IMPLEMENTASI ALGORITMA APRIORI UNTUK REKOMENDASI

PRODUK PADA TOKO ONLINE

Matius Evanggeli Dewa 1,Frederiko Roinaldi Nurak 2

1,2
Program Studi Teknik Informatika, Fakultas Teknik, Universitas Nusa Nipa
e-mail: [email protected] , [email protected]

ABSTRAK
Perkembangan pasar digital yang semakin pesat menimbulkan persaingan dalam menarik pelanggan
menjadi semakin ketat. Setiap pemilik toko online berusaha mencari strategi supaya tokonya mampu
bertahan. Strategi yang bisa diterapkan yaitu dengan memberikan rekomendasi produk yang sesuai dengan
keinginan konsumen. Kemampuan pemilik toko dalam melihat keinginan dan kebutuhan konsumen akan
berdampak pada peningkatan penjualan. Dengan kemampuan tersebut pemilik toko dapat menata
produknya dan membuat promosi menggunakan kombinasi produk tertentu. Algoritma apriori adalah teknik
yang dipakai pada penelitian ini. Dalam algoritma tersebut dilakukan proses iterasi menggunakan nilai
minimum support dan confidence guna menilai setiap kombinasi produk. Kemudian mengeliminasi
kombinasi barang yang tidak mencapai minimum support. Berdasarkan algoritma tersebut diperoleh
frekuensi barang yang paling banyak dibeli bersamaan untuk memberi manfaat pada manajemen dalam
menyusun dan mengkombinasikan produk untuk mengoptimalkan pemasaran. Selanjutnya memanfaatkan
nilai confidence yang memberikan gambaran tentang relasi antar produk. Implementasi algoritma apriori
bisa dimanfaatkan guna menganalisa data transaksi pada periode tertentu. Sehingga hasil informasi yang
dihasilkan algoritma ini bisa dimanfaatkan pada strategi pemasaran dan promosi produk yang sesuai oleh
keinginan pelanggan.
Kata Kunci—Rekomendasi, Support, Confidence, dan Algoritma Apriori.

1. PENDAHULUAN
Peran teknologi sangat besar di berbagai aspek kehidupan tanpa terkecuali pada sektor perdagangan.
Salah satu dampak dari perkembangan teknologi adalah maraknya toko online yang mengubah pola
konsumen dalam melakukan transaksi. Meskipun banyak muncul toko online baru, tapi banyak toko online
yang tidak mampu bertahan lama, karena persaingan yang sangat ketat. Banyaknya kesalahan dalam
pemasaran produk oleh pemilik usaha sehingga mengeluarkan banyak biaya terhadap produk yang tidak
diminati konsumen. Mengetahui pola belanja konsumen adalah hal yang sangat penting dalam menghadapi
masalah ini. Penggunaan data mining sangat sesuai untuk memberikan solusi dalam masalah ini. Keinginan
konsumen dalam memilih produk memang sangat beragam. Sebagai contoh, saat membeli produk di toko
online, konsumen akan ditawarkan berbagai produk mulai dari produk dalam bentuk paket, produk
tambahan, dan produk dengan diskon. Berbagai strategi dalam memasarkan produk untuk meningkatkan
penjualan dengan harapan akan membuat konsumen membeli produk tersebut. Salah satu cara dalam
menawarkan produk adalah dengan memberikan rekomendasi kepada konsumen. Memberikan rekomendasi
produk kepada pelanggan salah satunya adalah dengan menentukan rekomendasi produk yang sesuai. Pada
penelitian ini algoritma apriori diimplementasikan pada toko online untuk menemukan aturan asosiasi antar
produk. Implementasi algoritma apriori pada toko online dapat memberikan peranan penting bagi pemilik
toko, untuk menentukan rekomendasi dalam menawarkan produk terkait berdasarkan pola belanja
konsumen.
Kumpulan data transaksi konsumen bisa dikelola guna menemukan informasi yang mampu
digunakan untuk mengambil langkah yang tepat dalam menyusun strategi pemasaran. Analisa data dapat
menggunakan sebuah algoritma tertentu. Algoritma apriori adalah salah satu algoritma yang dapat
diimplementasikan pada penelitian tersebut. Apriori merupakan bagian dari algoritma pencarian frequent
item set dengan menggunakan metode aturan asosiatif (association rule). Aturan asosiatif merupakan bagian
dari tahapan pada Market Basket Analysis untuk menemukan keterkaitan diantara produk atau barang dari
suatu dataset yang kemudian dipaparkan pada aturan asosiatif. Proses menemukan association rule pada
kumpulan data, proses awal yang perlu dilakukan yaitu menemukan frequent itemset yang merupakan
sekelompok produk yang biasa muncul dengan bersamaan. Association rule akan menemukan pola yang
mampu menghubungkan suatu data dengan yang lain. Apabila semua pola frequent itemset sudah
ditemukan, proses berikutnaya adalah menemukan aturan asosiatif yang sesuai dengan syarat yang
ditentukan.
Apabila produk yang dipasarkan di toko online adalah semesta, maka setiap produk mempunyai
parameter boolean yang menunjukkan keberadaan produk tersebut pada suatu transaksi atau satu keranjang
belanja. Berdasarkan pola dari nilai parameter itu dipakai guna menumukan produk-produk yang banyak
dibeli secara bersamaan. Selanjutnya pengetahuan tentang frekuensi item tersebut digunakan untuk
memproses informasi untuk menemukan produk yang mungkin akan muncul dan melampaui syarat
minimum support dan minimum confidence. Support sebagai persentase kombinasi sebuah item dari
kumpulan data.

Dan confidence yaitu nilai kepastian yang menggambarkan kekuatan relasi antar item pada algoritma
Apriori. Confidence dapat ditentukan apabila pola frekuensi kemunculan item sudah ditemukan.
Pada penggunaan teknik data mining berbagai macam algoritma dapat digunakan untuk mendapatkan
informasi. Algoritma tersebut antara lain algoritma FP-Growth, algoritma hash- based, dan algoritma apriori.
Khusus untuk penelitian ini, peneliti mengimplementasikan algoritma apriori. Pada penelitian ini
memaparkan suatu sistem rekomendasi display produk toko online dengan metode algoritma apriori
berdasarkan nilai confidence kombinasi jenis-jenis produk yang dibeli pada periode waktu tertentu dengan
tujuan sebagai rekomendasi kepada pemilik toko online atau manajer dalam pengambilan keputusan display
produk yang dijual.
Listriani memaparkan proses analisa asosiasi dengan algoritma apriori yang mampu menemukan pola
kombinasi item sebagai knowledge dan informasi yang sangat bermanfaat dari data transaksi penjualan.
Penelitian tersebut menerapkan algoritma apriori untuk menemukan kombinasi item dari data transaksi,
serta menemukan pola asosiasi berdasarkan kombinasi item
yang ditemukan. Pola asosiasi yang ditemukan pada nilai minimum support 5% dengan nilai
minimum confidence 15% membentuk 7 aturan asosiasi. Kemudian pola belanja yang dihasilkan dianalisa
menggunakan aplikasi menjadi suatu rekomendasi dalam menentukan strategi pemasaran oleh pengelola
Toko Gramedia. Pada penelitian lain, Aprizal mengimplementasikan algoritma apriori pada teknik data
mining dapat menyusun posisi penempatan produk pada rak Alfamidi. Metode analisa pola pembelian bisa
diterapkan dengan memperhatikan kecenderungan konsumen belanja produk dengan kombinasi 2 itemset.
Pengujian terhadap aplikasi yang telah dibuat menggunakan metode Black Box. Lestari melakukan
penelitian terhadap transaksi yang terjadi yang dilakukan pada penelitian Lestari, memanfaatkan algoritma
apriori untuk mengembangkan strategi pemasaran dan meningkatkan penjualan. Penelitian tersebut
menghasilkan sebuah sistem informasi yang dapat mengimplementasikan algoritma apriori ke dalam sebuah
program berorientasi objek yang mempermudah dalam pengaksesan data penjualan, dimana data mining
algoritma apriori dapat mengekstrak informasi bahan bangunan yang sering dibeli konsumen dari database
yang terintegrasi dengan sistem informasi penjualan, adalah: apabila membeli kuas, maka membeli tiner,
dengan nilai support 50% dan nilai confidence 100%.

2. METODE PENELITIAN
Metode yang digunakan pada penelitian ini adalah metodologi Prototype. Dahulu prototype
menggambarkan rancangan fisik menggunakan kertas. Dimana analis menggambarkan posisi atau struktur
dari input, output, prosedur, dan basis data. Hal tersebut adalah proses yang membutuhkan waktu dan
memungkinkan kesalahan terjadi. Pada umumnya apa yang dihasilkan dari rancangan kertas tidak akurat dan
kurang lengkap. Sekarang sebagian besar analis lebih sering menggunakan prototyping. Metodologi
Prototyping merupakan suatu proses iterative dengan menjalin komunikasi dan kinerja yang dekat antara
developer dengan user perangkat lunak.
Pressman mengemukakan bahwa seorang pengguna sering menganggap perangkat lunak sebagai
tujuan secara umum, tanpa memberikan idenfifikasi terhadap kebutuhan input, proses, dan output secara
detail. Masalah yang lain, developer tidak mendapatkan kepastian tentang algoritma yang efisien,
kemampuan untuk menyesuaikan sistem operasi, maupun tahapan yang semestinya dilakukan pada interaksi
manusia dan mesin. Sehingga untuk situasi ini salah satu metode paling sesuai untuk diterapkan adalah
metode prototype. Alur Metodologi Prototype bisa dipaparkan dengan Gambar 1.
Gambar 1. Alur Penelitian menggunakan metode prototype.
 Metodologi ini sangat sesuai digunakan untuk membangun suatu sistem yang akan dikembangkan
kembali. Metodologi ini diawali dengan mengumpulkan kebutuhan pengguna. Pada kasus ini user dari
sistem yang dibangun adalah client. Selanjutnya membuat sebuah rancangan dengan cepat yang kemudian
akan dievaluasi sebelum dikembangkan. Prototype bukanlah sistem yang sudah selesai, tetapi merupakan
rancangan yang harus dievaluasi dan dikembangkan lagi. Setiap pergantian bisa terjadi saat pembuatan
prototype sesuai permintaan client dan memberikan manfaat pada developer dengan lebih memahami
keinginan client. Metodologi ini melewati tiga tahap, diantaranya adalah pengumpulan kebutuhan,
perancangan, dan evaluasi. Tahapan-tahapan tersebut dapat dipaparkan sebagai berikut [12]:
Pengumpulan kebutuhan
Developer dan client berdiskusi dan menentukan tujuan pembuatan sistem. Kemudian mencari
kebutuhan dalam perancangan sistem dan gambaran sistem sesuai dengan yang diinginkan oleh client.
Perancangan
Perancangan dibuat dengan cepat dan dapat mewakili berbagai aspek sistem yang diperoleh
berdasarkan pengumpulan kebutuhan pada tahap sebelumnya. Rancangan tersebut kemudian sebagai acuan
desain prototype.
Evaluasi Prototype
Setelah prototype selesai dikembangkan. Kemudian client mengevaluasi prototype tersebut dan
digunakan untuk memberikan rincian dan memberikan keterangan lebih detail terhadap kebutuhan perangkat
lunak.
Ketiga proses tersebut di atas akan terus berulang sampai segala kebutuhan terpenuhi. Prototype
diciptakan guna memahami kebutuhan client. Prototype dapat digunakan kembali untuk membuat sistem
lebih cepat, tapi tidak setiap prototype bisa digunakan. Meskipun prototype memberi kemudahan
komunikasi antara developer dengan client, sehingga client mendapat gambaran awal dari sistem yang
dibangun.

3. HASIL DAN PEMBAHASAN

Analisa Desain Sistem
Proses analisa dan desain sistem dimulai dari pengumpulan data-data terkait pada transaksi
pembelian pelanggan di toko online. Dari data yang diperoleh kemudian dibuat aturan asosiatif (Association
rule) dalam data historis pembelian dari pengunjung Toko online untuk mencari hubungan asosiatif dari
sebuah kombinasi item produk yang telah dibeli oleh konsumen. Metode perhitungan menggunakan
mekanisme pembentukan support dan confidence berdasarkan relasi antar item. Suatu aturan asosiasi dinilai
menarik apabila nilai support lebih besar dari minimum support, serta nilai confidence yang lebih besar dari
minimum confidence. Penerapan teknik apriori dilakukan apabila ditemukan beberapa relasi antar item yang
akan dianalisa. Pengujian dari pengolahan data mining nantinya dari hasil output rekomendasi produk yang
sesuai untuk pelanggan akan dilakukan secara bertahap dengan melihat data histori pembelian konsumen
selanjutnya pada periode tertentu. Tahapan proses analisa dan desain sistem digambarkan pada gambar 2 .

Gambar 2. Tahapan Proses Analisa dan Desain Sistem

Pengumpulan Data
Tahap pertama analisis desain sistem adalah melakukan pengumpulan data histori pembelian
pelanggan yaitu menentukan rentan waktu yang diambil dari history transaksi untuk digunakan sebagai data
sampel dalam penelitian ini. Kemudian menyusun kumpulan data transaksi tersebut kedalam sebuah tabel
seperti yang dipaparkan pada Tabel 1.

Tabel 1. Pola Transaksi Pembelian Pelanggan

Transaksi Item Transaksi
1 Kerudung, Tas, Gamis, Khimar, Rok
2 Celana, Kemeja, Jaket, Khimar, Gamis
3 Khimar, Kerudung, Kemeja, Dompet, Gamis
4 Hand Sock, Khimar, Kemeja, Bros, Kerudung
5 Dompet, Kemeja, Tas, Kaos Kaki, Hand Sock
6 Sepatu, Celana, Bros, Kemeja
 7 Kemeja, Celana, Khimar, Jam Tangan, Rok
8 Kaos Kaki, Khimar, Gamis, Jaket, Kerudung
9 Gamis, Dompet, Bros, Rok, Kerudung
10 Jaket, Sepatu, Gamis, Khimar, Kerudung
11 Gamis, Tas, Kemeja, Masker, Rok, Khimar
12 Masker, Jaket, Celana, Jam Tangan, Gamis, Rok
13 Rok, Khimar, Gamis, Masker, Kerudung, Dompet
14 Rok, Hand Sock, Kerudung, Khimar, Jaket
15 Kerudung, Dompet, Sepatu, Bros
16 Kaos Kaki, Kerudung, Dompet, Kemeja, Gamis
17 Jam Tangan, Kerudung, Celana, Khimar, Gamis
18 Rok, Kemeja, Jam Tangan, Hand Sock, Kerudung
19 Celana, Kerudung, Jaket, Gamis, Rok, Kemeja
20 Dompet, Hand Sock, Gamis, Bros, Khimar

Matriks Data Transaksi

Berdasarkan data transaksi yang telah dikumpulkan kemudian dibentuk matriks data transaksi. Pada
tahap ini data transaksi pembelian pelanggan akan disesuaikan dalam format matriks untuk mendapatkan
pola item yang terbentuk, dan digunakan untuk mengetahui berapa kali item produk dibeli oleh pelanggan
pada setiap transaksinya, berikut data yang dipaparkan pada Tabel 2.
Tabel 2. Matriks Transaksi Pembelian Pelanggan
Transaksi
Item Jml
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Kerudung 1 0 1 1 0 0 0 1 1 1 0 0 1 1 1 1 1 1 1 1 14
Tas 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 3
Gamis 1 1 1 0 0 0 0 1 1 1 1 1 1 0 0 1 1 0 1 1 13
Celana 0 1 0 0 0 1 1 0 0 0 0 1 0 0 0 0 1 0 1 0 6
Kemeja 0 1 1 1 1 1 1 0 0 0 1 0 0 0 0 1 0 1 1 0 10
Jaket 0 1 0 0 0 0 0 1 0 1 0 1 0 1 0 0 0 0 1 0 6
Khimar 1 1 1 1 0 0 1 1 1 1 1 1 1 1 0 0 1 0 0 1 14
Hand Sock 0 0 0 1 1 0 0 0 0 0 0 0 0 1 0 0 0 1 0 1 5
Bros 0 0 0 1 0 1 0 0 1 0 0 0 0 0 1 0 0 0 0 1 5
Dompet 0 0 1 0 1 0 0 0 1 0 0 0 1 0 1 1 0 0 0 1 7
Sepatu 0 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 0 0 3
Kaos Kaki 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 3
Masker 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 3
Rok 1 0 0 0 0 0 1 0 1 0 1 1 1 1 0 0 0 1 1 0 9
Jam Tangan 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 1 0 0 4
Analisis Metode Apriori
Pada tahap ini bertujuan untuk mencari kombinasi dari item-item menggunakan pola frekuensi
berdasarkan history transaksi pada toko online.

Gambar 3. Bagan Alur Apriori

Pada Gambar 3 menjelaskan algoritma apriori dimana proses senantiasa berlangsung apabila keadaan
data dapat memungkinkan untuk pembentukan itemset selanjutnya. Apabila tidak dimungkinkan maka
proses dapat langsung menunjukan hasil. Matriks transaksi pembelian pelanggan akan diambil jumlah
transaksi masing-masing item produk per transaksi dan jumlah data transaksi kemudian digunakan untuk
menentukan kombinasi itemset.

Analisa Kombinasi 1 Itemset

Kombinasi 1 itemset ini merupakan pengolahan dari data yang telah disertakan di tabel 2. Proses
penentuan 𝐾1 atau disebut sebagai kombinasi 1 itemset pada nilai minimum support = 40%, menggunakan
rumus pada persamaan (1).

Proses perhitingan pada persamaan (1) diperoleh data yang dipaparkan pada Tabel 3, untuk nilai
support masing-masing item produk.

Tabel 3. Nilai support dari setiap item produk

Item Jumlah Support
Kerudung 14 70%
Tas 3 15%
Gamis 13 65%
Celana 6 30%
Kemeja 10 50%
Jaket 6 30%
Khimar 14 70%
Hand Sock 5 25%
Bros 5 25%
Dompet 7 35%
Sepatu 3 15%
Kaos Kaki 3 15%
Masker 3 15%
Rok 9 45%
Jam Tangan 4 20%
 Penentuan itemset di Tabel 3 pada minimum support 40% mampu ditemukan produk yang melampaui
syarat minimum support adalah item produk Kerudung, Gamis, Kemeja, Khimar, Rok. Kemudian
berdasarkan hasil pembentukan kombinasi 1 itemset dapat dibentuk kombinasi 2 itemset yang dipaparkan di
Tabel 4.

Analisa Kombinasi 2 Itemset

Kombinasi 2 Itemset ini adalah pengolahan menggunakan data yang dipaparkan pada tabel 3 diambil
item dan nilai support masing-masing item produk, proses penentuan 𝐾2 atau disebut dengan kombinasi 2
itemset pada jumlah minimum support = 40%, menggunakan rumus pada persamaan (2).
.

Tabel 4. Nilai support dari kombinasi 2 itemset produk

Item Jumlah Support
Kerudung, Gamis 10 50%
Kerudung, Kemeja 5 25%
Kerudung, Khimar 10 50%
Kerudung, Rok 6 30%
Gamis, Kemeja 5 25%
Gamis, Khimar 11 55%
Gamis, Rok 6 30%
Kemeja, Khimar 6 30%
Kemeja, Rok 4 20%
Khimar, Rok 7 35%

Kombinasi 2 itemset pada minimum support 40 % bisa ditemukan kombinasi 3 itemset yang
melampaui syarat minimum support antara lain Kerudung dengan Gamis dan Kerudung dengan Khimar
yang memiliki nilai support sebesar 50%. Kemudian Gamis dengan Khimar yang memiliki nilai support 55
%. Berdasarkan pada nilai kombinasi 2 itemset, kemudian diproses pengelompokan 3 itemset yang
dipaparkan pada Tabel 5.

Analisa Kombinasi 3 Itemset

Kombinasi 3 Itemset ini merupakan pengelompokan produk dari data yang dipaparkan di tabel 4.
Dari tabel tersebut dipilih item yang memenuhi nilai support dari masing-masing produk. Kemudian
dilanjutkan dengan tahap pembentukan 𝐾3 biasa disebut dengan kombinasi 3 itemset pada jumlah minimum
support =
40%, menggunakan rumus pada persamaan (3).

Pembentukan Aturan Asosiasi

Tahap selanjutnya adalah membentuk aturan asosiasi pada saat semua pola frekuensi tinggi sudah
didapatkan. Pada proses ini ditemukan aturan asosiasi yang melewati syarat minimum untuk confidence
berdasarkan perhitungan confidence aturan asosiatif P→Q, persamaan ditunjukkan pada persamaan (4) [15].
Dengan menentukan minimum Confidence = 70%, maka nilai Confidence pada aturan P→Q didapatkan:
 Dari persamaan tersebut kemudian ditemukan aturan asosiasi antar produk yang memilik nilai
confidence paling tinggi. Pembentukan aturan asosiasi tersebut dapat dijelaskan lebih detil pada Tabel 6.

Aturan Jumlah Confidence

Jika membeli Kerudung maka membeli Gamis 10/14 71.43%
Jika membeli Khimar maka membeli Gamis 11/14 78.57%
Tabel 6. Nilai support dari kombinasi 3 itemset produk.
Pada Tabel 6, barang yang banyak dibeli oleh pelanggan adalah Kerudung, Gamis, Khimar. Setelah
mengetahui barang yang banyak dibeli pelanggan, maka pemilik usaha bisa menyusun strategi dalam
menentukan pengadaan produk untuk mengelola ketersedian barang yang diinginkan oleh pelanggan. Serta
dapat menata posisi produk dan paket promosi menggunakan kombinasi itemset produk yang dihasilkan.

Implementasi Sistem
Kemudian algoritma apriori diimplementasikan pada toko online, untuk menentukan association rule.
Dengan association rule tersebut management toko dapat memberikan rekomendasi produk pada konsumen.
Penelitian ini menggunakan data sample transaksi pada bulan Juni 2019 untuk memberikan rekomendasi
produk pada bulan Juli 2019. Berdasarkan transaksi-transaksi tersebut maka association rule diambil
sebagai dasar untuk menentukan rekomendasi produk. Pada Gambar 4 menampilkan kategori produk pada
transaksi tersebut.

Gambar 4. Sistem Menampilkan Contoh Data Transaksi.

 Gambar 5. Sistem Menampilkan Hasil Analisa Transaksi.

Gambar 5 menunjukan hasil analisa transaksi menggunakan algoritma apriori. Dari data jenis-jenis
produk tersebut dengan menerapkan algoritma apriori dengan menerapkan nilai minimum support 40%, dan
nilai minimum confidence 70% sehingga menghasilkan nilai confidence dari berbagai kombinasi itemset.
Berdasarkan nilai kombinasi item set dengan nilai confidence tertinggi sistem mampu memberikan
rekomendasi produk seperti yang ditunjukan pada Gambar 6.

Gambar 6. Hasil Rekomendasi Produk

Pengujian
Perhitungan menggunakan algoritma apriori dan dari perhitungan menggunakan sistem yang
dibangun dipaparkan pada tabel 6. Dengan menentukan nilai minimum support 40 % dan nilai minimum
confidence 70 % dapat menghasilkan rekomendasi produk toko online yang dibeli oleh pelanggan
dipaparkan pada Tabel 7.
 Tabel 7. Perbandingan hasil perhitungan.
Teknik Perhitungan Hasil
Perhitungan dengan menggunakan metode Jika membeli Khimar maka membeli
Apriori Gamis dengan nilai confidence 78.57%
Perhitungan dengan menggunakan sistem yang Jika membeli Khimar maka membeli
dibangun Gamis dengan nilai confidence 78.57%

Pengujian pada algoritma apriori dan pada sistem yang dikembangkan memiliki nilai yang sama, serta
memenuhi nilai minimum support dan minimum confidence yang ditentukan sebelumnya. Berdasarkan
perhitungan tersebut maka sistem ini dapat menemukan rekomendasi produk dari kecenderungan produk
toko online yang dibeli oleh konsumen yang terdiri dari kombinasi itemset produk. Hasil dari implementasi
dan pengujian dapat memberikan peranan penting bagi management dalam mengelola display toko online
berdasarkan prioritas produk yang ditawarkan, serta menyusun etalase yang terdiri dari berbagai itemset
produk secara berdekatan untuk memberikan kemudahan pada konsumen dalam mencari produk yang
diinginkan

4. KESIMPULAN

Kesimpulan yand dapa diambil berdasarkan pembahasan dan pemaparan penelitian yang sudah
dilakukan sebagai berikut:
Implementasi Algoritma Apriori pada bisa digunakan untuk menemukan kombinasi item pada data
history transaksi. Selanjutnya menemukan pola asosiasi berdasarkan kombinasi- kombinasi item tersebut.
Penerapan algoritma apriori dapat memberikan rekomendasi produk pada toko online berdasarkan
nilai confidence kombinasi jenis-jenis produk yang dibeli oleh konsumen.

5. SARAN

Pengembangan untuk penelitian berikutnya bisa menggunakan data berukuran besar supanya
memperoleh rekomendasi itemset produk yang akurat. Selain itu juga dapat dibandingkan lagi dengan
algoritma lain supaya mendapatkan hasil rekomendasi yang lebih akurat. Penelitian ini perlu melakukan
pengujian lebih lanjut secara bertahap untuk mendapatkan hasil akurasi rekomendasi yang lebih sesuai
dengan minat konsumen.

DAFTAR PUSTAKA

[1] Kusrini., Luthfi, E. T., 2009. Algoritma Data Mining, Andi Publisher, Yogyakarta.
[2] Turban, E., 2005, Decision Support Systems and Intelligent Systems Edisi Bahasa Indonesia. Andi
Publisher, Yogyakarta.
[3] Hermawati, F. A., 2013, Data Mining. Andi, Yogyakarta.
[4] Kusrini., 2007, Konsep dan Aplikasi Sistem Pendukung Keputusan, Andi Publisher, Yogyakarta.
[5] O’brien, J. A., Marakas, G. M., 2014, Sistem Informasi Manajemen, Salemba Empat, Jakarta
[6] Han, J., Kamber, M., Pei, J., 2006, Data Mining Concept and Techniques, Elsevier Inc,
Amsterdam
[7] Bhandari, A., Guptaa, A., Dasa, D., 2014, Improvised apriori algorithm using frequent pattern tree
for realtime applications in data mining, International Conference on Information and
Communication Technologies (ICICT 2014), Bandung, 28-30 Mei
[8] Du, J., Zhang, X., Zhang, H., Chen, L., 2016, Research and Improvement of Apriori Algorithm,
Information Science and Technology (ICIST) - 2016 Sixth International Conference, Dalian, 6 – 8
Mei
[9] Listriani, D., Setyaningrum, A. H., Eka, F., 2016, Penerapan Metode Asosiasi Menggunakan
Algortima Apriori Pada Aplikasi Analisa Pola Belanja Konsumen (Studi Kasus Toko Buku Gramedia
Bintaro), Jurnal Teknik Informatika, No. 2, Vol. 9.
[10] Aprizal., Hasriani., Ningsih, W., 2016, Implementasi Data Mining Untuk Menentukan Posisi
Barang Pada Rak Menggunakan Metode Apriori Pada PT. Midi Utama Indonesia, Techno.COM,
No. 4, Vol. 15, Hal.335-342.
[11] Lestari, N., 2017, Penerapan Data Mining Algoritma Apriori Dalam Sistem Informasi Penjualan,
Jurnal Edik Informatika, No. 2, Vol. 3, Hal. 103-114.
[12] Pressman, 2010, Software Engineering: A Practitioner’s Approach, McGraw-Hill, New
York
[13] Fatoni, C. S., Noviandha, F. D., Case Based Reasoning Diagnosis Penyakit Difteri
dengan Algoritma K-Nearest Neighbor, Citec Journal, Vol. 4, No. 3, Hal. 220-232.
[14] Yanto, R., Khoiriah, R., Implementasi Data Mining dengan Metode Algoritma Apriori
dalam Menentukan Pola Pembelian Jaket, Citec Journal, Vol. 2, No. 2, Hal. 102-113.
[15] Ummi, K., Analisa Data Mining Dalam Penjualan Sparepart Mobil Dengan
Menggunakan Metode Algoritma Apriori (Studi Kasus: Di Pt. Idk 1 Medan), CSRID, Vol.
8, No. 3, Hal. 145-208.
12