PENERAPAN IMPROVED APRIORI PADA APLIKASI DATA …komputa.if.unikom.ac.id/jurnal/penerapan-improved-apriori.2h/5.5.1... · masalah yang ada pada algoritma apriori adalah dengan menggunakan

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)35

Vol. 5, No. 1, Maret 2016, ISSN : 2089-9033

PENERAPAN IMPROVED APRIORI PADA APLIKASI DATA MININGDI PERUSAHAAN KALVIN SOCKS PRODUCTION

Yepi Septiana1, Dian Dharmayanti2

Teknik Informatika - Universitas Komputer IndonesiaJl. Dipatiukur 112-114 Bandung

Email : [email protected], [email protected]

ABSTRAK

Algoritma apriori merupakan algoritma klasikyang sering digunakan. Kekurangan yang ada padaalgoritma apriori adalah harus melakukan scanningberulang terhadap keseluruhan database tiap kaliiterasi. Semakin banyak data transaksi yang akandiproses maka semakin lama juga waktu yangdibutuhkan.

Kalvin Socks Production merupakan salah satuperusahaan yang menggunakan teknologi datamining dengan algoritma apriori untuk mencari polapembelian dari para pelanggannya. Banyaknya datatransaksi penjualan mengakibatkan proses dalampencarian pola pembelian membutuhkan waktu yangcukup lama.

Improved apriori mempresentasikan databaseke dalam bentuk matrix untuk menggambarkanrelasi dalam database. Kemudian matrix dihitunguntuk mencari nilai support dari candidate frequentitemset yang memenuhi kriteria untuk menghasilkanfrequent itemset tanpa melakukan scanning ulangterhadap database. Salah satu cara untuk mengatasimasalah yang ada pada algoritma apriori adalahdengan menggunakan algoritma improved apriori.

Kata kunci : Data mining, association rule,algoritma improved apriori, frequent itemset.

1. Pendahuluan1.1. Latar Belakang

Banyak penelitian dilakukan untuk mencariinformasi, inovasi baru ataupun lainnya. Salahsatunya penelitian di Kalvin Socks Production.Penelitian tersebut dilakukan untuk mencari danmenggali informasi lebih dari para pelanggannyamelalui data transaksi penjulan. Dengan adanya datatransaksi penjualan Kalvin Socks Productionmenggunakan teknologi data mining untuk mencaripola pembelian dari pelanggannya dan mencari itemmana saja yang sering dipesan secara bersamaanoleh pelanggannya. Penelitian di Kalvin SocksProduction dilakukan oleh Deasy Rusmawati denganjudul “Penerapan Data Mining Pada PenjualanKaos Kaki Di Pabrik Kalvin Socks ProductionMenggunakan Metode Association” dan hasil dari

penelitian tersebut menghasilkan suatu polapembelian dari pelanggan Kalvin Socks Production,lalu dari pola tersebut didapatlah sebuah informasimengenai jenis-jenis kaos kaki mana saja yangsering dipesan secara bersamaan oleh pelangganKalvin Socks Production, yang mana dari informasitersebut digunakan oleh pihak perusahaan dalammempertimbangkan jenis kaos kaki yang akandiproduksi lebih bulan selanjutnya [1].

Aplikasi hasil dari penelitian tersebut sudahdigunakan oleh pihak perusahaan sejak 4 bulan yanglalu. Namun aplikasi tersebut memiliki sebuahkekurangan. Hasil uji coba aplikasi pada datatransaksi penjualan bulan Mei 2015 dengan totaldata transaksi sebanyak 176 data transaksi, 4 nilaiminimum support, dan 40% nilai minimumconfindence membutuhkan waktu sekitar 25 menit.Padahal pihak perusahaan sudah menggunakanspesifikasi komputer sesuai dengan standarkebutuhan. Itu terjadi karena algoritma aprioriharus melakukan scan database setiap kali iterasi-nya. Selain itu lamanya waktu yang di butuhkanuntuk pemrosesan tersebut tergantung dari nilaiminimum support dan minimum confindence yangdiinputkan. Semakin kecil nilai minimum supportdan minimum confidence maka semakin lama pulawaktu yang dibutuhkan karena akan terdapat banyakkombinasi itemnya.

Association rule adalah teknik data mininguntuk menemukan aturan asosiatif antara suatukombinasi item. Terdapat banyak algoritma yang adapada Association rule seperti algoritma apriori, fggrowth, ct-pro, improved apriori dll. Salah satu carauntuk mengatasi masalah yang terjadi pada aprioriadalah dengan menggunakan improved apriorialgorithm. Improved apriori mempresentasikandatabase ke dalam bentuk matrix untukmenggambarkan relasi dalam database. Kemudianmatrix dihitung untuk mencari nilai support daricandidate frequent itemset yang memenuhi kriteriauntuk menghasilkan frequent itemset tanpamelakukan scanning ulang terhadap databasedengan menggunakan operasi ”AND” terhadap barismatrix sesuai dengan item dalam candicate frequentitemset [2].


Vol. 5, No. 1, Maret 2016, ISSN : 2089-9033

2. Tinjauan Pustaka2.1. Data Mining

“Data mining adalah proses menemukanpengetahuan yang menarik dari sejumlah data yangbesar yang disimpan di dalam database, gudangdata, atau repositori informasi lainnya” [6].

kemajuan luar biasa yang terus berlanjut dalambidang data mining didorong oleh beberapa faktor,antara lain :1. Pertumbuhan yang cepat dalam kumpulan data.2. Penyimpanan data dalam data warehouse,

sehingga seluruh perusahaan memiliki akses kedalam database yang andal.

3. Adanya peningkatan akses data melaluinavigasi web dan intranet.

4. Tekanan kompetensi bisnis untukmeningkatkan penguasaan pasar dalamglobalisasi ekonomi.

5. Perkembangan teknologi perangkat lunakuntuk data mining (ketersediaan teknologi).

6. Perkembangan yang hebat dalam kemampuankomputasi dan pengembangan kapasitas mediapenyimpanan.

Dari definisi-definisi yang telahdisampaikan, hal penting yang terkait dengan datamining adalah :

1. Data mining merupakan suatu proses otomatisterhadap data yang sudah ada.

2. Data yang akan diproses berupa data yangsangat besar.

3. Tujuan data mining adalah mendapatkanhubungan atau pola yang mungkin memberikanindikasi yang bermanfaat.

2.2. Cross- Industry Standard Process for DataMining (CRISP- DM)

Cross- Industry Standard Process for DataMining (CRISP- DM) yang dikembangkan tahun1996 oleh analis dari beberapa industry sepertiDaimler Chrysler, SPSS, dan NCR. CRISP DMmenyediakan standar proses data mining sebagaistrategi pemecahan masalah secara umum dari bisnisatau unit penelitian. Dalam CRISP- DM, sebuahproyek data mining memiliki siklus hidup yangterbagi dalam enam fase. Keseluruhan fase berurutanyang ada tersebut bersifat adaptif. Fase berikutnyadalam urutan bergantung kepada keluaran dari fasesebelumnya. Hubungan penting antarfasedigambarkan dengan panah. Sebagai contoh, jikaproses berada pada fase modelling. Berdasar padaperilaku dan karakteristik model, proses mungkinharus kembali kepada fase data preparation untukuperbaikan lebih lanjut terhadap data atau berpindahmaju kepada fase evaluation [5].

2.3. Asosiasi (Association)Analisis asosiasi atau Association rule mining

adalah teknik data mining untuk menemukan aturanasosiatif antara suatu kombinasi item.

Penting tidaknya suatu aturan asosiatif dapatdiketahui dengan dua parameter, yaitu support danconfidence. Support (nilai penunjang) adalahpresentase kombinasi item tersebut dalam database,sedangkan confidence (nilai kepastian) adalahkuatnya hubungan antar-item dalam aturan asosiasi.

Metodologi dasar analisis asosiasi terbagimenjadi dua tahap [6] :1. Analisis pola frekuensi tinggi

Tahap ini mencari kombinasi item yangmemenuhi syarat minimum dari nilai supportdalam database. Nilai support sebuah itemdiperoleh dengan rumus berikut.

(1)

Sementara itu, nilai support dari 2 itemdiperoleh dari rumus berikut.

(2)

(3)

2. Pembentukan Aturan AsosiasiSetelah semua pola frekuensi tinggi ditemukan,

barulah dicari aturan asosiasi yang cukup kuattingkat ketergantungan antar item dalam antecedent(pendahulu) dan consequent (pengikut) sertamemenuhi syarat minimum untuk confidence denganmenghitung confidence aturan Asosiatif .

Misalkan D adalah himpunan transaksi, dimanasetiap transaksi T dalam D merepresentasikanhimpunan item yang berada dalam I. I adalahhimpunan item yang dijual. Misalkan kita memilihhimpunan item A dan himpunan item lain B,kemudian aturan asosiasi akan berbentuk:

Dimana antecedent A dan consequent B merupakansubset dari I, dan A dan B merupakan mutuallyexclusive dimana aturan :

Tidak berarti

Sebuah itemset adalah himpunan item-item yang adadalam I, dan k-itemset adalah itemset yang berisi kitem. Frekuensi itemset merupakan itemset yangmemiliki frekuensi kemunculan lebih dari nilaiminimum yang telah ditentukan (ɸ). Misalkan ɸ = 2,maka semua itemset yang frekuensi kemunculannyalebih dari atau sama dengan 2 kali disebut frequent.Himpunan dari frequent k-itemset dilambangkandengan Fk.


Vol. 5, No. 1, Maret 2016, ISSN : 2089-9033

Nilai confidence dari aturan diperoleh dari

rumus berikut.

(4)

2.4. Algoritma Improved AprioriAlgoritma Improved Apriori berbasis Matrix

diusulkan oleh beberapa peneliti, namun denganteknik yang berbeda saat pencarian frequent itemset.merepresentasikan database ke dalam bentuk matrixuntuk menggambarkan relasi dalam database.Kemudian matrix dihitung untuk mencari nilaisupport dari candidate frequent itemset yangmemenuhi kriteria untuk menghasilkan frequentitemset tanpa melakukan scanning ulang terhadapdatabase dengan menggunakan operasi “AND”terhadap baris matrix sesuai dengan item dalamcandidate frequent itemset dan menambahkan hasildari AND, dengan hasilnya adalah Support [7].Algoritma ini tidak melakukan scan ulang terhadapdatabase untuk mencari hubungan seperti algoritmasebelumnya, maka waktu komputasi dan pencariancandidate frequent itemset menjadi lebih cepat.

Tahapan algoritma ini berjalan sebagai berikut[2]:1. Konversi database ke dalam bentuk matrix.

a Konversi database yang berisi In item dantransaksi Tm ke dalam bentuk matrix. Barisdari matrix mewakili transaksi dan kolomdari matrix mewakili item. Jika pada suatutransaksi terdapat item maka nilainya adalah1 dan bernilai 0 jika sebaliknya.

b Jumlah nilai dari kolom adalah nilai supportcount dan jumlah nilai dari baris adalahbanyaknya item dalam suaatu transaksi ataudisebut count.

2. Periksa jumlah kolom dan jumlah baris.a Hapus kolom yang jumlah kolomnya kurang

dari nilai minimum support.b Hapus baris yang jumlah barisnya kurang

dari sama dengan nilai k ( k-frequent itemset).3. Gabungkan tiap kolomnya menggunakan cross

product untuk menemukan kombinasi frequent2-itemset dan gunakan operasi AND untukmendapatkan nilainya.

4. Periksa jumlah kolom dan jumlah barisa Hapus kolom yang jumlah kolomnya kurang

dari nilai minimum support.b Hapus baris yang jumlah barisnya kurang

dari sama dengan nilai k ( k-frequent itemset).5. Demikian pula untuk mencari Kth -frequent

itemset. Gabungkan tiap kolomnya dan hapuskolom yang kurang dari minimum support danhapus baris yang jumlah barisnya kurang darisama dengan k

3. Hasil Penelitian3.1. Analisis Sumber Data

Data yang digunakan pada penelitian ini adalahdata laporan transakasi penjualan kaos kaki periodeMei 2015 sampai Agustus 2015 .

Berikut sampel transaksi penjualan kaos kaki.

Tabel 1. Sampel data transaksi penjualan

tanggal NoNota kodeBarang NamaBarang jumlah

1/8/2015 4 B19 sd p kaoxin 6

1/8/2015 4 B20smp pkaoxin 12

1/8/2015 4 B29bayi lipat

kids 12

5/8/2015 18 B17smp hpkaoxin 36

5/8/2015 18 B18sma hpkaoxin 12

5/8/2015 18 B19 sd p kaoxin 24

5/8/2015 18 B20smp pkaoxin 12

5/8/2015 18 B22mk sd hpolos 12

5/8/2015 20 B15sma hkaoxin 12

5/8/2015 20 B17smp hpkaoxin 12

5/8/2015 20 B18sma hpkaoxin 12

5/8/2015 20 B19 sd p kaoxin 12

5/8/2015 20 B20smp pkaoxin 24

5/8/2015 20 B28bayi lurus

kids 12

20/8/2015 111 B15sma hkaoxin 36

20/8/2015 111 B17smp hpkaoxin 12

20/8/2015 111 B18sma hpkaoxin 12

20/8/2015 111 B19 sd p kaoxin 12

20/8/2015 111 B20smp pkaoxin 12

24/8/2015 142 B16 sd hp kaoxin 6

24/8/2015 142 B17smp hpkaoxin 24

24/8/2015 142 B18sma hpkaoxin 24

3.2. Analisis PreprocessingAdapun langkah-langkah preprocessing data

dalam penelitian ini adalah sebagai berikut :1. Pemilihan Atribut (atribut selection)


Vol. 5, No. 1, Maret 2016, ISSN : 2089-9033

Berdasarkan informasi yang ingin didapat olehpengguna mengenai jenis produk yang dibelisecara bersamaan, maka dalam tahap pemilihanatribut ini, atribut yang akan digunakan daridata hasil ekstraksi adalah atribut NoNota dankodeBarang. Atribut NoNota adalah ID daritransaksi dan atribut kodeBarang adalah kodedari jenis barang yang dibeli.

Tabel 2. Hasil pemilihan atributNoNota kodeBarang

4 B19,B20,B2918 B17,B18,B19,B20,B2220 B15,B17,B19,B20,B28

111 B15,B18,B19,B20142 B15,B16,B17,B18

2. Pembersihan Data (data cleaning)Pada tahap pembersihan data, hasil pemilihanatribut akan dibersihkan dari data transaksiyang mengandung item tunggal. Data transaksiyang memiliki item tunggal ini tidak memilikihubungan asosiasi dengan item lain yang sudahdibeli.

Tabel 3. Hasil Pembersihan DataNoNota kodeBarang

4 B19,B20,B2918 B17,B18,B19,B20,B2220 B15,B17,B19,B20,B28

111 B15,B18,B19,B20142 B15,B16,B17,B18

3.3. Analisis Penerapan Metode Association RuleLangkah-langkah proses pengerjaan algoritma

improved apriori dalam penelitian ini adalah sebagaiberikut :1. Asumsi nilai minimum support yang akan

digunakan adalah 32. Asumsi nilai minimum confidence yang akan

digunakan sebesar 100%.3. Dari hasil pembersihan data kemudian

dilakukan transformasi ke dalam bentukmatrix. NoNota mewakili baris sedangkankodeBarang mewakili kolom.

Tabel 4. Transformasi kedalam bentuk matrixB15 B16 B17 B18 B19 B20 B22 B28 B29

4 0 0 0 0 1 1 0 0 1

18 0 0 1 1 1 1 1 0 0

20 1 0 1 1 1 1 0 1 0

111 1 0 1 1 1 1 0 0 0

142 0 1 1 1 0 0 0 0 0

4. Kemudian untuk mencari frequent 1-itemsethapus jumlah kolom yang jumlah nilainyakurang dari minimum support dan hapus barisyang jumlah nilainya kurang dari sama dengan

Tabel 5. Frequent 1-itemsetB17 B18 B19 B20

4 0 0 1 118 1 1 1 120 1 1 1 1

111 1 1 1 1142 1 1 0 0

5. Untuk mendapatkan calon kandidat 2-itemsetmaka lakukan cross product sedangkan untukmendapatkan nilai support-nya gunakan operanAND.

Tabel 6. Kandidat frequent 2-itemsetB17,B18 B17,B19 B17,B20 B18,B19 B18,B20 B19,B20

4 0 0 0 0 0 1

18 1 1 1 1 1 1

20 1 1 1 1 1 1

111 1 1 1 1 1 1

142 1 0 0 0 0 0

6. Data yang jumlah kolomnya kurang dari nilaiminimum support akan dihapus dan baris yangjumlah nilainya kurang dari 2 akan di hapus

Tabel 7. Frequent 2-itemsetB17,B18 B17,B19 B17,B20 B18,B19 B18,B20 B19,B20

18 1 1 1 1 1 1

20 1 1 1 1 1 1

111 1 1 1 1 1 1



Vol. 5, No. 1, Maret 2016, ISSN : 2089-9033

Tabel 8. kandidat frequent 3-itemsetB17,B18,B19 B17,B18,B20 B17,B19,B20 B18,B19,B20

18 1 1 1 1

20 1 1 1 1

111 1 1 1 1


Tabel 9. Frequent 3-itemsetB17,B18,B19 B17,B18,B20 B17,B19,B20 B18,B19,B20

18 1 1 1 1

20 1 1 1 1

111 1 1 1 1


Tabel 10. kandidat frequent 4-itemsetB17,B18,B19,B20

18 1

20 1

111 1


Tabel 11. Frequent 4-itemset

11. Dikarenakan matrix sudah null maka prosespencarian frequent itemset berhenti.

12. Dari hasil akhir penggabungan maka dapatdibentuk aturan asosiasinya sebagaimanaterdapat pada Tabel 12.

Tabel 12. Generate RuleKombinasi Support Count Confidence(%)

B17→B18˄B19 3 75

B18→B17˄B19 3 75

B19→B17˄B18 3 75

B17˄B18→B19 3 75

B17˄B19→B18 3 100

B18˄B19→B17 3 100

B17→B18˄B20 3 75

B18→B17˄B20 3 75

B20→B17˄B18 3 75

B17˄B18→B20 3 75

B17˄B20→B18 3 100

B18˄B20→B17 3 100

B18→B19˄B20 3 75

B19→B18˄B20 3 75

B20→B18˄B19 3 75

B18˄B19→B20 3 100

B18˄B20→B19 3 100

B19˄B20→B18 3 75

B17→B19˄B20 3 75

B19→B17˄B20 3 75

B20→B17˄B19 3 75

B17˄B19→B20 3 100

B17˄B20→B19 3 100

B19˄B20→B17 3 75

13. Kemudian rule di seleksi sesuai dengan minimumconfidence yang telah di tentukan.

Tabel 13. Hasil seleksi RuleKombinasi Support Count Confidence(%)

B17˄B19→B18 3 100

B18˄B19→B17 3 100

B17˄B20→B18 3 100

B18˄B20→B17 3 100

B18˄B19→B20 3 100

B18˄B20→B19 3 100

B17˄B19→B20 3 100

B17˄B20→B19 3 100

3.4. Pemodelan SistemUse case atau diagram use case merupakan

pemodelan untuk kelakuan (behavior) sistem yangakan dibuat. Diagram use case yang terdapat pada


Vol. 5, No. 1, Maret 2016, ISSN : 2089-9033

sistem yang akan dibangun terdiri dari satu user dansepuluh use case.

Gambar 1. Use Case Diagram

3.5 Implementasi AntarmukaAdapun hasil implementasi dari pemodelan

system diatas dapat dilihat dari tampilan dibawahini.a. Tampilan Halaman utama

Gambar 2. Halaman Utama Aplikasi

b. Tampilan Import Data

Gambar 3. Tampilan Menu Import Data

c. Tampilan Preprocesing

Gambar 4. Tampilan Menu Preprocesing

d. Tampilan Asosiasi

Gambar 5. Tampilan Menu Proses Asosiasi

4. Pengujian PenelitianAdapun hasil penelitian diuji dengan menguji

perangkat lunak yang telah dibangun apakahmenghasilkan data yang valid dan sesuai denganhasil penerapan metode association rule denganalgortima improved apriori oleh karena itu, makadilakukan uji banding hasil antara perangkat lunakyang dibangun dengan aplikasi mining WEKA

Pengujian menggunakan 27 data transaksipenjualan di bulan Agustus 2015 dengan nilaiminimum support 6 dan nilai minimum confidence10%. Aturan asosiasi yang dihasilkan adalahsebagaimana terlihat pada gambar 6.

Gambar 6. Perbandingan hasil rule aplikasi yangdibangun dengan aplikasi mining WEKA


Vol. 5, No. 1, Maret 2016, ISSN : 2089-9033

Dari hasil pengujian antara aplikasi yangdibangun dengan aplikasi mining WEKA, rule yangdidapat oleh aplikasi yang dibangun menggunakanalgoritma improved apriori dan aplikasi WEKAadalah sama yaitu : B17 → B18 dan B18 → B17

Setelah pengujian perbandingan hasil rule antaraaplikasi yang dibangun dengan aplikasi WEKA,maka pengujian selanjutnya yaitu membandingkanwaktu dalam proses pencarian rule antara aplikasiyang dibangun dengan aplikasi yang sebelumnyatelah digunakan oleh pihak KALVIN SOCKSPRODUCTION.

Pengujian menggunakan 178 data transaksipenjualan di bulan Agustus 2015 dengan nilaiminimum support 10 dan nilai minimum confidence60%. Aturan asosiasi yang dihasilkan sistem yangdibangun adalah seperti terlihat pada gambar 7.

Gambar 7. Perbandingan hasil rule dan waktuantara aplikasi yang dibangun dengan aplikasi yangdigunakan oleh KALVIN SOCKS PRODUCTION

Dari hasil pengujian antara aplikasi yangdibangun dengan aplikasi yang digunakan olehKALVIN SOCKS PRODUCTION bahwa waktuyang dibutuhkan oleh aplikasi KALVIN SOCKSPRODUCTION yang menggunakan algoritmaapriori dalam pencarian pola pembelian pelangganmembutuhkan waktu 15 menit 43 detik. Sedangkanaplikasi yang dibangun dengan algoritma improvedapriori hanya membutuhkan waktu sekitar 1 menit49 detik untuk mencari pola pembelianpelanggannya

Jadi, dapat disimpulkan bahwa algoritmaimproved apriori dapat meminimalkan masalah yangterjadi pada algoritma apriori dalammengoptimalisasi waktu proses pencarian polapembelian pelanggan

5. PENUTUP

Berdasarkan hasil implementasi dan pengujianyang telah dilakukan pada aplikasi yangmenggunakan algoritma improved apriori dapatdiambil kesimpulan sebagai berikut :

1. Aplikasi yang dibangun menggunakan algoritmaimproved apriori dapat meminimalkan masalahyang terjadi pada algoritma apriori

2. Aplikasi yang dibangun menggunakan algoritmaimproved apriori dapat mengoptimalikasi waktupemrosesan dalam pencarian pola pembelian.

DAFTAR PUSTAKA

[1] Deasy Rusmawati, “Penerapan Data MiningPada Penjualan Produk Kaos Kaki Di PabrikKalvin Socks Production MenggunakanMetode Association”, Skripsi, TeknikInformatika, Unikom, 2015

[2] Vivul Mangla, Chandni Sarda, Sarthak Marda,“Improving The Efficiency Of AprioriAlgorithm In Data Mining”, InternationalJournal of Engineering and InnovativeTechnology (IJEIT), Volume III Issue III, 2013

[3] Moh. Nazir, (2011), Metode Penelitian, (R.Sikumbang, Ed.), Bogor: Ghalia Indonesia.

[4] Pressman, R. S., (2010), Software EngineeringA Practitioner’s Approach Seventh Edition,United States: McGraw-Hill.

[5] IBM Corp., (2011), IBM SPSS ModelerCRISP-DM Guide, USA.

[6] Han & Kamber, (2006), Data Mining ConcepetAnd Technique Second Edition, San Fransisco:TheMorgan Kaufmann.

[7] Krisdianto, N & Arymurthy, A.N., “ImprovedApriori Berbasis Matrix Dengan IncrementalDatabase Untuk Market Basket Analysis”,Prosiding Seminar Nasional Ilmu Komputer,Universitas Diponegoro, 2012.

[8] Russ Miles & Kim Hamilton, (2006), APragmatic Intoduction to UML, First Edition,United States of America : O’reilly.

[9] Dyer, R. J., (2008), MYSQL IN A NUTSHELL,Second Edition, United States of America :O’reilly.

[10] Freeman, A., (2010), Introduction Visual C#2010, United States of America : APRESS.


Vol. 5, No. 1, Maret 2016, ISSN : 2089-9033

PENERAPAN IMPROVED APRIORI PADA APLIKASI DATA …komputa.if.unikom.ac.id/jurnal/penerapan-improved-apriori.2h/5.5.1... · masalah yang ada pada algoritma apriori adalah dengan menggunakan

Documents