PREDIKSI PERSEDIAAN PRODUK BERDASARKAN DATA TRANSAKSI DENGAN METODE ASSOCIATION RULE

Ardiansyah Munawarman, Tacbir Hendro Pudjiantoro, Puspita Nurul Sabrina

Abstract


Banyaknya persaingan dalam dunia bisnis pihak perusahaan mengharuskan pengelola melakukan analisis pembelian terhadap konsumen. Permintaan konsumen yang meningkat harus diimbangi dengan teknologi. Selama ini, hasil dari proses penjualannya hanya menjadi laporan pada perusahaan untuk mengetahui berapa banyak barang terjual dan pendapatannya. Ketersediaan barang yang akan dijual menjadi faktor yang penting. Kendala yang sering dihadapi yaitu kesulitan dalam pencatatan keluar barang, mengatur pola itemset dalam waktu bersamaan, laporan penjualan tiap tahunnya tidak digunakan sebagai acuan untuk mengantisipasi persediaan barang. Banyaknya data tersebut membutuhkan sebuah proses data mining, yang dapat dilakukan analisis terhadap konsumen dalam kegiatan transaksinya. Salah satu metode dalam teknik data mining yaitu association rule mining dapat digunakan untuk menemukan hubungan diantara data dengan algoritma untuk mencari kandidat aturan asosiasi. Algoritma yang bisa dipakai adalah algoritma apriori bedasarkan data transaksi. Pada penelitian ini yaitu minimum support 15% dan nilai minimum confidance 47%, sehingga konsumen cenderung membeli produk Zipper anak, Hoodie dan produk Hoodie Anak dengan hasil prediksi stok Hoodie anak kurang 321 qty dari Zipper Anak dan Hoodie

Keywords


Data Mining; Association Rule; Algoritma Apriori; Prediksi; Data Transaksi

Full Text:

PDF

References


M. B. Program et al., “Algoritma Asosiasi Dengan Algoritma Apriori Untuk Analisa Data Penjualan,” J. Pilar Nusa Mandiri, vol. XII, no. 2, pp. 121–129, 2016.

D. Sophia and L. Y. Banowosari, “Implementasi Metode Aturan Asosiasi Menggunakan Algoritma Apriori Pada Data Transaksi Penjualan Di Waroeng Spesial Sambal,” J. Inform. dan Komput., vol. 22, no. 1, pp. 44–56, 2017.

A. Junaidi, A. Rahman, and Y. Yunita, “Prediksi Persediaan Bahan Baku untuk Produksi Percetakan Menggunakan Metode Asosiasi,” Paradig. - J. Komput. dan Inform., vol. 23, no. 1, pp. 25–31, 2021, doi: 10.31294/p.v23i1.9597.

A. Aditya, C. Putra, H. Haryanto, and E. Dolphina, “Implementasi Metode Association Rule,” CSRID J., vol. 10, no. 1, pp. 93–103, 2018, [Online]. Available: https://www.doi.org/10.22303/csrid.10.2.2018.93-103.

D. Listriani, A. H. Setyaningrum, and F. Eka, “Penerapan Metode Asosiasi Mmenggunakan Algoritma Apriori Pada Aplikasi Analisa Pola Belanja Konsumen (Studi Kasus Toko Buku Gramedia Bintaro),” J. Tek. Inform., vol. 9, no. 2, pp. 120–127, 2018, doi: 10.15408/jti.v9i2.5602.

M. Fauzy, K. R. Saleh W, and I. Asror, “Penerapan Metode Association Rule Menggunakan,” J. Ilm. Teknol. Inf. Terap., vol. II, no. 2, pp. 1–7, 2016.

A. Novianti and E. Elisa, “Penentuan Aturan Asosiasi Pola Pembelian Pada Minimarket Dengan Algoritma Apriori,” Build. Informatics, Technol. Sci., vol. 2, no. 1, pp. 64–70, 2020, [Online]. Available: http://ejurnal.seminar-id.com/index.php/bits/article/view/300.

N. Barkah, E. Sutinah, and N. Agustina, “Metode Asosiasi Data Mining Untuk Analisa Persediaan Fiber Optik Menggunakan Algoritma Apriori,” J. Kaji. Ilm., vol. 20, no. 3, pp. 237–248, 2020, doi: 10.31599/jki.v20i3.288.

S. Huber, H. Wiemer, D. Schneider, and S. Ihlenfeldt, “DMME: Data mining methodology for engineering applications - A holistic extension to the CRISP-DM model,” Procedia CIRP, vol. 79, pp. 403–408, 2019, doi: 10.1016/j.procir.2019.02.106.

F. Martinez-Plumed et al., “CRISP-DM Twenty Years Later: From Data Mining Processes to Data Science Trajectories,” IEEE Trans. Knowl. Data Eng., vol. 33, no. 8, pp. 3048–3061, 2021, doi: 10.1109/TKDE.2019.2962680.




DOI: https://doi.org/10.31284/p.snestik.2022.2751

Refbacks

  • There are currently no refbacks.


Copyright (c) 2022 Ardiansyah Munawarman, Tacbir Hendro Pudjiantoro, Puspita Nurul Sabrina

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.