penentuan aturan asosiasi dengan algoritma … · bentuk aturan asosiasi atau melihat jenis set...
TRANSCRIPT
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
HALAMAN PERSETUJUAN PEMBIMBING
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
HALAMAN PENGESAHAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
PERNYATAAN KEASLIAN KARYA
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vii
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 .
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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) :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
6 Merpati1, Sirian Merpati, Blaster 1, Tanggung, Bawang
Kancing
7 Merpati1, Sirian Merpati, Blaster 1, Tanggung, Bawang
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
Tabel 3.6 L2
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, 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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Merpati 1 Sirian Merpati,
Tanggung
5 0,5 0,5 0,5 1
4
Merpati 1, Sirian Merpati
Tanggung
5 0,5 0,62 0,7 0,89
5
Merpati 1 Sirian Merpati,
Bawang Kancing
7 0,7 0,7 0,7 1
6
Merpati 1, Sirian Merpati
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
Tabel 3.8 L3
No Item Supp Confi EC
Lift
ratio
1
Merpati 1Sirian Merpati,
Bawang Kancing
7 0,7 0,7 0,7 1
2
Merpati 1, Sirian Merpati
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
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 Bawang
Kancing 7 0,7 0,87 0,8 1,09
6
Merpati 1 Sirian Merpati,
Bawang Kancing 7 0,7 0,7 0,7 1
7
Merpati 1, Sirian Merpati
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 :
1. Merpati 1 sirian merpati dengan nilai confidence 0.8 dan Lift ratio 1
2. Merpati 1 bawang kancing 0.8 dan Lift ratio 1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 :
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
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
0.84 dan Lift ratio 1.00
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
3. Sirian merpati bawang kancing dengan nilai confidence 0.84 dan Lift
ratio 1.00
4. Merpati 1 sirian merpati , bawang kancing dengan nilai confidence
0.82 dan Lift ratio 1.00
5. Merpati 1, sirian merpati bawang kancing dengan nilai confidence 0.84
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
MATLAB % handles structure with handles and user data (see
GUIDATA)
% Get default command line output from handles structure varargout{1} = handles.output;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
function filedata_Callback(hObject, eventdata, handles) % hObject handle to filedata (see GCBO) % eventdata reserved - to be defined in a future version of
MATLAB % handles structure with handles and user data (see
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
MATLAB % handles structure with handles and user data (see
GUIDATA) % Hints: get(hObject,'String') returns contents of supp1 as
text % str2double(get(hObject,'String')) returns contents
of supp1 as a double
% --- Executes during object creation, after setting all
properties. function supp1_CreateFcn(hObject, eventdata, handles) % hObject handle to supp1 (see GCBO) % eventdata reserved - to be defined in a future version of
MATLAB % handles empty - handles not created until after all
CreateFcns called
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
55
% 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 confid1_Callback(hObject, eventdata, handles) % hObject handle to confid1 (see GCBO) % eventdata reserved - to be defined in a future version of
MATLAB % handles structure with handles and user data (see
GUIDATA)
% Hints: get(hObject,'String') returns contents of confid1
as text % str2double(get(hObject,'String')) returns contents
of confid1 as a double
% --- Executes during object creation, after setting all
properties. function confid1_CreateFcn(hObject, eventdata, handles) % hObject handle to confid1 (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
% --- 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
MATLAB % handles structure with handles and user data (see
GUIDATA)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
MATLAB % handles structure with handles and user data (see
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);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
MATLAB % handles structure with handles and user data (see
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
MATLAB % handles structure with handles and user data (see
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
MATLAB % handles structure with handles and user data (see
GUIDATA)
% Hints: get(hObject,'String') returns contents of nama_file
as text % str2double(get(hObject,'String')) returns contents
of nama_file as a double
% --- Executes during object creation, after setting all
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
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
% --- 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
MATLAB % handles structure with handles and user data (see
GUIDATA)
% Hints: contents = cellstr(get(hObject,'String')) returns
popupmenu2 contents as cell array % contents{get(hObject,'Value')} returns selected
item from popupmenu2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
59
% --- Executes during object creation, after setting all
properties. function popupmenu2_CreateFcn(hObject, eventdata, handles) % hObject handle to popupmenu2 (see GCBO) % eventdata reserved - to be defined in a future version of
MATLAB % handles empty - handles not created until after all
CreateFcns called
% Hint: popupmenu 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
% --- 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
MATLAB % handles structure with handles and user data (see
GUIDATA)
% Hints: get(hObject,'String') returns contents of confi as
text % str2double(get(hObject,'String')) returns contents
of confi as a double
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
function confi_Callback(hObject, eventdata, handles) % hObject handle to confi (see GCBO) % eventdata reserved - to be defined in a future version of
MATLAB % handles structure with handles and user data (see
GUIDATA)
% Hints: get(hObject,'String') returns contents of confi as
text % str2double(get(hObject,'String')) returns contents
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
MATLAB % handles structure with handles and user data (see
GUIDATA)
% Hints: get(hObject,'String') returns contents of rules as
text % str2double(get(hObject,'String')) returns contents
of rules as a double
% --- Executes during object creation, after setting all
properties. functionrules_CreateFcn(hObject, eventdata, handles) % hObject handle to rules (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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
61
function hasil_Callback(hObject, eventdata, handles) % hObject handle to hasil (see GCBO) % eventdata reserved - to be defined in a future version of
MATLAB % handles structure with handles and user data (see
GUIDATA)
% Hints: get(hObject,'String') returns contents of hasil as
text % str2double(get(hObject,'String')) returns contents
of hasil as a double
% --- Executes during object creation, after setting all
properties. function hasil_CreateFcn(hObject, eventdata, handles) % hObject handle to hasil (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
% --- Executes during object creation, after setting all
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
MATLAB % handles empty - handles not created until after all
CreateFcns called
function jumdat_Callback(hObject, eventdata, handles) % hObject handle to jumdat (see GCBO) % eventdata reserved - to be defined in a future version of
MATLAB % handles structure with handles and user data (see
GUIDATA)
% Hints: get(hObject,'String') returns contents of jumdat as
text % str2double(get(hObject,'String')) returns contents
of jumdat as a double
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
% --- Executes during object creation, after setting all
properties. function jumdat_CreateFcn(hObject, eventdata, handles) % hObject handle to jumdat (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 File_Callback(hObject, eventdata, handles) % hObject handle to File (see GCBO) % eventdata reserved - to be defined in a future version of
MATLAB % handles structure with handles and user data (see
GUIDATA)
% ----------------------------------------------------------
---------- function New_Callback(hObject, eventdata, handles) % hObject handle to New (see GCBO) % eventdata reserved - to be defined in a future version of
MATLAB % handles structure with handles and user data (see
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','');
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
63
% ----------------------------------------------------------
---------- function Print_Callback(hObject, eventdata, handles) % hObject handle to Print (see GCBO) % eventdata reserved - to be defined in a future version of
MATLAB % handles structure with handles and user data (see
GUIDATA) print;
% ----------------------------------------------------------
---------- function Printpreview_Callback(hObject, eventdata, handles) % hObject handle to Printpreview (see GCBO) % eventdata reserved - to be defined in a future version of
MATLAB % handles structure with handles and user data (see
GUIDATA) printpreview;
% ----------------------------------------------------------
---------- function Exit_Callback(hObject, eventdata, handles) % hObject handle to Exit (see GCBO) % eventdata reserved - to be defined in a future version of
MATLAB % handles structure with handles and user data (see
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
function edit12_Callback(hObject, eventdata, handles) % hObject handle to edit12 (see GCBO) % eventdata reserved - to be defined in a future version of
MATLAB % handles structure with handles and user data (see
GUIDATA)
% Hints: get(hObject,'String') returns contents of edit12 as
text % str2double(get(hObject,'String')) returns contents
of edit12 as a double
% --- Executes during object creation, after setting all
properties. function edit12_CreateFcn(hObject, eventdata, handles) % hObject handle to edit12 (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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI