Aturan Asosiasi untuk Analisis Data Penjualan Produk Menggunakan Algoritma Apriori
DOI:
https://doi.org/10.54367/jtiust.v6i1.1280Keywords:
Algoritma Apriori, Penjualan Produk, Analisis, TanagraAbstract
Untuk meningkatkan transaksi penjualan, perusahaan harus mampu bersaing dengan pesaing lainnya sehingga diperlukan strategi yang tepat dalam menjalankan proses penjualan yang dilakukan. Selain strategi pemasaran, perusahaan harus mampu menganalisis produk yang dijual berdasarkan jumlah penjualan yang telah terjadi sehingga perusahaan dapat melihat produk mana yang lebih dominan diminati konsumen sehingga perusahaan dapat menentukan penjualan yang lebih efektif. strategi. PT. Surya Indah City adalah perusahaan yang bergerak di bidang penjualan berbagai macam pakaian dan aksesoris. Dalam upaya meningkatkan penjualan produknya, diperlukan suatu analisis untuk dapat meningkatkan pendapatan perusahaan dengan memanfaatkan data transaksi penjualan yang dimilikinya. Untuk menganalisis hubungan antara produk pakaian dan aksesoris yang lebih dominan dijual dengan produk pakaian dan aksesoris lainnya yang tersedia, digunakan algoritma data mining yaitu algoritma apriori. Dengan bantuan aplikasi tanagra untuk melakukan proses perhitungan, produk dominan yang diminati konsumen dapat ditentukan. Dengan menggunakan dua variabel yang memenuhi support dan minimum confidence maka dapat disimpulkan bahwa produk yang paling banyak terjual adalah dari jenis pakaian yaitu baju dan celana. Disimpulkan bahwa hasil aturan asosiasi akhir diketahui, jika Anda membeli kemeja, Anda akan membeli celana dengan dukungan 50% dan kepercayaan 75%. Jika Anda membeli celana, Anda akan membeli pakaian dengan dukungan 50% dan kepercayaan 85%. Dengan bantuan aplikasi tanagra untuk melakukan proses perhitungan, produk dominan yang diminati konsumen dapat ditentukan. Dengan menggunakan dua variabel yang memenuhi support dan minimum confidence maka dapat disimpulkan bahwa produk yang paling banyak terjual adalah dari jenis pakaian yaitu baju dan celana. Disimpulkan bahwa hasil aturan asosiasi akhir diketahui, jika Anda membeli kemeja, Anda akan membeli celana dengan dukungan 50% dan kepercayaan 75%. Jika Anda membeli celana, Anda akan membeli pakaian dengan dukungan 50% dan kepercayaan 85%. Dengan bantuan aplikasi tanagra untuk melakukan proses perhitungan, produk dominan yang diminati konsumen dapat ditentukan. Dengan menggunakan dua variabel yang memenuhi support dan minimum confidence maka dapat disimpulkan bahwa produk yang paling banyak terjual adalah dari jenis pakaian yaitu baju dan celana. Disimpulkan bahwa hasil aturan asosiasi akhir diketahui, jika Anda membeli kemeja, Anda akan membeli celana dengan dukungan 50% dan kepercayaan 75%. Jika Anda membeli celana, Anda akan membeli pakaian dengan dukungan 50% dan kepercayaan 85%. Disimpulkan bahwa hasil aturan asosiasi akhir diketahui, jika Anda membeli kemeja, Anda akan membeli celana dengan dukungan 50% dan kepercayaan 75%. Jika Anda membeli celana, Anda akan membeli pakaian dengan dukungan 50% dan kepercayaan 85%. Disimpulkan bahwa hasil aturan asosiasi akhir diketahui, jika Anda membeli kemeja, Anda akan membeli celana dengan dukungan 50% dan kepercayaan 75%. Jika Anda membeli celana, Anda akan membeli pakaian dengan dukungan 50% dan kepercayaan 85%.References
Anas, A. (2016). Analisa Algoritma Apriori Untuk Mendapatkan Pola Peminjaman Buku Perpustakaan Smpn 3
Batanghari. Jurnal Ilmiah Media SISFO, 10(2), 628–641. http://ejournal.stikom-db.ac.id/index.php/mediasisfo/article/view/233/220
Badrul, M. (2015). Prediksi Hasil Pemilu Legislatif Dengan Menggunakan Algoritma K-Nearest Neighbor. Jurnal Pilar Nusa Mandiri, XI(2), 152–160. http://ejournal.nusamandiri.ac.id/index.php/pilar/article/view/424/374
Badrul, M. (2016). Algoritma Asosiasi Dengan Algoritma Apriori Untuk Analisa Data Penjualan. Tidak ada, 12(2), 121–129. https://media.neliti.com/media/publications/227549-algoritma-asosiasi-dengan-algoritma-apri-f4245cc8.pdf
Fauziah, S., & Ratnawati. (2018). Penerapan Metode FIFO Pada Sistem Informasi Persediaan Barang. Jurnal Teknik Komputer, 4(1), 98–108.
Gunadi, G., & Sensuse, DI (2012). Penerapan Metode Data Mining Market Basket Analysis Terhadap Data Penjualan Produk Buku Dengan Menggunakan Algoritma Apriori Dan Frequent Pattern Growth ( Fp-Growth ) : Telematika, 4(1), 118-132.
Handrianto, Y., & Farhan, M. (2019). C.45 Algoritma Klasifikasi Penyebab Tanah Longsor. SinkrOn, 4(1), 120. https://doi.org/10.33395/sinkron.v4i1.10154
Irfiani, E. (2019). Penerapan Algoritma Apriori untuk Menentukan Asosiasi dalam Peralatan Olahraga Luar Ruangan Toko. SinkrOn, 3(2), 218. https://doi.org/10.33395/sinkron.v3i2.10089