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

Adithia.dharma.saputra@gmail.com

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.