Upload
others
View
14
Download
0
Embed Size (px)
Citation preview
PENERAPAN DATA MINING UNTUK ANALISA POLA PEMBELIAN
KONSUMEN DENGAN ALGORITMA APRIORI PADA DATA TRANSAKI
PENJUALAN
Adithia Dharma Saputra1, Tekad Matulatan
2, Muhamad Radzi Rathomi
3
Jurusan Informatika, Fakultas Teknik, Universitas Maritim Raja Ali Haji
ABSTRAK
Pada Supermarket Wellcome sistem informasi penjualan yang diterapkan dinilai masih
kurang efektif dan efisien, karena data transaksi yang tersimpan bertahun-tahun tidak
dimanfaatkan sebaik mungkin. Semakin banyak data, maka supermarket tersebut semakin
memerlukan usaha untuk mengolah data- data agar dapat dijadikan informasi yang berguna
di masa depan yaitu salah satunya dengan menggunakan teknik data mining. Sistem ini
menggunakan algoritma apriori untuk melakukan analisa asosiasi. Data yang diperlukan
diambil dari data transaksi penjualan selama periode tertentu dan diolah sehingga
menghasilkan association rules dari barang dan transaksi. Hasil dari program ini berupa
aturan asosiasi antar barang pada Supermarket Wellcome.
Kata kunci : Data mining, algoritma apriori, data transaksi penjualan,Supermarket
Wellcome.
PENDAHULUAN
Selama ini banyak organisasi atau perusahaan mengumpulkan data seperti data
penjualan, data pelanggan, data pembelian, dan lain sebagainya.Dengan banyaknya
transaksi, tentunya banyak pula data yang tersimpan di dalamnya. Dengan
besarnya data yang ada, perusahaan tidak mengetahui untuk apa data itu selain di
simpan dan hanya dipakai pada saat menghitung ketersediaan barang, perhitungan
berapa banyak item yang dijual, berapa hasil penjualan, dan sebagainya. Hal ini tentu
saja menciptakan suatu kondisi yang disebut juga “rich of data but poor of
informations”, dimana banyak data dibiarkan saja menggunung tanpa mengetahui
bahwa sebenarnya mungkin saja terdapat informasi yang sangat berguna untuk
organisasi tersebut.
Dengan informasi yang relevan, knowledge pada suatu produk dapat
digunakan untuk meningkatkan penjualan. Salah satu cara untuk mendapatkan
knowledge adalah dengan melakukan data mining. Data mining adalah salah satu
cabang ilmu komputer yang berkembang pesat, dan definisi umum dari data mining itu
sendiri adalah serangkaian proses untuk menggali nilai tambah berupa
pengetahuan yang tidak bisa diketahui secara manual dari suatu kumpulan data.
Data mining yang sering disebut juga Knowledge Discovery atau Intelligent Data Analysis,
merupakan suatu proses pencarian pola dari sekumpulan data.
Keuntungan yang didapatkan dari pola yang dihasilkan biasanya adalah keuntungan
ekonomis, efektifitas dan efisiensi.Metode dalam data mining bermacam-macam,
salah satunya adalah metode association rule yang berfungsi untuk menemukan asosiasi
antar variabel, korelasi atau suatu struktur diantara item atau objek di dalam database
transaksi, relasional, maupun pada penyimpanan informasi yang lainnya.
TINJAUAN PUSTAKA
Definisi dan Konsep Market Basket Analysis Market Basket Analysis merupakan salah satu metode atau teknik yang sering
digunakan dan paling bermanfaat untuk lingkungan marketing. Tujuan dari Market Basket
Analysis ini adalah untuk menentukan produk manakah yang pelanggan beli dalam waktu
bersamaan, di mana nama dari metode ini diambil dari kebiasaan pelanggan menaruh
barang mereka ke keranjang atau kedalam daftar belanja (market basket). Dengan
mengetahui produk manakah yang dibeli secara bersamaan akan dapat sangat membantu
pengusaha toko ataupun perusahaan lainnya. Sebuah toko juga dapat menggunakan
informasi ini untuk menempatkan produk yang sering terjual secara bersamaan di dalam
satu area atau kategori, sehingga pengusaha toko dapat merubah layout dari toko mereka.
Definisi dan Konsep Association Rule
Association rule merupakan sebuah aturan tertentu atau rules yang menyatakan
sebuah hubungan korelasi antara tingkat kemunculan beberapa atribut dalam sebuah
database. Association Rule adalah bentuk jika “kejadian sebelumnya” kemudian
“konsekuensinya”. (IF antecedent, THEN consequent). Bentuk umum dari association rules
adalah : A1....., An -> B Yang artinya bahwa pelanggan yang membeli produk A juga
mempunyai peluang yang cukup besar untuk membeli produk B. Bentuk lain yang lebih
kompleks dari association rule adalah : A, C -> B, D Yang artinya bahwa pelanggan yang
membeli produk A dan C juga mempunyai kecenderungan untuk membeli produk B dan D.
Salah satu masalah dalam pencarian asoociation rule adalah sangat banyaknya
kemungkinan ditemukannya rules yang belum tentu merupakan rules yang baik dan dapat
dipercaya Untuk mengetahui mana rule yang baik maka terdapat suatu parameter untuk
menilai kualitas dari association rules yang akan dihasilkan, yaitu support, confidence, dan
improvement/ lift ratio (Firdhana, 2005). Bersamaan dengan perhitungan aturan support
dan confidence. Pola asosiasi menjadi salah satu fungsionalitas yang paling menarik dalam
penggalian data (Kumar dan Wahidabanu, 2007)
Support dan Confidence Support merupakan prosentase dari record-record yang mengandung kombinasi
dari item dibandingkan dengan jumlah total dari record-record. Dengan kata lain support
merupakan probabilitas sebuah transaksi yang mengandung item A dan B dengan bentuk
association rules adalah A->B, misalnya support item A dan B adalah sebesar 0,4 maka
dapat dikatakan 40% dari total transaksi di database memuat item A dan B. Meskipun
begitu, support merupakan proses pengukuran kualitas association rule yang belum
komplit. Akan timbul pertanyaan apakah nilai support 40% dari sebuah kombinasi item A
dan B merupakan rule yang baik ? Hal ini mungkin mempunyai arti bahwa 40% dari semua
pelanggan membeli kedua item A dan B, dan tidak ada satupun yang membeli item B tanpa
membeli item A. Pada kasus tersebut nilai confidence sebesar 100% karena konsumen yang
membeli item A pasti juga akan membeli item B secara bersamaan. Sehingga confidence
dari sebuah association rule adalah support dari kombinasi atau keseluruhan dibagi dengan
support untuk kondisi ( if ).
Kedua nilai support dan confidence merupakan parameter yang digunakan untuk
menentukan apakah sebuah rule baik atau tidak. Akan tetapi, terdapat beberapa saat bahwa
kedua perhitungan tersebut menghasilkan rule yang tidak valid, meskipun keduanya
mempunyai nilai yang tinggi. Oleh karena itu ada satu parameter yang digunakan untuk
mengetahui apakan rule tersebut valid atau tidak, parameter ini disebut Improvement/ Lift
Ratio. Rule yang baik dan valid dapat dilihat dari nilai lift rationya yang berjumlah ≥ 1.
Algoritma apriori adalah suatu algoritma yang sudah sangat dikenal dalam
melakukan pencarian frequent itemset dengan menggunakan teknik association rule
(Moertini, Veronika dan Marsela Yulita. 2007). Algoritma Apriori menggunakan
knowledge mengenai frequent itemset yang telah diketahui sebelumnya, untuk memproses
informasi selanjutnya. Pada algoritma apriori untuk menentukan kandidat-kandidat yang
mungkin muncul dengan cara memperhatikan minimum support. Adapun dua proses utama
yang dilakukan dalam algoritma Apriori, yaitu :
1. Join (penggabungan). Pada proses ini setiap item dikombinasikan dengan item yang
lainnya sampai tidak terbentuk kombinasi lagi.
2. Prune (pemangkasan). Pada proses ini, hasil dari item yang telah dikombinasikan tadi
lalu dipangkas dengan menggunakan minimum support yang telah ditentukan oleh user.
Support = p(A ∩ B ) = Jumlah Transaksi Yang Memuat A Dan B
Total Jumlah Transaksi
Confidence = P(B / A) = Support (A∩B)
P(A)
PERANCANAGAN SISTEM DAM IMPLEMENTASI
Pengumpulan Data
Pada penelitian ini sumber data yang digunakan berasal dari data transaksi
penjualan pada toko tombo ati. Data tersebut akan diproses guna menghasilkan
pengetahuan yang bisa digunakan sebagai pengembangan strategi bisnis. Data awal yang
diperoleh dari toko tombo ati masih berupa nota-nota transaksi penjualan acak yang belum
diseleksi menjadi data yang siap dipakai dalam penelitian ini.
Penyeleksian Data
Setelah data selesai dikumpulkan maka dilakukan penyeleksian pada nota
transaksi penjualan yang telah diperoleh dari toko tombo ati. Pada tahap penyeleksian
data ini dilakukan pemilahan nota-nota transaksi penjualan karena tidak semua nota-
nota tersebut akan digunakan dalam penelitian ini. Nota-nota transaksi penjualan yang
akan diambil bergantung pada jumlah barang atau item yang dibeli oleh pelanggan toko.
Jumlah barang dalam nota transaksi penjualan yang akan diambil ialah nota transaksi
dengan jumlah barang dua dan tiga barang atau item saja.
Preprocessing/Cleaning
Setelah data telah diseleksi, pada notanota transaksi penjualan tersebut
dilakukan preprocessing/cleaning yaitu proses pembersihan atribut-atribut yang tidak
digunakan dalam proses data mining dan hanya beberapa atribut-atribut yang dapat
digunakan. Dalam nota transaksi penjualan terdapat beberapa atribut antara lain nomor
nota, tanggal transaksi, kode barang, nama barang, jumlah barang, harga perbarang,
harga subtotal barang, total harga pembelian. Setelah dilakukan proses pembersihan
atribut-atribut yang tersisa adalah nomor nota, tanggal transaksi, dan nama barang.
Dalam atribut nama barang dilakukan pembulatan nama barang karena dalam barang-
barang yang tersebut merupakan satu jenis barang namum terdapat perbedaan seperti
pada ukuran, merk, dan sebagainya maka dilakukan pembulatan nama agar lebih mudah
dalam analisis proses data mining yang akan dilakukan.
HASIL DAN PEMBAHASAN
Pada bagian ini akan dijelaskan mengenai penghitungan frekuensi
kemunculan item pada data transaksi penjualan di Swalayan wellcome. Data
transaksi penjualan akan dianalisa menggunakan algoritma Apriori untuk
mendapatkan frequent itemset yang memenuhi minimum support dan minimum confidence.
Nilai minimum support dan minimum confidence diperoleh dari The Best Rule karena
proses pengambilan nilai support dan confidence tidak bisa terlalu rendah dan tidak
pula terlalu tinggi. Apabila tetap dilakukan pengambilan nilai yang terlalu rendah maka
nilai dari The Best Rule akan banyak muncul. Begitu juga sebaliknya, apabila nilai
support dan confidence diambil nilai tertinggi maka nilai dari The Best Rule tidak
akan muncul.Berikit adalah table 4.3 manual transaksi penjualan
Table 4.3 Proses Manual Metode Apriori
Trans aks i
Item yang dibeli
4463802180 ROTI BANTAL PANJANG, SELE BUNGKUS,
DETOL SABUN 110 REENERGIZ ER, INDOMIE 65
KA KALDU AYAM
1500002190 LIF. SOAP 80 NATUREPUR, LIF. SOAP 85
VITAPROTECT, CHEETOS 48 JAGUNG BAKAR,
LAYS 40 RASA RUMPUT LAUT
1780002190 EKO N O M I 300 E500 K BAG , EKO N O M I 300 EL50 0K
LEMON, FORCE MAGIC 470 KUNING LMN, SQ
MONTES 55
2000002190 LIF. SOAP 80 NATUREPUR, LIF. SOAP 85 LEMON
FRESH, ROKOK SAMPOERNA MILD 16
2690002190 GULA PASIR 2 KG, BIMOLI SPESIAL REF 2 LITER,
KUE JAGUNG AUSTRALI 1/2 KG
2978702180 ROTI BANTAL PANJANG, SELE BUNGKUS, TS
SWEETENER 25S DIABETIC, KAPAS SELECTION
35, TEBS TSE SODA 500
3002002190 LIF. SOAP 80 NATUREPUR, LIF. SOAP 85
VITAPROTECT, SGM 2 400 ANANDA
3069602180 EKO N O M I 300 E500 K BAG , EKO N O M I 300 EL50 0K
LEMON, GULAKU 1 KG PREMIUM
3138702180 LIF. SOAP 80 NATUREPUR, LIF. SOAP 85 LEMON
FRESH, GRIP X RED, AMPLOP LEBARAN
3243002180 LIF. SOAP 80 NATUREPUR, LIF. SOAP 85
VITAPROTECT
3287402180 GULA PASIR 2 KG, BIMOLI SPESIAL REF 2 LITER
3307302180 EKO N O M I 300 E500 K BAG , EKO N O M I 300 EL50 0K
LEMON
3336402180 LIF. SOAP 80 NATUREPUR, LIF. SOAP 85 LEMON
FRESH
3376902180 ROTI BANTAL PANJANG, SELE BUNGKUS
Prinsip melakukan penggalian data transaksi di Supermarket Wellcome
menggunakan algoritma apriori adalah sebagai berikut :
1. Menentukan batas transaksi, besaran batas transaksi = 3.
Item yang dibeli
ROTI BANTAL PANJANG
SELE BUNGKUS
DETOL SABUN 110 REENERGIZER
INDOMIE 65 KA KALDU AYAM
LIF. SOAP 80 NATUREPUR
LIF. SOAP 85 LEMON FRESH
ROKOK SAMPOERNA MILD 16
LIF. SOAP 85 VITAPROTECT
CHEETOS 48 JAGUNG BAKAR
LAYS 40 RASA RUMPUT LAUT
EKONOMI 300 E500K BAG
EKONOMI 300 EL500K LEMON
FORCE MAGIC 470 KUNING LMN
SQ MONTES 55
GULA PASIR 2 KG
BIMOLI SPESIAL REF 2 LITER
KUE JAGUNG AUSTRALI 1/2 KG
TS SWEETENER 25S DIABETIC
KAPAS SELECTION 35
TEBS TSE SODA 500
SGM 2 400 ANANDA
Tabel 4.4. Daftar Kandidat 1-itemset
Kandidat 1-itemset Jml
ROTI BANTA L PANJA N G 4
SELE BUNGK U S 4
LIF. SOAP 80 NATUREPUR 7
LIF. SOAP 85 LEMON FRESH
4
LIF. SOAP 85 VITAPROT EC T 3
EKONOMI 300 E500K BAG 4
EKONOMI 300 EL500K LEMON 4
GULA PASIR 2 KG 5
BIMOLI SPESIAL REF 2 LITER 5
2. Daftar 1-itemset di atas, dibuat menjadi daftar frequent 2-itemset, maka
akan didapattabel 4.6l sebagai berikut :
Table 4.6 kandidat 2-itemset
Kandidat 2-itemset Jumlah
ROTI BANTAL PANJANG, SELE BUNGKUS 4
LIF. SOAP 80 NATUREPUR, LIF. SOAP 85 LEMON FRESH 3
LIF. SOAP 80 NATUREPUR, LIF. SOAP 85 VITAPROTECT 3
EKONOMI 300 E500K BAG, EKONOMI 300 EL500K LEMON 4
GULA PASIR 2 KG, BIMOLI SPESIAL REF 2 LITER 5
3. Menghitung nilai support dan confidence dari masing-masing frequent
itemset sehingga muncul calon aturan asosiasi. Untuk menghitung support dan
confidence digunakan rumus sebagai berikut :
Support ( A → B) = Jumlah tuples yang mengandung A dan B
Jumlahtransaki
Confidence ( A → B) = Jumlah tuples yang mengandung A dan B
Jumlah tuples yang mengandung A
a. Support dan Confidence untuk ROTI BANTAL PANJANG dan
SELE BUNGKUS
Support ROTI BANTAL dan SELE BUNGKUS = = 0,2 = 20
% Confidence ROTI BANTAL dan SELE BUNGKUS = = 1 =
100 % Support SELE BUNGKUS dan ROTI BANTAL = = 0.2
= 20 % Confidence SELE BUNGKUS dan ROTI BANTAL = =
1 = 100
b. Support dan Confidence untuk LIF. SOAP 80 NATUREPUR dan LIF. SOAP
85 LEMON FRESH
Support LIF. SOAP 80 NATUREPUR dan LIF. SOAP 85 LEMON FRESH =
= 0,15 = 15 %
Confidence LIF. SOAP 80 NATUREPUR dan LIF. SOAP 85
LEMON FRESH = = 0,43 = 43 %
Support LIfe SOAP 85 LEMON FRESH dan LIFE. SOAP 80
NATUREPUR= = 0,15 =15%
Confidence LIF. SOAP 85 LEMON FRESH dan LIF. SOAP 80
NATUREPUR = = 0,75 = 75 %
c. Support dan Confidence untuk LIF. SOAP 80 NATUREPUR dan LIF. SOAP
85
VITAPROTEC
Support LIF. SOAP 80 NATUREPUR dan LIF. SOAP 8
VITAPROTECT = = 0,15 = 15 %
Confide nce LIF. SOAP 80 NATUREPUR dan LIF. SOAP 85
VITAPROTECT = = 0,43 = 43 %
Support LIF. SOAP 85 VITAPROTECT dan LIF. SOAP 80
NATUREPUR = = 0,15 = 15 %
Confidence LIF. SOAP 85 VITAPROTECT dan LIF. SOAP 80 NATUREPUR
= = 1 = 100 %
d. Support dan Confidence untuk EKONOMI 300 E500K BAG dan EKONOMI 300
EL500K LEMON
Support EKONOMI 300 E500K BAG dan EKONOMI 300 EL500K LEMON =
0,2 = 20 %
=
Confidence EKONOMI 300 E500K BAG dan EKONOMI
300
EL500K LEMON = = 1 = 100 %
Support EKONOMI 300
EL500K LEMON dan EKONOMI
E500K = = 0,2 = 20 %
Confidence EKONOMI 300 EL500K LEMON dan EKONOMI 300
E500K BAG = = 1 = 100
e. Support dan Confidence GULA PASIR 2 KG dan
BIMOLI SPESIAL REF 2 LITER
Sup p ort GULA PASIR 2 KG dan BIM OLI SPESIAL REF 2 LITER = = 0,25 = 25 %
Confidence GULA PASIR 2 KG dan BIMOLI SP ESIAL REF 2
LITER = = 1 = 100 %
Support BIMOLI SPESIAL REF 2 LITER dan GULA PASIR 2
KG = = 0,25 = 25
Confidence BIM OLI SPESIAL REF 2 LITER dan GULA PASIR 2 KG = = 1 = 100 %
4. Pilih aturan asosiasi yang memenuhi minimum support dan minimum confidence.
Tabel 4.7. Daftar Aturan Asosiasi
No Dari frequent
Itemset
Dihasilkan
aturan asosiasi
Support Confidence
1 ROTI BANTAL
PANJANG,
SELE
BUNGKUS
Jika Membeli
ROTI BAN T A L
PANJANG maka
akan Membeli
SELE BUNGKUS
4/20 20 % 4/4 100 %
2 SELE
BUNGKUS,
ROTI BANTAL
PANJANG
Jika Membeli SELE BUNGKUS
maka Akan
memb eli ROTI
BANTAL
PANJANG
4/20 20 % 4/4 100 %
3 LIF. SOAP 80
NATUREPUR,
LIF. SOAP 85
LEMON FRESH
Jika membeli LIF. SOAP 80
NATUREPUR
maka Akan
membeli SOAP 85
LEMON FRESH
3/20 15 % 3/7 43 %
4 LIF. SOAP 85
LEMON
Jika membeli LIF.
SOAP 85 LEMON
3/20 15 % 3/4 75 %
FRESH, LIF.
SOAP 80
NATUREPUR
FRESH Maka
akan Membeli
LIF. SOAP 80
NATUREPUR
5 LIF. SOAP 80
NATUREPUR,
LIF. SOAP 85
VITAPROTECT
Jika membeli LIF. SOAP 80
NATUREPUR
maka Akan
memb eli LIF.
SOAP 85
VITAPROTECT
3/20 15 % 3/7 43 %
6 LIF. SOAP 85
VITAPROTECT,
LIF. SOAP 80
NATUREPUR
Jika memb eli L I F.
SOAP 85
VITAPROTECT
maka Akan
memb eli LIF.
SOAP 80
3/20 15 % 3/3 100 %
NATUREPUR
7 EKONOMI 300 Jika Membeli 4/20 20 % 4/4 100 %
E500K BAG,
EKONOMI 300
EL50 0 K lemon
EKONOMI 300
E500K BAG maka
akan Membeli
EKONOMI 300
EL500K LEMON
8 EKONOMI 300 Jika Membeli 4/20 20 % 4/4 100 %
EL50 0 K
LEMON,
EKONOMI 300
E500K BAG
EKONOMI 300
EL500K LEMON
maka Akan
Membeli
EKONOMI 300
E500K BAG
9 GULA PASIR 2
KG, BI MO L I
SPESIAL REF 2
LITER
Jika Membeli GULA PASIR 2
KG maka Akan
BIMOLI SPESIAL
REF 2 LITER
5/20 25 % 5/5 100 %
10 BIMO L I
SPESIAL REF 2
LITER, GULA
PASIR 2 KG
BIMOLI SPESIAL
REF 2LITER,
GULA PASIR 2
KG
5/20 25 % 5/5 100 %
KESIMPULAN
Dari hasil penelitian yang dilakukan dapat diketahui hasil yaitu :
1. Hubungan-hubungan keterkaitan barang yang satu dengan barang
yang lainnya. Dan dari hubungan-hubungan keterkaitan tersebut digunakan untuk
mengatur penempatan barang.
2. Aplikasi mampu mengolah data transaksi yang disediakan oleh user,
untuk menemukan frequent itemset dan association rule yang memenuhi
syarat minimum support, berdasarkan item yang ada dalam transaksi dan
mampu menampilkan rules dalam bentuk teks.
3. Pengaturan penempatan barang dapat diketahui melalui nilai support dan
nilai confidence.Barang-barang yang memiliki nilai support tinggi posisi
penempatannya ditempatkan diawal/ujung karena barang-barang tersebut
merupakan barang-barang yang paling sering dibeli oleh pembeli.
Sedangkan barang-barang yang memiliki nilai confidence tinggi diletakkan
bersebelahan karena dengan tingginya nilai confidence antar kedua
barang atau lebih memiliki kesempatan dibeli secara bersamaan yang
tinggi dan dalam penggunaan aplikasi data mining ini dapat membantu
dalam mengidentifikasi analisis data mining yang akan digunakan untuk
mengatur penempatan/tata letak barang agar mempermudah pembeli dalam
melakukan pembelian tanpa bingung harus mencari barang yang akan dibeli.
DAFTAR PUSTAKA
Albion Research, 2007 dalam Lestari, 2009, Algoritma Data Mining, Andi
Offset, Yogyakarta.
Andreas. 2007. Aplikasi Data Mining untuk Meneliti Asosiasi Pembelian
Item Barang di Supermarket dengan Metode Market Basket Analysis.
Jurnal Informatika. Vol 8 No 6: pp 97-117. Diakses pada tanggal 4
Februari 2011.
Berry (2004)data mining kegiatan mengeksplorasi dan menganalisis data
dalam jumlah yang besar untuk menemukan pattern dan rule
yang berarti.
Budhi, G. S., dan Soedjianto, F (2007),“Aplik asi Data Mining Mark et Bask
et Analysis Pada Tabel Data Absensi Elektronik Untuk Mendetek si
Kecurangan Absensi (Check -Lock ) Karyawan di Perusahaan”, Jurnal
Informatika, Vol.8, No. 2, Nopember 2007: 119-129, Universitas Kristen Petra,
Surabaya.
Dewantara,H,Santoso,P.B,dan Setyanto,N.W (2012) dalam
penelitianya tentang “Perancangan aplikasi datamining dengan algoritma
apriori untuk frekuensi analisis keranjang belanja pada data transaksi
penjualan”.
Fayyad, U., Piatetsky-Shapiro, G. dan Smyth, P. 1996. From Data Minin1g to
Knowledge Discovery in Databases, AAAI and The MIT Pres, 37-
Han, Jiawei dan Kamber, Micheline. 2001. Data mining Conceptsand
Techniques, Academic Press, San Dieg
Handojo,A.,Budhi,G.S,dan Rusly,H. (2013) dalam penelitianya tentang
“Aplikasi Data Mining untuk meneliti asosiasi pembelian item barang
di supermarket dengan metode Mareket Basket Analysis”
Jordan Syahreza, 2012 (2007), Data Mining Tek nik Pemanfaatan Data untuk
Keperluan, Graha Ilmu, Yogyakarta.
Kusrini, (2009), Sistem Penduk ung Keputusan Analisis Pola Pembelian Produk .
Skripsidipublikasikan,Universitas Pembangunan Nasional “Veteran",
Yogyakarta.
Larose ,2005 (2010), Aplik asi Data Mining Untuk Menampilk an Informasi
(Studi Kasus di Fak ultas MIPA Universitas Dipone goro).Skripsi
dipublikasikan, Universitas Diponegoro, Semarang.
Lestari, T, Syamsun, M, (2009), Analisis Keranjang Belanja Pada Data Transak si
Penjualan. Skripsi dipublikasikan, Institut Pertanian Bogor, Bogor.
Meiwati,L., dan Mustikasari, M (2010),Aplik asi Data Mining Menggunak an
Aturan Asosiasi, Universitas Gunadarma, Jakarta.
Marsela,2004.Penggunaan teknik data mining membantu orang untuk
tidak perlu melakukan analisis secara manual, melainkan dapat
menggunakan MBA.
Pasaribu,S.R (2014) dalam penelitianya tentang “SISTEM PENDUKUNG
KEPUTUSAN ANALISA POLA PENJUALAN BARANG DENGAN
ALGORITMA APRIORI”
Proscott ,Hoffer dan McFadden (2005) data mining adalah penemuan
pengetahuan dengan menggunakan teknik – teknik yang tergabung
dari
statistic,tradisional,artificial intelligence dan grafik computer dan
data mining merupakan sebuah analisa dari observasi data dalam jumlah
besar untuk menemukan hubungan yang tidak di ketahui sebelumnya
untuk meringkas data agar mudah di pahami.
Shelly, Gary B, dan Rosenblatt, Harry J (2012),System Analysis and Desain, Course
Technology,
Boston.
Tan, Pang-Ning, Steinbach, Michael dan Kumar, Vipin. 2006.
Introduction to Data mining, Pearson Education, Inc.
Turban,(2005), Analisis dan Perancangan Sistem Informasi, Yogyakarta: Andi.
Vercellis (2009) Informasi merupakan suatu hasil dari pemrosesan
data menjadi sesuatu yang bermakna bagi yang menerimanya,. Informasi
juga merupakan data yang telah diolah dan diproses untuk
menyediakan output yang berguna bagi user.
wikibooks,(2012), “Pengantar Data Mining: Menambang Permata Pengetahuan
di
GunungData”,http://repository.amikom.ac.id/index.php/add_downloader/Publik
asi_06.11_.1317_.pdf/752, diakses hari Kamis, 14 Februari 2013.