 0,7 0,87 0,8 1,09

Tabel 3.9 merupakan hasil untuk perhitungan dari data transaksi yang ada pada

data mentah Tabel 3.1 dari data tersebut menghasilkan sejumlah 7 aturan yang

memiliki nilai support, confidence , expected confidence dan Lift ratio hasil

tersebut merupakan data sudah ditentukan nilai support dan confidence nya

sebesar 0.7

Hasil dari confidence yang ada di dalam setiap transaksi ini sama dengan

confidence yang dimasukan user tetapi dalam confidence yang ada di dalam

generate rules ini berupa hasil confidence yang akan menampilkan hasil dari

setiap aturan di dalam transaksi yang ada di seluruh basis data. Aturan tersebut

dipilih secara random yang memenuhi syarat minimum confidence itu sendiri. Lift

ratio adalah cara untuk melihat kuat tidaknya suatu aturan dalam algoritma


32

asosiasi. Nilai Lift ratio lebih besar dari 1 menunjukan adanya manfaat dari

aturan tersebut. lebih tinggi nilai Lift ratio, lebih besar aturan asosiasinya.

3.3.3 Sorting

Tahap ketiga dari proses alat uji adalah proses sorting yaitu menampilkan

semua data hasil dari proses RulesVerbose yang nilai confidence nya lebih besar

atau sama dengan nilai confidence yang dimasukan user. Dalam sorting ini jika

user memasukan nilai confidence kurang dari nilai yang dimasukan user maka

pada bagian ini nilai confidence tersebut tidak akan ditampilkan sistem. Karena

pada bagian sistem ini akan memilih nilai yang benar-benar masuk dalam kriteria

confidence yang lebih dari atau sama dengan user masukan.

Tabel 3.9 menampilkan 7 hasil aturan. Perhitungan pertama dari hasil

tersebut berupa masukkan nilai support dan confidence sebesar 0.7

Hasil tersebut mengampilkan aturan sebagai berikut :

1. Sirian merpati bawang kancing dengan nilai confidence 0.87 dan Lift

ratio 1,09

2. Merpati 1, sirian merpati bawang kancing dengan nilai confidence 0.87

dan Lift ratio 1.09

3. Merpati 1 sirian merpati dengan nilai confidence 0.8 dan Lift ratio 1

4. Merpati 1 blaster 1 dengan nilai confidence 0.7 dan Lift ratio 1

5. Merpati 1 tanggung dengan nilai confidence 0.7 dan Lift ratio 1

6. Merpati 1 bawang kancing 0.8 dan Lift ratio 1

7. Merpati 1 sirian merpati , bawang kancing dengan nilai confidence 0.7

dan Lift ratio 1

Perhitungan keduadari hasil tersebut berupa masukkan nilai support dan

confidence sebesar 0.8 menghasilkan 2 aturan sebagai berikut :




33

Untuk hasil aturan yang di tampilkan dalam sistem hanya menampilkan

support dan confidence yang user masukan saja. Jika support dalam aturan

tersebut lebih besar dari nilai minimum support tetapi hasil aturan untuk nilai

confidence lebih rendah dari minimum confidence, maka aturan tersebut tidak

akan ditampilkan di dalam sistem.

3.4 Rincian Algoritma Untuk Proses Asosiasi

3.4.1 Metode-metode yang digunakan dalam proses asosiasi

Nama Metode Frequent Itemset(data, minsupport)

Fungsi Metode Memisahkan data peritem dari seluruh transaksi dan menghitung

jumlah support count atau jumlah setiap item dari seluruh transaksi

Algoritma :

1. Memisahkan item yang unik dari seluruh transaksi dan menghitung rumus

minimum support

2. Setelah memisahkan peritem data yang unik maka akan menghitung support

count dari jumlah setiap item yang ada di seluruh transaksi

3. Jika nilai support count yang di hitung lebih dari batas minimum support yang

telah di tentukan maka akan di ijinkan untuk masuk langkah perhitungan

selanjutnya dan jika nilai support count tersebut tidak memenuhi batas minimum

support maka tidak masuk perhitungan selanjutnya

4. Setelah nilai support count masuk ke dalam perhitungan untuk memilih kandidat

untuk item ke i dari seluruh transaksi maka akan di lanjutkan dengan perhitungan

kandidat

5. Jika kandidat tersebut nilainya memenuhi ambang batas minimum support yang

ditentukan maka akan masuk ke dalam bagian dari itemset yang nilainya frekuen

(nilai yang memenuhi ambang batas support)

Nama Metode Generate Rule(itemset, conf, data)

Fungsi Metode Menjumlahkan dan menggabungkan item Antecedent dan consequent

menjadi sebuah itemset jika itemset tersebut nilainya sama atau lebih

dari batas minimum support yang di tentukan maka akan membentuk

sebuah rules dengan menampilkan masing-masing nilai rules

bersamaan dengan nilai confidence dan lift ratioyang memenuhi

ambang batasan yang telah di tentukan

Algoritma :

1. Persiapan untuk membentuk sebuah rules yaitu dengan menghitung hasil dari

item Antecedent dengan item consequent

2. Jika item tersebut nilainya sama atau lebih dari ambang batas minimum support

maka akanmembentuk sebuah itemset

3. Dan jika itemset tersebut sudah ditemukan maka akan masuk ke dalam rules

4. Setelah nilai rules sudah di dapatkan maka akan menghitung nilai confidence

untuk setiap rules, hasil confidence di dapat jika nilai dari itemset antecendent

dan consequent dibagi dengan nilai antecendent tersebut memenuhi ambang batas

minimum confidence yang telah di tentukan


34

5. Jika sudah ditemukan hasil berupa rules dan confidence yang memenuhi ambang

batas minimumnya maka akan menghitung nilai lift rationya

6. Langkah selanjutnya yaitu menghasilkan berupa data rules bersamaan dengan

nilai confidence dan lift ratio untuk masing-masing rules yang sudah ditemukan

dari seluruh transaksi yang memenuhi ambang batas yang sudah di tentukan

Nama Metode Sorting(r, confi)

Fungsi Metode Menampilkan hasil secara berurutan berdasarkan nilai lift ratio

tertinggi dan menampilkan data confidence yang nilainya sama atau

lebih dari yang di tentukan

Algoritma :

1. Data yang akan ditampilkan adalah data yang nilainya sama dengan atau lebih

dari data yang dimasukkan

2. Jika data yang dimasukan kurang dari minimum confidence tidak akan

ditampilkan didalam sistem

3.5 Hasil atau Rules

Berdasarkan data transaksi penjualan kerupuk hasil yang di dapat untuk

transaksi dengan nilai minimum support dan confidence sebesar 0.7 menghasilkan

aturan sebagai berikut :


ratio 1,09


dan Lift ratio 1.09


4. Merpati 1 blaster 1 dengan nilai confidence 0.7 dan Lift ratio 1

5. Merpati 1 tanggung dengan nilai confidence 0.7 dan Lift ratio 1


7. Merpati 1 sirian merpati , bawang kancing dengan nilai confidence 0.7

dan Lift ratio 1

Analisis hasil untuk aturan tersebut adalah sebagai berikut :

1. Jika konsumen membeli Merpati 1, maka akan membeli Kerupuk Sirian

Merpati

2. Jika konsumen membeli Merpati 1, maka akan membeli kerupuk Blaster 1


35

3. Jika konsumen membeli Merpati 1, maka akan membeli kerupuk

Tanggung

4. Jika konsumen membeli Merpati 1, maka akan membeli kerupuk Bawang

Kancing

5. Jika konsumen membeli Sirian Merpati, maka akan membeli kerupuk

Bawang Kancing

6. Jika konsumen membeli Merpati 1, maka akan membeli kerupuk Sirian

Merpati juga Bawang Kancing

7. Jika konsumen membeli Merpati 1 dan Sirian Merpati, maka akan

membeli kerupuk Bawang Kancing

3.6 Spesifikasi Software dan Hardware

Spesifikasi software dan hardware yang digunakan dalam implementasi

sistem ini adalah :

Bahasa pemrograman : MATLAB R2012b

Processor : Intel(R) Core(TM) i3-3110M CPU @ 2.40GHz

2.40 GHz

Memory : 2,00 GB

Operating System (OS) : Windows 10 Pro 32-bit, x64- Based Processor


36

BAB IV

DISAIN IMPLEMENTASI HASIL ANALISIS

Bab ini membahas lebih rinci hal-hal yang berkaitan dengan hasil dan analisis

yang didapatkan dari pengujian-pengujian yang akan dilakukan dari hasil

pengujian.

4.1 Hasil

Berdasarkan hasil pengujian yang dilakukan dengan menggunakan

Asosiasi Algoritma Apriori dengan menggunakan masukan minimum support dan

confidence , didapat hasil seperti Tabel 4.1 berikut ini.

Tabel 4 1Hasil Percobaan

HASIL RULES UNTUK POLA ASOSIASI

Min Support

dan Confidence

0.7

Antecedent Consequent Confidence Lift

ratio [Merpati 1] [Sirian Merpati] 0.98 1.00

[Merpati 1] [Tanggung] 0.72 1.00

[Merpati 1] [Bawang Kancing] 0.84 1.00

[Sirian

Merpati] [Bawang Kancing] 0.84 1.00

[Merpati 1] [Sirian Merpati ,

Bawang Kancing] 0.82 1.00

[Merpati 1,

Sirian

Merpati]

[Bawang Kancing] 0.84 1.00

Min Support

dan Confidence

0.8

Antecedent Consequent Confidence Lift

ratio [Merpati 1] [Sirian Merpati] 0.98 1.00

[Merpati 1] [Bawang Kancing] 0.84 1.00

[Sirian

Merpati] [Bawang Kancing] 0.84 1.00

[Merpati 1] [Sirian Merpati ,

Bawang Kancing] 0.82 1.00

[Merpati 1,

Sirian

Merpati]

[Bawang Kancing] 0.84 1.00


37

HASIL RULES UNTUK POLA ASOSIASI

Min Support dan

Confidence 0.9 Antecedent Consequent Confidence Lift

ratio

[Merpati 1] [Sirian

Merpati] 0.98 1.00

4.2 Analisis

Tabel 4.1 ini merupakan tabel hasil semua percobaan menggunakan

seluruh data transaksi berjumlah 299 data dengan menggunakan support dan

confidence sebesar 0.7, 0.8 dan 0.9

Percobaan pertama untuk masukan nilai min support dan min confidence sebesar

0.7 menghasilkan 6 aturan.

1. Merpati1 Sirian Merpati dengan nilai confidence 0.98 dan Lift ratio

1.00

2. Merpati1 Tanggung dengan nilai confidence 0.72 dan Lift ratio 1.00

3. Merpati 1 Bawang Kancing dengan nilai confidence 0.84 dan Lift ratio

1.00

4. Sirian Merpati Bawang Kancing dengan nilai confidence 0.84 dan Lift

ratio 1.00

5. Merpati 1 Sirian Merpati , Bawang Kancing dengan nilai confidence

0.82 dan Lift ratio 1.00

6. Merpati 1, Sirian Merpati Bawang Kancing dengan nilai confidence


Dengan memasukan nilai support dan confidence sebesar 0.7 dan menghasilkan 6

aturan dengan hasil aturan terendah Merpati 1 Tanggung dengan nilai

confidence 0.72 dan Lift ratio 1.00 dan aturan tertinggi Merpati 1 Sirian

Merpati dengan nilai confidence 0.98 dan Lift ratio 1.00

Percobaan kedua memasukan nilai minimum support dan confidence sebesar 0.8

menghasilkan 5 aturan.


38

1. Merpati 1 sirian merpati dengan nilai confidence 0.98 dan Lift ratio

1.00

2. Merpati 1 bawang kancing dengan nilai confidence 0.84 dan Lift ratio

1.00


ratio 1.00

4. Merpati 1 sirian merpati , bawang kancing dengan nilai confidence



dan Lift ratio 1.00

Dengan memasukan nilai support dan confidence sebesar 0.8 dan menghasilkan 6

aturan dengan hasil aturan terendah Sirian merpati bawang kancing dengan

nilai confidence 0.84 dan Lift ratio 1.00 dan Merpati 1, sirian merpati bawang

kancing dengan nilai confidence 0.84 dan Lift ratio 1.00 hasil aturan tertinggi

Merpati 1 sirian merpati dengan nilai confidence 0.98 dan Lift ratio 1.00

Percobaan ketiga memasukan nilai minimum support dan confidence sebesar 0.9

menghasilkan 1 aturan.

1. Merpati 1 sirian merpati dengan nilai confidence 0.98 dan Lift ratio

1.00

Dari hasil rules tersebut semua ditampilkan bersama dengan hasil confidence dan

Lift ratio . Hasil ini hanya menampilkan jumlah confidence yang lebih dari atau

sama dengan user masukan pada sistem. Hal ini dapat dilihat bahwa aturan

asosiasi untuk tiap transaksi berbeda-beda karena untuk nilai confidence dan Lift

ratio nya. Lift ratio yang lebih besar dari 1 menunjukan adanya manfaat dari

aturan tersebut. Lebih tinggi nilai lift rasio, lebih besar kekuatan asosiasinya.


39

4.3 DesignInterface

Untuk mempermudah dalam melakukan tahap asosiasi pada penelitian

dibuat User Interface. User Interface ini dibuat untuk membantu proses Asosiasi.

Berikut merupakan halaman utama dalam penelitian ini :

Gambar 4.1Halaman Utama

Halaman digunakan untuk melakukan proses inputan berupa data, nilai support

dan confidence . Untuk proses perhitungan Asosiasi.

a. Tombol data merupakan untuk proses pemilihan data yang akan digunakan

user .

b. Tombol proses merupakan tombol untuk tahap perhitungan asosiasi jika

nilai data, support dan confidence sudah dimasukan.

c. Tombol reset merupakan untuk menghapus masukan dan hasil dasi poses

asoasi.

d. Tombol keluar merupakan jika proses asosiasi sudah selesai digunakan.


40

Implementasi menu inputan dapat dilihat pada gambar dibawah ini :

Gambar 4.2 Halaman Inputan

Halaman digunakan untuk menampilkan suluruh data yang dimasukan dan jumlah

data. Dapat dilihat pada gambar dibawah ini :

Gambar 4.3Halaman Jumlah Data

Halaman Hasil Aturan Asosiasi untuk menampilkan hasil dari proses asosiasi

yang akan menampilkan hasil berupa rules, confidence dan Lift ratio pada seiap


41

transaksi yang dipilih secara random yang memiliki nilai confidence lebih dari

atau sama dengan masukan user .

Gambar 4.4 Halaman Hasil Aturan Asosiasi

Halaman hasil aturan asosiasi yang menampilkan rules, confidence dan lift ratio

yang nilai minimal support dan minimal confidencenya sudah dimasukan. Tombol

simpan adalah untuk menyimpan hasil aturan yang ada di dalam sistem.


42

BAB V

PENUTUP

5.1 Kesimpulan

Dari hasil penelitian ini, dengan menggunakan Analisis asosiasi

denganalgoritma aprioriuntuk melihat adanya keterikatan suatu produk kerupuk

yang dibeli secara bersamaan oleh konsumen dan melihat produk apa saja yang

banyak dibeli konsumen maka, dapat diambil kesimpulan, sebagai berikut :

1. Metode analisis asosiasi menggunakan algoritma apriori dapat

menemukan aturan asosiasi untuk industri kerupuk “Sri Tanjung” dan

Algoritma apriori mampu menemukan aturan asosiasi dengan melihat item

kerupuk yang banyak dibeli konsumen bersamaan dengan item kerupuk

lainnya.

2. Untuk hasil aturan yang di tampilkan dalam sistem hanya menampilkan

support dan confidence yang user masukan saja. Jika support dalam aturan

tersebut lebih besar dari nilai minimum support tetapi hasil aturan untuk

nilai confidence lebih rendah dari minimum confidence, maka aturan

tersebut tidak akan ditampilkan di dalam sistem.

3. Untuk melihat kuat tidaknya suatu rules dilihat dengan nilai yang

dihasilkan dari confidence dan lift rationya

4. Dari pengujian dengan menggunakan support dan confidence sebesar 0.7,

0.8 dan 0.9 menghasilkan rata-rata 0.8 hasil rules terendah sebesar 0.7dan

menghasilkan aturan sebagai berikut: {Merpati 1 Sirian Merpati} dengan

nilai confidence 0.98 dan Lift ratio 1.00, {Merpati 1 Tanggung}

dengan nilai confidence 0.72dan Lift ratio 1.00, {Merpati 1Bawang

Kancing} dengan nilai confidence 0.84dan Lift ratio 1.00, {Sirian merpati

Bawang Kancing} dengan nilai confidence 0.84dan Lift ratio 1.00,

{{Merpati 1 Sirian Merpati} , Bawang Kancing}} dengan nilai

confidence 0.82 dan Lift ratio 1.00, {{Merpati 1, Sirian Merpati}

Bawang Kancing}} dengan nilai confidence 0.84 dan Lift ratio 1.00


43

5.2 Saran

Saran untuk penelitian akhir ini adalah :

1. Bisa melakukan proses preprocessing sehingga data bisa langsung

digunakan tidak perlu mengubah ke dalam bentuk biner

2. Data ditambah lebih banyak lagi untuk jenis kerupuk.


44

DAFTAR PUSTAKA

Han, et al. (2012). DataMining : Concepts and TechniquesThird EditionNew

York : Morgan Kaufmann

Deni. 2014. Pengolahan Ikan Indramayu Tembus Ekspor. 5 januari 2015.

Diambil dari :

http://indramayukab.go.id/component/content/article/40-seputar-indramayu/706-

pengolahan-ikan-indramayu-tembus-ekspor.html

Kusrina, Rina. 2011. Analsis kelayakan Usaha Pengolahan Kerupuk Perusahaan

Kerupuk Cap Dua Gajah Indramayu, Jawa Barat. 5 januari 2016.

Diambil dari :

http://repository.ipb.ac.id/handle/123456789/47692

Kusrini, Taufiq Emha Luthfi. (2009). Algoritma Data Mining. Yogyakarta: Andi

Offset.

Prasetyo,Eko. 2012. DataMining: Konsep dan Aplikasi Menggunakan Matlab.

Yogyakarta : Andi Offset

Santosa, Budi. 2007. Data Mining : Teknik Pemanfaatan Data untuk Keperluan

Bisnis. Yogyakarta : Graha Ilmu


http://indramayukab.go.id/component/content/article/40-seputar-indramayu/706-pengolahan-ikan-indramayu-tembus-ekspor.html

http://indramayukab.go.id/component/content/article/40-seputar-indramayu/706-pengolahan-ikan-indramayu-tembus-ekspor.html

http://repository.ipb.ac.id/handle/123456789/47692

45

LAMPIRAN

1. readData.m

2. partition.m

function part=partition(x) c=size(x,2); r=size(x,1); part=cell(r*(c-1),2); index=1; for j=1:r a=x(j,:); temp=cell(c-1,2); for i=1:c-1 temp{i,2}=a(i+1:c); temp{i,1}=a(1:i); end part(index:index+size(temp,1)-1,:)=temp(:,:); index=index+size(temp,1); end end % umtuk membagi data menjadi rules A maka B % membagi data ke dalam rules misalkan % A,B,C % jika A maka B dan C % A dan B maka C

% membaca data logical matrix dan diubah menjadi data

transaksi function data=readData(logicalMatrix) data=zeros(size(logicalMatrix)); [c r]=find(logicalMatrix'); for i=1:size(logicalMatrix,1) idx=find(r==i); x=c(idx); data(i,1:size(x,1))=x; end end


46

3. contains.m

4. joincell.m

function a=joincell(c) a=[cell2mat(c(1)) cell2mat(c(2))]; end % untuk menggabungkan cell % cell sendri2 setelah itu di bikin menjadi matrik

setelah itu cell digabungkan

function c=contains(a,b) c=isequal(intersect(a,b),b); end % apakah A ada di dalam B


47

5. generateRules.m

function [rules,confi,lift]=generateRules(itemset,conf,data) %n=numel(itemset); % 1. Persiapan Untuk membuat sebuah rules nrules=0; for i=1:size(itemset) set=itemset{i}; nrules=nrules+(size(set,2)-1)*(size(set,1)); end rules=cell(nrules,2); % sebelum membuat rules membuat kotak untuk membuat rules

dengan bagiannya % {} atau []

% perisian untuk membuat rules

% 2. looping 1 (untuk membuat sebuah rules dimulai dari 2

item karena % dalam membuat rules itu A maka B tidak bisa A maka A dan

membagi data % menjadi sebuah rules % 3. setelah ketemu rules yang ada maka hasil pembagian itu

akan dimasukan % kedalam rules index=1; for i=1:size(itemset,1)-1 temp=itemset{i+1}(:,:); % untum membuat rules dimulai dari 2 % karena dalam membuat rules itu A maka B tidak bisa A maka

A part=partition(temp); % umtuk membagi data menjadi rules A maka B dan membuat

partisi dan % indexs di tambah rules(index:index+size(part,1)-1,:)=part(:,:); index=index+size(part,1); % setelah itu hasil pembagiannya dimasukan ke dalam rules end a=[]; if nargout==2 confi=zeros(nrules,1); % untuk menambah output confidence elseif nargout==3 confi=zeros(nrules,1); lift=zeros(nrules,1); % menambahkan output lift ratio end for i=1:size(rules,1) c=confidence (rules(i,:),data); if c>=conf if nargout==2 confi(i)=c; elseif nargout==3


48

6. freqItemset.m

function itemset=freqItemset(data,minSupport ) %ntrans : jumlah transaksi %nitems : jumlah item/label

ntrans=size(data,1); nitems=numel(unique(data))-1; minSupport =minSupport *ntrans; % menghitung supp = minsupp * jmlh transaksi itemset=cell(nitems,1); % item = 1 supcount=zeros(nitems,1); % itemset dengan jumlah item 1 for i=1:nitems supcount(i)=numel(find(data==i)); % untuk menghitung support setiap items % menjadi C1 End itemset{1}=find(supcount>=minSupport ); % menjadi itemset L1 for i=2:nitems temp=nchoosek(itemset{1},i); % memilih Ci item dari itemset for j=1:size(temp,1) sup=0; for k=1:ntrans if contains(data(k,:),temp(j,:)) sup=sup+1; % menghitung support nya end end if sup>=minSupport itemset{i}(end+1,:)=temp(j,:); % menjadi Li adalah nilai yang sudah jadi end

confi(i)=c; lift(i)=liftRatio(rules(i,:),data); % megisi data confidence dan lift ratio end a(end+1)=i; % menambah dan mengisi data yang di panggil dari masukan

user end % jika confidence lebih besar dari parameter barulah

rules dimasukan end rules=rules(a,:); %conf({A,B}=>{C})=supp({A,B,C})/supp({A,B}) end


49

7. Supp.m

8. confidence .m

function conf=confidence (rules,data) %conf ({A}->{B})=supp({A,B})/supp({A}) anteseden=cell2mat(rules(1)); itemset=joincell(rules); %menghitung confidence yaitu supp(jumlahitem,dan jumlah data

supp) / %supp(jumlahitem dan jumlah seluruh data) conf=supp(itemset,data)/supp(anteseden,data); % confid = supp (jmlh item dan data) / supp (pendahulu,data) end

function s=supp(itemset,data) %menghitung support s=0; %jika sup 1 maka data juga 1 for i=1:size(data,1) if isequal(intersect(data(i,:),itemset),itemset) s=s+1; end end end %s=support hasil %parameternya itu itemset dan data s=supp(itemset,data) % jika semua itemset ada di data maka suportnya di tambahin

1

end end %memotong nilai yang kosong pada data/yang tidak terpakai nonempty=0; for i=1:nitems if ~isempty(itemset{i}) nonempty=nonempty+1; end end itemset=itemset(1:nonempty); end


50

9. liftratio.m

% rumus lift ratio function l=liftRatio(rules,data) c=confidence (rules,data); % memanggil nilai confidence yang di dalamnya terdapat rules

dan data e=expectedconfidence (rules,data); % memanggil nilai expected confidence yang didalamnya

terdapat rules dan % data l=c/e; % rumus lift ratio yaitu confidence dibagi dengan expected

confidence end

function exptconf=expectedconfidence (rules,data) %liftrat ({A}->{B})= jumlah consequent({B})/total semua

transaksi consequent=rules{2}; %menghitung expected confidence yaitu julah transaksi yang

mengandung %Consequent/ total transaksi dalam database exptconf=supp(consequent,data)/size(data,1); end


51

10. rulesVerbose.m

11. sorting.m

% untuk menampilkan hasil dari masukan user yang nilainya

sama atau lebih % besar dari minimum confidence function hasil=akhir(r,confi) data_r=str2num(cell2mat(r(:,3))); a=(data_r>(confi)); hasil=r(data_r>=(confi),:); end

function r=rulesVerbose(rules,nama,conf,liftRatio) %fungsi memanggil semua output dari rules yang akan keluar,

nama label, %confidence dan lift ratio ncols=size(rules,2); nrules=size(rules,1); if nargin==3 r=cell(nrules,ncols+1); elseif nargin==4 r=cell(nrules,ncols+2); else r=cell(nrules,ncols); end for i=1:nrules for j=1:size(rules,2) r{i,j}='['; for k=rules{i,j} r{i,j}=[r{i,j} nama{k}]; if k==rules{i,j}(end) r{i,j}=[r{i,j} ']']; else r{i,j}=[r{i,j} ', ']; end end end if nargin==3 r{i,end}=num2str(conf(i),'%.2f'); % menampilkan nilai confidence end if nargin==4 r{i,end-1}=num2str(conf(i),'%.2f'); r{i,end}=num2str(liftRatio(i),'%.2f'); % menampilkan nilai lift ratio end end


52

12. Apriori.m

function varargout = Apriori1(varargin) % APRIORI1 MATLAB code for Apriori1.fig % APRIORI1, by itself, creates a new APRIORI1 or raises

the existing % singleton*. % % H = APRIORI1 returns the handle to a new APRIORI1 or

the handle to % the existing singleton*. %., % APRIORI1('CALLBACK',hObject,eventData,handles,...)

calls the local % function named CALLBACK in APRIORI1.M with the given

input arguments. % % APRIORI1('Property','Value',...) creates a new

APRIORI1 or raises the % existing singleton*. Starting from the left,

property value pairs are % applied to the GUI before Apriori1_OpeningFcn gets

called. An % unrecognized property name or invalid value makes

property application % stop. All inputs are passed to Apriori1_OpeningFcn

via varargin. % % *See GUI Options on GUIDE's Tools menu. Choose "GUI

allows only one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help

Apriori1

% Last Modified by GUIDE v2.5 12-Aug-2016 11:30:59

% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @Apriori1_OpeningFcn, ... 'gui_OutputFcn', @Apriori1_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end


53

if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State,

varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT

% --- Executes just before Apriori1 is made visible. function Apriori1_OpeningFcn(hObject, eventdata, handles,

varargin) % This function has no output args, see OutputFcn. % hbject handle to figure % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see

GUIDATA) % varargin command line arguments to Apriori1 (see

VARARGIN)

% Choose default command line output for Apriori1 handles.output = hObject; clc; %Logo axes(handles.logo); imshow('Image\sadhar.png'); % Update handles structure guidata(hObject, handles);

% UIWAIT makes Apriori1 wait for user response (see

UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command

line. function varargout = Apriori1_OutputFcn(hObject, eventdata,

handles) % varargout cell array for returning output args (see

VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of


GUIDATA)

% Get default command line output from handles structure varargout{1} = handles.output;


54

function filedata_Callback(hObject, eventdata, handles) % hObject handle to filedata (see GCBO) % eventdata reserved - to be defined in a future version of


GUIDATA)

% Hints: get(hObject,'String') returns contents of filedata

as text % str2double(get(hObject,'String')) returns contents

of filedata as a double

% --- Executes during object creation, after setting all

properties. function filedata_CreateFcn(hObject, eventdata, handles) % hObject handle to filedata (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles empty - handles not created until after all

CreateFcns called

% Hint: edit controls usually have a white background on

Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

function supp1_Callback(hObject, eventdata, handles) % hObject handle to supp1 (see GCBO) % eventdata reserved - to be defined in a future version of


GUIDATA) % Hints: get(hObject,'String') returns contents of supp1 as

text % str2double(get(hObject,'String')) returns contents

of supp1 as a double


properties. function supp1_CreateFcn(hObject, eventdata, handles) % hObject handle to supp1 (see GCBO) % eventdata reserved - to be defined in a future version of


CreateFcns called


55




function confid1_Callback(hObject, eventdata, handles) % hObject handle to confid1 (see GCBO) % eventdata reserved - to be defined in a future version of


GUIDATA)

% Hints: get(hObject,'String') returns contents of confid1


of confid1 as a double


properties. function confid1_CreateFcn(hObject, eventdata, handles) % hObject handle to confid1 (see GCBO) % eventdata reserved - to be defined in a future version of


CreateFcns called




% --- Executes on button press in Data. function Data_Callback(hObject, eventdata, handles) % hObject handle to Data (see GCBO) % eventdata reserved - to be defined in a future version of


GUIDATA)


56

[file, alamat] = uigetfile ({'*.xls;*.xlsx','Excel

Files'},'Select data file'); namafile = strcat(alamat,file); data=xlsread(namafile); %set(handles.nama_file,'String',file); set(handles.Tabel_data,'data',data); %mengambil data dan menampilkan data set(handles.nama_file,'String',file); %mengambil file dan menampilkan nama file dataPrep=readData(data); panjangdata=length(dataPrep); set(handles.jumdat,'String',panjangdata); %menghitung jumlah seluruh data save('dataPrep.mat');

% --- Executes on button press in Proses. function Proses_Callback(hObject, eventdata, handles) % hObject handle to Proses (see GCBO) % eventdata reserved - to be defined in a future version of


GUIDATA) load('dataPrep.mat'); %memanggil untuk menghitung nilai support support =get(handles.supp1,'String'); disp(support ); %memenggil untuk menghitung nilai confidence confidence =get(handles.confi,'String'); coff=str2double(confidence ); %memanggil fungsi itemset,dalam itemset berupa data dan

nilai support itemset=freqItemset(dataPrep,str2double(support )); %memanggil fungsi rules,confidence yang didalamnya data

berupa rules dan %confidence yang akan ditampilkan dalam outup Tabel hasil [rules,conf,liftRatio]=generateRules(itemset,str2double(conf

idence ),dataPrep); %memanggil namaproduk yang berupa data label dari kerupuk

itu sendiri load('namaProduk.mat'); %memanggil fungsi rulesverbose yang didalamnya terdapat

rules,nama label %kerupuk dan confidence yang nantinya akan ditampilkan

dalam output r=rulesVerbose(rules,nama,conf,liftRatio); % memanggil rulesverbose dan menampilkan ke dalam Tabel

hasil hasil=sorting(r,coff); set(handles.Tabel_hasil,'Data',hasil); disp(rules);


57

% --- Executes on button press in reset. function reset_Callback(hObject, eventdata, handles) % hObject handle to reset (see GCBO) % eventdata reserved - to be defined in a future version of


GUIDATA)

%fungsi untuk mereset data file,suport,confidence ,Tabel

data dan Tabel %hasil clc set(handles.nama_file, 'string', ''); set(handles.supp1, 'string', ''); set(handles.confi, 'string', ''); set(handles.Tabel_data,'Data',''); set(handles.Tabel_hasil,'Data',''); set(handles.jumdat,'string','');

% --- Executes on button press in keluar. function keluar_Callback(hObject, eventdata, handles) % hObject handle to keluar (see GCBO) % eventdata reserved - to be defined in a future version of


GUIDATA)

%fungsi untuk keluar dari aplikasi button = questdlg('Anda yakin ingin keluar Aplikasi?',

'Konfirmasi','Ya','Tidak','Tidak'); switch button case'Ya', disp('Keluar dari Aplikasi'); close all; case'Tidak', quit cancel; end


58

function nama_file_Callback(hObject, eventdata, handles) % hObject handle to nama_file (see GCBO) % eventdata reserved - to be defined in a future version of


GUIDATA)

% Hints: get(hObject,'String') returns contents of nama_file


of nama_file as a double


properties. function nama_file_CreateFcn(hObject, eventdata, handles) % hObject handle to nama_file (see GCBO) % eventdata reserved - to be defined in a future version of


CreateFcns called




% --- Executes on selection change in popupmenu2. function popupmenu2_Callback(hObject, eventdata, handles) % hObject handle to popupmenu2 (see GCBO) % eventdata reserved - to be defined in a future version of


GUIDATA)

% Hints: contents = cellstr(get(hObject,'String')) returns

popupmenu2 contents as cell array % contents{get(hObject,'Value')} returns selected

item from popupmenu2


59


properties. function popupmenu2_CreateFcn(hObject, eventdata, handles) % hObject handle to popupmenu2 (see GCBO) % eventdata reserved - to be defined in a future version of


CreateFcns called

% Hint: popupmenu controls usually have a white background

on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'),


% --- Executes on key press with focus on popupmenu2 and

none of its controls. function popupmenu2_KeyPressFcn(hObject, eventdata, handles) % hObject handle to popupmenu2 (see GCBO) % eventdata structure with the following fields (see

UICONTROL) % Key: name of the key that was pressed, in lower case % Character: character interpretation of the key(s) that

was pressed % Modifier: name(s) of the modifier key(s) (i.e., control,

shift) pressed % handles structure with handles and user data (see

GUIDATA)

function confi_Callback(hObject, eventdata, handles) % hObject handle to confi (see GCBO) % eventdata reserved - to be defined in a future version of


GUIDATA)

% Hints: get(hObject,'String') returns contents of confi as


of confi as a double


60

function confi_Callback(hObject, eventdata, handles) % hObject handle to confi (see GCBO) % eventdata reserved - to be defined in a future version of


GUIDATA)

% Hints: get(hObject,'String') returns contents of confi as


of confi as a double

functionrules_Callback(hObject, eventdata, handles) % hObject handle to rules (see GCBO) % eventdata reserved - to be defined in a future version of


GUIDATA)

% Hints: get(hObject,'String') returns contents of rules as


of rules as a double


properties. functionrules_CreateFcn(hObject, eventdata, handles) % hObject handle to rules (see GCBO) % eventdata reserved - to be defined in a future version of


CreateFcns called





61

function hasil_Callback(hObject, eventdata, handles) % hObject handle to hasil (see GCBO) % eventdata reserved - to be defined in a future version of


GUIDATA)

% Hints: get(hObject,'String') returns contents of hasil as


of hasil as a double


properties. function hasil_CreateFcn(hObject, eventdata, handles) % hObject handle to hasil (see GCBO) % eventdata reserved - to be defined in a future version of


CreateFcns called





properties. function Tabel_hasil_CreateFcn(hObject, eventdata, handles) % hObject handle to Tabel_hasil (see GCBO) % eventdata reserved - to be defined in a future version of


CreateFcns called

function jumdat_Callback(hObject, eventdata, handles) % hObject handle to jumdat (see GCBO) % eventdata reserved - to be defined in a future version of


GUIDATA)

% Hints: get(hObject,'String') returns contents of jumdat as


of jumdat as a double


62


properties. function jumdat_CreateFcn(hObject, eventdata, handles) % hObject handle to jumdat (see GCBO) % eventdata reserved - to be defined in a future version of


CreateFcns called




% ----------------------------------------------------------

---------- function File_Callback(hObject, eventdata, handles) % hObject handle to File (see GCBO) % eventdata reserved - to be defined in a future version of


GUIDATA)

% ----------------------------------------------------------

---------- function New_Callback(hObject, eventdata, handles) % hObject handle to New (see GCBO) % eventdata reserved - to be defined in a future version of


GUIDATA)

%fungsi sama seperti mereset atau menghapus data %file,support ,confidence ,Tabel data dan Tabel hasil clc set(handles.nama_file, 'string', ''); set(handles.supp1, 'string', ''); set(handles.confi, 'string', ''); set(handles.Tabel_data,'Data',''); set(handles.Tabel_hasil,'Data','');


63

% ----------------------------------------------------------

---------- function Print_Callback(hObject, eventdata, handles) % hObject handle to Print (see GCBO) % eventdata reserved - to be defined in a future version of


GUIDATA) print;

% ----------------------------------------------------------

---------- function Printpreview_Callback(hObject, eventdata, handles) % hObject handle to Printpreview (see GCBO) % eventdata reserved - to be defined in a future version of


GUIDATA) printpreview;

% ----------------------------------------------------------

---------- function Exit_Callback(hObject, eventdata, handles) % hObject handle to Exit (see GCBO) % eventdata reserved - to be defined in a future version of


GUIDATA)

%fungsi untuk keluar dari aplikasi button = questdlg('Anda yakin ingin keluar Aplikasi?',

'Konfirmasi','Ya','Tidak','Tidak'); switch button case'Ya', disp('Keluar dari Aplikasi'); close all; case'Tidak', quit cancel; end


64

function edit12_Callback(hObject, eventdata, handles) % hObject handle to edit12 (see GCBO) % eventdata reserved - to be defined in a future version of


GUIDATA)

% Hints: get(hObject,'String') returns contents of edit12 as


of edit12 as a double


properties. function edit12_CreateFcn(hObject, eventdata, handles) % hObject handle to edit12 (see GCBO) % eventdata reserved - to be defined in a future version of


CreateFcns called





Documents

PENENTUAN ATURAN ASOSIASI DENGAN ALGORITMA … · bentuk aturan asosiasi atau melihat jenis set aturan item yang sering muncul dalam setiap transaksi. Tugas asosiasi dalam data mining