PERANCANGAN APLIKASI DATA MINING UNTUK MENGANALISA PRODUK KOSMETIK DAN KECANTIKAN MENGGUNAKAN ALGORITMA APRIORI PADA PT RAJAWALI MUTIARA SEJAHTERA

Transkripsi

1 PERANCANGAN APLIKASI DATA MINING UNTUK MENGANALISA PRODUK KOSMETIK DAN KECANTIKAN MENGGUNAKAN ALGORITMA APRIORI PADA PT RAJAWALI MUTIARA SEJAHTERA Zulkifli, Bayu Dedy Irwanto ABSTRAK Dalam dunia bisnis penjualan kosmetik dan kecantikan strategi dalam pemasaran produk merupakan bagian yang penting untuk menunjang kelangsungan bisnis. PT Rajawali Mutiara Sejahtera adalah distributor yang melayani penjualan seluruh indonesia tentu membutuhkan strategi yang tepat dalam pemasaran penjualan produk. Salah satu cara dalam mencari informasi barang apa yang sering dibeli konsumen secara bersamaan yang terdapat dalam data transaksi penjualan barang adalah dengan menggunakan teknik Data Mining. Teknik Data Mining yang digunakan menggunakan Algoritma Apriori, yaitu mencari aturan asosiasi untuk menentukan hubungan kombinasi antar item barang yang dijual. Tujuan penelitian ini adalah mendapatkan informasi tentang barang apa yang sering dibeli konsumen secara bersamaan. Metode pengembangan sistem yang digunakan adalah Rapid Aplication Development (RAD) dengan pemodelan menggunakan Unified Modeling Language (UML). Hasil yang didapatkan adalah berupa aplikasi Data Mining menggunakan algoritma Apriori untuk mengetahui kombinasi antar item barang yang di beli secara bersamaan dengan menentukan nilai minimum support dan minimum confidence. Kata Kunci: Data Mining, Assosiation Rules, Algoritma Apriori ABSTRACT In the business world sales of cosmetics and beauty products in the marketing strategy is an important part to support business continuity. PT Rajawali Mutiara Sejahtera is a distributor which serves sales throughout Indonesia would need a proper strategy in marketing the product sales. One way to find the information what items frequently purchased consumer simultaneously the data contained in the sale of goods is to use Data Mining techniques. Data Mining techniques used using Apriori Algorithm, which is seeking association rules to determine the relationship between the combinations of items sold. The purpose of this study was to get information about what items are often bought by consumers simultaneously. System development method used is a Rapid Application Development (RAD) with modeling using the Unified Modeling Language (UML). The results obtained are in the form of data mining applications using Apriori Algorithm to determine the combination of the items are purchased simultaneously by specifying a minimum value of minimum support and confidence. Keywords: Data Mining, Association Rules, Apriori Algorithm 46 Jurnal Satya Informatika, Volume: 1, Nomor: 1, halaman 46-58

2 PENDAHULUAN A. Latar Belakang PT Rajawali Mutiara Sejahtera (RMS) adalah perusahaan distributor tunggal yang bergerak di bidang medical skincare dari produsen asal korea yang bernama Theraderm. Target utama konsumen PT RMS adalah dokter kulit dan dokter kecantikan, karena produk yang ditawarkan tidak dijual secara bebas maka perlu strategi-strategi pemasaran yang dapat menunjang penjualan produk. Untuk meningkatkan penjualan produk secara maksimal, PT RMS belum sepenuhnya memanfaatkan data-data yang sudah lama tersimpan. Data-data tersebut belum banyak memberikan manfaat untuk bahan informasi terutama dalam masalah penjualan barang. Oleh sebab itu perlu adanya teknologi yang dapat memanfaatkan data-data tersebut untuk membangkitkan pengetahuanpengetahuan baru, yang dapat membantu dalam pengaturan strategi bisnis penjualan pada PT Rajawali Mutiara Sejahtera. Mengetahui minat konsumen sangat penting bagi suatu penjualan, dimana dengan mengetahui minat konsumen dapat mengambil suatu keputusan atau strategi yang benar dan tepat bagi konsumennya. Dengan data mining, data-data transaksi penjualan tersebut dapat diolah lagi untuk mengekstrak informasi baru yang berguna dan dapat digunakan sebagai faktor-faktor untuk membantu pengambilan keputusan. Salah satunya untuk mengetahui produk-produk mana saja yang sering dibeli konsumen secara bersamaan dalam satu transaksi. B. Rumusan Masalah Rumusan masalah pada penelitian ini adalah bagaimana merancang aplikasi Data Mining dengan memanfaatkan algoritma apriori pada PT Rajawali Mutiara Sejahtera untuk mengetahui barang mana yang paling sering dibeli konsumen secara bersamaan C. Tujuan Penelitian Merancang dan membangun sebuah aplikasi menggunakan algoritma apriori dengan memanfatkan nota-nota penjualan barang agar dapat mengetahui informasi barang apa saja yang paling sering dibeli konsumen secara bersamaan pada PT Rajawali Mutiara Sejahtera. LANDASAN TEORI A. Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan teknik statistic, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar (Turban, dkk. 2005). B. Association Rules Jurnal Satya Informatika, Volume: 1, Nomor: 1, halaman

3 Metode association rules ini biasa dikenal sebagai metode analisa keranjang pasar atau market basket analisys. Metode association rules ini digunakan untuk menemukan aturan assosiatif antara suatu kombinasi item atau barang (Tang &Jamie, 2005). Metode ini dapat digunakan untuk mengidentifikasi item-item produk yang mungkin dibeli secara bersamaan dengan produk lain. Metode ini mempunyai dua tahapan yaitu, menemukan frequent itemset dan membentuk association rules. Metode ini terdiri dari dua item yaitu antecedent dan consequent (Hornick, 2006). Antecedent dan consequent bisa di analogikan sebagai aturan If x Then y. Dimana x merupakan antecedent atau left hand side dan y adalah consequent atau right hand side. Misalkan jika antecedent A dan consequent B, maka aturannya dapat ditulis sebagai berikut : (A B). Support adalah nilai dua atau lebih itemset yang dibeli secara bersamaan dari keseluruhan transaksi. Nilai support menujukan frekuensi itemset dalam suatu transaksi. Berikut perhitungan utuk mengetahui nilai support : Confidence adalah ukuran yang didapatkan dari probabilitas adanya itemset A pada suatu transaksi maka juga ada itemset B pada transaksi tersebut. Nilai confidence menunjukan kuatnya hubungan antar item dalam suatu aturan assosiasi. Berikut perhitungan untuk mengetahui nilai confidence : C. Algoritma Apriori Algoritma apriori termasuk jenis aturan assosiasi pada data mining. Selain apriori, yang termasuk pada golongan ini adalah metode Generalized Rule Induction dan Algoritma Hash Based. Aturan yang menyatakan asosiasi antara beberapa atribut sering disebut affinity analysis atau market basket analysis. Algoritma apriori digunakan untuk mencari frequent itemset. Pengertian frequent itemset adalah himpunan item-item yang memenuhi minimum support. Selanjutnya frequent itemset digunakan untuk membangun aturan assosiasi. Untuk membentuk kandidat itemset digunakan dua tahap yaitu : Joint step : Ck dibangun dengan menggabungkan Lk-1 dengan dirinya. Prune step : setiap (k-1)-itemset yang bukan frequent tidak boleh menjadi suatu subset dari suatu frequent k-itemset. Untuk lebih jelasnya perhatikan ilustrasi algortima berikut : 48 Jurnal Satya Informatika, Volume: 1, Nomor: 1, halaman 46-58

4 Gambar II.1 Islustrasi Algoritma Apriori Penjelasan tentang contoh ilustrasi algoritma apriori adlah sebagai berikut : 1. Dari database D kemudian dibentuk C1 (kandidat 1-itemset), apabila itemset pada C1 tidak memenuhi minimum support maka akan di eliminasi dari L1. 2. Selanjutnya dibangun C2 (kandidat 2-itemset) dengan melakukan cross itemset yang ada pada L1 (join step). Apabila itemset pada C2 tidak memenuhi minimum support maka akan di eliminasi dari L2. 3. Kemudian dibangun C3 (kandidat 3-itemset) dengan melakukan cross itemset yang ada pada L2 (join step).jika diperhatikan selain itemset {B, C, E} sebenaranya masih ada itemset {A, C, B} dan {A, C, E} yang bisa didaptkan dari kombinasi itemset L2. Tetapi kedua itemset terseut dipangkas (prune step) karena itemset {C,B} dan {A,E} di eliminasi dari L2. METODOLOGI PENELITIAN A. Contoh Perhitungan Algoritma Apriori (Manual) Pada bagian ini akan dijelaskan mengenai cara perhitungan manual menggunakan algoritma apriori. Untuk membuktikan bagaimana proses dan alur algoritma apriori sehingga menghasilkan informasi yang dapat digunakan untuk bahan pertimbangan dalam promosi pemasaran produk. Sample data sebanyak 30 record dari laporan nota penjualan pada PT Rajawali Mutiara Sejahtera. Dalam hal ini untuk mendapatkan informasi barang apa saja yang sering dibeli konsumen secara bersamaan dalam satu transaksi. Datanya sebagai berikut : Tabel III.1 Tabel Transaksi Id_transaksi Id_barang Nama_barang DSP11 BB White Moisture Sunblock DSP16 Bedak BB Suncover PHBB Dr Pharm Magic BB Cream DSP07 Blemish Balm Sunblock PHBB Dr Pharm Magic BB Cream DSP16 Bedak BB Suncover DSP12 BB White Sunblock & Whitening Jurnal Satya Informatika, Volume: 1, Nomor: 1, halaman

5 PHBB Dr Pharm Magic BB Cream DSP02 Moisture Sunblock DSP11 BB White Moisture Sunblock DSP07 Blemish Balm Sunblock DBP01 Bio Cell Active C Serum DSM06 Anti-PIH Mask DSP07 Blemish Balm Sunblock DSP11 BB White Moisture Sunblock DSP07 Blemish Balm Sunblock DSM04 Spirulina Cooling Marine Mask DSM01 Meso Alginate Mask DSM06 Anti-PIH Mask MNL07 Minilift Vitamin E oil DBT01 Black Peel Resurfacing DBT02 Black Peel Clear DSP02 Moisture Sunblock DSP07 Blemish Balm Sunblock DSP11 BB White Moisture Sunblock DBT01 Black Peel Resurfacing DSP12 BB White Sunblock & Whitening DBT01 Black Peel Resurfacing PHBB Dr Pharm Magic BB Cream DSP16 Bedak BB Suncover Selanjutnya data akan di representasikan seperti berikut : Tabel III.2 Representasi Data Transaksi Nama_barang Jumlah Anti-PIH Mask 2 BB White Moisture Sunblock 33 BB White Sunblock & Whitening 22 Bedak BB Suncover 15 Bio Cell Active C Serum 2 Black Peel Clear 1 Black Peel Resurfacing 8 Blemish Balm Sunblock 44 Dr Pharm Magic BB Cream 11 Meso Alginate Mask 1 Minilift Vitamin E oil 1 Moisture Sunblock 22 Spirulina Cooling Marine Mask 1 50 Jurnal Satya Informatika, Volume: 1, Nomor: 1, halaman 46-58

6 Frequent Itemset menunjukan itemset yang memiliki frekuensi kemunculan lebih dari nilai minimum yang telah ditentukan. Misalkan nilai yang telah ditentukan adalah 2, maka semua itemset yang frekuensi kemunculannya lebih dari atau sama dengan 2 kali disebut frequent. Himpunan dari frequent k- itemset dilambangkan dengan Fk. Berikut ini adalah calon 2-itemset dari data transaksi pada Tabel.1. Tabel III.3 Calon 2 - Itemset Kombinasi item Jumlah Bio Cell Active C Serum dan Anti-PIH Mask 1 Bio Cell Active C Serum dan Blemish Balm Sunblock 2 Black Peel Resurfacing dan Black Peel Clear 1 Black Peel Resurfacing dan Bedak BB Suncover 1 Black Peel Resurfacing dan Dr Pharm Magic BB Cream 1 Greentea Neutralizer dan Vital C Exfoliator 1 Greentea Neutralizer dan Vital C Activator 1 Greentea Neutralizer dan Bedak BB Suncover 1 Shooting Repair Mask dan Vital C Activator 1 Shooting Repair Mask dan Bedak BB Suncover 1 C Plus Peptide Cream dan Vital C Exfoliator 1 C Plus Peptide Cream dan Blemish Balm Sunblock 1 Vital C Exfoliator dan Vital C Activator 1 Vital C Exfoliator dan Blemish Balm Sunblock 1 Vital C Exfoliator dan Bedak BB Suncover 1 Vital C Powder dan Vital C Activator 1 Vital C Activator dan Bedak BB Suncover 1 Meso Alginate Mask dan Spirulina Cooling Marine Mask 1 Meso Alginate Mask dan Anti-PIH Mask 1 Spirulina Cooling Marine Mask dan Anti-PIH Mask 1 Anti-PIH Mask dan Blemish Balm Sunblock 1 Moisture Sunblock dan Blemish Balm Sunblock 1 Moisture Sunblock dan BB White Moisture Sunblock 2 Blemish Balm Sunblock dan BB White Moisture Sunblock 1 Blemish Balm Sunblock dan Bedak BB Suncover 2 Vital C Activator dan Bedak BB Suncover 1 BB White Moisture Sunblock dan Bedak BB Suncover 1 Bedak BB Suncover dan Dr Pharm Magic BB Cream 2 Dari data Tabel 3.3 diatas jika ditetapkan nilai minimum yang ditetapkan adalah 2, maka kombinas yang jumlahnya kurang dari 2 akan di eliminasi dari daftar calon 2-itemset. Berikut himpunan F2 : Jurnal Satya Informatika, Volume: 1, Nomor: 1, halaman

7 Tabel III.4 Frequent 2-itemset Kombinasi Jumlah Bio Cell Active C Serum dan Blemish Balm Sunblock 2 Moisture Sunblock dan BB White Moisture Sunblock 2 Blemish Balm Sunblock dan Bedak BB Suncover 2 Bedak BB Suncover dan Dr Pharm Magic BB Cream 2 Kombinasi dari itemset F2 dapat digabungkan menjadi calon 3-itemset. Itemsetitemset dari F2 yang dapat digabungkan adalah itemset-itemset yang memiliki kesamaan dalam k-1 item pertama. Calon 3-itemset yang dapat dibentuk dari F2tampak pada tabel berikut : Tabel III.5 Calon 3-itemset Kombinasi Jumlah Bio Cell Active C Serum, Anti-PIH Mask dan Blemish Balm Sunblock 1 Black Peel Resurfacing, Bedak BB Suncover dan Dr Pharm 1 Magic BB Cream Greentea Neutralizer, Vital C Exfoliator dan Vital C Activator 1 Greentea Neutralizer, Vital C Exfoliator dan Bedak BB Suncover 1 Greentea Neutralizer, Vital C Activator dan Bedak BB Suncover 1 Shooting Repair Mask, Vital C Activator dan Bedak BB Suncover 1 C Plus Peptide Cream, Vital C Exfoliator dan Blemish Balm Sunblock 1 Vital C Exfoliator, Vital C Activator dan Bedak BB Suncover 1 Meso Alginate Mask, Spirulina Cooling Marine Mask dan Anti-PIH 1 Mask Dari hasil jumlah kombinasi di atas, maka dapat disimpulkan bahwa dari calon 3-itemset yang ada tidak ada satupun kombinasi yang memenuhi syarat minimum frekuensi yang ditentukan yaitu 2. Kombinasi diatas hanya memiliki jumlah 1. Maka untuk proses analisis pola frekuensi tinggi hanya sampai pada 2-itemset saja yaitu himpunan F2 = { {Bio Cell Active C Serum, Blemish Balm Sunblock }, {Moisture Sunblock, BB White Moisture Sunblock }, {Blemish Balm Sunblock, Bedak BB Suncover }, {Bedak BB Suncover, Dr Pharm Magic BB Cream } }. Dari himpunan F2 yang telah ditemukan pada perhitungan sebelumnya, maka dapat dilihat besarnya nilai soppurt dan confidence dari calon aturan asosiasi seperti pada tabel berikut : 52 Jurnal Satya Informatika, Volume: 1, Nomor: 1, halaman 46-58

8 Tabel III.6 Aturan Asosiasi Kombinasi Jika membeli Bio Cell Active C Serum, maka akan membeli Blemish Balm Sunblock Jika membeli Blemish Balm Sunblock, maka akan membeli Bio Cell Active C Serum Jika membeli Moisture Sunblock, maka akan membeli BB White Moisture Sunblock Jika memeli BB White Moisture Sunblock, maka akan membeli Moisture Sunblock Jika membeli Blemish Balm Sunblock, maka akan membeli Bedak BB Suncover Jika membeli Bedak BB Suncover, maka akan membeli Blemish Balm Sunblock Jika membeli Bedak BB Suncover, maka akan membeli Dr Pharm Magic BB Cream Jika membeli Pharm Magic BB Cream, maka akan membeli Bedak BB Suncover Confidence 2/2 100% 2/11 18,18% 2/3 66,67% 2/4 50% 2/11 18,18% 2/7 28,57% 2/7 28,57% 2/4 50% Jika ditetapkan nilai minimum confidence adalah 60%, maka aturan yang memiliki confidence dibawah 60% akan dieliminasi. Berikut hasilnya : Tabel III.7 Aturan Asosiasi yang Memenuhi syarat Kombinasi Jika membeli Bio Cell Active C Serum, maka akan membeli Blemish Balm Sunblock Jika membeli Moisture Sunblock, maka akan membeli BB White Moisture Sunblock Confidence 2/2 100% 2/3 66,67 % Aturan asosiasi final terurut berdasarkan Support x confidence terbesar dapat dilihat pada tabel berikut : Tabel III.8 Aturan Asosiasi Final Kombinasi Support Confidenc e Support x Confidence Jika membeli Bio Cell Active C Serum, maka akan membeli Blemish Balm Sunblock 2/30 6,67% 100% 6,67% Jurnal Satya Informatika, Volume: 1, Nomor: 1, halaman

9 Jika membeli Moisture Sunblock, maka akan membeli BB White Moisture Sunblock 2/30 6,67% 66,67% 4,45% HASIL DAN PEMBAHASAN A. Hasil Implementasi Program Dari analisa dan perancangan yang telah dilakukan, hasil dari aplikasi yang dibangun dapat terlihat seperti pada tampilan dibawah ini: Gambar IV.1 Splash Screen Gambar IV.2 Halaman Login Gambar IV.3 Halaman Menu Utama Gambar IV.4 Halaman Form Data Transaksi Gambar IV.5 Halaman Data Produk Gambar IV.6 Halaman Menu Analisa Apriori 54 Jurnal Satya Informatika, Volume: 1, Nomor: 1, halaman 46-58

10 Gambar IV.7 Tampilan Pie Chart Penjualan Barang B. Hasil Uji Program Hasil pengujian program yang penulis lakukan menggunakan data transaksi penjualan PT Rajawali Mutiara Sejahtera 6 bulan terakhir tahun Dalam pengujian ini penulis menetapkan nilai minimum support sebesar 2% dan nilai minimum confidence sebesar 10%. Berikut adalah hasilnya : Tabel IV.1 Tabel Hasil Uji Program Analisa Apriori Jenis Data Data Transaksi Tahun Data 6 bulan terakhir tahun 2014 Total Transaksi 493 Total Item Produk 63 Proses Analisa 40 Menit Assosiasi Jumlah Assosiasi 2-Itemset 3-Itemset 18 3 Detail Assosiasi Kombinasi2-Itemset Support Confidence Jika membeli " Pumpkin Peel " maka akan membeli " 2,03% 35,71% Moisture Sunblock " Jika membeli " Moisture Sunblock " maka akan 2,03% 10,53% membeli " Pumpkin Peel " Jika membeli " Vital C Exfoliator " maka akan membeli 2,43% 57,14% " Vital C Powder " Jika membeli " Vital C Powder " maka akan membeli " 2,43% 70,59% Vital C Exfoliator " Jika membeli " Vital C Exfoliator " maka akan membeli 2,84% 66,67% " Vital C Activator " Jika membeli " Vital C Activator " maka akan membeli 2,84% 70% " Vital C Exfoliator " Jika membeli " Vital C Powder " maka akan membeli " 2,64% 76,47% Vital C Activator " Jika membeli " Vital C Activator " maka akan membeli 2,64% 65% " Vital C Powder " Jika membeli " Moisture Sunblock " maka akan membeli " Blemish Balm Sunblock " 9,94% 51,58% Jurnal Satya Informatika, Volume: 1, Nomor: 1, halaman

11 Jika membeli " Blemish Balm Sunblock " maka akan membeli " Moisture Sunblock " Jika membeli " Moisture Sunblock " maka akan membeli " Bedak BB Suncover " Jika membeli " Bedak BB Suncover " maka akan membeli " Moisture Sunblock " Jika membeli " Blemish Balm Sunblock " maka akan membeli " Bedak BB Suncover " Jika membeli " Bedak BB Suncover " maka akan membeli " Blemish Balm Sunblock " Jika membeli " BB White Moisture Sunblock " maka akan membeli " BB White Sunblock & Whitening " Jika membeli " BB White Sunblock & Whitening " maka akan membeli " BB White Moisture Sunblock " Jika membeli " BB White Moisture Sunblock " maka akan membeli " Bedak BB Suncover " Jika membeli " Bedak BB Suncover " maka akan membeli " BB White Moisture Sunblock " Kombinasi 3-Itemset Jika membeli " Vital C Exfoliator " dan " Vital C Powder " maka akan membeli " Vital C Activator " Jika membeli " Vital C Exfoliator " dan " Vital C Activator " maka akan membeli " Vital C Powder " Jika membeli " Vital C Powder " dan " Vital C Activator " Maka akan membeli " Vital C Exfoliator " 9,94% 32,45% 2,03% 10,53% 2,03% 14,93% 3,25% 10,6% 3,25% 23,88% 5,27% 47,27% 5,27% 41,27% 2,43% 21,82% 2,43% 17,91% Support Confidence 2,23% 91,67% 2,23% 78,57% 2,23% 84,62% KESIMPULAN DAN SARAN A. Kesimpulan Dari hasil penelitian dan tulisan yang penulis uraikan, maka dapat ditarik kesimpulan sebagai berikut : 1. Proses data mining menggunakan algoritma a priori yang diakukan pada data transaksi penjualan barang PT Rajawali Mutiara Sejahtera memerlukan waktu yang cukup lama yaitu sekitar 45 menit untuk 493 jumlah taransaksi dan 63 jumlah item produk yang dijual. 2. Setelah proses data mining dijalankan dengan memberikan nilai minimum support 2% dan nilai minimum confidence 10%, maka didapatkanlah total 18 aturan assosiasi 18 diantaranya 2-Itemset dan 3 lainnya 3-Itemset. Untuk hasil 2-Itemset dengan nilai support tertinggi yaitu aturan Jika membeli " Moisture Sunblock " maka akan membeli " Blemish Balm Sunblock " dengan Support (nilai pendukung) 9,94% dan Confidence (nilai kepastian) 51,58%. Dan untuk hasil 3-Itemset dengan nilai confidence tertinggi yaitu aturan Jika membeli " Vital C Exfoliator " dan " Vital C Powder " maka akan membeli " Vital C Activator " dengan Support (nilai pendukung) 2,23% dan Confidence (nilai kepastian) 91,67% B. Saran 56 Jurnal Satya Informatika, Volume: 1, Nomor: 1, halaman 46-58

12 Dalam penelitian dan aplikasi ini tentu saja masih mempunyai kekurangan. Masih banyak hal yang dapat dilakukan untuk mengembangkan aplikasi ini agar menjadi lebih baik lagi, antara lain : 1. Dalam pembuatan aplikasi data mining dapat dilakukan dengan menyediakan integrasi layanan secara online agar dapat lebih mudah dalam mengakses dan mencari informasi data. Tentunya masalah keamanan data sangat diperlukan agar data-data tidak dipergunakan oleh orang-orang yang tidak bertanggung jawab. 2. Perlu ditambahkan fasilitas dalam aplikasi untuk cetak laporan penjualan agar lebih mempermudah dalam mengetahui barang-barang yang terjual. 3. Dalam penelitian ini masih jauh dari sempurna sehingga diperlukan perbandingan dari algoritma atau metode lain terkait dalam data mining assosiasi ini agar dapat mengetahui kekurangan dan kelebihan dari masing-masing algoritma tersebut. DAFTAR PUSTAKA Al Fatta, Hanif Analisis dan Perancangan Sistem Informasi Untuk Keunggulan Bersaing Perusahaan dan Organisasi Modern. Yogyakarta: C.P, Heruandika., Bettiza, Martaleli,. Matulatan, Tekad Penerapan Algoritma Apriori Dalam Menemukan Hubungan Data Awal Masuk Mahasiswa Dengan Prestasi Akademik. Jurusan Teknik Informatika. Universitas Maritim Raja Ali Haji. Fowler, Martin UML Distilled 3th Ed.. Panduan Singkat Bahasa Pemodelan Objek Standart/ Martin Fowler. Diterjemahkan oleh : Tim Penerjemah Penerbit Andi Ed. 1. Yogyakarta : ANDI. Indrayani dan Martin Pemrograman Berbasis Objek dengan Bahasa Java. Jakarta: Elex Media Komputindo. Kusrini, dan Luthfi E,T Algoritma Data Mining. Yogyakarta : Andi Offset. Nofriansyah, Dicky Konsep Data Mining VS Sistem Pendukung Keputusan. Yogyakarta: Deepublish. Rosa A.S dan Shalahudin, M Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objek. Cetakan Kedua. Bandung : Informatika Bandung. Soewadji, Jusuf Pengantar Metodologi Penelitian. Jakarta: Mitra Wacana Media. Suliantan, Feri dan Juju, Dominikus Data Mining: Meramalkan Bisnis Perusahaan. Jakarta: Elex Media Komputindo. Supardi, Yuniar Pemrograman Database dengan Java dan MySQL. Jakarta: Elex Media Komputindo. Wahyu Tyas, Eko Penerapan Metode Association Rule Menggunakan Algoritma Apriori untuk Analisa Pola Data Hasil Tangkapan Ikan. e-indonesia initiative (eii2008). Jurnal Satya Informatika, Volume: 1, Nomor: 1, halaman