Penerapan Improved Apriori Pada Aplikasi Mining Di Perusahaan Kalvin Socks Production

Algoritma apriori merupakan algoritma klasik yang sering digunakan. Kekurangan yang ada pada algoritma apriori adalah harus melakukan scanning berulang terhadap keseluruhan database tiap kali iterasi. Semakin banyak data transaksi yang akan diproses maka semakin lama juga waktu yang dibutuhkan. Kalvin Socks Production merupakan salah satu perusahaan yang menggunakan teknologi data mining dengan algoritma apriori untuk mencari pola pembelian dari para pelanggannya. Banyaknya data transaksi penjualan mengakibatkan proses dalam pencarian pola pembelian membutuhkan waktu yang cukup lama. Salah satu cara untuk mengatasi masalah yang ada pada algoritma apriori adalah dengan menggunakan algoritma improved apriori. Improved apriori mempresentasikan database ke dalam bentuk matrix untuk menggambarkan relasi dalam database. Kemudian matrix dihitung untuk mencari nilai support dari candidate frequent itemset yang memenuhi kriteria untuk menghasilkan frequent itemset tanpa melakukan scanning ulang terhadap database Sistem yang dibangun menggunakan metode association rule untuk menemukan aturan asosiasinya. Tahap yang dilakukan sebelum menemukan aturan asosiasi adalah preprocessing. Pada tahap preprocessing ini dilakukan pemilihan atribut pada transaksi penjualan , kemudian data tersebut dibersihkan dari data transaksi yang mengandung item tunggal. Data transaksi yang telah melewati tahap preprocessing akan dibentuk frequent itemset yang kemudian dibentuk aturan asosiasinya.

Apriori algorithm is a classical algorithm often used. The weaknesses in the apriori algorithm is must perform repetitive scanning of the entire database each time iteration. The more data transactions to be processed, the longer is also the time required. Kalvin Socks Productions is one company that uses data mining technology with apriori algorithm to find the purchasing patterns of customers. The number of sales transaction data in the search results in the process of purchasing patterns require quite a long time.One way to overcome the existing problems in the dpriori algorithm is to use the improved apriori algorithm. Improved apriori present the database in the form of a matrix to describe relationships in the database. Then matrix calculated to find the value of frequent itemset support of a candidate who meets the criteria to produce frequent itemset without re-scanning the database. The system was built using the association rule method to find a customer buying patterns. Steps done before discovering association rules is preprocessing. In the preprocessing stage is done selecting attributes on the sales transaction, then the data is purged from the transaction data that contains a single item. Transaction data that has passed through the preprocessing stage will be set up frequent itemset which later formed the association rules.