JITTER- Jurnal Ilmiah Teknologi dan Komputer Vol. 4, No. 3 December 2023

Analisis Pengambilan Keputusan Untuk Korelasi Pembelian Produk Menggunakan Metode Association Rules

Erlin Ayu Khrisnawati1), Dayu Renita2)

Abstrak

Para pelaku bisnis dituntut untuk dapat mengikuti perkembangan zaman yang semakin dinamis. Para pelaku bisnis harus mempunyai strategi yang tepat untuk dapat bersaing dengan kompetitor agar usaha yang dijalankan tetap menghasilkan keuntungan. Dari data transaksi penjualan yang ada, dapat digunakan untuk pengambilan keputusan bagi para pelaku bisnis dalam menyusun strategi yang baik dalam mengembangkan usahanya. Dengan menggunakan data mining dengan metode Association Rules dapat digunakan untuk menganalisis pola penjualan yang ada. Pada pengujian ini, penulis menggunakan Algoritma Apriori untuk menganalisis keranjang belanja (market basket analysis) untuk mengetahui korelasi pembelian produk dan produk apa saja yang sering dibeli oleh konsumen. Dari analisis Algoritma apriori menghasilkan frequent item yang memenuhi nilai minimum support dan confidence. Hasil dari pengujian ini adalah memberikan rekomendasi produk kepada konsumen berdasarkan item yang saling berhubungan dan sebagai acuan dalam promosi produk untuk mendukung keputusan dalam menyusun strategi yang baik dalam bisnisnya.

Kata kunci: data mining, association rules, algoritma apriori

Abstract

Business people are required to be able to keep up with the increasingly dynamic times. Business people must have the right strategy to be able to compete with competitors so that the business they run continues to generate profits. From the existing sales transaction data, it can be used for decision making for business people in developing a good strategy in developing their business. By using data mining with the Association Rules method can be used to analyze existing sales patterns. In this test, the author uses the Apriori Algorithm to analyze the market basket analysis to find out the correlation between product purchases and products that are often purchased by consumers. From the analysis of the a priori algorithm, it produces frequent items that meet the minimum values of support and confidence. The result of this test is to provide product recommendations to consumers based on interrelated items and as a reference in product promotion to support decisions in developing good strategies in their business.

Keywords: data mining, association rules, apriori algorithm

Python untuk menemukan pola tersebut. Python merupakan salah satu bahasa pemrograman yang mudah dipelajari dan termasuk dalam kategori high-level karena sintaknya yang rapi, sederhana dan singkat[1]. Banyak digunakan dalam berbagai macam program, seperti CLI, desktop, IoT, Game, program untuk hacking, dan lain-lain. Selain itu bahasa Python juga digunakan dalam pengumpulan, pengolahan dan pemakaian data dalam jumlah yang besar yang digunakan untuk menemukan suatu pola atau hubungan dalam dataset yang disebut dengan data mining[2].

Data mining adalah sebuah metode dalam ilmu komputer yang memungkinkan pemahaman data yang lebih baik dan lebih mendalam, dengan metode yang ada seperti, association rules, decision tree, neural network, dan clustering[3]. Dalam menemukan pola penjualan yang digunakan untuk pengambilan keputusan, penulis menggunakan metode association rules dengan Algoritma Apriori untuk mengetahui korelasi pembelian produk. Association rule atau aturan asosiasi merupakan teknik yang digunakan dalam data mining untuk mencari aturan asosiasi dengan menganalisa pola data yang frequent pattern untuk mengidentifikasi hubungan antar item dengan menggunakan parameter support dan confidence[4]. Aturan dalam asosiasi juga disebut dengan market basket analysis. Tujuan dari market basket analysis adalah untuk mengetahui produk apa saja yang sering dibeli oleh konsumen[5].

ELJAS Store merupakan toko yang menjual berbagai model celana untuk pria dengan harga yang terjangkau. Diproduksi oleh salah satu UMKM di Jepara, Jawa Tengah yang kemudian hasil produknya dijual melalui salah satu e-commerce terkenal di Indonesia. Usaha di bidang ini terdapat banyak pesaing yang mengharuskan pengelola produk atau pemilik UMKM untuk lebih update dan inovatif. Update dengan produk - produk yang sedang trend yang sedang digemari saat ini serta berinovasi dari produk tersebut sehingga terdapat perbedaan dengan produk lainnya yang membuatnya unik dan bisa menarik minat pelanggan. Untuk penjual diharuskan dapat memasarkan produknya dengan konten - konten yang sedang trend juga bisa dengan memberikan gambar produk yang jernih dan memberikan nama produk yang unik. Dengan hal ini akan menarik minat pembeli karena merasa produknya ini sesuai dengan trend namun memiliki ciri khas sendiri.

Berdasarkan permasalahan diatas, maka dilakukan market basket analysis untuk mengetahui hubungan antar produk. Penelitian ini diharapkan dapat membantu pemilik Eljas Store dalam pengambilan keputusan untuk mengetahui produk mana saja yang paling banyak di beli dan untuk mengetahui korelasi antar produk. Sehingga dengan adanya penelitian ini, dapat digunakan pemilik Eljas Store dalam menyusun strategi yang tepat dalam meningkatkan penjualan.

  • 2. METODOLOGI

Metode penelitian yang digunakan dalam penelitian ini digambarkan seperti diagram dibawah

ini

Gambar 1. Tahapan Penelitian


  • 2.1    Studi Literatur

Sebelum melakukan tahap studi literatur, yaitu melakukan identifikasi permasalahan dan kebutuhan di Eljas Store. Kemudian dari permasalahan yang ada, dilakukan studi literatur yang relevan dengan permasalahan untuk membantu penulis dalam menyelesaikan penelitian ini.

  • 2.2    Pengumpulan Data

Pada tahap pengumpulan data yaitu penulis menentukan data mana yang akan digunakan untuk proses data mining. Data yang digunakan merupakan data transaksi Eljas Store dari bulan Juni 2021 sampai Mei 2022.

  • 2.3    Pre-processing Data

Pada proses pre-processing data yaitu melakukan pembersihan data sesuai dengan atribut yang dibutuhkan sebelum proses data mining dilakukan. Maksud dari proses ini adalah membuang atribut yang tidak diperlukan, menghilangkan data yang ambigu, menghilangkan data duplikat untuk menghasilkan data yang lebih akurat sehingga data yang dihasilkan mudah diolah sesuai dengan kebutuhan.

  • 2.4    Association Rules dengan Algoritma Apriori

Dalam penelitian ini, penulis menggunakan Algoritma Apriori untuk menganalisis pola pembelian produk yang sering dilakukan oleh konsumen di Eljas Store. Algoritma Apriori ini adalah sebuah teknik data mining untuk menunjukkan hubungan (asosiasi) antar item. Hubungan antar item ini dapat membantu dalam pengambilan keputusan berdasarkan hubungan yang ada, sehingga hasil dari analisis ini dapat digunakan untuk menyusun strategi bisnisnya.

  • 2.5    Kesimpulan

Setelah melewati tahapan-tahapan sebelumnya dan sudah dilakukan proses mining dimana menerapkan metode association rules dengan menggunakan algoritma apriori. Langkah selanjutnya adalah menerjemahkan aturan-aturan yang dihasilkan dari proses data mining ke dalam bentuk yang mudah dipahami. Hasil dari ini kemudian ditarik sebuah kesimpulan untuk dapat digunakan pelaku bisnis dalam kebutuhan bisnisnya.

  • 3.    HASIL DAN PEMBAHASAN

Penelitian ini dilakukan melalui beberapa tahap antara lain :

  • 3.1   Tahap Pengumpulan Data

Pada studi kasus ini, penulis menggunakan data transaksi dari Eljas Store yaitu data transaksi dari bulan Juni 2021 sampai Mei 2022. Kemudian data itu diolah dengan menggunakan algoritma Apriori melalui bahasa pemrograman Python.

Pada gambar 1 terdapat atribut-atribut yang digunakan nantinya dalam proses association rules, terdapat item-item yang muncul dalam dataset transaksi penjualan. Hal itu nantinya akan digunakan untuk analisis keranjang belanja atau market basket analysis dalam menentukan korelasi antar produk pada Eljas Store.

Pesanan

Dibuat

Tanggal Pesanan

Waktu

Pesanan

Waktu Pembsyaran Dilakukan

Nama Produk

Nama Variasi

Harga Awal

Harga

Setelah

Diskon

Total

Harga

Produk

Jumlah

Produk di

Pesan

Total

Pembayaran

Waktu Pesanan Selesai

Celana pendek

2021-06

01 13:48

2021-06

01

13:47

2021-06-01

13:48

Chinos I Celana

Pendek Jumbo

NaN

38.0

25.000

125.000

5

136.000

2021-06-03

14:32

XX..

2021-06

02 09:00

2021-06

02

9:00

2021-06-02

09:00

(IOOrb DAPAT 4) Chinos Pendek Pria ∕ Katok C...

Grosir

(min 12)

23.0

22000

110.000

5

111 000

2021-06-04

13:30

2021-06

06 21:57

2021-06

06

21:56

2021-06-07

11:52

( IOOrb DAPAT 4 ) Chinos Pendek Pria ∕ Katok C...

Hitam

35.0

23.955

23.955

1

26.401

2021-06-09

12:04

2021-06

06 12:27

2021-06

06

12:27

2021-06-06

12:27

( IOOrb DAPAT 4 ) Chinos Pendek Pria ∕ Katok C...

Hitam

35.0

23.955

23.955

33.944

2021-06-09

14:20

2021-06

06 11:32

2021-06

06

11:32

2021-06-06

11:33

(100rb dapat 5)

Celana Pendek

Chinos Stretch a..

Abu-abu,L

30.0

20522

20 522

1

20522

2021-06-09

15:44

  • 3.2    Tahap Pengolahan Data

Pada tahap ini adalah dilakukan pengecekan apakah data yang digunakan terdapat nilai null pada dataset. Hal ini dilakukan agar hasil yang didapatkan nantinya tidak terjadi ambiguitas dan lebih akurat. Untuk mengatasinya penulis melakukan penghapusan data yang bernilai null pada dataset sehingga tidak ada lagi data yang bernilai null.

Penghapusan data yang bernilai null pada dataset dilakukan dengan perintah Python seperti gambar 3 dibawah ini.

data.isnull().sum()

Pesanan Dibuat0

Tanggal Pesanan0

Maktu Pesanan0

Waktu Pembayaran Dilakukan 0 Nama Produk0

Harga Awal0

Harga Setelah Diskon0

Total Harga Produk0

Dumlah Produk di Pesan0

Total Pembayaran0

Waktu Pesanan Selesai0

dtype: int64

Gambar 3. Pembersihan Data

Setelah melakukan penghapusan data yang bernilai null tahap selanjutnya adalah melakukan eksplorasi data lebih lanjut untuk melihat item-item apa sajakah yang dapat dianalisis dan menghasilkan informasi untuk strategi bisnis.

Pada data transaksi Eljas Store dari 13 item yang ada, produk yang paling populer adalah item “( 100rb DAPAT 4 ) Chinos Pendek Pria / Katok Celana Pendek Distro” dengan terjual sebanyak 174 kali. Item-item tersebut dapat ditampilkan mulai dari item yang populer sampai tidak populer dengan menggunakan perintah Python seperti gambar 4 berikut ini.

data[,Nama Produk'].value_counts().sort_values(ascending=False).head(10)

( IOQrb DAPAT 4 ) Chinos Pendek Pria ∕ Katok Celana Pendek Distro174

(10Θrb dapat 5) Celana Pendek Chinos Stretch anak / katok Pendek Anak 24 celana pendek distro motif / celana pendek motif9

Celana CHINOS pendek / Celana pendek Rip Chinos8

Celana pendek Chinos / Celana Pendek Iumbo XXL / Celana Pendek Distro4

CELANA KOLOR JOVA TWILL / CELANA SANTAI RIP TWILL / CELANA PENDEK4

Kaos Rib Premium4

Celana Panjang Teresa/ Celana Silma Salur /Celana Santai2

Celana Pendek Cargo ∕ Chinos Cargo Pendek2

(Ikg=Spcs) JILBAB KHIMAR KERUDUNG BERGO INSTAN ∕ BERGO AISYAH JUMBO1

Name: Nama Produkj dtype: int64

Gambar 4. Jumlah produk terjual

Langkah selanjutnya adalah mengetahui waktu paling sibuk atau waktu yang paling banyak terjadi transaksi yang dilakukan konsumen dalam membeli produk di Eljas Store. Waktu yang paling banyak terjadi transaksi adalah pada waktu sore hari. Berikut adalah hasil penggunaan perintah Python untuk melihat waktu tersibuk yang terlihat seperti gambar 5 berikut ini.

Daytime

Gambar 5. Grafik waktu tersibuk

Selain itu jumlah transaksi per bulan pada data transaksi Eljas Store terbanyak terjadi pada bulan Agustus 2021. Hasil dari perintah Python untuk data transaksi terbanyak per bulannya ditunjukkan seperti gambar 6 sebagai berikut.

Business duπng the past months

Gambar 6. Grafik Transaksi terbanyak perbulan

Pada Eljas Store juga terdapat item yang paling tidak populer, terlihat pada hasil perintah python terdapat item-item yang jarang dibeli konsumen setiap bulannya ditunjukkan pada pada gambar 7 dan gambar 8 dibawah ini.

Gambar 7. Item paling tidak populer (1)


Gambar 8. Item paling tidak populer (2)


Dari perintah Python di atas terdapat item-item pada Eljas Store yang paling tidak populer setiap bulannya adalah sebagai berikut :

Tabel 1. Item paling tidak populer perbulan

Tahun Bulan

Item


2021

Juni

Bawahan Wanita Rok Plisket Premium

Juli

JILBAB KHIMAR KERUDUNG BERGO INSTAN / BERGO AISYAH JUMBO

Agustus

JILBAB KHIMAR KERUDUNG BERGO INSTAN / BERGO AISYAH JUMBO

September

JILBAB KHIMAR KERUDUNG BERGO INSTAN / BERGO AISYAH JUMBO

Oktober

(100rb dapat 5) Celana Pendek Chinos Stretch anak / katok Pendek Anak

November

(100rb dapat 5) Celana Pendek Chinos Stretch anak / katok Pendek Anak

Desember

JILBAB KHIMAR KERUDUNG BERGO INSTAN / BERGO AISYAH JUMBO

2022

Januari

(100rb dapat 5) Celana Pendek Chinos Stretch anak / katok Pendek Anak

Februari

( 100rb DAPAT 4 ) Chinos Pendek Pria / Katok Celana Pendek Distro

Maret

(100rb dapat 5) Celana Pendek Chinos Stretch anak / katok Pendek Anak

April

(100rb dapat 5) Celana Pendek Chinos Stretch anak / katok Pendek Anak

Mei

(100rb dapat 5) Celana Pendek Chinos Stretch anak / katok Pendek Anak

Sedangkan item-item best seller yang terdapat pada Eljas Store setiap bulannya adalah item “( 100rb DAPAT 4 ) Chinos Pendek Pria / Katok Celana Pendek Distro” yang ditunjukkan oleh perintah Python pada gambar 9 dan gambar 10 berikut ini.

Gambar 9. Item best seller perbulan (1)

Celana Bdlcr Pelet / Celana Santai ∕ Cclana Pendek Pria wanita

Cclana PanIaM IeresaZ

Celana Pendek Carno Z Chinos

Celana pendek

CMirtOS / JertMc UC Z Distro

Kaos nib

celana distro celana

gendeh

pendek e

Cclawa

ZCelarta

Sil*a Salnr Saetai

Celana

Celana

Pendek

Nrtdek

Car *o

Pendek

OJl

D.D

0.0

1.0

D.0

OuO

∣Nama PrtxMi. ∣ IDOrti DAPAT 4 ) CNnos Pendek ...

GO

D.D

D.D

0.0

OjO

2.0

INama PrtxMi. ∣ IOOrti DAPAT 4 i CNnos Pcndck ...

0.0

0.0

0.0

1.0

10

0.0

INama PrtxMi. 110Orti

DABVT 4 ) CNncs Pcndck ...

0.0

D.D

D.D

GC

10

OjO

INarrc Produk Kaos

Rib PremumJ

0.0

D.D

D.D

0.0

10

4.0

INarnaPrtxMi. 1100« DAFAT 4 ) CNnos Pcndck ...

0.0

D.D

D.D

0.0

D.0

OuO

∣Nvna PrtxMi. ∣ IOOrtl DAFAT 4 ) CNnos Pcndck ...

0.0

D.D

0.0

2.0

D.0

OjO

∣Nama PrtxMi. ∣ IOOrti DAPAT 4 ) CNnos Pendak ...

0.0

D.D

D.D

0.0

D.0

1.0

∣Nama PrtxMi. ∣ IOOrti DABVT 4 ) CNnos Pendak ..

1.0

D.D

D.D

0.0

D.0

OjO

∣Nama PrtxMi. ∣ IOOrti DABVT 4 ) CNnos Pendcfc ..

0.0

D.D

D.D

0.0

10

OuO

INama PrtxMi. ∣ IOOrti DAPAT 4 i CNnos PendCk ..

0.0

D.D

2.D

0.0

D.0

10

INama PrtxMi. ∣ IOOrti DABVT 4 i CNnos Pcndcfc ...

0.0

2.D

D.D

0.0

D.0

1.0

INamaPrtxMi. I 100rtι DABVT 4 ) CNnos Pendek...

Gambar 10. Item best seller perbulan(2)

Sedangkan berikut ini adalah menampilkan item best seller dalam satu harinya. Item-item apa saja yang populer pada waktu operasi toko pada Eljas Store ditunjukkan oleh perintah Python pada gambar 11 dan gambar 12 di bawah ini. Terlihat bahwa item yang best seller pada waktu operasi toko adalah item “( 100rb DAPAT 4 ) Chinos Pendek Pria / Katok Celana Pendek Distro”.


Gambar 11. Item best seller dalam satu hari(1)

Celana Kolor Mos ∕        Celaoa eon (ana Iereta/ Celaaa Ponirt       Celana pendek Chinos ∕ Cclaaaa        . celana ρ<wdek distro

Colana Santai / Celana Celaaa Siloa Salur        Cargo ∕ Chiaos Pendek Juobo JOL / Celana          . ∙ot if / celana pendek

Pendtrt Pria wanita          /Colana Santai            Cargo Pendeh        Pendek Oistro                  '          aotif

INdma Produk, t IOOrti

GO                     ZO                2D                         XO        2.0                  1.0     DABVT 4) CNnos

Pcndok ..

∣Nαma Produk. ∣ 100rt>

1.0                       QO                 OD                           OD         0.0                    4 C      DARVT 4 ) CNnos

Pcndak ...

INama Produk. ∣ IOOrti

GO                     GO                OD                         1D        0.0                  0.0     DABVT 4) CNnos

Pcndck

INoma Produk, | 100«

GO                     GO                OD                         OD        1.0                  OO     DAFAT 4 ) CNnos

Pendek ...

Sedangkan item best seller untuk setiap harinya ditunjukkan oleh perintah Python pada gambar 13 dan gambar 14 dibawah ini. Terlihat bahwa item yang best seller pada untuk setiap harinya adalah item “( 100rb DAPAT 4 ) Chinos Pendek Pria / Katok Celana Pendek Distro”.

Gambar 13. Item best seller perhari(1)


∕ Ccldnd rdnjdnt


LtlJHd KAlOd PalM ∕


Pc-Ueh Prid


Ccldnd PdHjdnt Icrcca/ Ccldnd SilM Sdlur /Ccldlld Sdntdi


Cdldhd PCHdCh

Cjduo ∕ CMnos


CtldHd ∣>M4ch ChldM ∕


OlD


0.0


OlO


IODD D-V=AT 4 > ChrcoPancMi ..


0.0


OlO


INama ProdJc, ∣ IODD DAFATd ) ChrtMPoncMt...


0.0


0.0


SJ


INama ProdJt. I

IODD D-V=ATd )

ChrtMPoncMt ..


0.0


10M> D-V=ATd ) ChrcaPoncMt ..


0.0


0.0


IODD D-V=ATd > ChrcaPoncMt ..


0.0


0.0


05


INama ProdJc. ∣ IODD DAFATd ) ChrtMPoncMt...

INama ProdbK. ∣

IDD-OD-V=ATd )

ChrtMPoncMt ..

Gambar 14. Item best seller perhari(2)

  • 3.3    Association Rules dengan Algoritma Apriori

Pada tahap ini, dilakukan analisis aturan asosiasi untuk menunjukkan hubungan (asosiasi) antar item pada Eljas Store. Hubungan antar item tersebut dapat digunakan Eljas Store untuk pengambilan keputusan. Algoritma Apriori ini digunakan untuk mengetahui frekuensi kemunculan item yang sering disebut frequent itemset yang selanjutnya digunakan untuk proses analisis aturan asosiasi.

Tahap pertama adalah membuat dataset yang berisi daftar item-item yang dibeli secara bersamaan. Agar dapat diproses oleh Algoritma Apriori, maka dataset yang sudah didapat harus dilakukan encoded dengan menggunakan TransactionEncoder. Kemudian diikuti oleh Algoritma Apriori untuk mendapatkan frequent itemset. Pada Algoritma ini harus menentukan nilai min support dan threshold. Min support ini digunakan untuk membandingkan dengan nilai support yang ada. Item yang memiliki support diatas minimum support dipilih sebagai pola frekuensi tinggi, yang digunakan dalam tahap selanjutnya dalam aturan asosiasi yang juga memenuhi nilai confidence dari frequent itemset yang didapat[5]. Nilai confidence atau nilai kepastian adalah kuatnya hubungan antar item yang terbentuk oleh aturan asosiasi dalam data[6].

Hasil dari analisis Algoritma Apriori ini menghasilkan item-item yang saling berhubungan, hubungan antar item tersebut dapat digambarkan dalam bentuk jaringan

(network). Berikut adalah hasil perintah Python untuk menampilkan network yang ditunjukan pada gambar 15 dibawah ini.

Gambar 15. Visualisasi Network

Dari network tersebut dapat dilihat bahwa item Celana Kolor Jova Twill/Celana Santai RIP Twill/Celana Pendek yaitu item yang memiliki hubungan dengan Celana Pendek Distro Motif/ Celana pendek motif, ( 100rb DAPAT 4 ) Chinos Pendek Pria / Katok Celana Pendek Distro, dan item (100rb dapat 5) Celana Pendek Chinos. Sehingga dapat dinyatakan bahwa jika seseorang membeli salah satu dari 4 item tersebut maka kemungkinan besar akan membeli Celana Kolor Jova Twill/Celana Santai RIP Twill/Celana Pendek.

  • 4.    KESIMPULAN DAN SARAN

Dari hasil pengujian dengan menggunakan metode Association Rules pada Eljas Store bahwa item yang paling populer adalah item “( 100rb DAPAT 4 ) Chinos Pendek Pria / Katok Celana Pendek Distro” yang memiliki hubungan asosiasi dengan 3 item : Celana Kolor Jova Twill/Celana Santai RIP Twill/Celana Pendek, Celana Pendek Distro Motif/ Celana pendek motif, dan (100rb dapat 5) Celana Pendek Chinos. Dari hubungan ini dapat dibuat strategi yang dapat membantu meningkatkan penjualan toko yaitu, menambah stok untuk produk-produk yang populer dan memiliki hubungan dengan item tersebut, memberikan diskon/promo untuk item yang populer dan memiliki hubungan yang kuat dengan item “( 100rb DAPAT 4 ) Chinos Pendek Pria / Katok Celana Pendek Distro”, dan mempromosikan produk pada saat waktu terbanyak terjadi transaksi pada saat operasi toko di Eljas Store. Saran untuk pengujian selanjutnya dapat menggunakan algoritma lain dengan tujuan untuk mendapatkan hasil rekomendasi produk yang lebih baik lagi dan mengimplementasikan ke dalam sistem dengan performa yang bagus, ringan dan dapat digunakan dengan baik.

  • 5.    REFERENSI

  • [1]    N. Anwar, F. Adikara, R. Setiyati, R. Satria, and A. Satriawan, “Data Mining Menggunakan Metode Algoritma Apriori Pada Vending Machine Product Display,” JBASE - J. Bus. Audit Inf. Syst., vol. 4, no. 2, 2021, doi: 10.30813/jbase.v4i2.3004.

  • [2]    E. T. Naldy and A. Andri, “Penerapan Data Mining Untuk Analisis Daftar Pembelian Konsumen Dengan Menggunakan Algoritma Apriori Pada Transaksi Penjualan Toko Bangunan MDN,” J. Nas. Ilmu Komput., vol. 2, no. 2, pp. 89–101, 2021, doi: 10.47747/jurnalnik.v2i2.525.

  • [3]    A. Sani, “Analisa Penjualan Retail dengan Metode Association Rule untuk Pengambilan Keputusan Strategis Perusahaan: Studi Kasus PT,” XYZ. Infotech, no. September, 2016, [Online].                                                                        Available:

https://www.researchgate.net/profile/Asrul-Sani/publication/327680554_ANALISA_PENJ

UALAN_RETAIL_DENGAN_METODE_ASSOCIATION_RULE_UNTUK_PENGAMBILA N_KEPUTUSAN_STRATEGIS_PERUSAHAAN_Studi_Kasus_PT_XYZ/links/ 5b9e8660299bf13e60373b02/ANALISA-PENJUALAN-RETAIL-DENGA

  • [4]    I. Qoniah and A. T. Priandika, “Analisis Market Basket Untuk Menentukan Asossiasi Rule Dengan Algoritma Apriori (Studi Kasus: Tb. Menara),” J. Teknol. dan Sist. Inf., vol. 1, no. 2, pp. 26–33, 2020.

  • [5]    S. Hadi, "Implementasi Data Mining Dengan Association Rule Dalam Pengambilan Keputusan Untuk Korelasi Pembelian Produk Menggunakan Algoritma Apriori (Studi Kasus: ARS JEANS Jember)”, vol. 7, no. 2, pp. 107–15, 2014.

  • [6]    A. W. O. Gama, I. K. G. D. Putra, and I. P. A. Bayupati, “Menemukan Frequent Itemset Dalam Keranjang Belanja”, Tekonologi Elektro, vol. 15, no. 2, pp. 27–32, 2016.