TUGAS PRESENTASI

KELOMPOK :
Alun Silola (21010028)
Hendrik Mauludin Surya (21010059)
 1

IMPLEMENTASI DATA MINING MENGGUNAKAN

ALGORITMA APRIORI DALAM MENENTUKAN
PERSEDIAAN BARANG

(STUDI KASUS : TOKO SINAR HARAPAN)

UNIVED | 2024
 2

A. DATA MINING
Data mining merupakan serangkaian proses
untuk menggali nilai tambah berupa informasi
yang selama ini tidak diketahui secara manual
dari suatu basis data.
Data mining dibagi menjadi beberapa
kelompok berdasarkan tugas yang dapat
dilakukan, yaitu:
UNIVED | 2024
 3

1. Deskripsi
Para peneliti dan analisis biasanya mencoba
menemukan cara untuk menggambarkan pola
dan trend yang tersembunyi dalam data.
2. Estimasi
Estimasi memiliki kemiripan dengan
klasifikasi, kecuali variabel target estimasi
lebih kearah numerik daripada kearah
kategori.
UNIVED | 2024
 3. Prediksi 4
Prediksi memiliki kemiripan dengan
klasifikasi dan estimasi, kecuali bahwa 5. Clustering
dalam prediksi nilai dari hasil akan ada di Clustering merupakan teknik
masa yang akan datang. pengelompokan record data,
4. Klasifikasi
UNIVED | 2024

pengamatan atau
Dalam klasifikasi variabel, tujuan bersifat kasus dalam kelas yang memiliki
kategorik. Sebagai contoh pengklasifikasian kemiripan.
persediaan dalam tiga kelas, yaitu 6. Asosiasi
persediaan tinggi, persediaan sedang dan Mengidentifikasi hubungan
persediaan antara berbagai
rendah. peristiwa yang terjadi pada satu
waktu
 5
B. ASSOCIATION RULES (ATURAN ASOSIASI)
Association rules merupakan salah satu a. Analisa pola frekuensi tinggi
metode yang bertujuan mencari pola yang Tahap ini mencari kombinasi item yang
sering muncul di antara banyak transaksi, memenuhi syarat minimum dari nilai
UNIVED | 2024

dimana setiap transaksi terdiri dari support dalam database.

beberapa item sehingga metode ini akan
mendukung sistem rekomendasi melalui Nilai Support sebuah item di peroleh
penemuan pola antar item dalam dengan rumus berikut :
transaksi-transaksi yang terjadi.

Metodologi dasar analisis asosiasi terbagi

menjadi dua tahap:
 6
b. Pembentukan aturan assosiatif
Setelah semua pola frekuensi tinggi
ditemukan, barulah dicari aturan asosiasi
yang memenuhi syarat minimum untuk
confidence dengan menghitung confidence
aturan asosiatif A U B.

UNIVED | 2024
C. ALGORITMA APRIORI 7
Algoritma Apriori adalah suatu algoritma dasar yang diusulkan
oleh Agrawal & Srikant pada tahun 1994 untuk menentukan Frequent
itemsets untuk aturan asosiasi Boolean. Algoritma Apriori termasuk jenis
Aturan Asosiasi pada data mining. Aturan yang menyatakan asosiasi antara
beberapa atribut sering disebut affinity analysis atau market basket analysis.
Penting 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 osiasi
(Sihombing et al., 2012).

UNIVED | 2024
 8
Algoritma Apriori dibagi menjadi beberapa tahap
yang disebut narasi atau pass, yaitu :
a. Pembentukan kandidat itemset. Pada
kandidat k-itemset ini dibentuk dari
kombinasi (k-1) itemset yang didapat dari
iterasi sebelumnya.
b. Penghitungan support dari tiap kandidat
k-itemset. Support dari tiap kandidat k-itemset
didapat dengan scan database untuk menghitung
jumlah transaksi yang memuat semua item didalam
kandidat k�itemset tersebut.
UNiVED | 2024
 c. Tetapkan pola frekuensi tinggi. Pada pola frekuensi tinggi yang
9
memuat k item atau k-itemset ditetapkan dari kandidat k-itemset
yang supportnya lebih besar dari minimum support.
d. Bila tidak didapat pola frekuensi tinggi baru maka dari itu
seluruh proses dapat dihentikan.
UNIVED | 2024

D. PENGUMPULAN DATA
1. Data Sample Item Barang Sembako yang di
jual pada Toko Sinar Harahap dapat dilihat
dari Tabel 1 :
 10
2. Sample Data Transaksi 3. Sample Data Transaksi di
penjualan di Toko Sinar Harahap Toko Sinar Harahap setelah
pada tanggal 01 Mei s/d 31 Mei dilakukan seleksi data terhadap
2021 dapat dilihat pada. penjualan sembako pada tanggal
01 Mei s/d 31 Mei 2021 dapat
UNIVED | 2024

dilihat pada.
 11
Langkah–langkah melakukan perhitungan
data dengan menggunakan Algoritma Apriori
adalah sebagai berikut :
1. Data Tabular Transaksi
Tahapan ini berfungsi sebagai data yang di
input kedalam RapidMiner dengan terlebih
dahulu membuat data ke dalam bentuk
tabular, yang dapat dilihat pada.

UNIVED | 2024
 12
2. Data Support C1 atau 1 itemset
Berdasarkan data transaksi yang digunakan
maka tahap pertama yang dilakukan adalah
mencari nilai Support C1 yang memiliki nilai
minimum >30% dan nilai maksimum tak
terhingga, dengan cara menghitung jumlah
transaksi / total transaksi * 100% dan didapat
data Support C1 atau 1 Itemset yang dapat
dilihat pada.

UNIVED | 2024
4. Data Support C3 atau 3 itemset
Berdasarkan data Support C2 yang didapat 13
maka dilakukan perhitungan mencari nilai
Support C3 yang memiliki nilai minimum
>30% dan nilai maksimum tak terhingga,
dengan cara menghitung jumlah
transaksi/total transaksi * 100% dan didapat
data Support C3 atau 3 Itemset yang dapat
dilihat pada.

UNIVED | 2024
 14
5. Data Confidence C2 atau 2 itemset
Setelah mencari nilai Support pada setiap
itemset data transaksi penjualan barang
sembako selanjutnya dilakukan perhitungan
mencari nilai Confidence, karena pada
Support C3 atau 3 itemset tidak mencapai
minimum support, maka yang digunakan pada
C2 dengan menghitung 2 Itemset dari jumlah
transaksi mengandung A dan B / jumlah
transaksi A * 100% dan didapat nilai
Confidence C2 atau 2 Itemset yang dapat
dilihat pada.
UNIVED | 2024
 15
6. Hasil Akhir Confidence C2 atau 2 Itemset
Dari perhitungan Confidence C2 maka
didapatkan hasil yaitu nilai akhir Confidence
C2 atau 2 Itemset yang dapat dilihat pada.

UNIVED | 2024
 KESIMPULAN 16
Berdasarkan hasil dan pembahasan Yang telah dilakukan, dapat
disimpulkan bahwa penerapan data mining dengan menggunakan
Algoritma Apriori dapat diaplikasikan dalam memprediksi hasil penjualan
barang sembako pada Toko Sinar Harahap guna untuk mengetahui barang
apa yang harus di stok dapat diterapkan. Semakin banyak jumlah itemset
dalam setiap data maka akan menghasilkan semakin banyak hubungan
dalam setiap data. Berdasarkan hasil penelitian ini maka di dapat
permintaan teringgi terjadi pada pembelian beras dan juga pembelian telur.
Hasil akhir perhitungan di Microsoft Excel menggunakan algoritma
dengan aplikasi menggunakan RapidMiner bernilai sama.

UNIVED | 2024
THANK YOU