Penerapan Data Mining Metode Apriori Dan FP-Tree pada Penjualan Media Edukasi (Studi Kasus : Oisha Smartkids)

Erfian Junianto, Rizal Rachman

Sari


Selama ini Oisha Smartkids telah melayani sekian banyak transaksi pesanan produk–produk media edukasi. Setiap data transaksi tersebut disimpan di dalam suatu sistem basis data melalui aplikasi sistem informasi manajemen. Seiring meningkatnya dunia toko online maka informasi mengenai produk-produknya menjadi kebutuhan. Salah satu yang menjadi kebutuhan penting yaitu informasi mengenai penjualan dan persediaan produk media edukasi. Algoritma Apriori termasuk jenis aturan asosiasi pada data mining. Aturan yang menyatakan asosiasi antara beberapa atribut sering disebut affinity analysis atau market basket analysis. Analisis asosiasi atau  association rule mining adalah teknik data mining untuk menemukan aturan suatu kombinasi item. FP-Tree merupakan struktur penyimpanan data yang dimampatkan. FP-tree dibangun dengan memetakan setiap data transaksi ke dalam setiap lintasan tertentu dalam FP-tree. hasil analisa dan pengujian pada transaksi penjualan media edukasi menggunakan data mining dengan algoritma apriori dari 30 data produk, 12 transaksi setiap bulannya selama tahun 2019 menghasilkan nilai minimum support = 25%, nilai minimum confidence 90% dan pola kombinasi produk dan rules sebesar 100%.  Selanjutnya dilengkapi dengan algortma FP-tree menghasilkan 10 produk best seller melalui tahap filterisasi dan menemukan pola kombinasi produk. Sehingga dari 2 metode tersebut sangat penting dalam pengambilan keputusan yang berguna untuk mempersiapkan jenis stok barang apa yang diperlukan kedepanya.

So far, Oisha Smartkids has served many transactions for orders for educational media products. Each transaction data is stored in a database system through a management information system application. As the world of online stores increases, information about its products becomes a necessity. One of the important needs is information about sales and inventory of educational media products. Apriori algorithm including the type of association rules in data mining. Rules that state the association between several attributes are often called affinity analysis or market basket analysis. Association analysis or association rule mining is a data mining technique for finding the rules of a combination of items. And FP-Tree is a compressed data storage structure. FP-tree is built by mapping each transaction data into each particular path in FP-tree. analysis and testing results on educational media sales transactions using data mining with a priori algorithm of 30 product data, 12 transactions per month during 2019 resulting in a minimum support value = 25%, a minimum confidence value of 90% and a combination of product and rules pattern of 100%. Furthermore, equipped with FP-tree algortma produces 10 best seller products through the filtering stage and finding patterns of product combinations. So from the 2 methods are very important in making decisions that are useful for preparing what types of goods needed in the future.


Teks Lengkap:

PDF

Referensi


Agustin, Y. H., . K., & Luthfi, E. T. (2017). Klasifikasi Penerimaan Mahasiswa Baru Menggunakan Algortima C4.5 Dan Adaboost (Studi Kasus : STMIK XYZ). CSRID (Computer Science Research and Its Development Journal), 9(1), 1. https://doi.org/10.22303/csrid.9.1.2017.1-11

Deolika, A., Ginting, V. S., Maryana, T., Sudiyarno, R., & Kusrini, K. (2019). Implementasi Algoritma Apriori Dan Forward Chaining Untuk Menentukan Makanan Yang Tepat Pada Penderita Diabetes. Jurnal Teknologi Informasi, 3(2), 207. https://doi.org/10.36294/jurti.v3i2.1080

Erwansyah, K. (2019). Implementasi Data Mining Untuk Menganalisa Hubungan Data Penjualan Produk Bahan Kimia Terhadap Persedian Stok Barang Menggunakan Algoritma FP ( Frequent Pattern ) Growth Pada PT . Grand Multi Chemicals. 2(2), 30–40.

Hasan, N. F., Hammad, R., Profesi, D. E., & Kusrini, K. (2019). Sistem Pendukung Keputusan Penentuan Kombinasi Paket Produk Pertanian Menggunakan Algoritma Apriori. Eksplora Informatika, 9(1), 38–49. https://doi.org/10.30864/eksplora.v9i1.261

Nurchalifatun, F. (2015). Penerapan Metode Asosiasi Data Mining Menggunakan Algoritma Apriori Untuk Mengetahui Kombinasi Antar Itemset Pada Pondok Kopi. Data Mining. Retrieved from https://core.ac.uk/download/pdf/35382238.pdf

Pahlevi, O., Sugandi, A., & Sintawati, I. D. (2018). Penerapan Algoritma Apriori Dalam Pengendalian Kualitas Produk. Sinkron, 3(1), 272–278.

Putra, J. L., Raharjo, M., Sandi, T. A. A., Ridwan, R., & Prasetyo, R. (2019). IMPLEMENTASI ALGORITMA APRIORI TERHADAP DATA PENJUALAN PADA PERUSAHAAN RETAIL. Jurnal Pilar Nusa Mandiri, 15(1), 85–90. https://doi.org/10.33480/pilar.v15i1.113

Qomariah, S., Ekawati, H., & Belareq, S. (2020). IMPLEMENTASI METODE DATA MINING APRIORI PADA APLIKASI PENJUALAN PT. TIGA RAKSA SATRIA. 17(1), 329–338.

Rachman, R. (2018). Penerapan Metode Moving Average Dan Exponential Smoothing Pada Peramalan Produksi Industri Garment. Jurnal Informatika, 5(2), 211–220. https://doi.org/10.31311/ji.v5i2.3309

Salam, A., & Sholik, M. (2018). Implementasi Algoritma Apriori untuk Mencari Asosiasi Barang yang dijual di E-commerce OrderMas. Techno.Com, 17(2), 158–170. https://doi.org/10.33633/tc.v17i2.1656

Setyawati, A., & Harianto, W. (2019). Algoritma Apriori Untuk Menentukan Inventori Toko Oleh-Oleh Rohani. 2(1), 426–431.

Sujaini, H. (2016). Analisis Asosiasi pada Transaksi Obat Menggunakan Data Mining dengan Algoritma A Priori. Justin, 4(2), 6. Retrieved from http://jurnal.untan.ac.id/index.php/justin/article/view/13872

Yanson, R. (2014). Improving e-learning outcomes through purposeful peer interactions: three helpful recommendations to ensure success. Development and Learning in Organizations: An International Journal, 28(3), 10–12. https://doi.org/10.1108/DLO-11-2013-0083

Yay, G. G., & Keçeli, S. (2009). The intersectoral linkage effects in Turkish economy: An application of static leontief model. Panoeconomicus, 56(3), 301–326. https://doi.org/10.2298/PAN0903301G




DOI: https://doi.org/10.31294/ijcit.v5i2.8308

P-ISSN: 2527-449X E-ISSN: 2549-7421
Statistik Pengunjung Jurnal IJCIT
 

Dipublikasikan oleh LPPM Universitas Bina Sarana Informatika

Jl. Kramat Raya No.98, Kwitang, Kec. Senen, Kota Jakarta Pusat, DKI Jakarta 10450
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License