ANALISIS KONSUMEN DENGAN MENGGUNAKAN ALGORITMA APRIORI PADA PENJUALAN UD. BAKERY GARDEN

Prosiding Seminar Nasional Riset Dan Information Science (SENARIS) 2020 Vol. 2, Juli (2020), pp. 305-314 Analisis Konsumen Dengan Menggunakan Algoritma Apriori Pada Penjualan UD. Bakery Garden Tria Apriani1, Solikhun2, Dedi Suhendro3, Poningsih4, Widodo Saputra5 Sistem Infomasi, STIKOM Tunas Bangsa Pematangsiantar 1 triaafriani1998@gmail.com,Sholikun@amiktunasbangsa.ac.id2, Dedi.su@amiktunasbangsa.ac.id3 Abstrak UD. Bakery Garden adalah sebuah tempat yang memproduksi dan menjual makanan yang berbahan dasar tepung terigu dan dipanggang. UD. Bakery Garden memproduksi berbagai jenis roti setiap harinya dengan menggunakan bahan baku dan bahan tambahan, mesin, peralatan dan tenaga kerja yang telah baku. Selain harganya ekonomis UD. Bakery Garden selalu memproduksi roti yang masih hangat. Didalam sistem penjualan UD. Bakery Garden biasanya memiliki data transaksi penjualan yang cukup besar jumlah nya, dibutuhkan suatu teknis analisis yang dapat digunakan untuk menentukan apa manfaat dari data transaksi tersebut di kemudian hari. Data tarnsaksi yang telah diolah dapat menjadi referensi bagi pemasaran untuk dapat mengetahui teknik pasar. Proses data mining yang telah dilakukan adalah dengan cara mengekstrasi data melalui analisi sekumpulan data yang besar dan kemudian mengambil inti dari arti sebuah data. Algoritma Apriori digunakan sebagai suatu proses untuk menemukan semua aturan yang memenuhi syarat minimum untuk support dan syarat minimum untuk confidence selain itu algoritma apriori juga dapat diimplementasikan pada sistem transaksi penjualan .Hasil dari associotion yang berupa informasi mengenai barang apa saja yang dibeli secara bersamaan oleh konsumen, dapat digunakan sebagai bahan pertimbangan untuk menetapkan strategi pemasaran. Keywords: Data Mining, Apriori, UD. Bakery Garden 1. Pendahuluan Pada masa ini roti menjadi salah satu produk makanan yang digemari oleh masyarakat Indonesia. Menurut (Handewi, 2010), „data survei sosial ekonomi nasional menunjukkan tingkat konsumsi roti di Indonesia pada ta hun 2005 sekitar 460 juta bungkus, dan pada tahun 2008 mengalami peningkatan menjadi 742 juta bungkus‟. Masyarakat mengonsumsi roti sebagai menu sarapan atau sebagai pengganti nasi dan bisa dijadikan sebagai cemilan saat bersantai. Pada masa ini roti telah mengalami perkembangan dengan menambahkan bahan lainnya yang dapat menambah varian rasa dan aroma, bahkan juga dapat meningkatkan nilai gizi dari roti tersebut. Semakin banyaknya minat masyarakat terhadap roti, banyak perusahaan yang telah membuat peluang usaha pada bidang industri ini. Salah satunya adalah UD. Bakery Garden. Pabrik roti ini merupakan salah satu pabrik di bidang bakery yang terbilang sukses dalam menjalankan usahanya. UD. Bakery Garden berdiri sejak tahun 2011 dan masih bertahan hingga seat ini. Awalnya UD. Bakery Garden merupakan home industri sederhana dan berkembang menjadi pabrik roti yang cukup besar bahkan sudah terkenal di kota Pematangsiantar. Hal inilah yang membuat UD. Bakery garden berbeda dari roti lain yang beredar dipasaran dan banyak disukai oleh konsumen. Dalam penjualan suatu produk, UD. Bakery Garden mengalami masalah, yaitu kurangnya jangkauan pemasaran produk UD. Bakery Garden ke berbagai daerah. Dalam hal ini perlu diketahui daerah dan produk mana saja yang paling banyak peminatnya. ISSN: 2686-0260 Copyright ⓒ SENARIS 2020 Prosiding Seminar Nasional Riset Dan Information Science (SENARIS) 2020 Vol. 2, Juli (2020), pp. 305-314 Maka dari itu perlu di bangun suatu sistem menggunakan data mining metode Algoritma Apriori untuk menentukan pembelian konsumen serta mengetahui produk yang diminati masyarakat pada UD. Bakery Garden, sistem ini dapat membantu untuk mempermudah dalam menentukan produk yang diminati dengan adanya orderan disetiap harinya. Dimana hal ini sangat berguna bagi UD. Bakery Garden dalam memasarkan produknya. 2. Metode Penelitian Penelitian dilakukan di UD. Bakery Garden, yang beralamat di Jl. Catur, Kec. Siantar Barat, Kota Pematangsiantar. Lamanya waktu yang dibutuhkan untuk menyelesaikan penelitian ini selama satu bulan yang dimulai dari Tanggal 2 Desember 2019 sampai dengan 31 Desember 2019. 2.1. Data Mining Data mining adalah proses yang memperkerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstrasi pengetahuan (knowledge) secara otomatis. Data mining merupakan proses iterative dan interaktif untuk menemukan pola atau model baru yang sahih (sempurna), bermanfaat dan dapat dimengerti‟ (Listriani & Dkk, 2016). Gambar 1. Aliran Informasi Dalam Data MIning (Sumber : Yulef Dian.B, 2018) Penjelasan bagian-bagian aliran informasi dalam data mining antara lain (Saputra, 2017): a. Data Selection Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi dalam KDD dimulai. b. Pre-processing / Cleaning Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses cleaning pada data yang menjadi focus KDD. c. Transformation Pada tahap ini teknik coading kreatif digunakan untuk mempermudah pengolahan data menggunakan metode data mining dengan menggunakan salah satu bahasa pemrograman tertentu. d. Data Mining Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. e. Interpretation / Evaluation Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian KDD yang disebut interpretation. f. Presentasi pengetahuan (knowledge presentation) Presentasi pengetahuan merupakan visualisasi dan penyajian pengetahuan mengenai metode yang digunakan untuk memperoleh pengetahuan yang diperoleh pengguna. 306 Prosiding Seminar Nasional Riset Dan Information Science (SENARIS) 2020 Vol. 2, Juli (2020), pp. 305-314 2.2 Algoritma Apriori „Algoritma apriori adalah salah satu algoritma yang dapat digunakan pada peneraapan market basket analysis untuk mencari aturan-aturan asosiasi yang memenuhi batas suppor dan confidence. Algoritma Apriori menggunakan pengetahuan frekuensi atribut yang telah diketahui sebelumnya untuk memproses informasi selanjutnya. Pada argoritma apriori menentukan kandidat yang mungkin muncul dengan cara memperhatikan minimum support dan minimum confidence. Suppport adalah nilai pengunjung atau persentase kombinasi sebuah item dalam database‟ (Qomariah & Ekawati, 2020). „Proses utama yang dilakukan dalam algoritma Apriori untuk mendapatkan frequent itemset‟ yaitu (Listriani dkk, 2016) : 1. Join (Penggabungan) Proses ini dilakukan dengan cara mengkombinasikan item dengan item pengkombinasian item dengan item yang lainnya hingg tidak dapat terbentuk kombinasi lagi. 2. Prune (Pemangkasan) Proses pemangkasan yaitu hasil dari item yang telah dikombinasikan kemudian dipangkas dengan menggunakan minimum support yang telah ditentukan oleh user. 1. 2. 3. 4. 5. Secara garis besar cara kerja algoritma apriori adalah : Pembentukan kandidat itemset, kandidat k-itemset dibentuk dari kombinasi (k-1) itemset yang didapat dari iterasi sebelumnya. Satu ciri dari algoritma Apriori adalah adanya pemangkasan kandidat k-itemset yang subset-nya yang berisi k-1 item tidak termasuk dalam pola frekuensi tinggi dengan panjang k-1. Penghitungan support dari tiap kandidat k-itemset. Support dari tiap kandidat kitemset didapat dengan men-scan database untuk menghitung jumlah transaksi yang memuat semua item di dalam Kandidat k-itemset tersebut. Ini adalah juga ciri dari algoritma Apriori dimana diperlukan penghitungan dengan scan seluruh database sebanyak k-itemset terpanjang. Tetapkan pola frekuensi tinggi. Pola frekuensi tinggi yang memuat k-item atau kitemset yang support-nya lebih besar dari minimum support. Bila tidak didapatkan pola frekuensi tinggi baru maka seluruh proses dihentikan. Bila tidak, maka k ditambah satu dan kembali ke bagian 1. Pada Penelitian (Listriani & Dkk, 2016) untuk pembentukan aturan asosiasi, frequent itemset yang telah didapat akan dibentuk menjadi pola “jika A, maka B (A B)” dan akan dicari nilai confidence masing- masing pola tersebut dengan rumus : Rumus support yaitu : Sebagai contoh : Perhitungan nilai confidance aturan asosiasi {roti kelapa, roti cokelat} adalah : Conf ({rk, rc} rt) Penjelasan : rk = roti kelapa rc = roti cokelat rt = roti tawar roti tawar Berikut alur kerja yang akan dilakukan pada penelitian ini yang digambarkan dalam diagram rancangan penelitian seperti Gambar 2. 307 Prosiding Seminar Nasional Riset Dan Information Science (SENARIS) 2020 Vol. 2, Juli (2020), pp. 305-314 Gambar 2. Diagram Rancangan Penelitian Proses alur diagram pada gambar 2 rancangan penelitian diatas adalah sebagai berikut : 1. Pengumpulan data Merupakan cara yang dilakukan untuk mengumpulkan suatu data yang ingin di analisis dari suatu masalah. 2. Pengolahan data Setelah data terkumpulkan, data yang ingin di analisis dipindahkan dan diolah ke dalam microsoft excel. 3. Implementasi dengan metode Algoritma Apriori Setelah data terkumpul dan diolah ke excel, langkah selanjutnya yaitu mengimplementasi data dengan mengikuti langkah-langkah proses perhitungan metode Algoritma Apriori yang sudah diterapkan. 4. Pengolahan data RapidMiner Setelah data diproses menggunakan metode Algoritma Apriori kemudian hasil dari perhitungan tersebut akan diaplikasikan ke RapidMiner untuk melihat ke akuratan hasil yang diperoleh. 5. Evaluasi Rancangan Evaluasi dilakukan untuk melihat apakah hasil rancangan dengan prosedur ujicoba yang telah dibuat sesuai dengan rancangan yang sudah di lakukan. 3. Hasil Dan Pembahasan Penelitian ini menggunakan data penjualan yang di dapat dari hasil observasi dan wawancara pada UD. Bakery Garden. Akan dilakukan proses penggalian aturan asosiasi dengan asumsi minimum support adalah 8% dan minimum confidence sebesar 50%. Pada jurnal (Saputro, 2017) juga menentukan minimal support 8% dan minimal confidence 50% serta memunculkan aturan-aturan item asosiasi yang dihasilkan. Adapun tahapan yang dilakukan pada rancangan penelitian ini sebagai berikut : 1. Mengambil data dari dataset excel, seperti pada tabel 1. berikut : No 1 2 3 4 26 27 308 Tanggal 02/12/2019 03/12/2019 04/12/2019 05/12/2019 30/12/2019 31/12/2019 Tabel 1. Data Transaksi Penjualan 2019 Transaksi Penjualan Selai kacang, roti cokelat, roti kelapa, roti tawar, coconat Roti tawar, roti srikaya, selai kacang, coconut Selai kacang, roti cokelat, roti tawar,bolu karamel Brownis, bolu karamel, roti kelapa, roti cokelat, meses Roti cokelat, selai srikaya, roti gandum, roti kelapa, meses Roti kelapa, roti tawar, selai srikaya, brownis, bolu karamel, roti cokelat, selai kacang, roti gandum, coconat, meses, roti tinju Prosiding Seminar Nasional Riset Dan Information Science (SENARIS) 2020 Vol. 2, Juli (2020), pp. 305-314 Dalam tabel 1 kolom pertama menunjukkan tanggal transaksi dan kolom kedua merupakan transaksi penjualan selama 1 bulan. 2. Mengubah transaksi penjualan tersebut kedalam format Binominal, seperti pada tabel 2. Tabel 2. Transaksi Penjualan Dalam Format Binomial No Tanggal Transaksi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 02-Des-19 03-Des-19 04-Des-19 05-Des-19 06-Des-19 07-Des-19 09-Des-19 10-Des-19 11-Des-19 12-Des-19 13-Des-19 14-Des-19 16-Des-19 17-Des-19 18-Des-19 19-Des-19 20-Des-19 21-Des-19 23-Des-19 24-Des-19 25-Des-19 26-Des-19 27-Des-19 28-Des-19 29-Des-19 30-Des-19 31-Des-19 S Selai kacang Roti Gandum 1 0 1 0 1 0 0 0 1 0 1 0 0 0 0 0 0 0 1 0 1 0 1 0 1 0 1 0 0 0 1 0 1 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 0 0 1 1 1 18 5 Roti Kelapa Brownis Roti Coklat 1 0 1 0 0 0 0 0 1 1 1 1 0 1 1 0 0 0 0 1 0 1 0 1 1 1 1 0 0 0 0 0 0 1 0 1 1 0 1 0 0 1 1 0 0 0 0 1 1 1 0 1 1 0 1 0 0 1 0 1 0 0 1 0 1 0 1 1 0 0 0 0 1 0 0 1 0 1 1 1 1 15 9 14 Produk Bolu Karamel Roti Tawar 0 1 0 1 1 1 1 0 0 0 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 1 0 1 1 1 1 0 1 0 1 0 1 1 1 0 0 1 1 0 0 0 0 1 1 1 0 0 1 1 17 18 Selai Srikaya Coconat 0 1 1 1 0 0 0 0 1 1 1 0 1 0 0 0 0 0 1 0 1 1 0 0 0 0 1 0 1 0 0 1 1 0 1 0 1 0 0 1 1 0 0 1 1 0 1 0 0 1 1 0 1 1 16 9 Meses 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 1 0 1 1 7 Roti Tinju 0 0 0 0 0 1 0 1 0 0 1 0 1 0 1 1 0 0 1 0 1 0 0 0 0 0 1 9 Iterasi satu mulai dilakukan dengan tujuan membentuk kandidat 1 – itemset (C1) dari data-data transaksi tersebut dan hitung jumlah support-nya. Cara menghitung support adalah jumlah kemunculan item dalam transaksi dibagi dengan jumlah seluruh transaksi. 3.1. Analisis Data Pada penelitian yang dilakukan penulis, data yang digunakan adalah data produksi yang didapat dari UD. Bakery Garden. Kemudian mulai mencari nilai mulai dairi iterasi 1 sampai iterasi 3 agar dapat diaplikasikan dedalam aplikasi RapidMiner sebagai alat bantu dalam melakukan klasifikasi algoritma Apriori dengan beberapa masukan berikut ini : 1. Cari terlebih dahulu nilai supportnya, dengan menggunakan rumus: dengan contoh perhitungan: No 1 2 3 4 5 Tabel 3. Kandidat 1- itemset (C1) Jenis Roti Banyaknya Transaksi Support % Selai Kacang 18 66.6 Roti Gandum 5 18.5 Roti Kelapa 15 55.5 Brownis 9 33.3 Roti Cokelat 14 51.8 309 Prosiding Seminar Nasional Riset Dan Information Science (SENARIS) 2020 Vol. 2, Juli (2020), pp. 305-314 6 7 8 9 10 11 Bolu Karamel Roti Tawar Selai Srikaya Coconat Meses Roti Tinju 17 18 16 9 7 9 62.9 66.6 59.2 33.3 25.9 33.3 Nilai support didapat dari banyaknya transaksi dibagi berapa lama data tersebut di ambil, lalu dikalikan 100%. Minimum support yang ditentukan adalah 8%, maka itemitem yang memiliki nilai support kurang dari 8% dihilangkan. Large-itemset 1 yang dihasilkan yaitu: No 1 2 3 4 5 6 7 8 9 10 11 Tabel 4. Large Itemset Jenis Roti Support % Selai Kacang 66.6 Roti Gandum 18.5 Roti Kelapa 55.5 Brownis 33.3 Roti Cokelat 51.8 Bolu Karamel 62.9 Roti Tawar 66.6 Selai Srikaya 59.2 Coconat 33.3 Meses 25.9 Roti Tinju 33.3 Pada iterasi ke-dua lakukan proses cross item Large-itemset untuk membentuk C2 (kandidat itemset yang berisi 2 item) dan hitung support-nya. Untuk kandidat yang berisi item yang sama dihitung satu, misalnya ketika itemset selai kacang} digabung dengan {selai kacang} maka hasilnya hanya {selai kacang} dan bukan {selai kacang, selai kacang}. Kombinasi itemset dengan elemen yang sama hanya dihitung satu kali. Misalnya {selai kacang, roti gandum} dengan {roti gandum, selai kacang} adalah sama. Berikut adalah singkatan dari tiap tiap nama produk : Tabel 6. Singkatan Dari Tiap-tiap produk No Jenis Roti Singkatan 1 Selai Kacang SK 2 Roti Gandum RG 3 Roti Kelapa RoK 4 Brownis B 5 Roti Cokelat RC 6 Bolu Karamel BK 7 Roti Tawar RT 8 Selai Srikaya SS 9 Coconat C 10 Meses M 11 Roti Tinju RoT 2. Kemudian iterasi selanjutnya dengan langkah yang sama seperti iterasi 1 dan hasilnya adalah : 310 Prosiding Seminar Nasional Riset Dan Information Science (SENARIS) 2020 Vol. 2, Juli (2020), pp. 305-314 No 1 2 3 4 … 45 46 Tabel 6. Kandidat 2-itemset (C2) Pasangan Item Banyaknya Transaksi Support % SK-RG 4 14.8 SK-RoK 7 25.9 SK-B 5 18.5 SK-RC 9 33.3 … … … C-RoT 3 11 M-RoT 1 3.7 Iterasi C2 berfungsi umtuk menggabungkan/mamasangkan antara 1 produk dengan produk lainnya yang saling berkaitan. Banyaknya transaksi didapatkan dari tabel transaksi binomial, dengan cara melihat jumlah produk dalam 1 hari melakukan transaksi yang sama. 3. Pada iterasi ke-tiga, lakukan kembali proses cross item L2 set untuk membentuk kandidat selanjutnya yaitu C3. Dengan menggunakan rumus: Tabel 7. Kandidat 3- Itemset C3 No Pasangan Item Banyaknya Transaksi Support % 1 SK-RG-RoK 2 7.4 2 SK-RG-B 2 7.4 3 SK-RG-RC 1 3.7 4 SK-RG-BK 2 7.4 5 SK-RG-RT 2 7.4 6 SK-RG-SS 1 3.7 7 SK-RG-C 2 7.4 8 SK-RG-M 2 7.4 9 SK-RG-RoT 1 3.7 10 RoK-B-RC 3 11 11 RoK-B-BK 5 18.5 12 RoK-B-RT 2 7.4 13 RoK-B-SS 4 14.8 14 RoK-B-C 1 3.7 15 RoK-B-M 3 11 16 RoK-B-RoT 1 3.7 17 RC-BK-RT 5 18.5 18 RC-BK-SS 1 3.7 19 RC-BK-C 3 11 311 Prosiding Seminar Nasional Riset Dan Information Science (SENARIS) 2020 Vol. 2, Juli (2020), pp. 305-314 20 21 22 23 24 25 RC-BK-M RC-BK-RoT RT-SS-C RT-SS-M RT-SS-RoT C-M-RoT 3 3 3 3 5 1 11 11 11 11 18.5 3.7 4. Dari seluruh itemset yang terbentuk, kemudian dilakukan pemisahan menjadi antecedent dan consequent, untuk menentukan seluruh kemungkinan aturan asosiasi yang dapat terbentuk. Contoh : Meses => Brownis Dari contoh di atas, konsumen yang membeli roti meses juga membeli brownis, tetapi bukan berarti bahwa konsumen yang membeli brownis juga membeli roti meses. Berikut merupakan cara untuk menghitung Confidence : = No 1 2 3 4 43 44 Tabel 9. Hasil Perhitungan Confidance Itemset Support Antecedent Support Item Confidence B => M 14.8 33.3 44.4% RG => RoK 11 18.5 59.4% RG => B 11 18.5 59.4% B => RC 11 33.3 33% RC => BK 22.2 51.8 42.8% SS => RoT 22.2 59.2 37.5% Minimum confidence yang ditentukan adalah 50%, maka item-item yang memiliki nilai confidence kurang dari 50% dihilangkan. No 1 2 3 4 5 6 7 8 9 10 11 12 13 Tabel 10. Aturan Asosiasi yang berlaku Itemset Support Antecedent Support Item Confidence RG => RoK 11 18.5 59.4% RG => B 11 18.5 59.4% RT => C 11 66.6 66% RT => M 11 66.6 66% RK => RC 29.6 55.5 53.3% RK => BK 29.6 55.5 53.3% RC => RT 29.6 51.8 57% B => BK 18.5 33.3 55.5% RG => SS 14.8 18.5 80% RK => RT 48.1 66.6 72.2% RK => SS 40.7 66.6 61% BK => RT 40.7 62.9 64.7% RT => SS 40.7 66.6 61% Hasilnya adalah terbentuk 13 aturan asosiasi hasil proses berdasarkan parameter yang telah ditentukan yaitu minimum support 8% dan minimum confidence 50%. Pada 312 Prosiding Seminar Nasional Riset Dan Information Science (SENARIS) 2020 Vol. 2, Juli (2020), pp. 305-314 salah satu aturan yang terbentuk, misalnya aturan : „roti gandum (RG) => selai srikaya (SS)‟ dengan nilai confidance 80% berarti bahwa 80% dari konsumen yang membeli „roti gandum‟ juga membeli „selai srikaya‟. 3.2. Aplikasi RapidMiner Berikut ini merupakan hasil penulisan menggunakan RapidMiner 5.3 sehingga dapat diketahui produk yang paling diminati oleh konsumen. Gambar 3. Hasil Pengujian Algoritma Apriori Dari gambar di atas dapat kita lihat bahwa terdapat 27 sampel, data yang didapat selama 1 bulan yaitu dimulain pada tanggal 2 Desember 2019 – 31 Desember 2019. Setelah diolah ke aplikasi RapidMiner bahwa produk yang paling diminati oleh konsumen adalah „roti gandum -> selai srikaya‟. Ketika s eseorang membeli roti gandum maka kemungkinan akan membeli selai srikaya. 4.Kesimpulan Berdasarkan hasil perhitungan dan analisis penelitian konsumen menggunakan Data Mining metode Algoritma Apriori, maka penulis dapat menyimpulkan sebagai berikut: 1. Dengan menggunakan Data Mining metode Algoritma Apriori menghasilkan 13 aturan asosiasi dengan cara menghitung nilai support dan nilai confidance dari data transaksi penjualan pada UD. Bakery Garden. 2. Berdasarkan dari hasil perhitungan asosiasi yang terbentuk yaitu : a. Algoritma Apriori menggunakan data transaksi penjualan pada UD. Bakery Garden untuk menghasilkan aosiasi, sehingga hasilnya dapat membantu pihak perusahaan untuk menentukan stok bahan baku dari produk yang paling banyak peminatnya. b. Proses pengujian data menggunakan aplikasi RapidMiner 5.3, berdasarkan hasil dari asosiasi yang terbentuk. Hasilnya adalah terbentuk 13 aturan asosiasi, hasil proses yang telah ditentukan yaitu minimum support 8% dan minimum confidance 50%. 3. Asosiasi yang terbentuk dipengaruhi oleh nilai minimum support dan minimum confidance, semakin tinggi nilai confidancenya maka semakin sedikit nilai asosiasi yang terbentuk. Daftar Pustaka [1] C.T.I, B. R., & Al, E. (2017). Implemetasi k-means clustering pada rapidminer untuk analisis daerah rawan kecelakaan, (April). [2] Hidayat, A. Z. (2017). PENERAPAN ALGORITMA APRIORI UNTUK MENENTUKAN 313 Prosiding Seminar Nasional Riset Dan Information Science (SENARIS) 2020 Vol. 2, Juli (2020), pp. 305-314 STRATEGI PENJUALAN PADA RUMAH MAKAN “ DAPOER EMAK ” PATI. [3] Listriani, D., & Dkk. (2016). PENERAPAN METODE ASOSIASI MENGGUNAKAN ALGORITMA APRIORI PADA APLIKASI ANALISA POLA BELANJA KONSUMEN Studi Kasus Toko Buku Gramedia Bintaro ), 9(2), 120–127. [4] Qomariah, S., & Ekawati, H. (2020). IMPLEMENTASI METODE DATA MINING APRIORI PADA, 17(1), 329–338. [5] Saputra, R. (2017). APLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI ( Studi Kasus di Apotek Setya Sehat Semarang ), (April 2013). http://doi.org/10.14710/jmasif.4.7.1-8 314