IMPLEMENTASI ALGORITMA APRIORI UNTUK MEMBANTU PROSES PERSEDIAAN BARANG

• Published in: Dinamika Informatika (Online) Vol. 10; no. 2; pp. 53 - 59
• Main Authors: Matovani, Dio, Hadiono, Kristophorus
• Format: Journal Article
• Language: English
• Published: 13.10.2018
• ISSN: 2085-3343; 2714-8769
• DOI: 10.35315/informatika.v10i2.8133

Penelitian ini akan membahas bagaimana mengimplementasi algoritma apriori dan asiosiasi untuk menghasilkan informasi yang dapat dimanfaatkan dalam kegiatan pembelian persediaan barang agar proses tersebut dapat berjalan dengan tepat. Metode penelitian yang digunakan pada penelitian ini yaitu CRISP-DM yang terdiri dari , bussines understanding, data understanding, data preparation, modelling, evaluation, dan deployment. Hal yang dilakukan pertama kali adalah pembersihan data dan normalisasi data guna menyingkirkan data yang tidak valid dan beberapa variabel yang tidak berguna untuk penggalian informasi. Berikut merupakan contoh sebelum dan setelah dilakukan kegiatan pembersihan data. Selanjutnya memasukan data yang telah dinormalisasi kedalam bentuk data frame supaya data transaksi dapat diproses untuk mendapatkan informasi yang berguna dengan mendapatkan pola asosiasi dari data tersebut, setelah itu mengubah format data dari format data frame menjadi format transaksi seperti pada gambar 3 supaya fungsi apriori dalam bahasa R dapat dijalankan.Setelah merubah format data menjadi bentuk transaksi selanjutnya menjalankan fungsi apriori. Penentuan support dan confidence pada penelitian ini dilakukan dengan cara mencoba penentuan acuan dengan nominal rendah terlebih dahulu. Ditunjukan bahwa dengan support=0,001 dan confidence=0,001 belum mendapatkan hasil yang maksimal karena dengan penentuan nominal support dan confidence tersebut aturan yang dihasilkan terlalu banyak sehingga belum dapat menunjukan keterkaitan suatu itemset yang maksimal karena acuan nominal support dan confidence terlalu rendah. Dengan melakukan banyak uji coba akhirnya didapatkan support=0,02 dan confidence=0,3 adalah acuan maksimal yang didapatkan dari penelitian ini. Fungsi apriori diatas dengan penentuan support=0,02 dan confidence=0,3 menghasilkan rule yang diperoleh berjumlah enam.